WO2019216125A1 - 梗塞領域を判別する判別器の学習装置、方法およびプログラム、梗塞領域を判別する判別器、並びに梗塞領域判別装置、方法およびプログラム - Google Patents

梗塞領域を判別する判別器の学習装置、方法およびプログラム、梗塞領域を判別する判別器、並びに梗塞領域判別装置、方法およびプログラム Download PDF

Info

Publication number
WO2019216125A1
WO2019216125A1 PCT/JP2019/016052 JP2019016052W WO2019216125A1 WO 2019216125 A1 WO2019216125 A1 WO 2019216125A1 JP 2019016052 W JP2019016052 W JP 2019016052W WO 2019216125 A1 WO2019216125 A1 WO 2019216125A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
infarct region
discriminator
infarct
region
Prior art date
Application number
PCT/JP2019/016052
Other languages
English (en)
French (fr)
Inventor
赤堀　貞登
Original Assignee
富士フイルム株式会社
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 富士フイルム株式会社 filed Critical 富士フイルム株式会社
Publication of WO2019216125A1 publication Critical patent/WO2019216125A1/ja

Links

Images

Classifications

    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis

Definitions

  • the present disclosure relates to a learning device, method, and program for a discriminator that discriminates an infarct region in a brain image, a discriminator that discriminates an infarct region, and an infarct region discriminating device, method, and program.
  • JP2013-165765A a cerebral infarction site included in an MRI diffusion weighted image (DWI: DiffusionDWeightedifImage) is detected, and from the abnormal site of the diffusion weighted image and the diffusion weighted image of a healthy person, The position conversion data necessary for the anatomical alignment between the two is obtained, and SPECT (Single Photon) is used by using the position conversion data so that each tissue position of the patient's brain matches each tissue position of the healthy person's brain.
  • SPECT Single Photon
  • Japanese Patent Laid-Open No. 2014-518516 proposes a method for performing diagnosis by aligning and displaying a CT image and an MRI image.
  • thrombolytic therapy is performed for cerebral infarction patients.
  • thrombolytic therapy is applicable within 4.5 hours from the time at which cerebral infarction has not been confirmed, and the risk of bleeding after treatment increases as the infarct range expands over time.
  • the infarct range expands over time.
  • the infarct region has a pixel value different from other regions.
  • the difference in pixel value from other regions becomes significant in the diffusion weighted image. For this reason, a diffusion weighted image is often used for confirmation of the infarct region.
  • the present disclosure has been made in view of the above circumstances, and an object of the present disclosure is to enable quick diagnosis of whether or not a cerebral infarction has occurred by using a CT image.
  • a learning apparatus for a discriminator includes an image acquisition unit that acquires a CT image of a brain of a subject developing cerebral infarction and an MRI image of the brain of the same subject as the subject; An infarct region extraction unit that extracts an infarct region from an MRI image; An alignment unit for aligning the CT image and the MRI image; An infarct region specifying unit that specifies an infarct region in the CT image based on the result of the alignment; And a learning unit that learns a discriminator for discriminating the infarct region in the input CT image using the infarct region specified in the CT image as teacher data.
  • the MRI image may be a diffusion weighted image.
  • the alignment unit may extract a brain region from the CT image and perform alignment between the extracted brain region and the diffusion weighted image.
  • the discriminator according to the present disclosure has been learned by the discriminator learning device according to the present disclosure.
  • An infarct region discriminating apparatus includes an image acquisition unit that acquires a CT image of an infarct region discrimination target; A discriminator according to the present disclosure that discriminates an infarct region in a CT image to be discriminated;
  • the infarct region discriminating apparatus further includes a display control unit that displays the discrimination result by the discriminator on the display unit.
  • the discriminator learning method acquires a CT image of a brain of a subject who has developed cerebral infarction and an MRI image of the brain of the same subject as the subject, Extract infarct area from MRI image, Align CT image and MRI image, Based on the alignment result, identify the infarct region in the CT image, A discriminator for discriminating the infarct region in the input CT image is learned using the infarct region specified in the CT image as teacher data.
  • the infarct region determination method obtains a CT image of an infarct region determination target,
  • the discriminator of the present disclosure discriminates the infarct region in the CT image to be discriminated.
  • discriminator learning method according to the present disclosure and the infarct region determination method according to the present disclosure may be provided as a program for causing a computer to execute the method.
  • Another discriminator learning device includes a memory for storing instructions to be executed by a computer, A processor configured to execute stored instructions, the processor comprising: Obtaining a CT image of the brain of the subject developing cerebral infarction and an MRI image of the brain of the same subject as the subject, Extract infarct area from MRI image, Align CT image and MRI image, Based on the alignment result, identify the infarct region in the CT image, A process of learning a discriminator for discriminating the infarct region in the input CT image is executed using the infarct region specified in the CT image as teacher data.
  • Another infarct region discriminating device includes a memory for storing instructions for causing a computer to execute, A processor configured to execute stored instructions, the processor comprising: Obtain a CT image of the infarct area discrimination target, By the discriminator of the present disclosure, processing for discriminating the infarct region in the CT image to be discriminated is executed.
  • a CT image of the brain of a subject developing cerebral infarction and an MRI image of the brain of the same subject as the subject are acquired, an infarct region is extracted from the MRI image, and the CT image and the MRI Registration with the image is performed. Then, based on the alignment result, an infarct region in the CT image is specified, and a discriminator for discriminating the infarct region in the input CT image is learned using the specified infarct region as teacher data.
  • the bleeding region since the bleeding region has a pixel value that is greatly different from other regions, it is easy to specify the bleeding region in the CT image.
  • the infarct region has a different pixel value from other regions, but the difference is smaller than the difference between the bleeding region and other regions.
  • the infarct region has a pixel value that is significantly different from other regions. For this reason, if the MRI image and CT image of the brain of the subject who has developed cerebral infarction are aligned, the infarct region in the CT image can be specified based on the infarct region in the MRI image. Therefore, by learning the discriminator using the identified infarct region as teacher data, the infarct region in the input CT image can be discriminated by the learned discriminator. Thereby, it is possible to discriminate not only the bleeding region of the brain but also the infarct region using only the CT image. Therefore, according to the present disclosure, it is possible to quickly diagnose whether cerebral infarction has developed.
  • Hardware configuration diagram showing an outline of a diagnosis support system to which a learning device, a discriminator, and an infarct region discrimination device according to an embodiment of the present disclosure are applied
  • the figure which shows the example of an MRI image The figure for demonstrating position alignment with CT image and MRI image
  • FIG. 1 is a hardware configuration diagram illustrating an outline of a diagnosis support system to which a discriminator learning device, a discriminator, and an infarct region discrimination device according to an embodiment of the present disclosure are applied.
  • the infarct region discriminating device 1 in the diagnosis support system, the infarct region discriminating device 1, the three-dimensional image capturing device 2, and the image storage server 3 according to the present embodiment are connected in a communicable state via a network 4. Yes.
  • the infarct region discriminating device 1 includes the learning device and the discriminator according to the present embodiment.
  • the 3D image capturing apparatus 2 is an apparatus that generates a 3D image representing a part as a medical image by capturing the part to be diagnosed of the subject.
  • the medical image generated by the 3D image capturing apparatus 2 is transmitted to the image storage server 3 and stored.
  • the diagnosis target part of the patient who is the subject is the brain
  • the three-dimensional imaging apparatus 2 is the CT apparatus 2A and the MRI apparatus 2B.
  • the CT apparatus 2A generates a three-dimensional CT image Bc0 including the subject's brain
  • the MRI apparatus 2B generates a three-dimensional MRI image Bm0 including the subject's brain.
  • the MRI image Bm0 is a diffusion weighted image.
  • the CT image Bc0 is a non-contrast CT image acquired by performing imaging without using a contrast agent.
  • a contrast CT acquired by performing imaging using a contrast agent. An image may be used.
  • the image storage server 3 is a computer that stores and manages various data, and includes a large-capacity external storage device and database management software.
  • the image storage server 3 communicates with other devices via a wired or wireless network 4 to transmit and receive image data and the like.
  • various types of data including image data of CT images and MRI images generated by the three-dimensional image capturing apparatus 2 are acquired via a network, stored in a recording medium such as a large-capacity external storage device, and managed.
  • the storage format of the image data and the communication between the devices via the network 4 are based on a protocol such as DICOM (Digital-Imaging-and-Communication-in-Medicine).
  • the infarct region discriminating apparatus 1 is obtained by installing the learning program and the infarct region discriminating program of the present disclosure on one computer.
  • the computer may be a workstation or personal computer directly operated by a doctor who performs diagnosis, or may be a server computer connected to them via a network.
  • the learning program and the infarct region discrimination program are recorded and distributed on a recording medium such as a DVD (Digital Versatile Disc) or a CD-ROM (Compact Disc Read Only Memory), and are installed in the computer from the recording medium.
  • a recording medium such as a DVD (Digital Versatile Disc) or a CD-ROM (Compact Disc Read Only Memory)
  • it is stored in a storage device of a server computer connected to a network or a network storage in a state where it can be accessed from the outside, and is downloaded and installed on a computer used by a doctor upon request.
  • FIG. 2 is a diagram showing a schematic configuration of the infarct region discriminating apparatus according to the present embodiment realized by installing a learning program and an infarct region discriminating program in a computer.
  • the infarct region discriminating apparatus 1 includes a CPU (Central Processing Unit) 11, a memory 12, and a storage 13 as a standard workstation configuration.
  • the infarct region discriminating apparatus 1 is connected with a display 14 and an input unit 15 such as a keyboard and a mouse.
  • the display 14 corresponds to a display unit.
  • the storage 13 is composed of a hard disk drive or the like, and stores various information including medical images of the subject acquired from the image storage server 3 via the network 4 and information necessary for processing.
  • the memory 12 stores a learning program and an infarct region discrimination program.
  • the learning program executes an image acquisition process for acquiring a CT image Bc0 and an MRI image Bm0 of the brain of a subject who has developed a cerebral infarction, and an infarct area extraction process for extracting an infarct area from the MRI image Bm0.
  • a learning process for learning a discriminator for discriminating an infarct region in the input CT image Bc1 is defined as teacher data.
  • the infarct region determination program executes, as processing to be executed by the CPU 11, an image acquisition process for acquiring a CT image Bc1 that is a determination target of the infarct region, a determination process that determines an infarct region in the CT image Bc1 of the determination target, and a determination result.
  • a display control process to be displayed on the display 14 is defined.
  • the computer acquires the image acquisition unit 21, the infarct region extraction unit 22, the alignment unit 23, the infarct region specifying unit 24, the learning unit 25, the discriminator 26, and display control. It functions as the unit 27.
  • the image acquisition unit 21, the infarct region extraction unit 22, the alignment unit 23, the infarct region specifying unit 24, and the learning unit 25 constitute a discriminator learning device of the present embodiment.
  • the discriminator 26 and the display control unit 27 constitute an infarct region discriminating apparatus of the present embodiment.
  • the CPU 11 executes the function of each unit by the learning program and the infarct region determination program.
  • a general-purpose processor that functions as various processing units by executing software
  • the CPU 11 In addition, a programmable logic device (PLD) which is a processor whose circuit configuration can be changed after manufacturing FPGA (Field Programmable Gate Array) or the like can be used.
  • the processing of each unit may be executed by a dedicated electric circuit or the like that is a processor having a circuit configuration designed exclusively for executing specific processing such as ASIC (Application Specific Specific Integrated Circuit).
  • ASIC Application Specific Specific Integrated Circuit
  • One processing unit may be composed of one of these various processors, or a combination of two or more processors of the same type or different types (for example, a plurality of FPGAs or a combination of a CPU and an FPGA). It may be configured. Further, the plurality of processing units may be configured by one processor. As an example of configuring a plurality of processing units with one processor, first, as represented by a computer such as a client or a server, one processor is configured with a combination of one or more CPUs and software. There is a form in which the processor functions as a plurality of processing units.
  • SoC system-on-chip
  • a form of using a processor that realizes the functions of the entire system including a plurality of processing units with a single IC (integrated circuit) chip. is there.
  • various processing units are configured using one or more of the various processors as a hardware structure.
  • circuitry circuitry in which circuit elements such as semiconductor elements are combined.
  • the image acquisition unit 21 acquires the CT image Bc0 and the MRI image Bm0 of the brain of the subject who has developed cerebral infarction from the image storage server 3 for learning by the discriminator 26.
  • a CT image Bc1 that is a determination target of the infarct region is acquired from the image storage server 3. If the CT image Bc0, CT image Bc1, and MRI image Bm0 are already stored in the storage 13, the image acquisition unit 21 acquires the CT image Bc0, CT image Bc1, and MRI image Bm0 from the storage 13. It may be.
  • the image acquisition unit 21 acquires CT images Bc0 and MRI images Bm0 for a large number of subjects for learning by the discriminator 26 described later.
  • the infarct region extraction unit 22 extracts the infarct region of the brain from the MRI image Bm0.
  • FIG. 3 is a diagram showing an example of the MRI image Bm0.
  • the MRI image Bm0 is a three-dimensional image, for the sake of explanation, the MRI image Bm0 will be described using a two-dimensional tomographic image on one tomographic plane of the MRI image Bm0.
  • the MRI image Bm0 which is a diffusion weighted image, is an image including only the brain parenchyma from which the skull has been erased. As shown in FIG.
  • the infarct region has a larger pixel value (lower density) than other regions.
  • the infarct region extraction unit 22 extracts, for example, a region having a pixel value larger than a predetermined threshold value as an infarct region in the MRI image Bm0.
  • an infarct region may be extracted from the MRI image Bm0 using a discriminator that has been trained to extract an infarct region. Thereby, the infarct region A1 shown in FIG. 3 is extracted.
  • the alignment unit 23 performs alignment between the CT image Bc0 and the MRI image Bm0.
  • FIG. 4 is a diagram for explaining alignment between the CT image Bc0 and the MRI image Bm0.
  • the CT image Bc0 and the MRI image Bm0 are both three-dimensional images. However, for the sake of explanation, the CT image Bc0 and the MRI image Bm0 will be described using a two-dimensional tomographic image on one corresponding tomographic plane of the CT image Bc0 and the MRI image Bm0. As shown in FIG. 4, the shape of the brain is substantially the same in the same subject. On the other hand, in the MRI image Bm0, the infarct region has a larger pixel value (lower density) than other regions.
  • the alignment unit 23 extracts a brain parenchymal region from the CT image Bc0 as a brain region, and performs alignment between the extracted brain region and the MRI image Bm0.
  • the alignment unit 23 aligns one of the CT image Bc0 and the MRI image Bm0 with respect to the other by non-rigid alignment.
  • the CT image Bc0 is aligned with the MRI image Bm0.
  • the MRI image Bm0 may be aligned with the CT image Bc0.
  • the non-rigid registration is a method in which feature points in the CT image Bc0 are nonlinearly converted into corresponding points corresponding to the feature points in the MRI image Bm0 using functions such as B spline and thin plate spline, for example. Although it can be used, it is not limited to this.
  • the infarct region specifying unit 24 specifies the infarct region in the CT image Bc0 based on the alignment result by the alignment unit 23.
  • FIG. 5 is a diagram for explaining the specification of the infarct region in the CT image Bc0. Note that the CT image Bc0 shown in FIG. 5 is aligned with the MRI image Bm0. Since the CT image Bc0 is aligned with the MRI image Bm0, the infarct region specifying unit 24 specifies the voxel region of the CT image Bc0 corresponding to the infarct region A1 extracted from the MRI image Bm0 as the infarct region A2.
  • the learning unit 25 learns the discriminator 26 for discriminating the infarct region in the input CT image using the infarct region specified in the CT image Bc0 as teacher data.
  • the discriminator 26 discriminates the infarct region in the CT image Bc1 when the CT image Bc1 to be discriminated is input. Specifically, the discriminator 26 classifies each voxel position of the CT image Bc1 to be discriminated into two classes other than the infarct region and the infarct region, and discriminates the infarct region.
  • the learning unit 25 acquires a feature amount in a region having a predetermined size (for example, 3 ⁇ 3) from the infarct region A2 specified in the CT images Bc0 of a plurality of subjects, and the acquired feature amount Is input to the discriminator 26, and learning of the discriminator 26, that is, machine learning, is performed so that a discrimination result indicating that the region is an infarct region is output.
  • a predetermined size for example, 3 ⁇ 3
  • the voxel values of the CT image Bc1 are classified into an infarct region and a region outside the infarct region, and the infarct region in the CT image Bc1 to be determined Is generated.
  • the display control unit 27 displays the discrimination result by the discriminator 26 of the CT image Bc1 to be discriminated on the display 14.
  • FIG. 6 is a diagram illustrating an example of display of the discrimination result.
  • FIG. 6 shows a tomographic image in one cross section of the CT image Bc1 to be discriminated.
  • the infarct region A3 is specified in the CT image Bc1 to be discriminated.
  • a support vector machine SVM (SupportSMachine)
  • DNN Deep Neural Network
  • CNN convolutional neural network
  • RNN Recurrent Neural Network
  • FIG. 7 is a flowchart showing processing performed during learning in the present embodiment.
  • the image acquisition unit 21 acquires the CT image Bc0 and MRI image Bm0 of the brain of the subject who has developed cerebral infarction (step ST1), and the infarct region extraction unit 22 extracts the infarct region A1 from the MRI image Bm0. Extract (step ST2).
  • the alignment unit 23 performs alignment between the CT image Bc0 and the MRI image Bm0 (step ST3), and the infarct region specifying unit 24 specifies the infarct region A2 in the CT image Bc0 based on the alignment result.
  • the learning unit 25 learns the discriminator 26 that discriminates the infarct region in the input CT image Bc1 using the infarct region specified in the CT image Bc0 as teacher data (step ST6), and ends the process.
  • FIG. 8 is a flowchart showing a process performed when determining an infarct region in the present embodiment.
  • the image acquisition unit 21 acquires a CT image Bc1 to be determined (step ST11), and the determiner 26 determines an infarct region in the CT image to be determined (step ST12).
  • the display control part 27 displays a discrimination
  • the CT image Bc0 and MRI image Bm0 of the brain of the subject developing cerebral infarction are acquired, the infarct region is extracted from the MRI image Bm0, and the CT image Bc0 and the MRI image Bm0 are extracted. Align with. Then, based on the alignment result, the infarct region A1 in the CT image Bc0 is identified, and the discriminator 26 for discriminating the infarct region in the input CT image Bc1 is learned using the identified infarct region A1 as teacher data. I did it.
  • the bleeding region since the bleeding region has a pixel value that is significantly different from other regions, it is easy to specify the bleeding region in the CT image.
  • the infarct region has a different pixel value from other regions, but the difference is smaller than the difference between the bleeding region and other regions.
  • the infarct region has a pixel value that is significantly different from other regions.
  • the infarct region in the acute phase has a pixel value that is significantly different from other regions.
  • the infarct region A2 in the CT image Bc0 is specified based on the infarct region in the MRI image Bm0. Can do. Therefore, by learning the discriminator 26 using the identified infarct region A2 as teacher data, the learned discriminator 26 can discriminate the infarct region in the CT image Bc1 to be discriminated. Thereby, it is possible to discriminate not only the bleeding region of the brain but also the infarct region using only the CT image. Therefore, according to the present embodiment, it is possible to quickly diagnose whether or not cerebral infarction has developed.
  • a diffusion weighted image is used as the MRI image Bm0.
  • an MRI image other than the diffusion weighted image may be used.
  • a T1-weighted image, a T2-weighted image, or a FLAIR (FLuid-Attenuated Inversion Recovery) image may be used.
  • a plurality of MRI images may be used in combination.
  • a non-contrast CT image or a contrast CT image is used as the CT image Bc0 used for learning by the discriminator 26.
  • both the contrast CT image and the non-contrast CT image are learned by the discriminator 26. You may make it use for.
  • the discriminator 26 learned in this way the infarct region can be discriminated regardless of whether the CT image to be discriminated is a contrast CT image or a non-contrast CT image.
  • the infarct region discriminating apparatus 1 includes the learning apparatus, but the present invention is not limited to this. That is, the diagnosis support system includes an image acquisition unit 21, an infarct region extraction unit 22, an alignment unit 23, an infarct region specifying unit 24, and a learning unit 25 separately from the infarct region determination device 1. You may make it provide the learning apparatus which performs learning. In this case, the infarct region discriminating apparatus 1 includes only the image acquisition unit 21, the discriminator 26, and the display control unit 27.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

画像取得部(２１)が、脳梗塞を発症している被検体の脳のＣＴ画像Ｂｃ０およびＭＲＩ画像Ｂｍ０を取得し、梗塞領域抽出部(２２)が、ＭＲＩ画像Ｂｍ０から梗塞領域Ａ１を抽出する。位置合わせ部(２３)が、ＣＴ画像Ｂｃ０とＭＲＩ画像Ｂｍ０との位置合わせを行い、梗塞領域特定部(２５)が、位置合わせの結果に基づいて、ＣＴ画像Ｂｃ０における梗塞領域Ａ２を特定する。学習部(２５)が、ＣＴ画像Ｂｃ０において特定された梗塞領域を教師データとして、入力されたＣＴ画像Ｂｃ１における梗塞領域を判別する判別器(２６)を学習する。

Description

梗塞領域を判別する判別器の学習装置、方法およびプログラム、梗塞領域を判別する判別器、並びに梗塞領域判別装置、方法およびプログラム
　本開示は、脳画像における梗塞領域を判別する判別器の学習装置、方法およびプログラム、梗塞領域を判別する判別器、並びに梗塞領域判別装置、方法およびプログラムに関する。
　近年、ＣＴ（Computed Tomography）装置およびＭＲＩ（Magnetic Resonance Imaging）装置等の医療機器の進歩により、より質の高い高解像度の医用画像を用いての画像診断が可能となってきている。とくに、対象部位を脳とした場合においては、ＣＴ画像およびＭＲＩ画像等を用いた画像診断により、脳梗塞および脳出血等の脳の血管障害を起こしている領域を特定することができる。このため、画像診断を支援するための各種手法が提案されている。
　例えば、特開２０１３－１６５７６５号公報においては、ＭＲＩの拡散強調画像（ＤＷＩ：Diffusion Weighted Image）に含まれる脳梗塞部位を検出し、拡散強調画像の異常部位と健常者の拡散強調画像とから、両者の解剖学的位置合わせに必要な位置変換データを取得し、患者の脳の各組織位置が健常者の脳の各組織位置に合致するように、位置変換データを用いて、ＳＰＥＣＴ（Single Photon Emission Computed Tomography）装置で撮影されたＳＰＥＣＴ画像を変換し、ＳＰＥＣＴ画像上で脳梗塞部位を判別する手法が提案されている。また、特開２０１４－５１８５１６号公報においては、ＣＴ画像とＭＲＩ画像とを位置合わせして表示して、診断を行う手法が提案されている。
　ところで、脳梗塞患者に対しては血栓溶解療法が行われる。しかしながら、血栓溶解療法は、脳梗塞の未発症が確認された時刻から４．５時間以内が適用対象であり、時間の経過により梗塞範囲が広がるほど、治療後に出血が生じるリスクが高くなることが知られている。このため、血栓溶解療法の適否を判断するためには、医用画像を用いて梗塞範囲を迅速かつ適切に判別することが必要である。ここで、拡散強調画像においては、梗塞領域は他の領域とは異なる画素値を有するものとなる。とくに急性期の脳梗塞の領域は、拡散強調画像においては他の領域との画素値の相違が顕著となる。このため、梗塞領域の確認には拡散強調画像が使用されることが多い。
　一方、脳の診断においては、脳梗塞を確認する前に、脳内の出血の有無を確認することが多い。脳内の出血はＣＴ画像において明確に確認することができるため、脳疾患が疑われる患者に対しては、まずＣＴ画像を用いた診断が行われる。しかしながら、ＣＴ画像においては、急性期の脳梗塞の領域と他の領域との画素値の相違はそれほど大きくないため、ＣＴ画像を用いて急性期の梗塞を特定することは、困難であることが多い。このため、ＣＴ画像を用いた診断後にＭＲＩ画像を取得して脳梗塞が発症しているか否かの診断が行われることとなる。
　しかしながら、ＣＴ画像を用いた診断後にＭＲＩ画像を取得して脳梗塞が発症しているか否かの診断を行っていたのでは、梗塞が発症してからの経過時間が長くなるため、血栓溶解療法による治療後に出血のリスクが高くなる可能性がある。
　本開示は上記事情に鑑みなされたものであり、ＣＴ画像を用いて脳梗塞が発症しているか否かの診断を迅速に行うことができるようにすることを目的とする。
　本開示による判別器の学習装置は、脳梗塞を発症している被検体の脳のＣＴ画像および被検体と同一被検体の脳のＭＲＩ画像を取得する画像取得部と、
　ＭＲＩ画像から梗塞領域を抽出する梗塞領域抽出部と、
　ＣＴ画像とＭＲＩ画像との位置合わせを行う位置合わせ部と、
　位置合わせの結果に基づいて、ＣＴ画像における梗塞領域を特定する梗塞領域特定部と、
　ＣＴ画像において特定された梗塞領域を教師データとして、入力されたＣＴ画像における梗塞領域を判別する判別器を学習する学習部とを備える。
　なお、本開示による判別器の学習装置においては、ＭＲＩ画像が拡散強調画像であってもよい。
　また、本開示による判別器の学習装置においては、位置合わせ部は、ＣＴ画像から脳領域を抽出し、抽出した脳領域と拡散強調画像との位置合わせを行うものであってもよい。
　本開示による判別器は、本開示による判別器の学習装置により学習がなされたものである。
　本開示による梗塞領域判別装置は、梗塞領域の判別対象のＣＴ画像を取得する画像取得部と、
　判別対象のＣＴ画像における梗塞領域を判別する、本開示の判別器とを備える。
　なお、本開示による梗塞領域判別装置においては、判別器による判別結果を表示部に表示する表示制御部をさらに備える。
　本開示による判別器の学習方法は、脳梗塞を発症している被検体の脳のＣＴ画像および被検体と同一被検体の脳のＭＲＩ画像を取得し、
　ＭＲＩ画像から梗塞領域を抽出し、
　ＣＴ画像とＭＲＩ画像との位置合わせを行い、
　位置合わせの結果に基づいて、ＣＴ画像における梗塞領域を特定し、
　ＣＴ画像において特定された梗塞領域を教師データとして、入力されたＣＴ画像における梗塞領域を判別する判別器を学習する。
　本開示による梗塞領域判別方法は、梗塞領域の判別対象のＣＴ画像を取得し、
　本開示の判別器により、判別対象のＣＴ画像における梗塞領域を判別する。
　なお、本開示による判別器の学習方法および本開示による梗塞領域判別方法をコンピュータに実行させるためのプログラムとして提供してもよい。
　本開示による他の判別器の学習装置は、コンピュータに実行させるための命令を記憶するメモリと、
　記憶された命令を実行するよう構成されたプロセッサとを備え、プロセッサは、
　脳梗塞を発症している被検体の脳のＣＴ画像および被検体と同一被検体の脳のＭＲＩ画像を取得し、
　ＭＲＩ画像から梗塞領域を抽出し、
　ＣＴ画像とＭＲＩ画像との位置合わせを行い、
　位置合わせの結果に基づいて、ＣＴ画像における梗塞領域を特定し、
　ＣＴ画像において特定された梗塞領域を教師データとして、入力されたＣＴ画像における梗塞領域を判別する判別器を学習する処理を実行する。
　本開示による他の梗塞領域判別装置は、コンピュータに実行させるための命令を記憶するメモリと、
　記憶された命令を実行するよう構成されたプロセッサとを備え、プロセッサは、
　梗塞領域の判別対象のＣＴ画像を取得し、
　本開示の判別器により、判別対象のＣＴ画像における梗塞領域を判別する処理を実行する。
　本開示によれば、脳梗塞を発症している被検体の脳のＣＴ画像およびこの被検体と同一被検体の脳のＭＲＩ画像が取得され、ＭＲＩ画像から梗塞領域が抽出され、ＣＴ画像とＭＲＩ画像との位置合わせが行われる。そして、位置合わせの結果に基づいて、ＣＴ画像における梗塞領域が特定され、特定された梗塞領域を教師データとして、入力されたＣＴ画像における梗塞領域を判別する判別器が学習される。ここで、ＣＴ画像においては、出血領域が他の領域とは大きく異なる画素値を有するため、ＣＴ画像において出血領域を特定することは容易である。しかしながら、ＣＴ画像においては、梗塞領域は他の領域と異なる画素値を有するものの、その差は出血領域と他の領域との差よりも小さい。一方、ＭＲＩ画像においては、梗塞領域は他の領域とは大きく異なる画素値を有する。このため、脳梗塞を発症している被検体の脳のＭＲＩ画像とＣＴ画像とを位置合わせすれば、ＭＲＩ画像における梗塞領域に基づいて、ＣＴ画像における梗塞領域を特定することができる。したがって、特定された梗塞領域を教師データとして判別器の学習を行うことにより、学習された判別器によって、入力されたＣＴ画像における梗塞領域を判別できることとなる。これにより、ＣＴ画像のみを用いて、脳の出血領域のみならず、梗塞領域を判別することができる。よって、本開示によれば、脳梗塞が発症しているか否かの診断を迅速に行うことができる。
本開示の実施形態による学習装置、判別器および梗塞領域判別装置を適用した、診断支援システムの概要を示すハードウェア構成図 本実施形態による梗塞領域判別装置の概略構成を示す図 ＭＲＩ画像の例を示す図 ＣＴ画像とＭＲＩ画像との位置合わせを説明するための図 ＣＴ画像における梗塞領域の特定を説明するための図 判別結果の表示の例を示す図 本実施形態において学習時に行われる処理を示すフローチャート 本実施形態において梗塞領域の判別時に行われる処理を示すフローチャート
　以下、図面を参照して本開示の実施形態について説明する。図１は、本開示の実施形態による判別器の学習装置、判別器および梗塞領域判別装置を適用した、診断支援システムの概要を示すハードウェア構成図である。図１に示すように、診断支援システムでは、本実施形態による梗塞領域判別装置１、３次元画像撮影装置２、および画像保管サーバ３が、ネットワーク４を経由して通信可能な状態で接続されている。なお、梗塞領域判別装置１には、本実施形態による学習装置および判別器が内包される。
　３次元画像撮影装置２は、被検体の診断対象となる部位を撮影することにより、その部位を表す３次元画像を医用画像として生成する装置である。３次元画像撮影装置２により生成された医用画像は画像保管サーバ３に送信され、保存される。なお、本実施形態においては、被検体である患者の診断対象部位は脳であり、３次元画像撮影装置２はＣＴ装置２ＡおよびＭＲＩ装置２Ｂである。そして、ＣＴ装置２Ａにおいて、被検体の脳を含む３次元のＣＴ画像Ｂｃ０を生成し、ＭＲＩ装置２Ｂにおいて、被検体の脳を含む３次元のＭＲＩ画像Ｂｍ０を生成する。なお、本実施形態においては、ＭＲＩ画像Ｂｍ０は、拡散強調画像とする。また、本実施形態においては、ＣＴ画像Ｂｃ０は、造影剤を使用しないで撮影を行うことにより取得される非造影ＣＴ画像とするが、造影剤を使用して撮影を行うことにより取得した造影ＣＴ画像を用いてもよい。
　画像保管サーバ３は、各種データを保存して管理するコンピュータであり、大容量外部記憶装置およびデータベース管理用ソフトウェアを備えている。画像保管サーバ３は、有線あるいは無線のネットワーク４を介して他の装置と通信を行い、画像データ等を送受信する。具体的には３次元画像撮影装置２で生成されたＣＴ画像およびＭＲＩ画像の画像データを含む各種データをネットワーク経由で取得し、大容量外部記憶装置等の記録媒体に保存して管理する。なお、画像データの格納形式およびネットワーク４経由での各装置間の通信は、ＤＩＣＯＭ（Digital Imaging and Communication in Medicine）等のプロトコルに基づいている。
　梗塞領域判別装置１は、１台のコンピュータに、本開示の学習プログラムおよび梗塞領域判別プログラムをインストールしたものである。コンピュータは、診断を行う医師が直接操作するワークステーションまたはパーソナルコンピュータでもよく、それらとネットワークを介して接続されたサーバコンピュータでもよい。学習プログラムおよび梗塞領域判別プログラムは、ＤＶＤ（Digital Versatile Disc）あるいはＣＤ－ＲＯＭ（Compact Disc Read Only Memory）等の記録媒体に記録されて配布され、その記録媒体からコンピュータにインストールされる。または、ネットワークに接続されたサーバコンピュータの記憶装置、もしくはネットワークストレージに、外部からアクセス可能な状態で記憶され、要求に応じて医師が使用するコンピュータにダウンロードされ、インストールされる。
　図２は、コンピュータに学習プログラムおよび梗塞領域判別プログラムをインストールすることにより実現される、本実施形態による梗塞領域判別装置の概略構成を示す図である。図２に示すように、梗塞領域判別装置１は、標準的なワークステーションの構成として、ＣＰＵ（Central Processing Unit）１１、メモリ１２およびストレージ１３を備えている。また、梗塞領域判別装置１には、ディスプレイ１４、並びにキーボードおよびマウス等の入力部１５が接続されている。なお、ディスプレイ１４が表示部に対応する。
　ストレージ１３には、ハードディスクドライブ等からなり、ネットワーク４を経由して画像保管サーバ３から取得した、被検体の医用画像、並びに処理に必要な情報を含む各種情報が記憶されている。
　また、メモリ１２には、学習プログラムおよび梗塞領域判別プログラムが記憶されている。学習プログラムは、ＣＰＵ１１に実行させる処理として、脳梗塞を発症している被検体の脳のＣＴ画像Ｂｃ０およびＭＲＩ画像Ｂｍ０を取得する画像取得処理、ＭＲＩ画像Ｂｍ０から梗塞領域を抽出する梗塞領域抽出処理、ＣＴ画像Ｂｃ０とＭＲＩ画像Ｂｍ０との位置合わせを行う位置合わせ処理、位置合わせの結果に基づいて、ＣＴ画像Ｂｃ０における梗塞領域を特定する梗塞領域特定処理、ＣＴ画像Ｂｃ０において特定された梗塞領域を教師データとして、入力されたＣＴ画像Ｂｃ１における梗塞領域を判別する判別器を学習する学習処理を規定する。また、梗塞領域判別プログラムは、ＣＰＵ１１に実行させる処理として、梗塞領域の判別対象のＣＴ画像Ｂｃ１を取得する画像取得処理、判別対象のＣＴ画像Ｂｃ１における梗塞領域を判別する判別処理、および判別結果をディスプレイ１４に表示する表示制御処理を規定する。
　そして、ＣＰＵ１１がプログラムに従いこれらの処理を実行することで、コンピュータは、画像取得部２１、梗塞領域抽出部２２、位置合わせ部２３、梗塞領域特定部２４、学習部２５、判別器２６および表示制御部２７として機能する。ここで、画像取得部２１、梗塞領域抽出部２２、位置合わせ部２３、梗塞領域特定部２４および学習部２５が、本実施形態の判別器の学習装置を構成する。また、判別器２６および表示制御部２７が、本実施形態の梗塞領域判別装置を構成する。
　なお、本実施形態においては、ＣＰＵ１１が学習プログラムおよび梗塞領域判別プログラムによって、各部の機能を実行するようにしたが、ソフトウェア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としては、ＣＰＵ１１の他、ＦＰＧＡ (Field Programmable Gate Array)等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）を用いることができる。また、ＡＳＩＣ（Application Specific Integrated Circuit）等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等により、各部の処理を実行するようにしてもよい。
　１つの処理部は、これら各種のプロセッサのうちの１つで構成されてもよいし、同種または異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、またはＣＰＵとＦＰＧＡの組み合わせ等）で構成されてもよい。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１に、クライアントやサーバ等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２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、半導体素子等の回路素子を組み合わせた電気回路（circuitry）である。
　画像取得部２１は、判別器２６の学習のために、脳梗塞を発症している被検体の脳のＣＴ画像Ｂｃ０およびＭＲＩ画像Ｂｍ０を画像保管サーバ３から取得する。また、梗塞領域の判別のために、梗塞領域の判別対象のＣＴ画像Ｂｃ１を画像保管サーバ３から取得する。なお、ＣＴ画像Ｂｃ０、ＣＴ画像Ｂｃ１およびＭＲＩ画像Ｂｍ０が既にストレージ１３に記憶されている場合には、画像取得部２１は、ストレージ１３からＣＴ画像Ｂｃ０、ＣＴ画像Ｂｃ１およびＭＲＩ画像Ｂｍ０を取得するようにしてもよい。また、画像取得部２１は、後述する判別器２６の学習のために、多数の被検体についてのＣＴ画像Ｂｃ０およびＭＲＩ画像Ｂｍ０を取得する。
　梗塞領域抽出部２２は、ＭＲＩ画像Ｂｍ０から脳の梗塞領域を抽出する。図３はＭＲＩ画像Ｂｍ０の例を示す図である。なお、ＭＲＩ画像Ｂｍ０は３次元画像であるが、ここでは説明のため、ＭＲＩ画像Ｂｍ０の１つの断層面における２次元の断層画像を用いて説明する。なお、図３に示すように、拡散強調画像であるＭＲＩ画像Ｂｍ０は、頭蓋骨が消去された脳実質のみを含む画像となる。図３に示すように、拡散強調画像であるＭＲＩ画像Ｂｍ０においては、梗塞領域は他の領域と比較して大きい画素値（低い濃度）を有するものとなる。梗塞領域抽出部２２は、ＭＲＩ画像Ｂｍ０において、例えばあらかじめ定められたしきい値よりも大きい画素値を有する領域を、梗塞領域として抽出する。なお、梗塞領域を抽出するように学習がなされた判別器を用いて、ＭＲＩ画像Ｂｍ０から梗塞領域を抽出するようにしてもよい。これにより、図３に示す梗塞領域Ａ１が抽出される。
　位置合わせ部２３は、ＣＴ画像Ｂｃ０とＭＲＩ画像Ｂｍ０との位置合わせを行う。図４は、ＣＴ画像Ｂｃ０とＭＲＩ画像Ｂｍ０との位置合わせを説明するための図である。なお、ＣＴ画像Ｂｃ０およびＭＲＩ画像Ｂｍ０はともに３次元画像であるが、ここでは説明のため、ＣＴ画像Ｂｃ０およびＭＲＩ画像Ｂｍ０の対応する１つの断層面における２次元の断層画像を用いて説明する。図４に示すように、同一被検体においては、脳の形状は略同一となる。一方、ＭＲＩ画像Ｂｍ０においては、梗塞領域が他の領域と比較して大きい画素値（低い濃度）を有するものとなる。これに対して、ＣＴ画像Ｂｃ０においては、梗塞領域と他の領域とは画素値の差異がＭＲＩ画像Ｂｍ０ほど大きくない。なお、ＣＴ画像Ｂｃ０は、拡散強調画像であるＭＲＩ画像Ｂｍ０とは異なり、頭蓋骨および脳実質を含んでいる。このため、位置合わせ部２３は、ＣＴ画像Ｂｃ０から脳実質の領域を脳領域として抽出し、抽出した脳領域とＭＲＩ画像Ｂｍ０との位置合わせを行う。
　本実施形態において、位置合わせ部２３は、非剛***置合わせにより、ＣＴ画像Ｂｃ０およびＭＲＩ画像Ｂｍ０のいずれか一方を他方に対して位置合わせする。本実施形態においては、ＣＴ画像Ｂｃ０をＭＲＩ画像Ｂｍ０に対して位置合わせするものとするが、ＭＲＩ画像Ｂｍ０をＣＴ画像Ｂｃ０に対して位置合わせするようにしてもよい。
　なお、非剛***置合わせとしては、例えばＢスプラインおよびシンプレートスプライン等の関数を用いて、ＣＴ画像Ｂｃ０における特徴点をＭＲＩ画像Ｂｍ０における特徴点に対応する対応点に非線形に変換することによる手法を用いることができるが、これに限定されるものではない。
　梗塞領域特定部２４は、位置合わせ部２３による位置合わせの結果に基づいて、ＣＴ画像Ｂｃ０における梗塞領域を特定する。図５はＣＴ画像Ｂｃ０における梗塞領域の特定を説明するための図である。なお、図５に示すＣＴ画像Ｂｃ０はＭＲＩ画像Ｂｍ０と位置合わせがなされているものとする。ＣＴ画像Ｂｃ０はＭＲＩ画像Ｂｍ０と位置合わせがなされているため、梗塞領域特定部２４は、ＭＲＩ画像Ｂｍ０において抽出した梗塞領域Ａ１に対応するＣＴ画像Ｂｃ０のボクセルの領域を梗塞領域Ａ２に特定する。
　学習部２５は、ＣＴ画像Ｂｃ０において特定された梗塞領域を教師データとして、入力されたＣＴ画像における梗塞領域を判別する判別器２６を学習する。本実施形態においては、判別器２６は、判別対象となるＣＴ画像Ｂｃ１が入力されると、ＣＴ画像Ｂｃ１における梗塞領域を判別するものとする。具体的には、判別器２６は、判別対象となるＣＴ画像Ｂｃ１各ボクセル位置を、梗塞領域と梗塞領域以外の２つのクラスに分類して、梗塞領域を判別する。このため、学習部２５は、複数の被検体のＣＴ画像Ｂｃ０において特定した梗塞領域Ａ２から、あらかじめ定められたサイズ（例えば３×３等）の領域内の特徴量を取得し、取得した特徴量を判別器２６に入力し、梗塞領域であるとの判別結果を出力するように、判別器２６の学習、すなわち機械学習を行う。
　このように学習が行われることにより、ＣＴ画像Ｂｃ１が入力されると、ＣＴ画像Ｂｃ１のボクセル値を、梗塞領域と梗塞領域外の領域とに分類して、判別対象のＣＴ画像Ｂｃ１における梗塞領域を判別する判別器２６が生成される。
　表示制御部２７は、判別対象となるＣＴ画像Ｂｃ１の判別器２６による判別結果をディスプレイ１４に表示する。図６は判別結果の表示の例を示す図である。なお、図６においては、判別対象となるＣＴ画像Ｂｃ１の１つの断面における断層画像を示している。図６に示すように、判別結果においては、判別対象のＣＴ画像Ｂｃ１において、梗塞領域Ａ３が特定されている。
　なお、機械学習の手法としては、サポートベクタマシン（ＳＶＭ(Support Vector Machine)）、ディープニューラルネットワーク（ＤＮＮ(Deep Neural Network)）、畳み込みニューラルネットワーク（ＣＮＮ(Convolutional Neural Network)）、およびリカレントニューラルネットワーク（ＲＮＮ(Recurrent Neural Network)）等を用いることができる。
　次いで、本実施形態において行われる処理について説明する。図７は本実施形態において学習時に行われる処理を示すフローチャートである。まず、画像取得部２１が、脳梗塞を発症している被検体の脳のＣＴ画像Ｂｃ０およびＭＲＩ画像Ｂｍ０を取得し（ステップＳＴ１）、梗塞領域抽出部２２が、ＭＲＩ画像Ｂｍ０から梗塞領域Ａ１を抽出する（ステップＳＴ２）。次いで、位置合わせ部２３が、ＣＴ画像Ｂｃ０とＭＲＩ画像Ｂｍ０との位置合わせを行い（ステップＳＴ３）、梗塞領域特定部２４が、位置合わせの結果に基づいて、ＣＴ画像Ｂｃ０における梗塞領域Ａ２を特定する（ステップＳＴ４）。そして、学習部２５が、ＣＴ画像Ｂｃ０において特定された梗塞領域を教師データとして、入力されたＣＴ画像Ｂｃ１における梗塞領域を判別する判別器２６を学習し（ステップＳＴ６）、処理を終了する。
　図８は本実施形態において梗塞領域の判別時に行われる処理を示すフローチャートである。まず、画像取得部２１が、判別対象となるＣＴ画像Ｂｃ１を取得し（ステップＳＴ１１）、判別器２６が判別対象のＣＴ画像における梗塞領域を判別する（ステップＳＴ１２）。そして、表示制御部２７が、判別結果をディスプレイ１４に表示し（ステップＳＴ１３）、処理を終了する。
　このように、本実施形態においては、脳梗塞を発症している被検体の脳のＣＴ画像Ｂｃ０およびＭＲＩ画像Ｂｍ０を取得し、ＭＲＩ画像Ｂｍ０から梗塞領域を抽出し、ＣＴ画像Ｂｃ０とＭＲＩ画像Ｂｍ０との位置合わせを行う。そして、位置合わせの結果に基づいて、ＣＴ画像Ｂｃ０における梗塞領域Ａ１を特定し、特定された梗塞領域Ａ１を教師データとして、入力されたＣＴ画像Ｂｃ１における梗塞領域を判別する判別器２６を学習するようにした。
　ここで、ＣＴ画像においては、出血領域が他の領域とは大きく異なる画素値を有するため、ＣＴ画像において出血領域を特定することは容易である。しかしながら、ＣＴ画像においては、梗塞領域は他の領域と異なる画素値を有するものの、その差は出血領域と他の領域との差よりも小さい。一方、ＭＲＩ画像においては、梗塞領域が他の領域とは大きく異なる画素値を有する。特に、拡散強調画像においては、急性期の梗塞領域は他の領域と大きく異なる画素値を有するものとなる。このため、脳梗塞を発症している被検体の脳のＭＲＩ画像Ｂｍ０とＣＴ画像Ｂｃ０とを位置合わせすれば、ＭＲＩ画像Ｂｍ０における梗塞領域に基づいて、ＣＴ画像Ｂｃ０における梗塞領域Ａ２を特定することができる。したがって、特定された梗塞領域Ａ２を教師データとして判別器２６の学習を行うことにより、学習された判別器２６によって、判別対象となるＣＴ画像Ｂｃ１における梗塞領域を判別できることとなる。これにより、ＣＴ画像のみを用いて、脳の出血領域のみならず、梗塞領域を判別することができる。よって、本実施形態によれば、脳梗塞が発症しているか否かの診断を迅速に行うことができる。
　なお、上記実施形態においては、ＭＲＩ画像Ｂｍ０として拡散強調画像を用いているが、拡散強調画像以外のＭＲＩ画像を用いてもよい。例えば、Ｔ１強調画像、Ｔ２強調画像またはＦＬＡＩＲ（FLuid-Attenuated Inversion Recovery）画像等を用いてもよい。また、複数のＭＲＩ画像を組み合わせて用いてもよい。
　また、上記実施形態においては、判別器２６の学習に用いるＣＴ画像Ｂｃ０として、非造影ＣＴ画像または造影ＣＴ画像を用いているが、造影ＣＴ画像および非造影ＣＴ画像の双方を判別器２６の学習に用いるようにしてもよい。このように学習された判別器２６を用いることにより、判別対象のＣＴ画像が造影ＣＴ画像および非造影ＣＴ画像のいずれであっても、梗塞領域を判別できることとなる。
　また、上記実施形態においては、梗塞領域判別装置１が学習装置を内包しているが、これに限定されるものではない。すなわち、診断支援システムにおいて、梗塞領域判別装置１とは別個に、画像取得部２１、梗塞領域抽出部２２、位置合わせ部２３、梗塞領域特定部２４、および学習部２５を備え、判別器２６の学習を行う学習装置を備えるようにしてもよい。この場合、梗塞領域判別装置１は、画像取得部２１、判別器２６および表示制御部２７のみを備えるものとなる。
　　　１　　梗塞領域判別装置
　　　２　　３次元画像撮影装置
　　　３　　画像保管サーバ
　　　４　　ネットワーク
　　　１１　　ＣＰＵ
　　　１２　　メモリ
　　　１３　　ストレージ
　　　１４　　ディスプレイ
　　　１５　　入力部
　　　２１　　画像取得部
　　　２２　　梗塞領域抽出部
　　　２３　　位置合わせ部
　　　２４　　梗塞領域特定部
　　　２５　　学習部
　　　２６　　判別器
　　　２７　　表示制御部
　　　Ａ１，Ａ２，Ａ３　　梗塞領域
　　　Ｂｃ０　　ＣＴ画像
　　　Ｂｃ１　　判別対象のＣＴ画像
　　　Ｂｍ０　　ＭＲＩ画像

Claims (10)

  1. 　脳梗塞を発症している被検体の脳のＣＴ画像および前記被検体と同一被検体の脳のＭＲＩ画像を取得する画像取得部と、
    　前記ＭＲＩ画像から梗塞領域を抽出する梗塞領域抽出部と、
    　前記ＣＴ画像と前記ＭＲＩ画像との位置合わせを行う位置合わせ部と、
    　前記位置合わせの結果に基づいて、前記ＣＴ画像における前記梗塞領域を特定する梗塞領域特定部と、
    　前記ＣＴ画像において特定された梗塞領域を教師データとして、入力されたＣＴ画像における梗塞領域を判別する判別器を学習する学習部とを備えた判別器の学習装置。
  2. 　前記ＭＲＩ画像が拡散強調画像である請求項１に記載の判別器の学習装置。
  3. 　前記位置合わせ部は、前記ＣＴ画像から脳領域を抽出し、抽出した前記脳領域と前記拡散強調画像との位置合わせを行う請求項２に記載の判別器の学習装置。
  4. 　請求項１から３のいずれか１項に記載の判別器の学習装置により学習がなされた判別器。
  5. 　梗塞領域の判別対象のＣＴ画像を取得する画像取得部と、
    　前記判別対象のＣＴ画像における梗塞領域を判別する、請求項４に記載の判別器とを備えた梗塞領域判別装置。
  6. 　前記判別器による判別結果を表示部に表示する表示制御部をさらに備えた請求項５に記載の梗塞領域判別装置。
  7. 　脳梗塞を発症している被検体の脳のＣＴ画像および前記被検体と同一被検体の脳のＭＲＩ画像を取得し、
    　前記ＭＲＩ画像から梗塞領域を抽出し、
    　前記ＣＴ画像と前記ＭＲＩ画像との位置合わせを行い、
    　前記位置合わせの結果に基づいて、前記ＣＴ画像における前記梗塞領域を特定し、
    　前記ＣＴ画像において特定された梗塞領域を教師データとして、入力されたＣＴ画像における梗塞領域を判別する判別器を学習する判別器の学習方法。
  8. 　梗塞領域の判別対象のＣＴ画像を取得し、
    　請求項４に記載の判別器により、前記判別対象のＣＴ画像における梗塞領域を判別する梗塞領域判別方法。
  9. 　脳梗塞を発症している被検体の脳のＣＴ画像および前記被検体と同一被検体の脳のＭＲＩ画像を取得する手順と、
    　前記ＭＲＩ画像から梗塞領域を抽出する手順と、
    　前記ＣＴ画像と前記ＭＲＩ画像との位置合わせを行う手順と、
    　前記位置合わせの結果に基づいて、前記ＣＴ画像における前記梗塞領域を特定する手順と、
    　前記ＣＴ画像において特定された梗塞領域を教師データとして、入力されたＣＴ画像における梗塞領域を判別する判別器を学習する手順とをコンピュータに実行させる判別器の学習プログラム。
  10. 　梗塞領域の判別対象のＣＴ画像を取得する手順と、
    　請求項４に記載の判別器により、前記判別対象のＣＴ画像における梗塞領域を判別する手順とをコンピュータに実行させる梗塞領域判別プログラム。
PCT/JP2019/016052 2018-05-09 2019-04-12 梗塞領域を判別する判別器の学習装置、方法およびプログラム、梗塞領域を判別する判別器、並びに梗塞領域判別装置、方法およびプログラム WO2019216125A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-090344 2018-05-09
JP2018090344 2018-05-09

Publications (1)

Publication Number Publication Date
WO2019216125A1 true WO2019216125A1 (ja) 2019-11-14

Family

ID=68468072

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/016052 WO2019216125A1 (ja) 2018-05-09 2019-04-12 梗塞領域を判別する判別器の学習装置、方法およびプログラム、梗塞領域を判別する判別器、並びに梗塞領域判別装置、方法およびプログラム

Country Status (1)

Country Link
WO (1) WO2019216125A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020032045A (ja) * 2018-08-31 2020-03-05 富士フイルム株式会社 梗塞領域を判別する判別器の学習装置、方法およびプログラム、梗塞領域を判別する判別器、並びに梗塞領域判別装置、方法およびプログラム
JPWO2021177374A1 (ja) * 2020-03-04 2021-09-10
CN113506634A (zh) * 2021-07-15 2021-10-15 南京易爱医疗设备有限公司 脑部仿真***

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018011958A (ja) * 2016-07-21 2018-01-25 東芝メディカルシステムズ株式会社 医用画像処理装置及び医用画像処理プログラム

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018011958A (ja) * 2016-07-21 2018-01-25 東芝メディカルシステムズ株式会社 医用画像処理装置及び医用画像処理プログラム

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
NAGASHIMA, HIROYUKI ET AL.: "Computerized Detection of Acute Ischemic Stroke in Brain Computed Tomography Images", MEDICAL IMAGING TECHNOLOGY, vol. 27, no. 1, January 2009 (2009-01-01), pages 30 - 38 *
ROMAN, PETER ET AL.: "A Quantitative Symmetry- based Analysis of Hyperacute Ischemic Stroke Lesions in Non-Contrast Computed Tomography", MEDICAL PHYSICS, vol. 44, no. 1, January 2017 (2017-01-01), pages 192 - 199, XP055645068 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020032045A (ja) * 2018-08-31 2020-03-05 富士フイルム株式会社 梗塞領域を判別する判別器の学習装置、方法およびプログラム、梗塞領域を判別する判別器、並びに梗塞領域判別装置、方法およびプログラム
JPWO2021177374A1 (ja) * 2020-03-04 2021-09-10
WO2021177374A1 (ja) * 2020-03-04 2021-09-10 株式会社Ｋｏｍｐａｔｈ 画像処理装置、画像処理モデル生成装置、学習用データ生成装置、及びプログラム
JP7323885B2 (ja) 2020-03-04 2023-08-09 株式会社Kompath 画像処理装置、画像処理モデル生成装置、学習用データ生成装置、及びプログラム
CN113506634A (zh) * 2021-07-15 2021-10-15 南京易爱医疗设备有限公司 脑部仿真***
CN113506634B (zh) * 2021-07-15 2024-04-09 南京易爱医疗设备有限公司 脑部仿真***

Similar Documents

Publication Publication Date Title
JP7129869B2 (ja) 疾患領域抽出装置、方法及びプログラム
Leung et al. Brain MAPS: an automated, accurate and robust brain extraction technique using a template library
US11049251B2 (en) Apparatus, method, and program for learning discriminator discriminating infarction region, discriminator for discriminating infarction region, and apparatus, method, and program for discriminating infarction region
JP7018856B2 (ja) 医用画像処理装置、方法およびプログラム
WO2019216125A1 (ja) 梗塞領域を判別する判別器の学習装置、方法およびプログラム、梗塞領域を判別する判別器、並びに梗塞領域判別装置、方法およびプログラム
JP7129870B2 (ja) 疾患領域を判別する判別器の学習装置、方法及びプログラム、疾患領域を判別する判別器、並びに疾患領域判別装置及びプログラム
JP6945493B2 (ja) 医用画像処理装置、方法およびプログラム
WO2020054188A1 (ja) 医用画像処理装置、方法およびプログラム
JP6981940B2 (ja) 画像診断支援装置、方法及びプログラム
WO2019102917A1 (ja) 読影医決定装置、方法およびプログラム
US11551351B2 (en) Priority judgement device, method, and program
JP2019213785A (ja) 医用画像処理装置、方法およびプログラム
US11176413B2 (en) Apparatus, method, and program for training discriminator discriminating disease region, discriminator discriminating disease region, disease region discrimination apparatus, and disease region discrimination program
US11328414B2 (en) Priority judgement device, method, and program
WO2021084916A1 (ja) 領域同定装置、方法およびプログラム
WO2019150717A1 (ja) 葉間膜表示装置、方法およびプログラム
JP2021175454A (ja) 医用画像処理装置、方法およびプログラム
JP6765396B2 (ja) 医用画像処理装置、方法およびプログラム
US20240037738A1 (en) Image processing apparatus, image processing method, and image processing program
WO2020262681A1 (ja) 学習装置、方法およびプログラム、医用画像処理装置、方法およびプログラム、並びに判別器
JP7361930B2 (ja) 医用画像処理装置、方法およびプログラム
WO2023121005A1 (ko) 인공 신경망에 기반하여 분류 정보를 출력하는 방법 및 이를 위한 장치
JP6845480B2 (ja) 診断支援装置、方法およびプログラム
JP2023091190A (ja) 医療画像診断支援装置、医療画像診断支援方法及びプログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19799760

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19799760

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP