[go: up one dir, main page]

JP2016007270A - 医用画像処理装置 - Google Patents

医用画像処理装置 Download PDF

Info

Publication number
JP2016007270A
JP2016007270A JP2014128462A JP2014128462A JP2016007270A JP 2016007270 A JP2016007270 A JP 2016007270A JP 2014128462 A JP2014128462 A JP 2014128462A JP 2014128462 A JP2014128462 A JP 2014128462A JP 2016007270 A JP2016007270 A JP 2016007270A
Authority
JP
Japan
Prior art keywords
lesion candidate
medical image
unit
region
candidate region
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.)
Granted
Application number
JP2014128462A
Other languages
English (en)
Other versions
JP6510189B2 (ja
Inventor
康太 青柳
Yasuta Aoyanagi
康太 青柳
山形　仁
Hitoshi Yamagata
仁 山形
瑞穂 西尾
Mizuho Nishio
瑞穂 西尾
純明 松本
Sumiaki Matsumoto
純明 松本
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.)
Kobe University NUC
Canon Medical Systems Corp
Original Assignee
Kobe University NUC
Toshiba 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 Kobe University NUC, Toshiba Medical Systems Corp filed Critical Kobe University NUC
Priority to JP2014128462A priority Critical patent/JP6510189B2/ja
Priority to US14/747,199 priority patent/US10413236B2/en
Publication of JP2016007270A publication Critical patent/JP2016007270A/ja
Application granted granted Critical
Publication of JP6510189B2 publication Critical patent/JP6510189B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A61B5/48—Other medical applications
    • A61B5/4842—Monitoring progression or stage of a disease
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient ; user input means
    • A61B5/7475—User input or interface means, e.g. keyboard, pointing device, joystick
    • A61B5/748—Selection of a region of interest, e.g. using a graphics tablet
    • A61B5/7485—Automatic selection of region of interest
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
    • A61B90/36—Image-producing devices or illumination devices not otherwise provided for
    • A61B90/37—Surgical systems with images on a monitor during operation
    • 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
    • A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
    • A61B90/36—Image-producing devices or illumination devices not otherwise provided for
    • A61B90/37—Surgical systems with images on a monitor during operation
    • A61B2090/374—NMR or MRI
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
    • A61B90/36—Image-producing devices or illumination devices not otherwise provided for
    • A61B90/37—Surgical systems with images on a monitor during operation
    • A61B2090/376—Surgical systems with images on a monitor during operation using X-rays, e.g. fluoroscopy
    • A61B2090/3762—Surgical systems with images on a monitor during operation using X-rays, e.g. fluoroscopy using computed tomography systems [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B90/00—Instruments, implements or accessories specially adapted for surgery or diagnosis and not covered by any of the groups A61B1/00 - A61B50/00, e.g. for luxation treatment or for protecting wound edges
    • A61B90/36—Image-producing devices or illumination devices not otherwise provided for
    • A61B90/37—Surgical systems with images on a monitor during operation
    • A61B2090/378—Surgical systems with images on a monitor during operation using ultrasound
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0004—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by the type of physiological signal transmitted
    • A61B5/0013—Medical image data
    • 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
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule
    • 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
    • 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
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Gynecology & Obstetrics (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Image Processing (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)

Abstract

【課題】コンピュータ支援診断における診断能を向上させることを可能にする医用画像処理装置を提供する。【解決手段】医用画像処理装置は、特定部と、分割部と、抽出部とを備える。特定部は、医用画像に含まれる病変候補領域を特定する。分割部は、病変候補領域を複数の部分領域に分割する。抽出部は、分割部によって分割された複数の部分領域に対応する特徴量をそれぞれ抽出する。【選択図】図１

Description

本発明の実施形態は、医用画像処理装置に関する。
従来、生体内の異常を検出して、原因を精査するためにＣＴ（Computed Tomography）、ＭＲＩ（Magnetic Resonance Imaging）、ＲＩ（Radio Isotope）、ＰＥＴ（Positron Emission Tomography）、エコーなどの各種画像検査が行われている。かかる画像検査においては、生体内の異常を検出することはいうまでもなく、検出された異常がどのような病態から生じているか推定することも非常に重要である。
このような画像検査は、医師によって視覚的に評価されることが多いが、近年のソフトウェア技術の向上に伴い、計算機を用いた画像処理による評価も行われている。この一環として、画像検査に対するコンピュータ支援診断について精力的な研究が行われている。なお、コンピュータ支援診断には種々の形態があるが、ここでは、検出された異常に対してその病態をソフトウェアを用いて推定することをコンピュータ支援診断と定義する。
医師による画像検査の視覚的評価には属人的な要素があり、医師の経験、専門領域などによって評価にばらつきが生じ、必ずしも一定しない。そこで、医師が画像検査を評価する際にコンピュータ支援診断を利用することで、視覚的評価のばらつきを低減し、診断能の向上と平準化が期待されている。
特開２０１２−２１３６０４号公報
本発明が解決しようとする課題は、コンピュータ支援診断における診断能を向上させる医用画像処理装置を提供することである。
実施形態の医用画像処理装置は、特定部と、分割部と、抽出部とを備える。特定部は、医用画像に含まれる病変候補領域を特定する。分割部は、前記病変候補領域を複数の部分領域に分割する。抽出部は、前記分割部によって分割された複数の部分領域に対応する特徴量をそれぞれ抽出する。
図１は、第１の実施形態に係る医用画像処理装置の構成の一例を示す図である。 図２は、第１の実施形態に係る特定部による処理の一例を説明するための図である。 図３Ａは、第１の実施形態に係る分割部による処理の一例を説明するための図である。 図３Ｂは、第１の実施形態に係る分割部による処理の一例を説明するための図である。 図４は、第１の実施形態に係る抽出部による処理の一例を説明するための図である。 図５は、第１の実施形態に係る抽出部による特徴ベクトルの抽出処理の一例を説明するための図である。 図６は、第１の実施形態に係る医用画像処理装置による処理の手順を示すフローチャートである。 図７は、第２の実施形態に係る分割部による処理の一例を説明するための図である。
（第１の実施形態）
図１は、第１の実施形態に係る医用画像処理装置１００の構成の一例を示す図である。図１に示すように、医用画像処理装置１００は、入力部１１０と、表示部１２０と、通信部１３０と、記憶部１４０と、制御部１５０とを有する。例えば、医用画像処理装置１００は、ワークステーションや、任意のパーソナルコンピュータなどであり、図示しない医用画像診断装置や、画像保管装置などとネットワークを介して接続される。医用画像診断装置は、例えば、Ｘ線ＣＴ（Computed Tomography）装置、ＭＲＩ（Magnetic Resonance Imaging）装置、Ｘ線診断装置、超音波診断装置などである。医用画像診断装置は、医用画像データを生成する。画像保管装置は、医用画像を保管するデータベースである。具体的には、画像保管装置は、医用画像診断装置から送信された医用画像データを記憶部に格納し、これを保管する。
上述した医用画像処理装置１００と、医用画像診断装置と、画像保管装置とは、例えば、病院内に設置された院内ＬＡＮ（Local Area Network）により、直接的、又は間接的に相互に通信可能な状態となっている。例えば、ＰＡＣＳ（Picture Archiving and Communication System）が導入されている場合、各装置は、ＤＩＣＯＭ（Digital Imaging and Communications in Medicine）規格に則って、医用画像等を相互に送受信する。
第１の実施形態に係る医用画像処理装置１００は、医用画像診断装置によって生成された医用画像データに対するコンピュータ支援診断における診断能向上を可能にする。ここで、まず、従来技術におけるコンピュータ支援診断について説明する。従来技術におけるコンピュータ支援診断では、一般的に以下のような処理によって対象病変に対する病態の推定が行われる。従来のコンピュータ支援診断では、まず、（１）推定の対象となる領域（病変候補領域）を決定し、（２）決定した領域から特徴ベクトルを抽出し、（３）抽出した特徴ベクトルに対して、機械学習を用いて推定を行う。なお、推定を行うには推定基準が必要で、推定基準はトレーニングデータ(教師有画像)に対して機械学習を適応することで生成することが出来る。結果の分からない未知のデータに対して推定を行う前には予め推定基準を生成しておく必要がある。
ここで、最終出力を行う（３）の機械学習の性能は、（１）の領域の決定と（２）の特徴ベクトルの抽出の結果に依存しているため、コンピュータ支援診断のための（１）及び（２）の有効な手法が望まれている。ここまで、一般的なコンピュータビジョンの分野において（２）の特徴ベクトルの抽出に関して様々な手法が提案されており、コンピュータ支援診断への応用も提案されている。しかしながら、（１）の領域の決定と（２）の特徴ベクトルの抽出の２つのプロセスを組み合わせた手法については検討例が乏しく、コンピュータ支援診断における診断能に一定の限界があった。例えば、肺結節の良悪性鑑別（対象病変が悪性腫瘍であるか否かの判別）におけるコンピュータ支援診断の性能は、十分なレベルに達していなかった。そこで、本願では、コンピュータ支援診断における診断能を向上させる医用画像処理装置１００を提供することを目的とする。
図１に戻って、入力部１１０は、マウス、キーボード、トラックボール等であり、医用画像処理装置１００に対する各種操作の入力を操作者から受け付ける。例えば、入力部１１０は、コンピュータ支援診断の対象となる医用画像データを医用画像診断装置や、画像保管装置から取得するための情報の入力などを受け付ける。また、例えば、入力部１１０は、機械学習に関する種々の入力を受け付ける。また、入力部１１０は、コンピュータ支援診断の病変候補領域を設定するための入力操作を受付ける。
表示部１２０は、液晶パネル等であり、各種情報を表示する。具体的には、表示部１２０は、操作者から各種操作を受け付けるためのＧＵＩ（Graphical User Interface）や、後述する制御部１５０による処理によって推定された推定結果等を表示する。通信部１３０は、ＮＩＣ（Network Interface Card）等であり、他の装置との間で通信を行う。
記憶部１４０は、図１に示すように、画像データ記憶部１４１と、推定基準記憶部１４２とを有する。例えば、記憶部１４０は、ハードディスク、半導体メモリ素子等であり、各種情報を記憶する。画像データ記憶部１４１は、通信部１３０を介して医用画像診断装置や画像保管装置から取得したコンピュータ支援診断の対象となる医用画像データを記憶する。推定基準記憶部１４２は、後述する制御部１５０によって生成された推定基準を記憶する。
制御部１５０は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等の電子回路、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路であり、医用画像処理装置１００の全体制御を行なう。
また、制御部１５０は、図１に示すように、例えば、画像取得部１５１と、特定部１５２と、分割部１５３と、抽出部１５４と、推定部１５５とを有する。そして、制御部１５０は、コンピュータ支援診断の対象となる医用画像データにおける病変候補領域を特定して、特定した病変候補領域に関する病態の推定を行う。以下、コンピュータ支援診断の対象として肺結節の良悪性鑑別を行う場合を一例に挙げて説明する。
画像取得部１５１は、通信部１３０を介して、図示しない医用画像診断装置や画像保管装置からコンピュータ支援診断の対象となる医用画像データを取得して、画像データ記憶部１４１に格納する。例えば、画像取得部１５１は、入力部１１０を介して操作者から入力された情報に基づいて、Ｘ線ＣＴ装置やＭＲＩ装置などの医用画像診断装置、或いは、画像保管装置からコンピュータ支援診断の対象となる肺領域を撮影した医用画像データを取得して、画像データ記憶部１４１に格納する。
特定部は、所定の医用画像を用いて病変候補領域を特定する。具体的には、特定部１５２は、画像取得部１５１によって取得され画像データ記憶部１４１に記憶された医用画像データに含まれる病変候補領域を特定する。図２は、第１の実施形態に係る特定部１５２による処理の一例を説明するための図である。例えば、特定部１５２は、図２に示すように、肺が撮影された医用画像データに含まれる病変候補領域Ｒ１を特定する。そして、特定部１５２は、特定した病変候補領域Ｒ１とその他の領域（背景領域）とをそれぞれ異なる値で示した２値画像（例えば、病変候補領域を「１」、背景領域を「０」とした画像）を、処理範囲を限定させるためのマスク画像として記憶部１４０に格納する。
ここで、特定部１５２は、種々の手法により病変候補領域を特定することができる。一例を挙げると、特定部１５２は、入力部１１０を介して医師によって指定された１点をシード点とした画素値に基づく領域拡張（region growing）法によって病変候補領域Ｒ１を特定する。なお、病変候補領域の特定は上述した領域拡張法だけでなく、種々の一般的な領域分割手法を適用することが可能である。例えば、特定部１５２は、その他の手法として、Grabcutなどの種々の領域分割アルゴリズムによって病変候補領域Ｒ１を特定することができる。また、病変が肺以外の臓器に存在する場合、病変のサイズが大きく、周囲への浸潤が強い場合などでは、特定部１５２の領域分割アルゴリズムの精度が不十分になると予想されるが、そうした場合でも、入力部１１０を介して医師によって設定された領域を病変候補領域Ｒ１として特定することが可能である。
図１に戻って、分割部１５３は、医用画像データに含まれる診断の対象となる病変候補領域を複数の部分領域（サブ領域）に分割する。具体的には、分割部１５３は、特定部１５２によって特定された病変候補領域を複数のサブ領域に分割する。例えば、分割部１５３は、病変候補領域の形状に基づいて、病変候補領域を複数のサブ領域に分割する。ここで、例えば、多くの悪性腫瘍では病変内部に変性や壊死などが生じていることから、病変の辺縁とは異なる性状を有すると考えられる。そこで、例えば肺結節などを対象とするコンピュータ支援診断の場合、分割部１５３は、病変候補領域を辺縁と内部のサブ領域に分割する。
図３Ａ及び図３Ｂは、第１の実施形態に係る分割部１５３による処理の一例を説明するための図である。例えば、分割部１５３は、図３Ａに示すように、記憶部１４０に記憶されたマスク画像に基づいて、特定部１５２によって特定された病変候補領域Ｒ１を辺縁のサブ領域Ｒ１１と内部のサブ領域Ｒ１２とに分割する。ここで、分割部１５３は、例えば、図３Ｂに示すように、２値画像であるマスク画像対してモルフォロジーエロージョン（morphological erosion）を適用することにより病変候補領域Ｒ１から内部のサブ領域Ｒ１２を分割する。
すなわち、分割部１５３は、２値画像における病変候補領域Ｒ１の各画素において、背景領域が近接する画素の値を背景領域の値に置換（例えば、「１」を「０」に置換）することで内部のサブ領域Ｒ１２を抽出する。そして、分割部１５３は、病変候補領域Ｒ１からサブ領域Ｒ１２を差分することで辺縁のサブ領域Ｒ１１を抽出する。このように病変候補領域Ｒ１からサブ領域Ｒ１１とサブ領域Ｒ１２とが分割されるが、ここで、分割部１５３は、サブ領域Ｒ１１とサブ領域Ｒ１２とが所定の割合となるように病変候補領域Ｒ１を分割する。
例えば、分割部１５３は、病変候補領域Ｒ１のサイズに基づいて、エロージョンの回数を調整することにより、サブ領域Ｒ１１とサブ領域Ｒ１２とが所定の割合となるように病変候補領域Ｒ１を分割する。なお、分割する割合は、操作者（医師など）が任意に設定することができ、例えば、対象とする病変に応じて設定される場合であってもよい。また、図３Ａ及び図３Ｂでは、病変候補領域Ｒ１を２つのサブ領域に分割する場合について説明したが、実施形態はこれに限定されるものではなく、例えば、病変候補領域Ｒ１を３つ以上のサブ領域に分割する場合であってもよい。
かかる場合には、分割部１５３は、エロージョンによってサイズの異なる複数の領域を段階的に抽出し、１段階サイズの大きい領域から１段階サイズの小さな領域を差分する差分処理を段階的に繰り返すことで病変候補領域を３つ以上のサブ領域に分割する。一例を挙げると、分割部１５３が、サブ領域Ｒ１２よりもさらに小さなサブ領域Ｒ１３をエロージョンにより抽出し、サブ領域Ｒ１２からサブ領域Ｒ１３を差分することにより、内部のサブ領域Ｒ１３の一段階外側のサブ領域を分割する。
図１に戻って、抽出部１５４は、分割部１５３によって分割された複数のサブ領域に対応する特徴量を病変候補領域の特徴量としてそれぞれ抽出する。具体的には、抽出部１５４は、複数のサブ領域における特徴量を統合して病変候補領域の特徴量とする。図４は、第１の実施形態に係る抽出部１５４による処理の一例を説明するための図である。例えば、抽出部１５４は、図４に示すように、マスク画像にて分割されたサブ領域Ｒ１１及びサブ領域Ｒ１２に基づいて医用画像データにおけるサブ領域Ｒ１１とサブ領域Ｒ１２とを特定し、特定したサブ領域Ｒ１１における特徴ベクトル１と、サブ領域Ｒ１２における特徴ベクトル２とをそれぞれ抽出する。そして、抽出部１５４は、抽出した特徴ベクトル１と特徴ベクトル２とを統合することで、病変候補領域Ｒ１の特徴ベクトルを抽出し、抽出した特徴ベクトルを入力として機械学習を実行する。
ここで、抽出部１５４は、種々の手法によりサブ領域の特徴ベクトルを抽出することができる。例えば、抽出部１５４は、分割された各サブ領域について、サイズ、球形度、画素値のヒストグラム、各種テクスチャー解析などを特徴ベクトルとして算出することができる。さらに、抽出部１５４は、各サブ領域について、算出した上記特徴ベクトルを用いて、「Bag of Visual Words」、「Fisher Vector」、「Sparse Coding and Max Pooling」などの中間表現で特徴ベクトルを算出することができる。ここで、抽出部１５４は、各サブ領域について同一種類の特徴ベクトルをそれぞれ抽出して、抽出した各特徴ベクトルを統合する。
図５は、第１の実施形態に係る抽出部１５４による特徴ベクトルの抽出処理の一例を説明するための図である。なお、図５においては、特徴ベクトルとして画素値のヒストグラムを算出する場合について示す。例えば、抽出部１５４は、図５の（Ａ）に示すように、サブ領域Ｒ１１における画素値のヒストグラムと、サブ領域Ｒ１２における画素値のヒストグラムとを算出する。そして、抽出部１５４は、図５の（Ｂ）に示すように、算出したヒストグラムを統合することで、病変候補領域Ｒ１の特徴ベクトルを抽出する。
図５の（Ｂ）に示すように、第１の実施形態に係る抽出部１５４によって抽出される病変候補領域Ｒ１の特徴ベクトルは、サブ領域Ｒ１１及びサブ領域Ｒ１２それぞれのヒストグラムの情報を有する。ここで、例えば、サブ領域Ｒ１１及びサブ領域Ｒ１２の画素値がそれぞれ２５６通りであった場合には、サブ領域Ｒ１１から２５６次元の特徴ベクトルが求められ、サブ領域Ｒ１２から２５６次元の特徴ベクトルが求められる。そして、これらの特徴ベクトルを連結することで、図５の（Ｂ）に示すように、長さが２倍となる５１２次元の特徴ベクトルが抽出される。これにより、病変候補領域の病態をより精度よく推定することを可能にする。なお、図５に示す例はあくまでも一例であり、実施形態はこれに限定されるものではない。すなわち、抽出部１５４は、ヒストグラム以外についても特徴量を算出し、算出したすべての特徴量を統合することで病変候補領域Ｒ１の特徴ベクトルを抽出することができる。
抽出部１５４が病変候補領域Ｒ１の特徴ベクトルを抽出した後は、推定部１５５が、抽出された特徴ベクトルを入力として機械学習を実行する。ここで、推定部１５５には大きく二つの役割があり、一つは病態の分からない未知の病変に対して病態を推定することであり、もう一つは推定を行うための推定基準を生成することである。どちらの場合でも推定部１５５には抽出部１５４が抽出した特徴ベクトルが必要となる。推定基準の生成時には、推定部１５５は、抽出された特徴ベクトルを用いてコンピュータ支援診断のための推定基準を生成し、生成した推定基準を推定基準記憶部１４２に格納する。例えば、推定部１５５では、ＳＶＭ（Support Vector Machine：サポートベクターマシン）の手法が適用され、肺結節の良悪性鑑別のための分類器（良性か悪性かを分類）を生成する。
かかる場合には、例えば、抽出部１５４は、まず、描出された肺結節が良性であるか又は悪性であるかが判別された複数の教師有画像における肺結節領域の特徴ベクトルを上述したようにそれぞれ抽出し、その特徴ベクトルを用いて、推定部１５５が良性か悪性かを分類する分類器を生成して推定基準記憶部１４２に格納する。この時、推定部１５５は、医用画像データにおける病変候補領域の特徴ベクトルを抽出するごとに、対応する肺結節が良性であるか又は悪性であるかの判別結果を、入力部１１０を介して医師などから受け付ける。
そして、推定部１５５は、抽出された特徴ベクトルと、受け付けた判別結果とを用いて、推定基準記憶部１４２に格納した分類器を更新する。このように、抽出部１５４が病変候補領域の特徴ベクトルを抽出するごとに、推定部１５５が分類器を更新することで、より精度の高い分類器を生成することができる。なお、推定基準記憶部１４２に格納される分類器は、例えば、特徴ベクトルを構成する次元数の線形関数であるが、それ以外の判別関数を用いることも可能である。また、推定部１５５による機械学習は、上述したＳＶＭによるものだけに限られず、その他一般的に用いられる種々の機械学習の手法を適用することができる。また、上述した例では、医用画像データにおける病変候補領域の特徴ベクトルを抽出するごとに、対応する肺結節が良性であるか又は悪性であるかの判別結果を医師から受け付ける場合について説明した。しかしながら、実施形態はこれに限定されるものではなく、例えば、後述する推定部１５５による推定結果を用いる場合であってもよい。
病態の推定時には、推定部１５５は、抽出部１５４によって抽出された病変候補領域の特徴量に基づいて、病変候補領域の病態を推定する。具体的には、推定部１５５は、推定基準記憶部１４２によって記憶された推定基準に基づいて、抽出部１５４によって特徴ベクトルが抽出された病変候補領域の病態を推定する。この時、推定部１５５は、推定基準記憶部１４２によって記憶された分類器を用いて、特徴ベクトルが抽出された病変候補領域の肺結節が良性であるか又は悪性であるかを推定する。
図６は、第１の実施形態に係る医用画像処理装置１００による処理の手順を示すフローチャートである。図６においては、推定基準を生成する推定基準生成モードと、病変候補領域の病態を推定する推定モードとを有する場合の処理について示す。
図６に示すように、第１の実施形態に係る医用画像処理装置１００においては、画像取得部１５１が、通信部１３０を介して、医用画像診断装置又は画像保管装置から医用画像データを取得する（ステップＳ１０１）。そして、特定部１５２が、取得された医用画像データにおける病変候補領域を特定する（ステップＳ１０２）。
その後、分割部１５３が、特定された病変候補領域を複数のサブ領域に分割して（ステップＳ１０３）、抽出部１５４が、分割されたサブ領域ごとに特徴ベクトルを抽出する（ステップＳ１０４）。そして、抽出部１５４は、サブ領域からそれぞれ抽出した複数の特徴ベクトルを統合して（ステップＳ１０５）、病変候補領域の特徴ベクトルとする。
その後、推定部１５５は、推定基準生成モードであるか否かを判定する（ステップＳ１０６）。ここで、推定基準生成モードである場合には（ステップＳ１０６、Ｙｅｓ）、抽出部１５４は、推定部１５５の判別結果を受け付けて、受け付けた判別結果と特徴ベクトルとを用いて推定基準を生成（更新）する（ステップＳ１０７）。一方、推定基準生成モードではない場合には（ステップＳ１０６、Ｎｏ）、推定部１５５が、推定基準記憶部１４２に記憶された推定基準に基づいて、病変候補領域の病態を推定する（ステップＳ１０８）。
上述した処理の例では、推定基準生成モードで医用画像処理装置１００が教師有画像を処理する場合について説明した（いわゆる教師あり学習）。しかしながら、教師無画像を用いて推定部１５５によって推定された推定結果を用いて推定基準を更新することも可能である（いわゆる教師なし学習、半教師あり学習）。かかる場合には、特徴ベクトルを統合した後、病変候補領域の病態が推定され、推定結果を用いて推定基準が生成（更新）される。
上述したように、第１の実施形態によれば、分割部１５３は、医用画像に含まれる診断の対象となる病変候補領域を複数のサブ領域に分割する。抽出部１５４は、分割部１５３によって分割された複数のサブ領域における特徴量を病変候補領域の特徴量としてそれぞれ抽出する。従って、第１の実施形態に係る医用画像処理装置１００は、病変候補領域における特徴ベクトルを複数のサブ領域における複数の特徴ベクトルを用いて表すことができ、コンピュータ支援診断における診断能を向上させることを可能にする。
例えば、医用画像処理装置１００は、肺結節の良悪性鑑別において、腫瘍が悪性である場合の特徴や、腫瘍が良性である場合の特徴を特徴量により反映させることができ、肺結節の良悪性鑑別に対するコンピュータ支援診断の性能を向上させることができる。
また、第１の実施形態によれば、抽出部１５４は、複数のサブ領域における特徴量を統合して病変候補領域の特徴量とする。従って、第１の実施形態に係る医用画像処理装置１００は、１つの病変候補領域の特徴を１つの特徴ベクトルで表現することができ、種々の機械学習を容易に行うことを可能にする。
また、第１の実施形態によれば、分割部１５３は、病変候補領域の形状に基づいて、病変候補領域を複数のサブ領域に分割する。従って、第１の実施形態に係る医用画像処理装置１００は、病変候補領域の内部と辺縁とを容易に分割することを可能にする。
また、第１の実施形態によれば、推定部１５５は、抽出部１５４によって抽出された病変候補領域の特徴量に基づいて、病変候補領域の病態を推定する。従って、第１の実施形態に係る医用画像処理装置１００は、精度の高い推定を行うことを可能にする。
（第２の実施形態）
上述した第１の実施形態では、病変候補領域の形状に基づいて、病変候補領域をサブ領域に分割する場合について説明した。第２の実施形態では、医用画像データの画素値に基づいて、病変候補領域をサブ領域に分割する場合について説明する。なお、第２の実施形態に係る医用画像処理装置１００は、第１の実施形態に係る医用画像処理装置１００と比較して、分割部１５３による処理内容が異なる。以下、これを中心に説明し、第１の実施形態において説明した構成と同様の機能を有する点については、図１と同一の符号を付し、説明を省略する。
医用画像を用いた画像検査では、画像内の単一の画素が特徴的な意味を持つ場合がある。例えば、ＣＴでは、画素値（ＣＴ値）「−１０００ＨＵ」以下は空気に相当し、「−１００ＨＵ」は脂肪に相当する。また、例えば、ＭＲＩのＴ２強調画像における高い信号は液体を示し、拡散強調画像における高い信号は、細胞密度の高さを示す。また、例えば、ＦＤＧ−ＰＥＴにおいては、高い画素値の部分が糖代謝の高い領域である。
病変内部には、このような特徴的な画素値が存在する場合が考えられる。そこで、第２の実施形態に係る分割部１５３は、病変候補領域の画素値に基づいて、病変候補領域を複数のサブ領域に分割する。図７は、第２の実施形態に係る分割部１５３による処理の一例を説明するための図である。なお、図７では、肺結節を含むＣＴ画像において特定された病変候補領域Ｒ２を画素値（ＣＴ値）で分割する場合について説明する。
肺結節の陰影には、主に充実タイプ、すりガラスタイプ、空洞があり、ひとつの肺結節において、これらの陰影が混在することがある。そこで、これらを分類するための複数の閾値を予め設定しておき、当該複数の閾値に基づいて、病変候補領域を複数のサブ領域に分割する。具体的には、分割部１５３は、ＣＴ値について予め設定された所定の閾値に基づいて、病変候補領域Ｒ２を図７に示すように、サブ領域Ｒ２１、サブ領域Ｒ２２、サブ領域Ｒ２３に分割する。肺結節の場合には、各サブ領域は、図７に示すように、サブ領域Ｒ２１が充実部分であり、サブ領域Ｒ２２がすりガラス部分であり、サブ領域Ｒ２３が空洞である。なお、上述した例の場合、ＣＴ値が高い領域から順に充実部分、すりガラス部分、空洞となる。
このように、分割部１５３は、医用画像データにおいて特徴的な意味をもつ画素値に基づいて、病変候補領域をサブ領域に分割する。なお、図７に示す例はあくまでも一例であり、実施形態はこれに限定されるものではない。
分割部１５３によって病変候補領域Ｒ２がサブ領域Ｒ２１〜Ｒ２３に分割されると、抽出部１５４は、サブ領域Ｒ２１〜Ｒ２３についてそれぞれ特徴ベクトルを抽出して、３つの特徴ベクトルを統合することで病変候補領域Ｒ２の特徴ベクトルとする。そして、推定部１５５は、病変候補領域Ｒ２の特徴ベクトルを用いて推定基準を更新する。または、推定部１５５は、病変候補領域Ｒ２の特徴ベクトルを用いて、病変候補領域Ｒ２の病態を推定する。
上述したように、第２の実施形態によれば、分割部１５３は、病変候補領域の画素値に基づいて、病変候補領域を複数のサブ領域に分割する。従って、第２の実施形態に係る医用画像処理装置１００は、病変候補領域において特徴的な画素値を示す領域とその他の領域とからそれぞれ特徴ベクトルを抽出して、病変候補領域の特徴ベクトルとすることができ、コンピュータ支援診断における診断能をより向上させることを可能にする。
（第３の実施形態）
上述した第１の実施形態では、病変候補領域の形状に基づいて、病変候補領域をサブ領域に分割する場合について説明した。また、第２の実施形態では、医用画像データの画素値に基づいて、病変候補領域をサブ領域に分割する場合について説明した。第３の実施形態では、病変候補領域の形状と医用画像データの画素値に基づいて、病変候補領域をサブ領域に分割する場合について説明する。なお、第３の実施形態に係る医用画像処理装置１００は、第１及び第２の実施形態に係る医用画像処理装置１００と比較して、分割部１５３による処理内容が異なる。以下、これを中心に説明し、第１の実施形態において説明した構成と同様の機能を有する点については、図１と同一の符号を付し、説明を省略する。
第３の実施形態に係る分割部１５３は、病変候補領域の形状及び画素値に基づいて、病変候補領域を複数のサブ領域に分割する。例えば、分割部１５３は、mean shift（ミーンシフト）や、ＳＬＩＣ（Simple Linear iterative Clustering）などにより、特定部１５２によって特定された病変候補領域を複数のサブ領域に分割する。mean shiftによる領域分割を例に挙げると、分割部１５３は、病変候補領域に含まれる１つの画素を初期点として、所定の形状の範囲（例えば、円など）と、範囲に含まれる画素の画素値を用いてミーンシフトを実行することで、初期点に対応する収束点を取得する。そして、分割部１５３は、病変候補領域に含まれるすべての画素を初期点としたミーンシフトを実行して、それぞれの収束点を取得する。
病変候補領域に含まれるすべての画素を初期点としたミーンシフトを実行して、それぞれの収束点を取得すると、分割部１５３は、収束点の画素値や、収束点間の距離などに基づいて、収束点をグループ化する。そして、分割部１５３は、各グループに含まれる収束点に対応する初期点の画素の集合を１つのサブ領域とすることで、病変候補領域を複数のサブ領域に分割する。ここで、収束点をグループ化する際の数を設定することにより、サブ領域の数が設定される。
また、ＳＬＩＣによる領域分割の場合、分割部１５３は、病変候補領域に含まれる各画素の画素値に基づいて、Superpixelを生成することで病変候補領域を複数のサブ領域に分割する。この時、分割部１５３は、Superpixelのサイズに比例して、Superpixelを生成するための探索領域を制限することで処理を高速化させる。ここで、探索領域の形状やサイズを変更することにより、サブ領域の数が設定される。
上述したように、第３の実施形態によれば、分割部１５３は、病変候補領域の形状及び画素値に基づいて、病変候補領域を複数のサブ領域に分割する。従って、第３の実施形態に係る医用画像処理装置１００は、病変候補領域をサブ領域に分割する際の精度を向上することを可能にする。
（第４の実施形態）
さて、これまで第１〜第３の実施形態について説明したが、上述した第１〜第３の実施形態以外にも、種々の異なる形態にて実施されてよいものである。
上述した第１〜第３の実施形態では、サブ領域の特徴ベクトルを統合する場合について説明した。しかしながら、実施形態はこれに限定されるものではなく、例えば、サブ領域それぞれの特徴ベクトルを統合せずに用いる場合であってもよい。かかる場合には、例えば、抽出部１５４は、サブ領域それぞれの特徴ベクトルを用いて推定基準を生成する。
上述した第１〜第３の実施形態では、２次元の医用画像データを用いる場合を一例に挙げて説明した。しかしながら、実施形態はこれに限定されるものではなく、例えば、３次元以上の高次元データの医用画像データ、複数の医用画像のデータセットを用いる場合であってもよい。かかる場合には、３次元データを例とすると、特定部１５２は、ボクセル値を用いた領域拡張法により３次元の病変候補領域を特定する。そして、例えば、分割部１５３は、病変候補領域の形状又はボクセル値に基づいて、複数の３次元のサブ領域に分割する。抽出部１５４は、分割された３次元のサブ領域ごとに特徴ベクトルを抽出して統合し、推定部１５５は、推定基準を生成し、統合された特徴ベクトルに基づいて、３次元の病変候補領域の病態を推定する。
また、複数の医用画像のデータセットを用いる場合には、特定部１５２が、所定の医用画像を用いて病変候補領域を特定し、分割部１５３が、所定の医用画像及び他の医用画像のうち少なくとも一方における病変候補領域を複数のサブ領域に分割する。ここで、複数の医用画像のデータセットを用いる場合として、以下の処理が挙げられる。例えば、特定部１５２が第１の医用画像において第１の病変候補領域を特定し、分割部１５３が第１の医用画像における第１の病変候補領域を複数のサブ領域に分割する。そして、抽出部１５４は、複数のサブ領域を第２の医用画像に適用して、第２の医用画像における複数のサブ領域の特徴量を算出して統合することで病変候補領域の特徴量を抽出する。
また、例えば、特定部１５２が第１の医用画像において第１の病変候補領域を特定する。そして、分割部１５３は、特定された病変候補領域を第２の医用画像に適用して、第２の医用画像における病変候補領域を複数のサブ領域に分割する。抽出部１５４は、分割された第２の医用画像における複数のサブ領域の特徴量を算出して統合することで病変候補領域の特徴量を抽出する。
また、例えば、特定部１５２が第１の医用画像において第１の病変候補領域を特定し、分割部１５３が第１の医用画像における第１の病変候補領域を複数のサブ領域に分割する。そして、抽出部１５４は、複数のサブ領域を第２の医用画像及び第３の医用画像にそれぞれ適用して、第２の医用画像における複数のサブ領域の特徴量を算出して統合することで第２の医用画像における病変候補領域の特徴量を抽出し、さらに、第３の医用画像における複数のサブ領域の特徴量を算出して統合することで第３の医用画像における病変候補領域の特徴量を抽出する。
なお、上述した例はあくまでも一例であり、複数の医用画像のデータセットを用いる場合の実施形態はこれらに限定されるものではない。すなわち、病変候補領域の特定、病変候補領域の複数のサブ領域への分割、及び、特徴量の算出は、複数の医用画像のうちの任意の画像で実行される場合であってもよい。ここで、複数の医用画像のデータセットとしては、例えば、同一患者の撮影時期の異なる医用画像や、動画像における複数のフレームなどが挙げられる。
また、上述した第１〜第３の実施形態では、画像取得部１５１が、画像保管装置又は医用画像診断装置から医用画像データを取得する場合について説明した。しかしながら、実施形態はこれに限定されるものではなく、例えば、医師がフラッシュメモリや外付けハードディスクなどの可搬性の記憶媒体で医用画像データを持ち運び、医用画像処理装置１００の画像データ記憶部１４１に格納する場合であってもよい。かかる場合、画像取得部１５１によるボリュームデータの取得は実行されなくてもよい。
また、上述した第１〜第３の実施形態では、医用画像処理装置１００について説明したが、実施形態はこれに限定されるものではなく、例えば、図１に示す医用画像処理装置１００の記憶部１４０と制御部１５０とが医用画像診断装置に組み込まれ、医用画像診断装置にて上述した処理が実行される場合であってもよい。
また、上述した第１〜第３の実施形態では、病変候補領域の複数の部分領域における特徴量を統合したが、実施形態はこれに限定されない。例えば、病変候補領域全体の特徴量を抽出し、病変候補領域全体の特徴量と、複数の部分領域における特徴量とを統合してもよい。この場合、病変候補領域全体の特徴量と、複数の部分領域における特徴量とは同じ特徴量を用いても良いし、異なる特徴量を用いても良い。
以上述べた少なくともひとつの実施形態の医用画像処理装置によれば、コンピュータ支援診断における診断能を向上させることを可能にする。
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。
１００ 医用画像処理装置
１１０ 入力部
１５０ 制御部
１５１ 画像取得部
１５２ 特定部
１５３ 分割部
１５４ 抽出部
１５５ 推定部

Claims (8)

  1. 医用画像に含まれる病変候補領域を特定する特定部と、
    前記病変候補領域を複数の部分領域に分割する分割部と、
    前記分割部によって分割された複数の部分領域に対応する特徴量をそれぞれ抽出する抽出部と、
    を備えたことを特徴とする医用画像処理装置。
  2. 前記抽出部は、前記複数の部分領域における特徴量を統合して前記病変候補領域の特徴量とすることを特徴とする請求項１に記載の医用画像処理装置。
  3. 前記抽出部は、更に前記病変候補領域の特徴量を抽出し、抽出した前記病変候補領域の特徴量と、前記複数の部分領域における特徴量とを統合して前記病変候補領域の特徴量とすることを特徴とする請求項１に記載の医用画像処理装置。
  4. 前記分割部は、前記病変候補領域の形状に基づいて、前記病変候補領域を複数の部分領域に分割することを特徴とする請求項１又は２に記載の医用画像処理装置。
  5. 前記分割部は、前記病変候補領域の画素値に基づいて、前記病変候補領域を複数の部分領域に分割することを特徴とする請求項１又は２に記載の医用画像処理装置。
  6. 前記分割部は、前記病変候補領域の形状及び画素値に基づいて、前記病変候補領域を複数の部分領域に分割することを特徴とする請求項１又は２に記載の医用画像処理装置。
  7. 前記抽出部によって抽出された前記病変候補領域の特徴量に基づいて、前記病変候補領域の病態を推定する推定部をさらに備えることを特徴とする請求項１〜６のいずれか一つに記載の医用画像処理装置。
  8. 前記医用画像は、複数の医用画像のデータセットであることを特徴とする請求項１〜７のいずれか一つに記載の医用画像処理装置。
JP2014128462A 2014-06-23 2014-06-23 医用画像処理装置 Active JP6510189B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2014128462A JP6510189B2 (ja) 2014-06-23 2014-06-23 医用画像処理装置
US14/747,199 US10413236B2 (en) 2014-06-23 2015-06-23 Medical-image processing apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2014128462A JP6510189B2 (ja) 2014-06-23 2014-06-23 医用画像処理装置

Publications (2)

Publication Number Publication Date
JP2016007270A true JP2016007270A (ja) 2016-01-18
JP6510189B2 JP6510189B2 (ja) 2019-05-08

Family

ID=54868552

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2014128462A Active JP6510189B2 (ja) 2014-06-23 2014-06-23 医用画像処理装置

Country Status (2)

Country Link
US (1) US10413236B2 (ja)
JP (1) JP6510189B2 (ja)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017131623A (ja) * 2016-01-25 2017-08-03 東芝メディカルシステムズ株式会社 医用画像処理装置および医用画像処理装置の縮小領域設定方法
WO2018070285A1 (ja) * 2016-10-14 2018-04-19 株式会社日立製作所 画像処理装置、及び画像処理方法
JP2019030584A (ja) * 2017-08-09 2019-02-28 キヤノン株式会社 画像処理システム、装置、方法およびプログラム
WO2019172621A1 (ko) * 2018-03-09 2019-09-12 연세대학교 산학협력단 질환 예측 방법 및 이를 이용한 질환 예측 디바이스
JP2020031810A (ja) * 2018-08-29 2020-03-05 キヤノンメディカルシステムズ株式会社 医用画像処理装置、医用画像処理システム及び医用画像処理プログラム
JP2020062355A (ja) * 2018-10-19 2020-04-23 キヤノンメディカルシステムズ株式会社 画像処理装置、データ生成装置及びプログラム
WO2020179234A1 (ja) * 2019-03-05 2020-09-10 株式会社日立製作所 画像診断支援装置および画像処理方法
JP2021500107A (ja) * 2017-10-17 2021-01-07 パースペクトゥム ダイアグノスティクス リミテッド 臓器を撮像する方法及び装置
JP2021508373A (ja) * 2017-11-27 2021-03-04 デシフェックス 正常モデルの分析による組織病理学検査用組織サンプルの自動スクリーニング
JP2021509209A (ja) * 2017-12-27 2021-03-18 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 医用画像内の病変の適応セグメント化
JP2021120815A (ja) * 2020-01-30 2021-08-19 富士通株式会社 推定処理プログラム、推定処理方法、及び情報処理装置
WO2021205683A1 (ja) * 2020-04-10 2021-10-14 株式会社ヴォクシス 立体を形状の狭隘部で分割する画像処理方法、画像処理プログラム、及び画像処理装置
WO2021256096A1 (ja) * 2020-06-18 2021-12-23 富士フイルム株式会社 領域修正装置、方法およびプログラム
EP4343781A1 (en) 2022-09-21 2024-03-27 FUJIFILM Corporation Information processing apparatus, information processing method, and information processing program
JP7575922B2 (ja) 2020-11-26 2024-10-30 株式会社カネカ 外観検査装置

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10255675B2 (en) 2016-01-25 2019-04-09 Toshiba Medical Systems Corporation Medical image processing apparatus and analysis region setting method of texture analysis
EP3907696A1 (en) * 2020-05-06 2021-11-10 Koninklijke Philips N.V. Method and system for identifying abnormal images in a set of medical images

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004532067A (ja) * 2001-03-28 2004-10-21 ザ・ユニバーシティー・オブ・シカゴ 胸部画像上における良性と悪性の孤立性肺結節間の弁別のための自動化されコンピューター化された機構
US20050171409A1 (en) * 2004-01-30 2005-08-04 University Of Chicago Automated method and system for the detection of lung nodules in low-dose CT image for lung-cancer screening
US20070036406A1 (en) * 2005-05-27 2007-02-15 Luca Bogoni System and method for toboggan-based object detection in cutting planes
JP2009028161A (ja) * 2007-07-25 2009-02-12 Toshiba Corp 医用画像表示装置及び医用画像表示方法
JP2009273771A (ja) * 2008-05-16 2009-11-26 Toshiba Corp 画像処理装置
WO2013155358A1 (en) * 2012-04-11 2013-10-17 The Trustees Of Columbia University In The City Of New York Techniques for segmentation of lymph nodes, lung lesions and other solid or part-solid objects

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5857030A (en) * 1995-08-18 1999-01-05 Eastman Kodak Company Automated method and system for digital image processing of radiologic images utilizing artificial neural networks
US6996549B2 (en) * 1998-05-01 2006-02-07 Health Discovery Corporation Computer-aided image analysis
US6549646B1 (en) * 2000-02-15 2003-04-15 Deus Technologies, Llc Divide-and-conquer method and system for the detection of lung nodule in radiological images
GB2388428A (en) * 2000-09-10 2003-11-12 Orbotech Ltd Reduction of false alarms in PCB inspection
WO2002077895A2 (en) * 2001-03-26 2002-10-03 Epigenomics Ag Method for epigenetic feature selection
JP4599191B2 (ja) * 2005-03-01 2010-12-15 国立大学法人神戸大学 画像診断処理装置および画像診断処理プログラム
WO2006114003A1 (en) * 2005-04-27 2006-11-02 The Governors Of The University Of Alberta A method and system for automatic detection and segmentation of tumors and associated edema (swelling) in magnetic resonance (mri) images
EP1862120B1 (en) * 2006-05-29 2016-11-09 Toshiba Medical Systems Corporation Computer-aided imaging diagnostic processing apparatus and computer-aided imaging diagnostic processing method
US7949162B2 (en) * 2006-08-14 2011-05-24 Siemens Medical Solutions Usa, Inc. System and method for solid component evaluation in mixed ground glass nodules
JP2010504129A (ja) * 2006-09-22 2010-02-12 コーニンクレッカ フィリップス エレクトロニクス エヌ ヴィ 肺結節の高度コンピュータ支援診断
US10013638B2 (en) * 2008-08-14 2018-07-03 Ping Zhang Cancer diagnostic method and system
JP5562598B2 (ja) * 2008-10-24 2014-07-30 株式会社東芝 画像表示装置、画像表示方法および磁気共鳴イメージング装置
US8808195B2 (en) * 2009-01-15 2014-08-19 Po-He Tseng Eye-tracking method and system for screening human diseases
US9117259B2 (en) * 2010-09-22 2015-08-25 Siemens Aktiengesellschaft Method and system for liver lesion detection
JP5872323B2 (ja) * 2011-03-29 2016-03-01 株式会社東芝 Ｘ線ｃｔ装置及び画像処理方法
CA2884167C (en) * 2012-09-13 2020-05-12 The Regents Of The University Of California System and method for automated detection of lung nodules in medical images
WO2014113786A1 (en) * 2013-01-18 2014-07-24 H. Lee Moffitt Cancer Center And Research Institute, Inc. Quantitative predictors of tumor severity

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004532067A (ja) * 2001-03-28 2004-10-21 ザ・ユニバーシティー・オブ・シカゴ 胸部画像上における良性と悪性の孤立性肺結節間の弁別のための自動化されコンピューター化された機構
US20050171409A1 (en) * 2004-01-30 2005-08-04 University Of Chicago Automated method and system for the detection of lung nodules in low-dose CT image for lung-cancer screening
US20070036406A1 (en) * 2005-05-27 2007-02-15 Luca Bogoni System and method for toboggan-based object detection in cutting planes
JP2009028161A (ja) * 2007-07-25 2009-02-12 Toshiba Corp 医用画像表示装置及び医用画像表示方法
JP2009273771A (ja) * 2008-05-16 2009-11-26 Toshiba Corp 画像処理装置
WO2013155358A1 (en) * 2012-04-11 2013-10-17 The Trustees Of Columbia University In The City Of New York Techniques for segmentation of lymph nodes, lung lesions and other solid or part-solid objects

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017131623A (ja) * 2016-01-25 2017-08-03 東芝メディカルシステムズ株式会社 医用画像処理装置および医用画像処理装置の縮小領域設定方法
WO2018070285A1 (ja) * 2016-10-14 2018-04-19 株式会社日立製作所 画像処理装置、及び画像処理方法
JP2018061771A (ja) * 2016-10-14 2018-04-19 株式会社日立製作所 画像処理装置、及び画像処理方法
JP2019030584A (ja) * 2017-08-09 2019-02-28 キヤノン株式会社 画像処理システム、装置、方法およびプログラム
US10748282B2 (en) 2017-08-09 2020-08-18 Canon Kabushiki Kaisha Image processing system, apparatus, method and storage medium
JP7044872B2 (ja) 2017-10-17 2022-03-30 パースペクトゥム リミテッド 臓器を撮像する方法及び装置
JP2021500107A (ja) * 2017-10-17 2021-01-07 パースペクトゥム ダイアグノスティクス リミテッド 臓器を撮像する方法及び装置
JP2021508373A (ja) * 2017-11-27 2021-03-04 デシフェックス 正常モデルの分析による組織病理学検査用組織サンプルの自動スクリーニング
JP7220017B2 (ja) 2017-11-27 2023-02-09 デシフェックス 正常モデルの分析による組織病理学検査用組織サンプルの自動スクリーニング
JP7233806B2 (ja) 2017-12-27 2023-03-07 インターナショナル・ビジネス・マシーンズ・コーポレーション 医用画像内の病変の適応セグメント化
JP2021509209A (ja) * 2017-12-27 2021-03-18 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 医用画像内の病変の適応セグメント化
WO2019172621A1 (ko) * 2018-03-09 2019-09-12 연세대학교 산학협력단 질환 예측 방법 및 이를 이용한 질환 예측 디바이스
JP2020031810A (ja) * 2018-08-29 2020-03-05 キヤノンメディカルシステムズ株式会社 医用画像処理装置、医用画像処理システム及び医用画像処理プログラム
JP7086790B2 (ja) 2018-08-29 2022-06-20 キヤノンメディカルシステムズ株式会社 医用画像処理装置、医用画像処理システム及び医用画像処理プログラム
JP2020062355A (ja) * 2018-10-19 2020-04-23 キヤノンメディカルシステムズ株式会社 画像処理装置、データ生成装置及びプログラム
WO2020179234A1 (ja) * 2019-03-05 2020-09-10 株式会社日立製作所 画像診断支援装置および画像処理方法
JP2021120815A (ja) * 2020-01-30 2021-08-19 富士通株式会社 推定処理プログラム、推定処理方法、及び情報処理装置
JP2021168053A (ja) * 2020-04-10 2021-10-21 株式会社ヴォクシス 立体を形状の狭隘部で分割する画像処理方法、画像処理プログラム、及び画像処理装置
WO2021205683A1 (ja) * 2020-04-10 2021-10-14 株式会社ヴォクシス 立体を形状の狭隘部で分割する画像処理方法、画像処理プログラム、及び画像処理装置
WO2021256096A1 (ja) * 2020-06-18 2021-12-23 富士フイルム株式会社 領域修正装置、方法およびプログラム
JPWO2021256096A1 (ja) * 2020-06-18 2021-12-23
JP7342267B2 (ja) 2020-06-18 2023-09-11 富士フイルム株式会社 領域修正装置、方法およびプログラム
JP7575922B2 (ja) 2020-11-26 2024-10-30 株式会社カネカ 外観検査装置
EP4343781A1 (en) 2022-09-21 2024-03-27 FUJIFILM Corporation Information processing apparatus, information processing method, and information processing program

Also Published As

Publication number Publication date
JP6510189B2 (ja) 2019-05-08
US20150366500A1 (en) 2015-12-24
US10413236B2 (en) 2019-09-17

Similar Documents

Publication Publication Date Title
JP6510189B2 (ja) 医用画像処理装置
US11379985B2 (en) System and computer-implemented method for segmenting an image
US11730387B2 (en) Method for detection and diagnosis of lung and pancreatic cancers from imaging scans
JP5893623B2 (ja) データ・セットにおける異常検出方法およびシステム
JP7139479B2 (ja) 画像処理装置、医用画像診断装置、及びプログラム
US10007973B2 (en) Image processing apparatus, method of controlling image processing apparatus, and storage medium
US10417777B2 (en) Image processing apparatus, image processing method, and non-transitory computer-readable storage medium
US10331981B2 (en) Brain tissue classification
JP2011526508A (ja) 医療用画像の領域分割
CN107004268A (zh) 结直肠肿瘤的动态对比增强图像的自动感兴趣区域分割及配准
CN112351739A (zh) 使用深度学习进行准确快速的正电子发射断层扫描的系统和方法
US20160292844A1 (en) Medical image registration apparatus, medical image registration method, and medical image registration program
JP7413011B2 (ja) 医用情報処理装置
JP6415878B2 (ja) 画像処理装置、画像処理方法及び医用画像診断装置
JP6257949B2 (ja) 画像処理装置および医用画像診断装置
Sivanesan et al. Unsupervised medical image segmentation with adversarial networks: From edge diagrams to segmentation maps
Veluchamy et al. Brightness preserving optimized weighted bi‐histogram equalization algorithm and its application to MR brain image segmentation
JP6747785B2 (ja) 医用画像処理装置及び医用画像処理方法
Cai et al. Accurate weakly supervised deep lesion segmentation on CT scans: Self-paced 3D mask generation from RECIST
Velichko et al. A comprehensive review of deep learning approaches for magnetic resonance imaging liver tumor analysis
Villarini et al. 3d deep learning for anatomical structure segmentation in multiple imaging modalities
EP3150125B1 (en) Image processing apparatus, method of controlling image processing apparatus, and storage medium
Macho et al. Segmenting Teeth from Volumetric CT Data with a Hierarchical CNN-based Approach.
Bo et al. Towards Better Soft-Tissue Segmentation Based on Gestalt Psychology
Bakas et al. Tumor segmentation

Legal Events

Date Code Title Description
RD01 Notification of change of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7421

Effective date: 20151102

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20151102

RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20160930

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20160930

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20161021

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20170608

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20180223

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20180403

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180601

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20181113

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20190107

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: 20190305

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190404

R150 Certificate of patent or registration of utility model

Ref document number: 6510189

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150