JP7561140B2 - 転移を検出するための骨スキャン画像の自動化された対話型の分析のためのシステムおよび方法 - Google Patents
転移を検出するための骨スキャン画像の自動化された対話型の分析のためのシステムおよび方法 Download PDFInfo
- Publication number
- JP7561140B2 JP7561140B2 JP2021562965A JP2021562965A JP7561140B2 JP 7561140 B2 JP7561140 B2 JP 7561140B2 JP 2021562965 A JP2021562965 A JP 2021562965A JP 2021562965 A JP2021562965 A JP 2021562965A JP 7561140 B2 JP7561140 B2 JP 7561140B2
- Authority
- JP
- Japan
- Prior art keywords
- hotspots
- hotspot
- image
- human subject
- 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.)
- Active
Links
- 238000007469 bone scintigraphy Methods 0.000 title claims description 298
- 238000000034 method Methods 0.000 title claims description 196
- 206010027476 Metastases Diseases 0.000 title description 65
- 238000004458 analytical method Methods 0.000 title description 25
- 230000002452 interceptive effect Effects 0.000 title 1
- 210000002758 humerus Anatomy 0.000 claims description 90
- 210000000689 upper leg Anatomy 0.000 claims description 89
- 230000003902 lesion Effects 0.000 claims description 69
- 238000009206 nuclear medicine Methods 0.000 claims description 49
- 238000001514 detection method Methods 0.000 claims description 47
- 230000001419 dependent effect Effects 0.000 claims description 45
- 230000015654 memory Effects 0.000 claims description 44
- 208000037819 metastatic cancer Diseases 0.000 claims description 41
- 208000011575 metastatic malignant neoplasm Diseases 0.000 claims description 41
- 230000007704 transition Effects 0.000 claims description 38
- 238000010606 normalization Methods 0.000 claims description 37
- 238000004445 quantitative analysis Methods 0.000 claims description 37
- 238000004891 communication Methods 0.000 claims description 33
- 210000001519 tissue Anatomy 0.000 claims description 33
- 208000010658 metastatic prostate carcinoma Diseases 0.000 claims description 32
- 239000003795 chemical substances by application Substances 0.000 claims description 25
- 210000003484 anatomy Anatomy 0.000 claims description 24
- 210000003127 knee Anatomy 0.000 claims description 19
- 208000000236 Prostatic Neoplasms Diseases 0.000 claims description 17
- 238000010191 image analysis Methods 0.000 claims description 17
- 206010060862 Prostate cancer Diseases 0.000 claims description 16
- 230000035945 sensitivity Effects 0.000 claims description 15
- 239000008177 pharmaceutical agent Substances 0.000 claims description 14
- GKLVYJBZJHMRIY-OUBTZVSYSA-N Technetium-99 Chemical compound [99Tc] GKLVYJBZJHMRIY-OUBTZVSYSA-N 0.000 claims description 12
- MBKDYNNUVRNNRF-UHFFFAOYSA-N medronic acid Chemical compound OP(O)(=O)CP(O)(O)=O MBKDYNNUVRNNRF-UHFFFAOYSA-N 0.000 claims description 12
- 229940056501 technetium 99m Drugs 0.000 claims description 12
- 229940102859 methylene diphosphonate Drugs 0.000 claims description 11
- 230000036541 health Effects 0.000 claims description 6
- 238000009877 rendering Methods 0.000 claims description 6
- 210000001217 buttock Anatomy 0.000 claims description 4
- 210000000988 bone and bone Anatomy 0.000 description 73
- 230000009401 metastasis Effects 0.000 description 56
- 239000012217 radiopharmaceutical Substances 0.000 description 51
- 229940121896 radiopharmaceutical Drugs 0.000 description 50
- 230000002799 radiopharmaceutical effect Effects 0.000 description 50
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 42
- 201000010099 disease Diseases 0.000 description 41
- 230000008569 process Effects 0.000 description 38
- 238000012937 correction Methods 0.000 description 35
- 238000003384 imaging method Methods 0.000 description 34
- 238000013459 approach Methods 0.000 description 30
- 206010028980 Neoplasm Diseases 0.000 description 28
- 238000010801 machine learning Methods 0.000 description 28
- 238000013528 artificial neural network Methods 0.000 description 27
- 230000009545 invasion Effects 0.000 description 27
- 206010061289 metastatic neoplasm Diseases 0.000 description 26
- 210000004197 pelvis Anatomy 0.000 description 26
- 230000001394 metastastic effect Effects 0.000 description 25
- 101000892862 Homo sapiens Glutamate carboxypeptidase 2 Proteins 0.000 description 24
- 230000011218 segmentation Effects 0.000 description 24
- 102100041003 Glutamate carboxypeptidase 2 Human genes 0.000 description 23
- 238000004364 calculation method Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 23
- 230000008595 infiltration Effects 0.000 description 22
- 238000001764 infiltration Methods 0.000 description 22
- 201000011510 cancer Diseases 0.000 description 21
- 206010005949 Bone cancer Diseases 0.000 description 19
- 208000018084 Bone neoplasm Diseases 0.000 description 19
- 210000000954 sacrococcygeal region Anatomy 0.000 description 19
- 206010055113 Breast cancer metastatic Diseases 0.000 description 18
- 206010050017 Lung cancer metastatic Diseases 0.000 description 18
- 238000012552 review Methods 0.000 description 16
- 230000000007 visual effect Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 15
- 239000011230 binding agent Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 14
- 230000006872 improvement Effects 0.000 description 14
- 210000004705 lumbosacral region Anatomy 0.000 description 14
- 238000003908 quality control method Methods 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000011282 treatment Methods 0.000 description 11
- 238000006073 displacement reaction Methods 0.000 description 10
- 210000000614 rib Anatomy 0.000 description 10
- 230000004807 localization Effects 0.000 description 9
- 238000002603 single-photon emission computed tomography Methods 0.000 description 9
- 210000003109 clavicle Anatomy 0.000 description 8
- 150000001875 compounds Chemical class 0.000 description 8
- 238000011002 quantification Methods 0.000 description 8
- 210000001991 scapula Anatomy 0.000 description 8
- 210000003625 skull Anatomy 0.000 description 8
- 238000004088 simulation Methods 0.000 description 7
- 210000001562 sternum Anatomy 0.000 description 7
- 210000000115 thoracic cavity Anatomy 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 206010061728 Bone lesion Diseases 0.000 description 6
- 238000012879 PET imaging Methods 0.000 description 6
- 230000003247 decreasing effect Effects 0.000 description 6
- 238000001914 filtration Methods 0.000 description 6
- 238000003702 image correction Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 229940079593 drug Drugs 0.000 description 5
- 239000003814 drug Substances 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000002600 positron emission tomography Methods 0.000 description 5
- 210000002307 prostate Anatomy 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 102000005962 receptors Human genes 0.000 description 5
- 108020003175 receptors Proteins 0.000 description 5
- 206010061818 Disease progression Diseases 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000005750 disease progression Effects 0.000 description 4
- 238000003709 image segmentation Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 230000011164 ossification Effects 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 238000010989 Bland-Altman Methods 0.000 description 3
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 3
- 102000004190 Enzymes Human genes 0.000 description 3
- 108090000790 Enzymes Proteins 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 239000012216 imaging agent Substances 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 210000002414 leg Anatomy 0.000 description 3
- 230000003211 malignant effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 102000004169 proteins and genes Human genes 0.000 description 3
- 108090000623 proteins and genes Proteins 0.000 description 3
- 230000002285 radioactive effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 206010006187 Breast cancer Diseases 0.000 description 2
- 208000026310 Breast neoplasm Diseases 0.000 description 2
- 101150071882 US17 gene Proteins 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 239000000427 antigen Substances 0.000 description 2
- 102000036639 antigens Human genes 0.000 description 2
- 108091007433 antigens Proteins 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000007321 biological mechanism Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007427 paired t-test Methods 0.000 description 2
- 230000002040 relaxant effect Effects 0.000 description 2
- 238000001356 surgical procedure Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- OLWVRJUNLXQDSP-RYUDHWBXSA-N (2s)-2-[[(1s)-1-carboxy-5-[(6-fluoropyridine-3-carbonyl)amino]pentyl]carbamoylamino]pentanedioic acid Chemical compound OC(=O)CC[C@@H](C(O)=O)NC(=O)N[C@H](C(O)=O)CCCCNC(=O)C1=CC=C(F)N=C1 OLWVRJUNLXQDSP-RYUDHWBXSA-N 0.000 description 1
- 102100030310 5,6-dihydroxyindole-2-carboxylic acid oxidase Human genes 0.000 description 1
- 101710163881 5,6-dihydroxyindole-2-carboxylic acid oxidase Proteins 0.000 description 1
- 102000036365 BRCA1 Human genes 0.000 description 1
- 108700020463 BRCA1 Proteins 0.000 description 1
- 101150072950 BRCA1 gene Proteins 0.000 description 1
- 102000052609 BRCA2 Human genes 0.000 description 1
- 108700020462 BRCA2 Proteins 0.000 description 1
- 208000012503 Bathing suit ichthyosis Diseases 0.000 description 1
- 101150008921 Brca2 gene Proteins 0.000 description 1
- 201000009030 Carcinoma Diseases 0.000 description 1
- 206010009944 Colon cancer Diseases 0.000 description 1
- 208000001333 Colorectal Neoplasms Diseases 0.000 description 1
- 101150029707 ERBB2 gene Proteins 0.000 description 1
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 1
- 241000124008 Mammalia Species 0.000 description 1
- 206010061535 Ovarian neoplasm Diseases 0.000 description 1
- 238000011869 Shapiro-Wilk test Methods 0.000 description 1
- 101710173693 Short transient receptor potential channel 1 Proteins 0.000 description 1
- LVTKHGUGBGNBPL-UHFFFAOYSA-N Trp-P-1 Chemical compound N1C2=CC=CC=C2C2=C1C(C)=C(N)N=C2C LVTKHGUGBGNBPL-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000008081 blood perfusion Effects 0.000 description 1
- 230000037182 bone density Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- OEYIOHPDSNJKLS-UHFFFAOYSA-N choline Chemical compound C[N+](C)(C)CCO OEYIOHPDSNJKLS-UHFFFAOYSA-N 0.000 description 1
- 229960001231 choline Drugs 0.000 description 1
- 201000010989 colorectal carcinoma Diseases 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000004195 computer-aided diagnosis Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 210000000245 forearm Anatomy 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 102000046689 human FOLH1 Human genes 0.000 description 1
- 238000001361 intraarterial administration Methods 0.000 description 1
- 238000001990 intravenous administration Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 201000005202 lung cancer Diseases 0.000 description 1
- 208000020816 lung neoplasm Diseases 0.000 description 1
- 210000001165 lymph node Anatomy 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 201000001441 melanoma Diseases 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000012633 nuclear imaging Methods 0.000 description 1
- 239000008194 pharmaceutical composition Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 210000004761 scalp Anatomy 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 150000003384 small molecules Chemical class 0.000 description 1
- PUZPDOWCWNUUKD-UHFFFAOYSA-M sodium fluoride Chemical compound [F-].[Na+] PUZPDOWCWNUUKD-UHFFFAOYSA-M 0.000 description 1
- 238000007920 subcutaneous administration Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000011477 surgical intervention Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001225 therapeutic effect Effects 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 210000002303 tibia Anatomy 0.000 description 1
- 230000000699 topical effect Effects 0.000 description 1
- 210000005166 vasculature Anatomy 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 150000003722 vitamin derivatives Chemical class 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Classifications
-
- 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
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/467—Arrangements for interfacing with the operator or the patient characterised by special input means
- A61B6/469—Arrangements for interfacing with the operator or the patient characterised by special input means for selecting a region of interest [ROI]
-
- 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]
- A61B6/037—Emission tomography
-
- 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
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/461—Displaying means of special interest
- A61B6/465—Displaying means of special interest adapted to display user selection data, e.g. graphical user interface, icons or menus
-
- 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
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
-
- 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
-
- 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
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
-
- 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
- A61B6/56—Details of data transmission or power supply, e.g. use of slip rings
- A61B6/563—Details of data transmission or power supply, e.g. use of slip rings involving image data transmission via a network
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61K—PREPARATIONS FOR MEDICAL, DENTAL OR TOILETRY PURPOSES
- A61K51/00—Preparations containing radioactive substances for use in therapy or testing in vivo
- A61K51/02—Preparations containing radioactive substances for use in therapy or testing in vivo characterised by the carrier, i.e. characterised by the agent or material covalently linked or complexing the radioactive nucleus
- A61K51/04—Organic compounds
- A61K51/0489—Phosphates or phosphonates, e.g. bone-seeking phosphonates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based 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
- G16H15/00—ICT specially adapted for medical reports, e.g. generation or transmission thereof
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
-
- 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
- G16H70/00—ICT specially adapted for the handling or processing of medical references
- G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
-
- 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
- G06T2207/10128—Scintigraphy
-
- 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
- G06T2207/20004—Adaptive image processing
- G06T2207/20012—Locally adaptive
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20128—Atlas-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30008—Bone
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Optics & Photonics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- Epidemiology (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Primary Health Care (AREA)
- High Energy & Nuclear Physics (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Chemical & Material Sciences (AREA)
- Quality & Reliability (AREA)
- Biochemistry (AREA)
- Physiology (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Pharmacology & Pharmacy (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Medicinal Chemistry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Description
関連出願への相互参照
本出願は、２０１９年４月２４日に出願された米国仮出願第６２／８３７，９５５号に基づく優先権および利益を主張し、同出願の内容は参照によりその全体が組み込まれる。
本出願は、２０１９年４月２４日に出願された米国仮出願第６２／８３７，９５５号に基づく優先権および利益を主張し、同出願の内容は参照によりその全体が組み込まれる。
技術分野
本発明は、概して、医用画像データの作成、分析、および／または提示のためのシステムおよび方法に関する。より詳細には、ある特定の実施形態では、本発明は、核医学画像の改良されたコンピュータ支援表示および分析のためのシステムおよび方法に関する。
本発明は、概して、医用画像データの作成、分析、および／または提示のためのシステムおよび方法に関する。より詳細には、ある特定の実施形態では、本発明は、核医学画像の改良されたコンピュータ支援表示および分析のためのシステムおよび方法に関する。
背景
核医学イメージングは、放射性医薬品と呼ばれる放射標識された化合物の使用を伴う。放射性医薬品は、患者に投与され、身体内の様々な領域に蓄積するが、そのとき、がんなどの疾患の存在および／または状態によって影響される性質などの、内部組織の生物物理学的および／または生物化学的性質に依存し、したがってそれらを示すような形で蓄積する。例えば、ある特定の放射性医薬品は、患者への投与後に、転移を示す、悪性の骨病変に関連する異常な骨形成の領域に蓄積する。他の放射性医薬品は、疾患の進展中に変質を受ける体内の特定の受容体、酵素、およびタンパク質に結合することがある。患者への投与後、それらの分子は、その意図される標的を見つけるまで血液中を循環する。結合した放射性医薬品は疾患の部位に留まり、一方、薬剤の残りは身体の外に出る。
核医学イメージングは、放射性医薬品と呼ばれる放射標識された化合物の使用を伴う。放射性医薬品は、患者に投与され、身体内の様々な領域に蓄積するが、そのとき、がんなどの疾患の存在および／または状態によって影響される性質などの、内部組織の生物物理学的および／または生物化学的性質に依存し、したがってそれらを示すような形で蓄積する。例えば、ある特定の放射性医薬品は、患者への投与後に、転移を示す、悪性の骨病変に関連する異常な骨形成の領域に蓄積する。他の放射性医薬品は、疾患の進展中に変質を受ける体内の特定の受容体、酵素、およびタンパク質に結合することがある。患者への投与後、それらの分子は、その意図される標的を見つけるまで血液中を循環する。結合した放射性医薬品は疾患の部位に留まり、一方、薬剤の残りは身体の外に出る。
核医学イメージング技術は、放射性医薬品の放射性部分から放出される放射線を検出することによって画像を捕捉する。蓄積した放射性医薬品は、一般に利用可能な核医学モダリティを使用して疾患の場所および密度を描写した画像が得られるように、目印の役目を果たす。核医学イメージングモダリティの例には、骨スキャンイメージング（シンチグラフィとも呼ばれる）、単一光子放射コンピュータ断層撮影（ＳＰＥＣＴ）、および陽子放射断層撮影（ＰＥＴ）が含まれる。骨スキャン、ＳＰＥＣＴ、およびＰＥＴのイメージングシステムは、世界中の大半の病院に見られる。特定のイメージングモダリティの選択は、使用される特定の放射性医薬品に依存する、および／またはそれを決定する。例えば、テクネチウム９９ｍ（９９ｍＴｃ）で標識された化合物は、骨スキャンイメージングおよびＳＰＥＣＴイメージングと両立性があるのに対し、ＰＥＴイメージングはしばしば、１８Ｆで標識されたフッ化化合物を使用する。化合物９９ｍＴｃメチレンジホスホン酸（９９ｍＴｃ ＭＤＰ）は、転移性がんを検出するために骨スキャンイメージングで使用される一般的な放射性医薬品である。９９ｍＴｃで標識された１４０４およびＰｙＬ（商標）（［１８Ｆ］ＤＣＦＰｙＬとも呼ばれる）などの、放射標識された前立腺特異的膜抗原（ＰＳＭＡ）を標的とする化合物は、それぞれＳＰＥＣＴおよびＰＥＴイメージングで使用されることがあり、高度に特異的な前立腺がん検出の可能性を提供する。
そのため、核医学イメージングは、患者体内の疾患の存在および程度を判定するために使用できる情報を内科医に与えるための有益な技術である。内科医は、その情報を使用して、推奨される治療の過程を患者に提供し、疾患の進行を追跡することができる。
例えば、腫瘍専門医が、患者の調査から得られた入力としての核医学画像を、患者が特定の疾患、例えば前立腺がん、を有するかどうか、その疾患のどのステージが明らかであるか、（存在する場合には）推奨される治療の過程はどのようなものになるか、外科的介入が必要とされるか、および可能性の高い予後を査定する際に使用し得る。腫瘍専門医は、この査定のときに放射線専門医の報告を使用することがある。放射線専門医の報告は、イメージングの調査を依頼した内科医のために放射線専門医によって作成される核医学画像の技術的な評価であり、例えば、行われた調査の種類、臨床履歴、画像間の比較、調査を行うために使用された技術、放射線専門医の所見および知見、ならびにイメージングの調査結果に基づいて放射線専門医が有し得る全体的な印象および推奨を含む。署名された放射線専門医の報告は、調査を命じた内科医に内科医の点検のために送られ、それに続いて、結果および治療に関する推奨に関して内科医と患者の間で話し合いが行われる。
このように、このプロセスは、放射線専門医に患者のイメージング調査を行わせ、得られた画像を分析し、放射線専門医の報告を作成し、その報告を要求元の内科医に転送し、内科医に査定および治療の推奨を策定させ、内科医から結果、推奨、およびリスクを患者に伝えさせることを要する。このプロセスは、決定的でない結果のためにイメージング調査を繰り返すことや、最初の結果に基づいてさらなるテストを命じることも要し得る。イメージング調査が、患者が特定の疾患または状態（例えばがん）を有することを示す場合、内科医は、手術を含む様々な治療の選択肢、ならびに、手術を行うのではなく、何もしないこと、または注意を払いながらの待機もしくは積極的な監視手法を採用することのリスクを検討する。
そのため、時間と共に複数の患者画像を点検・分析するプロセスは、がんの診断および治療において重要な役割を果たす。よって、がんの診断および治療のための画像の点検および分析を容易にし、その精度を向上させる改良されたツールに対する大きな必要性がある。内科医、放射線専門医、および他の健康管理の専門家によって利用されるツールキットをそのように改良することは、治療および患者体験の標準における著しい向上をもたらす。
発明の要旨
本明細書に提示されるのは、核医学画像の改良されたコンピュータ支援の表示および分析を可能にするシステムおよび方法である。具体的には、ある特定の実施形態では、本明細書に記載されるシステムおよび方法は、患者のがんステータスを査定するための骨スキャン画像の自動化された分析で使用されるいくつかの画像処理ステップに対する改良を提供する。
本明細書に提示されるのは、核医学画像の改良されたコンピュータ支援の表示および分析を可能にするシステムおよび方法である。具体的には、ある特定の実施形態では、本明細書に記載されるシステムおよび方法は、患者のがんステータスを査定するための骨スキャン画像の自動化された分析で使用されるいくつかの画像処理ステップに対する改良を提供する。
例えば、画像セグメント化、ホットスポットの検出、転移を表すものとしてのホットスポットの自動化された分類、および骨スキャン指数（ＢＳＩ：ｂｏｎｅ ｓｃａｎ ｉｎｄｅｘ）値などのリスク指標の算出のための改良された手法が提供される。これらの改良された画像処理技術のおかげで、本明細書に記載されるシステムおよび方法は、正確で信頼性の高い画像に基づく病変検出および各種の転移性骨がん（例えば骨に転移した任意のがん）を査定するための定量化に使用することができる。それらには、前立腺がん、乳がん、肺がん、および各種の他の転移性がんに関連する転移が含まれる。
骨スキャン画像は、転移性がんの診断および評価のために広く使用されている。患者に、核放射線を放出する放射性医薬品が注入され、それを検出して、患者体内の放射性医薬品の空間的分布を撮像することができる。放射性医薬品は、異常な骨形成の領域などのがん病変に関連するタイプの組織に選択的に蓄積するように選択され得る。
この手法は、病変が骨スキャン画像内で明るい点として視覚化されることを可能にするが、真の転移性病変を表す画像領域を正確に特定することは決して簡単ではない。放射性医薬品は、患者の膀胱など、がんのない解剖学的領域にも蓄積することがあり、内科医および専門家は、病変を表すホットスポットを、そのような領域から、またノイズおよびアーチファクトから、注意深く区別しなければならない。この作業は、時間がかかり、間違いを起こしやすく、著しい作業者間変動の影響を受ける。
コンピュータにより自動化された病変検出および分析は、これらの課題に対処するための道を開き、病変検出およびがん診断の精度および反復性を劇的に増大することができる。しかし、自動化された病変検出および分析のためのツールは、イメージング処理と人工知能ステップの複雑な組合せに依拠する。例えば、骨格領域を特定するための画像セグメント化を使用して、分析を骨領域に集中させ得る。フィルタリングおよび閾値処理ステップを使用して、自動的にホットスポットを検出することができ、人工ニューラルネットワーク（ＡＮＮ）などの機械学習手法を使用して、ホットスポットのサイズ、形状、および強度などの特徴に基づいて、検出されたホットスポットが転移を表す見込みを定量的に査定し得る。最後に、ある特定の実施形態では、転移を表す検出されたホットスポットのセットを使用して、患者の総合的なリスク指標を算出し、これは、患者が転移を有する、および／もしくは発症する、または特定のがん状態を有する総合的な見込みを表す。そのようなリスク指標の１つは、骨スキャン指数（ＢＳＩ）であり、これは、転移によって占められる患者の骨格の推定質量割合を提供する。
任意の１つのステップの精度は、下流のステップおよび全体的な病変検出および分析プロセスに大きな影響を有し得る。本明細書に記載されるシステムおよび方法は、自動化された病変検出および分析のワークフロー内の様々なステップに対するいくつかの具体的な改良を提供し、それにより、より広い範囲の患者タイプおよびがんステージにわたり結果の精度を高める。
第１に、ある特定の実施形態では、本明細書に記載される改良された画像分析技術は、改良された骨格セグメント化手法を含み、ここでは上腕骨および／または大腿骨領域の全体（例えば４分の３超の長さ）が骨スキャン画像内で特定される。以前の手法は、大腿骨および上腕骨のうち限られた割合しか特定しなかった。ここでは、それらの骨のより大きい部分をセグメント化することにより、腕および脚の末端の先の方に位置する病変が特定されることが可能になり、対して、以前であればそのような病変は検出を免れていた。さらに、腕および脚で放射性医薬品の取り込みが低下することは、それらにおける病変特定を困難にするが、本明細書に記載される手法は、大腿骨および上腕骨領域における検出感度を高めてこの問題を克服する、領域に依存する閾値処理技術を利用する。
第２に、本開示は、特に高疾病負荷における（例えば患者が多くの病変を有する場合）、ホットスポット検出精度を向上させるグローバル閾値処理技術も提供する。この手法は、潜在的なホットスポットの事前セットを検出し、次いで、その事前セットから算出されたスケーリング率に基づいて、ホットスポット検出に使用される閾値を調節する。このホットスポット検出の向上は、下流の計算に利益を提供し、高レベルの転移がある患者に対して算出されるＢＳＩ値の線形性を向上させる。
第３に、ある特定の実施形態では、本明細書に記載されるシステムおよび方法は、ホットスポットが転移を表すかどうかについての自動化された決定が行われる際の精度を向上させる。具体的には、ある特定の実施形態では、本明細書に記載される手法は、潜在的な転移としてのホットスポットの選択は、ホットスポット自体の画像特徴だけでなく、画像全体からの情報にも依存することを示す臨床経験を活用する。そのため、本明細書に記載される手法は、病変特定のための自動化された意思決定ステップの入力として（例えばＡＮＮへの入力として）、例えばホットスポットの総数などのグローバル特徴を使用してもよい。
第４に、ある特定の実施形態では、本明細書に記載される手法は、ホットスポットを特定の骨格領域に自動的に局所化できる精度の潜在的な誤差を考慮する補正率を用いることにより、骨浸潤に基づいてリスク指標値を計算する手法への改良も提供する。これは、２次元の骨スキャン画像内で特定するのが難しいことがある複雑な３次元構造である仙骨領域の中またはその近くに位置するホットスポットに特に重要である。この手法は、ＢＳＩ計算の精度を向上させ、ホットスポット局所化の誤差への感度を制限する。
そのため、本明細書に記載されるシステムおよび方法は、病変の特定および定量化のためのいくつかの改良された画像分析技術を含む。それらの手法は、骨スキャン画像を分析することができる精度およびロバスト性を向上させる。本明細書に記載されるように、それらは、患者データの点検および報告を容易にし、改良された疾患の検出、治療、および監視を可能にするクラウドベースのシステムの一部として使用され得る。
一態様では、本発明は、ヒト対象の核医学画像（例えば骨スキャン画像セット）の病変マーキングおよび定量分析（例えばユーザによって支援／点検される自動化または半自動化された病変マーキングおよび定量分析）のための方法を対象とし、この方法は、（ａ）コンピューティングデバイスのプロセッサにより、ヒト対象の骨スキャン画像セット（例えば、１つ、２つ、またはそれより多くの画像のセット）にアクセスする（例えば、および／または受け取る）ステップであって、前記骨スキャン画像セットは、ヒト対象への薬剤（例えば放射性医薬品）の投与後に得られたものである（例えば、骨スキャン画像セットが腹側骨スキャン画像および背側骨スキャン画像を含む）（例えば、骨スキャン画像セットの各画像が複数の画素を備え、各画素が、ある強度に対応する値を有する）、ステップと、（ｂ）プロセッサにより、骨スキャン画像セット内の各画像を自動的にセグメント化して、ヒト対象の骨格の特定の解剖学的領域（例えば、頸椎、鎖骨、肋骨、腰椎、骨盤、仙骨、肩甲骨、頭蓋、胸椎、胸骨、大腿骨、上腕骨などの、特定の骨および／または１つもしくは複数の骨のセット）に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得るステップであって、１つまたは複数の骨格関心領域は、（ｉ）ヒト対象の大腿骨の一部分に対応する大腿骨領域であって、前記大腿骨の一部分は、大腿骨の長さに沿って大腿骨の少なくとも４分の３［（例えば、約４分の３より多く（例えばおよそすべて）］を包含する、大腿骨領域、および（ｉｉ）ヒト対象の上腕骨の一部分に対応する上腕骨領域であって、前記上腕骨の一部分は、上腕骨の長さに沿って上腕骨の少なくとも４分の３［（例えば、約４分の３より多く（例えばおよそすべて）］を包含する、上腕骨領域、の少なくとも一方を含む、ステップと、（ｃ）プロセッサにより、１つまたは複数のホットスポットの初期のセットを自動的に検出するステップであって、各ホットスポットは、アノテーションされた画像のセット内の高い強度のエリアに対応し、前記自動的に検出することは、アノテーションされた画像のセット内の画素の強度を使用して、かつ１つまたは複数の領域依存閾値を使用して、１つまたは複数のホットスポットを特定することを含み（例えば、各領域依存閾値は、特定された骨格関心領域に関連付けられており、特定の特定された骨格領域内に位置する画素の強度が、関連付けられた領域依存閾値と比較されるようになっている）、１つまたは複数の領域依存閾値は、当該領域内での薬剤の取り込みの低下を補償するために大腿骨領域および／または上腕骨領域内で高められたホットスポット検出感度を提供する、大腿骨領域および／または上腕骨領域に関連付けられた１つまたは複数の値（例えば、大腿骨領域のための低減された強度閾値、および／または上腕骨領域のための低減された強度閾値）を含む、ステップと、（ｄ）ホットスポットの初期のセット内の各ホットスポットについて、プロセッサにより、ホットスポットに関連するホットスポット特徴のセット（例えば、１つまたは複数のセット）を抽出するステップと、（ｅ）ホットスポットの初期のセット内の各ホットスポットについて、プロセッサにより、ホットスポットに関連するホットスポット特徴のセットに基づいて、ホットスポットが転移を表す見込みに対応する転移見込み値を計算する［例えば、特定のホットスポットについて、ホットスポット特徴の少なくとも一部分を入力として受け取り、そのホットスポットの転移見込み値を出力する、１つまたは複数の機械学習モジュール（例えば、事前に訓練された機械学習モジュール；例えば人工ニューラルネットワーク（ＡＮＮ））を使用する］ステップと、（ｆ）プロセッサにより、ホットスポットの初期のセットの少なくとも一部分のグラフィック表現［例えば、骨スキャン画像セットおよび／またはアノテーションされた画像のセットの１つまたは複数のメンバの上に重ねられたホットスポットの視覚的指示（例えば、点、境界）；例えば、特定されたホットスポットを、各ホットスポットの追加的な情報（例えば場所；例えば転移見込み値）と共に列挙する表］を、グラフィカルユーザインターフェース（ＧＵＩ）（例えばクラウドベースのＧＵＩ）内に表示するためにレンダリングさせるステップと、を含む。
ある特定の実施形態では、ステップ（ｂ）は、骨スキャン画像セットの各メンバを、アトラス画像セットのうちの対応するアトラス画像と比較するステップであって、各アトラス画像が、１つまたは複数の骨格関心領域の１つまたは複数の特定（例えば、アトラス画像の上に重畳されたグラフィックによる特定）を含み、前記骨格関心領域は、大腿骨領域および／または上腕骨領域を含む、ステップと、骨スキャン画像セットの各画像について、アトラス画像の１つまたは複数の骨格関心領域の特定が、骨スキャン画像セットの画像に適用される（例えばその上に重畳される）ように、対応するアトラス画像を骨スキャン画像セットの画像と位置合わせするステップと、を含む。
ある特定の実施形態では、各アトラス画像が、（ｉ）ヒト対象の膝領域の少なくとも一部分を含む大腿骨領域、および／または（ｉｉ）ヒト対象の肘領域の少なくとも一部分を含む上腕骨領域、の特定を含み、骨スキャン画像セットの各画像について、骨スキャン画像への対応するアトラス画像の位置合わせは、特定された膝領域および／または特定された肘領域を、画像内でランドマークとして使用することを含む［例えば、骨スキャン画像内で膝領域を特定し、それを、対応するアトラス画像内の特定された膝領域と一致させ、次いでアトラス画像を調節する（例えば座標変換を計算する）ことにより、対応するアトラス画像を骨スキャン画像と位置合わせする］。
ある特定の実施形態では、初期のホットスポットセットのうち少なくとも１つの検出されたホットスポットの場所が、ヒト対象の殿部の方を向いた大腿骨の端部からヒト対象の膝の方を向いた大腿骨の端部までの大腿骨に沿った距離の４分の３超のところにある、大腿骨の中または上の物理的場所に対応する。
ある特定の実施形態では、初期のホットスポットセットのうち少なくとも１つの検出されたホットスポットの場所が、ヒト対象の肩の方を向いた上腕骨の端部からヒト対象の肘の方を向いた上腕骨の端部までの上腕骨に沿った距離の４分の３超のところにある、上腕骨の中または上の物理的場所に対応する。
ある特定の実施形態では、ステップ（ｃ）は、プロセッサにより、骨スキャン画像セットのうちホットスポット（例えば、比較的強度が高い局所化された領域）を全く含まないと判定された画像内で健康な組織領域を特定するステップと、プロセッサにより、正規化係数を、該正規化係数と特定された健康な組織領域の平均強度との積が事前に定められた強度レベルになるように計算するステップと、正規化係数によって骨スキャン画像セットの画像を正規化するステップと、を（例えば反復的に）含む。
ある特定の実施形態では、方法は、（ｇ）プロセッサにより、ホットスポットの初期のセットによって占められているヒト対象の骨格の算出された割合（例えば面積割合）に少なくとも部分的に基づいて、ヒト対象についての１つまたは複数のリスク指標値を計算する［例えば、算出される割合は、ホットスポットの初期のセットの総面積を、すべての特定された骨格領域の総面積で割った比である］ステップ、をさらに含む。
ある特定の実施形態では、方法は、（ｈ）プロセッサにより、転移見込み値に少なくとも部分的に基づいて、ホットスポットの初期のセットの（例えば最大でそのすべての）第１のサブセットを選択する［例えば、ホットスポットの初期のセットのうち特定のホットスポットをサブセットに含めるか否かを、その特定のホットスポットに対して計算された転移見込み値が閾値を超えることに基づいて決定する］ステップと、（ｉ）プロセッサにより、第１のサブセットのグラフィック表現［例えば、骨スキャン画像セットおよび／またはアノテーションされた画像のセットの１つまたは複数のメンバの上に重ねられたホットスポットの視覚的指示（例えば、点、境界）；例えば、特定されたホットスポットを各ホットスポットの追加的な情報（例えば場所；例えば見込み値）と共に列挙する表］を、グラフィカルユーザインターフェース（ＧＵＩ）（例えばクラウドベースのＧＵＩ）内に表示するためにレンダリングさせるステップと、を含む。
ある特定の実施形態では、方法は、（ｊ）プロセッサにより、ホットスポットの第１のサブセットによって占められるヒト対象の骨格の算出された割合（例えば面積割合）に少なくとも部分的に基づいて、ヒト対象についての１つまたは複数のリスク指標値を計算する［例えば、算出される割合は、ホットスポットの初期のセットの総面積を、すべての特定された骨格領域の総面積で割った値である］ステップ、をさらに含む。
ある特定の実施形態では、方法は、（ｋ）プロセッサにより、ＧＵＩを介して、ホットスポットの初期のセットの第２のサブセットのユーザ選択を受け取るステップと、（ｌ）プロセッサにより、ホットスポットの第２のサブセットによって占められるヒト対象の骨格の算出された割合（例えば面積割合）に少なくとも部分的に基づいて、ヒト対象についての１つまたは複数のリスク指標値を計算する［例えば、算出される割合は、ホットスポットの第２のサブセットの総面積を、すべての特定された骨格領域の総面積で割った値である］ステップ、を含む。
ある特定の実施形態では、リスク指標値の少なくとも１つは、ヒト対象が転移性がん（例えば、転移性前立腺がん、転移性乳がん、転移性肺がん、および他の転移性骨がん）を有するおよび／または発症するリスクを示す。
ある特定の実施形態では、転移性がんは転移性前立腺がんである。
ある特定の実施形態では、リスク指標値の少なくとも１つが、ヒト対象が特定の状態の転移性がん（例えば、転移性前立腺がん、転移性乳がん、転移性肺がん、および他の転移性骨がん）を有することを示す。
ある特定の実施形態では、プロセッサは、クラウドベースのシステムのプロセッサである。
ある特定の実施形態では、ＧＵＩは、一般的な写真保管および通信システム（ＰＡＣＳ：Ｐｉｃｔｕｒｅ Ａｒｃｈｉｖｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｙｓｔｅｍ）（例えば、ならびに病変マーキングおよび定量分析を含む腫瘍学のための臨床アプリケーション）の一部である。
ある特定の実施形態では、薬剤（例えば放射性医薬品）が、メチレンジホスホン酸テクネチウム９９ｍ（９９ｍＴｃ－ＭＤＰ）を含む。
別の態様では、本発明は、ヒト対象の核医学画像（例えば骨スキャン画像セット）の病変マーキングおよび定量分析（例えばユーザによって支援／点検される自動化または半自動化された病変マーキングおよび定量分析）のための方法を対象とし、この方法は、（ａ）コンピューティングデバイスのプロセッサにより、ヒト対象の骨スキャン画像セット（例えば、１つ、２つ、またはそれより多くの画像のセット）にアクセスする（例えば、および／または受け取る）ステップであって、前記骨スキャン画像セットは、ヒト対象への薬剤（例えば放射性医薬品）の投与後に得られたものである（例えば、骨スキャン画像セットが、腹側骨スキャン画像および背側骨スキャン画像を含む）（例えば、骨スキャン画像セットの各画像が複数の画素を備え、各画素が、ある強度に対応する値を有する）、ステップと、（ｂ）プロセッサにより、骨スキャン画像セット内の各画像を自動的にセグメント化して、ヒト対象の骨格の特定の解剖学的領域（例えば、頸椎、鎖骨、肋骨、腰椎、骨盤、仙骨、肩甲骨、頭蓋、胸椎、胸骨、大腿骨、上腕骨などの、特定の骨および／または１つもしくは複数の骨のセット）に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得るステップと、（ｃ）プロセッサにより、１つまたは複数のホットスポットの初期のセットを自動的に検出するステップであって、各ホットスポットは、アノテーションされた画像のセット内の高い強度のエリアに対応し、前記自動的に検出することは、（ｉ）アノテーションされた画像のセット内の画素の強度、および（ｉｉ）複数の事前閾値（例えば、複数の事前閾値は、特定の画素が位置する特定された骨格関心領域に依存する、領域依存閾値である）、を使用して、潜在的なホットスポットのセットを検出すること、潜在的なホットスポットのセットを使用してグローバル閾値スケーリング率を算出すること、グローバル閾値スケーリング率を使用して複数の事前閾値を調節し、それにより複数の調節済みの閾値を得ること、および、（ｉ）アノテーションされた画像のセット内の画素の強度、および（ｉｉ）複数の調節済みの閾値、を使用して、ホットスポットの初期のセットを特定すること、を含む、ステップと、（ｄ）ホットスポットの初期のセット内の各ホットスポットについて、プロセッサにより、ホットスポットに関連するホットスポット特徴のセット（例えば、１つまたは複数のホットスポット特徴のセット）を抽出するステップと、（ｅ）ホットスポットの初期のセット内の各ホットスポットについて、プロセッサにより、ホットスポットに関連するホットスポット特徴のセットに基づいて、ホットスポットが転移を表す見込みに対応する転移見込み値を計算する［例えば、特定のホットスポットについて、ホットスポット特徴の少なくとも一部分を入力として受け取り、そのホットスポットの転移見込み値を出力する１つまたは複数の機械学習モジュール（例えば、事前に訓練された機械学習モジュール；例えば人工ニューラルネットワーク（ＡＮＮ））を使用する］ステップと、（ｆ）プロセッサにより、ホットスポットの初期のセットの少なくとも一部分のグラフィック表現［例えば、骨スキャン画像セットおよび／またはアノテーションされた画像のセットの１つまたは複数の画像の上に重ねられたホットスポットの視覚的指示（例えば、点、境界）；例えば、特定されたホットスポットを各ホットスポットの追加的な情報（例えば場所；例えば転移見込み値）と共に列挙する表］を、グラフィカルユーザインターフェース（ＧＵＩ）（例えばクラウドベースのＧＵＩ）内に表示するためにレンダリングさせるステップと、を含む。
ある特定の実施形態では、グローバル閾値スケーリング率は、ヒト対象の疾病負荷の測度［例えば、対象の骨格のうち転移（例えばホットスポット）によって占められている面積割合；例えばリスク指標値］の関数であり、ステップ（ｃ）で行われる複数の事前閾値を調節することは、増大する疾病負荷に伴って発生するホットスポット面積の過小推定を補償するために、疾病負荷が増大する（例えばグローバル閾値スケーリング率によって測定される）のに従って調節済みの閾値を（例えば、事前閾値に対して）低減させる（例えば、調節済みの閾値の低減に伴ってホットスポットの総数および／またはサイズが増大するように）ことを含む。
ある特定の実施形態では、グローバル閾値スケーリング率は、特定された骨格領域のうち潜在的なホットスポットのセットによって占められる割合（例えば面積割合）の関数（例えば非線形関数）である（例えば、グローバル閾値スケーリング率は、事前セット内のすべてのホットスポットの総面積を、すべての特定された骨格領域の総面積で割った値の関数である）。
ある特定の実施形態では、グローバル閾値スケーリング率が、潜在的なホットスポットのセットを使用して計算されたリスク指標値に基づく（例えば、その関数として算出される）。
ある特定の実施形態では、ステップ（ｃ）が、プロセッサにより、骨スキャン画像セットのうちホットスポット（例えば、比較的強度が高い局所化された領域）を全く含まないと判定された画像内で健康な組織領域を特定するステップと、プロセッサにより、正規化係数を、該正規化係数と特定された健康な組織領域の平均強度との積が事前に定められた強度レベルになるように計算するステップと、プロセッサにより、正規化係数によって骨スキャン画像セットの画像を正規化するステップと、を（例えば反復的に）含む。
ある特定の実施形態では、方法は、（ｇ）プロセッサにより、ホットスポットの初期のセットによって占められているヒト対象の骨格の算出された割合（例えば面積割合）に少なくとも部分的に基づいて、ヒト対象についての１つまたは複数のリスク指標値を計算する［例えば、算出される割合は、ホットスポットの初期のセットの総面積を、すべての特定された骨格領域の総面積で割った比である］ステップ、をさらに含む。
ある特定の実施形態では、方法は、（ｈ）プロセッサにより、転移見込み値に少なくとも部分的に基づいて、ホットスポットの初期のセットの（例えば最大でそのすべての）第１のサブセットを選択する［例えば、ホットスポットの初期のセットのうち特定のホットスポットをサブセットに含めるか否かを、その特定のホットスポットに対して計算された転移見込み値が閾値を超えることに基づいて決定する］ステップと、（ｉ）プロセッサにより、第１のサブセットのグラフィック表現［例えば、骨スキャン画像セットおよび／またはアノテーションされた画像のセットの１つまたは複数のメンバの上に重ねられたホットスポットの視覚的指示（例えば、点、境界）；例えば、特定されたホットスポットを各ホットスポットの追加的な情報（例えば場所；例えば見込み値）と共に列挙する表］を、グラフィカルユーザインターフェース（ＧＵＩ）（例えばクラウドベースのＧＵＩ）内に表示するためにレンダリングさせるステップと、を含む。
ある特定の実施形態では、方法は、（ｊ）プロセッサにより、ホットスポットの第１のサブセットによって占められるヒト対象の骨格の算出された割合（例えば面積割合）に少なくとも部分的に基づいて、ヒト対象についての１つまたは複数のリスク指標値を計算する［例えば、算出される割合は、ホットスポットの初期のセットの総面積を、すべての特定された骨格領域の総面積で割った値である］ステップ、をさらに含む。
ある特定の実施形態では、方法は、（ｋ）プロセッサにより、ＧＵＩを介して、ホットスポットの初期のセットの第２のサブセットのユーザ選択を受け取るステップと、（ｌ）プロセッサにより、ホットスポットの第２のサブセットによって占められるヒト対象の骨格の算出された割合（例えば面積割合）に少なくとも部分的に基づいて、ヒト対象についての１つまたは複数のリスク指標値を計算する［例えば、算出される割合は、ホットスポットの第２のサブセットの総面積を、すべての特定された骨格領域の総面積で割った値である］ステップと、を含む。
ある特定の実施形態では、リスク指標値の少なくとも１つは、ヒト対象が転移性がん（例えば、転移性前立腺がん、転移性乳がん、転移性肺がん、および他の転移性骨がん）を有するおよび／または発症するリスクを示す。
ある特定の実施形態では、転移性がんは転移性前立腺がんである。
ある特定の実施形態では、リスク指標値の少なくとも１つが、ヒト対象が特定の状態の転移性がん（例えば、転移性前立腺がん、転移性乳がん、転移性肺がん、および他の転移性骨がん）を有することを示す。
ある特定の実施形態では、プロセッサは、クラウドベースのシステムのプロセッサである。
ある特定の実施形態では、ＧＵＩは、一般的な写真保管および通信システム（ＰＡＣＳ）（例えば、ならびに病変マーキングおよび定量分析を含む腫瘍学のための臨床アプリケーション）の一部である。
ある特定の実施形態では、薬剤（例えば放射性医薬品）が、メチレンジホスホン酸テクネチウム９９ｍ（９９ｍＴｃ－ＭＤＰ）を含む。
別の態様では、本発明は、ヒト対象の核医学画像（例えば骨スキャン画像セット）の病変マーキングおよび定量分析（例えばユーザによって支援／点検される自動化または半自動化された病変マーキングおよび定量分析）のための方法を対象とし、この方法は、（ａ）コンピューティングデバイスのプロセッサにより、ヒト対象の骨スキャン画像セット（例えば、１つ、２つ、またはそれより多くの画像のセット）にアクセスする（例えば、および／または受け取る）ステップであって、前記骨スキャン画像セットは、ヒト対象への薬剤（例えば放射性医薬品）の投与後に得られたものである（例えば、骨スキャン画像セットが、腹側骨スキャン画像および背側骨スキャン画像を含む）（例えば、骨スキャン画像セットの各画像が複数の画素を備え、各画素が、ある強度に対応する値を有する）、ステップと、（ｂ）プロセッサにより、骨スキャン画像セット内の各画像を自動的にセグメント化して、ヒト対象の骨格の特定の解剖学的領域（例えば、頸椎、鎖骨、肋骨、腰椎、骨盤、仙骨、肩甲骨、頭蓋、胸椎、胸骨、大腿骨、上腕骨などの、特定の骨および／または１つもしくは複数の骨のセット）に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得るステップと、（ｃ）プロセッサにより、１つまたは複数のホットスポットの初期のセットを自動的に検出するステップであって、各ホットスポットは、アノテーションされた画像のセット内の高い強度のエリアに対応する［例えば、初期のホットスポットセットの１つまたは複数のホットスポットを検出することは、画素強度を１つまたは複数の閾値と比較することを含む（例えば、この１つまたは複数の閾値は、特定の画素が位置する特定された骨格関心領域に応じて変動する）］、ステップと、（ｄ）ホットスポットの初期のセット内の各ホットスポットについて、プロセッサにより、ホットスポットに関連するホットスポット特徴のセット（例えば、１つまたは複数のホットスポット特徴のセット）を抽出するステップと、（ｅ）ホットスポットの初期のセット内の各ホットスポットについて、プロセッサにより、ホットスポットに関連するホットスポット特徴のセットに基づいて、ホットスポットが転移を表す見込みに対応する転移見込み値を計算する［例えば、特定のホットスポットについて、ホットスポット特徴の少なくとも一部分を入力として受け取り、そのホットスポットの転移見込み値を出力する１つまたは複数の機械学習モジュール（例えば、事前に訓練された機械学習モジュール；例えば人工ニューラルネットワーク（ＡＮＮ））を使用する］ステップと、（ｆ）プロセッサにより、ホットスポットの初期のセット（例えば最大でそのすべての）の第１のサブセットを選択するステップであって、第１のサブセットに含める特定のホットスポットの選択が、（ｉ）特定のホットスポットについて計算された転移見込み値［例えば、特定のホットスポットについて計算された見込み値と、見込み閾値との比較に基づく（例えば、その特定のホットスポットが、見込み閾値より大きい見込み値を有する場合、それを第１のサブセットに含める）］、および、（ｉｉ）１つまたは複数のグローバルホットスポット特徴であって、各々がホットスポットの初期のセット内の複数のホットスポットを使用して決定される、グローバルホットスポット特徴（例えば、初期のホットスポットセット内のホットスポットの総数、初期のホットスポットセット内のホットスポットの平均強度、初期のホットスポットセット内のホットスポットのピーク強度等）、に少なくとも部分的に基づく、ステップと、（ｇ）プロセッサにより、ホットスポットの第１のサブセットの少なくとも一部分のグラフィック表現［例えば、骨スキャン画像セットおよび／またはアノテーションされた画像のセットの１つまたは複数の画像の上に重ねられたホットスポットの視覚的指示（例えば、点、境界）；例えば、特定されたホットスポットを各ホットスポットの追加的な情報（例えば場所；例えば見込み値）と共に列挙する表］を、グラフィカルユーザインターフェース（ＧＵＩ）（例えばクラウドベースのＧＵＩ）内に表示するためにレンダリングさせるステップと、を含む。
ある特定の実施形態では、１つまたは複数のグローバルホットスポット特徴が、初期のホットスポットセット内のホットスポットの総数を含む。
ある特定の実施形態では、ステップ（ｆ）は、初期のホットスポットセット内のホットスポットの総数に基づいて、第１のサブセットに含めるホットスポットの選択の基準を調節することを含む［例えば、初期のホットスポットセット内のホットスポットの総数が増すにつれて基準を緩和することにより（例えば、各ホットスポットの転移見込み値が比較される転移見込み値を低減させることにより；例えば、初期のホットスポットセット内のホットスポットの総数に基づいて転移見込み値をスケーリングすることにより）］。
ある特定の実施形態では、ステップ（ｆ）が、機械学習モジュール（例えばＡＮＮモジュール）を使用して第１のサブセットを選択することを含む［例えば、機械学習モジュールは、各ホットスポットについて、少なくとも、そのホットスポットに対して計算された転移見込み値と、１つまたは複数のグローバルホットスポット特徴とを受け取り、（ｉ）グローバルホットスポット特徴を考慮に入れる調節済みの転移見込み値（例えば、第１のサブセットにおけるホットスポットの選択のための閾値と比較できるスケールの値）、および／または（ｉｉ）そのホットスポットを第１のサブセットに含めるべきか否かを表すバイナリ（例えば０または１；例えばブールの真または偽）値、を出力する］。
ある特定の実施形態では、ステップ（ｃ）が、プロセッサにより、骨スキャン画像セットのうちホットスポット（例えば、比較的強度が高い局所化された領域）を全く含まないと判定された画像内で健康な組織領域を特定するステップと、プロセッサにより、正規化係数を、該正規化係数と特定された健康な組織領域の平均強度との積が事前に定められた強度レベルになるように計算するステップと、プロセッサにより、正規化係数によって骨スキャン画像セットの画像を正規化するステップと、を（例えば反復的に）含む。
ある特定の実施形態では、方法は、（ｇ）プロセッサにより、ホットスポットの初期のセットによって占められているヒト対象の骨格の算出された割合（例えば面積割合）に少なくとも部分的に基づいて、ヒト対象についての１つまたは複数のリスク指標値を計算する［例えば、算出される割合は、ホットスポットの初期のセットの総面積を、すべての特定された骨格領域の総面積で割った比である］ステップ、をさらに含む。
ある特定の実施形態では、方法は、（ｈ）プロセッサにより、転移見込み値に少なくとも部分的に基づいて、ホットスポットの初期のセットの（例えば最大でそのすべての）第１のサブセットを選択する［例えば、ホットスポットの初期のセットのうち特定のホットスポットをサブセットに含めるか否かを、その特定のホットスポットに対して計算された転移見込み値が閾値を超えることに基づいて決定する］ステップと、（ｉ）プロセッサにより、第１のサブセットのグラフィック表現［例えば、骨スキャン画像セットおよび／またはアノテーションされた画像のセットの１つまたは複数のメンバの上に重ねられたホットスポットの視覚的指示（例えば、点、境界）；例えば、特定されたホットスポットを各ホットスポットの追加的な情報（例えば場所；例えば見込み値）と共に列挙する表］を、グラフィカルユーザインターフェース（ＧＵＩ）（例えばクラウドベースのＧＵＩ）内に表示するためにレンダリングさせるステップと、を含む。
ある特定の実施形態では、方法は、（ｊ）プロセッサにより、ホットスポットの第１のサブセットによって占められるヒト対象の骨格の算出された割合（例えば面積割合）に少なくとも部分的に基づいて、ヒト対象についての１つまたは複数のリスク指標値を計算する［例えば、算出される割合は、ホットスポットの初期のセットの総面積を、すべての特定された骨格領域の総面積で割った値である］ステップ、をさらに含む。
ある特定の実施形態では、方法は、（ｋ）プロセッサにより、ＧＵＩを介して、ホットスポットの初期のセットの第２のサブセットのユーザ選択を受け取るステップと、（ｌ）プロセッサにより、ホットスポットの第２のサブセットによって占められるヒト対象の骨格の算出された割合（例えば面積割合）に少なくとも部分的に基づいて、ヒト対象についての１つまたは複数のリスク指標値を計算する［例えば、算出される割合は、ホットスポットの第２のサブセットの総面積を、すべての特定された骨格領域の総面積で割った値である］ステップと、を含む。
ある特定の実施形態では、リスク指標値の少なくとも１つは、ヒト対象が転移性がん（例えば、転移性前立腺がん、転移性乳がん、転移性肺がん、および他の転移性骨がん）を有するおよび／または発症するリスクを示す。
ある特定の実施形態では、転移性がんは転移性前立腺がんである。
ある特定の実施形態では、リスク指標値の少なくとも１つが、ヒト対象が特定の状態の転移性がん（例えば、転移性前立腺がん、転移性乳がん、転移性肺がん、および他の転移性骨がん）を有することを示す。
ある特定の実施形態では、プロセッサは、クラウドベースのシステムのプロセッサである。
ある特定の実施形態では、ＧＵＩは、一般的な写真保管および通信システム（ＰＡＣＳ）（例えば、ならびに病変マーキングおよび定量分析を含む腫瘍学のための臨床アプリケーション）の一部である。
ある特定の実施形態では、薬剤（例えば放射性医薬品）が、メチレンジホスホン酸テクネチウム９９ｍ（９９ｍＴｃ－ＭＤＰ）を含む。
別の態様では、本発明は、ヒト対象の核医学画像（例えば骨スキャン画像セット）の病変マーキングおよび定量分析（例えばユーザによって支援／点検される自動化または半自動化された病変マーキングおよび定量分析）のための方法を対象とし、この方法は、（ａ）コンピューティングデバイスのプロセッサにより、ヒト対象の骨スキャン画像セット（例えば、１つ、２つ、またはそれより多くの画像のセット）にアクセスする（例えば、および／または受け取る）ステップ（例えば、骨スキャン画像セットが、腹側骨スキャン画像および背側骨スキャン画像を含む）（例えば、骨スキャン画像セットの各画像が複数の画素を備え、各画素が、ある強度に対応する値を有する）と、（ｂ）プロセッサにより、骨スキャン画像セット内の各画像を自動的にセグメント化して、ヒト対象の骨格の特定の解剖学的領域（例えば、頸椎、鎖骨、肋骨、腰椎、骨盤、仙骨、肩甲骨、頭蓋、胸椎、胸骨、大腿骨、上腕骨などの、特定の骨および／または１つもしくは複数の骨のセット）に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得るステップと、（ｃ）プロセッサにより、１つまたは複数のホットスポットの初期のセットを自動的に検出するステップであって、各ホットスポットは、アノテーションされた画像のセット内の高い強度のエリアに対応する［例えば、初期のホットスポットセットの１つまたは複数のホットスポットを検出することは、画素強度を１つまたは複数の閾値と比較することを含む（例えば、この１つまたは複数の閾値は、特定の画素が位置する特定された骨格関心領域に応じて変動する）］、ステップと、（ｄ）ホットスポットの初期のセット内の各ホットスポットについて、プロセッサにより、ホットスポットに関連するホットスポット特徴のセット（例えば、１つまたは複数のホットスポット特徴のセット）を抽出するステップと、（ｅ）ホットスポットの初期のセット内の各ホットスポットについて、プロセッサにより、ホットスポットに関連するホットスポット特徴のセットに基づいて、ホットスポットが転移を表す見込みに対応する見込み値を計算する［例えば、特定のホットスポットについて、ホットスポット特徴の少なくとも一部分を入力として受け取り、そのホットスポットの見込み値を出力する、１つまたは複数の機械学習モジュール（例えば、事前に訓練された機械学習モジュール；例えば人工ニューラルネットワーク（ＡＮＮ））を使用する］ステップと、（ｆ）プロセッサにより、ホットスポットの初期のセットの各ホットスポットについて計算された見込み値に少なくとも部分的に基づいて、ホットスポットの初期のセットのホットスポットのうちの（例えば最大でそのすべての）第１のサブセットを選択する［例えば、ホットスポットの初期のセットのうち特定のホットスポットを事前に選択されたホットスポットのセットに含めるか否かを、その特定のホットスポットに対して計算された見込み値に基づいて決定する（例えばそれを見込み閾値と比較することにより）］ステップと、（ｇ）プロセッサにより、ホットスポットの第１のサブセットの少なくとも一部分（例えば最大でそのすべて）を使用して１つまたは複数のリスク指標値（例えば骨スキャン指数値）を計算するステップと、を含み、前記計算することが、第１のサブセットの一部分の各特定のホットスポットについて、（ｉｉ）その特定のホットスポットがアノテーションされた画像のセット内における自身の場所に基づいて（例えばプロセッサにより）割り当てられた特定の骨格領域のサイズ（例えば面積）に対する、（ｉ）その特定のホットスポットのサイズ（例えば面積）、の比に基づいて骨浸潤率を算出し、それにより１つまたは複数の骨浸潤率を決定するステップ、１つまたは複数の領域依存補正率［例えば、１つまたは複数の骨格領域に関連付けられた各領域依存補正率；例えば、領域依存補正率の値は、特定のホットスポットを（例えば、仙骨、骨盤、および腰領域などの、複数の隣接するまたは近傍の骨格領域のうちの）特定の骨格領域に割り当てることが、算出される骨浸潤率の変動を生じさせる度合いを低下させるように選択される］を使用して骨浸潤率を調節し、それにより１つまたは複数の調節済みの骨浸潤率を得るステップ、および、調節済みの骨浸潤率を合計して、１つまたは複数のリスク指標値を決定するステップ、を含む。
ある特定の実施形態では、各特定のホットスポットについて、算出された骨浸潤率は、総骨格質量のうち特定のホットスポットに関連する物理的体積によって占められる比率を推定する。
ある特定の実施形態では、骨浸潤率を算出するステップは、プロセッサにより、対応する骨格関心領域の面積に対する特定のホットスポットの面積の比を計算し、それにより特定のホットスポットの面積割合を算出するステップと、特定のホットスポットが割り当てられている骨格関心領域に関連付けられた密度係数で面積割合をスケーリング（例えば乗算）し［例えば、それにより、対応する骨格関心領域内の結合の重量および／または密度を考慮する（例えば、密度係数は、（例えば平均的なヒトの）総骨格に対する対応する骨格関心領域の重量割合である）］、それにより特定のホットスポットに対応する骨浸潤率を算出するステップと、を含む。
ある特定の実施形態では、第１のサブセットのホットスポットの少なくとも一部分が、骨盤領域（例えばヒト対象の骨盤に対応する）、腰領域（例えばヒト対象の腰柱に対応する）、および仙骨領域（例えばヒト対象の仙骨に対応する）からなる群から選択されるメンバである骨格関心領域に割り当てられる。
ある特定の実施形態では、１つまたは複数の領域依存補正率が、仙骨領域内に位置するとして（例えばプロセッサにより）特定されたホットスポットの骨浸潤率を調節するために使用される、仙骨領域に関連付けられた仙骨領域補正率を含み、仙骨領域補正率は１未満（例えば０．５未満）の値を有する。
ある特定の実施形態では、１つまたは複数の領域依存補正率が、１つまたは複数の補正率ペアを含み、各補正率ペアは、特定の骨格関心領域に関連付けられ、（ペアの）第１のメンバおよび第２のメンバを含み、ペアの第１のメンバは、腹側画像補正率であり、アノテーションされた画像セットのアノテーションされた腹側骨スキャン画像内で検出されたホットスポットについて算出された骨浸潤率を調節するために使用され、ペアの第２のメンバは、背側画像補正率であり、アノテーションされた画像セットのアノテーションされた背側骨スキャン画像内で検出されたホットスポットについて算出された骨浸潤率を調節するために使用される。
ある特定の実施形態では、ステップ（ｃ）は、プロセッサにより、骨スキャン画像セットのうちホットスポット（例えば、比較的強度が高い局所化された領域）を全く含まないと判定された画像内で健康な組織領域を特定するステップと、プロセッサにより、正規化係数を、該正規化係数と特定された健康な組織領域の平均強度との積が事前に定められた強度レベルになるように計算するステップと、プロセッサにより、正規化係数によって骨スキャン画像セットの画像を正規化するステップと、を（例えば反復的に）含む。
ある特定の実施形態では、方法は、（ｇ）プロセッサにより、ホットスポットの初期のセットによって占められているヒト対象の骨格の算出された割合（例えば面積割合）に少なくとも部分的に基づいて、ヒト対象についての１つまたは複数のリスク指標値を計算する［例えば、算出される割合は、ホットスポットの初期のセットの総面積を、すべての特定された骨格領域の総面積で割った比である］ステップ、をさらに含む。
ある特定の実施形態では、方法は、（ｈ）プロセッサにより、転移見込み値に少なくとも部分的に基づいて、ホットスポットの初期のセットの（例えば最大でそのすべての）第１のサブセットを選択する［例えば、ホットスポットの初期のセットのうち特定のホットスポットをサブセットに含めるか否かを、その特定のホットスポットに対して計算された転移見込み値が閾値を超えることに基づいて決定する］ステップと、（ｉ）プロセッサにより、第１のサブセットのグラフィック表現［例えば、骨スキャン画像セットおよび／またはアノテーションされた画像のセットの１つまたは複数のメンバの上に重ねられたホットスポットの視覚的指示（例えば、点、境界）；例えば、特定されたホットスポットを各ホットスポットの追加的な情報（例えば場所；例えば見込み値）と共に列挙する表］を、グラフィカルユーザインターフェース（ＧＵＩ）（例えばクラウドベースのＧＵＩ）内に表示するためにレンダリングさせるステップと、を含む。
ある特定の実施形態では、方法は、（ｊ）プロセッサにより、ホットスポットの第１のサブセットによって占められるヒト対象の骨格の算出された割合（例えば面積割合）に少なくとも部分的に基づいて、ヒト対象についての１つまたは複数のリスク指標値を計算する［例えば、算出される割合は、ホットスポットの初期のセットの総面積を、すべての特定された骨格領域の総面積で割った値である］ステップ、をさらに含む。
ある特定の実施形態では、方法は、（ｋ）プロセッサにより、ＧＵＩを介して、ホットスポットの初期のセットの第２のサブセットのユーザ選択を受け取るステップと、（ｌ）プロセッサにより、ホットスポットの第２のサブセットによって占められるヒト対象の骨格の算出された割合（例えば面積割合）に少なくとも部分的に基づいて、ヒト対象についての１つまたは複数のリスク指標値を計算する［例えば、算出される割合は、ホットスポットの第２のサブセットの総面積を、すべての特定された骨格領域の総面積で割った値である］ステップと、を含む。
ある特定の実施形態では、リスク指標値の少なくとも１つは、ヒト対象が転移性がん（例えば、転移性前立腺がん、転移性乳がん、転移性肺がん、および他の転移性骨がん）を有するおよび／または発症するリスクを示す。
ある特定の実施形態では、転移性がんは転移性前立腺がんである。
ある特定の実施形態では、リスク指標値の少なくとも１つが、ヒト対象が特定の状態の転移性がん（例えば、転移性前立腺がん、転移性乳がん、転移性肺がん、および他の転移性骨がん）を有することを示す。
ある特定の実施形態では、プロセッサは、クラウドベースのシステムのプロセッサである。
ある特定の実施形態では、ＧＵＩは、一般的な写真保管および通信システム（ＰＡＣＳ）（例えば、ならびに病変マーキングおよび定量分析を含む腫瘍学のための臨床アプリケーション）の一部である。
ある特定の実施形態では、薬剤（例えば放射性医薬品）が、メチレンジホスホン酸テクネチウム９９ｍ（９９ｍＴｃ－ＭＤＰ）を含む。
別の態様では、本発明は、ヒト対象の核医学画像（例えば骨スキャン画像セット）の病変マーキングおよび定量分析（例えばユーザによって支援／点検される自動化または半自動化された病変マーキングおよび定量分析）のためのシステムを対象とし、このシステムは、プロセッサと、命令を有しているメモリと、を備え、命令は、プロセッサによって実行されたときに、プロセッサに、（ａ）ヒト対象の骨スキャン画像セット（例えば、１つ、２つ、またはそれより多くの画像のセット）にアクセスする（例えば、および／または受け取る）ことであって、前記骨スキャン画像セットは、ヒト対象への薬剤（例えば放射性医薬品）の投与後に得られたものである（例えば、骨スキャン画像セットが、腹側骨スキャン画像および背側骨スキャン画像を含む）（例えば、骨スキャン画像セットの各画像が複数の画素を備え、各画素が、ある強度に対応する値を有する）、ことと、（ｂ）骨スキャン画像セット内の各画像を自動的にセグメント化して、ヒト対象の骨格の特定の解剖学的領域（例えば、頸椎、鎖骨、肋骨、腰椎、骨盤、仙骨、肩甲骨、頭蓋、胸椎、胸骨、大腿骨、上腕骨などの、特定の骨および／または１つもしくは複数の骨のセット）に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得ることであって、１つまたは複数の骨格関心領域は、（ｉ）ヒト対象の大腿骨の一部分に対応する大腿骨領域であって、前記大腿骨の一部分は、大腿骨の長さに沿って大腿骨の少なくとも４分の３［（例えば、約４分の３より多く（例えばおよそすべて）］を包含する大腿骨領域、および（ｉｉ）ヒト対象の上腕骨の一部分に対応する上腕骨領域であって、前記上腕骨の一部分は、上腕骨の長さに沿って上腕骨の少なくとも４分の３［（例えば、約４分の３より多く（例えばおよそすべて）］を包含する上腕骨領域、の少なくとも一方を含む、ことと、（ｃ）１つまたは複数のホットスポットの初期のセットを自動的に検出することであって、各ホットスポットは、アノテーションされた画像のセット内の高い強度のエリアに対応し、前記自動的に検出することは、アノテーションされた画像のセット内の画素の強度を使用して、かつ１つまたは複数の領域依存閾値を使用して、１つまたは複数のホットスポットを特定することを含み（例えば、各領域依存閾値は、特定された骨格関心領域に関連付けられており、特定の特定された骨格領域内に位置する画素の強度が、関連付けられた領域依存閾値と比較されるようになっている）、１つまたは複数の領域依存閾値は、当該領域内での薬剤の取り込みの低下を補償するために大腿骨領域および／または上腕骨領域内で高められたホットスポット検出感度を提供する、大腿骨領域および／または上腕骨領域に関連付けられた１つまたは複数の値（例えば、大腿骨領域のための低減された強度閾値、および／または上腕骨領域のための低減された強度閾値）を含む、ことと、（ｄ）ホットスポットの初期のセット内の各ホットスポットについて、ホットスポットに関連するホットスポット特徴のセット（例えば、１つまたは複数のホットスポット特徴のセット）を抽出することと、（ｅ）ホットスポットの初期のセット内の各ホットスポットについて、ホットスポットに関連するホットスポット特徴のセットに基づいて、ホットスポットが転移を表す見込みに対応する転移見込み値を計算する［例えば、特定のホットスポットについて、ホットスポット特徴の少なくとも一部分を入力として受け取り、そのホットスポットの転移見込み値を出力する１つまたは複数の機械学習モジュール（例えば、事前に訓練された機械学習モジュール；例えば人工ニューラルネットワーク（ＡＮＮ））を使用する］ことと、（ｆ）ホットスポットの初期のセットの少なくとも一部分のグラフィック表現［例えば、骨スキャン画像セットおよび／またはアノテーションされた画像のセットの１つまたは複数のメンバの上に重ねられたホットスポットの視覚的指示（例えば、点、境界）；例えば、特定されたホットスポットを各ホットスポットの追加的な情報（例えば場所；例えば転移見込み値）と共に列挙する表］を、グラフィカルユーザインターフェース（ＧＵＩ）（例えばクラウドベースのＧＵＩ）内に表示するためにレンダリングさせることと、を行わせる。
ある特定の実施形態では、ステップ（ｂ）において、命令は、プロセッサに、骨スキャン画像セットの各メンバを、アトラス画像セットのうちの対応するアトラス画像と比較することであって、各アトラス画像が、１つまたは複数の骨格関心領域の１つまたは複数の特定（例えば、アトラス画像の上に重畳されたグラフィックによる特定）を含み、前記骨格関心領域は、大腿骨領域および／または上腕骨領域を含む、ことと、骨スキャン画像セットの各画像について、アトラス画像の１つまたは複数の骨格関心領域の特定が、骨スキャン画像セットの画像に適用される（例えばその上に重畳される）ように、対応するアトラス画像を骨スキャン画像セットの画像と位置合わせすることと、を行わせる。
ある特定の実施形態では、各アトラス画像が、（ｉ）ヒト対象の膝領域の少なくとも一部分を含む大腿骨領域、および／または（ｉｉ）ヒト対象の肘領域の少なくとも一部分を含む上腕骨領域、の特定を含み、骨スキャン画像セットの各画像について、命令は、プロセッサに、特定された膝領域および／または特定された肘領域を画像内でランドマークとして使用して、対応するアトラス画像を該骨スキャン画像と位置合わせさせる［例えば、骨スキャン画像内で膝領域を特定し、それを、対応するアトラス画像内の特定された膝領域と一致させ、次いでアトラス画像を調節する（例えば座標変換を計算する）ことにより、対応するアトラス画像を骨スキャン画像と位置合わせする］。
ある特定の実施形態では、初期のホットスポットセットのうち少なくとも１つの検出されたホットスポットの場所が、ヒト対象の殿部の方を向いた大腿骨の端部からヒト対象の膝の方を向いた大腿骨の端部までの大腿骨に沿った距離の４分の３超のところにある、大腿骨の中または上の物理的場所に対応する。
ある特定の実施形態では、初期のホットスポットセットのうち少なくとも１つの検出されたホットスポットの場所が、ヒト対象の肩の方を向いた上腕骨の端部からヒト対象の肘の方を向いた上腕骨の端部までの上腕骨に沿った距離の４分の３超のところにある、上腕骨の中または上の物理的場所に対応する。
ある特定の実施形態では、ステップ（ｃ）において、命令は、プロセッサに、骨スキャン画像セットのうちホットスポット（例えば、比較的強度が高い局所化された領域）を全く含まないと判定された画像内で健康な組織領域を特定することと、正規化係数を、該正規化係数と特定された健康な組織領域の平均強度との積が事前に定められた強度レベルになるように計算することと、正規化係数によって骨スキャン画像セットの画像を正規化することと、を（例えば反復的に）行わせる。
ある特定の実施形態では、命令は、プロセッサにさらに、（ｇ）ホットスポットの初期のセットによって占められているヒト対象の骨格の算出された割合（例えば面積割合）に少なくとも部分的に基づいて、ヒト対象についての１つまたは複数のリスク指標値を計算する［例えば、算出される割合は、ホットスポットの初期のセットの総面積を、すべての特定された骨格領域の総面積で割った比である］こと、を行わせる。
ある特定の実施形態では、命令は、プロセッサに、（ｈ）転移見込み値に少なくとも部分的に基づいて、ホットスポットの初期のセットの（例えば最大でそのすべての）第１のサブセットを選択する［例えば、ホットスポットの初期のセットのうち特定のホットスポットをサブセットに含めるか否かを、その特定のホットスポットに対して計算された転移見込み値が閾値を超えることに基づいて決定する］ことと、（ｉ）第１のサブセットのグラフィック表現［例えば、骨スキャン画像セットおよび／またはアノテーションされた画像のセットの１つまたは複数のメンバの上に重ねられたホットスポットの視覚的指示（例えば、点、境界）；例えば、特定されたホットスポットを各ホットスポットの追加的な情報（例えば場所；例えば見込み値）と共に列挙する表］を、グラフィカルユーザインターフェース（ＧＵＩ）（例えばクラウドベースのＧＵＩ）内に表示するためにレンダリングさせることと、を行わせる。
ある特定の実施形態では、命令は、プロセッサに、（ｊ）ホットスポットの第１のサブセットによって占められるヒト対象の骨格の算出された割合（例えば面積割合）に少なくとも部分的に基づいて、ヒト対象についての１つまたは複数のリスク指標値を計算する［例えば、算出される割合は、ホットスポットの初期のセットの総面積を、すべての特定された骨格領域の総面積で割った値である］こと、を行わせる。
ある特定の実施形態では、命令は、プロセッサに、（ｋ）ＧＵＩを介して、ホットスポットの初期のセットの第２のサブセットのユーザ選択を受け取ることと、（ｌ）ホットスポットの第２のサブセットによって占められるヒト対象の骨格の算出された割合（例えば面積割合）に少なくとも部分的に基づいて、ヒト対象についての１つまたは複数のリスク指標値を計算する［例えば、算出される割合は、ホットスポットの第２のサブセットの総面積を、すべての特定された骨格領域の総面積で割った値である］ことと、を行わせる。
ある特定の実施形態では、リスク指標値の少なくとも１つは、ヒト対象が転移性がん（例えば、転移性前立腺がん、転移性乳がん、転移性肺がん、および他の転移性骨がん）を有するおよび／または発症するリスクを示す。
ある特定の実施形態では、転移性がんは転移性前立腺がんである。
ある特定の実施形態では、リスク指標値の少なくとも１つが、ヒト対象が特定の状態の転移性がん（例えば、転移性前立腺がん、転移性乳がん、転移性肺がん、および他の転移性骨がん）を有することを示す。
ある特定の実施形態では、システムは、クラウドベースのシステムである。ある特定の実施形態では、プロセッサは、クラウドベースのシステムのプロセッサである。
ある特定の実施形態では、ＧＵＩは、一般的な写真保管および通信システム（ＰＡＣＳ）（例えば、ならびに病変マーキングおよび定量分析を含む腫瘍学のための臨床アプリケーション）の一部である。
ある特定の実施形態では、薬剤（例えば放射性医薬品）が、メチレンジホスホン酸テクネチウム９９ｍ（９９ｍＴｃ－ＭＤＰ）を含む。
別の態様では、本発明は、ヒト対象の核医学画像（例えば骨スキャン画像セット）の病変マーキングおよび定量分析（例えばユーザによって支援／点検される自動化または半自動化された病変マーキングおよび定量分析）のためのシステムを対象とし、このシステムは、プロセッサと、命令を有しているメモリと、を備え、命令は、プロセッサによって実行されたときに、プロセッサに、（ａ）コンピューティングデバイスのプロセッサにより、ヒト対象の骨スキャン画像セット（例えば、１つ、２つ、またはそれより多くの画像のセット）にアクセスする（例えば、および／または受け取る）ことであって、前記骨スキャン画像セットは、ヒト対象への薬剤（例えば放射性医薬品）の投与後に得られたものである（例えば、骨スキャン画像セットが、腹側骨スキャン画像および背側骨スキャン画像を含む）（例えば、骨スキャン画像セットの各画像が複数の画素を備え、各画素が、ある強度に対応する値を有する）、ことと、（ｂ）骨スキャン画像セット内の各画像を自動的にセグメント化して、ヒト対象の骨格の特定の解剖学的領域（例えば、頸椎、鎖骨、肋骨、腰椎、骨盤、仙骨、肩甲骨、頭蓋、胸椎、胸骨、大腿骨、上腕骨などの、特定の骨および／または１つもしくは複数の骨のセット）に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得ることと、（ｃ）１つまたは複数のホットスポットの初期のセットを自動的に検出することであって、各ホットスポットは、アノテーションされた画像のセット内の高い強度のエリアに対応し、前記自動的に検出することは、（ｉ）アノテーションされた画像のセット内の画素の強度、および（ｉｉ）複数の事前閾値（例えば、複数の事前閾値は、特定の画素が位置する特定された骨格関心領域に依存する、領域依存閾値である）、を使用して、潜在的なホットスポットのセットを検出すること、潜在的なホットスポットのセットを使用してグローバル閾値スケーリング率を算出すること、グローバル閾値スケーリング率を使用して複数の事前閾値を調節し、それにより複数の調節済みの閾値を得ること、および、（ｉ）アノテーションされた画像のセット内の画素の強度、および（ｉｉ）複数の調節済みの閾値、を使用して、ホットスポットの初期のセットを特定すること、を含む、ことと、（ｄ）ホットスポットの初期のセット内の各ホットスポットについて、ホットスポットに関連するホットスポット特徴のセット（例えば、１つまたは複数のホットスポット特徴のセット）を抽出することと、（ｅ）ホットスポットの初期のセット内の各ホットスポットについて、ホットスポットに関連するホットスポット特徴のセットに基づいて、ホットスポットが転移を表す見込みに対応する転移見込み値を計算する［例えば、特定のホットスポットについて、ホットスポット特徴の少なくとも一部分を入力として受け取り、そのホットスポットの転移見込み値を出力する１つまたは複数の機械学習モジュール（例えば、事前に訓練された機械学習モジュール；例えば人工ニューラルネットワーク（ＡＮＮ））を使用する］ことと、（ｆ）ホットスポットの初期のセットの少なくとも一部分のグラフィック表現［例えば、骨スキャン画像セットおよび／またはアノテーションされた画像のセットの１つまたは複数の画像の上に重ねられたホットスポットの視覚的指示（例えば、点、境界）；例えば、特定されたホットスポットを各ホットスポットの追加的な情報（例えば場所；例えば転移見込み値）と共に列挙する表］を、グラフィカルユーザインターフェース（ＧＵＩ）（例えばクラウドベースのＧＵＩ）内に表示するためにレンダリングさせることと、を行わせる。
ある特定の実施形態では、命令は、プロセッサに、ヒト対象の疾病負荷の測度［例えば、対象の骨格のうち転移（例えばホットスポット）によって占められている面積割合；例えばリスク指標値］の関数として、グローバル閾値スケーリング率を算出することと、ステップ（ｃ）において、増大する疾病負荷に伴って発生するホットスポット面積の過小推定を補償するために、疾病負荷が増大する（例えばグローバル閾値スケーリング率によって測定される）のに従って調節済みの閾値を（例えば、事前閾値に対して）低減させる（例えば、調節済みの閾値の低減に伴ってホットスポットの総数および／またはサイズが増大するように）ことによって、複数の事前閾値を調節することと、を行わせる。
ある特定の実施形態では、命令は、プロセッサに、特定された骨格領域のうち潜在的なホットスポットのセットによって占められる割合（例えば面積割合）の関数（例えば非線形関数）として、グローバル閾値スケーリング率を算出させる（例えば、グローバル閾値スケーリング率は、事前セット内のすべてのホットスポットの総面積を、すべての特定された骨格領域の総面積で割った値の関数である）。
ある特定の実施形態では、命令は、プロセッサに、潜在的なホットスポットのセットを使用して計算されたリスク指標値に基づいて（例えばその関数として）、グローバル閾値スケーリング率を算出させる。
ある特定の実施形態では、ステップ（ｃ）において、命令は、プロセッサに、骨スキャン画像セットのうちホットスポット（例えば、比較的強度が高い局所化された領域）を全く含まないと判定された画像内で健康な組織領域を特定することと、正規化係数を、該正規化係数と特定された健康な組織領域の平均強度との積が事前に定められた強度レベルになるように計算することと、正規化係数によって骨スキャン画像セットの画像を正規化することと、を（例えば反復的に）行わせる。
ある特定の実施形態では、命令は、プロセッサにさらに、（ｇ）ホットスポットの初期のセットによって占められているヒト対象の骨格の算出された割合（例えば面積割合）に少なくとも部分的に基づいて、ヒト対象についての１つまたは複数のリスク指標値を計算する［例えば、算出される割合は、ホットスポットの初期のセットの総面積を、すべての特定された骨格領域の総面積で割った比である］こと、をさらに行わせる。
ある特定の実施形態では、命令は、プロセッサに、（ｈ）転移見込み値に少なくとも部分的に基づいて、ホットスポットの初期のセットの（例えば最大でそのすべての）第１のサブセットを選択する［例えば、ホットスポットの初期のセットのうち特定のホットスポットをサブセットに含めるか否かを、その特定のホットスポットに対して計算された転移見込み値が閾値を超えることに基づいて決定する］ことと、（ｉ）第１のサブセットのグラフィック表現［例えば、骨スキャン画像セットおよび／またはアノテーションされた画像のセットの１つまたは複数のメンバの上に重ねられたホットスポットの視覚的指示（例えば、点、境界）；例えば、特定されたホットスポットを各ホットスポットの追加的な情報（例えば場所；例えば見込み値）と共に列挙する表］を、グラフィカルユーザインターフェース（ＧＵＩ）（例えばクラウドベースのＧＵＩ）内に表示するためにレンダリングさせることと、を行わせる。
ある特定の実施形態では、命令は、プロセッサに、（ｊ）ホットスポットの第１のサブセットによって占められるヒト対象の骨格の算出された割合（例えば面積割合）に少なくとも部分的に基づいて、ヒト対象についての１つまたは複数のリスク指標値を計算する［例えば、算出される割合は、ホットスポットの初期のセットの総面積を、すべての特定された骨格領域の総面積で割った値である］こと、を行わせる。
ある特定の実施形態では、命令は、プロセッサに、（ｋ）ＧＵＩを介して、ホットスポットの初期のセットの第２のサブセットのユーザ選択を受け取ることと、（ｌ）ホットスポットの第２のサブセットによって占められるヒト対象の骨格の算出された割合（例えば面積割合）に少なくとも部分的に基づいて、ヒト対象についての１つまたは複数のリスク指標値を計算する［例えば、算出される割合は、ホットスポットの第２のサブセットの総面積を、すべての特定された骨格領域の総面積で割った値である］ことと、を行わせる。
ある特定の実施形態では、リスク指標値の少なくとも１つは、ヒト対象が転移性がん（例えば、転移性前立腺がん、転移性乳がん、転移性肺がん、および他の転移性骨がん）を有するおよび／または発症するリスクを示す。
ある特定の実施形態では、転移性がんは転移性前立腺がんである。
ある特定の実施形態では、リスク指標値の少なくとも１つが、ヒト対象が特定の状態の転移性がん（例えば、転移性前立腺がん、転移性乳がん、転移性肺がん、および他の転移性骨がん）を有することを示す。
ある特定の実施形態では、システムは、クラウドベースのシステムである。ある特定の実施形態では、プロセッサは、クラウドベースのシステムのプロセッサである。
ある特定の実施形態では、ＧＵＩは、一般的な写真保管および通信システム（ＰＡＣＳ）（例えば、ならびに病変マーキングおよび定量分析を含む腫瘍学のための臨床アプリケーション）の一部である。
ある特定の実施形態では、薬剤（例えば放射性医薬品）が、メチレンジホスホン酸テクネチウム９９ｍ（９９ｍＴｃ－ＭＤＰ）を含む。
別の態様では、本発明は、ヒト対象の核医学画像（例えば骨スキャン画像セット）の病変マーキングおよび定量分析（例えばユーザによって支援／点検される自動化または半自動化された病変マーキングおよび定量分析）のためのシステムを対象とし、このシステムは、プロセッサと、命令を有しているメモリと、を備え、命令は、プロセッサによって実行されたときに、プロセッサに、（ａ）ヒト対象の骨スキャン画像セット（例えば、１つ、２つ、またはそれより多くの画像のセット）にアクセスする（例えば、および／または受け取る）ことであって、前記骨スキャン画像セットは、ヒト対象への薬剤（例えば放射性医薬品）の投与後に得られたものである（例えば、骨スキャン画像セットが、腹側骨スキャン画像および背側骨スキャン画像を含む）（例えば、骨スキャン画像セットの各画像が複数の画素を備え、各画素が、ある強度に対応する値を有する）、ことと、（ｂ）骨スキャン画像セット内の各画像を自動的にセグメント化して、ヒト対象の骨格の特定の解剖学的領域（例えば、頸椎、鎖骨、肋骨、腰椎、骨盤、仙骨、肩甲骨、頭蓋、胸椎、胸骨、大腿骨、上腕骨などの、特定の骨および／または１つもしくは複数の骨のセット）に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得ることと、（ｃ）１つまたは複数のホットスポットの初期のセットを自動的に検出することであって、各ホットスポットは、アノテーションされた画像のセット内の高い強度のエリアに対応する［例えば、初期のホットスポットセットの１つまたは複数のホットスポットを検出することは、画素強度を１つまたは複数の閾値と比較することを含む（例えば、この１つまたは複数の閾値は、特定の画素が位置する特定された骨格関心領域に応じて変動する）］ことと、（ｄ）ホットスポットの初期のセット内の各ホットスポットについて、ホットスポットに関連するホットスポット特徴のセット（例えば、１つまたは複数のホットスポット特徴のセット）を抽出することと、（ｅ）ホットスポットの初期のセット内の各ホットスポットについて、ホットスポットに関連するホットスポット特徴のセットに基づいて、ホットスポットが転移を表す見込みに対応する転移見込み値を計算する［例えば、特定のホットスポットについて、ホットスポット特徴の少なくとも一部分を入力として受け取り、そのホットスポットの転移見込み値を出力する１つまたは複数の機械学習モジュール（例えば、事前に訓練された機械学習モジュール；例えば人工ニューラルネットワーク（ＡＮＮ））を使用する］ことと、（ｆ）ホットスポットの初期のセット（例えば最大でそのすべての）の第１のサブセットを自動的に選択することであって、第１のサブセットに含める特定のホットスポットの選択が、（ｉ）特定のホットスポットについて計算された転移見込み値［例えば、特定のホットスポットについて計算された見込み値と、見込み閾値との比較に基づく（例えば、その特定のホットスポットが、見込み閾値より大きい見込み値を有する場合、それを第１のサブセットに含める）］、および、（ｉｉ）１つまたは複数のグローバルホットスポット特徴であって、各々がホットスポットの初期のセット内の複数のホットスポットを使用して決定される、グローバルホットスポット特徴（例えば、初期のホットスポットセット内のホットスポットの総数、初期のホットスポットセット内のホットスポットの平均強度、初期のホットスポットセット内のホットスポットのピーク強度等）、に少なくとも部分的に基づく、ことと、（ｇ）ホットスポットの第１のサブセットの少なくとも一部分のグラフィック表現［例えば、骨スキャン画像セットおよび／またはアノテーションされた画像のセットの１つまたは複数の画像の上に重ねられたホットスポットの視覚的指示（例えば、点、境界）；例えば、特定されたホットスポットを各ホットスポットの追加的な情報（例えば場所；例えば見込み値）と共に列挙する表］を、グラフィカルユーザインターフェース（ＧＵＩ）（例えばクラウドベースのＧＵＩ）内に表示するためにレンダリングさせることと、を行わせる。
ある特定の実施形態では、１つまたは複数のグローバルホットスポット特徴が、初期のホットスポットセット内のホットスポットの総数を含む。
ある特定の実施形態では、ステップ（ｆ）において、命令は、プロセッサに、初期のホットスポットセット内のホットスポットの総数に基づいて、第１のサブセットに含めるホットスポットの選択の基準を調節させる［例えば、初期のホットスポットセット内のホットスポットの総数が増すにつれて基準を緩和することにより（例えば、各ホットスポットの転移見込み値が比較される転移見込み値を低減させることにより；例えば、初期のホットスポットセット内のホットスポットの総数に基づいて転移見込み値をスケーリングすることにより）］。
ある特定の実施形態では、ステップ（ｆ）において、命令は、プロセッサに、機械学習モジュール（例えばＡＮＮモジュール）を使用して第１のサブセットを選択させる［例えば、機械学習モジュールは、各ホットスポットについて、少なくとも、そのホットスポットに対して計算された転移見込み値と、１つまたは複数のグローバルホットスポット特徴とを受け取り、（ｉ）グローバルホットスポット特徴を考慮に入れる調節済みの転移見込み値（例えば、第１のサブセットにおけるホットスポットの選択のための閾値と比較できるスケールの値）、および／または（ｉｉ）そのホットスポットを第１のサブセットに含めるべきか否かを表すバイナリ（例えば０または１；例えばブールの真または偽）値、を出力する］。
ある特定の実施形態では、ステップ（ｃ）において、命令は、プロセッサに、骨スキャン画像セットのうちホットスポット（例えば、比較的強度が高い局所化された領域）を全く含まないと判定された画像内で健康な組織領域を特定することと、正規化係数を、該正規化係数と特定された健康な組織領域の平均強度との積が事前に定められた強度レベルになるように計算することと、正規化係数によって骨スキャン画像セットの画像を正規化することと、を（例えば反復的に）行わせる。
ある特定の実施形態では、命令は、プロセッサにさらに、（ｇ）ホットスポットの初期のセットによって占められているヒト対象の骨格の算出された割合（例えば面積割合）に少なくとも部分的に基づいて、ヒト対象についての１つまたは複数のリスク指標値を計算する［例えば、算出される割合は、ホットスポットの初期のセットの総面積を、すべての特定された骨格領域の総面積で割った比である］こと、をさらに行わせる。
ある特定の実施形態では、命令は、プロセッサに、（ｈ）転移見込み値に少なくとも部分的に基づいて、ホットスポットの初期のセットの（例えば最大でそのすべての）第１のサブセットを選択する［例えば、ホットスポットの初期のセットのうち特定のホットスポットをサブセットに含めるか否かを、その特定のホットスポットに対して計算された転移見込み値が閾値を超えることに基づいて決定する］ことと、（ｉ）第１のサブセットのグラフィック表現［例えば、骨スキャン画像セットおよび／またはアノテーションされた画像のセットの１つまたは複数のメンバの上に重ねられたホットスポットの視覚的指示（例えば、点、境界）；例えば、特定されたホットスポットを各ホットスポットの追加的な情報（例えば場所；例えば見込み値）と共に列挙する表］を、グラフィカルユーザインターフェース（ＧＵＩ）（例えばクラウドベースのＧＵＩ）内に表示するためにレンダリングさせることと、を行わせる。
ある特定の実施形態では、命令は、プロセッサに、（ｊ）ホットスポットの第１のサブセットによって占められるヒト対象の骨格の算出された割合（例えば面積割合）に少なくとも部分的に基づいて、ヒト対象についての１つまたは複数のリスク指標値を計算する［例えば、算出される割合は、ホットスポットの初期のセットの総面積を、すべての特定された骨格領域の総面積で割った値である］こと、を行わせる。
ある特定の実施形態では、命令は、プロセッサに、（ｋ）ＧＵＩを介して、ホットスポットの初期のセットの第２のサブセットのユーザ選択を受け取ることと、（ｌ）ホットスポットの第２のサブセットによって占められるヒト対象の骨格の算出された割合（例えば面積割合）に少なくとも部分的に基づいて、ヒト対象についての１つまたは複数のリスク指標値を計算する［例えば、算出される割合は、ホットスポットの第２のサブセットの総面積を、すべての特定された骨格領域の総面積で割った値である］こと、を行わせる。
ある特定の実施形態では、リスク指標値の少なくとも１つは、ヒト対象が転移性がん（例えば、転移性前立腺がん、転移性乳がん、転移性肺がん、および他の転移性骨がん）を有するおよび／または発症するリスクを示す。
ある特定の実施形態では、転移性がんは転移性前立腺がんである。
ある特定の実施形態では、リスク指標値の少なくとも１つが、ヒト対象が特定の状態の転移性がん（例えば、転移性前立腺がん、転移性乳がん、転移性肺がん、および他の転移性骨がん）を有することを示す。
ある特定の実施形態では、システムは、クラウドベースのシステムである。ある特定の実施形態では、プロセッサは、クラウドベースのシステムのプロセッサである。
ある特定の実施形態では、ＧＵＩは、一般的な写真保管および通信システム（ＰＡＣＳ）（例えば、ならびに病変マーキングおよび定量分析を含む腫瘍学のための臨床アプリケーション）の一部である。
ある特定の実施形態では、薬剤（例えば放射性医薬品）が、メチレンジホスホン酸テクネチウム９９ｍ（９９ｍＴｃ－ＭＤＰ）を含む。
別の態様では、本発明は、ヒト対象の核医学画像（例えば骨スキャン画像セット）の病変マーキングおよび定量分析（例えばユーザによって支援／点検される自動化または半自動化された病変マーキングおよび定量分析）のためのシステムを対象とし、このシステムは、プロセッサと、命令を有しているメモリと、を備え、命令は、プロセッサによって実行されたときに、プロセッサに、（ａ）ヒト対象の骨スキャン画像セット（例えば、１つ、２つ、またはそれより多くの画像のセット）にアクセスする（例えば、および／または受け取る）こと（例えば、骨スキャン画像セットが、腹側骨スキャン画像および背側骨スキャン画像を含む）（例えば、骨スキャン画像セットの各画像が複数の画素を備え、各画素が、ある強度に対応する値を有する）と、（ｂ）骨スキャン画像セット内の各画像を自動的にセグメント化して、ヒト対象の骨格の特定の解剖学的領域（例えば、頸椎、鎖骨、肋骨、腰椎、骨盤、仙骨、肩甲骨、頭蓋、胸椎、胸骨、大腿骨、上腕骨などの、特定の骨および／または１つもしくは複数の骨のセット）に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得ることと、（ｃ）１つまたは複数のホットスポットの初期のセットを自動的に検出することであって、各ホットスポットは、アノテーションされた画像のセット内の高い強度のエリアに対応する［例えば、初期のホットスポットセットの１つまたは複数のホットスポットを検出することは、画素強度を１つまたは複数の閾値と比較することを含む（例えば、この１つまたは複数の閾値は、特定の画素が位置する特定された骨格関心領域に応じて変動する）］ことと、（ｄ）ホットスポットの初期のセット内の各ホットスポットについて、ホットスポットに関連するホットスポット特徴のセット（例えば、１つまたは複数のホットスポット特徴のセット）を抽出することと、（ｅ）ホットスポットの初期のセット内の各ホットスポットについて、ホットスポットに関連するホットスポット特徴のセットに基づいて、ホットスポットが転移を表す見込みに対応する見込み値を計算する［例えば、特定のホットスポットについて、ホットスポット特徴の少なくとも一部分を入力として受け取り、そのホットスポットの見込み値を出力する１つまたは複数の機械学習モジュール（例えば、事前に訓練された機械学習モジュール；例えば人工ニューラルネットワーク（ＡＮＮ））を使用する］ことと、（ｆ）ホットスポットの初期のセットの各ホットスポットについて計算された見込み値に少なくとも部分的に基づいて、ホットスポットの初期のセットのホットスポットのうちの（例えば最大でそのすべての）第１のサブセットを選択する［例えば、ホットスポットの初期のセットのうち特定のホットスポットを事前に選択されたホットスポットのセットに含めるか否かを、その特定のホットスポットに対して計算された見込み値に基づいて決定する（例えばそれを見込み閾値と比較することにより）］ことと、（ｇ）ホットスポットの第１のサブセットの少なくとも一部分（例えば最大でそのすべて）を使用して１つまたは複数のリスク指標値（例えば骨スキャン指数値）を計算することと、を行わせ、前記計算することは、第１のサブセットの一部分の各特定のホットスポットについて、（ｉｉ）その特定のホットスポットが、アノテーションされた画像のセット内における自身の場所に基づいて（例えばプロセッサにより）割り当てられた特定の骨格領域のサイズ（例えば面積）に対する、（ｉ）その特定のホットスポットのサイズ（例えば面積）、の比に基づいて骨浸潤率を算出し、それにより１つまたは複数の骨浸潤率を決定することと、１つまたは複数の領域依存補正率［例えば、１つまたは複数の骨格領域に関連付けられた各領域依存補正率；例えば、領域依存補正率の値は、特定のホットスポットを（例えば、仙骨、骨盤、および腰領域などの、複数の隣接するまたは近傍の骨格領域のうちの）特定の骨格領域に割り当てることが、算出される骨浸潤率の変動を生じさせる度合いを低下させるように選択される］を使用して骨浸潤率を調節し、それにより１つまたは複数の調節済みの骨浸潤率を得ることと、調節済みの骨浸潤率を合計して、１つまたは複数のリスク指標値を決定することと、を含む。
ある特定の実施形態では、各特定のホットスポットについて、算出された骨浸潤率が、総骨格質量のうち特定のホットスポットに関連する物理的体積によって占められる比率を推定する。
ある特定の実施形態では、命令は、プロセッサに、対応する骨格関心領域の面積に対する特定のホットスポットの面積の比を計算し、それにより特定のホットスポットの面積割合を算出することによって、骨浸潤率を算出することと、特定のホットスポットが割り当てられている骨格関心領域に関連付けられた密度係数で面積割合をスケーリング（例えば乗算）し［例えば、それにより、対応する骨格関心領域内の結合の重量および／または密度を考慮する（例えば、密度係数は（例えば平均的なヒトの）総骨格に対する対応する骨格関心領域の重量割合である）］、それにより特定のホットスポットについて骨浸潤率を算出することと、を行わせる。
ある特定の実施形態では、第１のサブセットのホットスポットの少なくとも一部分が、骨盤領域（例えばヒト対象の骨盤に対応する）、腰領域（例えばヒト対象の腰柱に対応する）、および仙骨領域（例えばヒト対象の仙骨に対応する）からなる群から選択されるメンバである骨格関心領域に割り当てられる。
ある特定の実施形態では、１つまたは複数の領域依存補正率は、仙骨領域内に位置するとして（例えばプロセッサにより）特定されたホットスポットの骨浸潤率を調節するために使用される、仙骨領域に関連付けられた仙骨領域補正率を含み、仙骨領域補正率は１未満（例えば０．５未満）の値を有する。
ある特定の実施形態では、１つまたは複数の領域依存補正率が、１つまたは複数の補正率ペアを含み、各補正率ペアは、特定の骨格関心領域に関連付けられ、（ペアの）第１のメンバおよび第２のメンバを含み、ペアの第１のメンバは、腹側画像補正率であり、アノテーションされた画像セットのアノテーションされた腹側骨スキャン画像内で検出されたホットスポットについて算出された骨浸潤率を調節するために使用され、ペアの第２のメンバは、背側画像補正率であり、アノテーションされた画像セットのアノテーションされた背側骨スキャン画像内で検出されたホットスポットについて算出された骨浸潤率を調節するために使用される。
ある特定の実施形態では、ステップ（ｃ）において、命令は、プロセッサに、骨スキャン画像セットのうちホットスポット（例えば、比較的強度が高い局所化された領域）を全く含まないと判定された画像内で健康な組織領域を特定することと、正規化係数を、該正規化係数と特定された健康な組織領域の平均強度との積が事前に定められた強度レベルになるように計算することと、正規化係数によって骨スキャン画像セットの画像を正規化することと、を（例えば反復的に）行わせる。
ある特定の実施形態では、命令は、プロセッサにさらに、（ｇ）ホットスポットの初期のセットによって占められているヒト対象の骨格の算出された割合（例えば面積割合）に少なくとも部分的に基づいて、ヒト対象についての１つまたは複数のリスク指標値を計算する［例えば、算出される割合は、ホットスポットの初期のセットの総面積を、すべての特定された骨格領域の総面積で割った比である］こと、をさらに行わせる。
ある特定の実施形態では、命令は、プロセッサに、（ｈ）転移見込み値に少なくとも部分的に基づいて、ホットスポットの初期のセットの（例えば最大でそのすべての）第１のサブセットを選択する［例えば、ホットスポットの初期のセットのうち特定のホットスポットをサブセットに含めるか否かを、その特定のホットスポットに対して計算された転移見込み値が閾値を超えることに基づいて決定する］ことと、（ｉ）第１のサブセットのグラフィック表現［例えば、骨スキャン画像セットおよび／またはアノテーションされた画像のセットの１つまたは複数のメンバの上に重ねられたホットスポットの視覚的指示（例えば、点、境界）；例えば、特定されたホットスポットを各ホットスポットの追加的な情報（例えば場所；例えば見込み値）と共に列挙する表］を、グラフィカルユーザインターフェース（ＧＵＩ）（例えばクラウドベースのＧＵＩ）内に表示するためにレンダリングさせることと、を行わせる。
ある特定の実施形態では、命令は、プロセッサに、（ｊ）ホットスポットの第１のサブセットによって占められるヒト対象の骨格の算出された割合（例えば面積割合）に少なくとも部分的に基づいて、ヒト対象についての１つまたは複数のリスク指標値を計算する［例えば、算出される割合は、ホットスポットの初期のセットの総面積を、すべての特定された骨格領域の総面積で割った値である］こと、を行わせる。
ある特定の実施形態では、命令は、プロセッサに、（ｋ）ＧＵＩを介して、ホットスポットの初期のセットの第２のサブセットのユーザ選択を受け取ることと、（ｌ）ホットスポットの第２のサブセットによって占められるヒト対象の骨格の算出された割合（例えば面積割合）に少なくとも部分的に基づいて、ヒト対象についての１つまたは複数のリスク指標値を計算する［例えば、算出される割合は、ホットスポットの第２のサブセットの総面積を、すべての特定された骨格領域の総面積で割った値である］ことと、を行わせる。
ある特定の実施形態では、リスク指標値の少なくとも１つは、ヒト対象が転移性がん（例えば、転移性前立腺がん、転移性乳がん、転移性肺がん、および他の転移性骨がん）を有するおよび／または発症するリスクを示す。
ある特定の実施形態では、転移性がんは転移性前立腺がんである。
ある特定の実施形態では、リスク指標値の少なくとも１つが、ヒト対象が特定の状態の転移性がん（例えば、転移性前立腺がん、転移性乳がん、転移性肺がん、および他の転移性骨がん）を有することを示す。
ある特定の実施形態では、システムは、クラウドベースのシステムである。ある特定の実施形態では、プロセッサは、クラウドベースのシステムのプロセッサである。
ある特定の実施形態では、ＧＵＩは、一般的な写真保管および通信システム（ＰＡＣＳ）（例えば、ならびに病変マーキングおよび定量分析を含む腫瘍学のための臨床アプリケーション）の一部である。
ある特定の実施形態では、薬剤（例えば放射性医薬品）が、メチレンジホスホン酸テクネチウム９９ｍ（９９ｍＴｃ－ＭＤＰ）を含む。
別の態様では、本発明は、本明細書に記載される態様および実施形態（例えば段落［００８３］～［００１４５］）のいずれか１つのシステムを備える、コンピュータ支援画像分析デバイス［例えばコンピュータ支援検出（ＣＡＤｅ）デバイス；例えばコンピュータ支援診断（ＣＡＤｘ）デバイス］を対象とする。
ある特定の実施形態では、デバイスは、訓練された健康管理の専門家および／または研究者によって使用されるためにプログラムされる［例えば、核医学イメージングを使用して取得されたデジタル医用画像の受付、転送、記憶、画像表示、操作、定量化、および報告のため；例えば、デバイスは、一般的な写真保管および通信システム（ＰＡＣＳ）ツール、ならびに／または病変マーキングおよび定量分析を含む腫瘍学のために臨床アプリケーションを提供する］。
ある特定の実施形態では、デバイスは、転移性がん（例えば、転移性前立腺がん、転移性乳がん、転移性肺がん、および他の転移性骨がん）の評価および／または検出を行うための骨スキャン画像の分析に使用されるためにプログラムされる。
ある特定の実施形態では、デバイスは、前立腺がんの評価および／または検出を行うための骨スキャン画像の分析に使用されるためにプログラムされる。
ある特定の実施形態では、デバイスは、デバイスが訓練された健康管理の専門家および／または研究者によって使用されることを意図されることを指定するラベルを備える［例えば、核医学イメージングを使用して取得されたデジタル医用画像の受付、転送、記憶、画像表示、操作、定量化、および報告のため；例えば、デバイスは、一般的な写真保管および通信システム（ＰＡＣＳ）ツールならびに／または病変マーキングおよび定量分析を含む腫瘍学のための臨床アプリケーションを提供する］。
ある特定の実施形態では、ラベルは、デバイスが転移性がん（例えば、転移性前立腺がん、転移性乳がん、転移性肺がん、および他の転移性骨がん）の評価および／または検出を行うための骨スキャン画像の分析に使用されることをさらに指定する。
ある特定の実施形態では、ラベルは、デバイスが前立腺がんの評価および／または検出を行うための骨スキャン画像の分析に使用されることをさらに指定する。
本発明の一態様に関して説明される実施形態は、本発明の別の態様に適用されてよい（例えば、一独立請求項、例えば方法クレーム、に関して説明される実施形態の特徴が、他の独立請求項、例えば装置クレーム、の他の実施形態に適用可能である、またその逆も同様であることが企図される）。
本開示の前述および他の目的、態様、特徴、および利点は、添付図面と併せて以下の説明を参照することにより、より明瞭になり、よりよく理解されよう。
図１０Ｄは、説明のための実施形態による、骨スキャン画像を表示するための色マップのオプションを示すＧＵＩウィンドウの一部分のスクリーンショットである。
図１１Ｃは、説明のための実施形態による、ズーム機能を説明する、骨スキャン画像を閲覧するためのＧＵＩウィンドウの一部分のスクリーンショットである。
図１１Ｄは、説明のための実施形態による、ズーム機能を説明する、骨スキャン画像を閲覧するためのＧＵＩウィンドウの一部分のスクリーンショットである。
図１２Ｂは、説明のための実施形態による、最大強度値までの範囲の強度窓を使用して骨スキャン画像を表示したＧＵＩウィンドウのスクリーンショットである。
図１２Ｃは、強度窓閾値の調節のためのグラフィカルコントロールを示す、図１２ＡのＧＵＩの一部分のスクリーンショットである。
図１２Ｄは、強度窓閾値の調節のための別のグラフィカルコントロールを示す、図１２ＢのＧＵＩの一部分のスクリーンショットである。
図１２Ｆは、両方の画像に同じ強度窓が使用される、骨スキャン画像セットの腹側画像および背側画像を表示するＧＵＩのスクリーンショットである。
図１３Ｂは、説明のための実施形態による、ＧＵＩの隅（左下）に表示されたマウスポインタの場所に局所的強度値を示すＧＵＩのスクリーンショットである。
図１４Ｂは、説明のための実施形態による、同時に互いの横に表示された異なる調査からの骨スキャン画像を示すＧＵＩのスクリーンショットである。
図１４Ｄは、説明のための実施形態による、様々な画像の視認性がＧＵＩ内のチェックボックスを介して選択可能である、同時に互いの横に表示された腹側画像および背側画像を示すＧＵＩのスクリーンショットである。
図１５Ｂは、説明のための実施形態による、総画像強度の表示を示すＧＵＩのスクリーンショットである。
図１６Ｂは、説明のための実施形態による、骨スキャン画像の上に重ねられた強調された領域として表示された、特定されたホットスポットを示すＧＵＩのスクリーンショットである。
図１７Ｃは、説明のための実施形態による、特定されたホットスポットを示し、ＧＵＩを介したユーザ入力に基づいて以前に除外された自動的に検出されたホットスポットを含めた後の更新されたＢＳＩ値を示すＧＵＩのスクリーンショットである。
図１８Ｂは、説明のための実施形態による、含めるおよび／または除外するホットスポットのユーザ選択を可能にするためのトグルグラフィカルコントロールを示すＧＵＩのスクリーンショットである。
図１８Ｃは、説明のための実施形態による、報告を生成する前に品質管理のワークフローに従うようにユーザを促すウィンドウを示すＧＵＩのスクリーンショットである。
図１９Ｂは、説明のための実施形態による、種々の調査に関する骨スキャン画像を示すウィンドウの上方のヘッダとしての計算されたＢＳＩ値の表示を示すＧＵＩのスクリーンショットである。
図２０Ｂは、説明のための実施形態による、時間に伴う算出されたＢＳＩ値の変化を示すグラフを表示するＧＵＩのスクリーンショットである。
本開示の特徴および利点は、図面と併せて解釈される以下に記載の詳細な説明からより明らかになろう。図面では、同様の参照符号は、全体を通じて対応する要素を特定する。図面中、同様の参照符号は、一般に、同一の、機能的に類似する、および／または構造的に類似する要素を示す。
詳細な説明
特許権が請求される本発明のシステム、デバイス、方法、およびプロセスは、本明細書に記載される実施形態からの情報を使用して開発される変形および適合を包含することが企図される。本明細書に記載されるシステム、デバイス、方法、およびプロセスの適合および／または変更が、当業者によってなされ得る。
特許権が請求される本発明のシステム、デバイス、方法、およびプロセスは、本明細書に記載される実施形態からの情報を使用して開発される変形および適合を包含することが企図される。本明細書に記載されるシステム、デバイス、方法、およびプロセスの適合および／または変更が、当業者によってなされ得る。
この説明を通じて、物品、デバイス、およびシステムが特定の構成要素を有する、含む、もしくは備えると記載される場合、または、プロセスおよび方法が特定のステップを有する、含む、もしくは備えると記載される場合は、追加的に、述べられた構成要素から本質的になるまたはそれらからなる、本発明の物品、デバイス、およびシステムが存在すること、ならびに述べられた処理ステップから本質的になるまたはそれらからなる、本発明によるプロセスおよび方法が存在することが企図される。
ステップの順序またはある特定の動作を行う順序は、本発明が動作可能である限り、重要でないことが理解されるべきである。さらに、２つまたはそれより多くのステップまたは動作が同時に行われてよい。
本明細書における例えば背景技術の項での何らかの文献への言及は、その文献が本明細書に提示される請求項のいずれかに関して従来技術となることを認めるものではない。背景技術の項は、明瞭性の目的のために与えられるものであり、任意の請求項に関する従来技術の記載として意図されるものではない。
見出しは、読者の利便のために設けられ、見出しの存在および／または配置は、本明細書に記載される主題の範囲を制限することは意図されない。
本出願では、「または」の使用は、特に断らない限り「および／または」を意味する。本出願で使用される場合、用語「ｃｏｍｐｒｉｓｅ」および「ｃｏｍｐｒｉｓｉｎｇ」や「ｃｏｍｐｒｉｓｅｓ」などのその語の変化形は、他の追加、構成要素、整数、またはステップを除外することは意図されない。本出願で使用される場合、用語「約」および「およそ」は同義語として使用される。「約／およそ」を伴ってまたは伴わずに本出願で使用される数字はいずれも、当業者によって理解される通常の変動をカバーすることが意図される。ある特定の実施形態では、用語「およそ」または「約」は、特に断らない限り、または文脈から別様に明らかでない限り、述べられた基準値のどちらかの方向に（基準値より大きいかまたは小さい）２５％、２０％、１９％、１８％、１７％、１６％、１５％、１４％、１３％、１２％、１１％、１０％、９％、８％、７％、６％、５％、４％、３％、２％、１％、またはそれ未満内に入る値の範囲を指す（そのような数が可能な値の１００％を超える場合を除く）。
本明細書で使用される冠詞「ａ」および「ａｎ」は、当該冠詞の文法的対象が１つまたは２つ以上（すなわち、少なくとも１つ）あることを指す。例として、「ａｎ ｅｌｅｍｅｎｔ」は、１つの要素または２つ以上の要素を意味する。よって、本出願および添付の特許請求の範囲では、単数形の「ａ」、「ａｎ」、および「ｔｈｅ」は、文脈が明らかに別に要求しない限り、複数形の言及を含む。よって、例えば、「ａｎ ａｇｅｎｔ」を含む医薬品組成は、２つまたはそれより多くの薬剤の言及を含む。
本明細書に記載されるシステムおよび方法は、核医学画像の改良されたコンピュータ支援表示および分析を対象とする。具体的には、ある特定の実施形態では、本明細書に記載されるシステムおよび方法は、患者のがんステータスを査定するための骨スキャン画像の自動化された分析に使用されるいくつかの画像処理ステップへの改良をもたらす。例えば、画像セグメント化、ホットスポットの検出、転移を表すものとしてのホットスポットの自動化された分類、および骨スキャン指数（ＢＳＩ）値などのリスク指標の算出のための改良された手法が提供される。自動化されたＢＳＩの計算技術は、２０１６年９月３０日に出願された米国特許出願第１５／２８２，４２２号、２０１４年１０月７日に発行された米国特許第８，８５５，３８７号（これについて米国特許出願第１５／２８２，４２２号は再発行である）、および２０１７年１０月２６日に出願されたＰＣＴ出願第ＰＣＴ／ＵＳ１７／５８４１８号に詳細に記載され、各々の内容は参照によりその全体が組み込まれる。同じくその全体が本明細書に組み込まれる、２０１７年１０月２６日に出願されたＰＣＴ出願第ＰＣＴ／ＵＳ２０１７／０５８４１８号は、本明細書に記載される手法に従う画像分析およびＢＳＩ計算ツールを提供するプラットフォームとして機能することが可能なクラウドベースのプラットフォームを記載している。
具体的には、ある特定の実施形態では、放射性医薬品などの薬剤をヒト対象に投与した後に、骨スキャン画像が取得される。投与された薬剤は、下にある組織の物理的性質（例えば、増大した脈管系、異常な骨形成）の結果として、または前立腺特異的膜抗原（ＰＳＭＡ）などの腫瘍中で選択的に発現もしくは過剰発現する特定の生体分子の（薬剤による）認識に起因して、がん性の骨病変に蓄積する。薬剤は、核放射線を放出する放射性核種を含み、これを検出し、それにより使用して、対象内の薬剤の空間的分布を撮像することができる。
例えば、ある特定の実施形態では、ガンマカメラを使用して、２次元スキャンとして骨スキャン画像が取得される。例えば、腹側画像および背側画像の２つの画像が取得されて、骨スキャン画像セットを形成する。薬剤が高濃度で蓄積した身体領域は、高い強度の領域、すなわち明るいスポット、として骨スキャン画像に現れる。薬剤は、例えば上記のようにがん性の骨病変に、ならびに対象の膀胱などの他の領域に蓄積し得る。
病変を表す骨スキャン画像の領域を正確に特定し、腫瘍負荷の定量的な推定を生成するために、一連の画像処理ステップが行われる。具体的には、骨スキャン画像をセグメント化して、対象の骨格の骨に対応する領域を特定し、アノテーションされた画像のセットを形成する。周辺に対して高い強度の領域を骨格領域内で特定し、それを閾値と比較して、ホットスポットの初期のセットを検出する。ホットスポットのサイズ（例えば面積）、ホットスポットの形状（例えば、半径、偏心率などの様々な目安によって記述される）、および／またはホットスポット強度の測度（例えば、ピーク強度、平均強度、積分強度等）などの、初期ホットスポットの特徴を抽出し、それを使用して、ホットスポットごとに、そのホットスポットが転移を表す見込みを表す転移見込み値を判定する。例えば、ある特定の実施形態では、転移見込み値は、ホットスポットごとにホットスポット特徴のセットを入力として受け取り、転移見込み値を出力する人工ニューラルネットワーク（ＡＮＮ）を使用して算出される。
転移見込み値を使用して、ホットスポットの初期のセットを自動的にフィルタリングして、対象が転移性がんを有するおよび／または発症するリスクを示すリスク指標の計算に使用されるサブセットを決定することができる。ホットスポットをこのようにしてフィルタリングすることにより、転移を表す見込みが高いと判定されたものだけが、リスク指標計算に含められる。ある特定の実施形態では、ホットスポットおよび／またはそれらの見込み値のグラフィック表現が、例えばアノテーションされた画像の上に重ねられるマーキングおよび／または情報の表として、ユーザに表示するためにレンダリングされ、ユーザがリスク指標の計算で使用するホットスポットのサブセットを選択できるようにする。これにより、ユーザは、リスク指標を計算するための自動的なホットスポットの選択を、自身の入力で強化することができる。
本明細書に記載される手法は、上述の画像処理ステップへのいくつかの改良を含み、病変検出およびリスク指標計算の向上した精度をもたらす。例えば、本開示は、改良されたセグメント化手法を含み、それにより上腕骨領域の全体（例えば４分の３超の長さ）および／または大腿骨領域の全体（例えば４分の３超の長さ）が特定される。以前には、大腿骨および上腕骨の限られた割合のみが特定されていた。これら骨のより大きい（例えば全体）部分をセグメント化することにより、被験者の腕および脚の末端の方に位置する病変が特定されることが可能になる。そのような末端で薬剤の取り込みが低下することを考慮するために、本明細書に記載される手法は、ホットスポット検出ステップで領域依存閾値も利用する。領域依存閾値は、異なる骨格領域ごとに変動し、大腿骨および上腕骨領域では、それら領域における検出感度を上げるために、より低い値を有する。
別の改良された手法では、本明細書に記載されるシステムおよび方法は、ホットスポットを検出するためにグローバル閾値スケーリング技術を使用し得る。この手法では、まず複数の事前の領域依存閾値を使用して潜在的なホットスポットのセットを特定することにより、ホットスポットの初期のセットが検出される。潜在的なホットスポットのセットを使用して、潜在的なホットスポットのセットによって占められる対象の骨格の面積割合に基づいて、グローバル閾値スケーリング率を算出する。次いで、グローバル閾値スケーリング率を使用して事前の閾値を調節し、調節した閾値を使用してホットスポットの初期のセットを検出する。この手法は、特に高レベルの疾病負荷の場合、例えば対象が多数の病変を患い、骨格のうち大きい割合がホットスポットによって占められている場合に、ホットスポットの初期のセットを使用して算出されるリスク指標の線形性を最終的に増大させることが判明した。
本開示は、ホットスポットの選択およびリスク指標の計算に関する改良も含む。例えば、本明細書に記載される手法は、算出された転移見込み値だけでなく、セット内のホットスポットの総数などの初期ホットスポットのセット全体の性質を測定するグローバルホットスポット特徴にも基づいてホットスポットをフィルタリングする、ホットスポット事前選択技術を使用し得る。グローバルホットスポット特徴の他の例には、領域当たりのホットスポットの平均数などの総ホットスポット数の他の測度、ピークまたは平均ホットスポット強度などの全体的なホットスポット強度の測度、ホットスポットの総面積や平均ホットスポットサイズ等の総ホットスポットサイズの測度などが含まれる。これにより、この処理手法が、ホットスポットの選択が画像の残りの部分に依存することを示す臨床経験を活用することが可能になる。具体的には、あるホットスポットが選択される確率は、多くの他のホットスポットがある場合にはより高く、それが唯一のホットスポットである場合にはより低くなる。したがって、各自の転移見込み値のみに基づいてホットスポットを選択またはフィルタリングすると、結果として、多くのホットスポットを有する対象では、計算されたリスク指標値が過小推定され得る。本明細書に記載されるようにグローバル特徴を組み込むことは、多くのホットスポットを有する患者における成果を向上させることができる。
最後に、本明細書に記載されるシステムおよび方法は、骨スキャン指数（ＢＳＩ）などの骨浸潤に基づいてリスク指標値を計算するための手法の改良も提供する。例えば、ＢＳＩは、対象の総骨格質量のうちがん性病変によって占められる割合の推定を提供するリスク指標値である。ＢＳＩの計算は、特定のホットスポットごとに、それが位置する骨格領域の面積に対する、その特定のホットスポットの面積の比に基づいて、骨浸潤率を計算することを伴う。スケーリングしたバージョン（例えば面積比を相対質量に変換するため）を合計して、被験者のＢＳＩ値を算出する。しかし、特定のホットスポットが位置する特定の骨格領域を正確に突き止めることの困難が、ＢＳＩ値の誤差につながり得る。骨スキャン画像は２次元画像であるが、基礎となる対象の骨格は３次元構造である。そのため、ホットスポットは、実際には異なる骨に位置する病変を表しているのに、ある領域に位置するものと誤って特定されることがある。これは、仙骨およびそれに隣接する骨盤および腰領域の場合に特に課題である。この課題を考慮するために、本開示は、変更を加えたリスク指標計算手法を含み、これは、領域依存補正率を使用して、ホットスポットを局所化する際の潜在的な誤差を考慮するような方式で骨浸潤率をスケーリングする。この手法は、ＢＳＩ計算の精度を向上させ、ホットスポットの局所化に対する敏感さを制限する。
そのため、本明細書に記載されるシステムおよび方法は、病変の特定および定量化のためのいくつかの改良された画像分析技術を含む。それらの手法は、骨スキャン画像を分析することができる精度およびロバスト性を向上させる。本明細書に記載されるように、それらは、患者データの点検および報告を容易にし、改良された疾患の検出、治療、および監視を可能にするクラウドベースのシステムの一部として使用され得る。
Ａ．核医学画像
Ａ．核医学画像
核医学画像は、骨スキャンイメージング、陽子放射断層撮影（ＰＥＴ）イメージング、および単一光子放射断層撮影（ＳＰＥＣＴ）イメージングなどの、核イメージングモダリティを使用して得られる。
本明細書で使用される場合、「画像」、例えば哺乳動物の３Ｄ画像は、写真、ビデオフレーム、ストリーミングビデオ、ならびに写真、ビデオフレームまたはストリーミングビデオの任意の電子的、デジタル、または数学的類似物などの、任意の視覚的表現を含む。本明細書に記載される任意の装置は、ある特定の実施形態では、プロセッサによって作り出された画像または任意の他の結果を表示するためのディスプレイを含む。本明細書に記載される任意の方法は、ある特定の実施形態では、当該方法を用いて作り出された画像または任意の他の結果を表示するステップを含む。本明細書で使用される場合、「画像」に関する「３Ｄ」または「３次元」は、３つの次元に関する情報を伝達することを意味する。３Ｄ画像は、３次元のデータセットとしてレンダリングされる場合も、および／または２次元表現のセットとして、もしくは３次元表現として表示される場合もある。
ある特定の実施形態では、核医学画像は、放射性医薬品を含むイメージング剤を使用する。核医学画像は、患者（例えばヒト対象）に放射性医薬品を投与した後に得られ、患者体内での放射性医薬品の分布に関する情報を提供する。放射性医薬品は、放射性核種を含む化合物である。
本明細書で使用される場合、薬剤を「投与する」とは、物質（例えばイメージング剤）を対象の中に導入することを意味する。一般に、任意の投与経路が使用されてよく、それらには、例えば、非経口（例えば静脈内）、経口、局所、皮下、腹膜、動脈内、吸入、膣、直腸、経鼻、髄液中への導入、または身体区画内への注入が含まれる。
本明細書で使用される場合、「放射性核種」は、少なくとも１つの要素からなる放射性同位体を含む成分を言う。例示的な適切な放射性核種には、これに限定されないが、本明細書に記載されるものが含まれる。一部の実施形態では、放射性核種は、陽子放射断層撮影（ＰＥＴ）で使用される放射性核種である。一部の実施形態では、放射性核種は、単一光子放射コンピュータ断層撮影（ＳＰＥＣＴ）で使用される放射性核種である。一部の実施形態では、放射性核種の非制限的リストには、９９ｍＴｃ、１１１Ｉｎ、６４Ｃｕ、６７Ｇａ、６８Ｇａ、１８６Ｒｅ、１８８Ｒｅ、１５３Ｓｍ、１７７Ｌｕ、６７Ｃｕ、１２３Ｉ、１２４Ｉ、１２５Ｉ、１２６Ｉ、１３１Ｉ、１１Ｃ、１３Ｎ、１５Ｏ、１８Ｆ、１５３Ｓｍ、１６６Ｈｏ、１７７Ｌｕ、１４９Ｐｍ、９０Ｙ、２１３Ｂｉ、１０３Ｐｄ、１０９Ｐｄ、１５９Ｇｄ、１４０Ｌａ、１９８Ａｕ、１９９Ａｕ、１６９Ｙｂ、１７５Ｙｂ、１６５Ｄｙ、１６６Ｄｙ、１０５Ｒｈ、１１１Ａｇ、８９Ｚｒ、２２５Ａｃ、８２Ｒｂ、７５Ｂｒ、７６Ｂｒ、７７Ｂｒ、８０Ｂｒ、８０ｍＢｒ、８２Ｂｒ、８３Ｂｒ、２１１Ａｔ、および１９２Ｉｒが含まれる。
本明細書で使用される場合、用語「放射性医薬品」は、放射性核種を含む化合物を言う。ある特定の実施形態では、放射性医薬品は、診断および／または治療の目的で使用される。ある特定の実施形態では、放射性医薬品は、１つまたは複数の放射性核種で標識された小分子、１つまたは複数の放射性核種で標識された抗体、および１つまたは複数の放射性核種で標識された抗体の抗原結合部分を含む。
核医学画像（例えばＰＥＴスキャン；例えばＳＰＥＣＴスキャン；例えば全身骨スキャン；例えば合成ＰＥＴ－ＣＴ画像；例えば合成ＳＰＥＣＴ－ＣＴ画像）は、放射性医薬品の放射性核種から放出される放射線を検出して像を形成する。患者体内での特定の放射性医薬品の分布は、血流や灌流などの生物学的機構により、ならびに特定の酵素または受容体の結合相互作用により、決定され得る。異なる放射性医薬品は、異なる生物学的機構および／または特定の固有の酵素もしくは受容体の結合相互作用を活用するように設計され、よって、患者に投与されたときに、患者体内の特定種類の組織および／または領域内に選択的に集中し得る。より高濃度の放射性医薬品を有する患者体内の領域からは、他の領域よりも多量の放射線が放出され、それらの領域は核医学画像内で明るく見える。そのため、核医学画内の強度のばらつきを使用して、患者体内の放射性医薬品の分布をマッピングすることができる。このマッピングされた患者体内の放射性医薬品の分布を使用して、例えば、患者の身体の様々な領域内のがん組織の存在を推量することができる。
例えば、患者に投与されると、メチレンジホスホン酸テクネチウム９９ｍ（９９ｍＴｃ ＭＤＰ）は、患者の骨格領域内、特に悪性の骨病変に関連する異常な骨形成のある部位に選択的に蓄積する。そのような部位への放射性医薬品の選択的な集中は、特定可能なホットスポット、すなわち、核医学画像内の局所化された高強度の領域を作り出す。そのため、患者の全身スキャン内でそのようなホットスポットを特定することにより、転移性前立腺がんに関連する悪性の骨病変の存在を推量することができる。以下に説明されるように、疾患状態、進行、治療効果等を示す患者の全体的な生存および他の予後の目安と相関するリスク指標が、患者に９９ｍＴｃ ＭＤＰを投与した後に得られる全身スキャン内の強度のばらつきの自動化された分析に基づいて、算出され得る。ある特定の実施形態では、他の放射性医薬品も、９９ｍＴｃ ＭＤＰと同様にして使用することができる。
ある特定の実施形態では、使用される特定の放射性医薬品は、使用される特定の核医学イメージングモダリティに依存する。例えば、１８Ｆフッ化ナトリウム（ＮａＦ）も、９９ｍＴｃ ＭＤＰと同じように骨病変に蓄積するが、ＰＥＴイメージングで使用することができる。ある特定の実施形態では、ＰＥＴイメージングは、前立腺がん細胞によって容易に吸収される、ビタミンコリンの放射性形態を使用してもよい。
ある特定の実施形態では、対象となる特定のタンパク質または受容体に選択的に結合する放射性医薬品、特にその発現ががん組織内で増大するもの、が使用されてよい。そのような対象となるタンパク質または受容体は、これらに限定されないが、直腸結腸癌腫で発現するＣＥＡなどの腫瘍抗原、複数のがんで発現するＨｅｒ２／ｎｅｕ、乳がんおよび卵巣がんで発現するＢＲＣＡ１およびＢＲＣＡ２、ならびにメラノーマで発現するＴＲＰ－１および－２が含まれる。
例えば、ヒトの前立腺特異的膜抗原（ＰＳＭＡ）は、転移性疾患を含む前立腺がんにおいて増加（upregulated）する。ＰＳＭＡは、実質的にすべての前立腺がんによって発現され、その発現は、分化度の低い転移性の癌腫およびホルモン不応性癌腫においてさらに増大する。そのため、１つまたは複数の放射性核種で標識されたＰＳＭＡ結合剤（例えばＰＳＭＡに対して高い親和性を有する化合物）に対応する放射性医薬品を使用して、患者の核医学画像を得て、そこから患者の様々な領域（例えば骨格領域が含まれるが、それに限定されない）内の前立腺がんの存在および／または状態を査定することができる。ある特定の実施形態では、疾患が局所的な状態であるときに、ＰＳＭＡ結合剤を使用して得られた核医学画像を使用して、前立腺内部のがん組織の存在を特定する。ある特定の実施形態では、疾患が転移性である場合に該当するように、ＰＳＭＡ結合剤を含む放射性医薬品を使用して得られた核医学画像を使用して、前立腺だけでなく、肺、リンパ節、骨などの他の器官および組織領域も含む様々な領域内でがん組織の存在を特定する。
具体的には、患者に投与されると、放射性核種で標識されたＰＳＭＡ結合剤は、ＰＳＭＡへのその親和性に基づいて、がん組織内に選択的に蓄積する。９９ｍＴｃ ＭＤＰに関して上記で説明したのと同様に、患者体内の特定の部位への放射性核種で標識されたＰＳＭＡ結合剤の選択的な集中は、核医学画像内で検出可能なホットスポットを作り出す。ＰＳＭＡ結合剤が、各種のがん組織およびＰＳＭＡを発現する身体の領域内に集中するのに伴い、患者の前立腺内の局所化したがんおよび／または患者身体の様々な領域にある転移性がんが検出され、評価され得る。疾患状態、進行、治療効果等を示す患者の全体的な生存および他の予後の目安と相関するリスク指標が、患者にＰＳＭＡ結合剤放射性医薬品を投与した後に得られる核医学画像内の強度のばらつきの自動化された分析に基づいて、算出され得る。
前立腺がんを検出および評価するために、各種の放射性核種で標識されたＰＳＭＡ結合剤が、核医学イメージング用の放射性医薬品イメージング剤として使用されてよい。ある特定の実施形態では、使用される特定の放射性核種で標識されたＰＳＭＡ結合剤は、特定のイメージングモダリティ（例えばＰＥＴ；例えばＳＰＥＣＴ）およびイメージングされる患者の特定の領域（例えば器官）などの因子に依存する。例えば、ある特定の放射性核種で標識されたＰＳＭＡ結合剤はＰＥＴイメージングに適するのに対し、他のものはＳＰＥＣＴイメージングに適する。例えば、ある放射性核種で標識されたＰＳＭＡ結合剤は、患者の前立腺のイメージングを容易にし、主に疾患が局所的である場合に使用され、一方、他のＰＳＭＡ結合剤は、患者の身体全体にわたる器官および領域のイメージングを容易にし、転移性前立腺がんを評価するために有用である。
各種のＰＳＭＡ結合剤および放射性核種で標識されたそれらのバージョンが、米国特許第８，７７８，３０５号、同８，２１１，４０１号、同８，９６２，７９９号に記載され、各々はそれらの全体が参照により本明細書に組み込まれる。いくつかのＰＳＭＡ結合剤および放射性核種で標識されたそれらのバージョンが、２０１７年１０月２６日に出願されたＰＣＴ出願第ＰＣＴ／ＵＳ２０１７／０５８４１８号にも記載され、同出願は全体が参照により本明細書に組み込まれる。
Ｂ．画像分析のための骨スキャンイメージングデバイス
Ｂ．画像分析のための骨スキャンイメージングデバイス
ある特定の実施形態では、本明細書に記載されるコンピュータ支援画像分析デバイスは、核医学（ＮＭ）イメージングを使用して取得されたデジタル医用画像の受付、転送、記憶、画像表示、操作、定量化、および報告のために、訓練された健康管理の専門家および研究者によって使用されることが意図される。ある特定の実施形態では、そのようなデバイスは、一般的な写真保管および通信システム（ＰＡＣＳ）ツールならびに病変マーキングおよび定量分析を含む腫瘍学のための臨床アプリケーションを提供する。
Ｃ．骨スキャン画像の分析および骨スキャン指数値の算出
Ｃ．骨スキャン画像の分析および骨スキャン指数値の算出
骨シンチグラフィ（骨スキャンイメージングとも呼ばれる）は、骨格疾病負荷を査定するために広く使用されるイメージングモダリティである。骨スキャン画像に基づいて疾患の進行を査定する現在の標準は、準定量的修正前立腺がんワーキンググループ２および前立腺がんワーキンググループ３（ＰＣＷＧ）基準に基づいている。この基準の定義は、次のような、訓練を積んだ解読者によって解釈される新しい病変の出現に依拠する。（ｉ）治療前スキャンと比較して１回目および２回目の事後スキャン時の２つの新しい病変と、その後に続く２つの追加的な病変（２＋２の規則として公知である）、または（ｉｉ）その後の１回目の事後スキャンに対して２つの新しい確定された病変、のいずれか。しかし、この病変数を計数する準定量的な査定手法にはいくつかの制約がある。具体的には、査定は、手作業の変動性の影響を受け、疾患の進行の査定に制約され、そして例えば転移性前立腺がんに関連する、融合性の／拡散した疾患の正確な負荷を査定することができない。
そのため、骨スキャンの自動化された定量的な査定に対する満たされていない高い必要性がある。スウェーデン、ルンドのＥＸＩＮＩ Ｄｉａｇｎｏｓｔｉｃｓ ＡＢによって開発された自動化された骨スキャン指数（ＢＳＩ）は、総骨格重量のうちの割合としての、骨スキャンでの患者の骨格疾患の完全に定量的な査定である。ＢＳＩは、疾病負荷骨スキャンの定量的変化の客観的な測度として、厳格な事前分析および分析の有効性検証を受けている。最近のｐｈａｓｅ ３ ｐｒｏｓｐｅｃｔｉｖｅ ｓｔｕｄｙで、ＢＳＩの査定は、転移性前立腺がん患者を階層化することが実証された。
本明細書に記載されるシステムおよび方法は、自動化および半自動化された、ユーザにより誘導される方式で、骨スキャン画像を分析し、ＢＳＩを算出するための改良されたコンピュータ支援手法を対象とする。また、本明細書には、ユーザによりＢＳＩ値を決定するために使用される骨スキャン画像の点検および自動化された分析を容易にするＧＵＩツールも記載される。
Ｄ．例示的なａＢＳＩプラットフォームのデバイス説明
Ｄ．例示的なａＢＳＩプラットフォームのデバイス説明
ある特定の実施形態では、本明細書に記載されるシステムおよび方法は、患者体内のがんステータスの検出および評価のための自動化および半自動化された画像分析のためのクラウドベースのプラットフォームとして実装され得る。本明細書に記載される例示的なデバイスは、自動化されたＢＳＩデバイス（ａＢＳＩ）であり、これは、ユーザが骨スキャン画像データを、例えばＤＩＣＯＭファイルなどの特定の画像ファイルの形態でアップロードすることができる、ウェブインターフェースを有するクラウドベースのソフトウェアプラットフォームである。このソフトウェアは、Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ（ＤＩＣＯＭ ３）規格に準拠する。
ある特定の実施形態では、本発明に記載されるシステムおよび方法に従うデバイス（例えばコンピュータ支援画像分析ツール）が、意図されるユーザ、通例はこのソフトウェアを使用して患者画像を閲覧し、結果を分析する健康管理の専門家、に合わせてプログラムされる。ユーザは、Ｍｉｃｒｏｓｏｆｔ Ｗｉｎｄｏｗｓ（登録商標）またはＯＳＸなどのオペレーティングシステムを実行するコンピュータ上のウェブブラウザ（ＧｏｏｇｌｅのＣｈｒｏｍｅブラウザなど）内でこのサービスを操作する。ソフトウェアは、単一のアプリケーションウィンドウを占めるように構成され得る。サービスは、ウェブベースであり、特定のＵＲＬを介してアクセスされる。ソフトウェアを操作するためにキーボードおよびマウスコントロールが使用されてよい。
各患者につき複数のスキャンをアップロードすることができ、システムは、各々に対して画像に基づく別個の自動化された分析を提供する。自動化された分析は、内科医によって点検され、内科医は、品質管理および報告のワークフローを経るように誘導されてよい。自動化された査定の品質管理が認証されると、報告書が作成され、署名され得る。サービスは、ＨＩＰＡＡおよび２１ＣＦＲ ｐａｒｔ１１に準拠するように構成され得る。
ｉ．サービスへのアクセス
ｉ．サービスへのアクセス
ある特定の実施形態では、本明細書に記載されるシステムおよび方法に従うソフトウェアツールへのアクセスは、セキュリティ対策によって制限され、保護される。例えば、本明細書に記載されるシステムおよび方法のクラウドベースの実装であるａＢＳＩへのアクセスは、ユーザ名、パスワード、およびアカウントに関連付けられた電話番号にテキストメッセージとして送られる検証コードの形態の多要素認証によって保護される。
ｉｉ．システム要件
ｉｉ．システム要件
ある特定の実施形態では、ソフトウェアによって施行される要件は、以下の１つまたは複数を含む。
・インターネットアクセスと共にＷｉｎｄｏｗまたはＯＳ Ｘを備えるコンピュータ、
・Ｃｈｒｏｍｅブラウザ、
・利用可能な個人の携帯電話（多要素認証のためのみ）。
・インターネットアクセスと共にＷｉｎｄｏｗまたはＯＳ Ｘを備えるコンピュータ、
・Ｃｈｒｏｍｅブラウザ、
・利用可能な個人の携帯電話（多要素認証のためのみ）。
ある特定の実施形態では、ユーザによって施行される要件は、以下の１つまたは複数を含む。
・Ｃｈｒｏｍｅブラウザ
ａ．少なくともバージョン５４
ｂ．ＪａｖａＳｃｒｉｐｔ（登録商標）が許可されなければならない
ｃ．ＨＴＭＬ５が必須
ｄ．ローカルストレージおよびセッションストレージへの書き込みが必要とされる
・ディスプレイ解像度が少なくとも１２８０×９６０
ｉｉｉ．画像要件
・Ｃｈｒｏｍｅブラウザ
ａ．少なくともバージョン５４
ｂ．ＪａｖａＳｃｒｉｐｔ（登録商標）が許可されなければならない
ｃ．ＨＴＭＬ５が必須
ｄ．ローカルストレージおよびセッションストレージへの書き込みが必要とされる
・ディスプレイ解像度が少なくとも１２８０×９６０
ｉｉｉ．画像要件
ある特定の実施形態では、ソフトウェアによって施行される要件は、以下の１つまたは複数を含む。
・画像はＤＩＣＯＭ３形式で解凍されなければならない。
・モダリティ（０００８、００６０）は「ＮＭ」でなければならない
・画像タイプ（０００８、０００８）は、「ＯＲＩＧＩＮＡＬ＼ＰＲＩＭＡＲＹ＼ＷＨＯＬＥ ＢＯＤＹ＼ＥＭＩＳＳＩＯＮ」でなければならない
・調査日（０００８、００２０）は、有効な日付を含んでいなければならない
・フレーム数（００２８、０００８）は１または２でなければならない
・スライス数（００５４、００８１）は１または２でなければならない
・画素間隔（００２８、００３０）は、≧１．８ｍｍ／画素および≦２．８ｍｍ／画素でなければならない
・画像は、行の数≧列の数となるような形状でなければならない
・患者の性別（００１０、００４０）はＭでなければならない
・腹側画像および背側画像は、２つの異なるシリーズ（異なるシリーズインスタンスＵＩＤを有する２つのファイル）として、または２つのフレームを含んでいる１つのマルチフレームシリーズ（１つのファイル）として記憶されてよい。
・画像画素データは、１６ビット範囲内であるべきである。０～２５５（８ビット）の範囲の画素を有する画像は十分でない。
・画像はＤＩＣＯＭ３形式で解凍されなければならない。
・モダリティ（０００８、００６０）は「ＮＭ」でなければならない
・画像タイプ（０００８、０００８）は、「ＯＲＩＧＩＮＡＬ＼ＰＲＩＭＡＲＹ＼ＷＨＯＬＥ ＢＯＤＹ＼ＥＭＩＳＳＩＯＮ」でなければならない
・調査日（０００８、００２０）は、有効な日付を含んでいなければならない
・フレーム数（００２８、０００８）は１または２でなければならない
・スライス数（００５４、００８１）は１または２でなければならない
・画素間隔（００２８、００３０）は、≧１．８ｍｍ／画素および≦２．８ｍｍ／画素でなければならない
・画像は、行の数≧列の数となるような形状でなければならない
・患者の性別（００１０、００４０）はＭでなければならない
・腹側画像および背側画像は、２つの異なるシリーズ（異なるシリーズインスタンスＵＩＤを有する２つのファイル）として、または２つのフレームを含んでいる１つのマルチフレームシリーズ（１つのファイル）として記憶されてよい。
・画像画素データは、１６ビット範囲内であるべきである。０～２５５（８ビット）の範囲の画素を有する画像は十分でない。
ある特定の実施形態では、ユーザによって施行される要件は、以下の１つまたは複数を含む。
・腹側画像および背側画像は、少なくとも頭皮から脛骨の上部および各腕の前腕の上部までのエリアをカバーすべきである。
・画像にフィルタリングも他の事後処理技術も適用されてはならない。
・腹側画像および背側画像は、少なくとも頭皮から脛骨の上部および各腕の前腕の上部までのエリアをカバーすべきである。
・画像にフィルタリングも他の事後処理技術も適用されてはならない。
ある特定の実施形態では、「ＥＡＮＭ骨シンチグラフィ：腫瘍イメージングの手順ガイドライン」および「骨シンチグラフィ（骨スキャン）を実施するためのＡＣＲ－ＳＰＲ実践パラメータ」などの関連するガイドラインに準拠して、全身骨シンチグラフィ画像が取得される。
ｉｖ．ワークフロー
ｉｖ．ワークフロー
図１は、説明のための実施形態による、ＢＳＩ報告を生成するための品質管理および報告ワークフロー１００を示すブロック流れ図である。ある特定の実施形態では、本明細書に記載されるシステムおよび方法は、自動化されたＢＳＩ値を算出し、報告を生成するために、患者画像データの点検および分析を通じてユーザ（例えば健康管理の専門家）を誘導するためのＧＵＩを含む。ワークフロー１００は、ユーザが患者データの画像ファイルを選択し１０２、アップロードする１０４ことを可能にし、それは次いでソフトウェアによって分析され、ユーザによって点検される。
ユーザには、ユーザが点検／分析のためにリストから特定の患者を選択することができる、図２に示されるウィンドウ２００などの第１のＧＵＩウィンドウが提示され得る。図２のリスト内で特定の患者に対応する列を選択すると、図３に示される、患者情報を示す、新しいおよび／または更新されたウィンドウ３００が表示される。
図４に移り、ユーザは次いで、誘導される分析ソフトウェアの点検ページ４００にアクセスしてよい。点検ページ４００は、ユーザ（例えば内科医などの健康管理の専門家）に、患者の自動化されたＢＳＩ指数を計算するために、画像データおよびソフトウェアバックエンドによって行われたホットスポットの自動化された特定をユーザが調べることができるＧＵＩを提供する。自動化されたＢＳＩの計算技術については、本明細書でさらに詳細に説明されると共に、以前のバージョン（本開示の改良のないもの）が、２０１６年９月３０日に出願された米国特許出願第１５／２８２，４２２号、２０１４年１０月７日に発行された米国特許第８，８５５，３８７号（これについて米国特許出願第１５／２８２，４２２は再発行である）、および２０１７年１０月２６日に出願されたＰＣＴ出願第ＰＣＴ／ＵＳ１７／５８４１８号に詳細に記載され、各々の内容は参照によりその全体が本明細書に組み込まれる。
点検ページは、ソフトウェアによって画像内で自動的に特定されたがん性病変を表すホットスポットのユーザによる点検１０６を可能にする。ユーザは、点検ページＧＵＩを使用して、ホットスポットとして特定された領域のセットを編集し１０８、そして報告の生成に進むために、画像品質、骨格セグメント化（スクリーンショット中で輪郭線によって描かれる）、および特定されたホットスポットのセットが点検され、受容された１１０ことを確定しなければならない。ユーザの点検および品質管理が確定されると１１２、最終的なＢＳＩの算出値を含む、図５に示される報告５００のような報告が生成され得る１１４。
ｖ．画像処理
ｖ．画像処理
図６のブロック流れ図に示されるように、本明細書に記載されるシステムおよび方法は、ホットスポットの自動化された検出および事前選択、事前に選択されたホットスポットのセットのユーザ検証の受領、および特に骨スキャン指数（ＢＳＩ）値などのリスク指標値の計算のためのプロセス６００で使用されてよい。
特に、ある特定の実施形態では、図６に示されるように、セグメント化ステップ６０２で、本明細書に記載されるソフトウェアツールは、画像位置合わせのアルゴリズムを使用して、患者画像を参照座標フレームに入れる。これは、アトラス画像を各患者画像に合わせて非剛直に調節することによって行われる。アトラス画像を患者に合わせてフィッティングすることにより、患者画像を、骨格領域および背景領域にセグメント化することができる。骨格領域は、より小さい骨格関心領域にさらに分割することができ、これは本明細書において局所化とも呼ばれる。正規化ステップ６０４で、全身骨スキャン画像を正規化して、異なるコントラストおよび輝度レベルの画像を見るときの標準化された強度範囲をユーザに提供する。ホットスポット検出ステップ６０６でホットスポットが検出される。ある特定の実施形態では、ホットスポットは、閾値処理規則を使用して検出される。別のステップで、ホットスポットの事前選択６０８が行われる。ある特定の実施形態では、ホットスポットの事前選択は、ホットスポット検証ステップ６１０でユーザにより点検され得る、事前に選択されたホットスポットのセットに含めるための重要なホットスポットを事前に選択することを目的とする、画像分析および機械学習技術に基づく。この事前選択は、ホットスポットのサイズ、場所、向き、形状、およびテクスチャなど、ある範囲の特徴に基づく。ある特定の実施形態では、事前選択は、ユーザ利便ツールであり、ユーザが（例えば、ＢＳＩ値などのリスク指標を算出するために使用するホットスポットを選択するために）行わなければならない手動クリックの回数を減らすことを目的とする。ある特定の実施形態では、事前選択ステップに続いて、必須のホットスポット検証ステップが行われてよく、そのステップで、ユーザは、ホットスポットの事前選択を点検および承認しなければならず、または必要とされる場合は、報告を作成できるようにするために手動でホットスポットを含めるおよび／または除外する。
別のステップ６１２で、骨スキャン指数（ＢＳＩ）と呼ばれる特定のリスク指標が、検証済みのホットスポットのセットを使用して算出される。ある特定の実施形態では、骨スキャン指数（ＢＳＩ）は、含まれるすべてのホットスポットの骨浸潤の和と定義される。併発は、総骨格質量のうち１つのホットスポットに対応する体積によって寄与される比率の推定値であり、百分率として表される。併発は、次の式を使用して計算されてよく、式中、Ｃは骨の密度に関係する解剖学的面積係数である。
骨格領域のセグメント化
ある特定の実施形態では、骨格セグメント化は、アトラス画像がセグメント化対象の骨スキャン画像と位置合わせされる、位置合わせ手法によるセグメント化を使用して行われる。この手法では、デバイスが、手動で輪郭付けされたアノテーションされたテンプレート画像セットを、分析された各画像セットに弾性的にフィッティングすることにより、骨格を別々の骨格領域へと自動的に輪郭付けする。このアノテーションされたテンプレート画像セットは、骨格アトラス画像セットとして公知である。このアトラス画像セットは、任意の患者画像と同じように構造化され、すなわち、通常の骨スキャンのように見え、１つの腹側画像および１つの背側画像を含む。アトラス画像は、スキャンを分析する際の固定された基準を与える。アトラスは、ＢＳＩを正確に計算するために新しいスキャンに転送することができる関心領域（骨格領域）で、手動でアノテーションされる。３１個の手動で描かれた骨格領域を有する例示的なアトラス画像セット７００が図７に示される。図７に示されるように、骨スキャン画像セットと同じく、アトラス画像セット７００は、腹側画像７０２および背側画像７０４を含み得る。
骨スキャン画像が分析されるとき、アトラス画像は、骨スキャン画像に似るように弾性的に変形される。次いで、同じ変換がアトラスの輪郭に適用され、それにより患者の骨スキャン画像の各骨格関心領域の輪郭描写／セグメント化を作り出す。適切なアトラスの構築に関する追加的な詳細は、この項の最後に説明される。
患者スキャンに合わせて骨格アトラスを変形させる。ある特定の実施形態では、患者の骨スキャン画像に合わせた骨格アトラスの変形は、反復的手法に従う。セグメント化アルゴリズムは反復して進行し、各反復で、画素ごとに、その画素がどのように目標画像内の対応する位置に変位されるべきかを記述するベクトルが推定される。画素ごとに個々の変位があると、可能性は、変位ベクトルが目標位置と交差するまたは目標位置を共有し、その結果、変形後の画像に穴および／または裂け目が生じるというものになる。これを回避するために、フィルタリング手法を使用してベクトル場が平滑化される。変位は、複素値フィルタをアトラスおよび目標画像に適用することによって推定される。複素フィルタ応答は、画素ごとの振幅および位相として表され得る。局所的な位相差、すなわち、互いから短い距離内にある画素間の位相差は、それらを整列させるために必要な変位のサイズに比例することが示され得る。変位の方向の推定を得るために、このプロセスは、異なるフィルタ角度について数回繰り返される。各フィルタの角度およびその結果生じる変位の大きさを知ることにより、最も大きい変位が観察される可能性のある方向を推量することが可能になる。この手法は小さい変位に有効であるが、アトラス画像と目標画像が遠く離れている場合にもそれを適用可能でなければならない。これを達成するために、サブサンプリング手法が取られ、ここでは、アルゴリズムがまず画像のサブサンプリングされた（サイズが低減された）バージョンに適用される。この手法は、大きい変位を局所的な差として扱う。次いで、アルゴリズムは、次第に詳細になっていく（サブサンプリングが少なくなる）画像に進み、結果として得られた変位場により多くの詳細および変動性を追加する。アルゴリズムは、サブサンプリングされた画像の固定されたピラミッドに対して、各ピラミッドレベルで固定の反復回数にわたり、かつ所定レベルの平滑化と共に、実行される。
骨格アトラスの構築。本明細書に記載される例示的なａＢＳＩデバイスは、単一のアトラス画像に依拠する。輪郭付けアルゴリズムは、アトラス画像および目標画像内の構造情報によって駆動され、２つの画像内の類似する構造間の距離が最小化されるようにアトラス画像を変形しようとする。構造は、各画像内の縁部および稜線（線）によって定義される。そのため、グローバルな強度差およびテクスチャパターンはアルゴリズムによって無視される。その結果、適切なアトラス画像は、次の２つの重要な性質を呈する。
・同じパターンの縁部および稜線を表示する、および
・画像を整列させるために必要とされる（弾性）変換は、分析される画像間の予期される解剖学的ばらつきのセットにわたって概して最小化される。
・同じパターンの縁部および稜線を表示する、および
・画像を整列させるために必要とされる（弾性）変換は、分析される画像間の予期される解剖学的ばらつきのセットにわたって概して最小化される。
ある特定の実施形態では、これらの要件を満たすために、実際の正常な（転移や他の目に見える医学的状態がない）骨スキャン画像のデータベースに基づくアトラス画像が使用される。輪郭付けアルゴリズムを使用して、データベースの全画像を互いと整列させることができる。次いで、その結果生じたすべての変換から平均変換が算出される。その後、すべての画像がこの解剖学的平均に合わせて変換されて、データベース内の平均的な解剖学的構造を表す。このプロセスでは、強度も正規化され、解剖学的参照として適切な典型的な骨スキャン画像を作成する。図８に示される概略図は、この考え方、すなわち、データベースの複数の骨スキャン画像８０４ａ、８０４ｂ、８０４ｃ、８０４ｄからどのようにして平均的な解剖学的構造および強度（中央の画像８０２）を推量することができるかを概念的に示している。
ある特定の実施形態では、アトラス画像セットに使用される平均的な解剖学的構造は、含まれるスキャンの数が増やされるにつれて、安定した推定値へと急速に収束する。比較的少数（例えば３０回）のスキャンが、代表的な参照画像を作成するために十分であり得る。さらに、このアルゴリズムは画像内の主要な構造によって駆動され、形状および／またはサイズの差には反応しないため、単一のアトラスが、骨格セグメント化のためにどの骨スキャン画像にも適用され得る。
強度の正規化およびホットスポットの検出
強度の正規化およびホットスポットの検出
骨スキャンのようなシンチグラフィ画像を読むときの課題の１つは、注入用量、注入からスキャンまでの時間、スキャン時間、身体タイプ、カメラハードウェアおよび設定などの各種パラメータに起因して、スキャン間の強度レベルが異なり得ることである。ある特定の実施形態では、ユーザにとっての読み取りを容易にするために、また定量化パイプラインの一部として（例えば図６に示されるように）、入力された骨スキャンが、健康な骨組織の平均強度が所定の基準レベルにスケーリングされるように正規化される。定量化パイプラインのこの段階では、骨格セグメント化がすでに実行されており、骨格に属する画素が分かっている。しかし、健康な組織の平均強度を測定するために、よってスキャンを正規化できるようにするために、高い強度の領域が特定されて除外されなければならない。骨格内でのこのホットスポットの検出は、画像がすでに正規化されていれば簡単である。これは鶏が先か卵が先かの類の問題であり、ここでは、画像を正規化するためにホットスポットの検出が必要とされ、ホットスポットの検出は正規化された画像に依存する。そのため、下記に列挙されるステップのような反復的手法を使用してこの課題に対処することができる。
（１）すべての骨組織が健康である（ホットスポットがない）と仮定して正規化を推定する。
（２）現在の正規化に鑑みてホットスポットを検出する。
（３）現在のホットスポットのセットに鑑みて正規化を推定する。
（４）収束するまでステップ（２）および（３）を反復する。
（１）すべての骨組織が健康である（ホットスポットがない）と仮定して正規化を推定する。
（２）現在の正規化に鑑みてホットスポットを検出する。
（３）現在のホットスポットのセットに鑑みて正規化を推定する。
（４）収束するまでステップ（２）および（３）を反復する。
この反復的プロセスは、３回または４回以内の反復で、正規化およびホットスポット検出の両方について安定した値に収束する。ホットスポットは、単純な閾値処理手法を使用して検出され、ここでは、画像が、高い強度の小領域を各自の周辺に対して強調するガウスの差（difference-of-Gaussians）帯域通過フィルタを使用してフィルタリングされる。このフィルタリングされた画像が次いで、領域に基づく一定のレベルに閾値処理される。
ある特定の実施形態では、異なる骨格関心領域には異なる閾値が使用される。例えば、クラウドベースのａＢＳＩの例示的実施形態で使用される閾値レベルは、頸椎、鎖骨、肋骨、腰椎、骨盤、仙骨、肩甲骨、頭蓋、胸椎、胸骨については６５０であり、大腿骨および上腕骨については５００である。
ホットスポット検出の出力は、画像内のホットスポットを表すＲＯＩ（関心領域）のセット、ならびに画像の窓処理のための初期最大閾値および最小閾値を設定するために使用される正規化係数である。
ホットスポットの事前選択
ホットスポットの事前選択
ホットスポットは、人工ニューラルネットワーク（ＡＮＮ）に基づく学習（データドリブン）手法を使用して事前選択のために含めるまたは除外するのいずれかとして分類されてよい。ＡＮＮは、正常な骨スキャンから、多数の広範なホットスポットのある骨に及ぶ患者を含む訓練データベースで調整／訓練されてよい。
訓練データベース内の各ホットスポットは、それらのサイズ、場所、向き、形状、およびテクスチャに関する特徴（測定値）のセットを使用して特徴付けられる。これらの特徴は、はじめに、交差検証調査における分類性能を最大にするようにＡＮＮのパラメータが設定される訓練フェーズ中に、次いでホットスポットを含めるまたは除外するとして分類するための実際のソフトウェア内で、ＡＮＮに供給される。
事前選択の訓練は、ホットスポットおよび画像内でのそれらの直接の近傍を分析して、分類器を、訓練材料中の大きなスケールの差に対してロバストにする。したがって、分類器は、幅広い範囲の入力データに適用可能となる。しかし、コホート間の性能の小さい差が予想され得る。ＡＮＮパラメータへの局所化の影響を回避するために、異なる骨局所化ごとに別々のネットワークが構築され得る。すると、それらＡＮＮの各々への入力特徴のセットは、多少異なるようになる。例えば、対称の特徴は、天然の対称の相手を有する局所化にのみ当てはまる。
加えて、訓練セット中のホットスポットは、通例、骨スキャンの読み取りを訓練した医療専門家により、含められるまたは除外されるとして手動で標識される。目標ラベルは、第２の医療専門家によって検証され得る。１つの例示的手法では、骨シンチグラフィに関する米国の手順ガイドラインと欧州の手順ガイドラインが合わせられ、骨スキャンを得るために使用される機器は米国および欧州と同じである。さらに、臨床試験のために骨スキャンを解読するために使用される基準、例えば前立腺ワーキンググループ２基準は、世界的に使用されている。これは、がん疾患に起因する骨スキャンの外観のばらつきは、例えば異なる人種間で正常な骨密度内で測定され得る小さいばらつきと比べてはるかに顕著であるという核医学界の共通の知識に基づく。ＡＮＮのパラメータは、結果的に得られる分類器が医療専門家の選択を模倣するように最適化される。訓練セットに向かうバイアスを回避するために、交差検証手法が使用され得る。
ある特定の実施形態では、事前選択が読み取り者の時間を節減する一方で、報告が作成される前に、すべてのホットスポットが読み取り者によって点検され、承認される。
本明細書に記載されるＡＮＮは、１つまたは複数の機械学習モジュールを介して実装され得る。本明細書で使用される場合、用語「機械学習モジュール」とは、所与の入力（画像（例えば２Ｄ画像；例えば３Ｄ画像）、データセット等）に対して、１つまたは複数の出力値を決定するために１つまたは複数の特定の機械学習アルゴリズムを実装する、コンピュータによって実施されるプロセス（例えば機能）を言う。例えば、機械学習モジュールは、入力として対象の３Ｄ画像（例えばＣＴ画像；例えばＭＲＩ）を受け取り、その画像の各ボクセルについて、そのボクセルが、対象の特定の器官または組織の表現に対応する３Ｄ画像の領域にある見込みを表す値を決定し得る。ある特定の実施形態では、２つまたはそれより多い機械学習モジュールが組み合わされて、単一のモジュールおよび／または単一のソフトウェアアプリケーションとして実装されてよい。ある特定の実施形態では、２つまたはそれより多い機械学習モジュールが別々に、例えば別々のソフトウェアアプリケーションとして実装されてもよい。機械学習モジュールは、ソフトウェアおよび／またはハードウェアであってよい。例えば、機械学習モジュールは、完全にソフトウェアとして実装されてよく、または、ＣＮＮモジュールのある特定の機能が、特化されたハードウェア（例えば特定用途集積回路（ＡＳＩＣ））を介して実行されてもよい。
Ｅ．グラフィカルユーザインターフェースおよび画像ディスプレイ
Ｅ．グラフィカルユーザインターフェースおよび画像ディスプレイ
ある特定の実施形態では、本明細書に記載されるシステムおよび方法は、患者データおよび画像を点検するためのグラフィカルユーザインターフェースを含む。このＧＵＩは、ユーザが、患者のリストを点検し、画像を点検および分析する患者を選択することを可能にする。図９Ａおよび図９Ｂは、特定の患者をそこから選択できる患者の一覧を提供する例示的なＧＵＩウィンドウを示す。特定の患者が選択されると、ユーザは、その患者の骨スキャン画像を見て、図１０Ａおよび図１０Ｂに示されるＧＵＩなどのＧＵＩを使用して、自動化された分析（例えばホットスポットの検出および事前選択）を点検し得る。骨スキャン画像は、様々な色マップを使用して色付けされてよい。図１０Ｃおよび図１０Ｄは、使用され得る例示的な色マップを示す。
ある特定の実施形態では、本明細書に記載される手法によるＧＵＩシステムは、画像の閲覧を容易にする。例えば、画面サイズに合わせた画像の自動的な調節が提供されてよい。図１１Ａは、この機能をもたないＧＵＩ実施形態を示し、ここでは、ユーザがズームアイコンをクリックして画像のサイズを変化させる。図１１Ｂは、縦方向に画面を満たすように画像が自動的にサイズ調整されるＧＵＩのスクリーンショットを示す。図１１Ｃおよび図１１Ｄは、画像を詳細に閲覧するためのズーム機能を提供するための２つの手法を示す。図１１Ｃに示される実施形態では、スクロールホイールボタンがクリックされて保持されると、マウスポインタ周辺の拡大が発生する。図１１Ｄに示される実施形態では、マウスのスクロールホイールならびにクリックおよびドラッグ動作を使用したズームおよびパン機能が提供される。
図１２Ａ～１２Ｆは、画像を表示するための強度窓処理手法を示す。具体的には、図１２Ｂおよび図１２Ｄは、強度窓閾値のユーザ調節を容易にする、カスタムの強度窓処理スライダを実装するＧＵＩ実施形態を示す。
図１３Ａおよび図１３Ｂは、局所的な強度が表示される例示的なＧＵＩウィンドウのスクリーンショットを示す。具体的には、ある特定の実施形態では、ユーザがマウスポインタを画像の上に載せると局所的な強度が表示される。図１３Ａに示される実施形態では、マウスポインタの場所に局所的強度値が表示される。図１３Ｂに示される実施形態では、強度は、マウスポインタの隣にあって画像の一部を隠す代わりに、画像の左下の隅に表示される（例えば、それに応じて向上した安全性がもたらされる）。
図１４Ａ～１４Ｄは、複数の骨スキャン画像を表示するための例示的なＧＵＩ実施形態を示す。図１４Ａおよび図１４Ｃに示される実施形態では、表形式の手法を使用して、ユーザが、異なる骨スキャン画像セットを異なる調査のために切り替える、または腹側画像と背側画像とを切り替えることを可能にする。図１４Ｂおよび図１４Ｃに示される実施形態では、チェックボックスを使用して、各種画像の視認性を切り替え、異なる調査からの複数の画像を互いと並べて表示できるようにする。
ある特定の実施形態では、本明細書に記載される画像分析のためのＧＵＩツールの実施形態が、品質管理のために有用な情報を提供し得る。例えば、総画像強度が表示されてよい。図１５Ａは、説明のための実施形態による総画像強度および総骨格強度の表示を示すＧＵＩのスクリーンショットである。図１５Ｂに示されるＧＵＩのようなある特定の実施形態では、総画像強度のみが表示される（総骨格強度は表示されない）ことにより、より単純なユーザインターフェースを提供する（例えば混同を回避するため）。
骨スキャン画像を点検するためのＧＵＩツールは、例えば図１６Ａおよび図１６Ｂに示されるように、骨スキャン画像の上に重ねられた、検出された（例えば、かつ事前に選択された）ホットスポットの図像的指示を示してよい。ある特定の実施形態では、図１７Ａに示されるようなホットスポットの表も表示される。ある特定の実施形態では、本明細書に記載されるＧＵＩツールは、ユーザが、ＢＳＩ値を算出するために使用される選択されたホットスポットの最終セットに含めるために、事前に選択されたホットスポットを選択するまたは選択を取り消すことを可能にする。ＧＵＩは、図１７Ｂおよび図１７Ｃに示されるように、得られたＢＳＩ値１６０２を画像の上方に表示してよく、ユーザが、各種のホットスポット（１７０２ａおよび１７０２ｂ）の選択および／または選択取り消しと共に、その変化を観察する（１７０４ａを１７０４ｂと比較する）ことを可能にする。ユーザが事前選択されたホットスポットを含めるまたは除外するために選択できるようにするために、各種のグラフィカルコントロール手法が使用されてよい。例えば、図１８Ａは、ユーザの右クリック動作の後に現れるポップアップコントロールを示す。図１８Ｂは、オン・オフすることができるトグルスイッチ１８０２（「ホットスポットを編集する」）を示す。トグルスイッチがオンにされると、ユーザは、各種のホットスポットの上でクリックして、それらを選択または選択取り消しする。ある特定の実施形態では、ＧＵＩツールは、報告が生成される前に品質管理要件を検証するようにユーザを促す、図１８Ｃに示されるポップアップウィンドウなどの、安全性／品質管理機能を含んでよい。
ある特定の実施形態では、各種の調査についてのＢＳＩ値が算出されると、それらがユーザの点検のために表示される。例えば、算出されたＢＳＩ値が、図１９Ａに示されるように表に表示されてよい。ある特定の実施形態では、異なる調査についての算出されたＢＳＩ値は、図１９Ｂに示されるように、それらに対応する調査についての表示された骨スキャン画像の上方に表示される。図２０Ａおよび図２０Ｂに示されるように、算出されたＢＳＩ値の時間進展を示すチャートも表示されてよい。算出されたＢＳＩ値に関する追加的な情報が表示されてもよい。図２１は、説明のための実施形態による、異なる調査でＢＳＩ値を算出するために使用される特定の解剖学的領域内のホットスポットの数を列挙する表を提供するＧＵＩのスクリーンショットを示す。ある特定の実施形態では、本明細書に記載されるシステムおよび方法は、自動化された報告生成を可能にする。図２２Ａおよび図２２Ｂは、自動生成された報告の例を示す。
Ｆ．改良された画像処理手法
Ｆ．改良された画像処理手法
ある特定の実施形態では、本明細書に記載されるシステムおよび方法は、図６に示される画像処理ステップの１つまたは複数への改良を含む。
ｉ．骨格セグメント化
ｉ．骨格セグメント化
本明細書に記載されるように、骨格アトラス画像セットが画像セグメント化に使用されてよい。骨格アトラス画像セットは、典型的な正常な骨スキャンを表す一対のテンプレート骨スキャン画像（腹側および背側）、ならびに３１個の骨格領域の手動の輪郭付けを含む。それらの領域は、分析しようとする現在の患者画像に合わせて歪められる。ある特定の実施形態では、大腿骨および上腕骨の４分の３のみをカバーする骨格特定を有する制限されたアトラスが使用される。ある特定の実施形態では、大腿骨および上腕骨の全体をカバーする骨格領域の特定を含む、改良された全長アトラスが使用される。図２３は、アトラスに基づく骨格セグメント化が重ねられた骨スキャン画像のセットを示し、制限されたアトラス２３００ａ（左）と全長アトラス２３００ｂ（右）の使用を比較している。図２３に示されるように、制限されたアトラス２３００ａは、上腕骨２３０２ａおよび大腿骨２３０４ａの４分の３またはそれ未満のみを含むのに対し、全長アトラスは、上腕骨２３０２ｂおよび大腿骨２３０４ｂの長さの４分の３を優に超える長さを含む。全長アトラスの使用は、骨格セグメント化の安定性を高めることができる。具体的には、増大されたアトラスは、膝および肘が位置合わせ時に参照として利用されることを可能にする。そのような参照点は、明確なコントラストがあるため、画像分析に有益であり、向上した安全性を提供する。また、増大されたアトラスは、四肢の先の方のホットスポットの検出も可能にする。
ｉｉ．ホットスポット検出閾値
ｉｉ．ホットスポット検出閾値
本明細書に記載されるように、候補ホットスポットの初期のセットは、画像強度の閾値処理を使用して見つけられる。ある特定の実施形態では、グローバルな固定された閾値が、すべての骨格関心領域およびすべての画像にわたって同じ値が使用されるように使用される。別の改良された手法は、異なる骨格関心領域にわたって変動する領域閾値を設定する。例えば、この手法は、低減された閾値が大腿骨および上腕骨領域に使用される（例えば６５０から５００に下げられる）ことを可能にして、検出感度を増大させた。大腿骨および上腕骨領域は、骨スキャン画像内で他の骨格領域よりも少ない取り込みを示す。そのため、それらの領域にはより低い閾値を使用して、身体の残りの部分と同様のレベルの感度を達成することができる。異なる骨格領域に対して個々の閾値を設定することにより、この機能を可能にし、それが、それらの骨格領域内でより低い強度のホットスポットの検出の増加につながる。
図２４は、上記で説明された改良されたセグメント化および領域に依存する閾値手法を使用した、病変マーキングおよび分析のための例示的プロセス２４００を示す。例示的プロセス２４００では、ヒト対象の骨スキャン画像セットがアクセスされる２４１０。その骨スキャン画像セットの各メンバ画像が自動的にセグメント化２４２０されて、骨格関心領域を特定し、それには、対象の大腿骨の長さの４分の３超に対応する大腿骨領域２４２２、および／または対象の上腕骨の長さの４分の３超に対応する上腕骨領域２４２４が含まれる。特定された骨格関心領域が次いで分析されて、ホットスポットの初期のセットを自動的に検出する２４３０。本明細書に記載されるように、このホットスポットを自動的に検出するステップは、領域依存閾値、すなわち、その値が均一ではなく、骨格領域ごとに異なる閾値、を使用する閾値処理動作を、各骨格関心領域に適用することを含んでよい。具体的には、大腿骨領域および／または上腕骨領域のためのより値が低い閾値（それぞれ２４３２および２４３４）を使用して、大腿骨領域および／または上腕骨領域における検出感度を高め、それによりそれらにおける薬剤（例えば放射性医薬品）の取り込みの低下を考慮してよい。
ホットスポットの初期のセットが検出されると、ホットスポットごとにホットスポット特徴のセットが抽出され２４４０、それが、ホットスポットごとに転移見込み値を計算するために使用される２４５０。検出されたホットスポットは、ある特定の実施形態では、計算された見込み値などの追加的な情報と共に、ユーザに対してグラフィック表示するためにレンダリングされ得る２４６０。ホットスポットは、ユーザに提示されるかおよび／またはＢＳＩ値などのリスク指標の計算に使用されるかのいずれかのために、第１のサブセットに含めるために、計算された見込み値に基づいてフィルタリング（事前選択）されてよい。ユーザは、検出されたホットスポット、例えば初期ホットスポットセット、またはフィルタリング後のホットスポットを含む第１のサブセットを、グラフィック表示を介して点検し、第２の最終的なサブセットに含めるためにホットスポットを確定または却下してよい。この最終的なサブセットは、次いで、リスク指標値を計算するために使用されてよく、それによりユーザの専門的知見を意思決定プロセスに取り込む。
ある特定の実施形態では、グローバルな動的な閾値調節が使用される。この方法は、結果得られたＢＳＩ値を確認し、高負荷疾患に適応できるようにグローバル閾値スケーリング率を微調整する。スケーリングは、次の式に従って算出される。
式中、ｔｉは、元の事前領域閾値である。グローバル閾値スケーリングの微調整により、低負荷疾患は影響されないままにしながら、高負荷疾患の事例における線形性を高める。このグローバルスケーリング率手法は、よって、ＢＳＩ計算のための有用な範囲を増大させる。
具体的には、ある特定の実施形態では、グローバルスケーリング率手法は、高レベルの疾患、すなわち高レベルの転移、においてＢＳＩ値が過小推定され得る誤差を考慮するデータドリブンの手法である。そのような誤差は、任意の（例えば選択された）度合いの疾患を有する患者について骨スキャン画像がシミュレートされることを可能にするシミュレーションシステムを使用して発見された。シミュレーションシステムは、本物のような骨スキャン画像を作り出し、特有のカメラパラメータおよび検査パラメータをも考慮する。したがって、既知の特定の入力パラメータに対して、病変の体積、骨格の体積、および、したがってＢＳＩ値から見たグラウンドトゥルースが分かるように、本物のような骨スキャン画像を作り出すことができる。そのため、この手法は、本明細書に記載される画像分析手法を介して算出されたＢＳＩ値が、画像シミュレーションの入力パラメータから決定された既知のグラウンドトゥルースのＢＳＩ値と照合して確認され、それと比較されることを可能にする。変動する度合いの疾病負荷で多数回のシミュレーションを実行することにより、本明細書に記載されるグローバル閾値スケーリング手法を使用しない以前のシステムが、より高い疾病負荷に対して非線形的にＢＳＩ値を過小推定していることが実証された。式１のグローバル閾値スケーリング率に使用された非線形関数の形態は、シミュレーションの研究で観察された誤差のパターンに基づいており、観察された、算出されたＢＳＩ値の非線形の過小推定を補正するためのものである。
図２５Ａは、ｂの関数としてのスケーリング率のグラフであるグラフに示されるように、事前閾値にグローバル閾値スケーリング率を乗算することで、ホットスポット面積の割合ｂによって測定される疾病負荷が増大するにつれて、閾値を低減させる。低減した（調節された）閾値の結果、より大きい領域がホットスポットとして特定されるようになり、それにより、患者の骨格のうちホットスポットによって占められる合計の割合を測定する算出されるＢＳＩ値を増大させる。このようにして、グローバル閾値スケーリング率を使用して、ホットスポット検出に使用される閾値を調節することにより、観察された、高レベルの疾患における算出されたＢＳＩ値の過小推定を補正する。
図２５Ｂは、ホットスポットを検出するためにグローバル閾値スケーリング手法を使用するための例示的プロセス２５００を示す。最初のステップ２５１０で、ヒト対象の骨スキャン画像セットがアクセスされる。骨スキャン画像セットは、自動的にセグメント化されて２５２０、骨格関心領域の特定を含む、アノテーションされた画像のセットを作り出す。ある特定の実施形態では、セグメント化は、上記の図２４に関して説明したように、全長の大腿骨および／または上腕骨の特定を含んでよい。別のステップ２５３０で、ホットスポットの初期のセットが自動的に検出される。このホットスポット検出ステップ２５３０では、事前閾値を使用して、潜在的なホットスポットのセットが最初に検出される２５３２。次いで潜在的なホットスポットのセットを使用して、例えば本明細書に記載されるようにグローバル閾値スケーリング率を算出し２５３４、次いでそれを使用して事前閾値を調節する２５３６。次いでそれらの調節された閾値を使用して、初期ホットスポットセットに含めるためのホットスポットを自動的に検出する２５３８。プロセス２４００と同様、ホットスポットの初期のセットが検出されると、ホットスポットごとにホットスポット特徴のセットが抽出され２５４０、ホットスポットごとに、転移見込み値を計算するために使用される２５５０。検出されたホットスポットは、ユーザに対してグラフィック表示するためにレンダリングされ得る２５６０。
ｉｉｉ．ホットスポットの事前選択
ｉｉｉ．ホットスポットの事前選択
本明細書に記載されるように、ホットスポットは、それらが事前に選択されるべきか否かを判定するために分類される。ある特定の実施形態では、ホットスポットの分類は、２ステッププロセスを介して実行される。ある特定の実施形態では、第１のステップで、特定のホットスポットの局所的特徴を使用してその特定のホットスポットを分類するが、例えば患者が他にホットスポットを有さない、または多くの他のホットスポットを有さない場合には、画像の残りの部分の分類は行わない。ある特定の実施形態では、画像の残りの部分にあるホットスポットについてのグローバル情報を組み込むための第２のステップが含められる。
臨床経験は、ホットスポットの選択が画像の残りの部分に依存することを示している。ホットスポットが選択される確率は、多くの他のホットスポットがある場合により高くなり、それが唯一のホットスポットである場合により低くなる。したがって、単一ステップのみのプロセスを使用すると、結果として、多くのホットスポットを有する患者ではＢＳＩ値が過小推定され得る。２ステッププロセスの使用は、多くのホットスポットおよび高いＢＳＩを有する患者における成果を向上させることができる。グローバルホットスポット特徴を使用したホットスポットの選択は、機械学習モジュールを使用して行われてよい。例えば、ある特定の実施形態では、各ホットスポットの転移見込み値を算出するために第１の機械学習モジュールが使用される一方で、第２の機械学習モジュール（例えば異なるＡＮＮを実装する）が、計算された見込み値をグローバルホットスポット特徴と共に受け取り、ホットスポットが事前に選択されたホットスポットのサブセットに含められるべきかどうかを判定することができる。
図２６は、グローバルホットスポット特徴を使用したホットスポットの事前選択のための例示的プロセス２６００を示す。プロセス２６００は、骨スキャン画像セットにアクセスすることから開始し２６１０、その骨スキャン画像セットの画像（メンバ）を自動的にセグメント化して、骨格領域を特定し２６２０、初期ホットスポットセットを自動的に検出する２６３０。セグメント化ステップ２６２０およびホットスポット検出ステップ２６３０は、プロセス２４００の改良されたセグメント化手法および／またはプロセス２５００のグローバル閾値スケーリング手法を利用してよい。ホットスポットごとにホットスポット特徴が抽出され２６４０、ホットスポットごとに、転移見込み値を計算するために使用される２６５０。プロセス２６００では、初期ホットスポットの第１のサブセットを事前選択する２６６２ために、グローバルホットスポット特徴と併せて転移見込み値が使用される。この第１のサブセットは、それによりホットスポットをフィルタリングし、可能性の高いがん病変であると自動的に判定された、より小さい、的を絞ったホットスポットのセットがユーザに対して表示されることを可能にする２６６４。
ｉｖ．アトラス重量
ｉｖ．アトラス重量
ある特定の実施形態では、仙骨、骨盤、および腰椎領域の補正率は、等しい面積のホットスポットがＢＳＩ併発のより均一な測定に対応するように調節される。ある特定の実施形態では、そのような調節を行わず、仙骨領域が、隣接する骨盤および腰領域から大幅に異なる。図２７は、骨格アトラス内で輪郭付けされた状態のそれらの領域、すなわち仙骨領域２７０６、骨盤領域２７０２、および腰領域２７０４を示す。
ＢＳＩ値を計算するために、各選択されたホットスポットの総骨格のうちの割合が計算され、すべてのそのような割合の和としてＢＳＩ値が計算される。ホットスポットごとに、割合が次のように計算される。ホットスポットサイズを、骨格のセグメント化から得られた対応する骨格領域（例えば、頭蓋、肋骨、腰椎、骨盤）のサイズで割り、総骨格の重量に対する現在の骨格領域の重量割合定数で乗算する。各骨格領域につき１つあるそれらの定数は、国際放射線防汚委員会（ＩＣＲＰ）ｐｕｂｌｉｃａｔｉｏｎ ２３に基づいて決定され得る。
併発は、式、
を使用して計算され、式中、ｃは、ホットスポットが腹側画像と背側画像の両方において典型的に視認できる場合などに、性質の数を集める補正率である。ここに記載される補正率の調節前、この定数は、すべての３つの領域について１．０であった。
ある特定の実施形態では、この基本的方法は、大半の骨格領域ではうまく機能するが、周りに骨盤および腰エリアがある仙骨領域ではうまく機能しない。仙骨は複雑な３次元構造であり、２次元の骨スキャンでは、異なる領域のホットスポット同士を分離し、ホットスポットを正しい領域に局所化することが難しい。割り当てられたホットスポットの局所化（例えば、骨盤、腰柱、または仙骨への）によっては、似たサイズのホットスポットが、算出されたＢＳＩ割合への各自の寄与において大きい差を有することがある。そのような差を低減するために、上記式中の係数ｃは、骨盤領域から腰領域へ向かう差がよりなだらかになるように、仙骨に関して調節される。具体的には、補正率は、比
がこのなだらかな変化を表すように調節される。ｃの値は、それに応じて、仙骨の割合ＢＳＩ値が骨盤領域と腰領域の割合ＢＳＩ値の間になるように、ｃｓａｃｒｕｍ，ａｎｔｅｒｉｏｒ＝０．１６およびｃｓａｃｒｕｍ，ｐｏｓｔｅｒｉｏｒ＝０．２８と調節される。
図２８は、骨格併発率を調節し、そこからリスク指標値を算出するために本明細書に記載される補正率を利用するための例示的プロセス２８００を示す。プロセス２８００は、骨スキャン画像にアクセスするステップ２８１０と、骨スキャン画像を自動的にセグメント化２８２０して、骨格領域を特定するステップと、ホットスポットの初期のセットを自動的に検出するステップ２８３０と、ホットスポット特徴を抽出し２８４０、各ホットスポットについて転移見込み値を計算するステップ２８５０とを含む。セグメント化ステップ２８２０およびホットスポット検出ステップ２８３０は、プロセス２４００の改良されたセグメント化手法および／またはプロセス２５００のグローバル閾値スケーリング手法を利用してよい。ステップ２８５０で算出された転移見込み値に少なくとも基づいて、初期のセットのホットスポットのうち第１のサブセットが自動的に選択される２８６０。プロセス２６００に関して説明されたようなグローバルホットスポット特徴が使用されてもよく、例えばＧＵＩとの対話を介して受け取られるユーザ入力が、第１のサブセットを選択するために使用されてもよい。第１のサブセットのホットスポットは、次いで、対象のリスク指標値を計算するために使用される２８７０。本明細書に記載されるように、リスク指標の計算は、骨浸潤率を算出すること２８７２、領域依存補正率を使用して骨浸潤率を調節すること２８７４、および調節済みの骨浸潤率を合計すること２８７６を含んでよい。
Ｇ．実施例：ＢＳＩ計算性能
この実施例では、算出されるＢＳＩ値の線形性、精密度、および再現性を実証する。
ｉ．線形性および精度
この実施例では、算出されるＢＳＩ値の線形性、精密度、および再現性を実証する。
ｉ．線形性および精度
従属変数としての自動化されたＢＳＩを、シミュレーションした骨スキャンの２つのセットから決定し、独立変数とみなした既知のファントムＢＳＩとの比較で測定した。５０個のシミュレーションされた骨スキャンからなる第１のセットでは、Ｓｈａｐｉｒｏ－Ｗｉｌｋ検定で、従属変数の残差が正規分布していることが確認された（ｐ＝０．８５０）。また、標準偏差が０．２５である０．００の平均残差値は、等分散性を裏付け、独立変数のすべての値にわたる一定の変動を示した。残差が正規性および等分散性を示したとすると、モデルは線形であると考えられた。図２５は、線形フィット線の散布図を示し、０．１０から１３．０のＢＳＩの範囲における線形回帰の関連するパラメータが下の表１に提示される。
表1. 0.10から13.0の事前に定義されたBSI範囲での50個のファントムからなる第1のセットにおける線形回帰モデルのパラメータ
ｉｉ．ＢＳＩ計算の精密度
表1. 0.10から13.0の事前に定義されたBSI範囲での50個のファントムからなる第1のセットにおける線形回帰モデルのパラメータ
様々に異なる局所化に伴う５種の事前に定義された腫瘍負荷の各々における自動化されたＢＳＩ値の変動および標準偏差の係数を、５０個のシミュレーションした骨スキャンからなる第２のセットについて決定した。５個の事前に定義されたファントムＢＳＩの各々における変動の係数は、３０％未満または３０％に等しかった。結果が下の表２に示される。
表2. 5種の事前に定義された腫瘍負荷の各々における自動化されたBSI値の変動および標準偏差の係数
ｉｉｉ．異なるカメラを使用した再現性
表2. 5種の事前に定義された腫瘍負荷の各々における自動化されたBSI値の変動および標準偏差の係数
下の表３は、５種の疾病負荷および異なるカメラに対して算出されたＢＳＩ値のシミュレーション結果を示す。カメラの異なるコリメータ設定がＢＳＩ値の再現性に与えた影響は最小であった。各疾病負荷に対応する標準偏差は、＜１０％であった。
表3. 異なるカメラを使用したシミュレーションに対して計算されたBSI値
ｉｖ．異なる画像カウントによる再現性
表3. 異なるカメラを使用したシミュレーションに対して計算されたBSI値
図２６は、５０個のシミュレーションされたファントムからの自動化されたＢＳＩの読み取りの再現性を評価するＢｌａｎｄ－Ａｌｔｍａｎ図を示す。反復性の係数（２ｘＳＤ）が０．４０および－０．４０で（横方向の点線）、平均および中央ＢＳＩ差は、０．０（実線の横線）であり、標準偏差は０．２０であった。記述統計が下の表４に提示される。対応のあるｔ検定は、０．１５のｐ値を実証し、反復スキャンで得られた２つのａＢＳＩ値の間に統計的に有意な差がないことを示唆した。
表4. 50個のシミュレーションされたファントムからの自動化されたBSI計算の再現性を示す記述統計
ｖ．患者への反復スキャンによる再現性
表4. 50個のシミュレーションされたファントムからの自動化されたBSI計算の再現性を示す記述統計
図２７は、３５人の転移性患者の反復骨スキャンからの自動化されたＢＳＩ読み取りの再現性を評価するＢｌａｎｄ－Ａｌｔｍａｎ図を示す。反復性の係数（２ｘＳＤ）が０．３６および－０．３６で（横方向の点線）、平均および中央ＢＳＩ差は、０．０（実線の横線）であり、標準偏差は０．１８であった。記述統計が下の表５に提示される。対応のあるｔ検定は、０．０９のｐ値を実証し、反復スキャンで得られた２つのａＢＳＩ値の間に統計的に有意な差がないことを示唆した。
表5. 35人の転移性患者の反復骨スキャンからの自動化されたBSI計算の再現性を示す記述統計
ｖｉ．既承認デバイスとの比較
表5. 35人の転移性患者の反復骨スキャンからの自動化されたBSI計算の再現性を示す記述統計
図２８Ａおよび図２８Ｂは、本開示の改良を利用する自動化されたＢＳＩデバイス（ソフトウェアａＢＳＩバージョン３．４）のＢＳＩ計算のＢｌａｎｄ－Ａｌｔｍａｎ図と、本開示の改良を利用しない先行するバージョンのソフトウェアを実装する既承認デバイス（ソフトウェアＥＸＩＮＩバージョン１．７）とを比較したものである。各図は、シミュレーションされたファントムの既知のＢＳＩ値と、２つのＢＳＩソフトウェアバージョンの一方を使用して算出されたファントムの値との差を示す。図２８Ａは、既知のファントム値とａＢＳＩ３．４で算出された値との間の差を示し、一方、図２８Ｂは、既知のファントム値と、ＥＸＩＮＩ１．７を使用して算出された値との間の差を示す。平均ＢＳＩ差（ファントムと算出されたＢＳＩ値との間の）は、ａＢＳＩ３．４では０．１４であり、ＥＸＩＮＩ１．７では－０．８９であり、図２８Ａおよび図２８Ｂの横方向の実線によって示されている。ａＢＳＩ３．４の標準偏差（ＳＤ＝０．３０）は、ＥＸＩＮＩ１．７の標準偏差（ＳＤ＝０．８８）よりも有意に低いことが観察された。記述統計が下の表６Ａおよび表６Ｂに提示される。
表6A. 本明細書に記載される手法を用いた自動化されたBSI(ソフトウェアバージョン3.4)で計算された BSI値の記述統計
表6B. 既承認ソフトウェア(EXINI 1.7)で計算されたBSI値の記述統計
Ｈ．コンピュータシステムおよびネットワーク環境
表6A. 本明細書に記載される手法を用いた自動化されたBSI(ソフトウェアバージョン3.4)で計算された BSI値の記述統計
表6B. 既承認ソフトウェア(EXINI 1.7)で計算されたBSI値の記述統計
Ｈ．コンピュータシステムおよびネットワーク環境
ある特定の実施形態では、本明細書に記載されるシステムおよび方法は、クラウドベースのマイクロサービスアーキテクチャを使用して実装される。図３３Ａは、例示的なクラウドプラットフォームアーキテクチャを示し、図３３Ｂは、例示的なマイクロサービス通信設計チャートを示す。
図３４は、本明細書に記載される方法およびシステムで使用するための、説明のためのネットワーク環境３４００を示す。簡単な概要として、次いで図３４を参照すると、例示的なクラウドコンピューティング環境３４００のブロック図が示され、説明される。クラウドコンピューティング環境３４００は、１つまたは複数のリソース提供者３４０２ａ、３４０２ｂ、３４０２ｃ（まとめて３４０２）を含み得る。各リソース提供者３４０２は、コンピューティングリソースを含み得る。一部の実装形態では、コンピューティングリソースは、データを処理するために使用される任意のハードウェアおよび／またはソフトウェアを含んでよい。例えば、コンピューティングリソースは、アルゴリズム、コンピュータプログラム、および／またはコンピュータアプリケーションを実行することが可能なハードウェアおよび／またはソフトウェアを含み得る。一部の実装形態では、例示的なコンピューティングリソースは、記憶および検索機能を備えたアプリケーションサーバおよび／またはデータベースを含み得る。各リソース提供者３４０２は、クラウドコンピューティング環境３４００内の他のリソース提供者３４０２に接続され得る。一部の実装形態では、リソース提供者３４０２は、コンピュータネットワーク３４０８を通じて接続されてよい。各リソース提供者３４０２は、コンピュータネットワーク３４０８を通じて１つまたは複数のコンピューティングデバイス３４０４ａ、３４０４ｂ、３４０４ｃ（まとめて３４０４）に接続され得る。
クラウドコンピューティング環境３４００は、リソースマネジャ３４０６を含み得る。リソースマネジャ３４０６は、コンピュータネットワーク３４０８を通じてリソース提供者３４０２およびコンピューティングデバイス３４０４と接続され得る。一部の実装形態では、リソースマネジャ３４０６は、１つまたは複数のリソース提供者３４０２による１つまたは複数のコンピューティングデバイス３４０４へのコンピューティングリソースの提供を容易にし得る。リソースマネジャ３４０６は、特定のコンピューティングデバイス３４０４からコンピューティングリソースの要求を受け取り得る。リソースマネジャ３４０６は、コンピューティングデバイス３４０４によって要求されるコンピューティングリソースを提供することが可能な１つまたは複数のリソース提供者３４０２を特定し得る。リソースマネジャ３４０６は、コンピューティングリソースを提供するリソース提供者３４０２を選択し得る。リソースマネジャ３４０６は、リソース提供者３４０２と特定のコンピューティングデバイス３４０４との間の接続を容易にしてよい。一部の実装形態では、リソースマネジャ３４０６は、特定のリソース提供者３４０２と特定のコンピューティングデバイス３４０４との間の接続を確立し得る。一部の実装形態では、リソースマネジャ３４０６は、特定のコンピューティングデバイス３４０４を、要求されるコンピューティングリソースを有する特定のリソース提供者３４０２にリダイレクトし得る。
図３５は、本開示に記載される方法およびシステムで使用され得るコンピューティングデバイス３５００およびモバイルコンピューティングデバイス３５５０の例を示す。コンピューティングデバイス３５００は、ラップトップ、デスクトップ、ワークステーション、携帯情報端末、サーバ、ブレードサーバ、メインフレーム、および他の適当なコンピュータなどの、各種形態のデジタルコンピュータを表すことが意図される。モバイルコンピューティングデバイス３５５０は、携帯情報端末、携帯電話、スマートフォン、および他の同様のコンピューティングデバイスなどの、各種形態のモバイルデバイスを表すことが意図される。ここに示される構成要素、それらの接続および関係、ならびにそれらの機能は、単なる例であることが意図され、制限的であることは意図されない。
コンピューティングデバイス３５００は、プロセッサ３５０２、メモリ３５０４、記憶装置３５０６、メモリ３５０４および複数の高速拡張ポート３５１０に接続する高速インターフェース３５０８、ならびに低速拡張ポート３５１４および記憶装置３５０６に接続する低速インターフェース３５１２を含む。プロセッサ３５０２、メモリ３５０４、記憶装置３５０６、高速インターフェース３５０８、高速拡張ポート３５１０、および低速インターフェース３５１２の各々は、各種バスを使用して相互に接続され、共通のマザーボードに、または適宜他の方式で搭載され得る。プロセッサ３５０２は、コンピューティングデバイス３５００内で実行するための命令を処理することができ、それらには、高速インターフェース３５０８に結合されたディスプレイ３５１６などの外部の入出力デバイスにＧＵＩのグラフィック情報を表示するためのメモリ３５０４または記憶装置３５０６に記憶された命令が含まれる。他の実装形態では、複数のメモリおよび複数タイプのメモリと共に、適宜複数のプロセッサおよび／または複数のバスが使用されてよい。また、複数のコンピューティングデバイスが接続されてよく、各デバイスは、必要な動作の一部を提供する（例えば、サーババンク、ブレードサーバの群、またはマルチプロセッサシステムとして）。よって、この用語が本明細書で使用されるときに、複数の機能が「プロセッサ」によって実行されると記載される場合、これは、複数の機能が、任意数のコンピューティングデバイス（１つまたは複数）の任意数のプロセッサ（１つまたは複数）によって実行される実施形態を包含する。さらに、ある機能が「プロセッサ」によって実行されると記載される場合、これは、その機能が、任意数のコンピューティングデバイス（１つまたは複数）の任意数のプロセッサ（１つまたは複数）によって実行される実施形態を包含する（例えば分散コンピュータシステムにおいて）。
メモリ３５０４は、コンピューティングデバイス３５００内に情報を記憶する。一部の実装形態では、メモリ３５０４は、１つまたは複数の揮発性のメモリユニットである。一部の実装形態では、メモリ３５０４は、１つまたは複数の不揮発性のメモリユニットである。メモリ３５０４は、磁気ディスクや光ディスクなどの別の形態のコンピュータ可読媒体であってもよい。
記憶装置３５０６は、コンピューティングデバイス３５００に大容量記憶を提供することが可能である。一部の実装形態では、記憶装置３５０６は、フロッピー（登録商標）ディスクデバイス、ハードディスクデバイス、光ディスクデバイス、またはテープデバイス、フラッシュメモリ、もしくは他の同様の固体状態メモリデバイスなどのコンピュータ可読媒体、またはストレージエリアネットワークもしくは他の構成にあるデバイスを含むデバイスのアレイであるか、またはそれを含み得る。命令は、情報キャリアに記憶され得る。命令は、１つまたは複数の処理デバイス（例えばプロセッサ３５０２）によって実行されると、上記で説明したものなどの１つまたは複数の方法を実行する。命令は、コンピュータまたは機械可読媒体（例えば、メモリ３５０４、記憶装置３５０６、またはプロセッサ３５０２上のメモリ）などの、１つまたは複数の記憶装置に記憶することもできる。
高速インターフェース３５０８は、コンピューティングデバイス３５００の帯域幅集約的動作を管理するのに対し、低速インターフェース３５１２は、それほど帯域幅集約的でない動作を管理する。そのような機能の割り当ては単なる例である。一部の実装形態では、高速インターフェース３５０８は、メモリ３５０４、ディスプレイ３５１６に（例えば、グラフィックプロセッサまたはアクセラレータを通じて）、そして高速拡張ポート３５１０に結合され、高速拡張ポート３５１０は、各種の拡張カード（図示せず）を受け付け得る。この実装形態では、低速インターフェース３５１２は、記憶装置３５０６および低速拡張ポート３５１４に結合されている。低速拡張ポート３５１４は、各種の通信ポート（例えば、ＵＳＢ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｅｔｈｅｒｎｅｔ（登録商標）、ワイヤレスＥｔｈｅｒｎｅｔ（登録商標））を含んでよく、キーボード、ポインティングデバイス、スキャナ、またはスイッチやルータなどのネットワーキングデバイスなどの１つまたは複数の入出力装置に、例えばネットワークアダプタを通じて結合され得る。
コンピューティングデバイス３５００は、図に示されるようにいくつかの異なる形態で実装され得る。例えば、それは、標準的なサーバ３５２０として、またはそのようなサーバの群の中で複数回実装され得る。また、ラップトップコンピュータ３５２２などのパーソナルコンピュータとして実装されてもよい。ラックサーバシステム３５２４の一部として実装されてもよい。代替として、コンピューティングデバイス３５００からの構成要素が、モバイルコンピューティングデバイス３５５０などのモバイルデバイス（図示せず）の他の構成要素と組み合わせられてよい。そのようなデバイスの各々は、コンピューティングデバイス３５００およびモバイルコンピューティングデバイス３５５０の１つまたは複数を含んでよく、システム全体が、互いと通信する複数のコンピューティングデバイスからなってよい。
モバイルコンピューティングデバイス３５５０は、構成要素の中でも特に、プロセッサ３５５２、メモリ３５６４、ディスプレイ３５５４などの入出力装置、通信インターフェース３５６６、およびトランシーバ３５６８を含む。モバイルコンピューティングデバイス３５５０は、追加的な記憶を提供するために、マイクロドライブやその他デバイスなどの記憶装置を備えてもよい。プロセッサ３５５２、メモリ３５６４、ディスプレイ３５５４、通信インターフェース３５６６、およびトランシーバ３５６８の各々は、各種バスを使用して相互に接続され、これら構成要素のいくつかは、共通のマザーボードに、または適宜他の方式で搭載され得る。
プロセッサ３５５２は、メモリ３５６４に記憶された命令を含めて、モバイルコンピューティングデバイス３５５０内で命令を実行することができる。プロセッサ３５５２は、別々の複数のアナログおよびデジタルプロセッサを含むチップのチップセットとして実装され得る。プロセッサ３５５２は、例えば、ユーザインターフェースの制御、モバイルコンピューティングデバイス３５５０によって実行されるアプリケーション、およびモバイルコンピューティングデバイス３５５０によるワイヤレス通信など、モバイルコンピューティングデバイス３５５０のその他の構成要素の連携を可能にし得る。
プロセッサ３５５２は、制御インターフェース３５５８、およびディスプレイ３５５４と結合されたディスプレイインターフェース３５５６を通じてユーザと通信し得る。ディスプレイ３５５４は、例えば、ＴＦＴ（薄膜トランジスタ液晶ディスプレイ）ディスプレイ、またはＯＬＥＤ（有機発光ダイオード）ディスプレイ、または他の適当なディスプレイ技術であってよい。ディスプレイインターフェース３５５６は、グラフィック情報および他の情報をユーザに提示するためにディスプレイ３５５４を駆動するための適当な回路を備え得る。制御インターフェース３５５８は、ユーザからコマンドを受け取り、それをプロセッサ３５５２に送出するために変換し得る。また、外部インターフェース３５６２が、モバイルコンピューティングデバイス３５５０と他のデバイスとの近エリア通信を可能にするためにプロセッサ３５５２との通信を提供し得る。外部インターフェース３５６２は、例えば、一部の実装では有線通信を可能にし、または他の実装ではワイヤレス通信を可能にし、複数のインターフェースが使用されてもよい。
メモリ３５６４は、モバイルコンピューティングデバイス３５５０内に情報を記憶する。メモリ３５６４は、１つまたは複数のコンピュータ可読媒体、１つまたは複数の揮発性メモリユニット、あるいは１つまたは複数の不揮発性メモリユニット、の１つまたは複数として実装され得る。拡張メモリ３５７４が設けられ、拡張インターフェース３５７２を通じてモバイルコンピューティングデバイス３５５０に接続されてもよく、拡張インターフェース３５７２は、例えばＳＩＭＭ（シングル・インライン・メモリ・モジュール）カードインターフェースを含み得る。拡張メモリ３５７４は、モバイルコンピューティングデバイス３５５０の追加の記憶空間を提供することができ、またはモバイルコンピューティングデバイス３５５０のアプリケーションもしくは他の情報を記憶してもよい。具体的には、拡張メモリ３５７４は、上記で説明されたプロセスを実行するまたは補うための命令を含んでよく、セキュアな情報も含んでよい。よって、例えば、拡張メモリ３５７４は、モバイルコンピューティングデバイス３５５０のセキュリティモジュールとして提供されてよく、モバイルコンピューティングデバイス３５５０の安全な使用を可能にする命令がプログラムされていてよい。また、識別情報をハッキング不可能な形でＳＩＭＭカードに入れるなど、セキュアアプリケーションが、追加情報と共にＳＩＭＭカードを介して提供され得る。
メモリは、下記で論じるように、例えば、フラッシュメモリおよび／またはＮＶＲＡＭメモリ（不揮発性ランダムアクセスメモリ）を含み得る。一部の実装形態では、命令は、情報キャリアに記憶され、１つまたは複数の処理デバイス（例えばプロセッサ３５５２）によって実行されると、上記で説明したものなどの１つまたは複数の方法を実行する。命令は、１つまたは複数のコンピュータまたは機械可読媒体（例えば、メモリ３５６４、拡張メモリ３５７４、またはプロセッサ３５５２上のメモリ）などの、１つまたは複数の記憶装置によって記憶することもできる。一部の実装形態では、命令は、例えばトランシーバ３５６８または外部インターフェース３５６２を通じて、伝搬信号中で受信することができる。
モバイルコンピューティングデバイス３５５０は、通信インターフェース３５６６を通じて無線通信することができ、通信インターフェース３５６６は、必要な場合にデジタル信号処理回路を含んでよい。通信インターフェース３５６６は、とりわけ、ＧＳＭ（登録商標）音声呼（Ｇｌｏｂａｌ Ｓｙｓｔｅｍ ｆｏｒ Ｍｏｂｉｌｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ）、ＳＭＳ（Ｓｈｏｒｔ Ｍｅｓｓａｇｅ Ｓｅｒｖｉｃｅ）、ＥＭＳ（Ｅｎｈａｎｃｅｄ Ｍｅｓｓａｇｉｎｇ Ｓｅｒｖｉｃｅ）、またはＭＭＳメッセージング（Ｍｕｌｔｉｍｅｄｉａ Ｍｅｓｓａｇｉｎｇ Ｓｅｒｖｉｃｅ）、ＣＤＭＡ（符号分割多重接続）、ＴＤＭＡ（時分割多重接続）、ＰＤＣ（Ｐｅｒｓｏｎａｌ Ｄｉｇｉｔａｌ Ｃｅｌｌｕｌａｒ）、ＷＣＤＭＡ（登録商標）（広帯域符号分割多重接続）、ＣＤＭＡ２０００、またはＧＰＲＳ（Ｇｅｎｅｒａｌ Ｐａｃｋｅｔ Ｒａｄｉｏ Ｓｅｒｖｉｃｅ）などの、各種のモードまたはプロトコル下での通信を可能にする。そのような通信は、例えば、無線周波数を使用してトランシーバ３５６８を通じて行われ得る。また、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｗｉ－Ｆｉ（商標）、または他のそのようなトランシーバ（図示せず）を使用して、近距離通信が行われ得る。また、ＧＰＳ（全地球測位システム）受信機モジュール３５７０が、追加的なナビゲーションおよび位置に関係するワイヤレスデータをモバイルコンピューティングデバイス３５５０に提供してよく、それが、モバイルコンピューティングデバイス３５５０で実行されるアプリケーションによって適宜使用され得る。
モバイルコンピューティングデバイス３５５０は、オーディオコーデック３５６０を使用して音声により通信してもよく、オーディオコーデック３５６０は、ユーザから発声情報を受け取り、それを使用可能なデジタル情報に変換し得る。オーディオコーデック３５６０は、同様に、例えばモバイルコンピューティングデバイス３５５０のハンドセット内のスピーカなどを通じて、ユーザに対して可聴音を生成することができる。そのような音は、音声通話からの音を含んでよく、録音された音（例えば音声メッセージ、音楽ファイル等）を含んでよく、またモバイルコンピューティングデバイス３５５０で動作するアプリケーションによって生成された音を含んでもよい。
モバイルコンピューティングデバイス３５５０は、図に示されるようにいくつかの異なる形態で実装され得る。例えば、携帯電話３５８０として実装され得る。また、スマートフォン３５８２、携帯情報端末、または他の同様のモバイルデバイスの一部として実装されてもよい。
ここに記載されるシステムおよび技術の各種実装は、デジタル電子回路、集積回路、特別に設計されたＡＳＩＣ（特定用途集積回路）、コンピュータハードウェア、ファームウェア、ソフトウェア、および／またはそれらの組合せとして実現することができる。これらの各種実装は、少なくとも１つのプログラマブルプロセッサを含むプログラマブルシステム上で実行可能および／または解釈可能な１つまたは複数のコンピュータプログラムとしての実装を含み得、プロセッサは、特殊なものである場合も汎用的なものである場合もあり、記憶システム、少なくとも１つの入力装置、および少なくとも１つの出力装置からデータおよび命令を受け取り、それらにデータおよび命令を送信するように結合される。
これらのコンピュータプログラム（プログラム、ソフトウェア、ソフトウェアアプリケーションまたはコードとしても知られる）は、プログラマブルプロセッサの機械命令を含み、高水準の手続き型および／もしくはオブジェクト指向プログラミング言語、ならびに／またはアセンブリ言語および／もしくは機械言語で実装することができる。本明細書で使用される場合、機械可読媒体およびコンピュータ可読媒体という用語は、機械可読信号として機械命令を受け取る機械可読媒体を含む、機械命令および／またはデータをプログラマブルプロセッサに提供するために使用される任意のコンピュータプログラム製品、装置および／またはデバイス（例えば磁気ディスク、光ディスク、メモリ、プログラマブルロジックデバイス（ＰＬＤ））を指す。機械可読信号という用語は、機械命令および／またはデータをプログラマブルプロセッサに提供するために使用される任意の信号を指す。
ユーザとの対話を可能にするために、ここに記載されるシステムおよび技術は、ユーザに情報を表示するための表示装置（例えばＣＲＴ（陰極線管）またはＬＣＤ（液晶ディスク）モニタ）、ならびにユーザがそれによりコンピュータに入力を提供することができるキーボードおよびポインティングデバイス（例えばマウスまたはトラックボール）を有するコンピュータ上で実装することができる。他の種のデバイスを使用して、ユーザとの対話を可能にすることもでき、例えば、ユーザに提供されるフィードバックは、任意形態の感覚フィードバックであり得（例えば視覚的フィードバック、可聴フィードバック、または触覚フィードバック）、ユーザからの入力は、音響、音声、または触覚入力を含む、任意の形態で受け取られ得る。
ここに記載されるシステムおよび技術は、バックエンド構成要素（例えばデータサーバとしての）を含む、またはミドルウェア構成要素（例えばアプリケーションサーバ）を含む、またはフロントエンド構成要素（例えば、ユーザがここに記載されるシステムおよび技術の実装と対話することができるグラフィカルユーザインターフェースまたはウェブブラウザを有するクライアントコンピュータ）、またはそのようなバックエンド、ミドルウェア、またはフロントエンド構成要素の任意の組合せを含む、コンピューティングシステム内で実装することができる。システムの構成要素は、任意の形態または媒体のデジタルデータ通信（例えば通信ネットワーク）によって相互接続することができる。通信ネットワークの例には、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、およびインターネットが含まれる。
コンピュータシステムは、クライアントおよびサーバを含むことがある。クライアントとサーバは、一般に互いから遠隔にあり、通例は通信ネットワークを通じて対話する。クライアントとサーバの関係は、それぞれのコンピュータで実行される、互いとクライアント・サーバ関係を有するコンピュータプログラムのために生じる。一部の実装形態では、本明細書に記載されるモジュールおよび／またはサービスは、分離される、組み合わせられる、または単一のもしくは組み合わせられたモジュールおよび／もしくはサービスに統合することができる。図に描かれるモジュールおよび／またはサービスは、本明細書に記載されるシステムを、それらに示されるソフトウェアアーキテクチャに制限することは意図されない。
本発明について、特定の好ましい実施形態に関して詳細に図示し、説明してきたが、当業者には、添付の特許請求の範囲によって定められる本発明の主旨および範囲から逸脱することなく、各種の形態および詳細の変更が行われ得ることが理解されるべきである。
本発明は、例えば、以下の項目を提供する。
(項目１)
ヒト対象の核医学画像の病変マーキングおよび定量分析のための方法であって、
（ａ）コンピューティングデバイスのプロセッサにより、前記ヒト対象の骨スキャン画像セットにアクセスするステップであって、前記骨スキャン画像セットは、前記ヒト対象への薬剤の投与後に得られたものである、ステップと、
（ｂ）前記プロセッサにより、前記骨スキャン画像セット内の各画像を自動的にセグメント化して、前記ヒト対象の骨格の特定の解剖学的領域に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得るステップであって、前記１つまたは複数の骨格関心領域は、
（ｉ）前記ヒト対象の大腿骨の一部分に対応する大腿骨領域であって、前記大腿骨の一部分は、前記大腿骨の長さに沿って前記大腿骨の少なくとも４分の３を包含する大腿骨領域、および
（ｉｉ）前記ヒト対象の上腕骨の一部分に対応する上腕骨領域であって、前記上腕骨の一部分は、前記上腕骨の長さに沿って前記上腕骨の少なくとも４分の３を包含する上腕骨領域、
のうち少なくとも一方を含む、ステップと、
（ｃ）前記プロセッサにより、１つまたは複数のホットスポットの初期のセットを自動的に検出するステップであって、各ホットスポットは、前記アノテーションされた画像のセット内の高い強度のエリアに対応し、前記自動的に検出することは、前記アノテーションされた画像のセット内の画素の強度を使用して、かつ１つまたは複数の領域依存閾値を使用して、前記１つまたは複数のホットスポットを特定することを含み、前記１つまたは複数の領域依存閾値は、当該領域内での前記薬剤の取り込みの低下を補償するために前記大腿骨領域および／または前記上腕骨領域内で高められたホットスポット検出感度を提供する、前記大腿骨領域および／または前記上腕骨領域に関連付けられた１つまたは複数の値を含む、ステップと、
（ｄ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記プロセッサにより、前記ホットスポットに関連するホットスポット特徴のセットを抽出するステップと、
（ｅ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記プロセッサにより、前記ホットスポットに関連する前記ホットスポット特徴のセットに基づいて、前記ホットスポットが転移を表す見込みに対応する転移見込み値を計算するステップと、
（ｆ）前記プロセッサにより、前記ホットスポットの初期のセットの少なくとも一部分のグラフィック表現を、グラフィカルユーザインターフェース（ＧＵＩ）内に表示するためにレンダリングさせるステップと、を含む方法。
(項目２)
ステップ（ｂ）が、
前記骨スキャン画像セットの各メンバを、アトラス画像セットのうちの対応するアトラス画像と比較するステップであって、各アトラス画像が、前記１つまたは複数の骨格関心領域の１つまたは複数の特定を含み、前記骨格関心領域は、前記大腿骨領域および／または前記上腕骨領域を含む、ステップと、
前記骨スキャン画像セットの各画像について、前記アトラス画像の前記１つまたは複数の骨格関心領域の前記特定が前記骨スキャン画像セットの前記画像に適用されるように、前記対応するアトラス画像を、前記骨スキャン画像セットの前記画像と位置合わせするステップと、を含む、項目１に記載の方法。
(項目３)
各アトラス画像が、（ｉ）前記ヒト対象の膝領域の少なくとも一部分を含む前記大腿骨領域、および／または（ｉｉ）前記ヒト対象の肘領域の少なくとも一部分を含む前記上腕骨領域、の特定を含み、前記骨スキャン画像セットの各画像について、前記骨スキャン画像への前記対応するアトラス画像の前記位置合わせが、前記特定された膝領域および／または前記特定された肘領域を、前記画像内でランドマークとして使用することを含む、項目２に記載の方法。
(項目４)
前記初期のホットスポットセットのうち少なくとも１つの検出されたホットスポットの場所が、前記ヒト対象の殿部の方を向いた大腿骨の端部から前記ヒト対象の膝の方を向いた前記大腿骨の端部までの前記大腿骨に沿った距離の４分の３超のところにある、前記大腿骨の中または上の物理的場所に対応する、前記項目のいずれか一項に記載の方法。
(項目５)
前記初期のホットスポットセットのうち少なくとも１つの検出されたホットスポットの場所が、前記ヒト対象の肩の方を向いた上腕骨の端部から前記ヒト対象の肘の方を向いた前記上腕骨の端部までの前記上腕骨に沿った距離の４分の３超のところにある、前記上腕骨の中または上の物理的場所に対応する、前記項目のいずれか一項に記載の方法。
(項目６)
ステップ（ｃ）が、
前記プロセッサにより、前記骨スキャン画像セットのうちホットスポットを全く含まないと判定された画像内で健康な組織領域を特定するステップと、
前記プロセッサにより、正規化係数を、前記正規化係数と前記特定された健康な組織領域の平均強度との積が事前に定められた強度レベルになるように計算するステップと、
前記プロセッサにより、前記正規化係数によって前記骨スキャン画像セットの前記画像を正規化するステップと、を含む、前記項目のいずれか一項に記載の方法。
(項目７)
（ｇ）前記プロセッサにより、前記ホットスポットの初期のセットによって占められている前記ヒト対象の前記骨格の算出された割合に少なくとも部分的に基づいて、前記ヒト対象についての１つまたは複数のリスク指標値を計算するステップ、をさらに含む、前記項目のいずれか一項に記載の方法。
(項目８)
（ｈ）前記プロセッサにより、前記転移見込み値に少なくとも部分的に基づいて、前記ホットスポットの初期のセットの第１のサブセットを選択するステップと、
（ｉ）前記プロセッサにより、前記第１のサブセットのグラフィック表現を、グラフィカルユーザインターフェース（ＧＵＩ）内に表示するためにレンダリングさせるステップと、
を含む、前記項目のいずれか一項に記載の方法。
(項目９)
（ｊ）前記プロセッサにより、ホットスポットの前記第１のサブセットによって占められる前記ヒト対象の前記骨格の算出された割合に少なくとも部分的に基づいて、前記ヒト対象についての１つまたは複数のリスク指標値を計算するステップ、をさらに含む、項目８に記載の方法。
(項目１０)
（ｋ）前記プロセッサにより、前記ＧＵＩを介して、前記ホットスポットの初期のセットの第２のサブセットのユーザ選択を受け取るステップと、
（ｌ）前記プロセッサにより、ホットスポットの前記第２のサブセットによって占められる前記ヒト対象の前記骨格の算出された割合に少なくとも部分的に基づいて、前記ヒト対象についての１つまたは複数のリスク指標値を計算するステップ、
を含む、前記項目のいずれか一項に記載の方法。
(項目１１)
前記リスク指標値の少なくとも１つが、前記ヒト対象が転移性がんを有するおよび／または発症するリスクを示す、項目７から１０のいずれか一項に記載の方法。
(項目１２)
前記転移性がんが転移性前立腺がんである、項目１１に記載の方法。
(項目１３)
前記リスク指標値の少なくとも１つが、前記ヒト対象が特定の状態の転移性がんを有することを示す、項目７から１０のいずれか一項に記載の方法。
(項目１４)
前記プロセッサが、クラウドベースのシステムのプロセッサである、前記項目のいずれか一項に記載の方法。
(項目１５)
前記ＧＵＩが、一般的な写真保管および通信システム（ＰＡＣＳ）の一部である、前記項目のいずれか一項に記載の方法。
(項目１６)
前記薬剤が、メチレンジホスホン酸テクネチウム９９ｍ（ ９９ｍ Ｔｃ－ＭＤＰ）を含む、前記項目のいずれか一項に記載の方法。
(項目１７)
ヒト対象の核医学画像の病変マーキングおよび定量分析のための方法であって、
（ａ）コンピューティングデバイスのプロセッサにより、前記ヒト対象の骨スキャン画像セットにアクセスするステップであって、前記骨スキャン画像セットは、前記ヒト対象への薬剤の投与後に得られたものである、ステップと、
（ｂ）前記プロセッサにより、前記骨スキャン画像セット内の各画像を自動的にセグメント化して、前記ヒト対象の骨格の特定の解剖学的領域に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得るステップと、
（ｃ）前記プロセッサにより、１つまたは複数のホットスポットの初期のセットを自動的に検出するステップであって、各ホットスポットは、前記アノテーションされた画像のセット内の高い強度のエリアに対応し、前記自動的に検出することは、
（ｉ）前記アノテーションされた画像のセット内の画素の強度、および（ｉｉ）複数の事前閾値、を使用して、潜在的なホットスポットのセットを検出すること、
前記潜在的なホットスポットのセットを使用してグローバル閾値スケーリング率を算出すること、
前記グローバル閾値スケーリング率を使用して前記複数の事前閾値を調節し、それにより複数の調節済みの閾値を得ること、および
（ｉ）前記アノテーションされた画像のセット内の画素の強度、および（ｉｉ）前記複数の調節済みの閾値、を使用して、前記ホットスポットの初期のセットを特定すること、を含む、ステップと、
（ｄ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記プロセッサにより、前記ホットスポットに関連するホットスポット特徴のセットを抽出するステップと、
（ｅ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記プロセッサにより、前記ホットスポットに関連する前記ホットスポット特徴のセットに基づいて、前記ホットスポットが転移を表す見込みに対応する転移見込み値を計算するステップと、
（ｆ）前記プロセッサにより、前記ホットスポットの初期のセットの少なくとも一部分のグラフィック表現を、グラフィカルユーザインターフェース（ＧＵＩ）内に表示するためにレンダリングさせるステップと、を含む方法。
(項目１８)
前記グローバル閾値スケーリング率が、前記ヒト対象の疾病負荷の測度の関数であり、ステップ（ｃ）で行われる前記複数の事前閾値を前記調節することが、増大する疾病負荷に伴って発生するホットスポット面積の過小推定を補償するために、疾病負荷が増大するのに従って前記調節済みの閾値を低減させることを含む、項目１７に記載の方法。
(項目１９)
前記グローバル閾値スケーリング率が、前記特定された骨格領域のうち前記潜在的なホットスポットのセットによって占められる割合の関数である、項目１７または１８に記載の方法。
(項目２０)
前記グローバル閾値スケーリング率が、前記潜在的なホットスポットのセットを使用して計算されたリスク指標値に基づく、項目１７から１９のいずれか一項に記載の方法。
(項目２１)
ヒト対象の核医学画像の病変マーキングおよび定量分析のための方法であって、
（ａ）コンピューティングデバイスのプロセッサにより、前記ヒト対象の骨スキャン画像セットにアクセスするステップであって、前記骨スキャン画像セットは、前記ヒト対象への薬剤の投与後に得られたものである、ステップと、
（ｂ）前記プロセッサにより、前記骨スキャン画像セット内の各画像を自動的にセグメント化して、前記ヒト対象の骨格の特定の解剖学的領域に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得るステップと、
（ｃ）前記プロセッサにより、１つまたは複数のホットスポットの初期のセットを自動的に検出するステップであって、各ホットスポットは、前記アノテーションされた画像のセット内の高い強度のエリアに対応する、ステップと、
（ｄ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記プロセッサにより、前記ホットスポットに関連するホットスポット特徴のセットを抽出するステップと、
（ｅ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記プロセッサにより、前記ホットスポットに関連する前記ホットスポット特徴のセットに基づいて、前記ホットスポットが転移を表す見込みに対応する転移見込み値を計算するステップと、
（ｆ）前記プロセッサにより、前記ホットスポットの初期のセットの第１のサブセットを選択するステップであって、前記第１のサブセットに含める特定のホットスポットの選択が、
（ｉ）前記特定のホットスポットについて計算された前記転移見込み値、および
（ｉｉ）１つまたは複数のグローバルホットスポット特徴であって、各々が前記ホットスポットの初期のセット内の複数のホットスポットを使用して決定される、グローバルホットスポット特徴、
に少なくとも部分的に基づく、ステップと、
（ｇ）前記プロセッサにより、ホットスポットの前記第１のサブセットの少なくとも一部分のグラフィック表現を、グラフィカルユーザインターフェース（ＧＵＩ）内に表示するためにレンダリングさせるステップと、を含む方法。
(項目２２)
前記１つまたは複数のグローバルホットスポット特徴が、前記初期のホットスポットセット内のホットスポットの総数を含む、項目２１に記載の方法。
(項目２３)
ステップ（ｆ）が、前記初期のホットスポットセット内の前記ホットスポットの総数に基づいて、前記第１のサブセットに含めるホットスポットの選択の基準を調節することを含む、項目２２に記載の方法。
(項目２４)
ステップ（ｆ）が、機械学習モジュールを使用して前記第１のサブセットを選択することを含む、項目２１から２３のいずれか一項に記載の方法。
(項目２５)
ヒト対象の核医学画像の病変マーキングおよび定量分析のための方法であって、
（ａ）コンピューティングデバイスのプロセッサにより、前記ヒト対象の骨スキャン画像セットにアクセスするステップと、
（ｂ）前記プロセッサにより、前記骨スキャン画像セット内の各画像を自動的にセグメント化して、前記ヒト対象の骨格の特定の解剖学的領域に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得るステップと、
（ｃ）前記プロセッサにより、１つまたは複数のホットスポットの初期のセットを自動的に検出するステップであって、各ホットスポットは、前記アノテーションされた画像のセット内の高い強度のエリアに対応する、ステップと、
（ｄ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記プロセッサにより、前記ホットスポットに関連するホットスポット特徴のセットを抽出するステップと、
（ｅ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記プロセッサにより、前記ホットスポットに関連する前記ホットスポット特徴のセットに基づいて、前記ホットスポットが転移を表す見込みに対応する見込み値を計算するステップと、
（ｆ）前記プロセッサにより、前記ホットスポットの初期のセットの各ホットスポットについて計算された前記見込み値に少なくとも部分的に基づいて、前記ホットスポットの初期のセットの前記ホットスポットのうち第１のサブセットを選択するステップと、
（ｇ）前記プロセッサにより、ホットスポットの前記第１のサブセットの少なくとも一部分を使用して１つまたは複数のリスク指標値を計算するステップと、を含み、前記計算することが、
第１のサブセットの前記一部分の各特定のホットスポットについて、（ｉｉ）前記特定のホットスポットが前記アノテーションされた画像のセット内における自身の場所に基づいて割り当てられた特定の骨格領域のサイズに対する、（ｉ）前記特定のホットスポットのサイズ（例えば面積）、の比に基づいて骨浸潤率を算出し、それにより１つまたは複数の骨浸潤率を決定するステップ、
１つまたは複数の領域依存補正率を使用して前記骨浸潤率を調節し、それにより１つまたは複数の調節済みの骨浸潤率を得るステップ、および
前記調節済みの骨浸潤率を合計して、前記１つまたは複数のリスク指標値を決定するステップ、を含む、方法。
(項目２６)
各特定のホットスポットについて、前記算出された骨浸潤率が、総骨格質量のうち前記特定のホットスポットに関連する物理的体積によって占められる比率を推定する、項目２５に記載の方法。
(項目２７)
前記骨浸潤率を前記算出するステップが、
前記プロセッサにより、前記対応する骨格関心領域の面積に対する前記特定のホットスポットの面積の比を計算し、それにより前記特定のホットスポットの面積割合を算出することと、
前記特定のホットスポットが割り当てられている前記骨格関心領域に関連付けられた密度係数で前記面積割合をスケーリングし、それにより前記特定のホットスポットの前記骨浸潤率を算出することと、を含む、項目２６に記載の方法。
(項目２８)
前記第１のサブセットの前記ホットスポットの少なくとも一部分が、骨盤領域、腰領域、および仙骨領域からなる群から選択されるメンバである骨格関心領域に割り当てられる、項目２５から２７のいずれか一項に記載の方法。
(項目２９)
前記１つまたは複数の領域依存補正率が、仙骨領域内に位置するとして特定されたホットスポットの骨浸潤率を調節するために使用される、前記仙骨領域に関連付けられた仙骨領域補正率を含み、前記仙骨領域補正率は１未満の値を有する、項目２５から２８のいずれか一項に記載の方法。
(項目３０)
前記１つまたは複数の領域依存補正率が、１つまたは複数の補正率ペアを含み、各補正率ペアは、特定の骨格関心領域に関連付けられ、（前記ペアの）第１のメンバおよび第２のメンバを含み、
前記ペアの前記第１のメンバは、腹側画像補正率であり、前記アノテーションされた画像セットのアノテーションされた腹側骨スキャン画像内で検出されたホットスポットについて算出された骨浸潤率を調節するために使用され、
前記ペアの前記第２のメンバは、背側画像補正率であり、前記アノテーションされた画像セットのアノテーションされた背側骨スキャン画像内で検出されたホットスポットについて算出された骨浸潤率を調節するために使用される、項目２５から２９のいずれか一項に記載の方法。
(項目３１)
ヒト対象の核医学画像の病変マーキングおよび定量分析のためのシステムであって、
プロセッサと、
命令を有しているメモリと、を備え、前記命令は、前記プロセッサによって実行されたときに、前記プロセッサに、
（ａ）前記ヒト対象の骨スキャン画像セットにアクセスすることであって、前記骨スキャン画像セットは、前記ヒト対象への薬剤の投与後に得られたものである、ことと、
（ｂ）前記骨スキャン画像セット内の各画像を自動的にセグメント化して、前記ヒト対象の骨格の特定の解剖学的領域に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得ることであって、前記１つまたは複数の骨格関心領域は、
（ｉ）前記ヒト対象の大腿骨の一部分に対応する大腿骨領域であって、前記大腿骨の一部分は、前記大腿骨の長さに沿って前記大腿骨の少なくとも４分の３を包含する大腿骨領域、および
（ｉｉ）前記ヒト対象の上腕骨の一部分に対応する上腕骨領域であって、前記上腕骨の一部分は、前記上腕骨の長さに沿って前記上腕骨の少なくとも４分の３を包含する上腕骨領域、
のうち少なくとも一方を含む、ことと、
（ｃ）１つまたは複数のホットスポットの初期のセットを自動的に検出することであって、各ホットスポットは、前記アノテーションされた画像のセット内の高い強度のエリアに対応し、前記自動的に検出することは、前記アノテーションされた画像のセット内の画素の強度を使用して、かつ１つまたは複数の領域依存閾値を使用して、前記１つまたは複数のホットスポットを特定することを含み、前記１つまたは複数の領域依存閾値は、当該領域内での前記薬剤の取り込みの低下を補償するために前記大腿骨領域および／または前記上腕骨領域内で高められたホットスポット検出感度を提供する、前記大腿骨領域および／または前記上腕骨領域に関連付けられた１つまたは複数の値を含む、ことと、
（ｄ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記ホットスポットに関連するホットスポット特徴のセットを抽出することと、
（ｅ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記ホットスポットに関連する前記ホットスポット特徴のセットに基づいて、前記ホットスポットが転移を表す見込みに対応する転移見込み値を計算することと、
（ｆ）前記ホットスポットの初期のセットの少なくとも一部分のグラフィック表現を、グラフィカルユーザインターフェース（ＧＵＩ）内に表示するためにレンダリングさせることと、を行わせる、システム。
(項目３２)
ヒト対象の核医学画像の病変マーキングおよび定量分析のためのシステムであって、
プロセッサと、
命令を有しているメモリと、を備え、前記命令は、前記プロセッサによって実行されたときに、前記プロセッサに、
（ａ）コンピューティングデバイスのプロセッサにより、前記ヒト対象の骨スキャン画像セットにアクセスすることであって、前記骨スキャン画像セットは、前記ヒト対象への薬剤の投与後に得られたものである、ことと、
（ｂ）前記骨スキャン画像セット内の各画像を自動的にセグメント化して、前記ヒト対象の骨格の特定の解剖学的領域に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得ることと、
（ｃ）１つまたは複数のホットスポットの初期のセットを自動的に検出することであって、各ホットスポットは、前記アノテーションされた画像のセット内の高い強度のエリアに対応し、前記自動的に検出することは、
（ｉ）前記アノテーションされた画像のセット内の画素の強度、および（ｉｉ）複数の事前閾値、を使用して、潜在的なホットスポットのセットを検出すること、
前記潜在的なホットスポットのセットを使用してグローバル閾値スケーリング率を算出すること、
前記グローバル閾値スケーリング率を使用して前記複数の事前閾値を調節し、それにより複数の調節済みの閾値を得ること、および
（ｉ）前記アノテーションされた画像のセット内の画素の強度、および（ｉｉ）前記複数の調節済みの閾値、を使用して、前記ホットスポットの初期のセットを特定すること、を含む、ことと、
（ｄ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記ホットスポットに関連するホットスポット特徴のセットを抽出することと、
（ｅ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記ホットスポットに関連する前記ホットスポット特徴のセットに基づいて、前記ホットスポットが転移を表す見込みに対応する転移見込み値を計算することと、
（ｆ）前記ホットスポットの初期のセットの少なくとも一部分のグラフィック表現を、グラフィカルユーザインターフェース（ＧＵＩ）内に表示するためにレンダリングさせることと、を行わせる、システム。
(項目３３)
ヒト対象の核医学画像の病変マーキングおよび定量分析のためのシステムであって、
プロセッサと、
命令を有しているメモリと、を備え、前記命令は、前記プロセッサによって実行されたときに、前記プロセッサに、
（ａ）前記ヒト対象の骨スキャン画像セットにアクセスすることであって、前記骨スキャン画像セットは、前記ヒト対象への薬剤の投与後に得られたものである、ことと、
（ｂ）前記骨スキャン画像セット内の各画像を自動的にセグメント化して、前記ヒト対象の骨格の特定の解剖学的領域に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得ることと、
（ｃ）１つまたは複数のホットスポットの初期のセットを自動的に検出することであって、各ホットスポットは、前記アノテーションされた画像のセット内の高い強度のエリアに対応する、ことと、
（ｄ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記ホットスポットに関連するホットスポット特徴のセットを抽出することと、
（ｅ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記ホットスポットに関連する前記ホットスポット特徴のセットに基づいて、前記ホットスポットが転移を表す見込みに対応する転移見込み値を計算することと、
（ｆ）前記ホットスポットの初期のセットの第１のサブセットを自動的に選択することであって、前記第１のサブセットに含める特定のホットスポットの選択が、
（ｉ）前記特定のホットスポットについて計算された前記転移見込み値、および
（ｉｉ）１つまたは複数のグローバルホットスポット特徴であって、各々が前記ホットスポットの初期のセット内の複数のホットスポットを使用して決定される、グローバルホットスポット特徴、
に少なくとも部分的に基づく、ことと、
（ｇ）ホットスポットの前記第１のサブセットの少なくとも一部分のグラフィック表現を、グラフィカルユーザインターフェース（ＧＵＩ）内に表示するためにレンダリングさせることと、を行わせる、システム。
(項目３４)
ヒト対象の核医学画像の病変マーキングおよび定量分析のためのシステムであって、
プロセッサと、
命令を有しているメモリと、を備え、前記命令は、前記プロセッサによって実行されたときに、前記プロセッサに、
（ａ）前記ヒト対象の骨スキャン画像セットにアクセスすることと、
（ｂ）前記骨スキャン画像セット内の各画像を自動的にセグメント化して、前記ヒト対象の骨格の特定の解剖学的領域に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得ることと、
（ｃ）１つまたは複数のホットスポットの初期のセットを自動的に検出することであって、各ホットスポットは、前記アノテーションされた画像のセット内の高い強度のエリアに対応する、ことと、
（ｄ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記ホットスポットに関連するホットスポット特徴のセットを抽出することと、
（ｅ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記ホットスポットに関連する前記ホットスポット特徴のセットに基づいて、前記ホットスポットが転移を表す見込みに対応する見込み値を計算することと、
（ｆ）前記ホットスポットの初期のセットの各ホットスポットについて計算された前記見込み値に少なくとも部分的に基づいて、前記ホットスポットの初期のセットの前記ホットスポットのうち第１のサブセットを選択することと、
（ｇ）ホットスポットの前記第１のサブセットの少なくとも一部分を使用して１つまたは複数のリスク指標値を計算することと、を行わせ、前記計算することが、
第１のサブセットの前記一部分の各特定のホットスポットについて、（ｉｉ）前記特定のホットスポットが前記アノテーションされた画像のセット内における自身の場所に基づいて割り当てられた特定の骨格領域のサイズに対する、（ｉ）前記特定のホットスポットのサイズ、の比に基づいて骨浸潤率を算出し、それにより１つまたは複数の骨浸潤率を決定すること、
１つまたは複数の領域依存補正率を使用して前記骨浸潤率を調節し、それにより１つまたは複数の調節済みの骨浸潤率を得ること、および
前記調節済みの骨浸潤率を合計して、前記１つまたは複数のリスク指標値を決定すること、を含む、システム。
(項目３５)
項目３１から３４のいずれか一項のシステムを備える、コンピュータ支援画像分析デバイス。
(項目３６)
前記デバイスが、訓練された健康管理の専門家および／または研究者によって使用されるためにプログラムされる、項目３５に記載のデバイス。
(項目３７)
前記デバイスが、転移性がんの評価および／または検出を行うための骨スキャン画像の分析に使用されるためにプログラムされる、項目３６に記載のデバイス。
(項目３８)
前記デバイスが、前立腺がんの評価および／または検出を行うための骨スキャン画像の分析に使用されるためにプログラムされる、項目３６または３７に記載のデバイス。
(項目３９)
前記デバイスが訓練された健康管理の専門家および／または研究者によって使用されることを意図されることを指定するラベルを備える、項目３５から３８のいずれか一項に記載のデバイス。
(項目４０)
前記ラベルは、前記デバイスが転移性がんの評価および／または検出を行うための骨スキャン画像の分析に使用されることを意図されることをさらに指定する、項目３９に記載のデバイス。
(項目４１)
前記ラベルは、前記デバイスが前立腺がんの評価および／または検出を行うための骨スキャン画像の分析に使用されることを意図されることをさらに指定する、項目３９または４０に記載のデバイス。
本発明は、例えば、以下の項目を提供する。
(項目１)
ヒト対象の核医学画像の病変マーキングおよび定量分析のための方法であって、
（ａ）コンピューティングデバイスのプロセッサにより、前記ヒト対象の骨スキャン画像セットにアクセスするステップであって、前記骨スキャン画像セットは、前記ヒト対象への薬剤の投与後に得られたものである、ステップと、
（ｂ）前記プロセッサにより、前記骨スキャン画像セット内の各画像を自動的にセグメント化して、前記ヒト対象の骨格の特定の解剖学的領域に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得るステップであって、前記１つまたは複数の骨格関心領域は、
（ｉ）前記ヒト対象の大腿骨の一部分に対応する大腿骨領域であって、前記大腿骨の一部分は、前記大腿骨の長さに沿って前記大腿骨の少なくとも４分の３を包含する大腿骨領域、および
（ｉｉ）前記ヒト対象の上腕骨の一部分に対応する上腕骨領域であって、前記上腕骨の一部分は、前記上腕骨の長さに沿って前記上腕骨の少なくとも４分の３を包含する上腕骨領域、
のうち少なくとも一方を含む、ステップと、
（ｃ）前記プロセッサにより、１つまたは複数のホットスポットの初期のセットを自動的に検出するステップであって、各ホットスポットは、前記アノテーションされた画像のセット内の高い強度のエリアに対応し、前記自動的に検出することは、前記アノテーションされた画像のセット内の画素の強度を使用して、かつ１つまたは複数の領域依存閾値を使用して、前記１つまたは複数のホットスポットを特定することを含み、前記１つまたは複数の領域依存閾値は、当該領域内での前記薬剤の取り込みの低下を補償するために前記大腿骨領域および／または前記上腕骨領域内で高められたホットスポット検出感度を提供する、前記大腿骨領域および／または前記上腕骨領域に関連付けられた１つまたは複数の値を含む、ステップと、
（ｄ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記プロセッサにより、前記ホットスポットに関連するホットスポット特徴のセットを抽出するステップと、
（ｅ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記プロセッサにより、前記ホットスポットに関連する前記ホットスポット特徴のセットに基づいて、前記ホットスポットが転移を表す見込みに対応する転移見込み値を計算するステップと、
（ｆ）前記プロセッサにより、前記ホットスポットの初期のセットの少なくとも一部分のグラフィック表現を、グラフィカルユーザインターフェース（ＧＵＩ）内に表示するためにレンダリングさせるステップと、を含む方法。
(項目２)
ステップ（ｂ）が、
前記骨スキャン画像セットの各メンバを、アトラス画像セットのうちの対応するアトラス画像と比較するステップであって、各アトラス画像が、前記１つまたは複数の骨格関心領域の１つまたは複数の特定を含み、前記骨格関心領域は、前記大腿骨領域および／または前記上腕骨領域を含む、ステップと、
前記骨スキャン画像セットの各画像について、前記アトラス画像の前記１つまたは複数の骨格関心領域の前記特定が前記骨スキャン画像セットの前記画像に適用されるように、前記対応するアトラス画像を、前記骨スキャン画像セットの前記画像と位置合わせするステップと、を含む、項目１に記載の方法。
(項目３)
各アトラス画像が、（ｉ）前記ヒト対象の膝領域の少なくとも一部分を含む前記大腿骨領域、および／または（ｉｉ）前記ヒト対象の肘領域の少なくとも一部分を含む前記上腕骨領域、の特定を含み、前記骨スキャン画像セットの各画像について、前記骨スキャン画像への前記対応するアトラス画像の前記位置合わせが、前記特定された膝領域および／または前記特定された肘領域を、前記画像内でランドマークとして使用することを含む、項目２に記載の方法。
(項目４)
前記初期のホットスポットセットのうち少なくとも１つの検出されたホットスポットの場所が、前記ヒト対象の殿部の方を向いた大腿骨の端部から前記ヒト対象の膝の方を向いた前記大腿骨の端部までの前記大腿骨に沿った距離の４分の３超のところにある、前記大腿骨の中または上の物理的場所に対応する、前記項目のいずれか一項に記載の方法。
(項目５)
前記初期のホットスポットセットのうち少なくとも１つの検出されたホットスポットの場所が、前記ヒト対象の肩の方を向いた上腕骨の端部から前記ヒト対象の肘の方を向いた前記上腕骨の端部までの前記上腕骨に沿った距離の４分の３超のところにある、前記上腕骨の中または上の物理的場所に対応する、前記項目のいずれか一項に記載の方法。
(項目６)
ステップ（ｃ）が、
前記プロセッサにより、前記骨スキャン画像セットのうちホットスポットを全く含まないと判定された画像内で健康な組織領域を特定するステップと、
前記プロセッサにより、正規化係数を、前記正規化係数と前記特定された健康な組織領域の平均強度との積が事前に定められた強度レベルになるように計算するステップと、
前記プロセッサにより、前記正規化係数によって前記骨スキャン画像セットの前記画像を正規化するステップと、を含む、前記項目のいずれか一項に記載の方法。
(項目７)
（ｇ）前記プロセッサにより、前記ホットスポットの初期のセットによって占められている前記ヒト対象の前記骨格の算出された割合に少なくとも部分的に基づいて、前記ヒト対象についての１つまたは複数のリスク指標値を計算するステップ、をさらに含む、前記項目のいずれか一項に記載の方法。
(項目８)
（ｈ）前記プロセッサにより、前記転移見込み値に少なくとも部分的に基づいて、前記ホットスポットの初期のセットの第１のサブセットを選択するステップと、
（ｉ）前記プロセッサにより、前記第１のサブセットのグラフィック表現を、グラフィカルユーザインターフェース（ＧＵＩ）内に表示するためにレンダリングさせるステップと、
を含む、前記項目のいずれか一項に記載の方法。
(項目９)
（ｊ）前記プロセッサにより、ホットスポットの前記第１のサブセットによって占められる前記ヒト対象の前記骨格の算出された割合に少なくとも部分的に基づいて、前記ヒト対象についての１つまたは複数のリスク指標値を計算するステップ、をさらに含む、項目８に記載の方法。
(項目１０)
（ｋ）前記プロセッサにより、前記ＧＵＩを介して、前記ホットスポットの初期のセットの第２のサブセットのユーザ選択を受け取るステップと、
（ｌ）前記プロセッサにより、ホットスポットの前記第２のサブセットによって占められる前記ヒト対象の前記骨格の算出された割合に少なくとも部分的に基づいて、前記ヒト対象についての１つまたは複数のリスク指標値を計算するステップ、
を含む、前記項目のいずれか一項に記載の方法。
(項目１１)
前記リスク指標値の少なくとも１つが、前記ヒト対象が転移性がんを有するおよび／または発症するリスクを示す、項目７から１０のいずれか一項に記載の方法。
(項目１２)
前記転移性がんが転移性前立腺がんである、項目１１に記載の方法。
(項目１３)
前記リスク指標値の少なくとも１つが、前記ヒト対象が特定の状態の転移性がんを有することを示す、項目７から１０のいずれか一項に記載の方法。
(項目１４)
前記プロセッサが、クラウドベースのシステムのプロセッサである、前記項目のいずれか一項に記載の方法。
(項目１５)
前記ＧＵＩが、一般的な写真保管および通信システム（ＰＡＣＳ）の一部である、前記項目のいずれか一項に記載の方法。
(項目１６)
前記薬剤が、メチレンジホスホン酸テクネチウム９９ｍ（ ９９ｍ Ｔｃ－ＭＤＰ）を含む、前記項目のいずれか一項に記載の方法。
(項目１７)
ヒト対象の核医学画像の病変マーキングおよび定量分析のための方法であって、
（ａ）コンピューティングデバイスのプロセッサにより、前記ヒト対象の骨スキャン画像セットにアクセスするステップであって、前記骨スキャン画像セットは、前記ヒト対象への薬剤の投与後に得られたものである、ステップと、
（ｂ）前記プロセッサにより、前記骨スキャン画像セット内の各画像を自動的にセグメント化して、前記ヒト対象の骨格の特定の解剖学的領域に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得るステップと、
（ｃ）前記プロセッサにより、１つまたは複数のホットスポットの初期のセットを自動的に検出するステップであって、各ホットスポットは、前記アノテーションされた画像のセット内の高い強度のエリアに対応し、前記自動的に検出することは、
（ｉ）前記アノテーションされた画像のセット内の画素の強度、および（ｉｉ）複数の事前閾値、を使用して、潜在的なホットスポットのセットを検出すること、
前記潜在的なホットスポットのセットを使用してグローバル閾値スケーリング率を算出すること、
前記グローバル閾値スケーリング率を使用して前記複数の事前閾値を調節し、それにより複数の調節済みの閾値を得ること、および
（ｉ）前記アノテーションされた画像のセット内の画素の強度、および（ｉｉ）前記複数の調節済みの閾値、を使用して、前記ホットスポットの初期のセットを特定すること、を含む、ステップと、
（ｄ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記プロセッサにより、前記ホットスポットに関連するホットスポット特徴のセットを抽出するステップと、
（ｅ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記プロセッサにより、前記ホットスポットに関連する前記ホットスポット特徴のセットに基づいて、前記ホットスポットが転移を表す見込みに対応する転移見込み値を計算するステップと、
（ｆ）前記プロセッサにより、前記ホットスポットの初期のセットの少なくとも一部分のグラフィック表現を、グラフィカルユーザインターフェース（ＧＵＩ）内に表示するためにレンダリングさせるステップと、を含む方法。
(項目１８)
前記グローバル閾値スケーリング率が、前記ヒト対象の疾病負荷の測度の関数であり、ステップ（ｃ）で行われる前記複数の事前閾値を前記調節することが、増大する疾病負荷に伴って発生するホットスポット面積の過小推定を補償するために、疾病負荷が増大するのに従って前記調節済みの閾値を低減させることを含む、項目１７に記載の方法。
(項目１９)
前記グローバル閾値スケーリング率が、前記特定された骨格領域のうち前記潜在的なホットスポットのセットによって占められる割合の関数である、項目１７または１８に記載の方法。
(項目２０)
前記グローバル閾値スケーリング率が、前記潜在的なホットスポットのセットを使用して計算されたリスク指標値に基づく、項目１７から１９のいずれか一項に記載の方法。
(項目２１)
ヒト対象の核医学画像の病変マーキングおよび定量分析のための方法であって、
（ａ）コンピューティングデバイスのプロセッサにより、前記ヒト対象の骨スキャン画像セットにアクセスするステップであって、前記骨スキャン画像セットは、前記ヒト対象への薬剤の投与後に得られたものである、ステップと、
（ｂ）前記プロセッサにより、前記骨スキャン画像セット内の各画像を自動的にセグメント化して、前記ヒト対象の骨格の特定の解剖学的領域に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得るステップと、
（ｃ）前記プロセッサにより、１つまたは複数のホットスポットの初期のセットを自動的に検出するステップであって、各ホットスポットは、前記アノテーションされた画像のセット内の高い強度のエリアに対応する、ステップと、
（ｄ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記プロセッサにより、前記ホットスポットに関連するホットスポット特徴のセットを抽出するステップと、
（ｅ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記プロセッサにより、前記ホットスポットに関連する前記ホットスポット特徴のセットに基づいて、前記ホットスポットが転移を表す見込みに対応する転移見込み値を計算するステップと、
（ｆ）前記プロセッサにより、前記ホットスポットの初期のセットの第１のサブセットを選択するステップであって、前記第１のサブセットに含める特定のホットスポットの選択が、
（ｉ）前記特定のホットスポットについて計算された前記転移見込み値、および
（ｉｉ）１つまたは複数のグローバルホットスポット特徴であって、各々が前記ホットスポットの初期のセット内の複数のホットスポットを使用して決定される、グローバルホットスポット特徴、
に少なくとも部分的に基づく、ステップと、
（ｇ）前記プロセッサにより、ホットスポットの前記第１のサブセットの少なくとも一部分のグラフィック表現を、グラフィカルユーザインターフェース（ＧＵＩ）内に表示するためにレンダリングさせるステップと、を含む方法。
(項目２２)
前記１つまたは複数のグローバルホットスポット特徴が、前記初期のホットスポットセット内のホットスポットの総数を含む、項目２１に記載の方法。
(項目２３)
ステップ（ｆ）が、前記初期のホットスポットセット内の前記ホットスポットの総数に基づいて、前記第１のサブセットに含めるホットスポットの選択の基準を調節することを含む、項目２２に記載の方法。
(項目２４)
ステップ（ｆ）が、機械学習モジュールを使用して前記第１のサブセットを選択することを含む、項目２１から２３のいずれか一項に記載の方法。
(項目２５)
ヒト対象の核医学画像の病変マーキングおよび定量分析のための方法であって、
（ａ）コンピューティングデバイスのプロセッサにより、前記ヒト対象の骨スキャン画像セットにアクセスするステップと、
（ｂ）前記プロセッサにより、前記骨スキャン画像セット内の各画像を自動的にセグメント化して、前記ヒト対象の骨格の特定の解剖学的領域に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得るステップと、
（ｃ）前記プロセッサにより、１つまたは複数のホットスポットの初期のセットを自動的に検出するステップであって、各ホットスポットは、前記アノテーションされた画像のセット内の高い強度のエリアに対応する、ステップと、
（ｄ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記プロセッサにより、前記ホットスポットに関連するホットスポット特徴のセットを抽出するステップと、
（ｅ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記プロセッサにより、前記ホットスポットに関連する前記ホットスポット特徴のセットに基づいて、前記ホットスポットが転移を表す見込みに対応する見込み値を計算するステップと、
（ｆ）前記プロセッサにより、前記ホットスポットの初期のセットの各ホットスポットについて計算された前記見込み値に少なくとも部分的に基づいて、前記ホットスポットの初期のセットの前記ホットスポットのうち第１のサブセットを選択するステップと、
（ｇ）前記プロセッサにより、ホットスポットの前記第１のサブセットの少なくとも一部分を使用して１つまたは複数のリスク指標値を計算するステップと、を含み、前記計算することが、
第１のサブセットの前記一部分の各特定のホットスポットについて、（ｉｉ）前記特定のホットスポットが前記アノテーションされた画像のセット内における自身の場所に基づいて割り当てられた特定の骨格領域のサイズに対する、（ｉ）前記特定のホットスポットのサイズ（例えば面積）、の比に基づいて骨浸潤率を算出し、それにより１つまたは複数の骨浸潤率を決定するステップ、
１つまたは複数の領域依存補正率を使用して前記骨浸潤率を調節し、それにより１つまたは複数の調節済みの骨浸潤率を得るステップ、および
前記調節済みの骨浸潤率を合計して、前記１つまたは複数のリスク指標値を決定するステップ、を含む、方法。
(項目２６)
各特定のホットスポットについて、前記算出された骨浸潤率が、総骨格質量のうち前記特定のホットスポットに関連する物理的体積によって占められる比率を推定する、項目２５に記載の方法。
(項目２７)
前記骨浸潤率を前記算出するステップが、
前記プロセッサにより、前記対応する骨格関心領域の面積に対する前記特定のホットスポットの面積の比を計算し、それにより前記特定のホットスポットの面積割合を算出することと、
前記特定のホットスポットが割り当てられている前記骨格関心領域に関連付けられた密度係数で前記面積割合をスケーリングし、それにより前記特定のホットスポットの前記骨浸潤率を算出することと、を含む、項目２６に記載の方法。
(項目２８)
前記第１のサブセットの前記ホットスポットの少なくとも一部分が、骨盤領域、腰領域、および仙骨領域からなる群から選択されるメンバである骨格関心領域に割り当てられる、項目２５から２７のいずれか一項に記載の方法。
(項目２９)
前記１つまたは複数の領域依存補正率が、仙骨領域内に位置するとして特定されたホットスポットの骨浸潤率を調節するために使用される、前記仙骨領域に関連付けられた仙骨領域補正率を含み、前記仙骨領域補正率は１未満の値を有する、項目２５から２８のいずれか一項に記載の方法。
(項目３０)
前記１つまたは複数の領域依存補正率が、１つまたは複数の補正率ペアを含み、各補正率ペアは、特定の骨格関心領域に関連付けられ、（前記ペアの）第１のメンバおよび第２のメンバを含み、
前記ペアの前記第１のメンバは、腹側画像補正率であり、前記アノテーションされた画像セットのアノテーションされた腹側骨スキャン画像内で検出されたホットスポットについて算出された骨浸潤率を調節するために使用され、
前記ペアの前記第２のメンバは、背側画像補正率であり、前記アノテーションされた画像セットのアノテーションされた背側骨スキャン画像内で検出されたホットスポットについて算出された骨浸潤率を調節するために使用される、項目２５から２９のいずれか一項に記載の方法。
(項目３１)
ヒト対象の核医学画像の病変マーキングおよび定量分析のためのシステムであって、
プロセッサと、
命令を有しているメモリと、を備え、前記命令は、前記プロセッサによって実行されたときに、前記プロセッサに、
（ａ）前記ヒト対象の骨スキャン画像セットにアクセスすることであって、前記骨スキャン画像セットは、前記ヒト対象への薬剤の投与後に得られたものである、ことと、
（ｂ）前記骨スキャン画像セット内の各画像を自動的にセグメント化して、前記ヒト対象の骨格の特定の解剖学的領域に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得ることであって、前記１つまたは複数の骨格関心領域は、
（ｉ）前記ヒト対象の大腿骨の一部分に対応する大腿骨領域であって、前記大腿骨の一部分は、前記大腿骨の長さに沿って前記大腿骨の少なくとも４分の３を包含する大腿骨領域、および
（ｉｉ）前記ヒト対象の上腕骨の一部分に対応する上腕骨領域であって、前記上腕骨の一部分は、前記上腕骨の長さに沿って前記上腕骨の少なくとも４分の３を包含する上腕骨領域、
のうち少なくとも一方を含む、ことと、
（ｃ）１つまたは複数のホットスポットの初期のセットを自動的に検出することであって、各ホットスポットは、前記アノテーションされた画像のセット内の高い強度のエリアに対応し、前記自動的に検出することは、前記アノテーションされた画像のセット内の画素の強度を使用して、かつ１つまたは複数の領域依存閾値を使用して、前記１つまたは複数のホットスポットを特定することを含み、前記１つまたは複数の領域依存閾値は、当該領域内での前記薬剤の取り込みの低下を補償するために前記大腿骨領域および／または前記上腕骨領域内で高められたホットスポット検出感度を提供する、前記大腿骨領域および／または前記上腕骨領域に関連付けられた１つまたは複数の値を含む、ことと、
（ｄ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記ホットスポットに関連するホットスポット特徴のセットを抽出することと、
（ｅ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記ホットスポットに関連する前記ホットスポット特徴のセットに基づいて、前記ホットスポットが転移を表す見込みに対応する転移見込み値を計算することと、
（ｆ）前記ホットスポットの初期のセットの少なくとも一部分のグラフィック表現を、グラフィカルユーザインターフェース（ＧＵＩ）内に表示するためにレンダリングさせることと、を行わせる、システム。
(項目３２)
ヒト対象の核医学画像の病変マーキングおよび定量分析のためのシステムであって、
プロセッサと、
命令を有しているメモリと、を備え、前記命令は、前記プロセッサによって実行されたときに、前記プロセッサに、
（ａ）コンピューティングデバイスのプロセッサにより、前記ヒト対象の骨スキャン画像セットにアクセスすることであって、前記骨スキャン画像セットは、前記ヒト対象への薬剤の投与後に得られたものである、ことと、
（ｂ）前記骨スキャン画像セット内の各画像を自動的にセグメント化して、前記ヒト対象の骨格の特定の解剖学的領域に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得ることと、
（ｃ）１つまたは複数のホットスポットの初期のセットを自動的に検出することであって、各ホットスポットは、前記アノテーションされた画像のセット内の高い強度のエリアに対応し、前記自動的に検出することは、
（ｉ）前記アノテーションされた画像のセット内の画素の強度、および（ｉｉ）複数の事前閾値、を使用して、潜在的なホットスポットのセットを検出すること、
前記潜在的なホットスポットのセットを使用してグローバル閾値スケーリング率を算出すること、
前記グローバル閾値スケーリング率を使用して前記複数の事前閾値を調節し、それにより複数の調節済みの閾値を得ること、および
（ｉ）前記アノテーションされた画像のセット内の画素の強度、および（ｉｉ）前記複数の調節済みの閾値、を使用して、前記ホットスポットの初期のセットを特定すること、を含む、ことと、
（ｄ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記ホットスポットに関連するホットスポット特徴のセットを抽出することと、
（ｅ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記ホットスポットに関連する前記ホットスポット特徴のセットに基づいて、前記ホットスポットが転移を表す見込みに対応する転移見込み値を計算することと、
（ｆ）前記ホットスポットの初期のセットの少なくとも一部分のグラフィック表現を、グラフィカルユーザインターフェース（ＧＵＩ）内に表示するためにレンダリングさせることと、を行わせる、システム。
(項目３３)
ヒト対象の核医学画像の病変マーキングおよび定量分析のためのシステムであって、
プロセッサと、
命令を有しているメモリと、を備え、前記命令は、前記プロセッサによって実行されたときに、前記プロセッサに、
（ａ）前記ヒト対象の骨スキャン画像セットにアクセスすることであって、前記骨スキャン画像セットは、前記ヒト対象への薬剤の投与後に得られたものである、ことと、
（ｂ）前記骨スキャン画像セット内の各画像を自動的にセグメント化して、前記ヒト対象の骨格の特定の解剖学的領域に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得ることと、
（ｃ）１つまたは複数のホットスポットの初期のセットを自動的に検出することであって、各ホットスポットは、前記アノテーションされた画像のセット内の高い強度のエリアに対応する、ことと、
（ｄ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記ホットスポットに関連するホットスポット特徴のセットを抽出することと、
（ｅ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記ホットスポットに関連する前記ホットスポット特徴のセットに基づいて、前記ホットスポットが転移を表す見込みに対応する転移見込み値を計算することと、
（ｆ）前記ホットスポットの初期のセットの第１のサブセットを自動的に選択することであって、前記第１のサブセットに含める特定のホットスポットの選択が、
（ｉ）前記特定のホットスポットについて計算された前記転移見込み値、および
（ｉｉ）１つまたは複数のグローバルホットスポット特徴であって、各々が前記ホットスポットの初期のセット内の複数のホットスポットを使用して決定される、グローバルホットスポット特徴、
に少なくとも部分的に基づく、ことと、
（ｇ）ホットスポットの前記第１のサブセットの少なくとも一部分のグラフィック表現を、グラフィカルユーザインターフェース（ＧＵＩ）内に表示するためにレンダリングさせることと、を行わせる、システム。
(項目３４)
ヒト対象の核医学画像の病変マーキングおよび定量分析のためのシステムであって、
プロセッサと、
命令を有しているメモリと、を備え、前記命令は、前記プロセッサによって実行されたときに、前記プロセッサに、
（ａ）前記ヒト対象の骨スキャン画像セットにアクセスすることと、
（ｂ）前記骨スキャン画像セット内の各画像を自動的にセグメント化して、前記ヒト対象の骨格の特定の解剖学的領域に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得ることと、
（ｃ）１つまたは複数のホットスポットの初期のセットを自動的に検出することであって、各ホットスポットは、前記アノテーションされた画像のセット内の高い強度のエリアに対応する、ことと、
（ｄ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記ホットスポットに関連するホットスポット特徴のセットを抽出することと、
（ｅ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記ホットスポットに関連する前記ホットスポット特徴のセットに基づいて、前記ホットスポットが転移を表す見込みに対応する見込み値を計算することと、
（ｆ）前記ホットスポットの初期のセットの各ホットスポットについて計算された前記見込み値に少なくとも部分的に基づいて、前記ホットスポットの初期のセットの前記ホットスポットのうち第１のサブセットを選択することと、
（ｇ）ホットスポットの前記第１のサブセットの少なくとも一部分を使用して１つまたは複数のリスク指標値を計算することと、を行わせ、前記計算することが、
第１のサブセットの前記一部分の各特定のホットスポットについて、（ｉｉ）前記特定のホットスポットが前記アノテーションされた画像のセット内における自身の場所に基づいて割り当てられた特定の骨格領域のサイズに対する、（ｉ）前記特定のホットスポットのサイズ、の比に基づいて骨浸潤率を算出し、それにより１つまたは複数の骨浸潤率を決定すること、
１つまたは複数の領域依存補正率を使用して前記骨浸潤率を調節し、それにより１つまたは複数の調節済みの骨浸潤率を得ること、および
前記調節済みの骨浸潤率を合計して、前記１つまたは複数のリスク指標値を決定すること、を含む、システム。
(項目３５)
項目３１から３４のいずれか一項のシステムを備える、コンピュータ支援画像分析デバイス。
(項目３６)
前記デバイスが、訓練された健康管理の専門家および／または研究者によって使用されるためにプログラムされる、項目３５に記載のデバイス。
(項目３７)
前記デバイスが、転移性がんの評価および／または検出を行うための骨スキャン画像の分析に使用されるためにプログラムされる、項目３６に記載のデバイス。
(項目３８)
前記デバイスが、前立腺がんの評価および／または検出を行うための骨スキャン画像の分析に使用されるためにプログラムされる、項目３６または３７に記載のデバイス。
(項目３９)
前記デバイスが訓練された健康管理の専門家および／または研究者によって使用されることを意図されることを指定するラベルを備える、項目３５から３８のいずれか一項に記載のデバイス。
(項目４０)
前記ラベルは、前記デバイスが転移性がんの評価および／または検出を行うための骨スキャン画像の分析に使用されることを意図されることをさらに指定する、項目３９に記載のデバイス。
(項目４１)
前記ラベルは、前記デバイスが前立腺がんの評価および／または検出を行うための骨スキャン画像の分析に使用されることを意図されることをさらに指定する、項目３９または４０に記載のデバイス。
Claims (26)
- ヒト対象の核医学画像の病変マーキングおよび定量分析のための方法であって、
（ａ）コンピューティングデバイスのプロセッサにより、前記ヒト対象の骨スキャン画像セットにアクセスするステップであって、前記骨スキャン画像セットは、前記ヒト対象への薬剤の投与後に得られたものである、ステップと、
（ｂ）前記プロセッサにより、前記骨スキャン画像セット内の各画像を自動的にセグメント化して、前記ヒト対象の骨格の特定の解剖学的領域に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得るステップであって、前記１つまたは複数の骨格関心領域は、
（ｉ）前記ヒト対象の大腿骨の一部分に対応する大腿骨領域、および
（ｉｉ）前記ヒト対象の上腕骨の一部分に対応する上腕骨領域、
のうち少なくとも一方を含む、ステップと、
（ｃ）前記プロセッサにより、１つまたは複数のホットスポットの初期のセットを自動的に検出するステップであって、各ホットスポットは、前記アノテーションされた画像のセット内の高い強度のエリアに対応し、前記自動的に検出するステップは、前記アノテーションされた画像のセット内の画素の強度を使用して、かつ１つまたは複数の領域依存閾値を使用して、前記１つまたは複数のホットスポットを特定することを含み、前記１つまたは複数の領域依存閾値は、当該領域内での前記薬剤の取り込みの低下を補償するために前記大腿骨領域および／または前記上腕骨領域内で高められたホットスポット検出感度を提供する、前記大腿骨領域および／または前記上腕骨領域に関連付けられた１つまたは複数の値を含む、ステップと、
（ｄ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記プロセッサにより、前記ホットスポットに関連するホットスポット特徴のセットを抽出するステップと、
（ｅ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記プロセッサにより、前記ホットスポットに関連する前記ホットスポット特徴のセットに基づいて、前記ホットスポットが転移を表す見込みに対応する転移見込み値を計算するステップと、
（ｆ）前記プロセッサにより、前記ホットスポットの初期のセットの少なくとも一部分のグラフィック表現を、グラフィカルユーザインターフェース（ＧＵＩ）内に表示するためにレンダリングさせるステップと、
を含み、
ステップ（ｂ）が、
前記骨スキャン画像セットの各メンバを、アトラス画像セットのうちの対応するアトラス画像と比較するステップであって、各アトラス画像が、前記１つまたは複数の骨格関心領域の１つまたは複数の特定を含み、前記骨格関心領域は、（ｉ）前記ヒト対象の膝領域の少なくとも一部分を含む前記大腿骨領域、および／または、（ｉｉ）前記ヒト対象の肘領域の少なくとも一部分を含む前記上腕骨領域を含む、ステップと、
前記骨スキャン画像セットの各画像について、前記アトラス画像の前記１つまたは複数の骨格関心領域の前記特定が前記骨スキャン画像セットの前記画像に適用されるように、前記画像内でランドマークとして前記特定された膝領域および／または前記特定された肘領域を使用して、前記対応するアトラス画像を、前記骨スキャン画像セットの前記画像と位置合わせするステップと
を含む、方法。 - 前記初期のホットスポットセットのうち少なくとも１つの検出されたホットスポットの場所が、前記ヒト対象の殿部の方を向いた大腿骨の端部から前記ヒト対象の膝の方を向いた前記大腿骨の端部までの前記大腿骨に沿った距離の４分の３超のところにある、前記大腿骨の中または上の物理的場所に対応する、請求項１に記載の方法。
- 前記初期のホットスポットセットのうち少なくとも１つの検出されたホットスポットの場所が、前記ヒト対象の肩の方を向いた上腕骨の端部から前記ヒト対象の肘の方を向いた前記上腕骨の端部までの前記上腕骨に沿った距離の４分の３超のところにある、前記上腕骨の中または上の物理的場所に対応する、請求項１または２に記載の方法。
- ステップ（ｃ）が、
前記プロセッサにより、前記骨スキャン画像セットのうちホットスポットを全く含まないと判定された画像内で健康な組織領域を特定するステップと、
前記プロセッサにより、正規化係数を、前記正規化係数と前記特定された健康な組織領域の平均強度との積が事前に定められた強度レベルになるように計算するステップと、
前記プロセッサにより、前記正規化係数によって前記骨スキャン画像セットの前記画像を正規化するステップと、を含む、請求項１から３のいずれか一項に記載の方法。 - （ｇ）前記プロセッサにより、前記ホットスポットの初期のセットによって占められている前記ヒト対象の前記骨格の算出された割合に少なくとも部分的に基づいて、前記ヒト対象についての１つまたは複数のリスク指標値を計算するステップ、をさらに含む、請求項１から４のいずれか一項に記載の方法。
- （ｈ）前記プロセッサにより、前記転移見込み値に少なくとも部分的に基づいて、前記ホットスポットの初期のセットの第１のサブセットを選択するステップと、
（ｉ）前記プロセッサにより、前記第１のサブセットのグラフィック表現を、グラフィカルユーザインターフェース（ＧＵＩ）内に表示するためにレンダリングさせるステップと、
を含む、請求項１から５のいずれか一項に記載の方法。 - （ｊ）前記プロセッサにより、ホットスポットの前記第１のサブセットによって占められる前記ヒト対象の前記骨格の算出された割合に少なくとも部分的に基づいて、前記ヒト対象についての１つまたは複数のリスク指標値を計算するステップ、をさらに含む、請求項６に記載の方法。
- （ｋ）前記プロセッサにより、前記ＧＵＩを介して、前記ホットスポットの初期のセットの第２のサブセットのユーザ選択を受け取るステップと、
（ｌ）前記プロセッサにより、ホットスポットの前記第２のサブセットによって占められる前記ヒト対象の前記骨格の算出された割合に少なくとも部分的に基づいて、前記ヒト対象についての１つまたは複数のリスク指標値を計算するステップ、
を含む、請求項１から７のいずれか一項に記載の方法。 - 前記リスク指標値の少なくとも１つが、前記ヒト対象が転移性がんを有するおよび／または発症するリスクを示す、請求項５、７および８のいずれか一項に記載の方法。
- 前記転移性がんが転移性前立腺がんである、請求項９に記載の方法。
- 前記リスク指標値の少なくとも１つが、前記ヒト対象が特定の状態の転移性がんを有することを示す、請求項５、７および８のいずれか一項に記載の方法。
- 前記プロセッサが、クラウドベースのシステムのプロセッサである、請求項１から１１のいずれか一項に記載の方法。
- 前記ＧＵＩが、一般的な写真保管および通信システム（ＰＡＣＳ）の一部である、請求項１から１２のいずれか一項に記載の方法。
- 前記薬剤が、メチレンジホスホン酸テクネチウム９９ｍ（９９ｍＴｃ－ＭＤＰ）を含む、請求項１から１３のいずれか一項に記載の方法。
- ヒト対象の核医学画像の病変マーキングおよび定量分析のためのシステムであって、
プロセッサと、
命令を有しているメモリと、を備え、前記命令は、前記プロセッサによって実行されたときに、前記プロセッサに、
（ａ）前記ヒト対象の骨スキャン画像セットにアクセスすることであって、前記骨スキャン画像セットは、前記ヒト対象への薬剤の投与後に得られたものである、ことと、
（ｂ）前記骨スキャン画像セット内の各画像を自動的にセグメント化して、前記ヒト対象の骨格の特定の解剖学的領域に各々が対応する１つまたは複数の骨格関心領域を特定し、それによりアノテーションされた画像のセットを得ることであって、前記１つまたは複数の骨格関心領域は、
（ｉ）前記ヒト対象の大腿骨の一部分に対応する大腿骨領域、および
（ｉｉ）前記ヒト対象の上腕骨の一部分に対応する上腕骨領域、
のうち少なくとも一方を含む、ことと、
（ｃ）１つまたは複数のホットスポットの初期のセットを自動的に検出することであって、各ホットスポットは、前記アノテーションされた画像のセット内の高い強度のエリアに対応し、前記自動的に検出することは、前記アノテーションされた画像のセット内の画素の強度を使用して、かつ１つまたは複数の領域依存閾値を使用して、前記１つまたは複数のホットスポットを特定することを含み、前記１つまたは複数の領域依存閾値は、当該領域内での前記薬剤の取り込みの低下を補償するために前記大腿骨領域および／または前記上腕骨領域内で高められたホットスポット検出感度を提供する、前記大腿骨領域および／または前記上腕骨領域に関連付けられた１つまたは複数の値を含む、ことと、
（ｄ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記ホットスポットに関連するホットスポット特徴のセットを抽出することと、
（ｅ）前記ホットスポットの初期のセット内の各ホットスポットについて、前記ホットスポットに関連する前記ホットスポット特徴のセットに基づいて、前記ホットスポットが転移を表す見込みに対応する転移見込み値を計算することと、
（ｆ）前記ホットスポットの初期のセットの少なくとも一部分のグラフィック表現を、グラフィカルユーザインターフェース（ＧＵＩ）内に表示するためにレンダリングさせることと、を行わせ、
ステップ（ｂ）において、前記命令は、前記プロセッサに、
前記骨スキャン画像セットの各メンバを、アトラス画像セットのうちの対応するアトラス画像と比較することであって、各アトラス画像が、前記１つまたは複数の骨格関心領域の１つまたは複数の特定を含み、前記骨格関心領域は、（ｉ）前記ヒト対象の膝領域の少なくとも一部分を含む前記大腿骨領域、および／または、（ｉｉ）前記ヒト対象の肘領域の少なくとも一部分を含む前記上腕骨領域を含む、ことと、
前記骨スキャン画像セットの各画像について、前記アトラス画像の前記１つまたは複数の骨格関心領域の前記特定が前記骨スキャン画像セットの前記画像に適用されるように、前記画像内でランドマークとして前記特定された膝領域および／または前記特定された肘領域を使用して、前記対応するアトラス画像を、前記骨スキャン画像セットの前記画像と位置合わせすることと
を行わせる、システム。 - 請求項１５に記載のシステムを備える、コンピュータ支援画像分析デバイス。
- 前記デバイスが、訓練された健康管理の専門家および／または研究者によって使用されるためにプログラムされる、請求項１６に記載のデバイス。
- 前記デバイスが、転移性がんの評価および／または検出を行うための骨スキャン画像の分析に使用されるためにプログラムされる、請求項１７に記載のデバイス。
- 前記デバイスが、前立腺がんの評価および／または検出を行うための骨スキャン画像の分析に使用されるためにプログラムされる、請求項１７または１８のいずれかに記載のデバイス。
- 前記デバイスが訓練された健康管理の専門家および／または研究者によって使用されることを意図されることを指定するラベルを備える、請求項１６から１９のいずれか一項に記載のデバイス。
- 前記ラベルは、前記デバイスが転移性がんの評価および／または検出を行うための骨スキャン画像の分析に使用されることを意図されることをさらに指定する、請求項２０に記載のデバイス。
- 前記ラベルは、前記デバイスが前立腺がんの評価および／または検出を行うための骨スキャン画像の分析に使用されることを意図されることをさらに指定する、請求項２０または２１のいずれかに記載のデバイス。
- （ｉ）前記大腿骨領域は、前記大腿骨の長さに沿って前記大腿骨の少なくとも４分の３を包含する、および／または
（ｉｉ）前記上腕骨領域は、前記上腕骨の長さに沿って前記上腕骨の少なくとも４分の３を包含する、請求項１に記載の方法。 - 前記１つまたは複数の領域依存閾値が異なる骨格領域ごとに変動し、前記大腿骨および／または上腕骨領域では、それらの領域における検出感度を上げるために、より低い値を有する、請求項１に記載の方法。
- （ｉ）前記大腿骨領域は、前記大腿骨の長さに沿って前記大腿骨の少なくとも４分の３を包含する、および／または
（ｉｉ）前記上腕骨領域は、前記上腕骨の長さに沿って前記上腕骨の少なくとも４分の３を包含する、請求項１５に記載のシステム。 - 前記１つまたは複数の領域依存閾値が異なる骨格領域ごとに変動し、前記大腿骨および／または上腕骨領域では、それらの領域における検出感度を上げるために、より低い値を有する、請求項１５に記載のシステム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2024163842A JP2025000721A (ja) | 2019-04-24 | 2024-09-20 | 転移を検出するための骨スキャン画像の自動化された対話型の分析のためのシステムおよび方法 |
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201962837955P | 2019-04-24 | 2019-04-24 | |
| US62/837,955 | 2019-04-24 | ||
| PCT/US2020/029435 WO2020219620A1 (en) | 2019-04-24 | 2020-04-23 | Systems and methods for automated and interactive analysis of bone scan images for detection of metastases |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2024163842A Division JP2025000721A (ja) | 2019-04-24 | 2024-09-20 | 転移を検出するための骨スキャン画像の自動化された対話型の分析のためのシステムおよび方法 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2022530039A JP2022530039A (ja) | 2022-06-27 |
| JPWO2020219620A5 JPWO2020219620A5 (ja) | 2023-05-01 |
| JP7561140B2 true JP7561140B2 (ja) | 2024-10-03 |
Family
ID=70617271
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021562965A Active JP7561140B2 (ja) | 2019-04-24 | 2020-04-23 | 転移を検出するための骨スキャン画像の自動化された対話型の分析のためのシステムおよび方法 |
| JP2024163842A Pending JP2025000721A (ja) | 2019-04-24 | 2024-09-20 | 転移を検出するための骨スキャン画像の自動化された対話型の分析のためのシステムおよび方法 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2024163842A Pending JP2025000721A (ja) | 2019-04-24 | 2024-09-20 | 転移を検出するための骨スキャン画像の自動化された対話型の分析のためのシステムおよび方法 |
Country Status (8)
| Country | Link |
|---|---|
| US (3) | US11534125B2 (ja) |
| EP (1) | EP3959684A1 (ja) |
| JP (2) | JP7561140B2 (ja) |
| CN (1) | CN113710159A (ja) |
| AU (1) | AU2020261370A1 (ja) |
| BR (1) | BR112021021011A2 (ja) |
| CA (1) | CA3136127A1 (ja) |
| WO (1) | WO2020219620A1 (ja) |
Families Citing this family (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3036754A1 (en) | 2016-10-27 | 2018-05-03 | Progenics Pharmaceuticals, Inc. | Network for medical image analysis, decision support system, and related graphical user interface (gui) applications |
| US10973486B2 (en) | 2018-01-08 | 2021-04-13 | Progenics Pharmaceuticals, Inc. | Systems and methods for rapid neural network-based image segmentation and radiopharmaceutical uptake determination |
| WO2020144134A1 (en) | 2019-01-07 | 2020-07-16 | Exini Diagnostics Ab | Systems and methods for platform agnostic whole body image segmentation |
| CN113748443A (zh) * | 2019-04-24 | 2021-12-03 | 普罗热尼奇制药公司 | 用于交互式调整核医学图像中的强度窗口设定的系统和方法 |
| CN113710159A (zh) | 2019-04-24 | 2021-11-26 | 普罗热尼奇制药公司 | 用于对骨扫描图像进行自动化及交互式分析以检测转移的系统及方法 |
| US11564621B2 (en) | 2019-09-27 | 2023-01-31 | Progenies Pharmacenticals, Inc. | Systems and methods for artificial intelligence-based image analysis for cancer assessment |
| US11900597B2 (en) | 2019-09-27 | 2024-02-13 | Progenics Pharmaceuticals, Inc. | Systems and methods for artificial intelligence-based image analysis for cancer assessment |
| US11544407B1 (en) | 2019-09-27 | 2023-01-03 | Progenics Pharmaceuticals, Inc. | Systems and methods for secure cloud-based medical image upload and processing |
| US11594001B2 (en) * | 2020-01-20 | 2023-02-28 | Rapiscan Systems, Inc. | Methods and systems for generating three-dimensional images that enable improved visualization and interaction with objects in the three-dimensional images |
| US11321844B2 (en) | 2020-04-23 | 2022-05-03 | Exini Diagnostics Ab | Systems and methods for deep-learning-based segmentation of composite images |
| US11386988B2 (en) | 2020-04-23 | 2022-07-12 | Exini Diagnostics Ab | Systems and methods for deep-learning-based segmentation of composite images |
| US11721428B2 (en) | 2020-07-06 | 2023-08-08 | Exini Diagnostics Ab | Systems and methods for artificial intelligence-based image analysis for detection and characterization of lesions |
| KR102283673B1 (ko) * | 2020-11-30 | 2021-08-03 | 주식회사 코어라인소프트 | 병변 추적 검사에 기반하여 진단 보조 정보의 임계치를 조정하는 의료 영상 판독 지원 장치 및 방법 |
| US12169934B2 (en) * | 2021-09-16 | 2024-12-17 | University of Pittsburgh—of the Commonwealth System of Higher Education | Real-time, artificial intelligence-enabled analysis device and method for use in nuclear medicine imaging |
| CN114496177B (zh) * | 2022-01-24 | 2022-09-16 | 佳木斯大学 | 一种基于大数据的感染科临床感染源的检测方法及系统 |
| CN114577122B (zh) * | 2022-02-28 | 2023-08-18 | 长三角先进材料研究院 | 一种基于图像处理的自冲铆接剖面几何参数自动测量方法 |
| KR102686815B1 (ko) * | 2022-12-06 | 2024-07-19 | 사회복지법인 삼성생명공익재단 | 흉부 엑스레이 영상을 이용한 상완골의 골종양 시각화 방법 및 분석장치 |
| WO2024211651A1 (en) * | 2023-04-07 | 2024-10-10 | Progenics Pharmaceuticals, Inc. | Systems and methods for facilitating lesion inspection and analysis |
| US12086990B1 (en) * | 2024-04-23 | 2024-09-10 | MultiFunctional Imaging LLC | Systems and methods for simultaneous imaging of multiple positron emission tomography (PET) tracers |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160275674A1 (en) | 2015-12-29 | 2016-09-22 | Laboratoires Bodycad Inc. | Method and system for performing multi-bone segmentation in imaging data |
| JP2017500537A (ja) | 2013-10-18 | 2017-01-05 | モレキュラ インサイト ファーマシューティカルズ インコーポレイテッド | 癌の病期を決定するためにｓｐｅｃｔ／ｃｔ分析を使用する方法 |
| JP2017198697A (ja) | 2017-06-30 | 2017-11-02 | 富士フイルムＲｉファーマ株式会社 | 画像処理プログラム、記録媒体、画像処理装置、及び画像処理方法 |
Family Cites Families (105)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5165410A (en) * | 1987-05-15 | 1992-11-24 | Medical & Scientific Enterprises, Inc. | Position indicating system for a multidiagnostic scanner |
| CN1111823C (zh) | 1997-05-27 | 2003-06-18 | 力捷电脑股份有限公司 | 使用分段加权校正的影像处理装置及其处理方法 |
| US6058322A (en) | 1997-07-25 | 2000-05-02 | Arch Development Corporation | Methods for improving the accuracy in differential diagnosis on radiologic examinations |
| ATE539681T1 (de) | 2001-01-30 | 2012-01-15 | R Christopher Decharms | Methoden für die physiologische überwachung, schulung und regulierung |
| US7295691B2 (en) | 2002-05-15 | 2007-11-13 | Ge Medical Systems Global Technology Company, Llc | Computer aided diagnosis of an image set |
| US7450747B2 (en) | 2002-07-12 | 2008-11-11 | Ge Medical Systems Global Technology Company, Llc | System and method for efficiently customizing an imaging system |
| SE524500C2 (sv) | 2002-09-16 | 2004-08-17 | Weaidu In Europ Ab | Förfarande och anordning för bestämning av en tredimensionell kontur av ett organ i en patients kropp |
| EP1508872A1 (en) | 2003-08-22 | 2005-02-23 | Semeion | An algorithm for recognising relationships between data of a database and a method for image pattern recognition based on the said algorithm |
| US7935055B2 (en) | 2003-09-19 | 2011-05-03 | Siemens Medical Solutions Usa, Inc. | System and method of measuring disease severity of a patient before, during and after treatment |
| DE10356272B4 (de) | 2003-11-28 | 2006-02-23 | Siemens Ag | Verfahren zur Navigation in 3-dimensionalen Bilddaten |
| US20090311182A1 (en) * | 2004-03-31 | 2009-12-17 | Dong Wang | Macromolecular Delivery Systems for Non-Invasive Imaging, Evaluation and Treatment of Arthritis and Other Inflammatory Diseases |
| EP1751550B1 (en) | 2004-04-14 | 2020-05-13 | Edda Technology, Inc. | Liver disease diagnosis system, method and graphical user interface |
| DE102004027710A1 (de) | 2004-06-07 | 2006-01-26 | Siemens Ag | Verfahren zur automatischen Detektion einer Struktur bei bildgebenden medizinischen Verfahren, Computertomografiegerät, Arbeitsstation und Comupterprogrammprodukt |
| US7397475B2 (en) | 2004-09-02 | 2008-07-08 | Siemens Medical Solutions Usa, Inc. | Interactive atlas extracted from volume data |
| US20140193336A1 (en) * | 2005-07-19 | 2014-07-10 | Biosensors International Group, Ltd. | Imaging protocols |
| US7668342B2 (en) | 2005-09-09 | 2010-02-23 | Carl Zeiss Meditec, Inc. | Method of bioimage data processing for revealing more meaningful anatomic features of diseased tissues |
| US7876938B2 (en) | 2005-10-06 | 2011-01-25 | Siemens Medical Solutions Usa, Inc. | System and method for whole body landmark detection, segmentation and change quantification in digital images |
| US7920730B2 (en) | 2005-10-07 | 2011-04-05 | Siemens Medical Solutions Usa, Inc. | Automatic bone detection in MRI images |
| DE102005048853A1 (de) | 2005-10-12 | 2007-04-26 | Siemens Ag | Bildgebende medizinische Modalität |
| WO2007062135A2 (en) | 2005-11-23 | 2007-05-31 | Junji Shiraishi | Computer-aided method for detection of interval changes in successive whole-body bone scans and related computer program product and system |
| DE102005059209B4 (de) | 2005-12-12 | 2010-11-25 | Siemens Ag | Verfahren und Vorrichtung zur Visualisierung einer Folge von tomographischen Bilddatensätzen |
| DE602007008390D1 (de) | 2006-03-24 | 2010-09-23 | Exini Diagnostics Ab | Automatische interpretation von medizinischen 3d-bildern des hirns und verfahren zum produzieren von zwischenergebnissen |
| JP5127276B2 (ja) | 2006-05-26 | 2013-01-23 | 株式会社東芝 | 画像処理装置および磁気共鳴イメージング装置 |
| US20080027315A1 (en) | 2006-07-31 | 2008-01-31 | Icad, Inc. | Processing and presentation of electronic subtraction for tagged colonic fluid and rectal tube in computed colonography |
| EP2076292A2 (en) | 2006-10-25 | 2009-07-08 | Koninklijke Philips Electronics N.V. | Contrast agents for detecting prostate cancer |
| EP2618102A2 (en) | 2006-11-21 | 2013-07-24 | Mantisvision Ltd. | 3d geometric modeling and 3d video content creation |
| EP2227784B1 (en) | 2007-12-28 | 2014-07-16 | Exini Diagnostics AB | System for detecting bone cancer metastases |
| GB0803064D0 (en) | 2008-02-20 | 2008-03-26 | Siemens Medical Solutions | System for defining volumes of interest with reference to anatomical features |
| US20090309874A1 (en) | 2008-06-11 | 2009-12-17 | Siemens Medical Solutions Usa, Inc. | Method for Display of Pre-Rendered Computer Aided Diagnosis Results |
| JP2010029481A (ja) | 2008-07-29 | 2010-02-12 | Univ Of Tsukuba | 腫瘍の経過観察レポート自動作成診断支援システム |
| CN102171187B (zh) | 2008-08-01 | 2017-07-28 | 约翰.霍普金斯大学 | Psma‑结合剂及其用途 |
| US8705887B2 (en) | 2008-08-22 | 2014-04-22 | Weyerhaeuser Nr Company | Method and apparatus for filling in or replacing image pixel data |
| TW201034691A (en) | 2008-12-05 | 2010-10-01 | Molecular Insight Pharm Inc | Technetium-and rhenium-bis(heteroaryl) complexes and methods of use thereof |
| EP2706057B1 (en) | 2008-12-05 | 2016-04-20 | Molecular Insight Pharmaceuticals, Inc. | Bis(imidazolyl)compounds and radionuclide complexes |
| EP2410919A2 (en) | 2009-03-26 | 2012-02-01 | Koninklijke Philips Electronics N.V. | Pet/ct based therapy monitoring system supported by a clinical guideline navigator |
| US8073220B2 (en) | 2009-04-20 | 2011-12-06 | Siemens Aktiengesellschaft | Methods and systems for fully automatic segmentation of medical images |
| US8588486B2 (en) | 2009-06-18 | 2013-11-19 | General Electric Company | Apparatus and method for isolating a region in an image |
| US8467856B2 (en) | 2009-07-17 | 2013-06-18 | Koninklijke Philips Electronics N.V. | Anatomy modeling for tumor region of interest definition |
| JP2011067594A (ja) | 2009-08-25 | 2011-04-07 | Fujifilm Corp | 肝機能造影像を用いた医用画像診断装置および方法、並びにプログラム |
| US20110063288A1 (en) | 2009-09-11 | 2011-03-17 | Siemens Medical Solutions Usa, Inc. | Transfer function for volume rendering |
| WO2011077303A1 (en) | 2009-12-23 | 2011-06-30 | Koninklijke Philips Electronics N.V. | Methods and apparatuses for prostate cancer detection, staging, and therapy response assessment |
| CN102947840A (zh) | 2010-01-22 | 2013-02-27 | 纽约州立大学研究基金会 | 前列腺可视化和癌症检测的系统和方法 |
| EP2533816A1 (en) | 2010-02-08 | 2012-12-19 | Piramal Imaging SA | F18-tyrosine derivatives for imaging bone metastases |
| US9401047B2 (en) | 2010-04-15 | 2016-07-26 | Siemens Medical Solutions, Usa, Inc. | Enhanced visualization of medical image data |
| WO2012168813A1 (en) * | 2011-06-10 | 2012-12-13 | Koninklijke Philips Electronics N.V. | Dose-optimized protocol for ac and localization on hybrid scanners |
| US9123155B2 (en) | 2011-08-09 | 2015-09-01 | Covidien Lp | Apparatus and method for using augmented reality vision system in surgical procedures |
| US9002081B2 (en) | 2011-10-18 | 2015-04-07 | Matthew Sherman Brown | Computer-aided bone scan assessment with automated lesion detection and quantitative assessment of bone disease burden changes |
| US9053534B2 (en) | 2011-11-23 | 2015-06-09 | The Regents Of The University Of Michigan | Voxel-based approach for disease detection and evolution |
| US20130211231A1 (en) | 2012-02-14 | 2013-08-15 | Manivannan Sundarapandian | Method and system for visualization of treatment volumes |
| US8682049B2 (en) | 2012-02-14 | 2014-03-25 | Terarecon, Inc. | Cloud-based medical image processing system with access control |
| CA2865282A1 (en) | 2012-02-24 | 2013-08-29 | Cornell University | Elevated psma identifies lethal prostate cancers |
| EP3647822A3 (en) * | 2012-05-08 | 2020-08-12 | Spectrum Dynamics Medical Limited | Nuclear medicine tomography systems, detectors and methods |
| JP6170284B2 (ja) | 2012-06-22 | 2017-07-26 | 富士フイルムＲｉファーマ株式会社 | 画像処理プログラム、記録媒体、画像処理装置、及び画像処理方法 |
| JP6013042B2 (ja) | 2012-06-27 | 2016-10-25 | 富士フイルムＲｉファーマ株式会社 | 画像処理プログラム、記録媒体、画像処理装置、及び画像処理方法 |
| WO2015023732A1 (en) | 2013-08-13 | 2015-02-19 | H. Lee Moffitt Cancer Center And Research Institute, Inc. | Systems, methods and devices for analyzing quantitative information obtained from radiological images |
| US20150331995A1 (en) | 2014-05-14 | 2015-11-19 | Tiecheng Zhao | Evolving contextual clinical data engine for medical data processing |
| WO2015176011A1 (en) | 2014-05-15 | 2015-11-19 | The Johns Hopkins University | Method, system and computer-readable media for treatment plan risk analysis |
| GB2528249B (en) | 2014-07-11 | 2019-03-06 | Siemens Medical Solutions Usa Inc | Automatic background region selection for lesion delineation in medical images |
| US10061003B2 (en) | 2014-09-01 | 2018-08-28 | bioProtonics, L.L.C. | Selective sampling for assessing structural spatial frequencies with specific contrast mechanisms |
| US20160203263A1 (en) | 2015-01-08 | 2016-07-14 | Imbio | Systems and methods for analyzing medical images and creating a report |
| JP6545591B2 (ja) | 2015-09-28 | 2019-07-17 | 富士フイルム富山化学株式会社 | 診断支援装置、方法及びコンピュータプログラム |
| US10058393B2 (en) * | 2015-10-21 | 2018-08-28 | P Tech, Llc | Systems and methods for navigation and visualization |
| EP3380859A4 (en) | 2015-11-29 | 2019-07-31 | Arterys Inc. | AUTOMATED SEGMENTATION OF CARDIAC VOLUME |
| EP3389497B1 (en) | 2015-12-17 | 2020-12-09 | Koninklijke Philips N.V. | Method and device for a medical image analysis |
| EP3488417B1 (en) | 2016-07-20 | 2020-09-16 | Tel Hashomer Medical Research Infrastructure and Services Ltd. | A system and method for automated characterization of solid tumors using medical imaging |
| US10210634B2 (en) | 2016-07-20 | 2019-02-19 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for segmenting medical image |
| CN106558045B (zh) | 2016-10-20 | 2019-07-19 | 上海联影医疗科技有限公司 | 一种肺组织分割方法、装置，医学图像处理系统 |
| CA3036754A1 (en) * | 2016-10-27 | 2018-05-03 | Progenics Pharmaceuticals, Inc. | Network for medical image analysis, decision support system, and related graphical user interface (gui) applications |
| WO2018140596A2 (en) | 2017-01-27 | 2018-08-02 | Arterys Inc. | Automated segmentation utilizing fully convolutional networks |
| US10492723B2 (en) | 2017-02-27 | 2019-12-03 | Case Western Reserve University | Predicting immunotherapy response in non-small cell lung cancer patients with quantitative vessel tortuosity |
| KR101754291B1 (ko) | 2017-04-04 | 2017-07-06 | 이현섭 | 개인 맞춤형 뇌질병 진단 및 상태 판정을 위한 의료 영상 처리 시스템 및 방법 |
| GB201705876D0 (en) | 2017-04-11 | 2017-05-24 | Kheiron Medical Tech Ltd | Recist |
| US10152571B1 (en) | 2017-05-25 | 2018-12-11 | Enlitic, Inc. | Chest x-ray differential diagnosis system |
| US20200085382A1 (en) | 2017-05-30 | 2020-03-19 | Arterys Inc. | Automated lesion detection, segmentation, and longitudinal identification |
| EP3646240B1 (en) | 2017-06-26 | 2024-09-04 | The Research Foundation for The State University of New York | System, method, and computer-accessible medium for virtual pancreatography |
| EP3437559B1 (de) | 2017-08-03 | 2020-06-24 | Siemens Healthcare GmbH | Ermitteln eines funktionsparameters betreffend eine lokale gewebefunktion für mehrere gewebebereiche |
| EP3470006B1 (en) | 2017-10-10 | 2020-06-10 | Holo Surgical Inc. | Automated segmentation of three dimensional bony structure images |
| US10223610B1 (en) | 2017-10-15 | 2019-03-05 | International Business Machines Corporation | System and method for detection and classification of findings in images |
| EP3714467A4 (en) | 2017-11-22 | 2021-09-15 | Arterys Inc. | CONTENT-BASED IMAGE RECOVERY FOR INJURY ANALYSIS |
| US10973486B2 (en) | 2018-01-08 | 2021-04-13 | Progenics Pharmaceuticals, Inc. | Systems and methods for rapid neural network-based image segmentation and radiopharmaceutical uptake determination |
| JP7448476B2 (ja) | 2018-01-08 | 2024-03-12 | プロジェニクス ファーマシューティカルズ， インコーポレイテッド | 高速ニューラルネットワークベースの画像セグメント化および放射性医薬品摂取判定のためのシステムおよび方法 |
| US20200342600A1 (en) | 2018-01-08 | 2020-10-29 | Progenics Pharmaceuticals, Inc. | Systems and methods for rapid neural network-based image segmentation and radiopharmaceutical uptake determination |
| EP3514756A1 (en) * | 2018-01-18 | 2019-07-24 | Koninklijke Philips N.V. | Medical analysis method for predicting metastases in a test tissue sample |
| US11542234B2 (en) | 2018-03-16 | 2023-01-03 | Universität Zu Köln | 2-alkoxy-6-[18F]fluoronicotinoyl substituted lys-c(O)-glu derivatives as efficient probes for imaging of PSMA expressing tissues |
| US11026649B2 (en) | 2018-06-25 | 2021-06-08 | Siemens Medical Solutions Usa, Inc. | Method and system for determining tumor burden in medical images |
| US10902588B2 (en) | 2018-08-13 | 2021-01-26 | International Business Machines Corporation | Anatomical segmentation identifying modes and viewpoints with deep learning across modalities |
| US11145059B2 (en) | 2018-11-21 | 2021-10-12 | Enlitic, Inc. | Medical scan viewing system with enhanced training and methods for use therewith |
| US11011257B2 (en) | 2018-11-21 | 2021-05-18 | Enlitic, Inc. | Multi-label heat map display system |
| US11457871B2 (en) | 2018-11-21 | 2022-10-04 | Enlitic, Inc. | Medical scan artifact detection system and methods for use therewith |
| US11282198B2 (en) | 2018-11-21 | 2022-03-22 | Enlitic, Inc. | Heat map generating system and methods for use therewith |
| US20200170604A1 (en) * | 2018-12-04 | 2020-06-04 | Howmedica Osteonics Corp. | CT Based Probabilistic Cancerous Bone Region Detection |
| US11514571B2 (en) | 2018-12-17 | 2022-11-29 | Siemens Healthcare Gmbh | Hierarchical analysis of medical images for identifying and assessing lymph nodes |
| US20220015721A1 (en) | 2019-01-07 | 2022-01-20 | Siemens Medical Solutions Usa, Inc. | Determination of metabolic rate from static pet scan |
| WO2020144134A1 (en) | 2019-01-07 | 2020-07-16 | Exini Diagnostics Ab | Systems and methods for platform agnostic whole body image segmentation |
| JP7515502B2 (ja) | 2019-03-15 | 2024-07-12 | ジェネンテック， インコーポレイテッド | 陽電子放射断層撮影を用いた腫瘍セグメンテーションのための深層畳み込みニューラルネットワーク |
| EP3664034B1 (en) | 2019-03-26 | 2021-09-01 | Siemens Healthcare GmbH | Method and data processing system for providing lymph node information |
| CN113710159A (zh) | 2019-04-24 | 2021-11-26 | 普罗热尼奇制药公司 | 用于对骨扫描图像进行自动化及交互式分析以检测转移的系统及方法 |
| CN113748443A (zh) | 2019-04-24 | 2021-12-03 | 普罗热尼奇制药公司 | 用于交互式调整核医学图像中的强度窗口设定的系统和方法 |
| US11564621B2 (en) | 2019-09-27 | 2023-01-31 | Progenies Pharmacenticals, Inc. | Systems and methods for artificial intelligence-based image analysis for cancer assessment |
| US11900597B2 (en) | 2019-09-27 | 2024-02-13 | Progenics Pharmaceuticals, Inc. | Systems and methods for artificial intelligence-based image analysis for cancer assessment |
| US11321844B2 (en) | 2020-04-23 | 2022-05-03 | Exini Diagnostics Ab | Systems and methods for deep-learning-based segmentation of composite images |
| US11386988B2 (en) | 2020-04-23 | 2022-07-12 | Exini Diagnostics Ab | Systems and methods for deep-learning-based segmentation of composite images |
| US11721428B2 (en) | 2020-07-06 | 2023-08-08 | Exini Diagnostics Ab | Systems and methods for artificial intelligence-based image analysis for detection and characterization of lesions |
| MX2022016373A (es) | 2020-07-06 | 2023-03-06 | Exini Diagnostics Ab | Sistemas y metodos para analisis de imagenes basado en inteligencia artificial para deteccion y caracterizacion de lesiones. |
| US20230115732A1 (en) | 2021-10-08 | 2023-04-13 | Exini Diagnostics Ab | Systems and methods for automated identification and classification of lesions in local lymph and distant metastases |
-
2020
- 2020-04-23 CN CN202080030140.7A patent/CN113710159A/zh active Pending
- 2020-04-23 US US16/856,120 patent/US11534125B2/en active Active
- 2020-04-23 WO PCT/US2020/029435 patent/WO2020219620A1/en unknown
- 2020-04-23 EP EP20725041.6A patent/EP3959684A1/en active Pending
- 2020-04-23 AU AU2020261370A patent/AU2020261370A1/en active Pending
- 2020-04-23 JP JP2021562965A patent/JP7561140B2/ja active Active
- 2020-04-23 BR BR112021021011A patent/BR112021021011A2/pt unknown
- 2020-04-23 CA CA3136127A patent/CA3136127A1/en active Pending
-
2022
- 2022-11-18 US US17/989,863 patent/US11937962B2/en active Active
-
2024
- 2024-02-07 US US18/435,386 patent/US20240285246A1/en active Pending
- 2024-09-20 JP JP2024163842A patent/JP2025000721A/ja active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017500537A (ja) | 2013-10-18 | 2017-01-05 | モレキュラ インサイト ファーマシューティカルズ インコーポレイテッド | 癌の病期を決定するためにｓｐｅｃｔ／ｃｔ分析を使用する方法 |
| US20160275674A1 (en) | 2015-12-29 | 2016-09-22 | Laboratoires Bodycad Inc. | Method and system for performing multi-bone segmentation in imaging data |
| JP2017198697A (ja) | 2017-06-30 | 2017-11-02 | 富士フイルムＲｉファーマ株式会社 | 画像処理プログラム、記録媒体、画像処理装置、及び画像処理方法 |
Non-Patent Citations (1)
| Title |
|---|
| NAKAJIMA et al.，Enhanced diagnostic accuracy for quantitative bone scan using an artificial neural network system: a Japanese multi-center database project，EJNMMI Research，2013年，3, 83 |
Also Published As
| Publication number | Publication date |
|---|---|
| BR112021021011A2 (pt) | 2021-12-14 |
| US20200337658A1 (en) | 2020-10-29 |
| US20230148980A1 (en) | 2023-05-18 |
| EP3959684A1 (en) | 2022-03-02 |
| JP2022530039A (ja) | 2022-06-27 |
| CN113710159A (zh) | 2021-11-26 |
| AU2020261370A1 (en) | 2021-10-14 |
| US11937962B2 (en) | 2024-03-26 |
| US11534125B2 (en) | 2022-12-27 |
| US20240285246A1 (en) | 2024-08-29 |
| WO2020219620A1 (en) | 2020-10-29 |
| TW202105407A (zh) | 2021-02-01 |
| CA3136127A1 (en) | 2020-10-29 |
| JP2025000721A (ja) | 2025-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7561140B2 (ja) | 転移を検出するための骨スキャン画像の自動化された対話型の分析のためのシステムおよび方法 | |
| US12243236B1 (en) | Systems and methods for platform agnostic whole body image segmentation | |
| TWI835768B (zh) | 用於基於神經網路之快速影像分段及放射性藥品之攝取的測定之系統及方法 | |
| US10973486B2 (en) | Systems and methods for rapid neural network-based image segmentation and radiopharmaceutical uptake determination | |
| JP7390188B2 (ja) | 医用画像分析、決定サポートシステム、および関連するグラフィカルユーザインタフェース（ｇｕｉ）アプリケーションのためのネットワーク | |
| JP2023532761A (ja) | 病変の検出および特性評価のための人工知能ベースの画像分析のためのシステムならびに方法 | |
| US20230351586A1 (en) | Systems and methods for artificial intelligence-based image analysis for detection and characterization of lesions | |
| US20240354940A1 (en) | Systems and methods for facilitating lesion inspection and analysis | |
| TWI872062B (zh) | 用於偵測轉移之骨掃描影像之自動及互動式分析系統、裝置及方法 | |
| CN113272859B (zh) | 用于平台中立性全身图像分段的系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230421 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230421 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20240131 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240304 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20240528 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240802 |
|
| 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: 20240823 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240920 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7561140 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |