特許ウォッチ

公開番号2025008346
公報種別公開特許公報(A)
公開日2025-01-20
出願番号2023110444
出願日2023-07-05
発明の名称病変検出方法および病変検出プログラム
出願人富士通株式会社
代理人弁理士法人扶桑国際特許事務所
主分類A61B 6/03 20060101AFI20250109BHJP(医学または獣医学;衛生学)
要約【課題】人体の内部における断層画像の撮影位置に関係なく一定の精度で病変領域を検出する。
【解決手段】人体21の第1の撮影位置を撮影した断層画像22aを取得し、人体11a,11b,・・・の内部を撮影した複数の断層画像であって、入力された断層画像に含まれる画素を単位として病変の領域かを識別する機械学習モデル2aを生成する際に学習データとして使用された、それぞれが病変の領域を含む複数の断層画像のうち、人体11a,11b,・・・の内部における、第1の撮影位置に対応する第2の撮影位置において撮影された断層画像の数に基づいて、機械学習モデル2aと、入力された断層画像を分割した画像ブロックを単位として病変の領域かを識別する機械学習モデル2bのいずれかを選択し、選択された機械学習モデルを用いて断層画像22aから病変の領域を検出する。
【選択図】図1
特許請求の範囲【請求項１】
コンピュータが、
第１の人体の内部における第１の撮影位置を撮影した第１の断層画像を取得し、
１以上の第２の人体の内部を撮影した複数の断層画像であって、入力された断層画像に含まれる画素を単位として特定の病変の領域か否かを識別する第１の機械学習モデルを機械学習によって生成する際に学習データとして使用された、それぞれが前記特定の病変の領域を含む前記複数の断層画像のうち、前記１以上の第２の人体の内部における、前記第１の撮影位置に対応する第２の撮影位置において撮影された断層画像の数に基づいて、前記第１の機械学習モデルと、前記入力された断層画像を一定サイズごとに分割した画像ブロックを単位として前記特定の病変の領域か否かを識別する第２の機械学習モデルのいずれかを選択し、
前記第１の機械学習モデルと前記第２の機械学習モデルのうち選択された機械学習モデルを用いて、前記第１の断層画像から前記特定の病変の領域を検出する、
病変検出方法。
続きを表示（約 2,600 文字）【請求項２】
前記１以上の第２の人体における所定の臓器領域を所定方向に所定分割数に分割して得られた複数の第１の分割領域のそれぞれについて、前記複数の断層画像のうち対応する第１の分割領域で撮影された断層画像の画像数を計数する処理を、前記コンピュータがさらに実行し、
前記選択では、
前記第１の人体における前記臓器領域を前記所定方向に前記所定分割数に分割して得られた複数の第２の分割領域のうち、前記第１の断層画像が撮影された第３の分割領域を特定し、
前記複数の第１の分割領域のうち、前記第３の分割領域に対応する第４の分割領域について計数された前記画像数に基づいて、前記第１の機械学習モデルと前記第２の機械学習モデルのいずれかを選択する、
請求項１記載の病変検出方法。
【請求項３】
前記選択では、前記複数の断層画像の総数に対する、前記第４の分割領域について計数された前記画像数の割合が、所定閾値より大きい場合に前記第１の機械学習モデルを選択し、前記割合が前記所定閾値以下の場合に前記第２の機械学習モデルを選択する、
請求項２記載の病変検出方法。
【請求項４】
コンピュータが、
１以上の第２の人体の内部を撮影した複数の断層画像と、前記複数の断層画像のそれぞれに対応し、対応する断層画像上の画素ごとに特定の病変の領域か否かを示す複数の正解データとを取得し、
前記複数の断層画像のそれぞれが、前記１以上の第２の人体における所定の臓器領域を所定方向に所定分割数に分割して得られた複数の第１の分割領域のうち、どの分割領域で撮影された断層画像かによって、前記複数の断層画像を前記複数の第１の分割領域のいずれかに分類し、
入力された断層画像に含まれる画素を単位として特定の病変の領域か否かを識別する第１の機械学習モデルに対して前記複数の断層画像を入力して識別処理を実行し、識別結果を前記複数の正解データと比較することで、前記第１の機械学習モデルの識別精度を示す指標を前記複数の第１の分割領域のそれぞれについて算出し、
第１の人体の内部を撮影した第１の断層画像を取得し、
前記第１の人体における前記臓器領域を前記所定方向に前記所定分割数に分割して得られた複数の第２の分割領域のうち、前記第１の断層画像が撮影された第３の分割領域を特定し、
前記複数の第１の分割領域のうち、前記第３の分割領域に対応する第４の分割領域について算出された前記指標に基づいて、前記第１の機械学習モデルと、前記入力された断層画像を一定サイズごとに分割した画像ブロックを単位として前記特定の病変の領域か否かを識別する第２の機械学習モデルのいずれかを選択し、
前記第１の機械学習モデルと前記第２の機械学習モデルのうち選択された機械学習モデルを用いて、前記第１の断層画像から前記特定の病変の領域を検出する、
病変検出方法。
【請求項５】
前記選択では、前記第４の分割領域について算出された前記指標が所定閾値より大きい場合に前記第１の機械学習モデルを選択し、当該指標が前記所定閾値以下の場合に前記第２の機械学習モデルを選択する、
請求項４記載の病変検出方法。
【請求項６】
コンピュータに、
第１の人体の内部における第１の撮影位置を撮影した第１の断層画像を取得し、
１以上の第２の人体の内部を撮影した複数の断層画像であって、入力された断層画像に含まれる画素を単位として特定の病変の領域か否かを識別する第１の機械学習モデルを機械学習によって生成する際に学習データとして使用された、それぞれが前記特定の病変の領域を含む前記複数の断層画像のうち、前記１以上の第２の人体の内部における、前記第１の撮影位置に対応する第２の撮影位置において撮影された断層画像の数に基づいて、前記第１の機械学習モデルと、前記入力された断層画像を一定サイズごとに分割した画像ブロックを単位として前記特定の病変の領域か否かを識別する第２の機械学習モデルのいずれかを選択し、
前記第１の機械学習モデルと前記第２の機械学習モデルのうち選択された機械学習モデルを用いて、前記第１の断層画像から前記特定の病変の領域を検出する、
処理を実行させる病変検出プログラム。
【請求項７】
コンピュータに、
１以上の第２の人体の内部を撮影した複数の断層画像と、前記複数の断層画像のそれぞれに対応し、対応する断層画像上の画素ごとに特定の病変の領域か否かを示す複数の正解データとを取得し、
前記複数の断層画像のそれぞれが、前記１以上の第２の人体における所定の臓器領域を所定方向に所定分割数に分割して得られた複数の第１の分割領域のうち、どの分割領域で撮影された断層画像かによって、前記複数の断層画像を前記複数の第１の分割領域のいずれかに分類し、
入力された断層画像に含まれる画素を単位として特定の病変の領域か否かを識別する第１の機械学習モデルに対して前記複数の断層画像を入力して識別処理を実行し、識別結果を前記複数の正解データと比較することで、前記第１の機械学習モデルの識別精度を示す指標を前記複数の第１の分割領域のそれぞれについて算出し、
第１の人体の内部を撮影した第１の断層画像を取得し、
前記第１の人体における前記臓器領域を前記所定方向に前記所定分割数に分割して得られた複数の第２の分割領域のうち、前記第１の断層画像が撮影された第３の分割領域を特定し、
前記複数の第１の分割領域のうち、前記第３の分割領域に対応する第４の分割領域について算出された前記指標に基づいて、前記第１の機械学習モデルと、前記入力された断層画像を一定サイズごとに分割した画像ブロックを単位として前記特定の病変の領域か否かを識別する第２の機械学習モデルのいずれかを選択し、
前記第１の機械学習モデルと前記第２の機械学習モデルのうち選択された機械学習モデルを用いて、前記第１の断層画像から前記特定の病変の領域を検出する、
処理を実行させる病変検出プログラム。

発明の詳細な説明【技術分野】
【０００１】
本発明は、病変検出方法および病変検出プログラムに関する。
続きを表示（約 2,300 文字）【背景技術】
【０００２】
各種疾患の診断には、ＣＴ（Computed Tomography）やＭＲＩ（Magnetic Resonance Imaging）などによる医用画像が広く用いられている。医用画像を用いた画像診断では、医師は多数の画像を読影しなければならず、医師の負担が大きい。そのため、医師の診断作業をコンピュータによって何らかの形で支援する技術が求められている。
【０００３】
そのような技術の例として、機械学習によって生成された学習済みモデル（機械学習モデル）を用いて、医用画像から病変領域を検出する技術がある。例えば、ＬＳＴＭ（Long－Short－Term Memory）と統合されたニューラルネットワークを訓練する心臓セグメンテーションのためのシステムが提案されている。
【先行技術文献】
【特許文献】
【０００４】
米国特許出願公開第２０１９／０２２３７２５号明細書
【発明の概要】
【発明が解決しようとする課題】
【０００５】
ところで、機械学習モデルの一例として、撮影された断層画像に含まれる画素ごとに特定の病変の領域か否かを識別する機械学習モデルがある。この機械学習モデルを用いた識別処理では、１枚の断層画像が機械学習モデルに入力されると、その断層画像から病変領域が画素単位で識別される。
【０００６】
このような機械学習モデルは、人体における断層画像の撮影位置によっては識別精度が低下する可能性があるという問題がある。
例えば、このような機械学習モデルを生成する際には、実際に撮影された人体の断層画像が学習データとして使用される。通常、どの人体からも内部のある特定の範囲から断層画像が均等な間隔で撮影されるので、学習データとして使用される断層画像の数は、人体における位置に関係なく一定となる。一方、病変領域の出現頻度は、人体内部の位置によって偏りが生じ得る。このため、学習データとして使用される断層画像のうち、病変領域を含む断層画像の数は、人体内部の位置によって偏る可能性がある。学習データとして十分な数の断層画像が使用されていない位置において撮影された断層画像については、病変の識別精度が低下する可能性がある。
【０００７】
１つの側面では、本発明は、人体の内部における断層画像の撮影位置に関係なく一定の精度で病変領域を検出可能な病変検出方法および病変検出プログラムを提供することを目的とする。
【課題を解決するための手段】
【０００８】
１つの案では、コンピュータが次のような処理を実行する病変検出方法が提供される。この病変検出方法では、コンピュータは、第１の人体の内部における第１の撮影位置を撮影した第１の断層画像を取得し、１以上の第２の人体の内部を撮影した複数の断層画像であって、入力された断層画像に含まれる画素を単位として特定の病変の領域か否かを識別する第１の機械学習モデルを機械学習によって生成する際に学習データとして使用された、それぞれが特定の病変の領域を含む複数の断層画像のうち、１以上の第２の人体の内部における、第１の撮影位置に対応する第２の撮影位置において撮影された断層画像の数に基づいて、第１の機械学習モデルと、入力された断層画像を一定サイズごとに分割した画像ブロックを単位として特定の病変の領域か否かを識別する第２の機械学習モデルのいずれかを選択し、第１の機械学習モデルと第２の機械学習モデルのうち選択された機械学習モデルを用いて、第１の断層画像から特定の病変の領域を検出する。
【０００９】
また、１つの案では、コンピュータが次のような処理を実行する病変検出方法が提供される。この病変検出方法では、コンピュータは、１以上の第２の人体の内部を撮影した複数の断層画像と、複数の断層画像のそれぞれに対応し、対応する断層画像上の画素ごとに特定の病変の領域か否かを示す複数の正解データとを取得し、複数の断層画像のそれぞれが、１以上の第２の人体における所定の臓器領域を所定方向に所定分割数に分割して得られた複数の第１の分割領域のうち、どの分割領域で撮影された断層画像かによって、複数の断層画像を複数の第１の分割領域のいずれかに分類し、入力された断層画像に含まれる画素を単位として特定の病変の領域か否かを識別する第１の機械学習モデルに対して複数の断層画像を入力して識別処理を実行し、識別結果を複数の正解データと比較することで、第１の機械学習モデルの識別精度を示す指標を複数の第１の分割領域のそれぞれについて算出し、第１の人体の内部を撮影した第１の断層画像を取得し、第１の人体における臓器領域を所定方向に所定分割数に分割して得られた複数の第２の分割領域のうち、第１の断層画像が撮影された第３の分割領域を特定し、複数の第１の分割領域のうち、第３の分割領域に対応する第４の分割領域について算出された指標に基づいて、第１の機械学習モデルと、入力された断層画像を一定サイズごとに分割した画像ブロックを単位として特定の病変の領域か否かを識別する第２の機械学習モデルのいずれかを選択し、第１の機械学習モデルと第２の機械学習モデルのうち選択された機械学習モデルを用いて、第１の断層画像から特定の病変の領域を検出する。
【００１０】
さらに、１つの案では、上記の病変検出方法と同様の処理をコンピュータに実行させる病変検出プログラムが提供される。
【発明の効果】
（【００１１】以降は省略されています）

関連特許