特許ウォッチ

公開番号2025016513
公報種別公開特許公報(A)
公開日2025-02-04
出願番号2024178623,2022508485
出願日2024-10-11,2020-08-13
発明の名称オブジェクト検出を用いて位置特定された医用画像の三次元オブジェクトセグメンテーション
出願人ジェネンテック, インコーポレイテッド
代理人園田・小林弁理士法人
主分類A61B 5/055 20060101AFI20250128BHJP(医学または獣医学;衛生学)
要約【課題】導出されたコントラスト機構に基づくオブジェクト検出によって位置特定された医用画像内のオブジェクトを、深層学習ネットワークを使用してセグメント化するための技術を提供する。
【解決手段】第1の特性を有する第1の医用画像内の関心オブジェクトを位置特定し、第2の特性を有する第2の医用画像上に関心オブジェクトの境界ボックスまたはセグメンテーションマスクを投影して第2の医用画像の一部を画定し、第2の医用画像の一部をセグメント化し、関心オブジェクトの周りにセグメンテーション境界を生成することができる重み付き損失関数を使用して検出器として構成される深層学習モデルに第2の医用画像の一部を入力することに関する。セグメンテーション境界は、被験者の診断および/または予後を判定するために関心オブジェクトの体積を計算するために使用されることができる。
【選択図】図4
特許請求の範囲【請求項１】
医用画像内のオブジェクトをセグメント化するための方法であって、
被験者の医用画像を取得することであって、前記医用画像が、第１の特性を有する第１の画像および第２の特性を有する第２の画像を含み、前記医用画像が、１つ以上の医用イメージングモダリティを使用して生成される、取得することと、
位置特定モデルを使用して、前記第１の画像内のオブジェクトを位置特定し、複数のオブジェクトクラスに分類することであって、前記分類することが、前記第１の画像の画素またはボクセルのセットを前記複数のオブジェクトクラスのうちの１つ以上に割り当てる、位置特定および分類することと、
前記位置特定モデルを使用して、前記複数のオブジェクトクラスのうちのオブジェクトクラスに割り当てられた画素またはボクセルのセットに基づいて、前記第１の画像内の関心オブジェクトのための境界ボックスまたはセグメンテーションマスクを判定することと、
前記境界ボックスまたは前記セグメンテーションマスクを前記第２の画像上に転送して、前記関心オブジェクトを含む前記第２の画像の一部を画定することと、
前記第２の画像の前記一部を、重み付き損失関数を使用して体積セグメンテーションのために構築された三次元ニューラルネットワークモデルに入力することと、
前記三次元ニューラルネットワークモデルを使用して、前記関心オブジェクトの周りの推定されたセグメンテーション境界を生成することと、
前記三次元ニューラルネットワークを使用して、前記関心オブジェクトの周りの前記推定されたセグメンテーション境界を有する前記第２の画像の前記一部を出力することと、を含む、方法。
続きを表示（約 1,500 文字）【請求項２】
前記１つ以上の医用イメージングモダリティが、第１の医用イメージングモダリティと、前記第１の医用イメージングモダリティとは異なる第２の医用イメージングモダリティとを含み、前記第１の画像が、前記第１の医用イメージングモダリティから生成され、前記第２の画像が、前記第２の医用イメージングモダリティから生成される、請求項１に記載の方法。
【請求項３】
前記１つ以上の医用イメージングモダリティが、第１の医用イメージングモダリティと、前記第１の医用イメージングモダリティと同じである第２の医用イメージングモダリティとを含み、前記第１の画像が、前記第１の医用イメージングモダリティから生成され、前記第２の画像が、前記第２の医用イメージングモダリティから生成される、請求項１に記載の方法。
【請求項４】
前記第１の画像が第１の種類の画像であり、前記第２の画像が第２の種類の画像であり、前記第１の種類の画像が前記第２の種類の画像とは異なる、請求項１または２に記載の方法。
【請求項５】
前記第１の画像が第１の種類の画像であり、前記第２の画像が第２の種類の画像であり、前記第１の種類の画像が前記第２の種類の画像と同じである、請求項１または３に記載の方法。
【請求項６】
前記第１の特性が前記第２の特性とは異なる、請求項１～５のいずれか一項に記載の方法。
【請求項７】
前記第１の特性が前記第２の特性と同じである、請求項１～５のいずれか一項に記載の方法。
【請求項８】
前記第１の医用イメージングモダリティが、磁気共鳴イメージング、拡散テンソルイメージング、コンピュータ断層撮影、陽電子放射断層撮影、光音響断層撮影、Ｘ線、超音波撮影、またはそれらの組み合わせであり、前記第２の医用イメージングモダリティが、磁気共鳴イメージング、拡散テンソルイメージング、コンピュータ断層撮影、陽電子放射断層撮影、光音響断層撮影、Ｘ線、超音波撮影、またはそれらの組み合わせである、請求項２または３に記載の方法。
【請求項９】
前記第１の種類の画像が、磁気共鳴画像、拡散テンソル画像もしくはマップ、コンピュータ断層撮影画像、陽電子放射断層撮影画像、光音響断層撮影画像、Ｘ線画像、ソノグラフィ画像、またはそれらの組み合わせであり、前記第２の種類の画像が、磁気共鳴画像、拡散テンソル画像もしくはマップ、コンピュータ断層撮影画像、陽電子放射断層撮影画像、光音響断層撮影画像、Ｘ線画像、ソノグラフィ画像、またはそれらの組み合わせである、請求項４または５に記載の方法。
【請求項１０】
前記第１の特性が、異方性比コントラスト、平均拡散性コントラスト、軸方向拡散性コントラスト、半径方向拡散性コントラスト、プロトン密度コントラスト、Ｔ１緩和時間コントラスト、Ｔ２緩和時間コントラスト、拡散係数コントラスト、低解像度、高解像度、薬剤コントラスト、放射性トレーサコントラスト、光吸収コントラスト、エコー距離コントラスト、またはそれらの組み合わせであり、前記第２の特性が、異方性比コントラスト、平均拡散性コントラスト、前記軸方向拡散性コントラスト、半径方向拡散性コントラスト、プロトン密度コントラスト、Ｔ１緩和時間コントラスト、Ｔ２緩和時間コントラスト、拡散係数コントラスト、低解像度、高解像度、薬剤コントラスト、放射性トレーサコントラスト、光吸収コントラスト、エコー距離コントラスト、またはそれらの組み合わせである、請求項６または７に記載の方法。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
関連出願の相互参照
本出願は、２０１９年８月１４日に出願された米国仮特許出願第６２／８８６，８４４号の優先権および利益を主張し、その内容は、あらゆる目的のためにその全体が参照により本明細書に組み込まれる。
続きを表示（約 2,200 文字）【０００２】
本開示は、医用画像の自動化されたオブジェクトセグメンテーションに関し、特に、導出されたコントラスト機構に基づくオブジェクト検出によって位置特定された医用画像内のオブジェクトを、深層学習ネットワークを使用してセグメント化するための技術に関する。
【背景技術】
【０００３】
コンピュータビジョンは、デジタル画像およびビデオと協働して、これらの画像およびビデオ内のコンテンツの何らかの理解を推定することを含む。オブジェクト認識は、コンピュータビジョンと関連付けられ、画像フレーム内に存在するオブジェクトを識別することを含む関連するコンピュータビジョンタスクの集合を指す。タスクは、画像分類、オブジェクト位置特定、オブジェクト検出、およびオブジェクトセグメンテーションを含む。画像分類は、画像フレーム内の１つ以上のオブジェクトのクラスを予測することを含む。オブジェクト位置特定は、画像フレーム内の１つ以上のオブジェクトの位置を識別し、それらの範囲の周りに境界を描くことを指す。オブジェクト検出は、これら２つのタスクを組み合わせ、画像フレーム内の１つ以上のオブジェクトを位置特定および分類する。オブジェクトセグメンテーションは、粗い境界ボックスの代わりに、位置特定または検出されたオブジェクトの特定の画素を強調表示する（マスクを生成する）ことを含む。オブジェクト認識のための技術は、一般に、機械学習ベースの手法または深層学習ベースの手法のいずれかに分類される。オブジェクト位置特定および検出に対する機械学習ベースの手法では、Ｈａａｒ－ｌｉｋｅ特徴、スケール不変特徴変換、または指向性勾配のヒストグラム（ＨＯＧ）などの特徴記述子を使用して画像内の特徴が最初に定義され、次いで、特徴記述子に基づいてサポートベクターマシン（ＳＶＭ）などの技術を使用して関心オブジェクトが検出される。一方、深層学習技術は、特徴を具体的に定義することなくエンドツーエンドのオブジェクト検出およびセグメンテーションを実行することができ、典型的には、領域ベースのネットワーク（Ｒ－ＣＮＮ、高速なＲ－ＣＮＮ、より高速なＲ－ＣＮＮ、およびカスケードＲ－ＣＮＮ）などの畳み込みニューラルネットワーク（ＣＮＮ）に基づく。
【発明の概要】
【０００４】
いくつかの実施形態では、医用画像内のオブジェクトをセグメント化するためのコンピュータ実装方法が提供される。本方法は、被験者の医用画像を取得することであって、医用画像が、第１の特性を有する第１の画像および第２の特性を有する第２の画像を含み、医用画像が、１つ以上の医用イメージングモダリティを使用して生成される、取得することと、位置特定モデルを使用して、第１の画像内のオブジェクトを位置特定して複数のオブジェクトクラスに分類することであって、分類することが、第１の画像の画素またはボクセルのセットを複数のオブジェクトクラスのうちの１つ以上に割り当てる、位置特定および分類することと、位置特定モデルを使用して、複数のオブジェクトクラスのうちのオブジェクトクラスに割り当てられた画素またはボクセルのセットに基づいて、第１の画像内の関心オブジェクトのための境界ボックスまたはセグメンテーションマスクを判定することと、境界ボックスまたはセグメンテーションマスクを第２の画像上に転送して、関心オブジェクトを含む第２の画像の一部を画定することと、第２の画像の一部を、重み付き損失関数を使用して体積セグメンテーションのために構築された三次元ニューラルネットワークモデルに入力することと、三次元ニューラルネットワークモデルを使用して、関心オブジェクトの周りの推定されたセグメンテーション境界を生成することと、三次元ニューラルネットワークを使用して、関心オブジェクトの周りの推定されたセグメンテーション境界を有する第２の画像の一部を出力することと、を含む。
【０００５】
いくつかの実施形態では、１つ以上の医用イメージングモダリティは、第１の医用イメージングモダリティおよび第１の医用イメージングモダリティとは異なる第２の医用イメージングモダリティを含み、第１の画像は、第１の医用イメージングモダリティから生成され、第２の画像は、第２の医用イメージングモダリティから生成される。
【０００６】
いくつかの実施形態では、１つ以上の医用イメージングモダリティは、第１の医用イメージングモダリティおよび第１の医用イメージングモダリティと同じである第２の医用イメージングモダリティを含み、第１の画像は、第１の医用イメージングモダリティから生成され、第２の画像は、第２の医用イメージングモダリティから生成される。
【０００７】
いくつかの実施形態では、第１の画像は、第１の種類の画像であり、第２の画像は、第２の種類の画像であり、第１の種類の画像は、第２の種類の画像とは異なる。
【０００８】
いくつかの実施形態では、第１の画像は、第１の種類の画像であり、第２の画像は、第２の種類の画像であり、第１の種類の画像は、第２の種類の画像と同じである。
【０００９】
いくつかの実施形態では、第１の特性は、第２の特性とは異なる。
【００１０】
いくつかの実施形態では、第１の特性は、第２の特性と同じである。
（【００１１】以降は省略されています）

関連特許