JP7155274B2

JP7155274B2 - 加速化された臨床ワークフローのためのシステムおよび方法

Info

Publication number: JP7155274B2
Application number: JP2020545323A
Authority: JP
Inventors: シャンバグ，ダテシュ・ダヤナンド; ムリック，ラケシュ; シュリラム，クリシュナ・スィーサラム; コウシク，サンディープ・スリャナラヤナ; スリークマリ，アラティ
Original assignee: General Electric Co
Current assignee: General Electric Co
Priority date: 2018-03-02
Filing date: 2019-03-01
Publication date: 2022-10-18
Anticipated expiration: 2039-03-01
Also published as: CN111801705B; WO2019169251A1; EP3759685A1; CN111801705A; JP2021515326A; EP3759685B1

Description

本明細書の実施形態は、一般に、臨床ワークフローに関し、より詳細には、深層学習を使用する加速化された放射線学ワークフローのためのシステムおよび方法に関する。

医療撮像データは、限定はしないが、癌状態および動脈疾患などの健康状態の診断および処置にますます使用されている。コンピュータ断層撮影（ＣＴ）および磁気共鳴撮像（ＭＲＩ）などの撮像技法は、貴重な診断情報を有する大量の医療画像を生成する。患者の解剖学的領域に関連付けられた医療画像データを取得するには、撮像の繰り返しが必要となる場合がある。さらに、これらの画像は、有用な診断情報を引き出すために医療専門家によって分析される必要がある。また、画像の調査は、面倒で時間のかかるプロセスである。

医療画像ボリュームの自動セグメンテーションおよび分析は、患者に対して効果的な処置計画を提供する際、医療専門家にとって有望かつ価値のあるツールである。機械学習技法は、医療画像ボリュームの自動セグメンテーションおよび分析を推奨するために頻繁に使用される。しかし、従来の機械学習技法では、臨床的に関連する情報を医療画像データから抽出する必要がある。従来から、臨床的に関連する情報は、医療専門家によって手動で生成されている。訓練データセットを生成するためのユーザ介入の必要性は、主観性と品質の問題を常にもたらす。

近年では、深層学習技法は、様々な医療用途で画像データを処理する際にますます使用されている。これらの深層学習技法は、非線形モデリングおよび計算要件の観点から非常に複雑なシステムを対象とする機械学習タスクに使用されてきた。病理または「リスクのある」エリアを識別し、治療上の意思決定を引き出すか外科的介入をガイドするために、画像のセグメンテーションおよびセグメント化画像のパーセル化が望ましい場合がある。さらに、多くの場合、定量化には集中的な計算作業が必要であり、オフラインで実行される必要があり得る。画像分析と医学的状況の決定の負担は、医療専門家にある。

国際公開第２０１８／０１５４１４号パンフレット

本明細書の一態様によれば、加速化された臨床ワークフローを提供するように構成された撮像のための方法が開示される。方法は、対象の解剖学的関心領域に対応する解剖学的画像データを取得することを含む。方法は、学習ベースの技法を使用して、解剖学的画像データに基づいて解剖学的関心領域に対応する位置特定情報を決定することをさらに含む。方法はまた、位置特定情報に基づいて解剖学的関心領域に対応する複数のアトラス画像からアトラス画像を選択することを含む。方法は、アトラス画像に基づいてパーセル化されたセグメント化画像を生成することをさらに含む。方法はまた、パーセル化されたセグメント化画像に基づいて医療活動を推奨することを含む。医療活動は、画像取得のガイド、処置計画の監督、対象への治療的送達の支援、および医療レポートの生成の少なくとも１つを含む。

本明細書の別の態様によれば、撮像システムが開示される。撮像システムは、対象の解剖学的関心領域に対応する解剖学的画像データを取得するように構成された画像データ取得サブシステムを含む。撮像システムは、画像データ取得サブシステムに通信可能に結合され、学習ベースの技法を使用して、解剖学的画像データに基づいて解剖学的関心領域に対応する位置特定情報を決定するように構成された学習ユニットをさらに含む。撮像システムはまた、学習ユニットに通信可能に結合され、位置特定情報に基づいて解剖学的関心領域に対応する複数のアトラス画像からアトラス画像を選択するように構成されたアトラス選択ユニットを含む。撮像システムは、アトラス選択ユニットに通信可能に結合され、アトラス画像に基づいて解剖学的画像データをセグメント化してパーセル化されたセグメント化画像を生成するように構成されたセグメンテーションユニットをさらに含む。撮像システムはまた、セグメンテーションユニットに通信可能に結合され、パーセル化されたセグメント化画像に基づいて医療活動を推奨するように構成された治療ユニットを含む。医療活動は、画像取得のガイド、処置計画の監督、対象への治療的送達の支援、および医療レポートの生成の少なくとも１つを含む。

本発明の実施形態のこれらおよび他の特徴および態様が、以下の詳細な説明を添付の図面を参照して検討することでさらによく理解されると考えられ、添付の図面において、類似の符号は、図面の全体を通して類似の部分を表している。

本明細書の態様による、加速化された臨床ワークフローを提供するように構成された撮像システムの概略図である。本明細書の態様による、図１の撮像システムを使用して解剖学的画像をセグメント化するためのアトラス画像の深層学習ベースの選択のための臨床ワークフローを示す概略図である。本明細書の態様による、対象の解剖学的関心領域に対応するマスク画像である。本明細書の態様による、対象の解剖学的関心領域に対応するマスク画像である。本明細書の態様による、対象の解剖学的関心領域に対応するマスク画像である。本明細書の態様による、対象の解剖学的関心領域に対応するマスク画像である。本明細書の態様による、解剖学的画像のパーセル化に対するアトラス画像の深層学習ベースの選択の効果を示す画像である。本明細書の態様による、解剖学的画像のパーセル化に対するアトラス画像の深層学習ベースの選択の効果を示す画像である。本明細書の態様による、解剖学的画像のパーセル化に対するアトラス画像の深層学習ベースの選択の効果を示す画像である。本明細書の態様による、解剖学的画像のパーセル化に対するアトラス画像の深層学習ベースの選択の効果を示す画像である。本明細書の態様による、加速化された臨床ワークフローを提供するように構成された撮像のための方法のフローチャートである。

以下で詳細に説明されるように、加速化された臨床ワークフローのためのシステムおよび方法が提示される。より詳細には、深層学習を使用する加速化された放射線学ワークフローのためのシステムおよび方法が提示される。

認識されるように、「放射線学」は、Ｘ線撮像を用いて、患者などの対象の体内の医学的状態を検査および記録する科学である。放射線学で使用される医療技法のいくつかの非限定的な例には、Ｘ線ラジオグラフィ、超音波、コンピュータ断層撮影（ＣＴ）、陽電子放出断層撮影（ＰＥＴ）、磁気共鳴撮像（ＭＲＩ）などが挙げられる。「解剖学的画像」という用語は、限定はしないが、心臓、脳、腎臓、前立腺、および肺などの患者の解剖学的領域を表す二次元画像を指す。さらに、「セグメント化画像」、「パーセル化画像」、および「サブパーセル化画像」という用語は、解剖学的画像を指すために本明細書で使用され、解剖学的構造の部分および／またはサブ領域は、境界標、および／またはランドマークの助けを借りた色分けが付いて描写されている場合がある。「アトラス」または「アトラス画像」という用語は、既知の医学的状態を有する特定の解剖学的構造に対応する参照セグメント化画像を指すために本明細書で使用される。本明細書で言及されるアトラス画像は、一般に、解剖学的画像データ内の関心領域のサブ領域を表す複数のラベルを含む。また、「マスク」または「マスク画像」という用語は、位置特定情報および／または配向情報を表すために画像の一部に境界標が付いた解剖学的画像を指すために使用される。位置特定情報は、画像内の固定または相対参照を有する位置、サイズ、および／または境界情報を表す。配向情報は、画像の一部の傾斜および／または方向を表す。「医学的状況」または「医学的状態」という用語は、疾患状態、疾患の進行、および解剖学的領域に対応する他の関連属性を指すために使用される。「医学的推奨」という用語は、処置計画、または治療法、または医学的状態に基づいて生成された追加の検査に関するアドバイスまたは推奨を指すために使用される。

図１は、本明細書の態様による、加速化された臨床ワークフローのための撮像システム１００の概略図である。撮像システム１００は、患者１３２などの対象の解剖学的関心領域（ＲＯＩ）に対応する解剖学的画像データ１０６を取得するように構成された画像データ取得サブシステム１０２を含む。画像データ取得サブシステム１０２は、限定はしないが、磁気共鳴撮像（ＭＲＩ）システム、コンピュータ断層撮影（ＣＴ）撮像システム、および陽電子放出断層撮影（ＰＥＴ）撮像システムを含む。解剖学的画像データ１０６は、複数の解剖学的画像を含み得る。一例では、解剖学的画像は、患者１３２などの対象の脳のような解剖学的ＲＯＩを表すことができる。別の例では、解剖学的画像は、患者１３２の脊椎領域を表すことができる。さらに別の実施形態では、解剖学的画像は、患者１３２の解剖学的関心領域としての前立腺領域に対応し得る。

撮像システム１００は、画像データ取得サブシステム１０２に通信可能に結合され、限定はしないが、医学的状態の診断、治療送達、手術計画、およびレポートの生成などの多様な医療活動で使用されるパーセル化されたセグメント化画像１３０を生成するように構成された画像処理サブシステム１０４をさらに含む。現在企図されている構成では、画像処理サブシステム１０４は、通信バス１２８を介して互いに通信可能に結合された学習ユニット１１６、アトラス選択ユニット１１８、セグメンテーションユニット１２０、制御ユニット１２４、およびメモリユニット１２６を含む。

一実施形態では、制御ユニット１２４は、汎用コンピュータ、ＧＰＵ、デジタル信号プロセッサ、およびコントローラの少なくとも１つを含む。他の実施形態では、制御ユニット１２４は、限定はしないが、特定用途向け集積回路（ＡＳＩＣ）およびフィールドプログラマブルゲートアレイ（ＦＰＧＡ）などのカスタマイズされたプロセッサ要素を含む。いくつかの実施形態では、制御ユニット１２４は、学習ユニット１１６、アトラス選択ユニット１１８、セグメンテーションユニット１２０の少なくとも１つの１つまたは複数の機能を実行することができる。制御ユニット１２４は、意図された機能性を実行するために互いに協働して動作する２つ以上のプロセッサを含み得る。制御ユニット１２４は、メモリユニット１２６に（から）コンテンツを格納（検索）するようにさらに構成される。一実施形態では、制御ユニット１２４は、学習ユニット１１６、アトラス選択ユニット１１８、セグメンテーションユニット１２０の１つまたは複数の機能性を開始および制御するように構成される。

いくつかの実施形態では、制御ユニット１２４は、キーボード、マウス、および任意の他の入力デバイスなどの入力デバイスと通信可能に結合され得る。さらに、制御ユニット１２４は、入力デバイスを介してオペレータからコマンドおよび／またはパラメータを受信するように構成される。制御ユニット１２４の機能性は、実行される機能に基づいて調整／カスタマイズされてもよいことに留意されたい。例として、制御ユニット１２４が学習ユニット１１６の機能を支援するように構成されるとき、制御ユニット１２４は、履歴解剖学的データに基づいて複数の医学的状態に対応する複数の深層学習モデルの生成を監督するようにプログラムされる。同様に、制御ユニット１２４がアトラス選択ユニット１１８の機能を支援するように構成されるとき、制御ユニット１２４は、複数のアトラス画像に対応する複数の類似性値の生成を監督するようにプログラムされる。同様の方式で、制御ユニット１２４を使用してセグメンテーションユニット１２０を支援するとき、制御ユニット１２４は、２つの画像の位置合わせを監督するように構成される。

一実施形態では、メモリユニット１２６は、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、フラッシュメモリ、または学習ユニット１１６、アトラス選択ユニット１１８、セグメンテーションユニット１２０の少なくとも１つによってアクセス可能な任意の他の種類のコンピュータ可読メモリである。また、ある特定の実施形態では、メモリユニット１２６は、一連のステップを実行してパーセル化されたセグメント化画像１３０を生成するように学習ユニット１１６、アトラス選択ユニット１１８、セグメンテーションユニット１２０の少なくとも１つに命令する複数の命令を有するプログラムでエンコードされた非一時的コンピュータ可読媒体であってもよい。具体的には、プログラムは、位置特定情報を生成するように学習ユニット１１６、アトラス画像を選択するようにアトラス選択ユニット１１８、および／または画像位置合わせを実行するようにセグメンテーションユニット１２０に命令し、パーセル化されたセグメント化画像１３０を生成することができる。メモリユニット１２６は、取得された解剖学的画像データ１０６を格納するように構成される。一実施形態では、メモリユニット１２６は、複数のラベルによってインデックス付けされた複数の患者に対応する複数の医療記録を格納するように構成される。メモリユニット１２６は、複数のラベルで注釈付けされた複数の医療記録を有する１つまたは複数の医療データベースを格納するように構成される。

撮像システム１００はまた、画像処理サブシステム１０４に通信可能に結合され、１つまたは複数の医療活動に対応する医学的推奨１０８を生成するように構成された治療ユニット１２２を含む。治療ユニット１２２は、画像処理サブシステム１０４からパーセル化されたセグメント化画像１３０を受信し、受信したパーセル化されたセグメント化画像１３０を処理して医学的推奨１０８を生成するように構成される。一実施形態では、医学的推奨１０８は、医学的状態の診断１１０を含み得る。別の実施形態では、医学的推奨１０８は、治療送達１１２の活動を提案することができる。別の実施形態では、医学的推奨１０８は、生検１１４を提案することができる。医学的推奨１０８はまた、セグメント化画像１３０に基づくレポートの生成を含み得る。レポートは、治療ユニット１２２によって生成されてもよい。

画像データ取得サブシステム１０２は、患者１３２の解剖学的ＲＯＩに対応する解剖学的画像データ１０６を取得するように構成される。解剖学的画像データ１０６はまた、スカウトデータセットを含み得る。スカウトデータセットは、患者１３２への最小限の放射線曝露で比較的迅速に取得することができる低解像度の解剖学的画像データセットを指す。解剖学的画像データ１０６は、二次元（２Ｄ）画像データ、三次元（３Ｄ）画像データ、または四次元（４Ｄ）画像データの形態の複数の解剖学的画像を含み得る。２Ｄ画像データは、複数の２Ｄ画像を含み、各画像は、平面に配置された複数のピクセルを有する。また、３Ｄ画像データは、複数の３Ｄ画像を含み、各３Ｄ画像は、ボリュームに配置された複数のボクセルを有する。一実施形態では、３Ｄデータは、２Ｄ画像の集合であり得る。４Ｄデータは、複数の３Ｄ画像または複数の２Ｄ画像を含み得る。一般に、各ピクセル（またはボクセル）は、ベクトル値として表され、これは限定はしないが、グレー値、カラー値、および不透明度値などの画像プロパティを表す。画像データ取得サブシステム１０２は、取得された解剖学的画像データ１０６をメモリユニット１２６に格納するようにさらに構成され得る。一実施形態では、取得された解剖学的画像データ１０６は、リアルタイムで画像処理サブシステム１０４に提供されてもよい。

画像処理サブシステム１０４は、解剖学的画像データ１０６を処理し、解剖学的ＲＯＩに対応する位置特定情報を決定するように構成される。画像処理サブシステム１０４はまた、解剖学的ＲＯＩに対応する配向情報を生成するように構成される。一実施形態では、位置特定情報は、機械学習技法または画像セグメンテーション技法を使用して生成することができる。さらに、画像処理サブシステム１０４は、位置特定情報に基づいてアトラス画像を選択するように構成される。選択されたアトラス画像は、解剖学的画像データ１０６と位置合わせされ、パーセル化されたセグメント化画像１３０を生成する。

学習ユニット１１６は、画像データ取得サブシステム１０２から解剖学的画像データ１０６を受信するように構成される。前述のように、解剖学的画像データ１０６は、スカウトデータセットと、患者１３２の解剖学的関心領域（ＲＯＩ）に対応する複数の解剖学的画像とを含む。学習ユニット１１６は、解剖学的画像データ１０６内の複数の解剖学的画像からの解剖学的画像を処理し、撮像されている解剖学的関心領域に対応する位置特定情報を決定するように構成される。前述のように、位置特定情報は、画像内の固定または相対参照を有する位置、サイズ、および／または境界情報を表す。一実施形態では、学習ユニット１１６は、スカウトデータセットを処理し、位置特定情報を決定するように構成される。ある特定のシナリオでは、位置特定情報はまた、解剖学的関心領域に対応する配向情報を含んでもよい。前述のように、配向情報は、画像の一部の傾斜および／または方向を表す。

位置特定情報は、画像セグメンテーション技法または機械学習技法を使用して生成することができる。具体的には、学習ユニット１１６は、深層学習モデルを使用して解剖学的画像を処理することによって位置特定情報を生成するように構成される。この実施形態では、深層学習モデルは、解剖学的画像に基づいて境界画像を生成し得る。この例では、深層学習モデルをオフラインで訓練し、境界画像を生成することができる。さらに、学習ユニット１１６は、境界画像と、メモリユニット１２６に格納された複数のマスク画像との比較に基づいてマスク画像を選択するように構成される。

一実施形態では、学習ユニット１１６は、深層学習モデルを使用して解剖学的画像を処理し、複数の方法で解剖学的画像を分類することによってマルチラベルインデックス値を生成するように構成される。例えば、解剖学的画像は、性別、年齢、および疾患の種類に対応する３つのラベルを含み得る。対応するインデックス値は、最初の要素が性別を表し、２番目の要素が年齢を表し、３番目の要素が疾患の種類を表す３つの要素を有するベクトルであり得る。この実施形態では、深層学習モデルをオフラインで訓練し、複数の訓練画像に基づいて解剖学的画像の分類を実行することができる。

学習ユニット１１６は、メモリユニット１２６からマスク画像を選択するようにさらに構成され、マスク画像は、マルチラベルインデックス値に基づいて位置特定情報を表す。この実施形態では、深層学習モデルは、特定の解剖学的関心領域の履歴解剖学的画像データを使用して先験的に設計されたマルチラベル分類子である。例として、深層学習モデルを訓練し、前立腺マスク画像を表すマルチラベルインデックス値を生成することができる。別の例では、深層学習モデルを訓練し、脳マスク画像を表すマルチラベルインデックス値を生成してもよい。さらに別の例では、深層学習モデルを訓練し、脊椎マスク画像を表すマルチラベルインデックス値を生成してもよい。他の実施形態では、学習ユニット１１６は、複数の格納されたマスク画像からマスク画像を選択するように設計された深層学習モデルを用いるように構成され得る。

学習ユニット１１６は、履歴解剖学的画像データに基づいてオフラインモードで深層学習モデルを訓練するようにさらに構成される。一般に、学習ユニット１１６は、履歴医療データベースに基づいて複数の医学的状態に対応する複数の深層学習モデルを生成するように構成される。複数の深層学習モデルは、複数の医療撮像技法、複数の関心器官、および複数の医学的状態に対応する。一実施形態では、複数の深層学習モデルは、メモリユニット１２６に格納され、解剖学的画像データ１０６を評価するために制御ユニット１２４によって検索される。

深層学習モデルは、限定はしないが、ニューラルネットワークモデル、畳み込みニューラルネットワーク（ＣＮＮ）モデル、および再帰的ニューラルネットワークモデルを含む。ＣＮＮは、複数の畳み込み段階を含むことができ、各畳み込み段階は、カスケード方式で動作可能に結合された畳み込み層、活性化層、およびプーリング層を含むことができる。そして畳み込み層、活性化層、およびプーリング層の各々は、対応する複数の層パラメータを含む。畳み込み段階の数および層パラメータの数は、解剖学的画像データ１０６を処理するためのＣＮＮの構成を可能にするように選択され得る。

履歴医療データベースは、各医療記録に対応する複数のラベルを有する注釈付き医療データベースである。複数のラベルはまた、アトラス画像を含む医療画像をインデックス付けするために使用される。アトラス画像は、特定の関心器官、解剖学的関心領域、関心器官の医学的状況、医学的状況に対応する医学的推奨、またはそれらの組み合わせに対応する。複数のラベルは、対象の年齢および性別、疾患の種類、対象の住居の領域、疾患の進行、関心器官の種類、ならびに画像取得の種類を表すことができる。複数のラベルリストは網羅的ではなく、同様に他のそのような要因も含み得ることに留意されたい。

アトラス選択ユニット１１８は、学習ユニット１１６に通信可能に結合され、マスク画像に基づいて複数のアトラス画像からアトラス画像を選択するように構成される。一実施形態では、複数のアトラス画像の各々は、アトラスマスク画像と、対応するアトラス解剖学的画像とを含む。アトラス解剖学的画像は、画像内の複数のサブ領域を表す複数のラベルを有する、以前にセグメント化された解剖学的画像である。一実施形態では、アトラス選択ユニット１１８は、形状ベースのメトリックを使用して、学習ユニット１１６によって選択されたマスク画像を複数のアトラスマスク画像と比較し、複数の類似性値を生成するように構成される。一実施形態では、ダイス類似度係数（ＤＳＣ）が、マスク画像を複数のアトラスマスク画像の各々と比較するための形状ベースのメトリックとして使用される。具体的には、マスク画像は、複数のアトラスマスク画像の各々と位置合わせされる。続いて、マスク画像と位置合わせされたアトラスマスク画像の各々との間のＤＳＣ値が計算され、複数の類似性値を生成する。複数の類似性値の中で最大の類似性値に対応するアトラス画像が、一致するアトラス画像として選択される。他の実施形態では、限定はしないが、相互相関値または相互情報値などの他のメトリックを使用して、複数の類似性値を生成してもよい。

セグメンテーションユニット１２０は、アトラス選択ユニット１１８に通信可能に結合され、アトラス画像に基づいて解剖学的画像データ１０６内の画像をセグメント化し、解剖学的関心領域に対応するパーセル化されたセグメント化画像を生成するように構成される。一実施形態では、セグメンテーションユニット１２０は、アトラス解剖学的画像を、取得された解剖学的画像データ１０６から選択された画像と位置合わせするように構成される。別の実施形態では、セグメンテーションユニット１２０は、選択されたアトラス画像に対応するアトラスマスク画像およびアトラス解剖学的画像を選択画像と一緒に位置合わせするように構成される。さらに、セグメンテーションユニット１２０は、１つまたは複数のラベルをアトラス解剖学的画像から選択画像に転送し、パーセル化されたセグメント化画像１３０を生成するように構成される。一実施形態では、アトラス解剖学的画像から選択画像へのラベルの転送は、ラベルを選択画像に重ねることを含む。

治療ユニット１２２は、パーセル化されたセグメント化画像１３０に基づいて医療活動を推奨するように構成される。医療活動は、画像取得のガイド、処置計画の監督、患者１３２への治療的送達の支援、および医療レポートの生成の少なくとも１つを含む。さらに、治療ユニット１２２は、パーセル化されたセグメント化画像１３０と既知の医学的状況を有する複数の格納された画像との比較に基づいて解剖学的関心領域の医学的状況を決定するように構成される。治療ユニット１２２はまた、医学的状況に基づいて医学的推奨を識別するように構成される。一実施形態では、治療ユニット１２２はまた、解剖学的関心領域に対応する位置特定情報に基づいて生検、放射線治療、および幹細胞治療の少なくとも１つを推奨するように構成される。一実施形態では、推奨は、位置特定情報を履歴画像と照合し、一致した履歴画像に対応する医療事例における有用な医療処置に関する情報を検索することに基づいて生成されてもよい。一実施形態では、治療ユニット１２２は、心臓撮像のブルズアイ表示、前立腺画像報告データシステム（ＰｉＲＡＤＳ）、肝臓画像報告データシステム（ＬｉＲＡＤＳ）などの形で医学的状況を提示するように構成される。上述のような画像マスクを選択するための深層学習技法の使用およびアトラスベースの画像セグメンテーションの使用は、手作業による介入を減らし、放射線手技における臨床ワークフローを加速化するのを支援することに留意されたい。

加えて、心臓撮像のブルズアイ表示、ＰｉＲＡＤＳ、およびＬｉＲＡＤＳの１つまたは複数が、心臓、前立腺、および肝臓の医学的状況の評価を支援するためにディスプレイユニット１３４上に視覚化され得る。

図２は、本明細書の態様による、臨床ワークフロー２００を示す概略図である。特に、臨床ワークフロー２００は、図１の撮像システムを使用して解剖学的画像をセグメント化するためのアトラス画像の深層学習ベースの選択を表す。方法２００は、図１の構成要素を参照して説明することができる。

臨床ワークフロー２００は、ステップ２０２によって示されるように、取得された解剖学的画像２０４を得ることを含む。解剖学的画像２０４は、図１の解剖学的画像データ１０６から選択される。さらに、ステップ２０６において、取得された解剖学的画像２０４は、深層学習モデル２０８を使用して学習ユニット１１６によって処理され、マスク画像２１０を生成する。マスク画像２１０は、解剖学的画像２０４における解剖学的関心領域の位置特定情報を表す。図２の例では、マスク画像２１０は、解剖学的画像２０４における前立腺領域２１６を表す。

さらに、ステップ２１２において、アトラス画像２１８がマスク画像２１０に基づいて複数のアトラス画像２１４から選択される。続いて、選択されたアトラス画像２１８は、ステップ２２０によって示されるように、解剖学的画像２０４と位置合わせされ、パーセル化されたセグメント化画像２２２を生成する。パーセル化されたセグメント化画像２２２は、ラベル２２４を含む。前述のように、ラベル２２４は、前立腺領域の内部ゾーンまたは周辺ゾーンを表すことができる。解剖学的画像２０４を処理することによってマスク画像２１０を生成するための深層学習モデル２０８の使用は、マスク画像２１０を生成するのにかかる時間を短縮するのを支援し、それによって臨床ワークフロー２００が加速化される。

図３Ａ～図３Ｄは、本明細書の態様による、図１の患者１３２などの対象の解剖学的関心領域に対応するマスク画像である。特に、図３Ａは、患者１３２の前立腺領域３１０のグランドトゥルースマスク画像３０２を示す。図３Ｂは、前立腺領域を決定するように訓練された従来の深層学習モデルの使用を介して解剖学的画像を処理することによって得られたマスク画像３０４である。画像３０４における前立腺領域に対応する位置特定情報は、番号３１２によって表される。この実施形態では、アトラス画像は使用されない。

また、図３Ｃは、前立腺領域に対応する従来のアトラス画像から得られたマスク画像３０６を示す。この実施形態では、位置特定情報を決定するためにアトラス画像のみが使用される。さらに、画像３０６において、前立腺領域に対応する位置特定情報は、参照番号３１４によって表される。図３Ｄは、システム１００を使用して得られたマスク画像３０８であり、アトラス画像は、深層学習モデルによって選択され、選択されたアトラス画像は、非剛体レジストレーションを介して解剖学的画像と位置合わせされる。図３Ｄの例では、位置特定情報３１６は、前立腺領域に対応する。

さらに、ダイス類似度係数（ＤＳＣ）値は、図３Ａのグランドトゥルース画像３０２を図３Ｂ、図３Ｃ、および図３Ｄのマスク画像３０４、３０６、および３０８と比較することによって計算される。ＤＳＣの一例は、式（１）を使用して定義される。

グランドトゥルース画像３０２を参照した所与のセグメント化画像において、ＴＰは、真の正の値であり、ＦＰは、偽の正の値であり、ＦＮは、偽の負の値である。

各画像３０４、３０６、および３０８に対するＤＳＣ値は、式（１）に基づいて計算される。一例では、図３Ｂの画像３０４に対応するＤＳＣ値は、０．８２であり、図３Ｃの画像３０６に対応するＤＳＣ値は、０．７９である。同様に、図３Ｄの画像３０８に対応するＤＳＣ値は、０．８４である。非剛体レジストレーション技法の使用を介して得られた図３Ｄのマスク画像３０８は、深層学習ベースのセグメンテーション技法およびアトラスベースのセグメンテーション技法の使用を介して得られたセグメント化画像３０４、３０６に対応するＤＳＣ値と比較して、より良好なＤＳＣ値を提供することが観察され得る。

図４Ａ～図４Ｄは、本明細書の態様による、解剖学的画像のパーセル化に対するアトラス画像の深層学習ベースの選択の効果を示す画像である。図４Ａは、第１の患者に対応する第１のセグメント化画像４０２を示す。図４Ａでは、第１のセグメント化画像４０２は、前立腺領域の第１の周辺ゾーン４０４および第１の内部ゾーン４０６を含む。同様に、図４Ｂは、第２の患者に対応する第２のセグメント化画像４０８を示す。第２のセグメント化画像４０８は、前立腺領域の第２の周辺ゾーン４１０および第２の内部ゾーン４１２を含む。さらに、図４Ｃは、第３の患者に対応する第３のセグメント化画像４１４を示す。第３のセグメント化画像４１４は、前立腺領域の第３の周辺ゾーン４１６および第３の内部ゾーン４１８を含む。さらに、図４Ｄは、第４の患者に対応する第４のセグメント化画像４２０を示す。第４のセグメント化画像４２０は、前立腺領域の第４の周辺ゾーン４２２および第４の内部ゾーン４２４を含む。

図４Ａ～図４Ｄは、異なる患者に対応するパーセル化された解剖学的画像４０２、４０８、４１４、４２０における内部ゾーン４０６、４１２、４１８、４２４のサイズおよび形状の変化を示す。アトラス画像の深層学習ベースの選択を伴うシステム１００は、異なる患者に対応する画像から関心領域の正確なサイズおよび形状を効率的に識別またはパーセル化するように構成されることに留意されたい。より詳細には、システム１００の使用は、異なる患者に対応する画像における関心領域のサイズおよび／または形状の変化にとらわれないように構成され、それによって異なる患者に対応する画像からの関心領域の効率的なパーセル化を容易にする。

図５は、本明細書の態様による、加速化された臨床ワークフローのための方法５００のフローチャートである。方法５００は、図１の構成要素を参照して説明される。方法５００は、ステップ５０２によって示されるように、対象１３２の解剖学的関心領域に対応する解剖学的画像データ１０６を取得することを含む。解剖学的画像データ１０６は、複数の解剖学的画像を含む。また、解剖学的画像データ１０６は、画像データ取得サブシステム１０２の使用を介して取得されてもよい。一実施形態では、解剖学的画像データを取得することはまた、画像データ取得サブシステム１０２から、対象１３２に対応するスカウトデータセットを受信することを含み、スカウトデータセットは、低解像度の解剖学的画像データに対応する。

さらに、方法５００は、ステップ５０４によって示されるように、深層学習ベースの技法を使用して、解剖学的画像データ１０６に基づいて解剖学的関心領域に対応する位置特定情報を決定することを含む。一実施形態では、位置特定情報を決定することは、スカウトデータセットを処理し、深層学習モデルを使用して解剖学的関心領域に対応する境界情報および配向情報を生成することを含む。具体的には、深層学習モデルは、スカウトデータセット内の画像に基づいて境界画像を生成する。この実施形態では、深層学習モデルをオフラインモードで訓練し、履歴解剖学的画像データに基づいて境界画像を決定する。境界画像は、位置特定情報と、配向情報とを含む。境界画像を複数のマスク画像と比較することによって、複数のマスク画像の中からマスク画像が選択される。

別の実施形態では、位置特定情報を決定することは、深層学習モデルを使用して解剖学的画像データ１０６からの解剖学的画像を処理し、マルチラベルインデックス値を生成することを含む。加えて、マルチラベルインデックス値に基づいてマスク画像が選択される。この実施形態では、深層学習モデルを訓練し、履歴解剖学的画像データに基づいてマルチラベルインデックス値を決定することができる。具体的には、深層学習モデルは、履歴解剖学的画像データから抽出された所望の位置特定情報に対応するデータセットを使用して訓練される。一実施形態では、位置特定情報は、マスク画像である。さらに、一実施形態では、深層学習モデルは、複数の医学的状態に対応する複数の深層学習モデルから選択される。複数の深層学習モデルは、履歴解剖学的画像データを使用してオフラインで生成することができる。さらに、複数の医学的状態に対応する複数の深層学習モデルは、履歴医療データベースに基づいて生成される。履歴医療データベースは、とりわけ年齢、性別、領域、医学的状態の進行、疾患の種類を表すラベルで注釈付けされている。

加えて、ステップ５０６において、位置特定情報に基づいて解剖学的関心領域に対応する複数のアトラス画像からアトラス画像が選択される。前述のように、位置特定情報は、マルチラベルインデックス値に基づくマスク画像によって表される。一実施形態では、アトラス画像を選択することは、形状ベースのメトリックを使用してマスク画像を複数のアトラス画像マスクと比較し、複数の類似性値を生成することを含む。さらに、一致するアトラス画像が、複数の類似性値に基づいて複数のアトラス画像の中から選択される。一致するアトラス画像は、解剖学的画像データ１０６内の関心領域のサブ領域を表す複数のラベルを含む。

さらに、ステップ５０８において、画像位置合わせ技法を使用して、アトラス画像に基づいてパーセル化されたセグメント化画像が生成される。一実施形態では、選択されたアトラス画像は、解剖学的画像データ１０６からの解剖学的画像と位置合わせされ、位置合わせされた解剖学的画像を生成する。さらに、選択されたアトラス画像に対応する複数のラベルからの１つまたは複数のラベルが位置合わせされた解剖学的画像に転送され、パーセル化されたセグメント化画像を生成する。

方法５００はまた、ステップ５１０によって示されるように、パーセル化されたセグメント化画像に基づいて医療活動を推奨することを含む。医療活動は、画像取得のガイド、処置計画の監督、対象への治療的送達の支援、および医療レポートの生成の少なくとも１つを含む。一実施形態では、解剖学的関心領域の医学的状況が、パーセル化されたセグメント化画像に基づいて決定される。さらに、医学的状況に基づいて医学的推奨が生成される。医療活動は、関心領域情報に基づく生検、放射線治療、および幹細胞治療の少なくとも１つを含み得る。一実施形態では、医療活動は、医学的状況を医療レポートに提示することを含み得る。具体的には、医療レポートは、心臓撮像のブルズアイ表示または前立腺画像報告データシステム（ＰｉＲＡＤＳ）および肝臓画像報告データシステム（Ｌｉ－ＲＡＤＳ）の少なくとも１つを含んでもよい。一実施形態では、パーセル化されたセグメント化画像は、テキスト、記号、またはカラーコードの少なくとも１つの形での推奨と共にディスプレイユニット１３４上に表示されてもよい。さらに、臨床医の注意を引くために、１つまたは複数のパーセル化された領域をディスプレイで強調表示または色付けすることができる。

上記で提示されたシステムおよび方法は、深層学習技法を使用する改善された放射線学臨床ワークフローを提供する。画像処理時間は、分析されている解剖学的画像に基づいてアトラスマスク画像を選択する深層学習技法の能力の結果として短縮される。深層学習モデルベースの画像セグメンテーションとアトラスベースのパーセル化を組み合わせることによって、取得の精度が向上する。システムおよび方法の使用は、外科的または放射線処置の報告および／またはガイドにかかる時間の短縮を可能にする。加えて、アトラスベースのパーセル化による深層学習モデルベースの画像セグメンテーションの使用は、臨床ワークフローの自動化を支援し、深層学習ベースのマスク選択とアトラスベースの画像セグメンテーションを統合することによってあらゆる結果がリアルタイムでディスプレイユニット上に提示される。

さらに、本システムおよび方法の使用は、１つまたは複数の解剖学的領域を局所化またはセグメント化し、解剖学的構造をパーセル化することによって臨床的意思決定を行うことが可能になる。深層学習モデルの使用を介して得られた解剖学的関心領域に対応する位置特定情報を利用して、画像取得を加速化することができ、かつ／またはスキャンパラメータを最適化することができる。正確にセグメント化された解剖学的画像は、組織生検または放射線処置の計画およびガイドを支援する。さらに、セグメント化された解剖学的構造に基づいて生成された統計的尺度は、前立腺癌の病期分類などの臨床的結論を生成するのに役立つ。解剖学的構造の自動化されたパーセル化は、取得された画像をディスプレイユニット上に素早く提示するのに役立つ。解剖学的画像のセグメンテーションは、アーチファクトに対してロバストであり、病理の存在下で正確である。セグメンテーション技法は、サブセット訓練データセットの使用を伴い、計算の複雑さを増すことなくより新しいサブ領域を含むことが可能である。

任意の特定の実施形態に従って、上述したすべてのそのような物体または利点が必ずしも達成することができるわけではないことを理解されたい。したがって、例えば、当業者には明らかなように、本明細書に記載のシステムおよび技法は、本明細書で教示または示唆され得るように他の目的または利点を必ずしも達成することなく、本明細書で教示される１つの利点または１群の利点を達成または改善する方式で具現化または実施されてもよい。

本技術は限られた数の実施形態のみに関連して詳細に説明されているが、本明細書がそのような開示された実施形態に限定されないことは容易に理解されるべきである。むしろ、本技術は、これまでに説明されていないが特許請求の範囲の精神および範囲に相応する、任意の数の変形、代替、置換または同等の構成を組み込むように修正することができる。加えて、本技術の様々な実施形態が説明されているが、本明細書の態様は、説明した実施形態のいくつかのみを含んでもよいことを理解されたい。したがって、本明細書は、前述の説明によって限定されると見なされるべきではなく、添付の特許請求の範囲によってのみ限定される。
［実施態様１］
対象（１３２）の解剖学的関心領域に対応する解剖学的画像データ（１０６）を取得すること（５０２）と、
学習ベースの技法を使用して、前記解剖学的画像データ（１０６）に基づいて前記解剖学的関心領域に対応する位置特定情報（３１０、３１２、３１４、３１６）を決定すること（５０４）と、
前記位置特定情報（３１０、３１２、３１４、３１６）に基づいて前記解剖学的関心領域に対応する複数のアトラス画像（２１４、２１８）からアトラス画像（２１４、２１８）を選択すること（５０６）と、
前記アトラス画像（２１４、２１８）に基づいてパーセル化されたセグメント化画像（１３０、２２２、３０４、３０６、４０２、４０８、４１４、４２０）を生成すること（５０８）と、
前記パーセル化されたセグメント化画像（１３０、２２２、３０４、３０６、４０２、４０８、４１４、４２０）に基づいて医療活動を推奨すること（５１０）であって、前記医療活動は、画像取得のガイド、処置計画の監督、前記対象（１３２）への治療的送達の支援、および医療レポートの生成の少なくとも１つを含むことと
を含む、方法（５００）。
［実施態様２］
前記解剖学的画像データ（１０６）を取得すること（５０２）は、画像データ取得サブシステム（１０２）から、前記対象（１３２）に対応するスカウトデータセットを受信することをさらに含み、前記スカウトデータセットは、低解像度の解剖学的画像データ（１０６）に対応する、実施態様１に記載の方法（５００）。
［実施態様３］
前記位置特定情報（３１０、３１２、３１４、３１６）を決定すること（５０４）は、
前記スカウトデータセットを処理し、前記解剖学的関心領域に対応する境界画像を生成することと、
前記境界画像と複数のマスク画像（２１０、３０２、３０４、３０６、３０８）の各々との比較に基づいて前記複数のマスク画像（２１０、３０２、３０４、３０６、３０８）からマスク画像（２１０、３０２、３０４、３０６、３０８）を選択することと
を含む、実施態様２に記載の方法（５００）。
［実施態様４］
前記位置特定情報（３１０、３１２、３１４、３１６）を決定すること（５０４）は、
深層学習モデル（２０８）を使用して前記解剖学的画像データ（１０６）内の複数の解剖学的画像（２０４）から解剖学的画像（２０４）を処理し、マルチラベルインデックス値を生成することと、
前記マルチラベルインデックス値に基づいてマスク画像（２１０、３０２、３０４、３０６、３０８）を選択することと
を含む、実施態様１に記載の方法（５００）。
［実施態様５］
前記アトラス画像（２１４、２１８）を選択すること（５０６）は、
形状ベースのメトリックを使用して前記マスク画像（２１０、３０２、３０４、３０６、３０８）を複数のアトラス画像（２１４、２１８）と比較し、複数の類似性値を生成することと、
前記複数の類似性値に基づいて前記複数のアトラス画像（２１４、２１８）から一致するアトラス画像（２１４、２１８）を選択することであって、前記一致するアトラス画像（２１４、２１８）は、複数のラベル（２２４）を含むことと
を含む、実施態様４に記載の方法（５００）。
［実施態様６］
前記パーセル化されたセグメント化画像（１３０、２２２、３０４、３０６、４０２、４０８、４１４、４２０）を生成すること（５０８）は、
前記選択された一致するアトラス画像（２１４、２１８）を前記解剖学的画像（２０４）と位置合わせし、位置合わせされた解剖学的画像（２０４）を生成することと、
前記複数のラベル（２２４）の１つまたは複数のラベル（２２４）を前記選択された一致するアトラス画像（２１４、２１８）から前記位置合わせされた解剖学的画像（２０４）に転送し、前記パーセル化されたセグメント化画像（１３０、２２２、３０４、３０６、４０２、４０８、４１４、４２０）を生成することと
を含む、実施態様５に記載の方法（５００）。
［実施態様７］
前記医療活動を推奨すること（５１０）は、
前記パーセル化されたセグメント化画像（１３０、２２２、３０４、３０６、４０２、４０８、４１４、４２０）に基づいて前記解剖学的関心領域の医学的状況を決定することと、
前記医学的状況に基づいて医学的推奨（１０８）を生成することと
を含む、実施態様１に記載の方法（５００）。
［実施態様８］
前記医療活動は、生検（１１４）、放射線治療、および幹細胞治療の少なくとも１つを含む、実施態様７に記載の方法（５００）。
［実施態様９］
前記位置特定情報（３１０、３１２、３１４、３１６）を生成することは、履歴解剖学的データに基づいて複数の医学的状態に対応する複数の深層学習モデル（２０８）を生成することをさらに含む、実施態様１に記載の方法（５００）。
［実施態様１０］
履歴解剖学的データに基づいて複数の医学的状態に対応する複数の深層学習モデル（２０８）を生成することをさらに含む、実施態様１に記載の方法（５００）。
［実施態様１１］
対象（１３２）の解剖学的関心領域に対応する解剖学的画像データ（１０６）を取得するように構成された画像データ取得サブシステム（１０２）と、
前記画像データ取得サブシステム（１０２）に通信可能に結合され、学習ベースの技法を使用して、前記解剖学的画像データ（１０６）に基づいて前記解剖学的関心領域に対応する位置特定情報（３１０、３１２、３１４、３１６）を決定するように構成された学習ユニット（１１６）と、
前記学習ユニット（１１６）に通信可能に結合され、前記位置特定情報（３１０、３１２、３１４、３１６）に基づいて前記解剖学的関心領域に対応する複数のアトラス画像（２１４、２１８）からアトラス画像（２１４、２１８）を選択するように構成されたアトラス選択ユニット（１１８）と、
前記アトラス選択ユニット（１１８）に通信可能に結合され、前記アトラス画像（２１４、２１８）に基づいて前記解剖学的画像データ（１０６）をセグメント化してパーセル化されたセグメント化画像（１３０、２２２、３０４、３０６、４０２、４０８、４１４、４２０）を生成するように構成されたセグメンテーションユニット（１２０）と、
前記セグメンテーションユニット（１２０）に通信可能に結合され、前記パーセル化されたセグメント化画像（１３０、２２２、３０４、３０６、４０２、４０８、４１４、４２０）に基づいて医療活動を推奨するように構成された治療ユニット（１２２）であって、前記医療活動は、画像取得のガイド、処置計画の監督、前記対象（１３２）への治療的送達の支援、および医療レポートの生成の少なくとも１つを含む治療ユニット（１２２）と
を備える、撮像システム（１００）。
［実施態様１２］
前記画像データ取得サブシステム（１０２）は、
前記対象（１３２）に対応するスカウトデータセットを受信し、前記スカウトデータセットは、低解像度の解剖学的画像データ（１０６）に対応し、
前記スカウトデータセットを処理し、前記解剖学的関心領域に対応する境界画像を生成し、
前記境界画像と複数のマスク画像（２１０、３０２、３０４、３０６、３０８）の各々との比較に基づいて前記複数のマスク画像（２１０、３０２、３０４、３０６、３０８）からマスク画像（２１０、３０２、３０４、３０６、３０８）を選択する
ようにさらに構成される、実施態様１１に記載の撮像システム（１００）。
［実施態様１３］
前記学習ユニット（１１６）は、
深層学習モデル（２０８）を使用して前記解剖学的画像データ（１０６）内の複数の解剖学的画像（２０４）から解剖学的画像（２０４）を処理し、マルチラベルインデックス値を生成し、
前記マルチラベルインデックス値に基づいてマスク画像（２１０、３０２、３０４、３０６、３０８）を選択する
ように構成される、実施態様１１に記載の撮像システム（１００）。
［実施態様１４］
前記アトラス選択ユニット（１１８）は、
形状ベースのメトリックを使用して前記マスク画像（２１０、３０２、３０４、３０６、３０８）を複数のアトラス画像（２１４、２１８）と比較し、複数の類似性値を生成し、
前記複数の類似性値に基づいて前記複数のアトラス画像（２１４、２１８）から一致するアトラス画像（２１４、２１８）を選択し、前記一致するアトラス画像（２１４、２１８）は、複数のラベル（２２４）を含む
ように構成される、実施態様１３に記載の撮像システム（１００）。
［実施態様１５］
前記セグメンテーションユニット（１２０）は、
前記選択された一致するアトラス画像（２１４、２１８）を前記解剖学的画像（２０４）と位置合わせし、位置合わせされた解剖学的画像（２０４）を生成し、
前記複数のラベル（２２４）の１つまたは複数のラベル（２２４）を前記選択された一致するアトラス画像（２１４、２１８）から前記位置合わせされた解剖学的画像（２０４）に転送し、前記パーセル化されたセグメント化画像（１３０、２２２、３０４、３０６、４０２、４０８、４１４、４２０）を生成する
ように構成される、実施態様１４に記載の撮像システム（１００）。
［実施態様１６］
前記形状ベースのメトリックは、ダイス類似度係数である、実施態様１４に記載の撮像システム（１００）。
［実施態様１７］
前記治療ユニット（１２２）は、
前記パーセル化されたセグメント化画像（１３０、２２２、３０４、３０６、４０２、４０８、４１４、４２０）に基づいて前記解剖学的関心領域の医学的状況を決定し、
前記医学的状況に基づいて医学的推奨（１０８）を生成する
ように構成される、実施態様１１に記載の撮像システム（１００）。
［実施態様１８］
前記治療ユニット（１２２）は、前記パーセル化されたセグメント化画像（１３０、２２２、３０４、３０６、４０２、４０８、４１４、４２０）に基づいて生検（１１４）、放射線治療、および幹細胞治療の少なくとも１つを推奨するように構成される、実施態様１７に記載の撮像システム（１００）。
［実施態様１９］
前記学習ユニット（１１６）は、履歴解剖学的データに基づいて複数の医学的状態に対応する複数の深層学習モデル（２０８）を生成するようにさらに構成される、実施態様１１に記載の撮像システム（１００）。

１００撮像システム
１０２画像データ取得サブシステム
１０４画像処理サブシステム
１０６解剖学的画像データ
１０８医学的推奨
１１０診断
１１２治療送達
１１４生検
１１６学習ユニット
１１８アトラス選択ユニット
１２０セグメンテーションユニット
１２２治療ユニット
１２４制御ユニット
１２６メモリユニット
１２８通信バス
１３０パーセル化されたセグメント化画像
１３２患者／対象
１３４ディスプレイユニット
２００臨床ワークフロー／方法
２０２ステップ
２０４解剖学的画像
２０６ステップ
２０８深層学習モデル
２１０マスク画像
２１２ステップ
２１４複数のアトラス画像
２１６前立腺領域
２１８選択されたアトラス画像
２２０ステップ
２２２パーセル化されたセグメント化画像
２２４ラベル
３０２グランドトゥルースマスク画像／グランドトゥルース画像
３０４マスク画像／セグメント化画像
３０６マスク画像／セグメント化画像
３０８マスク画像
３１０前立腺領域／位置特定情報
３１２前立腺領域／位置特定情報
３１４前立腺領域／位置特定情報
３１６前立腺領域／位置特定情報
４０２第１のセグメント化画像／パーセル化された解剖学的画像
４０４第１の周辺ゾーン
４０６第１の内部ゾーン
４０８第２のセグメント化画像／パーセル化された解剖学的画像
４１０第２の周辺ゾーン
４１２第２の内部ゾーン
４１４第３のセグメント化画像／パーセル化された解剖学的画像
４１６第３の周辺ゾーン
４１８第３の内部ゾーン
４２０第４のセグメント化画像／パーセル化された解剖学的画像
４２２第４の周辺ゾーン
４２４第４の内部ゾーン
５００方法
５０２ステップ
５０４ステップ
５０６ステップ
５０８ステップ
５１０ステップ

Claims

対象（１３２）の解剖学的関心領域に対応する解剖学的画像データ（１０６）を取得すること（５０２）と、
学習ベースの技法を使用して、前記解剖学的画像データ（１０６）を処理し、前記解剖学的関心領域に対応する境界画像を生成することと、
前記境界画像と複数のマスク画像（２１０、３０２、３０４、３０６、３０８）の各々との比較に基づいて前記複数のマスク画像（２１０、３０２、３０４、３０６、３０８）からマスク画像（２１０、３０２、３０４、３０６、３０８）を選択することと、
前記マスク画像（２１０、３０２、３０４、３０６、３０８）に基づいて前記解剖学的関心領域に対応する複数のアトラス画像（２１４、２１８）からアトラス画像（２１４、２１８）を選択すること（５０６）と、
前記アトラス画像（２１４、２１８）に基づいてパーセル化されたセグメント化画像（１３０、２２２、３０４、３０６、４０２、４０８、４１４、４２０）を生成すること（５０８）と、
前記パーセル化されたセグメント化画像（１３０、２２２、３０４、３０６、４０２、４０８、４１４、４２０）に基づいて医療活動を推奨すること（５１０）であって、前記医療活動は、画像取得のガイド、処置計画の監督、前記対象（１３２）への治療的送達の支援、および医療レポートの生成の少なくとも１つを含むことと
を含む、方法（５００）。
前記解剖学的画像データ（１０６）を取得すること（５０２）は、画像データ取得サブシステム（１０２）から、前記対象（１３２）に対応するスカウトデータセットを受信することをさらに含み、前記スカウトデータセットは、低解像度の解剖学的画像データ（１０６）に対応する、請求項１に記載の方法（５００）。
前記境界画像を生成することは、
深層学習モデル（２０８）を使用して前記解剖学的画像データ（１０６）内の複数の解剖学的画像（２０４）から解剖学的画像（２０４）を処理し、マルチラベルインデックス値を生成することと、
前記マルチラベルインデックス値に基づいてマスク画像（２１０、３０２、３０４、３０６、３０８）を選択することと
を含む、請求項１または２に記載の方法（５００）。
前記アトラス画像（２１４、２１８）を選択すること（５０６）は、
形状ベースのメトリックを使用して前記マスク画像（２１０、３０２、３０４、３０６、３０８）を複数のアトラス画像（２１４、２１８）と比較し、複数の類似性値を生成することと、
前記複数の類似性値に基づいて前記複数のアトラス画像（２１４、２１８）から一致するアトラス画像（２１４、２１８）を選択することであって、前記一致するアトラス画像（２１４、２１８）は、複数のラベル（２２４）を含むことと
を含む、請求項３に記載の方法（５００）。
前記パーセル化されたセグメント化画像（１３０、２２２、３０４、３０６、４０２、４０８、４１４、４２０）を生成すること（５０８）は、
前記選択された一致するアトラス画像（２１４、２１８）を前記解剖学的画像（２０４）と位置合わせし、位置合わせされた解剖学的画像（２０４）を生成することと、
前記複数のラベル（２２４）の１つまたは複数のラベル（２２４）を前記選択された一致するアトラス画像（２１４、２１８）から前記位置合わせされた解剖学的画像（２０４）に転送し、前記パーセル化されたセグメント化画像（１３０、２２２、３０４、３０６、４０２、４０８、４１４、４２０）を生成することと
を含む、請求項４に記載の方法（５００）。
前記医療活動を推奨すること（５１０）は、
前記パーセル化されたセグメント化画像（１３０、２２２、３０４、３０６、４０２、４０８、４１４、４２０）に基づいて前記解剖学的関心領域の医学的状況を決定することと、
前記医学的状況に基づいて医学的推奨（１０８）を生成することと
を含む、請求項１乃至５のいずれかに記載の方法（５００）。
前記医療活動は、生検（１１４）、放射線治療、および幹細胞治療の少なくとも１つを含む、請求項６に記載の方法（５００）。
履歴解剖学的データに基づいて複数の医学的状態に対応する複数の深層学習モデル（２０８）を生成することをさらに含む、請求項１乃至７のいずれかに記載の方法（５００）。
履歴解剖学的データに基づいて複数の医学的状態に対応する複数の深層学習モデル（２０８）を生成することをさらに含む、請求項１乃至８のいずれかに記載の方法（５００）。
対象（１３２）の解剖学的関心領域に対応する解剖学的画像データ（１０６）を取得するように構成された画像データ取得サブシステム（１０２）と、
前記画像データ取得サブシステム（１０２）に通信可能に結合され、学習ベースの技法を使用して、前記解剖学的画像データ（１０６）を処理し、前記解剖学的関心領域に対応する境界画像を生成し、前記境界画像と複数のマスク画像（２１０、３０２、３０４、３０６、３０８）の各々との比較に基づいて前記複数のマスク画像（２１０、３０２、３０４、３０６、３０８）からマスク画像（２１０、３０２、３０４、３０６、３０８）を選択するように構成された学習ユニット（１１６）と、
前記学習ユニット（１１６）に通信可能に結合され、前記マスク画像（２１０、３０２、３０４、３０６、３０８）に基づいて前記解剖学的関心領域に対応する複数のアトラス画像（２１４、２１８）からアトラス画像（２１４、２１８）を選択するように構成されたアトラス選択ユニット（１１８）と、
前記アトラス選択ユニット（１１８）に通信可能に結合され、前記アトラス画像（２１４、２１８）に基づいて前記解剖学的画像データ（１０６）をセグメント化してパーセル化されたセグメント化画像（１３０、２２２、３０４、３０６、４０２、４０８、４１４、４２０）を生成するように構成されたセグメンテーションユニット（１２０）と、
前記セグメンテーションユニット（１２０）に通信可能に結合され、前記パーセル化されたセグメント化画像（１３０、２２２、３０４、３０６、４０２、４０８、４１４、４２０）に基づいて医療活動を推奨するように構成された治療ユニット（１２２）であって、前記医療活動は、画像取得のガイド、処置計画の監督、前記対象（１３２）への治療的送達の支援、および医療レポートの生成の少なくとも１つを含む治療ユニット（１２２）と
を備える、撮像システム（１００）。
前記画像データ取得サブシステム（１０２）は、
前記対象（１３２）に対応するスカウトデータセットを受信し、前記スカウトデータセットは、低解像度の解剖学的画像データ（１０６）に対応する、請求項１０に記載の撮像システム（１００）。
前記学習ユニット（１１６）は、
深層学習モデル（２０８）を使用して前記解剖学的画像データ（１０６）内の複数の解剖学的画像（２０４）から解剖学的画像（２０４）を処理し、マルチラベルインデックス値を生成し、
前記マルチラベルインデックス値に基づいてマスク画像（２１０、３０２、３０４、３０６、３０８）を選択する
ように構成される、請求項１０または１１に記載の撮像システム（１００）。
前記アトラス選択ユニット（１１８）は、
形状ベースのメトリックを使用して前記マスク画像（２１０、３０２、３０４、３０６、３０８）を複数のアトラス画像（２１４、２１８）と比較し、複数の類似性値を生成し、
前記複数の類似性値に基づいて前記複数のアトラス画像（２１４、２１８）から一致するアトラス画像（２１４、２１８）を選択し、前記一致するアトラス画像（２１４、２１８）は、複数のラベル（２２４）を含む
ように構成される、請求項１２に記載の撮像システム（１００）。
前記セグメンテーションユニット（１２０）は、
前記選択された一致するアトラス画像（２１４、２１８）を前記解剖学的画像（２０４）と位置合わせし、位置合わせされた解剖学的画像（２０４）を生成し、
前記複数のラベル（２２４）の１つまたは複数のラベル（２２４）を前記選択された一致するアトラス画像（２１４、２１８）から前記位置合わせされた解剖学的画像（２０４）に転送し、前記パーセル化されたセグメント化画像（１３０、２２２、３０４、３０６、４０２、４０８、４１４、４２０）を生成する
ように構成される、請求項１３に記載の撮像システム（１００）。