JP7520037B2 - 非造影頭部ｃｔにおける重大領域の迅速検出及びインデックス付けのための自動化システム - Google Patents

Description

本発明は、概して、関心対象の画像データを処理し、関心対象の関心領域にインデックス付けするための処理システム、及び関心対象の画像データを処理し、関心対象の関心領域にインデックス付けするための方法に関する。

非造影頭部ＣＴ（ＮＣＨＣＴ）イメージングは、患者の頭部（関心対象）の非侵襲性の頻繁な放射線スキャンであり、重大事例及び非重大事例の両方において、救急科における神経性及び外傷性の病訴試験のためのスクリーニングのために使用される。それらは広範に利用可能であり、獲得時間が比較的短いため、救急隊を訪れる患者に最適のイメージングモードであり、頭部外傷又は脳卒中症状のある患者への対応を導く唯一の検査となっている。

ＣＴ画像から得られた診断は、その後の治療パスを決定する。外傷などの重大な事例では、治療までの時間が最も重要であり、医師はできるだけ早くその後の治療を決定する必要がある。

ＣＴスキャン（イメージング）の利用可能性が高まるにつれ、解釈のための訓練を受けた放射線科医がいない領域において、問題が増大している。また、「時間外」期間中に、救急科の上級医療スタッフは、最終的な決定は放射線科医に頼っているため、解釈において正しいのは３回のうち２回でしかない。

救急科に来院するＣＴを必要とする患者の数を考えると、適切なレベルの医療をトリガーするための即時の予備放射線レポートが救急科において最も重要である。優先順位付けのため、及び影響を受ける領域（関心領域）を事前に識別し、それにより診断と治療のプロセスを速め、患者の医療を改善するために、生命を脅かす病状を検出するための予備的なトリアージ（又はインデックス付け）システムが緊急に必要である。

現在、深層畳み込みニューラルネットワーク（ＤＣＮＮｓ）は、医用画像分類タスクの主要な機械学習アプローチになっている。ＤＣＮＮｓのデータ駆動特性は、公的に使用可能な医用画像データセットの量の増加による恩恵を受けている。既存の文献では、Ｄｅｎｓｅ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ（ＤｅｎｓｅＮｅｔ）モデルやＲｅｓｉｄｕａｌ Ｎｅｔｗｏｒｋ（ＲｅｓＮｅｔｓ）モデルなどの最先端のＤＣＮＮｓが使用されている。これらのモデルは両方とも、医用画像分類のために転移学習されている。

非造影頭部ＣＴの自動解釈における現在のソリューションは、３次元（３Ｄ）全体スキャン分析に焦点を当てている。３Ｄ全体スキャンモデルは、予測を行う間に、コンテキスト情報を考慮する。ただし、大規模なスキャンを評価している間、ＤＣＮＮｓの場合のように、連続したプーリングでは血液流出の小さな領域を簡単に見逃す可能性がある。

一部の異常は、スライス間のコンテキスト情報（脳室の垂直方向の押圧力によって示される質量効果など）にも依存しており、スライスレベルで構築されたモデルは、モデルにコンテキスト情報も提供されない限り、これらを検出できない。スライスレベルの分析は、小さな異常（たとえば、血液流出の微細な領域）の識別には優れているが、計算と時間とがかかる可能性がある。また、熟練者が、これらのモデルのトレーニングに必要な、各スライスにラベルを付けることは、非常に時間と費用のかかるプロセスである。

より速く、複雑ではなく、コンテキスト情報をも考慮に入れる、関心対象における関心領域の改良されたインデックス付けに対するニーズに加えて、小さなサイズの異常を見失うという問題に対処するニーズがある。

本発明の目的は、上記の問題を解決するか、又は少なくとも代替案を提供する、関心対象の画像データを処理するためのシステム及び方法を提供することである。

特に、本発明の目的は、画像データ内のコンテキスト情報ならびに関心対象内の小さなサイズの異常を考慮に入れる、より速いインデックス付け又は異常優先順位付けを行うシステム及び方法を提供することである。

本発明の第１の態様では、関心対象の画像データを処理し、関心対象における関心領域にインデックス付けするための、処理システムが提供される。

画像データは、通常、ＣＴイメージングシステム、特に非造影頭部ＣＴイメージングシステムなどの、イメージングシステムによって生成される。非造影頭部ＣＴイメージングシステムの場合、関心対象は患者の頭部である。

処理システムは、イメージングシステムからの画像データを位置合わせするように構成された、レジストレーションユニットを備える。

画像データはＣＴイメージングシステムによって生成され、処理システムによって受信及び位置合わせされる。画像データは、関心対象、例えば患者の頭部を表わす３Ｄボリューム画像データである。一実施形態では、画像データは、脳及び頭蓋骨領域の抽出などの関心領域の抽出を行う、セグメント化ユニット又は抽出ユニットによって受信される。

処理システムは、画像データからサブボリュームを生成するように構成されたサブボリュームジェネレータをさらに備え、各サブボリュームはスラブ厚さを有する。各スラブ厚さは、元のスキャンのいくつかのスライスを含む。好ましくは、サブボリュームは、元の画像データ又はスキャンデータのアキシャルビューから作成される。或いは、サブボリュームは、元の画像データ又はスキャンデータのコロナルビューから作成される。最も好ましい実施形態では、サブボリュームは、元の画像データ又はスキャンデータのアキシャルビューとコロナルビューとから作成される。

処理システムは、通常は３Ｄボリューム画像データである、受信されて位置合わせされた画像データからサブボリュームを生成するように構成されている。サブボリュームを作成することにより、３Ｄボリューム画像データは、それぞれがスラブ厚さを有する複数のサブボリュームに分割される。好ましくは、位置合わせされた画像データ又は３Ｄボリューム画像データは、サブボリュームが最適なスラブ厚さを有するように分割され、小さな異常がカバーされることを確実にする。

処理システムはまた、各サブボリュームから合成画像の複数のセットを生成するように構成された、合成画像ジェネレータを備え、合成画像の各セットは、異なる投影を表わす。好ましくは、各合成画像は２次元（２Ｄ）合成画像である。言い換えると、サブボリュームの複数の２次元（２Ｄ）合成画像が元のスキャンから作成される。

各サブボリュームから複数セットの合成画像を生成することにより、画像データにおける重要情報が失われるリスクが軽減され、よりロバストになる。これにより、無数の異常に対する可視性が向上する。したがって、合成画像ジェネレータは、単一のサブボリュームに対して複数の合成画像を作成する。好ましくは、３つの異なるタイプの合成画像があり、最大強度投影（ＭＩＰ）、最小強度投影（ＭｉｎＩＰ）、及びグレーレベルヒストグラムからの閾値選択に基づく投影（ＯｔｓｕＩＰ）である。

グレーレベルヒストグラムからの閾値選択に基づく投影は、参照により本明細書に組み込まれる、大津信行（Ｎｏｂｕｙｕｋｉ Ｏｔｓｕ）により、「Ａ Ｔｈｒｅｓｈｏｌｄ Ｓｅｌｅｃｔｉｏｎ Ｍｅｔｈｏｄ ｆｒｏｍ Ｇｒａｙ－Ｌｅｖｅｌ Ｈｉｓｔｏｇｒａｍｓ」というタイトルで、ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｙｓｔｅｍｓ、Ｍａｎ、ａｎｄ Ｃｙｂｅｒｎｅｔｉｃｓ，ｖｏｌ．ｓｍｃ－９，Ｎｏ．１，１９７９年１月に公開された投影方法であることが好ましい。

ＭＩＰに基づく合成画像のセットを有すると、超高密度領域（血液流出など）が保持されるという利点がある。

ＭｉｎＩＰに基づく合成画像のセットを有すると、低密度領域、脳室、及び硬膜下の異常が維持されるという利点がある。

ＯｔｓｕＩＰに基づく合成画像のセットを有すると、結合されたスライス全体の最大分散点が考慮されるため、関連情報が抑制されるリスクがさらに軽減される。

処理システムは、合成画像のセットのそれぞれを並列に評価することによって、各サブボリューム内のインデックス付き関心領域を生成するように構成された、インデックス付けユニットを備える。

好ましくは、サブボリュームは、アキシャルビューとコロナルビューとから作成される。これにより、アキシャルビューサブボリュームとコロナルビューサブボリュームが作成される。これにより、脳構造の垂直方向の引張力／押圧力を検出するための、コロナル面スライスの評価が可能になる。ＣＴを使用して頭部の異常を検出するための最先端のシステムは、アキシャルスキャン又はアキシャルビューの評価のみに焦点を当てている。このことは、スライス毎に、周囲の少数のスライスのコンテキスト無しに行われたものである。コロナルビューサブボリュームを考慮すると、質量効果のような、より複雑な臨床状態の検出が可能になる。このため、コロナルビューを評価することは、この状態が構造の垂直方向の動きに現れる可能性があるので、有益である。スライス毎の評価の制約は、コロナルビューの評価によって垂直方向のコンテキスト情報も考慮することによって克服され、このことは、アキシャルビューだけが考慮される場合には正常に見える可能性のある、構造の垂直方向の押圧力／引張力の検出に重要である。

インデックス付けユニットは、好ましくは、関心対象の異常を分類し、各インデックス付けされた領域の異常確率スコアを生成するように構成された分類器であり、この分類器は、好ましくは、深層畳み込みニューラルネットワーク（ＤＣＮＮ）である。

処理システムはまた、各サブボリュームの合成画像の各セットをスキャンレベルの優先順位付けに結合するように構成された、結合ユニットを備える。

好ましくは、結合ユニットは、各サブボリューム（全サブボリューム）の合成画像の各セットの各深層畳み込みニューラルネットワークとリカレントニューラルネットワークとをカスケード接続し、それによってスキャンレベルの優先順位付けを行うように構成される。

複数のＤＣＮＮｓをリカレントニューラルネットワーク（ＲＮＮ）とカスケード接続する利点は、サブボリューム全体のコンテキスト情報を考慮できることである。

先に説明したように、質量効果などの複雑な臨床状態を検出するためには、スライス全体のコンテキスト情報を評価することが重要である。明確な分界（demarcation）（例えば、垂直スライス全体の石灰化の境界）が疑わしい事例の場合にも、コンテキスト情報を評価することが重要である。このことの自動化は、サブボリュームＤＣＮＮモジュールとリカレントベースのネットワークをカスケード接続することによって改善される。

優先順位付けと事前インデックス付けによって、より効率的な診断が可能になる。

サブボリュームにおいて検出された重要な所見は、ＲＮＮを使用して容易に結合することができる。これにより、患者レベルのスコア又はスキャンレベルの優先順位付けが作成され、これは、即時アクションに対する警告と優先順位付けとに使用してもよい。

診断及び治療までの時間をさらに改善するために、本発明はまた、各スキャンに対するサブボリュームの事前インデックス付けを提供し、この場合、スキャンの解釈が求められたときの即時アクセスに対して、重大な病状が検出される。

言い換えれば、本発明は、元のスキャン（イメージングシステムからの画像データ）のコロナルビューとともに、アキシャルビューから（十分な厚さの）サブボリュームを作成することを含む。複数の合成画像が、最大強度投影（ＭＩＰ）、最小強度投影（ＭｉｎＩＰ）、及び大津閾値点から生成された投影（ＯｔｓｕＩＰ）を使用して、各サブボリュームから生成される。次に、各サブボリュームの３つの合成画像が、患者における重大な病状を検出するために、並列に評価されて、次いで、結合されてスキャンレベルの優先順位を取得する。重要な所見が検出された場合には、影響を受けたサブボリュームの自動選択が実行され、熟練者が重大な領域をすぐに見ることを可能にして、これによって診断と治療までの時間が改善される。

本発明はまた、関心対象の画像データを処理し、関心対象における関心領域にインデックス付けする方法に関する。この方法は、
レジストレーションユニットを用いて、イメージングシステムからの画像データを位置合わせするステップと、
サブボリュームジェネレータを用いて、画像データからサブボリュームを生成するステップであって、各サブボリュームはスラブ厚さを有する、ステップと、
合成画像ジェネレータを用いて各サブボリュームから合成画像の複数のセットを生成するステップであって、合成画像の各セットが異なる投影を表わす、ステップと、
合成画像のセットのそれぞれを並列に評価することによって、インデックス付けユニットを用いて、各サブボリュームにおける関心領域にインデックス付けするステップと、
結合ユニットを用いて、合成画像の各セットのインデックス付き関心領域を、スキャンレベル優先順位付けに結合するステップと
を有する。

一実施形態において、この方法は、以下でさらに説明されるように、脳／骨領域抽出のステップも有する。好ましくは、このステップは、画像データの位置合わせとサブボリュームの生成との間に実行される。

好ましくは、サブボリュームを生成するステップは、アキシャルビューからサブボリュームを作成するステップと、コロナルビューからサブボリュームを作成するステップとを含む。

好ましくは、合成画像の複数のセットを生成するステップは、最大強度投影を用いて生成される合成画像のセットを生成するステップと、最小強度投影を用いて生成される合成画像のセットを生成するステップと、グレーレベル閾値処理を用いて生成される合成画像のセットを生成するステップとをさらに有する。

本発明による方法の一実施形態において、インデックス付けするステップは、関心対象における異常を分類するステップ、及び深層畳み込みニューラルネットワーク（ＤＣＮＮ）である、分類器を用いて各インデックス付き領域に対して異常確率スコアを生成するステップをさらに含む。

本発明による方法の別の実施形態において、結合するステップは、各サブボリュームの合成画像の各セットの各深層畳み込みニューラルネットワークをリカレントニューラルネットワークとカスケード接続し、それによってスキャンレベル優先順位付けを行うステップをさらに含む。

本発明による方法の一実施形態において、結合するステップは、スキャンレベル優先順位付けに応じた、サブボリュームの事前インデックス付けをさらに含む。

言い換えると、上記方法は、
各ビュー（コロナル及びアキシャル）を所望の厚さのサブボリュームに分けるステップ、
各サブボリュームから合成画像（ＭＩＰ、ＭｉｎＩＰ、ＯｔｓｕＩＰ）を作成するステップ、
重大な所見を検出するために、単一のサブボリュームに対する合成画像の各セットを並列に評価するステップ、
事前インデックス付け及びビューイングの間の即時アクセスのために、サブボリューム予測を利用するステップ、
ＲＮＮを介してサブボリューム全体のコンテキスト情報を使用してビューレベル予測を作成するステップ、
ビューレベルスコアを結合して、患者レベル予測を作成するステップ、及び
ワークリストを更新するため、及び優先順位付けのために、患者レベル予測を使用するステップ
の１つ又は複数を有する。

言い換えると、スキャン毎ではなく、（それぞれからの合成画像を作成することによる）サブボリューム毎の評価は、時間及び計算複雑度の点でより効率的であるので、時間及び計算複雑度が低減される。

外傷のような重大な事例において、治療までの時間が極めて重要であり、医師は、後続の治療をできる限り早く決定しなくてはならない。病状の正確な初期評価は、ケースハンドラ及び治療パス（すなわち、外科的又は内科的介入）を決定するので、これが必要とされ、いかなるエラーでも、ＮＣＨＣＴが十分である治療にいたるまでの時間における遅延を生じさせる。

次に、本発明を、添付の図面を参照して、例示として説明する。

イメージングシステム及びイメージングレビューシステムと共に、本発明による処理システムを示す図である。 本発明による方法を示す概略フロー図である。 本発明による好ましい方法を示す概略フロー図である。 アキシャルスキャン／ビューの３つの連続スライスの例を示す図である。 アキシャルスキャン／ビューの３つの連続スライスの例を示す図である。 アキシャルスキャン／ビューの３つの連続スライスの例を示す図である。 前述の連続スライスの結果として得られる合成画像を示す図である。 フルスキャン合成画像を示す図である。 水頭症を伴う出血を包含するアキシャルスキャン／ビューの最大強度投影を用いて生成された合成画像である。 水頭症を伴う出血を包含するアキシャルスキャン／ビューの最小強度投影を用いて生成された合成画像である。 低密度領域内に出血を包含するアキシャルスキャン／ビューの最大強度投影を用いて生成された合成画像である。 低密度領域内に出血を包含するアキシャルスキャン／ビューの最小強度投影を用いて生成された合成画像である。 硬膜下出血を包含するアキシャルスキャン／ビューの最大強度投影を用いて生成された合成画像を示す図である。 硬膜下出血を包含するアキシャルスキャン／ビューの最小強度投影を用いて生成された合成画像を示す図である。 正中線シフトを伴う出血を包含するアキシャルスキャン／ビューの最大強度投影によって生成された、合成画像である。 正中線シフトを伴う出血を包含するアキシャルスキャン／ビューの最小強度投影によって生成された合成画像である。 正中線シフトを伴う出血を包含するアキシャルスキャン／ビューの大津強度投影によって生成された合成画像である。 質量効果を伴う出血を包含する、関心対象のアキシャルスキャン／ビューを示す図である。 質量効果を伴う出血を包含する、関心対象のコロナルスキャン／ビューを示す図である。 本発明による方法の一実施形態の概略フロー図である。 本発明によるイメージレビューシステムのサンプルユーザインターフェイスを示す図である。 最大の脳エリアスライス（ｓｌｉｃｅ_{ｍａｘｂｒ}）の脳ＲＯＩ抽出及び識別を示す全体図である。 ｓｌｉｃｅ ｉ＝ｓｌｉｃｅ_{ｍａｘｂｒ}のときの脳領域の精密な抽出を示す図である。 ｓｌｉｃｅ ｉ＜ｓｌｉｃｅ_{ｍａｘｂｒ}又はｉ＞ｓｌｉｃｅ_{ｍａｘｂｒ}のときの脳領域の精密な抽出を示す図である。

処理システムは、診断と治療までの時間を改善するために、重大な領域の迅速検出とインデックス付けを行うための、自動化システムである。図１は、本発明が病院におけるワークフローにどのように適合するかを示している。デジタル画像Ｓ１、Ｓ２、…、Ｓｎ又は画像データＡは、様々なスキャナ又は画像獲得ユニット１１０から、取り込み、又はスキャンされる。画像データＡは、最初に品質がチェックされ、品質・標準化ユニット１２０によって標準化される。

次いで、検証されたデジタル画像Ｂは、画像記憶サーバ１３１に格納され、また、評価・割当てユニットである処理システム１４０に渡される。処理ユニット１４０は、サブボリュームジェネレータ、合成画像ジェネレータ、インデックス付けユニット、及び結合ユニットを含む、スキャンレビューユニット１４１を備える。

スキャンレビューユニット１４１はまた、レジストレーションユニット１３０を備えてもよい。代替的に、レジストレーションユニットは、画像記憶サーバ１３１である。

検証された画像データＢがスキャンレビューユニット１４１で受信されると、それは処理され、重大性スコアＣ及び関心のあるインデックス付きスライスＤが各サブボリュームから発見されて、したがって、レビュー済み画像のアーカイブを含む、レビュー済み画像記憶サーバ１３２に戻して格納される。

並行して、レビュー済み画像の重大性スコアＣは、ワークロード割り当てユニット１４２に渡され、その中で、重大性スコアＣを参照することによってワークリストＥが更新され、ワークリスト記憶サーバ１３３に戻して格納される。最後に、ビューイング・レポーティングユニット１５０では、ワークリストＥは、構成記憶サーバ１３４から個人について検索される。

インテリジェントビューイングステーション１５１のユーザがワークリストＣ内の画像を照会すると、システムはまた、処理システム１４０又はスキャンレビューユニット１４１によって識別される、事前インデックス付きの関心のあるスライスＧを検索し、ディスプレイ１５２を通して同じものを表示する。次に、ユーザはレポートＨを作成し、事例を診断することができ、それは最終的にレポート記憶サーバ１３５に戻る。

スキャンレビューユニット１４１又は画像レビューユニットは、サブボリュームジェネレータ、合成画像ジェネレータ、インデックス付けユニット、及び結合ユニットを備える。

サブボリュームジェネレータは、検証された画像データＢからサブボリュームを生成し、各サブボリュームはスラブ厚さを有する。

合成画像は、各サブボリュームから合成画像の複数のセットを生成し、ここで合成画像の各セットは異なる投影を表わす。

インデックス付けユニットは、合成画像の各セットを並列に評価することによって、各サブボリュームにインデックス付き関心領域を生成する。

結合ユニットは、合成画像の各セットのインデックス付き関心領域を、スキャンレベル優先順位付けに結合する。

図２は、画像／スキャンレビューユニット１４１の概略フローチャートを示す。

第１のステップ２０５において、入力スキャン又は検証された画像データＢは、検証された画像記憶サーバ１３２から検索される（２０５）。

分離・増強ステップ２１０において、スキャンは、コントラストの増強のために脳及び骨のウィンドウ処理を適用した後、脳及び頭蓋骨の領域に分離／セグメント化／抽出される。

フローチャートは脳領域のみの分析を表わしており、頭蓋骨に対しても同様のアプローチが続く。

一例では、頭部における頭蓋内領域は、教師なし方法を使用して抽出される。これは２つの主要なステップで構成され、第１は関心領域ＲＯＩと最大の脳領域を含むスライスの識別であり、第２のステップは脳領域の精密な抽出である。

ＲＯＩ及び最大の脳領域を包含するスライスは、以下のサブステップ：
‐元のスキャンに脳ウィンドウ処理を適用するサブステップ、
‐脳ウィンドウ処理されたスキャンＳの強度値を用いて、脳を３つの領域、骨、空気、及び軟組織に分割するサブステップ、
‐各スライスに対して最大の骨アイランド（bone island）を識別するサブステップ、
‐最大の骨アイランド（スライスに対する関心領域を表わす）に凸包（convex hull）を当てはめるサブステップ、
‐各スライスに対して識別された包（hull）を使用して、ＲＯＩマスクＲ_ｍａｓｋとマスキングされた脳スキャンＲとを作成するサブステップ、及び
‐Ｒから各スライスＲ_ｉに対する最大の軟組織アイランドＣ_Ｒｉを求めることによって、最大の脳領域を包含するスライスを、並列に識別するサブステップであって、この軟組織輪郭の最大面積を包含するスライスインデックスが、次式
ｓｌｉｃｅ_{ｍａｘｂｒ}＝ａｒｇｍａｘ_ｉ（ａｒｅａ（Ｃ_Ｒｉ）），∀Ｒ_ｉ∈Ｒ （１）
で与えられる、サブステップ
を用いて以上のように識別される。

ＲＯＩスキャンＲと、最大の脳ボリュームスライス（ｓｌｉｃｅ_{ｍａｘｂｒ}）とから、脳領域Ｂが、以下のサブステップ：
スライスＲｉ、ここでｉ＝ｓｌｉｃｅ_{ｍａｘｂｒ}、に対して、スライスにおける最大の軟組織輪郭によって脳領域（Ｂｍａｓｋ_ｉ）を識別するサブステップ、
スライスＲｉ、ここでｉ＞ｓｌｉｃｅ_{ｍａｘｂｒ}、に対して、最初にスライスに先行のスライスのマスクＢｍａｓｋ_ｉ－１を乗算して、フィルタリングされたスライスＲＦ_ｉを取得するサブステップ、
上記で識別された３つの最大輪郭の最大を使用して脳領域マスクを作成するサブステップ、
閾値Ｔよりも小さい輪郭を除去し、開口フィルタを適用して、さらにノイズを除去し、スライスレベル脳領域マスクＲｍａｓｋ_ｉを作成するために、成長する簡単領域を適用するサブステップ、
ｉ＜ｓｌｉｃｅ_{ｍａｘｂｒ}である、各スライスＲ_ｉに対して、最初に、スライスに、次のスライスＢｍａｓｋ_ｉ＋１のマスクを乗算して、フィルタリングされたスライスＲＦ_ｉを取得するサブステップ、及び
最後に、ＲＯＩスキャンＲにＢａｍｓｋ_ｉを乗算して、脳領域抽出スキャンＢを取得するサブステップ
によって抽出される。

図１２、図１３、及び図１４では、それぞれ、最大の脳スライスの脳のＲＯＩ抽出と識別のステップ、ｓｌｉｃｅ ｉ＝ｓｌｉｃｅ_{ｍａｘｂｒ}のときの脳領域の精密な抽出のステップ、及びｓｌｉｃｅ ｉ＜ｓｌｉｃｅ_{ｍａｘｂｒ}又はｉ＞ｓｌｉｃｅ_{ｍａｘｂｒ}のときの脳領域の精密な抽出のステップが、概要的に開示されている。

脳領域スキャンから、ピクセル値を適切に並べ替えることによって、コロナルビュー及びアキシャルビューが、元のスキャンから作成される。言い換えると、アキシャルビューとコロナルビューとが作成される（２１５）。

次のステップ２２０において、生成されたビューのそれぞれが、次いで、ｎ個（例えば、１６個）のサブボリュームに分けられて、合計で２ｎ個のサブボリュームを与える。

次のステップ２２５において、各サブボリュームｉに対して、ＭＩＰ、ＭｉｎＩＰ及びＯｔｓｕＩＰを使用して、３つの合成画像が生成される。

所与のサブボリュームｉに対して３つの合成画像が得られると、それらは、ＤＣＮＮのＲＧＢチャネルにそれぞれ渡されて、分類のために並列処理ステップ２３０において並列に処理される。

好ましくは、ＤｅｎｓｅＮｅｔ－１２１は、サブボリュームレベルでの異常を検出するための分類器として使用される。このようなＤｅｎｓｅＮｅｔ－１２１は、参照により本明細書に組み込まれる出版物、Ｉａｎｄｏｌａ，Ｆ．、Ｍｉｓｋｅｗｉｃｚ，Ｍ．、Ｋａｒａｙｅｖ，Ｓ．、Ｇｉｒｓｈｉｃｋ，Ｒ．、Ｄａｒｒｅｌｌ，Ｔ．、及びＫＥｕｔｚｅｒ，Ｋ．により、「Ｄｅｎｓｅｎｅｔ： Ｉｍｐｌｅｍｅｎｔｉｎｇ ｅｆｆｉｃｉｅｎｔ ｃｏｎｖｎｅｔ ｄｅｓｃｒｉｐｔｏｒ ｐｙｒａｍｉｄｓ」というタイトルで、ａｒＸｉｖ ｐｒｅｐｒｉｎｔ ａｒＸｉｖ：１４０４．１８６９（２０１４）に開示されている。

次のステップ２４０において、各合成画像セットは、ＤＣＮＮを通過させられて、確率スコアを獲得する。

確率スコアは、以下の式で定義される。

ここで、ｉは、所与のサブボリュームの単一のＲＧＢ画像として渡される入力合成画像であり、

は、重大性クラスａに属する、サブボリューム画像ｉ、ビューｖの確率スコアを表わす。

チェックステップ２４５において、サブボリュームが重大な病状を包含し、それをインデックス付けしているかどうかを判定するために、確率スコアが閾値Ｔを超えているかどうかがチェックされる。

閾値Ｔを構成することができる。スコアがＴより大きい場合、フルスキャンに対するサブボリュームの最初と最後のスライスのインデックス、ビュータイプ（つまり、コロナル又はアキシャル）、及び確率スコアが、スキャンＩＤとともに注記されて、画像レビューアーカイブに戻して記憶される。言い換えれば、それは、フルスキャンに対してサブボリューム内の最初と最後のスライスのインデックスを得るステップ２５０と、インデックス、ビュータイプ、及び確率スコアを画像レビューアーカイブに保存するステップ２５５とを含む。

サブボリュームスコアをスキャンレベル予測に結合するため、またサブボリューム全体のコンテキスト情報を考慮に入れるために、この方法は、ＤＣＮＮをリカレントニューラルネットワークＲＮＮとカスケード接続するステップ２３８を有する。

したがって、ステップ２３７において、所与のビューｖに対する各サブボリュームＩのＤＣＮＮの最後の全体平均プーリング層の出力が抽出されて、特徴のセットｆが得られる。

次いで、所与のビューｖのｎ個のサブボリュームのそれぞれの特徴セットｆは、やはり図３に示されるように、ステップ３２８においてＲＮＮ中へ送給される。

一実施形態では、ＲＮＮは、入力／出力サイズそれぞれ１０２４／２０４８の単一のゲート付き回帰ユニット層ＧＲＵからなる。ＧＲＵの後には、出力サイズ１の完全に接続された層が続く。

ステップ２６０において、ＲＮＮの最後のタイムステップ出力が抽出され、式２と同様にスキャンレベル異常確率スコア

を計算するためのシグモイド関数を使用して正規化される。スキャンレベル異常確率スコアは、スキャンレベルの優先順位付け、ビューレベルの優先順位付け、又はビューの重大性スコアである。

すべてのｖビューが処理され、スコアが得られると、各ビュースコアの最大値、つまりｍａｘ（Ｐ_ｖ∀ｖ∈｛ａｘｉａｌ，ｃｏｒｏｎａｌ｝）を取得することにより、全体的な患者レベルの重大性スコアが取得され、これは、ステップ２６２に示される。

次に、記憶ステップ２６５において、このスコアは、画像レビューアーカイブに戻して格納され、優先順位付けのためにワークロード割り当てユニットにも送られる。

図３は、本発明による方法の概要を示している。 位置合わせステップ３００において、画像データ又は入力ビューｖ又は入力スキャンは、イメージングシステムから獲得され、レジストレーションユニットを用いて位置合わせされる。

好ましい実施形態では、次のウィンドウ処理及び抽出ステップ３０１が実行される。

次のステップ３０５において、サブボリュームが、サブボリュームジェネレータを用いて画像データから生成され、この場合に各サブボリュームはスラブ厚さを有する。好ましくは、画像データは、ｎ個のサブボリューム（ｉ１，ｉ２，…，ｉｎ）に分割される。

後続のステップ３１０ａ、３１０ｂ、及び３１０ｎにおいて、合成画像の複数のセットが、複合画像生成器を用いて各サブボリュームｎから生成される。合成画像の各セットは、異なる投影を表わす。

ステップ３１０ａにおいて、第１のサブボリュームに対して合成画像のセットが生成される。ステップ３１０ｂにおいて、第２のサブボリュームに対して合成画像のセットが生成される。ステップ３１０ｎにおいて、ｎ番目のサブボリュームに対して合成画像のセットが生成される。

ステップ３１０ａ、３１０ｂ、３１０ｎのそれぞれの後に（したがって、各サブボリュームにおいて並列に）、インデックス付けユニットを用いて関心領域のインデックス付けが実行される。言い換えると、各サブボリュームにおける合成画像の各セットが、並列で評価される。好ましくは、この評価は、好ましくはＤｅｎｓｅＮｅｔモデルＤＮを含む、深層畳み込みニューラルネットワークＤＣＮＮを用いて行われる。

好ましくは、所与のサブボリュームに対して３つの合成画像が得られると、それらは、それぞれＤＣＮＮのＲＧＢチャネルに渡されて、分類のために並列に処理される。好ましくは、ＤｅｎｓｅＮｅｔ－１２１が、サブボリュームレベルでの異常を検出するための分類器として使用される。

２つの主要なコンポーネントがあり、特徴抽出器を用いた特徴の抽出と、分類器による分類である。

特徴抽出器を用いた特徴の抽出のステップは、参照により本明細書に組み込まれる出版物、Ｉａｎｄｏｌａ，Ｆ．、Ｍｉｓｋｅｗｉｃｚ，Ｍ．、Ｋａｒａｙｅｖ，Ｓ．、Ｇｉｒｓｈｉｃｋ，Ｒ．、Ｄａｒｒｅｌｌ，Ｔ．、及びＫＥｕｔｚｅｒ，Ｋ．による、「Ｄｅｎｓｅｎｅｔ： Ｉｍｐｌｅｍｅｎｔｉｎｇ ｅｆｆｉｃｉｅｎｔ ｃｏｎｖｎｅｔ ｄｅｓｃｒｉｐｔｏｒ ｐｙｒａｍｉｄｓ」というタイトルで、ａｒＸｉｖ ｐｒｅｐｒｉｎｔ ａｒＸｉｖ：１４０４．１８６９（２０１４）に定義されるような、４つのデンスブロックを含む。

４つのデンスブロックの後に、全体平均プーリング層が続く。次いで、全体平均プーリング層の出力は、ＤＦ_ｉで表記される１Ｄベクトルにフラット化される。次いで、特徴ＤＦ_ｉは、完全に接続されたＦＣ層と分類のためのシグモイド活性化（sigmoid activation）とで構成される、分類器に送給される。

最終シグモイド活性化層が、次式

によってＦＣ層の正規化された出力ベクトルｐ_ｄ（ａ│ｉ）に加えられ、ここでｉは入力サブボリュームであり、

はＩＣＨクラスａに属するサブボリュームｉの確率スコアを表わす。グローバル特徴抽出器のパラメータＷ_ｄは、二値交差エントロピーＢＣＥ損失：

を最小化することによって最適化される。

続いて、各サブボリュームの合成画像の各セットのすべてのインデックス付き関心領域が、結合ユニットによって結合される。好ましくは、結合ユニットは、例えば、異常があるかないかの確率を示す、スキャンレベル優先順位Ｉを出力するリカレントニューラルネットワークＲＮＮである。

したがって、好ましい実施形態では、サブボリュームスコアをスキャンレベル予測に結合し、またサブボリューム全体のコンテキスト情報を考慮に入れるために、ＤｅｎｓｅＮｅｔはリカレントニューラルネットワークＲＮＮとカスケード接続される。ＤｅｎｓｅＮｅｔの各サブボリュームＤＦ_ｉの最後の全体平均プーリング層の出力が抽出される。次いで、所与のスキャンＩに対するＤＦ_ｉ∀ｉがＲＮＮに送給される。

一実施形態では、ＲＮＮは、それぞれ入力／出力サイズ１０２４／２０４８の単一のゲート付き回帰ユニット層ＧＲＵからなる。ＧＲＵの後には、出力サイズ１の完全に接続された層が続く。最後のシーケンスステップＦＣの出力は、スキャンレベルＩＣＨの予測に対して考慮される。

最終的なシグモイド活性化層は、式（３）と同様に、ＦＣ層の正規化された出力ベクトルｐ_ｒ（ａ│ｉ）に加えられる。次いで、ＲＮＮの重みＷ_ｒは、ＢＣＥ損失によって最適化される。

形状（Ｊ，Ｋ，Ｌ）の各サブボリュームｉ、ここで、ｉ＝｛１，２…，２ｎ｝、ｊ＝｛１…Ｊ｝、ｋ＝｛１…Ｋ｝，ｌ＝｛１…Ｌ｝、に対して、ＭＩＰ、ＭｉｎＩＰ及びＯｔｓｕＩＰを使用する３つの合成画像が以下のように生成される。
ＭＩＰ（ｉ_ｊｋ）＝ｍａｘ（ｉ（Ｊ＝ｊ，Ｋ＝ｋ）） （５）
ＭｉｎＩＰ（ｉ_ｊｋ）＝ｍｉｎ（ｉ（Ｊ＝ｊ，Ｋ＝ｋ）） （６）
ＯｔｓｕＩＰ（ｉ_ｊｋ）＝ｏｔｓｕ（ｉ（Ｊ＝ｊ，Ｋ＝ｋ）） （７）

ここで、ＭＩＰは最大強度の投影であり、ＭｉｎＩＰは最小強度の投影である。

さらに、ｏｔｓｕは、グレーレベル画像を二値画像に縮減する際の最大分散点を表わす、強度値を決定する。この閾値点を使用すると、スライス全体で最も重要な区別化要因（differentiator）を取り込むことできることがわかっている。ＭＩＰ画像は、超高密度領域、特に出血の識別に役立つ。ＭＩＰ画像は、石灰化及び血液流出の激しい領域を区別するのにも有益である。好ましくは、この場合、このようなサブボリュームの数ｎ＝１６は、ラベリング中では十分であると思われる。

図４ａ、図４ｂ、図４ｃ、及び図４ｄに示すように、ＭＩＰは、非常に微細な出血領域の取り込においても効率的である。ここで、図４ａ、図４ｂ、及び図４ｃは、患者の頭部に出血がある、アキシャルスキャン又はアキシャルビューの３つの連続したスライスを示す。言い換えれば、関心対象は頭部であり、関心領域は頭部における出血である。図４ｄは、同じアキシャルスキャンからの図４ａ、図４ｂ、及び図４ｄのアキシャルスライスを含む（ただしこれらに限定されない）アキシャルスライスのセットからのＭＩＰ合成画像を示す。

図４ｅは、出血が見えない、同一アキシャルスキャンに対するフルスキャンＭＩＰ画像を示す。

ＭｉｎＩＰ画像は、脳室の異常、低密度領域及び硬膜下領域における異常の強調表示を可能にする。

図５ａに示すように、ＭＩＰ合成画像は出血の識別に役立ち、図５ｂに示すように、ＭｉｎＩＰ合成画像は明確な水頭症を示している。

一般に、ＭｉｎＩＰは低密度領域の強調表示を改善し、図６ａ及び図６ｄに示すような低強度の血液流出、及び図７ａ及び図７ｂに示すような硬膜下出血の識別を容易にする。

図６ａ及び図６ｄは、それぞれ、低密度領域内の出血を含むアキシャルスキャンのＭＩＰ及びＭｉｎＩＰを表わす。

図７ａ及び図７ｂは、それぞれ、硬膜下出血を包含するアキシャルスキャンのＭＩＰ及びＭｉｎＩＰを表わす。

図８ａ及び図８ｂにそれぞれ示されているように、ＭＩＰは出血の領域（関心領域）を強調表示し、ＭｉｎＩＰは脳室（別の関心領域）への影響を強調表示する。ＯｔｓｕＩＰは、図８ｃで分かるように、超高密度領域と低密度領域の両方を非常によく取り込む。

図９ａ及び図９ｂは、脳室の垂直方向の押圧力をもたらす、出血のある患者の頭部を示す。このことは、図９ｂのコロナルビュー／スキャンにおいてはっきりと見られ、同一物の合成画像を使用して容易に検出することができる。したがって、図９ａに示すようなアキシャルスキャン／ビューだけでなく、アキシャルスライスのスライス間コンテキスト情報を提供する、コロナルビューも考慮することが有益である。

図３に開示されている方法の全体的なトレーニング手順を以下に示す。

脳ウィンドウを適用し、脳領域を抽出し、各スキャンに対してサブボリュームのＭＩＰ、ＭｉｎＩＰ、及びＯｔｓｕＩＰを取得する。

確率的勾配降下（ＳＧＤ）オプティマイザと二値交差エントロピー（ＢＣＥ）損失関数を使用して、サブボリューム合成画像上でＤＣＮＮ（ＤｅｎｓｅＮｅｔ）モデルをトレーニングし、個々のサブボリュームの正規化された出力確率を出力するネットワークのＷ_ｄ重みを取得する。

ＤｅｎｓｅＮｅｔモデルの重みＷ_ｄをロードし、ＢＣＥ損失についてＳＧＤオプティマイザを使用して微調整の次の段階（Ｗ_ｒ又はＷ_ｄとＷ_ｄ）のためにＲＮＮをトレーニングし、各スキャンの正規化された出力確率を出力する、ネットワークのＷ_ｒ（及びＷ_ｄ）重みを取得する。

以下には、ワークロード割り当てユニットを含む、本発明の実施形態のより詳細な説明が続く。

スキャン／ビュー／画像のスコア、すなわち重大性が、（画像）処理ユニット１４０によって生成されると、それは次にワークロード割り当てユニット１４２に渡される。

次いで、スキャンは、スコアに基づいて、事前構成された閾値に基づく３つのゾーン、赤（即時の注意）、黄（重大な所見の可能性）、及び緑（緊急の注意なし）に分類される。

スキャンが赤ゾーンにある場合は、関係する熟練者に、即時行動の警報を自動的に送信することができる。黄ゾーンスキャンは、優先順位付けのために赤ゾーンスキャンに続いてワークリストの先頭に押し出される。緑ゾーンスキャンで重大な所見が得られる可能性は低いが、病院での通常のワークフローに従って評価される。重大性タイプの分類スコアをさらに使用して、ケースハンドラ（つまり、神経内科医又は神経外科医）に、即時評価のための優先順位スコアを割り当てることができる。

図１０及び図１１に示されるように、本発明はまた、放射線科医／熟練者によるレポーティング及び診断中に、事前にインデックス付けされた（重大な病状を有する可能性が高い）スライスのビューイングを行う実施形態を含む。

図１０は、インデックス付きスライスの事前表示のステップを有する、本発明による方法の一実施形態の概略フロー図を示す。

インテリジェントビューイングステーション（又はディスプレイ）において、ワークリストの最上部にあるアイテムが最初に検索される（４０５）。言い換えると、このステップ４０５は、入力スキャン／ビューを得ることと同等である。

関連するスコア及びビュータイプとともに、事前インデックス付けされたスライスが、画像レビューアーカイブ４１５から得られる（４１０）。

次いで、記憶サーバにおける構成がチェックされて、事前表示フラグ４２０、すなわち、関心のある特定のスライスにビューアをプリセットするかどうかが検索される。

事前表示フラグがｆａｌｓｅに設定されている場合には、スキャンのデフォルトのアキシャルビュー及びコロナルビューが表示される（４３５）。事前表示フラグがｔｒｕｅに設定されている場合には、最大のサブボリューム重大性スコアに関連付けられたインデックスが識別される（４４０）。次いで、識別されたサブボリュームの第１のスライスがインビュー４４５になるようにビューアが設定される。

図１１は、インテリジェントビューイングステーション（又はディスプレイ）のサンプルユーザインターフェイスを示す。事前表示フラグに関係なく、ユーザはいつでも画像レビューユニットによって識別された重大な所見の領域を見ることができる。これを提供することにより、ユーザは関心領域を評価し、治療パスを迅速に決定することができる。

要約すると、本発明は、非造影頭部ＣＴにおける重大な所見を識別するための迅速かつ効率的なシステム及び方法を可能にし、迅速な行動が必要とされる緊急シナリオにおいて非常に有用となる。

このシステムと方法は、放射線科医に頼めないシナリオにおいて、医師へのセカンドオピニオンとして使用することもできる。

検証研究では、公共的に利用可能なＣＱ５００データセットが使用された。このデータセットには、様々なサイズの出血サブタイプが多数含まれている。この研究では、３つの放射線科医ラベルの過半数投票を利用してグラウンドトゥルース（ground truth）を決定した。サブボリュームＤｅｎｓｅＮｅｔ－１２１ネットワークのトレーニングのために、サブボリュームレベルのラベルが、（臨床的背景や経験がない）個人によって追加で作成された。

データセットのサイズを１２倍に増やすために、回転拡張が適用される。トレーニング、試験、検証の分割は、患者の重複がないすべての実験で、それぞれ６０、２０、２０である。各画像は、１次元ベクトルＬ＝［ｌ_ａ］でラベル付けされる。ここで、ｌ_ａ∈０，１であり、１はＩＣＨの存在を表わし、０はＩＣＨのない事例を表わす。

研究の結果は、サブボリュームを使用し、ＤＣＮＮをＲＮＮとカスケード接続することによって改善が見られた。

サブボリュームの分析の価値を示すために、フルスキャンから得られた単独のＭＩＰ画像についてＤｅｎｓｅＮｅｔモデルを（前述と同様に）トレーニングし、これをモデル（フルスキャンＭＩＰ）のベースラインとして使用した。

さらに、単純な最大値操作（サブボリュームの最大スコア）を使用してスキャンレベルの予測を取得するために、サブボリュームの確率を結合して、別のベースラインが作成された。

これにより、スキャンレベルのグラウンドトルースをよりよく学習するだけでなく、コンテキスト的な観点を扱うために、本発明でＲＮＮ（サブボリュームＲＮＮ）を使用することの付加価値を提示することも可能になる。

以下の表１は、上記の方法の比較を示す。見られる通り、小さな異常がよく見えるため、フルスキャン分析からサブボリューム分析に大幅な改善がある。単純な最大スコアを使用するのではなく、サブボリューム特徴をＲＮＮと結合することによる改善もある。表２は、本発明と先行研究の比較を示す。

表１：ＣＱ５００テストセットついての様々な方法による結果の比較。所与の高感度コントロールポイントでの特異性が与えられている。

表２：提案のアプローチと先行研究の比較。Ｃｈｉｌａｍｋｙｕｒｔｈｙらに対して、以下に報告される尺度は、我々のＣＱ５００のテストサブセットについてであり、ここで、ＴＰＲ／ＴＮＲ（感度／特異性）は、差異が最小となる点にとられる。

Ａｒｂａｂｓｈｉｒａｎｉ，Ｍ．Ｒ．、Ｆｏｒｎｗａｌｔ，Ｂ．Ｋ．、Ｍｏｎｇｅｌｌｕｚｚｏ，Ｇ．Ｊ．、Ｓｕｅｖｅｒ，Ｊ．Ｄ．，Ｇｅｉｓｅ，Ｂ．Ｄ．、Ｐａｔｅｌ，Ａ．Ａ．、及びＭｏｏｒｅ，Ｇ．Ｊ．、（２０１８）、「Ａｄｖａｎｃｅｄ ｍａｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｉｎ ａｃｔｉｏｎ：ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ ｉｎｔｒａｃｒａｎｉａｌ ｈｅｍｏｒｒｈａｇｅ ｏｎ ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ ｓｃａｎｓ ｏｆ ｔｈｅ ｈｅａｄ ｗｉｔｈ ｃｌｉｎｉｃａｌ ｗｏｒｋｆｌｏｗ ｉｎｔｅｇｒａｔｉｏｎ．」、ｎｐｊ Ｄｉｇｉｔａｌ Ｍｅｄｉｃｉｎｅ，１（１），９．

Ｃｈａｎｇ，Ｐ．Ｄ．、Ｋｕｏｙ，Ｅ．、Ｇｒｉｎｂａｎｄ，Ｊ．、Ｗｅｉｎｂｅｒｇ，Ｂ．Ｄ．、Ｔｈｏｍｐｓｏｎ，Ｍ．、Ｈｏｍｏ，Ｒ．、Ｃｈｅｎ，Ｊ．、Ａｂｃｅｄｅ，Ｈ．、Ｓｈａ＿ｅ，Ｍ．、Ｓｕｇｒｕｅ，Ｌ．及びＦｉｌｉｐｐｉ，Ｃ．Ｇ．、２０１８、「Ｈｙｂｒｉｄ ３Ｄ／２Ｄ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｆｏｒ ｈｅｍｏｒｒｈａｇｅ ｅｖａｌｕａｔｉｏｎ ｏｎ ｈｅａｄ ＣＴ．」、Ａｍｅｒｉｃａｎ Ｊｏｕｒｎａｌ ｏｆ Ｎｅｕｒｏｒａｄｉｏｌｏｇｙ、３９（９）、ｐｐ．１６０９－１６１６．

Ｃｈｉｌａｍｋｕｒｔｈｙ，Ｓ．、Ｇｈｏｓｈ，Ｒ．、Ｔａｎａｍａｌａ，Ｓ．、Ｂｉｖｉｊｉ，Ｍ．、Ｃａｍｐｅａｕ，Ｎ．Ｇ．、Ｖｅｎｕｇｏｐａｌ，Ｖ．Ｋ．、．．．及びＷａｒｉｅｒ，Ｐ．（２０１８）、「Ｄｅｅｐ ｌｅａｒｎｉｎｇ ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ｄｅｔｅｃｔｉｏｎ ｏｆ ｃｒｉｔｉｃａｌ ｆｉｎｄｉｎｇｓ ｉｎ ｈｅａｄ ＣＴ ｓｃａｎｓ：ａ ｒｅｔｒｏｓｐｅｃｔｉｖｅ ｓｔｕｄｙ．」、Ｔｈｅ Ｌａｎｃｅｔ、３９２（１０１６２）、２３８８－２３９６．

ＲＮＮは、任意のシーケンシャルデータに対して一般化される。基本的な概念は、ＲＮＮが以前の状態からの特定のパラメーターを記憶して、現在の状態の値を計算できるということである。本発明では、「状態」とは、処理されている現在のサブボリュームを指す。ＲＮＮは、以前のサブボリュームの情報に基づいて現在のサブボリュームのパラメータに重みを付けるためにも使用され、このことは、スキャン／ビューレベルでの意思決定のための、以前のサブボリュームコンテキストが、それに含まれることを意味する。これにより、結果が改善される。

本発明は、質量効果に対して、構造の垂直方向の引張力／押圧力を評価するために、アキシャルとともにコロナルを考慮する。コロナルは、質量効果に対して、そのような構造の垂直方向の引張力／押圧力を評価するための最良の方法であることが分かるが、サジタルビューとの任意の組み合わせも有利であると予測される。

要約すると、本発明は、スライスレベルとフルスキャン分析の両方の利点を組み合わせた有利なアプローチである。小さなサブボリュームを作成することで、小さな異常を見逃さないことが保証され、データセットのサイズを増やして学習を改善することも可能になる。ＲＮＮを利用すると、スライス全体のコンテキスト情報も処理されるため、結果が改善される。

重要な情報が失われないことが保証されるように複数の合成画像を作成することにより、このモデルは、脳領域における任意の異常に対して一般化される。

Claims (15)

1. スキャンされた関心対象の医用のボリューム画像データを処理し、前記関心対象における関心領域が異常を含むかどうかに関して当該関心領域にインデックス付けするための処理システムであって、前記処理システムは、
   イメージングシステムからの画像データを位置合わせする、レジストレーションユニットと、
   前記画像データからサブボリュームを生成するサブボリュームジェネレータであって、各サブボリュームはスラブ厚さを有し、各スラブ厚さは、前記ボリューム画像データの元のスキャンのいくつかのスライスを含む、サブボリュームジェネレータと、
   各サブボリュームから合成画像の複数のセットを生成する合成画像ジェネレータであって、合成画像の各セットは、当該各セットの対応するサブボリューム画像データの異なる投影を表わす、合成画像ジェネレータと、
   合成画像の前記セットのそれぞれを並列に評価し、前記関心領域が異常を含むかどうかに関して各関心領域に対してスコアを生成することによって、各サブボリューム内にインデックス付き関心領域を生成する、インデックス付けユニットと、
   各サブボリュームの合成画像の各セットから得られたサブボリュームスコアを、人間の評価に対する優先順位を定義するワークリスト内の画像スキャンのスキャンレベル優先順位付けに結合する、結合ユニットと
   を備える、処理システム。
2. 前記サブボリュームジェネレータは、アキシャルビューからのサブボリューム及びコロナルビューからのサブボリュームを生成する、請求項１に記載の処理システム。
3. 合成画像の前記複数のセットは、少なくとも、
   最大強度投影を用いて生成された合成画像のセットと
   最小強度投影を用いて生成された合成画像のセットと、
   グレーレベルヒストグラムのグレーレベル閾値処理を用いて生成された合成画像のセットと
   を含む、請求項１又は２に記載の処理システム。
4. 前記インデックス付けユニットは、関心対象における異常を分類し、各インデックス付き領域に対して異常確率スコアを生成する分類器を備え、前記分類器は深層畳み込みニューラルネットワークである、請求項１から３のいずれか一項に記載の処理システム。
5. 前記結合ユニットは、各サブボリュームの合成画像の各セットの各深層畳み込みニューラルネットワークを、リカレントニューラルネットワークとカスケード接続し、それによってスキャンレベル優先順位付けを行う、請求項３又は４に記載の処理システム。
6. 前記結合ユニットは、前記スキャンレベル優先順位付けに応じて、前記サブボリュームをさらに事前インデックス付けする、請求項１から５のいずれか一項に記載の処理システム。
7. 関心対象の画像データを獲得するための画像獲得ユニット、及び
   前記画像データを処理してインデックス付けするための、請求項１から６のいずれか一項に記載の処理システム
   を備える、イメージングシステム又はＣＴイメージングシステム。
8. 請求項１から６のいずれか一項に記載の処理システム、及び
   ディスプレイ
   を備える、イメージレビューシステム。
9. スキャンされた関心対象の医用のボリューム画像データを処理し、前記関心対象における関心領域が異常を含むかどうかに関して当該関心領域にインデックス付けするための方法であって、前記方法は、
   レジストレーションユニットを用いて、イメージングシステムからの画像データを位置合わせするステップと、
   サブボリュームジェネレータを用いて、画像データからサブボリュームを生成するステップであって、各サブボリュームはスラブ厚さを有し、各スラブ厚さは、前記ボリューム画像データの元のスキャンのいくつかのスライスを含む、ステップと、
   合成画像ジェネレータを用いて各サブボリュームから合成画像の複数のセットを生成するステップであって、合成画像の各セットが、当該各セットの対応するサブボリューム画像データの異なる投影を表わす、ステップと、
   合成画像の前記セットのそれぞれを並列に評価し、前記関心領域が異常を含むかどうかに関して各関心領域に対してスコアを生成することによって、インデックス付けユニットを用いて、各サブボリュームにおける関心領域をインデックス付けするステップと、
   結合ユニットを用いて、各サブボリュームの合成画像の各セットから得られたサブボリュームスコアを、人間の評価に対する優先順位を定義するワークリスト内の画像スキャンのスキャンレベル優先順位付けに結合するステップと
   を有する、方法。
10. 前記サブボリュームを生成するステップが、
    アキシャルビューからサブボリュームを生成するステップ、及び
    コロナルビューからサブボリュームを生成するステップ
    をさらに含む、請求項９に記載の方法。
11. 前記合成画像の複数のセットを生成するステップが、
    最大強度投影を用いて生成された合成画像のセットを生成するステップ、
    最小強度投影を用いて生成された合成画像のセットを生成するステップ、及び
    グレーレベル閾値処理を用いて生成された合成画像のセットを生成するステップ
    をさらに含む、請求項９又は１０に記載の方法。
12. 前記インデックス付けするステップは、
    分類器を用いて関心対象における異常を分類し、インデックス付けされた各領域に対して異常確率スコアを生成するステップをさらに含み、前記分類器は、深層畳み込みニューラルネットワークである、請求項９から１１のいずれか一項に記載の方法。
13. 前記結合するステップは、
    各サブボリュームの合成画像の各セットの各深層畳み込みニューラルネットワークとリカレントニューラルネットワークとをカスケード接続し、それによってスキャンレベル優先順位付けを行うステップをさらに含む、請求項１２に記載の方法。
14. 前記結合するステップは、前記スキャンレベル優先順位付けに応じて、サブボリュームに事前インデックス付けするステップをさらに含む、請求項９から１３のいずれか一項に記載の方法。
15. コンピュータプログラムがコンピュータ上で実施されると、請求項９に記載の方法のステップをコンピュータに実施させるためのプログラムコード手段を有する、コンピュータプログラム。

Images