JPH0824227A - 医用画像診断装置 - Google Patents
医用画像診断装置Info
- Publication number
- JPH0824227A JPH0824227A JP6187899A JP18789994A JPH0824227A JP H0824227 A JPH0824227 A JP H0824227A JP 6187899 A JP6187899 A JP 6187899A JP 18789994 A JP18789994 A JP 18789994A JP H0824227 A JPH0824227 A JP H0824227A
- Authority
- JP
- Japan
- Prior art keywords
- diagnostic
- information
- neural network
- input
- output
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 claims abstract description 55
- 238000000605 extraction Methods 0.000 claims abstract description 43
- 230000006870 function Effects 0.000 claims description 39
- 238000010606 normalization Methods 0.000 claims description 16
- 238000003745 diagnosis Methods 0.000 claims description 15
- 238000012935 Averaging Methods 0.000 claims description 12
- 238000012886 linear function Methods 0.000 claims description 12
- 230000001537 neural effect Effects 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 abstract description 5
- 210000005036 nerve Anatomy 0.000 abstract 1
- 210000004204 blood vessel Anatomy 0.000 description 51
- 238000010586 diagram Methods 0.000 description 14
- 208000031481 Pathologic Constriction Diseases 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 11
- 208000037804 stenosis Diseases 0.000 description 11
- 230000036262 stenosis Effects 0.000 description 11
- 238000012937 correction Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 238000009206 nuclear medicine Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000002792 vascular Effects 0.000 description 2
- 206010057469 Vascular stenosis Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002966 stenotic 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
- A61B6/50—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
- A61B6/506—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 nerves
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
(57)【要約】
【目的】 医用画像診断装置において、被検体内の診断
部位を計測して得られた医用画像について診断情報を認
識する際に医師の診断結果と整合性が良くかつ正確な診
断情報を提示することを可能とする。 【構成】 被検体内の診断部位について計測した画像デ
ータを出力する原画像供給部１と、この原画像供給部１
からの画像データを入力し目的部位の診断情報と相関の
ある特徴量を抽出する特徴量抽出部２と、人工的神経素
子を入力層及び中間層並びに出力層の層構造をすなよう
に結合してネットワークを構成し上記特徴量抽出部２か
らの特徴量を入力して診断情報を認識するニューラルネ
ットワーク３と、このニューラルネットワーク３で認識
され出力された結果を入力して表示する表示部４とを備
えて成る。これにより、診断部位を計測して得られた医
用画像について診断情報を認識する際に、医師の診断結
果と整合性が良くかつ正確な診断情報を提示することが
できる。
部位を計測して得られた医用画像について診断情報を認
識する際に医師の診断結果と整合性が良くかつ正確な診
断情報を提示することを可能とする。 【構成】 被検体内の診断部位について計測した画像デ
ータを出力する原画像供給部１と、この原画像供給部１
からの画像データを入力し目的部位の診断情報と相関の
ある特徴量を抽出する特徴量抽出部２と、人工的神経素
子を入力層及び中間層並びに出力層の層構造をすなよう
に結合してネットワークを構成し上記特徴量抽出部２か
らの特徴量を入力して診断情報を認識するニューラルネ
ットワーク３と、このニューラルネットワーク３で認識
され出力された結果を入力して表示する表示部４とを備
えて成る。これにより、診断部位を計測して得られた医
用画像について診断情報を認識する際に、医師の診断結
果と整合性が良くかつ正確な診断情報を提示することが
できる。
Description
【０００１】
【産業上の利用分野】本発明は、Ｘ線又は超音波或いは
電磁波などの情報キャリアを被検体内に透入し、この情
報キャリアの変化を計測して診断部位の医用画像を得る
例えばＸ線撮影装置又はＸ線ＣＴ装置或いは超音波診断
装置、核医学イメージング装置、磁気共鳴イメージング
装置などの医用画像診断装置に関し、特に上記得られた
医用画像について診断情報を認識する際に医師の診断結
果と整合性が良くかつ正確な診断情報を提示することが
できる医用画像診断装置に関する。
電磁波などの情報キャリアを被検体内に透入し、この情
報キャリアの変化を計測して診断部位の医用画像を得る
例えばＸ線撮影装置又はＸ線ＣＴ装置或いは超音波診断
装置、核医学イメージング装置、磁気共鳴イメージング
装置などの医用画像診断装置に関し、特に上記得られた
医用画像について診断情報を認識する際に医師の診断結
果と整合性が良くかつ正確な診断情報を提示することが
できる医用画像診断装置に関する。
【０００２】
【従来の技術】従来の医用画像診断装置においては、得
られた医用画像について診断情報を認識したり、或いは
この診断情報を得る元となる目的部位の認識を行う場合
に、何ら予測形状などの大局情報が無い状態から局所的
な情報のみでいきなり診断情報の認識或いは目的部位の
認識を行っていた。そして、このような医用画像診断装
置によって、診断部位について得られた医用画像につい
てある特定の診断情報、例えば血管の狭窄率を認識する
には、目的部位に表示された血管像を認識し、この認識
された血管の辺縁間の距離を求めて血管径とし、正常な
血管部と異常な狭窄部とのそれぞれの血管の辺縁間距離
の比により狭窄率を求めて提示していた。
られた医用画像について診断情報を認識したり、或いは
この診断情報を得る元となる目的部位の認識を行う場合
に、何ら予測形状などの大局情報が無い状態から局所的
な情報のみでいきなり診断情報の認識或いは目的部位の
認識を行っていた。そして、このような医用画像診断装
置によって、診断部位について得られた医用画像につい
てある特定の診断情報、例えば血管の狭窄率を認識する
には、目的部位に表示された血管像を認識し、この認識
された血管の辺縁間の距離を求めて血管径とし、正常な
血管部と異常な狭窄部とのそれぞれの血管の辺縁間距離
の比により狭窄率を求めて提示していた。
【０００３】
【発明が解決しようとする課題】しかし、このような従
来の医用画像診断装置においては、上述のように、得ら
れた医用画像中の例えば血管の幾何学的な辺縁間距離の
単純な比により血管の狭窄率が求められたいたので、長
年の経験と多くの医学知識に支えられた医師の評価、判
断に基づいた狭窄率とは異なるものであった。従って、
医師の診断結果と整合性が良いとは言えず、必ずしも正
確な診断情報とは言えないものであった。また、計測さ
れた診断情報は画像表示部に一方的に提示されており、
この提示された診断情報が不正確であった場合には、操
作者が手作業によってそれを直す必要があり、莫大な手
間がかかるものであった。また、手作業なしに正確な診
断情報を提示するようにするためには、プログラムを変
更したり更にはシステム自身を変更しなくてはならず、
莫大な手間とコストがかかるものであった。
来の医用画像診断装置においては、上述のように、得ら
れた医用画像中の例えば血管の幾何学的な辺縁間距離の
単純な比により血管の狭窄率が求められたいたので、長
年の経験と多くの医学知識に支えられた医師の評価、判
断に基づいた狭窄率とは異なるものであった。従って、
医師の診断結果と整合性が良いとは言えず、必ずしも正
確な診断情報とは言えないものであった。また、計測さ
れた診断情報は画像表示部に一方的に提示されており、
この提示された診断情報が不正確であった場合には、操
作者が手作業によってそれを直す必要があり、莫大な手
間がかかるものであった。また、手作業なしに正確な診
断情報を提示するようにするためには、プログラムを変
更したり更にはシステム自身を変更しなくてはならず、
莫大な手間とコストがかかるものであった。
【０００４】そこで、本発明は、このような問題点に対
処し、被検体内の診断部位を計測して得られた医用画像
について診断情報を認識する際に医師の診断結果と整合
性が良くかつ正確な診断情報を提示することができる医
用画像診断装置を提供することを目的とする。
処し、被検体内の診断部位を計測して得られた医用画像
について診断情報を認識する際に医師の診断結果と整合
性が良くかつ正確な診断情報を提示することができる医
用画像診断装置を提供することを目的とする。
【０００５】
【課題を解決するための手段】上記目的を達成するため
に、本発明による医用画像診断装置は、被検体内の診断
部位について計測した画像データを出力する原画像供給
部と、この原画像供給部からの画像データを入力し目的
部位の診断情報と相関のある特徴量を抽出する特徴量抽
出手段と、人工的神経素子を入力層及び中間層並びに出
力層の層構造をなすように結合してネットワークを構成
し上記特徴量抽出手段からの特徴量を入力して診断情報
を認識するニューラルネットワークと、このニューラル
ネットワークで認識され出力された結果を入力して表示
する表示部とを備えて成るものである。
に、本発明による医用画像診断装置は、被検体内の診断
部位について計測した画像データを出力する原画像供給
部と、この原画像供給部からの画像データを入力し目的
部位の診断情報と相関のある特徴量を抽出する特徴量抽
出手段と、人工的神経素子を入力層及び中間層並びに出
力層の層構造をなすように結合してネットワークを構成
し上記特徴量抽出手段からの特徴量を入力して診断情報
を認識するニューラルネットワークと、このニューラル
ネットワークで認識され出力された結果を入力して表示
する表示部とを備えて成るものである。
【０００６】また、上記特徴量抽出手段は、目的部位の
形状情報を抽出する形状情報抽出部を有し、ニューラル
ネットワークへの入力情報を圧縮して診断情報を高速に
認識可能としてもよい。
形状情報を抽出する形状情報抽出部を有し、ニューラル
ネットワークへの入力情報を圧縮して診断情報を高速に
認識可能としてもよい。
【０００７】さらに、上記特徴量抽出手段は、目的部位
の形状情報を抽出する形状情報抽出部と、この形状情報
抽出部で抽出した形状情報の正規化を行う正規化部とを
有し、被検体の個体差に左右されずに診断情報を認識可
能としてもよい。
の形状情報を抽出する形状情報抽出部と、この形状情報
抽出部で抽出した形状情報の正規化を行う正規化部とを
有し、被検体の個体差に左右されずに診断情報を認識可
能としてもよい。
【０００８】さらにまた、上記特徴量抽出手段は、目的
部位の形状情報を抽出する形状情報抽出部と、この形状
情報抽出部で抽出した形状情報の正規化を行う正規化部
と、この正規化部で正規化した情報について診断の注目
箇所より離れるに従って演算する数を多くして平均化す
る平均化部とを有するものとしてもよい。
部位の形状情報を抽出する形状情報抽出部と、この形状
情報抽出部で抽出した形状情報の正規化を行う正規化部
と、この正規化部で正規化した情報について診断の注目
箇所より離れるに従って演算する数を多くして平均化す
る平均化部とを有するものとしてもよい。
【０００９】また、上記ニューラルネットワークは、層
構造をなすように結合されたネットワークの最終段の出
力層の入出力関数としてリニア関数を用い、診断情報を
アナログ値で認識可能としてもよい。
構造をなすように結合されたネットワークの最終段の出
力層の入出力関数としてリニア関数を用い、診断情報を
アナログ値で認識可能としてもよい。
【００１０】さらに、上記ニューラルネットワークは、
層構造をなすように結合されたネットワークの最終段の
出力層の入出力関数としてリニア関数以外の関数を用い
ると共にその準線形領域を診断情報の範囲と限定し、診
断情報をアナログ値で認識可能としてもよい。
層構造をなすように結合されたネットワークの最終段の
出力層の入出力関数としてリニア関数以外の関数を用い
ると共にその準線形領域を診断情報の範囲と限定し、診
断情報をアナログ値で認識可能としてもよい。
【００１１】さらにまた、上記ニューラルネットワーク
には、該ニューラルネットワークに学習動作をさせるた
めの教師信号を入力する入力装置を接続すると更に効果
的である。
には、該ニューラルネットワークに学習動作をさせるた
めの教師信号を入力する入力装置を接続すると更に効果
的である。
【００１２】
【作用】このように構成された医用画像診断装置は、原
画像供給部から被検体内の診断部位について計測した画
像データを出力し、特徴量抽出手段により上記原画像供
給部から出力された画像データを入力し目的部位の診断
情報と相関のある特徴量を抽出し、人工的神経素子を入
力層及び中間層並びに出力層の層構造をなすように結合
してネットワークを構成すると共に出力層の入出力関数
はリニア関数を用いたニューラルネットワークで上記特
徴量抽出手段から出力された特徴量を入力して診断情報
を認識し、表示部により上記ニューラルネットワークで
認識され出力された結果を入力して表示するように動作
する。これにより、被検体内の診断部位を計測して得ら
れた医用画像について診断情報を認識する際に、上記ニ
ューラルネットワークの学習機能により医師の診断結果
と整合性が良くかつ正確な診断情報を提示することがで
きる。
画像供給部から被検体内の診断部位について計測した画
像データを出力し、特徴量抽出手段により上記原画像供
給部から出力された画像データを入力し目的部位の診断
情報と相関のある特徴量を抽出し、人工的神経素子を入
力層及び中間層並びに出力層の層構造をなすように結合
してネットワークを構成すると共に出力層の入出力関数
はリニア関数を用いたニューラルネットワークで上記特
徴量抽出手段から出力された特徴量を入力して診断情報
を認識し、表示部により上記ニューラルネットワークで
認識され出力された結果を入力して表示するように動作
する。これにより、被検体内の診断部位を計測して得ら
れた医用画像について診断情報を認識する際に、上記ニ
ューラルネットワークの学習機能により医師の診断結果
と整合性が良くかつ正確な診断情報を提示することがで
きる。
【００１３】
【実施例】以下、本発明の実施例を添付図面に基づいて
詳細に説明する。図１は本発明による医用画像診断装置
の実施例を示すブロック図である。この医用画像診断装
置は、Ｘ線又は超音波などの情報キャリアを被検体内に
透入しこの情報キャリアの変化を計測して診断部位の医
用画像を得ると共に、この得られた画像について診断情
報を認識する際に医師の診断結果と整合性が良くかつ正
確な診断情報を提示するもので、図に示すように、原画
像供給部１と、特徴量抽出部２と、ニューラルネットワ
ーク３と、表示部４とを備えて成る。
詳細に説明する。図１は本発明による医用画像診断装置
の実施例を示すブロック図である。この医用画像診断装
置は、Ｘ線又は超音波などの情報キャリアを被検体内に
透入しこの情報キャリアの変化を計測して診断部位の医
用画像を得ると共に、この得られた画像について診断情
報を認識する際に医師の診断結果と整合性が良くかつ正
確な診断情報を提示するもので、図に示すように、原画
像供給部１と、特徴量抽出部２と、ニューラルネットワ
ーク３と、表示部４とを備えて成る。
【００１４】上記原画像供給部１は、被検体内の診断部
位について計測した画像データを出力するもので、例え
ば超音波診断装置又はＸ線ＣＴ装置あるいは磁気共鳴イ
メージング装置、核医学イメージング装置などにおいて
被検体を計測又は撮影する計測部、あるいは被検体につ
いて計測した画像データを記憶しておき必要に応じて読
み出す記憶部などである。
位について計測した画像データを出力するもので、例え
ば超音波診断装置又はＸ線ＣＴ装置あるいは磁気共鳴イ
メージング装置、核医学イメージング装置などにおいて
被検体を計測又は撮影する計測部、あるいは被検体につ
いて計測した画像データを記憶しておき必要に応じて読
み出す記憶部などである。
【００１５】特徴量抽出部２は、上記原画像供給部１か
ら出力された画像データを入力し目的部位の診断情報と
相関のある特徴量を抽出する手段となるもので、形態情
報抽出手段やテクスチャー抽出手段又はそれらの組み合
わせから成る手段を含んでいる。この特徴量抽出部２の
内部構成は、例えば図２に示すように、形状情報抽出部
５と、正規化部６と、平均化部７とから成る。上記形状
情報抽出部５は、目的の診断情報と相関のある特徴量と
して目的部位の一次元又は二次元的な形状情報を抽出す
るもので、後述のニューラルネットワーク３への入力情
報を圧縮して診断情報を高速に認識可能とするようにな
っている。また、正規化部６は、上記形状情報抽出部５
で抽出した形状情報の正規化を行うもので、上記抽出さ
れた形状情報の平均的な情報又は代表的な情報、或いは
外部から与えられた情報によって正規化が行われ、被検
体の個体差に左右されずに診断情報を認識可能とするよ
うになっている。さらに、平均化部７は、上記正規化部
６で正規化した情報について診断の注目箇所より離れる
に従って演算する数を多くして平均化するもので、出力
情報を圧縮して後述のニューラルネットワーク３への入
力情報数を減らすようになっている。
ら出力された画像データを入力し目的部位の診断情報と
相関のある特徴量を抽出する手段となるもので、形態情
報抽出手段やテクスチャー抽出手段又はそれらの組み合
わせから成る手段を含んでいる。この特徴量抽出部２の
内部構成は、例えば図２に示すように、形状情報抽出部
５と、正規化部６と、平均化部７とから成る。上記形状
情報抽出部５は、目的の診断情報と相関のある特徴量と
して目的部位の一次元又は二次元的な形状情報を抽出す
るもので、後述のニューラルネットワーク３への入力情
報を圧縮して診断情報を高速に認識可能とするようにな
っている。また、正規化部６は、上記形状情報抽出部５
で抽出した形状情報の正規化を行うもので、上記抽出さ
れた形状情報の平均的な情報又は代表的な情報、或いは
外部から与えられた情報によって正規化が行われ、被検
体の個体差に左右されずに診断情報を認識可能とするよ
うになっている。さらに、平均化部７は、上記正規化部
６で正規化した情報について診断の注目箇所より離れる
に従って演算する数を多くして平均化するもので、出力
情報を圧縮して後述のニューラルネットワーク３への入
力情報数を減らすようになっている。
【００１６】この特徴量抽出部２について図３を参照し
て更に詳しく説明する。例えば目的の診断情報が血管の
狭窄率である場合について説明すると、血管の狭窄率
は、狭窄部を多方向から見た最も狭窄している部分の血
管径とその付近の正常部の血管径との比で定義される
か、或いは狭窄部分の血管断面積と正常部の血管断面積
との比で定義される。この場合、上述の図２に示す形状
情報抽出部５は、診断情報と相関のある特徴量として血
管径及び血管断面積を抽出することとなる。そして、図
３は上記特徴量抽出部２における特徴量の抽出例を説明
するための図である。図３（ａ）は血管８を撮影した表
示画像を示し、同図（ｂ）は上記血管８の表示画像につ
いて計測した濃度プロファイルを示している。この濃度
プロファイルは、図３（ａ）の血管８を略垂直に横切る
直線９に沿う濃度変化を示しており、上記濃度プロファ
イルにより図３（ｂ）に示すように血管径Ｄ及び血管断
面積Ｓが算出される。
て更に詳しく説明する。例えば目的の診断情報が血管の
狭窄率である場合について説明すると、血管の狭窄率
は、狭窄部を多方向から見た最も狭窄している部分の血
管径とその付近の正常部の血管径との比で定義される
か、或いは狭窄部分の血管断面積と正常部の血管断面積
との比で定義される。この場合、上述の図２に示す形状
情報抽出部５は、診断情報と相関のある特徴量として血
管径及び血管断面積を抽出することとなる。そして、図
３は上記特徴量抽出部２における特徴量の抽出例を説明
するための図である。図３（ａ）は血管８を撮影した表
示画像を示し、同図（ｂ）は上記血管８の表示画像につ
いて計測した濃度プロファイルを示している。この濃度
プロファイルは、図３（ａ）の血管８を略垂直に横切る
直線９に沿う濃度変化を示しており、上記濃度プロファ
イルにより図３（ｂ）に示すように血管径Ｄ及び血管断
面積Ｓが算出される。
【００１７】すなわち、例えばマウスまたはトラックボ
ールあるいはペンなどの入力装置で血管８の輪郭を手動
入力したり、或いはトラッキング手法により血管８の輪
郭を自動追跡したりして、図３（ａ）に示す血管追跡線
１０を得て、この血管追跡線１０を略垂直に横切る直線
９を算出する。次に、血管８の辺縁位置が上記直線９上
の濃度プロファイル（図３(ｂ)参照）において濃度微分
値の極値を持つことを利用してその血管８の辺縁位置を
検出したり、或いはマウスなどの入力装置で血管８の辺
縁を手動入力して辺縁位置を検出し、図３（ｂ）に示す
ように、両端の辺縁位置間の距離を血管径Ｄとして抽出
し、その間の濃度積分値を血管断面積Ｓとして抽出する
ようになっている。
ールあるいはペンなどの入力装置で血管８の輪郭を手動
入力したり、或いはトラッキング手法により血管８の輪
郭を自動追跡したりして、図３（ａ）に示す血管追跡線
１０を得て、この血管追跡線１０を略垂直に横切る直線
９を算出する。次に、血管８の辺縁位置が上記直線９上
の濃度プロファイル（図３(ｂ)参照）において濃度微分
値の極値を持つことを利用してその血管８の辺縁位置を
検出したり、或いはマウスなどの入力装置で血管８の辺
縁を手動入力して辺縁位置を検出し、図３（ｂ）に示す
ように、両端の辺縁位置間の距離を血管径Ｄとして抽出
し、その間の濃度積分値を血管断面積Ｓとして抽出する
ようになっている。
【００１８】また、図２に示す正規化部６は、狭窄部に
おける注目血管位置１１の周辺領域１２の血管径Ｄ及び
血管断面積Ｓを平均した血管情報により、上記注目血管
位置１１の血管径Ｄ及び血管断面積Ｓを正規化するよう
になっている。さらに、平均化部７は、図３（ａ）の例
では、注目血管位置１１では平均する情報数がＮ3＝１
であり平均しないで用い、その両隣の位置ではＮ2＝
２，Ｎ4＝２であり、更にその両隣の位置ではＮ1＝３，
Ｎ5＝３となり、上記注目血管位置１１を離れるに従い
平均する情報数を多くして行き、平均化の度合いを強め
て行くようになっている。
おける注目血管位置１１の周辺領域１２の血管径Ｄ及び
血管断面積Ｓを平均した血管情報により、上記注目血管
位置１１の血管径Ｄ及び血管断面積Ｓを正規化するよう
になっている。さらに、平均化部７は、図３（ａ）の例
では、注目血管位置１１では平均する情報数がＮ3＝１
であり平均しないで用い、その両隣の位置ではＮ2＝
２，Ｎ4＝２であり、更にその両隣の位置ではＮ1＝３，
Ｎ5＝３となり、上記注目血管位置１１を離れるに従い
平均する情報数を多くして行き、平均化の度合いを強め
て行くようになっている。
【００１９】また、図１においてニューラルネットワー
ク３は、上記特徴量抽出部２から出力された特徴量を入
力して診断情報を認識するもので、人工的神経素子を入
力層及び中間層ならびに出力層の層構造をなすように結
合してネットワークを構成すると共に、最終段の出力層
の入出力関数としてリニア関数を用いて構成されてい
る。図４は上記ニューラルネットワーク３を構成する人
工的神経素子１３を示す説明図である。図に示すよう
に、人工的神経素子（以下「ニューロンモデル」とい
う）１３は生物の神経素子（ニューロン）の働きを模し
た多入力一出力の素子で、入力Ｉi（Ｉ1〜Ｉn）と結合
係数Ｗji（Ｗj1〜Ｗjn）の積和により出力Ｏjが決定さ
れる。すなわち、入出力関数ｆ(ｘ）を用いて次式のよ
うに決定される。 ただし、θjはしきい値に相当する入出力関数のオフセ
ットであり、ｎは入力の数である。
ク３は、上記特徴量抽出部２から出力された特徴量を入
力して診断情報を認識するもので、人工的神経素子を入
力層及び中間層ならびに出力層の層構造をなすように結
合してネットワークを構成すると共に、最終段の出力層
の入出力関数としてリニア関数を用いて構成されてい
る。図４は上記ニューラルネットワーク３を構成する人
工的神経素子１３を示す説明図である。図に示すよう
に、人工的神経素子（以下「ニューロンモデル」とい
う）１３は生物の神経素子（ニューロン）の働きを模し
た多入力一出力の素子で、入力Ｉi（Ｉ1〜Ｉn）と結合
係数Ｗji（Ｗj1〜Ｗjn）の積和により出力Ｏjが決定さ
れる。すなわち、入出力関数ｆ(ｘ）を用いて次式のよ
うに決定される。 ただし、θjはしきい値に相当する入出力関数のオフセ
ットであり、ｎは入力の数である。
【００２０】図５は層構造をなすように結合してネット
ワークに構成されたニューラルネットワーク３の階層構
造を示す説明図である。このニューラルネットワーク３
は図のように、上記ニューロンモデル１３を多数用い、
入力層および中間層ならびに出力層の層構造をなすよう
に結合してネットワークを構成することにより、信号処
理及び情報処理の機能を実現するように構成されてい
る。なお、図５において、符号１４は入力層と中間層と
を結ぶ枝を示し、入力層の各ニューロンモデル１３は中
間層の全てのニューロンモデル１３とそれぞれ結合され
ている。また、符号１５は中間層と出力層とを結ぶ枝を
示し、中間層の各ニューロンモデル１３は出力層の全て
のニューロンモデル１３とそれぞれ結合されている。そ
して、このニューラルネットワーク３は、入力層に供給
される入力情報１６を変換して出力層から出力情報１７
として出力するようになっている。ここで、上記入力層
においては、入出力関数として次式に示すような恒等関
数が用いられている。 ｆi(ｘ)＝ｘ これにより、入力がそのまま出力される。なお、この恒
等関数の代わりに他の関数を用いて入力情報１６に変調
をかけてもよい。
ワークに構成されたニューラルネットワーク３の階層構
造を示す説明図である。このニューラルネットワーク３
は図のように、上記ニューロンモデル１３を多数用い、
入力層および中間層ならびに出力層の層構造をなすよう
に結合してネットワークを構成することにより、信号処
理及び情報処理の機能を実現するように構成されてい
る。なお、図５において、符号１４は入力層と中間層と
を結ぶ枝を示し、入力層の各ニューロンモデル１３は中
間層の全てのニューロンモデル１３とそれぞれ結合され
ている。また、符号１５は中間層と出力層とを結ぶ枝を
示し、中間層の各ニューロンモデル１３は出力層の全て
のニューロンモデル１３とそれぞれ結合されている。そ
して、このニューラルネットワーク３は、入力層に供給
される入力情報１６を変換して出力層から出力情報１７
として出力するようになっている。ここで、上記入力層
においては、入出力関数として次式に示すような恒等関
数が用いられている。 ｆi(ｘ)＝ｘ これにより、入力がそのまま出力される。なお、この恒
等関数の代わりに他の関数を用いて入力情報１６に変調
をかけてもよい。
【００２１】また、図６は上記ニューラルネットワーク
３の中間層の入出力関数として用いられるシグモイド関
数を示すグラフである。上記中間層においては、入出力
関数として図に示すように出力ｆsが“０”から“１”
の範囲内で単調増加のシグモイド関数が用いられてい
る。このシグモイド関数は次式のように表現される。 ただし、Ｕ0は傾きを制御するパラメータである。そし
て、これを微分すると、 となり、もとのシグモイド関数で表現できるという特徴
を持っている。
３の中間層の入出力関数として用いられるシグモイド関
数を示すグラフである。上記中間層においては、入出力
関数として図に示すように出力ｆsが“０”から“１”
の範囲内で単調増加のシグモイド関数が用いられてい
る。このシグモイド関数は次式のように表現される。 ただし、Ｕ0は傾きを制御するパラメータである。そし
て、これを微分すると、 となり、もとのシグモイド関数で表現できるという特徴
を持っている。
【００２２】さらに、図７は上記ニューラルネットワー
ク３の出力層の入出力関数として用いられるリニア関数
を示すグラフである。上記出力層においては、入出力関
数として上述のシグモイド関数の代わりに、図に示すよ
うに出力が入力に対して直線的に増減するリニア関数が
用いられている。いま、直線の傾きをａとすると、例え
ば次式のように表される。 これを微分すると、 となる。これにより、出力層からの出力はアナログ的な
値となる。
ク３の出力層の入出力関数として用いられるリニア関数
を示すグラフである。上記出力層においては、入出力関
数として上述のシグモイド関数の代わりに、図に示すよ
うに出力が入力に対して直線的に増減するリニア関数が
用いられている。いま、直線の傾きをａとすると、例え
ば次式のように表される。 これを微分すると、 となる。これにより、出力層からの出力はアナログ的な
値となる。
【００２３】そして、図１において、表示部４は、上記
ニューラルネットワーク３で認識され出力された結果を
入力して表示するもので、例えばテレビモニタから成
る。
ニューラルネットワーク３で認識され出力された結果を
入力して表示するもので、例えばテレビモニタから成
る。
【００２４】次に、このように構成された医用画像診断
装置において、得られた画像について医師の診断と整合
性が良くかつ正確な診断情報を提供する動作を説明す
る。まず、図１において、原画像供給部１から被検体内
の診断部位について計測した画像データを出力する。こ
れは、例えばＸ線撮影装置又は超音波診断装置又はＸ線
ＣＴ装置或いは核医学イメージング装置、磁気共鳴イメ
ージング装置などにより実際に計測されたデータでもよ
いし、予め計測され記憶部に書き込まれたデータを読み
出したものでもよい。次に、上記原画像供給部１から出
力された画像データは特徴量抽出部２へ入力される。こ
の特徴量抽出部２では、上記原画像供給部１から出力さ
れた画像データが図２に示す形状情報抽出部５に入力さ
れ、目的部位の形状情報が抽出される。上記形状情報抽
出部５より出力された目的部位の形状情報は、正規化部
６に入力され正規化が行われる。上記正規化部６より出
力された情報は、平均化部７に入力され平均化が行われ
る。
装置において、得られた画像について医師の診断と整合
性が良くかつ正確な診断情報を提供する動作を説明す
る。まず、図１において、原画像供給部１から被検体内
の診断部位について計測した画像データを出力する。こ
れは、例えばＸ線撮影装置又は超音波診断装置又はＸ線
ＣＴ装置或いは核医学イメージング装置、磁気共鳴イメ
ージング装置などにより実際に計測されたデータでもよ
いし、予め計測され記憶部に書き込まれたデータを読み
出したものでもよい。次に、上記原画像供給部１から出
力された画像データは特徴量抽出部２へ入力される。こ
の特徴量抽出部２では、上記原画像供給部１から出力さ
れた画像データが図２に示す形状情報抽出部５に入力さ
れ、目的部位の形状情報が抽出される。上記形状情報抽
出部５より出力された目的部位の形状情報は、正規化部
６に入力され正規化が行われる。上記正規化部６より出
力された情報は、平均化部７に入力され平均化が行われ
る。
【００２５】例えば、目的の診断情報が血管狭窄率であ
る場合には、まず、上記形状情報抽出部５で目的部位の
血管８（図３(ａ)参照）をほぼ垂直に横切る直線９が算
出される。すなわち、トラッキング手法により血管の追
跡を行ったり、例えばマウスまたはトラックボールある
いはペンなどの入力装置で血管を手動入力などして血管
追跡線１０が算出され、次にその血管追跡線１０をほぼ
垂直に横切る直線９が算出され、そして血管辺縁位置が
直線９上の濃度プロファイル（図３(ｂ)参照）において
濃度微分値の極値を持つことを利用して辺縁が検出され
たり、例えばマウスまたはトラックボールあるいはペン
などの入力装置で辺縁を手動入力などして、辺縁位置が
検出され、両端の辺縁位置間の距離が血管径Ｄとして抽
出され、その辺縁位置間の濃度積分値が血管断面積Ｓと
して抽出される。このようにして、上記原画像供給部１
から出力された画像データが目的部位の形状情報として
圧縮される。
る場合には、まず、上記形状情報抽出部５で目的部位の
血管８（図３(ａ)参照）をほぼ垂直に横切る直線９が算
出される。すなわち、トラッキング手法により血管の追
跡を行ったり、例えばマウスまたはトラックボールある
いはペンなどの入力装置で血管を手動入力などして血管
追跡線１０が算出され、次にその血管追跡線１０をほぼ
垂直に横切る直線９が算出され、そして血管辺縁位置が
直線９上の濃度プロファイル（図３(ｂ)参照）において
濃度微分値の極値を持つことを利用して辺縁が検出され
たり、例えばマウスまたはトラックボールあるいはペン
などの入力装置で辺縁を手動入力などして、辺縁位置が
検出され、両端の辺縁位置間の距離が血管径Ｄとして抽
出され、その辺縁位置間の濃度積分値が血管断面積Ｓと
して抽出される。このようにして、上記原画像供給部１
から出力された画像データが目的部位の形状情報として
圧縮される。
【００２６】次に、上記形状情報抽出部５より出力され
た目的部位の形状情報である血管径Ｄ及び血管断面積Ｓ
は、上記正規化部６に入力され、図３（ａ）の注目血管
位置１１周辺の血管形状情報を平均した情報により正規
化される。これにより、撮影条件や個体差などに左右さ
れにくい情報となる。更に、上記正規化部６より出力さ
れた情報は、上記平均化部７に入力され、注目血管位置
１１より離れるに従い演算する数を多くして平均化さ
れ、情報圧縮して出力される。このようにして、上記特
徴量抽出部２では、前記原画像供給部１から出力された
画像データを入力し、診断情報と相関のある特徴量に情
報圧縮して出力される。
た目的部位の形状情報である血管径Ｄ及び血管断面積Ｓ
は、上記正規化部６に入力され、図３（ａ）の注目血管
位置１１周辺の血管形状情報を平均した情報により正規
化される。これにより、撮影条件や個体差などに左右さ
れにくい情報となる。更に、上記正規化部６より出力さ
れた情報は、上記平均化部７に入力され、注目血管位置
１１より離れるに従い演算する数を多くして平均化さ
れ、情報圧縮して出力される。このようにして、上記特
徴量抽出部２では、前記原画像供給部１から出力された
画像データを入力し、診断情報と相関のある特徴量に情
報圧縮して出力される。
【００２７】次に、上記特徴量抽出部２から出力された
特徴量は、ニューラルネットワーク３に入力され診断情
報が認識される。この特徴量は図５における入力情報１
６としてニューラルネットワーク３に入力されるが、例
えば診断情報が血管の狭窄率である場合、図３（ａ）に
示す注目血管位置１１の特徴量とその周辺領域１２の特
徴量が同時に入力される。ニューラルネットワーク３で
は入力情報１６に対して所望の出力情報１７が得られる
ように学習が行われる。すなわち、教師となる教師信号
１８と出力情報１７の誤差が小さくなるように入力層と
中間層を結合している枝１４及び中間層と出力層を結合
している枝１５の結合係数を変化させてゆき、学習後所
望の出力が得られるように自己組織化していく。アナロ
グ出力用のニューラルネットワーク３の学習アルゴリズ
ムを図８に示す。図８の記号の意味は次のとおりであ
る。 Ｉ ；入力情報 Ｏk ；第ｋ層のニューロンモデルの出力 Ｗk ；第ｋ層と第(ｋ＋１)層間の結合係数 θk ；第ｋ層のニューロンモデルのオフセット Ｔ ；教師信号 ηw ；Ｗに対する学習定数 ηθ；θに対する学習定数 δk ；第(ｋ−１)層を修正するための誤差量 ｆi ；恒等関数 ｆs ；シグモイド関数 ｆl ；リニア関数 なお、入力情報Ｉ、第ｋ層のニューロンモデルの出力Ｏ
k、第ｋ層のニューロンモデルのオフセットθk、教師信
号Ｔ、第(ｋ−１)層を修正するための誤差量δkは１次
元ベクトルで表されており、第ｋ層と第(ｋ＋１)層間の
結合係数Ｗkは２次元ベクトルで表されている。また、
例に示したニューラルネットワークは３層のものである
ため第１層目が入力層であり、第２層目が中間層であ
り、第３層目が出力層である。
特徴量は、ニューラルネットワーク３に入力され診断情
報が認識される。この特徴量は図５における入力情報１
６としてニューラルネットワーク３に入力されるが、例
えば診断情報が血管の狭窄率である場合、図３（ａ）に
示す注目血管位置１１の特徴量とその周辺領域１２の特
徴量が同時に入力される。ニューラルネットワーク３で
は入力情報１６に対して所望の出力情報１７が得られる
ように学習が行われる。すなわち、教師となる教師信号
１８と出力情報１７の誤差が小さくなるように入力層と
中間層を結合している枝１４及び中間層と出力層を結合
している枝１５の結合係数を変化させてゆき、学習後所
望の出力が得られるように自己組織化していく。アナロ
グ出力用のニューラルネットワーク３の学習アルゴリズ
ムを図８に示す。図８の記号の意味は次のとおりであ
る。 Ｉ ；入力情報 Ｏk ；第ｋ層のニューロンモデルの出力 Ｗk ；第ｋ層と第(ｋ＋１)層間の結合係数 θk ；第ｋ層のニューロンモデルのオフセット Ｔ ；教師信号 ηw ；Ｗに対する学習定数 ηθ；θに対する学習定数 δk ；第(ｋ−１)層を修正するための誤差量 ｆi ；恒等関数 ｆs ；シグモイド関数 ｆl ；リニア関数 なお、入力情報Ｉ、第ｋ層のニューロンモデルの出力Ｏ
k、第ｋ層のニューロンモデルのオフセットθk、教師信
号Ｔ、第(ｋ−１)層を修正するための誤差量δkは１次
元ベクトルで表されており、第ｋ層と第(ｋ＋１)層間の
結合係数Ｗkは２次元ベクトルで表されている。また、
例に示したニューラルネットワークは３層のものである
ため第１層目が入力層であり、第２層目が中間層であ
り、第３層目が出力層である。
【００２８】この学習アルゴリズムについて以下説明す
る。教師信号Ｔと出力層の出力Ｏ3との平均二乗誤差Ｅ
は、 である。これが減少するように第ｋ層と第(ｋ＋１)層間
の結合係数Ｗkを次の修正量 によって修正する。ここで、 とおくと、中間層と出力層との間の修正量を決めるδ3
は、 である。よって、修正量は、 となる。これにより、前述のように出力層からの出力
は、アナログ的な値となる。また、入力層と出力層間の
修正量を決めるδ2は、 となり、修正量は、 となる。オフセットについても同様に求めることによ
り、図８に示すアルゴリズムとなる。
る。教師信号Ｔと出力層の出力Ｏ3との平均二乗誤差Ｅ
は、 である。これが減少するように第ｋ層と第(ｋ＋１)層間
の結合係数Ｗkを次の修正量 によって修正する。ここで、 とおくと、中間層と出力層との間の修正量を決めるδ3
は、 である。よって、修正量は、 となる。これにより、前述のように出力層からの出力
は、アナログ的な値となる。また、入力層と出力層間の
修正量を決めるδ2は、 となり、修正量は、 となる。オフセットについても同様に求めることによ
り、図８に示すアルゴリズムとなる。
【００２９】そして、医師などの操作者が与える教師信
号１８に基づき、このようなアルゴリズムで上記ニュー
ラルネットワーク３の学習が行われる。学習後の上記ニ
ューラルネットワーク３からは、長年の経験と多くの医
学知識に支えられた医師の評価、判断を踏襲した診断情
報が出力されることとなる。なお、ここでは、３層のニ
ューラルネットワーク３について例を示したが、中間層
の数を増やすことによって３層以上のニューラルネット
ワーク３が構成可能であり、その場合の学習アルゴリズ
ムは誤差量δを逆伝播させ、漸化的に修正量を求めれば
よく、より複雑な変換を含む診断情報への対応が可能と
なる。
号１８に基づき、このようなアルゴリズムで上記ニュー
ラルネットワーク３の学習が行われる。学習後の上記ニ
ューラルネットワーク３からは、長年の経験と多くの医
学知識に支えられた医師の評価、判断を踏襲した診断情
報が出力されることとなる。なお、ここでは、３層のニ
ューラルネットワーク３について例を示したが、中間層
の数を増やすことによって３層以上のニューラルネット
ワーク３が構成可能であり、その場合の学習アルゴリズ
ムは誤差量δを逆伝播させ、漸化的に修正量を求めれば
よく、より複雑な変換を含む診断情報への対応が可能と
なる。
【００３０】そして、上記ニューラルネットワーク３で
認識された診断情報は、図１に示す表示部４に入力され
て表示される。なお、原画像供給部１から出力される画
像データと共に上記ニューラルネットワーク３から出力
される診断情報を表示すると効果的である。このように
することにより、医師の診断と整合性が良くかつ正確な
診断情報を提供することができる。
認識された診断情報は、図１に示す表示部４に入力され
て表示される。なお、原画像供給部１から出力される画
像データと共に上記ニューラルネットワーク３から出力
される診断情報を表示すると効果的である。このように
することにより、医師の診断と整合性が良くかつ正確な
診断情報を提供することができる。
【００３１】図９は本発明の他の実施例を説明するため
の図であり、シグモイド関数の準線形領域１９を示して
いる。この実施例は、図１に示すニューラルネットワー
ク３が、層構造をなすように結合されたネットワークの
最終段の出力層の入出力関数としてリニア関数以外の関
数、例えば図９に示すシグモイド関数を用いると共に、
その準線形領域１９を診断情報の範囲と限定して用いる
ようにしたものである。この場合も、前述と同様に診断
情報をアナログ値で認識可能とすることができる。
の図であり、シグモイド関数の準線形領域１９を示して
いる。この実施例は、図１に示すニューラルネットワー
ク３が、層構造をなすように結合されたネットワークの
最終段の出力層の入出力関数としてリニア関数以外の関
数、例えば図９に示すシグモイド関数を用いると共に、
その準線形領域１９を診断情報の範囲と限定して用いる
ようにしたものである。この場合も、前述と同様に診断
情報をアナログ値で認識可能とすることができる。
【００３２】図１０は本発明の更に他の実施例を示すブ
ロック図である。この実施例は、図１に示すニューラル
ネットワーク３に対し、該ニューラルネットワーク３に
学習動作をさせるための教師信号１８（図５参照）を入
力する入力装置２０を接続したものである。図１に示す
実施例では、工場出荷時あるいは病院等への設置時に、
平均的、標準的もしくは特定の教師信号を与えて予め所
要の学習を行わせるものとしているが、それでは実際の
医療現場における個々の医師等の使用状況に合致しない
こともあるので、これを改善しようとするものである。
すなわち、図１０において、入力装置２０として例えば
マウスまたはトラックボールまたはキーボードあるいは
ペンなどを、ニューラルネットワーク３の出力層から出
力情報１７が出力される出力端に接続し、この入力装置
２０を用いて個々の医師等が目的の診断情報に対応する
所要の教師信号１８を随時に入力して、上記ニューラル
ネットワーク３に学習を行わせる。これにより、学習後
のニューラルネットワーク３は、上記個々の医師等の知
識、経験等を踏襲した状態で当該医師の診断結果と整合
性の良いかつ正確な診断情報を提示することができる。
さらに、提示された診断情報に正確さが欠けている場合
には、上記入力装置２０から修正した教師信号１８を与
えることにより、医師等の操作者が容易に診断情報を改
善することができる。
ロック図である。この実施例は、図１に示すニューラル
ネットワーク３に対し、該ニューラルネットワーク３に
学習動作をさせるための教師信号１８（図５参照）を入
力する入力装置２０を接続したものである。図１に示す
実施例では、工場出荷時あるいは病院等への設置時に、
平均的、標準的もしくは特定の教師信号を与えて予め所
要の学習を行わせるものとしているが、それでは実際の
医療現場における個々の医師等の使用状況に合致しない
こともあるので、これを改善しようとするものである。
すなわち、図１０において、入力装置２０として例えば
マウスまたはトラックボールまたはキーボードあるいは
ペンなどを、ニューラルネットワーク３の出力層から出
力情報１７が出力される出力端に接続し、この入力装置
２０を用いて個々の医師等が目的の診断情報に対応する
所要の教師信号１８を随時に入力して、上記ニューラル
ネットワーク３に学習を行わせる。これにより、学習後
のニューラルネットワーク３は、上記個々の医師等の知
識、経験等を踏襲した状態で当該医師の診断結果と整合
性の良いかつ正確な診断情報を提示することができる。
さらに、提示された診断情報に正確さが欠けている場合
には、上記入力装置２０から修正した教師信号１８を与
えることにより、医師等の操作者が容易に診断情報を改
善することができる。
【００３３】
【発明の効果】本発明は以上のように構成されたので、
原画像供給部から被検体内の診断部位について計測した
画像データを出力し、特徴量抽出手段により上記原画像
供給部から出力された画像データを入力し目的部位の診
断情報と相関のある特徴量を抽出し、人工的神経素子を
入力層及び中間層並びに出力層の層構造をなすように結
合してネットワークを構成すると共に出力層の入出力関
数はリニア関数を用いたニューラルネットワークで上記
特徴量抽出手段から出力された特徴量を入力して診断情
報を認識し、表示部により上記ニューラルネットワーク
で認識され出力された結果を入力して表示することがで
きる。これにより、被検体内の診断部位を計測して得ら
れた医用画像について診断情報を認識する際に、上記ニ
ューラルネットワークの学習機能により医師の診断結果
と整合性が良くかつ正確な診断情報を提示することがで
きる。また、提示された診断情報に正確さが欠けている
場合でも、医師等の操作者の操作により容易に診断情報
を改善することができる。これらのことから、医用画像
診断装置の臨床価値を向上することができる。
原画像供給部から被検体内の診断部位について計測した
画像データを出力し、特徴量抽出手段により上記原画像
供給部から出力された画像データを入力し目的部位の診
断情報と相関のある特徴量を抽出し、人工的神経素子を
入力層及び中間層並びに出力層の層構造をなすように結
合してネットワークを構成すると共に出力層の入出力関
数はリニア関数を用いたニューラルネットワークで上記
特徴量抽出手段から出力された特徴量を入力して診断情
報を認識し、表示部により上記ニューラルネットワーク
で認識され出力された結果を入力して表示することがで
きる。これにより、被検体内の診断部位を計測して得ら
れた医用画像について診断情報を認識する際に、上記ニ
ューラルネットワークの学習機能により医師の診断結果
と整合性が良くかつ正確な診断情報を提示することがで
きる。また、提示された診断情報に正確さが欠けている
場合でも、医師等の操作者の操作により容易に診断情報
を改善することができる。これらのことから、医用画像
診断装置の臨床価値を向上することができる。
【図１】本発明による医用画像診断装置の実施例を示す
ブロック図である。
ブロック図である。
【図２】特徴量抽出部の内部構成を示すブロック図であ
る。
る。
【図３】上記特徴量抽出部における特徴量の抽出例を示
す説明図である。
す説明図である。
【図４】ニューラルネットワークを構成する人工的神経
素子を示す説明図である。
素子を示す説明図である。
【図５】層構造をなすように結合してネットワークに構
成されたニューラルネットワークの階層構造を示す説明
図である。
成されたニューラルネットワークの階層構造を示す説明
図である。
【図６】上記ニューラルネットワークの中間層の入出力
関数として用いられるシグモイド関数を示すグラフであ
る。
関数として用いられるシグモイド関数を示すグラフであ
る。
【図７】上記ニューラルネットワークの出力層の入出力
関数として用いられるリニア関数を示すグラフである。
関数として用いられるリニア関数を示すグラフである。
【図８】アナログ出力用のニューラルネットワークの学
習アルゴリズムを示す説明図である。
習アルゴリズムを示す説明図である。
【図９】本発明の他の実施例を説明するための図であ
り、シグモイド関数の準線形領域を示すグラフである。
り、シグモイド関数の準線形領域を示すグラフである。
【図１０】本発明の更に他の実施例を示すブロック図で
ある。
ある。
１…原画像供給部 ２…特徴量抽出部 ３…ニューラルネットワーク ４…表示部 ５…形状情報抽出部 ６…正規化部 ７…平均化部 １３…人工的神経素子 １４，１５…枝 １６…入力情報 １７…出力情報 １８…教師信号 １９…シグモイド関数の準線形領域 ２０…入力装置
Claims (7)
- 【請求項１】 被検体内の診断部位について計測した画
像データを出力する原画像供給部と、この原画像供給部
からの画像データを入力し目的部位の診断情報と相関の
ある特徴量を抽出する特徴量抽出手段と、人工的神経素
子を入力層及び中間層並びに出力層の層構造をなすよう
に結合してネットワークを構成し上記特徴量抽出手段か
らの特徴量を入力して診断情報を認識するニューラルネ
ットワークと、このニューラルネットワークで認識され
出力された結果を入力して表示する表示部とを備えて成
ることを特徴とする医用画像診断装置。 - 【請求項２】 上記特徴量抽出手段は、目的部位の形状
情報を抽出する形状情報抽出部を有し、ニューラルネッ
トワークへの入力情報を圧縮して診断情報を高速に認識
可能としたことを特徴とする請求項１記載の医用画像診
断装置。 - 【請求項３】 上記特徴量抽出手段は、目的部位の形状
情報を抽出する形状情報抽出部と、この形状情報抽出部
で抽出した形状情報の正規化を行う正規化部とを有し、
被検体の個体差に左右されずに診断情報を認識可能とし
たことを特徴とする請求項１記載の医用画像診断装置。 - 【請求項４】 上記特徴量抽出手段は、目的部位の形状
情報を抽出する形状情報抽出部と、この形状情報抽出部
で抽出した形状情報の正規化を行う正規化部と、この正
規化部で正規化した情報について診断の注目箇所より離
れるに従って演算する数を多くして平均化する平均化部
とを有することを特徴とする請求項１記載の医用画像診
断装置。 - 【請求項５】 上記ニューラルネットワークは、層構造
をなすように結合されたネットワークの最終段の出力層
の入出力関数としてリニア関数を用い、診断情報をアナ
ログ値で認識可能としたことを特徴とする請求項１，
２，３又は４記載の医用画像診断装置。 - 【請求項６】 上記ニューラルネットワークは、層構造
をなすように結合されたネットワークの最終段の出力層
の入出力関数としてリニア関数以外の関数を用いると共
にその準線形領域を診断情報の範囲と限定し、診断情報
をアナログ値で認識可能としたことを特徴とする請求項
１，２，３又は４記載の医用画像診断装置。 - 【請求項７】 上記ニューラルネットワークには、該ニ
ューラルネットワークに学習動作をさせるための教師信
号を入力する入力装置を接続したことを特徴とする請求
項１〜６のいずれかに記載の医用画像診断装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18789994A JP3641495B2 (ja) | 1994-07-19 | 1994-07-19 | 医用画像診断装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18789994A JP3641495B2 (ja) | 1994-07-19 | 1994-07-19 | 医用画像診断装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0824227A true JPH0824227A (ja) | 1996-01-30 |
| JP3641495B2 JP3641495B2 (ja) | 2005-04-20 |
Family
ID=16214149
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP18789994A Expired - Fee Related JP3641495B2 (ja) | 1994-07-19 | 1994-07-19 | 医用画像診断装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3641495B2 (ja) |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000504848A (ja) * | 1996-02-06 | 2000-04-18 | ザ、リージェンツ、オブ、ザ、ユニバーシティ、オブ、カリフォルニア | 非音波式音声特性記述及び認識のための方法及びその装置 |
| JP2003510121A (ja) * | 1999-09-24 | 2003-03-18 | ナショナル・リサーチ・カウンシル・オブ・カナダ | 術中血管造影を行なうための方法および装置 |
| JP2004057826A (ja) * | 2002-07-24 | 2004-02-26 | Siemens Ag | ボリュームデータセットの処理方法およびコンピュータプログラム製品ならびにコンピュータ |
| JP2004133736A (ja) * | 2002-10-11 | 2004-04-30 | Hitachi Medical Corp | 医用画像表示方法及びその装置 |
| WO2010101150A1 (ja) * | 2009-03-02 | 2010-09-10 | 日比 紀文 | 膵嚢胞性疾患診断装置 |
| US8892190B2 (en) | 1999-09-24 | 2014-11-18 | National Research Council Of Canada | Method and apparatus for performing intra-operative angiography |
| JP2015144929A (ja) * | 2015-05-19 | 2015-08-13 | キヤノン株式会社 | 画像処理方法および装置 |
| JP2016028747A (ja) * | 2012-09-12 | 2016-03-03 | ハートフロー， インコーポレイテッド | 血管形状及び生理学から血流特性を推定するシステム及び方法 |
| US9421280B2 (en) | 2005-04-26 | 2016-08-23 | Novadaq Technologies Inc. | Real time imaging during solid organ transplant |
| US9610021B2 (en) | 2008-01-25 | 2017-04-04 | Novadaq Technologies Inc. | Method for evaluating blush in myocardial tissue |
| US9816930B2 (en) | 2014-09-29 | 2017-11-14 | Novadaq Technologies Inc. | Imaging a target fluorophore in a biological material in the presence of autofluorescence |
| JP2018014058A (ja) * | 2016-07-22 | 2018-01-25 | 株式会社トプコン | 医療情報処理システム、医療情報処理装置及び医療情報処理方法 |
| US10010255B2 (en) | 2012-09-12 | 2018-07-03 | Heartflow, Inc. | Systems and methods for estimating ischemia and blood flow characteristics from vessel geometry and physiology |
| US10041042B2 (en) | 2008-05-02 | 2018-08-07 | Novadaq Technologies ULC | Methods for production and use of substance-loaded erythrocytes (S-IEs) for observation and treatment of microvascular hemodynamics |
| US10219742B2 (en) | 2008-04-14 | 2019-03-05 | Novadaq Technologies ULC | Locating and analyzing perforator flaps for plastic and reconstructive surgery |
| WO2019069867A1 (ja) * | 2017-10-03 | 2019-04-11 | 株式会社根本杏林堂 | 血管抽出装置および血管抽出方法 |
| US10265419B2 (en) | 2005-09-02 | 2019-04-23 | Novadaq Technologies ULC | Intraoperative determination of nerve location |
| US10278585B2 (en) | 2012-06-21 | 2019-05-07 | Novadaq Technologies ULC | Quantification and analysis of angiography and perfusion |
| CN109934934A (zh) * | 2019-03-15 | 2019-06-25 | 广州九三致新科技有限公司 | 一种基于增强现实的医疗图像显示方法及装置 |
| US10434190B2 (en) | 2006-09-07 | 2019-10-08 | Novadaq Technologies ULC | Pre-and-intra-operative localization of penile sentinel nodes |
| US10492671B2 (en) | 2009-05-08 | 2019-12-03 | Novadaq Technologies ULC | Near infra red fluorescence imaging for visualization of blood vessels during endoscopic harvest |
| US10631746B2 (en) | 2014-10-09 | 2020-04-28 | Novadaq Technologies ULC | Quantification of absolute blood flow in tissue using fluorescence-mediated photoplethysmography |
| US10992848B2 (en) | 2017-02-10 | 2021-04-27 | Novadaq Technologies ULC | Open-field handheld fluorescence imaging systems and methods |
| CN113168539A (zh) * | 2018-11-20 | 2021-07-23 | 皇家飞利浦有限公司 | 在磁共振成像中确定进一步的处理位置 |
| JP2023504266A (ja) * | 2019-12-02 | 2023-02-02 | エスジー・デバイシーズ・インコーポレイテッド | 外科用イメージングの拡張現実ディスプレイ |
| WO2024048509A1 (ja) * | 2022-08-30 | 2024-03-07 | 株式会社Preferred Networks | 病態評価装置 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1780677A1 (en) * | 2005-10-25 | 2007-05-02 | BRACCO IMAGING S.p.A. | Image processing system, particularly for use with diagnostics images |
-
1994
- 1994-07-19 JP JP18789994A patent/JP3641495B2/ja not_active Expired - Fee Related
Cited By (46)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000504848A (ja) * | 1996-02-06 | 2000-04-18 | ザ、リージェンツ、オブ、ザ、ユニバーシティ、オブ、カリフォルニア | 非音波式音声特性記述及び認識のための方法及びその装置 |
| JP2003510121A (ja) * | 1999-09-24 | 2003-03-18 | ナショナル・リサーチ・カウンシル・オブ・カナダ | 術中血管造影を行なうための方法および装置 |
| US8892190B2 (en) | 1999-09-24 | 2014-11-18 | National Research Council Of Canada | Method and apparatus for performing intra-operative angiography |
| JP2004057826A (ja) * | 2002-07-24 | 2004-02-26 | Siemens Ag | ボリュームデータセットの処理方法およびコンピュータプログラム製品ならびにコンピュータ |
| JP2004133736A (ja) * | 2002-10-11 | 2004-04-30 | Hitachi Medical Corp | 医用画像表示方法及びその装置 |
| US9421280B2 (en) | 2005-04-26 | 2016-08-23 | Novadaq Technologies Inc. | Real time imaging during solid organ transplant |
| US10265419B2 (en) | 2005-09-02 | 2019-04-23 | Novadaq Technologies ULC | Intraoperative determination of nerve location |
| US10434190B2 (en) | 2006-09-07 | 2019-10-08 | Novadaq Technologies ULC | Pre-and-intra-operative localization of penile sentinel nodes |
| US10835138B2 (en) | 2008-01-25 | 2020-11-17 | Stryker European Operations Limited | Method for evaluating blush in myocardial tissue |
| US9610021B2 (en) | 2008-01-25 | 2017-04-04 | Novadaq Technologies Inc. | Method for evaluating blush in myocardial tissue |
| US11564583B2 (en) | 2008-01-25 | 2023-01-31 | Stryker European Operations Limited | Method for evaluating blush in myocardial tissue |
| US9936887B2 (en) | 2008-01-25 | 2018-04-10 | Novadaq Technologies ULC | Method for evaluating blush in myocardial tissue |
| US10219742B2 (en) | 2008-04-14 | 2019-03-05 | Novadaq Technologies ULC | Locating and analyzing perforator flaps for plastic and reconstructive surgery |
| US10041042B2 (en) | 2008-05-02 | 2018-08-07 | Novadaq Technologies ULC | Methods for production and use of substance-loaded erythrocytes (S-IEs) for observation and treatment of microvascular hemodynamics |
| WO2010101150A1 (ja) * | 2009-03-02 | 2010-09-10 | 日比 紀文 | 膵嚢胞性疾患診断装置 |
| US10492671B2 (en) | 2009-05-08 | 2019-12-03 | Novadaq Technologies ULC | Near infra red fluorescence imaging for visualization of blood vessels during endoscopic harvest |
| US11284801B2 (en) | 2012-06-21 | 2022-03-29 | Stryker European Operations Limited | Quantification and analysis of angiography and perfusion |
| US10278585B2 (en) | 2012-06-21 | 2019-05-07 | Novadaq Technologies ULC | Quantification and analysis of angiography and perfusion |
| US12186055B2 (en) | 2012-06-21 | 2025-01-07 | Stryker Corporation | Quantification and analysis of angiography and perfusion |
| JP2017205605A (ja) * | 2012-09-12 | 2017-11-24 | ハートフロー， インコーポレイテッド | 血管形状及び生理学から血流特性を推定するシステム及び方法 |
| US12186062B2 (en) | 2012-09-12 | 2025-01-07 | Heartflow, Inc. | Systems and methods for processing electronic images to evaluate medical images |
| JP2016028747A (ja) * | 2012-09-12 | 2016-03-03 | ハートフロー， インコーポレイテッド | 血管形状及び生理学から血流特性を推定するシステム及び方法 |
| US11399729B2 (en) | 2012-09-12 | 2022-08-02 | Heartflow, Inc. | Systems and methods for estimating ischemia and blood flow characteristics from vessel geometry and physiology |
| US10010255B2 (en) | 2012-09-12 | 2018-07-03 | Heartflow, Inc. | Systems and methods for estimating ischemia and blood flow characteristics from vessel geometry and physiology |
| US10561324B2 (en) | 2012-09-12 | 2020-02-18 | Heartflow, Inc. | Systems and methods of image processing to determine flow characteristics |
| JP2020028774A (ja) * | 2012-09-12 | 2020-02-27 | ハートフロー， インコーポレイテッド | 血管形状及び生理学から血流特性を推定するシステム及び方法 |
| US11382569B2 (en) | 2012-09-12 | 2022-07-12 | Heartflow, Inc. | Systems and methods for estimating blood flow characteristics from vessel geometry and physiology |
| US11013425B2 (en) | 2012-09-12 | 2021-05-25 | Heartflow, Inc. | Systems and methods for analyzing and processing digital images to estimate vessel characteristics |
| US9816930B2 (en) | 2014-09-29 | 2017-11-14 | Novadaq Technologies Inc. | Imaging a target fluorophore in a biological material in the presence of autofluorescence |
| US10488340B2 (en) | 2014-09-29 | 2019-11-26 | Novadaq Technologies ULC | Imaging a target fluorophore in a biological material in the presence of autofluorescence |
| US10631746B2 (en) | 2014-10-09 | 2020-04-28 | Novadaq Technologies ULC | Quantification of absolute blood flow in tissue using fluorescence-mediated photoplethysmography |
| JP2015144929A (ja) * | 2015-05-19 | 2015-08-13 | キヤノン株式会社 | 画像処理方法および装置 |
| JP2018014058A (ja) * | 2016-07-22 | 2018-01-25 | 株式会社トプコン | 医療情報処理システム、医療情報処理装置及び医療情報処理方法 |
| US10992848B2 (en) | 2017-02-10 | 2021-04-27 | Novadaq Technologies ULC | Open-field handheld fluorescence imaging systems and methods |
| US12464215B2 (en) | 2017-02-10 | 2025-11-04 | Stryker Corporation | Open-field handheld fluorescence imaging systems and methods |
| US11140305B2 (en) | 2017-02-10 | 2021-10-05 | Stryker European Operations Limited | Open-field handheld fluorescence imaging systems and methods |
| US12028600B2 (en) | 2017-02-10 | 2024-07-02 | Stryker Corporation | Open-field handheld fluorescence imaging systems and methods |
| US11392793B2 (en) | 2017-10-03 | 2022-07-19 | Nemoto Kyorindo Co., Ltd. | Blood vessel extraction device and blood vessel extraction method |
| WO2019069867A1 (ja) * | 2017-10-03 | 2019-04-11 | 株式会社根本杏林堂 | 血管抽出装置および血管抽出方法 |
| JP2022507136A (ja) * | 2018-11-20 | 2022-01-18 | コーニンクレッカ フィリップス エヌ ヴェ | 磁気共鳴イメージングにおける他の処理ロケーションの決定 |
| CN113168539A (zh) * | 2018-11-20 | 2021-07-23 | 皇家飞利浦有限公司 | 在磁共振成像中确定进一步的处理位置 |
| CN109934934B (zh) * | 2019-03-15 | 2023-09-29 | 广州九三致新科技有限公司 | 一种基于增强现实的医疗图像显示方法及装置 |
| CN109934934A (zh) * | 2019-03-15 | 2019-06-25 | 广州九三致新科技有限公司 | 一种基于增强现实的医疗图像显示方法及装置 |
| JP2023504266A (ja) * | 2019-12-02 | 2023-02-02 | エスジー・デバイシーズ・インコーポレイテッド | 外科用イメージングの拡張現実ディスプレイ |
| US12376905B2 (en) | 2019-12-02 | 2025-08-05 | Sg Devices, Inc. | Augmented reality display of surgical imaging |
| WO2024048509A1 (ja) * | 2022-08-30 | 2024-03-07 | 株式会社Preferred Networks | 病態評価装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3641495B2 (ja) | 2005-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH0824227A (ja) | 医用画像診断装置 | |
| CN112734757B (zh) | 一种脊柱X光图像cobb角测量方法 | |
| US20200273169A1 (en) | Systems and methods for ultrasound imaging | |
| US5878746A (en) | Computerized medical diagnostic system | |
| US20030086596A1 (en) | Method, computer software, and system for tracking, stabilizing, and reporting motion between vertebrae | |
| US20090285466A1 (en) | Method, Computer Software, And System For Tracking, Stabilizing, And Reporting Motion Between | |
| DE102012108121A1 (de) | Verfahren und System für ultraschallgestützte automatische Erkennung, Quantifizierung und Nachverfolgung von Pathologien | |
| CN112603373B (zh) | 用于经由超声成像来诊断肌腱损伤的方法和系统 | |
| EP1198200A1 (en) | Intravascular ultrasonic analysis using active contour method and system | |
| EP2637570A2 (en) | System and method of ultrasound image processing | |
| US20030081837A1 (en) | Dynamic computing imagery, especially for visceral osteopathy and for articular kinetics | |
| EP4557235A1 (en) | Hip joint angle measurement system and method | |
| CN120495295B (zh) | 基于图像识别的骨质疏松诊断方法 | |
| CN114898882A (zh) | 基于超声对右心功能进行评估的方法和系统 | |
| CN120770841A (zh) | 一种基于三维重建的超声影像处理系统 | |
| CN117036302B (zh) | 主动脉瓣膜钙化程度的确定方法和系统 | |
| CN115690556B (zh) | 一种基于多模态影像学特征的图像识别方法及系统 | |
| CN117455779A (zh) | 一种医疗超声影像仪辅助增强系统 | |
| CN119488316A (zh) | 一种心脏参数测量方法及系统 | |
| JP7649303B2 (ja) | 解剖学的構造物の医療画像において実施される測定におけるバイアスの自動分析のためのコンピュータにより実施される方法 | |
| Solha et al. | Automatic measurement of the mitral valve based on echocardiography using digital image processing | |
| Smith et al. | Detection of fracture and quantitative assessment of displacement measures in pelvic X-RAY images | |
| JP2024167449A (ja) | 情報処理方法、プログラム及び画像診断装置 | |
| Panicker et al. | Employing acoustic features to aid neural networks towards platform agnostic learning in lung ultrasound imaging | |
| CN121095252B (zh) | 一种移动设备远程评片的心血管影像辅助处理系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20031126 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20031202 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040129 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040302 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040427 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040615 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040812 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20041102 |
|
| R155 | Notification before disposition of declining of application |
Free format text: JAPANESE INTERMEDIATE CODE: R155 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20050124 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080128 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090128 Year of fee payment: 4 |
|
| LAPS | Cancellation because of no payment of annual fees |