Search

JP-2026077628-A - 磁気共鳴画像から複数の畳み込みニューラルネットワークを用いてセグメンテーションラベルの精度を予測するシステム

JP2026077628AJP 2026077628 AJP2026077628 AJP 2026077628AJP-2026077628-A

Abstract

【課題】医用画像データにおいて、１つ以上の関心領域（ＲＯＩ）をセグメント化するためのシステム及び方法に関する。 【解決手段】方法は、複数の医用画像を複数の学習済み畳み込みニューラルネットワーク（ＣＮＮ）それぞれに入力することにより、１つ以上のＲＯＩに属する複数のピクセル又はボクセルのグループを特定して前記複数の医用画像をセグメント化するステップと、セグメント化された前記複数の医用画像から、ボクセルごと又はＲＯＩごとに複数の変数を算出するステップと、算出された前記複数の変数に基づいてセグメント化精度スコアを生成するステップと、前記１つ以上のＲＯＩのラベルを出力するステップと、を含む。 【選択図】図１

Inventors

  • ローラ リエム
  • シュエ フェン
  • シルヴィア ブレンカー

Assignees

  • スプリングボック，インコーポレイテッド

Dates

Publication Date
20260513
Application Date
20251027
Priority Date
20241025

Claims (16)

  1. 医用画像データにおいて、１つ以上の関心領域（ＲＯＩ）をセグメント化するためのシステムであって、 命令及び被検者の複数の医用画像を記憶するよう構成されたメモリであって、前記医用画像は複数のピクセル又はボクセルを含む、メモリと、 プロセッサと、 ディスプレイと、 を備え、 前記プロセッサは、 前記メモリにアクセスするステップと、 前記複数の医用画像を複数の学習済み畳み込みニューラルネットワーク（ＣＮＮ）それぞれに入力することにより、１つ以上のＲＯＩに属する前記複数のピクセル又はボクセルのグループを特定して前記複数の医用画像をセグメント化するステップと、 セグメント化された前記複数の医用画像のそれぞれから、ピクセルごと、ボクセルごと、又はＲＯＩごとに複数の変数を算出するステップと、 算出された前記複数の変数に基づいてセグメント化精度スコアを生成するステップと、 前記１つ以上のＲＯＩのラベルを出力するステップと、 を実行するように構成され、 前記ディスプレイは、前記セグメント化精度スコア又は前記ラベルの少なくとも１つを表示するよう構成される、システム。
  2. 前記セグメント化精度スコアを生成するステップは、前記複数の変数を平均化することを含む、 請求項１に記載のシステム。
  3. 前記複数の学習済みＣＮＮのそれぞれは、ネットワーク構造、学習時の１つ以上のネットワークパラメータ、学習用データセット、又は運用時の１つ以上のパラメータの少なくともいずれかが相互に異なる、 請求項２に記載のシステム。
  4. 前記学習済みＣＮＮは、運用時において前記複数の医用画像をセグメント化するためにスライディングウィンドウ手法を用いる、 請求項３に記載のシステム。
  5. 前記複数の変数は、前記複数の学習済みＣＮＮの各々の間の中央値、標準偏差、ラベルボリュームの変動、ラベルダイス、又はラベル確率の少なくともいずれかを含む、 請求項１に記載のシステム。
  6. 前記複数の学習済みＣＮＮのそれぞれは、ラベル付き医用画像を用いて学習される、 請求項１に記載のシステム。
  7. 前記１つ以上のＲＯＩは、１つ以上の筋肉を含む、 請求項１に記載のシステム。
  8. 前記複数の医用画像は、磁気共鳴（ＭＲ）画像を含む、 請求項１に記載のシステム。
  9. 医用画像データにおける１つ以上の関心領域（ＲＯＩ）をセグメント化する方法であって、 プロセッサを用いて被検体の複数の医用画像にアクセスするステップであって、前記医用画像は複数のピクセル又はボクセルを含む、ステップと、 前記プロセッサを用いて前記複数の医用画像を複数の学習済み畳み込みニューラルネットワーク（ＣＮＮ）それぞれに入力することにより、１つ以上の関心領域（ＲＯＩ）に属する複数のピクセル又はボクセルのグループを特定して前記複数の医用画像をセグメント化するステップと、 セグメント化された前記複数の医用画像のそれぞれから、ピクセルごと、ボクセルごと、又はＲＯＩごとに複数の変数を算出するステップと、 算出された前記複数の変数に基づいてセグメント化精度スコアを生成するステップと、 前記１つ以上のＲＯＩのラベルを出力するステップと、 を備える方法。
  10. 前記セグメント化精度スコアを生成するステップは、前記複数の変数を平均化することを含む、 請求項９に記載の方法。
  11. 前記複数の学習済みＣＮＮのそれぞれは、ネットワーク構造、学習時の１つ以上のネットワークパラメータ、学習用データセット、又は運用時の１つ以上のパラメータの少なくともいずれかが相互に異なる、 請求項１０に記載の方法。
  12. 前記学習済みＣＮＮは、運用時において前記複数の医用画像をセグメント化するためにスライディングウィンドウ手法を用いる、 請求項１１に記載の方法。
  13. 前記複数の変数は、前記複数の学習済みＣＮＮの各々の間の中央値、標準偏差、ラベルボリュームの変動、ラベルダイス、又はラベル確率の少なくともいずれかを含む、 請求項９に記載の方法。
  14. 前記複数の学習済みＣＮＮのそれぞれは、ラベル付き医用画像を用いて学習される、 請求項９に記載の方法。
  15. 前記１つ以上のＲＯＩは、１つ以上の筋肉を含む、 請求項９に記載の方法。
  16. 前記複数の医用画像は、磁気共鳴（ＭＲ）画像を含む、 請求項９に記載の方法。

Description

関連出願の相互参照 無し。 政府支援に関する声明 本発明は、米国国立衛生研究所（ＮＩＨ）によって付与されたＲ４４ＡＲ０７８７２０の政府支援を受けてなされたものである。政府は本発明に関して一定の権利を有する。 筋骨格系の画像解析はしばしば手作業で行われており、多くの時間を要する。また、手作業による解析は、解析者、利用可能な処理・可視化ツール、使用される撮像プロトコルによって結果が主観的に変動するという問題がある。自動的な筋肉セグメンテーションのために、アトラスベース手法や形状ベース手法など、幾つかの技術が開発されてきた。近年では、深層畳み込みニューラルネットワーク（ＤＣＮＮ）がＭＲＩやコンピュータ断層撮影（ＣＴ）画像からの多くの医用画像セグメンテーションタスクに適用されている。 しかし、これらの畳み込みニューラルネットワーク（ＣＮＮ）は、セグメンテーションされる筋肉や関心領域によって性能が異なる。従って、ＣＮＮの出力におけるセグメント化精度を向上させる必要がある。 本開示は、ネットワークパラメータの異なる複数のモデルを組み合わせた人工知能（ＡＩ）プラットフォームを利用することにより、前述の欠点を克服し、関心領域（ＲＯＩ）のラベリング精度を向上させるシステム及び方法を提供する。 本開示の一形態において、医用画像データにおける１つ以上の関心領域（ＲＯＩ）をセグメント化するためのシステムが記載される。前記システムは、命令及び被検者の複数の医用画像を記憶するよう構成されたメモリであって、前記医用画像は複数のピクセル又はボクセルを含む、メモリを含む。前記システムは、前記メモリにアクセスするステップと、前記複数の医用画像を複数の畳み込みニューラルネットワーク（ＣＮＮ）それぞれに入力することにより、１つ以上のＲＯＩに属する前記複数のピクセル又はボクセルのグループを特定して前記複数の医用画像をセグメント化するステップと、セグメント化された前記複数の医用画像のそれぞれから、ピクセルごと、ボクセルごと、又はＲＯＩごとに複数の変数を算出するステップと、算出された前記複数の変数に基づいてセグメント化精度スコアを生成するステップと、前記１つ以上のＲＯＩのラベルを出力するステップと、を実行するように構成されたプロセッサを含む。前記システムは、更に、前記セグメント化精度スコア又は前記ラベルの少なくとも１つを表示するよう構成されるディスプレイを含む。 本開示の別の形態において、医用画像データにおける１つ以上の関心領域（ＲＯＩ）をセグメント化する方法が提示される。前記方法は、プロセッサを用いて被検体の複数の医用画像にアクセスするステップであって、前記医用画像は複数のピクセル又はボクセルを含む、ステップを含む。前記方法は更に、前記プロセッサを用いて前記複数の医用画像を複数の畳み込みニューラルネットワーク（ＣＮＮ）それぞれに入力することにより、１つ以上のＲＯＩに属する複数のピクセル又はボクセルのグループを特定して前記複数の医用画像をセグメント化するステップと、セグメント化された前記複数の医用画像のそれぞれから、ピクセルごと、ボクセルごと、又はＲＯＩごとに複数の変数を算出するステップと、算出された前記複数の変数に基づいてセグメント化精度スコアを生成するステップと、前記１つ以上のＲＯＩのラベルを出力するステップと、を含む。 これらの形態は限定的なものではない。本明細書に記載されるシステム及び方法のその他の形態及び特徴については、以下に示す。 前述の実施形態の特徴は、下記に説明する添付図面を参照しつつ以下の詳細な説明を読むことにより、より容易に理解されるであろう。 図１は、本開示に従ったマルチモデルプラットフォームを実装するための枠組みの、非限定的な一例を示す模式図である。図１は、本開示に従ったマルチモデルプラットフォームを実装するための枠組みの、非限定的な一例を示す模式図である。図２は、例示的なＲＯＩラベル予測システムを示すブロック図である。図３は、図２のＲＯＩラベル予測システムを実現可能な例示的な構成要素を示すブロック図である。図４Ａは、例えば図１に関連して説明されたようなプラットフォームを用いて実施可能なプロセスの、非限定的な例示的なステップを示すフローチャートである。図４Ｂは、当該プラットフォームを用いた実施形態における、幾つかの非限定的な例示的なステップを示すフローチャートである。図５Ａは、単一モデルプラットフォームの概略図である。図５Ｂは、本開示の態様に係る三モデルプラットフォームの概略図である。図６Ａは、本明細書の態様に従い、統合された３モデルプラットフォームと、３モデルプラットフォームを構成する各単一モデルとを比較したダイススコア（上段）及びボリューム誤差（下段）のプロットを示す。図６Ｂは、本明細書の態様に従い、統合された３モデルプラットフォームと、３モデルプラットフォームを構成する各単一モデルとを比較したダイススコア（上段）及びボリューム誤差（下段）のプロットを示す。図７は、二頭筋（大腿二頭筋）に対するＡＩの精度を予測するためのモデル比較を示す一連のプロットである。図８Ａは、様々な筋肉のダイススコア（上段）及びボリューム誤差（下段）を示す一連のプロットである。図８Ｂは、図８Ａにプロットされた各筋肉のダイススコアを示す表である。図８Ｃは、図８Ａにプロットされた各筋肉のボリューム誤差（％）を示す表である。図９Ａは、従来の単一モデルＡＩフレームワークを用いてラベル付けされた筋肉のモデルである。図９Ｂは、本明細書の態様に従い、単一モデル１を用いてラベル付けされた筋肉のモデルである。図９Ｃは、本明細書の態様に従い、統合された３モデルＡＩプラットフォームを用いてラベル付けされた筋肉のモデルである。図９Ｄは、熟練ユーザーによって確認されたラベル付き筋肉のモデルである。図１０Ａは、統合された３モデルＡＩプラットフォームのラベルと、熟練ユーザーによって確認されたラベルとを比較したダイススコア（上段）及びボリューム誤差（下段）の一連のプロットである。図１０Ｂは、図１０Ａの比較に基づく筋肉ラベルの信頼度の概略図である。図１１Ａは、従来の単一モデルＡＩフレームワークを用いてラベル付けされた筋肉のモデルである。図１１Ｂは、本明細書の態様に従い、単一モデル１を用いてラベル付けされた筋肉のモデルである。図１１Ｃは、本明細書の態様に従い、統合された３モデルＡＩプラットフォームを用いてラベル付けされた筋肉のモデルである。図１１Ｄは、熟練ユーザーによって確認されたラベル付き筋肉のモデルである。図１２Ａは、統合された３モデルＡＩプラットフォームのラベルと、熟練ユーザーによって確認されたラベルとを比較したダイススコア（上段）及びボリューム誤差（下段）の一連のプロットである。図１２Ｂは、図１２Ａの比較に基づく筋肉ラベルの信頼度の概略図である。 図１を参照すると、マルチモーダルＡＩプラットフォームを実装するための非限定的なフレームワーク１００の概略図が示されている。セグメント化されたＲＯＩ（関心領域）１０２を含む複数の医用画像を使用して、複数の異なるＣＮＮ（畳み込みニューラルネットワーク）１０４を学習させる。例えば、ＲＯＩには１つ以上の筋肉が含まれてもよいが、これに限定されるものではない。非限定的な例として、医用画像には磁気共鳴（ＭＲ）画像が含まれる。図１の概略図はＭＲ画像を示しているが、これに限定されるものではない。図１では、３つのＣＮＮ（１０４’、１０４’’、１０４’’’）が学習されているが、フレームワークは必ずしも３つのＣＮＮに限定されるものではない。非限定的な例として、ＣＮＮ１０４は１つ以上のパラメータにおいて異なってもよい。例えば、パラメータにはネットワーク構造、学習中の１つ以上のパラメータ、学習データセット、又はシステムの運用時の１つ以上のパラメータが含まれてもよい。更に非限定的な例として、パラメータにはウィンドウサイズ、学習率、学習入力の解像度、学習データセット、又は学習データが増強されているかどうかが含まれてもよい。 更に、セグメント化された関心領域（ＲＯＩ）１０６を含む複数の画像が、学習済みＣＮＮ１０８に適用される。各学習済みＣＮＮ（１０８’、１０８’’、１０８’’’）からの出力１１０が記録される。出力１１０には、個別のセグメント出力（１１０’、１１０’’、１１０’’’）に加え、各学習済みＣＮＮにおける各ボクセルのＲＯＩ確率を平均して最終的なラベルを決定する平均出力１１１が含まれる。 得られたセグメンテーション１１０は、各ＲＯＩごとに検査される。ラベル付けされたＲＯＩは、複数の変数を用いて学習済みＣＮＮ間で比較される。非限定的な例として、変数には、中央値、標準偏差、ラベルボリュームの変動、ラベルのダイス係数、又は複数の学習済みＣＮＮ間のラベル確率のいずれかが含まれてもよい。平均化されたＣＮＮ１１１のラベルと、画像１０６とともに入力された提供ラベルとの間の誤差は、これらの異なる変数を用いて算出される。異なる入力画像１０６にわたって測定された複数の変数は、各ＲＯＩごとに統合される。平均モデルのラベルと提供ラベルとの比較変数は、モデル間の比較変数と関連付けられ、プロット１１２に示される。これらの指標は互いに関連しており、ＡＩラベル出力と望ましいラベル出力との誤差としてＡＩ予測スコアを定義するために使用できる。 新たな複数の医用画像１１４は、複数の学習済みＣＮＮ１０８によって処理される。新たな複数の医用画像１１４は、１つ以上のＲＯＩに属する複数のボクセルのグループを特定するためにセグメント化される。非限定的な例として、学習済みＣＮＮは、スライディングウィンドウ方式を用いて新たな複数の医用画像１１４をセグメント化する。プロット１１２の作成時に定義された関係を用いて、最終的に平均化されたモデル１１１のラベルは公式のＡＩラベル出力１１６として使用され、学習済みＣＮＮ間で必要な比較変数は、各ラベルのセグメント化精度スコア１１８（図１では「ＡＩスコア」と呼ばれる）を算出するために使用される。セグメント化精度スコアは、ＡＩがセグメンテーションをどれほど正確に予測しているか、又は誤っているかを示す。非限定的な例として、ＡＩラベル出力１１６及びセグメント化精度スコア１１８は、表示装置上でユーザーに提示される。 本明細書において、「ＣＮＮ」という用語は、「モデル」又は「ＡＩ」と同義で使用されてもよい。 図２を参照すると、本開示に記載されたシステム及び方法の一部の実施形態に従ってＲＯＩラベルを生成するためのシステム２００の例が示されている。図２に示すように、コンピューティング装置２５０は、データソース２０２から１種類以上の医用画像データ（例えば、磁気共鳴（ＭＲ）画像）を受信できる。幾つかの実施形態において、コンピューティング装置２５０は、データソース２０２から受信したデータに基づきＲＯＩラベルを生成するためのＲＯＩラベル予測システム２０４の少なくとも一部を実行できる。 追加的又は代替的に、幾つかの実施形態において、コンピューティング装置２５０は、データソース２０２から受信したデータに関する情報を通信ネットワーク２５４を介してサーバー２５２に送信でき、サーバー２５２はＲＯＩラベル予測システム２０４の少なくとも一部を実行できる。このような実施形態において、サーバー２５２は、ＲＯＩラベル予測システム２０４の出力を示す情報をコンピューティング装置２５０（及び／又は他の適切なコンピューティング装置）に返すことができる。 幾つかの実施形態において、コンピューティング装置２５０及び／又はサーバー２５２は、デスクトップコンピュータ、ラップトップコンピュータ、スマートフォン、タブレットコンピュータ、ウェアラブルコンピュータ、サーバーコンピュータ、物理的なコンピューティング装置上で実行される仮想マシン