特表 2023-549571 セリアック病様疾患の指標を含む画像を識別するためのシステム及び方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公表特許公報(A)

(11)【公表番号】

(43)【公表日】2023-11-27

(54)【発明の名称】セリアック病様疾患の指標を含む画像を識別するためのシステム及び方法

(51)【国際特許分類】

   G16H 30/20 20180101AFI20231117BHJP

【ＦＩ】

G16H30/20

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2023529959

(86)(22)【出願日】2021-11-14

(85)【翻訳文提出日】2023-06-08

(86)【国際出願番号】 IL2021051353

(87)【国際公開番号】W WO2022107124

(87)【国際公開日】2022-05-27

(31)【優先権主張番号】63/115,283

(32)【優先日】2020-11-18

(33)【優先権主張国・地域又は機関】US

(81)【指定国・地域】

(71)【出願人】

【識別番号】506203914

【氏名又は名称】ギブン イメージング リミテッド

【氏名又は名称原語表記】ＧＩＶＥＮ ＩＭＡＧＩＮＧ ＬＴＤ．

(74)【代理人】

【識別番号】100107489

【弁理士】

【氏名又は名称】大塩 竹志

(72)【発明者】

【氏名】デケル， エヤル

(72)【発明者】

【氏名】エルハラール， アルモグ

(72)【発明者】

【氏名】ローゼンフェルド， スタス

【テーマコード（参考）】

5L099

【Ｆターム（参考）】

5L099AA26

(57)【要約】

消化管（ＧＩＴ）の画像における絨毛萎縮の存在によって特徴付けられる疾患の指標を検出するための方法は、小腸を含むＧＩＴの一部分の連続画像セットにアクセスすることを含む。各画像は、１つ以上の分類スコアに関連付けられ、各分類スコアは、絨毛萎縮の存在によって特徴付けられる疾患のそれぞれの指標を含む関連付けられた画像を示す。方法は、連続画像セットの各画像の１つ以上の分類スコアに基づいて、連続画像セットから画像サブセットを選択することと、小腸の近位部分を示す画像の全てを含む画像セグメントを識別することと、小腸の近位部分を表す識別された画像セグメントから複数の画像を選択することと、選択された画像を表示することと、を更に含む。

【特許請求の範囲】

【請求項1】

消化管（ＧＩＴ）の画像における絨毛萎縮の存在によって特徴付けられる疾患の指標を検出するための方法であって、
小腸を含む前記ＧＩＴの少なくとも一部分の連続画像セットにアクセスすることであって、各画像が、１つ以上の分類スコアに関連付けられ、前記１つ以上の分類スコアの各分類スコアが、絨毛萎縮の前記存在によって特徴付けられる疾患のそれぞれの指標を含む関連付けられた前記画像を示す、アクセスすることと、
前記連続画像セットの各画像の前記１つ以上の分類スコアに基づいて、前記連続画像セットから画像サブセットを選択することと、
前記連続画像セットから、前記小腸の近位部分を示す前記画像の全てを含む画像セグメントを識別することと、
前記小腸の前記近位部分を表す識別された前記画像セグメントから複数の画像を選択することと、
識別された前記画像セグメントから選択された前記複数の画像及び前記画像サブセットを表示装置上に表示することと、を含む、方法。

【請求項2】

前記小腸の前記近位部分が、十二指腸を含む、請求項１に記載の方法。

【請求項3】

絨毛萎縮の前記存在によって特徴付けられる前記疾患が、ヒト免疫不全ウイルス、分類不能型免疫不全症、クローン病、又はセリアック病のうちの少なくとも１つを含む、請求項１に記載の方法。

【請求項4】

識別された前記画像セグメントから前記複数の画像を選択することが、前記１つ以上の分類スコアに基づく、請求項１に記載の方法。

【請求項5】

前記小腸の前記近位部分を表す前記画像セグメントから前記複数の画像を選択することが、前記小腸の前記近位部分にわたって離間された画像を選択することを含む、請求項１に記載の方法。

【請求項6】

前記小腸の前記近位部分にわたって離間された画像を選択することが、不明瞭でない前記小腸の前記近位部分の画像を選択することを含む、請求項５に記載の方法。

【請求項7】

深層学習分類器又は古典的機械学習分類器のうちの少なくとも１つに基づいて、前記連続画像セット内の絨毛萎縮の前記存在と関連付けられた疾患の１つ以上の指標を検出することを更に含む、請求項１に記載の方法。

【請求項8】

識別された前記画像セグメントから前記複数の画像を選択することが、時間又は前記小腸の長さに基づいて、前記小腸の前記近位部分を均一にサンプリングすることを含み、長さが、前記連続画像セット内の画像の数、又は前記小腸に沿ったカプセル内視鏡デバイスの推定前進のうちの少なくとも１つに基づく、請求項１に記載の方法。

【請求項9】

識別された前記画像セグメントから前記複数の画像を選択することが、
識別された前記画像セグメントからの前記複数の画像を、所定の数のサンプリング点に分割することと、
サンプリング点ごとに、前記サンプリング点を取り囲む画像の所定の範囲から、１つ以上の画像を選択することと、を含む、請求項１に記載の方法。

【請求項10】

前記指標が、前記小腸の粘膜の波状弯入、前記小腸の粘膜のモザイクパターン化、又は前記小腸の絨毛の萎縮のうちの少なくとも１つを含む、請求項１に記載の方法。

【請求項11】

消化管（ＧＩＴ）の画像における絨毛萎縮の存在によって特徴付けられる疾患の指標を検出するための方法であって、
小腸を含む前記ＧＩＴの少なくとも一部分の連続画像セットにアクセスすることであって、各画像が、１つ以上の分類スコアに関連付けられ、前記１つ以上の分類スコアの各分類スコアが、絨毛萎縮の前記存在によって特徴付けられる疾患のそれぞれの指標を含む関連付けられた前記画像を示す、アクセスすることと、
前記連続画像セットを、
前小腸の画像、
前記小腸の近位部分の画像、及び
前記小腸の残りの部分の画像を含む、画像セットに分割することと、
第１のルールセットの適用に基づいて、前記小腸の前記近位部分の前記画像から第１の画像サブセットを選択することであって、前記第１のルールセットのうちの少なくとも１つのルールが、各画像に関連付けられた前記１つ以上の分類スコアに基づく、選択することと、
前記第１のルールセットとは異なる第２のルールセットの適用に基づいて、前記小腸の前記残りの部分の前記画像から第２の画像サブセットを選択することであって、前記第２のルールセットのうちの少なくとも１つのルールが、各画像に関連付けられた前記１つ以上の分類スコアに基づく、選択することと、
選択された前記第１及び第２の画像サブセットを表示装置上に表示することと、を含む、方法。

【請求項12】

前記第２のルールセットが、前記第１のルールセットよりも選択的である、請求項１１に記載の方法。

【請求項13】

前記第１のルールセットが、前記小腸の前記近位部分のより包括的な表現を提供するように構成され、前記第２のルールセットが、前記小腸の前記残りの部分のより包括的でない表現を提供するように構成されている、請求項１２に記載の方法。

【請求項14】

前記指標が、前記小腸の粘膜の波状弯入、前記小腸の粘膜のモザイクパターン化、又は前記小腸の絨毛の萎縮のうちの少なくとも１つを含む、請求項１１に記載の方法。

【請求項15】

絨毛萎縮の前記存在によって特徴付けられる前記疾患が、ヒト免疫不全ウイルス、分類不能型免疫不全症、クローン病、又はセリアック病のうちの少なくとも１つを含む、請求項１１に記載の方法。

【請求項16】

前記小腸の前記近位部分が、十二指腸を含む、請求項１１に記載の方法。

【請求項17】

深層学習分類器又は古典的機械学習分類器のうちの少なくとも１つによって、前記１つ以上の分類スコアを提供することを更に含む、請求項１１に記載の方法。

【請求項18】

セリアック病様疾患の指標を検出するためのシステムであって、
１つ以上のプロセッサと、
命令を記憶する少なくとも１つのメモリと、を備え、前記命令は、前記１つ以上のプロセッサによって実行されると、前記システムに、
前記小腸の近位部分の画像にアクセスすること、
第１のルールセットに基づいて、前記小腸の前記近位部分の前記画像の中から画像を選択すること、
前記小腸の少なくとも残りの部分の画像にアクセスすること、及び
前記第１のルールセットとは異なる第２のルールセットに基づいて、前記小腸の少なくとも前記残りの部分の前記画像の中から画像を選択することを行わせる、システム。

【請求項19】

前記第１のルールセットに基づいて、前記小腸の前記近位部分の前記画像の中から画像を選択することが、前記小腸の前記近位部分を表す画像を選択することを含み、
前記第２のルールセットに基づいて、前記小腸の少なくとも前記残りの部分の前記画像の中から画像を選択することが、セリアック病様疾患のそれぞれの指標を含む画像を示す１つ以上の分類スコアに基づいて、前記小腸の少なくとも前記残りの部分の前記画像の中から選択すること、
を含む、請求項１８に記載のシステム。

【請求項20】

第１のルールセットに基づいて前記小腸の前記近位部分の前記画像の中から画像を選択することが、セリアック病様疾患のそれぞれの指標を含む画像を示す１つ以上の分類スコアに基づいて、前記小腸の前記近位部分の前記画像の中から選択することを含み、
前記第２のルールセットに基づいて、前記小腸の少なくとも前記残りの部分の前記画像の中から画像を選択することが、セリアック病様疾患のそれぞれの指標を含む画像を示す１つ以上の分類スコアに基づいて、前記小腸の前記残りの部分の前記画像の中から選択すること、
を含む、請求項１８に記載のシステム。

【請求項21】

前記第２のルールセットが、前記第１のルールセットよりも選択的である、請求項２０に記載のシステム。

【発明の詳細な説明】

【技術分野】

【0001】

（関連出願の相互参照）
本出願は、２０２０年１１月１８日に出願された米国仮特許出願第６３／１１５，２８３号の利益及び優先権を主張し、当該仮特許出願の全体は、参照により本明細書に組み込まれる。

【0002】

本開示は、画像分析方法及びシステムに関し、より具体的には、セリアック病様疾患の指標を検出するために、消化管の画像のストリームを分析するためのシステム及び方法に関する。

【背景技術】

【0003】

カプセル内視鏡検査（ｃａｐｓｕｌｅ ｅｎｄｏｓｃｏｐｙ、ＣＥ）は、消化管（ｇａｓｔｒｏｉｎｔｅｓｔｉｎａｌ ｔｒａｃｔ、ＧＩＴ）全体を内視鏡検査的に検査することを可能にする。小腸（ｓｍａｌｌ ｂｏｗｅｌ、ＳＢ）又は結腸等のＧＩＴの特定の部分を検査することを目的としたカプセル内視鏡検査システム及び方法が存在する。ＣＥは、患者が病院に入院することを必要としない非侵襲的処置であり、患者は、カプセルが体内にある間に、たいていの日常活動を継続することができる。

【0004】

典型的なＣＥ処置では、患者は、医師によって処置を紹介される。次いで、患者は、医療施設（例えば、診療所又は病院）に到着して、処置を行う。ほぼマルチビタミンのサイズであるカプセルは、医療施設の医療従事者（例えば、看護師又は医師）の監督下で患者によって嚥下される。いくつかのＣＥ処置及び方法によれば、患者には、ウェアラブルデバイス、例えば、患者の肩の周りに配置されるポーチ及びストラップ内に配置されたセンサベルト及びレコーダが提供される。ウェアラブルデバイスは、記憶デバイスを含んでもよい。患者はアドバイス及び／又は指示を与えられた後、日常活動へと解放されてもよい。

【0005】

カプセルは、ＧＩＴを通って自然に移動する際に画像を捕捉する。次いで、画像及び追加のデータ（例えば、メタデータ）が、患者によって装着されたレコーダに送信されてもよい。カプセルは、典型的には使い捨てであり、腸の運動で自然に進む。処置データ（例えば、捕捉された画像又はそれらの一部分及び追加のメタデータ）は、ウェアラブルデバイスの記憶デバイス上に記憶されてもよい。

【0006】

ウェアラブルデバイスは、典型的には、その上に記憶された処置データとともに、患者によって医療施設に戻される。処置データは、エンジンソフトウェアが記憶された、医療施設に典型的には位置するコンピューティングデバイスにダウンロードされる。典型的には、処理されるために転送される画像の数は、数万個程度、平均で約９０，０００個である。次いで、受信された処置データは、エンジンによって、コンパイルされた調査（又は「検査」）へと処理される。典型的には、調査は、数千の画像（約６，０００個）を含む。

【0007】

リーダ（処置監督医師、専門医師又は担当医師であってもよい）は、リーダアプリケーションを介して、調査にアクセスしてもよい。次いで、リーダは、調査をレビューし、処置を評価し、リーダアプリケーションを介して自身の入力を提供する。リーダは数千の画像をレビューする必要があるため、調査の読み取り時間は、通常、平均で３０分～１時間を要することがあり、読み取り作業は面倒なことがある。次いで、コンパイルされた調査及びリーダの入力に基づいて、リーダアプリケーションによって報告が生成される。平均して、調査をレビューし、かつ報告を生成するために１時間を要する。報告は、例えば、関心のある画像、例えば、リーダによって選択された病態を含むものとして識別された画像と、処置データ（すなわち、調査）並びに／又はリーダによって提供されるフォローアップ及び／若しくは治療のための提案に基づく患者の医学的状態の評価又は診断とを含んでもよい。次いで、報告を紹介医師に転送してもよい。担当医師は、報告に基づいて、必要なフォローアップ又は治療を決定することができる。

【発明の概要】

【課題を解決するための手段】

【0008】

本開示は、消化管（ＧＩＴ）の画像のストリームを分析するためのシステム及び方法に関する。様々な態様では、本開示は、例えば、消化管の小腸画像内の絨毛萎縮の存在によって特徴付けられる画像等の、セリアック病様疾患の指標を含む画像を識別することによって、セリアック病様疾患を識別するために、画像のストリームを分析するためのシステム及び方法に関する。本開示の技術は、様々なカプセル内視鏡技術によって捕捉された画像とともに機能し得る。

【0009】

ＧＩＴに関して本明細書で使用される場合、「遠位」という用語は、ＧＩＴの直腸又はＧＩＴの直腸により近い部分に向かう方向を指し、「近位」という用語は、ＧＩＴの食道又はＧＩＴの食道により近い部分に向かう方向を指す。更に、矛盾しない範囲内で、ここで詳述される態様のいずれか又は全ては、ここで詳述される他の態様のいずれか又は全てとともに用いることができる。

【0010】

本開示のある態様では、消化管（ＧＩＴ）の画像における絨毛萎縮の存在によって特徴付けられる疾患の指標を検出するための方法は、小腸を含むＧＩＴの少なくとも一部分の連続画像セットにアクセスすることを含む。各画像は、１つ以上の分類スコアに関連付けられ、１つ以上の分類スコアの各分類スコアは、絨毛萎縮の存在によって特徴付けられる疾患のそれぞれの指標を含む関連付けられた画像を示す。方法は、連続画像セットの各画像の１つ以上の分類スコアに基づいて、連続画像セットから画像サブセットを選択することと、連続画像セットから、小腸の近位部分を示す画像の全てを含む画像セグメントを識別することと、小腸の近位部分を表す識別された画像セグメントから複数の画像を選択することと、選択された複数の識別された画像及び画像サブセットを表示装置上に表示することと、を更に含む。

【0011】

本開示の別の態様では、小腸の近位部分は、十二指腸を含んでもよい。

【0012】

本開示の別の態様では、絨毛萎縮の存在によって特徴付けられる疾患は、ヒト免疫不全ウイルス、分類不能型免疫不全症、クローン病、及び／又はセリアック病を含んでもよい。

【0013】

本開示の更に別の態様では、識別された画像セグメントから複数の画像を選択することは、１つ以上の分類スコアに基づいてもよい。

【0014】

本開示の更に別の態様では、小腸の近位部分を表す画像セグメントから複数の画像を選択することは、小腸の近位部分にわたって離間された画像を選択することを含む。

【0015】

本開示のある態様では、小腸の近位部分にわたって離間された画像を選択することは、不明瞭でない小腸の近位部分の画像を選択することを含む。

【0016】

本開示のある態様では、方法は、深層学習分類器又は古典的機械学習分類器のうちの少なくとも１つに基づいて、連続画像セット内の絨毛萎縮の存在と関連付けられた疾患の１つ以上の指標を検出することを更に含んでもよい。

【0017】

本開示の別の態様では、方法は、識別された画像セグメントから複数の画像を選択することは、時間又は小腸の長さに基づいて、小腸の近位部分を均一にサンプリングすることを含むことを更に含んでもよく、長さは、連続画像セット内の画像の数、又は小腸に沿ったカプセル内視鏡デバイスの推定前進のうちの少なくとも１つに基づく。

【0018】

本開示のある態様では、識別された画像セグメントから複数の画像を選択することは、識別された画像セグメントからの複数の画像を、所定の数のサンプリング点に分割することと、サンプリング点ごとに、サンプリング点を取り囲む画像の所定の範囲から、１つ以上の画像を選択することと、を含んでもよい。

【0019】

本開示の別の態様では、指標は、小腸の粘膜の波状弯入、小腸の粘膜のモザイクパターン化、及び／又は小腸の絨毛の萎縮を含んでもよい。

【0020】

本開示の態様によれば、消化管（ＧＩＴ）の画像における絨毛萎縮の存在によって特徴付けられる疾患の指標を検出するための方法が提供される。方法は、小腸を含むＧＩＴの少なくとも一部分の連続画像セットにアクセスすることを含む。各画像は、１つ以上の分類スコアに関連付けられ、１つ以上の分類スコアの各分類スコアは、絨毛萎縮の存在によって特徴付けられる疾患のそれぞれの指標を含む関連付けられた画像を示す。方法は、連続画像セットを画像セットに分割することを更に含む。画像セットは、前小腸の画像、小腸の近位部分の画像、及び小腸の残りの部分の画像を含む。方法は、第１のルールセットの適用に基づいて、小腸の近位部分の画像から第１の画像サブセットを選択することであって、第１のルールセットのうちの少なくとも１つのルールが、各画像に関連付けられた１つ以上の分類スコアに基づく、選択することと、第１のルールセットとは異なる第２のルールセットの適用に基づいて、小腸の残りの部分の画像から第２の画像サブセットを選択することであって、第２のルールセットのうちの少なくとも１つのルールが、各画像に関連付けられた１つ以上の分類スコアに基づく、選択することと、選択された第１及び第２の画像サブセットを表示装置上に表示することと、を更に含む。

【0021】

本開示の更に別の態様では、第２のルールセットは、第１のルールセットよりも選択的であってもよい。

【0022】

別の態様では、第１のルールセットは、小腸の近位部分のより包括的な表現を提供するように構成され、第２のルールセットが、小腸の残りの部分又は少なくとも小腸の残りの部分のより包括的でない表現を提供するように構成されている。例えば、第１のルールセットは、ＳＢの近位部分全体を表す画像を選択するための１つ以上のルールを含んでもよく、第２のルールセットは、セリアック病様疾患の指標を表示するために識別されたＳＢの領域を表す画像のみを選択するための１つ以上のルールを含んでもよい。ＳＢの異なる部分に対するそのようなルールの第１及び第２のセットの例示的な結果は、第１の画像サブセットによって選択された画像よりも少ない画像が、第２の画像サブセットから小腸の単位長さ当たりに選択されることである。

【0023】

本開示のある態様では、指標は、小腸の粘膜の波状弯入、小腸の粘膜のモザイクパターン化、及び／又は小腸の絨毛の萎縮を含んでもよい。

【0024】

本開示の別の態様では、絨毛萎縮の存在によって特徴付けられる疾患は、ヒト免疫不全ウイルス、分類不能型免疫不全症、クローン病、及び／又はセリアック病を含んでもよい。

【0025】

本開示の別の態様では、小腸の近位部分は、十二指腸を含んでもよい。

【0026】

本開示の更に別の態様では、方法は、深層学習分類器及び／又は古典的機械学習分類器によって１つ以上の分類スコアを提供することを含む。

【0027】

本開示の態様によれば、セリアック病様疾患の指標を検出するためのシステムが提供される。システムは、１つ以上のプロセッサ及び少なくとも１つのメモリを含む。メモリは、１つ以上のプロセッサによって実行されると、システムに、小腸の近位部分の画像にアクセスすること、第１のルールセットに基づいて、小腸の近位部分の画像の中から画像を選択すること、小腸の少なくとも残りの部分の画像にアクセスすること、及び第１のルールセットとは異なる第２のルールセットに基づいて、小腸の少なくとも残りの部分の画像の中から画像を選択することを行わせる、その上に記憶された命令を含む。

【0028】

本開示のある態様では、第１のルールセットに基づいて、小腸の近位部分の画像の中から画像を選択することは、小腸の近位部分を表す画像を選択することを含み、第２のルールセットに基づいて、小腸の少なくとも残りの部分の画像の中から画像を選択することは、セリアック病様疾患のそれぞれの指標を含む画像を示す１つ以上の分類スコアに基づいて、小腸の少なくとも残りの部分の画像の中から画像を選択することを含む。

【0029】

本開示のある態様では、第１のルールセットに基づいて、小腸の近位部分の画像の中から画像を選択することは、セリアック病様疾患のそれぞれの指標を含む画像を示す１つ以上の分類スコアに基づいて、小腸の近位部分の画像の中から画像を選択することを含み、第２のルールセットに基づいて、小腸の少なくとも残りの部分の画像の中から画像を選択することは、セリアック病様疾患のそれぞれの指標を含む画像を示す１つ以上の分類スコアに基づいて、小腸の残りの部分の画像の中から画像を選択することを含む。

【0030】

本開示のある態様では、第２のルールセットは、第１のルールセットよりも選択的である。

【図面の簡単な説明】

【0031】

本開示の上述及びその他の態様並びに特徴は、添付の図面と共に以降の詳細な説明を考慮することでより明白となる。添付の図面において、同様の参照符号は類似又は同一の要素を識別する。

【図1】消化管（ＧＩＴ）を示す図である。

【図2】本開示の態様による、カプセル内視鏡検査（ＣＥ）処置を介して生体内で捕捉された医用画像を分析するための例示的システムのブロック図である。

【図3】本開示の態様とともに使用され得る、例示的コンピューティングデバイスのブロック図である。

【図4】小腸を示す図である。

【図5】本開示の態様による、例示的な畳み込みニューラルネットワークの図である。

【図6】本開示の態様による、例示的な深層学習ニューラルネットワークの図である。

【図7A】本開示の態様による、粘膜の波状弯入の例示的な画像である。

【図7B】本開示の態様による、粘膜のモザイクパターン化の例示的な画像である。

【図7C】本開示の態様による、絨毛萎縮の例示的な図である。

【図8A】本開示の態様による、通常の絨毛の図である。

【図8B】本開示の態様による、例示的な絨毛萎縮の図である。

【図9】本開示の態様による、セリアック病様疾患の指標を含む画像を識別するための例示的な動作のフロー図である。

【図10】本開示の態様による、小腸の近位部分の画像を識別するための例示的な動作のフロー図である。

【図11】本開示の態様による、画像を選択するためのフロー図又は例示的な動作である。

【図12】本開示の態様による、画像を選択するための別の例示的な動作のブロック図である。

【発明を実施するための形態】

【0032】

本開示は、医用画像を分析するためのシステム及び方法に関する。様々な態様では、本開示は、カプセル内視鏡（ＣＥ）処置を介して生体内で捕捉された画像のストリーム内の小腸粘膜における絨毛萎縮の存在によって特徴付けられる画像等の、セリアック病様疾患の指標を含む画像を識別するためのシステム及び方法に関する。本開示の技術は、様々な技術によって捕捉されたカプセル内視鏡画像とともに機能し得る。概して、本開示は、多数の画像をレビューするのに過度の時間を費やすことなく、臨床医が患者のセリアック病様疾患を正しく正確に診断するのを支援するように動作するシステム及び方法を提供する。したがって、本開示の技術は、臨床医が、合理的又は比較的コンパクトな数の画像をレビューすることによって、重要な情報を失うことなく、セリアック病様疾患の正しく正確な診断を行うことを可能にすることができる。

【0033】

次の詳細な説明では、本開示の完全な理解を与えるために、特定の詳細が記載される。しかしながら、当業者であれば、本開示が、これらの特定の詳細を伴わなくても実施され得ることを理解するであろう。他の例では、よく知られた方法、処置、及び構成要素は、本開示を不明瞭にしないように詳細には説明されていない。あるシステムに関して記載されるいくつかの特徴又は要素は、他のシステムに関して記載される特徴又は要素と組み合わされてもよい。明確にするために、同じ又は同様の特徴若しくは要素の説明は、繰り返さない場合がある。

【0034】

本開示は、この点に関して限定されるものではないが、例えば、「処理する」、「計算する」、「決定する」、「分析する」、「確認する」等の用語を利用した説明は、コンピュータ、コンピューティングプラットフォーム、コンピューティングシステム、又は他の電子コンピューティングデバイスの動作及び／又はプロセスを指す場合があり、これらの装置は、コンピュータのレジスタ及び／又はメモリ内の物理（例えば、電子）量として表されるデータを、コンピュータのレジスタ及び／又はメモリ内の物理量として同様に表される他のデータ、若しくは動作及び／又はプロセスを行う命令を保存し得る非一時的保存媒体内の他の情報に操作及び／又は変換する。

【0035】

本開示は、この点に関して限定されるものではないが、本明細書で使用するとき、「複数（ｐｌｕｒａｌｉｔｙ）」及び「複数（ａ ｐｌｕｒａｌｉｔｙ）」は、例えば、「複数（ｍｕｌｔｉｐｌｅ）」又は「２つ以上」を含み得る。「複数（ｐｌｕｒａｌｉｔｙ）」又は「複数（ａ ｐｌｕｒａｌｉｔｙ）」という用語は、２つ以上の構成要素、デバイス、要素、ユニット、パラメータ等を説明するために、本明細書全体を通して使用され得る。本明細書で使用するとき、「セット」という用語は、１つ以上の品目を含み得る。別段の記載がない限り、本明細書に記載される方法は、特定の順番又は順序に限定されるものではない。加えて、記載される方法又はその要素のいくつかは、同時に、同じ時点において、又はともに起こるか、行うことができる。

【0036】

「画像」及び「フレーム」という用語は、各々他方を指すか又は含むことができ、撮像デバイスによる単一の捕捉を指すために本開示では互換的に使用され得る。便宜上、「画像」という用語は、本開示ではより頻繁に使用され得るが、画像への言及はフレームにも適用されるものと理解されるであろう。

【0037】

「分類スコア」又は「スコア」という用語は、本明細書を通して、画像／フレームに適用可能なカテゴリ又はカテゴリのセットについての値又は値のベクトルを示すために使用され得る。様々な実装形態では、１つ以上の分類スコアの値又は値のベクトルは、確率であってもよいか、又は確率を反映してもよい。「分類確率」という用語は、本明細書を通して、分類スコアの、カテゴリのセットの各カテゴリが画像／フレームに適用される確率を反映する値への変換の結果を説明するために使用され得る。分類スコア又は分類確率を提供するモデルは、機械学習システムであってもよいか、又は非機械学習システムであってもよい。様々な実施形態において、モデルは、分類スコアを出力してもよく、分類スコアは、確率であってもよいか、又は分類確率に変換されてもよい。様々な実施形態において、モデルは、分類確率を出力してもよい。本開示の態様は、「分類スコア」という用語又は「分類確率」という用語を使用して説明され得る。「分類スコア」を使用する説明は、「分類確率」にも適用可能であり、逆もまた同様であることが意図される。

【0038】

本明細書で使用される場合、「深層学習ニューラルネットワーク」は、いくつかの隠れ層を有し、特徴選択又は特徴エンジニアリングを必要としないニューラルネットワークを指し、含む。対照的に、「古典的」機械学習システムは、特徴選択又は特徴エンジニアリングを必要とする機械学習システムである。

【0039】

「セリアック病様疾患」という用語は、セリアック病、並びにセリアック病に類似する疾患（例えば、とりわけ、ヒト免疫不全ウイルス、分類不能型免疫不全症、及びクローン病が挙げられるが、これらに限定されない）絨毛萎縮等の絨毛の病態及び／又は形態学的特徴を示す他の疾患を指し、含む。

【0040】

「位置」という用語及びその派生語は、画像に関して本明細書で言及されるとき、画像を捕捉している間のＧＩＴに沿ったカプセルの推定位置、又はＧＩＴに沿って画像内に示されるＧＩＴの一部分の推定位置を指し得る。

【0041】

ＣＥ処置の種類は、とりわけ、関心対象の部分であり、かつ撮像されるＧＩＴの部分（例えば、結腸若しくは小腸（「ＳＢ」））に基づいて、又は（例えば、クローン病等のＧＩ疾患のステータスをチェックするため、あるいは結腸がんのスクリーニングのための）特定の使用に基づいて判定されてもよい。

【0042】

「周囲の」又は「隣接する」という用語は、本明細書では画像（例えば、別の画像／複数枚の画像を取り囲む画像、若しくは他の画像／複数枚の画像に隣接する画像）に関して言及されるとき、特に指示がない限り、空間的及び／又は時間的特性に関係し得る。例えば、他の画像を取り囲むか又はそれらに隣接する画像は、ＧＩＴに沿って他の画像によって捕捉された他の部位を捕捉すると推定される画像、及び／若しくは特定の閾値内、例えば、１ｃｍ、又は２ｃｍ以内、若しくは１秒、５秒、あるいは１０秒以内の別の画像の捕捉時間の付近で捕捉された画像であってもよい。

【0043】

「ＧＩＴ」及び「ＧＩＴの一部分」という用語は、それらの文脈に従って、各々他方を指すか、又は他方を含んでもよい。したがって、「ＧＩＴの一部分」という用語はまた、ＧＩＴ全体を指してもよく、「ＧＩＴ」という用語はまた、ＧＩＴの一部分のみを指してもよい。

【0044】

「小腸の近位部分」という用語は、小腸の近位部分の物理的長さが小腸の物理的長さの半分未満であるような、小腸の始まりから小腸の中間点の前の点までの小腸の一部分を指し、含む。

【0045】

図１を参照すると、ＧＩＴ１００の図が示されている。ＧＩＴ１００は、ヒト及び他の動物内の器官系である。ＧＩＴ１００は、一般に、食物を取り込むための口１０２、唾液を生成するための唾液腺１０４、収縮によって補助されて食物が通過する食道１０６、食物の消化を補助するための酵素及び胃酸を分泌するための胃１０８、肝臓１１０、胆嚢１１２、膵臓１１４、栄養素を吸収するための小腸（ｓｍａｌｌ ｉｎｔｅｓｔｉｎｅ）（例えば、ＳＢ）４００、並びに水及び排便の前に排泄物を糞便として貯蔵するための結腸１１６（例えば、大腸）を含む。結腸１１６は一般に、虫垂１１７、直腸１１９、及び肛門１２１を含む。口から取り込まれた食物は、ＧＩＴによって消化されて栄養素を取り込み、残りの老廃物は肛門１２１から糞便として排出される。

【0046】

ＧＩＴ１００の異なる部分、例えば、ＳＢ４００、結腸１１６、食道１０６、及び／又は胃１０８の調査は、好適なユーザインターフェースを介して提示され得る。上記のように、「調査」という用語は、特定の患者及び特定の時間に対して実行される単一のＣＥ処置中に、ＣＥ撮像デバイス（例えば、図２の２１２）によって捕捉された画像から選択される画像の少なくともセットを指し、かつ含み、任意選択的に、画像以外の情報も含むことができる。実行される処置の種類は、ＧＩＴ１００のどの部分が関心部分であるかを決定することができる。実行される処置の種類の例としては、限定されないが、処置、結腸処置、ＳＢ及び結腸処置、ＳＢを特異的に呈する若しくは確認することを目的とする処置、結腸を特異的に呈する若しくは確認することを目的とする処置、結腸及びＳＢを特異的に呈する若しくは確認することを目的とする処置、又はＧＩＴ全体：食道、胃、ＳＢ、及び結腸を呈する若しくは確認するための処置が挙げられる。

【0047】

図２は、ＣＥ処置を介して生体内で捕捉された医用画像を分析するための例示的なシステムのブロック図を示す。システムは、概して、ＧＩＴの画像を取り込むように構成されたカプセルシステム２１０、及び捕捉された画像を処理するように構成されたコンピューティングシステム３００（例えば、ローカルシステム及び／又はクラウドシステム）を含む。

【0048】

カプセルシステム２１０は、ＣＥ撮像デバイス２１２がＧＩＴを通って移動するときにＧＩＴの画像を捕捉するように構成された嚥下式ＣＥ撮像デバイス２１２（例えば、カプセル）を含むことができる。画像は、ＣＥ撮像デバイス２１２に記憶されてもよく、かつ／又は典型的にはアンテナを含む受信デバイス２１４に送信されてもよい。いくつかのカプセルシステム２１０では、受信デバイス２１４は、ＣＥ撮像デバイス２１２を飲み込んだ患者上に配置されてもよく、例えば、患者によって着用されるベルト又は患者に固定されるパッチの形態をとってもよい。

【0049】

カプセルシステム２１０は、コンピューティングシステム３００と通信可能に結合されてもよく、捕捉された画像をコンピューティングシステム３００に通信することができる。コンピューティングシステム３００は、他の技術の中でもとりわけ、画像処理技術、機械学習技術、及び／又は信号処理技術を使用して、受信された画像を処理し得る。コンピューティングシステム３００は、患者及び／又は患者の治療施設にとってローカルなローカルコンピューティングデバイス、クラウドサービスによって提供されるクラウドコンピューティングプラットフォーム、又はローカルコンピューティングデバイスとクラウドコンピューティングプラットフォームとの組み合わせを含むことができる。

【0050】

コンピューティングシステム３００がクラウドコンピューティングプラットフォームを含む場合、カプセルシステム２１０によって捕捉された画像は、処置中に、クラウドコンピューティングプラットフォームにオンラインで送信され得る。様々な実施形態では、画像は、患者によって装着又は携行される受信デバイス２１４を介して伝送されることができる。様々な実施形態では、画像は、患者のスマートフォンを介して、又はインターネットに接続され、ＣＥ撮像デバイス２１２又は受信デバイス２１４と結合され得る任意の他のデバイスを介して伝送されることができる。

【0051】

図３は、本開示の画像分析システムとともに使用され得る例示的なコンピューティングシステム３００の高レベルブロック図を示す。コンピューティングシステム３００は、例えば、１つ以上の中央処理装置プロセッサ（ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ、ＣＰＵ）、１つ以上のグラフィック処理装置（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、ＧＰＵ若しくはＧＰＧＰＵ）、チップあるいは任意の好適なコンピューティング又は計算デバイス、オペレーティングシステム２１５、メモリ３２０、記憶装置３３０、入力デバイス３３５、及び出力デバイス３４０であり得るか、若しくはこれらを含み得る、プロセッサ又はコントローラ３０５を含んでもよい。ＣＥ撮像デバイス２１２（図２）が収集した医用画像を表示するために収集又は受信（例えば、患者が装着した受信機）若しくは表示あるいは選択するモジュール又は機器（例えば、ワークステーション）は、図３に示されるコンピューティングシステム３００であってもよく、若しくはそれを含んでもよく、あるいはそれによって実行されてもよい。コンピューティングシステム３００の通信構成要素３２２は、例えば、インターネット若しくは別のネットワークを介して、無線を介して、又はファイル転送プロトコル（Ｆｉｌｅ Ｔｒａｎｓｆｅｒ Ｐｒｏｔｏｃｏｌ、ＦＴＰ）等の好適なネットワークプロトコルを介して、遠隔又は外部デバイスとの通信を可能にし得る。

【0052】

コンピューティングシステム３００は、コンピューティングシステム３００の動作の調整、スケジューリング、調停、監督、制御、又は管理、例えばプログラムの実行のスケジューリングを含むタスクを実行するように設計及び／又は構成された任意のコード区分であり得る、又は含み得るオペレーティングシステム３１５を含む。メモリ３２０は、例えば、ランダムアクセスメモリ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、ＲＡＭ）、読み出し専用メモリ（ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ、ＲＯＭ）、ダイナミックＲＡＭ（Ｄｙｎａｍｉｃ ＲＡＭ、ＤＲＡＭ）、シンクロナスＤＲＡＭ（Ｓｙｎｃｈｒｏｎｏｕｓ ＤＲＡＭ、ＳＤ－ＲＡＭ）、ダブルデータレート（ｄｏｕｂｌｅ ｄａｔａ ｒａｔｅ、ＤＤＲ）メモリチップ、フラッシュメモリ、揮発性メモリ、不揮発性メモリ、キャッシュメモリ、バッファ、短期メモリ装置、長期メモリ装置、又は他の好適なメモリ装置若しくは記憶装置であってもよいし、あるいはそれらを含んでもよい。メモリ３２０は、複数のメモリ装置、場合によっては異なるメモリ装置であってもよいし、又はそれらを含んでもよい。メモリ３２０は、例えば、方法（例えば、実行可能コード３２５）を実行するための命令、及び／又はユーザ応答、割り込み等のデータを保存してもよい。

【0053】

実行可能コード３２５は、任意の実行可能コード、例えば、アプリケーション、プログラム、プロセス、タスク、又はスクリプトであってもよい。実行可能コード３２５は、場合によってはオペレーティングシステム３１５の制御下で、コントローラ３０５によって実行されてもよい。例えば、実行可能コード３２５が実行されると、本明細書に記載されるような医用画像の表示のために表示又は選択させてもよい。いくつかのシステムでは、２つ以上のコンピューティングシステム３００又はコンピューティングシステム３００の構成要素は、本明細書に記載される複数の機能に使用されてもよい。本明細書に記載される様々なモジュール及び機能のために、１つ以上のコンピューティングシステム３００又はコンピューティングシステム３００の構成要素を使用してもよい。コンピューティングシステム３００に含まれる構成要素と同様又は異なる構成要素を含むデバイスを使用してもよく、ネットワークに接続され、システムとして使用されてもよい。１つ以上のプロセッサ３０５は、例えば、ソフトウェア又はコードを実行することによって、本発明の実施形態を実行するように構成されてもよい。記憶装置３３０は、例えば、ハードディスクドライブ、フロッピー（登録商標）ディスクドライブ、コンパクトディスク（Ｃｏｍｐａｃｔ Ｄｉｓｋ、ＣＤ）ドライブ、書き込み可能なＣＤ（ＣＤ－Ｒｅｃｏｒｄａｂｌｅ、ＣＤ－Ｒ）ドライブ、ユニバーサルシリアルバス（ｕｎｉｖｅｒｓａｌ ｓｅｒｉａｌ ｂｕｓ、ＵＳＢ）デバイス、又は他の好適な取り外し可能及び／若しくは固定記憶装置であってもよいし、あるいはそれらを含んでもよい。命令、コード、医用画像、画像ストリーム等のデータは、記憶装置３３０に保存されてもよく、記憶装置３３０からメモリ３２０にロードされてもよく、コントローラ３０５によって処理されてもよい。いくつかの実施形態では、図３に示す構成要素のいくつかを省略してもよい。

【0054】

入力デバイス３３５は、例えば、マウス、キーボード、タッチスクリーン若しくはパッド、又は任意の好適な入力デバイスであってもよいし、あるいはそれらを含んでもよい。任意の好適な数の入力デバイスがコンピューティングシステム３００に動作可能に接続され得ることが認識されるであろう。出力デバイス３４０は、１つ以上のモニタ、スクリーン、表示装置、スピーカ、及び／又は任意の他の好適な出力デバイスを含んでもよい。ブロック３４０で示すように、任意の好適な数の出力デバイスがコンピューティングシステム３００に動作可能に接続され得ることが認識されるであろう。任意の適用可能な入力／出力（ｉｎｐｕｔ／ｏｕｔｐｕｔ、Ｉ／Ｏ）デバイスは、コンピューティングシステム３００、例えば、有線又は無線ネットワークインターフェースカード（ｎｅｔｗｏｒｋ ｉｎｔｅｒｆａｃｅ ｃａｒｄ、ＮＩＣ）、モデム、プリンタ、若しくはファクシミリ装置に接続されてもよく、ユニバーサルシリアルバス（ＵＳＢ）デバイス、あるいは外部ハードドライブは、入力デバイス３３５及び／又は出力デバイス３４０に含まれてもよい。

【0055】

図３に示される構成要素の一部又は全てを含む複数のコンピュータシステム３００が、説明されるシステム及び方法とともに使用され得る。例えば、ＣＥ撮像デバイス２１２、受信機、クラウドベースのシステム、及び／又は画像を表示するためのワークステーション若しくはポータブルコンピューティングデバイスは、図３のコンピュータシステムの構成要素の一部又は全てを含むことができる。図３のコンピューティングシステム３００のような構成要素を含むクラウドプラットフォーム（例えば、リモートサーバ）は、画像及びメタデータ等の処置データを受信し、調査を処理並びに生成してもよく、また、医者のレビューのために（例えば、ワークステーション又はポータブルコンピュータ上で実行されるウェブブラウザ上に）表示してもよい。「オンプレミス」オプションでは、画像及び／又は調査を保存、処理、及び表示するために、医療施設のワークステーション又はローカルサーバを使用してもよい。

【0056】

本開示のいくつかの実施形態によれば、ユーザ、例えば、医師は、対象となり得る画像として、例えば、自動的に選択された（例えば、ＣＥ撮像デバイス２１２が捕捉した）画像の表示を含む調査をレビューすることによって、症例の理解を構築してもよい。

【0057】

図４を参照すると、ＳＢ４００（例えば、小腸／小腸（ｓｍａｌｌ ｉｎｔｅｓｔｉｎｅ））の図が示されている。ＳＢ４００は栄養素を吸収し、消化を助けるために胆汁及び膵液を受け取る。ＳＢ４００は、例えば、３つの解剖学的セグメント：十二指腸４０２、空腸４０４、及び回腸４０６に分割されてもよい。

【0058】

十二指腸４０２（例えば、近位腸）は、ＳＢ４００の第１のセクションである。十二指腸４０２は、典型的には、ＳＢ４００の全長（すなわち、物理的長さ）の約５％である。十二指腸４０２は、胃１０８（図１）を空腸４０４に接続し、肝臓／胆嚢からの胆汁を受け取り、膵臓からの消化酵素を含む膵液を受け取る。十二指腸内の食物は胆汁及び消化液と混合する。十二指腸内４０２は、十二指腸球部４０１から始まり、十二指腸の懸垂筋４０３で終わる。

【0059】

小腸４００の内面は、絨毛１００２と呼ばれる粘膜の小指様突起で覆われている（図１０）。絨毛１００２（図１０）は、例えば、消化によって産生されたアミノ酸及びグルコースを肝門静脈及び肝臓（図示せず）に取り込む多数の毛細血管を含む。絨毛は、小腸４００全体にわたって位置し、消化された栄養素の吸収のための表面積を増加させるために、小腸壁の内部表面積を増加させるように作用する。

【0060】

空腸４０４は、ＳＢ４００の第２の部分である。空腸４０４の内層は、十二指腸４０２内の酵素によって予め消化された小さな栄養素分子の腸細胞による吸収に特化されている。空腸４０４と回腸４０６との間の区分は、解剖学的に明確ではない。

【0061】

回腸４０６（例えば、遠位腸）は、ＳＢ４００の最終セクションであり、回腸４０６の遠位解剖学的構造は、末端回腸と称され得る。回腸４０６は、ビタミンＢ１２、胆汁塩、及び空腸４０４によって吸収されなかったあらゆる消化産物を吸収する。回腸４０６は、十二指腸４０２及び空腸４０４に続き、末端回腸は、回盲弁（図示せず）によって盲腸（図示せず）から分離される。

【0062】

概して、セリアック病様疾患の検出は、例えば、ＣＥ撮像デバイス（例えば、図２の２１２）によって捕捉された画像に基づいて実行されてもよい。そのような画像の処理は、例えば、ニューラルネットワーク、深層学習ニューラルネットワーク、及び／又は古典的機械学習システムを含む機械学習技法に基づいて実行されてもよい。ニューラルネットワークの例を図５及び図６に関連して説明し、古典的な機械学習システムの例を以下に説明する。ここでは、処理が、他の指標の中でも、特定の病態（例えば、絨毛萎縮）及び／又は小腸粘膜の形態学的特徴（例えば、モザイクパターン、波状弯入）等のセリアック病様疾患の指標を含む画像を識別するように動作し得ることに留意することで十分である。

【0063】

セリアック病は、ＳＢ４００に影響を及ぼす障害である。セリアック病は、コムギにおいてしばしば見出されるタンパク質群であるグルテンに対する反応によって引き起こされてもよい。診断は、典型的には、抗体検査及び腸生検の組み合わせによって行われる。セリアック病は、例えば、粘膜の波状弯入（図７Ａ）、粘膜のモザイクパターン化（図７Ｂ）、及び／又は絨毛萎縮（図７Ｃ及び図１０Ｂ）を含む、ＳＢ４００の部分上の様々な病態及び形態によって特徴付けられてもよい。絨毛萎縮は、絨毛が侵食されて、正常な絨毛によって提供される表面積よりも実質的に小さい、栄養素の吸収のための表面積が残る場合に起こる。粘膜の波状弯入及びモザイクパターン化は、絨毛萎縮が顕著になると現れ得る視覚的特徴である。当業者は、絨毛萎縮並びに粘膜の波状弯入及びモザイクパターン化を理解するであろう。

【0064】

図５を参照すると、本開示の態様による、画像を分類するための畳み込みニューラルネットワーク５００のブロック図が示されている。いくつかのシステムでは、畳み込みニューラルネットワーク５００（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ、「ＣＮＮ」）は、（図６に示されるような）深層学習ニューラルネットワークであってもよい。以下でより詳細に説明するように、畳み込みニューラルネットワーク５００は、ＣＥ撮像デバイス（例えば、図２の２１２）によって撮影された１つ以上の画像についての分類スコア又は確率を出力するように動作してもよい。様々な方法では、絨毛萎縮画像を使用して訓練されたＣＮＮ、波状弯入画像を使用して訓練された別個のＣＮＮ、及び／又はモザイクパターン化画像を使用して訓練された別個のＣＮＮ等、２つ以上のＣＮＮが使用されてもよい。様々な方法において、ＣＮＮは、絨毛萎縮画像、波状弯入画像、及びモザイクパターン化画像を使用して訓練されてもよい。他の変形形態は、本開示の範囲内にあることが企図されている。畳み込みニューラルネットワーク５００は、コンピューティングシステム３００（図３）等のコンピュータシステム上で実行され得る。当業者は、畳み込みニューラルネットワーク５００及びそれを実装する方法を理解し、いくつかの詳細が以下で説明される。

【0065】

機械学習において、ＣＮＮは、視覚イメージの分析に最も一般的に適用される人工ニューラルネットワーク（ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ、ＡＮＮ）のクラスである。ＣＮＮの畳み込み態様は、画像の局所化された部分に行列処理演算を適用することに関し、それらの演算の結果（何十もの異なる並列及び連続計算を伴い得る）は、次の層に送達される多くの特徴のセットである。ＣＮＮは、典型的には、あまりに多くの特徴を失うことなく次元を低減するために、畳み込み層、活性化関数層、及びプーリング（典型的には最大プーリング）層を含む。これらの特徴を生成する動作に追加の情報を含めてもよい。ニューラルネットワーク情報を与える特徴をもたらす固有の情報を提供することは、ニューラルネットワークへの異なるデータ入力を区別する集約方法を最終的に提供するために使用されることができる。

【0066】

図６を参照すると、深層学習ニューラルネットワークとして実装された畳み込みニューラルネットワークは、入力層５１０、複数の隠れ層５２６、及び出力層５２０を含んでもよい。入力層５１０、複数の隠れ層５２６、及び出力層５２０は全て、ニューロン５２２（例えば、ノード）から構成されている。様々な層間のニューロン５２２は、重み５２４を介して相互接続される。深層学習ニューラルネットワーク内の各ニューロン５２２は、前の層から来る入力値に特定の関数を適用することによって、出力値を計算する。入力値に適用される関数は、重みのベクトル５２４及び／又はバイアスに基づく。深層学習ニューラルネットワークにおける学習は、これらのバイアス及び／又は重みに対して反復調整を行うことによって進行する。重みのベクトル５２４及びバイアスは、フィルタ（例えば、カーネル）と呼ばれることがあり、入力の特定の特徴（例えば、特定の形状）を表すことがある。深層学習ニューラルネットワークは、ロジットを出力してもよい。とりわけ、ＭｏｂｉｌｅＮｅｔ、Ｉｎｃｅｐｔｉｏｎ、及びＩｎｃｅｐｔｉｏｎＲｅｓｎｅｔを含む、様々なタイプの深層学習ニューラルネットワークが使用され得る。

【0067】

再び図５を参照すると、畳み込みニューラルネットワーク５００は、ラベル付けされた訓練画像及び／又は訓練画像中のオブジェクトに基づいて訓練され得る。例えば、画像は、粘膜の波状弯入を含む、かつ／又は絨毛萎縮を含むものとしてラベル付けされてもよい。そのような方法では、本開示によれば、ラベル付けされた画像を使用する訓練は、教師あり学習と呼ばれ得る。訓練は、他の変形形態の中でも、ノイズを追加すること、色を変更すること、訓練画像の部分を隠すこと、訓練画像のスケーリング、訓練画像を回転させること、及び／又は訓練画像を拡張することを更に含み得る。当業者は、畳み込みニューラルネットワーク５００を訓練すること及びそれをどのように実装するかを理解するであろう。

【0068】

本開示によるいくつかの方法では、畳み込みニューラルネットワーク５００は、ＣＥ撮像デバイス２１２（図２参照）によって捕捉された画像５０２についての１つ以上の分類スコア又は確率５０６を提供してもよい。分類スコアの場合、スコアが例えばＳｏｆｔＭａｘ関数を使用してスケーリングされる場合、結果として得られる分類確率は、画像５０２がセリアック病様疾患の存在を示す指標を含む確率等の確率を示すことができる。例えば、分類スコア／確率５０６は、粘膜の波状弯入を含む画像のスコア／確率、粘膜のモザイクパターン化を含む画像のスコア／確率、及び／又は絨毛萎縮を含む画像のスコア／確率を含んでもよい。様々な実施形態では、分類スコア／確率５０６は、出力が確率を表すようにするためにＳｏｆｔＭａｘ等の関数を適用した後の深層学習ニューラルネットワーク（例えば、図６）の出力（例えば、ロジット）であり得る。

【0069】

図５及び図６に関連して説明される態様及び実施形態は例示であり、変形形態は、本開示の範囲内にあることが企図されている。例えば、本開示の態様によれば、古典的機械学習システムは、深層学習ニューラルネットワークと協働して、又は深層学習ニューラルネットワークの代わりに使用され得る。上述したように、「古典的機械学習システム」という用語は、機械学習システムへの入力のために特徴選択及び／又は特徴エンジニアリングを必要とする機械学習システムを指し、含む。対照的に、深層学習ニューラルネットワークは、特徴エンジニアリング又は特徴選択を必要としない機械学習システムの一例である。様々な実施形態では、古典的機械学習システムは、線形ロジスティック回帰及び／若しくはサポートベクターマシン、又は当業者が理解するであろう他の古典的機械学習技法を利用してもよい。

【0070】

上述したように、畳み込みニューラルネットワーク（例えば、図５の５００）を訓練するための入力画像は、健康な小腸の画像、並びに病態及び／又は形態学的特徴等のセリアック病様疾患の指標を含む画像を含み得る。図７Ａは、粘膜の波状弯入の例示的な画像である。粘膜の波状弯入は、セリアック病様疾患を示す形態であり得る。図７Ｂは、粘膜のモザイクパターン化の例示的な画像である。セリアック病様疾患において、小腸粘膜の表面パターンは、モザイク様パターンを発達させる。粘膜のモザイクパターン化は、セリアック病様疾患を示す形態であり得る。図７Ｃは、ＳＢ粘膜の絨毛萎縮の例示的な画像である。図８Ａ及び図８Ｂは、正常な絨毛８０２及び萎縮した絨毛８０４のグラフィック表示である。正常な絨毛８０２は、例えば、消化によって産生されるアミノ酸及びグルコースを吸収する多数の毛細血管を含む。絨毛萎縮は、図８Ｂに示されるように、絨毛が侵食され、栄養素の吸収のための表面積の量を顕著に低減させる場合に生じる。粘膜の絨毛萎縮は、セリアック病様疾患を示す病態であり得る。図７Ａ～図７Ｃに示される例示的な画像等の画像は、ラベル付けされ、古典的機械学習システム、畳み込みニューラルネットワーク、及び／又は深層学習ニューラルネットワーク等の機械学習システムを訓練するために使用されてもよく、その結果、これらのような画像は、図７Ａ～図７Ｃに示される病態及び／又は粘膜形態学的特徴を含むものとして分類され得る。

【0071】

図９のフロー図は、セリアック病様疾患の病態及び／又は形態学的特徴を含む画像等のセリアック病様疾患の指標を含む画像を識別するためのコンピュータ実装方法を示す。識別された画像は、患者がセリアック様疾患を有するかどうかを評価し、診断するために医師に提示される調査に含まれ得る。本開示の範囲から逸脱することなく、方法の１つ以上の動作が異なる順序で実行され、繰り返され、かつ／又は省略され得ることを、当業者は諒解されよう。他の変形形態は、本開示の範囲内にあることが企図されている。図９の動作は、ＣＥ処置を介して生体内で捕捉された医用画像を分析するコンピューティングシステム、例えばコンピューティングシステム３００（図２及び図３）によって実装することができる。図示された動作は、他のシステム及びその構成要素によっても同様に実装され得ることが理解されるであろう。

【0072】

最初に、ステップ９０２において、動作は、ＣＥデバイスによって捕捉された小腸の連続画像セット（例えば、時系列画像）にアクセスすることを含む。ＧＩＴの画像のストリームから小腸の画像を識別するための技法は、２０２０年５月１日に出願された同時係属中の米国特許出願第６３／０１８，８９０号に説明されており、その全体が参照により本明細書に組み込まれる。ステップ９０２でアクセスされる小腸画像を提供するために、そのような技法、及び当業者が認識するであろう他の技法を使用することができる。

【0073】

次に、ステップ９０５において、動作は、小腸画像９０２の連続セットの画像ごとに、粘膜９０６の波状弯入、粘膜９０７のモザイクパターン、及び／又は絨毛萎縮９０８を含む、画像が様々なセリアック指標を含む範囲／確率を示す、１つ以上の分類スコア／確率を提供することによって、セリアック病様疾患の指標を検出することを含む。指標の検出は、１つ以上の畳み込みニューラルネットワーク（例えば、図５）、深層学習ニューラルネットワーク（例えば、図６）、又はセリアック病様疾患の１つ以上の指標を検出するように構成された任意の好適な機械学習システム若しくはアルゴリズム（例えば、古典的機械学習）によって出力された分類スコア／確率に基づいて実行されてもよい。例えば、上述したように、ＣＮＮは、絨毛萎縮画像及び絨毛萎縮を含まない画像を使用して訓練されてもよく、別個のＣＮＮは、波状弯入画像及び波状弯入を含まない画像を使用して訓練されてもよく、かつ／又は別個のＣＮＮは、モザイクパターン化画像及びモザイクパターン化を含まない画像を使用して訓練されてもよい。様々な方法において、ＣＮＮは、例えば、絨毛萎縮画像、波状弯入画像、及び／又はモザイクパターン化画像を使用して訓練されてもよく、そのようなＣＮＮは、画像が、波状弯入、モザイクパターン化、絨毛萎縮、及び／又は全てについて陰性（すなわち、波状弯入、モザイクパターン化、及び絨毛萎縮について陰性）のうちの２つ以上の分類カテゴリを含む確率を示す分類スコア／確率を提供してもよい。他の変形形態は、本開示の範囲内にあることが企図されている。ステップ９０５の検出は例示的なものであり、粘膜の他の病態及び／又は形態学的特徴が検出されてもよい。

【0074】

様々な実施形態では、指標９０６～９０８の全てが検出されなくてもよく、その結果、指標９０６～９０８のうちの１つ又は２つのみが検出されてもよい。様々な態様では、ステップ９０５において指標を検出するのではなく、ステップ９０５は、代わりに、画像９０２についての分類スコア／確率にアクセスしてもよい。例えば、画像は、図９の動作の前に前処理されてもよい。前処理は、上記で説明したように、分類スコア／確率を出力してもよく、１つ以上の分類スコア／確率を画像に関連付けてもよい。このような分類スコア／確率は、図９の動作によってアクセスすることができる。

【0075】

分類スコア／確率は、ステップ９１４において利用され、これについては本明細書において後でより詳細に説明する。

【0076】

上記で説明されるように、ＳＢの近位部分は、小腸の近位部分の物理的長さが小腸の長さの半分未満であるような、小腸の始まりから小腸の中間点の前の点までの小腸の一部分を指し、含む。本明細書で使用される場合、小腸の「残りの部分」は、小腸の近位部分以外の小腸の部分を指す。したがって、ＳＢの残りの部分の物理的長さは、ＳＢの近位部分の長さよりも長くなる。

【0077】

ステップ９１２を参照すると、動作は、アクセスされた小腸画像を２つのグループ：ＳＢの近位部分の画像、及びＳＢの残りの部分の画像に分割することを含む。例えば、ＳＢの近位部分は、２０パーセント（２０％）又は別のパーセンテージ等、ＳＢの長さの所定のパーセンテージであり得る。ＳＢの近位部分がＳＢの長さの２０％である場合、ＳＢの残りの部分はＳＢの長さの８０％である。態様では、ＳＢの近位部分は、概して、ＳＢの約５パーセント（５％）である十二指腸等のＳＢの解剖学的部分であってもよい。態様では、ＳＢの近位部分は、十二指腸及び空腸の一部分及び／又は空腸全体を含んでもよい。当業者は、小腸の画像のストリームから小腸の近位部分の画像を識別するための様々な技法を認識するであろう。例えば、画像間のカプセル内視鏡デバイスの移動量を決定又は推定するために、小腸の画像に対して運動分析を実行することができる。運動分析は、小腸画像のストリームを小腸の物理的長さにマッピングすることができ、それによって、小腸の特定の部分の画像の選択を可能にする。小腸の画像を、小腸の異なる部分を表す２つ以上のグループに分割するための他の技法も、本開示の範囲内であると企図されている。例えば、他の技法は、とりわけ、部分間の解剖学的に別個の遷移を識別すること、又は各部分の相対的長さの知識に基づいて、カプセルによって横断される相対的な小腸長さを推定することを含んでもよい。

【0078】

ステップ９１４において、動作は、ステップ９０５及び９１２の結果に基づいて、アクセスされた画像のうちのいくつかを選択することを含む。ステップ９１２の動作は、上記で説明したステップ９０５の動作の前に、それと並行して、又はその後に実行されてもよい。ステップ９１４は、様々な実施形態によって実施することができ、いくつかの実施形態を以下で説明する。特定の実施形態又は実施形態の組み合わせに応じて、ステップ９１４の部分は、ステップ９０５の部分又はステップ９１２の部分と並行して実行されてもよい。

【0079】

本開示の態様によれば、ステップ９１４の動作の様々な実施形態において、動作は、画像スコア及び／又は割当量の閾値に基づいて、小腸画像を選択することができる。例えば、画像が、１つ以上の閾値を超える波状弯入スコア／確率、モザイクパターン化スコア／確率、及び／又は絨毛萎縮スコア／確率を有する場合、画像を選択することができる。様々な実施形態において、これらのスコア／確率のうちの少なくとも１つがその画像を選択するための閾値を満たす場合、画像を選択することができる。複数の閾値の例として、波状弯入スコア／確率が第１の閾値よりも大きく、同時にモザイクパターン化スコア／確率が第２の閾値よりも大きい場合、画像を選択することができる。様々な実施形態では、波状弯入スコア／確率、モザイクパターン化スコア／確率、及び絨毛萎縮スコア／確率の各々は、画像が選択されるために満たされなければならない別個の閾値を有することができる。

【0080】

様々な実施形態において、画像は、分離閾値に従って選択されてもよい。例えば、分離閾値は、画像が既に選択された画像から分離閾値未満だけ分離されている場合に、その画像が選択されることを防止してもよい。分離閾値は、リーダの考慮のために選択された画像を多様化し、疾患指標の同じインスタンスを示す選択された画像又は複数の選択された画像の発生を低減するように動作する。

【0081】

様々な実施形態において、画像は、割当量に従って選択されてもよい。上述したように、選択された画像は、リーダによってレビューされる調査に含まれる。あまりに多くの画像をリーダに提示すると、リーダは焦点を失い、画像内の情報を見逃す可能性がある。本開示の態様によれば、ステップ９１４の動作は、割当量が満たされるまで画像を選択してもよい。

【0082】

様々な実施形態において、ステップ９１４の動作は、ステップ９１２において小腸の近位部分内にあると識別された画像の中から画像を選択することができる。セリアック病様疾患等の小腸の疾患は、通常、小腸の近位部分で始まる。したがって、小腸がセリアック病様疾患を有する場合、小腸の近位部分にある画像は、セリアック病様疾患の指標を示す可能性がより高い。様々な実施形態では、小腸の近位部分の画像は、本明細書で上記に説明される基準のうちの１つ以上等の様々な基準に基づいて選択されることができる。

【0083】

本開示の態様によれば、ステップ９１４の動作は、小腸の近位部分にわたって離間された画像等の、ＳＢの近位部分を表す画像を選択することができる。様々な実施形態では、選択された画像は、ＳＢの近位部分にわたって均等に離間されてもよいか、又はＳＢの近位部分にわたって不均等に離間されてもよい。例えば、上述したように、運動分析は、小腸画像のストリームを小腸の物理的長さにマッピングすることができる。そのようなマッピングは、小腸の近位部分を表す画像を選択するために使用されることができる。そのような画像の選択は、小腸の近位部分にわたる画像のサンプリングをリーダに提供して、医師が患者を診断し、セリアック病様疾患の初期段階であっても、その疾患の指標を識別又は見つけるのを支援する。

【0084】

様々な実施形態では、ステップ９１４の動作は、小腸の近位部分のための画像を選択することができ、小腸の残りの部分のための画像を選択することができる。例えば、第１のルールセットは、ＳＢの近位部分の画像を選択するために使用されることができ、第２のルールセットは、ＳＢの少なくとも残りの部分の画像を選択するために使用されることができ、第１のセット又はルール及び第２のルールセットは、互いに異なる。より一般的には、第１のルールセットは、ＳＢの第１の部分の画像を選択するために使用されることができ、第２のルールセットは、ＳＢの第２の部分の画像を選択するために使用されることができ、第１のセット又はルール及び第２のルールセットは、互いに異なる。第１のルールセット及び第２のルールセットは、図９のブロック９１４に関連して開示された様々な実施形態及び態様を利用することができる。他の変形形態は、本開示の範囲内にあることが企図されている。

【0085】

小腸の近位部分を表す画像を選択するための動作の一例を図１０に示す。図１０の動作は例示的なものであり、任意選択的であってもよい。図１０のステップ１０２０～１０５０の各々は、任意選択的であってもよい。図１０を参照すると、ブロック１０１０において、動作は、小腸の近位部分にわたって離間された画像を選択することを伴う。様々な実施形態では、離間された画像は、均等に離間されるか、又は略均等に離間され得る。ブロック１０２０において、動作は、離間された画像ごとに、所定の数の画像、例えば、１０個の画像又は別の数の画像のグルーピング等、画像を取り囲む画像のグルーピングを選択することを伴ってもよい。ブロック１０３０において、動作は、任意選択的に、画像のグルーピングごとに、不明瞭な小腸組織を有するグルーピング内の画像を選択解除することを伴ってもよい。様々な実施形態では、深層学習ニューラルネットワーク（例えば、図６）等の機械学習アルゴリズムが、気泡又は他のコンテンツを含む画像を識別するために使用され得る。当業者は、そのようなニューラルネットワークをどのように訓練し実装するかを理解するであろう。そのような機械学習技法は、不明瞭な小腸組織を伴う画像を識別するために使用され得る。次いで、そのような画像が選択解除されてもよい。ブロック１０４０において、動作は、画像のグルーピングごとに、本明細書で上述したように、粘膜の波状弯入を含む画像のスコア／確率、粘膜のモザイクパターン化を含む画像のスコア／確率、及び／又は絨毛萎縮を含む画像のスコア／確率等の分類スコア／確率に基づいて、残りの画像のうちの少なくとも１つを選択することを伴ってもよい。ブロック１０５０において、動作は、任意選択的に、調査内の各グループから選択された画像を含むことができる。図１０の動作は例示であり、変形形態は、本開示の範囲内にあることが企図されている。

【0086】

再び図９を参照すると、ステップ９１４に関連して上述した態様及び実施形態は、様々な方法で組み合わせることができる。例えば、特定の実施形態は、スコア／確率閾値、分離閾値、割当量、ＳＢの近位部分に対する割当量、ＳＢの残りの部分に対する割当量、ＳＢの近位部分に対する離間された選択（例えば、図１０）、ＳＢの残りの部分に対する離間された選択、及び／又はＳＢ全体に対する離間された選択のうちの１つ以上を適用することができる。ステップ９１４の動作の２つの特定の実施形態が、図１１及び図１２に関連して以下で説明される。いずれの実施形態又は実施形態の組み合わせがステップ９１４に対して実装されても、ステップ９１４によって選択された画像は、図９のステップ９１６に示されるように、リーダに提示される調査に含まれてもよい。

【0087】

図１１は、図９の画像選択プロセスの例示的な動作を示す。上記で説明した図９の画像選択プロセス（例えば、ブロック９１４）の態様は、図１１の動作に適用可能である。ブロック１１１０において、動作は、小腸の近位部分の画像にアクセスすることを伴う。ブロック１１２０において、動作は、小腸の近位部分を表す画像を選択することを伴う。そのような画像は、小腸の近位部分のカバレッジを提供してもよい。例えば、画像は、小腸の近位部分にわたって均等に離間されてもよいか、又は小腸の近位部分にわたって不均等に離間されてもよい。ブロック１１３０において、動作は、小腸の全長にわたる画像であってもよい、小腸の少なくとも残りの部分の画像にアクセスすることを伴う。ブロック１１４０において、動作は、分類スコア／確率に基づいて、ＳＢの少なくとも残りの部分の画像の中から選択することを伴う。様々な実施形態では、ブロック１１４０の選択は、図９のブロック９１４に関連して説明される１つ以上の基準等の他の基準を適用することができる。ブロック１１５０において、動作は、ブロック１１２０で選択された画像及びブロック１１４０で選択された画像を、リーダに提示される調査に含めることを伴う。図１１の動作は、図３のコンピューティングシステム等のコンピューティングシステムによって実装することができる。

【0088】

図１２は、図９の画像選択プロセスの別の例示的な動作を示す。上記で説明した図９の画像選択プロセス（例えば、ブロック９１４）の態様は、図１２の動作に適用可能である。ブロック１２１０において、動作は、小腸の近位部分の画像にアクセスすることを伴う。ブロック１２２０において、動作は、より限定的でない／より選択的でないルールのセットに基づいて、ＳＢの近位部分の画像の中から画像を選択することを伴う。ブロック１２３０において、動作は、小腸の残りの部分の画像にアクセスすることを伴う。ブロック１２４０において、動作は、より限定的な／より選択的なルールのセットに基づいて、小腸の残りの部分の画像の中から画像を選択することを伴う。様々な実施形態では、ブロック１２２０及び１２４０の選択プロセスは、図９のブロック９１４に関連して上記で説明した基準のうちの１つ以上等、様々な基準に基づくことができる。様々な実施形態では、ブロック１２２０の選択プロセスは、小腸についてのより多くの情報が、ブロック１２４０によって選択された画像によるよりも、ブロック１２２０によって選択された画像によって伝達されてもよいという意味で、より限定的でなくてもよい。様々な実施形態では、ブロック１２２０の選択プロセスは、小腸の近位部分のより包括的な表現がブロック１２２０によって選択されてもよく、小腸の残りの部分のより包括的でない表現がブロック１２４０によって選択されてもよいという意味で、より限定的でなくてもよい。様々な実施形態において、ブロック１２２０の選択プロセスは、より少ない基準がブロック１２２０において画像を選択するために使用され、より多くの基準がブロック１２４０において画像を選択するために使用されるという意味で、より制限的でなくてもよい。例えば、ブロック１２２０の選択プロセスは、分類スコア閾値のみを含んでもよいが、ブロック１２４０の選択プロセスは、分類スコア閾値、及び分離閾値又は割当量等の少なくとも１つの他の基準を含んでもよい。様々な実施形態において、ブロック１２２０の選択プロセスは、基準のより制限的でないレベルがブロック１２２０において画像を選択するために使用され、同じ基準のより制限的なレベルがブロック１２４０において画像を選択するために使用されるという意味で、より制限的でなくてもよい。そのような基準は、例えば、スコア閾値又は画像割当量であってもよい。したがって、ブロック１２２０において画像を選択するために閾値スコア値が決定されてもよく、ブロック１２４０において画像を選択するために閾値スコア値ｙ＞ｘが決定されてもよく、ｘと近位部分の（ＳＢに対する）相対的な長さとの間の比が、ｙとＳＢの残りの部分の（ＳＢに対する）相対的な長さとの間の比よりも高い一方で、割当量ｘは、ブロック１１２０において選択される画像の数について決定されてもよく、割当量ｙは、ブロック１２４０において決定されてもよい。

【0089】

ブロック１２２０及び１２４０の他の変形形態は、本開示の範囲内にあることが企図されている。ブロック１２５０において、動作は、ブロック１２２０で選択された画像及びブロック１２４０で選択された画像を、リーダに提示される調査に含めることを含む。図１２の動作は、図３のコンピューティングシステム等のコンピューティングシステムによって実装することができる。

【0090】

図１２の動作は例示であり、変形形態は、本開示の範囲内にあることが企図されている。

【0091】

様々な態様では、開示されるシステム及び方法に従って選択されるセリアック病様疾患を示すＣＥ画像のセット（本開示に従って生成される）は、例えば、セリアック病様疾患の診断を支援、促進、又は可能にするために使用されてもよい。例えば、選択及び表示された画像が絨毛萎縮、波状弯入及び／又はモザイクパターンを示す場合、医師は、セリアック病様疾患を診断するために必要とされる生検を得るか、又は任意の他の医学的検査若しくは処置を実行してもよい。態様では、セリアック病様疾患を示すＣＥ画像の選択されたセットは、例えば、治療（例えば、投薬）の開始後、又は食事療法に従った後の粘膜治癒の進行を監視及び／又は評価するために使用されてもよい。これは、例えば、治療又は食事療法の開始前及び開始後に、患者に対して複数のＣＥ処置を実行することによって達成されてもよい。処置ごとに医師に提示される画像の選択されたセットによって反映されるような（又は画像の選択されたセットを含む調査に基づいて生成されるレポートに反映されるような）患者の状態が、比較されてもよい。態様では、セリアック病様疾患を示すＣＥ画像の選択されたセットを使用して、不応性セリアック、例えば、厳密なグルテンフリー食事療法を含む事前定義された治療期間に対して抵抗性又は非応答性であり得るセリアックを診断してもよい。態様では、セリアック病様疾患を示すＣＥ画像の選択されたセットは、セリアック病様疾患の程度を評価するために使用されてもよい。態様では、開示されるシステム及び方法は、セリアック病様疾患を示すと識別された画像の数に基づくか、又はある画像から他の画像への相対的なカプセルの進行の評価に基づく疾患の程度の決定を含んでもよい。態様では、セリアック病様疾患を示すＣＥ画像の選択されたセットは、より綿密な検査のために生検又はフラグ付けされ得る病態及び／又は形態が発生する領域を識別するために使用されてもよい。したがって、開示されるシステム及び方法は、生検のための場所又は生検部位の決定を含んでもよい。態様では、（セリアックのように）遺伝し得るセリアック病様疾患を示すＣＥ画像の選択されたセットは、患者の親族のためのスクリーニングツールとして使用されてもよい。

【0092】

本開示のいくつかの実施形態が図面に示されているが、本開示は当該技術分野が許容するのと同程度に広い範囲であるとされるべきであり、本明細書が同様に読み取られるべきであると意図されているので、本開示はこれらの実施形態に限定されることを意図していない。したがって、上記の説明は、限定として解釈されるべきではなく、特定の実施形態の単なる例示として解釈されるべきである。本明細書に添付の請求項の範囲及び趣旨を逸脱しない他の修正は、当業者ならば想到するであろう。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7A】

【図7B】

【図7C】

【図8A】

【図8B】

【図9】

【図10】

【図11】

【図12】

【手続補正書】

【提出日】2023-08-10

【手続補正1】

【補正対象書類名】特許請求の範囲

【補正対象項目名】全文

【補正方法】変更

【補正の内容】

【特許請求の範囲】

【請求項1】

消化管（ＧＩＴ）の画像における絨毛萎縮の存在によって特徴付けられる疾患の指標を検出するためのシステムであって、装置が、
小腸を含む前記ＧＩＴの少なくとも一部分の連続画像セットにアクセスすることであって、各画像が、１つ以上の分類スコアに関連付けられ、前記１つ以上の分類スコアの各分類スコアが、絨毛萎縮の前記存在によって特徴付けられる疾患のそれぞれの指標を含む関連付けられた前記画像を示す、アクセスすることと、
前記連続画像セットの各画像の前記１つ以上の分類スコアに基づいて、前記連続画像セットから画像サブセットを選択することと、
前記連続画像セットから、前記小腸の近位部分を示す前記画像の全てを含む画像セグメントを識別することと、
前記小腸の前記近位部分を表す識別された前記画像セグメントから複数の画像を選択することと、
ＳＢの残り（中間－近位、中間及び遠位）を識別し、画像サブセットを選択することと、
識別された（両方の）前記画像セグメントから選択された前記複数の画像及び前記画像サブセットを表示装置上に表示することと、を行うように構成されたプロセッサを備える、システム。

【請求項2】

前記プロセッサが、十二指腸を含む前記小腸の前記近位部分を識別するように構成されている、請求項１に記載のシステム。

【請求項3】

前記システムが、ヒト免疫不全ウイルス、分類不能型免疫不全症、クローン病、又はセリアック病のうちの少なくとも１つを含む、絨毛萎縮の前記存在によって特徴付けられる疾患の指標を検出する、請求項１又は２に記載のシステム。

【請求項4】

前記プロセッサが、前記１つ以上の分類スコアに基づいて、識別された前記画像セグメントから前記複数の画像を選択するように構成されている、請求項１、２、又は３のいずれか一項に記載のシステム。

【請求項5】

前記プロセッサが、前記小腸の前記近位部分を表す前記画像セグメントから前記複数の画像を選択するように構成されており、前記小腸の前記近位部分にわたって離間された画像を選択するように更に構成されている、請求項１～４のいずれか一項に記載のシステム。

【請求項6】

前記プロセッサが、不明瞭でない前記小腸の前記近位部分の画像を選択することによって、前記小腸の前記近位部分にわたって離間された画像を選択するように構成されている、請求項５に記載のシステム。

【請求項7】

前記プロセッサが、深層学習分類器又は古典的機械学習分類器のうちの少なくとも１つに基づいて、前記連続画像セット内の絨毛萎縮の前記存在と関連付けられた疾患の１つ以上の指標を検出するように構成されている、請求項１～６のいずれか一項に記載のシステム。

【請求項8】

前記プロセッサが、時間又は前記小腸の長さに基づいて、前記小腸の前記近位部分を均一にサンプリングすることにより、識別された前記画像セグメントから前記複数の画像を選択するように構成されており、長さが、前記連続画像セット内の画像の数、又は前記小腸に沿ったカプセル内視鏡デバイスの推定前進のうちの少なくとも１つに基づく、請求項１～７のいずれか一項に記載のシステム。

【請求項9】

前記プロセッサが、
識別された前記画像セグメントからの前記複数の画像を、所定の数のサンプリング点に分割することと、
サンプリング点ごとに、前記サンプリング点を取り囲む画像の所定の範囲から、１つ以上の画像を選択することと、によって、識別された前記画像セグメントから前記複数の画像を選択するように構成されている、請求項１～８のいずれか一項に記載のシステム。

【請求項10】

消化管（ＧＩＴ）の画像における絨毛萎縮の存在によって特徴付けられる疾患の指標を検出するための方法であって、
小腸を含む前記ＧＩＴの少なくとも一部分の連続画像セットにアクセスすることであって、各画像が、１つ以上の分類スコアに関連付けられ、前記１つ以上の分類スコアの各分類スコアが、絨毛萎縮の前記存在によって特徴付けられる疾患のそれぞれの指標を含む関連付けられた前記画像を示す、アクセスすることと、
前記連続画像セットの各画像の前記１つ以上の分類スコアに基づいて、前記連続画像セットから画像サブセットを選択することと、
前記連続画像セットから、前記小腸の近位部分を示す前記画像の全てを含む画像セグメントを識別することと、
前記小腸の前記近位部分を表す識別された前記画像セグメントから複数の画像を選択することと、
識別された前記画像セグメントから選択された前記複数の画像及び前記画像サブセットを表示装置上に表示することと、を含む、方法。

【請求項11】

前記小腸の前記近位部分が、十二指腸を含む、請求項１０に記載の方法。

【請求項12】

絨毛萎縮の前記存在によって特徴付けられる前記疾患が、ヒト免疫不全ウイルス、分類不能型免疫不全症、クローン病、又はセリアック病のうちの少なくとも１つを含む、請求項１０又は１１に記載の方法。

【請求項13】

識別された前記画像セグメントから前記複数の画像を選択することが、前記１つ以上の分類スコアに基づく、請求項１０、１１、又は１２に記載の方法。

【請求項14】

前記小腸の前記近位部分を表す前記画像セグメントから前記複数の画像を選択することが、前記小腸の前記近位部分にわたって離間された画像を選択することを含む、請求項１０～１３のいずれか一項に記載の方法。

【請求項15】

前記小腸の前記近位部分にわたって離間された画像を選択することが、不明瞭でない前記小腸の前記近位部分の画像を選択することを含む、請求項１０～１４のいずれか一項に記載の方法。

【請求項16】

深層学習分類器又は古典的機械学習分類器のうちの少なくとも１つに基づいて、前記連続画像セット内の絨毛萎縮の前記存在と関連付けられた疾患の１つ以上の指標を検出することを更に含む、請求項１０～１５のいずれか一項に記載の方法。

【請求項17】

識別された前記画像セグメントから前記複数の画像を選択することが、時間又は前記小腸の長さに基づいて、前記小腸の前記近位部分を均一にサンプリングすることを含み、長さが、前記連続画像セット内の画像の数、又は前記小腸に沿ったカプセル内視鏡デバイスの推定前進のうちの少なくとも１つに基づく、請求項１０～１６のいずれか一項に記載の方法。

【請求項18】

識別された前記画像セグメントから前記複数の画像を選択することが、
識別された前記画像セグメントからの前記複数の画像を、所定の数のサンプリング点に分割することと、
サンプリング点ごとに、前記サンプリング点を取り囲む画像の所定の範囲から、１つ以上の画像を選択することと、を含む、請求項１０～１７のいずれか一項に記載の方法。

【手続補正2】

【補正対象書類名】明細書

【補正対象項目名】００３０

【補正方法】変更

【補正の内容】

【0030】

本開示のある態様では、第２のルールセットは、第１のルールセットよりも選択的である。
本発明は、例えば以下を提供する。
（項目１）
消化管（ＧＩＴ）の画像における絨毛萎縮の存在によって特徴付けられる疾患の指標を検出するための方法であって、
小腸を含む前記ＧＩＴの少なくとも一部分の連続画像セットにアクセスすることであって、各画像が、１つ以上の分類スコアに関連付けられ、前記１つ以上の分類スコアの各分類スコアが、絨毛萎縮の前記存在によって特徴付けられる疾患のそれぞれの指標を含む関連付けられた前記画像を示す、アクセスすることと、
前記連続画像セットの各画像の前記１つ以上の分類スコアに基づいて、前記連続画像セットから画像サブセットを選択することと、
前記連続画像セットから、前記小腸の近位部分を示す前記画像の全てを含む画像セグメントを識別することと、
前記小腸の前記近位部分を表す識別された前記画像セグメントから複数の画像を選択することと、
識別された前記画像セグメントから選択された前記複数の画像及び前記画像サブセットを表示装置上に表示することと、を含む、方法。
（項目２）
前記小腸の前記近位部分が、十二指腸を含む、項目１に記載の方法。
（項目３）
絨毛萎縮の前記存在によって特徴付けられる前記疾患が、ヒト免疫不全ウイルス、分類不能型免疫不全症、クローン病、又はセリアック病のうちの少なくとも１つを含む、項目１に記載の方法。
（項目４）
識別された前記画像セグメントから前記複数の画像を選択することが、前記１つ以上の分類スコアに基づく、項目１に記載の方法。
（項目５）
前記小腸の前記近位部分を表す前記画像セグメントから前記複数の画像を選択することが、前記小腸の前記近位部分にわたって離間された画像を選択することを含む、項目１に記載の方法。
（項目６）
前記小腸の前記近位部分にわたって離間された画像を選択することが、不明瞭でない前記小腸の前記近位部分の画像を選択することを含む、項目５に記載の方法。
（項目７）
深層学習分類器又は古典的機械学習分類器のうちの少なくとも１つに基づいて、前記連続画像セット内の絨毛萎縮の前記存在と関連付けられた疾患の１つ以上の指標を検出することを更に含む、項目１に記載の方法。
（項目８）
識別された前記画像セグメントから前記複数の画像を選択することが、時間又は前記小腸の長さに基づいて、前記小腸の前記近位部分を均一にサンプリングすることを含み、長さが、前記連続画像セット内の画像の数、又は前記小腸に沿ったカプセル内視鏡デバイスの推定前進のうちの少なくとも１つに基づく、項目１に記載の方法。
（項目９）
識別された前記画像セグメントから前記複数の画像を選択することが、
識別された前記画像セグメントからの前記複数の画像を、所定の数のサンプリング点に分割することと、
サンプリング点ごとに、前記サンプリング点を取り囲む画像の所定の範囲から、１つ以上の画像を選択することと、を含む、項目１に記載の方法。
（項目１０）
前記指標が、前記小腸の粘膜の波状弯入、前記小腸の粘膜のモザイクパターン化、又は前記小腸の絨毛の萎縮のうちの少なくとも１つを含む、項目１に記載の方法。
（項目１１）
消化管（ＧＩＴ）の画像における絨毛萎縮の存在によって特徴付けられる疾患の指標を検出するための方法であって、
小腸を含む前記ＧＩＴの少なくとも一部分の連続画像セットにアクセスすることであって、各画像が、１つ以上の分類スコアに関連付けられ、前記１つ以上の分類スコアの各分類スコアが、絨毛萎縮の前記存在によって特徴付けられる疾患のそれぞれの指標を含む関連付けられた前記画像を示す、アクセスすることと、
前記連続画像セットを、
前小腸の画像、
前記小腸の近位部分の画像、及び
前記小腸の残りの部分の画像を含む、画像セットに分割することと、
第１のルールセットの適用に基づいて、前記小腸の前記近位部分の前記画像から第１の画像サブセットを選択することであって、前記第１のルールセットのうちの少なくとも１つのルールが、各画像に関連付けられた前記１つ以上の分類スコアに基づく、選択することと、
前記第１のルールセットとは異なる第２のルールセットの適用に基づいて、前記小腸の前記残りの部分の前記画像から第２の画像サブセットを選択することであって、前記第２のルールセットのうちの少なくとも１つのルールが、各画像に関連付けられた前記１つ以上の分類スコアに基づく、選択することと、
選択された前記第１及び第２の画像サブセットを表示装置上に表示することと、を含む、方法。
（項目１２）
前記第２のルールセットが、前記第１のルールセットよりも選択的である、項目１１に記載の方法。
（項目１３）
前記第１のルールセットが、前記小腸の前記近位部分のより包括的な表現を提供するように構成され、前記第２のルールセットが、前記小腸の前記残りの部分のより包括的でない表現を提供するように構成されている、項目１２に記載の方法。
（項目１４）
前記指標が、前記小腸の粘膜の波状弯入、前記小腸の粘膜のモザイクパターン化、又は前記小腸の絨毛の萎縮のうちの少なくとも１つを含む、項目１１に記載の方法。
（項目１５）
絨毛萎縮の前記存在によって特徴付けられる前記疾患が、ヒト免疫不全ウイルス、分類不能型免疫不全症、クローン病、又はセリアック病のうちの少なくとも１つを含む、項目１１に記載の方法。
（項目１６）
前記小腸の前記近位部分が、十二指腸を含む、項目１１に記載の方法。
（項目１７）
深層学習分類器又は古典的機械学習分類器のうちの少なくとも１つによって、前記１つ以上の分類スコアを提供することを更に含む、項目１１に記載の方法。
（項目１８）
セリアック病様疾患の指標を検出するためのシステムであって、
１つ以上のプロセッサと、
命令を記憶する少なくとも１つのメモリと、を備え、前記命令は、前記１つ以上のプロセッサによって実行されると、前記システムに、
前記小腸の近位部分の画像にアクセスすること、
第１のルールセットに基づいて、前記小腸の前記近位部分の前記画像の中から画像を選択すること、
前記小腸の少なくとも残りの部分の画像にアクセスすること、及び
前記第１のルールセットとは異なる第２のルールセットに基づいて、前記小腸の少なくとも前記残りの部分の前記画像の中から画像を選択することを行わせる、システム。
（項目１９）
前記第１のルールセットに基づいて、前記小腸の前記近位部分の前記画像の中から画像を選択することが、前記小腸の前記近位部分を表す画像を選択することを含み、
前記第２のルールセットに基づいて、前記小腸の少なくとも前記残りの部分の前記画像の中から画像を選択することが、セリアック病様疾患のそれぞれの指標を含む画像を示す１つ以上の分類スコアに基づいて、前記小腸の少なくとも前記残りの部分の前記画像の中から選択すること、
を含む、項目１８に記載のシステム。
（項目２０）
第１のルールセットに基づいて前記小腸の前記近位部分の前記画像の中から画像を選択することが、セリアック病様疾患のそれぞれの指標を含む画像を示す１つ以上の分類スコアに基づいて、前記小腸の前記近位部分の前記画像の中から選択することを含み、
前記第２のルールセットに基づいて、前記小腸の少なくとも前記残りの部分の前記画像の中から画像を選択することが、セリアック病様疾患のそれぞれの指標を含む画像を示す１つ以上の分類スコアに基づいて、前記小腸の前記残りの部分の前記画像の中から選択すること、
を含む、項目１８に記載のシステム。
（項目２１）
前記第２のルールセットが、前記第１のルールセットよりも選択的である、項目２０に記載のシステム。

【国際調査報告】