特表 2024-507684 大動脈組織のセグメント化および特徴付けのための方法およびシステム

(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】2024-02-21

(54)【発明の名称】大動脈組織のセグメント化および特徴付けのための方法およびシステム

(51)【国際特許分類】

   A61B 6/03 20060101AFI20240214BHJP

   A61B 6/50 20240101ALI20240214BHJP

【ＦＩ】

A61B6/03 560J

A61B6/50 500B

A61B6/03 560D

【審査請求】未請求

【予備審査請求】未請求

(21)【出願番号】P 2023545299

(86)(22)【出願日】2022-02-22

(85)【翻訳文提出日】2023-07-26

(86)【国際出願番号】 IB2022051558

(87)【国際公開番号】W WO2022175924

(87)【国際公開日】2022-08-25

(31)【優先権主張番号】63/152,105

(32)【優先日】2021-02-22

(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】522123500

【氏名又は名称】ビター・メディカル・ソリューションズ・インコーポレイテッド

【氏名又は名称原語表記】ＶＩＴＡＡ ＭＥＤＩＣＡＬ ＳＯＬＵＴＩＯＮＳ ＩＮＣ．

(74)【代理人】

【識別番号】110001195

【氏名又は名称】弁理士法人深見特許事務所

(72)【発明者】

【氏名】アブドルマナフィ，アテフェ

(72)【発明者】

【氏名】ディ・マルティノ，エレナ

(72)【発明者】

【氏名】フォルネリス，アリアナ

【テーマコード（参考）】

4C093

【Ｆターム（参考）】

4C093AA22

4C093AA26

4C093DA02

4C093FD03

4C093FF16

4C093FF19

4C093FF28

(57)【要約】

所与の対象の身体の画像内の大動脈組織をセグメント化する（または石灰化を検出する）ための方法が提供され、本方法はプロセッサによって実行され、プロセッサは、画像内の大動脈組織をセグメント化するように訓練された少なくとも１つの深層学習モデルにアクセスすることができ、本方法は、所与の対象の身体の画像を受信するステップであって、画像が大動脈、管腔内血栓、および追加の身体部分を含む、身体の画像を受信するステップと、受信画像から関心領域を抽出するステップであって、関心領域が大動脈および管腔内血栓を含む、関心領域を抽出するステップと、関心領域内で大動脈壁および管腔内血栓の少なくとも一方における石灰化の存在を判定するステップと、石灰化の存在の指標を出力するステップと、を含む。

【特許請求の範囲】

【請求項1】

所与の対象の身体の画像内の大動脈組織をセグメント化するための方法であって、前記方法はプロセッサによって実行され、前記プロセッサは、画像内の組織をセグメント化するように訓練された少なくとも１つの深層学習モデルにアクセスすることができ、前記方法が、
前記所与の対象の前記身体の前記画像を受信するステップであって、前記画像が大動脈、管腔内血栓、および追加の身体部分を含む、受信するステップと、
前記受信画像から関心領域を抽出するステップであって、前記関心領域が前記大動脈および前記管腔内血栓を含む、抽出するステップと、
前記関心領域内で大動脈壁および前記管腔内血栓の少なくとも一方における石灰化の存在を判定するステップと、
前記石灰化の前記存在の指標を出力するステップと、
を含む、方法。

【請求項2】

前記少なくとも１つの深層学習モデルが、第１の深層学習モデルと第２の深層学習モデルとを含み、前記関心領域を抽出する前記ステップが、前記第１の深層学習モデルによって実行され、前記石灰化の前記存在を判定する前記ステップが、前記第２の深層学習モデルによって実行される、請求項１に記載の方法。

【請求項3】

前記関心領域を抽出する前記ステップが、
前記第１の深層学習モデルを使用して前記画像から第１の画像特徴を抽出することであって、前記第１の画像特徴が前記大動脈および前記管腔内血栓を示す、第１の画像特徴を抽出することと、
前記第１の深層学習モデルを使用して、前記第１の画像特徴を使用して前記画像からの前記関心領域をセグメント化することと、
を含む、請求項２に記載の方法。

【請求項4】

前記第１の深層学習モデルが、完全畳み込みネットワーク（ＦＣＮ）ベースのモデルを含む、請求項３に記載の方法。

【請求項5】

前記第１の深層学習モデルが、拡張畳み込み層を含む、請求項４に記載の方法。

【請求項6】

前記第１の深層学習モデルが、バイナリ分類器を含む、請求項５に記載の方法。

【請求項7】

前記関心領域内の前記大動脈の大動脈管腔を検出するステップをさらに含み、前記大動脈管腔、前記大動脈壁、および前記管腔内血栓が前記関心領域を一緒に形成する、請求項３～６のいずれか１項に記載の方法。

【請求項8】

前記画像が少なくとも１つの動脈をさらに含み、前記少なくとも１つの動脈が前記関心領域の一部であり、前記大動脈管腔を検出する前記ステップが、前記少なくとも１つの動脈の動脈管腔を検出することをさらに含む、請求項３に記載の方法。

【請求項9】

前記少なくとも１つの動脈が、少なくとも１つの総腸骨動脈、少なくとも１つの内腸骨動脈、および少なくとも１つの外腸骨動脈のうちの少なくとも１つを含む、請求項８に記載の方法。

【請求項10】

前記大動脈管腔を検出する前記ステップが、前記第２の深層学習モデルによって実行され、前記大動脈管腔を検出する前記ステップおよび前記石灰化の前記存在を判定する前記ステップが、前記第２の深層学習モデルによって同時に実行される、請求項７～９のいずれか１項に記載の方法。

【請求項11】

前記第２の深層学習モデルが、前記関心領域から第２の画像特徴を抽出するように構成され、前記第２の画像特徴が前記大動脈管腔および前記石灰化を示し、前記石灰化の前記存在を判定する前記ステップが、前記第２の画像特徴を使用して実行される、請求項１０に記載の方法。

【請求項12】

前記第２の深層学習モデルが、多クラスセグメント化のために訓練されたＲｅｓＮｅｔベースの完全に従来型のネットワークモデルを含む、請求項１１に記載の方法。

【請求項13】

前記少なくとも１つの深層学習モデルが、第３の深層学習モデルをさらに含み、前記大動脈管腔を検出する前記ステップが、前記第３の深層学習モデルによって実行され、前記方法が、前記関心領域から前記大動脈管腔を除去し、それによって前記大動脈壁および前記管腔内血栓を得るステップをさらに含む、請求項７～９のいずれか１項に記載の方法。

【請求項14】

前記大動脈管腔を検出する前記ステップが、
前記第３の深層学習モデルを使用して、前記関心領域から第２の画像特徴を抽出することであって、前記第２の画像特徴が前記大動脈管腔を示す、第２の画像特徴を抽出することと、
前記第３の深層学習モデルを使用して、前記第２の画像特徴を使用して前記関心領域から前記大動脈管腔をセグメント化することと、を含み、
前記第２の深層学習モデルが、
前記大動脈壁および前記管腔内血栓から第３の画像特徴を抽出するように構成され、前記第３の画像特徴が前記石灰化を示し、前記石灰化の前記存在を判定する前記ステップが、前記第３の画像特徴を使用して前記第２の深層学習モデルによって実行される、請求項１３に記載の方法。

【請求項15】

前記第３の深層学習モデルが、完全畳み込みネットワーク（ＦＣＮ）ベースのモデルを含む、請求項１３または１４に記載の方法。

【請求項16】

前記第３の深層学習モデルが、拡張畳み込み層を含む、請求項１５に記載の方法。

【請求項17】

前記第３の深層学習モデルが、バイナリ分類器を含む、請求項１６に記載の方法。

【請求項18】

前記第２の深層学習モデルが、畳み込みニューラルネットワーク（ＣＮＮ）を含む、請求項７～９のいずれか１項に記載の方法。

【請求項19】

前記画像が、前記所与の対象の前記身体の断面図を含む、請求項１～１８のいずれか１項に記載の方法。

【請求項20】

前記画像が、コンピュータ断層撮影スライスを含む、請求項１９に記載の方法。

【請求項21】

所与の対象の身体の画像内の大動脈組織をセグメント化するためのシステムであって、前記システムが、
プロセッサと、
前記プロセッサに動作可能に接続された非一時的記憶媒体であって、前記非一時的記憶媒体がコンピュータ可読命令を含む、非一時的記憶媒体と、
を備え、
前記プロセッサは、画像内の組織をセグメント化するように訓練された少なくとも１つの深層学習モデルにアクセスすることができ、前記プロセッサは、前記コンピュータ可読命令を実行すると、
前記所与の対象の前記身体の前記画像を受信し、前記画像が大動脈、管腔内血栓、および追加の身体部分を含み、
前記受信画像から関心領域を抽出し、前記関心領域が前記大動脈および前記管腔内血栓を含み、
前記関心領域内で大動脈壁および前記管腔内血栓の少なくとも一方における石灰化の存在を判定し、
前記石灰化の前記存在の指標を出力する
ように構成されている、システム。

【請求項22】

前記少なくとも１つの深層学習モデルが、第１の深層学習モデルと第２の深層学習モデルとを含み、前記関心領域を前記抽出することが、前記第１の深層学習モデルによって実行され、前記石灰化の前記存在を前記判定することが、前記第２の深層学習モデルによって実行される、請求項２１に記載のシステム。

【請求項23】

前記関心領域を前記抽出することが、
前記第１の深層学習モデルを使用して前記画像から第１の画像特徴を抽出することであって、前記第１の画像特徴が前記大動脈および前記管腔内血栓を示す、第１の画像特徴を抽出することと、
前記第１の深層学習モデルを使用して、前記第１の画像特徴を使用して前記画像からの前記関心領域をセグメント化することと、
を含む、請求項２２に記載のシステム。

【請求項24】

前記第１の深層学習モデルが、完全畳み込みネットワーク（ＦＣＮ）ベースのモデルを含む、請求項２３に記載のシステム。

【請求項25】

前記第１の深層学習モデルが、拡張畳み込み層を含む、請求項２４に記載のシステム。

【請求項26】

前記第１の深層学習モデルが、バイナリ分類器を含む、請求項２５に記載のシステム。

【請求項27】

前記関心領域内の前記大動脈の大動脈管腔を検出するステップをさらに含み、前記大動脈管腔、前記大動脈壁、および前記管腔内血栓が前記関心領域を一緒に形成する、請求項２３～２６のいずれか１項に記載のシステム。

【請求項28】

前記画像が少なくとも１つの動脈をさらに含み、前記少なくとも１つの動脈が前記関心領域の一部であり、前記大動脈管腔を前記検出することが、前記少なくとも１つの動脈の動脈管腔を検出することをさらに含む、請求項２３に記載のシステム。

【請求項29】

前記少なくとも１つの動脈が、少なくとも１つの総腸骨動脈、少なくとも１つの内腸骨動脈、および少なくとも１つの外腸骨動脈のうちの少なくとも１つを含む、請求項２８に記載のシステム。

【請求項30】

前記大動脈管腔を前記検出することが、前記第２の深層学習モデルによって実行され、前記大動脈管腔を前記検出することおよび前記石灰化の前記存在を前記判定することが、前記第２の深層学習モデルによって同時に実行される、請求項２７～２９のいずれか１項に記載のシステム。

【請求項31】

前記第２の深層学習モデルが、前記関心領域から第２の画像特徴を抽出するように構成され、前記第２の画像特徴が前記大動脈管腔および前記石灰化を示し、前記石灰化の前記存在を前記判定することが、前記第２の画像特徴を使用して実行される、請求項３０に記載のシステム。

【請求項32】

前記第２の深層学習モデルが、多クラスセグメント化のために訓練されたＲｅｓＮｅｔベースの完全に従来型のネットワークモデルを含む、請求項３１に記載のシステム。

【請求項33】

前記少なくとも１つの深層学習モデルが、第３の深層学習モデルをさらに含み、前記大動脈管腔を前記検出することが、前記第３の深層学習モデルによって実行され、前記方法が、前記関心領域から前記大動脈管腔を除去し、それによって前記大動脈壁および前記管腔内血栓を得るステップをさらに含む、請求項２７～２９のいずれか１項に記載のシステム。

【請求項34】

前記大動脈管腔を前記検出することが、
前記第３の深層学習モデルを使用して、前記関心領域から第２の画像特徴を抽出することであって、前記第２の画像特徴が前記大動脈管腔を示す、第２の画像特徴を抽出することと、
前記第３の深層学習モデルを使用して、前記第２の画像特徴を使用して前記関心領域から前記大動脈管腔をセグメント化することと、を含み、
前記第２の深層学習モデルが、
前記大動脈壁および前記管腔内血栓から第３の画像特徴を抽出するように構成され、前記第３の画像特徴が前記石灰化を示し、前記石灰化の前記存在を前記判定することが、前記第３の画像特徴を使用して前記第２の深層学習モデルによって実行される、請求項３３に記載のシステム。

【請求項35】

前記第３の深層学習モデルが、完全畳み込みネットワーク（ＦＣＮ）ベースのモデルを含む、請求項３３または３４に記載のシステム。

【請求項36】

前記第３の深層学習モデルが、拡張畳み込み層を含む、請求項３５に記載のシステム。

【請求項37】

前記第３の深層学習モデルが、バイナリ分類器を含む、請求項３６に記載のシステム。

【請求項38】

前記第２の深層学習モデルが、畳み込みニューラルネットワーク（ＣＮＮ）を含む、請求項２７～２９のいずれか１項に記載のシステム。

【請求項39】

前記画像が、前記所与の対象の前記身体の断面図を含む、請求項２０～３８のいずれか１項に記載のシステム。

【請求項40】

前記画像が、コンピュータ断層撮影スライスを含む、請求項３９に記載のシステム。

【発明の詳細な説明】

【技術分野】

【0001】

分野
本技術は、医療撮像の分野に関する。より具体的には、本技術は、訓練された機械学習モデルを使用することによって画像内の大動脈組織をセグメント化して特徴付けるための方法およびシステムに関する。

【背景技術】

【0002】

背景
大動脈瘤（ＡＡ）は、大動脈の限局性拡張であり、診断およびその後の治療をされない場合、進行し破裂する結果になる。それは、世界中で死亡率および罹患率の主な原因である。ＡＡは、大動脈における主要な構造タンパク質（エラスチンおよびコラーゲン）の機能不全によって引き起こされる。これは、主に中膜変性（すなわち、動脈第２層の変性）後に起こり、管腔の拡大および構造的完全性の喪失をもたらす。最大大動脈径が正常径を超える場合、それは動脈瘤とみなされ、これはコンピュータ断層撮影（ＣＴ）撮像を使用して評価される。正確な診断および治療の欠如は、動脈瘤が管腔血圧に耐えられない場合、進行性の拡張および破裂をもたらす。したがって、破裂および有害事象のリスク評価は、ＡＡに罹患している患者の臨床経過の決定において重要な役割を有する。現在、評価は、大動脈のＣＴ、ＭＲまたは超音波診断画像を使用して動脈瘤直径を測定することによって行われる。血管外科学会の診療ガイドラインによれば、疾患の進行を判定する際の標準化が欠如しており、大動脈径の測定は、人間の介入を用いて手動または半自動のいずれかで行われるため、かなりのばらつきがある。したがって、自動化された動脈瘤セグメント化ツールの欠如は、対処されるべき制限である。

【0003】

疾患進行の程度および速度を決定するために大動脈および動脈瘤組織をセグメント化するための方法およびシステムが必要とされている。さらに、各患者のフォローアップ後の変化を評価し、それらの変化をさらなる構造変性に結び付けるために、大動脈組織を正確に検出することが重要であり、これにより、様々な大動脈組織の生体力学的特性の正確な推定、ならびに画像取得中に造影剤が使用されない場合の管腔の正確な識別および検出が可能になる。

【0004】

さらに、大動脈壁組織における石灰化の識別は、ＡＡの破裂リスク評価を改善し得る。管腔内血栓（ＩＬＴ）は、腹部大動脈瘤の大部分に存在する。ＩＬＴにおける亀裂、解離、および石灰化の大きさ、存在は重要な属性であり、動脈瘤の進行および破裂リスクの増加に寄与し得る。

【発明の概要】

【発明が解決しようとする課題】

【0005】

概要
本技術の目的は、従来技術に存在する不都合の少なくとも一部を改善することである。本技術の１つまたは複数の実施形態は、本技術の目標および目的を達成するアプローチおよび／または方法の範囲を提供および／または拡大することができる。

【課題を解決するための手段】

【0006】

本技術の１つまたは複数の実施形態は、患者の転帰の改善が大動脈疾患における大動脈壁の正確な診断および評価に依存するという本発明者らの認識に基づいて開発された。動脈瘤、管腔内血栓、および石灰化を含む大動脈疾患によって引き起こされる病理学的形成の位置、進行、および特徴を理解することは、断面図での大動脈壁の撮像によってのみ可能である。大動脈壁を撮像するために様々なモダリティが使用される。ＣＴは、大動脈を撮像するために特殊なＸ線を使用する非侵襲的診断撮像システムである。現在のＣＴスキャナは、ｚ軸で０．６２５～２ｍｍ、ｘ～ｙ軸で最大０．５ｍｍの空間分解能を有する。磁気共鳴画像法（ＭＲＩ）は、ＡＡを画像化するために使用され得る別のモダリティである。ＣＴとは対照的に、ＭＲＩは電離放射線を使用しないが、その利用可能性の制限、高コスト、およびＣＴ撮像よりも低い空間分解能（１～２ｍｍ）のために一般的ではない。

【0007】

より具体的には、本技術の発明者らは、ＡＡにおける大動脈ＣＴ画像の分析が、血栓、大動脈壁を含む大動脈構造および大動脈周囲組織の画素強度の類似性のために特定の課題を提示し、大動脈の手動抽出を困難にすることを認識した。撮像中に造影剤を使用しない場合、管腔は一般に視覚的によく認識できない。大動脈瘤の直径を測定するための現在のアプローチは、手動または半自動のいずれかであり、人間の介入を必要とする。これらの要因は、観察者ごとの観察の違いにより、作業に時間がかかり、誤りが発生しやすくなる。さらに、流体力学的分析および様々な動脈壁組織の生体力学的特性の評価は、組織型の正確な検出および特性評価を必要とする。

【0008】

いくつかの実施形態では、本技術は、セグメント化タスクに使用されるパッチベースの畳み込みニューラルネットワーク（ＣＮＮ）の制限を克服する強い識別力のある深い特徴へのアクセスを活用するために完全畳み込みネットワーク（ＦＣＮ）を使用することによって分野に貢献する。さらに、標準的な畳み込みの代わりに拡張畳み込みを使用することにより、計算コストを削減することができ、モデル性能を加速することができる。大動脈の正確な認識および抽出は、誤差およびノイズの多い結果を低減することによって壁の変形を検出および定量化するアルゴリズムの精度を高めることに寄与し得る。さらに、本技術の１つまたは複数の実施形態は、画像の解釈におけるヒューマンエラーを最小限に抑える結果の再現性を可能にする。

【0009】

したがって、本技術の１つまたは複数の実施形態は、大動脈組織をセグメント化するための方法およびシステムに関する。

【0010】

第１の広範な態様によれば、所与の対象の身体の画像内の大動脈組織をセグメント化するための方法が提供され、本方法はプロセッサによって実行され、プロセッサは、画像内の組織をセグメント化するように訓練された少なくとも１つの深層学習モデルにアクセスすることができ、本方法は、所与の対象の身体の画像を受信するステップであって、画像が大動脈、管腔内血栓、および追加の身体部分を含む、受信するステップと、受信画像から関心領域を抽出するステップであって、関心領域が大動脈および管腔内血栓を含む、抽出するステップと、関心領域内で大動脈壁および管腔内血栓の少なくとも一方における石灰化の存在を判定するステップと、石灰化の存在の指標を出力するステップと、を含む。

【0011】

一実施形態では、少なくとも１つの深層学習モデルは、第１の深層学習および第２の深層学習モデルを含み、関心領域を抽出するステップは、第１の深層学習モデルによって実行され、石灰化の存在を判定するステップは、第２の深層学習モデルによって実行される。

【0012】

一実施形態では、関心領域を抽出するステップは、第１の深層学習モデルを使用して画像から第１の画像特徴を抽出することであって、第１の画像特徴が大動脈および管腔内血栓を示す、第１の画像特徴を抽出することと、第１の深層学習モデルを使用して、第１の画像特徴を使用して画像からの関心領域をセグメント化することと、を含む。

【0013】

一実施形態では、第１の深層学習モデルは、完全畳み込みネットワーク（ＦＣＮ）ベースのモデルを含む。

【0014】

一実施形態では、第１の深層学習モデルは、拡張畳み込み層を含む。
一実施形態では、第１の深層学習モデルは、バイナリ分類器を含む。

【0015】

一実施形態では、本方法は、関心領域内の大動脈の大動脈管腔を検出するステップをさらに含み、大動脈管腔、大動脈壁、および管腔内血栓は、関心領域を一緒に形成する。

【0016】

一実施形態では、画像は少なくとも１つの動脈をさらに含み、少なくとも１つの動脈は関心領域の一部であり、大動脈管腔を検出するステップは、少なくとも１つの動脈の動脈管腔を検出することをさらに含む。

【0017】

一実施形態では、少なくとも１つの動脈は、少なくとも１つの総腸骨動脈、少なくとも１つの内腸骨動脈、および少なくとも１つの外腸骨動脈のうちの少なくとも１つを含む。

【0018】

一実施形態では、大動脈管腔を検出するステップは、第２の深層学習モデルによって実行され、大動脈管腔を検出するステップおよび石灰化の存在を判定するステップは、第２の深層学習モデルによって同時に実行される。

【0019】

一実施形態では、第２の深層学習モデルは、関心領域から第２の画像特徴を抽出するように構成され、第２の画像特徴は大動脈管腔および石灰化を示し、石灰化の存在を判定するステップは、第２の画像特徴を使用して実行される。

【0020】

一実施形態では、第２の深層学習モデルは、多クラスセグメント化のために訓練されたＲｅｓＮｅｔベースの完全に従来型のネットワークモデルを含む。

【0021】

一実施形態では、少なくとも１つの深層学習モデルは、第３の深層学習モデルをさらに含み、大動脈管腔を検出するステップは、第３の深層学習モデルによって実行され、本方法は、関心領域から大動脈管腔を除去し、それによって大動脈壁および管腔内血栓を得るステップをさらに含む。

【0022】

一実施形態では、大動脈管腔を検出するステップは、第３の深層学習モデルを使用して、関心領域から第２の画像特徴を抽出することであって、第２の画像特徴が大動脈管腔を示す、第２の画像特徴を抽出することと、第３の深層学習モデルを使用して、第２の画像特徴を使用して関心領域から大動脈管腔をセグメント化することと、を含み、第２の深層学習モデルは、大動脈壁および管腔内血栓から第３の画像特徴を抽出するように構成され、第３の画像特徴は石灰化を示し、石灰化の存在を判定するステップは、第３の画像特徴を使用して第２の深層学習モデルによって実行される。

【0023】

一実施形態では、第３の深層学習モデルは、完全畳み込みネットワーク（ＦＣＮ）ベースのモデルを含む。

【0024】

一実施形態では、第３の深層学習モデルは、拡張畳み込み層を含む。
一実施形態では、第３の深層学習モデルは、バイナリ分類器を含む。

【0025】

一実施形態では、第２の深層学習モデルは、畳み込みニューラルネットワーク（ＣＮＮ）を含む。

【0026】

一実施形態では、画像は、所与の対象の身体の断面図を含む。
一実施形態では、画像は、コンピュータ断層撮影スライスを含む。

【0027】

第２の広範な態様によれば、所与の対象の身体の画像内の大動脈組織をセグメント化するためのシステムが提供され、システムは、プロセッサと、プロセッサに動作可能に接続された非一時的記憶媒体であって、コンピュータ可読命令を含む非一時的記憶媒体と、を備え、プロセッサは、画像内の組織をセグメント化するように訓練された少なくとも１つの深層学習モデルにアクセスすることができ、プロセッサは、コンピュータ可読命令を実行すると、所与の対象の身体の画像を受信し、画像は大動脈、管腔内血栓、および追加の身体部分を含み、受信画像から関心領域を抽出し、関心領域は大動脈および管腔内血栓を含み、関心領域内で大動脈壁および管腔内血栓の少なくとも一方における石灰化の存在を判定し、石灰化の存在の指標を出力するように構成される。

【0028】

一実施形態では、少なくとも１つの深層学習モデルは、第１の深層学習および第２の深層学習モデルを含み、関心領域を抽出するステップは、第１の深層学習モデルによって実行され、石灰化の存在を判定するステップは、第２の深層学習モデルによって実行される。

【0029】

一実施形態では、関心領域を抽出するステップは、第１の深層学習モデルを使用して画像から第１の画像特徴を抽出することであって、第１の画像特徴が大動脈および管腔内血栓を示す、第１の画像特徴を抽出することと、第１の深層学習モデルを使用して、第１の画像特徴を使用して画像からの関心領域をセグメント化することと、を含む。

【0030】

一実施形態では、第１の深層学習モデルは、完全畳み込みネットワーク（ＦＣＮ）ベースのモデルを含む。

【0031】

一実施形態では、第１の深層学習モデルは、拡張畳み込み層を含む。
一実施形態では、第１の深層学習モデルは、バイナリ分類器を含む。

【0032】

一実施形態では、プロセッサは、関心領域内の大動脈の大動脈管腔、大動脈管腔、大動脈壁、および関心領域を一緒に形成する管腔内血栓を検出するようにさらに構成される。

【0033】

一実施形態では、画像は少なくとも１つの動脈をさらに含み、少なくとも１つの動脈は関心領域の一部であり、大動脈管腔を検出するステップは、少なくとも１つの動脈の動脈管腔を検出することをさらに含む。

【0034】

一実施形態では、少なくとも１つの動脈は、少なくとも１つの総腸骨動脈、少なくとも１つの内腸骨動脈、および少なくとも１つの外腸骨動脈のうちの少なくとも１つを含む。

【0035】

一実施形態では、大動脈管腔を検出するステップは、第２の深層学習モデルによって実行され、大動脈管腔を検出するステップおよび石灰化の存在を判定するステップは、第２の深層学習モデルによって同時に実行される。

【0036】

一実施形態では、第２の深層学習モデルは、関心領域から第２の画像特徴を抽出するように構成され、第２の画像特徴は大動脈管腔および石灰化を示し、石灰化の存在を判定するステップは、第２の画像特徴を使用して実行される。

【0037】

一実施形態では、第２の深層学習モデルは、多クラスセグメント化のために訓練されたＲｅｓＮｅｔベースの完全に従来型のネットワークモデルを含む。

【0038】

一実施形態では、少なくとも１つの深層学習モデルは、第３の深層学習モデルをさらに含み、大動脈管腔を検出するステップは、第３の深層学習モデルによって実行され、本方法は、関心領域から大動脈管腔を除去し、それによって大動脈壁および管腔内血栓を得るステップをさらに含む。

【0039】

一実施形態では、大動脈管腔を検出するステップは、第３の深層学習モデルを使用して、関心領域から第２の画像特徴を抽出することであって、第２の画像特徴が大動脈管腔を示す、第２の画像特徴を抽出することと、第３の深層学習モデルを使用して、第２の画像特徴を使用して関心領域から大動脈管腔をセグメント化することと、を含み、第２の深層学習モデルは、大動脈壁および管腔内血栓から第３の画像特徴を抽出するように構成され、第３の画像特徴は石灰化を示し、石灰化の存在を判定するステップは、第３の画像特徴を使用して第２の深層学習モデルによって実行される。

【0040】

一実施形態では、第３の深層学習モデルは、完全畳み込みネットワーク（ＦＣＮ）ベースのモデルを含む。

【0041】

一実施形態では、第３の深層学習モデルは、拡張畳み込み層を含む。
一実施形態では、第３の深層学習モデルは、バイナリ分類器を含む。

【0042】

一実施形態では、第２の深層学習モデルは、畳み込みニューラルネットワーク（ＣＮＮ）を含む。

【0043】

一実施形態では、画像は、所与の対象の身体の断面図を含む。
一実施形態では、画像は、コンピュータ断層撮影スライスを含む。

【0044】

さらなる広範な態様によれば、プロセッサによる実行時に上述の方法のステップを実行する記述および命令を記憶した不揮発性メモリが提供される。

【0045】

定義
本明細書の文脈では、「サーバ」は、適切なハードウェア上で実行されており、ネットワーク（例えば、通信ネットワーク）を介して要求（例えば、電子デバイスから）を受信し、それらの要求を実行することができる、またはそれらの要求を実行させることができる、コンピュータプログラムである。ハードウェアは、１つの物理的コンピュータまたは１つの物理的コンピュータシステムであってもよいが、本技術に関してはそうである必要はない。本文脈において、「サーバ」という表現の使用は、すべてのタスク（例えば、受信した命令または要求）または任意の特定のタスクが同じサーバ（すなわち、同じソフトウェアおよび／またはハードウェア）によって受信される、実行される、または実行させられることを意味するものではない。任意の数のソフトウェア要素またはハードウェアデバイスが、任意のタスクもしくは要求、または任意のタスクもしくは要求の結果を受信／送信する、実行する、または実行させることに関与し得ることを意味することが意図されている。このソフトウェアおよびハードウェアのすべては、１つのサーバまたは複数のサーバであってもよく、これらは両方とも「少なくとも１つのサーバ」および「サーバ」という表現に含まれる。

【0046】

本明細書の文脈では、「電子デバイス」は、手元の関連するタスクに適したソフトウェアを実行することができる任意のコンピューティング装置またはコンピュータハードウェアである。したがって、電子デバイスのいくつかの（非限定的な）例は、汎用パーソナルコンピュータ（デスクトップ、ラップトップ、ネットブックなど）、モバイルコンピューティングデバイス、スマートフォン、およびタブレット、ならびにルータ、スイッチ、およびゲートウェイなどのネットワーク機器を含む。本文脈における電子デバイスは、他の電子デバイスに対するサーバとして機能することを排除されないことに留意されたい。「電子デバイス」という表現の使用は、任意のタスクもしくは要求、または任意のタスクもしくは要求の結果、または本明細書に記載の任意の方法のステップを受信／送信する、実行する、または実行させる際に複数の電子デバイスが使用されることを排除するものではない。本明細書の文脈では、「クライアントデバイス」は、パーソナルコンピュータ、タブレット、スマートフォンなどの、ユーザに関連付けられた一連のエンドユーザクライアント電子デバイスのいずれかを指す。

【0047】

本明細書の文脈において、「コンピュータ可読記憶媒体」という表現（「記憶媒体」および「記憶装置」とも呼ばれる）は、ＲＡＭ、ＲＯＭ、ディスク（ＣＤ－ＲＯＭ、ＤＶＤ、フロッピーディスク、ハードドライバなど）、ＵＳＢキー、ソリッドステートドライブ、テープドライブなどを含むがこれらに限定されない、任意の性質および種類の非一時的媒体を含むことを意図している。同じタイプの２つ以上のメディアコンポーネントおよび／または異なるタイプの２つ以上のメディアコンポーネントを含む複数のコンポーネントを組み合わせて、コンピュータ情報記憶媒体を形成することができる。

【0048】

本明細書の文脈では、「データベース」は、その特定の構造、データベース管理ソフトウェア、またはデータが格納され、実装され、もしくは使用可能にされるコンピュータハードウェアに関係なく、任意の構造化されたデータの集合である。データベースは、データベースに格納された情報を格納または利用する工程と同じハードウェア上に存在してもよいし、専用サーバまたは複数のサーバなどの別個のハードウェア上に存在してもよい。

【0049】

本明細書の文脈において、「情報」という表現は、データベースに格納することができるあらゆる性質または種類の情報を含む。したがって、情報は、視聴覚著作物（画像、動画、音声記録、プレゼンテーションなど）、データ（位置データ、数値データなど）、テキスト（意見、コメント、質問、メッセージなど）、文書、スプレッドシート、単語のリストなどを含むが、これらに限定されない。

【0050】

本明細書の文脈では、特に明示的に提供されない限り、情報要素の「指標」は、情報要素自体、または情報要素を取得することができるネットワーク、メモリ、データベース、もしくは他のコンピュータ可読媒体位置を指標の受信者が見つけることを可能にするポインタ、参照、リンク、もしくは他の間接的な機構であってもよい。例えば、文書の指標は、文書自体（すなわち、その内容）を含み得、または特定のファイルシステムに関してファイルを識別する固有の文書記述子、またはネットワーク位置、メモリアドレス、データベーステーブル、もしくはファイルがアクセスされ得る他の位置に指標の受信者を導く他の何らかの手段であり得る。当業者が認識するように、そのような指標に必要な精度の程度は、指標の送信者と受信者との間で交換される情報に与えられる解釈に関する任意の事前理解の程度に依存する。例えば、送信者と受信者との間の通信の前に、情報要素の指標が、情報要素を含む所定のデータベースの特定のテーブル内のエントリに対するデータベース鍵の形態をとることが理解される場合、データベース鍵の送信は、情報要素自体が指標の送信者と受信者との間のように送信されなかったとしても、情報要素を受信者に効果的に伝達するために必要なすべてである。

【0051】

本明細書の文脈において、「通信ネットワーク」という表現は、コンピュータネットワーク、インターネット、電話ネットワーク、Ｔｅｌｅｘネットワーク、ＴＣＰ／ＩＰデータネットワーク（例えば、ＷＡＮネットワーク、ＬＡＮネットワークなど）などの電気通信ネットワークを含むことを意図している。「通信ネットワーク」という用語は、有線ネットワークまたは直接有線接続、ならびに音響、無線周波数（ＲＦ）、赤外線および他の無線媒体などの無線媒体、ならびに上記のいずれかの組み合わせを含む。

【0052】

本明細書の文脈において、「第１」、「第２」、「第３」などの単語は、それらが互いに修飾する名詞間の区別を可能にする目的のためにのみ形容詞として使用されており、それらの名詞間の特定の関係を説明する目的のためのものではない。したがって、例えば、「サーバ」および「第３のサーバ」という用語の使用は、サーバの／サーバ間の特定の順序、タイプ、時系列、階層、またはランク付け（例えば）を暗示することを意図するものではなく、それらの使用（単独で）は、任意の「第２のサーバ」が任意の所与の状況に必ず存在しなければならないことを暗示することを意図するものでもないことを理解されたい。さらに、他の文脈で本明細書で説明するように、「第１の」要素および「第２の」要素への言及は、２つの要素が同じ実際の現実世界の要素であることを排除するものではない。したがって、例えば、場合によっては、「第１の」サーバおよび「第２の」サーバは同じソフトウェアおよび／またはハードウェアであってもよく、他の場合では、それらは異なるソフトウェアおよび／またはハードウェアであってもよい。

【0053】

本技術の実装は各々、上述した目的および／または態様のうちの少なくとも１つを有するが、必ずしもそのすべてを有する必要はない。上述の目的を達成しようとする試みから生じる本技術のいくつかの態様は、この目的を満たさない場合があり、および／または本明細書に具体的に列挙されていない他の目的を満たす場合があることを理解されたい。

【0054】

本技術の実装の追加のおよび／または代替の特徴、態様および利点は、以下の説明、添付の図面および添付の特許請求の範囲から明らかになるであろう。

【0055】

図面の簡単な説明
本技術ならびにその他の態様およびさらなる特徴をよりよく理解するために、添付の図面と併せて使用される以下の説明が参照される。

【図面の簡単な説明】

【0056】

【図1】本技術の１つまたは複数の非限定的な実施形態による、電子デバイスの概略図である。

【図2】本技術の１つまたは複数の非限定的な実施形態による、システムの概略図である。

【図3】本技術の１つまたは複数の非限定的な実施形態による、３つの深層学習（ＤＬ）モデルのセットを使用して実行される大動脈組織セグメント化手順の概略図である。

【図4】本技術の１つまたは複数の非限定的な実施形態による、２つのＤＬモデルのセットを使用して実行される大動脈組織セグメント化手順の概略図である。

【図5】本技術の１つまたは複数の非限定的な実施形態による、ＲｅｓＮｅｔベースのエンコーダ－デコーダとして実装される第１のＤＬモデル、ＲｅｓＮｅｔベースのエンコーダ－デコーダとして実装される第２のＤＬモデル、および分類層を有するＲｅｓＮｅｔベースのＣＮＮとして実装される第３のＤＬモデルに入力されるＣＴ画像の概略図である。

【図6】本技術の１つまたは複数の非限定的な実施形態による、ＤＬモデルのセットを使用することによって出力されるＣＴ画像、大動脈およびそのセグメント化された組織を含む関心領域（ＲＯＩ）の概略図である。

【図7】本技術の１つまたは複数の非限定的な実施形態による、１個抜き交差検証を使用することによって生成された患者ＩＤ（ｘ軸）およびモデル性能またはモデル正確度（ｙ軸）のプロットである。

【図8】本技術の１つまたは複数の非限定的な実施形態による、大動脈、注釈付きグランドトゥルース、抽出された管腔および抽出された大動脈を含む画像の例を示す図である。

【図9】本技術の１つまたは複数の非限定的な実施形態による、抽出された大動脈（第１のステップの出力）、注釈付きグランドトゥルース、管腔検出、抽出された管腔、ならびに壁および血栓を含む残りの組織を含む、４人の異なる患者データのセグメント化から得られた画像の例を示す図である。

【図10】本技術の１つまたは複数の非限定的な実施形態による、第３のＤＬモデルの性能を評価することによってそれぞれ得られたネットワーク性能対最適なエポック数、隠れサイズ、シグマ、およびネットワーク検証失敗のプロットの例である。

【図11】本技術の１つまたは複数の非限定的な実施形態による、画像内の大動脈組織をセグメント化する方法のフローチャートである。

【図12】本技術の１つまたは複数の非限定的な実施形態による、３つのＤＬモデルが使用される図１１の方法の特定の実装を示す図である。

【発明を実施するための形態】

【0057】

詳細な説明
本明細書に列挙される例および条件付き文言は、主に読者が本技術の原理を理解するのを助けることを意図しており、その範囲をそのような具体的に列挙された例および条件に限定することを意図していない。当業者は、本明細書に明示的に記載または図示されていないが、それにもかかわらず本技術の原理を具体化し、その精神および範囲内に含まれる様々な構成を考案することができることが理解されよう。

【0058】

さらに、理解を助けるために、以下の説明は、本技術の比較的単純化された実装を説明する場合がある。当業者が理解するように、本技術の様々な実装は、より複雑であり得る。

【0059】

場合によっては、本技術に対する変更の有用な例と考えられるものも記載され得る。これは単に理解を助けるためのものであり、やはり本技術の範囲を定義したり本技術の範囲を示したりするためのものではない。これらの変更は網羅的なリストではなく、当業者は、本技術の範囲内に留まりながら他の変更を行うことができる。さらに、変更の例が記載されていない場合、変更が不可能である、および／または記載されているものが本技術のその要素を実装する唯一の方法であると解釈されるべきではない。

【0060】

さらに、本技術の原理、態様、および実装、ならびにそれらの特定の例を列挙する本明細書のすべての記述は、それらが現在知られているかまたは将来開発されるかにかかわらず、それらの構造的および機能的等価物の両方を包含することを意図している。したがって、例えば、本明細書の任意のブロック図は、本技術の原理を具現化する例示的な回路の概念図を表すことが当業者には理解されよう。同様に、任意のフローチャート、フロー図、状態遷移図、擬似コードなどは、コンピュータ可読媒体で実質的に表され、そのようなコンピュータまたはプロセッサが明示的に示されているか否かにかかわらずコンピュータまたはプロセッサによって実行され得る、様々な工程を表すことが理解されよう。

【0061】

「プロセッサ」または「グラフィックス処理装置」とラベル付けされた任意の機能ブロックを含む、図に示された様々な要素の機能は、専用のハードウェア、ならびに適切なソフトウェアに関連してソフトウェアを実行することができるハードウェアを使用して提供され得る。プロセッサによって提供される場合、機能は、単一の専用プロセッサ、単一の共有プロセッサ、または複数の個々のプロセッサによって提供されてもよく、そのうちのいくつかは共有されてもよい。本技術のいくつかの非限定的な実施形態では、プロセッサは、中央処理装置（ＣＰＵ）などの汎用プロセッサ、またはグラフィックス処理装置（ＧＰＵ）などの特定の目的専用のプロセッサであってもよい。さらに、「プロセッサ」または「コントローラ」という用語の明示的な使用は、ソフトウェアを実行することができるハードウェアを排他的に指すと解釈されるべきではなく、デジタル信号プロセッサ（ＤＳＰ）ハードウェア、ネットワークプロセッサ、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、ソフトウェアを記憶するための読み出し専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、および不揮発性記憶装置を暗黙的に含み得るが、これらに限定されない。従来および／またはカスタムの他のハードウェアも含まれ得る。

【0062】

ソフトウェアモジュール、または単にソフトウェアであると暗示されるモジュールは、本明細書では、フローチャート要素または工程ステップの実行および／またはテキスト記述を示す他の要素の任意の組み合わせとして表され得る。そのようなモジュールは、明示的または暗黙的に示されるハードウェアによって実行されてもよい。

【0063】

これらの基本を踏まえて、ここで、本技術の態様の様々な実装形態を説明するためにいくつかの非限定的な例を検討する。

【0064】

図１を参照すると、本技術のいくつかの非限定的な実施形態での使用に適した電子デバイス１００の概略図が示されている。

【0065】

電子デバイス
電子デバイス１００は、プロセッサ１１０、グラフィックス処理装置（ＧＰＵ）１１１、ソリッドステートドライブ１２０、ランダムアクセスメモリ１３０、ディスプレイインターフェース１４０、および入出力インターフェース１５０によって集合的に表される、１つまたは複数のシングルコアまたはマルチコアプロセッサを含む様々なハードウェア構成要素を備える。

【0066】

電子デバイス１００の様々な構成要素間の通信は、様々なハードウェア構成要素が電子的に結合される１つまたは複数の内部および／または外部バス１６０（例えば、ＰＣＩバス、ユニバーサルシリアルバス、ＩＥＥＥ１３９４「Ｆｉｒｅｗｉｒｅ」バス、ＳＣＳＩバス、Ｓｅｒｉａｌ－ＡＴＡバスなど）によって可能にされ得る。

【0067】

入出力インターフェース１５０は、タッチスクリーン１９０および／または１つもしくは複数の内部および／もしくは外部バス１６０に結合することができる。タッチスクリーン１９０は、ディスプレイの一部であってもよい。いくつかの実施形態では、タッチスクリーン１９０はディスプレイである。タッチスクリーン１９０は、スクリーン１９０とも呼ばれ得る。図２に示す実施形態では、タッチスクリーン１９０は、タッチハードウェア１９４（例えば、ユーザとディスプレイとの間の物理的相互作用の検出を可能にするディスプレイの層に埋め込まれた感圧セル）と、ディスプレイインターフェース１４０および／または１つ以上の内部および／または外部バス１６０との通信を可能にするタッチ入出力コントローラ１９２とを備える。いくつかの実施形態では、入出力インターフェース１５０は、ユーザがタッチスクリーン１９０に加えてまたはそれに代えて電子デバイス１００と対話することを可能にするキーボード（図示せず）、マウス（図示せず）またはトラックパッド（図示せず）に接続されてもよい。

【0068】

本技術の実装形態によれば、ソリッドステートドライブ１２０は、ランダムアクセスメモリ１３０にロードされ、かつ１つまたは複数の機械学習モデルを使用して大動脈組織をセグメント化するためにプロセッサ１１０および／またはＧＰＵ１１１によって実行されるのに適したプログラム命令を格納する。例えば、プログラム命令は、ライブラリまたはアプリケーションの一部であってもよい。

【0069】

電子デバイス１００は、当業者によって理解され得るように、サーバ、デスクトップコンピュータ、ラップトップコンピュータ、タブレット、スマートフォン、携帯情報端末、または本技術を実装するように構成され得る任意のデバイスの形態で実装され得る。

【0070】

システム
図２を参照すると、システム２００と呼ばれる通信システム２００の概略図が示されており、システム２００は、本技術の非限定的な実施形態を実施するのに適している。図示のシステム２００は、本技術の例示的な実装形態にすぎないことを明確に理解されたい。したがって、以下の説明は、本技術の例示的な例の説明のみを意図している。この説明は、本技術の範囲を定義するものでも、本技術の範囲を示すものでもない。場合によっては、システム２００の変更の有用な例と考えられるものも以下に記載され得る。これは単に理解を助けるためのものであり、やはり本技術の範囲を定義したり本技術の範囲を示したりするためのものではない。これらの変更は網羅的なリストではなく、当業者が理解するように、他の変更が可能である可能性が高い。さらに、これが行われていない場合（すなわち、変更の例が記載されていない場合）、変更が不可能である、および／または記載されているものが本技術のその要素を実装する唯一の方法であると解釈されるべきではない。当業者が理解するように、これは当てはまらない可能性が高い。さらに、システム２００は、特定の事例では、本技術の単純な実装形態を提供することができ、そのような事例では、理解を助けるためにこのように提示されていることを理解されたい。当業者が理解するように、本技術の様々な実装は、より複雑であり得る。

【0071】

システム２００は、とりわけ、ワークステーションコンピュータ２１５に関連付けられた医療撮像装置２１０と、それぞれの通信リンク２２５（別々に番号付けされていない）を介して通信ネットワーク２２０を介して結合されたサーバ２３０とを備える。

【0072】

医療デバイス
医療撮像装置２１０は、とりわけ、（ｉ）動脈瘤を含む所与の対象の大動脈の少なくとも一部を含む１つまたは複数の画像を取得するように構成される。取得された画像は大動脈の断面を示すことを理解されたい。

【0073】

医療撮像装置２１０は、コンピュータ断層撮影（ＣＴ）スキャナ、磁気共鳴撮像（ＭＲＩ）スキャナ、３次元超音波などのうちのいずれかを備えることができる。

【0074】

本技術のいくつかの実施形態では、医療撮像装置２１０は、コンピュータ断層撮影（ＣＴ）スキャナ、磁気共鳴撮像（ＭＲＩ）スキャナ、３次元超音波などのうちの１つまたは複数など、複数の医療撮像装置を含むことができる。

【0075】

医療撮像装置２１０は、患者の大動脈の少なくとも一部を含む患者の画像を取得するための特定の取得パラメータで構成することができる。

【0076】

非限定的な例として、医療撮像装置２１０がＣＴスキャナとして実装される１つまたは複数の実施形態では、Ｒ－Ｒ間隔を捕捉するための可変線量放射線を用いた術前遡及的ゲート型マルチ検出器ＣＴ（ＭＤＣＴ－６４行マルチスライスＣＴスキャナ）を含むＣＴプロトコルを使用することができる。

【0077】

別の非限定的な例として、医療撮像処置がＭＲＩスキャナを含む１つまたは複数の実施形態では、ＭＲプロトコルは、定常状態Ｔ２重み付け高速磁場エコー（ＴＥ＝２．６ｍｓ、ＴＲ＝５．２ｍｓ、フリップ角１１０度、脂肪抑制（ＳＰＩＲ）、エコー時間５０ｍｓ、最大２５心臓位相、マトリックス２５６×２５６、取得ボクセルＭＰＳ（測定、位相およびスライス符号化方向）１．５６／１．５６／３．００ｍｍおよび再構成ボクセルＭＰＳ ０．７８／０．７８／１．５）、または検討中の大動脈の部分の同様のシネ取得、軸方向スライスを含むことができる。

【0078】

医療撮像装置２１０は、とりわけデータ送信のためのワークステーションコンピュータ２１５を含むか、またはそれに接続される。

【0079】

ワークステーションコンピュータ
ワークステーションコンピュータ２１５は、とりわけ、（ｉ）医療撮像装置２１０のパラメータを制御し、画像の取得を引き起こし、（ｉｉ）医療撮像装置２１０から複数の画像を受信して処理するように構成される。

【0080】

１つまたは複数の実施形態において、ワークステーションコンピュータ２１５は、生フォーマットの画像を受信し、既知のアルゴリズムおよびソフトウェアを使用して断層撮影再構成を実行することができる。

【0081】

ワークステーションコンピュータ２１５の実装形態は、当技術分野で知られている。ワークステーションコンピュータ２１５は、電子デバイス１００として実装されてもよく、またはその構成要素、例えばプロセッサ１１０、グラフィックス処理装置（ＧＰＵ）１１１、ソリッドステートドライブ１２０、ランダムアクセスメモリ１３０、ディスプレイインターフェース１４０、および入出力インターフェース１５０を含んでもよい。

【0082】

１つまたは複数の他の実施形態では、ワークステーションコンピュータ２１５は、医療撮像装置２１０に少なくとも部分的に統合されてもよい。

【0083】

１つまたは複数の実施形態では、ワークステーションコンピュータ２１５は、医療撮像情報および関連データの通信および管理のための医用デジタル撮像および通信（ＤＩＣＯＭ）規格に従って構成される。

【0084】

１つまたは複数の実施形態では、ワークステーションコンピュータ２１５は、画像をローカルデータベース（図示せず）に格納することができる。

【0085】

ワークステーションコンピュータ２１５は、それぞれの通信リンク２２５を介して通信ネットワーク２２０を介してサーバ２３０に接続される。１つまたは複数の実施形態では、ワークステーションコンピュータ２１５は、画像および／または多相スタックを、その格納および処理のためにサーバ２３０およびデータベース２３５に送信することができる。

【0086】

サーバ
サーバ２３０は、とりわけ、（ｉ）医療撮像装置２１０によって取得された入力または初期画像を受信し、画像は、対象の大動脈および他の身体部分を含み、（ｉｉ）少なくとも１つの深層学習（ＤＬ）モデルのセット２５０および任意選択的に減算ユニット２８５にアクセスし、（ｉｉｉ）大動脈組織のセグメント化を実行するようにＤＬモデルのセット２５０を訓練し、（ｉｖ）ＤＬモデルのセット２５０を使用して、入力画像内の石灰化を識別するために組織のセグメント化を実行するように構成される。

【0087】

図示の実施形態では、ＤＬモデルのセット２５０は、３つのＤＬモデル２６０，２７０および２８０と、減算ユニット２８５とを備えるが、ＤＬモデルのセット２５０が少なくとも１つのＤＬモデルを含む限り、ＤＬモデルの数は変化してもよく、減算ユニット２８５は省略されてもよいことを理解されたい。例えば、ＤＬモデルのセットは、２つのＤＬモデルを含み、減算ユニット２８５を含まなくてもよい。図示の実施形態のような別の例では、ＤＬモデルのセットは、３つのＤＬモデルおよび減算ユニット２８５を備えることができる。

【0088】

サーバ２３０がそれを行うように構成される方法を以下でより詳細に説明する。
サーバ２３０は、従来型のコンピュータサーバとして実装することができ、図２に示す電子デバイス１００の構成要素の一部または全部を備え得る。本技術の１つまたは複数の実施形態の一例において、サーバ２３０は、Ｍｉｃｒｏｓｏｆｔ（商標）Ｗｉｎｄｏｗｓ Ｓｅｒｖｅｒ（商標）オペレーティングシステムを実行するＤｅｌｌ（商標）ＰｏｗｅｒＥｄｇｅ（商標）Ｓｅｒｖｅｒとして実装することができる。言うまでもなく、サーバ２３０は、任意の他の適切なハードウェアおよび／またはソフトウェアおよび／またはファームウェアまたはそれらの組み合わせで実装することができる。本技術の図示の非限定的な実施形態では、サーバ２３０は単一のサーバである。本技術の代替の非限定的な実施形態では、サーバ２３０の機能は分散されてもよく、複数のサーバ（図示せず）を介して実装されてもよい。

【0089】

サーバ２３０の実装形態は、本技術の当業者に周知である。しかしながら、簡単に言えば、サーバ２３０は、通信ネットワーク２２０を介して様々なエンティティ（例えばワークステーションコンピュータ２１５、およびネットワーク２２０に潜在的に結合されている他のデバイスなど）と通信するように構造化および構成された通信インターフェース（図示せず）を備える。サーバ２３０は、通信インターフェースと動作可能に接続され、かつ本明細書で説明する様々な工程を実行するように構造化および構成された、少なくとも１つのコンピュータプロセッサ（例えば、電子デバイス１００のプロセッサ１１０またはＧＰＵ１１１）をさらに備える。

【0090】

１つまたは複数の実施形態では、サーバ２３０は、電子デバイス１００として実装されてもよく、またはその構成要素、例えばプロセッサ１１０、グラフィックス処理装置（ＧＰＵ）１１１、ソリッドステートドライブ１２０、ランダムアクセスメモリ１３０、ディスプレイインターフェース１４０、および入出力インターフェース１５０を含んでもよい。

【0091】

サーバ２３０は、ＤＬモデルのセット２５０にアクセスすることができる。
深層学習（ＤＬ）モデル
図示の実施形態では、ＤＬモデルのセット２５０は、第１のＤＬモデル２６０、第２のＤＬモデル２７０、および第３のＤＬモデル２８０を含む。第１のＤＬモデル２６０、第２のＤＬモデル２７０、および第３のＤＬモデル２８０の各々は、画像の意味的セグメント化を実行するように、すなわち、画像内の画素ごとにオブジェクトクラスを分類するようにそれぞれ訓練されている。

【0092】

１つまたは複数の代替実施形態では、以下でより詳細に説明するように、第１のＤＬモデル２６０、第２のＤＬモデル２７０、および第３のＤＬモデル２８０のうちの少なくとも２つが、単一のＤＬモデルとして実装されてもよい。

【0093】

第１のＤＬモデル２６０、第２のＤＬモデル２７０、および第３のＤＬモデル２８０の各々は、それぞれの特徴抽出器２６２，２７２，２８２（図３に示す）、およびそれぞれの予測ネットワーク２６４，２７４，２８４（図３に示す）を備える。

【0094】

第１のＤＬモデル２６０は、とりわけ、（ｉ）入力または初期画像を受信し、（ｉｉ）それぞれの特徴抽出器２６２を介して、そこから第１の画像特徴セットを抽出し、（ｉｉｉ）それぞれの予測ネットワーク２６４を介して、第１の画像特徴セットに基づいて、関心領域（ＲＯＩ）を出力するために入力画像内のＲＯＩおよび背景をセグメント化するように構成される。ＲＯＩは、入力画像の前景に対応し、すなわち、背景が除去された入力画像に対応する。

【0095】

入力画像は、大動脈、ＩＬＴ、およびさらなる分析のために除去される器官および組織などの他の身体部分を含む。次いで、ＲＯＩは大動脈（大動脈壁および大動脈管腔を含む）およびＩＬＴを含む。一実施形態では、入力画像は、他の身体部分に加えて、大動脈、ＩＬＴおよび総腸骨動脈、外腸骨動脈および／または外腸骨動脈を含む。この場合、総腸骨動脈、外腸骨動脈および／または外腸骨動脈は、ＲＯＩ内に含まれる。

【0096】

一実施形態では、入力画像から除去される他の身体部分は、対象の脊椎、腎臓、腸間膜動脈などを含む。

【0097】

第１のＤＬモデル２６０は、画像の意味的セグメント化を実行するように訓練される。第１のＤＬモデル２６０は、前景および背景セグメント化、すなわちバイナリセグメント化を実行するように構成される。この場合、前景は、入力画像に存在する場合、大動脈およびＩＬＴ、ならびに任意選択的に総腸骨動脈、外腸骨動脈および／または外腸骨動脈を含み、背景は、入力画像の残りの部分、すなわち上述した他の身体部分を含む。

【0098】

１つまたは複数の他の実施形態では、第１のＤＬモデル２６０は、多クラス意味的セグメント化を実行するように訓練されてもよい。

【0099】

１つまたは複数の実施形態では、第１のＤＬモデル２６０は、エンコーダ－デコーダアーキテクチャを有する。

【0100】

１つまたは複数の実施形態では、第１のＤＬモデル２６０は、残差ネットワーク（ＲｅｓＮｅｔ）ベースのＦＣＮなどの完全畳み込みネットワーク（ＦＣＮ）として実装される。

【0101】

残差ネットワーク（ＲｅｓＮｅｔ）では、ビルディングブロックは互いに積み重ねられ、それらの各々は、１×１、３×３、および５×５のカーネルサイズを有する畳み込み層の組み合わせである。各ビルディングブロックからの出力フィルタバンクは、次の段の入力として使用される単一の出力ベクトルに連結される。次元削減には１×１の畳み込みを用いる。第１のＤＬモデル２６０は、畳み込み層に割り当てられた拡張率によってパラメータ化される拡張畳み込みを使用する。拡張畳み込みは、同じストライド、パラメータの数、および計算コストを維持することによって、標準的なパッチベースのＣＮＮとは対照的に、カーネルが各畳み込み層でより大きな視野を考慮することを可能にする。拡張畳み込みの使用は、標準的な畳み込み層を有するネットワークと比較して、より高密度の出力特徴およびより高いセグメント化性能をもたらす。式（１）を使用して拡張畳み込みを適用する。

【0102】

【数1】

【0103】

式中、ｉは出力ｙにおける位置である。拡張率ｉを有する拡張畳み込みは、カーネルｗを有する特徴マップｘにわたって適用される。

【0104】

したがって、本技術のいくつかの実施形態では、ＲｅｓＮｅｔベースのＦＣＮアーキテクチャは、強い識別力のある深い特徴にアクセスし、セグメント化タスクのためのパッチベースのＣＮＮの制限を克服することを可能にする。

【0105】

ＲｅｓＮｅｔの非限定的な例には、ＲｅｓＮｅｔ５０（５０層）、ＲｅｓＮｅｔ１０１（１０１層）、ＲｅｓＮｅｔ１５２（１５２層）、ＲｅｓＮｅｔ５０Ｖ２（バッチ正規化を伴う５０層）、ＲｅｓＮｅｔ１０１Ｖ２（バッチ正規化を伴う１０１層）およびＲｅｓＮｅｔ１５２Ｖ２（バッチ正規化を伴う１５２層）が含まれる。

【0106】

１つまたは複数の代替実施形態では、第１のＤＬモデル２６０は、ＡｌｅｘＮｅｔ、ＧｏｏｇｌｅＮｅｔ、およびＶＧＧのうちのいずれかに基づいて実装されてもよい。

【0107】

第２のＤＬモデル２７０は、とりわけ、（ｉ）少なくとも大動脈およびＩＬＴを含む関心領域（ＲＯＩ）を受信し、（ｉｉ）それぞれの特徴抽出器２７２を介して、そこから第２の画像特徴セットを抽出し、（ｉｉｉ）それぞれの予測ネットワーク２７４を介して、第２の画像特徴セット３３５に基づいてＲＯＩをセグメント化して、少なくともセグメント化された大動脈管腔を得るように構成される。

【0108】

ＲＯＩが大動脈以外の動脈、例えば総腸骨動脈、外腸骨動脈および／または外腸骨動脈を含む実施形態では、第２のＤＬモデル２７０は、ＲＯＩ内に存在するすべての動脈の管腔、例えば大動脈の管腔および総腸骨動脈、外腸骨動脈および／または外腸骨動脈の管腔をセグメント化するように構成される。

【0109】

第２のＤＬモデル２７０は、大動脈内腔の意味的セグメント化を実行するように訓練される。第２のＤＬモデル２７０は、前景および背景セグメント化、すなわちバイナリセグメント化を実行するように構成される。１つまたは複数の他の実施形態では、第２のＤＬモデル２７０は、多クラス意味的セグメント化を実行するように訓練されてもよい。

【0110】

第１のＤＬモデル２６０と同様に、第２のＤＬモデル２７０は、ＲｅｓＮｅｔベースのＦＣＮなどのＦＣＮとして実装されてもよい。

【0111】

減算ユニット２８５は、とりわけ、（ｉ）第１のＤＬモデル２６０からＲＯＩを受信し、第２のＤＬモデル２７０から大動脈管腔を受信し、（ｉｉ）識別された管腔をＲＯＩから除去し、（ｉｉｉ）管腔が除去されたＲＯＩ形態を出力するように構成される。ＲＯＩ内に存在する管腔は前景として見ることができ、ＲＯＩの残りはＲＯＩの背景として見ることができる。この場合、減算ユニット２８５は、ＲＯＩからＲＯＩの背景を抽出するように構成されていると見なすことができる。

【0112】

ＲＯＩに含まれる唯一の動脈が大動脈である実施形態では、減算ユニット２８５は、大動脈壁およびＩＬＴに対応するＲＯＩの背景を出力するために、大動脈管腔をＲＯＩから抽出または除去するように構成され、すなわち、減算ユニット２８５は、大動脈壁およびＩＬＴの画像のみを出力する。

【0113】

ＲＯＩが大動脈動脈と、少なくとももう１つの動脈、例えば少なくとも１つの総腸骨動脈、少なくとも１つの内腸骨動脈および／または少なくとも１つの外腸骨動脈とを含む実施形態では、減算ユニット２８５は、各動脈の管腔をＲＯＩから抽出または除去して、すべての動脈の壁およびＩＬＴに対応するＲＯＩの背景を出力するように構成され、すなわち、減算ユニット２８５は、大動脈壁、ＩＬＴ、およびＲＯＩに含まれる任意の他の動脈の壁、例えば少なくとも１つの総腸骨動脈、少なくとも１つの内腸骨動脈および／または少なくとも１つの外腸骨動脈の壁の画像を出力する。

【0114】

第３のＤＬモデル２８０は、とりわけ、（ｉ）減算ユニット２８５からＲＯＩの背景、すなわち任意の動脈の管腔が除去されたＲＯＩを受信し、（ｉｉ）それぞれの特徴抽出器２８２を介して、そこから第３の画像特徴セットを抽出し、（ｉｉｉ）それぞれの予測ネットワーク２８４を介して、第３の画像特徴セットに基づいて、石灰化を含むまたは含まないものとして入力画像を分類するように構成される。

【0115】

第３のＤＬモデル２８０は、ＲＯＩの背景内、すなわち任意の動脈の管腔が除去されたＲＯＩ内の石灰化組織を識別するように構成される。１つまたは複数の実施形態では、第３のＤＬモデル２８０は、大動脈壁および／またはＩＬＴ上の石灰化を識別するように構成される。いくつかの他の実施形態では、第３のＤＬモデル２８０は、大動脈壁および／またはＩＬＴおよび／または大動脈以外の任意の動脈の壁、例えば総腸骨動脈、内腸骨動脈および／または外腸骨動脈の壁の石灰化を識別するように構成される。

【0116】

一実施形態では、第３のＤＬモデル２８０は、減算ユニット２８５から受信したＲＯＩの背景の各画素を、石灰化組織に属する画素または非石灰化組織に属する画素として分類するように構成される。

【0117】

一実施形態では、第３のＤＬモデル２８０がＲＯＩの背景内の石灰化組織を識別すると、第３のＤＬモデル２８０の出力は、入力画像内の石灰化の存在が検出されたという指標である。任意の適切な指標が使用され得ることを理解されたい。例えば、指標は、成文指標、音声指標、視覚指標などであってもよい。一実施形態では、指標は、石灰化組織が識別された第３のＤＬモデル２８０によって受信されたＲＯＩの背景を含む。

【0118】

一実施形態では、ＲＯＩの背景に石灰化がないことを識別すると、第３のＤＬモデル２８０は指標を出力しない。別の実施形態では、第３のＤＬモデル２８０は、入力画像内に石灰化が検出されなかったという指標を出力することができる。

【0119】

１つまたは複数の実施形態では、第３のＤＬモデル２８０は、畳み込みニューラルネットワーク（ＣＮＮ）とニューラルネットワークとの組み合わせとして実装される。１つまたは複数の実施形態では、第３のＤＬモデル２８０は、特徴抽出器としてのＣＮＮと、分類器としてのフィードフォワードニューラルネットワークとを含む。

【0120】

別の実施形態では、ＤＬモデルのセット２５０は、図４に示すように、２つのＤＬモデル、すなわち、第１のＤＬモデルと第２のＤＬモデルとを含む。

【0121】

第１のＤＬモデルはＤＬモデル２６０と同一であり、すなわち、第１のＤＬモデルは、とりわけ、（ｉ）入力または初期画像を受信し、（ｉｉ）それぞれの特徴抽出器２６２を介して、そこから第１の画像特徴セットを抽出し、（ｉｉｉ）それぞれの予測ネットワーク２６４を介して、第１の画像特徴セットに基づいて、関心領域（ＲＯＩ）を出力するために入力画像内のＲＯＩおよび背景をセグメント化するように構成される。

【0122】

第２のＤＬモデル２９０は、とりわけ、（ｉ）第１のＤＬモデル２６０によってセグメント化されたＲＯＩを受信し、（ｉｉ）それぞれの特徴抽出器２９２を介して、そこから第２の画像特徴セット２９６を抽出し、（ｉｉｉ）それぞれの予測ネットワーク２９４を介して、第２の画像特徴セット２９６に基づいて、石灰化を含むまたは含まないものとして初期画像を分類するように構成される。１つまたは複数の実施形態では、第２のＤＬモデル２９０は、大動脈壁および／またはＩＬＴ上の石灰化を識別するように構成される。

【0123】

一実施形態では、第２のＤＬモデル２９０は、ＲＯＩに含まれる任意の動脈の管腔（大動脈の管腔を含む）を同時に識別して、任意の動脈の壁およびＩＬＴを検出し、任意の動脈および／またはＩＬＴの壁上の任意の石灰化を検出するように構成される。

【0124】

一実施形態では、第２のＤＬモデル２９０は、ＲＯＩ内の管腔および石灰化をセグメント化するための多クラスセグメント化のために構成される。この場合、第２のＤＬモデル２９０は、大動脈管腔であると識別されたＲＯＩの領域を除いてＲＯＩ内の石灰化を識別するように構成される。一実施形態では、第２のＤＬモデル２９０は、多クラスセグメント化のために訓練されたＲｅｓＮｅｔベースのＦＣＮモデルである。

【0125】

一実施形態では、２つのＤＬモデル２６０および２９０を備えるシステムは、３つのＤＬモデル２６０，２７０および２８０を備えるシステムよりも良好な石灰化位置識別を可能にする。

【0126】

データベース
データベース２３５は、とりわけ、（ｉ）医療画像を格納し、（ｉｉ）ＤＬモデルのセット２５０のモデルパラメータおよびハイパーパラメータを格納し、（ｉｉｉ）ＤＬモデルのセット２５０を訓練、試験、および検証するためのデータセットを格納し、（ｉｖ）ＤＬモデルのセット２５０によるセグメント化出力を格納するように構成される。

【0127】

ラベル付き訓練データセット２４０またはラベル付き訓練例のセット２４０は、複数の訓練例を含み、各ラベル付き訓練例は、それぞれのラベルに関連付けられる。ラベル付き訓練データセット２４０は、大動脈組織のセグメント化を実行するためにＤＬモデルのセット２５０を訓練するために使用される。ラベル付き訓練データセット２４０内の各画像は、大動脈、大動脈以外の動脈、管腔、ＩＬＴ、もしあれば石灰化の指標でセグメント化され得る。

【0128】

ラベル付き訓練データセット２４０の性質および訓練データの数は限定されず、手元のタスクに依存することが理解されよう。訓練データセット２４０は、予測を生成するために本明細書に記載の機械学習モデルによって処理することができる任意の種類のデジタルファイルを含むことができる。

【0129】

１つまたは複数の実施形態では、データベース２３５は、．ｔｆｒｅｃｏｒｄ、．ｃｓｖ、．ｎｐｙ、および．ｐｅｔａｓｔｏｒｍなどのＤＬファイルフォーマット、ならびに．ｐｂおよび．ｐｋｌなどのモデルを格納するために使用されるファイルフォーマットを格納することができる。データベース２３５はまた、限定はしないが、画像ファイルフォーマット（例えば、．ｐｎｇ、．ｊｐｅｇ）、動画ファイルフォーマット（例えば、．ｍｐ４、．ｍｋｖなど）、アーカイブファイルフォーマット（例えば、．ｚｉｐ、．ｇｚ、．ｔａｒ、．ｂｚｉｐ２）、文書ファイルフォーマット（例えば、．ｄｏｃｘ、．ｐｄｆ、．ｔｘｔ）またはウェブファイルフォーマット（例えば、．ｈｔｍｌ）などの周知のファイルフォーマットを格納することができる。

【0130】

非限定的な例として、ラベル付き訓練データセット２４０は、臨床医によって検証された手動注釈付きＳｉｍｐｌｅｗａｒｅ（商標）（Ｓｙｎｏｐｓｙｓ Ｉｎｃ．，Ｍｏｕｎｔａｉｎ Ｖｉｅｗ，Ｃａｌｉｆｏｒｎｉａ，米国）を使用して訓練されたオペレータによって注釈付けされたデータを有するＣＴ撮像装置（ＧＥ Ｍｅｄｉｃａｌ Ｓｙｓｔｅｍｓ，Ｃｈｉｃａｇｏ，Ｉｌｌｉｎｏｉｓ，米国）を使用して、腹部大動脈瘤に罹患した５６人の異なる患者から得られた６０３０個のＣＴ画像を含むことができる。

【0131】

データベース２３５は、検証データセット（図示せず）、テストデータセット（図示せず）などの他のタイプのデータを格納することができることが理解されよう。

【0132】

通信ネットワーク
本技術のいくつかの実施形態では、通信ネットワーク２２０はインターネットである。代替の非限定的な実施形態では、通信ネットワーク２２０は、任意の適切なローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、プライベート通信ネットワークなどとして実装することができる。通信ネットワーク２２０の実装形態は例示のみを目的としていることを明確に理解されたい。ワークステーションコンピュータ２１５および／またはサーバ２３０および／または別の電子デバイス（図示せず）と通信ネットワーク２２０との間の通信リンク２２５（別々に番号付けされていない）がどのように実装されるかは、とりわけ、医療撮像装置２１０、ワークステーションコンピュータ２１５、およびサーバ２３０の各々がどのように実装されるかに依存する。

【0133】

通信ネットワーク２２０は、ワークステーションコンピュータ２１５、サーバ２３０およびデータベース２３５の間でデータパケットを送信するために使用され得る。例えば、通信ネットワーク２２０を使用して、ワークステーションコンピュータ２１５とサーバ２３０との間で要求を送信することができる。

【0134】

大動脈組織のセグメント化手順
図３および図６を参照すると、本技術の１つまたは複数の非限定的な実施形態による、大動脈組織セグメント化手順３００、および大動脈組織セグメント化手順３００の間に得られた大動脈内の例示的なセグメント化された組織の概略図が示されている。

【0135】

１つまたは複数の実施形態では、大動脈組織セグメント化手順３００は、サーバ２３０によって実行されてもよい。大動脈組織セグメント化手順３００のいくつかの部分は、当業者によって認識されるように、サーバ２３０または電子デバイス（ワークステーションコンピュータ２１５など）によって並列に実行されてもよいと考えられる。

【0136】

大動脈組織セグメント化手順３００は、ＤＬモデルのセット２５０を使用して大動脈組織の意味的セグメント化を実行し、もしあれば石灰化組織を識別する。ＤＬモデルのセット２５０は、訓練手順中に大動脈組織のセグメント化および石灰化組織および非石灰化組織の分類を実行するように事前訓練されており、これについては下記でより詳細に説明する。

【0137】

大動脈組織セグメント化手順３００は、上述したように、少なくとも大動脈、ＩＬＴ、および分析目的のために除去される他の身体部分を含む所与の対象の身体の１つまたは複数の初期または入力画像３１０（図３には１つのみが示されている）を得る。画像は、医療撮像装置２１０、データベース２３５、またはサーバ２３０に接続された他の任意の電子デバイス（図示せず）から受信することができる。

【0138】

１つまたは複数の実施形態では、画像３１０は断面図である。画像は、例えば大動脈壁のＣＴ画像であってもよい。本技術の範囲から逸脱することなく、ＭＲＩなどの他の撮像モダリティを使用することができると考えられる。

【0139】

上述したように、画像３１０は、大動脈以外の所与の患者の１つまたは複数の器官を含むことができる。非限定的な例として、画像３１０は、例えば心臓ＣＴスキャンであってもよい。１つまたは複数の実施形態では、画像３１０は、造影剤を使用せずに医療撮像装置２１０によって取得されている。

【0140】

画像３１０は、様々な基準に基づいて画像のスタックから予め選択されてもよいことが理解されよう。１つまたは複数の他の実施形態では、画像３１０は、予め選択されなくてもよく、患者のＣＴ画像のスタックからランダムに選択されてもよい。

【0141】

第１のＤＬモデル２６０は、画像３１０を受信する。より具体的には、第１のＤＬモデル２６０の各特徴抽出器２６２は、画像３１０を入力として受信する。

【0142】

第１のＤＬモデル２６０は、それぞれの特徴抽出器２６４を介して、画像３１０から第１の画像特徴セット３１５を抽出する。第１の画像特徴セット３１５は、画像３１０内の大動脈およびＩＬＴの存在を示す深い特徴を含む。一実施形態では、深い特徴は、少なくとも１つの総腸骨動脈、少なくとも１つの外腸骨動脈および／または少なくとも１つの内腸骨動脈などの少なくとも別の動脈の存在をさらに示す。一実施形態では、深い特徴は、形状および境界などの抽象的なレベルの特徴と、テクスチャ特徴などの詳細な画像情報との組み合わせである。

【0143】

一実施形態では、第１の画像特徴セット３１５は、画像３１０内の大動脈およびＩＬＴの存在、ならびに任意選択的に少なくとも別の動脈の存在を示すテクスチャ、幾何学、トポロジカル、および構造的特徴のうちの１つ以上を含む深い特徴を含む。

【0144】

第１のＤＬモデル２６０のそれぞれの予測ネットワーク２６４は、第１の画像特徴セット３１５を使用して、画像３１０の関心領域（ＲＯＩ）３２０および背景３２４を得る。ＲＯＩ３２０は、少なくとも大動脈３２２（大動脈管腔３６０および大動脈壁３８８を含む）、ＩＬＴ３８６、および存在する場合には石灰化３８４（および任意選択的に少なくとも別の動脈）を含み、背景３２４は画像３１０の残りの部分を含み、これは他の器官および組織など（脊椎など）の残りの身体部分と、さらなる分析に必要とされない画像３１０の他の部分とを含む。

【0145】

１つまたは複数の実施形態では、それぞれの予測ネットワーク２６４は、画像３１０をセグメント化する、すなわち、画像３１０内の各画素をＲＯＩ３２０に属するかまたは背景３２４に属するものとして分類する。

【0146】

第１のＤＬモデル２６０は、ＲＯＩ３２０、すなわち大動脈、ＩＬＴ、および任意選択的に少なくとも別の動脈を含む入力画像３１０の部分を出力する。１つまたは複数の実施形態では、大動脈組織セグメント化手順３００は、画像３１０から背景３２４を減算してＲＯＩ３２０を得、ＲＯＩ３２０を出力することができる。

【0147】

ＲＯＩ３２０は、画像３１０の一部のみであってもよいことが理解されよう。
異なる時点で取得された同じ対象の画像が第１のＤＬモデル２６０に提供されている場合などの１つまたは複数の実施形態では、第１のＤＬモデル２６０は、この目的のために訓練されたネットワーク（例えば、より少ない隠れ層を含む浅いネットワーク）を使用することによって大動脈および／またはＩＬＴの幾何学的変化をさらに識別することができる。

【0148】

ＤＬモデルのセット２５０が３つのＤＬモデル２６０，２７０および２８０を含む実施形態では、第２のＤＬモデル２７０は、第１のＤＬモデル２６０によって識別されたＲＯＩ３２０を入力として受信する。

【0149】

第２のＤＬモデル２７０は、それぞれの特徴抽出器２７２を介して、ＲＯＩ３２０から第２の画像特徴セット３３５を抽出する。

【0150】

第２の画像特徴セット３３５は、ＲＯＩ３２０内の大動脈管腔３６０などの管腔の存在を示す。一実施形態では、第２の画像特徴セット３３５は、形状および境界などの抽象的なレベルの特徴と、テクスチャ特徴などの詳細な画像情報との組み合わせである深い特徴を含む。

【0151】

第２の画像特徴セット３３５は、一般に、第１の画像特徴セット３１５とは異なることが理解されよう。しかしながら、代替的な実施形態では、第１の画像特徴セット３１５の少なくともサブセットおよび第２の画像特徴セット３３５の少なくともサブセットが共有されてもよいと考えられる。

【0152】

第２のＤＬモデル２７０は、それぞれの予測ネットワーク２７４を介して、第２の画像特徴セット３３５に基づいて、ＲＯＩ３２０内の大動脈管腔３６０などの任意の動脈管腔を識別するためにＲＯＩ３２０をセグメント化し、ＲＯＩ３２０の残り（以下、ＲＯＩ３６０の背景と呼ぶ）は、大動脈壁３８８、ＩＬＴ３８６、存在する場合には石灰化３８４、および任意選択的に、少なくとも１つの総腸骨動脈、少なくとも１つの内腸骨動脈および／または少なくとも１つの外腸骨動脈の壁などの任意の他の動脈の壁を含む。第２のＤＬモデル２７０は、ＲＯＩ３２０内の各画素を管腔３６０と非管腔（すなわち、背景）のいずれかに分類する。一実施形態では、ＲＯＩ３２０の背景は大動脈壁およびＩＬＴを含む。入力画像３１０が総腸骨動脈、内腸骨動脈および／または外腸骨動脈を含む実施形態では、ＲＯＩ３２０の背景は、総腸骨動脈、内腸骨動脈および／または外腸骨動脈の壁をさらに含む。

【0153】

一実施形態では、第２のＤＬモデル２７０は、ＲＯＩ３２０で識別された管腔を出力する。一実施形態では、第２のＤＬモデル２７０の出力は、識別された管腔の画像である。別の実施形態では、第２のＤＬモデル２７０の出力は、管腔に属すると識別されたＲＯＩ３２０の画素の識別である。

【0154】

管腔３６０を得る際の第２のＤＬモデル２７０の性能は、事前の第１のＤＬモデル２６０によるＲＯＩ３２０の抽出およびセグメント化により、改善されることが理解されよう。

【0155】

減算ユニット２８５は、第１のＤＬモデル２６０からＲＯＩ３２０、および第２のＤＬモデル２７０から管腔を入力として受信し、ＲＯＩ３２０から管腔を除去してＲＯＩ３２０の背景を得る。

【0156】

第３のＤＬモデル２８０は、大動脈の壁、ＩＬＴ、および任意選択的に少なくとも別の動脈の壁を含むＲＯＩ３２０の背景を入力として受信し、ＲＯＩ３２０の背景内に石灰化組織がある場合、それを識別する。石灰化組織が検出された場合、第３のＤＬモデル２８０は、石灰化組織が検出されたという指標を出力する。指標は、入力画像が石灰化組織を含むものとしてタグ付けされ得るように、入力画像３１０と共にメモリに記憶され得る。別の例では、指標は、表示ユニットに表示するために提供されてもよい。

【0157】

一実施形態では、ＲＯＩ３２０の背景が石灰化組織を含まないと判定された場合、第３のＤＬモデル２８０は、石灰化組織が入力画像３１０内に検出されなかったという指標を出力する。指標は、入力画像が石灰化組織を含まないものとしてタグ付けされ得るように、入力画像３１０と共にメモリに記憶され得る。別の例では、指標は、表示ユニットに表示するために提供されてもよい。

【0158】

より具体的には、第３のＤＬモデル２８０は、それぞれの特徴抽出器２８２を介して、ＲＯＩ３２０の背景から第３の画像特徴セット３３５を抽出する。

【0159】

第３の画像特徴セット３６５は、ＲＯＩ３２０の背景における石灰化組織の存在を示す。一実施形態では、第３の画像特徴セット３６５は、形状および境界などの抽象的なレベルの特徴と、テクスチャ特徴などの詳細な画像情報との組み合わせである深い特徴を含む。

【0160】

第３のＤＬモデル２８０は、それぞれの予測ネットワーク２８４を介して、第３の画像特徴セット３６５に基づいて、ＲＯＩ３２０の背景をセグメント化して、石灰化組織を識別する。第３のＤＬモデル２８０は、ＲＯＩ３２０の背景内の各画素を石灰化組織に属するもの、または非石灰化組織に属するものとして分類する。

【0161】

１つまたは複数の実施形態では、特徴抽出器２８２は、ＲｅｓＮｅｔ ＣＮＮとして実装される。

【0162】

１つまたは複数の実施形態では、予測ネットワーク２８４はフィードフォワードニューラルネットワークとして実装される。

【0163】

図４を簡単に参照すると、拡張畳み込みを有するＲｅｓＮｅｔベースのエンコーダ－デコーダ４２０として実装された第１のＤＬモデル２６０、拡張畳み込みを有するＲｅｓＮｅｔベースのエンコーダ－デコーダ４４０として実装された第２のＤＬモデル２７０、およびＲｅｓＮｅｔベースの分類器４６０として実装された第３のＤＬモデル２８０の非限定的な例が示されている。

【0164】

ＲｅｓＮｅｔベースのエンコーダ－デコーダ４２０は、サイズ４、８、１６、および１６の複数のブロック４２２と、１×１畳み込み層、３×３拡張畳み込み層、３×３拡張畳み込み層、およびプーリング層を含む複数の層４２４とを備える。

【0165】

ＲｅｓＮｅｔベースのエンコーダ－デコーダ４２０は、複数のブロック４２２によって出力される第１の画像特徴セットの低レベル特徴を処理するための１ｘ１畳み込み層の形態の別の畳み込み層４２６を備え、別の畳み込み層４２６は、第１の画像特徴セットをアップサンプリングするための１ｘ１畳み込み層４２６の形態の第１のアップサンプリング畳み込み層４２８と積層される。最後のアップサンプリング畳み込み層４３０は、ＲＯＩ３２０を出力する３×３畳み込み層の形態である。

【0166】

同様に、ＲｅｓＮｅｔベースのエンコーダ－デコーダ４４０は、複数のブロック４４２によって出力される第２の画像特徴セットの低レベル特徴を処理するための１ｘ１畳み込み層の形態の別の畳み込み層４４６を備え、別の畳み込み層４４６は、第２の画像特徴セットをアップサンプリングするための１ｘ１畳み込み層４３６の形態の第１のアップサンプリング畳み込み層４４８と積層される。最後のアップサンプリング畳み込み層４５０は、セグメント化された管腔を出力する３×３畳み込み層の形態である。

【0167】

ＲｅｓＮｅｔベースの分類器４６０は隠れたＣＮＮ層４６２を含み、これは、ＲＯＩ３２０の背景（すなわち、識別された管腔が除去されたＲＯＩ３２０）を受信し、フィードフォワード分類層４６４によって処理されてＲＯＩ３２０の背景内の石灰化の存在の指標３８２を出力する深い画像特徴の第３のセットを生成する。

【0168】

ＤＬモデルのセット２５０が２つのＤＬモデルのみを含む実施形態では、第１のＤＬモデルは、拡張畳み込みを有するＲｅｓＮｅｔベースのエンコーダ－デコーダ４２０として実装されたＤＬモデル２６０であってもよい。第２のＤＬモデルは、ＲＯＩ３２０内の管腔および石灰化を同時に検出するために多クラスセグメント化のために訓練された完全畳み込み残差ネットワーク（ＲｅｓＮｅｔベースのＦＣＮ）であってもよい。

【0169】

一実施形態では、２つのＤＬモデルのみを含むシステムは、石灰化を管腔と見なすリスクを低減するので、石灰化の位置の改善された検出、および管腔のより正確なセグメント化を可能にする。

【0170】

訓練手順
ＤＬモデルのセット２５０の訓練中、より深いネットワーク層は、広範な値の区間に対するグリッド検索を使用することによってファインチューニングされる。ＤＬモデルのセット２５０のネットワークアーキテクチャにおける上位層は、様々なアプリケーションにおける共通の属性であるエッジ、境界、および形状などの画像のより一般的な特徴を抽出することが理解されよう。他の層の重みを一定に保つために、学習率は強制的に０にされる。最適な学習パラメータは、割り当てられた各値の検証データセットでモデル性能を評価することによって得ることができる。１つまたは複数の実施形態では、最適な学習パラメータは０．０２であると決定された。モーメンタムおよびスケジューリング速度は、ファインチューニングの各ステップで０．８および０．９と割り当てられた。拡張率は最後の２ブロックに対して２および４と割り当てられた。第３のＤＬモデル２８０のエンコーダ出力をアップサンプリングするために、デコーダにアップサンプリング係数８が割り当てられた。第３のＤＬモデル２８０のデコーダの出力は、１×１畳み込みを適用した後に低レベル特徴と組み合わされた。

【0171】

大動脈は通常、画像全体の小部分を表すので、重み付き損失関数が使用される。ＤＬモデルのセット２５０の性能は、損失関数として重み付きクロスエントロピーおよび重み付き一般化ダイスの両方を使用して評価される。

【0172】

一実装態様では、重み付きクロスエントロピーは、式（２）を使用して定義された重みで全体的に良好な性能を示した。

【0173】

【数2】

【0174】

式中、Ｎは、予測確率的マップ要素ｐ_ｎを用いて前景として注釈付けされた画像の数である。

【0175】

一実装形態では、ネットワーク最適化器としてＡｄａｍが適用され、Ｌ２正則化は０．０００５、ミニバッチサイズは１０、検証時間は６である。ＤＬモデルのセット２５０を訓練するために、データの８０％をＤＬモデルのセット２５０を訓練するために使用することができ、残りの２０％を検証およびテストデータセットのために２つに分割することができる。

【0176】

新しい対象データに対するＤＬモデルのセット２５０の性能を検証するために、１個の対象データを検証セットとして残し、他のすべての対象のデータをＤＬモデルのセット２５０によって訓練することによって、１個抜き交差検証を実行することができる。検証工程は、３２人の異なる対象のサブセットに対して３２回繰り返されてもよく、結果は、対象／患者ＩＤ（ｘ軸）およびモデル性能またはモデル正確度（ｙ軸）で図７に示されている。

【0177】

ＤＬモデルのセット２５０の訓練の結果を評価するために、各ステップで、正確度、感度、特異度、およびＢＦスコアを計算することができる。

【0178】

１つまたは複数の実施形態において、混同行列を使用することによって、クラスごとの正確度、感度、および特異度およびＢＦは、式（３）～（７）を使用することによって計算される。

【0179】

【数3】

【0180】

【数4】

【0181】

【数5】

【0182】

【数6】

【0183】

【数7】

【0184】

ＴＰ、ＦＰ、ＦＮ、およびＴＮは、それぞれ真陽性、偽陽性、偽陰性、および真陰性である。

【0185】

表Ｉは、訓練中のセグメント化された組織について得られた正確度、感度、特異度およびＢＦの結果を示す。

【0186】

【表1】

【0187】

表２は、大動脈のＣＴ画像における管腔の抽出について得られた正確度、感度、特異度およびＢＦの結果を示す。

【0188】

【表2】

【0189】

表３は、石灰化ＩＬＴ／壁対非石灰化ＩＬＴ／壁について得られた正確度、感度、特異度およびＢＦの結果を示す。

【0190】

【表3】

【0191】

図８を参照すると、各々が大動脈を含むＣＴスキャンの例示的な画像７０２（文字ａでラベル付けされている）、グランドトゥルースとして使用される注釈付き大動脈の画像７０４（文字ｂでラベル付けされている）、セグメント化された管腔を含むモデル決定７０６（文字ｃでラベル付けされている）、および抽出された大動脈７０８（文字ｄでラベル付けされている）が示されている。

【0192】

図９を参照すると、４つの異なる患者データのセグメント化の結果を示す例示的な画像、すなわち、抽出された大動脈７２０（文字ａでラベル付けされている）、注釈付きグランドトゥルース７２２（文字ｂでラベル付けされている）、管腔検出のためのモデル決定（文字ｃでラベル付けされている）、抽出された管腔７２６（文字ｄでラベル付けされている）、ならびに動脈壁およびＩＬＴ７２８（文字ｅでラベル付けされている）が示されている。

【0193】

本技術の１つまたは複数の実施形態によれば、大動脈は、２つの理由により第１のステップで元の画像から抽出されたことに留意されたい。第１の理由は、以下の通りである。大動脈をＲＯＩとして考慮することによって、ネットワークは、各組織を別々に考慮する代わりに、管腔と血栓と壁との関係を記述する追加の特徴を探しており、これにより、望ましくない周囲組織がすべて除去されるのでセグメント化の誤り率を低減することができる。さらに、大動脈は画像全体から抽出されるため、大動脈から管腔を抽出するだけでよく、残りの組織はＩＬＴと動脈壁（ＩＬＴ／壁）の組み合わせである。したがって、ＲｅｓｎｅｔベースのＦＣＮの同じ構成は、管腔セグメント化に適合され得る。前のステップの出力（大動脈）は、管腔を検出および抽出するためのさらなる処理のためにネットワークに供給される。第２の理由は、ＡＡＡ患者から得られたＣＴ画像の流体力学的分析を容易にし、特定することである。したがって、大動脈の手動セグメント化が、分析工程を加速するだけでなく、エラーが発生しやすい手動セグメント化を回避する高精度の自動化された手順に置き換えられるので、大動脈管腔の正確な抽出は、流体力学的分析の工程を改善する。

【0194】

最後に、血栓および動脈壁を評価して、石灰化組織と非石灰化組織とを区別する。石灰化はすべての場合に発生するわけではないので、石灰化を検出するために少数の画像でＦＣＮを訓練することは必ずしも効率的ではない場合がある。既存のデータセットでは、ＩＬＴ／壁のすべての画像から深い特徴を抽出することによって石灰化および非石灰化ＩＬＴ／壁を区別し、分類器を訓練して深い特徴間の類似性を考慮し、石灰化画像と非石灰化画像とを分類することがより効率的であり得る。この目的のために、いくつかの実施形態では、特徴抽出器としてのＣＮＮと、分類器としてのフィードフォワードニューラルネットワークとの組み合わせが使用される。ＩＬＴ／壁画像はすべて、石灰化または非石灰化として手動でラベル付けされる。一貫してネットワークを使用し、ＲｅｓＮｅｔが特徴抽出のための強力なＣＮＮであることを考慮し、前のステップから得られたＩＬＴ／壁のすべての画像から特徴が抽出される。抽出された深い特徴は、分類器として機能する４７９個の隠れ層ニューロンを有するフィードフォワードニューラルネットワークに供給される。ネットワークの最適な隠れサイズを見つけるために、図９に見られるように、ネットワークの性能は、１００から５００までの隠れサイズ値の広範な区間について評価される。訓練工程は、スケーリングされた共役勾配法に基づいており、２次導関数近似のための重み変化を推定するためにパラメータシグマが使用される。シグマの最適値を得るために、０．０００１から０．０１までの様々な値をシグマに割り当てることによって分類器の性能が評価される。図９に見られるように、値０．０８５に対してネットワークの最高性能が得られる。訓練は、１９１の最大検証失敗で１１５３エポックについて実施した。エポックおよび検証失敗の数について、ネットワークの性能は、図１０に見られるように、それぞれ１から２５００および０から５００の値について評価される。

【0195】

方法の説明
図１１は、大動脈組織をセグメント化して医療画像内の石灰化を検出するための方法６００のフローチャートを示し、方法６００は、本技術の１つまたは複数の非限定的な実施形態に従って実行される。

【0196】

１つまたは複数の実施形態では、サーバ２３０は、コンピュータ可読命令を記憶するソリッドステートドライブ１２０および／またはランダムアクセスメモリ１３０などの非一時的コンピュータ可読記憶媒体に動作可能に接続されたプロセッサ１１０および／またはＧＰＵ１１１などの処理デバイスを備える。処理デバイスは、コンピュータ可読命令を実行すると、方法８００を実行するように構成されるかまたは動作可能である。方法８００は、複数のデバイスによって実行されてもよいことが理解されよう。

【0197】

サーバ２３０は、ＤＬモデルのセット２５０にアクセスすることができ、ＤＬモデルのセット２５０の少なくとも一部は、医療撮像装置によって取得された画像内の大動脈の意味的セグメント化を実行するように訓練されている。サーバ２３０は、減算ユニット２８５にもアクセスすることができる。一実施形態では、モデルのセット２５０は、第１のＤＬモデル２６０、第２のＤＬモデル２７０、および第３のＤＬモデル２８０を含む。別の実施形態では、モデルのセット２５０は、第１のＤＬモデル２６０およびＤＬモデル２９０を含む。

【0198】

方法６００は、処理ステップ６０２で開始される。
処理ステップ６０２において、処理デバイスは、大動脈壁および／またはＩＬＴ上に石灰化を含むまたは含まないと分類される対象の画像を受信する。上述のように、画像は、大動脈、ＩＬＴ、およびさらなる分析のために除去される器官および組織などの他の身体部分を含む。一実施形態では、画像は、大動脈、ＩＬＴ、ならびに他の身体部分に加えて少なくとも１つの総腸骨動脈、少なくとも１つの外腸骨動脈および／または少なくとも１つの外腸骨動脈などの少なくとも１つの動脈を含む。

【0199】

１つまたは複数の実施形態では、画像３１０は、大動脈およびＩＬＴの少なくとも断面を含む断面画像である。画像３１０は、ＣＴスキャンスライスを含むことができる。

【0200】

処理ステップ６０４において、処理デバイスは、画像３１０からＲＯＩ３２０を抽出する。ＲＯＩ３２０は、大動脈およびＩＬＴを含む。画像３１０が少なくとも１つの総腸骨動脈、少なくとも１つの外腸骨動脈および／または少なくとも１つの外腸骨動脈などの少なくとも１つの動脈をさらに含む実施形態では、ＲＯＩ３２０は少なくとも１つの動脈をさらに含む。処理ステップ６０４において、ＲＯＩ３２０を得るために、上述の他の身体部分が画像３１０から除去されることを理解されたい。

【0201】

処理ステップ６０６において、処理デバイスは、ＲＯＩ３２０に含まれる大動脈３２０の壁および／またはＩＬＴが石灰化組織を含むか否かを判定する。

【0202】

処理ステップ６０６において、大動脈の壁および／またはＩＬＴが石灰化組織を含むと判定した場合、処理デバイスは、処理ステップ６０８において石灰化組織の存在の指標を出力する。

【0203】

方法６００はその後終了する。
一実施形態では、処理ステップ６０２は、ＤＬモデル２６０などの第１のＤＬモデルによって実行される。

【0204】

一実施形態では、方法６００は、ＲＯＩ３２０内の少なくとも大動脈の管腔を識別する処理ステップをさらに含む。ＲＯＩ３２０が大動脈に加えて少なくとも１つの動脈を含む実施形態では、動脈の管腔も識別される。

【0205】

一実施形態では、管腔の識別および石灰化の識別は、ＲＯＩ３２０を入力として受信するＤＬモデル２９０などの同じＤＬモデルによって同時に実行される。

【0206】

別の実施形態では、管腔の識別および石灰化の識別は、異なるＤＬモデルによって実行される。この場合、ＲＯＩ３２０内の管腔の識別は、ＤＬモデル２７０などの第２のＤＬモデルによって実行され、石灰化の識別は、ＤＬモデル２８０などの第３のＤＬモデルによって実行される。

【0207】

図１２は、３つのＤＬモデル２６０，２７０および２８０が使用される方法６００の例示的な実施形態に対応する方法８００を示す。

【0208】

方法８００は、ステップ８０２で開始される。
処理ステップ８０２において、処理デバイスは画像３１０を受信する。

【0209】

処理ステップ８０４において、処理デバイスは、第１のＤＬモデル２６０を使用して、画像３１０から第１の画像特徴セット３１５を抽出する。１つまたは複数の実施形態では、処理デバイスは、第１のＤＬモデル２６０のそれぞれの特徴抽出器２６４を使用して、画像３１０から第１の画像特徴セット３１５を抽出する。第１の画像特徴セット３１５は、画像３１０内の大動脈の少なくとも構造特性を示す。

【0210】

１つまたは複数の実施形態では、第１のＤＬモデル２６０は、ＲｅｓＮｅｔベースのエンコーダ－デコーダ４２０として実装される。

【0211】

処理ステップ８０６において、処理デバイスは、第１のＤＬモデル２６０を使用して、第１の画像特徴セット３１５に基づいて画像３１０のＲＯＩ３２０を得る。１つまたは複数の実施形態では、処理デバイスは、第１のＤＬモデル２６０のそれぞれの予測ネットワーク２６４を使用して、第１の画像特徴セット３１５に基づいて画像３１０のＲＯＩ３２０を得る。

【0212】

１つまたは複数の実施形態では、第１のＤＬモデル２６０は、ＲＯＩ３２０および異なる時点で取得されたＲＯＩに基づいて大動脈の幾何学的変動を識別するための訓練されたネットワーク（例えば、１つまたは２つの隠れ層を有する訓練されたニューラルネットワーク）を含むか、またはそれに先立つことができる。

【0213】

処理ステップ８０８において、処理デバイスは、第２のＤＬモデル２７０を使用して、ＲＯＩ３２０から第２の画像特徴セット３３５を抽出する。処理デバイスは、第２のＤＬモデル２７０のそれぞれの特徴抽出器２７２を使用して、ＲＯＩ３２０から第２の画像特徴セット３３５を抽出して得る。第２の画像特徴セット３３５は、ＲＯＩ３２０に存在する管腔の少なくとも構造特性を示す。

【0214】

１つまたは複数の実施形態では、第２のＤＬモデル２７０は、第１のＤＬモデル２６０と同様のＲｅｓＮｅｔベースのエンコーダ－デコーダとして実装される。

【0215】

処理ステップ８１０において、処理デバイスは、第２の画像特徴セット３３５に基づいて、ＲＯＩ３２０をセグメント化して、少なくとも大動脈３２２の管腔３６０、および任意選択的にＲＯＩ３２０に含まれる任意の他の動脈の管腔を得る。１つまたは複数の実施形態では、処理デバイスは、第２のＤＬモデル２７０のそれぞれの予測ネットワーク２７４を使用して第２の画像特徴セット３３５に基づいてＲＯＩ３２０をセグメント化して管腔を得る。

【0216】

処理ステップ８１２において、処理デバイスは、ＲＯＩ３２０内で識別された管腔をＲＯＩ３２０から除去して、大動脈の壁およびＩＬＴを含むＲＯＩ３２０の背景、および任意選択でＲＯＩ３２０に存在する大動脈以外の任意の動脈の壁を得る。

【0217】

処理ステップ８１４において、処理デバイスは、第３のＤＬモデル２８０を使用することによって、ＲＯＩ３２０の背景から第３の画像特徴セット３６５を抽出する。１つまたは複数の実施形態では、第３のＤＬモデル２８０は、ＣＮＮとニューラルネットワークとの組み合わせとして実装される。

【0218】

処理デバイスは、第３のＤＬモデル２８０のそれぞれの特徴抽出器２８２を使用して、第３の画像特徴セット３６５を抽出する。第３の画像特徴セット３６５は、石灰化の少なくとも構造特性を示す。

【0219】

処理ステップ８１６において、処理デバイスは、第３の画像特徴セット３６５に基づいて第３のＤＬモデル２８０を使用して、ＲＯＩ３２０の背景に含まれる組織を石灰化しているかまたは石灰化していないかに分類して、画像３１０内の石灰化の存在の指標を得る。処理デバイスは、第３のＤＬモデル２８０のそれぞれの予測ネットワーク２８４を使用して、第３の画像特徴セット３６５に基づいて、ＲＯＩ３２０の背景に含まれる組織を石灰化しているまたは石灰化していないものとして分類する。

【0220】

処理ステップ８１８において、処理デバイスは、ステップ８１６で石灰化が検出された場合、画像３１０内の石灰化の存在の指標を出力する。ステップ８１６で石灰化が検出されない場合、ステップ８１８で指標は出力されない。

【0221】

一実施形態では、石灰化の存在の指標は、セグメント化画像内の石灰化の視覚的指標を有するセグメント化画像を含む。非限定的な例として、視覚的指標は、着色された輪郭および石灰化形成のサイズの指標を含むことができる。

【0222】

方法８００はその後終了する。
方法８００は、画像３１０を処理するために前処理ステップを使用することを必要とせず、ＤＬモデルのセット２５０は、標準的なセグメント化技術と比較して比較的小さなデータセット（例えば、１０００個の画像）で訓練することができることが理解されよう。さらに、方法８００は、造影剤を使用することによって取得された画像を必要としない。

【0223】

本明細書で言及されるすべての技術的効果が、本技術のありとあらゆる実施形態において享受される必要はないことを明確に理解されたい。例えば、本技術の実施形態は、ユーザがこれらの技術的効果のいくつかを享受することなく実装されてもよく、他の非限定的な実施形態は、ユーザが他の技術的効果を享受するか、または全くなしで実装されてもよい。

【0224】

これらのステップおよび信号送信－受信のいくつかは当技術分野で周知であり、したがって、簡略化のためにこの説明の特定の部分では省略されている。信号は、光学的手段（光ファイバ接続など）、電子的手段（有線または無線接続など）、および機械的手段（例えば、圧力に基づく、温度に基づく、または任意の他の適切な物理的パラメータに基づく）を使用して送受信することができる。

【0225】

以下に、実験研究の結果を示す。
背景
本プロトコルは、本セグメント化モデルの訓練および検証を要約し、１９の遡及的患者データに関する分析者２人の結果の盲検比較によって評価者間の信頼性に対処する。

【0226】

自動セグメント化モデルのモデル開発と訓練のまとめ
本セグメント化モデルは、大動脈壁および動脈瘤の構造の正確で再現可能な自動再構成の臨床的必要性を考慮して設計された。

【0227】

大動脈および腸骨動脈を含むＲＯＩの検出および抽出のために、拡張畳み込みを有するＲｅｓｎｅｔベースのＦＣＮを使用した。値の広範な区間を求めるグリッド検索を使用して、より深いネットワーク層からファインチューニングを開始した。ネットワークアーキテクチャの上位層は、エッジ、境界、および形状など、画像のより一般的な特徴を抽出する役割を担い、これらは様々なアプリケーションで共通の属性である。我々の患者データセットを考慮して過剰適合の懸念を緩和するために注意が払われた。他のすべての層の重みは、それらの層の学習率を０に強制することによって一定のままであった。最適な学習パラメータは、割り当てられた値ごとに設定された検証に対するモデル性能を評価することで得られる。最適な学習パラメータは０．０２と決定される。モーメンタムおよびスケジューリング速度は、ファインチューニングの各ステップで０．８および０．９と割り当てられた。拡張率は最後の２ブロックに対して２および４と割り当てられる。エンコーダ出力をアップサンプリングするために、アップサンプリング係数８がデコーダに割り当てられる。デコーダの出力は、１×１畳み込みを適用した後に低レベル特徴と組み合わされる。ＲＯＩは、第１のクラスおよび他のすべての周囲組織としてラベル付けされ、画像背景は、第２のクラスとしてラベル付けされる。ＲＯＩは画像全体のごく一部であるため、重み付き損失関数が考慮される。ネットワークの性能は、損失関数として重み付きクロスエントロピーおよび重み付き一般化ダイスの両方を使用して評価される。重み付きクロスエントロピーは、式（２）を使用して定義された重みでより良好な性能を実証する。

【0228】

Ａｄａｍネットワークオプティマイザは、Ｌ２正則化０．０００５、ミニバッチサイズ８、および検証時間６で適用される。

【0229】

訓練は、以下の３つの異なるステップで実行される。
１．管腔、ＩＬＴ、腸骨動脈、および石灰化：モデルを訓練するために、データの８０％を訓練に使用し、残りの２０％を検証および試験セットのために２つに分割する。

【0230】

２．管腔／石灰化ネットワーク：管腔および石灰化を検出するための多クラスセグメント化には、ネットワークの同じ構成を使用する。この場合、管腔、石灰化および背景として３つのクラスが定義される。訓練は、データの８０％を訓練セットに割り当てることによって実行し、残りの２０％は、検証および試験セットのために２つに分割する。

【0231】

一実施形態では、ＤＬモデル構成は、ＲＯＩおよび管腔の検出のためだけに拡張畳み込みを有するＲｅｓｎｅｔベースのＦＣＮを使用して開発される。抽出された大動脈壁は、石灰化組織と非石灰化組織とを区別するためにＣＮＮとニューラルネットワークとの組み合わせを使用して分析される。訓練は、手術（開放およびＥＶＡＲの両方）のために選択された患者、ならびに前向き試験に登録された３人の患者の術前動的ＣＴ画像を含む第１のデータセットを使用して行われる。

【0232】

一実施形態では、モデルは、より多くの患者データについて再訓練することによって改善される。第２のデータセットは、ベースラインまたはフォローアップに関する情報が得られていない遡及的患者のランダム選択の一部である。患者は、腹部大動脈瘤ＣＴ撮像を受けた無作為の患者であった。このデータセットは、ほとんどの場合が動的ＣＴ画像を有し、少数の場合が静的ＣＴ画像を有する。

【0233】

一実施形態では、モデルの改善は、以下の２つのステップで実行される。
１．第２および第３のＤＰネットワークを、ＲＯＩ内の管腔および石灰化の両方を同時に検出するために単一の多クラスセグメント化ネットワークによって置き換える。

【0234】

２．自動セグメント化モデルを再訓練するための第３のデータセットから患者を選択する。第３のデータセットは、腹部大動脈瘤と診断されたが手術が選択されず、連続動的ＣＴで監視された患者を含む、遡及的研究からの画像の選択であった。このデータセットについて、どのスキャンがベースラインであり、どのスキャンが各患者の追跡調査であったかに関する情報が利用可能であった。再訓練はベースラインで行った。

【0235】

本科学的検証プロトコルの目的は、腹部大動脈瘤の様々な組織を特徴付けるために開発された本セグメント化モデルを検証することである。

【0236】

セグメント化モデルの検証は、本発明者らの第３のデータセットから選択された１９個のベースラインＤＩＣＯＭ画像に対して実行された。患者は、モデルの訓練に関与したことがなく、モデルによって分析されたことがない。

【0237】

方法
本研究は、本セグメント化方法を検証するために設計されている。各患者について、評価者間の信頼性を３つの異なるステップで評価する：１．セグメント化モデルの性能をグランドトゥルースと比較する。２．セグメント化モデルの性能を訓練された観察者と比較する。３．訓練された観察者によって作成されたセグメント化をグランドトゥルースと比較する。

【0238】

試験手順
各ＤＩＣＯＭ ＣＴスライスについて、元の画像をセグメント化ネットワークに供給した。自動セグメント化の出力と、対応するグランドトゥルースマスクとの間の混同行列を計算することによって、ピクセルごとの比較を実行した。自動セグメント化の出力と訓練された観察者によって作成された対応するマスクとの間で同じ計算を行った。各スライスについて計算された混同行列を使用して、クラスごとの正確度、感度、特異度、およびＢＦスコアを測定した。１９人の患者全員について、実験をスライスごとに実施し、さらなる統計分析のために結果を保存した。

【0239】

データキャプチャ
セグメント化モデルは、４つの異なる出力（すべてＤＩＣＯＭ形式）を有する：１．大動脈壁、管腔、ＩＬＴ、および石灰化の組み合わせを含む抽出された大動脈、２．抽出された管腔、３．抽出された石灰化、４．検出されたランドマーク。すべての計算された混同行列、正確度、感度、特異度、およびＢＦスコアは、．ｍａｔとして保存した。

【0240】

データ分析および許容基準
自動セグメント化出力と、対応するグランドトゥルースマスクと、別個の訓練された観測者との間の一致を、個々のバイアスを識別するために検証する。

【0241】

グランドトゥルースは訓練された観察者によって作成され、作成されたマスクの品質および正確度は、独立した経験豊富な裁定者によって検証された。グランドトゥルースは１９人の患者全員について作成された。訓練された観察者は、１９人の異なる患者の同じＤＩＣＯＭ画像のセグメント化におけるバイアスの可能性を減らすためにグランドトゥルースに対して盲検化された。

【0242】

各患者について、自動セグメント化を各スライスに適用した。次に、各出力（ＲＯＩ、管腔、およびランドマーク）について混同行列を計算することによって、セグメント化ネットワークの出力を別々に評価した。正のクラスをＲＯＩとして定義し、負のクラスを背景および周囲組織として定義することによって、混同行列を以下のように計算した：

【0243】

【表4】

【0244】

ＴＰ、ＦＰ、ＴＮ、およびＦＮは、それぞれ真陽性、偽陽性、真陰性、および偽陰性である。

【0245】

ＴＰは、各ネットワークのＲＯＩとして正しくセグメント化されたピクセルを表し、ＦＰは、ＲＯＩとして誤ってセグメント化された背景ピクセルを決定し、ＴＮは、背景および周囲組織として正しくセグメント化されたピクセルを表し、ＦＮは、背景および周囲組織として誤ってセグメント化されたＲＯＩピクセルを決定する。

【0246】

混同行列を使用して、式（３）～（７）によって提供される正確度、感度、特異度、およびＢＦスコアの一般的な定義を使用して、ＲＯＩの検出および抽出におけるセグメント化モデルの完全な評価のためのクラスごとの正確度、感度、特異度を測定した。ＢＦスコアは、ＲＯＩのセグメント化された境界がグランドトゥルース境界にどれだけ近いかを評価する（表４～６参照）。

【0247】

【表5】

【0248】

【表6】

【0249】

【表7】

【0250】

【表8】

【0251】

【表9】

【0252】

【表10】

【0253】

本技術の上述の実装に対する変更および改良は、当業者には明らかになり得る。前述の説明は、限定ではなく例示であることを意図している。

【図1】

【図2】

【図3】

【図4】

【図5】

【図】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【手続補正書】

【提出日】2023-08-23

【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】

所与の対象の身体の画像内の大動脈組織をセグメント化するための方法であって、前記方法はプロセッサによって実行され、前記プロセッサは、画像内の組織をセグメント化するように訓練された少なくとも１つの深層学習モデルにアクセスすることができ、前記方法が、
前記所与の対象の前記身体の前記画像を受信するステップであって、前記画像が大動脈、管腔内血栓、および追加の身体部分を含む、受信するステップと、
前記受信画像から関心領域を抽出するステップであって、前記関心領域が前記大動脈および前記管腔内血栓を含む、抽出するステップと、
前記関心領域内で大動脈壁および前記管腔内血栓の少なくとも一方における石灰化の存在を判定するステップと、
前記石灰化の前記存在の指標を出力するステップと、
を含む、方法。

【請求項2】

前記少なくとも１つの深層学習モデルが、第１の深層学習モデルと第２の深層学習モデルとを含み、前記関心領域を抽出する前記ステップが、前記第１の深層学習モデルによって実行され、前記石灰化の前記存在を判定する前記ステップが、前記第２の深層学習モデルによって実行される、請求項１に記載の方法。

【請求項3】

前記関心領域を抽出する前記ステップが、
前記第１の深層学習モデルを使用して前記画像から第１の画像特徴を抽出することであって、前記第１の画像特徴が前記大動脈および前記管腔内血栓を示す、第１の画像特徴を抽出することと、
前記第１の深層学習モデルを使用して、前記第１の画像特徴を使用して前記画像からの前記関心領域をセグメント化することと、
を含む、請求項２に記載の方法。

【請求項4】

前記関心領域内の前記大動脈の大動脈管腔を検出するステップをさらに含み、前記大動脈管腔、前記大動脈壁、および前記管腔内血栓が前記関心領域を一緒に形成する、請求項３に記載の方法。

【請求項5】

前記大動脈管腔を検出する前記ステップが、前記第２の深層学習モデルによって実行され、前記大動脈管腔を検出する前記ステップおよび前記石灰化の前記存在を判定する前記ステップが、前記第２の深層学習モデルによって同時に実行される、請求項４に記載の方法。

【請求項6】

前記第２の深層学習モデルが、前記関心領域から第２の画像特徴を抽出するように構成され、前記第２の画像特徴が前記大動脈管腔および前記石灰化を示し、前記石灰化の前記存在を判定する前記ステップが、前記第２の画像特徴を使用して実行される、請求項５に記載の方法。

【請求項7】

前記少なくとも１つの深層学習モデルが、第３の深層学習モデルをさらに含み、前記大動脈管腔を検出する前記ステップが、前記第３の深層学習モデルによって実行され、前記方法が、前記関心領域から前記大動脈管腔を除去し、それによって前記大動脈壁および前記管腔内血栓を得るステップをさらに含む、請求項４に記載の方法。

【請求項8】

前記大動脈管腔を検出する前記ステップが、
前記第３の深層学習モデルを使用して、前記関心領域から第２の画像特徴を抽出することであって、前記第２の画像特徴が前記大動脈管腔を示す、第２の画像特徴を抽出することと、
前記第３の深層学習モデルを使用して、前記第２の画像特徴を使用して前記関心領域から前記大動脈管腔をセグメント化することと、を含み、
前記第２の深層学習モデルが、
前記大動脈壁および前記管腔内血栓から第３の画像特徴を抽出するように構成され、前記第３の画像特徴が前記石灰化を示し、前記石灰化の前記存在を判定する前記ステップが、前記第３の画像特徴を使用して前記第２の深層学習モデルによって実行される、請求項７に記載の方法。

【請求項9】

前記第３の深層学習モデルが、完全畳み込みネットワーク（ＦＣＮ）ベースのモデルを含む、請求項７に記載の方法。

【請求項10】

前記第３の深層学習モデルが、拡張畳み込み層とバイナリ分類器とのうちの１つを含む、請求項９に記載の方法。

【請求項11】

所与の対象の身体の画像内の大動脈組織をセグメント化するためのシステムであって、前記システムが、
プロセッサと、
前記プロセッサに動作可能に接続された非一時的記憶媒体であって、前記非一時的記憶媒体がコンピュータ可読命令を含む、非一時的記憶媒体と、
を備え、
前記プロセッサは、画像内の組織をセグメント化するように訓練された少なくとも１つの深層学習モデルにアクセスすることができ、前記プロセッサは、前記コンピュータ可読命令を実行すると、
前記所与の対象の前記身体の前記画像を受信し、前記画像が大動脈、管腔内血栓、および追加の身体部分を含み、
前記受信画像から関心領域を抽出し、前記関心領域が前記大動脈および前記管腔内血栓を含み、
前記関心領域内で大動脈壁および前記管腔内血栓の少なくとも一方における石灰化の存在を判定し、
前記石灰化の前記存在の指標を出力する
ように構成されている、システム。

【請求項12】

前記少なくとも１つの深層学習モデルが、第１の深層学習モデルと第２の深層学習モデルとを含み、前記関心領域を前記抽出することが、前記第１の深層学習モデルによって実行され、前記石灰化の前記存在を前記判定することが、前記第２の深層学習モデルによって実行される、請求項１１に記載のシステム。

【請求項13】

前記関心領域を前記抽出することが、
前記第１の深層学習モデルを使用して前記画像から第１の画像特徴を抽出することであって、前記第１の画像特徴が前記大動脈および前記管腔内血栓を示す、第１の画像特徴を抽出することと、
前記第１の深層学習モデルを使用して、前記第１の画像特徴を使用して前記画像からの前記関心領域をセグメント化することと、
を含む、請求項１２に記載のシステム。

【請求項14】

前記関心領域内の前記大動脈の大動脈管腔を検出するステップをさらに含み、前記大動脈管腔、前記大動脈壁、および前記管腔内血栓が前記関心領域を一緒に形成する、請求項１３に記載のシステム。

【請求項15】

前記大動脈管腔を前記検出することが、前記第２の深層学習モデルによって実行され、前記大動脈管腔を前記検出することおよび前記石灰化の前記存在を前記判定することが、前記第２の深層学習モデルによって同時に実行される、請求項１４に記載のシステム。

【請求項16】

前記第２の深層学習モデルが、前記関心領域から第２の画像特徴を抽出するように構成され、前記第２の画像特徴が前記大動脈管腔および前記石灰化を示し、前記石灰化の前記存在を前記判定することが、前記第２の画像特徴を使用して実行される、請求項１５に記載のシステム。

【請求項17】

前記少なくとも１つの深層学習モデルが、第３の深層学習モデルをさらに含み、前記大動脈管腔を前記検出することが、前記第３の深層学習モデルによって実行され、前記方法が、前記関心領域から前記大動脈管腔を除去し、それによって前記大動脈壁および前記管腔内血栓を得るステップをさらに含む、請求項１４に記載のシステム。

【請求項18】

前記大動脈管腔を前記検出することが、
前記第３の深層学習モデルを使用して、前記関心領域から第２の画像特徴を抽出することであって、前記第２の画像特徴が前記大動脈管腔を示す、第２の画像特徴を抽出することと、
前記第３の深層学習モデルを使用して、前記第２の画像特徴を使用して前記関心領域から前記大動脈管腔をセグメント化することと、を含み、
前記第２の深層学習モデルが、
前記大動脈壁および前記管腔内血栓から第３の画像特徴を抽出するように構成され、前記第３の画像特徴が前記石灰化を示し、前記石灰化の前記存在を前記判定することが、前記第３の画像特徴を使用して前記第２の深層学習モデルによって実行される、請求項１７に記載のシステム。

【請求項19】

前記第３の深層学習モデルが、完全畳み込みネットワーク（ＦＣＮ）ベースのモデルを含む、請求項１７に記載のシステム。

【請求項20】

前記第３の深層学習モデルが、拡張畳み込み層とバイナリ分類器とのうちの１つを含む、請求項１９に記載のシステム。

【国際調査報告】