JP7745265B2 - 予測モデルを組み合わせた画像の効率的な人工知能分析 - Google Patents

Description

関連出願
本出願は、発明者であるＳｅｔｈ Ｗａｌｌａｃｋ、Ａｒｉｅｌ Ａｙａｖｉｒｉ Ｏｍｏｎｔｅ、および Ｒｕｂｅｎ Ｖｅｎｅｇａｓによる「Ｅｆｆｉｃｉｅｎｔ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ａｎａｌｙｓｉｓ ｏｆ Ｒａｄｉｏｇｒａｐｈｉｃ Ｉｍａｇｅｓ」と題された、２０１９年１２月２７日出願の米国仮特許出願第６２／９５４，０４６、２０２０年２月２４日出願の米国仮特許出願第６２／９８０，６６、ならびに発明者Ｓｅｔｈ Ｗａｌｌａｃｋ、Ａｒｉｅｌ Ａｙａｖｉｒｉ Ｏｍｏｎｔｅ、Ｒｕｂｅｎ Ｖｅｎｅｇａｓ、Ｙｕａｎ－Ｃｈｉｎｇ Ｓｐｅｎｃｅｒ Ｔｅｎｇ およびＰａｒａｔｈｅｅｖ Ｓａｂａｒａｎｔｎａｍ Ｓｔｒｅｅｔｈａｒａｎによる、「Ｅｆｆｉｃｉｅｎｔ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ Ａｎａｌｙｓｉｓ ｏｆ Ｒａｄｉｏｇｒａｐｈｉｃ Ｉｍａｇｅｓ ｗｉｔｈ ｃｏｍｂｉｎｅｄ ｐｒｅｄｉｃｔｉｖｅ ｍｏｄｅｌｉｎｇ」と題された、２０２０年９月２５日出願された、米国仮特許出願番号６３／０８３，４２２に基づく利益と優先権を主張するものであり、これらの米国仮出願はその全体を参照することで、本明細書に引用される。

人工知能（ＡＩ）プロセッサ、例えば訓練済みニューラルネットワークは、撮像された動物が特定の疾病にある可能性を判定するために、動物の放射線画像を処理するのに有用である。典型的には、様々なＡＩプロセッサがそれぞれの身体領域（例えば胸部、腹部、肩部、前肢、後肢など）および／あるいは個々のかかる身体領域の特定の配向（例えば背腹（ＶＤ）図、側面図など）を評価するために用いられる。特定のＡＩプロセッサはそれぞれの身体領域および／あるいは各身体領域の配向において、対象となる特定の身体領域に関して特定の疾病が存在する可能性を判定する。そのようなＡＩプロセッサのそれぞれは、撮像された領域内の疾病あるいは器官をそれぞれ評価するための多数の訓練済みモデルを含む。例えば、動物の胸部の側面図に関して、ＡＩプロセッサは、動物に肺門周辺浸潤、肺炎、気管支炎、肺結節などの肺に関連する特定の疾病が存在する可能性を判定するために、様々なモデルを用いる。

個々の上記ＡＩプロセッサそれぞれによって行われる処理の量、および当該処理を完了するのに必要な時間の量は、膨大である。上記タスクは、（１）特定のＡＩプロセッサにより、画像が評価される前に、特定の身体領域および配向を定義する各画像に対する、手動による識別、およびクロッピング、あるいは（２）評価のためＡＩプロセッサへの画像の提供を必要とする。放射線学的検査が特定のエリアに制限されたヒトの放射線医学と異なり、獣医放射線医学は慣例的に１回の検査において、未知の配向の複数の身体領域を備えた、複数の未標識画像を対象としている。

動物の放射線画像を処理する従来のワークフローでは、システムは、ユーザにより識別された身体領域が画像内に含まれていると仮定する。次にユーザにより識別された画像は、例えば、特定の身体領域にとって病状が存在する可能性を評価するために機械学習モデルを用いる特定のＡＩプロセッサへと送られる。しかし、身体領域の識別をユーザに要求することで、従来のワークフローに煩わしさが生じ、識別された身体領域が正しくない場合に、または複数の領域が画像に含まれている場合、誤差が生じてしまう。さらに、身体領域のユーザ認識のない画像がシステムに送られる場合、従来のワークフローは非効率的に（または故障する）なる。このような事態が生じると、識別されていない画像は、撮像された身体領域に特化していない多数のＡＩプロセッサへと送られるため、従来のワークフローは非効率的である。さらに、不正確な領域識別が、ことなる体領域を評価するＡＩプロセッサへと送られてしまうため、従来のワークフローは異なる結果を生じさせる。

ＡＩを用いて放射線画像の診断特性を分析し、ＡＩモデル診断に基づいたレポ－トを用意するための従来のワークフローは、指数的な数の、おこりうる出力レポ－トをもたらす。ＡＩモデル診断結果は、特定の疾病に対する、正常または異常という判定のいずれかを提供する。いくつかのＡＩモデルでは、特定の疾病の重症度、例えば、正常、最小、軽度、中程度、重度、の判定も提供される。ＡＩモデル診断結果の収集により、あらかじめ作られたレポートのテンプレートから選択されるべきレポートを決定する。ＡＩモデル診断結果の収集から１つのレポートのテンプレートを作成して、選択するプロセスは、ＡＩモデルの数により指数的に規模が大きくなる。６つの異なるＡＩモデルの正常／異常という診断結果には、６４個の異なるレポートのテンプレート（２の６乗）が必要となる。１０個のモデルには１，０２４のテンプレート、１６個のモデルが６５，５３６のテンプレートが必要となる。さらにわるい重症度スケールを検出するＡＩモデル、例えば、それぞれ５つ起こり得る重症度を備えている、１６個の重症度のＡＩモデルには、１５００億個を超えるテンプレートが必要となるだろう。したがって、ＡＩモデル診断結果の組み合わせそれぞれに対し、手動で作成されたレポートは、まとめて解釈されている多数のＡＩモデルに対して十分に調整されない。

したがって、画像処理と画像分析のさまざまな完全に自動化された段階を備えた、新規のシステムであって、この段階は受信画像が特定の配向（側面図など）にある、特定の身体領域を含むかどうかを判定すること、画像を適切にクロッピングすること、１つ以上の身体領域または対象領域を伴う元の画像から、１つ以上のサブ画像を作成すること、元の画像と任意の作成されたサブ画像に標識すること、および目標としたＡＩモデルに対して、クロッピングされた画像およびサブ画像を評価すること、さらに、ＡＩモデル結果を含むが、これらに限定されない、多数の検査結果に基づく画像診断放射線医レポートを分析して提供する、新規のシステムが必要とされる。

本明細書に記載される発明の一態様は、診断放射線画像または対象の画像を分析する方法であって、画像を１つ以上の身体領域へ分類して、または、分類された画像を配向し、クロッピングするためのプロセッサを用いて対象の放射線画像を自動的に処理することで、自動的に分類される各身体領域のために、少なくとも１つの、配向され、クロッピングされ、および標識されたサブ画像を取得する工程、サブ画像を少なくとも１つの人工知能プロセッサに向ける工程、ならびに、人工知能プロセッサにより、サブ画像を評価して、対象の放射線画像を分析する工程、を含む方法を提供する。

上記方法の一実施形態は、身体領域、および病状の存在に関するサブ画像の査定する人工知能プロセッサを用いる工程をさらに含む。身体領域は例えば胸部、腹部、前肢、後肢などである。上記方法の一実施形態は、サブ画像から病状を診断するために人工知能プロセッサを用いる工程をさらに含む。上記方法の一実施形態は、対象の位置のサブ画像を査定するために人工知能プロセッサを用いる工程をさらに含む。上記方法の一実施形態は、対象のポジショニングを適切なポジショニングに修正する工程をさらに含む。

上記方法の一実施形態では、プロセッサはサブ画像を取得するために自動で放射線画像をすみやかに処理する。上記方法の一実施形態では、プロセッサはサブ画像を取得するため、放射線画像を約１分未満、約３０秒未満、約２０秒未満、約１５秒未満、約１０秒未満あるいは約５秒未満で処理する。上記方法の一実施形態では、評価する工程は、サブ画像を、多数のライブラリのうち、少なくとも１つにおける、多数の参照放射線画像と比較することを、さらに含む。上記方法の一実施形態では、多数のライブラリはそれぞれ、参照放射線画像のそれぞれを含む。

上記方法の一実施形態では、多数のライブラリはそれぞれ、動物種に特異的かまたは非特異的である多数の参照放射線画像を含む。上記方法の一実施形態はサブ画像を参照放射線画像と一致させ、配向および少なくとも１つの身体領域を査定する工程をさらに含む。上記方法の一実施形態では、医療におけるデジタル画像化と通信（Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ ｉｎ Ｍｅｄｉｃｉｎｅ）（ＤＩＣＯＭ）標準ハンギングプロトコル内で、参照放射線画像は配向される。

上記方法の一実施形態では、クロッピングすることは、サブ画像中の特定の身体領域を分離することを含む。上記方法の一実施形態は、獣医放射線画像標準身体領域標識によって、参照放射線画像を分類する工程をさらに含む。上記方法の一実施形態では、配向することは、放射線画像を獣医放射線画像の標準ハンギングプロトコルに適合させることをさらに含む。上記方法の一実施形態では、クロッピングすることは、放射線画像のサブ画像を標準アスペクト比にトリミングすることをさらに含む。上記方法の代替的実施形態では、クロッピングすることは、放射線画像のサブ画像を標準アスペクト比にトリミングすることをさらに含まない。上記方法の一実施形態では、分類することはさらに、獣医学標準身体領域標識によって身体領域を識別して、および標識することを含む。上記方法の一実施形態では、分類することはさらに、放射線画像をサンプルの標準放射線画像のライブラリと比較することをさらに含む。

上記方法の一実施形態は、放射線画像をライブラリ内のサンプル画像に合わせて、放射線画像を１つ以上の身体領域へ分類する工程をさらに含む。上記方法の一実施形態では、クロッピングすることはさらに、分類された身体領域をそれぞれ描写する放射線画像の境界を識別することをさらに含む。上記方法の一実施形態は、分類することに先立って、放射線画像のシグネチャを抽出する工程を含む。上記方法の一実施形態では、放射線画像は放射線画像、すなわち、Ｘ線、核磁気共鳴画像法（ＭＲＩ）、磁気共鳴血管画像法（ＭＲＡ）、コンピュータ断層撮影（ＣＴ）、蛍光透視法、マンモグラフィ、核医学、陽電子放出断層撮影（ＰＥＴ）、および超音波から選択される、放射線検査から得られる。上記方法の一実施形態では、放射線画像は写真である。

上記方法の一実施形態では、対象は哺乳動物、爬虫類、魚類、類、両生、脊索動物、および鳥類から選択される。上記方法の一実施形態では、哺乳動物はイヌ、ネコ、げっ歯類、ウマ、ヒツジ、ウシ、ヤギ、ラクダ、アルパカ、水牛、ゾウおよびヒトから選択される。上記方法の一実施形態では、対象はペット、家畜、貴重な動物園動物、野生動物、および研究動物から選択される。上記方法の一実施形態は、人工知能プロセッサによるサブ画像の評価を伴う少なくとも１つのレポートを自動的に生成する工程をさらに含む。

本明細書に記載される発明の一態様は、対象の放射線画像を分析するためのシステムであって、対象の放射線画像を受け取る受信機、自動的に画像認識を実行し、少なくとも１つのプロセッサ、およびサブ画像を取得するために、画像内の少なくとも１つの身体領域を識別し、クロッピングし、配向し、かつ標識するためのアルゴリズムを処理、サブ画像を評価するための少なくとも１つの人工知能プロセッサ、ならびにサブ画像を表示し、かつ評価された人工知能結果を表示するためのデバイス、を含む、システムを提供する。

上記システムの一実施形態では、プロセッサは、サブ画像を取得するために放射線画像をすみやかに自動処理する。上記システムの一実施形態では、プロセッサは、標識された画像を取得するために、放射線画像を１分未満、３０秒未満、２０秒未満、１５秒未満、１０秒未満、あるいは５秒未満で処理する。上記システムの一実施形態は、標準放射線画像のライブラリをさらに含む。上記システムの実施形態では、標準放射線画像は、ハンギングプロトコルと身体領域標識に関する、獣医学規準に準拠する。

本明細書に記載される発明の一態様は、表示のために対象の放射線画像をすみやかかつ自動的に準備する方法であって、シグネチャを自動的にクロッピングし、抽出し、およびクロッピングされ、配向された画像シグネチャを、既知の配向および身体領域の画像のシグネチャのデータベースと比較して、一致度が最良の配向、および身体領域標識を取得することにより、画像を１つ以上の別個の身体領域のカテゴリへとアルゴリズムにより分類するためのプロセッサを使用して対象の処理されていない放射線画像を処理する工程、ならびに表示デバイス上で、分析のために、それぞれ用意された身体領域の標識された画像を表わす工程を含む、方法を提供する。

本明細書に記載される発明の一態様は、獣医学用の放射線診断画像分析器における改善であって、自動的に画像中の１つ以上の身体領域を自動的に識別するために、対象の放射線画像を事前に処理するプロセッサにより、高速アルゴリズムを実行することを含み、プロセッサは識別された身体領域それぞれ別個のサブ画像を自動的に作成すること、作成された各サブ画像のアスペクト比をクロッピングし、任意選択で正常化すること、自動的に各サブ画像に身体領域として標識すること、サブ画像中の身体領域を自動的に配向すること、のうち少なくとも１つを行うためにさらに機能する。プロセッサはさらに、クロッピングされ、配向され、かつ標識されたサブ画像を評価することの特異的な少なくとも１つの、人工知能プロセッサに診断サブ画像を自動的に向ける、少なくとも１つを行なうために機能すること、を含む改善を提供する。

本明細書に記載される発明の一態様は、対象の少なくとも１つの画像中の疾患あるいは疾病の存在を識別、および診断する方法であって、この改善は分類され、標識され、かつ配向されたサブ画像を取得するために画像を１つ以上の身体領域へ分類し、標識し、配向する工程、サブ画像を少なくとも１つの、人工知能（ＡＩ）プロセッサに向けて、評価結果を取得し、評価結果および一致した手書きによるテンプレートを備えたデータベースと比較する方法、あるいは少なくとも１つのクラスタ診断を取得する工程、少なくとも１つのデータクラスタと比較し、少なくとも１つのクラスタ診断を取得するためにクラスタ結果と評価結果の間の距離を測定する工程、クラスタ診断をアセンブルし、レポートを取得することにより、対象における疾患あるいは疾病の存在を識別および診断する工程、含む方法を提供する。評価結果はＡＩの結果と同義であり、ＡＩプロセッサの結果と分類結果と交換可能に使用される。

上記方法の一実施形態は、分類に先立って、少なくとも１つの放射線画像あるいは１つの対象データポイントを取得する工程を、さらに含む。上記方法の一実施形態は、比較に先立って、Ｋ平均クラスタリング、平均シフトクラスタリング、密度ベース空間クラスタリング、期待値最大化（ＥＭ）クラスタリング、および凝集的階層クラスタリングから選択されるクラスタツールを用いてデータセットクラスタをコンパイルする工程、をさらに含む。上記方法の一実施形態では、コンパイルする工程は、多数の識別され診断されたデータセットと、放射線医学レポート、実験レポート、組織学レポート、健康診断レポートならびに微生物学レポートから選択される対応する医療レポートの、多数の既知の疾患あるいは疾病を伴うライブラリを取得し、処理し、評価し、および構築することをさらに含む。

上記方法の一実施形態では、処理することは、多数の分類された診断されたデータセット画像を取得するために、識別され診断された多数のデータセット画像を身体領域へ分類すること、ならびに、配向、クロッピング、および標識された多数のデータセット画像を取得するために、分類された多数のデータセット画像を配向して、クロッピングすること、をさらに含む。上記方法の一実施形態では、評価することは、少なくとも１つの診断されたＡＩプロセッサ結果を取得するために、多数の、配向され、クロッピングされ、標識されたデータセットサブ画像および対応する医療レポートを、少なくとも１つのＡＩプロセッサに向けること、をさらに含む。上記方法の一実施形態では、向けることは、多数の、配向され、クロッピングされ、標識されたデータセットサブ画像および、対応する種、品種、重量、性別および位置の少なくとも１つの変数を備えた、医療レポートを分類すること、をさらに含む。

上記方法の一実施形態では、多数の、識別され診断されたデータセット画像のライブラリを構築することは、少なくとも１つの模範的結果をＡＩプロセッサに取得させることにより、診断ＡＩプロセッサ結果の少なくとも１つのクラスタを作成し、データセットクラスタをコンパイルすること、をさらに含む。いくつかの実施形態では、模範的なＡＩプロセッサの結果は、模範的症例、模範的結果、模範点、あるいは模範である。これらの用語は同意語で、交換可能に使用される。上記方法の一実施形態は、少なくとも１つのクラスタ診断を、診断されたＡＩプロセッサ結果のクラスタに割り当てることを、さらに含む。上記方法の一実施形態では、クラスタ診断を割り当てることはクラスタ内のレポート、ならびに／もしくは評価者によって書かれた追加情報を加えることを、さらに含む。上記方法の一実施形態では、測定することは、クラスタ結果と評価結果、データセットクラスタおよびクラスタ結果の中心から選択される少なくとも１つとの間の距離を判定することを、さらに含む。

上記方法の一実施形態は、最近傍の一致を有するクラスタ内部での症例の結果、クラスタ中の別の症例からの結果、および中心の症例からの結果から選択することを、さらに含む。上記方法の一実施形態のでは、選択することは、評価者によってクラスタ結果の結果情報をクラスタから生成されたレポートに追加すること、をさらに含む。上記方法の一実施形態は、クラスタ内の多数のレポートにおいて、出現度の閾値未満であるクラスタ診断のレポートの一部を取り除くことにより、レポートを編集する工程、をさらに含む。上記方法の一実施形態では、レポートは、レポート生成の使用に許容可能とみなされるワードから生成される。レポートでのワードは、最も近く一致する一致する模範的結果、あるいは中心の症例から取得される。ワードが対象名、日付、先行検査への言及、または模範的結果に最も一致する、すべての新たな症例に普遍的に使用可能でないレポートを生成することのできる、他のいかなるワードから選択される少なくとも１つの識別子を含む場合、レポート生成に許容可能なワードは除外される。この選別プロセスは自然言語処理（ＮＬＰ）によって行なわれる。

上記方法の一実施形態において、評価者によって指定される出現度の閾値は、約８０％未満となるように選択される。上記方法の一実施形態において、診断ＡＩプロセッサによって評価結果をすみやかに処理することで、レポートが取得される。上記方法の一実施形態において、診断ＡＩプロセッサは、レポートを取得するために、画像を約１０分未満、約９分未満、約８分未満、約７分未満、約６分未満、約５分未満、約４分未満、約３分未満、約２分未満あるいは約１分未満で処理する。上記方法の一実施形態では、既知の疾患と疾病を伴う識別され、診断され、データセット画像のライブラリは、多数の動物種の少なくとも１つに分類される。

上記方法の一実施形態は、分析されたＡＩプロセッサ結果を識別タグで識別する工程を、さらに含む。上記方法の一実施形態は、画像および／あるいは対象の画像を選択し、医療レポートをデータセットクラスタに追加する工程をさらに含む。

本明細書に記載される発明の一態様は、対象の画像、および／あるいは医療結果における疾患または疾病の存在を診断するシステムであって、対象の画像の医療結果を受け取る受信機と、あるいはクロッピングし、配向し、かつ標識することで、自動的に画像識別と処理アルゴリズムを実行して、画像中の少なくとも１つの身体領域を識別し、サブ画像を取得する、少なくとも１つのプロセッサと、少なくとも１つのプロセッササブ画像かつ／あるいは医療レポートを評価し、および評価結果を取得するための少なくても１つ人工知能プロセッサと、クラスタ結果を取得するためのクラスタルゴリズムを自動的に実行し、評価結果を比較して、クラスタ結果と、１つ以上の変数から定義された特定のデータセット、クラスタ診断を取得するための評価結果から、事前に作成されたクラスタ結果との間の測定距離を測定し、さらに結果を取得し、レポートをアセンブルする、少なくとも１つの診断の人工知能プロセッサ、含むシステムを提供する。

上記方法の一実施形態では、診断ＡＩプロセッサは、自動的に画像および／あるいはレポートを生成する医療結果を、すみやかに処理する。上記方法の一実施形態では、診断ＡＩプロセッサは、レポートを取得するために、画像および／あるいは医療結果を約１０分未満、約９分未満、約８分未満、約７分未満、約６分未満、約５分未満、約４分未満、約３分未満、約２分未満、または約１分未満で処理する。上記方法の一実施形態は、生成されたレポートを表示するためのデバイスをさらに含む。

本明細書に記載される発明の一態様は、対象の少なくとも１つの画像中の疾患または疾病の存在を診断する方法であって、少なくとも１つの身体領域に１つの画像を分類し、分類され、標識され、クロッピングされ、配向された、画像を標識し、クロッピングし、および配向することで、少なくとも１つのサブ画像を取得する工程、サブ画像を配向、少なくとも１つの人工知能（ＡＩ）プロセッサに向けることで、評価結果を処理し取得する、ならびに少なくとも１つのデータセットクラスタを持つデータベースライブラリと比較することで、評価結果を取得し、多数の評価結果、および多数の一致した手書きのテンプレートを持つか、または少なくとも１つのクラスタ結果を取得する工程、クラスタ結果と評価結果の間の距離を測定し、少なくとも１つのクラスタ診断を取得する工程、ならびにレポートを取得し、クラスタ診断および一致した手書きのテンプレートをアセンブルし、レポートを放射線医師に表示することにより、対象における疾患または疾病の存在を識別して診断する工程、を含む方法を提供する。

上記方法の一実施形態は、表示後に、レポートの分析をして、疾患や疾病の存在を確認する工程、をさらに含む。上記方法の代替的実施形態は、前述手書きのテンプレートを編集すること、をさらに含む。上記方法の一実施形態では、レポートを処理することにおける処理時間は約５分未満、約２分未満、あるいは１分未満である。上記方法の一実施形態では、レポートを取得することにおける処理時間は約１０分未満、約７分未満、あるいは約６分未満である。

上記方法の一実施形態では、サブ画像を処理することは、対象の画像中の疾患あるいは疾病の存在を分析するためのＡＩプロセッサを訓練すること、をさらに含む。上記方法の一実施形態では、ＡＩプロセッサを訓練することは、訓練する画像のライブラリをＡＩプロセッサへ通信すること、訓練する画像のライブラリから疾患あるいは疾病が存在する訓練画像を選択すること、および、訓練画像を、訓練画像のライブラリと比較し、それによりＡＩプロセッサを訓練することを含む。

上記方法の一実施形態では、訓練画像のライブラリは、陽性対照訓練画像および陰性対照訓練画像を含む。上記方法の一実施形態では、陽性訓練画像は訓練画像における疾患や疾病を伴う。上記方法の一実施形態では、陰性訓練画像は訓練画像の疾患あるいは疾病の疾病を伴わない。上記方法の様々な実施形態では、陰性訓練画像は、訓練画像の疾患あるいは疾病以外の疾患あるいは疾病を伴う場合がある。上記方法の一実施形態では、訓練画像のライブラリは、医療データ、メタデータおよび補助データのうち少なくとも１つをさらに含む。

動物の放射線画像（１０２）を処理するための従来のワークフローの概略図である。獣医学の分野で一般に表わされるように、画像（１０２）は動物の部分を示していない。画像（１０２）は、身体領域が画像上に現れているかと、および画像（１０２）に表わされた動物が特定疾病を持つ可能性を判定するための、多数のＡＩプロセッサ（１０４ａ～１０４ｌ）のそれぞれによって処理される。ＡＩプロセッサ（１０４ａ～１０４ｌ）のそれぞれが、画像を動物が特定の疾病にある可能性を判定するために訓練された、１つ以上の機械学習モデルと比較することによって、画像（１０２）を評価する。 本明細書に記載されるシステムまたは方法の一実施形態の概略図である。放射線画像プリプロセッサ（１０６）は、それぞれが特定の身体領域の特定の視点に対応する１つ以上の画像（１０８）を生み出すために、画像（１０２）に対し前処理を行う配置がされている。３つのサブ画像（１０８ａ～ｃ）は作成され、ここで１つのサブ画像（１０８ａ）は動物の胸部の側面像として識別され、クロッピングされており、第２のサブ画像（１０８ｂ）は、動物の腹部の側面像として識別され、クロッピングされており、また、第３のサブ画像（１０８ｃ）は、動物の骨盤の側面像として識別され、クロッピングされている。図に示されるように、サブ画像（１０８ａ）は側面胸部ＡＩプロセッサ（１０４ａ）によってのみ処理され、サブ画像（１０８ｂ）は側面腹部ＡＩプロセッサによってのみ処理され、および、サブ画像（１０８ｃ）は側面骨盤ＡＩプロセッサ（１０４ｋ）によってのみ処理される。いくつかの実施形態では、サブ画像（１０８）は、当該サブ画像（１０８）表わす身体領域および／あるいは視点を識別するためにタグ付けされる。 本明細書に記載される新規のワークフローのために、本発明のシステムや上記方法の一実施形態によって行なわれる、１組のコンピュータ演算の説明である。画像（３０２）は、放射線画像プリプロセッサ（１０６）を用いて処理されており、次に識別された身体領域／視点に対応するＡＩプロセッサ（１０４）の部分集合により、処理される。システムによって、識別されるそれぞれの身体領域／視点のクロッピングされた、画像（３０４ａ）、（３０４ｂ）が、示される。画像（３０２）が「側面胸部」画像および「側面腹部」画像の両方を表わしたと判定するための放射線画像プリプロセッサが要する総時間は、ブラケット（３０６）に対応するログエントリのためのタイムスタンプによって反映されるように、２４秒だった。 所見のセットであり、所見（４０１～４０７）は、放射線画像中における肺についての、１組の従来の単一疾病ベース臓器であり、それより下は、少なくとも２つの単一疾病ベース臓器所見の組み合わせである。７つの単一疾病ベース臓器所見の順列および組み合わせは、指数的な量のレポートのテンプレートをもたらす。 図５Ａ～図５Ｆは、正常、最小、軽度、中程度、および重度として重症度に基づいて分類され、さらに別個のＡＩモデル結果テンプレートとして表示された、肺についての１組のベース臓器所見である。ボックス（５０１～５５７）は、特定のＡＩレポートのテンプレートにおける１つのラインアイテム（ｌｉｎｅｉｔｅｍ）を表わす。１つのラインアイテムは、「コード」の項目にリスト化されている所見と一致する、各ＡＩモデル結果テンプレートに基づいて選択される。 図５Ａ～図５Ｆは、正常、最小、軽度、中程度、および重度として重症度に基づいて分類され、さらに別個のＡＩモデル結果テンプレートとして表示された、肺についての１組のベース臓器所見である。ボックス（５０１～５５７）は、特定のＡＩレポートのテンプレートにおける１つのラインアイテム（ｌｉｎｅｉｔｅｍ）を表わす。１つのラインアイテムは、「コード」の項目にリスト化されている所見と一致する、各ＡＩモデル結果テンプレートに基づいて選択される。 図５Ａ～図５Ｆは、正常、最小、軽度、中程度、および重度として重症度に基づいて分類され、さらに別個のＡＩモデル結果テンプレートとして表示された、肺についての１組のベース臓器所見である。ボックス（５０１～５５７）は、特定のＡＩレポートのテンプレートにおける１つのラインアイテム（ｌｉｎｅｉｔｅｍ）を表わす。１つのラインアイテムは、「コード」の項目にリスト化されている所見と一致する、各ＡＩモデル結果テンプレートに基づいて選択される。 図５Ａ～図５Ｆは、正常、最小、軽度、中程度、および重度として重症度に基づいて分類され、さらに別個のＡＩモデル結果テンプレートとして表示された、肺についての１組のベース臓器所見である。ボックス（５０１～５５７）は、特定のＡＩレポートのテンプレートにおける１つのラインアイテム（ｌｉｎｅｉｔｅｍ）を表わす。１つのラインアイテムは、「コード」の項目にリスト化されている所見と一致する、各ＡＩモデル結果テンプレートに基づいて選択される。 図５Ａ～図５Ｆは、正常、最小、軽度、中程度、および重度として重症度に基づいて分類され、さらに別個のＡＩモデル結果テンプレートとして表示された、肺についての１組のベース臓器所見である。ボックス（５０１～５５７）は、特定のＡＩレポートのテンプレートにおける１つのラインアイテム（ｌｉｎｅｉｔｅｍ）を表わす。１つのラインアイテムは、「コード」の項目にリスト化されている所見と一致する、各ＡＩモデル結果テンプレートに基づいて選択される。 図５Ａ～図５Ｆは、正常、最小、軽度、中程度、および重度として重症度に基づいて分類され、さらに別個のＡＩモデル結果テンプレートとして表示された、肺についての１組のベース臓器所見である。ボックス（５０１～５５７）は、特定のＡＩレポートのテンプレートにおける１つのラインアイテム（ｌｉｎｅｉｔｅｍ）を表わす。１つのラインアイテムは、「コード」の項目にリスト化されている所見と一致する、各ＡＩモデル結果テンプレートに基づいて選択される。 疾病または分類にとって陰性であるか陽性である放射線画像の可能性の結果を取得するために、放射線画像を分析のために配置される、個々の二値の収集（またはＡＩモデルのライブラリ）である。 イヌの側面胸部の放射線画像であり、前処理、クロッピング、標識、識別されている画像である。放射線画像は、図６に表示された二値ＡＩモデルのライブラリによって分析される。 例えば気管支炎ＡＩモデルなど、特定の二値ＡＩモデルを通して、画像７と似通っている一連の側面の放射線画像の分析により得られた、１つの二値ＡＩモデルの結果のスクリーンショットである。 放射線画像のそれぞれのＡＩモデル結果を示す、１組のスクリーンショットである。画像１つあたりの個々のＡＩモデル結果の視覚的な収集、および全画像のＡＩモデル結果平均は、前述特定の症例について評価された。それぞれのモデルの平均評価結果は、個々の画像評価結果を集めることにより作成され、図９Ａのスクリーンの一番上に表示される。各個々の画像およびその画像のためのＡＩモデル結果はそれぞれ、図９Ｂー図９Ｅに表示される。図９Ａにおける、タイムスタンプ（９０１）は、ＡＩ分析が３分未満で終わったことを示す。 肺門周囲浸潤、肺炎、気管支炎、間質、病気にかかった肺、再生不良性気管、心臓肥大、肺結節および胸水などの個々のＡＩモデル結果を示す。それぞれのＡＩモデルについては、標識は画像を、「正常」（９０２）、あるいは「異常」（９０３）として、識別する。さらに、ＡＩモデル１つの疾病について画像が、「正常」、または「異常」である可能性（９０４）が提供される。 １つの放射線画像の分類および収穫により取得される４つの画像を示す。タイムスタンプ（９０５～９０８）は、ＡＩ分析が２分未満で終わったことを示す。 図９Ｄおよび図９Ｅは、放射線画像のための各ＡＩモデルの結果を示し、放射線画像の標識、可能性および面図（９０９）（例えば、側面、背側、前後、後前、腹背、背腹など）を含む。 図９Ｄおよび図９Ｅは、放射線画像のための各ＡＩモデルの結果を示し、放射線画像の標識、可能性および面図（９０９）（例えば、側面、背側、前後、後前、腹背、背腹など）を含む。 ＪａｖａＳｃｒｉｐｔオブジェクト記法（ＪＳＯＮ）フォーマットで表示された、ＡＩ症例結果のスクリーンショットである。ＪＳＯＮフォーマットはクラスタ結果と匹敵することにより平均評価結果を評価するためにテストするための、ＡＩ評価検査テスタに転送され得る、ある症例での、すべてのモデルのための平均評価結果をコピーすることを促進する。 ユーザがＫ平均クラスタを作成することを許可する、グラフィカルユーザインターフェースのスクリーンショットである。ユーザは、「コード」の下の新規のクラスタに、名前（１１０１）を割り当てる。ユーザは、クラスタを作成するために、様々なパラメータを選択する。ユーザは、その症例を選択するために、スタート症例の日付（１１０２）およびエンド症例の日付（１１０３）を選択する。ユーザは、その症例を選択するために、スタート症例ＩＤ（１１０４）およびエンド症例ＩＤ（１１０５）を選択する。ユーザは、クラスタに含まれることになっている症例（１１０６）の最大数を選択する。ユーザは、クラスタに含められることになっている症例について、イヌ、ネコ、イヌあるいはネコ、ヒトなどの種（１１０７）を選択する。ユーザは、クラスタを作成する際に含まれることになっているＸ線、ＣＴ、ＭＲＩ、血液分析、尿検査などのような特定の診断方法（１１０８）を選ぶ。ユーザは、評価結果を特定の数のクラスタに分けることを指定する。クラスタの数は、最小１つのクラスタから、クラスタ内に入れられる症例の総数によってのみ制限される、最大クラスタ数に及ぶ。 数値表としてリスト化されたＡＩクラスタ結果のスクリーンショットである。左端の列（１２０１）は症例ＩＤであり、次の９列は、特定の症例ＩＤに関するそれぞれの二値の平均評価結果（１２０２）であり、次の列は、評価結果の収集に基づいた特定の症例を含む、クラスタ標識またはクラスタ位置（１２０３）であり、次の４列はクラスタ座標、および、重心座標であり、最後の数は、その特定のクラスタの重心または中心の症例ＩＤ（１２０４）である。最も一致した症例ＩＤに関するする放射線医師のレポートが取得される。その後、この放射線医師のレポートは新規のＡＩ症例のためのレポートを生成するために用いられる。このプロセスは、従来の半手動のレポート作成のプロセスと比較して、組込まれた、ＡＩモデルの数の観点から、無限のスケーラビリティを可能にする。 クラスタリンググラフの例である。クラスタリンググラフは、平均評価結果を、ユーザ定義のパラメータ（１１０２～１１０８）に依存して、多数の異なるクラスタに分割することにより作成される。この例のクラスタリンググラフは、グラフ上にプロットされた１つ色の小さい点の付近の収集によって、それぞれ表わされる、１８０個の異なるクラスタに分割される。 ユーザ定義のパラメータ（１１０２～１１０８）に基づいて作成された、ＡＩクラスタモデルを示すユーザインタフェースのスクリーンショットである。左から一番目の列は、クラスタＩＤ（１４０１）を示し、第２の列は、クラスタモデル（１４０２）に割り当てられた名前を示し、第３の列は、ＡＩデータが分割された、異なるクラスタ（１４０３）の数を示し、第４列はクラスタデータ結果に基づいて評価された身体領域（１４０４）を示す。 スクリーニング評価設定を示すユーザインタフェースのスクリーンショットである。ユーザインタフェースは、特定の「クラスタモデル」（１５０２）を特定の「スクリーニング評価設定」名（１５０１）に、割り当てることを可能にする。スクリーニング評価設定のステータス（１５０３）は、設定がライブモードか、テストモードか、あるいはドラフトモードであるかどうかなどの、設定に関する追加データを提供する。ライブモードは生産向けであり、テストモードは開発向けである。 図１６Ａ～図１６Ｃは、特定のクラスタモデルのための詳細を示す、ユーザインタフェースの１組のスクリーンショットである。図１６Ａは、クラスタモデル（１６０１）胸部（９７）のためのデータを表示するユーザインタフェースを示す。クラスタに含まれた、ＡＩ評価分類子タイプ（１６０２）がリスト化される。クラスタモデルにとって特定の種、あるいは種（１６０３）の収集が表示される。クラスタを作成するために用いられる評価結果を備えた症例（１６０４）の最大数が表示される。ユーザインタフェースは、クラスタを作成するために用いられる症例のための開始日と終了日（１６０５）を示す。数値表フォーマットでクラスタを示している、図１２のコンマ区切り形式（ＣＳＶ）ファイルへのリンク（１６０６）が表示される。パラメータ（１６０２～６０５）から作成された、サブクラスタ（１６０８）の一部は、リスト化される。当該クラスタグループのために作成された、サブクラスタ（１６０９）の総数が表示される。各サブクラスタについては、重心症例ＩＤ（１６１０）が表示される。クラスタを構築するための、ログ（１６０７）へのリンクが表示される。 図１６Ａ～図１６Ｃは、特定のクラスタモデルのための詳細を示す、ユーザインタフェースの１組のスクリーンショットである。図１６Ｂは、クラスタモデル（１６０１）胸部（９７）のために作成されたログのスクリーンショットである。 図１６Ａ～図１６Ｃは、特定のクラスタモデルのための詳細を示す、ユーザインタフェースの１組のスクリーンショットである。図１６Ｃは、椎骨の心臓スコア、肺門周辺浸潤、肺炎、気管支炎、間質および病気の肺を含む、ＡＩ評価モデルの一部のスクリーンショットである。 図１７Ａ～図１７Ｄは、ＡＩ評価テスタ用のユーザインタフェースの１組のスクリーンショットである。図１７Ａは、クラスタで最も近く一致した症例／模範的結果一致を分析するために、ＡＩデータセットからできた症例クラスタからのＫ平均法を使用して、図１０のＪＳＯＮフォーマットにおける、すべてのモデルに対する平均評価結果の値が、インポートされている（１７０１）、ユーザインタフェース（ＡＩ評価テスタ）を示す。 図１７Ａ～図１７Ｄは、ＡＩ評価テスタ用のユーザインタフェースの１組のスクリーンショットである。図１７Ｂは、ＡＩ評価テスタへインポートされた、図１０のＪＳＯＮフォーマットにおける全モデルの平均評価結果の値を示す。 図１７Ａ～図１７Ｄは、ＡＩ評価テスタ用のユーザインタフェースの１組のスクリーンショットである。図１７Ｃおよび図１７Ｄは、特定の症例のためにインポートされた評価結果を示す。 図１７Ａ～図１７Ｄは、ＡＩ評価テスタ用のユーザインタフェースの１組のスクリーンショットである。図１７Ｃおよび図１７Ｄは、特定の症例のためにインポートされた評価結果を示す。図１７Ｄは検査評価タイプ（１７０２）、およびユーザによって選択される検査評価タイプに関連したクラスタモデル（１７０３）を示す。テスト（１７０４）をクリックすることにより、図１０に表示された評価結果は分析され、さらにクラスタで最も近く一致した症例／模範者な結果一致に割り当てられる。模範的なリザルト一致クラスタのための、最も近く一致する放射線医師のレポート、トップランキングの放射線医師の文、および重心放射線医師のレポートが集められ、表示される 図１８Ａ～図１８Ｄは、ユーザインタフェースの１組のスクリーンショットである。図１８Ａおよび図１８Ｂは、ＡＩ評価テスタ上のテスト（１７０４）をクリックした後に表示された結果を示すユーザインタフェースの１組のスクリーンショットである。前もって作成されたクラスタ結果に基づき、評価結果に最も近く一致する、放射線医師のレポートからの診断および結論的な所見（１８０１）が表示される。評価所見（１８０２）は、評価結果のクラスタにおける、放射線医師のレポートから選ばれ、特定のクラスタの所見セクションにおける、特定の文の普及度に基づいて、フィルター処理される。クラスタにおける、放射線医師のレポートからの推奨（１８０３）は、このクラスタの推奨セクション中の各文、あるいは同様の文の普及度に基づいて選択されている。インターフェース（１８０４）は、クラスタの放射線医師のレポートを示し、また、インターフェース（１８０５）は、クラスタの重心の放射線医師のレポートを示す。 図１８Ａ～図１８Ｄは、ユーザインタフェースの１組のスクリーンショットである。図１８Ａおよび図１８Ｂは、ＡＩ評価テスタ上のテスト（１７０４）をクリックした後に表示された結果を示すユーザインタフェースの１組のスクリーンショットである。前もって作成されたクラスタ結果に基づき、評価結果に最も近く一致する、放射線医師のレポートからの診断および結論的な所見（１８０１）が表示される。評価所見（１８０２）は、評価結果のクラスタにおける、放射線医師のレポートから選ばれ、特定のクラスタの所見セクションにおける、特定の文の普及度に基づいて、フィルター処理される。クラスタにおける、放射線医師のレポートからの推奨（１８０３）は、このクラスタの推奨セクション中の各文、あるいは同様の文の普及度に基づいて選択されている。インターフェース（１８０４）は、クラスタの放射線医師のレポートを示し、また、インターフェース（１８０５）は、クラスタの重心の放射線医師のレポートを示す。 図１８Ａ～図１８Ｄは、ユーザインタフェースの１組のスクリーンショットである。図１８Ｃは、特定のクラスタ結果に基づいた放射線医学レポートにおける、文のランキングをリスト化するユーザインタフェースのスクリーンショットである。文は結論文（１８０６）、所見文（１８０７）および推奨文（１８０８）を含む。 図１８Ａ～図１８Ｄは、ユーザインタフェースの１組のスクリーンショットである。図１８Ｄは、特定の文を加えるか取り除くことで、所見セクション（１８０９）、結論セクション（１８１０）あるいは推奨セクション（１８１１）を編集することにより、ユーザが放射線医学レポートを編集することを可能にするユーザインタフェースのスクリーンショットである。 図１８Ａ～図１８Ｄは、ユーザインタフェースの１組のスクリーンショットである。図１８Ｄは、特定の文を加えるか取り除くことで、所見セクション（１８０９）、結論セクション（１８１０）あるいは推奨セクション（１８１１）を編集することにより、ユーザが放射線医学レポートを編集することを可能にするユーザインタフェースのスクリーンショットである。 新規の症例の放射線医学レポートを生成するために用いられる、最も近く一致するデータセット症例のための放射線医師のレポートである。ＡＩ評価テスタは、新規の画像ＡＩ評価結果とクラスタ内部におけるＡＩ評価結果間で、評価結果の類似点に基づいた現在のＡＩ評価結果に最も近く一致する放射線医師のレポート、および、選択されるクラスタの重心からの放射線医師のレポートを表示する。 図２０Ａと図２０Ｂは、１組の放射線画像である。図２０Ａは新たに受け取られた、分析中の放射線画像である。 図２０Ａと図２０Ｂは、１組の放射線画像である。図２０Ｂは、クラスタモデルに基づいて、最も近く一致する一致として、ＡＩ評価の結果によって選択される、放射線画像である。クラスタ一致は画像一致結果よりもむしろＡＩ評価結果に基づいている。 図２１Ａと図２１Ｂは、ＡＩ放射線画像処理デバイス中の構成成分の１組の概略図である。図２１Ａは、放射線画像器械（２１０１）が放射線画像を、デスクトップアプリケーション（２１０２）に送信し、（デスクトップアプリケーション（２１０２）が画像をウェブアプリケーション（２１０３））に送ることを示す概略図である。コンピュータビジョンアプリケーション（２１０４）およびウェブアプリケーションは、画像を画像ウェブアプリケーションに向け、画像ウェブアプリケーションは、画像を画像ＡＩ評価（２１０５）に向ける。 図２１Ａと図２１Ｂは、ＡＩ放射線画像処理デバイス中の構成成分の１組の概略図である。図２１Ｂは、画像一致ＡＩ処理の構成要素の概略図である。獣医学クリニックにおいてローカルインターフェースからオンラインネットワークへ（ＬＩＯＮ）（２１０６）アップロードされた画像は、Ｖｅｔｃｏｎｓｏｌｅ（２１０７）に向けられ、ここで画像は自動回転され、自動クロッピングされ、サブ画像が取得される。サブ画像は３つの位置に向けられる。第１のロケーションは、画像を分類するためにＶｅｔＡＩｃｏｎｓｏｌｅ（２１０８）に向けられる。第２のロケーションは、レポートと共にサブ画像を画像一致データベースに加えるために、画像一致コンソール（２１０９）に向けられる。第３のロケーションは、新たな画像および対応する症例ＩＤ番号を格納するための画像データベース（２１１０）に向けられる。画像一致コンソール（２１０９）は、さらなる処理のために、精巧な画像一致コンソール（２１１１）、またはＶｅｔｉｍａｇｅエディターコンソール（２１１２）に向ける。 図２２Ａと図２２Ｂは、画像一致用のサーバーアーキテクチュアの１組の概略図である。図２２Ａは、ＡＩ放射線画像分析において現在使用されているサーバーアーキテクチュアの概略図である。 図２２Ａと図２２Ｂは、画像一致用のサーバーアーキテクチュアの１組の概略図である。図２２Ｂは、放射線画像を事前に処理すること、ＡＩ診断プロセッサを使用し画像を分析することと、クラスタリング結果に基づいてレポートを用意こととを含む、ＡＩ放射線画像分析用のサーバーアーキテクチュアの計画図である。ＰＣ（２２０１）からの画像は、ＮＧＩＮＸ負荷分散サーバに向けられ、ここで画像はＶ２クラウンドプラットフォーム（２２０３）に向けられる。画像はその後、画像一致サーバ（２２０４）、Ｖｅｔｉｍａｇｅサーバ（２２０５）およびデータベースＭｉｃｒｏｓｏｆｔ ＳＱＬサーバ（２２０７）に向けられる。Ｖｅｔｉｍａｇｅサーバは、画像をＶｅｔＡＩサーバ（２２０６）、データベースＭｉｃｒｏｓｏｆｔ ＳＱＬサーバ（２２０７）およびデータストアサーバ（２２０８）へ向ける。 図２３Ａ～図２３Ｆは、対象のために取得された画像に対する人工知能自動クロッピングおよび評価のワークフローの一連の概略図である。ワークフローは、タスクを遂行するために使用されるプラットフォームに基づいて、６列に分類され、タスクには、クリニック、Ｖ２エンドユーザアプリケーション、Ｖｅｔｌｍａｇｅｓアプリケーション、ＶｅｔＣｏｎｓｏｌｅＰｙｔｈｏｎスクリプティングアプリケーション、ＶｅｔＡＩ機械学習アプリケーション、ＩｍａｇｅＭａｔｃｈ指向Ｐｙｔｈｏｎアプリケーション、およびＩｍａｇｅＭａｔｃｈ検証Ｐｙｔｈｏｎアプリケーションなどが挙げられる。さらに、タスクは、サブ画像プロセッサ、評価プロセッサ、および合成プロセッサなどの、タスクを遂行するプロセッサに基づいて、異なる濃淡レベルで網掛けされる。Ｖ２アプリケーションは、ユーザがアプリケーションと対話し、さらに分析される画像をアップロードする、エンドユーザアプリケーションである。Ｖｅｔｌｍａｇｅｓアプリケーションは、画像を処理して、ＡＩ結果もしくはＡＩレポート、または評価結果を作成する。ＶｅｔＣｏｎｓｏｌｅは、画像を改善し、一括で画像を処理するＰｙｔｈｏｎスクリプトアプリである。ＶｅｔＡＩは、ＡＩモデルを作成し、さらにシステムに入れられた画像を評価する、機械学習アプリケーションである。ＩｍａｇｅＭａｔｃｈ配向は、入力された画像に類似する正確に配向された画像をデータベース内で検索するＰｙｔｈｏｎアプリである。ＩｍａｇｅＭａｔｃｈ検証は、入力された画像に類似する正確に分類された画像を、データベース内で捜索するＰｙｔｈｏｎアプリである。サブ画像処理プロセッサは、図２３Ａ～図２３Ｃにリスト化されたタスク（２３０１～２３３２）を遂行する。評価プロセッサは、図２３Ｄおよび図２３Ｅおよび図２３Ｆの一部にリスト化されたタスク（２３３３～２３４６、２３５６、２３５７）を行う。合成プロセッサは、図２３Ｆおよび図２３Ｂの一部にリスト化されたタスク（２３４７～２３５５および２３５８～２３６３）を行う。 図２３Ａ～図２３Ｆは、対象のために取得された画像に対する人工知能自動クロッピングおよび評価のワークフローの一連の概略図である。ワークフローは、タスクを遂行するために使用されるプラットフォームに基づいて、６列に分類され、タスクには、クリニック、Ｖ２エンドユーザアプリケーション、Ｖｅｔｌｍａｇｅｓアプリケーション、ＶｅｔＣｏｎｓｏｌｅＰｙｔｈｏｎスクリプティングアプリケーション、ＶｅｔＡＩ機械学習アプリケーション、ＩｍａｇｅＭａｔｃｈ指向Ｐｙｔｈｏｎアプリケーション、およびＩｍａｇｅＭａｔｃｈ検証Ｐｙｔｈｏｎアプリケーションなどが挙げられる。さらに、タスクは、サブ画像プロセッサ、評価プロセッサ、および合成プロセッサなどの、タスクを遂行するプロセッサに基づいて、異なる濃淡レベルで網掛けされる。Ｖ２アプリケーションは、ユーザがアプリケーションと対話し、さらに分析される画像をアップロードする、エンドユーザアプリケーションである。Ｖｅｔｌｍａｇｅｓアプリケーションは、画像を処理して、ＡＩ結果もしくはＡＩレポート、または評価結果を作成する。ＶｅｔＣｏｎｓｏｌｅは、画像を改善し、一括で画像を処理するＰｙｔｈｏｎスクリプトアプリである。ＶｅｔＡＩは、ＡＩモデルを作成し、さらにシステムに入れられた画像を評価する、機械学習アプリケーションである。ＩｍａｇｅＭａｔｃｈ配向は、入力された画像に類似する正確に配向された画像をデータベース内で検索するＰｙｔｈｏｎアプリである。ＩｍａｇｅＭａｔｃｈ検証は、入力された画像に類似する正確に分類された画像を、データベース内で捜索するＰｙｔｈｏｎアプリである。サブ画像処理プロセッサは、図２３Ａ～図２３Ｃにリスト化されたタスク（２３０１～２３３２）を遂行する。評価プロセッサは、図２３Ｄおよび図２３Ｅおよび図２３Ｆの一部にリスト化されたタスク（２３３３～２３４６、２３５６、２３５７）を行う。合成プロセッサは、図２３Ｆおよび図２３Ｂの一部にリスト化されたタスク（２３４７～２３５５および２３５８～２３６３）を行う。 図２３Ａ～図２３Ｆは、対象のために取得された画像に対する人工知能自動クロッピングおよび評価のワークフローの一連の概略図である。ワークフローは、タスクを遂行するために使用されるプラットフォームに基づいて、６列に分類され、タスクには、クリニック、Ｖ２エンドユーザアプリケーション、Ｖｅｔｌｍａｇｅｓアプリケーション、ＶｅｔＣｏｎｓｏｌｅＰｙｔｈｏｎスクリプティングアプリケーション、ＶｅｔＡＩ機械学習アプリケーション、ＩｍａｇｅＭａｔｃｈ指向Ｐｙｔｈｏｎアプリケーション、およびＩｍａｇｅＭａｔｃｈ検証Ｐｙｔｈｏｎアプリケーションなどが挙げられる。さらに、タスクは、サブ画像プロセッサ、評価プロセッサ、および合成プロセッサなどの、タスクを遂行するプロセッサに基づいて、異なる濃淡レベルで網掛けされる。Ｖ２アプリケーションは、ユーザがアプリケーションと対話し、さらに分析される画像をアップロードする、エンドユーザアプリケーションである。Ｖｅｔｌｍａｇｅｓアプリケーションは、画像を処理して、ＡＩ結果もしくはＡＩレポート、または評価結果を作成する。ＶｅｔＣｏｎｓｏｌｅは、画像を改善し、一括で画像を処理するＰｙｔｈｏｎスクリプトアプリである。ＶｅｔＡＩは、ＡＩモデルを作成し、さらにシステムに入れられた画像を評価する、機械学習アプリケーションである。ＩｍａｇｅＭａｔｃｈ配向は、入力された画像に類似する正確に配向された画像をデータベース内で検索するＰｙｔｈｏｎアプリである。ＩｍａｇｅＭａｔｃｈ検証は、入力された画像に類似する正確に分類された画像を、データベース内で捜索するＰｙｔｈｏｎアプリである。サブ画像処理プロセッサは、図２３Ａ～図２３Ｃにリスト化されたタスク（２３０１～２３３２）を遂行する。評価プロセッサは、図２３Ｄおよび図２３Ｅおよび図２３Ｆの一部にリスト化されたタスク（２３３３～２３４６、２３５６、２３５７）を行う。合成プロセッサは、図２３Ｆおよび図２３Ｂの一部にリスト化されたタスク（２３４７～２３５５および２３５８～２３６３）を行う。 図２３Ａ～図２３Ｆは、対象のために取得された画像に対する人工知能自動クロッピングおよび評価のワークフローの一連の概略図である。ワークフローは、タスクを遂行するために使用されるプラットフォームに基づいて、６列に分類され、タスクには、クリニック、Ｖ２エンドユーザアプリケーション、Ｖｅｔｌｍａｇｅｓアプリケーション、ＶｅｔＣｏｎｓｏｌｅＰｙｔｈｏｎスクリプティングアプリケーション、ＶｅｔＡＩ機械学習アプリケーション、ＩｍａｇｅＭａｔｃｈ指向Ｐｙｔｈｏｎアプリケーション、およびＩｍａｇｅＭａｔｃｈ検証Ｐｙｔｈｏｎアプリケーションなどが挙げられる。さらに、タスクは、サブ画像プロセッサ、評価プロセッサ、および合成プロセッサなどの、タスクを遂行するプロセッサに基づいて、異なる濃淡レベルで網掛けされる。Ｖ２アプリケーションは、ユーザがアプリケーションと対話し、さらに分析される画像をアップロードする、エンドユーザアプリケーションである。Ｖｅｔｌｍａｇｅｓアプリケーションは、画像を処理して、ＡＩ結果もしくはＡＩレポート、または評価結果を作成する。ＶｅｔＣｏｎｓｏｌｅは、画像を改善し、一括で画像を処理するＰｙｔｈｏｎスクリプトアプリである。ＶｅｔＡＩは、ＡＩモデルを作成し、さらにシステムに入れられた画像を評価する、機械学習アプリケーションである。ＩｍａｇｅＭａｔｃｈ配向は、入力された画像に類似する正確に配向された画像をデータベース内で検索するＰｙｔｈｏｎアプリである。ＩｍａｇｅＭａｔｃｈ検証は、入力された画像に類似する正確に分類された画像を、データベース内で捜索するＰｙｔｈｏｎアプリである。サブ画像処理プロセッサは、図２３Ａ～図２３Ｃにリスト化されたタスク（２３０１～２３３２）を遂行する。評価プロセッサは、図２３Ｄおよび図２３Ｅおよび図２３Ｆの一部にリスト化されたタスク（２３３３～２３４６、２３５６、２３５７）を行う。合成プロセッサは、図２３Ｆおよび図２３Ｂの一部にリスト化されたタスク（２３４７～２３５５および２３５８～２３６３）を行う。 図２３Ａ～図２３Ｆは、対象のために取得された画像に対する人工知能自動クロッピングおよび評価のワークフローの一連の概略図である。ワークフローは、タスクを遂行するために使用されるプラットフォームに基づいて、６列に分類され、タスクには、クリニック、Ｖ２エンドユーザアプリケーション、Ｖｅｔｌｍａｇｅｓアプリケーション、ＶｅｔＣｏｎｓｏｌｅＰｙｔｈｏｎスクリプティングアプリケーション、ＶｅｔＡＩ機械学習アプリケーション、ＩｍａｇｅＭａｔｃｈ指向Ｐｙｔｈｏｎアプリケーション、およびＩｍａｇｅＭａｔｃｈ検証Ｐｙｔｈｏｎアプリケーションなどが挙げられる。さらに、タスクは、サブ画像プロセッサ、評価プロセッサ、および合成プロセッサなどの、タスクを遂行するプロセッサに基づいて、異なる濃淡レベルで網掛けされる。Ｖ２アプリケーションは、ユーザがアプリケーションと対話し、さらに分析される画像をアップロードする、エンドユーザアプリケーションである。Ｖｅｔｌｍａｇｅｓアプリケーションは、画像を処理して、ＡＩ結果もしくはＡＩレポート、または評価結果を作成する。ＶｅｔＣｏｎｓｏｌｅは、画像を改善し、一括で画像を処理するＰｙｔｈｏｎスクリプトアプリである。ＶｅｔＡＩは、ＡＩモデルを作成し、さらにシステムに入れられた画像を評価する、機械学習アプリケーションである。ＩｍａｇｅＭａｔｃｈ配向は、入力された画像に類似する正確に配向された画像をデータベース内で検索するＰｙｔｈｏｎアプリである。ＩｍａｇｅＭａｔｃｈ検証は、入力された画像に類似する正確に分類された画像を、データベース内で捜索するＰｙｔｈｏｎアプリである。サブ画像処理プロセッサは、図２３Ａ～図２３Ｃにリスト化されたタスク（２３０１～２３３２）を遂行する。評価プロセッサは、図２３Ｄおよび図２３Ｅおよび図２３Ｆの一部にリスト化されたタスク（２３３３～２３４６、２３５６、２３５７）を行う。合成プロセッサは、図２３Ｆおよび図２３Ｂの一部にリスト化されたタスク（２３４７～２３５５および２３５８～２３６３）を行う。 図２３Ａ～図２３Ｆは、対象のために取得された画像に対する人工知能自動クロッピングおよび評価のワークフローの一連の概略図である。ワークフローは、タスクを遂行するために使用されるプラットフォームに基づいて、６列に分類され、タスクには、クリニック、Ｖ２エンドユーザアプリケーション、Ｖｅｔｌｍａｇｅｓアプリケーション、ＶｅｔＣｏｎｓｏｌｅＰｙｔｈｏｎスクリプティングアプリケーション、ＶｅｔＡＩ機械学習アプリケーション、ＩｍａｇｅＭａｔｃｈ指向Ｐｙｔｈｏｎアプリケーション、およびＩｍａｇｅＭａｔｃｈ検証Ｐｙｔｈｏｎアプリケーションなどが挙げられる。さらに、タスクは、サブ画像プロセッサ、評価プロセッサ、および合成プロセッサなどの、タスクを遂行するプロセッサに基づいて、異なる濃淡レベルで網掛けされる。Ｖ２アプリケーションは、ユーザがアプリケーションと対話し、さらに分析される画像をアップロードする、エンドユーザアプリケーションである。Ｖｅｔｌｍａｇｅｓアプリケーションは、画像を処理して、ＡＩ結果もしくはＡＩレポート、または評価結果を作成する。ＶｅｔＣｏｎｓｏｌｅは、画像を改善し、一括で画像を処理するＰｙｔｈｏｎスクリプトアプリである。ＶｅｔＡＩは、ＡＩモデルを作成し、さらにシステムに入れられた画像を評価する、機械学習アプリケーションである。ＩｍａｇｅＭａｔｃｈ配向は、入力された画像に類似する正確に配向された画像をデータベース内で検索するＰｙｔｈｏｎアプリである。ＩｍａｇｅＭａｔｃｈ検証は、入力された画像に類似する正確に分類された画像を、データベース内で捜索するＰｙｔｈｏｎアプリである。サブ画像処理プロセッサは、図２３Ａ～図２３Ｃにリスト化されたタスク（２３０１～２３３２）を遂行する。評価プロセッサは、図２３Ｄおよび図２３Ｅおよび図２３Ｆの一部にリスト化されたタスク（２３３３～２３４６、２３５６、２３５７）を行う。合成プロセッサは、図２３Ｆおよび図２３Ｂの一部にリスト化されたタスク（２３４７～２３５５および２３５８～２３６３）を行う。

本明細書における発明の態様は、分析の様々な段階を伴う新規のシステムであって、受信画像が、特定の配向（側面図など）にある特定の身体領域を含むかどうかを判定し、画像を適切にクロッピングすること、および画像を、目標となるＡＩモデルと比較することによって、クロッピングされた画像を評価することを含む、システムを記載する。様々な実施形態では、ユーザによる入力あるいは介在なしで、画像中に表された１つ以上の身体領域および／または視野を自動的に識別し標識するために、新たな受信画像は事前に処理される。いくつかの実施形態では、画像が、自動的にクロッピングされることで、識別されたそれぞれの身体領域／視野に対応する１つ以上のサブ画像を作成するために、画像は自動的にクロッピングされる。いくつかの実施形態では、画像および／あるいはサブ画像は、システム内のＡＩプロセッサの残りを除いて、識別された身体領域／視野を評価するように構成された目標とされるＡＩプロセッサに、選択的に処理される。

いくつかの実施形態では、放射線画像プリプロセッサ（１０６）は、追加的にあるいは代替的に画像（１０２）全体にタグ付けし、画像（１０２）内で識別された身体領域および／または視野を識別し、その後、与えられたタグに対応するＡＩプロセッサ（１０４）のみに渡す。よって、このような実施形態では、ＡＩプロセッサ（１０４）は、関連のある領域に焦点を当て、１つ以上の訓練された機械学習モデルを使用して、あるいは別の方法でさらに分析するために、画像（１０２）をクロッピングすることを相当する。いくつかの実施形態では、特定の身体領域／視野に対応するように画像（１０２）にタグ付症例ることに加え、放射線画像プリプロセッサ（１０６）は、動物の一部を実際に表わす画像の領域に主に焦点を当てるために、そしてそれらの領域のまわりの黒緑をできる限り取り除くために、追加的に画像（１０２）をクロッピングする。いくつかの実施形態では、クロッピングする工程を実行することが、さらなるクロッピング、および／または、与えられたタグに対応する特定の身体領域／視野を評価するために後に展開されるＡＩプロセッサ（１０４）による他の処理を促進する。

放射線画像プリプロセッサ（１０６）は、複数の方法のうちのいずれかで実施される。いくつかの実施形態では、例えば、放射線画像プリプロセッサ（１０６）は、特定の身体領域を示す１つ以上の特徴を識別し、そのような特徴を含む領域および／または動物を実際に表わす領域に終点を当てるために、画像（１０２）を自動的にクロッピングための１つ以上のアルゴリズムを用いる。いくつかの実施では、このようなアルゴリズムは、例えば、ＯｐｅｎＣＶーＰｙｔｈｏｎライブラリの要素を使用して実施される。ドキュメンテーションおよびチュートリアルと同様に、オープンソースコンピュータビジョン（「ＯｐｅｎＣＶ」）ライブラリの記述ならびにそれに関するドキュメンテーションおよびチュートリアルは、ＯｐｅｎＣＶ用のユニフォームリソースロケータ（ＵＲＬ）を使用して見つけられる。ＵＲＬ経由でアクセス可能なマテリアルのコンテンツ全体は、参照によって本明細書に組込まれている。いくつかの実施形態では、放射線画像プリプロセッサ（１０６）は、追加的にあるいは代替的に画像一致法を用いて、画像（１０２）および／または１つ以上のクロッピングされたサブ画像（１０８）と、特定の身体領域の特定の視野を表わすとして知られている保存画像のリポジトリを比較し、１つ以上の保存画像と相関性が最も強いとみなされる身体領域／視野を表わす画像（１０２）および／またはサブ画像（１０８）が決定される。いくつかの実施形態では、追加的あるいは代替的に身体領域／視野の識別を行なうように訓練されたＡＩプロセッサが、放射線画像プリプロセッサ（１０６）内で用いられる。

いくつかの実施形態で、本明細書に記載される１つ以上のＡＩプロセッサは、ＴｅｎｓｏｒＦｌｏｗプラットフォームを使用して実施される。ＴｅｎｓｏｒＦｌｏｗプラットフォームの記述、ドキュメンテーションおよびチュートリアルは、ＴｅｎｓｏｒＦｌｏｗウェブサイトを使用して見つけられる。ウェブサイト経由でアクセス可能なマテリアルのコンテンツ全体は、参照によって本明細書に組込まれる。ＡＩプロセッサを構築するためのＴｅｎｓｏｒＦｌｏｗプラットフォームおよび方法は、Ｈｏｐｅ， Ｔｏｍ， ｅｔ ａｌ． ２５ Ｌｅａｒｎｉｎｇ ＴｅｎｓｏｒＦｌｏｗ： Ａ Ｇｕｉｄｅ ｔｏ Ｂｕｉｌｄｉｎｇ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ｓｙｓｔｅｎｓ．Ｏ’Ｒｅｉｌｌｙ．， ２０１７ に十分に説明されており、該文献は、参照によってその全体が本明細書に引用されている。

図３に示される例において、放射線画像プリプロセッサ（１０６）によって行なわれた事前処理は、（ｌ）任意選択の「一般」自動クロッピング工程（ブラケット（３０６）によって描写された最初の５つのログエントリに反映される）であって、それに従って、動物の一部を表わす画像の領域に主に終点を当てるために、そしてそれらの領域のまわりの黒緑をできる限り取り除くために、画像（３０２）が最初にクロッピングされた、「一般」自動クロッピング工程と、（２）「分類された」自動クロッピング工程（ブラケット（３０６）内のログエントリ６～９に反映される）であって、それに従って、特定の身体領域／視野を識別して、それに焦点を当てるために画像（３０２）をクロッピングするために、例えば、ＯｐｅｎＣＶＰｙｔｈｏｎライブラリの要素を使用して最初の試みがなされた、「分類された」自動クロッピング工程と（３）「画像一致」工程（ブラケット（３０６）によって描写された最後の３つのログエントリに反映される）であって、それに従って、画像（３０２）および／またはその１つ以上のクロッピングされたサブ画像（３０４ａ～ｂ）が、特定の身体領域の特定の視野を表わすとして知られている保存画像のレポジトリと比較された、「画像一致」工程と、を含んでいた。対応するタイムスタンプによって示されるように、一般自動クロッピング工程は２秒で完了することが観察され、分類された自動クロッピングすることは３秒で完了することが観察され、画像一致工程は１９秒で完了することが観察された。

図３のブラケット（３０８ａ）により描写されたログエントリによって示されるように、画像（３０２）が動物の胸部の側面図を含むかどうかを判定するために、側面胸部ＡＩプロセッサ（１０４ａ）によってかかった時間は、４秒だった。同様に、ブラケット（３０８ｂ）によって描写されたログエントリによって示されるように、側面腹部ＡＩプロセッサ（１０４ｃ）は、画像（３０２）が動物の腹部の側面図を含むかどうかを４秒で判定した。

代わりに、もしシステムが、放射線画像プリプロセッサ（１０６）によって識別された身体領域／視野に対応する２個のみのＡＩプロセッサではなく、可能な限りのＡＩプロセッサ（１０４ａ～ｌ）のすべてを用いて、新たに受信した画像（３０２）を処理することを必要としたならば、ＡＩプロセッサによる時間は著しくより長くなっていただろうし、かつ／または分析を完了させるために著しくより多くの処理資源を消費していただろう。例えば、３０個の異なるＡＩプロセッサ（１０４）を含むシステムでは、撮像された動物の疾病を判定するための適切なＡＩモデルを単に識別するための処理は、ＡＩプロセッサ（１０４）によって少なくとも処理時間１２０秒となっていただろう（つまり、プロセッサ１つあたり４秒で、３０個のＡＩプロセッサ）し、そして、画像の複数の可能な限りの配向がＡＩプロセッサ（１０４）のそれぞれによって考慮される場合ははるかに長くなっていたかもしれない。放射線画像プリプロセッサ（１０６）の使用によって、一方では、適切なＡＩモデルの識別は、放射線画像プリプロセッサ（１０６）による前処理時間のＡＩプロセッサ（１０４）の処理時間のわずか８秒、および放射線画像プリプロセッサ（１０６）の処理時間の２４秒間であることが、観測された。

撮像された動物が特定の医学的状態を有する可能性を判定するために、人工知能（ＡＩ）プロセッサ（例えば訓練されたニューラルネットワーク）を使用して、動物の放射線画像を処理することは有用である。典型的には、別個のＡＩプロセッサは、各身体領域（例えば、胸部、腹部、肩部、前肢、後肢など）および／あるいはそのような各身体領域の特定の配向（例えば、腹背（ＶＤ）面図、側面図など）を評価するために使われ、そのような各ＡＩプロセッサがそれぞれの身体領域および／あるいは配向について、問題の身体領域に関して、特定の疾病が存在する可能性を判定する。そのような各ＡＩプロセッサ、撮像された領域内のそれぞれの疾病あるいは器官を評価するために、多数の訓練されたモデルを含み得る。例えば、動物の胸部の側面図に関して、ＡＩプロセッサは、肺門周辺の浸潤、肺炎、気管支炎、肺結節などのような、肺と関係した、特定の疾病が動物に存在する可能性を判定するために、異なるモデルを使用し得る。

肺炎または気胸の有無などの単一の病状の検出は、放射線医学ＡＩにおいて、現在行われている。現在の放射線医学ＡＩによる単一の疾患検出とは対照的に、ヒトの放射線医師は、多数の疾病の有無を同時に評価することによって、全体論的なアプローチで放射線画像を分析する。現在のＡＩ処理の制限は、それぞれの特定の疾病のための、別個のＡＩ検出器を用いる必要性である。しかしながら、疾病の組み合わせは幅広い疾患の診断を生じる。例えば、ある症例には、放射線画像から取得される１つ以上の診断結果が、いくつかの幅広い疾患によって引き起こされる。対象の放射線画像に存在する、幅広い疾患を判定するには、示唆的な診断として知られるプロセスにおける補足の診断結果の使用を要求する。これらの補足の診断結果は、放射線画像に加えて、血液検査、患者歴、生検あるいは他の検査および処理から抽出される。現在のＡＩ処理は単一の診断結果に注目して、示唆的な診断を必要とする幅広い疾患を識別することができない。幅広い疾患を診断するために複数の診断結果を組み合わせることができる新規のＡＩプロセスは、本明細書に記載される。

ＡＩ処理は、現在、ヒトの対象の放射線画像において典型的なように、特定のエリアに向けられる制限された放射線画像を用いる。対照的に、獣医放射線学は、通常、単一の放射線画像内に複数の身体領域を含む。研究に含まれる、すべての身体領域を評価するための、獣医学の放射線医学において期待される幅広い評価を提供する新規のＡＩ評価処理は、本明細書に記載されている。

単一の疾患処理のＡＩレポートのための現在の従来のワークフローは、図４の中で例証される。図４に示されるレポートする従来の単一の疾病レポートは、放射線画像の示唆的な診断のためには不十分である。さらに、評価結果の各組み合わせの個別化した規則は、レポートを作成するために非効率的であり、獣医放射線医師に期待されるレポート基準を満たすことができない。単一の疾患プロセスであっても、特定の疾病の重症度の判定（例えば、ＡＩの指数的な数の中の正常、最小、軽度、中程度、重度）は、指数関数的な数のＡＩモデル結果のテンプレートを生じる。ＡＩモデル診断結果の収集から単一のレポートのテンプレートを作成し選ぶプロセスは、ＡＩモデルの数とともに指数的に規模が大きくなる。単一の疾患プロセスのためのＡＩモデルの数は、図５Ａ～図５Ｆの中で例証されるように５つの重症度のための、５７の異なるテンプレートを生じる。したがって、ＡＩモデル診断結果の各組み合わせのための、手動で作成されたレポートは、まとめて解釈される、多数のＡＩモデルには上手くスケールアップできない。

ＡＩ分析のための自動化システム
本明細書では、対象動物の画像を分析する新規のシステムが記載され、該システムは、対象の画像を受け取る受信機と、サブ画像を取得するために、前記画像内の少なくとも１つの身体領域を識別し、クロッピングし、配向し、かつ標識するための少なくとも１つのサブ画像処理プロセッサと、少なくとも１つの疾病の存在についてサブ画像を評価する、少なくとも１つの人工知能評価プロセッサと、少なくとも１つのサブ画像評価、および任意選択で非画像データから、総合的な結果レポートを生成するための、少なくとも１つの合成プロセッサと、サブ画像および総合的な合成診断結果レポートを表示するためのデバイス、を含む。

システムは、（１）典型的には手動で、あるいはユーザの助けで行なわれるタスクであるサブ画像の抽出を、サブ画像プロセッサにより自動化すること、および（２）評価結果および他の非画像データポイントの大きな収集を、合成プロセッサを用いて、簡潔で凝集性のある全体的なレポートに合成することにより、獣医学診断の画像分析におけるかなりの進歩をもたらす。

症例は、対象動物の１つ以上の画像の収集を含み、さらに、限定されないが、世代、性別、位置、病歴、および他の医学検査結果などの）、非画像データを含場合がある。前記システムの一実施形態では、各画像は、多数の身体領域についての様々な視界の複数のサブ画像をつくり出す多数のサブ画像プロセッサに送られる。それぞれのサブ画像は、様々な疾病、所見、あるいは複数の身体領域に及ぶ他の特徴についての複数の評価結果を生成する多数の評価プロセッサによって処理される。合成プロセッサは、評価結果および非画像データポイントの全てまたは部分集合を処理して総合的な合成診断結果レポートを生成する。前記システムの一実施形態では、多数の合成プロセッサは、評価結果の異なる部分集合および非画像データポイントから、多数の合成診断結果レポートを生成する。これらの診断レポートが、補助データと一緒にまとめられて最終となる総合的な合成診断の結果レポートが作成される。

システムの一実施形態では、それぞれの合成プロセッサは、例えば、胸部または腹部などの、身体領域に対応するサブ画像および非画像データポイントの部分集合に対して処理を行う。獣医放射線医学では典型的な方法であるが、各合成診断レポートは身体領域を含む。総合的な合成診断結果レポートは、例えば、名前、世代、住所、品種などの対象の記述的データと、例えば、胸部の診断結果セクションおよび腹部の診断結果セクションなどの、各合成プロセッサの出力に対応する多数のセクションを含む。

システムの一実施形態では、対象は、哺乳動物、爬虫類、魚類、類、両生類、脊索動物、および鳥類から選択される。前記哺乳動物は、イヌ、ネコ、げっ歯類、ウマ、ヒツジ、ウシ、ヤギ、ラクダ、アルパカ、水牛、ゾウ、およびヒトである。前記対象は、ペット、家畜、動物園の貴重な動物、野生動物、および研究動物である。

システムによって受け取られた画像は、Ｘ線（放射線画像）、核磁気共鳴画像法（ＭＲＩ）、磁気共鳴血管画像法（ＭＲＡ）、コンピュータ断層撮影（ＣＴ）、蛍光透視検査、マンモグラフィ、核医学、陽電子放出断層撮影（ＰＥＴ）、および超音波などから選択される放射線検査からの画像である。いくつかの実施形態では、画像は写真である。

システムのいくつかの実施形態では、対象の画像の分析は、約２０分未満、約１０分未満、約５分未満、約１分未満、約３０秒未満、約２０秒未満、約１５秒未満、約１０秒未満、あるいは約５秒未満で、総合的な合成結果レポートを生成し、表示する。

サブ画像プロセッサ
サブ画像プロセッサは、画像における少なくとも１つの身体領域を配向し、クロッピングし、および標識することで、すみやかにサブ画像を自動取得する。サブ画像処理プロセッサは、画像を特異的な視界に依存する標準配向へ回転させることにより、画像を配向させる。配向は、獣医学用の放射線標準ハンギングプロトコルによって決定される。サブ画像処理プロセッサは、１つ以上の身体領域を描写する画像における境界を識別すること、および、識別された境界内の画像を包含する画像データを作成することにより、画像をクロッピングする。

いくつかの実施形態では、境界は一定のアスペクト比である。代替的な実施形態では、境界は一定のアスペクト比ではない。サブ画像処理プロセッサは、サブ画像内に包含される各身体領域の境界および／または位置をレポートすることにより、サブ画像を標識する。身体領域は、例えば、胸部、腹部、脊髄、前肢、頭部、頚部などである。いくつかの実施形態では、サブ画像処理プロセッサは、獣医学用の放射線標準身体領域標識によって、サブ画像を標識する。

サブ画像処理プロセッサは、画像を、複数のライブラリのうち少なくとも１つにおける複数の参照画像に一致させることにより、１つ以上のサブ画像を配向し、クロッピングし、標識する。複数のライブラリのそれぞれは、動物種に特異的あるいは非特異的である複数の参照画像それぞれを含んでいる。

サブ画像処理プロセッサは、画像を配向し、クロッピングし、かつ／または標識することに先立って、画像のシグネチャを抽出し、それにより、画像またはサブ画像を類似する参照画像とすみやかな一致させることを可能にする。サブ画像処理プロセッサは、約２０分未満、約１０分未満、約５分未満、約１分未満、約３０秒未満、約２０秒未満、約１５秒未満、約１０秒未満、あるいは約５秒未満で、画像を処理してサブ画像を取得する。

評価プロセッサ
人工知能評価プロセッサは、疾病、所見、または他の特徴の存在または不在について、サブ画像を評価する。評価プロセッサは、疾病、所見、または特徴の存在の可能性をレポートする。

評価プロセッサは、サブ画像から疾病を診断する。評価プロセッサは、非医学的な特徴、例えば対象の適切なポジショニングについて、サブ画像を評価する。評価プロセッサは、対象のポジショニングを修正するための指示を生成する。

典型的には、評価プロセッサ訓練は、疾病、所見、または他の特徴に関して、陰性対象／正常および陽性対照／異常の訓練セットを含む。陽性対照／異常の訓練セットは、典型的には疾病、所見、または他の特徴が存在すると評価された症例を含む。陰性対照／正常の訓練セットは、疾病、所見または他の特徴が不在であると評価された症例、および／または、完全に正常であると見なされた症例を含む。いくつかの実施形態では、陰性対照／正常の訓練セットは、関心のものとは異なる他の疾病、所見、または特徴が存在すると評価された症例を含む。従って、評価プロセッサはロバストである。

評価プロセッサは、疾病の存在をレポートするために、約２０分未満、約１０分未満、約５分未満、約１分未満、約３０秒未満、約２０秒未満、約１５秒未満、約１０秒未満、または約５秒未満で、サブ画像を処理する。

合成プロセッサ
合成プロセッサは、評価プロセッサから少なくとも１つの評価を受け取り、包括的な結果レポートを生成する。合成プロセッサは、非画像データポイントを含む場合があり、例えば、種、品種、世代、体重、ロケーション、性別、血液、尿、および排泄物の検査を含む医療の検査歴、放射線学レポート、ラボのレポート、組織学レポート、健康診断レポート、微生物学レポート、または他の医学的および非医学的検査または結果が挙げられる。対象の症例模範結果は、少なくとも１つの画像、関連する評価プロセッサの結果、および最近の非イメージデータ・ポイントの０以上の収集を含んでいる。

方法の一実施形態では、合成プロセッサは、前記症例模範結果を使用して、全体の結果レポートとして出力するために予め書かれたテンプレートを選択する。テンプレートは、カスタマイズされた総合的な結果レポートを提供するために、症例模範結果の要素に基づいて、自動的にカスタマイズされる。

合成プロセッサは、クラスタグループに対象の症例模範結果を割り当てる。クラスタグループは、他の対象に由来する症例模範結果の参照ライブラリからの、他の同様の症例模範結果を包含する。場合によっては、クラスタグループは部分的な症例模範結果、例えば結果レポートを包含している。参照ライブラリは、多くの動物種の少なくとも１つからの既知の疾患および疾病を有する症例模範結果を含む。合成プロセッサの性能を時間にわたって改良するために、新しい症例模範結果は参照ライブラリに加えられる。合成プロセッサは、クラスタグループの中の各々の症例模範結果のロケーションを表現する座標を決める。

単一の総合的な結果レポートは全クラスタグループ割り当てられ、および、前記総合的な結果レポートは、合成プロセッサによって対象に割り当てられる。いくつかの実施形態では、いくつかの総合的な結果レポートは、関連する症例模範結果なしで、クラスタの中の様々な症例模範結果、および／またはクラスタ重心などのクラスタ内の様々なカスタム座標に割り当てられる。対象の症例模範結果の座標は、最も近い又は最も近いのではない症例模範結果との、あるいは関連する総合的な結果レポートがあるカスタム座標との距離を計算するために使用され、その後、対象に割り当てられる。

前記総合的な結果レポート（複数可）は、専門家の人間の評価者によって書かれる。代替的な実施形態では、前記総合的な結果レポートは、既存の放射線学レポートから生成される。既存の放射線学レポートは、名前、日付、従来の研究への参照などの普遍的に適用可能でない内容を取り除いて適切な総合的な結果レポートを作成するために自然言語処理（ＮＬＰ）によって修正される。総合的な結果レポート内に包含されるステートメントは、クラスタの中の出現度の閾値を満たさない場合、取り除かれるか編集される。

合成プロセッサは、対象について割り当てられた総合的な結果レポートを出力し、それにより対象における１つ以上の所見、疾病および／または疾病の存在を特定および診断する。クラスタグループは、Ｋ平均クラスタリング、平均シフトクラスタリング、密度ベース空間クラスタリング、期待値最大化（ＥＭ）クラスタリング、および凝集型階層クラスタリングから選択されたクラスタリングツールを使用して、症例模範結果の参照ライブラリから確立される。

合成プロセッサは、総合的な結果レポートを生成するために、約２０分未満、約１０分未満、約９分未満、約８分未満、約７分未満、約６分未満、約５分未満、約４分未満、約３分未満、約２分未満、約１分未満、約３０秒未満、約２０秒未満、約１５秒未満、約１０秒未満、あるいは約５秒未満で、症例模範結果を処理する。

クラスタリングは、各例の特徴中の類似性によって標識無しの例をグループ化するためのＡＩ技術である。非放射線画像および／または非ＡＩ診断結果に加えて、ＡＩプロセッサ診断結果に基づいた患者研究をクラスタリングするためのプロセスが本明細書に記述される。クラスタリングプロセスは、同様の診断または出力レポートを共有するレポートをグループ化し、それによって拡張可能な方法で、全体論的な（ｗｈｏｌｅーｉｓｔｉｃ）疾病またはより幅の広い疾患の検知することを促進する。

放射線写真画像についてのＡＩの予測的な画像解析の複数の方法とレポートライブラリデータベースと新しく受取られた画質評価とを組み合わせる、分析の複数多段を有する新規なシステム、および方法が、本明細書に記載される。様々な実施形態において、本明細書に記載される新規なシステムは、各Ｘ線写真画像によって対象とされた視野、領域、または領域を自動的に検知する。

いくつかの実施形態では、システムは、ＡＩ評価に先立ち、Ｘ線写真画像プリプロセッサ（１０６）を使用して、新しく受取られたＸ線写真画像（１０２）を、クロッピングし、回転し、反転し、サブ画像を作成し、および／または画像露光を標準化するために、前処理する。１つ以上の身体領域または視野が特定される場合、システムは、１つ以上のサブ画像（１０８ａ、１０８ｂおよび１０８ｃ）を生成するために、特定されたそれぞれの領域および視野に対応する画像（１０２）をさらにクロッピングする。いくつかの実施形態では、システムは、識別された領域／視野を評価するように構成された目的のＡＩプロセッサに、画像および／またはサブ画像を選択的に処理して送る。画像（１０８ａ）は、側面胸部ＡＩプロセッサであるＡＩプロセッサ（１０４ａ）にのみに送られる。側面腹部ＡＩプロセッサである画像（１０８ｂ）は、ＡＩプロセッサ（１０４ｃ）のみに送られる。画像（１０８ｃ）は、側面骨盤ＡＩプロセッサであるＡＩプロセッサー（１０４ｋ）にのみに送られる。画像は、目的とされないＡＩプロセッサにも、システム内の残りのＡＩプロセッサにも送られない。例えば、胸の画像図７は、心不全、肺炎、気管支炎、間質性疾患、病気の肺、発育不全の気管、心臓肥大症、肺結節、胸水、胃炎、食道炎、気管支拡張症、肺の過膨張、肺血管拡張、胸部リンパ節腫脹などの、図６にリストされた疾患のための１つ以上のＡＩプロセッサに送られる。

いくつかの実施形態では、ＡＩモデルプロセッサは、正常または異常という二値の結果を提供する二値プロセッサである。様々な実施形態において、ＡＩモデルプロセッサは、例えば、正常、最小、軽度、中程度、重症などの、特定の疾病の重症度の判定を伴う正常か異常かの診断を提供する。

いくつかの実施形態では、新しく受取られるＡＩモデルプロセッサ結果は、ユーザインタフェースに表示される。図９Ａ～図９Ｅを参照されたい。各モデルについての平均ＡＩモデルプロセッサ結果は、個々の画像またはサブ画像の評価結果から収集され、および表示される。図９Ａを参照されたい。ユーザインタフェースは、個々の画像またはサブ画像、およびその画像についてのＡＩモデルプロセッサ結果を表示する。図９Ｂ～図９Ｅを参照されたい。ＡＩ分析は、１分、２分、または３分未満で完了する。

いくつかの実施形態では、１つ以上のＡＩプロセッサ結果について最も近い一致症例またはＡＩプロセッサ「模範結果」を発展させるために、１つ以上のクラスタが、既知のＸ線写真画像のライブラリおよび対応する放射線学レポートデータベースから、ＡＩプロセッサ診断結果を使用して、システムによって構築される。模範結果は、少なくとも１つの画像、関連する評価プロセッサ結果の収集、および世代、性別、ロケーション、品種、医療検査結果などの、非画像データポイントの０以上の収集を含む。合成プロセッサは、クラスタグループの中の各々の症例模範結果のロケーションを表現する座標を決める。従って、２つの症例が同様の模範結果を有している場合、診断は類似しているか、また大部分は同一であり、および、単一の全体的結果レポートは、２つの症例に当てはまる。いくつかの実施形態では、単一の模範結果は全クラスタに割り当てられ、および、クラスタに位置決めされた対象症例は、模範結果を割り当てられる。いくつかの実施形態では、複数の模範結果は、クラスタにおける特定の座標（例えば、重心）または特定のデータセット症例のどちらかに結び付けられたクラスタに割り当てられる。いくつかの実施形態では、模範結果は、人間によって書かれるか、または症例に結び付けられた既存の放射線学レポートから自動生成される。

いくつかの実施形態では、ユーザは、図１１のユーザインタフェースを用いて、既知のＸ線写真画像のライブラリおよび対応する放射線学レポートからクラスタを作成するために、各種パラメータを規定する。ユーザは、「コード」下で、新しいクラスタに対して名前を割り当てる（１１０１）。ユーザは、クラスタを作成するために各種パラメータを選択する。ユーザは、症例を選択するために、症例開始日付（１１０２）と症例終了日付（１１０３）を選択する。ユーザは、症例を選択するために、開始症例ＩＤ（１１０４）および終了症例ＩＤ（１１０５）を選択する。ユーザは、クラスタに含まれる症例（１１０６）の最大値を選択する。ユーザは、症例がクラスタに含まれるように、イヌ、ネコ、イヌまたはネコ、ヒト、鳥類のペット、家畜などの種を選択する（１１０７）。ユーザは、Ｘ線、ＣＴ、ＭＲＩ、血液分析、尿検査などの、クラスタの作成に含まれるべき特定の診断モダリティを選択する（１１０８）。

様々な実施形態において、ユーザは、特定の数のクラスタへと評価結果を分けて、指定する。クラスタの数は、最小の１クラスタからクラスタの中へ入られた症例の数の合計によってのみ制限される最大数のクラスタに及ぶ。システムは、ＡＩプロセッサ診断結果に加えて、血液検査、患者の病歴、または他の検査あるいはプロセスなどの、非Ｘ線写真および／または非ＡＩ診断結果を使用して、１つ以上のクラスタを構築する。クラスタは、図１２に示されるような、カンマセパレイテッドバリュー（ＣＳＶ）ファイル形式の数的な形式でリストされる。ＣＳＶファイルは、クラスタの症例中の症例ＩＤ （１２０１）をリストする。特定の症例ＩＤについての各二値モデルに対する平均評価結果（１２０２）は、ＣＳＶファイルでリストされる。特定の症例を含むクラスタ標識またはクラスタロケーション（１２０３）は、評価結果の収集に基づいてＣＳＶファイル中にリストされる。ＣＳＶファイルはクラスタ座標をリストする。特定のクラスタの重心または中心の症例ＩＤ（１２０４）は、ＣＳＶファイル中にリストされる。

様々な実施形態では、クラスタはクラスタリンググラフによって表現される。図１３を参照されたい。クラスタリンググラフは、平均評価結果をユーザによって定義されたパラメータ（１１０２～１１０８）に依存する複数の異なるクラスタへと分割することにより作成される。様々な異なるクラスタが、グラフ上でプロットされたドットの集りによって表現される。図１３のクラスタリンググラフは、様々なサイズの１８０のクラスタを示す。

いくつかの実施形態では、ユーザインタフェースは、ユーザに定義されたパラメータ（１１０２～１１０８）に基づいて生成されたＡＩクラスタモデルを示す。図１４を参照されたい。ユーザインタフェースは、スクリーニング評価構成を示し、ここでユーザは、特定の「スクリーニング評価構成」名（１５０１）に特定の「クラスタモデル」（１５０２）を割り当てている。スクリーニング評価構成のステータス（１５０３）は、当該構成がライブ、テスト、またはドラフトモードにあるかどうかなどの、構成に関する追加情報を提供する。ライブモードはプロダクション向けであり、および、テストモードまたはドラフトモードは開発向けである。

いくつかの実施形態では、ユーザインタフェースは、特定のクラスタモデル、胸部９７（１６０１）について詳細を記載する。図１６Ａを参照されたい。いくつかの実施形態では、ユーザインタフェースは、クラスタに含まれるＡＩ評価分類子タイプをリストする（１６０２）。ユーザインタフェースは、当該クラスタモデルに特異的な種（１６０３）、評価結果を有する症例の最大値（１６０４）、または、クラスタを作成するために使用された症例の開始および終了の日付（１６０５）などの、クラスタの構築のために使用される付加的なパラメータを表示している。前記ユーザインタフェースは、数値表フォーマットでクラスタを示すカンマセパレイテッドバリュー（ＣＳＶ）ファイルにリンク（１６０６）を提供する。ユーザインタフェースは、パラメータ（１６０２～１６０５）から作成されサブクラスタ（１６０８）をリストする。ユーザインタフェースは、クラスタグループのために作成されたサブクラスタの総数（１６０９）を表示する。ユーザインタフェースは、各サブクラスタについての重心症例ＩＤ（１６１０）を提供する。クラスタ構築についてログは、ユーザインタフェースにおいて提供される。図１６Ｂを参照されたい。

様々な実施形態では、システムは、新しく受け取られた診断未確定の画像を評価し、および新しく受け取られた評価結果を取得するために、１つ以上のＡＩプロセッサを利用する。システムは、新しく受け取られた評価結果を既知のＸ線写真画像のライブラリおよび対応する放射線学データベースレポートから得られた１つ以上のクラスタと比較する。

ユーザは、ＡＩ Ｅｖａｌテスタに新しく受け取られたＡＩプロセッサ結果をインポートする。図１７Ａを参照されたい。ユーザは、スクリーニング評価タイプ（１７０２）および対応するクラスターモデル（１７０３）を規定する。

システムは、新しく受け取られた評価結果に加えて非Ｘ線写真および／または非ＡＩ診断結果を、利用可能な他のものに加えて既知のＸ線写真画像および対応する放射線学レポートデータベースのライブラリから得られた１つ以上のクラスタと比較する。システムは、放射線科医レポートを作成するために、新しく受け取られたＡＩプロセッサ結果のロケーションとクラスタ結果との間の距離を評価し、および１つ以上のクラスタ結果を利用する。いくつかの実施形態では、システムは、既知のクラスタ結果に対する新しく受け取られたＡＩプロセッサ結果のロケーションに依存して、既知のクラスタ結果からの放射線科医レポート全体、または放射線科医レポートの一部を利用することを選択する。様々な実施形態において、システムは、同じクラスタ内の他の結果からの放射線科医レポート全体、または放射線科医レポートの一部を利用することを選択する。いくつかの実施形態では、システムは、クラスタ結果の重心からの放射線科医レポート全体、または放射線科医レポートの一部を利用することを選択する。

ユーザインタフェースは、ＡＩ Ｅｖａｌテスタの結果を表示する。図１８Ａを参照されたい。様々な実施形態において、予め作成されたクラスタ結果に基づく評価結果に最も近い放射線科医レポートからの診断および最終所見（１８０１）が表示される。いくつかの実施形態では、評価所見（１８０２）は評価結果のクラスタにおける放射線科医レポートから選択され、および、特定のクラスタの所見セクションにおける特定の文の出現度に基づいてフィルタされる。いくつかの実施形態では、クラスタにおける放射線科医レポートからの提言（１８０３）は、このクラスタの提言セクションにおける各々の文または類似する文の出現度に基づいて選択される。ユーザインタフェースは、クラスタ（１８０４）の放射線科医レポートおよびクラスタの重心（１８０５）の放射線科医レポートを表示する。ユーザインタフェースは、ユーザが特定の文を加えるかまたは取り除くことで所見セクション（１８０９）、結論セクション（１８１０）、または提言セクション（１８１１）を編集することによってレポートを編集することを、可能にする。図１８Ｄを参照されたい。最も近い一致のデータベース症例についての放射線科医レポートは、新しく受け取られたＸ線写真画像についての放射線学レポートを生成するために使用される。特定のクラスタ結果に基づく放射線学レポートにおける文は、ランク付けされ、およびそのランクと出現度によってリストされる。図１８Ａおよび図１８Ｂを参照されたい。

様々な実施形態では、システムは、新しく受け取られた診断未確定の画像を評価し、および新しく受け取られた評価結果を取得するために、１つ以上のＡＩプロセッサを利用する。システムは、新しく受け取られた評価結果を既知のＸ線写真画像のライブラリおよび対応する放射線学データベースレポートから得られた１つ以上のクラスタと比較する。

システムは、新しく受け取られた評価結果に加えて非Ｘ線写真術のおよび／または非ＡＩ診断結果を、利用可能な他のものに加えて既知のＸ線写真画像および対応する放射線学レポートデータベースのライブラリから得られた１つ以上のクラスタと比較する。システムは、放射線科医レポートを作成するために、新しく受け取られたＡＩプロセッサ結果のロケーションとクラスタ結果との間の距離を評価し、および１つ以上のクラスタ結果を利用する。いくつかの実施形態では、システムは、既知のクラスタ結果に対する新しく受け取られたＡＩプロセッサ結果のロケーションに依存して、既知のクラスタ結果からの放射線科医レポート全体、または放射線科医レポートの一部を利用することを選択する。様々な実施形態において、システムは、同じクラスタ内の他の結果からの放射線科医レポート全体、または放射線科医レポートの一部を利用することを選択する。いくつかの実施形態では、システムは、クラスタ結果の重心からの放射線科医レポート全体、または放射線科医レポートの一部を利用することを選択する。

いくつかの実施形態では、本明細書に記載されたＡＩプロセッサの１つ以上はＴｅｎｓｏｒＦｌｏｗプラットフォームを使用して実行される。ＴｅｎｓｏｒＦｌｏｗプラットフォームの解説、ならびに資料および指導書は、ＴｅｎｓｏｒＦｌｏｗウェブサイトで見ることができる。ＴｅｎｓｏｒＦｌｏｗウェブサイトにおいて利用可能な資源の全内容は、参照によってその全体が本明細書に組み込まれる。

いくつかの実施形態では、本明細書に記載されたクラスタリングモデルの１つ以上は、Ｐｌｏｔｌｙプラットフォームを使用して実行される。Ｐｌｏｔｌｙプラットフォームの解説、ならびに資料および指導書は、ｓｃｉｋｉｔウェブサイトで見ることができる。ｓｃｉｋｉｔウェブサイトにおいて利用可能な資源の全内容は、参照によってその全体が本明細書に組み込まれる。ＴｅｎｓｏｒＦｌｏｗプラットフォームおよびＳｃｉｋｉｔ ｌｅａｒｎを使用するＡＩプロセッサおよびクラスタリングモデルの開発は、以下の参照文献に完全に記載される：Ｇｅｒｏｎ Ａｕｒｅｌｉｅｎ． Ｈａｎｄｓ－ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ｗｉｔｈ Ｓｃｉｋｉｔ－Ｌｅａｒｎ ａｎｄ ＴｅｎｓｏｒＦｌｏｗ： Ｃｏｎｃｅｐｔｓ， Ｔｏｏｌｓ， ａｎｄ Ｔｅｃｈｎｉｑｕｅｓ ｔｏ Ｂｕｉｌｄ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ． Ｏ’Ｒｅｉｌｌｙ， ２０１９； Ｈｏｐｅ， Ｔｏｍ， ｅｔ ａｌ． Ｌｅａｒｎｉｎｇ ＴｅｎｓｏｒＦｌｏｗ： Ａ Ｇｕｉｄｅ ｔｏ Ｂｕｉｌｄｉｎｇ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ｓｙｓｔｅｍｓ． Ｏ’Ｒｅｉｌｌｙ．， ２０１７； ａｎｄ Ｓｉｅｖｅｒｔ， Ｃａｒｓｏｎ． Ｉｎｔｅｒａｃｔｉｖｅ Ｗｅｂ－Ｂａｓｅｄ Ｄａｔａ Ｖｉｓｕａｌｉｚａｔｉｏｎ ｗｉｔｈ Ｒ， Ｐｌｏｔｌｙ， ａｎｄ Ｓｈｉｎｙ． ＣＲＣ Ｐｒｅｓｓ， ２０２０。これらの参照文献は、参照によりその全体が本明細書に組み込まれる。

もし放射線科医が各々のモデルを評価し、一緒に見出された別個のＡＩプロセッサ結果に基づいてルールを作成することを試みていたならば、ルールおよびレポートの作成は、時間的に不可能であっただろう。付加的に、既に組み込まれるＡＩプロセッサモデルの数が増加するにつれ、このシナリオの中への単一の追加的ＡＩプロセッサモデルの追加は、指数関数的により困難になる。放射線科医レポートを作成するために、ＡＩプロセッサ結果クラスタリングの新規なワークフロー、または新しい画像と既知のデータセットとの間の「模範結果」比較を採用することによって、複数のＡＩプロセッサ結果が見出される場合の手作業のレポート構築の問題は、解決される。従来数か月かかっていた個別のＡＩプロセッサ結果を介する手動でのレポート構築およびルール作成は、新規なワークフローにより最小限の時間しかかからなくなる。

システムのいくつかの実施形態では、ＡＩ評価のために使用される構成要素は、図２１Ａに記載されるとおりである。システムの様々な実施形態において、画像マッチＡＩ処理のために使用される構成要素は、図２１Ｂに記載されるとおりである。

システムの様々な実施形態において、ＡＩ放射線写真分析のためのサーバーアーキテクチャは、Ｘ線写真画像を前処理すること、ＡＩ診断プロセッサを使用して画像を分析すること、およびクラスタリング結果に基づくレポートを作成することを含む。図２２Ｂを参照されたい。いくつかの実施形態では、ＮＧＩＮＸロードバランシングサーバ（２２０２）、Ｖ２クラウドプラットフォーム（２２０３）、データベース、マイクロソフトＳＱＬサーバ（２２０７）、およびデータストアサーバ（２２０８）を含む様々なサーバが使用される。

システムの様々な実施形態では、ユーザは、ＡＩシステムを訓練するために、症例にフラグを立てる。システムのいくつかの実施形態では、放射線学レポートが不正確であることを理由に放射線学レポートが編集を必要とする場合、または、レポートが不適当な場合、または症例が新規な診断を有し、従って、放射線学レポートが、診断のために新しい言葉を必要とする場合、ユーザは症例にフラグを立てる。

ＡＩ自動クロッピングおよび評価のワークフローの一連の概略図は、図２３Ａ～図２３Ｆに例示される。ユーザは、システムによって分析される画像（ＤＩＣＯＭ、ＪＰＥＧ、ＪＰＧ、ＰＮＧなどの形式）をアップロードするために、Ｖ２エンドユーザアプリケーション（２３０１）にアクセスする。いくつかの実施形態では、画像はＶｅｔＩｍａｇｅｓアプリケーションに直接アップロードされる（２３０５）。Ｖ２は画像を処理し（２３０２）、画像はデータストアに保存し、さらに画像を処理することをＶｅｔＩｍａｇｅｓに要求する（２３０３）。ＶｅｔＩｍａｇｅｓは、Ｖ２からリクエストを受取り、非同期の処理を始める（２３０４）。ＶｅｔＩｍａｇｅｓはデータストアからの画像にアクセスし（２３０７）、および画像を前処理することをＶｅｔＣｏｎｓｏｌｅに要求する（２３０８）。ＶｅｔＣｏｎｓｏｌｅは、画像の質を改善し、および画像を自動クロッピングするために（２３１０）、ＯｐｅｎＣＶ（２３０９）を使用する。データストアからの画像にアクセスした後のタスクは、サブ画像プロセッサによって実行される。

ＶｅｔＣｏｎｓｏｌｅは、画質が改善された自動クロッピングされた画像をＶｅｔＩｍａｇｅｓに送り、ＶｅｔＩｍａｇｅｓは、画像を分析し、および、画像における胸部、腹部、および骨盤を分類すること（２３１１）をＶｅｔＣｏｎｓｏｌｅに要求する。ＶｅｔＣｏｎｓｏｌｅは、画像における、胸部、腹部、および骨盤を分類し（２３１２）、およびＶｅｔＩｍａｇｅｓに座標を送る。ＶｅｔＩｍａｇｅｓは、ＩｍａｇｅＭａｔｃｈの検証（２３１３）に画像および座標を送る。ＩｍａｇｅＭａｔｃｈ検証は、前記画像および座標を、それ自体のデータベースにおける正確に分類された画像と一致させ、および、一致した画像の距離とパスをＶｅｔＩｍａｇｅｓに送る（２３１４）。ＶｅｔＩｍａｇｅｓアプリケーションは一致した画像についてのデータを受け取り、および身体領域を確証するためにデータベース情報を使用する（２３１５）。次のタスクは画像配向を判定することである。画像は回転され、および反転される（２３１７）。各々の回転および反転の後、一致された画像と比較するため、および、一致された画像と新しく受け取られたた画像との間の距離および画像パスを計測するために、画像はＩｍａｇｅＭａｔｃｈ配向アプリケーションに送られる（２３１８）。ＩｍａｇｅＭａｔｃｈ配向アプリケーションは、新しく受け取られた画像と一致された画像との間の距離および画像パスを有する結果を送る（２３１９）。一致された画像からの最小の距離を有している新しく受け取られた画像の配向は、ＶｅｔＩｍａｇｅｓアプリケーションによって選択される（２３２０）。各々の配向および各々の反転をチェックするプロセスは、画像が３６０度回転されるまで、および適切な角度で反転されるまで、繰り返される。いくつかの実施形態では、配向が選択された画像は、胸部（２３２１）と腹部（２３２３）を検知するため、および、胸部（２３２２）と腹部（２３２４）を有するサブ画像をクロッピングするための座標を取得するために、ＶｅｔＡＩに送られる。座標を取得するプロセスは、ＴｅｎｓｏｒＦｌｏｗで座標付けされる。

ＶｅｔＩｍａｇｅｓアプリケーションは、ＩｍａｇｅＭａｔｃｈの検証から座標を取得し、および、サブ画像を取得するための座標に従って画像をクロッピングする（２３２５）。サブ画像は一致させるためにＩｍａｇｅＭａｔｃｈ検証アプリケーションに送られる（２３２６）。データベース画像はサブ画像に一致され（２３２７）、および、一致されたデータベース画像とサブ画像との間の距離および画像パスは、ＶｅｔＩｍａｇｅｓアプリケーションに送られる。ＶｅｔＩｍａｇｅｓアプリケーションは距離と画像パスのデータを受け取り（２３２８）、および、一致された画像から受け取られたデータを使用して、身体領域を確証する。ＶｅｔＩｍａｇｅｓアプリケーションは、各サブ画像が有効かどうかをチェックするために、各々のサブ画像を分析する。サブ画像が有効でない場合（２３３１）、ＶｅｔＣｏｎｓｏｌｅアプリケーションから一般クロッピングされた画像は、データベースまたはデータストアに保存される（２３３２）。サブ画像が有効である場合（２３３０）、サブ画像はデータベースまたはデータストアに保存される（２３３２）。データベースまたはデータストアに保存された画像は、さらなる処理または分析のために使用される、クロッピングされた画像である。ＶｅｔＩｍａｇｅｓアプリケーションは、サブ画像または一般クロッピングされた画像についてＶｅｔＣｏｎｓｏｌｅから得られたデータを、データベースに保存する（２３３２）。

以下のタスクが評価プロセッサによって実行される。ＶｅｔＩｍａｇｅｓアプリケーションは、ＶｅｔＡＩアプリケーションにポジショニング評価（２３３３）のためにクロッピングされた画像を送る。ＶｅｔＩｍａｇｅｓアプリケーションによってＶｅｔＡＩアプリケーションから受け取られた（２３３４）データは、データベースに保存され（２３３５）、および、クリニックに電子メール（２３３６）を送信するように、Ｖ２アプリケーションに信号が送られる。ＶｅｔＩｍａｇｅｓアプリケーションは、データベースからのライブのＡＩモデルにアクセスする（２３３７）。クロッピングされた画像は、クロッピングされた画像の身体領域に基づいてＶｅｔＡＩアプリケーションにおける適切なＡＩモデルに送られる（２３３９）。適切なＡＩモデルは各々の身体領域のために所定である。ＶｅｔＡＩアプリケーションは、ＡＩ評価標識および機械学習（ＭＬ）ＡＩ評価結果をＶｅｔＩｍａｇｅｓアプリケーションに送り（２３４０）、ＶｅｔＩｍａｇｅｓアプリケーションは、これらのデータをクロッピングされた画像のためのデータベースに保存する（２３４１）。ＶｅｔＩｍａｇｅｓアプリケーションは、クロッピングされた画像についてのＡＩ評価結果に基づいて画像の標識と可能性を計算する（２３４２）。ＡＩ評価結果を取得するためにクロッピングされた画像を送る（２３３９）プロセスは、所定のＡＩモデルが処理される（２３３８）まで、反復される（２３４２）。

ＶｅｔＩｍａｇｅｓアプリケーションは、症例からの各画像が処理されてＡＩ評価結果を取得するかどうかを分析する（２３４４）。症例からのすべての画像が処理されない場合、ＶｅｔＩｍａｇｅｓは、症例における次の画像をプロセスに返す。症例からの画像がすべて処理されている場合、ＶｅｔＩｍａｇｅｓは、各々のクロッピングされた画像の標識と可能性に基づいて、全体として、症例の標識と可能性を計算する（２３４５）。その後、ＶｅｔＩｍａｇｅｓアプリケーションは、ステータスをデータベースからライブおよびスクリーニング評価タイプに変更する（２３４６）。ＶｅｔＩｍａｇｅｓアプリケーションのステータスをライブに変更する際、タスクは合成プロセッサによって実行される。ＶｅｔＩｍａｇｅｓアプリケーションは、スクリーニング評価がすべて完了したかどうか、査定する（２３４７）。すべてのスクリーニング評価が完了していない場合、ＶｅｔＩｍａｇｅｓアプリケーションは、スクリーニング評価がクラスタリングによって完了されなければならないかどうか、査定する（２３４８）。スクリーニング評価がクラスタリングによって完了されなければならない場合、処理された画像についてのＡＩ評価結果がＶｅｔＡＩアプリケーションに送られ（２３４９）、および、ベストマッチクラスタの結果がＶｅｔＩｍａｇｅｓアプリケーションに送られ（２３５０）、ここでＶｅｔＩｍａｇｅｓアプリケーションは、最良一致のクラスタリング結果に基づくスクリーニング結果を生成し、およびデータベースに保存する（２３５１）。ＶｅｔＩｍａｇｅｓ アプリケーションがクラスタリングによるスクリーニング評価を行わないと判断した場合、探索ルールがアクセスされ、および探索ルールに基づいてＡＩ評価結果を処理し、スクリーニング結果を取得し、およびデータベースに保存する（２３５３）。スクリーニング結果の取得とデータベースへの保存のプロセスは、症例の全画像のスクリーニング評価が終了し、かつ完全な結果レポートが取得されるまで繰り返される（２３５４）。

ＶｅｔＩｍａｇｅｓアプリケーションは、対象の種が識別されており、かつデータベースに保存されているかどうか、査定する（２３５５）。種が識別されていない場合、ＶｅｔＡＩアプリケーションは、対象の種を評価（２３５７）し、種の評価結果をＶｅｔＩｍａｇｅｓアプリケーションに送る。種を評価するためのタスク（２３５６～２３５７）は、評価プロセッサにより実行される。いくつかの実施形態では、ＶｅｔＩｍａｇｅｓアプリケーションは、種がイヌかどうか査定する（２３５８）。種がイヌとして肯定的に識別される場合、症例はフラグを立てられ（２３５９）、および、評価が結果レポートに添付される。ＶｅｔＩｍａｇｅｓアプリケーションは、症例の評価が完了したことをＶ２に通知する（２３６０）。Ｖ２アプリケーションは、症例にフラグが立っているかどうかを査定する（２３６１）。レポートにフラグが立っている場合、結果レポートは症例ドキュメントに保存され（２３６２）、および、結果レポートがクライアントに電子メールされる（２３６３）。報告にフラグが立っていない場合、結果報告は症例ドキュメントに保存されずに、クライアントに電子メールされる（２３６３）。

クラスタリング
クラスタリングは一種の教師なし学習法である。教師なし学習法は、標識が付けられた応答を伴わない入力データから成るデータセットから参照が引き出される方法である。概して、クラスタリングは、一組の具体例の中で本来的な、意味のある構造、説明的な根底にあるプロセス、生成的な特徴、およびグループ分けを見つけるためのプロセスとして使用される。

クラスタリングは、同じグループにおけるデータポイントが同じグループにおける他のデータポイントに類似し且つ他のグループにおけるデータポイントに非類似であるように、集団またはデータポイントを数あるグループへと分割するタスクである。従って、クラスタリングは、それらの間における類似性および非類似性に基づいてオブジェクトをグループへとまとめる方法である。

クラスタリングは、標識が付いていないデータ間の内因性のグループ化を確定するために、重要なプロセスである。クラスタリングは、ユーザの目的を満たすのに有用な基準を選択するユーザに依存するため、良いクラスタリングための基準は存在しない。例えば、クラスタは、均質なグループの代表を見つけること（データ集約）、「自然なクラスタ」を見つけ、およびそれらの未知の特性を記載すること（「自然な」データタイプ）、有用かつ適切なグループ分けを見つけること（「有用な」データクラス）、または、異常なデータオブジェクトを見つけること（孤立値検知）、に基づく。このアルゴリズムは、ポイントの類似性を構成する仮説を作り、および、各仮説は異なり且つ同等に有効なクラスタを作る。

クラスタリング方法：
以下のとおり、クラスタリングのための様々な方法がある。

密度ベースの方法：これらの方法は、クラスタを、ある程度の類似性を有する密領域と見なし、および空間の低い密領域とは異なるものとする。これらの方法は、優れた精度、および２つのクラスタを統合する能力を有する。密度ベースの方法の例は、ノイズを伴うアプリケーションの密度ベース空間クラスタリング（ＤＢＳＣＡＮ）、クラスタ構造を特定するためのポイント順序付け（ＯＰＴＩＣＳ）などである。

階層ベースの方法：この方法によって形成されたクラスタは、階層をベースとするツリータイプ構造を形成する。新しいクラスタは、予め形成されたクラスタを使用して形成される。階層ベースの方法は、凝集的（ボトムアップアプローチ）と、分割的（トップダウンアプローチ）の、２つのカテゴリへと分類される。階層ベースの方法の例として：代表を使用するクラスタリング（ＣＵＲＥ）、バランス化反復削減クラスタリング階層（Ｂａｌａｎｃｅｄ Ｉｔｅｒａｔｉｖｅ Ｒｅｄｕｃｉｎｇ Ｃｌｕｓｔｅｒｉｎｇ， Ｈｉｅｒａｒｃｈｉｅｓ ）（ＢＩＲＣＨ）などである。

パーテーション化による方法：パーテーション化による方法は、オブジェクトをｋクラスタへと分割し、および各パーテーションが１つのクラスタを形成する。この方法は、客観的基準類似性関数を最適化するために使用される。パーテーション化による方法の例は、Ｋ平均法、無作為化された探索ベースの大規模アプリケーションのクラスタリング（Ｃｌｕｓｔｅｒｉｎｇ Ｌａｒｇｅ Ａｐｐｌｉｃａｔｉｏｎｓ ｂａｓｅｄ ｕｐｏｎ Ｒａｎｄｏｍｉｚｅｄ Ｓｅａｒｃｈ）（ＣＬＡＲＡＮＳ）などである。

グリッドベースの方法：グリッドベースの方法では、データ空間は、グリッド状の構造を形成する有限個のセルに定式化される。これらのグリッド上で行なわれるすべてのクラスタリングオペレーションは、高速であり、およびデータオブジェクトの数に非依存である。グリッドベースの方法の例は、統計情報グリッド（Ｓｔａｔｉｓｔｉｃａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｇｒｉｄ）（ＳＴＩＮＧ）、ウエーブクラスタ（ｗａｖｅ ｃｌｕｓｔｅｒ）、Ｑｕｅｓｔでのクラスタリング（ＣＬｕｓｔｅｒｉｎｇ Ｉｎ Ｑｕｅｓｔ）（ＣＬＩＱＵＥ）などである。

Ｋ平均法クラスタリング
Ｋ平均法クラスタリングは、教師なし機械学習アルゴリズムの１つである。典型的には、教師なしアルゴリズムは、既知の結果または標識が付けられた結果を参照せずに、入力ベクトルだけを使用して、データセットから推論を行なう。Ｋ平均法の目的は、単純に類似データポイントをまとめてグループ化し、根底にあるパターンを発見することである。この目的を達成するために、Ｋ平均法はデータセットにおけるクラスタの定数（ｋ）を捜す。

クラスタは、特定の類似性についてまとめて凝集されたデータポイントの集合を指す。目標数ｋは、ユーザがデータセットにおいて必要とする重心の数を指す。重心は、クラスタの中心を表現する虚数または実数の位置である。すべてのデータポイントはクラスタ内の二乗和を低減させることによってクラスタの各々に割り当てられる。Ｋ平均法アルゴリズムは、重心のｋ数を特定し、次に、重心をできるだけ小さく維持しながら、最も近いクラスタにすべてのデータポイントを割り当てる。

Ｋ平均法で「平均」は、重心を見つけ出すデータの平均値算出を指す。学習データを処理するために、データマイニングにおけるＫ平均法アルゴリズムは、すべてのクラスタのための開始ポイントとして使用される無作為に選択された重心の最初のグループから開始し、そして次に、重心の位置を最適化するために繰返（反復）計算を行なう。重心が安定し、およびクラスタリングが成功したことでそれらの値に変更がなくなる時、または、定義された数の反復が達成された時、アルゴリズムはクラスタを作り最適化することを停止する。

Ｋ平均法クラスタリングための方法は、先験的に定められたある数のクラスタ（ｋクラスタを仮定する）によって所与のデータセットを分類する単純な方法に従う。各クラスタに１つ、ｋ個の中心または重心が定義される。次の工程は、所与のデータセットに属する各ポイントをとり、それを最も近い中心に関連づけることである。未決のポイントがなくなった時、第１の工程は完了し、および、初期のグループ世代が実行される。次の工程は、前の工程から結果として生じるクラスタの重心としてｋ個の新しい重心を再計算することである。ｋ個の新しい重心を計算すると、同じデータセットポイントと最も近い新しい中心との間で新しいバインディングが実行され、それによってループを生成する。このループの結果、ｋ個の中心がロケーションを変えなくなるまで、ｋ個の中心は段階的にロケーションを変える。Ｋ平均法クラスタアルゴリズムは、２乗誤差関数として知られる目的関数の最小化を狙いとし、以下の式で計算される：

式中、「｜｜ｘ_ｉ－ｖ_ｊ｜｜」は、ｘ_ｉとｖ_ｊとの間のユークリッド距離であり、「ｃ_ｉ」は、ｉ番目のクラスタにおけるデータポイントの数であり、「ｃ」はクラスタ中心の数である。

Ｋ平均法クラスタリングのためのアルゴリズムのステップ
Ｋ平均法クラスタリングのためのアルゴリズムは以下のとおりである：

Ｋ平均法クラスタリングでは、ｃ個のクラスタ中心が無作為に選択され、各データポイントとクラスタの中心との間の距離が計算され、データポイントは最も近いクラスタ中心に割り当てられ、新しいクラスタ中心が以下の式を使用して再計算され、

式中、「ｃ_ｉ」はｉ番目のクラスタにおけるデータポイントの数であり、Ｘは、データポイント集合ｘ_１、ｘ_２、ｘ_３、・・・、ｘ_ｎ｝であり、および、Ｖは、中心の集合｛ｖ_１，ｖ_２，・・・、ｖ_ｃ｝である。

各データポイントと新たに得られたクラスタの中心との間の距離が測定され、および、データポイントが再割り当てされる場合、データポイントが再割り当てされないようになるまで、プロセスは継続する。

ＡＩアプリケーションのプロセスフロー
いくつかの実施形態では、医療におけるデジタル画像化と通信（Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ）（ＤＩＣＯＭ）の画像がＬＩＯＮを介して提出され、ＤＩＣＯＭ ＴｏｏｌＫｉｔライブラリ（Ｏｆｆｉｓ．ｄｅ ＤＣＭＴＫライブラリ）によりＨｙｐｅｒｔｅｘｔ Ｔｒａｎｓｆｅｒ Ｐｒｏｔｏｃｏｌ Ｓｅｃｕｒｅ （ＨＴＴＰＳ）上でＶ２プラットフォームに送られる。ＤＩＣＯＭ画像は、Ｖ２プラットフォームに一時的に格納される。いくつかの実施形態では、ＤＩＣＯＭレコードは限られた情報で作成され、および、ステータスは０にセットされる。様々な実施形態において、一旦、ＤＩＣＯＭ画像が一時記憶領域において利用可能になると、Ｖ２ ＰＨＰ／Ｌａｒａｖｅｌアプリケーションは、Ｃｒｏｎジョブ（Ｃｒｏｎ ｊｏｂ）を通じてＤＩＣＯＭ画像を処理し始める。

いくつかの実施形態では、Ｃｒｏｎジョブ（１）は、新しいＤＩＣＯＭ画像についてＶ２をモニタし、一時記憶領域からＤＩＣＯＭ画像を取得し、タグを抽出し、フレーム（単一サブイメージまたは複数サブイメージ）を抽出し、データストアの中に画像とタグを保存し、データベースの中の処理ステータスをセットする。いくつかの実施形態では、Ｃｒｏｎジョブ（１）は、Ｏｆｆｉｓ．ｄｅライブラリＤＣＭＴＫを使用して、ＤＩＣＯＭ画像をロスレスＪＰＧフォーマットへと変換および圧縮し、処理ステータスを１にセットする。いくつかの実施形態では、Ｃｒｏｎジョブ（１）は、５分ごと、４分ごと、３分ごと、２分ごと、または毎分など、自動的に実行される。いくつかの実施形態では、Ｃｒｏｎジョブ（１）は、マイクロソフトＳＱＬサーバ中のＤＩＣＯＭと呼ばれるテーブルにＤＩＣＯＭ画像メタデータを保存し、そして画像／フレームを抽出し、そして、画像マネージャーのためのディレクトリに画像／フレームを記憶する。様々な実施形態において、画像についての付加的な情報および画像に関連づけられる症例ＩＤを格納するレコードが処理中に作成される。レコードは、対象についての理学的検査所見、対象についての複数回の滞在の研究、各検査中に得られた一連の画像、および、症例に含まれる画像の階層などの、付加的なデータを格納する。

様々な実施形態において、ＤＩＣＯＭ画像とメタデータは、ＰＨＰ Ｌａｒａｖｅｌフレームワークで書かれたＶｅｔ Ｉｍａｇｅｓアプリケーションによって処理される。Ｖ２は、各画像を非同期に処理するために、ＶｅｔＩｍａｇｅｓへのＲＥＳＴサービスリクエストを発生させる。いくつかの実施形態では、ＶｅｔＩｍａｇｅｓは、リクエストが受け入れられたこと、および画像のクロッピングと評価のプロセスがバックグラウンドで継続することを確証するために、Ｖ２に対して直ちに応答する。なぜなら、画像は平行に処理され、プロセス全体は高速に実行されるからである。

様々な実施形態において、ＶｅｔＩｍａｇｅｓ は、Ｐｙｔｈｏｎで書かれ、およびコンピュ－タビジョン（Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ）技術 のＯｐｅｎＣＶ を使用して画像の前処理を行う ＶｅｔＣｏｎｓｏｌｅ というモジュールに画像を渡す、もしくは転送する。ＶｅｔＣｏｎｓｏｌｅは、ＡＩ Ｃｒｏｐｐｉｎｇサーバが画像中の身体領域を分類できない場合の予備として、胸部、腹部、骨盤などの身体領域を特定する。正確な配向が取得されるまで、ＶｅｔＩｍａｇｅｓは画像を回転および反転する。いくつかの実施形態では、ＶｅｔＩｍａｇｅｓは、画像の様々な角度と射影を確認するために、画像一致サーバを使用する。様々な実施形態において、画像マッチを特定するために、 画像一致サーバがＰｙｔｈｏｎと Ｅｌａｓｔｉｃ Ｓｅａｒｃｈで書かれる。いくつかの実施形態では、画像一致サーバのための画像データベースは、画像が正確な配向と射影にあると認められる場合のみ結果を返信するように、注意深く選択される。

様々な実施形態において、画像の配向を求めると、ＶｅｔＩｍａｇｅｓは、ＲＥＳＴ ＡＰＩリクエストを分類するためにＫｅｒａｓ／ＴｅｎｓｏｒＦｌｏｗサーバに送信し、そして画像における身体領域の対象領域を判定する。ＶｅｔＩｍａｇｅｓ ＲＥＳＴ ＡＰＩリクエストは、返された画像の領域が、胸部、腹部、骨盤、後膝関節などの、身体領域に分類されたと確認するための、画像一致サーバを使用して有効にされる。いくつかの実施形態では、クロッピングについての評価結果が無効の場合、ＶｅｔＣｏｎｓｏｌｅのクロッピング結果が有効になり、利用される。

様々な実施形態において、画像が、分類されかつ有効になった身体領域を格納するとＶｅｔＩｍａｇｅｓが判定する場合、ＡＩレポートを生成するためのＡＩ評価（ＡＩ Ｅｖａｌｕａｔｉｏｎ）プロセスが開始される。代替的な実施形態では、画像が分類されかつ有効になった身体領域を含んでいないとＶｅｔＩｍａｇｅｓが判定する場合、クロッピング画像プロセスは結果なしで、およびレポート生成なしで終了する。

様々な実施形態において、ＶｅｔＩｍａｇｅｓは、Ｐｙｔｈｏｎ／Ｄｊａｎｇｏで書かれたＴｅｎｓｏｒＦｌｏｗアプリケーションサーバ上でホストされる疾病についてのＡＩ評価モデルに分類されたクロッピングされた画像と共に、ＲＥＳＴサービスコールをＫｅｒａｓ／ＴｅｎｓｏｒＦｌｏｗに対して送る。ＶｅｔＩｍａｇｅｓは、最終評価とレポート生成のために、ＡＩ評価モデルの結果を保存する。

ＶｅｔＩｍａｇｅｓは、また、ユーザによってセットされたパラメータに対して画像が適切にポジショニングされたかどうかを判定するために、胸部がクロッピングされた画像をＴｅｎｓｏｒＦｌｏｗサーバに送る。画像ごとのポジショニング評価の結果をクリニックに通知するために、ＶｅｔＩｍａｇｅｓは、Ｖ２プラットフォームにＡＩ評価モデルの結果を送る。

いくつかの実施形態では、ＶｅｔＩｍａｇｅｓは、画像が平行で処理されている間、症例の画像がすべてクロッピングされ、ＴｅｎｓｏｒＦｌｏｗサーバによって評価されるまで待機する。いくつかの実施形態では、症例のすべての画像の評価を終えると、ＶｅｔＩｍａｇｅｓは、人間にとってより判読可能な手段のレポートの内容を決定するために、専門家によって定義された規則を使用して、症例のすべての結果を処理する。代替的な実施形態では、ＶｅｔＩｍａｇｅｓは、ＡＩレポートの内容を決定するために、ユーザによって作成されたクラスタリングモデルを使用する。いくつかの実施形態では、ＡＩレポートは、ＶｅｔＩｍａｇｅｓ中のクラスタモデルを構築するために使用される既往の放射線科医レポートを使用して組み立てられる。いくつかの実施形態では、クラスタリングは、サイキット・ラーン（ｓｃｉｋｉｔ－ｌｅａｒｎ）を使用する他の診断モデルからの予測結果を使用する症例／画像を分類するために使用される。

いくつかの実施形態では、専門家の規則またはクラスタモデルを使用して、ＡＩレポートの内容を決定すると、ＶｅｔＩｍａｇｅｓは、症例の種をチェックする。いくつかの実施形態では、症例の種がＶｅｔＩｍａｇｅｓによってイヌであると判定される場合にのみ、レポートは生成され、Ｖ２クリニックに送られる。

いくつかの実施形態では、ＶｅｔＩｍａｇｅｓは、新しいＡＩレポートがクリニックに送られたことをクリニックに通知するために、Ｖ２プラットフォームに対してリクエストを送る。いくつかの実施形態では、Ｖ２プラットフォームは、ｃｌｉｎｉｃ管理者ユーザのライセンス、またはユーザのライセンスを有効にする。様々な実施形態において、クリニックが有効なライセンスを有する場合、レポートがＶ１プラットフォームから利用可能なように、Ｖ２は、Ｃａｓｅ Ｄｏｃｕｍｅｎｔ（複数可）に、またはその中にレポートのコピーを添付する。いくつかの実施形態では、Ｖ２は、電子メール受信器が生成されたレポートを便利かつ直ちに開くことができるように、リンク（複数可）を格納しているクリニック電子メールに、電子メール通知を送る。

機械学習、クラスタリングおよびプログラミングのための方法は、以下の参照文献において完全に記載されている：Ｓｈａｗ， Ｚｅｄ． Ｌｅａｒｎ Ｐｙｔｈｏｎ ｔｈｅ Ｈａｒｄ Ｗａｙ： Ａ Ｖｅｒｙ Ｓｉｍｐｌｅ Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ ｔｈｅ Ｔｅｒｒｉｆｙｉｎｇｌｙ Ｂｅａｕｔｉｆｕｌ Ｗｏｒｌｄ ｏｆ Ｃｏｍｐｕｔｅｒｓ ａｎｄ Ｃｏｄｅ． Ａｄｄｉｓｏｎ－Ｗｅｓｌｅｙ， ２０１７； Ｒａｍａｌｈｏ， Ｌｕｃｉａｎｏ． Ｆｌｕｅｎｔ Ｐｙｔｈｏｎ． Ｏ’Ｒｅｉｌｌｙ， ２０１６； Ａｔｉｅｎｚａ， Ｒｏｗｅｌ． Ａｄｖａｎｃｅｄ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ ｗｉｔｈ ＴｅｎｓｏｒＦｌｏｗ ２ ａｎｄ Ｋｅｒａｓ： Ａｐｐｌｙ ＤＬ， ＧＡＮｓ， ＶＡＥｓ， Ｄｅｅｐ ＲＬ， Ｕｎｓｕｐｅｒｖｉｓｅｄ Ｌｅａｒｎｉｎｇ， Ｏｂｊｅｃｔ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｓｅｇｍｅｎｔａｔｉｏｎ， ａｎｄ Ｍｏｒｅ． Ｐａｃｋｔ， ２０２０； Ｖｉｎｃｅｎｔ， Ｗｉｌｌｉａｍ Ｓ． Ｄｊａｎｇｏ ｆｏｒ Ｐｒｏｆｅｓｓｉｏｎａｌｓ： Ｐｒｏｄｕｃｔｉｏｎ Ｗｅｂｓｉｔｅｓ ｗｉｔｈ Ｐｙｔｈｏｎ ＆ Ｄｊａｎｇｏ． Ｓｔｉｌｌ Ｒｉｖｅｒ Ｐｒｅｓｓ， ２０２０； Ｂｒａｄｓｋｉ， Ｇａｒｙ Ｒ．， ａｎｄ Ａｄｒｉａｎ Ｋａｅｈｌｅｒ． Ｌｅａｒｎｉｎｇ ＯｐｅｎＣＶ： Ｏ’Ｒｅｉｌｌｙ， ２０１１；Ｂａｔｔｉｔｉ， Ｒｏｂｅｒｔｏ， ａｎｄ Ｍａｕｒｏ Ｂｒｕｎａｔｏ． Ｔｈｅ ＬＩＯＮ Ｗａｙ： Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ｐｌｕｓ Ｉｎｔｅｌｌｉｇｅｎｔ Ｏｐｔｉｍｉｚａｔｉｏｎ， Ｖｅｒｓｉｏｎ ２．０， （Ａｐｒｉｌ ２０１５）． ＬＩＯＮｌａｂ Ｔｒｅｎｔｏ Ｕｎｉｖｅｒｓｉｔｙ， ２０１５； Ｐｉａｎｙｋｈ， Ｏｌｅｇ Ｓ． Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ｉｎ Ｍｅｄｉｃｉｎｅ （ＤＩＣＯＭ） ａ Ｐｒａｃｔｉｃａｌ Ｉｎｔｒｏｄｕｃｔｉｏｎ ａｎｄ Ｓｕｒｖｉｖａｌ Ｇｕｉｄｅ． Ｓｐｒｉｎｇｅｒ Ｂｅｒｌｉｎ Ｈｅｉｄｅｌｂｅｒｇ， ２０１２； Ｂｕｓｕｉｏｃ， Ａｌｅｘａｎｄｒｕ． Ｔｈｅ ＰＨＰ Ｗｏｒｋｓｈｏｐ： ａ Ｎｅｗ， Ｉｎｔｅｒａｃｔｉｖｅ Ａｐｐｒｏａｃｈ ｔｏ Ｌｅａｒｎｉｎｇ ＰＨＰ． Ｐａｃｋｔ Ｐｕｂｌｉｓｈｉｎｇ， Ｌｉｍｉｔｅｄ， ２０１９； Ｓｔａｕｆｆｅｒ， Ｍａｔｔ． Ｌａｒａｖｅｌ － Ｕｐ ａｎｄ Ｒｕｎｎｉｎｇ： ａ Ｆｒａｍｅｗｏｒｋ ｆｏｒ Ｂｕｉｌｄｉｎｇ Ｍｏｄｅｒｎ ＰＨＰ Ａｐｐｓ． Ｏ’Ｒｅｉｌｌｙ Ｍｅｄｉａ， Ｉｎｃｏｒｐｏｒａｔｅｄ， ２０１９； Ｋａｓｓａｍｂａｒａ， Ａｌｂｏｕｋａｄｅｌ． Ｐｒａｃｔｉｃａｌ Ｇｕｉｄｅ ｔｏ Ｃｌｕｓｔｅｒ Ａｎａｌｙｓｉｓ ｉｎ Ｒ： Ｕｎｓｕｐｅｒｖｉｓｅｄ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ． ＳＴＨＤＡ， ２０１７； ａｎｄ Ｗｕ， Ｊｕｎｊｉｅ． Ａｄｖａｎｃｅｓ ｉｎ Ｋ－Ｍｅａｎｓ Ｃｌｕｓｔｅｒｉｎｇ： Ａ Ｄａｔａ Ｍｉｎｉｎｇ Ｔｈｉｎｋｉｎｇ． Ｓｐｒｉｎｇｅｒ， ２０１２。これらの参照文献は、参照によりその全体が本明細書に組み込まれる。

実施形態のいずれか１つに関して記載されたいずれの特徴も、単独で使用されても、記載された他の特徴と組み合わせて使用されてもよく、およびまた、いずれの他の実施形態の１つ以上の特徴、またはいずれの他の実施形態の任意の組み合わせの１つ以上の特徴と、組み合わせて使用されてもよいことは、理解されよう。さらに、上に記載されない同等物および改変もまた、請求項で定義される本発明の範囲から外れずに、採用され得る。

ここに本発明は完全に記載され、それは、以下の請求項によってさらに例証される。当業者は、せいぜい型通りの実験作業を使用して、本明細書に記載された特定の方法に対して多数の同等物を認識するか、または確認することができるだろう。そのような同等物は、本発明および請求項の範囲内にある。本出願において引用された、非特許文献、交付済み特許、及び公表された特許出願を含む全ての参照文献の内容は、参照によりその全体が本明細書に組み込まれる。

Claims (34)

1. 対象の診断画像を分析する方法であって、前記方法は、
   前記対象の画像を、サブ画像処理プロセッサを使用して、自動的に処理して、画像を１つ以上の身体領域に分類し、当該分類された画像を配向およびクロッピングさせて、少なくとも１つの分類された画像を取得する工程と、
   前記分類された画像を医療におけるデジタル画像化と通信（Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ ｉｎ Ｍｅｄｉｃｉｎｅ ：ＤＩＣＯＭ）標準ハンギングプロトコルに従って配向およびクロッピングさせて、自動的に分類された各身体領域について、配向され、クロッピングされ、および標識された少なくとも１つのサブ画像を取得する工程と、
   前記身体領域に基づいて、前記サブ画像を少なくとも１つの人工知能プロセッサに送信する工程と、
   前記人工知能プロセッサにより前記サブ画像を評価し、評価結果を得る工程と、
   前記評価結果を、以前の評価結果および前記分類された画像に対応する一致した書面テンプレートに基づいて計算された複数のデータセットクラスタを有するデータベースと比較して、対象の疾患または疾病の存在を示す少なくとも１つのクラスタ結果を取得する工程と、を含む、方法。
2. 身体領域および病状の存在に関して、前記サブ画像を査定するために前記人工知能プロセッサを用いる工程をさらに含む、請求項１に記載の方法。
3. 前記サブ画像から病状を診断するために、前記人工知能プロセッサを用いる工程をさらに含む、請求項２に記載の方法。
4. 前記対象の前記身体領域の位置に関して、前記サブ画像を査定するために、前記人工知能プロセッサを用いる工程をさらに含む、請求項１に記載の方法。
5. 前記対象の前記身体領域の位置を適切な位置へ修正する工程をさらに含む、請求項４に記載の方法。
6. 前記サブ画像処理プロセッサが、前記サブ画像を取得するために、前記画像を自動処理する、請求項１に記載の方法。
7. 前記サブ画像処理プロセッサが、前記サブ画像を取得するために前記画像を約１分未満、約３０秒未満、約２０秒未満、約１５秒未満、約１０秒未満、または約５秒未満で処理する、前記サブ画像を取得する、請求項６に記載の方法。
8. 評価する工程は、前記サブ画像を、複数のライブラリの少なくとも１つにおける複数の参照画像と比較することをさらに含む、請求項１に記載の方法。
9. 前記複数のライブラリが、それぞれ複数の参照画像を含む、請求項８に記載の方法。
10. 前記複数のライブラリが、それぞれ動物種に特異的または非特異的であるそれぞれの複数の参照画像を含む、請求項９に記載の方法。
11. 前記サブ画像を参照画像と一致させることで、配向と少なくとも１つの身体領域を査定する工程をさらに含む、請求項１に記載の方法。
12. 前記参照画像が、前記医療におけるデジタル画像化と通信（Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ ｉｎ Ｍｅｄｉｃｉｎｅ ：ＤＩＣＯＭ）標準ハンギングプロトコル内で配向される、請求項８に記載の方法。
13. クロッピングすることが、前記サブ画像において、特定の身体領域を分離することさらに含む、請求項１に記載の方法。
14. 獣医学標準の身体領域標識により前記参照画像を分類することをさらに含む、請求項９に記載の方法。
15. 配向することが、前記画像を獣医学標準ハンギングプロトコルに適応させることをさらに含む、請求項１に記載の方法。
16. クロッピングすることは、前記サブ画像を標準アスペクト比にトリミングすることをさらに含む、請求項１に記載の方法。
17. 分類することは、獣医学標準の身体領域標識により身体領域を識別して標識することをさらに含む、請求項１に記載の方法。
18. 分類することが、前記画像をサンプル標準画像のライブラリと比較することをさらに含む、請求項１に記載の方法。
19. 前記画像を前記ライブラリにおけるサンプル標準画像と一致させることで、前記画像を１つ以上の身体領域に分類する工程をさらに含む、請求項１８に記載の方法。
20. クロッピングすることは、分類された各身体領域を描写する前記画像における境界を識別することをさらに含む、請求項１に記載の方法。
21. 分類することに先立って、画像のシグネチャを抽出する工程をさらに含む、請求項１に記載の方法。
22. 前記画像は、放射線、磁気共鳴画像法（ＭＲＩ）、磁気共鳴血管画像法（ＭＲＡ）、コンピュ－タ断層撮影法（ＣＴ）、蛍光透視法、マンモグラフィ、核医学、陽電子射出断層撮影法（ＰＥＴ）、および超音波から選択される放射線医学検査から得たものである、請求項１に記載の方法。
23. 前記画像は写真である、請求項１に記載の方法。
24. 前記対象が、哺乳動物、爬虫類、魚類、両生類、脊索動物、および鳥類、から選ばれる、請求項１に記載の方法。
25. 前記哺乳動物は、イヌ、ネコ、げっ歯類、ウマ、ヒツジ、ウシ、ヤギ、ラクダ、アルパカ、水牛、ゾウおよびヒトから選択される、請求項２４に記載の方法。
26. 前記対象が、ペット、家畜、貴重な動物園動物、野生動物、および研究動物から選択される、請求項１に記載の方法。
27. 前記人工知能プロセッサによって、前記サブ画像の評価を包含する少なくとも１つのレポ－トを自動的に作成すること、をさらに含む、請求項１に記載の方法。
28. 対象の画像を分析するためのシステムであって、前記システムは、
    前記対象の画像を受け取る受信機と、
    前記画像中の少なくとも１つの身体領域を識別し、クロッピングし、配向し、かつ標識して、サブ画像を取得するための画像識別および処理アルゴリズムを自動的に実行して、サブ画像を取得する少なくとも１つのプロセッサと、
    前記身体領域に基づいて前記サブ画像を評価し、その評価結果を、以前の評価結果と、画像の分類に対応する一致した書面テンプレートに基づいて計算された複数のデータセットクラスタを有するデータベースと比較して、前記対象の疾患または疾病の存在を示す少なくとも１つのクラスタ結果を取得する少なくとも１つの人工知能プロセッサと、
    前記サブ画像および前記クラスタ結果に基づいて評価された人工知能プロセッサの結果を表示するデバイスと、を備える、システム。
29. 前記プロセッサが、前記サブ画像を取得するために前記画像を自動処理する、請求項２８に記載のシステム。
30. 前記プロセッサが、標識された画像を取得するために前記画像を１分未満、３０秒未満、２０秒未満、１５秒未満、１０秒未満、または５秒未満で処理する、請求項２９に記載のシステム。
31. 標準画像のライブラリをさらに含む、請求項２８に記載のシステム。
32. 前記標準画像が、ハンギングプロトコルと身体領域標識に関する獣医学規範に準拠する、請求項３１に記載のシステム。
33. 表示のために対象の画像を自動的に準備する方法であって、前記方法は、
    プロセッサを使用して、前記対象の処理されていない画像を処理し、シグネチャを自動的にクロッピングかつ抽出して、クロッピングされ配向された画像シグネチャを既知の配向および身体領域の画像シグネチャのデ－タベ－スと比較することにより、画像を１つ以上の別個の身体領域カテゴリへアルゴリズムにより分類することで、一致度が最良の配向および身体領域標識を取得する工程と、
    前記身体領域標識および配向に基づいて、少なくとも１つの人工知能（ＡＩ）評価プロセッサに前記画像を送り、評価結果を取得し、当該評価結果を、以前の評価結果と、標識された画像に対応する一致した書面テンプレートに基づいて計算された複数のデータセットクラスタを有するデータベースと比較して、少なくとも１つのクラスタ結果を取得する工程と、
    前記クラスタ結果に基づいて、表示デバイス上で、分析のために用意された身体領域の標識された画像それぞれを掲示する工程とを含む方法。
34. 獣医学放射線診断画像解析器における改善であって、当該改善は、対象の放射線画像を事前に処理するプロセッサを用いて高速アルゴリズムを実行して、画像中の１つ以上の身体領域を自動的に識別する工程と、前記プロセッサはさらに、識別された身体領域それぞれの別個のサブ画像を自動的に作成すること、作成されたサブ画像のアスペクト比をクロッピングし、任意選択で標準化すること、各サブ画像に身体領域として自動的に標識すること、前記サブ画像中の前記身体領域を自動的に配向することのうち、少なくとも１つを行うように機能し、前記プロセッサはさらに、クロッピングされ、配向され、標識されたサブ画像を評価することに特異的な少なくとも１つの人工知能プロセッサに、診断サブ画像を自動的に送信し、評価結果を生成し、当該評価結果を、以前の評価結果と、標識された診断サブ画像に対応する一致した書面テンプレートに基づいて計算された複数のデータセットクラスタを有するデータベースと比較して、前記対象の疾患または疾病の存在を示す少なくとも１つのクラスタ結果を取得する工程とを含む。