特許 6987342 画像処理装置、方法及びプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】6987342

(24)【登録日】2021年12月3日

(45)【発行日】2021年12月22日

(54)【発明の名称】画像処理装置、方法及びプログラム

(51)【国際特許分類】

   A61B 6/03 20060101AFI20211213BHJP

   G06T 7/00 20170101ALI20211213BHJP

   G06T 7/70 20170101ALI20211213BHJP

   G06T 1/00 20060101ALI20211213BHJP

【ＦＩ】

   A61B6/03 360E

   G06T7/00 612

   G06T7/70 Z

   G06T1/00 290B

【請求項の数】7

【全頁数】15

(21)【出願番号】特願2018-30552(P2018-30552)

(22)【出願日】2018年2月23日

(65)【公開番号】特開2019-141478(P2019-141478A)

(43)【公開日】2019年8月29日

【審査請求日】2020年4月21日

(73)【特許権者】

【識別番号】320011683

【氏名又は名称】富士フイルムヘルスケア株式会社

(74)【代理人】

【識別番号】110000350

【氏名又は名称】ポレール特許業務法人

(72)【発明者】

【氏名】吉田 英恵

(72)【発明者】

【氏名】影山 昌広

(72)【発明者】

【氏名】荻野 昌宏

【審査官】 松岡 智也

(56)【参考文献】

【文献】 特開平１１−３０６２６４（ＪＰ，Ａ）

【文献】 特開２００９−２７３７７１（ＪＰ，Ａ）

【文献】 特開２００３−３０５０２８（ＪＰ，Ａ）

【文献】 特開２００８−２５３２９２（ＪＰ，Ａ）

【文献】 寺本 篤司 他３名，”PET/CT画像における Convolutional neural network と従来型の特徴量を併用した肺結節自動検出手法の改良”，信学技報，SIP2016-4,IE2016-4,PRMU2016-4,MI2016-4，2016年05月，pp.17-20

【文献】 根本 充貴，”特集／医用画像工学分野におけるディープラーニング応用と研究開発 頭部コンピュータ支援診断におけるディープラーニング”，MEDICAL IMAGING TECHNOLOGY，Vol.35,No.4，2017年09月，pp.200-205

【文献】 横田 佳祐 他７名，”画像特徴を用いたLIDCデータベースからのすりガラス状候補陰影の検出法”，映像情報メディア学会誌，Vol.70,No.8，2016年，pp.J178-J184

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ａ６１Ｂ ５／０５５、６／００−６／１４

Ｇ０６Ｔ １／００、７／００

医中誌ＷＥＢ

ＡｒＸｉｖ．ｏｒｇ

(57)【特許請求の範囲】

【請求項1】

医用画像を処理する画像処理装置であって、
前記医用画像内の複数の病変疑い領域と、前記病変疑い領域の複数の特徴量を表示する病変疑い情報表示部と、
表示された前記複数の特徴量から選択された特徴量により、前記病変疑い領域を分類する病変疑い領域分類部と、
前記病変疑い領域分類部により分類された群ごとに、当該群に属する前記病変疑い領域の病変尤度を算出する病変尤度設定部と、を備える、
ことを特徴とする画像処理装置。

【請求項2】

請求項１に記載の画像処理装置であって、
前記特徴量は、前記病変疑い領域の輝度と大きさを含む、
ことを特徴とする画像処理装置。

【請求項3】

請求項２に記載の画像処理装置であって、
前記病変疑い情報表示部は、前記特徴量のヒストグラムを表示する、
ことを特徴とする画像処理装置。

【請求項4】

請求項２に記載の画像処理装置であって、
前記特徴量は、前記病変疑い領域の前記医用画像内の二次元位置を含む、
ことを特徴とする画像処理装置。

【請求項5】

請求項２に記載の画像処理装置であって、
前記特徴量は、前記病変疑い領域のボリュームデータ内の被検体の体軸方向位置を含む、
ことを特徴とする画像処理装置。

【請求項6】

画像処理装置により医用画像を処理する画像処理方法であって、
前記画像処理装置は、
前記医用画像内の複数の病変疑い領域と、前記病変疑い領域の複数の特徴量をモニタに表示し、
表示された前記複数の特徴量から選択された特徴量により、前記病変疑い領域を分類し、
分類された前記病変疑い領域の群ごとに、当該群に属する前記病変疑い領域の病変尤度を算出する、
ことを特徴とする画像処理方法。

【請求項7】

画像処理装置に医用画像を処理させる画像処理プログラムであって、
前記画像処理装置が、
前記医用画像内の複数の病変疑い領域と、前記病変疑い領域の複数の特徴量をモニタに表示し、
表示された前記複数の特徴量から選択された特徴量により、前記病変疑い領域を分類し、
分類された前記病変疑い領域の群ごとに、当該群に属する前記病変疑い領域の病変尤度を算出する、よう動作させる、
ことを特徴とする画像処理プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、医用画像を処理する画像処理装置、その方法及びプログラムに関する。

【背景技術】

【0002】

Ｘ線ＣＴ（Ｘ−ｒａｙ Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）装置やＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）装置等に代表される医用画像検査装置を用いた診断では、撮影された三次元医用画像を、連続した二次元断面として再構成し、その二次元断面画像を観察して読影を行うことが一般的である。

【0003】

撮影装置の高度化により、生成される三次元医用画像の三次元分解能も向上しており、データサイズは増加する傾向にある。特に、先に述べた二次元断面の生成間隔はより細かくすることが可能となり、医用画像上に現れる病変のより詳細な観察が可能となってきているが、結果的に三次元医用画像あたりの枚数も増加している。

【0004】

また特にＣＴ装置においては、低線量で高画質な三次元医用画像の撮影が可能になってきたこともあり、ＣＴ画像の撮影機会も増加傾向にある。

【0005】

これらの理由により、膨大な医用三次元医用画像を読影する際に医師や技師にかかる負担を軽減し、主に病変の見落としを防ぐためにＣＡＤ（Ｃｏｍｐｕｔｅｒ Ａｉｄｅｄ Ｄｅｔｅｃｔｉｏｎ）という技術の開発が進められている。ＣＡＤは、コンピュータにより陰影の検出やサイズ計測、陰影の正常/異常の識別や異常陰影の病変種類の区別等を、画像処理技術を応用して自動あるいは半自動で行うことを目指したものである。

【0006】

ここでは、医用画像の特徴から病変の疑いが高い陰影を提示することを目的とするＣＡＤについて述べる。画像処理分野の特に画像認識技術の発展に伴い，ＣＡＤは精度を向上させてきた。一方で，医用画像における病変画像の画像特徴はおなじ病名であったとしても多岐にわたり，主に機械学習を用いて異常陰影を識別する場合に，学習データが不十分であるために求められる精度を達成できないという課題があった。

【0007】

これらの課題を解決するため、特許文献１には、顔画像の識別精度を向上させる方法として、入力データを、互いに異なる画像特徴を基にして２クラス以上に分類する複数の識別器を用いてクラスに分類し、複数の属性情報に基づいて、識別器のパラメータを調整する方法などが提案されている。

【先行技術文献】

【特許文献】

【0008】

【特許文献1】特開２０１７-１０２６７１公報

【発明の概要】

【発明が解決しようとする課題】

【0009】

ＣＡＤによる病変疑い陰影の自動検出では一般的には、画像から得られる特徴量を用いて病変の疑わしさを定義する定義式を設定し、その病変の疑わしさが高い陰影を提示する。ここで定義式を設定する際に，病変であると既に診断を受けている過去の画像の情報を参考にする場合，おなじ病名であっても画像の特徴が多岐にわたることや、診断済の過去の画像の量が十分でないことにより，定義式の精度が低くなるという課題がある。また、複数の画像データに対してラベリングをする技術において、同じラベルの学習データであっても見た目の変化が大きいという課題に対する対策としてこれまで提案されている技術においては，互いに異なる画像特徴を基にした複数の属性情報に基づいて、識別器のパラメータを調整することは可能ではあるが，分類の基にする属性情報については、全ての場合について最適な設定となっているとは限らないという課題がある。

【0010】

本発明の目的は、参考にする過去の画像の量が不十分である場合にも高精度な病変の疑わしさの定義式の設定が可能な医用画像処理装置、医用画像表示方法、及びプログラムを提供することにある。

【0011】

特に、従来の技術による定義式の設定では病変の検出率が低い場合、例えば放射線科医が読影した場合の結節検出率６割程度を下回る場合に有効な技術を提供する。

【課題を解決するための手段】

【0012】

上記の課題を解決するために、本発明においては、医用画像を処理する画像処理装置であって、医用画像内の複数の病変疑い領域と、病変疑い領域の複数の特徴量を表示する病変疑い情報表示部と、表示された複数の特徴量から選択された特徴量により、病変疑い領域を分類する病変疑い領域分類部と、を備える構成の画像処理装置を提供する。

【0013】

また、上記の課題を解決するため、本発明においては、画像処理装置により医用画像を処理する画像処理方法であって、画像処理装置は、医用画像内の複数の病変疑い領域と、病変疑い領域の複数の特徴量をモニタに表示し、表示された複数の特徴量から選択された特徴量により、病変疑い領域を分類する画像処理方法を提供する。

【0014】

更に、上記の課題を解決するため、本発明においては、画像処理装置に医用画像を処理させる画像処理プログラムであって、画像処理装置が、医用画像内の複数の病変疑い領域と、病変疑い領域の複数の特徴量をモニタに表示し、表示された複数の特徴量から選択された特徴量により、病変疑い領域を分類する、よう動作させる画像処理プログラムを提供する。

【発明の効果】

【0015】

本発明によれば、参考にする過去の医用画像の量が不十分である場合にも、高精度な病変の疑わしさの定義式の設定が可能になる。

【図面の簡単な説明】

【0016】

【図1】実施例１に係る医用画像処理装置を含むシステム構成例を示す図である。

【図2】実施例１に係る、病変疑い領域分類部と病変尤度設定部の構成例を示す図である。

【図3】実施例１に係る、病変疑い領域分類式定義処理フローの一例を示す図である。

【図4】実施例１に係る、各病変疑い領域の特徴量と、対応する病変疑い領域の画像を重畳表示した図である。

【図5】実施例１に係る、各病変疑い領域の他の特徴量を、人体モデルの画像上に重畳表示した図である。

【図6】実施例１に係る、病変疑い情報表示部による表示から、分類の必要性を判断するための画面表示例を示す図である。

【図7】実施例１に係る、病変尤度算出式の一例を示す図である。

【図8】実施例１に係る、病変尤度算出式定義処理フローの一例を示す図である。

【図9】実施例１に係る、病変尤度算出式の一例を示す図である。

【図10】実施例１に係る、病変尤度算出処理フローの一例を示す図である。

【図11】現状の医用画像処理技術の課題を説明するための図である。

【図12】実施例１に係る、医用画像処理装置を利用した場合の評価データの評価を説明するための図である。

【発明を実施するための形態】

【0017】

以下、本発明の画像処理装置の実施の形態を図面に従い順次説明する。本発明の画像処理装置は、医用画像を処理して、医用画像上の病変疑い領域を分類するが、病変疑い領域とは、読影医の医学的知識や疾病診断に対する医学的根拠（エビデンス）等に基づいて判断される、病変の疑いが高い点、および領域を意味する。ここで診断対象となる病変とは、医用画像上に現れた場合に、周囲即ち病変の疑いが低い領域との輝度の違いや、その分布の違いから判断できる可能性が高いものとする。

【実施例1】

【0018】

実施例１は、医用画像を処理する画像処理装置であって、医用画像内の複数の病変疑い領域と、病変疑い領域の複数の特徴量を表示する病変疑い情報表示部と、表示された複数の特徴量から選択された特徴量により、病変疑い領域を分類する病変疑い領域分類部と、を備える構成の画像処理装置の実施例であり、参考にする過去の医用画像の量が不十分である場合にも、高精度な病変の疑わしさの定義式の設定が可能とし、高精度な病変疑い箇所を検出することができる医用画像処理装置、及びその方法、プログラムの実施例である。

【0019】

本実施例においては、ＣＴ医用画像撮影装置により得られる再構成三次元医用画像について述べるが、本技術は他の医用画像撮影装置により得られるデータについても応用可能である。例えばＭＲＩ撮影装置等により得られるデータであっても、複数の二次元断面の積み重ねとして表現できる三次元画像を得るもので、画素分布に病変特徴が現れるとされているものであれば適用することができる。

【0020】

上述したように、本実施例における病変疑い領域とは、読影医の医学的知識や当該疾病診断に対する医学的根拠（エビデンス）等に基づいて判断される、病変の疑いが高い点、および領域、部位を指す。ここで対象となる病変とは、医用画像上に現れた場合に、周囲即ち病変の疑いが低い領域との輝度の違いや、分布の違いから判断できる可能性が高いものとする。例えば肺結節の場合は一般に、そのＣＴ値が周辺の空気領域よりも高い画素を多く含む領域としてＣＴ画像上に現れることが知られている。胸部ＣＴ画像上で高輝度画素を多く含む他のオブジェクトとしては、血管や骨があるが、高輝度値の分布形状に応じて、それらと区別し、病変すなわちこの例における肺結節である疑いの高さを判別できると言われている。

【0021】

図１に、本実施例に係る医用画像処理装置を含むシステム構成の一例を示す。同図に示すように本実施例のシステムは、医用画像処理装置１１と、操作者の入力等を受診し医用画像処理装置１１に送信する入力装置１０と、医用画像処表示装置１１から得られる医用画像と病変疑い情報を表示するモニタ１２とから構成されている。本システム構成は、通常のコンピュータで構成可能であり、医用画像処理装置は種々の処理プログラムを実行する中央処理部（ＣＰＵ）とそれらの処理プログラムやデータを記憶するメモリで実現できる。

【0022】

医用画像処理装置１１は、医用画像を記憶する医用画像記憶部２０と、各医用画像に対応する病変疑い情報を記憶する病変疑い情報記憶部２１と、複数の医用画像と病変疑い情報を一度にモニタ１２に表示する病変疑い情報表示部２２と、病変疑い領域を分類する病変疑い領域分類部２３と、分類した病変疑い領域について病変尤度を設定する病変尤度設定部２４とから構成されている。

【0023】

図２は、病変疑い領域分類部２３と病変尤度設定部２４のシステム構成の一例を示す。同図の上部に示すように病変疑い領域分類部２３は、入力装置１０からの入力を受けて病変疑い領域分類式を定義する病変疑い領域分類式定義部３０と、その式を記憶する病変疑い領域分類式記憶部３１、病変疑い領域分類式に従って入力病変疑い領域を分類する病変疑い領域分類実行部３２とから構成されている。

【0024】

図２の下部に示すように病変尤度設定部２４は、分類された病変疑い領域の情報から、分類された群ごとに病変尤度算出式を定義する病変尤度算出式定義部３３と、その式を記憶する病変尤度算出式記憶部３４と、病変尤度算出式に従って入力病変疑い領域の病変尤度を算出する病変尤度算出部３５とから構成されている。

【0025】

次に、図１、図２に示したシステム構成を持つ本実施例の医用画像処理装置による処理の流れを説明する。ここでは、システムからの入力もしくはユーザからの指示を受けた医用画像処理装置１１が、病変疑い領域分類式記憶部３１に病変疑い領域分類式を記憶する病変疑い領域分類式定義処理と、システムからの入力もしくはユーザからの指示を受けた医用画像処理装置１１が、病変尤度算出式記憶部３４に病変尤度算出式を記憶する病変尤度算出式定義処理と、に分割してそれぞれ説明する。

【0026】

まず、図３の処理フローを用いて、病変疑い領域分類式定義処理について説明する。病変疑い情報表示部２２は、システムからの入力もしくはユーザからの指示により、医用画像記憶部２０と病変疑い情報記憶部２１から、複数の医用画像とそれらに対応する病変疑い情報を取得し、医用画像中の病変疑い領域の複数の特徴量を各々算出し、それを直感的にわかりやすい形でモニタ１２に表示する（ステップ１０１）。

【0027】

次に病変疑い領域分類部２３の病変疑い領域分類式定義部３０は、入力装置１０に対するユーザからの入力により、複数の特徴量各々に対する分類の必要性の有無を取得し（ステップ１０２）、それを元に病変疑い領域分類式を定義し（ステップ１０３）、病変疑い領域分類式記憶部３１に記憶する（ステップ１０４）。

【0028】

次に、図４、図５を用いて、病変疑い情報表示部２２による病変疑い領域、及び特徴量の表示の方法の一例について説明する。図４の（ａ）は、各病変疑い領域の輝度、同図の（ｂ）は各病変疑い領域の大きさを特徴量として計算し、これら特徴量である輝度もしくは大きさのヒストグラムと、ヒストグラムの値に対応する代表的な病変疑い領域の画像を重畳表示したものである。

【0029】

また図５の（ａ）は、各病変疑い領域と画像内の二次元位置、同図の（ｂ）は各病変疑い領域と被検体である人体のボリュームデータ内の体軸方向位置を特徴量として計算し、人体モデルの断面画像上にそれぞれ重畳表示したものである。図４、図５のような表示画面により、ユーザは特徴量ごとに、どのような特徴を持つ病変疑い領域が、どのくらいの割合で存在するのかを把握することが可能となる。なお、図４、図５中の点線は、後で説明する病変疑い領域を分類するための閾値（ｔｈｒｅｓｏｌｄ）を示している。

【0030】

図６は、医用画像処理装置１１の病変疑い情報表示部２２によるモニタ１２への表示から、ユーザが分類の必要性を判断するための表示画面例を示す図である。図６の（ａ）、（ｂ）、（ｃ）、（ｄ）に示すように、モニタ１２の表示画面上で、図４、図５で図示した重畳表示画像の横に、例えばチェックボックス３４を表示する。そして、分類が必要と判断される特徴量には、ユーザによりユーザ入力３５がなされる。病変疑い領域分類部２３の病変疑い領域分類式定義部３０は特徴量のチェックの有無を取得し、図６の(e)にその一例を示す分類必要性判断表にその情報を反映することで、分類の必要の有無の情報を取得して病変疑い領域分類式を定義する。

【0031】

ここで、病変疑い領域分類式定義部３０の病変疑い領域分類式について、具体例を用いて説明する。この病変疑い領域分類式は、複数の病変疑い領域を、その特徴量によって複数の群に分類するための式である。例えば、複数の病変疑い領域ＲＯＩ［ｎ］（ｎ＝０〜Ｎ）が、領域の中心位置（Ｃｘ［ｎ］、Ｃｙ［ｎ］）と半径Ｒ［ｎ］で表すことができる場合で、図３のステップ１０２において分類の必要性があると判断された特徴量が、図６の(e) の分類必要性判断表に示すように画像内の二次元位置である場合で、病変疑い領域をＧ０とＧ１の二つの群に分類する場合について述べる。

【0032】

図７にこの場合に定義され、病変疑い領域分類式記憶部３１に記憶される病変疑い領域分類式の一例を式１として示した。この式１は、二次元画像内の縦軸が画像下に向かって増加する場合で、病変疑い領域分類実行部３２が、画像内で中心位置が閾値（ｔｈｒｅｓｈｏｌｄ）より上にある病変疑い領域はＧ０に、閾値（ｔｈｒｅｓｏｌｄ）と同じまたは下にある病変疑い領域はＧ１に分類することを意味する。この閾値は事前に決めておいてもよいし、病変疑い領域から算出する特徴量（ここではＣｘ［ｎ］）の平均値や中央値、もしくは判別分析法などの手法で自動的に求めてもよいし、ユーザが調整して決定するものとしてもよい。図４、５では閾値を点線で示しているが、この点線をユーザが画面上で動かせるようなユーザインタフェース（ＵＩ）にしておけば、ユーザがモニタ１２の表示画面を使って簡便に調整することができる。

【0033】

次に、図８を用いて、病変尤度設定部２４の病変尤度算出式定義部３３における病変尤度算出式定義処理について説明する。医用画像処理装置１１は、システムからの入力もしくはユーザからの指示により、病変疑い情報記憶部２１と医用画像記憶部２０とから、一つ以上の病変疑い領域とその領域に対応する医用画像を取得して、画像情報付き病変疑い領域を生成する（ステップ２０１）。

【0034】

病変疑い領域分類実行部３２は、図７に示したような病変疑い領域分類式に従って、これらの医用画像情報付き病変疑い領域を複数の群に分類する（ステップ２０２）。

【0035】

次に病変尤度算出式定義部３３は、群に分類された医用画像情報付き病変疑い領域について画像特徴を示す特徴量を把握し, 分類された群ごとに病変尤度算出式を定義し（ステップ２０３），病変尤度算出式記憶部３２に記憶する（ステップ２０４）。

【0036】

病変尤度算出式定義部３３が定義する病変尤度算出式について、具体例を用いて説明する。病変尤度算出式は、予め病変尤度が判明している病変疑い領域を用いて、病変疑い領域分類処理にて分類された複数の群ごとに、疑い領域の病変尤度Ｌｐｒｅｖ［ｎ］を算出する式である。複数の病変疑い領域ＲＯＩ［ｎ］が、Ｇ０、Ｇ１の二つの群に分類されている場合で、群Ｇ０について説明する。

【0037】

ここでＧ０に分類された病変疑い領域をＲＯＩ＿０［ｎ（０〜Ｎ＿０）］とし、ＲＯＩ＿０［ｎ］は予め病変尤度が判明しており、その確定病変尤度Ｌ［ｎ］は０か１かの２値で表されている場合とする。確定病変尤度Ｌ［ｎ］は、Ｌ［ｎ］＝１が医師の診断により病変であった病変疑い領域、Ｌ［ｎ］＝０がそれ以外、即ち病変ではなかった病変疑い領域を表す。

【0038】

図９にこの場合の病変尤度算出式の一例を式２として示す。式２でπは円周率、Ｒ［ｎ］は病変疑い領域ＲＯＩ［ｎ］の半径、Ｐ［ｎ］は病変疑い領域ＲＯＩ［ｎ］の平均輝度、ＡｍａｘはＲＯＩ［ｎ］がとり得る面積の最大値、ＰｍａｘはＲＯＩ［ｎ］がとり得る平均輝度の最大値を示す。この式２に従うと、病変疑い領域は、面積が大きく、輝度が高い方が病変らしいという結果となる。

【0039】

この式２では病変尤度Ｌｐｒｅｖ［ｎ］は連続値を取るが、閾値を用いて多値化したものを最終的な病変尤度とすることもできる。ここでは説明のため、単純な病変尤度算出式を例に挙げたが、この式の設計は所謂ルールベースにより、真に病変であった病変尤度疑い領域とそうでなかった病変尤度疑い領域の特徴量等の違いを判断し、それぞれのとり得る範囲から人手で設計することもできるし、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）やＤｅｅｐＬｅａｒｎｉｎｇ等、機械学習を用いて設計することもできる。

【0040】

以上説明した医用画像処理装置１１の処理により、参考にする過去の画像の量が不十分である場合にも、高精度な病変の疑わしさの定義式すなわち、病変尤度算出式の設定が可能になる。

【0041】

次に、図１０の病変尤度算出処理フローを用いて、こうして設定され、病変尤度算出式記憶部３４に記憶された病変尤度算出式により病変尤度を算出する場合の処理、すなわちシステムからの入力もしくはユーザからの指示を受けた医用画像処理装置１１が、病変尤度設定部２４により病変尤度を算出する病変尤度算出処理について説明する。

【0042】

医用画像処理装置１１は、システムからの入力もしくはユーザからの指示により、病変疑い情報記憶部２１と医用画像記憶部２０とから、処理対象となる病変疑い領域とその領域に対応する医用画像を取得して、画像情報付き病変疑い領域とする（ステップ３０１）。

【0043】

次に病変疑い領域分類実行部３２が、あらかじめ設定された医用画像分類式に従って、処理対象の画像情報付き病変疑い領域が属する郡を決定する（ステップ３０２）。

【0044】

次に病変尤度算出部３５は、画像情報付き病変疑い領域が所属する群に対応する病変尤度算出式に従い、病変尤度を算出する（ステップ３０３）。なお、図９に例示した病変尤度算出式は、病変疑い領域分類部２３で分類する群の数だけ存在する。ステップ３０３では、これら複数の算出式により得られる複数の病変尤度を、論理和もしくは論理積等により1つの病変尤度とした後に出力するものとする。

【0045】

ここで、上述した本実施例の医用画像処理装置１１を利用することで解決される課題の具体例について説明する。まず、図１１を用いて、現状の医用画像処理装置に発生する課題を説明する。

【0046】

同図において、丸や三角、四角などの図形は、学習データや評価データの病変疑い領域を模式的に示している。図１１の（ａ）に示す学習データにおいて、点線の丸で示す病変疑い領域が，真に病変である領域とする。この学習データにおいて点線の丸で示された領域とそうでない領域の違いを考えると、“形状は丸で、色は黒”である領域のみが、真に病変であると捉えることができる。従って、形状は丸で、色は黒である領域の結節尤度が高い領域であるとする式が設計されると考えられる。

【0047】

この病変尤度算出式を用い、図１１の（ｂ）に示す評価データの病変尤度を算出した場合、“形状は丸で色は黒”となる領域の病変尤度が高いという結果となる。この結果を、識別器による評価として示す。一方で、医師による評価として示した図は、同じ評価データを医師が評価した場合を想定した結果である。このように、識別器による評価とは結果が異なり、“形状は丸で色は黒”以外の領域にも点線の丸で示される領域がある。このように、現状の技術では、学習データのバリエーションが十分でない場合、結節の特徴を正しく捉えた病変尤度算出式が設計できない可能性が高い。

【0048】

次に図１２を用い、本実施例の医用画像処理装置１１を利用した場合について説明する。図１２の（ａ）、（ｂ）は、図１１の場合と同じ学習データ、評価データを用いているものとする。また、ここで説明する例は、図７の式１で説明した病変疑い領域分類式を用いるものとする。図１２の（ａ）の学習データにある点線は、図７で説明した閾値（ｔｈｒｅｓｏｌｄ）を示す。従って、Ｇ０は閾値より上の病変疑い領域の集合、Ｇ１は閾値より下の病変疑い領域の集合となる。Ｇ０、Ｇ１それぞれに病変尤度算出式を設計すると、Ｇ０の場合は“形状が丸”、Ｇ１の場合は“色は黒”の病変疑い領域の病変尤度が高いという結果となると考えられる。

【0049】

ここで、Ｇ０により設計された病変尤度算出式を用いる病変尤度算出部３５を識別器０、Ｇ１により設計された病変尤度算出式を用いる病変尤度算出部３５を識別器１とする。図１２の（ｂ）の左部に識別部０、識別器１それぞれで想定される評価データに対する評価結果を示す。ここでは、複数の識別器による結果の論理和を、最終的な出力とする。最終的な識別結果を図１２の（ｂ）の右部に示す。こうして、本実施例の医用画像処理装置により、病変疑い領域の画像内二次元位置、ここでは画像の上部と下部とで別の病変尤度算出式を設定すべきというユーザの知見を取り入れることで、ユーザによる識別結果と一致する精度の高い識別結果を取得することができる。

【0050】

以上詳述した実施例１の医用画像処理装置によれば、病変疑い陰影の自動検出において、病変であると既に診断を受けている過去の画像の情報を参考にする場合に，参考にする過去の画像の量が不十分である場合にも、高精度な病変の疑わしさの定義式の設定が可能な医用画像処理装置、方法、及びプログラムを提供することができる。特に、従来の技術による定義式の設定では病変の検出率が低い場合、例えば放射線科医が読影した場合の結節検出率６割程度を下回る場合に有効な技術を提供することができる。

【0051】

実施例１の医用画像処理装置１１の処理技術は、ＣＡＤの稼動前に精度の初期調整として利用することもできる。この場合、病変疑い領域分類式および病変尤度算出式は、経験的に妥当と考えられる精度に予め設定しておき、ＣＡＤ納入時に、そのときの利用者のニーズや施設の読影方針等に応じて調整するという使い方を想定している。初期値となる病変疑い領域分類式および病変尤度算出式の設定方法は、手動で式を設定することもできるし、利用可能な医用画像データベースを用いて、病変疑い領域分類式定義処理および病変尤度算出式定義処理を実行して設定することもできる。

【0052】

ここで調整前、即ち出荷時に設定する病変疑い領域分類式定義処理および病変尤度算出式定義処理は、納入先の施設にて取得された医用画像データベースを用いて実施することもできるし、もしくは納入先の施設に近い読影方針を持つ別の施設にて取得された医用画像データベースの利用が可能であれば、それを利用してもよい。もしくは、納入先の施設に近い読影方針を持つ別の施設にて調整された結果、病変疑い領域分類式およびの病変尤度算出式を利用することとしてもよい。

【0053】

このように上述してきた処理技術を初期調整として利用する場合、確信度の提示や調整に用いられる医用画像としては、過去に撮影された臨床データを利用することができる。この場合、病変疑い領域情報の種類によって予め分類しておき、確信度算出式に用いる特徴量が顕著に異なるような病変疑い陰影を示すことで、より効率的な調整が行うことも可能である。もしくは、ここで用いる医用画像は、必ずしも実際の臨床画像でなくてもよく、例えば人体に近い形状と素材を持つファントムを撮影したファントムデータを用いることや、臨床画像から模擬的に病変疑い位置を複製・生成した模擬データを利用することもできる。

【0054】

また、ＣＡＤの稼動前の初期調整のみではなく、ＣＡＤ稼働中に、随時実施する調整に利用することも可能である。上記のように初期調整を実施する場合、利用するデータとしては過去画像、ファントム画像、模擬画像等を利用するが、稼働中に随時実施する調整に利用する場合、当該施設の撮影装置や撮影方針に従って撮影した画像を用いた調整が可能となり、よりユーザの希望に近い精度での検出が可能になるという効果がある。

【0055】

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。先に述べたように、本発明はＣＴ医用画像撮影装置により得られる再構成三次元医用画像のみならず、ＭＲＩ撮影装置等により得られ他の医用画像データに対しても応用可能である。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。実施例１には、医用画像処理装置１１に医用画像撮影装置（図示せず）を含まなかったが、医用画像処理装置１１は医用画像撮影装置を含んでもよく、また医用画像処理装置１１は医用画像撮影装置の一部として機能してもよい。

【0056】

更に、上述した各構成、機能、医用画像処理装置等は、それらの一部又は全部を実現する処理プログラムを作成する例を説明したが、それらの一部又は全部を例えば集積回路で設計する等によりハードウェアで実現しても良いことは言うまでもない。すなわち、画像処理装置の全部または一部の機能は、プログラムに代え、例えば、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）などの集積回路などにより実現してもよい。

【0057】

以上詳述した明細書の記載から明らかなように、本明細書中には特許請求の範囲に規定した発明以外に、数多くの発明が含まれている。それらの一部を下記に列記する。

【0058】

[列記１]
画像処理装置により医用画像を処理する画像処理方法であって、
前記画像処理装置は、
前記医用画像内の複数の病変疑い領域と、前記病変疑い領域の複数の特徴量をモニタに表示し、
表示された前記複数の特徴量から選択された特徴量により、前記病変疑い領域を分類し、
前記特徴量は、前記病変疑い領域の輝度と大きさを含む、
ことを特徴とする画像処理方法。

【0059】

[列記２]
列記１に記載の画像処理方法であって、
前記画像処理装置は、
前記モニタに前記特徴量のヒストグラムを表示する、
ことを特徴とする画像処理方法。

【0060】

[列記３]
列記１に記載の画像処理方法であって、
前記特徴量は、前記病変疑い領域の前記医用画像内の二次元位置を含む、
ことを特徴とする画像処理方法。

【0061】

[列記４]
列記１に記載の画像処理方法であって、
前記特徴量は、前記病変疑い領域のボリュームデータ内の被検体の体軸方向位置を含む、
ことを特徴とする画像処理方法。

【0062】

[列記５]
画像処理装置に医用画像を処理させる画像処理プログラムであって、
前記画像処理装置が、
前記医用画像内の複数の病変疑い領域と、前記病変疑い領域の複数の特徴量をモニタに表示し、
表示された前記複数の特徴量から選択された特徴量により、前記病変疑い領域を分類する、よう動作させ、
前記特徴量に、前記病変疑い領域の輝度と大きさを含む、
ことを特徴とする画像処理プログラム。

【0063】

[列記６]
列記５に記載の画像処理プログラムであって、
前記画像処理装置が、
前記モニタに前記特徴量のヒストグラムを表示する、よう動作させる、
ことを特徴とする画像処理プログラム。

【0064】

[列記７]
列記５に記載の画像処理プログラムであって、
前記特徴量は、前記病変疑い領域の前記医用画像内の二次元位置を含む、
ことを特徴とする画像処理プログラム。

【0065】

[列記８]
列記５に記載の画像処理プログラムであって、
前記特徴量は、前記病変疑い領域のボリュームデータ内の被検体の体軸方向位置を含む、
ことを特徴とする画像処理プログラム。

【0066】

[列記８]
列記５に記載の画像処理プログラムであって、
前記画像処理装置が、
分類された前記病変疑い領域の群ごとに、当該群に属する前記病変疑い領域の病変尤度を算出する、よう動作させる
ことを特徴とする画像処理プログラム。

【0067】

[列記９]
列記８に記載の画像処理プログラムであって、
前記画像処理装置が、
選択された前記特徴量を用いて病変疑い領域分類式を定義し、当該病変疑い領域分類式に基づき、複数の前記病変疑い領域を前記群に分類する、よう動作させる
ことを特徴とする画像処理プログラム。

【0068】

[列記１０]
列記８に記載の画像処理プログラムであって、
前記画像処理装置が、、
前記群に分類された前記病変疑い領域の前記特徴量に基づき、前記群ごとに病変尤度算出式を定義し、当該病変尤度算出式に基づき、前記病変疑い領域の病変尤度を算出する、よう動作させる
ことを特徴とする画像処理プログラム。

【符号の説明】

【0069】

１０ 入力装置
１１ 医用画像処理装置
１２ モニタ
２０ 医用画像記憶部
２１ 病変疑い情報記憶部
２２ 病変疑い情報表示部
２３ 病変疑い領域分類部
２４ 病変尤度算出部
３０ 病変疑い領域分類式定義部
３１ 病変疑い領域分類式記憶部
３２ 病変尤度算出式定義部
３３ 病変尤度算出式記憶部
３４ チェックボックス
３５ ユーザ入力

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】