知財求人 - 知財ポータルサイト「IP Force」
▶ ビジョナリーイメージングサービス株式会社の特許一覧 ▶ 学校法人 聖マリアンナ医科大学の特許一覧
特開2022-178903乳腺病変から計算可能なイメージングバイオマーカを用いた鑑別診断支援方法、画像診断支援装置、および画像診断支援プログラム
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2022178903
(43)【公開日】2022-12-02
(54)【発明の名称】乳腺病変から計算可能なイメージングバイオマーカを用いた鑑別診断支援方法、画像診断支援装置、および画像診断支援プログラム
(51)【国際特許分類】
A61B 8/14 20060101AFI20221125BHJP
【ＦＩ】
A61B8/14
【審査請求】未請求
【請求項の数】12
【出願形態】ＯＬ
(21)【出願番号】P 2021086019
(22)【出願日】2021-05-21
【新規性喪失の例外の表示】特許法第３０条第２項適用申請有り 「Ａ Ｒａｄｉｏｍｉｃｓ Ａｐｐｒｏａｃｈ ｆｏｒ Ｄｉｆｆｅｒｅｎｔｉａｔｉｎｇ ｂｅｔｗｅｅｎ Ｂｅｎｉｇｎ ａｎｄ Ｍａｌｉｇｎａｎｔ Ｂｒｅａｓｔ Ｌｅｓｉｏｎｓ ｏｎ Ｂｒｅａｓｔ Ｕｌｔｒａｓｏｕｎｄ Ｉｍａｇｅｓ」（乳腺超音波画像による乳腺腫瘤の良悪性判定を対象としたラジオミクスによる検討）」（プログラム番号：ＩＮ－１Ａ－１０）、のＲＳＮＡ（Ｒａｄｉｏｒｏｇｉｃａｌ Ｓｏｃｉｅｔｙ ｏｆ Ｎｏｒｔｈ Ａｍｅｒｉｃａ）による学会（ＲＳＮＡ２０２０）のオンライン開催における、オンライン公開。 公開日 ２０２０年１１月２８日。
(71)【出願人】
【識別番号】521221157
【氏名又は名称】ビジョナリーイメージングサービス株式会社
(71)【出願人】
【識別番号】596165589
【氏名又は名称】学校法人 聖マリアンナ医科大学
(74)【代理人】
【識別番号】100102842
【弁理士】
【氏名又は名称】葛和 清司
(74)【代理人】
【識別番号】100151068
【弁理士】
【氏名又は名称】塩崎 進
(72)【発明者】
【氏名】小林達明
(72)【発明者】
【氏名】小林泰之
(72)【発明者】
【氏名】藤川あつ子
【テーマコード（参考）】
4C601
【Ｆターム（参考）】
4C601DD08
4C601EE09
4C601EE12
4C601JB34
4C601JC05
4C601JC06
4C601JC13
4C601KK09
(57)【要約】
【課題】 超音波Ｂモードという簡便な手法で得られた画像のみから、機械により精度の高い腫瘤の良悪性、悪性度、腫瘍遺伝子型など鑑別診断支援データを得ること。
【解決手段】 目的とする教師ラベル既知の超音波Ｂモード画像を、平行移動および回転角度を限定した回転を行って拡張した学習モデル画像を用いた良悪性、悪性度、腫瘍遺伝子型など鑑別支援データ取得方法に用い得る機械学習方法、および、該学習を行った人工知能により鑑別を行う方法、またそのような方法を実行する鑑別装置。
【選択図】 図５
【解決手段】 目的とする教師ラベル既知の超音波Ｂモード画像を、平行移動および回転角度を限定した回転を行って拡張した学習モデル画像を用いた良悪性、悪性度、腫瘍遺伝子型など鑑別支援データ取得方法に用い得る機械学習方法、および、該学習を行った人工知能により鑑別を行う方法、またそのような方法を実行する鑑別装置。
【選択図】 図５
【特許請求の範囲】
【請求項1】
超音波画像の画像識別機械学習方法であって、機械学習を、識別結果既知の画像、該既知の画像を２次元の各軸方向に平行移動させた画像群、および該既知の画像を回転移動させた画像群からなる訓練画像群によって行い、前記回転移動させた画像群の回転角度はプラス方向及びマイナス方向に、４５度以下の一定角度より小さい角度である、前記機械学習方法。
【請求項2】
前記訓練画像群に、さらに前記訓練画像群を鏡像反転させた画像を加えて、訓練画像とする、請求項１に記載の機械学習方法。
【請求項3】
前記識別結果既知の画像が、腫瘤の超音波画像である、請求項１または２に記載の機械学習方法。
【請求項4】
腫瘤の超音波画像から良悪性鑑別診断、悪性度鑑別診断または腫瘍遺伝子型鑑別診断を支援する情報を得る方法であって、請求項１～３のいずれか１項に記載の機械学習法によって学習した識別結果鑑別手段を用いる、腫瘤良悪性鑑別診断を支援する情報を得る方法。
【請求項5】
腫瘤が乳腺腫瘤である、請求１～４のいずれか１項に記載の方法。
【請求項6】
前記訓練画像群が、識別結果既知の画像、該識別結果既知の画像をその上下に、左右に、および上下と左右に、画像の水平全長長および垂直全長のうち一定割合だけ水平移動させた画像群、および、該回転前画像群をプラスマイナス４５度以内で等分割回転させた複数の画像からなる回転後画像群、および、該回転前画像群とその反転画像とからなる訓練用画像群を用いて機械学習させた人工知能により良悪性鑑別、悪性度鑑別または腫瘍遺伝子型鑑別を行う、請求項４または５に記載の方法。
【請求項7】
前記訓練用超音波画像が、乳腺腫瘤画像の乳腺腫瘤の長軸方向および／または短軸方向に音波進行方向が向いているように撮影したＢモード画像である、請求項５または６に記載の方法。
【請求項8】
前記一定割合は、３０分の１から１５分の１である、請求項６または７に記載の方法。
【請求項9】
前記教師ラベル既知の訓練用画像を画像処理によって複数の異なった特徴画像群に変換した画像を前記訓練用画像とし、
original_glcm_Imc2
original_glszm_SizeZoneNonUniformityNormalized
original_glszm_GrayLevelNonUniformity
original_firstorder_Minimum
original_glcm_MCC
original_ngtdm_Busyness
original_firstorder_Variance
original_glszm_SizeZoneNonUniformity
original_glszm_GrayLevelVariance
original_glszm_ZoneEntropy
original_firstorder_90Percentile
original_glrlm_GrayLevelVariance
original_firstorder_10Percentile
original_glcm_ClusterProminence
original_glszm_LargeAreaHighGrayLevelEmphasis
original_glrlm_ShortRunEmphasis
original_firstorder_Median
original_glrlm_HighGrayLevelRunEmphasis
original_gldm_DependenceVariance
original_glcm_ClusterShade
original_glcm_Correlation
original_firstorder_Range
original_glszm_LowGrayLevelZoneEmphasis
original_firstorder_MeanAbsoluteDeviation
original_ngtdm_Contrast
original_glszm_ZoneVariance
original_glrlm_ShortRunHighGrayLevelEmphasis
original_firstorder_Skewness
original_firstorder_Maximum
original_glrlm_ShortRunLowGrayLevelEmphasis
original_firstorder_RobustMeanAbsoluteDeviation
original_gldm_GrayLevelNonUniformity
original_ngtdm_Complexity
original_glcm_Idmn
original_glszm_HighGrayLevelZoneEmphasis
original_glcm_MaximumProbability
original_glrlm_RunVariance
original_glrlm_RunLengthNonUniformityNormalized
original_glszm_SmallAreaLowGrayLevelEmphasis
original_glcm_Imc1
original_glszm_LargeAreaLowGrayLevelEmphasis
original_glszm_GrayLevelNonUniformityNormalized
original_gldm_SmallDependenceEmphasis
original_glrlm_RunEntropy
original_glrlm_LongRunHighGrayLevelEmphasis
original_glrlm_LongRunEmphasis
original_glrlm_RunLengthNonUniformity
original_gldm_SmallDependenceLowGrayLevelEmphasis
original_glszm_ZonePercentage
original_firstorder_Mean
original_glrlm_LongRunLowGrayLevelEmphasis
original_ngtdm_Strength
original_gldm_LowGrayLevelEmphasis
original_glszm_LargeAreaEmphasis
original_glcm_JointEnergy
original_firstorder_Uniformity
original_glrlm_GrayLevelNonUniformity
original_glcm_InverseVariance
original_gldm_LargeDependenceLowGrayLevelEmphasis
original_gldm_SmallDependenceHighGrayLevelEmphasis
original_glcm_DifferenceVariance
original_gldm_LargeDependenceHighGrayLevelEmphasis
original_firstorder_TotalEnergy
original_glcm_Idm
original_glcm_ClusterTendency
original_glrlm_GrayLevelNonUniformityNormalized
original_glrlm_LowGrayLevelRunEmphasis
original_firstorder_Kurtosis
original_firstorder_Energy
original_glszm_SmallAreaEmphasis
original_glcm_JointEntropy
original_glcm_Idn
original_gldm_DependenceEntropy
original_gldm_DependenceNonUniformityNormalized
original_firstorder_RootMeanSquared
original_glcm_Autocorrelation
original_firstorder_Entropy
original_glcm_Contrast
original_glrlm_RunPercentage
original_glcm_Id
original_glcm_DifferenceEntropy
original_gldm_GrayLevelVariance
original_glcm_SumSquares
original_firstorder_InterquartileRange
original_gldm_DependenceNonUniformity
original_glcm_JointAverage
original_glcm_SumEntropy
original_ngtdm_Coarseness
original_gldm_HighGrayLevelEmphasis
original_glszm_SmallAreaHighGrayLevelEmphasis
original_gldm_LargeDependenceEmphasis
original_glcm_SumAverage
original_glcm_DifferenceAverage
の９３種などの処理画像から、上記の記載順に、記載の前の方から、目的の鑑別成績が所望精度となる分だけを使用して学習を行う、請求項５～８のいずれか一項に記載の方法。
original_glcm_Imc2
original_glszm_SizeZoneNonUniformityNormalized
original_glszm_GrayLevelNonUniformity
original_firstorder_Minimum
original_glcm_MCC
original_ngtdm_Busyness
original_firstorder_Variance
original_glszm_SizeZoneNonUniformity
original_glszm_GrayLevelVariance
original_glszm_ZoneEntropy
original_firstorder_90Percentile
original_glrlm_GrayLevelVariance
original_firstorder_10Percentile
original_glcm_ClusterProminence
original_glszm_LargeAreaHighGrayLevelEmphasis
original_glrlm_ShortRunEmphasis
original_firstorder_Median
original_glrlm_HighGrayLevelRunEmphasis
original_gldm_DependenceVariance
original_glcm_ClusterShade
original_glcm_Correlation
original_firstorder_Range
original_glszm_LowGrayLevelZoneEmphasis
original_firstorder_MeanAbsoluteDeviation
original_ngtdm_Contrast
original_glszm_ZoneVariance
original_glrlm_ShortRunHighGrayLevelEmphasis
original_firstorder_Skewness
original_firstorder_Maximum
original_glrlm_ShortRunLowGrayLevelEmphasis
original_firstorder_RobustMeanAbsoluteDeviation
original_gldm_GrayLevelNonUniformity
original_ngtdm_Complexity
original_glcm_Idmn
original_glszm_HighGrayLevelZoneEmphasis
original_glcm_MaximumProbability
original_glrlm_RunVariance
original_glrlm_RunLengthNonUniformityNormalized
original_glszm_SmallAreaLowGrayLevelEmphasis
original_glcm_Imc1
original_glszm_LargeAreaLowGrayLevelEmphasis
original_glszm_GrayLevelNonUniformityNormalized
original_gldm_SmallDependenceEmphasis
original_glrlm_RunEntropy
original_glrlm_LongRunHighGrayLevelEmphasis
original_glrlm_LongRunEmphasis
original_glrlm_RunLengthNonUniformity
original_gldm_SmallDependenceLowGrayLevelEmphasis
original_glszm_ZonePercentage
original_firstorder_Mean
original_glrlm_LongRunLowGrayLevelEmphasis
original_ngtdm_Strength
original_gldm_LowGrayLevelEmphasis
original_glszm_LargeAreaEmphasis
original_glcm_JointEnergy
original_firstorder_Uniformity
original_glrlm_GrayLevelNonUniformity
original_glcm_InverseVariance
original_gldm_LargeDependenceLowGrayLevelEmphasis
original_gldm_SmallDependenceHighGrayLevelEmphasis
original_glcm_DifferenceVariance
original_gldm_LargeDependenceHighGrayLevelEmphasis
original_firstorder_TotalEnergy
original_glcm_Idm
original_glcm_ClusterTendency
original_glrlm_GrayLevelNonUniformityNormalized
original_glrlm_LowGrayLevelRunEmphasis
original_firstorder_Kurtosis
original_firstorder_Energy
original_glszm_SmallAreaEmphasis
original_glcm_JointEntropy
original_glcm_Idn
original_gldm_DependenceEntropy
original_gldm_DependenceNonUniformityNormalized
original_firstorder_RootMeanSquared
original_glcm_Autocorrelation
original_firstorder_Entropy
original_glcm_Contrast
original_glrlm_RunPercentage
original_glcm_Id
original_glcm_DifferenceEntropy
original_gldm_GrayLevelVariance
original_glcm_SumSquares
original_firstorder_InterquartileRange
original_gldm_DependenceNonUniformity
original_glcm_JointAverage
original_glcm_SumEntropy
original_ngtdm_Coarseness
original_gldm_HighGrayLevelEmphasis
original_glszm_SmallAreaHighGrayLevelEmphasis
original_gldm_LargeDependenceEmphasis
original_glcm_SumAverage
original_glcm_DifferenceAverage
の９３種などの処理画像から、上記の記載順に、記載の前の方から、目的の鑑別成績が所望精度となる分だけを使用して学習を行う、請求項５～８のいずれか一項に記載の方法。
【請求項10】
前記特徴画像群が、前記９３種の処理画像のすべてである、請求項６に記載の方法。
【請求項11】
請求項４～１０のいずれか一項に記載の方法によって得た乳腺腫瘤の良悪性鑑別、悪性度鑑別または腫瘍遺伝子型鑑別支援情報を、表示する装置。
【請求項12】
請求項１～１１のいずれか一項に記載の方法を実行する、または請求項１１の装置を稼働させる、コンピュータープログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、機械学習方法およびそれを用いた乳腺に発生する病変を対象とした、鑑別診断支援方法、画像診断支援装置、および画像診断支援プログラムに関する。
【背景技術】
【0002】
乳がんを診断するために、マンモグラフィ、超音波画像診断、血液検査、ＣＴ（Computed Tomography）、ＭＲＩ（Magnetic Resonance Imaging）等を用いて得られた臨床情報に基づき、これらをコンピュータで解析し、病変の有無、種類、良悪性および悪性度などの評価に役立てるコンピュータ支援診断の開発が活発に行われている。
【0003】
コンピュータ支援診断のうち、医用画像から病変の遺伝子学的特徴や分子生物学的特徴との関連を探索するＲａｄｉｏｍｉｃｓ(Radiology×-omics)が研究されている。Ｒａｄｉｏｍｉｃｓは、医用画像から計算可能な特徴（画像特徴、ラジオミクス特徴、イメージング・バイオマーカ、以下、画像特徴と総称）を用いて、客観的な病変の性質、および遺伝子型や病変の種類などの予測ができる。
【0004】
Ｒａｄｉｏｍｉｃｓによるアプローチは、高額な遺伝子解析や、侵襲性の高い病理診断などをせずに所望の臨床情報を予測できる利点があり、様々な疾患を対象に検討が進められている。
【0005】
従来の医師による乳がんの画像診断は、医師の経験、技量に基づく判断が必要であり、各種画像検査から得られた対象部位画像から、病変の性質（例えば良悪性、悪性度の程度の判別、遺伝子型の判別など）を簡単に判定することは不可能であった。
【0006】
これまでに、ＭＲＩ検査による画像診断はマンモグラフィや超音波画像検査に比べ詳細な質的診断が可能であることが分かっている。しかし、汎用性に課題があり、スクリーニング検査としては、マンモグラフィや超音波画像検査が広く普及しているのが現状である。
【0007】
マンモグラフィと超音波画像検査を侵襲性の観点で比較すれば、マンモグラフィは乳房の圧迫やＸ線による医療被ばくが避けられないのに対し、超音波画像検査はそのような侵襲性はない長所がある。
【0008】
従来の超音波画像上の乳腺腫瘤を対象とした画像診断は、簡単に取得できる超音波画像（Ｂモード）のみでは良悪性鑑別精度を高くすることができないため、マンモグラフィ画像や他の実測データを総合的に勘案して判断するのが通常であり、超音波画像のみで鑑別を行うことに対しては高精度を想定していなかった。
【0009】
そのため、コンピュータ支援診断技術により自動化した判定手法が従来開発されてはいるが、計算が複雑なもの、複数の測定手法の結果を必要とするもの、といった、高精度な良悪性判定が簡単な測定のみで行えるものは無かった。
【0010】
特許文献１には、超音波画像を用いて、高い精度で自動的に病変を検出する方法及び装置が開示されており、病変箇所の検出に超音波画像を使用するものである。そして画像は、超音波断層画像から病変に対応する画素の特徴量に基づいて部位がどこにあるかを表示するもの(段落番号００６７)、病変部の境界画像から病変の大きさ、縦横比、境界形状等の病変の解析結果並びに病変画像等を用いて病変の良悪性およびカテゴリを解析するもの（段落番号００８１）であり、超音波画像は病変の境界画像を得て病変箇所の検出に使用するためのものであった。すなわち、腫瘤の存在を検出するものであって、すでに検出済の腫瘤の良悪性などの分類を予測するためのものではなかった。
【0011】
特許文献２には、マンモグラフィに代表されるモダリティ画像および超音波画像を総合的に読影して診断を支援する発明が開示され、有病から無病までを複数段階で示す診断支援情報と、マンモグラフィ画像と超音波画像とにより学習済みモデルに基づき診断支援情報を行うものが開示されている。しかしながら、機械学習を行う旨は開示されているが、学習の具体的手法については、格別特定はなく、また診断支援には超音波画像とモダリティ画像の両者が必須のものである。
【0012】
特許文献３には、医療用画像を医師が目視で判断することに代えて、医用画像をＡＩで判断し症状度合いを画像に表示する検測方法により、誤診や見落としを改善する（段落番号０００３）発明が開示されており、医用イメージングとして超音波を発することで組織内のエコーから内部構造を知ること（段落番号００１１）が記載されており、機械学習においては、トレーニングデータの画像に対して移動・回転・拡大・縮小・歪曲・ノイズ付加などの操作をすることで、データ拡張を行うこと（段落番号００１９）が開示されている。そしてトレーニングデータは、専門医師により、撮影画像の症状部位を円形状に操作し囲んだ部位に進行度合いを示すステージを入力した教師データを人工的に作り正解を定義したものであり、ＡＩが判断し出力するのは、指示部位以外の部位症状の発見や見落としおよび誤診を防止できる（段落番号０００５）もので、検測方法である。
【0013】
これら先行技術においては、超音波測定のみという単純な手段で得られた画像のみを用いて機械学習するものではないので、対象腫瘤の良悪性判定等を、超音波測定結果のみから判定情報として精度高く出力することはできないものであった。
【先行技術文献】
【特許文献】
【0014】
【特許文献1】特開２０２０－８１７４２号公報
【特許文献2】特開２０１９－１９３７８８号公報
【特許文献3】特開２０２０－１３５５１５号公報
【非特許文献】
【0015】
【非特許文献1】Luo, W., Huang, Q., Huang, X. et al. Predicting Breast Cancer in Breast Imaging Reporting and Data System (BI-RADS) Ultrasound Category 4 or 5 Lesions: A Nomogram Combining Radiomics and BI-RADS. Sci Rep 9, 11921 (2019).
【非特許文献2】Luo, W., Huang, Q., Huang, X. et al. Predicting Breast Cancer in Breast Imaging Reporting and Data System (BI-RADS) Ultrasound Category 4 or 5 Lesions: A Nomogram Combining Radiomics and BI-RADS. Sci Rep 9, 11921 (2019).
【0016】
また、非特許文献１には、超音波画像を用いて乳腺腫瘤の良悪性診断を行うものが開示されており、その診断には、超音波画像の定量的特性を画像からコンピュータアルゴリズムにより抽出し、これをＢＩ－ＲＡＤＳ超音波カテゴリーと連携させて、悪性の程度を推定するものである。これは判定の精度を表すＡＵＣ値で０．９２８という値を示している。
画像の定量的特性をコンピューターアルゴリズムにより抽出する際には、Ａ．Ｋ．ｓｏｆｔｗａｒｅ(Artificial Intelligence Kit, version 1.1, GE Healthcare, Little Chalfont, UK)を用いて学習させた機械学習モデルを使用しているが、これは、ＢＩ－ＲＡＤＳに定義された悪性の程度段階のみを対象として、それを推定するための指標を算出するものであった。
画像の定量的特性をコンピューターアルゴリズムにより抽出する際には、Ａ．Ｋ．ｓｏｆｔｗａｒｅ(Artificial Intelligence Kit, version 1.1, GE Healthcare, Little Chalfont, UK)を用いて学習させた機械学習モデルを使用しているが、これは、ＢＩ－ＲＡＤＳに定義された悪性の程度段階のみを対象として、それを推定するための指標を算出するものであった。
【0017】
また、非特許文献２には、乳腺腫瘤の良悪性診断を、超音波を利用して判定しようとするものではあるが、超音波で測定するのは対象部位の硬さであり、単純な超音波画像ではない、複雑な音響弾性測定装置が必要であった。
【発明の概要】
【発明が解決しようとする課題】
【0018】
本願の発明は、複雑な計算や特殊な測定をすることなく、従来から周知の超音波画像取得手法である、簡便に実施できるＢモード超音波測定の画像のみから、精度の高い乳腺腫瘤良悪性鑑別、悪性度判定、腫瘍遺伝子型判別を行う方法を可能にする、超音波画像の良悪性鑑別に有効な判定手段を提供するための、学習用超音波画像を用いた人工知能画像識別機械学習方法を提供すること、この学習方法により学習させた超音波画像鑑別方法によって、たとえば、乳腺腫瘤の良悪性鑑別、悪性度判定、腫瘍遺伝子型判別を行う方法、およびそのための装置を提供することを課題とする。
【課題を解決するための手段】
【0019】
本願の発明は、以下の態様を含む。
［１］
超音波画像の画像識別機械学習方法であって、機械学習を、識別結果既知の画像、該既知の画像を２次元の各軸方向に平行移動させた画像群、および該既知の画像を回転移動させた画像群からなる訓練画像群によって行い、前記回転移動させた画像群の回転角度はプラス方向及びマイナス方向に、４５度以下の一定角度より小さい角度である、前記機械学習方法。
［２］
前記訓練画像群に、さらに前記訓練画像群を鏡像反転させた画像を加えて、訓練画像とする、［１］に記載の機械学習方法。
［３］
前記識別結果既知の画像が、腫瘤の超音波画像である、［１］または［２］に記載の機械学習方法。
［４］
腫瘤の超音波画像から良悪性鑑別診断、悪性度鑑別診断または腫瘍遺伝子型鑑別診断を支援する情報を得る方法であって、［１］～［３］のいずれか１項に記載の機械学習法によって学習した識別結果鑑別手段を用いる、腫瘤良悪性鑑別診断を支援する情報を得る方法。
［５］
腫瘤が乳腺腫瘤である、［１］～［４］のいずれか１項に記載の方法。
［６］
前記訓練画像群が、識別結果既知の画像、該識別結果既知の画像をその上下に、左右に、および上下と左右に、画像の水平全長長および垂直全長のうち一定割合だけ水平移動させた画像群、および、該回転前画像群をプラスマイナス４５度以内で等分割回転させた複数の画像からなる回転後画像群、および、該回転前画像群とその反転画像とからなる訓練用画像群を用いて機械学習させた人工知能により良悪性鑑別、悪性度鑑別または腫瘍遺伝子型鑑別を行う、［４］または［５］に記載の方法。
［７］
前記訓練用超音波画像が、乳腺腫瘤画像の乳腺腫瘤の長軸方向および／または短軸方向に音波進行方向が向いているように撮影したＢモード画像である、［５］または［６］に記載の方法。
［８］
前記一定割合は、３０分の１から１５分の１である、［６］または［７］に記載の方法。
［１］
超音波画像の画像識別機械学習方法であって、機械学習を、識別結果既知の画像、該既知の画像を２次元の各軸方向に平行移動させた画像群、および該既知の画像を回転移動させた画像群からなる訓練画像群によって行い、前記回転移動させた画像群の回転角度はプラス方向及びマイナス方向に、４５度以下の一定角度より小さい角度である、前記機械学習方法。
［２］
前記訓練画像群に、さらに前記訓練画像群を鏡像反転させた画像を加えて、訓練画像とする、［１］に記載の機械学習方法。
［３］
前記識別結果既知の画像が、腫瘤の超音波画像である、［１］または［２］に記載の機械学習方法。
［４］
腫瘤の超音波画像から良悪性鑑別診断、悪性度鑑別診断または腫瘍遺伝子型鑑別診断を支援する情報を得る方法であって、［１］～［３］のいずれか１項に記載の機械学習法によって学習した識別結果鑑別手段を用いる、腫瘤良悪性鑑別診断を支援する情報を得る方法。
［５］
腫瘤が乳腺腫瘤である、［１］～［４］のいずれか１項に記載の方法。
［６］
前記訓練画像群が、識別結果既知の画像、該識別結果既知の画像をその上下に、左右に、および上下と左右に、画像の水平全長長および垂直全長のうち一定割合だけ水平移動させた画像群、および、該回転前画像群をプラスマイナス４５度以内で等分割回転させた複数の画像からなる回転後画像群、および、該回転前画像群とその反転画像とからなる訓練用画像群を用いて機械学習させた人工知能により良悪性鑑別、悪性度鑑別または腫瘍遺伝子型鑑別を行う、［４］または［５］に記載の方法。
［７］
前記訓練用超音波画像が、乳腺腫瘤画像の乳腺腫瘤の長軸方向および／または短軸方向に音波進行方向が向いているように撮影したＢモード画像である、［５］または［６］に記載の方法。
［８］
前記一定割合は、３０分の１から１５分の１である、［６］または［７］に記載の方法。
【0020】
［９］
前記教師ラベル既知の訓練用画像を画像処理によって複数の異なった特徴画像群に変換した画像を前記訓練用画像とし、
original_glcm_Imc2
original_glszm_SizeZoneNonUniformityNormalized
original_glszm_GrayLevelNonUniformity
original_firstorder_Minimum
original_glcm_MCC
original_ngtdm_Busyness
original_firstorder_Variance
original_glszm_SizeZoneNonUniformity
original_glszm_GrayLevelVariance
original_glszm_ZoneEntropy
original_firstorder_90Percentile
original_glrlm_GrayLevelVariance
original_firstorder_10Percentile
original_glcm_ClusterProminence
original_glszm_LargeAreaHighGrayLevelEmphasis
original_glrlm_ShortRunEmphasis
original_firstorder_Median
original_glrlm_HighGrayLevelRunEmphasis
original_gldm_DependenceVariance
original_glcm_ClusterShade
original_glcm_Correlation
original_firstorder_Range
original_glszm_LowGrayLevelZoneEmphasis
original_firstorder_MeanAbsoluteDeviation
original_ngtdm_Contrast
original_glszm_ZoneVariance
original_glrlm_ShortRunHighGrayLevelEmphasis
original_firstorder_Skewness
original_firstorder_Maximum
original_glrlm_ShortRunLowGrayLevelEmphasis
original_firstorder_RobustMeanAbsoluteDeviation
original_gldm_GrayLevelNonUniformity
original_ngtdm_Complexity
original_glcm_Idmn
original_glszm_HighGrayLevelZoneEmphasis
original_glcm_MaximumProbability
original_glrlm_RunVariance
original_glrlm_RunLengthNonUniformityNormalized
original_glszm_SmallAreaLowGrayLevelEmphasis
original_glcm_Imc1
original_glszm_LargeAreaLowGrayLevelEmphasis
original_glszm_GrayLevelNonUniformityNormalized
original_gldm_SmallDependenceEmphasis
original_glrlm_RunEntropy
original_glrlm_LongRunHighGrayLevelEmphasis
original_glrlm_LongRunEmphasis
original_glrlm_RunLengthNonUniformity
original_gldm_SmallDependenceLowGrayLevelEmphasis
original_glszm_ZonePercentage
original_firstorder_Mean
original_glrlm_LongRunLowGrayLevelEmphasis
original_ngtdm_Strength
original_gldm_LowGrayLevelEmphasis
original_glszm_LargeAreaEmphasis
original_glcm_JointEnergy
original_firstorder_Uniformity
original_glrlm_GrayLevelNonUniformity
original_glcm_InverseVariance
original_gldm_LargeDependenceLowGrayLevelEmphasis
original_gldm_SmallDependenceHighGrayLevelEmphasis
original_glcm_DifferenceVariance
original_gldm_LargeDependenceHighGrayLevelEmphasis
original_firstorder_TotalEnergy
original_glcm_Idm
original_glcm_ClusterTendency
original_glrlm_GrayLevelNonUniformityNormalized
original_glrlm_LowGrayLevelRunEmphasis
original_firstorder_Kurtosis
original_firstorder_Energy
original_glszm_SmallAreaEmphasis
original_glcm_JointEntropy
original_glcm_Idn
original_gldm_DependenceEntropy
original_gldm_DependenceNonUniformityNormalized
original_firstorder_RootMeanSquared
original_glcm_Autocorrelation
original_firstorder_Entropy
original_glcm_Contrast
original_glrlm_RunPercentage
original_glcm_Id
original_glcm_DifferenceEntropy
original_gldm_GrayLevelVariance
original_glcm_SumSquares
original_firstorder_InterquartileRange
original_gldm_DependenceNonUniformity
original_glcm_JointAverage
original_glcm_SumEntropy
original_ngtdm_Coarseness
original_gldm_HighGrayLevelEmphasis
original_glszm_SmallAreaHighGrayLevelEmphasis
original_gldm_LargeDependenceEmphasis
original_glcm_SumAverage
original_glcm_DifferenceAverage
の９３種などの処理画像から、上記の記載順に、記載の前の方から、目的の鑑別成績が所望精度となる分だけを使用して学習を行う、［５］～［８］のいずれか一項に記載の方法。
［１０］
前記特徴画像群が、前記９３種の処理画像のすべてである、［６］に記載の方法。
［１１］
［４］～［１０］のいずれか一項に記載の方法によって得た乳腺腫瘤の良悪性鑑別、悪性度鑑別または腫瘍遺伝子型鑑別支援情報を、表示する装置。
［１２］
［１］～［１１］のいずれか一項に記載の方法を実行する、または［１１］の装置を稼働させる、コンピュータープログラム。
前記教師ラベル既知の訓練用画像を画像処理によって複数の異なった特徴画像群に変換した画像を前記訓練用画像とし、
original_glcm_Imc2
original_glszm_SizeZoneNonUniformityNormalized
original_glszm_GrayLevelNonUniformity
original_firstorder_Minimum
original_glcm_MCC
original_ngtdm_Busyness
original_firstorder_Variance
original_glszm_SizeZoneNonUniformity
original_glszm_GrayLevelVariance
original_glszm_ZoneEntropy
original_firstorder_90Percentile
original_glrlm_GrayLevelVariance
original_firstorder_10Percentile
original_glcm_ClusterProminence
original_glszm_LargeAreaHighGrayLevelEmphasis
original_glrlm_ShortRunEmphasis
original_firstorder_Median
original_glrlm_HighGrayLevelRunEmphasis
original_gldm_DependenceVariance
original_glcm_ClusterShade
original_glcm_Correlation
original_firstorder_Range
original_glszm_LowGrayLevelZoneEmphasis
original_firstorder_MeanAbsoluteDeviation
original_ngtdm_Contrast
original_glszm_ZoneVariance
original_glrlm_ShortRunHighGrayLevelEmphasis
original_firstorder_Skewness
original_firstorder_Maximum
original_glrlm_ShortRunLowGrayLevelEmphasis
original_firstorder_RobustMeanAbsoluteDeviation
original_gldm_GrayLevelNonUniformity
original_ngtdm_Complexity
original_glcm_Idmn
original_glszm_HighGrayLevelZoneEmphasis
original_glcm_MaximumProbability
original_glrlm_RunVariance
original_glrlm_RunLengthNonUniformityNormalized
original_glszm_SmallAreaLowGrayLevelEmphasis
original_glcm_Imc1
original_glszm_LargeAreaLowGrayLevelEmphasis
original_glszm_GrayLevelNonUniformityNormalized
original_gldm_SmallDependenceEmphasis
original_glrlm_RunEntropy
original_glrlm_LongRunHighGrayLevelEmphasis
original_glrlm_LongRunEmphasis
original_glrlm_RunLengthNonUniformity
original_gldm_SmallDependenceLowGrayLevelEmphasis
original_glszm_ZonePercentage
original_firstorder_Mean
original_glrlm_LongRunLowGrayLevelEmphasis
original_ngtdm_Strength
original_gldm_LowGrayLevelEmphasis
original_glszm_LargeAreaEmphasis
original_glcm_JointEnergy
original_firstorder_Uniformity
original_glrlm_GrayLevelNonUniformity
original_glcm_InverseVariance
original_gldm_LargeDependenceLowGrayLevelEmphasis
original_gldm_SmallDependenceHighGrayLevelEmphasis
original_glcm_DifferenceVariance
original_gldm_LargeDependenceHighGrayLevelEmphasis
original_firstorder_TotalEnergy
original_glcm_Idm
original_glcm_ClusterTendency
original_glrlm_GrayLevelNonUniformityNormalized
original_glrlm_LowGrayLevelRunEmphasis
original_firstorder_Kurtosis
original_firstorder_Energy
original_glszm_SmallAreaEmphasis
original_glcm_JointEntropy
original_glcm_Idn
original_gldm_DependenceEntropy
original_gldm_DependenceNonUniformityNormalized
original_firstorder_RootMeanSquared
original_glcm_Autocorrelation
original_firstorder_Entropy
original_glcm_Contrast
original_glrlm_RunPercentage
original_glcm_Id
original_glcm_DifferenceEntropy
original_gldm_GrayLevelVariance
original_glcm_SumSquares
original_firstorder_InterquartileRange
original_gldm_DependenceNonUniformity
original_glcm_JointAverage
original_glcm_SumEntropy
original_ngtdm_Coarseness
original_gldm_HighGrayLevelEmphasis
original_glszm_SmallAreaHighGrayLevelEmphasis
original_gldm_LargeDependenceEmphasis
original_glcm_SumAverage
original_glcm_DifferenceAverage
の９３種などの処理画像から、上記の記載順に、記載の前の方から、目的の鑑別成績が所望精度となる分だけを使用して学習を行う、［５］～［８］のいずれか一項に記載の方法。
［１０］
前記特徴画像群が、前記９３種の処理画像のすべてである、［６］に記載の方法。
［１１］
［４］～［１０］のいずれか一項に記載の方法によって得た乳腺腫瘤の良悪性鑑別、悪性度鑑別または腫瘍遺伝子型鑑別支援情報を、表示する装置。
［１２］
［１］～［１１］のいずれか一項に記載の方法を実行する、または［１１］の装置を稼働させる、コンピュータープログラム。
【0021】
本願の発明は、簡単に取得できる超音波Ｂモード画像のみから、高精度な乳腺腫瘤の良悪性鑑別などの病変の性質の予測を行うために利用される。例えば、人工知能による良悪性鑑別を例にすれば、機械学習において、予測器を作成するために、超音波Ｂモード画像を実際に取得した元画像から、本発明者が初めて発見した、特定の手法で訓練用の画像群を生成し予測器を検証するまでの一連の操作手順を用い、高精度な予測モデルを開発することができる。この特定の手法のうち、画像の増強は、学習のための目的とする鑑別結果既知の元画像を、画像の縦横斜め方向に並行移動して複数の画像を生成した平行移動画像群、該平行移動画像群の画像を、超音波画像であるが故の、超音波進行方向からプラスマイナス一定角度だけ回転した回転移動画像群、および平行移動画像群と回転移動画像群の鏡像画像群を、学習のための訓練画像群とする。
【0022】
例えば、一定のピクセル数だけ、画像の直交２軸方向にそれぞれ、および共にプラスマイナスずらした画像、すなわち、元画像１個に対して８個の並進生成画像が加わった９個の非回転画像群、およびこれらを、例えばプラスマイナス１０度および２０度ずらした回転生成画像、の全部で４５個の画像群、さらにこれら４５個の画像群を反転させた画像群の都合９０個の画像を、一つの実測画像から生成して、学習用画像群とする。
このようにして、腫瘤の良悪性が既知の腫瘤実例について、ひとつの実測画像と８９個の生成画像群とからなる９０個の学習用画像群を生成する。
このようにして、腫瘤の良悪性が既知の腫瘤実例について、ひとつの実測画像と８９個の生成画像群とからなる９０個の学習用画像群を生成する。
【0023】
上記の回転画像を生成する際に、回転角度をある角度、たとえば２０度までに限定することが重要である。乳腺腫瘤の超音波Ｂモード画像においては、超音波特有の後方アーチファクトが発生するため、訓練画像生成において、角度を大きく変えてしまうと、現実のデータとの乖離が生じ、正しく学習が行えなくなる。そのため、ある角度までに留める、例えば最大４５度まで、好ましくは２０度までとすることが重要である。
その角度までの間に、等角度に何等分するかは、適宜選択できるが、あまりに細かく等分すると、画像の相違が少なくなりすぎる割に計算量が過大となるので、プラスマイナス１０度の位置およびプラスマイナス２０度の回転角度画像が最適である。
その角度までの間に、等角度に何等分するかは、適宜選択できるが、あまりに細かく等分すると、画像の相違が少なくなりすぎる割に計算量が過大となるので、プラスマイナス１０度の位置およびプラスマイナス２０度の回転角度画像が最適である。
【0024】
本願の発明においては、生成された良悪性、悪性度または腫瘍遺伝子型が既知の画像群を用いて、人工知能の学習を行わせるために、周知の画像特徴生成手法を用いて、画像処理手法のうちどの手法の特徴データを利用するのが最も効果的かを測定し、最適手法を選定する。
本発明者は、画像から計算可能な９３個の特徴データのいずれが重要であるかを機械学習的なアプローチから実測した結果、驚くべきことに、良悪性鑑別の精度が感度・特異度ともに高いという事実を発見し、また、すべてを用いるのが最も精度高く良悪性鑑別を行うことが出来ることを発見して、本発明を完成するに至った。
その際には、前記９３の特徴データのうち、そのいずれがより良悪性鑑別の精度にとって重要であるかも判明した。
従来、いずれの画像特徴データを用いることが良悪性鑑別にとってより重要であるかを、前述の特定の学習画像群を用いて確定したことはなく、本発明者によって、はじめていずれのデータを用いるべきかが明らかなったものである。
本発明者は、画像から計算可能な９３個の特徴データのいずれが重要であるかを機械学習的なアプローチから実測した結果、驚くべきことに、良悪性鑑別の精度が感度・特異度ともに高いという事実を発見し、また、すべてを用いるのが最も精度高く良悪性鑑別を行うことが出来ることを発見して、本発明を完成するに至った。
その際には、前記９３の特徴データのうち、そのいずれがより良悪性鑑別の精度にとって重要であるかも判明した。
従来、いずれの画像特徴データを用いることが良悪性鑑別にとってより重要であるかを、前述の特定の学習画像群を用いて確定したことはなく、本発明者によって、はじめていずれのデータを用いるべきかが明らかなったものである。
【0025】
発明者は学際的には周知となっている９３個の画像特徴を用いた予測モデルの検討を行ったが、これらの画像特徴が、乳腺腫瘤の良悪性鑑別等において使用できるか、その際にどの特性画像が重要であるのか、は、目的に応じた鑑別成績と突き合せてみなければ事前予測不可能であり、また、これらの画像特徴のみで超音波Ｂモード画像だけの類似性鑑別学習のみを行うことによって、従来より高精度な鑑別ができるという事実は、良悪性の分類課題例を用いて、今般本発明の発明者が、はじめてその実測により明らかにしたものである。そして、この手法は、悪性度または腫瘍遺伝子型の判別にも使用可能であることにも想到した。
その場合、上述と同様の学習用画像群の生成手法により得た超音波画像を使用し、悪性度の段階が既知の学習データ、または、腫瘍遺伝子型が既知の学習データ、による学習を、良悪性判定と同様に行い、学習済の判定装置を用いて、検査対象の判定をおこなうこととなる。
その場合、上述と同様の学習用画像群の生成手法により得た超音波画像を使用し、悪性度の段階が既知の学習データ、または、腫瘍遺伝子型が既知の学習データ、による学習を、良悪性判定と同様に行い、学習済の判定装置を用いて、検査対象の判定をおこなうこととなる。
【発明の効果】
【0026】
本発明の方法は、たとえば乳腺腫瘤の超音波Ｂモード画像という、比較的簡単に取得できる画像のみの自動鑑別によって、従来にない高精度な腫瘤の良悪性鑑別情報が得られる自動鑑別方法を可能にする、という優れた効果を奏する。また、悪性度または腫瘍遺伝子型の鑑別にも同様に優れた効果を奏するものである。
すなわち、３Ｄ画像も、マンモグラフィ画像もなしに、超音波Ｂモード画像のみで、従来にない高精度な腫瘤良悪性鑑別情報、悪性度または腫瘍遺伝子型鑑別情報が得られるのである。
すなわち、３Ｄ画像も、マンモグラフィ画像もなしに、超音波Ｂモード画像のみで、従来にない高精度な腫瘤良悪性鑑別情報、悪性度または腫瘍遺伝子型鑑別情報が得られるのである。
【図面の簡単な説明】
【0027】
【発明を実施するための形態】
【0028】
本願の発明を、実施例に即して以下に説明する。
胸部腫瘤の超音波画像を、６８５例実際に取得した。これら実際の腫瘤のうち、３７６が悪性、３０９が良性であった。この良悪性は、病理診断により確定され、正しい診断方法に基づくものである。
胸部腫瘤の超音波画像を、６８５例実際に取得した。これら実際の腫瘤のうち、３７６が悪性、３０９が良性であった。この良悪性は、病理診断により確定され、正しい診断方法に基づくものである。
【0029】
本発明の方法は、人工知能による画像判定によって、腫瘤の良悪性鑑別のための情報を出力する方法、また、その人工知能による画像判定のための人工知能の画像識別機械学習方法であり、この画像識別機械学習のために、本実施例においては上記の６８５例の画像を用いた。
【0030】
図１に、本発明の機械学習方法およびその精度を示す。本発明においては、図１の一番左に描いたように、先ず画像による判定を、人工知能が行うための、判定学習データとして、６８５例の画像を、データ拡張する。
このデータ拡張の具体的手法を、図２に示す。 本実施例においては、一つの画像を８ピクセルずつ、上下に、左右に、および上下と左右の両方に移動させた、都合８個の平行移動画像と、これらをプラスマイナス１０度、およびプラスマイナス２０度回転させた画像との都合４５個の画像、そしてこれら４５個の画像の鏡像画像４５個とからなる、都合９０個の画像を、実際に撮影した画像一枚から拡張データとして生成した。
６８５例（病変数）について、２３４０個の画像があり、画像あたり９０個の画像を得たので、判定結果既知の学習用データとして２１０６００個の画像を用いたことになる。
このデータ拡張の具体的手法を、図２に示す。 本実施例においては、一つの画像を８ピクセルずつ、上下に、左右に、および上下と左右の両方に移動させた、都合８個の平行移動画像と、これらをプラスマイナス１０度、およびプラスマイナス２０度回転させた画像との都合４５個の画像、そしてこれら４５個の画像の鏡像画像４５個とからなる、都合９０個の画像を、実際に撮影した画像一枚から拡張データとして生成した。
６８５例（病変数）について、２３４０個の画像があり、画像あたり９０個の画像を得たので、判定結果既知の学習用データとして２１０６００個の画像を用いたことになる。
【0031】
図１の左から２番目の手順である特徴抽出を次に行う。特徴抽出は、これらの学習用画像を用いて、周知のソフトウエアである、例えば、ＰＹＴＨＯＮのＰｙＲａｄｏｍｉｃｓ、Ｖ２．２．０により算出された。特徴抽出は、機械学習にて予測モデルを作成するために必要な手順のひとつである。
このようにして抽出した特徴のそれぞれについて、画像判定の結果との一致性を調べ、各特徴がどの程度正確な分類予測に寄与するかを示す重要度の算出演算を、図１の左から３番目の手順として行い、得られた画像特徴のうち、重要度の高い順に並べた９３個を図３に示す。
このようにして抽出した特徴のそれぞれについて、画像判定の結果との一致性を調べ、各特徴がどの程度正確な分類予測に寄与するかを示す重要度の算出演算を、図１の左から３番目の手順として行い、得られた画像特徴のうち、重要度の高い順に並べた９３個を図３に示す。
【0032】
良悪性分類予測を例に、計算された画像特徴のうち、それらを重要度順に並べた内の、上から１５を図中の枠内に示す。これによれば、９３個すべての順序は以下のとおりである。
【0033】
重要度順に並べた特徴は次の通りである。この順序は、図３における、横軸である９３の特徴を重要度順に並べたもの、の並び順と同じ順序である。
０１： original_glcm_Imc2
０２： original_glszm_SizeZoneNonUniformityNormalized
０３： original_glszm_GrayLevelNonUniformity
０４： original_firstorder_Minimum
０５： original_glcm_MCC
０６： original_ngtdm_Busyness
０７： original_firstorder_Variance
０８： original_glszm_SizeZoneNonUniformity
０９： original_glszm_GrayLevelVariance
１０： original_glszm_ZoneEntropy
１１： original_firstorder_90Percentile
１２： original_glrlm_GrayLevelVariance
１３： original_firstorder_10Percentile
１４： original_glcm_ClusterProminence
１５： original_glszm_LargeAreaHighGrayLevelEmphasis
１６： original_glrlm_ShortRunEmphasis
１７： original_firstorder_Median
１８： original_glrlm_HighGrayLevelRunEmphasis
１９： original_gldm_DependenceVariance
２０： original_glcm_ClusterShade
２１： original_glcm_Correlation
２２： original_firstorder_Range
２３： original_glszm_LowGrayLevelZoneEmphasis
２４： original_firstorder_MeanAbsoluteDeviation
２５： original_ngtdm_Contrast
２６： original_glszm_ZoneVariance
２７： original_glrlm_ShortRunHighGrayLevelEmphasis
２８： original_firstorder_Skewness
２９： original_firstorder_Maximum
３０： original_glrlm_ShortRunLowGrayLevelEmphasis
３１： original_firstorder_RobustMeanAbsoluteDeviation
３２： original_gldm_GrayLevelNonUniformity
３３： original_ngtdm_Complexity
３４： original_glcm_Idmn
３５： original_glszm_HighGrayLevelZoneEmphasis
３６： original_glcm_MaximumProbability
３７： original_glrlm_RunVariance
３８： original_glrlm_RunLengthNonUniformityNormalized
３９： original_glszm_SmallAreaLowGrayLevelEmphasis
４０： original_glcm_Imc1
４１： original_glszm_LargeAreaLowGrayLevelEmphasis
４２： original_glszm_GrayLevelNonUniformityNormalized
４３： original_gldm_SmallDependenceEmphasis
４４： riginal_glrlm_RunEntropy
４５： original_glrlm_LongRunHighGrayLevelEmphasis
４６： riginal_glrlm_LongRunEmphasis
４７： riginal_glrlm_RunLengthNonUniformity
４８： riginal_gldm_SmallDependenceLowGrayLevelEmphasis
４９： iginal_glszm_ZonePercentage
５０： riginal_firstorder_Mean
５１： riginal_glrlm_LongRunLowGrayLevelEmphasis
５２： riginal_ngtdm_Strength
５３： original_gldm_LowGrayLevelEmphasis
５４： original_glszm_LargeAreaEmphasis
５５： original_glcm_JointEnergy
５６： original_firstorder_Uniformity
５７： original_glrlm_GrayLevelNonUniformity
５８： original_glcm_InverseVariance
５９： original_gldm_LargeDependenceLowGrayLevelEmphasis
６０： original_gldm_SmallDependenceHighGrayLevelEmphasis
６１： original_glcm_DifferenceVariance
６２： original_gldm_LargeDependenceHighGrayLevelEmphasis
６３： original_firstorder_TotalEnergy
６４： original_glcm_Idm
６５： original_glcm_ClusterTendency
６６： original_glrlm_GrayLevelNonUniformityNormalized
６７： original_glrlm_LowGrayLevelRunEmphasis
６８： original_firstorder_Kurtosis
６９： original_firstorder_Energy
７０： original_glszm_SmallAreaEmphasis
７１： original_glcm_JointEntropy
７２： original_glcm_Idn
７３： original_gldm_DependenceEntropy
７４： original_gldm_DependenceNonUniformityNormalized
７５： original_firstorder_RootMeanSquared
７６： original_glcm_Autocorrelation
７７： original_firstorder_Entropy
７８： original_glcm_Contrast
７９： original_glrlm_RunPercentage
８０： original_glcm_Id
８１： original_glcm_DifferenceEntropy
８２： original_gldm_GrayLevelVariance
８３： original_glcm_SumSquares
８４： original_firstorder_InterquartileRange
８５： original_gldm_DependenceNonUniformity
８６： original_glcm_JointAverage
８７： original_glcm_SumEntropy
８８： original_ngtdm_Coarseness
８９： original_gldm_HighGrayLevelEmphasis
９０： original_glszm_SmallAreaHighGrayLevelEmphasis
９１： original_gldm_LargeDependenceEmphasis
９２： original_glcm_SumAverage
９３： original_glcm_DifferenceAverage
０１： original_glcm_Imc2
０２： original_glszm_SizeZoneNonUniformityNormalized
０３： original_glszm_GrayLevelNonUniformity
０４： original_firstorder_Minimum
０５： original_glcm_MCC
０６： original_ngtdm_Busyness
０７： original_firstorder_Variance
０８： original_glszm_SizeZoneNonUniformity
０９： original_glszm_GrayLevelVariance
１０： original_glszm_ZoneEntropy
１１： original_firstorder_90Percentile
１２： original_glrlm_GrayLevelVariance
１３： original_firstorder_10Percentile
１４： original_glcm_ClusterProminence
１５： original_glszm_LargeAreaHighGrayLevelEmphasis
１６： original_glrlm_ShortRunEmphasis
１７： original_firstorder_Median
１８： original_glrlm_HighGrayLevelRunEmphasis
１９： original_gldm_DependenceVariance
２０： original_glcm_ClusterShade
２１： original_glcm_Correlation
２２： original_firstorder_Range
２３： original_glszm_LowGrayLevelZoneEmphasis
２４： original_firstorder_MeanAbsoluteDeviation
２５： original_ngtdm_Contrast
２６： original_glszm_ZoneVariance
２７： original_glrlm_ShortRunHighGrayLevelEmphasis
２８： original_firstorder_Skewness
２９： original_firstorder_Maximum
３０： original_glrlm_ShortRunLowGrayLevelEmphasis
３１： original_firstorder_RobustMeanAbsoluteDeviation
３２： original_gldm_GrayLevelNonUniformity
３３： original_ngtdm_Complexity
３４： original_glcm_Idmn
３５： original_glszm_HighGrayLevelZoneEmphasis
３６： original_glcm_MaximumProbability
３７： original_glrlm_RunVariance
３８： original_glrlm_RunLengthNonUniformityNormalized
３９： original_glszm_SmallAreaLowGrayLevelEmphasis
４０： original_glcm_Imc1
４１： original_glszm_LargeAreaLowGrayLevelEmphasis
４２： original_glszm_GrayLevelNonUniformityNormalized
４３： original_gldm_SmallDependenceEmphasis
４４： riginal_glrlm_RunEntropy
４５： original_glrlm_LongRunHighGrayLevelEmphasis
４６： riginal_glrlm_LongRunEmphasis
４７： riginal_glrlm_RunLengthNonUniformity
４８： riginal_gldm_SmallDependenceLowGrayLevelEmphasis
４９： iginal_glszm_ZonePercentage
５０： riginal_firstorder_Mean
５１： riginal_glrlm_LongRunLowGrayLevelEmphasis
５２： riginal_ngtdm_Strength
５３： original_gldm_LowGrayLevelEmphasis
５４： original_glszm_LargeAreaEmphasis
５５： original_glcm_JointEnergy
５６： original_firstorder_Uniformity
５７： original_glrlm_GrayLevelNonUniformity
５８： original_glcm_InverseVariance
５９： original_gldm_LargeDependenceLowGrayLevelEmphasis
６０： original_gldm_SmallDependenceHighGrayLevelEmphasis
６１： original_glcm_DifferenceVariance
６２： original_gldm_LargeDependenceHighGrayLevelEmphasis
６３： original_firstorder_TotalEnergy
６４： original_glcm_Idm
６５： original_glcm_ClusterTendency
６６： original_glrlm_GrayLevelNonUniformityNormalized
６７： original_glrlm_LowGrayLevelRunEmphasis
６８： original_firstorder_Kurtosis
６９： original_firstorder_Energy
７０： original_glszm_SmallAreaEmphasis
７１： original_glcm_JointEntropy
７２： original_glcm_Idn
７３： original_gldm_DependenceEntropy
７４： original_gldm_DependenceNonUniformityNormalized
７５： original_firstorder_RootMeanSquared
７６： original_glcm_Autocorrelation
７７： original_firstorder_Entropy
７８： original_glcm_Contrast
７９： original_glrlm_RunPercentage
８０： original_glcm_Id
８１： original_glcm_DifferenceEntropy
８２： original_gldm_GrayLevelVariance
８３： original_glcm_SumSquares
８４： original_firstorder_InterquartileRange
８５： original_gldm_DependenceNonUniformity
８６： original_glcm_JointAverage
８７： original_glcm_SumEntropy
８８： original_ngtdm_Coarseness
８９： original_gldm_HighGrayLevelEmphasis
９０： original_glszm_SmallAreaHighGrayLevelEmphasis
９１： original_gldm_LargeDependenceEmphasis
９２： original_glcm_SumAverage
９３： original_glcm_DifferenceAverage
【0034】
本発明によって、乳腺腫瘤良悪性鑑別においては、上記の順番で重要度が与えられることが判明した。重要度の順序は、利用するデータセットの入手可能性の如何により利用の順序と異なることもあるが、精度はその分だけ低下する。
【0035】
次に、図１の一番右に示される様な、１０交差検証による厳密な評価フレームワークの元、機械学習モデルである線形ＳＶＭを用いて予測モデルを作成し、その精度の評価を行い、総合的な二値分類判定精度をあらわすＡＵＣを求めた。
ＳＶＭは非線形カーネルを用いることもできるが、説明性の課題が生じるために、線形カーネルを採用している。
分類モデルには、ＳＶＭの代わりにランダムフォレスト、勾配ブースティングなどの機械学習モデルを用いることも考えられる。
ＡＵＣ、感度、特異度の各値が、画像特徴の使用数を増やしていった場合にどう変化したかを示したものが、図４である。
図４における最上部の折れ線がＡＵＣ、最下部の折れ線が感度、中間の折れ線が特異度である。
この図に示すように、画像判定精度は、重要度順に並べられた特徴９３個の組み合わせをフィードフォワードに増やしながら最も精度の高くなる組み合わせを探索し、その結果、全ての特徴を使用したケースで精度が最も高くなることが判明した。利用する画像特徴の種類としては、ここで示す９３個だけでなく、ＩＳＢＩにて定義されたイメージングバイオマーカなどの公知となった画像特徴を利用することも考えられる。
ＳＶＭは非線形カーネルを用いることもできるが、説明性の課題が生じるために、線形カーネルを採用している。
分類モデルには、ＳＶＭの代わりにランダムフォレスト、勾配ブースティングなどの機械学習モデルを用いることも考えられる。
ＡＵＣ、感度、特異度の各値が、画像特徴の使用数を増やしていった場合にどう変化したかを示したものが、図４である。
図４における最上部の折れ線がＡＵＣ、最下部の折れ線が感度、中間の折れ線が特異度である。
この図に示すように、画像判定精度は、重要度順に並べられた特徴９３個の組み合わせをフィードフォワードに増やしながら最も精度の高くなる組み合わせを探索し、その結果、全ての特徴を使用したケースで精度が最も高くなることが判明した。利用する画像特徴の種類としては、ここで示す９３個だけでなく、ＩＳＢＩにて定義されたイメージングバイオマーカなどの公知となった画像特徴を利用することも考えられる。
【0036】
このようにして、超音波画像を拡張して学習させた、乳腺腫瘤の良悪性判定のための学習方法を実行した結果、図５の太い黒線に示すように、交差検証結果の平均ＡＵＣの値として０．９４という優れた値を得た。
この値は、前記した非特許文献１の手法による、０．９２８という値よりも、また、非特許文献２の手法による、０．９１７という値よりも優れた値である。
そのうえ、前記非特許文献１および２は、どちらも、本発明の方法による、胸部腫瘤の良悪性判定が行っている、単純な超音波Ｂモード画像のみを利用する方法よりも、複雑であるので、本発明の手軽でありながら精度が高い、かつ１０交差検証により作成された１０の予測モデルを組み合わせて、本精度を保ったまま汎化性能を高めることができるアンサンブルモデルを開発することが可能になる、という従来技術に対する優位性がはっきりと示された。
この値は、前記した非特許文献１の手法による、０．９２８という値よりも、また、非特許文献２の手法による、０．９１７という値よりも優れた値である。
そのうえ、前記非特許文献１および２は、どちらも、本発明の方法による、胸部腫瘤の良悪性判定が行っている、単純な超音波Ｂモード画像のみを利用する方法よりも、複雑であるので、本発明の手軽でありながら精度が高い、かつ１０交差検証により作成された１０の予測モデルを組み合わせて、本精度を保ったまま汎化性能を高めることができるアンサンブルモデルを開発することが可能になる、という従来技術に対する優位性がはっきりと示された。
【0037】
以上、本発明の画像診断支援装置、画像診断支援方法および画像診断支援プログラムにおける実施の形態について説明したが、本発明は説明した実施の形態に限定されるものではなく、請求項に記載した発明の範囲において当業者が想定し得る各種の変形を行うことが可能である。
【0038】
例えば、説明した実施の形態では、乳腺腫瘤の良悪性を予測する場合について説明した。しかし、良悪性の予測は、例えば、病変の悪性度の予測、腫瘍遺伝子型の予測、予後の予測であってもよい。
【図1】
【図2】
【図3】
【図4】
【図5】
