特開 2023-127487 画像識別プログラム、画像識別方法および画像識別装置

(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】P2023127487

(43)【公開日】2023-09-13

(54)【発明の名称】画像識別プログラム、画像識別方法および画像識別装置

(51)【国際特許分類】

   G06T 7/00 20170101AFI20230906BHJP

   G06T 7/60 20170101ALI20230906BHJP

【ＦＩ】

G06T7/00 612

G06T7/00 350B

G06T7/60 110

【審査請求】未請求

【請求項の数】6

【出願形態】ＯＬ

(21)【出願番号】P 2022031311

(22)【出願日】2022-03-01

(71)【出願人】

【識別番号】000005223

【氏名又は名称】富士通株式会社

(74)【代理人】

【識別番号】110002918

【氏名又は名称】弁理士法人扶桑国際特許事務所

(72)【発明者】

【氏名】武部 浩明

(72)【発明者】

【氏名】宮▲崎▼ 信浩

(72)【発明者】

【氏名】馬場 孝之

【テーマコード（参考）】

5L096

【Ｆターム（参考）】

5L096AA03

5L096AA06

5L096BA06

5L096BA13

5L096CA02

5L096DA02

5L096FA06

5L096FA14

5L096FA53

5L096GA19

5L096GA51

5L096HA11

5L096JA11

5L096JA16

5L096KA04

(57)【要約】

【課題】医用画像から病変に関する状態を高精度に識別する。
【解決手段】処理部２は、画像Ｐ１の各分割領域について、病変に関する複数の状態のうちのどの状態であるかを識別する第１の識別処理と、複数の状態のうち第１の状態および第２の状態の各領域との境界を含むかを識別する第２の識別処理を実行し、第１の識別処理で第１の状態と識別され、かつ隣接する１以上の第１の分割領域を連結した連結集合Ｇ１を特定し、連結集合Ｇ１内の分割領域のうち、第１の識別処理で第２の状態と識別された分割領域と接する分割領域Ｂ１～Ｂ４についての第１の個数と、これらの分割領域Ｂ１～Ｂ４のうち、第２の識別処理で境界を含むと判定された分割領域Ｂ１～Ｂ４についての第２の個数との比較結果に基づいて、分割領域Ｂ１～Ｂ４が第１の状態か、または第２の状態かを判定する。
【選択図】図１

【特許請求の範囲】

【請求項1】

コンピュータに、
人体の内部を撮影した画像を分割した複数の分割領域のそれぞれについて、撮影された領域が病変に関する複数の状態のうちのどの状態であるかを識別する第１の識別処理を実行し、
前記複数の分割領域のそれぞれについて、撮影された領域が、前記複数の状態のうち第１の状態の領域と第２の状態の領域との境界を含むかを識別する第２の識別処理を実行し、
前記複数の分割領域のうち、前記第１の識別処理によって前記第１の状態と識別され、かつ隣接する１以上の第１の分割領域を連結した連結集合を特定し、
前記１以上の第１の分割領域のうち、前記第１の識別処理によって前記第２の状態と識別された分割領域と接する１以上の第２の分割領域についての第１の個数と、前記１以上の第２の分割領域のうち、前記第２の識別処理によって前記境界を含むと判定された分割領域についての第２の個数との比較結果に基づいて、前記１以上の第１の分割領域が前記第１の状態か、または前記第２の状態かを判定する、
処理を実行させる画像識別プログラム。

【請求項2】

前記判定では、前記第１の個数に対する前記第２の個数の比率が所定の閾値以上の場合に、前記１以上の第１の分割領域が前記第１の状態であると判定し、前記比率が前記閾値未満の場合、または前記第１の個数が０の場合に、前記１以上の第１の分割領域が前記第２の状態であると判定する、
請求項１記載の画像識別プログラム。

【請求項3】

前記連結集合が複数特定された場合、前記判定では、複数の前記連結集合のそれぞれについて計数された前記第１の個数および前記第２の個数に基づき、前記１以上の第１の分割領域が前記第１の状態か、または前記第２の状態かを判定する処理を個別に実行する、
請求項１または２記載の画像識別プログラム。

【請求項4】

前記画像は、肺野の断面を撮影することで取得され、
前記第１の識別処理では、前記複数の状態として、複数種別の陰影および正常のうちのどれであるかを識別し、
前記第１の状態はすりガラス影であることを示し、前記第２の状態は正常であることを示す、
請求項１乃至３のいずれか１項に記載の画像識別プログラム。

【請求項5】

コンピュータが、
人体の内部を撮影した画像を分割した複数の分割領域のそれぞれについて、撮影された領域が病変に関する複数の状態のうちのどの状態であるかを識別する第１の識別処理を実行し、
前記複数の分割領域のそれぞれについて、撮影された領域が、前記複数の状態のうち第１の状態の領域と第２の状態の領域との境界を含むかを識別する第２の識別処理を実行し、
前記複数の分割領域のうち、前記第１の識別処理によって前記第１の状態と識別され、かつ隣接する１以上の第１の分割領域を連結した連結集合を特定し、
前記１以上の第１の分割領域のうち、前記第１の識別処理によって前記第２の状態と識別された分割領域と接する１以上の第２の分割領域についての第１の個数と、前記１以上の第２の分割領域のうち、前記第２の識別処理によって前記境界を含むと判定された分割領域についての第２の個数との比較結果に基づいて、前記１以上の第１の分割領域が前記第１の状態か、または前記第２の状態かを判定する、
画像識別方法。

【請求項6】

人体の内部を撮影した画像を分割した複数の分割領域のそれぞれについて、撮影された領域が病変に関する複数の状態のうちのどの状態であるかを識別する第１の識別処理を実行し、
前記複数の分割領域のそれぞれについて、撮影された領域が、前記複数の状態のうち第１の状態の領域と第２の状態の領域との境界を含むかを識別する第２の識別処理を実行し、
前記複数の分割領域のうち、前記第１の識別処理によって前記第１の状態と識別され、かつ隣接する１以上の第１の分割領域を連結した連結集合を特定し、
前記１以上の第１の分割領域のうち、前記第１の識別処理によって前記第２の状態と識別された分割領域と接する１以上の第２の分割領域についての第１の個数と、前記１以上の第２の分割領域のうち、前記第２の識別処理によって前記境界を含むと判定された分割領域についての第２の個数との比較結果に基づいて、前記１以上の第１の分割領域が前記第１の状態か、または前記第２の状態かを判定する、処理部、
を有する画像識別装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、画像識別プログラム、画像識別方法および画像識別装置に関する。

【背景技術】

【0002】

肺などの各種疾患の診断には、ＣＴ（Computed Tomography）画像などの医用画像が広く用いられている。医用画像を用いた画像診断では、医師は多数の画像を読影しなければならず、医師の負担が大きい。そのため、医師の診断作業をコンピュータによって何らかの形で支援する技術が求められている。

【0003】

医用画像を用いた診断支援技術として、次のような提案がある。例えば、学習済みの識別器を用いて医用画像の画像解析を行い、医用画像が複数種別の病変パターンのうちのいずれかに該当する確率を示す指標を算出する診断部を有する画像処理装置が提案されている。また、画像情報から異常陰影候補を検出し、検出された異常陰影候補の重心を算出し、その重心から異常陰影候補の領域端部までの距離が所定の比率となる点を求めることで、異常陰影候補の領域を中心部と辺縁部とに分類する画像診断支援装置も提案されている。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０１９－３３９６６号公報

【特許文献2】特開２００４－４１４９０号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

ところで、医用画像から、撮影された領域が病変に関する複数の状態のどれであるかを識別する識別処理では、疾患によっては特定の２つの状態の識別が難しい場合がある。例えば、同じ種類の病変の状態であっても画像上での濃さや明るさが異なる場合があるために、別の病変の状態との識別が難しいというケースがある。

【0006】

１つの側面では、本発明は、医用画像から病変に関する状態を高精度に識別可能にした画像識別プログラム、画像識別方法および画像識別装置を提供することを目的とする。

【課題を解決するための手段】

【0007】

１つの案では、コンピュータに、人体の内部を撮影した画像を分割した複数の分割領域のそれぞれについて、撮影された領域が病変に関する複数の状態のうちのどの状態であるかを識別する第１の識別処理を実行し、複数の分割領域のそれぞれについて、撮影された領域が、複数の状態のうち第１の状態の領域と第２の状態の領域との境界を含むかを識別する第２の識別処理を実行し、複数の分割領域のうち、第１の識別処理によって第１の状態と識別され、かつ隣接する１以上の第１の分割領域を連結した連結集合を特定し、１以上の第１の分割領域のうち、第１の識別処理によって第２の状態と識別された分割領域と接する１以上の第２の分割領域についての第１の個数と、１以上の第２の分割領域のうち、第２の識別処理によって境界を含むと判定された分割領域についての第２の個数との比較結果に基づいて、１以上の第１の分割領域が第１の状態か、または第２の状態かを判定する、処理を実行させる画像識別プログラムが提供される。

【0008】

また、１つの案では、上記の画像識別プログラムに基づく処理と同様の処理をコンピュータが実行する画像識別方法が提供される。
さらに、１つの案では、上記の画像識別プログラムに基づく処理と同様の処理を実行する画像識別装置が提供される。

【発明の効果】

【0009】

１つの側面では、医用画像から病変に関する状態を高精度に識別できる。

【図面の簡単な説明】

【0010】

【図1】第１の実施の形態に係る画像識別装置の構成例および処理例を示す図である。

【図2】第２の実施の形態に係る診断支援処理システムの構成例を示す図である。

【図3】画像識別装置のハードウェア構成例を示す図である。

【図4】陰影識別処理の基本的な流れを示す図である。

【図5】ＧＧＯと正常との識別に関する課題を説明するための図である。

【図6】陰影識別処理および境界識別処理を実行した場合の処理結果を示す第１の図である。

【図7】陰影識別処理および境界識別処理の結果に基づく識別処理を示す第１の図である。

【図8】陰影識別処理および境界識別処理を実行した場合の処理結果を示す第２の図である。

【図9】陰影識別処理および境界識別処理の結果に基づく識別処理を示す第２の図である。

【図10】陰影識別処理および境界識別処理を実行した場合の処理結果を示す第３の図である。

【図11】陰影識別処理および境界識別処理の結果に基づく識別処理を示す第３の図である。

【図12】学習処理装置および画像識別装置が備える処理機能の構成例を示す図である。

【図13】学習処理装置による学習処理の手順を示すフローチャートの例である。

【図14】画像識別装置による画像識別処理の手順を示すフローチャートの例（その１）である。

【図15】画像識別装置による画像識別処理の手順を示すフローチャートの例（その２）である。

【発明を実施するための形態】

【0011】

以下、本発明の実施の形態について図面を参照して説明する。
〔第１の実施の形態〕
図１は、第１の実施の形態に係る画像識別装置の構成例および処理例を示す図である。図１に示す画像識別装置１は、人体の内部を撮影した画像を取得し、取得した画像に基づいて、撮影された領域が病変に関する複数の状態のうちのどの状態であるかを識別する情報処理装置である。例えば、肺野の断面が撮影された場合において、複数の状態として陰影の種別が識別される。この場合、陰影の種別の１つとして、画像上の対応する領域が正常であることを示す種別が含まれてもよい。

【0012】

この画像識別装置１は、処理部２を有する。処理部２は、例えばプロセッサである。この場合、処理部２の処理は、例えば、プロセッサが所定のプログラムを実行することで実現される。処理部２は、以下のような処理を実行する。

【0013】

処理部２は、上記のように取得した画像を複数の分割領域に分割する。処理部２は、分割された複数の分割領域のそれぞれについて、撮影された領域が上記の複数の状態のうちのどの状態であるかを識別する第１の識別処理を実行する。

【0014】

図１では、取得される画像の例として画像Ｐ１，Ｐ２を示している。画像Ｐ１には、複数の状態のうち、第１～第３の状態の領域が含まれている。これらのうち、第１の状態の領域は、第２の状態より色が薄く（輝度が明るく）なっている。一方、画像Ｐ２には、第２、第３の状態の領域が含まれている。ただし、画像Ｐ２における第２の状態の領域は、画像Ｐ１における第２の状態より色が薄く（輝度が明るく）なっており、画像Ｐ１における第１の状態の領域の色と類似している。

【0015】

このような場合、第１の識別処理では、第１の状態と第２の状態とを正しく識別することが難しい場合がある。例えば、第２の状態が、第１の状態であると誤って識別される場合がある。

【0016】

図１では、画像Ｐ１ａに示すように、画像Ｐ１に対して第１の識別処理を実行した場合、画像Ｐ１内の分割領域のうち分割領域Ｂ１～Ｂ４が第１の状態であると識別されたとする。このケースでは、第１の状態が正しく識別されている。一方、画像Ｐ２ａに示すように、画像Ｐ２に対して第１の識別処理を実行した場合、画像Ｐ２内の分割領域のうち分割領域Ｂ１１～Ｂ２１が第１の状態であると識別されたとする。このケースでは、分割領域Ｂ１１～Ｂ２１はいずれも第２の状態であるにもかかわらず、第１の状態であると誤って判定されている。

【0017】

ここで、例えば、第１の状態の領域と第２の状態の領域との間には、通常、明確な境界が現れるという性質が存在する場合がある。このような性質は、例えば、第２の状態である身体領域の一部の組織が変化することで、第１の状態が発生する場合に発生し得る。そこで、本実施の形態において、処理部２は、上記の第１の識別処理に加え、第１の状態の領域と第２の状態の領域との境界を分割領域が含むか否かを識別する第２の識別処理を実行する。

【0018】

上記のように、第１の状態の領域と第２の状態の領域との間に明確な境界が現れやすいという性質がある場合、このような境界を含むか否かを識別する第２の識別処理では、比較的高い識別精度が得られると考えられる。このため、処理部２は、第１の識別処理によって第１の状態と識別された分割領域について、第２の識別処理の結果を考慮して、第１の状態か、または第２の状態かを最終的に判定する。これによって、分割領域が第１の状態か、または第２の状態かの識別精度を向上させる。

【0019】

処理部２は、上記のように、画像上の複数の分割領域のそれぞれについて、上記の第１の識別処理を実行するとともに、上記の第２の識別処理を実行する。処理部２は、画像上の複数の分割領域のうち、第１の識別処理によって第１の状態と識別され、かつ隣接する１以上の分割領域を連結した連結集合を特定する。そして、処理部２は、特定された連結集合に含まれる分割領域のうち、第１の識別処理によって第２の状態と識別された分割領域と接する分割領域の数を、第１の個数として計数する。

【0020】

図１の画像Ｐ１では、画像Ｐ１ａに示すように、第１の識別処理によって第１の状態と識別された分割領域Ｂ１～Ｂ４を連結した領域が、連結集合Ｇ１として特定される。また、連結集合Ｇ１に含まれる分割領域Ｂ１～Ｂ４のいずれも、第１の識別処理によって第２の状態と識別された分割領域と接している。このため、連結集合Ｇ１については、第１の個数が「４」と計数される。

【0021】

また、図１の画像Ｐ２では、画像Ｐ２ａに示すように、第１の識別処理によって第１の状態と識別された分割領域Ｂ１１～Ｂ２１を連結した領域が、連結集合Ｇ２として特定される。しかし、連結集合Ｇ２に含まれる分割領域Ｂ１１～Ｂ２１のいずれも、第１の識別処理によって第２の状態と識別された分割領域と接していない。このため、連結集合Ｇ２については、第１の個数が「０」と計数される。

【0022】

処理部２はさらに、連結集合に含まれる分割領域のうち、第１の状態と識別された分割領域と接する分割領域の中から、第２の識別処理によって境界を含むと識別された分割領域の数を、第２の個数として計数する。そして、第１の個数と第２の個数との比較結果に基づいて、連結集合に含まれる各分割領域が第１の状態か、または第２の状態かを最終的に判定する。

【0023】

図１の画像Ｐ１では、画像Ｐ１ｂに示すように、連結集合Ｇ１内の該当する分割領域のうち、第２の識別処理によって分割領域Ｂ１～Ｂ４が境界と識別されている。このため、連結集合Ｇ１については、第２の個数が「４」と計数される。一方、図１の画像Ｐ２では、連結集合Ｇ２には、第１の識別処理によって第２の状態と識別された分割領域と接する分割領域が存在しない。このため、第２の個数は「０」となる。

【0024】

処理部２は、例えば、第１の個数に対する第２の個数の比率が所定の閾値以上の場合に、連結集合に含まれる各分割領域は第１の状態であると判定する。この閾値は、０より大きく１より小さい値に設定される。また、処理部２は、上記の比率が閾値未満であるか、または第１の個数が「０」の場合に、連結集合に含まれる各分割領域は第２の状態であると判定する。

【0025】

例えば閾値＝０．５とすると、図１の画像Ｐ１では、第１の個数に対する第２の個数の比率が「１」となり、閾値以上である。このため、連結集合Ｇ１に含まれる各分割領域Ｂ１～Ｂ４は、第１の状態であると正しく判定される。また、図１の画像Ｐ２では、第１の個数が「０」である。このため、連結集合Ｇ２に含まれる分割領域Ｂ１１～Ｂ２１は、第２の状態であると正しく判定される。

【0026】

以上のように、画像識別装置１は、第１の識別処理によって第１の状態と識別された分割領域について、第２の識別処理の結果を考慮して第１の個数と第２の個数とを計数する。第１の個数と第２の個数との比較結果は、第１の識別処理によって第１の状態と識別され、かつ第２の状態と識別された領域と接する分割領域の個数と、第２の識別処理によって境界と識別された分割領域の個数とを比較した結果となる。このため、画像識別装置１は、第１の識別処理によって第１の状態と識別された分割領域（具体的には連結集合に含まれる分割領域）のそれぞれが第１の状態か、または第２の状態かを、第１の個数と第２の個数とに基づいて最終的に判定することで、これらの状態を精度よく識別できるようになる。すなわち、画像識別装置１によれば、医用画像から病変に関する状態を高精度に識別できる。

【0027】

〔第２の実施の形態〕
次に、病変に関する複数の状態として、肺野における複数の陰影種別を識別できるようにしたシステムについて説明する。

【0028】

図２は、第２の実施の形態に係る診断支援処理システムの構成例を示す図である。図２に示す診断支援システムは、ＣＴ撮影による画像診断を支援するシステムであり、学習処理装置１００、画像識別装置２００およびＣＴ装置３００を含む。なお、画像識別装置２００は、図１に示した画像識別装置１の一例である。

【0029】

ＣＴ装置３００は、人体のＸ線ＣＴ画像を撮影する。本実施の形態では、ＣＴ装置３００は、胸部領域におけるアキシャル断面のＣＴスライス画像を、人体の高さ方向（アキシャル断面に垂直な方向）に対する位置を所定間隔で変えながら所定枚数撮影する。

【0030】

画像識別装置２００は、ＣＴ装置３００によって撮影された各スライス画像から肺野領域を特定し、肺野領域の画像を一定の大きさの「画像ブロック」に分割する。画像識別装置２００は、画像ブロックのそれぞれについて、陰影の種別を識別する。この識別処理は、あらかじめ学習された学習モデルを用いて行われる。

【0031】

学習処理装置１００は、画像識別装置２００による陰影種別の識別処理で利用される学習モデルを、機械学習によって生成する。学習処理装置１００によって生成された学習モデルのデータは、例えばネットワークを介して、あるいは可搬型の記録媒体を介して画像識別装置２００に読み込まれる。

【0032】

図３は、画像識別装置のハードウェア構成例を示す図である。画像識別装置２００は、例えば、図３に示すようなハードウェア構成のコンピュータとして実現される。図３に示すように、画像識別装置２００は、プロセッサ２０１、ＲＡＭ（Random Access Memory）２０２、ＨＤＤ（Hard Disk Drive）２０３、ＧＰＵ（Graphics Processing Unit）２０４、入力インタフェース（Ｉ／Ｆ）２０５、読み取り装置２０６および通信インタフェース（Ｉ／Ｆ）２０７を有する。

【0033】

プロセッサ２０１は、画像識別装置２００全体を統括的に制御する。プロセッサ２０１は、例えば、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＡＳＩＣ（Application Specific Integrated Circuit）またはＰＬＤ（Programmable Logic Device）である。また、プロセッサ２０１は、ＣＰＵ、ＭＰＵ、ＤＳＰ、ＡＳＩＣ、ＰＬＤのうちの２以上の要素の組み合わせであってもよい。

【0034】

ＲＡＭ２０２は、画像識別装置２００の主記憶装置として使用される。ＲＡＭ２０２には、プロセッサ２０１に実行させるＯＳ（Operating System）プログラムやアプリケーションプログラムの少なくとも一部が一時的に格納される。また、ＲＡＭ２０２には、プロセッサ２０１による処理に必要な各種データが格納される。

【0035】

ＨＤＤ２０３は、画像識別装置２００の補助記憶装置として使用される。ＨＤＤ２０３には、ＯＳプログラム、アプリケーションプログラム、および各種データが格納される。なお、補助記憶装置としては、ＳＳＤ（Solid State Drive）などの他の種類の不揮発性記憶装置を使用することもできる。

【0036】

ＧＰＵ２０４には、表示装置２０４ａが接続されている。ＧＰＵ２０４は、プロセッサ２０１からの命令にしたがって、画像を表示装置２０４ａに表示させる。表示装置としては、液晶ディスプレイや有機ＥＬ（Electroluminescence）ディスプレイなどがある。

【0037】

入力インタフェース２０５には、入力装置２０５ａが接続されている。入力インタフェース２０５は、入力装置２０５ａから出力される信号をプロセッサ２０１に送信する。入力装置２０５ａとしては、キーボードやポインティングデバイスなどがある。ポインティングデバイスとしては、マウス、タッチパネル、タブレット、タッチパッド、トラックボールなどがある。

【0038】

読み取り装置２０６には、可搬型記録媒体２０６ａが脱着される。読み取り装置２０６は、可搬型記録媒体２０６ａに記録されたデータを読み取ってプロセッサ２０１に送信する。可搬型記録媒体２０６ａとしては、光ディスク、半導体メモリなどがある。

【0039】

通信インタフェース２０７は、ネットワークを介して、ＣＴ装置３００などの他の装置との間でデータの送受信を行う。
以上のようなハードウェア構成によって、画像識別装置２００の処理機能を実現することができる。なお、学習処理装置１００も、図３に示すようなハードウェア構成のコンピュータとして実現可能である。

【0040】

次に、画像識別装置２００で実行される陰影識別処理の概要について説明する。
まず、図４は、陰影識別処理の基本的な流れを示す図である。ＣＴ装置３００によって撮影対象者の胸部領域が撮影されると、画像識別装置２００は、撮影によって得られた複数のスライス画像を取得する。画像識別装置２００は、取得したスライス画像の中から肺野領域が写っているスライス画像を抽出する（ステップＳ１１）。以下、抽出されたスライス画像のセットを「肺野画像セット」と記載する。

【0041】

次に、画像識別装置２００は、肺野画像セット内の各スライス画像を一定の大きさの画像ブロックに分割する（ステップＳ１２）。これとともに、画像識別装置２００は、肺野画像セット内の各スライス画像から肺野領域を特定する。この特定処理は、例えば、機械学習によって事前に学習された肺野領域特定用の学習モデルを用いて実行される。このような処理により、各スライス画像の画像ブロックは、肺野領域内の画像ブロックと肺野領域外の画像ブロックとに分類される。

【0042】

次に、画像識別装置２００は、肺野領域内の各画像ブロックについて陰影種別を識別する（ステップＳ１３）。陰影種別は、陰影の種別を示すものであり、本実施の形態では、すりガラス影（Ground Glass Opacity：ＧＧＯ）、浸潤影、蜂巣肺、肺気腫、その他の陰影のいずれかを示すものとする。さらに、陰影種別の１つとして正常も含まれる。このような陰影種別の識別は、機械学習によって事前に学習された陰影識別用の学習モデルを用いた識別器によって実行される。

【0043】

このような陰影識別処理により、肺野領域における異常陰影量を、陰影種別ごとに自動的に定量化できる。このような陰影識別処理は、例えば、びまん性肺疾患の診断に有効である。

【0044】

ところが、上記の陰影識別処理では、ＧＧＯと正常との識別に関して次のような課題がある。
図５は、ＧＧＯと正常との識別に関する課題を説明するための図である。図５に示す画像Ｐ１１～Ｐ１３は、肺野領域を撮影したスライス画像の一部の例である。

【0045】

画像Ｐ１１は、ＧＧＯと正常との識別誤りが発生しにくい場合の例である。この画像Ｐ１１の例のように、通常、正常の領域は黒色（輝度０）に近い場合が多い一方、ＧＧＯの領域はグレーに近い色となる場合が多い。このような場合には、ＧＧＯの領域と正常の領域とは正しく識別される可能性が高い。

【0046】

しかし、正常の領域であっても、例えば息の吸い込みが不十分である場合などには薄い色になる場合がある。画像Ｐ１２はこの場合の例であり、画像Ｐ１２に写っている正常の領域の色は、画像Ｐ１１よりも薄く（輝度が高く）なっている。このような場合、正常の領域の色がＧＧＯの領域の色に近くなってしまうことから、正常の領域であってもＧＧＯであると誤って識別される場合がある。

【0047】

また、画像Ｐ１２における正常の領域では、肺内の空気の密度が一様であることから正常の領域全体が一様に薄い色になっている。これに対して、正常の領域であっても、胸壁付近の色が薄くなる場合がある。画像Ｐ１３はこの場合の例であり、正常の領域のうち、肺の中心に近い部分では濃い色になっているが、胸壁に近いほど薄い色になっている。

【0048】

図５の下側に示す画像Ｐ１１ａ～Ｐ１３ａでは、それぞれ画像Ｐ１１～Ｐ１３に対して上記の陰影識別処理が実行された場合に、ＧＧＯと判定された画像ブロックを太線で表している。画像Ｐ１１ａでは、色の濃いＧＧＯの領域に含まれるすべての画像ブロックが、ＧＧＯと正しく識別されている。一方、画像Ｐ１２ａでは、薄い色の正常の領域に含まれるすべての画像ブロックが、ＧＧＯと誤って識別されている。また、画像Ｐ１３ａでは、正常の領域のうち、胸壁に近い薄い色の領域に含まれる画像ブロックが、ＧＧＯと誤って識別されている。

【0049】

以上の画像Ｐ１２ａ，Ｐ１３ａの例のように、上記の陰影識別処理では、ＧＧＯの領域と、輝度がやや高くグレーになっている正常の領域とを正しく識別することが難しく、後者をＧＧＯと誤って識別してしまう場合があるという問題がある。そこで、本実施の形態の画像識別装置２００は、ＧＧＯの領域と正常の領域との境界に関する以下のような性質を利用して、ＧＧＯと正常とを正しく識別できるようにする。

【0050】

画像Ｐ１２のように、正常の領域が一様にグレーになるケースは、上記のように息の吸い込みが不十分な場合に発生しやすい。この場合、肺内の空気の密度が一様であることから、肺の一部のみでなく肺全体がグレーになることが多い。これはすなわち、肺内にＧＧＯの領域が発生していないことが多いことを意味し、当然ながら正常の領域とＧＧＯを含むその他の陰影種別の領域との境界は存在しない。

【0051】

また、画像Ｐ１３のように正常の領域の色（輝度）が一様でないケースは、部分容積効果（Partial Volume Effect）によって発生すると考えられる。部分容積効果は、ボクセル内に複数の組織が含まれている場合に、それらの組織のＣＴ値を平均した値がピクセルのＣＴ値になることによって、ＣＴ像で示されるＣＴ値が不正確になる現象である。代表的には、種々の組織が隣接する部分で発生しやすく、その場合に組織の境界が不明瞭になる。

【0052】

画像Ｐ１３のようなケースでも、肺（胸壁）の形状がスライス画像上の位置に応じて連続的に変化することで、部分容積効果の影響が連続的に変化し、それによって胸壁に近づくにつれて輝度がなだらかに変化すると考えられる。このように輝度がなだらかに変化する場合には、正常の領域とＧＧＯを含むその他の陰影種別の領域との明確な境界は存在しない。

【0053】

一方、ＧＧＯは、肺の局所領域において肺の組織が実質的に変化するものである。このため、ＧＧＯの領域と正常の領域との境界は通常、目視で確認できる程度に明確である。このことから、スライス画像上の画像ブロックがＧＧＯの領域と正常の領域との境界であるか否かを識別する識別処理は、比較的高精度に実現可能であると考えられる。

【0054】

そこで、画像識別装置２００は、各画像ブロックに対して、上記の陰影識別処理に加えて、ＧＧＯの領域と正常の領域との境界であるか否かを識別する「境界識別処理」を施す。画像識別装置２００は、陰影識別処理によってＧＧＯと識別された領域と正常と識別された領域との境界領域に含まれる画像ブロックに関し、境界識別処理の識別結果を用いることでＧＧＯか正常かをあらためて識別する。これによって、ＧＧＯと正常とを誤って識別する可能性を低減し、陰影識別精度を向上させる。

【0055】

以下、図６～図１１を用いて、上記の画像Ｐ１１～Ｐ１３に対して本実施の形態の処理を適用した場合について例示する。
図６は、陰影識別処理および境界識別処理を実行した場合の処理結果を示す第１の図である。なお、図６に示す画像Ｐ１１では、わかりやすいように画像ブロックの境界を示すグリッド線を点線で表している。

【0056】

図６に示す画像Ｐ１１ｂでは、上記の画像Ｐ１１に対して陰影識別処理を実行した結果、ＧＧＯと識別された画像ブロック（ＧＧＯブロック）にハッチングを施して示している。画像識別装置２００は、このようなＧＧＯブロックのうち、隣接するＧＧＯブロックを連結した画像ブロックの集合を「ＧＧＯブロック集合」として特定する。図６の例では、画像Ｐ１１ｃに示すように２つのＧＧＯブロック集合Ｇ１１ａ，Ｇ１１ｂが特定されている。

【0057】

また、図６に示す画像Ｐ１１ｄでは、画像Ｐ１１に対して境界識別処理を実行した結果、ＧＧＯの領域と正常の領域との境界であると識別された画像ブロック（境界ブロック）にハッチングを施して示している。

【0058】

図７は、陰影識別処理および境界識別処理の結果に基づく識別処理を示す第１の図である。画像識別装置２００は、上記手順によって特定されたＧＧＯブロック集合Ｇ１１ａ，Ｇ１１ｂのそれぞれについて、以下のようにして境界識別処理の結果と照合する。

【0059】

まず、画像識別装置２００は、ＧＧＯブロック集合Ｇ１１ａ，Ｇ１１ｂに含まれるＧＧＯブロックの中から、陰影識別処理によって正常と識別された画像ブロック（正常ブロック）と接するＧＧＯブロックを特定する。図７に示す画像Ｐ１１ｅでは、特定されたＧＧＯブロックにハッチングを施して示している。

【0060】

画像識別装置２００は、ＧＧＯブロック集合Ｇ１１ａ，Ｇ１１ｂのそれぞれについて、上記のように特定された、正常ブロックと接するＧＧＯブロックの数（ＧＧＯブロック数Ｎ）を計数する。図７に示す表ＴＢ１１には、ＧＧＯブロック集合Ｇ１１ａ，Ｇ１１ｂのそれぞれについて計数されたＧＧＯブロック数Ｎを示している。ＧＧＯブロック集合Ｇ１１ａに含まれる該当ブロックのＧＧＯブロック数Ｎは「１２」と計数され、ＧＧＯブロック集合Ｇ１１ｂに含まれる該当ブロックのＧＧＯブロック数Ｎは「５」と計数される。

【0061】

また、画像識別装置２００は、ＧＧＯブロック集合Ｇ１１ａ，Ｇ１１ｂのそれぞれについて、正常ブロックと接すると判定されたＧＧＯブロックのうち、境界識別処理によって境界であると識別された境界ブロックの数（境界ブロック数Ｍ）を計数する。表ＴＢ１１に示すように、ＧＧＯブロック集合Ｇ１１ａについては境界ブロック数Ｍが「１０」と計数され、ＧＧＯブロック集合Ｇ１１ｂについては境界ブロック数Ｍが「５」と計数される。

【0062】

画像識別装置２００は、ＧＧＯブロック集合Ｇ１１ａ，Ｇ１１ｂのそれぞれについて、ＧＧＯブロック数Ｎに対する境界ブロック数Ｍの比率（Ｍ／Ｎ）を計算する。表ＴＢ１１に示すように、ＧＧＯブロック集合Ｇ１１ａについてはＭ／Ｎ＝０．８３と算出され、ＧＧＯブロック集合Ｇ１１ｂについてはＭ／Ｎ＝１と算出される。

【0063】

画像識別装置２００は、算出された比率を所定の閾値と比較する。閾値は、０より大きく１より小さい値に設定される。画像識別装置２００は、比率が閾値以上である場合には、ＧＧＯブロック集合に含まれる各画像ブロックがＧＧＯであると最終的に識別する。一方、画像識別装置２００は、比率が閾値未満であるか、またはＧＧＯブロック数Ｎ＝０の場合には、ＧＧＯブロック集合に含まれる各画像ブロックが正常であると最終的に識別する。

【0064】

表ＴＢ１１に示すように、ＧＧＯブロック集合Ｇ１１ａに含まれる各画像ブロックはＧＧＯと識別され、ＧＧＯブロック集合Ｇ１１ｂに含まれる各画像ブロックもＧＧＯと識別される。このように、画像Ｐ１１についてはＧＧＯの画像ブロックがＧＧＯであると正しく識別されていることがわかる。

【0065】

図８は、陰影識別処理および境界識別処理を実行した場合の処理結果を示す第２の図である。なお、図８に示す画像Ｐ１２では、わかりやすいように画像ブロックの境界を示すグリッド線を点線で表している。

【0066】

図８に示す画像Ｐ１２ｂでは、上記の画像Ｐ１２に対して陰影識別処理を実行した結果、ＧＧＯと識別されたＧＧＯブロックにハッチングを施して示している。画像識別装置２００は、このようなＧＧＯブロックのうち、隣接するＧＧＯブロックを連結したＧＧＯブロック集合を特定する。図８の例では、画像Ｐ１２ｃに示すように１つのＧＧＯブロック集合Ｇ１２が特定されている。

【0067】

また、図８に示す画像Ｐ１２ｄでは、画像Ｐ１２に対して境界識別処理を実行した結果を示している。この境界識別処理では、画像Ｐ１２からはＧＧＯの領域と正常の領域との境界であると識別される境界ブロックは検出されない。このため、図６の画像Ｐ１１ｄのようなハッチングの領域は現れない。

【0068】

図９は、陰影識別処理および境界識別処理の結果に基づく識別処理を示す第２の図である。画像識別装置２００は、上記手順によって特定されたＧＧＯブロック集合Ｇ１２について、以下のようにして境界識別処理の結果と照合する。

【0069】

まず、画像識別装置２００は、ＧＧＯブロック集合Ｇ１２に含まれるＧＧＯブロックの中から、陰影識別処理によって正常と識別された正常ブロックと接するＧＧＯブロックを特定する。画像識別装置２００は、このように特定された、正常ブロックと接するＧＧＯブロックの数を示すＧＧＯブロック数Ｎを計数する。図９に示す画像Ｐ１２ｅのように、ＧＧＯブロック集合Ｇ１２からはこのようなＧＧＯブロックは特定されない。したがって、図９に示す表ＴＢ１２のように、ＧＧＯブロック数Ｎは「０」と計数される。

【0070】

また、画像識別装置２００は、ＧＧＯブロック集合Ｇ１２において正常ブロックと接すると判定されたＧＧＯブロックのうち、境界識別処理によって境界であると識別された境界ブロックの数を示す境界ブロック数Ｍを計数する。表ＴＢ１２に示すように、境界ブロック数Ｍは「０」と計数される。そして、画像識別装置２００は、ＧＧＯブロック数Ｎに対する境界ブロック数Ｍの比率（Ｍ／Ｎ）を計算する。ＧＧＯブロック数Ｎ＝０であるので、表ＴＢ１２に示すように、Ｍ／Ｎは計算不能である。

【0071】

画像識別装置２００は、算出された比率を前述の閾値と比較し、比較結果に関する上記の条件に基づいて、ＧＧＯブロック集合Ｇ１２に含まれる各画像ブロックがＧＧＯであるか、または正常であるかを最終的に識別する。ＧＧＯブロック数Ｎ＝０であるので、表ＴＢ１２に示すように、ＧＧＯブロック集合Ｇ１２に含まれる各画像ブロックは正常であると識別される。このように、画像Ｐ１２については、陰影識別処理によってＧＧＯと誤って識別された正常の画像ブロックが、最終的に正常であると正しく識別されていることがわかる。

【0072】

図１０は、陰影識別処理および境界識別処理を実行した場合の処理結果を示す第３の図である。なお、図１０に示す画像Ｐ１３では、わかりやすいように画像ブロックの境界を示すグリッド線を点線で表している。

【0073】

図１０に示す画像Ｐ１３ｂでは、上記の画像Ｐ１３に対して陰影識別処理を実行した結果、ＧＧＯと識別されたＧＧＯブロックにハッチングを施して示している。画像識別装置２００は、このようなＧＧＯブロックのうち、隣接するＧＧＯブロックを連結したＧＧＯブロック集合を特定する。図１０の例では、画像Ｐ１３ｃに示すように１つのＧＧＯブロック集合Ｇ１３が特定されている。

【0074】

また、図１０に示す画像Ｐ１３ｄでは、画像Ｐ１３に対して境界識別処理を実行した結果を示している。この境界識別処理では、画像Ｐ１３からはＧＧＯの領域と正常の領域との境界であると識別される境界ブロックは検出されない。このため、図６の画像Ｐ１１ｄのようなハッチングの領域は現れない。

【0075】

図１１は、陰影識別処理および境界識別処理の結果に基づく識別処理を示す第３の図である。画像識別装置２００は、上記手順によって特定されたＧＧＯブロック集合Ｇ１３について、以下のようにして境界識別処理の結果と照合する。

【0076】

まず、画像識別装置２００は、ＧＧＯブロック集合Ｇ１３に含まれるＧＧＯブロックの中から、陰影識別処理によって正常と識別された正常ブロックと接するＧＧＯブロックを特定する。図１１に示す画像Ｐ１３ｅでは、特定されたＧＧＯブロックにハッチングを施して示している。画像識別装置２００は、このように特定された、正常ブロックと接するＧＧＯブロックの数を示すＧＧＯブロック数Ｎを計数する。図１１に示す表ＴＢ１３のように、このようなＧＧＯブロック数Ｎは「１０」と計数される。

【0077】

また、画像識別装置２００は、ＧＧＯブロック集合Ｇ１３において正常ブロックと接すると判定されたＧＧＯブロックのうち、境界識別処理によって境界であると識別された境界ブロックの数を示す境界ブロック数Ｍを計数する。表ＴＢ１３に示すように、境界ブロック数Ｍは「０」と計数される。そして、画像識別装置２００は、ＧＧＯブロック数Ｎに対する境界ブロック数Ｍの比率（Ｍ／Ｎ）を計算する。表ＴＢ１３に示すように、Ｍ／Ｎ＝０と算出される。

【0078】

画像識別装置２００は、算出された比率を前述の閾値と比較し、比較結果に関する上記の条件に基づいて、ＧＧＯブロック集合Ｇ１３に含まれる各画像ブロックがＧＧＯであるか、または正常であるかを最終的に識別する。比率が「０」であり閾値より小さいため、表ＴＢ１３に示すように、ＧＧＯブロック集合Ｇ１３に含まれる各画像ブロックは正常であると識別される。このように、画像Ｐ１３についても、陰影識別処理によってＧＧＯと誤って識別された正常の画像ブロックが、最終的に正常であると正しく識別されていることがわかる。

【0079】

以上のように、画像識別装置２００は、陰影識別処理によってＧＧＯと識別された画像ブロックについては、境界識別処理の結果を用いることで、ＧＧＯか正常かの識別処理を再実行する。これにより、グレーになった正常の領域の画像ブロックをＧＧＯと誤って識別する可能性を低減でき、陰影識別精度を向上させることができる。

【0080】

次に、図１２は、学習処理装置および画像識別装置が備える処理機能の構成例を示す図である。
まず、学習処理装置１００は、アノテーション処理部１１１、陰影識別器学習部１１２、境界識別器学習部１１３、教師画像記憶部１２１およびモデル記憶部１２２，１２３を備える。アノテーション処理部１１１、陰影識別器学習部１１２および境界識別器学習部１１３の処理は、例えば、学習処理装置１００が備える図示しないプロセッサが所定のプログラムを実行することで実現される。教師画像記憶部１２１およびモデル記憶部１２２，１２３は、学習処理装置１００が備える図示しない記憶装置に確保される記憶領域である。

【0081】

アノテーション処理部１１１は、収集されたＣＴスライス画像に基づいて、陰影識別器および境界識別器の学習用の教師画像セットを生成し、これらを教師画像記憶部１２１に格納する。後述するように、生成された教師画像セットに含まれる各教師画像には、正解ラベルとして、陰影識別器の学習用の第１ラベルと、境界識別器の学習用の第２ラベルとが付与される。

【0082】

陰影識別器学習部１１２は、教師画像記憶部１２１に格納された教師画像セットを取得し、各教師画像に付与された第１ラベルに基づいて、陰影識別処理を実行する陰影識別器を学習し、得られた学習モデルのデータをモデル記憶部１２２に格納する。

【0083】

境界識別器学習部１１３は、教師画像記憶部１２１に格納された教師画像セットを取得し、各教師画像に付与された第２ラベルに基づいて、境界識別処理を実行する境界識別器を学習し、得られた学習モデルを示すデータをモデル記憶部１２３に格納する。

【0084】

次に、画像識別装置２００は、画像入力部２１１、肺野領域特定部２１２、陰影識別部２１３、境界識別部２１４、ＧＧＯ・正常識別部２１５およびモデル記憶部２２１～２２３を備える。画像入力部２１１、肺野領域特定部２１２、陰影識別部２１３、境界識別部２１４およびＧＧＯ・正常識別部２１５の処理は、例えば、画像識別装置２００が備えるプロセッサ２０１が所定のプログラムを実行することで実現される。モデル記憶部２２１～２２３は、ＲＡＭ２０２、ＨＤＤ２０３などの画像識別装置２００が備える記憶装置に確保される記憶領域である。

【0085】

画像入力部２１１は、ＣＴ装置３００によって撮影対象者の胸部領域を撮影することで得られた複数のＣＴスライス画像の入力を受け付ける。
モデル記憶部２２１には、肺野領域特定用の学習モデルのデータが格納されている。肺野領域特定部２１２は、画像入力部２１１に入力された複数のＣＴスライス画像の中から、肺野領域が写っているスライス画像のセット（肺野画像セット）を抽出する。肺野領域特定部２１２は、抽出された肺野画像セットに基づき、モデル記憶部２２１に格納されたデータに基づく学習モデルを用いて、肺野画像セット内の各ＣＴスライス画像から肺野領域を特定する。

【0086】

モデル記憶部２２２には、陰影識別器の学習モデルのデータが格納されている。この学習モデルのデータは、学習処理装置１００のモデル記憶部１２２から、ネットワークや可搬型記録媒体を介して画像識別装置２００に入力され、モデル記憶部２２２に格納される。陰影識別部２１３は、モデル記憶部２２２に格納されたデータに基づく学習モデルを用いて、肺野画像セット内の各ＣＴスライス画像に対して画像ブロック単位で陰影識別処理を実行し、各画像ブロックの陰影種別を識別する。

【0087】

モデル記憶部２２３には、境界識別器の学習モデルのデータが格納されている。この学習モデルのデータは、学習処理装置１００のモデル記憶部１２３から、ネットワークや可搬型記録媒体を介して画像識別装置２００に入力され、モデル記憶部２２３に格納される。境界識別部２１４は、モデル記憶部２２３に格納されたデータに基づく学習モデルを用いて、肺野画像セット内の各ＣＴスライス画像に対して画像ブロック単位で境界識別処理を実行し、各画像ブロックがＧＧＯの領域と正常の領域との境界を含むか否かを識別する。

【0088】

ＧＧＯ・正常識別部２１５は、陰影識別部２１３によってＧＧＯと識別された画像ブロック（ＧＧＯブロック）を含むＣＴスライス画像から、隣接するＧＧＯブロックを連結したＧＧＯブロック集合を特定する。ＧＧＯ・正常識別部２１５は、ＧＧＯブロック集合に含まれるＧＧＯブロックの中から、陰影識別部２１３によって正常と識別された画像ブロック（正常ブロック）と接するＧＧＯブロックを特定し、特定されたＧＧＯブロックの数を示すＧＧＯブロック数Ｎを計数する。また、ＧＧＯ・正常識別部２１５は、特定された（正常ブロックと接する）ＧＧＯブロックの中から、境界識別部２１４によってＧＧＯの領域と正常の領域との境界を含むと識別されたＧＧＯブロックの数を示す境界ブロック数Ｍを計数する。ＧＧＯ・正常識別部２１５は、ＧＧＯブロック数Ｎと境界ブロック数Ｍとの比較結果に基づいて、ＧＧＯブロックに含まれる各画像ブロックがＧＧＯであるか、または正常であるかを最終的に識別する。

【0089】

なお、本実施の形態では、陰影識別器および境界識別器の学習処理と、それらを用いた識別処理とが、それぞれ学習処理装置１００と画像識別装置２００という個別の情報処理装置で実行される。しかし、学習処理と識別処理は同一の情報処理装置で実行されてもよい。例えば、画像識別装置２００が学習処理機能も備える場合、アノテーション処理部１１１、陰影識別器学習部１１２、境界識別器学習部１１３および教師画像記憶部１２１が、画像識別装置２００に備えられればよい。この場合、陰影識別器学習部１１２および境界識別器学習部１１３による学習結果は、それぞれモデル記憶部２２２，２２３に直接格納されればよい。

【0090】

図１３は、学習処理装置による学習処理の手順を示すフローチャートの例である。
［ステップＳ３１］胸部領域が撮影されたＣＴスライス画像が複数枚収集され、アノテーション処理部１１１は、収集された各ＣＴスライス画像を取得する。ＣＴスライス画像は、例えば、５１２画素×５１２画素のＣＴ画像として取得される。

【0091】

［ステップＳ３２］アノテーション処理部１１１は、各ＣＴスライス画像を一定サイズの格子状の画像ブロックに分割する。画像ブロックのサイズは、例えば１６画素×１６画素である。

【0092】

［ステップＳ３３］アノテーション処理部１１１は、ユーザの入力操作に応じて、各ＣＴスライス画像上の画像ブロックのうち、肺野領域に含まれる各画像ブロックに対して第１ラベルを付与する。第１ラベルは、陰影識別器の学習用の正解ラベルであり、複数の陰影種別のうちのどれであるかを示す。前述のように、陰影種別としては、ＧＧＯ、浸潤影、蜂巣肺、肺気腫、その他の陰影、正常が適用される。ここでは例として、第１ラベルとしては、正常の場合に「０」が付与され、ＧＧＯの場合に「１」が付与され、浸潤影の場合に「２」が付与され、蜂巣肺の場合に「３」が付与され、肺気腫の場合に「４」が付与され、その他の陰影の場合に「５」が付与される。

【0093】

アノテーション処理部１１１は、第１ラベルが付与された各画像ブロックを、教師画像として教師画像記憶部１２１に格納する。また、アノテーション処理部１１１は、肺野領域に含まれない画像ブロックを破棄する。

【0094】

［ステップＳ３４］アノテーション処理部１１１は、ユーザの入力操作に応じて、教師画像記憶部１２１に格納された画像ブロックのうち、第１ラベルがＧＧＯを示す画像ブロック（ＧＧＯブロック）のそれぞれに対して、内部・境界ラベルを仮付与する。内部・境界ラベルは、画像ブロックが、ＧＧＯの領域の内部を含むか、またはＧＧＯの領域と正常の領域との境界を含むかを示すラベルであり、ここでは例として、前者の場合に「０」が付与され、後者の場合に「１」が付与される。

【0095】

［ステップＳ３５］アノテーション処理部１１１は、教師画像記憶部１２１に格納された各画像ブロックに対して第２ラベルを付与する。第２ラベルは、画像ブロックがＧＧＯの領域と正常の領域との境界であるか否かを示す正解ラベルであり、ここでは例として、境界である場合に「１」が付与され、それ以外の場合に「０」が付与される。

【0096】

アノテーション処理部１１１は、画像ブロックに仮付与された内部・境界ラベルが「１」の場合、その画像ブロックに第２ラベルとしてＧＧＯの領域と正常の領域との境界を示す「１」を付与する。また、アノテーション処理部１１１は、画像ブロックに仮付与された内部・境界ラベルが「０」の場合と、画像ブロックに内部・境界ラベルが付与されていない場合に、画像ブロックに第２ラベルとして上記の境界でないことを示す「０」を付与する。

【0097】

［ステップＳ３６］陰影識別器学習部１１２は、教師画像記憶部１２１に格納された各画像ブロックを教師画像として取得し、各画像ブロックに付与された第１ラベルに基づいて陰影識別器を学習する。陰影識別器学習部１１２は、学習された陰影識別器を示す学習モデルのデータをモデル記憶部１２２に格納する。

【0098】

［ステップＳ３７］境界識別器学習部１１３は、教師画像記憶部１２１に格納された各画像ブロックを教師画像として取得し、各画像ブロックに付与された第２ラベルに基づいて境界識別器を学習する。境界識別器学習部１１３は、学習された境界識別器を示す学習モデルのデータをモデル記憶部１２３に格納する。

【0099】

なお、陰影識別器の学習と境界識別器の学習では、同じ機械学習手法を用いることが可能である。これらの学習では、例えば、ＣＮＮ（Convolutional Neural Network）を用いた深層学習が行われる。

【0100】

この後、モデル記憶部１２２に格納された学習モデルのデータと、モデル記憶部１２３に格納された学習モデルのデータとが、ネットワークや可搬型記録媒体を介して画像識別装置２００に入力される。前者のデータはモデル記憶部２２２に格納され、後者のデータはモデル記憶部２２３に格納される。

【0101】

図１４、図１５は、画像識別装置による画像識別処理の手順を示すフローチャートの例である。
［ステップＳ４１］ＣＴ装置３００により、撮影対象者の胸部領域が撮影される。画像入力部２１１は、撮影によって得られた複数のＣＴスライス画像の入力を受け付ける。肺野領域特定部２１２は、画像入力部２１１に入力された複数のＣＴスライス画像の中から、肺野領域が写っているスライス画像のセット（肺野画像セット）を抽出する。

【0102】

［ステップＳ４２］ステップＳ４８までの識別処理ループが、肺野画像セットに含まれるＣＴスライス画像（肺野画像）のそれぞれに対して実行される。
［ステップＳ４３］肺野領域特定部２１２は、モデル記憶部２２１に格納されたデータに基づく学習モデルに処理対象の肺野画像を入力することで、肺野画像から肺野領域を特定する。また、肺野領域特定部２１２は、特定された肺野領域の画像を一定サイズの画像ブロックに分割する。

【0103】

［ステップＳ４４］陰影識別部２１３は、モデル記憶部２２２に格納されたデータに基づく学習モデル（陰影識別器）に、肺野領域内の各画像ブロックを入力する。これにより、画像ブロックごとに陰影識別処理が実行され、画像ブロックが正常、ＧＧＯ、浸潤影、蜂巣肺、肺気腫、その他の陰影のどれであるかが識別される。

【0104】

［ステップＳ４５］境界識別部２１４は、モデル記憶部２２３に格納されたデータに基づく学習モデル（境界識別器）に、肺野領域内の各画像ブロックを入力する。これにより、画像ブロックごとに境界識別処理が実行され、画像ブロックがＧＧＯの領域と正常の領域との境界であるか否かが識別される。

【0105】

このステップＳ４５の処理は、ステップＳ４４の処理と並行して実行可能である。ただし、ステップＳ４５の処理は、この時点で実行されずに、例えば、後述するステップＳ５１の直前または直後に実行されてもよい。

【0106】

［ステップＳ４６］ＧＧＯ・正常識別部２１５は、ステップＳ４４の陰影識別処理によって識別された画像ブロックの中に、ＧＧＯの画像ブロック（ＧＧＯブロック）が含まれるかを判定する。ＧＧＯブロックが１つでも含まれる場合、処理がステップＳ４９に進められ、ＧＧＯブロックが１つも含まれない場合、処理がステップＳ４７に進められる。

【0107】

［ステップＳ４７］ＧＧＯ・正常識別部２１５は、肺野領域内の各画像ブロックの識別結果として、ステップＳ４４の陰影識別処理の結果をそのまま出力する。
［ステップＳ４８］肺野画像セットに含まれるすべての肺野画像について識別処理ループの実行が完了すると、画像識別処理が終了する。

【0108】

［ステップＳ４９］ＧＧＯ・正常識別部２１５は、肺野領域内の画像ブロックの中から、ステップＳ４４の陰影識別処理によってＧＧＯと識別されたＧＧＯブロックを特定する。ＧＧＯ・正常識別部２１５は、特定されたＧＧＯブロックの中から、隣接するＧＧＯブロック同士を連結することで、それぞれ１以上のＧＧＯブロックを含むＧＧＯブロック集合を特定する。

【0109】

［ステップＳ５０］ステップＳ５６までの境界識別処理ループが、特定されたＧＧＯブロック集合のそれぞれに対して実行される。
［ステップＳ５１］ＧＧＯ・正常識別部２１５は、処理対象のＧＧＯブロック集合に含まれるＧＧＯの中から、ステップＳ４４の陰影識別処理によって正常と識別された画像ブロック（正常ブロック）と接するＧＧＯブロックを特定する。ＧＧＯ・正常識別部２１５は、特定されたＧＧＯブロックの数をＧＧＯブロック数Ｎとして計数する。

【0110】

［ステップＳ５２］ＧＧＯ・正常識別部２１５は、ステップＳ５１で特定された、正常ブロックと接するＧＧＯブロックの中から、ステップＳ４５の境界識別処理によってＧＧＯの領域と正常の領域との境界と識別されたＧＧＯブロックを特定する。ＧＧＯ・正常識別部２１５は、特定されたＧＧＯブロックの数を境界ブロック数Ｍとして計数する。

【0111】

［ステップＳ５３］ＧＧＯ・正常識別部２１５は、ＧＧＯブロック数Ｎに対する境界ブロック数Ｍの比率（Ｍ／Ｎ）を計算し、算出された比率が所定の閾値以上かを判定する。この閾値は、０より大きく、１より小さい値に設定される。比率が閾値以上の場合、処理がステップＳ５４に進められる。一方、比率が閾値未満であるか、またはＧＧＯブロック数Ｎ＝０の場合には、処理がステップＳ５５に進められる。

【0112】

［ステップＳ５４］ＧＧＯ・正常識別部２１５は、処理対象のＧＧＯブロック集合に含まれる各画像ブロックをＧＧＯと識別し、最終的な識別結果として出力する。
［ステップＳ５５］ＧＧＯ・正常識別部２１５は、処理対象のＧＧＯブロック集合に含まれる各画像ブロックを正常と識別し、最終的な識別結果として出力する。

【0113】

［ステップＳ５６］肺野画像から特定されたすべてのＧＧＯブロック集合についての境界識別処理ループの実行が完了すると、処理がステップＳ５７に進められる。
［ステップＳ５７］ＧＧＯ・正常識別部２１５は、識別処理ループにおける処理対象の肺野画像に含まれる画像ブロックのうち、ＧＧＯブロック集合に含まれない各画像ブロックの識別結果として、ステップＳ４４の陰影識別処理の結果をそのまま出力する。この後、処理がステップＳ４８に進められる。

【0114】

以上のように、画像識別装置２００は、陰影識別処理によってＧＧＯと識別された画像ブロックについては、境界識別処理の結果を用いることでＧＧＯか正常かの識別を再度実行し、最終的な識別結果を出力する。これにより、グレーになった正常の領域の画像ブロックをＧＧＯと誤って識別する可能性を低減できる。その結果、ＣＴ画像に基づく自動的な陰影識別の精度を向上させることができる。

【0115】

なお、上記の各実施の形態に示した装置（例えば、画像識別装置１，２００、学習処理装置１００）の処理機能は、コンピュータによって実現することができる。その場合、各装置が有すべき機能の処理内容を記述したプログラムが提供され、そのプログラムをコンピュータで実行することにより、上記処理機能がコンピュータ上で実現される。処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体に記録しておくことができる。コンピュータで読み取り可能な記録媒体としては、磁気記憶装置、光ディスク、半導体メモリなどがある。磁気記憶装置には、ハードディスク装置（ＨＤＤ）、磁気テープなどがある。光ディスクには、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、ブルーレイディスク（Blu-ray Disc：ＢＤ、登録商標）などがある。

【0116】

プログラムを流通させる場合には、例えば、そのプログラムが記録されたＤＶＤ、ＣＤなどの可搬型記録媒体が販売される。また、プログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することもできる。

【0117】

プログラムを実行するコンピュータは、例えば、可搬型記録媒体に記録されたプログラムまたはサーバコンピュータから転送されたプログラムを、自己の記憶装置に格納する。そして、コンピュータは、自己の記憶装置からプログラムを読み取り、プログラムにしたがった処理を実行する。なお、コンピュータは、可搬型記録媒体から直接プログラムを読み取り、そのプログラムにしたがった処理を実行することもできる。また、コンピュータは、ネットワークを介して接続されたサーバコンピュータからプログラムが転送されるごとに、逐次、受け取ったプログラムにしたがった処理を実行することもできる。

【符号の説明】

【0118】

１ 画像識別装置
２ 処理部
Ｂ１～Ｂ４，Ｂ１１～Ｂ２１ 分割領域
Ｇ１，Ｇ２ 連結集合
Ｐ１，Ｐ１ａ，Ｐ１ｂ，Ｐ２，Ｐ２ａ，Ｐ２ｂ 画像

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】