特開2023-132794画像診断支援プログラム，訓練プログラム，情報処理装置，画像診断支援方法および訓練方法
(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】P2023132794
(43)【公開日】2023-09-22
(54)【発明の名称】画像診断支援プログラム，訓練プログラム，情報処理装置，画像診断支援方法および訓練方法
(51)【国際特許分類】
A61B 5/055 20060101AFI20230914BHJP
A61B 6/03 20060101ALI20230914BHJP
【ＦＩ】
A61B5/055 380
A61B6/03 360T
A61B6/03 360J
【審査請求】未請求
【請求項の数】10
【出願形態】ＯＬ
(21)【出願番号】P 2022038323
(22)【出願日】2022-03-11
(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】100092978
【弁理士】
【氏名又は名称】真田 有
(74)【代理人】
【識別番号】100189201
【弁理士】
【氏名又は名称】横田 功
(72)【発明者】
【氏名】竹内 真樹
(72)【発明者】
【氏名】御宿 義勝
(72)【発明者】
【氏名】梅田 将孝
【テーマコード（参考）】
4C093
4C096
【Ｆターム（参考）】
4C093AA22
4C093DA04
4C093FD09
4C093FF16
4C093FF17
4C093FF32
4C093FF35
4C093FH08
4C096AB44
4C096AC01
4C096AD14
4C096AD24
4C096DC20
4C096DC21
4C096DC28
(57)【要約】
【課題】推論の精度を向上させる。
【解決手段】それぞれ異なる撮像条件で被験者を撮像して得られた複数の訓練用画像とその被験者の病名とを関連付けた訓練データを用いて生成された、異なる撮像条件で診断対象の被験者を撮像して得られた複数の入力画像の入力に応じてその診断対象の被験者の病名の推定結果および撮像条件毎の前記複数の入力画像それぞれの推定への寄与の度合を出力する第１のモデル１０２に、判定対象の複数の入力画像を入力し、判定対象の複数の入力画像の中から、寄与の度合に基づいて選択された推定用の撮像条件で撮像された入力画像を選択し、入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデル１０５に、推定用の撮像条件で撮像された入力画像を入力し、第２のモデルの出力結果に基づいて特定される病巣箇所の推定結果を出力する。
【選択図】図５
【解決手段】それぞれ異なる撮像条件で被験者を撮像して得られた複数の訓練用画像とその被験者の病名とを関連付けた訓練データを用いて生成された、異なる撮像条件で診断対象の被験者を撮像して得られた複数の入力画像の入力に応じてその診断対象の被験者の病名の推定結果および撮像条件毎の前記複数の入力画像それぞれの推定への寄与の度合を出力する第１のモデル１０２に、判定対象の複数の入力画像を入力し、判定対象の複数の入力画像の中から、寄与の度合に基づいて選択された推定用の撮像条件で撮像された入力画像を選択し、入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデル１０５に、推定用の撮像条件で撮像された入力画像を入力し、第２のモデルの出力結果に基づいて特定される病巣箇所の推定結果を出力する。
【選択図】図５
【特許請求の範囲】
【請求項1】
それぞれ異なる撮像条件で被験者を撮像して得られた複数の訓練用画像と当該被験者の病名とを関連付けた訓練データを用いて生成された、異なる撮像条件で診断対象の被験者を撮像して得られた複数の入力画像の入力に応じて当該診断対象の被験者の病名の推定結果および前記撮像条件毎の前記複数の入力画像それぞれの推定への寄与の度合を出力する第１のモデルに、判定対象の複数の入力画像を入力し、
前記判定対象の複数の入力画像の中から、前記寄与の度合に基づいて選択された推定用の撮像条件で撮像された入力画像を選択し、
入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに、前記推定用の撮像条件で撮像された入力画像を入力し、
前記第２のモデルの出力結果に基づいて特定される病巣箇所の推定結果を出力する
処理をコンピュータに実行させることを特徴とする画像診断支援プログラム。
前記判定対象の複数の入力画像の中から、前記寄与の度合に基づいて選択された推定用の撮像条件で撮像された入力画像を選択し、
入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに、前記推定用の撮像条件で撮像された入力画像を入力し、
前記第２のモデルの出力結果に基づいて特定される病巣箇所の推定結果を出力する
処理をコンピュータに実行させることを特徴とする画像診断支援プログラム。
【請求項2】
前記寄与の度合いが所定の閾値未満の撮像条件を前記推定用の撮像条件から除外する
処理を前記コンピュータに実行させることを特徴とする請求項１に記載の画像診断支援プログラム。
処理を前記コンピュータに実行させることを特徴とする請求項１に記載の画像診断支援プログラム。
【請求項3】
前記寄与の度合いが上位の撮像条件を優先して前記推定用の撮像条件に加える
処理を前記コンピュータに実行させることを特徴とする請求項１に記載の画像診断支援プログラム。
処理を前記コンピュータに実行させることを特徴とする請求項１に記載の画像診断支援プログラム。
【請求項4】
それぞれ異なる撮像条件で診断対象の被験者を撮像して得られた複数の入力画像の入力に応じて当該診断対象の被験者の病名の推定結果および前記撮像条件毎の前記複数の入力画像それぞれの推定への寄与の度合を出力する第１のモデルに対して、それぞれ異なる撮像条件で被験者を撮像して得られた複数の訓練用画像と、当該被験者の病名とを関連付けた第１の訓練データを用いて第１の訓練を行ない、
前記複数の訓練用画像の中から、前記第１のモデルが前記複数の訓練用画像の入力に応じて出力した前記撮像条件毎の前記複数の訓練用画像それぞれの推定への寄与の度合に基づいて、当該寄与の度合に基づいて選択された訓練用の撮像条件で撮像された訓練用入力画像を選択し、
入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに対して、前記訓練用入力画像と病巣箇所とを関連付けた第２の訓練データを用いて第２の訓練を行なう
処理をコンピュータに実行させることを特徴とする訓練プログラム。
前記複数の訓練用画像の中から、前記第１のモデルが前記複数の訓練用画像の入力に応じて出力した前記撮像条件毎の前記複数の訓練用画像それぞれの推定への寄与の度合に基づいて、当該寄与の度合に基づいて選択された訓練用の撮像条件で撮像された訓練用入力画像を選択し、
入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに対して、前記訓練用入力画像と病巣箇所とを関連付けた第２の訓練データを用いて第２の訓練を行なう
処理をコンピュータに実行させることを特徴とする訓練プログラム。
【請求項5】
前記寄与の度合いが所定の閾値未満の撮像条件を前記訓練用の撮像条件から除外する
処理を前記コンピュータに実行させることを特徴とする請求項４に記載の訓練プログラム。
処理を前記コンピュータに実行させることを特徴とする請求項４に記載の訓練プログラム。
【請求項6】
前記寄与の度合いが上位の撮像条件を優先して前記訓練用の撮像条件に加える
処理を前記コンピュータに実行させることを特徴とする請求項４に記載の訓練プログラム。
処理を前記コンピュータに実行させることを特徴とする請求項４に記載の訓練プログラム。
【請求項7】
それぞれ異なる撮像条件で被験者を撮像して得られた複数の訓練用画像と当該被験者の病名とを関連付けた訓練データを用いて生成された、異なる撮像条件で診断対象の被験者を撮像して得られた複数の入力画像の入力に応じて当該診断対象の被験者の病名の推定結果および前記撮像条件毎の前記複数の入力画像それぞれの推定への寄与の度合を出力する第１のモデルに、判定対象の複数の入力画像を入力し、
前記判定対象の複数の入力画像の中から、前記寄与の度合に基づいて選択された推定用の撮像条件で撮像された入力画像を選択し、
入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに、前記推定用の撮像条件で撮像された入力画像を入力し、
前記第２のモデルの出力結果に基づいて特定される病巣箇所の推定結果を出力する
処理を実行する制御部を備えることを特徴とする情報処理装置。
前記判定対象の複数の入力画像の中から、前記寄与の度合に基づいて選択された推定用の撮像条件で撮像された入力画像を選択し、
入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに、前記推定用の撮像条件で撮像された入力画像を入力し、
前記第２のモデルの出力結果に基づいて特定される病巣箇所の推定結果を出力する
処理を実行する制御部を備えることを特徴とする情報処理装置。
【請求項8】
それぞれ異なる撮像条件で診断対象の被験者を撮像して得られた複数の入力画像の入力に応じて当該診断対象の被験者の病名の推定結果および前記撮像条件毎の前記複数の入力画像それぞれの推定への寄与の度合を出力する第１のモデルに対して、それぞれ異なる撮像条件で被験者を撮像して得られた複数の訓練用画像と、当該被験者の病名とを関連付けた第１の訓練データを用いて第１の訓練を行ない、
前記複数の訓練用画像の中から、前記第１のモデルが前記複数の訓練用画像の入力に応じて出力した前記撮像条件毎の前記複数の訓練用画像それぞれの推定への寄与の度合に基づいて、当該寄与の度合に基づいて選択された訓練用の撮像条件で撮像された訓練用入力画像を選択し、
入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに対して、前記訓練用入力画像と病巣箇所とを関連付けた第２の訓練データを用いて第２の訓練を行なう
処理を実行する制御部を備えることを特徴とする情報処理装置。
前記複数の訓練用画像の中から、前記第１のモデルが前記複数の訓練用画像の入力に応じて出力した前記撮像条件毎の前記複数の訓練用画像それぞれの推定への寄与の度合に基づいて、当該寄与の度合に基づいて選択された訓練用の撮像条件で撮像された訓練用入力画像を選択し、
入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに対して、前記訓練用入力画像と病巣箇所とを関連付けた第２の訓練データを用いて第２の訓練を行なう
処理を実行する制御部を備えることを特徴とする情報処理装置。
【請求項9】
それぞれ異なる撮像条件で被験者を撮像して得られた複数の訓練用画像と当該被験者の病名とを関連付けた訓練データを用いて生成された、異なる撮像条件で診断対象の被験者を撮像して得られた複数の入力画像の入力に応じて当該診断対象の被験者の病名の推定結果および前記撮像条件毎の前記複数の入力画像それぞれの推定への寄与の度合を出力する第１のモデルに、判定対象の複数の入力画像を入力し、
前記判定対象の複数の入力画像の中から、前記寄与の度合に基づいて選択された推定用の撮像条件で撮像された入力画像を選択し、
入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに、前記推定用の撮像条件で撮像された入力画像を入力し、
前記第２のモデルの出力結果に基づいて特定される病巣箇所の推定結果を出力する
処理をコンピュータが実行することを特徴とする画像診断支援方法。
前記判定対象の複数の入力画像の中から、前記寄与の度合に基づいて選択された推定用の撮像条件で撮像された入力画像を選択し、
入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに、前記推定用の撮像条件で撮像された入力画像を入力し、
前記第２のモデルの出力結果に基づいて特定される病巣箇所の推定結果を出力する
処理をコンピュータが実行することを特徴とする画像診断支援方法。
【請求項10】
それぞれ異なる撮像条件で診断対象の被験者を撮像して得られた複数の入力画像の入力に応じて当該診断対象の被験者の病名の推定結果および前記撮像条件毎の前記複数の入力画像それぞれの推定への寄与の度合を出力する第１のモデルに対して、それぞれ異なる撮像条件で被験者を撮像して得られた複数の訓練用画像と、当該被験者の病名とを関連付けた第１の訓練データを用いて第１の訓練を行ない、
前記複数の訓練用画像の中から、前記第１のモデルが前記複数の訓練用画像の入力に応じて出力した前記撮像条件毎の前記複数の訓練用画像それぞれの推定への寄与の度合に基づいて、当該寄与の度合に基づいて選択された訓練用の撮像条件で撮像された訓練用入力画像を選択し、
入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに対して、前記訓練用入力画像と病巣箇所とを関連付けた第２の訓練データを用いて第２の訓練を行なう
処理をコンピュータが実行することを特徴とする訓練方法。
前記複数の訓練用画像の中から、前記第１のモデルが前記複数の訓練用画像の入力に応じて出力した前記撮像条件毎の前記複数の訓練用画像それぞれの推定への寄与の度合に基づいて、当該寄与の度合に基づいて選択された訓練用の撮像条件で撮像された訓練用入力画像を選択し、
入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに対して、前記訓練用入力画像と病巣箇所とを関連付けた第２の訓練データを用いて第２の訓練を行なう
処理をコンピュータが実行することを特徴とする訓練方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、画像診断支援プログラム，訓練プログラム，情報処理装置，画像診断支援方法および訓練方法に関する。
【背景技術】
【0002】
近年、患者の病巣箇所の特定を行なうために、脳ＭＲＩ（Magnetic Resonance Imaging）やＣＴ（Computed Tomography）灌流等の医用画像を撮影し、これらの医用画像に対して、ディープラーニングを用いた読影診断が行なわれている。
【0003】
また、これらの医用画像の撮影においては、撮像プロトコル（撮像条件）を切り替えることで、撮像に用いられるパラメータが変更され、強調される体組織（水、脂肪，骨等）のパターンが異なるものとなる。
【0004】
例えば、脳ＭＲＩにおいては、FLAIR, MRA, DWI, ADC, T1, T1強調, T2, T2*等の撮像プロトコルが知られている。そして、同一の部位（例えば、頭部）を撮像する場合においても、撮像プロトコルを切り替えることで、医用画像中の病巣（病変）の見えやすさが変化する。
【0005】
そのため、撮像プロトコルによって、病気の種類に応じて医用画像中に病変を見つけやすい場合と見つけにくい場合とがある。これにより、読影診断に使用される撮像プロトコルは病気に応じて異なるものとなる。特定の撮像プログラムで撮影された医用画像中に病巣（病変）を見つけにくい場合に、当該撮像プロトコルは読影診断に使用する効果が小さいといってもよく、または、当該撮像プロトコルは読影診断への寄与が少ないといってもよい。
【0006】
一種類の病気の診断にのみ用いる目的で読影診断を行なうのであれば、特定の撮像プロトコルを選択して用いればよいが、患者が複数の病気を併発していることが多々ある。そのため、読影診断を行なう場合には、推論に使用する医用画像に特定の撮像プロトコルを限定して用いることは、病気の見落としを防止する観点から望ましくない。
【0007】
従って、従来のディープラーニングを用いた読影診断においては、複数の撮像プロトコルにより撮影された全ての画像データを用いて機械学習および推論を行なう。
【先行技術文献】
【特許文献】
【0008】
【特許文献1】特開２０１８－１７５３４３号公報
【特許文献2】特開２０１９－８２８８１号公報
【特許文献3】米国特許第１０３１１５６６号明細書
【非特許文献】
【0009】
【非特許文献1】Love, Askell & Siemund, Roger & Andsberg, Gunnar & Cronqvist, Mats & Holtas, Stig & Bjorkman-Burtscher, Isabella. (2011)., "Comprehensive CT Evaluation in Acute Ischemic Stroke: Impact on Diagnosis and Treatment Decisions.", Stroke research and treatment. 2011. 726573. 10.4061/2011/726573
【発明の概要】
【発明が解決しようとする課題】
【0010】
しかしながら、上述の如く、撮像プロトコルによって、病気の種類に応じて医用画像中に病変を見つけやすい場合と見つけにくい場合とがある。そのため、従来のディープラーニングを用いた読影診断においては、特定の病気の読影診断に寄与が少ない撮像プロトコルの医用画像を使用することで、推論（予測）の精度が低下する場合がある。
１つの側面では、本発明は、推論の精度を向上できるようにすることを目的とする。
１つの側面では、本発明は、推論の精度を向上できるようにすることを目的とする。
【課題を解決するための手段】
【0011】
このため、この画像診断支援プログラムは、それぞれ異なる撮像条件で被験者を撮像して得られた複数の訓練用画像と当該被験者の病名とを関連付けた訓練データを用いて生成された、異なる撮像条件で診断対象の被験者を撮像して得られた複数の入力画像の入力に応じて当該診断対象の被験者の病名の推定結果および前記撮像条件毎の前記複数の入力画像それぞれの推定への寄与の度合を出力する第１のモデルに、判定対象の複数の入力画像を入力し、前記判定対象の複数の入力画像の中から、前記寄与の度合に基づいて選択された推定用の撮像条件で撮像された入力画像を選択し、入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに、前記推定用の撮像条件で撮像された入力画像を入力し、前記第２のモデルの出力結果に基づいて特定される病巣箇所の推定結果を出力する。
【発明の効果】
【0012】
一実施形態によれば、推論の精度を向上させることができる。
【図面の簡単な説明】
【0013】
【図1】実施形態の一例としての読影診断支援システムのハードウェア構成を例示する図である。
【図2】実施形態の一例としての読影診断支援システムの機能構成を例示する図である。
【図3】実施形態の一例としての読影診断支援システムの第１訓練処理部および第２訓練処理部による訓練フェーズの処理を説明するための図である。
【図4】実施形態の一例としての読影診断支援システムにおける撮像プロトコル毎の特徴量の抽出方法を説明するための図である。
【図5】実施形態の一例としての読影診断支援システムの第１推論処理部および第２推論処理部による推論フェーズの処理を説明するための図である。
【図6】実施形態の一例としての読影診断支援システムにおける訓練フェーズにおける処理を説明するためのフローチャートである。
【図7】実施形態の一例としての読影診断支援システムにおける教師データを例示する図である。
【図8】実施形態の一例としての読影診断支援システムにおける推論フェーズにおける処理を説明するためのフローチャートである。
【図9】実施形態の一例としての読影診断支援システムにおける推論の対象となる診断画像データセットを例示する図である。
【発明を実施するための形態】
【0014】
以下、図面を参照して本画像診断支援プログラム，訓練プログラム，情報処理装置，画像診断支援方法および訓練方法にかかる実施の形態を説明する。ただし、以下に示す実施形態はあくまでも例示に過ぎず、実施形態で明示しない種々の変形例や技術の適用を排除する意図はない。すなわち、本実施形態を、その趣旨を逸脱しない範囲で種々変形して実施することができる。また、各図は、図中に示す構成要素のみを備えるという趣旨ではなく、他の機能等を含むことができる。
（Ａ）構成
（Ａ）構成
【0015】
本発明の一実施形態としての読影診断支援システム１は、医用画像の読影を行なう医師（読影医）を支援するものであり、医用画像において病巣の可能性が高い箇所や悪性度を読影医に提示する。具体的には、本読影診断支援システム１は、診断対象の被験者から撮影された画像データ（診断画像データセット）に対して、病巣の箇所を推論（推定）し、当該病巣の推定箇所（病巣箇所）を示す情報を出力する。被験者には患者が含まれる。
読影医は、読影診断支援システム１によって提示される情報に基づき、患者に対する診断等を行なう。
図１は実施形態の一例としての読影診断支援システム１のハードウェア構成を例示する図、図２はその機能構成を例示する図である。
読影医は、読影診断支援システム１によって提示される情報に基づき、患者に対する診断等を行なう。
図１は実施形態の一例としての読影診断支援システム１のハードウェア構成を例示する図、図２はその機能構成を例示する図である。
【0016】
本読影診断支援システム１は、図１に示すように、推論サーバ１０を備える。推論サーバ１０には、ＭＲＩやＣＴ等の医療機器によって撮影された医用画像が入力される。
【0017】
医療機器においては、撮像条件（撮像プロトコル）を切り替えて被験者（の臓器や患部）を撮影することで、被験者から複数種類の医用画像（画像データ）を生成する。医療機器によって撮影された医用画像は、例えば、図示しないネットワークを介して、ファイル転送によって推論サーバ１０に入力されてもよく、適宜変更して実施することができる。
【0018】
医師は、ネットワークを介して接続されたＰＣ（Personal Computer）等の情報処理装置を用いて、推論サーバ１０にＧＵＩ（Graphical User Interface）アクセスし、各種入力操作を行なう。
【0019】
推論サーバ１０は、コンピュータ（情報処理装置）であって、図１に示すように、例えば、プロセッサ１１，メモリ１２，記憶装置１３，グラフィック処理装置１４，入力インタフェース１５，光学ドライブ装置１６，機器接続インタフェース１７およびネットワークインタフェース１８を構成要素として有する。これらの構成要素１１～１８は、バス１９を介して相互に通信可能に構成される。
【0020】
プロセッサ（制御部）１１は、推論サーバ１０全体を制御する。プロセッサ１１は、マルチプロセッサであってもよい。プロセッサ１１は、例えばＣＰＵ，ＭＰＵ（Micro Processing Unit），ＤＳＰ（Digital Signal Processor），ＡＳＩＣ（Application Specific Integrated Circuit），ＰＬＤ（Programmable Logic Device），ＦＰＧＡ（Field Programmable Gate Array），ＧＰＵ（Graphics Processing Unit）のいずれか一つであってもよい。また、プロセッサ１１は、ＣＰＵ，ＭＰＵ，ＤＳＰ，ＡＳＩＣ，ＰＬＤ，ＦＰＧＡ，ＧＰＵのうちの２種類以上の要素の組み合わせであってもよい。
【0021】
そして、プロセッサ１１が例えばコンピュータ読み取り可能な非一時的な記録媒体に記録されたプログラム（画像診断支援プログラム，訓練プログラム，ＯＳプログラム）を実行することにより、図２に例示する、第１訓練処理部１０１，第１ニューラルネットワーク１０２，訓練情報選択部１０３，第２訓練処理部１０４，第２ニューラルネットワーク１０５，第１推論処理部１０６，推論情報選択部１０７，第２推論処理部１０８，出力処理部１０９および画像データベース１１０としての機能が実現される。
【0022】
推論サーバ１０に実行させる処理内容を記述したプログラムは、様々な記録媒体に記録しておくことができる。例えば、推論サーバ１０に実行させるプログラムを記憶装置１３に格納しておくことができる。プロセッサ１１は、記憶装置１３内のプログラムの少なくとも一部をメモリ１２にロードし、ロードしたプログラムを実行する。
【0023】
また、推論サーバ１０（プロセッサ１１）に実行させるプログラムを、光ディスク１６ａ，メモリ装置１７ａ，メモリカード１７ｃ等の非一時的な可搬型記録媒体に記録しておくこともできる。可搬型記録媒体に格納されたプログラムは、例えばプロセッサ１１からの制御により、記憶装置１３にインストールされた後、実行可能になる。また、プロセッサ１１が、可搬型記録媒体から直接プログラムを読み出して実行することもできる。
【0024】
メモリ１２は、ＲＯＭ（Read Only Memory）およびＲＡＭ（Random Access Memory）を含む記憶メモリである。メモリ１２のＲＡＭは推論サーバ１０の主記憶装置として使用される。ＲＡＭには、プロセッサ１１に実行させる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、メモリ１２には、プロセッサ１１による処理に必要な各種データが格納される。
【0025】
記憶装置１３は、ハードディスクドライブ（Hard Disk Drive：ＨＤＤ）、ＳＳＤ（Solid State Drive）、ストレージクラスメモリ（Storage Class Memory：ＳＣＭ）等の記憶装置であって、種々のデータを格納するものである。記憶装置１３は、推論サーバ１０の補助記憶装置として使用される。
【0026】
記憶装置１３には、ＯＳプログラム，制御プログラムおよび各種データが格納される。制御プログラムには画像診断支援プログラムや訓練プログラムが含まれる。
【0027】
なお、補助記憶装置としては、ＳＣＭやフラッシュメモリ等の半導体記憶装置を使用することもできる。また、複数の記憶装置１３を用いてＲＡＩＤ（Redundant Arrays of Inexpensive Disks）を構成してもよい。
【0028】
グラフィック処理装置１４には、モニタ１４ａが接続されている。グラフィック処理装置１４は、プロセッサ１１からの命令に従って、画像をモニタ１４ａの画面に表示させる。モニタ１４ａとしては、ＣＲＴ（Cathode Ray Tube）を用いた表示装置や液晶表示装置等が挙げられる。
【0029】
入力インタフェース１５には、キーボード１５ａおよびマウス１５ｂが接続されている。入力インタフェース１５は、キーボード１５ａやマウス１５ｂから送られてくる信号をプロセッサ１１に送信する。なお、マウス１５ｂは、ポインティングデバイスの一例であり、他のポインティングデバイスを使用することもできる。他のポインティングデバイスとしては、タッチパネル，タブレット，タッチパッド，トラックボール等が挙げられる。
【0030】
光学ドライブ装置１６は、レーザ光等を利用して、光ディスク１６ａに記録されたデータの読み取りを行なう。光ディスク１６ａは、光の反射によって読み取り可能にデータを記録された可搬型の非一時的な記録媒体である。光ディスク１６ａには、ＤＶＤ（Digital Versatile Disc），ＤＶＤ－ＲＡＭ，ＣＤ－ＲＯＭ（Compact Disc Read Only Memory），ＣＤ－Ｒ（Recordable）／ＲＷ（ReWritable）等が挙げられる。
【0031】
機器接続インタフェース１７は、推論サーバ１０に周辺機器を接続するための通信インタフェースである。例えば、機器接続インタフェース１７には、メモリ装置１７ａやメモリリーダライタ１７ｂを接続することができる。メモリ装置１７ａは、機器接続インタフェース１７との通信機能を搭載した非一時的な記録媒体、例えばＵＳＢ（Universal Serial Bus）メモリである。メモリリーダライタ１７ｂは、メモリカード１７ｃへのデータの書き込み、またはメモリカード１７ｃからのデータの読み出しを行なう。メモリカード１７ｃは、カード型の非一時的な記録媒体である。
【0032】
ネットワークインタフェース１８は、ネットワークに接続される。ネットワークインタフェース１８は、ネットワークを介してデータの送受信を行なう。ネットワークには他の情報処理装置や通信機器等が接続されてもよい。例えば、推論サーバ１０は、ネットワークインタフェース１８およびネットワークを介して医療機器に接続され、この医療機器から、ファイル転送で医用画像を受信してもよい。
【0033】
また、推論サーバ１０は、ネットワークインタフェース１８およびネットワークを介して、医用画像を記憶するデータベースシステムに接続され、このデータベースシステムから医用画像を受信してもよい。
【0034】
推論サーバ１０は、図２に示すように、第１訓練処理部１０１，第１ニューラルネットワーク１０２，訓練情報選択部１０３，第２訓練処理部１０４，第２ニューラルネットワーク１０５，第１推論処理部１０６，推論情報選択部１０７，第２推論処理部１０８，出力処理部１０９および画像データベース１１０としての機能を備える。
【0035】
本読影診断支援システム１においては、プロセッサ１１が訓練プログラムを実行することで、第１訓練処理部１０１，訓練情報選択部１０３および第２訓練処理部１０４としての機能が実現される。これらの第１訓練処理部１０１，訓練情報選択部１０３および第２訓練処理部１０４は、訓練フェーズにおいて機能する。
【0036】
また、プロセッサ１１が画像診断支援プログラムを実行することで、第１推論処理部１０６，推論情報選択部１０７，第２推論処理部１０８および出力処理部１０９としての機能が実現される。これらの第１推論処理部１０６，推論情報選択部１０７，第２推論処理部１０８および出力処理部１０９は、推論フェーズにおいて機能する。
また、画像データベース１１０には、訓練フェーズおよび推論フェーズにおいて用いられる医用画像や教師データ等が記憶される。
また、画像データベース１１０には、訓練フェーズおよび推論フェーズにおいて用いられる医用画像や教師データ等が記憶される。
【0037】
第１訓練処理部１０１は、訓練フェーズにおいて第１ニューラルネットワーク１０２の訓練（機械学習）を行なう。第１ニューラルネットワーク１０２をＮＮ＃１と表す場合がある。
第１ニューラルネットワーク１０２は、被験者が罹患している病気を分類する機械学習モデル（第1のモデル）を実現する。
第１ニューラルネットワーク１０２は、被験者が罹患している病気を分類する機械学習モデル（第1のモデル）を実現する。
【0038】
第１ニューラルネットワーク１０２は、一人の被験者から複数種類の撮像条件（撮像プロトコル）で撮影された複数の画像データ（診断画像データセット）を入力として推論を行ない、当該被験者が罹患していると推論した病名の情報（被験者の病名の推定結果）と、当該推論の過程で算出した撮像プロトコル毎の特徴量の絶対値とを出力する。
【0039】
第１訓練処理部１０１は、それぞれ異なる撮像条件（撮像プロトコル）で被験者を撮像して得られた第１訓練画像データセット（複数の訓練用画像）と当該被験者の病名（罹患病名情報）とを関連付けた訓練データ（教師データ）を用いて第１ニューラルネットワーク１０２を生成する。
【0040】
そして、第１訓練処理部１０１は、第１ニューラルネットワーク１０２に対して、それぞれ異なる撮像プロトコル（撮像条件）で被験者を撮像して得られた第１訓練画像データセット（複数の訓練用画像）と、当該被験者の罹患病名情報（病名）とを関連付けた第１の訓練データセット（第１の訓練データ）を用いて機械学習（訓練，第１の訓練）を行なう。
【0041】
第１ニューラルネットワーク１０２は、ハードウェア回路であってもよいし、プロセッサ１１によりコンピュータプログラム上で仮想的に構築される階層間を接続するソフトウェアによる仮想的なネットワークであってもよい。機械学習モデルには、例えば、畳み込み層を持つニューラルネットワークを用いたディープラーニングを用いてもよい。
【0042】
図３は実施形態の一例としての読影診断支援システム１の第１訓練処理部１０１および第２訓練処理部１０４による訓練フェーズの処理を説明するための図である。
【0043】
図３中において、符号Ａは第１ニューラルネットワーク１０２の訓練に用いられる第１の訓練データセットを示す。この符号Ａに例示する第１の訓練データセットは、一人の被験者から生成される情報であって、入力データ（符号Ａ１参照）と正解データ（符号Ａ２参照）とを備える。本読影診断支援システム１においては、この符号Ａに例示する第１の訓練データセットを、複数の患者のそれぞれについて生成する。
第１の訓練データセットに含まれる入力データは、患者を複数種類の撮像プロトコルで撮影して得られる複数の画像データ（医用画像）である。
第１の訓練データセットに含まれる入力データは、患者を複数種類の撮像プロトコルで撮影して得られる複数の画像データ（医用画像）である。
【0044】
第１の訓練データセットには、医用画像の提供元の被験者一人あたりで、なるべく多くの種類の撮像プロトコルで撮影された画像データを用いることが望ましい。そこで、本読影診断支援システム１においては、複数の画像データとして、医療機器を用いて患者から得られる、全ての撮像プロトコルの画像データが用いられる。
【0045】
以下、第１の訓練データセットに含まれる、一人の被験者に対して複数種類の撮像プロトコルで撮影することで得られる複数の画像データを、第１訓練画像データセットという場合がある。第１訓練画像データセットは、訓練フェーズにおいて第１ニューラルネットワーク１０２への入力データとして用いられ、この第１ニューラルネットワーク１０２の訓練に用いられる。
【0046】
第１訓練処理部１０１は、第１訓練画像データセットを第１ニューラルネットワーク１０２へ入力して、この入力データに対する推論結果を出力する機械学習モデル（第１ニューラルネットワーク１０２）を機械学習によって作成する。
【0047】
また、第１の訓練データセットに含まれる正解データは、当該被験者が実際に罹患している病気の病名を示す罹患病名情報である。この罹患病名情報は、当該被験者に対して医師により診断された病名を示す。
【0048】
図３中において、符号Ｂは第１ニューラルネットワーク１０２から出力される第１の訓練出力情報を示す。第１の訓練出力情報は、予測病名情報（図３の符号Ｂ１参照）と、撮像プロトコル毎に算出した特徴量情報（図３の符号Ｂ２参照）とを備える。
予測病名情報は、被験者の画像データから推論される、当該被験者が罹患していると推論される病名を示す情報である。
予測病名情報は、被験者の画像データから推論される、当該被験者が罹患していると推論される病名を示す情報である。
【0049】
第１ニューラルネットワーク１０２は、第１訓練画像データセットが入力されると、当該第１訓練画像データセットから病名を推論し、予測病名情報を出力する。
【0050】
第１訓練処理部１０１は、例えば、勾配降下法を用いて、訓練データに対する機械学習モデル（第１ニューラルネットワーク１０２）の推論結果（予測病名情報）と正解データ（罹患病名情報）との誤差を定義した損失関数を小さくする方向に、ニューラルネットワークのパラメータ等を更新することによって、パラメータ等の最適化を行なってもよい。
【0051】
また、第１ニューラルネットワーク１０２は、複数の畳み込み層を備え、第１訓練画像データセットを構成する撮像プロトコルが異なる複数の画像データに対して、撮像プロトコル毎に特徴量の抽出を行なう。
【0052】
第１ニューラルネットワーク１０２は、少なくとも、第１訓練画像データセットにおける撮像プロトコルの数に対応する数の畳み込み層を備える。各畳み込み層は、対応する撮像プロトコルの画像データの特徴量をそれぞれ算出する。
【0053】
第１ニューラルネットワーク１０２は、算出した撮像プロトコル毎の画像データの特徴量の絶対値を出力する。以下、便宜上、撮像プロトコル毎の画像データの特徴量の絶対値を、単に撮像プロトコル毎の特徴量という場合がある。
各畳み込み層がそれぞれ算出する撮像プロトコル毎の特徴量は、前述した第１ニューラルネットワーク１０２による病名の推定の過程で算出されるものである。
図４は実施形態の一例としての読影診断支援システム１における撮像プロトコル毎の特徴量の抽出方法を説明するための図である。
各畳み込み層がそれぞれ算出する撮像プロトコル毎の特徴量は、前述した第１ニューラルネットワーク１０２による病名の推定の過程で算出されるものである。
図４は実施形態の一例としての読影診断支援システム１における撮像プロトコル毎の特徴量の抽出方法を説明するための図である。
【0054】
図４に示す例においては、T2ce，T2，FLAIRおよびT1の４種類の撮像プロトコルで撮影された4枚の画像データを備える第１訓練画像データセットが示されている。そして、この図４においては、この第１訓練画像データセットを構成する画像データのそれぞれから特徴量を算出する過程が示されている（図４の符号Ａ参照）。
【0055】
この図４においては、第１ニューラルネットワーク１０２が、特徴プロトコルT2ceに対応させて備えられた畳み込み層conv_p1と、特徴プロトコルT2に対応させて備えられた畳み込み層conv_p2と、特徴プロトコルFLAIRに対応させて備えられた畳み込み層conv_p3と、特徴プロトコルT1に対応させて備えられた畳み込み層conv_p4とを示している。
【0056】
第１ニューラルネットワーク１０２においては、畳み込み層conv_p1が、特徴プロトコルT2ceの画像データに基づいて特徴量（p1の特徴量）を算出する。同様に、畳み込み層conv_p2が、特徴プロトコルT2の画像データに基づいて特徴量（p2の特徴量）を算出する。また、畳み込み層conv_p3が、特徴プロトコルFLAIRの画像データに基づいて特徴量（p3の特徴量）を算出し、畳み込み層conv_p4が、特徴プロトコルT1の画像データに基づいて特徴量（p4の特徴量）を算出する。
図４においては、各畳み込み層conv_p1～conv_p4がそれぞれ算出した撮像プロトコル毎の特徴量をグラフで示している（図４の符号Ｂ参照）。
図４においては、各畳み込み層conv_p1～conv_p4がそれぞれ算出した撮像プロトコル毎の特徴量をグラフで示している（図４の符号Ｂ参照）。
【0057】
第１訓練処理部１０１は、第１ニューラルネットワーク１０２の各畳み込み層が第１訓練画像データセットに基づいて算出した、撮像プロトコル毎の特徴量を、メモリ１２や記憶装置１３等の所定の記憶領域に記憶させる。
この際、第１訓練処理部１０１は、各畳み込み層がそれぞれ算出した撮像プロトコル毎の特徴量を、値に応じてソートしてもよい。
この際、第１訓練処理部１０１は、各畳み込み層がそれぞれ算出した撮像プロトコル毎の特徴量を、値に応じてソートしてもよい。
【0058】
図３の符号Ｂ２は、撮像プロトコル毎に算出した特徴量情報の表示例を示しており、特徴量の値（情報量）が大きい順に撮像プロトコルのプロトコル名を並べた一覧を例示している。
【0059】
各畳み込み層conv_p1～conv_p4がそれぞれ算出した撮像プロトコル毎の特徴量は、前述した第１ニューラルネットワーク１０２による病名の推定に用いられる。
【0060】
図３に示す例においては、第１ニューラルネットワーク１０２は、全ての撮像プロトコルの画像データを入力として、その患者のかかっている病気の病名の一覧と、これらの病名の推論の過程で算出した特徴量の値が大きい撮像プロトコルの一覧とを出力している。
【0061】
撮像プロトコル毎の特徴量は、対応する撮像プロトコルによる画像の特徴が、推論に対してどれだけ寄与したかを特定できる情報に相当する。特徴量の値が大きい撮像プロトコルは、当該撮像プロトコルが、画像データ中における病気の特徴を大きく抽出できたことを示す。
なお、第１ニューラルネットワーク１０２は、特徴プロトコル毎に算出した特徴量の値を出力してもよい。
なお、第１ニューラルネットワーク１０２は、特徴プロトコル毎に算出した特徴量の値を出力してもよい。
【0062】
第１ニューラルネットワーク１０２は、異なる撮像条件（撮像プロトコル）で診断対象の被験者を撮像して得られた複数の入力画像の入力に応じて当該診断対象の被験者の病名の推定結果（予測病名情報）および前記撮像条件毎の前記複数の入力画像それぞれの推定への寄与の度合（特徴量）を出力する第１のモデルに相当する。
【0063】
訓練情報選択部１０３は、前述した第１の訓練データセットに含まれる第１訓練画像データセットの中から、第２訓練処理部１０４が第２ニューラルネットワーク１０５の訓練を行なう際に用いる訓練用データを選択する。以下、第２ニューラルネットワーク１０５の訓練に用いられる１つ以上の画像データを第２訓練画像データセットという。
【0064】
訓練情報選択部１０３は、第１ニューラルネットワーク１０２が第１訓練画像データセット（複数の訓練用画像）の入力に応じて出力した撮像プロトコル（撮像条件）毎の複数の訓練用画像それぞれの特徴量（推定への寄与の度合）に基づいて、訓練に用いる撮像プロトコル（訓練用の撮像条件）を決定する。
【0065】
そして、訓練情報選択部１０３は、第１訓練画像データセット（複数の訓練用画像）の中から、特徴量に基づいて選択した撮像プロトコル（訓練用の撮像条件）で撮像された第２の訓練画像データセット（訓練用入力画像）を選択する。
【0066】
例えば、訓練情報選択部１０３は、第１ニューラルネットワーク１０２によって算出された撮像プロトコル毎の特徴量に基づいて、第１訓練画像データセットの中から、例えば、特徴量が所定の閾値未満の撮像プロトコルの画像データを除外し、特徴量が所定の閾値以上の画像データのみを第２訓練画像データセットとする。
【0067】
第２訓練画像データセットから特徴量が所定の閾値未満の撮像プロトコルの画像データを除外することで、第２ニューラルネットワーク１０５の訓練に、特徴量が低い（すなわち、読影診断への寄与が少ない）撮像プロトコルの画像データが使用されることが抑制される。
【0068】
また、訓練情報選択部１０３は、特徴量の値に応じて撮像プロトコルをソートし、特徴量の値が大きいものから順に上位の所定数の撮像プロトコルを選択し、第１訓練画像データセットの中から、これらの撮像プロトコルで撮影された画像データを選択して第２訓練画像データセットとしてもよい。
訓練情報選択部１０３は、作成した第２訓練画像データセットをメモリ１２や記憶装置１３等の所定の記憶領域に記憶させる。
訓練情報選択部１０３は、作成した第２訓練画像データセットをメモリ１２や記憶装置１３等の所定の記憶領域に記憶させる。
【0069】
第２訓練処理部１０４は、訓練フェーズにおいて第２ニューラルネットワーク１０５の訓練（機械学習）を行なう。第２ニューラルネットワーク１０５をＮＮ＃２と表す場合がある。
【0070】
第２ニューラルネットワーク１０５は、被験者から撮影された医用画像データから、病巣の箇所を推論する機械学習モデル（第２のモデル）を実現する。第２ニューラルネットワーク１０５は、ハードウェア回路であってもよいし、プロセッサ１１によりコンピュータプログラム上で仮想的に構築される階層間を接続するソフトウェアによる仮想的なネットワークであってもよい。機械学習モデルには、例えば、ニューラルネットワークを用いたディープラーニングを用いてもよい。
【0071】
図３中において、符号Ｃは第２ニューラルネットワーク１０５の訓練に用いられる第２の訓練データセットを示す。この符号Ｃに例示する第２の訓練データセットは、一人の被験者から生成される情報であって、入力データ（図３の符号Ｃ１参照）と正解データ（図３の符号Ｃ２参照）とを備える。本読影診断支援システム１においては、この符号Ｃに例示する第２の訓練データセットを、複数の被験者のそれぞれについて生成する。
第２の訓練データセットに含まれる入力データは、訓練情報選択部１０３によって選択された第２訓練画像データセットである（図３の符号Ｃ１参照）。
第２の訓練データセットに含まれる入力データは、訓練情報選択部１０３によって選択された第２訓練画像データセットである（図３の符号Ｃ１参照）。
【0072】
第２訓練画像データセットは、訓練フェーズにおいて第２ニューラルネットワーク１０５への入力データとして用いられ、この第２ニューラルネットワーク１０５の訓練に用いられる。
【0073】
第２訓練処理部１０４は、第２訓練画像データセットを第２ニューラルネットワーク１０５へ入力して、この入力データに対する推論結果を出力する機械学習モデル（第２ニューラルネットワーク１０５）を機械学習によって作成する。
【0074】
そして、第２訓練処理部１０４は、第２ニューラルネットワーク（第２のモデル）１０５に対して、第２の訓練画像データセット（訓練用入力画像）と病巣箇所（病巣の正解データ）とを関連付けた第２の訓練データセット（第２の訓練データ）を用いて機械学習（訓練，第２の訓練）を行なう。
【0075】
また、第２の訓練データセットに含まれる正解データは、当該被験者が実際にかかっている病気の病巣の位置を示す病巣位置情報である（図３の符号Ｃ２参照）。この病巣位置情報は、当該被験者から撮影された医用画像データにおいて医師により予め特定された病巣箇所を示す。
図３中において、符号Ｄは第２ニューラルネットワーク１０５から出力される第２の訓練出力情報を示す。
図３中において、符号Ｄは第２ニューラルネットワーク１０５から出力される第２の訓練出力情報を示す。
【0076】
第２ニューラルネットワーク１０５は、第２訓練画像データセットが入力されると、当該第１訓練画像データセットから病巣の箇所を推論し、当該病巣の予測箇所を示す情報（出力画像データ）を出力する。
図３において、符号Ｄに例示する第２の訓練出力情報は、病巣箇所の予測値を医用画像に反映させることで視覚化した出力画像データを示す。
図３において、符号Ｄに例示する第２の訓練出力情報は、病巣箇所の予測値を医用画像に反映させることで視覚化した出力画像データを示す。
【0077】
第２ニューラルネットワーク１０５によって推論される病巣の箇所の情報を予測病巣箇所情報といってもよい。
【0078】
第２訓練処理部１０４は、第２ニューラルネットワーク１０５に病巣個所の特定を行なわせる。
第２訓練処理部１０４は、第２ニューラルネットワーク１０５が特定した病床箇所と正解との誤差（ズレ）を見て、この誤差が小さくなるように、第２ニューラルネットワーク１０５のパラメータを更新する。
第２訓練処理部１０４は、第２ニューラルネットワーク１０５が特定した病床箇所と正解との誤差（ズレ）を見て、この誤差が小さくなるように、第２ニューラルネットワーク１０５のパラメータを更新する。
【0079】
第２訓練処理部１０４は、このような、第２ニューラルネットワーク１０５による病巣個所の特定と、特定結果と正解とのズレに基づく第２ニューラルネットワーク１０５のパラメータの更新と繰り返し行なうことで、第２ニューラルネットワーク１０５の精度を向上させる。
【0080】
第２訓練処理部１０４は、作成した予測病巣箇所情報をメモリ１２や記憶装置１３等の所定の記憶領域に記憶させる。
【0081】
第１推論処理部１０６は、推論フェーズにおいて、診断対象の患者（被験者）から撮影された複数の画像データ（診断画像データセット）を第１ニューラルネットワーク１０２へ入力し、この第１ニューラルネットワーク１０２が出力する推論結果を得る。
図５は実施形態の一例としての読影診断支援システム１の第１推論処理部１０６および第２推論処理部１０８による推論フェーズの処理を説明するための図である。
図５は実施形態の一例としての読影診断支援システム１の第１推論処理部１０６および第２推論処理部１０８による推論フェーズの処理を説明するための図である。
【0082】
図５中において、符号Ａは第１ニューラルネットワーク１０２に入力される診断画像データセットを示す。この符号Ａに例示する診断画像データセットは、診断対象である一人の患者から生成される情報であって、当該患者を複数種類の撮像プロトコルで撮影することにより作成された複数の画像データを備える。これらの画像データはＭＲＩやＣＴ等の医療機器によって撮影される医用画像である。
【0083】
診断画像データセットを構成する複数の画像データは、本読影診断支援システム１において病巣の推定の対象である推論対象データに相当する。診断画像データセットは病巣等が未知の複数の画像データである。診断画像データセットを入力データといってもよい。
【0084】
診断画像データセットには、患者について、なるべく多くの種類の撮像プロトコルで撮影された画像データを用いることが望ましい。そこで、本読影診断支援システム１においては、診断画像データセットとして、本読影診断支援システム１において患者から取得可能な全ての撮像プロトコルの画像データが用いることが望ましい。
【0085】
第１推論処理部１０６は、診断画像データセットを第１ニューラルネットワーク１０２へ入力して、この入力データ（診断画像データセット）に対する推論結果を取得する。診断画像データセットを第１の推論データセットといってもよい。
図５中において、符号Ｂは推論フェーズにおいて第１ニューラルネットワーク１０２から出力される第１の推論出力情報を示す。
第１の推論出力情報は、予測病名情報（図５の符号Ｂ１参照）と、撮像プロトコル毎に算出した特徴量情報（図５の符号Ｂ２参照）とを備える。
第１ニューラルネットワーク１０２は、診断画像データセットが入力されると、当該診断画像データセットから病名を推論し、出力する。
図５中において、符号Ｂは推論フェーズにおいて第１ニューラルネットワーク１０２から出力される第１の推論出力情報を示す。
第１の推論出力情報は、予測病名情報（図５の符号Ｂ１参照）と、撮像プロトコル毎に算出した特徴量情報（図５の符号Ｂ２参照）とを備える。
第１ニューラルネットワーク１０２は、診断画像データセットが入力されると、当該診断画像データセットから病名を推論し、出力する。
【0086】
図５の符号Ｂ１に例示する予測病名情報は、病名に対して罹患しているかの判定結果が対応付けられている。例えば、脳梗塞および脳出血に対して判定に“1”が設定されており、患者が脳梗塞および脳出血に罹患していると推論されたことを示している。
【0087】
また、第１ニューラルネットワーク１０２は、推論フェーズにおいても、診断画像データセットを構成する撮像プロトコルが異なる複数の画像データに対して、撮像プロトコル毎に特徴量の絶対値の抽出（算出）を行なう。
【0088】
第１推論処理部１０６は、推論の過程において、第１ニューラルネットワーク１０２の各畳み込み層が第１訓練画像データセットに基づいて算出した、撮像プロトコル毎の特徴量を、メモリ１２や記憶装置１３等の所定の記憶領域に記憶させる。
この際、第１推論処理部１０６は、各畳み込み層がそれぞれ算出した撮像プロトコル毎の特徴量を、各値に応じてソートしてもよい。
図５の符号Ｂ２は、特徴量の値（情報量）が大きい順に撮像プロトコルのプロトコル名を並べた一覧を例示している。
撮像プロトコル毎に算出された各特徴量は、対応する撮像プロトコルで撮影された画像データの特徴が、推論に対してどれだけ寄与したかを表す。
この際、第１推論処理部１０６は、各畳み込み層がそれぞれ算出した撮像プロトコル毎の特徴量を、各値に応じてソートしてもよい。
図５の符号Ｂ２は、特徴量の値（情報量）が大きい順に撮像プロトコルのプロトコル名を並べた一覧を例示している。
撮像プロトコル毎に算出された各特徴量は、対応する撮像プロトコルで撮影された画像データの特徴が、推論に対してどれだけ寄与したかを表す。
【0089】
推論情報選択部１０７は、第１推論処理部１０６が算出した撮像プロトコル毎の特徴量に基づいて、前述した診断画像データセットの中から、第２推論処理部１０８が第２ニューラルネットワーク１０５に入力する推論用データ（入力データ）を選択する。以下、推論フェーズにおいて、第２ニューラルネットワーク１０５に入力される１つ以上の画像データを第２診断画像データセットという。
【0090】
推論情報選択部１０７は、第１推論処理部１０６が算出した撮像プロトコル毎の特徴量に基づいて、診断画像データセットを構成する複数の画像データを撮影するために用いられた複数種類の撮像プロトコルの中から、推論に用いる撮像プロトコルを選択する。
【0091】
すなわち、推論情報選択部１０７は、判定対象の複数の入力画像（診断画像データセット）の中から、特徴量（寄与の度合）に基づいて選択された推定用の撮像条件（推論に用いる撮像プロトコル）で撮像された入力画像（第２診断画像データセット）を選択する。第２診断画像データセットを、第２の推論データセットといってもよい。
図５中において、符号Ｃは推論情報選択部１０７によって選択された第２診断画像データセットを示す。
第２診断画像データセットは、第１ニューラルネットワーク１０２から出力される特徴量に基づいて選択された、特徴量の値が大きいと判断された撮像プロトコルの画像データの集合である。第２診断画像データセットは、推論に用いる撮像プロトコル（推定用の撮像条件）で撮像された入力画像に相当する。
図５中において、符号Ｃは推論情報選択部１０７によって選択された第２診断画像データセットを示す。
第２診断画像データセットは、第１ニューラルネットワーク１０２から出力される特徴量に基づいて選択された、特徴量の値が大きいと判断された撮像プロトコルの画像データの集合である。第２診断画像データセットは、推論に用いる撮像プロトコル（推定用の撮像条件）で撮像された入力画像に相当する。
【0092】
推論情報選択部１０７は、撮像プロトコル毎の特徴量に基づいて、特徴量の値が大きい撮像プロトコルを優先して選択する。例えば、特徴量が所定の閾値未満の撮像プロトコルを除外し、特徴量が閾値以上の撮像プロトコルのみを選択してもよい。また、推論情報選択部１０７は、特徴量の値が大きい順で上位の所定数の撮像プロトコルを選択してもよい。
【0093】
推論情報選択部１０７は、診断画像データセットの中から、上述の如く選択した撮像プロトコルで撮影された画像データを選択して第２診断画像データセットを作成する。
【0094】
推論情報選択部１０７が、特徴量が所定の閾値未満の撮像プロトコルの画像データを除外し、特徴量が閾値以上の撮影プロトコルの画像データのみを選択して第２診断画像データセットを作成する。これにより、第２ニューラルネットワーク１０５による推論において、特徴量の値が低い（すなわち、読影診断への寄与が少ない）撮像プロトコルの画像データが使用されることが抑制される。
推論情報選択部１０７は、作成した第２診断画像データセットをメモリ１２や記憶装置１３等の所定の記憶領域に記憶させる。
推論情報選択部１０７は、作成した第２診断画像データセットをメモリ１２や記憶装置１３等の所定の記憶領域に記憶させる。
【0095】
第２推論処理部１０８は、推論フェーズにおいて第２ニューラルネットワーク１０５を用いて推論を行なう。第２推論処理部１０８は、推論情報選択部１０７によって選択された第２診断画像データセットを第２ニューラルネットワーク１０５へ入力し、この第２ニューラルネットワーク１０５が出力する推論結果を得る。
【0096】
第２推論処理部１０８は、入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２ニューラルネットワーク１０５（第２のモデル）に、推定用の撮像条件（推論に用いる撮像プロトコル）で撮像された第２の推論データセット（入力画像）を入力する。
【0097】
第２ニューラルネットワーク１０５は、第２診断画像データが入力されると、当該第２診断画像データから病巣の箇所を推論し、当該病巣の予測箇所（病巣箇所の予測値）を示す情報を出力する。
【0098】
図５中において、符号Ｄは第２ニューラルネットワーク１０５が出力する推論結果である第２の推論出力情報を示す。この符号Ｄに例示する第２の推論出力情報は、病巣箇所の予測値を医用画像に反映させることで視覚化した出力画像データを備える。
推論フェーズにおいて、第２ニューラルネットワーク１０５によって推論される病巣の箇所の情報を予測病巣箇所情報といってもよい。
第２推論処理部１０８は、作成した予測病巣箇所情報をメモリ１２や記憶装置１３等の所定の記憶領域に記憶させる。
推論フェーズにおいて、第２ニューラルネットワーク１０５によって推論される病巣の箇所の情報を予測病巣箇所情報といってもよい。
第２推論処理部１０８は、作成した予測病巣箇所情報をメモリ１２や記憶装置１３等の所定の記憶領域に記憶させる。
【0099】
出力処理部１０９は、第２ニューラルネットワーク１０５が出力した第２の推論出力情報を、当該推論サーバ１０の外部に出力する処理を行なう。例えば、出力処理部１０９は、第２の推論出力情報を、当該推論サーバ１０とネットワークを介して接続された、医師が使用するＰＣに転送する処理を行なってもよい。また、出力処理部１０９は、第２の推論出力情報をモニタ１４ａに表示させてもよく、また、メモリカード１７ｃに記憶させてもよく、適宜変更して実施することができる。
出力処理部１０９は、第２ニューラルネットワーク１０５（第２のモデル）の出力結果に基づいて特定される病巣箇所の推定結果を出力する。
出力処理部１０９は、第２ニューラルネットワーク１０５（第２のモデル）の出力結果に基づいて特定される病巣箇所の推定結果を出力する。
【0100】
画像データベース１１０は、医用画像を記憶する。例えば、画像データベース１１０は、第１の訓練データセットを構成する各種の画像データや、罹患病名情報等を記憶する。
（Ｂ）動作
（Ｂ）動作
【0101】
上述の如く構成された実施形態の一例としての読影診断支援システム１における訓練フェーズにおける処理を、図７を参照しながら、図６に示すフローチャート（ステップＳ１１～Ｓ１６）に従って説明する。図７は実施形態の一例としての読影診断支援システム１における教師データを例示する図である。
ステップＳ１１において、第１訓練処理部１０１は、教師データの準備を行なう。
図７においては、訓練フェーズにおける一度の訓練に用いる教師データを示しており、一人の被験者に基づいて作成された教師データを示す。
ステップＳ１１において、第１訓練処理部１０１は、教師データの準備を行なう。
図７においては、訓練フェーズにおける一度の訓練に用いる教師データを示しており、一人の被験者に基づいて作成された教師データを示す。
【0102】
すなわち、一被験者分の教師データは、当該被験者から複数種類の撮像プロトコルで撮影して得られる複数の医用画像データ（第１訓練画像データセット）と、当該被験者が実際に罹患している病気の病名を示す罹患病名情報と、病気ごとの病巣箇所の正解データ（マスク画像データ）とを備える。
第１訓練処理部１０１は、画像データベース１１０から教師データを構成する各データを読み出してもよい。
第１訓練処理部１０１は、画像データベース１１０から教師データを構成する各データを読み出してもよい。
【0103】
ステップＳ１２において、第１訓練処理部１０１が、第１訓練画像データセットを第１ニューラルネットワーク１０２に入力し、罹患病名情報を正解データとして、第１ニューラルネットワーク１０２の訓練を行なう。
【0104】
ステップＳ１３において、訓練情報選択部１０３が、第１ニューラルネットワーク１０２によって算出された撮像プロトコル毎の特徴量（プロトコル情報）と、推論された予測病名情報（病気情報）とを取得する。
【0105】
ステップＳ１４において、訓練情報選択部１０３は、撮像プロトコル毎の特徴量（プロトコル情報）に基づいて、第１訓練画像データセットの中から、第２訓練処理部１０４が第２ニューラルネットワーク１０５の訓練を行なう際に用いる第２訓練画像データセットを選択する。
例えば、訓練情報選択部１０３は、１訓練画像データセットの中から、特徴量が所定の閾値以上の画像データを第２訓練画像データセットとして選択する。
例えば、訓練情報選択部１０３は、１訓練画像データセットの中から、特徴量が所定の閾値以上の画像データを第２訓練画像データセットとして選択する。
【0106】
ステップＳ１５において、第２訓練処理部１０４が、第２訓練画像データセットを第２ニューラルネットワーク１０５に入力し、病気ごとの病巣箇所の正解データを正解データとして、第２ニューラルネットワーク１０５の訓練を行なう。
ステップＳ１６において、第２訓練処理部１０４が、第２ニューラルネットワーク１０５に病巣個所の特定を行なわせる。
第２訓練処理部１０４は、第２ニューラルネットワーク１０５が特定した病床箇所と正解との誤差を見て、この誤差が小さくなるように第２ニューラルネットワーク１０５のパラメータを更新する。その後、処理を終了する。
ステップＳ１６において、第２訓練処理部１０４が、第２ニューラルネットワーク１０５に病巣個所の特定を行なわせる。
第２訓練処理部１０４は、第２ニューラルネットワーク１０５が特定した病床箇所と正解との誤差を見て、この誤差が小さくなるように第２ニューラルネットワーク１０５のパラメータを更新する。その後、処理を終了する。
【0107】
次に、上述の如く構成された実施形態の一例としての読影診断支援システム１における推論フェーズにおける処理を、図９を参照しながら、図８に示すフローチャート（ステップＳ２１～Ｓ２５）に従って説明する。図９は実施形態の一例としての読影診断支援システム１における推論の対象となる診断画像データセットを例示する図である。
ステップＳ２１において、医療機器が、患者を複数種類の撮像プロトコルで撮影することで、複数の画像データ（医用画像）を作成する。
ステップＳ２１において、医療機器が、患者を複数種類の撮像プロトコルで撮影することで、複数の画像データ（医用画像）を作成する。
【0108】
図９においては、推論フェーズにおいて推論の対象となる診断画像データセットを示している。本読影診断支援システム１においては、患者から撮影された病巣等が未知の患者の画像データであり、一人の患者に対して、医療機器を用いて複数種類の撮像プロトコルで撮影することで作成される診断画像データセットである。
【0109】
ステップＳ２２において、第１推論処理部１０６が診断画像データセットを第１ニューラルネットワーク１０２に入力し、第1の推論出力情報（予測病名情報，撮像プロトコル毎に算出した特徴量情報）が出力される。すなわち、第１ニューラルネットワーク１０２による病名の診断が行なわれる。
【0110】
ステップＳ２３において、推論情報選択部１０７が、第１推論処理部１０６が算出した撮像プロトコル毎の特徴量に基づいて、診断画像データセットを構成する複数の画像データを撮影するために用いられた複数種類の撮像プロトコルの中から、推論に用いる撮像プロトコルを選択する。
【0111】
この際、推論情報選択部１０７は、特徴量の値が大きい撮像プロトコル（例えば、特徴量が閾値以上の撮像プロトコルや特徴量値が上位の撮像プロトコル）を選択する。
【0112】
そして、推論情報選択部１０７は、診断画像データセットの中から、選択した撮像プロトコルで撮影された画像データを選択して第２診断画像データセットを作成する。
【0113】
ステップＳ２４において、第２推論処理部１０８が、推論情報選択部１０７によって選択された第２診断画像データセットを第２ニューラルネットワーク１０５へ入力する。第２ニューラルネットワーク１０５は、第２診断画像データが入力されると、当該第２診断画像データから病巣の箇所を推論し、第２の推論出力情報を出力する。
【0114】
ステップＳ２５において、出力処理部１０９が、第２ニューラルネットワーク１０５から出力された第２の推論出力情報（病巣画像）を、医師が使用するＰＣに転送（出力）させる。その後、処理を終了する。
（Ｃ）効果
（Ｃ）効果
【0115】
このように、実施形態の一例としての読影診断支援システム１によれば、推論フェーズにおいて、推論情報選択部１０７が、例えば、第２診断画像データセットから特徴量が所定の閾値未満の撮像プロトコルの画像データを除外し、特徴量が閾値以上の撮影プロトコルの画像データを選択して第２診断画像データセットを作成する。
【0116】
そして、第２推論処理部１０８が、この第２診断画像データセットを第２ニューラルネットワーク１０５へ入力することで、第２ニューラルネットワーク１０５が、当該第２診断画像データから病巣の箇所を推論する。
【0117】
これにより、第２ニューラルネットワーク１０５による推論において、特徴量が低い（すなわち、読影診断への寄与が少ない）撮像プロトコルの画像データが使用されることが抑制される。従って、第２ニューラルネットワーク１０５による推論において、病気の読影診断に寄与が高い撮像プロトコルの画像データのみが使用されるので、第２ニューラルネットワーク１０５による推論精度を向上させることができる。
【0118】
推論情報選択部１０７は、例えば、推論情報選択部１０７は、特徴量の値が大きい順で上位の所定数の撮像プロトコルの画像データを選択して第２診断画像データセットを作成してもよい。これによっても、特徴量が低い（すなわち、読影診断への寄与が少ない）撮像プロトコルの画像データが使用されることが抑制され、第２ニューラルネットワーク１０５による推論精度を向上させることができる。
【0119】
また、訓練フェーズにおいて、訓練情報選択部１０３が、第２訓練画像データセットから特徴量が所定の閾値未満の撮像プロトコルの画像データを除外し、特徴量が閾値以上の撮影プロトコルの画像データを選択して第２訓練画像データセットを作成する。
【0120】
そして、第２訓練処理部１０４が、この第２訓練画像データセットを第２ニューラルネットワーク１０５へ入力することで、第２ニューラルネットワーク１０５が、当該第２訓練画像データから病巣の箇所を推論する。
【0121】
これにより、第２ニューラルネットワーク１０５の訓練において、特徴量が低い（すなわち、読影診断への寄与が少ない）撮像プロトコルの画像データが使用されることが抑制される。従って、第２ニューラルネットワーク１０５の訓練において、病気の読影診断に寄与が高い撮像プロトコルの画像データのみが使用されるので、第２ニューラルネットワーク１０５の精度を向上させることができる。
【0122】
また、訓練情報選択部１０３は、特徴量の値に応じて撮像プロトコルをソートし、特徴量の値が大きいものから順に上位の所定数の撮像プロトコルを選択し、第１訓練画像データセットの中から、これらの撮像プロトコルで撮影された画像データを選択して第２訓練画像データセットとしてもよい。これによっても、特徴量が低い（すなわち、読影診断への寄与が少ない）撮像プロトコルの画像データが使用されることが抑制され、第２ニューラルネットワーク１０５による推論精度を向上させることができる。
（Ｄ）その他
本実施形態の各構成および各処理は、必要に応じて取捨選択することができ、あるいは適宜組み合わせてもよい。
そして、開示の技術は上述した実施形態に限定されるものではなく、本実施形態の趣旨を逸脱しない範囲で種々変形して実施することができる。
例えば、推論情報選択部１０７や訓練情報選択部１０３としての機能を第１ニューラルネットワーク１０２（NN#1）が備えてもよい。
また、上述した開示により本実施形態を当業者によって実施・製造することが可能である。
（Ｄ）その他
本実施形態の各構成および各処理は、必要に応じて取捨選択することができ、あるいは適宜組み合わせてもよい。
そして、開示の技術は上述した実施形態に限定されるものではなく、本実施形態の趣旨を逸脱しない範囲で種々変形して実施することができる。
例えば、推論情報選択部１０７や訓練情報選択部１０３としての機能を第１ニューラルネットワーク１０２（NN#1）が備えてもよい。
また、上述した開示により本実施形態を当業者によって実施・製造することが可能である。
【0123】
（Ｅ）付記
以上の実施形態に関し、さらに以下の付記を開示する。
以上の実施形態に関し、さらに以下の付記を開示する。
【0124】
（付記１）
それぞれ異なる撮像条件で被験者を撮像して得られた複数の訓練用画像と当該被験者の病名とを関連付けた訓練データを用いて生成された、異なる撮像条件で診断対象の被験者を撮像して得られた複数の入力画像の入力に応じて当該診断対象の被験者の病名の推定結果および前記撮像条件毎の前記複数の入力画像それぞれの推定への寄与の度合を出力する第１のモデルに、判定対象の複数の入力画像を入力し、
前記判定対象の複数の入力画像の中から、前記寄与の度合に基づいて選択された推定用の撮像条件で撮像された入力画像を選択し、
入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに、前記推定用の撮像条件で撮像された入力画像を入力し、
前記第２のモデルの出力結果に基づいて特定される病巣箇所の推定結果を出力する
処理をコンピュータに実行させることを特徴とする画像診断支援プログラム。
それぞれ異なる撮像条件で被験者を撮像して得られた複数の訓練用画像と当該被験者の病名とを関連付けた訓練データを用いて生成された、異なる撮像条件で診断対象の被験者を撮像して得られた複数の入力画像の入力に応じて当該診断対象の被験者の病名の推定結果および前記撮像条件毎の前記複数の入力画像それぞれの推定への寄与の度合を出力する第１のモデルに、判定対象の複数の入力画像を入力し、
前記判定対象の複数の入力画像の中から、前記寄与の度合に基づいて選択された推定用の撮像条件で撮像された入力画像を選択し、
入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに、前記推定用の撮像条件で撮像された入力画像を入力し、
前記第２のモデルの出力結果に基づいて特定される病巣箇所の推定結果を出力する
処理をコンピュータに実行させることを特徴とする画像診断支援プログラム。
【0125】
（付記２）
前記寄与の度合いが所定の閾値未満の撮像条件を前記推定用の撮像条件から除外する
処理を前記コンピュータに実行させることを特徴とする付記１に記載の画像診断支援プログラム。
前記寄与の度合いが所定の閾値未満の撮像条件を前記推定用の撮像条件から除外する
処理を前記コンピュータに実行させることを特徴とする付記１に記載の画像診断支援プログラム。
【0126】
（付記３）
前記寄与の度合いが上位の撮像条件を優先して前記推定用の撮像条件に加える
処理を前記コンピュータに実行させることを特徴とする付記１に記載の画像診断支援プログラム。
前記寄与の度合いが上位の撮像条件を優先して前記推定用の撮像条件に加える
処理を前記コンピュータに実行させることを特徴とする付記１に記載の画像診断支援プログラム。
【0127】
（付記４）
それぞれ異なる撮像条件で診断対象の被験者を撮像して得られた複数の入力画像の入力に応じて当該診断対象の被験者の病名の推定結果および前記撮像条件毎の前記複数の入力画像それぞれの推定への寄与の度合を出力する第１のモデルに対して、それぞれ異なる撮像条件で被験者を撮像して得られた複数の訓練用画像と、当該被験者の病名とを関連付けた第１の訓練データを用いて第１の訓練を行ない、
前記複数の訓練用画像の中から、前記第１のモデルが前記複数の訓練用画像の入力に応じて出力した前記撮像条件毎の前記複数の訓練用画像それぞれの推定への寄与の度合に基づいて、当該寄与の度合に基づいて選択された訓練用の撮像条件で撮像された訓練用入力画像を選択し、
入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに対して、前記訓練用入力画像と病巣箇所とを関連付けた第２の訓練データを用いて第２の訓練を行なう
処理をコンピュータに実行させることを特徴とする訓練プログラム。
それぞれ異なる撮像条件で診断対象の被験者を撮像して得られた複数の入力画像の入力に応じて当該診断対象の被験者の病名の推定結果および前記撮像条件毎の前記複数の入力画像それぞれの推定への寄与の度合を出力する第１のモデルに対して、それぞれ異なる撮像条件で被験者を撮像して得られた複数の訓練用画像と、当該被験者の病名とを関連付けた第１の訓練データを用いて第１の訓練を行ない、
前記複数の訓練用画像の中から、前記第１のモデルが前記複数の訓練用画像の入力に応じて出力した前記撮像条件毎の前記複数の訓練用画像それぞれの推定への寄与の度合に基づいて、当該寄与の度合に基づいて選択された訓練用の撮像条件で撮像された訓練用入力画像を選択し、
入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに対して、前記訓練用入力画像と病巣箇所とを関連付けた第２の訓練データを用いて第２の訓練を行なう
処理をコンピュータに実行させることを特徴とする訓練プログラム。
【0128】
（付記５）
前記寄与の度合いが所定の閾値未満の撮像条件を前記訓練用の撮像条件から除外する
処理を前記コンピュータに実行させることを特徴とする付記４に記載の訓練プログラム。
前記寄与の度合いが所定の閾値未満の撮像条件を前記訓練用の撮像条件から除外する
処理を前記コンピュータに実行させることを特徴とする付記４に記載の訓練プログラム。
【0129】
（付記６）
前記寄与の度合いが上位の撮像条件を優先して前記訓練用の撮像条件に加える
処理を前記コンピュータに実行させることを特徴とする付記４に記載の訓練プログラム。
前記寄与の度合いが上位の撮像条件を優先して前記訓練用の撮像条件に加える
処理を前記コンピュータに実行させることを特徴とする付記４に記載の訓練プログラム。
【0130】
（付記７）
それぞれ異なる撮像条件で被験者を撮像して得られた複数の訓練用画像と当該被験者の病名とを関連付けた訓練データを用いて生成された、異なる撮像条件で診断対象の被験者を撮像して得られた複数の入力画像の入力に応じて当該診断対象の被験者の病名の推定結果および前記撮像条件毎の前記複数の入力画像それぞれの推定への寄与の度合を出力する第１のモデルに、判定対象の複数の入力画像を入力し、
前記判定対象の複数の入力画像の中から、前記寄与の度合に基づいて選択された推定用の撮像条件で撮像された入力画像を選択し、
入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに、前記推定用の撮像条件で撮像された入力画像を入力し、
前記第２のモデルの出力結果に基づいて特定される病巣箇所の推定結果を出力する
処理を実行する制御部を備えることを特徴とする情報処理装置。
それぞれ異なる撮像条件で被験者を撮像して得られた複数の訓練用画像と当該被験者の病名とを関連付けた訓練データを用いて生成された、異なる撮像条件で診断対象の被験者を撮像して得られた複数の入力画像の入力に応じて当該診断対象の被験者の病名の推定結果および前記撮像条件毎の前記複数の入力画像それぞれの推定への寄与の度合を出力する第１のモデルに、判定対象の複数の入力画像を入力し、
前記判定対象の複数の入力画像の中から、前記寄与の度合に基づいて選択された推定用の撮像条件で撮像された入力画像を選択し、
入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに、前記推定用の撮像条件で撮像された入力画像を入力し、
前記第２のモデルの出力結果に基づいて特定される病巣箇所の推定結果を出力する
処理を実行する制御部を備えることを特徴とする情報処理装置。
【0131】
（付記８）
前記制御部が、
前記寄与の度合いが所定の閾値未満の撮像条件を前記推定用の撮像条件から除外する
処理を実行することを特徴とする、付記７に記載の情報処理装置。
前記制御部が、
前記寄与の度合いが所定の閾値未満の撮像条件を前記推定用の撮像条件から除外する
処理を実行することを特徴とする、付記７に記載の情報処理装置。
【0132】
（付記９）
前記制御部が、
前記寄与の度合いが上位の撮像条件を優先して前記推定用の撮像条件に加える
処理を実行することを特徴とする付記７に記載の情報処理装置。
前記制御部が、
前記寄与の度合いが上位の撮像条件を優先して前記推定用の撮像条件に加える
処理を実行することを特徴とする付記７に記載の情報処理装置。
【0133】
（付記１０）
それぞれ異なる撮像条件で診断対象の被験者を撮像して得られた複数の入力画像の入力に応じて当該診断対象の被験者の病名の推定結果および前記撮像条件毎の前記複数の入力画像それぞれの推定への寄与の度合を出力する第１のモデルに対して、それぞれ異なる撮像条件で被験者を撮像して得られた複数の訓練用画像と、当該被験者の病名とを関連付けた第１の訓練データを用いて第１の訓練を行ない、
前記複数の訓練用画像の中から、前記第１のモデルが前記複数の訓練用画像の入力に応じて出力した前記撮像条件毎の前記複数の訓練用画像それぞれの推定への寄与の度合に基づいて、当該寄与の度合に基づいて選択された訓練用の撮像条件で撮像された訓練用入力画像を選択し、
入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに対して、前記訓練用入力画像と病巣箇所とを関連付けた第２の訓練データを用いて第２の訓練を行なう
処理を実行する制御部を備えることを特徴とする情報処理装置。
それぞれ異なる撮像条件で診断対象の被験者を撮像して得られた複数の入力画像の入力に応じて当該診断対象の被験者の病名の推定結果および前記撮像条件毎の前記複数の入力画像それぞれの推定への寄与の度合を出力する第１のモデルに対して、それぞれ異なる撮像条件で被験者を撮像して得られた複数の訓練用画像と、当該被験者の病名とを関連付けた第１の訓練データを用いて第１の訓練を行ない、
前記複数の訓練用画像の中から、前記第１のモデルが前記複数の訓練用画像の入力に応じて出力した前記撮像条件毎の前記複数の訓練用画像それぞれの推定への寄与の度合に基づいて、当該寄与の度合に基づいて選択された訓練用の撮像条件で撮像された訓練用入力画像を選択し、
入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに対して、前記訓練用入力画像と病巣箇所とを関連付けた第２の訓練データを用いて第２の訓練を行なう
処理を実行する制御部を備えることを特徴とする情報処理装置。
【0134】
（付記１１）
前記制御部が、
前記寄与の度合いが所定の閾値未満の撮像条件を前記訓練用の撮像条件から除外する
処理を実行することを特徴とする付記１０に記載の情報処理装置。
前記制御部が、
前記寄与の度合いが所定の閾値未満の撮像条件を前記訓練用の撮像条件から除外する
処理を実行することを特徴とする付記１０に記載の情報処理装置。
【0135】
（付記１２）
前記制御部が、
前記寄与の度合いが上位の撮像条件を優先して前記訓練用の撮像条件に加える
処理を実行することを特徴とする付記１０に記載の情報処理装置。
前記制御部が、
前記寄与の度合いが上位の撮像条件を優先して前記訓練用の撮像条件に加える
処理を実行することを特徴とする付記１０に記載の情報処理装置。
【0136】
（付記１３）
それぞれ異なる撮像条件で被験者を撮像して得られた複数の訓練用画像と当該被験者の病名とを関連付けた訓練データを用いて生成された、異なる撮像条件で診断対象の被験者を撮像して得られた複数の入力画像の入力に応じて当該診断対象の被験者の病名の推定結果および前記撮像条件毎の前記複数の入力画像それぞれの推定への寄与の度合を出力する第１のモデルに、判定対象の複数の入力画像を入力し、
前記判定対象の複数の入力画像の中から、前記寄与の度合に基づいて選択された推定用の撮像条件で撮像された入力画像を選択し、
入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに、前記推定用の撮像条件で撮像された入力画像を入力し、
前記第２のモデルの出力結果に基づいて特定される病巣箇所の推定結果を出力する
処理をコンピュータが実行することを特徴とする画像診断支援方法。
それぞれ異なる撮像条件で被験者を撮像して得られた複数の訓練用画像と当該被験者の病名とを関連付けた訓練データを用いて生成された、異なる撮像条件で診断対象の被験者を撮像して得られた複数の入力画像の入力に応じて当該診断対象の被験者の病名の推定結果および前記撮像条件毎の前記複数の入力画像それぞれの推定への寄与の度合を出力する第１のモデルに、判定対象の複数の入力画像を入力し、
前記判定対象の複数の入力画像の中から、前記寄与の度合に基づいて選択された推定用の撮像条件で撮像された入力画像を選択し、
入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに、前記推定用の撮像条件で撮像された入力画像を入力し、
前記第２のモデルの出力結果に基づいて特定される病巣箇所の推定結果を出力する
処理をコンピュータが実行することを特徴とする画像診断支援方法。
【0137】
（付記１４）
前記寄与の度合いが所定の閾値未満の撮像条件を前記推定用の撮像条件から除外する
処理を前記コンピュータが実行することを特徴とする付記１３に記載の画像診断支援方法。
前記寄与の度合いが所定の閾値未満の撮像条件を前記推定用の撮像条件から除外する
処理を前記コンピュータが実行することを特徴とする付記１３に記載の画像診断支援方法。
【0138】
（付記１５）
前記寄与の度合いが上位の撮像条件を優先して前記推定用の撮像条件に加える
処理を前記コンピュータが実行することを特徴とする付記１３に記載の画像診断支援方法。
前記寄与の度合いが上位の撮像条件を優先して前記推定用の撮像条件に加える
処理を前記コンピュータが実行することを特徴とする付記１３に記載の画像診断支援方法。
【0139】
（付記１６）
それぞれ異なる撮像条件で診断対象の被験者を撮像して得られた複数の入力画像の入力に応じて当該診断対象の被験者の病名の推定結果および前記撮像条件毎の前記複数の入力画像それぞれの推定への寄与の度合を出力する第１のモデルに対して、それぞれ異なる撮像条件で被験者を撮像して得られた複数の訓練用画像と、当該被験者の病名とを関連付けた第１の訓練データを用いて第１の訓練を行ない、
前記複数の訓練用画像の中から、前記第１のモデルが前記複数の訓練用画像の入力に応じて出力した前記撮像条件毎の前記複数の訓練用画像それぞれの推定への寄与の度合に基づいて、当該寄与の度合に基づいて選択された訓練用の撮像条件で撮像された訓練用入力画像を選択し、
入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに対して、前記訓練用入力画像と病巣箇所とを関連付けた第２の訓練データを用いて第２の訓練を行なう
処理をコンピュータが実行することを特徴とする訓練方法。
それぞれ異なる撮像条件で診断対象の被験者を撮像して得られた複数の入力画像の入力に応じて当該診断対象の被験者の病名の推定結果および前記撮像条件毎の前記複数の入力画像それぞれの推定への寄与の度合を出力する第１のモデルに対して、それぞれ異なる撮像条件で被験者を撮像して得られた複数の訓練用画像と、当該被験者の病名とを関連付けた第１の訓練データを用いて第１の訓練を行ない、
前記複数の訓練用画像の中から、前記第１のモデルが前記複数の訓練用画像の入力に応じて出力した前記撮像条件毎の前記複数の訓練用画像それぞれの推定への寄与の度合に基づいて、当該寄与の度合に基づいて選択された訓練用の撮像条件で撮像された訓練用入力画像を選択し、
入力画像の入力に応じて入力画像中の病巣箇所の推定結果を出力する第２のモデルに対して、前記訓練用入力画像と病巣箇所とを関連付けた第２の訓練データを用いて第２の訓練を行なう
処理をコンピュータが実行することを特徴とする訓練方法。
【0140】
（付記１７）
前記寄与の度合いが所定の閾値未満の撮像条件を前記訓練用の撮像条件から除外する
処理を前記コンピュータが実行させることを特徴とする付記１６に記載の訓練方法。
前記寄与の度合いが所定の閾値未満の撮像条件を前記訓練用の撮像条件から除外する
処理を前記コンピュータが実行させることを特徴とする付記１６に記載の訓練方法。
【0141】
（付記１８）
前記寄与の度合いが上位の撮像条件を優先して前記訓練用の撮像条件に加える
処理を前記コンピュータが実行することを特徴とする付記１６に記載の訓練方法。
前記寄与の度合いが上位の撮像条件を優先して前記訓練用の撮像条件に加える
処理を前記コンピュータが実行することを特徴とする付記１６に記載の訓練方法。
【符号の説明】
【0142】
１ 読影診断支援システム
１０ 推論サーバ
１１ プロセッサ（制御部）
１２ メモリ
１３ 記憶装置
１４ グラフィック処理装置
１４ａ モニタ
１５ 入力インタフェース
１５ａ キーボード
１５ｂ マウス
１６ 光学ドライブ装置
１６ａ 光ディスク
１７ 機器接続インタフェース
１７ａ メモリ装置
１７ｂ メモリリーダライタ
１７ｃ メモリカード
１８ ネットワークインタフェース
１９ バス
１０１ 第１訓練処理部
１０２ 第１ニューラルネットワーク（ＮＮ＃１）
１０３ 訓練情報選択部
１０４ 第２訓練処理部
１０５ 第２ニューラルネットワーク（ＮＮ＃２）
１０６ 第１推論処理部
１０７ 推論情報選択部
１０８ 第２推論処理部
１０９ 出力処理部
１１０ 画像データベース
１０ 推論サーバ
１１ プロセッサ（制御部）
１２ メモリ
１３ 記憶装置
１４ グラフィック処理装置
１４ａ モニタ
１５ 入力インタフェース
１５ａ キーボード
１５ｂ マウス
１６ 光学ドライブ装置
１６ａ 光ディスク
１７ 機器接続インタフェース
１７ａ メモリ装置
１７ｂ メモリリーダライタ
１７ｃ メモリカード
１８ ネットワークインタフェース
１９ バス
１０１ 第１訓練処理部
１０２ 第１ニューラルネットワーク（ＮＮ＃１）
１０３ 訓練情報選択部
１０４ 第２訓練処理部
１０５ 第２ニューラルネットワーク（ＮＮ＃２）
１０６ 第１推論処理部
１０７ 推論情報選択部
１０８ 第２推論処理部
１０９ 出力処理部
１１０ 画像データベース
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
