知財求人 - 知財ポータルサイト「IP Force」
(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】P2023160986
(43)【公開日】2023-11-02
(54)【発明の名称】超音波診断装置及び解析装置
(51)【国際特許分類】
A61B 8/14 20060101AFI20231026BHJP
【ＦＩ】
A61B8/14
【審査請求】有
【請求項の数】17
【出願形態】ＯＬ
(21)【出願番号】P 2023148511
(22)【出願日】2023-09-13
(62)【分割の表示】P 2019121963の分割
【原出願日】2019-06-28
(71)【出願人】
【識別番号】594164542
【氏名又は名称】キヤノンメディカルシステムズ株式会社
(74)【代理人】
【識別番号】110001771
【氏名又は名称】弁理士法人虎ノ門知的財産事務所
(72)【発明者】
【氏名】高田 優子
(72)【発明者】
【氏名】渡辺 正毅
(72)【発明者】
【氏名】本庄 泰徳
(72)【発明者】
【氏名】五十嵐 悠
(72)【発明者】
【氏名】宮木 啓介
(57)【要約】
【課題】特徴部位に関する判別結果を精度よく得ること。
【解決手段】実施形態の超音波診断装置は、記憶部と、判別部とを備える。記憶部は、複数の段階のそれぞれに対応する複数の学習済みモデルのそれぞれであって、入力された医用画像データに描出される被検体の特徴部位に関する判別結果を出力する複数の判別処理のそれぞれを実行する際に用いられる複数の学習済みモデルのそれぞれを記憶する。判別部は、複数の学習済みモデルのうち少なくとも１つの学習済みモデルを用いて、少なくとも１つの学習済みモデルに対応する判別処理を実行することにより、被検体の特徴部位に関する判別結果を導出する。判別部は、複数の段階のそれぞれにおいて、他の段階で実行される判別処理とは異なる判別処理を実行する。
【選択図】図１
【解決手段】実施形態の超音波診断装置は、記憶部と、判別部とを備える。記憶部は、複数の段階のそれぞれに対応する複数の学習済みモデルのそれぞれであって、入力された医用画像データに描出される被検体の特徴部位に関する判別結果を出力する複数の判別処理のそれぞれを実行する際に用いられる複数の学習済みモデルのそれぞれを記憶する。判別部は、複数の学習済みモデルのうち少なくとも１つの学習済みモデルを用いて、少なくとも１つの学習済みモデルに対応する判別処理を実行することにより、被検体の特徴部位に関する判別結果を導出する。判別部は、複数の段階のそれぞれにおいて、他の段階で実行される判別処理とは異なる判別処理を実行する。
【選択図】図１
【特許請求の範囲】
【請求項1】
複数の段階のそれぞれに対応する複数の学習済みモデルのそれぞれであって、入力された医用画像データに描出される被検体の特徴部位に関する判別結果を出力する複数の判別処理のそれぞれを実行する際に用いられる複数の学習済みモデルのそれぞれを記憶する記憶部と、
前記複数の学習済みモデルのうち少なくとも１つの学習済みモデルを用いて、前記少なくとも１つの学習済みモデルに対応する判別処理を実行することにより、前記被検体の特徴部位に関する判別結果を導出する判別部と、
を備え、
前記判別部は、前記複数の段階のそれぞれにおいて、他の段階で実行される判別処理とは異なる判別処理を実行する、
超音波診断装置。
前記複数の学習済みモデルのうち少なくとも１つの学習済みモデルを用いて、前記少なくとも１つの学習済みモデルに対応する判別処理を実行することにより、前記被検体の特徴部位に関する判別結果を導出する判別部と、
を備え、
前記判別部は、前記複数の段階のそれぞれにおいて、他の段階で実行される判別処理とは異なる判別処理を実行する、
超音波診断装置。
【請求項2】
前記判別部は、前記複数の段階のうち、一の段階に対応する判別処理から出力された所定の判別結果に対応する医用画像データを、前記一の段階の次の段階に対応する判別処理に入力し、前記一の段階の次の段階に対応する判別処理から出力された判別結果を前記一の段階の次の段階に対応する判別結果として導出する、
請求項１に記載の超音波診断装置。
請求項１に記載の超音波診断装置。
【請求項3】
複数の前記医用画像データを収集する収集部と、
前記複数の医用画像データを収集する際に用いられる超音波プローブの移動速度を検出する検出部と、
を更に備え、
前記判別部は、前記超音波プローブの移動速度に応じて、前記複数の医用画像データの複数の種類のフレームレートの中から、判別結果を導出する際のフレームレートを選択する第１の選択処理、及び、前記移動速度に応じて、判別結果を導出するための複数の種類の導出処理の中から、判別結果を導出する際の導出処理を選択する第２の選択処理を実行する、
請求項１又は２に記載の超音波診断装置。
前記複数の医用画像データを収集する際に用いられる超音波プローブの移動速度を検出する検出部と、
を更に備え、
前記判別部は、前記超音波プローブの移動速度に応じて、前記複数の医用画像データの複数の種類のフレームレートの中から、判別結果を導出する際のフレームレートを選択する第１の選択処理、及び、前記移動速度に応じて、判別結果を導出するための複数の種類の導出処理の中から、判別結果を導出する際の導出処理を選択する第２の選択処理を実行する、
請求項１又は２に記載の超音波診断装置。
【請求項4】
複数の前記医用画像データを収集する収集部と、
前記複数の医用画像データを収集する際に用いられる超音波プローブの移動速度を検出する検出部と、
を更に備え、
前記記憶部は、前記複数の段階のそれぞれに対応する複数の種類の学習済みモデルを記憶し、
前記判別部は、前記超音波プローブの移動速度に応じて、前記複数の医用画像データの複数の種類のフレームレートの中から、判別結果を導出する際のフレームレートを選択する第１の選択処理、及び、前記移動速度に応じて、前記複数の種類の学習済みモデルの中から、判別結果を導出する際に用いられる学習済みモデルを選択する第３の選択処理を実行する、
請求項１又は２に記載の超音波診断装置。
前記複数の医用画像データを収集する際に用いられる超音波プローブの移動速度を検出する検出部と、
を更に備え、
前記記憶部は、前記複数の段階のそれぞれに対応する複数の種類の学習済みモデルを記憶し、
前記判別部は、前記超音波プローブの移動速度に応じて、前記複数の医用画像データの複数の種類のフレームレートの中から、判別結果を導出する際のフレームレートを選択する第１の選択処理、及び、前記移動速度に応じて、前記複数の種類の学習済みモデルの中から、判別結果を導出する際に用いられる学習済みモデルを選択する第３の選択処理を実行する、
請求項１又は２に記載の超音波診断装置。
【請求項5】
前記判別部は、前記第１の選択処理において、前記移動速度が第１の閾値よりも大きい場合には、判別結果を導出する際のフレームレートとして第１のフレームレートを選択し、前記移動速度が前記第１の閾値よりも小さい第２の閾値よりも小さい場合には、判別結果を導出する際のフレームレートとして前記第１のフレームレートよりも低い第２のフレームレートを選択する、
請求項３又は４に記載の超音波診断装置。
請求項３又は４に記載の超音波診断装置。
【請求項6】
前記判別部は、前記第２の選択処理において、前記移動速度が第１の閾値よりも大きい場合には、判別結果を導出する際の導出処理として第１の導出処理を選択し、前記移動速度が前記第１の閾値よりも小さい第２の閾値よりも小さい場合には、前記第１の導出処理よりも多くの判別結果を導出する第２の導出処理、又は、判別結果を導出する際の前記導出処理として前記第１の導出処理よりも精度良く判別結果を導出することが可能で、かつ、処理負荷が高い第３の導出処理を選択する、
請求項３に記載の超音波診断装置。
請求項３に記載の超音波診断装置。
【請求項7】
前記判別部は、前記第３の選択処理において、前記移動速度が第１の閾値よりも大きい場合には、判別結果を導出する際に用いる学習済みモデルとして第１の学習済みモデルを選択し、前記移動速度が前記第１の閾値よりも小さい第２の閾値よりも小さい場合には、判別結果を導出する際に用いる学習済みモデルとして前記第１の学習済みモデルよりも精度良く判別結果を導出可能で、かつ、処理負荷が高い第２の学習済みモデルを選択する、
請求項４に記載の超音波診断装置。
請求項４に記載の超音波診断装置。
【請求項8】
前記判別部は、前記移動速度が前記第１の閾値よりも大きい場合において、前記第１の導出処理として、前記入力された医用画像データにより示される医用画像の一部分と、特徴部位を示す第１のパターンとが類似している度合いを示す指標が閾値以上であるときには、前記医用画像に特徴部位が含まれると判別し、前記指標が閾値未満であるときには、前記医用画像に特徴部位が含まれないと判別した結果である判別結果を導出する特徴部位検出処理を実行する、
請求項６に記載の超音波診断装置。
請求項６に記載の超音波診断装置。
【請求項9】
前記判別部は、前記移動速度が前記第２の閾値よりも小さい場合において、前記第３の導出処理として、前記特徴部位検出処理、及び、前記特徴部位検出処理により前記医用画像に含まれると判別された特徴部位と、前記特徴部位検出処理において前記医用画像に含まれないにも関わらず含まれると誤って判別されると推定される特徴部位を示す第２のパターンとが類似している度合いを示す指標が閾値以上であるときには、前記医用画像に含まれると判別された特徴部位が前記医用画像に含まれないと判別結果を訂正する訂正処理を実行する、
請求項８に記載の超音波診断装置。
請求項８に記載の超音波診断装置。
【請求項10】
前記判別部は、前記入力された医用画像データに対して、特徴部位を示す第１のパターンを用いる第１の特徴部位検出処理により検出された前記入力された医用画像データにより示される医用画像の一部分、及び、前記入力された医用画像データに対して、特徴部位を示す第１のパターンとは異なる第２のパターンを用いる第２の特徴部位検出処理により検出された前記医用画像の一部分のうち、前記第１の特徴部位検出処理及び前記第２の特徴部位検出処理において共通して検出された前記医用画像の一部分を除く前記医用画像の一部分が特徴部位であり、前記医用画像には特徴部位が含まれると判別する、
請求項１に記載の超音波診断装置。
請求項１に記載の超音波診断装置。
【請求項11】
前記被検体に対して超音波走査を行うことにより複数の前記医用画像データを収集する収集部を更に備え、
前記判別部は、前記超音波走査に対してリアルタイムで判別結果を導出するのか、又は、前記超音波走査よりも後に実行される後処理として判別結果を導出するのかに応じて、判別結果を導出するための複数の種類の導出処理の中から、判別結果を導出する際の導出処理を選択する、
請求項１に記載の超音波診断装置。
前記判別部は、前記超音波走査に対してリアルタイムで判別結果を導出するのか、又は、前記超音波走査よりも後に実行される後処理として判別結果を導出するのかに応じて、判別結果を導出するための複数の種類の導出処理の中から、判別結果を導出する際の導出処理を選択する、
請求項１に記載の超音波診断装置。
【請求項12】
前記被検体に対して超音波走査を行うことにより複数の前記医用画像データを収集する収集部を更に備え、
前記記憶部は、前記複数の段階のそれぞれに対応する複数の種類の学習済みモデルを記憶し、
前記判別部は、前記超音波走査に対してリアルタイムで判別結果を導出するのか、又は、前記超音波走査よりも後に実行される後処理として判別結果を導出するのかに応じて、前記複数の種類の学習済みモデルの中から、判別結果を導出する際に用いる学習済みモデルを選択する、
請求項１に記載の超音波診断装置。
前記記憶部は、前記複数の段階のそれぞれに対応する複数の種類の学習済みモデルを記憶し、
前記判別部は、前記超音波走査に対してリアルタイムで判別結果を導出するのか、又は、前記超音波走査よりも後に実行される後処理として判別結果を導出するのかに応じて、前記複数の種類の学習済みモデルの中から、判別結果を導出する際に用いる学習済みモデルを選択する、
請求項１に記載の超音波診断装置。
【請求項13】
被検体の特徴部位が描出された医用画像データを収集する収集部と、
前記医用画像データと、前記医用画像データに描出される特徴部位に関する判別結果とを対応付けて学習することにより、入力された医用画像データに描出される被検体の特徴部位に関する判別結果を出力する判別処理を実行する際に用いられる学習済みモデルを、複数の段階のそれぞれにおいて生成する生成部と、
を備え、
前記複数の段階のそれぞれにおいて実行される判別処理は、他の段階で実行される判別処理とは異なる、
超音波診断装置。
前記医用画像データと、前記医用画像データに描出される特徴部位に関する判別結果とを対応付けて学習することにより、入力された医用画像データに描出される被検体の特徴部位に関する判別結果を出力する判別処理を実行する際に用いられる学習済みモデルを、複数の段階のそれぞれにおいて生成する生成部と、
を備え、
前記複数の段階のそれぞれにおいて実行される判別処理は、他の段階で実行される判別処理とは異なる、
超音波診断装置。
【請求項14】
前記生成部は、前記複数の段階のうち、一の段階に対応する判別処理から出力された所定の判別結果に対応する医用画像データと、前記一の段階の次の段階に対応する判別結果とを対応付けて学習することにより、前記一の段階の次の段階に対応する学習済みモデルを生成する、
請求項１３に記載の超音波診断装置。
請求項１３に記載の超音波診断装置。
【請求項15】
前記生成部は、前記一の段階の次の段階に対応する判別処理から出力された所定の判別結果に対応する医用画像データと、当該所定の判別結果とを対応付けて学習することにより、前記一の段階に対応する学習済みモデルを生成する、
請求項１４に記載の超音波診断装置。
請求項１４に記載の超音波診断装置。
【請求項16】
複数の段階のそれぞれに対応する複数の学習済みモデルのそれぞれであって、入力された医用画像データに描出される被検体の特徴部位に関する判別結果を出力する複数の判別処理のそれぞれを実行する際に用いられる複数の学習済みモデルのそれぞれを記憶する記憶部と、
前記複数の学習済みモデルのうち少なくとも１つの学習済みモデルを用いて、前記少なくとも１つの学習済みモデルに対応する判別処理を実行することにより、前記被検体の特徴部位に関する判別結果を導出する判別部と、
を備え、
前記判別部は、前記複数の段階のそれぞれにおいて、他の段階で実行される判別処理とは異なる判別処理を実行する、
解析装置。
前記複数の学習済みモデルのうち少なくとも１つの学習済みモデルを用いて、前記少なくとも１つの学習済みモデルに対応する判別処理を実行することにより、前記被検体の特徴部位に関する判別結果を導出する判別部と、
を備え、
前記判別部は、前記複数の段階のそれぞれにおいて、他の段階で実行される判別処理とは異なる判別処理を実行する、
解析装置。
【請求項17】
被検体の特徴部位が描出された医用画像データを取得する取得部と、
前記医用画像データと、前記医用画像データに描出される特徴部位に関する判別結果とを対応付けて学習することにより、入力された医用画像データに描出される被検体の特徴部位に関する判別結果を出力する判別処理を実行する際に用いられる学習済みモデルを、複数の段階のそれぞれにおいて生成する生成部と、
を備え、
前記複数の段階のそれぞれにおいて実行される判別処理は、他の段階で実行される判別処理とは異なる、
解析装置。
前記医用画像データと、前記医用画像データに描出される特徴部位に関する判別結果とを対応付けて学習することにより、入力された医用画像データに描出される被検体の特徴部位に関する判別結果を出力する判別処理を実行する際に用いられる学習済みモデルを、複数の段階のそれぞれにおいて生成する生成部と、
を備え、
前記複数の段階のそれぞれにおいて実行される判別処理は、他の段階で実行される判別処理とは異なる、
解析装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明の実施形態は、超音波診断装置及び解析装置に関する。
【背景技術】
【0002】
超音波診断装置は、超音波走査に対してリアルタイムで生成した超音波画像データにより示される超音波画像をリアルタイムで表示したり、過去の超音波走査により得られた超音波画像データにより示される超音波画像を表示したりする。超音波診断装置のリアルタイム性は、他の医用画像診断装置のリアルタイム性よりも優れており、大きな利点である。また、医用画像診断装置により生成された医用画像中の特徴的な部位（特徴部位）を自動的に検出するＣＡＤ（Computer Aided Detection）機能が知られている。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】米国特許第９６７４４４７号明細書
【特許文献2】米国特許出願公開第２０１５／０２９４４５７号明細書
【特許文献3】米国特許出願公開第２０１８／００２５１１２号明細書
【特許文献4】米国特許出願公開第２００７／０１１８３９９号明細書
【特許文献5】米国特許出願公開第２００４／０１２２７９０号明細書
【発明の概要】
【発明が解決しようとする課題】
【0004】
本発明が解決しようとする課題は、特徴部位に関する判別結果を精度よく得ることができる超音波診断装置及び解析装置を提供することである。
【課題を解決するための手段】
【0005】
実施形態の超音波診断装置は、記憶部と、判別部とを備える。記憶部は、複数の段階のそれぞれに対応する複数の学習済みモデルのそれぞれであって、入力された医用画像データに描出される被検体の特徴部位に関する判別結果を出力する複数の判別処理のそれぞれを実行する際に用いられる複数の学習済みモデルのそれぞれを記憶する。判別部は、複数の学習済みモデルのうち少なくとも１つの学習済みモデルを用いて、少なくとも１つの学習済みモデルに対応する判別処理を実行することにより、被検体の特徴部位に関する判別結果を導出する。判別部は、複数の段階のそれぞれにおいて、他の段階で実行される判別処理とは異なる判別処理を実行する。
【図面の簡単な説明】
【0006】
【発明を実施するための形態】
【0007】
以下、図面を参照しながら、実施形態に係る超音波診断装置及び医用画像処理装置を説明する。なお、一つの実施形態又は変形例に記載した内容は、他の実施形態又は他の変形例にも同様に適用されてもよい。
【0008】
（第１の実施形態）
まず、第１の実施形態に係る解析システムの構成例について説明する。図１は、第１の実施形態に係る超音波診断システムの構成例を示す図である。図１に例示するように、第１の実施形態に係る超音波診断システムは、超音波診断装置１と、学習済みモデル生成装置２００とを備える。超音波診断装置１と、学習済みモデル生成装置２００とは、互いに通信可能に接続されている。第１の実施形態に係る超音波診断システムでは、学習済みモデル生成装置２００が各種の学習済みモデルを生成する。また、学習済みモデル生成装置２００は、各種の学習に用いたネットワーク構造及び計算パラメータ等の学習条件を記録する。そして、学習済みモデル生成装置２００は、生成した各種の学習済みモデル及び記録した各種の学習条件を超音波診断装置１に送信する。そして、超音波診断装置１が、学習済みモデル生成装置２００から送信された各種の学習済みモデル及び各種の学習条件を用いて、各種の判別処理を実行する。超音波診断装置１は、ある判別処理を実行する場合には、ある学習済みモデルと、この学習済みモデルに対応する学習条件とを用いる。
まず、第１の実施形態に係る解析システムの構成例について説明する。図１は、第１の実施形態に係る超音波診断システムの構成例を示す図である。図１に例示するように、第１の実施形態に係る超音波診断システムは、超音波診断装置１と、学習済みモデル生成装置２００とを備える。超音波診断装置１と、学習済みモデル生成装置２００とは、互いに通信可能に接続されている。第１の実施形態に係る超音波診断システムでは、学習済みモデル生成装置２００が各種の学習済みモデルを生成する。また、学習済みモデル生成装置２００は、各種の学習に用いたネットワーク構造及び計算パラメータ等の学習条件を記録する。そして、学習済みモデル生成装置２００は、生成した各種の学習済みモデル及び記録した各種の学習条件を超音波診断装置１に送信する。そして、超音波診断装置１が、学習済みモデル生成装置２００から送信された各種の学習済みモデル及び各種の学習条件を用いて、各種の判別処理を実行する。超音波診断装置１は、ある判別処理を実行する場合には、ある学習済みモデルと、この学習済みモデルに対応する学習条件とを用いる。
【0009】
学習済みモデル生成装置２００は、処理回路２０１を備える。処理回路２０１は、例えば、プロセッサにより実現される。処理回路２０１は、学習済みモデル生成機能２０１ａを有する。
【0010】
学習済みモデル生成機能２０１ａは、超音波画像データに描出される被検体Ｐの特徴部位に関する判別結果を出力するための判別処理を実行する際に用いられる学習済みモデルを生成する学習時の処理を実行する。なお、以下の説明では、特徴部位が乳腺の腫瘤である場合について説明するが、特徴部位は、これに限られない。
【0011】
図２は、第１の実施形態に係る学習済みモデル生成機能２０１ａにより実行される処理の一例を説明するための図である。図２に例示するように、学習済みモデル生成機能２０１ａは、学習時の１段階目において、第１の学習済みモデル１１ａを生成し、第１の学習条件１１ｂを記録する。また、学習済みモデル生成機能２０１ａは、学習時の１段階目の次の２段階目において、第２の学習済みモデル１２ａを生成し、第２の学習条件１２ｂを記録する。また、学習済みモデル生成機能２０１ａは、学習時の２段階目の次の３段階目において、第３の学習済みモデル１３ａを生成し、第３の学習条件１３ｂを記録する。学習済みモデル生成機能２０１ａは、第１の学習済みモデル１１ａと、第２の学習済みモデル１２ａと、第３の学習済みモデル１３ａとを非同期で生成する。また、学習済みモデル生成機能２０１ａは、第１の学習条件１１ｂと、第２の学習条件１２ｂと、第３の学習条件１３ｂとを非同期で記録する。学習済みモデル生成機能２０１ａは、生成部の一例である。
【0012】
例えば、第１の学習条件１１ｂは、超音波診断装置１が第１の判別処理を実行する際に使用される計算パラメータ群である。また、第１の学習済みモデル１１ａは、超音波診断装置１が第１の判別処理を実行する際に用いられる調整済みのパラメータである。第１の判別処理の詳細については後述する。
【0013】
また、第２の学習条件１２ｂは、超音波診断装置１が第２の判別処理を実行する際に使用される計算パラメータ群である。また、第２の学習済みモデル１２ａは、超音波診断装置１が第２の判別処理を実行する際に用いられる調整済みのパラメータである。第２の判別処理の詳細については後述する。
【0014】
また、第３の学習条件１３ｂは、超音波診断装置１が第３の判別処理を実行する際に使用される計算パラメータ群である。また、第３の学習済みモデル１３ａは、超音波診断装置１が第３の判別処理を実行する際に用いられる調整済みのパラメータである。第３の判別処理の詳細については後述する。
【0015】
このように、複数の学習済みモデルのそれぞれ及び複数の学習条件のそれぞれは、複数の段階のそれぞれに対応する。また、複数の学習済みモデルのそれぞれ及び複数の学習条件のそれぞれは、複数の判別処理のそれぞれを実行する際に用いられる。
【0016】
図１の説明に戻り、超音波診断装置１は、装置本体１００と、超音波プローブ１０１と、入力装置１０２と、ディスプレイ１０３と、速度検出器１０４とを有する。
【0017】
超音波プローブ１０１は、超音波画像データを収集する際に用いられる。超音波プローブ１０１は、例えば、複数の圧電振動子を有する。複数の圧電振動子は、後述する装置本体１００が有する送信回路１１０から供給される駆動信号に基づき超音波を発生する。また、超音波プローブ１０１は、被検体Ｐからの反射波を受信して電気信号（反射波信号）に変換し、反射波信号を装置本体１００に送信する。また、超音波プローブ１０１は、例えば、圧電振動子に設けられる整合層と、圧電振動子から後方への超音波の伝播を防止するバッキング材等を有する。なお、超音波プローブ１０１は、装置本体１００と着脱自在に接続される。
【0018】
超音波プローブ１０１から被検体Ｐに超音波が送信されると、送信された超音波は、被検体Ｐの体内組織における音響インピーダンスの不連続面で次々と反射され、反射波として超音波プローブ１０１が有する複数の圧電振動子にて受信される。受信される反射波の振幅は、超音波が反射される不連続面における音響インピーダンスの差に依存する。なお、送信された超音波パルスが、移動している血流や心臓壁等の表面で反射された場合の反射波は、ドプラ効果により、移動体の超音波送信方向に対する速度成分に依存して、周波数偏移を受ける。
【0019】
超音波プローブ１０１は、装置本体１００と着脱可能に設けられる。被検体Ｐ内の２次元領域の走査（２次元走査）を行なう場合、超音波診断装置１の操作者は、例えば、複数の圧電振動子が一列で配置された１Ｄアレイプローブを超音波プローブ１０１として装置本体１００に接続する。１Ｄアレイプローブは、リニア型超音波プローブ、コンベックス型超音波プローブ、セクタ型超音波プローブ等である。また、被検体Ｐ内の３次元領域の走査（３次元走査）を行なう場合、操作者は、例えば、メカニカル４Ｄプローブや２Ｄアレイプローブを超音波プローブ１０１として装置本体１００と接続する。メカニカル４Ｄプローブは、１Ｄアレイプローブのように一列で配列された複数の圧電振動子を用いて２次元走査が可能であるとともに、複数の圧電振動子を所定の角度（揺動角度）で揺動させることで３次元走査が可能である。また、２Ｄアレイプローブは、マトリックス状に配置された複数の圧電振動子により３次元走査が可能であるとともに、超音波を集束して送信することで２次元走査が可能である。
【0020】
入力装置１０２は、例えば、マウス、キーボード、ボタン、パネルスイッチ、タッチコマンドスクリーン、フットスイッチ、トラックボール、ジョイスティック等の入力手段により実現される。入力装置１０２は、超音波診断装置１の操作者からの各種設定要求を受け付け、受け付けた各種設定要求を装置本体１００に転送する。例えば、入力装置１０２は、超音波診断装置１の操作者から、超音波画像中の特徴的な部位（特徴部位）を自動的に検出するＣＡＤ処理を実行するための指示（実行指示）を受け付け、受け付けた実行指示を装置本体１００の処理回路１８０に送信する。また、操作者は、入力装置１０２を介して、ＣＡＤ処理において、特徴部位の検索範囲であるＲＯＩ（Region Of Interest）を超音波画像に設定することもできる。
【0021】
ディスプレイ１０３は、例えば、超音波診断装置１の操作者が入力装置１０２を用いて各種設定要求を入力するためのＧＵＩ（Graphical User Interface）を表示したり、装置本体１００において生成された超音波画像データにより示される超音波画像等を表示したりする。ディスプレイ１０３は、液晶モニタやＣＲＴ（Cathode Ray Tube）モニタ等によって実現される。ディスプレイ１０３は、表示部の一例である。
【0022】
速度検出器１０４は、超音波プローブ１０１に取り付けられて、超音波プローブ１０１の移動速度（スキャン速度、スキャンスピード）を検出する。そして、速度検出器１０４は、検出した移動速度を示す検出信号を装置本体１００の処理回路１８０に送信する。例えば、速度検出器１０４は、磁気センサにより実現される。なお、速度検出器１０４は、磁気センサに限られず、超音波プローブ１０１の速度を検出可能な磁気センサ以外の公知のデバイスにより実現されてもよい。
【0023】
装置本体１００は、超音波プローブ１０１から送信される反射波信号に基づいて超音波画像データを生成する。装置本体１００は、超音波プローブ１０１が送信した被検体Ｐの２次元領域に対応する反射波信号に基づいて２次元の超音波画像データを生成可能である。また、装置本体１００は、超音波プローブ１０１が送信した被検体Ｐの３次元領域に対応する反射波信号に基づいて３次元の超音波画像データを生成可能である。
【0024】
図１に示すように、装置本体１００は、送信回路１１０と、受信回路１２０と、Ｂモード処理回路１３０と、ドプラ処理回路１４０と、画像生成回路１５０と、画像メモリ１６０と、記憶回路１７０と、処理回路１８０とを有する。送信回路１１０、受信回路１２０、Ｂモード処理回路１３０、ドプラ処理回路１４０、画像生成回路１５０、画像メモリ１６０、記憶回路１７０及び処理回路１８０は、互いに通信可能に接続されている。
【0025】
送信回路１１０は、処理回路１８０による制御を受けて、超音波プローブ１０１から超音波を送信させる。送信回路１１０は、レートパルサ発生回路と、送信遅延回路と、送信パルサとを有し、超音波プローブ１０１に駆動信号を供給する。送信回路１１０は、被検体Ｐ内の２次元領域を走査する場合、超音波プローブ１０１から２次元領域を走査するための超音波ビームを送信させる。また、送信回路１１０は、被検体Ｐ内の３次元領域を走査する場合、超音波プローブ１０１から３次元領域を走査するための超音波ビームを送信させる。
【0026】
レートパルサ発生回路は、所定のレート周波数（ＰＲＦ：Pulse Repetition Frequency）で、送信超音波（送信ビーム）を形成するためのレートパルスを繰り返し発生する。レートパルスが送信遅延回路を経由することで、異なる送信遅延時間を有した状態で送信パルサに電圧が印加される。例えば、送信遅延回路は、超音波プローブ１０１から発生される超音波をビーム状に集束して送信指向性を決定するために必要な圧電振動子ごとの送信遅延時間を、レートパルサ発生回路により発生される各レートパルスに対して与える。送信パルサは、かかるレートパルスに基づくタイミングで、超音波プローブ１０１に駆動信号（駆動パルス）を印加する。なお、送信遅延回路は、各レートパルスに与える送信遅延時間を変化させることで、圧電振動子面からの超音波の送信方向を任意に調整する。
【0027】
駆動パルスは、送信パルサからケーブルを介して超音波プローブ１０１内の圧電振動子まで伝達した後に、圧電振動子において電気信号から機械的振動に変換される。この機械的振動によって発生した超音波は、被検体Ｐの生体内部に送信される。ここで、圧電振動子ごとに異なる送信遅延時間を持った超音波は、集束されて、所定方向に伝搬していく。
【0028】
なお、送信回路１１０は、処理回路１８０による制御を受けて、所定のスキャンシーケンスを実行するために、送信周波数、送信駆動電圧等を瞬時に変更可能な機能を有する。特に、送信駆動電圧の変更は、瞬間にその値を切り替え可能なリニアアンプ型の発信回路、または、複数の電源ユニットを電気的に切り替える機構によって実現される。
【0029】
超音波プローブ１０１により送信された超音波の反射波は、超音波プローブ１０１内部の圧電振動子まで到達した後、圧電振動子において、機械的振動から電気的信号（反射波信号）に変換される。そして、受信回路１２０は、超音波プローブ１０１から送信された反射波信号を受信する。受信回路１２０は、処理回路１８０による制御を受けて、反射波信号に対して各種処理を行なって反射波データを生成し、生成した反射波データをＢモード処理回路１３０及びドプラ処理回路１４０に出力する。例えば、受信回路１２０は、１フレーム分の反射波信号を受信する度に、受信した反射波信号から１フレーム分の反射波データを生成する。受信回路１２０は、超音波プローブ１０１から送信された２次元の反射波信号から２次元の反射波データを生成する。また、受信回路１２０は、超音波プローブ１０１から送信された３次元の反射波信号から３次元の反射波データを生成する。
【0030】
受信回路１２０は、プリアンプと、Ａ／Ｄ（Analog to Digital）変換器と、直交検波回路等を有する。プリアンプは、反射波信号をチャンネルごとに増幅してゲイン調整（ゲイン補正）を行なう。Ａ／Ｄ変換器は、ゲイン補正された反射波信号をＡ／Ｄ変換することでゲイン補正された反射波信号をデジタル信号に変換する。直交検波回路は、デジタル信号をベースバンド帯域の同相信号（Ｉ信号、Ｉ：In-phase）と直交信号（Ｑ信号、Ｑ：Quadrature-phase）とに変換する。そして、直交検波回路は、Ｉ信号及びＱ信号（ＩＱ信号）を反射波データとしてＢモード処理回路１３０及びドプラ処理回路１４０に出力する。
【0031】
Ｂモード処理回路１３０は、処理回路１８０による制御を受けて、受信回路１２０から出力された反射波データに対して、対数増幅、包絡線検波処理及び対数圧縮等を行なって、サンプル点ごとの信号強度（振幅強度）が輝度の明るさで表現されるデータ（Ｂモードデータ）を生成する。例えば、Ｂモード処理回路１３０は、１フレーム分の反射波データを受信する度に、受信した反射波データから１フレーム分のＢモードデータを生成する。Ｂモード処理回路１３０は、生成したＢモードデータを画像生成回路１５０に出力する。Ｂモード処理回路１３０は、例えば、プロセッサにより実現される。
【0032】
ドプラ処理回路１４０は、処理回路１８０による制御を受けて、受信回路１２０から出力された反射波データを周波数解析することで、ドプラ効果に基づく移動体（血流や組織、造影剤エコー成分等）の運動情報を抽出し、抽出した運動情報を示すデータ（ドプラデータ）を生成する。例えば、ドプラ処理回路１４０は、移動体の運動情報として、平均速度、分散及びパワー等を多点に渡り抽出し、抽出した移動体の運動情報を示すドプラデータを生成する。例えば、ドプラ処理回路１４０は、１フレーム分の反射波データを受信する度に、受信した反射波データから１フレーム分のドプラデータを生成する。ドプラ処理回路１４０は、生成したドプラデータを画像生成回路１５０に出力する。ドプラ処理回路１４０は、例えば、プロセッサにより実現される。
【0033】
また、上記のドプラ処理回路１４０の機能を用いて、本実施形態に係る超音波診断装置１は、カラーフローマッピング法（ＣＦＭ：Color Flow Mapping）とも呼ばれるカラードプラ法を実行可能である。ＣＦＭ法では、超音波の送受信が複数の走査線上で複数回行なわれる。そして、ＣＦＭ法では、同一位置のデータ列に対してＭＴＩ(Moving Target Indicator)フィルタを掛けることで、静止している組織、或いは、動きの遅い組織に由来する信号（クラッタ信号）を抑制して、血流に由来する信号を抽出する。そして、ＣＦＭ法では、この血流信号から血流の速度、血流の分散、血流のパワー等の血流情報を推定する。後述する画像生成回路１５０は、推定結果の分布を、例えば、２次元でカラー表示した超音波画像データ（カラードプラ画像データ）を生成する。そして、ディスプレイ１０３は、カラードプラ画像データが示すカラードプラ画像を表示する。
【0034】
Ｂモード処理回路１３０及びドプラ処理回路１４０は、２次元の反射波データ及び３次元の反射波データの両方について処理可能である。
【0035】
画像生成回路１５０は、処理回路１８０による制御を受けて、Ｂモード処理回路１３０及びドプラ処理回路１４０が出力した各種のデータ（Ｂモードデータ及びドプラデータ）から超音波画像データを生成する。例えば、画像生成回路１５０は、Ｂモード処理回路１３０及びドプラ処理回路１４０から出力された１フレーム分の各種のデータを受信する度に、受信した各種のデータから１フレーム分の超音波画像データを生成する。すなわち、画像生成回路１５０は、超音波走査に対してリアルタイムで時系列に沿った複数の超音波画像データを所定のフレームレートで生成する。このようにして、本実施形態では、超音波プローブ１０１、受信回路１２０、Ｂモード処理回路１３０、ドプラ処理回路１４０及び画像生成回路１５０が、リアルタイムで、時系列に沿った複数の超音波画像データを所定のフレームレートで収集する。超音波画像データは、超音波プローブ１０１により行われた超音波走査により得られた反射波信号に基づくデータである。超音波プローブ１０１、受信回路１２０、Ｂモード処理回路１３０、ドプラ処理回路１４０及び画像生成回路１５０は、収集部の一例である。また、超音波画像データは、医用画像データの一例である。
【0036】
そして、画像生成回路１５０は、リアルタイムで生成された時系列に沿った複数の超音波画像データを、画像メモリ１６０に記憶させる。具体例を挙げて説明すると、画像生成回路１５０は、１フレーム分の超音波画像データを生成する度に、生成した超音波画像データを画像メモリ１６０に記憶させる。例えば、超音波走査により得られた時系列に沿った複数の超音波画像データのうち、１番目に生成された超音波画像データは、１フレーム目の超音波画像データと称される。同様に、Ｎ（Ｎは、１以上の整数）番目に生成された超音波画像データは、Ｎフレーム目の超音波画像データと称される。
【0037】
画像生成回路１５０は、プロセッサにより実現される。ここで、画像生成回路１５０は、超音波走査の走査線信号列を、テレビ等に代表されるビデオフォーマットの走査線信号列に変換（スキャンコンバート）し、表示用の超音波画像データを生成する。例えば、画像生成回路１５０は、超音波プローブ１０１による超音波の走査形態に応じて座標変換を行なうことで、表示用の超音波画像データを生成する。また、画像生成回路１５０は、スキャンコンバート以外に種々の画像処理として、例えば、スキャンコンバート後の複数の画像フレームを用いて、輝度の平均値画像を再生成する画像処理（平滑化処理）や、画像内で微分フィルタを用いる画像処理（エッジ強調処理）等を行なう。また、画像生成回路１５０は、超音波画像データに、種々のパラメータの文字情報、目盛り、ボディーマーク等を合成する。
【0038】
また、画像生成回路１５０は、Ｂモード処理回路１３０により生成された３次元のＢモードデータに対して座標変換を行なうことで、３次元Ｂモード画像データを生成する。また、画像生成回路１５０は、ドプラ処理回路１４０により生成された３次元のドプラデータに対して座標変換を行なうことで、３次元ドプラ画像データを生成する。すなわち、画像生成回路１５０は、「３次元のＢモード画像データ及び３次元ドプラ画像データ」を「３次元超音波画像データ（ボリュームデータ）」として生成する。そして、画像生成回路１５０は、ボリュームデータをディスプレイ１０３にて表示するための各種の２次元画像データを生成するために、ボリュームデータに対して様々なレンダリング処理を行なう。
【0039】
Ｂモードデータ及びドプラデータは、スキャンコンバート処理前の超音波画像データであり、画像生成回路１５０が生成するデータは、スキャンコンバート処理後の表示用の超音波画像データである。なお、Ｂモードデータ及びドプラデータは、生データ（Raw Data）とも呼ばれる。
【0040】
画像メモリ１６０は、画像生成回路１５０により生成された各種の画像データを記憶するメモリである。また、画像メモリ１６０は、Ｂモード処理回路１３０及びドプラ処理回路１４０により生成されたデータも記憶する。画像メモリ１６０が記憶するＢモードデータやドプラデータは、例えば、診断の後に操作者が呼び出すことが可能となっており、画像生成回路１５０を経由して表示用の超音波画像データとなる。例えば、画像メモリ１６０は、ＲＡＭ、フラッシュメモリ等の半導体メモリ素子、ハードディスク又は光ディスクによって実現される。
【0041】
記憶回路１７０は、超音波送受信、画像処理及び表示処理を行なうための制御プログラム、診断情報（例えば、患者ＩＤ、医師の所見等）、並びに、診断プロトコル及び各種ボディーマーク等の各種データを記憶する。また、記憶回路１７０は、必要に応じて、画像メモリ１６０が記憶するデータの保管等にも使用される。例えば、記憶回路１７０は、フラッシュメモリ等の半導体メモリ素子、ハードディスク又は光ディスクによって実現される。記憶回路１７０は、記憶部の一例である。
【0042】
処理回路１８０は、超音波診断装置１の処理全体を制御する。処理回路１８０は、例えば、プロセッサにより実現される。処理回路１８０は、制御機能１８１、速度検出機能１８２、取得機能１８３、判別機能１８４、マーカ情報生成機能１８５及び表示制御機能１８６の各処理機能を有する。
【0043】
ここで、例えば、処理回路１８０が有する各処理機能は、コンピュータによって実行可能なプログラムの形態で記憶回路１７０に記憶される。図１に示す処理回路１８０の構成要素である制御機能１８１、速度検出機能１８２、取得機能１８３、判別機能１８４、マーカ情報生成機能１８５及び表示制御機能１８６の各処理機能は、コンピュータによって実行可能なプログラムの形態で記憶回路１７０に記憶されている。処理回路１８０は、各プログラムを記憶回路１７０から読み出し、読み出された各プログラムを実行することで、各プログラムに対応する機能を実現する。換言すると、各プログラムを読み出した状態の処理回路１８０は、図１の処理回路１８０内に示された各機能を有することとなる。
【0044】
上記説明において用いた「プロセッサ」という文言は、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、若しくは、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、又は、フィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ））等の回路を意味する。プロセッサは、例えば、記憶回路１７０に保存されたプログラムを読み出し実行することで機能を実現する。なお、記憶回路１７０にプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むよう構成しても構わない。この場合、プロセッサは回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。なお、本実施形態の各プロセッサは、プロセッサごとに単一の回路として構成される場合に限らず、複数の独立した回路を組み合わせて１つのプロセッサとして構成し、その機能を実現するようにしてもよい。更に、図１における複数の構成要素を１つのプロセッサへ統合してその機能を実現するようにしてもよい。以下の説明で用いられる「プロセッサ」という文言についても同様である。
【0045】
制御機能１８１は、入力装置１０２を介して操作者から入力された各種設定要求や、記憶回路１７０から読込んだ各種データに基づき、送信回路１１０、受信回路１２０、Ｂモード処理回路１３０、ドプラ処理回路１４０及び画像生成回路１５０の処理を制御する。
【0046】
速度検出機能１８２は、速度検出器１０４から送信される検出信号に基づいて、検出信号が示す超音波プローブ１０１の移動速度を算出することにより、超音波プローブ１０１の移動速度を検出する。例えば、速度検出機能１８２は、所定の時間間隔で、超音波プローブ１０１の移動速度を検出する。速度検出器１０４及び速度検出機能１８２は、検出部の一例である。
【0047】
取得機能１８３は、学習済みモデル生成装置２００から送信された第１の学習済みモデル１１ａ、第２の学習済みモデル１２ａ及び第３の学習済みモデル１３ａを取得する。そして、取得機能１８３は、取得した第１の学習済みモデル１１ａ、第２の学習済みモデル１２ａ及び第３の学習済みモデル１３ａを記憶回路１７０に記憶させる。また、取得機能１８３は、学習済みモデル生成装置２００から送信された第１の学習条件１１ｂ、第２の学習条件１２ｂ及び第３の学習条件１３ｂを取得する。そして、取得機能１８３は、取得した第１の学習条件１１ｂ、第２の学習条件１２ｂ及び第３の学習条件１３ｂを記憶回路１７０に記憶させる。記憶回路１７０に記憶された各種の学習済みモデル及び各種の学習条件は、判別機能１８４が各種の判別処理を行う際に用いられる。
【0048】
また、取得機能１８３は、入力装置１０２を介して操作者から入力されたＣＡＤ処理を実行するための指示（実行指示）を受信した場合に、時系列に沿った複数の超音波画像データを取得する。例えば、取得機能１８３は、実行指示を受信した後に、新たに生成された１フレーム分の超音波画像データが画像メモリ１６０に記憶される度に、画像メモリ１６０から、新たに生成された１フレーム分の超音波画像データを取得する。例えば、時系列に沿った複数の超音波画像データは、超音波走査により得られたデータ群である。このような超音波走査は、例えば、操作者により被検体Ｐの体表に沿って移動された超音波プローブ１０１の移動により被検体Ｐの内部の走査領域が移動されながら行われたり、超音波プローブ１０１が停止した状態で行われたりする。また、以下の説明において、時系列に沿った複数の超音波画像データのそれぞれは、例えば、Ｂモード画像データである。
【0049】
判別機能１８４は、記憶回路１７０に記憶された各種の学習済みモデル及び各種の学習条件を用いて、特徴部位に関する判別結果を導出する運用時の処理を実行する。例えば、判別機能１８４は、新たに生成された１フレーム分の超音波画像データが取得機能１８３により取得される度に、取得された１フレーム分の超音波画像データを用いて、運用時の処理を実行する。
【0050】
図３は、第１の実施形態に係る判別機能１８４により実行される処理の一例を説明するための図である。図３に例示するように、運用時の１段階目において、判別機能１８４は、第１の学習済みモデル１１ａ及び第１の学習条件１１ｂを用いて、ＣＡＤ処理として、超音波画像に特徴部位が含まれるか又は含まれないかを判別し、判別結果（第１の判別結果）を導出する第１の判別処理を実行する。すなわち、判別機能１８４により超音波画像に特徴部位が含まれると判別された場合には、特徴部位を検出したことになる。また、判別機能１８４により超音波画像に特徴部位が含まれないと判別された場合には、特徴部位を検出していないこととなる。
【0051】
また、判別機能１８４は、運用時の２段階目において、第２の学習済みモデル１２ａ及び第２の学習条件１２ｂを用いて、運用時の１段階目において検出された特徴部位が良性であるか又は悪性であるかを判別し、判別結果（第２の判別結果）を導出する第２の判別処理を実行する。また、判別機能１８４は、運用時の３段階目において、第３の学習済みモデル１３ａ及び第３の学習条件１３ｂを用いて、運用時の２段階目において悪性と判別された特徴部位の悪性度を判別し、判別結果（第３の判別結果）を導出する第３の判別処理を実行する。例えば、悪性度としては、悪性度Ａと、悪性度Ａよりも悪性の度合いが高い悪性度Ｂの２つの悪性度が挙げられる。この場合、判別機能１８４は、悪性と判別された特徴部位の悪性度が、悪性度Ａであるか又は悪性度Ｂであるかを判別する。以下、判別機能１８４が、悪性度として、悪性度Ａ及び悪性度Ｂの２つの悪性度を判別する場合について説明するが、悪性度は、悪性度Ａ及び悪性度Ｂの２つの悪性度に限られない。判別機能１８４は、判別部の一例である。
【0052】
図４は、第１の実施形態に係る学習時の１段階目の処理及び運用時の１段階目の処理の一例を説明するための図である。図４に例示するように、学習時の１段階目では、学習済みモデル生成機能２０１ａは、超音波画像データ１４と、第１のラベル１５との関係を学習することによって、第１の学習済みモデル１１ａを生成し、第１の学習条件１１ｂを記録する。ここで、第１のラベル１５は、超音波画像データ１４により示される超音波画像に特徴部位が含まれるか又は含まれないかを示すラベルである。すなわち、学習済みモデル生成機能２０１ａは、超音波画像データ１４と第１のラベル１５とを対応付けて学習することにより、第１の学習済みモデル１１ａを生成し、第１の学習条件１１ｂを記録する。超音波画像データ１４は、例えば、Ｂモードデータから生成されたＢモード画像データである。超音波画像データ１４は、超音波診断装置１又は超音波診断装置１以外の超音波診断装置により生成されたデータである。
【0053】
なお、超音波画像データ１４は、エッジ強調及びコントラスト強調等の前処理が施されたＢモード画像データであってもよい。また、超音波画像データ１４は、例えば、Ｂモードデータ（Ｂモードの生データ）であってもよい。また、超音波画像データ１４は、カラードプラ画像データであってもよい。また、超音波画像データ１４は、ストレインエラストにより得られたＦＬＲ（Fat Lesion Ratio）を示す画像データであってもよい。また、超音波画像データ１４は、ＳＷＥ（Shear Wave Elastography）により得られた、走査領域内の複数のサンプル点のそれぞれにおけるせん断速度に応じた画素値が各サンプル点に割り当てられたせん断速度画像データ（shear wave speed image data）であってもよい。また、超音波画像データ１４は、超音波診断装置１又は超音波診断装置１以外の超音波診断装置により、ストレインエラスト又はＳＷＥを実行中に得られたＢモード画像データであってもよい。
【0054】
また、第１のラベル１５は、例えば、操作者が、超音波画像データ１４により示される超音波画像に特徴部位が含まれるか又は含まれないか判断することにより得られるラベルである。なお、第１のラベル１５は、超音波診断装置１又は他の装置により超音波画像データ１４に対してＣＡＤ処理を施すことにより得られるラベルであってもよい。
【0055】
例えば、学習済みモデル生成機能２０１ａは、超音波画像データ１４と第１のラベル１５の組を学習用データ（教師データ）として機械学習エンジンに入力することによって、機械学習を行う。
【0056】
例えば、機械学習エンジンは、ディープラーニング（Deep Learning）や、ニューラルネットワーク（Neural Network）、ロジスティック（Logistic）回帰分析、非線形判別分析、サポートベクターマシン（Support Vector Machine：ＳＶＭ）、ランダムフォレスト（Random Forest）、ナイーブベイズ（Naive Bayes）等の各種のアルゴリズムを用いて機械学習を行う。
【0057】
このような機械学習の結果として、学習済みモデル生成機能２０１ａは、超音波画像データの入力に対して第１の判別結果を導出するための第１の判別処理において用いられる第１の学習済みモデル１１ａを生成する。また、上述したような機械学習の結果として、学習済みモデル生成機能２０１ａは、第１の判別処理で計算に用いられる第１の学習条件１１ｂを記録する。そして、学習済みモデル生成機能２０１ａは、生成した第１の学習済みモデル１１ａ及び記録した第１の学習条件１１ｂを超音波診断装置１に送信する。これにより、超音波診断装置１の記憶回路１７０に第１の学習済みモデル１１ａ及び第１の学習条件１１ｂが記憶される。
【0058】
なお、学習済みモデル生成装置２００と、超音波診断装置１は、ネットワークを介して接続されていなくてもよい。この場合、学習済みモデル生成装置２００により生成された各種の学習済みモデル及び各種の学習条件は、ＵＳＢ（Universal Serial Bus）メモリ等の記憶媒体に記憶される。そして、超音波診断装置１が、記憶媒体に記憶された各種の学習済みモデル及び各種の学習条件を読み出し、読み出した各種の学習済みモデル及び各種の学習条件を記憶回路１７０に記憶させる。
【0059】
次に、運用時の１段階目の処理の一例について説明する。図４に例示するように、運用時の１段階目において、判別機能１８４は、第１の学習済みモデル１１ａ及び第１の学習条件１１ｂを用いて、超音波画像データ１６に示される超音波画像に特徴部位が含まれるか又は含まれないかを判別し、判別結果（第１の判別結果）１７を導出する第１の判別処理をＣＡＤ処理として実行する。例えば、超音波画像データ１６の種類は、超音波画像データ１４の種類と同一である。例えば、上述した前処理が施されたＢモード画像データ、上述した前処理が施されていないＢモード画像データ、Ｂモードデータ、カラードプラ画像データ、ストレインエラストにより得られたＦＬＲを示す画像データ、せん断速度画像データ、及び、ストレインエラスト又はＳＷＥを実行中に得られたＢモード画像データ等が、各種類の超音波画像データとして挙げられる。
【0060】
例えば、判別機能１８４は、超音波画像に特徴部位が含まれると判別した場合には、第１の判別結果１７として、超音波画像に特徴部位が含まれることを示す情報を出力する。また、判別機能１８４は、超音波画像に特徴部位が含まれないと判別した場合には、第１の判別結果１７として、超音波画像に特徴部位が含まれないことを示す情報を出力する。
【0061】
図５は、第１の実施形態に係る学習時の２段階目の処理及び運用時の２段階目の処理の一例を説明するための図である。図５に例示するように、学習時の２段階目では、学習済みモデル生成機能２０１ａは、超音波画像データ２０と、第２のラベル２１との関係を学習することによって、第２の学習済みモデル１２ａを生成し、第２の学習条件１２ｂを記録する。ここで、第２のラベル２１は、超音波画像データ２０により示される超音波画像に含まれる特徴部位が悪性であるのか又は良性であるのかを示すラベルである。すなわち、学習済みモデル生成機能２０１ａは、超音波画像データ２０と第２のラベル２１とを対応付けて学習することにより、第２の学習済みモデル１２ａを生成し、第２の学習条件１２ｂを記録する。
【0062】
第２の学習済みモデル１２ａを生成し、第２の学習条件１２ｂを記録する際に用いられる超音波画像データ２０は、特徴部位が描出された画像データである。超音波画像データ２０は、例えば、Ｂモードデータから生成されたＢモード画像データである。超音波画像データ２０は、超音波診断装置１又は超音波診断装置１以外の超音波診断装置により生成されたデータである。
【0063】
例えば、学習済みモデル生成機能２０１ａは、超音波画像データ２０と第２のラベル２１の組を学習用データとして機械学習エンジンに入力することによって、機械学習を行う。
【0064】
このような機械学習の結果として、学習済みモデル生成機能２０１ａは、特徴部位が描出された超音波画像データの入力に対して第２の判別結果を導出するための第２の判別処理において用いられる第２の学習済みモデル１２ａを生成する。また、上述したような機械学習の結果として、学習済みモデル生成機能２０１ａは、第２の判別処理で計算に用いられる第２の学習条件１２ｂを記録する。そして、学習済みモデル生成機能２０１ａは、生成した第２の学習済みモデル１２ａ及び記録した第２の学習条件１２ｂを超音波診断装置１に送信する。これにより、超音波診断装置１の記憶回路１７０に第２の学習済みモデル１２ａ及び第２の学習条件１２ｂが記憶される。
【0065】
次に、運用時の２段階目の処理の一例について説明する。図５に例示するように、運用時の２段階目において、判別機能１８４は、第２の学習済みモデル１２ａ及び第２の学習条件１２ｂを用いて、超音波画像データ２２の入力に対して、超音波画像データ２２に描出された特徴部位が良性であるか又は悪性であるかを判別し、判別結果（第２の判別結果）２３を導出する第２の判別処理を実行する。
【0066】
例えば、判別機能１８４は、超音波画像データ２２に描出された特徴部位が良性であると判別した場合には、第２の判別結果２３として、特徴部位が良性であることを示す情報を出力する。また、判別機能１８４は、超音波画像データ２２に描出された特徴部位が悪性であると判別した場合には、第２の判別結果２３として、特徴部位が悪性であることを示す情報を出力する。
【0067】
ここで、第２の判別結果２３を導出する際に用いられる超音波画像データ２２は、運用時の１段階目の第１の判別処理において特徴部位が含まれると判別された超音波画像データである。すなわち、第２の判別処理において用いられる超音波画像データ２２は、第１の判別処理において特徴部位が含まれると判別された超音波画像データである。なお、例えば、超音波画像データ２２の種類は、超音波画像データ２０の種類と同一である。
【0068】
図６は、第１の実施形態に係る学習時の３段階目の処理及び運用時の３段階目の処理の一例を説明するための図である。図６に例示するように、学習時の３段階目では、学習済みモデル生成機能２０１ａは、超音波画像データ２６と、第３のラベル２７との関係を学習することによって、第３の学習済みモデル１３ａを生成し、第３の学習条件１３ｂを記録する。ここで、第３のラベル２７は、超音波画像データ２６により示される超音波画像に含まれる悪性の特徴部位の悪性度が悪性度Ａであるのか又は悪性度Ｂであるのかを示すラベルである。すなわち、学習済みモデル生成機能２０１ａは、超音波画像データ２６と第３のラベル２７とを対応付けて学習することにより、第３の学習済みモデル１３ａを生成し、第３の学習条件１３ｂを記録する。
【0069】
第３の学習済みモデル１３ａを生成し、第３の学習条件１３ｂを記録する際に用いられる超音波画像データ２６は、悪性の特徴部位が描出された画像データである。超音波画像データ２６は、例えば、Ｂモードデータから生成されたＢモード画像データである。超音波画像データ２６は、超音波診断装置１又は超音波診断装置１以外の超音波診断装置により生成されたデータである。
【0070】
例えば、学習済みモデル生成機能２０１ａは、超音波画像データ２６と第３のラベル２７の組を学習用データとして機械学習エンジンに入力することによって、機械学習を行う。
【0071】
このような機械学習の結果として、学習済みモデル生成機能２０１ａは、悪性の特徴部位が描出された超音波画像データの入力に対して第３の判別結果を導出するための第３の判別処理において用いられる第３の学習済みモデル１３ａを生成する。また、上述したような機械学習の結果として、学習済みモデル生成機能２０１ａは、第３の判別処理で計算に用いられる第３の学習条件１３ｂを記録する。そして、学習済みモデル生成機能２０１ａは、生成した第３の学習済みモデル１３ａ及び記録した第３の学習条件１３ｂを超音波診断装置１に送信する。これにより、超音波診断装置１の記憶回路１７０に第３の学習済みモデル１３ａ及び第３の学習条件１３ｂが記憶される。
【0072】
次に、運用時の３段階目の処理の一例について説明する。図６に例示するように、運用時の３段階目において、判別機能１８４は、第３の学習済みモデル１３ａ及び第３の学習条件１３ｂを用いて、超音波画像データ２８の入力に対して、超音波画像データ２８に描出された悪性の特徴部位の悪性度が、悪性度Ａであるか又は悪性度Ｂであるかを判別し、判別結果（第３の判別結果）２９を導出する第３の判別処理を実行する。
【0073】
例えば、判別機能１８４は、超音波画像データ２８に描出された悪性の特徴部位の悪性度が悪性度Ａであると判別した場合には、第３の判別結果２９として、悪性の特徴部位の悪性度が悪性度Ａであることを示す情報を出力する。また、判別機能１８４は、超音波画像データ２８に描出された悪性の特徴部位の悪性度が悪性度Ｂであると判別した場合には、第３の判別結果２９として、悪性の特徴部位の悪性度が悪性度Ｂであることを示す情報を出力する。
【0074】
ここで、第３の判別結果２９を導出する際に用いられる超音波画像データ２８は、運用時の２段階目の第２の判別処理において悪性であると判別された特徴部位が描出された超音波画像データである。すなわち、第３の判別処理において用いられる超音波画像データ２８は、第２の判別処理において悪性であると判別された特徴部位が描出された超音波画像データである。なお、例えば、超音波画像データ２８の種類は、超音波画像データ２６の種類と同一である。
【0075】
以上、図２～６を参照して、学習時の処理及び運用時の処理の一例について説明した。上述したように、学習済みモデル生成機能２０１ａは、超音波画像データと、超音波画像データに描出される特徴部位に関するラベルとを対応付けて学習することにより、各種の学習済みモデルを生成し、各種の学習条件を記録する。各種の学習済みモデル及び各種の学習条件を用いた各種の判別処理は、特徴部位に関する判別結果を出力する。学習済みモデル生成機能２０１ａは、このような学習済みモデルを、学習時の複数の段階（上述した学習時の１段階目～３段階目）のそれぞれにおいて生成する。また、学習済みモデル生成機能２０１ａは、このような学習条件を、学習時の複数の段階のそれぞれにおいて記録する。
【0076】
学習済みモデル生成機能２０１ａは、学習時の各段階において、特定の判別を行う機能に特化した学習済みモデルを生成し、学習条件を記録する。このため、学習時の各段階において生成された学習済みモデル及び記録された学習条件に基づく判別処理は、特定の判別を精度よく行うことができる処理である。例えば、学習済みモデル生成機能２０１ａは、学習時の１段階目では、超音波画像に特徴部位が含まれるか又は含まれないかという判別を行う機能に特化した第１の学習済みモデル１１ａを生成し、第１の学習条件１１ｂを記録する。このため、第１の学習済みモデル１１ａ及び第１の学習条件１１ｂに基づく第１の判別処理によれば、超音波画像に特徴部位が含まれるか又は含まれないかを精度よく判別することができる。
【0077】
また、学習済みモデル生成機能２０１ａは、学習時の２段階目では、特徴部位が悪性であるか又は良性であるかという判別を行う機能に特化した第２の学習済みモデル１２ａを生成し、第２の学習条件１２ｂを記録する。このため、第２の学習済みモデル１２ａ及び第２の学習条件１２ｂに基づく第２の判別処理によれば、特徴部位が悪性であるか又は良性であるかを精度よく判別することができる。
【0078】
また、学習済みモデル生成機能１８７は、学習時の３段階目では、悪性である特徴部位の悪性度が悪性度Ａであるか又は悪性度Ｂであるかという判別を行う機能に特化した第３の学習済みモデル１３ａを生成し、第３の学習条件１３ｂを記録する。このため、第３の学習済みモデル１３ａ及び第３の学習条件１３ｂに基づく第３の判別処理によれば、悪性である特徴部位の悪性度が悪性度Ａであるか又は悪性度Ｂであるかを精度よく判別することができる。
【0079】
すなわち、判別機能１８４は、運用時の複数の段階のそれぞれにおいて、他の段階で実行される判別処理とは異なる特有の判別処理を実行する。したがって、第１の学習済みモデル１１ａ、第２の学習済みモデル１２ａ及び第３の学習済みモデル１３ａ、並びに、第１の学習条件１１ｂ、第２の学習条件１２ｂ及び第３の学習条件１３ｂを有する超音波診断装置１によれば、特徴部位に関する各種の判別結果を精度よく得ることができる。
【0080】
また、上述したように、学習済みモデル生成機能２０１ａは、例えば、悪性であるか又は良性であるかの判別対象である特徴部位が描出されていない超音波画像データを用いずに、特徴部位が描出された超音波画像データを用いて、第２の学習済みモデル１２ａを生成する。このため、学習済みモデル生成機能２０１ａは、第２の学習済みモデル１２ａを生成する際の機械学習の収束を早めることができる。
【0081】
また、学習済みモデル生成機能２０１ａは、例えば、悪性度Ａであるか又は悪性度Ｂであるかの判別対象でない良性の特徴部位が描出された超音波画像データを用いずに、このような判別対象である悪性の特徴部位が描出された超音波画像データを用いて、第３の学習済みモデル１３ａを生成する。このため、学習済みモデル生成機能２０１ａは、第３の学習済みモデル１３ａを生成する際の機械学習の収束を早めることができる。
【0082】
また、上述したように、判別機能１８４は、運用時の複数の段階（上述した運用時の１段階目～３段階目）のそれぞれにおいて、各種の学習済みモデル及び各種の学習条件を用いて、特徴部位に関する各種の判別結果を導出する。例えば、判別機能１８４は、運用時の１段階目において、入力された超音波画像データ１６に描出される特徴部位に関する第１の判別結果１７を導出する。また、判別機能１８４は、運用時の２段階目において、入力された超音波画像データ２２に描出された特徴部位に関する第２の判別結果２３を導出する。また、判別機能１８４は、運用時の３段階目において、入力された超音波画像データ２８に描出された特徴部位に関する第３の判別結果２９を導出する。
【0083】
また、判別機能１８４は、第１の判別処理により導出された所定の判別結果に対応する超音波画像データ２２（図５参照）を、第２の判別処理に入力する。ここで、第１の判別処理により導出された所定の判別結果とは、超音波画像に特徴部位が含まれることを示す場合の第１の判別結果１７（図４参照）を指す。
【0084】
すなわち、判別機能１８４は、第２の判別処理に対して、悪性であるか又は良性であるかの判別対象である特徴部位が描出されていない超音波画像データを入力せずに、特徴部位が描出された超音波画像データ２２を入力する。そして、判別機能１８４は、第２の判別処理により導出された第２の判別結果２３を、運用時の２段階目に対応する判別結果として導出する。
【0085】
また、判別機能１８４は、第２の判別処理により導出された所定の判別結果に対応する超音波画像データ２８（図６参照）を、第３の判別処理に入力する。ここで、第２の判別処理により導出された所定の判別結果とは、特徴部位が悪性であることを示す場合の第２の判別結果２３（図５参照）を指す。
【0086】
すなわち、判別機能１８４は、第３の判別処理に対して、悪性度Ａであるか又は悪性度Ｂであるかの判別対象である悪性の特徴部位が描出されていない超音波画像データを入力せずに、悪性の特徴部位が描出された超音波画像データ２８を入力する。そして、判別機能１８４は、第３の判別処理により導出された第３の判別結果２９を、３段階目に対応する判別結果として導出する。
【0087】
このように、判別機能１８４は、複数の段階のうち、一の段階に対応する判別処理により導出された所定の判別結果に対応する超音波画像データを、一の段階の次の段階に対応する判別処理に入力し、一の段階の次の段階に対応する判別処理により導出された判別結果を、一の段階の次の段階に対応する判別結果として導出する。
【0088】
上述したように、判別機能１８４は、超音波画像に特徴部位が含まれるか又は含まれないかを精度よく判別することができる第１の学習済みモデル１１ａ及び第１の学習条件１１ｂを用いて、第１の判別結果１７（図４参照）を導出する。したがって、判別機能１８４は、判別精度が良好な第１の判別結果１７を導出することができる。
【0089】
また、判別機能１８４は、特徴部位が悪性であるか又は良性であるかを精度よく判別することができる第２の学習済みモデル１２ａ及び第２の学習条件１２ｂを用いて、第２の判別結果２３（図５参照）を導出する。したがって、判別機能１８４は、判別精度が良好な第２の判別結果２３を導出することができる。
【0090】
また、判別機能１８４は、特徴部位の悪性度が悪性度Ａであるか又は悪性度Ｂであるかを精度よく判別することができる第３の学習済みモデル１３ａ及び第３の学習条件１３ｂを用いて、第３の判別結果２９（図６参照）を導出する。したがって、判別機能１８４は、判別精度が良好な第３の判別結果２９を導出することができる。
【0091】
これらのことから、第１の実施形態に係る超音波診断装置１によれば、特徴部位に関する判別結果を精度よく得ることができる。
【0092】
次に、運用時の第１段階目において、判別機能１８４が第１の学習済みモデル１１ａ及び第１の学習条件１１ｂを用いて実行する第１の判別処理の一例について説明する。図７は、第１の実施形態に係る第１の判別処理の一例の流れを示すフローチャートである。
【0093】
図７に示すように、判別機能１８４は、第１の検出処理を実行し（ステップＳ１０１）、第２の検出処理を実行する（ステップＳ１０２）。
【0094】
まず、ステップＳ１０１で実行される第１の検出処理について説明する。判別機能１８４は、検索窓と第１の検索用学習済みモデルと検索アルゴリズムとを用いて、操作者により超音波画像に設定された検索範囲（ＲＯＩ）における特徴部位を検索する。例えば、判別機能１８４は、検索範囲内で検索窓を複数の位置に移動させる。また、判別機能１８４は、各位置において、検索窓内の画像情報を、第１の検索用学習済みモデルと検索アルゴリズムとを用いて解析することにより、各検索窓内の画像情報が特徴部位に相当する確率（第１の確率）を算出する。
【0095】
検索窓とは、例えば、第１の検索用学習済みモデルと比較される検索範囲内の領域の単位である。第１の検索用学習済みモデルは、例えば、特徴部位の標本となる画像情報を学習したモデルである。検索アルゴリズムとは、上述した第１の確率を算出し、処理対象の超音波画像において特徴部位に相当する画像情報を検索するためのアルゴリズムである。
【0096】
第１の検索用学習済みモデルは、特徴部位を示す第１のパターンの一例である。
【0097】
そして、判別機能１８４は、算出された第１の確率が所定の閾値以上である場合に、検索窓で囲まれた範囲を、特徴部位（特徴部位の範囲）として検出する。すなわち、判別機能１８４は、超音波画像の一部分の特徴と、特徴部位を示す第１の検索用学習済みモデルの特徴とが類似している度合いを示す第１の確率が閾値以上である場合には、超音波画像に特徴部位が含まれると判別する。また、判別機能１８４は、第１の確率が閾値未満であるときには、超音波画像に特徴部位が含まれないと判別する。そして、判別機能１８４は、超音波画像に特徴部位が含まれるか又は含まれないかを判別した結果である第１の判別結果を導出する。第１の検出処理は、特徴部位検出処理の一例である。
【0098】
そして、判別機能１８４は、１フレーム分の超音波画像データ毎に、超音波画像に対する検索結果（検出結果）を記憶回路１７０に記憶させる。例えば、判別機能１８４は、１フレームの超音波画像から特徴部位を検出することができた場合には、特徴部位の位置を示す位置情報を検索結果として記憶回路１７０に記憶させる。なお、ここでいう特徴部位の位置は、超音波画像データの画像空間における位置である。
【0099】
ここで、図８及び図９を参照して、判別機能１８４により検出される特徴部位には、正しく検出された特徴部位と、実際には特徴部位ではないのに誤って検出された特徴部位との２種類の特徴部位があることについて説明する。図８及び図９は、第１の実施形態に係る判別機能１８４による特徴部位の検出結果の一例を説明するための図である。
【0100】
図８には、判別機能１８４により正しく検出された場合が示されている。図８に例示するように、例えば、判別機能１８４は、超音波画像に対して第１の検出処理を行って、検索窓３０で囲まれた、実際の特徴部位３１を含む範囲を特徴部位として検出する。そして、判別機能１８４は、超音波画像において検出された特徴部位の位置を示す情報を記憶回路１７０に記憶させる。
【0101】
一方、図９には、判別機能１８４により誤って特徴部位が検出された場合が示されている。図９に例示するように、例えば、判別機能１８４は、超音波画像に対して第１の検出処理を行って、検索窓３０で囲まれた、実際の特徴部位３１を含まない範囲を誤って特徴部位として検出する場合がある。このように、誤って特徴部位を検出することは、過検出（偽陽性）と呼ばれる。このような場合にも、判別機能１８４は、超音波画像において検出された特徴部位の位置を示す情報を記憶回路１７０に記憶させる。
【0102】
また、判別機能１８４は、１フレームの超音波画像から、特徴部位を検出することができなかった場合には、特徴部位を検出することができなかったことを示す情報を検索結果として記憶回路１７０に記憶させる。
【0103】
なお、判別機能１８４は、検索窓３０内の画像情報の特徴と第１の検索用学習済みモデルの特徴とが類似している度合いを示す指標の一例として、第１の確率を算出する場合について説明した。しかしながら、判別機能１８４は、第１の確率に代えて、検索窓３０内の画像情報の特徴と第１の検索用学習済みモデルの特徴とが類似している度合いを示す類似度等の他の指標を算出してもよい。
【0104】
以上、ステップＳ１０１で実行される第１の検出処理の一例について説明した。図１０は、第１の実施形態に係る第１の検出処理の結果の一例を示す図である。図１０に示す「特徴部位と判定した結果」は、１フレームの超音波画像から、第１の検出処理により特徴部位であると判定された検索窓３０の位置における検索窓３０内の画像情報の一例を示す。図１０に示す「特徴部位ではないと判定した結果」は、１フレームの超音波画像から、第１の検出処理により特徴部位が検出されなかった場合の検索窓３０内の画像情報の一例を示す。なお、図１０には、第１の検出処理において、検索範囲内の複数の位置に検索窓３０が配置されて、各位置で第１の確率が算出された結果の例として、１０ヶ所の画像情報が示されている。
【0105】
図１０に示すように、判別機能１８４は、第１の検出処理において、６カ所の位置で特徴部位を検出する。具体的には、図１０に示すように、判別機能１８４は、検索窓３０内の６つの画像情報４０ａ～４０ｆが特徴部位であると判定する。
【0106】
画像情報４０ａは、実際の特徴部位３１ａが描出された画像情報である。画像情報４０ｂは、過検出された画像情報である。画像情報４０ｃは、実際の特徴部位３１ｂが描出された画像情報である。画像情報４０ｄは、実際の特徴部位３１ｃが描出された画像情報である。画像情報４０ｅは、実際の特徴部位３１ｄが描出された画像情報である。画像情報４０ｆは、過検出された画像情報である。すなわち、図１０に示す場合には、特徴部位と判定された６つの画像情報のうち、２つの画像情報が過検出されている。
【0107】
また、図１０に示すように、判別機能１８４は、第１の検出処理において、４カ所の位置で特徴部位を検出しなかった。具体的には、図１０に示すように、判別機能１８４は、検索窓３０内の４つの画像情報４０ｇ～４０ｊが特徴部位ではないと判定した。
【0108】
次に、ステップＳ１０２で実行される第２の検出処理について説明する。判別機能１８４は、過検出判別用学習済みモデルと検索アルゴリズムとを用いて、第１の検出処理において検出された特徴部位（検索窓３０内の画像情報）が、第１の検出処理において過検出されると推定される画像情報に相当する確率（第２の確率）を算出する。
【0109】
過検出判別用学習済みモデルは、例えば、第１の検出処理において過検出されると推定される画像情報と、特徴部位の画像情報との判別を学習したモデルである。検索アルゴリズムとは、上述した第２の確率を算出し、処理対象の超音波画像において、第１の検出処理において過検出されると推定される画像情報に相当する画像情報を検索するためのアルゴリズムである。
【0110】
過検出判別用学習済みモデルは、第１の検出処理において、超音波画像に特徴部位が含まれないにも関わらず、特徴部位が含まれると誤って判別されると推定される画像情報の抽出を目的として学習したモデルである。過検出判別用学習済みモデルは、第２のパターンの一例である。
【0111】
ここで、先の図１０に例示するように、第１の検出処理において、６つの画像情報４０ａ～４０ｆが検出された場合について説明する。この場合、判別機能１８４は、第２の検出処理において、６つの画像情報４０ａ～４０ｆのそれぞれが、第１の検出処理において過検出されると推定される画像情報に相当する第２の確率を算出する。このように、判別機能１８４は、６つの画像情報４０ａ～４０ｆのそれぞれについて、第２の確率を算出する。
【0112】
そして、判別機能１８４は、６つの画像情報４０ａ～４０ｆのうち、算出された第２の確率が所定の閾値以上である画像情報を、第１の検出処理において過検出された画像情報として検出する。そして、判別機能１８４は、１フレーム分の超音波画像データ毎に、超音波画像に対する検索結果（検出結果）を記憶回路１７０に記憶させる。例えば、１フレームの超音波画像に対して、過検出された画像情報が検出された場合には、判別機能１８４は、検出された画像情報の位置を示す位置情報を検索結果として記憶回路１７０に記憶させる。
【0113】
なお、第２の検出処理では、判別機能１８４により、第１の検出処理において過検出された画像情報を正しく検出できる場合、及び、正しく検出できない場合がある。正しく検出できない場合には、第１の検出処理において過検出された画像情報ではない画像情報を誤って、第１の検出処理において過検出された画像情報として検出することが含まれる。
【0114】
また、例えば、１フレームの超音波画像に対して、過検出された画像情報が検出されなかった場合には、判別機能１８４は、検出されなかった画像情報の位置を示す位置情報を検索結果として記憶回路１７０に記憶させる。
【0115】
なお、判別機能１８４は、画像情報の特徴と過検出判別用学習済みモデルの特徴とが類似している度合いを示す指標の一例として、第２の確率を算出する場合について説明した。しかしながら、判別機能１８４は、第２の確率に代えて、画像情報の特徴と過検出判別用学習済みモデルの特徴とが類似している度合いを示す類似度等の他の指標を算出してもよい。
【0116】
以上、ステップＳ１０２で実行される第２の検出処理の一例について説明した。図１１は、第１の実施形態に係る第２の検出処理の結果の一例を示す図である。図１１には、先の図１０に示す６つの画像情報４０ａ～４０ｆのそれぞれに対して、第２の検出処理が実行された結果が示されている。図１１に示す「過検出と判定した結果」は、第２の検出処理により検出された画像情報の一例を示す。図１１に示す「過検出ではないと判定した結果」は、第２の検出処理により検出されなかった画像情報の一例を示す。
【0117】
図１１に示すように、判別機能１８４は、第２の検出処理において、第１の検出処理において過検出された画像情報として、２つの画像情報４０ｂ，４０ｆを検出する。また、判別機能１８４は、第２の検出処理において、４つの画像情報４０ａ，４０ｃ，４０ｄ，４０ｅを検出していない。そして、判別機能１８４は、第２の検出処理において、６つの画像情報４０ａ～４０ｆのうち、検出された２つの画像情報４０ｂ，４０ｆ以外の４つの画像情報４０ａ，４０ｃ，４０ｄ，４０ｅを、実際の特徴部位が含まれる画像情報として検出する。これにより、第２の検出処理では、最終的に、４つの画像情報４０ａ，４０ｃ，４０ｄ，４０ｅが、特徴部位として検出される。
【0118】
上述したように、判別機能１８４は、第１の検出処理において検出された特徴部位の中から過検出された特徴部位を除く特徴部位を、第２の検出処理において最終的に特徴部位として検出する。
【0119】
すなわち、判別機能１８４は、第１の検出処理により超音波画像に含まれると判別された特徴部位の特徴と、過検出判別用学習済みモデルの特徴とが類似している度合いを示す第２の確率が閾値以上である場合には、第１の検出処理において超音波画像に含まれると判別された特徴部位が超音波画像に含まれないと訂正する。したがって、判別機能１８４は、精度良く特徴部位を検出することができる。第２の検出処理は、訂正処理の一例である。
【0120】
ここで、操作者は、特徴部位の詳細ではなく、特徴部位があるか否かを把握したい場合には、超音波プローブ１０１を比較的広い範囲で比較的速く移動させると考えられる。一方、操作者は、既に特徴部位の存在を把握しており、特徴部位の詳細を把握したい場合には、特徴部位の周辺という比較的狭い範囲で比較的ゆっくりと超音波プローブ１０１を移動させると考えられる。
【0121】
そこで、第１の実施形態に係る超音波診断装置１は、以下に説明するように、超音波プローブ１０１の移動速度に応じて、適切な処理を実行する。
【0122】
【0123】
図１２に示すように、判別機能１８４は、超音波プローブ１０１の移動速度が所定の閾値Ｔｈ１よりも大きいか否かを判定する（ステップＳ２０１）。ここで、超音波プローブ１０１の移動速度が所定の閾値Ｔｈ１よりも大きい場合には、例えば、操作者は、特徴部位の詳細ではなく、特徴部位があるか否かを把握したいと考えられる。ステップＳ２０１では、速度検出機能１８２が、超音波プローブ１０１の移動速度を検出する。そして、ステップＳ２０１では、判別機能１８４は、速度検出機能１８２により検出された超音波プローブ１０１の移動速度が閾値Ｔｈ１よりも大きいか否かを判定する。閾値Ｔｈ１は、第１の閾値の一例である。
【0124】
超音波プローブ１０１の移動速度が所定の閾値Ｔｈ１よりも大きいと判定された場合（ステップＳ２０１：Ｙｅｓ）には、ステップＳ２０２において、判別機能１８４は、以下に説明する処理を行う。
【0125】
例えば、ステップＳ２０２において、判別機能１８４は、第１のフレームレート（例えば、３０ｆｐｓ）、及び、第２のフレームレート（例えば、１５ｆｐｓ）の中から、判別結果を導出する際のフレームレートとして、第１のフレームレートを選択する。なお、ここでいうフレームレートは、例えば、単位時間あたりに処理される超音波画像データの数である。また、第２のフレームレートは第１のフレームレートよりも低い。
【0126】
また、例えば、ステップＳ２０２において、判別機能１８４は、第１の導出処理及び第２の導出処理の中から、判別結果を導出する際の導出処理として、第１の導出処理を選択する。ここで、第１の導出処理は、先の図４に示す運用時の１段階目の第１の判別処理である。また、第２の導出処理は、第１の判別処理、先の図５に示す運用時の２段階目の第２の判別処理、及び、先の図６に示す運用時の３段階目の第３の判別処理である。
【0127】
第１の導出処理は、第２の導出処理に比べて処理負荷が低い。このため、判別機能１８４は、第１の導出処理を実行する場合には、フレームレートを高くすることができる。したがって、上述したように、判別機能１８４は、ステップＳ２０２において、複数の種類のフレームレート（第１のフレームレート及び第２のフレームレート）の中から、比較的高い第１のフレームレートを選択する。
【0128】
また、ステップＳ２０１で肯定判定（ステップＳ２０１：Ｙｅｓ）された場合、上述したように、操作者は、特徴部位の詳細ではなく、特徴部位があるか否かを把握したいと考えられる。そのため、ステップＳ２０２では、判別機能１８４は、複数の種類の導出処理（第１の導出処理及び第２の導出処理）の中から、複数の種類の判別が行われる第２の導出処理ではなく、超音波画像に特徴部位が含まれるか否かの１種類の判別を行う第１の導出処理（第１の判別処理）を選択する。
【0129】
そして、ステップＳ２０３では、判別機能１８４は、選択された第１の導出処理を実行する。また、ステップＳ２０３では、制御機能１８１は、選択された第１のフレームレートで各種の処理を行うように、送信回路１１０、受信回路１２０、Ｂモード処理回路１３０、ドプラ処理回路１４０、画像生成回路１５０、取得機能１８３、判別機能１８４、マーカ情報生成機能１８５及び表示制御機能１８６を制御する。
【0130】
また、ステップＳ２０３では、マーカ情報生成機能１８５は、第１の導出処理により導出された第１の判別結果１７（図４参照）に基づいて、超音波画像の検出結果を示すマーカ情報を生成する。例えば、マーカ情報生成機能１８５は、ステップＳ２０３で、第１の導出処理により第１の判別結果１７が導出される度に、導出された第１の判別結果１７に応じてマーカ情報を生成する。
【0131】
例えば、マーカ情報生成機能１８５は、第１の判別結果１７が、超音波画像に特徴部位が含まれることを示す場合には、マーカ情報生成機能１８５は、特徴部位として検出された範囲を表す矩形のマーカを示すマーカ情報を生成する。
【0132】
図１３は、第１の実施形態に係るマーカ情報生成機能１８５が実行する処理の一例を説明するための図である。例えば、第１の判別結果１７が、超音波画像に特徴部位が含まれることを示す場合には、マーカ情報生成機能１８５は、図１３に示すように、特徴部位として検出された範囲を表す矩形のマーカ３２を示すマーカ情報を生成する。なお、図１３において、符号「３１」は、実際の特徴部位を指す。
【0133】
そして、マーカ情報生成機能１８５は、マーカ情報を生成する度に、図１３に示すように、超音波画像に、マーカ情報により示されるマーカ３２を重畳させる。そして、マーカ情報生成機能１８５は、マーカ３２が重畳された超音波画像を示す超音波画像データを画像メモリ１６０に記憶させる。
【0134】
また、ステップＳ２０３において、表示制御機能１８６は、画像メモリ１６０に記憶された超音波画像データにより示される超音波画像をディスプレイ１０３に表示させる。超音波画像は、医用画像の一例である。表示制御機能１８６は、表示制御部の一例である。
【0135】
例えば、表示制御機能１８６は、リアルタイムで、マーカ３２が重畳された超音波画像をディスプレイ１０３に表示させる。例えば、表示制御機能１８６は、マーカ３２が重畳された超音波画像を示す超音波画像データが、マーカ情報生成機能１８５により画像メモリ１６０に記憶される度に、超音波画像データを画像メモリ１６０から取得する。そして、表示制御機能１８６は、マーカ３２が重畳された超音波画像を示す超音波画像データを取得する度に、マーカ３２が重畳された超音波画像をディスプレイ１０３に表示させる。
【0136】
一方、第１の判別結果１７が、超音波画像に特徴部位が含まれないことを示す場合には、マーカ情報生成機能１８５は、マーカ情報を生成しない。
【0137】
ただし、表示制御機能１８６は、マーカ３２が重畳されていない超音波画像についても、リアルタイムでディスプレイ１０３に表示させる。例えば、表示制御機能１８６は、第１の判別結果１７が、超音波画像に特徴部位が含まれないことを示す場合、図１４に例示する超音波画像をディスプレイ１０３に表示させる。なお、図１４には、実際には特徴部位３１が含まれるものの、第１の導出処理において特徴部位が検出されなかった超音波画像が示されている。図１４は、第１の実施形態に係る表示例を示す図である。
【0138】
ステップＳ２０３の処理が完了すると、超音波診断装置１は、図１２に示す処理を終了する。
【0139】
一方、超音波プローブ１０１の移動速度が所定の閾値Ｔｈ１以下であると判定された場合（ステップＳ２０１：Ｎｏ）には、判別機能１８４は、超音波プローブ１０１の移動速度が、所定の閾値Ｔｈ２よりも小さいか否かを判定する（ステップＳ２０４）。ここで、閾値Ｔｈ２は、閾値Ｔｈ１よりも小さい。また、超音波プローブ１０１の移動速度が閾値Ｔｈ２よりも小さい場合には、例えば、操作者は、既に特徴部位の存在を把握しており、特徴部位の詳細を把握したいと考えられる。閾値Ｔｈ２は、第２の閾値の一例である。
【0140】
超音波プローブ１０１の移動速度が、閾値Ｔｈ２よりも小さいと判定された場合（ステップＳ２０４：Ｙｅｓ）、ステップＳ２０５において、判別機能１８４は、以下に説明する処理を行う。
【0141】
例えば、ステップＳ２０５において、判別機能１８４は、第１のフレームレート及び第２のフレームレートの中から、判別結果を導出する際のフレームレートとして、第２のフレームレートを選択する。
【0142】
また、例えば、ステップＳ２０５において、判別機能１８４は、第１の導出処理及び第２の導出処理の中から、判別結果を導出する際の導出処理として、第２の導出処理を選択する。
【0143】
ここで、第２の導出処理は、第１の判別結果１７、第２の判別結果２３（図５参照）及び第３の判別結果２９（図６参照）を導出する。このため、第２の導出処理は、第１の導出処理よりも多くの判別結果を導出する。このように、第２の導出処理は、第１の導出処理に比べて処理負荷が高い。このため、第２の導出処理を実行する場合には、フレームレートを低くすることが好ましい。したがって、上述したように、判別機能１８４は、ステップＳ２０５において、第１のフレームレート及び第２のフレームレートの中から、比較的低い第２のフレームレートを選択する。
【0144】
また、操作者が、特徴部位の詳細を把握したいと考えられるため、ステップＳ２０５では、判別機能１８４は、複数の種類の導出処理の中から、第１の導出処理よりも多くの判別結果を導出する第２の導出処理を選択する。
【0145】
そして、ステップＳ２０６では、判別機能１８４は、選択された第２の導出処理に含まれる第１の検出処理（運用時の１段階目の処理）を実行し、第１の判別結果１７を導出する。
【0146】
また、ステップＳ２０６では、マーカ情報生成機能１８５は、ステップＳ２０３での処理と同様の処理を行う。また、ステップＳ２０６では、表示制御機能１８６は、ステップＳ２０３での処理と同様の処理を行う。
【0147】
なお、ステップＳ２０６、並びに、以下で説明するステップＳ２０７及びＳ２０８では、制御機能１８１は、選択された第２のフレームレートで各種の処理を行うように、送信回路１１０、受信回路１２０、Ｂモード処理回路１３０、ドプラ処理回路１４０、画像生成回路１５０、取得機能１８３、判別機能１８４、マーカ情報生成機能１８５及び表示制御機能１８６を制御する。すなわち、制御機能１８１は、ステップＳ２０６～Ｓ２０８での各処理が、第２のフレームレートで行われるように制御する。
【0148】
そして、ステップＳ２０７では、判別機能１８４は、選択された第２の導出処理に含まれる第２の判別処理（運用時の２段階目の処理）を実行し、第２の判別結果２３を導出する。
【0149】
ステップＳ２０７では、マーカ情報生成機能１８５は、導出された第２の判別結果２３に応じて、文字列「悪性」又は文字列「良性」を生成する。例えば、マーカ情報生成機能１８５は、第２の判別結果２３が、特徴部位が悪性であることを示す場合には、文字列「悪性」を生成する。また、マーカ情報生成機能１８５は、第２の判別結果２３が、特徴部位が良性であることを示す場合には、文字列「良性」を生成する。マーカ情報生成機能１８５は、第２の判別結果２３が導出される度に、文字列「悪性」又は文字列「良性」を生成する。
【0150】
そして、ステップＳ２０７では、表示制御機能１８６は、文字列「悪性」又は文字列「良性」が生成される度に、生成された文字列「悪性」又は文字列「良性」を超音波画像に重畳させてディスプレイ１０３に表示させる。
【0151】
なお、マーカ情報生成機能１８５は、文字列「悪性」又は文字列「良性」を生成する度に、記憶回路１７０に記憶されている被検体Ｐのレポート情報に、生成された文字列「悪性」又は文字列「良性」を自動的に登録してもよい。例えば、レポート情報は、被検体Ｐの超音波画像診断の結果の履歴等が、医師等の操作者により入力インターフェース１９０を介して登録される情報である。そして、操作者は、必要に応じて、レポート情報が示すレポート画面をディスプレイ１０３に表示させて、レポート画面が示す超音波画像診断の結果の履歴を確認する。本実施形態では、マーカ情報生成機能１８５が、被検体Ｐのレポート情報に、自動的に、特徴部位が悪性であるか良性であるかの判別結果を登録することで、操作者が手動で判別結果をレポ－ト情報に登録しなくて済む。このため、本実施形態によれば、判別結果をレポート情報に登録する際の操作者の負担を抑制することができる。なお、マーカ情報生成機能１８５は、文字列「悪性」及び文字列「良性」に代えて、第２の判別結果２３を自動的にレポート情報に登録してもよい。
【0152】
そして、ステップＳ２０８では、判別機能１８４は、選択された第２の導出処理に含まれる第３の判別処理（運用時の３段階目の処理）を実行し、第３の判別結果２９を導出する。
【0153】
ステップＳ２０８では、マーカ情報生成機能１８５は、導出された第３の判別結果２９に応じて、文字列「悪性度Ａ」又は文字列「悪性度Ｂ」を生成する。例えば、マーカ情報生成機能１８５は、第３の判別結果２９が、特徴部位の悪性度が悪性度Ａであることを示す場合には、文字列「悪性度Ａ」を生成する。また、マーカ情報生成機能１８５は、第３の判別結果２９が、特徴部位の悪性度が悪性度Ｂであることを示す場合には、文字列「悪性度Ｂ」を生成する。マーカ情報生成機能１８５は、第３の判別結果２９が導出される度に、文字列「悪性度Ａ」又は文字列「悪性度Ｂ」を生成する。
【0154】
そして、ステップＳ２０８では、表示制御機能１８６は、文字列「悪性度Ａ」又は文字列「悪性度Ｂ」が生成される度に、生成された文字列「悪性度Ａ」又は文字列「悪性度Ｂ」を超音波画像に重畳させてディスプレイ１０３に表示させる。
【0155】
なお、マーカ情報生成機能１８５は、文字列「悪性度Ａ」又は文字列「悪性度Ｂ」を生成する度に、記憶回路１７０に記憶されている被検体Ｐのレポート情報に、生成された文字列「悪性度Ａ」又は文字列「悪性度Ｂ」を自動的に登録してもよい。本実施形態では、マーカ情報生成機能１８５が、被検体Ｐのレポート情報に、自動的に、特徴部位の悪性度の判別結果を登録することで、操作者が手動で判別結果をレポ－ト情報に登録しなくて済む。このため、本実施形態によれば、判別結果をレポート情報に登録する際の操作者の負担を抑制することができる。なお、マーカ情報生成機能１８５は、文字列「悪性度Ａ」及び文字列「悪性度Ｂ」に代えて、第３の判別結果２９を自動的にレポート情報に登録してもよい。
【0156】
ステップＳ２０８の処理が完了すると、超音波診断装置１は、図１２に示す処理を終了する。
【0157】
一方、超音波プローブ１０１の移動速度が、閾値Ｔｈ２以上であると判定された場合（ステップＳ２０４：Ｎｏ）には、ステップＳ２０９で、超音波診断装置１は、以下に説明する処理を行う。
【0158】
例えば、ステップＳ２０９で、超音波診断装置１は、ステップＳ２０３の処理と同様の処理を実行する。ただし、ステップＳ２０９では、制御機能１８１は、所定のフレームレートで各種の処理を行うように、送信回路１１０、受信回路１２０、Ｂモード処理回路１３０、ドプラ処理回路１４０、画像生成回路１５０、取得機能１８３、判別機能１８４、マーカ情報生成機能１８５及び表示制御機能１８６を制御する。かかる所定のフレームレートは、第１のフレームレート及び第２のフレームレート以外のフレームレートであってもよいし、第１のフレームレート又は第２のフレームレートであってもよい。
【0159】
ステップＳ２０９の処理が完了すると、超音波診断装置１は、図１２に示す処理を終了する。
【0160】
図１２に示す処理では、判別機能１８４は、超音波プローブ１０１の移動速度に応じて、複数の超音波画像データの複数の種類のフレームレートの中から、判別結果を導出する際のフレームレートを選択する処理を実行する。このようなフレームレートを選択する処理は、第１の選択処理の一例である。
【0161】
また、図１２に示す処理では、判別機能１８４は、超音波プローブ１０１の移動速度に応じて、判別結果を導出するための複数の種類の導出処理の中から、判別結果を導出する際の導出処理を選択する処理を実行する。このような導出処理を選択する処理は、第２の選択処理の一例である。例えば、図１２に示す処理では、判別機能１８４は、複数の学習済みモデル及び複数の学習条件のうち、超音波プローブ１０１の移動速度に応じた少なくとも１つの学習済みモデル及び少なくとも１つの学習条件を用いて、この学習済みモデル及び学習条件に対応する判別処理を実行することにより、被検体Ｐの特徴部位に関する判別結果を導出する。
【0162】
したがって、第１の実施形態に係る超音波診断装置１によれば、超音波プローブ１０１の移動速度に応じて適切な処理を行うことができる。
【0163】
以上、第１の実施形態に係る超音波診断装置１について説明した。第１の実施形態に係る超音波診断装置１によれば、上述したように、特徴部位に関する判別結果を精度よく得ることができる。また、第１の実施形態に係る超音波診断装置１によれば、上述したように、超音波プローブ１０１の移動速度に応じて適切な処理を行うことができる。
【0164】
（第２の実施形態）
なお、上述した第１の実施形態では、学習済みモデル生成装置２００の学習済みモデル生成機能２０１ａが、各種の学習済みモデルを生成し、各種の学習条件を記録する場合について説明した。しかしながら、超音波診断装置１が、各種の学習済みモデルを生成し、各種の学習条件を記録してもよい。そこで、このような実施形態を第２の実施形態として説明する。なお、第２の実施形態の説明では、第１の実施形態と異なる点を主に説明し、第１の実施形態と同様の構成及び処理については説明を省略する場合がある。
なお、上述した第１の実施形態では、学習済みモデル生成装置２００の学習済みモデル生成機能２０１ａが、各種の学習済みモデルを生成し、各種の学習条件を記録する場合について説明した。しかしながら、超音波診断装置１が、各種の学習済みモデルを生成し、各種の学習条件を記録してもよい。そこで、このような実施形態を第２の実施形態として説明する。なお、第２の実施形態の説明では、第１の実施形態と異なる点を主に説明し、第１の実施形態と同様の構成及び処理については説明を省略する場合がある。
【0165】
図１５は、第２の実施形態に係る超音波診断装置１の構成例を示す図である。第２の実施形態では、処理回路１８０が、学習済みモデル生成機能１８７を有する点が、第１の実施形態と異なる。
【0166】
上述した第１の実施形態では、学習済みモデル生成機能２０１ａが、超音波診断装置１又は他の超音波診断装置により生成された超音波画像データを用いて、各種の学習済みモデルを生成し、各種の学習条件を記録する。
【0167】
一方、学習済みモデル生成機能１８７は、画像生成回路１５０により生成された超音波画像データ（例えばＢモード画像データ）を用いて、学習済みモデル生成機能２０１ａと同様に、各種の学習済みモデルを生成し、各種の学習条件を記録する。学習済みモデル生成機能１８７は、生成部の一例である。
【0168】
具体的には、学習済みモデル生成機能１８７は、第１の学習済みモデル１１ａ、第２の学習済みモデル１２ａ及び第３の学習済みモデル１３ａを生成する。また、学習済みモデル生成機能１８７は、第１の学習条件１１ｂ、第２の学習条件１２ｂ及び第３の学習条件１３ｂを記憶回路１７０に記録する。すなわち、学習済みモデル生成機能１８７は、超音波画像データと、超音波画像データに描出される特徴部位に関する判別結果（ラベル）とを対応付けて学習することにより、入力された超音波画像データに描出される被検体の特徴部位に関する判別結果を出力する判別処理を実行する際に用いられる学習済みモデルを生成し、学習条件を記録する。学習済みモデル生成機能１８７は、学習時の複数の段階（上述した学習時の１段階目～３段階目）のそれぞれにおいて、学習済みモデルを生成し、学習条件を記録する。
【0169】
ここで、学習済みモデル生成機能１８７は、学習済みモデル生成機能２０１ａと同様に、非同期で、第１の学習済みモデル１１ａと、第２の学習済みモデル１２ａと、第３の学習済みモデル１３ａとを生成する。また、学習済みモデル生成機能１８７は、非同期で、第１の学習条件１１ｂと、第２の学習条件１２ｂと、第３の学習条件１３ｂとを記録する。
【0170】
そして、学習済みモデル生成機能１８７は、第１の学習済みモデル１１ａ、第２の学習済みモデル１２ａ及び第３の学習済みモデル１３ａを記憶回路１７０に記憶させる。また、学習済みモデル生成機能１８７は、第１の学習条件１１ｂ、第２の学習条件１２ｂ及び第３の学習条件１３ｂを記憶回路１７０に記憶させる。
【0171】
そして、第２の実施形態では、判別機能１８４は、記憶回路１７０に記憶された各種の学習済みモデル及び各種の学習条件を用いて、第１の実施形態と同様の処理を実行する。
【0172】
以上、第２の実施形態について説明した。第２の実施形態によれば、第１の実施形態と同様に、特徴部位に関する判別結果を精度よく得ることができる。また、第２の実施形態によれば、第１の実施形態と同様に、超音波プローブ１０１の移動速度に応じて適切な処理を行うことができる。
【0173】
なお、第２の実施形態において、学習済みモデル生成機能１８７は、非同期ではなく、同期をとって、第１の学習済みモデル１１ａと、第２の学習済みモデル１２ａと、第３の学習済みモデル１３ａとを生成してもよい。同様に、学習済みモデル生成機能１８７は、非同期ではなく、同期をとって、第１の学習条件１１ｂと、第２の学習条件１２ｂと、第３の学習条件１３ｂとを記録してもよい。
【0174】
例えば、まず、学習済みモデル生成機能１８７は、第１の学習済みモデル１１ａを生成し、第１の学習条件１１ｂを記録する。そして、第１の学習済みモデル１１ａを生成し、第１の学習条件１１ｂを記録した後に、判別機能１８４は、第１の学習済みモデル１１ａ及び第１の学習条件１１ｂを用いて、第１の判別処理を実行する。そして、学習済みモデル生成機能１８７は、第１の判別処理において特徴部位が含まれると判別された超音波画像データを学習用データの一部として用いて、第２の学習済みモデル１２ａを生成し、第２の学習条件１２ｂを記録する。これにより、第２の学習済みモデル１２ａを生成する際に用いられる学習用データの一部を操作者が用意することなく自動的に用意することが可能となる。
【0175】
このような場合の第２の学習済みモデル１２ａの生成方法の一例について図１６を参照して説明する。図１６は、第２の実施形態に係る第２の学習済みモデル１２ａを生成する処理の一例の流れを示すフローチャートである。
【0176】
図１６に例示するように、学習済みモデル生成機能１８７は、特徴部位が描出された超音波画像データ及び第２のラベル２１が入力されたか否かを判定する（ステップＳ３０１）。ここで、ステップＳ３０１で、入力されたか否かの判定の対象となる超音波画像データの一例について説明する。例えば、判定の対象となる超音波画像データは、第１の判別処理において特徴部位が含まれると判別された超音波画像データであり、操作者の目視により、特徴部位が含まれることが確認された超音波画像データである。操作者は、このような超音波画像データを第２のラベル２１とともに、入力装置１０２を介して、装置本体１００に入力する。
【0177】
超音波画像データ及び第２のラベル２１が入力されていないと判定した場合（ステップＳ３０１：Ｎｏ）には、学習済みモデル生成機能１８７は、再びステップＳ３０１の判定を行う。一方、超音波画像データ及び第２のラベル２１が入力されたと判定した場合（ステップＳ３０１：Ｙｅｓ）には、学習済みモデル生成機能１８７は、入力された超音波画像データ及び第２のラベル２１を用いて、第２の学習済みモデル１２ａを生成し、第２の学習条件１２ｂを記録する（ステップＳ３０２）。そして、学習済みモデル生成機能１８７は、図１６に示す処理を終了する。
【0178】
そして、第２の学習済みモデル１２ａが生成され、第２の学習条件１２ｂが記録された後に、判別機能１８４は、第２の学習済みモデル１２ａと、第２の学習条件１２ｂとを用いて、第２の判別処理を実行する。そして、学習済みモデル生成機能１８７は、第２の判別処理において悪性であると判別された特徴部位が描出された超音波画像データを学習用データの一部として用いて、第３の学習済みモデル１３ａを生成する。これにより、第３の学習済みモデル１３ａを生成する際に用いられる学習用データの一部を操作者が用意することなく自動的に用意することが可能となる。
【0179】
このような場合の第３の学習済みモデル１３ａの生成方法の一例について図１７を参照して説明する。図１７は、第２の実施形態に係る第３の学習済みモデル１３ａを生成する処理の一例の流れを示すフローチャートである。
【0180】
図１７に例示するように、学習済みモデル生成機能１８７は、第２の判別処理において悪性であると判別された特徴部位が描出された超音波画像データ、及び、第３のラベル２７が入力されたか否かを判定する（ステップＳ４０１）。ここで、ステップＳ４０１で、入力されたか否かの判定の対象となる超音波画像データの一例について説明する。例えば、判定の対象となる超音波画像データは、第２の判別処理において悪性であると判別された特徴部位が描出された超音波画像データであり、操作者の目視により、特徴部位が悪性であることが確認された超音波画像データである。操作者は、このような超音波画像データを第３のラベル２７とともに、入力装置１０２を介して、装置本体１００に入力する。
【0181】
超音波画像データ及び第３のラベル２７が入力されていないと判定した場合（ステップＳ４０１：Ｎｏ）には、学習済みモデル生成機能１８７は、再びステップＳ４０１の判定を行う。一方、超音波画像データ及び第３のラベル２７が入力されたと判定した場合（ステップＳ４０１：Ｙｅｓ）には、学習済みモデル生成機能１８７は、入力された超音波画像データ及び第３のラベル２７を用いて、第３の学習済みモデル１３ａを生成し、第３の学習条件１３ｂを記録する（ステップＳ４０２）。そして、学習済みモデル生成機能１８７は、図１７に示す処理を終了する。
【0182】
以上、学習済みモデルの他の生成方法について説明した。学習済みモデルの他の生成方法では、学習済みモデル生成機能１８７は、複数の段階のうち、一の段階に対応する判別処理から出力された所定の判別結果に対応する超音波画像データと、一の段階の次の段階に対応する判別結果（ラベル）とを対応付けて学習することにより、一の段階の次の段階に対応する学習済みモデルを生成する。したがって、学習済みモデルの他の生成方法によれば、学習用データを簡易に用意することができる。
【0183】
（第１の実施形態及び第２の実施形態の変形例１）
上述した第１の実施形態及び第２の実施形態では、判別機能１８４が、超音波プローブ１０１の移動速度に応じて、複数の種類の導出処理の中から、判別結果を導出する際の導出処理を選択する場合について説明した。しかしながら、判別機能１８４は、リアルタイムで判別結果を導出するのか、又は、後処理として判別結果を導出するのかに応じて、判別結果を導出する際の導出処理を選択してもよい。そこで、このような実施形態を、第１の実施形態及び第２の実施形態の変形例１として説明する。なお、変形例１の説明では、第１の実施形態及び第２の実施形態と異なる点を主に説明し、第１の実施形態及び第２の実施形態と同様の構成及び処理については説明を省略する場合がある。
上述した第１の実施形態及び第２の実施形態では、判別機能１８４が、超音波プローブ１０１の移動速度に応じて、複数の種類の導出処理の中から、判別結果を導出する際の導出処理を選択する場合について説明した。しかしながら、判別機能１８４は、リアルタイムで判別結果を導出するのか、又は、後処理として判別結果を導出するのかに応じて、判別結果を導出する際の導出処理を選択してもよい。そこで、このような実施形態を、第１の実施形態及び第２の実施形態の変形例１として説明する。なお、変形例１の説明では、第１の実施形態及び第２の実施形態と異なる点を主に説明し、第１の実施形態及び第２の実施形態と同様の構成及び処理については説明を省略する場合がある。
【0184】
例えば、変形例１では、超音波診断装置１には、入力装置１０２を介して、操作者から、超音波走査に対してリアルタイムで判別結果を導出するための指示（リアルタイム処理指示）が入力される。また、変形例１では、入力装置１０２を介して、操作者から、超音波走査よりも後に実行される後処理（ポスト処理）として判別結果を導出するための指示（後処理指示）が入力される。
【0185】
変形例１に係る超音波診断装置１は、リアルタイム処理指示が入力された場合には、先の図１２に示すステップＳ２０２及びステップＳ２０３の処理と同様の処理を実行する。
【0186】
また、超音波診断装置１は、後処理指示が入力された場合には、リアルタイムではなく、記憶回路１７０に記憶された複数の超音波画像データに対して、後処理として、先の図１２に示すステップＳ２０５～ステップＳ２０８の処理と同様の処理を実行する。
【0187】
したがって、第１の実施形態及び第２の実施形態の変形例１に係る超音波診断装置１によれば、リアルタイムで判別結果を導出するのか、又は、後処理として判別結果を導出するのかに応じて、適切な処理を行うことができる。また、変形例１に係る超音波診断装置１によれば、第１の実施形態及び第２の実施形態と同様に、特徴部位に関する判別結果を精度よく得ることができる。
【0188】
（第１の実施形態及び第２の実施形態の変形例２）
上述した第１の実施形態及び第２の実施形態では、判別機能１８４が、超音波プローブ１０１の移動速度に応じて、運用時の１段階目の処理を行うのか、又は、運用時の１段階目～３段階目の処理を行うのかを選択する場合について説明した。
上述した第１の実施形態及び第２の実施形態では、判別機能１８４が、超音波プローブ１０１の移動速度に応じて、運用時の１段階目の処理を行うのか、又は、運用時の１段階目～３段階目の処理を行うのかを選択する場合について説明した。
【0189】
しかしながら、判別機能１８４は、超音波プローブ１０１の移動速度に応じて、図７に示す第１の検出処理を行うのか、又は、図７に示す第１の検出処理及び第２の検出処理を行うのかを選択してもよい。そこで、このような実施形態を、第１の実施形態及び第２の実施形態の変形例２として説明する。なお、変形例２の説明では、第１の実施形態及び第２の実施形態と異なる点を主に説明し、第１の実施形態及び第２の実施形態と同様の構成及び処理については説明を省略する場合がある。
【0190】
図１８は、第１の実施形態及び第２の実施形態の変形例２に係る超音波診断装置１が実行する処理の一例の流れを示すフローチャートである。例えば、超音波診断装置１は、図１８に示す処理を、所定の時間間隔で実行する。
【0191】
図１８に示すように、判別機能１８４は、超音波プローブ１０１の移動速度が所定の閾値Ｔｈ１よりも大きいか否かを判定する（ステップＳ５０１）。ステップＳ５０１では、速度検出機能１８２が、超音波プローブ１０１の移動速度を検出する。そして、ステップＳ５０１では、判別機能１８４は、速度検出機能１８２により検出された超音波プローブ１０１の移動速度が閾値Ｔｈ１よりも大きいか否かを判定する。
【0192】
超音波プローブ１０１の移動速度が所定の閾値Ｔｈ１よりも大きいと判定された場合（ステップＳ５０１：Ｙｅｓ）には、ステップＳ５０２において、判別機能１８４は、以下に説明する処理を行う。
【0193】
例えば、ステップＳ５０２において、判別機能１８４は、第１のフレームレート及び第２のフレームレートの中から、判別結果を導出する際のフレームレートとして、第１のフレームレートを選択する。
【0194】
また、例えば、ステップＳ５０２において、判別機能１８４は、第１の導出処理及び第３の導出処理の中から、判別結果を導出する際の導出処理として、第１の導出処理を選択する。ここで、変形例２に係る第１の導出処理は、先の図７に示す第１の検出処理である。また、変形例２に係る第３の導出処理は、先の図７に示す第１の検出処理及び第２の検出処理である。
【0195】
上述したように、第２の検出処理では、第１の検出処理において検出された特徴部位の中から、第１の検出処理において過検出を除く特徴部位を、最終的に、特徴部位として検出する。このため、変形例２において、第３の導出処理は、第１の導出処理よりも、超音波画像に特徴部位が含まれるか否かを判別した結果である第１の判別結果を精度良く導出することが可能である。一方で、第１の導出処理は、第３の導出処理に比べて処理負荷が低い。
【0196】
ステップＳ５０１で肯定判定（ステップＳ５０１：Ｙｅｓ）された場合には、第１の判別結果の精度が良好なことよりもフレームレートが高いことが優先されると考えられる。そこで、ステップＳ５０２では、判別機能１８４は、複数の種類の導出処理の中から、比較的小さい処理負荷で、超音波画像に特徴部位が含まれるか否かの判別を行う第１の導出処理を選択する。
【0197】
また、判別機能１８４は、第１の導出処理を実行する場合には、フレームレートを高くすることができる。したがって、上述したように、判別機能１８４は、ステップＳ５０２において、複数の種類のフレームレートの中から、比較的高い第１のフレームレートを選択する。
【0198】
そして、ステップＳ５０３では、判別機能１８４は、選択された第１の導出処理（第１の検出処理）を実行する。また、ステップＳ５０３では、制御機能１８１は、選択された第１のフレームレートで各種の処理を行うように、送信回路１１０、受信回路１２０、Ｂモード処理回路１３０、ドプラ処理回路１４０、画像生成回路１５０、取得機能１８３、判別機能１８４、マーカ情報生成機能１８５及び表示制御機能１８６を制御する。
【0199】
また、ステップＳ５０３では、マーカ情報生成機能１８５は、第１の検出処理により検出された特徴部位に基づいて、超音波画像の検出結果を示すマーカ情報を生成する。例えば、マーカ情報生成機能１８５は、ステップＳ５０３で、第１の検出処理により特徴部位が検出される度に、第１の実施形態と同様に、特徴部位として検出された範囲を表す矩形のマーカを示すマーカ情報を生成する。
【0200】
そして、マーカ情報生成機能１８５は、第１の実施形態と同様に、マーカ情報を生成する度に、超音波画像に、マーカ情報により示されるマーカを重畳させる。そして、マーカ情報生成機能１８５は、第１の実施形態と同様に、マーカが重畳された超音波画像を示す超音波画像データを画像メモリ１６０に記憶させる。
【0201】
また、ステップＳ５０３において、表示制御機能１８６は、第１の実施形態と同様に、画像メモリ１６０に記憶された表示用の超音波画像データにより示される超音波画像をディスプレイ１０３に表示させる。すなわち、ステップＳ５０３では、マーカが重畳された超音波画像、及び、マーカが重畳されていない超音波画像が、リアルタイムでディスプレイ１０３に表示される。
【0202】
ステップＳ５０３の処理が完了すると、超音波診断装置１は、図１８に示す処理を終了する。
【0203】
一方、超音波プローブ１０１の移動速度が所定の閾値Ｔｈ１以下であると判定された場合（ステップＳ５０１：Ｎｏ）には、判別機能１８４は、超音波プローブ１０１の移動速度が、所定の閾値Ｔｈ２よりも小さいか否かを判定する（ステップＳ５０４）。
【0204】
超音波プローブ１０１の移動速度が、閾値Ｔｈ２よりも小さいと判定された場合（ステップＳ５０４：Ｙｅｓ）、ステップＳ５０５において、判別機能１８４は、以下に説明する処理を行う。
【0205】
ステップＳ５０４で肯定判定（ステップＳ５０４：Ｙｅｓ）された場合には、フレームレートが高いことよりも、第１の判別結果の精度が良好であることが優先されると考えられる。ここで、第３の導出処理は、第１の導出処理よりも、超音波画像に特徴部位が含まれるか否かを判別した結果である第１の判別結果を精度良く導出することが可能である。そこで、ステップＳ５０５において、判別機能１８４は、第１の導出処理及び第３の導出処理の中から、判別結果を導出する際の導出処理として、第３の導出処理を選択する。
【0206】
また、第３の導出処理は、第１の導出処理に比べて処理負荷が高い。このため、第３の導出処理を実行する場合には、フレームレートを低くすることが好ましい。そこで、ステップＳ５０５において、判別機能１８４は、第１のフレームレート及び第２のフレームレートの中から、判別結果を導出する際のフレームレートとして、第２のフレームレートを選択する。
【0207】
そして、ステップＳ５０６では、判別機能１８４は、選択された第３の導出処理に含まれる第１の検出処理を実行する。
【0208】
なお、ステップＳ５０６、及び、以下で説明するＳ５０７では、制御機能１８１は、選択された第２のフレームレートで各種の処理を行うように、送信回路１１０、受信回路１２０、Ｂモード処理回路１３０、ドプラ処理回路１４０、画像生成回路１５０、取得機能１８３、判別機能１８４、マーカ情報生成機能１８５及び表示制御機能１８６を制御する。すなわち、制御機能１８１は、ステップＳ５０６，Ｓ５０７での各処理が、第２のフレームレートで行われるように制御する。
【0209】
そして、ステップＳ５０７では、判別機能１８４は、選択された第３の導出処理に含まれる第２の検出処理を実行し、最終的に、特徴部位を検出する。
【0210】
また、ステップＳ５０７では、マーカ情報生成機能１８５は、第２の検出処理により最終的に検出された特徴部位に基づいて、超音波画像の検出結果を示すマーカ情報を生成する。例えば、マーカ情報生成機能１８５は、ステップＳ５０７で、第２の検出処理により特徴部位が最終的に検出される度に、第１の実施形態と同様に、特徴部位として検出された範囲を表す矩形のマーカを示すマーカ情報を生成する。
【0211】
そして、マーカ情報生成機能１８５は、第１の実施形態と同様に、マーカ情報を生成する度に、超音波画像に、マーカ情報により示されるマーカを重畳させる。そして、マーカ情報生成機能１８５は、第１の実施形態と同様に、マーカが重畳された超音波画像を示す超音波画像データを画像メモリ１６０に記憶させる。
【0212】
また、ステップＳ５０７において、表示制御機能１８６は、第１の実施形態と同様に、画像メモリ１６０に記憶された表示用の超音波画像データにより示される超音波画像をディスプレイ１０３に表示させる。すなわち、ステップＳ５０７では、マーカが重畳された超音波画像、及び、マーカが重畳されていない超音波画像が、リアルタイムでディスプレイ１０３に表示される。
【0213】
ステップＳ５０７の処理が完了すると、超音波診断装置１は、図１８に示す処理を終了する。
【0214】
一方、超音波プローブ１０１の移動速度が、閾値Ｔｈ２以上であると判定された場合（ステップＳ５０４：Ｎｏ）には、ステップＳ５０８で、超音波診断装置１は、以下に説明する処理を行う。
【0215】
例えば、ステップＳ５０８で、超音波診断装置１は、ステップＳ５０３の処理と同様の処理を実行する。ただし、制御機能１８１は、所定のフレームレートで各種の処理を行うように、送信回路１１０、受信回路１２０、Ｂモード処理回路１３０、ドプラ処理回路１４０、画像生成回路１５０、取得機能１８３、判別機能１８４、マーカ情報生成機能１８５及び表示制御機能１８６を制御する。かかる所定のフレームレートは、第１のフレームレート及び第２のフレームレート以外のフレームレートであってもよいし、第１のフレームレート又は第２のフレームレートであってもよい。
【0216】
ステップＳ５０８の処理が完了すると、超音波診断装置１は、図１８に示す処理を終了する。
【0217】
図１８に示す処理では、判別機能１８４は、超音波プローブ１０１の移動速度に応じて、複数の超音波画像データの複数の種類のフレームレートの中から、判別結果を導出する際のフレームレートを選択する処理を実行する。
【0218】
また、図１８に示す処理では、判別機能１８４は、超音波プローブ１０１の移動速度に応じて、判別結果を導出するための複数の種類の導出処理の中から、判別結果を導出する際の導出処理を選択する処理を実行する。
【0219】
したがって、第１の実施形態及び第２の実施形態の変形例２に係る超音波診断装置１によれば、第１の実施形態及び第２の実施形態と同様に、超音波プローブ１０１の移動速度に応じて適切な処理を行うことができる。また、変形例２に係る超音波診断装置１によれば、第１の実施形態及び第２の実施形態と同様に、特徴部位に関する判別結果を精度よく得ることができる。
【0220】
（第１の実施形態及び第２の実施形態の変形例３）
上述した第１の実施形態及び第２の実施形態では、判別機能１８４が、第１の検出処理及び第２の検出処理を実行する場合について説明した。しかしながら、判別機能１８４は、第１の検出処理及び第２の検出処理に代えて、別な処理を実行してもよい。そこで、このような実施形態を、第１の実施形態及び第２の実施形態の変形例３として説明する。
上述した第１の実施形態及び第２の実施形態では、判別機能１８４が、第１の検出処理及び第２の検出処理を実行する場合について説明した。しかしながら、判別機能１８４は、第１の検出処理及び第２の検出処理に代えて、別な処理を実行してもよい。そこで、このような実施形態を、第１の実施形態及び第２の実施形態の変形例３として説明する。
【0221】
なお、変形例３の説明では、第１の実施形態及び第２の実施形態と異なる点を主に説明し、第１の実施形態及び第２の実施形態と同様の構成及び処理については説明を省略する場合がある。
【0222】
変形例３において、運用時の第１段階目において、判別機能１８４が第１の学習済みモデル１１ａを用いて実行する第１の判別処理の一例について説明する。図１９は、第１の実施形態及び第２の実施形態の変形例３に係る第１の判別処理の一例の流れを示すフローチャートである。
【0223】
図１９に示すように、判別機能１８４は、第１の判別処理において、第３の検出処理を実行する（ステップＳ６０１）とともに、第３の検出処理と並行して第４の検出処理を実行し（ステップＳ６０２）、第５の検出処理を実行する（ステップＳ６０３）。
【0224】
まず、ステップＳ６０１で実行される第３の検出処理について説明する。判別機能１８４は、検索窓と第２の検索用学習済みモデルと検索アルゴリズムとを用いて、操作者により超音波画像に設定された検索範囲における特徴部位を検索する。例えば、判別機能１８４は、検索範囲内で検索窓を複数の位置に移動させる。また、判別機能１８４は、各位置において、検索窓内の画像情報を、第２の検索用学習済みモデルと検索アルゴリズムとを用いて解析することにより、各検索窓内の画像情報が特徴部位に相当する確率（第３の確率）を算出する。
【0225】
検索窓とは、例えば、第２の検索用学習済みモデルの特徴と比較される検索範囲内の領域の単位である。第２の検索用学習済みモデルとは、例えば、特徴部位の標本となる画像情報を学習したモデルである。検索アルゴリズムとは、上述した第３の確率を算出し、処理対象の超音波画像において特徴部位に相当する画像情報を検索するためのアルゴリズムである。
【0226】
第２の検索用学習済みモデルは、特徴部位を示す第１のパターンの一例である。
【0227】
そして、判別機能１８４は、算出された第３の確率が所定の閾値以上である場合に、検索窓で囲まれた範囲を、特徴部位（特徴部位の範囲）として検出する。すなわち、判別機能１８４は、超音波画像の一部分の特徴と、特徴部位を示す第２の検索用学習済みモデルの特徴とが類似している度合いを示す第３の確率が閾値以上である場合には、超音波画像に特徴部位が含まれると判別する。また、判別機能１８４は、第３の確率が閾値未満であるときには、超音波画像に特徴部位が含まれないと判別する。
【0228】
そして、判別機能１８４は、１フレーム分の超音波画像データ毎に、超音波画像に対する第３の検出処理における検索結果（検出結果）を記憶回路１７０に記憶させる。例えば、判別機能１８４は、１フレームの超音波画像から特徴部位を検出することができた場合には、特徴部位の位置を示す位置情報を第３の検出処理における検索結果として記憶回路１７０に記憶させる。なお、ここでいう特徴部位の位置は、超音波画像データの画像空間における位置である。
【0229】
また、１フレームの超音波画像から特徴部位が検出されなかった場合には、判別機能１８４は、特徴部位が検出されなかったことを示す情報を第３の検出処理における検索結果として記憶回路１７０に記憶させる。
【0230】
なお、判別機能１８４は、検索窓内の画像情報の特徴と第２の検索用学習済みモデルの特徴とが類似している度合いを示す指標の一例として、第３の確率を算出する場合について説明した。しかしながら、判別機能１８４は、第３の確率に代えて、検索窓内の画像情報の特徴と第２の検索用学習済みモデルの特徴とが類似している度合いを示す類似度等の他の指標を算出してもよい。
【0231】
以上、ステップＳ６０１で実行される第３の検出処理の一例について説明した。図２０は、第１の実施形態及び第２の実施形態の変形例３に係る第３の検出処理の結果の一例を示す図である。図２０に示す「特徴部位と判定した結果」は、第３の検出処理により特徴部位が検出された場合の検索窓３０内の画像情報の一例を示す。図２０に示す「特徴部位ではないと判定した結果」は、第３の検出処理により特徴部位が検出されなかった場合の検索窓３０内の画像情報の一例を示す。なお、図２０には、第３の検出処理において、検索範囲内の複数の位置に検索窓３０が配置されて、各位置で第３の確率が算出された結果の例として、８ヶ所の画像情報が示されている。
【0232】
図２０に示すように、判別機能１８４は、第３の検出処理において、４カ所の位置で特徴部位を検出する。具体的には、図２０に示すように、判別機能１８４は、検索窓３０内の４つの画像情報５０ａ～５０ｄを検出する。
【0233】
画像情報５０ａは、過検出された画像情報である。画像情報５０ｂは、実際の特徴部位３１ｅが描出された画像情報である。画像情報５０ｃは、実際の特徴部位３１ｆが描出された画像情報である。画像情報５０ｄは、過検出された画像情報である。すなわち、図２０に示す場合には、特徴部位と判定された４つの画像情報のうち、２つの画像情報が過検出されている。
【0234】
また、図２０に示すように、判別機能１８４は、第３の検出処理において、４カ所の位置で特徴部位を検出していない。具体的には、図２０に示すように、判別機能１８４は、特徴部位として検索窓３０内の４つの画像情報５０ｅ～５０ｈを検出していない。なお、判別機能１８４は、画像情報５０ｅに特徴部位３１ｇが含まれているにも関わらず、画像情報５０ｅを検出していない。
【0235】
次に、ステップＳ６０２で実行される第４の検出処理について説明する。判別機能１８４は、検索窓と第３の検索用学習済みモデルと検索アルゴリズムとを用いて、操作者により超音波画像に設定された検索範囲における特徴部位を検索する。例えば、判別機能１８４は、検索範囲内で検索窓を複数の位置に移動させる。また、判別機能１８４は、各位置において、検索窓内の画像情報を、第３の検索用学習済みモデルと検索アルゴリズムとを用いて解析することにより、各検索窓内の画像情報が特徴部位に相当する確率（第４の確率）を算出する。
【0236】
検索窓とは、例えば、第３の検索用学習済みモデルの特徴と比較される検索範囲内の領域の単位である。第３の検索用学習済みモデルとは、例えば、特徴部位の標本となる画像情報を学習したモデルである。ここで、第３の検索用学習済みモデルは、第２の検索用学習済みモデルとは異なるモデルである。検索アルゴリズムとは、上述した第４の確率を算出し、処理対象の超音波画像において特徴部位に相当する画像情報を検索するためのアルゴリズムである。
【0237】
例えば、上述した第２の検索用学習済みモデルは、特徴部位が描出された第１の画像情報群と、特徴部位が描出されていない第２の画像情報群とが用いられて行われた学習により得られるモデルである。一方、第３の検索用学習済みモデルは、特徴部位が描出された第３の画像情報群と、特徴部位が描出されていない第２の画像情報群とが用いられて行われた学習により得られるモデルである。すなわち、第２の検索用学習済みモデルと、第３の検索用学習済みモデルとでは、学習時に、第２の画像情報群が共通して用いられている。
【0238】
このため、第２の検索用学習済みモデルと、第３の検索用学習済みモデルとでは、例えば、同じ特徴部位（例えば、腫瘤）が描出された画像情報でも異なる画像情報を用いた学習が行われているため、検出できる特徴部位が異なる。一方、第２の検索用学習済みモデルと、第３の検索用学習済みモデルとでは、特徴部位が描出されていない画像情報群として、同一の画像情報群（第２の画像情報群）を用いた学習が行われている。このため、第２の検索用学習済みモデルと、第３の検索用学習済みモデルとでは、特徴部位ではないと正しく判断される画像が共通し、かつ、過検出される画像も共通する。
【0239】
第３の検索用学習済みモデルは、特徴部位を示す第１のパターンとは異なる第２のパターンの一例である。
【0240】
そして、判別機能１８４は、算出された第４の確率が所定の閾値以上である場合に、検索窓で囲まれた範囲を、特徴部位（特徴部位の範囲）として検出する。すなわち、判別機能１８４は、超音波画像の一部分の特徴と、特徴部位を示す第３の検索用学習済みモデルの特徴とが類似している度合いを示す第４の確率が閾値以上である場合には、超音波画像に特徴部位が含まれると判別する。また、判別機能１８４は、第４の確率が閾値未満であるときには、超音波画像に特徴部位が含まれないと判別する。
【0241】
そして、判別機能１８４は、１フレーム分の超音波画像データ毎に、超音波画像に対する第４の検出処理における検索結果（検出結果）を記憶回路１７０に記憶させる。例えば、判別機能１８４は、１フレームの超音波画像から特徴部位が検出された場合には、特徴部位の位置を示す位置情報を第４の検出処理における検索結果として記憶回路１７０に記憶させる。なお、ここでいう特徴部位の位置は、超音波画像データの画像空間における位置である。
【0242】
また、判別機能１８４は、１フレームの超音波画像から特徴部位が検出されなかった場合には、特徴部位が検出されなかったことを示す情報を第４の検出処理における検索結果として記憶回路１７０に記憶させる。
【0243】
なお、判別機能１８４は、検索窓内の画像情報の特徴と第３の検索用学習済みモデルの特徴とが類似している度合いを示す指標の一例として、第４の確率を算出する場合について説明した。しかしながら、判別機能１８４は、第４の確率に代えて、検索窓内の画像情報の特徴と第３の検索用学習済みモデルの特徴とが類似している度合いを示す類似度等の他の指標を算出してもよい。
【0244】
以上、ステップＳ６０２で実行される第４の検出処理の一例について説明した。図２１は、第１の実施形態及び第２の実施形態の変形例３に係る第４の検出処理の結果の一例を示す図である。図２１に示す「特徴部位と判定した結果」は、第４の検出処理により特徴部位が検出された場合の検索窓３０内の画像情報の一例を示す。図２１に示す「特徴部位ではないと判定した結果」は、第４の検出処理により特徴部位が検出されなかった場合の検索窓３０内の画像情報の一例を示す。なお、図２１には、第４の検出処理において、検索範囲内の複数の位置に検索窓３０が配置されて、各位置で第４の確率が算出された結果の例として、８ヶ所の画像情報が示されている。
【0245】
図２１に示すように、判別機能１８４は、第４の検出処理において、４カ所の位置で特徴部位を検出する。具体的には、図２１に示すように、判別機能１８４は、検索窓３０内の４つの画像情報５０ｉ～５０ｌを検出する。
【0246】
画像情報５０ｉは、実際の特徴部位３１ｈが描出された画像情報である。画像情報５０ｊは、過検出された画像情報である。画像情報５０ｋは、実際の特徴部位３１ｉが描出された画像情報である。画像情報５０ｌは、過検出された画像情報である。すなわち、図２１に示す場合には、特徴部位と判定された４つの画像情報のうち、２つの画像情報が過検出されている。
【0247】
また、図２１に示すように、判別機能１８４は、第４の検出処理において、４カ所の位置で特徴部位を検出していない。具体的には、図２１に示すように、判別機能１８４は、特徴部位として検索窓３０内の４つの画像情報５０ｍ～５０ｐを検出していない。なお、判別機能１８４は、画像情報５０ｏに特徴部位３１ｊが含まれているにも関わらず、画像情報５０ｏを検出していない。同様に、判別機能１８４は、画像情報５０ｐに特徴部位３１ｋが含まれているにも関わらず、画像情報５０ｐを検出していない。
【0248】
次に、ステップＳ６０３で実行される第５の検出処理について説明する。第５の検出処理では、判別機能１８４は、第３の検出処理の検出結果及び第４の検出処理の検出結果を用いて、最終的に、特徴部位を検出する。
【0249】
ここで、上述したように、第３の検出処理において第２の検索用学習済みモデルが用いられて検出される画像情報のうちの実際の特徴部位が描出された画像情報と、第４の検出処理において第３の検索用学習済みモデルが用いられて検出される画像情報のうちの実際の特徴部位が描出された画像情報とは、異なる。
【0250】
【0251】
しかしながら、上述したように、第３の検出処理において第２の検索用学習済みモデルが用いられて検出される画像情報のうちの過検出された画像情報と、第４の検出処理において第３の検索用学習済みモデルが用いられて検出される画像情報のうちの過検出された画像情報とは、一致（共通）する。すなわち、第３の検出処理と第４の検出処理とで、超音波画像上の過検出される部分は、同一である。
【0252】
【0253】
そこで、第５の検出処理では、判別機能１８４は、第３の検出処理で検出された特徴部位、及び、第４の検出処理で検出された特徴部位のうち、第３の検出処理及び第４の検出処理の２つの検出処理において共通して検出された特徴部位以外の特徴部位を検出する。
【0254】
例えば、第５の検出処理では、判別機能１８４は、第３の検出処理で検出された画像情報５０ａ～５０ｄ及び第４の検出処理で検出された画像情報５０ｉ～５０ｌを特定する。そして、第５の検出処理では、判別機能１８４は、特定した画像情報５０ａ～５０ｄ，５０ｉ～５０ｌのうち、２つの検出処理において共通して検出された画像情報５０ａ，５０ｄ，５０ｊ，５０ｌを特定する。
【0255】
図２２は、第１の実施形態及び第２の実施形態の変形例３に係る第５の検出処理の結果の一例を示す図である。そして、第５の検出処理では、判別機能１８４は、画像情報５０ａ～５０ｄ，５０ｉ～５０ｌのうち、特定した画像情報５０ａ，５０ｄ，５０ｊ，５０ｌ以外の図２２に示す画像情報５０ｂ，５０ｃ，５０ｉ，５０ｋを、最終的に、特徴部位として検出する。
【0256】
このように、判別機能１８４は、第２の検索用学習済みモデルを用いる第３の検出処理により検出された画像情報、及び、第３の検索用学習済みモデルを用いる第４の検出処理により検出された画像情報のうち、第３の検出処理及び第４の検出処理において共通して検出された画像情報を除く画像情報を、特徴部位として最終的に検出し、超音波画像に特徴部位が含まれると判別する。第３の検出処理は、第１の特徴部位検出処理の一例である。また、第４の検出処理は、第２の特徴部位検出処理の一例である。
【0257】
このように、変形例３に係る判別機能１８４は、過検出された特徴部位が最終的に検出される特徴部位の中に含まれないように、過検出された特徴部位を除くことで、最終的に特徴部位を検出する。したがって、変形例３に係る超音波診断装置１によれば、特徴部位に関する判別結果を更に精度よく得ることができる。
【0258】
そして、判別機能１８４は、第５の検出処理において、最終的に検出した特徴部位の位置を示す位置情報を検索結果として記憶回路１７０に記憶させる。
【0259】
また、判別機能１８４は、第５の検出処理において検出されなかった特徴部位については、特徴部位が検出されなかったことを示す情報を検索結果として記憶回路１７０に記憶させる。
【0260】
そして、マーカ情報生成機能１８５は、第５の検出処理により最終的に検出された特徴部位に基づいて、超音波画像の検出結果を示すマーカ情報を生成する。例えば、マーカ情報生成機能１８５は、第５の検出処理により最終的に特徴部位が検出される度に、第１の実施形態と同様に、特徴部位として検出された範囲を表す矩形のマーカを示すマーカ情報を生成する。
【0261】
そして、マーカ情報生成機能１８５は、第１の実施形態と同様に、マーカ情報を生成する度に、超音波画像に、マーカ情報により示されるマーカを重畳させる。そして、マーカ情報生成機能１８５は、第１の実施形態と同様に、マーカが重畳された超音波画像を示す超音波画像データを画像メモリ１６０に記憶させる。
【0262】
そして、表示制御機能１８６は、第１の実施形態と同様に、画像メモリ１６０に記憶された表示用の超音波画像データにより示される超音波画像をディスプレイ１０３に表示させる。すなわち、表示制御機能１８６は、マーカが重畳された超音波画像、及び、マーカが重畳されていない超音波画像を、リアルタイムでディスプレイ１０３に表示させる。
【0263】
以上、第１の実施形態及び第２の実施形態の変形例３に係る超音波診断装置１について説明した。変形例３に係る超音波診断装置１によれば、上述したように、特徴部位に関する判別結果を更に精度よく得ることができる。
【0264】
（第１の実施形態及び第２の実施形態の変形例４）
上述した第１の実施形態及び第２の実施形態では、判別機能１８４が、超音波プローブ１０１の移動速度に応じて、複数の種類の導出処理の中から、判別結果を導出する際の導出処理を選択する場合について説明した。しかしながら、判別機能１８４が、超音波プローブ１０１の移動速度に応じて、複数の種類の学習済みモデルの中から、判別結果を導出する際に用いる学習済みモデルを選択してもよい。そこで、このような実施形態を、第１の実施形態及び第２の実施形態の変形例４として説明する。
上述した第１の実施形態及び第２の実施形態では、判別機能１８４が、超音波プローブ１０１の移動速度に応じて、複数の種類の導出処理の中から、判別結果を導出する際の導出処理を選択する場合について説明した。しかしながら、判別機能１８４が、超音波プローブ１０１の移動速度に応じて、複数の種類の学習済みモデルの中から、判別結果を導出する際に用いる学習済みモデルを選択してもよい。そこで、このような実施形態を、第１の実施形態及び第２の実施形態の変形例４として説明する。
【0265】
なお、第１の実施形態及び第２の実施形態の変形例４の説明では、第１の実施形態及び第２の実施形態と異なる点を主に説明し、第１の実施形態及び第２の実施形態と同様の構成及び処理については説明を省略する場合がある。
【0266】
図２３は、第１の実施形態及び第２の実施形態の変形例４に係る各種の学習済みモデル及び各種の学習条件の一例を説明するための図である。図２３に例示するように、記憶回路１７０には、運用時の１段階目の処理に用いられる２つの第１の学習済みモデル１１ａ＿１，１１ａ＿２が記憶されている。また、記憶回路１７０には、運用時の２段階目の処理に用いられる２つの第２の学習済みモデル１２ａ＿１，１２ａ＿２が記憶されている。また、記憶回路１７０には、運用時の３段階目の処理に用いられる２つの第３の学習済みモデル１３ａ＿１，１３ａ＿２が記憶されている。このように、記憶回路１７０は、複数の段階のそれぞれに対応する複数の種類の学習済みモデルを記憶する。
【0267】
また、記憶回路１７０には、運用時の１段階目の処理に用いられる２つの第１の学習条件１１ｂ＿１，１１ｂ＿２が記憶されている。また、記憶回路１７０には、運用時の２段階目の処理に用いられる２つの第２の学習条件１２ｂ＿１，１２ｂ＿２が記憶されている。また、記憶回路１７０には、運用時の３段階目の処理に用いられる２つの第３の学習条件１３ｂ＿１，１３ｂ＿２が記憶されている。このように、記憶回路１７０は、複数の段階のそれぞれに対応する複数の種類の学習条件を記憶する。
【0268】
第１の学習条件１１ｂ＿１は、第１の学習済みモデル１１ａ＿１を用いた第１の判別処理において用いられる。第１の学習条件１１ｂ＿２は、第１の学習済みモデル１１ａ＿２を用いた第１の判別処理において用いられる。
【0269】
第２の学習条件１２ｂ＿１は、第２の学習済みモデル１２ａ＿１を用いた第２の判別処理において用いられる。第２の学習条件１２ｂ＿２は、第２の学習済みモデル１２ａ＿２を用いた第２の判別処理において用いられる。
【0270】
第３の学習条件１３ｂ＿１は、第３の学習済みモデル１３ａ＿１を用いた第３の判別処理において用いられる。第３の学習条件１３ｂ＿２は、第３の学習済みモデル１３ａ＿２を用いた第３の判別処理において用いられる。
【0271】
このように、１つの学習済みモデルと１つの学習条件とが対応する。ここで、学習済みモデルを用いた判別処理の処理負荷は、この学習済みモデルに対応する学習条件に応じた負荷となる。
【0272】
２つの第１の学習済みモデル１１ａ＿１，１１ａ＿２は、第１の判別処理に用いられる調整済みのパラメータである。ただし、第１の学習済みモデル１１ａ＿１を用いた第１の判別処理における判別精度は、第１の学習済みモデル１１ａ＿２を用いた第１の判別処理における判別精度よりも高い。一方で、第１の学習済みモデル１１ａ＿２を用いた第１の判別処理の処理負荷は、第１の学習済みモデル１１ａ＿１を用いた第１の判別処理の処理負荷よりも低い。
【0273】
また、２つの第２の学習済みモデル１２ａ＿１，１２ａ＿２は、第２の判別処理に用いられる調整済みのパラメータである。ただし、第２の学習済みモデル１２ａ＿１を用いた第２の判別処理における判別精度は、第２の学習済みモデル１２ａ＿２を用いた第２の判別処理における判別精度よりも高い。一方で、第２の学習済みモデル１２ａ＿２を用いた第２の判別処理の処理負荷は、第２の学習済みモデル１２ａ＿１を用いた第２の判別処理の処理負荷よりも低い。
【0274】
また、２つの第３の学習済みモデル１３ａ＿１，１３ａ＿２は、第３の判別処理に用いられる調整済みのパラメータである。ただし、第３の学習済みモデル１３ａ＿１を用いた第３の判別処理における判別精度は、第３の学習済みモデル１３ａ＿２を用いた第３の判別処理における判別精度よりも高い。一方で、第３の学習済みモデル１３ａ＿２を用いた第３の判別処理の処理負荷は、第３の学習済みモデル１３ａ＿１を用いた第３の判別処理の処理負荷よりも低い。
【0275】
変形例４に係る判別機能１８４は、運用時の１段階目の第１の判別処理を行う場合に、超音波プローブ１０１の移動速度が閾値Ｔｈ１よりも大きいときには、第１の判別処理を実行する際に用いる第１の学習済みモデルとして、第１の学習済みモデル１１ａ＿２を選択する。そして、判別機能１８４は、選択した第１の学習済みモデル１１ａ＿２と、対応する第１の学習条件１１ｂ＿２を用いて、第１の判別処理を実行する。
【0276】
また、判別機能１８４は、運用時の１段階目の第１の判別処理を行う場合に、超音波プローブ１０１の移動速度が閾値Ｔｈ２よりも小さいときには、第１の判別処理を実行する際に用いる第１の学習済みモデルとして、第１の学習済みモデル１１ａ＿１を選択する。このように、判別機能１８４は、超音波プローブ１０１の移動速度が閾値Ｔｈ２よりも小さい場合には、第１の学習済みモデル１１ａ＿２よりも、精度良く第１の判別結果を導出可能な第１の学習済みモデル１１ａ＿１を選択する。そして、判別機能１８４は、選択した第１の学習済みモデル１１ａ＿１と、対応する第１の学習条件１１ｂ＿１を用いて、第１の判別処理を実行する。
【0277】
また、判別機能１８４は、運用時の２段階目の第２の判別処理を行う場合に、超音波プローブ１０１の移動速度が閾値Ｔｈ１よりも大きいときには、第２の判別処理を実行する際に用いる第２の学習済みモデルとして、第２の学習済みモデル１２ａ＿２を選択する。そして、判別機能１８４は、選択した第２の学習済みモデル１２ａ＿２と、対応する第２の学習条件１２ｂ＿２を用いて、第２の判別処理を実行する。
【0278】
また、判別機能１８４は、運用時の２段階目の第２の判別処理を行う場合に、超音波プローブ１０１の移動速度が閾値Ｔｈ２よりも小さいときには、第２の判別処理を実行する際に用いる第２の学習済みモデルとして、第２の学習済みモデル１２ａ＿１を選択する。このように、判別機能１８４は、超音波プローブ１０１の移動速度が閾値Ｔｈ２よりも小さい場合には、第２の学習済みモデル１２ａ＿２よりも、精度良く第２の判別結果を導出可能な第２の学習済みモデル１２ａ＿１を選択する。そして、判別機能１８４は、選択した第２の学習済みモデル１２ａ＿１と、対応する第２の学習条件１２ｂ＿１を用いて、第２の判別処理を実行する。
【0279】
また、判別機能１８４は、運用時の３段階目の第３の判別処理を行う場合に、超音波プローブ１０１の移動速度が閾値Ｔｈ１よりも大きいときには、第３の判別処理を実行する際に用いる第３の学習済みモデルとして、第３の学習済みモデル１３ａ＿２を選択する。そして、判別機能１８４は、選択した第３の学習済みモデル１３ａ＿２と、対応する第３の学習条件１３ｂ＿２を用いて、第３の判別処理を実行する。
【0280】
また、判別機能１８４は、運用時の３段階目の第３の判別処理を行う場合に、超音波プローブ１０１の移動速度が閾値Ｔｈ２よりも小さいときには、第３の判別処理を実行する際に用いる第３の学習済みモデルとして、第３の学習済みモデル１３ａ＿１を選択する。このように、判別機能１８４は、超音波プローブ１０１の移動速度が閾値Ｔｈ２よりも小さい場合には、第３の学習済みモデル１３ａ＿２よりも、精度良く第３の判別結果を導出可能な第３の学習済みモデル１３ａ＿１を選択する。そして、判別機能１８４は、選択した第３の学習済みモデル１３ａ＿１と、対応する第３の学習条件１３ｂ＿１を用いて、第３の判別処理を実行する。
【0281】
上述したように、判別機能１８４は、超音波プローブ１０１の移動速度に応じて、複数の種類の学習済みモデルの中から、判別結果を導出する際に用いられる学習済みモデル及び学習条件を選択する処理を実行する。したがって、変形例４に係る超音波診断装置１は、超音波プローブ１０１の移動速度に応じて、適切な処理を実行することができる。なお、上述した学習済みモデル及び学習条件を選択する処理は、第３の選択処理の一例である。
【0282】
（第１の実施形態及び第２の実施形態の変形例５）
上述した変形例４では、判別機能１８４が、超音波プローブ１０１の移動速度に応じて、複数の種類の学習済みモデルの中から、判別結果を導出する際に用いられる学習済みモデル及び学習条件を選択する場合について説明した。しかしながら、判別機能１８４は、リアルタイムで判別結果を導出するのか、又は、後処理として判別結果を導出するのかに応じて、複数の種類の学習済みモデルの中から、判別結果を導出する際に用いられる学習済みモデルを選択してもよい。そこで、このような実施形態を、第１の実施形態及び第２の実施形態の変形例５として説明する。なお、変形例５の説明では、上述した変形例１及び変形例４と異なる点を主に説明し、変形例１及び変形例４と同様の構成及び処理については説明を省略する場合がある。
上述した変形例４では、判別機能１８４が、超音波プローブ１０１の移動速度に応じて、複数の種類の学習済みモデルの中から、判別結果を導出する際に用いられる学習済みモデル及び学習条件を選択する場合について説明した。しかしながら、判別機能１８４は、リアルタイムで判別結果を導出するのか、又は、後処理として判別結果を導出するのかに応じて、複数の種類の学習済みモデルの中から、判別結果を導出する際に用いられる学習済みモデルを選択してもよい。そこで、このような実施形態を、第１の実施形態及び第２の実施形態の変形例５として説明する。なお、変形例５の説明では、上述した変形例１及び変形例４と異なる点を主に説明し、変形例１及び変形例４と同様の構成及び処理については説明を省略する場合がある。
【0283】
変形例５では、判別機能１８４は、リアルタイム処理指示が入力された場合には、運用時の１段階目の第１の判別処理を行うときに、第１の判別処理を実行する際に用いる第１の学習済みモデルとして、第１の学習済みモデル１１ａ＿２を選択する。そして、判別機能１８４は、選択した第１の学習済みモデル１１ａ＿２と、対応する第１の学習条件１１ｂ＿２を用いて、第１の判別処理を実行する。
【0284】
また、判別機能１８４は、リアルタイム処理指示が入力された場合には、運用時の２段階目の第２の判別処理を行うときに、第２の判別処理を実行する際に用いる第２の学習済みモデルとして、第２の学習済みモデル１２ａ＿２を選択する。そして、判別機能１８４は、選択した第２の学習済みモデル１２ａ＿２と、対応する第２の学習条件１２ｂ＿２を用いて、第２の判別処理を実行する。
【0285】
また、判別機能１８４は、リアルタイム処理指示が入力された場合には、運用時の３段階目の第３の判別処理を行うときに、第３の判別処理を実行する際に用いる第３の学習済みモデルとして、第３の学習済みモデル１３ａ＿２を選択する。そして、判別機能１８４は、選択した第３の学習済みモデル１３ａ＿２と、対応する第３の学習条件１３ｂ＿２を用いて、第３の判別処理を実行する。
【0286】
また、判別機能１８４は、後処理指示が入力された場合には、運用時の１段階目の第１の判別処理を行うときに、第１の判別処理を実行する際に用いる第１の学習済みモデルとして、第１の学習済みモデル１１ａ＿１を選択する。そして、判別機能１８４は、選択した第１の学習済みモデル１１ａ＿１と、対応する第１の学習条件１１ｂ＿１を用いて、第１の判別処理を実行する。
【0287】
また、判別機能１８４は、後処理指示が入力された場合には、運用時の２段階目の第２の判別処理を行うときに、第２の判別処理を実行する際に用いる第２の学習済みモデルとして、第２の学習済みモデル１２ａ＿１を選択する。そして、判別機能１８４は、選択した第２の学習済みモデル１２ａ＿１と、対応する第２の学習条件１２ｂ＿１を用いて、第２の判別処理を実行する。
【0288】
また、判別機能１８４は、後処理指示が入力された場合には、運用時の３段階目の第３の判別処理を行うときに、第３の判別処理を実行する際に用いる第３の学習済みモデルとして、第３の学習済みモデル１３ａ＿１を選択する。そして、判別機能１８４は、選択した第３の学習済みモデル１３ａ＿１と、対応する第３の学習条件１３ｂ＿１を用いて、第３の判別処理を実行する。
【0289】
したがって、第１の実施形態及び第２の実施形態の変形例５に係る超音波診断装置１によれば、リアルタイムで判別結果を導出するのか、又は、後処理として判別結果を導出するのかに応じて、適切な処理を行うことができる。また、変形例５に係る超音波診断装置１によれば、第１の実施形態及び第２の実施形態と同様に、特徴部位に関する判別結果を精度よく得ることができる。
【0290】
（第１の実施形態及び第２の実施形態の変形例６）
次に、第１の学習済みモデル１１ａを用いた第１の判別処理及び第２の学習済みモデル１２ａを用いた第２の判別処理の判別精度を高める場合の変形例を、第１の実施形態及び第２の実施形態の変形例６として説明する。なお、変形例６の説明では、第１の実施形態及び第２の実施形態と異なる点を主に説明し、第１の実施形態及び第２の実施形態と同様の構成及び処理については説明を省略する場合がある。
次に、第１の学習済みモデル１１ａを用いた第１の判別処理及び第２の学習済みモデル１２ａを用いた第２の判別処理の判別精度を高める場合の変形例を、第１の実施形態及び第２の実施形態の変形例６として説明する。なお、変形例６の説明では、第１の実施形態及び第２の実施形態と異なる点を主に説明し、第１の実施形態及び第２の実施形態と同様の構成及び処理については説明を省略する場合がある。
【0291】
例えば、変形例６に係る第２の学習済みモデル１２ａ及び第２の学習条件１２ｂに基づく第２の判別処理は、第１の実施形態及び第２の実施形態に係る第２の判別処理とは異なり、超音波画像に含まれる特徴部位が悪性であるか、良性であるか、又は、悪性でも良性でもないかを判別する。
【0292】
変形例６では、学習時の２段階目では、学習済みモデル生成機能２０１ａ又は学習済みモデル生成機能１８７は、超音波画像データ２０と、ラベルとの関係を学習することによって、第２の学習済みモデル１２ａを生成し、第２の学習条件１２ｂを記録する。変形例６では、第２の学習済みモデル１２ａを生成する際に用いられるラベルは、超音波画像データにより示される超音波画像に含まれる特徴部位が悪性であるのか、良性であるのか、又は、悪性でも良性でもないのかを示す。
【0293】
ここで、第２の判別処理に入力される超音波画像データにより示される超音波画像には、特徴部位が含まれることが前提となっている。しかしながら、第１の判別処理において過検出されてしまい、過検出された超音波画像データが第２の判別処理に入力される場合もあり得る。
【0294】
そこで、変形例６では、第２の判別処理は、超音波画像に含まれる特徴部位が悪性であるか、良性であるか、又は、悪性でも良性でもないかを判別する。
【0295】
第２の判別処理により超音波画像に含まれる特徴部位が悪性でも良性でもないと判別された場合には、超音波画像に特徴部位が含まれていないことが考えられる。すなわち、悪性でも良性でもないと判別された場合には、過検出された超音波画像データが第２の判別処理に入力されたと考えられる。すなわち、悪性でも良性でもないと判別された超音波画像データは、過検出された超音波画像データであると考えられる。
【0296】
そこで、学習済みモデル生成機能２０１ａ又は学習済みモデル生成機能１８７は、悪性でも良性でもないと判別された超音波画像データを用いて、第１の学習済みモデル１１ａ及び第１の学習条件１１ｂを更新する。以下の説明では、学習済みモデル生成機能１８７が、第１の学習済みモデル１１ａ及び第１の学習条件１１ｂを更新する場合について説明する。しかしながら、学習済みモデル生成機能２０１ａが、以下で説明する学習済みモデル生成機能１８７が実行する処理と同様の処理を実行して、第１の学習済みモデル１１ａ及び第１の学習条件１１ｂを更新してもよい。
【0297】
学習済みモデル生成機能１８７は、悪性でも良性でもないと判別された超音波画像データと、超音波画像に特徴部位が含まれないことを示す第１のラベル１５とを対応付けて学習することにより、第１の学習済みモデル１１ａ及び第１の学習条件１１ｂを更新する。これにより、第１の学習済みモデル１１ａ及び第１の学習条件１１ｂに基づく第１の判別処理の判別精度を高くすることができる。
【0298】
また、例えば、変形例６に係る第３の学習済みモデル１３ａ及び第３の学習条件１３ｂに基づく第３の判別処理は、第１の実施形態及び第２の実施形態に係る第３の判別処理とは異なり、超音波画像に含まれる悪性の特徴部位の悪性度が悪性度Ａであるか、悪性度Ｂであるか、又は、悪性度Ａでも悪性度Ｂでもないかを判別する。
【0299】
変形例６では、学習時の３段階目では、学習済みモデル生成機能２０１ａ又は学習済みモデル生成機能１８７は、超音波画像データ２５と、ラベルとの関係を学習することによって、第３の学習済みモデル１３ａを生成し、第３の学習条件１３ｂを記録する。変形例６では、第３の学習済みモデル１３ａを生成する際に用いられるラベルは、超音波画像データにより示される超音波画像に含まれる悪性の特徴部位の悪性度が、悪性度Ａであるのか、悪性度Ｂであるのか、又は、悪性度Ａでも悪性度Ｂでもないのかを示す。
【0300】
ここで、第３の判別処理に入力される超音波画像データにより示される超音波画像に含まれる特徴部位は、悪性であることが前提となっている。しかしながら、第２の判別処理において、誤って、良性の特徴部位を悪性であると判別してしまい、誤って悪性であると判別された超音波画像データが第３の判別処理に入力される場合もあり得る。
【0301】
そこで、変形例６では、第３の判別処理は、超音波画像に含まれる悪性の特徴部位の悪性度が悪性度Ａであるか、悪性度Ｂであるか、又は、悪性度Ａでも悪性度Ｂでもないかを判別する。
【0302】
第３の判別処理により超音波画像に含まれる特徴部位の悪性度が、悪性度Ａでも悪性度Ｂでもないと判別された場合には、超音波画像に含まれる特徴部位が良性であると考えられる。すなわち、悪性度Ａでも悪性度Ｂでもないと判別された場合には、良性の特徴部位が誤って悪性であると判別された超音波画像データが第３の判別処理に入力されたと考えられる。すなわち、悪性度Ａでも悪性度Ｂでもないと判別された超音波画像データは、良性の特徴部位が誤って悪性であると判別された超音波画像データであると考えられる。
【0303】
そこで、学習済みモデル生成機能２０１ａ又は学習済みモデル生成機能１８７は、悪性度Ａでも悪性度Ｂでもないと判別された超音波画像データを用いて、第２の学習済みモデル１２ａ及び第２の学習条件１２ｂを更新する。以下の説明では、学習済みモデル生成機能１８７が、第２の学習済みモデル１２ａ及び第２の学習条件１２ｂを更新する場合について説明する。しかしながら、学習済みモデル生成機能２０１ａが、以下で説明する学習済みモデル生成機能１８７が実行する処理と同様の処理を実行して、第２の学習済みモデル１２ａ及び第２の学習条件１２ｂを更新してもよい。
【0304】
学習済みモデル生成機能１８７は、悪性度Ａでも悪性度Ｂでもないと判別された超音波画像データと、超音波画像に含まれる特徴部位が良性であることを示すラベルとを対応付けて学習することにより、第２の学習済みモデル１２ａ及び第２の学習条件１２ｂを更新する。これにより、第２の学習済みモデル１２ａ及び第２の学習条件１２ｂに基づく第２の判別処理の判別精度を高くすることができる。
【0305】
変形例６について説明した。上述したように、変形例６に係る学習済みモデル生成機能１８７は、一の段階の次の段階に対応する判別処理から出力された所定の判別結果に対応する超音波画像データと、この所定の判別結果とを対応付けて学習することにより、一の段階に対応する学習済みモデルを新たに生成し、学習条件を新たに記録する。これにより、一の段階に対応する判別処理の判別精度を高くすることができる。
【0306】
（第１の実施形態及び第２の実施形態の変形例７）
次に、第１の学習済みモデル１１ａを用いた第１の判別処理及び第２の学習済みモデル１２ａを用いた第２の判別処理の判別精度を高める場合の他の変形例を、第１の実施形態及び第２の実施形態の変形例７として説明する。なお、変形例７の説明では、第１の実施形態及び第２の実施形態と異なる点を主に説明し、第１の実施形態及び第２の実施形態と同様の構成及び処理については説明を省略する場合がある。
次に、第１の学習済みモデル１１ａを用いた第１の判別処理及び第２の学習済みモデル１２ａを用いた第２の判別処理の判別精度を高める場合の他の変形例を、第１の実施形態及び第２の実施形態の変形例７として説明する。なお、変形例７の説明では、第１の実施形態及び第２の実施形態と異なる点を主に説明し、第１の実施形態及び第２の実施形態と同様の構成及び処理については説明を省略する場合がある。
【0307】
上述した変形例６では、第１の実施形態及び第２の実施形態とは異なる学習方法により、第２の学習済みモデル１２ａ及び第３の学習済みモデル１３ａが生成される場合について説明した。一方、変形例７では、第１の実施形態及び第２の実施形態と同様の学習方法により生成された第２の学習済みモデル１２ａ及び第３の学習済みモデル１３ａが用いられる。
【0308】
ただし、変形例７では、第４の学習済みモデル、第４の学習条件、第５の学習済みモデル及び第５の学習条件が用いられる。変形例７では、運用時の２段階目において、第４の学習済みモデル及び第４の学習条件が用いられる第４の判別処理が、第２の判別処理よりも前に実行される。また、運用時の３段階目において、第５の学習済みモデル及び第５の学習条件が用いられる第５の判別処理が、第３の判別処理よりも前に実行される。
【0309】
運用時の２段階目において、判別機能１８４は、第４の学習済みモデル及び第４の学習条件を用いて、ＣＡＤ処理として、第４の判別処理を実行する。第４の判別処理は、超音波画像データ２２に示される超音波画像に特徴部位が含まれるか又は含まれないかを判別し、判別結果（第４の判別結果）を導出する処理である。このように、変形例７では、判別機能１８４は、運用時の１段階目で実行される第１の判別処理と同様の第４の判別処理を、運用時の２段階目において実行する。また、第４の学習済みモデルは、第１の学習済みモデル１１ａと同様の方法で生成される。また、第４の学習条件は、第１の学習条件１１ｂと同様の方法で記録される。
【0310】
ただし、第１の学習済みモデル１１ａを生成する場合よりも、第４の学習済みモデルを生成する場合の方が、第１の判別処理において過検出された超音波画像データが多く用いられる。
【0311】
このため、第４の学習済みモデル及び第４の学習条件を用いた第４の判別処理では、第１の判別処理において過検出された超音波画像データを過検出することが抑制される。
【0312】
ここで、第４の判別処理を実行した判別機能１８４により、超音波画像に特徴部位が含まれると判別された場合について説明する。この場合、運用時の２段階目において、判別機能１８４は、第２の学習済みモデル１２ａ及び第２の学習条件１２ｂを用いて、超音波画像に特徴部位が含まれると判別された超音波画像データに対して、第２の判別処理を実行する。
【0313】
また、第４の判別処理を実行した判別機能１８４により、超音波画像に特徴部位が含まれないと判別された場合について説明する。この場合、学習済みモデル生成機能２０１ａ又は学習済みモデル生成機能１８７は、超音波画像に特徴部位が含まれないと判別された超音波画像データを用いて、第１の学習済みモデル１１ａ及び第１の学習条件１１ｂを更新する。以下の説明では、学習済みモデル生成機能１８７が、第１の学習済みモデル１１ａ及び第１の学習条件１１ｂを更新する場合について説明する。しかしながら、学習済みモデル生成機能２０１ａが、以下で説明する学習済みモデル生成機能１８７が実行する処理と同様の処理を実行して、第１の学習済みモデル１１ａ及び第１の学習条件１１ｂを更新してもよい。
【0314】
学習済みモデル生成機能１８７は、超音波画像に特徴部位が含まれないと判別された超音波画像データと、超音波画像に特徴部位が含まれないことを示す第１のラベル１５とを対応付けて学習することにより、第１の学習済みモデル１１ａ及び第１の学習条件１１ｂを更新する。これにより、第１の学習済みモデル１１ａ及び第１の学習条件１１ｂに基づく第１の判別処理の判別精度を高くすることができる。
【0315】
そして、運用時の３段階目において、判別機能１８４は、第５の学習済みモデル及び第５の学習条件を用いて、第５の判別処理を実行する。第５の判別処理は、運用時の２段階目において第２の判別処理により良性であると判別された特徴部位が、良性であるか又は悪性であるかを再び判別し、判別結果（第５の判別結果）を導出する処理である。このように、変形例７では、判別機能１８４は、運用時の２段階目で実行される第２の判別処理と同様の第５の判別処理を、運用時の３段階目において実行する。また、第５の学習済みモデルは、第２の学習済みモデル１２ａと同様の方法で生成される。また、第５の学習条件は、第２の学習条件１２ｂと同様の方法で記録される。
【0316】
ただし、第２の学習済みモデル１２ａを生成する場合よりも、第５の学習済みモデルを生成する場合の方が、第２の判別処理において良性の特徴部位が誤って悪性であると判別された超音波画像データが多く用いられる。
【0317】
このため、第５の学習済みモデル及び第５の学習条件を用いた第５の判別処理では、第２の判別処理において良性の特徴部位が誤って悪性であると判別された超音波画像データに含まれる特徴部位を、良性であると正しく判別することができる。
【0318】
ここで、第５の判別処理を実行した判別機能１８４により、超音波画像に含まれる特徴部位が悪性であると判別された場合について説明する。この場合、運用時の３段階目において、判別機能１８４は、第３の学習済みモデル１３ａ及び第３の学習条件１３ｂを用いて、特徴部位が悪性であると判別された超音波画像データに対して、第３の判別処理を実行する。
【0319】
一方、第５の判別処理を実行した判別機能１８４により、超音波画像に含まれる特徴部位が良性であると判別された場合について説明する。この場合、学習済みモデル生成機能２０１ａ又は学習済みモデル生成機能１８７は、特徴部位が良性であると判別された超音波画像データを用いて、第２の学習済みモデル１２ａ及び第２の学習条件１２ｂを更新する。以下の説明では、学習済みモデル生成機能１８７が、第２の学習済みモデル１２ａ及び第２の学習条件１２ｂを更新する場合について説明する。しかしながら、学習済みモデル生成機能２０１ａが、以下で説明する学習済みモデル生成機能１８７が実行する処理と同様の処理を実行して、第２の学習済みモデル１２ａ及び第２の学習条件１２ｂを更新してもよい。
【0320】
学習済みモデル生成機能１８７は、特徴部位が良性であると判別された超音波画像データと、特徴部位が良性であることを示す第２のラベル２１とを対応付けて学習することにより、第２の学習済みモデル１２ａ及び第２の学習条件１２ｂを更新する。これにより、第２の学習済みモデル１２ａ及び第２の学習条件１２ｂに基づく第２の判別処理の判別精度を高くすることができる。
【0321】
変形例７について説明した。上述したように、変形例７に係る学習済みモデル生成機能１８７は、一の段階の次の段階に対応する判別処理から出力された所定の判別結果に対応する超音波画像データと、この所定の判別結果とを対応付けて学習することにより、一の段階に対応する学習済みモデルを新たに生成し、学習条件を新たに記録する。これにより、一の段階に対応する判別処理の判別精度を高くすることができる。
【0322】
（第３の実施形態）
なお、上述した実施形態及び変形例では、超音波診断装置１が、学習済みモデル及び学習条件を用いて、判別結果を導出する場合について説明した。しかしながら、医用画像処理装置が、リアルタイムではなく、後処理として同様の処理を行ってよい。そこで、このような実施形態を第３の実施形態として説明する。
なお、上述した実施形態及び変形例では、超音波診断装置１が、学習済みモデル及び学習条件を用いて、判別結果を導出する場合について説明した。しかしながら、医用画像処理装置が、リアルタイムではなく、後処理として同様の処理を行ってよい。そこで、このような実施形態を第３の実施形態として説明する。
【0323】
図２４は、第３の実施形態に係る医用画像処理装置３００の構成例を示す図である。図２４に例示するように、医用画像処理装置３００は、入力装置３０１と、ディスプレイ３０２と、記憶回路３１０と、処理回路３２０とを備える。入力装置３０１、ディスプレイ３０２、記憶回路３１０、処理回路３２０は、相互に通信可能に接続される。医用画像処理装置３００は、解析装置の一例である。
【0324】
入力装置３０１は、マウス、キーボード、ボタン、パネルスイッチ、タッチコマンドスクリーン、フットスイッチ、トラックボール、ジョイスティック等により実現される。入力装置３０１は、医用画像処理装置３００の操作者からの各種設定要求を受け付ける。入力装置３０１は、受け付けた各種設定要求を処理回路３２０へ出力する。例えば、入力装置３０１は、医用画像処理装置３００の操作者からＣＡＤ処理を実行するための指示（実行指示）を受け付け、受け付けた実行指示を処理回路３２０に出力する。また、操作者は、入力装置３０１を介して、ＣＡＤ処理において、特徴部位の検索範囲であるＲＯＩを超音波画像に設定することもできる。
【0325】
ディスプレイ３０２は、例えば、医用画像を表示したり、操作者が入力装置３０１を用いて各種設定要求を入力するためのＧＵＩを表示したりする。
【0326】
記憶回路３１０は、ＧＵＩを表示するための各種のプログラムや、当該プログラムによって用いられる情報を記憶する。また、記憶回路３１０は、超音波診断装置１によって生成された時系列に沿った複数の超音波画像データを記憶する。また、記憶回路３１０は、上述した第１の実施形態、第２の実施形態又は変形例１～７のうちのいずれかの各種の学習済みモデル及び各種の学習条件を記憶する。これら各種の学習済みモデル及び各種の学習条件は、処理回路３２０により実行される処理に用いられる。
【0327】
処理回路３２０は、医用画像処理装置３００の処理全体を制御する。処理回路３２０は、例えば、プロセッサにより実現される。例えば、図２４に示すように、処理回路３２０は、制御機能３２１、速度検出機能３２２、取得機能３２３、学習済みモデル生成機能３２４、判別機能３２５、マーカ情報生成機能３２６及び表示制御機能３２７の各処理機能を有する。ここで、例えば、図２４に示す処理回路３２０の構成要素である制御機能３２１、速度検出機能３２２、取得機能３２３、学習済みモデル生成機能３２４、判別機能３２５、マーカ情報生成機能３２６及び表示制御機能３２７の各処理機能は、コンピュータによって実行可能なプログラムの形態で記憶回路３１０に記録されている。処理回路３２０は、各プログラムを記憶回路３１０から読み出し、実行することで各プログラムに対応する機能を実現するプロセッサである。換言すると、各プログラムを読み出した状態の処理回路３２０は、図２４の処理回路３２０内に示された各機能を有することとなる。
【0328】
医用画像処理装置３００は、例えば、超音波診断装置１により生成された時系列に沿った複数の超音波画像データを取得する。ただし、この超音波画像データには、速度検出器１０４により検出された超音波プローブ１０１の移動速度を示す検出信号が付加されている。そして、医用画像処理装置３００は、超音波画像データに対して、上述した第１の実施形態、第２の実施形態又は変形例１～７のうちのいずれかと同様の処理を行って、ディスプレイ３０２に、超音波画像、及び、検出された特徴部位等の情報を表示させる。
【0329】
制御機能３２１は、医用画像処理装置３００の処理全体を制御する。速度検出機能３２２は、上述した速度検出機能１８２と同様の機能を有する。例えば、速度検出機能３２２は、超音波画像データに付加された検出信号に基づいて、超音波プローブ１０１の移動速度を検出する。取得機能３２３は、上述した取得機能１８３と同様の機能を有する。学習済みモデル生成機能３２４は、上述した学習済みモデル生成機能１８７と同様の機能を有する。判別機能３２５は、上述した判別機能１８４と同様の機能を有する。マーカ情報生成機能３２６は、上述したマーカ情報生成機能１８５と同様の機能を実行する。表示制御機能３２７は、上述した表示制御機能１８６と同様の機能を実行する。
【0330】
以上、第３の実施形態に係る医用画像処理装置３００について説明した。第３の実施形態に係る医用画像処理装置３００によれば、第１の実施形態等と同様に、特徴部位に関する判別結果を精度よく得ることができる。
【0331】
なお、上述した少なくとも１つの実施形態又は変形例において、超音波診断装置１は、処理回路１８０が備える各機能、各種の学習済みモデル及び各種の学習条件を１つのソフトウェアパッケージとして扱ってもよい。同様に、医用画像処理装置３００は、処理回路３２０が備える各機能、各種の学習済みモデル及び各種の学習条件を１つのソフトウェアパッケージとして扱ってもよい。
【0332】
以上述べた少なくとも１つの実施形態又は変形例によれば、特徴部位に関する判別結果を精度よく得ることができる。
【0333】
本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。
【符号の説明】
【0334】
１ 超音波診断装置
１８４ 判別機能
１８７ 学習済みモデル生成機能
１８４ 判別機能
１８７ 学習済みモデル生成機能
【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】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】