特開 2023-91190 医療画像診断支援装置、医療画像診断支援方法及びプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023091190

(43)【公開日】2023-06-30

(54)【発明の名称】医療画像診断支援装置、医療画像診断支援方法及びプログラム

(51)【国際特許分類】

   A61B 5/055 20060101AFI20230623BHJP

【ＦＩ】

A61B5/055 380

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2021205803

(22)【出願日】2021-12-20

(71)【出願人】

【識別番号】000005108

【氏名又は名称】株式会社日立製作所

(74)【代理人】

【識別番号】110000279

【氏名又は名称】弁理士法人ウィルフォート国際特許事務所

(72)【発明者】

【氏名】林 大介

(72)【発明者】

【氏名】長坂 晃朗

(72)【発明者】

【氏名】稲田 圭介

(72)【発明者】

【氏名】望月 祐志

(72)【発明者】

【氏名】森田 秀和

【テーマコード（参考）】

4C096

【Ｆターム（参考）】

4C096AA03

4C096AB44

4C096AC01

4C096AD14

4C096DA14

4C096DC16

4C096DC20

4C096DC21

4C096DC36

4C096DC40

(57)【要約】

【課題】患者の負担を軽減させつつ、疾患の程度を判定することが可能な医療画像診断支援装置を提供すること。
【解決手段】前処理部２２は、３次元脳画像のサイズが閾値になるように、３次元脳画像をリサイズする。モデル構築部２３は、リサイズした学習用の３次元脳画像を学習用データとして用いた機械学習を行い、３次元脳画像から対象疾患に罹患している確率である疾患確率を判定する識別モデルを構築する。判定部２４は、推論対象者の脳を示すリサイズした３次元脳画像である推論対象画像を学習済みモデルに入力して、推論対象者の疾患確率を判定する。
【選択図】図２

【特許請求の範囲】

【請求項1】

脳を示す３次元脳画像を用いて脳に関する所定の対象疾患の判定を支援する医療画像診断支援装置であって、
前記３次元脳画像のサイズが閾値になるように、前記３次元脳画像をリサイズした処理済画像を生成する前処理部と、
学習対象者の脳を示す複数の前記処理済画像を学習用データとして用いた機械学習を行い、前記処理済画像から前記対象疾患に罹患している確率である疾患確率を判定する学習済みモデルを構築するモデル構築部と、
推論対象者の脳を示す前記処理済画像である推論対象画像を前記学習済みモデルに入力して、前記推論対象者の前記疾患確率を判定する判定部と、を有する医療画像診断支援装置。

【請求項2】

前記３次元脳画像は、互いに異なる３方向に画素が配列された画像であり、
前記サイズは、各方向のサイズである、請求項１に記載の医療画像診断支援装置。

【請求項3】

前記前処理部は、数値補間法を用いて、前記３次元脳画像をリサイズする、請求項１に記載の医療画像診断支援装置。

【請求項4】

前記前処理部は、非線形関数を用いた数値補間法を用いて、前記３次元脳画像をリサイズする、請求項２に記載の医療画像診断支援装置。

【請求項5】

前記前処理部は、前記３次元脳画像の各方向のサイズが閾値となるように、前記３次元脳画像をリサイズする、請求項２に記載の医療画像診断支援装置。

【請求項6】

各方向に対応する前記閾値が互いに異なる、請求項５に記載の医療画像診断支援装置。

【請求項7】

前記推論対象画像における前記学習済みモデルにて前記疾患確率の算出に使用された領域である識別根拠領域を特定する可視化部をさらに有する、請求項１に記載の医療画像診断支援装置。

【請求項8】

前記モデル構築部は、３Ｄ－ＣＮＮ（Three-Dimensional-Convolutional Neural Network）を用いて前記機械学習を行う、請求項１に記載の医療画像診断支援装置。

【請求項9】

脳を示す３次元脳画像を用いて脳に関する所定の対象疾患の判定を支援する医療画像診断支援装置による医療画像診断支援方法であって、
前記３次元脳画像のサイズが所定の値になるように、前記３次元脳画像をリサイズした処理済画像を生成し、
学習対象者の脳を示す複数の前記処理済画像を学習用データとして用いた機械学習を行い、前記処理済画像から前記対象疾患に罹患している確率である疾患確率を判定する学習済みモデルを構築し、
推論対象者の脳を示す前記処理済画像である推論対象画像を前記学習済みモデルに入力して、前記推論対象者の前記疾患確率を判定する、医療画像診断支援方法。

【請求項10】

脳を示す３次元脳画像を用いて脳に関する所定の対象疾患の判定を支援するプログラムであって、
前記３次元脳画像のサイズが所定の値になるように、前記３次元脳画像をリサイズした処理済画像を生成する手順と、
学習対象者の脳を示す複数の前記処理済画像を学習用データとして用いた機械学習を行い、前記処理済画像から前記対象疾患に罹患している確率である疾患確率を判定する学習済みモデルを構築する手順と、
推論対象者の脳を示す前記処理済画像である推論対象画像を前記学習済みモデルに入力して、前記推論対象者の前記疾患確率を判定する手順と、をコンピュータに実行させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、医療画像診断支援装置、医療画像診断支援方法及びプログラムに関する。

【背景技術】

【0002】

精神疾患は、他の多くの身体疾患と異なり、治療者と当事者らとの間で共有できる客観的な指標に乏しい。このため、疾患の有無、治療法の決定方法、疾患の改善の有無、及び、治療期間などを治療者が当事者らに客観的に説明することが難しく、治療の遅延又は中断が発生するなどの問題がある。

【0003】

また、近年、ＭＲＩ（Magnetic Resonance Imaging）装置及びＣＴ（Computed Tomography）装置などの医療機器の発展により、高解像度の医用画像を用いた画像診断が可能となっている。これにより、例えば、精神疾患の一種である統合失調症の疾患者では、両側の海馬、扁桃体、視床及び側坐核などの体積及び頭蓋内容積が健常体より減少することが示唆されている。また、同様に、精神疾患の一種であるアルツハイマー病の疾患者では、海馬周辺領域が顕著に委縮することが知られおり、脳のＭＲＩ画像を解析してアルツハイマー病を診断する早期アルツハイマー病診断補助ツールとして、ＶＳＲＡＤ（Voxel-based Specific Regional analysis system for Alzheimer’s Disease）が開発されている。

【0004】

ＭＲＩ画像は、脳などの撮像対象を断層（スライス）ごとに撮像した複数の２次元画像データを立体的に重ねた３次元画像データである。このような３次元画像データを用いた診断技術として、特許文献１には、３次元画像データから脳出血部位の可能性がある領域である出血発症候補領域を抽出し、その出血発症候補領域を解析して、出血の有無を判定する技術が開示されている。また、非特許文献１には、脳の３次元画像データの各断層の２次元画像データであるスライス画像を個別に処理することで、脳の疾患を判別する技術が開示されている。この技術では、各スライス画像から医学的に疾患との相関があると考えられている皮質厚などの特徴量を抽出し、その特徴量を線形分類器により分類することで疾患の有無を判別している。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】特開２０１９－２１３７８５号公報

【非特許文献】

【0006】

【非特許文献1】W.Yassin, H.Nakatani, Y.Zhu, M.Kojima, K.Owada, H.Kuwabara, W.Gonoi, Y.Aoki, H.Takao, T.Natsubori, N.Iwashiro, K.Kasai, Y.Kano, O.Abe, H.Yamasue, and S.Koike, “Machine-learning classification using neuroimaging data in schizophrenia, autism, ultra-high risk and first-episode psychosis, “Translational Psychiatry, vol.10, no.278, pp.1-11, 2020.

【発明の概要】

【発明が解決しようとする課題】

【0007】

統合失調症のような精神疾患は、疾患の有無を明確に区別しづらいため、疾患の程度を判定することが重要となる。しかしながら、特許文献１に記載されている技術では、出血の有無が判別されるだけであるため、精神疾患に対して適用することが難しい。また、非特許文献１に記載の技術でも、線形分類器を用いて疾患の有無が判別されているだけであるため、特許文献１で記載されている技術と同様に精神疾患に対して適用することが難しい。

【0008】

また、ＭＲＩ画像を用いた画像診断では、精度良く疾患を判定するためには、高解像度の画像データが必要となるが、解像度を高くするほど、撮像時間が増加し、患者の負担が増えるという問題もある。

【0009】

本開示は、上記の課題を鑑みてなされたものであり、患者の負担を軽減させつつ、疾患の程度を判定することが可能な医療画像診断支援装置、医療画像診断支援方法及びプログラムを提供することを目的とする。

【課題を解決するための手段】

【0010】

本開示の一態様に従う医療画像診断支援装置は、脳を示す３次元脳画像を用いて脳に関する所定の対象疾患の判定を支援する医療画像診断支援装置であって、前記３次元脳画像のサイズが閾値になるように、前記３次元脳画像をリサイズした処理済画像を生成する前処理部と、学習対象者の脳を示す複数の前記処理済画像を学習用データとして用いた機械学習を行い、前記処理済画像から前記対象疾患に罹患している確率である疾患確率を判定する学習済みモデルを構築するモデル構築部と、推論対象者の脳を示す前記処理済画像である推論対象画像を前記学習済みモデルに入力して、前記推論対象者の前記疾患確率を判定する判定部と、を有する。

【発明の効果】

【0011】

本発明によれば、患者の負担を軽減させつつ、疾患の程度を精度良く判定することが可能になる。

【図面の簡単な説明】

【0012】

【図1】本開示の実施例による診断支援システムを示す図である。

【図2】本実施例に係る医療画像処理装置の構成の一例を示す図である。

【図3】３次元脳画像の一例を示す図である。

【図4】３次元脳画像の他の例を示す図である。

【図5】疾患者と疾患確率との対応関係の一例を示す図である。

【図6】健常体と患確率との対応関係の一例を示す図である。

【図7】表示情報の一例を示す図である。

【図8】表示情報の他の例を示す図である。

【図9】医療画像処理装置による処理の一例を説明するためのフローチャートである。

【発明を実施するための形態】

【0013】

以下、本開示の実施形態について図面を参照して説明する。

【実施例0014】

図１は、本開示の実施例に係る診断支援システムを示す図である。図１に示す診断支援システム１００は、医療画像処理装置１と、３次元画像撮像装置２と、画像保管サーバ３とを含む。医療画像処理装置１、３次元画像撮像装置２及び画像保管サーバ３は、ネットワーク４を介して通信可能に相互に接続される。なお、図１に示した診断支援システム１００は、単なる一例であり、例えば、各装置１～３の一部又は全てが一体化されてもよい。また、ネットワーク４は、有線でも無線でもよく、また、各装置１～３は、ネットワーク４を介さずに直接接続されてもよい。

【0015】

医療画像処理装置１は、被検体の診断対象となる診断対象部位を撮像した医療画像を解析して、診断対象部位に関する所定の対象疾患の判定を支援する医療画像診断支援装置である。本実施例では、診断対象部位は脳であり、対象疾患は、統合失調症、アルツハイマー病、発達障害、鬱病、双極性障害、認知症又は知的障害のような精神疾患である。ただし、診断対象部位は脳に限らず、対象疾患は精神疾患に限らない。

【0016】

医療画像処理装置１は、例えば、医療画像処理プログラムをコンピュータにインストールして実行させることで実現される。コンピュータは、診断を行う医師などのユーザが直接操作するワークステーション又はパーソナルコンピュータでもよいし、それらとネットワークを介して接続されたサーバコンピュータでもよい。医療画像処理プログラムは、ＤＶＤ（Digital Versatile Disc）又はＣＤ－ＲＯＭ（Compact Disc Read Only Memory）などの記録媒体に記録されて配布され、その記録媒体からコンピュータにインストールされてもよい。また、医療画像処理プログラムは、ネットワークに接続されたサーバコンピュータの記憶装置、又はネットワーク・ストレージに、外部からアクセス可能な状態で記憶され、要求に応じてユーザが利用するコンピュータにダウンロードされてインストールされてもよい。

【0017】

３次元画像撮像装置２は、診断対象部位を撮像することで、その診断対象部位を示す医療画像を生成する装置である。３次元画像撮像装置２は、例えば、ＭＲＩ装置、ＣＴ装置又はＰＥＴ（Positron Emission Tomography）装置などであり、医療画像は、診断対象部位を撮像した画像である。本実施例では、３次元画像撮像装置２は、ＭＲＩ装置である。また、医療画像は、複数種類あってもよい。本実施例では、医療画像は、Ｔ１強調画像と、ＶＳＲＡＤ用の撮像画像であるＶＳＲＡＤ画像とを含む。Ｔ１強調画像は、解剖学的構造を捉えやすく、形態異常を発見しやすいという特徴を有する。また、医療画像は、Ｔ１強調画像及びＶＳＲＡＤ画像に限らず、例えば、Ｔ２強調画像やＦＬＡＩＲ（Fluid Attenuated Inversion Recovery）画像、ＤＷＩ（Diffusion Weighted Image）画像、ＭＲＡ（Magnetic Resonance Angiography）画像、ＭＩＰ（Maximum Intensity Projection）画像、ｆ－ＭＲＩ（functional MRI）画像等であってもよい。

【0018】

画像保管サーバ３は、３次元画像撮像装置２にて生成された医療画像を保存する装置である。画像保管サーバ３は、具体的には、各種データを保存して管理するコンピュータ装置であり、大容量外部記憶装置（図示せず）を備えている。画像保管サーバ３は、データベース管理用ソフトウェアを用いて、３次元画像撮像装置２にて生成された医療画像をネットワーク４経由で取得して、大容量外部記憶装置に格納して管理する。なお、医療画像の格納形式及び各装置１～３間の通信形式は、ＤＩＣＯＭ（Digital Imaging and Communication in Medicine）などのプロトコルに基づいている。

【0019】

図２は、医療画像処理装置１の構成の一例を示す図である。図１に示す医療画像処理装置１は、標準的なワークステーションの構成として、メモリ１１と、ストレージ１２と、ＣＰＵ（Central Processing Unit）１３とを有する。また、医療画像処理装置１は、入力部１４及び出力部１５と接続されている。入力部１４は、キーボード及びマウスなどを含み、ユーザから種々の情報を受け付ける。出力部１５は、ディスプレイなどの表示部を含み、種々の情報を出力（例えば、表示）する。

【0020】

メモリ１１は、ＣＰＵ１３の動作を規定するコンピュータプログラムである医療画像処理プログラム２０を記憶する。ストレージ１２は、ハードディスクドライブなどを含む。ストレージ１２は、ネットワーク４を経由して画像保管サーバ３から取得した医療画像、並びにＣＰＵ１３にて使用及び生成される種々の情報を記憶する。

【0021】

ＣＰＵ１３は、メモリ１１に記憶された医療画像処理プログラム２０を読み取り、その読み取った医療画像処理プログラム２０を実行して、画像取得部２１と、前処理部２２と、モデル構築部２３と、判定部２４と、識別根拠可視化部２５と、表示制御部２６とを実現するプロセッサである。

【0022】

なお、プロセッサとしては、ＣＰＵに限らず、ＦＰＧＡ（Field Programmable Gate Array）のような製造後に回路構成の変更が可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device：ＰＬＤ）を用いてもよい。また、プロセッサとして、ＡＳＩＣ（Application Specific Integrated Circuit）のような特定の処理を実行させるために専用に設計された回路構成を有する専用電気回路などが用いられてもよい。

【0023】

画像取得部２１は、画像保管サーバ３から医療画像を取得する。なお、医療画像がストレージ１２に保存されている場合には、画像取得部２１は、ストレージ１２から医療画像を取得してもよい。また、医療画像には、機械学習を行うための学習用データとして用いる学習用医療画像と、機械学習にて構築した学習済みモデルにより対象疾患に係る推論を行う推論用医療画像とがある。学習用医療画像は、診断が完了した被検体である学習対象者の脳を撮像した画像であり、対象疾患に罹患しているか否かを示す正解ラベルが付けられている。推論用医療画像は、対象疾患を判定する推論対象者の脳を写した画像である。

【0024】

前処理部２２は、前処理として、医療画像に対して種々の画像処理を行った処理済画像である３次元脳画像を生成する。具体的には、前処理部２２は、医療画像を所定の方向に配列された複数のスライス画像にて構成される３次元脳画像に変換する。これにより、３次元脳画像は互いに異なる３方向に画素が配列された画像となる。また、前処理部２２は、医療画像を３次元脳画像に変換する過程において、医療画像の正規化、リサイズ及びデータ拡張などの画像処理を実行する。なお、前処理部２２による前処理の少なくとも一部が３次元画像撮像装置２などの別の装置で行われてもよい。

【0025】

正規化は、３次元脳画像のボクセル値を所定の規則に従って変換する処理である。本実施例では、前処理部２２は、正規化として、３次元脳画像のボクセル値の平均が０、分散が１となるように３次元脳画像のボクセル値を変換する標準化を行う。ただし、前処理部２２は、正規化として、３次元脳画像のボクセル値の最小値が０、最大値が１となるように３次元脳画像のボクセル値を変換するＭｉｎ－Ｍａｘ法による処理を用いてもよい。

【0026】

リサイズは、３次元脳画像のサイズを変換する処理である。本実施例では、サイズは、互いに異なる３方向（Ｘ軸方向、Ｙ軸方向及びＺ軸方向）のそれぞれのサイズであり、リサイズは、各方向のサイズが閾値となるように行われる。例えば、前処理部２２は、各方向のサイズが閾値よりも少ない場合、その方向に対して数値補間法によるアップサンプリングを行い、各方向のサイズが閾値よりも多い場合、その方向に対して数値補間法によるダウンサンプリングを行うことで、各方向のサイズを閾値に変換する。各方向のサイズに対応する各閾値は、互いに異なっていてもよい。例えば、被検体のＺ軸方向の撮像時間の低減が患者の負担の軽減により有効であるため、Ｘ軸方向及びＹ軸方向に対応する閾値を、Ｚ軸方向に対応する閾値を大きくしてもよい。

【0027】

また、本実施例では、リサイズに用いる数値補間としては、非線形変換による数値補間である非線形補間が用いられる。非線形補間は、例えば、スプライン関数を用いて画像位置を非線形に補間するスプライン補間などである。非線形補間では、空間的な平滑性を保持しながら補間することが可能である。

【0028】

データ拡張は、医療画像に対して画像変換処理を行った画像を新たに医療画像として生成することで医療画像の数を増やす処理である。画像変換処理は、例えば、回転処理、シフト処理、拡大縮小処理及び輝度変換処理などである。回転処理は、Ｘ軸方向、Ｙ軸方向及びＺ軸方向の少なくとも１つを回転軸として画像を回転させる処理である。シフト処理は、Ｘ軸方向、Ｙ軸方向及びＺ軸方向の少なくとも１つの沿った方向に画像を平行移動させる処理である。拡大縮小処理は、Ｘ軸方向、Ｙ軸方向及びＺ軸方向の少なくとも一つの方向を相似に拡大縮小する処理である。輝度変換処理は、ガウシアンフィルタなどを用いた平滑化、及び、エッジの重みを増加するシャープネスなど行うことで、医療画像の輝度を調整する処理である。データ拡張は、これらの例に限らず、画像変換処理として、水平反転処理又はランダムクロップ処理などを含んでもよい。

【0029】

なお、前処理部２２は、前処理として、３次元脳画像の位置合わせを行ってもよい。位置合わせとは、撮像環境の差及び脳形状の個人差などにより、画像ごとに脳組織の位置が相違する問題に対処する処理の総称であり、回転処理、シフト処理及び拡大縮小処理などを用いて行われる。位置合わせは、ＳＰＭ１２（Statistical Parametric Mapping 12）などを用いて、３次元脳画像における脳形態を標準的な脳形態に合わせる標準化などを含む。

【0030】

位置合わせは、具体的には、ＡＣ－ＰＣ（Anterior Commissure -Posterior Commissure）位置合わせ、Ｒｅａｌｉｇｎｍｅｎｔ処理、及び、標準化処理などを適用することができる。ＡＣ－ＰＣ位置合わせは、各３次元脳画像の原点がずれることで正しく処理が行われないことを抑制するために、脳のＡＣ（前交連）上に原点を設定し、３次元脳画像がＡＣ－ＰＣラインと並行になるように位置合わせを行う処理である。Ｒｅａｌｉｇｎｍｅｎｔ処理は、撮像時の被検体の体動及び拍動による頭部の動きによる医療画像のずれを補正するための処理であり、最小二乗法などを用いて算出した平行移動量及び回転量に応じた剛体変換を行うことで、３次元脳画像における頭部の位置を補正する処理である。標準化処理は、標準脳画像と３次元脳画像とを位置合わせする処理である。標準脳画像は、ＭＲＩ装置が複数の健常体の頭部を撮像することで取得した複数のＭＲＩ画像のそれぞれから脳領域を抽出した複数の脳画像を平均した脳画像である。なお、標準脳画像は、コンピュータグラフィックスなどにて作成された画像でもよいし、一人の健常体の脳を撮像することで取得された画像でもよい。また、標準脳画像は、画像保管サーバ３又はストレージ１２に保存されており、前処理部２２は、標準脳画像を画像保管サーバ３又はストレージ１２から取得する。

【0031】

なお、前処理部２２は、本実施例では、データ拡張を行った複数の３次元脳画像のそれぞれに対して位置合わせを行うが、位置合わせを行った３次元脳画像に対してデータ拡張を行ってもよい。

【0032】

図３及び図４は、前処理部２２にて変換された３次元脳画像の一例を示す図である。具体的には、図３は、Ｔ１強調画像から変換された３次元脳画像Ｂ０の一例を示し、図４は、ＶＳＲＡＤ画像から変換された３次元脳画像Ｃ０の一例を示す。

【0033】

図３及び図４に示すように３次元脳画像Ｂ０及びＣ０は、頭蓋骨３１及び脳実質３２を示す。脳実質３２は、脳室及び脳槽のような種々の解剖学的領域を含む。図３及び図４では、解剖学的領域として、脳室３３を示し、他の解剖学的領域については省略している。

【0034】

図２の説明に戻る。モデル構築部２３は、前処理部２２にて学習用医療画像から変換された３次元脳画像を学習用データとして用いた機械学習を行って、３次元脳画像から対象疾患に罹患している確率である疾患確率を判定する学習済みモデルである識別モデルを構築する。モデル構築部２３は、識別モデルの汎化性能の向上及び過学習の抑制のために、交差検証にて学習回数を増やしてもよい。また、識別モデルの識別精度（評価指標）としては、例えば、ＡＵＣ（Area Under the Curve）、ＴＰＲ（True Positive Rage）又はＦＰＲ（False Positive Rate）などを用いることができる。

【0035】

本実施例では、モデル構築部２３は、３次元識別器を用いて識別モデルを構築する。３次元識別器は、スライス画像ごとに画像の特徴を識別する２次元識別器とは異なり、３次元画像をそのまま用いて画像（脳）の特徴を識別することが可能な識別器であり、例えば、３Ｄ－ＣＮＮ（Three-Dimensional-Convolutional Neural Network）である。３次元識別器は、２次元識別器と比べて、一般的に計算コストが高くなるが、識別精度が向上する。本実施例では、３次元識別器は３Ｄ－ＣＮＮである。３Ｄ－ＣＮＮは、３次元脳画像を３次元画像のまで解析する非線形識別器であり、疾患確率を連続値で計算して出力することができる。疾患確率は対象疾患の診断を支援する客観的な指標となる。

【0036】

判定部２４は、モデル構築部２３にて構築された識別モデルに対して、前処理部２２にて推論用医療画像から変換された３次元脳画像である推論対象画像を入力して、対象疾患の疾患確率を連続値で算出して出力する。このとき、判定部２４は、疾患確率に基づいて、被検体である推論対象者が健常体か否かを判定してもよい。例えば、３Ｄ－ＣＮＮの出力層にシグモイド関数を用いる場合、判定部２４は、疾患確率が０．５以上かつ１．０以下の場合、推論対象者が対象疾患を患う疾患者であると判定し、疾患確率が０以上かつ０.５未満の場合、被検体が健常体であると判定する。３Ｄ－ＣＮＮの出力層は、シグモイド関数に限らず、ソフトマックス関数などの他の関数でもよい。

【0037】

図５は、疾患者と疾患者の脳を示す３次元脳画像から算出された疾患確率との関係を示す図であり、図６は、健常体と健常体の脳を示す３次元脳画像から算出された疾患確率との関係を示す図である。図５及び図６では、横軸は疾患確率、図５の縦軸は被検体数（疾患者の人数又は健常体の人数）を表す。図５及び図６に示すように、疾患確率は、０又は１のような離散的な値ではなく、連続値で表されるため、精神疾患の診断に役立つ客観的な指標となる。

【0038】

図２の説明に戻る。識別根拠可視化部２５は、３次元脳画像において、判定部２４にて疾患確率の算出に使用された領域である識別根拠領域を特定する可視化部である。具体的には、識別根拠可視化部２５は、機械学習モデルによる判定の根拠となる判定根拠を解析する技術であるＸＡＩ（eXplainable Artificial Intelligence）の一種である３Ｄ－Ｇｒａｄ－ＣＡＭ（Three-Dimensional Gradient-weighted Class Activation Mapping）などを用いて識別根拠領域を特定する。３Ｄ－Ｇｒａｄ－ＣＡＭは、クラス識別性能が高く、機械学習モデルなどが出力する結果に対して説明可能な根拠を与える技術である。

【0039】

表示制御部２６は、判定部２４にて算出された疾患確率と、識別根拠可視化部２５にて特定された識別根拠領域との少なくとも一方を示す表示情報を生成して出力部１５に表示する。

【0040】

図７及び図８は、表示情報の一例を示す図である。具体的には、図７は、３次元脳画像Ｂ０における識別根拠領域を示す表示情報の一例であり、３次元脳画像Ｃ０における識別根拠領域を示す表示情報の一例である。

【0041】

図７に示す表示情報４０は、３次元脳画像Ｂ０のうちの、識別根拠領域を含むスライス脳画像４１と、スライス脳画像を特定するための特定情報４２と、識別根拠領域を説明する説明情報４３とを含む。スライス脳画像４１は、頭蓋骨３１及び脳実質３２を示し、さらに脳実質３２内に識別根拠領域３４が示されている。特定情報４２は、スライス脳画像の全体のうち、表示されているスライス脳画像４１が何枚目かを示すテキスト情報である。説明情報４３は、識別根拠領域３４に対応する部位を説明するためのテキスト情報である。なお、特定情報４２及び説明情報４３は、テキスト情報に限らず、記号又はアイコンのような情報でもよい。

【0042】

図８に示す表示情報５０は、表示情報４０と同様に、スライス脳画像５１と、特定情報５２と、説明情報５３とを含む。スライス脳画像５１、特定情報５２及び説明情報５３は、図７に示したスライス脳画像４１、特定情報４２及び説明情報４３のそれぞれに対応する。

【0043】

なお、表示情報は、図７及び図８に表したような１枚のスライス脳画像を示すものに限らず、複数枚のスライス脳画像を示してもよいし、３次元脳画像Ｂ０及びＣ０をそのまま示してもよい。

【0044】

図９は、医療画像処理装置１による処理の一例を説明するためのフローチャートである。

【0045】

先ず、図９の左側に示した学習フェーズＦ１が実行される。学習フェーズＦ１では、画像取得部２１は、画像保管サーバ３から学習用医療画像（Ｔ１強調画像及びＶＳＲＡＤ画像）を取得する（ステップＳＴ１）。

【0046】

前処理部２２は、画像取得部２１にて取得された学習用医療画像のそれぞれを３次元化して３次元脳画像Ｂ０及びＣ０を作成する（ステップＳＴ２）。

【0047】

前処理部２２は、各３次元脳画像Ｂ０及びＣ０のボクセル値の平均が０、分散が１となるように、各３次元脳画像Ｂ０及びＣ０を正規化する（ステップＳＴ３）。ただし、正規化（ステップＳＴ３の処理）は行われなくてもよい。

【0048】

前処理部２２は、各３次元脳画像Ｂ０及びＣ０のＸ軸方向、Ｙ軸方向及びＺ軸方向の各方向のサイズが閾値となるように、各３次元脳画像Ｂ０及びＣ０をリサイズする（ステップＳＴ４）。具体的には、前処理部２２は、サイズが閾値未満の方向については、数値補間によるアップサンプリングを行うことで、サイズを閾値まで増やし、サイズが閾値より大きい方向については、数値補間によるダウンサンプリングを行うことで、サイズを閾値まで減らす。なお、サイズが閾値と同じ方向については、前処理部２２は、その方向に対してはリサイズを行わなくてよい。

【0049】

前処理部２２は、各３次元脳画像Ｂ０及びＣ０の少なくとも一部に対して画像変換処理を行うことで、３次元脳画像Ｂ０及びＣ０の数を増やす（ステップＳＴ５）。ただし、ステップＳＴ５の処理であるデータ拡張は行われなくてもよい。

【0050】

モデル構築部２３は、３Ｄ－ＣＮＮに３次元脳画像を学習用データとして入力して、３Ｄ－ＣＮＮに機械学習を行わせて、３次元脳画像Ｂ０及びＣ０から対象疾患の疾患確率を判定する学習済みモデルである識別モデルを構築し（ステップＳＴ６）、学習フェーズＦ１を終了する。識別モデルは、本実施例では、３次元脳画像Ｂ０及びＣ０の両方から単一の疾患確率を判定する。

【0051】

なお、図の例では、簡単のために、3次元化により生成した３次元脳画像Ｂ０及びＣ０に対して正規化、リサイズ及びデータ拡張などを行っているが、３次元脳画像Ｂ０及びＣ０を生成する過程において、正規化、リサイズ及びデータ拡張が行われてもよい。

【0052】

次に、図９の右側に示した推論フェーズＦ２が実行される。推論フェーズＦ２では、先ず、画像取得部２１は、画像保管サーバ３から推論用医療画像（Ｔ１強調画像及びＶＳＲＡＤ画像）を取得する（ステップＳＴ１１）。その後、前処理部２２は、学習フェーズＦ１のステップＳＴ２～ＳＴ４の処理と同様な処理を推論用医療画像に対して行い、推論用の３次元脳画像Ｂ０及びＣ０を生成する（ステップＳＴ１２～ＳＴ１４）。

【0053】

その後、判定部２４は、ステップＳＴ６にてモデル構築部２３が構築した識別モデルに対して、推論用の３次元脳画像Ｂ０及びＣ０を入力して、被検体が対象疾患に罹患している疾患確率を算出する（ステップＳＴ１５）。

【0054】

識別根拠可視化部２５は、識別モデルによる疾患確率を算出したプロセスを解析して、３次元脳画像Ｂ０及びＣ０における疾患確率の算出に使用された領域である識別根拠領域を特定する（ステップＳＴ１６）。

【0055】

そして、表示制御部２６は、判定部２４にて算出された疾患確率と、識別根拠可視化部２５にて特定された識別根拠領域との少なくとも一方を示す表示情報を生成して出力部１５に表示し（ステップＳＴ１７）、推論フェーズＦ２を終了する。

【0056】

以上説明したように本実施例によれば、前処理部２２は、３次元脳画像のＸ軸方向、Ｙ軸方向及びＺ軸方向のサイズが閾値になるように、３次元脳画像をリサイズする。モデル構築部２３は、リサイズした学習用の３次元脳画像を学習用データとして用いた機械学習を行い、３次元脳画像から対象疾患に罹患している確率である疾患確率を判定する識別モデルを構築する。判定部２４は、推論対象者の脳を示すリサイズした３次元脳画像である推論対象画像を学習済みモデルに入力して、推論対象者の疾患確率を判定する。したがって、３次元脳画像が適切なサイズとなるようにリサイズされた処理済画像から対象疾患に罹患している疾患確率が判定される。このため、サイズの少ない画像を取得しても適切なサイズの画像が生成されるため、撮像時間の短縮が可能となり、患者の負担を軽減することが可能となる。また、疾患の有無ではなく、疾患確率が判定されるため、疾患の程度を判定することが可能となる。

【0057】

また、本実施例では、、数値補間法を用いて３次元脳画像がリサイズされる。このため、滑らかな補間が可能となり、空間的な平滑性を保持しながらリサイズを行うことが可能となる。

【0058】

また、本実施例では、非線形関数による数値補間法を用いて３次元脳画像がリサイズされるため、滑らかな補間をより適切に行うことが可能となる。

【0059】

また、本実施例では、前処理部２２は、３次元脳画像のX軸方向、Y軸方向及びZ軸方向の各方向のサイズが閾値となるように、３次元脳画像をリサイズする。このため、３次元画像をより適切なサイズにリサイズすることが可能となる。

【0060】

また、本実施例では、各方向に対応する閾値が互いに異なる。このため、３次元画像をより適切なサイズにリサイズすることが可能となる。

【0061】

また、本実施例では、識別根拠可視化部２５は、３次元脳画像における疾患確率の算出に使用された識別根拠領域を特定する。このため、医師などが識別根拠領域情報に注目して対象疾患を判定することが可能となるため、対象疾患に対する適切な判定を支援することが可能となる。

【0062】

また、モデル構築部２３は、３Ｄ－ＣＮＮを用いて機械学習を行う。このため、３次元脳画像を特徴量化せずに幾何学情報を維持したまま疾患確率を判定することが可能となる。

【0063】

なお、本開示は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明したすべての構成を備えるものに限定されるものではない。例えば、本実施例では、医療画像を対象にしているが、本開示は、医用画像に限定されるものではなく、材料を写した画像による材料の診断などにも適用することができる。

【0064】

また、実施例の構成の一部について、構成の追加・削除・置換をすることが可能である。また、上記の各構成、機能、処理部、処理集団等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリやハードディスク、ＳＳＤ（Solid State Drive）等の記憶装置、又は、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。

【0065】

また、１つの処理部は、これら各種のプロセッサのうちの１つで構成されてもよいし、同種又は異種の２つ以上のプロセッサの組合せ（例えば、複数のＦＰＧＡ、又はＣＰＵとＦＰＧＡの組合せ等）で構成されてもよい。また、複数の処理部が１つのプロセッサで構成されてもよい。複数の処理部を１つのプロセッサで構成する例としては、第１に、クライアント及びサーバ等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組合せで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（System On Chip：SoC）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）チップで実現するプロセッサを利用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサを１つ以上用いて構成される。

【0066】

さらに、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組合せた電子回路（circuitry）である。

【符号の説明】

【0067】

１：医療画像処理装置 ２：３次元画像撮像装置 ３：画像保管サーバ ２１：画像取得部 ２２：前処理部 ２３：モデル構築部 ２４：判定部 ２５：識別根拠可視化部 ２６：表示制御部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】