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】P2024124256
(43)【公開日】2024-09-12
(54)【発明の名称】医用画像処理装置、および、医用画像処理方法
(51)【国際特許分類】
G16H 30/40 20180101AFI20240905BHJP
【ＦＩ】
G16H30/40
【審査請求】未請求
【請求項の数】10
【出願形態】ＯＬ
(21)【出願番号】P 2023032276
(22)【出願日】2023-03-02
(71)【出願人】
【識別番号】320011683
【氏名又は名称】富士フイルムヘルスケア株式会社
(74)【代理人】
【識別番号】110000888
【氏名又は名称】弁理士法人山王坂特許事務所
(72)【発明者】
【氏名】井上 敦詞
(72)【発明者】
【氏名】白旗 崇
(72)【発明者】
【氏名】永田 剛志
(72)【発明者】
【氏名】角村 卓是
(72)【発明者】
【氏名】高田 知里
(72)【発明者】
【氏名】村瀬 貴之
【テーマコード（参考）】
5L099
【Ｆターム（参考）】
5L099AA26
(57)【要約】
【課題】体型に影響を与える１以上の生活習慣および加齢に基づいて、将来の体型を精度よく予測するシステムを提供する。
【解決手段】加齢変化モデルと、生活習慣変化モデルを用いて所定の時点の加齢および前記１以上の生活習慣による変化を予測した断層画像を生成する。このとき、将来の所定の時点の加齢による変化後の断層画像を生成した後、算出した断層画像と、生活習慣変化モデルに入力する。これにより、所定の時点の加齢および１以上の生活習慣がそれぞれ体型に与える変化を予測でき、将来の体型を精度よく予測した断層画像を生成することができる。
【選択図】 図２
【解決手段】加齢変化モデルと、生活習慣変化モデルを用いて所定の時点の加齢および前記１以上の生活習慣による変化を予測した断層画像を生成する。このとき、将来の所定の時点の加齢による変化後の断層画像を生成した後、算出した断層画像と、生活習慣変化モデルに入力する。これにより、所定の時点の加齢および１以上の生活習慣がそれぞれ体型に与える変化を予測でき、将来の体型を精度よく予測した断層画像を生成することができる。
【選択図】 図２
【特許請求の範囲】
【請求項1】
被検体について撮影した断層画像と、前記被検体の１以上の生活習慣の入力とを受け付ける入力部と、
被検体の加齢により生じる被検体の断層画像の変化を予測して算出する学習モデルである加齢変化モデルと、
被検体の前記１以上の生活習慣による被検体の断層画像の変化を予測して算出する学習モデルである生活習慣変化モデルと、
前記入力部が受け付けた１以上の生活習慣と、前記加齢変化モデルと、前記生活習慣変化モデルとを用いて、前記入力部が受け付けた前記断層画像の将来の断層画像を予測して算出する予測画像生成部とを有し、
前記加齢変化モデルは、前記１以上の生活習慣による断層画像の変化を予測せず、加齢による被検体の断層画像の変化を予測するように予め学習済みであり、
前記生活習慣変化モデルは、加齢による断層画像の変化を予測せず、前記１以上の生活習慣による断層画像の変化を予測するように予め学習済みであり、
前記予測画像生成部は、前記入力部が受け付けた前記断層画像を前記加齢変化モデルに入力することにより、将来の所定の時点の加齢による変化後の断層画像を生成した後、算出した当該加齢による変化後の断層画像と前記入力部が受け付けた前記１以上の生活習慣とを前記生活習慣変化モデルに入力することにより、前記所定の時点の加齢および前記１以上の生活習慣による変化を予測した断層画像を生成することを特徴とする医用画像処理装置。
被検体の加齢により生じる被検体の断層画像の変化を予測して算出する学習モデルである加齢変化モデルと、
被検体の前記１以上の生活習慣による被検体の断層画像の変化を予測して算出する学習モデルである生活習慣変化モデルと、
前記入力部が受け付けた１以上の生活習慣と、前記加齢変化モデルと、前記生活習慣変化モデルとを用いて、前記入力部が受け付けた前記断層画像の将来の断層画像を予測して算出する予測画像生成部とを有し、
前記加齢変化モデルは、前記１以上の生活習慣による断層画像の変化を予測せず、加齢による被検体の断層画像の変化を予測するように予め学習済みであり、
前記生活習慣変化モデルは、加齢による断層画像の変化を予測せず、前記１以上の生活習慣による断層画像の変化を予測するように予め学習済みであり、
前記予測画像生成部は、前記入力部が受け付けた前記断層画像を前記加齢変化モデルに入力することにより、将来の所定の時点の加齢による変化後の断層画像を生成した後、算出した当該加齢による変化後の断層画像と前記入力部が受け付けた前記１以上の生活習慣とを前記生活習慣変化モデルに入力することにより、前記所定の時点の加齢および前記１以上の生活習慣による変化を予測した断層画像を生成することを特徴とする医用画像処理装置。
【請求項2】
請求項１に記載の医用画像処理装置であって、前記入力部を受け付ける前記生活習慣は、第１の生活習慣と、第２の生活習慣とを含み、
前記生活習慣変化モデルは、第１の生活習慣について用意された第１生活習慣モデルと、第２の生活習慣について用意された第２生活習慣モデルとを含み、前記第１生活習慣モデルは、前記第２の生活習慣による断層画像の変化を予測せず、前記第２生活習慣モデルは、前記第１の生活習慣による断層画像の変化を予測しないように構成され、
前記予測画像生成部は、当該加齢による変化後の断層画像と前記入力部が受け付けた前記第１の生活習慣とを前記第１生活習慣モデルに入力して、前記所定の時点の加齢および前記第１の生活習慣による変化後を予測した断層画像を算出した後、算出した当該断層画像と前記第２の生活習慣とを前記第２生活習慣モデルに入力して、前記所定の時点の加齢、前記第１の生活習慣および第２の生活習慣による変化後を予測した断層画像を算出することを特徴とする医用画像処理装置。
前記生活習慣変化モデルは、第１の生活習慣について用意された第１生活習慣モデルと、第２の生活習慣について用意された第２生活習慣モデルとを含み、前記第１生活習慣モデルは、前記第２の生活習慣による断層画像の変化を予測せず、前記第２生活習慣モデルは、前記第１の生活習慣による断層画像の変化を予測しないように構成され、
前記予測画像生成部は、当該加齢による変化後の断層画像と前記入力部が受け付けた前記第１の生活習慣とを前記第１生活習慣モデルに入力して、前記所定の時点の加齢および前記第１の生活習慣による変化後を予測した断層画像を算出した後、算出した当該断層画像と前記第２の生活習慣とを前記第２生活習慣モデルに入力して、前記所定の時点の加齢、前記第１の生活習慣および第２の生活習慣による変化後を予測した断層画像を算出することを特徴とする医用画像処理装置。
【請求項3】
請求項２に記載の医用画像処理装置であって、前記第１の生活習慣および第２の生活習慣は、一方が、運動習慣であり、他方が食生活の習慣であることを特徴とする医用画像処理装置。
【請求項4】
請求項１に記載の医用画像処理装置であって、達成度算出部をさらに有し、
前記予測画像生成部は、前記被検体について前記予測した断層画像を記憶部に保存し、
前記達成度算出部は、前記予測画像生成部が前記予測した断層画像を生成した後、同じ前記被検体について断層画像が撮影された場合、当該撮影された断層画像と、前記記憶部に保存されていた前記予測した断層画像とを比較し、前記予測した断層画像への前記撮影された断層画像の達成度を算出することを特徴とする医用画像処理装置。
前記予測画像生成部は、前記被検体について前記予測した断層画像を記憶部に保存し、
前記達成度算出部は、前記予測画像生成部が前記予測した断層画像を生成した後、同じ前記被検体について断層画像が撮影された場合、当該撮影された断層画像と、前記記憶部に保存されていた前記予測した断層画像とを比較し、前記予測した断層画像への前記撮影された断層画像の達成度を算出することを特徴とする医用画像処理装置。
【請求項5】
請求項４に記載の医用画像処理装置であって、前記達成度算出部は、当該撮影された断層画像と、前記予測した断層画像に含まれる筋肉の領域および脂肪領域の面積の少なくとも一方を抽出し、その面積比を前記達成度として算出することを特徴とする医用画像処理装置。
【請求項6】
請求項１に記載の医用画像処理装置であって、リスク予測部をさらに有し、
前記予測画像生成部は、前記被検体について前記予測した断層画像を記憶部に保存し、
リスク予測部は、前記予測画像生成部が予測した断層画像を用いて、被検体が疾病または運動障害になるリスクを算出することを特徴とする医用画像処理装置。
前記予測画像生成部は、前記被検体について前記予測した断層画像を記憶部に保存し、
リスク予測部は、前記予測画像生成部が予測した断層画像を用いて、被検体が疾病または運動障害になるリスクを算出することを特徴とする医用画像処理装置。
【請求項7】
請求項１に記載の医用画像処理装置であって、前記入力部は、前記１以上の生活習慣の時間軸方向の変化を入力するための時間軸と、変化を予測した断層画像を生成すべき前記所定の時点を時間軸上で指定するポインタとを表示するユーザインタフェースを含むことを特徴とする医用画像処理装置。
【請求項8】
請求項７に記載の医用画像処理装置であって、前記ユーザインタフェースにおいて、現時点から前記ポインタで指定された、変化を予測した断層画像を生成すべき前記所定の時点までの間に、入力された前記１以上の生活習慣が変化している場合、前記予測画像生成部は、現時点で撮影された前記断層画像を用いて、前記生活習慣が変化する時点における断層画像を予測して生成した後、前記生活習慣が変化する時点について予測した断層画像を用いて、前記ポインタで指定された前記所定の時点の断層画像を予測して生成することを特徴とする医用画像処理装置。
【請求項9】
請求項１に記載の医用画像処理装置であって、前記１以上の生活習慣として、食事により摂取したカロリーと、運動により消費したカロリーとの差分を用いることを特徴とする医用画像処理装置。
【請求項10】
被検体について撮影した断層画像と、前記被検体の１以上の生活習慣の入力とを受け付け、
被検体の加齢により生じる被検体の断層画像の変化を予測して算出する学習モデルである加齢変化モデルと、被検体の前記１以上の生活習慣による被検体の断層画像の変化を予測して算出する学習モデルである生活習慣変化モデルと、入力を受け付けた１以上の生活習慣とを用いて、入力を受け付けた前記断層画像の将来の断層画像を予測して、生成する医用画像処理方法であって、
前記加齢変化モデルは、前記１以上の生活習慣による断層画像の変化を予測せず、加齢による被検体の断層画像の変化を予測するように予め学習済みであり、
前記生活習慣変化モデルは、加齢による断層画像の変化を予測せず、前記１以上の生活習慣による断層画像の変化を予測するように予め学習済みであり、
入力を受け付けた前記断層画像を前記加齢変化モデルに入力することにより、将来の所定の時点の加齢による変化後の断層画像を生成した後、算出した当該加齢による変化後の断層画像と、入力を受け付けた前記１以上の生活習慣とを前記生活習慣変化モデルに入力することにより、前記所定の時点の加齢および前記１以上の生活習慣による変化を予測した断層画像を生成することを特徴とする医用画像処理方法。
被検体の加齢により生じる被検体の断層画像の変化を予測して算出する学習モデルである加齢変化モデルと、被検体の前記１以上の生活習慣による被検体の断層画像の変化を予測して算出する学習モデルである生活習慣変化モデルと、入力を受け付けた１以上の生活習慣とを用いて、入力を受け付けた前記断層画像の将来の断層画像を予測して、生成する医用画像処理方法であって、
前記加齢変化モデルは、前記１以上の生活習慣による断層画像の変化を予測せず、加齢による被検体の断層画像の変化を予測するように予め学習済みであり、
前記生活習慣変化モデルは、加齢による断層画像の変化を予測せず、前記１以上の生活習慣による断層画像の変化を予測するように予め学習済みであり、
入力を受け付けた前記断層画像を前記加齢変化モデルに入力することにより、将来の所定の時点の加齢による変化後の断層画像を生成した後、算出した当該加齢による変化後の断層画像と、入力を受け付けた前記１以上の生活習慣とを前記生活習慣変化モデルに入力することにより、前記所定の時点の加齢および前記１以上の生活習慣による変化を予測した断層画像を生成することを特徴とする医用画像処理方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、被検体のＸ線ＣＴ画像等の医用画像を取り込んで、被検体の将来を予測する医用画像処理装置、医用画像処理方法、およびプログラムに関する。
【背景技術】
【0002】
近年、日本では食の欧米化や、高齢化が進み、肥満やフレイルが社会問題となっている。フレイルは、身体的な骨・関節・筋肉などが衰え、健常から要介護へ移行する中間の状態をいい、要介護の主な要因となっている。そのため、国内では後期高齢者を対象としたフレイル健診が２０２０年４月にスタートするなど、フレイルの早期診断や予防への注目が高まっている。
【0003】
フレイルや肥満を解消するためは、対象者に現在の自分の体の状態を理解してもらい、運動や食生活といった生活習慣を改善してもらうことが重要となる。その一つの方法として、医用画像撮影装置で撮影された腹部の断層画像や、断層画像内の内臓脂肪領域や皮下脂肪領域を着色した画像を、受診者に分かり易く提示し、視覚的に現状を理解してもらうことにより、生活習慣の改善を促す方法がある。
【0004】
特許文献１には、医用画像撮影装置で撮影された腹部の断層画像から、内臓脂肪領域および皮下脂肪領域を抽出し、各領域の面積や面積比率を計算する技術が開示されている。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】特開２００２－２２２４１０号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
上述のように、受診者を撮影した断層画像や、内蔵脂肪領域等を着色した画像を受診者に対して表示する方法は、現状を受診者に把握してもらうことはできる。しかしながら、受診者は、現状の生活習慣を続けると今後どのように体型が変化するか、生活習慣を改善した場合、どのような体型になるか、生活習慣をどのように変えれば理想の体型になれるかを知りたいという要求がある。
【0007】
しかしながら、将来の体型変化には、生活習慣の複数の要素が影響し、しかも、加齢自体も影響するため、予測することは容易ではない。
【0008】
本発明の目的は、体型に影響を与える１以上の生活習慣および加齢に基づいて、将来の体型を精度よく予測するシステムを提供することにある。
【課題を解決するための手段】
【0009】
本発明によれば、被検体について撮影した断層画像と、被検体の１以上の生活習慣の入力とを受け付ける入力部と、被検体の加齢により生じる被検体の断層画像の変化を予測して算出する学習モデルである加齢変化モデルと、被検体の１以上の生活習慣による被検体の断層画像の変化を予測して算出する学習モデルである生活習慣変化モデルと、入力部が受け付けた１以上の生活習慣と、加齢変化モデルと、生活習慣変化モデルとを用いて、入力部が受け付けた断層画像の将来の断層画像を予測して算出する予測画像生成部とを有する医用画像処理装置が提供される。加齢変化モデルは、１以上の生活習慣による断層画像の変化を予測せず、加齢による被検体の断層画像の変化を予測するように予め学習済みである。生活習慣変化モデルは、加齢による断層画像の変化を予測せず、１以上の生活習慣による断層画像の変化を予測するように予め学習済みである。予測画像生成部は、入力部が受け付けた断層画像を加齢変化モデルに入力することにより、将来の所定の時点の加齢による変化後の断層画像を生成した後、算出した当該加齢による変化後の断層画像と入力部が受け付けた１以上の生活習慣とを生活習慣変化モデルに入力することにより、所定の時点の加齢および１以上の生活習慣による変化を予測した断層画像を生成する。
【発明の効果】
【0010】
本発明によれば、１以上の生活習慣と加齢がそれぞれ体型に与える影響を算出することにより、将来の体型を精度よく予測するシステムを提供する。
【図面の簡単な説明】
【0011】
【図1】本発明の医用画像処理装置１のハードウエア構成を説明するブロック図である。
【図2】実施例１の医用画像処理装置１の機能を示すブロック図である。
【図3】実施例１の医用画像処理装置１の処理を説明するフローチャートである。
【図4】実施例１の医用画像処理装置１の加齢変化モデル１９の学習方法を説明するためフローチャートの図である。
【図5】実施例１の医用画像処理装置１の加齢変化モデル１９の学習時の構造を説明する図である。
【図6】実施例１の医用画像処理装置１の運動変化モデル２０の学習方法を説明するためフローチャートの図である。
【図7】（ａ）実施例１の医用画像処理装置１の加齢変化モデル１９を用いて推論画像を生成する際の構造を説明する図であり、（ｂ）実施例１の医用画像処理装置１の運動変化モデル２０の学習時の構造を説明する図である。
【図8】（ａ）実施例１の医用画像処理装置１の加齢変化モデル１９を用いて推論画像を生成する際の構造を説明する図であり、（ｂ）実施例１の医用画像処理装置１の食変化モデル２１の学習時の構造を説明する図である。
【図9】実施例２の医用画像処理装置の処理の流れを説明するフローチャートである。
【図10】実施例２の医用画像処理装置１の機能を示すブロック図である。
【図11】実施例３の医用画像処理装置の処理の流れを説明するフローチャートである。
【図12】実施例３の医用画像処理装置１の機能を示すブロック図である。
【図13】実施例４の医用画像処理装置の処理の流れを説明するフローチャートである。
【図14】実施例４の医用画像処理装置１の機能を示すブロック図である。
【図15】実施例５の医用画像処理装置の処理の流れを説明するフローチャートである。
【図16】実施例５の医用画像処理装置の処理の流れを説明するフローチャートである。
【図17】実施例５の医用画像処理装置１の機能を示すブロック図である。
【図18】（ａ）実施例１の医用画像処理装置１の加齢変化モデル１９を用いて推論画像を生成する際の構造を説明する図であり、（ｂ）実施例５の医用画像処理装置１のカロリー変化モデル６３の学習時の構造を説明する図である。
【発明を実施するための形態】
【0012】
本発明の一実施形態について図面を用いて説明する。
【0013】
図１は、本実施形態の医用画像処理装置１のハードウエア構成を示している。医用画像処理装置１は、中央処理装置（ＣＰＵ）５と、主メモリ６と、記憶装置７と、ネットワークアダプタ８と、表示メモリ１３と、表示装置１４と、マウス１１と、コントローラ１２と、キーボード１０と、共通バス９とを備える。
【0014】
医用画像撮影装置２は、Ｘ線ＣＴ装置、ＭＲＩ装置などの被検体の医用断層画像を撮像する。医用画像管理システム３は、撮影された医用断層画像やその他の医療情報を保管し、管理する。ＬＡＮ４は、医用画像処理装置１、医用画像撮影装置２、及び、医用画像管理システム３の各装置を相互に接続する。
【0015】
ＣＰＵ５は、主として医用画像処理装置の主メモリ６、記憶装置７、ネットワークアダプタ８、表示メモリ１３、コントローラ１２及びキーボード１０の各構成要素の動作を制御する。なお、ここでは一例としてＣＰＵ５を用いているが、ＣＰＵ５に代えて、高速な並列演算が可能なＧＰＵ（Ｇｒａｐｈｉｃ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を使用してもよい。
【0016】
主メモリ６は、制御プログラムの格納する領域と、プログラムを実行時の作業領域とを含む。
【0017】
記憶装置７は、オペレーティングシステム（ＯＳ）や周辺機器のデバイスドライブや画像データから支援情報を得るための処理等を行なうためのプログラムを含む各種アプリケーションソフト等を格納する。
【0018】
ネットワークアダプタ８は、ＬＡＮ４と医用画像処理装置１を繋ぎ、データのやり取りを行なう。
【0019】
表示メモリ１３は、表示用データを一時記憶する。
【0020】
表示装置１４は、表示メモリ１３からのデータに基づいて断層画像の処理結果を表示する。
【0021】
マウス１１は、操作者のための表示装置１４の画面の位置情報の入力装置である。
【0022】
コントローラ１２は、マウス１１のロータリエンコーダを検出して表示装置１４上のマウスポインタの位置を含む信号をＣＰＵ５に出力する。
【0023】
キーボード１０は、操作者のための文字情報の入力装置である。
【0024】
共通バス９は、ＣＰＵ５と前記各構成要素を接続する。
【0025】
＜＜実施例１＞＞
次に、本発明の実施例１の医用画像処理装置１の機能および動作について図２～図８を用いて説明する。図２は、実施例１の医用画像処理装置１の機能を示すブロック図である。図３は、医用画像処理装置１の動作を示すフローチャートである。図４～図８は、加齢変化モデル１９、運動変化モデル２０および食変化モデル２１の３つの学習モデルの生成方法（学習方法）を示す図である。
次に、本発明の実施例１の医用画像処理装置１の機能および動作について図２～図８を用いて説明する。図２は、実施例１の医用画像処理装置１の機能を示すブロック図である。図３は、医用画像処理装置１の動作を示すフローチャートである。図４～図８は、加齢変化モデル１９、運動変化モデル２０および食変化モデル２１の３つの学習モデルの生成方法（学習方法）を示す図である。
【0026】
図２に示すように、実施例１の医用画像処理装置１は、入力部１６と、加齢変化モデル１９と、運動変化モデル２０と、食変化モデル２１と、予測画像生成部１８と、出力部２２の機能を有する。
【0027】
入力部１６は、被検体について撮影した断層画像を医用画像撮影装置２または医用画像管理システム３からＬＡＮ４およびネットワークアダプタ８を介して受け付ける。また、被検体の１以上の生活習慣の入力を、操作者または被検体から受け付ける。入力部１６は、マウス１１、キーボード１０およびコントローラ１２によりその機能が実現される。
【0028】
加齢変化モデル１９は、被検体の加齢により生じる被検体の断層画像の変化を予測して算出する学習モデルである。
【0029】
運動変化モデル２０と食変化モデル２１は、被検体の生活習慣による被検体の断層画像の変化を予測して算出する学習モデルである。運動変化モデル２０は、生活習慣の一つである運動習慣（運動習慣の有無、運動習慣有りの場合、運動時間の長さ）により生じる被検体の断層画像の変化を予測して算出する。一方、食変化モデル２１は、生活習慣の一つである食生活の差（肉中心、魚中心、または、野菜中心の食生活等）により生じる被検体の断層画像の変化を予測して算出する。なお、ここでは、運動習慣と食習慣という２種類の生活習慣により生じる被検体の断層画像の変化を予測する２種類の学習モデル（運動変化モデル２０と食変化モデル２１）を備えているが、生活習慣モデルは、１種類のみでもよい。また、生活習慣の種類は、運動習慣と食生活に限定されるものではなく、飲酒の有無や飲酒量、喫煙の有無や喫煙量、特定の食品を摂取の有無や摂取量、および、睡眠の長さ等の他の生活習慣であってもよい。
【0030】
予測画像生成部１８は、入力部１６が受け付けた１以上の生活習慣と、加齢変化モデル１９と、生活習慣変化モデル（運動変化モデル２０と食変化モデル２１）を用いて、入力部１６が受け付けた被検体の断層画像に基づいて将来の断層画像を算出する。
【0031】
このとき、実施例１では、加齢変化モデル１９は、１以上の生活習慣による断層画像の変化を除去した、加齢による被検体の断層画像の変化を予測するように予め学習済みである。
【0032】
また、生活習慣変化モデル（運動変化モデル２０と食変化モデル２１）は、加齢による断層画像の変化を除去した、１以上の生活習慣による断層画像の変化を予測するように予め学習済みである。また、運動変化モデル２０は、食習慣による断層画像の変化を除去した、運動習慣による断層画像の変化を予測するように予め学習済みである。同様に、食変化モデル２１は、運動習慣による断層画像の変化を除去した、食習慣による断層画像の変化を予測するように予め学習済みである。
【0033】
予測画像生成部１８は、入力部１６が受け付けた断層画像を加齢変化モデル１９に入力することにより、将来の所定の時点の加齢による変化後の断層画像を算出する。さらに、予測画像生成部１８は、算出した当該加齢による変化後の断層画像と、入力部１６が受け付けた１以上の生活習慣とを生活習慣変化モデル（運動変化モデル２０と食変化モデル２１）に入力することにより、所定の時点の加齢および１以上の生活習慣による変化後の断層画像を算出する。
【0034】
入力部１６が受け付けた生活習慣が、２種（運動習慣と食生活）である場合、予測画像生成部１８は、加齢変化モデル１９が予測した断層画像と、入力部が受け付けた運動習慣とを運動変化モデル２０に入力して、所定の時点の加齢および運動習慣による変化後の断層画像を算出する。その後、算出した断層画像と食習慣とを食変化モデル２１に入力して、所定の時点の加齢、運動習慣および食習慣による変化後の断層画像を算出する。
【0035】
このように、本実施例１では、加齢による断層画像の変化と、生活習慣に起因する断層画像の変化とをそれぞれ独立して予測可能な学習モデルを予め用意することにより、現実では切り離せない加齢と生活習慣による断層画像の変化を分離して予測することが可能である。これにより、実施例１の医用画像処理装置は、加齢による断層画像の変化に、生活習慣に起因する断層画像の変化が加味された断層画像の変化を、精度よく予測することができる。
【0036】
医用画像処理装置１の主メモリ１３には、加齢変化モデル１９、運動変化モデル２０および食変化モデル２１の３つの学習モデルの機能を実現するための３つの学習モデル６１と、これら学習モデル６１をそれぞれ学習させるための学習用プログラム６２と、予測画像生成部１８の機能を実現するためのプログラム６３とが予め格納されている。
【0037】
ＣＰＵ５は、主メモリ１３の学習用プログラム６２を読み込んで実行することにより、３つの学習モデル６１をそれぞれ学習させ、加齢変化モデル１９、運動変化モデル２０および食変化モデル２１を生成する。
【0038】
また、ＣＰＵ５は、プログラム６３を読み込んで実行することにより、予測画像生成部１８の機能をソフトウエアにより実現する。
【0039】
また、図２の出力部２２は、表示メモリ１３および表示装置１４によりその機能が実現される。
【0040】
なお、予測画像生成部１８の機能を、ここではソフトウエアにより実現する例について説明するが、予測画像生成部１８の機能の一部または全部をハードウエアにより実現することも可能である。例えば、ＡＳＩＣ（Application Specific Integrated Circuit）のようなカスタムＩＣや、ＦＰＧＡ（Field-Programmable Gate Array）のようなプログラマブルＩＣにより、予測画像生成部１８の一部または全部を構成し、予測画像生成部１８の機能を実現するようにプログラマブルＩＣの回路設計を行えばよい。
【0041】
また、実施例１では、ＣＰＵ５が学習用プログラム６２を実行することにより３つの学習モデル６１をそれぞれ学習させ、加齢変化モデル１９、運動変化モデル２０および食変化モデル２１の３つの学習モデルを生成する構成について説明するが、加齢変化モデル１９、運動変化モデル２０および食変化モデル２１の３つの学習モデルは、予め別のＣＰＵ等により生成しておく構成にすることももちろん可能である。その場合、メモリ６内には、学習用プログラム６２を搭載せず、学習済みの加齢変化モデル１９、運動変化モデル２０および食変化モデル２１を学習モデル６１として格納すればよい。
【0042】
加齢変化モデル１９、運動変化モデル２０および食変化モデル２１の学習方法について以下説明する。
【0043】
＜加齢変化モデルの学習方法＞
まず、加齢変化モデル１９の学習方法について図４と図５を用いて説明する。図４は、加齢変化モデル１９を生成するために、ＣＰＵ５が加齢変化モデル１９用の学習モデル６１を学習させる手順を示すフローチャートであり、図５は、学習時の加齢変化モデル１９の構造を示す図である。
まず、加齢変化モデル１９の学習方法について図４と図５を用いて説明する。図４は、加齢変化モデル１９を生成するために、ＣＰＵ５が加齢変化モデル１９用の学習モデル６１を学習させる手順を示すフローチャートであり、図５は、学習時の加齢変化モデル１９の構造を示す図である。
【0044】
ＣＰＵ５は、学習用プログラム６２を実行することにより、図４のフローを実行し、男性用と女性用の加齢変化モデル１９をそれぞれ作成する。本実施例１において、男性と女性とで別々の加齢変化モデルを作成する理由は、男性と女性で加齢変化による脂肪の付き方、筋肉の付き方が異なるためである。
【0045】
なお、予め、運動を実施しておらず、かつ、食生活に偏りのない複数の女性の被検体と男性の被検体について、ある時点で撮影した腹部断層画像と、ある時点から数年経過後の時点で撮影した腹部断層画像の２種類を学習用データとして用意しておく。運動を実施しておらず、かつ、食生活に偏りのない被検体の学習用データを用いることにより、生活習慣による断層画像の変化の影響を受けない、加齢による断層画像の変化を予測可能な学習モデルを生成することができる。学習用データの数は、女性および男性のそれぞれについて機械学習が可能な数量である。
【0046】
加齢変化モデル１９を構成する学習モデル６１としてはどのようなものでもよいが、ここでは、公知のＧＡＮ（Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋｓ）を用いる。ＧＡＮは、学習用データから特徴を学習することで、実在しないデータを生成することができる生成モデルの一種である。ＧＡＮは、図５に示したように、いずれもニューラルネットワークから構成された加齢変化モデル生成器２６と加齢変化モデル識別器２９を含む。加齢変化モデル生成器２６は、学習用データのうちのある時点の被検体の断層画像等に基づいて画像（推論画像）２７を生成する。加齢変化モデル識別器２９は、生成器２６が生成した推論画像と、実画像（学習用データ）とを判別する。加齢変化モデル生成器２６は、生成した推論画像が、加齢変化モデル識別器２９で実データと判定されるように学習し、精度を高めていく。また、加齢変化モデル識別器２９は、生成器２６が生成した画像と実画像とを正しく判別できるように学習し、精度を高めていく。学習を実施した後の加齢変化モデル生成器２６を、図２の加齢変化モデル１９として用いる。
【0047】
具体的には、以下のように加齢変化モデル１９の学習を行う（図４参照）。
【0048】
（ステップＳ４０１）
まず、ステップＳ４０１では、ＣＰＵ５は、運動を実施しておらず、かつ、食生活に偏りのない複数の被検体についてある時点で撮影した腹部断層画像と、数年経過後の時点で撮影した腹部断層画像の２種類の学習用データを入力部１６を介して取り込む。
まず、ステップＳ４０１では、ＣＰＵ５は、運動を実施しておらず、かつ、食生活に偏りのない複数の被検体についてある時点で撮影した腹部断層画像と、数年経過後の時点で撮影した腹部断層画像の２種類の学習用データを入力部１６を介して取り込む。
【0049】
（ステップＳ４０２）
次にステップＳ４０２ではＣＰＵ５は、男性と女性とで別々の加齢変化モデルを作成するために、学習用データを性別で分類する。ＣＰＵ５は、分類した学習用データをあらかじめ幾つかの纏まりに分けておく。
次にステップＳ４０２ではＣＰＵ５は、男性と女性とで別々の加齢変化モデルを作成するために、学習用データを性別で分類する。ＣＰＵ５は、分類した学習用データをあらかじめ幾つかの纏まりに分けておく。
【0050】
（ステップＳ４０３）
ＣＰＵ５は、ステップＳ４０３において、この加齢変化モデル用学習モデル６１に対して、ある被検体のある時点での腹部断層画像（実画像２５）と、その当時（ある時点の断層画像の撮影時）の年齢と、ある時点から数年経過後の腹部断層画像（実画像２８）と、その経過年数を入力する。
ＣＰＵ５は、ステップＳ４０３において、この加齢変化モデル用学習モデル６１に対して、ある被検体のある時点での腹部断層画像（実画像２５）と、その当時（ある時点の断層画像の撮影時）の年齢と、ある時点から数年経過後の腹部断層画像（実画像２８）と、その経過年数を入力する。
【0051】
（ステップＳ４０４）
次にステップＳ４０４では、ＣＰＵ５は、加齢変化モデル生成器２６に、被検体のある時点での腹部断層画像（実画像２５）と、ステップＳ４０３で受け付けたその当時の年齢と経過年数等に基づいて、ある時点から、ステップＳ４０３で受け付けた経過年数経過後の腹部断層画像（推論画像２７）を生成させる。
次にステップＳ４０４では、ＣＰＵ５は、加齢変化モデル生成器２６に、被検体のある時点での腹部断層画像（実画像２５）と、ステップＳ４０３で受け付けたその当時の年齢と経過年数等に基づいて、ある時点から、ステップＳ４０３で受け付けた経過年数経過後の腹部断層画像（推論画像２７）を生成させる。
【0052】
（ステップＳ４０５）
次にステップＳ４０５では、ＣＰＵ５は、生成器２６が生成した推論画像２７と、ステップＳ４０３で受け付けた、ある時点から経過年数経過後の被検体の腹部断層画像（実画像）２８とを加齢変化モデルの識別器２９に入力し、推論画像２７が実データか推論データかを判定させる。ＣＰＵ５は、判定結果が、真の結果と同じであるかどうかを評価し、真の結果に近づけるよう、識別器２９を調整等し、学習させる。
次にステップＳ４０５では、ＣＰＵ５は、生成器２６が生成した推論画像２７と、ステップＳ４０３で受け付けた、ある時点から経過年数経過後の被検体の腹部断層画像（実画像）２８とを加齢変化モデルの識別器２９に入力し、推論画像２７が実データか推論データかを判定させる。ＣＰＵ５は、判定結果が、真の結果と同じであるかどうかを評価し、真の結果に近づけるよう、識別器２９を調整等し、学習させる。
【0053】
そして、ＣＰＵ５は、ステップＳ４０４に戻って、識別器２９で出力された判定結果を生成器２６に入力し、生成器２６が生成した推論画像２７が識別器２９において実データと判定されるよう、生成器２６を調整等し、学習させる。その後、ＣＰＵ５は、加齢変化モデル生成器２６に、次の被検体のある時点での腹部断層画像（実画像２５）と、その当時の年齢と、経過年数等に基づいて、ある時点から経過年数経過後の腹部断層画像（推論画像２７）を推論して生成させる。
【0054】
ＣＰＵ５は、ステップＳ４０５において、生成器２６が生成した次の被検体の推論画像２７と、次の被検体のある時点の経過年数経過後の腹部断層画像（実画像）２８を加齢変化モデルの識別器２９に入力し、推論画像２７が実データか推論データかを判定させる。ＣＰＵ５は、判定結果が、真の結果と同じであるかを評価し、真の結果に近づけるよう、識別器２９を調整等し、学習させる。
【0055】
ＣＰＵ５は、上記ステップＳ４０３～ステップＳ４０５を、ステップＳ４０２で学習用データを分けておいたデータバッチごとに繰り返し実施する。全ての学習用データの学習が終えたところでステップＳ４０６に移り、学習終了の判定を行う。
【0056】
（ステップＳ４０６）
ステップＳ４０６では、ＣＰＵ５は、ステップＳ４０３～Ｓ４０５の繰り返し回数が予め設定した反復回数に達しているかどうか判定し、達していない場合はステップＳ４０３～Ｓ４０５の処理を再度実施し、設定した反復回数に達した場合は学習を終了する。
ステップＳ４０６では、ＣＰＵ５は、ステップＳ４０３～Ｓ４０５の繰り返し回数が予め設定した反復回数に達しているかどうか判定し、達していない場合はステップＳ４０３～Ｓ４０５の処理を再度実施し、設定した反復回数に達した場合は学習を終了する。
【0057】
上記ステップＳ４０１～Ｓ４０６の学習を実施した後の加齢変化モデル生成器２６を、図２のように加齢変化モデル１９として用いる。
【0058】
加齢変化モデル１９に、加齢変化を予測したい被検体の腹部断層画像と、被検体の年齢と、予測したいのが何年後か（経過年数）を入力することにより、加齢変化モデル１９は、入力された経過年数が経過した後の被検体の断層画像を推論により生成して出力することができる。
【0059】
＜運動変化モデルの学習方法＞
次に、運動変化モデル２０の学習方法について図６と図７を用いて説明する。図６は、運動変化モデル２０を生成するために、ＣＰＵ５が運動変化モデル２０用の学習モデル６１を学習させる手順を示すフローチャートであり、図７（ａ），（ｂ）は、運動変化用学習モデルの学習時の処理の流れを示す図である。
次に、運動変化モデル２０の学習方法について図６と図７を用いて説明する。図６は、運動変化モデル２０を生成するために、ＣＰＵ５が運動変化モデル２０用の学習モデル６１を学習させる手順を示すフローチャートであり、図７（ａ），（ｂ）は、運動変化用学習モデルの学習時の処理の流れを示す図である。
【0060】
ＣＰＵ５は、学習用プログラム６２を実行することにより、図６のフローを実行し、男性用と女性用の運動変化モデル２０をそれぞれ作成する。男性と女性とで別々の運動変化モデル２０を作成する理由は、男性と女性で運動習慣による脂肪の減り方、筋肉の付き方が異なるためである。
【0061】
運動変化モデルの学習のために、予め、運動を実施しており、かつ、食生活に偏りのない複数の女性の被検体と男性の被検体について、ある時点で撮影した腹部断層画像と、ある時点から数年経過後の時点で撮影した腹部断層画像の２種類を学習用データとして用意しておく。運動を実施しており、かつ、食生活の生活習慣に偏りのない被検体の学習用データを用いることにより、学習用データは、食生活の偏りによる断層画像の変化の影響を受けておらず、運動による断層画像の変化を予測可能な学習モデルを生成することができる。学習用データの数は、女性および男性のそれぞれについて機械学習が可能な数量である。
【0062】
運動習慣の情報としては、週当たりの運動時間（ｍｉｎ／ｗｅｅｋ）をここでは用いる。なお、運動時間のみならず、運動の種類や、強度を運動習慣の情報として用いてもよい。
【0063】
ただし、用意した学習用データのうち、ある時点から学習用データの数年経過後の断層画像には、運動習慣による断層画像の変化のみならず、加齢による断層画像の変化が加わっているので、図６のフローではステップＳ６０３において加齢処理を行うことにより、加齢による影響を除去した運動変化モデルを生成する。
【0064】
運動変化モデル２０を構成する学習モデル６１としては、どのようなものでもよいが、ここでは、加齢変化モデル１９と同様にＧＡＮを用いる。ＧＡＮは、図７（ｂ）に示したように、運動変化モデル生成器３２と運動変化モデル識別器３５を含む。
【0065】
運動変化モデル生成器３２は、学習用データのうちある時点の被検体の断層画像等に基づいて画像（推論画像）３３を生成する。ただし、運動変化モデル生成器３２が、運動習慣による画像の変化のみならず加齢による画像の変化を加味した推論画像３３を生成するように学習するのを避けるため、学習用データのうちのある時点の被検体の断層画像を加齢により変化させた断層画像を運動変化モデル生成器３２に入力する。加齢により変化させた断層画像は、学習済みの加齢変化モデル１９（すなわち加齢変化モデル生成器２６）により生成する。
【0066】
これにより、運動変化モデル生成器３２は、加齢による画像の変化を予測せず、運動習慣による画像の変化を予測するよう学習する。
【0067】
運動変化モデル識別器３５は、運動変化モデル生成器３２が生成した推論画像と、実画像（学習用データ）３４とを判別する。運動変化モデル生成器３２は、生成した推論画像が、運動変化モデル識別器３５で実データと判定されるように学習し、運動変化モデル識別器３５は、生成器３２が生成した画像を実画像とを正しく判別できるように学習する。学習を実施した後の運動変化モデル生成器３２を、図２の運動変化モデル２０として用いる。
【0068】
具体的には、以下のように運動変化モデル２０の学習を行う（図６参照）。
【0069】
（ステップＳ６０１）
まずステップＳ６０１では、ＣＰＵ５は、運動を実施しており、かつ、食生活に偏りのない複数の女性の被検体と男性の被検体について、ある時点で撮影した腹部断層画像と、ある時点から数年経過後の時点で撮影した腹部断層画像の２種類の学習用データを、入力部１６を介して取り込む。
まずステップＳ６０１では、ＣＰＵ５は、運動を実施しており、かつ、食生活に偏りのない複数の女性の被検体と男性の被検体について、ある時点で撮影した腹部断層画像と、ある時点から数年経過後の時点で撮影した腹部断層画像の２種類の学習用データを、入力部１６を介して取り込む。
【0070】
（ステップＳ６０２）
次にステップＳ６０２では、ＣＰＵ５は、男性と女性とで別々の運動変化モデルを作成するために、学習用データを性別で分類する。ＣＰＵ５は、分類した学習用データをあらかじめ幾つかの纏まりに分けておく。
次にステップＳ６０２では、ＣＰＵ５は、男性と女性とで別々の運動変化モデルを作成するために、学習用データを性別で分類する。ＣＰＵ５は、分類した学習用データをあらかじめ幾つかの纏まりに分けておく。
【0071】
（ステップＳ６０３）
次にステップＳ６０３では、ＣＰＵ５は、図７（ａ）に示したように、ステップＳ６０１、Ｓ６０２で分類した学習用データのうち、ある時点の被検体の腹部断層画像（実画像３０）と、その時の被検体の年齢と、学習用データのうち数年経過後の時点の腹部断層画像の、ある時点からの経過年数を、加齢変化モデル１９（加齢変化モデル生成器２６）に入力する。これにより、加齢変化モデル１９は、数年経過後の腹部断層画像（推論画像３１）を生成する。この処理は、すべての被検体データの、ある時点の被検体の腹部断層画像（実画像３０）について行う。
次にステップＳ６０３では、ＣＰＵ５は、図７（ａ）に示したように、ステップＳ６０１、Ｓ６０２で分類した学習用データのうち、ある時点の被検体の腹部断層画像（実画像３０）と、その時の被検体の年齢と、学習用データのうち数年経過後の時点の腹部断層画像の、ある時点からの経過年数を、加齢変化モデル１９（加齢変化モデル生成器２６）に入力する。これにより、加齢変化モデル１９は、数年経過後の腹部断層画像（推論画像３１）を生成する。この処理は、すべての被検体データの、ある時点の被検体の腹部断層画像（実画像３０）について行う。
【0072】
加齢変化モデル１９が生成した数年経過後の腹部断層画像（推論画像３１）は、加齢による変化後の腹部断層画像（推論画像３１）であり、数年の運動習慣による画像の変化は含んでいない。
【0073】
（ステップＳ６０４）
ＣＰＵ５は、ステップＳ６０４において、運動変化モデル生成器３２に対して、ステップＳ６０３で生成したある被検体から数年経過後の加齢変化が生じた後の腹部断層画像（推論画像３１）と、その被検体の週当たりの運動時間と、ある時点からある数年経過後の腹部断層画像（実画像３４）と、その経過年数を入力する。
ＣＰＵ５は、ステップＳ６０４において、運動変化モデル生成器３２に対して、ステップＳ６０３で生成したある被検体から数年経過後の加齢変化が生じた後の腹部断層画像（推論画像３１）と、その被検体の週当たりの運動時間と、ある時点からある数年経過後の腹部断層画像（実画像３４）と、その経過年数を入力する。
【0074】
（ステップＳ６０５）
次にステップＳ６０５では、ＣＰＵ５は、運動変化モデル生成器３２に、ステップＳ６０３で生成したある被検体から数年経過後の加齢変化が生じた後の腹部断層画像（推論画像３１）と、その被検体の週当たりの運動時間と、その経過年数等に基づいて、ある時点から経過年数経過後の腹部断層画像（推論画像３３）を生成させる。
次にステップＳ６０５では、ＣＰＵ５は、運動変化モデル生成器３２に、ステップＳ６０３で生成したある被検体から数年経過後の加齢変化が生じた後の腹部断層画像（推論画像３１）と、その被検体の週当たりの運動時間と、その経過年数等に基づいて、ある時点から経過年数経過後の腹部断層画像（推論画像３３）を生成させる。
【0075】
（ステップＳ６０６）
次にステップＳ６０６ではＣＰＵ５は、運動変化モデル生成器３２が生成した推論画像３３と、ある時点から経過年数経過後の被検体の腹部断層画像（実画像）３４を、運動変化モデルの識別器３５に入力し、推論画像３３が実データか推論データかを判定させる。
次にステップＳ６０６ではＣＰＵ５は、運動変化モデル生成器３２が生成した推論画像３３と、ある時点から経過年数経過後の被検体の腹部断層画像（実画像）３４を、運動変化モデルの識別器３５に入力し、推論画像３３が実データか推論データかを判定させる。
【0076】
ＣＰＵ５は、図４のステップＳ４０３～４０５と同様に、ステップＳ６０４～６０６において、運動変化モデル生成器３２と運動変化モデル識別器３５を学習させる。
【0077】
ＣＰＵ５は、上記ステップＳ６０４～６０６を、ステップＳ６０２で学習用データを分けておいたデータバッチごとに繰り返し実施する。全ての学習用データの学習が終えたところでステップＳ４０６に移り、学習終了の判定を行う。
【0078】
（ステップＳ６０７）
最後にステップＳ６０７では、ＣＰＵ５は、ステップＳ６０４～６０６の反復回数が、予め設定した回数に達するまでステップＳ６０４～６０６を繰り返す。設定した反復回数に達した場合は学習を終了する。
最後にステップＳ６０７では、ＣＰＵ５は、ステップＳ６０４～６０６の反復回数が、予め設定した回数に達するまでステップＳ６０４～６０６を繰り返す。設定した反復回数に達した場合は学習を終了する。
【0079】
上記ステップＳ６０１～Ｓ６０７の学習を実施した後の運動変化モデル生成器３２を、図２の運動変化モデル２０として用いる。
【0080】
生成された運動変化モデル２０（運動変化モデル生成器３２）は、加齢による断層画像の変化を予測せず、運動習慣による断層画像の変化を予測して、ある経過年数が経過した後の被検体の断層画像を生成して出力することができる。
【0081】
なお、ここでは、運動の種類は、ウォーキングを想定しているが、例えばジョギング、エアロビ、ヨガといった運動の種類（ジャンル）別に分けて、ジャンル別の運動変化モデル２０を用意してもよい。
【0082】
＜食変化モデルの生成方法＞
次に食変化モデルの学習方法について図８（ａ），（ｂ）を用いて説明する。図８（ａ）、（ｂ）は、食変化用学習モデルの学習時の処理の流れを示す図である。なお、ＣＰＵ５が食変化用学習モデルの学習させる手順は、図６の運動変化モデルの生成のフローと同様であるので、ここでは、異なる点のみについて説明する。
次に食変化モデルの学習方法について図８（ａ），（ｂ）を用いて説明する。図８（ａ）、（ｂ）は、食変化用学習モデルの学習時の処理の流れを示す図である。なお、ＣＰＵ５が食変化用学習モデルの学習させる手順は、図６の運動変化モデルの生成のフローと同様であるので、ここでは、異なる点のみについて説明する。
【0083】
ＣＰＵ５は、学習用プログラム６２を実行することにより、図６と同様のフローを実行し、男性用と女性用の食変化モデル２１をそれぞれ作成する。
【0084】
食変化モデルの学習のために、予め、運動を実施しておらず、かつ、食生活に特定の傾向のある複数の女性の被検体と男性の被検体について、ある時点で撮影した腹部断層画像と、ある時点から数年経過後の時点で撮影した腹部断層画像の２種類を学習用データとして用意しておく。運動を実施しておらず、かつ、食生活に特定の傾向のある被検体の学習用データを用いることにより、学習用データは、運動習慣による断層画像の変化の影響を受けておらず、食生活の偏りによる断層画像の変化を予測可能な学習モデルを生成することができる。学習用データの数は、女性および男性のそれぞれについて機械学習が可能な数量である。
【0085】
食生活の特定の偏りとして、ここでは、食生活が「肉中心である」、「魚中心である」、および、「野菜中心である」の３種類を用いる。なお、食生活の傾向として、例えば間食多めか否かの傾向や、１回の食事の量等の傾向を細かく分け、それぞれの傾向毎に食変化モデル２１を用意してもよい。
【0086】
ただし、用意した学習用データのうち、ある時点から学習用データの数年経過後の断層画像には、食生活の特定の偏りによる断層画像の変化のみならず、加齢による断層画像の変化が加わっているので、図６のステップＳ６０３と同様に、学習用データに加齢変化モデル１９により加齢処理を行うことにより、加齢による影響を除去した食変化モデルを生成する。
【0087】
食変化モデル２１を構成する学習モデル６１は、運動変化モデル２０と同様にここではＧＡＮを用いる。ＧＡＮは、図８（ｂ）のように、食変化モデル生成器３８と食変化モデル識別器４１を含む。
【0088】
そして、図６のフローと同様に、ＣＰＵ５は、学習用データに加齢変化モデル１９（すなわち加齢変化モデル生成器２６）により加齢処理を行った推論画像と、食生活の特定の偏りの種類と、経過年数と、経過年数経過後の学習用データの断層画像とを用いて、食変化モデル生成器３８と食変化モデル識別器４１を学習させる。
【0089】
まずステップＳ６０１と同様に、ＣＰＵ５は、運動を実施しておらず、かつ、食生活に特定の傾向のある複数の女性の被検体と男性の被検体について、ある時点で撮影した腹部断層画像と、ある時点から数年経過後の時点で撮影した腹部断層画像の２種類の学習用データを、入力部１６を介して取り込む。
【0090】
次にステップＳ６０２と同様に、ＣＰＵ５は、男性と女性とで別々の食変化モデルを作成するために、学習用データを性別で分類する。ＣＰＵ５は、分類した学習用データをあらかじめ幾つかの纏まりに分けておく。
【0091】
次にステップＳ６０３と同様に、ＣＰＵ５は、分類した学習用データのうち、ある時点の被検体の腹部断層画像（実画像３６）と、その時の被検体の年齢と、学習用データのうち数年経過後の時点の腹部断層画像の、ある時点からの経過年数とを、加齢変化モデル１９（加齢変化モデル生成器２６）に入力する。これにより、加齢変化モデル１９は、数年経過後の腹部断層画像（推論画像３７）を生成する。この処理は、すべての被検体データの、ある時点の被検体の腹部断層画像（実画像３６）について行う。
【0092】
加齢変化モデル１９が生成した数年経過後の腹部断層画像（推論画像３７）は、加齢による変化後の腹部断層画像（推論画像３７）であり、食生活の特定の偏りによる断層画像の変化は含んでいない。
【0093】
ＣＰＵ５は、ステップＳ６０４と同様に、食変化モデル用学習モデル６１に対して、生成した腹部断層画像（推論画像３７）と、その被検体の食生活の特定の偏りの種類と、ある時点からある数年経過後の腹部断層画像（実画像４０）と、その経過年数を入力する。
【0094】
ステップＳ６０５と同様に、ＣＰＵ５は、食変化モデル生成器３８に、腹部断層画像（推論画像３７）と、その被検体の食生活の特定の偏りの種類と、その経過年数等に基づいて、ある時点から経過年数経過後の腹部断層画像（推論画像３９）を生成させる。
【0095】
ステップＳ６０６と同様に、ＣＰＵ５は、食変化モデル生成器３８が生成した推論画像３９と、ある時点から経過年数経過後の被検体の腹部断層画像（実画像）４０とを、食変化モデルの識別器４１に入力し、推論画像３９が実データか推論データかを判定させる。
【0096】
ＣＰＵ５は、上記ステップを学習用データを分けておいたデータバッチごとに繰り返し実施し、食変化モデル生成器３８と食変化モデル識別器４１を学習させる。ステップＳ６０７と同様に、ＣＰＵ５は、上記ステップの繰り返しの回数が、予め設定した回数に達した場合は学習を終了する。
【0097】
学習後の食変化モデル生成器３８を図２の食変化モデル２１として用いる。
【0098】
以上により、加齢変化モデル１９、運動変化モデル２０および食変化モデル２１の３種類の学習モデルが生成される。これらは、それぞれ加齢、運動習慣、食変化による被検体の腹部断層画像の変化を予測して変化後の断層画像を生成することができる。
【0099】
＜医用画像処理装置１の動作＞
つぎに、上述した学習後の加齢変化モデル１９、運動変化モデル２０、食変化モデル２１を備えた医用画像処理装置１により、所定の年数経過後の被検体の腹部断層画像を生成する際の動作を図３のフローを用いて説明する。ＣＰＵ５は、予測画像生成部用プログラム６３を読み込んで実行することにより、予測画像生成部１８として機能する。
つぎに、上述した学習後の加齢変化モデル１９、運動変化モデル２０、食変化モデル２１を備えた医用画像処理装置１により、所定の年数経過後の被検体の腹部断層画像を生成する際の動作を図３のフローを用いて説明する。ＣＰＵ５は、予測画像生成部用プログラム６３を読み込んで実行することにより、予測画像生成部１８として機能する。
【0100】
（ステップＳ１）
まず、ステップＳ１では、予測画像生成部１８は、医用画像撮影装置２または医用画像管理システム３からＬＡＮ４経由で送信され、医用画像処理装置１の記憶装置７に保存された腹部断層画像を入力画像１５とし、主メモリ６上の所定の領域に読み込む。
まず、ステップＳ１では、予測画像生成部１８は、医用画像撮影装置２または医用画像管理システム３からＬＡＮ４経由で送信され、医用画像処理装置１の記憶装置７に保存された腹部断層画像を入力画像１５とし、主メモリ６上の所定の領域に読み込む。
【0101】
（ステップＳ２）
次にステップＳ２では、予測画像生成部１８は、入力部１６を構成する表示装置１４から操作者がキーボード１０やマウス１１を使用して入力した入力情報を受け付け、受け付けた入力情報１７を主メモリ６上に読み込む。
次にステップＳ２では、予測画像生成部１８は、入力部１６を構成する表示装置１４から操作者がキーボード１０やマウス１１を使用して入力した入力情報を受け付け、受け付けた入力情報１７を主メモリ６上に読み込む。
【0102】
入力情報１７としては、被検体の性別および年齢といった基本情報や、現状の生活習慣（運動の有無、運動有りの場合の週の運動時間の情報、食生活の特定の偏り（肉中心、魚中心、野菜中心））の情報、さらに生活習慣を今後変える場合の変更後の生活習慣（運動の有無、運動有りの場合の週の運動時間の情報、食生活の特定の偏り（肉中心、魚中心、野菜中心））を含む。また、入力情報１７には、予測するのは何年後の腹部断層画像かを指定する情報も含まれてもよいし、何年後の腹部断層画像を推論するかについては、例えば１０年後といった予め定めた固定値としてもよい。
【0103】
なお、運動の種類（ジャンル）別に運動変化モデル２０を用意している場合、予測画像生成部１８はステップＳ２において、運動時間の他に、運動のジャンルの入力を受け付ける。
【0104】
同様に、食習慣についても、肉中心、魚中心または野菜中心の傾向以外に、間食多めか否かの傾向や、１回の食事の量等の傾向毎に食変化モデルが用意されている場合には、それらの食習慣の傾向についても入力を受け付ける。
【0105】
（ステップＳ３）
次にステップＳ３では、予測画像生成部１８は、ステップＳ１、Ｓ２で読み込んだ入力画像１５と、性別と、年齢と、予測するのは何年後かを、加齢変化モデル１９に入力する。加齢変化モデル１９は、加齢によって変化した腹部断層画像を生成する。生成された腹部断層画像は、脂肪や筋肉の形状、大きさ、位置が、加齢によって変化している。
次にステップＳ３では、予測画像生成部１８は、ステップＳ１、Ｓ２で読み込んだ入力画像１５と、性別と、年齢と、予測するのは何年後かを、加齢変化モデル１９に入力する。加齢変化モデル１９は、加齢によって変化した腹部断層画像を生成する。生成された腹部断層画像は、脂肪や筋肉の形状、大きさ、位置が、加齢によって変化している。
【0106】
（ステップＳ４）
次にステップＳ４では、予測画像生成部１８は、ステップＳ２で入力された現状の運動時間と、今後生活習慣を変える場合の変化後の運動時間を確認し、運動を実施している、または、今後運動を実施するかどうかを判定する。運動を実施している、または、これから運動実施する場合、ステップＳ５に進む。運動を実施していない（０ｍｉｎ／ｗｅｅｋ）、かつ、今後も運動を実施しない場合、ステップＳ６に進む。
次にステップＳ４では、予測画像生成部１８は、ステップＳ２で入力された現状の運動時間と、今後生活習慣を変える場合の変化後の運動時間を確認し、運動を実施している、または、今後運動を実施するかどうかを判定する。運動を実施している、または、これから運動実施する場合、ステップＳ５に進む。運動を実施していない（０ｍｉｎ／ｗｅｅｋ）、かつ、今後も運動を実施しない場合、ステップＳ６に進む。
【0107】
（ステップＳ５）
ステップＳ５では、予測画像生成部１８は、ステップＳ３で生成した加齢変化後の腹部断層画像と、性別と、年齢と、現状の運動時間と、予測するのは何年後かを運動変化モデル２０に入力する。運動変化モデル２０は、現状の運動時間を維持した場合の腹部断層画像を生成する。
ステップＳ５では、予測画像生成部１８は、ステップＳ３で生成した加齢変化後の腹部断層画像と、性別と、年齢と、現状の運動時間と、予測するのは何年後かを運動変化モデル２０に入力する。運動変化モデル２０は、現状の運動時間を維持した場合の腹部断層画像を生成する。
【0108】
さらに予測画像生成部１８は、上記現状の運動時間に代えて、今後生活習慣を変えた場合の変化後の運動時間を運動変化モデル２０に入力する。運動変化モデル２０は、運動習慣により変化した後の腹部断層画像を生成する。
【0109】
運動習慣が変化した後の腹部断層画像は、脂肪や筋肉の形状、大きさ、位置が、現状の運動時間を維持した場合の腹部断層画像とは変化している。
【0110】
（ステップＳ６）
次にステップＳ６では、予測画像生成部１８は、ステップＳ２で入力された現状の食生活の傾向と、今後生活習慣を変える場合の食生活の傾向を予測画像生成部１８で確認し、現状または今後の食生活に特定の傾向（肉中心や、魚中心、野菜中心）がある場合、ステップＳ７へ進む。現状および今後の食生活に特定の傾向がない場合は、ステップＳ８へ進む。
次にステップＳ６では、予測画像生成部１８は、ステップＳ２で入力された現状の食生活の傾向と、今後生活習慣を変える場合の食生活の傾向を予測画像生成部１８で確認し、現状または今後の食生活に特定の傾向（肉中心や、魚中心、野菜中心）がある場合、ステップＳ７へ進む。現状および今後の食生活に特定の傾向がない場合は、ステップＳ８へ進む。
【0111】
（ステップＳ７）
次にステップＳ７では、予測画像生成部１８は、ステップＳ５を実施している場合には、ステップ５において生成した運動変化処理後の腹部断層画像を、ステップＳ５を実施していない場合には、ステップＳ３で生成した加齢変化処理の腹部断層画像を、食変化モデル２１に入力する。
次にステップＳ７では、予測画像生成部１８は、ステップＳ５を実施している場合には、ステップ５において生成した運動変化処理後の腹部断層画像を、ステップＳ５を実施していない場合には、ステップＳ３で生成した加齢変化処理の腹部断層画像を、食変化モデル２１に入力する。
【0112】
また、予測画像生成部１８は、性別と、年齢と、現状の食生活の傾向と、予測するのは何年後かを、食変化モデル２１に入力する。食変化モデル２１は、現状の食生活の傾向を維持した場合の腹部断層画像を生成する。
【0113】
また、予測画像生成部１８は、また、現状の食生活の傾向に代えて、今後の食生活の傾向を食変化モデル２１に入力する。食変化モデル２１は、食生活の傾向を変化させた場合の腹部断層画像を生成する。
【0114】
食習慣が変化した後の腹部断層画像は、脂肪や筋肉の形状、大きさ、位置が、現状の食習慣を維持した場合の腹部断層画像と比較して変化している。
【0115】
なお、間食多めといった傾向や１回の食事の量など傾向を細かく分けた各食変化モデルを用意している場合には、ステップＳ２において受け付けたそれらの傾向についても食変化モデル２１に入力する。
【0116】
（ステップＳ８）
次にステップＳ８では、予測画像生成部１８は、ステップＳ３～Ｓ７で生成された、現状の生活習慣を維持した場合に数年後に予測される腹部断層画像２３と、生活習慣を変えた場合に数年後に予測される腹部断層画像２４を、記憶装置７に保存するとともに、出力部２２に出力する。これにより、出力部２２の表示装置１４には、現状の生活習慣を維持した場合に数年後に予測される腹部断層画像２３と、生活習慣を変えた場合に数年後に予測される腹部断層画像２４が表示される。
次にステップＳ８では、予測画像生成部１８は、ステップＳ３～Ｓ７で生成された、現状の生活習慣を維持した場合に数年後に予測される腹部断層画像２３と、生活習慣を変えた場合に数年後に予測される腹部断層画像２４を、記憶装置７に保存するとともに、出力部２２に出力する。これにより、出力部２２の表示装置１４には、現状の生活習慣を維持した場合に数年後に予測される腹部断層画像２３と、生活習慣を変えた場合に数年後に予測される腹部断層画像２４が表示される。
【0117】
また、出力部２２は、表示装置１４への表示に限らず、腹部断層画像２３，２４をレポートとして印刷することも可能であるし、またはモバイル端末のアプリと連携して、スマートフォンやタブレットに表示してもよい。
【0118】
また、予測画像生成部１８は、ステップＳ１で読み込んだ、実際に撮影した腹部断層画像(入力画像）１５も記憶装置７に保存する。
【0119】
＜効果＞
上述してきたように、実施例１によれば、被検体の体型が変化する大きな３つの要因（加齢、運動習慣、食生活）を独立させて、それぞれ学習モデルを生成することにより、被検体の生活習慣に応じた体型（断層画像）を精度よく予測することができる。すなわち、加齢による断層画像の変化と、１以上の生活習慣による断層画像の変化とを独立させて、予測することができるため、加齢に生活習慣を加味した体型変化を精度よく予測することができる。
上述してきたように、実施例１によれば、被検体の体型が変化する大きな３つの要因（加齢、運動習慣、食生活）を独立させて、それぞれ学習モデルを生成することにより、被検体の生活習慣に応じた体型（断層画像）を精度よく予測することができる。すなわち、加齢による断層画像の変化と、１以上の生活習慣による断層画像の変化とを独立させて、予測することができるため、加齢に生活習慣を加味した体型変化を精度よく予測することができる。
【0120】
これにより、被検体は、現状の生活習慣を維持した場合と、生活習慣を変えた場合に予測される腹部断層画像を見ることができ、生活習慣をどのように変えれば理想の体型になれるかを知ることができる。よって、被検体に、現状の生活習慣により危機感を感じてもらうことや、改善した場合の体型をよりイメージしやすくなり、生活習慣の改善の意識変容が期待できる。
【0121】
また、腹部断層画像の予測画像を提供することで外見からではわからない体内の状態が見えるため、一見標準の体型であっても実際には筋肉量が少ないといったことや、内臓脂肪型肥満であるといったことが分かるため、よりフレイルや糖尿病への予防効果が期待できる。
【0122】
＜＜実施例２＞＞
実施例２の医用画像処理装置１の機能および動作について、図９のフローチャートと、図１０を用いて説明する。実施例２の医用画像処理装置１は、ハードウエア構成は実施例１の医用画像処理装置１と同様であるが、実施例２の医用画像処理装置１は、実施例１の機能に加えて、達成度算出部４５の機能を備えている。達成度算出部４５は、実施例１の図３のステップS８において保存した、予測断層画像２４に対して、時間が経過した現時点で再度撮影した断層画像がどの程度到達しているかを表す達成度を算出する。
実施例２の医用画像処理装置１の機能および動作について、図９のフローチャートと、図１０を用いて説明する。実施例２の医用画像処理装置１は、ハードウエア構成は実施例１の医用画像処理装置１と同様であるが、実施例２の医用画像処理装置１は、実施例１の機能に加えて、達成度算出部４５の機能を備えている。達成度算出部４５は、実施例１の図３のステップS８において保存した、予測断層画像２４に対して、時間が経過した現時点で再度撮影した断層画像がどの程度到達しているかを表す達成度を算出する。
【0123】
達成度算出部４５の機能は、メモリ６に予め格納されたプログラムをＣＰＵ５が読み込んで実行することにより、図９のフローチャートのように動作して実現する。
【0124】
実施例１では、図３のフローにより、被検体が現状の生活習慣を維持した場合に、所定の年数経過後（数年後）に予測される腹部断層画像２３と、生活習慣を変えた場合に所定の年数経過後に予測される腹部断層画像２４を生成した後、ステップＳ８においてこれらの画像を記憶装置７に保存する構成であった。実施例２の医用画像処理装置１では、時間が経過した後、同じ被検体（受診者）が再度受診して、腹部断層画像４２を撮影した場合には、達成度算出部４５が、生活習慣を変えた場合に予測される断層画像２４を記憶装置７から読み出して、現在の腹部断層画像（今回の入力画像）４２と比較し、達成度を算出する。
【0125】
（ステップＳ９０１）
まず、ステップＳ９０１では、達成度算出部４５は、今回、新たに腹部断層画像の撮影を行った場合、医用画像撮影装置２または医用画像管理システム３から送られてきた今回の腹部断層画像４２を主メモリ６上に読み込む。
まず、ステップＳ９０１では、達成度算出部４５は、今回、新たに腹部断層画像の撮影を行った場合、医用画像撮影装置２または医用画像管理システム３から送られてきた今回の腹部断層画像４２を主メモリ６上に読み込む。
【0126】
（ステップＳ９０２）
次にステップＳ９０２では、達成度算出部４５は、医用画像処理装置１の記憶装置７に、図２のステップ８で保存されている前回撮影した腹部断層画像（前回の入力画像）１５を主メモリ６上に読み込む。
次にステップＳ９０２では、達成度算出部４５は、医用画像処理装置１の記憶装置７に、図２のステップ８で保存されている前回撮影した腹部断層画像（前回の入力画像）１５を主メモリ６上に読み込む。
【0127】
（ステップＳ９０３）
次にステップＳ９０３では、達成度算出部４５は、実施例１において生活習慣を変えたと仮定して予測した腹部断層画像（前記の予測断層画像）２４を医用画像処理装置１の記憶装置７から主メモリ６上に読み込む。
（ステップＳ９０４）
次にステップＳ９０４では、達成度算出部４５は、ステップＳ９０１～９０３で主メモリ６上に読み込んだ、腹部断層画像４２、１５、２４について、脂肪領域と筋肉領域の抽出処理を実行する。脂肪領域と筋肉領域の抽出処理方法としては、上述した特許文献１等の公知の方法を用いる。
次にステップＳ９０３では、達成度算出部４５は、実施例１において生活習慣を変えたと仮定して予測した腹部断層画像（前記の予測断層画像）２４を医用画像処理装置１の記憶装置７から主メモリ６上に読み込む。
（ステップＳ９０４）
次にステップＳ９０４では、達成度算出部４５は、ステップＳ９０１～９０３で主メモリ６上に読み込んだ、腹部断層画像４２、１５、２４について、脂肪領域と筋肉領域の抽出処理を実行する。脂肪領域と筋肉領域の抽出処理方法としては、上述した特許文献１等の公知の方法を用いる。
【0128】
（ステップＳ９０５）
次にステップＳ９０５では、達成度算出部４５は、ステップＳ９０４で抽出された腹部断層画像４２、１５、２４の脂肪領域と筋肉領域から、今回撮影した腹部断層画像４２と前回撮影した腹部断層画像１５との各領域の差分を算出する。さらに、前回、予測した腹部断層画像２４の各領域の面積に対する、今回撮影した腹部断層画像４２の各領域の面積の割合を、達成度として百分率で算出する。この時、筋肉領域については、増加方向に達成度を算出し、脂肪領域については、減少方向に達成度を算出する。そして筋肉領域の達成度と、脂肪領域の達成度の平均値を最終的な達成度として算出する。なお、達成度の算出方法は一例であり、この限りではない。
次にステップＳ９０５では、達成度算出部４５は、ステップＳ９０４で抽出された腹部断層画像４２、１５、２４の脂肪領域と筋肉領域から、今回撮影した腹部断層画像４２と前回撮影した腹部断層画像１５との各領域の差分を算出する。さらに、前回、予測した腹部断層画像２４の各領域の面積に対する、今回撮影した腹部断層画像４２の各領域の面積の割合を、達成度として百分率で算出する。この時、筋肉領域については、増加方向に達成度を算出し、脂肪領域については、減少方向に達成度を算出する。そして筋肉領域の達成度と、脂肪領域の達成度の平均値を最終的な達成度として算出する。なお、達成度の算出方法は一例であり、この限りではない。
【0129】
（ステップＳ９０６）
次にステップＳ９０６では、達成度算出部４５は、ステップＳ９０５で算出した差分や達成度の情報を、差分や達成度情報４６として表示装置１４に表示する。この達成度情報４６は、被検体へのメッセージの形式であってもよいし、表やグラフで表示してもよい。また、ここでは表示装置１４へ出力して表示させることを説明したが、出力された差分や達成度情報４６を、レポートとして印刷してもよいし、モバイル端末のアプリと連携して、スマートフォンやタブレットに表示してもよい。
次にステップＳ９０６では、達成度算出部４５は、ステップＳ９０５で算出した差分や達成度の情報を、差分や達成度情報４６として表示装置１４に表示する。この達成度情報４６は、被検体へのメッセージの形式であってもよいし、表やグラフで表示してもよい。また、ここでは表示装置１４へ出力して表示させることを説明したが、出力された差分や達成度情報４６を、レポートとして印刷してもよいし、モバイル端末のアプリと連携して、スマートフォンやタブレットに表示してもよい。
【0130】
この実施例２の医用画像処理装置では、被検体は、生活習慣を変えると仮定して予測した未来の理想の体型（前回予測した腹部断層画像２４）に対して、現在の体型がどれくらい達成できているかの状況を知ることができ、被検体（受診者）のモチベーションアップにつながる。
【0131】
【0132】
実施例３の医用画像処理装置１は、実施例１の機能に加えて、リスク予測部４８の機能を備えている。リスク予測部４８は、実施例１の図３のステップS８において保存した、予測断層画像２４を用いて、被検体が疾病や運動障害になるリスクを算出する。
【0133】
なお、リスク予測部４８は、学習済みのリスク予測モデルを含み、予測した断層画像２４をリスク予測モデルに入力することにより、被検体が病気になるリスクを算出した結果を表す出力を得る。なお、リスク予測モデルは、ここでは機械学習の学習モデルを用いる。予め腰痛や糖尿病、フレイルと診断された受診者、また転倒リスクの高い受診者の画像を収集し、入力データとして、収集した画像を用い、正解データとして、その受診者の腰痛や糖尿病やフレイルや転倒リスクを用い、機械学習により特徴を学習させた学習モデルをリスク予測モデルとして用いる。これにより、予測画像生成部１８が将来を予測して腹部断層画像２４をリスク予測モデルに入力することにより、各リスクの特徴の一致度（尤度）が出力される。尤度を百分率等に換算して、リスクと求める。
【0134】
なお、本実施例においては、リスクとは、腰痛リスク、糖尿病リスク、転倒リスク、フレイルリスクといった疾病及び運動機能にかかわるリスクをいう。
【0135】
なお、ここでは、リスク予測部４８は、学習済みのリスク予測モデルによりリスクを算出構成であるが、リスク予測部４８は、学習モデルに限られない。例えば、予測した腹部断層画像２４の脂肪領域や筋肉の面積や、配置に基づいて、予め定めた数式等によりリスクを算出してもよい。
【0136】
以下、リスク予測部４８の動作についてさらに説明する。
【0137】
（ステップＳ１１１）
まず、ステップＳ１１１では、リスク予測部４８は、実施例１において、生活習慣を現状のまま維持すると仮定して予測した腹部断層画像２３、または、生活習慣を変更したと仮定して予測した腹部断層画像２４を医用画像処理装置１の記憶装置７から主メモリ６上に読み込む。
（ステップＳ１１２）
次にステップＳ１１２では、リスク予測部４８は、読み込んだ腹部断層画像２３または２４を学習済みのリスク予測部４８に入力し、出力として、例えば、腰痛リスク、糖尿病リスク、転倒リスク、フレイルリスクといった疾病及び運動機能にかかわるリスクの特徴の一致度（尤度）の出力を得る。リスク予測部４８は、得られた尤度を百分率等に換算し、リスク予測結果４９として出力する。
まず、ステップＳ１１１では、リスク予測部４８は、実施例１において、生活習慣を現状のまま維持すると仮定して予測した腹部断層画像２３、または、生活習慣を変更したと仮定して予測した腹部断層画像２４を医用画像処理装置１の記憶装置７から主メモリ６上に読み込む。
（ステップＳ１１２）
次にステップＳ１１２では、リスク予測部４８は、読み込んだ腹部断層画像２３または２４を学習済みのリスク予測部４８に入力し、出力として、例えば、腰痛リスク、糖尿病リスク、転倒リスク、フレイルリスクといった疾病及び運動機能にかかわるリスクの特徴の一致度（尤度）の出力を得る。リスク予測部４８は、得られた尤度を百分率等に換算し、リスク予測結果４９として出力する。
【0138】
（ステップＳ１１３）
次にステップＳ１１３では、リスク予測部４８は、ステップＳ１１２で算出したリスク予測結果４９を表示装置１４に表示する。このリスク予測結果４９はメッセージであってもよいし、表やグラフで表示してもよい。また、実施例３では、算出したリスク予測結果４９を、表示装置１４へ表示するだけではなく、リスク予測結果４９をレポートとして印刷してもよいし、またはモバイル端末のアプリと連携して、スマートフォンやタブレットに表示してもよい。
次にステップＳ１１３では、リスク予測部４８は、ステップＳ１１２で算出したリスク予測結果４９を表示装置１４に表示する。このリスク予測結果４９はメッセージであってもよいし、表やグラフで表示してもよい。また、実施例３では、算出したリスク予測結果４９を、表示装置１４へ表示するだけではなく、リスク予測結果４９をレポートとして印刷してもよいし、またはモバイル端末のアプリと連携して、スマートフォンやタブレットに表示してもよい。
【0139】
この実施例３のように、将来のリスクが表示等されることにより、受診者は将来起こりうるリスクに危機感を感じることができ、生活習慣の改善の意識変容を起こすことが期待できる。
【0140】
【0141】
実施例４の医用画像処理装置は、実施例１と同様の構成であるが、実施例１とは、入力部１６へ入力する情報とその入力方法が異なる。実施例１では、入力部１６へ入力情報１７として、現在の生活習慣と、今後の生活習慣をそれぞれ入力するとともに、「予測するのは何年後か」を指定する構成であったが、実施例４では図１４に示すようなＵＩ（ユーザインタフェース）をもつ入力部１６’を表示装置１４に表示し、この上で上記入力を行う。
【0142】
図１４に示すＵＩは、食生活時間軸５０と、運動量時間軸５１とを含む。食生活時間軸５０と、運動量時間軸５１の軸方向は、上下方向に配置されている。また、予測する時点を示すポインタ５４が配置されており、操作者は、ポインタ５４を所望の位置に移動させることにより、その時点の予測画像を生成させることができる。
【0143】
食生活時間軸５０は、食生活の傾向毎の軸、（ここでは肉中心、野菜中心、魚中心の３軸）を含む。食生活時間軸５０の最上部が、現時点を表しており、下方向に進むほど年数が進む。操作者は、マウス１１を使用し、食生活時間軸５０の３軸（肉中心、野菜中心、魚中心）のいずれかに今後の食生活の傾向と期間を示すバー５２を設定することにより、今後の食生活が肉中心か、野菜中心か、魚中心かを選択することができる。また、バー５２の長さを変えることで、その食生活をする期間を調整できる。これにより、実施例４では食生活の傾向と期間を設定することができる。また、バー５２の横幅のサイズを変えることで、食事の量を調整できるようなＵＩにしてもよい。
【0144】
運動量時間軸５１も、最上部が現時点を表しており、下方向に進むほど年数が進む。操作者はマウス１１を使用し、運動量時間軸５１に対して運動量と期間を示すバー５３を設定する。バー５３の長さを変えることで運動を実施する期間を調整でき、幅を変えることで運動量（ｍｉｎ／ｗｅｅｋ）を調整できる。
【0145】
図１４の例では、時点５４’において、食生活のバー５２の位置が肉中心の軸から野菜中心の軸に変化しており、食生活が変化することが設定されている。また、時点５４’以降の運動量時間軸５１にバー５３が配置されており、時点５４’において運動を開始することが設定されている。
【0146】
これら食生活のバー５２と、運動量のバー５３を設定後、操作者がマウス１１を使用してポインタ５４を下方向に移動させ、所望の位置に配置すると、図１３のフローチャートの処理が、ＣＰＵ５で実行され、予測画像生成部１８は、ポインタ５４の指し示す位置（時点）の腹部断層画像を予測して生成する。具体的には以下の通りである。
【0147】
（ステップＳ１３０１）
ステップＳ１３０１では、予測画像生成部１８は、現時点を示す最上部の地点５４－ａにおいて医用画像処理装置１で撮影され記憶装置７に保存された腹部断層画像１５と、被検体の性別および年齢等の基本情報を読み込む。
ステップＳ１３０１では、予測画像生成部１８は、現時点を示す最上部の地点５４－ａにおいて医用画像処理装置１で撮影され記憶装置７に保存された腹部断層画像１５と、被検体の性別および年齢等の基本情報を読み込む。
【0148】
（ステップＳ１３０２）
次にステップＳ１３０２では、予測画像生成部１８は、ポインタ５４の位置を検出する。
次にステップＳ１３０２では、予測画像生成部１８は、ポインタ５４の位置を検出する。
【0149】
（ステップＳ１３０３）
次にステップＳ１３０３では、予測画像生成部１８は、ポインタ５４（図１４の５４－ｂ）が生活習慣の変化がある生活習慣変更地点５４’を超えているかを判定し、超えていない場合は、ステップＳ１３０５の処理に進む。
次にステップＳ１３０３では、予測画像生成部１８は、ポインタ５４（図１４の５４－ｂ）が生活習慣の変化がある生活習慣変更地点５４’を超えているかを判定し、超えていない場合は、ステップＳ１３０５の処理に進む。
【0150】
ポインタ５４（図１４の５４－ｂ）が、生活習慣変更地点５４’を超えている場合は、ステップＳ１３０４の処理に進む。
【0151】
（ステップＳ１３０４）
予測画像生成部１８は、その食生活の傾向（肉中心、野菜中心、魚中心のいずれか）と運動量をインプットとして、生活習慣変更地点５４’における予測画像（腹部断層画像）を一旦生成する。このステップＳ１３０４の処理は実施例１の図３のステップＳ３からステップＳ７の処理と同様である。
予測画像生成部１８は、その食生活の傾向（肉中心、野菜中心、魚中心のいずれか）と運動量をインプットとして、生活習慣変更地点５４’における予測画像（腹部断層画像）を一旦生成する。このステップＳ１３０４の処理は実施例１の図３のステップＳ３からステップＳ７の処理と同様である。
【0152】
（ステップＳ１３０５）
ステップＳ１３０５では、ステップＳ１３０３においてポインタ５４の位置が生活習慣変更地点５４’を超えていなかった場合は、予測画像生成部１８は、最上部の地点５４－ａからポインタ５４の位置までの年数を算出する。
ステップＳ１３０５では、ステップＳ１３０３においてポインタ５４の位置が生活習慣変更地点５４’を超えていなかった場合は、予測画像生成部１８は、最上部の地点５４－ａからポインタ５４の位置までの年数を算出する。
【0153】
一方、ステップS１３０３において生活習慣変更地点５４’を超えていた場合は、予測画像生成部１８は、生活習慣変更地点５４’からポインタ５４までの年数を算出する。
【0154】
（ステップＳ１３０６）
次にステップＳ１３０６では、ステップＳ１３０３においてポインタ５４の位置が生活習慣変更地点５４’を超えていなかった場合は、予測画像生成部１８は、ステップ１３０１で読み込んだ、最上部の地点５４－ａにおける腹部断層画像１５と、ステップ１３０５で算出した地点５４－ａからポインタ５４の位置までの年数と、その期間の食生活の傾向と運動量をインプットとして、ポインタ５４の位置（時点）の予測画像（腹部断層画像）５６を生成する。
次にステップＳ１３０６では、ステップＳ１３０３においてポインタ５４の位置が生活習慣変更地点５４’を超えていなかった場合は、予測画像生成部１８は、ステップ１３０１で読み込んだ、最上部の地点５４－ａにおける腹部断層画像１５と、ステップ１３０５で算出した地点５４－ａからポインタ５４の位置までの年数と、その期間の食生活の傾向と運動量をインプットとして、ポインタ５４の位置（時点）の予測画像（腹部断層画像）５６を生成する。
【0155】
一方、ステップＳ１３０３においてポインタ５４の位置が生活習慣変更地点５４’を超えていた場合は、予測画像生成部１８は、ステップＳ１３０４で生成した予測画像（腹部断層画像）と、ステップ１３０５で算出した、生活習慣変更地点５４’からポインタ５４までの年数と、その期間の食生活の傾向と運動量をインプットとして、ポインタ５４の位置（時点）の予測画像（腹部断層画像）５７を生成する。
【0156】
このステップＳ１３０６の処理は、実施例１のステップＳ３からステップＳ７の処理と同様である。
【0157】
（ステップＳ１３０７）
ステップＳ１３０７では、予測画像生成部１８は、ステップS１３０６で生成したポインタ５４の時点での予測画像（腹部断層画像）５６または５７を表示装置１４に表示する。
ステップＳ１３０７では、予測画像生成部１８は、ステップS１３０６で生成したポインタ５４の時点での予測画像（腹部断層画像）５６または５７を表示装置１４に表示する。
【0158】
これにより、操作者がポインタ５４を配置した所望の時点の予測画像（腹部断層画像）が予測画像生成部１８によって生成され、表示される。
【0159】
例えば図１４にあるように最上部の地点５４－ａにポインタ５４が配置された場合、地点５４－ａは現時点であるため、表示装置１４には現時点での腹部断層画像１５が表示される。
【0160】
次に操作者が、ポインタ５４を地点５４－ｂに移動させた場合は、地点５４－ｂは、生活習慣に変化が生じる生活習慣変更地点５４’を超えていないため、予測画像生成部１８は、地点５４－ｂまでの食生活の傾向と運動量の情報を読み込み、ステップＳ１３０５で地点５４－ａから地点５４－ｂまでの年数を算出し、ステップS１３０６において、地点５４－ａの時点で撮影された腹部断層画像１５を用いて、地点５４－ｂの時点における腹部断層画像５６を予測して生成し、表示装置１４に表示する。
【0161】
操作者が、ポインタ５４を地点５４－ｃに移動させた場合は、地点５４－ｃは、生活習慣に変化が生じる生活習慣変更地点５４’を超えているため、予測画像生成部１８は、ステップＳ１３０４において地点５４－ａの時点で撮影された腹部断層画像１５を用いて、生活習慣変更地点５４’における予測画像をステップＳ１３０４で一旦生成する。その後、その予測画像と、生活習慣変更地点５４’から地点５４－ｃまでの食生活の傾向と運動量の情報とを用いて、ステップＳ１３０６において、地点５４－ｃの時点における腹部断層画像５７を予測して生成し、表示装置１４に表示する。
【0162】
このように、本実施例においては、操作者が、今後の食生活と運動量をＵＩ上で設定し、ポインタ５４を移動させることで、ポインタ５４が指し示す特定の時点における腹部断層画像を予測して表示することができる。よって、操作者は、所望の時点の腹部断層画像を確認することが出来る。
【0163】
また、実施例４では表示装置１４への出力を想定しているが、この出力された腹部断層画像１５、５６、５７をレポートとして印刷、またはモバイル端末のアプリと連携して、スマートフォンやタブレットに表示してもよい。
【0164】
この実施例４により食生活の傾向と運動量を時系列でより細かく設定できるため、受診者はどの程度の運動量をどの程度の期間実施すべきか、どのような食生活をどの程度の期間実施すべきかがわかり、モチベーションアップに繋がる。
【0165】
【0166】
実施例５の医用画像処理装置は、実施例１とは、入力部１６において入力を受け付ける情報と、予測画像生成部１８が処理で使用する学習モデルが異なる。
【0167】
すなわち、実施例５の医用画像処理装置は、図１７に示すように、予測画像生成部１８は、加齢変化モデル１９と、カロリー変化モデル５９の２つの学習モデルを用いて、腹部断層画像の予測を行う。カロリー変化モデル５９は、生活習慣の運動時間と運動内容、および、食生活の食事メニューを用いて、食事と運動の差のカロリーから、腹部断層画像の予測を行う。
【0168】
実施例３の医用画像処理装置は、用いる学習モデルが、実施例１よりも１つ少ないため、データ量を抑制することができる。
【0169】
【0170】
予め、複数の被検体について、ある時点での腹部断層画像６０と、数年経過後の腹部断層画像６５の２種類と、被検体の週の摂取成分量と、摂取カロリーと、運動による消費カロリーとを学習用のデータとして用意しておく。この時、学習用のデータは、性別および年齢が異なる複数の被検体について用意する。機械学習が可能な数量の学習用のデータを収集しておく。
【0171】
カロリー変化モデル５９として使用するネットワークの種類については問わないが、加齢変化モデルと同様、生成器８３と識別器６６を含むＧＡＮを用いることができる。
【0172】
（ステップＳ６０１）
まずステップＳ６０１では、ＣＰＵ５は、複数の被検体のある時点での腹部断層画像６０と数年経過後の腹部断層画像６５の２種類を学習用のデータを取り込む。
まずステップＳ６０１では、ＣＰＵ５は、複数の被検体のある時点での腹部断層画像６０と数年経過後の腹部断層画像６５の２種類を学習用のデータを取り込む。
【0173】
（ステップＳ６０２）
次にステップＳ６０２では、ＣＰＵ５は、加齢変化モデルと同様、男性と女性とで別々のカロリー変化モデルを作成するため、収集したデータを性別で分類する。
次にステップＳ６０２では、ＣＰＵ５は、加齢変化モデルと同様、男性と女性とで別々のカロリー変化モデルを作成するため、収集したデータを性別で分類する。
【0174】
（ステップＳ６０３）
次にステップＳ６０３では、ＣＰＵ５は、ステップＳ６０１、Ｓ６０２で収集、分類したデータから図１８（ａ）に示すように受診者のステップＳ６０２で分類したある時点での腹部断層画像６０を、加齢変化モデル１９に入力し、数年経過後の腹部断層画像（推論画像８２）を生成させる。ここで一度推論画像８２を生成する理由としては、ステップＳ６０１で収集したデータのうち、数年経過後の腹部断層画像６５には、加齢による腹部の形状や濃淡の変化が含まれているため、カロリー変化モデル５９が、加齢による腹部の形状や濃淡の変化を学習しないようにするためである。
次にステップＳ６０３では、ＣＰＵ５は、ステップＳ６０１、Ｓ６０２で収集、分類したデータから図１８（ａ）に示すように受診者のステップＳ６０２で分類したある時点での腹部断層画像６０を、加齢変化モデル１９に入力し、数年経過後の腹部断層画像（推論画像８２）を生成させる。ここで一度推論画像８２を生成する理由としては、ステップＳ６０１で収集したデータのうち、数年経過後の腹部断層画像６５には、加齢による腹部の形状や濃淡の変化が含まれているため、カロリー変化モデル５９が、加齢による腹部の形状や濃淡の変化を学習しないようにするためである。
【0175】
（ステップＳ６０４）
次にステップＳ６０４では、ＣＰＵ５は、週の摂取カロリーから運動による消費カロリーを差し引いた合計カロリー（ｋｃａｌ／ｗｅｅｋ）を算出する。ＣＰＵ５は、図１８（ｂ）に示すようにステップＳ６０３で処理した腹部断層画像（推論画像８２）と、週の合計カロリー（ｋｃａｌ／ｗｅｅｋ）と、各摂取成分量と、ある時点から数年経過後の腹部断層画像（実画像６５）の経過年数とを、カロリー変化モデル生成器８３に入力する。
次にステップＳ６０４では、ＣＰＵ５は、週の摂取カロリーから運動による消費カロリーを差し引いた合計カロリー（ｋｃａｌ／ｗｅｅｋ）を算出する。ＣＰＵ５は、図１８（ｂ）に示すようにステップＳ６０３で処理した腹部断層画像（推論画像８２）と、週の合計カロリー（ｋｃａｌ／ｗｅｅｋ）と、各摂取成分量と、ある時点から数年経過後の腹部断層画像（実画像６５）の経過年数とを、カロリー変化モデル生成器８３に入力する。
【0176】
（ステップＳ６０５）
次にステップＳ６０５では、ＣＰＵ５は、入力された複数の受診者の加齢変化処理した腹部断層画像（推論画像８２）と週の合計カロリー（ｋｃａｌ／ｗｅｅｋ）、各摂取成分量と、経過年数のデータセットを、生成器８３に入力し、画像を生成させる。
次にステップＳ６０５では、ＣＰＵ５は、入力された複数の受診者の加齢変化処理した腹部断層画像（推論画像８２）と週の合計カロリー（ｋｃａｌ／ｗｅｅｋ）、各摂取成分量と、経過年数のデータセットを、生成器８３に入力し、画像を生成させる。
【0177】
（ステップＳ６０６）
次にステップＳ６０６ではＣＰＵ５は、生成器８３が推論した腹部断層画像（推論画像６４）と、実データである数年経過後の腹部断層画像（実画像６５）を、カロリー変化モデル識別器６６に入力し、実データか推論データかを判定させる。
次にステップＳ６０６ではＣＰＵ５は、生成器８３が推論した腹部断層画像（推論画像６４）と、実データである数年経過後の腹部断層画像（実画像６５）を、カロリー変化モデル識別器６６に入力し、実データか推論データかを判定させる。
【0178】
ＣＰＵ５は、テップＳ６０４～６０６において、カロリー変化モデル生成器８３とカロリー変化モデル識別器６６を学習させる。
【0179】
（ステップＳ６０７）
最後にステップＳ６０７では、ＣＰＵ５は、予め設定した反復回数に達するまでステップＳ６０４～Ｓ６０６を繰り返す。設定した反復回数に達した場合は学習を終了する。
最後にステップＳ６０７では、ＣＰＵ５は、予め設定した反復回数に達するまでステップＳ６０４～Ｓ６０６を繰り返す。設定した反復回数に達した場合は学習を終了する。
【0180】
以上により、学習したカロリー変化モデル生成器８３を、カロリー変化モデル５９として用いる。
【0181】
＜医用画像処理装置１の動作＞
つぎに、上述した学習後の加齢変化モデル１９、カロリー変化モデル５９を用いて、予測画像生成部１８が、被検体の腹部断層画像を予測して生成する際の動作を図１５と図１６を用いて説明する。
つぎに、上述した学習後の加齢変化モデル１９、カロリー変化モデル５９を用いて、予測画像生成部１８が、被検体の腹部断層画像を予測して生成する際の動作を図１５と図１６を用いて説明する。
【0182】
（ステップＳ１４０１）
まずステップＳ１４０１は、実施例１のステップＳ１と同様である。
まずステップＳ１４０１は、実施例１のステップＳ１と同様である。
【0183】
（ステップＳ１４０２）
次にステップＳ１４０２では、予測画像生成部１８は、性別、年齢といった基本情報の入力を受け付ける点は実施例１と同様であるが、実施例５では、現状と今後生活習慣を変える場合の、運動時間と運動内容、および、１週間の食事メニューを入力情報５８として入力部１６から受け付ける。
次にステップＳ１４０２では、予測画像生成部１８は、性別、年齢といった基本情報の入力を受け付ける点は実施例１と同様であるが、実施例５では、現状と今後生活習慣を変える場合の、運動時間と運動内容、および、１週間の食事メニューを入力情報５８として入力部１６から受け付ける。
【0184】
（ステップＳ１４０３）
次にステップＳ１４０３は、予測画像生成部１８が実施例１のステップＳ３と同様の処理を行う。
次にステップＳ１４０３は、予測画像生成部１８が実施例１のステップＳ３と同様の処理を行う。
【0185】
（ステップＳ１４０４）
次にステップＳ１４０４では、予測画像生成部１８は、ステップＳ１４０２で受け付けた入力情報５８の、１週間の食事メニューのカロリーと、１週間の運動時間と運動内容から消費するカロリーを計算する。そして、両者の差分を求めることにより、１週間の合計カロリー（ｋｃａｌ／ｗｅｅｋ）を算出する。また、食事メニューから摂取した成分量も算出する。
次にステップＳ１４０４では、予測画像生成部１８は、ステップＳ１４０２で受け付けた入力情報５８の、１週間の食事メニューのカロリーと、１週間の運動時間と運動内容から消費するカロリーを計算する。そして、両者の差分を求めることにより、１週間の合計カロリー（ｋｃａｌ／ｗｅｅｋ）を算出する。また、食事メニューから摂取した成分量も算出する。
【0186】
このステップＳ１４０４の詳細を図１６で説明する。
【0187】
（（ステップＳ１５０１））
まず、ステップＳ１５０１において、予測画像生成部１８は、１週間の食事メニューから１週間の総摂取カロリーと摂取成分量（糖質、タンパク質、脂質、ビタミン、ミネラルなど）を計算する。具多的には、食事のメニューごとに、一般的なカロリーと各成分量を予めデータベース化しておき、ステップＳ１４０２において入力された食事のメニューに応じて算出する。
まず、ステップＳ１５０１において、予測画像生成部１８は、１週間の食事メニューから１週間の総摂取カロリーと摂取成分量（糖質、タンパク質、脂質、ビタミン、ミネラルなど）を計算する。具多的には、食事のメニューごとに、一般的なカロリーと各成分量を予めデータベース化しておき、ステップＳ１４０２において入力された食事のメニューに応じて算出する。
【0188】
（（ステップＳ１５０２））
次にステップＳ１５０２では、予測画像生成部１８は、運動内容と週の運動時間から週の消費カロリーを計算する。運動内容ごとに時間あたりの消費カロリーについて、予めデータベース化しておき、ステップＳ１４０２において入力された運動内容と運動時間に応じて計算する。
次にステップＳ１５０２では、予測画像生成部１８は、運動内容と週の運動時間から週の消費カロリーを計算する。運動内容ごとに時間あたりの消費カロリーについて、予めデータベース化しておき、ステップＳ１４０２において入力された運動内容と運動時間に応じて計算する。
【0189】
（（ステップＳ１５０３））
次にステップＳ１５０３で、予測画像生成部１８は、１週間の摂取カロリーから１週間の消費カロリーを差し引き、最終的に１週間の合計カロリー（ｋｃａｌ／ｗｅｅｋ）を算出する。
次にステップＳ１５０３で、予測画像生成部１８は、１週間の摂取カロリーから１週間の消費カロリーを差し引き、最終的に１週間の合計カロリー（ｋｃａｌ／ｗｅｅｋ）を算出する。
【0190】
（ステップＳ１４０５）
次にステップＳ１４０５では、予測画像生成部１８は、ステップＳ１４０３で生成した加齢変化処理後の腹部断層画像と、ステップＳ１４０４で算出した１週間あたりの合計カロリー（ｋｃａｌ／ｗｅｅｋ）と、摂取成分量と、経過年数をカロリー変化モデル５９に入力する。これにより、カロリー変化モデル５９は、合計カロリーと摂取成分量によって変化する腹部断層画像の脂肪や筋肉の形状、大きさ、位置、濃淡を推論し、腹部断層画像を生成する。
次にステップＳ１４０５では、予測画像生成部１８は、ステップＳ１４０３で生成した加齢変化処理後の腹部断層画像と、ステップＳ１４０４で算出した１週間あたりの合計カロリー（ｋｃａｌ／ｗｅｅｋ）と、摂取成分量と、経過年数をカロリー変化モデル５９に入力する。これにより、カロリー変化モデル５９は、合計カロリーと摂取成分量によって変化する腹部断層画像の脂肪や筋肉の形状、大きさ、位置、濃淡を推論し、腹部断層画像を生成する。
【0191】
（ステップＳ１４０６）
次にステップＳ１４０６では、予測画像生成部１８は、ステップＳ１４０３～Ｓ１４０５で生成した断層画像を出力部２２に出力する。出力部２２には、現状の生活習慣を維持した場合の数年後予測される腹部断層画像２３と、生活習慣を変えた場合の数年後予測される腹部断層画像２４とが出力される。出力部２２は、表示装置１４に腹部断層画像２３，２４を表示する。なお、この出力された腹部断層画像２３，２４をレポートとして印刷、またはモバイル端末のアプリと連携して、スマートフォンやタブレットに表示してもよい。
次にステップＳ１４０６では、予測画像生成部１８は、ステップＳ１４０３～Ｓ１４０５で生成した断層画像を出力部２２に出力する。出力部２２には、現状の生活習慣を維持した場合の数年後予測される腹部断層画像２３と、生活習慣を変えた場合の数年後予測される腹部断層画像２４とが出力される。出力部２２は、表示装置１４に腹部断層画像２３，２４を表示する。なお、この出力された腹部断層画像２３，２４をレポートとして印刷、またはモバイル端末のアプリと連携して、スマートフォンやタブレットに表示してもよい。
【0192】
このように、実施例５の医用画像処理装置は、運動と食による変化をカロリーに換算して、カロリー変化モデル５９に入力する構成であるため、実施例１のように運動変化モデル２０と食変化モデル２１の２つの学習モデルを用意する必要がない。また、学習用のデータを収集する際にも特定の条件を絞って集める必要がないため、実施例１と比較して処理時間や収集するデータ量を抑えることが出来るというメリットがある。
【0193】
以上、本発明の実施例１～５について説明したが、本発明はこれらの実施例に限定されるものではない。
【符号の説明】
【0194】
１ 医用画像処理装置
２ 医用画像撮影装置
３ 医用画像管理システム
６ 主メモリ
７ 記憶装置
８ ネットワークアダプタ
９ 共通バス
１０ キーボード
１１ マウス
１２ コントローラ
１３ 表示メモリ
１４ 表示装置
１５ 入力画像
１６ 入力部
１７ 入力情報
１８ 予測画像生成部
１９ 加齢変化モデル
２０ 運動変化モデル
２１ 食変化モデル
２２ 出力部
２３ 腹部断層画像
２４ 腹部断層画像
２５ 実画像
２６ 生成器
２７ 推論画像
２８ 実画像
２９ 識別器
３１ 推論画像
３２ 生成器
３３ 推論画像
３４ 実画像
３５ 識別器
３７ 推論画像
３８ 生成器
３９ 推論画像
４０ 実画像
４１ 識別器
４２ 腹部断層画像
４３ 腹部断層画像
４４ 腹部断層画像
４５ 達成度算出部
４６ 達成度情報
４７ 腹部断層画像
４９ リスク予測結果
５０ 食生活時間軸
５１ 運動量時間軸
５２ バー
５３ バー
５４ ポインタ
５４ 生活習慣変更地点
５６ 腹部断層画像
５７ 腹部断層画像
５８ 入力情報
５９ カロリー変化モデル
６４ 推論画像
６５ 実画像
６６ 識別器
８２ 推論画像
８３ 生成器
２ 医用画像撮影装置
３ 医用画像管理システム
６ 主メモリ
７ 記憶装置
８ ネットワークアダプタ
９ 共通バス
１０ キーボード
１１ マウス
１２ コントローラ
１３ 表示メモリ
１４ 表示装置
１５ 入力画像
１６ 入力部
１７ 入力情報
１８ 予測画像生成部
１９ 加齢変化モデル
２０ 運動変化モデル
２１ 食変化モデル
２２ 出力部
２３ 腹部断層画像
２４ 腹部断層画像
２５ 実画像
２６ 生成器
２７ 推論画像
２８ 実画像
２９ 識別器
３１ 推論画像
３２ 生成器
３３ 推論画像
３４ 実画像
３５ 識別器
３７ 推論画像
３８ 生成器
３９ 推論画像
４０ 実画像
４１ 識別器
４２ 腹部断層画像
４３ 腹部断層画像
４４ 腹部断層画像
４５ 達成度算出部
４６ 達成度情報
４７ 腹部断層画像
４９ リスク予測結果
５０ 食生活時間軸
５１ 運動量時間軸
５２ バー
５３ バー
５４ ポインタ
５４ 生活習慣変更地点
５６ 腹部断層画像
５７ 腹部断層画像
５８ 入力情報
５９ カロリー変化モデル
６４ 推論画像
６５ 実画像
６６ 識別器
８２ 推論画像
８３ 生成器
【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】