特開 2024-140470 画像処理装置、画像処理方法、画像処理プログラム、学習装置、学習方法、及び学習プログラム

(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】P2024140470

(43)【公開日】2024-10-10

(54)【発明の名称】画像処理装置、画像処理方法、画像処理プログラム、学習装置、学習方法、及び学習プログラム

(51)【国際特許分類】

   G16H 30/40 20180101AFI20241003BHJP

   A61B 6/46 20240101ALI20241003BHJP

   A61B 6/00 20240101ALI20241003BHJP

   A61B 6/03 20060101ALI20241003BHJP

【ＦＩ】

G16H30/40

A61B6/03 360Q

A61B6/00 350P

A61B6/00 350D

A61B6/03 360J

A61B6/03 360D

A61B6/03 360T

A61B6/00 360Z

【審査請求】未請求

【請求項の数】14

【出願形態】ＯＬ

(21)【出願番号】P 2023051616

(22)【出願日】2023-03-28

(71)【出願人】

【識別番号】306037311

【氏名又は名称】富士フイルム株式会社

(74)【代理人】

【識別番号】110001519

【氏名又は名称】弁理士法人太陽国際特許事務所

(72)【発明者】

【氏名】平原 暢之

【テーマコード（参考）】

4C093

5L099

【Ｆターム（参考）】

4C093AA01

4C093AA22

4C093AA26

4C093CA18

4C093DA10

4C093FF16

4C093FF28

4C093FF33

4C093FF34

4C093FG16

4C093FG18

5L099AA26

(57)【要約】

【課題】異常が発生していない医用画像を精度良く生成することができる画像処理装置、画像処理方法、及び画像処理プログラムを得る。
【解決手段】画像処理装置は、医用画像に含まれる解剖学的領域内の複数の部分領域のうちの少なくとも１つの推定対象の部分領域を、推定対象以外の少なくとも１つの部分領域に基づいて推定した推定医用画像を生成する。
【選択図】図４

【特許請求の範囲】

【請求項1】

少なくとも一つのプロセッサを備える画像処理装置であって、
前記プロセッサは、
医用画像に含まれる解剖学的領域内の複数の部分領域のうちの少なくとも１つの推定対象の部分領域を、前記推定対象以外の少なくとも１つの前記部分領域に基づいて推定した推定医用画像を生成する
画像処理装置。

【請求項2】

前記プロセッサは、
前記解剖学的領域を前記複数の部分領域に分割する
請求項１に記載の画像処理装置。

【請求項3】

前記プロセッサは、
前記推定医用画像の前記推定対象の部分領域と、前記医用画像の前記推定対象の部分領域に対応する領域とを比較可能に表示する制御を行う
請求項１又は請求項２に記載の画像処理装置。

【請求項4】

前記プロセッサは、
前記推定医用画像の前記推定対象の部分領域と、前記医用画像の前記推定対象の部分領域に対応する領域との差分を表す情報を表示する制御を行う
請求項１に記載の画像処理装置。

【請求項5】

前記プロセッサは、
前記推定医用画像の前記推定対象の部分領域と、前記医用画像の前記推定対象の部分領域に対応する領域との差分を表す値が閾値以上の場合、前記制御を行う
請求項３に記載の画像処理装置。

【請求項6】

前記プロセッサは、
前記複数の部分領域それぞれについて前記推定医用画像を生成し、
少なくとも１つの前記推定医用画像についての前記差分を表す値が前記閾値以上の場合、前記制御を行う
請求項５に記載の画像処理装置。

【請求項7】

前記推定医用画像は、前記医用画像における前記解剖学的領域に、前記複数の部分領域の少なくとも１つについて生成された前記推定医用画像が合成された画像である
請求項１に記載の画像処理装置。

【請求項8】

前記プロセッサは、
前記解剖学的領域内の異常の候補を検出する処理を行い、
前記推定医用画像を生成する学習済みモデルであって、前記複数の部分領域それぞれについて予め学習された複数の学習済みモデルのうち、検出された前記異常の候補が存在する前記部分領域に対応する前記学習済みモデルのみを用いて、前記推定医用画像を生成する
請求項１に記載の画像処理装置。

【請求項9】

前記解剖学的領域は、膵臓であり、
前記複数の部分領域は、頭部、体部、及び尾部を含む
請求項１に記載の画像処理装置。

【請求項10】

医用画像に含まれる解剖学的領域内の複数の部分領域のうちの少なくとも１つの推定対象の部分領域を、前記推定対象以外の少なくとも１つの前記部分領域に基づいて推定した推定医用画像を生成する
処理を画像処理装置が備えるプロセッサが実行する画像処理方法。

【請求項11】

医用画像に含まれる解剖学的領域内の複数の部分領域のうちの少なくとも１つの推定対象の部分領域を、前記推定対象以外の少なくとも１つの前記部分領域に基づいて推定した推定医用画像を生成する
処理を画像処理装置が備えるプロセッサに実行させるための画像処理プログラム。

【請求項12】

少なくとも一つのプロセッサを備える学習装置であって、
前記プロセッサは、
医用画像に含まれる解剖学的領域内の複数の部分領域のうちの少なくとも１つの推定対象の第１の部分領域以外の少なくとも１つの第２の部分領域に基づいて前記第１の部分領域を推定した推定医用画像と、前記解剖学的領域に異常が発生していない正常医用画像とを学習用データとして用いた機械学習を行うことによって、前記第２の部分領域を入力とし、前記推定医用画像を出力とする学習済みモデルを生成する
学習装置。

【請求項13】

医用画像に含まれる解剖学的領域内の複数の部分領域のうちの少なくとも１つの推定対象の第１の部分領域以外の少なくとも１つの第２の部分領域に基づいて前記第１の部分領域を推定した推定医用画像と、前記解剖学的領域に異常が発生していない正常医用画像とを学習用データとして用いた機械学習を行うことによって、前記第２の部分領域を入力とし、前記推定医用画像を出力とする学習済みモデルを生成する
処理を学習装置が備えるプロセッサが実行する学習方法。

【請求項14】

医用画像に含まれる解剖学的領域内の複数の部分領域のうちの少なくとも１つの推定対象の第１の部分領域以外の少なくとも１つの第２の部分領域に基づいて前記第１の部分領域を推定した推定医用画像と、前記解剖学的領域に異常が発生していない正常医用画像とを学習用データとして用いた機械学習を行うことによって、前記第２の部分領域を入力とし、前記推定医用画像を出力とする学習済みモデルを生成する
処理を学習装置が備えるプロセッサに実行させるための学習プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、画像処理装置、画像処理方法、画像処理プログラム、学習装置、学習方法、及び学習プログラムに関する。

【背景技術】

【0002】

特許文献１には、医用画像から異常陰影の候補領域を検出し、検出した候補領域の少なくとも一部を含む小領域を注目領域として設定する技術が開示されている。この技術では、更に、注目領域の近傍に存在する小領域を近傍領域として設定し、注目領域及び近傍領域が正常な人工画像を生成する。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２００６－３２５９３７号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

医用画像の読影者は、例えば、膵がん等の病変の診断において、医用画像における病変の発生に伴う病変の周辺部分の形状変化及び性状変化等の異常に基づいて、病変の発生有無を判断する場合がある。この場合、形状変化及び性状変化等の異常が発生していない医用画像を精度良く生成することができると、読影者の読影を効果的に支援することができる。

【0005】

本開示は、以上の事情を鑑みてなされたものであり、異常が発生していない医用画像を精度良く生成することができる画像処理装置、画像処理方法、画像処理プログラム、学習装置、学習方法、及び学習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】

【0006】

第１の態様の画像処理装置は、少なくとも一つのプロセッサを備える画像処理装置であって、プロセッサは、医用画像に含まれる解剖学的領域内の複数の部分領域のうちの少なくとも１つの推定対象の部分領域を、推定対象以外の少なくとも１つの部分領域に基づいて推定した推定医用画像を生成する。

【0007】

第２の態様の画像処理装置は、第１の態様の画像処理装置において、プロセッサは、解剖学的領域を複数の部分領域に分割する。

【0008】

第３の態様の画像処理装置は、第１の態様又は第２の態様の画像処理装置において、プロセッサは、推定医用画像の推定対象の部分領域と、医用画像の推定対象の部分領域に対応する領域とを比較可能に表示する制御を行う。

【0009】

第４の態様の画像処理装置は、第１の態様から第３の態様の何れか１態様の画像処理装置において、プロセッサは、推定医用画像の推定対象の部分領域と、医用画像の推定対象の部分領域に対応する領域との差分を表す情報を表示する制御を行う。

【0010】

第５の態様の画像処理装置は、第３の態様又は第４の態様の画像処理装置において、プロセッサは、推定医用画像の推定対象の部分領域と、医用画像の推定対象の部分領域に対応する領域との差分を表す値が閾値以上の場合、上記制御を行う。

【0011】

第６の態様の画像処理装置は、第５の態様の画像処理装置において、プロセッサは、複数の部分領域それぞれについて推定医用画像を生成し、少なくとも１つの推定医用画像についての差分を表す値が閾値以上の場合、上記制御を行う。

【0012】

第７の態様の画像処理装置は、第１の態様から第６の態様の何れか１態様の画像処理装置において、推定医用画像は、医用画像における解剖学的領域に、複数の部分領域の少なくとも１つについて生成された推定医用画像が合成された画像である。

【0013】

第８の態様の画像処理装置は、第１の態様から第７の態様の何れか１態様の画像処理装置において、プロセッサは、解剖学的領域内の異常の候補を検出する処理を行い、推定医用画像を生成する学習済みモデルであって、複数の部分領域それぞれについて予め学習された複数の学習済みモデルのうち、検出された異常の候補が存在する部分領域に対応する学習済みモデルのみを用いて、推定医用画像を生成する。

【0014】

第９の態様の画像処理装置は、第１の態様から第８の態様の何れか１態様の画像処理装置において、解剖学的領域は、膵臓であり、複数の部分領域は、頭部、体部、及び尾部を含む。

【0015】

第１０の態様の画像処理方法は、医用画像に含まれる解剖学的領域内の複数の部分領域のうちの少なくとも１つの推定対象の部分領域を、推定対象以外の少なくとも１つの部分領域に基づいて推定した推定医用画像を生成する処理を画像処理装置が備えるプロセッサが実行するものである。

【0016】

第１１の態様の画像処理プログラムは、医用画像に含まれる解剖学的領域内の複数の部分領域のうちの少なくとも１つの推定対象の部分領域を、推定対象以外の少なくとも１つの部分領域に基づいて推定した推定医用画像を生成する処理を画像処理装置が備えるプロセッサに実行させるためのものである。

【0017】

第１２の態様の学習装置は、少なくとも一つのプロセッサを備える学習装置であって、プロセッサは、医用画像に含まれる解剖学的領域内の複数の部分領域のうちの少なくとも１つの推定対象の第１の部分領域以外の少なくとも１つの第２の部分領域に基づいて第１の部分領域を推定した推定医用画像と、解剖学的領域に異常が発生していない正常医用画像とを学習用データとして用いた機械学習を行うことによって、第２の部分領域を入力とし、推定医用画像を出力とする学習済みモデルを生成する。

【0018】

第１３の態様の学習方法は、医用画像に含まれる解剖学的領域内の複数の部分領域のうちの少なくとも１つの推定対象の第１の部分領域以外の少なくとも１つの第２の部分領域に基づいて第１の部分領域を推定した推定医用画像と、解剖学的領域に異常が発生していない正常医用画像とを学習用データとして用いた機械学習を行うことによって、第２の部分領域を入力とし、推定医用画像を出力とする学習済みモデルを生成する処理を学習装置が備えるプロセッサが実行するものである。

【0019】

第１４の態様の学習プログラムは、医用画像に含まれる解剖学的領域内の複数の部分領域のうちの少なくとも１つの推定対象の第１の部分領域以外の少なくとも１つの第２の部分領域に基づいて第１の部分領域を推定した推定医用画像と、解剖学的領域に異常が発生していない正常医用画像とを学習用データとして用いた機械学習を行うことによって、第２の部分領域を入力とし、推定医用画像を出力とする学習済みモデルを生成する処理を学習装置が備えるプロセッサに実行させるためのものである。

【発明の効果】

【0020】

本開示によれば、異常が発生していない医用画像を精度良く生成することができる。

【図面の簡単な説明】

【0021】

【図1】医療情報システムの概略構成を示すブロック図である。

【図2】第１実施形態に係る画像処理装置のハードウェア構成の一例を示すブロック図である。

【図3】学習フェーズにおける画像処理装置の機能的な構成の一例を示すブロック図である。

【図4】第１の学習済みモデルを説明するための図である。

【図5】第２の学習済みモデルを説明するための図である。

【図6】第３の学習済みモデルを説明するための図である。

【図7】第１実施形態に係る運用フェーズにおける画像処理装置の機能的な構成の一例を示すブロック図である。

【図8】表示画面の一例を示す図である。

【図9】変形例に係る表示画面の一例を示す図である。

【図10】学習処理の一例を示すフローチャートである。

【図11】第１実施形態に係る診断支援処理の一例を示すフローチャートである。

【図12】第２実施形態に係る画像処理装置のハードウェア構成の一例を示すブロック図である。

【図13】第２実施形態に係る運用フェーズにおける画像処理装置の機能的な構成の一例を示すブロック図である。

【図14】第２実施形態に係る学習済みモデルを用いた医用画像の生成処理を説明するための図である。

【図15】第２実施形態に係る診断支援処理の一例を示すフローチャートである。

【図16】変形例に係る学習済みモデルを説明するための図である。

【図17】変形例に係る学習済みモデルを説明するための図である。

【図18】変形例に係る学習済みモデルを説明するための図である。

【図19】変形例に係る学習済みモデルを説明するための図である。

【図20】変形例に係る表示画面の一例を示す図である。

【図21】変形例に係る表示画面の一例を示す図である。

【発明を実施するための形態】

【0022】

以下、図面を参照して、本開示の技術を実施するための形態例を詳細に説明する。

【0023】

［第１実施形態］
まず、図１を参照して、本実施形態に係る医療情報システム１の構成を説明する。図１に示すように、医療情報システム１は、画像処理装置１０、撮影装置１２、及び画像保管サーバ１４を含む。画像処理装置１０、撮影装置１２、及び画像保管サーバ１４は、有線又は無線のネットワーク１８を介して互いに通信可能な状態で接続される。画像処理装置１０は、例えば、パーソナルコンピュータ又はサーバコンピュータ等のコンピュータである。

【0024】

撮影装置１２は、被検体の診断対象とする部位を撮影することにより、その部位を表す医用画像を生成する装置である。撮影装置１２の例としては、単純Ｘ線撮影装置、内視鏡装置、ＣＴ（Computed Tomography）装置、ＭＲＩ（Magnetic Resonance Imaging）装置、及びＰＥＴ（Positron Emission Tomography）装置等が挙げられる。本実施形態では、撮影装置１２がＣＴ装置であり、診断対象とする部位が腹部である例を説明する。すなわち、本実施形態に係る撮影装置１２は、被検体の腹部のＣＴ画像を、複数の断層画像からなる３次元の医用画像として生成する。撮影装置１２により生成された医用画像は、ネットワーク１８を介して画像保管サーバ１４に送信され、画像保管サーバ１４により保存される。

【0025】

画像保管サーバ１４は、各種データを保存して管理するコンピュータであり、大容量の外部記憶装置及びデータベース管理用ソフトウェアを備える。画像保管サーバ１４は、撮影装置１２により生成された医用画像を、ネットワーク１８を介して受信し、受信した医用画像を保存して管理する。画像保管サーバ１４による画像データの格納形式及びネットワーク１８を介した他の装置との通信は、ＤＩＣＯＭ（Digital Imaging and Communication in Medicine）等のプロトコルに基づいている。

【0026】

次に、図２を参照して、本実施形態に係る画像処理装置１０のハードウェア構成を説明する。図２に示すように、画像処理装置１０は、ＣＰＵ（Central Processing Unit）２０、一時記憶領域としてのメモリ２１、及び不揮発性の記憶部２２を含む。また、画像処理装置１０は、液晶ディスプレイ等のディスプレイ２３、キーボードとマウス等の入力装置２４、及びネットワーク１８に接続されるネットワークＩ／Ｆ（InterFace）２５を含む。ＣＰＵ２０、メモリ２１、記憶部２２、ディスプレイ２３、入力装置２４、及びネットワークＩ／Ｆ２５は、バス２７に接続される。ＣＰＵ２０は、開示の技術に係るプロセッサの一例である。

【0027】

記憶部２２は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、又はフラッシュメモリ等によって実現される。記憶媒体としての記憶部２２には、学習プログラム３０及び画像処理プログラム３１が記憶される。ＣＰＵ２０は、記憶部２２から学習プログラム３０を読み出してからメモリ２１に展開し、展開した学習プログラム３０を実行する。また、ＣＰＵ２０は、記憶部２２から画像処理プログラム３１を読み出してからメモリ２１に展開し、展開した画像処理プログラム３１を実行する。

【0028】

ところで、医用画像において、解剖学的領域内の部分領域に異常が発生している場合、その異常が発生していない部分領域を推定した医用画像を生成することができると、読影者による医用画像の読影を効果的に支援することができる。本実施形態に係る画像処理装置１０は、読影者による医用画像の読影を効果的に支援するために、異常が発生していない状態を推定した医用画像を生成する機能を有する。なお、本実施形態では、処理対象の解剖学的領域として、膵臓を適用した例を説明する。

【0029】

上記機能を実現するために、記憶部２２には、複数の学習済みモデル３２が記憶される。本実施形態では、学習済みモデル３２の個数が３個である場合について説明する。図３を参照して、本実施形態に係る学習済みモデル３２の学習フェーズにおける画像処理装置１０の機能的な構成について説明する。以下では、３個の学習済みモデル３２を区別する場合は、学習済みモデル３２Ａ、３２Ｂ、３２Ｃのように、末尾にＡ、Ｂ、Ｃを付与するものとする。学習フェーズにおける画像処理装置１０は、開示の技術に係る学習装置の一例である。

【0030】

図３に示すように、学習フェーズにおける画像処理装置１０は、分割部４０、画像処理部４２、及び学習部４４を含む。ＣＰＵ２０が学習プログラム３０を実行することにより、分割部４０、画像処理部４２、及び学習部４４として機能する。

【0031】

図４～図６に示すように、分割部４０は、医用画像に含まれる解剖学的領域の一例としての膵臓を、複数の部分領域に分割する。本実施形態では、分割部４０は、膵臓を頭部Ｐ１、体部Ｐ２、及び尾部Ｐ３の３つの部分領域に分割する。この分割には、例えば、静脈及び動脈等の医学書において定義された頭部Ｐ１、体部Ｐ２、及び尾部Ｐ３の境界が用いられる。また、この分割には、例えば、多数の患者の膵臓を撮影して得られた医用画像における頭部Ｐ１、体部Ｐ２、及び尾部Ｐ３それぞれの径及び体積等のサイズを表す値の平均値等の統計値が用いられてもよい。

【0032】

この学習フェーズで用いられる医用画像は、膵臓に異常が発生していない、すなわち、膵臓が健常な状態の医用画像（以下、「正常医用画像」という）である。本実施形態における膵臓の異常とは、がん、嚢胞、及び炎症等の直接的に治療を行う対象となる病変だけではなく、間接所見も含む。間接所見とは、病変の発生に伴う病変の周辺組織の形状及び性状のうちの少なくとも一方の特徴を表す所見を意味する。例えば、膵がんを疑う間接所見の例としては、膵臓における部分的な萎縮及び腫大等の形状異常等が挙げられる。

【0033】

図４に示すように、画像処理部４２は、医用画像における尾部Ｐ３を隠す画像処理を実行する。また、図５に示すように、画像処理部４２は、医用画像における体部Ｐ２を隠す画像処理を実行する。また、図６に示すように、画像処理部４２は、医用画像における頭部Ｐ１を隠す画像処理を実行する。この画像処理の例としては、隠す対象の領域を背景色等の予め定められた色に塗りつぶす処理が挙げられる。図４～図６の例では、この画像処理によって隠される領域の輪郭が一点鎖線で示されている。

【0034】

学習部４４は、医用画像に含まれる膵臓内の複数の部分領域のうちの少なくとも１つの推定対象の第１の部分領域以外の少なくとも１つの第２の部分領域に基づいて第１の部分領域を推定した推定医用画像と、正常医用画像とを学習用データ（教師データと称されることもある）として用いた機械学習を行う。これにより、学習部４４は、第２の部分領域を入力とし、推定医用画像を出力とする学習済みモデル３２を生成する。

【0035】

具体的には、図４に示すように、学習部４４は、画像処理部４２による尾部Ｐ３を隠す画像処理の実行後の医用画像を学習済みモデル３２Ａに入力する。学習済みモデル３２Ａは、入力の医用画像に含まれる膵臓内の２つの部分領域である頭部Ｐ１及び体部Ｐ２に基づいて尾部Ｐ３を推定した推定医用画像を生成し、かつ出力する。学習部４４は、分割部４０による分割処理の実行前の正常医用画像と、学習済みモデル３２Ａから出力された推定医用画像とのロスを計算し、そのロスが最小となるように、学習済みモデル３２Ａを学習させる。学習済みモデル３２Ａは、入力の医用画像の膵臓の頭部Ｐ１及び体部Ｐ２に基づいて、その医用画像の膵臓の尾部Ｐ３を推定した推定医用画像を生成するモデルである。

【0036】

また、図５に示すように、学習部４４は、画像処理部４２による体部Ｐ２を隠す画像処理の実行後の医用画像を学習済みモデル３２Ｂに入力する。学習済みモデル３２Ｂは、入力の医用画像に含まれる膵臓内の２つの部分領域である頭部Ｐ１及び尾部Ｐ３に基づいて体部Ｐ２を推定した推定医用画像を生成し、かつ出力する。学習部４４は、分割部４０による分割処理の実行前の正常医用画像と、学習済みモデル３２Ｂから出力された推定医用画像とのロスを計算し、そのロスが最小となるように、学習済みモデル３２Ｂを学習させる。学習済みモデル３２Ｂは、入力の医用画像の膵臓の頭部Ｐ１及び尾部Ｐ３に基づいて、その医用画像の膵臓の体部Ｐ２を推定した推定医用画像を生成するモデルである。

【0037】

また、図６に示すように、学習部４４は、画像処理部４２による頭部Ｐ１を隠す画像処理の実行後の医用画像を学習済みモデル３２Ｃに入力する。学習済みモデル３２Ｃは、入力の医用画像に含まれる膵臓内の２つの部分領域である体部Ｐ２及び尾部Ｐ３に基づいて頭部Ｐ１を推定した推定医用画像を生成し、かつ出力する。学習部４４は、分割部４０による分割処理の実行前の正常医用画像と、学習済みモデル３２Ｃから出力された推定医用画像とのロスを計算し、そのロスが最小となるように、学習済みモデル３２Ｃを学習させる。学習済みモデル３２Ｃは、入力の医用画像の膵臓の体部Ｐ２及び尾部Ｐ３に基づいて、その医用画像の膵臓の頭部Ｐ１を推定した推定医用画像を生成するモデルである。

【0038】

３個の学習済みモデル３２それぞれは、例えば、ＣＮＮ（Convolutional Neural Network）によって構成される。学習部４４は、以上の学習を多数の医用画像を用いて行う。以上のように学習された３個の学習済みモデル３２が記憶部２２に記憶される。前述したように、３個の学習済みモデル３２の学習には膵臓が健常な状態の医用画像が用いられているため、３個の学習済みモデル３２からは頭部Ｐ１、体部Ｐ２、及び尾部Ｐ３のそれぞれが健常な状態を推定した医用画像が出力される。

【0039】

次に、図７を参照して、本実施形態に係る学習済みモデル３２の運用フェーズにおける画像処理装置１０の機能的な構成について説明する。図７に示すように、画像処理装置１０は、取得部５０、分割部５２、画像処理部５４、生成部５６、導出部５８、及び表示制御部６０を含む。ＣＰＵ２０が画像処理プログラム３１を実行することにより、取得部５０、分割部５２、画像処理部５４、生成部５６、導出部５８、及び表示制御部６０として機能する。

【0040】

取得部５０は、診断対象の医用画像（以下、「診断対象画像」という）を、ネットワークＩ／Ｆ２５を介して、画像保管サーバ１４から取得する。分割部５２は、分割部４０と同様に、診断対象画像に含まれる解剖学的領域の一例としての膵臓を、頭部Ｐ１、体部Ｐ２、及び尾部Ｐ３の３つの部分領域に分割する。

【0041】

画像処理部５４は、画像処理部４２と同様に、診断対象画像における尾部Ｐ３を隠す画像処理を実行する。また、画像処理部５４は、診断対象画像における体部Ｐ２を隠す画像処理を実行する。また、画像処理部５４は、診断対象画像における頭部Ｐ１を隠す画像処理を実行する。

【0042】

生成部５６は、診断対象画像に含まれる解剖学的領域内の複数の部分領域のうちの少なくとも１つの推定対象の部分領域を、推定対象以外の少なくとも１つの部分領域に基づいて推定した推定医用画像を生成する。本実施形態では、生成部５６は、複数の部分領域それぞれについて推定医用画像を生成する。推定医用画像は、診断対象画像における解剖学的領域に、複数の部分領域の少なくとも１つについて生成された推定医用画像が合成された画像である。

【0043】

具体的には、生成部５６は、画像処理部５４による尾部Ｐ３を隠す画像処理の実行後の診断対象画像を学習済みモデル３２Ａに入力する。学習済みモデル３２Ａは、入力の診断対象画像に含まれる膵臓内の２つの部分領域である頭部Ｐ１及び体部Ｐ２に基づいて尾部Ｐ３を推定した推定医用画像を生成し、かつ出力する。このように、生成部５６は、診断対象画像に含まれる膵臓内の頭部Ｐ１、体部Ｐ２、及び尾部Ｐ３のうちの尾部Ｐ３を頭部Ｐ１及び体部Ｐ２に基づいて推定した推定医用画像（以下、「尾部推定医用画像」という）を生成する。

【0044】

また、生成部５６は、画像処理部５４による体部Ｐ２を隠す画像処理の実行後の診断対象画像を学習済みモデル３２Ｂに入力する。学習済みモデル３２Ｂは、入力の診断対象画像に含まれる膵臓内の２つの部分領域である頭部Ｐ１及び尾部Ｐ３に基づいて体部Ｐ２を推定した推定医用画像を生成し、かつ出力する。このように、生成部５６は、診断対象画像に含まれる膵臓内の頭部Ｐ１、体部Ｐ２、及び尾部Ｐ３のうちの体部Ｐ２を頭部Ｐ１及び尾部Ｐ３に基づいて推定した推定医用画像（以下、「体部推定医用画像」という）を生成する。

【0045】

また、生成部５６は、画像処理部５４による頭部Ｐ１を隠す画像処理の実行後の診断対象画像を学習済みモデル３２Ｃに入力する。学習済みモデル３２Ｃは、入力の診断対象画像に含まれる膵臓内の２つの部分領域である体部Ｐ２及び尾部Ｐ３に基づいて頭部Ｐ１を推定した推定医用画像を生成し、かつ出力する。このように、生成部５６は、診断対象画像に含まれる膵臓内の頭部Ｐ１、体部Ｐ２、及び尾部Ｐ３のうちの頭部Ｐ１を体部Ｐ２及び尾部Ｐ３に基づいて推定した推定医用画像（以下、「頭部推定医用画像」という）を生成する。

【0046】

導出部５８は、生成部５６により生成された推定医用画像それぞれについて、推定医用画像の推定対象の部分領域と、診断対象画像の推定対象の部分領域に対応する領域との差分を表す値を導出する。すなわち、導出部５８は、尾部推定医用画像の尾部Ｐ３と診断対象画像の尾部Ｐ３との差分を表す値を導出する。また、導出部５８は、体部推定医用画像の体部Ｐ２と診断対象画像の体部Ｐ２との差分を表す値を導出する。また、導出部５８は、頭部推定医用画像の頭部Ｐ１と診断対象画像の頭部Ｐ１との差分を表す値を導出する。この部分領域の差分を表す値の例として、体積の差、長径の差、及び断面積の差等の部分領域の大きさの差分を表す値が挙げられる。また、この部分領域の差分を表す値の例として、その部分領域のＣＴ値の平均値、分散、及び合計値等の統計値の差分も挙げられる。

【0047】

表示制御部６０は、少なくとも１つの推定医用画像について導出部５８により導出された差分を表す値が閾値以上の場合、その差分を表す値が閾値以上の推定医用画像の推定対象の部分領域と、診断対象画像の推定対象の部分領域とを比較可能に表示する制御を行う。本実施形態では、一例として図８に示すように、表示制御部６０は、推定医用画像と診断対象画像とをディスプレイ２３に並べて表示する制御を行うことによって比較可能に表示する制御を行う。図８の例では、尾部推定医用画像の尾部Ｐ３と診断対象画像の尾部Ｐ３との差分を表す値が閾値以上の場合を示している。

【0048】

なお、表示制御部６０は、図９に示すように、差分を表す値が閾値以上の推定医用画像の部分領域と、診断対象画像の推定対象の部分領域とを拡大した状態でディスプレイ２３に並べて表示する制御を行うことによって比較可能に表示する制御を行ってもよい。図９の例では、尾部推定医用画像の尾部Ｐ３と診断対象画像の尾部Ｐ３との差分を表す値が閾値以上であり、尾部Ｐ３を拡大した状態を示している。

【0049】

次に、図１０及び図１１を参照して、本実施形態に係る画像処理装置１０の作用を説明する。ＣＰＵ２０が学習プログラム３０を実行することによって、図１０に示す学習処理が実行される。ＣＰＵ２０が画像処理プログラム３１を実行することによって、図１１に示す診断支援処理が実行される。図１０に示す学習処理及び図１１に示す診断支援処理は、例えば、それぞれユーザにより実行開始の指示が入力された場合に実行される。

【0050】

図１０のステップＳ１０で、分割部４０は、前述したように、膵臓を頭部Ｐ１、体部Ｐ２、及び尾部Ｐ３の３つの部分領域に分割する。ステップＳ１２で、画像処理部４２は、医用画像における尾部Ｐ３を隠す画像処理を実行する。また、画像処理部４２は、医用画像における体部Ｐ２を隠す画像処理を実行する。また、画像処理部４２は、医用画像における頭部Ｐ１を隠す画像処理を実行する。

【0051】

ステップＳ１４で、学習部４４は、前述したように、ステップＳ１２による尾部Ｐ３を隠す画像処理の実行後の医用画像と、正常医用画像とを学習用データとして用いた機械学習を行うことによって学習済みモデル３２Ａを生成する。また、学習部４４は、前述したように、ステップＳ１２による体部Ｐ２を隠す画像処理の実行後の医用画像と、正常医用画像とを学習用データとして用いた機械学習を行うことによって学習済みモデル３２Ｂを生成する。また、学習部４４は、前述したように、ステップＳ１２による頭部Ｐ１を隠す画像処理の実行後の医用画像と、正常医用画像とを学習用データとして用いた機械学習を行うことによって学習済みモデル３２Ｃを生成する。そして、学習部４４は、生成した学習済みモデル３２Ａ、３２Ｂ、３２Ｃを記憶部２２に記憶する制御を行う。ステップＳ１４の処理が終了すると、学習処理が終了する。

【0052】

図１１のステップＳ２０で、取得部５０は、診断対象画像を、ネットワークＩ／Ｆ２５を介して、画像保管サーバ１４から取得する。ステップＳ２２で、分割部５２は、前述したように、ステップＳ２０で取得された診断対象画像に含まれる膵臓を、頭部Ｐ１、体部Ｐ２、及び尾部Ｐ３の３つの部分領域に分割する。ステップＳ２４で、画像処理部５４は、診断対象画像における尾部Ｐ３を隠す画像処理を実行する。また、画像処理部５４は、診断対象画像における体部Ｐ２を隠す画像処理を実行する。また、画像処理部５４は、診断対象画像における頭部Ｐ１を隠す画像処理を実行する。

【0053】

ステップＳ２６で、生成部５６は、ステップＳ２４による尾部Ｐ３を隠す画像処理の実行後の診断対象画像を学習済みモデル３２Ａに入力することによって尾部推定医用画像を生成する。また、生成部５６は、ステップＳ２４による体部Ｐ２を隠す画像処理の実行後の診断対象画像を学習済みモデル３２Ｂに入力することによって体部推定医用画像を生成する。また、生成部５６は、ステップＳ２４による頭部Ｐ１を隠す画像処理の実行後の診断対象画像を学習済みモデル３２Ｃに入力することによって頭部推定医用画像を生成する。

【0054】

ステップＳ２８で、導出部５８は、ステップＳ２６で生成された尾部推定医用画像の尾部Ｐ３と診断対象画像の尾部Ｐ３との差分を表す値を導出する。また、導出部５８は、ステップＳ２６で生成された体部推定医用画像の体部Ｐ２と診断対象画像の体部Ｐ２との差分を表す値を導出する。また、導出部５８は、ステップＳ２６で生成された頭部推定医用画像の頭部Ｐ１と診断対象画像の頭部Ｐ１との差分を表す値を導出する。

【0055】

ステップＳ３０で、表示制御部６０は、ステップＳ２８で３つの推定医用画像ついて導出された差分を表す値の少なくとも１つが閾値以上であるか否かを判定する。この判定が肯定判定となった場合、処理はステップＳ３２に移行する。ステップＳ３２で、表示制御部６０は、前述したように、差分を表す値が閾値以上の推定医用画像の部分領域と、診断対象画像の推定対象の部分領域とを比較可能に表示する制御を行う。ステップＳ３２の処理が終了すると、診断支援処理が終了する。

【0056】

一方、ステップＳ３０の判定が否定判定となった場合、処理はステップＳ３４に移行する。ステップＳ３４で、表示制御部６０は、診断対象画像をディスプレイ２３に表示する制御を行う。ステップＳ３４の処理が終了すると、診断支援処理が終了する。

【0057】

以上説明したように、本実施形態によれば、異常が発生していない医用画像を精度良く生成することができる結果、読影者による医用画像の読影を効果的に支援することができる。

【0058】

［第２実施形態］
開示の技術の第２実施形態を説明する。なお、本実施形態に係る医療情報システム１の構成は、第１実施形態と同一であるため、説明を省略する。

【0059】

図１２を参照して、本実施形態に係る画像処理装置１０のハードウェア構成を説明する。第１実施形態に係る画像処理装置１０と同一の構成要素については、同一の符号を付して説明を省略する。図１２に示すように、本実施形態に係る画像処理装置１０の記憶部２２には、更に学習済みモデル３４が記憶される。

【0060】

学習済みモデル３４は、医用画像から病変及び間接所見等の異常の候補を検出するためのモデルである。学習済みモデル３４は、例えば、ＣＮＮによって構成される。学習済みモデル３４は、例えば、異常を含む医用画像と、その医用画像中の異常が存在する領域を特定した情報と、の多数の組み合わせを学習用データとして用いた機械学習によって学習されたモデルである。

【0061】

次に、本実施形態に係る画像処理装置１０の機能的な構成について説明する。学習済みモデル３２の学習フェーズにおける画像処理装置１０の機能的な構成については第１実施形態と同一であるため、説明を省略する。

【0062】

図１３を参照して、本実施形態に係る学習済みモデル３２の運用フェーズにおける画像処理装置１０の機能的な構成について説明する。第１実施形態に係る学習済みモデル３２の運用フェーズにおける画像処理装置１０と同一の機能を有する機能部については、同一の符号を付して説明を省略する。図１３に示すように、画像処理装置１０は、取得部５０、分割部５２、検出部５３、画像処理部５４Ａ、生成部５６Ａ、及び表示制御部６０Ａを含む。ＣＰＵ２０が画像処理プログラム３１を実行することにより、取得部５０、分割部５２、検出部５３、画像処理部５４Ａ、生成部５６Ａ、及び表示制御部６０Ａとして機能する。

【0063】

図１４に示すように、検出部５３は、診断対象画像に含まれる解剖学的領域の一例としての膵臓内の異常の候補を検出する処理を行う。具体的には、検出部５３は、診断対象画像を学習済みモデル３４に入力する。学習済みモデル３４は、入力の診断対象画像に含まれる膵臓内の異常の候補を検出し、検出した異常の候補が存在する領域を特定した情報を出力する。この情報は、例えば、診断対象画像内の異常の候補が存在する領域のボクセルに特定の値が格納された画像でもよいし、異常の候補が存在する頭部Ｐ１、体部Ｐ２、及び尾部Ｐ３の３つの部分領域の何れかを表す情報でもよい。

【0064】

画像処理部５４Ａは、検出部５３により検出された異常の候補が存在する部分領域を隠す画像処理を実行する。生成部５６Ａは、複数の学習済みモデル３２のうち、検出部５３により検出された異常の候補が存在する部分領域に対応する学習済みモデル３２のみを用いて、推定医用画像を生成する。具体的には、生成部５６Ａは、異常の候補が存在する部分領域に対応する学習済みモデル３２に対し、画像処理部５４Ａによる異常の候補が存在する部分領域を隠す画像処理の実行後の診断対象画像を入力することによって、推定医用画像を生成する。図１４では、破線で囲まれた尾部Ｐ３に異常の候補（例えば、尾部Ｐ３の萎縮）が検出され、尾部Ｐ３を隠す画像処理が実行され、その画像処理の実行後の診断対象画像が学習済みモデル３２Ａに入力されることによって尾部推定医用画像が生成される例を示している。

【0065】

表示制御部６０Ａは、生成部５６Ａにより生成された推定医用画像の異常の候補が存在する部分領域と、診断対象画像の推定対象の部分領域とを比較可能に表示する制御を行う。この比較可能に表示する制御の具体的な内容は第１実施形態と同様であるため、説明を省略する。

【0066】

次に、図１５を参照して、本実施形態に係る画像処理装置１０の作用を説明する。なお、本実施形態に係る学習処理は、第１実施形態に係る学習処理（図１０参照）と同一であるため、説明を省略する。ＣＰＵ２０が画像処理プログラム３１を実行することによって、図１５に示す診断支援処理が実行される。図１５に示す診断支援処理は、例えば、ユーザにより実行開始の指示が入力された場合に実行される。図１５における図１１と同一の処理を実行するステップについては、同一のステップ番号を付して説明を省略する。

【0067】

図１５のステップＳ２２の処理が終了すると、処理はステップＳ２３に移行する。ステップＳ２３で、検出部５３は、前述したように、診断対象画像に含まれる膵臓内の異常の候補を検出する処理を行う。ステップＳ２４Ａで、画像処理部５４Ａは、ステップＳ２３で検出された異常の候補が存在する部分領域を隠す画像処理を実行する。

【0068】

ステップＳ２６Ａで、生成部５６Ａは、前述したように、複数の学習済みモデル３２のうち、ステップＳ２３で検出された異常の候補が存在する部分領域に対応する学習済みモデル３２のみを用いて、推定医用画像を生成する。ステップＳ３２Ａで、表示制御部６０Ａは、ステップＳ２６Ａで生成された推定医用画像の異常の候補が存在する部分領域と、診断対象画像の推定対象の部分領域とを比較可能に表示する制御を行う。ステップＳ３２Ａの処理が終了すると、診断支援処理が終了する。

【0069】

以上説明したように、本実施形態によれば、第１実施形態と同様の効果を奏することができる。

【0070】

なお、上記各実施形態において、学習済みモデル３２として、ＧＡＮ（Generative Adversarial Network）と称される生成モデルを適用する形態としてもよい。この形態例における医用画像の膵臓の頭部Ｐ１及び体部Ｐ２に基づいて、その医用画像の膵臓の尾部Ｐ３を推定した推定医用画像を生成する学習済みモデル３２Ａの一例を図１６に示す。図１６に示すように、この形態例の学習済みモデル３２Ａは、生成器３３Ａ及び識別器３３Ｂを含む。生成器はＧｅｎｅｒａｔｏｒとも称され、識別器はＤｉｓｃｒｉｍｉｎａｔｏｒとも称される。生成器３３Ａ及び識別器３３Ｂの各々は、例えば、ＣＮＮによって構成される。

【0071】

学習部４４は、画像処理部４２による尾部Ｐ３を隠す画像処理の実行後の医用画像を生成器３３Ａに入力する。生成器３３Ａは、入力の医用画像に含まれる膵臓内の２つの部分領域である頭部Ｐ１及び体部Ｐ２に基づいて尾部Ｐ３を推定した推定医用画像を生成し、かつ出力する。識別器３３Ｂは、分割部４０による分割処理の実行前の医用画像と、生成器３３Ａから出力された推定医用画像とを比較することによって推定医用画像が本物の医用画像であるか又は偽物の医用画像であるかを識別する。そして、識別器３３Ｂは、識別結果として、推定医用画像が本物の医用画像であるか又は偽物の医用画像であるかを表す情報を出力する。識別結果の例としては、推定医用画像が本物の医用画像である確率が挙げられる。また、識別結果の例としては、推定医用画像が本物の医用画像であることを表す「１」及び偽物の医用画像であることを表す「０」のような２値が挙げられる。

【0072】

学習部４４は、生成器３３Ａがより本物の医用画像に近い推定医用画像を生成できるように生成器３３Ａを学習させる。また、学習部４４は、識別器３３Ｂがより高精度に推定医用画像が偽物の医用画像であると識別できるように識別器３３Ｂを学習させる。例えば、学習部４４は、生成器３３Ａのロスが小さくなると識別器３３Ｂのロスが大きくなるロス関数を用いて、生成器３３Ａの学習の際には生成器３３Ａのロスが最小化されるように学習させる。また、学習部４４は、そのロス関数を用いて、識別器３３Ｂの学習の際には識別器３３Ｂのロスが最小化されるように学習させる。学習済みモデル３２は、生成器３３Ａ及び識別器３３Ｂが多数の学習用データを用いて交互に学習されることによって得られるモデルである。また、この形態例において、更に、分割部４０による分割処理の実行前の医用画像と推定医用画像との間におけるReconstruction Lossと呼ばれるロスを学習に用いてもよい。

【0073】

図１６では、学習済みモデル３２ＡにＧＡＮを適用する例を示したが、学習済みモデル３２Ｂ、３２Ｃについても同様にＧＡＮを適用することが可能である。

【0074】

また、図１７に示すように、生成器３３Ａに入力される医用画像は、膵臓に異常が発生している医用画像に基づくものであってもよい。図１７では、尾部Ｐ３に萎縮が発生している例を示している。この形態例では、画像処理部４２は、異常が発生している尾部Ｐ３を隠す画像処理を実行する。学習部４４は、画像処理部４２による尾部Ｐ３を隠す画像処理の実行後の医用画像を生成器３３Ａに入力する。識別器３３Ｂは、膵臓に異常が発生していない医用画像と、生成器３３Ａから出力された推定医用画像とを比較することによって推定医用画像が本物の医用画像であるか又は偽物の医用画像であるかを識別する。この膵臓に異常が発生していない医用画像と、膵臓に異常が発生している医用画像とは同一の患者を撮影して得られたものであってもよいし、異なる患者を撮影して得られたものであってもよい。

【0075】

図１７では、尾部Ｐ３に異常が発生している医用画像に基づいて学習済みモデル３２Ａが学習される例を示したが、学習済みモデル３２Ｂ、３２Ｃについても同様の学習が可能である。この場合、学習済みモデル３２Ｂの学習には、体部Ｐ２に異常が発生している医用画像が用いられ、学習済みモデル３２Ｃの学習には、頭部Ｐ１に異常が発生している医用画像が用いられる。

【0076】

また、一例として図１８に示すように、学習済みモデル３２は、２つの識別器３３Ｂ１、３３Ｂ２を備えてもよい。この場合、例えば、識別器３３Ｂ１は、膵臓に異常が発生している医用画像と、生成器３３Ａから出力された推定医用画像とを比較することによって推定医用画像の膵臓の形状が正常であるか否かを識別する。また、この場合、識別器３３Ｂ２は、膵臓に異常が発生している医用画像と、生成器３３Ａから出力された推定医用画像とを比較することによって推定医用画像のＣＴ画像らしさを識別する。このＣＴ画像らしさは、例えば、ＣＴ値の統計値等から識別することができる。

【0077】

また、一例として図１９に示すように、この形態例において、識別器３３Ｂ１及び識別器３３Ｂ２は、正常医用画像と推定医用画像とを比較してもよい。この場合の正常医用画像と、膵臓に異常が発生している医用画像とは同一の患者を撮影して得られたものであってもよいし、異なる患者を撮影して得られたものであってもよい。

【0078】

また、上記各実施形態では、表示制御部６０、６０Ａは、推定医用画像の推定対象の部分領域と、診断対象画像の推定対象の部分領域とを比較可能に表示する制御を行う場合について説明したが、これに限定されない。表示制御部６０、６０Ａは、推定医用画像の推定対象の部分領域と、診断対象画像の推定対象の部分領域に対応する領域との差分を表す情報を表示する制御を行ってもよい。

【0079】

例えば、図２０に示すように、表示制御部６０、６０Ａは、推定医用画像の推定対象の部分領域と、診断対象画像の推定対象の部分領域に対応する領域とを重畳させ、かつこれらの部分領域の差分の領域を予め定められた色で塗りつぶした状態で表示する制御を行ってもよい。図２０の例では、推定医用画像の膵臓と診断対象画像の膵臓との差分の領域が斜線で塗りつぶされている。また、表示制御部６０、６０Ａは、この差分の領域の色を、差分を表す値に応じて異ならせてもよい。具体的には、例えば、表示制御部６０、６０Ａは、この差分の領域の各ボクセルについて、ＣＴ値の差分が小さいほど青色に近い色になるようにし、ＣＴ値の差分が大きいほど赤色に近い色となるようにしてもよい。

【0080】

また、例えば、表示制御部６０、６０Ａは、推定医用画像の推定対象の部分領域の輪郭と、診断対象画像の推定対象の部分領域に対応する領域の輪郭とを重畳して表示する制御を行ってもよい。

【0081】

また、例えば、表示制御部６０、６０Ａは、推定医用画像の推定対象の部分領域と、診断対象画像の推定対象の部分領域それぞれについて、ボリュームレンダリング又はサーフェスレンダリングを用いて画像を生成してもよい。この場合、表示制御部６０、６０Ａは、生成したそれぞれの画像を並べて表示する制御を行ってもよいし、重畳して表示する制御を行ってもよい。

【0082】

また、例えば、図２１に示すように、表示制御部６０、６０Ａは、推定医用画像の推定対象の部分領域と、診断対象画像の推定対象の部分領域に対応する領域との差異を表すテキストを表示する制御を行ってもよい。図２１では、診断対象画像の膵臓の尾部Ｐ３が萎縮している場合のテキストの例を示している。

【0083】

また、上記各実施形態では、処理対象の解剖学的領域として膵臓を適用し、解剖学的領域内の複数の部分領域として頭部、体部、及び尾部を適用する場合について説明したが、これに限定されない。例えば、処理対象の解剖学的領域として肝臓を適用し、解剖学的領域内の複数の部分領域としてＳ１～Ｓ８等の各区域を適用する形態としてよい。また、例えば、処理対象の解剖学的領域として小腸を適用し、解剖学的領域内の複数の部分領域として十二指腸、空腸、及び回腸を適用する形態としてよい。また、例えば、処理対象の解剖学的領域として膵臓を適用し、解剖学的領域内の複数の部分領域として膵実質及び膵管を適用する形態としてよい。

【0084】

また、上記各実施形態において、学習済みモデル３２として、頭部Ｐ１に基づいて体部Ｐ２を推定した推定医用画像を生成するモデルを適用してもよいし、頭部Ｐ１に基づいて尾部Ｐ３を推定した推定医用画像を生成するモデルを適用してもよい。また、学習済みモデル３２として、頭部Ｐ１に基づいて体部Ｐ２及び尾部Ｐ３を推定した推定医用画像を生成するモデルを適用してもよい。

【0085】

また、上記各実施形態において、学習済みモデル３２として、体部Ｐ２に基づいて頭部Ｐ１を推定した推定医用画像を生成するモデルを適用してもよいし、体部Ｐ２に基づいて尾部Ｐ３を推定した推定医用画像を生成するモデルを適用してもよい。また、学習済みモデル３２として、体部Ｐ２に基づいて頭部Ｐ１及び尾部Ｐ３を推定した推定医用画像を生成するモデルを適用してもよい。

【0086】

また、上記各実施形態において、学習済みモデル３２として、尾部Ｐ３に基づいて頭部Ｐ１を推定した推定医用画像を生成するモデルを適用してもよいし、尾部Ｐ３に基づいて体部Ｐ２を推定した推定医用画像を生成するモデルを適用してもよい。また、学習済みモデル３２として、尾部Ｐ３に基づいて頭部Ｐ１及び体部Ｐ２を推定した推定医用画像を生成するモデルを適用してもよい。

【0087】

また、上記各実施形態において、学習済みモデル３２Ａ、３２Ｂ、３２Ｃそれぞれにより推定された頭部Ｐ１、体部Ｐ２、及び尾部Ｐ３を合成した膵臓の推定医用画像を生成してもよい。

【0088】

また、上記各実施形態では、学習済みモデル３２がＣＮＮによって構成される場合について説明したが、これに限定されない。学習済みモデル３２は、ＣＮＮ以外の機械学習の手法によって構成されてもよい。

【0089】

また、上記各実施形態では、診断対象画像として、ＣＴ画像を適用した場合について説明したが、これに限定されない。診断対象画像として、単純Ｘ線撮影装置により撮影された放射線画像、及びＭＲＩ装置により撮影されたＭＲＩ画像等のＣＴ画像以外の医用画像を適用してもよい。

【0090】

また、上記各実施形態に係る診断支援処理のステップＳ２０～Ｓ２８、Ｓ２０～Ｓ２６Ａの処理は、ユーザにより実行開始の指示が入力される前に実行されてもよい。この場合、ユーザにより実行開始の指示が入力されると、ステップＳ３０以降の処理、又はステップＳ３２Ａが実行され、画面表示が行われる。

【0091】

また、上記各実施形態において、例えば、画像処理装置１０の各機能部のように各種の処理を実行する処理部（processing unit）のハードウェア的な構造としては、次に示す各種のプロセッサ（processor）を用いることができる。上記各種のプロセッサには、前述したように、ソフトウェア（プログラム）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵに加えて、ＦＰＧＡ（Field Programmable Gate Array）等の製造後に回路構成を変更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）、ＡＳＩＣ（Application Specific Integrated Circuit）等の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プロセッサである専用電気回路等が含まれる。

【0092】

１つの処理部は、これらの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み合わせ（例えば、複数のＦＰＧＡの組み合わせや、ＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。

【0093】

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み合わせで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使用する形態がある。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の１つ以上を用いて構成される。

【0094】

更に、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子などの回路素子を組み合わせた電気回路（circuitry）を用いることができる。

【0095】

また、上記実施形態では、学習プログラム３０及び画像処理プログラム３１が記憶部２２に予め記憶（インストール）されている態様を説明したが、これに限定されない。学習プログラム３０及び画像処理プログラム３１は、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）、ＤＶＤ－ＲＯＭ（Digital Versatile Disc Read Only Memory）、及びＵＳＢ（Universal Serial Bus）メモリ等の記録媒体に記録された形態で提供されてもよい。また、学習プログラム３０及び画像処理プログラム３１は、ネットワークを介して外部装置からダウンロードされる形態としてもよい。

【符号の説明】

【0096】

１ 医療情報システム
１０ 画像処理装置
１２ 撮影装置
１４ 画像保管サーバ
１８ ネットワーク
２０ ＣＰＵ
２１ メモリ
２２ 記憶部
２３ ディスプレイ
２４ 入力装置
２５ ネットワークＩ／Ｆ
２７ バス
３０ 学習プログラム
３１ 画像処理プログラム
３２、３２Ａ、３２Ｂ、３２Ｃ、３４ 学習済みモデル
３３Ａ 生成器
３３Ｂ、３３Ｂ１、３３Ｂ２ 識別器
４０、５２ 分割部
４２、５４、５４Ａ 画像処理部
４４ 学習部
５０ 取得部
５３ 検出部
５６、５６Ａ 生成部
５８ 導出部
６０、６０Ａ 表示制御部
Ｐ１ 頭部
Ｐ２ 体部
Ｐ３ 尾部

【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】