特開 2024-168570 画像処理装置、画像処理方法、及び画像処理プログラム

(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】P2024168570

(43)【公開日】2024-12-05

(54)【発明の名称】画像処理装置、画像処理方法、及び画像処理プログラム

(51)【国際特許分類】

   A61B 6/03 20060101AFI20241128BHJP

【ＦＩ】

A61B6/03 360T

A61B6/03 360J

【審査請求】未請求

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2023085371

(22)【出願日】2023-05-24

(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

(71)【出願人】

【識別番号】504150450

【氏名又は名称】国立大学法人神戸大学

(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】小笠原 彩

(72)【発明者】

【氏名】児玉 裕三

(72)【発明者】

【氏名】増田 充弘

(72)【発明者】

【氏名】村上 卓道

(72)【発明者】

【氏名】祖父江 慶太郎

【テーマコード（参考）】

4C093

【Ｆターム（参考）】

4C093AA22

4C093AA26

4C093CA18

4C093FB11

4C093FD03

4C093FF17

4C093FF18

(57)【要約】

【課題】医用画像に視認できない病変が存在する可能性があることを適切に提示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、医用画像に病変が存在する確率、及び前記医用画像における病変の見易さを表す視認度を導出し、確率が、医用画像に病変が存在することを表し、かつ視認度が、医用画像において病変が視認できないことを表す場合に、医用画像に視認できない病変が存在することを表す情報を報知する。
【選択図】図７

【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、
医用画像に病変が存在する確率、及び前記医用画像における病変の見易さを表す視認度を導出し、
前記確率が、前記医用画像に前記病変が存在することを表し、かつ前記視認度が、前記医用画像において前記病変が視認できないことを表す場合に、前記医用画像に視認できない病変が存在することを表す情報を報知する
画像処理装置。

【請求項2】

前記プロセッサは、更に、
前記確率が、前記医用画像に前記病変が存在することを表し、かつ前記視認度が、前記医用画像において前記病変が視認できないことを表す場合と、
前記確率が、前記医用画像に前記病変が存在することを表し、かつ前記視認度が、前記医用画像において前記病変が視認できることを表す場合と、
前記確率が、前記医用画像に前記病変が存在しないことを表す場合と、
のそれぞれの場合で、態様を異ならせて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3】

前記プロセッサは、
前記医用画像を入力とし、前記確率を出力とする学習済みモデルであって、複数組の前記医用画像及び前記確率を学習用データとして用いて学習された第１の学習済みモデルに対し、診断対象の医用画像を入力することによって前記確率を導出する
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、
前記医用画像を入力とし、前記視認度を出力とする学習済みモデルであって、複数組の前記医用画像及び前記視認度を学習用データとして用いて学習された第２の学習済みモデルに対し、診断対象の医用画像を入力することによって前記視認度を導出する
請求項１又は請求項２に記載の画像処理装置。

【請求項5】

前記プロセッサは、
前記確率が、前記医用画像に前記病変が存在することを表す場合、前記医用画像における前記病変が存在すると判断された領域部分を前記第２の学習済みモデルに対して入力することによって前記視認度を導出する
請求項４に記載の画像処理装置。

【請求項6】

前記プロセッサは、
前記医用画像における１つ以上の間接所見に基づいて、前記確率を導出する
請求項１又は請求項２に記載の画像処理装置。

【請求項7】

前記プロセッサは、
前記１つ以上の間接所見に基づいて、第１の前記確率を導出し、
前記医用画像に対して病変検出処理を実行することによって第２の前記確率を導出し、
前記第１の前記確率及び前記第２の前記確率に基づいて、第３の前記確率を導出し、
前記第３の前記確率が、前記医用画像に前記病変が存在することを表し、かつ前記視認度が、前記医用画像において前記病変が視認できないことを表す場合に、前記医用画像に視認できない病変が存在することを表す情報を報知する
請求項６に記載の画像処理装置。

【請求項8】

医用画像に病変が存在する確率、及び前記医用画像における病変の見易さを表す視認度を導出し、
前記確率が、前記医用画像に前記病変が存在することを表し、かつ前記視認度が、前記医用画像において前記病変が視認できないことを表す場合に、前記医用画像に視認できない病変が存在することを表す情報を報知する
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9】

医用画像に病変が存在する確率、及び前記医用画像における病変の見易さを表す視認度を導出し、
前記確率が、前記医用画像に前記病変が存在することを表し、かつ前記視認度が、前記医用画像において前記病変が視認できないことを表す場合に、前記医用画像に視認できない病変が存在することを表す情報を報知する
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。

【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、及び画像処理プログラムに関する。

【背景技術】

【0002】

特許文献１には、複数種類の病変の検出処理が行われた医用画像における病変の検出領域に対し、予め定められた条件に基づいて優先度を判定し、判定した優先度に応じて、医用画像において検出された検出領域の表示形態を変化させる技術が開示されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２１－０２９３８７号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

病変を有する患者の診断対象部位を撮影して得られた医用画像において、病変が医用画像に描出されない場合、もしくは、わずかに描出される場合がある。この場合、医用画像の読影者は、病変自体を視認できなくても病変の発生に伴う周辺組織の形状及び性状の変化に基づいて、病変の発生有無を判断する。従って、この場合、読影者を効果的に支援するために、医用画像に視認できない病変が存在する可能性があることを読影者に適切に提示することが好ましい。

【0005】

本開示は、以上の事情を鑑みてなされたものであり、医用画像に視認できない病変が存在する可能性があることを適切に提示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、医用画像に病変が存在する確率、及び医用画像における病変の見易さを表す視認度を導出し、確率が、医用画像に病変が存在することを表し、かつ視認度が、医用画像において病変が視認できないことを表す場合に、医用画像に視認できない病変が存在することを表す情報を報知する。

【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、更に、確率が、医用画像に病変が存在することを表し、かつ視認度が、医用画像において病変が視認できないことを表す場合と、確率が、医用画像に病変が存在することを表し、かつ視認度が、医用画像において病変が視認できることを表す場合と、確率が、医用画像に病変が存在しないことを表す場合と、のそれぞれの場合で、態様を異ならせて表示する制御を行う。

【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、医用画像を入力とし、確率を出力とする学習済みモデルであって、複数組の医用画像及び確率を学習用データとして用いて学習された第１の学習済みモデルに対し、診断対象の医用画像を入力することによって確率を導出する。

【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、医用画像を入力とし、視認度を出力とする学習済みモデルであって、複数組の医用画像及び視認度を学習用データとして用いて学習された第２の学習済みモデルに対し、診断対象の医用画像を入力することによって視認度を導出する。

【0010】

第５の態様の画像処理装置は、第４の態様の画像処理装置において、プロセッサは、確率が、医用画像に病変が存在することを表す場合、医用画像における病変が存在すると判断された領域部分を第２の学習済みモデルに対して入力することによって視認度を導出する。

【0011】

第６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、医用画像における１つ以上の間接所見に基づいて、確率を導出する。

【0012】

第７の態様の画像処理装置は、第６の態様の画像処理装置において、プロセッサは、１つ以上の間接所見に基づいて、第１の確率を導出し、医用画像に対して病変検出処理を実行することによって第２の確率を導出し、第１の確率及び第２の確率に基づいて、第３の確率を導出し、第３の確率が、医用画像に病変が存在することを表し、かつ視認度が、医用画像において病変が視認できないことを表す場合に、医用画像に視認できない病変が存在することを表す情報を報知する。

【0013】

第８の態様の画像処理方法は、医用画像に病変が存在する確率、及び医用画像における病変の見易さを表す視認度を導出し、確率が、医用画像に病変が存在することを表し、かつ視認度が、医用画像において病変が視認できないことを表す場合に、医用画像に視認できない病変が存在することを表す情報を報知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。

【0014】

第９の態様の画像処理プログラムは、医用画像に病変が存在する確率、及び医用画像における病変の見易さを表す視認度を導出し、確率が、医用画像に病変が存在することを表し、かつ視認度が、医用画像において病変が視認できないことを表す場合に、医用画像に視認できない病変が存在することを表す情報を報知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。

【発明の効果】

【0015】

本開示によれば、医用画像に視認できない病変が存在する可能性があることを適切に提示することができる。

【図面の簡単な説明】

【0016】

【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】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】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】病変が存在すると判断された領域の一例を示す図である。

【図6】第２の学習済みモデルを説明するための図である。

【図7】表示画面の一例を示す図である。

【図8】診断支援処理の一例を示すフローチャートである。

【図9】変形例に係る間接所見から病変が存在する確率を導出する処理を説明するための図である。

【図10】変形例に係る間接所見及び病変検出処理に基づいて病変が存在する確率を導出する処理を説明するための図である。

【図11】変形例に係る第２の学習済みモデルを説明するための図である。

【発明を実施するための形態】

【0017】

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。

【0018】

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。

【0019】

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。

【0020】

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。

【0021】

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。

【0022】

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、画像処理プログラム３０が記憶される。ＣＰＵ２０は、記憶部２２から画像処理プログラム３０を読み出してからメモリ２１に展開し、展開した画像処理プログラム３０を実行する。

【0023】

また、記憶部２２には、学習済みモデル３２及び学習済みモデル３４が記憶される。学習済みモデル３２及び学習済みモデル３４の詳細については後述する。

【0024】

ところで、病変を有する患者の診断対象部位を撮影して得られた医用画像において、病変が医用画像に描出されない場合、もしくは、わずかに描出される場合がある。この場合、医師等の読影者は、病変自体を視認できなくても病変の発生に伴う間接所見に基づいて、病変の発生有無を判断する。なお、本実施形態において、病変とは、がん、嚢胞、及び炎症等の直接的に治療を行う対象となる異常の領域を意味する。また、本実施形態において、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、読影者は、腹部ＣＴ画像の膵臓の領域において、膵がんが視認できなくても、間接所見の一例である膵管の拡張によって膵がんの発生を疑う。

【0025】

本実施形態に係る画像処理装置１０は、読影者を効果的に支援するために、医用画像に視認できない病変が存在する可能性があることを読影者に提示する機能を有する。

【0026】

次に、図３を参照して、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。図３に示すように、画像処理装置１０は、取得部４０、第１導出部４２、第２導出部４４、及び表示制御部４６を含む。ＣＰＵ２０が画像処理プログラム３０を実行することにより、取得部４０、第１導出部４２、第２導出部４４、及び表示制御部４６として機能する。

【0027】

取得部４０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。

【0028】

第１導出部４２は、学習済みモデル３２を用いて、取得部４０により取得された診断対象画像に病変が存在する確率（以下、「病変存在確率」という）を導出する。学習済みモデル３２は、医用画像を入力とし、病変存在確率を出力とする学習済みモデルであって、複数組の医用画像及びその医用画像における病変存在確率を学習用データ（教師データと称されることもある）として用いて学習された学習済みモデルである。学習済みモデル３２は、例えば、ＣＮＮ（Convolutional Neural Network）によって構成される。本実施形態に係る学習済みモデル３２は、病変存在確率として、病変が存在することを表す「病変あり」又は病変が存在しないことを表す「病変なし」を出力する。学習済みモデル３２が、開示の技術に係る第１の学習済みモデルの一例である。

【0029】

図４に示すように、第１導出部４２は、学習済みモデル３２に対し、取得部４０により取得された診断対象画像を入力する。学習済みモデル３２は、入力された診断対象画像に対応する病変存在確率を出力する。これにより、第１導出部４２は、病変存在確率を導出する。

【0030】

なお、学習済みモデル３２は、０以上１以下の数値を出力してもよい。この場合、第１導出部４２は、学習済みモデル３２の出力が閾値（例えば、０．５）以上の場合、「病変あり」と判定し、閾値未満の場合、「病変なし」と判定してもよい。

【0031】

また、図５に示すように、第１導出部４２は、学習済みモデル３２から出力された病変存在確率が「病変あり」の場合、診断対象画像における病変が存在すると判断される領域部分を特定する。具体的には、第１導出部４２は、学習済みモデル３２が「病変あり」を出力した場合における寄与率が一定値以上の領域を、診断対象画像における病変が存在すると判断される領域部分として特定する。この場合の寄与率は、例えば、Ｇｒａｄ－ＣＡＭ（Gradient-weighted Class Activation Mapping）等の公知の技術によって算出することができる。図５の例では、破線の内側の領域、すなわち、膵臓の頭部とその周辺の領域に、病変が存在すると判断された例を示している。

【0032】

第２導出部４４は、学習済みモデル３４を用いて、取得部４０により取得された診断対象画像における病変の見易さを表す視認度（以下、「病変視認度」という）を導出する。学習済みモデル３４は、医用画像を入力とし、病変視認度を出力とする学習済みモデルであって、複数組の医用画像及びその医用画像における病変視認度を学習用データとして用いて学習された学習済みモデルである。学習済みモデル３４は、例えば、ＣＮＮによって構成される。本実施形態に係る学習済みモデル３４は、病変視認度として、病変が視認できることを表す「視認可能」又は病変が視認できないことを表す「視認不可能」を出力する。学習済みモデル３４が、開示の技術に係る第２の学習済みモデルの一例である。

【0033】

図６に示すように、第２導出部４４は、第１導出部４２により特定された診断対象画像における病変が存在すると判断される領域部分を学習済みモデル３４に対して入力する。学習済みモデル３４は、入力の領域部分に対応する病変視認度を出力する。これにより、第２導出部４４は、病変視認度を導出する。

【0034】

なお、第２導出部４４は、０以上１以下の数値を出力してもよい。この場合、第２導出部４４は、学習済みモデル３４の出力が閾値（例えば、０．５）以上の場合、「視認可能」と判定し、閾値未満の場合、「視認不可能」と判定してもよい。

【0035】

表示制御部４６は、第１導出部４２により導出された病変存在確率が「病変あり」であり、かつ第２導出部４４により導出された病変視認度が「視認不可能」である場合に、診断対象画像に視認できない病変が存在することを表す情報を報知する。具体的には、この場合、一例として図７に示すように、表示制御部４６は、診断対象画像、第１導出部４２により特定された診断対象画像における病変が存在すると判断される領域部分を表す情報、及び診断対象画像に視認できない病変が存在する可能性がある旨のメッセージをディスプレイ２３に表示する制御を行う。図７の例では、第１導出部４２により特定された診断対象画像における病変が存在すると判断される領域部分の輪郭を破線で表している。

【0036】

なお、表示制御部４６は、以下の（１）、（２）、及び（３）のそれぞれの場合で、態様を異ならせて表示する制御を行ってもよい。
（１）病変存在確率が「病変あり」であり、かつ病変視認度が「視認不可能」である場合
（２）病変存在確率が「病変あり」であり、かつ病変視認度が「視認可能」である場合
（３）病変存在確率が「病変なし」の場合

【0037】

この場合、表示制御部４６は、（１）では、前述したように、診断対象画像、第１導出部４２により特定された診断対象画像における病変が存在すると判断される領域部分を表す情報、及び診断対象画像に視認できない病変が存在する可能性がある旨のメッセージをディスプレイ２３に表示する制御を行う。また、この場合、（２）では、表示制御部４６は、診断対象画像、及び第１導出部４２により特定された診断対象画像における病変が存在すると判断される領域部分を表す情報をディスプレイ２３に表示する制御を行う。また、この場合、（３）では、表示制御部４６は、診断対象画像及び病変が存在しない可能性が高い旨のメッセージをディスプレイ２３に表示する制御を行う。このように、表示制御部４６が、（１）～（３）のそれぞれの場合を、区別可能に表示する制御を行うことによって、読影者は、病変の有無及び病変が視認可能であるか否かを容易に把握することができる。

【0038】

また、この形態例において、表示制御部４６は、病変視認度に応じて診断対象画像における病変が存在すると判断される領域部分の輪郭の線の種別、太さ、又は色等を異ならせることによって病変視認度を区別可能にしてもよい。また、表示制御部４６は、病変視認度毎に予め割り当てられたマークを病変が存在すると判断される領域部分の近傍に表示する制御を行うことによって病変視認度を区別可能にしてもよい。また、表示制御部４６は、病変視認度が数値である場合、その数値をディスプレイ２３に表示する制御を行ってもよい。

【0039】

また、表示制御部４６は、第１導出部４２により特定された診断対象画像における病変が存在すると判断される領域部分を予め設定された色で塗りつぶしてもよい。また、表示制御部４６は、病変視認度が「視認可能」である領域部分については、その領域部分を表す情報を表示しなくてもよい。

【0040】

次に、図８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が画像処理プログラム３０を実行することによって、図８に示す診断支援処理が実行される。図８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。

【0041】

図８のステップＳ１０で、取得部４０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Ｓ１２で、第１導出部４２は、前述したように、学習済みモデル３２を用いて、ステップＳ１０で取得された診断対象画像の病変存在確率を導出する。ステップＳ１４で、第１導出部４２は、ステップＳ１２で導出された病変存在確率が「病変あり」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Ｓ１６に移行する。

【0042】

ステップＳ１６で、第１導出部４２は、前述したように、ステップＳ１０で取得された診断対象画像における病変が存在すると判断される領域部分を特定する。ステップＳ１８で、第２導出部４４は、前述したように、学習済みモデル３４を用いて、ステップＳ１０で取得された診断対象画像の病変視認度を導出する。

【0043】

ステップＳ２０で、表示制御部４６は、ステップＳ１８で導出された病変視認度が「視認不可能」であるか否かを判定する。この判定が否定判定となった場合、処理はステップＳ２４に移行し、肯定判定となった場合、処理はステップＳ２２に移行する。ステップＳ２２で、表示制御部４６は、診断対象画像、ステップＳ１６で特定された領域部分を表す情報、及び診断対象画像に視認できない病変が存在する可能性がある旨のメッセージをディスプレイ２３に表示する制御を行う。ステップＳ２２の処理が終了すると、診断支援処理が終了する。ステップＳ２４で、表示制御部４６は、診断対象画像、及びステップＳ１６で特定された領域部分を表す情報をディスプレイ２３に表示する制御を行う。ステップＳ２４の処理が終了すると、診断支援処理が終了する。

【0044】

ステップＳ１４の判定が否定判定となった場合、処理はステップＳ２６に移行する。ステップＳ２６で、表示制御部４６は、診断対象画像及び病変が存在しない可能性が高い旨のメッセージをディスプレイ２３に表示する制御を行う。ステップＳ２６の処理が終了すると、診断支援処理が終了する。

【0045】

以上説明したように、本実施形態によれば、医用画像に視認できない病変が存在する可能性があることを適切に提示することができる。

【0046】

なお、上記実施形態では、第１導出部４２は、学習済みモデル３２を用いて、病変存在確率を導出する場合について説明したが、これに限定されない。一例として図９に示すように、第１導出部４２は、診断対象画像における１つ以上の間接所見に基づいて、病変存在確率を導出してもよい。図９の例では、第１導出部４２は、膵臓の頭部に腫大が発生している及び膵臓の尾部に萎縮が発生しているという２つの間接所見に基づいて、病変存在確率として「病変あり」を導出している。この場合、膵臓にがんが存在することが疑われる。この場合、第１導出部４２は、１つ以上の間接所見と病変名とが対応付けられたルックアップテーブルを用いて、病変存在確率を導出してもよい。

【0047】

この場合、第１導出部４２は、医用画像を入力とし、間接所見を表す情報を出力とする学習済みモデルであって、複数組の医用画像及びその医用画像に存在する間接所見を表す情報を学習用データとして用いて学習された学習済みモデルを用いて、間接所見を導出してもよい。

【0048】

また、一例として図１０に示すように、第１導出部４２は、診断対象画像における１つ以上の間接所見に基づいて、第１の病変存在確率を導出し、診断対象画像に対して病変検出処理を実行することによって第２の病変存在確率を導出してもよい。この場合の病変検出処理は、上記実施形態と同様に学習済みモデル３２を用いた処理でもよいし、公知の病変検出アルゴリズムを用いた処理でもよい。また、この場合、第１導出部４２は、第１の病変存在確率及び第２の病変存在確率に基づいて、第３の病変存在確率を導出してもよい。例えば、第１導出部４２は、第１の病変存在確率及び第２の病変存在確率の少なくとも一方が「病変あり」の場合、第３の病変存在確率として「病変あり」を導出する。また、第１導出部４２は、第１の病変存在確率及び第２の病変存在確率の両方が「病変なし」の場合、第３の病変存在確率として「病変なし」を導出する。この場合、表示制御部４６は、第３の病変存在確率が「病変あり」であり、かつ病変視認度が「視認不可能」である場合に、診断対象画像に視認できない病変が存在することを表す情報を報知してもよい。図１０の例では、破線の内側の領域が病変検出処理によって検出された病変が存在すると判断された領域を表している。

【0049】

また、この場合、表示制御部４６は、更に、診断対象画像において間接所見によって「病変あり」と判断された部分と、病変検出処理によって「病変あり」と判断された部分とを区別可能に表示する制御を行ってもよい。

【0050】

また、上記実施形態では、第２導出部４４は、第１導出部４２により特定された診断対象画像における病変が存在すると判断される領域部分を学習済みモデル３４に対して入力することによって病変視認度を導出する場合について説明したが、これに限定されない。一例として図１１に示すように、第２導出部４４は、学習済みモデル３２への入力画像と同じ画像（すなわち、診断対象画像）を学習済みモデル３４に対して入力することによって病変視認度を導出してもよい。

【0051】

また、上記実施形態では、第２導出部４４は、学習済みモデル３４を用いて、診断対象画像における病変視認度を導出する場合について説明したが、これに限定されない。第２導出部４４は、ＣＴ値の分散及び周辺領域とのＣＴ値の平均値の差等に基づいて、病変視認度を導出してもよい。

【0052】

また、上記実施形態では、学習済みモデル３２及び学習済みモデル３４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及び学習済みモデル３４は、ＣＮＮ以外の機械学習の手法によって構成されてもよい。

【0053】

また、上記実施形態では、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。

【0054】

また、上記実施形態に係る診断支援処理のステップＳ１０～Ｓ１２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Ｓ１４以降が実行され、画面表示が行われる。

【0055】

また、上記実施形態において、例えば、取得部４０、第１導出部４２、第２導出部４４、及び表示制御部４６といった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。

【0056】

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。

【0057】

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。

【0058】

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。

【0059】

また、上記実施形態では、画像処理プログラム３０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。画像処理プログラム３０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、画像処理プログラム３０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】

【0060】

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 画像処理プログラム
３２、３４ 学習済みモデル
４０ 取得部
４２ 第１導出部
４４ 第２導出部
４６ 表示制御部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】