特開 2024-168571 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】P2024168571

(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 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 2023085372

(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】武井 瑞希

(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

4C093CA15

4C093FB11

4C093FD03

4C093FF16

4C093FF17

(57)【要約】

【課題】医用画像から高精度に異常を検出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、医用画像に基づいて、対象臓器の形状情報を抽出し、形状情報に基づいて、対象臓器の形状正常度を導出し、医用画像、形状情報、及び形状正常度に基づいて、医用画像に対して異常検出処理を実行する。
【選択図】図６

【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、
医用画像に基づいて、対象臓器の形状情報を抽出し、
前記形状情報に基づいて、前記対象臓器の形状正常度を導出し、
前記医用画像、前記形状情報、及び前記形状正常度に基づいて、前記医用画像に対して異常検出処理を実行する
画像処理装置。

【請求項2】

前記形状正常度は、前記対象臓器の形状の正常度を表す下限値以上上限値以下の数値である
請求項１に記載の画像処理装置。

【請求項3】

前記形状正常度は、前記形状情報の抽出結果の分類を表す分類情報である
請求項１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、前記形状情報、及び前記形状正常度を入力とし、前記対象臓器の異常に関する異常情報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、前記形状情報、前記形状正常度、及び前記異常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に対し、診断対象の医用画像、その医用画像の前記形状情報、及び前記形状正常度を入力することによって前記異常検出処理を実行する
請求項１から請求項３の何れか１項に記載の画像処理装置。

【請求項5】

前記プロセッサは、
前記医用画像及び前記形状情報を入力とし、前記対象臓器の異常に関する異常情報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、前記形状情報、及び前記異常情報を学習用データとして用いて前記形状正常度毎に学習された複数の学習済みモデルのうち、診断対象の医用画像について導出された前記形状正常度に対応する学習済みモデルに対し、前記診断対象の医用画像、及びその医用画像の前記形状情報を入力することによって前記異常検出処理を実行する
請求項１から請求項３の何れか１項に記載の画像処理装置。

【請求項6】

前記プロセッサは、
前記形状正常度が、対象臓器の形状が正常であること以外を表す場合、前記異常検出処理が実行不可能であること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7】

前記プロセッサは、
前記異常検出処理の実行結果、及び前記形状正常度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8】

医用画像に基づいて、対象臓器の形状情報を抽出し、
前記形状情報に基づいて、前記対象臓器の形状正常度を導出し、
前記医用画像、前記形状情報、及び前記形状正常度に基づいて、前記医用画像に対して異常検出処理を実行する
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】

医用画像に基づいて、対象臓器の形状情報を抽出し、
前記形状情報に基づいて、前記対象臓器の形状正常度を導出し、
前記医用画像、前記形状情報、及び前記形状正常度に基づいて、前記医用画像に対して異常検出処理を実行する
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、医用画像から血管領域を抽出し、血管領域を血管要素毎に分割し、血管要素それぞれの３次元形状を計測して形状データを生成す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】再公表特許２０１７／０４７８１９号

【発明の概要】

【発明が解決しようとする課題】

【0004】

医用画像に対して異常検出処理を行う場合、対象臓器の形状情報を用いることによって、高精度に異常を検出することができる。しかしながら、対象臓器の形状を正しく抽出できなかった場合、及び対象臓器の形状を正しく抽出できたとしても対象臓器の形状が特殊な形状である場合、異常検出の精度が低下してしまう場合がある。

【0005】

本開示は、以上の事情を鑑みてなされたものであり、医用画像から高精度に異常を検出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、医用画像に基づいて、対象臓器の形状情報を抽出し、形状情報に基づいて、対象臓器の形状正常度を導出し、医用画像、形状情報、及び形状正常度に基づいて、医用画像に対して異常検出処理を実行する。

【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、形状正常度は、対象臓器の形状の正常度を表す下限値以上上限値以下の数値である。

【0008】

第３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、形状正常度は、形状情報の抽出結果の分類を表す分類情報である。

【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、形状情報、及び形状正常度を入力とし、対象臓器の異常に関する異常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、形状情報、形状正常度、及び異常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に対し、診断対象の医用画像、その医用画像の形状情報、及び形状正常度を入力することによって異常検出処理を実行する。

【0010】

第５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、医用画像及び形状情報を入力とし、対象臓器の異常に関する異常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、形状情報、及び異常情報を学習用データとして用いて形状正常度毎に学習された複数の学習済みモデルのうち、診断対象の医用画像について導出された形状正常度に対応する学習済みモデルに対し、診断対象の医用画像、及びその医用画像の形状情報を入力することによって異常検出処理を実行する。

【0011】

第６の態様の画像処理装置は、第１の態様から第５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、形状正常度が、対象臓器の形状が正常であること以外を表す場合、異常検出処理が実行不可能であることを表示する制御を行う。

【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、プロセッサは、異常検出処理の実行結果、及び形状正常度を表示する制御を行う。

【0013】

第８の態様の画像処理方法は、医用画像に基づいて、対象臓器の形状情報を抽出し、形状情報に基づいて、対象臓器の形状正常度を導出し、医用画像、形状情報、及び形状正常度に基づいて、医用画像に対して異常検出処理を実行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、医用画像に基づいて、対象臓器の形状情報を抽出し、形状情報に基づいて、対象臓器の形状正常度を導出し、医用画像、形状情報、及び形状正常度に基づいて、医用画像に対して異常検出処理を実行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、医用画像から高精度に異常を検出することができる。

【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】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】表示画面の一例を示す図である。

【図8】表示画面の一例を示す図である。

【図9】表示画面の一例を示す図である。

【図10】表示画面の一例を示す図である。

【図11】診断支援処理の一例を示すフローチャートである。

【図12】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。

【図13】変形例に係る第３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、学習済みモデル３４、及び学習済みモデル３６が記憶される。学習済みモデル３２、学習済みモデル３４、及び学習済みモデル３６の詳細については後述する。

【0024】

ところで、医用画像から対象臓器を抽出する場合、対象臓器の形状を正しく抽出できなかったり、対象臓器の形状を正しく抽出できたとしても対象臓器の形状が特殊な形状であったりする場合がある。この場合、その対象臓器に対して異常検出処理を実行すると、異常検出の精度が低下してしまう場合がある。なお、対象臓器の形状が特殊な形状である場合とは、例えば、手術による切除によって対象臓器の一部が欠損している場合等が該当する。

【0025】

そこで、本実施形態に係る画像処理装置１０は、医用画像からの対象臓器の抽出結果に基づいて、異常検出の精度の低下を抑制する機能を有する。以下では、対象臓器として膵臓を適用した例を説明する。

【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、抽出部４２、導出部４４、検出部４６、及び表示制御部４８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、抽出部４２、導出部４４、検出部４６、及び表示制御部４８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】

抽出部４２は、取得部４０により取得された診断対象画像と学習済みモデル３２とに基づいて、対象臓器の形状情報を抽出する。学習済みモデル３２は、医用画像を入力とし、対象臓器の形状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おける対象臓器の形状情報を学習用データ（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、対象臓器の形状情報として、入力の医用画像における対象臓器の領域を特定した情報を出力する。この情報は、対象臓器の形状を特定可能な情報であればよく、例えば、医用画像における対象臓器の領域のボクセル位置を表す情報でもよいし、医用画像における対象臓器の領域が予め設定された色で塗りつぶされた画像でもよい。

【0029】

図４に示すように、抽出部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対象臓器の形状情報を出力する。これにより、抽出部４２は、診断対象画像から対象臓器の形状情報を抽出する。図４の例では、対象臓器の形状情報が表す膵臓の領域が斜線で塗りつぶされている。なお、対象臓器の抽出には、テンプレートマッチング又はＣＴ値に対する閾値処理等の学習済みモデル３２を用いる手法以外の公知の手法を適用してもよい。

【0030】

導出部４４は、抽出部４２により抽出された形状情報と学習済みモデル３４とに基づいて、対象臓器の形状正常度を導出する。学習済みモデル３４は、対象臓器の形状情報を入力とし、対象臓器の形状正常度を出力とする学習済みモデルであって、複数組の形状情報及びその形状情報が表す対象臓器の形状正常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、対象臓器の形状正常度として、対象臓器の形状の正常度を表す下限値以上上限値以下の数値を出力する。本実施形態では、形状正常度は０以上１以下の数値であり、値が１に近いほど形状が正常に近いことを表している。

【0031】

図５に示すように、導出部４４は、学習済みモデル３４に対し、抽出部４２により抽出された形状情報を入力する。学習済みモデル３４は、入力された形状情報に対応する対象臓器の形状正常度を出力する。これにより、導出部４４は、対象臓器の形状正常度を導出する。

【0032】

検出部４６は、取得部４０により取得された診断対象画像と、抽出部４２により抽出された形状情報と、導出部４４により導出された形状正常度と、学習済みモデル３６とに基づいて、診断対象画像に対して異常検出処理を実行する。本実施形態における異常検出処理とは、診断対象画像に含まれる対象臓器内の異常を検出する処理である。本実施形態における異常検出処理によって検出対象とされる異常は、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を含む。また、検出対象とされる異常は、病変に加えて、病変の周辺に発生する形状及び性状の少なくとも一方が異常な部分も含む。この異常な部分は、間接所見とも呼ばれる。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】

学習済みモデル３６は、医用画像、その医用画像に含まれる対象臓器の形状情報、及びその形状情報が表す対象臓器の形状正常度を入力とし、対象臓器の異常に関する情報（以下、「異常情報」という）を出力とする学習済みモデルである。また、学習済みモデル３６は、複数組の医用画像、形状情報、形状正常度、及び異常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である。学習済みモデル３６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３６は、異常情報として、入力の医用画像の対象臓器内の異常を含む領域（以下、「異常領域」という）を特定した情報、及びその異常の確信度を出力する。異常領域を特定した情報は、異常領域を特定可能な情報であればよく、例えば、医用画像における異常領域のボクセル位置を表す情報でもよいし、医用画像における異常領域が予め設定された色で塗りつぶされた画像でもよい。

【0034】

図６に示すように、検出部４６は、学習済みモデル３６に対し、取得部４０により取得された診断対象画像、抽出部４２により抽出された形状情報、及び導出部４４により導出された形状正常度を入力する。学習済みモデル３６は、入力された診断対象画像、形状情報、及び形状正常度に対応する異常情報を出力する。これにより、検出部４６は、診断対象画像に対して異常検出処理を実行する。

【0035】

表示制御部４８は、検出部４６による異常検出処理の実行結果をディスプレイ２３に表示する制御を行う。一例として図７に示すように、表示制御部４８は、異常情報に確信度が閾値（例えば、０．５）以上の異常が含まれる場合、異常検出処理の実行結果として、診断対象画像と、異常領域を表す情報と、異常が存在する旨のメッセージとをディスプレイ２３に表示する制御を行う。図７では、異常検出処理により破線の内側の領域が異常領域として検出された例を示している。

【0036】

また、一例として図８に示すように、表示制御部４８は、異常情報に確信度が閾値以上の異常が含まれない場合、異常検出処理の実行結果として、診断対象画像と、異常が検出されなかった旨のメッセージとをディスプレイ２３に表示する制御を行う。

【0037】

なお、図９に示すように、表示制御部４８は、異常検出処理の実行結果に加えて、更に、導出部４４により導出された形状正常度をディスプレイ２３に表示する制御を行ってもよい。

【0038】

また、図１０に示すように、表示制御部４８は、導出部４４により導出された形状正常度が、対象臓器の形状が正常であること以外を表す場合、異常検出処理が実行不可能であることを表示する制御を行ってもよい。図１０の例では、対象臓器が正しく抽出できなかったために、異常検出処理が実行できなかった旨のメッセージが表示されている。形状正常度が、対象臓器の形状が正常であること以外を表す場合とは、例えば、形状正常度が閾値（例えば、０．５）以下の場合等である。

【0039】

次に、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が画像処理プログラム３０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１１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。

【0040】

図１１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、抽出部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と学習済みモデル３２とに基づいて、対象臓器の形状情報を抽出する。ステップＳ１４で、導出部４４は、前述したように、ステップＳ１２で抽出された形状情報と学習済みモデル３４とに基づいて、対象臓器の形状正常度を導出する。

【0041】

ステップＳ１６で、検出部４６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と、ステップＳ１２で抽出された形状情報と、ステップＳ１４で導出された形状正常度と、学習済みモデル３６とに基づいて、診断対象画像に対して異常検出処理を実行する。ステップＳ１８で、表示制御部４８は、前述したように、ステップＳ１６での異常検出処理の実行結果をディスプレイ２３に表示する制御を行う。ステップＳ１８の処理が終了すると、診断支援処理が終了する。

【0042】

以上説明したように、本実施形態によれば、医用画像から高精度に異常を検出することができる。

【0043】

なお、上記実施形態では、学習済みモデル３４は、対象臓器の形状正常度として、対象臓器の形状の正常度を表す下限値以上上限値以下の数値を出力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、図１２に示すように、学習済みモデル３４は、対象臓器の形状正常度として、抽出部４２による形状情報の抽出結果の分類を表す分類情報を出力する形態としてもよい。この場合の分類情報の例としては、抽出部４２により正常な対象臓器の形状情報を抽出できたことを表す「正常」、抽出部４２による形状情報の抽出が失敗したことを表す「抽出失敗」、又は抽出部４２により対象臓器の形状情報が抽出されたが、その対象臓器の形状が特殊な形状であったことを表す「特殊形状」等が挙げられる。この形態例では、形状正常度が「抽出失敗」又は「特殊形状」である場合に、対象臓器の形状が正常であること以外を表すと判断される。

【0044】

また、図１３に示すように、学習済みモデル３６は、形状正常度毎に学習された複数の学習済みモデルであってもよい。図１３の例では、学習済みモデル３６Ａは、形状正常度が「正常」である医用画像、形状情報、及び異常情報の複数の組を用いて学習された形状正常度が「正常」用の学習済みモデルである。また、図１３の例では、学習済みモデル３６Ｂは、形状正常度が「抽出失敗」である医用画像及び異常情報の複数の組を用いて学習された形状正常度が「抽出失敗」用の学習済みモデルである。また、図１３の例では、学習済みモデル３６Ｃは、形状正常度が「特殊形状」である医用画像、形状情報、及び異常情報の複数の組を用いて学習された形状正常度が「特殊形状」用の学習済みモデルである。

【0045】

この形態例では、検出部４６は、複数の学習済みモデル３６のうち、導出部４４により導出された形状正常度に対応する学習済みモデル３６に対し、診断対象画像及び形状情報を入力することによって異常検出処理を実行する。なお、形状正常度が数値の場合、学習済みモデル３６は、０以上１／３未満、１／３以上２／３未満、及び２／３以上１以下のように、異なる数値範囲の形状正常度毎に学習された複数の学習済みモデルであってもよい。

【0046】

また、上記実施形態では、学習済みモデル３２、３４、３６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、３４、３６は、ＣＮＮ以外の機械学習の手法によって構成されてもよい。

【0047】

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。

【0048】

また、上記実施形態に係る診断支援処理のステップＳ１０～Ｓ１６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Ｓ１８が実行され、画面表示が行われる。

【0049】

また、上記実施形態において、例えば、取得部４０、抽出部４２、導出部４４、検出部４６、及び表示制御部４８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。

【0050】

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。

【0051】

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。

【0052】

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。

【0053】

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】

【0054】

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、３６、３６Ａ、３６Ｂ、３６Ｃ 学習済みモデル
４０ 取得部
４２ 抽出部
４４ 導出部
４６ 検出部
４８ 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】

【図12】

【図13】