ホーム > 特許ランキング > 国立大学法人千葉大学
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】P2024168639
(43)【公開日】2024-12-05
(54)【発明の名称】生体内可視化装置
(51)【国際特許分類】
A61B 5/0536 20210101AFI20241128BHJP
【ＦＩ】
A61B5/0536
【審査請求】未請求
【請求項の数】6
【出願形態】ＯＬ
(21)【出願番号】P 2023085482
(22)【出願日】2023-05-24
【新規性喪失の例外の表示】特許法第３０条第２項適用申請有り （１） 発行日（公開日） ２０２２年５月２５日 刊行物名 日本機械学会論文集 発行者 一般社団法人日本機械学会（Ｗｅｂ公開ＵＲＬ ＤＯＩ： ｈｔｔｐｓ：／／ｄｏｉ．ｏｒｇ／１０．１２９９／ｔｒａｎｓｊｓｍｅ．２２－０００９０ ） ＜資 料＞ 日本機械学会論文集 Ｗｅｂ公開ページ ＜資 料＞ 日本機械学会論文集 Ｗｅｂ公開 研究論文 （２） 発行日（公開日） ２０２２年６月２４日 刊行物名 第６１回日本生体医工学会大会 予稿集／抄録 発行者 公益社団法人日本生体医工学会 ＊参加者専用パスワードにて、参加者のみ閲覧可 （３） 公開日 ２０２２年６月２８日（会期：２０２２年６月２８日～３０日） 集会名 開催場所 第６１回日本生体医工学会大会 朱鷺メッセ（新潟コンベンションセンター） （新潟県新潟市中央区万代島６番１号） 主催 公益社団法人日本生体医工学会 ＜資 料＞ 第６１回日本生体医工学会大会 開催概要 ＜資 料＞ 第６１回日本生体医工学会大会 プログラム及び抄録 ＜資 料＞ 第６１回日本生体医工学会大会 発表資料 （４） 発行日（公開日） ２０２２年１１月７日 刊行物名 ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｓｔｒｕｍｅｎｔａｔｉｏｎ ａｎｄ Ｍｅａｓｕｒｅｍｅｎｔ 発行者 Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｅｌｅｃｔｒｉｃａｌ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ Ｅｎｇｉｎｅｅｒｓ（Ｗｅｂ公開ＵＲＬ ＤＯＩ： ｈｔｔｐｓ：／／ｄｏｉ．ｏｒｇ／１０．１１０９／ＴＩＭ．２０２２．３２２０２８２ ） ＜資 料＞ ＩＥＥＥ 研究論文 Ｗｅｂ公開ページ
【国等の委託研究の成果に係る記載事項】（出願人による申告）令和４年度、国立研究開発法人科学技術振興機構、研究成果展開事業大学発新産業創出プログラム「リンパ浮腫トモグラフィック・モニタ（ＬＴモニタ）の実用化開発」委託研究、産業技術力強化法第１７条の適用を受ける特許出願
(71)【出願人】
【識別番号】304021831
【氏名又は名称】国立大学法人千葉大学
(74)【代理人】
【識別番号】100149548
【弁理士】
【氏名又は名称】松沼 泰史
(74)【代理人】
【識別番号】100181722
【弁理士】
【氏名又は名称】春田 洋孝
(74)【代理人】
【識別番号】100153763
【弁理士】
【氏名又は名称】加藤 広之
(72)【発明者】
【氏名】武居 昌宏
(72)【発明者】
【氏名】小川 良磨
【テーマコード（参考）】
4C127
【Ｆターム（参考）】
4C127AA06
4C127BB05
4C127GG13
4C127HH13
(57)【要約】
【課題】時間・空間における局所的な変化を特定可能な生体内可視化装置を提供する。
【解決手段】実施形態に係る生体内可視化装置は、互いに間隔をあけて被験者の皮膚に配置可能な複数の電極を備えるセンサを有し、皮膚に各電極が接触した状態で、各電極間に電流又は電位差を印加し、電流を印加する場合は電流印加電圧測定パターンに基づき電位差および位相である第１測定データを測定し、各電極間に電位差を印加する場合は電圧印加電流測定パターンに基づき電流および位相である第２測定データを測定する、電流電圧印加測定部と、第１測定データまたは前記第２測定データと所定のパラメータとに基づき、前記被験者の体内の電気物性分布を作成する画像再構成部と、電気物性分布に対して対象領域を識別化する識別化処理を行い、識別後電気物性分布を作成する、対象領域識別部と、を備える。
【選択図】図１
【解決手段】実施形態に係る生体内可視化装置は、互いに間隔をあけて被験者の皮膚に配置可能な複数の電極を備えるセンサを有し、皮膚に各電極が接触した状態で、各電極間に電流又は電位差を印加し、電流を印加する場合は電流印加電圧測定パターンに基づき電位差および位相である第１測定データを測定し、各電極間に電位差を印加する場合は電圧印加電流測定パターンに基づき電流および位相である第２測定データを測定する、電流電圧印加測定部と、第１測定データまたは前記第２測定データと所定のパラメータとに基づき、前記被験者の体内の電気物性分布を作成する画像再構成部と、電気物性分布に対して対象領域を識別化する識別化処理を行い、識別後電気物性分布を作成する、対象領域識別部と、を備える。
【選択図】図１
【特許請求の範囲】
【請求項1】
互いに間隔をあけて被験者の皮膚に配置可能な複数の電極を備えるセンサを有し、
前記皮膚に前記各電極が接触した状態で、前記各電極間に電流又は電位差を印加し、前記電流を印加する場合は電流印加電圧測定パターンに基づき電位差および位相である第１測定データを測定し、前記各電極間に前記電位差を印加する場合は電圧印加電流測定パターンに基づき電流および位相である第２測定データを測定する、電流電圧印加測定部と、
前記第１測定データまたは前記第２測定データと所定のパラメータとに基づき、前記被験者の体内の電気物性分布を作成する画像再構成部と、
前記電気物性分布に対して対象領域を識別化する識別化処理を行い、識別後電気物性分布を作成する、対象領域識別部と、
を備える、生体内可視化装置。
前記皮膚に前記各電極が接触した状態で、前記各電極間に電流又は電位差を印加し、前記電流を印加する場合は電流印加電圧測定パターンに基づき電位差および位相である第１測定データを測定し、前記各電極間に前記電位差を印加する場合は電圧印加電流測定パターンに基づき電流および位相である第２測定データを測定する、電流電圧印加測定部と、
前記第１測定データまたは前記第２測定データと所定のパラメータとに基づき、前記被験者の体内の電気物性分布を作成する画像再構成部と、
前記電気物性分布に対して対象領域を識別化する識別化処理を行い、識別後電気物性分布を作成する、対象領域識別部と、
を備える、生体内可視化装置。
【請求項2】
前記識別化処理が、所定の閾値に基づいて行われる、請求項１に記載の生体内可視化装置。
【請求項3】
前記対象領域識別部が、
前記電気物性分布に対して標準偏差処理を行うことで、対象領域指標分布を作成し、
前記対象領域指標分布に対し、前記識別化処理を行うことで、前記識別後電気物性分布を作成する、請求項１または２に記載の生体内可視化装置。
前記電気物性分布に対して標準偏差処理を行うことで、対象領域指標分布を作成し、
前記対象領域指標分布に対し、前記識別化処理を行うことで、前記識別後電気物性分布を作成する、請求項１または２に記載の生体内可視化装置。
【請求項4】
前記画像再構成部が、
前記第１測定データまたは前記第２測定データから得られたインピーダンス、レジスタンス、リアクタンス、キャパシタンス、アドミタンス、コンダクタンス、サセプタンス及び位相の少なくとも１種から多重測定行列を作成し、
前記多重測定行列および前記所定のパラメータから前記電気物性分布を作成し、
前記所定のパラメータが、スパース性に関する事前分散ベクトルγ、時間相関に関する正定値行列Ｂ、およびノイズに関する多次元正規分布の分散値λを含む、請求項１または２に記載の生体内可視化装置。
前記第１測定データまたは前記第２測定データから得られたインピーダンス、レジスタンス、リアクタンス、キャパシタンス、アドミタンス、コンダクタンス、サセプタンス及び位相の少なくとも１種から多重測定行列を作成し、
前記多重測定行列および前記所定のパラメータから前記電気物性分布を作成し、
前記所定のパラメータが、スパース性に関する事前分散ベクトルγ、時間相関に関する正定値行列Ｂ、およびノイズに関する多次元正規分布の分散値λを含む、請求項１または２に記載の生体内可視化装置。
【請求項5】
少なくとも前記識別後電気物性分布に基づいて、前記所定のパラメータを更新する学習部をさらに備える、請求項１に記載の生体内可視化装置。
【請求項6】
前記学習部が、ｅｘｐｅｃｔａｔｉｏｎ－ｍａｘｉｍｉｚａｔｉｏｎアルゴリズムを用いて、平均データ尤度を最大化することで、前記所定のパラメータを更新する、請求項５に記載の生体内可視化装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、生体内可視化装置に関する。
【背景技術】
【0002】
医療・介護・ヘルスケアの分野において、高齢化や精神的ストレスに伴う疾患が大きな社会問題となっている。特に高齢者疾患と併発することの多い浮腫・高齢に伴う筋量などが低下するサルコペニアなどは社会的損失が大きく、これらの疾患の状態の評価として、生体内の体液や組織の異常などを可視化することの重要性が、医療・介護・ヘルスケアの分野で認識されている。
【0003】
疾患の状態の評価を目的に生体内の体液や組織の異常などを可視化する装置としては、例えば、Ｘ線コンピューティッド・トモグラフィ（ＣＴ）、核磁気共鳴イメージング（ＭＲＩ）などが用いられている。しかし、Ｘ線ＣＴ、ＭＲＩはきわめて高価で巨大なものであり、適切な撮影条件の担保や安全対策に費用と手間がかかることから、簡易的に生体内を可視化することは困難である。
【0004】
簡易的な生体内可視化装置としては、例えば、特許文献１に、使用者の腕又は足の周囲に配置される複数の電極を備えた電極バンドと、アルブミン特有の緩和周波数に関する電気的特性を測定する計測手段、前記計測手段が測定した電気的特性に基づき早期リンパ浮腫を検出するリンパ浮腫推測手段と、を備えた情報処理装置と、を有するリンパ浮腫モニタ装置が開示されている。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】特許第６５５５７１５号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
特許文献１の測定技術によれば、計測する断面に含まれる体液や組織の量や低解像度の分布を測定することはできるが、疾患の状態の評価が行えるほどの高解像度の分布は測定できない。すなわち、生体内の体液や組織の空間分布は複雑であり、また、正常か異常かに関わらず体液などは僅かな時間でも大きく変化していることから、特許文献１の測定技術よりも、時間・空間における局所的変化をより詳細に特定可能な生体内可視化技術が求められている。
【0007】
本発明は上記の事情を鑑みなされた発明であり、簡易的かつ高精度に、時間・空間における局所的な変化を特定可能な生体内可視化装置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】
【0008】
前記課題を解決するために、本発明は以下の手段を提案している。
＜１＞本発明の態様１の生体内可視化装置は、
互いに間隔をあけて被験者の皮膚に配置可能な複数の電極を備えるセンサを有し、
前記皮膚に前記各電極が接触した状態で、前記各電極間に電流又は電位差を印加し、前記電流を印加する場合は電流印加電圧測定パターンに基づき電位差および位相である第１測定データを測定し、前記各電極間に前記電位差を印加する場合は電圧印加電流測定パターンに基づき電流および位相である第２測定データを測定する、電流電圧印加測定部と、
前記第１測定データまたは前記第２測定データと所定のパラメータとに基づき、前記被験者の体内の電気物性分布を作成する画像再構成部と、
前記電気物性分布に対して対象領域を識別化する識別化処理を行い、識別後電気物性分布を作成する、対象領域識別部と、
を備える。
＜２＞本発明の態様２は、態様１の生体内可視化装置において、
前記識別化処理が、所定の閾値に基づいて行われてもよい。
＜３＞本発明の態様３は、態様１または態様２の生体内可視化装置において、
前記対象領域識別部が、
前記電気物性分布に対して標準偏差処理を行うことで、対象領域指標分布を作成し、
前記対象領域指標分布に対し、前記識別化処理を行うことで、前記識別後電気物性分布を作成してもよい。
＜４＞本発明の態様４は、態様１または態様２の生体内可視化装置において、
前記画像再構成部が、
前記第１測定データまたは前記第２測定データから得られたインピーダンス、レジスタンス、リアクタンス、キャパシタンス、アドミタンス、コンダクタンス、サセプタンス及び位相の少なくとも１種から多重測定行列を作成し、
前記多重測定行列および前記所定のパラメータから前記電気物性分布を作成し、
前記所定のパラメータが、スパース性に関する事前分散ベクトルγ、時間相関に関する正定値行列Ｂ、およびノイズに関する多次元正規分布の分散値λを含んでもよい。
＜５＞本発明の態様５は、態様１の生体内可視化装置において、
少なくとも前記識別後電気物性分布に基づいて、前記所定のパラメータを更新する学習部をさらに備えてもよい。
＜６＞本発明の態様６は、態様５の生体内可視化装置において、
前記学習部が、ｅｘｐｅｃｔａｔｉｏｎ－ｍａｘｉｍｉｚａｔｉｏｎアルゴリズムを用いて、平均データ尤度を最大化することで、前記所定のパラメータを更新してもよい。
＜１＞本発明の態様１の生体内可視化装置は、
互いに間隔をあけて被験者の皮膚に配置可能な複数の電極を備えるセンサを有し、
前記皮膚に前記各電極が接触した状態で、前記各電極間に電流又は電位差を印加し、前記電流を印加する場合は電流印加電圧測定パターンに基づき電位差および位相である第１測定データを測定し、前記各電極間に前記電位差を印加する場合は電圧印加電流測定パターンに基づき電流および位相である第２測定データを測定する、電流電圧印加測定部と、
前記第１測定データまたは前記第２測定データと所定のパラメータとに基づき、前記被験者の体内の電気物性分布を作成する画像再構成部と、
前記電気物性分布に対して対象領域を識別化する識別化処理を行い、識別後電気物性分布を作成する、対象領域識別部と、
を備える。
＜２＞本発明の態様２は、態様１の生体内可視化装置において、
前記識別化処理が、所定の閾値に基づいて行われてもよい。
＜３＞本発明の態様３は、態様１または態様２の生体内可視化装置において、
前記対象領域識別部が、
前記電気物性分布に対して標準偏差処理を行うことで、対象領域指標分布を作成し、
前記対象領域指標分布に対し、前記識別化処理を行うことで、前記識別後電気物性分布を作成してもよい。
＜４＞本発明の態様４は、態様１または態様２の生体内可視化装置において、
前記画像再構成部が、
前記第１測定データまたは前記第２測定データから得られたインピーダンス、レジスタンス、リアクタンス、キャパシタンス、アドミタンス、コンダクタンス、サセプタンス及び位相の少なくとも１種から多重測定行列を作成し、
前記多重測定行列および前記所定のパラメータから前記電気物性分布を作成し、
前記所定のパラメータが、スパース性に関する事前分散ベクトルγ、時間相関に関する正定値行列Ｂ、およびノイズに関する多次元正規分布の分散値λを含んでもよい。
＜５＞本発明の態様５は、態様１の生体内可視化装置において、
少なくとも前記識別後電気物性分布に基づいて、前記所定のパラメータを更新する学習部をさらに備えてもよい。
＜６＞本発明の態様６は、態様５の生体内可視化装置において、
前記学習部が、ｅｘｐｅｃｔａｔｉｏｎ－ｍａｘｉｍｉｚａｔｉｏｎアルゴリズムを用いて、平均データ尤度を最大化することで、前記所定のパラメータを更新してもよい。
【発明の効果】
【0009】
本発明の上記各態様によれば、Ｘ線ＣＴ装置やＭＲＩ装置に代わる非侵襲的な生体内可視化装置となる。また、識別化処理の実施や最適化されたスパース性・時間相関・ノイズに関するパラメータが使用可能となるため、従来技術では困難であった時間・空間における局所的な変化を特定可能な生体内可視化装置を提供することができる。また、生体内の体液や組織の局所的な状態を評価することで、様々な疾患・健康状態の診断をすることが可能となる。
【図面の簡単な説明】
【0010】
【図1】実施形態に係る皮膚内部計測装置の模式図である。
【図3A】対極法による電流印加電圧測定パターンを説明するための図である。
【図3B】隣接法による電流印加電圧測定パターンを説明するための図である。
【図3C】リファレンス法による電流印加電圧測定パターンを説明するための図である。
【図4】本実施形態に係る生体内可視化方法のフローチャートである。
【図5A】は、ヒト脹脛の簡易的な模擬画像である。
【図5B】は、条件１のリンパ浮腫模擬条件を示した図である。
【図5C】は、条件２の静脈性浮腫模擬条件を示した図である。
【図6】条件１における実施例、比較例および従来例で画像再構成された導電率分布Δσを示す図である。
【図7】条件２における実施例、比較例および従来例で画像再構成された導電率分布Δσを示す図である。
【図8】実験例２で用いた測定装置の模式図である。
【図9】皮下脂肪組織（ＳＡＴ）の細胞外液（ＥＣＦ）に局所的時空間変化（ＬＳＴＣ）を誘発するための長時間の立位と脚の挙上に関する実験プロトコルを説明するための図である。
【図10】生体内可視化装置によって再構成された、ある被験者の周波数差導電率分布Δσである。
【図11A】典型的なヒトの脹脛の断面図である。
【図11B】被験者Ｎｏ．１２のΔσである。
【図11C】当該被験者のＥＩＴ電極Ｎｏ．（４）付近の超音波画像である。
【図12】分離されたＳＡＴにおける正規化された空間平均伝導率＜Δσ＞ＳＡＴと、長時間の立位と脚の挙上中の正規化された従来のＢＩＡインピーダンスｚＢＩＡを示す図である。
【図13】ある被験者の脹脛に対して、分離されたＳＡＴの空間平均導電率＜Δσ＞ＳＡＴと従来のインピーダンスｚＢＩＡとの相関を示す図である。
【図14】被験者１５人の右脚のΔＬＥＣＦの時間変化を示す図である。
【図15】被験者１５人の従来の生体電気インピーダンス分析（従来のＢＩＡ）によって測定された、ＥＣＦｍａｘ（ΔＬＥＣＦ）の最大体積変化（ｔ８＝４０分でのΔＬＥＣＦ）と右脚ｖＲＬの筋肉量との間に相関を示す図である。
【図16A】筋肉、ＳＡＴ、およびＧＳＶを含む人間の脹脛の例である。
【図16B】シミュレーションのための導電率値σの条件を示す図である。
【図17A】不安定な背景場の下で各アルゴリズムによって画像再構成されたｉｔｅｒ＝１５でのΔσである。
【図17B】理想的な再構成画像である。
【図17C】対応する正規化された空間平均伝導率＜Δσ～ｋ＞ｐｅｒｔｕｒｂである。
【図17D】実施例、比較例および従来例の＜ＬＥ＞、ＳＥ、ＩＮである。
【発明を実施するための形態】
【0011】
以下、図面を参照し、本発明の一実施形態に係る生体内可視化装置１００を説明する。図１に示すように、生体内可視化装置１００は、電流電圧印加測定部１０および測定計算部５０を備える。測定計算部５０は、画像再構成部５２、対象領域識別部５３、学習部５４、および出力部５５を備える。生体内可視化装置１００の測定計算部５０は、例えば、Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ（ＣＰＵ）、Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ（ＲＯＭ）、Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ（ＲＡＭ）及びＨａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ（ＨＤＤ）／Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ（ＳＳＤ）を備える。画像再構成部５２、対象領域識別部５３、学習部５４、出力部５５は、ＣＰＵにおいて、所定のプログラムを実行することで実現される。プログラムは、記録媒体経由で取得してもよく、ネットワーク経由で取得してもよい。また、生体内可視化装置１００の構成を実現するための専用のハードウェア構成を用いてもよい。以下、各部について説明する。
【0012】
（電流電圧印加測定部１０）
電流電圧印加測定部１０について、図２を用いて説明する。図２は、被験者の脚にセンサ２０を配置した状態の電流電圧印加測定部１０の模式図である。図２に示すように、電流電圧印加測定部１０は、１つ以上のセンサ２０と制御部３０とを備える。センサ２０は、互いに間隔をあけて皮膚に配置可能な複数の電極２１（一例として電極数Ｑ＝１６として図示）および電極２１を保持する支持体２５を備える。電流電圧印加測定部１０は、１つ以上のセンサ２０を用い、センサ２０の各電極２１が被測定者の皮膚に接触した状態で、各電極２１間に所定の電流または電位差を印加し、電位差または電流を測定する。ここで、電位差とは二つの電極間の電圧の差を表す。電流を印加する場合は、あらかじめ決めた電流印加電圧測定パターン(多数ある電極から二つずつの電極を順番に選び、電流を印加し順次電位差を測定するパターン)に基づき、電位差を測定する。このとき、位相(印加電流と測定電位差との時間的なずれ)も測定することが望ましい。電位差を印加する場合は、あらかじめ決めた電圧印加電流測定パターン(多数ある電極から二つずつの電極を順番に選び、電位差を印加し順次電流を測定するパターン)に基づき、電流を測定する。このとき、位相(印加電位差と測定電流との時間的なずれ)も測定することが好ましい。以後、電流を印加する場合を中心に記載し、電位差を印加する場合の詳細な記載を省略する場合もある。ここで、電極２１の数Ｑは例えば、３以上である。電極２１の数Ｑは８以上が好ましい。電極２１の数Ｑは３２個以下が好ましい。電極２１の数Ｑは、１６個以下であってもよい。濃度分布の精度を高めるために電極の数は多いほうが好ましい。電極２１の配置位置は、特に限定されない。電極１５は、被験者者の周囲（ここでは、脚の周囲）を取り囲むように、均等に間隔をおいて配置されることが好ましい。
電流電圧印加測定部１０について、図２を用いて説明する。図２は、被験者の脚にセンサ２０を配置した状態の電流電圧印加測定部１０の模式図である。図２に示すように、電流電圧印加測定部１０は、１つ以上のセンサ２０と制御部３０とを備える。センサ２０は、互いに間隔をあけて皮膚に配置可能な複数の電極２１（一例として電極数Ｑ＝１６として図示）および電極２１を保持する支持体２５を備える。電流電圧印加測定部１０は、１つ以上のセンサ２０を用い、センサ２０の各電極２１が被測定者の皮膚に接触した状態で、各電極２１間に所定の電流または電位差を印加し、電位差または電流を測定する。ここで、電位差とは二つの電極間の電圧の差を表す。電流を印加する場合は、あらかじめ決めた電流印加電圧測定パターン(多数ある電極から二つずつの電極を順番に選び、電流を印加し順次電位差を測定するパターン)に基づき、電位差を測定する。このとき、位相(印加電流と測定電位差との時間的なずれ)も測定することが望ましい。電位差を印加する場合は、あらかじめ決めた電圧印加電流測定パターン(多数ある電極から二つずつの電極を順番に選び、電位差を印加し順次電流を測定するパターン)に基づき、電流を測定する。このとき、位相(印加電位差と測定電流との時間的なずれ)も測定することが好ましい。以後、電流を印加する場合を中心に記載し、電位差を印加する場合の詳細な記載を省略する場合もある。ここで、電極２１の数Ｑは例えば、３以上である。電極２１の数Ｑは８以上が好ましい。電極２１の数Ｑは３２個以下が好ましい。電極２１の数Ｑは、１６個以下であってもよい。濃度分布の精度を高めるために電極の数は多いほうが好ましい。電極２１の配置位置は、特に限定されない。電極１５は、被験者者の周囲（ここでは、脚の周囲）を取り囲むように、均等に間隔をおいて配置されることが好ましい。
【0013】
電極２１は、電気的に制御部３０と接続される。被測定者の皮膚に電流または電位差を印加できれば、電極２１の材質や形状は特に限定されない。電極２１の材質としては、例えば、Ａｕ、Ａｇ、Ｃｕ、ステンレスなどの金属、導電性高分子、表面を金属で被覆した繊維、導電性高分子で表面を被覆した繊維などが挙げられる。各電極２１を皮膚に接触させるために電流印加方向に対して垂直な面における電極２１の形状は特に限定されないが、例えば、円形、多角形状である。電極２１は非侵襲的電極であることが好ましい。
【0014】
電極２１と制御部３０との電気的な接続方法は、特に限定されず、公知の電気的接続方法を用いることができる。本実施形態では、各電極２１と制御部３０とは電線４１で接続される。
【0015】
支持体２５は、電極２１を保持できれば特に限定されない。支持体２５は、電極２１を被験者の皮膚に配置可能であることが好ましい。ここで、「被験者の皮膚に配置可能な」とは、被験者がセンサ２０を着用した際、各電極２１が皮膚と接触されるように配置されることをいう。
【0016】
支持体２５は、被験者に電極２１を密着できる程度に所定の圧力が印加できることが好ましい。これによって、電極２１と被験者との密着性が向上し、より正確に電流または電位差を印加し、電位差または電流を測定することができる。支持体２５の材質としては、特に限定されず、例えば、エラストマー、革、布などの絶縁体が好ましい。支持体２５の形状は、特に限定されないが、例えば、バンド状などが挙げられる。
【0017】
（制御部）
制御部３０は、例えば、電流を印加する電流印加電極(または電位差を印加する電圧印加電極)と電位差を測定する電圧測定電極(または電流を測定する電流測定電極)の切り替えを行うためのマルチプレクサ、電圧測定(または電流測定)と位相測定を行うインピーダンスアナライザなどを備える。インピーダンスアナライザとは、印加周波数と振幅を変化させて、インピーダンス、すなわち、測定電位差(印加電位差)と印加電流(測定電流)の比、および、その位相とを測定する部品である。制御部３０は、例えば、ＣＰＵにおいて、所定のプログラムを実行し、マルチプレクサおよびインピーダンスアナライザを制御することで、インピーダンス測定（電位差と電流の比、およびその位相の測定）を行う。電流電圧印加測定部１０内部だけで制御部３０を制御し、インピーダンス測定を行ってもよいし、測定計算部５０で実行されたプログラムに応じて制御部３０を制御し、インピーダンス測定を行ってもよい。インピーダンス測定の結果は、測定計算部５０に送られる。測定計算部５０への情報の伝達方法は特に限定されない。制御部３０から有線で測定計算部５０に送ってもよいし、その他の伝達手段により、測定計算部５０に送ってもよい。
制御部３０は、例えば、電流を印加する電流印加電極(または電位差を印加する電圧印加電極)と電位差を測定する電圧測定電極(または電流を測定する電流測定電極)の切り替えを行うためのマルチプレクサ、電圧測定(または電流測定)と位相測定を行うインピーダンスアナライザなどを備える。インピーダンスアナライザとは、印加周波数と振幅を変化させて、インピーダンス、すなわち、測定電位差(印加電位差)と印加電流(測定電流)の比、および、その位相とを測定する部品である。制御部３０は、例えば、ＣＰＵにおいて、所定のプログラムを実行し、マルチプレクサおよびインピーダンスアナライザを制御することで、インピーダンス測定（電位差と電流の比、およびその位相の測定）を行う。電流電圧印加測定部１０内部だけで制御部３０を制御し、インピーダンス測定を行ってもよいし、測定計算部５０で実行されたプログラムに応じて制御部３０を制御し、インピーダンス測定を行ってもよい。インピーダンス測定の結果は、測定計算部５０に送られる。測定計算部５０への情報の伝達方法は特に限定されない。制御部３０から有線で測定計算部５０に送ってもよいし、その他の伝達手段により、測定計算部５０に送ってもよい。
【0018】
図３Ａ，図３Ｂおよび図３Ｃの電極配置を例にして電極２１への電流印加電圧測定パターンを説明する。電極２１の位置を表す番号は、例えば、基準となる第１電極から反時計回りに番号が振られる。電流印加電圧測定パターンの数Ｍは、各電流印加電圧測定パターンで異なる。以下、各電流印加電圧測定パターンについて説明する。以下、電流印加電圧測定パターンの例を説明するが、本発明は、以下の電流印加電圧測定パターンに限定されない。
【0019】
まず、対極法による電流印加電圧測定パターンについて説明する。この場合、対向する一対の電極間に電流を印加する。例えば、図３Ａで説明をすると、１番電極と９番電極、２番電極と１０番電極といったように、対向する電極に電流を印加する。図３Ａの場合は、電極数Ｑが１６であるので、全部で８通りある。電位差は、電流を印加する電極を除外した第２電極および第３電極、第３電極および第４電極のように電極ペアで測定し、第２電極および第３電極の電極ペアから第１５電極と第１６電極の電極ペアまで測定するので、１つの電流印加パターンに１３通りの電圧測定パターン（電位差測定パターン）が存在する。したがって、対極法の場合、測定数（測定パターン）Ｍは、全部で１０４通りとなる。ここで、電流を印加して電位差を測定した場合は、測定パターンは、電圧測定パターンとなる。電位差を印加して電流を測定した場合は、測定パターンは電流測定パターンとなる。
【0020】
次に、隣接法による電流印加電圧測定パターンについて説明する。この場合、隣接する電極間に電流を印加する。例えば図３Ｂで説明をすると、１番電極と２番電極、２番電極と３番電極といったように、隣接する電極に電流を印加する。図３Ｂの場合は、電極数Ｑが１６であるので、全部で１６通りある。電位差は、電流を印加する電極を除外した第３電極および第４電極のように電極ペアで測定し、第３電極および第４電極から第１５電極と第１６電極まで測定するので、１つの電流印加パターンに１３通りの電圧測定パターン（電位差測定パターン）が存在する。したがって、隣接法の場合では、測定数（測定パターン）Ｍは、全部で２０８通りとなる。
【0021】
リファレンス法による電流印加電圧測定パターンについて説明する。この場合、基準となる電極と、基準となる電極以外の電極との間のすべての組み合わせで電位差を測定する。例えば、図３Ｃで説明をすると、１番電極と２番電極、１番電極と３番電極といったように、基準となる電極と基準となる電極以外の電極との間に電流を印加する。図３Ｃの場合は、電極数Ｑが１６であるので、全部で１６通りある。電位差は、電流を印加する電極を除外した第３電極および第４電極のように電極ペアで測定し、第３電極および第４電極の電極ペアから第１５電極と第１６電極の電極ペアまで測定するので、１つの電流印加パターンに１３通りの電圧測定パターン（電位差測定パターン）が存在する。したがって、リファレンス法では、測定数（測定パターン）Ｍは、全部で２０８通りとなる。
【0022】
以下、本実施形態の生体内可視化装置１００では、隣接法を用いて、電位差を測定した例について説明する。なお、以下に、１つのセンサ２０についての計算例を説明するが、センサ２０が２つ以上の場合も同様に計算することができる。また、本実施形態に係る生体内可視化装置１００は、スパースベイズ学習を用いて所定のパラメータの学習を行う。
【0023】
（画像再構成部）
測定計算部５０の画像再構成部５２は、所定のパラメータと電流電圧印加測定部１０で測定された電位差および位相電流（以下、第１測定データと称する場合がある）および電流および位相（以下、第２測定データと称する場合がある）に基づき、被験者内部の電気物性分布を作成する。具体的には、画像再構成部５２は、第１測定データまたは第２測定データから得られたインピーダンス、レジスタンス、リアクタンス、キャパシタンス、アドミタンス、コンダクタンス、サセプタンス及び位相の少なくとも１種から多重測定行列を作成し、多重測定行列および所定のパラメータから電気物性分布を作成する。ここでは、インピーダンスを用いて多重測定行列を作成する場合を例にして説明する。例えば、画像再構成部５２は、インピーダンス時間差分ΔＺの多重測定行列（Ｍｕｌｔｉｐｌｅ Ｍｅａｓｕｒｅｍｅｎｔ Ｍａｔｒｉｘ：ＭＭＭ）を生成し、作成したインピーダンス時間差分ΔＺのＭＭＭと所定のパラメータとから被験者の体内の電気物性分布を作成する。所定のパラメータは、例えば、スパース性に関する事前分散ベクトルγ、時間相関に関する正定値行列Ｂ、およびノイズに関する多次元正規分布の分散値λである。パラメータの初期値は、データに基づいて入力してもよい。初期値は、例えば、生体内の電気物性に関する先験情報などに基づき決定してもよいし、実験条件のノイズなどを考慮して経験的に決定してもよい。画像再構成部５２が初期の所定のパラメータに基づいて、作成した初期電気物性分布は、対象領域識別部５３に送られる。初期電気物性分布は、対象領域識別部５３に送られて識別化処理がされる。初期電気物性分布を識別化処理した後に得られる識別後電気物性分布はさらに学習部５４に送られる。画像再構成部５２は、学習部５４で更新されたパラメータに基づいて、更新した更新電気物性分布を作成した場合は、学習部５４または出力部５５に送る。具体的には、学習部５４で後述する終了条件を満たすまで、画像再構成部５２での更新電気物性分布の作成と、学習部５４での所定のパラメータの更新が繰り返される。学習部５４でのパラメータの更新が完了した場合、画像再構成部５２は、出力部５５に電気物性分布を送る。
測定計算部５０の画像再構成部５２は、所定のパラメータと電流電圧印加測定部１０で測定された電位差および位相電流（以下、第１測定データと称する場合がある）および電流および位相（以下、第２測定データと称する場合がある）に基づき、被験者内部の電気物性分布を作成する。具体的には、画像再構成部５２は、第１測定データまたは第２測定データから得られたインピーダンス、レジスタンス、リアクタンス、キャパシタンス、アドミタンス、コンダクタンス、サセプタンス及び位相の少なくとも１種から多重測定行列を作成し、多重測定行列および所定のパラメータから電気物性分布を作成する。ここでは、インピーダンスを用いて多重測定行列を作成する場合を例にして説明する。例えば、画像再構成部５２は、インピーダンス時間差分ΔＺの多重測定行列（Ｍｕｌｔｉｐｌｅ Ｍｅａｓｕｒｅｍｅｎｔ Ｍａｔｒｉｘ：ＭＭＭ）を生成し、作成したインピーダンス時間差分ΔＺのＭＭＭと所定のパラメータとから被験者の体内の電気物性分布を作成する。所定のパラメータは、例えば、スパース性に関する事前分散ベクトルγ、時間相関に関する正定値行列Ｂ、およびノイズに関する多次元正規分布の分散値λである。パラメータの初期値は、データに基づいて入力してもよい。初期値は、例えば、生体内の電気物性に関する先験情報などに基づき決定してもよいし、実験条件のノイズなどを考慮して経験的に決定してもよい。画像再構成部５２が初期の所定のパラメータに基づいて、作成した初期電気物性分布は、対象領域識別部５３に送られる。初期電気物性分布は、対象領域識別部５３に送られて識別化処理がされる。初期電気物性分布を識別化処理した後に得られる識別後電気物性分布はさらに学習部５４に送られる。画像再構成部５２は、学習部５４で更新されたパラメータに基づいて、更新した更新電気物性分布を作成した場合は、学習部５４または出力部５５に送る。具体的には、学習部５４で後述する終了条件を満たすまで、画像再構成部５２での更新電気物性分布の作成と、学習部５４での所定のパラメータの更新が繰り返される。学習部５４でのパラメータの更新が完了した場合、画像再構成部５２は、出力部５５に電気物性分布を送る。
【0024】
電気物性分布は、特に限定されず、例えば、空間的な導電率、空間的な誘電率分布、空間的な位相分布、時間的な導電率分布、時間的な誘電率分布、時間的な位相分布、印加周波数の導電率応答分布、印加周波数の誘電率応答分布、印加周波数の位相応答分布などが挙げられる。以下、被験者内部の導電率分布の作成方法を例に挙げて、電気物性分布の作成方法を説明する。
【0025】
電流電圧印加測定部１０で測定された電流等から得られた初期時刻ｔ０と時刻ｔｋ（ｋ＝１，２，・・・，Ｋ）とのインピーダンスとのインピーダンス差分ΔＺｋは、下記（１）式で表される。ここで、式（１）中のＪは、下記（２）式で表される感度行列である。下記（１）式中のΔσｋは、下記（３）式で表される時刻ｔｋにおける導電率分布である。下記（１）式中のεｋは、下記（４）式で表されるノイズベクトルである。ここで、下記（２）式および下記（３）式のＮは、画像を構成するメッシュの総数（総要素数）であり、下記（２）中のＭは、測定数（測定パターン数）である。また、式（１）中の○印に／印を組み合わせてなる記号は、ベクトルの要素ごとの除算を示す。
【0026】
【数1】
【0027】
画像再構成部５２は、列ベクトルのΔＺｋから下記（５）式で表されるＭＭＭのΔＺを生成する。下記（５）式中のＭは、測定数（測定パターン数）であり、Ｋは、時刻ｔｋの数である。ＭＭＭのΔＺは、下記（６）式で表されるＭＭＭの導電率分布Δσおよび下記（７）式で表されるＭＭＭのノイズ行列εから、下記（８）式で表される。（８）式のＭＭＭのΔＺに対して列ベクトル化を行うと、下記（９）式が得られる。ここで、＊は列ベクトル化のシンボルである。（９）式中のΔＺ＊は、下記（１０）式で表される。（９）式中のΔσ＊は、下記（１１）式で表される。（９）式中のε＊は、下記（１２）式で表される。下記（９）式中のＪ～は、下記（１３）式で表される。下記（１３）式中のＩは、下記（１４）式で表される単位行列である。下記（１３）式中の〇印に×印を組み合わせてなる記号は、クロネッカー積のシンボルを示す。
【0028】
【数2】
【0029】
【数3】
【0030】
ここで、スパースベイズ学習における、Δσの事前確率分布ｐ（Δσ＊；Σｐｒｅ）、尤度ｐ（ΔＺ＊|Δσ＊；ε＊）および事後確率分布ｐ(Δσ＊|ΔＺ＊；Σｐａｓｔ）を定義する。時間相関を利用したスパースベイズ学習では、平均ゼロベクトル０と、スパース性に関する事前分散ベクトルγと、時間相関に関する正定値行列Ｂとからなる事前共分散行列Σｐｒｅである多次元正規分布を仮定すると、Δσの事前確率分布ｐ（Δσ＊；Σｐｒｅ）は、下記（１５）式で表される。なお、事前分散ベクトルγは、下記（１６）式で表され、正定値行列Ｂは、下記（１７）式で表され、事前共分散行列Σｐｒｅは、下記（１８Ａ）式及び（１８Ｂ）式で表される。スパース性に関する事前分散ベクトルγの大きさを変化させることで局所性を調整することができる。下記（１８Ｂ）式において、正定値行列Ｂを全要素Ｎにおいて共通とすると、学習のオーバーフィットを防ぐことができるので好ましい。オーバーフィットは、機械学習モデルがトレーニングデータに対して正確な予測を提供するが、新しいデータについては予測しない場合に発生する、望ましくない機械学習動作をいう。
【0031】
【数4】
【0032】
ノイズ確率分布ｐ（ε＊）を平均ゼロベクトル０と各要素が独立で、同一なノイズ共分散行列λＩである多次元正規分布を仮定すると、下記（１９）式で表される。ここで、ノイズ共分散行列λＩは、下記（２０）式となる。ここで、（２０）式中のλは、多次元正規分布の分散値である。式（９）と式（１９）とから、インピーダンス時間差分ΔＺ＊の尤度ｐ（ΔＺ＊|Δσ＊；ε＊）は、条件付確率分布として下記（２１）式で表される。
【0033】
【数5】
【0034】
ベイズの定理、即ち事前確率分布（１９）式と尤度（２１）式との関係は下記（２２）式の通りとなる。下記（２２）式により、事後確率分布も正規分布で仮定することができるため、事後確率分布は、導電率の平均ベクトルと事後共分散行列Σｐｏｓｔとから、下記（２３）式で表される。なお、導電率の平均ベクトルは、下記（２４）式で表され、事後共分散行列Σｐｏｓｔは下記（２５）式で表される。正規分布は、期待値で確率が最大となるので、Δσの最大事後確率推定解（ＭＡＰ推定解）は、式（２３）式における導電率の平均ベクトルであり、下記（２６）式および（２７）式で表される。ここで、Ｔは転置のシンボルである。導電率分布Δσは、下記（２６）式のΔσ＊をＮ×Ｋ次元のΔσに変換しなおすことで、得られる。これによって、被験者の体内の電気物性分布（ここでは、導電率分布）を作成することができる。
【0035】
【数6】
【0036】
（対象領域識別部５３）
対象領域識別部５３は、画像再構成部５２で得られた初期電気物性分布に対し、所定の処理を行い、対象領域を識別する。以下、所定の処理による対象領域の識別方法を説明する。
対象領域識別部５３は、画像再構成部５２で得られた初期電気物性分布に対し、所定の処理を行い、対象領域を識別する。以下、所定の処理による対象領域の識別方法を説明する。
【0037】
対象領域識別部５３は、画像再構成部５２で得られた電気物性分布に対し、前処理を行い、対象領域指標分布を作成する。前処理は、対象領域である生体組織の識別ができるのであれば、特に限定されず、標準偏差処理、所定のピクセルａにおける最大値と最小値との差分処理（ｍａｘ（ａ）－ｍｉｎ（ａ））、最大値と最小値の変化の正規化差分処理（（ｍａｘ（ａ）－ｍｉｎ（ａ））／ｍｉｎ（ａ））、１階微分処理（∂ｙ／∂ｋ：ｙは対象となる電気物性）、２階微分処理（∂２ｙ／∂ｋ２）、フーリエ変換、ウェーブレット変換などの各種周波数解析などが挙げられる。これらは、総ピクセル数Nと総フレーム数Kをもとに、N×Kの行列と見立てて、各種行列処理を行う（特異値分解、主成分分析、独立成分分析等）。上記の前処理は、空間的局所変化を見たい場合は、時間的に処理を行えばよく、時間的な局所変化を見る場合は、空間的に処理を行えばよい。以下、空間的な変化を見るための、標準偏差処理を例に挙げて説明する。
【0038】
画像再構成部５２で得られた導電率分布を用いて、下記（２８）式で表される対象領域指標分布（ここでは、時間的標準偏差画像ｖ）を下記（２９）式の通りに計算する。ここで、下記（２９）式中のΔσｋ，ｎは、時刻ｔｋにおけるｎ番目の要素の導電率の値であり、＜σｎ＞はｎ番目の要素の値の時間平均である。
【0039】
背景の電気物性（ここでは、導電率）が大きく時間的または空間的に変化する場（ここでは、時間的に変化する場）において、対象領域（ＲＯＩ：Ｒｅｇｉｏｎ ｏｆ Ｉｎｔｅｒｅｓｔ）内の電気物性の時間空間局所的変化を抽出するため、ＲＯＩ以外の要素を削除し、ＲＯＩの要素を識別するために、対象領域指標分布（ここでは、時間的標準偏差画像ｖ）および所定の閾値ｃに基づき、識別化処理を行い、識別後電気物性分布を作成する。識別化処理は、ＲＯＩ以外の要素を削除できれば特に限定されず、例えば、対象領域指標分布の各値が当該閾値の範囲に入るかどうかの判定を行い、当該閾値の範囲に入らない場合は、要素の削除を行うという処理であってもよい。例えば、下記（３０）式の通り処理を行い、式（３０）より得られた識別後電気物性分布は、再び列ベクトル化され学習部５４に送られる。
ここで、所定の閾値ｃは各生体組織のσに関する先験情報のもと、対象領域ＲＯＩと背景のσの大小関係から決定される。例えば、画像の全ピクセル数のうち、対象領域（ROI）が占めるピクセル数の割合に応じて所定の閾値ｃを決定してもよい。
ここで、所定の閾値ｃは各生体組織のσに関する先験情報のもと、対象領域ＲＯＩと背景のσの大小関係から決定される。例えば、画像の全ピクセル数のうち、対象領域（ROI）が占めるピクセル数の割合に応じて所定の閾値ｃを決定してもよい。
【0040】
【数7】
【0041】
学習部５４は、画像再構成部５２で得られた更新電気物性分布、または、対象領域識別部５３で得られた識別後電気物性分布に基づいて、所定のパラメータを更新する。具体的には、学習部５４は、パラメータ行列Θ｛例えば、λ、γ、Ｂ｝を、負の対数周辺尤度－ｌｏｇｐ（ΔＺ＊|Θ）を最大化または平均データ尤度Ｑ（Θ）を最大化することで学習する。例えば、それぞれの確率分布を正規分布と仮定した場合、周辺尤度の対数のみを考慮することで、尤度関数L(Θ)が取得される。
【0042】
ここで、尤度関数Ｌ(Θ)は下記（３１）式で表される。（３１）式中のΣlikelihoodは下記（３２）式で表される。対数周辺尤度－ｌｏｇｐ（ΔＺ＊|Θ）の最大化は、L(Θ)の最大化によって行ってもよい。本実施形態では、平均データ尤度Ｑ（Θ）を用いて学習する方法について説明するが、以下の方法に限定されない。具体的には、ｅｘｐｅｃｔａｔｉｏｎ－ｍａｘｉｍｉｚａｔｉｏｎ（ＥＭ）アルゴリズムを用いて、平均データ尤度Ｑ（Θ）を最大化する場合について説明する。平均データ尤度は下記（３３）式で表される。（３３）式中のＥ［・］は、期待値を表す。EMアルゴリズムの更新値、即ち、平均データ尤度Ｑ（Θ）を最大化するΘは、Ｑ(Θ)のΘに関する偏微分がゼロとなるΘとなる。
【0043】
パラメータ行列Θ内のγおよびＢの更新について説明する。（３３）式中のλについての右辺第１項を無視することで、下記（３４）式となる。ここで、式（３４）式中のΓは、下記（３５）式で表される、γを対角要素に持つ対角行列である。Ｔｒａｃｅ｛｝は、正方行列のトレースである。γのｎ番目の要素あるγnの更新値は、（３４）式のγnに関する偏微分がゼロとなるγnであり、反復計算数ｉｔｅｒを用いて、下記（３６）式の通り更新される。ここで（３６）式中のΔσ＊
ｎは下記（３７）式で表され、ｎ番目の要素の時間変化を表す。下記（３６）式中のΣｐｏｓｔ
ｎは、下記（３８）式で表され、対応する共分散行列を表す。
【0044】
同様にＢの更新値は（３４）式のＢに関する偏微分がゼロとなるＢであり、下記（３９）式の通り更新される。
【0045】
Θ内のλの更新について説明する。（３３）式中のγおよびＢについての右辺第２項を無視することで下記（４０）式で表される。λの更新値は、式（４０）のλに関する偏微分がゼロとなるλであり、下記（４１）式の通り更新される。Θの学習過程は、終了条件を満たすまで繰り返し行われる。例えば、終了条件は、例えば、下記（４２）式で表される誤差δが最小値δminとなること、または、iter が最大反復数itermaxとなることのどちらかを満たすとしてもよい。
【0046】
【数8】
【0047】
【数9】
【0048】
（出力部）
出力部５５は、画像再構成部５２で得られた更新電気物性分布を出力する。更新電気物性分布の出力先は、特に限定されない。例えば、出力部５５は、生体内可視化装置１００内のＨＤＤなどの記憶装置に更新電気物性分布を出力して記憶してもよい。また、出力部５５は、外部の液晶ディスプレイなどの表示装置に更新電気物性分布を出力してもよい。
出力部５５は、画像再構成部５２で得られた更新電気物性分布を出力する。更新電気物性分布の出力先は、特に限定されない。例えば、出力部５５は、生体内可視化装置１００内のＨＤＤなどの記憶装置に更新電気物性分布を出力して記憶してもよい。また、出力部５５は、外部の液晶ディスプレイなどの表示装置に更新電気物性分布を出力してもよい。
【0049】
（生体内可視化方法）
次に、本実施形態に係る生体内可視化装置１００を用いた生体内可視化方法について説明する。図４は、本実施形態に係る生体内可視化方法のフローチャートである。
生体内可視化方法は、所定のパラメータ（ここでは、γ、Ｂ、λ）を初期化し、電流電圧印加測定部１０を用い、インピーダンス測定（電位差と電流の比、およびその位相の測定）を行う（Ｓ１）。その後、初期化された所定のパラメータおよび測定されたインピーダンスに基づいて、電気物性分布を作成する（Ｓ２）。次に、初期化された所定のパラメータに基づいて作成された初期電気物性分布か、学習部５４で更新された所定のパラメータに基づいて作成された更新電気物性分布化を判定する（Ｓ３）。この場合は、iter=1の場合を初期電気物性分布と判定する。初期電気物性分布の場合、対象領域識別部５３で初期電気物性分布に対し、対象領域を識別化する識別化処理を行い、識別後電気物性分布を作成する（Ｓ４）。次に、学習部５４は、識別後電気物性分布または更新電気物性分布を基に、所定のパラメータを更新する（Ｓ５）。次に、終了条件（誤差δが最小値または所定の反復回数を実施したか）を満足したかを判定する（Ｓ６）。終了条件を満足していた場合、更新した電気物性分布を出力部５５は出力する（Ｓ７）。終了条件を満足しない場合は、Ｓ２に、戻る。
次に、本実施形態に係る生体内可視化装置１００を用いた生体内可視化方法について説明する。図４は、本実施形態に係る生体内可視化方法のフローチャートである。
生体内可視化方法は、所定のパラメータ（ここでは、γ、Ｂ、λ）を初期化し、電流電圧印加測定部１０を用い、インピーダンス測定（電位差と電流の比、およびその位相の測定）を行う（Ｓ１）。その後、初期化された所定のパラメータおよび測定されたインピーダンスに基づいて、電気物性分布を作成する（Ｓ２）。次に、初期化された所定のパラメータに基づいて作成された初期電気物性分布か、学習部５４で更新された所定のパラメータに基づいて作成された更新電気物性分布化を判定する（Ｓ３）。この場合は、iter=1の場合を初期電気物性分布と判定する。初期電気物性分布の場合、対象領域識別部５３で初期電気物性分布に対し、対象領域を識別化する識別化処理を行い、識別後電気物性分布を作成する（Ｓ４）。次に、学習部５４は、識別後電気物性分布または更新電気物性分布を基に、所定のパラメータを更新する（Ｓ５）。次に、終了条件（誤差δが最小値または所定の反復回数を実施したか）を満足したかを判定する（Ｓ６）。終了条件を満足していた場合、更新した電気物性分布を出力部５５は出力する（Ｓ７）。終了条件を満足しない場合は、Ｓ２に、戻る。
【0050】
以上、生体内可視化装置１００について詳述した。本実施形態に係る１００は、時間・空間における局所的変化を特定することができる。
なお、本発明の技術的範囲は前記実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲において種々の変更を加えることが可能である。
その他、本発明の趣旨に逸脱しない範囲で、前記実施形態における構成要素を周知の構成要素に置き換えることは適宜可能であり、また、前記した変形例を適宜組み合わせてもよい。
なお、本発明の技術的範囲は前記実施形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲において種々の変更を加えることが可能である。
その他、本発明の趣旨に逸脱しない範囲で、前記実施形態における構成要素を周知の構成要素に置き換えることは適宜可能であり、また、前記した変形例を適宜組み合わせてもよい。
【実施例0051】
以下、実施例により本発明を説明するが、本発明は以下の実施例に限定されるものではない。
【0052】
（実験例１）
次に、本実施形態に係る生体内可視化装置１００の有効性を検証するために実験した例について説明する。
次に、本実施形態に係る生体内可視化装置１００の有効性を検証するために実験した例について説明する。
【0053】
本発明の生体内可視化装置を用いたリンパ浮腫を模擬条件とした数値シミュレーションを用いて、ＳＡＴと筋肉である背景の導電率が大きく時間変化する場に対して、リンパ浮腫の特徴である静脈付近のσの時間・空間局所的変化を抽出できるか否かを確認し、その精度を定性的に検討した。さらに、導電率比ρＧＳＶ／ＳＡＴとρＧＳＶ／ｍｕｓｃｌｅをパラメータとして、定量的に検討した。
【0054】
従来例として、従来手法である繰り返しガウス・ニュートン法を用いて画像再構成を行った。画像再構成に用いた式は、下記（４３）式となる。（４３）式中のΔσiter
kはiter番目の反復における時刻ｔｋでの導電率分布を示す。（４３）式中のＩは下記（４４）式で表される単位行列であり、ηは正則化パラメータである。Ｊは感度行列であり、ＪＴは、感度行列Ｔの転置行列である。下記(４３)式中のΔＺｋは、測定インピーダンスである。測定インピーダンスΔＺｋはＭＡＴＬＡＢ（登録商標）Ｒ２０２０ａ（Ｍａｔｈｗｏｒｋｓ，Ｎａｔｉｃｋ、ＭＡ）を用いて有限要素法（ＦＥＭ）により計算した。準問題計算用の要素数は２９４６とし、逆問題計算用の要素数ＮはＮ＝４５６０とした。
【0055】
図５Ａは、ヒト脹脛の簡易的な模擬画像である。大伏在静脈（Ｇｒｅａｔ Ｓａｐｈｅｎｏｕｓ Ｖｅｉｎ：ＧＳＶ）、皮下脂肪組織（Ｓｕｂｃｕｔａｎｅｏｕｓ Ａｄｉｐｏｓｅ Ｔｉｓｓｕｅ：ＳＡＴ）、および、筋肉の３つの部位から構成される。なお、ＲＯＩは、ＧＳＶとした。
【0056】
２種類の浮腫進行の生理現象を模擬するために、各部位の導電率値σをｔ０からｔ６まで時間変化させた。図５Ｂは、条件１のリンパ浮腫模擬条件を示したもので、ＧＳＶのσのみが一定変化率ａＧＳＶで時間変化し、ＳＡＴと筋肉のσは時間変化しないとした。図５Ｃは、条件２の静脈性浮腫模擬条件を示したもので、ＧＳＶと筋肉のσが一定変化率ａＧＳＶ＝ａｍｕｓｃｌｅ（＝０．６６７）で時間変化し、ＳＡＴのσが変化率ａＳＡＴ（＝０．２２２＜ａＧＳＶ）で時間変化するとした。
【0057】
２つの条件におけるＳＡＴと筋肉の初期時刻ｔ０でのσは、ＳＡＴのσを０．０２２［Ｓ／ｍ］とし、筋肉のσを０．３２１［Ｓ／ｍ］とし、ｔ０でのＧＳＶのσ（＝０．０２２［Ｓ／ｍ］）はＳＡＴと同じ値を用いた。一般的に、浮腫時のσは水分量に比例するため、変化率ａＧＳＶは６０分間起立状態での脹脛の水分変化からａＧＳＶ＝０．６６７と算出した。さらに、ＳＡＴはＧＳＶよりも緩やかに変化することからａＳＡＴ＝ａＧＳＶ／３とした。
【0058】
感度行列Ｊは均質条件、すなわちσ＝１．０［Ｓ／ｍ］で計算した。印加電流Ｉ０および印加周波数ｆはそれぞれＩ０＝１ｍＡ、ｆ＝１ｋＨｚと設定し、印加パターンは隣接法を適用した。
【0059】
式（３０）における閾値ｃは時間的標準偏差画像νの中央値と設定し、λ、γ、およびＢの初期値はそれぞれ、λを０．０１とし、γは下記（４５）式のように設定し、Ｂを下記（４６）式のように設定した。また、ＳＮ比が４０ｄＢとなるようにＺにガウシアンノイズを付加した。２つの条件における実施例（画像再構成部５２＋対象領域識別部５３＋学習部５４：ＲＯＩ識別有り）と比較例（画像再構成部５２＋学習部５４：ＲＯＩ識別無し）、および、従来手法である繰り返しガウス・ニュートン法（（４３）式）において最大反復数ｉｔｅｒｍａｘ＝１０とした。
繰り返しガウス・ニュートン法における正則化パラメータηはＰ．Ｃ．ＨａｎｓｅｎのＬカーブ法を用いてη＝４．１７×１０－６（リンパ浮腫模擬条件）、η＝１．８０×１０－５（静脈性浮腫模擬条件）とした。
繰り返しガウス・ニュートン法における正則化パラメータηはＰ．Ｃ．ＨａｎｓｅｎのＬカーブ法を用いてη＝４．１７×１０－６（リンパ浮腫模擬条件）、η＝１．８０×１０－５（静脈性浮腫模擬条件）とした。
【0060】
【数10】
【0061】
図６は、条件１における実施例（画像再構成部５２＋対象領域識別部５３＋学習部５４：ＲＯＩ識別有り）と比較例（画像再構成部５２＋学習部５４：ＲＯＩ識別無し）および従来例（ガウス・ニュートン法）により画像再構成された導電率分布Δσである。条件１において、繰り返しガウス・ニュートン法はＧＳＶ付近の導電率の時間変化を画像化することはできたが、オリジナル画像よりもぼやけた画像となった。さらに、リンギングアーティファクトによる影響も大きくなった。一方、スパースベイズ学習を用いた実施例および比較例は、局所的な導電率変化のみ抽出することができた。
【0062】
次に、図７は、条件２における実施例（画像再構成部５２＋対象領域識別部５３＋学習部５４：ＲＯＩ識別有り）と比較例（画像再構成部５２＋学習部５４：ＲＯＩ識別無し）および従来例（ガウス・ニュートン法）により画像再構成された導電率分布Δσである。条件２において、繰り返しガウス・ニュートン法はＳＡＴと筋肉の境界を画像化することはできたが、ＧＳＶ付近の導電率の時間変化を画像化することはできなかった。これは、全部位が時間変化したことにより、初期時刻ｔ０と時刻ｔｋとの間でバックグラウンドを一定の条件にすることができなかったためと考えられる。一方、比較例（画像再構成部５２＋学習部５４：ＲＯＩ識別無し）は、ＳＡＴの導電率変化を画像化することができ、さらに、そのＳＡＴにおいて特に時間変化の大きなＧＳＶ付近を抽出することができた。しかしながら、ＳＡＴにおける変化に影響を受けたため円状のアーティファクトが生成された。実施例の場合、ＧＳＶ付近の導電率変化のみを抽出することができた。全部位が時間変化したにもかかわらず、対象領域の識別化処理を行ったことにより、対象領域ＲＯＩにおいて特に時間・空間局所的変化の大きいＧＳＶ付近の導電率変化を鮮明に抽出することができた。本シミュレーション結果において、生体内可視化装置１００は、時間変化する局所的なσを可視化計測可能であることが明らかになった。
【0063】
（実験例２）
生体内可視化装置１００を用い、１５人の健康な被験者に対して生体内可視化を実施した。実験例２で用いた測定装置の模式図を図８に示す。図８に示すように、従来の生体電気インピーダンス分析用センサを手と足とに取り付け、従来の生体電気インピーダンス分析用センサと生体電気インピーダンス分析とを接続した。
生体内可視化装置１００を用い、１５人の健康な被験者に対して生体内可視化を実施した。実験例２で用いた測定装置の模式図を図８に示す。図８に示すように、従来の生体電気インピーダンス分析用センサを手と足とに取り付け、従来の生体電気インピーダンス分析用センサと生体電気インピーダンス分析とを接続した。
【0064】
本実施形態に係る生体内可視化装置は、右脹脛の位置に取り付けられた１６個の乾式電極（５×１０ｍｍ）からなるセンサと、当該センサに接続されたデジタル・マルチプレクサ、インピーダンスアナライザ―（ＩＭ３５７０、ＨＩＯＫＩ、日本）、および制御用ＰＣから構成されている。同軸ケーブル、デジタル・マルチプレクサに接続されたインピーダンスアナライザー、および、浮腫識別方法ソフトウェアを含むＰＣによって、インピーダンスアナライザーで測定されたインピーダンスＺは、ＵＳＢケーブルを使用してＰＣに送信される。従来のＢＩＡは電極（手用に２つ、足用に２つ）（ＩｎＢｏｄｙＳ１０、ＩｎＢｏｄｙ Ｊａｐａｎ Ｉｎｃ．）で構成される。本実施形態に係る生体内可視化装置と従来のＢＩＡ の測定は、電極を取り付けたままでも、両方の測定を同時に行わない限り、相互に干渉しないことを事前のテストで確認した。
【0065】
図９は、皮下脂肪組織（ＳＡＴ）の細胞外液（ＥＣＦ）に局所的時空間変化（ＬＳＴＣ）を誘発するための長時間の立位と脚の挙上に関する実験プロトコルを示した。実験の開始時に、被験者はリクライニングベッドに横になり、運動や筋肉疲労などの前の活動によって影響を受ける脚のむくみを軽減するために、角度φ＝３０度の脚上げを行った。長時間立っている間、被験者はＥＣＦ体積の増加を誘発するために小さな動きをせずに４０分間立っており、生体内可視化装置による測定と従来のＢＩＡの測定が連続して行われ、それぞれ３分と２分かかった。上記のプロセスは、被験者ごとに８回（ｋ＝１－８：ｔｋ＝５／１０／１５／２０／２５／３０／３５／４０分）繰り返された。脚の挙上中、被験者はリクライニングベッドを使用して３分間脚を上げ、その後ゆっくりと立ち上がった。その後、生体内可視化装置による測定、および、従来のＢＩＡ測定が連続して行われ、ＥＣＦ体積の減少を誘発するために合計８分間の時間をかけた。上記のプロセスは、各被験者に対して ３回繰り返された（ｋ＝８－１１：ｔｋ＝５０／６０／７０分）。
【0066】
実験例２では、１５人の健康な被験者（男性：９人、女性：６人、年齢：２３．１±２．３歳、体格指数：２３．１±４．９ｋｇ／ｍ２）が参加した。細胞外空間のみを貫通する電流経路を考慮して選択された２つの周波数ｆ１＝１．６ｋＨｚおよびｆ２＝４．７ｋＨｚで電流Ｉ０＝１ｍＡを使用して、さまざまな時間枠（ｋ＝１－１１）でインピーダンスＺを測定した。次に、インピーダンスＺを使用して、ＭＡＴＬＡＢ（登録商標）Ｒ２０２０ａ（Ｍａｔｈｗｏｒｋｓ）でサポートされているＮＥＴＧＥＮによって生成された有限要素法（ＦＥＭ）のメッシュで周波数差導電率分布Δσを画像再構成した。下肢浮腫を評価するための局所時空間変化（ＬＳＴＣ）を定量化するために、分離されたＳＡＴで空間平均伝導率〈Δσ〉ＳＡＴを計算した。
【0067】
比較として従来のＢＩＡは、周波数ｆ＝５ｋＨｚで右脚で測定され、ＥＣＦを求めた。これらの２つのパラメータは、ｔ検定の有意水準が０．０５に設定されている相関係数Ｒによって比較した。さらに、生体内可視化装置による測定および従来のＢＩＡ測定の平均０および標準偏差１の正規化された値、つまり、正規化された空間平均導電率（＜Δσ＞ＳＡＴ）および正規化された従来のインピーダンスＺＢＩＡを計算し、それらの傾向を評価した。
【0068】
ＬＳＴＣの大伏在静脈（ＧＳＶ）の位置を取得するために、本開示のセンサの電極の位置に対して高周波マトリックスプローブ（ＬＯＧＩＱｅＰｒｅｍｉｕｍ、ＧＥ ヘルスケア、日本）を使用して超音波画像を取得した。生体内可視化装置の最小エラーバウンドと最大反復回数は、それぞれδｍｉｎ＝１×１０－２とｉｔｅｒｍａｘ＝１５に設定して、最適化した。これらのパラメータの影響について、以下で説明する。
【0069】
時間相関の正則化パラメータβは、β＝４に設定した。しきい値ｃは、時間標準偏差画像νの２５％に設定した。図１０に、生体内可視化装置によって再構成された、ある被験者の周波数差導電率分布Δσを示す。長時間にわたるある被験者の脹脛の角度θ０＝１２０°とθ１＝－１５０°（図１１Ｂで説明）の間でトリミングされている。人間の脹脛の寸法は、ｘ軸とｙ軸はｚ軸に直交したｘ－ｙ－ｚデカルト座標系に基づいており、ｚ軸は重力方向に沿っている。破線の円は、大伏在静脈（ＧＳＶ）の位置に関連するΔσの局所的な最大位置を示す。ＧＳＶに伴う局所時空間変化（ＬＳＴＣ）は小さく、画像全体では区別が難しいため、円形画像全体は図１１Ｂの代表的な例にのみ示され、Δσは１５人の被験者すべてについてトリミングされている。図１０の角度 θ０とθ１は、脛骨の前内側に位置するＧＳＶ位置付近のΔσを強調するように選択されている。超音波画像でＧＳＶが観察されたＥＩＴ電極番号は、被験者ごとに多少のばらつきはあるものの、ＥＩＴ電極番号（３）～（５）の近くに位置していた。したがって、分離された皮下脂肪組織（ＳＡＴ）の細胞外液（ＥＣＦ）のＬＳＴＣは、Δσによって正確に監視できる。すなわち、ＬＳＴＣは長時間の立位中に減少し、ＬＳＴＣは脚の挙上中に増加する。高いΔσは、ＧＳＶの近く以外の場所でも観察される。これは、ＥＣＦが比較的大きな静脈の近くの毛細血管によって保持されているためと考えられる。さらに興味深いことに、ＧＳＶに近い場所は、ほとんどの被験者で最大のΔσを示した。
【0070】
図１１Ａは典型的なヒトの脹脛の断面、図１１Ｂは被験者Ｎｏ．１２のΔσ、図１１Ｃは当該被験者のＥＩＴ電極Ｎｏ．（４）付近の超音波画像である。図１１Ｂにおいて、白い破線は分離されたＳＡＴの境界を示す。対照的に、図１１Ｃの破線は、超音波画像の原点からＧＳＶ位置に向かう方向で、原点から極大値位置に向かう方向を示しており、その角度θＥＩＴＧ＝１５０°で、破線上の角度θＵＳＧ＝１５０°と同じである。これらの図から、ΔσのＬＳＴＣ位置は、筋肉のコンパートメントや骨ではなく、分離されたＳＡＴに示されていることが確認された。特に、図１１Ｂの破線の円として示されるΔσの極大位置は、ＧＳＶ位置に関連付けできることが確認された。
【0071】
Δσの極大値（図１０の破線の円）が大伏在静脈（ＧＳＶ）の位置に関連付けられている理由について説明する。スパースベイズ学習フレームワークの大域的最小値は、Δσの個々の要素を制御するスパース性に関連する事前分散ベクトルγによって、常に最もスパースである。ＧＳＶは浅筋膜と伏在筋膜の間に位置し、その深さ位置は皮下組織の厚さに依存する。さらに、ＧＳＶは脚の皮下組織から心臓に血液を戻す上で重要な役割を果たす。図１０ではいくつかの大きな極大値が観察されたが、これはＧＳＶ近くの毛細血管から拡散したＥＣＦに関連していると推測される。以上より、生体内可視化装置は、分離されたＳＡＴのΔσの時間的相関を抽出することができることが分かった。
【0072】
図１２に、分離されたＳＡＴにおける正規化された空間平均伝導率＜Δσ＞ＳＡＴと、長時間の立位と脚の挙上中の正規化された従来のＢＩＡインピーダンスｚＢＩＡを示す。図１２において、＜Δσ＞ＳＡＴおよびｚＢＩＡは長時間の立位で減少し、＜Δσ＞ＳＡＴおよびｚＢＩＡは下肢挙上で増加する。＜Δσ＞ＳＡＴの標準偏差は、ｚＢＩＡの標準偏差よりも相対的に高いが、＜Δσ＞ＳＡＴはＥＣＦの傾向をよく示した。
【0073】
図１３に、ある被験者の脹脛に対して、分離されたＳＡＴの空間平均導電率＜Δσ＞ＳＡＴと従来のインピーダンスｚＢＩＡとの相関を示す。縦軸は空間平均導電率＜Δσ＞ＳＡＴであり、横軸は、ｚＢＩＡ[Ω]である。２つのパラメータ間の相関係数Ｒとｐ値も示した。図１３に示すように、ΔσとｚＢＩＡには強い正の相関があり、この傾向はいずれの被験者の場合も同様であった。スコアは０．７１５＜Ｒ＜０．９５７（ｐ＜０．０５）であった。したがって、ＬＳＴＣがｚＢＩＡの時間的変化と同様の傾向を示し、さらに、従来のＢＩＡでは不可能なＬＳＴＣが可視化できることが確認された。
それぞれの値の範囲について、ｚＢＩＡが１７０～３４０［Ω］の範囲であったのに対し、＜Δσ＞ＳＡＴは１０～１４００［－］の範囲であった。従来のＢＩＡは主に絶対値に基づいて静的状態を評価し、生体内可視化装置は主に相対値に基づいて動的傾向を評価する。＜Δσ＞ＳＡＴの変動はｚＢＩＡの変動よりも大きく、最大約２桁の差があった。
それぞれの値の範囲について、ｚＢＩＡが１７０～３４０［Ω］の範囲であったのに対し、＜Δσ＞ＳＡＴは１０～１４００［－］の範囲であった。従来のＢＩＡは主に絶対値に基づいて静的状態を評価し、生体内可視化装置は主に相対値に基づいて動的傾向を評価する。＜Δσ＞ＳＡＴの変動はｚＢＩＡの変動よりも大きく、最大約２桁の差があった。
【0074】
分離された皮下脂肪組織（ＳＡＴ）における周波数差導電率分布Δσの局所時空間変化（ＬＳＴＣ）の発生の理由について説明する。長時間立っていると、血液の重力により下肢の静水圧が増加し、ＳＡＴなどの組織の細胞外空間への毛細管ろ過が増加する。同時に、主にナトリウム・イオン濃度に依存する細胞外空間の浸透圧の上昇により、細胞外液（ＥＣＦ）での再吸収が減少する。したがって、下記（４７）式に示す比率値の比例関係が導き出される。ここで、ＬＥＣＦとＬＩＣＦはそれぞれＥＣＦの体積と細胞内液（ＩＣＦ）の体積であり、Ｎａ＋ＥＣＦとＮａ＋ＩＣＦはそれぞれＥＣＦのナトリウム・イオン濃度およびＩＣＦのナトリウム・イオン濃度である。ＥＣＦの主成分であるＮａＣｌ溶液の導電率分布σは、周波数ｆ＜１ＭＨｚでは周波数に依存しないが、ＥＣＦの副成分であるタンパク質溶液のσは、低周波数で周波数に依存する。ｆ＝５ｋＨｚ未満の低周波数で測定されたインピーダンスＺはＥＣＦを表す。健康な人のタンパク質濃度は長時間立っている間一定に保たれるため、図１２の正規化された空間平均伝導率＜Δσ＞ＳＡＴは、Ｎａ＋の増加によって引き起こされるＥＣＦのσの周波数依存性の減少と関連する。
以上より、健常者の場合、下記（４８）式の関係が導かれる。（４８）式によると、長時間の立位と脚の挙上中の右脚のＥＣＦの体積変化ΔＬＥＣＦは、空間平均伝導率＜Δσ＞ＳＡＴから下記（４９）式のように推定される。ここで、ｋ番目の時間枠での ΔＬＥＣＦと＜Δσ＞ＳＡＴが考慮される。ｗは被験者の体重、ρＴＢＦは総体液（ＴＢＦ）と総体重の比（ここでは、０．６）、ρＴＢＦ／ＥＣＦはＴＢＦに対するＥＣＦの比率（ここでは０．２９）であり、ρＲＬは全身に対する右脚の比率（ここでは、０．１）である。
以上より、健常者の場合、下記（４８）式の関係が導かれる。（４８）式によると、長時間の立位と脚の挙上中の右脚のＥＣＦの体積変化ΔＬＥＣＦは、空間平均伝導率＜Δσ＞ＳＡＴから下記（４９）式のように推定される。ここで、ｋ番目の時間枠での ΔＬＥＣＦと＜Δσ＞ＳＡＴが考慮される。ｗは被験者の体重、ρＴＢＦは総体液（ＴＢＦ）と総体重の比（ここでは、０．６）、ρＴＢＦ／ＥＣＦはＴＢＦに対するＥＣＦの比率（ここでは０．２９）であり、ρＲＬは全身に対する右脚の比率（ここでは、０．１）である。
【0075】
【数11】
【0076】
図１４は、被験者１５人の右脚のΔＬＥＣＦの時間変化を示す。ΔＬＥＣＦは長時間の立位では増加し、脚を上げるとΔＬＥＣＦは減少した。〈Δσ〉ＳＡＴはＬＳＴＣのみを表したが、図１４のΔＬＥＣＦは、〈Δσ〉ＳＡＴの傾向が右脚全体のΔＬＥＣＦと一致しているという仮定に基づいて、合理的である。
続いて、ΔＬＥＣＦの範囲を調べた。図１５に被験者１５人の従来の生体電気インピーダンス分析（従来のＢＩＡ）によって測定された、ＥＣＦｍａｘ（ΔＬＥＣＦ）の最大体積変化（ｔ８＝４０分でのΔＬＥＣＦ）と右脚ｖＲＬの筋肉量との間に相関を示した。ｍａｘ（ΔＬＥＣＦ）とｖＲＬとの間には強い正の相関があり、スコアはＲ＝０．７２９（ｐ＜０．０１）であった。血流変化は筋肉量と相関があるため、血管内圧上昇によるｍａｘ（ΔＬＥＣＦ）も筋肉量と相関すると推定される。
続いて、ΔＬＥＣＦの範囲を調べた。図１５に被験者１５人の従来の生体電気インピーダンス分析（従来のＢＩＡ）によって測定された、ＥＣＦｍａｘ（ΔＬＥＣＦ）の最大体積変化（ｔ８＝４０分でのΔＬＥＣＦ）と右脚ｖＲＬの筋肉量との間に相関を示した。ｍａｘ（ΔＬＥＣＦ）とｖＲＬとの間には強い正の相関があり、スコアはＲ＝０．７２９（ｐ＜０．０１）であった。血流変化は筋肉量と相関があるため、血管内圧上昇によるｍａｘ（ΔＬＥＣＦ）も筋肉量と相関すると推定される。
【0077】
（実験例３）
本高精度ＥＩＴ方法を定量的に評価するために、実施例（画像再構成部５２＋対象領域識別部５３＋学習部５４：ＲＯＩ識別有り）、比較例（画像再構成部５２＋学習部５４：ＲＯＩ識別無し）、および従来例である繰り返しガウス・ニュートン法（式（４３）、Ｇａｕｓｓ－Ｎｅｗｔｏｎ アルゴリズム Ｔｉｋｈｏｎｏｖ）とを比較検討した。ここで、Δσｉｔｅｒ ｋはｋ番目の任意の時間（１≦ｋ≦３）におけるｉｔｅｒ番目の反復手段での導電率分布であり、η＝０．０１は正則化パラメータである。測定されたインピーダンスΔＺｋは、上述の場合と同様のＦＥＭ計算によって計算した。順問題と逆問題の要素番号はそれぞれ３２１９および４２６１である。インピーダンスＺは、２つの周波数ｆ１＝１．６ｋＨｚとｆ２＝４．７ｋＨｚで測定され、加算性ガウス雑音によるＳＮＲ＝４０ｄＢであった。
本高精度ＥＩＴ方法を定量的に評価するために、実施例（画像再構成部５２＋対象領域識別部５３＋学習部５４：ＲＯＩ識別有り）、比較例（画像再構成部５２＋学習部５４：ＲＯＩ識別無し）、および従来例である繰り返しガウス・ニュートン法（式（４３）、Ｇａｕｓｓ－Ｎｅｗｔｏｎ アルゴリズム Ｔｉｋｈｏｎｏｖ）とを比較検討した。ここで、Δσｉｔｅｒ ｋはｋ番目の任意の時間（１≦ｋ≦３）におけるｉｔｅｒ番目の反復手段での導電率分布であり、η＝０．０１は正則化パラメータである。測定されたインピーダンスΔＺｋは、上述の場合と同様のＦＥＭ計算によって計算した。順問題と逆問題の要素番号はそれぞれ３２１９および４２６１である。インピーダンスＺは、２つの周波数ｆ１＝１．６ｋＨｚとｆ２＝４．７ｋＨｚで測定され、加算性ガウス雑音によるＳＮＲ＝４０ｄＢであった。
【0078】
図１６Ａは、図１１Ｂで使用したものと同じ境界を持つ筋肉、ＳＡＴ、およびＧＳＶを含む人間の脹脛の例を示す。図１６Ｂは、シミュレーションのための導電率値σを示す。単純な不安定な背景場の下では、ＧＳＶのσのみが時間依存であると想定される。このとき、ＳＡＴと筋肉のσは時間に依存しないと想定され、さらに、筋肉のσは周波数に依存しないと想定される。筋肉とＳＡＴが時間に依存しない場合でも、非常に小さなＧＳＶの影響による局所時空間変化（ＬＳＴＣ）の画像再構成は、周波数依存のＳＡＴの下では困難である。周波数ｆ１でのＧＳＶのσは、任意のｔ１番目、ｔ２番目、およびｔ３番目のＳＡＴのσのそれぞれ２、３、および４倍である。周波数ｆ２でのＧＳＶのσは、下記（５０）式を満たすように調整される。また、ａＧＳＶ＝０．９０５は、図１２の長時間放置中の実験データから推定される。これは、ＧＳＶ近くのＮａ＋ＥＣＦの増加によって引き起こされるＥＣＦのσの周波数依存性の減少を反映した。つまり、σｋは一時的に増加するとき、Δσｋは一時的に減少する。スパースベイズ学習のアルゴリズムのハイパーパラメータは、正則化パラメータβ＝４および最小誤差範囲δｍｉｎ＝１×１０－５に設定した。生体内可視化装置の閾値ｃは、時間標準偏差画像νの７５％に設定し、より高い値を維持した。これは、式（３０）とは符号の向きが異なる。このｃは、再構成の結果に大きく影響する重要なパラメータの１つであるため、アプリケーションごとにヒューリスティックに最適化する必要がある。たとえば、ターゲットのＬＳＴＣは不適切なｃによって消滅する。すべてのアルゴリズムの最大反復回数ｉｔｅｒｍａｘは、下記（５１）式で表される時間平均定位誤差＜ＬＥ＞、下記（５２）式で表されるスペクトル誤差ＳＥ、および下記（５３）式で表される画像ノイズ＜ＩＮ＞の３つのメトリックによってさまざまな反復回数の変化を調べるために、ｉｔｅｒｍａｘ＝５０に設定した。ここで、ｒｋは再構成された摂動Δσｋ
ｐｅｒｔｕｒｂの原点と重心間の距離、＜Δσｋ＞ｐｅｒｔｕｒｂは、摂動Δσｋ
ｐｅｒｔｕｒｂ内のｋ番目の任意時間における空間平均伝導度＜Δσｋ＞の平均０と標準偏差１とで正規化された値である。ｓｔｄ（－）は標準偏差の記号、ｘｋはΔσｋ
ｐｅｒｔｕｒｂに属さない導電率分布である。ここで、Δσｋ
ｐｅｒｔｕｒｂは、全域的最大値の半分よりも高い導電率分布を持つ接続されたピクセルとして定義される。上付き文字ｔｒｕｅは、各メトリックの真の値を示す。理想的な条件では、＜ＬＥ＞、ＳＥ、および＜ＩＮ＞の値は０である。
【0079】
【数12】
【0080】
図１７Ａと図１７Ｃは、不安定な背景場の下で各アルゴリズムによって画像再構成されたｉｔｅｒ＝１５でのΔσと、対応する正規化された空間平均伝導率＜Δσ～ｋ＞ｐｅｒｔｕｒｂを示す。図１７Ｂは理想的な再構成画像を示す。また、実施例、比較例、および従来例の＜ＬＥ＞、ＳＥ、ＩＮを図１７Ｄに示す。
【0081】
再構成のパフォーマンスは反復回数によって大きく変化しないため、ｉｔｅｒ＝１５でのΔσを示す。ＧＳＶの存在による再構成された摂動Δσｋ
ｐｅｒｔｕｒｂはスパースベイズ学習のアルゴリズムによって区別され、従来のＧａｕｓｓ－Ｎｅｗｔｏｎ アルゴリズムはΔσｋ
ｐｅｒｔｕｒｂを明確に示すことができず、アーティファクトがあった。さらに、＜Δσｋ＞ｐｅｒｔｕｒｂは、実験を行ったアルゴリズムの中で最も正値から離れていた。Ｇａｕｓｓ－Ｎｅｗｔｏｎ アルゴリズムは、時間相関やスパース性を使用せずに周波数差を単純に取得するため、不安定な背景場の影響をキャンセルできないためと考えられる。一方、スパースベイズ学習のアルゴリズムでは、Δσｋ
ｐｅｒｔｕｒｂが正しい位置で明確に区別される。図１７Ｃの＜Δσ＞ｋ
ｐｅｒｔｕｒｂに関して、実施例の生体内可視化装置は比較例よりもわずかに正値に近いものの、どちらもスペクトルを適切に推定した。ただし、比較例にはアーティファクトが存在した。
３つのアルゴリズムは、反復回数に大きく依存せず、ＳＢＬ アルゴリズムはガウス・ニュートンアルゴリズムよりも優れたパフォーマンスを示した。時間平均定位誤差＜ＬＥ＞は、実施例と比較例で同じであり、スコア＜ＬＥ＞＝０．１３９±０．０１２であった。ＧＳＶローカリゼーションの場合、両方のアルゴリズムでこの条件下ではｉｔｅｒ＝２だけで十分であった。スペクトル誤差ＳＥは、実施例と比較例でそれぞれ０．０３１±０．００４と０．０６１±０．００１であった。このことから、実施例の生体内可視化装置が、ＳＡＴ分離によるノイズロバスト性の向上により、周波数差の時間変化をより適切に推定していることが分かった。イメージノイズＩＮは、実施例と比較例によって、それぞれ０．０７２±０．００９と０．１３２±０．００１であった。ＳＥの結果と同様に、ＳＡＴ分離は、ＬＳＴＣを監視するために重要なノイズ抑制に貢献することが分かった。
３つのアルゴリズムは、反復回数に大きく依存せず、ＳＢＬ アルゴリズムはガウス・ニュートンアルゴリズムよりも優れたパフォーマンスを示した。時間平均定位誤差＜ＬＥ＞は、実施例と比較例で同じであり、スコア＜ＬＥ＞＝０．１３９±０．０１２であった。ＧＳＶローカリゼーションの場合、両方のアルゴリズムでこの条件下ではｉｔｅｒ＝２だけで十分であった。スペクトル誤差ＳＥは、実施例と比較例でそれぞれ０．０３１±０．００４と０．０６１±０．００１であった。このことから、実施例の生体内可視化装置が、ＳＡＴ分離によるノイズロバスト性の向上により、周波数差の時間変化をより適切に推定していることが分かった。イメージノイズＩＮは、実施例と比較例によって、それぞれ０．０７２±０．００９と０．１３２±０．００１であった。ＳＥの結果と同様に、ＳＡＴ分離は、ＬＳＴＣを監視するために重要なノイズ抑制に貢献することが分かった。
【符号の説明】
【0082】
１０ 電流電圧印加測定部、５２ 画像再構成部、５３ 対象領域識別部、５４ 学習部、５５ 出力部、１００ 生体内可視化装置
【図1】
【図2】
【図3A】
【図3B】
【図3C】
【図4】
【図5A】
【図5B】
【図5C】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11A】
【図11B】
【図11C】
【図12】
【図13】
【図14】
【図15】
【図16A】
【図16B】
【図17A】
【図17B】
【図17C】
【図17D】