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】特許公報(B2)
(11)【特許番号】
(24)【登録日】2022-06-24
(45)【発行日】2022-07-04
(54)【発明の名称】読影練習支援装置
(51)【国際特許分類】
A61B 6/03 20060101AFI20220627BHJP
A61B 5/00 20060101ALI20220627BHJP
G06T 7/00 20170101ALI20220627BHJP
A61B 6/00 20060101ALI20220627BHJP
G09B 19/00 20060101ALN20220627BHJP
【ＦＩ】
A61B6/03 360Z
A61B5/00 F
G06T7/00 350C
G06T7/00 612
A61B6/00 360Z
G09B19/00 Z
【請求項の数】
7
(21)【出願番号】P 2018095551
(22)【出願日】2018-05-17
(65)【公開番号】P2019198530
(43)【公開日】2019-11-21
【審査請求日】2021-03-09
(73)【特許権者】
【識別番号】594164542
【氏名又は名称】キヤノンメディカルシステムズ株式会社
(74)【代理人】
【識別番号】100108855
【弁理士】
【氏名又は名称】蔵田 昌俊
(74)【代理人】
【識別番号】100103034
【弁理士】
【氏名又は名称】野河 信久
(74)【代理人】
【識別番号】100075672
【弁理士】
【氏名又は名称】峰 隆司
(74)【代理人】
【識別番号】100153051
【弁理士】
【氏名又は名称】河野 直樹
(74)【代理人】
【識別番号】100179062
【弁理士】
【氏名又は名称】井上 正
(74)【代理人】
【識別番号】100189913
【氏名又は名称】鵜飼 健
(72)【発明者】
【氏名】森安 健太
【審査官】遠藤 直恵
(56)【参考文献】
【文献】米国特許第０６６６９４８２（ＵＳ，Ｂ１）
【文献】米国特許出願公開第２０１４／０２７０４９３（ＵＳ，Ａ１）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ａ６１Ｂ ６／００－６／１４、５／００－５／０１
Ｇ０６Ｔ ７／００－７／９０
(57)【特許請求の範囲】
【請求項1】
被検体をスキャンして得られる医用画像データを入力する入力層と、前記医用画像データに対応したフラグ情報に関する第１数値情報を出力する出力層と、前記入力層と前記出力層との間に設けられる少なくとも１層の中間層とを有する学習済みモデルと、前記医用画像データと、前記第１数値情報に基づく前記フラグ情報とを記憶する記憶部と、
前記記憶されたフラグ情報に基づいて、前記記憶された医用画像データである練習用画像を表示部に表示させる表示制御部と
を備え、
前記出力層は、前記医用画像データが読影練習に適する確率を示す第２数値情報に対して閾値処理を実行し、前記閾値処理の結果に対応した前記第１数値情報を出力する、
読影練習支援装置。
【請求項2】
被検体をスキャンして得られる医用画像データを入力する入力層と、前記医用画像データに対応したフラグ情報に関する第１数値情報を出力する出力層と、前記入力層と前記出力層との間に設けられる少なくとも１層の中間層とを有する学習済みモデルと、
前記医用画像データが読影練習に適する確率を示す前記第１数値情報に対して閾値処理を実行し、前記閾値処理の結果に対応した二値情報を得る閾値処理部と、
前記医用画像データと、前記二値情報である前記フラグ情報と、前記確率とを記憶する記憶部と、
前記記憶されたフラグ情報に基づいて、前記記憶された医用画像データである練習用画像を表示部に表示させ、且つ前記記憶された前記確率を練習適任度として前記表示部に表示させる表示制御部と
を備えた読影練習支援装置。
【請求項3】
前記出力層は、前記医用画像データの種別に関するカテゴリ情報を更に出力し、前記記憶部は、前記カテゴリ情報を更に記憶し、
前記表示制御部は、前記記憶されたフラグ情報とカテゴリ情報とに基づいて、前記練習用画像を前記表示部に表示させる、請求項１又は２に記載の読影練習支援装置。
【請求項4】
前記学習済みモデルは、前記医用画像データの種別に関するカテゴリ情報を前記医用画像データの画素値情報に基づいて特定し、前記特定したカテゴリ情報を前記出力層から更に出力する、請求項３に記載の読影練習支援装置。
【請求項5】
前記カテゴリ情報は、前記医用画像データに含まれる部位に関する情報である、請求項３又は４に記載の読影練習支援装置。
【請求項6】
前記カテゴリ情報は、前記医用画像データに対応する疾患名に関する情報である、請求項３乃至５のいずれか一項に記載の読影練習支援装置。
【請求項7】
医用画像データに基づいて、前記医用画像データの読影練習に関する第１数値情報を生成するように機能付けられた学習済みモデルを記憶する記憶部と、医用画像データを取得する取得部と、
前記学習済みモデルを用い、前記取得された医用画像データに基づいて前記第１数値情報を生成する処理部と、
前記第１数値情報に関するフラグ情報に基づいて、前記取得された医用画像データである練習用画像を表示部に表示させる表示制御部と
を備え、
前記学習済みモデルの出力層は、前記医用画像データが読影練習に適する確率を示す第２数値情報に対して閾値処理を実行し、前記閾値処理の結果に対応した前記第１数値情報を出力する、読影練習支援装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明の実施形態は、読影練習支援装置に関する。
【背景技術】
【0002】
一般に、医用画像診断装置が被検体をスキャンして得られた多数の医用画像は、読影医により読影作業が施される。この種の読影作業は、多数の医用画像の読影に多くの時間を要し、読影医の負担となっている。このため、近年では、ＡＩ（artificial intelligence）による読影技術が研究されてきている。ＡＩによる読影によれば、読影作業の負担を軽減させる。
【0003】
しかしながら、本発明者の検討によれば、ＡＩによる読影が普及すると、読影はもっぱらＡＩが行うようになることが予想されるため、読影医のスキルが低下してしまう恐れがある。ＡＩは、基本的に学習された病変を発見することについては非常に有用だが、新病などについては対応できないから医師の対応が必須である。このため、読影医のスキルが低下することは問題である。従って、得られた多数の医用画像の中から、読影練習に適した練習用画像を提示できるようにすることが好ましい。
【先行技術文献】
【特許文献】
【0004】
【文献】特開２０１７－６８８３８号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
発明が解決しようとする課題は、得られた多数の医用画像の中から、読影練習に適した練習用画像を提示できるようにすることである。
【課題を解決するための手段】
【0006】
実施形態に係る読影練習支援装置は、記憶部及び表示制御部を備えている。
前記記憶部は、被検体をスキャンして得られる医用画像データと、当該医用画像データに対してユーザからの入力に基づいたフラグ情報とを記憶する。
前記表示制御部は、前記フラグ情報に基づいて、前記医用画像データである練習用画像を表示部に表示させる。
前記記憶部は、被検体をスキャンして得られる医用画像データと、当該医用画像データに対してユーザからの入力に基づいたフラグ情報とを記憶する。
前記表示制御部は、前記フラグ情報に基づいて、前記医用画像データである練習用画像を表示部に表示させる。
【図面の簡単な説明】
【0007】
【発明を実施するための形態】
【0008】
以下、図面を参照しながら各実施形態に係わる読影練習支援装置について説明する。読影練習支援装置は、医用画像を表示するためのコンピュータ装置（いわゆるビューワ）に組み込まれてもよく、被検体を撮像して読影対象の医用画像データを取得する医用画像診断装置に組み込まれてもよい。医用画像診断装置としては、Ｘ線診断装置、Ｘ線ＣＴ装置、ＭＲＩ装置、超音波診断装置、ＳＰＥＣＴ装置、及びＰＥＴ装置等の既存のあらゆるモダリティが該当する。なお、「ＣＴ」は、「computed tomography」の略語である。「ＭＲＩ」は、「magnetic resonance imaging」の略語である。「ＳＰＥＣＴ」は、「single photon emission computed tomography」の略語である。「ＰＥＴ」は、「positron emission computed tomography」の略語である。幾つかの実施形態では、Ｘ線ＣＴ装置を医用画像診断装置の例に用いて述べる。以下の説明において、略同一の機能及び構成を有する構成要素については、同一符号を付し、重複説明は必要な場合にのみ行う。
＜第１の実施形態＞
図１は、第１の実施形態に係る読影練習支援装置を備えたＸ線ＣＴ装置の構成を示すブロック図である。Ｘ線ＣＴ装置１は、架台装置１０と、寝台装置３０と、コンソール装置４０とを有する。なお、図１に描画された複数の架台装置１０は、１台の架台装置１０の正面及び側面を示している。また、本実施形態では、非チルト状態での回転フレーム１３の回転軸又は寝台装置３０の天板３３の長手方向をＺ軸方向と定義する。また、Ｚ軸方向に直交し、床面に対し水平である軸方向をＸ軸方向と定義する。Ｚ軸方向に直交し、床面に対し垂直である軸方向をＹ軸方向と定義する。
＜第１の実施形態＞
図１は、第１の実施形態に係る読影練習支援装置を備えたＸ線ＣＴ装置の構成を示すブロック図である。Ｘ線ＣＴ装置１は、架台装置１０と、寝台装置３０と、コンソール装置４０とを有する。なお、図１に描画された複数の架台装置１０は、１台の架台装置１０の正面及び側面を示している。また、本実施形態では、非チルト状態での回転フレーム１３の回転軸又は寝台装置３０の天板３３の長手方向をＺ軸方向と定義する。また、Ｚ軸方向に直交し、床面に対し水平である軸方向をＸ軸方向と定義する。Ｚ軸方向に直交し、床面に対し垂直である軸方向をＹ軸方向と定義する。
【0009】
ここで、架台装置１０は、Ｘ線管１１、Ｘ線検出器１２、回転フレーム１３、Ｘ線高電圧装置１４、制御装置１５、ウェッジ１６、コリメータ１７及びＤＡＳ１８を有する。
【0010】
Ｘ線管１１は、Ｘ線高電圧装置１４からの高電圧の印加及びフィラメント電流の供給により、陰極（フィラメント）から陽極（ターゲット）に向けて熱電子を照射することでＸ線を発生させる真空管である。
【0011】
Ｘ線検出器１２は、Ｘ線管１１から照射され、被検体Ｐを通過したＸ線を検出し、当該Ｘ線量に対応した電気信号をＤＡＳ１８へと出力する。
【0012】
回転フレーム１３は、Ｘ線管１１とＸ線検出器１２とを対向支持し、後述する制御装置１５によってＸ線管１１とＸ線検出器１２とを回転させる円環状のフレームである。なお、回転フレーム１３は、Ｘ線管１１とＸ線検出器１２に加えて、Ｘ線高電圧装置１４やＤＡＳ１８を更に備えて支持する。ＤＡＳ１８が生成した検出データは、回転フレームに設けられた発光ダイオード（ＬＥＤ）を有する送信機から光通信によって架台装置の非回転部分（例えば、図示しない固定フレーム）に設けられた、フォトダイオードを有する受信機に送信される。しかる後、検出データは、受信機からコンソール装置４０へと転送される。なお、回転フレームから架台装置の非回転部分への検出データの送信方法は、前述の光通信に限らず、非接触型のデータ伝送であれば如何なる方式を採用しても構わない。
【0013】
Ｘ線高電圧装置１４は、高電圧発生装置と、Ｘ線制御装置とを有する。高電圧発生装置は、変圧器（トランス）及び整流器等の電気回路を有し、Ｘ線管１１に印加する高電圧及びＸ線管１１に供給するフィラメント電流を発生する機能を有する。Ｘ線制御装置は、Ｘ線管１１が照射するＸ線に応じた出力電圧の制御を行う。Ｘ線高電圧装置１４は、回転フレーム１３に設けられてもよいし、架台装置１０の固定フレーム（図示しない）側に設けられても構わない。なお、固定フレームは回転フレーム１３を回転可能に支持するフレームである。
【0014】
制御装置１５は、ＣＰＵ（Central Processing Unit）等を有する処理回路と、モータ及びアクチュエータ等の駆動機構とを有する。制御装置１５は、コンソール装置４０若しくは架台装置１０に取り付けられた入力インターフェース４３からの入力信号を受けて、架台装置１０及び寝台装置３０の動作制御を行う機能を有する。例えば、制御装置１５は、入力信号を受けて回転フレーム１３を回転させる制御や、架台装置１０をチルトさせる制御、及び寝台装置３０及び天板３３を動作させる制御を行う。制御装置１５は架台装置１０に設けられてもよいし、コンソール装置４０に設けられても構わない。
【0015】
ウェッジ１６は、Ｘ線管１１から照射されたＸ線量を調節するためのフィルタである。
【0016】
コリメータ１７は、ウェッジ１６を透過したＸ線の照射範囲を絞り込むための鉛板等であり、複数の鉛板等の組み合わせによってスリットを形成する。なお、コリメータ１７は、Ｘ線絞りと呼ばれる場合もある。
【0017】
ＤＡＳ１８は、Ｘ線検出器１２の各Ｘ線検出素子から出力される電気信号に対して増幅処理を行う増幅器と、増幅された電気信号をデジタル信号に変換するＡ／Ｄ変換器とを有し、当該デジタル信号が示すデジタル値を有する検出データを生成する。「ＤＡＳ」は、「Data Acquisition System」の略語である。検出データは、生成元のＸ線検出素子のチャンネル番号、列番号、および収集されたビューを示すビュー番号により識別されたＸ線強度のデジタル値のセットである。ＤＡＳ１８が生成した検出データは、架台装置１０に収容された非接触データ伝送回路（図示せず）を介してコンソール装置４０へと転送される。
【0018】
寝台装置３０は、スキャン対象の被検体Ｐを載置、移動させる装置であり、基台３１と、寝台駆動装置３２と、天板３３と、支持フレーム３４とを備えている。
【0019】
基台３１は、支持フレーム３４を鉛直方向に移動可能に支持する筐体である。
【0020】
寝台駆動装置３２は、被検体Ｐが載置された天板３３を天板３３の長手方向に移動するモータあるいはアクチュエータである。支持フレーム３４の上面に設けられた天板３３は、被検体Ｐが載置される板である。なお、寝台駆動装置３２は、天板３３に加え、支持フレーム３４を天板３３の長手方向に移動してもよい。
【0021】
コンソール装置４０は、メモリ４１と、ディスプレイ４２と、入力インターフェース４３と、処理回路４４と、通信インターフェース４５とを有する。処理回路４４は、システム制御機能４４１、画像生成機能４４２、読影練習支援機能４４３及び表示制御機能４４４を実行する。メモリ４１、ディスプレイ４２、入力インターフェース４３、読影練習支援機能４４３及び表示制御機能４４４は、読影練習支援装置４６を構成している。メモリ４１と、ディスプレイ４２と、入力インターフェース４３と、処理回路４４と、通信インターフェース４５との間のデータ通信は、バス（bus）を介して行われる。なお、コンソール装置４０は架台装置１０とは別体として説明するが、架台装置１０にコンソール装置４０又はコンソール装置４０の各構成要素の一部が含まれてもよい。
【0022】
メモリ４１は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスク等により実現される。メモリ４１は、例えば、投影データや医用画像データ、フラグ情報、本実施形態に係るプログラム等を記憶する。
【0023】
医用画像データ及びフラグ情報は、例えば図２に示すように、医用画像ファイルＦＡ内に組み込まれてもよい。医用画像ファイルＦＡは、ＤＩＣＯＭ（Digital Imaging and Communications in Medicine）規格に準拠したデータ形式のファイルである。医用画像ファイルＦＡは、互いに関連付けられた医用画像データｄ１と付帯情報ｄ２とを有する。
【0024】
医用画像データｄ１は、被検体Ｐをスキャンして得られた医用画像データであり、被検体の医用画像をＤＩＣＯＭ規格に従って符号化したデータから成る。例えば、医用画像データｄ１は、医用画像を構成する各画素に関する画素データの集合であり、画素データは医用画像を構成する各画素の座標と表示色に対応するグレー値またはカラー値を表現している。
【0025】
付帯情報ｄ２は、例えば、被検体Ｐの患者情報、スキャン条件、再構成条件等のＤＩＣＯＭ規格において標準的に利用されている情報と、メモ情報、フラグ情報等のＤＩＣＯＭ規格において標準的に利用されていない情報とを含む。
【0026】
患者情報としては、体重、年齢、身長、性別、既往症等の医学的な情報が含まれる。すなわち、患者情報は、読影練習用の医学的な情報であり、患者の個人名などは不要である。既存の匿名化機能により、既存の患者情報から個人名などの医学的でない個人情報を消去し、匿名化した患者情報が読影練習用画像の付帯情報ｄ２として使用可能である。但し、患者情報は、匿名化が必須という訳ではなく、読影練習に用いない個人名を含んでもよい。
【0027】
スキャン条件としては、Ｘ線照射条件、視野（Ｆｉｅｌｄ ｏｆ Ｖｉｅｗ：ＦＯＶ）、撮影（スキャン）範囲、スキャンモード、スライス厚等が含まれる。
【0028】
再構成条件としては、再構成関数、再構成間隔等が含まれる。
メモ情報は、読影練習の参考になる記述であればよく、任意の文字列で構わない。但し、メモ情報は、例えば、この医用画像が読影練習に適している理由や、この医用画像を読影する際の注意点といった読影ポイントを含むことが好ましい。ここでいう理由は、上級の読影医の主観的な理由でよく、例えば「この画像は、○○の症例の参考になる。」、「この画像は、○○の検査結果になる。」、「この画像は、金属アーチファクトを示す。」というように、任意の形式で記載される。読影ポイントは、同様に主観的に記載してよく、例えば、「ＣＴの金属アーチファクトがＰＥＴにアーチファクトとして撮像されることがあるから注意するように。」、「一見、光っていて癌に見えるが、実は癌ではない。」といった任意の形式で記載される。メモ情報の理由や読影ポイントは、両者が混在してもよく、例えば、理由が読影ポイントを含んでもよく、読影ポイントが理由を含んでもよい。また、メモ情報は、これらの例に限らず、「金属アーチファクト」、「○○症例」というように、読影練習の種別や読影結果を示す文字列であってもよい。すなわち、メモ情報は、後述するカテゴリ情報と同様の記述になってもよい。
メモ情報は、読影練習の参考になる記述であればよく、任意の文字列で構わない。但し、メモ情報は、例えば、この医用画像が読影練習に適している理由や、この医用画像を読影する際の注意点といった読影ポイントを含むことが好ましい。ここでいう理由は、上級の読影医の主観的な理由でよく、例えば「この画像は、○○の症例の参考になる。」、「この画像は、○○の検査結果になる。」、「この画像は、金属アーチファクトを示す。」というように、任意の形式で記載される。読影ポイントは、同様に主観的に記載してよく、例えば、「ＣＴの金属アーチファクトがＰＥＴにアーチファクトとして撮像されることがあるから注意するように。」、「一見、光っていて癌に見えるが、実は癌ではない。」といった任意の形式で記載される。メモ情報の理由や読影ポイントは、両者が混在してもよく、例えば、理由が読影ポイントを含んでもよく、読影ポイントが理由を含んでもよい。また、メモ情報は、これらの例に限らず、「金属アーチファクト」、「○○症例」というように、読影練習の種別や読影結果を示す文字列であってもよい。すなわち、メモ情報は、後述するカテゴリ情報と同様の記述になってもよい。
【0029】
なお、メモ情報は、上級の読影医の主観で記述されるため、主観的に医用画像データが読影練習に適さない場合には、読影練習の参考にならない旨を示す記述としてもよい。例えば、医用画像データが典型的な金属アーチファクトや症例を示し、極めて容易に読影される場合には、当該医用画像データを練習用画像にせず、読影練習に適さない旨をメモ情報に記述してもよい。但し、医用画像データが読影練習に適さない場合には、メモ情報が参照される読影練習が行われないため、メモ情報を記述する意味はない。但し、読影練習に適さない医用画像データに対し、後述する機械学習を行う場合には、読影練習に適さない旨のメモ情報を記述する意味がある。
【0030】
フラグ情報は、医用画像データが読影練習に適するか否かを示す情報であり、当該医用画像データに対してユーザからの入力に基づいて設定される。例えば、フラグ情報は、医用画像データが読影練習に適するときに“１”と設定され、他のときに“０”と設定される。以下、特に断りのない限り、フラグ情報“１”が読影練習に適する旨を意味し、フラグ情報“０”が読影練習に適さない旨を意味する。但し、フラグ情報の示す数値“１”，“０”は、逆の意味で用いてもよい。
【0031】
また、フラグ情報は、メモ情報と同様に、上級の読影医であるユーザの主観で設定される。このため、前述同様に、医用画像データが典型的な症例などで読影練習の参考にならない旨がユーザの主観で判断された場合には、当該医用画像データに対してフラグ情報が“０”に設定される。このように本実施形態は、医用画像がアーチファクトや病変を示すか否かではなく、医用画像が読影練習に適するか否かという観点からフラグ情報を設定するので、より読影練習に適した練習用画像をメモリ４１に記憶できる利点がある。
【0032】
また、メモリ４１としては、複数の医用画像ファイルＦＡのうち、読影練習に適する医用画像ファイルのみを冗長化して記憶させた練習用画像ＤＢを含んでもよい。なお、ここでいう冗長化することは、コピーした後に匿名化することを意味する。あるいはメモリ４１は、練習用画像ＤＢを含まなくてもよい。
【0033】
あるいはメモリ４１とは別体として、練習用画像ＤＢを構成する別メモリ（図示せず）を設けてもよい。
【0034】
練習用画像ＤＢは、後述するカテゴリ情報のように、適宜、医用画像ファイルＦＡの種別を分類した階層構造を有してもよい。なお、練習用画像ＤＢを用いない場合、メモリ４１が、当該階層構造を有していてもよい。
【0035】
また、メモリ４１及び別メモリは、被検体をスキャンして得られる医用画像データと、当該医用画像データに対してユーザからの入力に基づいたフラグ情報とを記憶する記憶部の一例である。なお、メモリ４１及び別メモリの保存領域は、Ｘ線ＣＴ装置１内にあってもよいし、ネットワークで接続された外部記憶装置内にあってもよい。
【0036】
ディスプレイ４２は、各種の情報を表示する。例えば、ディスプレイ４２は、処理回路４４によって生成された医用画像（ＣＴ画像）や、ユーザからの各種操作を受け付けるためのＧＵＩ（Graphical User Interface）等を出力する。ＧＵＩは、例えば表示制御機能４４４により制御され、読影練習ボタンを含むメニュー画面を表示し、入力インターフェース４３を介して読影練習ボタンが操作されると、フラグ情報に基づいて、読影練習に適した医用画像を一覧表示するようにしてもよい。この場合、表示制御機能４４４は、フラグ情報“１”に基づき、メモリ４１を検索してヒットした医用画像ファイルＦＡ内の医用画像データｄ１に応じた医用画像を一覧表示させればよい。あるいは、表示制御機能４４４は、読影練習ボタンの操作に応じて、メモリ４１内の読影練習用ＤＢからフラグ情報“１”をもつ医用画像ファイルＦＡを読み出し、当該医用画像ファイルＦＡ内の医用画像データｄ１に応じた医用画像を一覧表示させればよい。また、画像一覧に表示された医用画像は、ユーザの操作に応じて、適宜、拡大表示され、読影練習に用いられる。
【0037】
また、ＧＵＩとしては、例えば、付帯情報ｄ２の表示制御に関する情報表示ボタンを含む画面を表示し、情報表示ボタンの操作に応じて、練習用画像の表示中に、付帯情報ｄ２内の患者情報やメモ情報を表示するか否かを制御してもよい。このような付帯情報ｄ２の表示制御は、表示された患者情報やメモ情報が読影のヒントになるので、難易度を付けた読影練習を実施可能となる。このような付帯情報ｄ２の表示制御は、後述するカテゴリ情報についても適用可能である。
【0038】
また例えば、ディスプレイ４２としては、例えば、液晶ディスプレイやＣＲＴ（Cathode Ray Tube）ディスプレイである。また、ディスプレイ４２は、表示部の一例である。また、ディスプレイ４２は、架台装置１０に設けられてもよい。ディスプレイ４２は、デスクトップ型でもよいし、コンソール装置４０本体と無線通信可能なタブレット端末等で構成されることにしても構わない。
【0039】
入力インターフェース４３は、ユーザからの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路４４に出力する。例えば、入力インターフェース４３は、付帯情報ｄ２に含める各種情報等をユーザから受け付ける。入力インターフェース４３としては、例えば、マウス、キーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパッド及びタッチパネルディスプレイ等の物理的な操作部品が適宜、使用可能となっている。また、入力インターフェース４３は、入力部の一例である。なお、入力インターフェース４３は、前述した物理的な操作部品を備えるものに限定されない。例えば、装置とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を処理回路４４へ出力する電気信号の処理回路も入力インターフェース４３の例に含まれる。また、入力インターフェース４３は、架台装置１０に設けられてもよい。また、入力インターフェース４３は、コンソール装置４０本体と無線通信可能なタブレット端末等で構成されることにしても構わない。
【0040】
処理回路４４は、Ｘ線ＣＴ装置１全体の動作を制御する。例えば、処理回路４４は、ハードウェア資源として、ＣＰＵやＭＰＵ、ＧＰＵ（Graphics Processing Unit）等のプロセッサとＲＯＭやＲＡＭ等のメモリとを有する。処理回路４４は、メモリに展開された各プログラムを実行するプロセッサにより、システム制御機能４４１、画像生成機能４４２、読影練習支援機能４４３及び表示制御機能４４４などを実行する。補足すると、各プログラムを読み出した状態の処理回路４４は、図１の処理回路４４内に示された各機能を有することとなる。なお、図１においては単一のプロセッサにて各機能を実行する旨を説明したが、複数の独立したプロセッサを組み合わせて処理回路４４を構成し、各プロセッサがプログラムを実行することにより機能を実現するものとしても構わない。また、図１においては単一のメモリ４１が各機能に対応するプログラムを記憶するものとして説明したが、複数のメモリを分散して配置して、処理回路４４は個別のメモリから対応するプログラムを読み出す構成としても構わない。また、処理回路４４は、処理部の一例である。
【0041】
システム制御機能４４１は、入力インターフェース４３を介してユーザから受け付けた入力操作に基づいて、処理回路４４の各機能を制御する。具体的には、システム制御機能４４１は、メモリ４１に記憶されている制御プログラムを読み出して処理回路４４内のメモリ上に展開し、展開された制御プログラムに従ってＸ線ＣＴ装置１の各部を制御する。また、システム制御機能４４１は、制御部の一例である。
【0042】
画像生成機能４４２は、ＤＡＳ１８から出力された検出データに対して対数変換処理やオフセット補正処理、チャネル間の感度補正処理等の前処理を施したデータを生成する。なお、前処理前のデータ（検出データ）および前処理後のデータを総称して投影データと称する場合や生データと称する場合がある。
【0043】
画像生成機能４４２は、当該生成した投影データに対して、フィルタ補正逆投影法や逐次近似再構成法等を用いた再構成処理を行ってＣＴ画像データを生成する。
【0044】
これに加え、画像生成機能４４２は、入力インターフェース４３を介してユーザから受け付けた入力操作に基づいて、当該ＣＴ画像データを公知の方法により、任意断面の断層像データや３次元画像データに変換する。公知の方法としては、例えば、ボリュームレンダリングや、サーフェスレンダリング、画像値投影処理、ＭＰＲ処理、ＣＰＲ処理等の３次元画像処理が適宜、使用可能となっている。「ＭＰＲ」は、「Multi-Planer Reconstruction」の略語である。「ＣＰＲ」は、「Curved MPR」の略語である。返還後の断層像データや３次元画像データは、３次元空間におけるＣＴ値の分布情報を有するデータである。このようなＣＴ画像データや断層像データを含む医用画像データｄ１と、付帯情報ｄ２とを含む医用画像ファイルＦＡは、メモリ４１に保存される。また、画像生成機能４４２は、画像処理部の一例である。
【0045】
読影練習支援機能４４３は、医用画像の表示中、ユーザによる入力インターフェース４３の操作に応じて、当該医用画像の付帯情報ｄ２を編集可能となっている。例えば、読影練習支援機能４４３は、メモリ４１内の医用画像ファイルＦＡに対し、上級の読影医であるユーザの操作に応じて、医用画像が練習に適していることを示すフラグ情報“１”を付帯情報ｄ２に書き込む。これにより、医用画像ファイルＦＡ内の医用画像データｄ１が（読影の）練習用画像として利用可能となる。また、読影練習支援機能４４３は、ユーザの操作に応じて、医用画像の読影のポイント等を示すメモ情報を付帯情報ｄ２に書き込んでもよい。また、読影練習支援機能４４３は、メモリ４１内の医用画像ファイルＦＡを読影練習用ＤＢに登録する場合、既存の匿名化機能により、付帯情報ｄ２内の患者情報から患者名などの個人識別情報を削除した医用画像ファイルＦＡを登録する。また適宜、付帯情報ｄ２のスキャン条件、再構成条件なども維持して登録する。但し、患者情報、メモ情報、スキャン条件及び再構成条件は、任意の付加的事項であり、練習用画像の付帯情報ｄ２から省略してもよい。後述するカテゴリ情報も同様に省略可能である。
【0046】
表示制御機能４４４は、各種の情報を表示するようにディスプレイ４２を制御する。表示制御機能４４４は、例えば、読影練習に適した医用画像を表示する際に、フラグ情報“１”に基づいて、医用画像データｄ２である練習用画像をディスプレイ４２に表示させる。表示制御機能４４４は、表示制御部の一例である。
【0047】
なお、システム制御機能４４１、画像生成機能４４２、読影練習支援機能４４３、表示制御機能４４４は、一つの基板の処理回路４４により実装されてもよいし、複数の基板の処理回路４４により分散して実装されてもよい。同様に、コンソール装置４０は、単一のコンソールにて複数の機能を実行するものとして説明したが、複数の機能を別々のコンソールが実行することにしても構わない。処理回路４４はコンソール装置４０に含まれる場合に限らず、図示しない複数の医用画像診断装置にて取得された検出データに対する処理を一括して行う統合サーバに含まれてもよい。
【0048】
通信インターフェース４５は、有線、無線又はその両方にて外部装置と通信するための通信回路である。外部装置は、例えば、各モダリティ（医用画像診断装置）、放射線部門情報管理システム（ＲＩＳ）、病院情報システム（ＨＩＳ）及びＰＡＣＳ等のシステムに含まれるサーバ、あるいは他のワークステーション等である。「ＲＩＳ」は、「Radiological Information System」の略語である。「ＨＩＳ」は、「Hospital Information System」の略語である。「ＰＡＣＳ」は、「Picture Archiving and Communication System」である。
【0049】
次に、以上のように構成されたＸ線診断装置の動作について図３のフローチャートを用いて説明する。
【0050】
始めに、Ｘ線ＣＴ装置１は、通信インターフェース４５を介して、図示しない検査予約システム等から検査対象の被検体に関する患者情報（被検体情報）を取得する。患者情報は、患者ＩＤ、患者名、生年月日、年齢、身長、体重、性別、検査部位、既往症である。なお、患者情報は、患者のインプラントを示すインプラント情報を含んでもよい
続いて、Ｘ線ＣＴ装置１においては、ユーザにより、天板３３上に被検体Ｐがセッティングされる。また、ユーザによる入力インターフェース４３の操作により、位置決め撮影の開始位置に天板３３が移動する。ユーザによる入力インターフェース４３の操作により、プリセットされたスキャン計画が選択され、当該スキャン計画の詳細条件が設定される。
続いて、Ｘ線ＣＴ装置１においては、ユーザにより、天板３３上に被検体Ｐがセッティングされる。また、ユーザによる入力インターフェース４３の操作により、位置決め撮影の開始位置に天板３３が移動する。ユーザによる入力インターフェース４３の操作により、プリセットされたスキャン計画が選択され、当該スキャン計画の詳細条件が設定される。
【0051】
次に、Ｘ線ＣＴ装置１は、スキャン計画に従って、被検体の位置決め撮影を実行し、被検体のスキャノ画像を生成する。スキャノ画像はメモリ４１に保存される。続いて、Ｘ線ＣＴ装置１は、スキャノ画像を用いて撮影範囲を設定し、撮影開始位置に天板３３を移動させる。また、Ｘ線ＣＴ装置１は、スキャノ画像を用いてスキャン条件、再構成条件を設定する。
【0052】
しかる後、ステップＳＴ１において、Ｘ線ＣＴ装置１は、設定された条件に基づいて本スキャンを実行し、被検体Ｐの医用画像データを得る。
【0053】
ステップＳＴ１の後、ステップＳＴ２において、Ｘ線ＣＴ装置１は、被検体Ｐをスキャンして得られた医用画像データｄ１と、付帯情報ｄ２とを有する医用画像ファイルＦＡをメモリ４１に記憶する。この時点では、付帯情報ｄ２は、フラグ情報を含まないか、デフォルトでフラグ情報“０”を含む。すなわち、この時点では、医用画像データｄ１が読影に適する旨が付帯情報ｄ２に記録されていない。
【0054】
ステップＳＴ２の後、ステップＳＴ３において、処理回路４４は、ユーザの操作に応じて、メモリ４１内の医用画像データｄ１に基づき、医用画像をディスプレイ４２に表示させる。
【0055】
ステップＳＴ３の後、ステップＳＴ４において、表示中の医用画像が読影練習に適するか否かを、上級の読影医であるユーザが判断する。
【0056】
ステップＳＴ４の判断の結果、否の場合、処理回路４４は、ユーザの操作に応じて、医用画像の付帯情報ｄ２にフラグ情報“０”を書き込むか、又はフラグ情報をデフォルト値“０”のままとして、医用画像ファイルＦＡを更新する。これにより、メモリ４１は、医用画像ファイルＦＡの付帯情報ｄ２としてフラグ情報“０”を記憶する（ステップＳＴ５）。また、処理回路４４は、ユーザの操作があれば、当該操作に応じて、読影練習に適さない理由をメモ情報に記述する。
【0057】
ステップＳＴ４の判断の結果、読影練習に適する場合、処理回路４４は、ユーザによる入力インターフェース４３の操作に応じて、医用画像の付帯情報ｄ２にフラグ情報“１”を書き込んで、医用画像ファイルＦＡを更新する。あるいは、処理回路４４は、ユーザによる入力インターフェース４３の操作に応じて、フラグ情報のデフォルト値“０”を“１”に書き換えて、医用画像ファイルＦＡを更新する。いずれにしても、メモリ４１は、医用画像ファイルＦＡの付帯情報ｄ２としてフラグ情報“１”を記憶する（ステップＳＴ６）。また、処理回路４４は、ユーザの操作があれば、当該操作に応じて、読影練習の参考になる理由などのメモ情報を記述する。
【0058】
ステップＳＴ５又はＳＴ６の後、ステップＳＴ７において、処理回路４４は、未読影の医用画像があるか否かを判断し、未読影の医用画像がある場合にはステップＳＴ３～ＳＴ６の処理を繰り返す。なお、この判断は、ユーザが行ってもよい。ステップＳＴ７の判断の結果、否の場合には、処理回路４４は、読影練習用の医用画像の登録処理を終了する。
【0059】
ステップＳＴ７の後、メモリ４１内の多数の医用画像データｄ２は、読影練習に適する旨を示すフラグ情報“１”と、読影練習に適さない旨を示すフラグ情報“０”とのいずれかに対応付けられた状態となる。
【0060】
従って、処理回路４４は、経験の浅いユーザの読影練習の際に、フラグ情報“１”に基づいて、読影練習に適した練習用画像をディスプレイ４２に表示させることができる。すなわち、被検体をスキャンして得られた多数の医用画像のうち、読影練習に適した練習用画像のみを表示することができる。
【0061】
上述したように第１の実施形態によれば、被検体をスキャンして得られる医用画像データと、当該医用画像データに対してユーザからの入力に基づいたフラグ情報とを記憶する。当該フラグ情報に基づいて、医用画像データである練習用画像を表示部に表示させる。
【0062】
従って、得られた多数の医用画像の中から、読影練習に適した練習用画像を提示することができる。これに伴い、ＡＩによる読影が普及したとしても、読影練習の機会を減少させずに、読影スキルの低下を防ぐことができる。
【0063】
補足すると、読影練習支援装置４６は、読影用の医用画像を表示するが、それだけではない。例えば、上級の読影医が「この医用画像は読影の参考／練習になる」と判断した場合に、読影練習支援装置４６は、その医用画像に対して、読影練習に適した画像か否かを示すフラグ情報を上級の読影医に入力させ、当該フラグ情報を記憶部に記憶する。練習用画像の提示時には、フラグ情報に基づき、読影練習に適した医用画像を読み出してディスプレイ４２に表示し、経験の浅い読影医に提示する。これにより、経験の浅い読影医は、多数の医用画像の中から練習用画像のみを読影練習することができる。
【0064】
また、ユーザからの入力に基づいたフラグ情報を記憶するので、典型的なアーチファクトや症例を示して読影が極めて容易な医用画像を練習用画像にせず、読影練習に適した医用画像のみを表示するようにフラグ情報を設定できる。このため、読影練習支援装置４６は、より一層、読影練習に適した練習用画像を提示することができ、もって、読影練習の効率向上を図ることができる。
【0065】
これに加え、読影練習の参考になるメモ情報を付帯情報に書き込む場合、メモ情報の内容に応じて、読影練習の効率向上を期待することができる。また、練習用画像の表示中に、付帯情報ｄ２を表示するか否かを制御する場合、難易度を付けた読影練習を実施することができる。
【0066】
＜変形例＞
図４は、第１の実施形態の変形例に係る読影練習支援装置及びその周辺構成を示すブロック図である。この変形例は、Ｘ線ＣＴ装置１の外部装置として、読影練習支援装置５０を備えている。読影練習支援装置５０は、ネットワークＮｗを介して、Ｘ線ＣＴ装置１、ＭＲＩ装置６０及び超音波診断装置７０等の各モダリティと通信可能となっている。各モダリティはそれぞれ、被検体をスキャンして得られた医用画像データｄ１と付帯情報ｄ２とを含む医用画像ファイルＦＡをメモリに保存する。また、各モダリティは、送信要求などに応じて、メモリ内の医用画像ファイルＦＡを読影練習支援装置５０に送信する。
図４は、第１の実施形態の変形例に係る読影練習支援装置及びその周辺構成を示すブロック図である。この変形例は、Ｘ線ＣＴ装置１の外部装置として、読影練習支援装置５０を備えている。読影練習支援装置５０は、ネットワークＮｗを介して、Ｘ線ＣＴ装置１、ＭＲＩ装置６０及び超音波診断装置７０等の各モダリティと通信可能となっている。各モダリティはそれぞれ、被検体をスキャンして得られた医用画像データｄ１と付帯情報ｄ２とを含む医用画像ファイルＦＡをメモリに保存する。また、各モダリティは、送信要求などに応じて、メモリ内の医用画像ファイルＦＡを読影練習支援装置５０に送信する。
【0067】
ここで、読影練習支援装置５０は、メモリ５１、ディスプレイ５２、入力インターフェース５３、処理回路５４及び通信インターフェース５５を備えている。処理回路５４は、図示しないプロセッサとメモリを備えている。処理回路５４のプロセッサは、メモリ５１内のプログラムを呼び出し実行することにより、プログラムに対応する読影練習支援機能５４１、表示制御機能５４２を実行する。
【0068】
ここで、読影練習支援装置５０は、Ｘ線ＣＴ装置１、ＭＲＩ装置６０及び超音波診断装置７０等の各モダリティとネットワークＮｗを介して通信可能であり、前述した読影練習支援装置４６と同様の機能をもっている。
【0069】
すなわち、メモリ５１は、前述したメモリ４１と同様の構成であり、被検体Ｐをスキャンして得られた医用画像データと、当該医用画像データに対してユーザからの入力に基づいたフラグ情報とを記憶する。具体的には、メモリ５１は、前述同様の医用画像ファイルＦＡを記憶する。この医用画像ファイルＦＡは、外部装置から送信され、通信インターフェース５５により受信されてメモリ５１に書き込まれる。外部装置としては、前述した例の各モダリティとして、Ｘ線ＣＴ装置１、ＭＲＩ装置６０及び超音波診断装置７０を用いている。また、メモリ５１は、処理回路５４のプログラムを記憶する。メモリ５１は記憶部の一例である。
【0070】
ディスプレイ５２は、前述したディスプレイ４２と同様の構成であり、処理回路５４に制御され、医用画像などを表示する。
【0071】
入力インターフェース５３は、前述した入力インターフェース４３と同様の構成であり、操作者の操作に応じた電気信号を処理回路５４に出力する。
【0072】
処理回路５４は、前述した処理回路４４と同様の構成であり、図示しないプロセッサとメモリを備え、入力インターフェース５３にて入力あるいは設定された各種情報がメモリに保存される。処理回路５４のプロセッサは、メモリ５１内のプログラムを呼び出し実行することにより、プログラムに対応する読影練習支援機能５４１及び表示制御機能５４２を実行する。但し、処理回路５４は、前述した処理回路４４とは異なり、Ｘ線ＣＴ装置１のシステム制御機能４４１及び画像生成機能４４２に対応する機能を有していない。
【0073】
読影練習支援機能５４３は、前述した読影練習支援機能４４３と同様の構成であり、医用画像の表示中、ユーザによる入力インターフェース４３の操作に応じて、当該医用画像の付帯情報ｄ２を編集可能となっている。
【0074】
表示制御機能５４４は、前述した表示制御機能４４４と同様の構成であり、各種の情報を表示するようにディスプレイ５２を制御する。表示制御機能５４４は、例えば、読影練習に適した医用画像を表示する際に、フラグ情報“１”に基づいて、医用画像データｄ２である練習用画像をディスプレイ５２に表示させる。表示制御機能５４４は、表示制御部の一例である。
【0075】
通信インターフェース５５は、前述した通信インターフェース４５と同様の構成であり、有線、無線又はその両方にて外部装置と通信するための通信回路である。外部装置は、前述した例の各モダリティとして、Ｘ線ＣＴ装置１、ＭＲＩ装置６０及び超音波診断装置７０を用いている。
【0076】
このような読影練習支援装置５０は、Ｘ線ＣＴ装置１内の読影練習支援装置４６が外部装置として設けられたものとして機能する。あるいは、読影練習支援装置５０は、各モダリティ内の読影練習支援装置が外部装置として設けられたものとして機能する。
【0077】
以上のような構成によれば、Ｘ線ＣＴ装置１等の外部装置として設けた読影練習支援装置５０が、第１の実施形態の読影練習支援装置４６と同様に動作して同様の効果を得ることができる。なお、以下の各実施形態も同様の変形例を適用できる。すなわち、各実施形態の変形例において、Ｘ線ＣＴ装置１等の医用画像診断装置の外部装置として設けた読影練習支援装置５０が、各実施形態の読影練習支援装置４６と同様に動作して同様の効果を得ることができる。
【0078】
＜第２の実施形態＞
次に、第２の実施形態に係る読影練習支援装置４６について、前述した図面を参照しながら説明する。
次に、第２の実施形態に係る読影練習支援装置４６について、前述した図面を参照しながら説明する。
【0079】
第２の実施形態は、第１の実施形態において上級の読影医により読影練習に適する旨が判断された医用画像を機械学習した学習済みモデルを用いる。この学習済みモデルにより、第２の実施形態は、上級の読影医が操作することなく、自動的に練習用画像を登録可能となっている。
【0080】
具体的には、メモリ４１は、前述した構成に加え、図５又は図６に示す如き、学習済みモデル４７と、図示しないモデル学習プログラムとを記憶する。学習済みモデル４７は、学習データに基づいて、モデル学習プログラムに従い機械学習モデルに機械学習を行わせることにより、得られた学習済みの機械学習モデルである。ここで、学習データは、医用画像データである入力データと、フラグ情報に関する第１数値情報である出力データとを含んでいる。なお、学習データは、入力データとして、医用画像データに加え、フラグ情報以外の付帯情報を含んでもよい。機械学習モデルは、医用画像データ（及び付帯情報）を入力としてフラグ情報に関する第１数値情報を出力する、複数の関数が合成されたパラメータ付き合成関数である。パラメータ付き合成関数は、複数の調整可能な関数及びパラメータの組合せにより定義される。本実施形態に係る機械学習モデルは、上記の要請を満たす如何なるパラメータ付き合成関数であっても良いが、多層のネットワークモデル（以下、多層化ネットワークと呼ぶ）であるとする。この場合、学習済みモデル４７は、被検体Ｐをスキャンして得られる医用画像データを入力する入力層と、当該医用画像データに対応したフラグ情報に関する第１数値情報を出力する出力層と、入力層と出力層との間に設けられる少なくとも１層の中間層とを有する。なお、入力層は、医用画像データ及び付帯情報を入力してもよく、フラグ情報は、当該医用画像データ及び付帯情報に対応した情報としてもよい。当該学習済みモデル４７は、人工知能ソフトウエアの一部であるプログラムモジュールとしての利用が想定される。学習済みモデル４７は、処理回路４４にて用いられる。具体的には、処理回路４４が、メモリ４１に記憶された学習済みモデル４７からの指令に従って、当該入力層に入力された医用画像データに対し、学習済みのパラメータに基づく演算を行い、当該出力層から第１数値情報を出力するように動作する。このように、当該学習済みモデル４７は、医用画像データに基づいて第１数値情報を生成するように機能付けられている。
【0081】
本実施形態に係る多層化ネットワークの典型的な構成について、以下説明する。ここで、多層化ネットワークとは、層状に並べた隣接層間のみ結合した構造を持ち、情報が入力層側から出力層側に一方向に伝播するネットワークである。本実施形態に係る多層化ネットワークは、図７に示す様に、入力層（ｌ＝１）、中間層（ｌ＝２，３，・・・，Ｌ－１）、出力層（ｌ＝Ｌ）のＬ個の層から構成されるものとする。なお、以下は例を説明するものであって、多層化ネットワークの構成は以下の説明に限定されない。
【0082】
第ｌ層でのユニット数をＩ個とし、第ｌ層への入力ｕ（ｌ）を式（１－１）、第ｌ層からの出力ｚ（ｌ）を式（ｌ－２）の様にそれぞれ表記すると、第ｌ層への入力と第ｌ層からの出力との関係は、式（１－３）によって表すことができる。
【0083】
【数1】
【0084】
ここで、右上の添字（ｌ）は層の番号を示す。また、式（１－３）におけるｆ（ｕ）は、活性化関数であり、ロジスティックシグモイド関数（ロジスティック関数）、双曲線正接関数、正規化線形関数（ReLU)、線形写像、恒等写像、マックスアウト関数等、目的に応じて種々の関数を選択することができる。「ＲｅＬＵ」は、「Rectified Liner Unit」の略語である。
【0085】
第ｌ＋１層でのユニット数をＪ個とし、第ｌ層と第ｌ＋１層との間の重み付行列Ｗ（ｌ＋１）を式（２－１）、第ｌ＋１層におけるバイアスｂ（ｌ＋１）を式（２－２）の様にそれぞれ表記したとする。このとき、第ｌ＋１層への入力ｕ（ｌ＋１）、第ｌ＋１層からの出力ｚ（ｌ＋１）は、それぞれ式（２－３）、式（２－４）によって表すことができる。
【0086】
【数2】
【0087】
本実施形態に係る多層化ネットワークにおいて、入力層（ｌ＝１）には、式（３－１）で表現される医用画像データ（及び付帯情報）が入力される。また、当該入力層においては、入力データｘがそのまま出力データｚ（１）となるため、式（３－２）の関係が成立する。
【0088】
【数3】
【0089】
ここで、入力層に入力される医用画像データ（及び付帯情報）を「入力データｘ」と呼ぶことにすれば、入力データｘについては、以下の（１）又は（２）等のように、種々の形式を用いることができる。（１）入力データｘを一個の画像データ（及び付帯情報）とし、各成分ｘｐ（ｐ＝１，２，・・・，Ｎ）を当該一個の画像データ（及び付帯情報）を構成する位置毎の値（ピクセル値或いはボクセル値）（及び付帯情報の値）として規定する形式。（２）入力データｘを、畳み込み処理が施された画像データ（及び付帯情報）として、（１）を採用する形式。
【0090】
入力層に続く中間層（ｌ＝２，３，・・・，Ｌ－１）層においては、式（２－３）、式（２－４）に従う計算を順次実行することで、各層の出力ｚ（２），・・・ｚ（L-1）を計算することができる。
【0091】
出力層（第Ｌ層）の出力ｚ（Ｌ）を以下の式（４－１）の様に表記する。本実施形態に係る多層化ネットワークは、入力層に入力された画像データｘが、入力層側から出力層側に向かって隣接層間でのみ結合しながら伝播する順伝播型ネットワークである。この様な順伝播型ネットワークは、式（４－２）の様な合成関数として表現することができる。
【0092】
【数4】
【0093】
式（４－２）に示す合成関数は、式（２－３）、式（２－４）より、重み付行列Ｗ（ｌ＋１）を用いた各層間の線形関係、各層における活性化関数ｆ（ｕ（ｌ＋１））を用いた非線形関係（又は線形関係）、バイアスｂ（ｌ＋１）の組み合わせとして定義される。特に、重み付行列Ｗ（ｌ＋１）、バイアスｂ（ｌ＋１）はネットワークのパラメータｐと呼ばれる。式（４－２）によって定義される合成関数は、パラメータｐをどのように選ぶかで、関数としての形を変える。従って、本実施形態に係る多層化ネットワークは、式（４－２）を構成するパラメータｐを適切に選ぶことで、出力層が好ましい結果ｙを出力することができる関数として、定義することができる。
【0094】
パラメータｐを適切に選ぶためには、学習データと誤差関数を用いた学習を実行する。ここで、学習データとは、入力ｘｎに対する望ましい出力（正解出力）をｄｎとすると、式（５－１）のように表現される学習サンプル（ｘｎ，ｄｎ）の集合Ｄ（ｎ＝１，・・・，S）である。
【0095】
【数5】
【0096】
また、誤差関数とは、ｘｎを入力した多層化ネットワークからの出力と学習データｄｎとの近さを表す関数である。誤差関数の代表例としては、二乗誤差関数、最尤度推定関数、交差エントロピー関数等を挙げることができる。どのような関数を誤差関数に選択するかは、多層化ネットワークが取り扱う問題（例えば、回帰問題、二値問題、多クラス分類問題等）に依存する。
【0097】
誤差関数をＥ（ｐ）と表記し、一つの学習サンプル（ｘｎ，ｄｎ）のみを使用して計算される誤差関数をＥｎ（ｐ）と表記する。現在のパラメータｐ（ｔ）は、勾配降下法に従う場合には誤差関数Ｅ（ｐ）の勾配ベクトルを用いた式（６－１）、確率的勾配降下法に従う場合には誤差関数Ｅｎ（ｐ）の勾配ベクトルを用いた式（６－３）によって、新たなパラメータｐ（ｔ＋１）に更新される。
【0098】
【数6】
【0099】
ここで、εはパラメータｐの更新量の大きさを定める学習係数である。
【0100】
式（６－１）又は式（６－３）に従って、現在のｐを負の勾配方向に少し動かし、これを逐次繰り返すことで、誤差関数Ｅ（ｐ）を極小にするパラメータｐを決定することができる。
【0101】
なお、式（６－１）又は式（６－３）を計算するためには、式（６－２）で示されるＥ（ｐ）の勾配ベクトル、又は式（６－４）で示されるＥｎ（ｐ）の勾配ベクトルを計算する必要がある。誤差関数が二乗誤差関数である場合を例とすれば、式（７－１）に示される誤差関数について、各層の重み係数と各ユニットのバイアスとで微分する必要がある。
【0102】
【数7】
【0103】
一方、最終出力ｙが式（４－２）で表される合成関数であることから、Ｅ（ｐ）又はＥｎ（ｐ）の勾配ベクトルの計算は複雑であり、その計算量も膨大なものとなる。
【0104】
この様な勾配計算における不具合は、誤差逆伝播法によって解決することができる。例えば、第ｌ－１層の第ｉユニットと第ｌ層の第ｊユニットとを繋ぐ重みｗji
(l)についての誤差関数の微分は、以下の式（８－１）の様に表すことができる。
【0105】
【数8】
【0106】
ｌ層の第ｊユニットへの入力ｕｊ
（ｌ）がＥｎに与える変化量は、当該第ｊユニットからの出力ｚｊ
（ｌ）を通じて第ｌ＋１層の各ユニットｋへの各入力ｕｋ
（ｌ＋１）を変化させることのみを介して生じるものである。このことから、式（８－１）の右辺第１項は、微分の連鎖則を用いて、次の式（９－１）の様に表すことができる。
【0107】
【数9】
【0108】
ここで、式（９－１）の左辺をδｊ
（ｌ）とおくと、式（１０－１）、式（１０－２）の関係を使って、式（９－１）は式（１０－３）の様に書き直すことができる。
【0109】
【数10】
【0110】
式（１０－３）より、左辺のδｊ
（ｌ）は、δｋ
（ｌ＋１）（ｋ＝１，２，・・・・）から計算できることがわかる。すなわち、一つ上位の出力層側に存在する第ｌ＋１層の第ｋユニットに関するδｋ
（ｌ＋１）が与えられれば、第ｌ層についてのδｊ
（ｌ）を計算することができる。さらに、第ｌ＋１層の第ｋユニットに関するδｋ
（ｌ＋１）についても、その一つ上位の出力層側に存在する第ｌ＋２層の第ｋユニットに関するδｋ
（ｌ＋２）が与えられれば、計算することができる。このことを逐次繰り返して最上位層である出力層まで辿ることができる。
【0111】
最初に第Ｌ層である出力層の第ｋユニットに関するδｋ
（Ｌ）が取得されていれば、式（１０－３）を用いて下位側（すなわち入力層側）に向かって逐次計算を繰り返すことにより（逆伝播）、任意層におけるδｋ
（ｌ＋１）を計算することができる。
【0112】
一方、式（８－１）の右辺第２項については、式（２－３）を第ｌ層について成分で表現した式（１１－１）を用いて、式（１１－２）の様に計算することができる。
【0113】
【数11】
【0114】
従って、第ｌ－１層の第ｉユニットと第ｌ層の第ｊユニットとを繋ぐ重みｗji
(l)についての誤差関数の微分は、式（８－１）、式（１０－３）によるδｊ
（ｌ）、式（１１－２）を用いて、以下の式（１２－１）の様に表現することができる。
【0115】
【数12】
【0116】
式（１２－１）から、第ｌ－１層の第ｉユニットと第ｌ層の第ｊユニットとを繋ぐ重みｗji
(l)についての誤差関数の微分は、第ｊユニットに関するδｊ
（ｌ）と、第ｉユニットからの出力であるｚｉ
（ｌ－１）との積で与えられることがわかる。なお、δｊ
（ｌ）についての計算は、上述した様に、式（１０－３）を用いて逆伝播により求めることができ、また、逆伝播の最初の値、すなわち、第Ｌ層である出力層に関するδｊ
（Ｌ）は、以下の式（１３－１）の様に計算することができる。
【0117】
【数13】
【0118】
以上の手順により、本実施形態に係る多層化ネットワークについて、ある学習サンプル（ｘｎ，ｄｎ）を用いた学習を実現することができる。なお、複数の学習サンプルに対する誤差の総和Ｅ＝ΣｎＥｎに関する勾配ベクトルについては、上述した手順を学習サンプル（ｘｎ，ｄｎ）毎に並列的に繰り返し、以下の式（１４－１）に示す和を計算することで、取得することができる。
【0119】
【数14】
【0120】
以上が本実施形態に係る多層化ネットワークに関する説明である。また、本実施形態に係る多層化ネットワークとしては、例えば、深層学習（Deep Learning）の対象となる多層ニューラルネットワークである深層ニューラルネットワーク（ＤＮＮ：Deep Neural Network）を用いている。ＤＮＮとしては、例えば、画像を対象とする畳込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network)）を用いてもよい。以上の当該多層化ネットワークに関する説明は、以下の各実施形態のうち、機械学習モデル及び学習済みモデル４７を用いる全ての実施形態にも該当する。続いて、処理回路４４の各機能について述べる。
【0121】
処理回路４４の読影練習支援機能４４３は、前述した構成に加え、学習データに基づいて、モデル学習プログラムに従い機械学習モデルに機械学習を行わせることにより、学習済みモデル４７を得る。得られた学習済みモデル４７は、メモリ４１に保存される。ここで、学習データは、被検体Ｐをスキャンして得られる医用画像データ（及び付帯情報）である入力データと、当該医用画像データ（及び付帯情報）に対してユーザからの入力に基づいたフラグ情報である出力データとを含んでいる。
【0122】
また、読影練習支援機能４４３は、メモリ４１内の学習済みモデル４７を用いて、被検体をスキャンして得られる医用画像データから、当該医用画像データに対応したフラグ情報に関する第１数値情報を得る。例えば、読影練習支援機能４４３は、学習済みモデル４７の入力層に入力された医用画像データに対し、学習済みのパラメータｐに基づく演算を行い、学習済みモデル４７の出力層から第１数値情報を出力するように動作する。ここで、第１数値情報は、医用画像データが読影練習に適するか否かを示す二値情報（１又は０）でもよく、医用画像データが練習用画像に適する確率でもよい。第１数値情報が二値情報の場合には、第１数値情報は、フラグ情報でもある。いずれにしても、メモリ４１内の学習済みモデル４７は、医用画像データに基づいて、当該医用画像データの読影練習に関する第１数値情報を生成するように機能付けられている。読影練習支援機能４４３は、第１数値情報が二値情報の場合には、当該二値情報であるフラグ情報を付帯情報ｄ２に書き込む。この場合、機械学習モデル及び学習済みモデル４７の出力層は、医用画像データが読影練習に適する確率を示す第２数値情報に対して閾値処理を実行し、閾値処理の結果に対応した第１数値情報（二値情報）を出力する層であるとしてもよい。一方、第１数値情報が確率の場合には、フラグ情報は、当該確率に対して閾値処理を施した結果に対応した二値情報である。読影練習支援機能４４３は、第１数値情報が確率の場合には、当該確率に対して閾値処理を施し、得られた二値情報であるフラグ情報を付帯情報ｄ２に書き込む。
【0123】
また、読影練習支援機能４４３は、学習済みモデル４７を用いて自動的に書き込んだフラグ情報“１”を、上級の読影医であるユーザの操作に応じて、フラグ情報“０”に更新してもよい。すなわち、ユーザの操作に応じて、練習用画像を読影練習の参考にならないという理由で消去できてもよい。この場合、学習済みモデル４７は、読影練習の参考にならないために練習用画像が消去（フラグ情報が更新）されたことを学習し、医用画像が読影練習に適するかの判断のブラッシュアップを行うようにしてもよい。
【0124】
表示制御機能４４４は、第１の実施形態と同様の構成である。他の構成も第１の実施形態と同様である。
【0125】
次に、以上のように構成された読影練習支援装置の動作について図８のフローチャートを用いて説明する。
【0126】
始めに、前述した通り、ステップＳＴ１～ＳＴ７が実行される。これにより、医用画像データｄ１と、フラグ情報を含む付帯情報ｄ２とを有する医用画像ファイルＦＡがメモリ４１に記憶される。
【0127】
次に、ステップＳＴ１１において、処理回路４４の読影練習支援機能４４３は、メモリ４１内の医用画像ファイルＦＡから学習データを得る。読影練習支援機能４４３は、学習データに基づいて、モデル学習プログラムに従い機械学習モデルに機械学習を行わせることにより、学習済みモデル４７を得る。得られた学習済みモデル４７は、メモリ４１に保存される。
【0128】
ステップＳＴ１１の後、ステップＳＴ１２において、前述同様に、位置決め撮影及び本スキャンが実行され、被検体Ｐの医用画像データが得られる。
【0129】
ステップＳＴ１２の後、ステップＳＴ１３において、前述したステップＳＴ２と同様の処理が実行される。すなわち、Ｘ線ＣＴ装置１は、被検体Ｐをスキャンして得られた医用画像データｄ１と、付帯情報ｄ２とを有する医用画像ファイルＦＡをメモリ４１に記憶する。この時点では、医用画像データｄ１が読影に適する旨が付帯情報ｄ２に記録されていない。
【0130】
ステップＳＴ１３の後、ステップＳＴ１４において、処理回路４４は、ステップＳＴ１３で記憶された医用画像ファイルＦＡの医用画像データｄ１をメモリ４１から取得する。処理回路４４は、取得した医用画像データｄ１が読影練習に適するか否かを、処理回路４４が学習済みモデル４７を用いて判断する。例えば、処理回路４４は、学習済みモデル４７を用い、当該取得された医用画像データに基づいて第１数値情報を生成する。しかる後、処理回路４４は、生成した第１数値情報と閾値とを比較し、医用画像データｄ１が読影練習に適するか否かを判断する。
【0131】
ステップＳＴ１４の判断の結果、否の場合、処理回路４４は、医用画像ファイルＦＡを更新する。これにより、メモリ４１は、医用画像ファイルＦＡの付帯情報ｄ２としてフラグ情報“０”を記憶する（ステップＳＴ１５）。
【0132】
ステップＳＴ１４の判断の結果、読影練習に適する場合、処理回路４４は、医用画像ファイルＦＡを更新する。これにより、メモリ４１は、医用画像ファイルＦＡの付帯情報ｄ２としてフラグ情報“１”を記憶する（ステップＳＴ１６）。
【0133】
ステップＳＴ１５又はＳＴ１６の後、ステップＳＴ１７において、処理回路４４は、未読影の医用画像があるか否かを判断し、未読影の医用画像がある場合にはステップＳＴ１４～ＳＴ１６の処理を繰り返す。ステップＳＴ１７の判断の結果、否の場合には、処理回路４４は、読影練習用の医用画像の登録処理を終了する。
【0134】
以下、前述同様に、処理回路４４は、経験の浅いユーザの読影練習の際に、フラグ情報“１”に基づいて、読影練習に適した練習用画像をディスプレイ４２に表示させることができる。その際、処理回路４４は、上級の読影医の操作により、フラグ情報“１”を“０”に更新し、読影練習に適さない練習用画像については消去することができる。
【0135】
上述したように第２の実施形態によれば、医用画像データに基づいて、医用画像データの読影練習に関する第１数値情報を生成するように機能付けられた学習済みモデルを記憶する。しかる後、医用画像データを取得する。また、学習済みモデルを用い、当該取得された医用画像データに基づいて第１数値情報を生成する。当該第１数値情報に関するフラグ情報に基づいて、当該取得された医用画像データである練習用画像を表示部に表示させる。具体的には例えば、被検体をスキャンして得られる医用画像データを入力する入力層と、医用画像データに対応したフラグ情報に関する第１数値情報を出力する出力層と、入力層と出力層との間に設けられる少なくとも１層の中間層とを有する学習済みモデルを備える。これにより、上級の読影医の操作を介在させずに、医用画像データと、第１数値情報に基づくフラグ情報とを記憶する。また、記憶されたフラグ情報に基づいて、当該記憶された医用画像データである練習用画像を表示部に表示させる。
【0136】
従って、得られた多数の医用画像の中から、読影練習に適した練習用画像を提示することができる。
【0137】
補足すると、読影練習支援装置４６は、ユーザが読影練習に適すると判断した医用画像データ（及び付帯情報）と、フラグ情報とを学習する。これにより、読影練習支援装置４６は、新たに得られた医用画像が読影練習に適するか否かを自動的に判断する。これにより、新たに得られた医用画像のうち、自動的に、読影練習に適する医用画像を練習用画像として保存できる。従って、第２の実施形態によれば、上級の読影医による判断や操作の手間を省略しつつ、第１の実施形態と同様の効果を得ることができる。
【0138】
また、出力層が、医用画像データが読影練習に適する確率を示す第２数値情報に対して閾値処理を実行し、閾値処理の結果に対応した第１数値情報を出力する場合、学習済みモデル４７の出力である第１数値情報をそのままフラグ情報に用いることができる。一方、第１数値情報が確率の場合には、確率は練習用画像が読影練習に向いている度合いと解釈できるので、確率を付帯情報に記録しておき、ユーザが読影練習を行う際に「練習適任度」として表示しても良い。
【0139】
また、機械学習モデル及び学習済みモデル４７の入力データがフラグ情報以外の付帯情報を含む場合には、医用画像とフラグ情報のみを学習する場合に比べ、多数の医用画像間の違いが明確になるので、より一層、機械学習の精度向上を期待することができる。これに加え、入力データがフラグ情報以外の付帯情報を含む場合には、機械学習の負荷を低減させ、機械学習の効率向上を期待することができる。
【0140】
また、上級の読影医の操作により、フラグ情報“１”を“０”に更新し、読影練習に適さない練習用画像については消去することができる。この場合、読影練習支援装置４６は、練習用画像が消去されたことを学習し、練習用画像が参考になるか否かの判断のブラッシュアップを行うことができる。
【0141】
＜第３の実施形態＞
次に、第３の実施形態に係る読影練習支援装置４６について、前述した図面を参照しながら説明する。
次に、第３の実施形態に係る読影練習支援装置４６について、前述した図面を参照しながら説明する。
【0142】
第３の実施形態は、第１の実施形態において、図９に示すように、付帯情報ｄ２にカテゴリ情報が含まれる。これにより、第３の実施形態は、読影練習の際に、カテゴリ情報に応じた練習用画像を表示可能となっている。
【0143】
具体的には、メモリ４１は、前述した構成において、記憶する医用画像ファイルＦＡの付帯情報ｄ２にカテゴリ情報が含まれる。すなわち、メモリ４１は、前述した構成において、カテゴリ情報を更に記憶する。
【0144】
処理回路４４の読影練習支援機能４４３は、前述した付帯情報ｄ２を編集する構成において、ユーザによる入力インターフェース４３の操作に応じて、カテゴリ情報を付帯情報ｄ２に書き込む。例えば、読影医がフラグ情報“１”を登録する際に、金属アーチファクトの読影練習に適した医用画像に対応して、金属アーチファクトのカテゴリ情報を登録することにより、読影練習を行う際に参考になる。カテゴリ情報としては、読影練習の種別に関する情報であればよく、例えば、医用画像データの種別に関する情報としてもよい。また、カテゴリ情報としては、例えば、医用画像データに含まれる部位に関する情報としてもよく、医用画像データに対応する疾患名に関する情報としてもよい。医用画像データの種別としては、医用画像データに含まれる部位を用いてもよく、医用画像データに対応する疾患名を用いてもよく、部位及び疾患名の両方を用いてもよい。また、このカテゴリ情報は、適宜、編集可能である。カテゴリ情報は、大項目、中項目、小項目などのように、階層構造を有していてもよい。このようなカテゴリ情報の書き込み処理は、キー入力を行う方式でもよく、表示された幾つかのカテゴリ情報を選択する方式でもよい。
【0145】
表示制御機能４４４は、前述した構成に加え、カテゴリ情報及びフラグ情報“１”に基づいて、医用画像データｄ２である練習用画像をディスプレイ４２に表示させる。練習用画像を表示させる際のカテゴリ情報は、例えば、読影練習を行うユーザ（練習医）が入力インターフェース４３を介して、表示制御機能４４４に指定する。
【0146】
他の構成は、第１の実施形態と同様である。
【0147】
以上のような構成をもつ第３の実施形態によれば、図１０のステップＳＴ６ａに示すように、例えばフラグ情報“１”を記憶する際に、医用画像データの種別に関するカテゴリ情報を更に記憶する。カテゴリ情報及びフラグ情報に基づいて、練習用画像を表示部に表示させる。従って、第３の実施形態によれば、第１の実施形態の効果に加え、カテゴリ情報に応じた読影練習を実施することができる。また、読影練習の際に、カテゴリ情報を参考にすることができる。
【0148】
また、カテゴリ情報が、医用画像データに含まれる部位に関する情報である場合、カテゴリ情報に関する上述した効果を、当該部位に関する効果として得ることができる。
【0149】
同様に、カテゴリ情報が、医用画像データに対応する疾患名に関する情報である場合、カテゴリ情報に関する上述した効果を、当該疾患名に関する効果として得ることができる。すなわち、部位又は疾患名に応じた読影練習を実施できる。また、読影練習の際に、部位又は疾患名を参考にすることができる。
【0150】
＜第４の実施形態＞
次に、第４の実施形態に係る読影練習支援装置４６について、前述した図面を参照しながら説明する。
次に、第４の実施形態に係る読影練習支援装置４６について、前述した図面を参照しながら説明する。
【0151】
第４の実施形態は、第２及び第３の実施形態の組み合わせであり、図９に示すように、付帯情報ｄ２にカテゴリ情報が含まれると共に、図１１又は図１２に示す如き、学習済みモデル４７が第１数値情報及びカテゴリ情報を出力する。すなわち、第４の実施形態は、カテゴリ情報を用いた機械学習により得られた学習済みモデル４７を用い、新たな医用画像データに対して自動的にカテゴリ情報を生成する。これにより、第４の実施形態は、読影練習の際に、カテゴリ情報に応じた練習用画像を表示可能となっている。
【0152】
具体的には、メモリ４１は、第３の実施形態と同様に、記憶する医用画像ファイルＦＡの付帯情報ｄ２にカテゴリ情報が含まれる。すなわち、メモリ４１は、第１又は第２の実施形態に述べた構成に比べ、カテゴリ情報を更に記憶する。カテゴリ情報については、第３の実施形態に述べた通りである。すなわち、カテゴリ情報は、例えば、医用画像データの種別に関する情報、医用画像データに含まれる部位に関する情報、医用画像データに対応する疾患名に関する情報、のいずれとしてもよい。また、カテゴリ情報は、当該部位に関する情報と、当該疾患名に関する情報との両方でもよい。また、カテゴリ情報は、階層構造を有していてもよい。
【0153】
また、メモリ４１は、第２の実施形態に述べた構成に比べ、図１１又は図１２に示す如き、学習済みモデル４７を記憶する。学習済みモデル４７を得るための学習データの出力データは、フラグ情報に関する第１数値情報と、カテゴリ情報とを含んでいる。なお、学習データの入力データは、前述同様に、医用画像データだけでもよく、医用画像データに加え、フラグ情報以外の付帯情報を含んでもよい。機械学習モデルは、医用画像データ（及び付帯情報）を入力として第１数値情報及びカテゴリ情報を出力する、複数の関数が合成されたパラメータ付き合成関数である。パラメータ付き合成関数は、複数の調整可能な関数及びパラメータの組合せにより定義される。本実施形態に係る機械学習モデルは、上記の要請を満たす如何なるパラメータ付き合成関数であっても良いが、前述同様に、多層化ネットワークであるとする。この場合、学習済みモデル４７は、前述した入力層、出力層及び中間層を有し、当該出力層が、医用画像データの種別に関するカテゴリ情報を更に出力する。例えば、学習済みモデル４７は、入力層に入力された医用画像データの種別に関するカテゴリ情報を当該医用画像データの画素値情報に基づいて特定し、当該特定したカテゴリ情報を出力層から更に出力してもよい。また同様に、学習済みモデル４７の出力層は、医用画像データが読影練習に適する確率を示す第２数値情報に対して閾値処理を実行し、当該閾値処理の結果に対応した第１数値情報（二値情報）を出力してもよい。
【0154】
読影練習支援機能４４３は、メモリ４１内の学習済みモデル４７を用いて、学習済みモデル４７から出力された第１数値情報に基づくフラグ情報、及びカテゴリ情報をそれぞれ付帯情報ｄ２に書き込む。あるいは同様に、第１数値情報が確率の場合には、読影練習支援機能４４３が当該確率に対して閾値処理を施し、得られた二値情報であるフラグ情報を付帯情報ｄ２に書き込む。
【0155】
表示制御機能４４４は、第３の実施形態と同様に、カテゴリ情報及びフラグ情報“１”に基づいて、医用画像データｄ２である練習用画像をディスプレイ４２に表示させる。練習用画像を表示させる際のカテゴリ情報は、例えば、前述同様に、入力インターフェース４３を介して処理回路４４に指定される。
【0156】
他の構成は、第２又は第３の実施形態と同様である。
【0157】
以上のような構成をもつ第４の実施形態によれば、図１３のステップＳＴ１６ａに示すように、例えばフラグ情報“１”を記憶する際に、医用画像データの種別に関するカテゴリ情報を更に記憶する。カテゴリ情報及びフラグ情報に基づいて、練習用画像を表示部に表示させる。従って、第４の実施形態によれば、第２の実施形態の効果に加え、カテゴリ情報に応じた読影練習を実施することができる。また、読影練習の際に、カテゴリ情報を参考にすることができる。
【0158】
また、学習済みモデルは、医用画像データの種別に関するカテゴリ情報を医用画像データの画素値情報に基づいて特定し、当該特定したカテゴリ情報を出力層から更に出力する。従って、医用画像データを自動的に種別に分類することができる。
【0159】
補足すると、読影練習支援装置４６は、ユーザ（上級の読影医）が読影練習用画像を保存する際に、医用画像データｄ１と、カテゴリ情報を含む付帯情報ｄ２を学習データとして、練習用画像がどのカテゴリ情報に分類されるかを学習する。学習済みモデル４７が得られた後、読影練習支援装置４６は、医用画像データｄ１（及び付帯情報ｄ２）から、医用画像データを自動的に分類（カテゴライズ）し、分類結果を示すカテゴリ情報を出力する。なお、カテゴリ情報の出力後、当該カテゴリ情報をユーザが変更してもよい。変更した場合には、読影練習支援装置４６は、カテゴリ情報に変更があったことを学習することにより、自動的に行われるカテゴライズの精度を向上させることができる。
【0160】
また、カテゴリ情報が、医用画像データに含まれる部位に関する情報である場合、カテゴリ情報に関する上述した効果を、当該部位に関する効果として得ることができる。
【0161】
同様に、カテゴリ情報が、医用画像データに対応する疾患名に関する情報である場合、カテゴリ情報に関する上述した効果を、当該疾患名に関する効果として得ることができる。
【0162】
以上述べた少なくとも一つの実施形態によれば、被検体をスキャンして得られる医用画像データと、当該医用画像データに対してユーザからの入力に基づいたフラグ情報とを記憶する。当該フラグ情報に基づいて、医用画像データである練習用画像を表示部に表示させる。
【0163】
従って、得られた多数の医用画像の中から、読影練習に適した練習用画像を提示することができる。
【0164】
上記説明において用いた「プロセッサ」という文言は、例えば、ＣＰＵ、ＧＰＵ、或いは、特定用途向け集積回路（ＡＳＩＣ）、プログラマブル論理デバイス等の回路を意味する。プログラマブル論理デバイスには、例えば、単純プログラマブル論理デバイス（ＳＰＬＤ）、複合プログラマブル論理デバイス（ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（ＦＰＧＡ）等がある。「ＣＰＵ」は、「Central Processing Unit」の略語である。「ＧＰＵ」は、「Graphics Processing Unit」の略語である。「ＡＳＩＣ」は、Application Specific Integrated Circuit」の略語である。「ＳＰＬＤ」は、「Simple Programmable Logic Device」の略語である。「ＣＰＬＤ」は、「Complex Programmable Logic Device」の略語である。「ＦＰＧＡ」は、「Field Programmable Gate Array」の略語である。この種のプロセッサはメモリに保存されたプログラムを読み出し実行することで機能を実現する。なお、メモリにプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むよう構成しても構わない。この場合、プロセッサは回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。なお、本実施形態の各プロセッサは、プロセッサごとに単一の回路として構成される場合に限らず、複数の独立した回路を組み合わせて１つのプロセッサとして構成し、その機能を実現するようにしてもよい。さらに、図１における複数の構成要素を１つのプロセッサへ統合してその機能を実現するようにしてもよい。
【0165】
なお、本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
【符号の説明】
【0166】
１ Ｘ線ＣＴ装置
１０ 架台装置
１１ Ｘ線管
１２ Ｘ線検出器
１３ 回転フレーム
１４ Ｘ線高電圧装置
１５ 制御装置
１６ ウェッジ
１７ コリメータ
１８ ＤＡＳ１８
３０ 寝台装置
３１ 基台
３２ 寝台駆動装置
３３ 天板
３４ 支持フレーム
４０ コンソール装置
４１，５１ メモリ
４２，５２ ディスプレイ
４３，５３ 入力インターフェース
４４，５４ 処理回路
４４１ システム制御機能
４４２ 画像生成機能
４４３，５４１ 読影練習支援機能
４４４，５４２ 表示制御機能
４５，５５ 通信インターフェース
４６，５０ 読影練習支援装置
４７ 学習済みモデル
６０ ＭＲＩ装置
７０ 超音波診断装置
ｄ１ 医用画像データ
ｄ２ 付帯情報
ＦＡ 医用画像ファイル
Ｐ 被検体
１０ 架台装置
１１ Ｘ線管
１２ Ｘ線検出器
１３ 回転フレーム
１４ Ｘ線高電圧装置
１５ 制御装置
１６ ウェッジ
１７ コリメータ
１８ ＤＡＳ１８
３０ 寝台装置
３１ 基台
３２ 寝台駆動装置
３３ 天板
３４ 支持フレーム
４０ コンソール装置
４１，５１ メモリ
４２，５２ ディスプレイ
４３，５３ 入力インターフェース
４４，５４ 処理回路
４４１ システム制御機能
４４２ 画像生成機能
４４３，５４１ 読影練習支援機能
４４４，５４２ 表示制御機能
４５，５５ 通信インターフェース
４６，５０ 読影練習支援装置
４７ 学習済みモデル
６０ ＭＲＩ装置
７０ 超音波診断装置
ｄ１ 医用画像データ
ｄ２ 付帯情報
ＦＡ 医用画像ファイル
Ｐ 被検体
【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】
