特許 7129869 疾患領域抽出装置、方法及びプログラム

(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】2022-08-25

(45)【発行日】2022-09-02

(54)【発明の名称】疾患領域抽出装置、方法及びプログラム

(51)【国際特許分類】

   A61B 6/03 20060101AFI20220826BHJP

   A61B 5/055 20060101ALI20220826BHJP

   G06T 7/00 20170101ALI20220826BHJP

   G06T 7/136 20170101ALI20220826BHJP

   G06T 7/174 20170101ALI20220826BHJP

【ＦＩ】

A61B6/03 360D

A61B6/03 360J

A61B6/03 360T

A61B6/03 377

A61B5/055 380

A61B5/055 382

G06T7/00 614

G06T7/136

G06T7/174

【請求項の数】 11

(21)【出願番号】P 2018186788

(22)【出願日】2018-10-01

(65)【公開番号】P2020054579

(43)【公開日】2020-04-09

【審査請求日】2021-01-20

(73)【特許権者】

【識別番号】306037311

【氏名又は名称】富士フイルム株式会社

(74)【代理人】

【識別番号】110001519

【氏名又は名称】特許業務法人太陽国際特許事務所

(72)【発明者】

【氏名】赤堀 貞登

【審査官】亀澤 智博

(56)【参考文献】

【文献】国際公開第２０１８／０４８５０７（ＷＯ，Ａ１）

【文献】特開２０１８－０１１９５８（ＪＰ，Ａ）

【文献】特表２０１０－５１７０３０（ＪＰ，Ａ）

【文献】特表２０１７－５２０３０５（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１５／０２９３１９９（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０１８／０２４９９７９（ＵＳ，Ａ１）

【文献】特表２０１８－５０５７０５（ＪＰ，Ａ）

【文献】特表２０１７－５０８５６１（ＪＰ，Ａ）

【文献】米国特許出願公開第２０１１／０２８６６４９（ＵＳ，Ａ１）

【文献】米国特許出願公開第２０１７／０３００６２２（ＵＳ，Ａ１）

【文献】特表２０１２－５３３３３１（ＪＰ，Ａ）

【文献】特開２００７－２７５３１８（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ａ６１Ｂ ６／００ － ６／１４

Ａ６１Ｂ ５／０５５

Ｇ０６Ｔ １／００ ， ７／００

Ｇ１６Ｈ ３０／００ －３０／４０

(57)【特許請求の範囲】

【請求項1】

疾患を発症している被検体を撮影することにより得られた第１の画像を取得する画像取得部と、
前記第１の画像から該第１の画像とは異なる種類の画像であって、疾患が現れた領域と該疾患が現れた領域以外の領域との信号値の相違が前記第１の画像の前記信号値の相違よりも高い第２の画像を推定することにより推定画像を導出する推定画像導出部と、
前記推定画像導出部により導出された推定画像から疾患領域を抽出する疾患領域抽出部と、
を含む疾患領域抽出装置。

【請求項2】

前記推定画像導出部は、前記第１の画像と、該第１の画像とは異なる種類の第２の画像とを位置合わせした画像の組のデータセットを複数含む学習情報を用いて機械学習された第１の判別器を備え、
前記推定画像導出部は、前記第１の判別器に入力された第１の画像に基づいて前記第１の判別器から出力された第２の画像の推定画像を導出する請求項１に記載の疾患領域抽出装置。

【請求項3】

前記疾患領域抽出部は、前記第１の画像とは異なる種類の第２の画像と、該第２の画像において定義された疾患領域とのデータセット、及び前記推定画像導出部により導出された前記第２の画像の推定画像と、該推定画像において定義された疾患領域とのデータセットの少なくとも一方のデータセットを複数含む学習情報を用いて機械学習された第２の判別器を備え、
前記疾患領域抽出部は、前記第２の判別器に入力された推定画像に基づいて前記第２の判別器から出力された疾患領域を抽出する請求項１又は２に記載の疾患領域抽出装置。

【請求項4】

前記第１の画像と前記第２の画像は、撮影条件が異なる画像である請求項１から３の何れか１項に記載の疾患領域抽出装置。

【請求項5】

前記第１の画像と前記第２の画像は、撮影原理が異なる画像である請求項１から３の何れか１項に記載の疾患領域抽出装置。

【請求項6】

前記第１の画像がＣＴ画像であり、前記第２の画像がＭＲ画像である請求項１から３の何れか１項に記載の疾患領域抽出装置。

【請求項7】

前記ＭＲ画像が拡散強調画像である請求項６に記載の疾患領域抽出装置。

【請求項8】

被検体が脳梗塞を発症している患者の脳であり、前記疾患領域が梗塞領域である請求項１から７の何れか１項に記載の疾患領域抽出装置。

【請求項9】

前記疾患領域抽出部により抽出された前記疾患領域を前記画像取得部により取得された第１の画像に反映させて表示部に表示させる表示制御部をさらに備えた請求項１から８の何れか１項に記載の疾患領域抽出装置。

【請求項10】

疾患を発症している被検体を撮影することにより得られた第１の画像を取得し、
前記第１の画像から該第１の画像とは異なる種類の画像であって、疾患が現れた領域と該疾患が現れた領域以外の領域との信号値の相違が前記第１の画像の前記信号値の相違よりも高い第２の画像を推定することにより推定画像を導出し、
導出された前記推定画像から疾患領域を抽出する疾患領域抽出方法。

【請求項11】

疾患を発症している被検体を撮影することにより得られた第１の画像を取得する手順と、
前記第１の画像から該第１の画像とは異なる種類の画像であって、疾患が現れた領域と該疾患が現れた領域以外の領域との信号値の相違が前記第１の画像の前記信号値の相違よりも高い第２の画像を推定することにより推定画像を導出する手順と、
導出された前記推定画像から疾患領域を抽出する手順と、
をコンピュータに実行させる疾患領域抽出プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、疾患領域抽出装置、方法及びプログラムに関する。

【背景技術】

【0002】

近年、ＣＴ（Computed Tomography）装置及びＭＲＩ（Magnetic Resonance Imaging）装置等の医療機器の進歩により、より質の高い高解像度の医用画像を用いての画像診断が可能となってきている。特に、対象部位を脳とした場合においては、ＣＴ画像及びＭＲ画像等を用いた画像診断により、脳梗塞及び脳出血等の脳の血管障害を起こしている領域を特定することができる。このため、画像診断を支援するための各種手法が提案されている。

【0003】

例えば、特許文献１においては、ＭＲＩの拡散強調画像（ＤＷＩ：Diffusion Weighted Image）に含まれる脳梗塞部位を検出し、拡散強調画像の異常部位と健常者の拡散強調画像とから、両者の解剖学的位置合わせに必要な位置変換データを取得し、患者の脳の各組織位置が健常者の脳の各組織位置に合致するように、位置変換データを用いて、ＳＰＥＣＴ（Single Photon Emission Computed Tomography）装置で撮影されたＳＰＥＣＴ画像を変換し、ＳＰＥＣＴ画像上で脳梗塞部位を判別する手法が提案されている。また、特許文献２においては、ＭＲ画像を入力し、入力されたＭＲ画像に機械学習による変換を適用してＣＴ画像を生成し、生成したＣＴ画像を含めた複数のモダリティの画像を用いて診断を行う手法が提案されている。

【0004】

ところで、脳梗塞患者に対しては、アルテプラーゼという治療薬を使った血栓溶解療法が行われる。血栓溶解療法においては、脳梗塞の未発症が確認された時刻から４．５時間以内が適用対象であり、時間の経過により梗塞領域が広がるほど、治療後に出血が生じるリスクが高くなることが知られている。このため、血栓溶解療法の適否を判断するためには、医用画像を用いて梗塞領域を迅速かつ適切に判別することが必要である。

【先行技術文献】

【特許文献】

【0005】

【文献】特開２０１３－１６５７６５号公報

【文献】特表２０１８－５０５７０５号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

一方、梗塞領域がすでに広範囲である場合には出血が生じる可能性が高くなることが知られている。しかしながら、ＣＴ画像上で梗塞領域を的確に捉えることは、専門医であっても難易度が高く、計算機による梗塞領域の自動抽出と定量化が望まれている。そこで、梗塞領域を自動抽出する方法として、近年注目されている深層学習を応用することができる。深層学習を用いるには、ＣＴ画像とＣＴ画像における梗塞の正解領域とのデータセットを複数含む学習情報が必要になる。しかしながら、ＣＴ画像上において梗塞領域は必ずしも鮮明ではないため、ＣＴ画像における梗塞の正解領域を示すデータを多く用意することは困難である。

【0007】

本開示は上記事情に鑑みなされたものであり、梗塞の正解領域を示すデータを多く用意することが困難な画像であっても、梗塞領域を抽出可能にすることを目的とする。

【課題を解決するための手段】

【0008】

本開示の疾患領域抽出装置は、疾患を発症している被検体を撮影することにより得られた第１の画像を取得する画像取得部と、
第１の画像からこの第１の画像とは異なる種類の第２の画像を推定することにより推定画像を導出する推定画像導出部と、
推定画像導出部により導出された推定画像から疾患領域を抽出する疾患領域抽出部と、
を含む。

【0009】

ここで、本開示においては、例えば同じＣＴ画像であっても、被検体に造影剤が投与されて取得されたＣＴ画像と被検体に造影剤が投与されずに取得されたＣＴ画像とでは「異なる種類の画像」とする。すなわち、少しでも異なる撮影条件で撮影されて取得された画像であれば「異なる種類の画像」とする。また、ＣＴ画像、ＭＲ画像、及びＰＥＴ（Positron Emission Tomography）画像等、異なる撮影原理により取得された画像も「異なる種類の画像」とする。また、本開示において、第１の画像及び第２の画像は、同一の被検体を撮影することにより得られた画像とする。

【0010】

なお、本開示による疾患領域抽出装置においては、推定画像導出部は、第１の画像と、この第１の画像とは異なる種類の第２の画像とを位置合わせした画像の組のデータセットを複数含む学習情報を用いて機械学習された第１の判別器を備え、
推定画像導出部は、第１の判別器に入力された第１の画像に基づいて第１の判別器から出力された第２の画像の推定画像を導出してもよい。

【0011】

また、本開示による疾患領域抽出装置においては、疾患領域抽出部は、第１の画像とは異なる種類の第２の画像と、第２の画像において定義された疾患領域とのデータセット、及び推定画像導出部により導出された第２の画像の推定画像と、推定画像において定義された疾患領域とのデータセットの少なくとも一方のデータセットを複数含む学習情報を用いて機械学習された第２の判別器を備え、
疾患領域抽出部は、第２の判別器に入力された推定画像に基づいて第２の判別器から出力された疾患領域を抽出してもよい。

【0012】

また、本開示による疾患領域抽出装置においては、第１の画像と第２の画像は、撮影条件が異なる画像であってもよい。

【0013】

ここで、本開示において「撮影条件」は、被検体に造影剤が投与されているか否か、Ｘ線照射条件、スライス幅等、撮影時の各種条件を意味する。

【0014】

また、本開示による疾患領域抽出装置においては、第１の画像と第２の画像は、撮影原理が異なる画像であってもよい。

【0015】

ここで、本開示において「撮影原理」は、ＣＴ撮影、ＭＲ撮影、及びＰＥＴ撮影等の撮影行う際の撮影方法を意味する。

【0016】

また、本開示による疾患領域抽出装置においては、第１の画像がＣＴ画像であり、第２の画像がＭＲ画像であってもよい。

【0017】

また、本開示による疾患領域抽出装置においては、ＭＲ画像が拡散強調画像であってもよい。

【0018】

また、本開示による疾患領域抽出装置においては、被検体が脳梗塞を発症している患者の脳であり、疾患領域が梗塞領域であってもよい。

【0019】

また、本開示による疾患領域抽出装置においては、疾患領域抽出部により抽出された疾患領域を画像取得部により取得された第１の画像に反映させて表示部に表示させる表示制御部をさらに備えていてもよい。

【0020】

本開示の疾患領域抽出方法は、疾患を発症している被検体を撮影することにより得られた第１の画像を取得し、
第１の画像からこの第１の画像とは異なる種類の第２の画像を推定することにより推定画像を導出し、
導出された推定画像から疾患領域を抽出する。

【0021】

なお、本開示による疾患領域抽出方法をコンピュータに実行させるためのプログラムとして提供してもよい。

【0022】

本開示による他の疾患領域抽出装置は、コンピュータに実行させるための命令を記憶するメモリと、
記憶された命令を実行するよう構成されたプロセッサとを備え、プロセッサは、
疾患を発症している被検体を撮影することにより得られた第１の画像を取得し、
第１の画像からこの第１の画像とは異なる種類の第２の画像を推定することにより推定画像を導出し、
導出された推定画像から疾患領域を抽出する処理を実行する。

【発明の効果】

【0023】

本開示の疾患領域抽出装置、方法及びプログラムによれば、梗塞の正解領域を示すデータを多く用意することが困難な画像であっても、梗塞領域を抽出可能にすることができる。

【図面の簡単な説明】

【0024】

【図1】本開示の一実施形態である疾患領域抽出装置を適用した、診断支援システムの概要を示すハードウェア構成図

【図2】本開示の一実施形態である疾患領域抽出装置の構成を示す概略ブロック図

【図3】梗塞領域の抽出対象となるＣＴ画像の一例を示す図

【図4】ＭＲ推定画像の一例を示す図

【図5】本開示の一実施形態である推定画像導出部の構成を示す図

【図6】学習モデルＭ１を説明するための図

【図7】ＣＴ画像とＭＲ画像との位置合わせを説明するための図

【図8】ＭＲ推定画像における梗塞領域の抽出を説明するための図

【図9】本開示の一実施形態である疾患領域抽出部の構成を示す図

【図10】学習モデルＭ２を説明するための図

【図11】ＭＲ画像と疾患領域とのデータセットを説明する図

【図12】抽出結果の表示の例を示す図

【図13】本開示の一実施形態において行われる処理を示すフローチャート

【発明を実施するための形態】

【0025】

以下、図面を参照して本発明の実施形態について説明する。図１は本発明の実施形態による疾患領域抽出装置を適用した、診断支援システムの概要を示すハードウェア構成図である。図１に示すように、診断支援システムでは、本実施形態による疾患領域抽出装置１、３次元画像撮影装置２、及び画像保管サーバ３が、ネットワーク４を経由して通信可能な状態で接続されている。なお、画像保管サーバ３は、本発明のデータ保管部に対応する。

【0026】

３次元画像撮影装置２は、被検体の診断対象となる部位を撮影することにより、その部位を表す３次元画像を生成する装置であり、具体的には、ＣＴ装置、ＭＲＩ装置、及びＰＥＴ装置等である。この３次元画像撮影装置２により生成された、複数のスライス画像からなる３次元画像は単位検査毎に画像保管サーバ３に送信され、保存される。なお、本実施形態においては、被検体である患者の診断対象部位は脳であり、３次元画像撮影装置２はＣＴ装置２Ａ及びＭＲＩ装置２Ｂである。そして、ＣＴ装置２Ａにおいて、被検体の脳を含む３次元のＣＴ画像Ｂｃ０を生成し、ＭＲＩ装置２Ｂにおいて、被検体の脳を含む３次元のＭＲ画像Ｂｍ０を生成する。なお、本実施形態においては、ＭＲ画像Ｂｍ０は、拡散強調画像とする。また、本実施形態においては、ＣＴ画像Ｂｃ０は、造影剤を使用しないで撮影を行うことにより取得される非造影ＣＴ画像とするが、造影剤を使用して撮影を行うことにより取得した造影ＣＴ画像を用いてもよい。

【0027】

画像保管サーバ３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ている。画像保管サーバ３は、有線あるいは無線のネットワーク４を介して他の装置と通信を行い、画像データ等を送受信する。具体的には３次元画像撮影装置２で生成された３次元画像の画像データを含む各種データをネットワーク経由で取得し、大容量外部記憶装置等の記録媒体に保存して管理する。なお、画像データの格納形式及びネットワーク４経由での各装置間の通信は、ＤＩＣＯＭ（Digital Imaging and Communication in Medicine）等のプロトコルに基づいている。

【0028】

疾患領域抽出装置１は、１台のコンピュータに、本開示の疾患領域抽出プログラムをインストールしたものである。コンピュータは、診断を行う医師が直接操作するワークステーション又はパーソナルコンピュータでもよいし、それらとネットワークを介して接続されたサーバコンピュータでもよい。疾患領域抽出プログラムは、ＤＶＤ（Digital Versatile Disc）あるいはＣＤ－ＲＯＭ（Compact Disc Read Only Memory）等の記録媒体に記録されて配布され、その記録媒体からコンピュータにインストールされる。又は、ネットワークに接続されたサーバコンピュータの記憶装置、もしくはネットワークストレージに、外部からアクセス可能な状態で記憶され、要求に応じて医師が使用するコンピュータにダウンロードされ、インストールされる。

【0029】

図２は、コンピュータに疾患領域抽出プログラムをインストールすることにより実現される本開示の一実施形態である疾患領域抽出装置の概略構成を示す図である。図２に示すように、疾患領域抽出装置１は、標準的なワークステーションの構成として、ＣＰＵ（Central Processing Unit）１１、メモリ１２及びストレージ１３を備えている。また、疾患領域抽出装置１には、液晶ディスプレイ等からなる表示部１４、並びにキーボード及びマウス等からなる入力部１５が接続されている。入力部１５は、ユーザによる種々の設定入力を受け付ける。なお、タッチパネルを用いることによって表示部１４と入力部１５とを兼用するようにしてもよい。

【0030】

ストレージ１３は、ハードディスクドライブ及びＳＳＤ(Solid State Drive)等からなる。ストレージ１３には、ネットワーク４を経由して画像保管サーバ３から取得した、被検体の医用画像、並びに処理に必要な情報を含む各種情報が記憶されている。

【0031】

また、メモリ１２には、疾患領域抽出プログラムが記憶されている。疾患領域抽出プログラムは、ＣＰＵ１１に実行させる処理として、脳梗塞を発症している被検体を撮影することにより得られた脳のＣＴ画像Ｂｃ１を取得する画像取得処理と、脳のＣＴ画像Ｂｃ１から脳のＭＲ画像を推定することにより脳のＭＲ推定画像Ｄｍ１を導出する推定画像導出処理と、導出された脳のＭＲ推定画像Ｄｍ１から梗塞領域Ａ１を抽出する疾患領域抽出処理と、抽出された梗塞領域Ａ１を脳のＣＴ画像Ｂｃ１に反映させて表示部１４に表示させる表示制御処理とを規定する。なお、本開示において、ＭＲ推定画像Ｄｍ１は推定画像に対応する。

【0032】

そして、ＣＰＵ１１がプログラムに従いこれらの処理を実行することで、コンピュータは、画像取得部２１、推定画像導出部２２、疾患領域抽出部２３、及び表示制御部２４として機能する。

【0033】

画像取得部２１は、後述する第１の判別器３０及び第２の判別器３１の学習のために、脳梗塞を発症している被検体の脳のＣＴ画像Ｂｃ０及びＭＲ画像Ｂｍ０を画像保管サーバ３から取得する。また、梗塞領域の抽出のために、梗塞領域の抽出対象となるＣＴ画像Ｂｃ１を画像保管サーバ３から取得する。なお、ＣＴ画像Ｂｃ０、ＣＴ画像Ｂｃ１及びＭＲ画像Ｂｍ０が既にストレージ１３に記憶されている場合には、画像取得部２１は、ストレージ１３からＣＴ画像Ｂｃ０、ＣＴ画像Ｂｃ１及びＭＲ画像Ｂｍ０を取得するようにしてもよい。また、画像取得部２１は、後述する第１の判別器３０及び第２の判別器３１の学習のために、多数の被検体についてのＣＴ画像Ｂｃ０及びＭＲ画像Ｂｍ０を取得する。

【0034】

推定画像導出部２２は、梗塞領域の抽出対象となるＣＴ画像Ｂｃ１において撮影対象となった被検体を撮影することにより得られる脳のＭＲ画像を推定することにより得られる脳のＭＲ推定画像Ｄｍ１を、脳のＣＴ画像Ｂｃ１から導出する。図３は梗塞領域の抽出対象となるＣＴ画像Ｂｃ１の一例を示す図、図４はＭＲ推定画像Ｄｍ１の一例を示す図である。なお、ＣＴ画像Ｂｃ１は３次元画像であるが、ここでは説明のため、ＣＴ画像Ｂｃ１の１つの断層面における２次元の断層画像を用いて説明する。また、ＭＲ推定画像Ｄｍ１も３次元画像であるが、ここでは説明のため、ＣＴ画像Ｂｃ１と同様に２次元の断層画像を用いて説明する。また、推定画像導出部２２は、導出したＭＲ推定画像Ｄｍ１を画像保管サーバ３に保管する。

【0035】

図３に示すように、脳のＣＴ画像Ｂｃ１においては、脳梗塞の領域と他の領域との信号値の相違はそれほど大きくないため、ＣＴ画像Ｂｃ１を用いて梗塞領域を抽出することは、困難であることが多い。一方、拡散強調画像であるＭＲ画像は、頭蓋骨が描出されず脳実質等の軟部組織のみを含む画像（図７の右図のＭＲ画像Ｂｍ０参照）であり、梗塞領域は他の領域と比較して大きい画素値（高い信号値）を有し、白く描出される。そこで、推定画像導出部２２は、梗塞領域を抽出する対象画像とするために、ＣＴ画像Ｂｃ１に基づいて脳のＭＲ画像を推定した図４に示すＭＲ推定画像Ｄｍ１を導出する。なお、図４に示すように、拡散強調画像であるＭＲ画像の推定画像であるＭＲ推定画像Ｄｍ１は、頭蓋骨が描出されず脳実質等の軟部組織のみを含む画像となる。

【0036】

ＣＴ画像Ｂｃ１からＭＲ推定画像Ｄｍ１を導出する方法としては、例えば画素値の変換及び機械学習を用いる手法等、ＣＴ画像に基づいてＭＲ画像を作成する公知の技術を使用することができる。本実施形態においては、一例として、機械学習を用いる方法を使用する。図５は本開示の一実施形態である推定画像導出部２２の構成を示す図、図６は学習モデルＭ１を説明するための図である。

【0037】

推定画像導出部２２は、図５に示すように、第１の判別器３０を備えている。第１の判別器３０は学習モデルＭ１を含んでおり、学習モデルＭ１は、図６に示すように、ＣＴ画像Ｂｃ１が入力された場合に、ＭＲ推定画像Ｄｍ１を出力する。本実施形態においては、一例として推定画像導出部２２は、ＣＴ画像Ｂｃ１が入力された場合に、ＭＲ推定画像Ｄｍ１を出力するように学習モデルＭ１を学習させる学習部としても機能する。なお、本開示はこれに限られず、例えば疾患領域抽出装置１が新たに学習部を備えていてもよいし、疾患領域抽出装置１とは別に新たに学習部を備えていてもよい。

【0038】

推定画像導出部２２は、画像取得部２１により取得された多数の被検体についてのＣＴ画像Ｂｃ０及びＭＲ画像Ｂｍ０に対して、ＣＴ画像Ｂｃ０とＭＲ画像Ｂｍ０との位置合わせを行う。図７はＣＴ画像とＭＲ画像との位置合わせを説明するための図である。なお、ＣＴ画像Ｂｃ０およびＭＲ画像Ｂｍ０はともに３次元画像であるが、ここでは説明のため、ＣＴ画像Ｂｃ０およびＭＲ画像Ｂｍ０の対応する１つの断層面における２次元の断層画像を用いて説明する。

【0039】

図７に示すように、同一被検体においては、脳の形状は略同一となる。一方、ＭＲ画像Ｂｍ０においては、梗塞領域が他の領域と比較して大きい画素値（高い信号値）を有するものとなる。これに対して、ＣＴ画像Ｂｃ０においては、梗塞領域と他の領域とは画素値の差異がＭＲ画像Ｂｍ０ほど大きくない。なお、ＣＴ画像Ｂｃ０は、拡散強調画像であるＭＲ画像Ｂｍ０とは異なり、頭蓋骨および脳実質を含んでいる。このため、推定画像導出部２２は、ＣＴ画像Ｂｃ０から脳実質の領域を脳領域として抽出し、抽出した脳領域とＭＲ画像Ｂｍ０との位置合わせを行う。

【0040】

本実施形態において、推定画像導出部２２は、剛体位置合わせにより、ＣＴ画像Ｂｃ０およびＭＲ画像Ｂｍ０のいずれか一方を他方に対して位置合わせする。本実施形態においては、ＣＴ画像Ｂｃ０をＭＲ画像Ｂｍ０に対して位置合わせするものとするが、ＭＲ画像Ｂｍ０をＣＴ画像Ｂｃ０に対して位置合わせするようにしてもよい。なお、位置合わせとしては非剛体位置合わせを用いてもよい。非剛体位置合わせとしては、例えばＢスプラインおよびシンプレートスプライン等の関数を用いて、ＣＴ画像Ｂｃ０における特徴点をＭＲ画像Ｂｍ０における特徴点に対応する対応点に非線形に変換することによる手法を用いることができるが、これに限定されるものではない。

【0041】

推定画像導出部２２は、上記のようにして位置合わせがなされたＣＴ画像Ｂｃ０及びＭＲ画像Ｂｍ０の画像の組のデータセットを複数含む学習情報を取得する。推定画像導出部２２は、これらの学習情報を教師データとして、ＣＴ画像Ｂｃ１が入力された場合に、ＭＲ推定画像Ｄｍ１を出力するように学習モデルＭ１を学習させる。推定画像導出部２２は、以上のようにして学習された学習モデルＭ１を用いることにより、ＣＴ画像Ｂｃ１からＭＲ推定画像Ｄｍ１を導出する。

【0042】

疾患領域抽出部２３は、推定画像導出部２２により導出された脳のＭＲ推定画像Ｄｍ１から梗塞領域を抽出する。図８はＭＲ推定画像Ｄｍ１における梗塞領域Ａ１の抽出を説明するための図である。なお、ＭＲ推定画像Ｄｍ１は３次元画像であるが、ここでは説明のため、２次元の断層画像を用いて説明する。なお、図８に示すように、拡散強調画像であるＭＲ画像の推定画像であるＭＲ推定画像Ｄｍ１は、頭蓋骨が描出されず脳実質等の軟部組織のみを含む画像となる。図８に示すように、ＭＲ推定画像Ｄｍ１においては、拡散強調画像であるＭＲ画像Ｂｍ０と同様に、梗塞領域は他の領域と比較して大きい画素値（高い信号値）を有するものとなり、白く描出される。疾患領域抽出部２３は、ＭＲ推定画像Ｄｍ１において、例えば予め定められた閾値よりも大きい画素値を有する領域を、梗塞領域として抽出する。これにより、図８に示す梗塞領域Ａ１が抽出される。

【0043】

なお、本開示の技術はこれに限られず、機械学習を用いる方法を使用してもよい。図９は本開示の一実施形態である疾患領域抽出部２３の構成を示す図、図１０は学習モデルＭ２を説明するための図である。

【0044】

疾患領域抽出部２３は、図９に示すように、第２の判別器３１を備えている。第２の判別器３１は学習モデルＭ２を含んでおり、学習モデルＭ２は、図１０に示すように、ＭＲ推定画像Ｄｍ１が入力された場合に、梗塞領域Ａ１を出力する。本実施形態においては、一例として疾患領域抽出部２３は、ＭＲ推定画像Ｄｍ１が入力された場合に、梗塞領域Ａ１を出力するように学習モデルＭ２を学習させる学習部としても機能する。なお、本開示はこれに限られず、例えば疾患領域抽出装置１が新たに学習部を備えていてもよいし、疾患領域抽出装置１とは別に新たに学習部を備えていてもよい。

【0045】

図１１はＭＲ画像Ｂｍ０と梗塞領域Ａ２とのデータセットを説明する図である。なお、ＭＲ画像Ｂｍ０は３次元画像であるが、ここでは説明のため、ＭＲ画像Ｂｍ０の対応する１つの断層面における２次元の断層画像を用いて説明する。拡散強調画像であるＭＲ画像Ｂｍ０においては、図１１に示すように、梗塞領域Ａ２は他の領域と比較して大きい画素値（高い信号値）を有するものとなる。従って、疾患領域抽出部２３は、画像取得部２１により取得された多数の被検体についてのＭＲ画像Ｂｍ０に対して、一例として予め定められた閾値よりも大きい画素値を有する領域を、梗塞領域Ａ２として抽出し、この梗塞領域Ａ２をＭＲ画像Ｂｍ０の梗塞領域Ａ２として定義する。

【0046】

疾患領域抽出部２３は、ＭＲ画像Ｂｍ０と、上記のようにして定義された梗塞領域Ａ２とのデータセットを複数含む学習情報を教師データとして、ＭＲ推定画像Ｄｍ１が入力された場合に、梗塞領域Ａ１を出力するように学習モデルＭ２を学習させる。具体的には、学習モデルＭ２は、抽出対象となるＣＴ画像Ｂｃ１の各ボクセル位置を、梗塞領域と梗塞領域以外の２つのクラスに分類して、梗塞領域を判別する。このため、疾患領域抽出部２３は、複数の被検体のＭＲ画像Ｂｍ０において定義した梗塞領域Ａ２から、あらかじめ定められたサイズ（例えば３×３等）の領域内の特徴量を取得し、取得した特徴量を学習モデルＭ２に入力し、梗塞領域であるとの判別結果を出力するように、学習モデルＭ２の学習、すなわち機械学習を行う。疾患領域抽出部２３は、以上のようにして学習された学習モデルＭ２を用いることにより、ＭＲ推定画像Ｄｍ１から梗塞領域Ａ１を抽出する。

【0047】

なお、上記実施形態においては、学習モデルＭ２の教師データとして、ＭＲ画像Ｂｍ０と、ＭＲ画像Ｂｍ０において定義された梗塞領域Ａ２とのデータセットを複数含む学習情報を使用したが、本開示の技術はこれに限られない。学習モデルＭ２の教師データとして、上記学習情報に換えて、又は上記学習情報に加えて、ＭＲ推定画像Ｄｍ１と、ＭＲ推定画像Ｄｍ１において定義された梗塞領域Ａ１とのデータセットを複数含む学習情報を使用してもよい。この場合、画像取得部２１は、画像保管サーバ３に保管されたＭＲ推定画像Ｄｍ１も取得する。

【0048】

疾患領域抽出部２３は、ＭＲ推定画像Ｄｍ１において抽出された梗塞領域Ａ１をＣＴ画像Ｂｃ１上で反映させることにより、梗塞領域Ａ１をＣＴ画像Ｂｃ１において抽出された梗塞領域として特定する。すなわち、ＭＲ推定画像Ｄｍ１は、抽出対象となるＣＴ画像Ｂｃ１から導出された画像であるため、ＭＲ推定画像Ｄｍ１とＣＴ画像Ｂｃ１とは、位置合わせを行わなくとも位置が一致している。従って、ＭＲ推定画像Ｄｍ１において抽出された梗塞領域Ａ１をＣＴ画像Ｂｃ１上に反映させることにより、梗塞領域Ａ１をＣＴ画像Ｂｃ１において抽出された梗塞領域として特定することができる。

【0049】

なお、機械学習の手法としては、サポートベクタマシン（ＳＶＭ(Support Vector Machine)）、ディープニューラルネットワーク（ＤＮＮ(Deep Neural Network)）、畳み込みニューラルネットワーク（ＣＮＮ(Convolutional Neural Network)）、およびリカレントニューラルネットワーク（ＲＮＮ(Recurrent Neural Network)）等を用いることができる。

【0050】

表示制御部２４は、抽出対象となるＣＴ画像Ｂｃ１に疾患領域抽出部２３による抽出結果を反映させて表示部１４に表示する。図１２は抽出結果の表示の例を示す図である。なお、図１２においては、抽出対象となるＣＴ画像Ｂｃ１の１つの断面における断層画像を示している。図１２に示すように、表示部１４に表示された抽出結果においては、抽出対象のＣＴ画像Ｂｃ１において、梗塞領域Ａ１が表示される。なお、表示制御部２４は、一例として図１２に示すように、梗塞領域Ａ１を白枠で囲むように表示しているが、本開示はこれに限られない。例えば梗塞領域Ａ１を網掛で表示させてもよいし、黒色や白色等で強調表示させてもよいし、表示態様については適宜変更することができる。

【0051】

次いで、本実施形態において行われる処理について説明する。図１３は本開示の一実施形態において行われる処理を示すフローチャートである。まず、画像取得部２１が、梗塞の抽出対象となるＣＴ画像Ｂｃ１、すなわち脳梗塞を発症している被検体の脳のＣＴ画像Ｂｃ０を取得し（ステップＳＴ１）、推定画像導出部２２が、ＣＴ画像Ｂｃ０からＭＲ推定画像Ｄｍ１を導出する（ステップＳＴ２）。

【0052】

次いで、疾患領域抽出部２３が、ＭＲ推定画像Ｄｍ１において梗塞領域Ａ１を抽出し（ステップＳＴ３）、梗塞領域の抽出対象となるＣＴ画像Ｂｃ１において梗塞領域Ａ１を特定する（ステップＳＴ４）。表示制御部２４は、梗塞領域Ａ１をＣＴ画像Ｂｃ１に反映させて表示部１４に表示させ（ステップＳＴ５）、処理を終了する。

【0053】

このように、本実施形態においては、脳梗塞を発症している被検体を撮影することにより得られた脳のＣＴ画像Ｂｃ１を取得し、上記被検体と同一の被検体を撮影することにより得られる脳のＭＲ画像を推定することにより得られる脳のＭＲ推定画像Ｄｍ１を、脳のＣＴ画像Ｂｃ１から導出し、導出された脳のＭＲ推定画像Ｄｍ１から梗塞領域Ａ１を抽出する。これにより、ＣＴ画像のみを用いて、梗塞領域を抽出することができるので、ＣＴ画像のみを用いて、脳梗塞の診断を迅速に行うことができる。従って、本実施形態によれば、例えばＣＴ画像のように梗塞の正解領域を示すデータを多く用意することが困難な画像であっても、梗塞領域を抽出可能にすることができる。

【0054】

なお、上記実施形態においては、ＭＲ画像Ｂｍ０として拡散強調画像を用いているが、拡散強調画像Ｂｍ１以外のＭＲ画像を用いてもよい。例えば、ＦＬＡＩＲ画像、Ｔ１強調画像およびＴ２強調画像等を用いてもよい。また、拡散強調画像、ＦＬＡＩＲ画像、Ｔ１強調画像およびＴ２強調画像等から選択された１以上の画像を用いてもよい。

【0055】

また、上記実施形態においては、推定画像導出部２２は、ＣＴ画像Ｂｃ１に基づいてＭＲ推定画像Ｄｍ１を導出しているが、本開示はこれに限られない。推定画像導出部２２は、例えば非造影ＣＴ画像に基づいて造影ＣＴ推定画像を導出してもよい。この場合、教師データとしてＭＲ画像ではなく造影ＣＴ画像を使用する。通常、ＣＴ画像上で抽出される血栓領域は、急性期の梗塞を特定する際の手がかりとなる。また、血栓領域の特定は、血管内を治療する際にも必要となる。しかしながら、非造影ＣＴ画像上においては、造影されていないことから画像上で血管が見え難いため、血栓領域は必ずしも鮮明ではなく、場所の特定が困難である。そこで、非造影ＣＴ画像よりも比較的血管が見やすい造影ＣＴ画像を教師データとして、造影ＣＴ推定画像を推定し、造影ＣＴ推定画像において血栓領域を抽出する。これにより、非造影ＣＴ画像のみを用いて、血栓領域を抽出することができるので、造影ＣＴ画像のように血栓の正解領域を示すデータを多く用意することが困難な画像であっても、血栓領域を抽出可能にすることができる。さらに、例えば、被検体が造影剤を使用できない場合であっても、脳血栓の診断を精度よく行うことができる。

【0056】

また、上記実施形態においては、学習モデルＭ１の学習に用いるＣＴ画像Ｂｃ０として、非造影ＣＴ画像または造影ＣＴ画像を用いているが、造影ＣＴ画像および非造影ＣＴ画像の双方を学習モデルＭ１の学習に用いるようにしてもよい。このように学習された学習モデルＭ１を用いることにより、抽出対象のＣＴ画像が造影ＣＴ画像および非造影ＣＴ画像のいずれであっても、梗塞領域を判別できることとなる。

【0057】

また、上述した実施形態において、例えば、画像取得部２１、推定画像導出部２２、疾患領域抽出部２３、及び表示制御部２４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、上述したように、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。

【0058】

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、同種または異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせまたは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。

【0059】

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とソフトウェアとの組み合わせで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。

【0060】

さらに、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、半導体素子等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。

【符号の説明】

【0061】

１ 疾患領域抽出装置
２ ３次元画像撮影装置
３ 画像保管サーバ
４ ネットワーク
１１ ＣＰＵ
１２ メモリ
１３ ストレージ
１４ 表示部
１５ 入力部
２１ 画像取得部
２２ 推定画像導出部
２３ 疾患領域抽出部
２４ 表示制御部
３０ 第１の判別器
３１ 第２の判別器
Ａ１，Ａ２ 梗塞領域
Ｂｃ０ ＣＴ画像
Ｂｃ１ 判別対象のＣＴ画像
Ｂｍ０ ＭＲ画像
Ｄｍ１ 推定画像
Ｍ１ 第１の学習モデル
Ｍ２ 第２の学習モデル

【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】