特許 7144370 診断支援装置、診断支援方法、及び診断支援プログラム

(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】2022-09-20

(45)【発行日】2022-09-29

(54)【発明の名称】診断支援装置、診断支援方法、及び診断支援プログラム

(51)【国際特許分類】

   A61B 6/00 20060101AFI20220921BHJP

   A61B 5/055 20060101ALI20220921BHJP

   G06T 7/00 20170101ALI20220921BHJP

【ＦＩ】

A61B6/00 350Z

A61B5/055 380

G06T7/00 350C

G06T7/00 612

【請求項の数】 7

(21)【出願番号】P 2019130714

(22)【出願日】2019-07-12

(65)【公開番号】P2021013644

(43)【公開日】2021-02-12

【審査請求日】2021-07-15

(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】福田 威

(72)【発明者】

【氏名】中津川 晴康

【審査官】佐野 浩樹

(56)【参考文献】

【文献】韓国登録特許第１０－１８８０６７８（ＫＲ，Ｂ１）

【文献】特開２０１９－０９２５４２（ＪＰ，Ａ）

【文献】国際公開第２０１７／２２１７８２（ＷＯ，Ａ１）

【文献】特開２００９－０９５６４４（ＪＰ，Ａ）

【文献】特開２０１７－２００５６５（ＪＰ，Ａ）

【文献】特開２０２０－１９２１４２（ＪＰ，Ａ）

【文献】特開２０１６－０５９４４９（ＪＰ，Ａ）

【文献】特開２０１５－０８０７２０（ＪＰ，Ａ）

【文献】特開２０１９－０３３９６６（ＪＰ，Ａ）

【文献】国際公開第２００６／０７７８８５（ＷＯ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ａ６１Ｂ ５／００ － ５／０１ 、 ５／０５５、

６／００ － ６／１４ 、

Ｇ０６Ｑ５０／２２ 、

Ｇ０６Ｔ １／００ － １／４０ 、 ３／００ － ７／９０ 、

Ｇ０６Ｖ１０／００ －２０／９０ 、３０／４１８、４０／１６ 、

４０／２０ 、

Ｇ１６Ｈ１０／００ －８０／００

(57)【特許請求の範囲】

【請求項1】

被検体の動物を医用画像撮影装置によって撮影して得られた医用画像を表す医用画像データと、動物の体長及び体重の少なくとも一方によって分類される種類であって、前記被検体が属する種類を表す種類情報とを取得する取得部と、
前記取得部により取得された前記医用画像データ及び前記種類情報と、学習用の複数の前記医用画像データ及び前記種類情報の組を用いて予め学習された学習済みモデルとに基づいて、前記被検体の前記医用画像における異常の有無を判定する判定部と、
を備え、
前記学習用の複数の前記医用画像データは、病変を含まない第１の医用画像を表す第１の医用画像データと、疾患に応じた病変を含む第２の医用画像を表す第２の医用画像データとを含む
診断支援装置。

【請求項2】

前記第２の医用画像は、前記種類毎に罹患し易い疾患として予め定められた疾患毎に分類された医用画像を含む
請求項１に記載の診断支援装置。

【請求項3】

前記学習済みモデルは、前記種類毎に学習されることによって生成された複数の学習済みモデルであり、
前記判定部は、前記取得部により取得された前記医用画像データと、前記種類情報が表す種類に対応する前記学習済みモデルとに基づいて、前記被検体の前記医用画像における異常の有無を前記疾患毎に判定する
請求項２に記載の診断支援装置。

【請求項4】

前記判定部は、前記被検体の体重から前記被検体の前記種類を判定し、
前記取得部は、前記判定部により判定された前記被検体の種類を表す種類情報を取得する
請求項１から請求項３の何れか１項に記載の診断支援装置。

【請求項5】

前記被検体は、犬であり、
前記種類は、小型犬、中型犬、又は大型犬である
請求項１から請求項４の何れか１項に記載の診断支援装置。

【請求項6】

被検体の動物を医用画像撮影装置によって撮影して得られた医用画像を表す医用画像データと、動物の体長及び体重の少なくとも一方によって分類される種類であって、前記被検体が属する種類を表す種類情報とを取得し、
取得した前記医用画像データ及び前記種類情報と、学習用の複数の前記医用画像データ及び前記種類情報の組を用いて予め学習された学習済みモデルとに基づいて、前記被検体の前記医用画像における異常の有無を判定する
処理をコンピュータが実行する診断支援方法であって、
前記学習用の複数の前記医用画像データは、病変を含まない第１の医用画像を表す第１の医用画像データと、疾患に応じた病変を含む第２の医用画像を表す第２の医用画像データとを含む
診断支援方法。

【請求項7】

被検体の動物を医用画像撮影装置によって撮影して得られた医用画像を表す医用画像データと、動物の体長及び体重の少なくとも一方によって分類される種類であって、前記被検体が属する種類を表す種類情報とを取得し、
取得した前記医用画像データ及び前記種類情報と、学習用の複数の前記医用画像データ及び前記種類情報の組を用いて予め学習された学習済みモデルとに基づいて、前記被検体の前記医用画像における異常の有無を判定する
処理をコンピュータに実行させるための診断支援プログラムであって、
前記学習用の複数の前記医用画像データは、病変を含まない第１の医用画像を表す第１の医用画像データと、疾患に応じた病変を含む第２の医用画像を表す第２の医用画像データとを含む
診断支援プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、診断支援装置、診断支援方法、及び診断支援プログラムに関する。

【背景技術】

【0002】

人を医用画像撮影装置によって撮影して得られた医用画像に対し、学習済みの識別器を用いて画像解析を行う技術が開示されている（特許文献１参照）。この技術では、学習済みの識別器を用いた画像解析によって、医用画像が複数種別の病変パターンのうちのどの病変パターンに該当するかを判別する。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１９－３３９６６号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

ところで、被検体が動物である場合において、動物の体長及び体重の少なくとも一方により分類される種類毎に臓器及び骨の形状、大きさ、及び位置等が違う場合がある。この場合、特許文献１に記載のように、上記種類を考慮せずに、医用画像のみから病変の有無を判定する技術では、病変の有無を精度良く判定できない場合があった。この場合、獣医師等のユーザによる医用画像を用いた診断を効果的に支援することができない。

【0005】

本開示は、以上の事情を鑑みてなされたものであり、医用画像を用いた診断を効果的に支援することができる診断支援装置、診断支援方法、及び診断支援プログラムを提供する。

【課題を解決するための手段】

【0006】

上記目的を達成するために、本開示の診断支援装置は、被検体の動物を医用画像撮影装置によって撮影して得られた医用画像を表す医用画像データと、動物の体長及び体重の少なくとも一方によって分類される種類であって、被検体が属する種類を表す種類情報とを取得する取得部と、取得部により取得された医用画像データ及び種類情報と、学習用の複数の医用画像データ及び種類情報の組を用いて予め学習された学習済みモデルとに基づいて、被検体の医用画像における異常の有無を判定する判定部と、を備える。

【0007】

なお、本開示の診断支援装置は、学習用の複数の医用画像データが、病変を含まない第１の医用画像を表す第１の医用画像データと、疾患に応じた病変を含む第２の医用画像を表す第２の医用画像データとを含んでもよい。

【0008】

また、本開示の診断支援装置は、第２の医用画像が、種類毎に罹患し易い疾患として予め定められた疾患毎に分類された医用画像を含んでもよい。

【0009】

また、本開示の診断支援装置は、判定部が、被検体の体重から被検体の種類を判定し、取得部が、判定部により判定された被検体の種類を表す種類情報を取得してもよい。

【0010】

また、本開示の診断支援装置は、被検体が、犬であり、種類が、小型犬、中型犬、又は大型犬であってもよい。

【0011】

また、本開示の情報処理方法は、被検体の動物を医用画像撮影装置によって撮影して得られた医用画像を表す医用画像データと、動物の体長及び体重の少なくとも一方によって分類される種類であって、被検体が属する種類を表す種類情報とを取得し、取得した医用画像データ及び種類情報と、学習用の複数の医用画像データ及び種類情報の組を用いて予め学習された学習済みモデルとに基づいて、被検体の医用画像における異常の有無を判定する処理をコンピュータが実行するものである。

【0012】

また、本開示の診断支援プログラムは、被検体の動物を医用画像撮影装置によって撮影して得られた医用画像を表す医用画像データと、動物の体長及び体重の少なくとも一方によって分類される種類であって、被検体が属する種類を表す種類情報とを取得し、取得した医用画像データ及び種類情報と、学習用の複数の医用画像データ及び種類情報の組を用いて予め学習された学習済みモデルとに基づいて、被検体の医用画像における異常の有無を判定する処理をコンピュータに実行させるためのものである。

【0013】

また、本開示の診断支援装置は、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、被検体の動物を医用画像撮影装置によって撮影して得られた医用画像を表す医用画像データと、動物の体長及び体重の少なくとも一方によって分類される種類であって、被検体が属する種類を表す種類情報とを取得し、取得した医用画像データ及び種類情報と、学習用の複数の医用画像データ及び種類情報の組を用いて予め学習された学習済みモデルとに基づいて、被検体の医用画像における異常の有無を判定する。

【発明の効果】

【0014】

本開示によれば、医用画像を用いた診断を効果的に支援することができる。

【図面の簡単な説明】

【0015】

【図1】各実施形態に係る情報処理システムの構成の一例を示すブロック図である。

【図2】各実施形態に係る診断支援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】医用画像の一例を示す図である。

【図4】第１実施形態に係る医用画像データに付加される情報を説明するための図である。

【図5】頭種を説明するための図である。

【図6】第１実施形態に係る頭種毎の学習済みモデルを説明するための図である。

【図7】第１実施形態に係る診断支援装置の学習フェーズにおける機能的な構成の一例を示すブロック図である。

【図8】第１実施形態に係る学習済みモデルの入出力を説明するための図である。

【図9】第１実施形態に係る学習処理の一例を示すフローチャートである。

【図10】第１実施形態に係る診断支援装置の運用フェーズにおける機能的な構成の一例を示すブロック図である。

【図11】第１実施形態に係る診断支援処理の一例を示すフローチャートである。

【図12】短頭種用の学習済みモデルを用いた判定処理を示す図である。

【図13】中頭種用の学習済みモデルを用いた判定処理を示す図である。

【図14】長頭種用の学習済みモデルを用いた判定処理を示す図である。

【図15】医用画像データ及び頭種情報を入力とした場合の学習済みモデルの一例を示す図である。

【図16】変形例に係る頭種毎の学習済みモデルを説明するための図である。

【図17】変形例に係る学習済みモデルの出力を説明するための図である。

【図18】第２実施形態に係る医用画像データに付加される情報を説明するための図である。

【図19】第２実施形態に係る種類毎の学習済みモデルを説明するための図である。

【図20】第２実施形態に係る診断支援装置の学習フェーズにおける機能的な構成の一例を示すブロック図である。

【図21】第２実施形態に係る学習済みモデルの入出力を説明するための図である。

【図22】第２実施形態に係る学習処理の一例を示すフローチャートである。

【図23】第２実施形態に係る診断支援装置の運用フェーズにおける機能的な構成の一例を示すブロック図である。

【図24】第２実施形態に係る診断支援処理の一例を示すフローチャートである。

【図25】小型犬用の学習済みモデルを用いた判定処理を示す図である。

【図26】中型犬用の学習済みモデルを用いた判定処理を示す図である。

【図27】大型犬用の学習済みモデルを用いた判定処理を示す図である。

【図28】医用画像データ及び種類情報を入力とした場合の学習済みモデルの一例を示す図である。

【図29】変形例に係る種類毎の学習済みモデルを説明するための図である。

【図30】変形例に係る学習済みモデルの出力を説明するための図である。

【発明を実施するための形態】

【0016】

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。なお、以下の各実施形態では、被検体の動物として犬を適用した形態例を説明する。また、本明細書における「動物」とは、犬及び猫等の「人」を除く動物を意味する。

【0017】

［第１実施形態］
まず、図１を参照して、本実施形態に係る情報処理システム１０の構成を説明する。図１に示すように、情報処理システム１０は、診断支援装置１２及び複数の端末装置１４を含む。診断支援装置１２及び複数の端末装置１４は、それぞれネットワークＮに接続され、ネットワークＮを介して互いに通信が可能とされる。

【0018】

診断支援装置１２は、例えば、動物病院に設置される。診断支援装置１２の例としては、サーバコンピュータ等が挙げられる。なお、診断支援装置１２は、クラウドサーバであってもよい。端末装置１４は、例えば、動物病院に設置され、獣医師等のユーザにより使用される。端末装置１４の例としては、パーソナルコンピュータ及びタブレットコンピュータ等が挙げられる。

【0019】

次に、図２を参照して、本実施形態に係る診断支援装置１２のハードウェア構成を説明する。図２に示すように、診断支援装置１２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、診断支援装置１２は、液晶ディスプレイ等の表示部２３、キーボードとマウス等の入力部２４、及びネットワークＮ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、表示部２３、入力部２４、及びネットワークＩ／Ｆ２５は、バス２６に接続される。

【0020】

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、学習プログラム３０が記憶される。ＣＰＵ２０は、記憶部２２から学習プログラム３０を読み出してからメモリ２１に展開し、展開した学習プログラム３０を実行する。また、記憶部２２には、診断支援プログラム３２が記憶される。ＣＰＵ２０は、記憶部２２から診断支援プログラム３２を読み出してからメモリ２１に展開し、展開した診断支援プログラム３２を実行する。また、記憶部２２には、学習用の複数の医用画像データ３４と、学習済みモデル３６とが記憶される。

【0021】

医用画像データ３４は、被検体の犬を医用画像撮影装置によって撮影して得られた医用画像を表す画像データである。本実施形態では、医用画像データ３４として、被検体の犬に対して放射線を照射し、犬を透過した放射線を検出する放射線検出器により検出された放射線量に応じた放射線画像を表す画像データを適用した形態例を説明する。なお、医用画像データ３４は、ＭＲＩ（Magnetic Resonance Imaging）画像を表す画像データ及びＣＴ（Computed Tomography）画像を表す画像データ等であってもよい。

【0022】

また、医用画像データ３４は、一例として図３に示すように、犬の撮影対象部位を側面方向（所謂Lateral）に撮影して得られた医用画像を表す医用画像データと、腹側から背中側に向けた方向（所謂Ventral-Dorsal）に撮影して得られた医用画像を表す医用画像データの組となっている。医用画像データ３４は、１つの方向から撮影して得られた医用画像を表す医用画像データでもよいし、３つ以上の方向から撮影して得られた医用画像を表す医用画像データの組でもよい。

【0023】

また、医用画像データ３４には、一例として図４に示すように、撮影対象の犬の頭種を表す頭種情報と、医用画像データ３４が表す医用画像における異常の有無を表す情報（以下、「異常有無情報」という）とが付加されている。図４の例では、異常が無いことを「正常」と表記している。ここでいう異常の無い医用画像とは、病変が含まれない医用画像を意味し、異常の有る医用画像とは、疾患に応じた病変が含まれる医用画像を意味する。以下では、学習用の複数の医用画像データ３４のうち、病変を含まない医用画像を「第１の医用画像」といい、第１の医用画像を表す医用画像データを「第１の医用画像データ」という。また、以下では、学習用の複数の医用画像データ３４のうち、疾患に応じた病変を含む医用画像を「第２の医用画像」といい、第２の医用画像を表す「第２の医用画像データ」という。

【0024】

また、図４に示すように、本実施形態では、犬の頭種が、短頭種、中頭種、又は長頭種である形態例について説明するが、これに限定されない。犬の頭種は、例えば、短頭種又は長頭種の２種類でもよいし、４種類以上でもよい。また、図５に示すように、本実施形態に係る短頭種とは、鼻の長さＬ１が頭蓋骨の長さＬ２よりも短い犬のことを意味する。また、長頭種とは、鼻の長さＬ１が頭蓋骨の長さＬ２よりも長い犬のことを意味する。また、中頭種とは、鼻の長さＬ１と頭蓋骨の長さＬ２とが同じである犬のことを意味する。なお、鼻の長さＬ１と頭蓋骨の長さＬ２とが完全に同じでなくても、鼻の長さＬ１と頭蓋骨の長さＬ２との差が、許容誤差の範囲内の場合は中頭種としてもよい。

【0025】

学習済みモデル３６は、学習用の複数の医用画像データ３４及び頭種情報の組を用いて予め学習されたモデルである。本実施形態では、一例として図６に示すように、頭種毎に、複数の医用画像データ３４及び頭種情報の組を用いた機械学習によって学習済みモデル３６が生成される。以下では、頭種毎の学習済みモデル３６を区別する場合は、短頭種用の学習済みモデル３６Ａ、中頭種用の学習済みモデル３６Ｂ、及び長頭種用の学習済みモデル３６Ｃのように、符号の末尾にアルファベットを付して説明する。学習済みモデル３６の例としては、ニューラルネットワークモデルが挙げられる。

【0026】

次に、図７を参照して、本実施形態に係る診断支援装置１２の学習フェーズにおける機能的な構成について説明する。図７に示すように、診断支援装置１２は、取得部４０及び学習部４２を含む。ＣＰＵ２０が学習プログラム３０を実行することで、取得部４０及び学習部４２として機能する。

【0027】

取得部４０は、医用画像データ３４と、医用画像データ３４に付加された頭種情報及び異常有無情報とを記憶部２２から取得する。

【0028】

学習部４２は、取得部４０により取得された複数組の医用画像データ３４、頭種情報、及び異常有無情報を学習用のデータ（教師データとも称される）として学習させることによって、医用画像データ及び頭種情報に基づいて被検体の医用画像における異常の有無に関する情報を出力する学習済みモデル３６を生成する。

【0029】

具体的には、学習部４２は、頭種情報が表す頭種毎に、医用画像データ３４を入力とし、医用画像データ３４が表す医用画像における異常の有無を表す情報を出力とした学習済みモデル３６を機械学習によって生成する。

【0030】

より具体的には、学習部４２は、短頭種の医用画像データ３４のうち、異常の無い医用画像を表す医用画像データ３４が入力されたときは、正常であることを表す情報（例えば、「０」）が出力されるようにモデルを学習させる。また、学習部４２は、短頭種の医用画像データ３４のうち、異常の有る医用画像を表す医用画像データ３４が入力されたときは、異常であることを表す情報（例えば、「１」）が出力されるようにモデルを学習させる。この学習により、短頭種用の学習済みモデル３６Ａが生成される。

【0031】

同様に、学習部４２は、中頭種の医用画像データ３４のうち、異常の無い医用画像を表す医用画像データ３４が入力されたときは、正常であることを表す情報が出力されるようにモデルを学習させる。また、学習部４２は、中頭種の医用画像データ３４のうち、異常の有る医用画像を表す医用画像データ３４が入力されたときは、異常であることを表す情報が出力されるようにモデルを学習させる。この学習により、中頭種用の学習済みモデル３６Ｂが生成される。

【0032】

同様に、学習部４２は、長頭種の医用画像データ３４のうち、異常の無い医用画像を表す医用画像データ３４が入力されたときは、正常であることを表す情報が出力されるようにモデルを学習させる。また、学習部４２は、長頭種の医用画像データ３４のうち、異常の有る医用画像を表す医用画像データ３４が入力されたときは、異常であることを表す情報が出力されるようにモデルを学習させる。この学習により、長頭種用の学習済みモデル３６Ｃが生成される。

【0033】

以上の学習部４２による学習のアルゴリズムとしては、例えば、誤差逆伝播法を適用することができる。以上の学習部４２による学習によって、一例として図８に示すように、頭種毎に、医用画像データを入力とし、入力の医用画像データが表す医用画像が正常であるか、又は異常であるかを表す情報を出力とする学習済みモデル３６が生成される。そして、学習部４２は、生成した学習済みモデル３６を記憶部２２に記憶する。

【0034】

次に、図９を参照して、本実施形態に係る診断支援装置１２の学習フェーズにおける作用を説明する。ＣＰＵ２０が学習プログラム３０を実行することによって、図９に示す学習処理が実行される。

【0035】

図９のステップＳ１０で、取得部４０は、医用画像データ３４と、医用画像データ３４に付加された頭種情報及び異常有無情報とを記憶部２２から取得する。

【0036】

ステップＳ１２で、学習部４２は、前述したように、ステップＳ１０で取得された複数組の医用画像データ３４、頭種情報、及び異常有無情報を学習用のデータとして頭種毎にモデルを学習させる。この学習により、学習部４２は、医用画像データ及び頭種情報に基づいて被検体の医用画像における異常の有無に関する情報を出力する学習済みモデル３６を生成する。そして、学習部４２は、生成した学習済みモデル３６を記憶部２２に記憶する。ステップＳ１２の処理が終了すると学習処理が終了する。

【0037】

次に、図１０を参照して、本実施形態に係る診断支援装置１２の運用フェーズにおける機能的な構成について説明する。図１０に示すように、診断支援装置１２は、取得部５０、判定部５２、及び出力部５４を含む。ＣＰＵ２０が診断支援プログラム３２を実行することで、取得部５０、判定部５２、及び出力部５４として機能する。なお、診断支援装置１２は、学習フェーズと運用フェーズとで同じ装置であってもよいし、異なる装置であってもよい。

【0038】

取得部５０は、獣医師等のユーザによる診断対象である被検体の動物を医用画像撮影装置によって撮影して得られた医用画像を表す医用画像データと、その被検体の頭種を表す頭種情報とを取得する。頭種情報は、医用画像データに付加されていてもよいし、ユーザにより端末装置１４の操作部を介して入力されてもよい。また、取得部５０は、予め犬種と頭種とを対応付けたテーブルを用意しておき、電子カルテ等から被検体の犬種を取得し、予め用意されたテーブルから、取得した犬種に対応する頭種を表す頭種情報を取得してもよい。

【0039】

判定部５２は、取得部５０により取得された医用画像データ及び頭種情報と、学習済みモデル３６とに基づいて、被検体の医用画像における異常の有無を判定する。具体的には、判定部５２は、取得部５０により取得された医用画像データを、取得部５０により取得された頭種情報が表す頭種用の学習済みモデル３６に入力する。学習済みモデル３６は、入力された医用画像データに対応して、正常であることを表す情報又は異常であることを表す情報を出力する。

【0040】

判定部５２は、学習済みモデル３６からの出力が正常であることを表す情報である場合、取得部５０により取得された医用画像データが表す被検体の医用画像に異常が無いと判定する。一方、判定部５２は、学習済みモデル３６からの出力が異常であることを表す情報である場合、取得部５０により取得された医用画像データが表す被検体の医用画像に異常が有ると判定する。

【0041】

出力部５４は、判定部５２による判定結果を表す情報を出力する。具体的には、出力部５４は、判定部５２による判定結果を表す情報を端末装置１４に出力することによって、端末装置１４の表示部に判定部５２による判定結果を表示する。ユーザは、端末装置１４の表示部に表示された判定結果を参考に医用画像を読影し、被検体の診断を行う。

【0042】

次に、図１１を参照して、本実施形態に係る診断支援装置１２の運用フェーズにおける作用を説明する。ＣＰＵ２０が診断支援プログラム３２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。

【0043】

図１１のステップＳ２０で、取得部５０は、ユーザによる診断対象である被検体の動物を医用画像撮影装置によって撮影して得られた医用画像を表す医用画像データと、その被検体の頭種を表す頭種情報とを取得する。

【0044】

ステップＳ２２で、判定部５２は、前述したように、ステップＳ２０で取得された医用画像データ及び頭種情報と、学習済みモデル３６とに基づいて、被検体の医用画像における異常の有無を判定する。ステップＳ２４で、出力部５４は、前述したように、ステップＳ２２の処理による判定結果を表す情報を出力する。ステップＳ２４の処理が終了すると診断支援処理が終了する。

【0045】

以上説明したように、本実施形態によれば、医用画像データ及び頭種情報と、学習済みモデル３６とに基づいて、被検体の医用画像における異常の有無が判定される。具体的には、図１２に示すように、被検体が短頭種である場合、医用画像データが短頭種用の学習済みモデル３６Ａに入力され、医用画像における異常の有無が判定される。また、図１３に示すように、被検体が中頭種である場合、医用画像データが中頭種用の学習済みモデル３６Ｂに入力され、医用画像における異常の有無が判定される。また、図１４に示すように、被検体が長頭種である場合、医用画像データが長頭種用の学習済みモデル３６Ｃに入力され、医用画像における異常の有無が判定される。

【0046】

従って、頭種による医用画像の特徴の違いを考慮したうえで、医用画像における異常の有無を精度良く判定することができる結果、医用画像を用いた診断を効果的に支援することができる。

【0047】

なお、第１実施形態では、医用画像データを入力とした学習済みモデル３６を頭種毎に生成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１５に示すように、医用画像データ及び頭種情報を入力とした１つの学習済みモデル３６を生成する形態としてもよい。

【0048】

また、第１実施形態では、疾患に応じた病変を含む第２の医用画像を分類せずに１種類の医用画像として用い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１６に示すように、第２の医用画像を頭種毎に罹患し易い疾患として予め定められた疾患毎に分類してもよい。図１６では、短頭種の第２の医用画像が、「疾患Ａ」、「疾患Ｂ」、及び「その他の疾患（すなわち、疾患Ａ及び疾患Ｂ以外の疾患）」の３種類に分類されている例を示している。また、図１６の例では、「疾患Ａ」及び「疾患Ｂ」が、短頭種が罹患し易い疾患として予め定められた疾患である。短頭種が罹患し易い疾患としては、例えば、短頭種気道症候群及び軟蓋過長症等が挙げられる。

【0049】

また、図１６では、中頭種の第２の医用画像が、「疾患Ｃ」、「疾患Ｄ」、及び「その他の疾患（すなわち、疾患Ｃ及び疾患Ｄ以外の疾患）」の３種類に分類されている例を示している。また、図１６の例では、「疾患Ｃ」及び「疾患Ｄ」が、中頭種が罹患し易い疾患として予め定められた疾患である。中頭種が罹患し易い疾患としては、例えば、軟蓋過長症及び鼻膿皮症等が挙げられる。

【0050】

また、図１６では、長頭種の第２の医用画像が、「疾患Ｅ」、「疾患Ｆ」、及び「その他の疾患（すなわち、疾患Ｅ及び疾患Ｆ以外の疾患）」の３種類に分類されている例を示している。また、図１６の例では、「疾患Ｅ」及び「疾患Ｆ」が、長頭種が罹患し易い疾患として予め定められた疾患である。長頭種が罹患し易い疾患としては、例えば、鼻膿皮症及び鼻腔内腫瘍等が挙げられる。

【0051】

また、この形態例では、一例として図１７に示すように、短頭種用の学習済みモデル３６Ａからは、入力の医用画像データが表す医用画像が、正常である確率、疾患Ａに該当する確率、疾患Ｂに該当する確率、及びその他の疾患に該当する確率が出力される。また、この形態例では、中頭種用の学習済みモデル３６Ｂからは、入力の医用画像データが表す医用画像が、正常である確率、疾患Ｃに該当する確率、疾患Ｄに該当する確率、及びその他の疾患に該当する確率が出力される。また、この形態例では、長頭種用の学習済みモデル３６Ｃからは、入力の医用画像データが表す医用画像が、正常である確率、疾患Ｅに該当する確率、疾患Ｆに該当する確率、及びその他の疾患に該当する確率が出力される。

【0052】

この形態例では、判定部５２は、例えば、学習済みモデル３６からの出力のうち、正常である確率が最も高い場合は、取得部５０により取得された医用画像データが表す被検体の医用画像に異常が無いと判定する。また、この形態例では、判定部５２は、例えば、学習済みモデル３６からの出力のうち、正常である確率以外の何れかの確率が最も高い場合は、取得部５０により取得された医用画像データが表す被検体の医用画像に異常が有ると判定する。なお、判定部５２は、学習済みモデル３６からの出力のうち、正常である確率以外の各疾患に該当する確率の合算値が正常である確率よりも高い場合に、取得部５０により取得された医用画像データが表す被検体の医用画像に異常が有ると判定してもよい。この場合、判定部５２は、学習済みモデル３６からの出力のうち、正常である確率以外の各疾患に該当する確率の合算値が正常である確率以下の場合に、取得部５０により取得された医用画像データが表す被検体の医用画像に異常が無いと判定すればよい。この形態例では、学習用の医用画像データを集めやすい疾患毎に分類するため、疾患の有無をより精度良く判定することができる。

【0053】

また、この形態例において、出力部５４は、判定部５２が被検体の医用画像に異常が有ると判定した場合、医用画像が該当する確率が最も高い疾患名を出力してもよいし、該当する確率が高い順に疾患名を出力してもよい。

【0054】

また、第１実施形態において、判定部５２は、被検体の頭部をデジタルカメラ等の撮影装置によって撮影して得られた光学画像を用いて、被検体の頭種を判定してもよい。この場合、判定部５２は、光学画像に対して画像解析処理を行うことによって被検体の鼻の長さＬ１及び頭蓋骨の長さＬ２を導出し、導出した被検体の鼻の長さＬ１と頭蓋骨の長さＬ２との比較によって被検体の頭種を判定する形態が例示される。この場合、取得部５０は、判定部５２により判定された被検体の頭種を表す頭種情報を取得する。

【0055】

［第２実施形態］
開示の技術の第２実施形態を説明する。なお、本実施形態に係る情報処理システム１０の構成は、第１実施形態と同一であるため、説明を省略する。本実施形態に係る診断支援装置１２のハードウェア構成は、記憶部２２に記憶される学習用の複数の医用画像データ３４、及び学習済みモデル３６以外は第１実施形態と同一であるため、ここでは、医用画像データ３４及び学習済みモデル３６について説明する。

【0056】

本実施形態に係る医用画像データ３４は、医用画像データ３４自体は第１実施形態と同一であるが、医用画像データ３４に付加される情報が第１実施形態とは異なっている。医用画像データ３４には、一例として図１８に示すように、犬の体重によって分類される種類であって、撮影対象である被検体の犬が属する種類を表す種類情報と、異常有無情報とが付加されている。

【0057】

図１８に示すように、本実施形態では、種類情報が表す種類が、小型犬、中型犬、又は大型犬である形態例について説明するが、これに限定されない。種類情報が表す種類は、例えば、小型件又は大型犬の２種類でもよいし、４種類以上でもよい。本実施形態では、被検体の年齢に関係なく、成犬の体重が１０ｋｇ未満の犬種を小型犬とし、１０ｋｇ以上２５ｋｇ未満の犬種を中型犬とし、２５ｋｇ以上の犬種を大型犬とする。なお、犬の種類を、体重ではなく、体長で分類してもよいし、体重及び体長の組み合わせで分類してもよい。

【0058】

本実施形態に係る学習済みモデル３６は、学習用の複数の医用画像データ３４及び種類情報の組を用いて予め学習されたモデルである。本実施形態では、一例として図１９に示すように、種類毎に、複数の医用画像データ３４及び種類情報の組を用いた機械学習によって学習済みモデル３６が生成される。以下では、種類毎の学習済みモデル３６を区別する場合は、小型犬用の学習済みモデル３６Ｄ、中型犬用の学習済みモデル３６Ｅ、及び大型犬用の学習済みモデル３６Ｆのように、符号の末尾にアルファベットを付して説明する。学習済みモデル３６の例としては、ニューラルネットワークモデルが挙げられる。

【0059】

次に、図２０を参照して、本実施形態に係る診断支援装置１２の学習フェーズにおける機能的な構成について説明する。図２０に示すように、診断支援装置１２は、取得部６０及び学習部６２を含む。ＣＰＵ２０が学習プログラム３０を実行することで、取得部６０及び学習部６２として機能する。

【0060】

取得部６０は、医用画像データ３４と、医用画像データ３４に付加された種類情報及び異常有無情報とを記憶部２２から取得する。

【0061】

学習部６２は、取得部６０により取得された複数組の医用画像データ３４、種類情報、及び異常有無情報を学習用のデータとして学習させることによって、医用画像データ及び種類情報に基づいて被検体の医用画像における異常の有無に関する情報を出力する学習済みモデル３６を生成する。

【0062】

具体的には、学習部６２は、種類情報が表す種類毎に、医用画像データ３４を入力とし、医用画像データ３４が表す医用画像における異常の有無を表す情報を出力とした学習済みモデル３６を機械学習によって生成する。

【0063】

より具体的には、学習部６２は、小型犬の医用画像データ３４のうち、異常の無い医用画像を表す医用画像データ３４が入力されたときは、正常であることを表す情報が出力されるようにモデルを学習させる。また、学習部６２は、小型犬の医用画像データ３４のうち、異常の有る医用画像を表す医用画像データ３４が入力されたときは、異常であることを表す情報が出力されるようにモデルを学習させる。この学習により、小型犬用の学習済みモデル３６Ｄが生成される。

【0064】

同様に、学習部６２は、中型犬の医用画像データ３４のうち、異常の無い医用画像を表す医用画像データ３４が入力されたときは、正常であることを表す情報が出力されるようにモデルを学習させる。また、学習部６２は、中型犬の医用画像データ３４のうち、異常の有る医用画像を表す医用画像データ３４が入力されたときは、異常であることを表す情報が出力されるようにモデルを学習させる。この学習により、中型犬用の学習済みモデル３６Ｅが生成される。

【0065】

同様に、学習部６２は、大型犬の医用画像データ３４のうち、異常の無い医用画像を表す医用画像データ３４が入力されたときは、正常であることを表す情報が出力されるようにモデルを学習させる。また、学習部６２は、大型犬の医用画像データ３４のうち、異常の有る医用画像を表す医用画像データ３４が入力されたときは、異常であることを表す情報が出力されるようにモデルを学習させる。この学習により、大型犬用の学習済みモデル３６Ｆが生成される。

【0066】

以上の学習部６２による学習のアルゴリズムとしては、例えば、誤差逆伝播法を適用することができる。以上の学習部６２による学習によって、一例として図２１に示すように、種類毎に、医用画像データを入力とし、入力の医用画像データが表す医用画像が正常であるか、又は異常であるかを表す情報を出力とする学習済みモデル３６が生成される。そして、学習部６２は、生成した学習済みモデル３６を記憶部２２に記憶する。

【0067】

次に、図２２を参照して、本実施形態に係る診断支援装置１２の学習フェーズにおける作用を説明する。ＣＰＵ２０が学習プログラム３０を実行することによって、図２２に示す学習処理が実行される。

【0068】

図２２のステップＳ３０で、取得部６０は、医用画像データ３４と、医用画像データ３４に付加された種類情報及び異常有無情報とを記憶部２２から取得する。

【0069】

ステップＳ３２で、学習部６２は、前述したように、ステップＳ３０で取得された複数組の医用画像データ３４、種類情報、及び異常有無情報を学習用のデータとして種類毎にモデルを学習させる。この学習により、学習部６２は、医用画像データ及び種類情報に基づいて被検体の医用画像における異常の有無に関する情報を出力する学習済みモデル３６を生成する。そして、学習部６２は、生成した学習済みモデル３６を記憶部２２に記憶する。ステップＳ３２の処理が終了すると学習処理が終了する。

【0070】

次に、図２３を参照して、本実施形態に係る診断支援装置１２の運用フェーズにおける機能的な構成について説明する。図２３に示すように、診断支援装置１２は、取得部７０、判定部７２、及び出力部７４を含む。ＣＰＵ２０が診断支援プログラム３２を実行することで、取得部７０、判定部７２、及び出力部７４として機能する。取得部７０が開示の技術に係る取得部の一例であり、判定部７２が開示の技術に係る判定部の一例である。なお、診断支援装置１２は、学習フェーズと運用フェーズとで同じ装置であってもよいし、異なる装置であってもよい。

【0071】

取得部７０は、獣医師等のユーザによる診断対象である被検体の動物を医用画像撮影装置によって撮影して得られた医用画像を表す医用画像データと、動物の体重によって分類される種類であって、その被検体が属する種類を表す種類情報とを取得する。種類情報は、医用画像データに付加されていてもよいし、ユーザにより端末装置１４の操作部を介して入力されてもよい。また、取得部７０は、予め犬種と種類とを対応付けたテーブルを用意しておき、電子カルテ等から被検体の犬種を取得し、予め用意されたテーブルから、取得した犬種に対応する種類を表す種類情報を取得してもよい。

【0072】

判定部７２は、取得部７０により取得された医用画像データ及び種類情報と、学習済みモデル３６とに基づいて、被検体の医用画像における異常の有無を判定する。具体的には、判定部７２は、取得部７０により取得された医用画像データを、取得部７０により取得された種類情報が表す種類用の学習済みモデル３６に入力する。学習済みモデル３６は、入力された医用画像データに対応して、正常であることを表す情報又は異常であることを表す情報を出力する。

【0073】

判定部７２は、学習済みモデル３６からの出力が正常であることを表す情報である場合、取得部７０により取得された医用画像データが表す被検体の医用画像に異常が無いと判定する。一方、判定部７２は、学習済みモデル３６からの出力が異常であることを表す情報である場合、取得部７０により取得された医用画像データが表す被検体の医用画像に異常が有ると判定する。

【0074】

出力部７４は、判定部７２による判定結果を表す情報を出力する。具体的には、出力部７４は、判定部７２による判定結果を表す情報を端末装置１４に出力することによって、端末装置１４の表示部に判定部７２による判定結果を表示する。ユーザは、端末装置１４の表示部に表示された判定結果を参考に医用画像を読影し、被検体の診断を行う。

【0075】

次に、図２４を参照して、本実施形態に係る診断支援装置１２の運用フェーズにおける作用を説明する。ＣＰＵ２０が診断支援プログラム３２を実行することによって、図２４に示す診断支援処理が実行される。

【0076】

図２４のステップＳ４０で、取得部７０は、ユーザによる診断対象である被検体の動物を医用画像撮影装置によって撮影して得られた医用画像を表す医用画像データと、その被検体の種類を表す種類情報とを取得する。

【0077】

ステップＳ４２で、判定部７２は、前述したように、ステップＳ４０で取得された医用画像データ及び種類情報と、学習済みモデル３６とに基づいて、被検体の医用画像における異常の有無を判定する。ステップＳ４４で、出力部７４は、前述したように、ステップＳ４２の処理による判定結果を表す情報を出力する。ステップＳ４４の処理が終了すると診断支援処理が終了する。

【0078】

以上説明したように、本実施形態によれば、医用画像データ及び種類情報と、学習済みモデル３６とに基づいて、被検体の医用画像における異常の有無が判定される。具体的には、図２５に示すように、被検体が小型犬である場合、医用画像データが小型犬用の学習済みモデル３６Ｄに入力され、医用画像における異常の有無が判定される。また、図２６に示すように、被検体が中型犬である場合、医用画像データが中型犬用の学習済みモデル３６Ｅに入力され、医用画像における異常の有無が判定される。また、図２７に示すように、被検体が大型犬である場合、医用画像データが大型犬用の学習済みモデル３６Ｆに入力され、医用画像における異常の有無が判定される。

【0079】

従って、体重によって分類される種類による医用画像の特徴の違いを考慮したうえで、医用画像における異常の有無を精度良く判定することができる結果、医用画像を用いた診断を効果的に支援することができる。

【0080】

なお、第２実施形態では、医用画像データを入力とした学習済みモデル３６を種類毎に生成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２８に示すように、医用画像データ及び種類情報を入力とした１つの学習済みモデル３６を生成する形態としてもよい。

【0081】

また、第２実施形態では、疾患に応じた病変を含む第２の医用画像を分類せずに１種類の医用画像として用い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２９に示すように、第２の医用画像を種類毎に罹患し易い疾患として予め定められた疾患毎に分類してもよい。図２９では、小型犬の第２の医用画像が、「疾患Ｇ」、「疾患Ｈ」、及び「その他の疾患（すなわち、疾患Ｇ及び疾患Ｈ以外の疾患）」の３種類に分類されている例を示している。また、図２９の例では、「疾患Ｇ」及び「疾患Ｈ」が、小型犬が罹患し易い疾患として予め定められた疾患である。小型犬が罹患し易い疾患としては、例えば、膝蓋骨脱臼、橈尺骨骨折、及びレッグペルテス病等が挙げられる。

【0082】

また、図２９では、中型犬の第２の医用画像が、「疾患Ｉ」、「疾患Ｊ」、及び「その他の疾患（すなわち、疾患Ｉ及び疾患Ｊ以外の疾患）」の３種類に分類されている例を示している。また、図２９の例では、「疾患Ｉ」及び「疾患Ｊ」が、中型犬が罹患し易い疾患として予め定められた疾患である。中型犬が罹患し易い疾患としては、例えば、膝蓋骨脱臼及び股関節疾患等が挙げられる。

【0083】

また、図２９では、大型犬の第２の医用画像が、「疾患Ｋ」、「疾患Ｌ」、及び「その他の疾患（すなわち、疾患Ｋ及び疾患Ｌ以外の疾患）」の３種類に分類されている例を示している。また、図２９の例では、「疾患Ｋ」及び「疾患Ｌ」が、大型犬が罹患し易い疾患として予め定められた疾患である。大型犬が罹患し易い疾患としては、例えば、股関節疾患、馬尾症候群症、及び前十字靭帯断裂等が挙げられる。

【0084】

また、この形態例では、一例として図３０に示すように、小型犬用の学習済みモデル３６Ｄからは、入力の医用画像データが表す医用画像が、正常である確率、疾患Ｇに該当する確率、疾患Ｈに該当する確率、及びその他の疾患に該当する確率が出力される。また、この形態例では、中型犬用の学習済みモデル３６Ｅからは、入力の医用画像データが表す医用画像が、正常である確率、疾患Ｉに該当する確率、疾患Ｊに該当する確率、及びその他の疾患に該当する確率が出力される。また、この形態例では、大型犬用の学習済みモデル３６Ｆからは、入力の医用画像データが表す医用画像が、正常である確率、疾患Ｋに該当する確率、疾患Ｌに該当する確率、及びその他の疾患に該当する確率が出力される。

【0085】

この形態例では、判定部７２は、例えば、学習済みモデル３６からの出力のうち、正常である確率が最も高い場合は、取得部７０により取得された医用画像データが表す被検体の医用画像に異常が無いと判定する。また、この形態例では、判定部７２は、例えば、学習済みモデル３６からの出力のうち、正常である確率以外の何れかの確率が最も高い場合は、取得部７０により取得された医用画像データが表す被検体の医用画像に異常が有ると判定する。なお、判定部７２は、学習済みモデル３６からの出力のうち、正常である確率以外の各疾患に該当する確率の合算値が正常である確率よりも高い場合に、取得部７０により取得された医用画像データが表す被検体の医用画像に異常が有ると判定してもよい。この場合、判定部７２は、学習済みモデル３６からの出力のうち、正常である確率以外の各疾患に該当する確率の合算値が正常である確率以下の場合に、取得部７０により取得された医用画像データが表す被検体の医用画像に異常が無いと判定すればよい。この形態例では、学習用の医用画像データを集めやすい疾患毎に分類するため、疾患の有無をより精度良く判定することができる。

【0086】

また、この形態例において、出力部７４は、判定部７２が被検体の医用画像に異常が有ると判定した場合、医用画像が該当する確率が最も高い疾患名を出力してもよいし、該当する確率が高い順に疾患名を出力してもよい。

【0087】

また、第２実施形態において、判定部７２は、被検体の体重から被検体の種類を判定してもよい。この場合、判定部７２は、被検体の体重が第１の閾値ＴＨ１（例えば、１０ｋｇ）未満の場合、その被検体の種類が小型犬であると判定する。また、この場合、判定部７２は、被検体の体重が第１の閾値ＴＨ１以上第２の閾値ＴＨ２（例えば、２５ｋｇ）未満の場合、その被検体の種類を中型犬であると判定する。また、この場合、判定部７２は、被検体の体重が第２の閾値ＴＨ２（例えば、２５ｋｇ）以上の場合、その被検体の種類が大型犬であると判定する。この場合、取得部７０は、判定部７２により判定された被検体の種類を表す種類情報を取得する。

【0088】

また、第１実施形態及び第２実施形態を組み合わせてもよい。この場合、例えば、学習済みモデル３６を、頭種情報が表す頭種及び種類情報が表す種類の組み合わせ毎に生成する形態が例示される。

【0089】

また、上記各実施形態では、被検体の動物として犬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。被検体の動物として、例えば、猫等の犬以外の動物を適用する形態としてもよい。

【0090】

また、上記各実施形態における診断支援装置１２の各機能部等の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。

【0091】

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。
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。

【0092】

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。

【0093】

また、上記実施形態では、学習プログラム３０及び診断支援プログラム３２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。学習プログラム３０及び診断支援プログラム３２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、学習プログラム３０及び診断支援プログラム３２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。

【0094】

上記の実施形態に関し、更に以下の付記を開示する。

【0095】

（付記１）
被検体の動物を医用画像撮影装置によって撮影して得られた医用画像を表す医用画像データと、動物の体長及び体重の少なくとも一方によって分類される種類であって、前記被検体が属する種類を表す種類情報とを取得する取得部と、
前記取得部により取得された複数組の前記医用画像データ及び前記種類情報を学習用のデータとして学習させることによって、前記医用画像データ及び前記種類情報に基づいて前記被検体の前記医用画像における異常の有無に関する情報を出力する学習済みモデルを生成する学習部と、
を備えた診断支援装置。

【符号の説明】

【0096】

１０ 情報処理システム
１２ 診断支援装置
１４ 端末装置
２０ ＣＰＵ
２１ メモリ
２２ 記憶部
２３ 表示部
２４ 入力部
２５ ネットワークＩ／Ｆ
２６ バス
３０ 学習プログラム
３２ 診断支援プログラム
３４ 医用画像データ
３６ 学習済みモデル
４０、５０、６０、７０ 取得部
４２、６２ 学習部
５２、７２ 判定部
５４、７４ 出力部
Ｌ１ 鼻の長さ
Ｌ２ 頭蓋骨の長さ
Ｎ ネットワーク

【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】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】

【図20】

【図21】

【図22】

【図23】

【図24】

【図25】

【図26】

【図27】

【図28】

【図29】

【図30】