ホーム > 特許ランキング > 株式会社フィックスターズ
(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】2022-11-29
(45)【発行日】2022-12-07
(54)【発明の名称】プログラム及び画像診断補助装置
(51)【国際特許分類】
A61B 8/08 20060101AFI20221130BHJP
【ＦＩ】
A61B8/08
【請求項の数】
9
(21)【出願番号】P 2021502177
(86)(22)【出願日】2020-02-21
(86)【国際出願番号】 JP2020007011
(87)【国際公開番号】W WO2020175356
(87)【国際公開日】2020-09-03
【審査請求日】2021-08-24
(31)【優先権主張番号】P 2019034978
(32)【優先日】2019-02-27
(33)【優先権主張国・地域又は機関】JP
【早期審査対象出願】
(73)【特許権者】
【識別番号】508089266
【氏名又は名称】株式会社フィックスターズ
(74)【代理人】
【識別番号】100176072
【弁理士】
【氏名又は名称】小林 功
(74)【代理人】
【識別番号】100169225
【弁理士】
【氏名又は名称】山野 明
(72)【発明者】
【氏名】林田 哲
(72)【発明者】
【氏名】二木 紀行
(72)【発明者】
【氏名】塩田 靖彦
【審査官】冨永 昌彦
(56)【参考文献】
【文献】特開２０１５－１５４９１８（ＪＰ，Ａ）
【文献】国際公開第２０１８／１８０３８６（ＷＯ，Ａ１）
【文献】米国特許出願公開第２０１５／０２３０７７３（ＵＳ，Ａ１）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ａ６１Ｂ ８／００ － ８／１５
Ａ６１Ｂ ６／００ － ６／１４
Ｇ０６Ｎ ２０／００
(57)【特許請求の範囲】
【請求項1】
コンピュータを、機械学習が行われた学習済みモデルで構築された学習器に人体の乳房が写った乳房医療画像を入力することで、当該乳房医療画像において腫瘍の候補となる第一領域と、当該乳房医療画像において腫瘍以外の他の組織の候補となる第二領域と、を検出する検出手段、
前記検出手段にて検出された前記第一領域と前記第二領域の位置関係又は前記第一領域同士の位置関係に基づいて、前記第一領域が腫瘍であるか否かを判定する判定手段、
前記判定手段の判定結果を出力する出力手段、
として機能させ、
前記第一領域は、前記腫瘍である確率が第一閾値以上の確率が対応付けられた領域であり、前記第二領域は、腫瘍以外の他の組織である確率が第二閾値以上の確率が対応付けられた領域であり、
前記第二閾値は前記第一閾値よりも低い、プログラム。
【請求項2】
前記検出手段は、前記第一領域として、悪性腫瘍である確率が対応付けられた領域と、良性腫瘍である確率が対応付けられた領域とを検出し、前記判定手段は、前記第一領域が腫瘍であると検出された場合に、前記検出手段にて検出された領域に対応付けられた確率に基づいて、前記第一領域が良性腫瘍であるか又は悪性腫瘍であるかを判定する、
請求項１に記載のプログラム。
【請求項3】
前記判定手段は、悪性腫瘍である確率が対応付けられた領域と、良性腫瘍である確率が対応付けられた領域とが重なった場合、確率の高い方の腫瘍であると判定する、請求項２に記載のプログラム。
【請求項4】
前記検出手段は、前記第一領域として、ＢＩ－ＲＡＤＳ（Breast Imaging Reporting And Data System）カテゴリーに従って定義される各区分に属する腫瘍である確率が対応付けられた領域を検出し、前記判定手段は、前記第一領域が腫瘍であると検出された場合に、前記検出手段にて検出された領域に対応付けられた確率に基づいて、前記第一領域がどの区分に属する腫瘍であるかを判定する、
請求項１乃至３の何れか１項に記載のプログラム。
【請求項5】
前記学習済みモデルは、腫瘍が写った複数の乳房医療画像から機械学習が行われた第一学習済みモデルと、前記他の組織が写った複数の乳房医療画像から機械学習が行われた第二学習済みモデルとを含み、前記検出手段は、前記乳房医療画像を前記第一学習済みモデルで構築された学習器に入力することで前記第一領域を検出し、且つ、前記乳房医療画像を前記第二学習済みモデルで構築された学習器に入力することで前記第二領域を検出する、
請求項１乃至４の何れか１項に記載のプログラム。
【請求項6】
前記検出手段は、前記第二領域として、骨の候補となる領域と、筋肉の候補となる領域とを検出する、請求項１乃至５の何れか１項に記載のプログラム。
【請求項7】
前記学習済みモデルの学習回数は、２万回以上６万回以下である、請求項１乃至６の何れか１項に記載のプログラム。
【請求項8】
前記出力手段は、前記判定手段の判定結果に基づき、医師をサポートするためのサポート情報を出力する、請求項１乃至７の何れか１項に記載のプログラム。
【請求項9】
機械学習が行われた学習済みモデルで構築された学習器に人体の乳房が写った乳房医療画像を入力することで、当該乳房医療画像において腫瘍の候補となる第一領域と、当該乳房医療画像において腫瘍以外の他の組織の候補となる第二領域と、を検出する検出手段と、前記検出手段にて検出された複数の領域に基づいて、前記第一領域が腫瘍であるか否かを判定する判定手段と、
前記判定手段の判定結果を出力する出力手段と、
を備え、
前記第一領域は、前記腫瘍である確率が第一閾値以上の確率が対応付けられた領域であり、前記第二領域は、腫瘍以外の他の組織である確率が第二閾値以上の確率が対応付けられた領域であり、
前記第二閾値は前記第一閾値よりも低い、画像診断補助装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、記憶媒体、画像診断補助装置、学習装置、及び、学習済みモデルの生成方法に関する。
【背景技術】
【0002】
従来から、人体の乳房に腫瘍があるか否かを医師が診断するための画像診断補助装置が知られている。
【0003】
これに関して、例えば特許文献１には、乳房が写った乳房医療画像を学習済みの学習器に入力して、腫瘍の候補となる領域（腫瘍候補領域）と、乳腺の領域とを検出し、腫瘍候補領域の中から、乳腺の領域以外の領域における腫瘍候補領域を除去して、残った腫瘍候補領域が腫瘍であると判定する技術が開示されている。
【先行技術文献】
【特許文献】
【0004】
【文献】国際公開第２０１８／１８０３８６号
【発明の概要】
【発明が解決しようとする課題】
【0005】
しかしながら、特許文献１に記載の技術では、例えば乳腺の領域のサイズや位置が間違って検出された場合には、実際には腫瘍領域であるはずの腫瘍候補領域まで除去されてしまう可能性があり、腫瘍の判定精度が十分ではなかった。
【0006】
本発明はこのような課題に鑑みてなされたものであり、その目的は、乳房医療画像において腫瘍の判定精度を向上することができる記憶媒体、画像診断補助装置、学習装置、及び、学習済みモデルの生成方法を提供することにある。
【課題を解決するための手段】
【0007】
上記課題を解決するために、本発明の第一態様に係る記憶媒体は、コンピュータを、機械学習が行われた学習済みモデルで構築された学習器に人体の乳房が写った乳房医療画像を入力することで、当該乳房医療画像において腫瘍の候補となる第一領域と、当該乳房医療画像において腫瘍以外の他の組織の候補となる第二領域と、を検出する検出手段、前記検出手段にて検出された複数の領域の位置関係に基づいて、前記第一領域が腫瘍であるか否かを判定する判定手段、前記判定手段の判定結果を出力する出力手段、として機能させるプログラムを記憶する。
【0008】
また、本発明の第二態様に係る記憶媒体では、前記検出手段は、前記第二領域として、骨の候補となる領域と、筋肉の候補となる領域とを検出する。
【0009】
また、本発明の第三態様に係る記憶媒体では、前記検出手段は、前記第一領域として、悪性腫瘍である確率が対応付けられた領域と、良性腫瘍である確率が対応付けられた領域とを検出し、前記判定手段は、前記第一領域が腫瘍であると検出された場合に、前記検出手段にて検出された領域に対応付けられた確率に基づいて、前記第一領域が良性腫瘍であるか又は悪性腫瘍であるかを判定する。
【0010】
また、本発明の第四態様に係る記憶媒体では、前記検出手段は、前記第一領域として、ＢＩ－ＲＡＤＳ（Breast Imaging Reporting And Data System）カテゴリーに従って定義される各区分に属する腫瘍である確率が対応付けられた領域を検出し、前記判定手段は、前記第一領域が腫瘍であると検出された場合に、前記検出手段にて検出された領域に対応付けられた確率に基づいて、前記第一領域がどの区分に属する腫瘍であるかを判定する。
【0011】
また、本発明の第五態様に係る記憶媒体では、前記学習済みモデルは、腫瘍が写った複数の乳房医療画像から機械学習が行われた第一学習済みモデルと、前記他の組織が写った複数の乳房医療画像から機械学習が行われた第二学習済みモデルとを含み、前記検出手段は、前記乳房医療画像を前記第一学習済みモデルで構築された学習器に入力することで前記第一領域を検出し、且つ、前記乳房医療画像を前記第二学習済みモデルで構築された学習器に入力することで前記第二領域を検出する。
【0012】
また、本発明の第六態様に係る記憶媒体では、前記第一領域は、前記腫瘍である確率が第一閾値以上の確率が対応付けられた領域であり、前記第二領域は、腫瘍以外の他の組織である確率が第二閾値以上の確率が対応付けられた領域である。
【0013】
また、本発明の第七態様に係る記憶媒体では、前記第二閾値は前記第一閾値よりも低い。
【0014】
また、本発明の第八態様に係る記憶媒体では、前記出力手段は、前記判定手段の判定結果に基づき、医師をサポートするためのサポート情報を出力する。
【0015】
また、本発明の第九態様に係る画像診断補助装置は、機械学習が行われた学習済みモデルで構築された学習器に人体の乳房が写った乳房医療画像を入力することで、当該乳房医療画像において腫瘍の候補となる第一領域と、当該乳房医療画像において腫瘍以外の他の組織の候補となる第二領域と、を検出する検出手段と、前記検出手段にて検出された複数の領域に基づいて、前記第一領域が腫瘍であるか否かを判定する判定手段と、前記判定手段の判定結果を出力する出力手段と、を備える。
【0016】
また、本発明の第十態様に係る学習装置は、腫瘍が写った複数の第一乳房医療画像と、当該腫瘍以外の他の組織が写った複数の第二乳房医療画像とを取得する画像取得手段と、ユーザの操作に基づき、前記複数の第一乳房医療画像において腫瘍の位置特定情報を第一教師データとして取得し、且つ、前記複数の第二乳房医療画像において前記他の組織の位置特定情報を教師データとして取得する教師データ取得手段と、前記複数の第一乳房医療画像及び前記第一教師データの組を入力して機械学習し、所定の乳房医療画像において腫瘍の候補となる第一領域を検出するための第一学習済みモデルを生成し、且つ、前記複数の第二乳房医療画像及び前記第二教師データの組を入力して機械学習し、所定の乳房医療画像において腫瘍以外の他の組織の候補となる第二領域を検出するための第二学習済みモデルを生成する学習処理手段と、を備える。
【0017】
また、本発明の第十一態様に係る学習済みモデルの生成方法は、腫瘍が写った複数の第一乳房医療画像と、当該腫瘍以外の他の組織が写った複数の第二乳房医療画像とを取得するステップと、ユーザの操作に基づき、前記複数の第一乳房医療画像において腫瘍の位置特定情報を第一教師データとして取得し、且つ、前記複数の第二乳房医療画像において前記他の組織の位置特定情報を教師データとして取得するステップと、前記複数の第一乳房医療画像及び前記第一教師データの組を入力して機械学習し、所定の乳房医療画像において腫瘍の候補となる第一領域を検出するための第一学習済みモデルを生成し、且つ、前記複数の第二乳房医療画像及び前記第二教師データの組を入力して機械学習し、所定の乳房医療画像において腫瘍以外の他の組織の候補となる第二領域を検出するための第二学習済みモデルを生成するステップと、をコンピュータが実行する。
【発明の効果】
【0018】
本発明によれば、乳房医療画像において腫瘍の判定精度を向上することができる。
【図面の簡単な説明】
【0019】
【図1】本発明の実施形態に係る画像診断システムの全体構成の一例を示す模式図である。
【図6】学習装置の各機能的構成の処理手順を示すフローチャートである。
【図7】画像診断補助装置の各機能的構成の処理手順を示すフローチャートである。
【図8】判定結果を反映した乳房医療画像の一例を示す図である。
【図9】良性腫瘍と悪性腫瘍を「腫瘍」とみなした場合において、実際の疾患と、腫瘍判定プログラムの判定結果とを比較した結果を示す表である。
【図10】良性腫瘍もない正常と良性腫瘍を「正常」とみなした場合において、実際の疾患と、腫瘍判定プログラムの判定結果とを比較した結果を示す表である。
【図11】良性腫瘍と悪性腫瘍を「腫瘍」とみなした場合において、学習回数による感度と特異度の変化を示すグラフである。
【図12】良性腫瘍もない正常と良性腫瘍を「正常」とみなした場合において、学習回数による感度と特異度の変化を示すグラフである。
【図13】レポート画面の一例を示す概略図である。
【発明を実施するための形態】
【0020】
以下、添付図面を参照しながら本発明の実施形態（以下、「本実施形態」とも表記する。）について説明する。説明の理解を容易にするため、各図面において同一の構成要素及びステップに対しては可能な限り同一の符号を付して、重複する説明は省略する。
【0021】
＜全体構成＞
図１は、本発明の実施形態に係る画像診断システム１の全体構成の一例を示す模式図である。
図１は、本発明の実施形態に係る画像診断システム１の全体構成の一例を示す模式図である。
【0022】
図１に示すように、画像診断システム１は、学習装置１０と、画像診断補助装置３０と、を備える。
【0023】
学習装置１０は、画像診断補助装置３０で利用される、例えばニューラルネットワーク等の学習器（プログラム）を構築する学習済みモデルを生成するように学習器の機械学習を行うコンピュータである。具体的には、学習装置１０は、そして、乳房（の乳腺）及び腫瘍が写った複数の第一乳房医療画像及び複数の第一乳房医療画像における腫瘍の位置特定情報の組と、乳房及び腫瘍以外の他の組織が写った複数の第二乳房医療画像及び複数の第二乳房医療画像における他の組織の位置特定情報の組を学習データとして取得する。これらの学習データうち、第一乳房医療画像や第二乳房医療画像は入力データとして利用され、腫瘍の位置特定情報や他の組織の位置特定情報は教師データとして利用される。すなわち、学習装置１０は、複数の第一乳房医療画像及び腫瘍の位置特定情報の組と、複数の第二乳房医療画像及び他の組織の位置特定情報の組とをそれぞれ入力して学習器の機械学習をする。
【0024】
なお、「機械学習」とは、学習データに潜むパターンをコンピュータにより見つけ出すことであり、「学習器」は、そのような機械学習により所定のパターンを識別する能力を獲得可能なプログラムであり、その能力は学習モデルにより構築される。この学習器の種類は、ディープラーニング手法を用いた学習器やそれ以外の学習器であってもよく、特に限定されない。また、ディープラーニング手法としては、例えば、畳み込みニューラルネットワークや、敵対的生成ネットワーク、回帰結合型ニューラルネットワークが挙げられるが、特に限定されない。以下では、「学習器」が、畳み込みニューラルネットワークを用いた学習器である場合を説明する。また、「学習器」は、「識別器」又は「分類器」と称されてもよい。また、「位置特定情報」とは、腫瘍や他の組織が乳房医療画像においてどこに位置するかを特定するための情報であり、例えば腫瘍や他の組織の一又は複数の座標情報である。また、「他の組織」としては、骨や筋肉、乳腺、脂肪等が挙げられる。また、「学習モデル」は、学習器の設定（構築）を行うための各種パラメータ等を含むデータの集合である。また、「乳房医療画像」としては、医療用に用いられる、乳房のエコー画像、ＣＴ（Computed Tomography）画像、レントゲン画像、ＭＲＩ（Magnetic Resonance Imaging）画像等が挙げられる。
【0025】
上記のように、学習装置１０にて生成された学習済みモデルは、例えばコンパクトディスクやＵＳＢメモリ等の可搬型記憶媒体、又は、通信ネットワークＮＴ等を介して画像診断補助装置３０にインストールされる。なお、通信ネットワークＮＴの種類は、例えば、インターネット、無線通信網、移動通信網、電話網、専用網等から適宜選択されてよい。
【0026】
一方、画像診断補助装置３０は、人体の内部の組織、特に乳房（の乳腺）の構造を画像化する装置である。本実施形態では、画像診断補助装置３０は、乳房を画像化するだけでなく、画像化した後の乳房医療画像に基づいて乳房の腫瘍の有無を判定する。具体的には、画像診断補助装置３０は、学習装置１０にて生成された学習済みモデルで構築された学習器に乳房医療画像を入力することで、当該乳房医療画像において腫瘍の候補となる第一領域と、当該乳房医療画像において腫瘍以外の他の組織の候補となる第二領域と、を検出する。そして、画像診断補助装置３０は、検出した複数の領域の位置関係に基づいて、第一領域が腫瘍であるか否かを判定する。この画像診断補助装置３０としては、超音波画像診断補助装置やＸ線撮影装置等が挙げられるが、特に限定されない。本実施形態では、画像診断補助装置３０が、人体の乳房に超音波を送信し、乳房の組織からの反射（エコー）を画像化することで、人体の乳房医療画像を取得する超音波画像診断補助装置である場合を説明する。
【0027】
【0028】
図２に示すように、学習装置１０は、互いに電気的に接続された、制御部１２と、記憶装置１４と、入力装置１６と、出力装置１８と、通信インターフェース２０と、ドライブ２２と、を備える。なお、図２では、通信インターフェースを「通信Ｉ／Ｆ」と記載している。
【0029】
制御部１２は、ハードウェアプロセッサであるＣＰＵ（Central Processing Unit）１２Ａと、ＧＰＵ（Graphics Processing Unit）１２Ｂと、ＲＡＭ（Random Access Memory）１２Ｃと、ＲＯＭ（Read Only Memory）１２Ｄとを含み、プログラム及びデータに基づいて各種情報処理を実行するように構成される。
【0030】
記憶装置１４は、例えばハードディスクやＲＯＭ等で構成される。この記憶装置１４は、学習プログラム１４Ａと、学習データ１４Ｂと、第一学習済みモデル１４Ｃと、第二学習済みモデル１４Ｄとを記憶する。学習プログラム１４Ａは、学習データ１４Ｂを機械学習して学習結果データとして学習済みモデル（第一学習済みモデル１４Ｃ及び第二学習済みモデル１４Ｄ）を生成する学習器を含むプログラムである。学習データ１４Ｂは、例えば、乳房及び腫瘍が写った複数の第一乳房医療画像及び複数の第一乳房医療画像における腫瘍の位置特定情報の組と、乳房及び腫瘍以外の他の組織が写った複数の第二乳房医療画像及び複数の第二乳房医療画像における他の組織の位置特定情報の組を含む。第一学習済みモデル１４Ｃは、乳房医療画像において腫瘍の候補となる第一領域を学習器が検出するためのデータである。第二学習済みモデル１４Ｄは、乳房医療画像において腫瘍以外の他の組織の候補となる第二領域を検出するためのデータである。
【0031】
入力装置１６は、例えば、マウス、キーボード等、学習装置１０に入力操作を行うための装置である。
【0032】
出力装置１８は、例えば、ディスプレイ、スピーカ等の出力を行うための装置である。ユーザは、入力装置１６及び出力装置１８を介して、学習装置１０を操作することができる。
【0033】
通信インターフェース２０は、例えば、有線ＬＡＮ（Local Area Network）モジュール、無線ＬＡＮモジュール等であり、通信ネットワークＮＴを介した有線又は無線通信を行うためのインターフェースである。学習装置１０は、当該通信インターフェース２０を介して、生成した学習済みモデルを外部の装置に配信してもよい。
【0034】
ドライブ２２は、例えば、ＣＤドライブ、ＤＶＤドライブ等であり、記憶媒体２４に記憶されたプログラムやデータを読み込むためのドライブ装置である。ドライブ２２の種類は、記憶媒体２４の種類に応じて適宜選択されてよい。
【0035】
記憶媒体２４は、記録されたプログラム等の情報をコンピュータその他装置、機械等が読み取り可能なように、当該プログラム等の情報を、電気的、磁気的、光学的、機械的又は化学的作用によって蓄積する非一過性の媒体である。学習装置１０は、この記憶媒体２４から、上記学習プログラム１４Ａ及び／又は学習データ１４Ｂを取得してもよい。ここで、図２では、記憶媒体２４の一例として、ＣＤ、ＤＶＤ等のディスク型の記憶媒体を例示している。しかしながら、記憶媒体２４の種類は、ディスク型に限定される訳ではなく、ディスク型以外であってもよい。ディスク型以外の記憶媒体として、例えば、フラッシュメモリ等の半導体メモリを挙げることができる。
【0036】
なお、学習装置１０の具体的なハードウェア構成に関して、実施形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、制御部１２は、複数のハードウェアプロセッサを含んでもよい。ハードウェアプロセッサは、マイクロプロセッサ、ＦＰＧＡ（field-programmable gate array）等で構成されてよい。学習装置１０は、複数台の情報処理装置で構成されてもよい。また、学習装置２は、提供されるサービス専用に設計された情報処理装置の他、汎用のサーバ装置、ＰＣ（Personal Computer）等であってもよい。
【0037】
【0038】
図３に示すように、画像診断補助装置３０は、互いに電気的に接続された、制御部３２と、記憶装置３４と、表示装置３６と、入力装置３８と、超音波プローブ４０と、送受信回路４２と、信号処理回路４４と、画像処理回路４６と、を備える。
【0039】
制御部３２は、ハードウェアプロセッサであるＣＰＵ３２Ａと、ＧＰＵ３２Ｂと、ＲＡＭ３２Ｃと、ＲＯＭ３２Ｄとを含み、プログラム及びデータに基づいて各種情報処理を実行するように構成される。
【0040】
記憶装置３４は、例えばハードディスクやＲＯＭ等で構成される。この記憶装置３４は、腫瘍判定プログラム３４Ａと、第一学習済みモデル１４Ｃと、第二学習済みモデル１４Ｄ等を記憶する。腫瘍判定プログラム３４Ａは、超音波プローブ４０から得られる乳房医療画像を、第一学習済みモデル１４Ｃや第二学習済みモデル１４Ｄで構築された学習器に入力することで、腫瘍の候補となる領域を検出し、実際にその領域が腫瘍であるか否かを判定するプログラムである。
【0041】
表示装置３６は、超音波プローブ４０から得られる乳房医療画像やメニュー画面、画像診断補助装置３０の設定画面等を表示する装置である。
【0042】
入力装置３８は、マウスやキーボード、ボタン、パネルスイッチ、タッチコマンドスクリーン、フットスイッチ、トラックボール、ジョイスティック等、画像診断補助装置３０に入力操作を行うための装置である。
【0043】
超音波プローブ４０は、複数の振動子を有し、これら複数の振動子は、送受信回路４２から供給される駆動信号に基づき超音波を発生する。また、超音波プローブ４０が有する複数の振動子は、人体の乳房からの反射波を受信して電気信号に変換する。具体的には、超音波プローブ４０から人体に超音波が送信されると、送信された超音波は、人体の体内組織における音響インピーダンスの不連続面で次々と反射され、反射波信号（エコー信号）として超音波プローブ４０が有する複数の振動子にて受信される。受信される反射波信号の振幅は、超音波が反射される不連続面における音響インピーダンスの差に依存する。
【0044】
送受信回路４２は、超音波プローブ４０に駆動信号を供給する。また、送受信回路４２は、超音波プローブ４０から超音波ビームを送信させる。そして、送受信回路４２は、超音波プローブ４０が受信した反射波信号から反射波データを生成する。
【0045】
信号処理回路４４は、例えば、送受信回路４２から受信した反射波データに対して、各種処理を行って中間データを生成する。この中間データは、画像処理回路４６に出力される。
【0046】
画像処理回路４６は、信号処理回路４４により生成された中間データから表示用の乳房医療画像を生成する。画像処理回路４６で生成された乳房医療画像は、表示装置３６にリアルタイムに表示される。
【0047】
なお、画像診断補助装置３０の具体的なハードウェア構成に関して、実施形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、制御部１２は、複数のハードウェアプロセッサを含んでもよい。ハードウェアプロセッサは、マイクロプロセッサ、ＦＰＧＡ（field-programmable gate array）等で構成されてよい。画像診断補助装置３０は、複数台の情報処理装置で構成されてもよい。
【0048】
【0049】
図４に示すように、学習装置１０は、機能的構成として、記憶手段６０と、画像取得手段６２と、前処理手段６４と、教師データ取得手段６６と、学習処理手段６８と、を備える。記憶手段６０は、記憶装置１４で実現される。その他の機能的構成は、学習プログラム１４ＡをＲＡＭ１２Ｃに展開し、当該ＲＡＭ１２Ｃに展開された学習プログラム１４ＡをＣＰＵ１２Ａにより解釈及び実行することにより実現される。
【0050】
記憶手段６０は、上述の学習データ１４Ｂと、第一学習済みモデル１４Ｃと、第二学習済みモデル１４Ｄとを記憶する機能を有する。
【0051】
画像取得手段６２は、腫瘍が写った複数の第一乳房医療画像と、腫瘍以外の他の組織が写った複数の第二乳房医療画像とを取得する機能を有する。本実施形態では、第一乳房医療画像は、良性腫瘍が写った画像と、悪性腫瘍が写った画像と、を含む。また、第二乳房医療画像は、骨が写った画像と、筋肉が写った画像と、を含む。
【0052】
前処理手段６４は、画像取得手段６２が取得した乳房医療画像（第一乳房医療画像及び第二乳房医療画像）に対して各種の前処理を実行する機能を有する。具体的には、前処理手段６４は、機械学習への悪影響回避のため、画像取得手段６２が取得した乳房医療画像の画像コントラストを正規化する第一前処理を実行する。また、前処理手段６４は、誤識別抑制のため、２５６段階の色表現を半分以下に削減する第二前処理を実行する。また、前処理手段６４は、画像全体に対して占める割合の低い腫瘍を精度よく捉え、かつ腫瘍が分割されることを回避するため、オーバーラップさせながら細かく乳房医療画像を分割する第三処理を実行する。
【0053】
教師データ取得手段６６は、例えば、学習装置１０のユーザの操作に基づき、前処理された複数の第一乳房医療画像において腫瘍の位置特定情報を第一教師データとして取得し、且つ、前処理された複数の第二乳房医療画像において他の組織の位置特定情報を教師データとして取得する機能を有する。本実施形態では、医師の判断・操作に基づき、第一乳房医療画像及び第二乳房医療画像の中から良質な画像を抽出し、抽出した各第一乳房医療画像から良性腫瘍又は悪性腫瘍の位置特定情報を取得するとともに、抽出した各第二乳房医療画像から骨又は筋肉の位置特定情報を取得することで、良質な教師データを取得する。なお、位置特定情報は、医師が乳房医療画像において悪性腫瘍等の領域を指定することで得られる。この領域の形状は、矩形や円形、楕円等、特に限定されないが、例えば矩形である。矩形としては、例えば、悪性腫瘍等の輪郭に外接する外接矩形や、悪性腫瘍等の輪郭に内接する内接矩形等が挙げられる。本実施形態では、位置特定情報は外接矩形で指定される。
【0054】
学習処理手段６８は、複数の第一乳房医療画像及び第一教師データの組と、複数の第二乳房医療画像及び第二教師データの組とをそれぞれ入力して機械学習し、所定の乳房医療画像において腫瘍の候補となる第一領域と、当該所定の乳房医療画像において腫瘍以外の他の組織の候補となる第二領域と、を検出するための学習済みモデル、を生成する機能を有する。本実施形態では、学習処理手段６８は、複数の第一乳房医療画像及び第一教師データの組を入力して機械学習（第一学習処理）し、所定の乳房医療画像において腫瘍の候補となる第一領域を検出するための第一学習済みモデル１４Ｃを生成する。また、学習処理手段６８は、複数の第二乳房医療画像及び第二教師データの組を入力して機械学習（第二学習処理）し、所定の乳房医療画像において腫瘍以外の他の組織の候補となる第二領域を検出するための第二学習済みモデル１４Ｄを生成する。なお、機械学習の学習回数は、特に限定されないが、感度及び特異度を両方高めるという観点から、例えば２万回以上６万回以下であることが好ましく。４万回以上６万回以下であることがより好ましい。なお、「感度」とは、病気な人（腫瘍がある人）の中で、検査で発見できる確率である。また、「特異度」とは、元気な人に対して、病気でない（腫瘍がない）と判定する確率である。
【0055】
【0056】
図５に示すように、画像診断補助装置３０は、記憶手段７０と、取得手段７２と、検出手段７４と、判定手段７６と、出力手段７８と、を備える。記憶手段７０は、記憶装置３４で実現される。その他の機能的構成は、腫瘍判定プログラム３４ＡをＲＡＭ３２Ｃに展開し、当該ＲＡＭ３２Ｃに展開された腫瘍判定プログラム３４ＡをＣＰＵ３２Ａにより解釈及び実行することにより実現される。
【0057】
記憶手段７０は、上述の第一学習済みモデル１４Ｃと、第二学習済みモデル１４Ｄと、を記憶する機能を有する。
【0058】
取得手段７２は、超音波プローブ４０等を駆動制御することで、人体の乳房が写った乳房医療画像を取得する機能を有する。なお、実際には、取得手段７２は、乳房医療画像を乳房映像の一部としてリアルタイムに取得する。
【0059】
検出手段７４は、取得手段７２にて取得された乳房医療画像を、機械学習が行われた学習済みモデルで構築された一又は複数の学習器に入力することで、学習器が演算処理し、当該乳房医療画像において腫瘍の候補となる第一領域と、当該乳房医療画像において腫瘍以外の他の組織の候補となる第二領域と、を検出する機能を有する。本実施形態では、検出手段７４は、乳房医療画像を第一学習済みモデル１４Ｃで構築（設定）された学習器に入力することで第一領域を検出し、且つ、乳房医療画像を第二学習済みモデル１４Ｄで構築された学習器に入力することで第二領域を検出する。
【0060】
ここで、「腫瘍の候補となる第一領域」とは、例えば、腫瘍である確率が第一閾値以上の確率が対応付けられた領域である。また、「他の組織の候補となる第二領域」とは、例えば、腫瘍以外の他の組織である確率が第二閾値以上の確率が対応付けられた領域である。本実施形態では、検出手段７４は、良性腫瘍の候補となる第一領域として、良性腫瘍である確率が第一閾値以上の確率が対応付けられた領域と、悪性腫瘍の候補となる第一領域として、悪性腫瘍である確率が第一閾値以上の確率が対応付けられた領域と、を検出する。また、検出手段７４は、骨の候補となる第二領域として、骨である確率が第二閾値以上の確率が対応付けられた領域と、筋肉の候補となる第二領域として、筋肉である確率が第二閾値以上の確率が対応付けられた領域と、を検出する。
【0061】
なお、上記第一閾値と第二閾値は、同一であっても異なっていてもよい。例えば、他の組織は腫瘍に比べて候補を多く検出した方が結果的に腫瘍の判定精度が向上するという観点から、第二閾値が第一閾値よりも低いことが好ましい。第一閾値及び第二閾値は、腫瘍の候補の検出精度を高めるという観点から、５％以上１００％以下であることが好ましく、１０％以上５０％以下であることがより好ましい。特に、第一閾値は、１５％以上３０％以下であることが更により好ましい。また、第二閾値は、１０％以上２０％以下であることが更により好ましい。本実施形態では、第一閾値は２０％であり、第二閾値は１０％である。
【0062】
判定手段７６は、検出手段７４にて検出された複数の領域の位置関係に基づいて、第一領域が腫瘍であるか否かを判定する機能を有する。例えば、判定手段７６は、良性腫瘍又は悪性腫瘍の候補となる第一領域の位置が、筋肉又は骨の候補となる第二領域の位置よりも上であれば腫瘍であると肯定判定し、筋肉又は骨の候補となる第二領域の位置よりも下であれば腫瘍でないと否定判定する。また、例えば、判定手段７６は、良性腫瘍又は悪性腫瘍の候補となる第一領域の位置が、筋肉又は骨の候補となる第二領域の位置から閾値以上に離れている場合は腫瘍であると肯定判定し、筋肉又は骨の候補となる第二領域の位置未満しか離れていない場合は腫瘍でないと否定判定してもよい。なお、第一領域の位置と、第二領域の位置は、例えば、領域の中心点の位置であっても、領域の最も下の点の位置であってもよい。なお、上記位置関係において「上」とは、乳房医療画像において皮膚側を意味する。
【0063】
また、判定手段７６は、第一領域が腫瘍であると検出された場合に、検出手段７４にて検出された領域に対応付けられた確率に基づいて、第一領域が良性腫瘍であるか又は悪性腫瘍であるかを判定する。例えば、判定手段７６は、悪性腫瘍である確率が対応付けられた領域と、良性腫瘍である確率が対応付けられた領域とが重なった場合、判定手段７６は、確率の高い方の腫瘍であると判定する。
【0064】
また、判定手段７６は、検出手段７４にて検出された他の組織の候補となる第二領域を、そのまま他の組織であると判定する。
【0065】
出力手段７８は、判定手段７６の判定結果を出力する機能を有する。例えば、出力手段７８は、リアルタイムに表示装置３６に表示される乳房医療画像に反映する。具体的には、出力手段７８は、リアルタイムに取得・表示された乳房医療画像において判定手段７６が腫瘍であると判定した領域を囲うように表示するとともに、その領域が腫瘍である旨を記述する。また、出力手段７８は、乳房医療画像において他の組織であると判定した領域を囲うように表示するとともに、その領域が他の組織である旨を記述する。また、出力手段７８は、医師による診断の邪魔とならないように、乳房医療画像の隅等に腫瘍であることを示す文字やマークを表示してもよい。また、出力手段７８は、判定結果を音や紙媒体に出力してもよい。
【0066】
＜処理手順＞
図６は、学習装置１０の各機能的構成の処理手順を示すフローチャートである。なお、以下のステップの処理の内容及び順番は適宜変更することができる。
図６は、学習装置１０の各機能的構成の処理手順を示すフローチャートである。なお、以下のステップの処理の内容及び順番は適宜変更することができる。
【0067】
（ステップＳＰ１０）
画像取得手段６２は、記憶手段６０や他の記憶手段等から、乳房及び良性腫瘍が写った複数の第一乳房医療画像と、乳房及び悪性腫瘍が写った複数の第一乳房医療画像を取得する。また、画像取得手段６２は、記憶手段６０や他の記憶手段等から、乳房及び骨が写った複数の第二乳房医療画像と、乳房及び筋肉が写った第二乳房医療画像を取得する。この際、医師の判断・操作に基づき、第一乳房医療画像及び第二乳房医療画像の中から良質な画像のみが取得される。そして、処理は、ステップＳＰ１２の処理に移行する。
画像取得手段６２は、記憶手段６０や他の記憶手段等から、乳房及び良性腫瘍が写った複数の第一乳房医療画像と、乳房及び悪性腫瘍が写った複数の第一乳房医療画像を取得する。また、画像取得手段６２は、記憶手段６０や他の記憶手段等から、乳房及び骨が写った複数の第二乳房医療画像と、乳房及び筋肉が写った第二乳房医療画像を取得する。この際、医師の判断・操作に基づき、第一乳房医療画像及び第二乳房医療画像の中から良質な画像のみが取得される。そして、処理は、ステップＳＰ１２の処理に移行する。
【0068】
（ステップＳＰ１２）
前処理手段６４は、画像取得手段６２が取得した各乳房医療画像に対して前処理を実行する。具体的には、前処理手段６４は、画像取得手段６２が取得した乳房医療画像の画像コントラストを正規化する第一前処理を実行する。また、前処理手段６４は、各乳房医療画像に対して２５６段階の色表現を半分以下に削減する第二前処理を実行する。また、オーバーラップさせながら細かく各乳房医療画像を分割する第三前処理を実行する。なお、第一前処理、第二前処理、第三前処理を実行する順番は適宜変更することができる。また、これら前処理の全部又は一部は省略してもよい。そして、処理は、ステップＳＰ１４の処理に移行する。
前処理手段６４は、画像取得手段６２が取得した各乳房医療画像に対して前処理を実行する。具体的には、前処理手段６４は、画像取得手段６２が取得した乳房医療画像の画像コントラストを正規化する第一前処理を実行する。また、前処理手段６４は、各乳房医療画像に対して２５６段階の色表現を半分以下に削減する第二前処理を実行する。また、オーバーラップさせながら細かく各乳房医療画像を分割する第三前処理を実行する。なお、第一前処理、第二前処理、第三前処理を実行する順番は適宜変更することができる。また、これら前処理の全部又は一部は省略してもよい。そして、処理は、ステップＳＰ１４の処理に移行する。
【0069】
（ステップＳＰ１４）
教師データ取得手段６６は、ユーザの操作に基づき、前処理された複数の第一乳房医療画像において腫瘍の位置特定情報を第一教師データとして取得し、且つ、前処理された複数の第二乳房医療画像において他の組織の位置特定情報を第二教師データとして取得する。具体的には、教師データ取得手段６６は、ユーザとしての医師の判断・操作に基づき、各第一乳房医療画像から良性腫瘍又は悪性腫瘍であることを示す識別情報と、その位置特定情報（矩形領域の領域情報）を第一教師データとして取得する。また、教師データ取得手段６６は、医師の判断・操作に基づき、各第二乳房医療画像から骨又は筋肉であることを示す識別情報と、その位置特定情報（矩形領域の領域情報）を第二教師データとして取得する。これにより、学習装置１０は、複数の第一乳房医療画像及び第一教師データの組と、複数の第二乳房医療画像及び第二教師データの組とを含む良質な学習データ１４Ｂを取得する。この学習データ１４Ｂは、記憶手段６０に記憶される。そして、処理は、ステップＳＰ１６の処理に移行する。
教師データ取得手段６６は、ユーザの操作に基づき、前処理された複数の第一乳房医療画像において腫瘍の位置特定情報を第一教師データとして取得し、且つ、前処理された複数の第二乳房医療画像において他の組織の位置特定情報を第二教師データとして取得する。具体的には、教師データ取得手段６６は、ユーザとしての医師の判断・操作に基づき、各第一乳房医療画像から良性腫瘍又は悪性腫瘍であることを示す識別情報と、その位置特定情報（矩形領域の領域情報）を第一教師データとして取得する。また、教師データ取得手段６６は、医師の判断・操作に基づき、各第二乳房医療画像から骨又は筋肉であることを示す識別情報と、その位置特定情報（矩形領域の領域情報）を第二教師データとして取得する。これにより、学習装置１０は、複数の第一乳房医療画像及び第一教師データの組と、複数の第二乳房医療画像及び第二教師データの組とを含む良質な学習データ１４Ｂを取得する。この学習データ１４Ｂは、記憶手段６０に記憶される。そして、処理は、ステップＳＰ１６の処理に移行する。
【0070】
（ステップＳＰ１６）
学習処理手段６８は、ユーザの操作に基づき、第一学習済みモデル１４Ｃを生成するための一又は複数の第一パラメータの設定を受け付ける。例えば、学習処理手段６８は、第一パラメータとして、第一学習済みモデル１４Ｃを生成する第一学習処理のための第一学習回数や第一閾値等の設定を受け付ける。そして、処理は、ステップＳＰ１８の処理に移行する。
学習処理手段６８は、ユーザの操作に基づき、第一学習済みモデル１４Ｃを生成するための一又は複数の第一パラメータの設定を受け付ける。例えば、学習処理手段６８は、第一パラメータとして、第一学習済みモデル１４Ｃを生成する第一学習処理のための第一学習回数や第一閾値等の設定を受け付ける。そして、処理は、ステップＳＰ１８の処理に移行する。
【0071】
（ステップＳＰ１８）
学習処理手段６８は、ユーザの操作に基づき、第二学習済みモデルを生成するための一又は複数の第二パラメータの設定を受け付ける。例えば、学習処理手段６８は、第二パラメータとして、第二学習済みモデル１４Ｄを生成する第二学習処理のための第二学習回数や第二閾値等の設定を受け付ける。そして、処理は、ステップＳＰ２０の処理に移行する。
学習処理手段６８は、ユーザの操作に基づき、第二学習済みモデルを生成するための一又は複数の第二パラメータの設定を受け付ける。例えば、学習処理手段６８は、第二パラメータとして、第二学習済みモデル１４Ｄを生成する第二学習処理のための第二学習回数や第二閾値等の設定を受け付ける。そして、処理は、ステップＳＰ２０の処理に移行する。
【0072】
（ステップＳＰ２０）
学習処理手段６８は、ユーザから、２つの学習処理、すなわち、第一学習処理及び第二学習処理を実行する実行操作を受け付ける。そして、処理は、ステップＳＰ２２の処理及びステップＳＰ３４の処理にそれぞれ移行する。なお、以下のステップＳＰ２２～ステップＳＰ３２の各処理と、ステップＳＰ３４～ステップＳＰ４４の各処理とは、並行して実行されるが、どちらか一方の各処理を実行した後、他方の各処理が実行されてもよい。
学習処理手段６８は、ユーザから、２つの学習処理、すなわち、第一学習処理及び第二学習処理を実行する実行操作を受け付ける。そして、処理は、ステップＳＰ２２の処理及びステップＳＰ３４の処理にそれぞれ移行する。なお、以下のステップＳＰ２２～ステップＳＰ３２の各処理と、ステップＳＰ３４～ステップＳＰ４４の各処理とは、並行して実行されるが、どちらか一方の各処理を実行した後、他方の各処理が実行されてもよい。
【0073】
（ステップＳＰ２２）
学習処理手段６８は、設定された第一学習回数ａだけ、ステップＳＰ２４～ステップＳＰ３０の処理を繰り返す（ループ処理）。すなわち、学習処理手段６８は、変数ｉが第一学習回数ａとなるまで、変数ｉを１からインクリメントしながら、ステップＳＰ２４～ステップＳＰ３０の処理を繰り返す。
学習処理手段６８は、設定された第一学習回数ａだけ、ステップＳＰ２４～ステップＳＰ３０の処理を繰り返す（ループ処理）。すなわち、学習処理手段６８は、変数ｉが第一学習回数ａとなるまで、変数ｉを１からインクリメントしながら、ステップＳＰ２４～ステップＳＰ３０の処理を繰り返す。
【0074】
（ステップＳＰ２４）
学習処理手段６８は、腫瘍に係る学習データ１４Ｂを初期状態の学習器に入力する。具体的には、学習処理手段６８は、学習データ１４Ｂとして、乳房及び腫瘍が写った第一乳房医療画像及び当該第一乳房医療画像における腫瘍の位置特定情報（腫瘍の識別情報を含む）の一組を初期状態の学習器に入力する。そして、処理は、ステップＳＰ２６の処理に移行する。
学習処理手段６８は、腫瘍に係る学習データ１４Ｂを初期状態の学習器に入力する。具体的には、学習処理手段６８は、学習データ１４Ｂとして、乳房及び腫瘍が写った第一乳房医療画像及び当該第一乳房医療画像における腫瘍の位置特定情報（腫瘍の識別情報を含む）の一組を初期状態の学習器に入力する。そして、処理は、ステップＳＰ２６の処理に移行する。
【0075】
（ステップＳＰ２６）
学習処理手段６８は、入力した学習データ１４Ｂに基づき、学習器に対して第一学習処理（機械学習）を実行させる。なお、この第一学習処理では、例えば、学習データ１４Ｂに対して畳み込み処理やプーリング処理が繰り返される。そして、処理は、ステップＳＰ２８の処理に移行する。
学習処理手段６８は、入力した学習データ１４Ｂに基づき、学習器に対して第一学習処理（機械学習）を実行させる。なお、この第一学習処理では、例えば、学習データ１４Ｂに対して畳み込み処理やプーリング処理が繰り返される。そして、処理は、ステップＳＰ２８の処理に移行する。
【0076】
（ステップＳＰ２８）
学習処理手段６８は、学習器が生成する学習結果データに基づき、学習器の各種パラメータを更新する。そして、処理は、ステップＳＰ３０の処理に移行する。
学習処理手段６８は、学習器が生成する学習結果データに基づき、学習器の各種パラメータを更新する。そして、処理は、ステップＳＰ３０の処理に移行する。
【0077】
（ステップＳＰ３０）
学習処理手段６８は、変数ｉが第一学習回数ａ未満である場合には、処理はステップＳＰ２２の処理に戻り、変数ｉが第一学習回数ａである場合にはループ処理を抜け、処理はステップＳＰ３２の処理に移行する。
学習処理手段６８は、変数ｉが第一学習回数ａ未満である場合には、処理はステップＳＰ２２の処理に戻り、変数ｉが第一学習回数ａである場合にはループ処理を抜け、処理はステップＳＰ３２の処理に移行する。
【0078】
（ステップＳＰ３２）
学習処理手段６８は、ループ処理により最終的に更新された学習器の各種パラメータを第一学習済みモデル１４Ｃとして記憶手段６０に記憶する。そして、図６に示す一連の処理が終了する。
学習処理手段６８は、ループ処理により最終的に更新された学習器の各種パラメータを第一学習済みモデル１４Ｃとして記憶手段６０に記憶する。そして、図６に示す一連の処理が終了する。
【0079】
（ステップＳＰ３４）
ステップＳＰ２０から移行された後、学習処理手段６８は、設定された第二学習回数ｂだけ、ステップＳＰ３６～ステップＳＰ４２の処理を繰り返す（ループ処理）。すなわち、学習処理手段６８は、変数ｊが第二学習回数ｂとなるまで、変数ｊを１からインクリメントしながら、ステップＳＰ３６～ステップＳＰ４２の処理を繰り返す。
ステップＳＰ２０から移行された後、学習処理手段６８は、設定された第二学習回数ｂだけ、ステップＳＰ３６～ステップＳＰ４２の処理を繰り返す（ループ処理）。すなわち、学習処理手段６８は、変数ｊが第二学習回数ｂとなるまで、変数ｊを１からインクリメントしながら、ステップＳＰ３６～ステップＳＰ４２の処理を繰り返す。
【0080】
（ステップＳＰ３６）
学習処理手段６８は、他の組織に係る学習データ１４Ｂを初期状態の学習器に入力する。具体的には、学習処理手段６８は、学習データ１４Ｂとして、乳房及び他の組織が写った第二乳房医療画像及び当該第二乳房医療画像における他の組織の位置特定情報（他の組織の識別情報を含む）の一組を初期状態の学習器に入力する。そして、処理は、ステップＳＰ３８の処理に移行する。
学習処理手段６８は、他の組織に係る学習データ１４Ｂを初期状態の学習器に入力する。具体的には、学習処理手段６８は、学習データ１４Ｂとして、乳房及び他の組織が写った第二乳房医療画像及び当該第二乳房医療画像における他の組織の位置特定情報（他の組織の識別情報を含む）の一組を初期状態の学習器に入力する。そして、処理は、ステップＳＰ３８の処理に移行する。
【0081】
（ステップＳＰ３８）
学習処理手段６８は、入力した学習データ１４Ｂに基づき、学習器に対して第二学習処理（機械学習）を実行させる。なお、第二学習処理では、例えば、学習データ１４Ｂに対して畳み込み処理やプーリング処理が繰り返される。そして、処理は、ステップＳＰ４０の処理に移行する。
学習処理手段６８は、入力した学習データ１４Ｂに基づき、学習器に対して第二学習処理（機械学習）を実行させる。なお、第二学習処理では、例えば、学習データ１４Ｂに対して畳み込み処理やプーリング処理が繰り返される。そして、処理は、ステップＳＰ４０の処理に移行する。
【0082】
（ステップＳＰ４０）
学習処理手段６８は、学習器が生成する学習結果データに基づき、学習器の各種パラメータを更新する。そして、処理は、ステップＳＰ４２の処理に移行する。
学習処理手段６８は、学習器が生成する学習結果データに基づき、学習器の各種パラメータを更新する。そして、処理は、ステップＳＰ４２の処理に移行する。
【0083】
（ステップＳＰ４２）
学習処理手段６８は、変数ｊが第二学習回数ｂ未満である場合には、処理はステップＳＰ３４の処理に戻り、変数ｊが第二学習回数ｂである場合にはループ処理を抜け、処理はステップＳＰ４４の処理に移行する。
学習処理手段６８は、変数ｊが第二学習回数ｂ未満である場合には、処理はステップＳＰ３４の処理に戻り、変数ｊが第二学習回数ｂである場合にはループ処理を抜け、処理はステップＳＰ４４の処理に移行する。
【0084】
（ステップＳＰ４４）
学習処理手段６８は、ループ処理により最終的に更新された学習器の各種パラメータを第二学習済みモデル１４Ｄとして記憶手段６０に記憶する。そして、図６に示す一連の処理が終了する。
学習処理手段６８は、ループ処理により最終的に更新された学習器の各種パラメータを第二学習済みモデル１４Ｄとして記憶手段６０に記憶する。そして、図６に示す一連の処理が終了する。
【0085】
図７は、画像診断補助装置３０の各機能的構成の処理手順を示すフローチャートである。なお、以下のステップの処理の内容及び順番は適宜変更することができる。
【0086】
（ステップＳＰ５０）
取得手段７２は、超音波プローブ４０を駆動制御して乳房医療画像を取得する。そして、処理は、ステップＳＰ５２の処理及びステップＳＰ５６の処理に移行する。なお、以下のステップＳＰ５２～ステップＳＰ５４の各処理と、ステップＳＰ５６～ステップＳＰ５８の各処理とは、並行して実行されるが、どちらか一方の各処理を実行した後、他方の各処理が実行されてもよい。
取得手段７２は、超音波プローブ４０を駆動制御して乳房医療画像を取得する。そして、処理は、ステップＳＰ５２の処理及びステップＳＰ５６の処理に移行する。なお、以下のステップＳＰ５２～ステップＳＰ５４の各処理と、ステップＳＰ５６～ステップＳＰ５８の各処理とは、並行して実行されるが、どちらか一方の各処理を実行した後、他方の各処理が実行されてもよい。
【0087】
（ステップＳＰ５２）
検出手段７４は、記憶手段７０から第一学習済みモデル１４Ｃを読み込み、当該第一学習済みモデル１４Ｃで学習器を構築する。なお、ステップＳＰ５０の処理の前に、第一学習済みモデル１４Ｃで学習器を構築していてもよい。この場合、ステップＳＰ５２は省略される。そして、処理は、ステップＳＰ５４の処理に移行する。
検出手段７４は、記憶手段７０から第一学習済みモデル１４Ｃを読み込み、当該第一学習済みモデル１４Ｃで学習器を構築する。なお、ステップＳＰ５０の処理の前に、第一学習済みモデル１４Ｃで学習器を構築していてもよい。この場合、ステップＳＰ５２は省略される。そして、処理は、ステップＳＰ５４の処理に移行する。
【0088】
（ステップＳＰ５４）
検出手段７４は、乳房医療画像から腫瘍の候補となる第一領域を検出する。具体的には、検出手段７４は、第一学習済みモデル１４Ｃで構築された学習器に乳房医療画像を入力することで、検出手段７４は、第一領域として、良性腫瘍である確率が第一閾値以上の確率が対応付けられた領域と、悪性腫瘍である確率が第一閾値以上の確率が対応付けられた領域と、を検出する。そして、処理は、ステップＳＰ６０の処理に移行する。
検出手段７４は、乳房医療画像から腫瘍の候補となる第一領域を検出する。具体的には、検出手段７４は、第一学習済みモデル１４Ｃで構築された学習器に乳房医療画像を入力することで、検出手段７４は、第一領域として、良性腫瘍である確率が第一閾値以上の確率が対応付けられた領域と、悪性腫瘍である確率が第一閾値以上の確率が対応付けられた領域と、を検出する。そして、処理は、ステップＳＰ６０の処理に移行する。
【0089】
（ステップＳＰ５６）
ステップＳＰ５０から移行された後、検出手段７４は、記憶手段７０から第二学習済みモデル１４Ｄを読み込み、当該第二学習済みモデル１４Ｄで学習器を構築する。なお、ステップＳＰ５０の処理の前に、第二学習済みモデル１４Ｄで学習器を構築していてもよい。この場合、本ステップＳＰ５６は省略される。そして、処理は、ステップＳＰ５８の処理に移行する。
ステップＳＰ５０から移行された後、検出手段７４は、記憶手段７０から第二学習済みモデル１４Ｄを読み込み、当該第二学習済みモデル１４Ｄで学習器を構築する。なお、ステップＳＰ５０の処理の前に、第二学習済みモデル１４Ｄで学習器を構築していてもよい。この場合、本ステップＳＰ５６は省略される。そして、処理は、ステップＳＰ５８の処理に移行する。
【0090】
（ステップＳＰ５８）
検出手段７４は、乳房医療画像から他の組織の候補となる第二領域を検出する。具体的には、検出手段７４は、第二学習済みモデル１４Ｄで構築された学習器に乳房医療画像を入力することで、検出手段７４は、第二領域として、骨である確率が第二閾値以上の確率が対応付けられた領域と、筋肉である確率が第二閾値以上の確率が対応付けられた領域と、を検出する。そして、処理は、ステップＳＰ６０の処理に移行する。
検出手段７４は、乳房医療画像から他の組織の候補となる第二領域を検出する。具体的には、検出手段７４は、第二学習済みモデル１４Ｄで構築された学習器に乳房医療画像を入力することで、検出手段７４は、第二領域として、骨である確率が第二閾値以上の確率が対応付けられた領域と、筋肉である確率が第二閾値以上の確率が対応付けられた領域と、を検出する。そして、処理は、ステップＳＰ６０の処理に移行する。
【0091】
（ステップＳＰ６０）
判定手段７６は、ステップＳＰ５８で検出された第二領域の領域数ｃを取得する。なお、この領域数ｃは、ゼロ又は自然数である。そして、処理は、ステップＳＰ６２の処理に移行する。
判定手段７６は、ステップＳＰ５８で検出された第二領域の領域数ｃを取得する。なお、この領域数ｃは、ゼロ又は自然数である。そして、処理は、ステップＳＰ６２の処理に移行する。
【0092】
（ステップＳＰ６２）
判定手段７６は、取得した領域数ｃだけ、ステップＳＰ６４～ステップＳＰ６６の処理を繰り返す（ループ処理）。すなわち、判定手段７６は、変数ｋが領域数ｃとなるまで、変数ｋを１からインクリメントしながら、ステップＳＰ６４～ステップＳＰ６６の処理を繰り返す。
判定手段７６は、取得した領域数ｃだけ、ステップＳＰ６４～ステップＳＰ６６の処理を繰り返す（ループ処理）。すなわち、判定手段７６は、変数ｋが領域数ｃとなるまで、変数ｋを１からインクリメントしながら、ステップＳＰ６４～ステップＳＰ６６の処理を繰り返す。
【0093】
（ステップＳＰ６４）
判定手段７６は、検出手段７４が検出した第二領域のうち一つの第二領域を取得し、当該一つの第二領域が他の組織であると判定する。なお、判定手段７６は、当該一つの領域に対応付けられている他の組織（骨又は筋肉）であると判定してもよい。この場合、第二領域同士が重なったときには、領域それぞれに対応付けられている確率の高い方の他の組織であると判定してもよい。例えば、骨である確率（３０％）が対応付けられた第二領域と、筋肉である確率（４０％）が対応付けられた第二領域とが重なった場合には、判定手段７６は、筋肉である確率の方が高いため、当該第二領域が筋肉であると判定してもよい。そして、処理は、ステップＳＰ６６の処理に移行する。
判定手段７６は、検出手段７４が検出した第二領域のうち一つの第二領域を取得し、当該一つの第二領域が他の組織であると判定する。なお、判定手段７６は、当該一つの領域に対応付けられている他の組織（骨又は筋肉）であると判定してもよい。この場合、第二領域同士が重なったときには、領域それぞれに対応付けられている確率の高い方の他の組織であると判定してもよい。例えば、骨である確率（３０％）が対応付けられた第二領域と、筋肉である確率（４０％）が対応付けられた第二領域とが重なった場合には、判定手段７６は、筋肉である確率の方が高いため、当該第二領域が筋肉であると判定してもよい。そして、処理は、ステップＳＰ６６の処理に移行する。
【0094】
（ステップＳＰ６６）
判定手段７６は、変数ｋが領域数ｃ未満である場合には、処理はステップＳＰ６２の処理に戻り、変数ｉが領域数ｃである場合にはループ処理を抜け、処理はステップＳＰ６８の処理に移行する。
判定手段７６は、変数ｋが領域数ｃ未満である場合には、処理はステップＳＰ６２の処理に戻り、変数ｉが領域数ｃである場合にはループ処理を抜け、処理はステップＳＰ６８の処理に移行する。
【0095】
（ステップＳＰ６８）
判定手段７６は、ステップＳＰ５４で検出された領域数ｄを取得する。なお、この領域数ｄは、ゼロ又は自然数である。そして、処理は、ステップＳＰ７０の処理に移行する。
判定手段７６は、ステップＳＰ５４で検出された領域数ｄを取得する。なお、この領域数ｄは、ゼロ又は自然数である。そして、処理は、ステップＳＰ７０の処理に移行する。
【0096】
（ステップＳＰ７０）
判定手段７６は、取得した領域数ｄだけ、ステップＳＰ７２～ステップＳＰ８８の処理を繰り返す（ループ処理）。すなわち、判定手段７６は、変数ｌが領域数ｄとなるまで、変数ｌを１からインクリメントしながら、ステップＳＰ７２～ステップＳＰ８８の処理を繰り返す。
判定手段７６は、取得した領域数ｄだけ、ステップＳＰ７２～ステップＳＰ８８の処理を繰り返す（ループ処理）。すなわち、判定手段７６は、変数ｌが領域数ｄとなるまで、変数ｌを１からインクリメントしながら、ステップＳＰ７２～ステップＳＰ８８の処理を繰り返す。
【0097】
（ステップＳＰ７２）
判定手段７６は、検出手段７４が検出した第一領域のうち一つの第一領域を取得し、当該一つの第一領域が、他の組織と判定された第二領域より下に位置するか否かを判定する。そして、当該判定が肯定判定された場合には処理はステップＳＰ７４の処理に移行し、当該判定が否定判定された場合には処理はステップＳＰ７８の処理に移行する。
判定手段７６は、検出手段７４が検出した第一領域のうち一つの第一領域を取得し、当該一つの第一領域が、他の組織と判定された第二領域より下に位置するか否かを判定する。そして、当該判定が肯定判定された場合には処理はステップＳＰ７４の処理に移行し、当該判定が否定判定された場合には処理はステップＳＰ７８の処理に移行する。
【0098】
（ステップＳＰ７４）
判定手段７６は、取得した一つの第一領域が腫瘍でないと判定する。そして、処理は、ステップＳＰ７６の処理に移行する。
判定手段７６は、取得した一つの第一領域が腫瘍でないと判定する。そして、処理は、ステップＳＰ７６の処理に移行する。
【0099】
（ステップＳＰ７６）
出力手段７８は、判定結果を出力する。例えば、出力手段７８は、リアルタイムに表示装置３６に表示される乳房医療画像に反映する。なお、本ステップＳＰ７６は、例えば、ステップＳＰ８８の処理の後に実行されてもよい。
出力手段７８は、判定結果を出力する。例えば、出力手段７８は、リアルタイムに表示装置３６に表示される乳房医療画像に反映する。なお、本ステップＳＰ７６は、例えば、ステップＳＰ８８の処理の後に実行されてもよい。
【0100】
図８は、判定結果を反映した乳房医療画像１００の一例を示す図である。なお、図８に示す乳房医療画像１００は、本実施形態の説明用に本発明者らが新たに創作したものであり、実際の乳房医療画像とは異なる場合がある。
【0101】
図８に示すように、出力手段７８は、乳房医療画像１００において、判定手段７６が腫瘍であると判定した領域を囲うように矩形マーク１０２を表示出力するとともに、その領域が悪性腫瘍である旨を表示出力する。また、出力手段７８は、乳房医療画像１００において、判定手段７６が筋肉であると判定した領域を囲うように矩形マーク１０４を表示出力するとともに、その領域が筋肉である旨を表示出力する。また、出力手段７８は、乳房医療画像１００において、判定手段７６が骨であると判定した領域を囲うように矩形マーク１０６を表示出力するとともに、その領域が骨である旨を表示出力する。なお、この表示出力は省略することができる。
【0102】
図７に戻って、処理は、ステップＳＰ８８の処理に移行する。
【0103】
（ステップＳＰ７８）
ステップＳＰ７２にて否定判定された場合、判定手段７６は、取得した一つの第一領域が他の第一領域と重なるか否かを判定する。そして、当該判定が肯定判定された場合には処理はステップＳＰ８２の処理に移行し、当該判定が否定判定された場合には処理はステップＳＰ８０の処理に移行する。
ステップＳＰ７２にて否定判定された場合、判定手段７６は、取得した一つの第一領域が他の第一領域と重なるか否かを判定する。そして、当該判定が肯定判定された場合には処理はステップＳＰ８２の処理に移行し、当該判定が否定判定された場合には処理はステップＳＰ８０の処理に移行する。
【0104】
（ステップＳＰ８０）
判定手段７６は、取得した一つの第一領域が、当該第一領域に対応付けられている腫瘍（良性腫瘍又は悪性腫瘍）と判定する。そして、処理は、ステップＳＰ７６の処理に移行する。
判定手段７６は、取得した一つの第一領域が、当該第一領域に対応付けられている腫瘍（良性腫瘍又は悪性腫瘍）と判定する。そして、処理は、ステップＳＰ７６の処理に移行する。
【0105】
（ステップＳＰ８２）
ステップＳＰ７８にて肯定判定された場合、判定手段７６は、重なった第一領域それぞれに対応付けられている確率のうち、悪性腫瘍の方が、確率が高いか否かを判定する。例えば、重なった第一領域のうち、一つの第一領域に悪性腫瘍である確率（５０％）が対応づけられており、他の第一領域に良性腫瘍である確率（３０％）が対応付けられている場合、判定手段７６は、悪性腫瘍である確率の方が高いと肯定判定する。そして、当該判定が肯定判定された場合には処理は、ステップＳＰ８４の処理に移行し、当該判定が否定判定された場合には処理は、ステップＳＰ８６の処理に移行する。
ステップＳＰ７８にて肯定判定された場合、判定手段７６は、重なった第一領域それぞれに対応付けられている確率のうち、悪性腫瘍の方が、確率が高いか否かを判定する。例えば、重なった第一領域のうち、一つの第一領域に悪性腫瘍である確率（５０％）が対応づけられており、他の第一領域に良性腫瘍である確率（３０％）が対応付けられている場合、判定手段７６は、悪性腫瘍である確率の方が高いと肯定判定する。そして、当該判定が肯定判定された場合には処理は、ステップＳＰ８４の処理に移行し、当該判定が否定判定された場合には処理は、ステップＳＰ８６の処理に移行する。
【0106】
（ステップＳＰ８４）
判定手段７６は、取得した一つの第一領域が、当該第一領域に対応付けられている悪性腫瘍であると判定する。そして、処理は、ステップＳＰ７６の処理に移行する。
判定手段７６は、取得した一つの第一領域が、当該第一領域に対応付けられている悪性腫瘍であると判定する。そして、処理は、ステップＳＰ７６の処理に移行する。
【0107】
（ステップＳＰ８６）
判定手段７６は、取得した一つの第一領域が、当該第一領域に対応付けられている良性腫瘍であると判定する。そして、処理は、ステップＳＰ７６の処理に移行する。
判定手段７６は、取得した一つの第一領域が、当該第一領域に対応付けられている良性腫瘍であると判定する。そして、処理は、ステップＳＰ７６の処理に移行する。
【0108】
（ステップＳＰ８８）
判定手段７６は、変数ｌが領域数ｄ未満である場合には、処理はステップＳＰ７０の処理に戻り、変数ｌが領域数ｄである場合にはループ処理を抜け、図７に示す一連の処理が終了する。
判定手段７６は、変数ｌが領域数ｄ未満である場合には、処理はステップＳＰ７０の処理に戻り、変数ｌが領域数ｄである場合にはループ処理を抜け、図７に示す一連の処理が終了する。
【0109】
＜効果＞
以上、本実施形態では、腫瘍判定プログラム３４Ａが画像診断補助装置３０を、機械学習が行われた学習済みモデルで構築された学習器に人体の乳房が写った乳房医療画像を入力することで、当該乳房医療画像において腫瘍の候補となる第一領域と、当該乳房医療画像において腫瘍以外の他の組織の候補となる第二領域と、を検出する検出手段７４、当該検出手段７４にて検出された複数の領域の位置関係に基づいて、前記第一領域が腫瘍であるか否かを判定する判定手段７６、当該判定手段７６の判定結果を出力する出力手段７８として機能させる。
以上、本実施形態では、腫瘍判定プログラム３４Ａが画像診断補助装置３０を、機械学習が行われた学習済みモデルで構築された学習器に人体の乳房が写った乳房医療画像を入力することで、当該乳房医療画像において腫瘍の候補となる第一領域と、当該乳房医療画像において腫瘍以外の他の組織の候補となる第二領域と、を検出する検出手段７４、当該検出手段７４にて検出された複数の領域の位置関係に基づいて、前記第一領域が腫瘍であるか否かを判定する判定手段７６、当該判定手段７６の判定結果を出力する出力手段７８として機能させる。
【0110】
この構成によれば、検出手段７４にて検出された複数の領域の位置関係に基づいて、腫瘍の候補となる第一領域が腫瘍であるか否かを判定するので、位置関係に基づいて判定しない場合に比べて、腫瘍の判定精度を向上することができる。
【0111】
また、本実施形態では、検出手段７４は、第二領域として、骨の候補となる領域と、筋肉の候補となる領域と、を検出する。
【0112】
この構成によれば、腫瘍の候補となる第一領域と、骨の候補となる第二領域と、筋肉の候補となる第二領域との位置関係に基づいて、第一領域が腫瘍であるか否かを判定するので、腫瘍の判定精度を一層向上することができる。
【0113】
また、本実施形態では、検出手段７４は、第一領域として、悪性腫瘍である確率が対応付けられた領域と、良性腫瘍である確率が対応付けられた領域と、を検出し、判定手段７６は、第一領域が腫瘍であると検出された場合に、検出手段７４にて検出された領域に対応付けられた確率に基づいて、第一領域が良性腫瘍であるか又は悪性腫瘍であるかを判定する。
【0114】
この構成によれば、腫瘍を悪性腫瘍と良性腫瘍に区別して判定することができるので、悪性腫瘍の判定精度を一層向上することができる。
【0115】
また、本実施形態では、学習済みモデルは、腫瘍が写った複数の乳房医療画像から機械学習が行われた第一学習済みモデル１４Ｃと、他の組織が写った複数の乳房医療画像から機械学習が行われた第二学習済みモデル１４Ｄとを含み、検出手段７４は、乳房医療画像を第一学習済みモデル１４Ｃで構築された学習器に入力することで第一領域を検出し、且つ、乳房医療画像を第二学習済みモデル１４Ｄで構築された学習器に入力することで第二領域を検出する。
【0116】
この構成によれば、腫瘍が写った複数の乳房医療画像及び他の組織が写った複数の乳房医療画像から機械学習を行って一つの学習済みモデルを生成する場合に比べて、学習装置１０のメモリの使用量を低減することができるとともに、学習済みモデルの生成処理の処理速度を向上することができる。また、第一領域と第二領域を、それぞれ専用の学習済みモデルで構築された学習器で検出するので、領域の検出精度を向上することができ、もって、腫瘍の判定精度を一層向上することができる。
【0117】
また、本実施形態では、第一領域は、腫瘍である確率が第一閾値以上の確率が対応付けられた領域であり、第二領域は、腫瘍以外の他の組織である確率が第二閾値以上の確率が対応付けられた領域である。
【0118】
この構成によれば、検出手段７４は、確率が第一閾値や第二閾値未満の領域を検出しないので、腫瘍の候補となる第一領域の誤検出を抑制することができ、もって、腫瘍の判定精度を一層向上することができる。
【0119】
また、本実施形態では、第二閾値は第一閾値よりも低い。
【0120】
この構成によれば、他の組織の候補となる領域は腫瘍の候補となる領域に比べて領域を多く検出することで、領域の位置関係の比較を数多くすることができ、結果的に、腫瘍の判定精度を一層向上することができる。
【0121】
また、本実施形態では、学習装置１０が、腫瘍が写った複数の第一乳房医療画像と、当該腫瘍以外の他の組織が写った複数の第二乳房医療画像とを取得する画像取得手段６２と、ユーザの操作に基づき、前記複数の第一乳房医療画像において腫瘍の位置特定情報を第一教師データとして取得し、且つ、前記複数の第二乳房医療画像において前記他の組織の位置特定情報を教師データとして取得する教師データ取得手段６６と、前記複数の第一乳房医療画像及び前記第一教師データの組を入力して機械学習し、所定の乳房医療画像において腫瘍の候補となる第一領域を検出するための第一学習済みモデル１４Ｃを生成し、且つ、前記複数の第二乳房医療画像及び前記第二教師データの組を入力して機械学習し、所定の乳房医療画像において腫瘍以外の他の組織の候補となる第二領域を検出するための第二学習済みモデル１４Ｄを生成する学習処理手段６８と、備える。
【0122】
この構成によれば、腫瘍が写った複数の乳房医療画像及び他の組織が写った複数の乳房医療画像から機械学習を行って一つの学習済みモデルを生成する場合に比べて、例えば２クラス分類のよりシンプルな学習済みモデルのみで構成でき、学習済みモデルを組み合わせることで、乳房医療画像においては、判定精度の向上が期待できる。また、学習装置１０のメモリの使用量を低減することができるとともに、学習済みモデルの生成処理の処理速度を向上することができる可能性がある。
【0123】
＜実施例１＞
次に、上記実施形態を適用した実施例１について説明する。
次に、上記実施形態を適用した実施例１について説明する。
【0124】
実施例１では、正常な乳房医療画像１４１枚、良性腫瘍が写った乳房医療画像７７枚、悪性腫瘍が写った１１３枚の合計３３１枚の乳房医療画像を学習データ１４Ｂとした。そして、学習装置１０は、ユーザの操作に基づき、これらの学習データ１４Ｂを「ＹＯＬＯｖ２」と呼ばれる学習器にそれぞれ入力して機械学習を実行し、第一学習済みモデル１４Ｃと、第二学習済みモデル１４Ｄとを生成した。ここで、学習回数は６万回とし、第一領域を検出するための第一閾値は２０％とし、第二領域を検出するための第二閾値は１０％とした。続いて、正常な乳房医療画像６２枚、良性腫瘍が写った乳房医療画像３０枚、悪性腫瘍が写った５０枚の合計１４２枚の乳房医療画像を腫瘍判定のためのテストデータとし、これらのテストデータと、第一学習済みモデル１４Ｃと、第二学習済みモデル１４Ｄとを用いて腫瘍判定プログラム３４Ａを実行し、腫瘍に関する判定結果を得た。
【0125】
図９は、良性腫瘍と悪性腫瘍を「腫瘍」とみなした場合において、実際の疾患と、腫瘍判定プログラム３４Ａの判定結果とを比較した結果を示す表である。
【0126】
図９に示す表から、腫瘍判定プログラム３４Ａの判定処理による感度は９３．８％であり、特異度は９５．２％であることが分かった。この結果より、腫瘍判定プログラム３４Ａによる腫瘍の判定精度は非常に高く、従来に比べて判定精度が向上したことを確認できた。
【0127】
図１０は、良性腫瘍もない正常と良性腫瘍を「正常」とみなした場合において、実際の疾患と、腫瘍判定プログラム３４Ａの判定結果とを比較した結果を示す表である。
【0128】
図１０に示す表から、腫瘍判定プログラム３４Ａの判定処理による感度は８８．９％であり、特異度は８６．９％であることが分かった。この結果より、腫瘍判定プログラム３４Ａによる腫瘍の判定精度は非常に高く、従来に比べて判定精度が向上したことを確認できた。
【0129】
＜実施例２＞
次に、上記実施形態を適用した実施例２について説明する。
次に、上記実施形態を適用した実施例２について説明する。
【0130】
実施例２では、実施例１と同様の方法を実施するとともに、学習回数を１万回から８万回の間で変化させた。
【0131】
図１１は、良性腫瘍と悪性腫瘍を「腫瘍」とみなした場合において、学習回数による感度と特異度の変化を示すグラフである。
【0132】
図１１に示すように、感度及び特異度が高いという観点から、２万回以上６万回以下であることが好ましく、３万回以上６万回以下であることがより好ましく、感度及び特異度が高く且つバランスが良いという観点から、４万回以上６万回以下であることが更に好ましいことが確認できた。
【0133】
また、図１２は、良性腫瘍もない正常と良性腫瘍を「正常」とみなした場合において、学習回数による感度と特異度の変化を示すグラフである。
【0134】
図１２に示すように、感度及び特異度が高いという観点から、２万回以上６万回以下であることが好ましく、３万回以上６万回以下であることがより好ましく、感度及び特異度が高く且つバランスが良いという観点から、４万回以上６万回以下であることが更に好ましいことが確認できた。
【0135】
＜変形例＞
なお、本発明は上記の具体例に限定されるものではない。すなわち、上記の具体例に、当業者が適宜設計変更を加えたものも、本発明の特徴を備えている限り、本発明の範囲に包含される。また、前述した実施形態及び後述する変形例が備える各要素は、技術的に可能な限りにおいて組み合わせることができ、これらを組み合わせたものも本発明の特徴を含む限り本発明の範囲に包含される。
なお、本発明は上記の具体例に限定されるものではない。すなわち、上記の具体例に、当業者が適宜設計変更を加えたものも、本発明の特徴を備えている限り、本発明の範囲に包含される。また、前述した実施形態及び後述する変形例が備える各要素は、技術的に可能な限りにおいて組み合わせることができ、これらを組み合わせたものも本発明の特徴を含む限り本発明の範囲に包含される。
【0136】
例えば、上記実施形態では、画像診断補助装置３０が超音波画像診断補助装置である場合を説明したが、超音波画像診断補助装置に通信ネットワークＮＴ等を介して接続されるサーバ装置やパーソナルコンピュータ等の情報処理装置であってもよい。
【0137】
また、上記実施形態では、画像取得手段６２や教師データ取得手段６６が学習装置１０に設けられる場合を説明したが、学習装置１０とは異なる他の情報処理装置に設けられてもよい。
【0138】
また、上記実施形態では、腫瘍の属性区分が良性又は悪性のうちのいずれかの場合を説明したが、他の分類基準、例えば、ＢＩ－ＲＡＤＳ（Breast Imaging Reporting And Data System）のガイドラインに基づく区分が用いられてもよい。この場合、検出手段７４は、第一領域として、ＢＩ－ＲＡＤＳカテゴリーに従って定義される各区分に属する腫瘍である確率が対応付けられた領域を検出し、判定手段７６は、第一領域が腫瘍であると検出された場合に、検出手段７４にて検出された領域に対応付けられた確率に基づいて、第一領域がどの区分に属する腫瘍であるかを判定する。この構成によれば、ＢＩ－ＲＡＤＳカテゴリーに従った属性判定ができるので、腫瘍の判定精度を一層向上することができる。
【0139】
なお、上記した区分は、例えば、ＢＩ－ＲＡＤＳ分類のカテゴリー１～５、サブカテゴリー４Ａ／４Ｂ／４Ｃ、又は、両者を組み合わせたカテゴリーであってもよい。また、カテゴリーが３以下の場合に「０」を、カテゴリーが４以上の場合に「１」をそれぞれ割り当てるなど、学習器の出力ラベルを２値化してもよい。
【0140】
また、上記実施形態では、検出手段７４は、乳房医療画像から悪性腫瘍の候補となる領域を検出する場合を説明したが、悪性腫瘍の種類毎に、悪性腫瘍の候補となる領域を検出したり、悪性腫瘍の進行度毎に、悪性腫瘍の候補となる領域を検出したりしてもよい。例えば、検出手段７４は、乳房医療画像から、非浸潤がんの候補となる領域や、浸潤がんの候補となる領域、パジェット病の候補となる領域を検出してもよい。また、検出手段７４は、ステージ１の悪性腫瘍の候補となる領域や、ステージ２の悪性腫瘍の候補となる領域、ステージ３の悪性腫瘍の候補となる領域、ステージ４の悪性腫瘍の候補となる領域を検出してもよい。これにより、判定手段７６は、各領域に対応付けられた確率に基づき、悪性腫瘍の種類や進行度を判定することができる。ここで、判定手段７６は、各領域に対応付けられた確率だけでなく、悪性腫瘍の候補となる第一領域と他の組織である第二領域との位置関係に基づいて、第一領域がステージ１の悪性腫瘍であるか否か等を判定すると、腫瘍のステージの判定精度を向上することができる。
【0141】
また、上記実施形態では、出力手段７８は、判定手段７６の判定結果を出力する場合を説明したが、検出手段７４が検出した領域の位置情報や、当該領域に対応付けられている確率や、その確率の種類（悪性腫瘍の確率や良性腫瘍の確率等）を、例えば医師等が判断するためのレポート情報としてレポート画面等に出力してもよい。また、出力手段７８は、検出手段７４が検出した領域、及び／又は、判定手段７６の判定結果に基づき、医師をサポートするためのサポート情報を生成し、ユーザに提案（出力）してもよい。これにより、医師は、診断結果や治療方法を効率的に決定することができる。なお、サポート情報としては、検出手段７４が検出した領域、及び／又は、判定手段７６の判定結果に応じた、治療内容や方法、治療に適した病院の場所、医師の氏名等が挙げられる。また、出力手段７８は、判定手段７６の判定結果と合わせて、リアルタイムに、レポート情報やサポート情報を出力してもよい。
【0142】
図１３は、レポート画面１１０の一例を示す概略図である。
【0143】
図１３に示すように、レポート画面１１０には、例えば、乳房医療画像１００と、検出手段７４が検出した第一領域の場所や第一領域に対応付けられた確率、第一領域のサイズ、判定手段７６が判定した判定結果等を含むレポート情報１１４が記述されている。また、レポート画面１１０には、判定結果や検出手段７４が検出した領域の位置情報、当該領域に対応付けられている確率等に基づき生成されたサポート情報１１６が記述されている。
【0144】
また、本実施形態では、判定手段７６が、１枚の乳房医療画像１００から第一領域が腫瘍であるか否かを判定する場合を説明したが、複数枚の乳房医療画像１００から第一領域が腫瘍であるか否かを最終的に判定してもよい。例えば、５枚の乳房医療画像１００のうち、１枚の乳房医療画像１００において第一領域が腫瘍であると判定し、残り全ての乳房医療画像１００において第一領域が腫瘍でないと判定した場合は、判定手段７６は、最終的に第一領域が腫瘍であると判定（確定）してもよい。この場合、出力手段７８は、最終的に判定した判定結果のみを出力することが好ましい。
【0145】
また、上記実施形態では、検出手段７４が、複数の学習済みモデルを利用して第一領域及び第二領域を検出する場合を説明したが、一つの学習済みモデルを利用して第一領域及び第二領域を検出してもよい。
【0146】
＜符号の説明＞
１０…学習装置、２４…記憶媒体、３０…画像診断補助装置（コンピュータ）、６２…画像取得手段、６６…教師データ取得手段、６８…学習処理手段、７２…取得手段、７４…検出手段、７６…判定手段、７８…出力手段
１０…学習装置、２４…記憶媒体、３０…画像診断補助装置（コンピュータ）、６２…画像取得手段、６６…教師データ取得手段、６８…学習処理手段、７２…取得手段、７４…検出手段、７６…判定手段、７８…出力手段
【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】