ホーム > 特許ランキング > 国立大学法人 新潟大学
(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】2023-04-28
(45)【発行日】2023-05-11
(54)【発明の名称】診断支援システム、診断支援方法およびプログラム
(51)【国際特許分類】
A61B 5/055 20060101AFI20230501BHJP
【ＦＩ】
A61B5/055 382
A61B5/055 380
【請求項の数】
15
(21)【出願番号】P 2019163082
(22)【出願日】2019-09-06
(65)【公開番号】P2021040739
(43)【公開日】2021-03-18
【審査請求日】2022-06-14
(73)【特許権者】
【識別番号】304027279
【氏名又は名称】国立大学法人 新潟大学
(74)【代理人】
【識別番号】100106909
【弁理士】
【氏名又は名称】棚井 澄雄
(74)【代理人】
【識別番号】100149548
【弁理士】
【氏名又は名称】松沼 泰史
(74)【代理人】
【識別番号】100141139
【弁理士】
【氏名又は名称】及川 周
(72)【発明者】
【氏名】鈴木 清隆
(72)【発明者】
【氏名】鈴木 雄治
【審査官】最首 祐樹
(56)【参考文献】
【文献】特表２０１４－５２２２８３（ＪＰ，Ａ）
【文献】特表２０１４－５１５２９６（ＪＰ，Ａ）
【文献】特表２００４－５０８８５６（ＪＰ，Ａ）
【文献】特開２０１７－０１２４８０（ＪＰ，Ａ）
【文献】国際公開第２０１９／０２８５５１（ＷＯ，Ａ１）
【文献】JOAO Ricardo Sato, et al.，Complex Network Measures in Autism Spectrum Disorders，IEEE/ACM Transactions on Computational Biology and Bioinformatics，米国，IEEE，2015年09月03日，Volume 15, Issue 2，p581-587，https://ieeexplore.ieee.org/document/7239574
【文献】DAMIANI Stefano, et al.，Increased scale-free dynamics in salience network in adult high-functioning autism，NeuroImage: Clinical，Volume 21, Issue 101634，米国，ELSEVIER，2018年12月10日，p1-10，https://sciencedirect.com/science/article/pii/S2213158218303826
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ａ６１Ｂ ５／０５５
Ｇ０１Ｒ ３３／２０
ＩＥＥＥ Ｘｐｌｏｒｅ
医中誌ＷＥＢ
ａｒＸｉｖ
(57)【特許請求の範囲】
【請求項1】
医療診断を支援する情報を提示する診断支援システムであって、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ（Magnetic Resonance Imaging）信号時系列データに基づいて、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーを算出するパラメータ算出部と、
前記パラメータ算出部によって算出された前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布を算出するパラメータ分布算出部と、
前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布のピークにおけるスペクトルエントロピーの値である分布のモードと、定型発達の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布のモードとに基づいて、被験者が自閉スペクトラム症の可能性があるか否かを判定する診断支援情報提示部と
を備え、
前記医療診断を支援する情報は、前記パラメータ分布算出部によって算出されたパラメータの分布に基づく情報である、
診断支援システム。
【請求項2】
前記パラメータ算出部は、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データの離散スペクトルを算出し、算出した前記離散スペクトルからパワースペクトル密度を算出し、算出した前記パワースペクトル密度の規格化を行い、規格化した前記パワースペクトル密度から、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーを算出する、請求項１に記載の診断支援システム。
【請求項3】
前記パラメータ分布算出部によって算出された前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布を、定型発達または自閉スペクトラム症の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布と照合する照合部を更に備える、請求項１または請求項２に記載の診断支援システム。
【請求項4】
前記診断支援情報提示部は、前記照合部による、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布と、定型発達または自閉スペクトラム症の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布との照合の結果に基づいて、前記被験者の医療診断を支援する情報を提示する、
請求項３に記載の診断支援システム。
【請求項5】
前記診断支援情報提示部は、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布のピークにおけるスペクトルエントロピーの値である分布のモードが、定型発達の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布のモードよりも大きい場合に、前記被験者が自閉スペクトラム症の可能性がある旨の情報を提示する、請求項４に記載の診断支援システム。
【請求項6】
定型発達であるか否かが既知のスペクトルエントロピーの分布と、自閉スペクトラム症であるか否かが既知のスペクトルエントロピーの分布とを教師データとして用いることによって、前記診断支援情報提示部の機械学習を行う機械学習部を更に備える、請求項５に記載の診断支援システム。
【請求項7】
前記パラメータ算出部は、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データと、前記被験者の脳の他の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データとに基づいて、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離を算出し、前記パラメータ分布算出部は、前記パラメータ算出部によって算出された前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離の分布を算出し、
前記平均スペクトル相関距離は、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データから算出される離散スペクトルの絶対値と、前記被験者の脳の他の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データから算出される離散スペクトルの絶対値と、前記被験者の脳の灰白質ボクセルと前記被験者の脳の他の灰白質ボクセルとの間の物理的距離とに基づいて算出される、
請求項１に記載の診断支援システム。
【請求項8】
前記パラメータ算出部は、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データの離散スペクトルを算出し、算出した前記離散スペクトルの絶対値を算出し、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データから算出される離散スペクトルの絶対値と、前記被験者の脳の他の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データから算出される離散スペクトルの絶対値と、前記被験者の脳の灰白質ボクセルと前記被験者の脳の他の灰白質ボクセルとの間の物理的距離とに基づいて、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離を算出する、請求項７に記載の診断支援システム。
【請求項9】
前記パラメータ算出部によって算出された前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離の分布を、定型発達または自閉スペクトラム症の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離の分布と照合する照合部を更に備える、請求項７または請求項８に記載の診断支援システム。
【請求項10】
前記診断支援情報提示部は、前記照合部による、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離の分布と、定型発達または自閉スペクトラム症の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離の分布との照合の結果に基づいて、前記被験者の医療診断を支援する情報を提示する、請求項９に記載の診断支援システム。
【請求項11】
前記診断支援情報提示部は、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離の分布のピークにおける平均スペクトル相関距離の値が、定型発達の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離の分布のピークにおける平均スペクトル相関距離の値よりも小さい場合に、前記被験者が自閉スペクトラム症の可能性がある旨の情報を提示する、請求項１０に記載の診断支援システム。
【請求項12】
定型発達であるか否かが既知の平均スペクトル相関距離の分布と、自閉スペクトラム症であるか否かが既知の平均スペクトル相関距離の分布とを教師データとして用いることによって、前記診断支援情報提示部の機械学習を行う機械学習部を更に備える、請求項１１に記載の診断支援システム。
【請求項13】
前記被験者の脳の安静時機能的ＭＲＩ信号時系列データを取得する安静時機能的ＭＲＩデータ取得部と、前記被験者の脳の解剖学的ＭＲＩ画像を取得する解剖学的ＭＲＩ画像取得部と、
前記安静時機能的ＭＲＩデータ取得部によって取得された前記被験者の脳の安静時機能的ＭＲＩデータと前記解剖学的ＭＲＩ画像取得部によって取得された前記被験者の脳の解剖学的ＭＲＩ画像との位置合わせを行う位置合わせ部と、
前記安静時機能的ＭＲＩデータ取得部によって取得された被験者の脳の安静時機能的ＭＲＩ信号時系列データの前処理を行う前処理部と、
前記解剖学的ＭＲＩ画像取得部によって取得された前記被験者の脳の解剖学的ＭＲＩ画像に基づいて、前記被験者の脳の灰白質マップを作成する灰白質マップ作成部と
を更に備え、
前記パラメータ算出部は、前記位置合わせ部による、前記被験者の脳の安静時機能的ＭＲＩデータと前記被験者の脳の解剖学的ＭＲＩ画像との位置合わせの結果と、前記灰白質マップ作成部によって作成された前記被験者の脳の灰白質マップとに基づいて、前記安静時機能的ＭＲＩデータ取得部によって取得された前記被験者の脳の安静時機能的ＭＲＩ信号時系列データから、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データを抜き出す、
請求項１に記載の診断支援システム。
【請求項14】
医療診断を支援する情報を提示する診断支援方法であって、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データに基づいて、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーを算出するパラメータ算出ステップと、
前記パラメータ算出ステップにおいて算出された前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布を算出するパラメータ分布算出ステップと、
前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布のピークにおけるスペクトルエントロピーの値である分布のモードと、定型発達の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布のモードとに基づいて、被験者が自閉スペクトラム症の可能性があるか否かを判定する診断支援情報提示ステップと
を備え、
前記医療診断を支援する情報は、前記パラメータ分布算出ステップにおいて算出されたパラメータの分布に基づく情報である、
診断支援方法。
【請求項15】
コンピュータに、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データに基づいて、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーを算出するパラメータ算出ステップと、
前記パラメータ算出ステップにおいて算出された前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布を算出するパラメータ分布算出ステップと、
前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布のピークにおけるスペクトルエントロピーの値である分布のモードと、定型発達の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布のモードとに基づいて、被験者が自閉スペクトラム症の可能性があるか否かを判定する診断支援情報提示ステップと
を実行させるためのプログラムであって、
前記パラメータ分布算出ステップにおいて算出されたパラメータの分布に基づく情報が、医療診断を支援する情報として提示される、
プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、診断支援システム、診断支援方法およびプログラムに関する。
【背景技術】
【0002】
近年、課題や刺激を用いない機能的ＭＲＩ（磁気共鳴画像法）である安静時機能的ＭＲＩ（ｒｓ－ｆＭＲＩ）が、脳研究で広く用いられている。この手法では、安静状態で被験者の脳全体のＭＲＩ画像が１０分程度高速連続撮像され、信号の時間変化パターンの相関（類似度）に基づいて脳領域間の機能連結が推定される。非特許文献１には、手の動きに関係する感覚運動皮質の領域において、ｒｓ－ｆＭＲＩの低周波信号成分が高い相関を持つことが記載されている。
また従来から、信号（データ）のランダムネス（複雑さの度合い）を評価する手法のひとつとして、エントロピー解析が知られている。非特許文献２には、生体信号の複雑さを近似エントロピー（ＡｐＥｎ）およびサンプルエントロピー（SampEn）を用いて評価する方法について記載されている。
また従来から、信号（データ）のランダムネス（複雑さの度合い）を評価する手法のひとつとして、エントロピー解析が知られている。非特許文献２には、生体信号の複雑さを近似エントロピー（ＡｐＥｎ）およびサンプルエントロピー（SampEn）を用いて評価する方法について記載されている。
【先行技術文献】
【非特許文献】
【0003】
【文献】Bharat Biswal他、「Functional Connectivity in the Motor Cortex of Resting Human Brain Using Echo-Planar MRI」Magn Reson Med 34:537-541(1995)
【文献】Joshua Richman他、「Physiological Time-Series Analysis Using Approximate Entropy and Sample Entropy」Am J Physiol Heart Circ Physiol 278: H2039-H2049(2000)
【発明の概要】
【発明が解決しようとする課題】
【0004】
ｒｓ－ｆＭＲＩのデータ解析として、様々な方法が提案されているが、いずれも脳領域間のマクロ（大域的）な機能連結を評価するという点で共通しており、発達障害や精神・神経系疾患の客観的な指標としての有効性は確立していない。例えば、ｒｓ－ｆＭＲＩを用いたデフォルトモードネットワーク（ＤＭＮ）解析によって自閉スペクトラム症（ＡＳＤ）では同じ年齢の健常者と比べて内側前頭前野と後部帯状回の機能連結が弱いことが明らかになったものの、症状との関連性は不明である。このような手法の限界は、発達障害や精神疾患が本質的に脳内のミクロ（局所的）な機能連結の異常であることに起因する。
【課題を解決するための手段】
【0005】
鋭意研究において、本発明者等は、神経回路網動態の数理モデルと機能的ＭＲＩの原理に基づく考察から、ｒｓ－ｆＭＲＩデータにはミクロな機能連結の状態を反映する情報が含まれており、信号時系列のエントロピー解析によってその情報を拾い出せることを見い出したのである。更に、本発明者等は、解析を試行したところ、大脳皮質（灰白質）を含む画素（ボクセル）の信号時系列のエントロピー分布がＡＳＤと定型発達とでは明らかに異なることを見い出した。また、得られた結果は脳の微細構造学的知見（ＡＳＤにおける皮質カラム構造の狭小化）とも整合することから、診断支援の手法として一定の信頼性を有することを確認した。
更に、本発明者等は、鋭意研究において、被験者の脳の灰白質ボクセルのｒｓ－ｆＭＲＩ信号時系列データと、被験者の脳の他の灰白質ボクセルのｒｓ－ｆＭＲＩ信号時系列データとから得られる被験者の脳の灰白質ボクセルのｒｓ－ｆＭＲＩ信号の平均スペクトル相関距離（「平均スペクトル相関距離」の定義などについては後で詳細に説明する。）を解析することによっても、ミクロな機能連結の状態を反映する情報を拾い出せることを見い出した。本発明者等は、この解析において、灰白質ボクセルのｒｓ－ｆＭＲＩ信号の平均スペクトル相関距離の分布がＡＳＤと定型発達とでは明らかに異なることを見い出した。この解析において得られた結果も脳の微細構造学的知見（ＡＳＤにおける皮質カラム構造の狭小化）とも整合することから、診断支援の手法として一定の信頼性を有することを確認した。
更に、本発明者等は、鋭意研究において、被験者の脳の灰白質ボクセルのｒｓ－ｆＭＲＩ信号時系列データと、被験者の脳の他の灰白質ボクセルのｒｓ－ｆＭＲＩ信号時系列データとから得られる被験者の脳の灰白質ボクセルのｒｓ－ｆＭＲＩ信号の平均スペクトル相関距離（「平均スペクトル相関距離」の定義などについては後で詳細に説明する。）を解析することによっても、ミクロな機能連結の状態を反映する情報を拾い出せることを見い出した。本発明者等は、この解析において、灰白質ボクセルのｒｓ－ｆＭＲＩ信号の平均スペクトル相関距離の分布がＡＳＤと定型発達とでは明らかに異なることを見い出した。この解析において得られた結果も脳の微細構造学的知見（ＡＳＤにおける皮質カラム構造の狭小化）とも整合することから、診断支援の手法として一定の信頼性を有することを確認した。
【0006】
つまり、本発明は、脳内のミクロ（局所的）な機能連結の状態を反映する情報を拾い出すことができる診断支援システム、診断支援方法およびプログラムを提供することを目的とする。
【0007】
本発明の一態様は、医療診断を支援する情報を提示する診断支援システムであって、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データに基づいて、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーを算出するパラメータ算出部と、前記パラメータ算出部によって算出された前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布を算出するパラメータ分布算出部と、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布のピークにおけるスペクトルエントロピーの値である分布のモードと、定型発達の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布のモードとに基づいて、被験者が自閉スペクトラム症の可能性があるか否かを判定する診断支援情報提示部とを備え、前記医療診断を支援する情報は、前記パラメータ分布算出部によって算出されたパラメータの分布に基づく情報である、診断支援システムである。
【0009】
本発明の一態様の診断支援システムでは、前記パラメータ算出部は、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データの離散スペクトルを算出し、算出した前記離散スペクトルからパワースペクトル密度を算出し、算出した前記パワースペクトル密度の規格化を行い、規格化した前記パワースペクトル密度から、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーを算出してもよい。
【0010】
本発明の一態様の診断支援システムは、前記パラメータ分布算出部によって算出された前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布を、定型発達または自閉スペクトラム症の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布と照合する照合部を更に備えてもよい。
【0011】
本発明の一態様の診断支援システムは、前記診断支援情報提示部は、前記照合部による、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布と、定型発達または自閉スペクトラム症の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布との照合の結果に基づいて、前記被験者の医療診断を支援する情報を提示してもよい。
【0012】
本発明の一態様の診断支援システムでは、前記診断支援情報提示部は、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布のピークにおけるスペクトルエントロピーの値（分布のモード）が、定型発達の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布のピークにおけるスペクトルエントロピーの値（分布のモード）よりも大きい場合に、前記被験者が自閉スペクトラム症の可能性がある旨の情報を提示してもよい。
【0013】
本発明の一態様の診断支援システムは、定型発達であるか否かが既知のスペクトルエントロピーの分布と、自閉スペクトラム症であるか否かが既知のスペクトルエントロピーの分布とを教師データとして用いることによって、前記診断支援情報提示部の機械学習を行う機械学習部を更に備えてもよい。
【0014】
本発明の一態様の診断支援システムでは、前記パラメータ算出部は、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データと、前記被験者の脳の他の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データとに基づいて、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離を算出し、前記パラメータ分布算出部は、前記パラメータ算出部によって算出された前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離の分布を算出し、前記平均スペクトル相関距離は、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データから算出される離散スペクトルの絶対値と、前記被験者の脳の他の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データから算出される離散スペクトルの絶対値と、前記被験者の脳の灰白質ボクセルと前記被験者の脳の他の灰白質ボクセルとの間の物理的距離とに基づいて算出されてもよい。
【0015】
本発明の一態様の診断支援システムでは、前記パラメータ算出部は、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データの離散スペクトルを算出し、算出した前記離散スペクトルの絶対値を算出し、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データから算出される離散スペクトルの絶対値と、前記被験者の脳の他の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データから算出される離散スペクトルの絶対値と、前記被験者の脳の灰白質ボクセルと被験者の脳の他の灰白質ボクセルとの間の物理的距離とに基づいて、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離を算出してもよい。
【0016】
本発明の一態様の診断支援システムは、前記パラメータ算出部によって算出された前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離の分布を、定型発達または自閉スペクトラム症の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離の分布と照合する照合部を更に備えてもよい。
【0017】
本発明の一態様の診断支援システムは、前記診断支援情報提示部は、前記照合部による、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離の分布と、定型発達または自閉スペクトラム症の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離の分布との照合の結果に基づいて、前記被験者の医療診断を支援する情報を提示してもよい。
【0018】
本発明の一態様の診断支援システムでは、前記診断支援情報提示部は、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離の分布のピークにおける平均スペクトル相関距離の値が、定型発達の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離の分布のピークにおける平均スペクトル相関距離の値よりも小さい場合に、前記被験者が自閉スペクトラム症の可能性がある旨の情報を提示してもよい。
【0019】
本発明の一態様の診断支援システムは、定型発達であるか否かが既知の平均スペクトル相関距離の分布と、自閉スペクトラム症であるか否かが既知の平均スペクトル相関距離の分布とを教師データとして用いることによって、前記診断支援情報提示部の機械学習を行う機械学習部を更に備えてもよい。
【0020】
本発明の一態様の診断支援システムは、前記被験者の脳の安静時機能的ＭＲＩ信号時系列データを取得する安静時機能的ＭＲＩデータ取得部と、前記被験者の脳の解剖学的ＭＲＩ画像を取得する解剖学的ＭＲＩ画像取得部と、前記安静時機能的ＭＲＩデータ取得部によって取得された前記被験者の脳の安静時機能的ＭＲＩデータと前記解剖学的ＭＲＩ画像取得部によって取得された前記被験者の脳の解剖学的ＭＲＩ画像との位置合わせを行う位置合わせ部と、前記安静時機能的ＭＲＩデータ取得部によって取得された前記被験者の脳の安静時機能的ＭＲＩ信号時系列データの前処理を行う前処理部と、前記解剖学的ＭＲＩ画像取得部によって取得された前記被験者の脳の解剖学的ＭＲＩ画像に基づいて、前記被験者の脳の灰白質マップを作成する灰白質マップ作成部とを更に備え、前記パラメータ算出部は、前記位置合わせ部による、前記被験者の脳の安静時機能的ＭＲＩデータと前記被験者の脳の解剖学的ＭＲＩ画像との位置合わせの結果と、前記灰白質マップ作成部によって作成された前記被験者の脳の灰白質マップとに基づいて、前記安静時機能的ＭＲＩデータ取得部によって取得された前記被験者の脳の安静時機能的ＭＲＩ信号時系列データから、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データを抜き出してもよい。
【0021】
本発明の一態様は、医療診断を支援する情報を提示する診断支援方法であって、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データに基づいて、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーを算出するパラメータ算出ステップと、前記パラメータ算出ステップにおいて算出された前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布を算出するパラメータ分布算出ステップと、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布のピークにおけるスペクトルエントロピーの値である分布のモードと、定型発達の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布のモードとに基づいて、被験者が自閉スペクトラム症の可能性があるか否かを判定する診断支援情報提示ステップとを備え、前記医療診断を支援する情報は、前記パラメータ分布算出ステップにおいて算出されたパラメータの分布に基づく情報である、診断支援方法である。
【0022】
本発明の一態様は、コンピュータに、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データに基づいて、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーを算出するパラメータ算出ステップと、前記パラメータ算出ステップにおいて算出された前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布を算出するパラメータ分布算出ステップと、前記被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布のピークにおけるスペクトルエントロピーの値である分布のモードと、定型発達の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布のモードとに基づいて、被験者が自閉スペクトラム症の可能性があるか否かを判定する診断支援情報提示ステップとを実行させるためのプログラムであって、前記パラメータ分布算出ステップにおいて算出されたパラメータの分布あるいは当該分布に基づく情報が、医療診断を支援する情報として提示される、プログラムである。
【発明の効果】
【0023】
本発明によれば、脳内のミクロ（局所的）な機能連結の状態を反映する情報を拾い出すことができる診断支援システム、診断支援方法およびプログラムを提供することができる。
【図面の簡単な説明】
【0024】
【図1】第１実施形態の診断支援システムの一例などを示す図である。
【図2】安静時機能的ＭＲＩデータ取得部によって取得される被験者の脳の安静時機能的ＭＲＩ信号時系列データの一例などを示す図である。
【図3】離散スペクトル算出部によって算出される離散スペクトルの一例を示す図である。
【図4】エントロピー分布算出部によって算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布の一例を示す図である。
【図5】第１実施形態の診断支援システムにおいて実行される処理の一例を説明するためのフローチャートである。
【図6】第２実施形態の診断支援システムの一例などを示す図である。
【図7】平均スペクトル相関距離分布算出部によって算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離の分布の一例を示す図である。
【図8】第２実施形態の診断支援システムにおいて実行される処理の一例を説明するためのフローチャートである。
【発明を実施するための形態】
【0025】
以下、本発明の診断支援システム、診断支援方法およびプログラムの実施形態について説明する。
【0026】
＜第１実施形態＞
図１は第１実施形態の診断支援システム１の一例などを示す図である。詳細には、図１（Ａ）は第１実施形態の診断支援システム１の一例を示しており、図１（Ｂ）は図１（Ａ）に示す診断支援システム１の各構成要素間のデータなどの流れを示している。
図１に示す例では、診断支援システム１が、医療診断を支援する情報（医療診断支援情報）を提示する。診断支援システム１は、安静時機能的ＭＲＩデータ取得部１１と、解剖学的ＭＲＩ画像取得部１２と、位置合わせ部１３と、前処理部１４と、灰白質マップ作成部１５と、パラメータ算出部１６と、パラメータ分布算出部１７と、照合部１８と、診断支援情報提示部１９と、機械学習部１Ａとを備えている。
安静時機能的ＭＲＩデータ取得部１１は、被験者の脳の安静時機能的ＭＲＩ信号時系列データを取得する。安静時機能的ＭＲＩデータ取得部１１によって取得される安静時機能的ＭＲＩ信号時系列データは、例えば被験者の脳全体を１２８×１２８×１５ボクセル程度の３次元T2*強調画像として１秒あたり１ボリュームの時間分解能で５分以上の時間にわたって採取されたものである。例えば安静時機能的ＭＲＩ信号時系列データが３３０秒（５分３０秒）の時間にわたって採取された場合、安静時機能的ＭＲＩデータ取得部１１によって取得される安静時機能的ＭＲＩ信号時系列データの数は、ボクセル数（１２８×１２８×１５ボクセル）×時間サンプル数（３３０個）になる。本明細書において、安静時機能的ＭＲＩデータ取得部１１によって取得される安静時機能的ＭＲＩ信号時系列データのｉ番目（ｉは１～１２８×１２８×１５の値）のボクセルの信号時系列を「Ｓｉ（ｔｎ）」で表す（ｔは時間を示しており、ｎは１～３３０の値である）。
図１に示す例では、安静時機能的ＭＲＩデータ取得部１１によって取得される安静時機能的ＭＲＩ信号時系列データの時間サンプル数が、３３０秒に相当する３３０個に設定されているが、他の例では、安静時機能的ＭＲＩデータ取得部１１によって取得される安静時機能的ＭＲＩ信号時系列データの時間サンプル数が、３３０より大きい数に設定されていてもよい。
図１は第１実施形態の診断支援システム１の一例などを示す図である。詳細には、図１（Ａ）は第１実施形態の診断支援システム１の一例を示しており、図１（Ｂ）は図１（Ａ）に示す診断支援システム１の各構成要素間のデータなどの流れを示している。
図１に示す例では、診断支援システム１が、医療診断を支援する情報（医療診断支援情報）を提示する。診断支援システム１は、安静時機能的ＭＲＩデータ取得部１１と、解剖学的ＭＲＩ画像取得部１２と、位置合わせ部１３と、前処理部１４と、灰白質マップ作成部１５と、パラメータ算出部１６と、パラメータ分布算出部１７と、照合部１８と、診断支援情報提示部１９と、機械学習部１Ａとを備えている。
安静時機能的ＭＲＩデータ取得部１１は、被験者の脳の安静時機能的ＭＲＩ信号時系列データを取得する。安静時機能的ＭＲＩデータ取得部１１によって取得される安静時機能的ＭＲＩ信号時系列データは、例えば被験者の脳全体を１２８×１２８×１５ボクセル程度の３次元T2*強調画像として１秒あたり１ボリュームの時間分解能で５分以上の時間にわたって採取されたものである。例えば安静時機能的ＭＲＩ信号時系列データが３３０秒（５分３０秒）の時間にわたって採取された場合、安静時機能的ＭＲＩデータ取得部１１によって取得される安静時機能的ＭＲＩ信号時系列データの数は、ボクセル数（１２８×１２８×１５ボクセル）×時間サンプル数（３３０個）になる。本明細書において、安静時機能的ＭＲＩデータ取得部１１によって取得される安静時機能的ＭＲＩ信号時系列データのｉ番目（ｉは１～１２８×１２８×１５の値）のボクセルの信号時系列を「Ｓｉ（ｔｎ）」で表す（ｔは時間を示しており、ｎは１～３３０の値である）。
図１に示す例では、安静時機能的ＭＲＩデータ取得部１１によって取得される安静時機能的ＭＲＩ信号時系列データの時間サンプル数が、３３０秒に相当する３３０個に設定されているが、他の例では、安静時機能的ＭＲＩデータ取得部１１によって取得される安静時機能的ＭＲＩ信号時系列データの時間サンプル数が、３３０より大きい数に設定されていてもよい。
【0027】
図１に示す例では、解剖学的ＭＲＩ画像取得部１２が、被験者の脳の解剖学的ＭＲＩ画像を取得する。解剖学的ＭＲＩ画像取得部１２によって取得される被験者の脳の解剖学的ＭＲＩ画像は、上述した安静時機能的ＭＲＩ信号時系列データが採取される領域と同じ領域の２５６×２５６×６０ボクセル程度のT1強調画像を標準データとする。
【0028】
図２は安静時機能的ＭＲＩデータ取得部１１によって取得される被験者の脳の安静時機能的ＭＲＩ信号時系列データの一例などを示す図である。詳細には、図２（Ａ）は解剖学的ＭＲＩ画像取得部１２によって取得される被験者の脳の解剖学的ＭＲＩ画像の一例を示している。図２（Ｂ）は安静時機能的ＭＲＩデータ取得部１１によって取得される被験者の脳の安静時機能的ＭＲＩ信号時系列データの一例を示している。
図２（Ａ）の上側は被験者の脳の前側に対応しており、図２（Ａ）の右側は被験者の脳の右側に対応している。図２（Ｂ）は、図２（Ａ）に示す被験者の脳の解剖学的ＭＲＩ画像に含まれる灰白質ボクセル（図２（Ａ）参照）において採取された安静時機能的ＭＲＩ信号時系列データを示している。図２（Ｂ）の縦軸は信号強度（安静時機能的ＭＲＩ信号の強度）を示しており、図２（Ｂ）の横軸は時間ｔを示している。
図２（Ｂ）に示す例では、安静時機能的ＭＲＩ信号が、３３０秒（５分３０秒）の時間にわたって、１秒ごとに１セット（１ボリューム）採取されている。
図２（Ａ）の上側は被験者の脳の前側に対応しており、図２（Ａ）の右側は被験者の脳の右側に対応している。図２（Ｂ）は、図２（Ａ）に示す被験者の脳の解剖学的ＭＲＩ画像に含まれる灰白質ボクセル（図２（Ａ）参照）において採取された安静時機能的ＭＲＩ信号時系列データを示している。図２（Ｂ）の縦軸は信号強度（安静時機能的ＭＲＩ信号の強度）を示しており、図２（Ｂ）の横軸は時間ｔを示している。
図２（Ｂ）に示す例では、安静時機能的ＭＲＩ信号が、３３０秒（５分３０秒）の時間にわたって、１秒ごとに１セット（１ボリューム）採取されている。
【0029】
図１に示す例では、位置合わせ部１３が、安静時機能的ＭＲＩデータ取得部１１によって取得された被験者の脳の安静時機能的ＭＲＩデータ（図２（Ｂ）参照）と、解剖学的ＭＲＩ画像取得部１２によって取得された被験者の脳の解剖学的ＭＲＩ画像（図２（Ａ）参照）との位置合わせを行う。
詳細には、図１に示す例では、診断支援システム１が提示する医療診断支援情報を得るために、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データが用いられる。つまり、安静時機能的ＭＲＩデータ取得部１１によって取得された被験者の脳の安静時機能的ＭＲＩ信号時系列データ（灰白質ボクセル以外のボクセルの安静時機能的ＭＲＩ信号時系列データも含む）から、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データを抜き出す必要がある。
そこで、図１に示す例では、安静時機能的ＭＲＩデータ取得部１１によって取得された被験者の脳の安静時機能的ＭＲＩ信号時系列データから、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データを抜き出すことを容易にするために、位置合わせ部１３が、被験者の脳の安静時機能的ＭＲＩデータ（図２（Ｂ）参照）と被験者の脳の解剖学的ＭＲＩ画像（図２（Ａ）参照）との位置合わせを行う（すなわち、被験者の脳の解剖学的ＭＲＩ画像が用いられる）。
被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データが予め抜き出されている他の例（つまり、予め抜き出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データが診断支援システム１に入力される例）では、診断支援システム１が、解剖学的ＭＲＩ画像取得部１２、位置合わせ部１３および後述する灰白質マップ作成部１５を備えていなくてもよい。
詳細には、図１に示す例では、診断支援システム１が提示する医療診断支援情報を得るために、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データが用いられる。つまり、安静時機能的ＭＲＩデータ取得部１１によって取得された被験者の脳の安静時機能的ＭＲＩ信号時系列データ（灰白質ボクセル以外のボクセルの安静時機能的ＭＲＩ信号時系列データも含む）から、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データを抜き出す必要がある。
そこで、図１に示す例では、安静時機能的ＭＲＩデータ取得部１１によって取得された被験者の脳の安静時機能的ＭＲＩ信号時系列データから、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データを抜き出すことを容易にするために、位置合わせ部１３が、被験者の脳の安静時機能的ＭＲＩデータ（図２（Ｂ）参照）と被験者の脳の解剖学的ＭＲＩ画像（図２（Ａ）参照）との位置合わせを行う（すなわち、被験者の脳の解剖学的ＭＲＩ画像が用いられる）。
被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データが予め抜き出されている他の例（つまり、予め抜き出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データが診断支援システム１に入力される例）では、診断支援システム１が、解剖学的ＭＲＩ画像取得部１２、位置合わせ部１３および後述する灰白質マップ作成部１５を備えていなくてもよい。
【0030】
図１に示す例では、前処理部１４が、安静時機能的ＭＲＩデータ取得部１１によって取得された被験者の脳の安静時機能的ＭＲＩ信号時系列データの前処理を行う。前処理部１４は、例えば安静時機能的ＭＲＩデータ取得部１１によって取得された被験者の脳の安静時機能的ＭＲＩ信号時系列データから、心拍や呼吸に由来する信号変動やＭＲＩ装置に起因するドリフト成分を除去する。また、前処理部１４は、安静時機能的ＭＲＩデータの撮像パラメータの違いや撮像装置の差異（磁場強度の違いなど）を吸収する画像処理（例えば解像度や不均一補正など）を行う。
前処理部１４による処理と同等の処理が予め行われた被験者の脳の安静時機能的ＭＲＩ信号時系列データが安静時機能的ＭＲＩデータ取得部１１によって取得される他の例（つまり、前処理部１４による処理と同等の処理が予め行われた被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データが診断支援システム１に入力される例）では、診断支援システム１が、前処理部１４を備えていなくてもよい。
前処理部１４による処理と同等の処理が予め行われた被験者の脳の安静時機能的ＭＲＩ信号時系列データが安静時機能的ＭＲＩデータ取得部１１によって取得される他の例（つまり、前処理部１４による処理と同等の処理が予め行われた被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データが診断支援システム１に入力される例）では、診断支援システム１が、前処理部１４を備えていなくてもよい。
【0031】
図１に示す例では、灰白質マップ作成部１５が、解剖学的ＭＲＩ画像取得部１２によって取得された被験者の脳の解剖学的ＭＲＩ画像に基づいて、被験者の脳の灰白質マップを作成する。灰白質マップ作成部１５は、例えばT1強調画像に基づく組織分離（セグメンテーション）の標準的手法を利用することによって、被験者の脳の灰白質マップを作成する。灰白質マップ作成部１５は、被験者の脳の灰白質マップとして、例えば特表平１１－５０７５６５号公報の図５ａに記載されているような灰白質マップを作成する。
パラメータ算出部１６は、位置合わせ部１３による、被験者の脳の安静時機能的ＭＲＩデータと被験者の脳の解剖学的ＭＲＩ画像との位置合わせの結果と、灰白質マップ作成部１５によって作成された被験者の脳の灰白質マップとに基づいて、安静時機能的ＭＲＩデータ取得部１１によって取得された被験者の脳の安静時機能的ＭＲＩ信号時系列データから、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データを抜き出す。
詳細には、上述した図２（Ｂ）は、パラメータ算出部１６によって抜き出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データを示している。
予め抜き出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データが安静時機能的ＭＲＩデータ取得部１１によって取得される他の例（つまり、予め抜き出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データが診断支援システム１に入力される例）では、パラメータ算出部１６が、上述した被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データの抜き出しを行わなくてもよい。
パラメータ算出部１６は、位置合わせ部１３による、被験者の脳の安静時機能的ＭＲＩデータと被験者の脳の解剖学的ＭＲＩ画像との位置合わせの結果と、灰白質マップ作成部１５によって作成された被験者の脳の灰白質マップとに基づいて、安静時機能的ＭＲＩデータ取得部１１によって取得された被験者の脳の安静時機能的ＭＲＩ信号時系列データから、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データを抜き出す。
詳細には、上述した図２（Ｂ）は、パラメータ算出部１６によって抜き出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データを示している。
予め抜き出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データが安静時機能的ＭＲＩデータ取得部１１によって取得される他の例（つまり、予め抜き出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データが診断支援システム１に入力される例）では、パラメータ算出部１６が、上述した被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データの抜き出しを行わなくてもよい。
【0032】
図１に示す例では、パラメータ算出部１６が、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データに基づいて、所定のパラメータを算出する。パラメータ算出部１６はエントロピー算出部１６Ａを備えている。エントロピー算出部１６Ａは、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データに基づいて、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーを算出する。
また、パラメータ算出部１６は、離散スペクトル算出部１６１と、パワースペクトル算出部１６２と、規格化部１６３とを備えている。
離散スペクトル算出部１６１は、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データＳｉ（図２（Ｂ）参照）の離散スペクトルＸｉ（ωｋ）（図３参照）を算出する。詳細には、離散スペクトル算出部１６１は、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データＳｉ（図２（Ｂ）参照）の（離散）フーリエ変換を行うことによって離散スペクトルＸｉ（ωｋ）を算出する（Ｘは一般に複素数）。
また、パラメータ算出部１６は、離散スペクトル算出部１６１と、パワースペクトル算出部１６２と、規格化部１６３とを備えている。
離散スペクトル算出部１６１は、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データＳｉ（図２（Ｂ）参照）の離散スペクトルＸｉ（ωｋ）（図３参照）を算出する。詳細には、離散スペクトル算出部１６１は、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データＳｉ（図２（Ｂ）参照）の（離散）フーリエ変換を行うことによって離散スペクトルＸｉ（ωｋ）を算出する（Ｘは一般に複素数）。
【0033】
図３は離散スペクトル算出部１６１によって算出される離散スペクトルの一例を示す図である。詳細には、図３は図２（Ｂ）に示す被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データＳｉの（離散）フーリエ変換を行うことによって得られた離散スペクトルＸｉ（ωｋ）の振幅（絶対値）を表している。図３の縦軸は被験者の脳の特定の灰白質ボクセルの安静時機能的ＭＲＩ信号を構成する周波数成分の大きさを示しており、図３の横軸は周波数ωを示している。
【0034】
図１に示す例では、パワースペクトル算出部１６２が、離散スペクトル算出部１６１によって算出された離散スペクトルＸｉ（ωｋ）からパワースペクトル密度（power spectral density；ＰＳＤ）Ｐｉ（ωｋ）を算出する。詳細には、パワースペクトル算出部１６２は、離散スペクトル算出部１６１によって算出された離散スペクトルＸｉ（ωｋ）と、下記の式とに基づいて、パワースペクトル密度Ｐｉ（ωｋ）を算出する。つまり、パワースペクトル算出部１６２は、離散スペクトル算出部１６１によって算出された離散スペクトルＸｉ（ωｋ）を２乗する。
【0035】
【数1】
【0036】
図１に示す例では、規格化部１６３が、パワースペクトル算出部１６２によって算出されたパワースペクトル密度Ｐｉ（ωｋ）の規格化を行う。詳細には、規格化部１６３は、パワースペクトル算出部１６２によって算出されたパワースペクトル密度Ｐｉ（ωｋ）と、下記の式とに基づいて、規格化を行う。つまり、規格化部１６３は、パワースペクトル算出部１６２によって算出されたパワースペクトル密度Ｐｉ（ωｋ）を全成分の和で割る演算を行う。ｐｋの和は１になるため、周波数成分の確率密度分布とみなすことができる。
【0037】
【数2】
【0038】
図１に示す例では、エントロピー算出部１６Ａは、規格化部１６３によって規格化されたものｐｉ，ｋ（数２参照）から、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピー（power spectral density-based entropy）ＰＳＥｉを算出する。詳細には、エントロピー算出部１６Ａは、規格化部１６３によって規格化されたものｐｉ，ｋと、下記の式とに基づいて、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のパワースペクトル密度のエントロピーＰＳＥｉを算出する。これがボクセル単位で最終的に計算される値になる。下記の式の右辺の「Ｌｎ」は自然対数を表す。下記の式で得られるスペクトルエントロピーＰＳＥｉの単位はｎａｔ（ナット）になる。
【0039】
【数3】
【0040】
図１に示す例では、パラメータ分布算出部１７が、パラメータ算出部１６によって算出されたパラメータの分布を算出する。パラメータ分布算出部１７はエントロピー分布算出部１７Ａを備えている。エントロピー分布算出部１７Ａは、エントロピー算出部１６Ａによって算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉ（数３参照）の分布を算出する。
すなわち、エントロピー算出部１６Ａによって安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉが算出される灰白質ボクセルは、被験者の脳に複数存在する。そこで、エントロピー算出部１６Ａは、被験者の脳に存在する全ての灰白質ボクセルについて、安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉを算出する。更に、エントロピー分布算出部１７Ａは、エントロピー算出部１６Ａによって算出された安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの値（つまり、被験者の脳に存在する全ての灰白質ボクセルに対応する複数の値）の分布（ヒストグラム）を作成する。
すなわち、エントロピー算出部１６Ａによって安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉが算出される灰白質ボクセルは、被験者の脳に複数存在する。そこで、エントロピー算出部１６Ａは、被験者の脳に存在する全ての灰白質ボクセルについて、安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉを算出する。更に、エントロピー分布算出部１７Ａは、エントロピー算出部１６Ａによって算出された安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの値（つまり、被験者の脳に存在する全ての灰白質ボクセルに対応する複数の値）の分布（ヒストグラム）を作成する。
【0041】
図４はエントロピー分布算出部１７Ａによって算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布（エントロピー分布算出部１７Ａによって作成された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉのヒストグラム）の一例を示す図である。詳細には、図４（Ａ）は被験者が定型発達（ＴＤ）である場合における被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布を示しており、図４（Ｂ）は被験者が自閉スペクトラム症（ＡＳＤ）である場合における被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布を示している。図４（Ａ）および図４（Ｂ）の横軸はスペクトルエントロピーＰＳＥｉの値（単位はｎａｔ）を示しており、図４（Ａ）および図４（Ｂ）の縦軸はその値を示す灰白質ボクセルの数（エントロピー算出部１６Ａによって安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉが算出された被験者の脳の灰白質ボクセルの数）を示している。
図４（Ａ）および図４（Ｂ）に示す例では、縦軸がその値を示す灰白質ボクセルの数を示しているが、他の例では、縦軸がその値を示す灰白質ボクセルの割合、相対頻度、確率などであってもよい。
図４（Ａ）および図４（Ｂ）に示す例では、縦軸がその値を示す灰白質ボクセルの数を示しているが、他の例では、縦軸がその値を示す灰白質ボクセルの割合、相対頻度、確率などであってもよい。
【0042】
図４（Ａ）および図４（Ｂ）に示すように、本発明者等は、鋭意研究において、自閉スペクトラム症（ＡＳＤ）の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布のピークにおけるスペクトルエントロピーの値（分布のモード）ＥＢ（図４（Ｂ）参照）が、定型発達（ＴＤ）の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布のモードＥＡ（図４（Ａ）参照）より大きくなることを見い出した。
【0043】
そこで、図１に示す例では、照合部１８が、エントロピー分布算出部１７Ａによって算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布を、照合用エントロピー分布と照合する。照合用エントロピー分布は、照合用エントロピー分布のデータベースまたはモデル２から照合部１８に提供される。
図１に示す例では、照合用エントロピー分布のデータベースまたはモデル２が診断支援システム１の外部に設けられているが、他の例では、照合用エントロピー分布のデータベースまたはモデル２が診断支援システム１の内部に設けられていてもよい。
図１に示す例では、照合用エントロピー分布のデータベースまたはモデル２が診断支援システム１の外部に設けられているが、他の例では、照合用エントロピー分布のデータベースまたはモデル２が診断支援システム１の内部に設けられていてもよい。
【0044】
定型発達の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布（図４（Ａ）参照）が、照合用エントロピー分布として、照合用エントロピー分布のデータベースまたはモデル２から照合部１８に提供される例では、照合部１８が、エントロピー分布算出部１７Ａによって算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布を、そのスペクトルエントロピーＰＳＥｉの分布（図４（Ａ）参照）（照合用エントロピー分布）と照合する。
例えばエントロピー分布算出部１７Ａによって算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布が、そのスペクトルエントロピーＰＳＥｉの分布（図４（Ａ）参照）（照合用エントロピー分布）と一致する場合には、被験者が定型発達であると判別することができる。つまり、照合部１８による照合の結果を用いることによって、被験者が定型発達であるか否かを判別することができる。
例えばエントロピー分布算出部１７Ａによって算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布が、そのスペクトルエントロピーＰＳＥｉの分布（図４（Ａ）参照）（照合用エントロピー分布）と一致する場合には、被験者が定型発達であると判別することができる。つまり、照合部１８による照合の結果を用いることによって、被験者が定型発達であるか否かを判別することができる。
【0045】
自閉スペクトラム症の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布（図４（Ｂ）参照）が、照合用エントロピー分布として、照合用エントロピー分布のデータベースまたはモデル２から照合部１８に提供される例では、照合部１８が、エントロピー分布算出部１７Ａによって算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布を、そのスペクトルエントロピーＰＳＥｉの分布（図４（Ｂ）参照）（照合用エントロピー分布）と照合する。
例えばエントロピー分布算出部１７Ａによって算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布が、そのスペクトルエントロピーＰＳＥｉの分布（図４（Ｂ）参照）（照合用エントロピー分布）と一致する場合には、被験者が自閉スペクトラム症であると判別することができる。つまり、照合部１８による照合の結果を用いることによって、被験者が自閉スペクトラム症であるか否かを判別することができる。
例えばエントロピー分布算出部１７Ａによって算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布が、そのスペクトルエントロピーＰＳＥｉの分布（図４（Ｂ）参照）（照合用エントロピー分布）と一致する場合には、被験者が自閉スペクトラム症であると判別することができる。つまり、照合部１８による照合の結果を用いることによって、被験者が自閉スペクトラム症であるか否かを判別することができる。
【0046】
他の例では、自閉スペクトラム症以外にも、注意欠陥・多動性障害（ADHD）を含む発達障害全般、統合失調症やうつ病に代表される精神疾患、更にはアルツハイマー病などに起因する認知障害を呈する脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布（図示せず）を照合用エントロピー分布として用い、照合部１８による照合の結果を用いることによって、被験者が、これらの発達障害あるいは精神・神経系疾患のそれぞれに該当するか否かを判別することができる。
【0047】
図１に示す例では、照合部１８による照合の結果の精度を確保できるように（つまり、被験者が自閉スペクトラム症であるか否かなどの判別の精度を確保できるように）、前処理部１４による処理の最適化が行われる。
また、本発明者等は、鋭意研究において、被験者の年齢が高くなるに従って、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布のピークにおけるスペクトルエントロピーの値（分布のモード）ＥＡ、ＥＢ（図４参照）が図４の左側にシフトすることを見い出した。
そこで、他の例では、エントロピー分布形状と年齢などの情報をセットとして疾患との関係をデータベース化したものを、照合用エントロピー分布のデータベースまたはモデル２に格納し、照合部１８が、そのデータベース化したものを、データ解析によって得られた分布（つまり、エントロピー分布算出部１７Ａによって算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布）と照合してもよい。そのようにすることにより、発達障害の有無や程度に関する客観的指標を得ることができる。
また、本発明者等は、鋭意研究において、被験者の年齢が高くなるに従って、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーの分布のピークにおけるスペクトルエントロピーの値（分布のモード）ＥＡ、ＥＢ（図４参照）が図４の左側にシフトすることを見い出した。
そこで、他の例では、エントロピー分布形状と年齢などの情報をセットとして疾患との関係をデータベース化したものを、照合用エントロピー分布のデータベースまたはモデル２に格納し、照合部１８が、そのデータベース化したものを、データ解析によって得られた分布（つまり、エントロピー分布算出部１７Ａによって算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布）と照合してもよい。そのようにすることにより、発達障害の有無や程度に関する客観的指標を得ることができる。
【0048】
また、図１に示す例では、診断支援情報提示部１９が、照合部１８による、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布と、照合用エントロピー分布のデータベースまたはモデル２から照合部１８に提供される照合用エントロピー分布（例えば定型発達の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布（図４（Ａ）参照）、自閉スペクトラム症の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布（図４（Ｂ）参照）など）との照合の結果に基づいて、被験者の医療診断を支援する情報（医療診断支援情報）を提示する。
つまり、診断支援情報提示部１９は、パラメータ分布算出部１７によって算出されたパラメータの分布に基づく情報を、医療診断支援情報として提示する。
例えば被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布のピークにおけるスペクトルエントロピーの値（図４（Ａ）および図４（Ｂ）の横軸の値）が、定型発達の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布（図４（Ａ）参照）のピークにおけるスペクトルエントロピーの値ＥＡ（図４（Ａ）参照）よりも大きい場合に、診断支援情報提示部１９は、被験者が自閉スペクトラム症の可能性がある旨の情報を提示してもよい。
つまり、診断支援情報提示部１９は、パラメータ分布算出部１７によって算出されたパラメータの分布に基づく情報を、医療診断支援情報として提示する。
例えば被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布のピークにおけるスペクトルエントロピーの値（図４（Ａ）および図４（Ｂ）の横軸の値）が、定型発達の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布（図４（Ａ）参照）のピークにおけるスペクトルエントロピーの値ＥＡ（図４（Ａ）参照）よりも大きい場合に、診断支援情報提示部１９は、被験者が自閉スペクトラム症の可能性がある旨の情報を提示してもよい。
【0049】
図１に示す例では、機械学習部１Ａが、診断支援情報提示部１９の機械学習を行う。
機械学習部１Ａは、例えば定型発達であるか否かが既知のスペクトルエントロピーＰＳＥｉの分布（図４（Ａ）参照）と、自閉スペクトラム症であるか否かが既知のスペクトルエントロピーＰＳＥｉの分布（図４（Ｂ）参照）とを教師データとして用いることによって、診断支援情報提示部１９の機械学習を行ってもよい。
図１に示す例では、診断支援システム１が機械学習部１Ａを備えているが、他の例（例えば診断支援システム１に備えられる診断支援情報提示部１９が、機械学習部１Ａによる機械学習の実行後の診断支援情報提示部１９と同等の能力を予め有している例）では、診断支援システム１が機械学習部１Ａを備えていなくてもよい。
機械学習部１Ａは、例えば定型発達であるか否かが既知のスペクトルエントロピーＰＳＥｉの分布（図４（Ａ）参照）と、自閉スペクトラム症であるか否かが既知のスペクトルエントロピーＰＳＥｉの分布（図４（Ｂ）参照）とを教師データとして用いることによって、診断支援情報提示部１９の機械学習を行ってもよい。
図１に示す例では、診断支援システム１が機械学習部１Ａを備えているが、他の例（例えば診断支援システム１に備えられる診断支援情報提示部１９が、機械学習部１Ａによる機械学習の実行後の診断支援情報提示部１９と同等の能力を予め有している例）では、診断支援システム１が機械学習部１Ａを備えていなくてもよい。
【0050】
図５は第１実施形態の診断支援システム１において実行される処理の一例を説明するためのフローチャートである。
図５に示す例では、ステップＳ１１において、安静時機能的ＭＲＩデータ取得部１１が、被験者の脳の安静時機能的ＭＲＩ信号時系列データ（図２（Ｂ）参照）を取得する。また、解剖学的ＭＲＩ画像取得部１２が、被験者の脳の解剖学的ＭＲＩ画像（図２（Ａ）参照）を取得する。
次いで、ステップＳ１２では、位置合わせ部１３が、ステップＳ１１において取得された被験者の脳の安静時機能的ＭＲＩデータと被験者の脳の解剖学的ＭＲＩ画像との位置合わせを行う。
図５に示す例では、ステップＳ１１において、安静時機能的ＭＲＩデータ取得部１１が、被験者の脳の安静時機能的ＭＲＩ信号時系列データ（図２（Ｂ）参照）を取得する。また、解剖学的ＭＲＩ画像取得部１２が、被験者の脳の解剖学的ＭＲＩ画像（図２（Ａ）参照）を取得する。
次いで、ステップＳ１２では、位置合わせ部１３が、ステップＳ１１において取得された被験者の脳の安静時機能的ＭＲＩデータと被験者の脳の解剖学的ＭＲＩ画像との位置合わせを行う。
【0051】
次いで、ステップＳ１３では、前処理部１４が、ステップＳ１１において取得された被験者の脳の安静時機能的ＭＲＩ信号時系列データの前処理を行う。
また、ステップＳ１４では、灰白質マップ作成部１５が、ステップＳ１１において取得された被験者の脳の解剖学的ＭＲＩ画像に基づいて、被験者の脳の灰白質マップを作成する。
また、ステップＳ１４では、灰白質マップ作成部１５が、ステップＳ１１において取得された被験者の脳の解剖学的ＭＲＩ画像に基づいて、被験者の脳の灰白質マップを作成する。
【0052】
次いで、ステップＳ１５では、パラメータ算出部１６が、ステップＳ１３において前処理が行われた被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データに基づいて、パラメータを算出する。詳細には、エントロピー算出部１６Ａが、ステップＳ１３において前処理が行われた被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データに基づいて、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉを算出する。
次いで、ステップＳ１６では、パラメータ分布算出部１７が、ステップＳ１５において算出されたパラメータ（スペクトルエントロピーＰＳＥｉ）の分布を算出する。詳細には、エントロピー分布算出部１７Ａが、ステップＳ１５において算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布（図４（Ａ）および図４（Ｂ）参照）を算出する。
次いで、ステップＳ１７では、照合部１８が、ステップＳ１６において算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布を、照合用エントロピー分布と照合する。
次いで、ステップＳ１８では、診断支援情報提示部１９が、ステップＳ１７における照合の結果に基づいて、被験者の医療診断を支援する情報（医療診断支援情報）を提示する。つまり、ステップＳ１６において算出されたパラメータ（スペクトルエントロピーＰＳＥｉ）の分布に基づく情報が、医療診断を支援する情報として提示される。
次いで、ステップＳ１６では、パラメータ分布算出部１７が、ステップＳ１５において算出されたパラメータ（スペクトルエントロピーＰＳＥｉ）の分布を算出する。詳細には、エントロピー分布算出部１７Ａが、ステップＳ１５において算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布（図４（Ａ）および図４（Ｂ）参照）を算出する。
次いで、ステップＳ１７では、照合部１８が、ステップＳ１６において算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布を、照合用エントロピー分布と照合する。
次いで、ステップＳ１８では、診断支援情報提示部１９が、ステップＳ１７における照合の結果に基づいて、被験者の医療診断を支援する情報（医療診断支援情報）を提示する。つまり、ステップＳ１６において算出されたパラメータ（スペクトルエントロピーＰＳＥｉ）の分布に基づく情報が、医療診断を支援する情報として提示される。
【0053】
第１実施形態の診断支援システム１の一適用例では、診断支援システム１の外部において被験者の脳の安静時機能的ＭＲＩ信号時系列データと解剖学的ＭＲＩ画像とが採取され、それらが、データ解析の入力として、診断支援システム１に入力される。次いで、被験者の脳の安静時機能的ＭＲＩデータと被験者の脳の解剖学的ＭＲＩ画像との位置合わせが行われる。次いで、被験者の脳の灰白質ボクセルのエントロピー（安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉ）の計算が行われる。
この例では、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布として、テント上（被験者の脳の小脳より上部の領域）の全体又は特定部位での分布が求められる。
上述したように、エントロピーＰＳＥｉの分布は年齢にも依存することから、この例では、定型発達および代表的な発達障害および精神疾患における分布形状が、年齢と紐付けられて予めデータベース化（またはモデル化）され、照合用エントロピー分布のデータベースまたはモデル２（図１（Ｂ）参照）に予め格納されている。
この例では、求められた被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布が、照合用エントロピー分布のデータベースまたはモデル２に格納されている照合用エントロピー分布と照合され、診断の参考となる情報が、診断支援システム１から提示される。照合の精度を確保するために機械学習を応用する（つまり、診断支援情報提示部１９の機械学習が予め行われる）。
この例では、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布として、テント上（被験者の脳の小脳より上部の領域）の全体又は特定部位での分布が求められる。
上述したように、エントロピーＰＳＥｉの分布は年齢にも依存することから、この例では、定型発達および代表的な発達障害および精神疾患における分布形状が、年齢と紐付けられて予めデータベース化（またはモデル化）され、照合用エントロピー分布のデータベースまたはモデル２（図１（Ｂ）参照）に予め格納されている。
この例では、求められた被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号のスペクトルエントロピーＰＳＥｉの分布が、照合用エントロピー分布のデータベースまたはモデル２に格納されている照合用エントロピー分布と照合され、診断の参考となる情報が、診断支援システム１から提示される。照合の精度を確保するために機械学習を応用する（つまり、診断支援情報提示部１９の機械学習が予め行われる）。
【0054】
自閉スペクトラム症（ＡＳＤ）や注意欠陥・多動性障害（ＡＤＨＤ）に代表される発達障害および統合失調症やうつ病などの精神疾患は神経基盤の詳細が未解明であり、通常のＭＲＩ検査では診断に役立つ情報は得られない。
本発明者等は脳の動的モデルに基づく考察から安静時の機能的ＭＲＩにエントロピー解析を適用する着想に至り、試行の結果、第１実施形態の診断支援システム１を用いることによって、ＡＳＤと定型発達（健常者）の間に明確な差を見出すことができた。第１実施形態の診断支援システム１と類似の手法は存在しない上、原理的に広範な発達障害および精神疾患に第１実施形態の診断支援システム１を応用できると考えられる。
つまり、第１実施形態の診断支援システム１によれば、原理的にＡＳＤのみならず広範な発達障害および精神・神経系疾患の診断支援システムを実現することができる。また、それによって治療効果の客観的な評価が可能になる。第１実施形態の診断支援システム１は、安静時機能的ＭＲＩの標準的な解析法として利用可能である。
本発明者等は脳の動的モデルに基づく考察から安静時の機能的ＭＲＩにエントロピー解析を適用する着想に至り、試行の結果、第１実施形態の診断支援システム１を用いることによって、ＡＳＤと定型発達（健常者）の間に明確な差を見出すことができた。第１実施形態の診断支援システム１と類似の手法は存在しない上、原理的に広範な発達障害および精神疾患に第１実施形態の診断支援システム１を応用できると考えられる。
つまり、第１実施形態の診断支援システム１によれば、原理的にＡＳＤのみならず広範な発達障害および精神・神経系疾患の診断支援システムを実現することができる。また、それによって治療効果の客観的な評価が可能になる。第１実施形態の診断支援システム１は、安静時機能的ＭＲＩの標準的な解析法として利用可能である。
【0055】
＜第２実施形態＞
以下、本発明の診断支援システム、診断支援方法およびプログラムの第２実施形態について説明する。
第２実施形態の診断支援システム１は、後述する点を除き、上述した第１実施形態の診断支援システム１と同様に構成されている。従って、第２実施形態の診断支援システム１によれば、後述する点を除き、上述した第１実施形態の診断支援システム１と同様の効果を奏することができる。
以下、本発明の診断支援システム、診断支援方法およびプログラムの第２実施形態について説明する。
第２実施形態の診断支援システム１は、後述する点を除き、上述した第１実施形態の診断支援システム１と同様に構成されている。従って、第２実施形態の診断支援システム１によれば、後述する点を除き、上述した第１実施形態の診断支援システム１と同様の効果を奏することができる。
【0056】
図６は第２実施形態の診断支援システム１の一例などを示す図である。詳細には、図６（Ａ）は第２実施形態の診断支援システム１の一例を示しており、図６（Ｂ）は図６（Ａ）に示す診断支援システム１の各構成要素間のデータなどの流れを示している。
図６に示す例では、図１に示す例と同様に、診断支援システム１が、医療診断を支援する情報（医療診断支援情報）を提示する。
図６に示す例では、診断支援システム１が、安静時機能的ＭＲＩデータ取得部１１と、解剖学的ＭＲＩ画像取得部１２と、位置合わせ部１３と、前処理部１４と、灰白質マップ作成部１５と、パラメータ算出部１６と、パラメータ分布算出部１７と、照合部１８と、診断支援情報提示部１９と、機械学習部１Ｂとを備えている。
図６に示す例では、図１に示す例と同様に、診断支援システム１が、医療診断を支援する情報（医療診断支援情報）を提示する。
図６に示す例では、診断支援システム１が、安静時機能的ＭＲＩデータ取得部１１と、解剖学的ＭＲＩ画像取得部１２と、位置合わせ部１３と、前処理部１４と、灰白質マップ作成部１５と、パラメータ算出部１６と、パラメータ分布算出部１７と、照合部１８と、診断支援情報提示部１９と、機械学習部１Ｂとを備えている。
【0057】
図６に示す例では、図１に示す例と同様に、パラメータ算出部１６が、位置合わせ部１３による、被験者の脳の安静時機能的ＭＲＩデータと被験者の脳の解剖学的ＭＲＩ画像との位置合わせの結果と、灰白質マップ作成部１５によって作成された被験者の脳の灰白質マップとに基づいて、安静時機能的ＭＲＩデータ取得部１１によって取得された被験者の脳の安静時機能的ＭＲＩ信号時系列データから、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データを抜き出す。
【0058】
図６に示す例では、図１に示す例と同様に、パラメータ算出部１６が、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データに基づいて、所定のパラメータを算出する。
図１に示す例では、パラメータ算出部１６がエントロピー算出部１６Ａを備えているが、図６に示す例では、パラメータ算出部１６が平均スペクトル相関距離（Mean Spectral Correlation Distance；ＭＳＣＤ）算出部１６Ｂを備えている。平均スペクトル相関距離算出部１６Ｂは、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データと、被験者の脳の他の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データとに基づいて、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離を算出する。
また、図６に示す例では、パラメータ算出部１６が、離散スペクトル算出部１６４と、絶対値算出部１６５とを備えている。
離散スペクトル算出部１６４は、図１に示す離散スペクトル算出部１６１と同様に、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データＳｉ（図２（Ｂ）参照）の離散スペクトルＸｉ（ωｋ）（図３参照）を算出する。詳細には、離散スペクトル算出部１６４は、離散スペクトル算出部１６１と同様に、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データＳｉ（図２（Ｂ）参照）の（離散）フーリエ変換を行うことによって離散スペクトルＸｉ（ωｋ）を算出する。
図１に示す例では、パラメータ算出部１６がエントロピー算出部１６Ａを備えているが、図６に示す例では、パラメータ算出部１６が平均スペクトル相関距離（Mean Spectral Correlation Distance；ＭＳＣＤ）算出部１６Ｂを備えている。平均スペクトル相関距離算出部１６Ｂは、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データと、被験者の脳の他の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データとに基づいて、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離を算出する。
また、図６に示す例では、パラメータ算出部１６が、離散スペクトル算出部１６４と、絶対値算出部１６５とを備えている。
離散スペクトル算出部１６４は、図１に示す離散スペクトル算出部１６１と同様に、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データＳｉ（図２（Ｂ）参照）の離散スペクトルＸｉ（ωｋ）（図３参照）を算出する。詳細には、離散スペクトル算出部１６４は、離散スペクトル算出部１６１と同様に、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データＳｉ（図２（Ｂ）参照）の（離散）フーリエ変換を行うことによって離散スペクトルＸｉ（ωｋ）を算出する。
【0059】
図６に示す例では、絶対値算出部１６５が、離散スペクトル算出部１６４によって算出された離散スペクトルＸｉ（ωｋ）の絶対値Ｆｉ（ωｋ）を算出する。詳細には、絶対値算出部１６５は、離散スペクトル算出部１６４によって算出された離散スペクトルＸｉ（ωｋ）と、下記の式とに基づいて、離散スペクトルＸｉ（ωｋ）の振幅（絶対値）Ｆｉ（ωｋ）を算出する。
【0060】
【数4】
【0061】
図６に示す例では、平均スペクトル相関距離算出部１６Ｂが、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データから算出される離散スペクトルの絶対値Ｆｉ（ωｋ）と、被験者の脳の他の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データから算出される離散スペクトルの絶対値Ｆｊ（ωｋ）と、被験者の脳の灰白質ボクセル（ｉ番目の灰白質ボクセル）と被験者の脳の他の灰白質ボクセル（ｊ番目の灰白質ボクセル）との間の物理的距離（ユークリッド距離）ｄｉ，ｊとに基づいて、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉを算出する。
詳細には、平均スペクトル相関距離算出部１６Ｂは、絶対値算出部１６５によって算出された被験者の脳の灰白質ボクセル（ｉ番目の灰白質ボクセル）に関する離散スペクトルの絶対値Ｆｉ（ωｋ）と、被験者の脳の灰白質ボクセル（ｊ番目の灰白質ボクセル）に関する離散スペクトルの絶対値Ｆｊ（ωｋ）と、物理的距離ｄｉ，ｊと、下記の式とに基づいて、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉを算出する。下記の式において、Ｍは灰白質ボクセルの数を示している。平均スペクトル相関距離ＭＳＣＤｉの単位は、物理的距離ｄｉ，ｊの単位と同様である。つまり、物理的距離ｄｉ，ｊが［ｍｍ］の単位で表される場合、平均スペクトル相関距離ＭＳＣＤｉも［ｍｍ］の単位で表される。
詳細には、平均スペクトル相関距離算出部１６Ｂは、絶対値算出部１６５によって算出された被験者の脳の灰白質ボクセル（ｉ番目の灰白質ボクセル）に関する離散スペクトルの絶対値Ｆｉ（ωｋ）と、被験者の脳の灰白質ボクセル（ｊ番目の灰白質ボクセル）に関する離散スペクトルの絶対値Ｆｊ（ωｋ）と、物理的距離ｄｉ，ｊと、下記の式とに基づいて、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉを算出する。下記の式において、Ｍは灰白質ボクセルの数を示している。平均スペクトル相関距離ＭＳＣＤｉの単位は、物理的距離ｄｉ，ｊの単位と同様である。つまり、物理的距離ｄｉ，ｊが［ｍｍ］の単位で表される場合、平均スペクトル相関距離ＭＳＣＤｉも［ｍｍ］の単位で表される。
【0062】
【数5】
【0063】
図６に示す例では、パラメータ分布算出部１７が、パラメータ算出部１６によって算出されたパラメータの分布を算出する。パラメータ分布算出部１７は平均スペクトル相関距離分布算出部１７Ｂを備えている。平均スペクトル相関距離分布算出部１７Ｂは、平均スペクトル相関距離算出部１６Ｂによって算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉ（数５参照）の分布を算出する。
すなわち、平均スペクトル相関距離算出部１６Ｂによって安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉが算出される灰白質ボクセルは、被験者の脳に複数存在する。そこで、平均スペクトル相関距離算出部１６Ｂは、被験者の脳に存在する全ての灰白質ボクセルについて、安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉを算出する。更に、平均スペクトル相関距離分布算出部１７Ｂは、平均スペクトル相関距離算出部１６Ｂによって算出された安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの値（つまり、被験者の脳に存在する全ての灰白質ボクセルに対応する複数の値）の分布（ヒストグラム）を作成する。
すなわち、平均スペクトル相関距離算出部１６Ｂによって安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉが算出される灰白質ボクセルは、被験者の脳に複数存在する。そこで、平均スペクトル相関距離算出部１６Ｂは、被験者の脳に存在する全ての灰白質ボクセルについて、安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉを算出する。更に、平均スペクトル相関距離分布算出部１７Ｂは、平均スペクトル相関距離算出部１６Ｂによって算出された安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの値（つまり、被験者の脳に存在する全ての灰白質ボクセルに対応する複数の値）の分布（ヒストグラム）を作成する。
【0064】
図７は平均スペクトル相関距離分布算出部１７Ｂによって算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの分布（平均スペクトル相関距離分布算出部１７Ｂによって作成された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉのヒストグラム）の一例を示す図である。詳細には、図７（Ａ）は被験者が定型発達（ＴＤ）である場合における被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの分布を示しており、図７（Ｂ）は被験者が自閉スペクトラム症（ＡＳＤ）である場合における被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの分布を示している。図７（Ａ）および図７（Ｂ）の横軸は平均スペクトル相関距離ＭＳＣＤｉの値（単位はｍｍ）を示しており、図７（Ａ）および図７（Ｂ）の縦軸はその値を示す灰白質ボクセルの数（平均スペクトル相関距離算出部１６Ｂによって安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉが算出された被験者の脳の灰白質ボクセルの数）を示している。
図７（Ａ）および図７（Ｂ）に示す例では、縦軸がその値を示す灰白質ボクセルの数を示しているが、他の例では、縦軸がその値を示す灰白質ボクセルの割合、相対頻度、確率などであってもよい。
図７（Ａ）および図７（Ｂ）に示す例では、縦軸がその値を示す灰白質ボクセルの数を示しているが、他の例では、縦軸がその値を示す灰白質ボクセルの割合、相対頻度、確率などであってもよい。
【0065】
図７（Ａ）および図７（Ｂ）に示すように、本発明者等は、鋭意研究において、自閉スペクトラム症（ＡＳＤ）の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離の分布のピークにおける平均スペクトル相関距離の値ＭＢ（図７（Ｂ）参照）が、定型発達（ＴＤ）の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離の分布のピークにおける平均スペクトル相関距離の値ＭＡ（図７（Ａ）参照）より小さくなることを見い出した。
【0066】
そこで、図６に示す例では、照合部１８が、平均スペクトル相関距離分布算出部１７Ｂによって算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの分布を、照合用平均スペクトル相関距離分布と照合する。照合用平均スペクトル相関距離分布は、照合用平均スペクトル相関距離分布のデータベースまたはモデル３から照合部１８に提供される。
図６に示す例では、照合用平均スペクトル相関距離分布のデータベースまたはモデル３が診断支援システム１の外部に設けられているが、他の例では、照合用平均スペクトル相関距離分布のデータベースまたはモデル３が診断支援システム１の内部に設けられていてもよい。
図６に示す例では、照合用平均スペクトル相関距離分布のデータベースまたはモデル３が診断支援システム１の外部に設けられているが、他の例では、照合用平均スペクトル相関距離分布のデータベースまたはモデル３が診断支援システム１の内部に設けられていてもよい。
【0067】
定型発達の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの分布（図７（Ａ）参照）が、照合用平均スペクトル相関距離分布として、照合用平均スペクトル相関距離分布のデータベースまたはモデル３から照合部１８に提供される例では、照合部１８が、平均スペクトル相関距離分布算出部１７Ｂによって算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの分布を、その平均スペクトル相関距離ＭＳＣＤｉの分布（図７（Ａ）参照）（照合用平均スペクトル相関距離分布）と照合する。
例えば平均スペクトル相関距離分布算出部１７Ｂによって算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの分布が、その平均スペクトル相関距離ＭＳＣＤｉの分布（図７（Ａ）参照）（照合用平均スペクトル相関距離分布）と一致する場合には、被験者が定型発達であると判別することができる。つまり、照合部１８による照合の結果を用いることによって、被験者が定型発達であるか否かを判別することができる。
例えば平均スペクトル相関距離分布算出部１７Ｂによって算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの分布が、その平均スペクトル相関距離ＭＳＣＤｉの分布（図７（Ａ）参照）（照合用平均スペクトル相関距離分布）と一致する場合には、被験者が定型発達であると判別することができる。つまり、照合部１８による照合の結果を用いることによって、被験者が定型発達であるか否かを判別することができる。
【0068】
自閉スペクトラム症の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの分布（図７（Ｂ）参照）が、照合用平均スペクトル相関距離分布として、照合用平均スペクトル相関距離分布のデータベースまたはモデル３から照合部１８に提供される例では、照合部１８が、平均スペクトル相関距離分布算出部１７Ｂによって算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの分布を、その平均スペクトル相関距離ＭＳＣＤｉの分布（図７（Ｂ）参照）（照合用平均スペクトル相関距離分布）と照合する。
例えば平均スペクトル相関距離分布算出部１７Ｂによって算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの分布が、その平均スペクトル相関距離ＭＳＣＤｉの分布（図７（Ｂ）参照）（照合用平均スペクトル相関距離分布）と一致する場合には、被験者が自閉スペクトラム症であると判別することができる。つまり、照合部１８による照合の結果を用いることによって、被験者が自閉スペクトラム症であるか否かを判別することができる。
例えば平均スペクトル相関距離分布算出部１７Ｂによって算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの分布が、その平均スペクトル相関距離ＭＳＣＤｉの分布（図７（Ｂ）参照）（照合用平均スペクトル相関距離分布）と一致する場合には、被験者が自閉スペクトラム症であると判別することができる。つまり、照合部１８による照合の結果を用いることによって、被験者が自閉スペクトラム症であるか否かを判別することができる。
【0069】
他の例では、自閉スペクトラム症以外にも、注意欠陥・多動性障害（ADHD）を含む発達障害全般、統合失調症やうつ病に代表される精神疾患、更にはアルツハイマー病などに起因する認知障害を呈する脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの分布（図示せず）を照合用平均スペクトル相関距離分布として用い、照合部１８による照合の結果を用いることによって、被験者が、これらの発達障害あるいは精神・神経系疾患のそれぞれに該当するか否かを判別することができる。
【0070】
図６に示す例では、照合部１８による照合の結果の精度を確保できるように（つまり、被験者が自閉スペクトラム症であるか否かなどの判別の精度を確保できるように）、前処理部１４による処理の最適化が行われる。
【0071】
また、図６に示す例では、診断支援情報提示部１９が、照合部１８による、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの分布と、照合用平均スペクトル相関距離分布のデータベースまたはモデル３から照合部１８に提供される照合用平均スペクトル相関距離分布（例えば定型発達の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの分布（図７（Ａ）参照）、自閉スペクトラム症の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの分布（図７（Ｂ）参照）など）との照合の結果に基づいて、被験者の医療診断を支援する情報（医療診断支援情報）を提示する。
つまり、診断支援情報提示部１９は、パラメータ分布算出部１７によって算出されたパラメータの分布に基づく情報を、医療診断支援情報として提示する。
例えば被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの分布のピークにおける平均スペクトル相関距離の値（図７（Ａ）および図７（Ｂ）の横軸の値）が、定型発達の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの分布（図７（Ａ）参照）のピークにおける平均スペクトル相関距離の値ＭＡ（図７（Ａ）参照）よりも小さい場合に、診断支援情報提示部１９は、被験者が自閉スペクトラム症の可能性がある旨の情報を提示してもよい。
つまり、診断支援情報提示部１９は、パラメータ分布算出部１７によって算出されたパラメータの分布に基づく情報を、医療診断支援情報として提示する。
例えば被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの分布のピークにおける平均スペクトル相関距離の値（図７（Ａ）および図７（Ｂ）の横軸の値）が、定型発達の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの分布（図７（Ａ）参照）のピークにおける平均スペクトル相関距離の値ＭＡ（図７（Ａ）参照）よりも小さい場合に、診断支援情報提示部１９は、被験者が自閉スペクトラム症の可能性がある旨の情報を提示してもよい。
【0072】
図６に示す例では、機械学習部１Ｂが、診断支援情報提示部１９の機械学習を行う。
機械学習部１Ｂは、例えば定型発達であるか否かが既知の平均スペクトル相関距離ＭＳＣＤｉの分布（図７（Ａ）参照）と、自閉スペクトラム症であるか否かが既知の平均スペクトル相関距離ＭＳＣＤｉの分布（図７（Ｂ）参照）とを教師データとして用いることによって、診断支援情報提示部１９の機械学習を行ってもよい。
図６に示す例では、診断支援システム１が機械学習部１Ｂを備えているが、他の例（例えば診断支援システム１に備えられる診断支援情報提示部１９が、機械学習部１Ｂによる機械学習の実行後の診断支援情報提示部１９と同等の能力を予め有している例）では、診断支援システム１が機械学習部１Ｂを備えていなくてもよい。
機械学習部１Ｂは、例えば定型発達であるか否かが既知の平均スペクトル相関距離ＭＳＣＤｉの分布（図７（Ａ）参照）と、自閉スペクトラム症であるか否かが既知の平均スペクトル相関距離ＭＳＣＤｉの分布（図７（Ｂ）参照）とを教師データとして用いることによって、診断支援情報提示部１９の機械学習を行ってもよい。
図６に示す例では、診断支援システム１が機械学習部１Ｂを備えているが、他の例（例えば診断支援システム１に備えられる診断支援情報提示部１９が、機械学習部１Ｂによる機械学習の実行後の診断支援情報提示部１９と同等の能力を予め有している例）では、診断支援システム１が機械学習部１Ｂを備えていなくてもよい。
【0073】
図８は第２実施形態の診断支援システム１において実行される処理の一例を説明するためのフローチャートである。
図８に示す例では、ステップＳ２１において、図５のステップＳ１１と同様に、安静時機能的ＭＲＩデータ取得部１１が、被験者の脳の安静時機能的ＭＲＩ信号時系列データ（図２（Ｂ）参照）を取得する。また、解剖学的ＭＲＩ画像取得部１２が、被験者の脳の解剖学的ＭＲＩ画像（図２（Ａ）参照）を取得する。
次いで、ステップＳ２２では、位置合わせ部１３が、ステップＳ２１において取得された被験者の脳の安静時機能的ＭＲＩデータと被験者の脳の解剖学的ＭＲＩ画像との位置合わせを行う。
図８に示す例では、ステップＳ２１において、図５のステップＳ１１と同様に、安静時機能的ＭＲＩデータ取得部１１が、被験者の脳の安静時機能的ＭＲＩ信号時系列データ（図２（Ｂ）参照）を取得する。また、解剖学的ＭＲＩ画像取得部１２が、被験者の脳の解剖学的ＭＲＩ画像（図２（Ａ）参照）を取得する。
次いで、ステップＳ２２では、位置合わせ部１３が、ステップＳ２１において取得された被験者の脳の安静時機能的ＭＲＩデータと被験者の脳の解剖学的ＭＲＩ画像との位置合わせを行う。
【0074】
次いで、ステップＳ２３では、前処理部１４が、ステップＳ２１において取得された被験者の脳の安静時機能的ＭＲＩ信号時系列データの前処理を行う。
また、ステップＳ２４では、灰白質マップ作成部１５が、ステップＳ２１において取得された被験者の脳の解剖学的ＭＲＩ画像に基づいて、被験者の脳の灰白質マップを作成する。
また、ステップＳ２４では、灰白質マップ作成部１５が、ステップＳ２１において取得された被験者の脳の解剖学的ＭＲＩ画像に基づいて、被験者の脳の灰白質マップを作成する。
【0075】
次いで、ステップＳ２５では、パラメータ算出部１６が、ステップＳ２３において前処理が行われた被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データに基づいて、パラメータを算出する。詳細には、平均スペクトル相関距離算出部１６Ｂが、ステップＳ２３において前処理が行われた被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号時系列データに基づいて、被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉを算出する。
次いで、ステップＳ２６では、パラメータ分布算出部１７が、ステップＳ２５において算出されたパラメータ（平均スペクトル相関距離ＭＳＣＤｉ）の分布を算出する。詳細には、平均スペクトル相関距離分布算出部１７Ｂが、ステップＳ２５において算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの分布（図７（Ａ）および図７（Ｂ）参照）を算出する。
次いで、ステップＳ２７では、照合部１８が、ステップＳ２６において算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの分布を、照合用平均スペクトル相関距離分布と照合する。
次いで、ステップＳ２８では、診断支援情報提示部１９が、ステップＳ２７における照合の結果に基づいて、被験者の医療診断を支援する情報（医療診断支援情報）を提示する。つまり、ステップＳ２６において算出されたパラメータ（平均スペクトル相関距離ＭＳＣＤｉ）の分布に基づく情報が、医療診断を支援する情報として提示される。
次いで、ステップＳ２６では、パラメータ分布算出部１７が、ステップＳ２５において算出されたパラメータ（平均スペクトル相関距離ＭＳＣＤｉ）の分布を算出する。詳細には、平均スペクトル相関距離分布算出部１７Ｂが、ステップＳ２５において算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの分布（図７（Ａ）および図７（Ｂ）参照）を算出する。
次いで、ステップＳ２７では、照合部１８が、ステップＳ２６において算出された被験者の脳の灰白質ボクセルの安静時機能的ＭＲＩ信号の平均スペクトル相関距離ＭＳＣＤｉの分布を、照合用平均スペクトル相関距離分布と照合する。
次いで、ステップＳ２８では、診断支援情報提示部１９が、ステップＳ２７における照合の結果に基づいて、被験者の医療診断を支援する情報（医療診断支援情報）を提示する。つまり、ステップＳ２６において算出されたパラメータ（平均スペクトル相関距離ＭＳＣＤｉ）の分布に基づく情報が、医療診断を支援する情報として提示される。
【0076】
以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。上述した各実施形態および各例に記載の構成を組み合わせてもよい。
【0077】
なお、上述した実施形態における診断支援システム１が備える各部の機能全体あるいはその一部は、これらの機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現しても良い。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶部のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでも良い。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶部のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでも良い。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。
【符号の説明】
【0078】
１…診断支援システム、１１…安静時機能的ＭＲＩデータ取得部、１２…解剖学的ＭＲＩ画像取得部、１３…位置合わせ部、１４…前処理部、１５…灰白質マップ作成部、１６…パラメータ算出部、１６Ａ…エントロピー算出部、１６１…離散スペクトル算出部、１６２…パワースペクトル算出部、１６３…規格化部、１６Ｂ…平均スペクトル相関距離算出部、１６４…離散スペクトル算出部、１６５…絶対値算出部、１７…パラメータ分布算出部、１７Ａ…エントロピー分布算出部、１７Ｂ…平均スペクトル相関距離分布算出部、１８…照合部、１９…診断支援情報提示部、１Ａ、１Ｂ…機械学習部、２…照合用エントロピー分布のデータベースまたはモデル、３…照合用平均スペクトル相関距離分布のデータベースまたはモデル
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】