知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2023-12-21
(45)【発行日】2024-01-04
(54)【発明の名称】情報処理システム
(51)【国際特許分類】
A61B 5/055 20060101AFI20231222BHJP
【ＦＩ】
A61B5/055 380
A61B5/055 383
【請求項の数】
1
(21)【出願番号】P 2020029830
(22)【出願日】2020-02-25
(65)【公開番号】P2021132769
(43)【公開日】2021-09-13
【審査請求日】2023-02-10
(73)【特許権者】
【識別番号】520063587
【氏名又は名称】井上 謙一
(74)【代理人】
【識別番号】100166338
【弁理士】
【氏名又は名称】関口 正夫
(72)【発明者】
【氏名】井上 謙一
【審査官】蔵田 真彦
(56)【参考文献】
【文献】米国特許出願公開第２０１９／０１２２３４８（ＵＳ，Ａ１）
【文献】特開２０１９－２１６８４８（ＪＰ，Ａ）
【文献】特開２０１９－１８０６３７（ＪＰ，Ａ）
【文献】特表２００７－５０３６２９（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ａ６１Ｂ ５／０５５
Ｇ０６Ｔ １／００－１９／２０
ＪＳＴＰｌｕｓ／ＪＭＥＤＰｌｕｓ／ＪＳＴ７５８０（ＪＤｒｅａｍＩＩＩ）
(57)【特許請求の範囲】
【請求項1】
機械学習によりモデルを生成又は更新する第１情報処理装置と、当該モデルを使用する情報処理を実行する第２情報処理装置とを含む情報処理システムであって、前記第１情報処理装置は、
造影剤を使用しない対象物に対して実際にＭＲＩが行われた結果得られる、脂肪抑制Ｔ１強調画像のＴ１データ、脂肪抑制Ｔ２画像のＴ２データ、及び拡散強調画像ＤＷＩのＤＷＩデータを含む第１種画像データを学習データとして用いて、Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ａｕｔｏｅｎｃｏｄｅｒの手法にしたがった所定の機械学習を実行することで、前記第１種画像データが入力された場合に、造影剤を使用した同一の前記対象物に対して実際にＭＲＩが行われた結果得られる第２種画像データと等価な第３種画像データであって、前記Ｔ１データに造影効果を伴った画像データである前記第３種画像データを出力するモデルであって、前記Ｔ１データを入力層から出力層まで繋ぐショートカットをつくることによって前記造影効果のみの前記機械学習の結果として得られたモデルを生成又は更新するモデル生成更新手段
を備え、
前記第２情報処理装置は、
処理対象の前記第１種画像データを取得する取得手段と、
前記取得手段により取得された前記第１種画像データと、前記第１情報処理装置により生成された前記モデルとに基づいて、前記第３種画像データを生成する生成手段と、
を備える情報処理システム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、情報処理システムに関する。
【背景技術】
【0002】
従来より、ＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）によるスクリーニングが行われている（例えば特許文献１参照）。
例えば、ＢＲＣＡ１／２遺伝子変異を持つ女性は、乳癌の発症リスクが高いと言われている。このため、乳癌のハイリスクグループに対して、乳癌検診として乳房のＭＲＩによるスクリーニングが勧められている。この乳房のＭＲＩでは、乳癌検診の対象者（被験者）に対して、造影剤が用いられている。
例えば、ＢＲＣＡ１／２遺伝子変異を持つ女性は、乳癌の発症リスクが高いと言われている。このため、乳癌のハイリスクグループに対して、乳癌検診として乳房のＭＲＩによるスクリーニングが勧められている。この乳房のＭＲＩでは、乳癌検診の対象者（被験者）に対して、造影剤が用いられている。
【先行技術文献】
【特許文献】
【0003】
【文献】特開２００６－２４７１１３号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
しかしながら、乳癌検診の対象者にとって、乳房のＭＲＩが毎年行われる毎に造影剤が用いられることは、アレルギー、ガドリニウムの脳沈着、経済的負担、時間的負担等のデメリットが存在する。
このため、造影剤を用いない単純ＭＲＩでも同様の所見が得られるならば、乳癌検診の対象者はもとより医療機関への負担も軽減すると推定される。
即ち、造影剤を用いない単純ＭＲＩでも、造影剤を用いた場合と同様の所見が得られる技術の確立の要求がなされているが、このような要求に対して、特許文献１を含め従来の技術では応えられていない状況である。
このため、造影剤を用いない単純ＭＲＩでも同様の所見が得られるならば、乳癌検診の対象者はもとより医療機関への負担も軽減すると推定される。
即ち、造影剤を用いない単純ＭＲＩでも、造影剤を用いた場合と同様の所見が得られる技術の確立の要求がなされているが、このような要求に対して、特許文献１を含め従来の技術では応えられていない状況である。
【0005】
本願発明はこのような状況に鑑みてなされたものであり、造影剤を用いない単純ＭＲＩでも、造影剤を用いた場合と同様の所見が得られる技術の確立を目的とする。
【課題を解決するための手段】
【0006】
上記目的を達成するため、本発明の一態様の情報処理システムは、
機械学習によりモデルを生成又は更新する第１情報処理装置と、当該モデルを使用する情報処理を実行する第２情報処理装置とを含む情報処理システムであって、
前記第１情報処理装置は、
造影剤を使用しない対象物に対して実際にＭＲＩが行われた結果得られる第１種画像データと、造影剤を使用した同一の前記対象物に対して実際にＭＲＩが行われた結果得られる第２種画像データとの組を学習データとして用いて、所定の機械学習を実行することで、前記第１種画像データが入力された場合に前記第２種画像データと等価な第３種画像データを出力するモデルを生成又は更新するモデル生成更新手段
を備え、
前記第２情報処理装置は、
処理対象の前記第１種画像データを取得する取得手段と、
前記取得手段により取得された前記第１種画像データと、前記第１情報処理装置により生成された前記モデルとに基づいて、前記第３種画像データを生成する生成手段と、
を備える。
機械学習によりモデルを生成又は更新する第１情報処理装置と、当該モデルを使用する情報処理を実行する第２情報処理装置とを含む情報処理システムであって、
前記第１情報処理装置は、
造影剤を使用しない対象物に対して実際にＭＲＩが行われた結果得られる第１種画像データと、造影剤を使用した同一の前記対象物に対して実際にＭＲＩが行われた結果得られる第２種画像データとの組を学習データとして用いて、所定の機械学習を実行することで、前記第１種画像データが入力された場合に前記第２種画像データと等価な第３種画像データを出力するモデルを生成又は更新するモデル生成更新手段
を備え、
前記第２情報処理装置は、
処理対象の前記第１種画像データを取得する取得手段と、
前記取得手段により取得された前記第１種画像データと、前記第１情報処理装置により生成された前記モデルとに基づいて、前記第３種画像データを生成する生成手段と、
を備える。
【発明の効果】
【0007】
本発明によれば、造影剤を用いない単純ＭＲＩでも、造影剤を用いた場合と同様の所見を得ることが可能になる。
【図面の簡単な説明】
【0008】
【図1】本発明の第１実施形態にかかる情報処理システムの構成の例を示す図である。
【発明を実施するための形態】
【0009】
以下、本発明の実施形態について、図面を用いて説明する。
【0010】
【0011】
学習装置１は、乳癌検診にて行われる乳房のＭＲＩの画像のデータついて機械学習を行う。
【0012】
具体的には例えば、乳癌の患者に対して、造影剤を使用しないで実際に撮像されたＭＲＩの画像のデータと、造影剤を使用して実際に撮像されたＭＲＩの画像のデータとの組が、学習用データとして学習装置１に入力される。
なお以下、学習用データのうち、造影剤を使用しないで実際に撮像されたＭＲＩの画像のデータを、「学習用ＭＲＩ画像データ」と呼ぶ。また、学習用データのうち、造影剤を使用して実際に撮像されたＭＲＩの画像のデータを、「学習用造影ＭＲＩ画像データ」と呼ぶ。
なお以下、学習用データのうち、造影剤を使用しないで実際に撮像されたＭＲＩの画像のデータを、「学習用ＭＲＩ画像データ」と呼ぶ。また、学習用データのうち、造影剤を使用して実際に撮像されたＭＲＩの画像のデータを、「学習用造影ＭＲＩ画像データ」と呼ぶ。
【0013】
学習装置１は、多数の学習用データを用いて機械学習をすることで、次のようなモデルを生成することができる。
ここで、乳癌検診として造影剤が用いられずに乳房ＭＲＩによるスクリーニングが行われた者に対して撮像されたＭＲＩの画像のデータを「ＭＲＩ画像データ」と呼ぶ。このＭＲＩ画像データが入力されると、造影剤を使用して撮像されたＭＲＩの画像と等価な画像のデータ（以下、「造影ＭＲＩ画像等価データ」と呼ぶ）が出力されるモデルが、学習装置１により生成又は更新される。なお、以下、このようなモデルを、「造影ＭＲＩ画像生成モデル」と呼ぶ。
学習装置１により生成された「造影ＭＲＩ画像生成モデル」は、モデルＤＢ３に格納される。
学習装置１の機能的構成や処理の詳細については、図３以降の図面を参照して後述する。
ここで、乳癌検診として造影剤が用いられずに乳房ＭＲＩによるスクリーニングが行われた者に対して撮像されたＭＲＩの画像のデータを「ＭＲＩ画像データ」と呼ぶ。このＭＲＩ画像データが入力されると、造影剤を使用して撮像されたＭＲＩの画像と等価な画像のデータ（以下、「造影ＭＲＩ画像等価データ」と呼ぶ）が出力されるモデルが、学習装置１により生成又は更新される。なお、以下、このようなモデルを、「造影ＭＲＩ画像生成モデル」と呼ぶ。
学習装置１により生成された「造影ＭＲＩ画像生成モデル」は、モデルＤＢ３に格納される。
学習装置１の機能的構成や処理の詳細については、図３以降の図面を参照して後述する。
【0014】
造影ＭＲＩ生成装置２は、「造影ＭＲＩ画像生成モデル」をモデルＤＢ３から取得する。造影ＭＲＩ生成装置２は、ＭＲＩ画像データを入力して、「造影ＭＲＩ画像生成モデル」を用いて造影ＭＲＩ画像等価データを生成する。造影ＭＲＩ生成装置２は、この造影ＭＲＩ画像等価データを出力データとして出力する。
造影ＭＲＩ生成装置２の機能的構成や処理の詳細については、図３以降の図面を参照して後述する。
造影ＭＲＩ生成装置２の機能的構成や処理の詳細については、図３以降の図面を参照して後述する。
【0015】
造影ＭＲＩ生成装置２から出力データとして出力された造影ＭＲＩ画像等価データは、造影ＭＲＩ生成装置２に入力されたＭＲＩ画像データと共に、フィードバック用のデータ（以下、「ＦＢデータ」と呼ぶ）として学習装置１に入力される。
学習装置１は、ＦＢデータを用いて再学習をすることで、「造影ＭＲＩ画像生成モデル」を更新して、モデルＤＢ３に格納する。
学習装置１は、ＦＢデータを用いて再学習をすることで、「造影ＭＲＩ画像生成モデル」を更新して、モデルＤＢ３に格納する。
【0016】
【0017】
学習装置１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１２と、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１３と、バス１４と、入出力インターフェース１５と、出力部１６と、入力部１７と、記憶部１８と、通信部１９と、ドライブ２０とを備えている。
【0018】
ＣＰＵ１１は、ＲＯＭ１２に記録されているプログラム、又は、記憶部１８からＲＡＭ１３にロードされたプログラムに従って各種の処理を実行する。
ＲＡＭ１３には、ＣＰＵ１１が各種の処理を実行する上において必要なデータ等も適宜記憶される。
ＲＡＭ１３には、ＣＰＵ１１が各種の処理を実行する上において必要なデータ等も適宜記憶される。
【0019】
ＣＰＵ１１、ＲＯＭ１２及びＲＡＭ１３は、バス１４を介して相互に接続されている。このバス１４にはまた、入出力インターフェース１５も接続されている。入出力インターフェース１５には、出力部１６、入力部１７、記憶部１８、通信部１９、及びドライブ２０が接続されている。
出力部１６は、ディスプレイやスピーカ等で構成され、画像や音声を出力する。
入力部１７は、キーボードやマウス等で構成され、ユーザの指示操作に応じて各種情報を入力する。
記憶部１８は、ハードディスク等で構成され、各種情報のデータを記憶する。
出力部１６は、ディスプレイやスピーカ等で構成され、画像や音声を出力する。
入力部１７は、キーボードやマウス等で構成され、ユーザの指示操作に応じて各種情報を入力する。
記憶部１８は、ハードディスク等で構成され、各種情報のデータを記憶する。
【0020】
通信部１９は、ネットワークを介して他の対象（例えば図１のモデルＤＢ３）との間で行う通信を制御する。
ドライブ２０には、磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリ等よりなる、リムーバブルメディア３０が適宜装着される。ドライブ２０によってリムーバブルメディア３０から読み出されたプログラムや画像データは、必要に応じて記憶部１８にインストールされる。また、リムーバブルメディア３０は、記憶部１８に記憶されている各種データ（例えば画像データ等）も、記憶部１８と同様に記憶することができる。
ドライブ２０には、磁気ディスク、光ディスク、光磁気ディスク、或いは半導体メモリ等よりなる、リムーバブルメディア３０が適宜装着される。ドライブ２０によってリムーバブルメディア３０から読み出されたプログラムや画像データは、必要に応じて記憶部１８にインストールされる。また、リムーバブルメディア３０は、記憶部１８に記憶されている各種データ（例えば画像データ等）も、記憶部１８と同様に記憶することができる。
【0021】
なお、図示はしないが、図１の情報処理システムの造影ＭＲＩ生成装置２は、図２に示すハードウェア構成と基本的に同様の構成を有している。従って、造影ＭＲＩ生成装置２のハードウェア構成の説明は省略する。
また、説明の便宜上、学習装置１は、造影ＭＲＩ生成装置２とは別途設けるものとしたが、特にこれに限定されず、学習装置１と造影ＭＲＩ生成装置２との各機能を１台の情報処理装置に集約してもよい。
また、説明の便宜上、学習装置１は、造影ＭＲＩ生成装置２とは別途設けるものとしたが、特にこれに限定されず、学習装置１と造影ＭＲＩ生成装置２との各機能を１台の情報処理装置に集約してもよい。
【0022】
【0023】
まず、第１実施形態の学習装置１の機能的構成について説明する。
第１実施形態の学習装置１においては、ＭＲＩ画像取得部５１と、造影ＭＲＩ画像取得部５２と、カラー画像生成部５３と、学習データ生成部５４と、モデル生成更新部５５と、ＦＢデータ取得部５６とが機能する。
第１実施形態の学習装置１においては、ＭＲＩ画像取得部５１と、造影ＭＲＩ画像取得部５２と、カラー画像生成部５３と、学習データ生成部５４と、モデル生成更新部５５と、ＦＢデータ取得部５６とが機能する。
【0024】
ＭＲＩ画像取得部５１は、乳癌患者についての学習用ＭＲＩ画像データを取得する。
造影ＭＲＩ画像取得部５２は、同一乳癌患者についての学習用造影ＭＲＩ画像データを取得する。
造影ＭＲＩ画像取得部５２は、同一乳癌患者についての学習用造影ＭＲＩ画像データを取得する。
【0025】
ここで一例として、原発性乳癌と診断された症例の造影ＭＲＩ画像２６８１９枚のうち、脂肪抑制Ｔ１強調画像のデータ（以下、「Ｔ１データ」と呼ぶ）、脂肪抑制Ｔ２画像のデータ（以下、「Ｔ２データ」と呼ぶ）、及び拡散強調画像ＤＷＩのデータ（以下、「ＤＷＩデータ」と呼ぶ）、並びに造影早期相画像（早期相）のデータの切断面が全て一致している３０４０枚の画像（７６０スライス分）が学習用データとして、学習装置１に対して入力されたものとする。ここで、切断面の一致とは、ずれ幅が１ｍｍ以下のことをいう。
即ち切断面が全て一致している、Ｔ１データ、Ｔ２データ、及びＤＷＩデータ、並びに早期相のデータが、１組の学習用データとして用いられたものとする。この場合、１組の学習用データのうち、Ｔ１データ、Ｔ２データ、及びＤＷＩデータが、学習用ＭＲＩ画像データとしてＭＲＩ画像取得部５１により取得される。一方、当該１組の学習用データのうち、早期相のデータが、学習用造影ＭＲＩ画像データとして造影ＭＲＩ画像取得部５２に取得される。
なお以下、以上の３０４０枚の画像（７６０スライス分）を学習用データとして、「本例の学習用データ」と呼ぶ。
即ち切断面が全て一致している、Ｔ１データ、Ｔ２データ、及びＤＷＩデータ、並びに早期相のデータが、１組の学習用データとして用いられたものとする。この場合、１組の学習用データのうち、Ｔ１データ、Ｔ２データ、及びＤＷＩデータが、学習用ＭＲＩ画像データとしてＭＲＩ画像取得部５１により取得される。一方、当該１組の学習用データのうち、早期相のデータが、学習用造影ＭＲＩ画像データとして造影ＭＲＩ画像取得部５２に取得される。
なお以下、以上の３０４０枚の画像（７６０スライス分）を学習用データとして、「本例の学習用データ」と呼ぶ。
【0026】
なお、本実施形態では、乳癌の検出に適用されるため、造影早期相画像（早期相）のデータが用いられたが、手術前に抗癌剤が投与された後のＭＲＩ画像については、遅延相が用いられる。
即ち、本例では説明の便宜上早期相が用いられるものとするが、実際には、早期相に限定されず、造影画像のデータが用いられれば足りる。
即ち、本例では説明の便宜上早期相が用いられるものとするが、実際には、早期相に限定されず、造影画像のデータが用いられれば足りる。
【0027】
カラー画像生成部５３については後述するが、学習データ生成部５４は、本例の学習用データに基づいて、訓練データ（教師画像ありで学習する場合には教師データとの組）を学習データとして生成する。
本実施形態では後述するように、「造影ＭＲＩ画像生成モデル」として、畳み込みニューラルネットワークが採用されている。従って、学習用ＭＲＩ画像データ（Ｔ１データ、Ｔ２データ、及びＤＷＩデータ）に基づいて後述するカラー画像生成部５３により生成されるデータが訓練データとして、学習用造影ＭＲＩ画像データ（早期相のデータ）が教師データとして、学習データ生成部５４により夫々生成される。
本実施形態では後述するように、「造影ＭＲＩ画像生成モデル」として、畳み込みニューラルネットワークが採用されている。従って、学習用ＭＲＩ画像データ（Ｔ１データ、Ｔ２データ、及びＤＷＩデータ）に基づいて後述するカラー画像生成部５３により生成されるデータが訓練データとして、学習用造影ＭＲＩ画像データ（早期相のデータ）が教師データとして、学習データ生成部５４により夫々生成される。
【0028】
モデル生成更新部５５は、学習データ生成部５４から出力された学習データを用いて機械学習を実行することで、「造影ＭＲＩ画像生成モデル」を生成又は更新する。
【0029】
ここで、「造影ＭＲＩ画像生成モデル」は、何らかの学習データ（教師あり又は教師なしの何れも可能）を用いる任意の手法の機械学習により生成又は更新が可能であれば足りるが、本実施形態では図４に示すモデルＭが採用されるものとする。
【0030】
図４は、図３の学習装置により生成又は更新される「造影ＭＲＩ画像生成モデル」の一例を示している。
図４に示すモデルＭは、人工知能のＣｏｎｖｏｌｕｔｉｏｎａｌ Ａｕｔｏｅｎｃｏｄｅｒの手法を用いて、Ｔ１データ、Ｔ２データ、及びＤＷＩデータ（学習データ）から造影ＭＲＩ画像等価データ（早期相のデータ）を推定するように学習された結果として、再生又は更新される「造影ＭＲＩ画像生成モデル」の一例である。
このモデルＭは、通常の畳み込みニューラルネットワークで画像データが圧縮された後に、当該画像データのサイズが元のサイズに戻されるものである。
モデル生成更新部５５は、元画像データ（学習データ）が修正された画像データを、造影ＭＲＩ画像等価データ（早期相のデータ）として出力するように、画像内の特徴を捉えた情報を抽出して、機械学習を実行する。
ここで、モデル生成更新部５５による機械学習で用いられるアルゴリズムは、特に限定されないが、本実施形態では、代表的なアルゴリズムであるＵ－Ｎｅｔをベースとしたものが採用されるものとする。
また、モデル生成更新部５５は、画像の類似度を評価する最小二乗法（ＭＳＥ）を用いて、訓練データが早期相のデータに近づくように機械学習を実行する。
また、画像の劣化度合いを評価する手法として、本実施形態ではピーク信号対雑音比（ＰＳＮＲ）を計測する手法が採用されている（後述の図８参照）。
図４に示すモデルＭは、人工知能のＣｏｎｖｏｌｕｔｉｏｎａｌ Ａｕｔｏｅｎｃｏｄｅｒの手法を用いて、Ｔ１データ、Ｔ２データ、及びＤＷＩデータ（学習データ）から造影ＭＲＩ画像等価データ（早期相のデータ）を推定するように学習された結果として、再生又は更新される「造影ＭＲＩ画像生成モデル」の一例である。
このモデルＭは、通常の畳み込みニューラルネットワークで画像データが圧縮された後に、当該画像データのサイズが元のサイズに戻されるものである。
モデル生成更新部５５は、元画像データ（学習データ）が修正された画像データを、造影ＭＲＩ画像等価データ（早期相のデータ）として出力するように、画像内の特徴を捉えた情報を抽出して、機械学習を実行する。
ここで、モデル生成更新部５５による機械学習で用いられるアルゴリズムは、特に限定されないが、本実施形態では、代表的なアルゴリズムであるＵ－Ｎｅｔをベースとしたものが採用されるものとする。
また、モデル生成更新部５５は、画像の類似度を評価する最小二乗法（ＭＳＥ）を用いて、訓練データが早期相のデータに近づくように機械学習を実行する。
また、画像の劣化度合いを評価する手法として、本実施形態ではピーク信号対雑音比（ＰＳＮＲ）を計測する手法が採用されている（後述の図８参照）。
【0031】
このような図４に示すモデルＭを「造影ＭＲＩ画像生成モデル」として生成又は更新する機械学習に用いられる訓練データは、上述したように、Ｔ１データ、Ｔ２データ、及びＤＷＩデータである。
ここで、Ｔ１データ、Ｔ２データ、及びＤＷＩデータの夫々を別々の画像データとして、３枚の画像データを訓練データとして用いることもできる。
ここで、一般的なカラーの画像データは、１画素毎に３要素の画素値を有する構成、例えばＲＧＢ（赤、緑、青）の夫々の画素値を有する構成をとっている。
これに対して、ＭＲＩ画像データ、即ち、Ｔ１データ、Ｔ２データ、及びＤＷＩデータの夫々は、グレースケールの画像データ、即ち１画素毎に１要素の画素値（輝度値）を有する構成をとっている。
そこで、第１実施形態の学習装置１には、図３のカラー画像生成部５３が設けられている。即ち、カラー画像生成部５３は、学習用ＭＲＩ画像データを構成する、Ｔ１データ、Ｔ２データ、及びＤＷＩデータの各画素値の夫々を、カラーの画像データの３要素の各画素値（例えばＲ，Ｇ，Ｂの各画素値）の夫々に割り当てることで、１枚の仮のカラー画像のデータを訓練データとして生成している。
つまり、第１実施形態では、Ｒ，Ｇ，Ｂの夫々に対してＴ１，Ｔ２，ＤＷＩの夫々が割り当てられた仮のカラーの画像データが訓練データとして、図３のモデルＭを生成又は更新するための機械学習が実行されている。
ここで、Ｔ１データ、Ｔ２データ、及びＤＷＩデータの夫々を別々の画像データとして、３枚の画像データを訓練データとして用いることもできる。
ここで、一般的なカラーの画像データは、１画素毎に３要素の画素値を有する構成、例えばＲＧＢ（赤、緑、青）の夫々の画素値を有する構成をとっている。
これに対して、ＭＲＩ画像データ、即ち、Ｔ１データ、Ｔ２データ、及びＤＷＩデータの夫々は、グレースケールの画像データ、即ち１画素毎に１要素の画素値（輝度値）を有する構成をとっている。
そこで、第１実施形態の学習装置１には、図３のカラー画像生成部５３が設けられている。即ち、カラー画像生成部５３は、学習用ＭＲＩ画像データを構成する、Ｔ１データ、Ｔ２データ、及びＤＷＩデータの各画素値の夫々を、カラーの画像データの３要素の各画素値（例えばＲ，Ｇ，Ｂの各画素値）の夫々に割り当てることで、１枚の仮のカラー画像のデータを訓練データとして生成している。
つまり、第１実施形態では、Ｒ，Ｇ，Ｂの夫々に対してＴ１，Ｔ２，ＤＷＩの夫々が割り当てられた仮のカラーの画像データが訓練データとして、図３のモデルＭを生成又は更新するための機械学習が実行されている。
【0032】
図５は、第１実施形態の訓練データにより生成又は更新される図３のモデルの概要を示している。
なお、後述する第２実施形態でも図３のモデルＭが「造影ＭＲＩ画像生成モデル」として採用されているが、訓練データが第１実施形態と第２実施形態とでは異なる。
そこで、第１実施形態の訓練データ、即ちＲ，Ｇ，Ｂの夫々に対してＴ１，Ｔ２，ＤＷＩの夫々が割り当てられた仮のカラーの画像データが用いられて生成又は更新される図３のモデルＭを、図５に示すように（後述する第２実施形態のものと区別すべく）「モデルＭ１」と呼ぶ。
つまり、図５に示すように、入力されたＭＲＩ画像データ、即ち、Ｔ１データＩＴ１、Ｔ２データＩＴ２、及びＤＷＩデータＩＤＷＩの各画素値の夫々が、カラーの画像データの３要素の各画素値（例えばＲ，Ｇ，Ｂの各画素値）の夫々に割り当てられることで、１枚の仮のカラー画像のデータが生成される。この仮のカラー画像のデータが入力されると、造影ＭＲＩ画像等価データＯｕｔが出力されるモデルＭ１が、「造影ＭＲＩ画像生成モデル」として第１実施形態では採用されている。
なお、後述する第２実施形態でも図３のモデルＭが「造影ＭＲＩ画像生成モデル」として採用されているが、訓練データが第１実施形態と第２実施形態とでは異なる。
そこで、第１実施形態の訓練データ、即ちＲ，Ｇ，Ｂの夫々に対してＴ１，Ｔ２，ＤＷＩの夫々が割り当てられた仮のカラーの画像データが用いられて生成又は更新される図３のモデルＭを、図５に示すように（後述する第２実施形態のものと区別すべく）「モデルＭ１」と呼ぶ。
つまり、図５に示すように、入力されたＭＲＩ画像データ、即ち、Ｔ１データＩＴ１、Ｔ２データＩＴ２、及びＤＷＩデータＩＤＷＩの各画素値の夫々が、カラーの画像データの３要素の各画素値（例えばＲ，Ｇ，Ｂの各画素値）の夫々に割り当てられることで、１枚の仮のカラー画像のデータが生成される。この仮のカラー画像のデータが入力されると、造影ＭＲＩ画像等価データＯｕｔが出力されるモデルＭ１が、「造影ＭＲＩ画像生成モデル」として第１実施形態では採用されている。
【0033】
図３に戻り、ＦＢデータ取得部５６は、上述したＦＢデータを取得する。
モデル生成更新部５５は、このＦＢデータを用いて機械学習（再学習）を実行することで、「造影ＭＲＩ画像生成モデル」を更新することができる。
なお、この再学習の際には、ＦＢデータを構成するＭＲＩ画像データ、即ち、Ｔ１データＩＴ１、Ｔ２データＩＴ２、ＤＷＩデータＩＤＷＩの各画素値の夫々が、カラーの画像データの３要素の各画素値（例えばＲ，Ｇ，Ｂの各画素値）の夫々に割り当てられることで、１枚の仮のカラー画像のデータが生成される。
この仮のカラー画像のデータ、及び造影ＭＲＩ画像データ（本例では早期相のデータ）の４枚の画像データを用いての学習、又は仮のカラー画像のデータ、及び造影ＭＲＩ画像等価データの４枚の画像データを用いての再学習が実行される。
モデル生成更新部５５は、このＦＢデータを用いて機械学習（再学習）を実行することで、「造影ＭＲＩ画像生成モデル」を更新することができる。
なお、この再学習の際には、ＦＢデータを構成するＭＲＩ画像データ、即ち、Ｔ１データＩＴ１、Ｔ２データＩＴ２、ＤＷＩデータＩＤＷＩの各画素値の夫々が、カラーの画像データの３要素の各画素値（例えばＲ，Ｇ，Ｂの各画素値）の夫々に割り当てられることで、１枚の仮のカラー画像のデータが生成される。
この仮のカラー画像のデータ、及び造影ＭＲＩ画像データ（本例では早期相のデータ）の４枚の画像データを用いての学習、又は仮のカラー画像のデータ、及び造影ＭＲＩ画像等価データの４枚の画像データを用いての再学習が実行される。
【0034】
以上、第１実施形態の学習装置１の機能的構成について説明した。
次に、第１実施形態の造影ＭＲＩ生成装置２の機能的構成について説明する。
次に、第１実施形態の造影ＭＲＩ生成装置２の機能的構成について説明する。
【0035】
第１実施形態の造影ＭＲＩ生成装置２においては、ＭＲＩ画像取得部６１と、カラー画像生成部６２と、造影ＭＲＩ生成部６３とが機能する。
【0036】
本実施形態では、乳癌検診として造影剤が用いられずに乳房ＭＲＩによるスクリーニングが行われた者についてのＭＲＩ画像データ（Ｔ１データ、Ｔ２データ、及びＤＷＩデータ）が、造影ＭＲＩ生成装置２に入力される。
ＭＲＩ画像取得部６１は、そのＭＲＩ画像データを取得する。
ＭＲＩ画像取得部６１は、そのＭＲＩ画像データを取得する。
【0037】
カラー画像生成部６２は、ＭＲＩ画像データを構成する、Ｔ１データ、Ｔ２データ、及びＤＷＩデータの各画素値の夫々を、カラーの画像データの３要素の各画素値（例えばＲ，Ｇ，Ｂの各画素値）の夫々に割り当てることで、１枚の仮のカラー画像のデータ（以下、「カラーＭＲＩ画像データ」と呼ぶ）を生成する。
つまり、第１実施形態では、Ｒ，Ｇ，Ｂの夫々に対してＴ１,Ｔ２,ＤＷＩの夫々が割り当てられた仮のカラーの画像データが、カラーＭＲＩ画像データである。このカラーＭＲＩ画像データが、造影ＭＲＩ画像データの生成の元になるデータ、即ち、「造影ＭＲＩ画像生成モデル」の入力データとして採用されている。
つまり、第１実施形態では、Ｒ，Ｇ，Ｂの夫々に対してＴ１,Ｔ２,ＤＷＩの夫々が割り当てられた仮のカラーの画像データが、カラーＭＲＩ画像データである。このカラーＭＲＩ画像データが、造影ＭＲＩ画像データの生成の元になるデータ、即ち、「造影ＭＲＩ画像生成モデル」の入力データとして採用されている。
【0038】
造影ＭＲＩ生成部６３は、「造影ＭＲＩ画像生成モデル」として図５のモデルＭ１を取得する。また、造影ＭＲＩ生成部６３は、「造影ＭＲＩ画像生成モデル」に対する入力データとして、カラー画像生成部６２により生成されたカラーＭＲＩ画像データを取得する。そして、造影ＭＲＩ生成部６３は、このカラーＭＲＩ画像データを「造影ＭＲＩ画像生成モデル」に入力することで造影ＭＲＩ画像等価データを生成して、出力する。
【0039】
【0040】
第２実施形態にかかる情報処理システムのハードウェア構成は、第１実施形態にかかるものと同様である。
即ち、第２実施形態にかかる情報処理システムは、図１と同様の構成を取ることができる。
また、第２実施形態の情報処理システムを構成する学習装置１及び造影ＭＲＩ生成装置２の夫々は、図２と同様の構成を取ることができる。
ここで、第２実施形態でも第１実施形態と同様に説明の便宜上、学習装置１は、造影ＭＲＩ生成装置２とは別途設けるものとしたが、特にこれに限定されず、学習装置１と造影ＭＲＩ生成装置２との各機能を１台の情報処理装置に集約してもよい。
以上のことより、第２実施形態にかかる情報処理システムのハードウェア構成については、その説明は省略する。
即ち、第２実施形態にかかる情報処理システムは、図１と同様の構成を取ることができる。
また、第２実施形態の情報処理システムを構成する学習装置１及び造影ＭＲＩ生成装置２の夫々は、図２と同様の構成を取ることができる。
ここで、第２実施形態でも第１実施形態と同様に説明の便宜上、学習装置１は、造影ＭＲＩ生成装置２とは別途設けるものとしたが、特にこれに限定されず、学習装置１と造影ＭＲＩ生成装置２との各機能を１台の情報処理装置に集約してもよい。
以上のことより、第２実施形態にかかる情報処理システムのハードウェア構成については、その説明は省略する。
【0041】
【0042】
まず、第２実施形態の学習装置１の機能的構成について説明する。
第２実施形態の学習装置１においては、ＭＲＩ画像取得部１５１と、カラー画像生成部１５３と、学習データ生成部１５４と、モデル生成更新部１５５と、ＦＢデータ取得部１５６とが機能する。
第２実施形態の学習装置１においては、ＭＲＩ画像取得部１５１と、カラー画像生成部１５３と、学習データ生成部１５４と、モデル生成更新部１５５と、ＦＢデータ取得部１５６とが機能する。
【0043】
第２実施形態における、ＭＲＩ画像取得部１５１、カラー画像生成部１５３及び、学習データ生成部１５４乃至ＦＢデータ取得部１５６の夫々は、第１実施形態における、ＭＲＩ画像取得部５１、カラー画像生成部５３及び、学習データ生成部５４乃至ＦＢデータ取得部５６の夫々と基本的に同様の機能と構成を有している。
即ち、学習装置１の機能的構成についての第１実施形態と第２実施形態との差は、第１実施形態では造影ＭＲＩ画像取得部５２が設けられていたのに対して、第２実施形態ではそのような機能ブロックが設けられていない点である。
換言すると、第１実施形態と第２実施形態との差は、「造影ＭＲＩ画像生成モデル」の生成又は更新を行うための機械学習に用いられる学習データの形態が異なる点である。
即ち、第１実施形態の機械学習時においては、ＭＲＩ画像データ、及び造影ＭＲＩ画像データが学習データとして用いられた。
これに対して、第２実施形態の機械学習時においては、ＭＲＩ画像データ、及び造影ＭＲＩ等価画像データが学習データとして用いられる。
即ち、学習装置１の機能的構成についての第１実施形態と第２実施形態との差は、第１実施形態では造影ＭＲＩ画像取得部５２が設けられていたのに対して、第２実施形態ではそのような機能ブロックが設けられていない点である。
換言すると、第１実施形態と第２実施形態との差は、「造影ＭＲＩ画像生成モデル」の生成又は更新を行うための機械学習に用いられる学習データの形態が異なる点である。
即ち、第１実施形態の機械学習時においては、ＭＲＩ画像データ、及び造影ＭＲＩ画像データが学習データとして用いられた。
これに対して、第２実施形態の機械学習時においては、ＭＲＩ画像データ、及び造影ＭＲＩ等価画像データが学習データとして用いられる。
【0044】
したがって、以下、第２実施形態の学習装置１の機能的構成の説明としては、第１実施形態との差異点、即ち訓練データの形態に関する点のみを説明し、それ以外は省略するものとする。
【0045】
図７は、第２実施形態の訓練データにより生成又は更新される図５のモデルの概要を示している。
なお、第２実施形態の訓練データにより生成又は更新される図５のモデルＭを、図７に示すように（上述した第１実施形態のものと区別すべく）「モデルＭ２」と呼ぶ。
第２実施形態では、カラー画像生成部１５３は、ＭＲＩ画像取得部１５１により取得されたＭＲＩ画像データ（Ｔ１データＩＴ１、Ｔ２データＩＴ２、及びＤＷＩデータＩＤＷＩ）の各画素値の夫々を、カラーの画像データの３要素の各画素値（例えばＲ，Ｇ，Ｂの各画素値）の夫々に割り当てることで、１枚のカラーＭＲＩ画像データを生成する。
モデル生成更新部１５５は、カラーＭＲＩ画像データと、当該カラーＭＲＩ画像データから得られる造影ＭＲＩ画像等価データＯｕｔを用いて機械学習を実行する。これにより、乳癌検診として造影剤が用いられずに乳房ＭＲＩによるスクリーニングが行われた者についてのＭＲＩ画像データが与えられた場合において、当該ＭＲＩ画像データが入力されるとそのうちＴ１データＩＴ１、Ｔ２データＩＴ２、及びＤＷＩデータＩＤＷＩが利用され、造影ＭＲＩ画像等価データＯｕｔが出力される。その結果として、モデルＭ２が、「造影ＭＲＩ画像生成モデル」として生成又は更新される。
なお、第２実施形態の訓練データにより生成又は更新される図５のモデルＭを、図７に示すように（上述した第１実施形態のものと区別すべく）「モデルＭ２」と呼ぶ。
第２実施形態では、カラー画像生成部１５３は、ＭＲＩ画像取得部１５１により取得されたＭＲＩ画像データ（Ｔ１データＩＴ１、Ｔ２データＩＴ２、及びＤＷＩデータＩＤＷＩ）の各画素値の夫々を、カラーの画像データの３要素の各画素値（例えばＲ，Ｇ，Ｂの各画素値）の夫々に割り当てることで、１枚のカラーＭＲＩ画像データを生成する。
モデル生成更新部１５５は、カラーＭＲＩ画像データと、当該カラーＭＲＩ画像データから得られる造影ＭＲＩ画像等価データＯｕｔを用いて機械学習を実行する。これにより、乳癌検診として造影剤が用いられずに乳房ＭＲＩによるスクリーニングが行われた者についてのＭＲＩ画像データが与えられた場合において、当該ＭＲＩ画像データが入力されるとそのうちＴ１データＩＴ１、Ｔ２データＩＴ２、及びＤＷＩデータＩＤＷＩが利用され、造影ＭＲＩ画像等価データＯｕｔが出力される。その結果として、モデルＭ２が、「造影ＭＲＩ画像生成モデル」として生成又は更新される。
【0046】
以下、「造影ＭＲＩ画像生成モデル」としての第２実施形態のモデルＭ２について、第１実施形態のモデルＭ１（図５）との比較という観点で、さらに説明する。
第２実施形態のモデルＭ２の出力データとしての造影ＭＲＩ画像等価データは、第１実施形態のモデルＭ１の出力データとしての造影ＭＲＩ画像等価データと比較すると、高解像度のデータである。
これは、次の理由による。即ち、早期相のデータは、Ｔ１データＩＴ１に造影効果を伴った画像データである。このことを考慮して、Ｔ１データＩＴ１を入力層から出力層まで繋ぐショートカットをつくることによって得られた「造影ＭＲＩ画像生成モデル」が、第２実施形態のモデルＭ２である。このようなショートカットにより高解像度が得られることになる。
即ち、モデル生成更新部１５５は、画像データそのものではなく、差分である造影効果のみを学習するような機械学習を実行することで、第２実施形態のモデルＭ２を生成又は更新する。
第２実施形態のモデルＭ２の出力データとしての造影ＭＲＩ画像等価データは、第１実施形態のモデルＭ１の出力データとしての造影ＭＲＩ画像等価データと比較すると、高解像度のデータである。
これは、次の理由による。即ち、早期相のデータは、Ｔ１データＩＴ１に造影効果を伴った画像データである。このことを考慮して、Ｔ１データＩＴ１を入力層から出力層まで繋ぐショートカットをつくることによって得られた「造影ＭＲＩ画像生成モデル」が、第２実施形態のモデルＭ２である。このようなショートカットにより高解像度が得られることになる。
即ち、モデル生成更新部１５５は、画像データそのものではなく、差分である造影効果のみを学習するような機械学習を実行することで、第２実施形態のモデルＭ２を生成又は更新する。
【0047】
以上、第２実施形態の学習装置１の機能的構成について説明した。
次に、第２実施形態の造影ＭＲＩ生成装置２の機能的構成について説明する。
次に、第２実施形態の造影ＭＲＩ生成装置２の機能的構成について説明する。
【0048】
第２実施形態の造影ＭＲＩ生成装置２においては、図６に示すように、ＭＲＩ画像取得部１６１と、カラー画像生成部１６２と、造影ＭＲＩ生成部１６３とが機能する。
【0049】
第２実施形態では、第１実施形態と同様に、乳癌検診として造影剤が用いられずに乳房ＭＲＩによるスクリーニングが行われた者についてのＭＲＩ画像データ（Ｔ１データ、Ｔ２データ、及びＤＷＩデータ）が、造影ＭＲＩ生成装置２に入力される。
ＭＲＩ画像取得部１６１は、そのＭＲＩ画像データを取得する。
ＭＲＩ画像取得部１６１は、そのＭＲＩ画像データを取得する。
【0050】
カラー画像生成部１６２は、ＭＲＩ画像取得部１６１により取得されたＭＲＩ画像データを構成する、Ｔ１データ、Ｔ２データ、及びＤＷＩデータの各画素値の夫々を、カラーの画像データの３要素の各画素値（例えばＲ，Ｇ，Ｂの各画素値）の夫々に割り当てることで、１枚のカラーＭＲＩ画像データを生成する。
【0051】
造影ＭＲＩ生成部１６３は、「造影ＭＲＩ画像生成モデル」として図７のモデルＭ２を取得する。また、造影ＭＲＩ生成部１６３は、「造影ＭＲＩ画像生成モデル」に対する入力データとして、カラー画像生成部１６２により生成されたカラーＭＲＩ画像データを取得する。そして、造影ＭＲＩ生成部１６３は、このカラーＭＲＩ画像データを「造影ＭＲＩ画像生成モデル」に入力することで、造影ＭＲＩ画像等価データを出力する。
【0052】
図８は、このような第２実施形態の造影ＭＲＩ生成装置により生成された造影ＭＲＩ画像等価データの評価結果を示している。
図８（Ａ）は、第２実施形態の造影ＭＲＩ生成装置２により生成された造影ＭＲＩ画像等価データについてのＭＳＥ（Ｍｅａｎ Ｓｑｕａｒｅｄ Ｅｒｒｏｒ）の結果を示している。ＭＳＥの値は０が理想であり、値が小さいほどよい。評価結果として得られたＭＳＥの値は２６４と好適な値まで減少していることがわかる。
図８（Ｂ）は、第２実施形態の造影ＭＲＩ生成装置２により生成された造影ＭＲＩ画像等価データについてのＰＳＮＲ（Ｐｅａｋ Ｓｉｇｎａｌ－ｔｏ－Ｎｏｉｓｅ Ｒａｔｉｏ）を示している。ＰＳＮＲの値は、３０乃至５０ｄＢが標準であり、５０乃至６５ｄＢが良好と言われている。評価結果として得られたＰＳＮＲの値は、５５．１ｄＢであり、良好であることがわかる。
図８（Ａ）は、第２実施形態の造影ＭＲＩ生成装置２により生成された造影ＭＲＩ画像等価データについてのＭＳＥ（Ｍｅａｎ Ｓｑｕａｒｅｄ Ｅｒｒｏｒ）の結果を示している。ＭＳＥの値は０が理想であり、値が小さいほどよい。評価結果として得られたＭＳＥの値は２６４と好適な値まで減少していることがわかる。
図８（Ｂ）は、第２実施形態の造影ＭＲＩ生成装置２により生成された造影ＭＲＩ画像等価データについてのＰＳＮＲ（Ｐｅａｋ Ｓｉｇｎａｌ－ｔｏ－Ｎｏｉｓｅ Ｒａｔｉｏ）を示している。ＰＳＮＲの値は、３０乃至５０ｄＢが標準であり、５０乃至６５ｄＢが良好と言われている。評価結果として得られたＰＳＮＲの値は、５５．１ｄＢであり、良好であることがわかる。
【0053】
図９は、第１実施形態の造影ＭＲＩ生成装置により生成された造影ＭＲＩ画像データの一例を示している。
図９（Ａ）は、ＭＲＩ画像データ（造影剤を使用しないでＭＲＩが行われた結果として得られた画像データ）から得られたＴ１データＩＴ１（図９（Ａ）では「Ｔ１強調画像」と表示）である。
図９（Ｂ）は、学習用ＭＲＩ画像データが第１実施形態のモデルＭ１（図５）に入力された場合における、造影ＭＲＩ生成部６３から得られた造影ＭＲＩ画像等価データ（図９（Ｂ）では「生成画像」と表示）である。
図９（Ｃ）は、造影剤を使用してＭＲＩが行われた際に実際に撮像された画像のデータ（図９（Ｃ）では「造影画像（早期相）」と表示）である。
図９（Ｂ）のモデルＭ２により得られた造影ＭＲＩ画像等価データ（図９（Ｂ）では「生成画像」と表示）には、図９（Ｃ）の実際の画像のデータ（図９（Ｃ）では造影画像（早期相））と比較するに、実際の早期層のように乳癌の部分のみを強調する画像が第１実施形態の造影ＭＲＩ生成装置２により得られたことがわかる。
図９（Ａ）は、ＭＲＩ画像データ（造影剤を使用しないでＭＲＩが行われた結果として得られた画像データ）から得られたＴ１データＩＴ１（図９（Ａ）では「Ｔ１強調画像」と表示）である。
図９（Ｂ）は、学習用ＭＲＩ画像データが第１実施形態のモデルＭ１（図５）に入力された場合における、造影ＭＲＩ生成部６３から得られた造影ＭＲＩ画像等価データ（図９（Ｂ）では「生成画像」と表示）である。
図９（Ｃ）は、造影剤を使用してＭＲＩが行われた際に実際に撮像された画像のデータ（図９（Ｃ）では「造影画像（早期相）」と表示）である。
図９（Ｂ）のモデルＭ２により得られた造影ＭＲＩ画像等価データ（図９（Ｂ）では「生成画像」と表示）には、図９（Ｃ）の実際の画像のデータ（図９（Ｃ）では造影画像（早期相））と比較するに、実際の早期層のように乳癌の部分のみを強調する画像が第１実施形態の造影ＭＲＩ生成装置２により得られたことがわかる。
【0054】
以上のような第１実施形態又は第２実施形態の情報処理システムを適用することで、次のような効果を奏することができる。
先ず、乳癌検診の対象者（被検者）側の効果としては、例えば次の第１乃至第４の効果が挙げられる。即ち、第１の効果は、造影剤によるアレルギーの回避が図れるという効果である。第２の効果は、ガドリニウム造影剤の脳沈着による副作用の回避が図れるという効果である。第３の効果は、経済的負担の軽減、時間的負担の軽減が図れるという効果である。第４の効果は、検査の簡略化による検査機会が増加するという効果である。
次に、医療機関側の効果としては、例えば次の第５乃至第９の効果が挙げられる。第５の効果は、アレルギーに対する緊急対応リスクの回避が図れるという効果である。第６の効果は、検査時間短縮による他被検者への機器リソースの再配分、検査回数の増加による増収が図られるという効果である。第７の効果は、ＰＡＣＳサーバに保存する画像データの軽量化が図られると共に、コスト軽減が図られるという効果である。
そして、現場へのインパクトという点での効果としては、例えば次の第８及び第９の効果が挙げられる。第８の効果は、新たな機器設備は不要であり導入が容易であるという効果である。第９の効果は、乳癌検診だけでなく、あらゆるＭＲＩ検査に応用可能であるという効果である。
先ず、乳癌検診の対象者（被検者）側の効果としては、例えば次の第１乃至第４の効果が挙げられる。即ち、第１の効果は、造影剤によるアレルギーの回避が図れるという効果である。第２の効果は、ガドリニウム造影剤の脳沈着による副作用の回避が図れるという効果である。第３の効果は、経済的負担の軽減、時間的負担の軽減が図れるという効果である。第４の効果は、検査の簡略化による検査機会が増加するという効果である。
次に、医療機関側の効果としては、例えば次の第５乃至第９の効果が挙げられる。第５の効果は、アレルギーに対する緊急対応リスクの回避が図れるという効果である。第６の効果は、検査時間短縮による他被検者への機器リソースの再配分、検査回数の増加による増収が図られるという効果である。第７の効果は、ＰＡＣＳサーバに保存する画像データの軽量化が図られると共に、コスト軽減が図られるという効果である。
そして、現場へのインパクトという点での効果としては、例えば次の第８及び第９の効果が挙げられる。第８の効果は、新たな機器設備は不要であり導入が容易であるという効果である。第９の効果は、乳癌検診だけでなく、あらゆるＭＲＩ検査に応用可能であるという効果である。
【0055】
以上本発明の一実施形態について説明したが、本発明は、上述の実施形態に限定されるものではなく、本発明の目的を達成できる範囲での、変形、改良等は本発明に含まれるものである。
【0056】
例えば、上述の実施形態において、機械学習により得られるモデルは、乳癌に関する（造影剤を使用しないで得られた）ＭＲＩ画像データから造影ＭＲＩ画像等価データを生成するものであったが、特にこれに限定されない。
例えば、細胞の検査時において細胞を着色した画像のデータを用いることがあるが、細胞を着色しない画像のデータから細胞を着色したのと等価な画像のデータを生成するモデルを、機械学習により生成又は更新してもよい。
また例えば、破壊検査と非破壊検査とがあるような対象物が存在するが、非破壊検査により得られた画像のデータから破壊検査による得られるのと等価な画像のデータを生成するモデルを、機械学習により生成又は更新してもよい。
例えば、細胞の検査時において細胞を着色した画像のデータを用いることがあるが、細胞を着色しない画像のデータから細胞を着色したのと等価な画像のデータを生成するモデルを、機械学習により生成又は更新してもよい。
また例えば、破壊検査と非破壊検査とがあるような対象物が存在するが、非破壊検査により得られた画像のデータから破壊検査による得られるのと等価な画像のデータを生成するモデルを、機械学習により生成又は更新してもよい。
【0057】
また例えば、ショートカットにより高解像度が得られるモデルは、上述の実施形態では第２実施形態のモデルＭ２とされたが、モデルＭ１とすることも可能である。
【0058】
また例えば、上述した一連の処理は、ハードウェアにより実行させることもできるし、ソフトウェアにより実行させることもできる。
換言すると、図３及び図６の機能的構成は例示に過ぎず、特に限定されない。
即ち、上述した一連の処理を全体として実行できる機能が情報処理システムに備えられていれば足り、この機能を実現するためにどのような機能ブロックを用いるのかは特に図３及び図６の例に限定されない。また、機能ブロックの存在場所も、図３及び図６に特に限定されず、任意でよい。
換言すると、図３及び図６の機能的構成は例示に過ぎず、特に限定されない。
即ち、上述した一連の処理を全体として実行できる機能が情報処理システムに備えられていれば足り、この機能を実現するためにどのような機能ブロックを用いるのかは特に図３及び図６の例に限定されない。また、機能ブロックの存在場所も、図３及び図６に特に限定されず、任意でよい。
【0059】
また例えば、一連の処理をソフトウェアにより実行させる場合には、そのソフトウェアを構成するプログラムが、コンピュータ等にネットワークや記録媒体からインストールされる。
コンピュータは、専用のハードウェアに組み込まれているコンピュータであってもよい。
また、コンピュータは、各種のプログラムをインストールすることで、各種の機能を実行することが可能なコンピュータ、例えばサーバの他汎用のスマートフォンやパーソナルコンピュータであってもよい。
コンピュータは、専用のハードウェアに組み込まれているコンピュータであってもよい。
また、コンピュータは、各種のプログラムをインストールすることで、各種の機能を実行することが可能なコンピュータ、例えばサーバの他汎用のスマートフォンやパーソナルコンピュータであってもよい。
【0060】
また例えば、このようなプログラムを含む記録媒体は、ユーザにプログラムを提供するために装置本体とは別に配布される図示せぬリムーバブルメディアにより構成されるだけでなく、装置本体に予め組み込まれた状態でユーザに提供される記録媒体等で構成される。
【0061】
なお、本明細書において、システムの用語は、複数の装置や複数の手段等より構成される全体的な装置を意味するものとする。
【0062】
以上を換言すると、本発明が適用される情報処理システムは、次のような構成を有する各種各様の実施形態を取ることができる。
即ち、本発明が適用される情報処理システムは、
機械学習によりモデルを生成又は更新する第１情報処理装置（例えば図１の学習装置１）と、当該モデルを使用する情報処理を実行する第２情報処理装置（例えば図１の造影ＭＲＩ生成装置２）とを含む情報処理システムであって、
前記第１情報処理装置は、
造影剤を使用しない対象物に対して実際にＭＲＩが行われた結果得られる第１種画像データ（例えば学習用ＭＲＩ画像データ）と、造影剤を使用した同一の前記対象物に対して実際にＭＲＩが行われた結果得られる第２種画像データ（例えば学習用造影ＭＲＩ画像データ）との組を学習データとして用いて、所定の機械学習を実行することで、前記第１種画像データが入力された場合に前記第２種画像データと等価な第３種画像データ（例えば造影ＭＲＩ画像等価データ）を出力するモデルを生成又は更新するモデル生成更新手段（例えば図３のモデル生成更新部５５や図６のモデル生成更新部５５）
を備え、
前記第２情報処理装置は、
処理対象の前記第１種画像データを取得する取得手段（例えば図３のＭＲＩ画像取得部６１や図６のＭＲＩ画像取得部１６１）と、
前記取得手段により取得された前記第１種画像データと、前記第１情報処理装置により生成された前記モデルとに基づいて、前記第３種画像データ（例えば造影ＭＲＩ画像等価データ）を生成する生成手段と、
を備える。
これにより、造影剤を用いない単純ＭＲＩでも、造影剤を用いた場合と同様の所見が得られる技術の確立が容易に実現可能になる。
即ち、本発明が適用される情報処理システムは、
機械学習によりモデルを生成又は更新する第１情報処理装置（例えば図１の学習装置１）と、当該モデルを使用する情報処理を実行する第２情報処理装置（例えば図１の造影ＭＲＩ生成装置２）とを含む情報処理システムであって、
前記第１情報処理装置は、
造影剤を使用しない対象物に対して実際にＭＲＩが行われた結果得られる第１種画像データ（例えば学習用ＭＲＩ画像データ）と、造影剤を使用した同一の前記対象物に対して実際にＭＲＩが行われた結果得られる第２種画像データ（例えば学習用造影ＭＲＩ画像データ）との組を学習データとして用いて、所定の機械学習を実行することで、前記第１種画像データが入力された場合に前記第２種画像データと等価な第３種画像データ（例えば造影ＭＲＩ画像等価データ）を出力するモデルを生成又は更新するモデル生成更新手段（例えば図３のモデル生成更新部５５や図６のモデル生成更新部５５）
を備え、
前記第２情報処理装置は、
処理対象の前記第１種画像データを取得する取得手段（例えば図３のＭＲＩ画像取得部６１や図６のＭＲＩ画像取得部１６１）と、
前記取得手段により取得された前記第１種画像データと、前記第１情報処理装置により生成された前記モデルとに基づいて、前記第３種画像データ（例えば造影ＭＲＩ画像等価データ）を生成する生成手段と、
を備える。
これにより、造影剤を用いない単純ＭＲＩでも、造影剤を用いた場合と同様の所見が得られる技術の確立が容易に実現可能になる。
【符号の説明】
【0063】
１・・・学習装置、２・・・造影ＭＲＩ生成装置、３・・・モデルＤＢ、１１・・・ＣＰＵ、５１・・・ＭＲＩ画像取得部、５２・・・造影ＭＲＩ画像取得部、５３・・・カラー画像生成部、５４・・・学習データ生成部、５５・・・モデル生成更新部、５６・・・ＦＢデータ取得部、６１・・・ＭＲＩ画像取得部、６２・・・カラー画像生成部、６３・・・造影ＭＲＩ生成部、１５１・・・ＭＲＩ画像取得部、１５３・・・カラー画像生成部、１５４・・・学習データ生成部、１５５・・・モデル生成更新部、１５６・・・ＦＢデータ取得部、１６１・・・ＭＲＩ画像取得部、１６２・・・カラー画像生成部、１６３・・・造影ＭＲＩ生成部
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
