特許 7489645 コンピュータプログラム、情報処理装置、情報処理方法、学習済みモデル生成方法及び相関画像出力装置

(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】2024-05-16

(45)【発行日】2024-05-24

(54)【発明の名称】コンピュータプログラム、情報処理装置、情報処理方法、学習済みモデル生成方法及び相関画像出力装置

(51)【国際特許分類】

   A61B 5/055 20060101AFI20240517BHJP

   G06T 7/00 20170101ALI20240517BHJP

【ＦＩ】

A61B5/055 380

G06T7/00 350C

【請求項の数】 11

(21)【出願番号】P 2022542567

(86)(22)【出願日】2020-08-14

(86)【国際出願番号】 JP2020030905

(87)【国際公開番号】W WO2022034691

(87)【国際公開日】2022-02-17

【審査請求日】2023-06-26

【早期審査対象出願】

(73)【特許権者】

【識別番号】517168211

【氏名又は名称】株式会社Ｓｐｌｉｎｋ

(74)【代理人】

【識別番号】100114557

【弁理士】

【氏名又は名称】河野 英仁

(74)【代理人】

【識別番号】100078868

【弁理士】

【氏名又は名称】河野 登夫

(72)【発明者】

【氏名】ブランデンブルグ フェリックス ユリアン

(72)【発明者】

【氏名】奥野 晃裕

(72)【発明者】

【氏名】青山 裕紀

【審査官】永田 浩司

(56)【参考文献】

【文献】Yicheng Chen, et al.，QSMGAN: Improved Quantitative Susceptibility Mapping using 3D Generative Adversarial Networks with Increased Receptive Field，Neuroimage.，2020年02月15日，207，1-26

【文献】Kohsuke Kudo, et al.，IC-P-139，Alzheimer's Association International Conference 2019，2019年，Volume 15, Issue 7S_Part_2，P114

【文献】工藤 與亮，QSM解析で広がる新しい診断の世界，innnavi net，2019年，Vol.37

【文献】Haoyu Lan, et al.，SC-GAN: 3D self-attention conditional GAN with spectral normalization for multi-modal neuroimaging synthesis，bioRxiv，2020年06月11日

【文献】J. M. G. van Bergen, et al.，Simultaneous quantitative susceptibility mapping and Flutemetamol-PET suggests local correlation of iron and β- amyloid as an indicator of cognitive performance at high age，Neuroimage.，2018年，174，308-316

【文献】Scott Ayton, et al.，Cerebral quantitative susceptibility mapping predicts amyloid-b-related cognitive decline，BRAIN，2017年，140，2112-2119

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ａ６１Ｂ ５／０５５

Ｇ０６Ｔ ７／００

(57)【特許請求の範囲】

【請求項1】

コンピュータに、
被験者の強度画像及び位相画像を含むＭＲＩ画像を取得し、
強度画像及び位相画像を含むＭＲＩ画像を入力した場合に、前記ＭＲＩ画像に基づいて特定可能な磁化率と、アミロイドβとの相関を示す相関画像を出力する学習済みモデルに、取得したＭＲＩ画像を入力して、前記被験者の磁化率とアミロイドβとの相関を示す相関画像を出力する、
処理を実行させるコンピュータプログラム。

【請求項2】

コンピュータに、
前記被験者のＭＲＩ画像に基づくＴ１強調画像及びＴ２強調画像を取得し、
Ｔ１強調画像及びＴ２強調画像を入力した場合、前記Ｔ２強調画像に基づいて特定可能な磁化率と、アミロイドβとの相関を示す相関画像を出力する前記学習済みモデルに、取得したＴ１強調画像及びＴ２強調画像を入力し、前記被験者の磁化率とアミロイドβとの相関を示す相関画像を出力する、
処理を実行させる請求項１に記載のコンピュータプログラム。

【請求項3】

前記学習済みモデルは、
脳に関するＭＲＩ画像を入力した場合に、前記脳の特定期間後の磁化率とアミロイドβとの相関を示す相関画像を出力する、
請求項１又は請求項２に記載のコンピュータプログラム。

【請求項4】

コンピュータに、
期間を特定する時間情報を取得し、
期間を特定する時間情報をさらに入力した場合、脳の前記期間後の、前記ＭＲＩ画像に基づいて特定可能な磁化率と、アミロイドβとの相関を示す相関画像を出力する前記学習済みモデルに、取得した時間情報を入力して、前記被験者の脳の前記期間後の磁化率とアミロイドβとの相関を示す相関画像を出力する、
処理を実行させる請求項１又は請求項２に記載のコンピュータプログラム。

【請求項5】

コンピュータに、
前記学習済みモデルが出力する、前記被験者の脳の磁化率とアミロイドβとの相関を示す相関画像に基づいて、前記被験者の将来の認知症を含む神経変性疾患を推定する、
処理を実行させる請求項１から請求項４のいずれか一項に記載のコンピュータプログラム。

【請求項6】

前記相関画像は、
ボクセルの集合であるクラスタ単位、ボクセル単位又は関心領域単位での磁化率とアミロイドβとの相関を示す、
請求項１から請求項５のいずれか一項に記載のコンピュータプログラム。

【請求項7】

コンピュータに、
前記学習済みモデルが出力する相関画像と他のＭＲＩ画像とを重畳させて表示する、
処理を実行させる請求項１から請求項６のいずれか一項に記載のコンピュータプログラム。

【請求項8】

被験者の強度画像及び位相画像を含むＭＲＩ画像を取得する取得部と、
強度画像及び位相画像を含むＭＲＩ画像を入力した場合に、前記ＭＲＩ画像に基づいて特定可能な磁化率と、アミロイドβとの相関を示す相関画像を出力する学習済みモデルに、取得したＭＲＩ画像を入力して、前記被験者の磁化率とアミロイドβとの相関を示す相関画像を出力する出力部と
を備える情報処理装置。

【請求項9】

被験者の強度画像及び位相画像を含むＭＲＩ画像を取得し、
強度画像及び位相画像を含むＭＲＩ画像を入力した場合に、前記ＭＲＩ画像に基づいて特定可能な磁化率と、アミロイドβとの相関を示す相関画像を出力する学習済みモデルに、取得したＭＲＩ画像を入力して、前記被験者の磁化率とアミロイドβとの相関を示す相関画像を出力する、
情報処理方法。

【請求項10】

強度画像及び位相画像を含むＭＲＩ画像を取得し、
磁化率とアミロイドβとの相関を示す相関画像を取得し、
取得されたＭＲＩ画像及び相関画像を用いて、前記ＭＲＩ画像に基づいて特定可能な磁化率と、アミロイドβとの相関を示す相関画像を出力する学習済みモデルを生成する、
学習済みモデル生成方法。

【請求項11】

被験者の強度画像及び位相画像を含むＭＲＩ画像を入力した場合に、前記被験者の磁化率とアミロイドβとの相関を示す相関画像を出力する、
相関画像出力装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、コンピュータプログラム、情報処理装置、情報処理方法、学習済みモデル生成方法及び相関画像出力装置に関する。

【背景技術】

【0002】

近年、高齢化が進み、認知症患者や認知症予備軍（軽度認知障害）の数が増加している。認知症の原因となる主な疾患はアルツハイマー型認知症と言われている。アルツハイマー型認知症の原因は未だ解明されていないが、病状の進行に伴って脳内に特有の病変が見られる。例えば、神経細胞の外側ではアミロイドβによる老人班の沈着が知られている。老人班の沈着は、アルツハイマー型認知症の発症の最も初期段階から生じ、臨床症状が現れるかなり前（例えば、十数年前）から始まることが明らかになっている。

【0003】

特許文献１には、脳組織内のアミロイドβと結合する薬剤を被検体に注射投与し、脳を横切る裁断面上の薬剤の濃度分布を表すＰＥＴ（Positron Emission Tomography）画像を用いる装置が開示されている。

【先行技術文献】

【非特許文献】

【0004】

【文献】国際公開第ＷＯ２０１４／０３４７２４号

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかし、薬剤を用いたＰＥＴ画像の撮影は、少量とはいえ放射性物質を体内に摂取する必要があり、患者が被爆するおそれがある。また、腎臓病などの特定の疾病を患っている患者には薬剤を投与できない場合もある。

【0006】

本発明は、斯かる事情に鑑みてなされたものであり、ＰＥＴ画像を用いることなくアミロイドβに関連する疾患の兆候を推定できるコンピュータプログラム、情報処理装置、情報処理方法、学習済みモデル生成方法及び相関画像出力装置を提供することを目的とする。

【課題を解決するための手段】

【0007】

本発明の実施の形態に係るコンピュータプログラムは、コンピュータに、被験者のＭＲＩ画像を取得し、ＭＲＩ画像を入力した場合に、前記ＭＲＩ画像に基づいて特定可能な磁化率と、アミロイドβとの相関を示す相関画像を出力する学習済みモデルに、取得したＭＲＩ画像を入力して、前記被験者の磁化率とアミロイドβとの相関を示す相関画像を出力する、処理を実行させる。

【0008】

本発明の実施の形態に係る情報処理装置は、被験者のＭＲＩ画像を取得する取得部と、ＭＲＩ画像を入力した場合に、前記ＭＲＩ画像に基づいて特定可能な磁化率と、アミロイドβとの相関を示す相関画像を出力する学習済みモデルに、取得したＭＲＩ画像を入力して、前記被験者の磁化率とアミロイドβとの相関を示す相関画像を出力する出力部とを備える。

【0009】

本発明の実施の形態に係る情報処理方法は、被験者のＭＲＩ画像を取得し、ＭＲＩ画像を入力した場合に、前記ＭＲＩ画像に基づいて特定可能な磁化率と、アミロイドβとの相関を示す相関画像を出力する学習済みモデルに、取得したＭＲＩ画像を入力して、前記被験者の磁化率とアミロイドβとの相関を示す相関画像を出力する。

【0010】

本発明の実施の形態に係る学習済みモデル生成方法は、ＭＲＩ画像を取得し、磁化率とアミロイドβとの相関を示す相関画像を取得し、取得されたＭＲＩ画像及び相関画像を用いて、前記ＭＲＩ画像に基づいて特定可能な磁化率と、アミロイドβとの相関を示す相関画像を出力する学習済みモデルを生成する。

【0011】

本発明の実施の形態に係る相関画像出力装置は、被験者のＭＲＩ画像を入力した場合に、前記被験者の磁化率とアミロイドβとの相関を示す相関画像を出力する。

【発明の効果】

【0012】

本発明によれば、ＰＥＴ画像を用いることなく認知症の兆候を推定できる。

【図面の簡単な説明】

【0013】

【図1】本実施の形態の情報処理システムの構成の一例を示す模式図である。

【図2】推定部による脳状態推定方法の第１例を示す模式図である。

【図3】相関係数が大きい場合のＭＲＩ画像とＰＥＴ画像の相関関係の一例を示す模式図である。

【図4】相関係数が小さい場合のＭＲＩ画像とＰＥＴ画像の相関関係の一例を示す模式図である。

【図5】推定部による脳状態推定結果の第１例を示す模式図である。

【図6】認知障害に応じたアミロイドβの分布状態の一例を示す模式図である。

【図7】推定部による脳状態推定結果の第２例を示す模式図である。

【図8】推定部による脳状態推定方法の第２例を示す模式図である。

【図9】推定部による脳状態推定方法の第３例を示す模式図である。

【図10】学習処理部での学習済みモデルの生成方法の第１例を示す模式図である。

【図11】学習処理部での学習済みモデルの生成方法の第２例を示す模式図である。

【図12】脳状態推定処理の手順の一例を示すフローチャートである。

【図13】学習済みモデル生成処理の手順の一例を示すフローチャートである。

【発明を実施するための形態】

【0014】

以下、本発明の実施の形態を図面に基づいて説明する。図１は本実施の形態の情報処理システムの構成の一例を示す模式図である。情報処理システムは、情報処理装置としてのサーバ５０を備える。サーバ５０は、通信ネットワーク１に接続されている。通信ネットワーク１には、医療従事者や研究者などが使用する端末装置１０が接続されている。端末装置１０としては、例えば、パーソナルコンピュータ、スマートフォン、タブレット等を用いることができる。また、端末装置１０は、不図示のＭＲＩ装置等から医療用画像を取得又は転送することができる。

【0015】

サーバ５０は、サーバ５０全体を制御する制御部５１、通信部５２、記憶部５３、出力処理部５４、推定部５５、及び学習処理部５６を備える。サーバ５０には、画像ＤＢ６１が接続されている。制御部５１は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）などで構成することができる。サーバ５０の各機能は、複数のサーバに分散してもよい。例えば、推定部５５をサーバ５０に設け、学習処理部５６を別のサーバに設けてもよい。また、情報処理装置は、サーバ５０に組み込むことができるが、サーバ５０以外の他の装置に組み込んでもよい。

【0016】

通信部５２は、所要の通信モジュール等で構成され、通信ネットワーク１を介して端末装置１０との間の通信機能を提供する。通信部５２は、例えば、端末装置１０から被験者の医療用画像（例えば、ＭＲＩ画像）、時間情報などを取得することができる。ＭＲＩ画像、時間情報の詳細は後述する。ＭＲＩ画像はＭＲ画像とも称する。

【0017】

記憶部５３は、ハードディスク、半導体メモリ等で構成することができ、サーバ５０内の処理の結果得られたデータなどの所要のデータを記憶することができる。

【0018】

出力処理部５４は、脳状態推定結果を端末装置１０に提供する際の出力処理を行う。

【0019】

推定部５５は、脳状態の推定処理を行う機能を有し、入力データ生成部５５１及びモデル部５５２を備える。モデル部５５２は、半導体メモリ又はハードディスク等で構成され、機械学習によって生成されたモデル（学習済みのモデル）を格納している。学習済みモデルは、例えば、ニューラルネットワークで構成することができる。入力データ生成部５５１は、脳状態の推定処理を行う際に学習モデルに入力するデータを生成する。

【0020】

学習処理部５６は、機械学習により学習済みモデルを生成する機能を有し、学習データ生成部５６１、モデル部５６２、及びパラメータ決定部５６３を備える。モデル部５６２は、半導体メモリ又はハードディスク等で構成され、機械学習前のモデルを格納している。学習処理部５６で機械学習を行って生成された学習済みモデルは、推定部５５のモデル部５５２に格納することができる。なお、モデル部５６２に、機械学習途中のモデル、再学習用のモデル、学習済みのモデルを格納してもよい。また、学習処理部５６は必須の構成ではなく、学習処理を行う別のサーバに具備する構成でもよい。学習データ生成部５６１は、学習済みモデルを生成する際に、学習用入力データ及び教師データを生成する。パラメータ決定部５６３は、学習済みモデルを生成する際に、ニューラルネットワークのパラメータ（例えば、重み、バイアスなど）を調整し、最終的にパラメータを決定する。

【0021】

学習処理部５６は、例えば、ＣＰＵ（例えば、複数のプロセッサコアを実装したマルチ・プロセッサなど）、ＧＰＵ（Graphics Processing Units）、ＤＳＰ（Digital Signal Processors）、ＦＰＧＡ（Field-Programmable Gate Arrays）などのハードウェアを組み合わせることによって構成することができる。

【0022】

画像ＤＢ６１は、学習済みモデルを生成する際に、機械学習で使用する各種画像を記録しておくことができる。また、画像ＤＢ６１は、サーバ５０による脳状態推定結果に関する各種画像を記録することができる。

【0023】

次に、サーバ５０による脳状態推定方法の詳細について説明する。具体的には、脳状態とは、脳内でのアミロイドβの蓄積状態、すなわちアミロイドβの分布状態を推定する。発明者は、生体組織の磁化率を定量的に画像化する手法であるＱＳＭ（Quantitative Susceptibility Mapping）と、アミロイドβの蓄積をＰＥＴ（Positron Emission Tomography）で検出するアミロイドＰＥＴとの間に有意な相関関係が存在するという知見に留まらず、被験者のアミロイドβの分布状態を推定する推定方法を見出した。以下、詳細に説明する。

【0024】

図２は推定部５５による脳状態推定方法の第１例を示す模式図である。モデル部５５２は、学習済みモデルであり、モデルは、ニューラルネットワークで構成され、入力層、中間層、出力層を備え、機械学習によって、ニューラルネットワークのパラメータ(重み、バイアスなど)が決定されている。入力データ生成部５５１は、通信部５２を介して端末装置１０から取得したＭＲＩ画像を入力データとしてモデル部５５２に入力する。

【0025】

ＭＲＩ画像には、Ｔ１強調画像及びＴ２強調画像が含まれる。ＭＲ（Magnetic Resonance）信号に再構成処理を施すことにより、実部と虚部からなる複素数画像を生成することができる。強度画像は、各画素の実部と虚部の絶対値を表す画像である。各画素の実部と虚部間の位相を表す位相画像は、生体組織間の磁化率差などに生じる位相の差を表す画像である。強度画像及び位相画像は、例えば、Ｔ１強調画像、Ｔ２強調画像等である。また、ＭＲＩ画像には、ＭＲＩ画像から所定の画像処理によって生成される画像を含めてもよい。例えば、ＱＳＭ（Quantitative Susceptibility Mapping）画像は、定量的磁化率マッピング画像とも称し、ＭＲＩ画像から生成することができる。ＱＳＭ画像は、位相画像から局所の磁化率を定量的に求めてマップ化したものである。磁化率は、物質が外部磁場に反応して生じる磁気分極（磁化）の起こりやすさを表す物性値で、すべての物質は弱い反磁性を持つため、生体組織はわずかに負の磁化率を示し、鉄沈着が起きると正の磁化率を示す。なお、磁化率の変化は鉄沈着以外の要因、例えば、線維化やヘモグロビンの脱酸素化などによっても起こり得る。磁化率を定量的に画像化できることにより、生体組織での鉄沈着の量、分布やその経時変化も確認することができる。脳内の鉄沈着は広範囲に生じるが、特定の部位に過剰に沈着すると認知機能障害を引き起こす。ＱＳＭでは、常磁性体（主に鉄成分）と反磁性体の２つの物性からコントラストが得られ、脳内の各部位での鉄沈着を確認することができ、アルツハイマー型認知症等の診断にも利用することができる。なお、ＱＳＭ画像の生成は、公知の手法を用いればよい。

【0026】

なお、本明細書では、ＭＲＩ画像は、磁化率が特定でき、当該ＭＲＩ画像から生成できる画像であればよい。すなわち、ＭＲＩ画像には、Ｔ１強調画像に加えてＴ２強調画像や、ＭＲＩ画像から所定の画像処理によって生成されるＱＳＭ画像も含まれる。

【0027】

モデル部５５２は、相関画像出力装置としての機能を有し、脳に関するＭＲＩ画像を入力した場合に、磁化率とアミロイドβとの相関を示す相関画像を出力することができる。この場合、モデル部５５２は、現在のアミロイドβの分布状態を推定することもできるが、モデル部５５２が、どの程度将来（例えば、１年後、２年後など）のアミロイドβの分布状態を推定するかは、予め、特定期間として定めておくことができる。また、１年後、２年後など将来の複数の時点での推定を行う場合には、将来の複数の時点それぞれに特化した、特定期間毎のモデル部５５２を準備すればよい。なお、学習済みモデルの生成方法の詳細は後述する。

【0028】

相関画像は、ＭＲＩ画像とＰＥＴ画像のそれぞれ対応する画素（ボクセル）毎に、磁化率とＰＥＴ画像のＰＥＴ信号（例えば、ＳＵＶ（Standardized Uptake Value）、ＳＵＶＲ（Standardized Uptake Value Ratio））との相関係数ｒを特定したものである。相関係数ｒを図示化（画像化）するには、種々の方法を用いることができ、例えば、閾値以上の相関係数ｒを有するボクセルを図示してもよく、相関係数ｒの大小をヒートマップのように識別可能に画像化してもよい。ＭＲＩ画像、ＰＥＴ画像及び相関画像のサイズは同一であり、例えば、１２８×１２８×６４（合計で１０４８５７６ボクセル）とすることができるが、これに限定されない。ＳＵＶＲは、大脳灰白質の４つの部位（前頭前野、前後帯状皮質、頭頂葉、及び外側側頭葉）のＳＵＶ（アミロイドβ蛋白の集積度）の合算を、特定の参照領域（例えば、小脳など）のＳＵＶで除算することにより求めることができる。相関係数ｒは、例えば、０≦ｒ≦１とすることができ、１に近いほど相関が大きい。

【0029】

図３は相関係数ｒが大きい場合のＭＲＩ画像とＰＥＴ画像の相関関係の一例を示す模式図である。ＭＲＩ画像のあるボクセルの信号（ＱＳＭ画像の場合は鉄負荷、磁化率等）と、ＰＥＴ画像の当該ボクセルと対応するボクセル（３次元画像上の同一座標のボクセル）のＰＥＴ信号を、信号（鉄負荷）とＰＥＴ信号（ＳＵＶ）で定まる２次元座標にマッピングする。２次元座標にマッピングされたデータが、図３に示すように、例えば、信号間の関連性が強い場合、相関係数ｒが大きい。ボクセルの数が所定の閾値以上であれば、クラスタ単位の相関関係を求めることができ、ボクセルの数が所定の閾値未満であれば、ボクセル単位の相関関係を求めることができる。また、予め関心領域を定めておき、関心領域内のボクセルに基づいて関心領域単位の相関関係を求めることができる。

【0030】

図４は相関係数ｒが小さい場合のＭＲＩ画像とＰＥＴ画像の相関関係の一例を示す模式図である。ＭＲＩ画像のあるボクセルの信号（鉄負荷）と、ＰＥＴ画像の当該ボクセルと対応するボクセル（３次元画像上の同一座標のボクセル）のＰＥＴ信号を、信号（鉄負荷）とＰＥＴ信号（ＳＵＶ）で定まる２次元座標にマッピングする。２次元座標にマッピングされたデータが、図４に示すように、例えば、信号間の関連性が弱い場合、相関係数ｒが小さい。

【0031】

上述のように、被験者のＭＲＩ画像をモデル部５５２に入力して、当該被験者の脳のアミロイドβの分布状態を推定することができる。これにより、ＰＥＴ画像を用いることなくアミロイドβに関連する疾患の兆候を推定できる。アミロイドβに関連する疾患は、例えば、軽度認知障害（ＭＣＩ：Mild cognitive impairment）、アルツハイマー病による軽度認知障害（ＭＣＩdue to ＡＤ）、前駆期アルツハイマー病（prodromal ＡＤ）、アルツハイマー病の発症前段階／プレクリニカルＡＤ（preclinical ＡＤ）、パーキンソン病、多発性硬化症、認知機能の低下、認知機能障害、アミロイド陽性／陰性に係る疾患などの神経変性疾患を含む。

【0032】

図５は推定部５５による脳状態推定結果の第１例を示す模式図である。前述のとおり、モデル部５５２は、脳に関するＭＲＩ画像を入力した場合に、磁化率とアミロイドβとの相関を示す相関画像を出力することができる。相関画像は、磁化率とアミロイドβとの相関係数がボクセル毎に特定された画像であるから、各ボクセルの値は、アミロイドβの量に関連する値を表している。これにより、ある時点の脳のＭＲＩ画像が得られれば、脳のアミロイドβの分布状態を推定することが可能となる。

【0033】

図５の例では、クラスタ単位、ボクセル単位、関心領域単位毎に相関画像を模式的に表している。図５に示すような画像は、例えば、出力処理部５４によって処理して端末装置１０に表示させることができる。相関画像内の点は、アミロイドβの沈着の位置を表す。図示していないが、アミロイドβの量に関連する値は、ボクセルの値（例えば、明暗の程度で表現してもよい）によって表すことができる。

【0034】

また、出力処理部５４は、モデル部５５２が出力する相関画像と他のＭＲＩ画像（例えば、Ｔ１強調画像）とを重畳させて表示することができる。図５の例では、クラスタ単位、ボクセル単位、関心領域単位毎に相関画像と他のＭＲＩ画像とを重畳させた画像を模式的に表している。他のＭＲＩ画像は、例えば、脳の構造が見やすい特徴を持つＴ１強調画像を使用することができる。これにより、相関画像が示すアミロイドβの分布状態が脳のどの部位に該当するかを容易に判断することができる。

【0035】

図６は認知障害に応じたアミロイドβの分布状態の一例を示す模式図である。図６には、ＮＣ（健常老年者）、ＭＣＩ（軽度認知障害）、及びＡＤ（アルツハイマー病）の被験者の脳内のアミロイドβの分布状態を模式的に図示している。なお、実際のアミロイドβの分布状態とは異なる場合もある。ＮＣの場合には、アミロイドβの分布はほとんど見られない。一方、ＡＤの場合には、脳内の複数の部位でアミロイドβの沈着が生じていることが分かる。

【0036】

アルツハイマー型認知症の診断では、ＭＲＩの３次元画像から脳の萎縮の程度を客観的に評価することができるＶＢＭ（Voxel Based Morphometry）が用いられる場合が多い。アルツハイマー病の進行において、脳の萎縮はＭＣＩ後期やＡＤの段階で発生する。しかし、アルツハイマー病は、Ｔ１強調画像などのＭＲＩ画像で発症が診断されるよりもさらに前の時点（例えば、十数年前）に発症している場合が多い。すなわち、Ｔ１強調画像は、バイオマーカとしては十分ではない。一方、アミロイドβによる老人班の沈着は、アルツハイマー病発症過程の最も初期段階から生じる病理学的変化であると考えられており、臨床症状が現れる十数年前から始まると言われている。図６に示すように、ＭＣＩの場合には、アミロイドβの分布がＮＣに比較して顕著になっていることが分かる。このように、本実施の形態の脳状態推定方法によれば、アルツハイマー病発症過程に極めて初期の段階において、発症の診断を行うことが可能であり、被験者の認知障害の早期発見に役立つのみならず、臨床前のアルツハイマー病の研究に有用である。

【0037】

図７は推定部５５による脳状態推定結果の第２例を示す模式図である。図７は、ある被験者の現在、１年後、及び２年後の脳内のアミロイドβの分布状態を示す。１年後のアミロイドβの分布状態を推定するためには、特定期間を１年として構築済みの時系列モデルを使用すればよい。時系列モデルの構築の一例としては、機械学習によるモデル（学習済みモデル）の生成を行うことができる。また、２年後のアミロイドβの分布状態を推定するためには、特定期間を２年として構築済みの時系列モデルを使用すればよい。具体的には、推定部５５は、モデル部５５２が出力する、被験者の脳の磁化率とアミロイドβとの相関を示す相関画像に基づいて、当該被験者の将来の認知症を含む神経変性疾患を推定することができる。図７の例では、現時点で被験者は、ＭＣＩと診断されるが、２年後には、ＡＤと診断される可能性があることを現時点で予測することができる。なお、図７の例は一例であって、１年後、２年後に限定されるものではない。また、同様にして、現在は健常者であるが、将来、ＭＣＩ（軽度認知障害）になる可能性があると推定することもでき、あるいは、現在はＭＣＩであるが、将来、ＡＤを発症する可能性があると、推定することもできる。

【0038】

図８は推定部５５による脳状態推定方法の第２例を示す模式図である。モデル部５５２の構成は、図２に例示した第１例と同様である。入力データ生成部５５１は、ＭＲＩ画像に加えて、期間を特定する時間情報を入力データとしてモデル部５５２に入力する。特定する期間は、ある時点の脳の状態から、どの程度の期間が経過した時点の脳の状態を推定するかを特定する期間（特定期間）であり、１年、２年などとすることができる。

【0039】

モデル部５５２は、ＭＲＩ画像と共に期間を特定する時間情報が入力された場合、ＭＲＩ画像が示す脳の当該期間後の磁化率とアミロイドβとの相関を示す相関画像を出力することができる。例えば、特定期間が１年であれば、モデル部５５２は、１年後の脳の磁化率とアミロイドβとの相関を示す相関画像を出力し、特定期間が２年であれば、モデル部５５２は、２年後の脳の磁化率とアミロイドβとの相関を示す相関画像を出力することができる。

【0040】

このように、モデル部５５２に、期間を特定する時間情報を入力することにより、時間情報で特定される期間後の被験者の脳のアミロイドβの分布状態を推定することができる。また、所要の期間を特定する時間情報をモデル部５５２に入力すれば、被験者の現在の脳の状態のＭＲＩ画像を得るだけで、現在から所要の期間が経過した後の被験者の脳のアミロイドβの分布状態を推定することができる。

【0041】

図９は推定部５５による脳状態推定方法の第３例を示す模式図である。モデル部５５２の構成は、図２に例示した第１例と同様である。入力データ生成部５５１は、被験者の脳のＴ１強調画像及びＴ２強調画像をモデル部５５２に入力する。なお、図９の例では、Ｔ１強調画像及びＴ２強調画像がモデル部５５２に直接入力される形態が図示されているが、これに限定されるものではなく、Ｔ１強調画像及びＴ２強調画像を画像処理する工程を含めて、画像処理後の画像をモデル部５５２に入力してもよい。

【0042】

すなわち、推定部５５は、被験者のＭＲＩ画像に基づくＴ１強調画像及びＴ２強調画像を取得し、Ｔ１強調画像及びＴ２強調画像を入力した場合、Ｔ２強調画像に基づいて特定可能な磁化率と、アミロイドβとの相関を示す相関画像を出力するモデル部５５２に、取得したＴ１強調画像及びＴ２強調画像を入力し、当該被験者の磁化率とアミロイドβとの相関を示す相関画像を出力することができる。

【0043】

Ｔ２強調画像は、鉄の沈着の検出に用いることができる。Ｔ１強調画像は、水や血液以外の物質を強調することができ、例えば、脳内の新皮質から大脳皮質の全域に亘って皮質の厚みを観測することができる。アミロイドβによる老人班は、新皮質の基底部から蓄積し始め、その後、大脳皮質の全領域に広がることが知られている。また、アルツハイマー型認知症では、側頭葉外側皮質、脳梁膨大部後皮質などの各皮質での萎縮率が徐々に高くなることが知られている。

【0044】

モデル部５５２は、Ｔ１強調画像及びＴ２強調画像を入力した場合、Ｔ２強調画像に基づいて特定可能な磁化率と、アミロイドβとの相関を示す相関画像を出力することができる。この場合、モデル部５５２は、現在のアミロイドβの分布状態を推定することもできるが、モデル部５５２が、どの程度将来（例えば、１年後、２年後など）のアミロイドβの分布状態を推定するかは、予め、特定期間として定めておくことができる。

【0045】

モデル部５５２は、Ｔ１強調画像を用いて学習されているので、脳内の老人班の広がりや萎縮率などを考慮して、被験者の脳の将来のアミロイドβの分布状態をさらに精度よく推定することができる。これにより、ＰＥＴ画像を用いることなく認知症を含むアミロイドβに関連する疾患の兆候をさらに精度よく推定することができる。

【0046】

なお、図示していないが、図９の例において、図８で例示したような時間情報をさらに入力するようにしてもよい。これにより、モデル５５２は、入力される時間情報によって特定される特定期間が経過した（将来の）時点での被験者の脳のアミロイドβの分布状態をさらに精度よく推定することができる。

【0047】

次に、学習済みモデルの生成方法について説明する。

【0048】

図１０は学習処理部５６での学習済みモデルの生成方法の第１例を示す模式図である。モデル部５６２は、例えば、ニューラルネットワークで構成することができる。学習データ生成部５６１は、学習用入力データとして、脳に関するＭＲＩ画像を取得し、教師データとして、磁化率とアミロイドβとの相関を示す相関画像を取得してモデル部５６２に与える。パラメータ決定部５６３は、モデル部５６２にＭＲＩ画像を入力した場合に、モデル部５６２が出力する相関画像が、教師データとしての相関画像に近づくように（損失関数の値が最小になるように）、モデル部のパラメータ（例えば、重みｗｉｊ、バイアスｂｋｌ）を調整して、最終的に決定することにより、学習済みモデルを生成することができる。この場合、モデル部５６２が出力する相関画像及び教師データとしての相関画像は、ＭＲＩ画像が示す磁化率が得られた時点の脳から特定期間（例えば、１年、２年など）が経過したときの脳の磁化率とアミロイドβとの相関を示す。

【0049】

図１１は学習処理部５６での学習済みモデルの生成方法の第２例を示す模式図である。モデル部５６２は、図１０に示す第１例と同様である。学習データ生成部５６１は、学習用入力データとして、脳に関するＭＲＩ画像に加えて、期間を特定する時間情報を取得し、教師データとして、磁化率とアミロイドβとの相関を示す相関画像を取得してモデル部５６２に与える。これにより、モデル部５６２に、期間を特定する時間情報をさらに入力し、モデル部５６２が出力する相関画像が、ＭＲＩ画像が示す脳の当該期間後の磁化率とアミロイドβとの相関を示す相関画像であることを学習させることができる。これにより、図８に示すモデル部５５２を生成することができる。

【0050】

図示していないが、図９に示すモデル部５５２を生成するには、図１０に示すモデル部５６２に、Ｔ１強調画像及びＴ２強調画像を入力すればよい。すなわち、モデル部５６２に、Ｔ１強調画像及びＴ２強調画像を入力し、モデル部５６２が出力する相関画像が、教師データとしての相関画像に近づくように、モデル部５６２のパラメータ（例えば、重みｗｉｊ、バイアスｂｋｌ）を調整することにより、学習済みモデルを生成することができる。また、図９の例において、図８で例示したような時間情報をさらに入力可能なモデル部５５２を生成するには、図１０に示すモデル部５６２に、Ｔ１強調画像、Ｔ２強調画像及び時間情報を入力すればよい。

【0051】

モデル５６２の学習には、ボクセルの集合であるクラスタ単位、ボクセル単位又は関心領域単位それぞれの相関画像を個別に用いて行うことができる。本明細書において、ボクセルは、３次元画像の最小構成単位であり、スカラー値又はベクトル値を持つ小さな体積の立方体である。クラスタは、複数のボクセルで構成される３次元領域である。関心領域（ＲＯＩ：Region Of Interest）は、観察や測定のために特定の絞り込まれた領域である。

【0052】

次に、サーバ５０の動作について説明する。

【0053】

図１２は脳状態推定処理の手順の一例を示すフローチャートである。以下では便宜上、処理の主体を制御部５１として説明する。制御部５１は、被験者のＭＲＩ画像を取得する（Ｓ１１）。ＭＲＩ画像は、例えば、Ｔ２強調画像でもよく、ＱＳＭ画像でもよく、Ｔ２強調画像とＴ１強調画像の組み合わせでもよく、ＱＳＭ画像とＴ１強調画像の組み合わせでもよい。制御部５１は、取得したＭＲＩ画像を学習済みモデルに入力する（Ｓ１２）。

【0054】

制御部５１は、学習済みモデルが出力する相関画像を端末装置１０に表示させ（Ｓ１３）、ＭＲＩ画像（例えば、Ｔ１強調画像）と重畳させるか否かを判定する（Ｓ１４）。なお、相関画像とＭＲＩ画像を重畳させるか否かは、端末装置１０からの指示に基づいて判定できる。ＭＲＩ画像と重畳させない場合（Ｓ１４でＮＯ）、制御部５１は、処理を終了する。ＭＲＩ画像と重畳させる場合（Ｓ１４でＹＥＳ）、制御部５１は、相関画像とＭＲＩ画像を重畳して端末装置１０に表示させ（Ｓ１５）、処理を終了する。

【0055】

図１３は学習済みモデル生成処理の手順の一例を示すフローチャートである。制御部５１は、モデルを読み出し（Ｓ２１）、ニューラルネットワークのパラメータの初期値を設定する（Ｓ２２）。制御部５１は、ＭＲＩ画像を取得し（Ｓ２３）、教師データとしての相関画像を取得する（Ｓ２４）。ここで、ＭＲＩ画像は、例えば、Ｔ２強調画像でもよく、ＱＳＭ画像でもよく、Ｔ２強調画像とＴ１強調画像の組み合わせでもよく、ＱＳＭ画像とＴ１強調画像の組み合わせでもよい。

【0056】

制御部５１は、ＭＲＩ画像をモデルに入力し、モデルが出力する相関画像と教師データとして取得した相関画像とに基づく損失関数の値が最小になるようにニューラルネットワークのパラメータを調整する（Ｓ２５）。

【0057】

制御部５１は、損失関数の値が許容範囲内であるか否かを判定し（Ｓ２６）、損失関数の値が許容範囲内でない場合（Ｓ２６でＮＯ）、ステップＳ２５以降の処理を続ける。損失関数の値が許容範囲内である場合（Ｓ２６でＹＥＳ）、制御部５１は、生成した学習済みモデルを記憶し（Ｓ２７）、処理を終了する。

【0058】

サーバ５０は、ＣＰＵ（プロセッサ）、ＲＡＭなどを備えたコンピュータを用いて実現することもできる。図１２及び図１３に示すような処理の手順を定めたコンピュータプログラム（記録媒体に記録可能）をコンピュータに備えられた記録媒体読取部で読み取り、読み取ったコンピュータプログラムをＲＡＭにロードし、コンピュータプログラムをＣＰＵ（プロセッサ）で実行することにより、コンピュータ上でサーバ５０を実現することができる。

【0059】

上述の実施の形態では、主に脳内のアミロイドβの蓄積について説明したが、本実施の形態は、脳内の部位に限定されるものではなく、脳以外の他の部位でのアミロイドβの蓄積が何らかの疾患と関連する場合には、当該部位についても本実施の形態を適用することができる。

【0060】

本実施の形態のコンピュータプログラムは、コンピュータに、被験者のＭＲＩ画像を取得し、ＭＲＩ画像を入力した場合に、前記ＭＲＩ画像に基づいて特定可能な磁化率と、アミロイドβとの相関を示す相関画像を出力する学習済みモデルに、取得したＭＲＩ画像を入力して、前記被験者の磁化率とアミロイドβとの相関を示す相関画像を出力する、処理を実行させる。

【0061】

本実施の形態の情報処理装置は、被験者のＭＲＩ画像を取得する取得部と、ＭＲＩ画像を入力した場合に、前記ＭＲＩ画像に基づいて特定可能な磁化率と、アミロイドβとの相関を示す相関画像を出力する学習済みモデルに、取得したＭＲＩ画像を入力して、前記被験者の磁化率とアミロイドβとの相関を示す相関画像を出力する出力部とを備える。

【0062】

本実施の形態の情報処理方法は、被験者のＭＲＩ画像を取得し、ＭＲＩ画像を入力した場合に、前記ＭＲＩ画像に基づいて特定可能な磁化率と、アミロイドβとの相関を示す相関画像を出力する学習済みモデルに、取得したＭＲＩ画像を入力して、前記被験者の磁化率とアミロイドβとの相関を示す相関画像を出力する。

【0063】

本実施の形態の学習済みモデル生成方法は、ＭＲＩ画像を取得し、磁化率とアミロイドβとの相関を示す相関画像を取得し、取得されたＭＲＩ画像及び相関画像を用いて、前記ＭＲＩ画像に基づいて特定可能な磁化率と、アミロイドβとの相関を示す相関画像を出力する学習済みモデルを生成する。

【0064】

本実施の形態の相関画像出力装置は、被験者のＭＲＩ画像を入力した場合に、前記被験者の磁化率とアミロイドβとの相関を示す相関画像を出力する。

【0065】

コンピュータプログラムは、被験者のＭＲＩ画像を取得する。ＭＲＩ画像には、Ｔ１強調画像及びＴ２強調画像が含まれる。ＭＲ（Magnetic Resonance）信号に再構成処理を施すことにより、実部と虚部からなる複素数画像を生成することができる。強度画像は、各画素の実部と虚部の絶対値を表す画像である。各画素の実部と虚部間の位相を表す位相画像は、生体組織間の磁化率差などに生じる位相の差を表す画像である。強度画像及び位相画像は、例えば、Ｔ１強調画像、Ｔ２強調画像等である。また、ＭＲＩ画像には、ＭＲＩ画像から所定の画像処理によって生成される画像を含めてもよい。例えば、ＱＳＭ（Quantitative Susceptibility Mapping）画像は、定量的磁化率マッピング画像とも称し、ＭＲＩ画像から生成することができる。ＱＳＭ画像は、位相画像から局所の磁化率を定量的に求めてマップ化したものである。磁化率は、物質が外部磁場に反応して生じる磁気分極（磁化）の起こりやすさを表す物性値で、すべての物質は弱い反磁性を持つため、生体組織はわずかに負の磁化率を示し、鉄沈着が起きると正の磁化率を示す。

【0066】

学習済みモデルは、ＭＲＩ画像を入力した場合に、ＭＲＩ画像に基づいて特定可能な磁化率と、アミロイドβとの相関を示す相関画像を出力することができる。ＭＲＩ画像に基づいて特定可能な磁化率とは、例えば、Ｔ２強調画像やＱＳＭ画像などのＭＲＩ画像又はＭＲＩ画像から画像処理によって得られる画像に基づいて特定することができる磁化率である。すなわち、ＭＲＩ画像には、磁化率が特定でき、当該ＭＲＩ画像から生成できる画像を含めることができる。相関画像は、ＭＲＩ画像（例えば、ＱＳＭ画像）とＰＥＴ画像のそれぞれ対応する画素（ボクセル）毎に、磁化率とＰＥＴ画像のＰＥＴ信号（例えば、ＳＵＶＲ（Standardized Uptake Value Ratio））との相関係数ｒを特定したものである。相関係数ｒは、例えば、０≦ｒ≦１とすることができ、１に近いほど相関が大きい。

【0067】

学習前のモデル（単に「モデル」とも称する）は、例えば、ニューラルネットワークで構成することができる。学習用入力データとして、ＭＲＩ画像を取得し、教師データとして、当該ＭＲＩ画像に基づいて特定可能な磁化率と、アミロイドβとの相関を示す相関画像を取得する。モデルに、ＭＲＩ画像を入力し、モデルが出力する相関画像が、教師データとしての相関画像に近づくように、モデルのパラメータ（例えば、重み、バイアス）を調整することにより、学習済みモデルを生成することができる。

【0068】

すなわち、取得した被験者のＭＲＩ画像を学習済みモデルに入力して、当該被験者のアミロイドβの分布状態を推定することができる。これにより、ＰＥＴ画像を用いることなくアミロイドβに関連する疾患の兆候を推定できる。

【0069】

本実施の形態のコンピュータプログラムは、コンピュータに、前記被験者のＭＲＩ画像に基づくＴ１強調画像及びＴ２強調画像を取得し、Ｔ１強調画像及びＴ２強調画像を入力した場合、前記Ｔ２強調画像に基づいて特定可能な磁化率と、アミロイドβとの相関を示す相関画像を出力する前記学習済みモデルに、取得したＴ１強調画像及びＴ２強調画像を入力し、前記被験者の磁化率とアミロイドβとの相関を示す相関画像を出力する、処理を実行させる。

【0070】

コンピュータプログラムは、被験者のＭＲＩ画像に基づくＴ１強調画像及びＴ２強調画像を取得する。Ｔ２強調画像は、鉄の沈着の検出に用いることができる。Ｔ１強調画像は、水や血液以外の物質を強調することができ、例えば、脳内の新皮質から大脳皮質の全域に亘って皮質の厚みを観測することができる。アミロイドβによる老人班は、新皮質の基底部から蓄積し始め、その後、大脳皮質の全領域に広がることが知られている。また、アルツハイマー型認知症では、側頭葉外側皮質、脳梁膨大部後皮質などの各皮質での萎縮率が徐々に高くなることが知られている。

【0071】

学習済みモデルは、Ｔ１強調画像及びＴ２強調画像を入力した場合、Ｔ２強調画像に基づいて特定可能な磁化率と、アミロイドβとの相関を示す相関画像を出力することができる。モデルに、Ｔ１強調画像及びＴ２強調画像を入力し、モデルが出力する相関画像が、教師データとしての相関画像に近づくように、モデルのパラメータ（例えば、重み、バイアス）を調整することにより、学習済みモデルを生成することができる。

【0072】

学習済みモデルは、Ｔ１強調画像を用いて学習されているので、老人班の広がりや萎縮率などを考慮して、当該被験者のアミロイドβの分布状態をさらに精度よく推定することができる。これにより、ＰＥＴ画像を用いることなくアミロイドβに関連する疾患の兆候をさらに精度よく推定することができる。

【0073】

本実施の形態のコンピュータプログラムにおいて、前記学習済みモデルは、脳に関するＭＲＩ画像を入力した場合に、前記脳の特定期間後の磁化率とアミロイドβとの相関を示す相関画像を出力する。

【0074】

学習済みモデルは、脳に関するＭＲＩ画像を入力した場合に、当該脳の特定期間後の磁化率とアミロイドβとの相関を示す相関画像を出力する。学習済みモデルは、以下のようにして生成することができる。学習用入力データとして、脳に関するＭＲＩ画像を取得し、教師データとして、ＭＲＩ画像が示す当該脳の特定期間後の磁化率とアミロイドβとの相関を示す相関画像を取得する。モデルに、ＭＲＩ画像を入力し、モデルが出力する相関画像が、教師データとしての相関画像に近づくように、モデルのパラメータ（例えば、重み、バイアス）を調整することにより、学習済みモデルを生成することができる。この場合、モデルが出力する相関画像及び教師データとしての相関画像は、ＭＲＩ画像が示す磁化率が得られた時点の脳から特定期間（例えば、１年、２年など）が経過したときの脳の磁化率とアミロイドβとの相関を示す。これにより、ある時点の脳のＭＲＩ画像が得られれば、当該時点から特定期間が経過したときの脳のアミロイドβの分布状態を推定することが可能となる。

【0075】

本実施の形態のコンピュータプログラムは、コンピュータに、期間を特定する時間情報を取得し、期間を特定する時間情報をさらに入力した場合、脳の前記期間後の、前記ＭＲＩ画像に基づいて特定可能な磁化率と、アミロイドβとの相関を示す相関画像を出力する前記学習済みモデルに、取得した時間情報を入力して、前記被験者の脳の前記期間後の磁化率とアミロイドβとの相関を示す相関画像を出力する、処理を実行させる。

【0076】

コンピュータプログラムは、期間を特定する時間情報を取得する。特定する期間は、ある時点の脳の状態から、どの程度の期間が経過した時点の脳の状態を推定するかを特定する期間である。

【0077】

学習済みモデルは、期間を特定する時間情報をさらに入力した場合、脳の当該期間後の、ＭＲＩ画像に基づいて特定可能な磁化率と、アミロイドβとの相関を示す相関画像を出力することができる。モデルに、期間を特定する時間情報をさらに入力し、モデルが出力する相関画像が、脳の当該期間後の、ＭＲＩ画像に基づいて特定可能な磁化率と、アミロイドβとの相関を示す相関画像であることを学習させることができる。

【0078】

学習済みモデルに、期間を特定する時間情報を入力することにより、時間情報で特定される期間後の被験者の脳のアミロイドβの分布状態を推定することができる。また、時間情報を所要の期間を特定する時間情報とすれば、例えば、被験者の現在の脳の状態のＭＲＩ画像を得るだけで、現在から所要の期間が経過した後の被験者の脳のアミロイドβの分布状態を推定することができる。

【0079】

本実施の形態のコンピュータプログラムは、コンピュータに、前記学習済みモデルが出力する、前記被験者の脳の磁化率とアミロイドβとの相関を示す相関画像に基づいて、前記被験者の将来の認知症を含む神経変性疾患を推定する、処理を実行させる。

【0080】

コンピュータプログラムは、学習済みモデルが出力する、被験者の脳の磁化率とアミロイドβとの相関を示す相関画像に基づいて、被験者の将来の認知症を含む神経変性疾患を推定することができる。例えば、アミロイドβの蓄積（集積度）の変化率の大小に応じて、被験者が、認知症などのアミロイドβの蓄積と関連する疾患を発症するか否かを予測することが可能となる。

【0081】

本実施の形態のコンピュータプログラムにおいて、前記相関画像は、ボクセルの集合であるクラスタ単位、ボクセル単位又は関心領域単位での磁化率とアミロイドβとの相関を示す。

【0082】

相関画像は、ボクセルの集合であるクラスタ単位、ボクセル単位又は関心領域単位それぞれでの磁化率とアミロイドβとの相関を示すことができる。ボクセルは、３次元画像の最小構成単位であり、スカラー値又はベクトル値を持つ小さな体積の立方体である。クラスタは、複数のボクセルで構成される３次元領域である。関心領域（ＲＯＩ：Region Of Interest）は、観察や測定のために特定の絞り込まれた領域である。モデルの学習には、ボクセルの集合であるクラスタ単位、ボクセル単位又は関心領域単位それぞれの相関画像を個別に用いて行うことができる。

【0083】

本実施の形態のコンピュータプログラムは、コンピュータに、前記学習済みモデルが出力する相関画像と他のＭＲＩ画像とを重畳させて表示する、処理を実行させる。

【0084】

コンピュータプログラムは、学習済みモデルが出力する相関画像と他のＭＲＩ画像とを重畳させて表示することができる。他のＭＲＩ画像は、例えば、脳の構造が見やすい特徴を持つＴ１強調画像を使用することができる。これにより、相関画像が示すアミロイドβの分布状態が脳のどの部位に該当するかを容易に判断することができる。

【符号の説明】

【0085】

１ 通信ネットワーク
１０ 端末装置
５０ サーバ
５１ 制御部
５２ 通信部
５３ 記憶部
５４ 出力処理部
５５ 推定部
５５１ 入力データ生成部
５５２ モデル部
５６ 学習処理部
５６１ 学習データ生成部
５６２ モデル部
５６３ パラメータ決定部
６１ 画像ＤＢ

【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】