特許 7591781 医用画像処理装置及び医用画像処理方法

(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】2024-11-21

(45)【発行日】2024-11-29

(54)【発明の名称】医用画像処理装置及び医用画像処理方法

(51)【国際特許分類】

   G06T 7/00 20170101AFI20241122BHJP

   G01N 33/48 20060101ALI20241122BHJP

【ＦＩ】

G06T7/00 350C

G06T7/00 630

G01N33/48 M

【請求項の数】 10

(21)【出願番号】P 2020175594

(22)【出願日】2020-10-19

(65)【公開番号】P2022066963

(43)【公開日】2022-05-02

【審査請求日】2023-10-13

(73)【特許権者】

【識別番号】596165589

【氏名又は名称】学校法人 聖マリアンナ医科大学

(73)【特許権者】

【識別番号】594164542

【氏名又は名称】キヤノンメディカルシステムズ株式会社

(74)【代理人】

【識別番号】110002147

【氏名又は名称】弁理士法人酒井国際特許事務所

(72)【発明者】

【氏名】高屋 英知

(72)【発明者】

【氏名】小林 泰之

(72)【発明者】

【氏名】神長 茂生

(72)【発明者】

【氏名】前田 達郎

【審査官】山田 辰美

(56)【参考文献】

【文献】特開２０２０－０４４５９０（ＪＰ，Ａ）

【文献】特開２０１７－０９７８０７（ＪＰ，Ａ）

【文献】特開２００７－２８００５４（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｔ ７／００－７／９０

Ｇ０１Ｎ ３３／４８

(57)【特許請求の範囲】

【請求項1】

第１のモデルを生成するための機械学習で使用された第１のエポック数、及び規定の初期値に基づいて、第２のモデルで使用される第２のエポック数を、動的に決定する決定部と、
決定された前記第２のエポック数を出力する出力部と、
を備え、
前記第１のモデルは、被検体に関する連続する複数の医用画像を含む医用画像群のうち、規定の枚数の医用画像を含む第１の医用画像セットを用いた第１のエポック数の機械学習によって生成された学習済モデルであり、
前記第２のモデルは、前記第１の医用画像セットの一部の医用画像及び前記医用画像群のうち前記第１の医用画像セットの最後の医用画像の次の医用画像を含む第２の医用画像セットを用いて、前記第１のモデルにさらに前記第２のエポック数の機械学習を実施することにより生成される学習済モデルである、
医用画像処理装置。

【請求項2】

前記決定部は、前記第２のエポック数が規定の最小値以上である限り、前記第２のエポック数を、前記第１のエポック数よりも規定の減少率分減少させる、
請求項１に記載の医用画像処理装置。

【請求項3】

前記医用画像群と、前記医用画像群の先頭の医用画像を含む前記第１の医用画像セットに対応する複数の教師データを含む第１の教師データセットとを取得する取得部と、
前記第２のエポック数分、前記第１のモデルに第１の学習を実行させることにより、前記第２のモデルを生成する学習部と、を備える、
請求項１に記載の医用画像処理装置。

【請求項4】

前記第２のモデルに、前記医用画像群のうち、教師データが対応付けられていない医用画像を入力し、該医用画像に対応する擬似教師データを出力させる推定部、を備え、
前記学習部は、前記擬似教師データを用いて、前記第２のモデルに第２の学習を実行させる、
請求項３に記載の医用画像処理装置。

【請求項5】

前記推定部は、前記第１の学習によって生成された前記第２のモデルに、前記医用画像群のうち、前記第１の医用画像セットの最後の医用画像の次の医用画像を入力することにより、該次の医用画像に対応する擬似教師データを出力させ、
前記学習部は、前記第２の医用画像セット及び第２の教師データセットを用いて、前記出力部によって出力された前記第２のエポック数分、前記第１のモデルに第２の学習を実行させることによって前記第２のモデルを生成し、
前記第２の教師データセットは、前記第１の教師データセットのうち前記一部の医用画像に対応する教師データ、及び前記第２のモデルによって推定された前記擬似教師データを含む、
請求項４に記載の医用画像処理装置。

【請求項6】

前記第１のモデルが出力した前記擬似教師データの確信度を算出する算出部と、
前記確信度が閾値以下になった場合に、表示部に警告を表示させる表示制御部と、
をさらに備える、
請求項４または５に記載の医用画像処理装置。

【請求項7】

前記医用画像群に含まれる複数の医用画像は、物理的または時間的に連続する、
請求項１から６のいずれか１項に記載の医用画像処理装置。

【請求項8】

前記医用画像は、電子顕微鏡で撮像された電子顕微鏡画像である、
請求項１から７のいずれか１項に記載の医用画像処理装置。

【請求項9】

前記第１のモデル及び前記第２のモデルは、前記医用画像群に含まれる各医用画像の一部の画像領域を、学習の対象とする、
請求項１から８のいずれか１項に記載の医用画像処理装置。

【請求項10】

第１のモデルで使用された第１のエポック数、及び規定の初期値に基づいて、第２のモデルで使用される第２のエポック数を、動的に決定する決定ステップと、
決定された前記第２のエポック数を出力する出力ステップと、
を含み、
前記第１のモデルは、被検体に関する連続する複数の医用画像を含む医用画像群のうち、規定の枚数の医用画像を含む第１の医用画像セットを用いた第１のエポック数の機械学習によって生成された学習済モデルであり、
前記第２のモデルは、前記第１の医用画像セットの一部の医用画像及び前記医用画像群のうち前記第１の医用画像セットの最後の医用画像の次の医用画像を含む第２の医用画像セットを用いて、前記第１のモデルにさらに前記第２のエポック数の機械学習を実施することにより生成される学習済モデルである、
医用画像処理方法。

【発明の詳細な説明】

【技術分野】

【0001】

本明細書及び図面に開示の実施形態は、医用画像処理装置及び医用画像処理方法に関する。

【背景技術】

【0002】

従来、医用画像の画像処理において、深層学習等の機械学習を用いる技術が知られている。このような技術においては、学習時間及び学習処理の負荷の低減が求められている。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０２０－９３０７６号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

本明細書及び図面に開示の実施形態が解決しようとする課題の一つは、医用画像の画像処理における機械学習の学習時間及び学習処理の負荷を低減させることである。ただし、本明細書及び図面に開示の実施形態により解決しようとする課題は上記課題に限られない。後述する実施形態に示す各構成による各効果に対応する課題を他の課題として位置づけることもできる。

【課題を解決するための手段】

【0005】

実施形態に係る医用画像処理装置は、決定部と、出力部とを備える。決定部は、第１のモデルで使用された第１のエポック数、及び規定の初期値に基づいて、第２のモデルで使用される第２のエポック数を、動的に決定する。出力部は、決定された第２のエポック数を出力する。第１のモデルは、被検体に関する連続する複数の医用画像を含む医用画像群のうち、規定の枚数の医用画像を含む第１の医用画像セットを用いた第１のエポック数の機械学習によって生成された学習済モデルである。第２のモデルは、第１の医用画像セットの一部の医用画像及び医用画像群のうち第１の医用画像セットの最後の医用画像の次の医用画像を含む第２の医用画像セットを用いて、第１のモデルにさらに第２のエポック数の機械学習を実施することにより生成される学習済モデルである。

【図面の簡単な説明】

【0006】

【図1】図１は、第１の実施形態に係る医用画像処理装置の構成の一例を示す図である。

【図2】図２は、第１の実施形態に係る顕微鏡画像に対する画像処理の一例を示す図である。

【図3】図３は、第１の実施形態に係る顕微鏡画像に対する画像処理の詳細について説明する図である。

【図4】図４は、第１の実施形態に係るモデルによる学習処理及び推定処理の一例を示す図である。

【図5】図５は、第１の実施形態に係るモデルを用いた画像処理のアルゴリズムの一例である。

【図6】図６は、第１の実施形態に係る半自動の領域抽出処理の流れの一例を示すフローチャートである。

【図7】図７は、第２の実施形態に係る医用画像処理装置の構成の一例を示す図である。

【発明を実施するための形態】

【0007】

以下、図面を参照しながら、医用画像処理装置及び医用画像処理方法の実施形態について詳細に説明する。

【0008】

（第１の実施形態）
図１は、本実施形態に係る医用画像処理装置１００の構成の一例を示す図である。医用画像処理装置１００は、例えばサーバ装置またはＰＣ（Personal Computer）等である。また、医用画像処理装置１００は、不図示の院内ＬＡＮ（Local Area Network）等のネットワークを介して医用画像保管装置等の他の情報処理装置と接続しても良い。

【0009】

医用画像処理装置１００は、機械学習によって医用画像に対する画像処理を実行する。本実施形態においては、医用画像の一例として、走査電子顕微鏡（ＳＥＭ：Scanning Electron Microscope）によって撮像された電子顕微鏡画像を挙げて説明する。以下、電子顕微鏡画像を、単に顕微鏡画像という。

【0010】

図２は、本実施形態に係る顕微鏡画像２０１～２０Ｎに対する画像処理の一例を示す図である。図２に示すように、顕微鏡画像２０１～２０Ｎは、被検体から切り出された切片が走査電子顕微鏡によって撮像された、連続する画像である。なお、本実施形態においては、画像が連続するとは、各画像の撮像対象である切片の並び順が隣り合う配置であることを意味する。なお、切片の並び順が隣り合う配置であるとは、各切片の切り出された位置が完全に接触するものに限定されない。例えば、隣り合う切片の切り出し位置の間に間隔があっても良い。連続する画像同士は、近接する組織の切片が撮像された画像であるため、互いに強い相関を有するものとする。また、本実施形態において、被検体は、人体またはその他の生物とするが、これらに限定されるものではない。

【0011】

顕微鏡画像２０１～２０Ｎには、例えば、被検体である生物の脳または感覚器における神経系が描出されている。コネクトミクスと呼ばれる分野においては、神経構造の詳細な観察のために、このような顕微鏡画像２０１～２０Ｎを、３次元に再構築する手法が用いられることが一般的である。

【0012】

顕微鏡画像２０１～２０Ｎは、被検体に関する医用画像である。以下、個々の顕微鏡画像２０１～２０Ｎを区別しない場合は、単に顕微鏡画像２０という。また、一群の顕微鏡画像２０１～２０Ｎを指す場合には、顕微鏡画像群２という。また、顕微鏡画像群２は、本実施形態における医用画像群の一例である。

【0013】

顕微鏡画像２０１～２０Ｎの枚数は特に限定されないが、例えば数百枚程度としても良い。以下、本実施形態においては、医用画像群に含まれる医用画像の枚数を、Ｎ枚とする。なお、顕微鏡画像２０１～２０Ｎは、連続切片画像ともいう。

【0014】

個々の顕微鏡画像２０１～２０Ｎに描出された神経構造の連続性を明確にした状態で顕微鏡画像群２を３次元に再構築するためには、例えば、画像処理パイプラインという手法が採用可能である。当該手法においては、各顕微鏡画像２０１～２０Ｎに対して、領域抽出（セグメンテーション）及びグルーピングという画像処理が施される。

【0015】

図３は、本実施形態に係る顕微鏡画像２０に対する画像処理の詳細について説明する図である。図３では、顕微鏡画像群２に含まれる１枚の顕微鏡画像２０を例示する。

【0016】

領域抽出とは、顕微鏡画像２０における神経領域とそれ以外の組織とを区別する処理である。図３に示す領域抽出画像３０は、顕微鏡画像２０が領域抽出された画像である。

【0017】

領域抽出は、例えば、研究者が手作業で神経領域の輪郭を記載することにより行われる。また、本実施形態においては、後述のモデルによって、自動的に領域抽出が行われる例について説明する。

【0018】

なお、研究者は、本実施形態における医用画像処理装置１００のユーザの一例である。医用画像処理装置１００のユーザは、研究者に限定されるものではない。以下、研究者によって行われるものとして説明する作業は、医師、技師、またはその他の作業者によって行われても良い。

【0019】

また、グルーピングとは、領域抽出画像３０における複数の神経領域を、同一神経領域ごとのグループに分類することである。図３に示すグルーピング画像４０のように、同一神経領域ごとに色分けされても良い。本実施形態においては、当該画像処理は研究者が手作業で行うものとするが、モデルによって自動的に行われても良い。

【0020】

図３で説明した領域抽出が、顕微鏡画像群２に含まれる各顕微鏡画像２０１～２０Ｎに施された場合、図２に示すように、各顕微鏡画像２０１～２０Ｎに対応するＮ枚の領域抽出画像３０１～３０Ｎが生成される。以下、個々の領域抽出画像３０１～３０Ｎを区別しない場合は、単に領域抽出画像３０という。

【0021】

また、個々の領域抽出画像３０１～３０Ｎがグルーピングされた場合、図２に示すように、各領域抽出画像３０１～３０Ｎに対応するＮ枚のグルーピング画像４０１～４０Ｎが生成される。以下、個々のグルーピング画像４０１～４０Ｎを区別しない場合は、単にグルーピング画像４０という。

【0022】

図２に示す３次元画像５０は、グルーピング画像４０１～４０Ｎが３次元再構成された結果である。３次元画像５０においては、連続する顕微鏡画像２０１～２０Ｎに描出された神経構造の連続性が３次元で表される。

【0023】

本実施形態においては、このような画像処理を効率的に実施する手法について説明する。

【0024】

図１に戻り、医用画像処理装置１００の構成について説明する。医用画像処理装置１００は、ＮＷインタフェース１１０と、記憶回路１２０と、入力インタフェース１３０と、ディスプレイ１４０と、処理回路１５０とを備える。

【0025】

ＮＷインタフェース１１０は、処理回路１５０に接続されており、医用画像処理装置１００と他の情報処理装置との間の各種データの伝送および通信を制御する。ＮＷインタフェース１１０は、ネットワークカードやネットワークアダプタ、ＮＩＣ（Network Interface Controller）等によって実現される。

【0026】

記憶回路１２０は、処理回路１５０で使用される各種の情報を予め記憶する。また、記憶回路１２０は、各種のプログラムを記憶する。また、記憶回路１２０は、医用画像処理装置１００外に設けられても良い。

【0027】

入力インタフェース１３０は、トラックボール、スイッチボタン、マウス、キーボード、操作面へ触れることで入力操作を行うタッチパッド、表示画面とタッチパッドとが一体化されたタッチスクリーン、光学センサを用いた非接触入力回路、及び音声入力回路等によって実現される。入力インタフェース１３０は、処理回路１５０に接続されており、操作者から受け取った入力操作を電気信号へ変換し処理回路１５０へと出力する。なお、本明細書において入力インタフェース１３０はマウス、キーボードなどの物理的な操作部品を備えるものだけに限られない。例えば、装置とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を処理回路１５０へ出力する電気信号の処理回路も入力インタフェース１３０の例に含まれる。

【0028】

ディスプレイ１４０は、液晶ディスプレイや有機ＥＬ（Organic Electro－Luminescence： ＯＥＬ）ディスプレイ等である。なお、入力インタフェース１３０とディスプレイ１４０とは統合しても良い。例えば、入力インタフェース１３０とディスプレイ１４０とは、タッチパネルによって実現されても良い。ディスプレイ１４０は、本実施形態における表示部の一例である。また、ディスプレイ１４０は、医用画像処理装置１００外に設けられても良い。

【0029】

処理回路１５０は、記憶回路１２０からプログラムを読み出し、実行することで各プログラムに対応する機能を実現するプロセッサである。本実施形態の処理回路１５０は、取得機能１５１、学習機能１５２、推定機能１５３、決定機能１５４、出力機能１５５、受付機能１５６、及び再構成機能１５７を備える。取得機能１５１は、取得部の一例である。学習機能１５２は、学習部の一例である。推定機能１５３は、推定部の一例である。決定機能１５４は、決定部の一例である。出力機能１５５は、出力部の一例である。受付機能１５６は、受付部の一例である。再構成機能１５７は、再構成部の一例である。

【0030】

ここで、例えば、処理回路１５０の構成要素である取得機能１５１、学習機能１５２、推定機能１５３、決定機能１５４、出力機能１５５、受付機能１５６、及び再構成機能１５７の各処理機能は、コンピュータによって実行可能なプログラムの形態で記憶回路１２０に記憶されている。処理回路１５０は、プロセッサである。例えば、処理回路１５０は、プログラムを記憶回路１２０から読み出し、実行することで各プログラムに対応する機能を実現する。換言すると、各プログラムを読み出した状態の処理回路１５０は、図１の処理回路１５０内に示された各機能を有することとなる。なお、図１においては単一のプロセッサにて取得機能１５１、学習機能１５２、推定機能１５３、決定機能１５４、出力機能１５５、受付機能１５６、及び再構成機能１５７にて行われる処理機能が実現されるものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路１５０を構成し、各プロセッサがプログラムを実行することにより機能を実現するものとしても構わない。また、図１においては単一の記憶回路１２０が各処理機能に対応するプログラムを記憶するものとして説明したが、複数の記憶回路を分散して配置して、処理回路１５０は個別の記憶回路から対応するプログラムを読み出す構成としても構わない。

【0031】

上記説明では、「プロセッサ」が各機能に対応するプログラムを記憶回路から読み出して実行する例を説明したが、実施形態はこれに限定されない。「プロセッサ」という文言は、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ））等の回路を意味する。プロセッサが例えばＣＰＵである場合、プロセッサは記憶回路１２０に保存されたプログラムを読み出して実行することで機能を実現する。一方、プロセッサがＡＳＩＣである場合、記憶回路１２０にプログラムを保存する代わりに、当該機能がプロセッサの回路内に論理回路として直接組み込まれる。なお、本実施形態の各プロセッサは、プロセッサごとに単一の回路として構成される場合に限らず、複数の独立した回路を組み合わせて１つのプロセッサとして構成し、その機能を実現するようにしてもよい。さらに、図１における複数の構成要素を１つのプロセッサへ統合してその機能を実現するようにしても良い。

【0032】

取得機能１５１は、顕微鏡画像群２を取得する。例えば、取得機能１５１は、ＮＷインタフェース１１０を介して、不図示の画像保管装置から顕微鏡画像群２を取得するが、取得元はこれに限定されるものではない。

【0033】

また、取得機能１５１は、後述のモデルに入力するための教師データを取得する。

【0034】

本実施形態における教師データは、顕微鏡画像群２の先頭のＭ枚の顕微鏡画像２０１～２０３に対応する領域抽出画像３０１～３０３である。Ｍ枚は、本実施形態における規定の枚数の一例である。Ｍ枚は、顕微鏡画像群２に含まれる顕微鏡画像２０の枚数であるＮ枚よりも少ない数である。本実施形態においては、一例として、Ｍ＝３とする。なお、Ｎ枚を第１の枚数、Ｍ枚を第２の枚数と称しても良い。

【0035】

すなわち、本実施形態においては、顕微鏡画像群２に含まれる顕微鏡画像２０のうち、最初のＭ枚に対しては、研究者が作成した領域抽出画像３０が教師データとして対応付けられる。この最初のＭ枚の顕微鏡画像２０に対応するＭ枚の領域抽出画像３０は、本実施形態における第１の教師データセットの一例である。また、教師データである領域抽出画像３０が対応付けられた顕微鏡画像２０を、ラベル付きサンプル（labeled sample）という。

【0036】

なお、研究者が作成した領域抽出画像３０の取得元は、例えば研究者の使用する情報処理装置であっても良い。また、研究者が医用画像処理装置１００においては領域抽出画像３０を生成した場合、取得機能１５１は、例えば、記憶回路１２０に保存された領域抽出画像３０を読み出しても良い。

【0037】

学習機能１５２は、第１の医用画像セット、及び第１の医用画像セットに対応する第１の教師データセットを用いて、後述の出力機能１５５によって出力されたエポック数分、モデルに第１の学習を実行させる。また、学習機能１５２は、後述の推定機能１５３によってモデルを用いて生成された擬似教師データを用いて、モデルに再学習をさせる。

【0038】

図４は、本実施形態に係るモデル６０１～６０Ｎによる学習処理及び推定処理の一例を示す図である。以下、モデル６０１～６０Ｎを特に区別しない場合には単にモデル６０という。

【0039】

モデル６０は、機械学習の技術によって生成されるモデルである。例えば、モデル６０は、ＤＣＮ（Deep Contextual Network）等の深層学習の手法によって生成されるが、他の機械学習の手法を採用しても良い。また、モデル６０は、記憶回路１２０に記憶されている。この場合、学習機能１５２及び後述の推定機能１５３は、記憶回路１２０からモデル６０を読み出して、学習処理または推定処理を実行する。また、モデル６０は、学習機能１５２または後述の推定機能１５３に組み込まれていてもよい。

【0040】

本実施形態においては、一組の医用画像セット及び教師データセットを用いた学習をするごとに、モデル６０の番号が更新される。例えば、学習機能１５２が、第１の医用画像セット２１ａ及び第１の教師データセット３１ａを用いて、第１のモデル６０１に第１のエポック数分、第１の学習を実行させる。当該第１の学習後のモデル６０を、第２のモデル６０２という。そして、学習機能１５２は、第２の医用画像セット２１ｂ及び第２の教師データセット３１ｂを用いて、第２のモデル６０２に、第２のエポック数分、第２の学習を実行させる。学習後の第２のモデル６０２は、第３のモデルとなる。換言すれば、学習機能１５２は、第２のモデル６０２に、第２の学習を実行させることにより、第３のモデルを生成する。

【0041】

図４に示す第１のモデル６０１は、本実施形態における第１のモデルの一例であり、第２のモデル６０２は、本実施形態における第２のモデルの一例である。なお、図１では、第１のモデル６０１は、全てのモデル６０１～６０Ｎのうちの先頭のモデル６０であるが、単に第１のモデルという場合にはこれに限定されない。単に第１のモデル及び第２のモデルという場合には、互いに隣り合う２つのモデルを意味する。

【0042】

なお、第１の学習、及び第２の学習において、各一組の医用画像セット及び教師データセットごとに繰り返される学習処理のエポック数は、後述の決定機能１５４によって動的に決定される。学習機能１５２は、第１の学習では、第１の医用画像セット２１ａ及び第１の教師データセット３１ａを用いて、第１のモデル６０１に、決定機能１５４によって決定されたエポック数分の学習を実行させる。

【0043】

また、学習機能１５２は、第２の学習では、第２の医用画像セット２１ｂ及び第２の教師データセット３１ｂを用いて、第２のモデル６０２に、決定機能１５４によって決定された第２のエポック数分の学習を実行させる。

【0044】

ここで、医用画像セット及び教師データセットについてより詳細に説明する。図４に示すように、顕微鏡画像２０１～２０３には、研究者が作成した領域抽出画像３０１～３０３が対応付けられる。教師データとして使用される領域抽出画像３０を、ラベルという。また、手作業で作成されたラベルを正解ラベル（true label）、モデル６０によって推定されたラベルを擬似ラベル（pseudo label）という。擬似ラベルは、本実施形態における擬似教師データの一例である。

【0045】

また、顕微鏡画像群２に含まれる顕微鏡画像２０の３枚ごとのセットは、本実施形態における第１の医用画像セット２１ａの一例である。図４に示す例では、顕微鏡画像２０１～２０３が第１の医用画像セット２１ａである。また、顕微鏡画像２０２～２０４は、第２の医用画像セット２１ｂである。第２の医用画像セット２１ｂは、第１の医用画像セット２１ａの一部である顕微鏡画像２０２，２０３、及び第１の医用画像セット２１ａに含まれない顕微鏡画像２０４を含む。顕微鏡画像２０４は、顕微鏡画像群２に含まれる連続する顕微鏡画像２０１～２０Ｎのうち、顕微鏡画像２０３の次に位置する。

【0046】

また、顕微鏡画像２０３～２０５は、第３の医用画像セット２１ｃである。図４では、第４の医用画像セット以降は図示を省略するが、顕微鏡画像群２に含まれる顕微鏡画像２０１～２０Ｎは、Ｍ枚毎のセットで、モデル６０による学習に用いられる。以下、個々の医用画像セット２１ａ～２１ｃを区別しない場合、単に医用画像セット２１という。また、図４において、各医用画像セット２１にセットに対応する教師データセット３１ａ～３１ｃを図示するが、これらを個々に区別しない場合、単に教師データセット３１という。

【0047】

学習機能１５２は、１つの医用画像セット２１を用いた学習が終了すると、医用画像セット２１に含まれる顕微鏡画像２０を、１枚ずつ入れ替えることにより、次の医用画像セット２１を生成する。具体的には、連続する顕微鏡画像２０１～２０３のうち、先頭に最も近い１枚が除外され、第１の医用画像セット２１ａに含まれない顕微鏡画像２０４が、追加される。追加される顕微鏡画像２０４は、第１の医用画像セット２１ａの最後の顕微鏡画像２０３の次の顕微鏡画像２０４である。このような入れ替えにより、上述のように、顕微鏡画像２０２～２０４が、第２の医用画像セット２１ｂとして選択される。

【0048】

また、図４に示す第１の教師データセット３１ａは、第１の医用画像セット２１ａに対応する。第１の教師データセット３１ａは、正解ラベルである領域抽出画像３０１～３０３を含む。第２の教師データセット３１ｂは、第２の医用画像セット２１ｂに対応する。また、第２の教師データセット３１ｂは、第１の教師データセット３１ａの一部である領域抽出画像３０２，３０３、及び擬似ラベルである領域抽出画像３０４を含む。領域抽出画像３０２，３０３は、上述のように、顕微鏡画像２０２，２０３に対応する教師データである。また、顕微鏡画像２０２，２０３は、第１の医用画像セット２１ａに含まれる顕微鏡画像２０１～２０３のうち、第２の医用画像セット２１ｂに含まれる２枚である。

【0049】

第１の学習では、第１の教師データセット３１ａは正解ラベルのみによって構成されるが、第２の学習以降では、教師データセット３１には、モデル６０によって生成される擬似ラベルが含まれる。このように、本実施形態の学習機能１５２は、モデル６０による推定結果である擬似ラベルを用いて、モデル６０に再学習を実行させる。このような学習手法を、半教師あり学習という。

【0050】

次に、モデル６０による推定処理について説明する。図１に戻り、推定機能１５３は、１回以上の学習を実行済みのモデル６０に、顕微鏡画像群２のうち、教師データが対応付けられていない顕微鏡画像２０を入力し、該顕微鏡画像２０に対応する擬似教師データを出力させる。例えば、推定機能１５３は、第１のモデルの学習の結果生成された第２のモデルに、顕微鏡画像群２のうち、教師データが対応付けられていない顕微鏡画像２０を入力し、該顕微鏡画像２０に対応する擬似教師データを出力させる。

【0051】

より詳細には、推定機能１５３は、第１の学習によって生成された第２のモデル６０２に顕微鏡画像２０４を入力することにより、第２のモデル６０２から領域抽出画像３０４を出力させる。顕微鏡画像２０４は、上述のように、第１の医用画像セット２１ａに含まれる最後の顕微鏡画像２０３の次の画像である。第２のモデル６０２から出力された領域抽出画像３０４は、学習機能１５２によって、次回の学習における教師データとして使用される。また、顕微鏡画像群２に含まれる全ての顕微鏡画像２０１～２０Ｎに対応する領域抽出画像３０１～３０Ｎの生成が完了した場合、図２で説明したように、該領域抽出画像３０１～３０Ｎはグルーピング画像４０１～４０Ｎの生成に使用される。

【0052】

ここで、学習機能１５２及び推定機能１５３によるモデル６０を用いた画像処理のアルゴリズムについて、図４に加えて図５を用いて説明する。

【0053】

図５は、本実施形態に係るモデル６０を用いた画像処理のアルゴリズムの一例である。

【0054】

図５に示すアルゴリズムでは、Ｎ枚のスライスにより構成される連続画像である顕微鏡画像群２を、“ｓｅｒｉａｌ ｉｍａｇｅｓ Ｘ”とする。また、ラベル付けされたＭ枚の顕微鏡画像２０を、“ｌａｂｅｌｅｄ ｓａｍｐｌｅｓ Ｍ”とする。また、顕微鏡画像群２に含まれる顕微鏡画像２０１～２０Ｎを、“Ｘ_１,…,Ｘ_Ｎ”とする。また、顕微鏡画像２０１～２０Ｎに対応する領域抽出画像３０１～３０Ｎを、“Ｔ_１，・・・，Ｔ_Ｎ”とする。

【0055】

また、“ｉ”は、モデル６０を区別する番号である。一組の医用画像セット及び教師データセットを用いた学習をするごとに、学習機能１５２によって、“ｉ”に“１”が加算される。第１の学習の開始時には、学習機能１５２は、“ｉ＝１”と設定する。パラメータ“ｉ”の値は、例えば記憶回路１２０に記憶され、学習機能１５２によって、更新される。換言すれば、一組の医用画像セット及び教師データセットを用いた学習をするごとにモデル６０のバージョンが更新され、“ｉ”は、モデル６０のバージョンを示す番号である。なお、一組の医用画像セット及び教師データセットごとに、エポック数の学習が実行される。本実施形態のエポック数は、モデル６０のバージョンごとに異なる。

【0056】

具体的には、学習機能１５２及び推定機能１５３は、下記の（１）～（４）の処理を順に実行する。

【0057】

（１）第１の学習においては、学習機能１５２は、ｉ番目のスライスから（ｉ＋Ｍ－１）番目のラベル付き画像を用いてモデル(ｉ)の学習をエポック数分行う。モデル(ｉ)とは、第ｉのモデル６０であり、第１の学習においては、第１のモデル６０１である。また、図４に示す例では、“ｉ番目のスライスから（ｉ＋Ｍ－１）番目のラベル付き画像”は、顕微鏡画像２０１～２０３である。また、エポック数は、後述の決定機能１５４によって決定される。一例として、第１の学習においては、エポック数は、２００エポックと決定されるものとする。この場合、学習機能１５２は顕微鏡画像２０１～２０３及び領域抽出画像３０１～３０Ｎを用いて、第１のモデル６０１の学習を２００エポック行う。

【0058】

（２）推定機能１５３は、（１）で学習したモデル(ｉ)を用いて，ｉ＋Ｍ枚目の画像に対する推定を行う。図４に示す例では、“ｉ＋Ｍ枚目の画像”は、先頭から４番目の顕微鏡画像２０４である。推定機能１５３は、学習済みの第１のモデル６０１に顕微鏡画像２０４を入力する。

【0059】

（３）推定機能１５３は、（２）の推定結果をｉ＋Ｍ枚目のラベルとする。すなわち、推定機能１５３は、第１のモデル６０１から出力された領域抽出画像３０４を、４枚目の顕微鏡画像２０４に対応する擬似ラベルとする。

【0060】

（４）学習機能１５２は、モデル６０の番号に１加算し、“ｉ＝ｉ＋１”とする。すなわち、学習後の第１のモデル６０１は、第２のモデル６０２となる。また、次の学習は、第２の学習である。このように、学習機能１５２は、第１のモデル６０１を学習させることにより、第２のモデル６０２を生成する。

【0061】

学習機能１５２及び推定機能１５３は、上記の（１）～（４）の処理を、モデル(Ｎ－Ｍ)の学習とＮ枚目の推定が行われるまで繰り返す。また（１）で使用されるエポック数は、“ｉ”の値によって変化する。ただし、モデル（１）からモデル（Ｎ－Ｍ）までは同様の機械学習モデルであり、学習されたパラメータの初期化は行わない。すなわち、第２の学習では、第１の学習を前提に第２のモデル６０２が使用される。また、第３の学習では、第１の学習及び第２の学習を前提に第３のモデル６０３が使用される。モデル（１）は、第１のモデル６０１であり、モデル（Ｎ－Ｍ）は、最後のモデル６０である。例えば、Ｎ＝３００、Ｍ＝３である場合、モデル（Ｎ－Ｍ）は、第２９７のモデルである。

【0062】

モデル６０のバージョンが上がるにつれて、教師データセット３１に含まれる教師データの数は減少し、代わりに擬似教師データの数が増加する。そして、モデル（Ｍ＋１）以降は、教師データセット３１には教師データは含まれず、擬似教師データのみが含まれる。

【0063】

図１に戻り、決定機能１５４は、あるモデル６０で使用されるエポック数を、規定の初期値及び当該モデル６０の１つ前のモデル６０のエポック数に基づいて動的に決定する。より詳細には、決定機能１５４は、（１）式により、各モデル６０のエポック数を決定する。

【0064】

【数1】

【0065】

（１）式の“ｉ”は、図５で説明したように、モデル６０を区別する番号である。また、“ｉｎｉｔ”は規定の初期値（以下、単に初期値という）である。初期値の値は特に限定されるものではないが、例えば２００エポックとする。“ｉ＝１”の場合、つまり第１の学習においては、決定機能１５４は、初期値を、第１のエポック数として決定する。

【0066】

また、（１）式によれば、“ｉ≠１”の場合、決定機能１５４は、初期値の１００分の１と、“ｉ－１”回目の学習におけるエポック数の２分の１と、のいずれか大きい方を、エポック数として決定する。“ｉ－１”回目の学習とは、前回の学習である。例えば、第２の学習においては、“ｉ＝２”となるため、決定機能１５４は、初期値の１００分の１である“２”と、第１の学習における第１のエポック数の２分の１である“１００”とを比較する。この場合は、決定機能１５４は、“１００”を、第２の学習における第２のエポック数として決定する。（１）式を使用する場合は、決定機能１５４は、エポック数が“２”以上である限りは、“ｉ”の値が増える度に、エポック数を半減させる。

【0067】

なお、（１）式における“初期値の１００分の１”は、エポック数の最小値の一例である。エポック数の最小値は、モデル６０の学習が規定の精度を満たすエポック数とする。該最小値は、例えば、事前の検証によって求められた値でも良い。また、“前回の学習におけるエポック数の２分の１”は、エポック数の減少率の一例である。

【0068】

つまり、決定機能１５４は、エポック数が規定の最小値以上である限り、第２のモデル６０２で使用される第２のエポック数を、１つ前の第１のモデル６０１で使用される第１のエポック数よりも規定の減少率分減少させる。

【0069】

なお、初期値、最小値、及び減少率は、予め定められるものであっても良いし、ユーザによって指定されるものでも良い。

【0070】

決定機能１５４は、決定したエポック数を出力機能１５５に送出する。

【0071】

図１に戻り、出力機能１５５は、決定機能１５４によって決定されたエポック数を出力する。例えば、決定機能１５４によって第２のエポック数が決定された場合には、出力機能１５５は、当該第２のエポック数を出力する。本実施形態において、「出力」は、モデル６０へのエポック数の設定を含む。設定の具体例としては、例えば、今回の学習のエポック数が、出力機能１５５によって、学習処理のパラメータとして、記憶回路１２０に保存されても良い。また、学習処理が、医用画像処理装置１００とは異なる情報処理装置で実行される場合には、「出力」は、該情報処理装置へのエポック数の送信を含む。

【0072】

受付機能１５６は、ユーザによる各種の操作を受け付ける。受付機能１５６は、例えば、ユーザによる画像処理の開始の操作を受け付けるものとする。また、受付機能１５６は、正解モデルとして取得された領域抽出画像３０１～３０３、及び推定機能１５３によってモデル６０から出力された領域抽出画像３０４～３０Ｎに対するユーザのグルーピングの操作を受け付ける。領域抽出画像３０１～３０Ｎがユーザによってグルーピングされた結果は、グルーピング画像４０１～４０Ｎである。

【0073】

再構成機能１５７は、グルーピング画像４０１～４０Ｎを再構成することにより、３次元画像５０を生成する。再構成機能１５７は、生成した３次元画像５０を、例えば、記憶回路１２０に保存する。あるいは、再構成機能１５７は、生成した３次元画像５０を、他の情報処理装置に送信しても良いし、ディスプレイ１４０に表示させても良い。

【0074】

次に、以上のように構成された医用画像処理装置１００で実行される半自動の領域抽出処理の流れについて説明する。

【0075】

図６は、本実施形態に係る半自動の領域抽出処理の流れの一例を示すフローチャートである。このフローチャートの処理は、例えば、受付機能１５６が、ユーザによる画像処理の開始の操作を受け付けた場合に開始する。

【0076】

まず、取得機能１５１は、処理対象の顕微鏡画像群２を取得する（Ｓ１）。また、取得機能１５１は、第１の教師データセット３１ａである領域抽出画像３０１～３０３を取得する（Ｓ２）。

【0077】

次に、学習機能１５２は、“ｉ”に“１”を設定する（Ｓ３）。

【0078】

次に、決定機能１５４は、“ｉ＝１”であるか、つまり今回の学習が１回目であるか否かを判定する（Ｓ４）。第１の学習においては、Ｓ３でパラメータ“ｉ”に“１”が設定されているため、“ｉ＝１”となる（Ｓ４“Ｙｅｓ”）。

【0079】

そして、決定機能１５４は、（１）式を用いてエポック数を決定する。“ｉ＝１”の場合は、決定機能１５４は、規定の初期値を、エポック数として決定する（Ｓ５）。このフローチャートでは、初期値は“２００”とする。出力機能１５５は、決定機能１５４によって決定されたエポック数“２００”を、第１のモデル６０１のエポック数として設定する。

【0080】

そして、学習機能１５２は、顕微鏡画像群２における最初のＭ枚の顕微鏡画像２０、及び第１の教師データセット３１ａを第１のモデル６０１に入力する（Ｓ６）。このフローチャートでは、最初のＭ枚の顕微鏡画像２０は、顕微鏡画像２０１～２０３とする。

【0081】

そして、学習機能１５２は、顕微鏡画像２０１～２０３及び領域抽出画像３０１～３０３を用いた第１のモデル６０１の学習処理を、２００エポック分実行する（Ｓ７）。

【0082】

次に、推定機能１５３は、学習後の第１のモデル６０１、つまり第２のモデル６０２に、次の顕微鏡画像２０に対応する擬似ラベルを出力させる（Ｓ８）。具体的には、推定機能１５３は、第１のモデル６０１に顕微鏡画像２０４を入力し、第１のモデル６０１から出力された領域抽出画像３０４を、顕微鏡画像２０４に対応する擬似ラベルとする。

【0083】

次に、推定機能１５３は、顕微鏡画像群２に含まれる全ての顕微鏡画像２０に対するラベル付けが終了したか否かを判定する（Ｓ９）。推定機能１５３は、Ｎ枚目の顕微鏡画像２０Ｎに対応する領域抽出画像３０Ｎが生成されるまでは、ラベル付けが終了していないと判定する（Ｓ９“Ｎｏ”）。この場合、推定機能１５３は、例えば、生成した擬似ラベルを学習機能１５２に送出する。

【0084】

次に、学習機能１５２は、“ｉ”に“１”を加算する（Ｓ１０）。そして、Ｓ４の処理に戻る。

【0085】

決定機能１５４は、再び、“ｉ＝１”であるか否かを判定する（Ｓ４）。２回目の学習の場合は“ｉ＝２”であるため、決定機能１５４は、“ｉ≠１”と判定する（Ｓ４“Ｎｏ”）。

【0086】

そして、決定機能１５４は、（１）式を用いてエポック数を決定する（Ｓ１１）。例えば、第２の学習においては、決定機能１５４は、第１の学習におけるエポック数の２分の１である“１００”を、第２の学習におけるエポック数として決定する。また、出力機能１５５は、決定機能１５４によって決定されたエポック数“１００”を、第２のモデル６０２のエポック数として設定する。

【0087】

そして、学習機能１５２は、今回の学習の対象のＭ枚の顕微鏡画像２０、及び第２の教師データセット３１ｂを第２のモデル６０２に入力する（Ｓ１２）。このフローチャートでは、第２の学習における対象のＭ枚の顕微鏡画像２０は、顕微鏡画像２０２～２０４とする。そして、Ｓ７の処理に進み、第２の学習が実行される。

【0088】

Ｓ７及びＳ８の処理の後、推定機能１５３は、再び、顕微鏡画像群２に含まれる全ての顕微鏡画像２０に対するラベル付けが終了したか否かを判定する（Ｓ９）。Ｎ枚目の顕微鏡画像２０Ｎに対応する領域抽出画像３０Ｎが生成された場合、ラベル付けが終了したと判定する（Ｓ９“Ｙｅｓ”）。この場合、このフローチャートの処理は終了する。

【0089】

また、このフローチャートの処理の終了後、受付機能１５６によるユーザのグルーピング操作の受け付け、及び再構成機能１５７による３次元再構成処理が実行される。

【0090】

このように、本実施形態の医用画像処理装置１００によれば、モデル６０で使用されるエポック数を、初期値及び１つ前のモデル６０のエポック数に基づいて動的に決定することにより、固定値のエポック数を適用する場合と比較して、機械学習の学習時間及び学習処理の負荷を低減させることができる。例えば、モデル６０のバージョンに関わらず初期値と同じ２００エポックを実行する場合と比較して、動的にエポック数を変更する場合は、必要以上のエポック数の学習が実行されないため、学習時間の低減、及び処理負荷の低減を図ることができる。

【0091】

また、本実施形態においては、連続する複数の医用画像を学習の対象とするため、モデル６０のバージョンに応じてエポック数を低減させた場合であっても、前回までの学習の蓄積によって学習の精度の低下を低減することができる。

【0092】

また、本実施形態の医用画像処理装置１００は、第２のエポック数が規定の最小値以上である限り、第２のエポック数を、１つ前のモデル６０で使用された第１のエポック数よりも規定の減少率分減少させる。換言すれば、本実施形態の医用画像処理装置１００は、エポック数が規定の最小値以上である限り、モデル６０のバージョンが増える度に、エポック数を規定の減少率に基づいて減少させる。このため、本実施形態の医用画像処理装置１００によれば、モデル６０の精度をある程度維持した上で、学習時間の低減、及び処理負荷の低減を図ることができる。

【0093】

また、本実施形態の医用画像処理装置１００は、顕微鏡画像群２のうち先頭のＭ枚の顕微鏡画像２０である第１の医用画像セット２１ａ、及び第１の医用画像セット２１ａに対応する第１の教師データセット３１ａを用いて、第１のモデル６０１に第１の学習を第１のエポック数分実行させることにより、第２のモデル６０２を生成させる。そして、本実施形態の医用画像処理装置１００は、次の学習においては、第２のモデル６０２によって推定された擬似教師データを用いて、第２のモデル６０２に再学習させる。このため、本実施形態の医用画像処理装置１００によれば、連続する顕微鏡画像２０１～２０Ｎのうち、最初のＭ枚の顕微鏡画像２０に対応する教師データがあれば、残りの顕微鏡画像２０に対応する擬似教師データを自動で生成して再学習を行うことができる。このため、全ての顕微鏡画像２０１～２０Ｎに対応する教師データをユーザが用意しなくとも良く、教師データの作成のためのユーザの作業負荷及び作業時間が低減される。

【0094】

また、このような手法を採用することにより、学習専用のデータセットをユーザが用意しなくとも、画像処理の対象である顕微鏡画像群２自体を学習用に使用することができる。一般に電子顕微鏡により綺麗な連続画像を得ることは、習熟した専門家にとっても難易度が高いため、撮影される画像の質が安定しない場合がある。このため、同種のデータセットを複数得ることが困難である。このような事情により、複数の連続する顕微鏡画像を含む１つの学習専用のデータセットに対してモデルを作成し、作成されたモデルを、画像処理の対象である他のデータに対して運用する、という方式を適用することが難しい場合がある。これに対して、本実施形態の医用画像処理装置１００では、画像処理の対象である顕微鏡画像群２とは別に、学習専用の顕微鏡画像群及び該学習専用の顕微鏡画像群に対応する教師画像データ群を用意しなくとも良い。このため、本実施形態の医用画像処理装置１００によれば、ユーザによる学習データ及び教師データの入手または作成のための作業負荷を低減することができる。

【0095】

また、本実施形態の医用画像処理装置１００は、第１の学習後の第１のモデル６０１、すなわち第２のモデル６０２に、顕微鏡画像群２のうち第１の医用画像セット２１ａの最後の顕微鏡画像２０３の次の顕微鏡画像２０４に対応する擬似教師データを出力させる。また、本実施形態の医用画像処理装置１００は、第２の医用画像セット２１ｂ及び第２の教師データセット３１ｂを用いて、第２のモデル６０２に第２の学習をエポック数分実行させる。本実施形態では、顕微鏡画像群２のうち学習対象の顕微鏡画像２０が１枚ずつ移動し、かつ、学習に用いられる医用画像セット２１及び教師データセット３１には、前回の学習で使用された顕微鏡画像２０及び教師データの一部が含まれるため、擬似教師データを使用した場合でも、学習の精度の低下を低減することができる。

【0096】

また、本実施形態における顕微鏡画像群２に含まれる連続する顕微鏡画像２０１～２０Ｎは、物理的に連続する画像である。このため、顕微鏡画像２０１～２０Ｎのうち、隣り合う顕微鏡画像２０同士は互いに類似するので、前回までの学習結果から、次の顕微鏡画像２０に対応する擬似教師データを、精度良く生成することができる。

【0097】

（第２の実施形態）
この第２の実施形態では、医用画像処理装置１００は、モデル６０によって生成される擬似教師データの確信度（Confidence Level）を評価する。

【0098】

図７は、本実施形態に係る医用画像処理装置１００の構成の一例を示す図である。図７に示すように、医用画像処理装置１００は、図１で説明した第１の実施形態と同様に、ＮＷインタフェース１１０と、記憶回路１２０と、入力インタフェース１３０と、ディスプレイ１４０と、処理回路１５０とを備える。

【0099】

本実施形態の処理回路１５０は、取得機能１５１、学習機能１５２、推定機能１５３、決定機能１５４、出力機能１５５、受付機能１５６、再構成機能１５７、算出機能１５８、及び表示制御機能１５９を備える。算出機能１５８は、算出部の一例である。表示制御機能１５９は、表示制御部の一例である。取得機能１５１、学習機能１５２、推定機能１５３、決定機能１５４、出力機能１５５、受付機能１５６、及び再構成機能１５７は、第１の実施形態と同様の機能を備える。

【0100】

算出機能１５８は、モデル６０の出力する擬似ラベルの確信度を算出する。確信度の算出の手法は、公知の技術を採用可能である。算出機能１５８は、算出した確信度を、表示制御機能１５９に送出する。

【0101】

表示制御機能１５９は、確信度が閾値以下になった場合に、ディスプレイ１４０に警告を表示させる。

【0102】

本実施形態の医用画像処理装置１００によれば、このような機能を備えることにより、再学習を繰り返すことによる確信度の低下について、ユーザに把握させることができる。

【0103】

また、学習機能１５２及び推定機能１５３は、確信度が閾値以下になった場合、領域抽出処理を停止しても良い。

【0104】

例えば、ユーザは、警告が出た場合に、次の学習に使用される教師データ正解ラベルである領域抽出画像３０を手動で生成しても良い。この場合、取得機能１５１は、ユーザによって新たに生成された教師データを取得する。また、学習機能１５２は、取得された新たな教師データを用いて、モデル６０の学習を実行することにより、学習の精度を再び高めることができる。なお、ユーザは、教師データを完全に手作業で生成しても良いし、確信度が閾値以下になった擬似教師データを修正することによって教師データを作成しても良い。

【0105】

なお、本実施形態においては確信度を例として説明したが、その他の指標を採用しても良い。

【0106】

（変形例１）
上述の各実施形態においては、顕微鏡画像２０を医用画像の一例としたが、医用画像はこれに限定されるものではない。例えば、医用画像は、磁気共鳴イメージング（Magnetic Resonance Imaging：MRI）装置によって撮像された磁気共鳴画像、またはＸ線コンピュータ断層撮像（Computed Tomography：CT）装置によって撮像されたＣＴ画像であっても良い。あるいは、医用画像は、その他のモダリティによって撮像された画像でも良い。

【0107】

また、医用画像が例えば磁気共鳴画像またはＣＴ画像の場合、被検体のある組織（例えば腫瘍）の３次元の体積の計測等に、上述の各実施形の医用画像処理装置１００の構成が適用可能である。例えば、対象の組織が描出された連続するＮ枚の断面画像のうち、Ｍ枚について該組織部分を示す教師データをユーザが生成すれば、残りの断面画像については、モデル６０によって対象の組織が描出された部分を特定可能である。対象の組織が描出された部分が特定された連続するＮ枚の断面画像が３次元再構成した３次元画像から、該組織の体積は特定可能である。このため、本変形例の医用画像処理装置１００によれば、Ｎ枚の断面画像の全てについてユーザが対象の組織が描出された部分を特定する作業をしなくとも良く、ユーザの作業負荷を低減することができる。

【0108】

（変形例２）
上述の各実施形態においては、各画像の撮像対象である切片が、物理的に連続する複数の顕微鏡画像２０１～２０Ｎを例として説明したが、医用画像の連続性は、物理的な連続に限定されるものではない。例えば、撮像視野が固定された状態で撮像された、時間的に連続する複数の医用画像を、「連続する複数の医用画像」の一例としても良い。

【0109】

（変形例３）
上述の各実施形態においては、モデル６０は、顕微鏡画像２０の領域抽出までを行ったが、グルーピングまで行うものとしても良い。この場合、例えば、取得機能１５１は、グルーピング画像４０１～４０３を、教師データとして取得する。また、グルーピング画像４０４～４０Ｎが、モデル６０による半自動的な画像処理によって生成される。

【0110】

また、モデル６０によって行われる画像処理は、これらに限定されるものではない。例えば、医用画像が磁気共鳴画像またはＣＴ画像である場合、病巣領域のセグメンテーション等が画像処理としてモデル６０によって行われても良い。

【0111】

（変形例４）
上述の第２の実施形態では、確信度が閾値以下になった場合にユーザが新たな教師データの作成をする例について説明したが、確信度の値に関わらず、ユーザが所望のタイミングで新たな教師データの作成をしても良い。なお、第２の実施形態で述べたように、新たな教師データの作成は、擬似教師データの修正を含む。

【0112】

（変形例５）
上述の各実施形態においては、医用画像処理装置１００は、顕微鏡画像群２の先頭から順に領域抽出処理を実行したが、実行順はこれに限定されるものではない。例えば、医用画像処理装置１００は、顕微鏡画像群２を複数に分割し、分割された複数の顕微鏡画像群の各々に対して領域抽出処理を実行しても良い。

【0113】

（変形例６）
上述の各実施形態においては、顕微鏡画像２０の画像全体を画像処理の対象としたが、一部の画像領域のみを対象としても良い。例えば、医用画像が磁気共鳴画像またはＣＴ画像である場合、画像処理の対象は関心領域（Region Of Interest：ROI）のみでも良い。

【0114】

（変形例７）
医用画像処理装置１００は、上述の各実施形態で説明した機能の全てを備えなくとも良い。例えば、学習機能１５２及び推定機能１５３は、医用画像処理装置１００とは異なる他の情報処理装置によって実行されても良い。すなわち、モデル６０が医用画像処理装置１００に設けられない構成を採用しても良い。当該構成を採用する場合、医用画像処理装置１００は、決定機能１５４によってエポック数を決定し、決定されたエポック数を出力機能１５５によって該他の情報処理装置に送信する。

【0115】

また、グルーピング及び３次元再構成等の処理についても、医用画像処理装置１００とは異なる他の情報処理装置によって実行されても良い。

【0116】

また、上述の各実施形態で説明した医用画像処理装置１００の機能の一部または全てが、クラウド環境で実行されても良い。

【0117】

なお、本明細書において扱う各種データは、典型的にはデジタルデータである。

【0118】

以上説明した少なくとも１つの実施形態によれば、医用画像の画像処理における機械学習の学習時間及び学習処理の負荷を低減させることができる。

【0119】

いくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更、実施形態同士の組み合わせを行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

【符号の説明】

【0120】

２ 顕微鏡画像群
２０，２０１～２０Ｎ 顕微鏡画像
２１，２１ａ～２１ｃ 医用画像セット
３０，３０１～３０Ｎ 領域抽出画像
３１，３１ａ～３１ｃ 教師データセット
４０，４０１～４０Ｎ グルーピング画像
５０ ３次元画像
６０，６０１～６０Ｎ モデル
１００ 医用画像処理装置
１１０ ＮＷインタフェース
１２０ 記憶回路
１３０ 入力インタフェース
１４０ ディスプレイ
１５０ 処理回路
１５１ 取得機能
１５２ 学習機能
１５３ 推定機能
１５４ 決定機能
１５５ 出力機能
１５６ 受付機能
１５７ 再構成機能
１５８ 算出機能
１５９ 表示制御機能

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】