JP2008157640A - 脳画像データに関する時系列データの解析方法、プログラムおよび記録媒体 - Google Patents

Abstract

【課題】分割投与法を用いた場合に、誤差を生じることなく残存放射能を推定し良好な画像を得ることができる脳画像データに関する時系列データの解析方法等を提供する。
【解決手段】脳画像データに関する時系列データ２を入力する。入力した脳画像データに関する時系列データ２をニューラルネットワーク４に学習させる。特定期間における脳画像データに関する時系列データを上記学習させたニューラルネットワーク４に入力し、特定期間後の期間における時系列データを予測させる。入力データベクトルは脳血流ＳＰＥＣＴを用いた負荷試験において収集された複数の被験者に関する脳内の複数の位置についての所定期間内における脳放射能データを要素とする。最小とする測度はユークリッド距離とする。特定期間は血流ＳＰＥＣＴを用いた分割投与法による負荷試験における第１回目トレーサ投与後から第２回目トレーサ投与前までの期間とする。
【選択図】 図１

Description

本発明は、コンピュータを用いた脳画像データに関する時系列データの解析方法等に関する。

アルツハイマー病（Alzheimer’s disease : ＡＤ）などの局所脳血流量(regional cerebral blood flow: ｒＣＢＦ)が変化する疾患の診断には、単光子放出コンピュータ断層撮影（Single Photon Emission Computed Tomography : ＳＰＥＣＴ）、陽電子放出断層撮影（Positron Emission Tomography : ＰＥＴ）のような核医学画像診断法が利用されている。上記局所脳血流量測定または脳循環予備能（cerebral perfusion reserve）算出の臨床的価値は、従来から多く報告されている。脳血流ＳＰＥＣＴで行われている代表的な負荷試験としてDiamox（登録商標）負荷試験があり、このようなＣＢＦ増加をきたす負荷試験には、血流直線性の優れた^１２３Ｉ−ＩＭＰ（Ｎ-isopropyl-p-[¹²³I]iodoamphetamine）がトレーサとして用いられている。特に、非侵襲的なＳＰＥＣＴを利用して、１日という短時間に連続２回の^１２３Ｉ−ＩＭＰ ＳＰＥＣＴを用いた分割投与法（split dose techniqueまたはone-day protocol）によりDiamox（登録商標）負荷を行い、安静および負荷状態でのＣＢＦ分布を求める検査法（^１２３Ｉ−ＩＭＰ１日法）が用いられている（非特許文献１参照）。

図２０は、従来の^１２３Ｉ−ＩＭＰ ＳＰＥＣＴを用いた分割投与法を説明するグラフである。図２０で、横軸は時間であり、縦軸は脳組織放射能である。図２０に示されるように、まず、^１２３Ｉ−ＩＭＰ（１１１ＭＢｑ）の第１回目静注（intravenous injection : i.v.）（第１回目ＳＰＥＣＴ）を行う。以下、第１回目静注時を時間０とし、時間０からの経過時間を示す。第１回目の^１２３Ｉ−ＩＭＰ静注から持続動脈採血が５分２２秒経過後まで行われ、ダイナミック（dynamic）ＳＰＥＣＴが施行される。図２０では、この時の脳組織放射能がＢ１で示されている。８分３秒経過後にDiamox（登録商標）（２０ｍｇ／ｋｇ）を静注する。２５分経過後に、^１２３Ｉ−ＩＭＰ（１１１ＭＢｑ）の第２回目静注（第２回目ＳＰＥＣＴ）を行う。この時期には、第１回目の^１２３Ｉ−ＩＭＰ投与による脳組織放射能はほぼ一定値となって変動が少なくなり、その後の脳組織放射能の推定が容易である事を前提としている。図２０に示されるように、持続動脈採血が２４分１０秒から３０分経過後まで行われ、ダイナミック（dynamic）ＳＰＥＣＴが施行される。図２０では、この時の脳組織放射能がＢ２＋バックグランド（点線）で示されている。このバックグランドは第１回目の^１２３Ｉ−ＩＭＰ静注による残存放射能である。

西村恒彦編集、「改訂版最新脳ＳＰＥＣＴ／ＰＥＴの臨床−脳機能の検査法」、２００２年６月２０日発行、株式会社メジカルビュー社

上述した^１２３Ｉ−ＩＭＰ１日法には、２つの問題があった。１つはトレーサの投与量の問題であり、もう１つは減算 (subtraction) の問題である。すなわち、^１２３Ｉ−ＩＭＰの投与量は２回に分割投与すると１回当りの投与量は少なくなるため、良好な画像を得ることが困難であるという問題があった。次に、第２回目の^１２３Ｉ−ＩＭＰ静注によるＣＢＦ分布（上述のＢ２）を測定するためには、第２回目のＳＰＥＣＴ実測値から第１回目の^１２３Ｉ−ＩＭＰ静注による残存放射能（バックグランド）を減算する必要がある。従来、残存放射能（バックグランド）の推定は、第２回目の^１２３Ｉ−ＩＭＰ静注直前の第１回ＳＰＥＣＴ実測値から直線近似関数利用法により推定していた。この直線近似関数利用法による推定は、上述したように第２回目の^１２３Ｉ−ＩＭＰ静注の時期には第１回目の^１２３Ｉ−ＩＭＰ投与による脳組織放射能はほぼ一定値となって変動が少ないという前提に基づいていた。しかし、^１２３Ｉ−ＩＭＰ静注後の脳組織時間放射能曲線は種々の影響を受けるものであり、さらに個人差も無視できない。このため、従来のような直線近似関数利用法による単純な残存放射能（バックグランド）の推定では、かなりの誤差が生じることになるという問題があった。

そこで、本発明の目的は、上記問題を解決するためになされたものであり、分割投与法を用いた場合であっても、誤差を生じることなく残存放射能（バックグランド）を推定することができ、良好な画像を得ることができる脳画像データに関する時系列データの解析方法等を提供することにある。

この発明の脳画像データに関する時系列データの解析方法は、コンピュータを用いた脳画像データに関する時系列データの解析方法であって、脳画像データに関する時系列データをニューラルネットワークに学習させる学習ステップと、特定期間における脳画像データに関する時系列データを前記学習ステップで学習させたニューラルネットワークに入力し、該特定期間後の期間における時系列データを予測させる予測ステップとを備えたことを特徴とする。

ここで、この発明の脳画像データに関する時系列データの解析方法において、前記ニューラルネットワークは自己組織化マップ（Self-organizing Map : ＳＯＭ）法に基づくものであり、前記脳画像データに関する時系列データをＳＯＭ法における２次元格子配列上のニューロンに入力データベクトルとして提示することができる。

ここで、この発明の脳画像データに関する時系列データの解析方法において、前記脳画像データに関する時系列データは、脳血流ＳＰＥＣＴ（Single Photon Emission Computed Tomography : 単光子放出コンピュータ断層撮影）を用いた負荷試験において収集された脳放射能データとすることができる。

ここで、この発明の脳画像データに関する時系列データの解析方法において、前記学習ステップは、脳血流ＳＰＥＣＴを用いた負荷試験において収集された脳放射能データを要素とする入力データベクトルをＳＯＭ法における２次元格子配列上のニューロンに提示し、該入力データベクトルと各ニューロンの参照ベクトルとの間で最小とする測度をユークリッド距離として学習させ、前記予測ステップは、脳血流ＳＰＥＣＴを用いた分割投与法による負荷試験における第１回目トレーサ投与後から第２回目トレーサ投与前までの期間を特定期間とし、該特定期間において収集された脳放射能データを要素とする入力データベクトルであって該特定期間後の要素を欠損データとする入力データベクトルを前記学習ステップで学習させたＳＯＭ法における２次元格子配列上のニューロンに提示して、勝者ニューロンを求める勝者ニューロン取得ステップと、前記勝者ニューロン取得ステップで取得された勝者ニューロンの参照ベクトルに基づき、前記特定期間後の期間における脳放射能データを予測させる脳放射能予測ステップとを備えることができる。

ここで、この発明の脳画像データに関する時系列データの解析方法において、前記脳画像データは神経変性疾患の被験者を対象とすることができる。

この発明の脳画像データに関する時系列データの解析プログラムは、脳画像データに関する時系列データの解析をコンピュータに実行させるための脳画像データに関する時系列データの解析プログラムであって、コンピュータに、脳画像データに関する時系列データをニューラルネットワークに学習させる学習ステップ、特定期間における脳画像データに関する時系列データを前記学習ステップで学習させたニューラルネットワークに入力し、該特定期間後の期間における時系列データを予測させる予測ステップを実行させるための脳画像データに関する時系列データの解析プログラムである。

ここで、この発明の脳画像データに関する時系列データの解析プログラムにおいて、前記ニューラルネットワークは自己組織化マップ（Self-organizing Map : ＳＯＭ）法に基づくものであり、前記脳画像データに関する時系列データをＳＯＭ法における２次元格子配列上のニューロンに入力データベクトルとして提示することができる。

ここで、この発明の脳画像データに関する時系列データの解析プログラムにおいて、前記脳画像データに関する時系列データは、脳血流ＳＰＥＣＴ（Single Photon Emission Computed Tomography : 単光子放出コンピュータ断層撮影）を用いた負荷試験において収集された脳放射能データとすることができる。

ここで、この発明の脳画像データに関する時系列データの解析プログラムにおいて、前記学習ステップは、脳血流ＳＰＥＣＴを用いた負荷試験において収集された脳放射能データを要素とする入力データベクトルをＳＯＭ法における２次元格子配列上のニューロンに提示し、該入力データベクトルと各ニューロンの参照ベクトルとの間で最小とする測度をユークリッド距離として学習させ、前記予測ステップは、脳血流ＳＰＥＣＴを用いた分割投与法による負荷試験における第１回目トレーサ投与後から第２回目トレーサ投与前までの期間を特定期間とし、該特定期間において収集された脳放射能データを要素とする入力データベクトルであって該特定期間後の要素を欠損データとする入力データベクトルを前記学習ステップで学習させたＳＯＭ法における２次元格子配列上のニューロンに提示して、勝者ニューロンを求める勝者ニューロン取得ステップと、前記勝者ニューロン取得ステップで取得された勝者ニューロンの参照ベクトルに基づき、前記特定期間後の期間における脳放射能データを予測させる脳放射能予測ステップとを備えることができる。

ここで、この発明の脳画像データに関する時系列データの解析プログラムにおいて、前記脳画像データは神経変性疾患の被験者を対象とすることができる。

この発明の記録媒体は、本発明のいずれかの脳画像データに関する時系列データの解析プログラムを記録したコンピュータ読取り可能な記録媒体である。

本発明の脳画像データに関する時系列データの解析方法等によれば、脳血流ＳＰＥＣＴを用いた負荷試験において収集された複数の被験者に関する脳内の複数の位置についての所定期間の脳放射能データをＳＯＭ法に基づくニューラルネットワークに学習させることができる。すなわち、脳血流ＳＰＥＣＴを用いた負荷試験において収集された複数の被験者に関する上記脳放射能データのパターンが似ているものは、ＳＯＭ法に基づくニューラルネットワークにおいて同じグループに分類される。従って、同じグループ内のニューロンは似た値を要素とする参照ベクトルを有していることになる。そこで、次に脳血流ＳＰＥＣＴを用いた分割投与法による負荷試験において収集された複数の被験者に関する脳内の複数の同じ位置についての特定期間の脳放射能データを、上記学習済みのＳＯＭ法に基づくニューラルネットワークに提示する。具体的には、脳血流ＳＰＥＣＴを用いた分割投与法による負荷試験における第１回目トレーサ投与後から第２回目トレーサ投与前までの期間（特定期間）において収集された脳放射能データを要素とし、この特定期間後の要素は欠損データとした入力データベクトルを学習ステップで学習させたＳＯＭ法における２次元格子配列上のニューロンに提示する。上記学習済みのＳＯＭ法に基づくニューラルネットワークは、入力データベクトル中の特定期間の要素と参照ベクトル中の特定期間の要素とを比較し、両者が似ている場合、当該参照ベクトルが含まれるグループ内に当該入力ベクトルを分類する。この結果、当該入力ベクトルの欠損データ部分の要素は当該参照ベクトルの対応する要素から得ることができる。従って、脳血流ＳＰＥＣＴを用いた分割投与法による負荷試験における特定期間において収集された脳放射能データから、特定期間後の脳放射データ、すなわち第１回目のトレーサ投与による残存放射能（バックグランド）を予測することができる。この結果、分割投与法を用いた場合であっても、誤差を生じることなく残存放射能（バックグランド）を推定することができ、良好な画像を得ることができるという効果がある。

以下、各実施例について図面を参照して詳細に説明する。

図１は、本発明の脳画像データに関するコンピュータを用いた時系列データの解析方法等の概要をフローチャートで示す。図１に示されるように、脳画像データに関する時系列データ２を入力する（ステップＳ２）。脳画像データに関する時系列データ２は、複数の被験者に関する脳内の複数の位置についての所定期間の脳画像データである。続いて、入力した脳画像データに関する時系列データ２をニューラルネットワーク４に学習させる（学習ステップ。ステップＳ４）。特定期間における脳画像データに関する時系列データを学習ステップ（ステップＳ４）で学習させたニューラルネットワーク４に入力する。ここで、特定期間は上記所定期間内の期間であり、脳内の位置に関しては上記脳内の複数の位置と同じである。続いて、特定期間後の期間における時系列データを予測させ（以上、予測ステップ。ステップＳ６）、予測結果６として出力する。

ここで、脳画像データに関する時系列データは、脳血流ＳＰＥＣＴを用いた負荷試験において収集された脳放射能データであることが好適である。しかし、当該脳画像データに関する時系列データは脳血流ＳＰＥＣＴを用いた負荷試験において収集された脳放射能データに限定されるものではなく、ＰＥＴ、ＭＲＩ、またはＸ線断層写真撮影法（Computer Tomography : ＣＴ）等の医療用トレーサ動態解析において収集された時系列データ全般であってもよいことは勿論である。例えば、ＭＲＩにおける本発明の応用例として以下の例が挙げられる。即ち、脳造影灌流（パーフュージョン）ＭＲＩで、ダイナミック撮影を行い、造影剤注入時の脳断面を一定間隔で一定期間連続して撮影する（これが脳画像データに関する時系列データとなる。）。これにより、Time-Intensity
Curveが作成される。このTime-Intensity Curveのパターンを学習させる。このとき、同一被検者の^１５Ｏ-gasＰＥＴ試験で得られた脳血流定量値を用いて相関関係を得てあわせて学習する。次に、新たな被検者に脳造影パーフュージョン撮像を行い、得られたTime-Intensity
Curveのパターンより、すでに学習している脳血流量を推定させることができる。このとき、１ピクセルごとに全ピクセルで行ってもよいし、関心領域を設定して行ってもよい。このように、ＳＰＥＣＴにおけるDiamox(登録商標)法のような２回投与以外にも用いることができる。以下では、説明の便宜上、脳画像データに関する時系列データとして、脳血流ＳＰＥＣＴを用いた負荷試験において収集された脳放射能データを用いて説明する。被験者としては神経変性疾患の被験者が好適であり、神経変性疾患としては、例えば、アルツハイマー病、パーキンソン病、レビー小体型認知症、ハンチントン舞踏病、または進行性核上性麻痺等が挙げられる。

ニューラルネットワーク４としては、Kohonen型ニューラルネットワーク法(自己組織化マップ（Self-organizing Map : ＳＯＭ）法)に基づくものが好適であり、上述した脳画像データに関する時系列データをＳＯＭ法における２次元格子配列上のニューロンに入力データベクトルとして提示する。

以下では、ＳＯＭ法について概略を説明する。Kohonen型ニューラルネットワーク法とは、T.Kohonenにより１９８１年に発表された、自己組織化マップ（ＳＯＭ）とも呼ばれる教師無し学習型のニューラルネットワーク法である（T.Kohonen. Self-Organizing Maps. Springer-Verlag, Heidelberg, 1995.）。ＳＯＭでは、入力パターン群をその類似度に応じて分類する能力を自律的に獲得していく。ＳＯＭは階層型ニューラルネットワーク法の１つであるが、学習則には競合学習が使われており、入力層からデータを入力すると、競合層でそのデータの特徴を最もよく捉えたある１つのニューロンが発火する。様々なパターンを繰返し入力することにより、似ているパターン同士は近い位置のニューロンが発火し、似ていないパターン同士は遠くに離れた位置のニューロンが発火するというように、結合荷重ωを変化させていく。十分に学習を行うと、結合荷重ωがある値に収束する。この時点での競合層上の入力パターン群の発火マッピングは、パターン同士の類似性を反映したものとなり、これが分類結果として用いられる。一般的には、ｎ次元の入力データ群を２次元配列にマッピングする２次元ＳＯＭが用いられる。

次に、脳血流ＳＰＥＣＴを用いた負荷試験において収集された複数の被験者に関する脳内の複数の位置についての所定期間の脳放射能データに対するＳＯＭ法の適用について説明する。図２は、本発明の実施例１で適用される２次元ＳＯＭ１０を示す。図２において、符号１２はｎ次元の入力層ｘ（ｔ）（ｔは０、１、２、．．．の時間を示し、各ｘ（ｔ）は時間ｔにおけるｎ個の入力データを有する入力データベクトル）である。図２では時間ｔは省略され、入力データベクトルｘ（ｔ）の各要素はｘ_１，．．．，ｘ_ｎと示されている。すなわち、入力データはｎ次元実数ベクトルｘ＝（ｘ_１，．．．，ｘ_ｎ）で与えられるものとする。符号１４はパターンＡの入力データベクトルｘ_Ａ＝｛ｘ_Ａ１，ｘ_Ａ２，．．．，ｘ_Ａｎ｝、１６はパターンＢの入力データベクトルｘ_Ｂ＝｛ｘ_Ｂ１，ｘ_Ｂ２，．．．，ｘ_Ｂｎ｝である。符号１８は２次元に配列された競合層であり、図２では縦５、横６の３０ニューロン（またはユニット）が示されている。しかし、本発明の実施例１で適用される２次元ＳＯＭのニューロン数は３０に限定されるものではない。ＳＯＭは視覚上の観点から２次元としているが、本発明の実施例１で適用されるＳＯＭは２次元に限定されるものではない。以下では、２次元ＳＯＭはｍ×ｍの格子点上に配置されたニューロンｕ_ｉ，ｊ（ｉ、ｊ＝１〜ｍ）を持つものとする。入力データベクトルｘはすべてのニューロンｕ_ｉｊに提示され、２次元格子配列上の（ｉ，ｊ）に位置するニューロンｕ_ｉｊは、その入力データベクトルｘに対応した可変の結合荷重ベクトルω_ｉ，ｊ = (ω_ｉｊ，１，
ω_ｉｊ，２，…， ω_ｉｊ，ｎ) 、ｉ、ｊ＝１〜ｍを持つ（図２では重みωとして示す）。このω_ｉ，ｊを参照ベクトルという。参照ベクトルはω_ｉ，ｊ(ｔ)と表されるが、図２では時間ｔは省略されている。

計算は以下の手順により行われる。すなわち、脳血流ＳＰＥＣＴを用いた負荷試験において収集された複数の被験者に関する脳内の複数の位置についての所定期間の脳放射能データをＳＯＭ法における２次元格子配列上のニューロンに提示する入力データベクトルｘとし、所定の回数学習させる。図２に示されるように、パターンＡの入力（入力データベクトルｘ_Ａ）により、ニューロンｕ_Ｉ，Ｊ（勝者ニューロン）が発火する。 続いてパターンＢ（入力データベクトルｘ_Ｂ）が入力されると、入力データベクトルｘ_Ａと似ている場合はニューロンｕ_Ｉ，Ｊの近くのニューロンｕ_ａ，ｂが発火し、似ていない場合は遠くのニューロンｕ_ｃ，ｄが発火する。

次に、２次元ＳＯＭ１０で用いられるアルゴリズムについて説明する。図３は、２次元ＳＯＭ１０で用いられるアルゴリズムをフローチャートで示す。以下、図２および図３を用いて説明する。図３に示されるように、入力データベクトルｘ（ｔ）の数をＮ、繰返し数をＴ（≧Ｎ）とし、ｔ＝０とする。参照ベクトルω_ｉ，ｊ （ｔ）、ｔ＝０、ｉ、ｊ＝１〜ｍの初期値をランダムに与える（ステップＳ１０）。

ｔ＝１、２、．．．、Ｔに対して次の操作（ステップＳ１４〜Ｓ１８）を繰り返す（ステップ１２およびＳ２０）。

入力データベクトルｘ（ｔ）と各参照ベクトルω_ｉ，ｊ （ｔ−１）との間のユークリッド距離‖ｘ（ｔ）−ω_ｉ，ｊ （ｔ−１）‖、ｉ、ｊ＝１〜ｍを求める（ステップＳ１４）。

ステップＳ１４で求めたユークリッド距離（ｉ、ｊ＝１〜ｍ）を最小とするニューロンｕ_Ｉ，Ｊを求める（ステップＳ１６）。すなわち、入力データベクトルｘ（ｔ）と各ニューロンｕ_ｉ，ｊの参照ベクトルω_ｉ，ｊ （ｔ−１）との間で最小とする測度は、ユークリッド距離である。

参照ベクトルω_ｉ，ｊ （ｔ）を次式１により学習する（ステップＳ１８）。

ここで、ｈは参照ベクトルω_ｉ，ｊ （ｔ）の学習に用いられる近傍関数と呼ばれる関数であり、次の性質を持つ関数である。
１．ｔ（学習回数）に関する単調減少関数で、ｔが無限大で近傍関数ｈは０に収束する。２．格子点（ｉ，ｊ）と勝者ニューロンｕ_Ｉ，Ｊの位置する格子点（Ｉ，Ｊ）との間のユークリッド距離‖ｕ_ｉ，ｊ−ｕ_Ｉ，Ｊ‖に関して単調減少する。単調減少の程度はｔが増加するほど大きくなる。

ステップＳ１８では、発火したニューロンｕ_Ｉ，Ｊは、次のサイクル上で同一の入力ベクトルｘ_Ｓに対する応答を改良するために重みω_ｉ，ｊ （ｔ）の修正を行う。ニューロンｕ_Ｉ，Ｊの近傍におけるすべてのニューロンｕ_ａ，ｂ等の重みω_ａ，ｂ （ｔ）は、 ニューロンｕ_Ｉ，Ｊとの間のユークリッド距離が増加するに従って減少する量によって修正する。つまり、発火したニューロンｕ_Ｉ，Ｊの近くにあるニューロンｕ_ａ，ｂ等ほど、発火の影響を受けるように学習が行われる。勝者ニューロンｕ_Ｉ，Ｊの位置する格子点（Ｉ，Ｊ）の回りに近傍領域（例えば、正方形または６角形等）を定義し、近傍領域内のすべてのニューロンｕ_ａ，ｂ等が式１に従って入力データベクトルｘ（ｔ）を学習するようにしてもよい。

ステップＳ２０で学習が終了すると、図２に示されるような分類結果２０が得られる。分類結果２０に示されるように、入力データベクトルｘ_Ａと似たものはグループＧ１に分類され、他の入力データベクトルｘ_Ｂ等と似たものはグループＧ２等に分類されている。以上のように、勝者ニューロンの位置をプロットすることにより分類することができる。

ＳＯＭでは、提示されたデータに対してネットワーク全体の学習をするのではなく、そのデータに近いニューロンｕ_Ｉ，Ｊおよびそのニューロンｕ_Ｉ，Ｊの近くにあるニューロンｕ_ａ，ｂ等の結合荷重ω_ｉ，ｊ （ｔ）を選択的に学習している。こうした学習方法を競合学習という。繰返し数Ｔとは、行われるべき学習回数のことであり、パラメータとしてあらかじめ設定する必要がある。繰返し数Ｔの値が大きすぎると、すでに学習してあるニューラルネットワークにさらに学習を行わせるという過学習が起こり、悪循環に陥る。逆に、学習回数が少ないと、十分な学習が行われないうちに終了してしまう可能性がある。
従って、繰返し数Ｔの値は過学習が起こらず、且つ十分な学習が行われるような所望の値に設定する。なお、ＳＯＭのプログラムは開発者のKohonen自身が作成したsom_pak３．１（http://www.cis.hut.fi/research/som-research/nnrc-programs.shtml）を利用した。

以上の手順により、脳血流ＳＰＥＣＴを用いた負荷試験において収集された複数の被験者に関する脳内の複数の位置についての所定期間の脳放射能データをＳＯＭ法に基づくニューラルネットワークに学習させることができる。すなわち、図２の分類結果２０に示されるように、脳血流ＳＰＥＣＴを用いた負荷試験において収集された複数の被験者に関する上記脳放射能データのパターンが似ているものは、同じグループＧ１等に分類される。従って、同じグループＧ１等内のニューロンｕ_ａ，ｂ等は似た値を要素とする参照ベクトルを有していることになる。そこで、次に脳血流ＳＰＥＣＴを用いた分割投与法による負荷試験において収集された複数の被験者に関する脳内の複数の同じ位置についての特定期間の脳放射能データを、上記学習済みのＳＯＭ法に基づくニューラルネットワークに提示する。具体的には、脳血流ＳＰＥＣＴを用いた分割投与法による負荷試験における第１回目トレーサ投与後から第２回目トレーサ投与前までの期間（上記所定期間内の特定期間。第１回目ＳＰＥＣＴの期間）において収集された脳放射能データを要素とし、この特定期間後の要素は欠損データとした入力データベクトルを学習ステップで学習させたＳＯＭ法における２次元格子配列上のニューロンに提示する。上記学習済みのＳＯＭ法に基づくニューラルネットワークは、入力データベクトル中の特定期間の要素と参照ベクトル中の特定期間の要素とを比較し、両者が似ている場合、当該参照ベクトルが含まれるグループＧ１等内に当該入力ベクトルを分類する。この結果、当該入力ベクトルの欠損データ部分の要素は当該参照ベクトルの対応する要素から得ることができる。従って、脳血流ＳＰＥＣＴを用いた分割投与法による負荷試験における特定期間において収集された脳放射能データから、特定期間後の脳放射データ、すなわち第１回目のトレーサ投与による残存放射能（バックグランド）を予測することができる。

図４は、上述した本発明の実施例１における脳画像データに関する時系列データの解析方法またはプログラムの流れをフローチャートで示す。図４に示されるように、上述の学習ステップ（ステップＳ４）では、脳血流ＳＰＥＣＴを用いた負荷試験において収集された脳放射能データを要素とする入力データベクトルをＳＯＭ法における２次元格子配列上のニューロンに提示し、この入力データベクトルと各ニューロンの参照ベクトルとの間で最小とする測度をユークリッド距離として学習させる（学習ステップ。ステップＳ３０）。入力データベクトルは、複数の被験者に関する脳内の複数の位置についての所定期間の脳放射能データである。後述する検証において詳細が示されるが、所定期間は例えば１８フレーム分（の期間）とすることが好適である。これは図２０を用いて説明すると、横軸（時間）を２分３０秒毎に１フレームとして、１８フレーム分撮像することを意味する。入力する学習用の脳放射能データは、脳内の複数の位置についてのものを用いることができる。これは図２０を用いて説明すると、第２回目のトレーサ投与がない場合の１８フレーム分の撮像を脳内の複数の位置で行うことを意味する。この例の場合、入力データベクトルおよび参照ベクトルの要素数ｎは１８となり、入力データベクトルの数Ｎは複数の被験者に関する脳内の複数の位置について撮像した数となる。

上述の予測ステップ（ステップＳ６）は以下のようになる。まず、脳血流ＳＰＥＣＴを用いた分割投与法による負荷試験における第１回目トレーサ投与後から第２回目トレーサ投与前までの期間を特定期間とし、当該特定期間において収集された脳放射能データと当該特定期間後の欠損データとを要素とする入力データベクトルを学習ステップ（ステップＳ３０）で学習させたＳＯＭ法における２次元格子配列上のニューロンに提示して、勝者ニューロンを求める（勝者ニューロン取得ステップ。ステップＳ３２）。上述の例および図２０を用いると、特定期間は第１回目トレーサ投与後の１フレーム目から第２回目トレーサ投与直前の９フレーム目までとなる。第２回目トレーサ投与は１０フレーム目（第１回目トレーサ投与後１０分経過後）となる。従って、入力データベクトルの要素は１番目から９番目までが１フレーム目から９フレーム目までの脳放射能データとなり、残り１０番目から１８番目までは欠損データ（「Ｘ」等の記号で置き換えておく。）となる。この結果、入力データベクトルの１番目から９番目の要素と最も似た１番目から９番目の要素を参照ベクトルの要素として有するニューロンが勝者ニューロンとなる。

次に、勝者ニューロン取得ステップ（ステップＳ３２）で取得された勝者ニューロンの参照ベクトルに基づき、特定期間後の期間における脳放射能データを予測させる（脳放射能予測ステップ。ステップＳ３４）。入力データベクトルは勝者ニューロンが含まれるグループＧ１等内に分類されるため、入力ベクトルの欠損データ部分の要素（上述の例を用いると、１０番目から１８番目までの要素）は、勝者ニューロンの参照ベクトルの対応する要素（１０番目から１８番目までの要素）から得ることができる。この結果、脳血流ＳＰＥＣＴを用いた分割投与法による負荷試験における特定期間において収集された脳放射能データ（入力データベクトルの１番目から９番目までの要素）から、特定期間後の脳放射データ（勝者ニューロンの参照ベクトルの１０番目から１８番目までの要素）、すなわち第１回目のトレーサ投与による残存放射能（バックグランド）を予測することができる。

以上説明したように、本発明の実施例１によれば、複数の被験者に関する脳内の複数の位置についての所定期間の脳画像データに関する時系列データ２を入力する。続いて、入力した上記脳画像データに関する時系列データ２をニューラルネットワーク４に学習させる（学習ステップ）。複数の被験者に関する脳内の複数の同じ位置についての特定期間における脳画像データに関する時系列データを上記学習ステップで学習させたニューラルネットワーク４に入力し、特定期間後の期間における時系列データを予測させ、予測結果６として出力する（予測ステップ）。学習ステップでは、脳血流ＳＰＥＣＴを用いた負荷試験において収集された所定期間内における脳放射能データを要素とする入力データベクトルをＳＯＭ法における２次元格子配列上のニューロンに提示し、この入力データベクトルと各ニューロンの参照ベクトルとの間で最小とする測度をユークリッド距離として学習させる。予測ステップ（ステップＳ６）では、まず、脳血流ＳＰＥＣＴを用いた分割投与法による負荷試験における第１回目トレーサ投与後から第２回目トレーサ投与前までの期間を特定期間とし、当該特定期間において収集された脳放射能データと当該特定期間後の欠損データとを要素とする入力データベクトルを学習ステップで学習させたＳＯＭ法における２次元格子配列上のニューロンに提示して、勝者ニューロンを求める（勝者ニューロン取得ステップ）。次に、勝者ニューロン取得ステップで取得された勝者ニューロンの参照ベクトルに基づき、特定期間後の期間における脳放射能データを予測させる（脳放射能予測ステップ）。入力データベクトルは勝者ニューロンが含まれるグループＧ１等内に分類されるため、入力ベクトルの欠損データ部分の要素は、勝者ニューロンの参照ベクトルの対応する要素から得ることができる。この結果、脳血流ＳＰＥＣＴを用いた分割投与法による負荷試験における特定期間において収集された脳放射能データから、特定期間後の脳放射データ、すなわち第１回目のトレーサ投与による残存放射能（バックグランド）を予測することができる。後述の検証で示されるように予測値と実測値との間の誤差は生じないため、分割投与法を用いた場合であっても、誤差を生じることなく残存放射能（バックグランド）を推定することができ、この結果、良好な画像を得ることができる。

検証．
１．実測に用いた装置および実測方法
ＳＰＥＣＴ装置の使用機種はシーメンス社製ＥＣＡＭ、使用コリメータはＬＥＨＲである。エネルギーウィンドウは光電ピークを１４９Ｋｅｖとする±１０％（合わせて２０％）と設定した。３２step＊２検出器の２検出器型であり、計６４stepにて収集した。前フィルタはButterworth、再構成フィルタはRampであり、ＳＰＥＣＴの画像再構成にはフィルタ補正逆投影法（filtered backprojection : ＦＢＰ法）を用いた。実測方法には、従来の分割投与法に準じた方法を用いた。まず、^１２３Ｉ−ＩＭＰの第１回目静注を行う。第１回目静注から８分３秒経過後にDiamox（登録商標）を静注する。第１回目静注から２５分経過後に、^１２３Ｉ−ＩＭＰの第２回目静注を行う。ここで、１フレームの撮像を行う１ローテーションは２分３０秒とし、被験者１人当たり使用する薬剤（^１２３Ｉ−ＩＭＰ）の第１回目静脈投与後１ローテーション毎に１フレームずつ撮像して、１８フレーム（４５分後）まで撮像した。つまり、^１２３Ｉ−ＩＭＰの第２回目静注は１０フレーム目となる。各フレームについて１９２ＲＯＩ（region of Interest : 関心領域）値をデータとして取得した。被験者数は８名であり、ＲＯＩの設定は、脳梁辺縁、中心前、中心、頭頂、角回、側頭、後大脳、脳梁周囲、レンズ核、視床、海馬および小脳半球にそれぞれ左右対称に設けた。脳の標準規格はＳＰＭ（statistical parametric mapping）のアルゴリズムに準じ、ＲＯＩの設定は３ＤＳＲＴ（three-dimensional stereotaxic ROI template）を利用した。以上のように、脳内放射能信号は位置情報因子として１９２ＲＯＩ分あり、各ＲＯＩにつき時系列因子は１８フレーム分ある。

２．回帰直線近似による予測値と実測値との比較
背景技術で述べたように、従来、１回目のＳＰＥＣＴ実測値に基づく直線近似関数利用法により２回目のＳＰＥＣＴ実測値におけるバックグランドを推定する方法が用いられている。そこで、本発明の脳画像データに関する時系列データの解析方法等と比較するために、上述の実測に用いた装置および実測方法で得られたデータを用いて、回帰直線による２回目のＳＰＥＣＴ実測値におけるバックグランドの推定も行った。

図５は、回帰直線によるバックグランドの推定法を説明するためのグラフである。図５で、横軸はフレーム（frame : Ｆ）の番号であり、縦軸は第１回目静注した分の各フレームにおける累積されたカウントを示す相対カウント（Relative counts : Ｃ）の値（％）である。図５において、符号Ｌで示される曲線は実測された集積曲線（observed time activity curve of the brain）であり、上述のように１０フレーム目で第２回目静注を行うため、９フレーム目で相対カウントＣの値は１００％となっている。一方、符号Ｃで示される直線は５フレームから９フレームまでの集積曲線Ｌから計算された回帰直線（regression line calculated from the 5th to 9th frame）である。図５に示されるように、回帰直線Ｃは、回帰傾きをｋ１、回帰切片をｋ２として、Ｃ＝ｋ１×Ｆ＋ｋ２と表されている。第２回目の静注直前の約１０分間の集積曲線Ｌを直線回帰し、１回目の^１２３Ｉ−ＩＭＰ静注による残存脳組織放射能を推定した。すなわち、５フレームから９フレームまでの集積曲線Ｌを直線回帰して、１１、１２フレームの^１２３Ｉ−ＩＭＰ脳組織放射能を推定し、予測値とした。

図５に示されるように、回帰直線Ｃにより予測される１１、１２フレーム目の相対カウントの値と集積曲線Ｌによる観測された相対カウントの値とは誤差がある。回帰直線Ｃ上で、観測された１１、１２フレーム目の相対カウントの値と等しくなるのは、図５の点線で示されるように、横軸上で各々Ｆ１１、Ｆ１２の時点となる。従って、従来、５フレームから９フレームまでの集積曲線Ｌを直線回帰して、１１、１２フレームの^１２３Ｉ−ＩＭＰ脳組織放射能を推定することによる誤差は小さいものと考えられ、このため第２回目の^１２３Ｉ−ＩＭＰ静注によるＣＢＦに及ぼす影響は数％程度であり許容できるものと考えられていた。

表１は、１９２の位置情報因子数に応じた１９２セグメント直線回帰関数に関し、回帰傾きｋ１、回帰切片ｋ２、予測値と実測値との間の残差についての諸統計量を示す。

図６は、回帰直線（直線回帰関数）近似による予測値と実測値との間の相関係数を示すグラフである。図６で、横軸は相関係数（ｒ）であり、左側の縦軸は度数（棒グラフ用）、右側の縦軸は比率（折線グラフ用）である。１９２の位置情報因子数に応じた１９２セグメント直線回帰関数は、図６に示されるように、ｒの平均＝０．７４０、標準偏差＝０．２５、標準誤差＝０．０１と全体では相関が示された。ｒの最大値＝０．９９３、最小値＝０．００２であった。回帰直線近似で予測値を算出するには、幅が大きい例が多少存在した。

図７は、直線回帰により算出した予測値と実測値との間の残差がもたらす誤差を実測値に対して％で表した％誤差を示すグラフである。図７で、横軸は％誤差であり、左側の縦軸は度数（棒グラフ用）、右側の縦軸は比率（折線グラフ用）である。図７に示されるように、％誤差の平均＝１０．４７と結果に約１割の変動を与えることが示唆された。％誤差の標準偏差＝６．５６６、標準誤差＝０．４７３、最小値＝１．２７３、最大値＝４１．５５１、中央値＝９．４４３であった。図７に示されるように、２０％以上の％誤差を与える可能性が４０％程度の症例で生じる結果となった。

３．ＳＯＭによる予測値と実測値との比較
比較例１．
まず、少数例で検証を行った。患者（被験者）毎のＲＯＩには任意の連続番号を割り当て、各ＲＯＩで撮像された脳放射能データを入力データベクトルｘ（ｔ）として、ＳＯＭにて解析した。入力データベクトルｘ（ｔ）の数Ｎ＝２０例とした。ネットワークの構造は、図２の２次元ＳＯＭ１０を例にとると、入力層１２の次元ｎは１８で、競合層１８のニューロンは縦２０×横２０である。学習パラメータ（例えば、式１の近傍関数）の値は初期学習率０．２０、最終学習率０．００と単調減少させる。勝者ニューロンｕ_Ｉ，Ｊの回りに定義される近傍領域は６角形とし、そのサイズは初期近傍領域１０、 最終近傍領域０とする。その他、シグモイド関数勾配は１．００、学習回数（繰返し数Ｔ）は５００、乱数の種は５４７７７、学習方法はランダム、ＳＯＭの初期重み（ω_ｉ，ｊ （ｔ））は乱数とした。以下では、学習に用いる入力データベクトルを完全データ（実測値）と言い、予測に用いる入力データベクトルを不完全データ（予測値）と言う。

図８は、比較例１における予測後のＳＯＭを示す。図８において、学習に用いた完全データはｒｏｉ００１〜ｒｏｉ０２０と示され、各ＲＯＩにおける不完全データはａ００１〜ａ０２０と示されている。特許図面では白黒となっているが、学習後の分類結果は原図では各グループ毎に色分けされている。例えば、左上隅には橙色で示される７個のグループがあり、このグループ内の最も左上隅の６角形には学習後に完全データｒｏｉ０２０がプロットされ、且つ不完全データａ０２０がプロットされている。これは、完全データと予測データとの一致を示している。完全データと不完全データとはグループ内の同じ６角形にプロットされていなくても、同じ色で示される同じグループ内にプロットされていれば、両者は一致したことになる。図８のＳＯＭでは２０例の全ての完全データと不完全データとについて一致した。従って、誤差は０％であった。

図９は、図８で示されるＳＯＭの状態を確認用に示すサモンマップである。特許図面では白黒となっているが、原図では図８の色分けと同様に各グループ毎に色分けされている。図９のサモンマップに示されるように、各グループ毎の領域に分類されていることがわかる。

比較例２．
次に、入力データベクトルｘ（ｔ）の数Ｎ＝６０例として検証を行った。ネットワークの構造は、図２の２次元ＳＯＭ１０を例にとると、入力層１２の次元ｎは１８で、競合層１８のニューロンは縦１０×横１０である。これとは別に、入力層１２の次元ｎは１８で、競合層１８のニューロンが縦２０×横２０の場合についても検証を行った。学習パラメータ（例えば、式１の近傍関数）の値は初期学習率０．２０、最終学習率０．００と単調減少させる。勝者ニューロンｕ_Ｉ，Ｊの回りに定義される近傍領域は６角形とし、そのサイズは初期近傍領域５、 最終近傍領域０とする。その他、シグモイド関数勾配は１．００、学習回数（繰返し数Ｔ）は５００、乱数の種は６５２０６、学習方法はランダム、ＳＯＭの初期重み（ω_ｉ，ｊ （ｔ））は乱数とした。

図１０は、比較例２における予測後のＳＯＭ（競合層のニューロンが縦１０×横１０）を示す。図１０において、学習に用いた完全データはｒｏｉ００１〜ｒｏｉ０６０と示され、各ＲＯＩにおける不完全データはａ００１〜ａ０６０と示されている。特許図面では白黒となっているが、学習後の分類結果は原図では各グループ毎に色分けされている。図１０のＳＯＭでも６０例の全ての完全データと不完全データとについて一致した。従って、誤差は０％であった。

図１１は、比較例２における予測後のＳＯＭ（競合層のニューロンが縦２０×横２０）を示す。図１１において、学習に用いた完全データはｒｏｉ００１〜ｒｏｉ０６０と示され、各ＲＯＩにおける不完全データはａ００１〜ａ０６０と示されている。特許図面では白黒となっているが、学習後の分類結果は原図では各グループ毎に色分けされている。図１１のＳＯＭでも６０例の全ての完全データと不完全データとについて一致した。従って、誤差は０％であった。入力データベクトルｘ（ｔ）の数Ｎ＝６０例の場合、競合層のニューロンは縦２０×横２０の方が好適であると思われる。

図１２は、図１１で示されるＳＯＭの状態を確認用に示すサモンマップである。特許図面では白黒となっているが、原図では図１１の色分けと同様に各グループ毎に色分けされている。図１２のサモンマップに示されるように、各グループ毎の領域に分類されていることがわかる。

比較例３．
次に、入力データベクトルｘ（ｔ）の数として、完全データを１９２例、不完全データを１０８例として検証を行った。ネットワークの構造は、図２の２次元ＳＯＭ１０を例にとると、入力層１２の次元ｎは１８で、競合層１８のニューロンは縦２０×横２０、縦３０×横３０、縦４０×横４０、縦５０×横５０の場合について検証を行った。学習パラメータ（例えば、式１の近傍関数）の値は初期学習率０．２０、最終学習率０．００と単調減少させる。勝者ニューロンｕ_Ｉ，Ｊの回りに定義される近傍領域は６角形とし、そのサイズは初期近傍領域５、 最終近傍領域０とする。その他、シグモイド関数勾配は１．００、学習回数（繰返し数Ｔ）は５００、乱数の種は６５２０６、学習方法はランダム、ＳＯＭの初期重み（ω_ｉ，ｊ （ｔ））は乱数とした。

図１３は、比較例３における予測後のＳＯＭ（競合層のニューロンが縦２０×横２０）を示す。図１３において、学習に用いた完全データはｒｏｉ００１〜ｒｏｉ１９２と示され、各ＲＯＩにおける不完全データはａ００１〜ａ１０８と示されている。特許図面では白黒となっているが、学習後の分類結果は原図では各グループ毎に色分けされている。図１３のＳＯＭでも全ての完全データと不完全データとについて一致した。従って、誤差は０％であった。

図１４は、比較例３における予測後のＳＯＭ（競合層のニューロンが縦３０×横３０）を示す。図１４において、学習に用いた完全データはｒｏｉ００１〜ｒｏｉ１９２と示され、各ＲＯＩにおける不完全データはａ００１〜ａ１０８と示されている。特許図面では白黒となっているが、学習後の分類結果は原図では各グループ毎に色分けされている。図１４のＳＯＭでも全ての完全データと不完全データとについて一致した。従って、誤差は０％であった。

図１５は、比較例３における予測後のＳＯＭ（競合層のニューロンが縦４０×横４０）を示す。図１５において、学習に用いた完全データはｒｏｉ００１〜ｒｏｉ１９２と示され、各ＲＯＩにおける不完全データはａ００１〜ａ１０８と示されている。特許図面では白黒となっているが、学習後の分類結果は原図では各グループ毎に色分けされている。図１５のＳＯＭでも全ての完全データと不完全データとについて一致した。従って、誤差は０％であった。

図１６は、比較例３における予測後のＳＯＭ（競合層のニューロンが縦５０×横５０）を示す。図１６において、学習に用いた完全データはｒｏｉ００１〜ｒｏｉ１９２と示され、各ＲＯＩにおける不完全データはａ００１〜ａ１０８と示されている。特許図面では白黒となっているが、学習後の分類結果は原図では各グループ毎に色分けされている。図１６のＳＯＭでも全ての完全データと不完全データとについて一致した。従って、誤差は０％であった。

図１７は、図１６で示されるＳＯＭの状態を確認用に示すサモンマップである。特許図面では白黒となっているが、原図では図１６の色分けと同様に各グループ毎に色分けされている。図１７のサモンマップに示されるように、各グループ毎の領域に分類されていることがわかる。

図１８は、学習後に得られたＳＯＭの各ニューロンに対してウォード法によるクラスタ分析を施した結果の樹形図の一例を示す。当該樹形図は解析結果の確認用として用いることが好適である。

４．回帰直線近似とＳＯＭとの比較
初回（第１回投与）の^１２３Ｉ−ＩＭＰの脳内分布（第２回投与における残留脳放射能）を推測するに当たり、単回帰関数による予測とＳＯＭによる予測とを比較検討した。単回帰関数を利用した場合、％誤差の平均＝１０．４７と結果に約１割の変動を与えることが示唆された。２０％以上の％誤差を与える可能性が４０％程度の症例で生じる結果となり、誤差が予測より大きく算出された。一方、ＳＯＭを利用した場合、実測値と予測値との一致率は非常に高かった。ＳＯＭ法における教師信号の数は大きくなると、合わせて競合数を大きくする必要が示唆された。比較例３のように２００例近くの教師信号（患者データベース）がある場合は、同じ結果を表すデータを省き、競合層のニューロン数は縦４０×横４０以下にすることが好適であると考えられる。

上述した実施例１の脳画像データに関する時系列データの解析方法は、脳画像データに関する時系列データの解析をコンピュータに実行させるための脳画像データに関する時系列データの解析プログラム（コンピュータ・プログラム）として構成することができる。すなわち、コンピュータに、脳血流ＳＰＥＣＴを用いた負荷試験において収集された神経変性疾患等の被験者の脳放射能データに対し実施例１で説明したＳＯＭに基づくニューラルネットワークに学習させ、分割投与法による負荷試験において収集された上記特定期間における脳画像データに関する時系列データを上記学習したＳＯＭに入力し、特定期間後の期間における時系列データを予測させるための脳画像データに関する時系列データの解析プログラムとして実現することができる。実施例１で説明した脳画像データに関する時系列データの解析方法のフローチャート等は、脳画像データに関する時系列データの解析プログラムのフローチャートとして用いることができる。

図１９は、本発明の脳画像データに関する時系列データの解析プログラムを実行するコンピュータの内部回路５０を示すブロック図である。図１９に示されるように、ＣＰＵ５１、ＲＯＭ５２、ＲＡＭ５３、画像制御部５６、コントローラ５７、入力制御部５９および外部インタフェース（Interface : Ｉ／Ｆ）部６１はバス６２に接続されている。図１９において、上述の本発明のコンピュータ・プログラムは、ＲＯＭ５２、ディスク５８ａまたはＣＤ−ＲＯＭ５８ｎ等の記録媒体（脱着可能な記録媒体を含む）に記録されている。ディスク５８ａには、入力した、脳血流ＳＰＥＣＴを用いた負荷試験または分割投与法による負荷試験において収集された神経変性疾患等の被験者の脳放射能データを記録しておくことができる。このコンピュータ・プログラムは、ＲＯＭ５２からバス６２を介し、またはディスク５８ａ若しくはＣＤ−ＲＯＭ５８ｎ等の記録媒体からコントローラ５７を経由してバス６２を介しＲＡＭ５３へロードされる。画像制御部５６は、ディスク５８ａ等に記録された脳血流ＳＰＥＣＴを用いた負荷試験または分割投与法による負荷試験において収集された神経変性疾患等の被験者の脳放射能データに、ＳＯＭに基づくニューラルネットワークに学習させ予測させた結果を表示するためのデータをＶＲＡＭ５５へ送出する。表示装置５４はＶＲＡＭ５５から送出された上記結果を表示するディスプレイ等である。ＶＲＡＭ５５は表示装置５４の一画面分のデータ容量に相当する容量を有している画像メモリである。入力操作部６０はコンピュータに入力を行うためのマウス、テンキー等の入力装置であり、入力制御部５９は入力操作部６０と接続され入力制御等を行う。外部Ｉ／Ｆ部６１は、例えばインターネットまたはＬＡＮ等の外部の通信網（不図示）と接続する際のインタフェース機能を有している。

上述のようにＣＰＵ５１が本発明のコンピュータ・プログラムを実行することにより、本発明の目的を達成することができる。当該コンピュータ・プログラムは上述のようにＣＤ−ＲＯＭ５８ｎ等の記録媒体の形態でコンピュータＣＰＵ５１に供給することができ、当該コンピュータ・プログラムを記録したＣＤ−ＲＯＭ５８ｎ等の記録媒体も同様に本発明を構成することになる。当該コンピュータ・プログラムを記録した記録媒体としては上述された記録媒体の他に、例えばメモリ・カード、メモリ・スティック、ＤＶＤ、光ディスク、ＦＤ等を用いることができる。

本発明の活用例として、脳血流ＳＰＥＣＴにおける脳内トレーサの動態予測に臨床応用することが可能である。特に、脳血流ＳＰＥＣＴを用いた分割投与法による負荷試験において収集された、神経変性疾患等の被験者の脳放射能データの解析に適用することができる。

本発明の脳画像データに関するコンピュータを用いた時系列データの解析方法等の概要を示すフローチャートである。 本発明の実施例１で適用される２次元ＳＯＭ１０を示す図である。 ２次元ＳＯＭ１０で用いられるアルゴリズムを示すフローチャートである。 本発明の実施例１における脳画像データに関する時系列データの解析方法またはプログラムの流れを示すフローチャートである。 回帰直線によるバックグランドの推定法を説明するためのグラフである。 回帰直線近似による予測値と実測値との間の相関係数を示すグラフである。 直線回帰により算出した予測値と実測値との間の残差がもたらす誤差を実測値に対して％で表した％誤差を示すグラフである。 比較例１における予測後のＳＯＭを示す図である。 図８で示されるＳＯＭの状態を確認用に示すサモンマップである。 比較例２における予測後のＳＯＭ（競合層のニューロンが縦１０×横１０）を示す図である。 比較例２における予測後のＳＯＭ（競合層のニューロンが縦２０×横２０）を示す図である。 図１１で示されるＳＯＭの状態を確認用に示すサモンマップである。 比較例３における予測後のＳＯＭ（競合層のニューロンが縦２０×横２０）を示す図である。 比較例３における予測後のＳＯＭ（競合層のニューロンが縦３０×横３０）を示す図である。 比較例３における予測後のＳＯＭ（競合層のニューロンが縦４０×横４０）を示す図である。 比較例３における予測後のＳＯＭ（競合層のニューロンが縦５０×横５０）を示す図である。 図１６で示されるＳＯＭの状態を確認用に示すサモンマップである。 学習後に得られたＳＯＭの各ニューロンに対してウォード法によるクラスタ分析を施した結果の樹形図の一例である。 本発明の脳画像データに関する時系列データの解析プログラムを実行するコンピュータの内部回路５０を示すブロック図である。 従来の^１２３Ｉ−ＩＭＰ ＳＰＥＣＴを用いた分割投与法を説明するグラフである。

符号の説明

２ 脳画像データに関する時系列データ、 ４ ニューラルネットワーク、 ６ 予測結果、 １０ ２次元ＳＯＭ、 １２ 入力層、 １４ パターンＡの入力データベクトル、 １６ パターンＢの入力データベクトル、 １８ 競合層、 ２０ 分類した結果、 ５０ 内部回路、 ５１ ＣＰＵ、 ５２ ＲＯＭ、 ５３ ＲＡＭ、 ５４ 表示装置、 ５５ ＶＲＡＭ、 ５６ 画像制御部、 ５７ コントローラ、 ５８ａ ディスク、 ５８ｎ ＣＤ−ＲＯＭ、 ５９ 入力制御部、 ６０ 入力操作部、 ６１ 外部Ｉ／Ｆ部、 ６２ バス。

Claims (11)

1. コンピュータを用いた脳画像データに関する時系列データの解析方法であって、
   脳画像データに関する時系列データをニューラルネットワークに学習させる学習ステップと、
   特定期間における脳画像データに関する時系列データを前記学習ステップで学習させたニューラルネットワークに入力し、該特定期間後の期間における時系列データを予測させる予測ステップとを備えたことを特徴とする脳画像データに関する時系列データの解析方法。
2. 請求項１記載の脳画像データに関する時系列データの解析方法において、前記ニューラルネットワークは自己組織化マップ（Self-organizing Map : ＳＯＭ）法に基づくものであり、前記脳画像データに関する時系列データをＳＯＭ法における２次元格子配列上のニューロンに入力データベクトルとして提示することを特徴とする脳画像データに関する時系列データの解析方法。
3. 請求項２記載の脳画像データに関する時系列データの解析方法において、前記脳画像データに関する時系列データは、脳血流ＳＰＥＣＴ（Single Photon Emission Computed Tomography : 単光子放出コンピュータ断層撮影）を用いた負荷試験において収集された脳放射能データであることを特徴とする脳画像データに関する時系列データの解析方法。
4. 請求項３記載の脳画像データに関する時系列データの解析方法において、
   前記学習ステップは、脳血流ＳＰＥＣＴを用いた負荷試験において収集された脳放射能データを要素とする入力データベクトルをＳＯＭ法における２次元格子配列上のニューロンに提示し、該入力データベクトルと各ニューロンの参照ベクトルとの間で最小とする測度をユークリッド距離として学習させ、
   前記予測ステップは、
   脳血流ＳＰＥＣＴを用いた分割投与法による負荷試験における第１回目トレーサ投与後から第２回目トレーサ投与前までの期間を特定期間とし、該特定期間において収集された脳放射能データを要素とする入力データベクトルであって該特定期間後の要素を欠損データとする入力データベクトルを前記学習ステップで学習させたＳＯＭ法における２次元格子配列上のニューロンに提示して、勝者ニューロンを求める勝者ニューロン取得ステップと、
   前記勝者ニューロン取得ステップで取得された勝者ニューロンの参照ベクトルに基づき、前記特定期間後の期間における脳放射能データを予測させる脳放射能予測ステップとを備えたことを特徴とする脳画像データに関する時系列データの解析方法。
5. 請求項１乃至４のいずれかに記載の脳画像データに関する時系列データの解析方法において、前記脳画像データは神経変性疾患の被験者を対象とすることを特徴とする脳画像データに関する時系列データの解析方法。
6. 脳画像データに関する時系列データの解析をコンピュータに実行させるための脳画像データに関する時系列データの解析プログラムであって、コンピュータに、
   脳画像データに関する時系列データをニューラルネットワークに学習させる学習ステップ、
   特定期間における脳画像データに関する時系列データを前記学習ステップで学習させたニューラルネットワークに入力し、該特定期間後の期間における時系列データを予測させる予測ステップを実行させるための脳画像データに関する時系列データの解析プログラム。
7. 請求項６記載の脳画像データに関する時系列データの解析プログラムにおいて、前記ニューラルネットワークは自己組織化マップ（Self-organizing Map : ＳＯＭ）法に基づくものであり、前記脳画像データに関する時系列データをＳＯＭ法における２次元格子配列上のニューロンに入力データベクトルとして提示することを特徴とする脳画像データに関する時系列データの解析プログラム。
8. 請求項７記載の脳画像データに関する時系列データの解析プログラムにおいて、前記脳画像データに関する時系列データは、脳血流ＳＰＥＣＴ（Single Photon Emission Computed Tomography : 単光子放出コンピュータ断層撮影）を用いた負荷試験において収集された脳放射能データであることを特徴とする脳画像データに関する時系列データの解析プログラム。
9. 請求項８記載の脳画像データに関する時系列データの解析プログラムにおいて、
   前記学習ステップは、脳血流ＳＰＥＣＴを用いた負荷試験において収集された脳放射能データを要素とする入力データベクトルをＳＯＭ法における２次元格子配列上のニューロンに提示し、該入力データベクトルと各ニューロンの参照ベクトルとの間で最小とする測度をユークリッド距離として学習させ、
   前記予測ステップは、
   脳血流ＳＰＥＣＴを用いた分割投与法による負荷試験における第１回目トレーサ投与後から第２回目トレーサ投与前までの期間を特定期間とし、該特定期間において収集された脳放射能データを要素とする入力データベクトルであって該特定期間後の要素を欠損データとする入力データベクトルを前記学習ステップで学習させたＳＯＭ法における２次元格子配列上のニューロンに提示して、勝者ニューロンを求める勝者ニューロン取得ステップと、
   前記勝者ニューロン取得ステップで取得された勝者ニューロンの参照ベクトルに基づき、前記特定期間後の期間における脳放射能データを予測させる脳放射能予測ステップとを備えたことを特徴とする脳画像データに関する時系列データの解析プログラム。
10. 請求項６乃至９のいずれかに記載の脳画像データに関する時系列データの解析プログラムにおいて、前記脳画像データは神経変性疾患の被験者を対象とすることを特徴とする脳画像データに関する時系列データの解析プログラム。
11. 請求項６乃至１０のいずれかに記載の脳画像データに関する時系列データの解析プログラムを記録したコンピュータ読取り可能な記録媒体。