JP2015037472A - 画像処理システム及び画像処理システムの制御方法 - Google Patents

Abstract

【課題】 被検体の体質変化後の生体組織の様子を知ることができる画像処理システム及び画像処理システムの制御方法の提供。
【解決手段】 画像処理システムは、被検体の体質変化についての目標情報及び被検体の活動の指針情報の少なくとも一方の情報を取得する情報取得部１１０と、被検体の生体組織が映る生体断層画像に対して、画像処理を行う処理部１３０と、を含む。そして、処理部１３０は、目標情報及び指針情報の少なくとも一方の情報に基づいて、画像処理パラメーターを特定し、特定した画像処理パラメーターに基づいて、生体断層画像に対して画像処理を行って、体質変化後の生体組織が映る予測生体断層画像を生成する。
【選択図】 図１

Description

本発明は、画像処理システム及び画像処理システムの制御方法等に関係する。

超音波測定装置、ＣＴ（Computed Tomography）装置及びＭＲＩ（Magnetic Resonance Imaging system）装置などに代表される生体断層画像取得装置（画像処理装置、画像処理システム）を用いることで、病気を発見したり、病気の進行の様子、臓器形状の確認及び胎内や皮下組織の様子を知ったりすることができるようになった。生体断層画像を取得する発明としては、下記の特許文献１や特許文献２に示すような発明が開示されている。

特開２００３−２３５８４８号公報 特開２００６−３４３３７号公報

生体断層画像の読影には専門的な知識が要求されるため、専門家ではない測定者（ノンエキスパート）だけで読影を行うことは困難であった。しかし、ハンディータイプの小型の超音波測定装置の登場などにより、ノンエキスパートだけで読影を行う機会が増加することが予想される。そのため、ノンエキスパートにとっても分かりやすいように測定結果を表示することが求められている。

本発明の幾つかの態様によれば、被検体の体質変化後の生体組織の様子を知ることができる画像処理システム及び画像処理システムの制御方法等を提供することができる。

本発明の一態様は、被検体の体質変化についての目標情報及び前記被検体の活動の指針情報の少なくとも一方の情報を取得する情報取得部と、前記被検体の生体組織が映る生体断層画像に対して、画像処理を行う処理部と、を含み、前記処理部は、前記目標情報及び前記指針情報の少なくとも一方の情報に基づいて、画像処理パラメーターを特定し、特定した前記画像処理パラメーターに基づいて、前記生体断層画像に対して前記画像処理を行って、体質変化後の前記生体組織が映る予測生体断層画像を生成する画像処理システムに関係する。

本発明の一態様では、目標情報及び指針情報の少なくとも一方の情報を取得し、目標情報及び指針情報の少なくとも一方の情報に基づいて、画像処理パラメーターを特定する。そして、特定した画像処理パラメーターに基づいて、生体断層画像に対して画像処理を行って、予測生体断層画像を生成する。

これにより、被検体の体質変化後の生体組織の様子を知ることが可能となる。

また、本発明の一態様では、前記画像処理パラメーターは、画像のサイジングパラメーターを含み、前記処理部は、前記サイジングパラメーターに基づいて、前記生体断層画像に映る前記生体組織の厚さを変化させる前記画像処理を行って、前記予測生体断層画像を生成してもよい。

これにより、生体組織の厚さが変化した予測生体断層画像を生成すること等が可能になる。

また、本発明の一態様では、前記画像処理パラメーターは、画像の輝度補正用パラメーターを含み、前記処理部は、前記輝度補正用パラメーターに基づいて、前記生体断層画像に映る前記生体組織の輝度を変化させる前記画像処理を行って、前記予測生体断層画像を生成してもよい。

これにより、各生体組織の輝度が変化した予測生体断層画像を生成すること等が可能になる。

また、本発明の一態様では、前記処理部は、前記輝度補正用パラメーターに基づいて前記画像処理を行って、筋肉と脂肪の輝度を変化させた画像を前記予測生体断層画像として生成してもよい。

これにより、筋肉層と脂肪層をより容易に区別することが可能な予測生体断層画像を生成すること等が可能になる。

また、本発明の一態様では、前記画像処理パラメーターは、画像の回転処理パラメーターを含み、前記処理部は、前記回転処理パラメーターに基づいて、前記生体断層画像に映る筋肉の羽状角を変化させる前記画像処理を行って、前記予測生体断層画像を生成してもよい。

これにより、筋肉の羽状角が変化した予測生体断層画像を生成すること等が可能になる。

また、本発明の一態様では、前記処理部は、前記画像処理パラメーターを通知するための文字情報又は画像情報を生成してもよい。

これにより、測定者が専門性の高い読影法を身につけることなく、体質変化を数値として容易に捉えることが可能となる。

また、本発明の一態様では、複数の組織性状データと、前記複数の組織性状データの各組織性状データに関連付けられた前記画像処理パラメーターとを記憶する記憶部を含み、前記処理部は、前記生体断層画像の分類処理を行い、前記記憶部に記憶された前記複数の組織性状データの中から、前記分類処理の結果に対応する組織性状データを特定し、特定した前記組織性状データと、前記目標情報及び前記指針情報の少なくとも一方の情報とに基づいて、前記画像処理パラメーターを特定し、特定した前記画像処理パラメーターに基づいて、前記生体断層画像に対して前記画像処理を行って、前記予測生体断層画像を生成してもよい。

これにより、目標情報及び指針情報の少なくとも一方の情報が示す体質変化が被検体に起こった際の予測生体断層画像を、被検体の生体断層画像から生成すること等が可能になる。

また、本発明の一態様では、前記生体断層画像は、超音波の送受信処理を行って得られる超音波画像であってもよい。

これにより、ハンディータイプの超音波測定装置を用いて、ノンエキスパートが一人で測定を行う際にも、容易に体質変化を捉えること等が可能になる。

また、本発明の他の態様では、被検体の体質変化についての目標情報及び前記被検体の活動の指針情報の少なくとも一方の情報を取得し、前記目標情報及び前記指針情報の少なくとも一方の情報に基づいて、画像処理パラメーターを特定し、特定した前記画像処理パラメーターに基づいて、前記被検体の生体組織が映る前記生体断層画像に対して前記画像処理を行って、体質変化後の前記生体組織が映る予測生体断層画像を生成する画像処理システムの制御方法に関係する。

本実施形態のシステム構成例。 図２（Ａ）〜図２（Ｃ）は、超音波測定装置の具体的な機器構成の一例。 図３（Ａ）、図３（Ｂ）は、測定時の様子の説明図。 図４（Ａ）は、Ｂモード画像の説明図であり、図４（Ｂ）は、Ａモード波形の説明図。 図５（Ａ）、図５（Ｂ）は、生体組織層を伸縮させる画像処理の説明図。 図６（Ａ）、図６（Ｂ）は、生体組織層の輝度を調整する画像処理の説明図。 図７（Ａ）、図７（Ｂ）は、羽状角とトレーニングの関係の説明図。 図８（Ａ）、図８（Ｂ）は、羽状角を変化させる画像処理の説明図。 図９（Ａ）〜図９（Ｄ）は、羽状角を変化させる画像処理手順の説明図。 本実施形態の処理の流れを説明するフローチャート。 目標情報入力時の表示画面の説明図。 指針情報入力時の表示画面の説明図。 図１３（Ａ）〜図１３（Ｄ）は、画像処理パラメーターを表示する処理の説明図。

以下、本実施形態について説明する。なお、以下に説明する本実施形態は、特許請求の範囲に記載された本発明の内容を不当に限定するものではない。また、本実施形態で説明される構成の全てが、本発明の必須構成要件であるとは限らない。

１．本実施形態の手法
超音波測定装置、ＣＴ（Computed Tomography）装置及びＭＲＩ（Magnetic Resonance Imaging system）装置などに代表される生体断層画像取得装置（画像処理装置、画像処理システム）を用いることで、病気を発見したり、病気の進行の様子、臓器形状の確認及び胎内や皮下組織の様子を知ったりすることができるようになった。

このような生体断層画像の読影には専門的な知識が要求されるため、医師などの専門家ではない測定者（ノンエキスパート）だけで読影を行うことは困難であった。しかし、ハンディータイプの小型の超音波測定装置の登場により、皮下脂肪や筋肉等をノンエキスパートだけで測定して、読影する機会が増加することが予想される。そのため、ノンエキスパートにとっても分かりやすいように測定結果を表示することが求められている。このような課題を受け、これまでに特許文献１や特許文献２に示すような発明がなされている。

まず、特許文献１において開示される皮下脂肪診断装置では、被験者の肥満の度合いを分かり易く報知するために、超音波を用いた皮下脂肪測定結果と共に標準皮下脂肪層の画像を表示する。

しかし、特許文献１の発明だけでは、測定結果を受けて、被験者が今後どのような運動や生活を行っていけば良いかの活動指針を知ることができない。

次に、特許文献２において開示される医用画像診断支援システムでは、腹部断面の取得画像に対して、内臓脂肪面積や皮下脂肪面積等の分析を行い、分析結果に対するコメントを挿入することで、ノンエキスパートでも医療画像を理解しやすいようにしている。コメントには、現在の被験者の体質を表す数値や、被験者の今度の活動指針などが記載される。

しかし、特許文献２の発明では、今後の活動指針に従って被験者が活動を行った結果、被験者の体質（姿）がどのように変化するかを直接イメージすることが難しい。

そこで、本実施形態の画像処理システム等は、取得した生体断層画像に対して、画像処理を行って、健康（運動）管理指針等の実施により期待される体質変化後の生体断層画像（予測生体断層画像）を生成する。これにより、測定者がノンエキスパートである場合でも、被検体（被験者、被測定者）の体質変化後の生体組織の様子を画像から知ることができる。

具体的に、本実施形態の画像処理システムは、図１に示すように、被検体の体質変化についての目標情報及び被検体の活動の指針情報の少なくとも一方の情報を取得する情報取得部１１０と、被検体の生体組織が映る生体断層画像に対して、画像処理を行う処理部１３０と、を含む。そして、処理部１３０は、目標情報及び指針情報の少なくとも一方の情報に基づいて、画像処理パラメーターを特定し、特定した画像処理パラメーターに基づいて、生体断層画像に対して画像処理を行って、体質変化後の生体組織が映る予測生体断層画像を生成する。

ここで、目標情報とは、被検体の体質変化後の目標状態を表す情報のことをいう。目標情報は、例えば目標とする生体組織厚の数値や割合、標準体型やスレンダーなどの目標とする体型分類などが当てはまる。目標情報は、この他にも、選択した各母集団の標準値、著名人の身体計測値などでも良く、ここに挙げた例に限らない。

また、指針情報とは、今後、被測定者が実行する予定の生活習慣や運動習慣に関する情報である。生活習慣に関する情報とは、例えば１日の平均摂取カロリーや、飲酒量、喫煙の有無などの情報である。また、運動習慣に関する情報とは、習慣的に実施される身体運動に関する情報であり、例えば「３０分の運動を週に２回行う」などの情報である。

そして、生体断層画像とは、被検体の生体組織の断層（内部構造）が映る画像のことをいう。生体断層画像は、例えば後述するような超音波画像（Ｂモード画像）であってもよいし、ＣＴやＭＲＩなどにより取得される画像であってもよい。例えば生体断層画像は、後述する図５（Ａ）の画像ＢＩＭや、図１１に測定結果として示す画像のことを指す。

また、予測生体断層画像とは、生体断層画像に対して画像処理を行って生成される、将来（又は過去）の被検体の生体組織の断層（内部構造）が映る画像のことをいう。予測生体断層画像は、例えば図５（Ｂ）の画像ＡＩＭや、図１１に目標画像として示す画像のことを指す。なお、画像処理や画像処理パラメーターの具体例については、後に詳述する。

そのため、体質変化後の生体組織が映る予測生体断層画像を、後述する表示部３００に表示することが可能となる。これにより、測定者や被測定者（被検体）が、被検体の体質変化後の生体組織の様子を知ることが可能となる。

２．システム構成例
次に、本実施形態の画像処理システムの詳細な構成例について図１を用いて説明する。図１に示すように、画像処理システムは、例えば超音波測定装置（広義には電子機器又は超音波測定システム）である。以下では、画像処理システムが超音波測定装置である場合を例にとって説明するが、これに限定されない。

画像処理システムは、情報取得部１１０と、処理部１３０と、記憶部１５０と、報知情報出力部１７０と、送受信部１０５と、超音波プローブ２００と、表示部３００と、を含む。なお、画像処理システムは、図１の構成に限定されず、これらの一部の構成要素を省略したり、他の構成要素を追加したりするなどの種々の変形実施が可能である。また、本実施形態の画像処理システムの一部又は全部の機能は、通信により接続されたサーバーにより実現されてもよい。

次に各部で行われる処理について説明する。

まず、送受信部１０５は、超音波プローブ２００の超音波トランスデューサーデバイスに対して超音波の送受信制御を行う。例えば送受信部１０５は、送信パルス発生器と、送信遅延回路と、送受信切替スイッチと、受信遅延回路と、フィルター回路と、メモリーと、Ａ／Ｄ変換回路等を含む。

ここで、超音波プローブ２００は、超音波トランスデューサーデバイスを含む。

そして、超音波トランスデューサーデバイスは、走査面に沿って対象物をスキャンしながら、対象物に対して超音波ビームを送信すると共に、超音波ビームを送信したことにより得られる超音波エコーを受信する。圧電素子を用いるタイプを例にとれば、超音波トランスデューサーデバイスは、複数の超音波トランスデューサー素子（超音波素子アレイ）と、複数の開口がアレイ状に配置された基板とを有する。そして、超音波トランスデューサー素子としては、薄手の圧電素子と金属板（振動膜）を貼り合わせたモノモルフ（ユニモルフ）構造を用いたものを用いる。超音波トランスデューサー素子（振動素子）は、電気的な振動を機械的な振動に変換するものであるが、この場合には、圧電素子が面内で伸び縮みすると貼り合わせた金属板（振動膜）の寸法はそのままであるため反りが生じる。従って、圧電体膜に交流電圧を印加することで、振動膜が膜厚方向に対して振動し、この振動膜の振動により超音波が放射される。なお、圧電体膜に印加される電圧は、例えば１０〜３０Ｖであり、周波数は例えば１〜１０ＭＨｚである。

また、超音波トランスデューサーデバイスでは、近隣に配置された数個の超音波トランスデューサー素子で一つのチャンネルを構成し、１回に複数のチャンネルを駆動しながら、超音波ビームを順次移動させるものであってもよい。

なお、超音波トランスデューサーデバイスとしては、圧電素子（薄膜圧電素子）を用いるタイプのトランスデューサーを採用できるが、本実施形態はこれに限定されない。例えばｃ‐ＭＵＴ（Capacitive Micro-machined Ultrasonic Transducers）などの容量性素子を用いるタイプのトランスデューサーを採用してもよいし、バルクタイプのトランスデューサーを採用してもよい。

そして、情報取得部１１０は、スイッチやボタン、キーボード、マウス或いはタッチパネル等により構成されていてもよいし、有線及び無線の少なくとも一方を含むネットワークを介して通信を行う通信部（Ｉ／Ｆ部）であってもよい。

また、処理部１３０は、超音波の受信信号の振幅を主として解析して、被検体の内部構造を画像化したＢ（Brightness）モード画像（生体断層画像）のデータを生成し、生成したＢモード画像データに対して画像処理を行う。Ｂモード画像データとは、超音波のＡ（Amplitude）モード波形における振幅を点の明るさ（輝度）として表した画像データのことをいう。このようなＢモード画像データを生成する場合には、処理部１３０は、例えば検波処理部と、対数変換処理部と、ゲイン・ダイナミックレンジ調整部と、ＳＴＣ（Sensitivity Time Control）と、ＤＳＣ（Digital Scan Converter）等を含む。なお、処理部１３０の機能は、各種プロセッサー（ＣＰＵ等）、ＡＳＩＣ（ゲートアレイ等）などのハードウェアや、プログラムなどにより実現できる。

次に、記憶部１５０は、各種情報のデータベースを含む。具体的には、記憶部１５０は、組織性状データベース１５１と、身体計測データベース１５２と、生活習慣データベース１５３と、運動習慣データベース１５４と、評価データベース１５５と、生活・運動管理データベース１５６と、画像処理パラメーターデータベース１５７と、を含んでいる。また、記憶部１５０は、処理部１３０等のワーク領域になるものであってもよく、その機能はＲＡＭ等のメモリーやＨＤＤなどにより実現できる。さらに、記憶部１５０（各種データベース）は、一つ又は複数のサーバーにより実現されていてもよい。

そして、組織性状データベースは、測定部位における組織性状タイプ（皮下脂肪や筋肉組織の厚さや、霜降り度などの分析結果）に関するデータベースである。また、身体計測データベースは、身長や体重、体脂肪率などの身体計測情報に関するデータベースである。生活習慣データベースは、摂取カロリーや飲酒量などの生活習慣情報に関するデータベースである。さらに、運動習慣データベースは、習慣的に実施される身体運動情報に関するデータベースである。そして、評価データベースは、各身体計測情報の条件ごとにおいて、筋肉・脂肪割合や筋肉の霜降り度などの組織性状データなどを基にした順位付けやグループ分類の結果に関するデータベースである。また、生活・運動管理データベースは、各身体計測条件（同一分類グループまたは同一測定者）における生活習慣・運動習慣の管理情報に関するデータベースである。そして、画像処理パラメーターデータベースは、画像処理パラメーターに関するデータベースであり、各画像処理パラメーターが組織性状の変化と対応付けられている。なお、データベースとは、特定のテーマに関するデータを記憶部に記憶し、データの検索や抽出などを可能にしたものである。

さらに、報知情報出力部１７０は、処理部１３０の画像処理の結果に基づいて、表示部３００に報知情報を出力する。報知情報は、例えば後述する予測生体断層画像のデータや、文字情報等である。また、報知情報出力部１７０は、例えば有線及び無線の少なくとも一方を含むネットワークを介して表示部３００と通信を行う通信部（インターフェース部）であってもよい。

そして、表示部３００は、報知情報出力部１７０から取得された報知情報を表示する。なお、表示部３００は、例えば液晶ディスプレイや有機ＥＬディスプレイ、電子ペーパーなどにより実現できる。

ここで、本実施形態の画像処理システムが超音波測定装置である場合の具体的な機器構成の例を、図２（Ａ）〜図２（Ｃ）に示す。図２（Ａ）はハンディータイプの超音波測定装置の例であり、図２（Ｂ）は据置タイプの超音波測定装置の例である。図２（Ｃ）は超音波プローブ２００が本体に内蔵された一体型の超音波測定装置の例である。

図２（Ａ）及び図２（Ｂ）の超音波測定装置は、超音波プローブ２００と超音波測定装置本体１０１（広義には電子機器本体）を含み、超音波プローブ２００と超音波測定装置本体１０１はケーブル２１０により接続される。また、超音波プローブ２００の先端部分には、プローブヘッド２２０が設けられており、超音波測定装置本体１０１には、画像を表示する表示部３００が設けられている。図２（Ｃ）では、表示部３００を有する超音波測定装置本体１０１に超音波プローブ２００が内蔵されている。図２（Ｃ）の場合、超音波測定装置は、例えばスマートフォンなどの汎用の携帯情報端末により実現できる。

３．処理の詳細
本実施形態の画像処理システムは、超音波プローブ２００より得られる生体断層画像（取得画像、超音波断層画像）に対して画像分析を行い、得られた分析結果に対応する情報を記憶部１５０（データベース部）から取得する。そして、取得した情報に基づいて生体断層画像に対して画像処理を行う。さらに、測定結果を受けた指針（コメントなど）と共に画像処理後の生体断層画像（予測生体断層画像）を提示することで、今後期待される生体断層画像の変化を測定者にわかり易く提供する。

まず、本実施形態の測定対象の一例として、被検体（人間）の腹部（腹直筋）を図３（Ａ）に示し、その際の被検体の腹部の断面図（エコー画像）を図３（Ｂ）に示す。図３（Ａ）のように、超音波プローブＰＢを腹部に押し付けた場合には、図３（Ｂ）に示す測定領域ＥＡの生体組織（生体組織層）の解析処理が行われる。なお、生体組織層とは、例えば脂肪層、筋肉層、骨、内臓及び血管等のことを指す。

そして、生体断層画像として、図４（Ａ）に示すような超音波画像が得られる。すなわち、画像処理システムが超音波測定装置である場合には、生体断層画像は、超音波の送受信処理を行って得られる超音波画像となる。

また、超音波画像の表示方法は数種類あり、超音波の受信信号における振幅を輝度に変換して２次元画像として表示するＢモードと呼ばれる方法と、超音波の振幅をグラフとして描くＡモードと呼ばれる方法がある。具体的に、Ｂモード画像の一例を図４（Ａ）に示し、Ａモード波形の一例を図４（Ｂ）に示す。図４（Ａ）のＢモード画像では、縦軸が被検体の表層面からの深さを表している。一方で、図４（Ｂ）のＡモード波形は、図４（Ａ）のＢモード画像中の破線Ｌ１部分の輝度値を表しており、縦軸は表層面からの深さを表す。なお、前述したように、一般的なＡモード波形の横軸は、受信信号の振幅強度（受信強度）を表すが、図４（Ｂ）の例では振幅を輝度値に変換した値を用いている。このようなＢモード画像やＡモード波形を解析することにより、皮下脂肪層と筋肉層との境界はＢＤ１であり、筋肉層と内臓との境界はＢＤ２であると判別すること等が可能である。

これにより、ハンディータイプの超音波測定装置を用いて、ノンエキスパートが一人で測定を行う際にも、被検体の体質変化を容易に捉えること等が可能になる。

３．１ サイジング処理
次に、体質の変化により期待できる予測生体断層画像と、その予測生体断層画像を生成するために行う画像処理の例を示す。

まず、健康（運動）管理を行う際の指標としては、体脂肪率や内臓脂肪量、筋量などが挙げられる。そして、これらの指標は生体断層画像を取得した際に、生体組織厚として計測することが可能である。例えば下記のＵＲＬの文献に、その手法の一例が開示されている<URL: http://square.umin.ac.jp/co-medsf/newpage/Journal/6-1-27.pdf>。

よって本例では、運動及び生活習慣改善等による体質変化を表す予測生体断層画像として、生体組織厚が変化した生体断層画像を生成する。

この場合には、画像処理パラメーターは、画像のサイジングパラメーター（Sizing Parameter）を含む。そして、処理部１３０は、サイジングパラメーターに基づいて、生体断層画像に映る生体組織の厚さを変化させる画像処理を行って、予測生体断層画像を生成する。

例えば実際の測定により得られた図５（Ａ）に示す生体断層画像ＢＩＭの各生体組織層（脂肪層や筋肉層など）に対して、層の厚さを伸縮する画像処理（サイジング処理）を行うことによって、図５（Ｂ）に示すような予測生体断層画像ＡＩＭを生成する。その際に用いる補正式を下式（１）に示す。

式（１）において、Ｔ_０は取得した生体断層画像における各生体組織層の厚さ（測定組織厚）であり、αは伸縮係数であり、Ｔ’は予測生体断層画像における各生体組織層の厚さ（補正後の組織厚）である。なお、伸縮係数αは、各生体組織層によって値が異なる。例えば筋肉層に対する伸縮係数αは１以上であるが、脂肪層に対する伸縮係数αは１以下である。これは、トレーニングを行うほど、筋肉層が厚くなり、一方で脂肪層が薄くなることを表している。

ここで、サイジングパラメーターとは、画像のサイジング処理を行う際に用いるパラメーターのことをいう。例えば、サイジングパラメーターは、上式（１）の伸縮係数αなどである。なお、サイジング処理は、拡大・縮小（スケーリング）を行うだけでなく、画像の対象範囲の大きさを変更しながら、形状等を変化させる処理も含むものとする。

これにより、図５（Ａ）及び図５（Ｂ）の例のように、生体組織の厚さが変化した予測生体断層画像を生成すること等が可能になる。すなわち、図５（Ａ）及び図５（Ｂ）の例のように、予測生体断層画像ＡＩＭの脂肪層ＦＬ２を、元の生体断層画像ＢＩＭの脂肪層ＦＬ１よりも薄くし、予測生体断層画像ＡＩＭの筋肉層ＭＬ２を、元の生体断層画像ＢＩＭの筋肉層ＭＬ１よりも厚くすることができる。

３．２ 輝度補正処理
また他にも、健康（運動）管理を行う際の指標として筋肉の質がある。具体的には、筋肉組織中における脂肪交雑（霜降り状態）の度合いを、筋肉の質を表す指標として用いることができる。脂肪交雑の度合いが変化すると、生体断層画像における筋肉層のテクスチャーパターンも変化する。一般的には、体脂肪率が高いほど脂肪交雑量が多くなり、生体断層画像では筋肉層の輝度が高くなり、筋肉層と脂肪層との境界である筋膜が不明瞭になっていく。逆に、体脂肪率が低いほど脂肪交雑量が少なくなり、生体断層画像では筋肉層の輝度が低くなり、筋膜が明瞭になっていく。

よって本例では、体質変化を表す予測生体断層画像として、筋肉の質が変化した生体断層画像を生成する。

この場合には、画像処理パラメーターは、画像の輝度補正用パラメーターを含む。そして、処理部１３０は、輝度補正用パラメーターに基づいて、生体断層画像に映る生体組織の輝度を変化させる画像処理（輝度補正処理）を行って、予測生体断層画像を生成する。

例えば、測定により取得した図６（Ａ）に示す生体断層画像ＢＩＭに対し、レベル補正処理やトーンカーブ補正処理などの画像処理を行うことにより、筋肉層のテクスチャーパターンや筋膜の見え方を補正して、図６（Ｂ）に示すような予測生体断層画像ＡＩＭを生成する。図６（Ａ）の筋肉層ＭＬ１及び図６（Ｂ）の筋肉層ＭＬ２における白い領域は筋肉内脂肪であり、図６（Ｂ）に示すように、トレーニングを行うほど筋肉内脂肪が減り、画像中の白い部分が減っていくことが想定できる。この時に用いる補正式を下式（２）に示す。

式（２）において、Ｐは取得した生体断層画像における各画素の画素値であり、Ｐ’は予測生体断層画像における各画素の画素値である。そして、ルックアップテーブルＬＵＴを用いて輝度変換を行う。実際にはγカーブやＳ字カーブの調整、ヒストグラムの平坦化、拡張などの処理をすることによって補正がなされる。

ここで、輝度補正用パラメーターとは、画像の輝度補正処理を行う際に用いるパラメーターのことをいう。本実施形態では、上式（２）を用いて説明したように、ルックアップテーブルＬＵＴを用いて輝度補正処理を行うが、この際には、被検体の身体計測情報や組織性状データ等に応じて異なるルックアップテーブルを用いることが望ましい。この場合には、輝度補正用パラメーターは、ルックアップテーブルを指し示すインデックス番号を含むものとする。他にも、輝度補正用パラメーターはコントラスト値やレベル補正の量やトーンカーブの補正量等であってもよい。

これにより、図６（Ａ）及び図６（Ｂ）の例のように、各生体組織の輝度が変化した予測生体断層画像を生成すること等が可能になる。

言い替えると、処理部１３０は、輝度補正用パラメーターに基づいて画像処理を行って、筋肉と脂肪の輝度を変化させた画像を予測生体断層画像として生成する。

これにより、筋肉層と脂肪層の境界が明瞭な予測生体断層画像を生成することでき、筋肉層と脂肪層をより容易に区別すること等が可能になる。すなわち、図６（Ａ）及び図６（Ｂ）の例のように、予測生体断層画像ＡＩＭにおける筋肉層ＭＬ２の輝度を、元の生体断層画像ＢＩＭにおける筋肉層ＭＬ２の輝度よりも低くして、予測生体断層画像ＡＩＭにおける筋肉層ＭＬ２と脂肪層ＦＬ２の境界ＢＤ２を、元の生体断層画像ＢＩＭにおける筋肉層ＭＬ１と脂肪層ＦＬ１の境界ＢＤ１よりも判別しやすくすること等が可能となる。

３．３ 回転処理
さらに、筋肉の質を評価するもう一つの指標として、羽状角の大きさがある。例えば、図７（Ａ）に示すように、筋繊維は筋肉ＭＳ１の方向ＰＤＲに対して斜め方向ＭＤＲ１に延びており、羽状角とは、この筋肉ＭＳ１の筋膜の方向ＰＤＲと筋繊維の方向ＭＤＲ１がなす角度θ１のことをいう。筋肉が肥大化することにより、羽状角は大きくなるため、筋力トレーニングの効果を表すものとして用いることができる。例えば図７（Ｂ）は、トレーニングにより筋肉ＭＳ２が肥大化し、筋肉ＭＳ２の筋膜の方向ＰＤＲと筋繊維の方向ＭＤＲ２とが羽状角θ２をなしており、羽状角θ２が羽状角θ１よりも大きくなった様子を示している。（羽状角とトレーニングの関係については、下記文献及び下記ＵＲＬの文献等を参照されたい。<Yasuo Kawakami, Takashi Abe, Shin-Ya Kuno, Tetsuo Fukunaga. “Training-induced changes in muscle architecture and specific tension.” European Journal of Applied Physiology and Occupational Physiology 1995, Volume 72, Issue 1-2, pp 37-43>、 <URL: http://ci.nii.ac.jp/els/110001917283>）
よって本例では、体質変化を表す予測生体断層画像として、羽状角が変化した生体断層画像を生成する。

この場合には、画像処理パラメーターは、画像の回転処理パラメーターを含む。そして、処理部１３０は、回転処理パラメーターに基づいて、生体断層画像に映る筋肉の羽状角を変化させる画像処理（回転処理）を行って、予測生体断層画像を生成する。

具体例を図８（Ａ）及び図８（Ｂ）を用いて説明する。図８（Ａ）は、図７（Ａ）のように、腕ＡＭに超音波プローブＰＢを押し当てて測定した際に得られた生体断層画像ＢＩＭを示している。そして、本画像処理では、羽状角がθ１である図８（Ａ）の生体断層画像ＢＩＭの筋肉層のテクスチャーパターンに対して、回転処理（角度補正処理）を行って、羽状角がθ２である図８（Ｂ）の予測生体断層画像ＡＩＭを生成する。この時に用いる補正式を下式（３）に示す。

式（３）において、Ｄ_０は取得した生体断層画像を表し、Ｄ’は予測生体断層画像（補正後の画像）を表す。さらに、Ｒは回転関数であり、θは回転係数である。この角度補正は筋膜などの境界部には実施せず、筋組織のテクスチャー領域にのみ適応する。加えて角度補正により他の組織領域とのずれが生じるが、適宜拡大処理、トリミング等で補間を行うものとする。なお、回転関数Ｒについては、下記ＵＲＬ等を参照されたい<URL: http://imagingsolution.blog107.fc2.com/blog-entry-152.html>。

ここで、回転処理パラメーターとは、画像の回転処理を行う際に用いるパラメーターのことをいう。例えば、回転処理パラメーターは、上式（３）の回転係数θなどである。

回転処理の具体的な手順を図９（Ａ）〜図９（Ｄ）を用いて説明する。まず、図９（Ａ）に示すような生体断層画像ＩＭ１に対して、筋肉層ＭＬの境界検出処理を行い、図９（Ｂ）に示すように筋肉層ＭＬの境界ＯＬを検出する。なお、境界検出処理では、表示部に測定結果として表示される生体断層画像ＩＭ１を参照して、測定者が手動で境界を入力しても良いし、例えば特開２０１０−０９４４２２号公報で開示されているアルゴリズムにより自動で検出しても良い。そして、境界ＯＬに囲まれた範囲を筋組織のテクスチャー画像とする。なお、図９（Ｂ）の生体断層画像ＩＭ２においては、筋繊維の方向はＭＤＲ１である。次に、図９（Ｃ）に示すように、筋繊維の方向がＭＤＲ２になるように、筋組織のテクスチャー画像を回転及び拡大して、生体断層画像ＩＭ３を生成する。最後に、図９（Ｄ）に示すように、回転させた筋組織のテクスチャー画像のうち、元の筋肉層の領域からはみ出した部分を削除するトリミング処理を行って、生体断層画像ＩＭ４を生成する。

これにより、図８（Ａ）及び図８（Ｂ）の例のように、筋肉の羽状角が変化した予測生体断層画像を生成すること等が可能になる。

以上に挙げたような画像処理（サイジング処理、輝度補正処理、回転処理等）を行うことにより、体質変化により期待できる生体断層画像の変化を画像として示すことが可能となる。また、実際に画像処理に用いるパラメーターを調整することにより、その体質変化の度合いも調整することが可能となる。例えば、上式（１）〜上式（３）で用いた伸縮係数αや回転係数θなどの補正係数や、トーンカーブ調整で利用するγなどのパラメーターの値を調整することにより、補正効果の程度を変えることが可能となる。また、これらの補正は運動や食事制限による体質改善のみでなく、そういった取り組みを怠った際の断層像も、疑似的に画像で表現することが可能である。

３．４ 画像処理パラメーターの特定処理
さて、予測生体断層画像を生成する際に用いる画像処理パラメーターは、同等の体質変化が起きることが予想される他人の予測生体断層画像を生成する際に流用することが可能である。例えば、被測定者Ａがトレーニングを行った結果起きた体質変化が、被測定者Ｂにも同じように起きると予想される場合、この画像処理パラメーターを用いることで被測定者Ｂの予測生体断層画像を生成することが可能となる。

これまで測定者は、標準的な断層像や特徴的な断層像もしくは過去の被測定者自身の測定結果と比較することでのみ体質変化後の様子をイメージしていたが、これにより、被測定者自身の生体断層画像を変化させた画像を直接提示することができるようになり、測定者がより容易に体質変化後の様子をイメージすることが可能となる。

また、２枚の生体断層画像の変化と、それを実現する健康（運動）管理指針とを関連付けて分類し、データベース化を行うことによって、目標とする姿になるための指針（アドバイス）とともに、生体断層画像の変化像を提示することが可能となる。それによって、より利用者にとって理解しやすい体質改善プログラムの提示が可能になる。

これらを実現する場合には、本実施形態の画像処理システムは、複数の組織性状データと、複数の組織性状データの各組織性状データに関連付けられた画像処理パラメーターとを記憶する記憶部１５０を含む。そして、処理部１３０は、生体断層画像の分類処理を行い、記憶部１５０に記憶された複数の組織性状データの中から、分類処理の結果に対応する組織性状データを特定し、特定した組織性状データと、目標情報及び指針情報の少なくとも一方の情報とに基づいて、画像処理パラメーターを特定し、特定した画像処理パラメーターに基づいて、生体断層画像に対して画像処理を行って、予測生体断層画像を生成する。

ここで、組織性状データとは、測定部位における組織性状を表すデータである。組織性状データは、例えば皮下脂肪や筋肉組織の厚さや、霜降り度などの分析結果などを指す。また、組織性状データには、後述する図１０のフローチャートの説明で用いる組織性状履歴も含むものとする。

また、生体断層画像の分類処理とは、生体断層画像を予め定められた所与のグループのいずれかに分類する処理のことを指す。他にも、生体断層画像の分類処理は、複数の生体断層画像をその特徴毎にグループ分けする処理であってもよい。生体断層画像の分類処理では、例えば脂肪厚や筋肉厚ごとに生体断層画像がグループ分けされる。なお、生体断層画像の分類処理を行う際には、生体断層画像の取得時の測定条件を考慮する。測定条件により、輝度分布や生体組織厚が変化するためである。測定条件には、測定時のゲインやＴＧＣ（Time-Gain Control）、ダイナミックレンジ、超音波プローブの押圧情報などが含まれる。

これにより、目標情報及び指針情報の少なくとも一方の情報が示す体質変化が被検体に起こった際の予測生体断層画像を、被検体の生体断層画像から生成すること等が可能になる。被検体自身の生体断層画像から予測生体断層画像を生成することで、他人の生体断層画像を参照するよりも、より体質変化後の被検体の姿を想像しやすくすること等が可能になる。

また、変形例として、記憶部１５０は、生体断層画像群と、生体断層画像群の各生体断層画像に関連付けられた画像処理パラメーターとを記憶していてもよい。そして、処理部１３０は、第１の生体断層画像に基づいて、記憶部１５０に記憶された生体断層画像群の中から、第２の生体断層画像を選択し、選択した第２の生体断層画像に関連付けられた画像処理パラメーターに基づいて、第１の生体断層画像に対して画像処理を行ってもよい。

これにより、画像マッチングにより第１の生体断層画像とマッチング度の高い第２の生体断層画像を選択し、入力された目標情報及び指針情報の少なくとも一方の情報に基づいて、第２の生体断層画像に関連付けられた画像処理パラメーターを選択し、選択した画像処理パラメーターに基づいて画像処理を行い、予測生体断層画像を生成すること等が可能になる。

３．５ 処理の流れ
次に、本実施形態の処理の流れを図１０のフローチャートを用いて説明する。本例では、被検体（被測定者）の体質変化についての目標情報又は被検体の活動の指針情報を測定者が入力し、測定結果として得られる生体断層画像に対して、入力した情報に基づいて画像処理を行い、生成された予測生体断層画像等を表示部３００に表示する。

まず、測定者（被測定者）が、測定部位、測定時における身体計測情報、生活習慣情報及び運動習慣情報などの入力情報を、情報取得部１１０に入力する（Ｓ１０１）。

ここで、身体計測情報とは、例えば年齢や性別、身長、体重、体脂肪率などの被測定者の身体の情報である。また、生活習慣情報とは、例えば１日の平均摂取カロリーや、飲酒量、喫煙の有無などの生活習慣に関する情報である。さらに、運動習慣情報とは、習慣的に実施される身体運動に関する情報を示している。これらの身体計測情報、生活習慣情報及び運動習慣情報の入力値を用いれば、被測定者の代謝量や、被測定者の運動レベルを推定することができる。

次に、超音波プローブ２００より得られた超音波信号を用いて、生体断層画像（超音波画像、Ｂモード画像）を生成する（Ｓ１０２）。

そして、処理部１３０は、生成した生体断層画像の画像分析処理を行い、画像を分類する（Ｓ１０３）。前述したように、例えば脂肪厚や筋肉厚などで段階的に順位付けされたグループ（組織分類）が定められており、（皮下脂肪：厚め、筋肉：中、霜降り度：中）などのグループに分類される。

さらに、処理部１３０は、情報取得部１１０が取得した身体計測情報などの入力情報と、画像の分類結果とに基づいて、評価データベース１５５にアクセスし、評価結果を取得し、これを表示部３００に表示する（Ｓ１０４）。評価結果としては、例えば分類されたグループ内における被測定者の身体計測情報の順位や、被測定者の運動レベルなどがある。また、併せて画像分類結果等を表示してもよい。

そして、処理部１３０は、情報取得部１１０で得られた測定部位及び身体計測情報と、画像分類結果とに基づいて、組織性状データベース１５１から、現在の被測定者の組織性状データを取得する（Ｓ１０５）。

次に、測定者が、目標情報もしくは指針情報を情報取得部１１０に入力する（Ｓ１０６）。

そして、ステップＳ１０６において入力された情報が目標情報であるか、指針情報であるかを判定する（Ｓ１０７）。

ステップＳ１０６において入力された情報が目標情報であると判定した場合には、入力した測定部位と同じ部位に関する組織性状履歴であって、入力した身体計測情報と同じ身体計測情報が体質変化前の情報として関連付けられている組織性状履歴を、組織性状データベース１５１より抽出する。なお、組織性状履歴（組織性状データセット）とは、体質変化前の組織性状データと、体質変化後の組織性状データとが関連付けられているデータである。

そして、抽出した組織性状履歴の中で、目標情報として入力した組織性状と、体質変化後の組織性状データが一致する（若しくは最も近い）組織性状履歴を抽出する（Ｓ１０８）。さらに、抽出した組織性状履歴の中で、今回の画像分類結果と同じグループに分類されたデータを抽出し、抽出したデータに関連付けられている生活・運動管理情報を取得する（Ｓ１０９）。

ここで、生活・運動管理情報とは、今後（将来）の被測定者の生活習慣及び運動習慣の指針を示す情報のことをいう。生活・運動管理情報の具体的な情報は、前述した生活習慣情報及び運動習慣情報と同様であるが、前述した生活習慣情報及び運動習慣情報が、現在及び過去の習慣を表す情報であるのに対して、生活・運動管理情報は、将来の習慣を表す情報である点で異なる。例えば、生活・運動管理情報として、「３０分の運動を週に２回行い、飲酒を控える」などの情報が取得される。

一方で、ステップＳ１０６において入力された情報が指針情報であると判定した場合には、測定結果より得られた評価結果と同じ評価結果が関連付けられている組織性状履歴を抽出し、それに関連付けられた生活・運動管理情報を抽出する（Ｓ１１０）。そして、抽出した生活・運動管理情報の中で、入力した生活・運動指針に最も近い生活・運動管理情報を抽出し、対応する組織性状履歴を取得する（Ｓ１１１）。

次に、画像処理パラメーターデータベース１５７より、取得した組織性状履歴に関連付けられた画像処理パラメーターを取得する（Ｓ１１２）。この画像処理パラメーターは、組織性状履歴の体質変化前の生体断層画像を、体質変化後の生体断層画像に変換する際に用いられる画像処理パラメーターである。具体的に画像処理パラメーターとしては、上式（１）〜上式（３）で用いた伸縮係数αや回転係数θなどの補正係数や、トーンカーブ調整で利用するγなどのパラメーターの値が該当する。

そして、処理部１３０は、取得した画像処理パラメーターを用いて、生体断層画像に対して、図５（Ａ）〜図９（Ｄ）を用いて説明したような各種画像処理を行い、予測生体断層画像を生成する（Ｓ１１３）。

最後に、測定で得た実際の生体断層画像と、新たに生成した予測生体断層画像と、画像分類結果と、情報取得部１１０で入力した目標情報もしくは指針情報と、生活・運動管理情報などを、表示部３００に表示する（Ｓ１１４）。

例えば、目標情報入力時の表示結果を図１１に示す。図１１では、まず表示画面の左側に測定結果として得られる生体断層画像を表示する。そして、表示画面の中央に、入力された測定部位と、生体断層画像の評価結果として、現在の筋肉脂肪割合順位を表示する。さらに、表示画面中央には、測定者が入力した目標値と、この目標値を達成するための推奨健康（運動）指針も表示する。なお、この推奨健康（運動）指針は、前述した生活・運動管理情報である。そして、表示画面の右側に、生成した予測生体断層画像を表示する。

一方で、指針情報入力時には、図１２に示すような画面が表示部３００に表示される。図１１とは異なり、表示画面中央には、測定者により入力された生活・運動管理指針が表示され、その下に入力指針実行による期待順位が表示される。なお、この生活・運動管理指針は、測定者により入力された指針情報である。

また、その他の実施例として、情報取得部１１０において目標情報と指針情報の両方を入力することで、２種類の予測生体断層像を表示し、測定者に比較させても良い。また、目標情報の入力によって得られた生活・運動管理情報と、情報取得部１１０で入力した指針情報を合わせて表示し、目標と指針とのギャップを示しても良い。

以上のように、本実施形態により、体質変化のイメージやその変化結果を画像や数値として捉えることができ、それにより生体断層画像の読影について専門的な知識を要せず、体質変化を捉えることが可能になる。これまでは過去の測定結果や標準の測定結果、もしくは他者の特徴的な測定結果と比較をするのみであったが、その差異をより測定者にとってイメージしやすく提供すること等が可能となる。

また、画像分析や健康（運動）管理指針等のデータベースと組み合わせることで、測定者にとって理解が容易な変化イメージを提供することが可能となる。

さて、前述した生体断層画像に対する画像処理では、その補正効果を画像処理パラメーターなどの数値としても捉えることができる。トーンカーブ補正処理においても、処理によって画像のヒストグラムが変化するため、ヒストグラムの特徴量を算出することにより、画像変化を数値として捉えることができる。例えば、濃度ヒストグラムの平均値や最頻値、分散値などの１次統計量を基にすることで画像分類も可能であり、補正効果を数値として捉えることができる。画像分類は、前述した１次統計量の他に、濃度共起行列を基にしたコントラストやエントロピー、差分モーメントなどの２次統計情報を用いても良い（特開２００７−３０１０３５号公報参照）。

そのため、例えば図１３（Ａ）の生体断層画像を元に、図１３（Ｂ）の予測生体断層画像を生成した場合には、図１３（Ｃ）に示すように、画像処理パラメーターの数値により体質の改善効果を表すことができる。

そして、画像処理に用いた画像処理パラメーターを表す情報を表示部３００に表示して、測定者に通知してもよい。この場合には、処理部１３０は、画像処理パラメーターを通知するための文字情報又は画像情報を生成する。

ここで、画像処理パラメーターを通知するための文字情報とは、例えば図１３（Ｃ）に示す「脂肪厚の伸縮係数（０．７）」や「筋肉厚の伸縮係数（１．２）」などの文字（記号及び数字を含む）の情報などを指す。

また、画像処理パラメーターを通知するための画像情報とは、例えば図１３（Ｄ）に示すように、脂肪厚の伸縮係数を調整する際に用いる数値調整スライダーＳＬ１の画像や、筋肉厚の伸縮係数を調整する際に用いる数値調整スライダーＳＬ２の画像や、羽状角の角度を調整する際に用いる矢印ＤＲの画像などの情報のことをいう。

例えば、図１３（Ｃ）の例では、脂肪厚の伸縮係数が０．７であるため、脂肪厚が０．７倍になり脂肪量が減り、筋肉厚の伸縮係数が１．２であるため、筋肉厚が１．２倍になり筋肉量が増えたことが分かる。また、羽状角が＋５度傾き、筋肉が肥大化したことが分かる。さらに、脂肪厚や筋肉厚などで段階的に順位付けされたグループ（組織分類）が定められており、図１３（Ｃ）の例では、被測定者が属するグループが２つ上がったことが分かる。

これにより、測定者が専門性の高い読影法を身につけることなく、体質変化を数値として容易に捉えることが可能となり、生体断層画像の変化を画像と数値という観点で多角的に捉えることができる。

また、画像処理パラメーターと体質の改善効果の関連性が分かりにくい場合などには、測定者にとって変化がイメージしやすくなるように適宜、画像処理パラメーターの数値変換処理を行い、単位や桁を変えて表示しても良い。なお、前述した組織分類を表す値も、画像処理パラメーターに含まれてもよい。

また変形例として、図１３（Ａ）及び図１３（Ｂ）の生体断層画像は、どちらも実際に測定されて得られた画像であってもよい。図１３（Ａ）及び図１３（Ｂ）の生体断層画像が、測定箇所、測定方法及び測定条件などが同じであり、測定時期が異なる画像である場合には、図１３（Ｃ）に示したようなパラメーターを２枚の生体断層画像から逆算することができる。これにより、測定者に体質変化を数値として報知することが可能となる。なお、前述したように測定条件により、輝度分布や生体組織厚が変化するため、同一の測定条件下において比較することが望ましい。

さらに、本実施形態は超音波測定装置（超音波診断装置）に限らず、ＭＲＩやＣＴなどの他の生体断層画像取得装置にも適用することが可能である。例えば、生体断層画像で得られる皮下脂肪、内臓脂肪の厚さおよび面積の補正や、組織テクスチャーの補正などに用いることができる。

なお、本実施形態の画像処理システム等は、その処理の一部または大部分をプログラムにより実現してもよい。この場合には、ＣＰＵ等のプロセッサーがプログラムを実行することで、本実施形態の画像処理システム等が実現される。具体的には、情報記憶媒体に記憶されたプログラムが読み出され、読み出されたプログラムをＣＰＵ等のプロセッサーが実行する。ここで、情報記憶媒体（コンピューターにより読み取り可能な媒体）は、プログラムやデータなどを格納するものであり、その機能は、光ディスク（ＤＶＤ、ＣＤ等）、ＨＤＤ（ハードディスクドライブ）、或いはメモリー（カード型メモリー、ＲＯＭ等）などにより実現できる。そして、ＣＰＵ等のプロセッサーは、情報記憶媒体に格納されるプログラム（データ）に基づいて本実施形態の種々の処理を行う。即ち、情報記憶媒体には、本実施形態の各部としてコンピューター（操作部、処理部、記憶部、出力部を備える装置）を機能させるためのプログラム（各部の処理をコンピューターに実行させるためのプログラム）が記憶される。

以上のように本実施形態について詳細に説明したが、本発明の新規事項および効果から実体的に逸脱しない多くの変形が可能であることは当業者には容易に理解できるであろう。従って、このような変形例はすべて本発明の範囲に含まれるものとする。例えば、明細書又は図面において、少なくとも一度、より広義または同義な異なる用語と共に記載された用語は、明細書又は図面のいかなる箇所においても、その異なる用語に置き換えることができる。また、画像処理システムの構成、動作も本実施形態で説明したものに限定されず、種々の変形実施が可能である。

１０１ 超音波測定装置本体、１０５ 送受信部、１１０ 情報取得部、
１３０ 処理部、１５０ 記憶部、１５１ 組織性状データベース、
１５２ 身体計測データベース、１５３ 生活習慣データベース、
１５４ 運動習慣データベース、１５５ 評価データベース、
１５６ 生活・運動管理データベース、１５７ 画像処理パラメーターデータベース、
１７０ 報知情報出力部、２００ 超音波プローブ、２１０ ケーブル、
２２０ プローブヘッド、３００ 表示部

Claims (9)

1. 被検体の体質変化についての目標情報及び前記被検体の活動の指針情報の少なくとも一方の情報を取得する情報取得部と、
   前記被検体の生体組織が映る生体断層画像に対して、画像処理を行う処理部と、
   を含み、
   前記処理部は、
   前記目標情報及び前記指針情報の少なくとも一方の情報に基づいて、画像処理パラメーターを特定し、特定した前記画像処理パラメーターに基づいて、前記生体断層画像に対して前記画像処理を行って、体質変化後の前記生体組織が映る予測生体断層画像を生成することを特徴とする画像処理システム。
2. 請求項１において、
   前記画像処理パラメーターは、
   画像のサイジングパラメーターを含み、
   前記処理部は、
   前記サイジングパラメーターに基づいて、前記生体断層画像に映る前記生体組織の厚さを変化させる前記画像処理を行って、前記予測生体断層画像を生成することを特徴とする画像処理システム。
3. 請求項１又は２において、
   前記画像処理パラメーターは、
   画像の輝度補正用パラメーターを含み、
   前記処理部は、
   前記輝度補正用パラメーターに基づいて、前記生体断層画像に映る前記生体組織の輝度を変化させる前記画像処理を行って、前記予測生体断層画像を生成することを特徴とする画像処理システム。
4. 請求項３において、
   前記処理部は、
   前記輝度補正用パラメーターに基づいて前記画像処理を行って、筋肉と脂肪の輝度を変化させた画像を前記予測生体断層画像として生成することを特徴とする画像処理システム。
5. 請求項１乃至４のいずれかにおいて、
   前記画像処理パラメーターは、
   画像の回転処理パラメーターを含み、
   前記処理部は、
   前記回転処理パラメーターに基づいて、前記生体断層画像に映る筋肉の羽状角を変化させる前記画像処理を行って、前記予測生体断層画像を生成することを特徴とする画像処理システム。
6. 請求項１乃至５のいずれかにおいて、
   前記処理部は、
   前記画像処理パラメーターを通知するための文字情報又は画像情報を生成することを特徴とする画像処理システム。
7. 請求項１乃至６のいずれかにおいて、
   複数の組織性状データと、前記複数の組織性状データの各組織性状データに関連付けられた前記画像処理パラメーターとを記憶する記憶部を含み、
   前記処理部は、
   前記生体断層画像の分類処理を行い、前記記憶部に記憶された前記複数の組織性状データの中から、前記分類処理の結果に対応する組織性状データを特定し、特定した前記組織性状データと、前記目標情報及び前記指針情報の少なくとも一方の情報とに基づいて、前記画像処理パラメーターを特定し、特定した前記画像処理パラメーターに基づいて、前記生体断層画像に対して前記画像処理を行って、前記予測生体断層画像を生成することを特徴とする画像処理システム。
8. 請求項１乃至７のいずれかにおいて、
   前記生体断層画像は、
   超音波の送受信処理を行って得られる超音波画像であることを特徴とする画像処理システム。
9. 被検体の体質変化についての目標情報及び前記被検体の活動の指針情報の少なくとも一方の情報を取得し、
   前記目標情報及び前記指針情報の少なくとも一方の情報に基づいて、画像処理パラメーターを特定し、
   特定した前記画像処理パラメーターに基づいて、前記被検体の生体組織が映る前記生体断層画像に対して前記画像処理を行って、体質変化後の前記生体組織が映る予測生体断層画像を生成することを特徴とする画像処理システムの制御方法。