JP2015116319A - 診断支援装置、診断支援方法、および診断支援プログラム - Google Patents

Abstract

【課題】医用画像の画像処理識別において、たとえ症例の傾向に変化が生じた場合であっても、診断知識の柔軟な更新を可能とする。
【解決手段】症例データベース１２０は医用画像および診断情報を含む症例データを記憶する。特徴生成パラメータ生成部１５０は、取得された学習用の症例データから特徴生成パラメータを生成する。識別パラメータ生成部１６０はこの特徴生成パラメータを用いて生成された各医用画像の画像特徴ベクトルを基にして識別パラメータを生成する。診断知識更新部１８０はこれら特徴生成パラメータおよび識別パラメータを新たな診断知識として、診断知識データベース１３０に格納する。
【選択図】 図１

Description

本発明は、医用画像に対して画像処理による識別を行う診断支援装置および診断支援方法に関する。

放射線画像の撮影を目的としたCT (Computed Tomography) やMRI (Magnetic Resonance Imaging)、病理標本を取り込むバーチャルスライドスキャナ等の医療機器の発達により、デジタル化された高精細医用画像が大量に取得可能となっている。近年では、医用画像を保存するPACS(Picture Archiving and Communication Systems)の普及が進み、これらの画像が医師の診断所見とともに順次格納されている。このような、医用画像のデジタル化、症例の蓄積が進むにつれ、コンピュータを用いて病変検出や自動診断を行うCAD (Computer Aided Diagnosis)の重要性が増している。

コンピュータで病変検出や自動診断を行う場合、過去の症例を教師とした機械学習を用いるのが一般的である。医用画像処理における機械学習の問題点として、学習に用いる症例の確保の難しさがあげられる。このような問題を解決するための手段として、知識の動的な更新が考えられる。

医用画像処理において、知識を動的に更新する従来技術としては、特許文献１が挙げられる。特許文献１では、オンライン学習によって、知識の動的な更新を実現している。また、正解率、SVMのサポートベクトルの数を用いて学習の終了判定を行っている。

特開２００９−２５１８１０号公報

Adam Coates, et al., "An analysis of single-layer networks in unsupervised feature learning" in NIPS Workshop on Deep Learning and Unsupervised Feature Learning, 2010

本発明は、より適切な知識の動的な更新を行うことを目的とする。

本発明の一態様では、診断支援装置は、少なくとも医用画像および診断情報を含む症例データを記憶する症例データベースから、新たな診断知識の学習のために用いる複数の症例データを取得する学習症例取得部と、取得された前記複数の症例データに含まれた複数の医用画像から、画像から画像特徴ベクトルを生成するために用いられるパラメータである特徴生成パラメータを生成する特徴生成パラメータ生成部と、生成された特徴生成パラメータを用いて、複数の医用画像からそれぞれ画像特徴ベクトルを生成し、生成された複数の画像特徴ベクトルと複数の症例データに含まれた複数の診断情報とを基にして、画像特徴ベクトルから画像識別を行う演算に用いられるパラメータである識別パラメータを生成する識別パラメータ生成部と、生成された特徴生成パラメータおよび識別パラメータを、診断知識を記憶する診断知識データベースに新たな診断知識として格納する診断知識更新部とを備えている。

なお、本発明は、このような特徴的な処理部を備える診断支援装置として実現できるだけでなく、診断支援装置に含まれる特徴的な処理部が実行する処理をステップとする診断支援方法として実現することができる。また、診断支援方法に含まれる特徴的なステップをコンピュータに実行させるプログラムとして実現することもできる。そして、このようなプログラムを、ＣＤ−ＲＯＭ（Compact Disc-Read Only Memory）等のコンピュータ読取可能な記録媒体やインターネット等の通信ネットワークを介して流通させることができることは、言うまでもない。

本発明によると、より適切な知識の動的な更新を行うことが可能となる。

実施の形態に係る診断支援装置の機能構成を示すブロック図 実施の形態における症例データベースのデータ構造の例 実施の形態における診断知識データベースのデータ構造の例 実施の形態における診断知識更新処理の流れを示すフローチャート （ａ）は特徴生成パラメータの生成手法の例、（ｂ）は画像特徴ベクトルの算出方法の例 実施の形態における医用画像識別処理の流れを示すフローチャート 実施の形態における診断結果の表示例 （ａ），（ｂ）は類似症例の求め方を説明するための図 変形例における診断結果の表示例 （ａ）、（ｂ）は典型度の求め方を説明するための図 変形例に係る診断知識データベースのデータ構造の例 （ａ），（ｂ）は初期段階における症例データベースの状態 （ａ），（ｂ）は多くの症例データが追加登録された後の症例データベースの状態 （ａ），（ｂ）は新たな特徴生成パラメータが生成された後の症例データベースの状態

特許文献１では、更新される知識が、画像特徴量から識別結果を演算するために用いられる識別パラメータに限られている。このため、識別に有効な画像特徴量を予め設計しておく必要がある。ところが、知識の更新中に症例の傾向に変化が生じた場合、設計した画像特徴量が識別に有効とは限らなくなるため、症例の増加に伴い、識別精度が低下するおそれがある。

本発明は、医用画像の画像処理識別において、たとえ症例の傾向に変化が生じた場合であっても、診断知識の柔軟な更新を可能とすることを目的とする。

以下、上記事項について、図面を参照しながら説明する。

（本発明に至った知見）
図１２は初期段階における症例ＤＢの状態を模式的に示す図である。図１２では便宜的に、特徴量空間が二次元で表されており、各症例データが、予め設定された特徴生成パラメータにおける要素ａ１，ａ２をそれぞれ横軸及び縦軸とするグラフ上にプロットされている。「○」が症例Ｘに相当する診断済み症例データであり、「△」が症例Ｙに相当する診断済み症例データである。図１２（ａ）の状態において症例データ「■」が入力された場合、図１２（ｂ）に示すように、症例データ「■」は症例Ｙに属すると判定される。

図１３は多くの症例データが追加登録された後の症例ＤＢの状態を模式的に示す図である。図１３（ａ）に示すように、蓄積された多くの診断済み症例データ「○」「△」は、予め設定された特徴生成パラメータでは、必ずしも適切にクラスタリングできない。これは例えば、診断基準の変化や流行りの病気の変化などにより、症例の傾向に変化が生じることに起因する。図１３（ａ）の状態において症例データ「■」が入力された場合、図１３（ｂ）に示すように、症例データ「■」は症例Ｘ又はＹいずれに属するかが不明である。また仮に、症例Ｘ又はＹのいずれかに属すると決定できたとしても、図１２（ｂ）の場合と比較して、決定された症例の信頼度は低い。

そこで、症例ＤＢについて学習を行い、新たな特徴生成パラメータを生成する。これにより、図１４（ａ）に示すように、要素ｂ１，ｂ２を有する新たな特徴生成パラメータによって、診断済み症例データ「○」「△」がプロットし直される。図１４（ａ）の状態において症例データ「■」が入力された場合、図１４（ｂ）に示すように、症例データ「■」は症例Ｙに属すると判定される。

したがって、症例ＤＢに多くの情報が蓄積されることに伴い適切な判定ができない状態になったとしても、適切な判定が可能となる特徴生成パラメータを新たに設定することにより、適切な判定を行うことができる。本発明はこのような知見を基にしてなされたものである。

以下、図面を参照して本開示における実施形態を詳細に説明する前に、本開示の種々の態様について説明する。

本開示の第１態様によれば、診断支援装置は、
少なくとも医用画像および診断情報を含む症例データを記憶する症例データベースから、新たな診断知識の学習のために用いる複数の症例データを取得する、学習症例取得部と、
取得された前記複数の症例データに含まれた複数の医用画像から、画像から画像特徴ベクトルを生成するために用いられるパラメータである特徴生成パラメータを生成する、特徴生成パラメータ生成部と、
生成された前記特徴生成パラメータを用いて、前記複数の医用画像からそれぞれ画像特徴ベクトルを生成し、生成された複数の画像特徴ベクトルと前記複数の症例データに含まれた複数の診断情報とを基にして、画像特徴ベクトルから画像識別を行う演算に用いられるパラメータである識別パラメータを生成する、識別パラメータ生成部と、
生成された前記特徴生成パラメータおよび前記識別パラメータを、診断知識を記憶する診断知識データベースに、新たな診断知識として格納する、診断知識更新部とを備える。

この態様によると、症例データベースから取得された学習用の症例データから、特徴生成パラメータが生成され、さらに、この特徴生成パラメータを用いて生成された各医用画像の画像特徴ベクトルを基にして識別パラメータが生成され、これら特徴生成パラメータおよび識別パラメータが新たな診断知識として診断知識データベースに格納される。このため、診断知識として、識別パラメータに加え、画像特徴ベクトル生成に用いられる特徴生成パラメータを、動的に生成することができる。したがって、症例データが徐々に蓄積する状況や、症例データの傾向が変化する状況等に柔軟に対応して、診断知識を更新可能である。また、有効な特徴生成パラメータを事前に設計する必要がないため、診断知識の構築が容易になる。

本開示の第２態様によれば、第１態様の診断支援装置において、
前記学習症例取得部は、前記症例データベースから、前記複数の症例データとして、前記診断知識データベースにすでに格納されている診断知識を用いた識別処理の結果が診断情報に合っていない症例データを、選択する。

本開示の第３態様によれば、第２態様の診断支援装置において、
前記特徴生成パラメータ生成部は、前記識別処理に用いられた前記診断知識に含まれた特徴生成パラメータよりも、複雑な画像特徴ベクトルを算出する特徴生成パラメータを生成する。

本開示の第４態様によれば、第１態様の診断支援装置において、
生成された前記特徴生成パラメータおよび前記識別パラメータを、前記診断知識データベースに新たな診断知識として格納するか否かを判定する、格納判定部を備える。

本開示の第５態様によれば、第４態様の診断支援装置において、
前記格納判定部は、
前記症例データベースに格納された症例データについて、生成された前記特徴生成パラメータおよび前記識別パラメータを用いた識別処理と、前記診断知識データベースに格納されている診断知識を用いた識別処理とを行い、これらの識別結果を比較して、前記判定を行う。

本開示の第６態様によれば、第４態様の診断支援装置において、
表示部と、ユーザ操作入力部とを備え、
前記格納判定部は、
前記症例データベースに格納された症例データについて、生成された前記特徴生成パラメータおよび前記識別パラメータを用いた識別処理を行い、この識別結果を前記表示部に表示し、前記ユーザ操作入力部に入力されたユーザ操作に従って、前記判定を行う。

本開示の第７態様によれば、第６態様の診断支援装置において、
前記診断知識データベースは、記憶している診断知識に関して、信頼度を記憶しており、
前記診断知識更新部は、前記格納判定部が、格納すると判定したとき、前記表示部に識別結果を表示してから前記ユーザ操作入力部にユーザ操作が入力されるまでの時間に応じて、当該新たな診断知識の信頼度を決定する。

本開示の第８態様によれば、第１態様の診断支援装置において、
表示部と、
診断対象の医用画像について、前記診断知識データベースから読み出した複数の診断知識を用いて、画像識別を行う識別部と、
前記複数の診断知識のそれぞれについて、当該診断知識の特徴を表す参考情報を取得する参考情報取得部を備え、
前記識別部による画像識別の識別結果が、前記参考情報とともに、前記表示部に表示される。

この態様によると、医用画像識別の際には、識別結果とともに診断知識の特徴を表す参考情報がユーザに提示される。このため、ユーザは、どの診断知識を用いた識別結果を信用すればよいかを判断する情報を得ることができる。

本開示の第９態様によれば、第８態様の診断支援装置において、
前記参考情報取得部は、前記複数の診断知識のそれぞれについて、前記症例データベースから、前記診断対象の医用画像と類似すると推定される医用画像を含む症例データを類似症例として抽出するものであり、
前記類似症例が、前記参考情報として、前記表示部に表示される。

本開示の第１０態様によれば、第８態様の診断支援装置において、
前記参考情報取得部は、前記複数の診断知識のそれぞれについて、前記診断対象の医用画像がどの程度典型的な医用画像であるかを表す典型度を算出するものであり、
前記典型度が、前記参考情報として、前記表示部に表示される。

本開示の第１１態様によれば、第８態様の診断支援装置において、
ユーザ操作入力部を備え、
前記診断知識データベースは、記憶している診断知識に関して、信頼度を記憶しており、
前記診断知識更新部は、前記ユーザ操作入力部に入力されたユーザ操作から、ユーザが選択した診断知識を特定し、特定された診断知識の信頼度をより高い値に更新する。

本開示の第１２態様によれば、診断支援方法は、
少なくとも医用画像および診断情報を含む症例データを記憶する症例データベースから、新たな診断知識の学習のために用いる複数の症例データを取得する、第１ステップと、
取得された前記複数の症例データに含まれた複数の医用画像から、画像から画像特徴ベクトルを生成するために用いられるパラメータである特徴生成パラメータを生成する、第２ステップと、
生成された前記特徴生成パラメータを用いて、前記複数の医用画像からそれぞれ画像特徴ベクトルを生成し、生成された複数の画像特徴ベクトルと前記複数の症例データに含まれた複数の診断情報とを基にして、画像特徴ベクトルから画像識別を行う演算に用いられるパラメータである識別パラメータを生成する、第３ステップと、
生成された前記特徴生成パラメータおよび前記識別パラメータを、診断知識を記憶する診断知識データベースに、新たな診断知識として格納する、第４ステップとを備える。

本開示の第１３態様によれば、第１２態様の診断支援方法をコンピュータに実行させるためのプログラムを提供する。

以下、実施の形態について、図面を参照しながら説明する。

（実施の形態）
図１は実施の形態に係る診断支援装置の機能構成を示すブロック図である。診断支援装置１００は、医用画像に基づく診断を支援する装置であり、医用画像を含む症例データを用いて診断知識を更新する機能や、診断知識を用いて、医用画像を含む症例データを識別する機能を有する。ここでの識別は、正常か異常かの判定、あるいは、病気の種類の判定などを含む。

診断支援装置１００は、診断知識の更新のために、学習症例取得部１４０と、特徴生成パラメータ生成部１５０と、識別パラメータ生成部１６０と、格納判定部１７０と、診断知識更新部１８０とを備えている。また、医用画像識別のために、診断対象取得部１９０と、診断知識取得部２００と、識別部２１０と、参考情報取得部２２０とを備えている。さらに、ユーザ操作入力部１１０と、表示部２３０とを備えている。

症例データベース（ＤＢ）１２０は、症例データを記憶するデータベースである。症例データは、少なくとも、放射線画像、病理画像等の医用画像と、医師の診断結果等の診断情報とを含む。症例データベース１２０には、随時、医用画像を含む症例データがユーザによって追加登録される。

図２は症例データベース１２０のデータ構造の例である。図２では、各症例データには症例番号が付されている。そして各症例データは、医用画像と、診断情報と、選択済みフラグとを含んでいる。医用画像の種類としては、ＣＴ、ＭＲＩ、ＰＥＴといった放射線画像や、バーチャルスライドスキャナ等で取得された病理画像などがある。診断情報は例えば、正常か異常かを示したり、異常のときはその病名を示したりする。また、（未確定）はまだ診断がなされていないことを示す。選択済みフラグは、当該症例データが、診断知識更新のための学習用データとして過去に用いられたことがあるか否かを示す。「１」は用いられたことがあることを示し、「０」は用いられたことがないことを示す。

診断知識データベース（ＤＢ）１３０は、診断知識を記憶するデータベースである。本開示では、診断知識は、特徴生成パラメータと、識別パラメータとを備えている。特徴生成パラメータは、各医用画像から、所定の手法を用いて、画像特徴ベクトルを生成するために用いられるパラメータである。識別パラメータは、画像特徴ベクトルから医用画像の識別を行う演算に用いられるパラメータである。すなわち、ある医用画像が与えられたとき、特徴生成パラメータを用いて画像特徴ベクトルを生成し、この画像特徴ベクトルに対して、識別パラメータを用いた演算を行うことによって、医用画像の識別、例えば、正常／異常の判定を行う。

図３は診断知識データベース１３０のデータ構造の例である。図３では、各診断知識には診断知識番号が付されている。そして各診断知識は、特徴生成パラメータと、識別パラメータとを含んでいる。

診断支援装置１００において、学習症例取得部１４０は、症例データベース１２０から、新たな診断知識を学習するための症例データを取得する。特徴生成パラメータ生成部１５０は、学習症例取得部１４０で取得された症例データに含まれる医用画像から、特徴生成パラメータを生成する。識別パラメータ生成部１６０は、特徴生成パラメータ生成部１５０で生成された特徴生成パラメータを用いて、学習症例取得部１４０で取得された症例データに含まれた医用画像から、画像特徴ベクトルをそれぞれ生成する。そして、生成した画像特徴ベクトルと、学習症例取得部１４０で取得された症例データに含まれた診断情報とを基にして、識別パラメータを生成する。

格納判定部１７０は、特徴生成パラメータ生成部１５０で生成された特徴生成パラメータと識別パラメータ生成部１６０で生成された識別パラメータとを、新たな診断知識として診断知識データベース１３０に格納するか否かの判定を行う。診断知識更新部１８０は、格納判定部１７０の判定結果が「格納する」であるとき、特徴生成パラメータ生成部１５０で生成された特徴生成パラメータ、および識別パラメータ生成部１６０で生成された識別パラメータを、新たな診断知識として診断知識データベース１３０に格納する。例えば図３のデータ構造では、新たな診断知識は、診断知識番号が（Ｍ＋１）の診断知識として格納される。

診断対象取得部１９０は、診断支援装置１００によって医用画像の識別を行いたい症例データを症例データベース１２０から取得する。診断知識取得部２００は、診断知識データベース１３０から、医用画像識別を行うための診断知識を取得する。識別部２１０は、診断知識取得部２００で取得した診断知識を用いて、診断対象取得部１９０で取得した症例データに含まれた医用画像に対して識別処理を行う。診断知識取得部２００で複数の診断知識を取得した場合、それぞれの診断知識を用いた場合について、識別結果を得る。

参考情報取得部２２０は、診断知識取得部２００で取得した診断知識の特徴を表す情報を参考情報として取得する。例えば、各診断知識を用いた場合における、診断対象取得部１９０で取得した症例データに対する類似症例を、症例データベース１２０から取得する。

ユーザ操作入力部１１０は、ユーザによる操作を入力するものであり、例えば、マウス、キーボード、タッチパネルによって構成される。診断支援装置１００のユーザは、ユーザ操作入力部１１０を介して、例えば、新たな診断知識を診断知識データベース１３０に格納するか否かの選択操作や、医用画像の識別に用いる診断知識を選択する操作などを行う。 表示部２３０は、ユーザに情報を提示するものであり、例えば、液晶モニタなどによって構成される。表示部２３０には例えば、識別部２１０で得られた識別結果や、参考情報取得部２２０で取得された参考情報などが表示される。

また、図１の構成では、診断知識データベース１３０は、診断支援装置１００の外部に設けられているが、診断知識データベース１３０は、診断支援装置１００内に含まれていてもよい。

以下、診断支援装置１００の動作について説明する。ここでは、診断知識データベース１３０に格納された診断知識を更新する処理（診断知識更新処理）と、診断知識データベース１３０に格納された診断知識を用いて医用画像を識別する処理（医用画像識別処理）とに分けて、説明を行う。またここでは、医用画像の識別は、病変の正常・異常の判定を目的とするものとする。

＜診断知識更新処理＞
図４は本実施形態における診断知識更新処理の流れを示すフローチャートである。なお、診断知識更新処理を開始するトリガーとしては、様々なものが考えられる。例えば、ユーザ操作によって開始するようにしてもよいし、あるいは、定期的に（例：１週間毎など）開始するようにしてもよい。さらには、症例データベース１２０に新たな症例データが所定数格納されたタイミングで、開始するようにしてもかまわない。

ステップＳ１０では、学習症例取得部１４０が、診断知識の更新のために用いる学習用の症例データを症例データベース１２０から取得する。取得される症例データは少なくとも、医用画像と、診断結果等を示す診断情報とを含む。ここでは、学習症例取得部１４０は、診断済みであり、かつ、選択済みフラグの値が「０」の症例データを学習症例として取得するものとする。そして、取得した症例データの選択済みフラグを「１」に変更する。このような動作によって、一度学習に用いた症例データが再び学習に用いられることがなくなる。

なお、学習用の症例データの選択方法は、上で述べたものに限られるものではなく、例えば、同じ症例データが複数回学習に用いられてもかまわない。例えば、症例データベース１２０から、ランダムに、所定数の診断済み症例データを取得するようにしてもよい。この場合は、症例データベース１２０に選択済みフラグを設ける必要がない。また例えば、症例データベース１２０に症例データの取得日時情報を格納しておき、取得日時の条件を与えて（例：直近の１か月など）、学習用の症例データを取得してもかまわない。

さらに、現在までに生成された診断知識（特徴生成パラメータおよび識別パラメータ）を用いて識別を行った結果、不正解となった症例データを、学習用の症例データとして選択してもよい。すなわち、学習症例取得部１４０は、診断知識データベース１３０にすでに格納されている診断知識を用いた識別処理の結果が、診断情報に合っていない症例データを、症例データベース１２０から選択してもよい。この選択方法によると、これまでの診断知識で正解できていなかった症例に対して、有効な知識を生成する学習が実現可能となる。なお、これまでの診断知識による識別処理の結果は、例えば、症例データベース１２０に各症例データと関連付けて格納してもよいし、別のデータベースに格納し、学習症例取得部１４０がそのデータベースを参照するようにしてもよい。

ステップＳ１１では、特徴生成パラメータ生成部１５０が、ステップＳ１０で取得された症例データに含まれる医用画像から、識別に用いる特徴生成パラメータを生成する。一般的な画像認識の場合、識別に用いる特徴生成パラメータは、あらかじめ設計された固定されたものを用いる。しかし、医用画像のように初めから十分な量のデータを準備することが困難な場合、識別に有効な特徴生成パラメータをあらかじめ設計することは困難である。

本開示では、症例データの追加に応じて、特徴生成パラメータ自体を動的に更新する。本実施形態では、非特許文献１に示されるK-meansを所定の手法として用いて、特徴生成パラメータを自動生成し、その特徴生成パラメータを用いて、各医用画像から画像特徴ベクトルを生成する。なお、画像から特徴生成パラメータを生成し、画像特徴量を生成する手法としては、その他に、RBM（Restricted Boltzmann machine）、DBN(Deep Belief Networks)、DBM(Deep Boltzmann Machine)、Auto-encoder、SdA(Stacked denoising Auto-encoder)等の手法を用いてもよい。

図５（ａ）はK-meansを用いた特徴生成パラメータの生成手法を示す。図５（ａ）に示すように、まず入力画像から小領域のパッチを抽出する。ここでの入力画像は、ステップＳ１０で取得された学習症例データに含まれる医用画像である。抽出されたパッチはパッチサイズの画素値ベクトルとなる。次に、抽出されたパッチについて、K-meansによるクラスタリングを行い、各クラスタの中心ベクトルを求める。図５（ａ）では、クラスタの数はＫ個としている。このK-meansにおけるクラスタ中心ベクトルが、特徴生成パラメータに相当する。

ステップＳ１２では、識別パラメータ生成部１６０が、ステップＳ１０で取得された症例データから、識別に用いる識別パラメータを生成する。識別パラメータ生成部１６０はまず、ステップＳ１０で取得された学習症例データに含まれる各医用画像から、画像特徴ベクトルを算出する。この算出には、ステップＳ１１で生成された特徴生成パラメータ、ここでは、K-meansのクラスタ中心ベクトルが用いられる。

図５（ｂ）はK-meansを用いた画像特徴ベクトルの算出方法を示す。まず、算出対象となる医用画像から、パッチを取得する。次に、このパッチが、図５（ａ）の方法で求められたどのクラスタに属するかを算出し、属するクラス番号を画像中の位置に応じて並べたベクトルを生成する。ここで、y_i,jには、パッチx_i,jが対象のクラスタに属する場合は「１」、属さない場合は「０」が格納される。最後に、位置が隣接する２×２について和を求め一つの値とし（pooling）、その出力を並べた値を画像特徴ベクトルとする。

学習用に取得された医用画像が異なる場合、ステップＳ１１では、異なるクラスタ中心ベクトル、すなわち異なる特徴生成パラメータが生成される。同一の医用画像から画像特徴量ベクトルを算出するときでも、異なる特徴生成パラメータを用いた場合には、異なる画像特徴ベクトルが算出される。

なお、本発明では、複雑さの異なる画像特徴ベクトルを算出するような特徴生成パラメータを生成することも可能である。具体的には、本実施形態で用いているK-mansを用いた特徴学習の場合、クラスタ中心の個数、および、パッチのサイズを大きくすることによって、より複雑な画像特徴ベクトルを算出する特徴生成パラメータを学習することが可能となる。

例えば、学習症例として不正解の画像を用いた場合に、より複雑な特徴を学習するようにすることは、識別精度を向上させるのに有用である。そこで例えば、学習用の症例データとして、診断知識データベース１３０にすでに格納されている診断知識を用いた識別処理の結果が診断情報に合っていない症例データを選択した場合には、特徴生成パラメータ生成部１５０は、この識別処理に用いられた診断知識に含まれた特徴生成パラメータよりも、複雑な画像特徴ベクトルを算出する特徴生成パラメータを生成してもよい。不正解となった症例は、現在の複雑さではその医用画像の特徴を捉えきれていない場合がある。このため、より複雑な画像特徴ベクトルを算出する特徴生成パラメータを学習することにより、このような不正解例に対する識別精度を向上させることが可能となる。

そして、識別パラメータ生成部１６０は、ステップＳ１０で取得された症例データを教師データとしたオンライン学習により、生成された画像特徴ベクトルに対応する識別パラメータを生成する。オンライン学習の手法としては、Perceptron、Averaged Perceptron、Passive Aggressive、Confidence-Weighted Learning等の手法を用いることができる。本実施形態では、Perceptronを用いて識別を行う例を示す。

Perceptronの識別関数を（数１）に示す。
数１において、ｘは入力データ、φ(ｘ)は入力データから抽出された特徴ベクトル、ｗは重みベクトルを表す。Perceptronでは、（数１）の結果であるｙ(ｘ)の符号によって、入力が正例か負例かを判別する。ここでの正例・負例は、病変の正常・異常に対応する。オンライン学習では、正例・負例を精度よく分離できるように、重みベクトルｗの値を教師データを用いて調整する。Perceptronでは、教師データを用いて識別を行った結果が誤りであった場合、重みベクトルを（数２）に示す更新式で更新する。
ｔ_ｎは教師データｘ_ｎのラベルを表す。また、ηは学習率を示す。ここで教師データｘ_ｎとして、ステップＳ１０で取得した症例データに含まれた診断情報が示す正常・異常を用いる。これにより、生成された画像特徴量ベクトルに対する重みベクトルの更新処理を実現できる。この重みベクトルが、識別パラメータに相当する。

ステップＳ１３では、格納判定部１７０が、ステップＳ１１で生成された特徴生成パラメータ、およびステップＳ１２で生成された識別パラメータを、新たな診断知識として診断知識データベース１３０に保存するか否かを判定する。ステップＳ１３において保存すると判定された場合はステップＳ１４に進む。ステップＳ１４では、診断知識更新部１８０が、生成された特徴生成パラメータおよび識別パラメータを、新たな診断知識として診断知識データベース１３０に追加する。図５の診断知識データベース１３０の場合、新たな診断知識は、例えば診断知識番号Ｍ＋１として保存される。一方、ステップＳ１３において保存しないと判定された場合は、処理を終了する。

ステップＳ１３での判定は次のように行えばよい。例えば、生成された特徴生成パラメータおよび識別パラメータを用いて、症例データベース１２０から取得した複数の症例データについて識別処理を行う。また、診断知識データベース１３０から、格納されている診断知識の全てまたはその一部を取得し、これらの診断知識を用いて、同じ複数の症例データについて識別処理を行う。そして、これらの識別結果を比較する。生成された特徴生成パラメータおよび識別パラメータによる識別結果が、診断知識データベース１３０に格納されている診断知識による識別結果と所定程度以上異なっているとき、生成された特徴生成パラメータおよび識別パラメータを新たな診断知識として診断知識データベース１３０に保存する、と判定する。

あるいは、新たな診断知識として保存するか否かを、ユーザに判定させてもよい。例えば、生成された特徴生成パラメータおよび識別パラメータによる識別結果を表示部２３０に表示し、ユーザが、ユーザ操作入力部１１０によって、保存するか否かの判断を入力するようにしてもよい。

また例えば、生成された特徴生成パラメータおよび識別パラメータによる識別結果が、診断知識データベース１３０に格納されている診断知識による識別結果と似通っているとき、生成された特徴生成パラメータおよび識別パラメータを新たな診断知識として、既存の診断知識に置き換えてもよい。あるいは、診断知識データベース１３０に後述する信頼度が記憶されている場合には、新たな診断知識の信頼度をより高い値に設定するようにしてもかまわない。

＜医用画像識別処理＞
図６は本実施形態における医用画像識別処理の流れを示すフローチャートである。医用画像識別処理は通常、ユーザ操作によって開始される。

ステップＳ２０では、診断対象取得部１９０が、ユーザ操作入力部１１０の出力を受けて、症例データベース１２０から、診断対象の症例データを取得する。このとき、表示部２３０に、症例データベース１２０に格納されている症例データの一覧が表示されるようにしてもよい。また、診断対象の症例データは、症例データベース１２０以外から診断支援装置１００に与えてもかまわない。

ステップＳ２１では、診断知識取得部２００が、診断知識データベース１３０から診断知識を取得する。診断知識は上述したとおり、特徴生成パラメータと識別パラメータとを備えている。このとき、診断知識データベース１３０に格納された診断知識をすべて取得してもよいし、その一部を取得してもよい。例えば図３に示した診断知識データベース１３０に対して、全ての診断知識を要求したときは、Ｍ個の診断知識が取得される。

ステップＳ２２では、識別部２１０が、ステップＳ２０で取得した診断対象症例データに含まれた医用画像に対して、ステップＳ２１で取得した診断知識を用いて識別処理を行う。ステップＳ２１で複数の診断知識を取得した場合は、各診断知識を用いた識別処理をそれぞれ行う。識別処理では、所定の手法（本実施形態ではK-means）に従って、診断知識に含まれた特徴生成パラメータを用いて、医用画像から画像特徴ベクトルを算出する。そして、診断知識に含まれた識別パラメータを用いて、例えば（数１）によって、正常か異常かを判別する。

ステップＳ２３では、参考情報取得部２２０が、ステップＳ２１で取得したそれぞれの診断知識について、その特徴を表す参考情報を生成する。ここでは、参考情報の一例として、各診断知識を用いたときの類似症例を、症例データベース１２０から取得するものとする。類似症例の求め方については後述する。

ステップＳ２４では、表示部２３０が、ステップＳ２２で算出した識別結果、及びステップＳ２３で取得した参考情報を診断結果として表示する。図７は診断結果の表示例である。図７の表示例では、診断対象の症例の情報（医用画像、患者情報）、各診断知識を用いた場合の識別結果と、参考情報としての類似症例が表示されている。類似症例を表示することによって、ユーザは、診断対象の医用画像がどのような診断基準によって識別されたのかを推測することが容易になる。

図８を用いて、類似症例の求め方について説明する。図８は画像特徴ベクトル空間を便宜的に二次元で示したものであり、破線は識別面を示している。図８（ａ），（ｂ）に示すように、各診断知識について、画像特徴ベクトル空間における各症例データの分布が求まる。このとき、診断対象の症例データ（図８では症例Ａ）からの距離が所定値以下の範囲に属する症例データを、類似症例として選択する。図８（ａ）の例では、診断知識１について類似症例として症例Ｅ，Ｆが選択され、図８（ｂ）の例では、診断知識２について類似症例として症例Ｂ，Ｄが選択される。

本開示では、診断知識の更新処理によって、医用画像の識別に用いる特徴生成パラメータ自体が新たに生成され、新たな診断知識として格納される。このため、診断知識によって画像特徴ベクトル空間における症例データの分布が変化する。これにより、診断知識に応じて、異なる類似症例が得られるという特徴を持つ。すなわち、類似症例が、各診断知識を用いた識別結果がどのような基準によって判断されたのかを理解する手がかりとなる。したがって、識別結果とともに、参考情報として類似症例をユーザに提示することによって、ユーザは、診断知識の妥当性の判断などを容易に行うことができる。

以上のように、本実施形態によると、症例データベース１２０から取得された学習用の症例データから、特徴生成パラメータおよび識別パラメータが生成され、新たな診断知識として、診断知識データベース１３０に格納される。このため、診断知識を動的に更新することができるので、症例データが徐々に蓄積する状況や、症例データの傾向が変化する状況等に柔軟に対応可能である。また、診断知識による識別結果が、診断知識の特徴を表す参考情報とともに提示されるので、ユーザは識別に用いられた診断知識の特徴を把握しやすくなるため、医師等がより強い根拠を持って診断を下すことが可能になる。

なお、本実施形態では、医用画像の識別について、主として、正常か異常かを判定するものとして説明を行った。病気の種類の判定を行う場合には、例えば、それぞれの病気について、本実施形態で説明したものと同様の方法によって、当該病気に該当するか否かを判定するようにすればよい。

（変形例その１）
上述の実施の形態では、医用画像識別処理において、識別結果とともに、参考情報として類似症例をユーザに提示するものとした。もちろん、参考情報を提示せず、識別結果のみをユーザに提示してもよい。あるいは、類似症例以外の参考情報を提示してもかまわない。

図９は本変形例に係る診断結果の表示例である。図９の例では、識別結果とともに、参考情報として、診断対象の典型度を提示している。ここで、典型度とは、当該診断知識にとって、診断対象の医用画像がどの程度典型的なものであるかという度合を表すものである。一般的に、典型度が高いほど識別結果が正解である可能性が高く、典型度を提示することはユーザにとって有益となる。なお、図９の例では、典型度をグラフ化して表示しているが、他にも例えば、典型度の高い順に識別結果を並び替えて表示してもよい。

図１０を用いて、典型度の求め方について説明する。図１０は図８と同様に、画像特徴ベクトル空間を便宜的に二次元で示したものであり、破線は識別面を示している。典型度は例えば、症例データベース１２０に含まれる、診断対象の症例データとの距離が所定値以下の範囲に属する症例データの個数によって、表すことができる。図１０（ａ）の例は、診断対象症例Ａとの距離が近い症例が多数存在するので典型度が高い。一方、図１０（ｂ）の例は、診断対象症例Ａとの距離が近い症例が少ないので典型度が低い。

（変形例その２）
図１１は本変形例に係る診断知識データベース１３０のデータ構造の例である。図１１のデータ構造では、各診断知識に関して、信頼度が与えられている。このような診断知識データベース１３０を利用することによって、例えば、識別結果を、診断知識の信頼度が高い順に表示する、ということが可能になる。これにより、ユーザにとって有益と考えられる順に識別結果を提示することが可能となる。

なお、信頼度の設定や更新については、様々な方法が考えられる。例えば、表示部２３０に表示された識別結果を見て、ユーザが、最終的に信用した診断知識をユーザ操作入力部１１０によって特定するようにする。そして、ユーザによって特定された診断知識の信頼度を、より高い値に更新する。またこの場合、診断知識の特定を行ったユーザ（例：医師）のキャリアや経験年数等のプロフィールを加味して、信頼度の更新を行ってもよい。例えば、ベテランの医師によって特定された場合は、その診断知識の信頼度を大きく上げる。このような情報処理は、例えば医師のプロフィールに関するデータベースを利用することによって可能になる。

また、診断知識更新処理において、生成された特徴生成パラメータおよび識別パラメータを新たな診断知識として保存するか否かをユーザに判定させる場合には、そのユーザ操作によって信頼度を設定更新してもかまわない。例えば、ユーザが、保存すると速やかに判定した場合は、その診断知識の信頼度は高いと推定される。一方、保存すると判定したものの判定までに長い時間がかかった場合は、その診断知識の信頼度はさほど高くないと推定される。したがって例えば、生成された特徴生成パラメータおよび識別パラメータを用いた識別処理による識別結果を表示部に表示してから、ユーザ操作入力部にユーザ操作が入力されるまでの所要時間に応じて、当該新たな診断知識の信頼度を決定してもよい。あるいは、上と同様に、判定を行った医師などのプロフィールを加味してもよい。

本発明は、医用画像の画像処理識別において、症例データの傾向の変化に対応した診断知識の更新を行うのに有用である。

１００ 診断支援装置
１１０ ユーザ操作入力部
１２０ 症例データベース
１３０ 診断知識データベース
１４０ 学習症例取得部
１５０ 特徴生成パラメータ生成部
１６０ 識別パラメータ生成部
１７０ 格納判定部
１８０ 診断知識更新部
１９０ 診断対象取得部
２００ 診断知識取得部
２１０ 識別部
２２０ 参考情報取得部
２３０ 表示部

Claims (13)

1. 少なくとも医用画像および診断情報を含む症例データを記憶する症例データベースから、新たな診断知識の学習のために用いる複数の症例データを取得する、学習症例取得部と、
   取得された前記複数の症例データに含まれた複数の医用画像から、画像から画像特徴ベクトルを生成するために用いられるパラメータである特徴生成パラメータを生成する、特徴生成パラメータ生成部と、
   生成された前記特徴生成パラメータを用いて、前記複数の医用画像からそれぞれ画像特徴ベクトルを生成し、生成された複数の画像特徴ベクトルと前記複数の症例データに含まれた複数の診断情報とを基にして、画像特徴ベクトルから画像識別を行う演算に用いられるパラメータである識別パラメータを生成する、識別パラメータ生成部と、
   生成された前記特徴生成パラメータおよび前記識別パラメータを、診断知識を記憶する診断知識データベースに、新たな診断知識として格納する、診断知識更新部とを備えた
   ことを特徴とする診断支援装置。
2. 請求項１記載の診断支援装置において、
   前記学習症例取得部は、前記症例データベースから、前記複数の症例データとして、前記診断知識データベースにすでに格納されている診断知識を用いた識別処理の結果が診断情報に合っていない症例データを、選択する
   ことを特徴とする診断支援装置。
3. 請求項２記載の診断支援装置において、
   前記特徴生成パラメータ生成部は、前記識別処理に用いられた前記診断知識に含まれた特徴生成パラメータよりも、複雑な画像特徴ベクトルを算出する特徴生成パラメータを生成する
   ことを特徴とする診断支援装置。
4. 請求項１記載の診断支援装置において、
   生成された前記特徴生成パラメータおよび前記識別パラメータを、前記診断知識データベースに新たな診断知識として格納するか否かを判定する、格納判定部を備えた
   ことを特徴とする診断支援装置。
5. 請求項４記載の診断支援装置において、
   前記格納判定部は、
   前記症例データベースに格納された症例データについて、生成された前記特徴生成パラメータおよび前記識別パラメータを用いた識別処理と、前記診断知識データベースに格納されている診断知識を用いた識別処理とを行い、これらの識別結果を比較して、前記判定を行う
   ことを特徴とする診断支援装置。
6. 請求項４記載の診断支援装置において、
   表示部と、ユーザ操作入力部とを備え、
   前記格納判定部は、
   前記症例データベースに格納された症例データについて、生成された前記特徴生成パラメータおよび前記識別パラメータを用いた識別処理を行い、この識別結果を前記表示部に表示し、前記ユーザ操作入力部に入力されたユーザ操作に従って、前記判定を行う
   ことを特徴とする診断支援装置。
7. 請求項６記載の診断支援装置において、
   前記診断知識データベースは、記憶している診断知識に関して、信頼度を記憶しており、
   前記診断知識更新部は、前記格納判定部が、格納すると判定したとき、前記表示部に識別結果を表示してから前記ユーザ操作入力部にユーザ操作が入力されるまでの時間に応じて、当該新たな診断知識の信頼度を決定する
   ことを特徴とする診断支援装置。
8. 請求項１記載の診断支援装置において、
   表示部と、
   診断対象の医用画像について、前記診断知識データベースから読み出した複数の診断知識を用いて、画像識別を行う識別部と、
   前記複数の診断知識のそれぞれについて、当該診断知識の特徴を表す参考情報を取得する参考情報取得部を備え、
   前記識別部による画像識別の識別結果が、前記参考情報とともに、前記表示部に表示される
   ことを特徴とする診断支援装置。
9. 請求項８記載の診断支援装置において、
   前記参考情報取得部は、前記複数の診断知識のそれぞれについて、前記症例データベースから、前記診断対象の医用画像と類似すると推定される医用画像を含む症例データを類似症例として抽出するものであり、
   前記類似症例が、前記参考情報として、前記表示部に表示される
   ことを特徴とする診断支援装置。
10. 請求項８記載の診断支援装置において、
    前記参考情報取得部は、前記複数の診断知識のそれぞれについて、前記診断対象の医用画像がどの程度典型的な医用画像であるかを表す典型度を算出するものであり、
    前記典型度が、前記参考情報として、前記表示部に表示される
    ことを特徴とする診断支援装置。
11. 請求項８記載の診断支援装置において、
    ユーザ操作入力部を備え、
    前記診断知識データベースは、記憶している診断知識に関して、信頼度を記憶しており、
    前記診断知識更新部は、前記ユーザ操作入力部に入力されたユーザ操作から、ユーザが選択した診断知識を特定し、特定された診断知識の信頼度をより高い値に更新する
    ことを特徴とする診断支援装置。
12. 少なくとも医用画像および診断情報を含む症例データを記憶する症例データベースから、新たな診断知識の学習のために用いる複数の症例データを取得する、第１ステップと、
    取得された前記複数の症例データに含まれた複数の医用画像から、画像から画像特徴ベクトルを生成するために用いられるパラメータである特徴生成パラメータを生成する、第２ステップと、
    生成された前記特徴生成パラメータを用いて、前記複数の医用画像からそれぞれ画像特徴ベクトルを生成し、生成された複数の画像特徴ベクトルと前記複数の症例データに含まれた複数の診断情報とを基にして、画像特徴ベクトルから画像識別を行う演算に用いられるパラメータである識別パラメータを生成する、第３ステップと、
    生成された前記特徴生成パラメータおよび前記識別パラメータを、診断知識を記憶する診断知識データベースに、新たな診断知識として格納する、第４ステップとを備えた
    ことを特徴とする診断支援方法。
13. 請求項１２記載の診断支援方法をコンピュータに実行させるためのプログラム。