JP2015116331A - 超音波診断装置、医用画像診断装置および検査手順発生プログラム - Google Patents

Abstract

【課題】検査プロトコルを自動的に生成し、検査プロトコル実行機能の利用にあたり操作者に対する事前準備の労力を低減可能な超音波診断装置の提供。
【解決手段】本実施形態に係る超音波診断装置１は、被検体に対する超音波検査において、操作者により入力された複数の操作に関する複数の操作履歴と、前記操作により実行された複数の検査内容とを記憶する記憶部３５と、前記記憶された前記操作履歴と前記検査内容と、操作者により入力された最新の操作若しくは直近に実行された検査内容との比較に基づく、予め設定された所定の統計解析により、次に行われる一連の操作若しくは一連の検査内容の候補として、一連の検査手順を発生する検査手順発生部３７と、前記一連の検査手順を表示する表示部１５と、を具備することを特徴とする。
【選択図】 図１

Description

本発明の実施形態は、検査手順を発生可能な超音波診断装置、医用画像診断装置および検査手順発生プログラムに関する。

従来、検査プロトコル実行機能における検査プロトコルは、専門知識を有する操作者により生成される。例えば、上記操作者は、医用画像診断装置により提供される検査プロトコル生成機能を用いて、手動で検査プロトコルを生成する。すなわち、操作者は、検査プロトコル実行機能を利用するまでの過程に、多くの労力を必要とする。

このため、検査プロトコル実行機能を利用する過程は、操作者を著しく限定する。加えて、検査プロトコルの手動による生成は、操作ミスを誘発する可能性を秘めている。これらのことから、検査プロトコルの手動による生成は、結果的に検査スループットを阻害する要因となり得る。

上記問題は、検査プロトコルにはいわゆる「工場出荷状態」が存在しないことが要因である。このため、医用画像診断装置の設置場所に販売員が出向いて設置場所で検査プロトコルを生成するか、または、顧客自らプロトコルエディタを用いて検査プロトコルを生成する必要がある。販売員が出向くとコストがかかる問題がある。一方、顧客が手動でプロトコルを生成するにはある程度の機能利用経験が必要となり、誰でも利用できるわけではないという問題がある。

図９は、従来技術の問題点を示した模式図である。図９に示すように、検査プロトコル実行機能は検査プロトコル生成エディタを有する。本機能の利用者は自身でエディタを用いて検査プロトコルを生成する必要がある。非常に単純な検査プロトコルを生成する場合に要する時間は微量であるが、通常のルーチン検査などに用いる検査は多岐の機能を利用する必要がある。すなわち、検査プロトコルの量と検査プロトコルを用いて検査プロトコルを生成する時間は比例する。検査プロトコルは顧客、検査単位で異なるため複数の検査プロトコルを予め用意する必要もある。また、検査プロトコルを生成するために要する時間は本機能の機能理解度にも依存する。このため、本機能を利用するまでに要する時間を考えた場合、検査のスループットを阻害する要因となり得る。

特開２００７−１６７３０３号公報

目的は、検査プロトコルを自動的に生成し、検査プロトコル実行機能の利用にあたり操作者に対する事前準備の労力を低減させることにある。

本実施形態に係る超音波診断装置は、被検体に対する超音波検査において、操作者により入力された複数の操作に関する複数の操作履歴と、前記操作により実行された複数の検査内容とを記憶する記憶部と、前記記憶された前記操作履歴と前記検査内容と、操作者により入力された最新の操作若しくは直近に実行された検査内容との比較に基づく、予め設定された所定の統計解析により、次に行われる一連の操作若しくは一連の検査内容の候補として、一連の検査手順を発生する検査手順発生部と、前記一連の検査手順を表示する表示部と、を具備することを特徴とする。

図１は、本実施形態に係る超音波診断装置の構成を示す構成図である。 図２は、本実施形態に係るハードウェアおよびソフトウェア制御の一例を示す図である。 図３は、本実施形態に係り、記憶部に記憶された操作履歴と検査内容とに対応する属性ベクトルＸの成分（形質パラメータ）の一例を示す図である。 図４Ａは、本実施形態に係り、検査手順発生処理に係る処理手順の一例を示すフローチャートである。 図４Ｂは、本実施形態に係り、検査手順発生処理に係る処理手順の一例を示すフローチャートである。 図５は、本実施形態に係り、３種類の操作履歴の一例を示す図である。 図６は、図５における入力内容コードに関する定義の一例を示す図である。 図７は、本実施形態における検査手順発生処理に係り、クラスタリングの概要の一例を示す概要図である。 図８は、本実施形態における検査手順発生処理に係り、クラスタリングされた複数のクラスタに基づいて、一連の検査手順（プロトコル）を生成する一例を示す図である。 図９は、従来技術に係り、検査手順を手動で設定する画面の一例を示す図である。

以下、図面を参照しながら本実施形態に係わる超音波診断装置を説明する。なお、以下の説明において、略同一の構成を有する構成要素については、同一符号を付し、重複説明は必要な場合にのみ行う。

図１は、本実施形態に係る超音波診断装置１のブロック構成図を示している。同図に示すように、超音波診断装置１は、超音波プローブ１１、装置本体１３、表示部１５、装置本体１３に接続され操作者からの各種指示・命令・情報を装置本体１３に取り込むための入力部１７を有する。加えて本超音波診断装置１には、心電計、心音計、脈波計、呼吸センサに代表される生体信号計測部１９およびネットワークが、インターフェース部３１を介して接続されてもよい。

超音波プローブ１１は、圧電セラミックス等の音響／電気可逆的変換素子としての圧電振動子を有する。複数の圧電振動子は並列され、超音波プローブ１１の先端に装備される。なお、一つの圧電振動子が一チャンネルを構成するものとして説明する。圧電振動子は、後述する送受信部２１から供給される駆動信号に応答して超音波を発生する。圧電振動子は、被検体Ｐの生体組織で反射された超音波（以下、エコー信号と呼ぶ）の受信に応答して、受信エコー信号を発生する。以下、超音波プローブ１１は、１次元アレイを複数の振動子の配列方向と直交する方向に揺動させて３次元走査を実行するメカニカル４次元プローブとして説明する。なお、超音波プローブ１１は、メカニカル４次元プローブに限定されず、２次元アレイプローブであってもよい。

装置本体１３は、送受信部２１と、Ｂモード処理部２３と、ドプラ処理部２５と、画像発生部２７と、画像合成部２９と、インターフェース部３１と、制御部（中央演算処理装置：Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ：以下ＣＰＵと呼ぶ）３３と、記憶部３５と、検査手順発生部３７とを有する。

送受信部２１は、図示していないトリガ発生回路、送信遅延回路、パルサ回路、プリアンプ回路、アナログディジタル（Ａｎａｌｏｇ ｔｏ Ｄｉｇｉｔａｌ：以下Ａ／Ｄと呼ぶ）変換器、受信遅延回路、加算器等を有する。送受信部２１は、後述する検査手順発生部３７により発生された検査手順における検査内容に従って、送受信部２１における各部を制御する。

トリガ発生回路は、所定のレート周波数で送信超音波を形成するためのレートパルスを繰り返し発生する。トリガ発生回路は、例えば５ｋＨｚのレート周波数でレートパルスを繰り返し発生する。このレートパルスは、チャンネル数に分配され、送信遅延回路に送られる。送信遅延回路は、チャンネル毎に超音波をビーム状に収束し且つ送信指向性を決定するのに必要な遅延時間を、各レートパルスに与える。パルサ回路は、このレートパルスに基づくタイミングで、超音波プローブ１１の振動子ごとに電圧パルス（駆動信号）を印加する。これにより、超音波ビームが被検体Ｐに送信される。

被検体Ｐの生体組織で反射されたエコー信号は、超音波プローブ１１を介して受信エコー信号としてチャンネル毎に取り込まれる。プリアンプ回路は、超音波プローブ１１を介して取り込まれた被検体Ｐからの受信エコー信号をチャンネル毎に増幅する。Ａ／Ｄ変換器は、増幅された受信エコー信号をディジタル信号に変換する。受信遅延回路は、ディジタル信号に変換された受信エコー信号に、受信指向性を決定するために必要な遅延時間を与える。加算器は、遅延時間が与えられた複数の受信エコー信号を加算する。この加算により、送受信部２１は、受信指向性に応じた方向からの反射成分を強調した受信信号を発生する。この送信指向性と受信指向性とにより超音波送受信の総合的な指向性が決定される（この指向性により、いわゆる「超音波走査線」が決まる）。

送受信部２１は、被走査領域内の各走査線における深さごとの受信信号を、後述するＢモード処理部２３に出力する。なお、送受信部２１は、１回の超音波送信で複数の走査線上に生じたエコー信号を同時に受信する並列受信機能を有していてもよい。

Ｂモード処理部２３は、図示していない包絡線検波器、対数変換器などを有する。包絡線検波器は、送受信部２１から出力された受信信号に対して包絡線検波を実行する。Ｂモード処理部２３は、後述する検査手順発生部３７により発生された一連の検査手順における検査内容に従って、Ｂモード処理部２３における各部を制御する。

包絡線検波器は、包絡線検波された信号を、後述する対数変換器に出力する。対数変換器は、包絡線検波された信号に対して対数変換して弱い信号を相対的に強調する。Ｂモード処理部２３は、対数変換器により強調された信号に基づいて、各走査線における深さごとの信号値（Ｂモードデータ）を発生する。なお、Ｂモード処理部２３は、Ｂモードデータを、後述する記憶部３５に出力してもよい。

ドプラ処理部２５は、図示していないドプラ信号発生部とカラードプラデータ生成部とを有する。ドプラ信号発生部は、図示していないミキサーと低域通過フィルタ（以下ＬＰＦ）を有する。ドプラ処理部２５は、後述する検査手順発生部３７により発生された一連の検査手順の検査内容に従って、ドプラ処理部２５における各部を制御する。

ミキサーは、送受信部２１から出力された信号に、送信周波数と同じ周波数ｆ_０を有する基準信号を掛け合わせる。この掛け合わせにより、ドプラ偏移周波数ｆ_ｄの成分の信号と（２ｆ_０＋ｆ_ｄ）の周波数成分を有する信号とが得られる。ＬＰＦは、ミキサーからの２種の周波数成分を有する信号のうち、高い周波数成分（２ｆ_０＋ｆ_ｄ）の信号を取り除く。ドプラ信号発生部は、高い周波数成分（２ｆ_０＋ｆ_ｄ）の信号を取り除くことにより、ドプラ偏移周波数ｆ_ｄの成分を有するドプラ信号を発生する。なお、ドプラ信号発生部として、直交検波方式を採用することも可能である。

カラードプラデータ生成部は、２チャンネルから構成される図示していないアナログディジタル（以下Ａ／Ｄと呼ぶ）変換器、速度／分散／Ｐｏｗｅｒ演算部を有する。Ａ／Ｄ変換器は、ドプラ信号発生部のＬＰＦから出力されたドプラ信号、または、直交検波されたアナログ信号をディジタル信号に変換する。速度／分散／Ｐｏｗｅｒ演算部は、図示していないＭＴＩ（Ｍｏｖｉｎｇ Ｔａｒｇｅｔ Ｉｎｄｉｃａｔｏｒ）フィルタ、自己相関演算器を有する。

ＭＴＩフィルタは、Ａ／Ｄ変換器から出力されたドプラ信号に対して、臓器の呼吸性移動や拍動性移動などに起因するドプラ成分（クラッタ成分）を除去する。自己相関演算器は、ＭＴＩフィルタによって血流情報のみが抽出されたドプラ信号に対して、自己相関値を算出する。自己相関演算器は、算出された自己相関値に基づいて、血流の平均速度値および分散値等を算出する。カラードプラデータ生成部は、複数のドプラ信号に基づく血流の平均速度値や分散値等からカラードプラデータを生成する。以下、ドプラ信号発生部により発生されたドプラ信号とカラードプラデータ生成部で生成されたカラードプラデータとをまとめて、ドプラデータと呼ぶ。ドプラ処理部２５は、発生したドプラデータを、画像発生部２７に出力する。

画像発生部２７は、図示していないディジタルスキャンコンバータ（Ｄｉｇｉｔａｌ Ｓｃａｎ Ｃｏｎｖｅｒｔｅｒ：以下ＤＳＣと呼ぶ）を有する。画像発生部２７は、後述する検査手順発生部３７により発生された一連の検査手順における検査内容に従って、ＤＳＣを制御する。

画像発生部２７は、ＤＳＣに対して、座標変換処理（リサンプリング）を実行する。座標変換処理とは、例えば、ローデータからなる超音波スキャンの走査線信号列を、テレビなどに代表される一般的なビデオフォーマットの走査線信号列に変換することである。ここで、ローデータとは、ドプラデータまたはＢモードデータのことである。画像発生部２７は、座標変換処理に続けて補間処理を、ＤＳＣに対して実行する。補間処理とは、隣り合う走査線信号列におけるローデータを用いて、走査線信号列間にデータを補間する処理である。

画像発生部２７は、ローデータに対して座標変換処理と補間処理とを実行することにより、表示画像としての超音波画像を発生する。なお、画像発生部２７は、発生した超音波画像に対応するデータ（以下、画像データと呼ぶ）を記憶する画像メモリを有していてもよい。画像発生部２７は、画像データを後述する画像合成部２９に出力する。以下、Ｂモードデータを用いて発生された超音波画像をＢモード画像と呼ぶ。また、ドプラデータを用いて発生された超音波画像をドプラ画像と呼ぶ。以下の説明において、Ｂモード画像およびドプラ画像をまとめて断層像と呼ぶ。

画像合成部２９は、超音波画像に、種々のパラメータの文字情報および目盛等を合成する。画像合成部２９は、合成された超音波画像を後述する表示部１５のモニタに出力する。なお、画像合成部２９は、図示していないシネメモリに記憶された画像を発生してもよい。この時、シネメモリに記憶された画像は、シネ表示（ループ再生）される。

画像合成部２９は、後述する検査手順発生部３７により発生された一連の検査手順における検査内容に応じて、所定のパラメータ、文字情報、計測マーカなどを、超音波画像に合成する。

インターフェース部３１は、後述する入力部１７、ネットワーク、図示していない外部記憶装置および生体信号計測部に関するインターフェースである。装置本体１３によって得られた超音波画像等のデータおよび解析結果等は、インターフェース部３１とネットワークとを介して他の装置に転送可能である。なお、インターフェース部３１は、ネットワークを介して、図示していない他の医用画像診断装置で取得された被検体に関する医用画像を、ダウンロードすることも可能である。

図２は、本実施形態に係るハードウェアおよびソフトウェア制御の一例を示す構成図である。本実施形態に係るハードウェアは、入力部１７、制御部（ＣＰＵ）３３、記憶部３５、検査手順発生部３７、表示部１５を有する。

入力部１７は、インターフェース部３１に接続され操作者からの各種指示・命令・情報・選択・設定を装置本体１３に取り込む。入力部１７は、図示していないトラックボール、スイッチボタン、マウス、キーボード等を有するコントロールパネル１７１およびタッチコマンドスクリーン１７３を有する。タッチコマンドスクリーン１７３は、電磁誘導式、電磁歪式、感圧式等の座標読み取り原理でタッチ指示された座標を検出し、検出した座標を後述するＣＰＵ３３に出力する。また、操作者が入力部１７の終了ボタンまたはフリーズボタンを操作すると、超音波の送受信は終了し、装置本体１３は一時停止状態となる。入力部１７は、被検体Ｐに対する超音波検査において、操作者の指示に従って複数の操作を、装置本体１３に入力する。入力部１７は、複数の操作に対応する複数の信号を、後述するＣＰＵ３３に出力する。

図２は、本実施形態に係るハードウェアおよびソフトウェア制御の一例を示す図である。
ＣＰＵ３３は、図２に示すように、例えば、入力識別部３３１、入力変換部３３３、変換内容出力部３３５、ソフトウェア呼び出し部３３７とを有する。ＣＰＵ３３は、操作者により入力部１７を介して入力されたＢモードとドプラモードとの選択、フレームレート、被走査深度、サンプリングゲートの設定などに基づいて、記憶部３５に記憶された送信遅延パターン、受信遅延パターンと装置制御プログラムとを読み出し、これらに従って装置本体１３を制御する。ここで、ソフトウェアとは、例えば、後述する検査手順発生プログラムなどである。

入力識別部３３１は、入力部１７から送信された入力情報を受信する。入力識別部３３１は、受信した入力情報を入力変換部３３３に出力する。入力変換部３３３は、入力識別部３３１から出力された入力情報を、記憶部３５に記憶されたソフトウェアで利用可能なコードに変換する。入力変換部３３３は、変換されたコード（変換内容）を変換内容出力部３３５に出力する。

変換内容出力部３３５は、変換内容を、記憶部３５に記憶されたソフトウェアに出力する。また、変換内容出力部３３５は、変換内容のうち、被検体Ｐに対する超音波検査において、操作者に入力された複数の操作に関する複数の操作履歴と、この操作により実行された複数の検査内容とを、記憶部３５の入力保存部３５１に出力する。複数の操作履歴と複数の検査内容とは、入力保存部３５１に記憶される。

ソフトウェア呼び出し部３３７は、入力識別部３３１、入力変換部３３３、変換内容出力部３３５における各種処理と平行して、各種処理の背後で、機械学習を実行するソフトウェアを、記憶部３５から呼び出す。ソフトウェア呼び出し部３３５は、呼び出したソフトウェアを、検査手順発生部３７の機械学習部３７５に出力する。呼び出されるソフトウェアとは、例えば、後述する検査手順発生プログラムである。

記憶部３５は、フォーカス深度の異なる複数の受信遅延パターンおよび複数の送信遅延パターン、送信条件、本超音波診断装置１の制御プログラム、後述する検査手順発生部３７により発生された一連の検査手順（検査プロトコル）等の各種データ群、Ｂモード処理部２３およびドプラ処理部２５で発生されたローデータ、画像発生部２７で発生された超音波画像などを記憶する。記憶部３５は、検査手順を発生する検査手順発生プログラムを記憶する。また、記憶部３５は、検査手順発生プログラムに関する所定の統計解析を記憶する。所定の統計解析とは、機械学習機能であって、例えば、データマイニング、ニューラルネットワーク、相関ルールなどである。

具体的には、記憶部３５は、図２に示すように、例えば、入力保存部３５１と検査プロトコル（検査手順）保存部３５３とを有する。入力保存部３５１は、変換内容出力部３３５から出力された変換内容を記憶する。入力保存部３５１は、例えば、被検体Ｐに対する超音波検査において、操作者に入力された複数の操作に関する操作履歴と、この操作により実行された検査内容とを記憶する。具体的には、入力保存部３５１は、上記操作履歴と上記検査内容とを、操作ごとに属性ベクトルとして保存する。属性ベクトルは、操作履歴と検査内容とを、属性ベクトルの成分として有する。属性ベクトルの成分は、形質パラメータとも称される。入力保存部３５１は、入力部１７を介した操作者の入力に応じて属性ベクトルを作成し、保存する。入力保存部３５１に保存された属性ベクトルは、後述する入力内容読込部３７１により、検査手順発生部３７に読み込まれる。

図３は、操作履歴および検査内容に対応する属性ベクトルＸの成分（形質パラメータ）の一例を示す図である。図３における属性ベクトルのｘ_１成分は、一つの超音波検査における操作番号を示している。また、図３における属性ベクトルのｘ_２成分は、操作者により入力された入力内容（検査内容）に対応する番号を示している。図３における属性ベクトルのｘ_３成分は、一つの超音波検査において、操作番号ｘ_１の１つ前の操作（以下、既出操作と呼ぶ）において、操作者に入力された入力内容に対応する番号を示している。操作履歴とは、既出操作において入力内容に対応する番号と操作番号とを含む。属性ベクトルＸは、Ｘ＝Ｘ（ｘ_１、ｘ_２、ｘ_３）で表現される。属性ベクトルＸは、入力標本（機械学習に必要な操作履歴のうちの一つの操作）に対応する。

なお、属性ベクトルの成分は、３成分に限定されない。例えば、操作番号ｘ_１からｍ（ｍは自然数）つ前の操作において操作者に入力された入力内容に対応する番号が、属性ベクトルの第（ｍ＋２）成分として、定義されてもよい。属性ベクトルＸの数はｎ（ｎは自然数）で規定されるものとする。ｎが２０のとき、すなわち、超音波検査に係り２０の操作が操作者により入力された場合、操作履歴の数は２０であり、例えば後述するデータマイニングに用いられる標本は、Ｘ_１乃至Ｘ_２０となる。図３において、イベントコードを示すｘ_２は、装置本体１３の記憶部３５に予め記憶されている入力上の機能分類を示している。ここで、機能分類は、図３におけるイベントコードのうち、例えば、上から３ケタの記号（０ｘ０、…、０ｘＦ）を示している。イベントコードを示すｘ_２は、さらにサブモード単位での機能分類を有している。ｘ_２において、サブモード単位でのイベントコードは、上から４桁目以降の数字により規定される。このサブモード単位での機能分類において、装置本体１３におけるシステム仕様としての区分は、定義されておらず、機能開発プロジェクトに一任されている。

ここで、サブモードとは、例えば、造影検査向けの機能であるＣｏｎｔｒａｓｔ Ｈａｒｍｏｎｉｃ Ｉｍａｇｉｎｇ（ＣＨＩ）機能、ドップラ効果により反射した音波の周波数が変化することを利用し、血流が超音波プローブ１１に対して近づいているのか遠ざかっているのかを赤方偏移（遠ざかる）、青方偏移（近づく）で表現するＣｏｌｏｒ Ｄｏｐｐｌｅｒ Ｉｍａｇｉｎｇ（ＣＤＩ）機能などである。

ＣＤＩ機能は、さらにサブモードとして、組織ドプライメージング（Ｔｉｓｓｕｅ Ｄｏｐｐｌｅｒ Ｉｍａｇｉｎｇ：ＴＤＩ）、組織高調波イメージング（Ｔｉｓｓｕｅ Ｈａｒｍｏｎｉｃ Ｉｍａｇｉｎｇ：ＴＨＩ）、高分解能・高フレームレート低ブルーミングな血流イメージング（ＡＤＦ）などを有する。また、ＣＨＩ機能は、サブモードとして、基本波（Ｆｕｎｄａｍｅｎｔａｌ）ＣＨＩ、ＣＨＩ−Ｌｏｗ、ＣＨＩ−Ｈｉ、ＡＤＦ−ＣＨＩ、灌流を示すバブルを表示するＶＲＩなどを有する。

サブモードは、図３におけるｘ_２における入力内容（検査内容）を示すコード（以下、入力内容コードと呼ぶ）から判別可能である。このため、サブモードは、属性ベクトルにおける属性として、定義不要である。また、ソフトウェアレベルでは、図２に示した入力変換部３３３により変換されたイベント文字列の授受によるイベントドリブン方式が採用されている。

イベント文字列そのものは、定義ファイルから入力内容コードにより逆引き可能である。このため、イベント文字列も属性ベクトルにおける属性として、定義不要である。加えて、一部の機能には、この機能を利用するための機能間依存がある。この機能間依存についても、入力内容コードを用いて、定義ファイルから逆引き可能である。このため、機能間依存も属性ベクトルにおける属性として、定義不要である。ここで、定義ファイルとは、例えば、入力内容コードと、サブモード、イベント文字列、機能間依存との対応を示す対応表に相当する。定義ファイルは、記憶部３５に記憶される。

検査プロトコル保存部３５３は、後述する検査プロトコル生成部３７７により生成された検査プロトコル（検査手順）を保存する。記憶部３５は、後述するデータマイニングで統合されるクラスタ間または属性ベクトル間の距離を、所定の閾値として記憶する。クラスタ間の距離とは、例えば、所定の操作が実行された時点から過去に遡る操作回数に相当する。以下、説明を簡単にするために、所定の閾値は４であるものとする。

なお、記憶部３５に記憶される所定の閾値は、被検体に対する検査対象部位に応じて適宜変更されてもよい。例えば、記憶部３５は、検査対象部位に対する所定の閾値の対応表（Ｌｏｏｋ Ｕｐ Ｔａｂｌｅ）を記憶する。このとき、対応表において、例えば、検査対象部位が腹部の場合、所定の閾値は、例えば４である。また、検査対象部位が循環器である場合、所定の閾値は、例えば６である。また、検査対象部位が胎児である場合、所定の閾値は、例えば、６である。なお、所定の閾値は、上記対応表に記載に値に限定されず、入力部１７を介した操作者の指示により適宜変更可能である。

検査手順発生部３７は、記憶部３５に記憶された操作履歴と検査内容とに基づいて、予め設定された所定の統計解析により、超音波検査に関する一連の検査手順を発生する。例えば、検査手順発生部３７は、記憶部３５に記憶された操作履歴と検査内容と、操作者により入力された最新の操作若しくは直近に実行された検査内容との比較に基づく、予め設定された所定の統計解析により、次に行われる一連の操作若しくは一連の検査内容の候補として、一連の検査手順を発生する。検査手順発生部３７は、発生した検査手順を、後述する表示部１５に出力する。

検査手順発生部３７は、図２に示すように、例えば、入力内容読込部３７１と、機械学習内容決定部３７３と、機械学習部３７５と、検査プロトコル生成部３７７とを有する。入力内容読込部３７１は、操作履歴と検査内容とを記憶部３５から読み込み、機械学習内容決定部３７３に出力する。機械学習内容決定部３７３は、操作履歴と検査内容とに基づいて、所定の統計解析を実行する機械学習を決定する。例えば、機械学習内容決定部３７３は、記憶部３５に記憶された操作履歴と検査内容と、操作者により入力された最新の操作若しくは直近に実行された検査内容との比較に基づいて、予め設定された所定の統計解析を実行する機械学習を決定する。決定される機械学習とは、例えば、「教師あり学習（ニューラルネット、相関ルール）」または「教師なし学習（データマイニング）」の何れかである。

具体的には、機械学習内容決定部３７３は、記憶部３５に記憶された複数の操作履歴および複数の検査内容が所定の数を下回っている場合、機械学習機能として、データマイニングを決定する。また、機械学習内容決定部３７３は、記憶部３５に記憶された複数の操作履歴および複数の検査内容が所定の数を超えている場合、機械学習機能として、教師有り学習機能を決定する。教師有り学習機能とは、例えばニューラルネットワークおよび相関ルールである。なお、機械学習内容決定部３７３は、教師データが記憶部３５に記憶されていない場合、機械学習機能としてデータマイニングを決定してもよい。また、機械学習内容決定部３７３は、教師データが記憶部３５に記憶されている場合、機械学習機能として、教師有り学習機能を決定してもよい。

以下、機械学習機能は、データマイニングに決定されたものとして、説明する。なお、機械学習機能として、教師有り学習機能が決定された場合、教師データを基準として、同様な処理が実行される。

機械学習部３７５は、機械学習内容決定部３７３により決定された機械学習機能に対応するソフトウェアを、ソフトウェア呼び出し部３３７を介して、記憶部３５から読み出す。機械学習部３７５は、読み出したソフトウェアを用いて、記憶部３５に記憶された複数の操作履歴と、複数の検査内容とに基づいて、機械学習（Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ：ＧＡ）を実行する。

検査プロトコル生成部３７７は、機械学習部３７５により学習された結果に基づいて、検査プロトコル（検査手順）を生成する。例えば、検査プロトコル生成部３７７は、機械学習部３７５により学習された結果に基づいて、次に行われる一連の操作若しくは一連の検査内容の候補として、一連の検査手順を発生する。検査プロトコル生成部３７７は、生成した検査プロトコルを、記憶部３５における検査プロトコル保存部３５３に出力する。また、検査プロトコル生成部３７７は、生成した検査プロトコルを、表示部１５に出力する。生成された検査プロトコルは、入力部１７を介した操作者の指示に従って、制御部３３により実行される。機械学習（ＧＡ）および検査プロトコルの生成については、後ほど図面を参照して詳述する。

表示部１５は、画像合成部２９からの出力に基づいて、超音波画像を表示する。表示部１５は、検査手順発生部３７により発生された検査手順（検査プロトコル）を表示する。なお、表示部１５は、画像合成部２９で発生された超音波画像に対して、ブライトネス、コントラスト、ダイナミックレンジ、γ補正などの調整および、カラーマップの割り当てを実行してもよい。

（検査手順発生機能）
検査手順発生機能とは、複数の操作履歴と複数の検査内容とに基づいて、決定された機械学習機能を用いて、検査手順を発生する機能である。例えば、検査手順発生機能は、記憶部３５に記憶された操作履歴と検査内容と、操作者により入力された最新の操作若しくは直近に実行された検査内容との比較に基づく、予め設定された所定の統計解析により、次に行われる一連の操作若しくは一連の検査内容の候補として、一連の検査手順を発生する機能である。以下、検査手順発生機能に係る処理（以下、検査手順発生処理と呼ぶ）について説明する。

図４Ａおよび図４Ｂは、検査手順発生処理に係る処理手順の一例を示すフローチャートである。図４Ａおよび図４Ｂにおいて、機械学習内容決定部３７３により決定された機械学習は、データマイニングであるものとする。

データマイニングでは、例えば、クラスタリングによる手法が実行される。クラスタリングによる手法とは、例えば、クラスタをＣとおいた場合、本実施形態で解決したい課題は「Ｃを検査プロトコル（検査手順）になり得るＣの集合と、検査プロトコルになり得ないＣの集合とに分類する」こととなる。そのため、クラスタリング手法としては大きく「階層的手法（Ｈｉｅｒａｒｃｈｉｃａｌ）」「分割最適化手法（Ｐａｒｔｉｔｉｏｎ Ｏｐｔｉｍｉｚａｔｉｏｎ）」による解法が可能である。

本実施形態で解決する課題は「検査スループットの向上」であるため、クラスタリングを早急に完了可能な手法である階層的手法を用いる。階層的手法とは、まず、ｎ個の対象からなる入力データ標本が与えられたときに、１個の対象（データ標本）だけを含むｎ個のクラスタＣがある初期状態が生成される。次いで、この初期状態から機械学習を開始して、例えば、２つの対象Ｘ_１とＸ_２の間の距離ｄ（Ｘ_１、Ｘ_２）から複数のクラスタＣ_１とＣ_２と間の距離ｄ（Ｃ_１、Ｃ_２）を計算して近傍距離にあるＣを逐次的に合併・統合する手法である。ｄ（Ｃ_１、Ｃ_２）を具体的な数式に展開すると、ｄ（Ｃ_１、Ｃ_２）＝ｍｉｎ＿（Ｘ_１∈Ｃ_１、Ｘ_２∈Ｃ_２）（ｄ（Ｘ_１、Ｘ_２））となる。この距離関数を用いて、検査プロトコルの最適解となる複数のクラスタＣを選択する。

以下、説明を簡単にするために、操作履歴は、３種類であるものとする。図５は、３種類の操作履歴の一例を示す図である。また、図６は、図５における入力内容コードに関する定義の一例を示す図である。図６を参照すると、図５における操作履歴１において、第１の操作Ｘ_１における属性ベクトルの成分（ｘ_１、ｘ_２、ｘ_３）は、それぞれｘ_１＝１、ｘ_２＝０ｘ７６４０（パルスドプラ）、ｘ_３＝Ｎｉｌ（無し）である。換言すると、操作履歴１の属性ベクトルＸ_１は、その成分として、操作番号が１であり、入力内容がパルスドプラであり、既出操作が無いことを示している。

また、図５における操作履歴１において、第２の操作Ｘ_２における属性ベクトルの成分（ｘ_１、ｘ_２、ｘ_３）は、それぞれｘ_１＝２、ｘ_２＝０ｘ２Ｄ２５（静止画保存）、ｘ_３＝０ｘ７６４０（パルスドプラ）である。換言すると、操作履歴１の属性ベクトルＸ_２は、その成分として、操作番号２であり、入力内容が静止画保存であり、既出操作がパルスドプラであることを示している。

また、図５における操作履歴１において、第３の操作Ｘ_３における属性ベクトルの成分（ｘ_１、ｘ_２、ｘ_３）は、それぞれｘ_１＝３、ｘ_２＝０ｘ７０１１（２画面モード）、ｘ_３＝０ｘ２Ｄ２５（静止画保存）である。換言すると、操作履歴１の属性ベクトルＸ_３は、その成分として、操作番号３であり、入力内容が２画面モードであり、既出操作が静止画保存であることを示している。

図６を参照すると、図５における操作履歴２において、第１の操作Ｘ_１における属性ベクトルの成分（ｘ_１、ｘ_２、ｘ_３）は、それぞれｘ_１＝１、ｘ_２＝０ｘ７６４０（パルスドプラ）、ｘ_３＝Ｎｉｌ（無し）である。換言すると、操作履歴１の属性ベクトルＸ_１は、その成分として、操作番号が１であり、入力内容がパルスドプラであり、既出操作が無いことを示している。

また、図５における操作履歴２において、第２の操作Ｘ_２における属性ベクトルの成分（ｘ_１、ｘ_２、ｘ_３）は、それぞれｘ_１＝２、ｘ_２＝０ｘ８０５０（キャリパ計測）、ｘ_３＝０ｘ７６４０（パルスドプラ）である。換言すると、操作履歴２の属性ベクトルＸ_２は、その成分として、操作番号２であり、入力内容がキャリパ計測であり、既出操作がパルスドプラであることを示している。

また、図５における操作履歴２において、第３の操作Ｘ_３における属性ベクトルの成分（ｘ_１、ｘ_２、ｘ_３）は、それぞれｘ_１＝３、ｘ_２＝０ｘ２Ｄ２５（静止画保存）、ｘ_３＝０ｘ８０５０（キャリパ計測）である。換言すると、操作履歴２の属性ベクトルＸ_３は、その成分として、操作番号３であり、入力内容が静止画保存であり、既出操作がキャリパ計測であることを示している。

図６を参照すると、図５における操作履歴３において、第１の操作Ｘ_１における属性ベクトルの成分（ｘ_１、ｘ_２、ｘ_３）は、それぞれｘ_１＝１、ｘ_２＝０ｘ０８５０（キャリパ計測）、ｘ_３＝Ｎｉｌ（無し）である。換言すると、操作履歴３の属性ベクトルＸ_１は、その成分として、操作番号が１であり、入力内容がキャリパ計測であり、既出操作が無いことを示している。

また、図５における操作履歴３において、第２の操作Ｘ_２における属性ベクトルの成分（ｘ_１、ｘ_２、ｘ_３）は、それぞれｘ_１＝２、ｘ_２＝０ｘ７６４０（パルスドプラ）、ｘ_３＝０ｘ８０５０（キャリパ計測）である。換言すると、操作履歴３の属性ベクトルＸ_２は、その成分として、操作番号２であり、入力内容がパルスドプラであり、既出操作がキャリパ計測であることを示している。

また、図５における操作履歴３において、第３の操作Ｘ_３における属性ベクトルの成分（ｘ_１、ｘ_２、ｘ_３）は、それぞれｘ_１＝３、ｘ_２＝０ｘ８０５１（トレース計測）、ｘ_３＝０ｘ７６４０（パルスドプラ）である。換言すると、操作履歴３の属性ベクトルＸ_３は、その成分として、操作番号３であり、入力内容がトレース計測であり、既出操作がパルスドプラであることを示している。

ずなわち、図５によれば、操作履歴１は、パルスドプラ、静止画保存、２画面モードを順に実行した操作履歴である。また、操作履歴２は、パルスドプラ、キャリパ計測、静止画保存を順に実行した操作履歴である。操作履歴３は、キャリパ計測、パルスドプラ、トレース計測を順に実行した操作履歴である。これら３つの操作履歴から、パルスドプラモードによる検査を実施した後に、静止画保存が実行される検査（操作履歴１および２）と、計測（キャリパ計測またはトレース計測）が実行される検査（操作履歴２および操作履歴３）とが存在する。また、操作履歴３におけるｘ_１＝１∈Ｘ_１とｘ_１＝３∈Ｘ_３とにおいて、計測が２度実行されている（キャリパ計測とトレース計測）。

ここで重要となる属性（属性ベクトルの成分）は、ｘ_１およびｘ_３である。すなわち、重要な属性は、計測が実行されたのが何番目の操作で、どの入力内容コードの入力の後（すなわち、どの機能の実行の後）に実行されたのかという点である。属性ｘ_１およびｘ_３は、検査における機能間の依存関係を示す属性である。属性ｘ_１およびｘ_３は、データマイニングのクラスタリングにおいて、クラスタを生成するための情報として用いられる。

図５における操作履歴１乃至３によれば、操作履歴２が上記２つの検査（パルスドプラ後に、静止画保存が実行される検査と、計測が実行される検査）を含んでいるため、検査手順発生部３７で発生されるクラスタは、操作履歴１の属性ベクトルＸ_１と操作履歴２における属性ベクトルＸ_１とを統合したクラスタと、操作履歴２の属性ベクトルＸ_２と操作履歴３における属性ベクトルＸ_３とを統合したクラスタとの２種類となる。

以下に示す検査手順発生処理は、検査手順発生部３７により実行される。まず、複数の操作履歴と複数の検査内容とを示す複数の属性ベクトルが、入力内容読込部３７１により、記憶部３５から読み出される（ステップＳａ１）。以下に続く処理は、機械学習内容決定部３７３により決定された機械学習（データマイニングなど）と、記憶部３５から読み出された複数の属性ベクトルを用いて、機械学習部３７５によりクラスタリングを実行し、クラスタリングの結果に基づいて、検査プロトコル生成部３７７により検査手順（検査プロトコル）を生成することである。

まず、属性ベクトルを規定するための番号を示すｎ（ｎは自然数）が初期化される（ステップＳａ２）。複数の属性ベクトルの入力内容（ｘ_２）において、第ｎ属性ベクトルの入力内容（ｘ_２）における機能分類（ｘ_２における上から３ケタ）と同じ機能分類がなければ（ステップＳａ３）、第ｎ属性ベクトルは異なるクラスタとして決定される（ステップＳａ４）。複数の属性ベクトルの入力内容（ｘ_２）において、第ｎ属性ベクトルの入力内容（ｘ_２）における機能分類（ｘ_２における上から３ケタ）と同じ機能分類があれば（ステップＳａ３）、既出操作における機能分類に移行する。

複数の操作履歴が図５で与えられる場合、操作履歴１の属性ベクトルＸ_１に対して、ｘ_２の上３ケタが等しい操作履歴１の属性ベクトルＸ_３と、操作履歴２の属性ベクトルＸ_１と、操作履歴３の属性ベクトルＸ_２とが特定される。

入力内容の機能分類が同一である複数の属性ベクトルの既出操作（ｘ_３）において、第ｎ属性ベクトルの既出操作（ｘ_３）における機能分類（ｘ_３における上から３ケタ）と同一の機能分類がなければ（ステップＳａ５）、第ｎ属性ベクトルは異なるクラスタとして決定される（ステップＳａ４）。入力内容の機能分類が同一である複数の属性ベクトルの既出操作（ｘ_３）において、第ｎ属性ベクトルの既出操作（ｘ_３）における機能分類（ｘ_３における上から３ケタ）と同一の機能分類があれば（ステップＳａ５）、後述する既出操作平均値の計算のステップに移行する。

複数の操作履歴が図５で与えられる場合、操作履歴１の属性ベクトルＸ_１に対して、操作履歴１の属性ベクトルＸ_３と、操作履歴２の属性ベクトルＸ_１と、操作履歴３の属性ベクトルＸ_２とのうち、ｘ_３の上３ケタが等しい操作履歴２の属性ベクトルＸ_１が、特定される。

ステップＳａ５の処理においてＹｅｓであれば、第ｎ属性ベクトルにおける既出操作のイベントコード（ｘ_３）と、入力内容および既出操作の機能分類が同一な属性ベクトル（以下、機能分類同一ベクトルと呼ぶ）における既出操作のイベントコード（ｘ_３）との平均を示す既出操作平均値が計算される（ステップＳａ６）。既出操作平均値は、サブモードを考慮する必要が生じるため、[｛第ｎ属性ベクトルにおける既出操作のイベントコード（ｘ_３）｝＋｛機能分類同一ベクトルにおける既出操作のイベントコード（ｘ_３）｝］／２として計算される。

複数の操作履歴が図５で与えられる場合、操作履歴１の属性ベクトルＸ_１の既出操作のイベントコード（ｘ_３＝Ｎｉｌ）と、操作履歴２の属性ベクトルＸ_１の既出操作のイベントコード（ｘ_３＝Ｎｉｌ）との平均（Ｎｉｌ）が既出操作平均値として決定される。

ステップＳａ６に続いて、機能分類同一ベクトルの操作番号から所定の閾値を加えた数の範囲内に、第ｎ属性ベクトルの操作番号がなければ（ステップＳａ７）、第ｎ属性ベクトルは、異なるクラスタとして決定される（ステップＳａ４）。機能分類同一ベクトルの操作番号から所定の閾値を加えた数の範囲内に、第ｎ属性ベクトルの操作番号があれば（ステップＳａ７）、後述する平均イベントコードが計算される。すなわち、操作履歴において所定の閾値に対応する数の操作だけ過去に遡った複数の過去操作と、過去操作にそれぞれ対応する複数の検査内容とに基づいて、前記操作履歴と前記検査内容とが複数のクラスタに分類される。

所定の閾値は、例えばデフォルトで４であるが、上述したように、被検体に対する検査対象部位に応じて、例えば入力部１７を介して適宜変更されてもよい。また、所定の閾値は、入力部１７を介して入力された検査対象部位に応じて決定されてもよい。なお、ステップＳａ６の処理は、ステップＳａ７の処理の後に実行されてもよい。

ステップＳａ７の処理においてＹｅｓであれば、第ｎ属性ベクトルにおける入力内容のイベントコード（ｘ_２）と、機能分類同一ベクトルのイベントコード（ｘ_２）との平均を示す平均イベントコードが計算される（ステップＳａ８）。次いで、第ｎ属性ベクトルの操作番号（ｘ_１）と、機能分類同一ベクトルの操作番号（ｘ_１）との平均を示す平均操作番号が計算される（ステップＳａ９）。平均操作番号と平均イベントコードと既出操作平均値とを成分とする属性ベクトルを新たなクラスタの要素として、第ｎ属性ベクトルと機能分類同一ベクトルとが、統合（クラスタリング）される（ステップＳａ１０）。

複数の操作履歴が図５で与えられる場合、操作履歴１の属性ベクトルＸ_１と操作履歴２の属性ベクトルＸ_１とが一つのクラスタとして統合される。また、操作履歴２の属性ベクトルＸ_２と、操作履歴３の属性ベクトルＸ_３とが、一つのクラスタとして統合される。

すべてのｎ（クラスタまたは属性ベクトル）についてクラスタリングが終了していなければ（ステップＳａ１１）、ｎがインクリメントされて（ステップＳａ１２）、ステップＳａ３乃至ステップＳａ１１の処理が繰り返される。すべてのｎ（クラスタまたは属性ベクトル）についてクラスタリングが終了すれば（ステップＳａ１１）、クラスタリングされた複数のクラスタ各々における平均操作番号に基づいて、検査内容の手順を示す一連の検査手順が発生される（ステップＳａ１２）。例えば、以上の処理手順により、記憶部３５に記憶された操作履歴と検査内容と、操作者により入力された最新の操作若しくは直近に実行された検査内容との比較に基づく、予め設定された所定の統計解析により、次に行われる一連の操作若しくは一連の検査内容の候補として、一連の検査手順が発生される。発生された一連の検査手順が表示部１５に表示される（ステップＳａ１４）。

上記ステップＳａ２乃至ステップＳａ１１に係るクラスタリング処理は、一例であり、属性ベクトルの成分の類似度に基づいて、属性ベクトルをクラスタリングしている。このことから、本実施形態に係るクラスタリング処理は、属性ベクトルの類似度に基づいてクラスタリングを実行する処理は、上記ステップＳａ２乃至ステップＳａ１１に限定されず、任意の方法で実行することも可能である。

図７は、クラスタリングの概要の一例を示す概要図である。図７に示すように、クラスタリングが実行される前の初期状態では、クラスタの数は、属性ベクトルの数に等しくなる。すなわち、クラスタの数Ｃ＝属性ベクトルの数Ｘとなる。図７の左側のグラフに示すように、初期状態のクラスタの数（属性ベクトルの数）ｋは、１８であるものとする。検査手順発生処理におけるステップＳａ１１の終了後、図７の右側のグラフに示すように、類似度が高いクラスタは、一つのクラスタに統合されるため、クラスタの数は減少する（ｋ＝１２）。クラスタリング処理により、初期状態の複数のクラスタは、２極化される。

すなわち、機械学習におけるクラスタリングは、クラスタリングを繰り返しクラスタＣに割り当てに変化がなくなった時点で学習を終了する。同一のクラスタＣに属する要素は、Ｘ＝（ｘ_１、ｘ_２、ｘ_３）である。また、同一クラスタに属する属性ベクトルＸのｘ_１成分は、属性ベクトルとクラスタのｘ_１成分を平均化することにより決定される。また、同一クラスタに属する属性ベクトルＸのｘ_３成分は、属性ベクトルとクラスタのｘ_３成分を平均化することにより決定される。

図８は、クラスタリングされた複数のクラスタに基づいて、一連の検査手順（プロトコル）を生成する一例を示す図である。図８の左側のグラフは、クラスタリング処理の終了後において、クラスタリングされた複数のクラスタの一例を示す図である。図８の左側のグラフおよび図７の右側のグラフは、機械学習部３７５により学習された結果（クラスタリング結果）に相当する。図８の右側のグラフに示すように、クラスタリング結果に基づいて、次に行われる一連の操作若しくは一連の検査内容の候補として、プロトコル（検査手順）が、検査手順発生部３７により構築される。

機械学習を経て導出した複数のクラスタＣ_ｋ（図８の左側のグラフの右下の複数のクラスタ、ｋ（自然数）＜ｎ）において、ｘ_１成分（平均操作番号）を昇順で結んだ集合が、一連の検査手順（プロトコル）として生成される。具体的には、検査プロトコル生成部３７７は、図８に示すように、クラスタリングされた複数のクラスタ（図８の右側のグラフにおける右下の「最終的に導出されたＣ群」）において、平均操作番号（ｘ_１）の小さい順（昇順）に複数のクラスタを関連づけることにより、一連の検査手順を発生する。

なお、検査プロトコル生成部３７７は、クラスタリングされた複数のクラスタ間における相関関係（相関ルール）に基づいて、一連の検査手順を発生してもよい。具体的には、検査プロトコル生成部３７７は、複数のクラスタ各々における成分（ｘ_１、ｘ_２、ｘ_３）の相関関係（相関ルール）を発生する。次いで、検査プロトコル生成部３７７は、発生した相関関係に基づいて、一連の検査手順を生成する。

また、本実施形態では、検査手順発生処理におけるデータマイニングの代わりに、例えば、少なくともと一つの属性ベクトルを教師として、ニューラルネットワークを用いて、属性ベクトルの類似度に応じて検査手順を生成してもよい。また、類似度に関する特徴は、入力部１７を介して入力されてもよい。また、検査手順発生処理は、データマイニング、ニューラルネットワーク、相関ルールなどの各種機械学習内容（統計処理）を複合的に組み合わせて実行されてもよい。

なお、これまでに述べた学習は線形計画法による解法も可能であるが、通常のルーチンで用いる機能および検査数を考慮すると、線形計画法での解法は組み合わせ爆発もしくは局所的最適解に収束し、期待する結果を得られないリスクが高いため、機械学習（Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ：ＧＡ）による解法を実施していることを補足する。

以上に述べた構成によれば、以下の効果を得ることができる。
本超音波診断装置１によれば、記憶部３５に記憶された複数の操作履歴と複数の検査内容とに対応する属性ベクトルに対して、データマイニング、相関ルール、ニューラルネットワークなどの所定の統計解析を実行することにより、一連の検査手順（検査プロトコル）を発生することができる。例えば、本実施形態によれば、所定の閾値以下すなわち計測手順が近い検査内容（例えば、４計測以内）の属性ベクトルに対して分類を行い、一連の検査手順を発生することができる。

すなわち、本超音波診断装置によれば、記憶部３５に記憶された操作履歴と検査内容と、操作者により入力された最新の操作若しくは直近に実行された検査内容との比較に基づく、予め設定された所定の統計解析により、次に行われる一連の操作若しくは一連の検査内容の候補として、一連の検査手順を発生することができる。

これらのことから、本実施形態によれば、検査プロトコル実行機能を利用する前段階の作業である検査プロトコル生成作業を簡略化するとともに、これまでの操作履歴から操作者に最適と考えられる検査プロトコルについて、機械学習を用いて提示することができる。すなわち、検査プロトコルを自動的に生成する自動生成機能（検査手順発生機能）により超音波画像診断の円滑な進行に寄与することができる。本実施形態における本機能を利用すれば、超音波診断装置が保持する既存プロトコルよりも優れたプロトコルを提示できる可能性もある。加えて、本実施形態によれば、検査手順において、単に次の操作を予測するのではなく、検査手順全体の設計を行うことができ、検査効率が向上する。

また、上記実施形態の変形例として、本超音波診断装置１の技術的思想を医用画像診断装置で実現する場合には、例えば図１の構成図における破線内の構成要素を有するものとなる。医用画像診断装置は、医用画像診断検査に関する一連の検査手順を発生する。この時、検査手順発生機能は、本超音波診断装置１に関する機能と同様であり、上記実施形態における超音波検査を医用画像診断検査に置き換えることで理解される。

また、超音波診断装置を含む医用画像診断装置において、超音波診断装置から出力されたＤＩＣＯＭファイルなどのデータ（例えば、操作履歴、検査内容など）を読み込んで、上記処理を実行することも可能である。加えて、実施形態に係る各機能は、当該処理を実行するプログラムをワークステーション等のコンピュータにインストールし、これらをメモリ上で展開することによっても実現することができる。このとき、コンピュータに当該手法を実行させることのできるプログラムは、磁気ディスク（フロッピー（登録商標）ディスク、ハードディスクなど）、光ディスク（ＣＤ−ＲＯＭ、ＤＶＤなど）、半導体メモリなどの記憶媒体に格納して頒布することも可能である。

本発明の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。これら新規な実施形態は、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ともに、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。

１…超音波診断装置、１１…超音波プローブ、１３…装置本体、１５…表示部、１７…入力部、１９…生体信号計測部、２１…送受信部、２３…Ｂモード処理部、２５…ドプラ処理部、２７…画像発生部、２９…画像合成部、３１…インターフェース部、３３…制御部（ＣＰＵ）、３５…記憶部、３７…検査手順発生部、１７１…コントロールパネル、１７３…タッチコマンドスクリーン、３３１…入力識別部、３３３…入力変換部、３３５…変換内容出力部、３３７…ソフトウェア呼び出し部、３５１…入力保存部、３５３…検査プロトコル保存部、３７１…入力内容読込部、３７３…機械学習内容決定部、３７５…機械学習部、３７７…検査プロトコル生成部。

Claims (10)

1. 被検体に対する超音波検査において、操作者により入力された複数の操作に関する複数の操作履歴と、前記操作により実行された複数の検査内容とを記憶する記憶部と、
   前記記憶された前記操作履歴と前記検査内容と、操作者により入力された最新の操作若しくは直近に実行された検査内容との比較に基づく、予め設定された所定の統計解析により、次に行われる一連の操作若しくは一連の検査内容の候補として、一連の検査手順を発生する検査手順発生部と、
   前記一連の検査手順を表示する表示部と、
   を具備することを特徴とする超音波診断装置。
2. 前記検査手順発生部は、
   前記統計解析として機械学習機能を用いて、前記検査手順を発生すること、
   を特徴とする請求項１に記載の超音波診断装置。
3. 前記検査手順発生部は、
   前記機械学習機能としてデータマイニングを用いて前記操作履歴と前記検査内容とから類似する特徴を有する超音波検査を特定し、前記特定された超音波検査と前記操作履歴と前記検査内容とに基づいて、前記検査手順を決定すること、
   を特徴とする請求項２に記載の超音波診断装置。
4. 前記検査手順発生部は、
   前記操作履歴において所定の閾値に対応する数の操作だけ過去に遡った複数の過去操作と、前記過去操作にそれぞれ対応する複数の検査内容とに基づいて、前記操作履歴と前記検査内容とを複数のクラスタに分類し、
   前記分類されたクラスタに基づいて、前記一連の検査手順を発生すること、
   を特徴とする請求項３に記載の超音波診断装置。
5. 前記検査手順発生部は、
   前記被検体における検査対象部位に基づいて、前記所定の閾値を決定すること、
   を特徴とする請求項４に記載の超音波診断装置。
6. 前記検査手順発生部は、
   前記操作履歴のうち一つの操作履歴と前記検査内容のうち一つの検査内容とを教師として、前記機械学習機能としてニューラルネットを用いて前記教師に類似する特徴を有する超音波検査を特定し、前記特定された超音波検査と前記操作履歴と前記検査内容とに基づいて、前記検査手順を決定すること、
   を特徴とする請求項２に記載の超音波診断装置。
7. 前記特徴を入力する入力部をさらに具備し、
   前記検査手順発生部は、
   前記特徴に対応する超音波検査と前記操作履歴と前記検査内容とに基づいて、前記検査手順を決定すること、
   を特徴とする請求項６に記載の超音波診断装置。
8. 前記検査手順発生部は、
   前記機械学習機能により前記操作履歴および前記検査内容を複数の異なるクラスタに分類し、前記クラスタ間における相関関係に基づいて、前記検査手順を決定すること、
   を特徴とする請求項２に記載の超音波診断装置。
9. 被検体に対する医用画像診断検査において、操作者により入力された複数の操作に関する複数の操作履歴と、前記操作により実行された複数の検査内容とを記憶する記憶部と、
   前記操作履歴と前記検査内容とに基づいて、予め設定された所定の統計解析により、前記医用画像診断検査に関する一連の検査手順を発生する検査手順発生部と、
   前記一連の検査手順を表示する表示部と、
   を具備することを特徴とする医用画像診断装置。
10. コンピュータに、
    被検体に対する超音波検査において、操作者により入力された複数の操作に関する複数の操作履歴と、前記操作により実行された複数の検査内容とを記憶させ、
    前記操作履歴と前記検査内容とに基づいて、予め設定された所定の統計解析により、前記超音波検査に関する一連の検査手順を発生させ、
    前記一連の検査手順を表示させること、
    を具備することを特徴とする検査手順発生プログラム。

Images