JP2018175226A5 - - Google Patents

Description

第１の分類部２１は、３次元画像Ｖ０の各画素を複数種類の症例領域に分類する。本実施形態においては、第１の分類部２１は、３次元画像Ｖ０に含まれる肺領域に含まれる各画素を、複数種類の症例領域に分類できるようにディープラーニング（深層学習）がなされた多層ニューラルネットワークからなる判別器を有する。なお、第１の分類部２１が有する判別器が第１の判別器に対応する。多層ニューラルネットワークでは、入力されるデータに対する前段の階層により得られる異なる複数の演算結果データ、すなわち特徴量の抽出結果データに対して、各層において各種カーネルを用いて演算処理を行い、これにより得られる特徴量のデータを取得し、特徴量のデータに対して次段以降の処理層においてさらなる演算処理を行うことにより、特徴量の認識率を向上させて、入力されたデータを複数のクラスに分類することができる。

なお、上述した変換定義情報は、本実施形態による医用画像分類装置において処理を行う際に、入力部１５を用いて操作者により選択される。そして、選択された変換定義情報がストレージ１３から読み出されて、第２の分類処理に供される。

なお、説明のため、第１の分類部２１が有する判別器を以降第１の判別器と称する。第２の判別器は上述したように症例毎または医師毎に用意される。なお、第２の実施形態による医用画像分類装置の構成は、図２に示す第１の実施形態による医用画像分類装置の構成と同一であるため、ここでは装置についての詳細な説明は省略する。

このように、変換定義情報として第２の判別器を用いることにより、第１の実施形態のように、各変換定義情報に対して変換パラメータを設定するよりも比較的高い自由度により第１の分類結果を変換して第２の分類結果を出力できるようになる。

図１１は第２の分類結果の修正を説明するための図である。なお、ここでは第２の分類結果は、第２の変換定義情報に基づいて第１の分類結果を変換することにより取得されたものとする。図１１の左側に示すように、第２の分類結果に症例領域Ａ０１および症例領域Ａ０２が含まれており、操作者が入力部１５を操作して、図１１の右側に示すように、症例領域Ａ０２を症例領域Ａ０１に含めるように、症例領域Ａ０１の境界線を変更したものとする。修正部２４は操作者による修正の指示を受け付け、症例領域Ａ０１の症例に対する重み係数（Ｗ０１とする）を大きくし、症例領域Ａ０２の症例に対する重み係数（Ｗ０２とする）を小さくするように、変換定義情報を修正する。詳細には、第１の分類部２１が出力した肺領域内の各画素における第１の評価値のうち、症例領域Ａ０１の第２の評価値が症例領域Ａ０２の第２の評価値よりも大きくなるように、重み係数Ｗ０１，Ｗ０２を修正する。