JP2020010823A - 医用情報処理装置、医用情報処理システム及び医用情報処理プログラム - Google Patents

Abstract

【課題】操作者が、診断対象の被検体に最適な撮像条件を容易に設定できるようにすること。【解決手段】実施形態に係る医用情報処理装置は、取得部と、推測部とを備える。前記取得部は、診断対象の被検体を所定条件で撮像して得られた標準画像を取得する。前記推測部は、前記所定条件で被検体を撮像して得られた標準画像と、当該標準画像と同じ被検体を撮像して得られた臨床画像と、当該臨床画像が得られた際の撮像パラメータとの関係を学習することにより得られた学習済みモデルであって、被検体の標準画像に基づいて撮像パラメータを出力する学習済みモデルに対して、前記診断対象の被検体の標準画像を入力することで、臨床画像に近い画像が得られる撮像パラメータを推測する。【選択図】図２

Description

本発明の実施形態は、医用情報処理装置、医用情報処理システム及び医用情報処理プログラムに関する。

従来、医用画像診断装置によって被検体の撮像が行われる場合には、被検体の身長や体重、撮像部位、撮像したい関心部位の深さ、関心部位と重要臓器との位置関係等の様々な条件の違いに応じて、様々な撮像条件が設定される。

特開２００１−１２８９６９号公報 国際公開第２０１３／０３１９８６号 特表２０１７−５０１７８７号公報 特表２０１７−５０１７８７号公報 国際公開第２０１６／１１１０１４号

本発明が解決しようとする課題は、操作者が、診断対象の被検体に最適な撮像条件を容易に設定できるようにすることである。

実施形態に係る医用情報処理装置は、取得部と、推測部とを備える。前記取得部は、診断対象の被検体を所定条件で撮像して得られた標準画像を取得する。前記推測部は、前記所定条件で被検体を撮像して得られた標準画像と、当該標準画像と同じ被検体を撮像して得られた臨床画像と、当該臨床画像が得られた際の撮像パラメータとの関係を学習することにより得られた学習済みモデルであって、被検体の標準画像に基づいて撮像パラメータを出力する学習済みモデルに対して、前記診断対象の被検体の標準画像を入力することで、臨床画像に近い画像が得られる撮像パラメータを推測する。

図１は、本実施形態に係る医用情報処理システムの構成例を示す図である。 図２は、本実施形態に係る医用情報処理装置によって行われる学習時及び運用時の処理を示す図である。 図３は、本実施形態に係る医用情報処理装置によって行われる学習時の処理の処理手順を示すフローチャートである。 図４は、本実施形態に係る医用情報処理装置によって行われる運用時の処理の処理手順を示すフローチャートである。

以下、図面を参照しながら、医用情報処理装置、医用情報処理システム及び医用情報処理プログラムの実施形態について詳細に説明する。

（実施形態）
図１は、本実施形態に係る医用情報処理システム１００の構成例を示す図である。

例えば、図１に示すように、本実施形態に係る医用情報処理システム１００は、電子カルテシステム１１０と、医用画像診断装置１２０と、ＰＡＣＳ（Picture Archiving and Communication System）１３０と、医用情報処理装置１４０とを含む。ここで、各システム及び各装置は、ネットワーク１６０を介して通信可能に接続されている。

電子カルテシステム１１０は、被検体に関する各種の情報を管理する。具体的には、電子カルテシステム１１０は、オーダリングシステムとして、被検体に関する各種のオーダの入力を医師や技師等の操作者から受け付け、受け付けたオーダの内容を示すオーダ情報を検査室や薬局、放射線科等に設けられた各部門システムに送信する。そして、電子カルテシステム１１０は、オーダ情報に従って実施された診療行為の結果として各部門システムから送信される診療データを取得する。例えば、電子カルテシステム１１０は、医用画像の撮像を指示するオーダ情報を医用画像診断装置１２０に送信し、それに応じて医用画像診断装置１２０から送信される医用画像を取得する。例えば、電子カルテシステム１１０は、サーバやワークステーション等のコンピュータ機器によって実現される。

医用画像診断装置１２０は、被検体を撮像して医用画像を生成する。具体的には、医用画像診断装置１２０は、電子カルテシステム１１０から送信されるオーダ情報に従って被検体を撮像して、医用画像を生成する。そして、医用画像診断装置１２０は、医用画像を生成するごとに、生成した医用画像をＰＡＣＳ１３０及び医用情報処理装置１４０に送信する。例えば、医用画像診断装置１２０は、Ｘ線診断装置、Ｘ線ＣＴ（Computed Tomography）装置、ＭＲＩ（Magnetic Resonance Imaging）装置、超音波診断装置、ＳＰＥＣＴ（Single Photon Emission Computed Tomography）装置、ＰＥＴ（Positron Emission computed Tomography）装置等である。なお、医用画像診断装置１２０は、モダリティとも呼ばれる。

ＰＡＣＳ１３０は、医用画像診断装置１２０によって生成された医用画像を保管する。具体的には、ＰＡＣＳ１３０は、医用画像診断装置１２０から医用画像を受信し、受信した医用画像を自装置の記憶回路に保存して管理する。例えば、ＰＡＣＳ１３０は、サーバやワークステーション等のコンピュータ機器によって実現される。

医用情報処理装置１４０は、電子カルテシステム１１０、医用画像診断装置１２０及びＰＡＣＳ１３０から各種の情報を取得し、取得した情報を用いて各種の情報処理を行う。例えば、医用情報処理装置１４０は、サーバやワークステーション、パーソナルコンピュータ、タブレット端末等のコンピュータ機器によって実現される。

具体的には、医用情報処理装置１４０は、ネットワーク（network：ＮＷ）インタフェース１４１と、記憶回路１４２と、入力インタフェース１４３と、ディスプレイ１４４と、処理回路１４５とを有する。

ＮＷインタフェース１４１は、処理回路１４５に接続されており、医用情報処理装置１４０と各システムとの間で行われる通信を制御する。具体的には、ＮＷインタフェース１４１は、各システムから各種の情報を受信し、受信した情報を処理回路１４５に出力する。例えば、ＮＷインタフェース１４１は、ネットワークカードやネットワークアダプタ、ＮＩＣ（Network Interface Controller）等によって実現される。

記憶回路１４２は、処理回路１４５に接続されており、各種のデータを記憶する。例えば、記憶回路１４２は、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリ素子や、ハードディスク、光ディスク等によって実現される。

入力インタフェース１４３は、処理回路１４５に接続されており、操作者から各種の指示及び情報の入力操作を受け付ける。具体的には、入力インタフェース１４３は、操作者から受け付けた入力操作を電気信号へ変換して処理回路１４５に出力する。例えば、入力インタフェース１４３は、トラックボール、スイッチボタン、マウス、キーボード、操作面へ触れることで入力操作を行うタッチパッド、表示画面とタッチパッドとが一体化されたタッチスクリーン、光学センサを用いた非接触入力回路、及び音声入力回路等によって実現される。なお、本明細書において、入力インタフェース１４３は、マウス、キーボード等の物理的な操作部品を備えるものだけに限られない。例えば、装置とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を制御回路へ出力する電気信号の処理回路も入力インタフェース１４３の例に含まれる。

ディスプレイ１４４は、処理回路１４５に接続されており、各種の情報及び画像を表示する。具体的には、ディスプレイ１４４は、処理回路１４５から送られる情報及び画像のデータを表示用の電気信号に変換して出力する。例えば、ディスプレイ１４４は、液晶モニタやＣＲＴ（Cathode Ray Tube）モニタ、タッチパネル等によって実現される。

処理回路１４５は、入力インタフェース１４３を介して操作者から受け付けた入力操作に応じて、医用情報処理装置１４０の動作を制御する。例えば、処理回路１４５は、プロセッサによって実現される。

以上、本実施形態に係る医用情報処理システム１００の構成について説明した。例えば、本実施形態に係る医用情報処理システム１００は、病院や医院等の医療機関に設置され、医療機関に入院又は通院する患者等を被検体として、医用画像診断装置１２０によって生成される医用画像を用いた各種の画像診断に利用される。

ここで、医用画像診断装置１２０によって被検体の撮像が行われる場合には、被検体の身長や体重、撮像部位、撮像したい関心部位の深さ、関心部位と重要臓器との位置関係等の様々な条件の違いに応じて、様々な撮像条件が設定される。例えば、医用画像診断装置１２０がＸ線ＣＴ装置である場合には、Ｘ線管電流やＸ線管電圧、スライス厚、画像再構成関数、ＦＯＶ（Field Of View）、撮影範囲等の様々な撮像パラメータが設定される。また、例えば、医用画像診断装置１２０が超音波診断装置である場合には、プローブ周波数やフォーカス位置、ゲイン等の選択、調整が行われる。

通常、これらの撮像条件は、体型や部位、撮像深さ等に応じて推奨設定がプリセットされていることが多い。しかし、綺麗な画像を得るためには、撮像パラメータの微調整が必要であるし、被検体によって個人差もあるため、似たような体型の被検体でも同じ条件で同じように最適な画像が撮れるとは限らない。また、このような撮像条件の設定は、放射線技師等のスキルや経験に依存している部分もあり、誰でも同じように綺麗な画像が得られる撮像条件を設定することは難しい。特に、超音波診断装置では、撮像条件の設定やプローブの当て方等で画質が大きく左右されることが多く、スキルの高い技師であれば綺麗な画像を撮ることができるが、そうでない技師では同じように撮像しても画質が悪いといったこともある。そのため、撮像条件の設定には、手間と時間を要することが多い。

このような問題に対し、例えば、患者情報と超音波画像データと撮像条件を関連付けた情報を記録しておき、以前に用いられた撮像条件と同じ撮像条件を用いることで、煩雑な設定作業なしに最適な撮影条件を設定する方法が提案されている。また、同様に設定の煩雑さを軽減するための方法として、例えば、予め設定されたマザープリセット条件と、その一部を変更するサブプリセット条件とを保管しておき、被検体の超音波検査に好適なサブプリセット条件を設定して画像収集を行う方法も提案されている。しかしながら、これらの方法でも、それだけで全ての被検体に最適な撮像条件設定を決定することは困難であり、依然として撮像条件の設定には手間と時間を要すると考えられる。

このようなことから、本実施形態に係る医用情報処理システム１００は、操作者が、診断対象の被検体に最適な撮像条件を容易に設定できるように構成されている。

具体的には、本実施形態では、医用画像診断装置１２０が、診断対象の被検体（例えば、新規の患者等）に関する医用画像の撮像を指示するオーダ情報を電子カルテシステム１１０から受信した場合に、所定条件で被検体を撮像して標準画像（基準画像）を生成する。そして、医用情報処理装置１４０が、医用画像診断装置１２０から標準画像を取得して、記憶回路１４２のデータベース（database：ＤＢ）に蓄積する。更に、医用情報処理装置１４０は、当該標準画像と同じ被検体を撮像して得られた臨床画像と、当該臨床画像が得られた際の撮像パラメータとを医用画像診断装置１２０から取得して、標準画像と対応付けて記憶回路１４２のＤＢに蓄積する。

ここで、臨床画像は、医師や技師等によって実際の臨床に用いられた画像であり、診断対象の被検体に最適な撮像条件で得られた画像である。

これに対し、標準画像は、被検体に応じて最適化されていない標準的な撮像条件によって得られる画像である。例えば、標準画像は、超音波診断装置によって、超音波の出力条件を標準的な設定とし、ゲインの設定を調整せずに得られる画像である。また、例えば、標準画像は、ＭＲＩ装置によって、Ｔ１強調画像等の標準的なシーケンスで得られる画像である。また、例えば、標準画像は、Ｘ線診断装置又はＸ線ＣＴ装置によって、被ばくを考慮して低線量で得られる画像や、撮像領域の位置決めに用いられるスキャノ画像等である。

このような最適化されていない撮像条件によって得られる標準画像は、個々の被検体内の臓器の様々な条件や状態によって大きく見え方が異なると予想される。したがって、過去に得られた標準画像、臨床画像及び撮像パラメータから、標準画像がどのように見える場合は撮像パラメータをどのように設定すれば綺麗な画像が得られるという関係性を抽出することができると考えられる。すなわち、過去の類似症例データから、診断対象の被検体に最適な撮像パラメータを推測することができると考えられる。

このような撮像パラメータの推測を可能にするため、本実施形態では、医用情報処理装置１４０が、記憶回路１４２のＤＢに蓄積されている標準画像、臨床画像及び撮像パラメータの関係を学習することによって、被検体の標準画像に基づいて撮像パラメータを出力する学習済みモデルを構築する。その上で、医用情報処理装置１４０は、医用画像診断装置１２０から取得した診断対象の被検体の標準画像を学習済みモデルに入力することで、臨床画像に近い画像が得られる撮像パラメータを推測する。そして、医用情報処理装置１４０は、推測した撮像パラメータを医用画像診断装置１２０に送信する。

その後、医用画像診断装置１２０が、送信された撮像パラメータを自装置のディスプレイに表示し、操作者から撮像パラメータを編集する操作を受け付ける。そして、医用画像診断装置１２０は、最終的に決定された撮像パラメータを撮像条件として診断対象の被検体を撮像することによって、当該被検体の臨床画像を生成する。こうして生成された臨床画像を用いて、医師や技師等によって診断対象の被検体の臨床が行われる。

このような構成によれば、本実施形態では、被検体を所定条件で撮像して得られた標準画像を用いて、臨床画像に近い画像が得られる撮像パラメータを推測できるようになる。これにより、本実施形態では、推測された撮像パラメータに基づいて、医師や技師等の操作者が、診断対象の被検体に最適な撮像条件を容易に設定できるようになる。

以下、このような医用情報処理装置１４０の構成について詳細に説明する。

例えば、図２に示すように、本実施形態では、医用情報処理装置１４０の処理回路１４５が、学習機能１４５ａと、取得機能１４５ｂと、導出機能１４５ｃと、推測機能１４５ｄとを有する。ここで、学習機能１４５ａは、学習部の一例である。また、取得機能１４５ｂは、取得部の一例である。また、導出機能１４５ｃは、導出部の一例である。また、推測機能１４５ｄは、推測部の一例である。

そして、本実施形態では、処理回路１５０の各機能が、学習済みモデルを生成する学習時の処理と、生成された学習済みモデルを利用する運用時の処理とを行う。具体的には、学習機能１４５ａが、予め決められた時間間隔で定期的に、又は、操作者から学習開始の指示を受け付けた場合に、学習時の処理を行う。また、取得機能１４５ｂ、導出機能１４５ｃ及び推測機能１４５ｄが、医用画像診断装置１２０から診断対象の被検体の標準画像が送信された場合に、運用時の処理を行う。

図２は、本実施形態に係る医用情報処理装置１４０によって行われる学習時及び運用時の処理を示す図である。

例えば、図２の上側に示すように、学習時には、学習機能１４５ａが、所定条件で被検体を撮像して得られた標準画像と、当該標準画像と同じ被検体を撮像して得られた臨床画像と、当該臨床画像が得られた際の撮像パラメータとの関係を学習することによって、被検体の標準画像に基づいて撮像パラメータを出力する学習済みモデルを生成する。なお、本実施形態では、学習機能１４５ａは、標準画像を解析して得られた画像特徴量を当該関係に更に含めて学習することによって、学習済みモデルを生成する。

すなわち、本実施形態では、学習機能１４５ａは、所定条件で被検体を撮像して得られた標準画像と、当該標準画像を解析して得られた画像特徴量と、当該標準画像と同じ被検体を撮像して得られた臨床画像と、当該臨床画像が得られた際の撮像パラメータとの関係を学習することによって、被検体の標準画像に基づいて撮像パラメータを出力する学習済みモデルを生成する。

ここで、撮像パラメータは、撮像が行われる前に撮像条件として設定される収集パラメータと、撮像が行われた後に画像に施される後処理で用いられる後処理パラメータとを含む。例えば、収集パラメータは、超音波診断装置のプローブの当て方や、超音波の出力条件、ゲインの大きさ、造影条件、撮像時の被検体の体位、被検体の過去の撮像条件等である。また、後処理パラメータは、再構成後の画像に施されるノイズ除去フィルタやアーチファクト低減フィルタの条件等である。これらの撮像パラメータは、例えば、臨床画像の付帯情報に含められて、当該臨床画像とともに医用画像診断装置１２０から取得される。

また、画像特徴量は、標準画像の特徴を定量的に示す数値である。例えば、画像特徴量は、標準画像を用いてテキスチャ解析等を行うことによって得られる解析値である。この画像特徴量は、医用画像診断装置１２０から標準画像が送信されるごとに導出され、標準画像、臨床画像及び撮像パラメータと対応付けてＤＢに蓄積される。

具体的には、学習機能１４５ａは、記憶回路１４２のＤＢを参照して、複数の被検体に関する標準画像、画像特徴量、臨床画像及び撮像パラメータを取得する。そして、学習機能１４５ａは、取得した標準画像、画像特徴量、臨床画像及び撮像パラメータを学習用データ（教師データ）として機械学習エンジンに入力することによって、機械学習を行う。

ここで、機械学習エンジンは、例えば、入力された標準画像及び画像特徴量に基づいて、記憶回路１４２のＤＢを参照し、画像相関や画像特徴量の比較を行うことで、臨床に最適な撮像パラメータを決定する。例えば、機械学習エンジンは、ディープラーニング（Deep Learning）や、ニューラルネットワーク（Neural Network）、ロジスティック（Logistic）回帰分析、非線形判別分析、サポートベクターマシン（Support Vector Machine：ＳＶＭ）、ランダムフォレスト（Random Forest）、ナイーブベイズ（Naive Bayes）等の各種のアルゴリズムを用いて、最適な撮像パラメータを決定する。

このような機械学習の結果として、学習機能１４５ａは、被検体の標準画像及び当該標準画像の画像特徴量に基づいて撮像パラメータを出力する学習済みモデルを生成する。そして、学習機能１４５ａは、生成した学習済みモデルを記憶回路１４２に記憶させる。なお、このとき、学習機能１４５ａは、以前に作成した学習済みモデルが既に記憶回路１４２に記憶されていた場合には、新しく作成した学習済みモデルで、記憶されている学習済みモデルを置き換える。

一方、例えば、図２の下側に示すように、運用時には、取得機能１４５ｂが、診断対象の被検体を所定条件で撮像して得られた標準画像を取得する。

具体的には、取得機能１４５ｂは、医用画像診断装置１２０から診断対象の被検体の標準画像が送信された場合に、送信された標準画像を取得する。なお、標準画像が医用画像診断装置１２０からＰＡＣＳ１３０に送信されている場合には、取得機能１４５ｂは、ＰＡＣＳ１３０から標準画像を取得してもよい。

その後、導出機能１４５ｃが、取得機能１４５ｂによって取得された診断対象の被検体の標準画像を解析して画像特徴量を導出する。

具体的には、導出機能１４５ｃは、取得機能１４５ｂによって診断対象の被検体の標準画像が取得されるごとに、取得された標準画像を用いてテキスチャ解析等を行うことによって、画像特徴量を導出する。

その後、推測機能１４５ｄが、学習機能１４５ａによって生成された学習済みモデルに対して、取得機能１４５ｂによって取得された診断対象の被検体の標準画像を入力することで、臨床画像に近い画像が得られる撮像パラメータを推測する。なお、本実施形態では、推測機能１４５ｄは、診断対象の被検体の標準画像に加えて、当該標準画像の画像特徴量を学習済みモデルに対して更に入力することで、撮像パラメータの推測精度を上げる。

具体的には、推測機能１４５ｄは、取得機能１４５ｂによって標準画像が取得されるごとに、取得された標準画像と、導出機能１４５ｃによって導出された当該標準画像の画像特徴量とを、記憶回路１４２に記憶されている学習済みモデルに入力することで、学習済みモデルに撮像パラメータを出力させる。ここで、学習済みモデルから出力される撮像パラメータは、臨床画像に近い画像が得られる撮像パラメータとなっている。

その後、推測機能１４５ｄは、学習済みモデルから出力された撮像パラメータを医用画像診断装置１２０に送信する。また、推測機能１４５ｄは、学習済みモデルに入力した標準画像及び画像特徴量と、学習済みモデルから出力された撮像パラメータとを対応付けて記憶回路１４２のＤＢに保存する。

そして、医用画像診断装置１２０によって診断対象の被検体に関する臨床画像が得られた後に、取得機能１４５ｂが、当該臨床画像及び当該臨床画像が得られた際の最終的な撮像パラメータを医用画像診断装置１２０から取得する。

具体的には、取得機能１４５ｂは、医用画像診断装置１２０から診断対象の被検体の臨床画像が送信された場合に、送信された臨床画像及び当該臨床画像が得られた際の最終的な撮像パラメータを取得する。なお、臨床画像及び撮像パラメータが医用画像診断装置１２０からＰＡＣＳ１３０に送信されている場合には、取得機能１４５ｂは、ＰＡＣＳ１３０から臨床画像及び撮像パラメータを取得してもよい。

そして、取得機能１４５ｂは、取得した臨床画像及び最終的な撮像パラメータを標準画像及び画像特徴量と対応付けて記憶回路１４２のＤＢに保存する。このとき、取得機能１４５ｂは、記憶回路１４２のＤＢを参照して、当該臨床画像と同じ被検体の撮像パラメータを読み出す。ここで、読み出される撮像パラメータは、推測機能１４５ｄによって推測されて保存されたものである。そして、取得機能１４５ｂは、読み出した撮像パラメータと、取得した最終的な撮像パラメータとを比較し、それぞれが異なっていた場合には、最終的な撮像パラメータで、記憶回路１４２のＤＢに保存されている撮像パラメータを置き換える。これにより、記憶回路１４２のＤＢには、標準画像と、画像特徴量と、臨床画像と、最終的な撮像パラメータとが対応付けられて保存されることになる。

その後、学習機能１４５ａが、臨床画像が得られた際の最終的な撮像パラメータと、推測機能１４５ｄによって推測された撮像パラメータとが異なっていた場合に、最終的な撮像パラメータを用いて再学習を行う。

具体的には、学習機能１４５ａは、前述した予め決められた時間間隔で定期的に、又は、操作者から学習開始の指示を受け付けた場合に、前述した学習時の処理を行う。このとき、上述したように、記憶回路１４２のＤＢには、取得機能１４５ｂによって、標準画像と、画像特徴量と、臨床画像と、最終的な撮像パラメータとが対応付けられて保存されている。したがって、この時点では、学習機能１４５ａは、臨床画像が得られた際の最終的な撮像パラメータを用いて再学習を行うことになる。

以上、医用情報処理装置１４０の処理回路１４５が有する各処理機能について説明した。ここで、前述したように、処理回路１４５がプロセッサによって実現される場合には、処理回路１４５が有する各処理機能は、コンピュータによって実行可能なプログラムの形態で記憶回路１４２に記憶されている。そして、処理回路１４５は、記憶回路１４２から各プログラムを読み出して実行することで、各プログラムに対応する機能を実現する。換言すると、各プログラムを読み出した状態の処理回路１４５は、図１の処理回路１４５に示された各機能を有することとなる。なお、図１では、単一のプロセッサによって各処理機能が実現されるものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路を構成し、各プロセッサがプログラムを実行することにより機能を実現するものとしても構わない。また、処理回路１４５が有する処理機能は、単一又は複数の処理回路に適宜に分散又は統合されて実現されてもよい。また、図１に示す例では、単一の記憶回路１４２が各処理機能に対応するプログラムを記憶するものとして説明したが、複数の記憶回路を分散して配置して、処理回路が個別の記憶回路から対応するプログラムを読み出す構成としても構わない。

例えば、上述した医用情報処理装置１４０によって行われる学習時の処理及び運用時の処理は、以下のように実現される。

図３は、本実施形態に係る医用情報処理装置１４０によって行われる学習時の処理の処理手順を示すフローチャートである。

例えば、図３に示すように、学習時には、学習機能１４５ａが、予め決められた時間間隔で定期的に、又は、操作者から学習開始の指示を受け付けた場合に（ステップＳ１１１，Ｙｅｓ）、記憶回路１４２のＤＢを参照して、複数の被検体に関する標準画像、画像特徴量、臨床画像及び撮像パラメータを取得する（ステップＳ１１２）。

その後、学習機能１４５ａは、取得した標準画像、画像特徴量、臨床画像及び撮像パラメータを学習用データとした機械学習によって、被検体の標準画像及び当該標準画像の画像特徴量に基づいて撮像パラメータを出力する学習済みモデルを生成する（ステップＳ１１３）。そして、学習機能１４５ａは、生成した学習済みモデルを記憶回路１４２に記憶させる（ステップＳ１１４）。

ここで、上述したステップＳ１１１〜Ｓ１１４の処理は、例えば、処理回路１４５が学習機能１４５ａに対応する所定のプログラムを記憶回路１４２から読み出して実行することにより実現される。

図４は、本実施形態に係る医用情報処理装置１４０によって行われる運用時の処理の処理手順を示すフローチャートである。

例えば、図４に示すように、運用時には、取得機能１４５ｂが、医用画像診断装置１２０から診断対象の被検体の標準画像が送信された場合に（ステップＳ１２１，Ｙｅｓ）、送信された標準画像を取得する（ステップＳ１２２）。

続いて、導出機能１４５ｃが、取得機能１４５ｂによって取得された診断対象の被検体の標準画像を解析して画像特徴量を導出する（ステップＳ１２３）。

続いて、推測機能１４５ｄが、記憶回路１４２に記憶されている学習済みモデルに対して、取得機能１４５ｂによって取得された標準画像、及び、導出機能１４５ｃによって導出された画像特徴量を入力する（ステップＳ１２４）。そして、推測機能１４５ｄは、学習済みモデルから出力された撮像パラメータを医用画像診断装置１２０に送信する（ステップＳ１２５）。また、推測機能１４５ｄは、学習済みモデルに入力した標準画像及び画像特徴量と、学習済みモデルから出力された撮像パラメータとを対応付けて記憶回路１４２のＤＢに保存する（ステップＳ１２６）。

その後、取得機能１４５ｂが、医用画像診断装置１２０から診断対象の被検体の臨床画像が送信された場合に（ステップＳ１２７，Ｙｅｓ）、当該臨床画像及び当該臨床画像が得られた際の最終的な撮像パラメータを取得する（ステップＳ１２８）。そして、取得機能１４５ｂは、取得した臨床画像及び最終的な撮像パラメータを記憶回路１４２のＤＢに保存する（ステップＳ１２９）。

ここで、上述したステップＳ１２１、Ｓ１２２、Ｓ１２７〜Ｓ１２９の処理は、例えば、処理回路１４５が取得機能１４５ｂに対応する所定のプログラムを記憶回路１４２から読み出して実行することにより実現される。また、上述したステップＳ１２３の処理は、例えば、処理回路１４５が導出機能１４５ｃに対応する所定のプログラムを記憶回路１４２から読み出して実行することにより実現される。また、上述したステップＳ１２４〜Ｓ１２６の処理は、例えば、処理回路１４５が推測機能１４５ｄに対応する所定のプログラムを記憶回路１４２から読み出して実行することにより実現される。

上述したように、本実施形態では、被検体を所定条件で撮像して得られた標準画像を用いて、臨床画像に近い画像が得られる撮像パラメータを推測することができる。これにより、本実施形態では、推測された撮像パラメータに基づいて、医師や技師等の操作者が、診断対象の被検体に最適な撮像条件を容易に設定することができる。

また、本実施形態では、標準画像を解析して得られた画像特徴量を用いることによって、臨床画像に近い画像が得られる撮像パラメータをより高精度に推測することができる。

（他の実施形態）
なお、上述した実施形態は、医用情報処理装置１４０が有する構成又は機能の一部を変更することで、適宜に変形して実施することも可能である。そこで、以下では、上述した実施形態に係るいくつかの変形例を他の実施形態として説明する。なお、以下では、上述した実施形態と異なる点を主に説明することとし、既に説明した内容と共通する点については詳細な説明を省略する。また、以下で説明する各実施形態は、個別に実施されてもよいし、適宜に組み合わせて実施されてもよい。

（他の実施形態−１）
例えば、上述した実施形態では、標準画像を解析して得られた画像特徴量が用いられる場合の例を説明したが、実施形態はこれに限られない。例えば、画像特徴量の代わりに、被検体情報が用いられてもよい。

ここで、被検体情報は、被検体の属性や状態を示す情報である。例えば、被検体情報は、被検体の身長や体重、肥満度、年齢、病歴、循環器機能、各臓器のサイズ、臓器の状態（例えば、水分量、脂肪肝、線維化や炎症の有無等の状態）、臓器周囲の組織の状態（例えば、皮下脂肪の量や厚さ、インピーダンスの違い、硬さ（弾性率）、関心部位と重要臓器との位置関係等）、遺伝的な要因、血液検査（バイオマーカー）等を示す情報である。

この場合には、例えば、取得機能１４５ｂが、医用画像診断装置１２０から診断対象の被検体の標準画像が送信された場合に、当該被検体に関する被検体情報を電子カルテシステム１１０から取得する。なお、医用画像診断装置１２０によって生成される画像の付帯情報に被検体情報が含まれている場合には、取得機能１４５ｂは、標準画像の付帯情報を参照して、被検体情報を取得してもよい。そして、学習機能１４５ａが、所定条件で被検体を撮像して得られた標準画像と、当該被検体に関する被検体情報と、当該標準画像と同じ被検体を撮像して得られた臨床画像と、当該臨床画像が得られた際の撮像パラメータとの関係を学習することによって、被検体の標準画像に基づいて撮像パラメータを出力する学習済みモデルを生成する。また、推測機能１４５ｄが、学習済みモデルに対して診断対象の被検体の標準画像を入力することで、撮像パラメータを推測する。

（他の実施形態−２）
また、例えば、上述した実施形態では、学習済みモデルから出力される撮像パラメータに、収集パラメータと、後処理パラメータとが含まれる場合の例を説明したが、実施形態はこれに限られない。例えば、学習済みモデルから出力される撮像パラメータには、後処理パラメータが含まれていなくてもよい。

この場合には、例えば、学習機能１４５ａが、後処理が不要になるように調整された収集パラメータを撮像パラメータとして出力する学習済みモデルを生成する。また、推測機能１４５ｄは、学習済みモデルを用いることで、後処理を行わずに臨床画像に近い画像が得られる撮像パラメータを推測する。このような構成によれば、臨床画像を得る際に後処理が不要となり、医師や技師等の操作者が、診断対象の被検体に最適な撮像条件をより容易に設定できるようになる。

（他の実施形態−３）
また、上述した実施形態では、標準画像と、画像特徴量と、臨床画像と、撮像パラメータとの関係を学習することによって、標準画像に基づいて撮像パラメータを出力する学習済みモデルが用いられる場合の例を説明したが、実施形態はこれに限られない。例えば、被検体情報と、撮像パラメータとの関係を学習することによって、被検体情報に基づいて撮像パラメータを出力する学習済みモデルが用いられてもよい。すなわち、この例では、標準画像は用いられない。

この場合には、例えば、取得機能１４５ｂが、電子カルテシステム１１０から、撮像対象の被検体に関する撮像パラメータの推測を指示するオーダ情報を受信し、当該被検体に関する被検体情報を取得する。そして、学習機能１４５ａが、被検体に関する被検体情報と、当該被検体の臨床画像が得られた際の撮像パラメータとの関係を学習することによって、被検体の被検体情報に基づいて撮像パラメータを出力する学習済みモデルを生成する。また、推測機能１４５ｄが、学習済みモデルに対して診断対象の被検体の被検体情報を入力することで、撮像パラメータを推測する。

（他の実施形態−４）
また、上述した実施形態では、標準画像と、画像特徴量と、臨床画像と、撮像パラメータとの関係を学習することによって、標準画像に基づいて撮像パラメータを出力する学習済みモデルが用いられる場合の例を説明したが、実施形態はこれに限られない。例えば、被検体情報と、臨床画像と、撮像パラメータとの関係を学習することによって、被検体情報に基づいて撮像パラメータを出力する学習済みモデルが用いられてもよい。すなわち、この例でも、標準画像は用いられない。

この場合には、例えば、取得機能１４５ｂが、電子カルテシステム１１０から、撮像対象の被検体に関する撮像パラメータの推測を指示するオーダ情報を受信し、当該被検体に関する被検体情報を取得する。そして、学習機能１４５ａが、被検体に関する被検体情報と、当該被検体を撮像して得られた臨床画像と、当該臨床画像が得られた際の撮像パラメータとの関係を学習することによって、被検体の被検体情報に基づいて撮像パラメータを出力する学習済みモデルを生成する。また、推測機能１４５ｄが、学習済みモデルに対して診断対象の被検体の被検体情報を入力することで、撮像パラメータを推測する。

（他の実施形態−５）
また、上述した実施形態では、医用情報処理システム１００が設置された病院や医院等の医療機関ごとに学習済みモデルを生成する場合の例を説明したが、実施形態はこれに限られない。例えば、医療機関に属する医師ごとに学習済みモデルが生成されてもよいし、複数の国の学習用データを集約した総合的な学習済みモデルが生成されてもよい。

学習済みモデルが医師ごとに生成される場合には、例えば、学習機能１４５ａが、標準画像及び臨床画像それぞれの付帯情報に含まれている医師の識別情報を参照することで、医師ごとに学習済みモデルを生成する。また、推測機能１４５ｄが、例えば、診断対象の被検体の標準画像を受信した場合に、当該標準画像の付帯情報に含まれている医師の識別情報を参照することで、処理対象の医師を特定する。そして、推測機能１４５ｄは、医師ごとに作成されている複数の学習済みモデルの中から、処理対象の医師の学習済みモデルを選択し、選択した学習済みモデルを用いて、撮像パラメータを推測する。なお、医用画像診断装置１２０によって生成される画像の付帯情報に医師の識別情報が含まれていない場合には、学習機能１４５ａ及び推測機能１４５ｄは、電子カルテシステム１１０から医師の識別情報を取得してもよい。

また、総合的な学習済みモデルが生成される場合には、例えば、取得機能１４５ｂが、インターネット等を介して、他の国の医療機関に設置された電子カルテシステム１１０、医用画像診断装置１２０及びＰＡＣＳ１３０から、被検体情報を含む学習用データを取得する。そして、学習機能１４５ａが、被検体情報に含まれる人種の識別情報に基づいて、被検体の人種に応じた撮像パラメータを出力する学習済みモデルを生成する。また、推測機能１４５ｄが、学習済みモデルに対して診断対象の被検体の被検体情報を入力することで、撮像パラメータを推測する。

この場合に、例えば、学習機能１４５ａは、総合的な学習済みモデルとして、人種ごとに学習済みモデルを生成してもよいし、複数の人種に対応した学習済みモデルを生成してもよい。そして、人種ごとに学習済みモデルが生成されている場合には、推測機能１４５ｄは、診断対象の被検体の標準画像を受信した場合に、当該被検体の被検体情報に含まれる人種の識別情報に基づいて、被検体の人種（例えば、日本人）を特定する。そして、推測機能１４５ｄは、人種ごとに作成されている複数の学習済みの中から、特定した人種用の学習済みモデル（例えば、日本人用の学習済みモデル）を選択し、選択した学習済みモデルを用いて、撮像パラメータを推測する。一方、複数の人種に対応した学習済みモデルが作成されている場合には、推測機能１４５ｄは、診断対象の被検体の標準画像を受信した場合に、当該被検体の人種（例えば、日本人）の識別情報を含む被検体情報を学習済みモデルに入力することで、当該人種用の撮像パラメータ（例えば、日本人用の撮像パラメータ）を推測する。

（他の実施形態−６）
また、例えば、医師や人種ごとに学習済みモデルが生成される場合のように、複数の学習済みモデルが生成される場合には、１つの学習済みモデルだけでなく、複数の学習済みモデルを用いて、撮像パラメータを推測してもよい。

この場合には、例えば、推測機能１４５ｄが、診断対象の被検体の標準画像を複数の学習済みモデルそれぞれに入力することで、各学習済みモデルに撮像パラメータを出力させる。そして、推測機能１４５ｄでは、各学習済みモデルから出力された撮像パラメータを学習済みモデルごとに並列にディスプレイ１４４に表示し、操作者から学習済みモデルを選択する操作を受け付ける。そして、推測機能１４５ｄは、操作者によって選択された学習済みモデルから出力された撮像パラメータを、医用画像診断装置１２０に送信し、また、記憶回路１４２のＤＢに保存する。

（他の実施形態−７）
また、上述した実施形態では、学習済みモデルを用いて推測された撮像パラメータをそのまま医用画像診断装置１２０に送信する場合の例を説明したが、実施形態はこれに限られない。例えば、診断対象の被検体に関する過去の撮像条件に基づいて、推測された撮像パラメータを重み付けして医用画像診断装置１２０に送信してもよい。

この場合には、例えば、推測機能１４５ｄは、学習済みモデルから撮像パラメータが出力された際に、記憶回路１４２のＤＢを参照して、診断対象の被検体を前回撮像した際の撮像パラメータを読み出す。そして、推測機能１４５ｄは、読み出した撮像パラメータに基づいて、学習済みモデルから出力された撮像パラメータを重み付けして医用画像診断装置１２０に送信する。例えば、推測機能１４５ｄは、読み出した撮像パラメータと、学習済みモデルから出力された撮像パラメータとの中間値を求め、求めた中間値を医用画像診断装置１２０に送信する。

（他の実施形態−８）
また、上述した実施形態では、標準画像を生成する医用画像診断装置１２０と、撮像パラメータを推測する医用画像診断装置１２０とが同じ場合の例を説明したが、実施形態はこれに限られない。例えば、標準画像を生成する医用画像診断装置と、撮像パラメータを推測する医用画像診断装置とが異なっていてもよい。

この場合には、例えば、学習機能１４５ａが、第１の医用画像診断装置によって得られた標準画像と、当該第１の第１の医用画像診断装置とは異なる第２の医用画像診断装置によって得られた臨床画像と、当該臨床画像が得られた際の撮像パラメータとの関係を学習することによって、第１の医用画像によって得られた標準画像に基づいて第２の医用画像診断装置で用いられる撮像パラメータを出力する学習済みモデルを生成する。また、推測機能１４５ｄが、学習済みモデルに対して、第１の医用画像診断装置によって得られた診断対象の被検体の標準画像を入力することで、第２の医用画像診断装置で用いられる最適な撮像パラメータを推測する。

例えば、学習機能１４５ａは、超音波画像を用いて被検体の診断が行われる場合に、直近で得られた同じ被検体のＣＴ画像やＭＲＩ画像等を標準画像として、当該標準画像における臓器の状態や観察したい対象部位の深さ、対象部位と周囲臓器や脂肪等との位置関係等から、超音波診断装置で用いられる最適な撮像パラメータを決定する。

（他の実施形態−９）
また、上述した実施形態では、医用情報処理装置１４０が、病院や医院等の医療機関に設置される場合の例を説明したが、実施形態はこれに限られない。例えば、医用情報処理装置１４０は、医療機関とは別の場所に設置され、ネットワーク１６０を介して、１つ又は複数の医療機関に設置された医用画像診断装置１２０と通信可能に接続されていてもよい。

この場合には、例えば、医用情報処理装置１４０が、定期的に、ネットワーク１６０を介して、各医用機関に設置された医用画像診断装置１２０から標準画像、臨床画像及び撮像パラメータを収集して、学習済みモデルを生成又は更新する。そして、医用情報処理装置１４０は、ネットワーク１６０を介して、各医用機関に設置された医用画像診断装置１２０から診断対象の被検体の標準画像を含むパラメータ推測要求を受信し、当該推測要求を送信した医用画像診断装置１２０に対して、撮像パラメータの推測結果を送信する。

この場合に、例えば、医用情報処理システム１００は、医用画像診断装置１２０をクライアントとし、医用情報処理装置１４０をサーバとしたクライアントサーバシステムとして実現される。より具体的には、例えば、医用情報処理システム１００は、インターネット等を介して、医用画像診断装置１２０と医用情報処理装置１４０とを接続したクラウドシステムとして実現される。

（他の実施形態−１０）
また、上述した実施形態では、医用情報処理装置１４０が、学習時の処理及び運用時の処理の両方を行う場合の例を説明したが、実施形態はこれに限られない。例えば、医用情報処理装置１４０が有する機能のうち、学習済みモデルを生成する機能が、医療機関とは別の場所に設置されてネットワーク１６０を介して接続された他の装置（以下、モデル生成装置と呼ぶ）に実装されていてもよい。

この場合には、例えば、モデル生成装置が、定期的に、ネットワーク１６０を介して、各医用機関に設置された医用画像診断装置１２０から標準画像、臨床画像及び撮像パラメータを収集して、学習済みモデルを生成又は更新する。そして、医用情報処理装置１４０が、医用画像診断装置１２０から診断対象の被検体の標準情報が送信された場合に、モデル生成装置から最新の学習済みモデルを取得して、撮像パラメータを推測する。

この場合に、例えば、医用情報処理システム１００は、医用情報処理装置１４０をクライアントとし、モデル生成装置をサーバとしたクライアントサーバシステムとして実現される。より具体的には、例えば、医用情報処理システム１００は、インターネット等を介して、モデル生成装置と医用情報処理装置１４０とを接続したクラウドシステムとして実現される。この場合に、例えば、医用情報処理システム１００は、クライアントである医用情報処理装置１４０には必要最小限の処理を実行させ、サーバであるモデル生成装置に大部分の処理を実行させるシンクライアント（Thin Client）の形態で実現される。

（他の実施形態−１１）
また、上述した実施形態では、診断対象の被検体の標準画像に基づいて、当該被検体に適切な撮像パラメータを推測する場合の例を説明したが、実施形態はこれに限られない。例えば、診断対象の被検体の標準画像と、当該被検体の撮像で用いられる撮像パラメータとに基づいて、当該撮像パラメータによって得られる臨床画像を推測してもよい。すなわち、この例では、上述した各実施形態のように撮像パラメータが推測されるのではなく、撮像で用いられる撮像パラメータから、臨床画像が推測される。

この場合には、例えば、学習機能１４５ａが、所定条件で被検体を撮像して得られた標準画像と、当該標準画像と同じ被検体を撮像して得られた臨床画像と、当該臨床画像が得られた際の撮像パラメータとの関係を学習することによって、被検体の標準画像及び撮像パラメータに基づいて臨床画像を出力する学習済みモデルを生成する。そして、推測機能１４５ｄが、学習済みモデルに対して、診断対象の被検体の標準画像及び当該被検体の撮像で用いられる撮像パラメータを入力することで、当該撮像パラメータによって得られる臨床画像を推測する。

（他の実施形態−１２）
また、上述した各実施形態では、本明細書における学習部、取得部、導出部、及び推測部を、それぞれ、処理回路１４５の学習機能１４５ａ、取得機能１４５ｂ、導出機能１４５ｃ、及び推測機能１４５ｄによって実現する場合の例を説明したが、実施形態はこれに限られない。例えば、本明細書における学習部、取得部、導出部、及び推測部は、実施形態で述べた学習機能１４５ａ、取得機能１４５ｂ、導出機能１４５ｃ、及び推測機能１４５ｄによって実現する他にも、ハードウェアのみ、又は、ハードウェアとソフトウェアとの混合によって同機能を実現するものであっても構わない。

なお、上述した説明で用いた「プロセッサ」という文言は、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、或いは、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ））等の回路を意味する。プロセッサは、記憶回路１４２に保存されたプログラムを読み出して実行することで、機能を実現する。なお、記憶回路１４２にプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むように構成しても構わない。この場合は、プロセッサは回路内に組み込まれたプログラムを読み出して実行することで機能を実現する。また、本実施形態のプロセッサは、単一の回路として構成される場合に限らず、複数の独立した回路を組み合わせて一つのプロセッサとして構成され、その機能を実現するようにしてもよい。

ここで、プロセッサによって実行されるプログラム（医用情報処理プログラム）は、ＲＯＭ（Read Only Memory）や記憶回路等に予め組み込まれて提供される。なお、このプログラムは、これらの装置にインストール可能な形式又は実行可能な形式のファイルでＣＤ（Compact Disk）−ＲＯＭ、ＦＤ（Flexible Disk）、ＣＤ−Ｒ（Recordable）、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記憶媒体に記録されて提供されてもよい。また、このプログラムは、インターネット等のネットワークに接続されたコンピュータ上に保存され、ネットワーク経由でダウンロードされることにより提供又は配布されてもよい。例えば、このプログラムは、上述した各機能部を含むモジュールで構成される。実際のハードウェアとしては、ＣＰＵが、ＲＯＭ等の記憶媒体からプログラムを読み出して実行することにより、各モジュールが主記憶装置上にロードされて、主記憶装置上に生成される。

以上説明した少なくとも１つの実施形態によれば、操作者が、診断対象の被検体に最適な撮像条件を容易に設定できる。

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。これらの実施形態は、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。これらの実施形態やその変形は、発明の範囲や要旨に含まれると同様に、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。

１００ 医用情報処理システム
１２０ 医用画像診断装置
１４０ 医用情報処理装置
１４５ 処理回路
１４５ａ 学習機能
１４５ｂ 取得機能
１４５ｃ 導出機能
１４５ｄ 推測機能

Claims (9)

1. 診断対象の被検体を所定条件で撮像して得られた標準画像を取得する取得部と、
   前記所定条件で被検体を撮像して得られた標準画像と、当該標準画像と同じ被検体を撮像して得られた臨床画像と、当該臨床画像が得られた際の撮像パラメータとの関係を学習することにより得られた学習済みモデルであって、被検体の標準画像に基づいて撮像パラメータを出力する学習済みモデルに対して、前記診断対象の被検体の標準画像を入力することで、臨床画像に近い画像が得られる撮像パラメータを推測する推測部と
   を備える、医用情報処理装置。
2. 前記学習済みモデルは、前記標準画像を解析して得られた画像特徴量、又は、被検体に関する被検体情報を前記関係に更に含めて学習することにより得られたものであり、
   前記推測部は、前記診断対象の被検体の標準画像に加えて、当該標準画像の画像特徴量又は当該被検体に関する被検体情報を前記学習済みモデルに対して更に入力することで、前記撮像パラメータの推測精度を上げる、
   請求項１に記載の医用情報処理装置。
3. 前記標準画像を解析して前記画像特徴量を導出する導出部を更に備える、
   請求項２に記載の医用情報処理装置。
4. 前記学習済みモデルを生成する学習部を更に備える、
   請求項１〜３のいずれか１つに記載の医用情報処理装置。
5. 前記取得部は、前記診断対象の被検体に関する臨床画像が得られた後に、当該臨床画像及び当該臨床画像が得られた際の最終的な撮像パラメータを取得し、
   前記学習部は、前記最終的な撮像パラメータと、前記推測部によって推測された撮像パラメータとが異なっていた場合に、前記最終的な撮像パラメータを用いて再学習を行う、
   請求項４に記載の医用情報処理装置。
6. 前記取得部は、医用画像診断装置から前記標準画像を取得し、
   前記推測部は、前記学習済みモデルによって得られた撮像パラメータを前記医用画像診断装置に送信する、
   請求項１〜３のいずれか１つに記載の医用情報処理装置。
7. 診断対象の被検体に関する被検体情報を取得する取得部と、
   被検体に関する被検体情報と、当該被検体を撮像して得られた臨床画像との関係を学習することにより得られた学習済みモデルであって、被検体に関する被検体情報に基づいて撮像パラメータを出力する学習済みモデルに対して、前記診断対象の被検体に関する被検体情報を入力することで、臨床画像に近い画像が得られる撮像パラメータを推測する推測部と
   を備える、医用情報処理装置。
8. 医用画像診断装置と、医用情報処理装置とを含む医用情報処理システムであって、
   前記医用画像診断装置は、
   診断対象の被検体を所定条件で撮像して標準画像を生成し、
   前記標準画像を前記医用情報処理装置に送信し、
   前記医用情報処理装置は、
   前記診断対象の被検体の標準画像を取得し、
   前記所定条件で被検体を撮像して得られた標準画像と、当該標準画像と同じ被検体を撮像して得られた臨床画像と、当該臨床画像が得られた際の撮像パラメータとの関係を学習することにより得られた学習済みモデルであって、被検体の標準画像に基づいて撮像パラメータを出力する学習済みモデルに対して、前記診断対象の被検体の標準画像を入力することで、臨床画像に近い画像が得られる撮像パラメータを推測する、
   医用情報処理システム。
9. 診断対象の被検体を所定条件で撮像して得られた標準画像を取得する取得機能と、
   前記所定条件で被検体を撮像して得られた標準画像と、当該標準画像と同じ被検体を撮像して得られた臨床画像と、当該臨床画像が得られた際の撮像パラメータとの関係を学習することにより得られた学習済みモデルであって、被検体の標準画像に基づいて撮像パラメータを出力する学習済みモデルに対して、前記診断対象の被検体の標準画像を入力することで、臨床画像に近い画像が得られる撮像パラメータを推測する推測機能と
   をコンピュータに実現させるための医用情報処理プログラム。

Images