JP2020181250A - びまん性症例画像判定プログラム、システム、及び方法 - Google Patents

Abstract

【課題】びまん性症例の医用画像を精度良く判定するプログラム、システム、方法を提供する。【解決手段】算出部が、判定対象の医用画像における異常陰影の分布を示すヒストグラムｈ０と、同一の患者について、判定対象の医用画像とは撮影時が異なる医用画像における異常陰影の分布を示すヒストグラムｈ−１との差分ヒストグラムｄを算出し、判定部が、ヒストグラムｈ０及びヒストグラムｄからそれぞれピーク群｛ｐ０ｉ｝及び｛ｐｄｊ｝を抽出し、ピーク群間の距離ｄｉｓが所定の閾値より小さい場合に、判定対象の医用画像をびまん性症例の医用画像であると判定する。【選択図】図１２

Description

開示の技術は、びまん性症例画像判定プログラム、びまん性症例画像判定システム、及び、びまん性症例画像判定方法に関する。

現在の医療分野では、過去の類似症例の医用画像を検索して参照する類似症例画像検索が行われている。具体的には、過去の症例に関する医用画像のデータベースから病変の画像特徴が類似した医用画像を検索し、類似している順番に表示するなどの検索手法が採用されている。

現在、びまん性肺疾患等、びまん性症例に対し、画像による類似症例検索技術の確立が強く望まれている。びまん性肺疾患とは、肺の広範囲にわたって機能が損なわれて異常陰影などの症状を呈するものである。画像診断では、患者の肺をＣＴ（Computed Tomography）によって撮影し、読影医がＣＴ画像を分析する。びまん性肺疾患の病変を示す異常陰影は、形状及び分布が複雑かつ多岐にわたる。そのため、孤立性肺結節の癌等と比較して、診断が非常に難しいと言われており、異常陰影の形状や分布が類似している過去の症例を参照して比較できるようにすることが読影医などから強く望まれている。

例えば、びまん性肺疾患などの臓器内に病変が分布する疾患における病変の分布に基づいて類似症例を検索できるようにする方法が提案されている。この方法では、医用画像より臓器領域を抽出して、臓器領域を複数の領域に分割し、分割した領域のそれぞれの病変を示す画素の個数を計数する。そして、領域ごとの病変を示す画素の個数を記憶した記憶部を参照して、病変を示す画素の個数の類似度に応じた類似症例画像を特定する。

特開２０１８−１５１７９１号公報

例えば、類似画像症例検索で、びまん性肺疾患の類似症例の医用画像を検索したい場合において、データベースに大量の医用画像が蓄積されている場合、検索処理の高速化のために、検索対象として、びまん性肺疾患の症例の医用画像に絞り込むことが考えられる。びまん性肺疾患ではない症例の医用画像では、異常陰影の総量（従来技術における病変を示す画素の個数）が通常ほぼ０に近い。そこで、異常陰影の総量が所定の閾値よりも小さい医用画像は、びまん性肺疾患ではないものとして、検索対象から除外することが考えられる。

しかし、びまん性肺疾患ではない症例でも、異常陰影の識別の際の誤識別により異常陰影が誤って抽出される場合があり、上記方法では、びまん性肺疾患ではない症例が除外される対象に入らない場合がある。したがって、びまん性肺疾患などのびまん性症例の医用画像を精度良く判定できることが望まれる。

一つの側面として、開示の技術は、びまん性症例の医用画像を精度良く判定することを目的とする。

一つの態様として、開示の技術は、人体の所定部位を撮影して得られた断面画像群のそれぞれの画像における異常陰影の出現度合いに基づき、前記所定部位の各位置に対する異常陰影についてのヒストグラムを算出する。そして、開示の技術は、前記ヒストグラムの形状がびまん性症例のヒストグラムの特徴と類似する度合いに基づいて、前記断面画像群がびまん性症例を示すか否かを判定する。

一つの側面として、びまん性症例の医用画像を精度良く判定することができる、という効果を有する。

第１及び第２実施形態に係る類似症例画像検索システムの機能ブロック図である。 医用画像を説明するための図である。 ヒストグラムの算出を説明するための図である。 特徴量辞書の一例を示す図である。 びまん性肺疾患の医用画像における異常陰影の分布を示すヒストグラムの一例である。 びまん性肺疾患ではない医用画像における異常陰影の分布を示すヒストグラムの一例である。 第１実施形態における判定部の処理を説明するための図である。 第１及び第２実施形態に係る類似症例画像検索システムとして機能するコンピュータの概略構成を示すブロック図である。 辞書登録処理の一例を示すフローチャートである。 第１実施形態における検索処理の一例を示すフローチャートである。 特定の箇所で異常陰影の誤識別が発生することを説明するための図である。 第２実施形態における算出部及び判定部の処理を説明するための図である。 びまん性肺疾患の医用画像についてのヒストグラムにおけるピーク群間距離を説明するための図である。 びまん性肺疾患ではない医用画像についてのヒストグラムにおけるピーク群間距離を説明するための図である。 第２実施形態における検索処理の一例を示すフローチャートである。 絞り込み処理の一例を示すフローチャートである。

以下、図面を参照して、開示の技術に係る実施形態の一例を説明する。以下の各実施形態では、類似症例画像検索システムに、開示の技術のびまん性症例画像判定システムを組み込んだ場合について説明する。また、以下の各実施形態では、びまん性症例の一例として、びまん性肺疾患の医用画像を対象とする場合について説明する。

＜第１実施形態＞
図１に示すように、第１実施形態に係る類似症例画像検索システム１００には、医用画像ＤＢ（Database）３０に記憶された複数の医用画像、又はクエリ画像となる医用画像が入力される。具体的には、各医用画像の特徴量の登録処理の際には、医用画像ＤＢ３０から複数の医用画像が入力され、類似症例の検索処理の際には、クエリ画像が入力される。

本実施形態における医用画像は、図２に示すように、肺野の所定の箇所を水平方向（体軸方向に直交する方向）に輪切りにした複数の断面画像（以下、スライス画像ともいう）で構成される、ＣＴ（Computed Tomography）検査等で取得された画像とする。医用画像ＤＢ３０には、複数の医用画像が、その医用画像の識別情報（以下、「画像ＩＤ」という）及び患者の識別情報（以下、「患者ＩＤ」という）と対応付けて記憶されている。

類似症例画像検索システム１００は、機能的には、図１に示すように、算出部１２及び判定部１４を含むびまん性症例画像判定部１０と、登録部１６と、検索部１８とを含む。また、類似症例画像検索システム１００の所定の記憶領域には、特徴量辞書２０が記憶される。

算出部１２は、入力された医用画像において、肺野の各位置に対する異常陰影の分布を示すヒストグラムを算出する。

具体的には、算出部１２は、ＣＴ画像のスライス画像から、例えば、輪郭抽出処理などにより、肺野領域を抽出する。肺野領域の抽出は、ＣＴ画像を構成する全スライス画像に対して行ってもよいし、一定枚数毎に対象となるスライス画像を選択して行ってもよい。

算出部１２は、肺野領域を抽出したスライス画像を、例えば１６×１６画素や、３２×３２画素毎の格子状に分割する。算出部１２は、格子毎の画像の画素値やパターンなどの特徴と予め定めた異常陰影の特徴とを照合することにより、各格子部分が異常陰影であるか否か、異常陰影である場合にはその種類を識別する。異常陰影の種類は、例えば、ＧＧＯ（Ground Glass Opacity）、コンソリデーション、蜂巣状陰影（ハニカム）などである。

なお、異常陰影の識別処理は、複数枚の連続するスライス画像に対して、立体格子状の分割を行い、立体格子毎の画像について行ってもよい。

算出部１２は、異常陰影の種類毎に、左右それぞれの肺に対して、肺の中枢領域及び末梢領域毎に、各スライス画像から識別された異常陰影を示す格子の数を計数する。そして、算出部１２は、図３に示すように、各スライス画像の撮影位置に応じて、計数した格子の数を体軸方向（肺野の上中下方向）に沿って統合したヒストグラムを算出する。

登録部１６は、医用画像ＤＢ３０に記憶された各医用画像について、算出部１２で算出されたヒストグラムを、各医用画像の特徴量として、画像ＩＤと対応付けて、図４に示すように、特徴量辞書２０に登録する。

ここで、通常であれば、類似症例画像を検索する際、クエリ画像から算出されたヒストグラムと、特徴量辞書２０に登録されたヒストグラムとを照合することにより、クエリ画像に類似する医用画像が検索される。しかし、医用画像ＤＢ３０に記憶された医用画像が大量である場合には、照合処理に時間を要してしまう。

そこで、本実施形態では、医用画像ＤＢ３０に記憶された医用画像のうち、びまん性肺疾患の医用画像に絞り込んで、検索処理を実行する。

びまん性肺疾患では、病気によって異常陰影の分布に特性があり、特性が類似する症例は同じ病気である可能性が高い。よって、びまん性肺疾患の場合、異常陰影の分布を示すヒストグラムは、ある特性を示す場合が多い。図５は、びまん性肺疾患の医用画像についての異常陰影の分布を示すヒストグラムの一例である。この例では、異常陰影は上肺野に集中しており、体軸方向の上部に対応するヒストグラムの位置にピークがあることがわかる。

一方、びまん性肺疾患ではない症例の医用画像は、基本的には異常陰影が含まれないが、陰影識別の誤識別により異常陰影が誤って抽出されることがある。このとき、誤って抽出される異常陰影が出現する位置はランダムである場合が多く、図６に示すように、ヒストグラムも特定のピークなどの特性を示すことは少ない。

そこで、判定部１４は、医用画像ＤＢ３０に記憶された各医用画像についてのヒストグラムのピークが、びまん性肺疾患の医用画像の特徴を示す度合いに基づいて、各医用画像がびまん性肺疾患の医用画像か否かを判定する。

具体的には、判定部１４は、びまん性肺疾患の医用画像についてのヒストグラムの特徴を示す混合分布に対する、各医用画像についてのヒストグラムの尤度が高い場合に、その医用画像をびまん性肺疾患の医用画像であると判定する。図５に示すように、びまん性肺疾患の医用画像における異常陰影の分布を示すヒストグラムは特定のピーク（複数のピークの場合あり）を示す。一方、図６に示すように、びまん性肺疾患ではない医用画像における異常陰影の分布を示すヒストグラムは特定のピークを示さない。本実施形態では、このことを利用する。すなわち、びまん性肺疾患の医用画像についてのヒストグラムの特徴を示す混合分布として、混合分布に含まれる分布の数が、びまん性肺疾患の医用画像における異常陰影の分布を示すヒストグラムに想定されるピーク数を示す所定範囲内（例えば、１〜５）である混合分布を用いる。

例えば、判定部１４は、ガウス分布の個数を１、２、３、・・・と振った混合ガウスモデル（ＧＭＭ、Gaussian Mixture Model）のそれぞれに対する、各医用画像についてのヒストグラムの尤度を算出する。尤度としては、例えば、下記（１）式に示すベイズ情報量規準（ＢＩＣ、Bayesian Information Criterion）を用いることができる。

ＢＩＣ＝−２ｌｏｇＬ＋ＭｌｏｇＮ ・・・（１）

ここで、ＬはＧＭＭとヒストグラムとの一致度であり、例えば、ＧＭＭに含まれる各ガウス分布の平均及び分散を変更しながら、ＧＭＭとヒストグラムとの各位置（各ビン）の値の差の和が最小となるときの差の和が小さいほど大きくなる値である。また、Ｍはガウス分布の平均や分散などのパラメータの数、Ｎはヒストグラムのビンの数である。

判定部１４は、ガウス分布の個数が異なるＧＭＭ毎に算出したＢＩＣの最小値が、所定の閾値よりも小さい場合に、その医用画像を、びまん性肺疾患の医用画像であると判定する。図７に、ＧＭＭに含まれるガウス分布の個数が２個の場合に、ＢＩＣが最小となる場合の例を示す。

検索部１８は、医用画像ＤＢ３０に記憶された医用画像のうち、判定部１４により、びまん性肺疾患の医用画像であると判定された医用画像と、クエリ画像として入力された医用画像とで、特徴量間の類似度を算出する。特徴量間の類似度、すなわちヒストグラム間の類似度は、例えば、各ビンの値の差の和に基づく値などとすることができる。検索部１８は、異常陰影の種類毎に、右肺の抹消、右肺の中枢、左肺の中枢、左肺の抹消の各ヒストグラム間の類似度の和を算出し、いずれかの異常陰影の種類で、類似度が所定の閾値以上となる医用画像を抽出する。

検索部１８は、抽出した医用画像を、類似度が閾値を超えた異常陰影の種類を明示すると共に、類似度が高い順に表示する。

類似症例画像検索システム１００は、例えば図８に示すコンピュータ４０で実現することができる。コンピュータ４０は、ＣＰＵ（Central Processing Unit）４１と、一時記憶領域としてのメモリ４２と、不揮発性の記憶部４３とを備える。また、コンピュータ４０は、入力部、表示部等の入出力装置４４と、記憶媒体４９に対するデータの読み込み及び書き込みを制御するＲ／Ｗ（Read/Write）部４５とを備える。また、コンピュータ４０は、インターネット等のネットワークに接続される通信Ｉ／Ｆ（Interface）４６を備える。ＣＰＵ４１、メモリ４２、記憶部４３、入出力装置４４、Ｒ／Ｗ部４５、及び通信Ｉ／Ｆ４６は、バス４７を介して互いに接続される。

記憶部４３は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、フラッシュメモリ等によって実現できる。記憶媒体としての記憶部４３には、コンピュータ４０を、類似症例画像検索システム１００として機能させるための類似症例画像検索プログラム５０が記憶される。類似症例画像検索プログラム５０は、算出プロセス６２及び判定プロセス６４を含むびまん性症例画像判定プログラム６０と、登録プロセス６６と、検索プロセス６８とを有する。また、記憶部４３は、特徴量辞書２０を構成する情報が記憶される情報記憶領域７０を有する。

ＣＰＵ４１は、類似症例画像検索プログラム５０を記憶部４３から読み出してメモリ４２に展開し、類似症例画像検索プログラム５０が有するプロセスを順次実行する。ＣＰＵ４１は、算出プロセス６２を実行することで、図１に示す算出部１２として動作する。また、ＣＰＵ４１は、判定プロセス６４を実行することで、図１に示す判定部１４として動作する。また、ＣＰＵ４１は、登録プロセス６６を実行することで、図１に示す登録部１６として動作する。また、ＣＰＵ４１は、検索プロセス６８を実行することで、図１に示す検索部１８として動作する。また、ＣＰＵ４１は、情報記憶領域７０から情報を読み出して、特徴量辞書２０をメモリ４２に展開する。これにより、類似症例画像検索プログラム５０を実行したコンピュータ４０が、類似症例画像検索システム１００として機能することになる。なお、プログラムを実行するＣＰＵ４１はハードウェアである。

なお、類似症例画像検索プログラム５０により実現される機能は、例えば半導体集積回路、より詳しくはＡＳＩＣ（Application Specific Integrated Circuit）等で実現することも可能である。

次に、第１実施形態に係る類似症例画像検索システム１００の作用について説明する。医用画像ＤＢ３０に記憶された医用画像の各々の特徴量の登録が指示されると、類似症例画像検索システム１００において、図９に示す辞書登録処理が実行される。また、クエリ画像が指定されて、類似症例の検索が指示されると、類似症例画像検索システム１００において、図１０に示す検索処理が実行される。

まず、図９を参照して辞書登録処理について説明する。

ステップＳ１２で、算出部１２が、医用画像ＤＢ３０から、複数のスライス画像で構成されたＣＴ画像である医用画像を１組取得する。

次に、ステップＳ１４で、算出部１２が、各スライス画像から、例えば、輪郭抽出処理などにより、肺野領域を抽出する。そして、算出部１２は、肺野領域を抽出したスライス画像を格子状に分割する。そして、算出部１２は、格子毎の画像の画素値やパターンなどの特徴と予め定めた異常陰影の特徴とを照合することにより、各格子部分が異常陰影であるか否か、異常陰影である場合にはその種類を識別する。

次に、ステップＳ１６で、算出部１２が、異常陰影の種類毎に、左右それぞれの肺に対して、肺の中枢領域及び末梢領域毎に、上記ステップＳ１６で各スライス画像から識別した異常陰影を示す格子の数を計数する。そして、算出部１２は、各スライス画像の撮影位置に応じて、計数した格子の数を体軸方向（肺野の上中下方向）に沿って統合したヒストグラムを算出する。なお、ここでは、算出部１２が、ステップＳ１４からＳ１６において、異常陰影を示す格子の数により異常陰影の度合いを算出する例を説明したが、これに限定されない。各スライス画像についての異常陰影の出現の度合いは、格子の数だけでなく、肺野に対する異常陰影の面積比等、他の方法でも算出可能である。

次に、ステップＳ１８で、登録部１６が、上記ステップＳ１６で算出されたヒストグラムを、上記ステップＳ１２で取得した医用画像の特徴量として、画像ＩＤと対応付けて特徴量辞書２０に登録する。

次に、ステップＳ２０で、算出部１２が、医用画像ＤＢ３０に記憶された全ての医用画像について、特徴量を登録する処理が終了したか否かを判定する。未処理の医用画像が存在する場合には、ステップＳ１２に戻り、全ての医用画像が処理済みの場合には、辞書登録処理は終了する。

次に、図１０を参照して、検索処理について説明する。

ステップＳ３２で、算出部１２が、入力されたクエリ画像を取得する。次に、ステップＳ３４及びＳ３６で、辞書登録処理（図９）のステップＳ１４及びＳ１６と同様に、クエリ画像について、異常陰影の分布を示すヒストグラムを算出する。

次に、ステップＳ３８で、判定部１４が、特徴量辞書２０から１つの画像ＩＤに対応付けられたヒストグラムを選択する。

次に、ステップＳ４０で、判定部１４は、ガウス分布の個数ｎを１、２、３、・・・と振ったＧＭＭのそれぞれに対する、上記ステップＳ３８で選択したヒストグラムの尤度として、例えば、（１）式に示すＢＩＣを算出する。

次に、ステップＳ４２で、判定部１４が、ガウス分布の個数が異なるＧＭＭ毎に算出したＢＩＣの最小値を選択し、そのＢＩＣが閾値ＴＨ１よりも小さいか否かを判定する。ＢＩＣ＜ＴＨ１の場合には、ステップＳ４４へ移行し、判定部１４が、上記ステップＳ３８で選択したヒストグラムに対応する医用画像を、びまん性肺疾患の医用画像であると判定する。一方、ＢＩＣ≧ＴＨ１の場合には、ステップＳ４６へ移行する。

ステップＳ４６では、判定部１４が、特徴量辞書２０に登録された全ての画像ＩＤに対応するヒストグラムが選択されたか否かを判定する。未選択のヒストグラムが存在する場合には、ステップＳ３８に戻り、全てのヒストグラムが選択済みの場合には、ステップＳ４８へ移行する。

ステップＳ４８では、検索部１８が、医用画像ＤＢ３０に記憶された医用画像のうち、上記ステップＳ４４で、びまん性肺疾患の医用画像であると判定された医用画像と、クエリ画像とで、特徴量（ヒストグラム）間の類似度を算出する。

次に、ステップＳ５０で、検索部１８が、いずれかの異常陰影の種類で、上記ステップＳ４８で算出した類似度が所定の閾値以上となる医用画像を抽出する。そして、検索部１８は、抽出した医用画像を、類似度が閾値を超えた異常陰影の種類を明示すると共に、類似度が高い順に表示し、検索処理は終了する。

以上説明したように、第１実施形態に係る類似症例画像検索システムによれば、びまん性症例画像判定部が、肺野のＣＴ画像である医用画像において、肺野の各位置に対する異常陰影の分布を示すヒストグラムを算出する。そして、ヒストグラムのピークが、びまん性肺疾患の特性を示すか否かにより、びまん性肺疾患の医用画像か否かを判定する。これにより、異常陰影を示す格子の総量を単純に閾値判定する場合に比べ、びまん性肺疾患の医用画像を精度良く判定することができる。

また、びまん性肺疾患の医用画像を精度良く判定することができることにより、医用画像ＤＢに大量の医用画像が蓄積されている場合でも、びまん性肺疾患の医用画像を精度良く絞り込んだ上で、類似症例画像を検索することができる。これにより、類似症例画像の検索を高速化することができる。

＜第２実施形態＞
次に、第２実施形態について説明する。なお、第２実施形態に係る類似症例画像検索システムにおいて、第１実施形態に係る類似症例画像検索システム１００と同様の部分については、同一符号を付して詳細な説明を省略する。

図１に示すように、類似症例画像検索システム２００は、機能的には、算出部２１２及び判定部２１４を含むびまん性症例画像判定部２１０と、登録部１６と、検索部１８とを含む。また、類似症例画像検索システム２００の所定の記憶領域には、特徴量辞書２０が記憶される。

第１実施形態では、異常陰影の分布を示すヒストグラムのピークが、びまん性肺疾患の特性を示すか否かにより、びまん性肺疾患の医用画像か否かを判定する場合について説明した。これは、異常陰影の誤識別へ対処する手法である。しかし、異常陰影の誤識別が血管などの特定の箇所で発生する場合があり、このような場合には、びまん性肺疾患ではない症例でも、異常陰影の分布を示すヒストグラムに、何らかの特性が出る可能性がある。

例えば、図１１に示すように、血管の一部（図１１中の点線の四角）が蜂巣状陰影と誤識別されることが多いため、びまん性肺疾患の症例ではなくても、血管が明瞭に現れる中肺野付近に異常陰影の分布のピークを示すヒストグラムが算出される場合がある。

そこで、第２実施形態では、症例の経時変化に着目する。具体的には、びまん性肺疾患の症例では、異常陰影は経時的に変化する。具体的には、時間の経過と共に異常陰影の領域が拡大したり、治療により異常陰影の領域が縮小したりする。したがって、びまん性肺疾患の症例では、異常陰影の分布を示すヒストグラムにおいて、特性を示すピークのある周辺ではヒストグラムの値が経時的に変化する。

一方、びまん性肺疾患ではない症例において、異常陰影と誤識別された部分は、そもそも異常陰影ではないため、経時的に変化しない。したがって、びまん性肺疾患ではない症例では、異常陰影の分布を示すヒストグラムにおいて、何らかの特性を示すピークが表れているとしても、その特性を示すピークのある周辺でヒストグラムの値は経時的に変化しない。

そこで、第２実施形態における算出部２１２は、第１実施形態と同様に各医用画像について、異常陰影の分布を示すヒストグラムを算出する。さらに、算出部２１２は、判定対象の医用画像についてのヒストグラムと、判定対象の医用画像と同一の患者についての医用画像で、かつ判定対象の医用画像とは撮影時が異なる医用画像についてのヒストグラムとの差分のヒストグラムを算出する。

具体的には、図１２の上段の図に示すように、判定対象の医用画像についてのヒストグラムをヒストグラムｈ_０、判定対象の医用画像と同一の患者について過去に撮影された医用画像についてのヒストグラムをヒストグラムｈ_−１とする。算出部２１２は、ヒストグラムｈ_０とヒストグラムｈ_−１との各ビンの値の差を、新たにビンの値とする差分ヒストグラムｄを算出する。なお、特徴量辞書２０に記憶するヒストグラムに、画像ＩＤに加え、患者ＩＤ及び撮影日時を対応付けておくことで、ヒストグラムｈ_−１を抽出することができる。

判定部２１４は、ヒストグラムｈ_０及び差分ヒストグラムｄの各々からピーク群を抽出する。例えば、判定部２１４は、図１２の下段に示す図のように、ＧＭＭに対するヒストグラムの尤度を示すＢＩＣが最小となる場合の、ＧＭＭに含まれるガウス分布の数を、そのヒストグラムに含まれるピークの個数とする。また、判定部２１４は、そのときのＧＭＭに含まれるガウス分布を、ヒストグラムを最も近似する複数のガウス分布とし、複数のガウス分布の各々の平均を、ピークを与える位置（座標値）として算出する。ここでは、ヒストグラムｈ_０における位置が小さい方からｉ番目のピークの位置をｐ_０ ^ｉと表し、差分ヒストグラムｄにおける位置が小さい方からｊ番目のピークの位置をｐ_ｄ ^ｊと表す。したがって、ヒストグラムｈ_０からはピーク群｛ｐ_０ ^ｉ｝が抽出され、差分ヒストグラムｄからはピーク群｛ｐ_ｄ ^ｊ｝が抽出される。

また、判定部２１４は、ヒストグラムｈ_０のピーク群｛ｐ_０ ^ｉ｝と、差分ヒストグラムｄのピーク群｛ｐ_ｄ ^ｊ｝との距離を算出する。具体的には、判定部２１４は、ヒストグラムｈ_０におけるピークの位置ｐ_０ ^ｉと、そのピークに対応する差分ヒストグラムｄにおけるピークの位置ｐ_ｄ ^ｊとの距離の全ピーク分の和を、ピーク群｛ｐ_０ ^ｉ｝とピーク群｛ｐ_ｄ ^ｊ｝との距離として算出する。ピークの位置ｐ_０ ^ｉに対応するピークの位置ｐ_ｄ ^ｊは、ピークの位置ｐ_０ ^ｉとの距離が最小となるピークの位置ｐ_ｄ ^ｊである。すなわち、判定部２１４は、下記（２）式により、ヒストグラムｈ_０のピーク群｛ｐ_０ ^ｉ｝と、差分ヒストグラムｄのピーク群｛ｐ_ｄ ^ｊ｝との距離ｄｉｓを算出する。

判定部２１４は、距離ｄｉｓが所定の閾値よりも小さい場合に、判定対象の医用画像がびまん性肺疾患の医用画像であると判定する。

例えば、図１３に示すように、びまん性肺疾患の医用画像についてのヒストグラムｈ_０から、ピークの位置ｐ_０ ^１及びｐ_０ ^２が抽出されたとする。上述したように、びまん性肺疾患の場合、異常陰影の領域は、経時的に拡大又は縮小するため、過去に撮影された医用画像についてのヒストグラムｈ_−１においても、ピークの位置ｐ_０ ^１及びｐ_０ ^２に近い位置にピークが存在し、その値に差が生じる。そのため、差分ヒストグラムｄからも、ピークの位置ｐ_０ ^１及びｐ_０ ^２に近い位置ｐ_ｄ ^１及びｐ_ｄ ^２でピークが抽出され、結果として、距離ｄｉｓが小さな値となる。図１３の例では、｜ｐ_０ ^１−ｐ_ｄ ^１｜及び｜ｐ_０ ^２−ｐ_ｄ ^２｜がそれぞれ小さな値であるため、ｄｉｓ＝｜ｐ_０ ^１−ｐ_ｄ ^１｜＋｜ｐ_０ ^２−ｐ_ｄ ^２｜も小さくなる。

一方、図１４に示すように、びまん性肺疾患ではない医用画像についてのヒストグラムｈ_０から、ピークの位置ｐ_０ ^１が抽出されたとする。上述したように、びまん性肺疾患ではない場合、異常陰影の領域は変化しないため、ヒストグラムｈ_０と、過去に撮影された医用画像についてのヒストグラムｈ_−１とで、ピークの位置ｐ_０ ^１の値に差が生じない。そのため、差分ヒストグラムｄからは、ピークの位置ｐ_０ ^１付近でピークが抽出されず、結果として、距離ｄｉｓが大きな値となる。図１４の例では、差分ヒストグラムｄから抽出されたピークの位置ｐ_ｄ ^１及びｐ_ｄ ^２のうち、ヒストグラムｈ_０から抽出されたピークの位置ｐ_０ ^１との距離が近い方のピークの位置ｐ_ｄ ^１であっても、｜ｐ_０ ^１−ｐ_ｄ ^１｜の値が大きくなっている。したがって、ｄｉｓ＝｜ｐ_０ ^１−ｐ_ｄ ^１｜も大きくなる。

類似症例画像検索システム２００は、例えば図８に示すコンピュータ４０で実現することができる。コンピュータ４０の記憶部４３には、コンピュータ４０を、類似症例画像検索システム２００として機能させるための類似症例画像検索プログラム２５０が記憶される。類似症例画像検索プログラム２５０は、算出プロセス２６２及び判定プロセス２６４を含むびまん性症例画像判定プログラム２６０と、登録プロセス６６と、検索プロセス６８とを有する。また、記憶部４３は、特徴量辞書２０を構成する情報が記憶される情報記憶領域７０を有する。

ＣＰＵ４１は、類似症例画像検索プログラム２５０を記憶部４３から読み出してメモリ４２に展開し、類似症例画像検索プログラム２５０が有するプロセスを順次実行する。ＣＰＵ４１は、算出プロセス２６２を実行することで、図１に示す算出部２１２として動作する。また、ＣＰＵ４１は、判定プロセス２６４を実行することで、図１に示す判定部２１４として動作する。他のプロセスについては、第１実施形態に係る類似症例画像検索プログラム５０と同様である。これにより、類似症例画像検索プログラム２５０を実行したコンピュータ４０が、類似症例画像検索システム２００として機能することになる。

なお、類似症例画像検索プログラム２５０により実現される機能は、例えば半導体集積回路、より詳しくはＡＳＩＣ等で実現することも可能である。

次に、第２実施形態に係る類似症例画像検索システム２００の作用について説明する。第２実施形態では、検索処理が第１実施形態と異なるため、図１５を参照して、第２実施形態における検索処理について説明する。なお、第２実施形態の検索処理において、第１実施形態の検索処理（図１０）と同一の処理については、同一符号を付して詳細な説明を省略する。

ステップＳ３２〜Ｓ３６を経て、次のステップＳ３８で、算出部２１２が、特徴量辞書２０から１つの画像ＩＤに対応付けられたヒストグラムを選択し、このヒストグラムをヒストグラムｈ_０とする。

次に、ステップＳ２０２で、算出部２１２が、ヒストグラムｈ_０が示す判定対象の医用画像と同一の患者について過去に撮影された医用画像についてのヒストグラムを、特徴量辞書２０から抽出し、ヒストグラムｈ_−１とする。そして、算出部２１２は、ヒストグラムｈ_０とヒストグラムｈ_−１との差分ヒストグラムｄを算出する。

次に、ステップＳ２０４で、判定部２１４が、ヒストグラムｈ_０からピーク群｛ｐ_０ ^ｉ｝を抽出し、差分ヒストグラムｄからピーク群｛ｐ_ｄ ^ｊ｝を抽出する。そして、判定部２１４は、ヒストグラムｈ_０のピーク群｛ｐ_０ ^ｉ｝と、差分ヒストグラムｄのピーク群｛ｐ_ｄ ^ｊ｝との距離ｄｉｓを、例えば上記（２）式により算出する。

次に、ステップＳ２０６で、判定部２１４が、上記ステップＳ２０４で算出した距離ｄｉｓが閾値ＴＨ２よりも小さいか否かを判定する。ｄｉｓ＜ＴＨ２の場合には、ステップＳ４４へ移行し、判定部２１４が、上記ステップＳ３８で選択したヒストグラムに対応する医用画像を、びまん性肺疾患の医用画像であると判定する。一方、ｄｉｓ≧ＴＨ２の場合には、ステップＳ４６へ移行する。

以上説明したように、第２実施形態に係る類似症例画像検索システムによれば、びまん性症例画像判定部が、肺野のＣＴ画像である医用画像において、肺野の各位置に対する異常陰影の分布を示すヒストグラムを算出する。また、判定対象の医用画像についてのヒストグラムと過去のヒストグラムとの差分ヒストグラムを算出し、判定対象の医用画像についてのヒストグラムと差分ヒストグラムとでピーク群間の距離を算出する。そして、ピーク群間の距離が所定の閾値より小さいか否かにより、びまん性肺疾患の医用画像か否かを判定する。これにより、異常陰影の誤識別によりヒストグラムに何らかの特性を示すピークが表れている医用画像であっても、びまん性肺疾患の医用画像から精度良く除外することができる。

なお、上記各実施形態では、びまん性症例として、びまん性肺疾患を例に説明したが、びまん性肺疾患以外のびまん性症例の医用画像であっても、異常陰影の分布をヒストグラム化できる医用画像であれば、開示の技術を適用可能である。

また、上記各実施形態では、びまん性症例画像判定システムの一例であるびまん性症例画像判定部が類似症例画像検索システムに組み込まれている例について説明したが、びまん性症例画像判定システムの用途は、類似症例画像検索のための絞り込みに限定されない。例えば、診断の支援として、びまん性症例画像判定システムの判定結果を用いるなど、他の用途で用いてもよい。

また、上記各実施形態では、類似症例画像の検索時に、びまん性症例画像を絞り込む際にびまん性症例画像判定部が機能する場合について説明したが、これに限定されない。特徴量を辞書に登録する際に、びまん性症例画像か否かを判定して、特徴量と共に判定結果を辞書に登録するようにしてもよい。

また、類似症例画像の検索時に、びまん性症例画像を絞り込む場合において、異なる絞込みの方法を段階的に適用してもよい。例えば、図１０に示す検索処理のステップＳ３６〜Ｓ４６の処理に代えて、図１６に示す絞り込み処理を実行するようにしてもよい。

具体的には、ステップＳ６０で、絞り込み処理１として、各医用画像において、異常陰影と識別された格子の総量が閾値以上の医用画像を、びまん性症例候補の医用画像として絞り込む。次に、ステップＳ６２で、絞り込み処理２として、上記ステップＳ６０で絞り込まれたびまん性症例候補の医用画像から、第１実施形態の手法により、更に候補を絞り込む。次に、ステップＳ６４で、絞り込み処理３として、上記ステップＳ６２で絞り込まれたびまん性症例候補の医用画像から、第２実施形態の手法により、最終的なびまん性症例の医用画像を判定する。これにより、効率的にびまん性症例画像を絞り込むことができる。

また、類似症例画像の検索の目的や用途に応じて、上記絞り込み処理１〜３を選択的に採用してもよい。

また、上記各実施形態では、びまん性症例画像判定部を含む類似症例画像検索システムを構成する各機能部が１つのコンピュータで実現されている場合について説明したが、これに限定されない。各機能部をそれぞれ異なるコンピュータに分散させて実現してもよい。

また、上記各実施形態では、びまん性症例画像判定プログラムを含む類似症例画像検索プログラムが記憶部に予め記憶（インストール）されている態様を説明したが、これに限定されない。開示の技術に係るプログラムは、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、ＵＳＢメモリ等の記憶媒体に記憶された形態で提供することも可能である。

以上の各実施形態に関し、更に以下の付記を開示する。

（付記１）
人体の所定部位を撮影した医用画像において、前記所定部位の各位置に対する異常陰影の分布を示すヒストグラムを算出し、
前記ヒストグラムのピークが、びまん性症例の医用画像の特徴を示す度合いに基づいて、前記医用画像がびまん性症例の医用画像か否かを判定する
ことを含む処理をコンピュータに実行させるためのびまん性症例画像判定プログラム。

（付記２）
前記びまん性症例の医用画像の特徴を示す混合分布に対する前記ヒストグラムの尤度を、前記度合いとする付記１に記載のびまん性症例画像判定プログラム。

（付記３）
前記びまん性症例の医用画像の特徴を示す混合分布は、前記混合分布に含まれる分布の数が所定範囲内である付記２に記載のびまん性症例画像判定プログラム。

（付記４）
人体の所定部位を撮影した医用画像において、前記所定部位の各位置に対する異常陰影の分布を示すヒストグラムを算出し、
判定対象の第１の医用画像のヒストグラムと、前記第１の医用画像とは撮影時が異なる第２の医用画像のヒストグラムとの差分のヒストグラムを算出し、
前記第１の医用画像のヒストグラムにおけるピーク群と、前記差分のヒストグラムにおけるピーク群との距離に基づいて、前記第１の医用画像がびまん性症例の医用画像か否かを判定する
ことを含む処理をコンピュータに実行させるためのびまん性症例画像判定プログラム。

（付記５）
前記距離が所定値以下の場合に、前記第１の医用画像がびまん性症例の医用画像であると判定する付記４に記載のびまん性症例画像判定プログラム。

（付記６）
前記第１の医用画像のヒストグラムにおけるピークの位置と、対応する前記差分のヒストグラムにおけるピークの位置との距離の全ピーク分の和を、前記第１の医用画像のヒストグラムにおけるピーク群と、前記差分のヒストグラムにおけるピーク群との距離として算出する付記４又は付記５に記載のびまん性症例画像判定プログラム。

（付記７）
前記対応する前記差分のヒストグラムにおけるピークは、前記第１の医用画像のヒストグラムにおけるピークの位置との距離が最小となるピークである付記６に記載のびまん性症例画像判定プログラム。

（付記８）
記憶装置に記憶された複数の医用画像から、びまん性症例の医用画像と判定された医用画像を抽出し、
抽出された医用画像の中から、クエリとなる医用画像と特徴量が類似する医用画像を検索する
付記１〜付記７のいずれか１項に記載のびまん性症例画像判定プログラム。

（付記９）
人体の所定部位を撮影した医用画像において、前記所定部位の各位置に対する異常陰影の分布を示すヒストグラムを算出する算出部と、
前記ヒストグラムのピークが、びまん性症例の医用画像の特徴を示す度合いに基づいて、前記医用画像がびまん性症例の医用画像か否かを判定する判定部と、
を含むびまん性症例画像判定装置。

（付記１０）
前記びまん性症例の医用画像の特徴を示す混合分布に対する前記ヒストグラムの尤度を、前記度合いとする付記９に記載のびまん性症例画像判定装置。

（付記１１）
前記びまん性症例の医用画像の特徴を示す混合分布は、前記混合分布に含まれる分布の数が所定範囲内である付記１０に記載のびまん性症例画像判定装置。

（付記１２）
人体の所定部位を撮影した医用画像において、前記所定部位の各位置に対する異常陰影の分布を示すヒストグラムを算出すると共に、判定対象の第１の医用画像のヒストグラムと、前記第１の医用画像とは撮影時が異なる第２の医用画像のヒストグラムとの差分のヒストグラムを算出する算出部と、
前記第１の医用画像のヒストグラムにおけるピーク群と、前記差分のヒストグラムにおけるピーク群との距離に基づいて、前記第１の医用画像がびまん性症例の医用画像か否かを判定する判定部と、
を含むびまん性症例画像判定装置。

（付記１３）
前記判定部は、前記距離が所定値以下の場合に、前記第１の医用画像がびまん性症例の医用画像であると判定する付記１２に記載のびまん性症例画像判定装置。

（付記１４）
前記判定部は、前記第１の医用画像のヒストグラムにおけるピークの位置と、対応する前記差分のヒストグラムにおけるピークの位置との距離の全ピーク分の和を、前記第１の医用画像のヒストグラムにおけるピーク群と、前記差分のヒストグラムにおけるピーク群との距離として算出する付記１２又は付記１３に記載のびまん性症例画像判定装置。

（付記１５）
前記対応する前記差分のヒストグラムにおけるピークは、前記第１の医用画像のヒストグラムにおけるピークの位置との距離が最小となるピークである付記１４に記載のびまん性症例画像判定装置。

（付記１６）
記憶装置に記憶された複数の医用画像から、びまん性症例の医用画像と判定された医用画像を抽出し、抽出された医用画像の中から、クエリとなる医用画像と特徴量が類似する医用画像を検索する検索部を更に含む付記９〜付記１５のいずれか１項に記載のびまん性症例画像判定装置。

（付記１７）
人体の所定部位を撮影した医用画像において、前記所定部位の各位置に対する異常陰影の分布を示すヒストグラムを算出し、
前記ヒストグラムのピークが、びまん性症例の医用画像の特徴を示す度合いに基づいて、前記医用画像がびまん性症例の医用画像か否かを判定する
ことを含む処理をコンピュータが実行するびまん性症例画像判定方法。

（付記１８）
人体の所定部位を撮影した医用画像において、前記所定部位の各位置に対する異常陰影の分布を示すヒストグラムを算出し、
判定対象の第１の医用画像のヒストグラムと、前記第１の医用画像とは撮影時が異なる第２の医用画像のヒストグラムとの差分のヒストグラムを算出し、
前記第１の医用画像のヒストグラムにおけるピーク群と、前記差分のヒストグラムにおけるピーク群との距離に基づいて、前記第１の医用画像がびまん性症例の医用画像か否かを判定する
ことを含む処理をコンピュータが実行するびまん性症例画像判定方法。

（付記１９）
人体の所定部位を撮影した医用画像において、前記所定部位の各位置に対する異常陰影の分布を示すヒストグラムを算出し、
前記ヒストグラムのピークが、びまん性症例の医用画像の特徴を示す度合いに基づいて、前記医用画像がびまん性症例の医用画像か否かを判定する
ことを含む処理をコンピュータに実行させるためのびまん性症例画像判定プログラムを記憶した記憶媒体。

（付記２０）
人体の所定部位を撮影した医用画像において、前記所定部位の各位置に対する異常陰影の分布を示すヒストグラムを算出し、
判定対象の第１の医用画像のヒストグラムと、前記第１の医用画像とは撮影時が異なる第２の医用画像のヒストグラムとの差分のヒストグラムを算出し、
前記第１の医用画像のヒストグラムにおけるピーク群と、前記差分のヒストグラムにおけるピーク群との距離に基づいて、前記第１の医用画像がびまん性症例の医用画像か否かを判定する
ことを含む処理をコンピュータに実行させるためのびまん性症例画像判定プログラムを記憶した記憶媒体。

１０、２１０ びまん性症例画像判定部
１２、２１２ 算出部
１４、２１４ 判定部
１６ 登録部
１８ 検索部
２０ 特徴量辞書
３０ 医用画像ＤＢ
４０ コンピュータ
４１ ＣＰＵ
４２ メモリ
４３ 記憶部
４９ 記憶媒体
５０、２５０ 類似症例画像検索プログラム
６０、２６０ びまん性症例画像判定プログラム
１００、２００ 類似症例画像検索システム

Claims (12)

1. 人体の所定部位を撮影して得られた断面画像群のそれぞれの画像における異常陰影の出現度合いに基づき、前記所定部位の各位置に対する異常陰影についてのヒストグラムを算出し、
   前記ヒストグラムの形状がびまん性症例のヒストグラムの特徴と類似する度合いに基づいて、前記断面画像群がびまん性症例を示すか否かを判定する
   ことを含む処理をコンピュータに実行させるためのびまん性症例画像判定プログラム。
2. 前記びまん性症例の断面画像群の特徴を示す混合分布に対する前記ヒストグラムの尤度を、前記度合いとする請求項１に記載のびまん性症例画像判定プログラム。
3. 前記びまん性症例の断面画像群の特徴を示す混合分布は、前記混合分布に含まれる分布の数が所定範囲内である請求項２に記載のびまん性症例画像判定プログラム。
4. 人体の所定部位を撮影して得られた断面画像群のそれぞれの画像における異常陰影の出現度合いに基づき、前記所定部位の各位置に対する異常陰影についてのヒストグラムを算出し、
   判定対象の第１の断面画像群のヒストグラムと、前記第１の断面画像群とは撮影時が異なる第２の断面画像群のヒストグラムとの差分のヒストグラムを算出し、
   前記第１の断面画像群のヒストグラムにおけるピーク群と、前記差分のヒストグラムにおけるピーク群との距離に基づいて、前記第１の断面画像群がびまん性症例を示すか否かを判定する
   ことを含む処理をコンピュータに実行させるためのびまん性症例画像判定プログラム。
5. 前記距離が所定値以下の場合に、前記第１の断面画像群がびまん性症例を示すと判定する請求項４に記載のびまん性症例画像判定プログラム。
6. 前記第１の断面画像群のヒストグラムにおけるピークの位置と、対応する前記差分のヒストグラムにおけるピークの位置との距離の全ピーク分の和を、前記第１の断面画像群のヒストグラムにおけるピーク群と、前記差分のヒストグラムにおけるピーク群との距離として算出する請求項４又は請求項５に記載のびまん性症例画像判定プログラム。
7. 前記対応する前記差分のヒストグラムにおけるピークは、前記第１の断面画像群のヒストグラムにおけるピークの位置との距離が最小となるピークである請求項６に記載のびまん性症例画像判定プログラム。
8. 記憶装置に記憶された複数の断面画像群から、びまん性症例を示すと判定された断面画像群を抽出し、
   抽出された断面画像群の中から、クエリとなる断面画像群と特徴量が類似する断面画像群を検索する
   請求項１〜請求項７のいずれか１項に記載のびまん性症例画像判定プログラム。
9. 人体の所定部位を撮影して得られた断面画像群のそれぞれの画像における異常陰影の出現度合いに基づき、前記所定部位の各位置に対する異常陰影についてのヒストグラムを算出する算出部と、
   前記ヒストグラムの形状がびまん性症例のヒストグラムの特徴と類似する度合いに基づいて、前記断面画像群がびまん性症例を示すか否かを判定する判定部と、
   を含むびまん性症例画像判定装置。
10. 人体の所定部位を撮影して得られた断面画像群のそれぞれの画像における異常陰影の出現度合いに基づき、前記所定部位の各位置に対する異常陰影についてのヒストグラムを算出すると共に、判定対象の第１の断面画像群のヒストグラムと、前記第１の断面画像群とは撮影時が異なる第２の断面画像群のヒストグラムとの差分のヒストグラムを算出する算出部と、
    前記第１の断面画像群のヒストグラムにおけるピーク群と、前記差分のヒストグラムにおけるピーク群との距離に基づいて、前記第１の断面画像群がびまん性症例を示すか否かを判定する判定部と、
    を含むびまん性症例画像判定装置。
11. 人体の所定部位を撮影して得られた断面画像群のそれぞれの画像における異常陰影の出現度合いに基づき、前記所定部位の各位置に対する異常陰影についてのヒストグラムを算出し、
    前記ヒストグラムの形状がびまん性症例のヒストグラムの特徴と類似する度合いに基づいて、前記断面画像群がびまん性症例を示すか否かを判定する
    ことを含む処理をコンピュータが実行するびまん性症例画像判定方法。
12. 人体の所定部位を撮影した医用画像において、前記所定部位の各位置に対する異常陰影の分布を示すヒストグラムを算出し、
    判定対象の第１の医用画像のヒストグラムと、前記第１の医用画像とは撮影時が異なる第２の医用画像のヒストグラムとの差分のヒストグラムを算出し、
    前記第１の医用画像のヒストグラムにおけるピーク群と、前記差分のヒストグラムにおけるピーク群との距離に基づいて、前記第１の医用画像がびまん性症例の医用画像か否かを判定する
    ことを含む処理をコンピュータが実行するびまん性症例画像判定方法。