JP2020188872A - 判別装置、学習装置、方法、プログラム、学習済みモデルおよび記憶媒体 - Google Patents

判別装置、学習装置、方法、プログラム、学習済みモデルおよび記憶媒体 Download PDF

Info

Publication number
JP2020188872A
JP2020188872A JP2019094757A JP2019094757A JP2020188872A JP 2020188872 A JP2020188872 A JP 2020188872A JP 2019094757 A JP2019094757 A JP 2019094757A JP 2019094757 A JP2019094757 A JP 2019094757A JP 2020188872 A JP2020188872 A JP 2020188872A
Authority
JP
Japan
Prior art keywords
chest
image
data
possibility
subject
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2019094757A
Other languages
English (en)
Other versions
JP7334900B2 (ja
Inventor
大記 古川
Hiroki Furukawa
大記 古川
横田　秀夫
Hideo Yokota
秀夫 横田
慎太郎 大山
Shintaro Oyama
慎太郎 大山
長谷川　好規
Yoshinori Hasegawa
好規 長谷川
義宗 白鳥
Yoshimune Shiratori
義宗 白鳥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
RIKEN Institute of Physical and Chemical Research
Tokai National Higher Education and Research System NUC
Original Assignee
RIKEN Institute of Physical and Chemical Research
Tokai National Higher Education and Research System NUC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by RIKEN Institute of Physical and Chemical Research, Tokai National Higher Education and Research System NUC filed Critical RIKEN Institute of Physical and Chemical Research
Priority to JP2019094757A priority Critical patent/JP7334900B2/ja
Priority to US16/877,678 priority patent/US11361443B2/en
Publication of JP2020188872A publication Critical patent/JP2020188872A/ja
Application granted granted Critical
Publication of JP7334900B2 publication Critical patent/JP7334900B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30061—Lung
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

【課題】人の肺野における病変可能性をより精度よく判別する技術を実現すること。【解決手段】被検体の胸部断面画像を取得する画像取得部（１１１）と、胸部断面画像を、肺野における病変可能性が有ることを示す第１セグメントを含む複数のセグメントに分類するセグメント化部（１１２）と、胸部断面画像における胸部中央を示す領域から胸部周縁を示す領域までを、分割数および領域間の境界の一方または両方が互いに異なるｎ通りの複数の領域に分割する画像分割部（１１３）と、ｎ通りの複数の領域に含まれる各領域について、当該領域に含まれるセグメントに基づいて、病変可能性に関するデータを導出するデータ導出部（１１４）と、ｎ通りの複数の領域に含まれる各領域について導出されたデータを参照して、被検体の肺野における病変可能性を判別した判別結果を出力する判別部（１１５）とを含む。【選択図】図１

Description

本発明は、人の肺野における病変可能性の判別に関する技術、および、判別に用いるモデルを学習させる技術に関する。
人の肺野における病変可能性を精度よく判別する技術が求められている。例えば、間質性肺炎の代表的な疾患である特発性肺線維症(idiopathic pulmonary fibrosis：ＩＰＦ)は、進行性で予後不良であるため、早期診断および早期治療が重要である。ＩＰＦの診断に関する国際ガイドラインでは、多職種での議論（multi-disciplinary discussion：ＭＤＤ）を経て最終的な診断がなされると規定されている。
しかしながら、ＭＤＤ診断を行う専門家の数が不足しており、一般の呼吸科医による診断は難しいという問題がある。また、ＭＤＤ診断の前に必要となることがある外科的肺生検は、侵襲的で死に至る可能性もある一方で、病理学的診断の一致率は低いとの問題がある。
これらの問題に関連する技術として、非特許文献１には、高精細胸部ＣＴ（Computed Tomography）画像を用いた深層学習によって、間質性肺炎のパターンを認識する技術が開示されている。
また、特許文献１には、間質性肺炎の診断を支援する装置が開示されている。当該装置は、被検体を撮影して得られた胸部断層画像を取得し、胸部断層画像より、胸膜表面から任意に指定された深度で肺辺縁領域を抽出し、肺辺縁領域から１又は複数の特徴量を取得し、１又は複数の特徴量に基づき肺辺縁領域内の病変を判別する。
Bartholmai BJ, Raghunath S, Karwoski RA, Moua T, Rajagopalan S, Maldonado F, Decker PA, Robb RA., "Quantitative Computed Tomography Imaging of Interstitial Lung Diseases.", J Thorac Imaging 2013: 28(5): 298-307
国際公開第２０１７／１５０４９７号（２０１７年９月８日公開）
しかしながら、非特許文献１に記載された技術は、網状影、すりガラス影、蜂巣肺等といった間質性肺炎のパターンを認識するものの、ＩＰＦのような特定の疾患である可能性については、認識されたパターンを参照して人が判別しなければならない。
また、特許文献１に記載された技術は、肺辺縁領域における１又は複数の特徴量に基づいて病変を判別するが、肺辺縁領域以外を考慮しておらず、判別の精度の観点から向上の余地がある。
本発明の一態様は、人の肺野における病変可能性をより精度よく判別する技術を実現することを目的とする。
上記の課題を解決するために、本発明の一態様に係る判別装置は、被検体の胸部断面画像を取得する画像取得部と、前記胸部断面画像を、肺野における病変可能性が有ることを示す第１セグメントを含む複数のセグメントに分類するセグメント化部と、前記胸部断面画像における胸部中央を示す領域から胸部周縁を示す領域までを、分割数および領域間の境界の一方または両方が互いに異なるｎ通り（ｎは２以上の整数）の複数の領域に分割する画像分割部と、前記ｎ通りの複数の領域に含まれる各領域について、当該領域に含まれるセグメントに基づいて、前記病変可能性に関するデータを導出するデータ導出部と、前記ｎ通りの複数の領域に含まれる各領域について導出された前記データを参照して、前記被検体の肺野における前記病変可能性を判別した判別結果を出力する判別部と、を備えている。
本発明の一態様に係る判別装置において、前記画像取得部は、前記被検体の胸部を所定のスライス厚で撮像することにより得られた複数の胸部断面画像のうち２以上の前記胸部断面画像を取得する、ことが好ましい。
本発明の一態様に係る判別装置において、前記複数のセグメントは、前記第１セグメントおよび第２セグメントを含み、前記第１セグメントは、肺野における所定の疾患に関わる病変可能性が有ることを示し、前記第２セグメントは、肺野における前記所定の疾患以外に関わる病変可能性が有ることを示し、前記データ導出部は、前記データとして、前記ｎ通りの複数の領域に含まれる各領域において、当該領域に含まれる前記第１セグメントおよび前記第２セグメントの面積比を導出する、ことが好ましい。
本発明の一態様に係る判別装置において、前記判別部は、前記データに加えて、前記被検体の臨床データを更に参照して、前記判別結果を出力する、ことが好ましい。
本発明の一態様に係る判別装置において、前記第１セグメントは、特発性肺線維症(idiopathic pulmonary fibrosis：ＩＰＦ)の可能性が有ることを示すセグメントであり、前記判別部は、前記判別結果として、前記被検体がＩＰＦに罹患している可能性を示す情報を出力する、ことが好ましい。
上記の課題を解決するために、本発明の一態様に係る学習装置は、被検体の胸部断面画像の少なくとも一部分を示す画像であって、肺野における病変可能性が有ることを示す第１セグメントを含む複数のセグメントに分類された画像を教師データとして取得する教師データ取得部と、前記教師データを用いて、前記胸部断面画像の少なくとも一部分を示す画像を入力として前記第１セグメントを含む複数のセグメントに分類された画像を出力するよう第１モデルを学習させる第１学習部、を備えている。
上記の課題を解決するために、本発明の一態様に係る学習装置は、被検体の胸部断面画像であって、肺野における病変可能性が有ることを示す第１セグメントを含む複数のセグメントに分類された胸部断面画像が、胸部中央を示す領域から胸部周縁を示す領域まで分割された、分割数および領域間の境界の一方または両方が互いに異なるｎ通り（ｎは２以上の整数）の複数の領域に含まれる各領域について、当該領域に含まれるセグメントに基づいて算出された前記病変可能性に関するデータを取得するデータ取得部と、前記データを入力として、前記被検体の肺野における前記病変可能性を判別した判別結果を出力する第２モデルを学習させる第２学習部と、を備えている。
上記の課題を解決するために、本発明の一態様に係る方法は、判別装置を用いて被検体の病変可能性を判別する方法であって、被検体の胸部断面画像を取得するステップと、前記胸部断面画像を、肺野における病変可能性が有ることを示す第１セグメントを含む複数のセグメントに分類するステップと、前記胸部断面画像における胸部中央を示す領域から胸部周縁を示す領域までを、分割数および領域間の境界の一方または両方が互いに異なるｎ通り（ｎは２以上の整数）の複数の領域に分割する画像分割ステップと、前記複数の領域に含まれる各領域について、当該領域に含まれるセグメントに基づいて、前記病変可能性に関するデータを導出するデータ導出ステップと、前記複数の領域に含まれる各領域について導出された前記データを参照して、前記被検体の肺野における前記病変可能性を判別した判別結果を出力するステップと、を含む。
上記の課題を解決するために、本発明の一態様に係るプログラムは、上述の判別装置としてコンピュータを機能させるためのプログラムであって、コンピュータを上記各部として機能させる。
上記の課題を解決するために、本発明の一態様に係る方法は、学習装置を用いて第１モデルを学習させる方法であって、被検体の胸部断面画像の少なくとも一部分を示す画像であって、肺野における病変可能性が有ることを示す第１セグメントを含むセグメントに分類された画像を教師データとして取得するステップと、前記教師データを用いて、前記胸部断面画像の少なくとも一部分を示す画像を入力として前記第１セグメントを含む複数のセグメントに分類された画像を出力するよう前記第１モデルを学習させるステップと、を含む。
上記の課題を解決するために、本発明の一態様に係るプログラムは、上述の学習装置としてコンピュータを機能させるためのプログラムであって、コンピュータを上記各部として機能させる。
上記の課題を解決するために、本発明の一態様に係る方法は、学習装置を用いて第２モデルを学習させる方法であって、被検体の胸部断面画像であって、肺野における病変可能性が有ることを示す第１セグメントを含む複数のセグメントに分類された胸部断面画像が、胸部中央を示す領域から胸部周縁を示す領域まで分割された、分割数および領域間の境界の一方または両方が互いに異なるｎ通り（ｎは２以上の整数）複数の領域の各々について、当該領域に含まれるセグメントに基づいて算出された前記病変可能性に関するデータを取得するステップと、前記データを入力として、前記被検体の肺野における前記病変可能性を判別した判別結果を出力する第２モデルを学習させるステップと、を含む。
上記の課題を解決するために、本発明の一態様に係るプログラムは、上述の学習装置としてコンピュータを機能させるためのプログラムであって、コンピュータを上記各部として機能させる。
上記の課題を解決するために、本発明の一態様に係る学習済みモデルは、被検体の胸部断面画像の少なくとも一部分を示す画像を入力として、肺野における病変可能性が有ることを示す第１セグメントを含む複数のセグメントに分類された画像を出力するよう、コンピュータを機能させるための学習済みモデルにおいて、被検体の胸部断面画像の少なくとも一部分を示す画像であって、前記第１セグメントを含む複数のセグメントを示すセグメンテーション情報が付された画像を教師データとして用いて、当該学習済みモデルが出力する分類された画像と、前記教師データにおけるセグメンテーション情報との差異がより小さくなるように学習されたパラメータを含む。
上記の課題を解決するために、本発明の一態様に係る学習済みモデルは、被検体の胸部断面画像を分割して得られる複数の領域であって、胸部中央を示す領域から胸部周縁を示す領域までを、分割数および領域間の境界の一方または両方が互いに異なるｎ通り（ｎは２以上の整数）に分割して得られる複数の領域の各々について、肺野における病変可能性が有ることを示す第１セグメントを含む複数のセグメントに基づいて導出されたデータを入力として、前記被検体の肺野における前記病変可能性に関する判別結果を出力するよう、コンピュータを機能させる。
本発明の一態様に係る学習済みモデルにおいて、被検体の胸部断面画像を分割して得られる複数の領域であって、胸部中央を示す領域から胸部周縁を示す領域までを、分割数および領域間の境界の一方または両方が互いに異なるｎ通り（ｎは２以上の整数）に分割して得られる複数の領域の各々について、肺野における病変可能性が有ることを示す第１セグメントを含む複数のセグメントに基づいて導出されたデータであって、前記被検体の肺野における前記病変可能性に関する判別結果を示す判別結果情報が付されたデータを教師データとして用いて、当該学習済みモデルが出力する判別結果と、前記教師データにおける前記判別結果情報との差異がより小さくなるように学習されたパラメータを含む、ことが好ましい。
上記の課題を解決するために、本発明の一態様に係るコンピュータ読み取り可能な記憶媒体は、上述の何れかのプログラムを記憶する。
上記の課題を解決するために、本発明の一態様に係るコンピュータ読み取り可能な記憶媒体は、上述の何れかの学習済みモデルを記憶する。
本発明の一態様によれば、人の肺野における病変可能性をより精度よく判別する技術を実現することを目的とする。できる。
本発明の実施形態１に係る判別装置の機能的な構成を示すブロック図である。 本発明の実施形態１に係る判別装置が被検体の肺野における病変可能性を判別する動作を説明するフローチャートである。 本発明の実施形態１に係る判別装置が第１モデルを学習する動作を説明するフローチャートである。 本発明の実施形態１に係る判別装置が第２モデルを学習する動作を説明するフローチャートである。 本発明の実施形態１において胸部断面画像を取得する動作の具体例を説明する模式図である。 本発明の実施形態１において細分化された単位領域ごとに分類を決定する動作の具体例を説明する模式図である。 本発明の実施形態１において胸部断面画像を複数の領域に分割する動作の具体例を説明する模式図である。 本発明の実施形態１において判別結果を出力する動作の具体例を説明する模式図である。 本発明の実施形態１に係る判別装置の精度を説明する図である。 図１に示す判別装置として機能するコンピュータのブロック図である。 本発明の実施形態２に係る学習装置の機能的な構成を示すブロック図である。 本発明の実施形態３に係る学習装置の機能的な構成を示すブロック図である。 本発明の実施形態３に係る学習装置が第２モデルを学習する動作を説明するフローチャートである。
〔実施形態１〕
以下、本発明の実施形態１に係る判別装置１について、詳細に説明する。判別装置１は、被検体の胸部断面画像を取得して、当該被検体の肺野における病変可能性を判別した判別結果を出力する装置である。
＜判別装置の構成＞
図１は、判別装置１の機能的な構成を示すブロック図である。図１において、判別装置１は、制御部１１と、記憶部１２とを含む。制御部１１は、画像取得部１１１と、細分化部１１２と、画像分割部１１３と、データ導出部１１４と、判別部１１５と、第１学習部１１６と、第２学習部１１７とを含む。記憶部１２は、第１モデル１２１と、第２モデル１２２とを記憶している。
画像取得部１１１は、被検体の胸部断面画像を取得する。胸部断面画像は、例えば、ＣＴ（Computed Tomography）装置によって得られるＣＴ画像である。詳細には、画像取得部１１１は、被検体の胸部を所定のスライス厚で撮像することにより得られた複数の胸部断面画像のうちｍ枚（ｍは２以上の整数）の胸部断面画像を取得する。
細分化部１１２は、各胸部断面画像を細分化した単位領域の各々について、複数の分類の何れかを決定する。複数の分類は、第１分類および第２分類を含む。本実施形態では、単位領域とは、１画素であるものとする。第１分類は、肺野における所定の疾患に関わる病変可能性が有ることを示す分類である。本実施形態では、所定の疾患とは、ＩＰＦ（idiopathic pulmonary fibrosis）である。以降、第１分類を、「ＩＰＦ像」とも記載する。第２分類は、肺野における所定の疾患以外に関わる病変可能性が有ることを示す分類である。以降、第２分類を、「Ｎｏｎ−ＩＰＦ像」とも記載する。すなわち「Ｎｏｎ−ＩＰＦ像」は、ＩＰＦ以外の間質性肺炎の可能性を示す分類である。また、複数の分類は、第１分類、第２分類に加えて、他の分類を含んでいてもよい。なお、以下の説明では、「分類」を「セグメント」とも呼ぶことがある。
また、細分化部１１２は、記憶部１２に記憶された第１モデル１２１を用いて、画素ごとに分類を決定する。第１モデル１２１は、胸部断面画像の少なくとも一部分を入力として、入力された画像における画素ごとに複数の分類の何れかを出力するよう学習されたモデルである。第１モデル１２１は、例えば、深層学習により生成されたモデルであってもよい。第１モデル１２１は、後述する第１学習部１１６によって学習済みである。第１モデル１２１の学習については詳細を後述する。なお、第１モデル１２１は、本発明における学習済みモデルの一例に相当する。
ここで、第１モデル１２１に入力される胸部断面画像は、画像取得部１１１によって取得された後、前処理が施されたものであることが望ましい。前処理の具体例としては、例えば、回転、ぼかし、ノイズ除去等の処理が挙げられるが、これらに限られない。
また、細分化部１１２は、各胸部断面画像をそれぞれ構成する各部分画像において、画素ごとに複数の分類の何れかを決定してもよい。具体的には、細分化部１１２は、上述した前処理を行った各胸部断面画像を、部分画像に分割する。この場合、第１モデル１２１は、胸部断面画像を構成する部分画像を入力として、当該部分画像の画素ごとに複数の分類の何れかを出力するよう学習済みであるとする。
なお、細分化部１１２における細分化処理は必須の構成ではなく、細分化部１１２はより一般に、前記胸部断面画像を、肺野における病変可能性が有ることを示す第１セグメントを含む複数のセグメントに分類するセグメント化部と表現することができる。
画像分割部１１３は、各胸部断面画像を、胸部中央を示す領域から胸部周縁を示す領域までの複数の領域に分割する。例えば、画像分割部１１３は、各胸部断面画像を、胸部中央を含む内側の領域と、胸部周縁を含む外側の領域との２つの領域に分割してもよい。また、画像分割部１１３は、各胸部断面画像を、胸部中央を含む内側の領域と、胸部周縁を含む外側の領域と、内側の領域および外側の領域に挟まれた中側の領域との３つの領域に分割してもよい。
このように、画像分割部１１３は、複数の領域の分割数および複数の領域間の境界の一方または両方を異ならせることにより、各胸部断面画像をｎ通り（ｎは２以上の整数）の複数の領域に分割する。分割数は、２以上の整数であればよい。また、分割数が同一であっても、複数の領域間の境界が異なれば、異なる複数の領域が生成される。ｎ通りの複数の領域を、ｎ通りの分割パターンとも記載する。
データ導出部１１４は、ｎ通りの分割パターンにおける複数の領域の各々について、当該領域に含まれる画素ごとに決定された分類に基づいて、病変可能性に関するデータを導出する。本実施形態では、病変可能性に関するデータとして、面積比データを用いる。面積比データは、当該領域においてＩＰＦ像に決定された画素、および、Ｎｏｎ−ＩＰＦ像に決定された画素間の面積比を表す。
ここで、ある分割パターンについては、その分割数であるｄ個の面積比が算出される。このとき、データ導出部１１４は、各領域について導出した面積比について、当該領域の胸部周縁（または胸部中央）までの近さに応じて重み付けを行ってもよい。例えば、所定の疾患がＩＰＦである場合、胸部周縁に近いほど重み付けを大きくしてもよい。また、胸部中央に近いほど重み付けを大きくしてもよい。なお、重み付けの手法はこれらに限られない。
また、ｍ枚の胸部断面画像の各々がｎ通りの分割パターンを有するため、ｍ枚の胸部断面画像における分割パターンの組み合わせは、ｎ＾ｍ（＾はべき乗を表す）通りとなる。このとき、ある組み合わせについて導出される面積比データは、ｄ１＋ｄ２＋・・・＋ｄｍ個の面積比を含む。なお、ｄｉ（ｉは１以上ｍ以下の整数）は、当該組み合わせに含まれるｉ枚目の胸部画像の分割パターンにおける分割数を示す。このようにして、データ導出部１１４は、ｎ＾ｍ通りの面積比データを導出する。
判別部１１５は、複数の領域の各々について導出されたデータを参照して、被検体の肺野における病変可能性を判別した判別結果を出力する。本実施形態では、判別結果は、被検体の肺野におけるＩＰＦの可能性を示すものとする。判別結果は、ＩＰＦであるか否かを表す情報であってもよいし、ＩＰＦの可能性を示す確率値であってもよいが、これらに限られない。換言すると、判別部１１５は、ｎ＾ｍ通りの面積比データを参照して、判別結果を出力する。具体的には、判別部１１５は、記憶部１２に記憶された第２モデル１２２を用いて、判別結果を出力する。第２モデル１２２は、複数の領域の各々について導出された面積比データを入力として、被検体の肺野におけるＩＰＦの可能性を示す判別結果を出力するよう学習されたモデルである。第２モデル１２２は、例えば、深層学習以外の機械学習により生成されたモデルであってもよい。第２モデル１２２は、後述する第２学習部１１７によって学習済みである。第２モデル１２２の学習については詳細を後述する。なお、第２モデル１２２は、本発明における学習済みモデルの一例に相当する。
また、判別部１１５は、上述した面積比データを参照することに加えて、被検体の臨床データを更に参照して、判別結果を出力してもよい。例えば、判別部１１５は、第２モデル１２２として、上述したデータに加えて臨床データを入力として学習されたモデルを用いてもよい。あるいは、判別部１１５は、上述したデータを入力として学習された第２モデルから出力される情報と、臨床データとを参照して、判別結果を出力してもよい。
第１学習部１１６は、教師データを用いて第１モデル１２１を学習させる。学習アルゴリズムには、教師データを利用する公知の学習アルゴリズムを適用すればよい。
教師データは、画像取得部１１１によって取得される。本実施形態では、教師データは、被検体の胸部断面画像の部分画像であって、当該部分画像の画素ごとに上述した複数の分類の何れかを表す分類情報が付された部分画像である。教師データは、例えば、間質性肺炎の診断に習熟した専門家によって生成される。例えば、専門家は、上述した前処理が施された胸部断面画像の部分画像の画素ごとに、複数の分類の何れかを表す分類情報を付す。具体的には、専門家は、胸部断面画像における肺疾患のパターン（例えば、蜂巣肺、牽引性気管支拡張）およびＭＤＤ診断の結果を参照することにより、複数の分類の何れかを表す分類情報を付す。これにより、部分画像の各画素について、当該画素を識別する情報と、分類情報とが関連付けられたデータが生成される。以降、分類情報が付されていることを、「ラベル付き」とも記載する。
第１学習部１１６は、胸部断面画像のラベル付き部分画像を用いて、第１モデル１２１を学習させる。具体的には、第１学習部１１６は、上述の教師データを用いて、第１モデルが出力する分類と、教師データにおける分類情報との差異がより小さくなるように、第１モデル１２１が有するパラメータを学習させる。
学習済みの第１モデル１２１は、胸部断面画像の部分画像が入力されると当該部分画像の各画素について複数の分類の何れかを出力するモデルとして、記憶部１２に記憶される。これにより、第１モデルからの出力により「ＩＰＦ像」と決定された画素は、胸部断面画像における肺疾患のパターン（例えば、蜂巣肺、牽引性気管支拡張等）を参照して専門家により「ＩＰＦ像」と決定される可能性が高い画素を示す。
ここで、教師データとして、胸部断面画像のラベル付き部分画像を用いた第１モデルの学習は、胸部断面画像全体のラベル付き画像を用いた学習に比べて、学習処理の負荷を小さくし、教師データの数を増加させるというメリットがある。
第２学習部１１７は、第２モデル１２２を学習させる。第２モデル１２２の学習は、教師データを必要とする学習アルゴリズムを用いてもよいし、教師データを必要としない学習アルゴリズムを用いてもよい。本実施形態では、教師データを用いて第２モデル１２２を学習させる。この場合、第２学習部１１７は、教師データを生成するために、被検体の病変可能性を表す情報（すなわち、被検体の診断内容）を取得する。当該被検体の診断内容は、間質性肺炎の診断に習熟した専門家によって生成されたものであることが望ましい。例えば、診断内容は、ＩＰＦであるか否かの診断内容であってもよい。
このようにして、第２学習部１１７は、データ導出部１１４によって生成されたｎ＾ｍ通りの面積比データに対して、取得した診断内容を関連付けたものを教師データとして、第２モデルを学習させる。具体的には、第２学習部１１７は、ｎ＾ｍ通りの面積比データの各々に、病変可能性を示す判別結果情報（具体的には、上述のようにして取得された診断内容）が付されたデータを教師データとして用いて、第２モデル１２２が出力する判別結果と、教師データにおける判別結果情報との差異がより小さくなるように、第２モデル１２２が有するパラメータを学習させる。
ここで、ｎ＾ｍ通りの面積比データを第２モデルの入力とすることは、より多くの面積比データを用いて第２モデルによる判別精度を向上させるというメリットがある。学習済みの第２モデル１２２は、面積比データが入力されるとＩＰＦの可能性を示す判別結果を出力するモデルとして、記憶部１２に記憶される。
また、第２学習部１１７は、第２モデル１２２を学習させるために、ｎ＾ｍ通りの面積比データに加えて、被検体の臨床データを用いてもよい。被検体の臨床データとは、例えば、年齢、性別等であってもよいが、これらに限られない。この場合、第２モデルは、面積比データおよび臨床データが入力されるとＩＰＦの可能性を示す判別結果を出力するモデルとして、記憶部１２に記憶される。
＜判別装置の動作＞
（被検体の肺野における病変可能性を判別する動作）
図２は、判別装置１が被検体の肺野における病変可能性を判別する判別処理Ｓ１を説明するフローチャートである。
ステップＳ１０１において、画像取得部１１１は、被検体のｍ枚の胸部断面画像を取得する。
ステップＳ１０２において、細分化部１１２は、各胸部断面画像の画素ごとに、ＩＰＦ像、Ｎｏｎ−ＩＰＦ像を含む複数の分類の何れかを決定する。詳細には、細分化部１１２は、各胸部断面画像に対して前処理を施して分割した部分画像を、第１モデル１２１に入力することにより、画素ごとの分類を決定する。以降、ＩＰＦ像と決定された画素を、ＩＰＦ像を示す画素とも記載する。Ｎｏｎ−ＩＰＦ像と決定された画素を、Ｎｏｎ−ＩＰＦ像を示す画素とも記載する。
ステップＳ１０３において、画像分割部１１３は、各胸部断面画像をｎ通りの分割パターン（複数の領域）に分割する。
ステップＳ１０４において、データ導出部１１４は、ｎ＾ｍ通りの分割パターンの組み合わせについて、それぞれ面積比データを導出する。面積比データは、各胸部断面画像における複数の領域の各々について算出された、ＩＰＦ像を示す画素、および、Ｎｏｎ−ＩＰＦ像を示す画素間の面積比によって構成される。なお、当該ステップにおいて、データ導出部１１４は、面積比データを構成する各面積比について、対応する領域の胸部中央（または胸部周縁）までの近さに応じた重み付けを行ってもよい。
ステップＳ１０５において、判別部１１５は、被検体の臨床データを取得する。
ステップＳ１０６において、判別部１１５は、面積比データおよび臨床データを参照して、ＩＰＦの可能性を示す判別結果を出力する。具体的には、判別部１１５は、ｎ＾ｍ通りの面積比データおよび臨床データを第２モデルに入力することにより、判別結果を出力する。
なお、本ステップにおいて、判別部１１５は、ｎ＾ｍ通りの面積比データを第２モデルに入力し、臨床データを第２モデルに入力しなくてもよい。この場合、ステップＳ１０５の処理は実行されなくてもよい。
以上で、判別装置１は、判別処理Ｓ１を終了する。
（第１モデルを学習する動作）
図３は、判別装置１が第１モデルを学習する第１学習処理Ｓ２を説明するフローチャートである。
ステップＳ２０１において、画像取得部１１１は、教師データとして、画素ごとにＩＰＦ像、Ｎｏｎ−ＩＰＦ像を含む複数の分類の何れかが付された胸部断面画像のラベル付き部分画像を取得する。なお、ラベル付き部分画像は、上述した前処理が施された胸部断面画像が分割された部分画像において、画素ごとに複数の分類の何れかが付されたものである。
ステップＳ２０２において、第１学習部１１６は、取得された教師データを用いて、第１モデルを学習させる。
以上で、判別装置１は、第１学習処理Ｓ２を終了する。
（第２モデルを学習する動作）
図４は、判別装置１が第２モデルを学習する第２学習処理Ｓ３を説明するフローチャートである。
ステップＳ３０１において、画像取得部１１１は、被検体のｍ枚のラベル付き胸部断面画像を取得する。ラベル付き胸部断面画像は、図３のステップＳ２０１で取得されたラベル付き部分画像を用いて構成されたものであってもよい。
ステップＳ３０２において、画像分割部１１３は、各胸部断面画像をｎ通りの分割パターン（複数の領域）に分割する。
ステップＳ３０３において、データ導出部１１４は、ｎ＾ｍ通りの分割パターンの組み合わせについて、それぞれ面積比データを導出する。なお、当該ステップにおいて、データ導出部１１４は、面積比データを構成する各面積比について、対応する領域の胸部中央（または胸部周縁）までの近さに応じた重み付けを行ってもよい。
ステップＳ３０４において、第２学習部１１７は、当該被検体の臨床データを取得する。
ステップＳ３０５において、第２学習部１１７は、当該被検体の診断内容を、教師データとして取得する。
ステップＳ３０６において、第２学習部１１７は、ステップＳ３０３〜Ｓ３０５で得られたｎ＾ｍ通りの面積比データ、臨床データ、および被検体の診断内容を用いて、第２モデルを学習させる。
なお、本ステップにおいて、第２学習部１１７は、臨床データを用いずに、ｎ＾ｍ通りの面積比データと、被検体の診断内容とを用いて第２モデルを学習させてもよい。この場合、ステップＳ３０４の処理は、実行されなくてもよい。
以上で、判別装置１は、第２学習処理Ｓ３を終了する。
＜具体例＞
（ステップＳ１０１の具体例）
図５は、図２のステップＳ１０１で取得する胸部断面画像の具体例を説明する模式図である。この具体例では、取得する胸部断面画像の枚数ｍとして、ｍ＝４を適用している。具体的には、０．５ミリスライス厚で撮像された複数の胸部断面画像のうち、上肺野、中肺野、下肺野、肺底部をそれぞれ示す４枚の胸部断面画像ＩＭＧ１〜ＩＭＧ４が取得される。以降、胸部断面画像ＩＭＧ１〜ＩＭＧ４を特に区別して説明する必要がない場合には、単に胸部断面画像ＩＭＧとも記載する。
（ステップＳ１０２の具体例）
図６は、図２のステップＳ１０２において画素ごとに決定される分類の具体例を説明する模式図である。この具体例では、前処理として、胸部断面画像ＩＭＧに対して、エックス線吸収値（Hounsfield Unit：ＨＵ値）への変換、回転、ぼかし等が施される。また、前処理が施された各胸部断面画像は、縦５および横５に分割して２５枚の部分画像に分割される。
各部分画像が第１モデルに入力されることにより、各部分画像における画素ごとに、「ＩＰＦ像」、「Ｎｏｎ−ＩＰＦ像」、「正常肺野」、「肺野外」の４分類の何れかが決定される。この具体例では、複数の分類として４分類が適用されている。すなわち、複数の分類は、第１分類である「ＩＰＦ像」、第２分類である「Ｎｏｎ−ＩＰＦ像」に加えて、他の分類として「正常肺野」および「肺野外」を含んでいる。「正常肺野」は、病変の可能性を有していない正常な肺野を示す分類である。「肺野外」は、肺野の外側であることを示す分類である。
（ステップＳ１０３の具体例）
図７は、ステップＳ１０３において分割されるｎ通りの分割パターン（複数の領域）の具体例を説明する模式図である。この具体例では、ｎ＝１５を適用し、１５通りの分割パターンを生成している。
ここでは、胸部断面画像ＩＭＧの各画素が二次元座標（ｘ，ｙ）で表されるものとして説明する。図７において、肺野の範囲は、ｘ１＜ｘ＜ｘ２およびｙ１＜ｙ＜ｙ２で表される。この場合、肺野中心Ｃの座標は、（（ｘ１＋ｘ２）／２，（ｙ１＋ｙ２）／２）で表される。
このような胸部断面画像ＩＭＧにおいて、画像分割部１１３は、肺野中心Ｃを中心として同心円状の楕円ｅ１〜ｅ４を生成する。４つの楕円の間隔は、等間隔であってもよいし、そうでなくてもよい。４つの楕円ｅ１〜ｅ４は、肺野中心Ｃを含む領域から肺野周縁を含む領域までを５つの領域ｒ１〜ｒ５に分割する境界線を構成している。画像分割部１１３は、４つの楕円ｅ１〜ｅ４の何れかを選択することにより、複数の領域の分割数および複数の領域間の境界の一方または両方が異なる１５通りの分割パターンを生成する。
例えば、分割数が２の分割パターンを生成する場合、２つの領域間の境界線は１つであるため、４つの楕円ｅ１〜ｅ４のうち１つを選択して境界線とすればよい。例えば、境界線として楕円ｅ１を選択する場合、肺野中心Ｃを含む領域（内側領域）は、領域ｒ１によって構成され、肺野周縁を含む領域（外側領域）は、領域ｒ２〜ｒ５によって構成される。他の分割数の分割パターンについても同様に説明される。すなわち、各分割数に対応する分割パターン数は以下の通りである。
・分割数が２の分割パターンは、４Ｃ１＝４通り
・分割数が３の分割パターンは、４Ｃ２＝６通り
・分割数が４の分割パターンは、４Ｃ３＝４通り
・分割数が５の分割パターンは、４Ｃ４＝１通り
このようにして、画像分割部１１３は、各胸部断面画像ＩＭＧについて、４つの楕円ｅ１〜ｅ４の何れかを境界線として用いて、合計１５通りの分割パターンを生成する。また、４枚の胸部断面画像の各々が１５通りの分割パターンを有するため、４枚の胸部断面画像における分割パターンの組み合わせは、１５＾４＝５０，６２５通りとなる。
（ステップＳ１０４、Ｓ１０５の具体例）
図８は、ステップＳ１０４、Ｓ１０５の具体例を示す模式図である。
ステップＳ１０４では、データ導出部１１４は、図７を用いて説明した５０，６２５通りの組み合わせについて、面積比データを導出する。例えば、ある組み合わせにおいて、胸部断面画像ＩＭＧ１では分割数３の分割パターンが生成されているとする。また、境界線として、楕円ｅ１，ｅ２が選択されているとする。この場合、内側領域（領域ｒ１によって構成）におけるＩＰＦ像を示す画素とＮｏｎＩＰＦ像を示す画素との面積比、中側領域（領域ｒ２によって構成）における面積比、外側領域（領域ｒ３〜ｒ５によって構成）における面積比が導出される。胸部断面画像ＩＭＧ２〜ＩＭＧ４においても、分割数３の分割パターンが組み合わせられている場合、それぞれ３個の面積比が導出される。したがって、この組み合わせにおける面積比データは、合計１２個の面積比によって構成される。
ステップＳ１０５では、判別部１１５は、このような５０，６２５通りの面積比データを第２モデルに入力することにより、第２モデルから出力される判別結果を得る。この具体例では、判別結果は、当該被検体のＩＰＦの可能性を示す確率値であるものとする。
以上で、具体例の説明を終了する。
＜第１モデルの学習の実施例＞
判別装置１を用いて第１モデルを生成した実施例について説明する。
ステップＳ２０１において、画像取得部１１１は、６６４例について教師データを取得した。
（胸部断面画像の詳細）
具体的には、画像取得部１１１は、６４４例の各々について、０．５ミリスライス厚で撮像された肺野の高精細ＣＴ画像から、上肺野、中肺野、下肺野、肺底部のうち４枚の胸部断面画像を、教師データを生成するために取得した。各胸部断面画像の詳細は以下の通りである。
・画像サイズ：５１２×５１２ピクセル
・画素値：１６ビット
（前処理の詳細）
ステップＳ２０２における学習の前処理として、画像取得部１１１は、各胸部断面画像における画素値を、ＨＵ値へ変換した。ＨＵ値への変換では、ＨＵ＞３５０を３５０に変換することによりノイズを除去した。これにより、変換後の胸部断面画像におけるＨＵ値の範囲を、−１８５０から３５０までという肺野画像の閲覧に適した範囲とした。
その他の前処理として、画像取得部１１１は、各胸部断面画像に対して、適宜、肺野の向きを共通にするための回転処理、ぼかし処理等を行った。
（部分画像の詳細）
さらに、画像取得部１１１は、各胸部断面画像を、縦５および横５の合計２５枚の部分画像に分割した。各部分画像のサイズは、１００×１００ピクセルである。
（ラベルの取得）
画像取得部１１１は、このような各部分画像において、画素ごとに、「ＩＰＦ像」、「Ｎｏｎ−ＩＰＦ像」、「正常肺野」、「肺野外」の何れかをラベルとして取得し、教師データを生成した。取得したラベルは、専門家によって付与されたものであり、画像取得部１１１は、入力装置を介して当該画素ごとのラベルを取得した。
ステップＳ２０２において、第１学習部１１６は、上述の教師データを用いて、深層学習により第１モデル１２１を学習させた。学習アルゴリズムおよびパラメータ設定は以下の通りである。
・検証方法：１０分割交差検証
・学習アルゴリズム：ＦＣＮ（Fully Convolutional Networks）−ＡｌｅｘＮｅｔ
・ファインチューニング：PASCAL VOC 2012を使用
・エポック数：３０
・学習率： 0.0001
・オプティマイザ：ＳＧＤ（Stochastic Gradient Descent）
・バッチサイズ：1
・Without Dice layer
このようにして学習させた第１モデル１２１を、第１モデル１２１Ａと記載する。学習済みの第１モデル１２１Ａは、記憶部１２に記憶される。
＜第２モデルの学習フェーズの実施例＞
判別装置１を用いて第２モデルを生成した実施例について説明する。
ステップＳ３０１において、画像取得部１１１は、第１モデルで用いた教師データ（胸部断面画像の部分画像）を用いて、被検体の４枚のラベル付き胸部断面画像を構成した。
ステップＳ３０２において、画像分割部１１３は、４枚のラベル付き胸部断面画像を、図７を用いて説明した手法と同様の手法で分割し、５０，６２５通りの分割パターンの組み合わせを生成した。
ステップＳ３０３において、データ導出部１１４は、５０，６２５通りの組み合わせについて、面積比データを導出した。なお、当該ステップにおいて導出される面積比には、対応する領域が胸部周縁に近いほど大きい重み付けを行った。
ステップＳ３０４において、第２学習部１１７は、各例の臨床データを取得した。臨床データとしては、診断名、性別、肺機能、自己抗体、生存または死亡、診断から死亡までの期間等がある。また、第２学習部１１７は、臨床データに対して、カテゴリごとに主成分分析（Principle Component Analysis：ＰＣＡ）を行った。また、第２学習部１１７は、臨床データに対して、Alternating least square：ＡＬＳ法を用いて、欠損値の補間を行った。
ステップＳ３０５において、第２学習部１１７は、各例の診断内容を、入力装置を介して取得した。
ステップＳ３０６において、第２学習部１１７は、第２モデル１２２として、次の２通りを機械学習により生成した。
・第２モデル１２２Ａ：５０，６２５通りの面積比データと、診断内容とを用いて学習
・第２モデル１２２Ｂ：５０，６２５通りの面積比データと、臨床データと、診断内容とを用いて学習
なお、第２モデル１２２Ａおよび１２２Ｂ共の学習において、適用した学習アルゴリズムは共通で、パラメータの設定は以下の通りである。
・学習アルゴリズム：サポートベクタマシン（SVM: Support Vector Machine）
・カーネル関数：rbf,gaussian, linear, polynomial
・ボックス制約：１
・予測子データ：標準化
・オプティマイザ：Ｌ１ソフトマージン最適化
・事前確率：50%
・コスト：1
学習済みの第２モデル１２２Ａおよび１２２Ｂは、記憶部１２に記憶される。
＜判別フェーズの実施例＞
上述の通り生成した第１モデル１２１および第２モデル１２２Ａ、１２２Ｂを用いた判別装置１の精度として、上記「６４４例」のうち１割を用いたテスト結果の精度について説明する。
図９は、判別装置１の精度を説明する図である。
図９の上部は、第１モデル１２１Ａの精度を示している。図９の上部に示すように、正解がＩＰＦ像である画素とＩＰＦ像でない像の画素のうち、第１モデル１２１Ａを用いて「ＩＰＦ像」または「ＩＰＦ像でない像」との分類が決定された画素の割合は９６％であった。
また、図９の下部は、面積比データを用いて学習させた第２モデル１２２Ａ、面積比データおよび臨床データを用いて学習させた１２２Ｂをそれぞれ用いた場合の判別装置１の精度を示している。なお、ここでは、判別装置１から判別結果として出力される確率値が閾値以上をＩＰＦと診断し、閾値未満をＩＰＦでないと診断している。
「精度」は、実際にＩＰＦまたはＩＰＦでない間質性肺炎と診断された症例のうち、実際にＩＰＦと診断された症例が判別装置１を用いてＩＰＦと診断された症例、および、実際にＩＰＦでないと診断された症例が判別装置１を用いてＩＰＦでないと診断された症例の合計の割合を示す。
「感度」は、実際にＩＰＦと診断された症例のうち、判別装置１を用いてＩＰＦと診断された割合を示す。
「特異度」は、実際にＩＰＦでないと診断された症例のうち、判別装置１を用いてＩＰＦでないと診断された割合を示す。
「ＰＰＶ（Positive Predictive Value）」は、判別装置１を用いてＩＰＦと診断された症例のうち、実際にＩＰＦと診断された症例の割合を示す。
「ＮＰＶ（Negative Predictive Value）」は、判別装置１を用いてＩＰＦでないと診断された症例のうち、実際にＩＰＦでないと診断された症例の割合を示す。
「Ｋ係数（Cohen’s Kappa）」は、実際の診断結果および判別装置１による診断結果間の一致度を示す。
上記項目はいずれも、第２モデル１２２Ｂを用いたほうが、第２モデル１２２Ａを用いるよりも精度が高いことがわかる。なお、「Ｋ係数」については、ＭＤＤ診断における国際的な専門医チーム間では０．６０程度であることがわかっており、第２モデル１２２Ａおよび１２２Ｂを用いた場合、いずれもＭＤＤ診断よりも高いＫ係数が得られることがわかる。
＜判別装置１の構成例＞
判別装置１の機能的な各ブロック（特に画像取得部１１１、細分化部１１２、画像分割部１１３、データ導出部１１４、判別部１１５、第１学習部１１６、および第２学習部１１７）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。後者の場合、判別装置１は、例えば、コンピュータ（電子計算機）を用いて構成することができる。
図１０は、判別装置１として利用可能なコンピュータ１００の構成を例示したブロック図である。コンピュータ１００は、図１０に示したように、バス１１０を介して互いに接続された演算装置１２０と、主記憶装置１３０と、補助記憶装置１４０と、入出力インタフェース１５０とを備えている。演算装置１２０として利用可能なデバイスとしては、ＣＰＵ（Central Processing Unit）などのプロセッサを挙げることができる。また、主記憶装置１３０として利用可能なデバイスとしては、例えば、半導体ＲＡＭ（random access memory）などのメモリを挙げることができる。また、補助記憶装置１４０として利用可能なデバイスとしては、例えば、ハードディスクドライブを挙げることができる。
入出力インタフェース１５０には、図１０に示したように、入力装置２００及び出力装置３００が接続される。例えば、教師データとしての正解データは、この入出力インタフェース１５０に接続される入力装置２００の一例であるキーボード、マウス等を介して入力される。また、判別結果を表示するためのディスプレイは、この入出力インタフェース１５０に接続される出力装置３００の一例である。
補助記憶装置１４０には、コンピュータ１００を判別装置１として動作させるための各種プログラムが格納されている。具体的には、コンピュータ１００に上述した判別処理Ｓ１、第１学習処理Ｓ２、第２学習処理Ｓ３を実行させるためのプログラムが格納されている。
演算装置１２０は、補助記憶装置１４０に格納された上記プログラムを主記憶装置１３０上に展開し、主記憶装置１３０上に展開された上記各プログラムに含まれる命令を実行することによって、コンピュータ１００を、判別装置１として機能させる。主記憶装置１３０は、第１モデル１２１および第２モデル１２２を記憶する記憶部１２としても機能する。
なお、ここでは、内部記録媒体である補助記憶装置１４０に記録されている上記プログラムを用いてコンピュータ１００を判別装置１として機能させる構成について説明したが、本発明はこれに限定されるものではない。すなわち、外部記録媒体に記録されているプログラムを用いてコンピュータ１００を判別装置１として機能させる構成を採用してもよい。外部記録媒体としては、コンピュータ読み取り可能な「一時的でない有形の媒体」、例えば、テープ、ディスク、カード、半導体メモリ、プログラマブル論理回路などを用いることができる。
また、コンピュータ１００を通信ネットワークと接続可能に構成し、上記プログラムを、通信ネットワークを介してコンピュータ１００に供給するようにしてもよい。この通信ネットワークは、プログラムを伝送可能であればよく、特に限定されない。なお、本発明は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。
＜実施形態１の効果＞
本実施形態の判別装置１は、被検体の複数枚の胸部断面画像の画素ごとに、ＩＰＦ像およびＮｏｎ−ＩＰＦ像との分類を含む複数の分類の何れかを、学習済みの第１モデルを用いて決定するので、ＩＰＦ像を示す画素をより精度よく抽出することができる。また、本実施形態の判別装置１は、胸部断面画像を、胸部中央を示す領域から胸部周縁を示す領域までのｎ＾ｍ通りの分割パターン（複数の領域）に分割し、複数の領域の各々について、ＩＰＦ像を示す画素およびＮｏｎ−ＩＰＦ像を示す画素間の面積比からなる面積比データを導出し、ｎ＾ｍ通りの面積比データを、学習済みの第２モデルに入力して判別結果を出力する。これにより、本実施形態は、人の肺野におけるＩＰＦの可能性をより精度よく判別することができる。
〔実施形態２〕
本発明の他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。
＜学習装置２の構成＞
図１１は、本発明の実施形態２に係る学習装置２の機能ブロック構成を説明する図である。学習装置２は、本発明の実施形態１に係る判別装置１で用いられる第１モデル１２１を学習させる装置である。図１１において、学習装置２は、制御部２１と、記憶部２２とを含む。制御部２１は、教師データ取得部２１１と、第１学習部２１２とを含む。記憶部２２は、第１モデル１２１を記憶する。
教師データ取得部２１１は、被検体の胸部断面画像の部分画像であって、当該画像における画素ごとに、「ＩＰＦ像」および「Ｎｏｎ−ＩＰＦ像」を含む複数の分類の何れかが付された画像を、教師データとして取得する。すなわち、教師データ取得部２１１は、被検体の胸部断面画像のラベル付き部分画像を取得する。
第１学習部２１２は、ラベル付き部分画像を教師データとして用いて、第１モデル１２１を学習させる。第１学習部２１２は、実施形態１における第１学習部１１６と同様に構成されるため、詳細な説明を繰り返さない。
＜学習装置２の動作＞
学習装置２は、図３を参照して説明した判別装置１の判別処理Ｓ１と同様に動作するため、詳細な説明を繰り返さない。
＜学習装置２の構成例＞
学習装置２の機能的な各ブロック（特に教師データ取得部２１１、第１学習部２１２）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。後者の場合、判別装置１は、例えば、図１０に示した通りのコンピュータ１００を用いて構成することができる。
コンピュータ１００の構成については、実施形態１で説明した通りであるため、詳細な説明を繰り返さない。ただし、補助記憶装置１４０には、コンピュータ１００を学習装置２として動作させるための各種プログラムが格納されている。具体的には、コンピュータ１００に上述した第１学習処理Ｓ２を実行させるためのプログラムが格納される。また、演算装置１２０は、補助記憶装置１４０に格納された上記プログラムを主記憶装置１３０上に展開し、主記憶装置１３０上に展開された上記各プログラムに含まれる命令を実行することによって、コンピュータ１００を、学習装置２として機能させる。主記憶装置１３０は、第１モデル１２１を記憶する記憶部２２としても機能する。
＜本実施形態の効果＞
本実施形態の学習装置２は、上述のように、実施形態１の判別装置１で用いる第１モデルを学習させる。その結果、本実施形態は、実施形態１の判別装置１において被検体の胸部断面画像の画素ごとにＩＰＦ像を含む複数の分類の何れかを決定する精度を向上させることができる。
〔実施形態３〕
本発明のさらに他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。
図１２は、本発明の実施形態３に係る学習装置３の機能ブロック構成を説明する図である。学習装置３は、本発明の実施形態１に係る判別装置１で用いられる第２モデル１２２を学習させる装置である。図１２において、学習装置３は、制御部３１と、記憶部３２とを含む。制御部３１は、データ取得部３１１と、第２学習部３１２とを含む。記憶部３２は、第２モデル１２２を記憶する。
データ取得部３１１は、被検体の胸部断面画像が、胸部中央を示す領域から胸部周縁を示す領域まで分割された複数の領域の各々について、面積比データを取得する。ここで、面積比データは、複数の領域の各々において、当該領域に含まれる「ＩＰＦ像」の画素および「Ｎｏｎ−ＩＰＦ像」の画素間の面積比として導出されたものである。
第２学習部３１２は、上記面積比データと、臨床データと、被検体の病変可能性を表す情報とを用いて、第２モデル１２２を学習させる。第２学習部３１２は、実施形態１における第２学習部１１７と同様に構成されるため、詳細な説明を繰り返さない。
＜学習装置３の動作＞
図１３は、学習装置３が第２モデルを学習させる第２学習処理Ｓ４を説明するフローチャートである。
ステップＳ４０１において、データ取得部３１１は、被検体の胸部断面画像が、胸部中央を示す領域から胸部周縁を示す領域まで分割された複数の領域の各々について導出された、面積比データを取得する。
ステップＳ４０２において、第２学習部３１２は、臨床データを取得する。
ステップＳ４０３において、第２学習部３１２は、被検体の診断内容を教師データとして取得する。
ステップＳ４０４において、第２学習部３１２は、面積比データと、臨床データと、被検体の診断内容とを用いて、第２モデルを学習させる。
ステップＳ４０２〜Ｓ４０４の処理の詳細については、実施形態１において説明したステップＳ３０４〜Ｓ３０６の処理と同様であるため、詳細な説明を繰り返さない。
＜学習装置３の構成例＞
学習装置３の機能的な各ブロック（特にデータ取得部３１１、第２学習部３１２）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。後者の場合、判別装置１は、例えば、図１０に示した通りのコンピュータ１００を用いて構成することができる。
コンピュータ１００の構成については、実施形態１で説明した通りであるため、詳細な説明を繰り返さない。ただし、補助記憶装置１４０には、コンピュータ１００を学習装置３として動作させるための各種プログラムが格納されている。具体的には、コンピュータ１００に上述した第２学習処理Ｓ４を実行させるためのプログラムが格納される。また、演算装置１２０は、補助記憶装置１４０に格納された上記プログラムを主記憶装置１３０上に展開し、主記憶装置１３０上に展開された上記各プログラムに含まれる命令を実行することによって、コンピュータ１００を、学習装置３として機能させる。主記憶装置１３０は、第２モデル１２２を記憶する記憶部３２としても機能する。
＜本実施形態の効果＞
本実施形態の学習装置３は、上述した構成により、実施形態１の判別装置１で用いる第２モデルを学習させることができる。その結果、本実施形態は、実施形態１の判別装置１において人の肺野における病変可能性の判別の精度を向上させることができる。
〔変形例〕
上述した各実施形態において、所定の疾患がＩＰＦであるものとして説明した。ただし、所定の疾患は、ＩＰＦに限らず、その他の肺野における疾患であってもよい。
上述した各実施形態において、第１モデルの学習に、深層学習として、ＦＣＮ−ＡｌｅｘＮｅｔを用いる例について説明した。ただし、第１モデルの学習は、その他の深層学習アルゴリズムを用いて行われてもよい。また、第１モデルの学習は、深層学習以外の機械学習を用いて行われてもよい。また、第１モデルには、胸部断面画像の部分画像を入力するものとして説明したが、胸部断面画像全体を入力するよう構成してもよい。
上述した各実施形態において、第２モデルの学習に、深層学習以外の機械学習として、サポートベクタマシンを用いる例について説明した。ただし、第２モデルの学習は、その他の深層学習以外の機械学習アルゴリズムを用いて行われてもよい。また、第２モデルの学習は、深層学習を用いて行われてもよい。また、各実施形態において、教師データを用いて第２モデルを学習させる例について説明したが、教師データを用いない機械学習により第２モデルを学習させてもよい。その場合、図４のステップＳ３０５、図１３のステップＳ４０３において被検体の診断内容を取得する処理は不要である。
なお、第１モデルおよび第２モデルの少なくとも一方の学習には、上述したＦＣＮ−ＡｌｅｘＮｅｔ、サポートベクタマシンに限らず、例えば、以下のような機械学習的手法の何れかまたはそれらの組み合わせを用いることができる。ただし、これらの具体的な手法は、本実施形態の構成を限定するものではない。
・ランダムフォレスト
・敵対的生成ネットワーク（GAN： Generative Adversarial Networks）
・クラスタリング（Clustering）
・帰納論理プログラミング（ILP: Inductive Logic Programming）
・遺伝的アルゴリズム（GP: Genetic Programming）
・ベイジアンネットワーク（BN: Bayesian Network）
・ニューラルネットワーク（NN: Neural Network）
ニューラルネットワークを用いる場合、入力データをニューラルネットワークへのインプット用に予め加工して用いるとよい。このような加工には、データの１次元的配列化、または多次元的配列化に加え、例えば、データオーギュメンテーション（Data Augmentation）等の手法を用いることができる。
また、ニューラルネットワークを用いる場合、畳み込み処理を含む畳み込みニューラルネットワーク（CNN: Convolutional Neural Network）を用いてもよいし、再帰的処理を含むリカレントニューラルネットワーク（RNN: Recurrent Neural Network）を用いてもよい。CNNを用いる場合、より具体的には、ニューラルネットワークに含まれる１又は複数の層（レイヤ）として、畳み込み演算を行う畳み込み層を設け、当該層に入力される入力データに対してフィルタ演算（積和演算）を行う構成としてもよい。またフィルタ演算を行う際には、パディング等の処理を併用したり、適宜設定されたストライド幅を採用したりしてもよい。
また、ニューラルネットワークとして、数十〜数千層に至る多層型又は超多層型のニューラルネットワークを用いてもよい。
上述した実施形態１において、判別装置１は、第１学習部１１６および第２学習部１１７を含んでいなくてもよい。その場合、判別装置１の記憶部１２には、実施形態２の学習装置２によって生成された第１モデル１２１、および、実施形態３の学習装置３によって生成された第２モデル１２２が記憶される。
上述した学習装置２および学習装置３は、同一のコンピュータによって実現されてもよい。換言すると、学習装置２は、学習装置３の機能ブロックをさらに有していてもよい。
上述した各実施形態において、複数の分類の何れかが付される単位領域が１画素であるものとして説明した。ただし、各実施形態における単位領域は、１画素に限らず、複数画素によって構成されてもよい。
上述した各実施形態において、１例の被検体について複数枚の胸部断面画像を取得する例を中心に説明した。これに限らず、各実施形態は、１例の被検体について１枚の胸部断面画像を取得する場合にも実施可能である。
上述した各実施形態において、複数の分類が、「ＩＰＦ像」（第１分類）、「Ｎｏｎ−ＩＰＦ像」（第２分類）、「正常肺野」および「肺野外」を含む例について説明した。ただし、複数の分類は、少なくとも第１分類を含んでいればよく、その他の分類は、必ずしも例示した分類に限られない。
上述した各実施形態において、画像分割部１１３は、胸部断面画像を、複数通りの分割パターン（複数の領域）に分割する例について説明した。ただし、分割パターンは複数通りに限らず、１通りであってもよい。
上述した各実施形態において、複数の領域の各々について導出される病変可能性に関するデータは、第１分類に決定された単位領域および第２分類に決定された単位領域間の面積比データである例について説明した。ただし、病変可能性に関するデータは、面積比データに限られない。例えば、病変可能性に関するデータは、第１分類に決定された単位領域の面積、または第２分類に決定された単位領域の面積であってもよい。
〔まとめ〕
上記の課題を解決するために、本発明の一態様に係る判別装置は、被検体の胸部断面画像を取得する画像取得部と、前記胸部断面画像を細分化した単位領域の各々について、肺野における病変可能性が有ることを示す第１分類を含む複数の分類の何れかを決定する細分化部と、前記胸部断面画像を、胸部中央を示す領域から胸部周縁を示す領域までの複数の領域に分割する画像分割部と、前記複数の領域の各々について、当該領域に含まれる単位領域ごとに決定された分類に基づいて、前記病変可能性に関するデータを導出するデータ導出部と、前記複数の領域の各々について導出された前記データを参照して、前記被検体の肺野における前記病変可能性を判別した判別結果を出力する判別部と、を備えている。
上記の構成によれば、被検体の胸部断面画像を細分化した単位領域ごとに、より精度よく分類を決定することができる。また、胸部断面画像を、胸部中央を示す領域から胸部周縁を示す領域までに分割した複数の領域の各々について導出したデータを参照するので、人の肺野における病変可能性をより精度よく判別することができる。
上記の課題を解決するために、本発明の一態様に係る方法は、判別装置を用いて被検体の病変可能性を判別する方法であって、被検体の胸部断面画像を取得するステップと、前記胸部断面画像を細分化した単位領域の各々について、肺野における病変可能性が有ることを示す第１分類を含む複数の分類の何れかを決定するステップと、前記胸部断面画像を、胸部中央を示す領域から胸部周縁を示す領域までの複数の領域に分割する画像分割ステップと、前記複数の領域の各々について、当該領域に含まれる単位領域ごとに決定された分類に基づいて、前記病変可能性に関するデータを導出するデータ導出ステップと、前記複数の領域の各々について導出された前記データを参照して、前記被検体の肺野における前記病変可能性を判別した判別結果を出力するステップと、を含む。
上記の構成によれば、上述した判別装置と同様の効果を奏する。
上記の課題を解決するために、本発明の一態様に係るプログラムは、上述の判別装置としてコンピュータを機能させるためのプログラムであって、コンピュータを上記各部として機能させる。
上記の構成によれば、上述した判別装置と同様の効果を奏する。
本発明の一態様に係る判別装置において、前記細分化部は、前記胸部断面画像を構成する各部分画像において、前記単位領域の各々について前記複数の分類の何れかを決定する、ことが好ましい。
上記の構成によれば、処理の対象となる画像サイズがより小さくなるので、単位領域の各々について複数の分類の何れかを決定する処理の負荷を軽減することができる。
本発明の一態様に係る判別装置において、前記細分化部は、前記胸部断面画像の少なくとも一部分を入力として、入力された画像における単位領域ごとに前記複数の分類の何れかを出力するよう学習された第１モデルを用いて、前記単位領域の各々について前記分類を決定する、ことが好ましい。
上記の構成によれば、単位領域ごとの分類をより精度よく決定できる。
本発明の一態様に係る判別装置において、前記判別部は、前記複数の領域の各々について導出されたデータを入力として、前記判別結果を出力するよう学習された第２モデルを用いて、前記判別結果を出力する、ことが好ましい。
上記の構成によれば、より精度のよい判別結果を出力できる。
本発明の一態様に係る判別装置において、前記複数の分類は、前記第１分類および第２分類を含み、前記第１分類は、肺野における所定の疾患に関わる病変可能性が有ることを示し、前記第２分類は、肺野における前記所定の疾患以外に関わる病変可能性が有ることを示し、前記データ導出部は、前記データとして、前記複数の領域の各々において、当該領域に含まれる前記第１分類に決定された単位領域および前記第２分類に決定された単位領域間の面積比を導出する、ことが好ましい。
上記の構成によれば、面積比に基づくより精度のよい判別結果を出力できる。
本発明の一態様に係る判別装置において、前記画像取得部は、前記被検体の胸部を所定のスライス厚で撮像することにより得られた複数の胸部断面画像のうち２以上の前記胸部断面画像を取得する、ことが好ましい。
上記の構成によれば、複数の胸部断面画像の各々において分割された複数の領域について導出されたデータを参照するので、より精度のよい判別結果を出力できる。
本発明の一態様に係る判別装置において、前記画像分割部は、前記複数の領域の分割数および前記複数の領域間の境界の一方または両方を異ならせることにより、前記胸部断面画像をｎ通り（ｎは２以上の整数）の前記複数の領域に分割し、前記データ導出部は、前記ｎ通りの複数の領域の各々について前記データを導出し、前記判別部は、前記ｎ通りの複数の領域の各々について導出されたデータを参照して、前記判別結果を出力する、ことが好ましい。
上記の構成によれば、１の被検体についてより多くのデータを参照するので、より精度のよい判別結果を出力できる。
本発明の一態様に係る判別装置において、前記判別部は、前記データに加えて、前記被検体の臨床データを更に参照して、前記判別結果を出力する、ことが好ましい。
上記の構成によれば、臨床データに起因する要素も考慮して、より精度のよい判別結果を出力できる。
本発明の一態様に係る判別装置において、前記画像取得部は、被検体の胸部断面画像の少なくとも一部分を示す画像であって、当該画像における単位領域ごとに前記複数の分類の何れかが付された画像を教師データとして取得し、前記胸部断面画像の少なくとも一部分を示す画像を入力として当該画像における単位領域ごとに前記複数の分類の何れかを出力する第１モデルであって、前記細分化部によって用いられる第１モデルを、前記教師データを用いて学習させる第１学習部をさらに備える、ことが好ましい。
上記の構成によれば、単位領域ごとの分類を決定するために用いる第１モデルを、教師データに基づいて精度よく生成することができる。
本発明の一態様に係る判別装置において、前記複数の領域の各々について導出された前記データを入力として前記被検体の胸部における前記病変可能性を判別した判別結果を出力する第２モデルであって、前記判別部によって用いられる第２モデルを学習させる第２学習部をさらに備える、ことが好ましい。
上記の構成によれば、判別結果を出力するために用いる第２モデルを精度よく生成することができる。
本発明の一態様に係る判別装置において、前記第１分類は、特発性肺線維症(idiopathic pulmonary fibrosis：ＩＰＦ)の可能性が有ることを示す分類であり、前記判別部は、前記判別結果として、前記被検体がＩＰＦに罹患している可能性を示す情報を出力する、ことが好ましい。
上記の構成によれば、被検体がＩＰＦに罹患している可能性をより精度よく判別することができる。
上記の課題を解決するために、本発明の一態様に係る学習装置は、被検体の胸部断面画像の少なくとも一部分を示す画像であって、当該画像における単位領域ごとに、肺野における病変可能性が有ることを示す第１分類を含む複数の分類の何れかが付された画像を教師データとして取得する教師データ取得部と、前記教師データを用いて、前記胸部断面画像の少なくとも一部分を示す画像を入力として当該画像における単位領域ごとに前記複数の分類の何れかを出力するよう第１モデルを学習させる第１学習部、を備えている。
上記の構成によれば、上述した判別装置において単位領域ごとの分類を決定するために用いる第１モデルを、教師データに基づいて精度よく生成することができる。
上記の課題を解決するために、本発明の一態様に係る方法は、学習装置を用いて第１モデルを学習させる方法であって、被検体の胸部断面画像の少なくとも一部分を示す画像であって、当該画像における単位領域ごとに、肺野における病変可能性が有ることを示す第１分類を含む複数の分類の何れかが付された画像を教師データとして取得するステップと、前記教師データを用いて、前記胸部断面画像の少なくとも一部分を示す画像を入力として当該画像における単位領域ごとに前記複数の分類の何れかを出力するよう前記第１モデルを学習させるステップと、を含む。
上記の構成によれば、上述した学習装置と同様の効果を奏する。
上記の課題を解決するために、本発明の一態様に係るプログラムは、上述の学習装置としてコンピュータを機能させるためのプログラムであって、コンピュータを上記各部として機能させる。
上記の構成によれば、上述した学習装置と同様の効果を奏する。
上記の課題を解決するために、本発明の一態様に係る学習装置は、被検体の胸部断面画像であって、当該画像における単位領域ごとに、肺野における病変可能性が有ることを示す第１分類を含む複数の分類の何れかが付された胸部断面画像が、胸部中央を示す領域から胸部周縁を示す領域まで分割された複数の領域の各々について、当該領域に含まれる単位領域ごとに付された分類に基づいて算出された前記病変可能性に関するデータを取得するデータ取得部と、前記データを入力として、前記被検体の肺野における前記病変可能性を判別した判別結果を出力する第２モデルを学習させる第２学習部と、を備えている。
上記の構成によれば、上述した判別装置において判別結果を出力するために用いる第２モデルを精度よく生成することができる。
上記の課題を解決するために、本発明の一態様に係る方法は、学習装置を用いて第２モデルを学習させる方法であって、被検体の胸部断面画像であって、当該画像における単位領域ごとに、肺野における病変可能性が有ることを示す第１分類を含む複数の分類の何れかが付された胸部断面画像が、胸部中央を示す領域から胸部周縁を示す領域まで分割された複数の領域の各々について、当該領域に含まれる単位領域ごとに付された分類に基づいて算出された前記病変可能性に関するデータを取得するステップと、前記データを入力として、前記被検体の肺野における前記病変可能性を判別した判別結果を出力する第２モデルを学習させるステップと、を含む。
上記の構成によれば、上述した学習装置と同様の効果を奏する。
上記の課題を解決するために、本発明の一態様に係るプログラムは、上述の学習装置としてコンピュータを機能させるためのプログラムであって、コンピュータを上記各部として機能させる。
上記の構成によれば、上述した学習装置と同様の効果を奏する。
（付記事項）
本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。さらに、各実施形態にそれぞれ開示された技術的手段を組み合わせることにより、新しい技術的特徴を形成することができる。
１ 判別装置
２、３ 学習装置
１１、２１、３１ 制御部
１２、２２、３２ 記憶部
１１１ 画像取得部
１１２ 細分化部
１１３ 画像分割部
１１４ データ導出部
１１５ 判別部
１１６、２１２ 第１学習部
１１７、３１２ 第２学習部
１１７ 第２学習部
２１１ 教師データ取得部
３１１ データ取得部
１００ コンピュータ
１１０ バス
１２０ 演算装置
１３０ 主記憶装置
１４０ 補助記憶装置
１５０ 入出力インタフェース
２００ 入力装置
３００ 出力装置

Claims (18)

  1. 被検体の胸部断面画像を取得する画像取得部と、
    前記胸部断面画像を、肺野における病変可能性が有ることを示す第１セグメントを含む複数のセグメントに分類するセグメント化部と、
    前記胸部断面画像における胸部中央を示す領域から胸部周縁を示す領域までを、分割数および領域間の境界の一方または両方が互いに異なるｎ通り（ｎは２以上の整数）の複数の領域に分割する画像分割部と、
    前記ｎ通りの複数の領域に含まれる各領域について、当該領域に含まれるセグメントに基づいて、前記病変可能性に関するデータを導出するデータ導出部と、
    前記ｎ通りの複数の領域に含まれる各領域について導出された前記データを参照して、前記被検体の肺野における前記病変可能性を判別した判別結果を出力する判別部と、
    を備えていることを特徴とする判別装置。
  2. 前記画像取得部は、前記被検体の胸部を所定のスライス厚で撮像することにより得られた複数の胸部断面画像のうち２以上の前記胸部断面画像を取得する、
    ことを特徴とする請求項１に記載の判別装置。
  3. 前記複数のセグメントは、前記第１セグメントおよび第２セグメントを含み、前記第１セグメントは、肺野における所定の疾患に関わる病変可能性が有ることを示し、前記第２セグメントは、肺野における前記所定の疾患以外に関わる病変可能性が有ることを示し、
    前記データ導出部は、前記データとして、前記ｎ通りの複数の領域に含まれる各領域において、当該領域に含まれる前記第１セグメントおよび前記第２セグメントの面積比を導出する、
    ことを特徴とする請求項１または２に記載の判別装置。
  4. 前記判別部は、前記データに加えて、前記被検体の臨床データを更に参照して、前記判別結果を出力する、
    ことを特徴とする請求項１から３の何れか１項に記載の判別装置。
  5. 前記第１セグメントは、特発性肺線維症(idiopathic pulmonary fibrosis：ＩＰＦ)の可能性が有ることを示すセグメントであり、
    前記判別部は、前記判別結果として、前記被検体がＩＰＦに罹患している可能性を示す情報を出力する、
    ことを特徴とする請求項１から４の何れか１項に記載の判別装置。
  6. 被検体の胸部断面画像の少なくとも一部分を示す画像であって、肺野における病変可能性が有ることを示す第１セグメントを含む複数のセグメントに分類された画像を教師データとして取得する教師データ取得部と、
    前記教師データを用いて、前記胸部断面画像の少なくとも一部分を示す画像を入力として前記第１セグメントを含む複数のセグメントに分類された画像を出力するよう第１モデルを学習させる第１学習部、
    を備えていることを特徴とする学習装置。
  7. 被検体の胸部断面画像であって、肺野における病変可能性が有ることを示す第１セグメントを含む複数のセグメントに分類された胸部断面画像が、胸部中央を示す領域から胸部周縁を示す領域まで分割された、分割数および領域間の境界の一方または両方が互いに異なるｎ通り（ｎは２以上の整数）の複数の領域に含まれる各領域について、当該領域に含まれるセグメントに基づいて算出された前記病変可能性に関するデータを取得するデータ取得部と、
    前記データを入力として、前記被検体の肺野における前記病変可能性を判別した判別結果を出力する第２モデルを学習させる第２学習部と、
    を備えていることを特徴とする学習装置。
  8. 判別装置を用いて被検体の病変可能性を判別する方法であって、
    被検体の胸部断面画像を取得するステップと、
    前記胸部断面画像を、肺野における病変可能性が有ることを示す第１セグメントを含む複数のセグメントに分類するステップと、
    前記胸部断面画像における胸部中央を示す領域から胸部周縁を示す領域までを、分割数および領域間の境界の一方または両方が互いに異なるｎ通り（ｎは２以上の整数）の複数の領域に分割する画像分割ステップと、
    前記複数の領域に含まれる各領域について、当該領域に含まれるセグメントに基づいて、前記病変可能性に関するデータを導出するデータ導出ステップと、
    前記複数の領域に含まれる各領域について導出された前記データを参照して、前記被検体の肺野における前記病変可能性を判別した判別結果を出力するステップと、を含む方法。
  9. 請求項１から５までの何れか１項に記載の判別装置としてコンピュータを機能させるためのプログラムであって、コンピュータを上記各部として機能させるためのプログラム。
  10. 学習装置を用いて第１モデルを学習させる方法であって、
    被検体の胸部断面画像の少なくとも一部分を示す画像であって、肺野における病変可能性が有ることを示す第１セグメントを含むセグメントに分類された画像を教師データとして取得するステップと、
    前記教師データを用いて、前記胸部断面画像の少なくとも一部分を示す画像を入力として前記第１セグメントを含む複数のセグメントに分類された画像を出力するよう前記第１モデルを学習させるステップと、を含む方法。
  11. 請求項６に記載の学習装置としてコンピュータを機能させるためのプログラムであって、コンピュータを上記各部として機能させるためのプログラム。
  12. 学習装置を用いて第２モデルを学習させる方法であって、
    被検体の胸部断面画像であって、肺野における病変可能性が有ることを示す第１セグメントを含む複数のセグメントに分類された胸部断面画像が、胸部中央を示す領域から胸部周縁を示す領域まで分割された、分割数および領域間の境界の一方または両方が互いに異なるｎ通り（ｎは２以上の整数）複数の領域の各々について、当該領域に含まれるセグメントに基づいて算出された前記病変可能性に関するデータを取得するステップと、
    前記データを入力として、前記被検体の肺野における前記病変可能性を判別した判別結果を出力する第２モデルを学習させるステップと、を含む方法。
  13. 請求項７に記載の学習装置としてコンピュータを機能させるためのプログラムであって、コンピュータを上記各部として機能させるためのプログラム。
  14. 被検体の胸部断面画像の少なくとも一部分を示す画像を入力として、肺野における病変可能性が有ることを示す第１セグメントを含む複数のセグメントに分類された画像を出力するよう、コンピュータを機能させるための学習済みモデルにおいて、
    被検体の胸部断面画像の少なくとも一部分を示す画像であって、前記第１セグメントを含む複数のセグメントを示すセグメンテーション情報が付された画像を教師データとして用いて、当該学習済みモデルが出力する分類された画像と、前記教師データにおけるセグメンテーション情報との差異がより小さくなるように学習されたパラメータを含む、
    ことを特徴とする学習済みモデル。
  15. 被検体の胸部断面画像を分割して得られる複数の領域であって、胸部中央を示す領域から胸部周縁を示す領域までを、分割数および領域間の境界の一方または両方が互いに異なるｎ通り（ｎは２以上の整数）に分割して得られる複数の領域の各々について、肺野における病変可能性が有ることを示す第１セグメントを含む複数のセグメントに基づいて導出されたデータを入力として、前記被検体の肺野における前記病変可能性に関する判別結果を出力するよう、コンピュータを機能させるための学習済みモデル。
  16. 被検体の胸部断面画像を分割して得られる複数の領域であって、胸部中央を示す領域から胸部周縁を示す領域までを、分割数および領域間の境界の一方または両方が互いに異なるｎ通り（ｎは２以上の整数）に分割して得られる複数の領域の各々について、肺野における病変可能性が有ることを示す第１セグメントを含む複数のセグメントに基づいて導出されたデータであって、前記被検体の肺野における前記病変可能性に関する判別結果を示す判別結果情報が付されたデータを教師データとして用いて、当該学習済みモデルが出力する判別結果と、前記教師データにおける前記判別結果情報との差異がより小さくなるように学習されたパラメータを含む、
    ことを特徴とする請求項１５に記載の学習済みモデル。
  17. 請求項９、１１および１３の何れか１項に記載のプログラムを記憶したコンピュータ読み取り可能な記憶媒体。
  18. 請求項１４から１６の何れか１項に記載の学習済みモデルを記憶したコンピュータ読み取り可能な記憶媒体。
JP2019094757A 2019-05-20 2019-05-20 判別装置、学習装置、方法、プログラム、学習済みモデルおよび記憶媒体 Active JP7334900B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2019094757A JP7334900B2 (ja) 2019-05-20 2019-05-20 判別装置、学習装置、方法、プログラム、学習済みモデルおよび記憶媒体
US16/877,678 US11361443B2 (en) 2019-05-20 2020-05-19 Identifying device, learning device, method, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019094757A JP7334900B2 (ja) 2019-05-20 2019-05-20 判別装置、学習装置、方法、プログラム、学習済みモデルおよび記憶媒体

Publications (2)

Publication Number Publication Date
JP2020188872A true JP2020188872A (ja) 2020-11-26
JP7334900B2 JP7334900B2 (ja) 2023-08-29

Family

ID=73454170

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019094757A Active JP7334900B2 (ja) 2019-05-20 2019-05-20 判別装置、学習装置、方法、プログラム、学習済みモデルおよび記憶媒体

Country Status (2)

Country Link
US (1) US11361443B2 (ja)
JP (1) JP7334900B2 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022154334A1 (ko) * 2021-01-15 2022-07-21 고려대학교 산학협력단 딥러닝 기반 자동 대흉근 측정 장치 및 그 방법을 실행하기 위한 프로그램이 기록된 기록매체
CN117830302A (zh) * 2024-03-04 2024-04-05 瀚依科技(杭州)有限公司 肺段分割的优化方法及装置、电子设备和存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757942A (zh) * 2022-05-27 2022-07-15 南通大学 一种基于深度学习的多层螺旋ct对活动性肺结核的检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013140667A1 (ja) * 2012-03-21 2013-09-26 オリンパスメディカルシステムズ株式会社 画像処理装置
WO2017150497A1 (ja) * 2016-03-02 2017-09-08 地方独立行政法人神奈川県立病院機構 肺野病変の診断支援装置、該装置の制御方法及びプログラム
US20170330320A1 (en) * 2016-05-13 2017-11-16 National Jewish Health Systems and methods for automatic detection and quantification of pathology using dynamic feature classification
JP2019010410A (ja) * 2017-06-30 2019-01-24 キヤノンメディカルシステムズ株式会社 画像処理装置、医用画像診断装置、及びプログラム
JP2019033966A (ja) * 2017-08-18 2019-03-07 コニカミノルタ株式会社 画像処理装置、画像処理方法、及び画像処理プログラム

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10121243B2 (en) * 2006-09-22 2018-11-06 Koninklijke Philips N.V. Advanced computer-aided diagnosis of lung nodules
US20150093007A1 (en) * 2013-09-30 2015-04-02 Median Technologies System and method for the classification of measurable lesions in images of the chest
JP2015136480A (ja) 2014-01-22 2015-07-30 富士フイルム株式会社 ３次元医用画像表示制御装置およびその作動方法並びに３次元医用画像表示制御プログラム
WO2016191567A1 (en) * 2015-05-26 2016-12-01 Memorial Sloan-Kettering Cancer Center System, method and computer-accessible medium for texture analysis of hepatopancreatobiliary diseases
US10064594B2 (en) * 2015-08-06 2018-09-04 Case Western Reserve University Characterizing disease and treatment response with quantitative vessel tortuosity radiomics
JP6525903B2 (ja) * 2016-03-09 2019-06-05 富士フイルム株式会社 画像表示装置、方法およびプログラム
US10346975B2 (en) * 2016-06-06 2019-07-09 Case Western Reserve University Computerized analysis of computed tomography (CT) imagery to quantify tumor infiltrating lymphocytes (TILs) in non-small cell lung cancer (NSCLC)
US10242443B2 (en) * 2016-11-23 2019-03-26 General Electric Company Deep learning medical systems and methods for medical procedures
US10127659B2 (en) * 2016-11-23 2018-11-13 General Electric Company Deep learning medical systems and methods for image acquisition
JP6596406B2 (ja) 2016-12-09 2019-10-23 富士フイルム株式会社 診断支援装置とその作動方法および作動プログラム、並びに診断支援システム
US10492723B2 (en) * 2017-02-27 2019-12-03 Case Western Reserve University Predicting immunotherapy response in non-small cell lung cancer patients with quantitative vessel tortuosity
EP3638115A4 (en) * 2017-06-16 2021-03-10 Rensselaer Polytechnic Institute SYSTEMS AND METHODS FOR INTEGRATING TOMOGRAPHIC IMAGE RECONSTRUCTION AND RADIOMICS USING NEURAL NETWORKS
US10692211B2 (en) * 2017-06-20 2020-06-23 Case Western Reserve University Intra-perinodular textural transition (IPRIS): a three dimenisonal (3D) descriptor for nodule diagnosis on lung computed tomography (CT) images
WO2019041262A1 (en) * 2017-08-31 2019-03-07 Shenzhen United Imaging Healthcare Co., Ltd. SYSTEM AND METHOD FOR IMAGE SEGMENTATION
CN111344801B (zh) * 2017-11-22 2023-10-27 通用电气公司 针对前列腺癌的多模态计算机辅助诊断系统和方法
JP6920477B2 (ja) * 2018-01-29 2021-08-18 富士フイルム株式会社 画像処理装置、画像処理方法、及びプログラム
US10441225B2 (en) * 2018-02-21 2019-10-15 Case Western Reserve University Predicting disease recurrence following trimodality therapy in non-small cell lung cancer using computed tomography derived radiomic features and clinico-pathologic features
CN112638262B (zh) * 2018-08-31 2024-05-14 富士胶片株式会社 相似度确定装置、方法及程序
US11896349B2 (en) * 2019-12-09 2024-02-13 Case Western Reserve University Tumor characterization and outcome prediction through quantitative measurements of tumor-associated vasculature

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013140667A1 (ja) * 2012-03-21 2013-09-26 オリンパスメディカルシステムズ株式会社 画像処理装置
WO2017150497A1 (ja) * 2016-03-02 2017-09-08 地方独立行政法人神奈川県立病院機構 肺野病変の診断支援装置、該装置の制御方法及びプログラム
US20170330320A1 (en) * 2016-05-13 2017-11-16 National Jewish Health Systems and methods for automatic detection and quantification of pathology using dynamic feature classification
JP2019010410A (ja) * 2017-06-30 2019-01-24 キヤノンメディカルシステムズ株式会社 画像処理装置、医用画像診断装置、及びプログラム
JP2019033966A (ja) * 2017-08-18 2019-03-07 コニカミノルタ株式会社 画像処理装置、画像処理方法、及び画像処理プログラム

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022154334A1 (ko) * 2021-01-15 2022-07-21 고려대학교 산학협력단 딥러닝 기반 자동 대흉근 측정 장치 및 그 방법을 실행하기 위한 프로그램이 기록된 기록매체
CN117830302A (zh) * 2024-03-04 2024-04-05 瀚依科技(杭州)有限公司 肺段分割的优化方法及装置、电子设备和存储介质

Also Published As

Publication number Publication date
US11361443B2 (en) 2022-06-14
US20200372650A1 (en) 2020-11-26
JP7334900B2 (ja) 2023-08-29

Similar Documents

Publication Publication Date Title
JP7069359B2 (ja) 深層学習を使用して癌検出を改善するための方法およびシステム
Singh et al. Machine learning in cardiac CT: basic concepts and contemporary data
US20200342589A1 (en) Malignancy assessment for tumors
US7640051B2 (en) Systems and methods for automated diagnosis and decision support for breast imaging
JP6885517B1 (ja) 診断支援装置及びモデル生成装置
US11361443B2 (en) Identifying device, learning device, method, and storage medium
CA3120480A1 (en) System and method for assessing medical images
JP2018175226A (ja) 医用画像分類装置、方法およびプログラム
US10918309B2 (en) Artificial intelligence-based COPD assessment
US20220180514A1 (en) Methods of assessing lung disease in chest x-rays
Carneiro et al. Automated 5-year mortality prediction using deep learning and radiomics features from chest computed tomography
Rajee et al. Gender classification on digital dental x-ray images using deep convolutional neural network
Sengan et al. Echocardiographic image segmentation for diagnosing fetal cardiac rhabdomyoma during pregnancy using deep learning
Bhat et al. Identification of intracranial hemorrhage using ResNeXt model
Guarrasi et al. Multimodal explainability via latent shift applied to COVID-19 stratification
Kallergi 12 Evaluation Strategies for Medical-Image Analysis and Processing Methodologies
Sameer et al. Brain tumor segmentation and classification approach for MR images based on convolutional neural networks
Srinivasarao et al. Hybrid Classification Model by Using CNN to Detect COVID-19 and Chest Related Problems
Han et al. Reconstruction of Patient-Specific Confounders in AI-based Radiologic Image Interpretation using Generative Pretraining
Wibisono et al. Segmentation-based knowledge extraction from chest X-ray images
Velusamy et al. Faster Region‐based Convolutional Neural Networks with You Only Look Once multi‐stage caries lesion from oral panoramic X‐ray images
US20240013384A1 (en) Systems, devices, and methods for providing diagnostic assessments using image analysis
US20220277452A1 (en) Methods for analyzing and reducing inter/intra site variability using reduced reference images and improving radiologist diagnostic accuracy and consistency
Ramos Analysis of medical images to support decision-making in the musculoskeletal field
Khan Artificial Intelligence in Radiology

Legal Events

Date Code Title Description
A80 Written request to apply exceptions to lack of novelty of invention

Free format text: JAPANESE INTERMEDIATE CODE: A80

Effective date: 20190617

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200422

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20200422

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220322

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230120

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230228

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230424

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230718

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230808

R150 Certificate of patent or registration of utility model

Ref document number: 7334900

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150