JP2021074360A

JP2021074360A - 医用画像処理装置及び医用画像処理方法、医用画像処理プログラム

Info

Publication number: JP2021074360A
Application number: JP2019204400A
Authority: JP
Inventors: 英恵吉田; Hanae Yoshida; 昌宏荻野; Masahiro Ogino; 角村　卓是; Takayoshi Tsunomura; 卓是角村; 白旗　崇; Takashi Shirohata; 崇白旗
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2019-11-12
Filing date: 2019-11-12
Publication date: 2021-05-20
Also published as: CN112862741A

Abstract

【課題】既存の識別器に対して新たな学習が与える影響を類推可能な医用画像処理装置及び医用画像処理方法、医用画像処理プログラムを提供する。
【解決手段】医用画像を処理する医用画像処理装置であって、医用画像を識別した結果である識別結果と前記医用画像との対の集合である既存の学習データを記憶する記憶部１０３と、医用画像から算出される複数の特徴量を軸として有する特徴量空間を設定する空間設定部４０１と、特徴量空間における既存の学習データの分布に基づいて、特徴量空間を識別結果毎の領域に分割する領域分割部４０２と、既存の学習データとは異なる新規の学習データが領域から逸脱する程度である逸脱度を算出し提示する逸脱度算出部４０３を備える。
【選択図】図４

Description

本発明は医用画像撮影装置で取得される医用画像を処理する医用画像処理装置及び医用画像処理方法、医用画像処理プログラムに関し、特に医用画像の画像診断を支援する医用画像処理装置の再学習に係る。

Ｘ線ＣＴ（Computed Tomography）装置やＭＲＩ（Magnetic Resonance Imaging）装置等に代表される医用画像撮影装置の高性能化にともなって大量の医用画像が取得されるようになり、画像診断する読影医の負担が増大している。読影医の負担を軽減するため、コンピュータによって医用画像から病変候補を検出することで画像診断を支援する医用画像処理装置いわゆるＣＡＤ（Computer Aided Detection）が開発されている。ＣＡＤでは、医用画像と画像診断の結果との対の集合を学習データとした機械学習がなされ、機械学習に用いられる学習データによって病変候補の検出精度は変化する。

特許文献１には、Ｘ線画像の撮影部位を判別する識別器の判別精度の低下を防ぐ情報処理装置が開示されている。具体的には、汎用的な学習データを用いた学習により構成される既存の識別器と、カスタマイズ用の学習データを用いた学習により構成される一又は複数の新規の識別器との判別精度をそれぞれ算出し、最も判別精度の高い識別器を選択することが開示されている。

特許第５５３３６６２号公報

しかしながら特許文献１では、新規の識別器の判別精度を算出するために、カスタマイズ用の学習データを新たに学習させる必要がある。新たな学習にはデータ量に応じた時間を要するものの、識別器の判別精度が向上するか否かは用いられる学習データの性質に依存する。すなわち、新たな学習に長時間を費やしたとしても、識別器の判別精度やＣＡＤの検出精度等が低下する場合がある。

そこで本発明は、既存の識別器に対して新たな学習が与える影響を類推可能な医用画像処理装置及び医用画像処理方法、医用画像処理プログラムを提供することを目的とする。

上記目的を達成するために本発明は、医用画像を処理する医用画像処理装置であって、前記医用画像を識別した結果である識別結果と前記医用画像との対の集合である既存の学習データを記憶する記憶部と、前記医用画像から算出される複数の特徴量を軸として有する特徴量空間を設定する空間設定部と、前記特徴量空間における前記既存の学習データの分布に基づいて、前記特徴量空間を識別結果毎の領域に分割する領域分割部と、前記既存の学習データとは異なる新規の学習データが前記領域から逸脱する程度である逸脱度を算出し提示する逸脱度算出部を備えることを特徴とする。

また本発明は、コンピュータが医用画像を処理する医用画像処理方法であって、前記医用画像を識別した結果である識別結果と前記医用画像との対の集合である既存の学習データを取得する取得ステップと、前記医用画像から算出される複数の特徴量を軸として有する特徴量空間を設定する空間設定ステップと、前記特徴量空間における前記既存の学習データの分布に基づいて、前記特徴量空間を識別結果毎の領域に分割する領域分割ステップと、前記既存の学習データとは異なる新規の学習データが前記領域から逸脱する程度である逸脱度を算出し提示する逸脱度算出ステップを備えることを特徴とする。

また本発明は、コンピュータによって医用画像を処理させる医用画像処理プログラムであって、前記医用画像を識別した結果である識別結果と前記医用画像との対の集合である既存の学習データを取得する取得ステップと、前記医用画像から算出される複数の特徴量を軸として有する特徴量空間を設定する空間設定ステップと、前記特徴量空間における前記既存の学習データの分布に基づいて、前記特徴量空間を識別結果毎の領域に分割する領域分割ステップと、前記既存の学習データとは異なる新規の学習データが前記領域から逸脱する程度である逸脱度を算出し提示する逸脱度算出ステップを備えることを特徴とする。

本発明によれば、既存の識別器に対して新たな学習が与える影響を類推可能な医用画像処理装置及び医用画像処理方法、医用画像処理プログラムを提供することができる。

実施例１の医用画像処理装置のハードウェア構成図である。医用画像と病変候補の一例を示す図である。識別結果の一例を説明する図である。実施例１の機能ブロック図である。実施例１の処理の流れの一例を示す図である。特徴量空間の設定処理の流れの一例を示す図である。特徴量の一例を説明する図である。領域分割された特徴量空間の一例を示す図である。逸脱度の算出処理の流れの一例を示す図である。逸脱度の一例を示す図である。逸脱度の補正について説明する図である。逸脱する医用画像に共通する特徴量の求め方について説明する図である。

以下、添付図面に従って本発明に係る医用画像処理装置および医用画像処理方法の好ましい実施例について説明する。なお、以下の説明及び添付図面において、同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。

図１を用いて本実施例の医用画像処理装置１００のハードウェア構成について説明する。医用画像処理装置１００は、いわゆるコンピュータである。具体的には、ＣＰＵ（Central Processing Unit）１０１、メモリ１０２、記憶部１０３、ネットワークアダプタ１０４、入力部１０６、表示部１０７がバス１０５によって信号送受可能に接続されて構成される。また医用画像処理装置１００は、ネットワークアダプタ１０４及びネットワーク１０８を介して医用画像撮影装置１０９や医用画像データベース１１０、画像診断支援装置１１１と信号送受可能に接続される。ここで、「信号送受可能に」とは、電気的または光学的に、有線と無線を問わず、相互にあるいは一方から他方へ信号を受け渡しできる状態である。

ＣＰＵ１０１は、記憶部１０３に記憶されるシステムプログラム等を読み出し、各構成要素の動作を制御する装置である。ＣＰＵ１０１は、記憶部１０３に格納されるプログラムやプログラム実行に必要なデータをメモリ１０２にロードして実行する。記憶部１０３は、ＣＰＵ１０１が実行するプログラムやプログラム実行に必要なデータを格納する装置であり、具体的にはＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等の記録装置や、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に読み書きする装置である。プログラム実行に必要なデータを含む各種データはＬＡＮ（Local Area Network）等のネットワーク１０８からも送受信される。メモリ１０２には、ＣＰＵ１０１が実行するプログラムや演算処理の途中経過等が記憶される。

表示部１０７は、プログラム実行の結果等が表示される装置であり、具体的には液晶ディスプレイ等である。入力部１０６は、操作者が医用画像処理装置１００に対して操作指示を行う操作デバイスであり、具体的にはキーボードやマウス等である。マウスはトラックパッドやトラックボールなどの他のポインティングデバイスであっても良い。また表示部１０７がタッチパネルである場合には、タッチパネルが入力部１０６としても機能する。ネットワークアダプタ１０４は、医用画像処理装置１００をＬＡＮ、電話回線、インターネット等のネットワーク１０８に接続するためのものである。

医用画像撮影装置１０９は、病変部位等の形態を画像化した断層画像等の医用画像を取得する装置であり、具体的には、レントゲン装置や、Ｘ線ＣＴ（Computed Tomography）装置、ＭＲＩ（Magnetic Resonance Imaging）装置、超音波診断装置等である。複数の断層画像が積み上げられることにより、三次元医用画像が作成される。医用画像データベース１１０は、医用画像撮影装置１０９によって取得された医用画像を保管するデータベースシステムである。画像診断支援装置１１１は、医用画像から病変候補を検出したり、検出された病変候補の悪性度や、医用画像に含まれる臓器を識別したりするコンピュータである。

図２を用いて、医用画像撮影装置１０９によって取得された医用画像と画像診断支援装置１１１によって検出された病変候補について説明する。図２（ａ）にはＸ線ＣＴ装置によって撮影された医用画像である肺野の断層画像２００が、図２（ｂ）には断層画像２００から検出された三つの病変候補２０１が示される。読影医は、図２（ａ）の断層画像２００を読影してから図２（ｂ）の病変候補２０１を参照して断層画像２００を再読影したり、図２（ｂ）の病変候補２０１を参照しながら読影したりする。いずれにしろ、読影医が断層画像２００を読影し、断層画像２００や病変候補２０１に対して下された診断結果が識別結果として記録される。

図３を用いて識別結果の例について説明する。図３（ａ）には、医用画像毎に病変の有無が識別された結果が記録された表が例示される。例えばＩｍｇ-１には病変が有り、Ｉｍｇ-ｎには病変がない。すなわち図３（ａ）の表の識別結果は、病変が有るか否かといった二値のラベルである。

図３（ｂ）には、医用画像に含まれる病変毎に悪性度が識別された結果が記録された表が例示される。例えばＩｍｇ-１のＮｏｄｕｌｅ-１とＮｏｄｕｌｅ-２、Ｉｍｇ-２のＮｏｄｕｌｅ-１は悪性度１、Ｉｍｇ-１のＮｏｄｕｌｅ-３とＩｍｇ-３のＮｏｄｕｌｅ-２は悪性度２、Ｉｍｇ-３のＮｏｄｕｌｅ-１は悪性度３である。なおＩｍｇ-ｎには病変がないので、悪性度が記録されない。すなわち図３（ｂ）の表の識別結果は、病変の悪性度がレベル分けされた多値のラベルである。レベル分けされた識別結果の場合、レベルを表す数値として、例えば０〜１の範囲の小数が用いられても良い。また病変毎に、位置や大きさが識別結果とともに記録されても良い。

図３（ｃ）には、医用画像毎に撮影部位が識別された結果が記録された表が例示される。例えばＩｍｇ-１とＩｍｇ-３は臓器Ａ、Ｉｍｇ-２は臓器Ｂ、Ｉｍｇ-ｎは臓器Ｃである。すなわち図３（ｃ）の表の識別結果は、撮影部位を示す多値のラベルである。

画像診断支援装置１１１は、図３に示されるような医用画像と識別結果との対の集合を学習データとして学習することにより構成される識別器の一つであり、学習データの性質によって画像診断支援装置１１１の性能は変化する。すなわち既存の画像診断支援装置１１１に新規の学習データを学習させるために長時間を費やしたとしても、識別精度が向上するとは限らない。そこで本実施例では、新規の学習データを学習させなくても、既存の画像診断支援装置１１１に対して新規の学習データが与える影響を類推可能にする。

図４を用いて本実施例の機能ブロック図について説明する。なおこれらの機能は、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field-Programmable Gate Array）等を用いた専用のハードウェアで構成されても良いし、ＣＰＵ１０１上で動作するソフトウェアで構成されても良い。以降の説明では各機能がソフトウェアで構成された場合について説明する。本実施例は、空間設定部４０１と領域分割部４０２と逸脱度算出部４０３を備える。以下、各部について説明する。

空間設定部４０１は、医用画像から算出される複数の特徴量を軸として有する多次元空間である特徴量空間を設定する。特徴量空間の軸に用いられる特徴量は、例えば輝度、位置、大きさ、円形度等であり、識別結果との関係が強いものが好ましい。すなわち、識別結果との相関係数の絶対値が高い特徴量が特徴量空間の軸に用いられることが好ましい。

領域分割部４０２は、空間設定部４０１によって設定される特徴量空間を識別結果毎の領域に分割する。特徴量空間の領域分割には、例えば特徴量空間における既存の学習データの識別結果の分布が用いられる。識別結果毎の領域に分割された特徴量空間の例は図８を用いて後述される。

逸脱度算出部４０３は、既存の学習データとは異なる新規の学習データが、領域分割部４０２によって分割された領域から逸脱する程度である逸脱度を算出する。逸脱度の算出例は図１０を用いて後述される。

図５を用いて、本実施例の処理の流れの一例について説明する。

（Ｓ５０１）
空間設定部４０１は、医用画像と識別結果の対の集合である既存の学習データを取得する。既存の学習データは記憶部１０３から読み出されても良いし、ネットワークアダプタ１０４を介して外部から送信されても良い。

（Ｓ５０２）
空間設定部４０１は、医用画像から算出される複数の特徴量を軸として有する特徴量空間を設定する。

図６を用いて、本ステップの処理の流れの一例について説明する。

（Ｓ６０１）
空間設定部４０１は、既存の学習データの医用画像から複数の特徴量を算出する。図７に、算出される特徴量が例示される。図７（ａ）は医用画像毎に算出された複数の特徴量であり、図７（ｂ）は医用画像に含まれる病変毎に算出された複数の特徴量である。

（Ｓ６０２）
空間設定部４０１は、既存の学習データの識別結果とＳ６０１で算出された各特徴量との相関係数を算出する。相関係数の算出には、数１で表されるピアソンの確率相関係数等が用いられる。

ここで、ρｋは識別結果とｋ番目の特徴量の相関係数、ｎは医用画像の総数、ｘｋｉは医用画像ｉに対するｋ番目の特徴量の値、ｙｉは医用画像ｉに対する識別結果である。またロジスティック回帰や判別分析法等の手法で、説明変数を各特徴量、目的変数を識別結果とした場合の予測精度を相関係数の代わりに用いてもよい。

（Ｓ６０３）
空間設定部４０１は、Ｓ６０２で算出された相関係数に基づいて、複数の特徴量を選択する。例えば、相関係数の絶対値の高い順から予め定められた数の特徴量を選択したり、相関係数の絶対値が予め定められた閾値よりも大きい特徴量を選択したりする。

（Ｓ６０４）
空間設定部４０１は、Ｓ６０３で選択された特徴量を軸として有する特徴量空間を設定する。Ｓ６０３で選択された特徴量を軸として有することにより、識別結果との関係が強い特徴量空間が設定できる。

図５の説明に戻る。

（Ｓ５０３）
領域分割部４０２は、特徴量空間を識別結果毎に領域分割する。図８を用いて、識別結果の分布に基づいて領域分割された特徴量空間の例について説明する。図８に例示される特徴量空間は、Ａ＿１とＡ＿２との二つの特徴量を軸として有する二次元空間である。識別結果ａと識別結果ｂは、医用画像や病変と対であるので、医用画像や病変から算出される特徴量により特徴量空間に図８のような分布を形成する。なお図８には、識別結果ａが○で、識別結果ｂが△で示され、識別結果ａの分布の中心が（Ａ＿１＿ａ、Ａ＿２＿ａ）で、識別結果ｂの分布の中心が（Ａ＿１＿ｂ、Ａ＿２＿ｂ）で示される。各識別結果の分布の中心は、特徴量空間の軸である特徴量の平均値として算出される。

図８では、識別結果ａの分布が特徴量空間の左上側に、識別結果ｂの分布が特徴量空間の右下側に偏っているので、両分布の中心から等距離にある直線Ａ＿２＝α・Ａ＿１＋βを各識別結果の領域間の境界とする。すなわちＡ＿２＞α・Ａ＿１＋βが識別結果ａの領域、それ以外が識別結果ｂの領域となる。なお各識別結果の分布に基づいて多変量正規分布の確率密度関数を算出し、各識別結果の確率密度が等しい箇所に各識別結果の領域間の境界を設けることにより識別結果毎に領域分割しても良い。

（Ｓ５０４）
逸脱度算出部４０３は、新規の学習データの逸脱度を提示する。すなわち、既存の学習データを用いて領域分割された特徴量空間において、新規の学習データが当該領域に含まれるか否かが確認され、含まれない場合は逸脱の程度である逸脱度が算出され提示される。逸脱度の提示により、既存の識別器の一つである画像診断支援装置１１１に対して新たな学習が与える影響を類推可能となる。

図９を用いて、本ステップの処理の流れの一例について説明する。

（Ｓ９０１）
逸脱度算出部４０３は、医用画像と識別結果の対の集合であり、既存の学習データとは異なる新規の学習データを取得する。新規の学習データは記憶部１０３から読み出されても良いし、ネットワークアダプタ１０４を介して外部から送信されても良い。

（Ｓ９０２）
逸脱度算出部４０３は、新規の学習データの医用画像から特徴量空間の軸である各特徴量を算出する。

（Ｓ９０３）
逸脱度算出部４０３は、Ｓ９０２で算出された特徴量を用いて、新規の学習データの医用画像を特徴量空間へ配置する。

（Ｓ９０４）
逸脱度算出部４０３は、Ｓ９０３で特徴量空間へ配置された医用画像がどの領域にあるかを確認し、識別結果とは異なる領域に配置された場合は逸脱度を算出する。

図１０を用いて逸脱度の一例について説明する。図１０には、直線Ａ＿２＝α・Ａ＿１＋βを境界として識別結果ａの領域と識別結果ｂの領域に分割された特徴量空間に、新規の学習データの中の識別結果ａである医用画像ｎ１とｎ２が配置された状態が示される。図１０では、医用画像ｎ２が識別結果ａの領域に配置されているのに対し、医用画像ｎ１が識別結果ｂの領域、つまり識別結果ａ以外の領域に配置されており、識別結果ａの領域から逸脱している。医用画像ｎ１の逸脱度には、例えば図１０中の両矢印で示される境界からの距離ｄ１が用いられる。なお医用画像ｎ２のように正しい領域に配置される場合、ゼロまたは境界からの距離に−１を乗じた値が逸脱度として用いられても良い。

逸脱度として境界からの距離が用いられる場合、各識別結果の分布の中心からの距離に応じて、逸脱度が補正されても良い。図１１を用いて逸脱度の補正について説明する。図１１には、図１０と同じ特徴量空間に、新規の学習データの中の識別結果ａである医用画像ｎ１とｎ３が配置された状態が示される。医用画像ｎ１とｎ３は、識別結果ｂの領域に配置されている。医用画像ｎ１は境界からの距離ｄ１が医用画像ｎ３と等しいものの、識別結果ａの分布の中心からの距離ｒ１が医用画像ｎ３の距離ｒ３よりも長い。さらに識別結果の分布の中心からの距離が例えば無限遠点まで長くなると、境界からの距離は誤差の範疇となる。そこで、境界からの距離ｄ１を識別結果の分布の中心からの距離ｒ１やｒ３で除すことにより逸脱度が補正されても良い。この場合、補正された逸脱度はｄ１／ｒ１やｄ１／ｒ３となる。

（Ｓ９０５）
逸脱度算出部４０３は、新規の学習データの医用画像の全てが特徴量空間に配置されたか否かを判定する。まだ配置されていない医用画像があればＳ９０２へ処理が戻る。新規の学習データの全てが特徴量空間に配置されていればＳ９０６へ処理が進む。

（Ｓ９０６）
逸脱度算出部４０３は、新規の学習データ全体としての逸脱度を算出する。新規の学習データ全体としての逸脱度Ｄの算出には数２や数３が用いられても良い。

ここで、ｄｉはＳ９０４で算出される医用画像ｉの各逸脱度、ｎは医用画像の総数である。

ここで、ｄｉはＳ９０４で算出される逸脱する医用画像ｉの各逸脱度、ｎ０は逸脱する医用画像の枚数である。

なお逸脱する医用画像の枚数ｎ０を医用画像の総数ｎで除した値ｎ０／ｎを新規の学習データ全体としての逸脱度としても良い。また既存の学習データについても、新規の学習データと同様に、既存の学習データ全体としての逸脱度を算出し、両者を合わせて表示しても良い。

また医用画像毎に算出される逸脱度ｄｉが比較的大きい医用画像を、逸脱する医用画像のサンプルとして表示しても良い。例えば、各逸脱度ｄｉが所定の閾値よりも大きい医用画像や、逸脱度ｄｉが大きい方から所定数の医用画像が、逸脱する医用画像のサンプルとして表示される。逸脱度とともに逸脱する医用画像のサンプルが表示されることにより、新たな学習が与える影響をより類推しやすくなる。さらに、逸脱する医用画像の枚数ｎ０が所定の閾値よりも多い場合には、逸脱度ｄｉが比較的大きい医用画像に共通する特徴量である共通特徴量を求めて提示しても良い。

図１２を用いて逸脱する医用画像に共通する特徴量である共通特徴量の求め方について説明する。図１２には、図１０と同じ特徴量空間に、新規の学習データの中の識別結果ａである医用画像ｎ１とｎ４が配置された状態が示される。医用画像ｎ１とｎ４は、識別結果ｂの領域に配置されている。医用画像ｎ１から識別結果ａの分布の中心へのベクトルは、特徴量Ａ＿１の成分Ｄ１＿１と特徴量Ａ＿２の成分Ｄ１＿２に分解される。医用画像ｎ４からのベクトルも同様にＤ４＿１とＤ４＿２に分解される。そして各特徴量の成分に分解されたベクトルの中で比較的ばらつきが小さい成分が共通特徴量として求められる。例えば、分解された成分の分散や差が予め設定した閾値以下となる特徴量が、逸脱する医用画像の共通特徴量として求められる。図１２では、Ｄ１＿１とＤ４＿１との差が閾値Ｄｌｉｍｉｔよりも小さい場合に、逸脱する医用画像ｎ１とｎ４の共通特徴量としてＡ＿１が求められる。逸脱する医用画像の共通特徴量がさらに提示されることにより、新たな学習が与える影響をより類推しやすくなる。

以上説明した処理の流れにより、既存の学習データを用いて領域分割された特徴量空間における新規の学習データの逸脱度が提示される。そして提示される逸脱度から、既存の識別器の一つである画像診断支援装置１１１に対して新たな学習が与える影響を類推可能となる。

以上、本発明の実施例について説明した。本発明はこれらの実施例に限定されるものではなく、さまざまな変形例が含まれる。例えば、上記した実施例は本発明をわかりやすく説明するために詳細に説明したものであり、説明したすべての構成を備えるものに限定されるものではない。

１００：医用画像処理装置、１０１：ＣＰＵ、１０２：メモリ、１０３：記憶部、１０４：ネットワークアダプタ、１０５：バス、１０６：入力部、１０７：表示部、１０８：ネットワーク、１０９：医用画像撮影装置、１１０：医用画像データベース、１１１：画像診断支援装置、２００：断層画像、２０１：病変候補、４０１：空間設定部、４０２：領域分割部、４０３：逸脱度算出部

Claims

医用画像を処理する医用画像処理装置であって、
前記医用画像を識別した結果である識別結果と前記医用画像との対の集合である既存の学習データを記憶する記憶部と、
前記医用画像から算出される複数の特徴量を軸として有する特徴量空間を設定する空間設定部と、
前記特徴量空間における前記既存の学習データの分布に基づいて、前記特徴量空間を識別結果毎の領域に分割する領域分割部と、
前記既存の学習データとは異なる新規の学習データが前記領域から逸脱する程度である逸脱度を算出し提示する逸脱度算出部を備えることを特徴とする医用画像処理装置。
請求項１に記載の医用画像処理装置であって、
前記逸脱度算出部は、前記新規の学習データに含まれる各医用画像に対して前記逸脱度を算出し、算出された逸脱度が比較的大きい医用画像を表示させることを特徴とする医用画像処理装置。
請求項２に記載の医用画像処理装置であって、
前記逸脱度算出部は、逸脱度が比較的大きい医用画像に共通する特徴量である共通特徴量を求めることを特徴とする医用画像処理装置。
請求項３に記載の医用画像処理装置であって、
前記逸脱度算出部は、前記領域から逸脱する各医用画像から前記領域の中心へのベクトルを特徴量毎の成分に分解し、分解された成分の中で比較的ばらつきが小さい成分を前記共通特徴量として求めることを特徴とする医用画像処理装置。
請求項１に記載の医用画像処理装置であって、
前記逸脱度算出部は、前記領域の間の境界からの距離に基づいて前記逸脱度を算出することを特徴とする医用画像処理装置。
請求項５に記載の医用画像処理装置であって、
前記領域分割部は、前記特徴量空間において領域毎に中心を算出し、
前記逸脱度算出部は、前記領域毎の中心からの距離に基づいて前記逸脱度を補正することを特徴とする医用画像処理装置。
請求項１に記載の医用画像処理装置であって、
前記空間設定部は、前記既存の学習データの識別結果との相関係数に基づいて前記特徴量空間の軸を選択することを特徴とする医用画像処理装置。
コンピュータが医用画像を処理する医用画像処理方法であって、
前記医用画像を識別した結果である識別結果と前記医用画像との対の集合である既存の学習データを取得する取得ステップと、
前記医用画像から算出される複数の特徴量を軸として有する特徴量空間を設定する空間設定ステップと、
前記特徴量空間における前記既存の学習データの分布に基づいて、前記特徴量空間を識別結果毎の領域に分割する領域分割ステップと、
前記既存の学習データとは異なる新規の学習データが前記領域から逸脱する程度である逸脱度を算出し提示する逸脱度算出ステップを備えることを特徴とする医用画像処理方法。
コンピュータによって医用画像を処理させる医用画像処理プログラムであって、
前記医用画像を識別した結果である識別結果と前記医用画像との対の集合である既存の学習データを取得する取得ステップと、
前記医用画像から算出される複数の特徴量を軸として有する特徴量空間を設定する空間設定ステップと、
前記特徴量空間における前記既存の学習データの分布に基づいて、前記特徴量空間を識別結果毎の領域に分割する領域分割ステップと、
前記既存の学習データとは異なる新規の学習データが前記領域から逸脱する程度である逸脱度を算出し提示する逸脱度算出ステップを備えることを特徴とする医用画像処理プログラム。