JP2022054814A - 画像診断支援装置および画像処理方法 - Google Patents

Abstract

【課題】既存の画像診断モデルを用いて各施設に適した診断結果を取得可能な画像診断支援装置および画像処理方法を提供する。【解決手段】入力される医用画像である診断画像に対して診断結果を出力する画像診断モデルを読み込むモデル読込部と、施設が保有する診断結果と対応付けられた複数の医用画像である施設データを記憶する記憶部と、前記施設データに基づいて、前記画像診断モデルに入力される診断画像又は前記画像診断モデルを調整する調整部を備えることを特徴とする。【選択図】図３

Description

本発明は医用画像撮像装置で取得される医用画像に含まれる病変部位を人工知能等により診断支援する画像診断支援装置および画像処理方法に関し、特に診断精度を向上させる技術に係る。

Ｘ線ＣＴ（Computed Tomography）装置等に代表される医用画像撮像装置は、病変部位等の形態を画像化する装置であり、医用画像に含まれる病変部位は読影医によって診断される。医用画像撮像装置の高性能化にともなう読影医の負担増を軽減するため、人工知能いわゆるＡＩ（Artificial Intelligence）によって病変部位を診断する画像診断支援装置が近年開発されている。多くの画像診断支援装置では、医用画像の特徴を示す値である多数の画像特徴量に基づいて医用画像から導かれる診断名を推論するのに留まっており、推論の結果が診断に有用であるか否かを医師が判断できなかった。

特許文献１には、医用画像から診断名を推論するように機械学習した画像診断モデルを用いて医用画像から診断名を推論するとともに、診断名の推論結果への影響度が高い画像所見を参考情報として提示できる情報処理装置が開示されている。具体的には、医用画像の各画像特徴量に基づいて、診断名と、医用画像の特徴を表現する画像所見とが推論され、診断名の推論結果に影響を与えた画像特徴量と共通する画像特徴量が影響を与えて推論される画像所見が参考情報として提示される。

特開２０１９－９７８０５号公報

しかしながら特許文献１では、既存の画像診断モデルを用いて画像診断をしているため、各施設に適した診断結果にならない場合がある。すなわち、患者の性質の違いや画像診断装置の種類の違い等の施設の性質の違いによって、十分な診断精度が得られない場合がある。

そこで本発明は、既存の画像診断モデルを用いて各施設に適した診断結果を取得可能な画像診断支援装置および画像処理方法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、入力される医用画像である診断画像に対して診断結果を出力する画像診断モデルを読み込むモデル読込部と、施設が保有する診断結果と対応付けられた複数の医用画像である施設データを記憶する記憶部と、前記施設データに基づいて、前記画像診断モデルに入力される診断画像又は前記画像診断モデルを調整する調整部を備えることを特徴とする画像診断支援装置である。

また本発明は、入力される医用画像である診断画像に対して診断結果を出力する画像診断モデルを読み込むモデル読込ステップと、施設が保有する診断結果と対応付けられた複数の医用画像である施設データに基づいて、前記画像診断モデルに入力される診断画像又は前記画像診断モデルを調整する調整ステップと、をコンピュータに実行させることを特徴とする画像処理方法である。

本発明によれば、既存の画像診断モデルを用いて各施設に適した診断結果を取得可能な画像診断支援装置および画像処理方法を提供することができる。

実施例１の画像診断支援装置のハードウェア構成図である。 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。 評価領域毎の重要度の算出について説明する図である。 診断結果と重要度の表示画面の一例を示す図である。 施設データの統計処理の結果の一例を示す図である。 統計処理に用いられる項目を選択する画面の一例を示す図である。 診断画像の調整の一例を示す図である。 実施例２の処理の流れの一例を示す図である。

以下、添付図面に従って本発明に係る画像診断支援装置および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を用いて実施例１の画像診断支援装置１００のハードウェア構成について説明する。画像診断支援装置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、ＲＯＭ（Read Only Memory）１０２、ＲＡＭ（Random Access Memory）１０３、記憶部１０４、ネットワークアダプタ１０５、入力部１０６、表示部１０７がバス１０８によって信号送受可能に接続されて構成される。また画像診断支援装置１００は、ネットワークアダプタ１０５及びネットワーク１０９を介して医用画像撮像装置１１０や医用画像データベース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、ＲＯＭ１０２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１０４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ＲＡＭ１０３にロードして実行する。記憶部１０４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１０９からも送受信される。ＲＡＭ１０３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やタッチパネル等である。入力部１０６は、操作者が画像診断支援装置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１０５は、画像診断支援装置１００をＬＡＮ、電話回線、インターネット等のネットワーク１０９に接続するためのものである。

医用画像撮像装置１１０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。また複数の断層画像が積み上げられることにより、三次元の医用画像が作成されても良い。医用画像データベース１１１は、医用画像撮像装置１１０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。

図２を用いて実施例１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。実施例１は、モデル読込部２０１と判定部２０２と調整部２０３を備える。以下、各部について説明する。

モデル読込部２０１は、入力される医用画像に対して診断結果を出力する画像診断モデルを記憶部１０４から、またはネットワークアダプタ１０５を介してインターネット等から読み込む。画像診断モデルは、Random forestやSVM （Support Vector Machine）、階層型ニューラルネットワーク等で構築される既存のプログラムであり、処理アルゴリズムがブラックボックス化された任意のプログラムである。画像診断モデルに入力される医用画像は、任意の画像で良く、例えば二次元や三次元の医用画像であったり、医用画像の一部の領域であったりする。また画像診断モデルから出力される診断結果は、例えば、病変部位の良悪判定の結果であり、病変部位が悪性である確率等である。

判定部２０２は、画像診断モデルから出力される診断結果が診断精度として十分か否かを判定する。判定部２０２による判定には、施設ごとに定められた閾値が用いられる。診断結果が診断精度として不十分と判定されると、調整部２０３が動作する。なお判定部２０２は必須の機能ではなく、判定部２０２による判定を経ることなく調整部２０３が動作しても良い。

調整部２０３は、施設が保有する診断結果と対応付けられた複数の医用画像である施設データに基づいて、画像診断モデルに入力される診断画像を調整する。すなわち、画像診断モデルから出力される診断結果の精度を向上させるために、診断画像のサイズを拡大・縮小したり、診断画像に含まれる任意の領域を削除したりする。具体的な調整は、図８を用いながら後述される。

図３を用いて、実施例１の処理の流れの一例について説明する。

（Ｓ３０１）
モデル読込部２０１が、記憶部１０４またはネットワークアダプタ１０５を介してインターネット等から画像診断モデルを読み込む。

（Ｓ３０２）
診断対象の医用画像である診断画像が画像診断モデルに入力される。診断画像は、施設が保有するＲＩＳ（Radiology Information System）等から読み出される。

（Ｓ３０３）
画像診断モデルは、Ｓ３０２にて入力された診断画像に対する診断結果として、例えば診断画像に含まれる腫瘍が悪性である確率を出力する。また診断結果とともに、評価領域毎の重要度が出力されても良い。評価領域とは診断結果に関与する領域として診断画像から抽出される領域であり、評価領域の重要度とは複数の評価領域のそれぞれが診断結果に与える影響の程度を示す値である。評価領域毎の重要度が示されることにより、操作者は診断結果により影響を与える評価領域、すなわち診断の根拠となる評価領域を確認できる。

図４を用いて、評価領域毎の重要度の算出例について説明する。診断結果に関与する領域である評価領域は、診療の根拠や手順が記載されている診療ガイドライン等に基づいて抽出される。例えば肺腫瘍の良悪判定の場合には肺がん診療ガイドライン等に基づいて、肺腫瘍領域や含気領域、胸壁領域、血管領域等が評価領域として抽出される。

抽出された評価領域は、輝度値の分布情報を表す画像として画像診断モデルに入力され、評価領域毎に重要度が算出される。具体的には、評価領域の様々な組み合わせを画像診断モデルに入力することによって取得される各診断結果と評価領域の組み合わせとに基づいて、評価領域毎の重要度が算出される。なお評価領域の組み合わせは、例えばサンプリングテーブル４０１によって表される。

サンプリングテーブル４０１は、抽出されたｎ個の評価領域が並ぶ項目行とサンプリング行列とから構成されるテーブルであり、各行に対応する画像に各評価領域が含まれるか否かがサンプリング行列の行列要素の値で示される。すなわち、各行の中の値が１であれば対応する評価領域は当該行の画像に含まれ、値が０である列の評価領域は当該行の画像に含まれない。当該行の画像に含まれない評価領域は輝度値０とされたり黒で埋められたりする。例えば、１行目の画像は領域１の値が１であって領域２から領域ｎまでの値が０であるので、領域１だけが含まれる画像となる。領域１が肺腫瘍領域である場合、当該画像は肺腫瘍領域だけが含まれる肺腫瘍領域画像４０２となる。また２行目の画像は領域１の値が０であって領域２から領域ｎまでの値が１であるので、領域１だけが含まれない画像となる。

サンプリング行列のサイズは、評価領域の数ｎと評価領域の組み合わせの数ｍとに応じて定められる。すなわちサンプリング行列はｍ行ｎ列の行列となる。評価領域の組み合わせの数ｍは、重要度の算出精度を向上させるために、ｎ個の評価領域の全ての組み合わせ数である２^ｎにすることが好ましいが、必ずしもその限りではない。例えばｎ個の評価領域の各々のみが含まれる組み合わせを表すようにｍ＝ｎとされても良い。

サンプリング行列等によって表される評価領域の組み合わせ毎の画像が画像診断モデルに入力されると、組み合わせ毎の診断結果が出力される。図４には、肺腫瘍領域や含気領域、胸壁領域、血管領域の各々のみが含まれる肺腫瘍領域画像４０２や含気領域画像４０３、胸壁領域画像４０４、血管領域画像４０５が画像診断モデルに入力されることによって出力される診断結果４０６が例示される。図４の診断結果４０６によれば、評価領域毎の重要度として、肺腫瘍領域画像４０２では０．９５、含気領域画像４０３では０．８４、胸壁領域画像４０４では０．４２、血管領域画像４０５では０．４１が出力される。また図４に例示される結果から、操作者は胸壁領域や血管領域よりも肺腫瘍領域や含気領域が診断結果の根拠として重要であることを確認できる。

図５を用いて、Ｓ３０３にて表示される画面の一例について説明する。図５の画面には、診断画像表示部５０１、評価領域表示部５０２、重要度表示部５０３、診断結果表示部５０４が含まれる。診断画像表示部５０１には、診断画像の中の腫瘍を含む領域である腫瘍領域の画像が表示される。評価領域表示部５０２には、診断画像表示部５０１に表示された画像を複数の評価領域に分割した結果が表示される。重要度表示部５０３には、評価領域毎に算出された重要度が可視化された画像が表示される。診断結果表示部５０４には、診断結果である腫瘍が悪性である確率９７％とともに、腫瘍のサイズや、腫瘍の辺縁の性状、含気の有無等が表示される。

（Ｓ３０４）
判定部２０２は、Ｓ３０３にて出力される診断結果に基づいて、画像診断モデルの診断精度が十分か否かを判定する。診断精度が不十分である場合にはＳ３０５を介してＳ３０３へ処理が戻され、十分である場合にはＳ３０６に処理が進められる。診断精度の判定には、施設毎に定められる閾値が用いられ、例えば診断結果である腫瘍が悪性である確率が閾値よりも低ければ診断精度は不十分であると判定される。施設毎に定められる閾値には、例えば診断結果が正しい確率の値が設定される。

（Ｓ３０５）
調整部２０３は、施設データに基づいて診断画像を調整する。診断画像が調整されるとＳ３０３に処理が戻り、画像診断モデルが調整後の診断画像に対して診断結果を出力する。診断画像は、例えば施設データを統計処理した結果に基づいて調整される。

図６を用いて、施設データを統計処理した結果の一例について説明する。図６には、施設ヒストグラム６０１と教師ヒストグラム６０２が示される。施設ヒストグラム６０１は、施設データの各医用画像を用いて作成されるヒストグラムであり、図６には各医用画像に含まれる腫瘍のサイズを横軸としたヒストグラムが示される。また教師ヒストグラム６０２は、画像診断モデルの生成に用いられた教師データを用いて作成されるヒストグラムであり、施設ヒストグラム６０１と同様に、横軸は各医用画像に含まれる腫瘍のサイズである。なお教師データは施設データとは異なる複数の医用画像であって、医用画像毎に診断結果が対応付けられる。また施設データの統計処理は、腫瘍のサイズを横軸としたヒストグラムの作成に限られず、操作者が選択する項目を用いて統計処理がなされても良い。

図７を用いて、施設データの統計処理に用いられる項目を選択する画面の一例について説明する。図７の画面には、図５を用いて説明した診断画像表示部５０１、評価領域表示部５０２、重要度表示部５０３、診断結果表示部５０４とともに、項目選択部７０１と統計結果表示部７０２が含まれる。項目選択部７０１は、統計処理に用いられる項目を操作者が選択するためのチェックボックスであり、選択されたチェックボックスに対応する項目が統計処理に用いられる。操作者が項目選択部７０１から所望の項目を選択することにより、操作者が重要視する観点で診断精度の向上を図ることができる。

統計結果表示部７０２には、項目選択部７０１で選択された項目を用いて統計処理された結果が表示される。統計結果表示部７０２には、施設データを統計処理した結果だけでなく、教師データを統計処理した結果が表示されても良い。両データが対比されて表示されることにより、施設の性質が画像診断モデルと合っているか否かが明確になる。例えば、図６の施設ヒストグラム６０１と教師ヒストグラム６０２との対比により、施設データと教師データには腫瘍のサイズの分布に差異があり、施設の性質が画像診断モデルと合っていないことがわかる。調整部２０３は、施設の性質を画像診断モデルに合わせられるために、施設データと教師データとの差異を軽減するように診断画像を調整しても良い。例えば、施設ヒストグラム６０１の最頻値と教師ヒストグラム６０２の最頻値との差異に基づいて診断画像の大きさが調整される。

図８を用いて、診断画像の調整の一例について説明する。図８には、第一調整例８０１と第二調整例８０２が示される。第一調整例８０１は、施設ヒストグラム６０１と教師ヒストグラム６０２との対比に基づいて診断画像の大きさが縮小された例である。すなわち施設ヒストグラム６０１の最頻値が３０ｍｍであるのに対して教師ヒストグラム６０２の最頻値が２０ｍｍであるときに、診断画像の一辺に２／３が乗じられて診断画像が縮小された例である。第二調整例８０２は、腫瘍の近傍に存在する高輝度領域が除去された例である。すなわち、腫瘍の下側に存在する高輝度領域である胸壁領域に黒が埋め込まれて高輝度領域が除去された例である。

（Ｓ３０６）
調整部２０３は、Ｓ３０５の診断画像の調整に係るパラメータである調整パラメータを記憶部１０４に保存する。例えば、診断画像の一辺に２／３が乗じられて診断画像が縮小された場合には、調整パラメータとして２／３が保存される。なお、Ｓ３０５の処理を経ることなくＳ３０６に達した場合には、調整パラメータは保存されなくても良い。またＳ３０６に至ったときには、Ｓ３０３において施設に適した診断結果が取得されている。

以上説明した処理の流れにより、画像診断モデルに施設の性質が合うように診断画像が調整されるので、既存の画像診断モデルを用いて各施設に適した診断結果を取得することができる。なお図３の処理の流れにおいて、Ｓ３０４の判定処理は必須ではない。Ｓ３０４の判定処理が無い場合は、画像診断モデルがＳ３０３において、Ｓ３０５の調整処理を施された診断画像に対する診断結果を出力すれば良い。

実施例１では、施設データに基づいて、画像診断モデルに入力される診断画像を調整することについて説明した。診断精度を向上させるには、画像診断モデルに入力される診断画像を調整するだけでなく、再学習によって画像診断モデルが調整されても良い。実施例２では、画像診断モデルの調整に用いられる再学習データを施設データに基づいて生成し、再学習データを用いて画像診断モデルを調整することについて説明する。なお、実施例２の全体構成は実施例１と同じであるので説明を省略する。また実施例２の機能ブロック図は実施例1と同じであるが、調整部２０３の動作が異なるので調整部２０３について説明する。

実施例２の調整部２０３は、施設が保有する診断結果と対応付けられた複数の医用画像である施設データに基づいて、画像診断モデルの調整に用いられる再学習データを生成する。画像診断モデルは、生成された再学習データを用いて再学習することにより、診断結果の精度が向上するように調整される。

図９を用いて、実施例２の処理の流れの一例について説明する。なおＳ３０１乃至Ｓ３０３は実施例１と同じ処理であるので説明を簡略化する。

（Ｓ３０１）
モデル読込部２０１は画像診断モデルを読み込む。

（Ｓ３０２）
診断画像が画像診断モデルに入力される。

（Ｓ３０３）
画像診断モデルは、診断画像に対する診断結果を出力する。

（Ｓ９０４）
判定部２０２は、Ｓ３０３にて出力される診断結果に基づいて、画像診断モデルの診断精度が十分か否かを判定する。診断精度が不十分である場合にはＳ９０５を介してＳ３０３へ処理が戻され、十分であれる場合にはＳ９０６に処理が進められる。

（Ｓ９０５）
調整部２０３は、施設データに基づいて再学習データを生成し、生成された再学習データを用いて画像診断モデルを調整する。画像診断モデルが調整されるとＳ３０３に処理が戻り、調整後の画像診断モデルが診断画像に対して診断結果を出力する。

再学習データのいくつかの例について説明する。施設に適した診断結果を取得可能にするため、再学習データには施設データの性質が反映されていることが望ましい。そこで、施設データをそのまま再学習データとして用いても良い。

なお、施設データの画像数が、画像診断モデルの生成に用いられた教師データの画像数に比べて著しく少ないと、学習量の不足により十分な診断精度を得ることができない場合がある。そのような場合は、施設データに教師データを追加することによって、学習量の不足を生じさせない再学習データが生成されても良い。

ただし、追加される教師データの性質と施設データの性質が大きく異なると、施設に適した診断結果を得ることが困難になる。そこで、教師データの中から施設データの性質に近いデータを抽出し、抽出されたデータを施設データに追加することによって再学習データが生成されても良い。例えば、図６に例示される施設ヒストグラム６０１から算出される確率関数を用いて、施設データに追加されるデータを教師データの中から抽出しても良い。確率関数は施設ヒストグラム６０１をフィッティングすることによって算出される。また確率関数を用いて教師データの中から抽出されるデータの分布は、施設ヒストグラム６０１に類似する分布となり、施設データの性質に近いデータとなる。そのため、生成される再学習データを再学習することによって調整された画像診断モデルは、施設に適した診断結果を出力できる。

（Ｓ９０６）
調整部２０３は、Ｓ９０５にて調整された画像診断モデル、すなわち再学習後の画像診断モデルを記憶部１０４に保存する。なお、Ｓ９０５の処理を経ることなくＳ９０６に達した場合には、再学習後の画像診断モデルは保存されなくても良い。またＳ９０６に至ったときには、Ｓ３０３において施設に適した診断結果が取得されている。

以上説明した処理の流れにより、施設の性質に合うように画像診断モデルが調整されるので、既存の画像診断モデルを用いて各施設に適した診断結果を取得することができる。なお図９の処理の流れにおいて、Ｓ９０４の判定処理は必須ではない。Ｓ９０４の判定処理が無い場合は、Ｓ９０５にて調整された画像診断モデルがＳ３０３において、診断画像に対する診断結果を出力すれば良い。

以上、本発明の複数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。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能である。さらに、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

１００：画像診断支援装置、１０１：ＣＰＵ、１０２：ＲＯＭ、１０３：ＲＡＭ、１０４：記憶部、１０５：ネットワークアダプタ、１０６：入力部、１０７：表示部、１０８：バス、１０９：ネットワーク、１１０：医用画像撮像装置、１１１：医用画像データベース、２０１：モデル読込部、２０２：判定部、２０３：調整部、４０１：サンプリングテーブル、４０２：肺腫瘍領域画像、４０３：含気領域画像、４０４：胸壁領域画像、４０５：血管領域画像、４０６：診断結果、５０１：診断画像表示部、５０２：評価領域表示部、５０３：重要度表示部、５０４：診断結果表示部、６０１：施設ヒストグラム、６０２：教師ヒストグラム、７０１：項目選択部、７０２：統計結果表示部、８０１：第一調整例、８０２：第二調整例

Claims (11)

1. 入力される医用画像である診断画像に対して診断結果を出力する画像診断モデルを読み込むモデル読込部と、
   施設が保有する診断結果と対応付けられた複数の医用画像である施設データを記憶する記憶部と、
   前記施設データに基づいて、前記画像診断モデルに入力される診断画像又は前記画像診断モデルを調整する調整部を備えることを特徴とする画像診断支援装置。
2. 請求項１に記載の画像診断支援装置であって、
   前記調整部は、前記施設データの各医用画像に含まれる腫瘍のサイズのヒストグラムである施設ヒストグラムを生成し、前記施設ヒストグラムに基づいて前記診断画像の大きさを調整することを特徴とする画像診断支援装置。
3. 請求項２に記載の画像診断支援装置であって、
   前記画像診断モデルは、前記施設データとは異なる複数の医用画像である教師データを学習することによって生成され、
   前記調整部は、前記教師データの各医用画像に含まれる腫瘍のサイズのヒストグラムである教師ヒストグラムを生成し、前記施設ヒストグラムの最頻値である施設最頻値と、前記教師ヒストグラムの最頻値である教師最頻値とに基づいて前記診断画像の大きさを調整することを特徴とする画像診断支援装置。
4. 請求項３に記載の画像診断支援装置であって、
   前記調整部は、前記教師最頻値を前記施設最頻値で除した値を前記診断画像の大きさに乗じることを特徴とする画像診断支援装置。
5. 請求項１に記載の画像診断支援装置であって、
   前記調整部は、前記施設データの各医用画像に含まれる腫瘍の近傍に高輝度領域が存在する場合には、前記高輝度領域を除去することにより前記診断画像を調整することを特徴とする画像診断支援装置。
6. 請求項１に記載の画像診断支援装置であって、
   前記調整部は、前記施設データの各医用画像に含まれる腫瘍のサイズのヒストグラムである施設ヒストグラムを生成し、前記施設ヒストグラムに基づいて生成されるデータである再学習データを再学習させることによって前記画像診断モデルを調整することを特徴とする画像診断支援装置。
7. 請求項６に記載の画像診断支援装置であって、
   前記画像診断モデルは、前記施設データとは異なる複数の医用画像である教師データを学習することによって生成され、
   前記調整部は、前記施設ヒストグラムに基づいて前記教師データから前記再学習データを抽出することを特徴とする画像診断支援装置。
8. 請求項７に記載の画像診断支援装置であって、
   前記調整部は、前記施設ヒストグラムに基づいて前記教師データから医用画像を抽出する確率関数を算出し、前記確率関数を用いて前記再学習データを抽出することを特徴とする画像診断支援装置。
9. 請求項１に記載の画像診断支援装置であって、
   前記画像診断モデルの診断結果に基づいて、前記調整部による調整の要否を判定する判定部をさらに備え、
   前記調整部は、前記判定部が前記調整を要すると判定したときに、前記画像診断モデルに入力される診断画像又は前記画像診断モデルを調整することを特徴とする画像診断支援装置。
10. 請求項１に記載の画像診断支援装置であって、
    前記施設データの統計処理に用いられる項目を選択する画面を表示することを特徴とする画像診断支援装置。
11. 入力される医用画像である診断画像に対して診断結果を出力する画像診断モデルを読み込むモデル読込ステップと、
    施設が保有する診断結果と対応付けられた複数の医用画像である施設データに基づいて、前記画像診断モデルに入力される診断画像又は前記画像診断モデルを調整する調整ステップと、をコンピュータに実行させることを特徴とする画像処理方法。

Images