JP2022068457A - 医用画像処理装置、医用画像処理システム、医用画像処理方法及びプログラム - Google Patents

Abstract

【課題】 読影の精度と効率を両立する。【解決手段】 本発明に係る医用画像処理装置は、医用画像と読影医に関する情報を取得する取得手段と、前記医用画像に対する画像診断の難易度を推定する推定手段と、前記推定された画像診断の難易度及び前記読影医に関する情報に基づいて、読影を担当する読影医を決定する決定手段と、を備えることを特徴とする。【選択図】 図１

Description

本発明は医用画像処理装置、医用画像処理システム、医用画像処理方法及びプログラムに関する。

近年、撮像装置の高性能化と撮影回数の増加により、読影すべき医用画像データの数が増加する一方で、習熟度の高い読影医の数が不足している。これにより、必ずしも全ての医用画像を習熟度の高い読影医が読影できるわけではないため、適切な画像診断を行うにあたって読影医の習熟度が十分ではない場合があるという課題がある。

例えば、非特許文献１では、眼検診の読影精度の説明がなされており、眼科医と一般医とで読影の精度が異なる事が指摘されている。

また、読影に係る読影医の数が不足している課題に対して、コンピュータによって読影医のワークフローを支援する技術の開発が盛んに行われている。

特許文献１には、医用画像から人工知能を用いて検出された異常陰影候補領域に関する情報を元に、読影医の人数を決定する技術が記載されている。異常陰影候補領域の種類や数、確率、あるいは、読影の担当科に応じて、読影する人数を決定する事で、画像診断の効率化をはかっている。

特許文献２には、眼科装置の遠隔診断において、眼科撮影装置から疾患名や候補疾患名を示す情報、読影の難易度を付与して外部に送信する読影要求する技術が記載されている。当該難易度の読影が可能な読影医を選択することで、遠隔で適切な読影を行う事が出来る。

特開２０２０－６０８５７号公報 特開２０１９－２１３７３４号公報

日本の眼科第８８巻１号付録 「成人を対象とした眼検診」研究班業績集

しかしながら、特許文献１や特許文献２に記載されている方法では、診断の精度や効率が上がらない場合があった。例えば、読影医の熟練度や専門性にばらつきがある場合が挙げられる。読影医の熟練度や専門性にばらつきがある場合は、複数人で読影する効果が薄くなる。例えば、熟練度が低い読影医と熟練度が高い読影医が担当する場合、熟練度が低い読影医が読影する意味が低く、効率の観点では熟練度が低い読影医の読影が無駄になる。

また、特許文献２に記載されている方法では、読影の難易度を付与する方法が記載されていない。読影要求する側の検者が難易度を付与する場合、検者の熟練度のばらつきにより付与する難易度にもばらつきが出る。特に、遠隔からの撮影支援が必要な熟練度の検者が、難易度を付与する場合、ばらつきがでやすいことが予想できる。反対に、難易度を正確に付与する為に読影医等の熟練者が判定するのは、効率が悪い。付与する難易度にばらつきがあると、適切な読影医に割り当てられにくくなり、読影の精度や効率が低下する。健診など大規模かつ大人数が画像取得や読影を担当する場合、検者や読影医の熟練度を均一にして、精度と効率を上げることはさらに難しくなる。

以上のように、読影の精度と効率を両立する事が望まれていた。

本発明は上記課題に鑑み、医用画像の診断において、診断の精度と効率を両立するシステムを提供することを目的とする。

なお、前記目的に限らず、後述する発明を実施するための形態に示す各構成により導かれる作用効果であって、従来の技術によっては得られない作用効果を奏することも本発明の他の目的の１つとして位置付けることができる。

本発明に係る医用画像処理装置は、医用画像と読影医に関する情報を取得する取得手段と、前記医用画像に対する画像診断の難易度を推定する推定手段と、前記推定された画像診断の難易度及び前記読影医に関する情報に基づいて、読影を担当する読影医を決定する決定手段と、を備えることを特徴とする。

本発明によれば、医用画像の診断において、診断の精度と効率を両立するシステムを提供することができる。

本発明の医用画像処理システムの構成の一例を表す概略図 本発明の医用画像処理装置の構成の一例を表す概略図 本発明の処理の概略の一例を表すフロー図 本発明の医用画像の一例を表す図 本発明の医用画像の読影結果の組み合わせの一例を表す図 本発明の表示画面の一例を表す図 本発明の表示画面の一例を表す図 本発明の医用画像の一例を表す図 本発明の医用画像の一例を表す図 本発明の医用画像の一例を表す図 本発明の医用画像処理システムの構成の一例を表す概略図

以下、添付図面に従って本発明に係る医用画像処理システムの好ましい実施形態について詳説する。ただし、この実施形態に記載されている構成要素はあくまで例示であり、本発明に係る医用画像処理システムの技術的範囲は、特許請求の範囲によって確定されるのであって、以下の個別の実施形態によって限定されるわけではない。また、本発明は下記実施形態に限定されるものではなく、本発明の趣旨に基づき種々の変形（各実施例の有機的な組合せを含む）が可能であり、それらを本発明の範囲から除外するものではない。即ち、後述する各実施例及びその変形例を組み合わせた構成も全て本明細書に開示の実施形態に含まれるものである。

なお、以下の実施形態においては、画像診断の難易度の推定に用いる医用画像を撮像する撮影装置として眼底カメラを用いた場合を代表例として説明するが、これに限定されるものでなく、他の撮影装置であっても好適に適用できる。例えば、難易度の推定を行う疾患に応じて、眼底や前眼部の画像を撮影可能な光干渉断層撮影装置など他の眼科検査装置を用いてもよい。また、一般Ｘ線撮影法、Ｘ線コンピュータ断層撮影法、核磁気共鳴画像法、超音波検査法、陽電子放出断層撮影法、単一光子放射断層撮影法など疾患のスクリーニングや診断に用いられる撮影装置を用いてもよい。

〔実施形態１〕
本実施形態に係る医用画像処理システムは、医用画像について画像診断の難易度を推定し、推定された診断の難易度及び読影医の習熟度に基づいて読影を行う読影医を決定することを特徴とする。

より具体的には、例えば、医用画像処理システムは、画像診断の難易度が低いと推定された医用画像は、習熟度の低い読影医に割振り、画像診断の難易度が高いと推定された医用画像は、習熟度の高い読影医に割振る。

以下、本発明の一実施形態を、図面を用いて詳細に説明する。

図１は、本実施形態に係る医用画像処理装置を含む医用画像処理システム１００の全体構成を示す図である。

医用画像処理システム１００は、眼底カメラ１０１、データサーバ１０２、医用画像処理装置１０３、読影端末１０４を含み構成される。

眼底カメラ１０１は、画像診断に用いる医用画像である眼底画像を撮影する。

眼底カメラ１０１により撮影される眼底画像の例を、図４に示す。眼底カメラ１０１は目に強い光を当て、眼底（網膜）をカラーで撮影する。図４に示すように視神経が集まる視神経乳頭４０１や黄斑部４０２や、周囲の網膜部分を撮影し、眼底の血管の大きさや走行、出血や網膜剥離の有無などが分かる。読影医は眼底像から、緑内障、糖尿病網膜症、加齢黄斑変性、病的近視、白内障などの眼の疾患の有無を確認する。また、眼疾患以外にも脳血管障害やアルツハイマー症候群の兆候が現れるとの報告もある。

データサーバ１０２は、ネットワークを介して眼底カメラ１０１と医用画像処理装置１０３と通信可能に接続されており、眼底カメラ１０１で撮影された画像や関連する医用情報等のデータを記憶及び管理する。

医用画像処理装置１０３は、図２に示すように、その機能的な構成として、通信ＩＦ（Ｉｎｔｅｒｆａｃｅ）１１１、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１１２、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１１３、記憶部１１４、操作部１１５、表示部１１６、及び制御手段１１７を備える。

通信ＩＦ１１１は、ＬＡＮカード等で実現され、外部装置（例えば、データサーバ１０２）と医用画像処理装置１０３との間の通信を司る。ＲＯＭ１１２は、不揮発性のメモリ等で実現され、各種プログラム等を記憶する。ＲＡＭ１１３は、揮発性のメモリ等で実現され、各種情報を一時的に記憶する。記憶部１１４は、コンピュータ読み取り記憶媒体の一例であり、ハードディスクドライブ（ＨＤＤ）やソリッドステイトドライブ（ＳＳＤ）に代表される大容量情報記憶装置等で実現され、各種情報を記憶する。操作部１１５は、キーボードやマウス等で実現され、ユーザからの指示を装置に入力する。表示部１１６は、ディスプレイ等で実現され、各種情報をユーザに表示する。制御手段１１７は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やＧＰＵ（Ｇｒａｐｈｉｃａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等で実現され、医用画像処理装置１０４における各処理を統括制御する。

制御手段１１７は、その機能的な構成として、取得手段１１８、推定手段１１９、表示制御手段１２０、決定手段１２１及び送信手段１２２を備える。

取得手段１１８は、眼底カメラ１０１で撮影した被検者の眼底画像等のデータをデータサーバ１０２から読み取り取得する。

推定手段１１９は、取得手段１１８が取得した眼底画像から画像診断の難易度を推定する。

表示制御手段１２０は、取得手段１１８により取得された眼底画像や、推定手段１１９により推定された結果を表示部に表示する。

決定手段１２１は、推定手段１１９により推定された画像診断の難易度及び読影医の読影医の習熟度に基づいて、画像診断を行う読影医を決定する。

送信手段１２２は、決定手段１２１により決定された結果に基づいて、医用画像を読影端末１０４に送信する。

読影端末１０４は、医用画像処理装置１０３から医用画像を受信する受信手段１２４と、受信した画像を表示部１２３に表示する表示制御手段１２５と、読影結果の入力を受け付ける受付手段１２６と、読影結果を送信する送信手段１２７を備える。読影端末１０４は、例えば、モニタと入力手段を備えたＰＣやタブレット端末の形態をとることができる。読影端末１０４は、専用の端末であってもよいし、汎用的な端末のプログラムであってもよい。読影端末１０４は、読影を行う施設内にあってもよいし、施設外にあってもよい。また、一台の読影端末を複数の読影医が共有してもよいし、例えば読影医が複数いる場合に、図１に示すように読影医Ａに対し読影端末１０４ａ、読影医Ｂに対し１０４ｂのようにそれぞれ用意してもよい。

次に、本実施形態に係る医用画像処理装置１０３の処理手順について、図３のフローチャートを用いて説明する。

（Ｓ１）（医用画像を取得する）
Ｓ１において、取得手段１１８は、眼底カメラ１０１で撮影した被検者の眼底画像や、診断を行う読影医の決定に用いる読影医に関する情報等のデータをデータサーバ１０２から読み取り取得する。なお、データサーバ１０２には、読影を担当する複数の読影医を習熟度に対応して２つ以上のクラスに分けて記憶されている。そして、読影医に関する情報とは、例えば、画像診断を行う読影医の習熟度を示す情報であり、経験年数、専門度（専門医か一般医かどうか）、読影経験枚数、習熟度評価用の試験に対する読影の正解率などの項目を含む。なお、読影医に関する情報としては、習熟度に基づいて複数に分類されたクラスのうちどのクラスに属するのかが少なくとも取得できればよい。また、読影医に関する情報は上記に限定されず、例えば、専門度は、緑内障専門医、一般眼科医、一般医などのように３つのクラスに分けて記憶されていてもよいし、読影医の専門分野を示す情報でもよい。

また、取得手段１１８は、データサーバ１０２に記憶された読影医に関する情報を全て取得してもよいし、一部の項目のみを取得してもよい。さらに、一部の項目を取得する場合、取得手段１１８は、予め定められた所定の情報を自動で取得してもよいし、ユーザが操作部１１５を介して選択した項目の情報を取得してもよい。

また、データは、必ずしもデータサーバ１０２から取得しなくてもよく、例えば、眼底カメラ１０１から直接送信されてきたデータを取得してもよい。また、取得する情報に応じて取得先のサーバが異なっていてもよい。例えば、医用画像と、読影医に関する情報を異なるデータサーバからそれぞれ取得してもよい。

（Ｓ２）（診断の難易度を推定する）
Ｓ２において、推定手段１１９は、Ｓ１で取得された医用画像を学習モデルに入力することにより、該医用画像の診断の難易度を推定する。

本実施形態では、下記で詳述する画像診断の難易度に関連したスコアを、医用画像から学習モデルで推定する。

本実施形態において、学習モデルは、入力データである医用画像と出力結果となる診断の難易度に関連したスコアであるラベルとの組を教師データとしたニューラルネットワークを用いた教師あり学習を行うことにより構築する。なお、学習モデルは制御手段１１７が備える学習手段（不図示）により生成されてもよいし、医用画像処理装置１０３とは異なる処理装置により生成されてもよい。学習モデルは、入力画像から難易度に関連したスコア（あるいは、スコア毎の確率の算出）を出力できるものであればよい。例えば、畳み込みネットワーク（ＣＮＮ）、サポートベクターマシン（ＳＶＭ）、あるいは複数のフィルタやネットワークを多層的に組み合わせた学習アルゴリズムなどを用いてもよい。

続いて、医用画像の診断の難易度について説明する。医用画像の診断の難易度は医用画像から疾患の有無についてどの程度正確に判定できるかの指標を指す。１つの疾患と１つの検査における組合せの例を、図５を使って説明する。真の結果としての疾患の有無とその疾患を判定する検査の陽性、陰性は図５のような２×２の表に分けられる。疾患の有無と結果の組み合わせから、それぞれ、ａ：真陽性、ｂ：偽陽性、ｃ：偽陰性、ｄ：真陰性に分類できる。このうち、真陽性と真陰性が正確に判定できた場合に相当する。反対に、偽陰性および偽陽性が、それぞれ見逃し、誤検知に相当する。

読影する医用画像には、正常であっても個人差や、撮影機種や撮影条件などばらつきが存在する。さらに、別の疾患等による形態の変化がある場合、読影の難易度が変わる。また、読影対象とする疾患の種類や、進行度、程度や部位によっても読影で判定する難易度が変わる。

具体的な例として、眼底写真の例で説明する。眼底写真の読影は基本的には定性的であるため、正常な眼底変化であっても、疾患の検出の難易度が高くなる場合がある。例えば強度近視では、眼軸長が伸びて眼底が変形する場合がある。また、傾斜乳頭や、生まれつき視神経乳頭が大きい（陥凹拡大）場合や、視神経低形成や乳頭低形成の場合などにより、視神経乳頭の大きさや形状は多彩になる。また、近視眼や高齢者では、網膜が薄くなるために脈絡膜血管が透けて見える豹紋状眼底などもある。さらに患眼の場合、疾患により眼底の状態が変化する為、読影の難易度は変化する。

そのため、習熟度が高い読影医の方が難易度の高い画像を正確に判定できると考えられる。なお、本実施形態の読影の難易度は、読影医全体に対して算出してもよいし、読影医全体における一部の群に対して、算出してもよい。例えば、読影を担当する習熟度の低い群に対して、読影の難易度を算出してもよい。

次に、画像診断の難易度に関連したスコアについて説明する。スコアは読影の難易度を表すものであれば良く、連続的な数値でも、離散的なクラス分けであってもよい。連続的な数値の場合、例えば、０～１００の数値でもよい。離散的なクラス分けは、例えば、低難易度と高難易度のように、２段階以上であればよい。また、連続的な数値であっても、閾値を設けて分類する事で離散的な取り扱いができる。反対に、離散的なクラス分けでも、確率を入れて、連続的な取り扱いをすることもできる。

教師データとして用いるスコアの判定方法について説明する。スコアは、読影の難易度に関連する指標であればよい。例えば、確定診断がついている画像を、複数の読影医が診断した時の正答率を用いてもよい。また、複数の読影医が画像毎に実際に読影した結果が、真陽性、真陰性、偽陽性、偽陰性になる確率をスコアとして用いてもよい。

そして、特定の読影医または複数の読影医がスコアを判定する。なお、特定の読影医または複数の読影医が医用画像毎に難易度のスコアを判定する場合、主観的な判定でもよいし、判定基準を設けてもよい。

また、スコアは特定の疾患の有無、疾患の進行度の分類、疾患の程度の分類やその分類に属する確率、病変の部位又は範囲、あるいは形状変化の有無などの画像所見に基づいて判定してもよい。あるいは、医用画像の画質に基づいて判定してもよい。例えば、コントラスト、フォーカスの程度、信号強度、ランダムノイズの量、ＳＮ比、固定ノイズ、フレア等の映り込み、アーチファクトの有無、あるいは解像度が挙げられる。

そして、例えば、形状変化も疾患も無い画像は低難易度に相当するスコアに分類し、それ以外を高難易度に相当するスコアに分類してもよい。あるいは、判定の難しい特定の疾患を有する医用画像を高難易度に分類し、反対に判定の易しい疾患を低難易度に相当するスコアに分類してもよい。あるいは、疾患の進行度の初期を高難易度に分類し、後期を低難易度に分類してもよい。または、疾患の程度が、軽度（あるいは狭範囲）の場合を高難易度に分類し、重度（あるいは広範囲）の場合を低難易度に分類してもよい。さらに、病変のある部位が、中央部（眼底の場合、黄斑や視神経乳頭近傍）の場合を低難易度に分類し、周辺部を高難易度に分類してもよい。画質の場合、コントラストが低い画像あるいはアーチファクトが映り込んでいる画像は高難易度に分類し、コントラストが高い画像は低難易度に分類してもよい。

なお、上記では、推定手段１１９が、特定の疾患の有無などの画像所見、あるいは、医用画像の画質に基づいて判定された難易度に関連するスコアをラベルとして学習した学習モデルを用いて難易度を推定する例を示した。しかしながら、例えば、医用画像と該医用画像に対する画像所見をラベルとして学習した学習モデルを用いて画像所見を推定してもよく、推定された画像所見に基づいて、難易度を判定し、後段の読影医の割振りを行ってもよい。あるいは、いずれの学習モデルを用いて難易度を推定してもよい。

すなわち、推定手段１１９は、入力画像と該入力画像に対する画像診断の難易度に関連するスコアとのペアを学習した第１の学習モデル、及び、入力画像と該入力画像に対して決定された画像所見とのペアを学習した第２の学習モデルのうち少なくともいずれか一方を用いて前記医用画像に対する画像診断の難易度を推定する推定手段の一例に相当する。

または、読影医に対する診断支援情報として出力するために、難易度の推定とは別に、画像所見の推定を行ってもよい。

なお、この場合、推定手段１１９が推定する画像所見は、特定疾患の有無、疾患の進行度分類、あるいは、程度分類に属する確率などであってもよい。また、特定の疾患は、緑内障、糖尿病網膜症、加齢黄斑変性、病的近視、白内障、脳血管障害、アルツハイマー症候群のいずれかの一つの疾患あるいは、いずれか二つ以上の疾患であってもよい。さらに、疾患の部位や範囲、大きさを可視化するものを組み合わせてもよい。

このとき、例えば、特定疾患の有無を推定する場合、特定の疾患が有ると推定される確率が高い画像（存在確率が８０％～１００％と推定される）と低い画像（存在確率が０～２０％）は、読影の難易度が低いと判定する。そして、特定の疾患が有ると推定される確率が高くもなく、低くもない画像（存在確率が３０％～７０％）の画像は、読影の難易度が高いと判定する。なお、上記の閾値や判定方法は一例であってこれに限定されない。

また、医用画像に対し前処理や後処理を学習モデルで行ってもよい。また、被検者の性別や年齢などの被検者情報を入力に加えてもよい。

画像診断の難易度以外の判定は、１つの共通の学習モデルで、入力画像から複数の出力を得るものであってもよい。あるいは、例えば、難易度を推定するモデルと画像所見を推定するモデルのように、それぞれの出力ごとに複数の学習モデルを用意してもよい。いずれの場合も、入力データと対応するラベルのペアを教師データとして学習する。

学習モデルで難易度を推定することにより、人の手を借りずに画像診断難易度を効率的に推定することができる。また、付随する疾患の有無などを推定した情報も得ることができる。

（Ｓ３）（読影医の割振りを決定する）
Ｓ３において、決定手段１２１は、推定手段１１９により推定された、医用画像の読影の難易度に関するスコアに基づいて、該医用画像を読影する読影医の割振りを決定する。

より具体的には、決定手段１２１は、Ｓ１において取得した読影医に関する情報と、推定手段１１９で推定した読影の難易度に関するスコアに基づいて読影する医用画像の割振りを決定する。

例えば、予め、読影の難易度に関するスコアと割振る読影医の群とは、対応を付けておき、画像診断の難易度が低いスコアの医用画像を習熟度が低い群に割振り、難易度が高いスコアの医用画像を習熟度が高い群に優先的に割振る。

このように、読影の習熟度と画像の難易度を対応させて読影を行うことで、精度を維持しつつ、効率的に読影を行うことができる。

なお、習熟度の高い読影医の群には、難易度が低い医用画像も割振り可能としてもよい。また、読影医を３つ以上の群に分ける場合は、スコアと割振る読影医の群とを同様に対応づければよい。

（Ｓ４）（読影医に画像を送信する）
Ｓ４において、送信手段１２２は、通信回線等を介して医用画像を読影端末１０４に送信する。具体的には、Ｓ３において決定された割振りに基づいて読影医が有する読影端末に送信する。例えば、習熟度の高い読影医が有する読影端末１０４ａに、読影の難易度が高いと推定された医用画像を送信し、習熟度の低い読影医が有する読影端末１０４ｂに、読影の難易度が低いと推定された医用画像を送信する。

また、送信手段１２２は、未加工の医用画像以外に、撮影装置、撮影部位などの種々の医用情報を診断目的によって送信してもよい。例えば、医用画像からノイズやアーチファクトを除く加工をした画像、あるいは、コントラスト、明るさ、角度、倍率などの見え方を補正した画像を送信してもよい。さらに、医用画像を解析した数値データ、Ｍａｐ、チャート、あるいは以前に取得した画像からの差分など、画像解析結果を送信してもよい。

さらに、送信手段１２２は、医用画像以外に、被検者情報も送信してもよい。例えば、年齢や性別、問診票の記入事項、既往症、過去の検査歴、過去に測定した同一被検者の医用画像など読影の参考に役立つ情報が挙げられる。また、被検者情報以外にも、推定される疾患の類似画像などを送信してもよい。

（Ｓ５）（読影の入力を受け付ける）
Ｓ５において、読影端末１０４が備える受信手段１２４は、医用画像処理装置１０３から送信されてきた医用画像を受信する。そして、表示制御手段１２５は、受信した医用画像を表示部に表示し、受付手段１２６は、表示部に表示された医用画像に対する読影医からの入力を受け付ける。

ここで、読影端末１０４の表示画面の例を図６に示す。表示画面６００には、読影医の情報を表示する読影医情報面６０１と、読影用の医用画像などを表示する画像表示面６０２を有する。画像表示面６０２は、少なくとも、読影する医用画像を表示する読影画像表示欄６０３、被検者情報を表示する被検者情報表示欄６０４、及び、読影結果を入力する読影結果入力欄６０５を有する。医用画像が複数ある場合、画像を切り替える切替ボタン６０６があってもよい。例えば、眼底画像の場合、左右眼を切り替えるスイッチがあってもよい。また、読影を補助する情報を表示する情報表示欄６０７や、表示する内容を切り替える選択ボタン６０８があってもよい。読影結果入力欄６０５には、例えば、精密検査の要否の記入欄６０９やコメントの記入欄６１０、読影医の記名欄６１１を有する。記入は、不図示のキーボードやマウス等の入力手段を用いて入力すればよい。あるいは、表示部１２３がＧＵＩ（グラフィカルユーザインタフェース）の画面の場合は、ＧＵＩ画面に対して、ユーザは操作入力を行ってもよい。

また、読影結果を保存する保存ボタン６１２や、読影結果を確定して送信する送信ボタン６１３や、読影を中止する中止ボタン６１４を有する。

さらに、Ｓ２において、医用画像処理装置１０３が、疾患の有無などの医用画像に対する診断結果を推定している場合には、学習モデルによる推定結果を表示する推定結果表示欄６２０を有してもよい。表示する推定結果の例としては、例えば、疾患の有無やその確率が挙げられる。学習モデルによる推定結果を表示することで、読影医は画像診断をする際の参考にすることができる。

また、学習モデルの推定結果を元に、入力する診断候補を予め読影結果入力欄６０５に表示してもよい。診断候補を予め表示することで、読影の効率を上げる事ができる。

さらに、画像診断の難易度を表示する難易度表示欄６２１があってもよい。難易度を表示する事で、読影医は医用画像が特に注意を払う必要があるかどうかの参考にすることができる。反対に、表示選択ボタン６２２で、学習モデルによる推定結果を表示、非表示を選択できてもよい。学習モデルの推定結果を非表示にする場合、読影医は推定結果による予断を持たずに読影を行うことができる。

なお、表示画面６００は、読影を担当する読影医の群あるいは、読影医ごとに事前に登録した情報に対応して表示内容を変えてもよい。表示内容の設定は、読影端末１０４が備える不図示の記憶部に保存すればよい。表示内容を変えることで、読影医にあった情報を提供する事ができ、より効率的に読影できる。例えば、習熟度が低い群と比べて、習熟度が高い読影医群に表示する医用画像の枚数あるいは追加する情報を増やしてもよい。習熟度が高い読影医群には、難易度が高い医用画像が割振られるため、相対的により詳細な情報を必要とする。

追加の情報の例としては、過去の撮影画像や、他のモダリティでの撮影結果がある場合は他の撮影結果を表示してもよい。

例えば、眼底カメラ以外にＯＣＴ（Ｏｐｔｉｃａｌ Ｃｏｈｅｒｅｎｃｅ Ｔｏｍｏｇｒａｐｈｙ）、ＳＬＯ（Ｓｃａｎｎｉｎｇ Ｌａｓｅｒ Ｏｐｈｔｈａｌｍｏｓｃｏｐｅ）、あるいは、スリットランプにより撮影された画像がある場合は、その画像を、表示画面に表示してもよい。一例として、ＯＣＴによる網膜の断層像を図７に示す。ＯＣＴ像は、読影画像表示欄７０３に表示してもよいし、情報表示欄７０７に表示してもよい。図７の例では、読影画像表示欄７０３に眼底像、情報表示欄７０７に断層像を示している。さらに、ＯＣＴ像など、異なるモダリティの画像を表示する場合、操作ＵＩを変更してもよい。図７の例では、操作部７３０を操作する事で、断層像の断面を変更できる。ＯＣＴの画像は、断層画像や三次元的な情報を取得できる反面、眼底カメラよりも読影に習熟を要する。従って、読影医の習熟度や読影難易度によって、ＯＣＴの画像を表示することが読影の役に立つ場合と、反対に読影の役に立たず効率を落とす場合とがある。また、ＯＣＴＡ（Ｏｐｔｉｃａｌ Ｃｏｈｅｒｅｎｃｅ Ｔｏｍｏｇｒａｐｈｙ Ａｎｇｉｏｇｒａｐｈｙ）の画像がある場合は、ＯＣＴＡの画像を表示してもよい。ＯＣＴＡの血管像の例を図８（ａ）に示す。ＯＣＴＡの画像は、網膜血管の形状を取得でき、より詳細な情報得られる反面、ＯＣＴよりも読影に習熟を要する。習熟度が低い群には、例えば、図８（ｂ）に示すように、ＯＣＴＡの解析結果としてチャート図８０１を表示してもよい。あるいは、眼底カメラの眼底像に解析結果を重畳した像を表示してもよい。図９に眼底カメラに形状データを表す等高線９０２を重畳した例を示す。同様に視神経繊維層の膜厚マップを重畳してもよい。あるいは、ＯＣＴを利用して、眼底像を図１０に示すように、３次元的に表示してもよい。これらは、担当する読影医が読影可能な画像として表示すればよい。画像表示面６０２に読影の最初から表示する設定でもよいし、選択ボタン６０８等で随時切り替え可能な構成としてもよい。読影医ごとに表示を切り替える事で、より読影の精度と効率を上げる事が出来る。

また、追加の情報としては、画像解析を行った画像を表示してもよい。反対に、習熟度が低い読影医群には、病変部と推定した部分を着色して強調表示した画像や、画像の代わりに画像解析による数値判定の結果を表示して、診断支援をしてもよい。例えば、眼底像から緑内障を診断する指標として、垂直Ｃｕｐ／Ｄｉｓｃ比（Ｃ／Ｄ比）がある。正常な目におけるＣ／Ｄ比は０．３以下で、０．７を超えている場合は緑内障の疑いがある。画像解析によりＣ／Ｄ比を算出し、習熟度の低い群の読影医には、この数値を参考に表示してもよい。

（Ｓ６）（読影結果を通知する）
Ｓ６において、読影医が読影結果を確定すると、送信手段１２７は、データサーバ１０２及び医用画像処理装置１０３の少なくともいずれか一方に読影結果を送信する。そして、送信された読影結果はデータサーバ１０２及び医用画像処理装置１０３の少なくともいずれか一方に記憶された被検者情報に登録される。

そして、医用画像処理装置１０３は、通知手段（不図示）により被検者に診断結果を通知する。通知の方法は、被検者へ直接通知してもよいし、検診機関や健康保険組合等を介して、間接的に被検者へ通知してもよい。

以上により医用画像処理システム１００の処理が実施される。

上記によれば、医用画像について画像診断の難易度を推定し、推定された診断の難易度に基づいて読影を行う読影医を決定することにより、診断の精度と効率を両立することができる。

（変形例１）
本変形例では、Ｓ５において、表示画面６００における、読影する医用画像を表示する読影画像表示欄６０３は、画像の加工や補正等の画像処理を行った画像を表示する。

例えば、ノイズ除去や、フレアやまつ毛、アーチファクト等の画像診断の妨げになるものを抑制してもよい。画像処理は、画像送信前に事前に行ってもよいし、読影端末１０４で行ってもよい。

画像処理には、例えば、Ｓ２で用いた診断の難易度を推定する学習モデルとは異なる、画像処理を施した画像を出力とする学習モデルを利用することができる。

例えば、同じ眼底カメラでも、異なる装置メーカや異なる機種間では、色味やコントラスト、カラーバランスに微妙な違いがある。さらには、画角や周辺部の見え方も異なる。また、モノクロ画像でも階調表示の仕方では、白黒表示や疑似カラー表示の場合もある。

そのため、異なる機種で撮影した医用画像を入力した場合に、担当する読影医が慣れた機種の画像に似せるように画像処理を施す学習モデルを生成し、該学習モデルを用いて画像処理を行ってもよい。なお、学習モデルは、実際に被検者の医用画像が撮影される撮影装置で撮影された画像（入力データ）と読影医が慣れた撮影装置で撮影された画像（出力データ）のデータセットを学習すればよい。

読影医ごとに表示を切り替える事で、より読影の精度と効率を上げる事が出来る。

（変形例２）
本変形例では、Ｓ２において、学習モデルにより画像所見を推定し、推定された画像所見を読影対象となる医用画像に関連付けて読影医に送信する。

そして、Ｓ５において、読影医による読影結果と学習モデルの評価結果が異なる場合には、図６に示すように表示画面６００には注意を喚起する警告表示部６２３を表示する。学習モデルと読影医とで判定が異なる場合に、警告表示部６２３で注意を表示することで、入力ミスなどを抑制する事ができる。読影結果に問題が無いと読影医が判断した場合、警告表示部６２３に警告が表示されても、読影医が確認の上、読影結果を確定すればよい。

あるいは、Ｓ５において、読影医による読影結果と学習モデルの評価結果が異なる場合には、改めて別の読影医に画像診断を再度割り当てる構成にしてもよい。まず、学習モデルの評価結果と読影医の判定を比較し、読影結果が一致する場合、読影結果を確定する。

一方、読影医が異なる判定を入力した場合、読影結果を仮登録し、習熟度が高い群の読影に再割り当て依頼をする。そして、結果をサーバに返信する。再割り当て依頼がある場合、再度割当をする。このような構成にすることで、より読影の精度を高くすることができる。

（変形例３）
本変形例では、読影医の習熟度の評価方法について説明する。習熟度の評価対象の読影医は、学習モデルの教師データあるいは同等の医用画像を読影する。教師データは正解が既知であるので、読影医の読影結果と比較する事で、読影医の正解率を算出することができる。正解率から読影医の習熟度を評価することができる。習熟度の評価は、通常の読影とは別に実施してもよい。あるいは、通常の読影用の医用画像に、評価用の医用画像を混ぜて行ってもよい。

また、習熟度の評価は、例えば、新任の読影医を登録する際に実施したり、習熟度を再評価することができる。画像診断の正答率を元に、読影医の習熟度を算出し、習熟度に対応して２つ以上の読影医群に分けて読影医情報保存手段に保持してもよい。このようにすることで、読影の習熟度をより客観的なデータで評価、分類できる。

なお、習熟度の評価用の読影を行う際に、画像診断の正誤を読影医に提示してもよい。正誤を提示することで、読影医の訓練を行うことができる。

（変形例４）
読影医の習熟度で分けた読影医群に対し、読影の報酬を異なるようにしてもよい。１枚当たりの報酬に差をつけてもよいし、時間当たりの報酬に差をつけてもよい。あるいは、医用画像毎の難易度に応じて報酬に差をつけてもよい。このようにすることで、習熟度や難易度に応じた報酬体系にすることができる。

（変形例５）
学習モデルは、医用画像を入力データ、疾患の種類および緊急度を出力データとするデータ群を教師データとして学習する学習モデルを別に有してもよい。このような構成にすることで、画像診断の優先順位を判定することができる。眼底像の場合、優先順位が高い画像は、例えば、眼底の出血が認められる画像や、網膜剥離など形状異常が進展途上の画像などが挙げられる。

さらに、決定手段１２１は、推定手段１１９により推定される画像診断の難易度と、緊急度に基づいて、優先順位の高い医用画像を他の医用画像よりも優先的に読影医に割り当てる構成にしてもよい。このような構成にすることで、緊急度が高い疾患の可能性がある被検者の医用画像を優先的に読影することができる。

（変形例６）
本発明の医用画像処理装置１０３を使った遠隔診断の方法について図１１で説明する。

医用画像処理装置１０３を有する画像診断施設１１０３は、インターネット回線などの通信手段１１００を介して、眼底カメラ１０１を有する画像取得施設１１０１と結ばれている。画像取得施設１１０１は、一般病院やクリニック、眼科などの専門医院、あるいは検診施設などが挙げられる。専門の検者が不要な画像取得手段や被検者が身に付けられる画像取得手段であれば、病院以外の施設や一般家庭であってもよい。

被検者は、直接または、健康保険組合や公共機関の健康診断、あるいは企業の提供する医療サービス等を利用して、画像取得施設１１０１で医用画像を取得される。医用画像処理装置１０３は、通信手段１１００を介して読影医の手元にある読影端末１１０４とも結ばれている。このような構成で、画像取得施設１１０１で取得した医用画像は、画像診断施設１１０１を経由して、読影医により読影が行われる。読影結果は、画像診断施設１１０１から最終的に被検者に伝えられる。読影結果の伝達手段は、文章を送付しても良いし、被験者が有する情報端末１１０５に送信してもよい。被検者は、読影結果を元に、疾病の有無や精密検査の要否を判断する。

〔その他の実施形態〕
本発明は、上述の実施形態の１以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける１つ以上のプロセッサがプログラムを読出し実行する処理でも実現可能である。また、１以上の機能を実現する回路によっても実現可能である。

プロセッサまたは回路は、中央演算処理装置（ＣＰＵ）、マイクロプロセッシングユニット（ＭＰＵ）、グラフィクスプロセッシングユニット（ＧＰＵ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートウェイ（ＦＰＧＡ）を含みうる。また、プロセッサまたは回路は、デジタルシグナルプロセッサ（ＤＳＰ）、データフロープロセッサ（ＤＦＰ）、またはニューラルプロセッシングユニット（ＮＰＵ）を含みうる。

上述の各実施形態における医用画像処理システムは、単体の装置として実現してもよいし、複数の装置を互いに通信可能に組合せて上述の処理を実行する形態としてもよく、いずれも本発明の実施形態に含まれる。共通のサーバ装置あるいはサーバ群で、上述の処理を実行することとしてもよい。医用画像処理装置および医用画像処理システムを構成する複数の装置は所定の通信レートで通信可能であればよく、また同一の施設内あるいは同一の国に存在することを要しない。

本発明の実施形態には、前述した実施形態の機能を実現するソフトウェアのプログラムを、システムあるいは装置に供給し、そのシステムあるいは装置のコンピュータが該供給されたプログラムのコードを読みだして実行するという形態を含む。

したがって、実施形態に係る処理をコンピュータで実現するために、該コンピュータにインストールされるプログラムコード自体も本発明の実施形態の一つである。また、コンピュータが読みだしたプログラムに含まれる指示に基づき、コンピュータで稼働しているＯＳなどが、実際の処理の一部又は全部を行い、その処理によっても前述した実施形態の機能が実現され得る。

また、本発明は上記実施形態に限定されるものではなく、本発明の趣旨に基づき種々の変形（各実施例の有機的な組合せを含む）が可能であり、それらを本明細書の開示の範囲から除外するものではない。即ち、上述した各実施例及びその変形例を組み合わせた構成も全て本明細書に開示の実施形態に含まれるものである。

１００ 医用画像処理システム
１０１ 眼底カメラ
１０２ データサーバ
１０３ 医用画像処理装置
１０４ 読影端末
１１７ 制御手段
１１８ 取得手段
１１９ 推定手段
１２０ 表示制御手段
１２１ 決定手段
１２２ 送信手段

Claims (16)

1. 医用画像と読影医に関する情報を取得する取得手段と、
   前記医用画像に対する画像診断の難易度を推定する推定手段と、
   前記推定された画像診断の難易度及び前記読影医に関する情報に基づいて、読影を担当する読影医への割振りを決定する決定手段と、
   を備えることを特徴とする医用画像処理装置。
2. 前記推定手段は、入力画像と該入力画像に対する画像診断の難易度に関連するスコアとのペアを学習した第１の学習モデル、及び、入力画像と該入力画像に対して決定された画像所見とのペアを学習した第２の学習モデルのうち少なくともいずれか一方を用いて前記医用画像に対する画像診断の難易度を推定することを特徴とする請求項１に記載の医用画像処理装置。
3. 前記画像診断の難易度に関連するスコアは、入力画像に対して読影医が読影した際の正答率と、特定の疾患の有無、疾患の進行度の分類、疾患の程度の分類、病変の部位、病変の範囲、及び、形状変化の有無のうち少なくとも１つの画像所見と、の少なくともいずれか１つの情報に基づいて判定されたスコアであることを特徴とする請求項２に記載の医用画像処理装置。
4. 前記医用画像は、眼底カメラ、ＯＣＴ、ＳＬＯ、及び、スリットランプのいずれか１つの撮影装置により撮影された画像であることを特徴とする請求項１乃至３のいずれか１項に記載の医用画像処理装置。
5. 前記読影医に関する情報は、習熟度に基づいて複数に分類されたクラスのうちいずれのクラスに属する読影医であるかを示す情報であることを特徴とする請求項１乃至３のいずれか１項に記載の医用画像処理装置。
6. 前記読影医に関する情報は、経験年数、専門性、読影経験枚数、及び、習熟度評価用の試験に対する読影の正解率のうち少なくともいずれか１つをさらに含むことを特徴とする請求項５に記載の医用画像処理装置。
7. 前記決定手段は、前記推定手段により画像診断の難易度が高いと推定された医用画像を前記複数に分類されたクラスのうち習熟度の高いクラスに属する読影医に割振り、画像診断の難易度が低いと推定された医用画像を前記複数に分類されたクラスのうち習熟度の低いクラスに属する読影医に割振ることを特徴とする請求項５または６に記載の医用画像処理装置。
8. 前記決定手段により決定された割振りに基づいて、前記医用画像を前記読影医の有する情報端末に送信する送信手段をさらに備えることを特徴とする請求項１乃至７のいずれか１項に記載の医用画像処理装置。
9. 前記送信手段は、前記医用画像のうち、読影の緊急度が高いことを示す情報が関連付けられた医用画像を優先して前記情報端末に送信することを特徴とする請求項８に記載の医用画像処理装置。
10. 医用画像処理装置と、情報端末と、を含む医用画像処理システムであって、
    前記医用画像処理システムは、
    医用画像と読影医に関する情報を取得する取得手段と、
    前記医用画像に対する画像診断の難易度を推定する推定手段と、
    前記推定された画像診断の難易度及び前記読影医に関する情報に基づいて、読影を担当する読影医への割振りを決定する決定手段と、
    前記決定手段により決定された割振りに基づいて、前記医用画像を前記読影医の有する情報端末に送信する送信手段と、
    を備え、
    前記情報端末は、
    前記医用画像処理装置により送信されてきた前記医用画像を表示部に表示する表示制御手段と、
    前記医用画像に対する読影結果の入力を受け付ける受付手段と、
    を備えることを特徴とする医用画像処理システム。
11. 前記表示制御手段は、前記医用画像とともに前記推定手段により推定された前記医用画像の画像診断の難易度を表示することを特徴とする請求項１０に記載の医用画像処理システム。
12. 前記表示制御手段は、前記医用画像を表示する前記読影医の習熟度に基づいて、表示内容を異ならせることを特徴とする請求項１０または１１に記載の医用画像処理システム。
13. 前記送信手段は、入力画像と該入力画像に対して決定された画像所見とのペアを学習した学習モデルを用いて推定された前記医用画像に対する画像所見に関する情報を前記情報端末にさらに送信し、
    前記表示制御手段は、前記受付手段により受け付けた読影結果と、前記推定された前記医用画像に対する画像所見に関する情報が異なる場合に、警告を表示することを特徴とする請求項１０乃至１２のいずれか１項に記載の医用画像処理システム。
14. 前記送信手段は、入力画像と該入力画像に対して決定された画像所見とのペアを学習した学習モデルを用いて推定された前記医用画像に対する画像所見に関する情報を前記情報端末にさらに送信し、
    前記情報端末は、前記受付手段により受け付けた読影結果と、前記推定された前記医用画像に対する画像所見に関する情報が異なる場合に、前記医用画像を異なる情報端末に再度割り当てる旨の通知を前記医用画像処理装置に送信することを特徴とする請求項１０乃至１２のいずれか１項に記載の医用画像処理システム。
15. 医用画像と読影医に関する情報を取得する取得工程と、
    前記医用画像に対する画像診断の難易度を推定する推定工程と、
    前記推定された画像診断の難易度及び前記読影医に関する情報に基づいて、読影を担当する読影医への割振りを決定する決定工程と、
    を備えることを特徴とする医用画像処理方法。
16. 請求項１乃至９のいずれか１項に記載の医用画像処理装置の各手段をコンピュータに実行させるためのプログラム。

Images