JP2022181902A - 骨関節疾患の画像診断装置、画像診断装置の作動方法及びプログラム - Google Patents

Abstract

【課題】骨関節疾患の簡便かつ正確な診断を支援する画像診断装置、画像診断装置の作動方法及びプログラムを提供する。
【解決手段】診断装置１００は、被検者の骨関節の画像を取得する取得部１５２と、取得部１５２で取得された画像の各ピクセルのピクセル値に基づいて、互いに交差する方向に直線状に延び、骨関節の稜線を示す一対の補助線を画像上に設定する補助線設定部１５５と、補助線設定部１５５で設定された一対の補助線のなす角に基づいて、被検者における骨関節疾患の有無を判定する判定部１５６と、を備える。
【選択図】図３

Description

本発明は、骨関節疾患の画像診断装置、画像診断装置の作動方法及びプログラムに関する。

超音波検査は、被検者への被曝がなく、場所を選ばずに実施できるため、実臨床での重要性が年々増加している。整形外科分野においても、近年、被検者の骨関節の解剖学的な位置異常や変形、損傷などを把握するため、超音波検査が広く行われている。他方で、超音波検査には、診断結果が検者の検査技術に左右されやすいという弱点があり、診断の正確性を向上させるため開発が進められている。例えば、特許文献１には、被検者の発育状態や健康状態を正確に把握するため、被検者の超音波画像を画像処理して大腿骨長を計測する方法が開示されている。

特開２０１８－１５７９６１号公報

特許文献１の方法では、被検者の大腿骨長を計測するだけであるため、被検者の発育状態や健康状態については、熟練した医師等が自身の経験に基づいて診断する必要があり、熟練者以外が骨関節疾患を簡便かつ正確に診断する点で改善の余地がある。そして、このような問題は、被験者の大腿骨を撮影した超音波画像に基づいて疾患の有無を診断する場合のみならず、他の骨関節部位を撮影した他の画像に基づいて疾患の有無を診断する場合にも存在している。

本発明は、このような背景に基づいてなされたものであり、骨関節疾患の簡便かつ正確な診断を支援する画像診断装置、画像診断装置の作動方法及び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、本発明の第１の観点に係る画像診断装置は、
被検者の骨関節の画像を取得する取得部と、
前記取得部で取得された画像の各ピクセルのピクセル値に基づいて、互いに交差する方向に直線状に延び、骨関節の稜線を示す一対の補助線を前記画像上に設定する補助線設定部と、
前記補助線設定部で設定された一対の補助線のなす角に基づいて、被検者における骨関節疾患の有無を判定する判定部と、
を備える。

前記補助線設定部は、前記画像において骨関節の骨輪郭が変化する特徴点を検出し、検出された特徴点に基づいて前記画像上に前記一対の補助線を設定してもよい。

前記画像診断装置は、
前記取得部により取得された画像に基づいて骨関節の特徴点として推定特徴点を推定する特徴点推定部と、
前記取得部により取得された画像においてピクセル値が極大値となるピクセルである極大点を検出する極大点検出部と、をさらに備え、
前記補助線設定部は、前記特徴点推定部により推定された推定特徴点と、前記極大点検出部により検出された極大点とに基づいて、前記一対の補助線を前記画像上に設定してもよい。

前記補助線設定部は、前記特徴点推定部により推定された推定特徴点に基づいて、前記画像において極大点を探索する探索エリアを設定し、前記極大点検出部により検出された極大点のうち前記探索エリア内に存在する極大点を抽出し、前記探索エリア内で抽出された極大点に基づいて各補助線を設定してもよい。

前記特徴点推定部は、画像の入力に対して推定特徴点の座標を出力するモデルに基づいて、前記取得部により取得された画像から推定特徴点の座標を推定してもよい。

前記画像診断装置は、機械学習により前記モデルを生成する学習部、をさらに備え、
前記特徴点推定部は、前記学習部により生成された前記モデルに基づいて、前記取得部により取得された画像から推定特徴点の座標を推定してもよい。

前記骨関節疾患は、乳児股関節の寛骨臼形成不全であり、
前記特徴点は、腸骨下極点であってもよい。

上記目的を達成するために、本発明の第２の観点に係る画像診断装置の作動方法は、
取得部と補助線設定部と判定部とを備える画像診断装置の作動方法であって、
前記取得部が被検者の骨関節の画像を取得する工程と、
前記補助線設定部が前記取得部で取得された画像の各ピクセルのピクセル値に基づいて、互いに交差する方向に直線状に延び、骨関節の稜線を示す一対の補助線を前記画像上に設定する工程と、
前記判定部が前記補助線設定部で設定された一対の補助線のなす角に基づいて、被検者における骨関節疾患の有無を判定する工程と、
を含む。

上記目的を達成するために、本発明の第３の観点に係るプログラムは、
コンピュータを、
被検者の骨関節の画像を取得する取得手段、
前記取得手段で取得された画像の各ピクセルのピクセル値に基づいて、互いに交差する方向に直線状に延び、骨関節の稜線を示す一対の補助線を前記画像上に設定する補助線設定手段、
前記補助線設定手段で設定された一対の補助線のなす角に基づいて、被検者における骨関節疾患の有無を判定する判定手段、
として機能させる。

本発明によれば、骨関節疾患の簡便かつ正確な診断を支援する画像診断装置、画像診断装置の作動方法及びプログラムを提供できる。

本発明の実施の形態に係る診断システムの構成を示す概略図である。 本発明の実施の形態に係る診断装置による骨関節疾患の有無を診断する手法を示す図である。 （ａ）は、本発明の実施の形態に係る診断装置のハードウェア構成を示すブロック図であり、（ｂ）は、本発明の実施の形態に係る画像データ記憶部のデータテーブルの一例を示す図である。 本発明の実施の形態に係る学習用データを説明するための図である。 本発明の実施の形態に係る診断装置により推定特徴点の推定に用いられるニューラルネットワークの概念図である。 本発明の実施の形態に係る診断装置による第１の補助線の構成点の候補を探索する条件を示す図である。 本発明の実施の形態に係る診断装置による第１の補助線の構成点の候補を示す図である。 本発明の実施の形態に係る診断装置による第１の補助線の構成点を抽出する様子を示す図である。 本発明の実施の形態に係る本発明の実施の形態に係る診断装置による真の特徴点の候補を探索する条件を示す図である。 本発明の実施の形態に係る診断装置による真の特徴点の候補を抽出する様子を示す図である。 本発明の実施の形態に係る診断装置による第１の補助線を設定する様子を示す図である。 本発明の実施の形態に係る診断装置による第２の補助線の構成点の候補を探索する条件を示す図である。 本発明の実施の形態に係る診断装置による第２の補助線の構成点を抽出する様子を示す図である。 本発明の実施の形態に係る診断装置による第２の補助線を設定する様子を示す図である。 本発明の実施の形態に係る診断処理の流れを示すフローチャートである。 本発明の実施の形態に係る第１の補助線設定処理の流れを示すフローチャートである。 本発明の実施の形態に係る第１の補助線設定処理の流れの続きを示すフローチャートである。 本発明の実施の形態に係る第２の補助線設定処理の流れを示すフローチャートである。 （ａ）、（ｂ）は、いずれも本発明の変形例における野球肘の有無を診断するために複数の補助線を設定する様子を示す図である。

以下、本発明の実施の形態に係る画像診断装置、画像診断装置の作動方法及びプログラムを、図面を参照しながら詳細に説明する。各図面では、同一又は同等の部分に同一の符号を付す。実施の形態では、「骨関節」との用語は、骨又は関節の一方又は両方を意味するものとする。また、「画像」との用語は、超音波画像、Ｘ線画像、ＣＴ（Computed Tomography）画像、ＭＲＩ（Magnetic Resonance Imaging）画像のような医療用画像を含むものとする。

図１は、実施の形態に係る診断システム１の構成を示す概略図である。診断システム１は、診断装置１００と、超音波検査装置２００と、を備える。超音波検査装置２００は、被検者の特定部位を撮影し、被検者の画像を取得する画像撮影装置の一例である。超音波検査装置２００は、被検者に向けて超音波を出力し、被検者から反射された超音波を捕捉する超音波プローブを備える。超音波検査装置２００では、超音波プローブが医師等の検者により操作されることで、被検者の所望の部位における超音波画像を取得する。診断装置１００と超音波検査装置２００とは、有線又は無線の通信回線を介して通信可能に接続され、診断装置１００は、超音波検査装置２００から送信された超音波画像データを受信する。

診断装置１００は、骨関節疾患の画像に処理を施して被検者の骨関節に疾患が存在するかどうかを診断する画像診断装置の一例である。具体的には、骨関節の画像に基づいて骨関節の画像上に一対の補助線を設定し、一対の補助線に基づいて被検者に骨関節疾患が存在するかどうかを診断する。以下、乳児股関節の超音波画像を用いて乳児股関節に寛骨臼形成不全が存在するかどうかを診断する場合を例に説明する。

図２は、実施の形態に係る診断装置１００による骨関節疾患の有無を診断する手法を示す図である。図２では、乳児股関節の超音波画像上に診断装置１００により設定された推定特徴点（記号★）、真の特徴点（記号●）、第１の補助線及び第２の補助線を図示している。乳児股関節の超音波画像は、乳児をベッドに横たえた状態で腹側から背側に向けて腸骨に超音波プロープを当てて撮影したものである。以下、超音波画像の横軸をＸ軸、縦軸をＹ軸とする２次元座標系を使用する。

特徴点は、骨関節部位において骨輪郭が変化する解剖学的な特徴を有する点であり、乳児股関節における寛骨臼形成不全の有無を診断する場合であれば、腸骨下極点を特徴点として設定する。推定特徴点は、機械学習により生成された学習済みモデルに基づいて、被検者の超音波画像上の特徴点として推定される点である。他方、真の特徴点は、被検者の超音波画像に一連の画像処理を施すことで検出される特徴点である。真の特徴点は、推定特徴点の近傍において一連の画像処理により検出されるが、推定特徴点と真の特徴点とは必ずしも一致しない。

第１の補助線及び第２の補助線は、真の特徴点に基づいて設定され、いずれも骨の稜線上に延びる線である。骨の稜線は、骨の表面において山の峰のように連続して延びる部分である。腸骨上に設定された第１の補助線及び第２の補助線のなす角に基づいて、乳児股関節に寛骨臼形成不全が存在するかどうかを診断する。なお、図２では、第１の補助線と第２の補助線とのなす角が６５．７°であるため、被検者に寛骨臼形成不全が生じていないと診断できる。

図３（ａ）は、実施の形態に係る診断装置１００のハードウェア構成を示すブロック図である。診断装置１００は、例えば、汎用コンピュータである。診断装置１００は、操作部１１０と、表示部１２０と、通信部１３０と、記憶部１４０と、制御部１５０と、を備える。診断装置１００の各部は、内部バス（図示せず）を介して相互に接続されている。

操作部１１０は、検者等のユーザの指示を受け付け、受け付けた操作に対応する操作信号を制御部１５０に供給する。操作部１１０は、例えば、マウス、キーボードを備える。

表示部１２０は、制御部１５０から供給される画像データに基づいて、ユーザに向けて各種の画像を表示する。表示部１２０は、例えば、超音波検査装置２００で撮影された被検者の超音波画像を表示する。

操作部１１０と表示部１２０とは、タッチパネルによって構成されてもよい。タッチパネルは、所定の操作を受け付ける操作画面を表示すると共に、操作画面において測定者が接触操作を行った位置に対応する操作信号を制御部１５０に供給する。

通信部１３０は、例えば、インターネットのような通信ネットワークに接続することが可能なインターフェースである。通信部１３０は、例えば、超音波検査装置２００から超音波画像データを受信する。

記憶部１４０は、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ、ハードディスクを備える。記憶部１４０は、制御部１５０で実行されるプログラムや各種のデータを記憶する。また、記憶部１４０は、各種の情報等を一時的に記憶し、制御部１５０が処理を実行するためのワークメモリとしても機能する。さらに、記憶部１４０は、学習用データ記憶部１４１と、学習済みモデル記憶部１４２と、画像データ記憶部１４３と、を備える。

学習用データ記憶部１４１は、機械学習の教師データとして用いられる複数のデータセットを含む学習用データを記憶する。複数のデータセットのそれぞれは、超音波画像と特徴点の座標との対応関係を学習するために用いられるデータの集まりである。複数のデータセットのそれぞれは、互いに異なる被検者から取得された超音波画像と、超音波検査に習熟した医師等により設定された当該超音波画像上の特徴点の座標とを１つずつ含む。

図４は、実施の形態に係る学習用データのセットを説明するための図である。学習用データのセットは、個々の被検者の超音波画像と当該超音波画像に対応するラベル画像とを含む。超音波画像は、例えば、ピクセル値（階層）０～２５５のグレースケール画像である。ラベル画像は、人手により設定した真の特徴点の座標を表現したグレースケール画像である。ラベル画像の真の特徴点は、真の特徴点の座標から離れるにつれてピクセル値を順次減少させることで表現する。例えば、真の特徴点ではピクセル値２５５、真の特徴点の１ピクセル近傍ではピクセル値２３０、真の特徴点の２ピクセル近傍ではピクセル値１２５、真の特徴点の３ピクセル近傍ではピクセル値５１、その他のピクセルではピクセル値０と設定すればよい。

図３（ａ）に戻り、学習済みモデル記憶部１４２は、学習用データ記憶部１４１に記憶された学習用データに基づいて機械学習により生成された学習済みモデルを記憶する。学習済みモデルは、超音波画像のピクセル値の入力に対して超音波画像における特徴点の座標を示すラベル画像のピクセル値を出力するモデルである。

画像データ記憶部１４３は、図３（ｂ）に示すように、超音波検査装置２００から取得された超音波画像データを、被検者毎に割り振られた被検者ＩＤ（Identification）と対応付けて記憶する。

再び図３（ａ）に戻り、制御部１５０は、ＣＰＵ（Central Processing Unit）のようなプロセッサを備え、診断装置１００の各部の制御を行う。制御部１５０は、記憶部１４０に記憶されているプログラムを実行することにより、図１５のフローチャートに示す診断処理を実行する。制御部１５０は、機能的には、学習部１５１と、取得部１５２と、特徴点推定部１５３と、極大点検出部１５４と、補助線設定部１５５と、判定部１５６と、出力部１５７と、を備える。

学習部１５１は、学習用データ記憶部１４１に記憶されている学習用データを参照して機械学習により学習済みモデルを生成し、生成した学習済みモデルを学習済みモデル記憶部１４２に記憶させる。

具体的には、学習部１５１は、学習用データに含まれる複数のデータセットを教師データとして用いて教師あり学習を実施する。学習部１５１は、例えば、ニューラルネットワークを用いる。ニューラルネットワークは、図５に示すように入力データが入力される入力層と、出力データが出力される出力層と、少なくとも１つの中間層と、を備える。入力層のノードの数は、入力データの数に対応し、出力層のノードの数は、出力データの数に対応する。ノード間の矢印は、入力層と出力層との間におけるパラメータのつながりを表している。

入力データは、超音波画像の各ピクセルのピクセル値であり、超音波画像の画素数をｍピクセル×ｎピクセルとすると、Ｉ（１，１）、Ｉ（１，２）、…Ｉ（ｍ，ｎ）のように表現できる。また、出力データは、特徴点の座標を示すラベル画像の各ピクセルのピクセル値であり、同様にしてＯ（１，１）、Ｏ（１，２）、…Ｏ（ｍ，ｎ）のように表現できる。入力層の各ノードが超音波画像にある各ピクセル（ｍ×ｎ個）のピクセル値に対応し、出力層の各ノードがラベル画像にある各ピクセル（ｍ×ｎ個）のピクセル値に対応する。

学習部１５１は、学習用データに含まれる複数のデータセットを教師データとして用いて、ニューラルネットワークにおける各層の結合の重みを調整する。具体的に説明すると、学習部１５１は、超音波画像の各ピクセルのピクセル値を入力層に入力データとして入力し、出力層において出力データとして出力されるラベル画像の各ピクセルのピクセル値を、教師データのラベル画像の各ピクセルのピクセル値と比較する。そして、学習部１５１は、出力層において出力されるラベル画像の各ピクセルのピクセル値と教師データのラベル画像の各ピクセルのピクセル値との差がなるべく小さくなるように中間層におけるパラメータを調整する。パラメータの調整には、例えば、誤差逆伝播法を用いる。

取得部１５２は、超音波検査装置２００から送信された被検者の超音波画像データを取得し、被検者ＩＤに対応させて画像データ記憶部１４３に記憶させる。取得部１５２による画像データの取得には、外部の装置から画像データを受信することと、記憶部１４０に記憶されたデータを読み込むこととが含まれる。乳児股関節の寛骨臼形成不全の有無を診断する場合であれば、超音波画像は、乳児をベッドに横たえた状態で乳児股関節に対して腹側から背側に向けて超音波プロープを当てて撮影した画像である。

特徴点推定部１５３は、学習部１５１により生成され、学習済みモデル記憶部１４２に記憶された学習済みモデルに基づいて、取得部１５２により取得された被検者の超音波画像データにおける推定特徴点の座標を推定する。乳児股関節の寛骨臼形成不全を診断する場合であれば、特徴点は腸骨下極点である。

極大点検出部１５４は、取得部１５２により取得された被検者の超音波画像においてピクセル値が極大値となる座標点である極大点を検出する。具体的には、まず、オリジナルの超音波画像の各ピクセルのピクセル値を隣接したピクセルのピクセル値の最大値で置き換えたフィルター画像を生成する。次に、オリジナル画像とフィルター画像との間で同一座標に位置するピクセルのピクセル値を比較し、両者のピクセル値が同一であるピクセル以外をマスクする。マスク後に残されたピクセルが超音波画像の極大点である。

補助線設定部１５５は、特徴点推定部１５３で推定された推定特徴点と極大点検出部１５４で検出された極大点とに基づいて、超音波画像における真の特徴点を検出すると共に、超音波画像上に一対の補助線を設定する。真の特徴点は、推定特徴点に基づいて設定された探索エリア内に存在する極大点から抽出される。

一対の補助線は、互いに交差する第１の補助線と第２の補助線とを含む。各補助線は、推定特徴点に基づいて設定された探索エリア内に存在する複数の極大点に基づいて得られる直線である。複数の極大点から直線を得るには、例えば、最小二乗法を用いる。極大点は、超音波画像のピクセル値が極大値となるピクセルであるため、探索エリアから抽出された複数の極大点に基づいて得られた補助線は、骨関節の稜線を示す。

以下、図６～図１１を参照して、超音波画像上に第１の補助線を設定する手順を説明する。まず、図６に示すように、推定特徴点に基づいて超音波画像上に探索始点及び第１の探索エリアを設定する。探索始点は、超音波画像上の極大点の探索を開始する点であり、第１の探索エリアは、極大点の探索を行う範囲である。図６に示すように、探索始点Ｐｓ（Ｘｓ，Ｙｓ）は、例えば、推定特徴点Ｐｃ（Ｘｃ，Ｙｃ）から－Ｘ方向にマージンＭだけ移動し、＋Ｙ方向にマージンＭだけ移動した点とすればよい。マージンＭは、例えば１０ピクセルである。
Ｘｓ＝Ｘｃ－Ｍ
Ｙｓ＝Ｙｃ＋Ｍ

設定された探索始点Ｐｓ（Ｘｓ，Ｙｓ）は適正エリア内に存在するかどうか判定される。適正エリアは、推定特徴点Ｐｃ（Ｘｃ，Ｙｃ）に基づいて設定された探索始点Ｐｓ（Ｘｓ，Ｙｓ）が第１の補助線の構成点の検出に適した範囲に設定されているかどうかを判定するために設定される。探索始点Ｐｓ（Ｘｓ，Ｙｓ）が適正エリア内に存在しない場合、探索始点Ｐｓ（Ｘｓ，Ｙｓ）を超音波画像の中央にある座標点（中央点）に変更すればよい。適正エリアは、超音波画像の画像幅及び画像高さに応じて設定すればよく、例えば、以下の式を満たすように設定すればよい。Ｗは画像幅、Ｈは画像高さ、Ｒは係数である。なお、Ｒの値は任意であるが、例えば０．３である。
Ｗ×Ｒ＜ｘ＜Ｗ×（１－Ｒ）
Ｈ×Ｒ＜ｙ＜Ｈ×（１－Ｒ）

また、第１の補助線を構成する極大点は、超音波画像において探索始点Ｐｓ（Ｘｓ，Ｙｓ）の右上に分布していると仮定すると、第１の探索エリア（ｘ，ｙ）は、図６の点線で示すように以下の条件を満たすように設定すればよい。
Ｘｓ≦ｘ
Ｙｓ≧ｙ

なお、上記の条件で設定した探索始点Ｐｓ（Ｘｓ，Ｙｓ）及び第１の探索エリアで、第１の補助線を構成する構成点の候補を十分な数だけ抽出できない場合がある。このような場合は、探索始点Ｐｓ（Ｘｓ，Ｙｓ）を－Ｘ方向（左側）又は＋Ｘ方向（右側）に移動させ、移動後の探索始点Ｐｓ（Ｘｓ，Ｙｓ）に合わせて第１の探索エリアを再設定し、再設定された第１の探索エリア内で構成点の候補を探索し直せばよい。

次に、図７に示すように、探索始点Ｐｓ（Ｘｓ，Ｙｓ）から第１の探索エリア内の極大点の探索を開始し、探索エリア内に存在する全ての極大点を抽出する。図７では、抽出された極大点を記号○で表現している。この第１の探索エリア内で抽出された極大点は、第１の補助線を設定するのに用いる構成点の候補である。

次に、図８に示すように、探索された第１の補助線の構成点の候補（極大点）からＸ座標値が外れ値である極大点を除外する。図８の場合では、帯の内側にある極大点を抽出し、帯の外側にある極大点を除外する。これにより第１の補助線の構成点の探索を終了する。Ｘ座標値が外れ値であるとして除外される極大点は、以下の式を満たす極大点である。Ｘｉは各極大点のＸ座標値、ＡＶＥ＿Ｘｉは全ての極大点のＸ座標値の平均値、ΔＭＡＸは構成点に許容されるＸ座標値の幅（帯の幅）である。なお、以下の式においてΔＭＡＸは、例えば２０ピクセルである。
｜Ｘｉ－ＡＶＥ＿Ｘｉ｜≧０．５×ΔＭＡＸ

次に、図９に示すように、最新の探索始点Ｐｃ（Ｘｃ，Ｙｃ）に基づいて第２の探索エリアを設定し、第２の探索エリア内における真の特徴点の候補を抽出する。真の特徴点は、第１の補助線の構成点の最下位又はその近傍に存在すると定義し、この条件下で真の特徴点を探索する。真の特徴点の候補は、第２の探索エリア内に存在する極大点である。第２の探索エリア（ｘ，ｙ）は、例えば、図９に示すように以下の条件を満たす四角形のエリアである。
Ｘｃ≦ｘ
Ｙｃ＋Ｍ≦ｙ＜Ｙｃ＋３Ｍ

なお、上記の条件で設定した第２の探索エリアでは、真の特徴点を検出できない場合がある。このような場合には、探索始点Ｐｃ（Ｘｃ，Ｙｃ）を＋Ｙ方向（下側）又は－Ｙ方向（上側）に移動させ、移動後の探索始点Ｐｃ（Ｘｃ，Ｙｃ）に合わせて第２の探索エリアを再設定し、再設定された第２の探索エリア内で真の特徴点の候補を探索し直せばよい。

次に、図１０に示すように、Ｘ座標値が外れ値となる極大点を真の特徴点の候補から除外する。残された真の特徴点の候補のうちＹ座標値が最大である（最も下側に位置する）点が真の特徴点である。Ｘ座標値が外れ値であるとして真の特徴点の候補から除外される極大点は、以下の式を満たす極大点である。Ｘｉは各極大点のＸ座標値、ＡＶＥ＿Ｘｉは全ての極大点のＸ座標値の平均値、ΔＭＡＸは構成点に許容されるＸ座標値の幅（帯の幅）である。図１０の場合では、第２の探索エリアで探索された２つの極大点は、いずれも帯の外側にあるため、真の特徴点の候補から除外される。なお、以下の式においてΔＭＡＸは、例えば２０ピクセルである。
｜Ｘｉ－ＡＶＥ＿Ｘｉ｜≧０．５×ΔＭＡＸ

次に、第１の補助線の構成点の点群のＹ方向長さが規定値より長いかどうかを判定する。点群のＹ方向長さは、最も上側の構成点と最も下側の構成点との間のＹ方向の長さである。規定値は、Ｈを超音波画像の高さ（画像高さ）とすると、例えば０．２Ｈである。第１の補助線の構成点の点群のＹ方向長さが規定値よりも長い場合、図１１に示すように第１の補助線の構成点の点群から最小二乗法を用いて得られた直線を第１の補助線として設定する。他方、第１の補助線の構成点の点群のＹ方向長さが規定値より長くない場合、超音波画像上で真の特徴点を通る垂線を第１の補助線として設定する。
以上が、超音波画像上に第１の補助線を設定する手順である。

次に、図１２～図１４を参照して、超音波画像上に第２の補助線を設定する手順を説明する。まず、図１２に示すように、最新の探索始点Ｐｃ（Ｘｃ，Ｙｃ）に基づいて第３の探索エリアを設定し、第３の探索エリア内に存在する第２の補助線の構成点の候補を抽出する。第２の補助線の構成点の候補は、第３の探索エリア内に存在する極大点である。探索始点Ｐｓ（ｘ，ｙ）は、例えば、推定特徴点Ｐｃ（Ｘｃ，Ｙｃ）から＋Ｘ方向にマージンＭだけ移動し、＋Ｙ方向にマージンＭだけ移動した点である。マージンＭは、例えば５ピクセルである。

第３の探索エリア（ｘ，ｙ）は、例えば、以下の条件を満たす四角形を左上から右下に延びる対角線で二等分することで得られる右上の三角形で示される範囲である。Ｗは画面幅、Ｈは画面高さ、Ｒは係数である。係数Ｒは、任意であるが、例えば０．３である。
Ｘｓ≦ｘ＜Ｘｓ＋Ｗ×Ｒ
Ｙｓ≦ｙ＜Ｙｓ＋Ｈ×Ｒ

なお、上記の条件で設定した探索始点Ｐｃ（Ｘｃ，Ｙｃ）及び第３の探索エリアで、第２の補助線を構成する構成点の候補を十分な数だけ抽出できない場合がある。このような場合は、探索始点Ｐｃ（Ｘｃ，Ｙｃ）を－Ｙ方向（上側）又は＋Ｙ方向（下側）に移動させ、移動後の探索始点Ｐｃ（Ｘｃ，Ｙｃ）に合わせて第３の探索エリアを再設定し、再設定された第３の探索エリア内で構成点の候補を探索し直せばよい。

次に、図１３に示すように第２の構成点の候補（極大点）のうちＹ座標値が外れ値となる極大点を除外する。Ｙ座標値が外れ値として除外される極大点は、以下の条件を満たす極大点である。Ｙｉは各極大点のＹ座標値、ＡＶＥ＿Ｙｉは全ての極大点のＹ座標値の平均値、ΔＭＡＸは構成点に許容されるＹ座標値の幅（帯の幅）である。ΔＭＡＸは、例えば２０ピクセルである。
｜Ｙｉ－ＡＶＥ＿Ｙｉ｜≧０．３×ΔＭＡＸ

次に、図１４に示すように、残された第２の補助線の構成点の点群から最小二乗法を用いて得られた直線を第２の補助線に設定する。
以上が、超音波画像上に第２の補助線を設定する手順である。

図３に戻り、判定部１５６は、補助線設定部１５５で設定された２つの補助線のなす角を算出し、算出されたなす角に基づいて骨関節疾患が存在するかどうか判定する。乳児股関節の寛骨臼形成不全を診断する場合であれば、一対の補助線のなす角が６０°未満であるとき、乳児股関節に寛骨臼形成不全が発症していると判定する。

出力部１５７は、判定部１５６で判定された疾患の有無に関する診断結果を外部に出力する。出力部１５７は、例えば、診断結果を示す画像データを表示部１２０に送信し、診断結果を表示部１２０に表示させる。
以上が、診断装置１００のハードウェア構成である。

（診断処理）
以下、図１５のフローチャートを参照して、診断装置１００の制御部１５０が実行する診断処理の流れを説明する。診断処理は、被検者の超音波画像に基づいて骨関節疾患の有無を診断する処理である。診断処理は、例えば、ユーザが操作部１１０を操作して診断処理の開始を指示した時点で開始される。

まず、取得部１５２は、画像データ記憶部１４３から診断対象の被検者の被検者ＩＤに対応する超音波画像を取得する（ステップＳ１）。

次に、特徴点推定部１５３は、学習済みモデル記憶部１４２に記憶された学習済みモデルを読み込み、学習済みモデル用いてステップＳ１の処理で取得された超音波画像における推定特徴点Ｐｃ（Ｘｃ，Ｙｃ）を推定する（ステップＳ２）。

次に、極大点検出部１５４は、ステップＳ１の処理で取得された超音波画像における極大点を検出する（ステップＳ３）。

次に、補助線設定部１５５は、ステップＳ２の処理で検出された推定特徴点Ｐｃ（Ｘｃ，Ｙｃ）とステップＳ３の処理で検出された極大点とに基づいて、超音波画像上に第１の補助線を設定する第１の補助線設定処理を実行する（ステップＳ４）。以下、図１６のフローチャートを参照して、補助線設定部１５５が実行する第１の補助線設定処理の流れを説明する。図１６では、第１の補助線の設定に用いる複数の構成点を抽出するまでの処理の流れを示している。

（第１の補助線設定処理）
まず、補助線設定部１５５は、ステップＳ２の処理で推定された推定特徴点Ｐｃ（Ｘｃ，Ｙｃ）に基づいて探索始点Ｐｓ（Ｘｓ，Ｙｓ）及び第１の探索エリアを設定し、設定された探索始点Ｐｓ（Ｘｓ，Ｙｓ）が適正エリア内に存在するかどうか判定する（ステップＳ１０１）。探索始点Ｐｓ（Ｘｓ，Ｙｓ）及び第１の探索エリアは、例えば、図６に示すように設定すればよい。

探索始点Ｐｃ（Ｘｃ，Ｙｃ）が適正エリア内に存在する場合（ステップＳ１０１；Ｙｅｓ）、ステップＳ１０３に処理を移動する。探索始点Ｐｃ（Ｘｃ，Ｙｃ）が適正エリア内に存在しない場合（ステップＳ１０１；Ｎｏ）、補助線設定部１５５は、探索始点Ｐｃ（Ｘｃ，Ｙｃ）を超音波画像の中央の座標点（Ｗ／２，Ｈ／２）に変更し（ステップＳ１０２）、ステップＳ１０３に処理を移動する。

ステップＳ１０１でＹｅｓの場合又はステップＳ１０２の処理の終了後、補助線設定部１５５は、第１の探索エリア内に存在する極大点を探索する（ステップＳ１０３）。例えば、図７に示すように、探索始点Ｐｃ（Ｘｃ，Ｙｃ）から第１の探索エリア内の極大点の探索を開始し、第１の探索エリア内に存在する極大点（記号○）を抽出する。第１の探索エリア内で抽出された極大点は、第１の補助線の設定のために用いる構成点の候補である。

次に、補助線設定部１５５は、ステップＳ１０４の処理で探索された第１の補助線の構成点の候補からＸ座標値が外れ値である構成点の候補を除外する（ステップＳ１０４）。例えば、図８に示すように、第１の補助線の設定のために用いる構成点とならない帯の外側にある構成点の候補を除外する。

次に、補助線設定部１５５は、ステップＳ１０４の処理で残された構成点の候補が規定点数以上存在するかどうかを判定する（ステップＳ１０５）。規定点数は、例えば、３つである。残された構成点の候補が規定点数以上存在する場合（ステップＳ１０５；Ｙｅｓ）、ステップＳ１０６に処理を移動する。残された構成点の候補が規定点数以上存在していない場合（ステップＳ１０５；Ｎｏ）、補助線設定部１５５は、探索始点Ｐｃ（Ｘｃ，Ｙｃ）のＸ座標値をΔＸだけ－Ｘ方向に移動させ（ステップＳ１１０）、ステップＳ１０３の処理に戻る。ΔＸは、例えば２０ピクセルである。

ステップＳ１０５の処理でＹｅｓの場合、補助線設定部１５５は、全ての構成点の候補のＸ座標値のバラつき幅が規定値以上かどうか判定する（ステップＳ１０６）。全ての構成点の候補のＸ座標値のバラつき幅は、Ｘ座標値が最大の構成点の候補と最小の構成点の候補とにおけるＸ座標値の差分である。Ｘ座標値のバラつき幅の規定値は、例えば２０ピクセルである。Ｘ座標値のバラつき幅が規定値以上である場合（ステップＳ１０６；Ｙｅｓ）、ステップＳ１０７に処理を移動する。Ｘ座標値のバラつき幅が規定値以上でない場合（ステップＳ１０６；Ｎｏ）、ステップＳ１０８に処理を移動する。

ステップＳ１０６の処理でＹｅｓの場合、補助線設定部１５５は、構成点の候補が斜め方向に分布しているかどうかを判定する（ステップＳ１０７）。互いに隣接する全ての構成点の候補のＸ座標値の差が規定値以内である場合に、構成点の候補の点群が斜め方向に分布していると判断する。既定値は、例えば５ピクセルである。ステップＳ１０６の処理でＸ座標値のバラつき幅が規定値以上であるとして除外されたとしても、構成点の候補の点群が斜め方向に分布している場合には、第１の補助線を設定できるため、このような場合の構成点の候補の点群も抽出する。

構成点の候補が斜め方向に分布している場合（ステップＳ１０７；Ｙｅｓ）、ステップＳ１０８に処理を移動する。他方、構成点の候補が斜め方向に分布していない場合（ステップＳ１０７；Ｎｏ）、補助線設定部１５５は、探索始点Ｐｃ（Ｘｃ，Ｙｃ）のＸ座標値をΔＸだけ＋Ｘ方向（右側）に移動させ（ステップＳ１１１）、ステップＳ１０３の処理に戻る。

ステップＳ１０６の処理でＮｏの場合又はステップＳ１０７の処理でＹｅｓの場合、補助線設定部１５５は、構成点の候補が規定点数以上存在するかどうかを判定する（ステップＳ１０８）。規定点数は、例えば３つである。構成点の候補が規定点数以上存在する場合（ステップＳ１０８；Ｙｅｓ）、補助線設定部１５５は、構成点の候補のＸ座標値が外れ値となる構成点の候補を再度除外し（ステップＳ１０９）、残された構成点の候補を第１の補助線の構成点として確定し、第１の補助線の構成点の探索を終了する。構成点の候補が規定点数以上存在しない場合（ステップＳ１０８；Ｎｏ）、第１の補助線は取得不可であるため、この時点で処理を終了する。

次に、図１７のフローチャートを参照して、第１の補助線設定処理（ステップＳ４）の残りの流れを説明する。図１７では、抽出された極大点から真の特徴点を検出すると共に、図１６に示す処理で抽出された構成点から第１の補助線を設定するまでの処理を示している。以下、真の特徴点は第１の補助線の最下位又はその近傍に存在すると定義し、この条件下で真の特徴点を探索する。

ステップＳ１０９の処理の終了後、補助線設定部１５５は、最新の探索始点Ｐｃ（Ｘｃ，Ｙｃ）から第２の探索エリアを設定し、第２の探索エリア内における真の特徴点の候補を抽出する（ステップＳ１１２）。真の特徴点の候補は、第２の探索エリア内に存在する極大点である。第２の探索エリアは、例えば、図９に示すような最新の探索始点Ｐｃ（Ｘｃ，Ｙｃ）の下側にある四角形のエリアである。なお、図９では、第１の補助線の構成点の探索において探索始点Ｐｃ（Ｘｃ，Ｙｃ）が移動していない場合を図示している。

次に、補助線設定部１５５は、ステップ１１２で抽出された極大点のうちＸ座標値が外れ値となる極大点を真の特徴点の候補から除外する（ステップＳ１１３）。例えば、図１０に示すように、Ｙ方向に延びる帯の外側にある極大点を真の特徴点の候補から除外する。

次に、補助線設定部１５５は、ステップＳ１１３の処理で残された真の特徴点の候補のうちＹ座標値が最大である（最も下側に位置する）点を真の特徴点として検出する（ステップＳ１１４）。例えば、図１０では、帯の内側にある極大点のうち最も下側にある極大点を真の特徴点として検出する。

次に、補助線設定部１５５は、第１の補助線の構成点の点群に真の特徴点が存在するかどうかを判定する（ステップＳ１１５）。第１の補助線の構成点の点群に真の特徴点の候補が存在する場合（ステップＳ１１５；Ｙｅｓ）、ステップＳ１１７に処理を移動する。他方、第１の補助線の構成点の点群に真の特徴点の候補が存在しない場合（ステップＳ１１５；Ｎｏ）、補助線設定部１５５は、ステップＳ１１４で検出された真の特徴点を第１の補助線の構成点の点群に追加し（ステップＳ１１６）、ステップＳ１１７の処理に移動する。

ステップＳ１１５の処理でＹｅｓの場合又はステップＳ１１６の処理の終了後、補助線設定部１５５は、第１の補助線の構成点が規定点数以上存在するかどうかを判定する（ステップＳ１１７）。規定点数は、例えば、３つである。第１の補助線の構成点が規定点数以上存在する場合（ステップＳ１１７；Ｙｅｓ）、ステップＳ１１８に処理を移動する。他方、第１の補助線の構成点が規定点数以上存在しない場合（ステップＳ１１７；Ｎｏ）、第１の補助線は取得不可であるため、処理をリターンする。

ステップＳ１１７の処理でＹｅｓの場合、補助線設定部１５５は、第１の補助線の構成点の点群のＹ方向長さが規定値より長いかどうかを判定する（ステップＳ１１８）。規定値は、例えば０．２Ｈ（Ｈは画像高さ）である。第１の補助線の構成点の点群のＹ方向長さが規定値よりも長い場合（ステップＳ１１８；Ｙｅｓ）、補助線設定部１５５は、図１１に示すように第１の補助線の構成点の点群から最小二乗法を用いて得られた直線を第１の補助線として設定し（ステップＳ１１９）、処理を終了する。

他方、第１の補助線の構成点の点群のＹ方向長さが規定値より長くない場合（ステップＳ１１８；Ｎｏ）、補助線設定部１５５は、真の特徴点を通る垂線を第１の補助線として設定し（ステップＳ１２０）、処理をリターンする。
以上が、第１の補助線設定処理の流れである。

図１５に戻り、補助線設定部１５５は、ステップＳ３の処理で検出された極大点と、ステップＳ４で設定された最新の探索始点Ｐｃ（Ｘｃ，Ｙｃ）とに基づいて、第２の補助線を設定する第２の補助線設定処理を実行する（ステップＳ５）。以下、図１８のフローチャートを参照して、補助線設定部１５５が実行する第２の補助線設定処理の流れを説明する。

（第２の補助線設定処理）
まず、補助線設定部１５５は、図１５のステップＳ４の処理で設定された最新の探索始点Ｐｃ（Ｘｃ，Ｙｃ）に基づいて第３の探索エリアを設定し、第３の探索エリア内に存在する第２の補助線の構成点の候補を抽出する（ステップＳ２０１）。第２の補助線の候補は、第３の探索エリア内に存在する極大点である。第３の探索エリアは、例えば、図１２に示すような直角三角形の範囲で設定すればよい。

次に、補助線設定部１５５は、ステップＳ２０１の処理で抽出された第２の構成点の候補のうちＹ座標値が外れ値となる第２の構成点の候補を除外する（ステップＳ２０２）。例えば、図１３に示すように、Ｘ方向に延びる帯の外側にある極大点を構成点の候補から除外する。ステップＳ２０２の処理で残された構成点の候補が第２の補助線の構成点である。

次に、補助線設定部１５５は、第２の補助線の構成点が規定点数以上存在するかどうかを判定する（ステップＳ２０３）。規定点数は、例えば１つである。第２の補助線の構成点が規定点数以上存在する場合（ステップＳ２０３；Ｙｅｓ）、ステップＳ２０４に処理を移動する。他方、第２の補助線の構成点が規定点数以上存在しない場合（ステップＳ２０３；Ｎｏ）、ステップＳ２０６に処理を移動する。

ステップＳ２０３の処理でＹｅｓの場合、補助線設定部１５５は、図１７のステップＳ１１４の処理で検出した真の特徴点を第２の補助線の構成点の点群に追加する（ステップＳ２０４）。

次に、補助線設定部１５５は、ステップＳ２０４の処理で得られた真の特徴点を含む第２の補助線の構成点の点群から最小二乗法を用いて得られた直線を第２の補助線として設定し（ステップＳ２０５）、処理をリターンする。例えば、図１４に示すように、最小二乗法を用いて真の特徴点を含む３つの構成点から直線を得て、この直線を第２の補助線として設定する。

他方、ステップＳ２０３の処理でＮｏの場合、探索始点Ｐｃ（Ｘｃ，Ｙｃ）のＹ座標がゼロ（ｙ＝０）まで移動しているかどうかを判定する（ステップＳ２０６）。探索始点Ｐｃ（Ｘｃ，Ｙｃ）のＹ座標がゼロまで移動している場合（ステップＳ２０６；Ｙｅｓ）、第２の補助線は取得不可であるとして処理を終了する。他方、探索始点Ｐｃ（Ｘｃ，Ｙｃ）のＹ座標がゼロまで移動していない場合（ステップＳ２０６；Ｎｏ）、探索始点Ｐｃ（Ｘｃ，Ｙｃ）のＹ座標が超音波画像の中央に位置する座標点（画像中央の高さ）まで移動しているかどうかどうかを判定する（ステップＳ２０７）。

探索始点Ｐｃ（Ｘｃ，Ｙｃ）のＹ座標が超音波画像の中央に位置する座標点まで移動している場合（ステップＳ２０７；Ｙｅｓ）、ステップＳ２０８に処理を移動する。他方、探索始点Ｐｃ（Ｘｃ，Ｙｃ）のＹ座標が超音波画像の中央に位置する座標点まで移動していない場合（ステップＳ２０７；Ｎｏ）、ステップＳ２１１に処理を移動する。

ステップＳ２０７の処理でＹｅｓの場合、探索視点の移動が初回かどうかを判定する（ステップＳ２０８）。探索視点の移動が初回である場合（ステップＳ２０８；Ｙｅｓ）、探索始点Ｐｃ（Ｘｃ，Ｙｃ）の移動方向を＋Ｙ方向から－Ｙ方向に反転させ（ステップＳ２０９）、Ｓ２０１の処理に戻る。他方、探索視点の移動が２回目以降である場合（ステップＳ２０８；Ｎｏ）、ΔＹを１ピクセルだけ減少させ（ステップＳ２１０）、ステップＳ２０１の処理に戻る。

ステップＳ２０７の処理でＮｏの場合、探索視点の移動が反転しているかどうかを判定する（ステップＳ２１１）。探索視点の移動が反転している場合（ステップＳ２１１；Ｙｅｓ）、ΔＹを１ピクセルだけ減少させ（ステップＳ２１２）、Ｓ２０１の処理に戻る。他方、探索視点の移動が反転していない場合（ステップＳ２１１；Ｎｏ）、ΔＹを１ピクセルだけ増加させ（ステップＳ２１３）、ステップＳ２０１の処理に戻る。
以上が、第２の補助線設定処理の流れである。

再び図１５に戻り、判定部１５６は、ステップＳ４及びステップＳ５の処理で設定された第１の補助線及び第２の補助線のなす角を算出し、算出されたなす角に基づいて骨関節疾患の有無を判定する（ステップＳ６）。第１の補助線及び第２の補助線のなす角は、例えば、図２に示すとおりである。

次に、出力部１５７は、ステップＳ６の処理で判定された骨関節疾患の有無に関する診断結果を外部に出力する（ステップＳ７）。出力部１５７は、例えば、骨関節疾患の有無に関する診断結果を示す画像データを表示部１２０に送信し、表示部１２０に診断結果を表示させる。
以上が、診断処理の流れである。

以上説明したように、実施の形態に係る診断装置１００は、被検者の骨関節の超音波画像を取得する取得部１５２と、取得部１５２で取得された超音波画像の各ピクセルのピクセル値に基づいて、互いに交差する方向に直線状に延び、骨関節の稜線を示す一対の補助線を超音波画像上に設定する補助線設定部１５５と、補助線設定部１５５で設定された一対の補助線のなす角に基づいて、被検者における骨関節疾患の有無を判定する判定部１５６と、を備える。このため、超音波検査の熟練者でなくても骨関節疾患を簡便かつ正確に診断できる。

本発明は上記実施の形態に限られず、以下に述べる変形も可能である。

（変形例）
上記実施の形態では、学習済みモデルを用いて超音波画像の推定特徴点を推定していたが、本発明はこれに限られない。例えば、超音波画像の推定特徴点を超音波画像上の腸骨のサイズや被験者の性別、年齢から推定してもよい。

上記実施の形態では、診断装置１００が学習部１５１の機能を備えていたが、本発明はこれに限られない。例えば、診断装置１００とは別の外部の装置が学習部１５１の機能を備えてもよい。この場合、外部の装置が、学習用データに基づいて超音波画像と特徴点の座標との関係を学習することにより学習済みモデルを生成し、診断装置１００が、外部の装置により生成された学習済みモデルを通信部１３０による通信を介して取得すればよい。

上記実施の形態では、学習部１５１は、ニューラルネットワークを用いて機械学習を行っていたが、本発明はこれに限られない。ニューラルネットワーク以外の機械学習の手法、例えば、サポートベクターマシンによる回帰分析（サポートベクター回帰）の手法を用いてもよい。

上記実施の形態は、超音波画像上に第１の補助線及び第２の補助線を図示していたが、本発明はこれに限られない。各補助線は、各補助線のなす角を算出できるようにコンピュータ内で設定すればよく、必ずしも超音波画像上に第１の補助線及び第２の補助線を図示する必要はない。

上記実施の形態では、第１の補助線設定処理において四角形の探索エリアを設定し、第２の補助線設定処理において直角三角形の探索エリアを設定していたが、本発明はこれに限られない。探索エリアの形状は超音波画像上に各補助線を設定し得る限り任意であり、例えば、第２の補助線設定処理における探索エリアを斜め方向に延びる長方形で設定してもよい。

上記実施の形態では、第１の補助線設定処理において第１の探索エリア内の極大値を探索することで、第１の補助線の構成点を抽出し、第２の探索エリア内の極大値を探索することで、真の特徴点を検出していたが、本発明はこれに限られない。例えば、第１の探索エリアと第２の探索エリアとを組み合わせた探索エリアを超音波画像上に設定し、第１の補助線の構成点と真の特徴点の抽出と真の特徴点の検出とを一つの探索エリア内で実施してもよい。

上記実施の形態では、探索エリア内で抽出された個々の極大点が、抽出された全ての極大点のＸ座標値又はＹ座標値の平均値により設定される範囲（帯）に含まれない場合、その極大値を極大値の点群から除外していたが、本発明はこれに限られない。例えば、探索エリア内で抽出される極大値に大きなバラツキが存在する可能性が低い場合、上記の処理を省略してもよい。

上記実施の形態では、乳児股関節の寛骨臼形成不全を診断対象としていたが、本発明はこれに限られない。骨関節において互いに交差する一対の補助線の角度により疾患の有無を判定できる骨関節疾患であれば、いかなる骨関節疾患を診断対象としてもよい。例えば、骨関節としては、肩関節、肘関節、膝関節、足首を診断対象としてもよい。また、軟骨や靱帯の位置異常や変形、損傷を診断対象としてもよい。

一例として野球肘の診断を行う場合を説明する。野球肘は、上腕骨小頭の軟骨部位が離断する疾患である。図１９（ａ）に示すように、超音波画像では、正常な上腕骨小頭の軟骨部位が白い三日月形状の部位として表示される。野球肘の診断処理では、まず、超音波画像において肘関節の上腕骨小頭の軟骨被膜の右端点又は左端点に特徴点を設定する。次に、超音波画像において、この特徴点から左側又は右側に存在する極大点を探索する。次に、隣接する極大点間を結ぶ直線を補助線として設定し、各隣接補助線のなす角を診断パラメータとして野球肘の発症の有無を判定すればよい。

図１９（ａ）に示すように、軟骨部位の離脱が存在しない正常時では、極大点を結ぶ形状は滑らかな円弧状を描くので、各隣接補助線間のなす角のバラつきは小さい。例えば、図１９（ａ）の場合では、各隣接補助線間のなす角のバラつきは、５°～３０°の範囲内である。ここで、角度は、反時計回りがプラスの値であり、時計回りがマイナスの値である。他方、図１９（ｂ）に示すように、軟骨部位の離脱が存在する疾患時には、極大点を結ぶ形状にギザギザ状の部分が含まれるため、各隣接補助線間のなす角のバラつきが大きくなる。例えば、図１９（ｂ）の場合では、各隣接補助線間のなす角のバラつきは、－１１０°～１００°の範囲内である。このため、診断処理では、各隣接補助線間のなす角のバラつきが所定の範囲内、例えば、０°～３０°の範囲内である場合に野球肘でないと判定し、それ以外の場合に野球肘であると判定すればよい。

上記実施の形態では、被検者の画像として超音波画像を用いていたが、本発明はこれに限られない。本発明は、画像品質が比較的低い超音波画像における画像処理に特に好適であるが、例えば、Ｘ線画像、ＣＴ画像、ＭＲＩ画像のような他の医療用画像に画像処理を施し、骨関節疾患の有無を診断してもよい。この場合、超音波検査装置２００をＸ線撮影装置、ＣＴ装置、ＭＲＩ装置のような他の医療用撮影装置に置き換え、当該医療用撮影装置で撮影された被検者の医療用画像のデータを診断装置１００に送信すればよい。

上記実施の形態では、診断装置１００が骨関節疾患の有無を判定していたが、本発明はこれに限られない。診断装置１００を被検者から得られた画像上に一対の補助線を設定する画像処理装置として機能させてもよい。例えば、診断装置１００により設定された一対の補助線を超音波画像に重ねて表示部１２０に表示させ、表示された一対の補助線を医師が参照し、その他の条件も考慮した上で医師が骨関節疾患の有無を診断してもよい。

上記実施の形態では、診断装置１００の記憶部１４０に各種データが記憶されていたが、本発明はこれに限定されない。例えば、各種データは、その全部又は一部が通信ネットワークを介して外部の制御装置やコンピュータに記憶されていてもよい。

上記実施の形態では、診断装置１００は、それぞれ記憶部１４０に記憶されたプログラムに基づいて動作していたが、本発明はこれに限定されない。例えば、プログラムにより実現された機能的な構成をハードウェアにより実現してもよい。

上記実施の形態では、診断装置１００は、例えば、汎用コンピュータであったが、本発明はこれに限られない。例えば、診断装置１００は、クラウド上に設けられたコンピュータで実現してもよい。

上記実施の形態では、診断装置１００が実行する処理は、上述の物理的な構成を備える装置が記憶部１４０に記憶されたプログラムを実行することによって実現されていたが、本発明は、プログラムとして実現されてもよく、そのプログラムが記録された記憶媒体として実現されてもよい。

また、上述の処理動作を実行させるためのプログラムを、フレキシブルディスク、ＣＤ－ＲＯＭ（Compact Disk Read-Only Memory）、ＤＶＤ（Digital Versatile Disk）、ＭＯ（Magneto-Optical Disk）等のコンピュータにより読み取り可能な非一時的な記録媒体に格納して配布し、そのプログラムをコンピュータにインストールすることにより、上述の処理動作を実行する装置を構成してもよい。

上記実施の形態は例示であり、本発明はこれらに限定されるものではなく、特許請求の範囲に記載した発明の趣旨を逸脱しない範囲でさまざまな実施の形態が可能である。各実施の形態や変形例で記載した構成要素は自由に組み合わせることが可能である。また、特許請求の範囲に記載した発明と均等な発明も本発明に含まれる。

１ 診断システム
１００ 診断装置
１１０ 操作部
１２０ 表示部
１３０ 通信部
１４０ 記憶部
１４１ 学習用データ記憶部
１４２ 学習済みモデル記憶部
１４３ 画像データ記憶部
１５０ 制御部
１５１ 学習部
１５２ 取得部
１５３ 特徴点推定部
１５４ 極大点検出部
１５５ 補助線設定部
１５６ 判定部
１５７ 出力部
２００ 超音波検査装置

Claims (9)

1. 被検者の骨関節の画像を取得する取得部と、
   前記取得部で取得された画像の各ピクセルのピクセル値に基づいて、互いに交差する方向に直線状に延び、骨関節の稜線を示す一対の補助線を前記画像上に設定する補助線設定部と、
   前記補助線設定部で設定された一対の補助線のなす角に基づいて、被検者における骨関節疾患の有無を判定する判定部と、
   を備える画像診断装置。
2. 前記補助線設定部は、前記画像において骨関節の骨輪郭が変化する特徴点を検出し、検出された特徴点に基づいて前記画像上に前記一対の補助線を設定する、
   請求項１に記載の画像診断装置。
3. 前記画像診断装置は、
   前記取得部により取得された画像に基づいて骨関節の特徴点として推定特徴点を推定する特徴点推定部と、
   前記取得部により取得された画像においてピクセル値が極大値となるピクセルである極大点を検出する極大点検出部と、をさらに備え、
   前記補助線設定部は、前記特徴点推定部により推定された推定特徴点と、前記極大点検出部により検出された極大点とに基づいて、前記一対の補助線を前記画像上に設定する、
   請求項１又は２に記載の画像診断装置。
4. 前記補助線設定部は、前記特徴点推定部により推定された推定特徴点に基づいて、前記画像において極大点を探索する探索エリアを設定し、前記極大点検出部により検出された極大点のうち前記探索エリア内に存在する極大点を抽出し、前記探索エリア内で抽出された極大点に基づいて各補助線を設定する、
   請求項３に記載の画像診断装置。
5. 前記特徴点推定部は、画像の入力に対して推定特徴点の座標を出力するモデルに基づいて、前記取得部により取得された画像から推定特徴点の座標を推定する、
   請求項３又は４に記載の画像診断装置。
6. 前記画像診断装置は、機械学習により前記モデルを生成する学習部、をさらに備え、
   前記特徴点推定部は、前記学習部により生成された前記モデルに基づいて、前記取得部により取得された画像から推定特徴点の座標を推定する、
   請求項５に記載の画像診断装置。
7. 前記骨関節疾患は、乳児股関節の寛骨臼形成不全であり、
   前記特徴点は、腸骨下極点である、
   請求項２から６のいずれか１項に記載の画像診断装置。
8. 取得部と補助線設定部と判定部とを備える画像診断装置の作動方法であって、
   前記取得部が被検者の骨関節の画像を取得する工程と、
   前記補助線設定部が前記取得部で取得された画像の各ピクセルのピクセル値に基づいて、互いに交差する方向に直線状に延び、骨関節の稜線を示す一対の補助線を前記画像上に設定する工程と、
   前記判定部が前記補助線設定部で設定された一対の補助線のなす角に基づいて、被検者における骨関節疾患の有無を判定する工程と、
   を含む画像診断装置の作動方法。
9. コンピュータを、
   被検者の骨関節の画像を取得する取得手段、
   前記取得手段で取得された画像の各ピクセルのピクセル値に基づいて、互いに交差する方向に直線状に延び、骨関節の稜線を示す一対の補助線を前記画像上に設定する補助線設定手段、
   前記補助線設定手段で設定された一対の補助線のなす角に基づいて、被検者における骨関節疾患の有無を判定する判定手段、
   として機能させるためのプログラム。

Images