JP2023066260A - 学習モデル生成方法、画像処理装置、プログラムおよび訓練データ生成方法 - Google Patents

Abstract

【課題】細く描出された領域を正しく分類可能な学習モデルを生成する学習モデル生成方法等を提供すること。【解決手段】学習モデル生成方法は、断層像取得用プローブを用いて取得された断層像５８と、前記断層像５８を構成する各ピクセルが生体組織領域５６６と非生体組織領域とを含む複数の領域に分類された正解分類データ５７とを関連づけて複数組記録した訓練データベースから訓練データを取得し、前記正解分類データ５７のうち、所定の領域について、所定の閾値よりも薄い薄肉部に関する薄肉部データ５９を取得し、前記訓練データと前記薄肉部データ５９とに基づいて、前記断層像５８を構成する各ピクセルを前記複数の領域に分類した出力分類データを出力する学習モデル３１のパラメータ調整処理を行なう。【選択図】図１

Description

本発明は、学習モデル生成方法、画像処理装置、プログラムおよび訓練データ生成方法に関する。

血管等の管腔器官に画像取得用カテーテルを挿入して、画像を取得するカテーテルシステムが使用されている（特許文献１）。画像に描出された組織を分類したセグメンテーション画像を表示する超音波診断装置が提案されている（特許文献２）。

国際公開第２０１７／１６４０７１号

カテーテルシステムを用いて撮影した画像に基づいて作成したセグメンテーション画像を使用することにより、たとえば面積または体積等の自動計測、および、三次元画像の表示を行える。

しかしながら、公知のセグメンテーション手法では、画像中に細く描出された領域を正しく分類できない場合がある。

一つの側面では、細く描出された領域を正しく分類可能な学習モデルを生成する学習モデル生成方法等を提供することを目的とする。

学習モデル生成方法は、断層像取得用プローブを用いて取得された断層像と、前記断層像が生体組織領域と非生体組織領域とを含む複数の領域に分類された正解分類データとを関連づけて複数組記録した訓練データベースから訓練データを取得し、前記正解分類データのうち、所定の領域について、所定の閾値よりも薄い薄肉部に関する薄肉部データを取得し、前記訓練データと前記薄肉部データとに基づいて、学習モデルのパラメータ調整処理を行なう。

一つの側面では、細く描出された領域を正しく分類可能な学習モデルを生成する学習モデル生成方法等を提供できる。

分類モデルの生成方法を説明する説明図である。 情報処理装置の構成を説明する説明図である。 分類訓練ＤＢのレコードレイアウトを説明する説明図である。 薄肉部データを説明する説明図である。 薄肉部データを説明する説明図である。 薄肉部データを説明する説明図である。 差分データを説明する説明図である。 加重差分データを説明する説明図である。 プログラムの処理の流れを説明するフローチャートである。 薄肉部データ生成のサブルーチンの処理の流れを説明するフローチャートである。 差分データの変形例を説明する説明図である。 差分データの変形例を説明する説明図である。 加重差分データの変形例を説明する説明図である。 加重差分データの変形例を説明する説明図である。 薄肉部データの変形例を説明する説明図である。 薄肉部抽出モデルを説明する説明図である。 薄肉部訓練ＤＢのレコードレイアウトを説明する説明図である。 変形例１－８の分類モデルの生成方法を説明する説明図である。 実施の形態２の分類モデルの生成方法を説明する説明図である。 実施の形態２の分類モデルの生成方法を説明する説明図である。 実施の形態２の分類モデルの生成方法を説明する説明図である。 実施の形態２の分類モデルの生成方法を説明する説明図である。 変形例２－１の加重正解分類データを説明する説明図である。 実施の形態３の損失値を説明する説明図である。 実施の形態３の損失値を説明する説明図である。 実施の形態３のプログラムの処理の流れを説明するフローチャートである。 損失値算出のサブルーチンの処理の流れを説明するフローチャートである。 実施の形態４の差分データを説明する説明図である。 実施の形態５のプログラムの処理の流れを説明するフローチャートである。 実施の形態６のカテーテルシステムの構成を説明する説明図である。 実施の形態６のプログラムの処理の流れを説明するフローチャートである。 実施の形態７の情報処理装置の構成を説明する説明図である。 実施の形態８の情報処理装置の機能ブロック図である。 実施の形態９の画像処理装置の機能ブロック図である。

［実施の形態１］
図１は、分類モデル３１の生成方法を説明する説明図である。分類訓練ＤＢ（Database）４１（図２参照）に、断層像５８と正解分類データ５７とを組にした分類訓練データが多数記録されている。本実施の形態では、断層像５８はＩＶＵＳ（Intravascular Ultrasound：血管内超音波検査）用の画像取得用カテーテル２８（図３０参照）を使用して撮影された超音波断層像である場合を例にして説明する。画像取得用カテーテル２８は、患者の身体の断層像５８を取得する断層像取得用プローブの例示である。

断層像５８は、近赤外光を用いたＯＣＴ（Optical Coherence Tomography）による断層像５８であってもよい。断層像５８は、リニア走査型またはセクタ走査型の画像取得用カテーテル２８を用いて取得された超音波断層像であってもよい。断層像５８は、ＴＥＥ（Transesophageal Echocardiography：経食道心エコー）用プローブを用いて取得された超音波断層像であってもよい。断層像５８は患者の体表に当てて断層像５８を取得する体外式の超音波プローブであってもよい。

図１においては、走査線データを走査角度順に平行に配列して形成された、いわゆるＲＴ形式で断層像５８を図示する。断層像５８の左端が画像取得用カテーテル２８である。断層像５８の横方向は、画像取得用カテーテル２８との距離に対応し、断層像５８の縦方向は走査角度に対応する。

正解分類データ５７は、断層像５８を構成する各ピクセルを、生体組織領域５６６、内腔領域５６３および腔外領域５６７に分類したデータである。内腔領域５６３は、周囲を生体組織領域５６６に囲まれた領域である。内腔領域５６３は、画像取得用カテーテル２８が挿入されている第１内腔領域５６１と画像取得用カテーテル２８が挿入されていない第２内腔領域５６２とに分類されている。以下の説明においては、正解分類データ５７を構成するそれぞれのデータについても、断層像５８を構成するデータと同様に「ピクセル」と記載する。

それぞれのピクセルには、分類された領域を示すラベルが関連づけられている。図１においては、生体組織領域５６６のラベルが関連付けられた部分を格子状のハッチング、第１内腔領域５６１のラベルが関連付けられた部分をハッチング無し、第２内腔領域５６２のラベルが関連付けられた部分を左下がりのハッチング、腔外領域５６７のラベルが関連付けられた部分を右下がりのハッチングでそれぞれ示す。なお、断層像５８を構成する複数のピクセルをまとめた小領域ごとにラベルが関連づけられていてもよい。

画像取得用カテーテル２８が血管または心臓等の循環器に挿入されている場合を例にして、具体的に説明する。生体組織領域５６６は血管壁または心臓壁等の、管腔器官壁に対応する。第１内腔領域５６１は、画像取得用カテーテル２８が挿入されている管腔器官の内側の領域である。すなわち、第１内腔領域５６１は、血液で満たされている領域である。

第２内腔領域５６２は、画像取得用カテーテル２８が挿入されている血管等の近傍に存在する別の管腔器官の内側の領域である。たとえば第２内腔領域５６２は画像取得用カテーテル２８が挿入されている血管から分岐した血管の内側の領域、または、画像取得用カテーテル２８が挿入されている血管に近接する他の血管の内側の領域である。第２内腔領域５６２は、たとえば胆管、膵管、尿管または尿道等の、循環器以外の管腔器官の内側の領域である場合もある。

腔外領域５６７は、生体組織領域５６６の外側の領域である。心房、心室または太い血管等の内側の領域であっても、画像取得用カテーテル２８に対して遠位側の生体組織領域５６６が断層像５８の表示レンジに収まっていない場合には、腔外領域５６７に分類される。

図示を省略するが、正解分類データ５７は、たとえば画像取得用カテーテル２８、画像取得用カテーテル２８と共に挿入されたガイドワイヤ等が描出された器具領域、および石灰化等の病変部が描出された病変領域等の、種々の領域に対応するラベルを含んでもよい。

正解分類データ５７は、第１内腔領域５６１と第２内腔領域５６２とが区別されておらず、どちらも内腔領域５６３に分類されたデータであってもよい。正解分類データ５７は、生体組織領域５６６と、非生体組織領域との２種類の領域に分類されたデータであってもよい。

正解分類データ５７は、断層像５８の読影に習熟した医師、検査技師または訓練を受けたオペレータ等の専門家により作成され、断層像５８と関連づけて分類訓練ＤＢ４１に記録されている。

正解分類データ５７から、特定の領域について所定の閾値よりも薄い薄肉部領域５６９を抽出した、薄肉部データ５９が生成される。図１においては、薄肉部領域５６９は生体組織領域５６６が所定の閾値よりも薄い部分である場合の例を示す。薄肉部領域５６９の抽出方法の詳細については、後述する。

分類訓練ＤＢ４１を使用して、断層像５８を入力した場合に、出力分類データ５１を出力する分類モデル３１の機械学習が行われる。ここで分類モデル３１は、たとえばセマンテックセグメンテーションを実現するＵ－Ｎｅｔ構造のモデルである。分類モデル３１は、本実施の形態の学習モデルの例示である。

Ｕ－Ｎｅｔ構造は、多層のエンコーダ層と、その後ろに接続された多層のデコーダ層とを含む。それぞれのエンコーダ層は、プーリング層と畳込層とを含む。セマンテックセグメンテーションにより、入力された断層像５８を構成するそれぞれの画素に対してラベルを付与した出力分類データ５１が生成される。以下の説明においては、出力分類データ５１を構成するそれぞれのデータについても、断層像５８を構成するデータと同様に「ピクセル」と記載する。なお、分類モデル３１は、Ｍａｓｋ Ｒ－ＣＮＮモデル、その他任意の画像のセグメンテーションを実現するモデルであってもよい。

機械学習方法の概要を説明する。分類訓練ＤＢ４１から一組の分類訓練データが取得される。学習途中の分類モデル３１に断層像５８が入力され、出力分類データ５１が出力される。出力分類データ５１と、正解分類データ５７との比較に基づいて、差分データ５５が生成される。

差分データ５５は、正解分類データ５７を構成するそれぞれのピクセルのラベルと、出力分類データ５１における対応するピクセルのラベルとの差異に関するデータである。出力分類データ５１、正解分類データ５７および差分データ５５のデータ数は同一である。以下の説明においては、差分データ５５を構成するそれぞれのデータについても、ピクセルと記載する。

薄肉部データ５９を用いて重み付けされた差分データ５５に基づいて、正解分類データ５７と出力分類データ５１との差異に関する算出値である損失値５５１が定められる。損失値５５１が所定値に近づくように、たとえば誤差逆伝播法を用いて分類モデル３１のパラメータ調整が行われる。所定値は、たとえば「０」または「０．１」等の小さい値である。

差分データ５５の作成、薄肉部データ５９による重み付け、および、損失値５５１の算出の詳細については、後述する。多数の分類訓練データを用いてパラメータ調整を繰り返す機械学習により、薄肉部領域５６９に対応する部分についても正しく分類できる分類モデル３１が生成される。

図２は、情報処理装置２０の構成を説明する説明図である。情報処理装置２０は、制御部２１、主記憶装置２２、補助記憶装置２３、通信部２４、表示部２５、入力部２６およびバスを備える。制御部２１は、本実施の形態のプログラムを実行する演算制御装置である。制御部２１には、一または複数のＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、またはマルチコアＣＰＵ等が使用される。制御部２１は、バスを介して情報処理装置２０を構成するハードウェア各部と接続されている。

主記憶装置２２は、ＳＲＡＭ（Static Random Access Memory）、ＤＲＡＭ（Dynamic Random Access Memory）、フラッシュメモリ等の記憶装置である。主記憶装置２２には、制御部２１が行なう処理の途中で必要な情報および制御部２１で実行中のプログラムが一時的に保存される。

補助記憶装置２３は、ＳＲＡＭ、フラッシュメモリ、ハードディスクまたは磁気テープ等の記憶装置である。補助記憶装置２３には、分類モデル３１、分類訓練ＤＢ４１、制御部２１に実行させるプログラム、およびプログラムの実行に必要な各種データが保存される。分類モデル３１および分類訓練ＤＢ４１は、情報処理装置２０に接続された外部の大容量記憶装置等に記憶されていてもよい。

通信部２４は、情報処理装置２０とネットワークとの間の通信を行なうインターフェースである。表示部２５は、たとえば液晶表示パネルまたは有機ＥＬ（Electro Luminescence）パネル等である。入力部２６は、たとえばキーボードおよびマウス等である。表示部２５に入力部２６が積層されてタッチパネルを構成していてもよい。表示部２５は、情報処理装置２０に接続された表示装置であってもよい。情報処理装置２０は、表示部２５および入力部２６を備えなくてもよい。

情報処理装置２０は、汎用のパソコン、タブレット、大型計算機、または、大型計算機上で動作する仮想マシンである。情報処理装置２０は、分散処理を行なう複数のパソコン、または大型計算機等のハードウェアにより構成されても良い。情報処理装置２０は、クラウドコンピューティングシステムまたは量子コンピュータにより構成されても良い。

図３は、分類訓練ＤＢ４１のレコードレイアウトを説明する説明図である。分類訓練ＤＢ４１は、断層像５８と正解分類データ５７とを関連づけて多数組記録したデータベースである。

分類訓練ＤＢ４１は、断層像フィールドと、正解分類データフィールドとを有する。断層像フィールドと正解分類データフィールドは、それぞれＲＴ形式フィールドと、ＸＹ形式フィールドとの２つのサブフィールドを有する。

断層像フィールドのＲＴ形式フィールドには、走査線データを走査角度順に平行に配列して形成された、ＲＴ形式の断層像５８が記録されている。断層像フィールドのＸＹ形式フィールドには、ＲＴ形式の断層像５８を座標変換して生成されたＸＹ形式の断層像５８が記録されている。

正解分類データフィールドのＲＴ形式フィールドには、ＲＴ形式の断層像５８が複数の領域に分類されたＲＴ形式の正解分類データ５７が記録されている。正解分類データフィールドのＸＹ形式フィールドには、ＸＹ形式の断層像５８が複数の領域に分類されたＸＹ形式の正解分類データ５７が記録されている。

なお、ＸＹ形式の断層像５８は分類訓練ＤＢ４１に記録されておらず、必要に応じてＲＴ形式の断層像５８から座標変換により生成されてもよい。ＲＴ形式の正解分類データ５７と、ＸＹ形式の正解分類データ５７とは、一方のみが分類訓練ＤＢ４１に記録されており、必要に応じて他方が座標変換により生成されてもよい。分類訓練ＤＢ４１は、一組の分類訓練データについて、１つのレコードを有する。分類訓練ＤＢ４１は、本実施の形態の訓練データベースの例示である。

図４から図６は、薄肉部データ５９を説明する説明図である。以下の説明では、制御部２１が、正解分類データ５７から生体組織領域５６６が薄くなっている薄肉部領域５６９を抽出する場合を例にして説明する。

制御部２１は、正解分類データ５７から、生体組織領域５６６を抽出する。図４の右上に、生体組織領域５６６が抽出された状態を示す。制御部２１は、公知のエッジ抽出アルゴリズムを使用して、生体組織領域５６６とそれ以外の領域との間の境界線５３を抽出する。図４の右側中央に、境界線５３が抽出された状態を示す。

図５は、図４におけるＶ部拡大図を示す。制御部２１は、境界線５３上の任意の点から、生体組織領域５６６のみを通過して、境界線５３上の他の点に到達する測定線５３９を生成する。図５においては、制御部２１が境界線５３上のＡ１点から、生体組織領域５６６のみを通過して境界線５３上の他の点に到達する測定線５３９を生成する場合を例にして説明する。

制御部２１は、それぞれの測定線５３９の長さを算出し、最も短い測定線５３９を選択する。図５においては、制御部２１が選択したＡ１点とＡ２点とを結ぶ測定線５３９を実線で示し、制御部２１が選択しなかった測定線５３９を破線で示す。

制御部２１は、選択した測定線５３９が所定の閾値よりも短いか否かを判定する。短くない場合、制御部２１は選択した測定線５３９に関連する処理を行わない。短い場合、測定線５３９が生成された部分において生体組織領域５６６は所定の閾値よりも薄い。以下の説明では、Ａ１点とＡ２点とを結ぶ測定線５３９が閾値よりも短い場合を例にして説明する。

図６は、図５におけるＶＩ部に対応する薄肉部データ５９の拡大図を模式的に示す。薄肉部データ５９は、正解分類データ５７と同じ数のピクセルを有する。図６における各枠は、それぞれ１個のピクセルを示す。制御部２１は、Ａ１点とＡ２点とを結ぶ測定線５３９が通過するピクセルに薄肉部フラグを記録する。図６に示す例では、薄肉部フラグは「１」である。図示を省略するが、薄肉部フラグが記録されていないピクセルには、たとえば「０」のような所定のフラグが記録されている。制御部２１は、同様の手順により条件を満たす測定線５３９すべてについて、通過するピクセルに薄肉部フラグを記録する。

なお制御部２１は、測定線５３９の長さの閾値について、ユーザによる入力を受け付けてもよい。ユーザは、患者の体格および疾病の状態等に基づいて、薄肉部領域５６９であるか否かの判定に用いる適切な閾値を入力する。

図４に戻って説明を続ける。図６において薄肉部フラグが記録された部分が、図４の右下に示す薄肉部領域５６９である。図４から図６を使用して説明したように、ＸＹ形式で薄肉部領域５６９を抽出して、表示部２５に表示することにより、たとえば卵円窩等の解剖学的に薄い部分を制御部２１が正しく抽出したか否かをユーザが確認できる。

図４の左下に示すように、ＸＹ形式の薄肉部データ５９は座標変換によりＲＴ形式に変換できる。なお制御部２１は、ＲＴ形式の正解分類データ５７から薄肉部領域５６９を抽出してもよい。

図７は、差分データ５５を説明する説明図である。図７の左上の部分は、正解分類データ５７のうちの９ピクセルを模式的に示す。図７の右上の部分は、出力分類データ５１のうちの９ピクセルを模式的に示す。図７の下側の部分は、差分データ５５のうちの９ピクセルを模式的に示す。図７に示すそれぞれの９ピクセルは、対応する場所に存在するピクセルを示す。正解分類データ５７および差分データ５５について、中央および中央下側の角丸四角形を表示するピクセルは、薄肉部領域５６９に対応するピクセルである。

正解分類データ５７および出力分類データ５１のそれぞれのピクセルには、当該ピクセルを分類したラベルに対する確率が記録されている。「１」は第１内腔領域５６１のラベルを、「２」は第２内腔領域５６２のラベルを、「３」は生体組織領域５６６のラベルを意味する。

なお、それぞれのピクセルに対して、４種類以上のラベルである確率または２種類以下のラベルである確率が記録されていてもよい。たとえば生体組織領域５６６であるか否かの分類のみが行なわれる場合、それぞれのピクセルについて「ＹＥＳ」を示すラベルである確率および「ＮＯ」を示すラベルである確率、または「ＹＥＳ」、「ＮＯ」のどちらか片方のラベルである確率が記録される。

正解分類データ５７の各ピクセルは、専門家により第１内腔領域５６１、第２内腔領域５６２または生体組織領域５６６のいずれかの領域に分類されている。したがって、いずれか一つのラベルに対する確率が１００パーセントであり、他のラベルに対する確率は０パーセントである。正解分類データ５７においても、出力分類データ５１においても、それぞれのピクセルについて、各ラベルの確率の合計は１００パーセントである。

以下の説明においては、それぞれのピクセルに対して専門家が分類したラベルを正解ラベル、それ以外のラベルを不正解ラベルとそれぞれ記載する場合がある。たとえば図７の正解分類データ５７、出力分類データ５１および差分データ５５において、中央のピクセルでは、「１」および「２」が不正解分類ラベルであり、「３」が正解分類ラベルである。図７においては、正解ラベルを太字で、不正解ラベルを斜字でそれぞれ示す。

出力分類データ５１の各ピクセルには、第１内腔領域５６１である確率、第２内腔領域５６２である確率および生体組織領域５６６である確率が記録されている。たとえば図７に示す出力分類データ５１において、右上のピクセルは、第１内腔領域５６１である確率が８０パーセント、第２内腔領域５６２である確率が１５パーセント、生体組織領域５６６である確率が５パーセントである。それぞれのピクセルについて、各ラベルの確率の合計は１００パーセントである。制御部２１は、断層像５８を分類モデル３１に入力し、分類モデル３１から出力される出力分類データ５１を取得する。

差分データ５５には、各ピクセルの各ラベルに関する損失が記録されている。以下の説明においては、差分データ５５を構成するそれぞれのデータについても、断層像５８を構成するデータと同様に「ピクセル」と記載する。制御部２１は、出力分類データ５１、正解分類データ５７および（１）式に基づいて、差分データ５５を構成する各ピクセルの各ラベルに関する損失を算出して、差分データ５５を生成する。

Ｅij は、ｉ番目のピクセルのｊ番目のラベルに関する損失を示す。
Ｌｎ（ｘ）は、ｘの自然対数を示す。
Ｑij は、出力分類データにおいてｉ番目のピクセルがｊ番目のラベルである確率を示す。

なお、Ｑijは、１以下の正の値である。（１）式は、差分データ５５を生成する際の計算式の例示である。各ピクセルの各ラベルに関する損失の算出式は、（１）式に限定しない。差分データ５５の変形例については、後述する。

図８は、加重差分データ６５を説明する説明図である。加重差分データ６５は、差分データ５５の各ピクセルについて、薄肉部データ５９に基づいて重み付けをして算出した損失を示すデータである。以下の説明においては、加重差分データ６５を構成するそれぞれのデータについても、断層像５８を構成するデータと同様に「ピクセル」と記載する。

制御部２１は、たとえば（２）式に基づいて加重差分データ６５を構成する各ピクセルに関する損失を算出する。（２）式により、薄肉部領域５６９に関する損失の重み付けが行なわれる。

Ｆiは、ｉ番目のピクセルの損失を示す。
Ｇiは、薄肉部領域に関する重みを示す。
ｉ番目のピクセルが薄肉部領域である場合、Ｇi＝ｍである。
ｉ番目のピクセルが薄肉部領域ではない場合、Ｇi＝１である。
ｍは、１よりも大きい定数である薄肉部係数を示す。
ｕは、ピクセルが分類される領域の数である。

（２）式は、薄肉部領域５６９に分類されてピクセルの損失が、薄肉部領域５６９以外に分類されたピクセルの損失に対してｍ倍の重みを有するように、各ピクセルの損失を定めることを示す。ｍは、たとえば３である。

制御部２１は、薄肉部領域５６９の厚さに基づいて（２）式の薄肉部係数ｍを定めてもよい。たとえば制御部２１は、閾値よりも薄い薄肉部領域５６９に対する薄肉部係数ｍを、閾値以上の厚さを有する薄肉部領域５６９に対する薄肉部係数ｍよりも大きくする。薄肉部係数ｍは、たとえば薄肉部領域５６９の厚さの関数で定められてもよい。

なお、重み付けした損失の算出方法は（２）式に限定しない。いくつかの変形例については、後述する。

制御部２１は、加重差分データ６５に基づいて損失値５５１を算出する。損失値５５１は、加重差分データ６５を構成する各ピクセルの損失の代表値である。代表値に相加平均値を用いる場合、制御部２１は、（３）式に基づいて損失値５５１を算出する。

Ｃは、ピクセル数を示す。

損失値５５１に用いる代表値は、たとえば相乗平均値、調和平均値または二乗和等の、任意の代表値であってもよい。

制御部２１は、１個または複数個のピクセルの損失Ｆiに基づいて損失値５５１を定めてもよい。たとえば制御部２１は、画像取得用カテーテル２８からの距離が所定の範囲であるピクセルに基づいて、損失値５５１を算出してもよい。

制御部２１は、損失値５５１が所定値に近づくように、たとえば誤差逆伝播法を用いて分類モデル３１のパラメータを調整する。制御部２１は、多数の分類訓練データを用いて分類モデル３１のパラメータ調整を繰り返すことにより、断層像５８を入力した場合に適切な出力分類データ５１を出力するように分類モデル３１の機械学習を行う。

図９は、プログラムの処理の流れを説明するフローチャートである。制御部２１は、分類訓練ＤＢ４１から一組の分類訓練データを取得する（ステップＳ５０１）。ステップＳ５０１により、制御部２１は本実施の形態の訓練データ取得部の機能を実現する。制御部２１は、薄肉部データ生成のサブルーチンを起動する（ステップＳ５０２）。薄肉部データ生成のサブルーチンは、正解分類データ５７に基づいて薄肉部データ５９を生成するサブルーチンである。薄肉部データ生成のサブルーチンの処理の流れは後述する。ステップＳ５０２により、制御部２１は本実施の形態の薄肉部データ取得部の機能を実現する。

制御部２１は、断層像５８を訓練中の分類モデル３１に入力し、出力分類データ５１を取得する（ステップＳ５０３）。制御部２１は、正解分類データ５７と出力分類データ５１とを使用して、たとえば（１）式に基づいて差分データ５５を算出する（ステップＳ５０４）。制御部２１は、たとえば（２）式に基づいて加重差分データ６５を算出する（ステップＳ５０５）。

制御部２１は、たとえば（３）式に基づいて損失値５５１を算出する（ステップＳ５０６）。制御部２１は、損失値５５１が所定値に近づくように、たとえば誤差逆伝播法を用いて分類モデル３１のパラメータ調整を行なう（ステップＳ５０７）。ステップＳ５０７により、制御部２１は本実施の形態のパラメータ調整部の機能を実現する。

制御部２１は、処理を終了するか否かを判定する（ステップＳ５０８）。制御部２１は、たとえば所定の数の分類訓練データを学習した場合に、処理を終了すると判定する。制御部２１は、たとえば損失値５５１またはパラメータの調整量が所定の閾値を下回った場合、処理を終了すると判定してもよい。

処理を終了しないと判定した場合（ステップＳ５０８でＮＯ）、制御部２１はステップＳ５０１に戻る。処理を終了すると判定した場合（ステップＳ５０８でＹＥＳ）、制御部２１は調整後の分類モデル３１のパラメータを補助記憶装置２３に記録する（ステップＳ５０９）。その後、制御部２１は処理を終了する。以上により、分類モデル３１の生成が終了する。

図１０は、薄肉部データ生成のサブルーチンの処理の流れを説明するフローチャートである。薄肉部データ生成のサブルーチンは、正解分類データ５７に基づいて薄肉部データ５９を生成するサブルーチンである。制御部２１は、薄肉部データ生成のサブルーチンにより、図４から図６を使用して説明した処理を実行する。

制御部２１は、薄肉部データ５９を初期化する（ステップＳ５２１）。具体的には制御部２１は、正解分類データ５７と同数のピクセルを有する薄肉部データ５９の全ピクセルを、所定の初期値に設定する。以下の説明では、所定の初期値が「０」である場合を例にして説明する。

制御部２１は、正解分類データ５７のコピーを作成する。制御部２１は、正解分類データ５７のコピーに対して、以後に説明する処理を行う。なお、以後の説明においては、正解分類データ５７のコピーを単に正解分類データ５７と記載する場合がある。

制御部２１は、正解分類データ５７のうち、ピクセルに第１ラベルが記録された第１ラベル領域を抽出する（ステップＳ５２２）。具体的には、制御部２１は第１ラベル領域のラベルが記録されたピクセルに「１」を、第１ラベル領域以外のラベルが記録されたピクセルに「０」をそれぞれ記録する。図１を使用して説明した例においては、第１ラベル領域は生体組織領域５６６である。図４の右上の図においては、「１」が記録されたピクセルが格子状のハッチングで示されている。なお、第１ラベル領域は生体組織領域５６６に限定しない。たとえば第１内腔領域５６１または第２内腔領域５６２が第１ラベル領域であってもよい。

制御部２１は、公知のエッジ抽出アルゴリズムを使用して、第１ラベル領域の境界線５３を抽出する（ステップＳ５２３）。図４の右側中央の図に、境界線５３を抽出した状態を示す。制御部２１は、境界線５３上のピクセルから、始点を選択する（ステップＳ５２４）。制御部２１は、始点から第１ラベル領域のみを通り境界線５３上の別のピクセルに到達する複数の測定線５３９を作成する（ステップＳ５２５）。

制御部２１はステップＳ５２５で作成した複数の測定線５３９のうち、最も短い測定線５３９を選択する（ステップＳ５２６）。制御部２１は、ステップＳ５２６で選択した測定線５３９が閾値よりも短いか否かを判定する（ステップＳ５２７）。閾値は、たとえば５ミリメートルである。

短いと判定した場合（ステップＳ５２７でＹＥＳ）、制御部２１は図６を使用して説明したように、測定線５３９が通過するピクセルに対応する薄肉部データ５９上のピクセルに薄肉部フラグを記録する（ステップＳ５２８）。

短くないと判定した場合（ステップＳ５２７でＮＯ）、またはステップＳ５２８の終了後、制御部２１は測定線５３９の作成を終了するか否かを判定する（ステップＳ５２９）。制御部２１は、たとえば境界線５３上の全ピクセルをステップＳ５２４で始点に選択した場合に、処理を終了すると判断する。制御部２１は、境界線５３上に所定の間隔で選択したピクセルをすべてステップＳ５２４で始点に選択した場合に、処理を終了すると判断してもよい。

終了しないと判定した場合（ステップＳ５２９でＮＯ）、制御部２１はステップＳ５２４に戻る。終了すると判定した場合（ステップＳ５２９でＹＥＳ）、制御部２１は、作成した薄肉部データ５９を補助記憶装置２３または主記憶装置２２に記録する（ステップＳ５３０）。その後、制御部２１は処理を終了する。

本実施の形態によると、断層像５８において細く描出された領域を正しく分類できる分類モデル３１を生成する学習モデル生成方法を提供できる。本実施の形態により生成した分類モデル３１は、心房中隔穿刺を行なう際に穿刺針を刺す部位である卵円窩、三尖弁および僧帽弁等の、肉厚の薄い生体組織を適切に抽出できる。

まず、薄肉部データ５９を使用しない通常の手法で機械学習を行なった後に、本実施の形態の手法により分類モデル３１の追加学習を行なってもよい。分類訓練ＤＢ４１に記録されている断層像５８とは異なる訓練データを用いて機械学習を行ったのちに、本実施の携帯に手法により転移学習を行ってもよい。機械学習の初期段階から薄肉部データ５９を使用する場合よりも短時間で、良好な性能を有する分類モデル３１を生成できる。

［変形例１－１］
本変形例は、差分データ５５の算出方法の変形例を示す。本変形例においては、ｉ番目のピクセルと画像取得用カテーテル２８との間の距離に基づいて、損失の重み付けを行なう。たとえば制御部２１は、（１）式の代わりに（４）式を使用して、各ピクセルの各ラベルに関する損失を算出する。

Ｒiは、ｉ番目のピクセルと画像取得用カテーテルとの間の距離を示す。

（４）式から算出されたＥijと、（２）式および（３）式とを使用することにより、薄肉部領域５６９に該当するピクセルにおける損失が、薄肉部領域５６９に該当しないピクセルにおける損失よりも大きな影響を与えるとともに、画像取得用カテーテル２８に近い場所にあるピクセルにおける損失が、画像取得用カテーテル２８から遠い場所にあるピクセルにおける損失よりも大きな影響を与えるように、損失値５５１が定められる。

なお、ｉ番目のピクセルと画像取得用カテーテル２８との間の距離に基づく重み付けは（４）式に限定しない。（４）式の分母は、たとえば距離Ｒiの平方根、または距離Ｒiの二乗等であってもよい。

［変形例１－２］
図１１は、差分データ５５の変形例を説明する説明図である。本変形例においては、正解分類データ５７と出力分類データ５１との差の絶対値に基づいて、各ピクセルの各ラベルに関する損失を算出する。

図１１は、差分データ５５の各ピクセルに、それぞれの領域である確率について、正解分類データ５７と出力分類データ５１との差の絶対値が記録されている例を示す。図１１に示す差分データ５５において、右上のピクセルは、第１内腔領域５６１について２０パーセント、第２内腔領域５６２について１０パーセント、生体組織領域５６６について１０パーセントの差があることが記録されている。

なお、差分データ５５の各ピクセルには、正解分類データ５７と出力分類データ５１との差の二乗が記録されてもよい。二乗を使用する場合には、絶対値を算出する必要はない。

［変形例１－３］
図１２は、差分データ５５の変形例を説明する説明図である。本変形例においては、正解分類データ５７および出力分類データ５１について、それぞれの領域である確率を使用する代わりに、単なる数値を使用する。

制御部２１は、正解分類データ５７に含まれる各データを定数倍して、第２正解分類データ５７２を算出する。制御部２１は、出力分類データ５１に含まれる各データを定数倍して、第２出力分類データ５１２を算出する。

図１２においては、正解分類データ５７、出力分類データ５１ともに３倍して、第２正解分類データ５７２および第２出力分類データ５１２を算出した場合の例を示す。第２正解分類データ５７２および第２出力分類データ５１２では、各ピクセルについて、それぞれの領域に対応する値の合計は１ではなく、したがって各領域である確率を示す数値ではない。

図１２に示す例では、差分データ５５の各ピクセルに、それぞれの領域に関して、第２正解分類データ５７２と第２出力分類データ５１２との差の絶対値が記録されている。（１）式の代わりに、この絶対値をｉ番目のピクセルのｊ番目のラベルに関する損失を示すＥijとして用いる。そして、このように算出したＥijと（２）式および（３）式を用いて損失値５５１を算出する。制御部２１は、損失値５５１が所定値に近づくように、たとえば誤差逆伝播法を用いて分類モデル３１のパラメータ調整が行われる。所定値は、たとえば「０」または「０．１」等の小さい値である。これにより、第２出力分類データ５１２が、第２正解分類データに近づくように、分類モデル３１のパラメータが調整される。

なお、第２正解分類データ５７２を算出する際の定数と第２出力分類データ５１２を算出する際の定数とは、異なる値であってもよい。分類モデル３１は、出力分類データ５１の代わりに定数倍した第２出力分類データ５１２を出力するように構成されていてもよい。正解分類データ５７は、定数倍された状態で分類訓練ＤＢ４１に記録されていてもよい。

第２正解分類データ５７２を算出する際の定数および第２出力分類データ５１２を算出する際の定数は、ピクセルごとに異なる値であってもよい。具体的には、画像取得用カテーテル２８からの距離が近いピクセルほど大きな値となるように、定数を設定する。これにより、画像取得用カテーテル２８に近い場所における損失が、画像取得用カテーテル２８から遠い場所における損失よりも大きな影響を与えるように、損失値５５１が定められる。

また、第２正解分類データ５７２のように、正解ラベルを「３」などの所定値、不正解ラベルを「０」として作成された正解分類データ５７を直接用いて学習してもよい。この場合、分類モデル３１は、ピクセルごとに各領域のラベルの値を出力分類データ５１として出力する。そして、図１２に示す差分データ５５の代わりに、それぞれの領域に関して、正解分類データ５７と出力分類データ５１との差の絶対値として差分データを算出し、この差分データを基に損失値５５１の算出とパラメータ調整を行う。

これにより、出力分類データ５１が、正解分類データ５７に近づくように、分類モデル３１のパラメータが調整される。なお、分類モデル３１が出力分類データ５１を出力する際に、各領域のラベルの値の下限値を「０」に設定するとともに、一ピクセルにおける各領域のラベルの値の合計を正解ラベルの所定値と一致させる、または、一ピクセルにおける領域ラベルの上限値を正解ラベルの所定値に設定することにより、分類モデル３１の機械学習を効率よく実施できる。

［変形例１－４］
図１３は、加重差分データ６５の変形例を説明する説明図である。本変形例においては不正解ラベルに関するデータを使用せず、正解ラベルに関するデータのみに基づいて、加重差分データ６５を算出する。制御部２１は、たとえば（２）式の代わりに（５）式に基づいて各ピクセルの損失を算出する。

ｋは、ｉ番目のピクセルにおける正解領域の番号を示す。

本変形例においては、薄肉部領域５６９に分類されていないｉ番目のピクセルの損失Ｆｉは、差分データ５５におけるｉ番目のピクセルの正解ラベルの損失である。本変形例においては、不正解ラベルについては差分データ５５を算出する必要がないため、制御部２１は少ない計算量で加重差分データ６５を算出できる。

［変形例１－５］
図１４は、加重差分データ６５の変形例を説明する説明図である。本変形例においては正解ラベルに関するデータを使用せず、不正解ラベルに関するデータのみに基づいて、加重差分データ６５を算出する。制御部２１は、たとえば（２）式の代わりに（６）式に基づいて各ピクセルの損失を算出する。

Ｈjは、ｊ番目のラベルが正解ラベルであるか不正解ラベルであるかを示す。
ｊ番目のラベルが正解ラベルである場合、Ｈj＝０である。
ｊ番目のラベルが不正解ラベルである場合、Ｈj＝１である。

［変形例１－６］
図１５は、薄肉部データ５９の変形例を説明する説明図である。図１５においては、ＲＴ形式でそれぞれの図を示す。第１薄肉部データ５９１は、正解分類データ５７から生体組織領域５６６を抽出した後に、薄肉部領域５６９を抽出したデータである。第２薄肉部データ５９２は、正解分類データ５７から第２内腔領域５６２を抽出した後に、薄肉部領域５６９を抽出したデータである。薄肉部データ５９は、第１薄肉部データ５９１の薄肉部領域５６９と、第２薄肉部データ５９２の薄肉部領域５６９との両方を含む。

本変形例によると、複数の種類の領域のそれぞれについて、薄肉部領域５６９に重み付けして分類モデル３１の学習を行なえる。したがって、複数の種類の領域のそれぞれについて、細く描出された領域を正しく分類できる分類モデル３１を生成する学習モデル生成方法を提供できる。

［変形例１－７］
図１６は、薄肉部抽出モデル３２を説明する説明図である。薄肉部抽出モデル３２は、断層像５８の入力を受け付けて、薄肉部データ５９を出力するモデルである。

図１７は、薄肉部訓練ＤＢのレコードレイアウトを説明する説明図である。薄肉部訓練ＤＢは、薄肉部抽出モデル３２の機械学習に使用される。薄肉部訓練ＤＢは、断層像フィールドと、正解薄肉部データフィールドとを有する。断層像フィールドと正解薄肉部データフィールドは、それぞれＲＴ形式フィールドと、ＸＹ形式フィールドとの２つのサブフィールドを有する。

断層像フィールドのＲＴ形式フィールドには、走査線データを走査角度順に平行に配列して形成された、ＲＴ形式の断層像５８が記録されている。断層像フィールドのＸＹ形式フィールドには、ＲＴ形式の断層像５８を座標変換して生成されたＸＹ形式の断層像５８が記録されている。

正解薄肉部データフィールドのＲＴ形式フィールドには、ＲＴ形式の薄肉部データ５９が記録されている。正解薄肉部データフィールドのＸＹ形式フィールドには、ＸＹ形式の薄肉部データ５９が記録されている。薄肉部訓練ＤＢの薄肉部データ５９は、たとえば図９を使用して説明したプログラムを用いて生成されている。なお、図１７に示す下側のレコードにおいては、薄肉部領域５６９が検出されていない。

なお、ＸＹ形式の断層像５８は薄肉部訓練ＤＢに記録されておらず、必要に応じてＲＴ形式の断層像５８から座標変換により生成されてもよい。ＲＴ形式の正解薄肉部データと、ＸＹ形式の正解薄肉部データとは、一方のみが薄肉部訓練ＤＢに記録されており、必要に応じて他方が座標変換により生成されてもよい。薄肉部訓練ＤＢは、一組の薄肉部訓練データについて、１つのレコードを有する。

図１６に戻って説明を続ける。薄肉部訓練ＤＢを使用して、断層像５８を入力した場合に、薄肉部データ５９を出力する薄肉部抽出モデル３２の機械学習が行われる。ここで薄肉部抽出モデル３２は、たとえばセマンテックセグメンテーションを実現するＵ－Ｎｅｔ構造のモデルである。薄肉部抽出モデル３２は、Ｍａｓｋ Ｒ－ＣＮＮモデル、その他任意の画像のセグメンテーションを実現するモデルであってもよい。

機械学習方法の概要を説明する。薄肉部訓練ＤＢから一組の薄肉部訓練データが取得される。学習途中の薄肉部抽出モデル３２に断層像５８が入力され、薄肉部データ５９が出力される。薄肉部抽出モデル３２から出力された薄肉部データ５９と、薄肉部訓練データに記録された薄肉部データ５９とが一致するように、薄肉部抽出モデル３２のパラメータが調整される。

適切な薄肉部抽出モデル３２が生成された後は、薄肉部抽出モデル３２を用いることにより、少ない計算量で薄肉部データ５９を生成できる。

［変形例１－８］
本実施の形態は、薄肉部データ５９をヒント情報に使用する分類モデル３１の生成方法に関する。実施の形態１と共通する部分については、説明を省略する。

図１８は、変形例１－８の分類モデル３１の生成方法を説明する説明図である。分類訓練ＤＢ４１を使用して、分類モデル３１の機械学習が行われる。ここで分類モデル３１は、断層像５８と薄肉部データ５９との入力を受け付け、薄肉部データ５９を正解確率が高いヒント情報に使用して、出力分類データ５１を出力するモデルである。

機械学習方法の概要を説明する。分類訓練ＤＢ４１から一組の分類訓練データが取得される。断層像５８が、図１５を使用して説明した薄肉部抽出モデル３２に入力されて、薄肉部データ５９が出力される。なお、薄肉部データ５９は図１０を使用して説明したプログラムにより作成されてもよい。

断層像５８と薄肉部データ５９とが、分類モデル３１に入力されて、出力分類データ５１が出力される。出力分類データ５１と正解分類データ５７との比較に基づいて、差分データ５５が生成される。差分データ５５に基づいて、損失値５５１が定められる。損失値５５１が所定値に近づくように、たとえば誤差逆伝播法を用いて分類モデル３１のパラメータ調整が行われる。

［実施の形態２］
本実施の形態は、薄肉部データ５９に基づいて正解分類データ５７に重み付けした加重正解分類データ６６を使用して分類モデル３１のパラメータを調整する機械学習方法等に関する。実施の形態１と共通する部分については、説明を省略する。

図１９から図２２は、実施の形態２の分類モデル３１の生成方法を説明する説明図である。断層像５８と正解分類データ５７とを組にした分類訓練データが、分類訓練ＤＢ４１に記録されている。制御部２１は、正解分類データ５７に基づいて、特定の領域について所定の閾値よりも薄い薄肉部領域５６９を抽出した、薄肉部データ５９を生成する。

制御部２１は、正解分類データ５７のうち、薄肉部領域５６９の部分に重み付けを行なった加重正解分類データ６６を生成する。図２０を使用して、加重正解分類データ６６の具体例を説明する。

図２０の左上の部分は、正解分類データ５７のうちの９ピクセルを模式的に示す。なお、図２０の正解分類データ５７は、図７の正解分類データ５７と同一のデータであり、パーセント表示の代わりに「０」および「１」の数値を使用して表示する。図２０の右側の部分は、薄肉部データ５９を模式的に示す。

図２０の左下の部分は、加重正解分類データ６６を模式的に示す。以下の説明においては、加重正解分類データ６６を構成するそれぞれのデータについても、断層像５８を構成するデータと同様に「ピクセル」と記載する。図２０に示すそれぞれの９ピクセルは、対応する場所に存在するピクセルを示す。中央および中央下側の角丸四角形を表示するピクセルは、薄肉部領域５６９に対応するピクセルである。

制御部２１は、（７）式により加重正解分類データ６６を算出する。

Ｄijは、ｉ番目のピクセルのｊ番目のラベルに対する正解データを示す。
Ｄｗijは、ｉ番目のピクセルのｊ番目のラベルに対する加重正解データを示す。
ｍは、１よりも大きい定数を示す。

図２０に示す例では、ｍは３である。薄肉部領域５６９に対応するピクセルのデータが、それ以外のピクセルのデータの３倍の値になっている。加重正解分類データ６６においては、薄肉部領域５６９のピクセルについては各ラベルの合計はｍであり、薄肉部領域５６９以外のピクセルについては各ラベルの合計は１である。

図１９に戻って説明を続ける。制御部２１は、学習途中の分類モデル３１に断層像５８を入力し、出力分類データ５１を取得する。制御部２１は、出力分類データ５１と、加重正解分類データ６６との比較に基づいて、差分データ５５を生成する。

図２１の左上の部分は、加重正解分類データ６６のうちの９ピクセルを模式的に示す。図２１の右上の部分は、出力分類データ５１のうちの９ピクセルを模式的に示す。図２１の下側の部分は、差分データ５５のうちの９ピクセルを模式的に示す。図２１に示すそれぞれの９ピクセルは、対応する場所に存在するピクセルを示す。正解分類データ５７および差分データ５５について、中央および中央下側の角丸四角形を表示するピクセルは、薄肉部領域５６９に対応するピクセルである。

制御部２１は、（８）式により各ピクセルの各ラベルに関する損失を記録した差分データ５５を生成する。

Ｅij は、ｉ番目のピクセルのｊ番目のラベルに関する損失を示す。
Ｑij は、出力分類データにおいてｉ番目のピクセルがｊ番目のラベルである確率を示す。

図１９に戻って説明を続ける。制御部２１は、差分データ５５を構成する各ピクセルの代表値を算出して、加重差分データ６５を生成する。図２２は、図２１の下部に示す差分データ５５、および、当該差分データ５５に基づいて生成された加重差分データ６５を示す。図２２に示す例では、制御部２１は、差分データ５５の各ピクセルについて、正解ラベルに対する損失を代表値に使用して加重差分データ６５を生成する。このようにする場合、制御部２１は不正解ラベルに対応する損失を算出する必要はない。角丸四角形で囲んだ薄肉部領域５６９に対応するピクセルの損失が、薄肉部領域５６９以外のピクセルの損失に対して明らかに大きな値になっている。

制御部２１は、加重差分データ６５に基づいて損失値５５１を算出する。制御部２１は、損失値５５１が所定値に近づくように、たとえば誤差逆伝播法を用いて分類モデル３１のパラメータ調整を行なう。多数の分類訓練データを用いてパラメータ調整を繰り返す機械学習により、薄肉部領域５６９に対応する部分についても正しく分類できる分類モデル３１が生成される。

［変形例２－１］
図２３は、変形例２－１の加重正解分類データ６６を説明する説明図である。本変形例においては、制御部２１は、差分データ５５の各ピクセルについて、すべてのラベルに対する損失の総和を代表値に使用して、加重差分データ６５を生成する。本変形例においても、角丸四角形で囲んだ薄肉部領域５６９に対応するピクセルの損失が、薄肉部領域５６９以外のピクセルの損失に対して明らかに大きな値になっている。

本実施の形態によると、自然対数を使用せず、単純な加算および積算により損失値５５１を算出できる。
［実施の形態３］
本実施の形態は、第１内腔領域５６１と生体組織領域５６６との間の境界線５３同士の距離に基づいて損失値５５１を定める分類モデル３１の生成方法に関する。実施の形態１と共通する部分については、説明を省略する。

図２４および図２５は、実施の形態３の損失値５５１を説明する説明図である。図２４においては、ＲＴ形式でそれぞれの図を示す。図２４の左上は、分類訓練データに記録された正解分類データ５７を示す。

図２４の左下は、正解分類データ５７に基づいて生成された薄肉部データ５９に、生体組織領域５６６の縁を示す境界線５３を重畳した図を示す。正解分類データ５７の左端に存在する第１内腔領域５６１と縦長の第２内腔領域５６２との間に挟まれた部分の生体組織領域５６６が、薄肉部領域５６９になっている。

図２４の右上は、分類訓練データに記録された断層像５８を訓練中の分類モデル３１に入力した場合に、分類モデル３１から出力された出力分類データ５１を示す。正解分類データ５７と出力分類データ５１とを比較した場合、薄肉部領域５６９の近傍が正しく分類されていない。

図２５は、出力分類データ５１のＸＸＶ部を拡大し、細い横線のハッチングで示す薄肉部領域５６９を重畳した図である。出力分類データ５１における生体組織領域５６６と第１内腔領域５６１との境界である出力境界線５３１を太線で示す。正解分類データ５７における生体組織領域５６６と第１内腔領域５６１との境界である正解境界線５３７を実線で示す。図２４に示す状態においては、薄肉部領域５６９の近傍以外においては、正解境界線５３７と出力境界線５３１とがほぼ一致する程度に分類モデル３１の学習が進んでいる。

制御部２１は、出力境界線５３１上の各ピクセルと正解境界線５３７との間を最短で結ぶ判定線５３８を生成する。以下の説明においては、判定線５３８の出力境界線５３１側の端部を始点、正解境界線５３７側の端部を終点と記載する。

制御部２１は、判定線５３８の長さを算出する。判定線５３８の長さは、正解境界線５３７と出力境界線５３１との間の距離を示し、出力境界線５３１上の各ピクセルの損失に対応する。制御部２１は判定線５３８の終点が薄肉部領域５６９に接しているピクセルが、判定線５３８の終点が薄肉部領域５６９に接していないピクセルよりも強く影響するようにして損失値５５１を算出する。具体例を挙げて説明する。

制御部２１は、たとえば（９）式に基づいて損失値５５１を算出する。

Ｌiは、ｉ番目のピクセルが始点である判定線５３８の長さを示す。
Ｇiは、薄肉部領域に関する重みを示す。
ｉ番目のピクセルを始点とする判定線の終点が薄肉部領域ではない場合、Ｇi＝１である。
ｉ番目のピクセルを始点とする判定線の終点が薄肉部領域である場合、Ｇi＝ｍである。
Ｐは、出力境界線のピクセル数を示す。
ｍは、１よりも大きい定数を示す。

（９）式は、判定線５３８の終点が薄肉部に接することが、薄肉部に接しないことに対してｍ倍の重みを有するように損失値５５１を定めることを示す。ｍは、たとえば１００である。

図２６は、実施の形態３のプログラムの処理の流れを説明するフローチャートである。ステップＳ５０１からステップＳ５０３までの処理は、図９を使用して説明した実施の形態１のプログラムと同一であるため、説明を省略する。

制御部２１は、損失値算出のサブルーチンを起動する（ステップＳ５５１）。損失値算出のサブルーチンは、（９）式に基づいて損失値５５１を算出するサブルーチンである。損失値算出のサブルーチンの処理の流れは後述する。

制御部２１は、損失値５５１が所定値に近づくように、たとえば誤差逆伝播法を用いて分類モデル３１のパラメータ調整を行なう（ステップＳ５０７）。以後の処理の流れは、図９を使用して説明した実施の形態１のプログラムと同一であるため、説明を省略する。

図２７は、損失値算出のサブルーチンの処理の流れを説明するフローチャートである。損失値算出のサブルーチンは、（９）式に基づいて損失値５５１を算出するサブルーチンである。

制御部２１は、正解分類データ５７から正解境界線５３７を抽出する（ステップＳ５６１）。制御部２１は、出力分類データ５１から出力境界線５３１を抽出する（ステップＳ５６２）。制御部２１は、１枚の画像に正解境界線５３７と出力境界線５３１とを配置した合成画像を生成する（ステップＳ５６３）。制御部２１は、合成画像を用いて以後の処理を実行する。

制御部２１は、出力境界線５３１上のピクセルから、始点を選択する（ステップＳ５６４）。制御部２１は、ステップＳ５６３で選択した始点と正解境界線５３７との間を最短で結ぶ判定線５３８を生成する（ステップＳ５６５）。制御部２１は、判定線５３８の終点が薄肉部領域５６９に接しているか否かを判定する（ステップＳ５６６）。

接していると判定した場合（ステップＳ５６６でＹＥＳ）、制御部２１は判定線５３８の長さに重み付けを行った値を記録する（ステップＳ５６７）。接していないと判定した場合（ステップＳ５６６でＮＯ）、制御部２１は判定線５３８の長さを記録する（ステップＳ５６８）。

ステップＳ５６７またはステップＳ５６８の終了後、制御部２１は出力境界線５３１上のすべてのピクセルの処理を終了したか否かを判定する（ステップＳ５６９）。終了していないと判定した場合（ステップＳ５６９でＮＯ）、制御部２１はステップＳ５６４に戻る。

終了したと判定した場合（ステップＳ５６９でＹＥＳ）、制御部２１はステップＳ５６７およびステップＳ５６８で記録した値の平均値を算出する（ステップＳ５７０）。ステップＳ５７０で算出した平均値が、損失値５５１である。そのと、制御部２１は処理を終了する。

なお、制御部２１が損失値５５１を算出する出力境界線５３１は、第１内腔領域５６１と生体組織領域５６６との間の境界線５３に限定しない。任意の領域間の境界線５３について損失値５５１に基づいて分類モデル３１の機械学習を行なえる。

制御部２１は、ステップＳ５７０において、平均値の代わりに中央値または最頻値等の代表値を算出してもよい。制御部２１は、ステップＳ５７０において（４）式で示した相加平均値の代わりに相乗平均値または調和平均値を算出してもよい。制御部２１は、損失値算出のサブルーチンにおいて出力境界線５３１上の全ピクセルに順次始点を設定する代わりに、所定の間隔をあけて始点を設定してもよい。

本実施の形態によると、出力境界線５３１の形状全体が正解境界線５３７に近づくように、分類モデル３１の機械学習を行なえる。たとえば、薄肉部データ５９を使用しない通常の手法、または実施の形態１の手法で分類モデル３１の機械学習を行なった後に、本実施の形態の手法により追加学習を行なってもよい。

［実施の形態４］
本実施の形態は、正解分類データ５７と出力分類データ５１とが一致するか否かに基づいて損失値５５１を算出する分類モデル３１の生成方法に関する。実施の形態１と共通する部分については、説明を省略する。

図２８は、実施の形態４の差分データ５５を説明する説明図である。図２８の左上の部分は、正解分類データ５７のうちの９ピクセルを模式的に示す。図２８の右上の部分は、出力分類データ５１のうちの９ピクセルを模式的に示す。図２８の下側の部分は、差分データ５５のうちの９ピクセルを模式的に示す。図２８に示すそれぞれの９ピクセルの位置は、対応している。

なお、図２８においては、正解分類データ５７の各ピクセルには、正解である１個のラベルが記録されており、出力分類データ５１の各ピクセルには、最も確率の高い１個のラベルが記録されている。制御部２１は、正解分類データ５７と出力分類データ５１との対応するピクセルのラベルが一致している場合、差分データ５５の対応するピクセルに「正解」を示すラベルを記録し、一致していない場合、「不正解」を示すラベルを記録する。

制御部２１は、薄肉部領域５６９に含まれるピクセルにおける「正解」、「不正解」の別が、薄肉部領域５６９以外の領域のピクセルにおける「正解」、「不正解」の別よりも強く影響するようにして、損失値５５１を算出する。具体例を挙げて説明する。

制御部２１は、たとえば（１０）式に基づいて損失値５５１を算出する。

Ｆiは、ｉ番目のピクセルの損失を示す。
ｉ番目のピクセルが「不正解」である場合、Ｆi＝ｋである。
ｉ番目のピクセルが「正解」である場合、Ｆi＝０である。
Ｇiは、薄肉部領域に関する重みを示す。
ｉ番目のピクセルが薄肉部領域である場合、Ｇi＝ｍである。
ｉ番目のピクセルが薄肉部領域ではない場合、Ｇi＝１である。
Ｃは、ピクセル数を示す。
ｋは、正の値である定数を示す。
ｍは、１よりも大きい定数を示す。

（１）式は、薄肉部領域５６９のピクセルが不正解であることが、薄肉部領域５６９以外のピクセルが不正解であることに対してｍ倍の重みを有するように損失値５５１を定めることを示す。ｍは、たとえば１００である。

さらに具体的に説明する。「不正解」であるピクセルのうち、薄肉部領域５６９に存在するピクセルがＡ個、薄肉部領域５６９以外に存在するピクセルがＢ個である場合、損失値５５１は（１１）式で示す値である。

制御部２１は、たとえばグリッドサーチ、ランダムサーチまたはベイズ最適化等の手法を用いて、損失値５５１が所定の値に近づくような分類モデル３１のパラメータの組み合わせを定める。制御部２１は、多数の分類訓練データを用いて分類モデル３１のパラメータ調整を繰り返すことにより、断層像５８を入力した場合に適切な出力分類データ５１を出力するように分類モデル３１の機械学習を行う。

本実施の形態によると、誤差逆伝播法とは異なるアルゴリズムを用いて、分類モデル３１を生成できる。

［実施の形態５］
本実施の形態は、分類モデル３１の学習初期段階においては薄肉部領域５６９を判定する閾値を大きめに設定し、学習が進むにつれで閾値を小さくする機械学習方法等に関する。実施の形態１と共通する部分については、説明を省略する。

図２９は、実施の形態５のプログラムの処理の流れを説明するフローチャートである。制御部２１は正解分類データ５７に基づいて薄肉部データ５９を生成する際に使用する、薄肉部領域５６９を判定する閾値を所定の値に設定する（ステップＳ６０１）。

制御部２１は、分類訓練ＤＢ４１から一組の分類訓練データを取得する（ステップＳ５０１）。以後、ステップＳ５０７までの処理は、図９を使用して説明した実施の形態１のプログラムと同一であるため説明を省略する。

制御部２１は、次の段階に移行するか否かを判定する（ステップＳ６１１）。制御部２１は、たとえば所定の数の分類訓練データを学習した場合に、次の段階に移行すると判定する。制御部２１は、たとえば損失値５５１またはパラメータの調整量が所定の閾値を下回った場合、次の段階に移行すると判定してもよい。

以降しないと判定した場合（ステップＳ６１１でＮＯ）、制御部２１はステップＳ５０１に戻る。以降すると判定した場合（ステップＳ６１１でＹＥＳ）、制御部２１は薄肉部領域５６９を判定する閾値を変更するか否かを判定する（ステップＳ６１２）。たとえば、閾値が所定の最小値に到達している場合、制御部２１は閾値を変更しないと判定する。

変更すると判定した場合（ステップＳ６１２でＹＥＳ）、制御部２１はステップＳ６０１に戻り、閾値を前回のループよりも小さい値に設定する。変更しないと判定した場合（ステップＳ６１２でＮＯ）、制御部２１は調整後の分類モデル３１のパラメータを補助記憶装置２３に記録する（ステップＳ６１３）。その後、制御部２１は処理を終了する。以上により、分類モデル３１の生成が終了する。

具体例を挙げて説明する。機械学習の初期段階では第１薄肉部データ５９１を判定する閾値を５ミリメートル程度に設定する。機械学習が進むにつれて閾値を段階的に小さくし、最終的には目標値である１ミリメートル程度にする。このようにすることにより、分類モデル３１のパラメータを効率よく調整できる。

本実施の形態によると、分類モデル３１の機械学習を効率よく実施できる。

［実施の形態６］
本実施の形態は、三次元走査型の画像取得用カテーテル２８を使用して、リアルタイムに三次元画像を生成するカテーテルシステム１０に関する。実施の形態１と共通する部分については、説明を省略する。

図３０は、実施の形態６のカテーテルシステム１０の構成を説明する説明図である。カテーテルシステム１０は、画像処理装置２３０と、カテーテル制御装置２７とＭＤＵ（Motor Driving Unit）２８９と、画像取得用カテーテル２８とを備える。画像取得用カテーテル２８は、ＭＤＵ２８９およびカテーテル制御装置２７を介して画像処理装置２３０に接続されている。

画像取得用カテーテル２８は、シース２８１と、シース２８１の内部に挿通されたシャフト２８３と、シャフト２８３の先端に配置されたセンサ２８２とを有する。ＭＤＵ２８９は、シース２８１の内部でシャフト２８３およびセンサ２８２を回転および進退させる。

カテーテル制御装置２７は、センサ２８２の一回転ごとに１枚の断層像５８を生成する。ＭＤＵ２８９がセンサ２８２を引っ張りながら、または押し込みながら回転させる操作により、カテーテル制御装置２７はシース２８１に略垂直な複数枚の断層像５８を連続的に生成する。

画像処理装置２３０は、制御部２３１、主記憶装置２３２、補助記憶装置２３３、通信部２３４、表示部２３５入力部２３６およびバスを備える。制御部２３１は、本実施の形態のプログラムを実行する演算制御装置である。制御部２３１には、一または複数のＣＰＵ、ＧＰＵ、またはマルチコアＣＰＵ等が使用される。制御部２３１は、バスを介して画像処理装置２３０を構成するハードウェア各部と接続されている。

主記憶装置２３２は、ＳＲＡＭ、ＤＲＡＭ、フラッシュメモリ等の記憶装置である。主記憶装置２３２には、制御部２３１が行なう処理の途中で必要な情報および制御部２３１で実行中のプログラムが一時的に保存される。

補助記憶装置２３３は、ＳＲＡＭ、フラッシュメモリ、ハードディスクまたは磁気テープ等の記憶装置である。補助記憶装置２３３には、実施の形態１から実施の形態４を使用して説明した分類モデル３１、制御部２３１に実行させるプログラム、およびプログラムの実行に必要な各種データが保存される。分類モデル３１は、本実施の形態の学習済モデルの例示である。

通信部２３４は、画像処理装置２３０とネットワークとの間の通信を行なうインターフェースである。分類モデル３１は、情報処理装置２０に接続された外部の大容量記憶装置等に記憶されていてもよい。

表示部２３５は、たとえば液晶表示パネルまたは有機ＥＬパネル等である。入力部２３６は、たとえばキーボードおよびマウス等である。表示部２３５に入力部２３６が積層されてタッチパネルを構成していてもよい。表示部２３５は、画像処理装置２３０に接続された表示装置であってもよい。

画像処理装置２３０は、たとえばカテーテル制御装置２７と組み合わせて使用する専用のハードウェアである。画像処理装置２３０とカテーテル制御装置２７とは、一体に構成されていてもよい。画像処理装置２３０は、汎用のパソコン、タブレット、大型計算機、または、大型計算機上で動作する仮想マシンであってもよい。画像処理装置２３０は、分散処理を行なう複数のパソコン、または大型計算機等のハードウェアにより構成されても良い。画像処理装置２３０は、クラウドコンピューティングシステムまたは量子コンピュータにより構成されても良い。

制御部２３１は、カテーテル制御装置２７から断層像５８を逐次取得する。制御部２３１は、それぞれの断層像５８を分類モデル３１に入力して、出力される出力分類データ５１を取得する。制御部２１は、時系列的に取得した複数の出力分類データ５１に基づいて三次元画像を生成し、表示部２３５に出力する。以上により、いわゆる三次元走査が行なわれる。

センサ２８２の進退操作には、画像取得用カテーテル２８全体を進退させる操作と、シース２８１の内部でセンサ２８２を進退させる操作との両方を含む。進退操作は、ＭＤＵ２８９により所定の速度で自動的に行なわれても、ユーザにより手動で行なわれても良い。

なお、画像取得用カテーテル２８は機械的に回転および進退を行なう機械走査方式に限定しない。たとえば、複数の超音波トランスデューサを環状に配置したセンサ２８２を用いた、電子ラジアル走査型の画像取得用カテーテル２８であってもよい。画像取得用カテーテル２８の代わりに、ＴＥＥ用プローブまたは、体外式の超音波プローブが使用されてもよい。

図３１は、実施の形態６のプログラムの処理の流れを説明するフローチャートである。制御部２３１は、ユーザから三次元走査開始の指示を受け付けた場合に、図３１を使用して説明するプログラムを実行する。

制御部２３１は、カテーテル制御装置２７に三次元走査の開始を指示する（ステップＳ５８１）。カテーテル制御装置２７は、ＭＤＵ２８９を制御して、三次元走査を開始する。制御部２１は、カテーテル制御装置２７から１枚の断層像５８を取得する（ステップＳ５８２）。ステップＳ５８２により、制御部２３１は本実施の形態の画像取得部の機能を実現する。

制御部２３１は、断層像５８を分類モデル３１に入力し、出力された出力分類データ５１を取得する（ステップＳ５８３）。ステップＳ５８３により、制御部２３１は本実施の形態の分類データ取得部の機能を実現する。制御部２３１は補助記憶装置２３３または通信部２３４に出力分類データ５１を記録する（ステップＳ５８４）。

制御部２３１は時系列的に記録した出力分類データ５１に基づいて生成した三次元画像を表示部２３５に表示する（ステップＳ５８５）。制御部２３１は、処理を終了するか否かを判定する（ステップＳ５８６）。たとえば、一連の三次元走査が終了した場合に、制御部２３１は処理を終了すると判定する。

処理を終了しないと判定した場合（ステップＳ５８６でＮＯ）、制御部２３１はステップＳ５８２に戻る。処理を終了すると判定した場合（ステップＳ５８６でＹＥＳ）、制御部２３１は処理を終了する。

本実施の形態によると、実施の形態１から実施の形態４で説明した分類モデル３１を搭載したカテーテルシステム１０を提供できる。本実施の形態によると、走査対象部位に薄い部分が存在する場合であっても、適切なセグメンテーション結果を表示するカテーテルシステム１０を提供できる。

本実施の形態によると、セグメンテーションを適切に行えるため、ノイズの少ない三次元画像を表示するカテーテルシステム１０を提供できる。さらに、面積、体積等の自動計測を適切に行なえるカテーテルシステム１０を提供できる。

［実施の形態７］
本実施の形態は、汎用のコンピュータ９０と、プログラム９７とを組み合わせて動作させることにより、本実施の形態の情報処理装置２０を実現する形態に関する。実施の形態１と共通する部分については、説明を省略する。

図３２は、実施の形態７の情報処理装置２０の構成を説明する説明図である。コンピュータ９０は、制御部２１、主記憶装置２２、補助記憶装置２３、通信部２４、表示部２５、入力部２６、読取部２９およびバスを備える。コンピュータ９０は、汎用のパソコン、タブレット、スマートフォン、大型計算機、大型計算機上で動作する仮想マシン、クラウドコンピューティングシステム、または、量子コンピュータである。コンピュータ９０は、分散処理を行なう複数のパソコン等であってもよい。

プログラム９７は、可搬型記録媒体９６に記録されている。制御部２１は、読取部２９を介してプログラム９７を読み込み、補助記憶装置２３に保存する。また制御部２１は、コンピュータ９０内に実装されたフラッシュメモリ等の半導体メモリ９８に記憶されたプログラム９７を読出してもよい。さらに、制御部２１は、通信部２４および図示しないネットワークを介して接続される図示しない他のサーバコンピュータからプログラム９７をダウンロードして補助記憶装置２３に保存してもよい。

プログラム９７は、コンピュータ９０の制御プログラムとしてインストールされ、主記憶装置２２にロードして実行される。これにより、コンピュータ９０は上述した情報処理装置２０として機能する。プログラム９７は、プログラム製品の例示である。

［実施の形態８］
図３３は、実施の形態８の情報処理装置２０の機能ブロック図である。情報処理装置２０は、訓練データ取得部７１と、薄肉部データ取得部７２と、パラメータ調整部７３とを有する。

訓練データ取得部７１は、断層像取得用プローブ２８を用いて取得された断層像５８と、断層像５８を構成する各ピクセルのそれぞれが生体組織領域５６６と非生体組織領域とを含む複数の領域に分類された正解分類データ５７とを関連づけて複数組記録した訓練データベース４１から訓練データを取得する。

薄肉部データ取得部７２は、正解分類データ５７のうち、所定の領域について、所定の閾値よりも薄い薄肉部の範囲に関する薄肉部データ５９を取得する。パラメータ調整部７３は、訓練データと薄肉部データ５９とに基づいて、断層像５８を構成する各ピクセルのそれぞれを複数の領域に分類した出力分類データ５１を出力する学習モデル３１のパラメータ調整処理を行なう。

［実施の形態９］
図３４は、実施の形態９の画像処理装置２３０の機能ブロック図である。画像処理装置２３０は、画像取得部７６と分類データ取得部７７とを有する。

分類データ取得部７７は、断層像取得用プローブ２８を用いて得られた断層像５８を取得する。分類データ取得部７７は、断層像５８を前述の方法で生成した学習済モデル３１に入力して、出力分類データ５１を取得する。

各実施例で記載されている技術的特徴（構成要件）はお互いに組合せ可能であり、組み合わせすることにより、新しい技術的特徴を形成することができる。
今回開示された実施の形態はすべての点で例示であって、制限的なものでは無いと考えられるべきである。本発明の範囲は、上記した意味では無く、特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

１０ カテーテルシステム
２０ 情報処理装置
２１ 制御部
２２ 主記憶装置
２３ 補助記憶装置
２３０ 画像処理装置
２３１ 制御部
２３２ 主記憶装置
２３３ 補助記憶装置
２３４ 通信部
２３５ 表示部
２３６ 入力部
２４ 通信部
２５ 表示部
２６ 入力部
２７ カテーテル制御装置
２８ 画像取得用カテーテル（断層像取得用プローブ）
２８１ シース
２８２ センサ
２８３ シャフト
２８９ ＭＤＵ
２９ 読取部
３１ 分類モデル（学習モデル、学習済モデル）
３２ 薄肉部抽出モデル
４１ 分類訓練ＤＢ（訓練データベース）
５１ 出力分類データ
５１２ 第２出力分類データ
５３ 境界線
５３１ 出力境界線
５３７ 正解境界線
５３８ 判定線
５３９ 測定線
５５ 差分データ
５５１ 損失値
５６１ 第１内腔領域
５６２ 第２内腔領域
５６３ 内腔領域
５６６ 生体組織領域
５６７ 腔外領域
５６９ 薄肉部領域
５７ 正解分類データ
５７２ 第２正解分類データ
５８ 断層像
５９ 薄肉部データ
５９１ 第１薄肉部データ
５９２ 第２薄肉部データ
６５ 加重差分データ
６６ 加重正解分類データ
７１ 訓練データ取得部
７２ 薄肉部データ取得部
７３ パラメータ調整部
７６ 画像取得部
７７ 分類データ取得部
９０ コンピュータ
９６ 可搬型記録媒体
９７ プログラム
９８ 半導体メモリ

Claims (20)

1. 断層像取得用プローブを用いて取得された断層像と、前記断層像を構成するピクセルのそれぞれが生体組織領域と非生体組織領域とを含む複数の領域に分類された正解分類データとを関連づけて複数組記録した訓練データベースから訓練データを取得し、
   前記正解分類データのうち、所定の領域について、所定の閾値よりも薄い薄肉部に関する薄肉部データを取得し、
   前記訓練データと前記薄肉部データとに基づいて、前記断層像を構成する前記ピクセルのそれぞれを前記複数の領域に分類した出力分類データを出力する学習モデルのパラメータ調整処理を行なう
   学習モデル生成方法。
2. 前記パラメータ調整処理は、
   前記断層像と前記薄肉部データとを前記学習モデルに入力して、出力された出力分類データを取得し、
   前記正解分類データと、前記出力分類データとの差異に関する関数から算出される算出値が所定値に近づくように前記学習モデルのパラメータを調整する処理である
   請求項１に記載の学習モデル生成方法。
3. 前記パラメータ調整処理は、
   前記断層像を前記学習モデルに入力して、出力された出力分類データを取得し、
   前記正解分類データに対して前記薄肉部データに記録された薄肉部に関連する部分に重み付けを付与した加重正解分類データと、前記出力分類データとの差異に関する関数から算出される算出値が所定値に近づくように前記学習モデルのパラメータを調整する処理である
   請求項１に記載の学習モデル生成方法。
4. 前記パラメータ調整処理は、
   前記断層像を前記学習モデルに入力して、出力された出力分類データを取得し、
   前記正解分類データと、前記出力分類データとの差異に関する差分データを取得し、
   前記差分データのうち、前記薄肉部データに記録された薄肉部に関連する部分に重み付けして算出した算出値が所定値に近づくように、前記学習モデルのパラメータを調整する処理である
   請求項１に記載の学習モデル生成方法。
5. 前記出力分類データは、前記断層像を構成する前記ピクセルごとにいずれの領域に分類されるかが記録されたデータであり、
   前記差分データは、前記断層像を構成する前記ピクセルごとに、前記出力分類データに記録された分類と、前記正解分類データに記録された分類とが一致するか否かを判定したデータである
   請求項４に記載の学習モデル生成方法。
6. 前記出力分類データは、前記断層像を構成する前記ピクセルごとに前記複数の領域それぞれに分類される確率が記録されたデータであり、
   前記差分データは、前記断層像を構成する前記ピクセルごとに前記出力分類データに記録された前記確率と、前記正解分類データに記録された分類から求められる目標値との差を算出したデータである
   請求項４に記載の学習モデル生成方法。
7. 前記差分データは、前記出力分類データと前記正解分類データとにおける、所定の２つの領域間の境界線同士の距離に関するデータである
   請求項４に記載の学習モデル生成方法。
8. 前記薄肉部データは、前記正解分類データに基づいて生成される
   請求項１から請求項７のいずれか一つに記載の学習モデル生成方法。
9. 前記薄肉部データは、前記断層像および前記正解分類データと関連づけて前記訓練データに記録されている
   請求項１から請求項７のいずれか一つに記載の学習モデル生成方法。
10. 前記薄肉部データは、前記断層像を、断層像を入力した場合に薄肉部データを出力する薄肉部抽出モデルに入力して取得する
    請求項１から請求項７のいずれか一つに記載の学習モデル生成方法。
11. 前記薄肉部は、前記生体組織領域が所定の閾値よりも薄く表示された部分である
    請求項１から請求項１０のいずれか一つに記載の学習モデル生成方法。
12. 前記薄肉部は、前記生体組織領域に周囲を囲まれた内腔領域が、所定の閾値よりも薄く表示された部分である
    請求項１から請求項１０のいずれか一つに記載の学習モデル生成方法。
13. 前記薄肉部は、前記複数の領域のそれぞれについて、所定の閾値よりも薄く表示された部分である
    請求項１から請求項１２のいずれか一つに記載の学習モデル生成方法。
14. 前記閾値の入力を受け付ける
    請求項１から請求項１３のいずれか一つに記載の学習モデル生成方法。
15. 前記閾値は、前記正解分類データをＸＹ形式で表示したＸＹ形式画像における前記薄肉部の厚さである
    請求項１から請求項１４のいずれか一つに記載の学習モデル生成方法。
16. 前記閾値は、前記正解分類データをＲＴ形式で表示したＲＴ形式画像における前記薄肉部の厚さである
    請求項１から請求項１４のいずれか一つに記載の学習モデル生成方法。
17. 前記断層像取得用プローブは、患者の身体に挿入して使用される画像取得用カテーテルである
    請求項１から請求項１４のいずれか一つに記載の学習モデル生成方法。
18. 断層像取得用プローブを用いて得られた断層像を取得する画像取得部と、
    前記断層像を、請求項１から請求項１７のいずれか一つの学習モデル生成方法で生成した学習済モデルに入力して、出力分類データを取得する分類データ取得部と
    を備える画像処理装置。
19. 断層像取得用プローブを用いて得られた断層像を取得し、
    前記断層像を、請求項１から請求項１７のいずれか一つの学習モデル生成方法で生成した学習済モデルに入力して、出力分類データを取得する
    処理をコンピュータに実行させるプログラム。
20. 断層像取得用プローブを用いて取得された断層像を取得し、
    前記断層像が生体組織領域と非生体組織領域とを含む複数の領域に分類された正解分類データを取得し、
    前記正解分類データから、所定の領域が所定の閾値よりも薄い薄肉部の範囲に関する薄肉部データを生成し、
    前記断層像と、前記正解分類データと、前記薄肉部データとを関連づけて複数組記録する
    訓練データ生成方法。

Images