JP2023067729A - 医用画像データ処理システム及び医用画像データ処理方法 - Google Patents

Abstract

【課題】患者に対して適切なパイプラインを自動的に生成すること。【解決手段】本実施形態では、第１の被検体の医用画像データに関するコンテキスト情報と当該医用画像データに施される一連の画像処理の流れを示したモデルパイプラインとが記憶部に記憶されている。次に、本実施形態では、第２の被検体のコンテキスト情報を取得し、第２の被検体の医用画像データを生成し、第２の被検体のコンテキスト情報及びモデルパイプラインに基づいて、第２の被検体に対するパイプラインを生成する。そして、本実施形態では、第２の被検体のパイプラインを実行して第２の被検体の医用画像データを処理し、処理結果を表示する。【選択図】図１

Description

本明細書及び図面に開示の実施形態は、医用画像データ処理システム及び医用画像データ処理方法に関する。

医師（例えば、放射線科医）が患者（被検体）を検査する際に、当該患者の医用画像データについて画像処理を行う各ＡＩ（Artificial Intelligence）パイプラインが用いられる。患者の医用画像データは、付帯情報としてＤＩＣＯＭ（Digital Imaging and Communications in Medicine）タグが付加された画像（以下、ＤＩＣＯＭ画像とも記載する）であり、付帯情報は、例えば、患者ＩＤ、検査ＩＤ、装置ＩＤ、画像シリーズＩＤ等を含み、ＤＩＣＯＭ規格に従って規格化されている。各ＡＩパイプラインが用いられる場合、例えば、ＡＩパイプラインを医師自身の経験に基づいて選択するか、又は、ＤＩＣＯＭ画像自体に基づいてＡＩパイプラインを自動的に生成するのが一般的である。

ＡＩパイプラインが経験的に選択された場合、図１１に示すように、異なるデバイスで取得されたデータ（図中では、Ｘ線ＣＴ（Computed Tomography）装置により生成された医用画像データであるＣＴデータ、ＭＲＩ（Magnetic Resonance Imaging）装置により生成された医用画像データであるＭＲデータ、および、Ｘ線診断装置により生成された医用画像データであるＸ線データが示されている）、及び異なる器官（図中では、前立腺、肝臓、及び肺が示されている）のそれぞれに対して、複数のＡＩパイプラインＰＬ１、ＰＬ２、……ＰＬｘが存在する。このため、医師は、取得したデータの種類と、検査しようとする器官とに応じて、適切な１つ又は複数のＡＩパイプラインを選択する必要がある。そして、医師は、選択したＡＩパイプラインを実行させた後、当該ＡＩパイプラインが適切ではないと判断した場合、ＡＩパイプラインを再度選択する必要がある。この場合、医師に大きな負担をかけてしまう。

なお、図１１では、便宜上、各種のデータ及び各々の器官について、いずれも「ＰＬ１、ＰＬ２、……ＰＬｘ」でＡＩパイプラインを示しているが、各種のデータ及び各々の器官における「ＰＬ１、ＰＬ２、……ＰＬｘ」と、他のデータ及び器官中の対応する「ＰＬ１、ＰＬ２、……ＰＬｘ」とは、それぞれが異なる。

ＤＩＣＯＭ画像自体に基づいてＡＩパイプラインを自動的に生成する場合、通常、以下のような２つの生成方式がある。

第１の生成方式では、ＤＩＣＯＭ画像の付帯情報であるメタデータ（meta data）に基づいてＡＩパイプラインを自動的に生成する。ここで、１回の画像処理では、通常、１つの器官に対して１つのＡＩパイプラインしか生成できない。このため、画像処理の効率が低い。

第２の生成方式では、ＤＩＣＯＭ画像を複数の器官に応じて分割（セグメンテーション）し、分割された器官毎に、複数のＡＩパイプラインをそれぞれ自動的に割り当てる。このとき、各器官に対して複数のＡＩパイプラインが自動的に実行される。しかし、そのうちの多数のＡＩパイプラインの実行は、患者の検査に不要となるため、検査時間が長くなる。この場合でも、画像処理の効率が低い。

また、上述したようにＡＩパイプラインを自動的に生成する場合には、ＤＩＣＯＭ画像自体のみからＡＩパイプラインを生成しているが、ＡＩパイプラインの生成では、患者の過去の診断情報や検査情報などを参照していないため、医師が当該患者を検査する際に、いくつかの重要な器官や部位に対する適切なＡＩパイプラインが見つからず、患者を全面的に検査することができない。

特開２０２１－０６８４４２号公報

本明細書及び図面に開示の実施形態が解決しようとする課題の一つは、患者に対して適切なパイプラインを自動的に生成することである。ただし、本明細書及び図面に開示の実施形態により解決される課題は上記課題に限られない。後述する実施形態に示す各構成による各効果に対応する課題を他の課題として位置づけることもできる。

本実施形態に係る医用画像データ処理システムは、記憶部と、コンテキスト情報取得部と、医用画像データ生成部と、パイプライン生成部と、医用画像データ処理部と、表示部と、を備える。前記記憶部は、第１の被検体の医用画像データに関するコンテキスト情報と当該医用画像データに施される一連の画像処理の流れを示したモデルパイプラインとが記憶されている。前記コンテキスト情報取得部は、第２の被検体のコンテキスト情報を取得する。前記医用画像データ生成部は、前記第２の被検体の医用画像データを生成する。前記パイプライン生成部は、前記第２の被検体のコンテキスト情報及び前記モデルパイプラインに基づいて、前記第２の被検体に対するパイプラインを生成する。前記医用画像データ処理部は、前記第２の被検体のパイプラインを実行して前記第２の被検体の医用画像データを処理する。前記表示部は、前記医用画像データ処理部の処理結果を表示する。

図１は、第１の実施形態に係る医用画像データ処理システムの構造を示すブロック図である。 図２は、推定処理モデルの生成を示す図である。 図３は、被検体のコンテキスト情報を取得する一形態を示す図である。 図４は、推定処理モデルを用いてパイプラインを出力する図である。 図５は、出力されたパイプラインを類似度の大きさで配列する図である。 図６は、検査情報に基づいて処理結果を出力する図である。 図７は、第１の実施形態に係る医用画像データ処理方法を示すフローチャートである。 図８は、第２の実施形態に係る医用画像データ処理システムの構造を示すブロック図である。 図９は、第２の実施形態において、推定処理モデルを用いてパイプラインを出力する図である。 図１０は、第２の実施形態に係る医用画像データ処理方法を示すフローチャートである。 図１１は、従来の異なるモダリティのデータにおける異なる器官に対するＡＩパイプラインを示す図である。

以下、図面を参照して、実施形態に係る医用画像データ処理システム及び医用画像データ処理方法について説明する。

（第１の実施形態）
図１は、第１の実施形態に係る医用画像データ処理システム１０の構造を示すブロック図である。

図１に示すように、医用画像データ処理システム１０は、記憶部１１、推定処理モデル生成部１２、コンテキスト情報取得部１３、医用画像データ生成部１４、パイプライン生成部１５、医用画像データ処理部１６、及び表示部１７を備える。例えば、記憶部１１、推定処理モデル生成部１２、コンテキスト情報取得部１３、医用画像データ生成部１４、パイプライン生成部１５、医用画像データ処理部１６、表示部１７は、装置として分散されて配置されている。

分散配置の一例として、記憶部１１、表示部１７は、それぞれ、記憶装置、表示装置として配置される。また、推定処理モデル生成部１２、コンテキスト情報取得部１３、パイプライン生成部１５、医用画像データ処理部１６は、医用画像処理装置内に配置される。具体的には、医用画像処理装置は、コンピュータであり、各処理機能として推定処理モデル生成部１２、コンテキスト情報取得部１３、パイプライン生成部１５、医用画像データ処理部１６を実行する処理回路と、当該各処理機能をコンピュータによって実行可能なプログラムの形態で記憶する記憶回路とを備える。又は、推定処理モデル生成部１２、コンテキスト情報取得部１３、パイプライン生成部１５、医用画像データ処理部１６は、それぞれ装置単体で配置されてもよい。

また、医用画像データ生成部１４は、臨床検査技師が患者を撮影することにより検査を実施するモダリティ装置であり、Ｘ線診断装置、Ｘ線ＣＴ装置、ＭＲＩ装置、核医学診断装置、及び超音波診断装置等の医用画像診断装置を含む。

以下、記憶部１１、推定処理モデル生成部１２、コンテキスト情報取得部１３、医用画像データ生成部１４、パイプライン生成部１５、医用画像データ処理部１６、表示部１７について具体的に説明する。

記憶部１１には、医用画像データに関する被検体の複数のコンテキスト情報、及び、当該医用画像データに施される一連の画像処理の流れを示したモデルパイプラインが記憶されている。

具体的には、記憶部１１は、ハードディスクなどのデータ記憶機能を有するデバイスで構成されている。医用画像データには、ＣＴデータ、ＭＲデータなどのマルチモダリティのデータが含まれている。例えば、ＣＴデータは、Ｘ線ＣＴ装置により生成された医用画像データであり、ＭＲデータは、ＭＲＩ装置により生成された医用画像データである。

コンテキスト情報には、患者（被検体）を診断する際に医師で記録された問診情報、アッセイ情報、各種の検査情報などが含まれている。なお、モデルパイプラインは、患者の医用画像データについて画像処理を行うＡＩモデルパイプラインの略称である。

モデルパイプラインは、過去に検査された複数の患者に対して実行された複数のパイプラインを含む。各パイプラインは、モダリティ装置（医用画像データ生成部１４）により患者への画像スキャンを実行した後に、医用画像処理装置（医用画像データ処理部１６）によりスキャンデータに対して施した一連の画像処理の流れを表す。医用画像処理装置は、パイプラインを実行した後に処理結果を表示装置（表示部１７）により出力し、医師は、処理結果を参照して患者の診断を行う。

記憶部１１には、過去に検査された各患者のコンテキスト情報と、患者に対して画像スキャンを行う際に実行されるパイプラインからなるモデルパイプラインとが記憶されている。なお、過去に検査された複数の患者は、第１の被検体の一例である。

図２に示す情報Ｓ１は、過去に検査された１人の患者に対して行った画像スキャン検査を表す情報（スキャンプロトコル）、及び、当該患者のコンテキスト情報を示している。例えば、患者のスキャンプロトコルは、当該患者に対してモダリティ装置により胸部、腹部及び骨盤のＣＴスキャン検査を行ったことを表し、当該患者のコンテキスト情報には、「リンパ腫の疑い」、「喫煙２０年」、「肺胞性嚢胞（pulmonary bullous）」及び「超音波肝嚢胞」等の情報が含まれている。

図２に示す情報Ｓ３は、過去に検査された複数の患者に対して画像スキャンを行った後に実行される複数パイプラインから構成されるモデルパイプラインを示している。

例えば、図２において、複数のパイプラインのうちのパイプライン１は、リンパ節をスキャンした際に実行される画像処理に関するものであり、当該画像処理において、医用画像処理装置は、まず、得られたＣＴやＭＲなどの画像メタデータに対してリンパ節の分割（セグメンテーション）を行い、そして、リンパ節奇形分類を行う。次に、医用画像処理装置は、当該画像処理のキーワードとして「リンパ節」を抽出し、当該画像処理とキーワード「リンパ節」とに類似度「１」を付与することで、当該画像処理とキーワード「リンパ節」と類似度「１」とを対応付ける情報を「パイプライン１」として記憶部１１に記憶させる。

また、図２において、複数のパイプラインのうちのパイプライン２、３は、それぞれ、肺、肝臓をスキャンした際に実行される処理に関するものであり、医用画像処理装置は、パイプライン１の場合と同様の処理を行うことで、「パイプライン２」、「パイプライン３」を記憶部１１に記憶させる。このように、パイプライン１、２、３、・・・などの複数のパイプラインが形成される。そして、実行された全てのパイプラインがモデルパイプラインＳ３として構成される。

推定処理モデル生成部１２は、複数のコンテキスト情報のそれぞれとモデルパイプラインの各パイプラインとの関係を学習して推定処理モデルを生成する。具体的には、推定処理モデル生成部１２は、過去に検査した患者の医用画像データに関するコンテキスト情報のキーワードを抽出し、当該キーワードとモデルパイプラインにおけるキーワードとの関係を学習して推定処理モデルを生成する。

具体的には、図２に示すように、推定処理モデル生成部１２は、まず、畳み込みニューラルネットワーク（Convolutional Neural Network；ＣＮＮ）を用いた手法の１つであるＴｅｘｔＣＮＮ法を用いて、情報Ｓ１におけるコンテキスト情報からキーワードＳ２「リンパ腫」、「喫煙」、「肺胞性嚢胞」及び「肝嚢胞」を抽出する。次に、推定処理モデル生成部１２は、キーワードＳ２及びモデルパイプラインＳ３を、自然言語処理モデルであるＢＥＲＴ（Bidirectional Encoder Representations from Transformers）の一種であるＳＢＥＲＴ（Sentence－BERT）ネットワークに入力し、キーワードＳ２とモデルパイプラインＳ３の各パイプラインとの関係を学習して推定処理モデルを生成する。なお、キーワードＳ２は、第１のキーワードの一例である。

図２では、過去に検査された１人の患者のコンテキスト情報のみが示されているが、実際の学習の過程では、推定処理モデル生成部１２は、過去に検査された複数の患者のコンテキスト情報をそれぞれＳＢＥＲＴネットワークに入力して、推定処理モデルを生成する。

ここで、図２に示す例では、推定処理モデル生成部１２は、ＴｅｘｔＣＮＮ法を用いてコンテキスト情報からキーワードを抽出しているが、他のテキストトレーニングネットワークを用いてコンテキスト情報からキーワードを抽出してもよい。また、図２に示す例では、推定処理モデル生成部１２は、ＳＢＥＲＴネットワークを用いて推定処理モデルを生成しているが、キーワードＳ２とモデルパイプラインＳ３の各パイプラインとの関係を学習できる他のネットワークを用いて推定処理モデルを生成してもよい。

コンテキスト情報取得部１３は、患者のコンテキスト情報を取得する。当該患者は、病院などの診療所にきた後に医師に問診されたが、医用画像診断装置（医用画像データ生成部１４）により診断されていない患者（以下、新患と称する場合がある）である。なお、新患は、第２の被検体の一例である。

コンテキスト情報取得部１３により取得される患者のコンテキスト情報には、医師の問診などを経て得られた検査情報及び当該患者の過去の診断情報が含まれている。過去の診断情報には、ＥＭＲ（Electronic Medical Record）、ＬＩＳ（Laboratory Information Management System）、ＨＩＳ（Hospital Information System）、ＰＡＣＳ（Picture Archiving and Communication System）などからの診断情報が含まれている。

図３には、ＰＡＣＳ、ＥＭＲ及びＬＩＳから得られた１人の患者の過去の診断情報の例が示されている。図３において、ＰＡＣＳから得られた患者の過去の診断情報は、解剖的部位の取得として、子宮、リンパ節、肺、肝臓などの医用画像データを含み、ＥＭＲから得られた患者の過去の診断情報は、当該患者が肺胞性嚢胞、超音波肝嚢胞、及びリンパ節過形成と診断されたことを示している。また、ＬＩＳから得られた患者の過去の診断情報は、当該患者の血液検査の結果を示している。

医用画像データ生成部１４は、新患の医用画像データを生成する。具体的には、医用画像データ生成部１４は、上述のように、Ｘ線ＣＴ装置やＭＲＩ装置などを含むモダリティ装置であり、医師の診断に基づいて新患に対してＣＴスキャンやＭＲスキャンなどを行って、ＣＴ３次元画像やＭＲ３次元画像などの医用画像データを生成する。

パイプライン生成部１５は、新患のコンテキスト情報及びモデルパイプラインＳ３を推定処理モデルに入力することにより、当該新患に対するパイプラインを生成する。具体的には、パイプライン生成部１５は、新患のコンテキスト情報のキーワードを抽出し、当該キーワード及びモデルパイプラインＳ３を推定処理モデルに入力し、推定処理モデルにおいて、当該キーワードとモデルパイプラインＳ３におけるキーワードとの類似性を比較して、モデルパイプラインＳ３のパイプライン（パイプライン１、２、３、・・・）毎に類似度を生成し、類似度が所定の閾値以上のモデルパイプラインＳ３におけるパイプラインを当該新患のパイプラインとして生成する。

例えば、図４に示す情報Ｓ１´は、新患に対して行った画像スキャン検査を表す情報（スキャンプロトコル）、及び、当該新患のコンテキスト情報を示している。当該新患のコンテキスト情報は、コンテキスト情報取得部１３により取得されたコンテキスト情報である。例えば、新患のスキャンプロトコルは、当該新患に対してモダリティ装置により胸部及び腹部のＣＴスキャン検査を行ったことを表し、当該新患のコンテキスト情報には、「子宮がんの疑い」、「喫煙５年」、「肺胞性嚢胞」、「超音波肝嚢胞」及び「リンパ節過形成」等の情報が含まれている。

すなわち、図４の情報Ｓ１´に示すように、新患が医師に問診された後、医師は、胸部、腹部のＣＴスキャンを行ったことがわかり、同時に、新患が子宮がんに罹患している疑いがあることがわかる。また、当該新患の過去の診断情報から、当該新患は過去、５年間喫煙していたこと、肺胞性嚢胞、超音波肝嚢胞、及びリンパ節過形成と診断されたことがあることがわかる。

そこで、パイプライン生成部１５は、新患のコンテキスト情報のキーワードを抽出する。具体的には、図４に示すように、パイプライン生成部１５は、当該新患の情報Ｓ１´におけるコンテキスト情報からキーワードＳ２´「子宮がん」、「喫煙」、「肺胞性嚢胞」、「肝嚢胞」、「リンパ節過形成」を抽出する。ここで、パイプライン生成部１５によるキーワードＳ２´の抽出方法は、推定処理モデル生成部１２と同様に、ＴｅｘｔＣＮＮ法が用いられる。なお、キーワードＳ２´は、第２のキーワードの一例である。

さらに、パイプライン生成部１５は、キーワードＳ２´及びモデルパイプラインＳ３を、ＳＢＥＲＴネットワークを用いて生成された推定処理モデルに入力する。ここで、推定処理モデルにおいて、キーワードＳ２´とモデルパイプラインＳ３におけるキーワードとの類似性を比較することで、モデルパイプラインＳ３のパイプライン（パイプライン１、２、３、・・・）毎に類似度を導出する。このとき、パイプライン生成部１５は、導出した類似度を各パイプラインに割り当て、新患の候補パイプラインＳ４として生成する。

例えば、モデルパイプラインＳ３を構成する複数のパイプラインを、パイプライン１、２、３、４、・・・、ｎとする。図４に示す例では、ｎは５以上の整数である。ここで、推定処理モデルにおいて、キーワードＳ２´「子宮がん」、「喫煙」、「肺胞性嚢胞」、「肝嚢胞」、「リンパ節過形成」とモデルパイプラインＳ３におけるキーワードとの類似性を比較し、モデルパイプラインＳ３を構成する複数のパイプライン１、２、３、４、・・・、ｎに対して、それぞれ類似度「０．９」、「０．６」、「０．３」、「０．８」、・・・、「０．００１」を導出する。このとき、パイプライン生成部１５は、導出した類似度「０．９」、「０．６」、「０．３」、「０．８」、・・・、「０．００１」をそれぞれ複数のパイプライン１、２、３、４、・・・、ｎに割り当てることにより、新患の候補パイプラインＳ４を生成する。

ここで、新患の候補パイプラインＳ４において、複数のパイプライン１、２、３、４、・・・、ｎには、類似度が０であるパイプラインが示されていない。そして、パイプライン生成部１５は、複数のパイプライン１、２、３、４、・・・、ｎのうち、類似度が所定の閾値「０.３」以上であるパイプライン１、２、３、４を新患のパイプラインＳ５として生成する。なお、新患のパイプラインＳ５は、第２の被検体のパイプラインの一例である。

パイプライン生成部１５により生成されたパイプラインＳ５で処理する画像を生成したモダリティは、新患に対して行った画像スキャンのモダリティと同じである。例えば、新患に対してＸ線ＣＴ装置によりＣＴスキャンを行った場合、パイプライン生成部１５により生成されたパイプラインＳ５は、Ｘ線ＣＴ装置により生成された医用画像データであるＣＴデータを処理するためのパイプラインである。

医用画像データ処理部１６は、新患のパイプラインＳ５を実行して、医用画像データ生成部１４により生成された当該新患の医用画像データを処理する。

表示部１７は、液晶ディスプレイなどで構成され、医用画像データ処理部１６の処理結果を表示する。

このように、第１の実施形態に係る医用画像データ処理システム１０では、過去に検査された複数の患者のコンテキスト情報と記憶部１１に記憶されたモデルパイプラインＳ３の各パイプラインとの関係を学習して推定処理モデルを生成し、新患のコンテキスト情報とモデルパイプラインＳ３とを当該推定処理モデルに入力して当該新患のパイプラインＳ５を自動的に生成する。これにより、第１の実施形態に係る医用画像データ処理システム１０では、新患に対して適切なパイプラインを生成することができ、画像処理の時間を短縮し、画像処理の効率を向上させることができる。

なお、図５に示すように、パイプライン生成部１５は、新患のコンテキスト情報のキーワードとモデルパイプラインＳ３におけるキーワードとの類似度の高い順に、生成された新患のパイプラインＳ５を配列するようにしてもよく、Ｓ６は、配列後のパイプラインである。例えば、新患のパイプラインＳ５の各パイプライン１、２、３、４の類似度は、それぞれ、「０．９」、「０．６」、「０．３」、「０．８」であるため、パイプライン生成部１５は、新患のパイプラインＳ５の各パイプライン１、２、３、４を類似度の高い順に配列して、配列後のパイプライン１、４、２、３を新患のパイプラインＳ６として生成する。この場合、表示部１７は、当該新患のパイプラインの配列順に、医用画像データ処理部１６の処理結果を表示する。

一般的には、類似度の高いパイプラインを実行する方が、類似度の低いパイプラインを実行するよりも、処理結果がより正確かつ適切である。パイプライン生成部１５が類似度の高い順に新患のパイプラインＳ５を配列することにより、医用画像データ処理部１６の処理結果はパイプラインの配列順に表示部１７に表示されるので、例えば、比較的に正確かつ適切な処理結果を画面の上方寄りの位置に表示することができ、医師の参照に便利である。

ここで、新患のコンテキスト情報には当該新患の過去の診断情報が含まれているため、生成されたパイプライン及び処理結果において、過去の診断情報に関するパイプラインが前に配列され、その処理結果が最上位に表示される場合がある。この場合、医師の診断ターゲットに関する処理結果を迅速に見つけることができず、医師に混乱をもたらす可能性がある。

そこで、図６に示すように、パイプライン生成部１５は、新患の現在の検査情報に基づいて、当該新患の各コンテキスト情報に重みを付与する。そして、パイプライン生成部１５は、新患のパイプラインとして、当該新患の各コンテキスト情報にそれぞれ関連するパイプラインを、重みの高い順に配列し、配列後のパイプラインを新患のパイプラインとして生成する。この場合、表示部１７は、当該新患のパイプラインの配列順に処理結果を表示する。

図６において、医師からの検査情報では、まず、患者が子宮がんに罹患している疑いがあり、パイプライン生成部１５は、当該検査情報に基づいて婦人科疾患に関する血液検査情報に重み「１」を付与することで、血液検査情報に関するパイプラインａを最上位に配列させる。次に、医師は患者に対して胸部、腹部のＣＴスキャンを行う必要があると判断している場合、パイプライン生成部１５は、当該検査情報に基づいて、胸部、腹部のＣＴスキャンに関するコンテキスト情報「リンパ節過形成」、「肝嚢胞」、「喫煙２０年 肺胞性嚢胞」にそれぞれ重み「０.８」、「０.５」、「０.３」を付与することで、それぞれ関連するパイプラインｂ、パイプラインｃ、パイプラインｄを順次配列させる。これにより、医師の診断ターゲットに合わせて処理結果を表示することが可能である。

以下、図７を参照して、医用画像データ処理方法について説明する。

ステップＳ１０１において、推定処理モデル生成部１２は、記憶部１１から、過去に検査された複数の被検体（患者）の医用画像データに関する複数のコンテキスト情報を取得する。

ステップＳ１０２において、推定処理モデル生成部１２は、取得した複数のコンテキスト情報と記憶部１１に記憶されたモデルパイプラインＳ３における各パイプラインとの関係を学習して推定処理モデルを生成する。

ステップＳ１０３において、コンテキスト情報取得部１３は、被検体（新患）の現在の検査情報及び当該新患の過去の診断情報を含むコンテキスト情報を取得する。

ステップＳ１０４において、医用画像データ生成部１４は、被検体（新患）の医用画像データを生成する。

ステップＳ１０５において、パイプライン生成部１５は、被検体（新患）のコンテキスト情報のキーワードＳ２´を抽出し、このキーワードＳ２´及びモデルパイプラインＳ３を、ステップＳ１０２で生成された推定処理モデルに入力し、推定処理モデルにおいて、このキーワードＳ２´とモデルパイプラインＳ３におけるキーワードとの類似性を比較して、モデルパイプラインＳ３のパイプライン（パイプライン１、２、・・・、ｎ）毎に類似度を生成し、類似度が所定の閾値「０.３」以上のパイプラインを新患のパイプラインＳ５として生成する。

ステップＳ１０６において、医用画像データ処理部１６は、被検体（新患）のパイプラインＳ５を実行して、ステップＳ１０４で生成された当該新患の医用画像データを処理する。

ステップＳ１０７において、表示部１７は、新患の医用画像データに対する処理結果を表示する。

これにより、第１の実施形態に係る医用画像データ処理システム１０及び医用画像データ処理方法では、短期間で新患に対して適切なパイプラインを生成することができ、画像処理の効率を向上させることができる。

（第２の実施形態）
次に、図８を用いて、第２の実施形態に係る医用画像データ処理システム１０の構造について説明する。第１の実施形態と重複する部分に同一の符号を付して重複する説明を省略する。

第２の実施形態において、医用画像データ処理システム１０は、第１の実施形態と同様の記憶部１１、推定処理モデル生成部１２、コンテキスト情報取得部１３、医用画像データ生成部１４、パイプライン生成部１５、医用画像データ処理部１６、及び表示部１７に加えて、コンテキスト情報抽出部１８を備える。第２の実施形態において、コンテキスト情報抽出部１８は、第１の実施形態と同様に、装置として分散されて配置されている。

分散配置の一例として、コンテキスト情報抽出部１８は、推定処理モデル生成部１２、コンテキスト情報取得部１３、パイプライン生成部１５、医用画像データ処理部１６と共に、医用画像処理装置内に配置される。又は、推定処理モデル生成部１２、コンテキスト情報取得部１３、パイプライン生成部１５、医用画像データ処理部１６、コンテキスト情報抽出部１８は、それぞれ装置単体で配置されてもよい。

コンテキスト情報抽出部１８は、医用画像データ処理部１６の処理結果又は新患のパイプラインを実行中に得られた情報から、コンテキスト情報を抽出する。

図９に示すように、医用画像データ処理部１６の処理結果Ｓ１０が、「子宮がん」、「リンパ転移」、「冠動脈狭窄」、「肺胞性嚢胞」である場合、処理結果Ｓ１０に新患の新たなコンテキスト情報となり得る「冠動脈狭窄」が存在する。この場合、コンテキスト情報抽出部１８は、処理結果Ｓ１０から、新たなコンテキスト情報Ｓ１１である「冠動脈狭窄」を抽出する。そして、パイプライン生成部１５は、コンテキスト情報Ｓ１１及びモデルパイプラインＳ３を推定処理モデルに入力して新患に対する追加のパイプラインとして追加パイプラインＳ１２を生成する。

また、コンテキスト情報抽出部１８は、新患のパイプラインを実行中に得られた情報からコンテキスト情報を抽出し、さらに、当該コンテキスト情報及びモデルパイプラインを推定処理モデルに入力して、新患に対する追加パイプラインを生成するようにしてもよい。

このように、第２の実施形態に係る医用画像データ処理システム１０では、画像データの処理結果又は新患のパイプラインを実行中に得られた情報からコンテキスト情報を抽出して追加パイプラインを生成する。これにより、第２の実施形態に係る医用画像データ処理システム１０では、新患に対してより適切なパイプラインを生成することができ、画像処理の確度を向上させることができる。

以下、図１０を参照して、第２の実施形態に係る医用画像データ処理方法について説明する。

第２の実施形態におけるステップＳ２０１～ステップＳ２０７は、第１の実施形態におけるステップＳ１０１～ステップＳ１０７と同様であるので、説明を省略する。

ステップＳ２０８において、コンテキスト情報抽出部１８は、医用画像データ処理部１６の処理結果又は患者のパイプラインを実行中に得られた情報からコンテキスト情報を抽出する。

ステップＳ２０９において、パイプライン生成部１５は、ステップＳ２０８で抽出されたコンテキスト情報及びモデルパイプラインＳ３を推定処理モデルに入力して、新患に対する追加パイプラインＳ１２を生成する。

第２の実施形態に係る医用画像データ処理システム１０及び医用画像データ処理方法では、第１の実施形態により患者に対して生成されたパイプラインに加えて、追加パイプラインＳ１２をさらに生成し、より適切なパイプラインを生成することができるため、画像処理の確度が向上される。

また、上述した実施形態では、被検体について患者を例にして説明したが、被検体は検査される患者以外の人や動物などであってもよい。

また、上述した実施形態では、推定処理モデル生成部１２が、過去に検査された複数の患者（第１の被検体）のコンテキスト情報のそれぞれとモデルパイプラインＳ３の各パイプラインとの関係を学習して推定処理モデルを生成し、パイプライン生成部１５が、コンテキスト情報取得部１３により取得された新患（第２の被検体）のコンテキスト情報及びモデルパイプラインＳ３を推定処理モデルに入力することにより、新患に対するパイプラインＳ５を生成しているが、これに限定されない。例えば、過去に検査された複数の患者のコンテキスト情報のそれぞれとモデルパイプラインＳ３の各パイプラインとの関係は、テーブル等により記憶させてもよい。例えば、テーブルは、記憶部１１内に設けられる。この場合、パイプライン生成部１５は、過去に検査された複数の患者のコンテキスト情報のそれぞれとモデルパイプラインＳ３の各パイプラインとの関係を記憶するテーブルを参照することにより、コンテキスト情報取得部１３により取得された新患のコンテキスト情報、及び、モデルパイプラインＳ３に基づいて、新患に対するパイプラインを生成する。

以上説明した少なくとも１つの実施形態によれば、患者に対して適切なパイプラインを自動的に生成することができる。

いくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１０ 医用画像データ処理システム
１１ 記憶部
１３ コンテキスト情報取得部
１４ 医用画像データ生成部
１５ パイプライン生成部
１６ 医用画像データ処理部
１７ 表示部

Claims (12)

1. 第１の被検体の医用画像データに関するコンテキスト情報と当該医用画像データに施される一連の画像処理の流れを示したモデルパイプラインとが記憶されている記憶部と、
   第２の被検体のコンテキスト情報を取得するコンテキスト情報取得部と、
   前記第２の被検体の医用画像データを生成する医用画像データ生成部と、
   前記第２の被検体のコンテキスト情報及び前記モデルパイプラインに基づいて、前記第２の被検体に対するパイプラインを生成するパイプライン生成部と、
   前記第２の被検体のパイプラインを実行して前記第２の被検体の医用画像データを処理する医用画像データ処理部と、
   前記医用画像データ処理部の処理結果を表示する表示部と、
   を備える医用画像データ処理システム。
2. 前記第１の被検体のコンテキスト情報のそれぞれと前記モデルパイプラインの各パイプラインとの関係を学習して推定処理モデルを生成する推定処理モデル生成部、
   をさらに備え、
   前記パイプライン生成部は、前記第２の被検体のコンテキスト情報及び前記モデルパイプラインを前記推定処理モデルに入力することにより、前記第２の被検体に対するパイプラインを生成する
   請求項１に記載の医用画像データ処理システム。
3. 前記推定処理モデル生成部は、前記第１の被検体の医用画像データに関するコンテキスト情報のキーワードを第１のキーワードとして抽出し、当該第１のキーワードと前記モデルパイプラインにおけるキーワードとの関係を学習して前記推定処理モデルを生成する
   請求項２に記載の医用画像データ処理システム。
4. 前記パイプライン生成部は、
   前記第２の被検体のコンテキスト情報のキーワードを第２のキーワードとして抽出し、
   当該第２のキーワード及び前記モデルパイプラインを前記推定処理モデルに入力し、
   前記推定処理モデルにおいて前記第２のキーワードと前記モデルパイプラインにおけるキーワードとの類似性を比較して、前記モデルパイプラインのパイプライン毎に類似度を導出し、
   前記類似度が所定の閾値以上のパイプラインを前記第２の被検体のパイプラインとして生成する
   請求項３に記載の医用画像データ処理システム。
5. 前記パイプライン生成部は、前記第２の被検体のパイプラインを、前記類似度の高い順に配列する
   請求項４に記載の医用画像データ処理システム。
6. 前記第２の被検体のコンテキスト情報には、当該第２の被検体の現在の検査情報及び当該第２の被検体の過去の診断情報が含まれる
   請求項１に記載の医用画像データ処理システム。
7. 前記パイプライン生成部は、
   前記現在の検査情報に基づいて、前記第２の被検体の各コンテキスト情報に重みを付与し、
   前記第２の被検体のパイプラインとして、前記重みの高い順に、前記第２の被検体の前記各コンテキスト情報にそれぞれ関連するパイプラインを配列する
   請求項６に記載の医用画像データ処理システム。
8. 前記表示部は、前記第２の被検体のパイプラインの配列順に前記処理結果を表示する
   請求項５又は７に記載の医用画像データ処理システム。
9. 前記医用画像データ処理部の処理結果または前記第２の被検体のパイプラインの実行中に得られた情報からコンテキスト情報を抽出するコンテキスト情報抽出部をさらに備え、
   前記パイプライン生成部は、前記抽出されたコンテキスト情報及び前記モデルパイプラインを前記推定処理モデルに入力することにより、前記第２の被検体に対する追加パイプラインを生成する
   請求項１に記載の医用画像データ処理システム。
10. 第１の被検体の医用画像データに関するコンテキスト情報と当該医用画像データに施される一連の画像処理の流れを示したモデルパイプラインとを記憶する記憶ステップと、
    第２の被検体のコンテキスト情報を取得するコンテキスト情報取得ステップと、
    前記第２の被検体の医用画像データを生成する医用画像データ生成ステップと、
    前記第２の被検体のコンテキスト情報及び前記モデルパイプラインに基づいて、前記第２の被検体に対するパイプラインを生成するパイプライン生成ステップと、
    前記第２の被検体のパイプラインを実行して前記第２の被検体の医用画像データを処理する医用画像データ処理ステップと、
    前記医用画像データ処理ステップの処理結果を表示する表示ステップと、
    を備える医用画像データ処理方法。
11. 前記第１の被検体のコンテキスト情報のそれぞれと前記モデルパイプラインの各パイプラインとの関係を学習して推定処理モデルを生成する推定処理モデル生成ステップ、
    をさらに備え、
    前記パイプライン生成ステップは、前記第２の被検体のコンテキスト情報及び前記モデルパイプラインを前記推定処理モデルに入力することにより、前記第２の被検体に対するパイプラインを生成する
    請求項１０に記載の医用画像データ処理方法。
12. 前記医用画像データ処理部の処理結果または前記第２の被検体のパイプラインの実行中に得られた情報からコンテキスト情報を抽出するコンテキスト情報抽出ステップをさらに備え、
    前記パイプライン生成ステップにおいて、前記抽出されたコンテキスト情報及び前記モデルパイプラインを前記推定処理モデルに入力することにより、前記第２の被検体に対する追加パイプラインを生成する
    請求項１０に記載の医用画像データ処理方法。

Images