JP2023081573A - 医用画像処理装置、医用画像処理方法及び医用画像処理プログラム - Google Patents

Abstract

【課題】注目領域の抽出精度を向上させること。【解決手段】実施形態に係る医用画像処理装置は、画像取得部と、抽出部とを備える。画像取得部は、ユーザが注目する解剖構造領域を示す注目領域の抽出対象となる対象医用画像データを取得する。抽出部は、医用画像データに含まれる前記注目領域と、前記注目領域以外の領域であり、かつ、所定の条件を満たす領域とを用いて学習された学習済みモデルを用いて、前記対象医用画像データにおける前記注目領域を抽出する。【選択図】図１

Description

本明細書及び図面に開示の実施形態は、医用画像処理装置、医用画像処理方法及び医用画像処理プログラムに関する。

従来、医用の分野では、Ｘ線ＣＴ（Computed Tomography）装置などの種々の医用画像診断装置（モダリティ）によって取得される医用画像データを用いた画像診断が行われている。この画像診断の中では、医用画像データに描出された所定の領域の体積や構造などの情報を診断に利用することが行われているが、かかる情報を利用するためには、医用画像データから当該領域の輪郭を抽出する（輪郭形状を表す情報である輪郭情報を推定する）必要がある。しかしながら、この領域抽出の作業を人手で行う場合、当該作業者に多大な労力を強いることが課題となっている。このことから、作業者の労力を軽減するために、医用画像データからの自動または半自動の領域抽出技術に関して、かねてより様々な技術が提案されている。

領域抽出技術の一例としては、医用画像データと、当該医用画像データに描出された注目領域の正解の輪郭情報を多数の症例について収集したものを学習データとして利用する方法がある。この技術では、学習データに対して機械学習を行った結果に基づいて、未知の新たに入力された医用画像データに描出されるユーザが注目する領域の輪郭情報を推定する（すなわち、輪郭を抽出する）ことが行われている。

Ｃｈｅｎ ＹＣ，ｅｔ．ａｌ．"Ｃｏｒｏｎａｒｙ ａｒｔｅｒｙ ｓｅｇｍｅｎｔａｔｉｏｎ ｉｎ ｃａｒｄｉａｃ ＣＴ ａｎｇｉｏｇｒａｐｈｙ ｕｓｉｎｇ ３Ｄ ｍｕｌｔｉ－ｃｈａｎｎｅｌ Ｕ－ｎｅｔ" Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｅｄｉｃａｌ Ｉｍａｇｉｎｇ ｗｉｔｈ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ， ＭＩＤＬ， ２０１９． Ｌｏｎｄｏｎ（２０１９）． ｐ．１９０７．１２２４６． Ｋｉｍ Ｈ．，ｅｔ．ａｌ．"Ａｂｄｏｍｉｎａｌ ｍｕｌｔｉ－ｏｒｇａｎ ａｕｔｏ－ｓｅｇｍｅｎｔａｔｉｏｎ ｕｓｉｎｇ ３Ｄ－ｐａｔｃｈ－ｂａｓｅｄ ｄｅｅｐ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ．"Ｓｃｉ Ｒｅｐ １０，６２０４（２０２０）．

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、注目領域の抽出精度を向上させることである。ただし、本明細書及び図面に開示の実施形態により解決しようとす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付けることもできる。

実施形態に係る医用画像処理装置は、画像取得部と、抽出部とを備える。画像取得部は、ユーザが注目する解剖構造領域を示す注目領域の抽出対象となる対象医用画像データを取得する。抽出部は、医用画像データに含まれる前記注目領域と、前記注目領域以外の領域であり、かつ、所定の条件を満たす領域とを用いて学習された学習済みモデルを用いて、前記対象医用画像データにおける前記注目領域を抽出する。

図１は、第１の実施形態に係る医用画像処理装置の構成例を示す図である。 図２は、第１の実施形態に係る医用画像処理装置による学習済みモデル取得処理の処理手順を示すフローチャートである。 図３は、第１の実施形態に係る第１の医用画像データの一例を示す図である。 図４は、第１の実施形態に係る注目領域の輪郭情報の一例を示す図である。 図５は、第１の実施形態に係る第１の背景領域の抽出処理の一例を示す図である。 図６は、第１の実施形態に係る第１の背景領域の抽出処理の一例を示す図である。 図７は、第１の実施形態に係る学習済みモデルの取得処理の一例を説明するための図である。 図８は、第１の実施形態に係る医用画像処理装置による学習済みモデルを用いた注目領域の輪郭情報の取得処理の処理手順を示すフローチャートである。 図９は、第１の実施形態に係る学習済みモデルを用いた注目領域の輪郭情報の抽出処理の一例を説明するための図である。 図１０は、変形例１に係る第１の背景領域の抽出処理の一例を示す図である。

以下、図面を参照しながら、医用画像処理装置、医用画像処理方法及び医用画像処理プログラムの実施形態について詳細に説明する。なお、本願に係る医用画像処理装置、医用画像処理方法及び医用画像処理プログラムは、以下に示す実施形態によって限定されるものではない。

（第１の実施形態）
図１は、第１の実施形態に係る医用画像処理装置の構成例を示す図である。例えば、本実施形態に係る医用画像処理装置１は、図１に示すように、データベース２と、ネットワーク３とを備える医用画像処理システムに含まれる。医用画像処理装置１は、ネットワーク３を介して、データベース２に通信可能に接続されている。

なお、図１に示す医用情報処理システムには、その他種々の装置（例えば、医用画像診断装置など）やその他種々のシステムが接続される場合でもよい。例えば、医用画像診断装置は、Ｘ線診断装置、Ｘ線ＣＴ（Computed Tomography）装置、ＭＲＩ（Magnetic Resonance Imaging）装置、超音波診断装置、ＳＰＥＣＴ（Single Photon Emission Computed Tomography）装置、ＰＥＴ（Positron Emission computed Tomography）装置等であり、被検体を撮像して医用画像データを生成し、ネットワーク３を介してデータベース２に医用画像データを送信する。

データベース２は、被検体に関する各種の医用画像データや、当該医用画像データに関連付けられた情報を保持し、保管する。具体的には、データベース２は、ネットワーク３を介して医用画像データなどを受信し、当該医用画像データなどを自装置内の記憶回路に記憶させて保管する。ここで、データベース２は、ある学習データ群から算出した学習済みモデルなどの情報も保持、管理することができる。例えば、データベース２は、サーバやワークステーション等のコンピュータ機器によって実現される。また、例えば、データベース２は、ＰＡＣＳ（Picture Archiving and Communication System）等によって実現され、ＤＩＣＯＭ（Digital Imaging and Communications in Medicine）に準拠した形式で医用画像データなどを保管する。

ネットワーク３は、例えば、ＬＡＮ（Local Area Network）やＷＡＮ（Wide Area Network）を含む。

医用画像処理装置１は、ネットワーク３を介してデータベース２から医用画像データを受信し、当該医用画像データを用いて各種の情報処理を行う。例えば、医用画像処理装置１は、サーバやワークステーション等のコンピュータ機器によって実現される。

例えば、医用画像処理装置１は、通信インターフェース１１と、入力インターフェース１２と、ディスプレイ１３と、記憶回路１４と、処理回路１５とを備える。

通信インターフェース１１は、医用画像処理装置１と、ネットワーク３を介して接続された他の装置との間で送受信される各種データの伝送及び通信を制御する。具体的には、通信インターフェース１１は、処理回路１５に接続されており、他の装置から受信したデータを処理回路１５に送信、又は、処理回路１５から送信されたデータを他の装置に送信する。例えば、通信インターフェース１１は、ネットワークカードやネットワークアダプタ、ＮＩＣ（Network Interface Controller）等によって実現される。

入力インターフェース１２は、利用者から各種指示及び各種情報の入力操作を受け付ける。具体的には、入力インターフェース１２は、処理回路１５に接続されており、利用者から受け取った入力操作を電気信号へ変換して処理回路１５に送信する。例えば、入力インターフェース１２は、トラックボール、スイッチボタン、マウス、キーボード、操作面へ触れることで入力操作を行うタッチパッド、表示画面とタッチパッドとが一体化されたタッチスクリーン、光学センサを用いた非接触入力インターフェース、及び音声入力インターフェース等によって実現される。なお、本明細書において、入力インターフェース１２は、マウス、キーボード等の物理的な操作部品を備えるものだけに限られない。例えば、装置とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を制御回路へ送信する電気信号の処理回路も入力インターフェース１２の例に含まれる。

ディスプレイ１３は、各種情報及び各種データを表示する。具体的には、ディスプレイ１３は、処理回路１５に接続されており、処理回路１５から受信した各種情報及び各種データを表示する。例えば、ディスプレイ１３は、液晶ディスプレイやＣＲＴ（Cathode Ray Tube）ディスプレイ、プラズマディスプレイ、有機ＥＬディスプレイ、タッチパネル等によって実現される。

記憶回路１４は、各種データ及び各種プログラムを記憶する。具体的には、記憶回路１４は、処理回路１５に接続されており、処理回路１５から受信したデータを記憶、又は、記憶しているデータを読み出して処理回路１５に送信する。例えば、記憶回路１４は、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリ素子や、ハードディスク、光ディスク等によって実現される。

処理回路１５は、医用画像処理装置１の全体を制御する。例えば、処理回路１５は、入力インターフェース１２を介して利用者から受け付けた入力操作に応じて、各種処理を行う。例えば、処理回路１５は、他の装置から送信されたデータを、通信インターフェース１１を介して受信し、受信したデータを記憶回路１４に記憶する。また、例えば、処理回路１５は、受信したデータを記憶回路１４から通信インターフェース１１に送信することで、当該データを他の装置に送信する。また、例えば、処理回路１５は、記憶回路１４から受信したデータをディスプレイ１３に表示する。

以上、本実施形態に係る医用画像処理装置１の構成例について説明した。例えば、本実施形態に係る医用画像処理装置１は、病院や診療所等の医療施設に設置され、医師等の利用者によって行われる各種診断や治療計画の策定等を支援する。例えば、医用画像処理装置１は、注目領域の抽出精度を向上させるための各種処理を実行する。

上述したように、医用画像データからの注目領域の抽出技術として、学習データに対して機械学習を行った結果に基づいて、未知の新たに入力された医用画像データにおける注目領域の輪郭情報を自動抽出する技術が知られている。しかしながら、このような技術を用いた場合においても、専門医が作成した注目領域のデータと、自動抽出した注目領域のデータとの一致度（抽出精度）には改善の余地が残されている。特に、抽出した注目領域の情報に基づいて、抽出した対象物の形状や構造に基づく詳細な解析を正確に行うためには、より精度の高い領域抽出・領域認識を行うことが望ましい。

そこで、本実施形態に係る医用画像処理装置１は、注目領域以外の領域（注目領域に含まれない領域）であり、かつ、注目領域に基づく所定の条件を満たす領域を用いて学習した学習済みモデルに基づいて注目領域の輪郭情報を抽出することで、注目領域の抽出精度を向上させることができるように構成されている。ここで、注目領域の輪郭情報とは、注目領域の輪郭形状を表す情報と換言できる。また、輪郭形状を表す情報は、輪郭のみに関する情報に限られず、例えば、注目領域に含まれる全ての画素を表す情報を含むものとする。なお、本実施形態に係る医用画像処理装置１は、医用画像データから注目領域を抽出する機能を有するとともに、上記した学習済みモデルを取得する機能、及び、抽出した注目領域の芯線情報を抽出する機能を有する。以下、このような構成を有する医用画像処理装置１について、詳細に説明する。

例えば、図１に示すように、本実施形態では、医用画像処理装置１の処理回路１５が、画像取得機能１５１と、領域取得機能１５２と、抽出機能１５３と、学習済みモデル取得機能１５４と、輪郭情報抽出機能１５５と、芯線情報抽出機能１５６と、表示制御機能１５７とを実行する。ここで、画像取得機能１５１は、画像取得部の一例である。領域取得機能１５２は、領域取得部の一例である。また、抽出機能１５３は、第１の抽出部及び第２の抽出部の一例である。また、学習済みモデル取得機能１５４は、学習部の一例である。また、輪郭情報抽出機能１５５は、抽出部の一例である。

画像取得機能１５１は、通信インターフェース１１を介して、データベース２から被検体の医用画像データを取得する。具体的には、画像取得機能１５１は、学習済みモデルの生成処理の対象となる学習用の医用画像データ（以下、第１の医用画像データとも記す）、及び、ユーザが注目する解剖構造領域を示す注目領域の抽出処理の対象となる医用画像データ（以下、第２の医用画像データ、対象医用画像データとも記す）をデータベース２から取得する。なお、画像取得機能１５１は、第１の医用画像データ及び第２の医用画像データとして、２次元以上の医用画像データ（２次元の静止画像、２次元の動画像、３次元の静止画像、あるいは、３次元の動画像など）を取得することができる。すなわち、学習済みモデルの生成処理、及び、注目領域の抽出処理は、上記した２次元以上の医用画像データを対象とすることができる。

例えば、画像取得機能１５１は、上記した医用画像データとして、ＣＴ画像、超音波画像、ＭＲＩ画像、Ｘ線画像、Ａｎｇｉｏ画像、ＰＥＴ画像、ＳＰＥＣＴ画像などを取得する。なお、画像取得機能１５１によって取得される医用画像データは、画像の大きさや、画像内に描出される注目領域について、空間的にある程度正規化されたものであることが望ましい。また、第１の医用画像データは、ロバスト性の観点から複数の異なる医用画像データを含むものを用いることが望ましい。

領域取得機能１５２は、医用画像データに含まれるユーザが注目する解剖構造領域を示す画素の情報を注目領域として取得する。具体的には、領域取得機能１５２は、画像取得機能１５１によって取得された第１の医用画像データにおける注目領域の正解の輪郭情報を、データベース２から取得する。ここで、第１の医用画像データにおける注目領域の正解の輪郭情報は、専門医などによって指定され、当該第１の医用画像データに関連付けられてデータベース２に管理されている。

抽出機能１５３は、医用画像データにおいて注目領域以外の領域であり、かつ、所定の条件を満たす領域を示す画素の情報を第１の背景領域として抽出する。具体的には、抽出機能１５３は、領域取得機能１５２によって取得された注目領域の輪郭情報に基づいて、第１の医用画像データにおける第１の背景領域を抽出する。また、抽出機能１５３は、第１の医用画像データにおいて、注目領域以外の領域であり、かつ、第１の背景領域以外の領域を示す画素の情報を第２の背景領域として抽出する。ここで、上記した所定の条件を満たす領域は、第１の医用画像データに含まれる注目領域の画素に基づいて導出される領域である。例えば、所定の条件を満たす領域は、注目領域の画素に基づく画像処理により導出される領域である。なお、抽出機能１５３による処理については、後に詳述する。

学習済みモデル取得機能１５４は、注目領域と、第１の背景領域と、第２の背景領域とに基づいて、機械学習を実行する。具体的には、学習済みモデル取得機能１５４は、第１の医用画像データの画素値情報と、第１の医用画像データにおける注目領域の正確な輪郭情報と、第１の医用画像データにおける第１の背景領域の情報と、第１の医用画像データにおける第２の背景領域の情報とを用いて機械学習を実行し、学習済みモデルを取得する。なお、学習済みモデル取得機能１５４による処理については、後に詳述する。

輪郭情報抽出機能１５５は、第１の医用画像データに含まれる注目領域と、注目領域以外の領域であり、かつ、所定の条件を満たす領域とを用いて学習された学習済みモデルを用いて、第２の医用画像データにおける注目領域を抽出する。具体的には、輪郭情報抽出機能１５５は、学習済みモデル取得機能１５４によって取得された学習済みモデルを用いて、画像取得機能１５１によって取得された第２の医用データにおける注目領域の輪郭情報を抽出する。すなわち、輪郭情報抽出機能１５５は、第２の医用画像データの画素値情報を学習済みモデルに入力することで、第２の医用画像データにおける注目領域の輪郭情報を取得する。なお輪郭情報抽出機能１５５は、注目領域の輪郭情報の取得とは別に、第１の背景領域の輪郭情報を取得してもよい。なお、輪郭情報抽出機能１５５による処理については、後に詳述する。

芯線情報抽出機能１５６は、画像取得機能１５１によって取得された第２の医用画像データと、輪郭情報抽出機能１５５によって取得された第２の医用画像データにおける注目領域の輪郭情報に基づいて、第２の医用画像データにおける注目領域の芯線情報を取得する。なお、芯線情報抽出機能１５６による処理については、後に詳述する。

表示制御機能１５７は、入力インターフェース１２を介した操作に応じて、種々のＧＵＩ（Graphical User Interface）や、種々の表示情報を生成して、ディスプレイ１３に表示するように制御する。例えば、表示制御機能１５７は、種々の条件を設定するためのＧＵＩや、注目領域の輪郭情報の抽出結果、注目領域の芯線情報の抽出結果などをディスプレイ１３に表示させる。また、表示制御機能１５７は、画像取得機能１５１によって取得された医用画像データに基づいて、種々の表示画像を生成することもできる。

上述した処理回路１５は、例えば、プロセッサによって実現される。その場合に、上述した各処理機能は、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回路１４に記憶される。そして、処理回路１５は、記憶回路１４に記憶された各プログラムを読み出して実行することで、各プログラムに対応する機能を実現する。換言すると、処理回路１５は、各プログラムを読み出した状態で、図１に示した各処理機能を有することとなる。

なお、処理回路１５は、複数の独立したプロセッサを組み合わせて構成され、各プロセッサがプログラムを実行することによって各処理機能を実現するものとしてもよい。また、処理回路１５が有する各処理機能は、単一又は複数の処理回路に適宜に分散又は統合されて実現されてもよい。また、処理回路１５が有する各処理機能は、回路等のハードウェアとソフトウェアとの混合によって実現されても構わない。また、ここでは、各処理機能に対応するプログラムが単一の記憶回路１４に記憶される場合の例を説明したが、実施形態はこれに限られない。例えば、各処理機能に対応するプログラムが複数の記憶回路が分散して記憶され、処理回路１５が、各記憶回路から各プログラムを読み出して実行する構成としても構わない。

次に、医用画像処理装置１による処理の手順について説明した後、各処理の詳細について説明する。なお、以下では、学習済みモデルの取得処理、及び、学習済みモデルを用いた注目領域の輪郭情報の取得処理について、順に説明する。また、以下では、心臓の冠動脈を注目領域とした場合の例を説明するが、本実施形態はこれに限定されるものではなく、例えば、他の血管や、骨などのその他の部位を注目領域とする場合でもよい。

図２は、第１の実施形態に係る医用画像処理装置１による学習済みモデル取得処理の処理手順を示すフローチャートである。例えば、図２に示すように、本実施形態では、画像取得機能１５１が、データベース２から被検体の第１の医用画像データを取得する（ステップＳ１０１）。例えば、画像取得機能１５１は、入力インターフェース１２を介してユーザが指定した学習用の医用画像データの取得操作に応じて、心臓の冠動脈を含む第１の医用画像データを取得する。この処理は、例えば、処理回路１５が、画像取得機能１５１に対応するプログラムを記憶回路１４から呼び出して実行することにより実現される。

続いて、領域取得機能１５２が、取得された第１の医用画像データについて、第１の医用画像データに含まれる注目構造の輪郭情報をデータベース２から取得する（ステップＳ１０２）。例えば、領域取得機能１５２は、第１の医用画像データに含まれる冠動脈の輪郭情報を取得する。この処理は、例えば、処理回路１５が、領域取得機能１５２に対応するプログラムを記憶回路１４から呼び出して実行することにより実現される。なお、図２においては、第１の医用画像データを取得したのちに注目領域の輪郭情報を取得する場合の処理手順を示しているが、実施形態はこれに限定されるものではなく、第１の医用画像データと注目領域の輪郭情報を同時に取得してもよい。

そして、抽出機能１５３が、第１の医用画像データにおいて、注目領域に基づく所定の条件に基づく領域を抽出する（ステップＳ１０３）。例えば、抽出機能１５３は、第１の医用画像データにおける心臓の冠動脈の輪郭情報に基づく条件に応じた第１の背景領域の輪郭情報を抽出する。この処理は、例えば、処理回路１５が、抽出機能１５３に対応するプログラムを記憶回路１４から呼び出して実行することにより実現される。

続いて、学習済みモデル取得機能１５４が、第１の医用画像データにおける注目領域と、第１の背景領域と、第２の背景領域（第１の医用画像データにおいて、注目領域以外であり、かつ、第１の背景領域以外の領域）とに基づいて、学習済みモデルを取得する（ステップＳ１０４）。この処理は、例えば、処理回路１５が、学習済みモデル取得機能１５４に対応するプログラムを記憶回路１４から呼び出して実行することにより実現される。

以下、医用画像処理装置１によって実行される学習済みモデルの取得処理の詳細について、説明する。

（第１の医用画像データの取得処理）
図２のステップＳ１０１で説明したように、画像取得機能１５１は、入力インターフェース１２を介した第１の医用画像データの取得操作に応じて、注目領域を含む第１の医用画像データを取得する。例えば、画像取得機能１５１は、冠動脈を撮像したＣＴ画像をデータベース２から取得する。そして、画像取得機能１５１は、取得したＣＴ画像を記憶回路１４に格納する。

ここで、上記した学習用の第１の医用画像データの取得では、２以上の第１の医用画像データが取得されてもよい。学習済みモデルのロバスト性や抽出精度を高める観点からは、多数の被検体を撮像したＣＴ画像を後述の学習に用いることが望ましいが、同一被検体を異なる時期に撮像した画像が含まれていても構わない。またこのとき、表示制御機能１５７は、取得したＣＴ画像の一部または全てをディスプレイ１３の画像表示領域内に表示させてもよい。

図３は、第１の実施形態に係る第１の医用画像データの一例を示す図である。ここで、図３においては、３次元のＣＴ画像に基づく断面画像を示す。例えば、画像取得機能１５１は、図３に示すように、第１の医用画像データとして、冠動脈を含むＣＴ画像（断面画像）を取得する。ここで、以下の説明では、断面画像（第１の医用画像データ）を構成するｘ方向の画素数はＮｘ、ｙ方向の画素数はＮｙであるものとする。すなわち、第１の医用画像データを構成する全画素数はＮｘ×Ｎｙである。なお、処理対象の医用画像データが３次元画像データ（ボリュームデータ）である場合、全画素数はＮｘ×Ｎｙ×Ｎｚである（Ｎｚは、ｚ方向の画素数）。

なお、ステップＳ１０１における第１の医用画像データの取得処理は、上記したように、入力インターフェース１２を介したユーザの指示により動作が開始される場合でもよいが、自動的に処理が開始される場合でもよい。かかる場合には、例えば、画像取得機能１５１は、データベース２を監視しておき、注目領域（例えば、冠動脈）の輪郭情報が関連付けられた第１の医用画像データ（ＣＴ画像）が新たに保管されるごとに自動的に当該ＣＴ画像を取得する。

（注目構造の輪郭情報の取得処理）
図２のステップＳ１０２で説明したように、領域取得機能１５２は、第１の医用画像データについて、注目構造の正確な輪郭情報をデータベース２から取得する。例えば、領域取得機能１５２は、第１の医用画像データに含まれる冠動脈の正確な輪郭情報を取得する。そして、領域取得機能１５２は、取得した注目領域の輪郭情報を記憶回路１４に格納する。ここで、領域取得機能１５２は、種々の手法により注目構造の輪郭情報を取得することができる。例えば、領域取得機能１５２は、入力インターフェース１２を介してＣＴ画像上に指定された領域を注目構造として取得することができる。すなわち、領域取得機能１５２は、ユーザが手動で指定した領域を注目構造の輪郭情報として取得する。

図４は、第１の実施形態に係る注目領域の輪郭情報の一例を示す図である。ここで、図４においては、３次元のＣＴ画像に基づく断面画像を示す。例えば、領域取得機能１５２は、図４に示すように、ＣＴ画像における領域Ｒ１を冠動脈の輪郭情報として取得する。なお、この注目領域を表すデータ（輪郭情報）は、当該領域に含まれる全画素に関する情報（座標値などの当該領域の場所が指定できるデータ表現）であってもよく、当該領域の輪郭に相当する画素のみに関するデータ表現であってもよい。ここで、領域の場所が指定できるデータ表現とは、例えば、全画素数がＮｘ×Ｎｙの画像において、注目領域に相当する座標（ｘ、ｙ）の画素の画素値を１として、それ以外の領域の画素値を０とするような表現を用いればよい。

（第１の背景領域の抽出処理）
図２のステップＳ１０３で説明したように、抽出機能１５３は、第１の医用画像データにおいて、注目領域に基づく所定の条件に基づいて、第１の背景領域を抽出する。具体的には、抽出機能１５３は、第１の医用画像データにおける注目領域の正解の輪郭情報から、注目領域に基づく所定の条件を満たす領域（第１の背景領域）を取得し、記憶回路１４に格納する。より具体的には、抽出機能１５３は、注目領域以外の領域であり、かつ、注目領域の画素に基づいて導出される領域を示す画素の情報を第１の背景領域として抽出する。例えば、抽出機能１５３は、注目領域以外の領域であり、かつ、注目領域の画素に基づく画像処理により導出される領域を示す画素の情報を第１の背景領域として抽出する。一例を挙げると、抽出機能１５３は、注目領域を表す図形画素に対する図形整形処理（例えば、ｂｌａｃｋ ｔｏｐ ｈａｔ変換などの画像処理）を行った結果に基づいて、第１の医用画像データ全体の画素の集合から注目領域周辺にある画素を抽出する。

ここで、第１の背景領域を抽出する目的は、背景の中でもより正確性を重視したい領域を予め特定し、学習済みモデル取得時に当該領域の情報を利用することで、注目領域の抽出精度を高めるためである。第１の背景領域を特定した上で学習を行うことで、学習済みモデルを用いた注目領域の抽出を行う際に、当該領域における拾い過ぎなどの誤りに対して、その他の背景領域に対する誤りよりも高いペナルティを与えるような抽出処理が可能になる効果が期待できる。それに加えて、第１の背景領域自体の抽出も行えるように機械学習が実施できるため、当該領域の抽出結果に基づいて、後段のさらなる画像処理、及び、画像解析での活用も可能になる。より具体的には、注目領域の芯線の抽出を実施する場合に、第１の背景領域の抽出結果を利用することなどが考えられる。

図５は、第１の実施形態に係る第１の背景領域の抽出処理の一例を示す図である。ここで、図５においては、図４に示す冠動脈の輪郭情報（領域Ｒ１）を注目領域とした場合の第１の背景領域の抽出処理を示す。例えば、抽出機能１５３は、まず、領域Ｒ１に対してクロージング処理を施すことで、図５の左図に示す領域Ｒ２を抽出する。そして、抽出機能１５３は、図５の左図に示す領域Ｒ２から図５の中央の図に示す領域Ｒ１を差分することで、第１の背景領域である領域Ｒ３（図５の右図）を抽出する。すなわち、抽出機能１５３は、冠動脈の分岐部周辺に存在する背景領域を第１の背景領域として抽出する。

このように、抽出機能１５３は、注目領域の正確な輪郭情報をもとに、その周囲の背景領域を抽出する。この処理により、抽出機能１５３は、図５に示す血管の分岐部だけでなく、異なる血管が隣接する場合のそれらの血管の間に存在する背景領域も第１の背景領域として抽出することができる。図６は、第１の実施形態に係る第１の背景領域の抽出処理の一例を示す図である。例えば、抽出機能１５３は、図６に示すように、隣接する血管それぞれの正確な輪郭情報に基づいて、上記した処理を実行することで、血管の間に存在する領域Ｒ４を第１の背景領域として抽出することができる。

なお、画像処理に関するパラメータ（例えば、クロージングの半径などの情報）は、予め決定された値を用いてもよく、或いは、入力インターフェース１２を介してユーザによって与えられた値を用いてもよい。

（第２の背景領域の抽出処理）
抽出機能１５３は、上述したように第１の背景領域の輪郭情報を取得すると、注目領域以外の領域であり、かつ、第１の背景領域以外の領域である第２の背景領域を抽出する。例えば、抽出機能１５３は、図５の左図に示すＣＴ画像において領域Ｒ２以外の領域を第２の背景領域として抽出する。

（学習済みモデルの取得処理）
図２のステップＳ１０４で説明したように、学習済みモデル取得機能１５４は、注目領域と、第１の背景領域と、第２の背景領域とを用いて機械学習を実行することで、学習済みモデルを取得する。図７は、第１の実施形態に係る学習済みモデルの取得処理の一例を説明するための図である。例えば、学習済みモデル取得機能１５４は、図７に示すように、第１の医用画像データの画素値と、注目領域の画素情報と、第１の背景領域の画素情報と、第２の背景領域の画素情報との関係を機械学習することで、医用画像データの画素値に基づいて領域を出力する学習済みモデルを取得する。

学習済みモデル取得機能１５４は、取得した学習済みモデルを記憶回路１４に格納する。また、学習済みモデル取得機能１５４は、取得した学習済みモデルをデータベース２に保存することもできる。

ここで、上記した機械学習は、Ｕ－ｎｅｔなどの深層学習に基づいた手法を用いればよく、ブースティングなどその他の既知の機械学習手法を用いても構わない。また、非特許文献「Ｋｉｍ Ｈ．，ｅｔ．ａｌ．“Ａｂｄｏｍｉｎａｌ ｍｕｌｔｉ－ｏｒｇａｎ ａｕｔｏ－ｓｅｇｍｅｎｔａｔｉｏｎ ｕｓｉｎｇ ３Ｄ－ｐａｔｃｈ－ｂａｓｅｄ ｄｅｅｐ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ．”Ｓｃｉ Ｒｅｐ １０，６２０４（２０２０）．」に記載された複数のクラス（肝臓、胃、十二指腸、右腎臓、左腎臓、背景）を同時に抽出するＵ－ｎｅｔに基づいた領域抽出手法を用いることで、複数の領域を同時に抽出する学習済みモデルを取得する場合でもよい。例えば、冠動脈と、第１の背景領域と、第２の背景領域とで複数のクラスを定義することで、それらの領域を抽出するための学習済みモデルを取得することができる。なお、複数のクラスは、上記以外にも石灰化領域、ソフトプラーク領域などのクラスを含めるように定義してもよい。

以上、学習済みモデルの取得処理について説明した。次に、学習済みモデルを用いた注目領域の輪郭情報の取得処理について説明する。

図８は、第１の実施形態に係る医用画像処理装置１による学習済みモデルを用いた注目領域の輪郭情報の取得処理の処理手順を示すフローチャートである。例えば、図８に示すように、本実施形態では、画像取得機能１５１が、データベース２から被検体の第２の医用画像データを取得する（ステップＳ２０１）。例えば、画像取得機能１５１は、入力インターフェース１２を介してユーザが指定した医用画像データの取得操作に応じて、心臓の冠動脈を含む第２の医用画像データを取得する。この処理は、例えば、処理回路１５が、画像取得機能１５１に対応するプログラムを記憶回路１４から呼び出して実行することにより実現される。

続いて、輪郭情報抽出機能１５５が、記憶回路１４、或いは、データベース２から学習済みモデルを読み出し、読み出した学習済みモデルを用いて、注目領域の輪郭情報を取得する（ステップＳ２０２）。具体的には、輪郭情報抽出機能１５５は、画像取得機能１５１によって取得された第２の医用画像データの画素値を、学習済みモデル取得機能１５４によって取得された学習済みモデルに入力することで、注目領域の輪郭情報を出力させる。この処理は、例えば、処理回路１５が、輪郭情報抽出機能１５５に対応するプログラムを記憶回路１４から呼び出して実行することにより実現される。

そして、芯線情報抽出機能１５６が、輪郭情報抽出機能１５５によって抽出された注目領域の輪郭情報に基づいて、注目領域の芯線情報を抽出する（ステップＳ２０３）。この処理は、例えば、処理回路１５が、芯線情報抽出機能１５６に対応するプログラムを記憶回路１４から呼び出して実行することにより実現される。なお、注目領域などの抽出のみが目的の場合には、ステップＳ２０３の処理は必ずしも必要ではなく、抽出した注目領域、及び又は、第１の背景領域の輪郭情報を保存するだけの構成であってもよい。

続いて、表示制御機能１５７が、第２の医用画像データ、輪郭情報抽出機能１５５による抽出結果、及び、芯線情報抽出機能１５６による抽出結果などの情報をディスプレイ１３に表示させる（ステップＳ２０４）。この処理は、例えば、処理回路１５が、表示制御機能１５７に対応するプログラムを記憶回路１４から呼び出して実行することにより実現される。なお、注目領域の解析や計測を目的とする場合には、ステップＳ２０４の処理は必ずしも必要でなく、推定した注目領域、及び又は、第１の背景領域の輪郭情報を保存するだけの構成であってもよい。

以下、医用画像処理装置１によって実行される学習済みモデルを用いた注目領域の輪郭情報の取得処理の詳細について、説明する。

（第２の医用画像データの取得処理）
図８のステップＳ２０１で説明したように、画像取得機能１５１は、入力インターフェース１２を介した第２の医用画像データの取得操作に応じて、注目領域の位置が未知の第２の医用画像データを取得する。例えば、画像取得機能１５１は、冠動脈を撮像したＣＴ画像をデータベース２から取得する。そして、画像取得機能１５１は、取得したＣＴ画像を記憶回路１４に格納する。ここで、表示制御機能１５７は、取得された第２の医用画像データ（例えば、ＣＴ画像）をディスプレイ１３の画像表示領域内に表示させてもよい。

（学習済みモデルを用いた注目領域の輪郭情報の抽出処理）
図８のステップＳ２０２で説明したように、輪郭情報抽出機能１５５は、学習済みモデルを用いて、第２の医用画像データにおける注目領域の輪郭情報を抽出する。ここで、記憶回路１４、及び、データベース２に、所望の学習済みモデルが存在しない場合、医用画像処理装置１は、図２に示す処理を実行することで、所望の学習済みモデルを取得する。

図９は、第１の実施形態に係る学習済みモデルを用いた注目領域の輪郭情報の抽出処理の一例を説明するための図である。例えば、輪郭情報抽出機能１５５は、医用画像データの画素値を入力することで注目領域の画素情報を出力する学習済みモデルを記憶回路１４、或いは、データベース２から読み出す。そして、輪郭情報抽出機能１５５は、図９に示すように、読み出した学習済みモデルに対して第２の医用画像データの画素値を入力することで、注目領域の画素情報を出力させる。これにより、輪郭情報抽出機能１５５は、第２の医用画像データにおける注目領域の画素情報（例えば、冠動脈の輪郭情報）を抽出する。

なお、輪郭情報抽出機能１５５は、冠動脈と、第１の背景領域と、第２の背景領域とを同時に抽出するための学習済みモデルを用いることで、第２の医用画像データにおけるそれらの領域を同時に抽出することもできる。また、輪郭情報抽出機能１５５は、冠動脈などの注目領域以外に石灰化領域やソフトプラーク領域などが独立のクラスとして学習対象となって取得された学習済みモデルを用いることで、それらの領域も同時に抽出することができる。

（注目領域の芯線情報の抽出処理）
図８のステップＳ２０３で説明したように、芯線情報抽出機能１５６は、輪郭情報抽出機能１５５によって抽出された第２の医用画像データにおける注目領域の芯線情報を抽出する。具体的には、芯線情報抽出機能１５６は、ステップＳ２０１で取得された第２の医用画像データと、ステップＳ２０２で抽出された注目領域の抽出結果とに基づいて、注目領域の芯線情報を抽出する。また、芯線情報抽出機能１５６は、第２の医用画像データ及び注目領域の抽出結果に加えて、さらに第１の背景領域の抽出結果を用いて注目領域の芯線情報を抽出することもできる。そして、芯線情報抽出機能１５６は、注目領域の芯線情報の抽出結果を記憶回路１４に格納する。

例えば、芯線情報抽出機能１５６は、抽出された注目領域の輪郭情報（図形画素）に対する既知の細線化処理を用いて、注目領域の芯線情報を抽出することができる。また、芯線情報抽出機能１５６は、細線化処理以外の方法で注目領域の芯線情報を抽出することができる。細線化処理以外の方法の一例としては、注目領域の抽出結果や、第１の背景領域の抽出結果の情報に基づいて、既知のダイクストラ法などの方法を用いて、注目領域に含まれる２点間を結ぶ画素の集合（経路）を計算する方法が挙げられる。

以下に、ダイクストラ法などの最適化方法を利用して、注目領域の芯線情報を抽出するための具体的な方法の一例を示す。ダイクストラ法に基づく抽出処理では、まず第２の医用画像データを構成する画素をノードとして、隣接する近傍の画素間をエッジで繋ぐような構造を持つグラフを構成する。続いて、エネルギーの設定では、注目領域の抽出結果の領域の内側に入るほど（輪郭からの距離が内側に遠いほど）ノード間を結ぶエッジに割り当てるエネルギーが低くなるように設定する。そして、所定の２ノード間の最短経路問題を解くことで、注目領域内を通る芯線の経路（画素）を特定できる。すなわち、ある血管の起点となる画素と、当該血管の末梢の芯点に相当する画素を指定することができれば、それらの点を結ぶ経路（注目領域の芯線と期待される経路）を抽出することができる。所定の２ノード（経路の開始点と終点）に相当する点は、ユーザによって入力インターフェース１２を介して与えられる情報を用いても良く、自動抽出した点を用いても良い。自動抽出の方法の一例としては、注目領域の図形画素に対する既知の細線化処理をした結果をサンプリングすることによって得られる点から所定の２ノードを抽出する方法が考えられる。

しかしながら、上記のダイクストラ法に基づく抽出処理を用いて冠動脈の芯線を計算する場合、次のような課題が生じることがある。その課題とは、血管の分岐部や異なる血管が隣接する場所に血管領域（注目領域）の拾い過ぎが生じている場合に、当該血管の芯線の抽出結果が血管外の領域や異なる血管を通る経路として計算されてしまうことがある点である。このような計算結果が得られないようにするためにも、注目領域の抽出においては、なるべく精度の高い抽出結果を得ることが望ましい。本実施形態においては、第１の背景領域を設定して、注目領域の芯線を抽出する場合において重要な領域付近の抽出精度を高めることで、より精度の高い芯線を抽出することができる。

さらに、第１の背景領域自体を抽出した場合には、グラフ構造におけるエッジのエネルギーを計算する際に、当該領域を通る経路（エッジ）について、予めエネルギーを高く設定することもできる。このようなエネルギーの設定を行うことで、当該領域を通る経路が芯線として抽出されにくくなるという効果がある。すなわち、第１の背景領域を設定した上で学習済みモデルを取得し、当該第１の背景領域の抽出結果を利用することには、後段の解析における第１の背景領域の扱いをそれ以外の背景領域と分けられるという効果がある。なお、ステップＳ２０３において、冠動脈などの注目領域以外に石灰化領域やソフトプラーク領域などが抽出・推定されている場合には、これらの領域情報に基づいて、グラフ構造のエッジに対するエネルギーを設定しても良い。例えば、抽出対象の芯線が石灰化領域やソフトプラーク領域を通らないようにするためには、当該領域を通る経路（エッジ）について、エネルギーを高く設定すればよい。

（抽出結果の表示処理）
図８のステップＳ２０４で説明したように、表示制御機能１５７は、第２の医用画像データと、輪郭情報抽出機能１５５により抽出された注目領域の輪郭情報とを、ディスプレイ１３の画像表示領域内に表示させる。ここで、表示制御機能１５７は、抽出された注目領域と第２の医用画像データとを重畳して表示することができる。このような重畳表示を行うことで、第２の医用画像データに対して、抽出された輪郭情報がどの程度合っているのかを容易に視認できる。また、表示制御機能１５７は、芯線情報抽出機能１５６によって抽出された注目領域の芯線情報をディスプレイ１３の画像表示領域内に表示させてもよい。表示制御機能１５７は、芯線情報についても、第２の医用画像データに重畳して表示してもよく、これにより視認性向上も同様に得ることができる。

（変形例１）
上述した実施形態では、ステップＳ１０３において、第１の背景領域を取得する際に、注目領域を表す図形画素に対する図形整形処理を用いる例を示したが、その他の方法によって当該領域を取得してもよい。例えば、抽出機能１５３は、領域取得機能１５２によって取得された注目領域の輪郭に対応する画素から外側に所定のユークリッド距離以内に存在する画素を第１の背景領域として抽出する。

また、例えば、抽出機能１５３は、領域取得機能１５２によって取得された注目領域内の画素から所定のユークリッド距離以内に存在する注目領域以外の画素を第１の背景領域として抽出する。図１０は、変形例１に係る第１の背景領域の抽出処理の一例を示す図である。例えば、抽出機能１５３は、図１０に示すように、領域取得機能１５２によって取得された注目領域（冠動脈）を細線化した結果から求められる冠動脈の分岐点から所定のユークリッド距離以内に存在する注目領域外の画素に対応する領域Ｒ５を、第１の背景領域として抽出する。

上述したように、注目領域の輪郭に対応する画素から外側に所定のユークリッド距離以内に存在する画素、或いは、注目領域内の画素から所定のユークリッド距離以内に存在する注目領域以外の画素を、第１の背景領域とする場合でも、ユーザが注目する解剖構造領域である血管の境界付近に存在する背景画素を重視した学習が可能となるため、注目領域の抽出精度を向上させることができる。

（変形例２）
上述した実施形態では、ユーザが注目する解剖構造領域（注目領域）として冠動脈領域を想定して、第１の背景領域を取得する例を説明した。しかしながら、実施形態はこれに限定されるものではなく、注目領域は複数の領域を併せた領域であってもよい。例えば、冠動脈領域に加えて、石灰化領域、ソフトプラーク領域などを併せた領域を注目領域として、第１の背景領域を取得してもよい。それらの複数の領域を扱う場合には、夫々のクラスの図形画素のＯＲ演算を行ってからステップＳ１０３に記載の方法で第１の背景領域を計算することで、第１の実施形態と同様のことが実現可能であり、注目領域の抽出精度を向上させることができる。

上述したように、第１の実施形態によれば、画像取得機能１５１は、ユーザが注目する解剖構造領域を示す注目領域の抽出対象となる第２の医用画像データを取得する。輪郭情報抽出機能１５５は、第１の医用画像データに含まれる注目領域と、注目領域以外の領域であり、かつ、所定の条件を満たす領域とを用いて学習された学習済みモデルを用いて、第１の医用画像データにおける注目領域を抽出する。したがって、第１の実施形態に係る医用画像処理装置１は、注目領域の境界付近の画素を重視した学習済みモデルを用いた注目領域の抽出を行うことができ、注目領域の抽出精度を向上させることを可能にする。

また、第１の実施形態によれば、画像取得機能１５１は、第１の医用画像データを取得する。領域取得機能１５２は、第１の医用画像データに含まれるユーザが注目する解剖構造領域を示す画素の情報を注目領域として取得する。抽出機能１５３は、第１の医用画像データにおいて、注目領域以外の領域であり、かつ、所定の条件を満たす領域を示す画素の情報を第１の背景領域として抽出する。抽出機能１５３は、第１の医用画像データにおいて、注目領域以外の領域であり、かつ、第１の背景領域以外の領域を示す画素の情報を第２の背景領域として抽出する。学習済みモデル取得機能１５４は、注目領域と、第１の背景領域と、第２の背景領域とに基づいて、機械学習を実行する。したがって、第１の実施形態に係る医用画像処理装置１は、注目領域の境界付近の画素を重視した学習済みモデルを取得することができ、取得した学習済みモデルを用いることで、注目領域の抽出精度を向上させることを可能にする。

また、第１の実施形態によれば、所定の条件を満たす領域は、注目領域の画素に基づいて導出される領域である。したがって、第１の実施形態に係る医用画像処理装置１は、注目領域の画素に基づく領域を抽出することができ、注目領域と間違えやすい背景領域である第１の背景領域を精度よく抽出することを可能にする。

また、第１の実施形態によれば、所定の条件を満たす領域は、注目領域の画素に基づく画像処理により導出される領域である。したがって、第１の実施形態に係る医用画像処理装置１は、注目領域の境界付近の画素を抽出することができ、第１の背景領域をより精度良く抽出することを可能にする。

また、第１の実施形態によれば、画像処理は、クロージング処理である。また、画像処理は、第１の医用画像データに含まれる注目領域の輪郭から所定の距離以内に存在する画素を当該注目領域に含める処理である。また、画像処理は、第１の医用画像データに含まれる注目領域内の画素から所定の距離以内に存在する画素を当該注目領域に含める処理である。したがって、第１の実施形態に係る医用画像処理装置１は、注目領域の境界付近の画素を精度良く抽出することを可能にする。なお、画像処理は、注目領域とその画素値を使用して注目領域を定める処理であればよく、上述した処理に限定されるものではない。例えば、注目領域の輪郭から所定の距離、あるいは注目領域内の画素から所定の距離とするなどの「距離」を用いる方法の代わりに、注目領域の輪郭へ膨張処理（エロージョン）処理を施して注目領域を定めてもよい。またあるいは、距離や膨張処理を用いて定めた仮の注目領域に対して、注目領域の外形が滑らかになるよう補正処理を施すことや、所定の距離を設定する際に、対象の場所の画素値に基づいて所定の距離に重みづけをして注目領域を定める際の距離を算出してもよい。

（その他の実施形態）
上述した実施形態では、注目領域の抽出結果や、芯線情報の抽出結果を医用画像処理装置１のディスプレイ１３に表示させる場合の例を説明したが、実施形態はこれに限定されるものではなく、例えば、これらの情報をネットワーク３に接続された他の装置のディスプレイに表示させる場合でもよい。

また、上述した実施形態では、学習済みモデルの取得処理と、学習済みモデルを用いた注目領域の抽出処理とを、同一の医用画像処理装置１が実行する場合について説明した。しかしながら、実施形態はこれに限定されるものではなく、学習済みモデルの取得処理を実行する第１の医用画像処理装置と、学習済みモデルを用いた注目領域の抽出処理を実行する第２の医用画像処理装置とが、ネットワーク３にそれぞれ接続される場合でもよい。すなわち、学習済みモデルの取得処理のみを実行する医用画像処理装置と、学習済みモデルを用いた注目領域の抽出処理のみを実行する医用画像処理装置とが設けられてもよい。

また、上述した実施形態では、第１の医用画像データにおける第１の背景領域及び第２の背景領域を抽出する処理と、学習済みモデルを取得する処理とを、同一の医用画像処理装置１が実行する場合について説明した。しかしながら、実施形態はこれに限定されるものではなく、第１の医用画像データにおける第１の背景領域及び第２の背景領域を抽出する処理と、学習済みモデルを取得する処理とを異なる医用画像処理装置においてそれぞれ実行される場合でもよい。

なお、上述した実施形態では、本明細書における画像取得部、領域取得部、第１の抽出部、第２の抽出部、学習部、及び、抽出部を、それぞれ、処理回路の画像取得機能、領域取得機能、抽出機能、学習済みモデル取得機能、及び、輪郭情報抽出機能によって実現する場合の例を説明したが、実施形態はこれに限られない。例えば、本明細書における画像取得部、領域取得部、第１の抽出部、第２の抽出部、学習部、及び、抽出部は、実施形態で述べた画像取得機能、領域取得機能、抽出機能、学習済みモデル取得機能、及び、輪郭情報抽出機能によって実現する他にも、ハードウェアのみ、ソフトウェアのみ、又は、ハードウェアとソフトウェアとの混合によって同機能を実現するものであっても構わない。

また、上述した実施形態の説明で用いた「プロセッサ」という文言は、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ(Graphics Processing Unit)、又は、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ））等の回路を意味する。ここで、記憶回路にプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むように構成しても構わない。この場合には、プロセッサは回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。また、本実施形態の各プロセッサは、プロセッサごとに単一の回路として構成される場合に限らず、複数の独立した回路を組み合わせて一つのプロセッサとして構成され、その機能を実現するようにしてもよい。

ここで、プロセッサによって実行される医用画像処理プログラムは、ＲＯＭ（Read Only Memory）や記憶回路等に予め組み込まれて提供される。なお、この医用画像処理プログラムは、これらの装置にインストール可能な形式又は実行可能な形式のファイルでＣＤ（Compact Disk）－ＲＯＭ、ＦＤ（Flexible Disk）、ＣＤ－Ｒ（Recordable）、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な非一過性の記憶媒体に記録されて提供されてもよい。また、この医用画像処理プログラムは、インターネット等のネットワークに接続されたコンピュータ上に格納され、ネットワーク経由でダウンロードされることによって提供又は配布されてもよい。例えば、この医用画像処理プログラムは、上述した各処理機能を含むモジュールで構成される。実際のハードウェアとしては、ＣＰＵが、ＲＯＭ等の記憶媒体から医用画像処理プログラムを読み出して実行することにより、各モジュールが主記憶装置上にロードされて、主記憶装置上に生成される。

また、上述した実施形態及び変形例において、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散又は統合の具体的形態は図示のものに限られず、その全部又は一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的又は物理的に分散又は統合して構成することができる。更に、各装置にて行なわれる各処理機能は、その全部又は任意の一部が、ＣＰＵ及び当該ＣＰＵにて解析実行されるプログラムにて実現され、或いは、ワイヤードロジックによるハードウェアとして実現され得る。

また、上述した実施形態及び変形例において説明した各処理のうち、自動的に行なわれるものとして説明した処理の全部又は一部を手動的に行なうこともでき、或いは、手動的に行なわれるものとして説明した処理の全部又は一部を公知の方法で自動的に行なうこともできる。この他、上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。

以上説明した少なくとも一つの実施形態によれば、注目領域の抽出精度を向上させることができる。

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。

１ 医用画像処理装置
１５ 処理回路
１５１ 画像取得機能
１５２ 領域取得機能
１５３ 抽出機能
１５４ 学習済みモデル取得機能
１５５ 輪郭情報抽出機能
１５６ 芯線情報抽出機能
１５７ 表示制御機能

Claims (11)

1. ユーザが注目する解剖構造領域を示す注目領域の抽出対象となる対象医用画像データを取得する画像取得部と、
   医用画像データに含まれる前記注目領域と、前記注目領域以外の領域であり、かつ、所定の条件を満たす領域とを用いて学習された学習済みモデルを用いて、前記対象医用画像データにおける前記注目領域を抽出する抽出部と、
   を備える、医用画像処理装置。
2. 医用画像データを取得する画像取得部と、
   前記医用画像データに含まれるユーザが注目する解剖構造領域を示す画素の情報を注目領域として取得する領域取得部と、
   前記医用画像データにおいて、前記注目領域以外の領域であり、かつ、所定の条件を満たす領域を示す画素の情報を第１の背景領域として抽出する第１の抽出部と、
   前記医用画像データにおいて、前記注目領域以外の領域であり、かつ、前記第１の背景領域以外の領域を示す画素の情報を第２の背景領域として抽出する第２の抽出部と、
   前記注目領域と、前記第１の背景領域と、前記第２の背景領域とに基づいて、機械学習を実行する学習部と、
   を備える、医用画像処理装置。
3. 前記所定の条件を満たす領域は、前記注目領域の画素に基づいて導出される領域である、請求項１又は２に記載の医用画像処理装置。
4. 前記所定の条件を満たす領域は、前記注目領域の画素に基づく画像処理により導出される領域である、請求項３に記載の医用画像処理装置。
5. 前記画像処理は、クロージング処理である、請求項４に記載の医用画像処理装置。
6. 前記画像処理は、前記医用画像データに含まれる前記注目領域の輪郭から所定の距離以内に存在する画素を当該注目領域に含める処理である、請求項４に記載の医用画像処理装置。
7. 前記画像処理は、前記医用画像データに含まれる前記注目領域内の画素から所定の距離以内に存在する画素を当該注目領域に含める処理である、請求項４に記載の医用画像処理装置。
8. ユーザが注目する解剖構造領域を示す注目領域の抽出対象となる対象医用画像データを取得し、
   医用画像データに含まれる前記注目領域と、前記注目領域以外の領域であり、かつ、所定の条件を満たす領域とを用いて学習された学習済みモデルを用いて、前記対象医用画像データにおける前記注目領域を抽出する、
   ことを含む、医用画像処理方法。
9. 医用画像データを取得し、
   前記医用画像データに含まれるユーザが注目する解剖構造領域を示す画素の情報を注目領域として取得し、
   前記医用画像データにおいて、前記注目領域以外の領域であり、かつ、所定の条件を満たす領域を示す画素の情報を第１の背景領域として抽出し、
   前記医用画像データにおいて、前記注目領域以外の領域であり、かつ、前記第１の背景領域以外の領域を示す画素の情報を第２の背景領域として抽出し、
   前記注目領域と、前記第１の背景領域と、前記第２の背景領域とに基づいて、機械学習を実行する、
   ことを含む、医用画像処理方法。
10. ユーザが注目する解剖構造領域を示す注目領域の抽出対象となる対象医用画像データを取得する画像取得機能と、
    医用画像データに含まれる前記注目領域と、前記注目領域以外の領域であり、かつ、所定の条件を満たす領域とを用いて学習された学習済みモデルを用いて、前記対象医用画像データにおける前記注目領域を抽出する抽出機能と、
    をコンピュータに実行させる、医用画像処理プログラム。
11. 医用画像データを取得する画像取得機能と、
    前記医用画像データに含まれるユーザが注目する解剖構造領域を示す画素の情報を注目領域として取得する領域取得機能と、
    前記医用画像データにおいて、前記注目領域以外の領域であり、かつ、所定の条件を満たす領域を示す画素の情報を第１の背景領域として抽出する第１の抽出機能と、
    前記医用画像データにおいて、前記注目領域以外の領域であり、かつ、前記第１の背景領域以外の領域を示す画素の情報を第２の背景領域として抽出する第２の抽出機能と、
    前記注目領域と、前記第１の背景領域と、前記第２の背景領域とに基づいて、機械学習を実行する学習機能と、
    をコンピュータに実行させる、医用画像処理プログラム。

Images