JP2023169313A - 診断支援システムおよび方法 - Google Patents

Abstract

【課題】推定された画像あるいは推定された画像から得られる情報の有用性を向上できるシステムを提供する。【解決手段】受診者５の疾病に対する診断支援情報１１０を提供するシステム１０は、受診者の、評価対象領域を一部に含む参照領域を少なくとも含むＭＲ画像の実画像データ１５を含む受診者情報１０５を取得する取得ユニット１１と、複数の被験対象の参照領域のＭＲ画像の実画像データ７１と評価対象領域を含むＰＥＴ画像の実画像データ７２とを含む訓練データ７０に基づいて、参照領域のＭＲ画像の実画像データ７１から評価対象領域の疑似ＰＥＴ画像データ７５を生成するように機械学習をさせた画像処理モデル６０により、受診者の個別のＭＲ画像の実画像データ１５から生成された評価対象領域の疑似ＰＥＴ画像データ１１５に基づく診断支援情報１１０を提供する情報提供ユニット１２とを有する。【選択図】図１

Description

本発明は、生体などの複雑系の診断を支援するシステムおよび方法に関するものである。

被験対象（被験者）の形態および機能を診断するための装置として、ＣＴ（Computed Tomography）、ＭＲＩ（Magnetic Resonance Imaging）、ＰＥＴ（Positron Emission Tomography）、ＳＰＥＣＴ（Single Photon Emission Computed Tomography）、ＰＥＴ－ＣＴなどの様々な断層撮影装置（モダリティ）が知られており、認知症、パーキンソン病などの疾病の診断に活用されている。ＰＥＴおよびＳＰＥＣＴは、静脈注射等により、放射性薬剤を被験者の体内に投与し、体内において当該薬剤から放出される放射線を撮像することにより、画像が生成される。薬剤を用いた画像によれば、体内の各部位の形態のみならず、体内に投与された薬剤がどのように分布するか、または当該薬剤と反応する体内の物質の集積の様子などを医師に把握させることができるので、疾病の診断精度の向上に寄与しうる。例えば、通称ピッツバーグ化合物ＢをＰＥＴ用放射性薬剤（トレーサー）として用いてＰＥＴ画像を撮像し、撮像されたＰＥＴ画像を基に脳内のアミロイドβ蛋白の蓄積度合いを測定することにより、アルツハイマー型認知症の鑑別診断又は早期診断に役に立たせうる。

ＰＥＴ画像などの薬剤を用いて撮影される画像には種々のメリットがある一方、いくつかのデメリットもある。たとえば、薬剤を用いた画像の撮像は、一般に、薬剤を用いないＭＲＩ等の撮像と比べて高価であるので、被験者、または被験者の検査費用を負担する健康保険組合などの金銭的負担が重くなるおそれがある。また、放射性の薬剤を用いるＰＥＴ画像などの撮像においては、少量とはいえ放射性物質を体内に摂取しなければならず、被爆のおそれがある。また、腎臓病などの特定の疾病を患っている人は、悪影響を避けるため、薬剤を用いた画像の撮像が行えないこともある。

非特許文献１（以降においては、Ｓｉｋｋａらとして参照する）には、脳の萎縮を測定する磁気共鳴画像法（ＭＲＩ）と代謝低下を定量化するポジトロン放出断層撮影（ＰＥＴ）の組み合わせ分析により、アルツハイマー病の診断精度が向上することが示唆され、このような手法は、各モダリティの対応するスキャンの可用性によって制限されることが指摘されている。そのため、３Ｄ・Ｕ－Ｎｅｔアーキテクチャを使用して、特定のＭＲスキャンからＦＤＧ－ＰＥＴスキャンを推定するためのクロスモーダルアプローチに焦点を当てた研究が開示されている。この文献には、ローカルパッチベースのアプローチの代わりに完全なＭＲ画像を使用すると、ＭＲＩとＰＥＴのモダリティ間の非ローカルおよび非線形相関をキャプチャするのに役立つことが開示されている。なお、ＦＤＧ－ＰＥＴ画像とは、グルコース（ブドウ糖）に目印となる「ポジトロン核種（陽電子放出核種）」を合成した薬剤を投与して撮像されたＰＥＴ画像である。

Ａｐｏｏｒｖａ Ｓｉｋｋａ外２名、２０１８年７月３０日、" ＭＲＩからＦＤＧ－ＰＥＴへ：多モードアルツハイマー分類のための３Ｄ Ｕ－Ｎｅｔを用いたクロスモーダル合成（ＭＲＩ ｔｏ ＦＤＧ－ＰＥＴ： Ｃｒｏｓｓ－Ｍｏｄａｌ Ｓｙｎｔｈｅｓｉｓ Ｕｓｉｎｇ ３Ｄ Ｕ－Ｎｅｔ Ｆｏｒ Ｍｕｌｔｉ－Ｍｏｄａｌ Ａｌｚｈｅｉｍｅｒ’ｓ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ）"、［ｏｎｌｉｎｅ］、コーネル大学図書館（Ｃｏｒｎｅｌｌ Ｕｎｉｖｅｒｓｉｔｙ Ｌｉｂｒａｒｙ）［２０１８年８月３１日検索］、インターネット （ＵＲＬ：ｈｔｔｐｓ：／／ａｒｘｉｖ．ｏｒｇ／ａｂｓ／１８０７．１０１１１ｖ１）

ＭＲＩ画像などの薬剤を用いない画像から、ＰＥＴ画像などの薬剤を用いた画像を推定して診断に活用することは受診者などの負担を軽減し、画像に基づく診断精度を向上するために有用である。そのためには、さらに、推定された画像あるいは推定された画像から得られる情報の有用性を向上することが要望されている。

本発明の一態様は、受診対象の、評価対象領域を一部に含む参照領域を少なくとも含む第１のタイプの個別の実画像データを取得する取得ユニットを有するシステム、例えば、診断支援システムである。このシステムは、さらに、複数の被験対象の第１のタイプの参照領域の実画像データと第２のタイプの評価対象領域を含む実画像データとを含む訓練データに基づいて、第１のタイプの参照領域の実画像データから第２のタイプの評価対象領域の疑似画像データを生成するように学習をさせた画像処理モデルにより、受診対象の第１のタイプの個別の実画像データから生成された第２のタイプの評価対象領域の疑似画像データに基づく診断支援情報を提供する情報提供ユニットを有する。

画像処理モデルは、評価対象領域を一部に含む参照領域の第１のタイプの実画像データと、評価領域を含む第２のタイプの実画像データとを含む訓練データ（教師データ、学習データ）に基づいて、参照領域の第１のタイプの実画像データから評価領域の第２のタイプの疑似画像データを生成するように機械学習されたモデルである。評価対象領域を一部に含む参照領域の第１のタイプの実画像データから、同じく、評価対象領域を一部に含む参照領域の第２のタイプの疑似画像データを生成するように機械学習されたモデルに対して、評価対象領域に限定した第２のタイプの疑似画像データを生成するように機械学習された、本発明に係る画像処理モデルは、第１のタイプの実画像データの、参照領域の評価対象領域以外の情報を積極的に利用して、第２のタイプの評価対象領域の疑似画像データを生成するように学習されたモデルである。したがって、この画像処理モデルを使用することにより、受信対象の第１のタイプの個別の実画像データから、より精度の高い第２のタイプの評価対象領域の疑似画像データを生成することができ、その疑似画像データに基づく診断支援情報を提供できる。

このシステムから提供される診断支援情報には、評価対象領域の第２のタイプの疑似画像データが含まれていてもよく、第１のタイプの個別の実画像データが含まれていてもよく、第２のタイプの疑似画像データおよび／または第２のタイプの実画像データを解析した結果が含まれていてもよい。

診断支援システムを含む診断支援ネットワークの一例を示す図。 訓練データの概要を示す図であり、行（ａ）は脳全体のＭＲ画像、行（ｂ）は脳全体のＰＥＴ画像、行（ｃ）は脳の関心領域（評価対象領域）のＭＲ画像、行（ｄ）は脳の関心領域のＰＥＴ画像。 訓練データにより学習したモデルが生成（推定）した画像の一例であり、行（ａ）は脳の関心領域の疑似ＰＥＴ画像、行（ｂ）は脳全体の疑似ＰＥＴ画像。 横軸を実指標値とし、縦軸を疑似指標値としたグラフで、訓練データセットのそれぞれについての実指標値及び疑似指標値の組を１つの点として表示したグラフ。 横軸を実指標値とし、縦軸を疑似指標値としたグラフで、テストデータセットのそれぞれについての実指標値及び疑似指標値の組を１つの点として表示したグラフ。 評価対象領域の疑似ＰＥＴを生成するように学習されたモデルによる疑似ＰＥＴ画像から得られた疑似ＳＵＶＲ（ｐｒｅｄＳＵＶＲ）と、実ＰＥＴ画像から得られたＳＵＶＲ値との相関を示し、（ａ）は全ての被験者、（ｂ）はＡＤと診断された被験者、（ｃ）はＭＣＩと診断された被験者、（ｄ）はＣＮとされた被験者の相関を示す。 脳全体の疑似ＰＥＴを生成するように学習されたモデルによる疑似ＰＥＴ画像から得られた疑似ＳＵＶＲ（ｐｒｅｄＳＵＶＲ）と、実ＰＥＴ画像から得られたＳＵＶＲ値との相関を示し、（ａ）は全ての被験者、（ｂ）はＡＤ、（ｃ）はＭＣＩ、（ｄ）はＣＮの相関を示す。 遺伝子とＳＵＶＲとの相関を示す図。 バイオマーカーを含めて疑似ＰＥＴを生成するように学習されたモデルによる疑似ＰＥＴ画像から得られた疑似ＳＵＶＲ（ｐｒｅｄＳＵＶＲ）と、実ＰＥＴ画像から得られたＳＵＶＲ値との相関を示し、（ａ）は全ての被験者、（ｂ）はＡＤ、（ｃ）はＭＣＩ、（ｄ）はＣＮの相関を示す。 画像処理モデル生成装置の概要を示すブロック図。 画像処理モデルの生成過程の概要を示すフローチャート。 前処理の概要を示すフローチャート。 画像処理モデルの生成処理の概要を示すフローチャート。 学習処理の概要を示すフローチャート。 Ｕ－ＮＥＴの概要を示す図。 評価処理の概要を示すフローチャート。 異なる学習処理の概要を示すフローチャート。 診断支援端末の概要を示すブロック図。 診断支援情報を提供する処理の概要を示すフローチャート。

図１に、診断支援システムを含む診断支援ネットワークの概要を示している。この診断支援ネットワーク１は、１または複数の医療機関２００にそれぞれ設置された端末２１０と、それらの端末２１０とインターネット（クラウド）９を介して通信可能に接続された診断支援システム１００とを含む。医療機関２００は、受診対象（受診者）５の形態および機能などを診断するための画像を取得する断層撮影装置（モダリティ）２２１～２２４を含む。撮影装置の一例は、受診者５のＭＲ画像（ＭＲＩ）１５を取得するＭＲＩ装置２２１であり、他の例は、ＰＥＴ画像を取得するＰＥＴ装置２２２であってもよく、ＳＰＥＣＴ画像を取得するＳＰＥＣＴ装置２２３であってもよく、ＣＴ画像を取得するＣＴ装置２２４であってもよい。各医療機関２００が、これら全ての断層撮影装置２２１～２２４を備えていなくてもよく、診断支援システム１００は、ＭＲＩ装置２２１またはＣＴ装置２２４により取得された画像に基づいて、ＰＥＴ画像またはＳＰＥＣＴ画像を推定して診断支援情報１１０を提供する。

医療機関２００の端末（診断支援端末、医療支援システム）２１０は、医師８または医療関係者に診断支援情報１１０を提供する画像表示装置２５と、処理端末２０とを含む。処理端末２０は、ＣＰＵ２８とメモリ（記憶媒体）２９とを含むコンピュータ資源を備えたコンピュータ端末であり、受診者５の属性情報１４を取得する入力インターフェイス（取得ユニット、取得機能、取得モジュール）２１と、ＭＲＩ装置２２１で撮影されたＭＲ画像１５および受診者５の属性情報１４を含む受診者情報１０５を診断支援システム１００へ送信する送受信インターフェイス（通信機能、通信モジュール）２２と、診断支援システム１００から提供された診断支援情報１１０を、画像表示装置２５などを介して表示（出力）する出力インターフェイス（出力ユニット、出力機能、出力モジュール）２３とを含む。処理端末２０は、ＣＰＵ２８がダウンロードして実行することにより、上記の機能を実行するための命令を含むプログラム（プログラム製品）２９ｐを含み、プログラム２９ｐはメモリ２９に格納されていてもよく、外部の記録媒体により提供されてもよい。

医療機関２００の端末２１０にネットワーク９を介して診断支援情報１１０を提供する診断支援システム１００は、診断支援モジュール（診断支援機能、診断支援ユニット）１０と、モデル提供モジュール（モデル提供機能、モデル提供ユニット）５０とを含む。診断支援システム１００の一例は、ＣＰＵ１０１およびメモリ（記憶媒体、第１記憶部）１０２とを含むコンピュータ資源を備えたサーバーである。診断支援システム１００は、ＣＰＵ１０１がダウンロードして実行することにより、上記のモジュール１０および５０としての機能を実行するための命令を含むプログラム（プログラム製品）１０ｐおよび５０ｐを含み、これらのプログラム１０ｐおよび５０ｐはメモリ１０２に格納されていてもよく、外部の記録媒体により提供されてもよい。

診断支援モジュール１０は、受診対象（受診者）５の、評価対象領域を一部に含む参照領域を少なくとも含む第１のタイプの個別の実画像データ１５を含む受診者情報１０５を取得する取得ユニット（取得モジュール、入力インターフェイス）１１と、学習済みの画像処理モデル６０により受診者情報１０５から得られた診断支援情報１１０を提供する情報提供ユニット（情報提供モジュール、情報提供機能、情報出力インターフェイス）１２とを含む。画像処理モデル６０を提供するモデル提供モジュール５０は、訓練データ（学習データ、教師データ）７０を格納したメモリ（ストレージ、記憶部）１０２にアクセス可能なメモリインターフェイス５１と、訓練データ７０に基づき画像処理モデル６０を学習する学習部（学習ユニット、学習モジュール、学習機能）５３と、学習済みのモデル（画像処理モデル）６０を出力するモデル出力ユニット５２とを含む。

訓練データ７０は、複数の被験対象（被験者）の第１のタイプの参照領域の実画像データ７１と、第２のタイプの評価対象領域を含む実画像データ７２とを含む。これらは３次元の画像データであり、以下においても同様である。学習部５３は、訓練データ７０に基づいて、第１のタイプの参照領域の実画像データ７１から、第２のタイプの評価対象領域の疑似画像データ（推定画像データ）７５を生成するように機械学習をさせた画像処理モデル６０を提供する。診断支援モジュール１０の情報提供ユニット１２は、受診者情報１０５に含まれる受診対象（受診者）５の第１のタイプの個別の実画像データ１５から、画像処理モデル６０により生成された第２のタイプの評価対象領域の疑似画像データ（推定画像データ）１１５に基づく診断支援情報１１０を提供する。

図２に、訓練データ７０に含まれている画像の幾つかの例を示している。最も上の段（行（ａ））の画像は、第１のタイプの参照領域の実画像データ７１の例である。本例の実画像データ７１は、生体内部の形態を中心とした情報を精度よく取得できるＭＲ画像（ＭＲＩ）であり、参照領域として脳全体の領域８１を含む実画像データである。行（ａ）には、３次元の実画像データ７１の３か所における断面図を代表して示している。以下においても同様である。

次の段（行（ｂ））の画像は、第２のタイプの評価対象領域を含む実画像データ７２の例である。薬剤を用いて撮像される本例の第２のタイプの実画像データ７２は、ＰＥＴ画像、さらに詳しくは、脳におけるアミロイドβ蛋白の分布を示すＰＥＴ画像である。たとえば、ピッツバーグ化合物ＢをＰＥＴ用放射性薬剤（トレーサー）として用い、このピッツバーグ化合物Ｂとアミロイドβ蛋白が反応することを利用することで、脳におけるアミロイドβ蛋白の分布を示すＰＥＴ画像７２を取得できる。

したがって、本例の第２のタイプの実画像データ７２は、診断対象の異常に関連する第１の物質の分布を可視化した分布情報を含む実物質画像データの一例である。本例では、診断対象の異常（疾病）は、アルツハイマー型認知症を含み、疾病を示唆する第１の物質は、アミロイドβ蛋白を含む。アルツハイマー型認知症を発症するおそれがあるかどうかを判定するための指標値として、脳の一部の大脳灰白質におけるアミロイドβ蛋白の集積度（ＳＵＶ、Standardized Uptake Value）の合算と、小脳におけるアミロイドβ蛋白の集積度（ＳＵＶ）との比を示すＳＵＶＲ値（ＳＵＶＲ、Standardized Uptake Value Ratio、小脳比ＳＵＶＲ）が知られている。ＳＵＶＲは以下の式（１）で定義できる。

式（１）の分子は、大脳灰白質４部位、すなわち、大脳の皮質領域（前頭前野、前後帯状皮質、頭頂葉、および外側側頭葉）のＳＵＶの合算を示し、分母は、小脳のＳＵＶを示す。

このため、参照領域を脳全体８１としたときの、指標値としてＳＵＶＲを求めるための評価対象領域８２は、前頭前野、前後帯状皮質、頭頂葉、外側側頭葉、および小脳の５つの領域を含む。なお、ＳＵＶは、ＰＥＴ画像７２に含まれる所定の輝度以上の画素（画像要素、ｖｏｘｅｌ）の集積度で求めることができる。例えば、訓練データ７０として用いたＡＤＮＩデータベース（Susan Landau & William Jagust「Florbetapir processing methods」ＡＤＮＩ（Alzheimer’s Disease Neuroimaging Initiative） June, 25, 2015）では、アミロイド陽性・陰性のカットオフ値は１．１１とされており、図２では、アミロイド陽性の部分を、斜線を付して示している。

図２の第３行（行（ｃ））に示す画像は、ＭＲ画像７１に基づき設定された評価対象領域８２を示すマスク画像７３であり、第４行（行（ｄ））に示す画像は、マスク画像７３に基づいて切り出された、ＰＥＴ画像の評価対象領域８２の実画像７４である。すなわち、行（ｄ）に示す画像は、第２のタイプの評価対象領域８２の実画像データ７４であり、情報としては、実画像７２に含まれる。評価対象領域８２の参照領域（脳全体）８１に対する位置関係は、ＦｒｅｅＳｕｒｆｅｒ法（FreeSurfer Method（Gregory Klein, MehulSampat, Davis Staewen, David Scott, Joyce Suhy「Comparison of SUVRMethods and Reference Regions in Amyloid PET」SNMMI 2015 Annual Meeting, June 6-10, 2015, Baltimore, MD, USA））に記載されているＲＯＩ（関心領域、Region Of Interest）テンプレートを用いて設定できるが、この方法に限定されない。

図３に、学習済みの画像処理モデル６０により生成された、第２のタイプの評価対象領域８２の疑似画像データ７５を示している。図３の上段（行（ａ））は、ＭＲ画像（第１のタイプ）の参照領域（脳全体）８１の実画像７１から、画像処理モデル６０により生成された、評価対象領域８２である前頭前野、前後帯状皮質、頭頂葉、外側側頭葉、および小脳を含む疑似画像データ（疑似ＰＥＴ画像、推定ＰＥＴ画像）７５を示す。図３の下段（行（ｂ））は、ＭＲ画像の参照領域（脳全体）８１の実画像７１から、ＰＥＴ画像の参照領域（脳全体）８１の疑似ＰＥＴを生成するように機械学習されたモデルにより生成された、脳全体８１の疑似ＰＥＴ画像７６を、参考に示している。

本例において、学習するモデルである画像処理モデル（画像生成モデル）６０は、モデルアルゴリズム６１と、モデルパラメータセット（パラメータ）６２とを含む。モデル提供モジュール５０の学習部５３は、学習対象のＰＥＴ画像７４と、学習結果である疑似ＰＥＴ画像７５とを損失関数Ｅｉに基づき評価することにより、画像処理モデル６０のパラメータセット（パラメータ）６２を学習する第１のパラメータ学習機能５４を含む。損失関するＥｉの一例は以下の式（２）で表される。

ＭＳＥｉは、画像要素の２乗誤差であり、画素要素間の差異を測る指標、すなわち、第２のタイプの評価対象領域８２の疑似画像データ（疑似ＰＥＴ画像）７５の画素要素の値について、第２のタイプの評価対象領域８２の実画像データ（ＰＥＴ画像）７４の画像要素の値から乖離の度合いを示す乖離度の一例である。評価対象領域８２の実画像データ（ＰＥＴ画像）７４の画像要素の値は、参照領域８１の実画像データ（ＰＥＴ画像）７２に含まれる評価対象領域８２の画素要素の値と同じであり、疑似ＰＥＴ画像７５の画素要素をいずれのＰＥＴ画像７２または７４の画素要素と比較してもよい。最適化のための画素要素間の差異を測る指標（乖離度）としては、ＭＳＥに変えて、あるいはＭＳＥとともに、ＳＳＩＭ（Structural Similarity）、ＰＮＳＲ（ピーク信号対雑音比）などの他の指標を用いてもよい。

実指標値Ｖｉは、診断対象の異常に関連する第１の物質（例えば、アミロイド）の分布を可視化した分布情報を含む実物質画像データである第２のタイプの実画像データ（ＰＥＴ画像データ、実物質画像データ）７２の評価対象領域８２の第１の物質の分布情報（ＳＵＶ）から得られる実指標値であり、例えば、ＳＵＶＲ（実ＳＵＶＲ）である。この実指標値ＳＵＶＲは、評価対象領域８２のＰＥＴ画像７４から取得してもよい。疑似指標値ｐｒｅｄＶｉは、第２のタイプの評価対象領域８２の疑似画像データ（疑似ＰＥＴ画像）７５に含まれている、第１の物質（例えば、アミロイド）の分布に対応する疑似分布情報から得られる疑似指標値、例えば、疑似ＳＵＶＲ（推定ＳＵＶＲ）である。すなわち、疑似指標値は、画像処理モデル６０を用いて、ＭＲ画像７１から推定されたＳＵＶＲ値である。疑似ＰＥＴ画像７５には、評価対象領域８２の疑似分布が画素情報として含まれている。このため、疑似ＰＥＴ画像７５から、疑似ＳＵＶＲは、式（１）を用いて、ＳＵＶＲと同様に求めることができる。

式（２）に示した損失関数Ｅｉは、乖離度（２乗誤差）ＭＳＥｉと、実指標値Ｖｉ（ＳＵＶＲ、実ＳＵＶＲ）と、疑似指標値ｐｒｅｄＶｉ（疑似ＳＵＶＲ）とを含んでおり、これらの指標値を用いて、画像処理モデル６０を評価できる。学習部５３のパラメータ学習機能５４は、損失関数Ｅｉに含まれている、これらの指標値ＭＳＥｉが小さくなるように、または、実指標値Ｖｉと疑似指標値ｐｒｅｄＶｉとの差が小さくなるように、パラメータ６２を設定（補正、変更）し、学習されたパラメータ６２を含む学習済みの画像処理モデル６０をメモリ１０２に出力する。

損失関数Ｅｉに含まれている係数γは、以下の式（３）の条件を満足する係数である。
０≦γ≦１ ・・・（３）
係数γが０であれば、モデル６０の学習時に、実指標値Ｖｉと疑似指標値ｐｒｅｄＶｉとの差が主に評価され、係数γが１であれば、モデル６０の学習時に、乖離度（２乗誤差）ＭＳＥｉが主に評価される。式（３）は、具体的には、（０＜γ＜１）であってもよく、さらに、（０．５＜γ＜１．０）であってもよい。画像処理モデル６０は、第１のタイプの画像から、第２のタイプの画像を生成する画像出力モデルとしての機能を含み、画像要素間の相関を優先して評価してもよい。

図４に、学習済みの画像処理モデル６０に、訓練データ７０に含まれている複数の被験者のデータセットを入力し、得られた疑似ＰＥＴ７５の疑似指標値ｐｒｅｄＶｉ（ｐｒｅｄＳＵＶＲ）を、実指標値Ｖｉ（ＳＵＶＲ）に対して示している。図中に線形近似した直線で示すように、実指標値ＳＵＶＲと疑似指標値ｐｒｅｄＳＵＶＲとには正の相関があり、十分に高い再現性があることが分かる。したがって、学習済みの画像処理モデル６０により、ＭＲ画像７１からＰＥＴ画像７５を推定することが可能であり、学習済みの画像処理モデル６０により、ＭＲ画像７１から、ＳＵＶＲ値を推定できることがわかる。

図５に、学習済みの画像処理モデル６０に、訓練データ７０に含まれていない、複数の被験者のデータセットをテストデータ７９として入力し、得られた疑似ＰＥＴ７５の疑似指標値ｐｒｅｄＶｉ（ｐｒｅｄＳＵＶＲ）を、実指標値Ｖｉ（ＳＵＶＲ）に対して示している。テストデータ７９から画像処理モデル６０により生成された疑似ＰＥＴ７５から認識される疑似指標値ｐｒｅｄＳＵＶＲは、テストデータ７９における実指標値ＳＵＶＲより小さくなる傾向があるが、テストデータ７９に対しても実指標値ＳＵＶＲと疑似指標値ｐｒｅｄＳＵＶＲとには正の相関があることが分かる。したがって、学習済みの画像処理モデル６０により、学習されていない被験者のＭＲ画像７１からＰＥＴ画像７５を精度よく推定することが可能であり、学習済みの画像処理モデル６０により、学習されていない被験者のＭＲ画像７１から、ＳＵＶＲ値を推定できることがわかる。

図６に、ＭＲ画像７１を入力とし、学習時の損失関数に指標値としてＳＵＶＲを用い、評価対象領域８２に限定した疑似ＰＥＴ７５を生成するように学習された画像処理モデル６０により生成された疑似ＰＥＴ７５の疑似ＳＵＶＲと、実ＰＥＴ画像７２（７４）から得られたＳＵＶＲ値との相関を示している。上段のグラフ（ａ）は、ＡＤ（アルツハイマー症 Alzheimer's disease）と診断された被験者、ＭＣＩ（軽度認知障害、Mild Cognitive Impairment）と診断された被験者、それ以外のＣＮ（健常者）とされた被験者のすべてのデータの相関を示している。次のグラフ（ｂ）は、ＡＤの被験者のデータの相関を示し、グラフ（ｃ）は、ＭＣＩの被験者のデータの相関を示し、グラフ（ｄ）はＣＮの被験者のデータの相関を示している。グラフ（ａ）の相関係数ｒ（ａ）は、０．２１５０２、グラフ（ｂ）の相関係数ｒ（ｂ）は、０．６６４８４、グラフ（ｃ）の相関係数ｒ（ｃ）は、０．１０５４７、グラフ（ｄ）の相関係数ｒ（ｄ）は、０．３４４５８であった。

図７に、参考として、Ｓｉｋｋａらが開示している手法、すなわち、Ｓｉｋｋａらの文献内で利用されている、単純な機械学習による画像生成モデルを用いて、脳全体のＭＲ画像から、脳全体のアミロイドＰＥＴ画像を推定し、ＳＵＶＲを推定画像から算出した結果を示している。グラフ（ａ）～（ｄ）は上記と同様である。グラフ（ａ）の相関係数ｒ（ａ）は、０．１２９６４、グラフ（ｂ）の相関係数ｒ（ｂ）は、０．２５６０３、グラフ（ｃ）の相関係数ｒ（ｃ）は、０．０７６９４、グラフ（ｄ）の相関係数ｒ（ｄ）は、０．０１９０５であった。

したがって、本例の学習済みの画像処理モデル６０を用いて疑似ＰＥＴ画像を生成することにより、認知症の指標として重要とされているＳＵＶＲの推定精度を大幅に向上することが可能であることがわかる。この画像処理モデル６０においては、着目部位を限定した結果、脳内の白質で、アミロイド以外に反応している非特異的集積の影響をキャンセルすることが１つの要因と考えられる。さらに、画像処理モデル６０により、脳全体を参照領域８１とするＭＲ画像７１に基づいて、部分的な評価対象領域８２の疑似ＰＥＴ画像７５を生成するため、疑似ＰＥＴ画像７５に対して、参照するＭＲ画像７１の情報量が十分に多い。したがって、評価対象領域８２の疑似ＰＥＴ画像７５を、より多くの情報に基づいて、精度よく生成できる。このため、上記のように学習済みの画像処理モデル６０を用いることにより、受診者５からＰＥＴ画像を取得しなくても、ＭＲ画像（ＭＲＩ）から、高い精度で、疾病の進行を判断する指標値を含む診断支援情報１１０を提供することができる。

次に、学習部５３は、複数の被験者の属性情報９０を含めて画像処理モデル６０のパラメータ６２を学習する第２のパラメータ学習機能５５を含む。すなわち、訓練データ７０は、複数の被験者の第１のタイプおよび第２のタイプの画像情報７１～７４に加えて、複数の被験者のバイオマーカーに関連する情報９１を含む属性情報９０を含み、画像処理モデル６０は、画像情報に加えて属性情報９０を含めて機械学習したモデルとしてモデル提供モジュール５０から提供される。

属性情報９０には、バイオマーカーに関連する情報９１、すなわち、遺伝子情報（ＡｐｏＥ等）９１ａおよび／または血液検査結果９１ｂに加えて、年齢、性別、教育歴、職歴、認知力テストスコア（ＭＭＳＥ、ＣＤＲ、ＡＤＡＳ－Ｃｏｇなど）、問診結果（ＡＤＬ問診等）のいずれかを含んでいてもよい。属性情報９０を含めて機械学習した画像処理モデル６０を用いることにより、より精度の高い疑似ＰＥＴ画像７５および疑似ＳＵＶＲが得られることが予想され、特に、遺伝子情報９１ａおよび血液検査結果９１ｂは画像処理モデル６０の性能を向上するために有用である。

遺伝子情報９１ａにおいては、アミロイドβの集積はＡｐｏＥ遺伝子の型によって、その蓄積量や発現時期について相関が高いと考えられる。たとえば、図８に、上述したＡＤＮＩデータベース内のデータに基づいて、ＡｐｏＥ遺伝子型と、ＡＶ４５アミロイドＰＥＴイメージングによるＳＵＶＲ値の分布との関係を示している。本図から分かるように、遺伝子型は、アミロイド陽性／陰性を判断するのに非常に有効な情報であると考えられる。ただし、発現時期には個体差があり、画像や血液と異なり、現在時点の評価を行うことには適していない可能性がある。

血液検査結果９１ｂにおいても、近年、アミロイド陽性／陰性の判断に有効である可能性が指摘されている。例えば、磁気ビーズを使用して吸着されなかった化合物を破棄した上で、残った血液に対するＭＡＬＤＩ（Matrix Assisted Laser Desorption/Ionization、マトリックス支援レーザー脱離イオン化法）で飛沫の飛散時間（ＴＯＦ：Time of Flight）を測量する方法によってアミロイドβ関連ペプチドのみを取り出す方法が提案され、高精度に脳内アミロイドβ蓄積量を推定する方法が提唱されている（「High performance plasma amyloid-β biomarkers for Alzheimer's disease」 Nakamura et al. Nature. 2018 Feb 8）。上記参考文献によれば、血液に対してＩＰ－ＭＳ（免疫沈降法による質量分析）で計測した（１）ＡＰＰ６９９－７１１、（２）Ａβ１－４０、（３）Ａβ１－４２の各量から「１と２の比」と「２と３の比」を数学的に組み合わせたＣｏｍｐｏｓｉｔｅバイオマーカーを用いることにより、アミロイド陽性／陰性を高精度で判別することが可能であることが報告されている。なお、血液検査結果９１ｂは現時点の評価を行うことができるが、画像と異なり部位毎のアミロイド集積の多寡を比較するのに適していない可能性がある。

図９に、ＭＲ画像７１と遺伝子情報（ＡｐｏＥ遺伝子情報）９１ａを入力とし、学習時の損失関数に指標値としてＳＵＶＲを用い、評価対象領域８２に限定した疑似ＰＥＴ７５を生成するように学習された画像処理モデル６０により生成された疑似ＰＥＴ７５の疑似ＳＵＶＲと、実ＰＥＴ画像７２（７４）から得られたＳＵＶＲ値との相関を示している。グラフ（ａ）～（ｄ）は上記の図６と同様である。グラフ（ａ）の相関係数ｒ（ａ）は、０．２７９９５、グラフ（ｂ）の相関係数ｒ（ｂ）は、０．５０１７３、グラフ（ｃ）の相関係数ｒ（ｃ）は、０．２１４６２、グラフ（ｄ）の相関係数ｒ（ｄ）は、０．０６５６３であった。図６と比較すると、被験者全体についてのＳＵＶＲ値の相関が向上し、特に、ＭＣＩの被験者については遺伝子情報を含めて学習した効果が見られる。したがって、遺伝子などのバイオマーカー９１を含む属性情報９０を含めて学習したモデル６０を使用することにより、より高い精度で疾病の進行度などを判断する指標値（ＳＵＶＲ値）を推定できることがわかる。特に、疾病の進行度に対するケア―が必要とされる、ＭＣＩと判断される受診者５において、指標値の推定精度が向上することは、診断支援情報１１０を提供する上で有用である。なお、上記においては、小脳を基準としたＳＵＶＲ値を用いているが、アミロイド以外に反応している非特異的集積の影響を排除できれば、他の評価対象領域８２に限定したＰＥＴ画像を学習し、他の評価領域を基準とする指標値を用いて学習精度を上げることも可能である。

このように、モデル提供モジュール５０から提供される学習済みの画像処理モデル６０は、ＭＲ画像７１などの薬剤を用いず（形態をより明確にするために造影剤などが用いられることはあるが）、生体内部の形態の関する情報を主に取得できる画像データに基づいて、疾病の要因あるいは進行を示すアミロイドなどの分布に関する情報を含むＰＥＴ画像７５を精度よく推定できる。したがって、診断支援モジュール１０の情報提供ユニット１２は、画像処理モデル６０を用い、取得ユニット１１を介して受診者５から取得された受診者情報１０５に含まれるＭＲ画像（ＭＲＩ、個別の実画像データ、実ＭＲ画像）１５に基づいて、評価対象領域８２に限定された疑似ＰＥＴ画像（対象領域の疑似画像データ）１１５を生成（推定）し、その疑似ＰＥＴ画像１１５および／または疑似ＰＥＴ画像１１５から得られる評価対象領域８２のＳＵＶＲ値（疑似指標値）１１６を含む診断支援情報１１０を提供できる。

上記において開示した脳の一部を評価対象領域８２とした例では、評価対象領域８２として、脳の複数の部位、具体的には、図２などに示すように、前頭前野、前後帯状皮質、頭頂葉、外側側頭葉、および小脳の５つの領域（部位）を含み、実指標値であるＳＵＶＲ値は、これら複数の部位のそれぞれの分布情報から、式（１）に示すように、求められる。情報提供ユニット１２において、受診者５のＭＲ画像１５に基づき、画像処理モデル６０により生成された疑似ＰＥＴ画像１１５は、これら５つの領域を評価対象領域８２として含む。したがって、情報提供ユニット１２は、疑似ＰＥＴ画像１１５の評価対象領域８２に含まれる５つの領域の分布情報から疑似ＳＵＶＲ１１６を求めて診断支援情報１１０として提供できる。

診断支援モジュール１０の取得ユニット１１は、バイオマーカーに関連する情報を含む属性情報１４を含む受診者情報１０５を取得するように構成されていてもよく、情報提供ユニット１２は、受診者５の個別の画像データ（ＭＲイメージ）１５および属性情報１４に基づき、属性情報９０を含めて学習された画像処理モデル６０により評価対象領域８２の疑似画像データ（疑似ＰＥＴ）１１５を推定し、それらに基づく診断支援情報１１０を提供してもよい。受診者情報１０５に含まれる属性情報１４は、上述した属性情報９０に含まれる情報が全て含まれていてもよく、一部のみが含まれていてもよい。例えば、属性情報１４に遺伝情報９１ａおよび／または血液検査結果９１ｂというバイオマーカーに関する情報９１が含まれてもよい。

さらに、画像処理モデル６０は、ＭＲ画像７１から、診断対象の異常の診断結果、すなわち、疾病の診断結果を導出するように学習されていてもよく、情報提供ユニット１２は、推定された診断結果（疑似診断結果）１１７を含む診断支援情報１１０を提供してもよい。この場合、訓練データ７０は、複数の被験者の画像データ７１～７４に加え、被験者の診断対象の異常、例えば認知症の診断結果９４を含み、学習部５３は、形態を示すＭＲ画像データ７１から、疑似ＰＥＴ画像データ７５に加えて診断結果（病状）９５を推定するように学習された画像処理モデル６０を提供する。情報提供ユニット１２は、学習済みの画像処理モデル６０により、受診者情報１０５に含まれる情報から導出された受診者５の診断対象の異常を含む疑似診断結果１１７を含む診断支援情報１１０を提供する。

なお、診断支援モジュール１０の情報提供機能１２は、医療機関２００の端末２０に含まれていてもよく、学習済みの画像処理モデル６０を予め実装しておくことにより、診断支援情報１１０をスタンドアロンの状態で提供することも可能である。また、上記では、画像処理モデル６０を学習済みとして説明しているが、随時、新しい症例に基づいて、画像処理モデル６０は自己学習してもよく、モデル提供モジュール５０によりアップデートされた画像処理モデル６０が自動的に提供されるようにしてもよい。

画像処理モデル６０は、異なる画像種別（モダリティ）を含む訓練データ（学習データ、教師データ）７０に基づいて、上記と同様の学習を行うことで、アミロイドβの分布を示すアミロイドＰＥＴ画像以外の他のモダリティの画像を同様に高精度で推定することが可能である。例えば、タウタンパク質（タウ）の蓄積は認知症の神経細胞死に直結するものと考えられており、近年、タウタンパクの蓄積を可視化するためのＰＢＢ３などの薬剤を用いたＰＥＴ画像（タウＰＥＴ）が取得できるようになっている。また、現在、タウタンパクの分布の評価には、上記と同様に小脳基準のＳＵＶＲ値が多く用いられているが、他の評価対象領域８２に着目される可能性もある。また、ＦＤＧ（糖代謝）ＰＥＴ画像の推定について、同様に、訓練データ７０にＦＤＧ－ＰＥＴ画像を含めて学習した画像処理モデル６０により対応することができる。また、ＭＲ画像データに代わり、ＣＴ画像データを、形態情報を主に含む第１のタイプの画像データ７１として用いて画像処理モデル６０を学習させてもよい。 画像処理モデル６０が対応可能な他のモダリティの１つは、ＳＰＥＣＴ画像である。ＳＰＥＣＴ画像の一例としては、123I-イオフルパン（123I-Ioflupane）という放射性医薬品を投与したＳＰＥＣＴ検査でＤａｔＳＣＡＮ（Dopamine transporter SCAN）と呼ばれるドーパミントランスポーター（ＤＡＴ）の分布を可視化する撮像方法がある。この撮像は目的としては、パーキンソン病（以下ＰＤ）のパーキンソン症候群（ＰＳ）の早期診断、レビー小体型認知症（ＤＬＢ、Dementia with Lewy Bodies）の診断補助、線条体のドパミン神経脱落が有る場合のレボドバと呼ばれる種類の投薬治療判断などを挙げることができる。ＤａｔＳＣＡＮの撮影は、脳に検査薬が届くまで３－６時間の待ち時間がかかり、副作用は多くはないが侵襲性があること、保険適用でも比較的高価であり、受診要否をＭＲＩ撮像から簡易に推定することは、患者の負担を少なくする目的で有益である。

ＤａｔＳＣＡＮの評価（指標値）はＢＲ（Binding Ratio、またはＳＢＲ Specific Binding Ratio）が用いられ、以下の式（４）で表される。

式（４）のＣはそれぞれの着目領域内のＤＡＴの平均値であり、Ｃspecificは、脳内の被殻と尾状核との平均値を示し、Ｃnonspecificは、脳内の後頭皮質の平均値を示す。したがって、モデル提供モジュール５０においては、複数の被験者の第１のタイプの参照領域８１の実画像データ７１として脳全体のＭＲイメージ、第２のタイプの評価対象領域８２を含む実画像データ７２（７４）として脳内の被殻、尾状核、および後頭皮質を含むＳＰＥＣＴ画像を含む訓練データ７０に基づいて、ＭＲ画像７１から評価対象領域８２である被殻、尾状核、および後頭皮質を含む疑似ＳＰＥＣＴ画像７５を生成するように画像処理モデル６０を機械学習させることができる。

診断支援モジュール１０においては、学習済みの画像処理モデル６０により、受診対象の第１のタイプの個別の実画像データである受診者５のＭＲ画像またはＣＴ画像１５から生成された第２のタイプの評価対象領域８２の疑似画像データである疑似ＳＰＥＣＴ画像１１５を生成し、それに基づく疑似指標値として疑似ＢＲ値（疑似ＳＢＲ値）を含む診断支援情報１１０を提供できる。画像処理モデル６０の学習時における損失関数（損失）Ｅｉでは、画素間の差分と、指標値であるＢＲとを用い、それらを算出するために用いる領域を被殻、尾状核および後頭皮質に絞ることで、パラメータ６２を最適化できる。

さらに、各装置について説明する。図１０にモデル提供モジュール（画像出力モデル生成装置）５０を示している。生成装置５０は、第１制御部１０１と、第１記憶部１０２と、第１通信部（通信インターフェイス）５２とを備える。第１制御部１０１は、第１記憶部１０２および第１通信部５２と信号を送受信することにより、データの授受が可能なように構成されている。第１通信部５２は、有線通信又は無線通信によりネットワークを介して、診断支援システム１００あるいはインターネット９を介して病院の端末２１０などの外部の機器のそれぞれと通信可能に構成されている。第１制御部１０１は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）のような演算処理装置、キャッシュメモリ及びＩ／Ｏデバイスなどにより構成される。第１制御部１０１は、第１記憶部１０２に記憶された画像出力モデル生成プログラムＭＧＰ（５０ｐ）を読み出して実行することにより、前処理部５３ａ及びモデル生成部５３ｂを含む学習部５３として機能する。

第１記憶部１０２は、例えば、メモリ等の主記憶装置及びＨＤＤ等の補助記憶装置により構成されうる。第１記憶部１０２は、画像出力モデル生成プログラム１０ｐと、訓練データセットＧＤＳ（７０）と、テストデータセットＴＤＳ（７９）と、モデルアルゴリズムＭＡ（６１）と、モデルパラメータセットＭＰ（６２）とを記憶するように構成されている。

訓練データセットＧＤＳ（７０）は、Ｎ個（Ｎは２以上の自然数）の互いに異なる被験者データＳＤｉ（ｉは、データにかかる被験者を識別する番号で１＜＝ｉ＜＝Ｎ）を記憶している。以下、適宜被験者データＳＤｉのデータにかかる被験者を「被験者ｉ」と表す。Ｎは例えば３００である。

訓練データセットＧＤＳ（７０）の被験者データＳＤｉは、形態全体画像データＫＤｉ（７１）と、実物質全体画像データＢＤｉ（７２）と、形態部分画像データＫＰＤｉ（７３）と、実物質部分画像データＢＰＤｉ（７４）と、実指標値Ｖｉ（ＳＵＶＲ）とを含む。訓練データセット７０は、形態部分画像データ７３および実物質部分画像データ７４を抽出するためのテンプレート（マスク）である部位位置データＰＤｉを含んでいてもよい。被験者データＳＤｉのうち、部位位置データＰＤｉと、形態部分画像データＫＰＤｉと、実物質部分画像データＢＰＤｉと、実指標値Ｖｉは、第１制御部１０１が画像出力モデル生成プログラムＭＧＰの実行中に認識する値であってもよく、画像出力モデル生成プログラムＭＧＰの実行前には記憶されていなくてもよい。

形態全体画像データＫＤｉ（７１）の一例は、図２に示すように、被験者ｉの体内の一または複数の部位、具体的には脳内の形態をＣＴまたはＭＲＩ等の所定の方式で撮像したデータである。形態全体画像データＫＤｉは、脳のＭＲＩ全体画像である。第１のタイプの前記参照領域の実画像データである形態全体画像データＫＤｉ（７１）は、所定サイズ（例えば、６４×６４×６４）の３Ｄデータである。形態全体画像データＫＤｉは、所定サイズに応じた個数（例えば６４×６４×６４個）の輝度を示す値（輝度値）を示す画像要素（本実施形態ではｖｏｘｅｌ）の組み合わせにより表現されうる。形態全体画像データＫＤｉは、所定サイズに応じた個数（例えば６４×６４×６４個）の色（ＲＧＢ値）を示す画像要素（本実施形態ではｖｏｘｅｌ）の組み合わせにより表現されてもよい。これらの画像要素の位置は、例えば３次元座標により表現されうるので、以下、形態全体画像データＫＤｉの各画像要素をＫＤｉ（ｘ、ｙ、ｚ）と適宜表す。

第２のタイプの評価対象領域を含む実画像データである実物質全体画像データＢＤｉ（７２）は、図２に示されるように、被験者ｉの体内の一又は複数の部位、具体的には脳内における対象物質の分布を、ＰＥＴ等の所定の方式で撮像したデータである。実物質全体画像データＢＤｉは、形態全体画像データＫＤｉと同一のサイズの３Ｄデータである。実物質全体画像データＢＤｉに示される一又は複数の部位のそれぞれの画像上の位置が、形態全体画像データＫＤｉにおける対応する部位の画像上の位置と一致するように、実物質全体画像データＢＤｉ及び形態全体画像データＫＤｉの一方又は両方が整形されてもよい。図２では、形態全体画像データＫＤｉ（７１）の断面図それぞれに対応する箇所における実物質全体画像データＢＤｉ（７２）の断面図を例示している。実物質全体画像データでは、対象物質が存在している画像要素（ｖｏｘｅｌ）の輝度を示す値（輝度値）が所定の値以上となっている。これらの画像要素の位置は、例えば３次元座標により表現されうるので、以下、実物質全体画像データＢＤｉの各画像要素をＢＤｉ（ｘ、ｙ、ｚ）と適宜表す。なお、ＰＥＴ画像により撮像される対象物質は、トレーサーと反応する物質であってもよいし、トレーサーそのものであってもよい。また、アミロイドβ蛋白の分布を示すＰＥＴ画像以外にも、タウ蛋白の分布を示すＰＥＴ画像であってもよい。

部位位置データＰＤｉは、形態全体画像データＫＤｉに示される被験者ｉの一又は複数の部位（評価対象領域、例えば、大脳灰白質及び小脳）８２のそれぞれの画像上の位置を示すデータである。部位位置データＰＤｉは、形態全体画像データＫＤｉを構成する各画像要素ＫＤｉ（ｘ、ｙ、ｚ）が、被験者ｉのどの部位であるかを示すパラメータで表されてもよい。これに加えて又は代えて、１つの部位に関する部位位置データＰＤｉは、例えば、３次元座標における領域を示すパラメータで表されてもよいし、３次元座標の各座標のセットで表されてもよい。

形態部分画像データＫＰＤｉ（７３）は、図２に示されるように、参照領域８１の全体を示す形態全体画像データＫＤｉ（７１）から、所定の部位（評価対象領域）８２の個所を抽出した部分画像データである。図２では、形態全体画像データＫＤｉ（７１）の断面図それぞれに対応する箇所における形態部分画像データＫＰＤｉ（７３）の断面図を例示している。

実物質部分画像データＢＰＤｉ（７４）は、図２に示されるように、実物質全体画像データＢＤｉ（７２）から、形態部分画像データＫＰＤｉ（７３）に対応する箇所を抽出した部分画像データである。図２では、実物質全体画像データＢＤｉの断面図それぞれに対応する箇所における実物質部分画像データＢＰＤｉの断面図を例示している。実物質部分画像データＢＰＤｉ（７４）では、実物質全体画像データＢＤｉと同様に、対象物質が存在している画像要素（ｖｏｘｅｌ）の輝度を示す値（輝度値）が所定の値以上となっている。対象物質が存在している画像要素の色を示す値（ＲＧＢ値）が所定の色（例えば、黄色）を示す色を示す値（ＲＧＢ値）となっていてもよい。これらの画像要素の位置は、例えば３次元座標により表現されうるので、以下、実物質全体画像データＢＤｉと同様に、物質部分画像データＢＰＤｉの各画像要素をＢＰＤｉ（ｘ、ｙ、ｚ）と適宜表す。

実指標値Ｖｉは、被験者ｉがある疾病、例えばアルツハイマー型認知症を発症するおそれがあるかどうかを判定するための指標値である。実指標値Ｖｉは、例えば、実物質部分画像データＢＰＤｉに基づいて認識される、大脳灰白質におけるアミロイドβ蛋白の集積度合いと小脳におけるアミロイドβ蛋白の集積度合いとの比を示すＳＵＶＲ値である。なお、ＳＵＶＲ値は、大脳灰白質におけるタウ蛋白の集積度合いと小脳におけるタウ蛋白の集積度合いとの比を示すものであってもよい。

血液分析値ＢＬｉ（９１ｂ）は、例えば、被験者ｉの血液検査で測られるＨｂａ１ｃ（血糖値）等の値や、被験者ｉの血液をＩＰ－ＭＳ（免疫沈降法による質量分析）によって質量分析した結果に基づいて得られる数値等の値である。血液分析値は、ＢＬｉは、質量分析によって計測された1) APP699-711、2) Aβ1-40、3) Aβ1-42の各量から1) APP699-711と2) Aβ1-40との比、及び2) Aβ1-40と3) Aβ1-422と比を数学的に組み合わせた複合（Composite）バイオマーカーであってもよい。なお、血液分析値ＢＬｉは、例えば一般的な通常検診の血液検査で測られるHbA1c（血糖値）等の値又は質量分析法に基づいて定まる値であってもよい。

遺伝子型ＧＥｉ（９１ａ）は、被験者ｉの対立遺伝子２つ一組で構成される遺伝子型に基づく値である。遺伝子型ＧＥｉは、例えば、ε２、ε３、ε４の３つの対立遺伝子があるAPOE遺伝子の遺伝子型に基づいた値である。具体的には、例えば、ε４を２つ持っている遺伝子型の場合を２、ε４を１つ持っている場合を１、ε４を１つも持たない場合を０とした０～２の離散値である。また、遺伝子型ＧＥｉは、例えばAPOE遺伝子ε４を１つ以上持っている場合を陽性（=APOE4+=1）、それ以外を陰性（=APOE4-=0）とした０、１の離散値であり得る。

テストデータセットＴＤＳ（７９）は、訓練データセットＧＤＳ（７０）と同様に、Ｍ個（Ｍは１以上の自然数）の互いに異なる被験者データＳＤｊ（ｊは、データにかかる被験者を識別する番号で１＜＝ｊ＜＝Ｍ）を記憶している。以下、適宜被験者データＳＤｊのデータにかかる被験者を「被験者ｊ」と表す。また、Ｍは例えば７５である。テストデータセットＴＤＳの被験者データＳＤｊのデータは、訓練データセットＧＤＳの被験者データＳＤｉと同様のデータであるから、説明及び図示を省略するが、以下適宜、例えば、「テストデータセットＴＤＳの形態全体画像データＫＤｊ」というように、テストデータセットＴＤＳの被験者データＳＤｊに含まれる各データの符号にｊをつけて引用する。

モデルアルゴリズムＭＡ（６１）は、画像出力モデルに用いられるアルゴリズムを特定するための情報である。画像出力モデルに用いられるアルゴリズムを特定するための情報は、例えば、ＴｅｎｓｏｒＦｌｏｗなどの機械学習のライブラリに加え、当該ライブラリにより実現される多層畳み込みニューラルネットワークの層の数、入力層、隠れ層及び出力層で用いられる関数並び各層における関数の数などの情報である。モデルパラメータセットＭＰ（６２）は、画像出力モデルに用いられるアルゴリズムの動作を規定するパラメータのセットである。当該パラメータの例は、例えば、各関数への入力値に乗算される係数である。

図１１に、モデル提供モジュール（画像処理モデル生成装置）５０における処理の概要をフローチャートにより示している。ステップ３００において、画像処理モデル６０の学習対象となる訓練データ７０の準備を行う（前処理）。ステップ５００において、画像処理モデル６０を生成して出力する。ステップ５００は、訓練データ７０に基づいて、第１のタイプの参照領域８１の実画像データ（ＭＲ画像の実画像データ）７１から第２のタイプの評価対象領域８２の疑似画像データ（疑似ＰＥＴ画像）７５を生成するための画像処理モデル６０を学習するステップ（学習処理）５１０を含む。

学習処理５１０は、画像処理モデル６０の最適なパラメータ（モデルパラメータ）６２を学習する処理（モデルパラメータ最適化処理）５２０を含む。モデルパラメータ最適化処理５２０は、第２のタイプの実画像データ（ＰＥＴ画像）７２の評価対象領域８２の第１の物質（例えば、アミロイド）の分布情報（ＳＵＶ）から得られる実指標値（ＳＵＶＲ）と、第２のタイプの評価対象領域８２の疑似画像データ（疑似ＰＥＴ画像）７５に含まれている、第１の物質の分布に対応する疑似分布情報（疑似ＳＵＶ）から得られる疑似指標値（疑似ＳＵＶＲ）とを含む損失関数Ｅｉを用いて、実指標値（ＳＵＶＲ）と疑似指標値（疑似ＳＵＶＲ）との差が小さくなるように画像処理モデル６０のパラメータ６２を学習するステップ５２２を含む。このステップ５２２において、損失関数Ｅｉは、第２のタイプの評価対象領域８２の疑似画像データ（疑似ＰＥＴ画像）７５の画素要素の値について第２のタイプの評価対象領域８２の実画像データ（ＰＥＴ画像）７４の画像要素の値から乖離の度合いを示す乖離度（例えば、２乗誤差ＭＳＥ）を含んでもよい。

さらに、学習処理５１０は、訓練データ７０に含まれる複数の被験対象のバイオマーカーに関連する情報９１を含む属性情報９０を用いて、画像処理モデル６０のパラメータ６２を学習するステップ５２４を含んでもよい。バイオマーカー９１は、複数の被験対象のそれぞれの血液を分析して得られる情報９１ｂおよび遺伝子の型に基づく情報９１ａの少なくともいずれかを含んでもよい。さらに、学習処理５１０で最適化されるモデルアルゴリズム６１は、畳み込みニューラルネットワーク構造を含んでもよく、属性情報を用いて最適化するステップ５２４においては、属性情報９０を畳み込みニューラルネットワーク構造の特徴量に含めて画像処理モデル６０のパラメータ６２を学習することを含んでもよい。

ステップ５３０において、学習処理５１０によりパラメータが最適化された画像処理モデル６０がテストデータ７９により評価され、ステップ５４０において、学習済みの画像処理モデル６０が出力され、診断支援モジュール１０において使用可能となる。

図１２に前処理３００に含まれる処理の概要を示している。前処理部５３ａは、訓練データセットＧＤＳ（７０）の被験者データＳＤｉおよびテストデータセットＴＤＳの被験者データＳＤｊのそれぞれごとに、ＳＴＥＰ１０４～ＳＴＥＰ１１８の処理を実行する（ＳＴＥＰ１０２）。以下においては、処理の対象となるデータを被験者データＳＤｋのように符号にｋをつけて表す。また、そのデータにかかる被験者を被験者ｋと表す。

前処理部５３ａは、形態全体画像データＫＤｋ（７１）を解析することにより被験者ｋの体内の各部位の画像上の位置を認識し、部位位置データＰＤｋを生成し、第１記憶部１０２に記憶する（ＳＴＥＰ１０４）。

たとえば、前処理部５３ａは、典型的な人の部位の形状、位置、輝度を示すテンプレート形態全体画像データと、形態全体画像データＫＤｋとを比較することにより、形態全体画像データＫＤｋを構成するそれぞれの画像要素ＫＤｋ（ｘ、ｙ、ｚ）について、被験者ｋのいずれの部位かのラベルを付けることにより、部位位置データＰＤｋを生成する。たとえば、前処理部５３ａは、形態全体画像データＫＤｋを構成するそれぞれの画像要素ＫＤｋ（ｘ、ｙ、ｚ）について、大脳灰白質、小脳、非特異結合が多い白質及び空白領域のいずれかを示すラベルを付けることにより、部位位置データＰＤｋを生成する。

前処理部５３ａは、形態全体画像データＫＤｋと部位位置データＰＤｋとに基づいて、形態部分画像データＫＰＤｋ（７３）を認識し、第１記憶部１０２に記憶する（ＳＴＥＰ１０６）。たとえば、前処理部５３ａは、形態全体画像データＫＤｋ（７１）から、部位位置データＰＤｋに示される非特異結合が多い白質を示すラベルが付いた部位の部分画像データを空白にすることにより、形態部分画像データＫＰＤｋ（７３）を認識する。

前処理部５３ａは、実物質全体画像データＢＤｋ（７２）から形態部分画像データＫＰＤｋ（７３）に示される部位の部分画像データを抽出することにより、実物質部分画像データＢＰＤｋ（７４）を認識し、第１記憶部１０２に記憶する（ＳＴＥＰ１０８）。前処理部５３ａは、部位位置データＰＤｋに基づいて、実物質部分画像データＢＰＤｋ（７４）のうち、所定の第１部位（例えば大脳灰白質）を示す第１実物質部分画像データを認識する（ＳＴＥＰ１１０）。

前処理部５３ａは、第１実物質部分画像データに基づいて、被験者ｋの疾病の診断の基礎応報となる第１実指標値を認識する（ＳＴＥＰ１１２）。たとえば、前処理部５３ａは、第１実物質部分画像データの各画像要素の輝度値が所定の値以上となっている画像要素の数をカウントし、その数を第１実指標値として認識する。前処理部５３ａは、これに代えて又は加えて、第１実物質部分画像データの各画像要素の輝度が所定以上の画像要素の数をカウントして、その数を第１実指標値として認識してもよい。輝度値が所定の値以上の画像要素は、対象物質（例えばアルツハイマー認知症に関連性の高いアミロイドβ蛋白又はタウ蛋白）が被験者ｋの対応する部位に存在していることを示している。このような画像要素の数を示す第１実指標値は、所定の第１部位における対象の物質の集積の度合いを示している。

前処理部５３ａは、部位位置データＰＤｋに基づいて、実物質部分画像データＢＰＤｋ（７４）のうち、所定の第２部位（例えば小脳）を示す第２実物質部分画像データを認識する（ＳＴＥＰ１１４）。前処理部５３ａは、第２実物質部分画像データに基づいて、被験者ｋの疾病の診断の基礎応報となる疾病の指標となる第２実指標値を認識する（ＳＴＥＰ１１６）。たとえば、前処理部５３ａは、第２実物質部分画像データのうち、画像要素の輝度を示す値が所定の輝度を示す値となっている画像要素の数をカウントし、その数を第２実指標値として認識する。前処理部５３ａは、これに代えて又は加えて、第２実物質部分画像データの各画像要素の輝度が所定以上の画像要素の数をカウントして、その数を第２実指標値として認識してもよい。第２実指標値は、第１実指標値と同様に、所定の第２部位における対象の物質の集積の度合いを示している。

前処理部５３ａは、第１実指標値と、第２実指標値とに基づいて、実指標値Ｖｋを認識し、第１記憶部１０２に記憶する（ＳＴＥＰ１１８）。たとえば、前処理部５３ａは、第１実指標値と第２実指標値との比を、実指標値Ｖｋとして認識する。

訓練データセットＧＤＳの被験者データＳＤｉ及びテストデータセットＴＤＳの被験者データＳＤｊのすべてについてＳＴＥＰ１０４～ＳＴＥＰ１１８の処理が実行されると、本処理が終了する。

図１３に、画像処理モデル生成処理５００の概要について示している。モデル生成部５３ｂは、モデルアルゴリズムＭＡ（６１）を設定する（ＳＴＥＰ２０２）。たとえば、モデル生成部５３ｂは、画像処理モデル生成プログラムＭＧＰ（５０ｐ）にしたがって、機械学習に用いられるライブラリを読み込み、モデルアルゴリズム６１として当該ライブラリにより実現される多層畳み込みニューラルネットワークの層の数、入力層、隠れ層及び出力層で用いられる関数並び各層における関数の数などを設定する。

モデル生成部５３ｂは、モデルパラメータセットＭＰ（６２）を初期化する（ＳＴＥＰ２０４）。たとえば、モデル生成部５３ｂは、ランダムな値をそれぞれのパラメータとして設定する。モデル生成部５３ｂは、所定の回数（例えば２万回）だけループしてＳＴＥＰ３００の学習処理５１０を実行するＳＴＥＰ２０６）。モデル生成部５３ｂは、評価処理５３０を実行する（ＳＴＥＰ４００）。モデル生成部５３ｂは、モデルアルゴリズムＭＡ（６１）と、モデルパラメータセットＭＰ（６２）とを第１記憶部１０２に記憶する（ＳＴＥＰ２０８）。以上により、画像出力モデル生成処理が終了する。

図１４に、学習処理５１０の概要を示している。図１４に示した処理は、形状全体画像データＫＤｉ（７１）、血液分析値ＢＬｉ（９１ｂ）、遺伝子型ＧＥｉ（９１ａ）を入力として、実物質全体画像データＢＤｉ（７２）に対応する疑似物質全体画像データｐｒｅｄＢＤｉを出力するように、モデルアルゴリズムＭＡが定義されたモデルの学習処理である。疑似物質全体画像データｐｒｅｄＢＤｉは、脳内の特定の疾患に関連する物質、例えばアミロイドβ蛋白又はタウ蛋白の分布を模した画像データといえる。

モデル生成部５３ｂは、訓練データセット７０の被験者データＳＤｉごとにループして、ＳＴＥＰ３０２～ＳＴＥＰ３２０の処理を実行する（ＳＴＥＰ３０２）。モデル生成部５３ｂは、モデルに形態全体画像データＫＤｉを入力し、出力された疑似物質全体画像データｐｒｅｄＢＤｉを認識する（ＳＴＥＰ３０４）。

図１５に、疑似物質全体画像データｐｒｅｄＢＤｉの認識の具体例について説明する。本実施例においては、疑似物質全体画像データｐｒｅｄＢＤｉの認識において、畳み込みニューラルネットワーク構造の一例であるＵ－ｎｅｔ構造の認識モデルＭＯＤ７００を用いる。Ｕ－Ｎｅｔ構造（もしくはＵ－Ｎｅｔ構造におけるＳｋｉｐＣｏｎｎｅｃｔｉｏｎを廃したＡｕｔｏＥｎｃｏｄｅｒ構造）を有する畳み込みニューラルネットワーク構造は、学習処理５１０においては入力となるＭＲ画像と、そのペアとなる実際に撮影されたＰＥＴ画像とを複数用いて内部パラメータの最適化を行う。このＵ－ｎｅｔ構造のモデル７００は、形状全体画像データＫＤｉ（７１）から疑似物質部分画像データｐｒｅｄＢＰＤｉ（７５）を生成する画像処理モデル６０のモデルアルゴリズム６１として有効である。

Ｕ－ｎｅｔ構造の認識モデル７００による演算においては、形態全体画像データＫＤｉである３次元形態ＭＲ画像データを入力画像データＩＰＩとする。入力画像データＩＰＩは、隠れ層７１０に入力され、隠れ層７１０において特徴層７２０に至るまで各層でプーリングされて畳み込まれる。すなわち、認識モデル７００においては、下向きパスにおいて畳み込み及びプーリングがなされる。認識モデル７００においては、特徴層７２０から隠れ層７１０の結果である出力画像ＯＰＩを得るまで、各層で畳み込みされてアップサンプリングされる。すなわち、認識モデル７００においては、上向きパスにおいて畳み込み及びアップサンプリングがなされ、本例においては、出力画像ＯＰＩとして疑似物質全体画像データｐｒｅｄＢＤｉが復元（推定）されて認識される。なお、入力画像ＩＰＩが入力された隠れ層７１０の特徴層７２０までの下向きパスの各層における出力は、上向きパスの同一の深さの層にも入力される。すなわち、認識モデル７００においては、下向きパスの各層の出力が上向きパスの同一の深さの層への入力にマージされる。

認識モデル７００においては、特徴層７２０からの出力データに、バイオマーカーを含む属性情報９０を足し合わせることが可能である。具体的には、下向きパスにおける特徴層７２０の１つ前の層の出力である画像特徴データ（３次元形式：Ｌ×Ｍ×Ｎ×１）７３１とバイオマーカー情報を含む属性情報９０の内、例えば、血液分析値ＢＬｉ（９１ｂ）、遺伝子型ＧＥｉ（８０ａ）によって決まる値を含むデータ（ｒ個の特徴を持つデータ：Ｌ×Ｍ×ｒ×１）７３２を結合した特徴データ（Ｌ×Ｍ×（Ｎ＋ｒ）×１）７３０が特徴層７２０において入力される。

このように、認識モデル７００においては、特徴層７２０からの出力のデータ７３０に、特定の疾患としてのアルツハイマー型認知症に関連性が高い、具体的には脳内のアミロイドβ蛋白又はタウ蛋白の集積傾向に関連の深いバイオマーカーのデータを結合することによって、認識モデル７００により推定される画像データの再現性を高めることが可能である。

なお、バイオマーカーとして、被験者の学歴等のアルツハイマー型認知症に関連性の高い他のバイオマーカーを用いてもよい。また、上記説明においては、特徴層７２０からの出力データ７３１にバイオマーカーに基づく値であり血液分析値ＢＬｉ及び遺伝子型ＧＥｉによって決まる値を含むバイオマーカーに基づくデータ７３２を結合するとしたが、他の位置、具体的には隠れ層７１０の各層への入力のいずれかにバイオマーカーに基づくデータ７３２を結合してもよい。また、同一のバイオマーカーに基づくデータ７３２を複数回結合しても良い。また、複数のバイオマーカーに基づくデータ７３２を用いる場合、複数のバイオマーカー７３２に基づくデータを各々別の層への入力に結合してもよい。

モデル生成部５３ｂは、疑似物質全体画像データｐｒｅｄＢＤｉから、形態部分画像データＫＢＤｉに対応する部分画像データを抽出することで、疑似物質部分画像データｐｒｅｄＢＤｉを認識する（ＳＴＥＰ３０６）。モデル生成部５３ｂは、疑似物質部分画像データｐｒｅｄＢＤｉの画像要素ｐｒｅｄＢＤｉ（ｘ、ｙ、ｚ）の値それぞれについて、座標（ｘ、ｙ、ｚ）が同一の実物質部分画像データＢＤｉの画像要素ＢＤｉ（ｘ、ｙ、ｚ）の値との２乗誤差を計算し、疑似物質部分画像データｐｒｅｄＢＤｉにおける２乗誤差の平均値ＭＳＥｉを求める（ＳＴＥＰ３０８）。モデル生成部５３ｂは、部位位置データＰＤｉに基づいて、疑似物質部分画像データｐｒｅｄＢＰＤｉ（７５）のうち、所定の第１部位（例えば大脳灰白質）を示す第１疑似物質部分画像データを認識する（ＳＴＥＰ３１０）。

モデル生成部５３ｂは、第１疑似物質部分画像データに基づいて、被験者ｉの疾病の診断の基礎情報となる第１疑似指標値を認識する（ＳＴＥＰ３１２）。たとえば、モデル生成部５３ｂは、第１疑似物質部分画像データの各画像要素の輝度を示す値が所定の輝度を示す値となっている画像要素の数をカウントし、その数を第１疑似指標値として認識する。前処理部５３ａは、これに代えて又は加えて、第１疑似物質部分画像データの各画像要素の輝度が所定以上の画像要素の数をカウントして、その数を第１疑似指標値として認識してもよい。

モデル生成部５３ｂは、部位位置データＰＤｉに基づいて、疑似物質部分画像データｐｒｅｄＢＰＤｉのうち、所定の第２部位（例えば小脳）を示す第２疑似物質部分画像データを認識する（ＳＴＥＰ３１４）。モデル生成部５３ｂは、第２疑似物質部分画像データに基づいて、被験者ｉの疾病の診断の基礎情報となる疾病の指標となる第２疑似指標値を認識する（ＳＴＥＰ３１６）。たとえば、モデル生成部５３ｂは、第２疑似物質部分画像データのうち、画像要素の輝度値が所定値以上となっている画像要素の数をカウントし、その数を第２疑似指標値として認識する。モデル生成部５３ｂは、第１疑似指標値と、第２疑似指標値とに基づいて、疑似指標値ＰｒｅｄＶｉを認識し、第１記憶部１２０に記憶する（ＳＴＥＰ３１８）。たとえば、モデル生成部１１２は、第１疑似指標値と第２疑似指標値との比を、疑似指標値ｐｒｅｄＶｉとして認識する。疑似指標値ｐｒｅｄＶｉは、特定の疾患に関する実指標値Ｖｉに相当するものである。なお、上述のように、実指標値Ｖｉは、被験者がある疾病を発生するおそれがあるかどうかを判定するための指標値である。本実施例では、疑似指標値ｐｒｅｄＶｉは、被験者ｉがある疾病、例えばアルツハイマー型認知症を発症するおそれがあるかどうかを判定するための指標値である。例えば、実指標値Ｖｉが実際のＳＵＶＲである場合、疑似指標値ｐｒｅｄＶｉは疑似的なＳＵＶＲであるといえる。

モデル生成部５３ｂは、画素要素間の差異を測る指標、例えば画像要素の２乗誤差ＭＳＥｉと、実指標値Ｖｉと疑似指標値ｐｒｅｄＶｉとに基づいて現在のモデルの被験者データＳＤｉに対する損失Ｅｉを評価する（ＳＴＥＰ３２０）。モデル生成部５３ｂは、上述した式（２）を用いて現在のモデルの被験者データＳＤｉに対する損失Ｅｉを評価する。

ＳＴＥＰ３０２のループ処理の終了後、モデル生成部５３ｂは、誤差逆伝播法などにより、各損失Ｅｉが最小となるように、モデルパラメータセットＭＰを修正する（ＳＴＥＰ３２２）。以上により、本処理が終了する。

図１６に評価処理５３０の概要を示しているモデル生成部５３ｂは、訓練データセットＧＤＳ（７０）の各被験者データＳＤｉを学習済みのモデル６０に入力し、出力された各疑似物質全体画像データｐｒｅｄＢＤｉを認識する（ＳＴＥＰ４０２）。モデル生成部５３ｂは、各疑似物質全体画像データｐｒｅｄＢＤｉに対し、学習処理５１０のＳＴＥＰ３０６、ＳＴＥＰ３１０～ＳＴＥＰ３１８と同様の処理により、各疑似指標値ｐｒｅｄＶｉを認識する（ＳＴＥＰ４０４）。モデル生成部５３ｂは、実指標値Ｖｉを横軸とし、疑似指標値ｐｒｅｄＶｉを縦軸とした２次元座標のグラフ、例えば、図４に示したグラフを作成する（ＳＴＥＰ４０６）。

モデル生成部５３ｂは、テストデータセットＴＤＳ（７９）の各被験者データＳＤｊを学習済みのモデル６０に入力し、出力された各疑似物質全体画像データｐｒｅｄＢＤｊを認識する（ＳＴＥＰ４０８）。モデル生成部５３ｂは、各疑似物質全体画像データｐｒｅｄＢＤｊに対し、学習処理５１０のＳＴＥＰ３０６、ＳＴＥＰ３１０～ＳＴＥＰ３１８と同様の処理により、各疑似指標値ｐｒｅｄＶｊを認識する（ＳＴＥＰ４１０）。モデル生成部５３ｂは、実指標値Ｖｊを横軸とし、疑似指標値ｐｒｅｄＶｊを縦軸とした２次元座標のグラフ、例えば図５を作成する（ＳＴＥＰ４１２）。テストデータセットＴＤＳの各疑似物質全体画像データｐｒｅｄＢＤｊから認識される各疑似指標値ｐｒｅｄＶｊの相関と、訓練データセットＧＤＳの各疑似物質全体画像データｐｒｅｄＢＤｊから認識される各疑似指標値ｐｒｅｄＶｉの相関とを比較し、モデル６０の性能を確認する。

図１７に学習処理５１０の異なる例を示している。図１４の学習処理５１０は、形状全体画像データＫＤｉ（７１）を入力として、実物質全体画像データＢＤｉに対応する疑似物質全体画像データｐｒｅｄＢＤｉを出力するように、モデルアルゴリズムＭＡが定義されたモデルの学習処理であった。図１７に示す学習処理５１０は、形状全体画像データＫＤｉ（７１）を入力として、図２に示す実物質部分画像データＢＰＤｉ（７４）に対応する疑似物質部分画像データｐｒｅｄＢＰＤｉ（７５）を出力するように、モデルアルゴリズムＭＡ（６１）が定義されたモデル６０の学習を行う。

本処理では、モデル生成部５３ｂが、ＳＴＥＰ３０４～ＳＴＥＰ３０６に代えて、ＳＴＥＰ３５０を実行する点で図１４に示した学習処理と異なり、他は一致する。ＳＴＥＰ３５０では、モデル生成部５３ｂは、モデルに形状全体画像データＫＤｉを入力し、出力された疑似物質部分画像データｐｒｅｄＢＰＤｉ＋を認識する。ＳＴＥＰ３０８以降では、モデル生成部５３ｂは、ＳＴＥＰ３５０で認識された疑似物質部分画像データｐｒｅｄＢＰＤｉ＋を用いて処理を行う。

図１８に、医療機関２００の端末（診断支援端末、画像表示装置）２１０の構成をさらに示している。支援端末２１０は、デスクトップコンピュータ、ラップトップコンピュータ、タブレット端末又はスマートフォン等により構成されうる。支援端末２１０は、第２制御部２０と、第２記憶部２９と、第２通信部２２と、表示部２５とを備える。第２制御部２０は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）のような演算処理装置、キャッシュメモリ及びＩ／Ｏデバイスなどにより構成される。第２制御部２０は、第２記憶部２９に記憶された画像出力プログラム２９ｐを読み出して実行することにより、診断支援情報提供部（情報提供モジュール、表示データ認識部）１２、表示制御部（出力部）２３および受診者情報取得部（入力部）２１として機能し、スタンドアロンで診断支援モジュール１０として機能する例を示している。

第２記憶部２９は、例えば、メモリ等の主記憶装置及びＨＤＤ等の補助記憶装置により構成されうる。第２記憶部２９は、画像出力プログラム２９ｐと、モデルアルゴリズム６１およびモデルパラメータセット６２を含む学習済みの画像処理モデル６０とを記憶するように構成されている。学習済みの画像処理モデル６０は、モデル提供モジュール５０から通信を介してダウンロードしてもよい。画像処理モデル６０は、ＣＤ、ＤＶＤ又はＵＳＢメモリのように可搬性のある記憶媒体から読み込まれてもよい。

第２通信部２２は、有線通信又は無線通信によりネットワークを介して、モデル提供モジュール５０、形態画像撮像装置２２１およびその他の外部の機器のそれぞれと通信可能に構成されている。表示部２５は、例えば、液晶パネルにより構成される。表示部２５は、表示制御部２３からの信号に応じて画像を表示するように構成されている。

図１９に、診断支援モジュール１０における処理の概要を示している。ステップ６０１において、診断支援モジュール１０の受診者情報取得ユニット１１または取得ユニットとして機能する入力インターフェイス２１が、受診者５の脳のＭＲイメージ１５を含む受診者情報１０５を取得する。ＭＲ画像１５は、評価対象領域８２を含む脳を参照領域８１として取得される、形態に関する情報を中心として含む第１のタイプの実画像データの一例であり、受診者情報１０５に含まれるＭＲ画像１５は、参照領域８１を少なくとも含む受診対象の個別の実画像データの一例である。なお、以降においても、受診者５のアルツハイマー症を対象として、ＭＲ画像から生成される疑似ＰＥＴ画像を用いた診断支援を行う例を説明するが、上述したように、他の症状および他のタイプの画像についても同様に画像処理モデル６０を用いた診断支援サービスを提供できる。

ステップ６０２で、情報提供ユニット１２は、訓練データ７０に基づいて、第１のタイプの参照領域８１の実画像データであるＭＲイメージ７１から第２のタイプの評価対象領域８２の疑似画像データである疑似ＰＥＴ画像７５を生成するように学習をさせた画像処理モデル６０により、受診者情報１０５に含まれる脳全体（参照領域）８１のＭＲ画像１５から、評価対象領域８２の５つの部位を含む疑似ＰＥＴ画像１１５を生成する。

画像処理モデル６００の学習に用いられる訓練データ７０に含まれる第２のタイプの実画像データは、診断対象の異常、この例ではアルツハイマー症に関連する第１の物質であるアミロイドβの分布を可視化した分布情報を含む実物質画像データのＰＥＴ画像７２である。画像処理モデル６００は、第２のタイプの実画像データの評価対象領域８２の第１の物質の分布情報から得られる実指標値Ｖｉ（ＳＵＶＲ）と、第２のタイプの評価対象領域８２の疑似画像データに含まれている、第１の物質の分布に対応する疑似分布情報から得られる疑似指標値ｐｒｅｄＶｉ（ｐｒｅｄＳＵＶＲ）とを含む損失関数Ｅｉを用いて、実指標値と疑似指標値との差が小さくなるように学習されたパラメータ６２を含むモデル６００である。また、損失関数Ｅｉは、第２のタイプの評価対象領域８２の疑似画像データ（疑似ＰＥＴ画像）７５の画素要素の値について第２のタイプの評価対象領域８２の実画像データ（ＰＥＴ画像）７４の画像要素の値から乖離の度合いを示す乖離度、例えばＭＥＥｉを含む。

ステップ６０３において、ステップ６０１で取得した受診者情報１０５に受診者５のバイオマーカー９１を含む属性情報１４が含まれている場合は、ステップ６０４において、複数の被験対象のバイオマーカーに関連する情報９１を含む属性情報９０を含む訓練データ７０により学習済みのパラメータセット６２を含む画像処理モデル６０を採用して、疑似ＰＥＴ画像１１５を生成する。

ステップ６０５において、診断結果（疑似診断結果、推定された診断結果）１１７を含めた診断支援情報１１０が要求されている場合は、ステップ６０６において、複数の被験対象の診断対象の異常の診断結果９４を含む訓練データ７０で学習済みのパラメータセット６２を含む画像処理モデル６０を採用する。ステップ６０７において、受診者情報１０５に含まれるデータに基づき、画像処理モデル６０により生成された評価対象領域８２の疑似ＰＥＴ画像１１５に基づく診断支援情報１１０が提供される。診断支援情報１１０には、疑似ＰＥＴ画像１１５に加えて、疑似指標値１１６および疑似診断結果１１７が含まれていてもよい。また、疑似ＰＥＴ画像１１５の代わりに、疑似指標値１１６および／または疑似診断結果１１７が診断支援情報１１０に含まれていてもよい。

医療機関２００の端末２１０においては、診断支援モジュール１０または診断支援情報提供ユニット１２から提供された診断支援情報１１０を画像表示端末２５に出力することにより医師８などの医療関係者の診断を支援する。診断支援情報１１０に含まれる疑似ＰＥＴ画像１１５は独立して表示されてもよく、受診者５のＭＲ画像１５と並列に、あるいは重ねて表示されてもよく、診断支援情報１１０の出力方法はさまざまに設定できる。

例えば、形態全体画像データに基づいたＭＲ画像１５のみならず、疑似物質部分画像データに基づいた疑似ＰＥＴ画像１１５または受診者５の疾病の指標値を示す疑似指標値１１６、または双方が表示されることで、医師８に、受診者５の疾病の有無またははリスクを診断するための有用な情報が提供されうる。特に、疑似物質部分画像データに基づいた疑似ＰＥＴ画像１１５および受診者５の疾病の指標値を示す疑似指標値１１６の両方が表示されることで、医師８に受診者５の状態をより深く認識させうる。

以上に説明したように、画像処理モデル（画像出力モデル）６０を用いた診断支援システムおよび方法においては、比較的受診者または患者の負荷が小さいＭＲ画像あるいはＣＴ画像といった、形態に関する情報を主に取得する３次元画像を用いて、様々な関心領域（評価対象領域）８２に限定されるが、様々な異常（疾病）に関連する物質に関する３次元画像を精度よく生成することができ、それに基づく診断支援情報１１０を提供できる。したがって、受診者または患者に負荷をかけずに、ＰＥＴ画像などに匹敵する情報を高い頻度で取得でき、異常（疾病）の予防、進行あるいは診断に関する情報をタイムリーに提供できる。このため、診断支援システムは、疾病の診断のみならず、創薬における治験者の選択、臨床のモニタリングなどのアプリケーションにおいても適用でき、さらに、人体、家畜などを含めた生体の診断のみならず、画像診断が有効な構造物の内部状態を非破壊で診断するようなアプリケーションにおいても有用である。

上述した実施形態では、形状全体画像データをモデルに入力していたが、これに代えて又は加えて、形状部分画像データをモデルに入力するように構成してもよい。上記実施例においては、学習処理において、画像データとして形態部分画像データＫＰＤｉ及び実物質部分画像データＢＰＤｉを用いる例について説明した。しかし、学習処理において、画像データとして形態全体画像データＫＤｉ及び実物質全体画像データＢＤｉのみを用いることとしても良い。また、上記実施例においては、画像表示処理において、画像データとして、形態部分画像データ及び疑似物質部分画像データを出力するとしたが、疑似物質部分画像データに代えて疑似物質全体画像データを出力することとしてもよい。また、上記実施例においては、認識モデル７００にＵ－ｎｅｔ構造を有するモデルを用いる場合について説明した。しかし、認識モデル７００には、Ａｕｔｏ Ｅｎｃｏｄｅｒ等、他のニューラルネットワーク構造を有するモデルを用いてもよい。

上記に含まれる形態の１つは、表示部を備えるコンピュータが実行する表示方法である。表示方法は、受診者の体内の形態を撮像した形態全体画像データを認識する受診者形態画像認識ステップと、画像出力モデルの生成方法により生成された画像出力モデルに前記受診者の形態全体画像データの画像部分を含む形態画像データを入力することにより、前記画像出力モデルから出力された前記受診者の体内の一部の部位における対象物質の分布を疑似的に示す疑似物質画像データを認識する受診者疑似物質画像部分認識ステップと、受診者疑似物質画像部分認識ステップで認識された前記疑似物質画像データを前記表示部に出力する表示ステップとを含む。

表示方法は、前記疑似物質画像データに基づいて、前記受診者の疾病に関する疑似指標値を認識する疑似指標値認識ステップを含んでいてもよく、表示ステップは、受診者疑似物質画像部分認識ステップで認識された前記疑似物質画像データ及び前記疑似指標値認識ステップで認識された前記疑似指標値を前記表示部に出力することを含んでいてもよい。なお、本明細書において、一の装置が情報を「認識する」とは、一の装置が他の装置から当該情報を受信すること、一の装置が当該一の装置に接続された記憶媒体に記憶された情報を読み取ること、一の装置が当該一の装置に接続されたセンサから出力された信号に基づいて情報を取得すること、一の装置が、受信した情報又は記憶媒体に記憶された情報又はセンサから取得した情報に基づいて、所定の演算処理（計算処理又は検索処理など）を実行することにより当該情報を導出すること、一の装置が他の装置による演算処理結果としての当該情報を当該他の装置から受信すること、一の装置が当該受信信号にしたがって内部記憶装置又は外部記憶装置から当該情報を読み取ること等、当該情報を取得するためのあらゆる演算処理が実行されることを意味してもよい。

他の態様の１つは、表示部を備えるコンピュータが実行する画像表示方法である。この画像表示方法は、受診者の脳の形態を撮像した形態画像データを認識する受診者形態画像認識ステップと、前記受診者の特定の疾患に関連するバイオマーカーを認識する受診者バイオマーカー認識ステップと、画像出力モデルに前記受診者の形態画像データ及び前記バイオマーカーに基づく値を入力することにより、前記画像出力モデルから出力された前記受診者の脳内における前記特定の疾患に関連する対象物質の分布を模した疑似物質画像データを認識する疑似物質画像認識ステップと、疑似物質画像認識ステップで認識された前記疑似物質画像データ、または当該疑似物質画像データに基づいて認識され、前記受診者の前記特定の疾患の発生に関する値である疑似指標値を前記表示部に出力する表示ステップとを含む。

当該構成の画像表示方法によれば、特定の疾患の診断に用いる疑似物質画像データを取得する疑似物質画像認識ステップにおいて、受診者の脳の形態画像データに加えて受診者の当該特定の疾患に関連するバイオマーカーに基づく値を入力することにより、受診者の脳内における対象物質の分布を模した疑似物質画像データを認識する。このように、疑似物質画像データの認識時に受診者の特定の疾患に関連するバイオマーカーに基づく値を加味して疑似物質画像データを生成することにより、形態画像データのみに基づいて脳内の当該特定の疾患に関連する対象物質の分布を推定するよりも当該対象物質の分布の推定精度が向上し得、ひいては疑似物質画像データ及びその疑似指標値の再現精度が向上し得る。

脳内における特定の疾患に関連する対象物質の分布の推定精度が向上することで、脳疾患等の診断にあたって提供される情報の有用性の向上を図ることができる。また、脳内における特定の疾患に関連する対象物質の情報を持つ画像を大量に用いて疾患の鑑別を行うニューラルネットワーク等のモデルを構築することが可能であるが、この際に、一般に高価な物質画像を大量に用意することに変えて、再現精度の高い疑似物質画像をその代替に用いる事ができる。

前記画像出力モデルは、Ｕ－ｎｅｔ構造を有していてもよい。前記疑似物質画像認識ステップは、前記バイオマーカーに基づく値を前記Ｕ－ｎｅｔ構造の入力層において追加することを含んでいてもよい。前記疑似物質画像認識ステップは、前記バイオマーカーに基づく値を前記Ｕ－ｎｅｔ構造の特徴層において追加することを含んでいてもよい。前記バイオマーカーに基づく値は、前記受診者の血液を分析して得られる値を含んでいてもよく、前記受診者の遺伝子の型に基づく値を含んでいてもよい。前記形態画像データは、撮像された受診者の脳の断面の全体の形態を示すＣＴ画像データまたはＭＲ画像データであってもよい。

当該画像表示方法によれば、Ｕ－ｎｅｔ構造の入力層にて脳の形態画像データを入力し、入力層または特徴層において特定の疾患に関連するバイオマーカーに基づく値を入力することにより、脳内の当該特定の疾患に関連する対象物質の分布の推定精度がさらに向上し得、ひいては疑似物質画像データおよびその疑似指標値の再現精度がさらに向上し得る。当該画像表示方法に依れば、例えば、アルツハイマー型認知症を発症するおそれがあるかどうかを判定するにあたって、関連性の高い脳内のアミロイドβ蛋白またはタウ蛋白の分布に関連するバイオマーカーである血液を分析して得られる値及び遺伝子の型を用いることによって、特定の疾患としてのアルツハイマー認知症の診断を高精度に行うことが可能となる。

上記に含まれる他の形態の１つは、表示部と、受診者の体内の形態を撮像した形態全体画像データを認識し、画像出力モデルの生成方法により生成された画像出力モデルに前記受診者の形態全体画像データの画像部分を含む形態画像データを入力することにより、前記画像出力モデルから出力された前記受診者の体内の一部の部位における対象物質の分布を疑似的に示す疑似物質画像データを認識する表示データ認識部と、前記表示データ認識部により認識された前記疑似物質画像データを前記表示部に出力する表示制御部とを備えた画像表示装置である。表示データ認識部は、疑似物質画像データおよび前記受診者の疾病に関する疑似指標値を認識してもよい。表示制御部は、前記疑似物質画像データおよび前記疑似指標値を前記表示部に出力してもよい。

上記に含まれる他の形態の１つは、画像表示装置である。画像表示装置は、表示部と、受診者の脳の形態を撮像した形態画像データを認識し、前記受診者の特定の疾患に関連するバイオマーカーに基づく値を認識し、画像出力モデルに前記受診者の形態画像データおよび前記バイオマーカーに基づく値を入力することにより、前記画像出力モデルから出力された前記受診者の脳内における前記特定の疾患に関連する対象物質の分布を模した疑似物質画像データ、および当該疑似物質画像データに基づいて認識され、前記受診者の前記特定の疾患の発生に関する値である疑似指標値を認識する表示データ認識部と、前記表示データ認識部により認識された前記疑似物質画像データ若しくは前記疑似物質画像データまたはその双方を前記表示部に出力する表示制御部とを含む。

上記に含まれる他の形態の１つは、画像出力モデルの生成方法である。生成方法は、被験者の脳の形態の撮像画像である形態画像データと、前記被験者の特定の疾患に関連する対象物質の前記被験者の脳内における分布を示す実物質画像データと、前記被験者の前記特定の疾患に関連するバイオマーカーに基づく値とを記憶する記憶部を備えるコンピュータが実行する方法であって、前記形態画像データ及び前記バイオマーカーに基づく値を入力し、前記被験者の脳内における前記対象物質の分布に関する画像である疑似物質画像データを出力するモデルを前記実物質画像データに基づいて修正するステップを含む。

当該構成の画像出力モデルの生成方法によれば、モデル生成ステップにおいて、前記記憶部に記憶された被験者の脳の形態画像データ及び当該被験者の特定の疾患に関連するバイオマーカーに基づく値を入力し、当該被験者の前記一部の部位の当該特定の疾患に関連する対象物質の分布に関する疑似物質画像データを出力するモデルが、前記被験者の脳内の当該対象物質の分布に関する実物質部分画像データに基づいて修正される。これにより、画像出力モデルが生成される。被験者の脳の形態画像データに加えて受診者の当該特定の疾患に関連するバイオマーカーに基づく値を入力することにより、被験者の脳の形態データのみを入力する場合と比較して、画像出力モデルによる被験者の脳内の当該特定の疾患に関連する対象物質の分布の推定精度が向上し得る。脳内における対象物質の分布の推定精度が向上することで、ひいては、疾病等の診断にあたって提供される情報の有用性の向上を図ることができる。

前記記憶部は、前記被験者の形態画像の一部の部位の画像部分を含む形態部分画像データと、前記被験者の実物質画像における前記一部の部位における対象物質の分布に関する画像部分を抽出した実物質部分画像データとを記憶してもよい。前記モデル生成ステップは、前記形態部分画像データおよび前記バイオマーカーに基づく値を入力し、前記被験者の脳内における前記一部の部位における前記対象物質の分布に関する画像部分を含む疑似物質画像データを出力するモデルを前記実物質部分画像データに基づいて修正するステップを含んでもよい。

生成方法は、被験者の体内の一又は複数の部位の形態の撮像画像である形態全体画像データにおける一部の部位に関する画像部分を含む形態画像データと、前記被験者の体内における対象物質の分布を示す実物質全体画像データにおける前記被験者の一又は複数の部位のうちの前記一部の部位における対象物質の分布に関する画像部分を抽出した実物質部分画像データとを記憶する記憶部を備えるコンピュータが実行する方法であって、前記形態画像データを入力し、前記被験者の体内における前記一部の部位における対象物質の分布に関する画像部分を含む疑似物質画像データを出力するモデルを前記実物質部分画像データに基づいて修正することにより、画像出力モデルを生成するモデル生成ステップを含んでもよい。

当該構成の画像出力モデルの生成方法によれば、モデル生成ステップにおいて、前記記憶部に記憶された前記形態画像データを入力し、前記被験者の一部の部位、例えば、脳の一部の部位の特定の疾患に関連する対象物質の分布に関する疑似物質画像データを出力するモデルが、前記被験者の一部の部位（脳の一部の部位）の当該対象物質の分布に関する実物質部分画像データに基づいて修正される。これにより、画像出力モデルが生成される。疾病の診断等、例えば、脳の疾病等の診断に当たっては、体内、例えば、脳内全体における当該疾病に関連する対象物質の分布が重要なのではなく、その一部領域における分布が重要であるので、実物質全体画像データのみに基づいてモデルを修正する場合と比較して、画像出力モデルによる前記被験者の当該一部の部位の対象物質の分布の推定精度が向上し得る。一部の部位（当該脳の一部の部位）における対象物質の分布の推定精度が向上することで、ひいては、疾病等の診断にあたって提供される情報の有用性の向上を図ることができる。

この画像出力モデルの生成方法は、前記実物質部分画像データに基づいて、前記被験者の前記特定の疾患に関する実指標値を認識する実指標値認識ステップを含み、前記モデル生成ステップは、前記疑似物質画像データの画像要素の値について前記実物質部分画像データの画像要素の値から乖離の度合いを示す乖離度を評価する乖離度評価ステップと、前記疑似物質画像データに基づいて、前記被験者の疾病に関する疑似指標値を認識する疑似指標値認識ステップと、前記乖離度と前記実指標値と前記疑似指標値とに基づいて前記モデルを修正する修正ステップとを含んでもよい。

当該画像出力モデルの生成方法によれば、前記モデル生成ステップにおいて、前記疑似物質画像データの画像要素について前記実物質部分画像データの画像要素から乖離の度合いを示す乖離度が評価される。そして、前記疑似物質画像データに基づいて、前記被験者の疾病に関する疑似指標値が認識される。そして、前記乖離度と前記実指標値と前記疑似指標値とに基づいて、前記モデルが修正される。これにより、画像要素および疾病に関する指標値の両面が加味されてモデルが修正される。この結果、画像出力モデルから出力されるデータにおける画像要素および疾病に関する指標値が実際のデータに近くなり、ひいては、疾病等の診断にあたって提供される情報の有用性の向上を図ることができる。

前記実指標値認識ステップは、前記実物質部分画像データに含まれる前記被験者の第１部位における前記対象物質の分布に基づいて第１実指標値を認識し、前記実物質部分画像データに含まれる前記被験者の第２部位における前記対象物質の分布に基づいて第２実指標値を認識するステップを含んでもよい。前記疑似指標値認識ステップは、前記疑似物質画像データに含まれる前記被験者の第１部位における前記対象物質の分布に基づいて第１疑似指標値を認識し、前記疑似物質画像データに含まれる前記被験者の第２部位における前記対象物質の分布に基づいて第２疑似指標値を認識するステップを含んでもよい。前記修正ステップは、前記乖離度と前記第１実指標値と前記第２実指標値と前記第１疑似指標値と前記第２疑似指標値とに基づいて前記モデルを修正するステップを含んでもよい。

一部の脳の疾病については、脳内の対象物質の全体の量のみならず、特定の疾患に関連する対象物質が脳内のどの部位にどのように分布しているかによっても、その診断が変わり得る。当該構成の画像出力モデルの生成方法によれば、前記被験者の脳の複数の部位のそれぞれについての指標値が加味されてモデルが修正される。これにより、疾病等の診断にあたって提供される情報の有用性の向上を図ることができる。

画像出力モデルの生成方法は、前記形態全体画像データまたは前記実物質全体画像データにおける前記第１部位の位置および前記第２部位の位置を認識する位置認識ステップを含んでもよい。前記疑似指標値認識ステップは、前記形態全体画像データまたは前記実物質全体画像データにおける前記第１部位の位置および前記第２部位の位置に基づいて、前記疑似物質画像データにおける前記第１部位の位置および前記第２部位の位置を認識し、前記疑似物質画像データにおける前記第１部位の位置における対象物質の分布に基づいて前記第１疑似指標値を認識し、前記疑似物質画像データにおける前記第２部位の位置における前記対象物質の分布に基づいて第２疑似指標値を認識するステップを含んでいてもよい。

人の脳内の部位の位置または大きさは人によって異なるため、生成された画像からどの部位が画像上のどこに位置するかは画像が生成された時点では不明である。この点に鑑みた上記画像出力モデルの生成方法によれば、形態画像データ又は前記実物質画像データにおける前記第１部位の位置および前記第２部位の位置に基づいて前記疑似物質画像データにおける前記第１部位の位置および前記第２部位の位置が認識される。これにより、疑似物質画像データに含まれる部位がどんなデータであるか等の解析が不要になるので、画像出力モデルの生成に当たっての計算コストを削減しうる。

画像出力モデルの生成方法において、前記形態画像データは、撮像された被験者の脳の断面の全体の形態を示すＣＴ画像データまたはＭＲ画像データであってもよく、前記実物質部分画像データは、前記被験者の脳における大脳灰白質及び小脳に関する前記ＰＥＴ画像の画像データであってもよい。前記モデル生成ステップは、前記記憶部に記憶されたＣＴ画像データまたはＭＲ画像データにおける大脳灰白質および小脳に関する画像部分を含むＣＴ部分画像データまたはＭＲＩ部分画像データを入力し、前記被験者の前記大脳灰白質および前記小脳におけるアミロイドβ蛋白またはタウ蛋白の分布に関する画像部分を含む疑似ＰＥＴ画像データを出力するモデルを前記ＰＥＴ画像の画像データに基づいて修正することにより、画像出力モデルを生成するステップを含んでいてもよい。

当該構成の画像出力モデルの生成方法によれば、前記記憶部に記憶されたＣＴ画像データ又はＭＲ画像データにおける大脳灰白質及び小脳に関する画像部分を含むＣＴ部分画像データ又はＭＲＩ部分画像データを入力し、前記被験者の前記大脳灰白質及び前記小脳におけるアミロイドβ蛋白又はタウ蛋白の分布に関する画像部分を含む疑似ＰＥＴ画像データを出力するモデルが前記ＰＥＴ画像の部分画像データに基づいて修正されることにより、画像出力モデルが生成される。大脳灰白質及び小脳におけるアミロイドβ蛋白又はタウ蛋白の分布は、特に認知症のリスク判定の基礎情報としうるところ、このような大脳灰白質及び小脳におけるアミロイドβ蛋白又はタウ蛋白の分布を推定する画像出力モデルが生成される。このような画像出力モデルから出力された全体画像データが医師等に提供されることで、認知症のリスク判定における基礎情報の有用性の向上を図ることができる。

なお、上記において開示した画像、症例、指標値などの情報は一例であり、本発明はこれらの記載および表示に限定されるものではない。また、上記において、図面を参照して本発明の特定の実施形態を説明したが、様々な他の実施形態および変形例は本発明の範囲および精神から逸脱することなく当業者が想到し得ることであり、そのような他の実施形態および変形は以下の請求の範囲の対象となり、本発明は以下の請求の範囲により規定されるものである。

１０ システム、 １１ 取得ユニット、 １２ 情報提供ユニット

当該構成の画像出力モデルの生成方法によれば、前記記憶部に記憶されたＣＴ画像データ又はＭＲ画像データにおける大脳灰白質及び小脳に関する画像部分を含むＣＴ部分画像データ又はＭＲＩ部分画像データを入力し、前記被験者の前記大脳灰白質及び前記小脳におけるアミロイドβ蛋白又はタウ蛋白の分布に関する画像部分を含む疑似ＰＥＴ画像データを出力するモデルが前記ＰＥＴ画像の部分画像データに基づいて修正されることにより、画像出力モデルが生成される。大脳灰白質及び小脳におけるアミロイドβ蛋白又はタウ蛋白の分布は、特に認知症のリスク判定の基礎情報としうるところ、このような大脳灰白質及び小脳におけるアミロイドβ蛋白又はタウ蛋白の分布を推定する画像出力モデルが生成される。このような画像出力モデルから出力された全体画像データが医師等に提供されることで、認知症のリスク判定における基礎情報の有用性の向上を図ることができる。
上記には、受診対象の、評価対象領域を一部に含む参照領域を少なくとも含む第１のタイプの個別の実画像データを取得する取得ユニットと、複数の被験対象の前記第１のタイプの前記参照領域の実画像データと第２のタイプの前記評価対象領域を含む実画像データとを含む訓練データに基づいて、前記第１のタイプの前記参照領域の実画像データから前記第２のタイプの前記評価対象領域の疑似画像データを生成するように機械学習をさせた画像処理モデルにより、前記受診対象の前記第１のタイプの前記個別の実画像データから生成された前記第２のタイプの前記評価対象領域の疑似画像データに基づく診断支援情報を提供する情報提供ユニットとを有するシステムが開示されている。前記画像処理モデルは、前記第２のタイプの前記評価対象領域の疑似画像データの画素要素の値について前記第２のタイプの前記評価対象領域の実画像データの画像要素の値から乖離の度合いを示す乖離度を含む損失関数を用いて学習されたパラメータを含むモデルであってもよい。前記第２のタイプの実画像データは、診断対象の異常に関連する第１の物質の分布を可視化した分布情報を含む実物質画像データであり、前記画像処理モデルは、前記第２のタイプの実画像データの前記評価対象領域の前記第１の物質の分布情報から得られる実指標値と、前記第２のタイプの前記評価対象領域の疑似画像データに含まれている、前記第１の物質の分布に対応する疑似分布情報から得られる疑似指標値とを含む損失関数を用いて、前記実指標値と前記疑似指標値との差が小さくなるように学習されたパラメータを含むモデルであってもよい。前記損失関数は、前記第２のタイプの前記評価対象領域の疑似画像データの画素要素の値について前記第２のタイプの前記評価対象領域の実画像データの画像要素の値から乖離の度合いを示す乖離度を含んでもよい。前記評価対象領域は複数の部位を含み、前記実指標値は、前記複数の部位のそれぞれの分布情報から求められ、前記疑似分布情報は、前記複数の部位のそれぞれの疑似分布情報から求められてもよい。前記情報提供ユニットは、前記受診対象の前記第１のタイプの前記個別の実画像データから生成された前記第２のタイプの前記評価対象領域の疑似画像データから得られる疑似指標値を含む前記診断支援情報を提供してもよい。前記第２のタイプの実画像データは、診断対象の異常に関連する第１の物質の分布を可視化した分布情報を含む実物質画像データであり、前記情報提供ユニットは、前記受診対象の前記第１のタイプの前記個別の実画像データから生成された前記第２のタイプの前記評価対象領域の疑似画像データに含まれている、前記第１の物質の分布に対応する疑似分布情報から得られる疑似指標値を含む前記診断支援情報を提供してもよい。前記第１のタイプの実画像データは、脳を前記参照領域とするＣＴ画像データまたはＭＲ画像データを含み、前記第２のタイプの実画像データは、ＰＥＴ画像データを含み、前記疑似指標値は、疑似ＳＵＶＲ値を含んでもよい。前記第１のタイプの実画像データは、脳を前記参照領域とするＣＴ画像データまたはＭＲ画像データを含み、前記第２のタイプの実画像データは、ＳＰＥＣＴ画像データを含み、前記疑似指標値は、疑似ＢＲ値を含んでもよい。前記訓練データは、前記複数の被験対象の前記診断対象の異常の診断結果を含み、前記情報提供ユニットは、前記画像処理モデルにより導出された前記受診対象の前記診断対象の異常の疑似診断結果を含む前記診断支援情報を提供してもよい。前記取得ユニットは、さらに前記受診対象のバイオマーカーに関連する情報を含む属性情報を取得するように構成され、前記訓練データは、前記複数の被験対象のバイオマーカーに関連する情報を含む属性情報を含み、前記情報提供ユニットは、前記受診対象の前記個別の画像データおよび前記受診対象の前記属性情報に基づき前記画像処理モデルにより生成された前記第２のタイプの前記評価対象領域の疑似画像データに基づく診断支援情報を提供してもよい。このシステムは、前記訓練データを格納したストレージにアクセス可能なインターフェイスと、前記訓練データに基づいて、前記第１のタイプの前記参照領域の実画像データから前記第２のタイプの前記評価対象領域の疑似画像データを生成するための前記画像処理モデルを学習する学習部とをさらに有してもよい。
上記には、受診対象の、評価対象領域を一部に含む参照領域を少なくとも含む第１のタイプの個別の実画像データを取得するインターフェイスを備えたコンピュータが実行する方法であって、前記第１のタイプの個別の実画像データを取得することと、複数の被験対象の前記第１のタイプの前記参照領域の実画像データと第２のタイプの前記評価対象領域を含む実画像データとを含む訓練データに基づいて、前記第１のタイプの前記参照領域の実画像データから前記第２のタイプの前記評価対象領域の疑似画像データを生成するように学習をさせた画像処理モデルにより、前記受診対象の前記第１のタイプの前記個別の実画像データから生成された前記第２のタイプの前記評価対象領域の疑似画像データに基づく診断支援情報を提供することとを有する方法が開示されている。前記画像処理モデルは、前記第２のタイプの前記評価対象領域の疑似画像データの画素要素の値について前記第２のタイプの実画像データの前記評価対象領域の実画像データの画像要素の値から乖離の度合いを示す乖離度を含む損失関数を用いて学習されたパラメータを含むモデルであってもよい。前記第２のタイプの実画像データは、診断対象の異常に関連する第１の物質の分布を可視化した分布情報を含む実物質画像データであり、前記画像処理モデルは、前記第２のタイプの実画像データの前記評価対象領域の前記第１の物質の分布情報から得られる実指標値と、前記第２のタイプの前記評価対象領域の疑似画像データに含まれている、前記第１の物質の分布に対応する疑似分布情報から得られる疑似指標値とを含む損失関数を用いて、前記実指標値と前記疑似指標値との差が小さくなるように学習されたパラメータを含むモデルであってもよい。前記損失関数は、前記第２のタイプの前記評価対象領域の疑似画像データの画素要素の値について前記第２のタイプの前記評価対象領域の実画像データの画像要素の値から乖離の度合いを示す乖離度を含んでもよい。前記評価対象領域は複数の部位を含み、前記実指標値は、前記複数の部位のそれぞれの分布情報から求められ、前記疑似分布情報は、前記複数の部位のそれぞれの疑似分布情報から求められてもよい。前記診断支援情報を提供することは、前記受診対象の前記第１のタイプの前記個別の実画像データから生成された前記第２のタイプの前記評価対象領域の疑似画像データから得られる疑似指標値を含む前記診断支援情報を提供することを含んでもよい。前記第２のタイプの実画像データは、診断対象の異常に関連する第１の物質の分布を可視化した分布情報を含む実物質画像データであり、前記診断支援情を提供することは、前記受診対象の前記第１のタイプの前記個別の実画像データから生成された前記第２のタイプの前記評価対象領域の疑似画像データに含まれている、前記第１の物質の分布に対応する疑似分布情報から得られる疑似指標値を含む前記診断支援情報を提供してもよい。前記訓練データは、前記複数の被験対象の前記診断対象の異常の診断結果を含み、前記診断支援情報を提供することは、前記受診対象の前記診断対象の異常の疑似診断結果を含む前記診断支援情報を提供することを含んでもよい。前記取得することは、前記受診対象のバイオマーカーに関連する情報を含む属性情報を取得することを含み、前記訓練データは、前記複数の被験対象のバイオマーカーに関連する情報を含む属性情報を含み、前記診断支援情報を提供することは、前記受診対象の前記個別の画像データおよび前記受診対象の前記属性情報に基づき生成された前記第２のタイプの前記評価対象領域の疑似画像データに基づく診断支援情報を提供することを含んでもよい。
上記には、画像処理モデルを提供する装置であって、前記訓練データを格納したストレージにアクセス可能なインターフェイスと、前記訓練データに基づいて、前記第１のタイプの前記参照領域の実画像データから前記第２のタイプの前記評価対象領域の疑似画像データを生成するための前記画像処理モデルを学習する学習部とを有する装置が開示されている。また、上記には、複数の被験対象の第１のタイプの、評価対象領域を一部に含む参照領域の実画像データと、第２のタイプの前記評価対象領域を含む実画像データとを含む訓練データを格納したストレージにアクセス可能なインターフェイスを有するコンピュータが実行する方法であって、前記訓練データに基づいて、前記第１のタイプの前記参照領域の実画像データから前記第２のタイプの前記評価対象領域の疑似画像データを生成するための画像処理モデルを学習することを有する方法が開示されている。前記第２のタイプの実画像データは、診断対象の異常に関連する第１の物質の分布を可視化した分布情報を含む実物質画像データであり、前記学習することは、前記第２のタイプの実画像データの前記評価対象領域の前記第１の物質の分布情報から得られる実指標値と、前記第２のタイプの前記評価対象領域の疑似画像データに含まれている、前記第１の物質の分布に対応する疑似分布情報から得られる疑似指標値とを含む損失関数を用いて、前記実指標値と前記疑似指標値との差が小さくなるように前記画像処理モデルのパラメータを学習することを含んでもよい。前記損失関数は、前記第２のタイプの前記評価対象領域の疑似画像データの画素要素の値について前記第２のタイプの前記評価対象領域の実画像データの画像要素の値から乖離の度合いを示す乖離度を含んでもよい。前記訓練データは、前記複数の被験対象のバイオマーカーに関連する情報を含む属性情報を含み、前記学習することは、前記属性情報を含めて前記画像処理モデルのパラメータを学習することを含んでもよい。前記バイオマーカーは、前記複数の被験対象のそれぞれの血液を分析して得られる情報および遺伝子の型に基づく情報の少なくともいずれかを含んでもよい。前記画像処理モデルは、畳み込みニューラルネットワーク構造を含み、前記学習することは、前記属性情報を前記畳み込みニューラルネットワーク構造の特徴量に含めて前記画像処理モデルのパラメータを学習することを含んでもよい。また、上記にはコンピュータを上記に記載のシステムとして機能させる命令を有するプログラムが開示されている。

Claims (29)

1. 受診対象の、評価対象領域を一部に含む参照領域を少なくとも含む第１のタイプの個別の実画像データを取得する取得ユニットと、
   複数の被験対象の前記第１のタイプの前記参照領域の実画像データと第２のタイプの前記評価対象領域を含む実画像データとを含む訓練データに基づいて、前記第１のタイプの前記参照領域の実画像データから前記第２のタイプの前記評価対象領域の疑似画像データを生成するように機械学習をさせた画像処理モデルにより、前記受診対象の前記第１のタイプの前記個別の実画像データから生成された前記第２のタイプの前記評価対象領域の疑似画像データに基づく診断支援情報を提供する情報提供ユニットとを有するシステム。
2. 請求項１において、
   前記画像処理モデルは、前記第２のタイプの前記評価対象領域の疑似画像データの画素要素の値について前記第２のタイプの前記評価対象領域の実画像データの画像要素の値から乖離の度合いを示す乖離度を含む損失関数を用いて学習されたパラメータを含むモデルである、システム。
3. 請求項１において、
   前記第２のタイプの実画像データは、診断対象の異常に関連する第１の物質の分布を可視化した分布情報を含む実物質画像データであり、
   前記画像処理モデルは、前記第２のタイプの実画像データの前記評価対象領域の前記第１の物質の分布情報から得られる実指標値と、前記第２のタイプの前記評価対象領域の疑似画像データに含まれている、前記第１の物質の分布に対応する疑似分布情報から得られる疑似指標値とを含む損失関数を用いて、前記実指標値と前記疑似指標値との差が小さくなるように学習されたパラメータを含むモデルである、システム。
4. 請求項３において、
   前記損失関数は、前記第２のタイプの前記評価対象領域の疑似画像データの画素要素の値について前記第２のタイプの前記評価対象領域の実画像データの画像要素の値から乖離の度合いを示す乖離度を含む、システム。
5. 請求項３または４において、
   前記評価対象領域は複数の部位を含み、前記実指標値は、前記複数の部位のそれぞれの分布情報から求められ、前記疑似分布情報は、前記複数の部位のそれぞれの疑似分布情報から求められる、システム。
6. 請求項３ないし５のいずれかにおいて、
   前記情報提供ユニットは、前記受診対象の前記第１のタイプの前記個別の実画像データから生成された前記第２のタイプの前記評価対象領域の疑似画像データから得られる疑似指標値を含む前記診断支援情報を提供する、システム。
7. 請求項１または２において、
   前記第２のタイプの実画像データは、診断対象の異常に関連する第１の物質の分布を可視化した分布情報を含む実物質画像データであり、
   前記情報提供ユニットは、前記受診対象の前記第１のタイプの前記個別の実画像データから生成された前記第２のタイプの前記評価対象領域の疑似画像データに含まれている、前記第１の物質の分布に対応する疑似分布情報から得られる疑似指標値を含む前記診断支援情報を提供する、システム。
8. 請求項３ないし７のいずれかにおいて、
   前記第１のタイプの実画像データは、脳を前記参照領域とするＣＴ画像データまたはＭＲ画像データを含み、前記第２のタイプの実画像データは、ＰＥＴ画像データを含み、
   前記疑似指標値は、疑似ＳＵＶＲ値を含む、システム。
9. 請求項３ないし７のいずれかにおいて、
   前記第１のタイプの実画像データは、脳を前記参照領域とするＣＴ画像データまたはＭＲ画像データを含み、前記第２のタイプの実画像データは、ＳＰＥＣＴ画像データを含み、
   前記疑似指標値は、疑似ＢＲ値を含む、システム。
10. 請求項３ないし９のいずれかにおいて、
    前記訓練データは、前記複数の被験対象の前記診断対象の異常の診断結果を含み、
    前記情報提供ユニットは、前記画像処理モデルにより導出された前記受診対象の前記診断対象の異常の疑似診断結果を含む前記診断支援情報を提供する、システム。
11. 請求項１ないし１０のいずれかにおいて、
    前記取得ユニットは、さらに前記受診対象のバイオマーカーに関連する情報を含む属性情報を取得するように構成され、
    前記訓練データは、前記複数の被験対象のバイオマーカーに関連する情報を含む属性情報を含み、
    前記情報提供ユニットは、前記受診対象の前記個別の画像データおよび前記受診対象の前記属性情報に基づき前記画像処理モデルにより生成された前記第２のタイプの前記評価対象領域の疑似画像データに基づく診断支援情報を提供する、システム。
12. 請求項１ないし１１のいずれかにおいて、
    前記訓練データを格納したストレージにアクセス可能なインターフェイスと、
    前記訓練データに基づいて、前記第１のタイプの前記参照領域の実画像データから前記第２のタイプの前記評価対象領域の疑似画像データを生成するための前記画像処理モデルを学習する学習部とを、さらに有する、システム。
13. 受診対象の、評価対象領域を一部に含む参照領域を少なくとも含む第１のタイプの個別の実画像データを取得するインターフェイスを備えたコンピュータが実行する方法であって、
    前記第１のタイプの個別の実画像データを取得することと、
    複数の被験対象の前記第１のタイプの前記参照領域の実画像データと第２のタイプの前記評価対象領域を含む実画像データとを含む訓練データに基づいて、前記第１のタイプの前記参照領域の実画像データから前記第２のタイプの前記評価対象領域の疑似画像データを生成するように学習をさせた画像処理モデルにより、前記受診対象の前記第１のタイプの前記個別の実画像データから生成された前記第２のタイプの前記評価対象領域の疑似画像データに基づく診断支援情報を提供することとを有する方法。
14. 請求項１３において、
    前記画像処理モデルは、前記第２のタイプの前記評価対象領域の疑似画像データの画素要素の値について前記第２のタイプの実画像データの前記評価対象領域の実画像データの画像要素の値から乖離の度合いを示す乖離度を含む損失関数を用いて学習されたパラメータを含むモデルである、方法。
15. 請求項１３において、
    前記第２のタイプの実画像データは、診断対象の異常に関連する第１の物質の分布を可視化した分布情報を含む実物質画像データであり、
    前記画像処理モデルは、前記第２のタイプの実画像データの前記評価対象領域の前記第１の物質の分布情報から得られる実指標値と、前記第２のタイプの前記評価対象領域の疑似画像データに含まれている、前記第１の物質の分布に対応する疑似分布情報から得られる疑似指標値とを含む損失関数を用いて、前記実指標値と前記疑似指標値との差が小さくなるように学習されたパラメータを含むモデルである、方法。
16. 請求項１５において、
    前記損失関数は、前記第２のタイプの前記評価対象領域の疑似画像データの画素要素の値について前記第２のタイプの前記評価対象領域の実画像データの画像要素の値から乖離の度合いを示す乖離度を含む、方法。
17. 請求項１５または１６において、
    前記評価対象領域は複数の部位を含み、前記実指標値は、前記複数の部位のそれぞれの分布情報から求められ、前記疑似分布情報は、前記複数の部位のそれぞれの疑似分布情報から求められる、方法。
18. 請求項１５ないし１７のいずれかにおいて、
    前記診断支援情報を提供することは、前記受診対象の前記第１のタイプの前記個別の実画像データから生成された前記第２のタイプの前記評価対象領域の疑似画像データから得られる疑似指標値を含む前記診断支援情報を提供することを含む、方法。
19. 請求項１３または１４において、
    前記第２のタイプの実画像データは、診断対象の異常に関連する第１の物質の分布を可視化した分布情報を含む実物質画像データであり、
    前記診断支援情を提供することは、前記受診対象の前記第１のタイプの前記個別の実画像データから生成された前記第２のタイプの前記評価対象領域の疑似画像データに含まれている、前記第１の物質の分布に対応する疑似分布情報から得られる疑似指標値を含む前記診断支援情報を提供する、方法。
20. 請求項１３ないし１９のいずれかにおいて、
    前記訓練データは、前記複数の被験対象の前記診断対象の異常の診断結果を含み、
    前記診断支援情報を提供することは、前記受診対象の前記診断対象の異常の疑似診断結果を含む前記診断支援情報を提供することを含む、方法。
21. 請求項１３ないし２０のいずれかにおいて、
    前記取得することは、前記受診対象のバイオマーカーに関連する情報を含む属性情報を取得することを含み、
    前記訓練データは、前記複数の被験対象のバイオマーカーに関連する情報を含む属性情報を含み、
    前記診断支援情報を提供することは、前記受診対象の前記個別の画像データおよび前記受診対象の前記属性情報に基づき生成された前記第２のタイプの前記評価対象領域の疑似画像データに基づく診断支援情報を提供することを含む、方法。
22. 請求項１ないし１１のいずれかに記載の画像処理モデルを提供する装置であって、
    前記訓練データを格納したストレージにアクセス可能なインターフェイスと、
    前記訓練データに基づいて、前記第１のタイプの前記参照領域の実画像データから前記第２のタイプの前記評価対象領域の疑似画像データを生成するための前記画像処理モデルを学習する学習部とを有する、装置。
23. 複数の被験対象の第１のタイプの、評価対象領域を一部に含む参照領域の実画像データと、第２のタイプの前記評価対象領域を含む実画像データとを含む訓練データを格納したストレージにアクセス可能なインターフェイスを有するコンピュータが実行する方法であって、
    前記訓練データに基づいて、前記第１のタイプの前記参照領域の実画像データから前記第２のタイプの前記評価対象領域の疑似画像データを生成するための画像処理モデルを学習することを有する、方法。
24. 請求項２３において、
    前記第２のタイプの実画像データは、診断対象の異常に関連する第１の物質の分布を可視化した分布情報を含む実物質画像データであり、
    前記学習することは、前記第２のタイプの実画像データの前記評価対象領域の前記第１の物質の分布情報から得られる実指標値と、前記第２のタイプの前記評価対象領域の疑似画像データに含まれている、前記第１の物質の分布に対応する疑似分布情報から得られる疑似指標値とを含む損失関数を用いて、前記実指標値と前記疑似指標値との差が小さくなるように前記画像処理モデルのパラメータを学習することを含む、方法。
25. 請求項２４において、
    前記損失関数は、前記第２のタイプの前記評価対象領域の疑似画像データの画素要素の値について前記第２のタイプの前記評価対象領域の実画像データの画像要素の値から乖離の度合いを示す乖離度を含む、方法。
26. 請求項２３ないし２５のいずれかにおいて、
    前記訓練データは、前記複数の被験対象のバイオマーカーに関連する情報を含む属性情報を含み、
    前記学習することは、前記属性情報を含めて前記画像処理モデルのパラメータを学習することを含む、方法。
27. 請求項２６において、
    前記バイオマーカーは、前記複数の被験対象のそれぞれの血液を分析して得られる情報および遺伝子の型に基づく情報の少なくともいずれかを含む、方法。
28. 請求項２６または２７において、
    前記画像処理モデルは、畳み込みニューラルネットワーク構造を含み、
    前記学習することは、前記属性情報を前記畳み込みニューラルネットワーク構造の特徴量に含めて前記画像処理モデルのパラメータを学習することを含む、方法。
29. コンピュータを請求項１ないし１２のいずれかに記載のシステムとして機能させる命令を有するプログラム。

Images