JP2024050046A - コンピュータプログラム、情報処理方法及び情報処理装置 - Google Patents

Abstract

【課題】コンピュータプログラム、情報処理方法及び情報処理装置の提供。【解決手段】画像診断用カテーテルより得られる管腔器官の断層画像を取得し、取得した断層画像に基づき、ステントの留置区間を推定し、前記断層画像に基づき、前記画像診断用カテーテルがスタックするリスクを判定し、推定した留置区間における前記リスクの情報を出力する処理をコンピュータに実行させる。【選択図】図８

Description

本発明は、コンピュータプログラム、情報処理方法及び情報処理装置に関する。

冠動脈における閉塞部の治療法の一つに経皮的冠状動脈インターベンション（PCI : Percutaneous Coronary Intervention）と称される方法がある。ＰＣＩは、閉塞した病変部をバルーンカテーテルで拡張し、ステントを留置して、血管を再建する低侵襲治療である。

ＰＣＩの術中又は術後において、画像診断用カテーテルを用いた血管内超音波診断法（IVUS : IntraVascular UltraSound）又は光干渉断層診断法（OCT : Optical Coherence Tomography）により、血管の状態を観察することができる。また、血管に造影剤を注入しながら、Ｘ線を用いて血管を撮影する血管造影検査により、閉塞部に至る血管の走行を観察することができる。

特開２０１７－１５３６２１号公報

画像診断用カテーテルのシャフト部には、ガイドワイヤを挿通させるためのＧＷルーメンが設けられている。センサが回転し血管状態を全周に亘り撮像する機械式画像診断用カテーテルにおいては、ＧＷルーメンはセンサよりも先端側に位置している。ＩＶＵＳやＯＣＴにより、ステント留置後の血管状態を観察する場合、留置されたステントの先端を超えて、血管の末梢側（遠位側）へＧＷルーメンを押し進める必要がある。押し進めた画像診断用カテーテルを血管から引き抜く方向へ移動させるとき、ＧＷルーメンの基端側開口部がステントストラットに引っ掛かり、スタックが発生するリスクがある。

一つの側面では、スタックが発生するリスクがある場合、ユーザに注意喚起を促すことができるコンピュータプログラム、情報処理方法及び情報処理装置を提供することを目的とする。

（１）一つの側面に係るコンピュータプログラムは、画像診断用カテーテルより得られる管腔器官の断層画像を取得し、取得した断層画像に基づき、ステントの留置区間を推定し、前記断層画像に基づき、前記画像診断用カテーテルがスタックするリスクを判定し、推定した留置区間における前記リスクの情報を出力する処理をコンピュータに実行させるためのコンピュータプログラムである。

（２）上記（１）のコンピュータプログラムにおいて、前記断層画像に基づき、前記画像診断用カテーテルと前記管腔器官との位置関係、若しくは、前記画像診断用カテーテルを案内するガイドワイヤと前記管腔器官との位置関係を特定し、特定した位置関係に基づき、前記画像診断用カテーテルがスタックするリスクを判定することが好ましい。

（３）上記（２）のコンピュータプログラムにおいて、前記断層画像から、前記画像診断用カテーテルと前記管腔器官の内腔壁との間の距離、若しくは、前記ガイドワイヤと前記管腔器官の内腔壁との間の距離を算出することにより、前記位置関係を特定することが好ましい。

（４）上記（１）のコンピュータプログラムにおいて、管腔器官の断層画像を入力した場合、前記リスクに関する情報を出力するよう学習された学習モデルに、取得した断層画像を入力して、前記学習モデルによる演算を実行し、前記学習モデルによる演算結果に基づき、前記画像診断用カテーテルがスタックするリスクを判定することが好ましい。

（５）上記（１）から（４）の何れか１つのコンピュータプログラムにおいて、前記断層画像から、前記管腔器官の外径及び内腔径を算出し、算出した管腔器官の外径及び内腔径に基づき、前記ステントの留置区間を推定することが好ましい。

（６）上記（５）のコンピュータプログラムにおいて、前記管腔器官における外弾性板の位置に基づき、前記外径を算出することが好ましい。

（７）上記（１）から（６）の何れか１つのコンピュータプログラムにおいて、前記留置区間は、前記ステントの留置が予測される区間であることが好ましい。

（８）上記（１）から（６）の何れか１つのコンピュータプログラムにおいて、前記留置区間は、前記ステントが留置された留置済みの区間であることが好ましい。

（９）上記（１）から（８）の何れか１つのコンピュータプログラムにおいて、前記画像診断用カテーテルがスタックするリスクがあると判定した箇所を前記断層画像上で強調表示することが好ましい。

（１０）上記（１）から（９）の何れか１つのコンピュータプログラムにおいて、前記断層画像と共に撮像されるアンギオ画像を取得し、前記画像診断用カテーテルがスタックするリスクがあると判定した箇所を前記アンギオ画像上で強調表示することが好ましい。

（１１）一つの側面に係る情報処理方法は、画像診断用カテーテルより得られる管腔器官の断層画像を取得し、取得した断層画像に基づき、ステントの留置区間を推定し、前記断層画像に基づき、前記画像診断用カテーテルがスタックするリスクを判定し、推定した留置区間における前記リスクの情報を出力する。

（１２）一つの側面に係る情報処理装置は、画像診断用カテーテルより得られる管腔器官の断層画像を取得する取得部と、取得した断層画像に基づき、ステントの留置区間を推定する推定部と、前記断層画像に基づき、前記画像診断用カテーテルがスタックするリスクを判定する判定部と、推定した留置区間における前記リスクの情報を出力する出力部とを備える。

一つの側面では、スタックリスクの高低に応じて、ユーザに注意喚起を促すことができる。

実施の形態１における画像診断装置の構成例を示す模式図である。 画像診断用カテーテルの概要を示す模式図である。 センサ部を挿通させた血管の断面を示す説明図である。 断層画像を説明する説明図である。 画像処理装置の構成例を示すブロック図である。 学習モデルの構成例を示す模式図である。 学習モデルによる認識結果を示す模式図である。 実施の形態１に係る画像処理装置が実行する処理の概要を説明する説明図である。 実施の形態１に係る画像処理装置が実行する処理の手順を説明するフローチャートである。 アラートの出力例を示す模式図である。 実施の形態２に係る画像処理装置が実行する処理の手順を説明するフローチャートである。 実施の形態３で用いる学習モデルの構成例を示す模式図である。 実施の形態３に係る画像処理装置が実行する処理の手順を説明するフローチャートである。

以下、本発明をその実施の形態を示す図面に基づいて詳述する。
（実施の形態１）
図１は実施の形態１における画像診断装置１００の構成例を示す模式図である。本実施の形態では、血管内超音波診断法（ＩＶＵＳ）及び光干渉断層診断法（ＯＣＴ）の両方の機能を備えるデュアルタイプのカテーテルを用いた画像診断装置について説明する。デュアルタイプのカテーテルでは、ＩＶＵＳのみによって超音波断層画像を取得するモードと、ＯＣＴのみによって光干渉断層画像を取得するモードと、ＩＶＵＳ及びＯＣＴによって両方の断層画像を取得するモードとが設けられており、これらのモードを切り替えて使用することができる。以下、超音波断層画像及び光干渉断層画像をそれぞれＩＶＵＳ画像及びＯＣＴ画像とも記載する。ＩＶＵＳ画像及びＯＣＴ画像を区別して説明する必要がない場合、単に断層画像とも記載する。

実施の形態に係る画像診断装置１００は、血管内検査装置１０１と、血管造影装置１０２と、画像処理装置３と、表示装置４と、入力装置５とを備える。血管内検査装置１０１は、画像診断用カテーテル１及びＭＤＵ（Motor Drive Unit）２を備える。画像診断用カテーテル１は、ＭＤＵ２を介して画像処理装置３に接続されている。画像処理装置３には、表示装置４及び入力装置５が接続されている。表示装置４は、例えば液晶ディスプレイ又は有機ＥＬディスプレイ等であり、入力装置５は、例えばキーボード、マウス、タッチパネル又はマイク等である。入力装置５と画像処理装置３とは、一体に構成されていてもよい。更に入力装置５は、ジェスチャ入力又は視線入力等を受け付けるセンサであってもよい。

血管造影装置１０２は画像処理装置３に接続されている。血管造影装置１０２は、患者の血管に造影剤を注入しながら、患者の生体外からＸ線を用いて血管を撮像し、当該血管の透視画像であるアンギオ画像を得るためのアンギオグラフィ装置である。血管造影装置１０２は、Ｘ線源及びＸ線センサを備え、Ｘ線源から照射されたＸ線をＸ線センサが受信することにより、患者のＸ線透視画像をイメージングする。なお、画像診断用カテーテル１にはＸ線を透過しないマーカが設けられており、アンギオ画像において画像診断用カテーテル１（マーカ）の位置が可視化される。血管造影装置１０２は、撮像して得られたアンギオ画像を画像処理装置３へ出力し、画像処理装置３を介して当該アンギオ画像を表示装置４に表示させる。なお、表示装置４には、アンギオ画像と、画像診断用カテーテル１を用いて撮像された断層画像とが表示される。

なお、本実施の形態では、画像処理装置３に、２次元のアンギオ画像を撮像する血管造影装置１０２が接続されているが、生体外の複数の方向から患者の管腔器官及び画像診断用カテーテル１を撮像する装置であれば、血管造影装置１０２に限定されない。

図２は画像診断用カテーテル１の概要を示す模式図である。なお、図２中の上側の一点鎖線の領域は、下側の一点鎖線の領域を拡大したものである。画像診断用カテーテル１は、プローブ１１と、プローブ１１の端部に配置されたコネクタ部１５とを有する。プローブ１１は、コネクタ部１５を介してＭＤＵ２に接続される。以下の説明では画像診断用カテーテル１のコネクタ部１５から遠い側を先端側と記載し、コネクタ部１５側を基端側と記載する。プローブ１１は、カテーテルシース１１ａを備え、その先端部には、ガイドワイヤＧＷが挿通可能なガイドワイヤ挿通部１４が設けられている。ガイドワイヤ挿通部１４はガイドワイヤルーメンを構成し、予め血管内に挿入されたガイドワイヤＧＷを受け入れ、ガイドワイヤＧＷによってプローブ１１を患部まで導くのに使用される。カテーテルシース１１ａは、ガイドワイヤ挿通部１４との接続部分からコネクタ部１５との接続部分に亘って連続する管部を形成している。カテーテルシース１１ａの内部にはシャフト１３が挿通されており、シャフト１３の先端側にはセンサ部１２が接続されている。

センサ部１２は、ハウジング１２ｄを有し、ハウジング１２ｄの先端側は、カテーテルシース１１ａの内面との摩擦や引っ掛かりを抑制するために半球状に形成されている。ハウジング１２ｄ内には、超音波を血管内に送信すると共に血管内からの反射波を受信する超音波送受信部１２ａ（以下ではＩＶＵＳセンサ１２ａという）と、近赤外光を血管内に送信すると共に血管内からの反射光を受信する光送受信部１２ｂ（以下ではＯＣＴセンサ１２ｂという）とが配置されている。図２に示す例では、プローブ１１の先端側にＩＶＵＳセンサ１２ａが設けられており、基端側にＯＣＴセンサ１２ｂが設けられており、シャフト１３の中心軸上（図２中の二点鎖線上）において軸方向に沿って距離ｘだけ離れて配置されている。画像診断用カテーテル１において、ＩＶＵＳセンサ１２ａ及びＯＣＴセンサ１２ｂは、シャフト１３の軸方向に対して略９０度となる方向（シャフト１３の径方向）を超音波又は近赤外光の送受信方向として取り付けられている。なお、ＩＶＵＳセンサ１２ａ及びＯＣＴセンサ１２ｂは、カテーテルシース１１ａの内面での反射波又は反射光を受信しないように、径方向よりややずらして取り付けられることが望ましい。本実施の形態では、例えば図２中の矢符で示すように、ＩＶＵＳセンサ１２ａは径方向に対して基端側に傾斜した方向を超音波の照射方向とし、ＯＣＴセンサ１２ｂは径方向に対して先端側に傾斜した方向を近赤外光の照射方向として取り付けられている。

シャフト１３には、ＩＶＵＳセンサ１２ａに接続された電気信号ケーブル（図示せず）と、ＯＣＴセンサ１２ｂに接続された光ファイバケーブル（図示せず）とが内挿されている。プローブ１１は、先端側から血管内に挿入される。センサ部１２及びシャフト１３は、カテーテルシース１１ａの内部で進退可能であり、また、周方向に回転することができる。センサ部１２及びシャフト１３は、シャフト１３の中心軸を回転軸として回転する。画像診断装置１００では、センサ部１２及びシャフト１３によって構成されるイメージングコアを用いることにより、血管の内側から撮影された超音波断層画像（ＩＶＵＳ画像）、又は、血管の内側から撮影された光干渉断層画像（ＯＣＴ画像）によって血管内部の状態を測定する。

ＭＤＵ２は、コネクタ部１５によってプローブ１１（画像診断用カテーテル１）が着脱可能に取り付けられる駆動装置であり、医療従事者の操作に応じて内蔵モータを駆動することにより、血管内に挿入された画像診断用カテーテル１の動作を制御する。例えばＭＤＵ２は、プローブ１１に内挿されたセンサ部１２及びシャフト１３を一定の速度でＭＤＵ２側に向けて引っ張りながら周方向に回転させるプルバック操作を行う。センサ部１２は、プルバック操作によって先端側から基端側に移動しながら回転しつつ、所定の時間間隔で連続的に血管内を走査することにより、プローブ１１に略垂直な複数枚の横断層像を所定の間隔で連続的に撮影する。ＭＤＵ２は、ＩＶＵＳセンサ１２ａが受信した超音波の反射波データと、ＯＣＴセンサ１２ｂが受信した反射光データとを画像処理装置３へ出力する。

画像処理装置３は、ＭＤＵ２を介してＩＶＵＳセンサ１２ａが受信した超音波の反射波データである信号データセットと、ＯＣＴセンサ１２ｂが受信した反射光データである信号データセットとを取得する。画像処理装置３は、超音波の信号データセットから超音波ラインデータを生成し、生成した超音波ラインデータに基づいて血管の横断層を撮像した超音波断層画像（ＩＶＵＳ画像）を構築する。また、画像処理装置３は、反射光の信号データセットから光ラインデータを生成し、生成した光ラインデータに基づいて血管の横断層を撮像した光干渉断層画像（ＯＣＴ画像）を構築する。ここで、ＩＶＵＳセンサ１２ａ及びＯＣＴセンサ１２ｂが取得する信号データセットと、信号データセットから構築される断層画像とについて説明する。

図３はセンサ部１２を挿通させた血管の断面を示す説明図であり、図４は断層画像を説明する説明図である。まず、図３を用いて、血管内におけるＩＶＵＳセンサ１２ａ及びＯＣＴセンサ１２ｂの動作と、ＩＶＵＳセンサ１２ａ及びＯＣＴセンサ１２ｂによって取得される信号データセット（超音波ラインデータ及び光ラインデータ）について説明する。イメージングコアが血管内に挿通された状態で断層画像の撮像が開始されると、イメージングコアが矢符で示す方向に、シャフト１３の中心軸を回転中心として回転する。このとき、ＩＶＵＳセンサ１２ａは、各回転角度において超音波の送信及び受信を行う。ライン１，２，…５１２は各回転角度における超音波の送受信方向を示している。本実施の形態では、ＩＶＵＳセンサ１２ａは、血管内において３６０度回動（１回転）する間に５１２回の超音波の送信及び受信を断続的に行う。ＩＶＵＳセンサ１２ａは、１回の超音波の送受信により、送受信方向の１ラインのデータを取得するので、１回転の間に、回転中心から放射線状に延びる５１２本の超音波ラインデータを得ることができる。５１２本の超音波ラインデータは、回転中心の近傍では密であるが、回転中心から離れるにつれて互いに疎になっていく。そこで、画像処理装置３は、各ラインの空いた空間における画素を周知の補間処理によって生成することにより、図４Ａに示すような２次元の超音波断層画像（ＩＶＵＳ画像）を生成することができる。

同様に、ＯＣＴセンサ１２ｂも、各回転角度において測定光の送信及び受信を行う。ＯＣＴセンサ１２ｂも血管内において３６０度回動する間に５１２回の測定光の送信及び受信を行うので、１回転の間に、回転中心から放射線状に延びる５１２本の光ラインデータを得ることができる。光ラインデータについても、画像処理装置３は、各ラインの空いた空間における画素を周知の補間処理によって生成することにより、図４Ａに示すＩＶＵＳ画像と同様の２次元の光干渉断層画像（ＯＣＴ画像）を生成することができる。すなわち、画像処理装置３は、反射光と、例えば画像処理装置３内の光源からの光を分離することで得られた参照光とを干渉させることで生成される干渉光に基づいて光ラインデータを生成し、生成した光ラインデータに基づいて血管の横断層を撮像した光干渉断層画像（ＯＣＴ画像）を構築する。

このように５１２本のラインデータから生成される２次元の断層画像を１フレームのＩＶＵＳ画像又はＯＣＴ画像という。なお、センサ部１２は血管内を移動しながら走査するため、移動範囲内において１回転した各位置で１フレームのＩＶＵＳ画像又はＯＣＴ画像が取得される。即ち、移動範囲においてプローブ１１の先端側から基端側への各位置で１フレームのＩＶＵＳ画像又はＯＣＴ画像が取得されるので、図４Ｂに示すように、移動範囲内で複数フレームのＩＶＵＳ画像又はＯＣＴ画像が取得される。

画像診断用カテーテル１は、ＩＶＵＳセンサ１２ａによって得られるＩＶＵＳ画像又はＯＣＴセンサ１２ｂによって得られるＯＣＴ画像と、血管造影装置１０２によって得られるアンギオ画像との位置関係を確認するために、Ｘ線を透過しないマーカを有する。図２に示す例では、カテーテルシース１１ａの先端部、例えばガイドワイヤ挿通部１４にマーカ１４ａが設けられており、センサ部１２のシャフト１３側にマーカ１２ｃが設けられている。このように構成された画像診断用カテーテル１をＸ線で撮像すると、マーカ１４ａ，１２ｃが可視化されたアンギオ画像が得られる。マーカ１４ａ，１２ｃを設ける位置は一例であり、マーカ１２ｃはセンサ部１２ではなくシャフト１３に設けてもよく、マーカ１４ａはカテーテルシース１１ａの先端部以外の箇所に設けてもよい。

図５は画像処理装置３の構成例を示すブロック図である。画像処理装置３はコンピュータ（情報処理装置）であり、制御部３１、主記憶部３２、入出力部３３、通信部３４、補助記憶部３５、読取部３６を備える。画像処理装置３は、単一のコンピュータに限らず、複数のコンピュータにより構成されるマルチコンピュータであってよい。また、画像処理装置３は、サーバクライアントシステムや、クラウドサーバ、ソフトウェアによって仮想的に構築された仮想マシンであってもよい。以下の説明では、画像処理装置３が単一のコンピュータであるものとして説明する。

制御部３１は、一又は複数のＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＧＰＧＰＵ（General purpose computing on graphics processing units）、ＴＰＵ（Tensor Processing Unit）等の演算処理装置を用いて構成されている。制御部３１は、バスを介して画像処理装置３を構成するハードウェア各部と接続されている。

主記憶部３２は、ＳＲＡＭ（Static Random Access Memory）、ＤＲＡＭ（Dynamic Random Access Memory）、フラッシュメモリ等の一時記憶領域であり、制御部３１が演算処理を実行するために必要なデータを一時的に記憶する。

入出力部３３は、血管内検査装置１０１、血管造影装置１０２、表示装置４、入力装置５等の外部装置を接続するインタフェースを備える。制御部３１は、入出力部３３を介して、血管内検査装置１０１からＩＶＵＳ画像及びＯＣＴ画像を取得し、血管造影装置１０２からアンギオ画像を取得する。また、制御部３１は、入出力部３３を介して、ＩＶＵＳ画像、ＯＣＴ画像、又はアンギオ画像の医用画像信号を表示装置４へ出力することによって、表示装置４に医用画像を表示する。更に、制御部３１は、入出力部３３を介して、入力装置５に入力された情報を受け付ける。

通信部３４は、例えば、４Ｇ、５Ｇ、ＷｉＦｉ等の通信規格に準拠した通信インタフェースを備える。画像処理装置３は、通信部３４を介して、インターネット等の外部ネットワークに接続されるクラウドサーバ等の外部サーバと通信を行う。制御部３１は、通信部３４を介して、外部サーバにアクセスし、当該外部サーバのストレージに記憶されている各種のデータを参照するものであってもよい。また、制御部３１は、当該外部サーバと例えばプロセス間通信を行うことにより、本実施の形態における処理を協働して行うものであってもよい。

補助記憶部３５は、ハードディスク、ＳＳＤ（Solid State Drive）等の記憶装置である。補助記憶部３５には、制御部３１が実行するコンピュータプログラムや制御部３１の処理に必要な各種データが記憶される。なお、補助記憶部３５は画像処理装置３に接続された外部記憶装置であってもよい。制御部３１が実行するコンピュータプログラムは、画像処理装置３の製造段階において補助記憶部３５に書き込まれてもよいし、遠隔のサーバ装置が配信するものを画像処理装置３が通信にて取得して補助記憶部３５に記憶させてもよい。コンピュータプログラムは、磁気ディスク、光ディスク、半導体メモリ等の記録媒体ＲＭに読み出し可能に記録された態様であってもよく、読取部３６が記録媒体ＲＭから読み出して補助記憶部３５に記憶させてもよい。補助記憶部３５に記憶されるコンピュータプログラムの一例は、画像診断用カテーテル１がスタックするリスクを判定し、ステントの留置区間においてスタックするリスクがあると判定した場合、注意喚起を促す情報を出力する処理をコンピュータに実行させるためのリスク判定プログラムＰＧである。

また、補助記憶部３５には、各種の学習モデルが記憶されてもよい。学習モデルはその定義情報によって記述される。学習モデルの定義情報は、学習モデルを構成する層の情報、各層を構成するノードの情報、ノード間の重み係数及びバイアスなどの内部パラメータを含む。内部パラメータは、所定の学習アルゴリズムによって学習される。補助記憶部３５には、学習済みの内部パラメータを含む学習モデルの定義情報が記憶される。補助記憶部３５に記憶される学習モデルの一例は、断層画像から、血管領域、内腔領域、ガイドワイヤ領域、及びカテーテル領域を認識する処理に用いられる学習モデルＭＤ１である。

図６は学習モデルＭＤ１の構成例を示す模式図である。学習モデルＭＤ１は、画像セグメンテーションを行うための学習モデルであり、例えば、ＳｅｇＮｅｔなどの畳み込み層を備えたニューラルネットワークにより構築される。代替的に、学習モデルＭＤ１は、ＳｅｇＮｅｔに限らず、ＦＣＮ（Fully Convolutional Network）、Ｕ－Ｎｅｔ（U-Shaped Network）、ＰＳＰＮｅｔ（Pyramid Scene Parsing Network）など画像セグメンテーション用の学習モデルであってもよい。また、学習モデルＭＤ１は、ＹＯＬＯ（You Only Look Once）、ＳＳＤ（Single Shot Multi-Box Detector）、ＶｉＴ（Vision Transformer）など物体検出用の学習モデルであってもよい。

本実施の形態において、学習モデルＭＤ１への入力画像は、血管内検査装置１０１より得られる血管の断層画像（ＩＶＵＳ画像又はＯＣＴ画像）である。学習モデルＭＤ１は、断層画像の入力に対し、断層画像に含まれる血管領域、内腔領域、ガイドワイヤ領域、及びカテーテル領域の認識結果を示す情報を出力するように学習される。ここで、血管領域は断層画像内において血管が存在する領域である。ＩＶＵＳ画像では血管の外膜表面は不明瞭になることが多い。このため、代替的に外弾性板（ＥＥＭ：External Elastic Membrane）により囲まれる領域が血管領域として認識されてもよい。内腔領域は、断層画像内において血管の内腔壁によって囲まれる領域である。ガイドワイヤ領域は、断層画像内において血管内部に挿通されたガイドワイヤＧＷが存在する領域である。ＩＶＵＳ画像には高輝度の比較的小さな領域としてガイドワイヤ領域が現れる。カテーテル領域は、断層画像内において血管内部に挿通された画像診断用カテーテル１のセンサ部１２が存在する領域である。ＩＶＵＳ画像には黒色の円形領域として画像の中心付近にカテーテル領域が現れる。

学習モデルＭＤ１は、例えば、エンコーダＥＮ、デコーダＤＥ、及びソフトマックス層ＳＭを備える。エンコーダＥＮは、畳み込み層とプーリング層とを交互に配置して構成される。畳み込み層は２～３層に多層化されている。

畳み込み層では、入力されるデータと、それぞれにおいて定められたサイズ（例えば、３×３や５×５など）のフィルタとの畳み込み演算を行う。すなわち、フィルタの各要素に対応する位置に入力された入力値と、フィルタに予め設定された重み係数とを要素毎に乗算し、これら要素毎の乗算値の線形和を算出する。算出した線形和に、設定されたバイアスを加算することによって、畳み込み層における出力が得られる。なお、畳み込み演算の結果は活性化関数によって変換されてもよい。活性化関数として、例えばＲｅＬＵ（Rectified Linear Unit）を用いることができる。畳み込み層の出力は、入力データの特徴を抽出した特徴マップを表している。

プーリング層では、入力側に接続された上位層である畳み込み層から出力された特徴マップの局所的な統計量を算出する。具体的には、上位層の位置に対応する所定サイズ（例えば、２×２、３×３）のウインドウを設定し、ウインドウ内の入力値から局所の統計量を算出する。統計量としては、例えば最大値を採用できる。プーリング層から出力される特徴マップのサイズは、ウインドウのサイズに応じて縮小（ダウンサンプリング）される。図６の例は、エンコーダＥＮにおいて畳み込み層における演算とプーリング層における演算とを順次繰り返すことによって、２２４画素×２２４画素の入力画像を、１１２×１１２、５６×５６、２８×２８、…、１×１の特徴マップに順次ダウンサンプリングしていることを示している。

エンコーダＥＮの出力は、デコーダＤＥに入力される。デコーダＤＥは、逆畳み込み層と逆プーリング層とを交互に配置して構成される。逆畳み込み層は２～３層に多層化されている。

逆畳み込み層では、入力された特徴マップに対して、逆畳み込み演算を行う。逆畳み込み演算とは、入力された特徴マップが特定のフィルタを用いて畳み込み演算された結果であるという推定の下、畳み込み演算される前の特徴マップを復元する演算である。この演算では、特定のフィルタを行列で表したとき、この行列に対する転置行列と、入力された特徴マップとの積を算出することで、出力用の特徴マップを生成する。なお、逆畳み込み層の演算結果は、上述したＲｅＬＵなどの活性化関数によって変換されてもよい。

デコーダＤＥが備える逆プーリング層は、エンコーダＥＮが備えるプーリング層に１対１で個別に対応付けられており、対応付けられている対は実質的に同一のサイズを有する。逆プーリング層は、エンコーダＥＮのプーリング層においてダウンサンプリングされた特徴マップのサイズを再び拡大（アップサンプリング）する。図６の例は、デコーダＤＥにおいて畳み込み層における演算とプーリング層における演算とを順次繰り返すことによって、１×１、７×７、１４×１４、…、２２４×２２４の特徴マップに順次アップサンプリングしていることを示している。

デコーダＤＥの出力は、ソフトマックス層ＳＭに入力される。ソフトマックス層ＳＭは、入力側に接続された逆畳み込み層からの入力値にソフトマックス関数を適用することにより、各位置（画素）における部位を識別するラベルの確率を出力する。本実施の形態では、血管領域、内腔領域、ガイドワイヤ領域、カテーテル領域を識別するラベルが設定される。画像処理装置３の制御部３１は、ソフトマックス層ＳＭから出力されるラベルの確率を参照して、血管領域、内腔領域、ガイドワイヤ領域、カテーテル領域を認識する。

図７は学習モデルＭＤ１による認識結果を示す模式図である。画像処理装置３の制御部３１は、血管内検査装置１０１より得られる断層画像を学習モデルＭＤ１に入力し、学習モデルＭＤ１による演算を実行することにより、図７に示すような認識結果を取得する。図７において、境界線Ｂ１によって囲まれる領域は血管領域、境界線Ｂ２によって囲まれる領域は内腔領域、境界線Ｂ３によって囲まれる領域はガイドワイヤ領域、境界線Ｂ４によって囲まれる領域はカテーテル領域である。画像セグメンテーションでは、境界線Ｂ１と境界線Ｂ２との間の領域が血管領域として認識され、境界線Ｂ２と境界線Ｂ４との間の領域が内腔領域として認識される。また、境界線Ｂ３及び境界線Ｂ４の内側の領域はそれぞれガイドワイヤ領域、カテーテル領域として認識される。なお、断層画像がＩＶＵＳ画像である場合、境界線Ｂ１は外弾性板が存在する位置を示す。

図７に示す血管径は血管領域の直径であり、内腔径は内腔領域の直径である。制御部３１は、断層画像の縮尺に基づき、血管径及び内腔径の実際の寸法を算出することができる。例えば、ＩＶＵＳ画像は超音波により計測される寸法情報を基に生成されるので、１画素が何ｍｍに相当するのかは画像診断装置１００において既知の情報である。制御部３１は、画像診断装置１００において既知の寸法情報に基づき、血管径及び内腔径の実際の寸法を算出することができる。また、断層画像がＤＩＣＯＭ形式のデータである場合、メタ情報に縮尺情報が含まれているので、メタ情報に含まれる縮尺情報を参照して、血管径及び内腔径の実際の寸法を算出してもよい。一方、断層画像がメタ情報を持たない画像形式のデータである場合、断層画像に映っているセンサ部１２（すなわちカテーテル領域）の寸法が既知であれば、その寸法情報に基づき、血管径及び内腔径の実際の寸法を算出することが可能である。

図７において、Ｌ１はガイドワイヤＧＷと内腔壁との間の距離を表し、Ｌ２は画像診断用カテーテル１と内腔壁との間の距離を表す。上記と同様に、制御部３１は、既知の寸法情報を基に、距離Ｌ１及び距離Ｌ２の実際の寸法を算出することができる。

図７では、説明を簡略化するために、血管領域及び内腔領域をそれぞれ円形領域として記載しているが、これらの領域は実際には完全な円形領域として観測されることは少ない。このため、制御部３１は、各領域の中心（若しくは重心）を基準にして周方向に走査し、血管径及び内腔径に関して、最大径、最小径、及び平均径を算出してもよく、距離Ｌ１及び距離Ｌ２に関して、最大距離、最小距離、及び平均距離を算出してもよい。

図８は実施の形態１に係る画像処理装置３が実行する処理の概要を説明する説明図である。実施の形態１に係る画像処理装置３は、ステントが留置される前の血管の断層画像を取得し、取得した断層画像に基づき、ステントの留置が予測される区間（以下、留置区間ともいう）を推定する。血管（冠動脈）の壁内にプラークと呼ばれる脂質に富んだ構造物が沈着すると、血管は狭窄又は閉塞し、狭心症や心筋梗塞といった虚血性心疾患の原因となる。画像処理装置３は、血管内検査装置１０１から得られる断層画像に基づき、血管径及び内腔径を算出し、算出した血管径及び内腔径を基に血管の狭窄部位又は閉塞部位を特定することによって留置区間を推定する。例えば、血管径に対する内腔径の比率が第１閾値未満（例えば７０％未満）である場合、その断層画像には狭窄部位が存在すると判断する。狭窄部位が存在する断層画像が血管の長軸方向に沿って連続して現れる場合、その区間をステントの留置区間として推定することができる。

また、画像処理装置３は、取得した断層画像に基づき、画像診断用カテーテル１がスタックするリスクを判定する。ガイドワイヤＧＷ又は画像診断用カテーテル１が内腔壁に近づく程、画像診断用カテーテル１がスタックするリスクが高まるので、例えば、ガイドワイヤＧＷと内腔壁との間の距離Ｌ１、若しくは、画像診断用カテーテル１と内腔壁との間の距離Ｌ２が第２閾値未満（例えば０．５ｍｍ未満）である場合、スタックするリスクが高いと判定することができる。

画像処理装置３は、ステントの留置区間に、スタックするリスクが高い箇所が存在する場合、術者に対して注意喚起を促すために、アラートを出力する。具体的には、画像処理装置３は、スタックするリスクが高い箇所を縦断層画像上で強調表示する。代替的に、アンギオ画像上の対応箇所を強調表示してもよい。

以下、画像処理装置３の動作について説明する。
図９は実施の形態１に係る画像処理装置３が実行する処理の手順を説明するフローチャートである。実施の形態１では、ステントが留置される前の断層画像を使用して、スタックリスクを判定する。血管内検査装置１０１は、画像診断用カテーテル１のセンサ部１２を先端側（遠位側）から基端側（近位側）に移動させながら血管内を走査して、一連の断層画像（横断層画像）を生成する。画像処理装置３の制御部３１は、入出力部３３を通じて、血管内検査装置１０１により生成される一連の断層画像を取得する（ステップＳ１０１）。

制御部３１は、取得した一連の断層画像をそれぞれ学習モデルＭＤ１に入力して、学習モデルＭＤ１による演算を実行し、各断層画像についてセグメンテーションを実行する（ステップＳ１０２）。学習モデルＭＤ１を用いたセグメンテーションによって、血管領域、内腔領域、ガイドワイヤ領域、及びカテーテル領域が断層画像から抽出される。

制御部３１は、学習モデルＭＤ１による認識結果に基づき、各断層画像において血管径及び内腔径を算出する（ステップＳ１０３）。例えば、制御部３１は、画像診断装置１００において既知の寸法情報（１画素が何ｍｍに相当するかの情報）を参照して、血管径及び内腔径の実寸を算出することができる。

制御部３１は、各断層画像において算出した血管径及び内腔径に基づき、ステントの留置が予測される区間を推定する（ステップＳ１０４）。制御部３１は、例えば、断層画像から算出した血管径及び内腔径に基づき、血管径に対する内腔径の比率を算出し、算出した比率が第１閾値未満（例えば７０％未満）である場合、その断層画像に狭窄部位が存在すると判断する。狭窄部位が存在する断層画像が血管の長軸方向に沿って連続して現れる区間が存在する場合、制御部３１は、その区間をステントの留置区間として推定する。

制御部３１は、学習モデルＭＤ１による認識結果に基づき、各断層画像において、ガイドワイヤＧＷと内腔壁との間の距離Ｌ１と、画像診断用カテーテル１と内腔壁との間の距離Ｌ２とを算出する（ステップＳ１０５）。例えば、制御部３１は、画像診断装置１００において既知の寸法情報（１画素が何ｍｍに相当するかの情報）を参照して、距離Ｌ１，Ｌ２の実寸を算出することができる。

制御部３１は、算出した距離Ｌ１，Ｌ２に基づき、各断層画像において画像診断用カテーテル１がスタックするリスクを判定する（ステップＳ１０６）。制御部３１は、例えば、ガイドワイヤＧＷと内腔壁との間の距離Ｌ１、若しくは、画像診断用カテーテル１と内腔壁との間の距離Ｌ２が第２閾値未満（例えば０．５ｍｍ未満）である場合、その断層画像において画像診断用カテーテル１がスタックするリスクが高いと判定することができる。

本実施の形態では、距離Ｌ１，Ｌ２に対して共通の閾値（第２閾値）を設定したが、それぞれ個別の閾値を設定してもよい。また、本実施の形態では、閾値との比較により、リスクの高低（有無）を判定する構成としたが、複数の閾値を設定し、リスクのレベルを段階的に判定してもよい。

本実施の形態では、便宜的に、ステントの留置区間を推定した後にスタックするリスクを判定する手順としたが、スタックするリスクを判定した後にステントの留置区間を推定してもよく、これらの手順を同時並行的に実行してもよい。

制御部３１は、ステップＳ１０４の推定結果と、ステップＳ１０６の判定結果とを参照して、ステントの留置が予測される区間（留置区間）に、スタックリスクが高い箇所が存在するか否かを判断する（ステップＳ１０７）。このとき、留置区間に該当する複数の断層画像のうち、所定割合以上の断層画像においてスタックリスクが高い箇所が存在するか否かを判断してもよい。

ステントの留置区間にスタックリスクが高い箇所が存在しないと判断した場合（Ｓ１０７：ＮＯ）、制御部３１は、本フローチャートによる処理を終了する。

ステントの留置区間にスタックリスクが高い箇所が存在すると判断した場合（Ｓ１０７：ＹＥＳ）、制御部３１は、術者に対して注意喚起を促すために、アラートを出力する（ステップＳ１０８）。

図１０はアラートの出力例を示す模式図である。図１０は制御部３１が表示装置４に表示させる画面の一例を示している。この表示画面３００には、血管の横断層画像３１０、縦断層画像３２０、及びアンギオ画像３３０が示されている。この例における横断層画像３１０は、全８７５フレーム中の４３４番目のフレームを示している。横断層画像３１０には、学習モデルＭＤ１により抽出される血管領域、内腔領域、ガイドワイヤ領域、及びカテーテル領域のそれぞれの輪郭線３１１～３１４が併せて表示されている。

縦断層画像３２０には、マーカ３２１～３２３が示されている。マーカ３２１は、横断層画像３１０の取得位置を示す。マーカ３２２は、ステントの留置が予測される区間を示す。マーカ３２３は、スタックリスクが高い箇所を示す。また、ステントとして、直径が３．５ｍｍ、長さが２１ｍｍのステントが選択可能である旨の情報が示されている。その他、血管径、内腔径、プラークバーデン（血管の断面積に対するプラーク面積の比率）、ガイドワイヤＧＷから内腔壁までの距離Ｌ１、画像診断用カテーテル１から内腔壁までの距離Ｌ２などの情報が表示されてもよい。

アンギオ画像３３０には、マーカ３３１が示されている。このマーカ３３１は、アンギオ画像３３０上でスタックリスクが高い箇所を示している。すなわち、アンギオ画像３３０上のマーカ３３１は、縦断層画像３２０上のマーカ３２３に対応する。制御部３１は、公知の手法を用いて、縦断層画像３２０上の位置に対応するアンギオ画像３３０上の位置を導出することが可能である。

図１０の例では、マーカ３２３を縦断層画像３２０上に表示することにより、術者に注意喚起を促すことができる。なお、図１０の例では、ハッチングを付した矩形領域によりマーカ３２３を示しているが、マーカ３２３の形状や色は適宜設定することが可能である。マーカ３２３に代えて、文字情報を表示してもよい。また、画像処理装置３が音声出力手段を備える場合、音声によってスタックリスクが高い箇所の情報を報知してもよい。

なお、術者が、マーカ３２２が示すステントの留置区間を画面上で修正した場合、制御部３１は、修正後の留置区間内にスタックリスクの高い箇所が存在するか否かを判定し、判定結果に応じて、マーカ３２３の位置を変更してもよい。

以上のように、実施の形態１では、ステントの留置が予測される区間において、スタックリスクが高いと判定した場合、術者に対して注意喚起を促すためにアラートを出力する。スタックが発生すると、解除のために手技時間が延び、患者の負担が増加する。また、スタックの影響によりステントに不用意な力が加わり、ステントに変形が生じた場合、修正の必要が生じ、患者の負担が更に増加する。実施の形態１では、ステントが留置される前のタイミングでスタックリスクが高い箇所を術者に知らせることができるので、リスクの軽減を図ることができる。

（実施の形態２）
実施の形態２では、ステントが留置された後のスタックリスク判定処理について説明する。
画像診断装置１００の全体構成、画像処理装置３の内部構成等については、実施の形態１と同様であるため、その説明を省略することとする。

図１１は実施の形態２に係る画像処理装置３が実行する処理の手順を説明するフローチャートである。実施の形態１では、ステントが留置された後の断層画像を使用して、スタックリスクを判定する。画像処理装置３の制御部３１は、入出力部３３を通じて、血管内検査装置１０１により生成される一連の断層画像を取得する（ステップＳ２０１）。

制御部３１は、取得した一連の断層画像をそれぞれ学習モデルＭＤ１に入力して、学習モデルＭＤ１による演算を実行し、各断層画像についてセグメンテーションを実行する（ステップＳ２０２）。実施の形態２における学習モデルＭＤ１は、血管領域、内腔領域、ガイドワイヤ領域、及びカテーテル領域に加え、ステントより内側の領域を認識するよう学習されているものとする。制御部３１は、学習モデルＭＤ１を用いたセグメンテーションによって、血管領域、内腔領域、ガイドワイヤ領域、カテーテル領域、ステント領域を断層画像から抽出する。

制御部３１は、学習モデルＭＤ１による認識結果に基づき、ステントが留置されている区間を推定する（ステップＳ２０３）。ステント領域が存在する断層画像が血管の長軸方向に沿って連続して現れる場合、その区間をステントが留置されている区間（以下、留置区間ともいう）として推定することができる。

制御部３１は、学習モデルＭＤ１による認識結果に基づき、各断層画像において、ガイドワイヤＧＷと内腔壁との間の距離Ｌ１と、画像診断用カテーテル１と内腔壁との間の距離Ｌ２とを算出する（ステップＳ２０４）。例えば、制御部３１は、画像診断装置１００において既知の寸法情報（１画素が何ｍｍに相当するかの情報）を参照して、距離Ｌ１，Ｌ２の実寸を算出することができる。実施の形態２では、ステントが留置されている区間については、距離Ｌ１，Ｌ２に代えて、ガイドワイヤＧＷとステントとの間の距離、及び画像診断用カテーテル１とステントとの間の距離を算出してもよい。

制御部３１は、算出した距離Ｌ１，Ｌ２に基づき、各断層画像において画像診断用カテーテル１がスタックするリスクを判定する（ステップＳ２０５）。制御部３１は、例えば、ガイドワイヤＧＷと内腔壁との間の距離Ｌ１、若しくは、画像診断用カテーテル１と内腔壁との間の距離Ｌ２が第２閾値未満（例えば０．５ｍｍ未満）である場合、その断層画像において画像診断用カテーテル１がスタックするリスクが高いと判定することができる。

本実施の形態では、便宜的に、ステントの留置区間を推定した後にスタックするリスクを判定する手順としたが、スタックするリスクを判定した後にステントの留置区間を推定してもよく、これらの手順を同時並行的に実行してもよい。

制御部３１は、ステップＳ２０３の推定結果と、ステップＳ２０５の判定結果とを参照して、ステントの留置が予測される区間（留置区間）に、スタックリスクが高い箇所が存在するか否かを判断する（ステップＳ２０６）。

ステントの留置区間にスタックリスクが高い箇所が存在しないと判断した場合（Ｓ２０６：ＮＯ）、制御部３１は、本フローチャートによる処理を終了する。

ステントの留置区間にスタックリスクが高い箇所が存在すると判断した場合（Ｓ２０６：ＹＥＳ）、制御部３１は、術者に対して注意喚起を促すために、アラートを出力する（ステップＳ２０７）。

アラートの出力方法は、実施の形態１と同様である。すなわち、制御部３１は、図１０に示すような表示画面３００を表示装置４に表示させ、術者に注意喚起を促す強調表示を行う。

以上のように、実施の形態２では、ステントが留置されている区間において、スタックリスクが高いと判定した場合、術者に対して注意喚起を促すためにアラートを出力する。術後観察のために画像診断用カテーテル１を用いる際、ＧＷルーメンの基端側開口部がステントストラットに引っ掛かり、スタックが発生する可能性がある。スタックが発生すると、解除のために手技時間が延び、患者の負担が増加する。また、スタックの影響によりステントに不用意な力が加わり、ステントに変形が生じた場合、修正の必要が生じ、患者の負担が更に増加する。実施の形態２では、ステントが留置された後のタイミングでスタックリスクが高い箇所を術者に知らせることができるので、スタックリスクの軽減を図ることができる。

実施の形態１では、ステントが留置される前の状態、実施の形態２では、ステントが留置された後の状態について説明したが、学習モデルＭＤ１による認識結果に基づき、ステントが留置されているか否かを判断し、ステントが留置されている場合、図１１に示すフローチャートに従ってスタックリスクの判定処理を行い、ステントが留置されていない場合、図９に示すフローチャートに従ってスタックリスクの判定処理を行ってもよい。

（実施の形態３）
実施の形態３では、学習モデルを用いてスタックリスクを判定する構成について説明する。
画像診断装置１００の全体構成、画像処理装置３の内部構成等については、実施の形態１と同様であるため、その説明を省略することとする。

図１２は実施の形態３で用いる学習モデルＭＤ２の構成例を示す模式図である。学習モデルＭＤ２は、例えば、入力層ＬＹ１、中間層ＬＹ２、及び出力層ＬＹ３を備える。学習モデルＭＤ２の一例は、ＣＮＮ（Convolutional neural network）による学習モデルである。代替的に、学習モデルＭＤ２は、ＹＯＬＯ、ＳＳＤ、ＳＶＭ、決定木等に基づく学習モデルであってもよい。

入力層ＬＹ１には、血管の断層画像（ＩＶＵＳ画像又はＯＣＴ画像）が入力される。入力層ＬＹ１に入力された断層画像のデータは中間層ＬＹ２に与えられる。

中間層ＬＹ２は、畳み込み層、プーリング層、及び全結合層により構成される。畳み込み層とプーリング層とは交互に複数設けられてもよい。畳み込み層及びプーリング層は、各層のノードを用いた演算によって、入力層ＬＹ１より入力される断層画像の特徴を抽出する。全結合層は、畳み込み層及びプーリング層によって特徴部分が抽出されたデータを１つのノードに結合し、活性化関数によって変換された特徴変数を出力する。特徴変数は、全結合層を通じて出力層へ出力される。

出力層ＬＹ３は、例えば１つのノードを備える。出力層ＬＹ３は、中間層ＬＹ２の全結合層から入力される特徴変数に基づき、スタックリスクを示す確率を計算し、ノードから出力する。

学習モデルＭＤ２は、画像診断用カテーテル１がスタックしているときの断層画像、画像診断用カテーテル１がスタックしていないときの断層画像を訓練データとし収集し、収集した断層画像を訓練データに用いて、所定の学習アルゴリズムで学習することにより生成される。

なお、スタックリスクを算出する学習モデルは図１２に示す学習モデルＭＤ２に限定されない。例えば、図６に示すようなセマンティックセグメンテーションにより学習した学習済みネットワークのエンコーダの出力部分を、スタックリスクを判定する分類器に接続した構成であってもよい。また、セマンティックセグメンテーションの推論結果から、スタックに関係する特徴量（距離Ｌ１，Ｌ２など）を抽出し、スタックリスクを判定する分類器に入力する構成としてもよい。スタックに関係の深い特徴量を抽出することによって、判定精度を更に高めることができる。

図１３は実施の形態３に係る画像処理装置３が実行する処理の手順を説明するフローチャートである。画像処理装置３の制御部３１は、入出力部３３を通じて、血管内検査装置１０１により生成される一連の断層画像を取得する（ステップＳ３０１）。

制御部３１は、取得した一連の断層画像をそれぞれ学習モデルＭＤ１に入力して、学習モデルＭＤ１による演算を実行し、各断層画像についてセグメンテーションを実行する（ステップＳ３０２）。制御部３１は、学習モデルＭＤ１を用いたセグメンテーションによって、例えば、血管領域、内腔領域、ガイドワイヤ領域、カテーテル領域、ステント領域を断層画像から抽出する。

制御部３１は、学習モデルＭＤ１による認識結果に基づき、ステントの留置区間を推定する（ステップＳ３０３）。制御部３１は、実施の形態１と同様の手順にて、ステントの留置が予測される区間を推定してもよく、実施の形態２と同様の手順にて、ステントが留置されている区間を推定してもよい。

制御部３１は、取得した一連の断層画像をそれぞれ学習モデルＭＤ２に入力して、学習モデルＭＤ２による演算を実行し、各断層画像において画像診断用カテーテル１がスタックするリスクを判定する（ステップＳ３０４）。

本実施の形態では、便宜的に、ステントの留置区間を推定した後にスタックするリスクを判定する手順としたが、スタックするリスクを判定した後にステントの留置区間を推定してもよく、これらの手順を同時並行的に実行してもよい。

制御部３１は、ステップＳ３０３の推定結果と、ステップＳ３０４の判定結果とを参照して、ステントの留置が予測される区間（留置区間）に、スタックリスクが高い箇所が存在するか否かを判断する（ステップＳ３０５）。すなわち、制御部３１は、学習モデルＭＤ２から出力されるスタックリスク（確率）と予め設定した閾値とを比較し、スタックリスクが閾値より大きくなった箇所が留置区間に存在するか否かを判断する。

ステントの留置区間にスタックリスクが高い箇所が存在しないと判断した場合（Ｓ３０５：ＮＯ）、制御部３１は、本フローチャートによる処理を終了する。

ステントの留置区間にスタックリスクが高い箇所が存在すると判断した場合（Ｓ３０５：ＹＥＳ）、制御部３１は、術者に対して注意喚起を促すために、アラートを出力する（ステップＳ３０６）。

アラートの出力方法は、実施の形態１と同様である。すなわち、制御部３１は、図１０に示すような表示画面３００を表示装置４に表示させ、術者に注意喚起を促す強調表示を行う。

以上のように、実施の形態３では、ステントが留置されている区間において、スタックリスクが高いと判定した場合、術者に対して注意喚起を促すためにアラートを出力する。実施の形態３では、学習モデルＭＤ２を用いてスタックリスクを判定するので、精度良くスタックリスクを判定することができる。

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、制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、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及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。

１ 画像診断用カテーテル
２ ＭＤＵ
３ 画像処理装置
４ 表示装置
５ 入力装置
３１ 制御部
３２ 主記憶部
３３ 入出力部
３４ 通信部
３５ 補助記憶部
３６ 読取部
１００ 画像診断装置
１０１ 血管内検査装置
１０２ 血管造影装置
ＰＧ リスク判定プログラム
ＭＤ１，ＭＤ２ 学習モデル

Claims (12)

1. 画像診断用カテーテルより得られる管腔器官の断層画像を取得し、
   取得した断層画像に基づき、ステントの留置区間を推定し、
   前記断層画像に基づき、前記画像診断用カテーテルがスタックするリスクを判定し、
   推定した留置区間における前記リスクの情報を出力する
   処理をコンピュータに実行させるためのコンピュータプログラム。
2. 前記断層画像に基づき、前記画像診断用カテーテルと前記管腔器官との位置関係、若しくは、前記画像診断用カテーテルを案内するガイドワイヤと前記管腔器官との位置関係を特定し、
   特定した位置関係に基づき、前記画像診断用カテーテルがスタックするリスクを判定する
   処理を前記コンピュータに実行させるための請求項１に記載のコンピュータプログラム。
3. 前記断層画像から、前記画像診断用カテーテルと前記管腔器官の内腔壁との間の距離、若しくは、前記ガイドワイヤと前記管腔器官の内腔壁との間の距離を算出することにより、前記位置関係を特定する
   処理を前記コンピュータに実行させるための請求項２に記載のコンピュータプログラム。
4. 管腔器官の断層画像を入力した場合、前記リスクに関する情報を出力するよう学習された学習モデルに、取得した断層画像を入力して、前記学習モデルによる演算を実行し、
   前記学習モデルによる演算結果に基づき、前記画像診断用カテーテルがスタックするリスクを判定する
   処理を前記コンピュータに実行させるための請求項１に記載のコンピュータプログラム。
5. 前記断層画像から、前記管腔器官の外径及び内腔径を算出し、
   算出した管腔器官の外径及び内腔径に基づき、前記ステントの留置区間を推定する
   処理を前記コンピュータに実行させるための請求項１に記載のコンピュータプログラム。
6. 前記管腔器官における外弾性板の位置に基づき、前記外径を算出する
   処理を前記コンピュータに実行させるための請求項５に記載のコンピュータプログラム。
7. 前記留置区間は、前記ステントの留置が予測される区間である
   請求項１に記載のコンピュータプログラム。
8. 前記留置区間は、前記ステントが留置された留置済みの区間である
   請求項１に記載のコンピュータプログラム。
9. 前記画像診断用カテーテルがスタックするリスクがあると判定した箇所を前記断層画像上で強調表示する
   処理を前記コンピュータに実行させるための請求項１から請求項８の何れか１つに記載のコンピュータプログラム。
10. 前記断層画像と共に撮像されるアンギオ画像を取得し、
    前記画像診断用カテーテルがスタックするリスクがあると判定した箇所を前記アンギオ画像上で強調表示する
    処理を前記コンピュータに実行させるための請求項１から請求項８の何れか１つに記載のコンピュータプログラム。
11. 画像診断用カテーテルより得られる管腔器官の断層画像を取得し、
    取得した断層画像に基づき、ステントの留置区間を推定し、
    前記断層画像に基づき、前記画像診断用カテーテルがスタックするリスクを判定し、
    推定した留置区間における前記リスクの情報を出力する
    処理をコンピュータにより実行する情報処理方法。
12. 画像診断用カテーテルより得られる管腔器官の断層画像を取得する取得部と、
    取得した断層画像に基づき、ステントの留置区間を推定する推定部と、
    前記断層画像に基づき、前記画像診断用カテーテルがスタックするリスクを判定する判定部と、
    推定した留置区間における前記リスクの情報を出力する出力部と
    を備える情報処理装置。

Images