JP5677521B2

JP5677521B2 - Information processing apparatus, information processing method, program, and storage medium

Info

Publication number: JP5677521B2
Application number: JP2013144853A
Authority: JP
Inventors: 和大宮狭; 守田　憲司; 憲司守田
Original assignee: Canon Inc
Current assignee: Canon Inc
Priority date: 2013-07-10
Filing date: 2013-07-10
Publication date: 2015-02-25
Anticipated expiration: 2029-01-14
Also published as: JP2013198817A

Description

本発明は、類似する症例データを検索するための情報処理技術に関するものである。 The present invention relates to an information processing technique for searching for similar case data.

近年、病院情報システム（ＨＩＳ）や画像保管通信システム（ＰＡＣＳ）等の医用情報システムの普及に伴って、医用文書及び医用画像の電子化が進展している。なお、ＨＩＳとは、Hospital Information System の略語であり、ＰＡＣＳとは、Picture Archiving and Communication System の略語である。 In recent years, with the spread of medical information systems such as hospital information systems (HIS) and image storage communication systems (PACS), digitization of medical documents and medical images has progressed. HIS is an abbreviation for Hospital Information System, and PACS is an abbreviation for Picture Archiving and Communication System.

これにより、以前はフィルムに現像されてからシャーカステン上で見ることが多かった医用画像（Ｘ線画像、ＣＴ画像、ＭＲＩ画像など）は、現在、デジタル化され、モニタ上で見ることが可能となっている。 As a result, medical images (X-ray images, CT images, MRI images, etc.) that were often viewed on the Schaukasten after being developed on film are now digitized and can be viewed on a monitor. ing.

具体的には、デジタル化された医用画像（医用画像データ）はＰＡＣＳ等に保管され、必要な時にＰＡＣＳから読み出し、読影端末のモニタ上で読影することが可能となっている。 Specifically, a digitized medical image (medical image data) is stored in a PACS or the like, and can be read from the PACS and read on a monitor of the interpretation terminal when necessary.

また、診療記録等の医用文書も診療録データとして電子化され、被検体である患者の診療録データをＨＩＳ等から読み出し、読影端末のモニタ上で見ることが可能となっている。 In addition, medical documents such as medical records are digitized as medical record data, so that medical record data of a patient who is a subject can be read from the HIS or the like and viewed on a monitor of an interpretation terminal.

このように電子化された環境では、読影医は、読影の依頼箋を電子的なメッセージによって受け取り、当該メッセージに基づいて該当する患者の医用画像データをＰＡＣＳから読み出し、読影端末の読影専用モニタ上に表示させながら診断を行うこととなる。また、必要に応じて患者の診療録データをＨＩＳから読み出して、別のモニタ上に表示させながら診断を行うこととなる。 In such an electronic environment, the interpreting doctor receives an interpretation request form as an electronic message, reads out the medical image data of the corresponding patient from the PACS based on the message, and displays it on the interpretation dedicated monitor of the interpretation terminal. Diagnosis is performed while displaying on the screen. In addition, diagnosis is performed while reading the medical record data of the patient from the HIS as necessary and displaying the data on another monitor.

一方で、読影医の読影時の負担軽減を目的として、医用画像データを画像解析することにより疾患部位等を自動検出して、コンピュータ支援診断を行う医用画像処理装置の開発が進められている。なお、以下、かかるコンピュータ支援診断を、ＣＡＤ（Computer-Aided Diagnosis）と称する。 On the other hand, for the purpose of reducing the burden at the time of interpretation by an interpreting doctor, development of a medical image processing apparatus that automatically detects a diseased part by performing image analysis of medical image data and performs computer-aided diagnosis is underway. Hereinafter, such computer-aided diagnosis is referred to as CAD (Computer-Aided Diagnosis).

このようなＣＡＤでは、異常陰影候補を疾患部位として自動検出し、表示することができる。具体的には、Ｘ線画像等の医用画像データをコンピュータ処理することにより、癌等による異常な腫留陰影や高濃度の微小石灰化陰影等を検出し、表示させることができる。このため、ＣＡＤを用いれば、読影医の読影時の負荷を軽減させることができるとともに、読影精度を向上させることができるようになる。 In such CAD, abnormal shadow candidates can be automatically detected as diseased sites and displayed. Specifically, by processing medical image data such as an X-ray image, abnormal tumor shadows due to cancer or the like, high-density microcalcification shadows, and the like can be detected and displayed. For this reason, if CAD is used, it is possible to reduce the load at the time of interpretation by an interpreting doctor and to improve interpretation accuracy.

更に、読影医の読影時の負荷を軽減させるための技術として、例えば、下記特許文献１が挙げられる。当該特許文献１によれば、医用画像データから異常候補を自動検出するとともに、異常候補の部位を囲む領域（以降、関心領域と呼ぶ）を自動設定することができるため、読影医が関心領域を手動で設定する手間を省くことが可能となる。 Furthermore, as a technique for reducing the load at the time of interpretation by an interpreting doctor, for example, Patent Document 1 below can be cited. According to Patent Document 1, an abnormality candidate is automatically detected from medical image data, and a region surrounding the region of the abnormality candidate (hereinafter referred to as a region of interest) can be automatically set. Manual setting can be saved.

一方で、読影医による読影時の読影精度を更に向上させるための技術開発も求められている。一般に、読影医が医用画像データを読影して診断を行う際に、読影中の医用画像データに写った患部が見慣れない画像特徴を持つ場合や、類似した画像特徴を持つ疾患が複数存在する場合などには、診断名の判断に迷うことがある。 On the other hand, there is a need for technical development for further improving the interpretation accuracy at the time of interpretation by an interpreting physician. In general, when an interpreting doctor interprets medical image data and makes a diagnosis, the affected area in the medical image data being interpreted has unfamiliar image characteristics or there are multiple diseases with similar image characteristics For example, the diagnosis name may be lost.

このような場合に、迷った読影医は、通常、他のベテランの読影医に相談するか、あるいは、自身で医学書等の文献を調べて、疑わしい疾患名に関する画像特徴の解説文を読むといった作業を行う。あるいは、写真付きの医学文献を調べ、読影中の医用画像データに写った患部と類似した写真を探し出し、当該写真の疾患名を調べることで、診断の参考にするといった作業を行う。 In such a case, the diagnosing interpreter usually consults with other experienced interpreting doctors, or examines the literature such as medical books by himself and reads the description of the image features related to the suspicious disease name. Do work. Alternatively, a medical document with a photograph is examined, a photograph similar to the affected part shown in the medical image data being interpreted is found, and a disease name in the photograph is examined to make a reference for diagnosis.

しかしながら、相談できる他のベテランの読影医が常に近くにいるとは限らない。また、医学文献を調べたとしても、読影中の医用画像データに写った患部と類似した写真あるいは画像特徴の解説文が必ずしも見つかるとは限らない。 However, it is not always the case that there are other veterinary interpreters available to consult. Further, even if medical literature is examined, a photograph similar to the affected part shown in the medical image data being interpreted or an explanation of image features is not always found.

そこでこのような問題を電子的な手段で解決し読影精度の向上を図るべく、近年、類似症例検索装置の開発が進められてきている。類似症例検索装置の基本的な考え方は、過去に蓄積した症例データの中から何らかの基準に基づき複数の症例データを検索し、読影医に表示することにより、診断の支援を行おうとするものである。 Therefore, in recent years, similar case retrieval devices have been developed in order to solve such problems by electronic means and improve the interpretation accuracy. The basic idea of the similar case search device is to support diagnosis by searching a plurality of case data based on some criteria from case data accumulated in the past and displaying it to the interpretation doctor. .

類似症例検索における一般的な方法としては、読影中の医用画像データと画像特徴量が類似する類似画像データを、過去に蓄積した画像データベースから検索する方法が知られている。 As a general method for similar case retrieval, a method is known in which similar image data whose image feature quantity is similar to medical image data being interpreted is retrieved from an image database accumulated in the past.

更に、疾患の進行状況等の経過観察の結果に基づいて診断を行う場合にあっては、一時点での医用画像データの類否だけではなく、同じ患者について異なる時期に撮影された複数の医用画像データに基づいて、経過の類否を判断する方法もある。かかる方法の場合、経過が類似する症例データを提示することで、病気の診断のみならず、その後の検査計画や治療計画の立案等において、信頼性の高い参考情報を提示することが可能となるという利点がある。 Furthermore, when making a diagnosis based on the results of follow-up such as the progress of disease, not only the similarity of medical image data at a single point, but also multiple medical images taken at different times for the same patient There is also a method for judging the similarity of progress based on image data. In the case of such a method, it is possible to present highly reliable reference information not only for illness diagnosis but also for subsequent examination planning and treatment planning by presenting case data with similar progress. There is an advantage.

このように、同じ患者について異なる時期に撮影された複数の医用画像データに基づいて、経過の類否を判断することで診断を支援する類似症例検索方法としては、例えば、下記特許文献２が挙げられる。 Thus, as a similar case search method that supports diagnosis by judging the similarity of the progress based on a plurality of medical image data taken at different times for the same patient, for example, Patent Document 2 below is cited. It is done.

特許文献２によれば、検査対象の時系列の医用画像データの各医用画像データと画像特徴量が類似し、かつ検査対象の時系列の医用画像データと撮影の時間間隔が等しい症例データを、病状の経過が類似する症例データとして提示することが可能となる。 According to Patent Document 2, case data whose image feature amount is similar to each medical image data of time-series medical image data to be examined, and whose imaging time interval is equal to the time-series medical image data to be examined, It can be presented as case data with similar pathological conditions.

特開２００７−３２５６４１号公報JP 2007-325641 A 特開２００７−２８７０１８号公報JP 2007-287018 A

しかしながら、特許文献２に開示された発明の場合、経過が類似する症例データの候補として、検査対象の時系列の医用画像データと撮影の時間間隔が等しい症例データしか提示することができない。 However, in the case of the invention disclosed in Patent Document 2, only case data having the same imaging time interval as that of the time-series medical image data to be examined can be presented as candidates of case data with similar progress.

つまり、たとえ実際の経過が類似していたとしても、検査対象の時系列の医用画像データと撮影の時間間隔が異なる症例データについては、類似する症例データとして提示されることがないという問題がある。 In other words, even if the actual progress is similar, there is a problem that case data having a different time interval for imaging from time-series medical image data to be examined is not presented as similar case data. .

このため、経過が類似する症例データの検索に際しては、撮影の時間間隔に関わらず適切に検索できるように構成することが、読影精度の向上の観点から望ましい。 For this reason, when searching for case data with similar progress, it is desirable from the viewpoint of improving the interpretation accuracy to be configured so that it can be appropriately searched regardless of the time interval of imaging.

本発明は、上記の課題に鑑みてなされたものであり、経過が類似する症例データを適切に検索できるようにすることを目的とする。 The present invention has been made in view of the above problems, and an object of the present invention is to make it possible to appropriately search for case data whose progress is similar.

上記の目的を達成するために本発明に係る情報処理装置は以下のような構成を備える。即ち、
症例データに含まれる複数の医用画像のそれぞれから抽出された特徴量と、検査データに含まれる複数の医用画像のそれぞれから抽出された特徴量とを取得する取得手段と、
前記取得された特徴量を用いて、前記検査データに含まれる複数の医用画像と、前記症例データに含まれる複数の医用画像との類似度を、治療前と治療後に分けて演算する演算手段と、
治療前と治療後に分けて演算された類似度に基づいて選択された症例データを出力する出力手段とを備える。 In order to achieve the above object, an information processing apparatus according to the present invention comprises the following arrangement. That is,
A feature quantity extracted from each of a plurality of medical images included in the case data, an acquisition unit for acquiring a feature quantity extracted from each of a plurality of medical images included in the inspection data,
A calculation means for calculating the similarity between the plurality of medical images included in the examination data and the plurality of medical images included in the case data separately using the acquired feature amount before and after treatment. ,
Output means for outputting case data selected based on the similarity calculated separately before and after treatment .

本発明によれば、経過が類似する症例データを適切に検索することが可能となる。 According to the present invention, it is possible to appropriately search for case data with similar progress.

本発明の第１の実施形態に係る類似症例検索装置（情報処理装置）を備える医用情報システムの全体構成及び類似症例検索装置の構成を示す図である。It is a figure which shows the whole structure of a medical information system provided with the similar case search apparatus (information processing apparatus) which concerns on the 1st Embodiment of this invention, and the structure of a similar case search apparatus. 症例データ生成処理の流れを示すフローチャートである。It is a flowchart which shows the flow of a case data generation process. 疾患進行モデル構築処理の流れを示すフローチャートである。It is a flowchart which shows the flow of a disease progression model construction process. 離散時系列データのグラフである。It is a graph of discrete time series data. 疾患進行モデルを表す図である。It is a figure showing a disease progression model. 類似症例検索処理の流れを示すフローチャートである。It is a flowchart which shows the flow of a similar case search process. 離散時系列データのグラフである。It is a graph of discrete time series data. 補間された離散時系列データのグラフである。It is a graph of interpolated discrete time series data. 類似症例データの提示方法の一例を示す図である。It is a figure which shows an example of the presentation method of similar case data. 類似症例検索処理の流れを示すフローチャートである。It is a flowchart which shows the flow of a similar case search process. 類似症例データの提示方法の一例を示す図である。It is a figure which shows an example of the presentation method of similar case data.

以下、図面を参照しながら、本発明の好適な実施の形態について説明する。 Hereinafter, preferred embodiments of the present invention will be described with reference to the drawings.

［第１の実施形態］
＜１．医用情報システムの全体構成及び類似症例検索装置の構成＞
図１は、本発明の第１の実施形態に係る類似症例検索装置（情報処理装置）を備える医用情報システムの全体構成及び類似症例検索装置の構成を示す図である。 [First Embodiment]
<1. Overall Configuration of Medical Information System and Configuration of Similar Case Search Device>
FIG. 1 is a diagram illustrating an overall configuration of a medical information system including a similar case search device (information processing device) according to the first embodiment of the present invention and a configuration of a similar case search device.

図１において、類似症例検索装置１００は、制御部１１０、モニタ１１１、マウス１１２、キーボード１１３を有する。 In FIG. 1, the similar case search apparatus 100 includes a control unit 110, a monitor 111, a mouse 112, and a keyboard 113.

制御部１１０は、中央演算処理装置（ＣＰＵ）１０１、主メモリ１０２、磁気ディスク１０３、表示メモリ１０４、共通バス１０５を有する。そして、ＣＰＵ１０１が主メモリ１０２に格納された制御プログラムを実行することにより、症例データベース１２０、医用画像データベース１３０および診療録データベース１４０との通信、類似症例検索装置１００全体の制御等、各種制御が実行される。 The control unit 110 includes a central processing unit (CPU) 101, a main memory 102, a magnetic disk 103, a display memory 104, and a common bus 105. The CPU 101 executes a control program stored in the main memory 102 to execute various controls such as communication with the case database 120, the medical image database 130, and the medical record database 140, and control of the entire similar case search apparatus 100. Is done.

ＣＰＵ１０１は、類似症例検索装置１００を構成する各構成要素の動作制御を行う制御プログラムを実行したり、本装置の主機能である類似症例検索プログラムを実行したりする。主メモリ１０２は、ＣＰＵ１０１が実行する制御プログラムを格納したり、ＣＰＵ１０１による類似症例検索プログラム実行時の作業領域を提供したりする。 The CPU 101 executes a control program for controlling the operation of each component constituting the similar case search apparatus 100, or executes a similar case search program that is the main function of the apparatus. The main memory 102 stores a control program executed by the CPU 101 and provides a work area when the CPU 101 executes a similar case search program.

磁気ディスク１０３は、オペレーティングシステム（ＯＳ）、周辺機器のデバイスドライバ等の制御プログラムのほか、後述する症例データ生成機能、疾患進行モデル構築機能、類似症例検索機能を実現する類似症例検索プログラムを格納する。また、類似症例検索プログラムが使用する各種データを格納する。 The magnetic disk 103 stores a similar case search program for realizing a case data generation function, a disease progression model construction function, and a similar case search function, which will be described later, in addition to an operating system (OS) and control programs such as device drivers for peripheral devices. . In addition, various data used by the similar case retrieval program is stored.

表示メモリ１０４は、モニタ１１１のための表示用データを一時記憶する。モニタ１１１は、例えばＣＲＴモニタや液晶モニタ等であり、表示メモリ１０４から出力された表示用データに基づいて画像を表示する。 The display memory 104 temporarily stores display data for the monitor 111. The monitor 111 is a CRT monitor or a liquid crystal monitor, for example, and displays an image based on the display data output from the display memory 104.

マウス１１２及びキーボード１１３は、ユーザがポインティング入力及び文字等の入力を行う際に用いる構成要素である。これらの各構成要素は共通バス１０５により互いに通信可能に接続されている。 The mouse 112 and the keyboard 113 are components used when the user performs pointing input and character input. These components are communicably connected to each other via a common bus 105.

なお、医用情報システムの構成は、図１の構成例に限定されるものではなく、例えば、医用画像データベース１３０として既存のＰＡＣＳを利用するようにしてもよい。また、診療録データベース１４０として既存のＨＩＳのサブシステムである電子カルテシステムを利用するようにしてもよい。 Note that the configuration of the medical information system is not limited to the configuration example of FIG. 1. For example, an existing PACS may be used as the medical image database 130. Further, an electronic medical record system that is an existing HIS subsystem may be used as the medical record database 140.

また、類似症例検索装置１００に外部記憶装置、例えばＦＤＤ、ＨＤＤ、ＣＤドライブ、ＤＶＤドライブ、ＭＯドライブ、ＺＩＰドライブ等を接続し、それらのドライブから症例データや医用画像データ、診療録データを読み込むように構成してもよい。 Further, an external storage device such as an FDD, HDD, CD drive, DVD drive, MO drive, ZIP drive or the like is connected to the similar case retrieval apparatus 100, and case data, medical image data, and medical record data are read from these drives. You may comprise.

このような医用情報システムを構築することにより、類似症例検索装置１００では、ＬＡＮ１５０を介して症例データベース１２０から症例データを読み出すことができる。また、医用画像データベース１３０から医用画像データを、診療録データベース１４０から診療録データをそれぞれ読み出すことができる。 By constructing such a medical information system, the similar case search apparatus 100 can read case data from the case database 120 via the LAN 150. Further, medical image data can be read from the medical image database 130 and medical record data can be read from the medical record database 140, respectively.

なお、医用画像データベース１３０に格納される「医用画像データ」には、単純Ｘ線画像（レントゲン画像）、Ｘ線ＣＴ画像、ＭＲＩ画像、ＰＥＴ画像、ＳＰＥＣＴ画像、超音波画像等が含まれるものとする。 The “medical image data” stored in the medical image database 130 includes simple X-ray images (X-ray images), X-ray CT images, MRI images, PET images, SPECT images, ultrasound images, and the like. To do.

また、診療録データベース１４０に格納される「診療録データ」には、被検体である患者の個人情報（氏名、生年月日、年齢、性別等）、臨床情報（様々な検査値、主訴、既往歴、治療歴等）等が含まれるものとする。また、医用画像データベース１３０に格納された患者の医用画像データへの参照情報および主治医の所見情報なども含まれるものとする。さらに、診断が進んだ段階での診療録データにあっては、確定診断名も含まれるものとする。 The “medical record data” stored in the medical record database 140 includes personal information (name, date of birth, age, sex, etc.) and clinical information (various test values, chief complaints, past medical history) of the patient as the subject. History, treatment history, etc.). Reference information to the medical image data of the patient stored in the medical image database 130 and finding information of the attending physician are also included. Furthermore, in the medical record data at the stage where diagnosis has progressed, the name of a definitive diagnosis is also included.

一方、症例データベース１２０に格納される「症例データ」とは、同一の患者に関して異なる時期に撮影された医用画像データ及びこれに対応する診療録データと、時系列の医用画像データを解析することで得られたデータとを関連付けた情報をいうものとする。 On the other hand, “case data” stored in the case database 120 is obtained by analyzing medical image data taken at different times for the same patient, medical record data corresponding thereto, and time-series medical image data. It shall mean the information which linked | related with the obtained data.

症例データは、類似症例検索装置１００の類似症例検索プログラムにおける症例データ生成機能が実行されることにより生成され、症例データベース１２０に格納される。具体的には、医用画像データベース１３０に保管された医用画像データおよび診療録データベース１４０に保管された診療録データの一部をコピーしたもの、またはそれらへのリンク情報として生成され、格納される。 Case data is generated by executing a case data generation function in the similar case search program of the similar case search apparatus 100 and stored in the case database 120. Specifically, it is generated and stored as a copy of the medical image data stored in the medical image database 130 and a part of the medical record data stored in the medical record database 140, or link information to them.

表１に、症例データベース１２０に格納される症例データテーブルの一例を示す。症例データテーブルとは、同じ項目から成る複数の症例データを規則正しく並べたデータの集まりである。表１では、同一患者の医用画像データは、同一の症例データＩＤ（これは患者ＩＤと等価）で関連付けられている。 Table 1 shows an example of a case data table stored in the case database 120. The case data table is a collection of data in which a plurality of case data composed of the same items are regularly arranged. In Table 1, the medical image data of the same patient is associated with the same case data ID (which is equivalent to the patient ID).

なお、本実施形態に係る類似症例検索装置１００では、症例データを生成したうえで、類似症例検索機能を実行する。具体的には、検査対象の患者の医用画像データ（検査対象画像と称す）と、当該患者の過去の時系列の医用画像データを合わせた情報（検査対象症例と称す）とをクエリとして、症例データベース１２０から経過が類似する症例データを検索する。 Note that the similar case search device 100 according to the present embodiment executes the similar case search function after generating case data. Specifically, a case is a case in which medical image data (referred to as a test target image) of a patient to be examined and information (referred to as a test target case) combined with past medical image data of the patient in the past are used as a query. Case data with similar progress is retrieved from the database 120.

なお、このとき、検査対象症例の画像特徴量についての離散的な時系列データ（以降、離散時系列データと呼ぶ）を補間することで、検査対象症例と撮影の時間間隔が異なる症例データとの類似度の演算を可能にする。検査対象症例の離散時系列データの補間方法としては、例えば検査対象症例と一部の撮影の時間間隔が同じで、かつ類似する医用画像データを有する症例データに含まれる他の医用画像データを用いて行う方法が考えられる。 At this time, by interpolating discrete time-series data (hereinafter referred to as discrete time-series data) regarding the image feature amount of the examination target case, the examination target case and the case data having different imaging time intervals are interpolated. Allows calculation of similarity. As a method for interpolating discrete time-series data of a case to be examined, for example, other medical image data included in case data having the same medical image data and the same time interval of imaging as the case to be examined is used. Can be considered.

しかし、症例データに含まれる医用画像データを用いて、検査対象症例の画像特徴量を補間し、連続する時系列データを生成することは難しい。そこで、本実施形態では、類似症例検索機能の実行に際して、疾患進行モデル構築機能を動作させ、まず疾患の連続的な時系列の進行パターンを平均化したモデル（画像特徴量の時間変化のモデル）を複数作成する。そして、作成した複数の疾患進行モデルの中から検査対象症例が最も合致するものを選択し、該選択した平均的な疾患進行モデルを、検査対象症例固有の離散時系列データに適合させることで、連続する時系列データを実現するための補間を行う。なお、以下では、作成された複数のモデルを、「疾患進行モデル」と称することとする。 However, it is difficult to generate continuous time-series data by interpolating image feature quantities of a case to be examined using medical image data included in case data. Therefore, in the present embodiment, when the similar case search function is executed, a disease progression model construction function is operated, and a model in which progression patterns of continuous time series of diseases are first averaged (a model of temporal change in image feature amount) Create multiple. Then, by selecting the most matched case from the plurality of disease progression models created, and adapting the selected average disease progression model to discrete time series data specific to the case to be examined, Interpolates to realize continuous time series data. In the following, the created models are referred to as “disease progression models”.

以下、類似症例検索プログラムにより実現される各機能（症例データ生成機能、疾患進行モデル構築機能、類似症例検索機能）の詳細について説明する。 Hereinafter, details of each function (case data generation function, disease progression model construction function, and similar case search function) realized by the similar case search program will be described.

＜２．症例データ生成機能＞
はじめに、図２のフローチャートを用いて、症例データ生成機能の詳細について説明する。ここでは、表１のように、同一患者の時系列の医用画像データとそこから抽出される画像特徴量、診療録データとを関連付けて保存する場合について説明する。 <2. Case data generation function>
First, the details of the case data generation function will be described using the flowchart of FIG. Here, as shown in Table 1, a case will be described in which time-series medical image data of the same patient is stored in association with image feature amounts and medical record data extracted therefrom.

ステップＳ２０１では、ＣＰＵ１０１がマウス１１２やキーボード１１３の入力に応じて、症例データベース１２０に格納される医用画像データ（格納対象画像と称す）を、医用画像データベース１３０から読み出し、類似症例検索装置１００に入力する。 In step S 201, the CPU 101 reads medical image data (referred to as a storage target image) stored in the case database 120 from the medical image database 130 and inputs it to the similar case search device 100 in response to an input from the mouse 112 or the keyboard 113. To do.

格納対象画像の入力処理は、例えば、上述したように、ＣＰＵ１０１が、医用画像データベース１３０からＬＡＮ１５０を介して格納対象画像を受信することで実現される。或いは、ＣＰＵ１０１が、類似症例検索装置１００に接続された記憶装置、例えばＦＤＤ、ＣＤ−ＲＷドライブ、ＭＯドライブ、ＺＩＰドライブ等の各種記憶媒体から格納対象画像を読み出すことで実現される。 For example, as described above, the CPU 101 receives the storage target image by receiving the storage target image from the medical image database 130 via the LAN 150. Alternatively, it is realized by the CPU 101 reading the storage target image from various storage media such as a FDD, a CD-RW drive, an MO drive, and a ZIP drive connected to the similar case retrieval apparatus 100.

ステップＳ２０２では、ＣＰＵ１０１が、格納対象画像に対応する診療録データを診療録データベース１４０から選択する。診療録データの選択処理は、格納対象画像に付随する症例データＩＤと等しい症例データＩＤが付随された診療録データを、診療録データベース１４０から抽出することで実現される。 In step S 202, the CPU 101 selects medical record data corresponding to the storage target image from the medical record database 140. The medical record data selection process is realized by extracting medical record data associated with a case data ID equal to the case data ID associated with the image to be stored from the medical record database 140.

ステップＳ２０３では、ＣＰＵ１０１が、格納対象画像と同一患者の症例データを症例データベース１２０から抽出する。症例データの抽出処理では、まず、格納対象画像に付随する症例データＩＤと等しい症例データＩＤが付随された症例データを症例データベース１２０から抽出する。そして、格納対象画像が新規の症例データかどうかを示すフラグＮｅｗを定義し、症例データベース１２０から抽出された場合にはＮｅｗ＝Ｆと設定する。一方、抽出されなかった場合には、格納対象画像を新規の症例データとみなし、フラグＮｅｗ＝Ｔと設定する。 In step S 203, the CPU 101 extracts case data of the same patient as the storage target image from the case database 120. In the case data extraction process, first, case data associated with a case data ID equal to the case data ID associated with the storage target image is extracted from the case database 120. Then, a flag New indicating whether the image to be stored is new case data is defined, and when extracted from the case database 120, New = F is set. On the other hand, if it is not extracted, the storage target image is regarded as new case data, and the flag New = T is set.

ステップＳ２０４では、ＣＰＵ１０１が、格納対象画像から疾患部位領域を認識する。疾患部位領域の認識処理は、ＣＰＵ１０１がモニタ１１１上に格納対象画像を表示した後、読影医によって指定された領域を主メモリ１０２上に記憶することで実現される。 In step S204, the CPU 101 recognizes a diseased part region from the storage target image. The recognition process of the diseased part region is realized by storing the region designated by the interpretation doctor on the main memory 102 after the CPU 101 displays the image to be stored on the monitor 111.

具体的には、読影医がマウス１１２を操作することで指定した、疾患部位領域が最も適切に描出されていると読影医が判断したスライス（関心スライスと称す）の番号及び関心スライス中の関心領域の座標を記憶する。 Specifically, the number of the slice (referred to as the slice of interest) designated by the image interpretation doctor by operating the mouse 112 and determined by the image interpretation doctor that the diseased region is most appropriately depicted, and the interest in the slice of interest. Store the coordinates of the region.

そして、モニタ１１１上に、ステップＳ２０３において抽出された症例データの中から格納対象画像と撮影時期とが最も近い過去の症例データを表示し、さらに疾患部位の関心領域を表示する。このとき、格納対象画像から、過去の症例データの関心領域と同一の疾患部位を表す関心領域を読影医が指定し、指定された関心領域を主メモリ１０２上に記憶する。これにより、格納対象画像から過去の症例データと同一の疾患部位の関心領域を抽出する。 On the monitor 111, the past case data with the closest storage target image and imaging time is displayed from the case data extracted in step S203, and the region of interest of the diseased part is further displayed. At this time, the interpretation doctor designates a region of interest representing the same disease site as the region of interest of the past case data from the storage target image, and stores the designated region of interest on the main memory 102. Thereby, the region of interest of the same disease part as the past case data is extracted from the storage target image.

ただし、格納対象画像から疾患部位領域を認識する処理は、これに限られない。例えば、特許文献１に記載されているＣＡＤ技術により、読影医の手を介さずに、格納対象画像を画像解析することにより疾患部位の存在位置を自動的に検出して、さらに疾患部位を囲む関心領域を自動設定するように構成してもよい。 However, the process of recognizing the diseased part region from the storage target image is not limited to this. For example, the CAD technique described in Patent Document 1 automatically detects the location of a diseased part by analyzing the image to be stored without the intervention of an interpreting doctor, and further surrounds the diseased part. The region of interest may be configured to be automatically set.

なお、この処理は、ステップＳ２０３においてフラグＮｅｗ＝Ｆが設定された場合にのみ行う。 This process is performed only when the flag New = F is set in step S203.

ステップＳ２０５では、ＣＰＵ１０１が、ステップＳ２０４において認識された関心領域を画像解析し、疾患の特徴を表す画像特徴量を抽出する。画像特徴量ベクトルＦの各要素｛ｆ_１，ｆ_２，・・・ｆ_ｎ｝（ｎは画像特徴量の要素数）は、例えば、対象となる疾患（異常）が肺結節の場合にあっては、結節の大きさ、結節内部と辺縁とのコントラスト差、結節内部の濃度の平均・分散、結節領域の境界の複雑さ等となる。 In step S205, the CPU 101 performs image analysis on the region of interest recognized in step S204, and extracts an image feature amount representing the feature of the disease. Each element {f ₁ , f ₂ ,... F _n } (n is the number of elements of the image feature quantity) of the image feature quantity vector F is, for example, when the target disease (abnormality) is a lung nodule. Is the size of the nodule, the contrast difference between the inside of the nodule and the edge, the average / dispersion of the density inside the nodule, the complexity of the boundary of the nodule region, and the like.

ステップＳ２０６では、ＣＰＵ１０１が、格納対象画像と、ステップＳ２０２において抽出された診療録データとを関連付ける。更に、ステップＳ２０３において抽出された症例データ、ステップＳ２０４において認識された疾患部位領域、ステップＳ２０５において抽出された画像特徴量を関連付ける。 In step S206, the CPU 101 associates the storage target image with the medical record data extracted in step S202. Further, the case data extracted in step S203, the diseased part region recognized in step S204, and the image feature amount extracted in step S205 are associated.

これらの関連付け処理は、まず格納対象画像、診療録データ、疾患部位領域、画像特徴量を、一つの検査データとして関連付ける。次に、ステップＳ２０３においてフラグＮｅｗ＝Ｆが設定されていた場合、格納対象画像と、抽出した症例データの各画像の撮影時期を比較し、時系列に並ぶように格納対象画像を含む検査データを症例データに追加する。これにより、同一ＩＤの症例データにおいて、医用画像データが時系列に関連付けられることとなる。 In these association processes, first, an image to be stored, medical record data, a diseased part region, and an image feature amount are associated as one examination data. Next, when the flag New = F is set in step S203, the imaging time of each image of the storage target image and the extracted case data is compared, and examination data including the storage target image is arranged in time series. Add to case data. Thereby, in the case data with the same ID, the medical image data is associated in time series.

一方、Ｎｅｗ＝Ｔが設定されていた場合は、新規の症例データであるため、症例データとの関連付け処理は行わない。そして、新たな症例データとして症例データベース１２０に格納する。 On the other hand, when New = T is set, since it is new case data, the association process with the case data is not performed. And it stores in case database 120 as new case data.

以上の処理により、表１の症例データテーブル上に示された症例データの格納が行われる。なお、表１における、確定診断名、疾患の進行度などの項目は、診療録データから取得したものである。 Through the above processing, the case data shown on the case data table of Table 1 is stored. In Table 1, items such as a definitive diagnosis name and a disease progression degree are obtained from medical record data.

＜３．疾患進行モデル構築機能＞
次に、図３のフローチャートを用いて、疾患進行モデル構築機能の詳細について説明する。なお、疾患の進行パターンは、主に、疾患の性質や患者の年齢層や性別によって異なる変化を呈する。そこで、本実施形態に係る類似症例検索装置１００では、疾患の性質・患者の年齢層・患者の性別に応じて異なるグループを定義し（以降、症例グループと呼ぶ）、症例グループごとに疾患進行モデルを構築することとする。 <3. Disease progression model construction function>
Next, details of the disease progression model construction function will be described using the flowchart of FIG. The disease progression pattern mainly varies depending on the nature of the disease and the age group and sex of the patient. Therefore, in the similar case retrieval apparatus 100 according to the present embodiment, different groups are defined according to the nature of the disease, the age group of the patient, and the sex of the patient (hereinafter referred to as a case group), and a disease progression model for each case group. Will be built.

表２は、疾患の性質・患者の年齢層・患者の性別ごとに定義した症例グループの一例を表している。 Table 2 shows an example of a case group defined for each disease nature, patient age group, and patient gender.

なお、症例グループごとに疾患進行モデルを構築するにあたっては、まず、症例データベース１２０に格納された各症例データを上記の症例グループに分類する。そして、症例グループごとに、そのグループに含まれる各症例データの時系列での進行パターンを平均化したパターンを求め、疾患進行モデルとする。 In building a disease progression model for each case group, first, each case data stored in the case database 120 is classified into the above case groups. Then, for each case group, a pattern in which progression patterns in time series of the respective case data included in the group are averaged is obtained and used as a disease progression model.

ここで、複数の症例データを平均化したモデルを求めるためには、症例データの時系列の医用画像データを同一の座標で対応付ける必要がある。本実施形態では各症例データの時系列の医用画像データを疾患の進行度に基づき同一時間軸上で対応付ける。以下、これらの処理の流れを図３のフローチャートに基づいて説明する。 Here, in order to obtain a model obtained by averaging a plurality of case data, it is necessary to associate time-series medical image data of the case data with the same coordinates. In this embodiment, time-series medical image data of each case data is associated on the same time axis based on the degree of disease progression. Hereinafter, the flow of these processes will be described based on the flowchart of FIG.

ステップＳ３０１では、ＣＰＵ１０１が、症例データベース１２０内の各症例データにおける時系列の医用画像データの画像特徴量から、画像特徴量の離散時系列データを作成する。 In step S301, the CPU 101 creates discrete time-series data of image feature amounts from the image feature amounts of time-series medical image data in each case data in the case database 120.

ここでは、各症例データにおける複数の画像特徴量ベクトルＦの間で、要素ごとの対応付けを行う。ある症例データにおける医用画像データごとの画像特徴量ベクトルを、Ｆ_ｋ＝｛ｆ_１ ^Ｋ，ｆ_２ ^Ｋ，・・・，ｆ_ｎ ^Ｋ｝とする。 Here, the element-by-element association is performed between the plurality of image feature quantity vectors F in each case data. Assume that an image feature vector for each medical image data in a certain case data is F _k = {f ₁ ^K , f ₂ ^K ,..., F _n ^K }.

ここで、ｋは医用画像データごとの画像特徴量ベクトルの番号を、ｎは画像特徴ベクトルの要素数をそれぞれ表す。このとき、同一の症例データに含まれる全ての医用画像データの間でＦ_ｋの各要素を対応付ける。例えば表１の症例データＩＤが１の症例データの場合、１つ目の画像特徴量の要素に関して、ｆ_１ ^１・ｆ_１ ^２・ｆ_１ ^３・ｆ_１ ^４・ｆ_１ ^５の５つを対応付ける。その他の要素も同様の対応付けを行う。 Here, k represents the number of the image feature vector for each medical image data, and n represents the number of elements of the image feature vector. At this time, associating each element of F _k among all the medical image data included in the same case data. For example, when the case data ID is 1 in Table 1, five elements f ₁ ¹ , f ₁ ² , f ₁ ³ , f ₁ ^4, and f ₁ ⁵ are associated with the _first image feature amount element. . The other elements are similarly associated.

そして、対応付けられた各要素に関して、横軸に時間、縦軸に画像特徴量の値をとった座標系を構築し、この座標系でプロットした画像特徴量を各要素の離散時系列データとする。 For each associated element, a coordinate system is constructed in which the horizontal axis represents time and the vertical axis represents the image feature value, and the image feature value plotted in this coordinate system is defined as discrete time series data of each element. To do.

図４は、画像特徴量の１つ目の要素に関する離散時系列データのグラフである。ステップＳ３０１における各処理は、症例データベース１２０に含まれる全ての症例データに対して行われる。 FIG. 4 is a graph of discrete time-series data regarding the first element of the image feature amount. Each process in step S301 is performed on all the case data included in the case database 120.

ステップＳ３０２では、ＣＰＵ１０１が、ステップＳ３０１において作成された各症例データにおける離散時系列データを、前述の表２で表される症例グループの何れかに分類する。 In step S302, the CPU 101 classifies the discrete time series data in each case data created in step S301 into any of the case groups represented in Table 2 described above.

例えば、「確定診断名：診断名1」、「患者性別：男性」、「患者年齢層：高年齢」の症例データであれば、「症例グループＩＤ：３」に分類される。ステップＳ３０２における処理は、症例データベース１２０に含まれる全ての症例データに対して行われる。 For example, case data of “definite diagnosis name: diagnosis name 1”, “patient sex: male”, and “patient age group: high age” are classified into “case group ID: 3”. The process in step S302 is performed on all case data included in the case database 120.

ステップＳ３０３では、ＣＰＵ１０１が、症例グループの総数をＮ、処理対象の症例グループＩＤ：ｉを１に設定する。 In step S 303, the CPU 101 sets the total number of case groups to N and the processing target case group ID: i to 1.

ステップＳ３０４では、ＣＰＵ１０１が、処理対象の症例グループＩＤ：ｉ（以下、グループＩＤ：ｉと呼ぶ）に属する全ての離散時系列データを同一の座標軸で対応付ける。なお、ステップＳ３０４における処理の一例を以下に示す。但し、離散時系列データの対応付け処理は、下記の方法に限定されるものではない。 In step S304, the CPU 101 associates all discrete time series data belonging to the case group ID: i (hereinafter referred to as group ID: i) to be processed with the same coordinate axis. An example of the process in step S304 is shown below. However, the process of associating discrete time series data is not limited to the following method.

図４に示すように、離散時系列データの各時点において、診断名が確定していれば、疾患の進行度も確定している。そこで、この疾患の進行度を基準に離散時系列データ間の対応付けを行う。 As shown in FIG. 4, if the diagnosis name is fixed at each time point of the discrete time series data, the degree of progression of the disease is also fixed. Therefore, association between discrete time series data is performed based on the degree of progression of the disease.

具体的には、時間軸上において疾患の進行度が付与された二つの離散時系列データをそれぞれＤ_Ａ、Ｄ_Ｂとする。さらに、Ｄ_ＡとＤ_Ｂの時間軸上に付与された疾患の進行度（ここでは５段階で表す）の集合をそれぞれＰ_ＡとＰ_Ｂとする。なお、Ｐ_Ａ及びＰ_Ｂの値は、それぞれ時系列における診断済み症例の個数だけ存在する。このとき、Ｄ_Ａに対してＤ_Ｂを時間軸方向にのみ平行移動させ、Ｐ_ＡとＰ_Ｂの各値の位置が最も近くなる位置で平行移動を止めて位置合わせを行う。 Specifically, two discrete time-series data of each D _A progression of the disease has been granted on the time _axis, and D _B. Further, the D _A and D progression of the disease granted on the time axis of _B, respectively P _A and P _B and a set of (here represented by a 5 stage). The values of P _A and P _B are present by the number of diagnosis already cases in time series, respectively. In this case, D _A is only moved parallel to the time axis direction D _B against performs alignment stop translation at the position is closest position of each value of P _A and P _B.

これにより、互いの疾患の各進行度が最も近くなるようにＤ_ＡとＤ_Ｂとが対応付けられたことになる。なお、かかる対応付け処理は、グループＩＤ：ｉに含まれる全ての離散時系列データの間で行われる。 This leads to the the D _A and D _B so that each progression of the mutual disease is closest associated. Such association processing is performed between all discrete time series data included in the group ID: i.

ステップＳ３０５では、ＣＰＵ１０１が、ステップＳ３０４において同一の座標軸上に対応付けられたグループＩＤ：ｉに属する離散時系列データに基づいて、疾患進行モデルを作成する。 In step S305, the CPU 101 creates a disease progression model based on the discrete time series data belonging to the group ID: i associated on the same coordinate axis in step S304.

具体的には、同一の座標軸上にプロットされた全ての離散時系列データの点に最小二乗法を適用することで、疾患進行モデルのパターンを作成する。疾患進行モデルは、画像特徴量ベクトルＦの要素｛ｆ_１，ｆ_２，・・・ｆ_ｎ｝ごとに作成する。そして、グループＩＤ：ｉの疾患進行モデルのベクトルＭ_ｉ＝｛Ｍ_１ ^ｉ，Ｍ_２ ^ｉ，・・・Ｍ_ｎ ^ｉ｝とする。 Specifically, a pattern of a disease progression model is created by applying the least square method to all the points of discrete time series data plotted on the same coordinate axis. The disease progression model is created for each element {f ₁ , f ₂ ,... F _n } of the image feature vector F. Then, a vector M _i = {M ₁ ⁱ , M ₂ ⁱ ,... M _n ⁱ } of the disease progression model of group ID: i is set.

図５は、同一の座標軸上にプロットされたグループＩＤ：ｉに属する４つの症例データに関する画像特徴量ｆ_１の離散時系列データに対して、最小二乗法を適用して得られた疾患進行モデルＭ_１ ^ｉ（点線で表された曲線）を表す図である。 FIG. 5 shows a disease progression model obtained by applying the least square method to discrete time-series data of image feature quantity f ₁ regarding four case data belonging to group ID: i plotted on the same coordinate axis. it is a diagram representing the M 1 _i ^(curve represented by a dotted line).

ステップＳ３０６では、ＣＰＵ１０１が、ステップＳ３０５において得られた疾患進行モデルのベクトルＭ_ｉを保存する。Ｍ_ｉを保存する先は、症例データベース１２０であってもよいし、磁気ディスク１０３であってもよい。 In step S306, the CPU 101 stores the disease progression model vector M _i obtained in step S305. Previously to store M _i may be the case database 120, it may be a magnetic disk 103.

ステップＳ３０７では、ＣＰＵ１０１が、グループＩＤ:ｉの値を１増加させる。 In step S307, the CPU 101 increases the value of group ID: i by one.

ステップＳ３０８では、ＣＰＵ１０１が、グループＩＤ:ｉの値を認識し、ｉの値が症例グループの総数Ｎ以下であればステップＳ３０４に戻り、そうでなければ疾患進行モデル構築処理を終了する。 In step S308, the CPU 101 recognizes the value of the group ID: i. If the value of i is equal to or less than the total number N of case groups, the process returns to step S304, otherwise, the disease progression model construction process ends.

以上の処理により、症例グループごとの疾患進行モデルの構築が行われる。そして症例グループごとの疾患進行モデルが構築されることで、類似症例検索機能の実行が可能となる。 With the above processing, a disease progression model for each case group is constructed. Then, by constructing a disease progression model for each case group, it is possible to execute a similar case search function.

＜４．類似症例検索機能＞
次に、図６のフローチャートを用いて、類似症例検索機能の詳細について説明する。 <4. Similar case search function>
Next, details of the similar case search function will be described using the flowchart of FIG.

なお、本実施形態では、図３の疾患進行モデル構築処理が実行されることにより生成された疾患進行モデルを、検査対象症例に関する画像特徴量の離散時系列データに対して適合させることで、離散時系列データの補間を行う。 In the present embodiment, the disease progression model generated by executing the disease progression model construction process of FIG. 3 is adapted to the discrete time-series data of the image feature amount related to the examination target case, thereby making the discrete Interpolates time series data.

そして、補間された離散時系列データと、症例データベース１２０内の各症例データの離散時系列データとを比較して、両者の類似度を演算する。このとき、補間された離散時系列データを利用することで、検査対象症例と任意の撮影時間間隔の離散時系列データとの類似度を演算することが可能となる。 Then, the interpolated discrete time-series data is compared with the discrete time-series data of each case data in the case database 120, and the similarity between them is calculated. At this time, by using the interpolated discrete time-series data, it is possible to calculate the similarity between the examination target case and the discrete time-series data at an arbitrary imaging time interval.

そして、演算した類似度に基づき検査対象症例に類似する症例データを選定し、時系列で提示する。以下、フローチャートに従って詳細に説明する。 Then, case data similar to the case to be examined is selected based on the calculated similarity and presented in time series. Hereinafter, it demonstrates in detail according to a flowchart.

ステップＳ６０１では、ＣＰＵ１０１が、マウス１１２やキーボード１１３の入力に応じて、検査対象画像を医用画像データベース１３０から読み出し、類似症例検索装置１００に入力する。当該入力処理は、図２のステップＳ２０１と同様の工程であるため、詳細な説明は省略する。 In step S 601, the CPU 101 reads out the examination target image from the medical image database 130 and inputs it to the similar case retrieval apparatus 100 in response to an input from the mouse 112 or the keyboard 113. Since the input process is the same as step S201 in FIG. 2, detailed description thereof is omitted.

ステップＳ６０２では、ＣＰＵ１０１が、検査対象画像に対して、症例データベース１２０から同一患者の症例データを抽出し、抽出した症例データに含まれる時系列の医用画像データを関連付ける。このとき、検査対象画像と同一患者の症例データが、予め症例データベース１２０に格納されているものとする。 In step S602, the CPU 101 extracts case data of the same patient from the case database 120 to the examination target image, and associates time-series medical image data included in the extracted case data. At this time, it is assumed that case data of the same patient as the examination target image is stored in the case database 120 in advance.

当該関連付け処理のうち、症例データの抽出処理は、図２のステップＳ２０２からステップＳ２０５までの処理と同様であるため、ここでは詳細な説明は省略する。なお、当該関連付け処理の過程で、検査対象画像の疾患部位領域の認識、及び画像特徴量の抽出が行われる。そして、抽出した症例データと検査対象画像とが症例データＩＤに基づいて関連付けられる。 Of the association processing, the case data extraction processing is the same as the processing from step S202 to step S205 in FIG. Note that, in the process of the association processing, the recognition of the diseased part region of the examination target image and the extraction of the image feature amount are performed. Then, the extracted case data and the examination target image are associated based on the case data ID.

表３は、検査対象画像と抽出した症例データとが関連付けられた結果を示している。表３に示すように、抽出した症例データには、過去に撮影された同一患者の時系列の医用画像データにおける疾患部位領域と画像特徴量とが含まれている。このため、検査対象画像と同一患者の時系列の医用画像データに関するこれらの情報が、検査対象症例として関連付けられることとなる。 Table 3 shows the result of associating the examination target image with the extracted case data. As shown in Table 3, the extracted case data includes a diseased part region and an image feature amount in time-series medical image data of the same patient taken in the past. For this reason, these pieces of information related to time-series medical image data of the same patient as the examination target image are associated as the examination target case.

ステップＳ６０３では、ＣＰＵ１０１が、ステップＳ６０２において関連付けられた検査対象症例の時系列の医用画像データに関する画像特徴量から、離散時系列データを作成する。具体的には、まず、表２に示す検査対象画像の画像特徴量Ｆ_ｔを、Ｆ_ｔ＝｛ｆ_１ ^ｔ，ｆ_２ ^ｔ，・・・ｆ_ｎ ^ｔ｝とする。そして、図３のステップＳ３０１と同様の処理により、Ｆ_ｔと、抽出した症例データにおける各医用画像データの画像特徴量ベクトルＦ_ｋとを、要素ごとに対応付ける。 In step S603, the CPU 101 creates discrete time-series data from the image feature amounts related to the time-series medical image data of the examination target cases associated in step S602. Specifically, first, the image feature amount F _t of the inspection target image shown in Table 2 is set to F _t = {f ₁ ^t , f ₂ ^t ,... F _n ^t }. Then, as in step S301 of FIG. 3, and F _t, in the extracted case data and image feature vector F _k of the medical image data, associates each element.

なお、図７は、対応付けられた後の、１つ目の画像特徴量に関する離散時系列データのグラフを示す図である。 FIG. 7 is a diagram illustrating a graph of discrete time-series data regarding the first image feature amount after being associated.

ステップＳ６０４では、ＣＰＵ１０１が、疾患進行モデルに基づき、検査対象の離散時系列データを補間する。まず、検査対象症例を表２の症例グループに分類し、該当する症例グループに対応する疾患進行モデルを選択する。これにより、検査対象症例に最も合致する疾患進行モデルを選択したこととなる。 In step S604, the CPU 101 interpolates the discrete time series data to be examined based on the disease progression model. First, the examination target cases are classified into the case groups in Table 2, and a disease progression model corresponding to the corresponding case group is selected. As a result, the disease progression model that best matches the case to be examined is selected.

疾患進行モデルが症例データベース１２０に格納されている場合には、症例データベース１２０から選択し、磁気ディスク１０３に格納されている場合には、磁気ディスク１０３から選択する。 When the disease progression model is stored in the case database 120, it is selected from the case database 120, and when it is stored in the magnetic disk 103, it is selected from the magnetic disk 103.

例えば、検査対象症例が「確定診断名：診断名１」、「患者性別：男性」、「患者年齢層：高年齢」に属する場合には、「症例グループＩＤ：３」に該当する疾患進行モデルのベクトルＭ_３が選択される。そして、選択した疾患進行モデルを、検査対象症例の離散時系列データに適合させる。 For example, if the case to be examined belongs to “definite diagnosis name: diagnosis name 1”, “patient sex: male”, “patient age group: high age”, the disease progression model corresponding to “case group ID: 3” vector _{M 3} of is selected. Then, the selected disease progression model is adapted to the discrete time series data of the case to be examined.

図８は、画像特徴量ｆ_１に関する検査対象症例の離散時系列データｄ_１ ^Ｔに対して、疾患進行モデルＭ_１ ^３を適合させることで、ｄ_１ ^Ｔを補間した一例を示している。ただし、ｄ_１ ^Ｔ：｛ｆ_１ ^１９，ｆ_１ ^１８，ｆ_１ ^１７，ｆ_１ ^１６，ｆ_１ ^ｔ｝とする。 8, with respect to discrete time-series data d ₁ ^T inspected case an image feature amount f _1, to adapt the disease progression model M ₁ ^3, it illustrates an example of interpolating the d ₁ ^T. _However, ^d 1 _^T: and _{^{_{^{{f 1 19, f 1 18}}}} , f 1 17, f 1 16, f 1 t}.

当該処理は以下の手順で実行される（但し、疾患進行モデルに基づく補間処理は、下記の方法に限定されるものではない）。 The processing is executed by the following procedure (however, the interpolation processing based on the disease progression model is not limited to the following method).

まず、疾患進行モデルＭ_１ ^３を複数の制御点に分割した後、スプライン曲線Ｃ_１で近似する。ここでは、分割間隔αを、離散時系列データの時間全体の１／１０とする。 First, after dividing disease progression model M ₁ ³ to a plurality of control points is approximated by a spline curve C _1. Here, the division interval α is set to 1/10 of the entire time of the discrete time series data.

次に、検査対象症例の離散時系列データｄ_１ ^Ｔと、この曲線Ｃ_１とを、図３のステップＳ３０４と同様の処理により位置合わせする。 Next, the discrete time-series data d ₁ ^{T of} the examination target case and this curve C ₁ are aligned by the same process as in step S304 of FIG.

そして、曲線Ｃ_１上の制御点の幾つかをｄ_１ ^Ｔ上の点に置き換えて再度スプライン曲線Ｃ_１ ^ｔを引き直す。例えば、ｄ_１ ^Ｔに含まれる各点ｆ_１ ^ｋから一定距離内（この例では上記αを適用する）に含まれる制御点を、それぞれ点ｆ_１ ^ｋと置き換える。 Then, some of the control points on the curve C ₁ are replaced with points on the d ₁ ^T , and the spline curve C ₁ ^t is drawn again. For example, each control point included within a certain distance (in this example, α is applied) from each point f ₁ ^k included in d ₁ ^T is replaced with point f ₁ ^k .

これにより、平均的な疾患進行モデルに基づいた上で、離散時系列データｄ_１ ^Ｔを通る固有の連続的な時系列データが作成されることとなる。このデータを画像特徴量ｆ_１ ^ｋに関する検査対象症例の補間時系列データと呼び、データｑ_１ ^Ｔと表す。その他の画像特徴量ｆ_２，・・・ｆ_ｎについても同様の処理を行うことで、補間時系列データのベクトルＱ_Ｔ＝｛ｑ_１ ^Ｔ，ｑ_２ ^Ｔ，・・・ｑ_ｎ ^Ｔ｝が作成される。 As a result, unique continuous time series data passing through the discrete time series data d ₁ ^T is created based on the average disease progression model. This data is referred to as interpolation time series data of the examination target case regarding the image feature quantity f ₁ ^k, and is represented as data q ₁ ^T. Other image feature amount _f 2, by performing the same processing for · · · _{f n,} the vector _Q T ₌ the interpolated time series data ^{_{^{{q 1 T, q 2 T}}} , ··· q n T} is created Is done.

ステップＳ６０５では、ＣＰＵ１０１が、ステップＳ６０４において作成された検査対象症例の補間時系列データと、症例データベース１２０内に格納された各症例データの離散時系列データとの類似度をそれぞれ演算する。 In step S605, the CPU 101 calculates the similarity between the interpolation time series data of the examination target case created in step S604 and the discrete time series data of each case data stored in the case database 120.

類似度の演算処理では、まず、図３のステップＳ３０４と同様に、検査対象症例の補間時系列データと、比較する症例データＩＤ：ｉの離散時系列データとの間で、互いの疾患の各進行度が最も近くなるように、両者を同一時間軸上で位置合わせする。 In the similarity calculation process, first, similarly to step S304 of FIG. 3, each of the respective diseases is interpolated between the interpolation time series data of the examination target case and the discrete time series data of the case data ID i to be compared. Both are aligned on the same time axis so that the degree of progress is closest.

ここで、症例データＩＤ：ｉの離散時系列データのベクトルをＤ_ｉ＝｛ｄ_１ ^ｉ，ｄ_２ ^ｉ，・・・，ｄ_ｎ ^ｉ｝と呼ぶことにする。 Here, a vector of discrete time series data of case data ID: i is referred to as D _i = {d ₁ ⁱ , d ₂ ⁱ ,..., D _n ⁱ }.

次に、データＱ_ＴとデータＤ_ｉの類似度Ｓ_ｉを演算する方法の一例を以下に示す。但し、類似度Ｓ_ｉの演算方法は下記の方法に限定されるものではない。 Next, an example of a method for calculating the similarity S _i between the data Q _T and the data D _i will be described below. However, the calculation method of the similarity S _i is not limited to the following method.

データＱ_Ｔは連続する時系列データであるため、離散時系列データＤ_ｉの時間軸上の各時点に対応するデータを有している。そこで、データＱ_Ｔから、データＤ_ｉにおける離散的な時点と同じ時点のデータをプロットした離散時系列データを抜き出し、Ｑ_Ｔ’＝｛ｑ’_１ ^Ｔ，ｑ’_２ ^Ｔ，・・・，ｑ’_ｎ ^Ｔ｝とする。 Since data Q _T is the time-series data to sequential, and has a data corresponding to each time point on the time axis of the discrete time-series data D _i. Therefore, from the data Q _T , discrete time series data obtained by plotting data at the same time as the discrete time in the data D _i is extracted, and Q _T ′ = {q ′ ₁ ^T , q ′ ₂ ^T ,. _Let ' _n ^T }.

データＱ’_ＴとデータＤ_ｉとは、互いに同一の離散的な時点でのデータを有するため、各時点における互いの画像特徴量を比較することで、時間的にずれのない画像特徴量の比較を行うことができる。 The data Q _'T and the data D _i, because it has data at the same discrete time points to each other, by comparing the image feature quantity of each other at each time point, the time compared deviation free image feature amount It can be performed.

ここで、データＤ_ｉの離散的な時点をｐ_１，ｐ_２，・・・，ｐ_ｍ（但し、ｍは離散点の合計数）とする。そして、ある一時点ｐ_ｊ（１≦ｊ≦ｍ）におけるＱ’_ＴとＤ_ｉの画像特徴量ベクトルをそれぞれＦ_Ｔ，ｐｊとＦ_ｉ，ｐｊとする。このとき、それらの類似度ｓ_ｉ，ｐｊを演算する式の一例を式（１）に示す。 Here, the discrete time points of the data D _i are defined as p ₁ , p ₂ ,..., P _m (where m is the total number of discrete points). Then, a specific point in time _{p j (1 ≦ j ≦ m} ) in Q _'T and _{D i} the image feature vector of each _{F T of, pj} and _{F i,} and _pj. At this time, an example of an expression for calculating the similarity s _{i, pj} is shown in Expression (1).

さらに、時系列での類似度Ｓ_ｉを演算する式の一例を式（２）に示す。 Further, an example of an expression for calculating the similarity S _i in time series is shown in Expression (2).

ここでは、各時点での類似度ｓ_ｉ，ｐｊの平均値を時系列での類似度Ｓ_ｉとしている。症例データベース１２０に含まれるその他の症例データと、検査対象症例との類似度も同様の方法で演算する。 Here, the similarity s _i at each time _point, and the similarity S _i in time series the average value of _pj. Similarities between other case data included in the case database 120 and the case to be examined are calculated in the same manner.

ステップＳ６０６では、ＣＰＵ１０１が、ステップＳ６０５において演算された類似度に基づいて、検査対象症例に類似する症例データを選定する。本実施形態では、検査対象症例に対する類似度が高い順に複数個（定数ｂとする）選択する。ここでは例えば、ｂ＝５を適用し、５個選定する。 In step S606, the CPU 101 selects case data similar to the examination target case based on the similarity calculated in step S605. In the present embodiment, a plurality (the constant b) is selected in descending order of similarity to the inspection target case. Here, for example, b = 5 is applied and five are selected.

ステップＳ６０７では、ＣＰＵ１０１が、ステップＳ６０６において選定された類似する症例データ（類似症例データ）を時系列で提示する。 In step S607, the CPU 101 presents the similar case data (similar case data) selected in step S606 in time series.

図９は、本実施形態における類似症例データの提示方法の一例を示す図である。図９に示すように、時間軸を横軸にとり、その上に検査対象症例に関する時系列の疾患部位の関心画像を配置する。このとき、撮影日時や診断名、疾患の進行度も配置する。そして、ステップＳ６０５において位置合わせされた類似症例データを、類似度が高い順に、同様の方法で表示する。選択された類似症例データに関して、治療行為が行われている場合には、治療行為の方法も合わせて表示する。 FIG. 9 is a diagram illustrating an example of a similar case data presentation method according to the present embodiment. As shown in FIG. 9, the time axis is taken on the horizontal axis, and the time-series image of the disease site related to the examination target case is arranged thereon. At this time, the shooting date and time, the diagnosis name, and the degree of disease progression are also arranged. Then, the similar case data aligned in step S605 are displayed in the same manner in descending order of similarity. If a treatment action is being performed on the selected similar case data, the method of the treatment action is also displayed.

以上の説明から明らかなように、本実施形態に係る類似症例検索装置では、時系列の画像特徴量の離散値を補間した補間時系列データを用いて類似度の演算を行う構成とした。 As is clear from the above description, the similar case retrieval apparatus according to the present embodiment is configured to calculate the similarity using interpolated time series data obtained by interpolating discrete values of time series image feature values.

この結果、検査対象症例と撮影や検査の時間間隔が異なっていた場合であっても、経過が類似する類似症例データを提示することが可能となる。 As a result, it is possible to present similar case data having a similar progress even when the time interval between imaging and examination is different from the case to be examined.

また、本実施形態に係る類似症例検索装置では、類似症例データに対応する患者に対して施されていた検査や治療行為も合わせて提示する構成とした。これにより、検査対象症例の診断に役立つ情報だけではなく、検査方針や治療方針を検討する際に読影医の方針決定に役立つ情報も提供することが可能となる。 Further, the similar case retrieval apparatus according to the present embodiment is configured to also present the examination and treatment action performed on the patient corresponding to the similar case data. This makes it possible to provide not only information useful for diagnosis of a case to be examined, but also information useful for decision making by an interpreting doctor when examining examination policies and treatment policies.

（第１の実施形態の変形例１）
図３を用いて説明した疾患進行モデル構築処理は、例えば、疾患の性質や、患者の性別や年齢ごとに異なる疾患の進行パターンが統計的に既知である場合にあっては、当該統計的なデータに基づいて実行するようにしても良い。 (Modification 1 of the first embodiment)
The disease progression model construction process described with reference to FIG. 3 is performed when, for example, the nature of the disease, or the progression pattern of the disease that differs depending on the sex or age of the patient is statistically known. You may make it perform based on data.

（第１の実施形態の変形例２）
図６のステップＳ６０６における類似症例データの選定処理では、画像特徴量の変化パターンの類似度に基づいて類似症例データを提示することとしたが、例えば、それ以外の臨床情報との比較に基づいて、類似症例データを提示するようにしても良い。 (Modification 2 of the first embodiment)
In the similar case data selection process in step S606 of FIG. 6, the similar case data is presented based on the similarity of the change pattern of the image feature amount. For example, based on comparison with other clinical information Similar case data may be presented.

患者の性別と年齢の情報は、検査対象症例や症例データベース１２０内の症例データを症例グループに分類する際に考慮されるが、それ以外の臨床情報として、患者の既往歴や喫煙歴、遺伝子情報なども類似症例データを絞りこむ際に考慮するようにしてもよい。 The patient's gender and age information is considered when classifying the case data in the case database and the case data in the case database 120, but as other clinical information, the patient's past history, smoking history, genetic information May be taken into account when narrowing down similar case data.

また、患者の既往歴や喫煙歴は確定診断名と相関がある可能性があり、遺伝子情報は、薬品の効果と相関がある可能性がある。このため、これらの情報が検査対象症例と等しい症例データに選定対象を絞りこむことで、類似症例データの検索精度を向上させることができる。 In addition, the patient's past history and smoking history may correlate with the definitive diagnosis name, and the genetic information may correlate with the effect of the drug. For this reason, the search accuracy of similar case data can be improved by narrowing down the selection target to the case data in which these pieces of information are equal to the inspection target case.

（第１の実施形態の変形例３）
図６のステップＳ６０７における、類似症例データを時系列で提示する処理は、例えば、疾患の進行度の変化と相関の高い画像特徴量を少なくとも一つ選び、この画像特徴量の離散時系列データを提示するようにしてもよい。 (Modification 3 of the first embodiment)
In the process of presenting similar case data in time series in step S607 of FIG. 6, for example, at least one image feature amount highly correlated with a change in the degree of disease progression is selected, and discrete time series data of this image feature amount is selected. You may make it show.

例えば、検査対象となる疾患が肺結節である場合、疾患の進行度の変化と、肺結節の大きさの変化は相関が高い。従って、これにより類似症例データにおける肺結節の大きさの変化を表す離散時系列データを提示することで、検査対象症例の肺結節の大きさが今後どのような変化を辿るかを予測することが可能となる。 For example, when the disease to be examined is a pulmonary nodule, a change in the degree of progression of the disease and a change in the size of the pulmonary nodule are highly correlated. Therefore, by presenting discrete time-series data representing changes in the size of pulmonary nodules in similar case data, it is possible to predict how the size of the pulmonary nodules in the case to be examined will change in the future. It becomes possible.

［第２の実施形態］
上記第１の実施形態では疾患進行モデルを、疾患の性質・患者の年齢層・患者の性別ごとに分類する構成としたが、本発明はこれに限定されるものではない。 [Second Embodiment]
In the first embodiment, the disease progression model is classified according to the nature of the disease, the age group of the patient, and the sex of the patient. However, the present invention is not limited to this.

一般に、疾患の治療を行った場合は、治療行為によって、疾患が異なる進行パターンを辿る。そこで、本実施形態では、治療開始後（以降、予後と呼ぶ）の症例グループを新たに定義し（以降、予後症例グループと呼ぶ）、対応する進行パターンのモデル（以後、治療進行モデルと呼ぶ）を構築することとする。 Generally, when a disease is treated, the disease follows a different progression pattern depending on the treatment action. Therefore, in this embodiment, a case group after the start of treatment (hereinafter referred to as a prognosis) is newly defined (hereinafter referred to as a prognosis case group), and a corresponding progression pattern model (hereinafter referred to as a treatment progress model). Will be built.

なお、本実施形態における医用情報システムの全体構成及び類似症例検索装置の構成は、上記第１の実施形態と同じであるため、ここでは説明を省略する。また、治療開始前（以降、治療前と呼ぶ）の疾患進行モデルは、第１の実施形態と同じ方法で構築されるため、説明を省略する。 Note that the overall configuration of the medical information system and the configuration of the similar case retrieval apparatus in the present embodiment are the same as those in the first embodiment, and thus description thereof is omitted here. In addition, since the disease progression model before the start of treatment (hereinafter referred to as “before treatment”) is constructed by the same method as in the first embodiment, description thereof is omitted.

表４は、予後症例グループの一例を示している。予後の疾患の進行は治療前の疾患の進行に依存するため、予後症例グループは、治療前症例グループを細分化したものとなる。例えば、治療前症例グループＩＤ:１は、予後症例グループＩＤ:１〜６に細分化される。 Table 4 shows an example of a prognostic case group. Since the progression of the prognosis disease depends on the progression of the disease before treatment, the prognosis case group is a subdivision of the pretreatment case group. For example, the pre-treatment case group ID: 1 is subdivided into prognosis case group IDs: 1-6.

治療進行モデルの構築方法に関しては、「手術なし」の場合は、投薬治療により疾患の状態が連続的に変化するため、治療前の疾患進行モデルと同様に図３のフローチャートに基づいて構築を行う。 Regarding the method of constructing the treatment progress model, in the case of “without surgery”, the state of the disease is continuously changed by the medication treatment. Therefore, construction is performed based on the flowchart of FIG. .

但し、「手術あり」の場合は、手術前は「手術なし」と同じ状態であるが、手術後は疾患部位が切除され、疾患の状態が全く異なる。そのため、「手術あり」の場合には、症例データの術後の離散時系列データに基づき、同様の方法で治療進行モデル（術後治療進行モデルと呼ぶ）を構築する。これと区別するため、「手術なし」の治療進行モデルを術前治療進行モデルと呼ぶことにする。 However, in the case of “with surgery”, the state is the same as “without surgery” before the operation, but after the operation, the diseased part is excised and the state of the disease is completely different. Therefore, in the case of “with surgery”, a treatment progress model (referred to as a postoperative treatment progress model) is constructed by the same method based on postoperative discrete time series data of the case data. In order to distinguish from this, a treatment progression model of “without surgery” will be referred to as a preoperative treatment progression model.

また、本実施形態では、症例データベース１２０に格納される症例データとして、第１実施形態で説明した症例データに、治療状況に関する項目（治療前・治療開始時点・予後の何れか）を追加した症例データを用いることとする。 Moreover, in this embodiment, as the case data stored in the case database 120, a case in which an item related to the treatment status (either before treatment, start of treatment, or prognosis) is added to the case data described in the first embodiment. Data will be used.

表５に、本実施形態における症例データベース１２０に保管される症例データテーブルの一例を示す。 Table 5 shows an example of a case data table stored in the case database 120 in the present embodiment.

＜２．類似症例検索機能＞
次に、図１０のフローチャートを用いて、本実施形態に係る類似症例検索装置１００における類似症例検索処理の流れについて説明する。 <2. Similar case search function>
Next, the flow of the similar case search process in the similar case search apparatus 100 according to the present embodiment will be described using the flowchart of FIG.

本実施形態では、検査対象症例の離散時系列データを、治療前と予後の二つのデータに分割し、それぞれ疾患進行モデルと治療進行モデルに基づいて離散時系列データを補間する。さらに、治療前と予後のそれぞれに関して、補間したデータと症例データベース１２０内の症例データとの類似度を演算する（第１の演算手段及び第２の演算手段）。 In the present embodiment, the discrete time series data of the examination target case is divided into two data before treatment and prognosis, and the discrete time series data is interpolated based on the disease progression model and the treatment progression model, respectively. Further, the similarity between the interpolated data and the case data in the case database 120 is calculated for each of the pre-treatment and prognosis (first calculation means and second calculation means).

更に、症例データごとに、治療前と予後の類似度の両方に基づいて、総合的な類似度（総合類似度）を演算する。そして、演算した類似度に基づき検査対象症例に類似する症例データを選定し、時系列で提示する。なお、以下の説明において、上記第１の実施形態の図６のフローチャートと同様の処理を行う工程については、図６のいずれの工程に対応するかを記載するにとどめ、詳細の説明は省略する。 Further, for each case data, an overall similarity (total similarity) is calculated based on both the pre-treatment and prognosis similarities. Then, case data similar to the case to be examined is selected based on the calculated similarity and presented in time series. In the following description, the process of performing the same process as the flowchart of FIG. 6 of the first embodiment is described only as to which process of FIG. 6 corresponds, and the detailed description is omitted. .

ステップＳ１００１からステップＳ１００３までの処理は、図６のステップＳ６０１からステップＳ６０３までの処理と同様である。また、ステップＳ１００５及びステップＳ１００６の処理は、ステップＳ６０４及びステップＳ６０５の処理と同様である。 The processing from step S1001 to step S1003 is the same as the processing from step S601 to step S603 in FIG. Further, the processes in steps S1005 and S1006 are the same as the processes in steps S604 and S605.

ステップＳ１００４では、ＣＰＵ１０１が、ステップＳ１００３において作成された各症例データの画像特徴量の離散時系列データを治療前と予後とで分割する。 In step S1004, the CPU 101 divides the discrete time-series data of the image feature amount of each case data created in step S1003 between before treatment and prognosis.

ステップＳ１００７では、ＣＰＵ１０１が、前述の治療進行モデルに基づき、検査対象の予後の離散時系列データ（予後離散時系列データと呼ぶ）を補間する。 In step S1007, the CPU 101 interpolates prognostic discrete time series data (referred to as prognostic discrete time series data) to be examined based on the above-described treatment progress model.

具体的には、図６のステップＳ６０４と同様に、検査対象症例を表４の予後症例グループに分類し、該当する予後症例グループに対応する治療進行モデルを選択する。 Specifically, as in step S604 in FIG. 6, the examination target cases are classified into prognostic case groups in Table 4, and a treatment progress model corresponding to the corresponding prognostic case group is selected.

このとき、検査対象症例が「手術あり」の場合であり、かつ手術前に投薬治療を行っていた場合には、該当する術後治療進行モデルに加え、同じ投薬治療を行っている術前治療進行モデルも選択する。 At this time, if the case to be examined is “with surgery” and if medication treatment was performed before surgery, in addition to the corresponding postoperative treatment progression model, preoperative treatment with the same medication treatment Select the progression model.

その後、ステップＳ６０４と同様の処理で、治療進行モデルを検査対象症例の離散時系列データに適合させる。術前治療進行モデル・術後治療進行モデルの両方を選択した場合には、術前の予後離散時系列データ・術後の予後離散時系列データに対して、それぞれのモデルを適合させる。 Thereafter, the treatment progress model is adapted to the discrete time series data of the examination object case by the same processing as in step S604. When both the preoperative treatment progress model and the postoperative treatment progress model are selected, the respective models are adapted to preoperative discrete time series data and postoperative discrete time series data.

ステップＳ１００８では、ＣＰＵ１０１が、ステップＳ１００７において作成された検査対象症例の予後補間時系列データと、症例データベース１２０に格納された各症例データの離散時系列データとの類似度Ｓ_ｐｏｓｔをそれぞれ演算する。 In step S1008, the CPU 101 calculates the similarity S _post between the prognostic interpolation time series data of the examination target case created in step S1007 and the discrete time series data of each case data stored in the case database 120.

具体的には、図６のステップＳ６０５と同様の処理を行う。但し、予後補間時系列データが、術前治療進行モデル・術後治療進行モデルの二つの進行モデルに基づいて生成されていた場合には、補間時系列データを術前と術後に分ける。そして、それぞれに対して類似度の演算を行った後、（３）式を用いて重み付け平均をとった値を、Ｓ_ｐｏｓｔとする。 Specifically, the same processing as step S605 in FIG. 6 is performed. However, when the prognostic interpolation time series data is generated based on two progression models of a preoperative treatment progress model and a postoperative treatment progression model, the interpolation time series data is divided before and after the operation. Then, after calculating the similarity for each, a value obtained by taking a weighted average using equation (3) is defined as _Spost .

但し、Ｓ_１は術前の離散時系列データの類似度、Ｓ_２は術後の離散時系列データの類似度を表す。また、ｕは実数の定数であり、ここでは、検査対象症例の予後時系列データにおける、術前の予後離散時系列データの時間間隔が占める割合を表すものとする。 However, S ₁ is the similarity of the discrete time-series data preoperative, S ₂ represents the similarity of the discrete time-series data of the surgery. Further, u is a real constant, and here represents the ratio of the time interval of the prognostic discrete time series data in the prognostic time series data of the examination target case.

ステップＳ１００９では、ＣＰＵ１０１が、ステップＳ１００６及びステップＳ１００８においてそれぞれ演算された、治療前と予後の類似度に基づいて、検査対象症例に類似する症例データを選定する。 In step S1009, the CPU 101 selects case data similar to the examination target case based on the pretreatment and prognosis similarities calculated in steps S1006 and S1008, respectively.

本実施形態では、同一症例データに関して、下記の式４を用いて治療前の類似度（Ｓ_ｐｒｅとする）と予後の類似度Ｓ_ｐｏｓｔの重み付け平均をとった値を、総合的類似度として演算するものとする。 In this embodiment, with respect to the same case data, a value obtained by calculating a weighted average of the similarity before treatment (referred to as S _pre ) and the prognostic similarity S _post is calculated as an overall similarity using the following formula 4. It shall be.

但し、ｖは実数の定数であり、ここでは、検査対象症例の離散時系列データ全体における、治療前時系列データの時間間隔が占める割合を表している。 However, v is a real number constant, and represents the ratio of the time interval of the pre-treatment time series data in the whole discrete time series data of the examination target case.

そして、図６のステップＳ６０６と同様に、検査対象症例に対する総合的類似度が高い方から順に複数個選択する。 Then, in the same manner as in step S606 in FIG. 6, a plurality of items are selected in descending order of the overall similarity to the examination target case.

ステップＳ１０１０では、ＣＰＵ１０１が、ステップＳ１００９において選定された類似症例データを時系列で提示する。 In step S1010, the CPU 101 presents the similar case data selected in step S1009 in time series.

図１１は、本実施形態における類似症例データの提示方法の一例を示す図である。図１１は、第１実施形態における図９と同様の表示形態である。ただし、図１１の場合、治療行為まで行われている検査対象症例に対して、治療前の疾患の進行状況だけではなく、術前・術後の投薬治療の進行状況についても類似する症例が提示される（第１の出力手段及び第２の出力手段）。 FIG. 11 is a diagram illustrating an example of a similar case data presentation method according to the present embodiment. FIG. 11 shows a display form similar to FIG. 9 in the first embodiment. However, in the case of FIG. 11, not only the progress of the disease before treatment but also the progress of the pre- and post-surgical medication treatment are presented for the test target case that has been performed up to the treatment action. (First output means and second output means).

以上の説明から明らかなように、本実施形態に係る類似症例検索装置では、疾患の進行状況が異なる治療前と治療後、及び術前と術後を区別して、異なる疾患進行モデルによって離散時系列データを補間し、別々に類似度を演算する構成とした。 As is clear from the above description, the similar case search apparatus according to the present embodiment distinguishes between pre-treatment and post-treatment, and pre- and post-operative different disease progression states, and discrete time series using different disease progression models. The data was interpolated and the similarity was calculated separately.

これにより、例えば、検査対象症例が治療行為まで行われていた症例であった場合に、治療前の疾患進行モデルのみに基づいて離散時系列データを補間すると、治療前の疾患進行モデルとの不一致が生じてしまうといった問題を解決することが可能となる。 Thus, for example, when the case to be examined is a case where treatment has been performed, if the discrete time series data is interpolated based only on the disease progression model before treatment, it is inconsistent with the disease progression model before treatment. It becomes possible to solve the problem that the problem occurs.

さらに、検査対象症例の治療前の進行パターンと、症例データベース１２０に格納された症例データの予後の進行パターンとが偶然近かった場合に、本来は類似症例データではないにも関わらず、類似度が高い症例データとして提示されてしまうといった問題を解決することが可能となる。 Furthermore, when the progression pattern before treatment of the case to be examined and the progression pattern of the prognosis of the case data stored in the case database 120 are close by chance, the degree of similarity is not necessarily similar case data. It is possible to solve the problem of being presented as high case data.

この結果、より正確な離散時系列データの補間と類似度の演算が可能となる。 As a result, more accurate interpolation of discrete time series data and similarity calculation are possible.

（第２の実施形態の変形例１）
ステップＳ１００９では、類似症例データの選定方法として、治療前と予後のそれぞれの類似度から演算した総合的類似度が高い順に特定の数だけ選定する方法を用いることとしたが、これに限定されるものではない。例えば、治療前と予後のそれぞれに関して、類似度が高い順に特定の数だけ症例データを選定するようにしてもよい。 (Modification 1 of 2nd Embodiment)
In step S1009, as a method for selecting similar case data, a method is used in which a specific number is selected in descending order of the overall similarity calculated from the similarities before treatment and prognosis. However, the method is limited to this. It is not a thing. For example, a specific number of case data may be selected in descending order of similarity for each of pre-treatment and prognosis.

これにより、治療前と予後のそれぞれに着目した類似症例を提示することが可能となる。当該方法によれば、治療前の疾患の進行状況のみが類似している症例データを複数提示し、それらの予後の進行状況がどう異なるかを参考にしたい場合に、有効となる。また、その逆の場合にも同様に有効である。 As a result, it is possible to present similar cases focusing on the pre-treatment and prognosis. This method is effective when a plurality of case data that are similar only in the progress of the disease before treatment are presented and it is desired to refer to how the progress of the prognosis differs. The same applies to the opposite case.

さらに、予後における術前と術後の類似度を別々に演算することで、治療前と術前、術後のそれぞれに着目した類似症例データを提示するようにしてもよい。これにより、例えば術後の経過のみが類似する類似症例データを提示して、治療方針計画などの参考にすることが可能となる。 Further, similar case data focusing on pre-treatment, pre-operative, and post-operative cases may be presented by separately calculating the pre-operative and post-operative similarities in the prognosis. As a result, for example, it is possible to present similar case data that is similar only in the postoperative period, and can be used as a reference for treatment plan planning and the like.

（第２の実施形態の変形例２）
本実施形態では、治療進行モデルの構築に際して、表４で示したように、治療方法として「手術の有無」・「投薬した薬品」に応じて症例グループを作成することとしたが、症例グループを分類する治療方法はこれに限られない。 (Modification 2 of the second embodiment)
In the present embodiment, when the treatment progress model is constructed, as shown in Table 4, the case group is created according to the “presence / absence of surgery” / “medicine” as the treatment method. The treatment method to classify is not limited to this.

その他にも疾患の進行パターンに影響を及ぼす可能性がある治療方法として、「放射線治療」などが挙げられる。したがって、放射線治療に応じて症例グループを作成するようにしてもよい。同様に、類似症例データの提示に際して、治療情報として「放射線治療」の情報を提示するようにしてもよい。 Other treatment methods that may affect the disease progression pattern include “radiotherapy”. Therefore, a case group may be created according to radiotherapy. Similarly, when presenting similar case data, “radiotherapy” information may be presented as treatment information.

［第３実施形態］
上記第１及び第２の実施形態では、検査対象症例の離散時系列データを補間した補間時系列データと、症例データベース１２０内の症例データの離散時系列データとを比較することで、類似度の演算を行うこととしたが、本発明はこれに限定されない。 [Third Embodiment]
In the first and second embodiments, by comparing the interpolated time series data obtained by interpolating the discrete time series data of the examination target case with the discrete time series data of the case data in the case database 120, the similarity degree Although the calculation is performed, the present invention is not limited to this.

上記第１及び第２の実施形態とは逆に、検査対象症例の離散時系列データと、症例データベース１２０内の症例データの離散時系列データを補間した補間時系列データとを比較することで、類似度の演算を行うように構成してもよい。 Contrary to the first and second embodiments, by comparing the discrete time-series data of the case to be examined with the interpolated time-series data obtained by interpolating the discrete time-series data of the case data in the case database 120, You may comprise so that the calculation of similarity may be performed.

当該構成では、症例データベース１２０内の症例データの離散時系列データを補間する処理を予め実行しておき、類似症例検索時にＣＰＵ１０１がアクセスし易い磁気ディスク１０３内に格納しておく。そして類似症例検索の際には、磁気ディスク１０３に格納された各症例データの補間時系列データを、検査対象症例の離散時系列データとの比較のために読み出す。 In this configuration, processing for interpolating discrete time-series data of case data in the case database 120 is executed in advance, and stored in the magnetic disk 103 that the CPU 101 can easily access when searching for similar cases. When searching for similar cases, the interpolated time series data of each case data stored in the magnetic disk 103 is read out for comparison with the discrete time series data of the examination target case.

かかる構成によれば、症例データベース１２０内の症例データの補間時系列データを、予め磁気ディスク１０３内に格納しておくため、類似症例検索を実行する際に補間時系列データを作成する処理を省くことが可能となる。 According to such a configuration, since the interpolation time series data of the case data in the case database 120 is stored in the magnetic disk 103 in advance, the process of creating the interpolation time series data is omitted when the similar case search is executed. It becomes possible.

この結果、類似症例検索の際に検査対象症例の離散時系列データを補間する必要がなくなり、上記第１及び第２の実施形態に比べ、類似症例検索処理の時間を短縮させることが可能となる。 As a result, it is not necessary to interpolate the discrete time series data of the case to be examined at the time of similar case search, and it is possible to shorten the time for the similar case search process compared to the first and second embodiments. .

［他の実施形態］
なお、本発明は、複数の機器（例えばホストコンピュータ、インタフェース機器、リーダ、プリンタなど）から構成されるシステムに適用しても、一つの機器からなる装置（例えば、複写機、ファクシミリ装置など）に適用してもよい。 [Other Embodiments]
Note that the present invention can be applied to a system (for example, a copier, a facsimile machine, etc.) consisting of a single device even when applied to a system composed of a plurality of devices (for example, a host computer, interface device, reader, printer, etc.) You may apply.

また、本発明の目的は、前述した実施形態の機能を実現するソフトウェアのプログラムコードを記録したコンピュータ読取可能な記憶媒体を、システムあるいは装置に供給するよう構成することによっても達成されることはいうまでもない。この場合、そのシステムあるいは装置のコンピュータ（またはＣＰＵやＭＰＵ）が記憶媒体に格納されたプログラムコードを読出し実行することにより、上記機能が実現されることとなる。なお、この場合、そのプログラムコードを記憶した記憶媒体は本発明を構成することになる。 In addition, the object of the present invention can also be achieved by supplying a computer-readable storage medium that records software program codes for realizing the functions of the above-described embodiments to a system or apparatus. Not too long. In this case, the above functions are realized by the computer (or CPU or MPU) of the system or apparatus reading and executing the program code stored in the storage medium. In this case, the storage medium storing the program code constitutes the present invention.

プログラムコードを供給するための記憶媒体としては、例えば、フロッピ（登録商標）ディスク、ハードディスク、光ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、ＣＤ−Ｒ、磁気テープ、不揮発性のメモリカード、ＲＯＭなどを用いることができる。 As a storage medium for supplying the program code, for example, a floppy (registered trademark) disk, hard disk, optical disk, magneto-optical disk, CD-ROM, CD-R, magnetic tape, nonvolatile memory card, ROM, or the like is used. be able to.

また、コンピュータが読出したプログラムコードを実行することにより、前述した実施形態の機能が実現される場合に限られない。例えば、そのプログラムコードの指示に基づき、コンピュータ上で稼働しているＯＳ（オペレーティングシステム）などが実際の処理の一部または全部を行い、その処理によって前述した実施形態の機能が実現される場合も含まれることは言うまでもない。 Further, the present invention is not limited to the case where the functions of the above-described embodiments are realized by executing the program code read by the computer. For example, an OS (operating system) running on a computer performs part or all of actual processing based on an instruction of the program code, and the functions of the above-described embodiments may be realized by the processing. Needless to say, it is included.

さらに、記憶媒体から読出されたプログラムコードが、コンピュータに挿入された機能拡張ボードやコンピュータに接続された機能拡張ユニットに備わるメモリに書込まれた後、前述した実施形態の機能が実現される場合も含まれる。つまり、プログラムコードがメモリに書込まれた後、そのプログラムコードの指示に基づき、その機能拡張ボードや機能拡張ユニットに備わるＣＰＵなどが実際の処理の一部または全部を行い、その処理によって実現される場合も含まれる。 Furthermore, after the program code read from the storage medium is written in a memory provided in a function expansion board inserted into the computer or a function expansion unit connected to the computer, the functions of the above-described embodiments are realized. Is also included. That is, after the program code is written in the memory, the CPU or the like provided in the function expansion board or function expansion unit performs part or all of the actual processing based on the instruction of the program code, and is realized by the processing. This is also included.

１００類似症例検索装置
１２０症例データベース
１３０医用画像データベース
１４０診療録データベース
１５０ＬＡＮ
１１０制御部 100 Similar Case Search Device 120 Case Database 130 Medical Image Database 140 Medical Record Database 150 LAN
110 Control unit

Claims

A feature quantity extracted from each of a plurality of medical images included in the case data, an acquisition unit for acquiring a feature quantity extracted from each of a plurality of medical images included in the inspection data,
A calculation means for calculating the similarity between the plurality of medical images included in the examination data and the plurality of medical images included in the case data separately using the acquired feature amount before and after treatment. ,
An information processing apparatus comprising: output means for outputting case data selected based on similarity calculated separately after treatment and after treatment .

At least one of the feature amounts of the plurality of medical images included in the case data and the feature amounts of the plurality of medical images included in the examination data acquired by the acquisition unit is pre-treatment and treatment It is further provided with an interpolating means for performing interpolation using a model.
The arithmetic means uses the interpolated feature amount to divide the similarity between the plurality of medical images included in the examination data and the plurality of medical images included in the case data before and after treatment. Operate
The information processing apparatus according to claim 1.

It further comprises a construction means for extracting a feature amount from each of a plurality of medical images for the same subject photographed at different times, and constructing a model of temporal change of the feature amount,
The information processing apparatus according to claim 2 , wherein the model used in the interpolation unit is constructed by the construction unit.

A database for storing case data including a plurality of medical images for the same subject photographed at different times;
The information processing apparatus according to claim 2 , wherein case data used in the interpolation unit is read from the database.

The interpolation means interpolates the feature amount using a model selected based on at least one of the nature of the disease of the subject, the sex of the subject, the age of the subject, and the treatment method of the disease. The information processing apparatus according to claim 2 .

The interpolation means divides the plurality of medical images into a medical image taken before treatment and a medical image taken after treatment , and interpolates the feature amount extracted from each medical image. The information processing apparatus according to claim 2 .

The computing means calculates the similarity between a plurality of medical images included in the examination data and a plurality of medical images included in the case data, a medical image captured before treatment, and a medical image captured after treatment. The information processing apparatus according to claim 6 , wherein the calculation is performed separately.

The computing means is
A first computing means for computing a similarity between the examination data including a medical image photographed before treatment and the case data including the medical image photographed before the treatment;
Claim 6, characterized in that it comprises a second calculating means for calculating a similarity between said case data including the medical images taken after treatment with the test data including the medical images taken after treatment The information processing apparatus described in 1.

The output means includes
The case data selected based on the total similarity calculated using the similarity calculated by the first calculation means and the similarity calculated by the second calculation means is output. The information processing apparatus according to claim 8 .

The output means includes
The information processing apparatus according to claim 8, further comprising a first output unit that outputs case data selected based on the similarity calculated by the first calculation unit .

The output means includes
The information processing apparatus according to claim 8, further comprising second output means for outputting case data selected based on the similarity calculated by the second calculation means.

The output means is case data selected based on the similarity between a plurality of medical images taken before treatment included in the case data and a plurality of medical images taken before treatment included in the examination data. The information processing apparatus according to claim 1, wherein:

The output means outputs case data selected based on the similarity between a plurality of medical images taken after treatment included in the case data and a plurality of medical images taken after treatment included in the examination data. The information processing apparatus according to claim 1, wherein:

The output means includes a similarity between a plurality of medical images taken before treatment included in the case data and a plurality of medical images taken before treatment included in the examination data, and included in the case data The case data selected based on the similarity between a plurality of medical images taken after treatment and a plurality of medical images taken after treatment included in the examination data is output. The information processing apparatus described.

A feature quantity extracted from each of a plurality of medical images included in the case data, an acquisition step of acquiring a feature amount extracted from each of the plurality of medical images included in the inspection data,
A calculation step of calculating the similarity between the plurality of medical images included in the examination data and the plurality of medical images included in the case data separately using the acquired feature amount before and after treatment ; ,
An information processing method comprising: an output step of outputting case data selected based on similarity calculated separately after treatment and after treatment .

A program for causing a computer to execute the information processing method according to claim 15 .

A computer-readable storage medium storing a program for causing a computer to execute the information processing method according to claim 15 .