JP5712343B2 - イメージングデータ処理システム - Google Patents

Description

本発明は、空間的または平面的に配置された観測点で時系列に測定されたイメージングデータ処理方法、および、コンピュータプログラムに関する。より詳しくは、測定された信号を利用して、被測定物の定常状態からの状態変化点を抽出したり、状態変化の様子を可視化したりするデータ処理方法、および、コンピュータプログラムに関する。

従来から、解析対象の生体や工場内のシステムなどの被測定物から、空間的または平面的に配置された複数の観測点で時系列に測定された信号を解析し、被測定物中の状態変化が生じた点（部位、位置など）を抽出する手段や、各点間の関係性などを解析する手段がある。例えば、相互相関解析や回帰分析などを利用し、生体の臓器の任意の部位から時系列に測定した膜電位イメージングデータ、機能的磁気共鳴画像データ、脳波、筋電図、近赤外線スペクトロスコピーなどを解析して、被測定物における賦活部位の抽出や、各部位間の関係性などを解析する手段などが知られている。

相互相関解析は、一般的に以下のような手順で行われる。例えば、被測定物を２次元で捉え、２次元の被測定物上の観測座標（観測部位、観測位置など）を（ｉ、ｊ）とし、当該座標において時系列に測定されたデータをｘ_ｔ、測定データｘ_ｔとの相関性を調べる時系列の参照データをｙ_ｔとすると、相関係数は以下の式で定義される。

分子は、２変数の共分散であり、分母は各変数の標準偏差である。当該式を利用して、例えば、参照データｙ_ｔを、２次元で捉えた被測定物上の座標（ｉ´、ｊ´）において時系列に測定されたデータとすると、２次元で捉えた被測定物上の座標（ｉ、ｊ）で特定される点（部位、位置など）と、座標（ｉ´、ｊ´）で特定される点（部位、位置など）の相関性を評価することができる。または、例えば、参照データｙ_ｔを、被測定物への入力または被測定物からの出力に関する時系列の信号データとすると、参照データｙ_ｔと相関の強い測定データｘ_ｔが測定された被測定物上の座標（ｉ、ｊ）を特定することで、前記入力・出力に関する信号と相関を持つ点（入力信号・出力信号の影響を受けて状態変化が生じる部位）を特定することができる。

また、回帰分析を利用して、時系列にデータを測定した点（部位、位置など）の状態変化を探ることができる。具体的には、自己回帰モデルを用いた白色化法などを利用することができる。自己回帰モデルは、ある時刻ｔにおける測定値η_ｔを過去のｐ個の測定値を用いて、線形結合と定数βで表現したものであり、以下の式で定義される。

ε_ｔは予測誤差であり、その分散をσ_ｔ ^２とする。観測点（部位、位置など）が定常状態にある時に（状態変化が起きていない時）、パラメータベクトルδ＝｛α_１,α_２,α_３,・・・α_ｐ,β, σ_ｔ ^２｝を推定することで、その観測点（部位、位置など）の定常線形動力学特性を同定することができる。「数２」の式で特定される自己回帰モデルを測定データｘ_ｔに適用し、算出した推定値と実測値の差である残差ｅ_ｔは、以下の式で定義される。

残差の時系列データｅ_ｔで正規分布より外れている時間帯が、時系列η_ｔの線形動力学特性と異なる特性が時系列ｘ_ｔに発生した時間帯、すなわち観測点（部位、位置など）に状態変化が生じた時間帯として検知される。時系列に算出した残差データの集合を、状態変化を抽出するために利用する際、残差データのことを「イノベーション」と呼んだりする。

以上は、一変量の時系列についてのデータ処理方法について説明したが、多変量の時系列の場合も同様にしてデータを解析することができる。具体的には、変量の数をｌとすると、ベクトルＸ_ｔ＝（ｘ_ｔ ^１，ｘ_ｔ ^２，・・・ｘ_ｔ ^ｌ）と表現され、その係数行列をＡ_ｉ、切片ベクトルをβとすると、残差の時系列データｅ_ｔは、一変量の時系列の時と同様にして、以下の式で定義することができる。

前記は、観測点（部位、位置など）が周囲から受ける影響を考慮した外生変数型自己回帰分析などに応用できる。外生変数型自己回帰分析としては、例えば、観測点（部位、位置など）が近傍のみから受ける影響を考慮した自己回帰モデルとして、ＮＥＡＲＥＳＴ−ＮＥＩＧＨＢＯＲＳ ＡＵＴＯＲＥＧＲＥＳＳＩＶＥ ＭＯＤＥＬ ＷＩＴＨ ＥＸＴＥＲＮＡＬ ＩＮＰＵＴＳ（ＮＮＡＲＸ）などの手法が知られている。これは、観測点（部位、位置など）がｌ本の時系列があるグリッド上にあり、その近傍の時系列のみから影響を受けると仮定してなされるものである。具体的には、まず、ラプラシアン行列Ｌは、以下のように定義される。

Ｉは、ｌ×ｌの単位行列、Ｎはｌ×ｌの行列であり、グリッド上において観測点（部位、位置など）を示す点ｌに対して、任意の点ｍが、点ｌに影響を及ぼす近傍の点である場合は「Ｎ_ｌｍ＝１」、それ以外の点の場合は「Ｎ_ｌｍ＝０」と定義される。ｋは、考慮する近傍のグリッドの数である。前記ラプラシアン行列Ｌを用いて算出されるＸ_ｔの残差データｅ_ｔ´は、以下のように定義することができる（なお、ＮＮＡＲＸについては、非特許文献１から３などに詳細が開示されているので、ここでの詳細な説明は省略する。）。

従来から、前記のような手法などを用いて、生体や工場内のシステムなどから、空間的または平面的に配置された観測点で時系列に測定された信号の解析などがなされている。例えば、特許文献１のような、脳波の多次元相関分析方法などが開示されている。
特開平７−５１２４０ Ｂｏｓｃｈ−Ｂａｙａｒｄ, Ｊ., Ｒｉｅｒａ−Ｄｉａｚ, Ｊ.， Ｂｉｓｃａｙ−Ｌｉｒｉｏ, Ｒ., Ｗｏｎｇ, Ｋ.Ｆ.Ｋ., Ｇａｌｋａ, Ａ., Ｙａｍａｓｈｉｔａ, Ｏ., Ｓａｄａｔｏ, Ｎ. Ｋａｗａｓｈｉｍａ, Ｒ. Ａｕｂｅｒｔ−Ｖａｚｑｕｅｚ, Ｅ., Ｒｏｄｒｉｇｕｅｚ−Ｒｏｊａｓ, Ｒ., Ｖａｌｄｅｓ−Ｓｏｓａ, Ｐ., Ｍｉｗａｋｅｉｃｈｉ, Ｆ., ａｎｄ Ｏｚａｋｉ, Ｔ., ＳＰＡＴＩＯ−ｔｅｍｐｏｒａｌ ｃｏｒｒｅｌａｔｉｏｎ ｆｒｏｍ ｆＭＲＩ ｔｉｍｅ ｓｅｒｉｅｓ ｂａｓｅｄ ｏｎ ｔｈｅ ＮＮ−ＡＲｘ ｍｏｄｅｌ, Ｓｕｂｍｉｔｔｅｄ ｔｏ ＮｅｕｒｏＩｍａｇｅ, ２００８ Ｇａｌｋａ, Ａ., Ｏｚａｋｉ, T., Ｂｏｓｃｈ Ｂａｙａｒｄ, Ｊ.,Ｙａｍａｓｈｉｔａ, ａｎｄ Ｏ., Ｗｈｉｔｅｎｉｎｇ ａｓ ａ Ｔｏｏｌ ｆｏｒ Ｅｓｔｉｍａｔｉｎｇ Ｍｕｔｕａｌ Ｉｎｆｏｒｍａｔｉｏｎ ｉｎ Ｓｐａｔｉｏｔｅｍｐｏｒａｌ Ｄａｔａ Ｓｅｔｓ. Ｊ. Ｓｔａｔ.Ｐｈｙｓ., Ｖｏｉ １２４, Ｎｏ.５, ｐｐ１２７５−１３１５, ２００６ Ｋａｔａｎａｄａ, Ｋ., Ｍａｔｓｕｄａ, Ｙ., ａｎｄ Ｓｕｇｉｓｈｉｔａ, Ｍ., Ａ Ｓｐａｔｉｏ−ｔｅｍｐｏｒａｌ Ｒｅｇｒｅｓｓｉｏｎ Ｍｏｄｅｌ ｆｏｒ ｔｈｅ Ａｎａｌｙｓｉｓ ｏｆ Ｆｕｎｃｔｉｏｎａｌ ＭＲＩ Ｄａｔａ, ＮｅｕｒｏＩｍａｇｅ, １７, ｐｐ１４１５−１４２８，２００２

しかしながら、従来の解析方法では、グリッド上の平面的・空間的配置を持つ多変量時系列データにおいて、その動力学的状態の転換を抽出し可視化する方法が確立されていない。すなわち、解析対象の被測定物（生体、工場内のシステムなど）において、状態変化が生じた点（部位、位置など）が時間軸に従いどのように変遷していくかを直観的に把握することは困難であった。

また、従来の相互相関解析や回帰分析を利用した解析により、状態変化が生じた点（部位、位置など）や各点間の関係性を統計量として表すことは可能であるが、これらの手法では、データの動力学的性質について評価することはできない。さらに、これらの手法での解析は、参照点や参照関数を定義する必要があり、その選択に任意性が残るという不都合があり、データの信頼度に多少欠ける点があった。

そこで、本発明では、前記のような不都合を解決することが可能なイメージングデータ処理方法、および、コンピュータプログラムを含んだイメージングデータ処理システムなどを提供することを課題とする。

上記課題を解決するための手段として、以下のような発明などを提供する。

第一発明では、静止状態にある被測定物の各点が発する信号の時間変化を被測定物のイメージングデータと関連付けて記録した時間変化イメージングデータを取得する測定データ取得部と、測定データ取得部が取得した時間変化イメージングデータを複数の領域に区画した解析単位に分割する分割部と、分割された解析単位ごとに変化データを取得する解析単位変化データ取得部と、解析単位ごとに、解析単位変化データ取得部が取得した変化データから定常状態データを抽出する定常状態データ抽出部と、抽出した定常状態データに基づいて解析単位ごとに定常状態モデル関数を生成するモデル関数生成部と、生成した定常状態モデル関数を利用して、解析単位ごとに変化データとの残差データを時系列に算出する残差データ算出部を有するイメージングデータの状態変化抽出方法をもつイメージングデータ処理システムを提供する。

第二発明では、第一発明を基本とし、さらに、測定データ取得部において取得される繰返測定によって得られた複数セットの時間変化イメージングデータに基づいて残差データ算出部にて算出される複数セットの残差データを用いて、複数の領域に区画された時間変化イメージングデータの区画ごとに定常状態の残差データと他の残差検出時間帯の残差データの差の大きさを統計検定し、検定値を時系列に算出する検定値演算部を有するイメージングデータの状態変化抽出方法をもつイメージングデータ処理システムを提供する。

第三発明では、第二発明を基本とし、さらに、時系列に算出した検定値を、被測定物のイメージングデータ上に時系列にマッピングする検定値マッピング部を有するイメージングデータの状態変化抽出方法をもつイメージングデータ処理システムを提供する。

第四発明では、静止状態にある被測定物の各点が発する信号の時間変化を被測定物のイメージングデータと関連付けて記録した時間変化イメージングデータを取得する測定データ取得ステップと、測定データ取得ステップで取得した時間変化イメージングデータを複数の領域に区画した解析単位に分割する分割ステップと、分割された解析単位ごとに変化データを取得する解析単位変化データ取得ステップと、解析単位ごとに、解析単位変化データ取得ステップが取得した変化データから定常状態データを抽出する定常状態データ抽出ステップと、抽出した定常状態データに基づいて解析単位ごとに定常状態モデル関数を生成するモデル関数生成ステップと、生成した定常状態モデル関数を利用して、解析単位ごとに変化データとの残差データを時系列に算出する残差データ算出ステップ有するイメージングデータの状態変化抽出方法をもつイメージングデータ処理システムの動作方法を提供する。

第五発明では、第四発明を基本とし、さらに、測定データ取得ステップにおいて取得される繰返測定によって得られた複数セットの時間変化イメージングデータに基づいて残差データ算出ステップにて算出される複数セットの残差データを用いて、複数の領域に区画された時間変化イメージングデータの区画ごとに定常状態の残差データと他の残差検出時間帯の残差データの差の大きさを統計検定し、検定値を時系列に算出する検定値演算ステップを有するイメージングデータの状態変化抽出方法をもつイメージングデータ処理システムの動作方法を提供する。

第六発明では、第五発明を基本とし、さらに、時系列に算出した検定値を、被測定物のイメージングデータ上に時系列にマッピングする検定値マッピングステップを有するイメージングデータの状態変化抽出方法をもつイメージングデータ処理システムの動作方法を提供する。

本発明のイメージングデータ処理システムを用いたデータ処理方法により、被測定物（生体、工場内のシステムなど）における状態変化が生じた点（部位、位置など）を、時系列に抽出することができる。また、状態変化が生じた点（部位、位置など）がどのように変遷していくかを直観的に把握することができるようになる。

また、本発明では、従来技術のように、任意に定める参照点を用いないので、状態変化点の抽出の信頼性が高くなる。さらに、複数回測定した複数のデータを用いてデータ処理を行うことが可能であるので、測定回数を増やすほどその信頼度を高くすることが可能である。

さらに、本発明は、被測定物から空間的または平面的に配置された観測点で時系列に測定されたあらゆるデータに対して適用可能であるので、様々な用途での利用が期待される。

また、本発明は、加算平均法によらず、各々の測定ごとに計算した残差をすべての測定を通して統計検定を行うので、動力学的状態の変化を信頼度として評価することができる。

さらに、本発明は、振幅情報で生体活動を検知できないデータでも、その生体活動をデータの時間軸上の動力学的状態変化点として検出することができる。

以下本発明を実施するための最良の形態について、図面を用いて詳細に説明する。なお、本発明はこれら実施の形態になんら限定されるものではなく、その要旨を逸脱しない範囲において種々なる態様で実施しうる。
<本実施形態の概要>

本発明のイメージングデータ処理システムを用いたデータ処理方法は、被測定物（例、心臓、脳、工場内のシステム、など）から任意の事象（例：呼吸、外的ストレス、爆音など）が生じた際の時間変化イメージングデータ（例：膜電位イメージングデータ、サーモグラフィー、など）を１回以上測定したデータを取得すると、当該データを利用して、被測定物の各点（部位、位置など）の状態変化を時系列に抽出することができる。また、図１に示すように、任意の事象により生じた、被測定物の各点（部位、位置など）の状態変化の変遷を直観的に把握することができるようにマッピング表示することを特徴とする。
<本実施形態の機能的構成>

本実施形態のイメージングデータ処理システムの機能ブロックの一例を図２に示す。図２に示すように、本実施形態の「イメージングデータ処理システム」（０２００）は、「測定データ取得部」（０２０１）と、「分割部」（０２０２）と、「解析単位変化データ取得部」（０２０３）と、「定常状態データ抽出部」（０２０４）と、「モデル関数生成部」（０２０５）と、「残差データ算出部」（０２０６）を有する。また、「検定値演算部」（０２０７）を有してもよい。さらに、「検定値マッピング部」（０２０８）を有してもよい。

ここで、本装置の機能ブロックは、ハードウェア、ソフトウェア、またはハードウェアおよびソフトウェアの両方として実現され得る。具体的には、コンピュータを利用するものであれば、ＣＰＵやＲＡＭ、バス、あるいは二次記憶装置（ハードディスクや不揮発性メモリ、ＣＤ−ＲＯＭやＤＶＤ−ＲＯＭなどの記憶メディアとそれらメディアの読取ドライブなど）、印刷機器や表示装置、その他の外部周辺装置などのハードウェア構成部やその外部周辺機器用のＩ／Ｏポート、それらハードウェアを制御するためのドライバプログラムやその他アプリケーションプログラム、情報入力に利用されるユーザインターフェイスなどが挙げられる。

またこれらハードウェアやソフトウェアは、ＲＡＭ上に展開したプログラムをＣＰＵで演算処理したり、メモリやハードディスク上に保持されているデータや、インターフェイスを介して入力されたデータなどを加工、蓄積、出力処理したり、あるいは各ハードウェア構成部の制御を行ったりするために利用される。また、この発明は装置として実現できるのみでなく、方法としても実現可能である。また、このような発明の一部をソフトウェアとして構成することができる。さらに、そのようなソフトウェアをコンピュータに実行させるために用いるソフトウェア製品、および同製品を記憶媒体に固定した記憶媒体も、当然にこの発明の技術的な範囲に含まれる（本明細書の全体を通じて同様である）。

以下、本実施形態の「イメージングデータ処理システム」（０２００）の、「測定データ取得部」（０２０１）と、「分割部」（０２０２）と、「解析単位変化データ取得部」（０２０３）と、「定常状態データ抽出部」（０２０４）と、「モデル関数生成部」（０２０５）と、「残差データ算出部」（０２０６）と、「検定値演算部」（０２０７）と、「検定値マッピング部」（０２０８）の機能的構成について詳細に説明する。

「測定データ取得部」（０２０１）は、静止状態にある被測定物の各点が発する信号の時間変化を被測定物のイメージングデータと関連付けて記録した時間変化イメージングデータを取得するよう構成されている。ここで、「被測定物」は、脳、心臓、肺などの生体中の臓器の他、工場内のシステムなど、空間的または平面的に配置された観測点で時系列に信号を計測可能なあらゆるものが該当する。被測定物の「各点」とは、脳、心臓などの被測定物を任意に平面的または空間的にグリッド上に区画した際の各区画に位置する部位や、工場内のシステムなどの被測定物を任意に平面的または空間的にグリッド上に区画した際の各区画の位置などが該当する。「静止状態にある被測定物」とは、時間変化イメージングデータを測定可能な状態におかれた被測定物と同等の意味である。すなわち、被測定物が脳、心臓など生体の臓器の場合には、生きた状態の被測定物を、測定装置下に留置または固定した状態をさす。また、工場内のシステムなどの場合には、システム内の機器などの配置を固定した状態をさす。「被測定物の各点が発する信号」とは、被測定物から時系列に測定可能なあらゆるデータが該当し、例えば、生体から測定可能な膜電位、筋電位、脳波などの電気信号や、工場内のシステムの温度などが該当する。「時間変化イメージングデータ」とは、前記のような被測定物をイメージングデータ（被測定物を任意の構図で捉えた画像）上で平面的または空間的なグリッド上に区画し、各区画に対応する被測定物上の点（部位、位置など）から測定された信号の時間変化データを、イメージングデータ上の各区画と関連付けて記録したデータのことである。

ここで、「時間変化イメージングデータ」を測定する手段としては以下のような手段が考えられる。例えば、生体の臓器などを被測定物とする場合には、膜電位感受性色素を用いて、被測定物の各部位が発する光をＣＣＤカメラにより複数の静止イメージで撮影する手段などが考えられる。膜電位感受性色素とは、色素を塗布した点（部位）の膜電位の変化に応じて、吸光度や蛍光強度が変化する特徴を有した色素である。すなわち、当該色素を塗布した被測定物の静止イメージをＣＣＤカメラで所定時間おきに複数撮影し、被測定物の各点（部位）に塗布された前記色素の光量変化を記録することで、被測定物の各点（部位）が発する信号の時間変化（膜電位の時間変化）を記録することができる。このような膜電位感受性色素としては、ｓｔｙｒｙｌ系化合物、ｃｙａｎｉｎｅ系化合物、ｏｘｏｎｏｌ系化合物、ｒｈｏｄａｍｉｎｅ誘導体など多種存在するが、測定部位や測定条件などを考慮して使い分けることができる。かかる場合、被測定物の各点が発する信号の時間変化を関連付ける被測定物のイメージングデータとして、ＣＣＤカメラにより撮影された被測定物の静止イメージを利用することで、容易に、各点が発する信号の時間変化を被測定物のイメージングデータと関連付けて記録することができる。

その他、生体の臓器などを被測定物とする場合の時間変化イメージングデータの測定手段としては、例えば、まず、被測定物のイメージングデータを用意し、イメージングデータ上で被測定物を平面的または空間的な任意のグリッド上に区画する。そして、各区画に対応する被測定物の部位ごとに、電極などを用いて、脳波、筋電図などを測定する。そして、測定したデータを、イメージングデータの各区画と関連付けて記録するようにしてもよい。

なお、膜電位感受性色素を利用する手段は、前記のように電極などを利用して部位ごとに電位変化を測定する手段に比べて、ノイズ成分が多くなるというデメリットがある反面、被測定物の複数の部位の電位変化を同時に測定できるというメリットを有する。一方の電極などを利用して部位ごとに電位変化を測定する手段は、膜電位感受性色素を利用する手段に比べて、ノイズ成分が少なくなるというメリットを有する反面、被測定物の複数の部位の電位変化を同時に測定するのが困難であるというデメリットがある。よって、測定手段としては、被測定物の種類、区画する領域の数、などに応じて使い分けるのが望ましい。

その他、工場内のシステムなどを被測定物とする場合の時間変化イメージングデータの測定手段としては、例えば、サーモグラフィーなどを用いて、工場内のシステムの温度変化を測定してもよい。かかる場合も、サーモグラフィーにより撮影された被測定物の静止イメージを利用することで、容易に、各点が発する信号の時間変化を被測定物のイメージングデータと関連付けて記録することができる。

なお、前記測定手段は一例であり、本発明の時間変化イメージングデータは、その他の手段により、被測定物から測定された時間変化イメージングデータであってもよい。

測定データ取得部（０２０１）は、前記のような時間変化イメージングデータを１回以上測定したデータを取得する。ここでの測定回数は、任意の事象（例：呼吸、外的ストレス、電気刺激、爆音など）が１回生じた際に被測定物の各点（部位、位置など）が発する信号の時間変化を測定するのを１回とする。具体的には、例えば、１回の呼吸（１回吸って１回吐く動作）が生じた際に脳の解析対象の各部位が発する信号の時間変化を測定するのを１回とする。なお、測定データ取得部（０２０１）が取得するデータの測定回数としては特段制限されず、例えば、１回、２回、１０回、３０回、１００回、それ以上でもよい。しかし、以下で説明する「検定値演算部」（０２０７）の統計検定を考慮すると、おおよそ３０回以上であることが望ましい。また、複数回測定したデータは、「１回ごとに測定されたデータ」であってもよいし、「複数回連続的に測定されたデータ」であってもよい。「１回ごとに測定されたデータ」とは、「測定開始→任意の事情→測定終了」→「測定開始→任意の事象→測定終了」→「・・・」のようにして複数回の時間変化イメージングデータを測定する場合などである。かかる場合、時間変化イメージングデータは、測定回ごとに分類されて保存される。一方、「複数回連続的に測定されたデータ」とは、「測定開始→任意の事象→任意の事象→・・・測定終了」のようにして複数回の時間変化イメージングデータを測定する場合などである。かかる場合、時間変化イメージングデータは、測定回ごとに分類されず、保存される。

ここで、測定データ取得部（０２０１）が前記のような時間変化イメージングデータを取得する手段としては特段制限されず、例えば、同一機器の内部メモリに保存されている時間変化イメージングデータを取り出すことで取得してもよいし、または、時間変化イメージングデータを保存している外部機器との有線／無線の通信により、取得してもよい。

「分割部」（０２０２）は、測定データ取得部が取得した時間変化イメージングデータを、複数の領域に区画した解析単位に分割するよう構成されている。「解析単位」とは、被測定物から測定された時間変化イメージングデータを用いて状態変化の抽出などの解析を行う最小の単位であり、被測定物のイメージングデータを任意の数の領域に区画し、１つの区画において測定された時間変化イメージングデータを１つの解析単位とする。分割部（０２０２）が、取得した時間変化イメージングデータを解析単位に分割する手段としては特段制限されないが、以下のようなものであってもよい。

例えば、時間変化イメージングデータが被測定物を２次元で捉えたデータ（例：被測定物の表面のみのイメージングデータ）である場合には、ＣＣＤカメラやサーモグラフィーなどにより撮影した静止イメージをピクセルごとに区画することで実現してもよい。そして、各区画（ピクセル）に対応する時間変化イメージングデータを、１つの解析単位として分割してもよい。かかる場合、分割部は（０２０２）は、ピクセル数（Ｌ×Ｍ（ピクセル））に応じて、時間変化イメージングデータをＬ×Ｍ（個）の解析単位（区画）に分割する。

その他、時間変化イメージングデータが被測定物を３次元で捉えたデータ（例：被測定物を複数にスライスして得た試料の表面の静止イメージ）である場合にも、ＣＣＤカメラやサーモグラフィーなどにより撮影した静止イメージをピクセルごとに区画することで実現できる。なお、かかる場合には、分割部（０２０２）は、時間変化イメージングデータを、スライス（Ｎ枚にスライス）した試料ごとにも分割し、Ｌ×Ｍ×Ｎ（個）の解析単位（区画）に分割する。

また、時間変化イメージングデータが電極などを利用してイメージングデータの各区画に対応する被測定物上の点（部位、位置など）ごとに信号（電位変化など）を測定したものである場合には、時間変化イメージングデータは、区画ごとのデータとして保存されている。よって、かかる場合には、分割部（０２０２）は、前記区画に従い、１つの区画の時間変化イメージングデータを、１つの解析単位として分割することができる。

なお、前記分割の手段はあくまで一例であり、その他の手段により、時間変化イメージングデータを解析単位に分割してもよい。例えば、一つのピクセルを一つの解析単位とするのではなく、複数のピクセル（例：矩形を構成するように隣接したｐ^２個のピクセル：ｐは自然数）の時間変化イメージングデータを一つの解析単位としてもよい。

ここで、分割部（０２０２）は、測定データ取得部（０２０１）が取得した時間変化イメージングデータが複数回測定した時間変化イメージングデータであった場合には、時間変化イメージングデータを測定回ごとに分割するように構成してもよい。分割の手段としては、以下のようなものであってもよい。

例えば、複数回測定した時間変化イメージングデータが、「複数回連続的に測定されたデータ」（「測定開始→任意の事象→任意の事象→・・・測定終了」）である場合には、一回の測定における測定時間を定めて（例：５ｓｅｃ／回）時間変化イメージングデータを測定するようにする。そして、分割部（０２０２）は、取得した時間変化イメージングデータの時間長を識別し、予め保持しておいた測定時間（例：５ｓｅｃ／回）を利用して、測定回数（Ｒ回）を算出してもよい。そして、分割部（０２０２）は、取得した時間変化イメージングデータを、最初から所定時間（測定時間）間隔でＲ個のグループに分割するように構成してもよい。

なお、複数回測定した時間変化イメージングデータが、「１回ごとに測定されたデータ」（「測定開始→任意の事情→測定終了」→「測定開始→任意の事象→測定終了」→「・・・）である場合には、時間変化イメージングデータはすでに測定回ごとに分割されているので、分割部（０２０２）は、複数回測定した時間変化イメージングデータを測定回ごとに分割する必要はない。

分割部（０２０２）は、測定データ取得部（０２０１）が複数回測定した時間変化イメージングデータを取得した場合には、１回の測定の、１つの区画の時間変化イメージングデータを１つの解析単位として分割する。すなわち、測定データ取得部（０２０１）が、被測定物を３次元で捉え、Ｒ回測定した時間変化イメージングデータを取得した場合には、Ｒ×Ｌ×Ｍ×Ｎ個の解析単位に分割することとなる。

「解析単位変化データ取得部」（０２０３）は、分割された解析単位ごとに変化データを取得するよう構成されている。「変化データ」とは、被測定物の各点（部位、位置など）から測定された信号（電気信号など）の時間変化に関するデータである。すなわち、時間変化イメージングデータが、膜電位感受性色素を利用して生体の臓器の各部位の光量変化を測定したものである場合には、変化データは各部位の光量変化を示すデータが該当する。また、時間変化イメージングデータが、電極などを用いて生体の臓器の各部位の電位を測定していたものである場合には、変化データは各部位の電位変化が該当する。また、時間変化イメージングデータが、サーモグラフィーを用いて工場内のシステムの温度変化を測定したものである場合には、各位置の温度変化を示すデータが該当する。ここで、一つの解析単位が、複数のピクセルで特定される場合には、変化データは、複数のピクセルから取得された複数の変化データの平均値などとしてもよい。

なお、１つの解析単位から取得される変化データのデータ数は、測定条件により異なる。すなわち、例えば、１回の測定で、０．０２ｓｅｃごとに、２５６枚の静止イメージを記録した時間変化イメージングデータの場合には、１つの解析単位から２５６個の変化データが取得される。電極などにより電位を測定した場合も同様に、１回の測定で記録したデータ数分の変化データが取得される。

「定常状態データ抽出部」（０２０４）は、解析単位ごとに、解析単位変化データ取得部が取得した変化データから定常状態データを抽出するよう構成されている。「定常状態データ」とは、被測定物が定常状態（任意の事象が生じた際の影響を受けていない状態）にある際の変化データである。変化データの中から定常状態データを特定して抽出する手段としては、以下のようなものであってもよい。例えば、１回で測定する時間変化イメージングデータは、任意の事象が生じる前後に十分な時間（例：３ｓｅｃ）をとって測定するようにする。そして、定常状態データ抽出部（０２０４）は、解析単位変化データ取得部（０２０３）が取得した変化データの中から、最初の所定時間（例：０．５２ｓｅｃ）分の変化データを定常状態データとして取得するように構成してもよい。

その他の手段としては、例えば、１回で測定する時間変化イメージングデータは、任意の事象が生じた際に影響を受ける時間幅よりも、任意の事象が生じた際の影響を受けていない時間幅を十分長くとって測定するようにする。そして、定常状態抽出部（０２０４）は、変化データの平均値を算出すると、その平均値から最も乖離した変化データを特定し、当該データを中心にした所定の時間幅（任意にあらかじめ設定）に含まれるデータ以外の変化データを定常状態データとして取得するように構成してもよい。

「モデル関数生成部」（０２０５）は、抽出した定常状態データに基づいて、解析単位ごとに定常状態モデル関数を生成するよう構成されている。「定常状態モデル関数」とは、自己回帰モデル、自己回帰移動平均モデル、状態空間モデルなどのダイナミックモデル式であり、最小二乗法やカルマンフィルタを用いた最尤法などの統計的手法により算出される。解析単位ごとに算出する定常状態モデル関数は、その解析単位で特定される１つの区画（部位、位置など）の変化データのみを利用して算出される単変量のモデル式であってもよいし、または、その解析単位で特定される１つの区画の周辺の区画（部位、位置など）の影響を考慮して算出される多変量の外生変数型モデル式であってもよい。これらのモデル式は、従来技術を利用して算出可能であるので、ここでの詳細な説明は省略する。なお、外生変数型モデル式を算出する場合は、その解析単位で特定される１つの区画（部位、位置など）の近傍の区画（部位、位置など）のみの影響を考慮したＮＥＡＲＥＳＴ−ＮＥＩＧＨＢＯＲＳ ＡＵＴＯＲＥＧＲＥＳＳＩＶＥ ＭＯＤＥＬ ＷＩＴＨ ＥＸＴＥＲＮＡＬ ＩＮＰＵＴＳ（ＮＮＡＲＸ）などの手法を用いて、多変量のモデル式を算出してもよい。当該手法の詳細については、非特許文献１から３に記述されているので、ここでの詳細な説明は省略する。

なお、モデル関数生成部（０２０５）は、解析単位ごとに定常状態モデル関数を生成する。すなわち、例えば、分割部（０２０２）で分割された解析単位がＲ×Ｌ×Ｍ×Ｎ（個）の場合、モデル関数生成部（０２０５）は、Ｒ×Ｌ×Ｍ×Ｎ（個）の定常状態モデル関数を生成することとなる。

「残差データ算出部」（０２０６）は、生成した定常状態モデル関数を利用して、解析単位ごとに変化データとの残差データを時系列に算出するよう構成されている。すなわち、残差データ算出部（０２０６）は、解析単位ごとに生成した定常状態モデル関数を利用して、解析単位ごとに推定値と実測値の差である残差データを算出する。

例えば、１回の測定でＴ個のデータを記録するとし（例：１回の測定でＴ個の静止イメージを記録）、ｒ回目（１≦ｒ≦Ｒ｜ｒ、Ｒ：自然数）の測定における３次元のグリッド上の（ｌ、ｍ、ｎ）で特定される区画（１≦ｌ≦Ｌ、１≦ｍ≦Ｍ、１≦ｎ≦Ｎ｜ｌ、ｍ、ｎ、Ｌ、Ｍ、Ｎ：自然数）において、実際に計測された変化データの中の最初からｔ番目（１≦ｔ≦Ｔ｜ｔ、Ｔ：自然数）の変化データをｘ_ｔ ^ｌｍｎｒとする（以下に出てくる、ｒ、Ｒ、ｌ、Ｌ、ｍ、Ｍ、ｎ、Ｎ、ｔ、Ｔ、については、特別な言及がない限り、当該前提と同様である。）。かかる場合、ＮＮＡＲＸの手法を用い、「（ｌ、ｍ、ｎ）で特定される区画は、（ｌ_１≦ｌ≦ｌ_２、ｍ_１≦ｍ≦ｍ_２、ｎ_１≦ｎ≦ｎ_２｜ｌ_１、ｌ_２、ｍ_１、ｍ_２、ｎ_１、ｎ_２：自然数）で特定される区画のみから影響を受けると仮定」を条件に生成した定常状態モデル関数を利用して算出したｒ回目の（ｌ、ｍ、ｎ）で特定される解析単位の残差データｅ_ｔ ^ｌｍｎｒは、以下の式により計算することができる。

残差データ算出部（０２０６）は、数７で示される算出式などを用いて、解析単位ごとに、定常状態モデル関数を利用して算出された推定値と実際に測定された変化データとの差である残差データを時系列に算出する。ここで、残差データ算出部（０２０６）が算出する残差データの数は、前記を前提にすると、Ｒ×Ｌ×Ｍ×Ｎ×Ｔ（個）の残差データを算出することとなる。

なお、算出した残差データは、図３に示すように、マッピング表示してもよい。図３は、ある区画（ｌ、ｍ、ｎ）で算出されたＲ×Ｔ（個）の残差データを、マッピングしたものである。縦軸は測定回数を示し、ｒ回に対応する。横軸は時間を示しているが、Ｔ個のデータを均等時間（ｐ（ｓｅｃ））おきに記録した場合、横軸はデータを記録した順番ｔ番目に対応させることもできる。すなわち、図３は、ある区画（ｌ、ｍ、ｎ）で算出された残差データの大小を、測定回数ごとに、測定の時間軸に沿って、色の濃淡により示したものである。図中、白い部分は残差の大きい部分であり、色が濃い部分は残差の小さい部分を示している。当該図より被測定物の（ｌ、ｍ、ｎ）で特定される区画（部位、位置など）においては、測定開始から１．０ｓｅｃ〜２．０ｓｅｃの間に大きい残差が算出されており、これは、複数回の測定において同様の傾向であることが読み取れる。すなわち、当該図より、被測定物の（ｌ、ｍ、ｎ）で特定される区画（部位、位置など）は、測定開始から１．０ｓｅｃ〜２．０ｓｅｃの間に、何らかの要因により、比較的大きな状態変化（電位変化）が起きていることが直感的に把握できる。

「検定値演算部」（０２０７）は、測定データ取得部において取得される繰返測定によって得られた複数セットの時間変化イメージングデータに基づいて残差データ算出部にて算出される複数セットの残差データを用いて、複数の領域に区画された時間変化イメージングデータの区画ごとに定常状態の残差データと他の残差検出時間帯の残差データの差の大きさを統計検定し、検定値を時系列に算出するよう構成されている。

ここで、時間変化イメージングデータの「セット数」は、任意の事象（例：呼吸、外的ストレス、爆音など）が１回生じた際に被測定物の各点（部位、位置など）が発する信号の時間変化を記録した時間変化イメージングデータを１セットの時間変化イメージングデータとして考える。すなわち、「繰返測定によって得られた複数セットの時間変化イメージングデータ」とは、前記を複数回繰返測定して取得した時間変化イメージングデータのことである。当該前提は、以下のすべての「セット数」において同様である。

「複数セットの残差データ」とは、複数回の測定分の時間変化イメージングデータ（複数セットの時間変化イメージングデータ）を利用して、測定回ごとに（セットごとに）算出された残差データが該当する。具体的には、１回の測定の時間変化データ（１セットの時間変化イメージングデータ）を利用して定常状態モデル関数を生成し、その定常状態モデル関数を利用して１セット分の残差データが算出される。そして、前記処理を複数回の測定分の時間変化イメージングデータすべてに対して行い、複数セットの残差データが算出される。

検定値演算部（０２０７）は、複数セットの残差データを、複数の領域に区画された時間変化イメージングデータの区画ごとにグループ化し、その区画の定常状態の残差データと他の残差検出時間帯の残差データの差の大きさを統計検定する。以下、その詳細について説明する。
<検定値演算部の統計検定>
<<区画ごとに、「定常状態の残差データ」と「他の残差検出時間帯の残差データ」を抽出>>

まず、検定値演算部（０２０７）は、すべてのセット（Ｒ回測定分）の残差データの中から、（ｌ、ｍ、ｎ）で特定される区画の残差データ（Ｒ×Ｔ（個））を取り出す。そして、取り出したＲ×Ｔ（個）の残差データの中から、定常状態の残差データＡ^ｌｍｎ＝{ａ_１、ａ_２、・・・、ａ_ｉ}を抽出する。定常状態の特定手段は、前記した「定常状態データ抽出部」（０２０４）と同様の手段により、特定することができる。具体的には、検定値演算部（０２０７）は、測定開始から所定時間（例：０．５２ｓｅｃ）分の残差データを定常状態の残差データとして抽出してもよい。これは、図３における、Ａの枠で囲った部分の残差データが該当する。次に、検定値演算部（０２０７）は、他の残差検出時間帯の残差データＢ_ｈ ^ｌｍｎ＝｛ｂ_１、ｂ_２、・・・、ｂ_ｊ｝を抽出する。「他の残差検出時間帯」とは、１回の測定時間内の任意の時間帯であり、図３における、Ｂの枠で囲った部分の残差データなどが該当する。ここで、図３中、Ｂの枠の位置はあくまで一例であり、検定値演算部（０２０７）は、測定開始時間から測定終了時間までＢの枠を時間軸に沿って順にスライド移動しながら、「他の残差検出時間帯」を順に特定する。そして、特定した時間帯の残差データを抽出する。この時、他の残差検出時間帯（図３中、枠Ｂ）が、定常状態の時間帯（図３中、枠Ａ）と重なってもよい。なお、「他の残差検出時間帯」の時間幅（図３中のＢの枠の時間軸上の幅）は任意の設計事項である。しかし、なるべく小さい時間幅に設定するのが好ましい。
<<「定常状態の残差データ」の代表値と「他の残差検出時間帯の残差データ」の代表値の大きさの差を統計検定>>

次に、検定値演算部（０２０７）は、定常状態の残差データＡ^ｌｍｎ＝{ａ_１、ａ_２、・・・、ａ_ｉ}の代表値と、他の残差検出時間帯の残差データＢ_ｈ ^ｌｍｎ＝｛ｂ_１、ｂ_２、・・・、ｂ_ｊ｝の代表値の差の大きさに、所定の有意水準以上の有意性があるか検討するため、統計検定する。統計検定の手法としては、例えば、ｔ検定などのパラメトリック検定を用いることができる。以下、ｔ検定による統計検定を簡易に説明する。

まず、ｔ検定の場合、それぞれの残差データの代表値として、それぞれの残差データの平均値を適用することができる。具体的には、残差データＡ^ｌｍｎの代表値Ａ^ｌｍｎ´は、（ａ_１＋ａ_２＋・・・＋ａ_ｉ）／ｉで算出される。また、残差データＢ_ｈ ^ｌｍｎの代表値Ｂ_ｈ ^ｌｍｎ´は、（ｂ_１＋ｂ_２＋・・・＋ｂ_ｊ）／ｊで算出される。そして、残差データＡ^ｌｍｎとＢ_ｈ ^ｌｍｎのそれぞれの不遍分散をＵ_Ａ ^ｌｍｎ、Ｕ_Ｂｈ ^ｌｍｎとすると、検定値ｔ_ｈ ^ｌｍｎは、以下の式で算出される。

検定値演算部（０２０７）は、時間軸に沿って「他の残差検出時間帯」を順に特定しながら、それぞれの時間帯の検定値ｔ_ｈ ^ｌｍｎを算出し、格納していく。そして、すべての「他の残差検出時間帯」の検定値ｔ_ｈ ^ｌｍｎを算出すると、他の区画（例：（ｌ、ｍ、ｎ＋１））を特定し、同様にして検定値ｔ_ｈ ^{ｌｍｎ+１}を算出する。その後、すべての区画に対して、前記のような検定値ｔ_ｈ ^ｌｍｎの算出処理を行う。

そして、検定値演算部（０２０７）は、すべての区画の検定値ｔ_ｈ ^ｌｍｎの算出処理を行うと、その中から、所定の有意水準以上の検定値のみを抽出し、その検定値の区画（ｌ、ｍ、ｎ）、および、測定開始からの時間帯を特定する情報と関連付けて、ユーザに出力可能に保存する。ユーザは、当該情報を参照することで、被測定物において一定水準以上の有意性がある状態変化が生じた点（部位、位置など）、および、時間帯を識別することができる。また、その状態変化の大きさを検出することもできる。なお、前記抽出した検定値と関連付けられる「測定開始からの時間帯」は、１回の時間変化イメージングデータの測定で、Ｔ個のデータを均等時間（ｐ（ｓｅｃ））おきに記録した場合に、ｔ番目に記録した変化データの測定開始からの時間帯は、ｐ×ｔ（ｓｅｃ）で特定することができる。

ここで、前記はｔ検定による統計検定について説明したが、その他に、サロゲート法などのノンパラメトリック検定などを利用することもできる。これらの検定を使い分ける条件としては、例えば、「定常状態の残差データの数と、他の残差検出時間帯の残差データの数がともに３０以上であり、かつ、それらの分布がともに正規分布とみなすことが可能な場合には、パラトメリック検定を、それ以外の場合には、ノンパラメトリック検定を利用する。」のようなものであってもよい。しかし、前記条件はあくまで一般的目安であり、必ず当該条件に従って検定方法を選択しなければいけないというものではない。なお、サロゲート法については、一般的に知られている技術であるので、ここでの詳細な説明は省略する。

「検定値マッピング部」（０２０８）は、時系列に算出した検定値を、被測定物のイメージングデータ上に時系列にマッピングするよう構成されている。すなわち、検定値マッピング部（０２０８）は、算出した検定値の中から、所定の有意水準以上の有意性を有する検定値のみを抽出すると、その検定値に対応する区間（ｌ、ｍ、ｎ）、および、測定開始からの時間帯（ｐ×ｔ）を特定する。そして、測定開始からの時間帯ごとに、被測定物のイメージングデータ上の各区間に、抽出した検定値をマッピングする。マッピングの手法としては、カラープロットや等高線プロットなどが考えられる。図４に、時系列（測定開始からの時間帯（ｐ×ｔ）ごと）に、被測定物のイメージングデータ上に所定の有意水準以上の検定値をマッピングした図の一例を示す。図中、上側の４つの図が、被測定物のイメージングデータ上に所定の有意水準以上の有意性を有する検定値をマッピングした図である。図は、任意の４つの時間帯において、マッピングしたものを示している。当然に、他の時間帯においても、同様の手法により、マッピング図を作成することが可能である。図の下側は、被測定物に対して生じた任意の事象に関するデータである。図４のように、任意の事象との時間帯を合わせて表示することで、任意の事象に対応した、被測定物における状態変化点の変遷が、直観的に把握することができる。また、図４中、上側に示したマッピング図は、図のように示すだけでなく、時間軸に従い、スライド表示などしてもよい。このように表示することで、被測定物の状態変化点の変遷が、より直観的に把握しやすくなる。なお、所定の有意水準の値としては特段制限されず、測定対象、および、実験内容などに応じ、任意に設定可能である。参考までに、生体などから発する電気信号を検定する場合には、９５％以上であることが望ましい。
<本実施形態のハードウェア構成>

図５は、上記機能的構成をハードウェアとして実現した際の構成の一例を表す図である。

以下に、図５のハードウェア図を用いて、本実施形態を実現する手段の一例を説明する。図に示すように、本実施形態のイメージングデータ処理システムは、「測定データ取得部」、「分割部」、「解析単位変化データ取得部」、「定常状態データ抽出部」、「モデル関数生成部」、「残差データ算出部」、「検定値演算部」、「検定値マッピング部」などを構成する「ＣＰＵ」（０５０１）、「主記憶装置」（０５０２）、「プログラム記憶装置」（０５０３）、「２次記憶装置」（０５０４）、「ユーザＩ／Ｆ」（０５０５）、「外部機器Ｉ／Ｆ」（０５０６）、「ディスプレイ」（０５０７）、「バス」（０５０８）などを備えている。

主記憶装置（０５０２）は、プログラム実行中に動的にデータ書換可能な記憶装置である。主記憶装置（０５０２）はプログラム記憶装置（０５０３）に記憶されているプログラムを実行するために必要なスタックやヒープ等のワーク領域を提供する。また主記憶装置（０５０２）は、測定データ取得プログラムに従い取得した時間変化イメージングデータや、分割プログラムに従い解析単位ごとに分割された時間変化イメージングデータから解析単位ごとに取得した変化データや、定常状態モデル関数生成プログラムに従い解析単位ごとに生成した定常状態モデル関数や、残差データ算出プログラムに従い定常状態モデル関数を利用して解析単位ごとに算出した残差データや、統計検定プログラムに従い区画ごとにグループ化された残差データや、区画ごとにグループ化された残差データを利用して区画ごとに算出された検定値データや、算出された検知値データの中から取り出された所定の有意水準以上の検定値データや、検定値マッピングプログラムに従いマッピングデータ上に所定の有意水準以上の検定値データをマッピングされたデータなどを保持したりする。

２次記憶装置（０５０４）はプログラム実行中に動的にデータ書換可能な記憶装置であり、信号処理装置の電源が切れても、記憶しているデータが消去されない。２次記憶装置は、統計検定における所定の有意水準を定める有意水準データや、所定の有意水準以上の検定値をマッピングするためのマッピングデータなどを保持する。

ユーザＩ／Ｆ（０５０５）は、ユーザからデータ処理の指示信号などを受信する。外部機器Ｉ／Ｆ（０５０６）は、有線または無線で外部機器と通信し、被測定物から測定された時間変化イメージングデータなどを受信したりする。ディスプレイ（０５０７）は、ユーザの指示信号の入力を誘導するようなインターフェイスを文字・静止画像・動画像などで表示したり、処理データをマッピングしたマッピングデータを表示したりする。

以下、本実施形態のイメージングデータ処理システムが、繰返測定によって得られた複数セットの時間変化イメージングデータを取得し、当該データを利用して、被測定物の状態変化点を高精度に抽出し、結果をマッピングする処理の一例について説明する。

まず、ユーザＩ／Ｆ（０５０５）を介して、データ処理を開始する指示信号を受信すると、主記憶装置（０５０２）のワーク領域に展開された測定データ取得プログラムに従い、外部機器Ｉ／Ｆ（０５０６）を介して、被測定物から測定したデータである時間変化イメージングデータを取得し、主記憶装置（０５０２）のデータ領域に格納する。この時、図５中には記載していないが、本システムの中にＨＤＤなどを有しておき、そこに保存しておいた時間変化イメージングデータを取得するようにしてもよい。

次に、主記憶装置（０５０２）のワーク領域に展開された分割プログラムに従い、取得した時間変化イメージングデータを解析単位ごとに分割する。具体的には、まず、時間変化イメージングデータを測定回数ごとにＲ個のグループに分割する。そして、被測定物を複数の領域（Ｌ×Ｍ×Ｎ）に区画し、合計Ｒ×Ｌ×Ｍ×Ｎ個の解析単位に分割する。その後、主記憶装置（０５０２）のワーク領域に展開された定常状態モデル関数生成プログラムに従い、解析単位ごとに時系列の変化データを取得すると、その中から所定の時間幅の定常状態変化データを抽出する。そして、抽出した定常状態変化データを利用して、ＮＮＡＲＸなどを用いて、解析単位ごとに自己回帰モデル（定常状態モデル関数）を生成し、主記憶装置（０５０２）のデータ領域に格納する。

次に、主記憶装置（０５０２）のワーク領域に展開された残差データ算出プログラムに従い、解析単位ごとに生成した定常状態モデル関数を利用して、解析単位ごとに時系列の残差データを算出する。そして、解析単位ごとに算出した残差データを、区画ごとにグループ化して（Ｌ×Ｍ×Ｎ個のグループ）、区画毎残差データとして主記憶装置（０５０２）のデータ領域に格納する。

次に、主記憶装置（０５０２）のワーク領域に展開された統計検定プログラムに従い、区画ごとに残差データの統計検定を行う。具体的には、まず、一つの区画の区画毎残差データを取り出すと、その中から定常状態の残差データを抽出する。次に、他の残差検出時間帯を特定して残差データを抽出し、それぞれの代表値を算出する。そして、その代表の差の大きさをｔ検定などの手法により統計検定し、検定値を算出する。その後、他の残差検出時間帯を時間軸に従って順に特定していく。前記検定値算出処理をすべての他の残差検出時間帯に対して実施すると、算出した時系列の検定値を検定値データとして主記憶装置（０５０２）のデータ領域に格納する。そして、前記処理をすべての区画毎残差データに対して実施し、算出したデータを区画毎検定値データとして格納する。その後、２次記憶装置（０５０４）に保存していた有意水準データを取り出すと、区画毎検定値データの中から、有意水準データで特定される所定の有意水準以上に該当する検定値データのみを抽出し、区画毎有意水準検定値データとして、主記憶装置（０５０２）のデータ領域に格納する。当該データは、ユーザからの求めに応じて、ディスプレイ（０５０７）などに数値データなどのより表示してもよい。

次に、主記憶装置（０５０２）のワーク領域に展開された検定値マッピングプログラムに従い、２次記憶装置（０５０４）からマッピングデータを取り出すと、マッピングデータ上に、時間変化イメージングデータに含まれる被測定物の静止イメージを展開し、また、区画毎有意水準検定値データを利用して、時系列に、所定の有意水準以上の検定値の大きさを、被測定物のイメージングデータ上の所定の区画に識別可能にマッピングする。そして、マッピングしたデータをディスプレイ（０５０７）を介して出力する。
<本実施形態の処理の流れ>

本実施形態の処理の流れの一例を図６〜１０のフローチャートに示す。図６は、取得した時間変化イメージングデータを利用して、解析単位ごとに残差データを時系列に算出する処理の一例である。図７は、取得した複数セットの時間変化イメージングデータを利用して、被測定物の状態変化点を高精度に時系列に抽出し、マッピングする処理の一例である。そして、図８〜１０は、本実施形態の一部の処理の流れの一例である。

なお、本実施形態のイメージングデータ処理システムのデータ処理方法は、以下のような流れでデータの取得を行い、データの処理を行うような単純方法であってもよいし、または、以下のような流れを電子計算機の一連の動作方法として実現したものであってもよい。
<<残差データを時系列に算出する処理の流れ（図６）>>

まず、外部機器や内臓ＨＤＤなどから、被測定物を測定した時間変化イメージングデータを取得する（Ｓ０６０１）。その後、時間変化イメージングデータを、測定回ごとに複数の領域に区画した解析単位に分割する（Ｓ０６０２）。この時、測定回数が１回の場合には、時間変化イメージングデータを測定回ごとに分割する作業は行わず、複数の領域に区画した解析単位に分割することとなる。

そして、解析単位ごとに定常状態のデータを利用して、ＮＮＡＲＸなどの手法を用い、自己回帰モデル（定常状態モデル関数）を生成する（Ｓ０６０３）。その後、解析単位ごとに生成した定常状態モデル関数を利用して、解析単位ごとに残差データを算出する（Ｓ０６０４）。
<<被測定物の状態変化点を時系列に抽出しマッピングする処理の流れ（図７）>>

まず、外部機器や内臓ＨＤＤなどから、被測定物を複数回繰返測定したデータである複数セットの時間変化イメージングデータを取得する（Ｓ０７０１）。その後、時間変化イメージングデータを、セットごとに（測定回ごとに）複数の領域に区画した解析単位に分割する（Ｓ０７０２）。

そして、解析単位ごとに定常状態のデータを利用して、ＮＮＡＲＸなどの手法を用い、自己回帰モデル（定常状態モデル関数）を生成する（Ｓ０７０３）。その後、解析単位ごとに生成した定常状態モデル関数を利用して、解析単位ごとに残差データを算出する（Ｓ０７０４）。

そして、解析単位ごとに算出した残差データを、区画ごとにグループ化し（Ｓ０７０５）、区画ごとに残差データの統計検定を行う（Ｓ０７０６）。その後、統計検定の結果を被測定物のイメージングデータ上に、時系列にマッピング表示する（Ｓ０７０７）。

以下、前記所理の流れの中の、ステップＳ０７０３、Ｓ０７０４、Ｓ０７０６の詳細について説明する。
<<定常状態モデル関数の生成：ステップＳ０７０３（図８）>>

まず、１つの解析単位を特定すると（Ｓ０８０１）、その解析単位の変化データ（例：電位変化、光量変化、温度変化）を取得する（Ｓ０８０２）。そして、その中から定常状態のデータを抽出する（Ｓ０８０３）。次に、抽出した定常状態データを利用して、ＮＮＡＲＸなどの手法を用い、自己回帰モデル（定常状態モデル関数）を生成する（Ｓ０８０４）。

その後、前記処理（Ｓ０８０１〜Ｓ０８０４）をすべての解析単位の定常状態モデル関数を生成するまで繰り返す（Ｓ０８０５）。
<<残差データの算出：Ｓ０７０４（図９）>>

まず、１つの解析単位を特定すると（Ｓ０９０１）、時間軸に従い１つの変化データを抽出する（Ｓ０９０２）。そして、生成した定常状態モデル関数を利用して推定値を算出し（Ｓ０９０３）、残差データを算出する（Ｓ０９０４）。前記処理（Ｓ０９０２〜Ｓ０９０４）をすべての変化データの残差データを時系列に算出するまで繰り返す（Ｓ０９０５）。

その後、前記処理（Ｓ０９０１〜Ｓ０９０５）をすべての解析単位の残差データを算出するまで繰り返す（Ｓ０９０６）。
<<統計検定：Ｓ０７０６（図１０）>>

まず、１つの区画を特定すると（Ｓ１００１）、その区画の残差データの中から定常状態の残差データを抽出し（Ｓ１００２）、代表値を算出する（Ｓ１００３）。そして、時間軸に従い、その区画の残差データの中から、１つの残差検出時間帯を特定し（Ｓ１００４）、その残差検出時間帯の残差データを抽出すると（Ｓ１００５）、代表値を算出する（Ｓ１００４）。その後、定常状態の代表値と、１つの残差検出時間帯の代表値の差の大きさを統計検定し（Ｓ１００７）、検定値を格納する（Ｓ１００８）。前記処理（Ｓ１００４〜Ｓ１００８）をすべての残差検出時間帯の検定値を算出するまで繰り返す（Ｓ１００９）。

そして、すべての残差検出時間帯の検定値を算出すると、所定の有意水準以上の検定値のみを抽出する（Ｓ１０１０）。

その後、前記処理（Ｓ１００１〜Ｓ１０１０）をすべての区画の残差データに対して行うまで繰り返す。
<本実施形態を利用した具体的実施例>
<<実施例の目的>>

図１１の左図は、ラットの脳を腹側から見た写真であり、右図は、その一部の拡大模式図である。図中、四角（１１０１）で囲った領域には、ｐＦＲＧなどの呼吸関連部位が存在し、Ｃ４脊髄神経・横隔神経へ出力信号が送られることが知られている。本実施例では、呼吸に応じて、四角（１１０１）で囲った領域内の神経細胞の賦活状態がどのように変遷していくのかを算出し、直観的に把握可能にマッピングすることを目的とする。
<<時間変化イメージングデータ>>

本実施例では、膜電位感受性色素を利用し、ＣＣＤカメラにより、呼吸が起きた際の被測定物（脳）の表面の光量変化を複数の静止イメージで記録した。静止イメージは、１００×１００ピクセルで、０．０２ｓｅｃおきに、２５６点記録した。１回の呼吸（１回吸って、１回吐く）に応じて、１回測定（２５６点）するようにし、前記を合計２７回測定した。１回の測定においては、呼吸が生じる前に十分な時間（１ｓｅｃ程度）を確保するようにした。また、Ｃ４からも電気信号を測定し、その信号の立ち上がりを利用して同期をとることで、複数回測定したデータの呼吸の位相が揃うようにした。参考までに、Ｃ４から測定したデータを図１２に示す。図中、上側が測定データであり、下側は、上側のデータに対して周波数解析を行った後のデータである。
<<解析単位に分割>>

本実施例では、被測定物の表面を２次元で捉えた時間変化イメージングデータを解析した。すなわち解析単位の分割処理としては、まず、時間変化イメージングデータを測定回数ごとに２７個のグループに分割し、静止イメージ上の被測定物をＬ×Ｍ個の領域に区画した。具体的には、静止画像のピクセル数に応じて、１００×１００個の領域に区画した。すなわち、本実施例では、時間変化イメージングデータを２７×１００×１００個の解析単位に分割した。
<<定常状態モデル関数の生成>>

本実施例では、ＮＮＡＲＸの手法を用いて定常状態モデル関数を生成した。まず、影響を考慮する近傍は、周辺に位置する８つのピクセルのみとし、モデルのラグは３とした。そして、測定開始から０．５２ｓｅｃ間を定常状態とした。
<<残差データの算出>>

前記生成した定常状態モデル関数を利用して、解析単位ごとに時系列の残差データを算出した。１つの解析単位につき、２５６個の残差データが算出された。

図３に、一つの区画（ピクセル）の残差データの時間変化をマッピングした図を示す。縦軸は、測定回数に該当し、横軸は時間軸に該当する。図は、２５６個×２７回分の残差データをマッピングしている。図中、色の濃い部分が残差の小さいことを示し、色の白い部分が残差の大きいことを示している。当該図より、すべての回の測定において、大体１．０ｓｅｃ〜２．０ｓｅｃの間に、大きい残差が算出されていることがわかる。すなわち、大体１．０ｓｅｃ〜２．０ｓｅｃの間に、当該区画（ピクセル）に対応する被測定物の部位で状態変化が起きていることがわかる。
<<残差の統計検定>>

本実施例では、測定開始から０．５２ｓｅｃ間を定常状態とし、他の残差検出時間帯は、０．０２ｓｅｃ単位で、測定開始から時間軸に従って順に特定した。図３中、四角Ａで囲った部分が定常状態の残差データに該当し、四角Ｂで囲った部分が、一つの他の残差検出時間帯の残差データに該当する。すなわち、定常状態の残差データは、２６×２７点の残差データを有し、１つの残差検出時間帯の残差データは１×２７点の残差データを有する。

定常データと他の残差データは，正規分布とみなすことができ、データ数もおおむね３０以上あるので、ｔ検定を用いて統計検定を行った。なお、所定の有意水準としては、業界の慣行に従い、９５％を適用した。
<<検定値のマッピング>>

図４に、検定値を時系列にマッピングした様子を示す。図中、上側が、被測定物のイメージングデータ上に、所定の有意水準以上の検定値をマッピングしたものであり、下側は、呼吸のタイミングを示すためにプロットしたＣ４信号である。図中、上側は、それぞれの時間帯において、所定の有意水準以上の大きさの残差が算出された部位をプロットしたものである。なお、図中の４つの時間帯はあくまで一例であり、その他の時間帯においても、同様のマッピング図を表示することができる。また、これらのマッピング図をスライド表示などすることも可能である。

図４より、Ｃ４信号がピークを迎える前に賦活する部位、同期して賦活する部位、２．５ｓｅｃほど遅れて賦活する部位を容易に把握することができる。
<発明の効果>

本発明のイメージングデータ処理システムおよびそのデータ処理方法により、測定した被測定物（生体、工場内のシステムなど）のイメージングデータ上で、状態変化点を高精度に時系列に抽出することができる。また、状態変化点が時間軸に従いどのように変遷していくかを直観的に把握することができるようになる。

本発明の概要を説明するための図 本発明の機能ブロック図 一つの区画の残差データをマッピングした図の一例 検定値を被測定物の静止イメージ上にマッピングした図の一例 本発明のハードウェア構成の一例を示した概念図 本発明の処理の流れを示すフローチャート図１ 本発明の処理の流れを示すフローチャート図２ 本発明の処理の流れを示すフローチャート図３ 本発明の処理の流れを示すフローチャート図４ 本発明の処理の流れを示すフローチャート図５ 本発明を利用した具体例を説明するための図１ 本発明を利用した具体例を説明するための図２

符号の説明

０２０１ 処理データ取得部
０２０２ 分割部
０２０３ 解析単位変化データ取得部
０２０４ 定常状態データ抽出部
０２０５ モデル関数生成部
０２０６ 残差データ算出部
０２０７ 検定値演算部
０２０８ 検定値マッピング部

Claims (1)

1. 静止状態にある被測定物の各点が発する信号の一以上の時間変化を被測定物のイメージングデータと関連付けて記録した時間変化イメージングデータを取得する測定データ取得部と、
   測定データ取得部が取得した時間変化イメージングデータを複数の領域に区画した解析単位に分割する分割部と、
   分割された解析単位ごとに変化データを取得する解析単位変化データ取得部と、
   解析単位ごとに、解析単位変化データ取得部が取得した変化データから定常状態データを抽出する定常状態データ抽出部と、
   抽出した定常状態データに基づいて解析単位ごとに定常状態モデル関数を生成するモデル関数生成部と、
   生成した定常状態モデル関数を利用して、解析単位ごとに変化データとの残差データを時系列に算出する残差データ算出部と、
   測定データ取得部において取得される繰返測定によって得られた複数セットの時間変化イメージングデータに基づいて残差データ算出部にて算出される複数セットの残差データを用いて、複数の領域に区画された時間変化イメージングデータの区画ごとに定常状態の残差データと他の残差検出時間帯の残差データの差の大きさを統計検定し、検定値を時系列に算出する検定値演算部と、
   時系列に算出した検定値の中から有意性を有する検定値を抽出し、抽出した検定値を被測定物のイメージングデータ上に時系列にマッピングする検定値マッピング部を
   有するイメージングデータ処理システム。