JP5868231B2 - 医用画像診断支援装置、医用画像診断支援方法ならびにコンピュータプログラム - Google Patents

Description

本発明は、読影医の意思決定支援に利用可能な医用画像診断支援装置に関し、特に、Ｘ線ＣＴ・ＭＲＩ等の医用画像から病変部を自動的に検出する医用画像診断支援装置、医用画像診断支援方法及びコンピュータプログラムに関する。

医療分野においては、Ｘ線ＣＴ・ＭＲＩ・ＰＥＴ、超音波診断装置などの画像診断装置や画像診断技術の進展により、悪性病変部の早期発見、術前計画、治療効果の評価などが効率的に行えるようになってきた。

しかし一方で、医用画像の高解像度化、多スライス化等で取り扱う画像データ量も増大し、放射線医師や臨床医の負担が非常に大きなものとなっている。特に、近年では、医師の負担軽減を目的として、膨大な医用画像データをデジタル化し、医師の診断に役立てるコンピュータ支援装置（Ｃｏｍｐｕｔｅｒ−Ａｉｄｅｄ Ｄｉａｇｎｏｓｉｓ：ＣＡＤ）の開発が進んでいる。

上記ＣＡＤにおいて、医師の医用画像を用いた読影診断における病変部の見落としの減少を目的として、癌等の病変部を自動的に検出する装置が開発されている。特許文献１は、識別器および機械学習手法を用いた病変部検出装置を開示している。特許文献１の装置は、入力データが属するクラスを判定する識別器を作成する制御手段を備え、制御手段が、識別器の確率モデルの複雑度を変更し、該当された各複雑度の確率モデルの情報量基準を算出し、当該算出された情報量基準のうち最小の情報に係る確率モデルを、識別器の確率モデルとして用いる。

特開２０１０−０８６４４９号公報

上記のような機械学習手法によって病変部等を判定する識別器を作成する際、予めクラスに分類されている教師学習データが用いられる。ここで、上記機械学習手法における判定の精度は、与えられた教師学習データを学習し、判定に用いるための識別器を更新することによって向上する。したがって、上記機械学習手法における判定の精度は、教師学習データに大きく依存する。

特許文献１には、機械学習に用いる確率モデル（または、識別器）の次元数を効率的に選択する装置が記載されている。しかしながら、特許文献１の装置は、教師学習データの複雑度の違いによって判定精度に差（ばらつき）が出るという課題を解決するものであり、教師学習データがある程度得られることを前提とした装置である。そのため、特許文献１の装置では、教師学習データが十分得られない場合に判定精度が低下するという課題がある。例えば、母体データとなる教師学習データが少ないために、確実に病変部と判定できる条件で識別器が設定される可能性がある。この場合、非病変部に非常に近い特徴量を持つ病変部が、非病変部に判定される可能性が高い。したがって、教師学習データが少ない場合には、特に、病変部と非病変部との境目の条件が適切に設定できない可能性がある。

また、現在の医療現場では、教師学習データが十分に得られない状況が想定される。例えば、医療の現場において、医用画像は被撮影者の個人の情報であり容易に収集することができない。また、癌などの病変部の種類は、非常に多数であり、症例によっては医用画像を収集できない場合がある。

本発明の目的は、教師学習データが少ない場合でも高精度の識別条件（識別器）を作成して、病変部の判定の精度を向上させることである。

上記課題を解決するために、本発明では、教師学習データを記憶する記憶部からサンプリングを行って複数のサンプルを作成し、これら複数のサンプルに対して機械学習処理を行って第１の識別条件を作成する。そして、本発明では、第１の識別条件に対して統計処理を行って第２の識別条件を作成し、その第２の識別条件を用いて病変部候補マスクが病変部であるかを判定する。

すなわち、本発明によれば、対象画像から病変部を自動検出する検出機能を有する医用画像診断支援装置であって、病変部マスク又は非病変部マスクの特徴を表す第１の特徴情報を記憶する記憶部と、前記記憶部から前記第１の特徴情報をサンプリングして、複数のサンプルを作成するサンプリング部と、前記複数のサンプルに対して機械学習処理を行い、各サンプルに対して第１の識別条件を作成する機械学習部と、前記第１の識別条件に対して統計処理を行い、第２の識別条件を作成する統計処理部と、を備え、前記検出機能が、前記対象画像から病変部候補マスクを検出する第１の検出部と、前記病変部候補マスクの特徴を表す第２の特徴情報を抽出する第１の抽出部と、前記第２の識別条件に対して前記第２の特徴情報を参照することによって、前記病変部候補マスクが病変部であるかを判定する判定部と、を備える医用画像処理装置が提供される。

本発明によれば、機械学習における教師学習データが少ない場合でも、高い判定精度を備えた識別条件を作成し、病変部の判定の精度を向上させることが可能となる。

本発明に関連する更なる特徴は、本明細書の記述、添付図面から明らかになるものである。また、上記した以外の、課題、構成及び効果は、以下の実施形態の説明により明らかにされる。

本発明の医用画像診断支援装置の第１実施形態のブロック図である。 本発明の検出機能の処理フローを示した図である。 本発明の学習機能の処理フローを示した図である。 本発明の特徴量記憶手段への格納処理及び識別分布の作成処理を示した図である。 本発明の識別分布作成機能の処理フローを示した図である。 本発明の医用画像診断支援装置の第２実施形態のブロック図である。 第２実施形態における識別分布作成機能の処理フローを示した図である。 本発明の医用画像診断支援装置の第３実施形態のブロック図である。 第３実施形態におけるインターフェース部によって表示される画面を示した図である。

以下、添付図面を参照して本発明の実施形態について説明する。添付図面では、機能的に同じ要素は同じ番号で表示されている。なお、添付図面は本発明の原理に則った具体的な実施形態と実装例を示しているが、これらは本発明の理解のためのものであり、決して本発明を限定的に解釈するために用いられるものではない。

［第１実施形態］
以下、本発明の一形態を説明する。図１は、本発明の医用画像診断支援装置の第１実施形態のブロック図である。

＜医用画像診断支援装置の全体の構成＞
本発明の医用画像診断支援装置１０は、対象症例画像２００から病変部を自動検出する装置である。医用画像診断支援装置１０は、検出機能１００と、学習機能１０１と、特徴量記憶手段２１２と、インターフェース部２０２とを備えている。

医用画像診断支援装置１０においては、検出機能１００が、入力された対象症例画像２００から病変部を検出し、インターフェース部２０２が、検出機能１００の検出結果３１０を診断者（例えば、医師）に提示９０１する。医師は、検出結果３１０の提示９０１によって医師診断９００を行う。ここで、検出機能１００が病変部を検出する際、学習機能１０１が、特徴量記憶手段２１２のデータを用いて病変部の判定を行うための識別分布（第２の識別条件）３０２を作成し、識別分布３０２を検出機能１００に入力する。
以下では、検出機能１００、学習機能１０１の構成をそれぞれ詳細に説明する。

＜検出機能１００の構成＞
検出機能１００は、病変部候補マスク検出部（第１の検出部）２０３と、特徴量抽出部（第１の抽出部）２０４と、判定部２０５とを備えている。
病変部候補マスク検出部２０３は、検出機能１００に入力された対象症例画像（医用画像）２００から病変部候補マスク３００＿１を検出する。病変部候補マスク検出部２０３は、病変部候補情報を保持する０以上の病変部候補マスク３００＿１を特徴量抽出部２０４に入力する。ここで、病変部候補マスク３００＿１を検出する方法としては、例えば、レベルセットなどの画像セグメンテーション手法を利用することができる。

特徴量抽出部２０４は、入力された病変部候補マスク３００＿１に対応する特徴量ベクトル（第２の特徴情報）３０１＿１を抽出（算出）し、その算出された特徴量ベクトル３０１＿１を判定部２０５へ入力する。ここで、特徴量とは、病変部候補マスク３００＿１の特徴を表す情報である。特徴量は、例えば、病変部候補マスク３００＿１の体積、表面積、球形度、平均曲率、ガウス曲率などを表す画像の形状情報、Ｈａａｒ-Ｌｉｋｅ特徴などのテクスチャ情報、画像の輝度情報やコントラスト情報などである。

判定部２０５は、特徴量ベクトル３０１＿１を、学習機能１０１から入力された識別分布３０２に対して参照し、病変部候補マスク３００＿１の特徴量ベクトル３０１＿１が病変部に該当するかを判定する。また、判定部２０５は、判定した結果を検出結果３１０としてインターフェース部２０２に出力する。

図２は、検出機能１００の処理フローを示している。図２では、図１と同じデータが同じ番号で表示されている。
病変部候補マスク検出処理４００は、病変部候補マスク検出部２０３において実施される処理である。また、特徴量抽出処理４０１は、特徴量抽出部２０４において実施される処理であり、判定処理４０２は、判定部２０５において実施される処理である。

図２に示すように、まず、入力された対象症例画像２００に対して病変部候補マスク検出処理４００を行い、病変部候補マスク３００＿１を検出する。ここでは、例として、病変部候補マスク１と病変部候補マスク２の２つの候補マスクが検出されている。

次に、２つの候補マスクに対して特徴量抽出処理４０１を行い、病変部候補マスク１と病変部候補マスク２のそれぞれに対応する特徴量ベクトル３０１＿１を算出する。ここでは、例示として、特徴量１と特徴量２を軸とした２次元における特徴量ベクトル３０１＿１を算出している。なお、特徴量ベクトルは２次元のものに限定されない。上述したように、特徴量としては様々なものがあり、使用する特徴量の数に応じて特徴量ベクトルの次元も大きくなる。

次に、算出された特徴量ベクトル３０１＿１に対して判定処理４０２を行う。ここでは、特徴量ベクトル３０１＿１を識別分布３０２に対して参照することによって、各特徴量ベクトルが病変部に該当するかを判定し、検出結果３１０が出力される。病変部候補マスク１に対応する特徴量ベクトルは、識別分布３０２において病変部の範囲にあるので、病変部候補マスク１が病変部と判定される。また、病変部候補マスク２に対応する特徴量ベクトルは、識別分布３０２において非病変部の範囲にあるので、病変部候補マスク２が非病変部と判定される。

＜学習機能１０１の構成＞
学習機能１０１は、識別分布作成機能１０２と、事前学習機能１０３とを備えている。以下では、各機能の詳細について説明する。

事前学習機能１０３は、病変部マスク検出部（第２の検出部）２０６と、学習用特徴量抽出部（第２の抽出部）２０７とを備えている。病変部マスク検出部２０６は、事前学習機能１０３に入力された学習用症例画像２０１から病変部／非病変部マスク３００＿２を検出する。ここで、病変部／非病変部マスク３００＿２は、病変部又は非病変部に関連するマスクである。なお、学習用症例画像２０１は、各マスクが病変部又は非病変部であるかの判定がすでに済んでいる画像である。

学習用特徴量抽出部２０７は、病変部／非病変部マスク３００＿２から特徴量ベクトル３０１＿２を抽出（算出）し、特徴量ベクトル３０１＿２を特徴量記憶手段２１２に格納する。ここで、特徴量ベクトルを構成する特徴量は、検出機能１００で使用されるものと同様のものである。また、特徴量記憶手段２１２に格納されている特徴量ベクトル３０１＿２は、医学的な分類又は統計的な分類に関する分類情報が付加されている。医学的な分類及び統計的な分類の詳細については後述する。図１では、特徴量記憶手段２１２において、特徴量ベクトル３０１＿２が、病変分類１（２５０）、病変分類２（２５１）、非病変分類１（２６０）、および非病変分類２（２６１）等に分類される。

図３は、事前学習機能１０３の処理フローを示している。病変部マスク検出処理４１０は、病変部マスク検出部２０６において実施される処理である。また、特徴量抽出処理４１１は、学習用特徴量抽出部２０７において実施される処理である。

図３に示すように、まず、入力された第１学習用症例画像２０１＿１に対して病変部マスク検出処理４１０を行い、病変部／非病変部マスク３００＿２＿１を検出する。ここでは、例として、病変部と非病変部の２つのマスクが検出されている。ここで、病変部は例えば肝腫瘍であり、非病変部は例えば静脈や門脈である。

次に、２つのマスクに対して特徴量抽出処理４１１を行い、病変部と非病変部のそれぞれに対応する特徴量ベクトル３０１＿１＿１を抽出する。第２学習用症例画像２０１＿２に対しても同様の処理を行う。第２学習用症例画像２０１＿２を処理した結果として、特徴量ベクトル３０１＿１＿２が抽出される。特徴量ベクトル３０１＿１＿２は、１つの病変部に対応する特徴量ベクトルと、２つの非病変部に対応する特徴量ベクトルを含む。

図４は図３の処理の続きを表しており、特徴量ベクトル３０１＿１＿１および３０１＿１＿２は同一である。図４に示すように、特徴量ベクトル３０１＿１＿１と特徴量ベクトル３０１＿１＿２とは、特徴量記憶手段２１２に格納される。図４に示すように、特徴量記憶手段２１２に格納された特徴量ベクトルに対して識別分布作成処理を行い、最終的に識別分布３０２を作成する。

特徴量記憶手段２１２では、特徴量ベクトル（第１の特徴情報）と、その特徴量ベクトルがどの分類の属するかの分類情報とが、例えば、テーブル形式で格納されている。なお、これら情報は必ずしもテーブルによるデータ構造で表現されていなくても良く、リスト、ＤＢ、キュー等のデータ構造やそれ以外で表現されていても良い。

次に、識別分布作成機能１０２の詳細について説明する。
図１に示すように、少ない教師学習データにおいても高精度の識別分布作成を実現するため、識別分布作成機能１０２は、弱識別モデル生成部２１１と、統計処理部２０８とを備える。

弱識別モデル生成部２１１は、サンプリング部２１０と、機械学習部２０９とを有する。サンプリング部２１０は、特徴量記憶手段２１２に格納されている教師学習データ（特徴量ベクトル）３０３をサンプリングして、複数のサンプルを作成する。ここで、サンプリング方法は、例えば、特徴量記憶手段２１２に格納されている特徴量ベクトルからランダムに行う。また、サンプルの数は、判定すべき病変部の種類や、特徴量記憶手段２１２に格納されている特徴量ベクトルの母体数に応じて決定する。サンプリング部２１０は、作成された複数のサンプルを機械学習部２０９に入力する。

機械学習部２０９は、入力された複数のサンプルに対して機械学習処理を行い、各サンプルに対応する弱識別器（第１の識別条件）を作成する。本実施形態では、弱識別器は、サンプルの数と同じ数だけ作成されることになる。ここで、弱識別器は、識別分布３０２を構成する１つの仮説である。機械学習による弱識別器生成方法には、例えば、最近傍法、線形判定法、ニューラルネットワーク、ベイズ決定則、アダブースト、サポートベクタマシンなどの学習アルゴリズムが利用できる。

統計処理部２０８は、機械学習部２０９によって作成された複数の弱識別器に対して統計処理を行って、識別分布（第２の識別条件）３０２を作成する。統計処理としては、例えば、多数決論理が挙げられる。その他には、重み付き多数決論理を利用する方法、二乗誤差や最小記述長（ＭＤＬ）、赤池情報量基準（ＡＩＣ）、ベイズ情報量基準（ＢＩＣ）などの情報量基準を利用して選択する方法などが利用できる。識別分布３０２は、統計処理によって複数の弱識別器から最終的に得られる識別器であり、病変部候補マスク３００＿１の特徴量ベクトル３０１＿１が病変部に該当するかを判定するために用いられる。

図５は、識別分布作成機能１０２の処理フローを示している。
サンプリング処理４２０は、サンプリング部２１０において実施される処理であり、機械学習処理４２１は、機械学習部２０９において実施される処理である。また、統計処理４２２は、統計処理部２０８において実施される処理である。

図５に示すように、まず、特徴量記憶手段２１２に格納されている教師学習データ（特徴量ベクトル）３０３に対してサンプリング処理４２０を行い、複数のサンプルを作成する。ここでは、第１サンプル３２０＿１と、第２サンプル３２０＿２と、第３サンプル３２０＿３の３つのサンプルが作成される。図５では、サンプルごとに２つの特徴量ベクトルを取得しているが、発明を分かり易くするために概略的に示しているに過ぎず、サンプルごとに抽出する特徴ベクトルの数は２つに限定されない。

次に、３つのサンプルに対して機械学習処理４２１を行い、複数の弱識別器を作成する。ここでは、第１サンプル３２０＿１に対応する弱識別器として、第１弱識別器３２１＿１が作成され、第２サンプル３２０＿２に対応する弱識別器として、第２弱識別器３２１＿２が作成され、第３サンプル３２０＿３に対応する弱識別器として、第３弱識別器３２１＿３が作成される。ここでは、特徴量１と特徴量２を軸とした２次元の領域において、病変部と判定できる領域を弱識別器として決定する。
最後に、３つの弱識別器３２１＿１，３２１＿２，３２１＿３に対して統計処理４２２を行い、識別分布３０２を作成する。このような処理によって、特徴量記憶手段２１２に格納されている情報（教師学習データ）が少ない場合でも、安定して高精度の識別分布３０２を作成できる。なお、上述したように、識別分布作成機能１０２において作成された識別分布３０２は、検出機能１００の判定部２０５に入力される。

［第２実施形態］
以下、本発明の一形態を説明する。図６は、本発明の医用画像診断支援システムの第２実施形態のブロック図である。図６において図１と同じ要素は同じ番号で表示されている。

第２実施形態は、第１実施形態におけるサンプリング処理を、医学的な分類又は統計的な分類に基づいて行う構成である。識別分布作成機能１０２は、第１実施形態のサンプリング部２１０の代替として、分類情報に基づいてサンプリング処理を行うサンプリング部２２０を備える。

特徴量記憶手段２１２に格納されている特徴量ベクトルには、その特徴量ベクトルがどの分類に属するかの分類情報が付加されている。サンプリング部２２０は、特徴量記憶手段２１２の分類情報３０４を用いて特徴量ベクトルのサンプリングを行う。
ここで、分類情報３０４は、ある特徴量ベクトルがどの分類に属するかの情報である。分類情報３０４としては、例えば、医学的な分類における病変部分類であれば、単純結節、単純結節周囲増殖、小結節不明瞭、多結節癒合などの病変の形而上の分類が挙げられる。また、医学的な分類における非病変分類であれば、静脈や門脈といった血管、動脈瘤、のう胞、治療痕などの部位による分類が挙げられる。また、統計的な分類として、特徴量の値や教師学習データを追加する際にフィードバックされる検出結果の腫瘍尤度を利用することもできる。これらに限らず、様々な分類が考えられる。

図７は、第２実施形態における識別分布作成機能１０２の処理フローを示している。図７において図５と同じ処理ついては同じ符号を付して、説明を省略する。サンプリング処理４３０は、サンプリング部２２０において実施される処理である。
図７において、病変部５００（病変部５００の特徴量ベクトル）は、病変部分類５１０に属するといった分類情報を有する。ここで、分類情報には重みが付加されている。サンプリング処理４３０では、病変部分類１（５１０）、非病変部分類１（５１１）、非病変部分類２（５１２）のカテゴリから、重みに従って特徴量ベクトルのサンプリングを行う。

各分類に対するサンプリング数は、重みに従って決定される。例えば、検出対象が病変部分類１に属する病変部である場合、病変部分類１の重みを高く設定することができる。この場合、病変部分類１からのサンプル数が多くなる。これにより、病変部分類１に属する病変部の検出率を高くすることができる。
また、病変部が非病変部と判定される誤検出を少なくしたい場合、非病変部分類の中で病変に似た特徴を持つ分類（ここでは、非病変部分類２）の重みを高く設定することができる。この場合、非病変部分類２からのサンプル数を優先的に多くする。図７の例のように、病変部５００に似た特量を持つ非病変部分類２に属する非病変部が、病変部と明らかに異なる特徴量を持つ非病変分類１に比べて多くサンプリングされる。これにより、病変部と非病変部との境目（微妙な領域）の識別条件の精度をより高くすることができる。非病変部分類１の例としては、静脈や門脈などである。また、非病変部分類２の例としては、動脈瘤やのう胞などである。

また、重みの設定方法は以下のように様々形態を取ることができる。
例えば、検出対象となる病変部分類が予めシステムに設定されている場合は、重みも同様に予め設定しておいて良い。
また、インターフェース部２０２が、重みを診断者側で適宜設定できるような画面を表示し、診断者が入力できるようにしても良い。
また、各分類に対して重みを設定する手間を低減するために、検出対象となる病変部分類を診断者が設定した際に、検出対象となる病変部分類の重みが高くなるように自動的に設定する構成にしても良い。また、インターフェース部２０２が、病変部の検出率を高くするモードと、病変部が非病変部と判定される誤検出を少なくするモードなどの複数のモードを表示させて、診断者がモードを選択するだけの構成にしても良い。この場合、モードに従って検出対象となる病変部の重みや非病変分類２の重みが自動設定される。

また、上述の例では、各分類の重みに応じて特徴量記憶手段２１２から特徴量ベクトルをサンプリングしているが、各分類の重みを別の処理に用いても良い。例えば、統計処理部２０８における統計処理に各分類の重みを用いることができる。例えば、多数決論理を重みに応じて行っても良い。

［第３実施形態］
以下、本発明の一形態を説明する。図８は、本発明の医用画像診断支援システムの第３実施形態のブロック図である。図８において図１と同じ要素は同じ番号で表示されている。図９は、第３実施形態におけるインターフェース部２０２による診断者への提示９０１および操作９０２の画面を示している。

インターフェース部２０２は、モニタ（出力装置）と、マウス及びキーボードなどの入力装置とを備えている。インターフェース部２０２のモニタには、医用画像提示部６００と検出結果提示部６０２とが表示される。
医用画像提示部６００には、検出結果画像６０１が表示される。検出結果画像６０１では、診断者が各病変部候補マスク３００＿１を識別できるように、各病変部候補マスク３００＿１が別々の模様で表示される。

また、検出結果提示部６０２には、検出結果３１０がリスト形式で表示される。検出結果提示部６０２には、病変部候補マスク３００＿１を識別するための模様と、病変部特徴量提示部６１０と、分類データ提示部６１１と、分類データ入力部６１２とが表示される。

病変部特徴量提示部６１０には、病変部尤度スコアが表示されている。ここで、病変部尤度スコアは、各病変部候補マスク３００＿１に対応する識別分布３０２に関する情報である。第３実施形態では、識別分布３０２を作成する統計処理として多数決論理が採用されている。ここでは、各病変部候補マスク３００＿１の特徴量ベクトルが、機械学習部２０９によって作成された全ての弱識別器のうち何個の弱識別器の条件を満たしているかが尤度スコアとして表示される。すなわち、尤度スコアが高いほど、より多くの弱識別器の条件を満たしており、分類データ提示部６１１の判定結果の精度が高いと言える。したがって、検出結果提示部６０２では、病変部特徴量提示部６１０の尤度スコア順で表示される。なお、病変部特徴量提示部６１０の内容は尤度スコアに限られず、別の情報でも良い。例えば、尤度スコアを数段階のランク情報に変換して、その変換したランク情報を表示しても良い。

分類データ提示部６１１には、判定部２０５によって判定された分類が表示される。図９の分類データ提示部６１１には、特徴量記憶手段２１２に格納されている病変分類１（２５０）、病変分類２（２５１）、非病変分類１（２６０）、および非病変分類２（２６１）などの分類情報のいずれかが表示される。

また、分類データ入力部６１２には、診断者が病変部候補マスク３００＿１に対して分類情報（診断結果）を入力することができる。診断者は、分類データ提示部６１１の判定結果と診断者自身の診断結果とが異なる場合には、分類データ入力部６１２に分類情報を入力することによって検出結果３１０を修正する。診断者は、全ての診断が完了後、登録ボタン６２０を押下する。
インターフェース部２０２は、診断者によって修正された診断結果３１１を特徴量記憶手段２１２に送信する。この際、特徴量抽出部２０４は、抽出された特徴量ベクトル３０１＿１を特徴量記憶手段２１２に送信する。そして、特徴量記憶手段２１２には、抽出された特徴量ベクトル３０１＿１と診断結果３１１とが格納される。
以上のように、診断者の診断結果を特徴量記憶手段２１２にフィードバックすることによって、診断後の正確な分類情報を特徴量記憶手段２１２に格納できる。これにより、識別分布作成機能１０２によって作成される識別分布３０２の精度を徐々に向上させていくことが可能となる。

＜まとめ＞
第１実施形態によれば、まず、サンプリング部２１０が、特徴量記憶手段２１２に格納されている教師学習データ（特徴量ベクトル）３０３をサンプリングして、複数のサンプルを作成する。次に、機械学習部２０９が、複数のサンプルに対して機械学習処理を行い、各サンプルに対応する弱識別器を作成する。そして、統計処理部２０８が、機械学習部２０９によって作成された複数の弱識別器に対して統計処理を行って、識別分布３０２を作成する。そして、判定部２０５が、病変部候補マスク３００＿１の特徴量ベクトル３０１＿１を識別分布３０２に対して参照することによって、各特徴量ベクトルが病変部に該当するかを判定する。この構成によれば、特徴量記憶手段２１２に格納されている教師学習データが少ない場合でも、複数の異なるサンプルを作成して、そのサンプルから最終的な識別条件（識別分布３０２）を作成できる。したがって、教師学習データが少ない場合でも、最終的に高い判定精度を備えた識別条件（識別分布３０２）が作成でき、病変部の判定精度を向上させることが可能となる。

また、第２実施形態によれば、特徴量記憶手段２１２の特徴量ベクトルには、その特徴量ベクトルがどの分類（医学的な分類又は統計的な分類）に属するかの分類情報が付加されている。そして、サンプリング部２２０は、特徴量記憶手段２１２の分類情報３０４を用いて特徴量ベクトルのサンプリングを行う。この構成によれば、医学的な分類を用いる場合、検出対象となる病変部分類や病変分類に近い特徴を持つ非病変部分類の特徴ベクトルを優先的にサンプリングして、判定の精度を向上させることが可能となる。また、統計的な分類を用いる場合、フィードバックされる検出結果の腫瘍尤度などを利用して、確実に病変部と判定できる特徴量ベクトルと病変部と判定するのが難しい特徴量ベクトルをバランス良くサンプリングして、判定の精度を向上させることが可能となる。

また、第２実施形態によれば、分類情報には重みが付加されており、サンプリング部２２０は、各分類に対するサンプリング数を重みに従って決定する。この構成によれば、各分類に対するサンプリング数をバランス良く設定して、判定の精度を向上させることが可能となる。

また、第３実施形態によれば、インターフェース部２０２が表示する画面の検出結果提示部６０２には、病変部特徴量提示部６１０と、分類データ提示部６１１とが表示される。病変部特徴量提示部６１０には、病変部尤度スコアが表示される。この構成によれば、診断者が、分類データ提示部に表示された結果の確からしさも考慮に入れて診断することが可能となる。また、検出結果提示部６０２を、病変部特徴量提示部６１０の尤度スコア順で表示することもできるので、診断者は、病変部の可能性が高い部分から順に判定結果を確認することが可能となる。

また、第３実施形態によれば、検出結果提示部６０２には、分類データ提示部６１１が表示され、分類データ入力部６１２には、診断者が病変部候補マスク３００＿１に対して分類情報（診断結果）を入力することができる。インターフェース部２０２は、診断者によって修正された診断結果３１１を特徴量記憶手段２１２に送信する。この際、特徴量抽出部２０４は、抽出された特徴量ベクトル３０１＿１を特徴量記憶手段２１２に送信する。そして、特徴量記憶手段２１２には、抽出された特徴量ベクトル３０１＿１と診断結果３１１とが格納される。従来では、医用画像の教師学習データが十分に得られないという課題があった。これに対して、この構成によれば、教師学習データが十分に得られない状況でも、自身の診断結果が特徴量記憶手段２１２に格納されていくので、教師学習データを徐々に増やしていくことが可能である。また、診断者の診断結果を特徴量記憶手段２１２にフィードバックすることによって、診断後の正確な分類情報を特徴量記憶手段２１２に格納して、その後の判定精度を向上させることが可能となる。

なお、本発明は上記した実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、各実施形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。例えば、上述の実施形態では、学習機能１０１が、病変部マスク検出部２０６と、学習用特徴量抽出部２０７とを備えているが、このような構成がなくても、予め特徴量ベクトルが格納されている特徴量記憶手段２１２を用意すれば、本発明を実現することができる。

また、上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、本発明は、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によっても実現できる。この場合、プログラムコードを記録した記憶媒体をコンピュータに提供し、そのコンピュータ（又はＣＰＵやＭＰＵ）が記憶媒体に格納されたプログラムコードを読み出す。この場合、記憶媒体から読み出されたプログラムコード自体が前述した実施形態の機能を実現することになり、そのプログラムコード自体、及びそれを記憶した記憶媒体は本発明を構成することになる。
このような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、フレキシブルディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、ハードディスク、ＳＳＤ（Solid State Drive）、光ディスク、光磁気ディスク、ＣＤ−Ｒ、磁気テープ、不揮発性のメモリカード、ＲＯＭなどが用いられる。
また、本実施形態に記載の機能を実現するプログラムコードは、例えば、アセンブラ、Ｃ／Ｃ＋＋、ｐｅｒｌ、Ｓｈｅｌｌ、ＰＨＰ、Ｊａｖａ（登録商標）等の広範囲のプログラム又はスクリプト言語で実装できる。

さらに、実施の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、ネットワークを介して配信することにより、それをコンピュータのハードディスクやメモリ等の記憶手段又はＣＤ−ＲＷ、ＣＤ−Ｒ等の記憶媒体に格納し、使用時にそのコンピュータ（又はＣＰＵやＭＰＵ）が当該記憶手段や当該記憶媒体に格納されたプログラムコードを読み出して実行するようにしても良い。

上述の実施形態において、制御線や情報線は、説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。全ての構成が相互に接続されていても良い。

１００ 検出機能
１０１ 学習機能
１０２ 識別分布作成機能
１０３ 事前学習機能
２００ 対象症例画像
２０１ 学習用症例画像
２０２ インターフェース部
２０３ 病変部候補マスク検出部
２０４ 特徴量抽出部
２０５ 判定部
２０６ 病変部マスク検出部
２０７ 学習用特徴量抽出部
２０８ 統計処理部
２０９ 機械学習部
２１０ サンプリング部
２１１ 弱識別モデル生成部
２１２ 特徴量記憶手段
２２０ 分類情報に基づいたサンプリング部
３０２ 識別分布
３０３ 教師学習データ
３０４ 分類情報
３１０ 検出結果
３１１ 診断結果
６００ 医用画像提示部
６０２ 検出結果提示部

Claims (6)

1. 対象画像から病変部を自動検出する検出機能を有する医用画像診断支援装置において、
   病変部に関連する病変部マスク又は非病変部に関連する非病変部マスクの特徴を表す第１の特徴情報であって、医学的な分類又は統計的な分類に関する分類情報が付加されている第１の特徴情報を記憶する記憶部と、
   前記分類情報を用いて前記記憶部から前記第１の特徴情報をサンプリングして、複数のサンプルを作成するサンプリング部と、
   前記複数のサンプルに対して機械学習処理を行い、各サンプルに対応する第１の識別条件を作成する機械学習部と、
   前記第１の識別条件に対して統計処理を行い、第２の識別条件を作成する統計処理部と、
   を備え、
   前記検出機能が、
   前記対象画像から、病変部又は非病変部に関連する病変部候補マスクを検出する第１の検出部と、
   前記病変部候補マスクの特徴を表す第２の特徴情報を抽出する第１の抽出部と、
   前記第２の識別条件に対して前記第２の特徴情報を参照することによって、前記病変部候補マスクが病変部であるかを判定する判定部と、
   を備え、
   前記サンプリング部は、前記分類情報に対して付加された重みに従って各分類に対するサンプリング数を決定することを特徴とする医用画像処理装置。
2. 請求項１において、
   学習用画像から前記病変部又は非病変部に関連するマスクを検出する第２の検出部と、
   前記マスクの特徴を表す特徴情報を抽出する第２の抽出部と、
   を備え、
   前記記憶部には、前記抽出された特徴情報が格納されることを特徴とする医用画像処理装置。
3. 請求項１又は２において、
   前記検出機能の判定結果を診断者に対して表示する第１のインターフェースを備え、
   前記第１のインターフェースが、
   前記病変部候補マスクの画像と、
   前記病変部候補マスクに対応する判定結果と、
   前記病変部候補マスクに対応する前記第２の識別条件に関する情報と、
   を表示することを特徴とする医用画像処理装置。
4. 請求項１ないし３のいずれか一項において、
   前記検出機能の判定結果を診断者が修正することが可能な第２のインターフェースを備え、
   前記第２のインターフェースは、前記判定結果が前記診断者によって修正された際、前記修正された判定結果を前記記憶部に送信し、
   前記記憶部には、前記第２の特徴情報と前記修正された判定結果とが格納されることを特徴とする医用画像処理装置。
5. 対象画像から病変部を自動検出する医用画像診断支援装置を用いた医用画像診断支援方法であって、前記医用画像診断支援装置が、サンプリング部と、機械学習部と、統計処理部と、第１の検出部と、第１の抽出部と、判定部と、記憶部とを備え、前記記憶部は、病変部に関連する病変部マスク又は非病変部に関連する非病変部マスクの特徴を表す第１の特徴情報であって、医学的な分類又は統計的な分類に関する分類情報が付加されている第１の特徴情報を記憶しており、
   前記サンプリング部が、前記分類情報を用いて前記記憶部から、前記第１の特徴情報をサンプリングして、複数のサンプルを作成するステップと、
   前記機械学習部が、前記複数のサンプルに対して機械学習処理を行い、各サンプルに対応する第１の識別条件を作成するステップと、
   前記統計処理部が、前記第１の識別条件に対して統計処理を行い、第２の識別条件を作成するステップと、
   前記第１の検出部が、前記対象画像から、病変部又は非病変部に関連する病変部候補マスクを検出するステップと、
   前記第１の抽出部が、前記病変部候補マスクの特徴を表す第２の特徴情報を抽出するステップと、
   前記判定部が、前記第２の識別条件に対して前記第２の特徴情報を参照することによって、前記病変部候補マスクが病変部であるかを判定するステップと、
   を備え、
   前記複数のサンプルを作成するステップにおいて、前記サンプリング部が、前記分類情報に対して付加された重みに従って各分類に対するサンプリング数を決定することを特徴とする医用画像診断支援方法。
6. 対象画像から病変部を自動検出する処理をコンピュータに実行させるためのコンピュータプログラムであって、
   病変部に関連する病変部マスク又は非病変部に関連する非病変部マスクの特徴を表す第１の特徴情報であって、医学的な分類又は統計的な分類に関する分類情報が付加されている第１の特徴情報を記憶する記憶部から、前記分類情報を用いて前記第１の特徴情報をサンプリングして、複数のサンプルを作成する処理と、
   前記複数のサンプルに対して機械学習処理を行い、各サンプルに対応する第１の識別条件を作成する処理と、
   前記第１の識別条件に対して統計処理を行い、第２の識別条件を作成する処理と、
   前記対象画像から、病変部又は非病変部に関連する病変部候補マスクを検出する処理と、
   前記病変部候補マスクの特徴を表す第２の特徴情報を抽出する処理と、
   前記第２の識別条件に対して前記第２の特徴情報を参照することによって、前記病変部候補マスクが病変部であるかを判定する処理と、
   を実行し、
   前記複数のサンプルを作成する処理において、前記分類情報に対して付加された重みに従って各分類に対するサンプリング数を決定することを特徴とするコンピュータプログラム。

Images