JP5952568B2 - 画像診断支援装置、その処理方法及びプログラム - Google Patents

Description

本発明は、画像診断支援装置、その処理方法及びプログラムに関する。

コンピュータを用いたデータ処理技術の一つとして、既知の事象から抽出した知識に基づいて、未知の事象を推論する推論技術が知られている。近年、医療分野でも、推論装置を用いて病変部の診断を支援する研究が行なわれている。例えば、ある医用画像上の異常陰影が良性であるか悪性であるかを、その医用画像の特性値（画像特徴又は画像所見）を入力として推論する技術が研究されている。

特許文献１では、医用画像を分析して画像特徴を抽出し、その画像特徴に基づき初期診断を算出してユーザに提供するシステムが開示されている。このシステムにおいては、ユーザが画像特徴を変更すると、診断結果を動的に再算出する。これにより算出された画像特徴及び診断結果は、ユーザが確認及び適宜修正した後、診断報告書として生成される。

また、特許文献２では、データベースに蓄積された既知医療データに基づき、入力された未知医療データの目的変数値（例えば診断）の予測値と、その予測自体の信頼性尺度とを算出して出力する技術が開示されている。

特表２００８−５４１８８９号公報 特開２００６−１６３４６５号公報

上述した特許文献１の技術では、ユーザよりも先にシステムが画像特徴の算出や診断を行ない、その結果をユーザに提示する。そのため、最初にユーザが画像特徴や診断結果を入力し、後からシステムが算出した画像特徴や診断結果をユーザに提示するという使い方ができない。また、特許文献１の技術では、ユーザがある画像特徴を変更してしまうと、その画像特徴についてはシステムにより算出された画像特徴が使用されなくなってしまう。そのため、ユーザよりもシステムの方が信頼性の高い画像特徴を算出できる可能性があったとしても、それができないので、より信頼性の高い診断推論を行なうことができない。

また、上述した特許文献２では、診断の予測値とその予測自体の信頼性尺度とを算出することはできるが、たとえ信頼性が低いと分かった場合であっても、より信頼性の高い診断推論を行なうことはできない。

本発明は、上記課題に鑑みてなされたものであり、従来よりも信頼性の高い診断推論結果を得られるようにした技術を提供することを目的とする。

上記課題を解決するため、本発明の一態様による画像診断装置は、診断対象となる画像の所定の領域の画像特徴に基づいて第１の特性値を算出する第１の特性値算出手段と、ユーザから操作手段を介して入力された前記画像の前記所定の領域に関する所見情報に基づいて第２の特性値を取得する第２の特性値取得手段と、第１の重みと第２の重みとを取得する重み取得手段と、前記第１の重みを用いて前記第１の特性値を重み付けした結果と、前記第２の重みを用いて前記第２の特性値を重み付けした結果とに基づいて第３の特性値を算出する第３の特性値算出手段と、前記第３の特性値を用いて前記画像の前記所定の領域に対する診断推論を行なう推論手段とを具備する。

本発明によれば、従来よりも信頼性の高い診断推論結果を得られる。

本発明の一実施の形態に係わる画像診断支援装置を含む画像診断支援システムの全体構成の一例を示す図。 画像診断支援装置１０の処理の流れの一例を示すフローチャート。 第１の特性値及び第２の特性値の具体例を示す表。 第１の特性値及び第２の特徴値２に対する第１の重み及び第２の重みの具体例を示す表。 重みＷ１_ｉ及びＷ２_ｉの第１の取得方法（統計的な手法）の処理の流れの一例を示すフローチャート。

以下、図面を参照して本発明の好適な実施形態について詳細に説明する。

図１は、本発明の一実施の形態に係わる画像診断支援装置を含む画像診断支援システムの全体構成の一例を示す図である。

画像診断支援システムは、画像診断支援装置１０と、データベース２２と配されており、これら装置は、通信手段（この場合、ＬＡＮ（Local Area Network）２２）を介して通信可能に接続されている。

データベース２２は、医用画像やそれに関連付けられた情報を管理する。画像診断支援装置１０は、当該データベース２２で管理された診断対象である医用画像（診断対象画像）やそれに関連付けられた情報をＬＡＮ２１を介して取得する。

ここで、画像診断支援装置１０は、その機能的な構成として、通信ＩＦ３１と、ＲＡＭ３２と、ＲＯＭ３３と、記憶部３４と、操作部３５と、表示部３６とを具備して構成される。

通信ＩＦ（Interface）３１は、例えば、ＬＡＮカード等で実現され、ＬＡＮ２１を介した外部装置（例えば、データベース２２）と画像診断支援装置１０との間の通信を司る。記憶部３４は、例えば、ＨＤＤ（Hard Disk Drive）等で実現され、各種情報を記憶する。

表示部３６は、例えば、ディスプレイ等で実現され、各種情報をユーザ（例えば、医師）に向けて表示する。操作部３５は、例えば、キーボードやマウス等で実現され、ユーザからの指示を装置内に入力する。

ＲＡＭ（Random Access Memory）３２は、揮発性のメモリ等で実現され、各種情報を一時的に記憶する。ＲＯＭ（Read Only Memory）３３は、不揮発性のメモリ等で実現され、各種プログラム等を記憶する。制御部３７は、例えば、ＣＰＵ（Central Processing Unit）等で実現され、画像診断支援装置１０における処理を統括制御する。

ここで、制御部３７には、その機能的な構成として、第１の特性値算出部１１と、第２の特性値取得部１２と、重み取得部１３と、第３の特性値算出部１４と、推論部１５と、表示処理部１６とが設けられる。これら構成は、例えば、ＣＰＵがＲＡＭ３２をワーク領域としてＲＯＭ３３等に記憶されたプログラムを読み込み実行することで実現される。なお、これら構成の一部又はその全てが専用の回路等で実現されても良い。

第１の特性値算出部１１は、診断対象画像の所定の領域（異常陰影領域）に画像処理を施し、それにより、特性値（第１の特性値）を算出する。第２の特性値取得部１２は、診断対象画像の異常陰影領域に対するユーザ（医師）の画像所見（所見情報）を特性値（第２の特性値）として取得する。この取得は、例えば、ユーザによる操作部３５を介した操作に基づいて行なわれる。

重み取得部１３は、第１の特性値に対する重み（第１の重み）と第２の特性値に対する重み（第２の重み）とを取得する。

第３の特性値算出部１４は、第１の特性値及び第２の特性値と、第１の重み及び第２の重みとを用いて新たな特性値（第３の特性値）を算出する。

推論部１５は、第３の特性値を用いて診断対象画像の異常陰影についての診断推論を行なう。表示処理部１６は、診断対象画像、第１の特性値及び第２の特性値、及び診断推論結果などの様々な情報をユーザに提示する。この提示は、例えば、表示部３６への画面の表示によって行なわれる。勿論、プリンタ等で印刷を行なうことにより上記提示が行なわれても良い。

次に、図２を用いて、図１に示す画像診断支援装置１０の処理の流れの一例について説明する。

ユーザが、操作部３５を介してデータベース２２上で管理された診断対象画像の取得を指示すると、この処理は開始する。この処理が開始すると、画像診断支援装置１０は、当該ユーザ指示に従って、データベース２２からＬＡＮ２１を介して診断対象画像を取得し、それをＲＡＭ３２に格納する（Ｓ１０１）。画像診断支援装置１０は、表示処理部１６において、当該診断対象画像を表示部３６上に表示する。なお、診断対象画像は、画像診断支援装置１０に接続された外部記憶装置から取得されても良い。

ここで、ユーザは、操作部３５を介して当該診断対象画像上から異常陰影位置を指示する。すると、画像診断支援装置１０は、第１の特性値算出部１１において、当該ユーザ操作に従って異常陰影位置を取得するとともに、公知の領域抽出技術（グラフカット法やレベルセット法など）等を用いて当該異常陰影領域を特定し取得する（Ｓ１０２）。なお、公知の異常陰影検出技術を用いて異常陰影領域を自動的に取得するようにしても良い。

続いて、画像診断支援装置１０は、第１の特性値算出部１１において、公知の画像処理技術を用いて異常陰影の画像特徴を算出し（Ｓ１０３）、当該画像特徴に基づいて第１の特徴値を算出する（Ｓ１０４）。画像特徴の例としては、異常陰影領域の形状特徴（長径（最大直径）、境界線の円形度、扁平率、不整度など）や、濃度特徴（濃度の平均値と分散、石灰化や空気などに対応する特定の濃度範囲内の濃度値の有無又は存在する割合など）が挙げられる。なお、第１の特徴値の算出方法については後述する。

第１の特徴値が算出されると、ユーザは、操作部３５を介して画像所見を入力する。すなわち、Ｓ１０１の処理で表示部３６上に表示された診断対象画像を参照したユーザが、当該画像上の異常陰影の所見結果を入力する。すると、画像診断支援装置１０は、第２の特性値取得部１２において、当該ユーザ操作に従って入力された画像所見をそのまま第２の特徴値として取得する（Ｓ１０５）。

なお、画像所見（第２の特性値）の例としては、異常陰影の長径（最大直径）、全体形状、棘状突起、輪郭不整、石灰化、気体部、血管や気管支の巻込、胸膜嵌入像、気管支透瞭像などの有無や程度に関する情報が挙げられる。なお、このＳ１０５の処理は、Ｓ１０２〜Ｓ１０４の処理と同時に実行されても良いし、また、Ｓ１０２〜Ｓ１０４の処理を行なう前に実行されても良い。

ここで、図３は、第１の特性値及び第２の特性値の具体例を示す表である。

図３に示す表には、第１の特性値と第２の特性値とで共通する特性値が、Ｆ１_１〜Ｆ１_ｐ−１又はＦ２_１〜Ｆ２_ｐ−１のｐ−１個（ｐ≧２）存在する。

また、第１の特性値のみに存在する特性値がＦ１_ｐ〜Ｆ１_ｑ−１のｑ−ｐ個（ｑ＞ｐ）存在し、第２の特性値のみに存在する特性値がＦ２_ｑ〜Ｆ２_ｎのｎ−ｑ＋１個（ｎ≧ｑ）存在する。但し、第１の特性値のみに存在する特性値や、第２の特性値のみに存在する特性値はなくても構わない。

図３に示す表において、ｉは第１の特性値及び第２の特性値のインデックスを示し、Ｆ１_ｉはｉ番目の第１の特性値を示し、Ｆ２_ｉはｉ番目の第２の特性値を示す。更に、個々の特性値Ｆ１_ｉ、Ｆ２_ｉが取り得る値をそれぞれＶ１_ｉ、Ｖ２_ｉとして示している。

図３の表に例示する通り、Ｖ１_ｉ、Ｖ２_ｉ（が取り得る値）の範囲は、インデックスｉによって異なる。例えば、Ｖ１_ｉの範囲が１〜５と記されている特性値（Ｆ１_２〜Ｆ１_４）は、Ｖ１_ｉが１に近いほど特性値Ｆ１_ｉの特性が少ない（小さい、弱い）ことを示す。Ｖ１_ｉが５に近いほど特性値Ｆ１_ｉの特性が多い（大きい、強い）ことを示す。Ｖ２_ｉについても同様である。なお、任意の特性値Ｆ１_ｉ及びＦ２_ｉが取る値Ｖ１_ｉ及びＶ２_ｉは、連続値であっても良いし、離散値であっても良い。

ここで、上述したＳ１０４の処理における第１の特性値の算出方法について説明する。

第２の特性値と共通する第１の特性値（Ｆ１_１〜Ｆ１_ｐ−１）については、上記Ｓ１０３の処理で算出した画像特徴を用いて、個々の特性値Ｆ１_１〜Ｆ１_ｐ−１毎に、予め決められた規則に従って特性値の状態Ｓ_ｉｊを求める。

図３に示す表の特性値Ｆ１_１は、「長径」なので、例えば、異常陰影の境界線を楕円近似した時の楕円の長径（最大直径）を算出し、それをＶ１_１の値とする。

図３に示す表の特性値Ｆ１_２は、「輪郭不整」なので、例えば、異常陰影の中心から境界線上の各点までの距離の分散の大小に応じてＶ１_２の値（１〜５）を算出する。

図３に示す表の特性値Ｆ１_３は、「石灰化」なので、例えば、異常陰影の濃度ヒストグラムを作成し、石灰化に対応する濃度範囲内の濃度値の割合に応じてＶ１_３の値を算出する。同様に、図３の表の特性値Ｆ１_４は、「気体部」なので、濃度ヒストグラムを用いてＶ１_４の値を算出する。

一方、第１の特性値のみに存在する特性値Ｆ１_ｐ〜Ｆ１_ｑ−１は、上述のＳ１０３で算出した画像特徴量をそのまま用いてＶ１_ｉの値とする。

このように本実施形態においては、第１の特徴値と第２の特徴値との対応関係（例えば、第２の特性値に対応した第１の特性値が存在する、第１の特性値又は第２の特性値のみに存在する、等）によって、第１の特性値の算出方法が変更される。

図２に示すフローチャートの説明に戻る。画像診断支援装置１０は、重み取得部１３において、第１の特性値に対する第１の重みと、第２の特性値に対する第２の重みとを取得する（Ｓ１０６）。ここで、第１の重み及び第２の重みは、個々の特性値毎に異なる値にすることができる。第１の重み及び第２の重みの算出方法については後述する。

画像診断支援装置１０は、第３の特性値算出部１４において、式（１）に従って第３の特性値（Ｆ３_ｉ，ｉ＝１〜ｎ）の値（Ｖ３_ｉ）を算出する（Ｓ１０７）。なお、Ｖ１_ｉ及びＶ２_ｉが離散値であれば、式（１）で求めた値を離散化することでＶ３_ｉも離散値にすれば良い。

Ｖ３_ｉ＝（Ｖ１_ｉ＊Ｗ１_ｉ＋Ｖ２_ｉ＊Ｗ２_ｉ）／（Ｗ１_ｉ＋Ｗ２_ｉ）・・・（１）

画像診断支援装置１０は、推論部１５において、診断推論を実行する（Ｓ１０８）。診断推論は、公知の推論技術（ベイズネット、ニューラルネット、ＳＶＭ、決定木など）を用いて行なえば良い。推論技術として、ベイズネットなどの確率的な手法を用いた場合は、診断推論結果として予め決めた複数の画像診断名それぞれに対する確率（確からしさ）を求める。また、推論技術として、ＳＶＭなどの判別的な手法を用いた場合は、診断推論結果として最も可能性の高い１つの画像診断名を求める。

最後に、画像診断支援装置１０は、表示処理部１６において、Ｓ１０８の処理で得られた診断推論結果を、表示部３６上に表示する（Ｓ１０９）。

ここで、図４は、図３に示す表に例示した第１の特性値及び第２の特徴値２に対する第１の重み及び第２の重みの具体例を示す表である。

図４に示す表において、ｉは第１の特性値及び第２の特性値のインデックスを示し、Ｆ１_ｉはｉ番目の第１の特性値を示し、Ｆ２_ｉはｉ番目の第２の特性値を示す。更に、ｉ番目の第１の特性値（Ｆ１_ｉ）に対する第１の重みをＷ１_ｉとして示し、ｉ番目の第２の特性値（Ｆ２_ｉ）に対する第２の重みをＷ２_ｉと示している。図４に示す表の例では、Ｗ１_ｉとＷ２_ｉとの和が１．０となるように、第１の重みＷ１_ｉ及び第２のＷ２_ｉが設定されている。

上述した第１の重みＷ１_ｉ及び第２の重みＷ２_ｉの取得方法は、大別して２つある（第１の取得方法、第２の取得方法）。

第１の取得方法では、詳細については後述するが、統計的な手法によって、第１の重みＷ１_ｉ及び第２のＷ２_ｉを予め決定しておき、その重みの組を記憶部３４に複数記憶しておく。そして、上記Ｓ１０６の処理では、予め決定しておいた複数の第１の重みＷ１_ｉ及び第２の重みＷ２_ｉの組のいずれかを記憶部３４から読み出すことにより取得する。また、第２の取得方法では、詳細については後述するが、診断対象画像毎に、第１の重みＷ１_ｉ及び第２の重みＷ２_ｉをその都度算出する。

ここで、図５を用いて、重みＷ１_ｉ及びＷ２_ｉの第１の取得方法（統計的な手法）について説明する。なお、図５に示す処理を実行する際には、第１の特性値を算出済みであり、ユーザにより第２の特性値が入力済みであり、且つ確定診断名を調査済み（正しい診断結果が既知である）の医用画像データ（学習データ）を予め複数用意しておく必要がある。

この処理ではまず、重み取得部１３は、平均正答率Ａ_ＡＶＥに「０」を代入し、重みＷ１_ｉ及びＷ２_ｉ（ｉ＝０〜ｎ）を初期化する（Ｓ２０１）。以下の処理は、初期化の方法には依存しないが、例えば、Ｗ１_ｉ＝０．０、Ｗ２_ｉ＝１．０とする。

続いて、重み取得部１３は、Ｗ１_ｉ、Ｗ２_ｉの値の組み合わせに対するインデックスｃに「１」を代入する（Ｓ２０２）。以降、組み合わせの総数（つまり、ｃの最大値）をＣ_ｍａｘとする。ここで、重みＷ１_ｉ及びＷ２_ｉの値の組み合わせの一例としては、例えば、Ｗ１_１＝０．１、Ｗ２_１＝０．９、Ｗ１_２＝０．０、Ｗ２_２＝１．０、・・・、Ｗ１_ｎ＝０．０、Ｗ２_ｎ＝１．０、等が挙げられる。全てのｉに対して、Ｗ１_ｉ＋Ｗ２_ｉ＝１．０を満たす様々な組み合わせの重み（Ｗ１_ｉ、Ｗ２_ｉ）が存在するので、それらの組み合わせ一つ一つに対してインデックスｃの値を割り当て、それをＲＡＭ３２に記憶しておく。

重み取得部１３は、インデックスｃに対する合計正答数Ａｃ_Ｔに「０」を代入し、また、インデックスｃに対する重みＷ１ｃ_ｉ及びＷ２ｃ_ｉの組み合わせ（ｉ＝０〜ｎ）をＲＡＭ３２から読み出す（Ｓ２０３）。

重み取得部１３は、学習データのインデックスｊに「１」を代入する（Ｓ２０４）。以降、学習データの総数（つまり、ｊの最大値）をＪ_ｍａｘとする。

重み取得部１３は、ｉ番目の学習データを診断対象画像として、上述した図２に示す処理を実行する。これにより、ｉ番目の学習データに対する診断推論結果Ｒ_ｊを取得する（Ｓ２０５）。

重み取得部１３は、Ｓ２０５の処理で取得した診断推論結果Ｒ_ｊが既知の確定診断名（正しい診断名）と一致するか（つまり、正答であるか）否かを判定する（Ｓ２０６）。Ｒ_ｊが正答であれば（Ｓ２０６でＹＥＳ）、重み取得部１３は、合計正答数Ａｃ_Ｔに「１」を加算するとともに（Ｓ２０７）、インデックスｊに「１」を加算する（Ｓ２０８）。一方、Ｒ_ｊが誤答であれば（Ｓ２０６でＮＯ）、インデックスｊに「１」を加算する（Ｓ２０８）。

インデックスｊの加算後、重み取得部１３は、当該インデックスｊが最大値Ｊ_ｍａｘに達したか否かを判定する。ｊがＪ_ｍａｘに達していなければ（Ｓ２０９でＮＯ）、重み取得部１３は、再度、Ｓ２０５の処理に戻る。

ｊがＪ_ｍａｘに達していれば（Ｓ２０９でＹＥＳ）、重み取得部１３は、インデックスｃに対する合計正答数Ａｃ_Ｔをインデックスｃに対する学習データの総数Ｊ_ｍａｘで割った値（つまり、インデックスｃに対する平均正答率）を算出する。そして、その結果が平均正答率Ａ_ＡＶＥより大きいか否かを判定する（Ｓ２１０）。

判定の結果、Ａｃ_Ｔ／Ｊ_ｍａｘがＡ_ＡＶＥよりも大きくなければ（Ｓ２１０でＮＯ）、重み取得部１３は、インデックスｃに「１」を加算する（Ｓ２１２）。

一方、Ａｃ_Ｔ／Ｊ_ｍａｘがＡ_ＡＶＥよりも大きければ（Ｓ２１０でＹＥＳ）、重み取得部１３は、平均正答率Ａ_ＡＶＥにＡｃ_Ｔ／Ｊ_ｍａｘの値を代入する。また、重みＷ１_ｉ及びＷ２_ｉ（ｉ＝０〜ｎ）のそれぞれの値に、インデックスｃに対する重みＷｃ１_ｉ、Ｗｃ２_ｉのそれぞれの値を代入する（Ｓ２１１）。その後、重み取得部１３は、インデックスｃに「１」を加算する（Ｓ２１２）。

インデックスＣの加算後、重み取得部１３は、インデックスｃが最大値Ｃ_ｍａｘに達したか否かを判定する（Ｓ２１３）。ｃがＣ_ｍａｘに達していなければ（Ｓ２１３でＮＯ）、重み取得部１３は、再度、Ｓ２０３の処理に戻る。一方、達していれば、重み取得部１３は、この処理を終了する。

以上の処理によって、全ての学習データに対して、平均正答率Ａ_ＡＶＥが最も高い重みＷ１_ｉ、Ｗ２_ｉ（ｉ＝０〜ｎ）の値の組み合わせが得られる。但し、実際に、診断対象画像に対して図２に示すＳ１０６を実行する時に、ｉ番目の第２の特性値（Ｆ２_ｉ）の値（Ｖ２_ｉ）がユーザによって入力されていなければ、重みＷ１_ｉ＝１．０、Ｗ２_ｉ＝０．０とする。

次に、第１の重みＷ１_ｉ及び第２の重みＷ２_ｉの第２の取得方法（その都度算出する手法）について説明する。

第２の取得方法では、ユーザは、操作部３５を介して複数の第２の特性値（Ｆ２_ｉ、ｉ＝１〜ｐ−１，ｑ〜ｎ）を入力するとともに、その際に、各第２の特性値に対してユーザの確信度（Ｓ２_ｉ）も併せて入力する。なお、第２の特性値（Ｆ２_ｉ）及びその確信度（Ｓ２_ｉ）は、操作部３５からのユーザ指示に従って第２の特性値取得部１２により取得される。

この入力が済むと、重み取得部１３は、確信度Ｓ２_ｉが所定の閾値より大きいか否かに基づいて、それぞれの場合に対して記憶部３４に予め記憶されているＷ１_ｉ、Ｗ２_ｉの値を読み出す。例えば、確信度Ｓ２_ｉが所定の閾値よりも大きければ、重みＷ１_ｉ＝０．０、Ｗ２_ｉ＝１．０とし、小さければ、重みＷ１_ｉ＝０．５、Ｗ２_ｉ＝０．５とする。但し、ｉ番目の第２の特性値（Ｆ２_ｉ）の値（Ｖ２_ｉ）がユーザによって入力されていなければ、重みＷ１_ｉ＝１．０、Ｗ２_ｉ＝０．０とする。

以上説明したように本実施形態によれば、診断対象画像から算出された第１の特性値とユーザから入力された第２の特性値との両方の情報を利用して診断支援を行なう。これにより、第１の特性値を先に算出した場合、若しくは第２の特性値が先に入力された場合のいずれであっても使用可能な装置を提供できる。

また、第１の特性値及び第２の特性値、その対応関係、第１の重み及び第２の重みを用いて算出した第３の特性値を用いることにより、第１の特性値又は第２の特性値のいずれか一方を用いる場合よりも、信頼性の高い診断推論を行なえる。

以上が本発明の代表的な実施形態の一例であるが、本発明は、上記及び図面に示す実施形態に限定することなく、その要旨を変更しない範囲内で適宜変形して実施できるものである。

例えば、上述した実施形態においては、重み付けを行なう構成について説明したが、必ずしも重み付けを行なう必要はない。すなわち、重み付けを行なわない構成であっても、第１の特性値を先に算出した場合、若しくは第２の特性値が先に入力された場合のいずれであっても使用可能な装置を提供できる。

（その他の実施形態）
本発明は、以下の処理を実行することによっても実現される。即ち、上述した実施形態の機能を実現するソフトウェア（プログラム）を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給し、そのシステム或いは装置のコンピュータ（又はＣＰＵやＭＰＵ等）がプログラムを読み出して実行する処理である。

Claims (11)

1. 診断対象となる画像の所定の領域の画像特徴に基づいて第１の特性値を算出する第１の特性値算出手段と、
   ユーザから操作手段を介して入力された前記画像の前記所定の領域に関する所見情報に基づいて第２の特性値を取得する第２の特性値取得手段と、
   第１の重みと第２の重みとを取得する重み取得手段と、
   前記第１の重みを用いて前記第１の特性値を重み付けした結果と、前記第２の重みを用いて前記第２の特性値を重み付けした結果とに基づいて第３の特性値を算出する第３の特性値算出手段と、
   前記第３の特性値を用いて前記画像の前記所定の領域に対する診断推論を行なう推論手段と
   を具備することを特徴とする画像診断支援装置。
2. 前記第１の重みと前記第２の重みとの組を複数記憶する記憶手段
   を更に具備し、
   前記重み取得手段は、
   診断結果が既知である複数の画像に対して前記複数の重みの組を用いて診断推論を行なない、その正答率の最も高い重みの組を前記第１の重み及び前記第２の重みとして取得する
   ことを特徴とする請求項１記載の画像診断支援装置。
3. 前記第１の重みと前記第２の重みとの組を複数記憶する記憶手段
   を更に具備し、
   前記第２の特性値取得手段は、
   ユーザからの操作手段を介して入力された前記所見情報に基づく前記第２の特性値とともに、当該第２の特性値に対応する確信度を取得し、
   前記重み取得手段は、
   前記確信度が所定の閾値よりも大きければ、前記第１の重みよりも前記第２の重みが大きな値を有する前記第１の重みと前記第２の重みとの組を取得する
   ことを特徴とする請求項１記載の画像診断支援装置。
4. 前記重み取得手段は、
   前記第２の特性値取得手段により前記第２の特性値を取得できなかった場合には、前記第２の重みを０にする
   ことを特徴とする請求項１から３のいずれか１項に記載の画像診断支援装置。
5. 前記第１の重みをＷ１_ｉ、
   前記第２の重みをＷ２_ｉ、
   前記第１の特性値をＶ１_ｉ、
   前記第２の特性値をＶ２_ｉ、
   前記第３の特性値をＶ３_ｉ、
   Ｗ１_ｉ＋Ｗ２_ｉ＝１．０とした場合、
   前記第３の特性値算出手段は、
   Ｖ３_ｉ＝（Ｖ１_ｉ＊Ｗ１_ｉ＋Ｖ２_ｉ＊Ｗ２_ｉ）／（Ｗ１_ｉ＋Ｗ２_ｉ）
   を解くことにより前記第３の特性値を算出する
   ことを特徴とする請求項１から４のいずれか１項に記載の画像診断支援装置。
6. 前記第１の特性値と前記第２の特性値との組が複数存在しており、
   それぞれの特性値の組に対して、それぞれ独立した前記第１の重みと前記第２の重みの組が付与される、
   ことを特徴とする請求項１から５のいずれか１項に記載の画像診断支援装置。
7. 診断対象となる画像の所定の領域の画像特徴に基づいて第１の特性値を算出する第１の特性値算出手段と、
   ユーザから操作手段を介して入力された前記画像の前記所定の領域に関する所見情報に基づいて第２の特性値を取得する第２の特性値取得手段と、
   前記第１の特性値と、前記第２の特性値とのいずれかを選択し、当該選択に基づいて、前記画像の前記所定の領域に対する診断推論を行なう推論手段と
   を具備することを特徴とする画像診断支援装置。
8. 画像診断を支援するための処理方法であって、
   第１の特性値算出手段が、診断対象となる画像の所定の領域の画像特徴に基づいて第１の特性値を算出する工程と、
   第２の特性値取得手段が、ユーザから操作手段を介して入力された前記画像の前記所定の領域に関する所見情報に基づいて第２の特性値を取得する工程と、
   重み取得手段が、第１の重みと第２の重みとを取得する工程と、
   第３の特性値算出手段が、前記第１の重みを用いて前記第１の特性値を重み付けした結果と、前記第２の重みを用いて前記第２の特性値を重み付けした結果とに基づいて第３の特性値を算出する工程と
   推論手段が、前記第３の特性値を用いて前記画像の前記所定の領域に対する診断推論を行なう工程と
   を含むことを特徴とする処理方法。
9. 画像診断を支援するための処理方法であって、
   第１の特性値算出手段が、診断対象となる画像の所定の領域の画像特徴に基づいて第１の特性値を算出する工程と、
   第２の特性値算出手段が、ユーザから操作手段を介して入力された前記画像の前記所定の領域に関する所見情報に基づいて第２の特性値を取得する工程と、
   推論手段が、前記第１の特性値と、前記第２の特性値とのいずれかを選択し、当該選択に基づいて、前記画像の前記所定の領域に対する診断推論を行なう工程と
   を含むことを特徴とする処理方法。
10. コンピュータを、
    診断対象となる画像の所定の領域の画像特徴に基づいて第１の特性値を算出する第１の特性値算出手段、
    ユーザから操作手段を介して入力された前記画像の前記所定の領域に関する所見情報に基づいて第２の特性値を取得する第２の特性値取得手段、
    第１の重みと第２の重みとを取得する重み取得手段、
    前記第１の重みを用いて前記第１の特性値を重み付けした結果と、前記第２の重みを用いて前記第２の特性値を重み付けした結果とに基づいて第３の特性値を算出する第３の特性値算出手段、
    前記第３の特性値を用いて前記画像の前記所定の領域に対する診断推論を行なう推論手段
    として機能させるためのプログラム。
11. コンピュータを、
    診断対象となる画像の所定の領域の画像特徴に基づいて第１の特性値を算出する第１の特性値算出手段、
    ユーザから操作手段を介して入力された前記画像の前記所定の領域に関する所見情報に基づいて第２の特性値を取得する第２の特性値取得手段、
    前記第１の特性値と、前記第２の特性値とのいずれかを選択し、当該選択に基づいて、前記画像の前記所定の領域に対する診断推論を行なう推論手段
    として機能させるためのプログラム。

Images