JP6220310B2 - 医用画像情報システム、医用画像情報処理方法及びプログラム - Google Patents

Description

本発明は、医用画像情報システム、医用画像情報処理方法及びプログラムに係り、特に、医用画像から臓器及び／又は疾患等の処理対象に関する情報を取得、画像処理、蓄積し、利活用するための医用画像情報システム、医用画像情報処理方法及びプログラムに関する。

近年、医用画像診断は、非侵襲的に体内の情報を得ることができるため、広く行われている。Ｘ線コンピュータ断層撮影（Ｃｏｍｐｕｔｅｒ Ｔｏｍｏｇｒａｐｈｙ：ＣＴ）装置や核磁気共鳴撮影（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ：ＭＲＩ）装置、陽電子放射断層撮影（Ｐｏｓｉｔｒｏｎ Ｅｍｉｓｓｉｏｎ Ｔｏｍｏｇｒａｐｈｙ：ＰＥＴ）装置や単一光子放射断層撮影（Ｓｉｎｇｌｅ Ｐｈｏｔｏｎ Ｅｍｉｓｓｉｏｎ Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ：ＳＰＥＣＴ）装置など、様々な種類の画像診断装置による三次元画像が診断や経過観察に活用されている。

上記のような医用画像診断装置により得られた画像は、単に読影のために閲覧されるのみならず、画像処理を施すことでさまざまな情報を得ることが可能になっている。例えば、Ｘ線ＣＴ装置では、空間分解能の高いボリューム画像を得ることができるため、セグメンテーション技術を用いて臓器、血管などを抽出し、それらをボリュームレンダリング法にて三次元可視化することが可能である。さらには、単に可視化するだけでなく、さまざまな画像処理アルゴリズムを用いて腫瘍などの病変部位を抽出し、それらの最大径や体積などを求めることにより、定量的に評価することも可能である。従来から、医用画像診断を支援するためのシステムとして、コンピュータ診断支援システム（Ｃｏｍｐｕｔｅｒ Ａｉｄｅｄ Ｄｉａｇｎｏｓｉｓ：ＣＡＤ）が提案されている。ＣＡＤを細かく機能分類すると、ＣＡＤｅ（Ｃｏｍｐｕｔｅｒ Ａｉｄｅｄ Ｄｅｔｅｃｔｉｏｎ）とＣＡＤｘ（Ｃｏｍｐｕｔｅｒ Ａｉｄｅｄ Ｄｉａｇｎｏｓｉｓ）とに分けられる。ＣＡＤｅは、画像上で病巣が存在する候補位置をコンピュータが自動検出し、その位置をマーキングする機能を有し、その病変を指摘することを支援するものである。一方、ＣＡＤｘはＣＡＤｅ機能に加え、病変候補に関する物理特性（最大径や体積など）の数値や、良悪性鑑別や病変の進行度のデータや数値を出力する機能を有し、病変自身の定性的、定量的なデータを出力して診断支援するものである。これらのうち、すでに肺がん、乳がん用のＣＡＤｅシステムは製品化されており、その重要性は増している。

一方、医用画像は診断だけでなく、治療においても活用されている。特に放射線治療における画像の重要性は増している。放射線治療は、主に診断、治療計画、治療、経過観察の４つのステップで実施され、この各ステップにおいて画像もしくは画像処理技術が用いられている。治療の重要なプロセスであるベッド位置決めでは、従来行われていた２次元画像から、より高精度な位置決めを目指し、３次元画像を用いる画像誘導放射線治療（Ｉｍａｇｅ Ｇｕｉｄｅｄ Ｒａｄｉａｔｉｏｎ Ｔｈｅｒａｐｙ：ＩＧＲＴ）が実施されるようになっている。

このように医用画像自身及び画像処理から得られる情報は、診断、治療など診療の各シーンで利用されている。その有用性の要因は、画像自身が明示的、暗黙的なさまざまな情報を含んでいること、また複数の画像からお互いの情報を補完する相補的な情報を得ることが出来るためである。例えばＸ線ＣＴ画像の画素値、いわゆるＣＴ値は、生体のＸ線吸収特性を画像化したものであるが、これらを生体の別の物性値と比較して認識することが可能である。またＸ線ＣＴ装置とＰＥＴ装置から得られる画像は、それぞれ形態画像、機能画像と呼ばれ、その名の通りＣＴ画像は生体の形態が明瞭であるのに対し、ＰＥＴ画像は糖代謝、アミノ酸代謝と言った生体の機能が認識できるため、お互いの情報を用いて医学的判断が可能となっている。これら医用画像を診療で有効に利用するために、特許文献１には、手術シミュレーションのための三次元の生体データモデルを構築する方法が提案されている。

特開２０１０−１７４２１号公報

近年、多くのモデル化技法の中でも、グラフデータモデルが注目されている。グラフデータモデルは、頂点（Ｎｏｄｅ）集合と辺（Ｅｄｇｅ）集合からなる構造をとる。グラフデータモデルが良く利用される要因として、対象となるフィールドの「もの」を頂点で表し、「もの」と「もの」との関係を辺で表すことにより、フィールドが自然に表現できる、関係の推移や移動をグラフ上の経路追跡で表せること、直感的で分かりやすいこと、が挙げられる。

上述のように、主に診断用に人体のさまざまな三次元医用画像が撮像され、それら三次元画像から画像処理アルゴリズムにより、診断に有用な情報、さらに単に診断のみならず、治療に有効な情報を取得し、画像自身もしくは画像から得ら獲れた情報を診断、治療に有効利用することは広く普及している。
これらを実施するために現在の医用画像システムは、一般的には、主に画像を保存するためのＰＡＣＳ（Ｐｉｃｔｕｒｅ Ａｒｃｈｉｖｅ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍ）、心臓の血管抽出や脳機能解析と言った特化した画像処理を実行するためのワークステーション（ＷＳ）、もしくは放射線治療の場合には治療計画として線量計算を実施する治療計画装置、それら装置間のネットワーク接続のための標準であるＤＩＣＯＭ（Ｄｉｇｉｔａｌ Ｉｍａｇｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ ｉｎ Ｍｅｄｉｃｉｎｅ）規格を用いて構築されている。

各装置はそれぞれネットワークを介して接続されているものの、例えばＰＡＣＳビューアを用いて読影された情報の一部はＰＡＣＳ内に保存されており、一方、ＷＳ上の画像処理によって得られた定量値などの一部はＰＡＣＳに保存されているが、必ずしもすべての情報がＰＡＣＳに送信される訳ではなく、一部はＷＳ内に保存される。また同一患者を撮像した複数画像をＷＳの画像処理アルゴリズムにて位置合せした画像もしくは抽出された結果と、治療計画時に治療計画装置のアルゴリズムで位置合せした結果は、アルゴリズムが異なればその結果は必ずしも一致しない場合がある。またＷＳで行った位置決め結果を治療計画装置で共有することも可能であるが、そのためにはＤＩＣＯＭ通信により、一旦ＰＡＣＳへ送信し、治療計画装置で受信すると言った手間が必要になってしまう。

このように分散された装置で構成される従来のシステムにおいて、画像もしくは画像から得られる情報を診断、治療の各診療プロセスで有効に利用するためには、下記の課題がある。
（１） 異なる装置で行われる画像処理アルゴリズムは共通ではなく、またアルゴリズムもしくは複数のアルゴリズムを組合せた処理手順（以下、処理フロー）及びそのパラメータを共有し、実行することが出来ない場合が想定される
（２） 画像処理もしくは処理フローにより抽出された領域、定量値と言ったすべての情報を保存し、またその情報間の関連を含めて管理出来ない場合が想定される
（３） 画像処理により抽出された情報を、同一患者もしくは異なる患者において、時間的、空間的な比較が出来ない場合が想定される

（１）について、前述したようなＣＡＤシステムのように診断を支援するシステムはあるものの、現在は肺がん、乳がんに特化したシステムとなっている。医療で求められる画像からの情報は、臓器、血管、病変部位など複数存在するため、特定の疾患に特化したシステムではなく、より汎用的な目的に使用可能なシステムが求められている。また汎用的なシステム、例えば画像内の複数の関心領域を抽出や、定量化を実現するためには、一つの画像処理アルゴリズムのみでは困難な場合があり、複数のアルゴリズムを組合せて、前記情報を求めることが一般的である。前述の特化したシステムでは、任意に組合せた処理フローの実行は困難な場合があり、ましてや異なる装置間で処理もしくは処理フローを共有することは出来ない場合が想定される。

次に（２）について、画像処理もしくは画像処理を組合せた処理フローにより、臓器、血管、病変などの医学的な関心領域が抽出されるとともに、抽出された領域に関して、例えば病変部位の大きさと言った定量値が算出される。装置によっては、それら一部の情報がＤＩＣＯＭ規格に基づき画像に付加されＰＡＣＳに保存されるが、操作者が指定したものに限られ、必ずしもすべての情報が保存される訳ではない。さらに一般的にこれら情報はテキストとして保存されるに留まっている。
また、例えば同一画像から臓器、血管、病変を抽出した場合、病変が臓器のどの位置に存在し、どの血管に近い位置に存在したか、などいわゆる解剖学的な情報と、それら相互の関連を保存するために、前述したようなテキストで保存するには大変な労力を要する。同様に、例えば形態画像と機能画像の２つの画像から同一の病変を抽出し、形態画像からは病変全体の範囲、機能画像からは病変内の活性度が高い範囲を得た場合でも、それらの相互の関連をテキストとして保存することは困難である場合が想定される。

このように単一もしくは複数の画像から得られた情報を保存、管理し得ない要因の一つは、それら情報を格納するためのデータ形式（モデル）が必ずしも明確でないことが挙げられる。この課題に対し、上述の特許文献１では、手術シミュレータ開発に伴い、患者固有であり、内部構造を持ち、生体力学シミュレーション可能なデータ作成のために、医用画像データを用い、画像情報による生体部分の物性値を付与し、対象臓器を画像データから分離し、三次元生体データモデルを作成する、方法及び装置が記載されている。特に医療画像データのＣＴ画像とＭＲＩ画像に対し、画像処理として歪み補正、セグメンテーションを実施、さらに各セグメントに対しＣＴ画像とＭＲＩ画像の対応位置から、その位置の物性値を付与、有限要素に分割した三次元生体データモデルを作成している。この文献では、医用画像に対し、レジストレーションとセグメンテーションと言った画像処理を実施し、そのセグメントに物理情報（Ｙｏｕｎｇ率、Ｐｏｉｓｓｏｎ比等）を組み込んだモデルを作成する方法が記載されているものの、疾患に関わる情報を組込む記載はない。また、この文献のデータモデルは、患者固有の手術シミュレーションを目的としたデータモデルであり、複数の患者間でのモデル比較、統計処理に利用する手段の記載はない。

次に、（３）について、前述した通りそもそも画像処理により抽出された情報を格納するデータモデルが明確でないため、情報そのものが十分に保存、蓄積されているとは言えない。一部情報が保存それていたとしても、同一患者の異なる時刻において撮像した画像から得られた疾患情報の比較と言った時間的な比較、異なる患者を撮像した画像から得られる臓器の解剖的に同一部位の比較と言った空間的な比較を行うために、現状では、医師がその情報を分散した装置から取得し、対応を取っている。

以上（１）〜（３）の課題により、医用画像データからの情報を診断、治療の各診療プロセスにおいて十分な有効活用ができない。

したがって本発明では、以上の点に鑑み、医用画像から得られた器官及び／又は疾患等の処理対象の情報と解剖学／機能的な医学的知識情報の関係を対応づけ、診断、治療の各診療プロセスで医用画像から得られた情報の有効利用を可能とすることを目的とする。

本発明の第１の解決手段によると、
医用画像情報システムであって、
器官についての解剖学的区分又は機能的区分を保持した医学知識データベースと、
グラフデータモデルを格納する格納部と、
グラフデータモデルを表示する表示部と、
処理部と
を備え、
前記処理部は、
処理対象の画像から、器官領域と、器官内の管領域を抽出し、
抽出した前記管領域を、管ノード及び管エッジに分割して、管グラフデータモデルを作成し、
抽出された前記器官領域を前記管領域に従い分割して得られた各領域を、管グラフデータモデルに対応させることで、各器官領域区分ノード間を器官領域区分エッジにより連結し、臓器器官領域区分グラフデータモデルを作成し、
前記医学知識データベースに記憶された器官領域の解剖学的区分又は機能的区分に基づき、各機能的区分ノード間を機能的区分エッジにより連結し、解剖学／機能的グラフデータモデルを作成し、
管グラフデータモデル及び／又は器官領域区分グラフデータモデルと、解剖学／機能的グラフデータモデルとを対応づけて、統合グラフデータモデルを作成し、
管グラフデータモデル、器官領域区分データモデル、解剖学／機能的データモデル、及び／又は、統合グラフデータモデルを、前記格納部に保存及び／又は前記表示部に表示する
ことを特徴とする医用画像情報システムが提供される。

本発明の第２の解決手段によると、
医用画像情報処理方法であって、
処理対象の画像から、器官領域と、器官内の管領域を抽出し、
抽出した前記管領域を、管ノード及び管エッジに分割して、管グラフデータモデルを作成し、
抽出された前記器官領域を前記管領域に従い分割して得られた各領域を、管グラフデータモデルに対応させることで、各器官領域区分ノード間を器官領域区分エッジにより連結し、臓器領域区分グラフデータモデルを作成し、
器官についての解剖学的区分又は機能的区分を保持した医学知識データベースに記憶された器官領域の解剖学的区分又は機能的区分に基づき、各機能的区分ノード間を機能的区分エッジにより連結し、解剖学／機能的グラフデータモデルを作成し、
管グラフデータモデル及び／又は器官領域区分グラフデータモデルと、解剖学／機能的グラフデータモデルとを対応づけて、統合グラフデータモデルを作成し、
管グラフデータモデル、器官領域区分データモデル、解剖学／機能的データモデル、及び／又は、統合グラフデータモデルを、格納部に保存及び／又は表示部に表示する
ことを特徴とする医用画像情報処理方法が提供される。

本発明の第３の解決手段によると、
医用画像情報処理プログラムであって、
処理部が、処理対象の画像から、器官領域と、器官内の管領域を抽出するステップと、
処理部が、抽出した前記管領域を、管ノード及び管エッジに分割して、管グラフデータモデルを作成するステップと、
処理部が、抽出された前記器官領域を前記管領域に従い分割して得られた各領域を、管グラフデータモデルに対応させることで、各器官領域区分ノード間を器官領域区分エッジにより連結し、臓器領域区分グラフデータモデルを作成するステップと、
処理部が、器官についての解剖学的区分又は機能的区分を保持した医学知識データベースに記憶された器官の解剖学的区分又は機能的区分に基づき、各機能的区分ノード間を機能的区分エッジにより連結し、解剖学／機能的グラフデータモデルを作成するステップと、
処理部が、管グラフデータモデル及び／又は器官領域区分グラフデータモデルと、解剖学／機能的グラフデータモデルとを対応づけて、統合グラフデータモデルを作成するステップと、
処理部が、管グラフデータモデル、器官領域区分データモデル、解剖学／機能的データモデル、及び／又は、統合グラフデータモデルを、格納部に保存及び／又は表示部に表示するステップと
をコンピュータに実行させるための医用画像情報処理プログラムが提供される。

本発明によると、医用画像から得られた器官及び／又は疾患等の処理対象の情報と解剖学／機能的な医学的知識情報の関係を対応づけ、診断、治療の各診療プロセスで医用画像から得られた情報の有効利用を可能とすることができる。

本発明の医用画像情報システムの実施形態の構成の一例を示す概要図である。 本発明の医用画像情報システムの実施形態における処理の流れの一例を示す図である。 本発明の医用画像情報システムの実施形態における画像処理／画像処理フローの流れの一例を示す図である。 本発明の医用画像情報システムの実施形態における画像処理／画像処理フローに基づくグラフデータモデルの作成の一例を示す図である。 本発明の医用画像情報システムの実施形態における解剖学的医学知識に基づくグラフデータモデルの一例を示す図である。 本発明の医用画像情報システムの実施形態におけるグラフデータモデルと解剖学的グラフデータモデルを比較、作成する方法の一例を示す図である。 本発明の医用画像情報システムの実施形態における統合グラフデータモデルの概要を示す図である。 本発明の医用画像情報システムの実施形態における統合グラフデータモデルを比較する概要を示す図である。 本発明の医用画像情報治療システムの実施形態におけるグラフデータモデルを表示する画面の一例を示す図である。 本発明の医用画像情報システムの実施形態におけるグラフデータを利用する実施形態の構成の一例を示す概要図である。 本発明の医用画像情報システムの実施形態におけるグラフデータを統計処理する流れの一例を示す図である。 本発明の医用画像情報システムの実施形態におけるグラフデータを機械学習する流れの一例を示す図である。 本発明の医用画像情報システムの実施形態におけるグラフデータの機械学習の処理概要を示す図である。

Ａ．概要

本実施形態では、例えば、
医用画像情報システムであって、
医用画像が保存、蓄積されている画像サーバとネットワークで接続され、前記画像サーバから画像を取得し、画像処理をおこなう画像処理部、
画像から得られた情報からグラフ構造のグラフデータモデルを作成するグラフデータモデル作成部、
解剖学／機能的医学知識を保存、蓄積した解剖学／機能的医学知識データベース、
前記グラフデータモデルと解剖学／機能的医学知識に基づくグラフ構造のグラフデータモデルとを比較する比較部、及び、比較したグラフデータモデルを統合する統合部を備えるグラフデータモデル処理部、
統合グラフデータモデルを格納するグラフデータ格納部、
グラフデータモデルを表示用に処理する表示処理部、
グラフデータモデルを表示する表示部、
操作者の指示を入力するための入力部、
を有することを特徴とする医用画像情報システムを提供することができる。

本発明の実施形態によると、
医用画像情報システムであって、
医用画像から器官又は疾患等の処理対象に関わる情報を抽出する画像処理部と、
解剖学／機能的医学知識を保持した医学知識データベースと、
抽出した画像情報をグラフ構造型データに変換するグラフデータモデル作成部と、
前記データを格納するグラフデータ格納部と、
前記データを比較する比較部と、
前記データを統合する統合部と
前記記録されたデータを表示する表示部と、
を備え、前記画像処理部は医用画像診断装置から得られた画像から情報を取得、また前記グラフデータモデル作成部は前記情報を格納したグラフ構造型データに変換、また前記比較部は解剖学／機能的医学知識のグラフ構造型データと比較、また前記統合部は前記グラフ構造型データを統合した統合グラフ構造型データを作成、また前記表示部は統合グラフ構造型データを表示する、ことを特徴とする医用画像情報システムを提供することができる。

また、本実施形態によると、
医用画像情報システムにおけるデータモデル作成方法であって、
前記医用画像情報システムは、
医用画像から臓器又は疾患等の処理対象に関わる情報を抽出する画像処理部と、
解剖学／機能的医学知識を保持した医学知識データベースと、
抽出した画像情報をグラフ構造型データに変換するグラフデータモデル作成部と、
前記記録されたデータを表示する表示部と、
を備え、前記グラフデータモデル作成部は、
前記画像処理部の処理手順と、前記医学知識データベースに基づき、前記医用画像からの相互関係を付与したグラフ構造型データを作成することを特徴とするデータモデル作成方法を提供することができる。

Ｂ．実施形態

以下、本発明の医用画像情報システムの実施形態を、図面を用いて説明する。

図１は、本発明の医用画像情報システムの実施形態の構成の一例を示す図である。医用画像情報システム１０１は、画像サーバ１０２を備え、医用画像情報システム１０１は、ネットワークを介して画像サーバ１０２と接続されている。

画像サーバ１０２は、例えば、ＣＴ画像、ＭＲＩ画像、ＰＥＴ画像、超音波画像と言った様々な医用画像を保存する。これら画像及び情報のネットワークを介した通信や保存は、例えば、医療分野にて一般的に使用されているＤＩＣＯＭフォーマットを用いることにより、容易に実現可能である。

医用画像情報システム１０１は、処理部１５０、解剖学／機能的医学知識を保存・蓄積した解剖学／機能的医学知識データベース（ＤＢ）１０５、統合グラフデータモデルを格納するグラフデータ格納部１０９、グラフデータモデルを表示する表示部１１１、操作者の指示を入力するための入力部１１２、を備える。
処理部１５０は、画像サーバから画像を取得し、画像処理をおこなう画像処理部１０３、画像から得られた情報からグラフ構造のグラフデータモデルを作成するグラフデータモデル作成部１０４、前記グラフデータモデルと解剖学／機能的医学知識に基づくグラフ構造のグラフデータモデルとを比較する比較部１０７と比較したグラフデータモデルを統合する統合部１０８とを備えるグラフデータモデル処理部１０６、グラフデータモデルを表示用に処理する表示処理部１１０、を備える。
入力部１１２は、医用画像情報システム１０１に対し表示部１１１上に表示されたユーザーインターフェースを通して指示を与えるための手段であり、一般的にはキーボードやマウス等である。また、ユーザーインターフェースとしてはグラフィカルユーザーインタフェース（ＧＵＩ）が良く用いられる。
表示部１１１は、グラフデータ格納部１０９に保存されたグラフデータモデルを表示し、グラフデータモデル内の情報（詳細はご術）を医療従事者等に提供し、情報へのアクセスを容易にする。

図２は、本発明の医用画像情報システムの実施形態における処理の流れの一例を示す図である。
図２において、まず医用画像情報システム１０１では、画像処理部１０３により、処理対象の画像を画像サーバ１０２からネットワークを介して読み込む（ステップ２０１）。
なお、処理対象の画像は、あらかじめＣＴ、ＭＲＩ、ＰＥＴと言った３次元断層撮像装置や他の撮像装置によって撮像しておき、画像サーバ１０２に保存しておく。
画像処理部１０３において、取得した画像に対し、画像処理又は複数の画像処理を組合せた画像処理フローを実行する（ステップ２０２）。

図３は、本発明の医用画像情報システムの実施形態における画像処理／画像処理フローの流れの一例を示す図である。
画像処理部１０３における、画像処理フローの一例として、腹部の３次元画像における肝臓及び肝腫瘍に対する処理について、図３を用いて説明する。
まず、画像処理部１０３は、領域抽出を行う画像処理アルゴリズムにて、肝臓領域を抽出する（ステップ３０１）。肝臓を抽出する画像処理アルゴリズムは、一般的に良く知られている、レベルセット法、グラフカット法など、任意の画像処理アルゴリズムにより実行可能である。

次に、画像処理部１０３は、領域抽出を行う画像処理アルゴリズムにて、肝臓内の血管を抽出する（ステップ３０２）。血管を抽出する画像処理アルゴリズムは、一般的に良く知られている、リージョングローイング法など、任意の画像処理アルゴリズムにより実行可能である。
画像処理部１０３は、ステップ３０２で抽出した血管に対して、それらを分割する処理を実行する（ステップ３０３）。まず、画像処理部１０３は、ステップ３０２で抽出した領域から、分岐を認識する。分岐を認識するための方法は、例えば前述した血管を抽出した際に用いたリージョングローイング法で用いてシード・フィルアルゴリズムにおけるペイント・ルーチンにおいて、新たにシードが発生する部位は分岐があると判断できるため、抽出した結果から、分岐を認識することは容易である。血管全体は、分岐と、分岐を結ぶ血管の組合せであるため、血管全体を、分岐を境に分割することも可能である。以上のようにして血管領域を分割する。

次に、画像処理部１０３は、ステップ３０１で抽出した肝臓全体を領域に分割する（ステップ３０４）。一例として、肝臓を分割する方法で良くされた方法では、画像処理部１０３は、まずステップ３０２で抽出した血管を細線化処理する。画像処理部１０３は、一方ステップ３０３で認識した血管を分割した結果において、末端の血管、つまり分岐と分岐に挟まれていない部位を細線化した結果から線分を抽出する。次に、画像処理部１０３は、肝臓内の部位について複数存在する前記線分の内、距離が最小な領域をそれぞれ抽出することにより、肝臓領域を分割することが可能である。
次に、画像処理部１０３は、領域抽出を行う画像処理アルゴリズムにて肝臓内の腫瘍領域を抽出する（ステップ３０５）。腫瘍を抽出する画像処理アルゴリズムも、一般的に良く知られているレベルセット法等を用いることにより可能である。

図２に戻り、次に、グラフデータモデル作成部１０４は、画像処理もしくは画像処理フローに基づくグラフデータモデル１を作成する（ステップ２０３）。
図４は、本発明の医用画像情報システムの実施形態における画像処理／画像処理フローに基づくグラフデータモデルの作成の一例を示す図である。

グラフデータモデルを作成する手順について図４を用いて説明する。
まず、ステップ３０３の血管領域を分割した結果に対し、血管全体が、分岐と血管に分割がされているため、グラフデータモデル作成部１０４は、まず分岐をノードとして作成する。なお血管が始まる部位を特別な開始ノードとする。次に、グラフデータモデル作成部１０４は、末梢の血管をノードとして作成する。次に、グラフデータモデル作成部１０４は、分岐間の血管をエッジとし、分岐ノード間を結合する。グラフデータモデル作成部１０４は、この時開始ノードを起点に方向を規定することが可能なためこれらを付加することができる。エッジの方向は血流の流れと一致するため、血管が動脈系の場合には、開始ノードから分岐の方向に、静脈系の場合には、分岐から開始ノードの方向に設定可能である。グラフデータモデル作成部１０４は、さらに分岐ノードと末梢血管ノードをエッジで結合する。これも前述の通り、動脈系もしくは静脈系により方向を規定することが可能である。次に、グラフデータモデル作成部１０４は、血管グラフデータモデルにおける血管ノードに対して、任意のラベル、本実施例では、８本存在するため、Ｖ１からＶ８を付加する。さらに、グラフデータモデル作成部１０４は、抽出した領域のマスク情報や、第一分岐を基準としたその他の分岐の相対位置（実スケール距離）の情報等の各種特徴データを各ノード情報に付加すること、一方、血流の方向、血管の長さ（実スケール）、体積等の各種特徴データをエッジに付加することが可能である。以上のようにして、血管グラフデータモデルの作成が可能である。

一方、グラフデータモデル作成部１０４は、ステップ３０４の肝臓領域分割により得られた領域に関して、血管グラフデータモデルをベースに、肝臓領域区分グラフデータモデルを作成する。前述した通り、末梢の血管から肝臓領域を分割しているため、肝臓領域グラフデータモデル上では、血管ノードを肝臓領域に置換することが可能である。グラフデータモデル作成部１０４は、これらノードに対して、任意のラベル、本実施例では、Ｓ、Ｒ１からＲ８を付加する。グラフデータモデル作成部１０４は、領域ノードには、抽出した領域のマスク情報や体積・形状特徴量等の各種特徴データを付加することが出来る。以上のようにして、肝臓領域区分グラフデータモデルの作成が可能である。

さらに、グラフデータモデル作成部１０４は、ステップ３０５で抽出した腫瘍領域に関して、腫瘍ノードを作成する。グラフデータモデル作成部１０４は、このノードに対して、画像処理により画像から得られた特徴量（例えば大きさ、辺縁の特長、腫瘍内部の均一性と言った量）等の各種特徴データを付与することが可能である。また前述した通り、肝臓及び腫瘍は画像処理フローにて抽出されているため、肝臓のどの領域に存在するか、さらには、どの肝区域に存在するかを知ることは容易である。したがって、グラフデータモデル作成部１０４は、腫瘍ノードと腫瘍が存在する肝区域ノードをグラフ上で連結させる、すなわち肝臓領域区分グラフデータモデルに腫瘍ノードを導入することが可能である。
なお、グラフデータモデル１は、１つではなく、上記に示した通り、複数存在することもある。但し、同一の画像処理フローで処理を行っているため、それらグラフデータモデルにおける対応するノードやエッジは明らかであり、その対応を容易にとることが可能である。

次に、グラフデータモデル処理部１０６は、解剖学／機能的医学知識データベース１０４から解剖学／機能的医学知識に基づくグラフデータモデル２を取得する（ステップ２０４）。

図５は、本発明の医用画像情報システムの実施形態における解剖学的医学知識に基づくグラフデータモデルの一例を示す図である。
グラフデータモデル２について図５を用いて詳細に説明する。本実施例で対象の肝臓は、２本の血管から血液の供給を受けており、１本は栄養血管の役割を担う肝動脈、もう１本は機能血管の役割を担う門脈である。図５の肝区域分割の図に示す通り、肝臓の葉と区域は、解剖学的区分と機能的区分（機能的肝区域区分表）の２つの分け方があるが、臨床上は、機能的区分を用いることが多い。それは、肝臓が門脈による血行支配が強いためであり、肝臓内の門脈支配による区分を行う方法が臨床的に多く用いられている。図５の表に示したように、機能的区分により肝臓は５つの区域と８つの亜区域に分けられる。この図に基づき各ノードに、肝葉の分類（左葉、右葉）、区域（Ｃ、Ｌ、Ｍ、Ａ、Ｐ）、亜区域（Ｓ１〜Ｓ８）を割り振り、それらを連結したグラフデータモデルを作成することが可能である。グラフデータモデル処理部１０６は、以上のように解剖／機能的グラフデータモデルを作成する。

次に、グラフデータモデル処理部１０６において、比較部１０７が、画像処理フローに基づく前記グラフデータモデル１と解剖学／機能的医学知識に基づく前記グラフデータモデル２とを比較し（ステップ２０５）、統合部１０８が、前記グラフデータモデル１と前記グラフデータモデル２に基づく統合グラフデータモデルを作成する（ステップ２０６）。

図６は、本発明の医用画像情報システムの実施形態におけるグラフデータモデルと解剖学的グラフデータモデルを比較、作成する方法の一例を示す図である。
まず、グラフデータモデルを比較する方法について図６を用いて説明する。本実施例では、グラフデータモデル１は、肝臓領域区分グラフデータモデルであり、グラフデータモデル２は肝臓の解剖学／機能的グラフデータモデルである。図６に示すように、上記２つのデータは一見異なった形状に見えるが、グラフ構造の特長として、ノードとエッジの関係を維持したまま任意にその形状を変化させることが出来る。したがって、比較部１０７は、図６に示すようにグラフデータモデル２を変形させ、形状を比較、いわゆるグラフマッチングさせることにより、グラフデータモデル同士のノードとエッジの対応付けは可能である。その手順を以下に示す。

まず、比較部１０７は、グラフデータモデル１、グラフデータモデル２共に、グラフ構造であるため、グラフ構造の特徴から、グラフノード次数、いわゆるグラフの形状を比較することにより対応するノードを見つけることが可能である。したがって、比較部１０７は、図６に示すようにグラフデータモデル２は変形することは容易である。図６では、比較部１０７は、グラフデータモデル１の開始ノードＳ、分岐ノードまで対応するノードが見つけられる。しかし、グラフ次数のみでは、グラフデータモデル１の領域ノードの対応付けは出来ない場合があるため、次に、比較部１０７は、ノード及びエッジに格納されたデータを比較する。例えば、比較部１０７は、各エッジに血管の長さ、血管の体積等の特徴データを格納し、ノードには肝区分の体積、形状特徴量等の特徴データを格納しておき、その値を比較することで、例えばより近い値が格納されているエッジ同士や、ノード同士を対応付けが出来る。

なお画像処理の結果であるグラフデータモデル１に前記血管や領域の体積等を格納することは容易であるが、解剖学／機能的グラフデータに前記データを入れるには別途処理が必要であるため、その詳細については後述する蓄積データの利用の中で記述する。

以上のようにデータグラフモデル１とグラフデータモデル２を比較し、それらの対応付けを行うことが可能である。
上記対応付けを行うことにより、例えばグラフデータモデル１、すなわち肝臓領域区分データモデルにおいて、各肝区域のノードに対して付与していた任意のラベルＲ１からＲ８は、画像処理の結果としての単なるラベルであったが、グラフデータモデル２、すなわち解剖学／機能的グラフデータモデルにおいて、臨床的に意味を持つ肝区域の機能による分類ラベルＳ１からＳ８へ変換することが可能となる。

なお、本実施例では、ノードに対してラベリングし、臨床的に意味を持つラベルを付加可能な例を示したが、解剖学／機能的グラフモデルの各エッジに臨床的に意味を持つラベルを予め付加しておけば、ノードと同様エッジに対してもラベリングすることが可能である。

図７は、本発明の医用画像情報システムの実施形態における統合グラフデータモデルの概要を示す図である。
さらに、グラフデータモデル１とデータモデル２に基づく統合グラフデータモデルの作成方法について図７を用いて説明する。本実施例では、一例として、グラフデータモデル１は肝臓領域区分グラフデータモデルであり、これは前述した通り血管の分岐ノードと、肝区域ノードとその連結エッジから構成されている。また、一例として、グラフデータモデル２は解剖学／機能的グラフデータモデルであり、臨床的に意味のある機能区分とその連結エッジから構成されている。またこれらは前述したようにグラフデータモデル間の比較により、その対応が明確になっている。したがって、統合部１０８は、その対応を基に、血管分岐ノード、解剖学／機能的グラフデータモデルに基づいた肝臓領域区分ノード、及び腫瘍ノードとそれら連結エッジからなる統合グラフデータモデルを作成可能である。腫瘍ノードは、前述したような臨床データマスタや画像データマスタを、血管分岐ノードは前述したような第一分岐を基準とした分岐位置データマスタを保持している。以上のように、統合部１０８は、統合グラフデータモデルを作成する。

なお、本実施例では、上記に示したような構成の統合グラフデータモデルを構築したが、この構成は目的に応じて変更することが可能であり、また一つのグラフデータモデルではなく、複数のグラフデータモデルを作成することが可能である。

グラフデータモデル処理部１０６は、作成した統合グラフデータモデル１をグラフデータ格納部１０９に保存する（ステップ２０７）。

なお、グラフデータモデル処理部１０６は、統合グラフデータモデル以外に、血管グラフデータモデル、肝臓領域区分グラフデータモデル、解剖学／機能的グラフデータモデルのいずれかひとつ又は複数を、グラフデータ格納部１０９に保存するようにしてもよい。また、保存するタイミングはステップ２０７に限らず、適宜のタイミングとすることができる。また、各グラフデータモデルを保存する際、グラフデータモデルを識別するために、患者、臓器、疾患等の適宜の識別情報を付加して保存する。

次に、同一患者における異なる時刻に撮像した画像データを比較する方法の詳細を説明する。
まず、表示処理部１１０は、前述した統合グラフデータモデル１に対し、グラフデータ格納部１０９より同一患者における過去の統合グラフデータモデル０を取得し（ステップ２０８）、２つの統合グラフデータモデルを比較する（ステップ２０９）。

図８に統合グラフデータモデルに格納されたデータ例を示す。腫瘍ノードに注目すると、各腫瘍ノードには格納データマスタが存在し、臨床データや画像データが格納されている。それぞれの腫瘍ノードは、この例では時刻ｔ０では肝区域Ｓ５にＴ０が、時刻ｔ１ではＳ５にはＴ１−２、Ｓ７にＴ１−１が存在している。つまりｔ０からｔ１の間に腫瘍数が増えているが、本実施形態では、それぞれの腫瘍ノードを肝区域に結合したグラフ構造のため、容易に腫瘍Ｔ０とＴ１−２が比較可能であり、Ｔ１−１が新規腫瘍であることが分かる。
表示処理部１１０は、比較した結果を、表示部１１１に表示する（ステップ２１０）。

図９に統合グラフデータモデルの比較結果の例を示す。グラフの特長として、直感的で分かりやすい事があるため、統合グラフデータモデル０及び統合グラフデータモデル１をそのまま表示することが可能である。また、入力部１１２により、多々追えば、腫瘍ノードＴ０をマウスポインタにて画像上でクリックすることで、表示処理部１１０は、ノードに含まれる情報を表示することが可能である。前述した通り腫瘍Ｔ０に対応する腫瘍がＴ１−２であることがグラフ構造から容易に分かるため、前記腫瘍Ｔ０ノードをクリックするのみで、図９に示したような変化量を容易に表示することが可能である。このように操作者は、統合グラフデータモデルに容易にアクセスが可能であり、またデータの比較が容易になる。
なお、表示処理部１１０は、比較結果を、比較結果を特定するための識別情報とともにグラフデータ格納部１０９に格納するようにしてもよい。

図９では統合グラフデータモデルのみを表示した例を示したが、統合グラフデータモデルと作成に用いた画像を並べて表示する、もしくは画像のボリュームレンダリング像にオーバーラップさせて表示しても良い。また、３つ以上の時刻における複数のグラフデータモデルを表示しても良い。

（グラフデータの利用）
本発明の医用画像情報システムの実施形態で蓄積したグラフデータの利用方法について図１０から図１３を用いて説明する。ここでは主に蓄積したグラフデータを用いて解剖学／機能的医学知識グラフデータモデルを更新し、前述したグラフマッチングをより高精度に実行可能とする実施例について記載する。

図１０は、本発明の医用画像システムの実施形態において蓄積したグラフデータを利用する構成の一例を示す図である。医用画像システム１０１は、グラフデータ処理部１００１を備え、またグラフデータ処理部１００１は、統計処理部１００２及び／又は機械学習部１００３を備える。

（蓄積したグラフデータを統計処理することによる、グラフデータモデルの比較精度の向上）

図１１は、本発明の医用画像情報システムの実施形態における蓄積したグラフデータを統計処理して利用する手順を示す図である。
図１１において、まず医用画像情報システム１０１では、グラフデータ処理部１００１の統計処理部１００２は、グラフデータ格納部１０９より、同一モデル（例えば、肝臓等の特定臓器、特定臓器の特定疾患等）の複数のグラフデータを取得する（ステップ１１０１）。統計処理部１００２は、取得した複数のグラフデータから、注目する同一のノードやエッジに格納されたデータを取得する（ステップ１１０２）。同一モデルであるため、例えば前述した実施例のように肝区域ノードＳ１からデータを取得することは容易である。統計処理部１００２は、複数のグラフデータから取得したノード及び／又はエッジの特徴データに対し、統計処理部１００２にて統計処理し、その特徴データの平均値、分散値、最大値、最小値などの統計データを計算する（ステップ１１０３）。統計処理部１００２は、これら統計データをノード及び／又はエッジに対応して解剖学／機能的医学知識ＤＢ１０５内の解剖学／機能的医学知識ＤＢ１０５に格納する（ステップ１１０４）。ここで求めた統計データは、複数のデータから作成したいわゆる統計モデルである。例えば、前述した肝区域ノードの体積の平均値が格納されていて、統計処理部１００２は、解剖学／機能的医学知識グラフデータモデルと画像処理により生成されたグラフデータモデルのグラフマッチングをする際に、前記値を比較して、より近い値のノード及び／又はエッジとマッチングすることで、マッチング精度を向上することが可能となる。

（蓄積したグラフデータを機械学習し、グラフデータモデル比較部を更新することによる、比較精度の向上）

図１２は、本発明の医用画像情報システムの実施形態における蓄積したグラフデータを機械学習して利用する手順を示す図である。
図１２において、まず医用画像情報システム１０１では、グラフデータ処理部１００１の機械学習部１００３は、グラフデータ格納部１０９より、同一モデル（例えば肝臓等の特定臓器、特定臓器の特定疾患等）の複数のグラフデータを取得する（ステップ１２０１）。機能学習部１００３は、取得した複数のグラフデータから、注目する同一のノードやエッジに格納された特徴データを取得する（ステップ１２０２）。機能学習部１００３は、取得したノードやエッジに格納された特徴データを用いて、グラフデータ処理部１００１の機械学習部１００３にて機械学習をする（ステップ１２０３）。

このステップ１２０３における機械学習法は、いくつか提案されているが、一例として、ここでは機械学習の一手法であるＡｄａｂｏｏｓｔアルゴリズムを用いて説明する。なお、機能学習部１００３は、他の機械学習、ニューラルネットワーク等の適宜の学習法を用いてもよい。
一般に、Ａｄａｂｏｏｓｔによる学習では、逐次的に学習サンプルの重みを変化させ、弱識別器と呼ばれる異なる識別器を作り、それらを組合せた強識別器を得る。単純で弱い識別器を逐次的に学習する、つまり重みを更新することにより精度を向上させる手法である。

入力パターンｘに対し、Ｔ個の弱識別器ｈｔ（ｘ）から学習することにより求まる強識別器Ｈｔ（ｘ）は、次式（１）で表わされる。

但し、αｔは信頼度で、Ｔは識別器の数である。
このようにＴ個の弱識別器ｈｔ（ｘ）を信頼度αｔで重み付けて結合することにより強識別器が構成される。

また弱識別器ｈｔ（ｘ）は、次式（２）で設計することが一般的である。

但し、ｚ（ｘ）はある数値の参照値、ｐは符号の向きを表すパリティ、θは閾値を表す。

弱識別器ｈｔ（ｘ）は、ある数値が設定した閾値より大きい場合、つまり識別ができている場合には１を、閾値より小さい場合、つまり識別できない場合にはー１を返す関数である。もちろんパリティにより符号の向きを変更し、その逆（閾値よりも小さい）が成り立つような場合も可能である。

本実施形態では、注目するノード及びエッジに格納された数値（格納量）から弱識別器を設計し、それらから強識別器を作成する。その詳細を、以下に図面を用いて説明する。
図１３は、本発明の医用画像情報システムの実施形態におけるグラフデータの機械学習の処理概要を示す図である。

ここでは、グラフデータベースから取得したグラフデータがＮ個存在する、つまり学習サンプルがＮ個集まった状況を考える。
前述した通り、ノードやエッジの格納量として、血管の体積、血管の長さ、肝区域の体積などがあげられる。ここでは、前述した格納量がＴ個存在するものとし、そのうちの一つの格納量をｚとする。
ステップ１２０２で取得したグラフデータはＮ個存在するため、注目するノードの格納量に関する閾値θが求まる。このθを満たす率が高い場合には信頼度αｔが高くなり、その特徴量が表す弱識別器の信頼度αｔは高くなる。これらを弱識別器Ｔ個繰り返して行うことにより、各弱識別器の信頼度αｔが更新される。
このようにして求めた弱識別器を図１３に示すように信頼度αｔで重み付けて多数決をとることによって強識別器Ｈｔ（ｘ）を求める。

次に、この信頼度αｔの求め方について説明する。
Ｍ個の学習サンプル（特徴量）が与えられた場合の学習手順を以下に示す。
まず、各サンプルの重みＤｔ（ｔ＝１、…、Ｔ（Ｔは弱識別器の数））は、すべてのサンプルに均等として、Ｄｔ＝１／Ｍで初期化する。
サンプルは、「正」もしくは「誤り」のどちらかの情報を保持している（正解データあるいは不正解データ）ため、次にサンプルに基づき、そのうちの誤りサンプルの重みの和がサンプルに対する誤り率εｔを次式（３）により演算する。

但し、ｉはサンプル番号、Ｄｔはサンプルの重みである。
この誤り率εｔは、例えば２つのクラスの識別を行う場合、適当に割り振っても誤り率は０．５である。この誤り率を用いて、信頼度αｔを次式（４）により求める。

すなわち、誤り率が大きいほど信頼度αｔの値は小さくなり、逆に誤り率が小さいほど信頼度αｔの値は高くなる。
次にサンプルの重みＤｔを次式（５）により更新する。

弱識別器で正しく識別出来たサンプルについては重みが小さくなり、間違えたサンプルに関しては重みが大きくなる。
これらを弱識別器の数Ｔ個に関して繰り返すことにより学習サンプルに対する信頼度αｔを求めることが可能である。

このようにグラフデータに格納された格納量について機械学習することにより、注目するノードもしくはエッジ内の領域や血管が持つ特徴的な格納量が求まり、それらを識別するための強識別器が作成できる。
機械学習部１００３は、これらをグラフデータモデル内の各ノード、エッジに関して繰り返し行い、それぞれの強識別器を作成する。

機械学習部１００３は、以上のように機械学習で求めた、強識別器を解剖学／機能的知識グラフデータモデルに格納し、解剖学／機能的知識データベース１０５に保存する（ステップ１２０４）。

以上の流れにより、解剖学／機能的グラフデータモデルと画像から得られたグラフデータモデルを比較する際、画像から得られたグラフデータモデルの注目するノードもしくはエッジに格納された数値を、解剖学／機能的グラフデータモデル内のノードもしくはエッジ内の強識別器に適用し、一致するかを識別することで、より精度の高いグラフマッチングが可能になる。

上述の実施形態では、画像のフォーマット（データ形式）にＤＩＣＯＭフォーマットを使用しているが、もちろん他のフォーマット、例えばＪＰＥＧ画像やビットマップ画像等のフォーマットを用いることができる。
更に、画像サーバ１０２にデータファイルを保存するような構成を取っているが、治療計画装置１０１と位置決めシステム１０４とが直接通信し、データファイルを交換しても良い。
また、ネットワークによるデータファイル等の通信を用いる形態を説明したが、データファイルの交換手段として他の記憶媒体、例えばフレキシブルディスクやＣＤ−Ｒ等の大容量記憶媒体を用いても良い。

本実施形態によれば、医用画像から、画像処理／画像処理フローにより器官又は疾患等の処理対象に関わる情報を抽出、前記情報のグラフデータモデルを作成、グラフデータモデルを比較可能な（さらに、必要に応じて、統計処理及び／又は学習処理可能な）医用画像情報システム、医用画像情報処理方法及びプログラムを提供することができる。

特に本実施形態では、画像処理もしくはさまざまな画像処理を組合せた画像処理フローを実行可能とすることにより、診療時に必要な、さまざまな情報を取得可能となる。

また、画像処理フローにより得られた情報と解剖学／機能的医学知識を格納するためのグラフ構造を特徴としたデータモデルを提供することにより、得られた情報を一括して保存可能となる。特に画像から得られた情報と解剖学／機能的医学知識を比較し、それら情報を融合した統合グラフデータモデルを提供することが可能となる。

さらに、統合グラフデータモデルを用いて、同一患者の別時刻におけるデータの比較した結果を診断に提供する、別患者の同一部位の疾患に関して機械学習することにより、新たなデータモデルを治療方針決定や治療計画に提供することが可能となる。

なお、本発明及び本実施形態は、肝臓の他、胃、心臓、膵臓、腎臓、前立腺、大腸、胆嚢、肺、脳、脾臓、筋肉、又は他の臓器、又は、臓器の集合等の適宜の器官に適用できる。また、本発明及び本実施形態は、血管の他、尿道、胆管、気管、神経、骨、リンパ管（リンパ節を含む）、等の適宜の管に適用できる。本発明及び本実施形態は、腫瘍の他、血栓等の適宜の疾患に適用できる。

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれている。例えば、上記した実施例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、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例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。
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、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等の記録装置、又は、ＩＣカード、ＳＤカード、ＤＶＤ等の記録媒体に置くことができる。
また、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。実際には殆ど全ての構成が相互に接続されていると考えてもよい。

本発明の医用画像情報システム及び医用画像情報処理方法は、その各手順をコンピュータに実行させるための医用画像情報処理プログラム、医用画像情報処理プログラムを記録したコンピュータ読み取り可能な記録媒体、医用画像情報処理プログラムを含みコンピュータの内部メモリにロード可能なプログラム製品、そのプログラムを含むサーバ等のコンピュータ、等により提供されることができる。

１０１・・・医用画像情報システム、
１０２・・・画像サーバ、
１０３・・・画像処理部、
１０４・・・グラフデータモデル作成部
１０５・・・解剖学／機能的医学知識データベース、
１０６・・・グラフデータモデル処理部、
１０７・・・グラフデータモデル比較部、
１０８・・・グラフデータモデル統合部、
１０９・・・グラフデータ格納部、
１１０・・・表示処理部、
１１１・・・表示部、
１１２・・・入力部、
１００１・・・グラフデータ処理部
１００２・・・グラフデータ統計処理部
１００３・・・グラフデータ機械学習部

Claims (16)

1. 医用画像情報システムであって、
   器官についての解剖学的区分又は機能的区分を保持した医学知識データベースと、
   グラフデータモデルを格納する格納部と、
   グラフデータモデルを表示する表示部と、
   処理部と
   を備え、
   前記処理部は、
   処理対象の画像から、器官領域と、器官内の管領域を抽出し、
   抽出した前記管領域を、管ノード及び管エッジに分割して、管グラフデータモデルを作成し、
   抽出された前記器官領域を前記管領域に従い分割して得られた各領域を、管グラフデータモデルに対応させることで、各器官領域区分ノード間を器官領域区分エッジにより連結し、器官領域区分グラフデータモデルを作成し、
   前記医学知識データベースに記憶された器官領域の解剖学的区分又は機能的区分に基づき、各機能的区分ノード間を機能的区分エッジにより連結し、解剖学／機能的グラフデータモデルを作成し、
   管グラフデータモデル及び／又は器官領域区分グラフデータモデルと、解剖学／機能的グラフデータモデルとを対応づけて、統合グラフデータモデルを作成し、
   管グラフデータモデル、器官領域区分データモデル、解剖学／機能的データモデル、及び／又は、統合グラフデータモデルを、前記格納部に保存及び／又は前記表示部に表示する
   ことを特徴とする医用画像情報システム。
2. 請求項１に記載の医用画像情報システムであって、
   前記処理部は、
   器官内の疾患領域を抽出して、疾患ノードを作成し、
   疾患ノードと疾患が存在する器官領域区分ノードをグラフデータモデル上で連結させて、前記器官領域区分データモデル及び／又は前記統合グラフデータモデルに付加する
   ことを特徴とする医用画像情報システム。
3. 請求項２に記載の医用画像情報システムであって、
   前記処理部は、疾患ノードに対して、ラベルを付け、大きさ、辺縁の特長、疾患内部の均一性、又は、他の特徴データを付与し、グラフデータモデルに含めて前記格納部に格納することを特徴とする医用画像情報システム。
4. 請求項３に記載の医用画像情報システムであって、
   前記処理部は、
   管グラフデータモデル、器官領域区分データモデル、解剖学／機能的データモデル、及び／又は、統合グラフデータモデルを前記表示部にラベルと共に表示し、
   入力部により、疾患ノードが指定されると、指定されたノードに含まれる特徴データを前記格納部から読み取り、前記表示部に表示する
   ことを特徴とする医用画像情報システム。
5. 請求項１に記載の医用画像情報システムであって、
   前記処理部は、
   管ノードに対して、抽出した領域のマスク情報、第一分岐を基準としたその他の分岐の相対位置（実スケール距離）の情報、又は、他の特徴データを付加し、グラフデータモデルに含めて前記格納部に格納すること、
   及び／又は、
   管エッジに対して、流れの方向、管の長さ、体積又は他の特徴データを付加し、グラフデータモデルに含めて前記格納部に格納すること
   及び／又は、
   前記処理部は、器官領域区分ノードに対して、抽出した領域のマスク情報、体積、形状特徴量、又は他の特徴データを付加し、グラフデータモデルに含めて前記格納部に格納すること
   を特徴とする医用画像情報システム。
6. 請求項５に記載の医用画像情報システムであって、
   前記処理部は、グラフデータモデル同士のノードとエッジの対応付けを行うとき、前記特徴データを比較することで、より近い値のノード同士又はエッジ同士を対応付けることを特徴とする医用画像情報システム。
7. 請求項５に記載の医用画像情報システムであって、
   前記処理部は、同一モデルに対する複数のグラフデータのノード及び／又はエッジの複数の特徴データを取得し、複数の特徴データを統計処理した統計データを求め、グラフデータモデルのマッチングの際に、統計データを比較して、より近い値のノードと対応づけることを特徴とする医用画像情報システム。
8. 請求項５に記載の医用画像情報システムであって、
   前記処理部は、同一モデルに対する複数のグラフデータのノード及び／又はエッジの複数の特徴データを取得し、複数の特徴データにより学習した識別器を求め、グラフデータモデルの対応づけの際に、識別器を用いて、一致するかを識別することを特徴とする医用画像情報システム。
9. 請求項５に記載の医用画像情報システムであって、
   前記処理部は、
   管グラフデータモデル、器官領域区分データモデル、解剖学／機能的データモデル、及び／又は、統合グラフデータモデルを前記表示部に表示し、
   入力部により、管ノード又は器官領域ノードを指定されると、指定されたノードに含まれる特徴データを前記格納部から読み取り、前記表示部に表示する
   ことを特徴とする医用画像情報システム。
10. 請求項１に記載の医用画像情報システムであって、
    前記処理部は、
    抽出した管を細線化処理し、
    器官領域内の部位について複数存在する前記細線化処理した線分の内、部位と各線分との距離が最小となる部位と線分の組合せを求め、組合せが同一である部位領域をそれぞれ抽出することにより、器官領域を分割する
    ことを特徴とする医用画像情報システム。
11. 請求項１に記載の医用画像情報システムであって、
    管が始まる部位を特別な開始管ノードとし、
    末梢の管を管ノードとし、
    分岐間の管を管エッジとし、分岐管ノード間を結合し、
    分岐管ノードと末梢管ノードを管エッジで結合し、
    管グラフデータモデルにおける管ノードに対して、任意のラベルを付加する
    ことを特徴とする医用画像情報システム。
12. 請求項１に記載の医用画像情報システムであって、
    前記処理部は、
    同一患者ＩＤにおける異なる時刻における複数の管グラフデータモデル、器官領域区分データモデル、解剖学／機能的データモデル、及び／又は、統合グラフデータモデルを取得し、
    複数のグラフデータモデル及び／又は複数のグラフデータモデルを比較した結果を、表示部に表示する
    ことを特徴とする医用画像情報システム。
13. 請求項２に記載の医用画像情報システムであって、
    前記器官は、肝臓、胃、心臓、膵臓、腎臓、前立腺、大腸、胆嚢、脳、肺、脾臓、筋肉、又は、他の臓器、又は、臓器の集合であり、
    前記管は、血管、リンパ管（リンパ節を含む）、気管、胆管、尿道、又は他の管であり、
    前記疾患は、腫瘍、血栓である
    ことを特徴とする医用画像情報システム。
14. 請求項１に記載の医用画像情報システムであって、
    前記処理部は、
    各管ノード及び／又はエッジ、及び各器官領域区分ノード及び／又はエッジ、及び各解剖学／機能的区分ノード及び／又はエッジに、ラベルを付け、
    管グラフデータモデル、器官領域区分データモデル、解剖学／機能的データモデル、及び／又は、統合グラフデータモデルを、前記格納部にラベルと共に保存及び／又は前記表示部にラベルと共に表示する
    ことを特徴とする医用画像情報システム。
15. 医用画像情報処理方法であって、
    処理対象の画像から、器官領域と、器官内の管領域を抽出し、
    抽出した前記管領域を、管ノード及び管エッジに分割して、管グラフデータモデルを作成し、
    抽出された前記器官領域を前記管領域に従い分割して得られた各領域を、管グラフデータモデルに対応させることで、各器官領域区分ノード間を器官領域区分エッジにより連結し、器官領域区分グラフデータモデルを作成し、
    器官についての解剖学的区分又は機能的区分を保持した医学知識データベースに記憶された器官領域の解剖学的区分又は機能的区分に基づき、各機能的区分ノード間を機能的区分エッジにより連結し、解剖学／機能的グラフデータモデルを作成し、
    管グラフデータモデル及び／又は器官領域区分グラフデータモデルと、解剖学／機能的グラフデータモデルとを対応づけて、統合グラフデータモデルを作成し、
    管グラフデータモデル、器官領域区分データモデル、解剖学／機能的データモデル、及び／又は、統合グラフデータモデルを、格納部に保存及び／又は表示部に表示する
    ことを特徴とする医用画像情報処理方法。
16. 医用画像情報処理プログラムであって、
    処理部が、処理対象の画像から、器官領域と、器官内の管領域を抽出するステップと、
    処理部が、抽出した前記管領域を、管ノード及び管エッジに分割して、管グラフデータモデルを作成するステップと、
    処理部が、抽出された前記器官領域を前記管領域に従い分割して得られた各領域を、管グラフデータモデルに対応させることで、各器官領域区分ノード間を器官領域区分エッジにより連結し、器官領域区分グラフデータモデルを作成するステップと、
    処理部が、器官についての解剖学的区分又は機能的区分を保持した医学知識データベースに記憶された器官領域の解剖学的区分又は機能的区分に基づき、各機能的区分ノード間を機能的区分エッジにより連結し、解剖学／機能的グラフデータモデルを作成するステップと、
    処理部が、管グラフデータモデル及び／又は器官領域区分グラフデータモデルと、解剖学／機能的グラフデータモデルとを対応づけて、統合グラフデータモデルを作成するステップと、
    処理部が、管グラフデータモデル、器官領域区分データモデル、解剖学／機能的データモデル、及び／又は、統合グラフデータモデルを、格納部に保存及び／又は表示部に表示するステップと
    をコンピュータに実行させるための医用画像情報処理プログラム。

Images