JP6326264B2 - 肺疾患判別プログラム、記録媒体及び肺疾患判別方法 - Google Patents

Description

本発明は、被験者の肺疾患の判別を行うための肺疾患判別プログラム等に関する。

従来、呼吸不全をきたす難治性呼吸器疾患に関する疫学調査研究が行われてきた(非特許文献１参照)。当該研究は１９７８年（昭和５３年）に始まり、現在も継続中の研究事業である。非特許文献１によれば、呼吸不全をきたす難治性の疾患のわが国における実体は不明な点が多いだけでなく、予防や治療法も統一されていないのが現状ということである。呼吸不全をきたす難治性の疾患には、心臓から肺に血液を送る肺動脈の血圧が高くなり、器質化した血栓により肺動脈が慢性的に閉塞を起こし、肺高血圧症を合併する慢性血栓塞栓性肺高血圧症（Chronic Thromboembolic Pulmonary Hypertension : ＣＴＥＰＨ。ＣＴＥＰと省略することもある。）、心臓と肺の機能に障害をもたらす原発性肺高血圧症（Primary Pulmonary Hypertension : ＰＰＨ）、肺動脈性肺高血圧症を呈する疾患の中で１０％以下といわれる極めて稀な疾患である肺静脈閉塞性疾患（Pulmonary Veno-occlusive Disease : ＰＶＯＤ）等がある（非特許文献２、３、４参照）。原発性肺高血圧症は最近の分類では肺動脈性肺高血圧症（Pulmonary Arterial Hypertension : ＰＡＨ）とするよう提唱されているが、本明細書ではＰＰＨとして取り扱う。

上述したＣＴＥＰ、ＰＰＨおよびＰＶＯＤは判別が困難であり、患者の死後に解剖しないと分からないと言われている。このため、生前に判別することが困難であるという問題があった。

そこで、本発明の目的は、上記問題を解決するためになされたものであり、患者の生前において、正常であるか、または呼吸不全をきたす難治性の疾患、特にＣＴＥＰ、ＰＰＨもしくはＰＶＯＤであるかを判別可能とする肺疾患判別プログラム等を提供することにある。

この発明の肺疾患判別プログラムは、被験者の肺疾患の判別を行うための肺疾患判別プログラムであって、コンピュータを、肺血流シンチグラフィにより得られた被験者の肺画像データを入力し、記録部に肺血流シンチグラムとして記録する肺画像データ入力手段、前記記録部に記録された肺血流シンチグラムを表示する肺血流シンチグラム表示手段、前記肺血流シンチグラム表示手段により表示された肺血流シンチグラムに対して、左右の肺別及び／又は両肺に所定の形状の関心領域を設定させる関心領域設定手段、前記関心領域設定手段により設定された関心領域における被験者の肺血流シンチグラムの形状に対し、フラクタル解析におけるボックスカウント法を適用してボックスカウント次元（フラクタル次元）を求める形状フラクタル処理手段、前記関心領域設定手段により設定された関心領域における被験者の肺血流シンチグラムの放射性同位元素のカウント値に対し、ピクセル毎に、最大のカウント値に対する該ピクセルのカウント値である濃度を求め、濃度の変化と該濃度以上のピクセル数との関係に対しボックスカウント法類似のピクセルカウント法を適用してボックスカウント次元類似のピクセルカウント次元を求める濃度フラクタル処理手段、前記形状フラクタル処理手段により求められたボックスカウント次元と前記濃度フラクタル処理手段により求められたピクセルカウント次元とに基づき、被験者の肺疾患を判別する肺疾患判別手段、
前記肺疾患判別手段により判別された判別結果を表示する判別結果表示手段として機能させるための肺疾患判別プログラムであって、前記肺疾患判別手段は、前記形状フラクタル処理手段により求められたボックスカウント次元及び前記濃度フラクタル処理手段により求められたピクセルカウント次元に基づき、前記肺画像データ入力手段により前記記録部に記録された被験者の肺血流シンチグラムを階層的に判別処理することにより、被験者の肺疾患の種類（正常を含む。）を判別する階層的判別手段を備えたことを特徴とする。

ここで、この発明の肺疾患判別プログラムにおいて、前記形状フラクタル処理手段が対象とする肺血流シンチグラムは、前記肺画像データ入力手段により前記記録部に記録された被験者の肺血流シンチグラムに対し所定の閾値で２値化された２値化画像データを含むことができる。

ここで、この発明の肺疾患判別プログラムにおいて、前記肺疾患の種類は、正常、原発性肺高血圧症、慢性血栓塞栓性肺高血圧症及び肺静脈閉塞性疾患であり、前記階層的判別手段は、前記関心領域設定手段により設定された関心領域について、左右の肺に対する前記ボックスカウント次元が共に所定の範囲内にある（好適には１．３２５より大きく１．４２より小さい）第一階層条件が成立する場合、被験者の肺疾患の種類を正常と判別する第一階層判別手段と、前記第一階層条件が成立しなかった場合、左右の肺に対する前記ピクセルカウント次元が共に所定の値（好適には０．２）以下である第二階層条件が成立する場合、被験者の肺疾患の種類を慢性血栓塞栓性肺高血圧症と判別する第二階層判別手段とを備えることができる。

ここで、この発明の肺疾患判別プログラムにおいて、前記階層的判別手段は、前記濃度フラクタル処理手段により求められた左右肺のピクセルカウント次元の比であって小さい方のピクセルカウント次元を分母とする比を算出するピクセルカウント次元左右比算出手段をさらに備え、前記第二階層条件が成立しなかった場合、前記ピクセルカウント次元左右比算出手段により算出されたピクセルカウント次元左右比が第一閾値（好適には、１．５９）以上である第三階層条件が成立する場合、被験者の肺疾患の種類を慢性血栓塞栓性肺高血圧症と判別する第三階層判別手段と、前記第三階層条件が成立しなかった場合、前記ピクセルカウント次元左右比算出手段により算出されたピクセルカウント次元左右比が第二閾値（好適には１．１）以上である第四階層条件が成立する場合は被験者の肺疾患の種類を原発性肺高血圧症と判別し、該第四階層条件が成立しない場合は被験者の肺疾患の種類を肺静脈閉塞性疾患と判別する第四階層判別手段とをさらに備えることができる。

ここで、この発明の肺疾患判別プログラムにおいて、前記階層的判別手段は、前記第四階層条件が成立しない場合、第一閾値および第二閾値の１以上を変化させた後、前記第三階層判別手段から繰り返させる繰返し手段をさらに備えることができる。

ここで、この発明の肺疾患判別プログラムにおいて、前記形状フラクタル処理手段がボックスカウント次元を求める際のボックスのサイズとボックス数との関係を示すグラフと、前記濃度フラクタル処理手段がピクセルカウント次元を求める際の濃度とピクセル数との関係を示すグラフとを表示するグラフ表示手段をさらに備えることができる。

この発明の肺疾患判別プログラムは、被験者の肺疾患の判別を行うための肺疾患判別プログラムであって、コンピュータを、肺血流シンチグラフィにより得られた被験者の肺画像データを入力し、記録部に肺血流シンチグラムとして記録する肺画像データ入力手段、前記記録部に記録された肺血流シンチグラムを表示する肺血流シンチグラム表示手段、前記肺血流シンチグラム表示手段により表示された肺血流シンチグラムに対して、左右の肺別及び／又は両肺に所定の形状の関心領域を設定させる関心領域設定手段、前記関心領域設定手段により設定された関心領域における被験者の肺血流シンチグラムの形状に対し、フラクタル解析におけるボックスカウント法を適用してボックスカウント次元（フラクタル次元）を求める形状フラクタル処理手段、前記関心領域設定手段により設定された関心領域における被験者の肺血流シンチグラムの放射性同位元素のカウント値に対し、ピクセル毎に、最大のカウント値に対する該ピクセルのカウント値である濃度を求め、濃度の変化と該濃度以上のピクセル数との関係に対しボックスカウント法類似のピクセルカウント法を適用してボックスカウント次元類似のピクセルカウント次元を求める濃度フラクタル処理手段、前記形状フラクタル処理手段により求められたボックスカウント次元と前記濃度フラクタル処理手段により求められたピクセルカウント次元とに基づき、被験者の肺疾患を判別する肺疾患判別手段、前記肺疾患判別手段により判別された判別結果を表示する判別結果表示手段として機能させるための肺疾患判別プログラムであって、前記肺疾患判別手段は、前記形状フラクタル処理手段により求められたボックスカウント次元及び前記濃度フラクタル処理手段により求められたピクセルカウント次元とを要素とする入力データベクトルを自己組織化マップ（Self-organizing Map : ＳＯＭ）法における２次元格子配列上のニューロンに提示して該肺血流シンチグラムにより示される肺疾患の種類を学習させる学習手段であって、該入力データベクトルと各ニューロンの参照ベクトルとの間で最小とする測度はユークリッド距離であるものと、前記学習手段により学習させた後の前記ＳＯＭ法における前記ニューロンに、他の被験者の肺画像データについて、前記肺画像データ入力手段、前記肺血流シンチグラム表示手段、前記関心領域設定手段、前記形状フラクタル処理手段及び前記濃度フラクタル処理手段を実行させて求められたボックスカウント次元とピクセルカウント次元とを要素とする入力データベクトルを提示して、該他の被験者のボックスカウント次元及びピクセルカウント次元により示される肺疾患の種類を判別させる判別手段とを備え、前記判別結果表示手段は、前記学習手段により学習された結果及び前記判別手段により判別された結果を２次元ＳＯＭマップとして表示することを特徴とする。

ここで、この発明の肺疾患判別プログラムにおいて、学習率は、誤差逆伝播法におけるシグモイド関数にボルツマンマシンにおける擬似焼きなまし法の温度を導入した関数に基づき計算し、学習誤差は、前記温度と前記判別手段により判別された結果とに基づき計算することができる。

この発明の記録媒体は、本発明のいずれかの肺疾患判別プログラムを記録したコンピュータ読取り可能な記録媒体である。

この発明の肺疾患判別方法は、コンピュータが、被験者の肺疾患の判別を実行する肺疾患判別方法であって、肺血流シンチグラフィにより得られた被験者の肺画像データを入力し、記録部に肺血流シンチグラムとして記録する肺画像データ入力ステップと、前記記録部に記録された肺血流シンチグラムを表示する肺血流シンチグラム表示ステップと、前記肺血流シンチグラム表示ステップで表示された肺血流シンチグラムに対して、左右の肺別及び／又は両肺に所定の形状の関心領域を設定させる関心領域設定ステップと、前記関心領域設定ステップで設定された関心領域における被験者の肺血流シンチグラムの形状に対し、フラクタル解析におけるボックスカウント法を適用してボックスカウント次元（フラクタル次元）を求める形状フラクタル処理ステップと、前記関心領域設定手段により設定された関心領域における被験者の肺血流シンチグラムの放射性同位元素のカウント値に対し、ピクセル毎に、最大のカウント値に対する該ピクセルのカウント値である濃度を求め、濃度の変化と該濃度以上のピクセル数との関係に対しボックスカウント法類似のピクセルカウント法を適用してボックスカウント次元類似のピクセルカウント次元を求める濃度フラクタル処理ステップと、前記形状フラクタル処理ステップで求められたボックスカウント次元と前記濃度フラクタル処理ステップで求められたピクセルカウント次元とに基づき、被験者の肺疾患を判別する肺疾患判別ステップと、前記肺疾患判別ステップで判別された判別結果を表示する判別結果表示ステップを備えたことを特徴とする肺疾患判別方法であって、
前記肺疾患判別ステップは、前記形状フラクタル処理ステップで求められたボックスカウント次元と前記濃度フラクタル処理ステップで求められたピクセルカウント次元とに基づき、前記肺画像データ人力ステップで前記記録部に記録された被験者の肺血流シンチグラムを階層的に判別処理することにより、被験者の肺疾患の種類（正常を含む。）を判別する階層的判別ステップを備えたことを特徴とする。

この発明の肺疾患判別方法は、コンピュータが、被験者の肺疾患の判別を実行する肺疾患判別方法であって、肺血流シンチグラフィにより得られた被験者の肺画像データを入力し、記録部に肺血流シンチグラムとして記録する肺画像データ入力ステップと、前記記録部に記録された肺血流シンチグラムを表示する肺血流シンチグラム表示ステップと、前記肺血流シンチグラム表示ステップで表示された肺血流シンチグラムに対して、左右の肺別及び／又は両肺に所定の形状の関心領域を設定させる関心領域設定ステップと、前記関心領域設定ステップで設定された関心領域における被験者の肺血流シンチグラムの形状に対し、フラクタル解析におけるボックスカウント法を適用してボックスカウント次元（フラクタル次元）を求める形状フラクタル処理ステップと、前記関心領域設定手段により設定された関心領域における被験者の肺血流シンチグラムの放射性同位元素のカウント値に対し、ピクセル毎に、最大のカウント値に対する該ピクセルのカウント値である濃度を求め、濃度の変化と該濃度以上のピクセル数との関係に対しボックスカウント法類似のピクセルカウント法を適用してボックスカウント次元類似のピクセルカウント次元を求める濃度フラクタル処理ステップと、前記形状フラクタル処理ステップで求められたボックスカウント次元と前記濃度フラクタル処理ステップで求められたピクセルカウント次元とに基づき、被験者の肺疾患を判別する肺疾患判別ステップと、前記肺疾患判別ステップで判別された判別結果を表示する判別結果表示ステップを備えたことを特徴とする肺疾患判別方法であって、前記肺疾患判別ステップは、前記形状フラクタル処理ステップで求められたボックスカウント次元と前記濃度フラクタル処理ステップで求められたピクセルカウント次元とを要素とする入力データベクトルを自己組織化マップ（Self-organizing Map : ＳＯＭ）法における２次元格子配列上のニューロンに提示して該肺血流シンチグラムにより示される肺疾患の種類を学習させる学習ステップであって、該入力データベクトルと各ニューロンの参照ベクトルとの間で最小とする測度はユークリッド距離であるものと、前記学習ステップで学習させた後の前記ＳＯＭ法における前記ニューロンに、他の被験者の肺画像データについて、前記肺画像データ入力ステップから前記濃度フラクタル処理ステップまで実行させて求められたボックスカウント次元とピクセルカウント次元とを要素とする入力データベクトルを提示して、該他の被験者のボックスカウント次元及びピクセルカウント次元により示される肺疾患の種類を判別させる判別ステップとを備え、前記判別結果表示ステップは、前記学習ステップで学習された結果及び前記判別ステップで判別された結果を２次元ＳＯＭマップとして表示することを特徴とする。

本発明の肺疾患判別プログラム等によれば、肺画像データ入力部は肺血流シンチグラフィにより得られた被験者の肺画像データを入力し、記録装置に肺血流シンチグラムとして記録する。肺血流シンチグラム表示部は記録装置に記録された肺血流シンチグラムを表示装置に表示する。ＲＯＩ設定部は肺血流シンチグラム表示部により表示装置に表示された肺血流シンチグラムに対して、左右の肺別および／または両肺に所定の形状の関心領域（ＲＯＩ）を設定させる。肺疾患判別部は、形状フラクタル処理部により求められ記録装置のボックスカウント次元データべース（ＤＢ）に記録された被験者のボックスカウント次元と、濃度フラクタル処理部により求められ記録装置のピクセルカウント次元ＤＢに記録された被験者のピクセルカウント次元と基づき、被験者の肺疾患を判別する。判別結果表示部は、肺疾患判別部により判別された判別結果を表示装置に表示する。詳しくは、肺疾患判別部の形状フラクタル処理部は、ＲＯＩ設定部により設定されたＲＯＩにおける被験者の肺血流シンチグラムの形状に対し、フラクタル解析におけるボックスカウント法を適用してボックスカウント次元（フラクタル次元）を求める。濃度フラクタル処理部はＲＯＩ設定部により設定されたＲＯＩにおける被験者の肺血流シンチグラムの放射性同位元素のカウント値に対し、ピクセル毎に最大のカウント値に対する割合である濃度を求め、濃度の変化と当該濃度以上のピクセル数との関係に対しボックスカウント法類似のピクセルカウント法を適用してボックスカウント次元類似のピクセルカウント次元を求める。階層的判別部は形状フラクタル処理部により求められたボックスカウント次元および濃度フラクタル処理部により求められたピクセルカウント次元に基づき、肺画像データ人力部により記録装置に記録された被験者の肺血流シンチグラムを階層的に判別処理することにより、被験者の肺疾患の種類（正常を含む。）を判別する。階層的判別部の第一階層判別部は、ＲＯＩ設定部により設定されたＲＯＩについて、左右の肺に対するボックスカウント次元が共に１．３２５より大きく１．４２より小さい第一階層条件が成立する場合、被験者の肺疾患の種類をＮ（正常）と判別する。実際に検定に用いた４４症例のデータによれば、正常者のボックスカウント次元は約１．３２５〜１．４２の範囲に収まっていることがわかった。このため、第一階層条件により、正常（コントロールデータ）を除外することができる。第二階層判別部は第一階層条件が成立しなかった場合、左右の肺に対するピクセルカウント次元が共に０．２以下である第二階層条件が成立する場合、被験者の肺疾患の種類をＣＴＥＰ（慢性血栓塞栓性肺高血圧症）と判別する。実際に検定に用いた４４症例のデータによれば、ＣＴＥＰのピクセルカウント次元は０．２以下の範囲に収まっていることがわかった。従って、第二階層条件によりＣＴＥＰを確定することができる。第三階層判別部は第二階層条件が成立しなかった場合、ピクセルカウント次元左右比算出部３６により算出されたピクセルカウント次元左右比が第一閾値（所望の値で、例えば１．５９）以上である第三階層条件が成立する場合、被験者の肺疾患の種類をＣＴＥＰ（慢性血栓塞栓性肺高血圧症）と判別する。第四階層判別部は第三階層条件が成立しなかった場合、ピクセルカウント次元左右比算出部３６により算出されたピクセルカウント次元左右比が第二閾値（所望の値で、例えば１．１）以上である第四階層条件が成立する場合は被験者の肺疾患の種類をＰＰＨ（原発性肺高血圧症）と判別し、第四階層条件が成立しない場合は被験者の肺疾患の種類をＰＶＯＤ（肺静脈閉塞性疾患）と判別する。以上のように、本発明の肺疾患判別プログラムによれば、患者の生前において、正常であるか、または呼吸不全をきたす難治性の疾患、特にＣＴＥＰ、ＰＰＨもしくはＰＶＯＤであるかを判別可能とすることができるという効果がある。

肺疾患判別部は、形状フラクタル処理部により求められたボックスカウント次元および濃度フラクタル処理部により求められたピクセルカウント次元とを要素とする入力データベクトルを自己組織化マップ（ＳＯＭ）法における２次元格子配列上のニューロンに提示して当該肺血流シンチグラムにより示される肺疾患の種類を学習させる学習部と、学習部により学習させた後のＳＯＭ法におけるニューロンに、他の被験者の肺画像データについて、肺画像データ入力部、肺血流シンチグラム表示部、ＲＯＩ設定部、形状フラクタル処理部および濃度フラクタル処理部を実行させて求められたボックスカウント次元とピクセルカウント次元とを要素とする入力データベクトル（パターンＡ等）を提示して、当該他の被験者の肺血流シンチグラムの画像データにより示される他の被験者の肺疾患の種類を判別させる判別部９１とを備えている。判別結果表示部は、学習部により学習された結果および判別部により判別された結果を２次元ＳＯＭマップとして表示する。以上により、学習が終了すると、入力データベクトルと似たものは特定の肺疾患のグループに分類され、他の入力データベクトルと似たものは別の肺疾患のグループに分類される。つまり、勝者ニューロンの位置を２次元にプロットすることにより２次元ＳＯＭマップとして分類することができる。この結果、本発明の肺疾患判別プログラムによれば、患者の生前において、正常であるか、あるいは呼吸不全をきたす難治性の疾患、特にＣＴＥＰ、ＰＰＨおよびＰＶＯＤであるかを判別可能とすることができる。

本発明の実施例１における肺疾患判別プログラムをコンピュータに実行させるための環境１および肺疾患判別プログラムの機能ブロック２０を示す図である。 肺画像データ入力部２１により入力されたプラナーの例を示す図である。 肺画像データ入力部２１により記録装置１３に記録された肺血流シンチグラム１４を肺血流シンチグラム表示部２２が表示した例を示す図である。 図３に示された原画像（右肺画像データ５０Ｒ、左肺画像データ５０Ｌ）を所定の放射能濃度で２値化した２値肺血流シンチグラム（２値化右肺画像データ５０Ｒｂ、２値化左肺画像データ５０Ｌｂ）を示す図である。 プロットされた両対数グラフ（非特許文献５の図５．３）を示す図である。 横軸を濃度、縦軸をある濃度（閾値）以上の濃度を有するピクセル数（ｌｏｇピクセル数）としてプロットした場合の濃度の変化と当該濃度以上のピクセル数との関係を示す片対数グラフである。 検証に用いた４４症例のデータ表を示す図である。 図７に示されるデータに基づき作成した一元配置の分散分析表を示す図である。 検定に用いた４４症例について、各疾患とボックスカウント次元との関係を示すグラフである。 図９に示されるデータについて、上述したBonferroni/Dunnの多重比較検定を行った結果の表を示す図である。 検定に用いた４４症例について、各疾患とピクセルカウント次元との関係をグラフで示す図である。 図１１に示されるデータについて、上述したBonferroni/Dunnの多重比較検定を行った結果の表を示す図である。 階層的判別部３０の機能を階層的に示す図である。 本発明の実施例１における肺疾患判別プログラムの機能および肺疾患判別方法の処理の流れを示すフローチャートである。 上述した階層的判別ステップ（ステップＳ３０）の詳細な処理の流れを示すフローチャートである。 図７に示される検定に用いた４４症例のデータの詳細を示す図である。 図１６に示されるデータに基づく度数グラフおよび度数累積グラフを示す図である。 ４４症例のデータに基づく度数グラフおよび度数累積グラフを示す図である。 ＣＴＥＰＨ０１の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す図である。 ＣＴＥＰＨ０２の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す図である。 ＣＴＥＰＨ０３の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す図である。 ＣＴＥＰＨ０４の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す図である。 ＣＴＥＰＨ０５の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す図である。 ＣＴＥＰＨ０６の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す図である。 ＣＴＥＰＨ０７の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す図である。 Ｎ０１の被験者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す図である。 Ｎ０２の被験者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す図である。 Ｎ０３の被験者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す図である。 Ｎ０４の被験者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す図である。 Ｎ０５の被験者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す図である。 Ｎ０６の被験者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す図である。 ＰＰＨ０１の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す図である。 ＰＰＨ０２の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す図である。 ＰＰＨ０３の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す図である。 ＰＰＨ０４の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す図である。 ＰＶＯＤ０２の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す図である。 ＰＶＯＤ０３の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す図である。 ＰＶＯＤ０４の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す図である。 ＰＶＯＤ０５の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す図である。 ＰＶＯＤ０６の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す図である。 ＣＴＥＰ０１の患者の肺血流シンチグラムについて、全肺野にＲＯＩを設定した場合における本発明の肺疾患判別プログラムを実行させた結果を示す図である。 Ｎ０１の被験者の肺血流シンチグラムについて、全肺野にＲＯＩを設定した場合における本発明の肺疾患判別プログラムを実行させた結果を示す図である。 ＰＰＨ０１の患者の肺血流シンチグラムについて、全肺野にＲＯＩを設定した場合における本発明の肺疾患判別プログラムを実行させた結果を示す図である。 ＰＶＯＤ０２の患者の肺血流シンチグラムについて、全肺野にＲＯＩを設定した場合における本発明の肺疾患判別プログラムを実行させた結果を示す図である。 本発明の実施例２における肺疾患判別プログラムおよび肺疾患判別方法の処理の流れを示すフローチャートである。 本発明の実施例３におけるＣＴＥＰＨ０１の患者の肺血流シンチグラムについて、全肺野に他の形状のＲＯＩを設定した場合における本発明の肺疾患判別プログラムを実行させた結果を示す図である。 本発明の実施例４における肺疾患判別プログラムをコンピュータに実行させるための環境４および肺疾患判別プログラムの機能ブロック２０’を示す図である。 判別結果表示部２５’が表示装置１１に表示した２次元ＳＯＭマップ等を示す図である。 図４８の小さい丸１０４等を説明するための図である。 図４８の小さい丸１０４等を説明するための図である。 本発明の実施例４における肺疾患判別プログラムおよびコンピュータが被験者の肺疾患の判別を実行する肺疾患判別方法の処理の流れを示すフローチャートである。 本発明の実施例４における肺疾患判別プログラム等が実行した学習結果（学習１０回毎の学習状況）を示す図である。 学習用の入力データベクトルの要素であるボックスカウント次元とピクセルカウント次元とを併記した別の学習状況表を示す図である。 図５３に示される別の学習状況により学習させた後のＳＯＭに対して種々の肺疾患のパターンを入力させた場合の分類結果を示す図である。 本発明の肺疾患判別プログラムを実行するコンピュータ１０の内部回路１８０を示すブロック図である。

以下、各実施例について図面を参照して詳細に説明する。

図１は、本発明の実施例１における肺疾患判別プログラムをコンピュータに実行させるための環境１および肺疾患判別プログラムの機能ブロック２０を示す。図１で、符号１０は被験者の肺疾患の判別を行うための本発明の肺疾患判別プログラムを実行するパーソナルコンピュータ等のコンピュータ、１１はコンピュータ１０のディスプレイ等の表示装置、１２は放射性医薬品が投与された被験者の体内（肺）から放射性医薬品の分布を検出して画像化を行う肺シンチグラフィを行う際に用いられる撮像装置、１３は撮像装置１２により撮像された被験者の肺画像データを記録したディスク等の記録装置である。本明細書では肺画像データとして、放射性医薬品を投与してから一定時間経過後のＳＰＥＣＴ画像（正面のみの静止画像であるプラナー）を例にとって説明する。しかし、本発明の肺疾患判別プログラム等は経時的な撮像で肺血流等の情報が得られる動態シンチグラフィに対しても適用可能である。

図１の機能ブロック２０に示されるように、符号２１は肺血流シンチグラフィにより得られた被験者のプラナーを入力し、記録装置（記録部）１３へ肺血流シンチグラム（原画像）１４および処理に応じて２値化肺血流シンチグラム１５として記録する肺画像データ入力部（肺画像データ入力手段）である。肺血流シンチグラム（原画像）１４と２値化肺血流シンチグラム１５との相違については後述する。

図２は、肺画像データ入力部２１により入力されたプラナーの例を示す。図２に示されるように、符号４０Ｒ、４０Ｌは各々被験者の右肺画像データ、左肺画像データである。原画では肺血流が良い個所から悪い個所へかけて赤、黄、緑、青の各色で表示分けされているが、図２では白黒で表示されており、肺血流が良い個所ほど明るく（例えば右肺画像データ４０Ｒの中央部等のように）示されている。

図１の機能ブロック２０に示されるように、符号２２は記録装置１３に記録された肺血流シンチグラム１４等を表示装置１１に表示する肺血流シンチグラム表示部（肺血流シンチグラム表示手段）、２３は肺血流シンチグラム表示部２２により表示装置１１に表示された肺血流シンチグラム１４等に対して、左右の肺別および／または両肺に所定の形状のＲＯＩ−Ｒ（関心領域）等を設定させるＲＯＩ設定部（関心領域設定手段）である。図３は、肺画像データ入力部２１により記録装置１３に記録された肺血流シンチグラム１４を肺血流シンチグラム表示部２２が表示した例を示す。図３で、符号５０Ｒ、５０Ｌは各々被験者の右肺血流シンチグラム、左肺血流シンチグラムであり、符号ＲＯＩ−Ｒは右肺血流シンチグラム５０Ｒ上に設定された関心領域（Region of Interest :ＲＯＩ）、ＲＯＩ−Ｌは左肺血流シンチグラム５０Ｌ上に設定されたＲＯＩである。図４は、図３に示された原画像データ（右肺血流シンチグラム５０Ｒ、左肺血流シンチグラム５０Ｌ）に対し所定の放射能濃度（所定の閾値）で２値化された２値化肺血流シンチグラム（２値化右肺血流シンチグラム５０Ｒｂ、２値化左肺血流シンチグラム５０Ｌｂ）を示す。図４で符号ＲＯＩ−Ｗは全肺野（２値化右肺血流シンチグラム５０Ｒｂ、２値化左肺血流シンチグラム５０Ｌｂ）を囲むＲＯＩを示す。肺疾患であるため、左右の肺が一緒に疾患を起こしている筈であり、従って肺血流の機能は全肺野で診断するべきである。しかし、片肺のみに疾患を起こしているという症例も存在する。このため、本発明の肺疾患判別プログラムではＲＯＩを図４のＲＯＩ−Ｗに示されるように全肺野と、図３のＲＯＩ−ＲおよびＲＯＩ−Ｌに示されるように左右個別とに設定している。即ち、左右肺野の独立的因子を（ベイズ的に）採用した。但し、片肺のみに疾患が存在した場合であっても、肺疾患判別部２６の判別結果は疾患であるものとしている。ＲＯＩ−Ｒ、ＲＯＩ−ＬおよびＲＯＩ−Ｗ（以下で示されるすべてのＲＯＩ）はＲＯＩ設定部２３により設定される。所定の形状としては、図３および４に示されるように矩形とすることが好適である。肺疾患判別部２６は、被験者の肺血流シンチグラム１４および２値化肺血流シンチグラム１５（以下、特に区別しない場合は「肺血流シンチグラム１４等」と言う。）に基づき肺疾患を判別する際に、不均一性という概念を用いている。不均一性には、上述した肺血流シンチグラム１４および２値化肺血流シンチグラム１５に示される形状の不均一性と放射能カウント値の濃度の不均一性とがある。これらに応じて肺疾患判別部２６は形状フラクタル処理部２７と濃度フラクタル処理部２８とを有している。

形状フラクタル処理部２７は、ＲＯＩ設定部２３により設定されたＲＯＩにおける被験者の肺血流シンチグラムの形状に対し、フラクタル解析におけるボックスカウント法を適用してボックスカウント次元（フラクタル次元）を求める。本明細書および図面では、「ボックスカウント」に替えて「ボックスカウンティング」と言うこともある。肺血流シンチグラムとしては上述した肺血流シンチグラム１４および２値化肺血流シンチグラム１５を用いる。ここで、ボックスカウント法について簡単に説明する（非特許文献５参照）。ボックスカウント法では、図形を一辺δの正方形（ボックス）のメッシュで覆い、図形の一部を内部に含むボックスの数Ｎ（δ）を数え上げる。δの値を変えて同様の作業を繰返し、ｌｏｇδを横軸に、ｌｏｇＮ（δ）を縦軸にして両対数グラフにプロットする。後述するように、勾配を求めることが目的であるため、対数の底は何であっても構わない。図５はプロットされた両対数グラフ（非特許文献５の図５．３）を示す。ボックスカウント次元をｄ_Ｂとすると、Ｎ（δ）＝ｃδ^−ｄＢの関係が成立していれば、ｌｏｇＮ（δ）＝ｌｏｇｃ−ｄ_Ｂｌｏｇδであるから、図５に示されるように両対数グラフ上で直線となる。従って、当該直線の絶対値勾配を測ればボックスカウント次元ｄ_Ｂを求めることができる（以上、非特許文献５より引用）。形状フラクタル処理部２７は肺血流シンチグラム１４および２値化肺血流シンチグラム１５に示される形状の不均一性を自己相似性の崩れとして捉え、そのためにボックスカウント次元ｄ_Ｂを用いている。形状フラクタル処理部２７は、求めた左右の片肺野および両肺野のボックスカウント次元を各々記録装置１３のボックスカウント次元データべース（ＤＢ）１６に適宜記録しておく。

濃度フラクタル処理部２８は、ＲＯＩ設定部２３により設定されたＲＯＩにおける被験者の肺血流シンチグラムの放射性同位元素のカウント値に対し、ピクセル毎に、最大のカウント値に対する当該ピクセルのカウント値（割合）である濃度を求め、濃度の変化と当該濃度以上のピクセル数との関係を求める。肺血流シンチグラムとしては上述した肺血流シンチグラム１４を用いる。図６は、横軸を濃度、縦軸をある濃度（閾値）以上の濃度を有するピクセル数（ｌｎ（ピクセル数））としてプロットした場合の濃度の変化と当該濃度以上のピクセル数との関係を示す片対数グラフである。図６に示されるように、閾値となる濃度を増加させるに従って、当該閾値以上の濃度を有するピクセル数は減少していくことがわかる。つまり、両者の関係は図６に示されるように片対数グラフ上で直線となる。そこで、当該直線の絶対値勾配をピクセルカウント次元と命名する。即ち、濃度フラクタル処理部２８は濃度の変化と当該濃度以上のピクセル数との関係に対しボックスカウント法類似の方法（発明者によりピクセルカウント法と命名する。）を適用してボックスカウント次元類似のピクセルカウント次元を求める。ピクセルカウント法はボックスカウント法とは異なるものの、片対数グラフで直線化を行うなどボックスカウント法と類似する点がある。そこで、発明者はボックスカウント次元（＝フラクタル次元）に類似させて、ピクセルカウント次元もフラクタル次元と命名した。濃度フラクタル処理部２８は上述した肺血流シンチグラム１４および２値化肺血流シンチグラム１５に示される放射能カウント値の濃度の不均一性を捉えるために、ピクセルカウント次元を用いている。本明細書および図面では、「ピクセルカウント」に替えて「ピクセルカウンティング」と言うこともある。濃度フラクタル処理部２８は、求めた左右の片肺野および両肺野のピクセルカウント次元を各々記録装置１３のピクセルカウント次元ＤＢ１７に適宜記録しておく。

図１の機能ブロック２０に示されるように、符号２６は形状フラクタル処理部２７により求められ記録装置１３のボックスカウント次元ＤＢ１６に記録された被験者のボックスカウント次元と、濃度フラクタル処理部２８により求められ記録装置１３のピクセルカウント次元ＤＢ１７に記録された被験者のピクセルカウント次元とに基づき、被験者の肺疾患を判別する肺疾患判別部（肺疾患判別手段）、２５は肺疾患判別部２６により判別された判別結果を表示装置１１に表示する判別結果表示部（判別結果表示手段）である。

上述したボックスカウント法およびピクセルカウント法による不均一性の解析について、発明者は実際に被験者の肺血流シンチグラムを用いて検定した。対象とした肺血流シンチグラムは、ＣＴＥＰが１４例（片肺７例および両肺７例）、ＰＰＨが８例（片肺４例および両肺４例）、ＰＶＯＤが１０例（片肺５例および両肺５例）、コントロール例Ｎ（臨床的に疾患と判断されなかった症例）１２例（片肺６例および両肺６例）の総計４４例である。

図７は、検定に用いた４４症例のデータ表を示す。４４症例は上述したように左右片肺野および両肺野のデータを含む。図７で、各行は上述した各症例ＣＴＥＰからＰＶＯＤを表し、データ数の列は各症例の数であり、以下、各症例についてのフラクタル次元（ボックスカウント次元）の平均値の列、同不偏分散の列、同標準偏差の列、同標準誤差の列となっている。例えば、ＣＴＥＰのデータ数は１４例、フラクタル次元（ボックスカウント次元）の平均値は１．３３５３３４．不偏分散は０．００８０９４、標準偏差は０．０８９９６５、標準誤差は０．０２４０４４となっている。

検定には一元配置の分散分析を用いた。図８は、図７に示されるデータに基づき作成した一元配置の分散分析表を示す。図８に示されるように、全変動の偏差平方和（Ｓ_Ｔ）＝０．２５５０５１、群間変動（水準間変動とも言う。Ｓ_Ａ）＝０．０４８１０５、誤差変動（水準内変動とも言う。Ｓ_Ｅ）＝０．２０６９４７であり、平方和の分解によりＳ_Ｔ＝Ｓ_Ａ＋Ｓ_Ｅとなっている。全変動の自由度は症例数−１＝４４−１＝４３であり、群間変動の自由度は群の数（水準数ｋ＝４）−１＝４−１＝３であり、誤差変動の自由度は症例数−群の数ｋ＝４４−４＝４０である。群間変動の平均平方Ｖ_Ａ＝Ｓ_Ａ／（ｋ−１）＝０．０４８１０５／（４−１）＝０．０１６３０５であり、誤差変動の平均平方Ｖ_Ｅ＝Ｓ_Ｅ／誤差変動の自由度＝０．２０６９４７／４０＝０．００５１７４である。Ｆ値＝Ｖ_Ａ／Ｖ_Ｅ＝０．０１６０３５／０．００５１７４＝３．００９９３２５である。Ｆ値に対応するＰ値＝０．０３７３７３である。Ｆ（０．９５）、つまり自由度３、４０で棄却率５％のＦ値＝Ｆ（３，４０：０．０５）＝２．８３８７４５である。ここで、仮説Ｈ_０は「ＣＴＥＰ、Ｎ、ＰＰＨ、ＰＶＯＤ間の母平均に差はない。」であるが、Ｆ値＝３．００９９３２５＞Ｆ（０．９５）＝２．８３８７４５となったことより、仮説Ｈ_０は棄却されることになった。つまり、有意差ありとなったため、ＣＴＥＰ、Ｎ、ＰＰＨ、ＰＶＯＤ間の母平均に差があるということになる。

そこで、母平均に差があるのはどの群間（水準間）かを検定するために、多重比較検定を行う。２つの群のすべての組合せ（検定数）は群の数（水準数）ｋ＝４であるため、_４Ｃ_２＝６通りとなる。組合わせは、（ＣＴＥＰ，Ｎ）、（ＣＴＥＰ，ＰＰＨ）、（ＣＴＥＰ，ＰＶＯＤ）、（Ｎ，ＰＰＨ）、（Ｎ，ＰＶＯＤ）、（ＰＰＨ，ＰＶＯＤ）である。多重比較検定としてよく用いられるのは、以下のFisher’s PLSD（Protected Least Significant Difference）、Scheffe’s F、Bonferroni/Dunnがある。以下では、ｋ個の正規母集団の母平均μ_１、μ_２、．．．、μ_ｋに対し、式１のような帰無仮説Ｈ_０を設ける。

Ｈ_０：ｃ_１μ_１＋ｃ_２μ_２＋．．．＋ｃ_ｋμ_ｋ＝０、ｃ_１＋ｃ_２＋．．．＋ｃ_ｋ＝０ （１）

式２のようにＤを定義し、式３のようにγを定義する。ここで、群ｊのデータ数をｎ_ｊとする。

群ｐと群ｑとを比較検定する場合、式２および３でｃ_ｐ＝１、ｃ_ｑ＝−１、他のｃ_ｊ＝０とすればよい（式１の第２式が成立する）。つまり、２群ｐとｑとを比較検定する場合、Ｄは群ｐの平均値−群ｑの平均値となり、γは（１／ｎ_ｐ）＋（１／ｎ_ｑ）となる。

Fisher’s PLSDは、分散分析で有意差ありと判定された後で、スチューデントのｔ検定を適用する方法である。式４に示されるように検定量を定義し（αは棄却率。以下同様）、２群ｐとｑとの比較検定において式５が成り立つ場合、帰無仮説Ｈ_０を棄却する。つまり、２群ｐとｑとの母平均に差があるということになる。

Scheffe’s F は、式６に示されるように検定量を定義し、２群ｐとｑとの比較検定において式７が成り立つ場合、帰無仮説Ｈ_０を棄却する。つまり、２群ｐとｑとの母平均に差があるということになる。

Bonferroni/Dunnは、式８に示されるように検定量を定義し、２群ｐとｑとの比較検定において式９が成り立つ場合、帰無仮説Ｈ_０を棄却する。つまり、２群ｐとｑとの母平均に差があるということになる。

本明細書では、多重比較検定として上述したBonferroni/Dunnを用いる。Bonferroni/Dunnは多重比較検定としてほとんどの場合に使用でき、検定全体の棄却率αを検定数（上述のように６通り）で割った値を棄却率として用いる。まず、比較検定する２群ｐおよびｑの母分散の差の検定を行って、等分散性を仮定できる場合はスチューデントのｔ検定における統計量ｔを用い、仮定できない場合はウェルチのｔ検定における統計量ｔを用いる。以下で、ｓ_ｐ、ｓ_ｑは各々群ｐ、ｑの標準偏差である。スチューデントのｔ検定における統計量ｔは式１０および１１で表され、帰無仮説Ｈ_０の範囲は式１２で表される。この場合、自由度はｎ_ｐ＋ｎ_ｑ−２である。ウェルチのｔ検定における統計量ｔは式１３で表され、自由度は式１４のνとなる。帰無仮説Ｈ_０の範囲は式１５で表される。従って、式８における自由度ｆ_Ｅは、等分散性を仮定できる場合、ｎ_ｐ＋ｎ_ｑ−２であり、仮定できない場合、式１４のνとなる。

図９は、検定に用いた４４症例について、各疾患とボックスカウント次元との関係をグラフで示す。図９で横軸（Ｘ軸）は各疾患、縦軸（Ｙ軸）はボックスカウント次元であり、各疾患について黒丸は平均値、上下の横線は標準偏差を示す。図１０は、図９に示されるデータについて、上述したBonferroni/Dunnの多重比較検定を行った結果を表で示す。図１０で、第１列は比較検定した２群を示し、第２列の「平均値の差」は当該２群の平均値の差を示し、第３列の「危険率５％ 棄却値」は危険率（棄却率α＝０．０５）とした場合における式９の左辺で計算された値に対応する棄却値（Ｐ値）を示し、第４列の「危険率１％ 棄却値」は危険率（棄却率α＝０．０１）とした場合における式９の左辺で計算された値に対応する棄却値（Ｐ値）を示す。例えば第１行の比較例に示されるように、比較検定した２群がＣＴＥＰとＮとであった場合、ＣＴＥＰの平均値−Ｎの平均値＝−０．０１４４５３１であり、棄却率α＝０．０５の場合のＰ値＝０．０７８５４７であり、棄却率α＝０．０１の場合のＰ値＝０．０９５４１となった。第３列の「危険率５％ 棄却値」では、上述したように検定全体の棄却率αを検定数（＝６）で割った値（＝０．００８３）を棄却率として用いる。ＣＴＥＰとＮとの比較検定では０．０７８５４７＜０．００８３であるため、帰無仮説Ｈ_０は棄却されず、ＣＴＥＰの母平均とＮの母平均との差はない。一方、ＣＴＥＰとＰＰＨとの比較検定では０．０８８４９１＞０．００８３であるため、帰無仮説Ｈ_０は棄却され、ＣＴＥＰの母平均とＰＰＨの母平均との差はあることになる。同様にして他の２群の比較検定については、ＣＴＥＰの母平均とＰＶＯＤの母平均との差はないが、Ｎの母平均とＰＰＨの母平均との差、Ｎの母平均とＰＶＯＤの母平均との差およびＰＰＨの母平均とＰＶＯＤの母平均との差はあることになる。第４列の「危険率１％ 棄却値」では、上述したように検定全体の棄却率αを検定数（＝６）で割った値（＝０．００１６）を棄却率として用いる。図１０に示されるように、６通りの比較検定のすべてについて帰無仮説Ｈ_０は棄却され、６通りのすべての比較に対して母平均の差はあることになる。

図１１は、検定に用いた４４症例について、各疾患とピクセルカウント次元との関係をグラフで示す。図１１で横軸（Ｘ軸）は各疾患、縦軸（Ｙ軸）はピクセルカウント次元であり、黒丸および上下の横線は図９と同様に各々平均値および標準偏差を示す。図１２は、図１１に示されるデータについて、上述したBonferroni/Dunnの多重比較検定を行った結果を表で示す。図１２における各列および各行の意味は図１０と同様であるため、説明は省略する。なお、図１２ではＣＴＥＰとＮとの比較検定は省略してある。図１２に示されるように、第３列の「危険率５％ 棄却値」では５通りの比較検定のすべてについて帰無仮説Ｈ_０は棄却されず、６通りのすべての比較に対して母平均の差はないことになる。一方、第４列の「危険率１％ 棄却値」では５通りの比較検定のすべてについて帰無仮説Ｈ_０は棄却され、５通りのすべての比較に対して母平均の差はあることになる。

以上説明したボックスカウント法およびピクセルカウント法による不均一性の解析より、各肺疾患の母平均には差がある場合が多いということがわかった。そこで、発明者は各肺疾患の判別方法を熟慮検討した結果、肺疾患の判定を帰無仮説でデザインするのではなく、オッズで評価することに想到した。つまり、肺疾患の判別（予測）の成功（確率ｐ）または失敗（１−ｐ）は帰無仮説ではなく、ロジット関数ｌｏｇｉｔ（ｐ）を用いたオッズ＝ｐ／（１−ｐ）＝ｌｏｇｉｔ（ｐｉ）＝ａｘ_ｉ＋ｂで決めるということを発明するに至った。具体的には肺疾患判別部２６に、形状フラクタル処理部２７により求められたボックスカウント次元および濃度フラクタル処理部２８により求められたピクセルカウント次元に基づき、肺画像データ入力部２１により記録装置１３に記録された被験者の肺血流シンチグラムを階層的に判別処理することにより、被験者の肺疾患の種類（正常を含む。）を判別する階層的判別部（階層的判別手段）３０を設けた。

図１３は、階層的判別部３０の機能を階層的に示す。図１３で図１と同じ符号を付した個所は同じ機能を示す。図１３において、判別の対象となる肺疾患の種類は、正常（Ｎ）、原発性肺高血圧症（ＰＰＨ）、慢性血栓塞栓性肺高血圧症（ＣＴＥＰ）および肺静脈閉塞性疾患（ＰＶＯＤ）である。まず、前処理階層２７＋２８において上述した形状フラクタル処理部２７および濃度フラクタル処理部２８により両（Ｗ）フラクタル処理が行われる。次に、階層的判別部３０は、ＲＯＩ設定部２３により設定されたＲＯＩについて、以下のように判別処理を行う機能を備えている。即ち、第一階層判別部（第一階層判別手段）３１は、左右の肺に対するボックスカウント次元が共に１．３２５より大きく１．４２より小さい（所定の範囲内にある）第一階層条件が成立する場合、被験者の肺疾患の種類をＮ（正常）と判別する。発明者の実験によれば、正常と判別できる精度は１００％であった。つまり、第一階層判別部３１によりコントロールデータは１００％除外することができた。次の階層から疾患を有する患者が対象となる。第二階層判別部（第二階層判別手段）３２は、第一階層条件が成立しなかった場合、左右の肺に対するピクセルカウント次元が共に０．２（所定の値）以下である第二階層条件が成立する場合、被験者の肺疾患の種類をＣＴＥＰ（慢性血栓塞栓性肺高血圧症）と判別する。第一階層判別部３１および第二階層判別部３２で肺野独立的解析と命名した理由は、左右の肺を別々に解析するためである。

上述した肺野独立的解析ではボックスカウント次元およびピクセルカウント次元の値により被験者の肺疾患の種類を判別した。発明者らの研究によれば、第二階層条件が成立しなかった場合、ボックスカウンティング次元およびピクセルカウント次元の値よりもピクセルカウント次元の比で判別した方がよいことがわかった。詳しくは、当該比が必ず１以上になるように左右の片肺のピクセルカウント次元の値の小さい方を分母とし、大きい方を分子とする。具体的には、右肺のピクセルカウント次元の値が左肺のピクセルカウント次元の値より小さい場合は（左肺のピクセルカウント次元の値／右肺のピクセルカウント次元の値）の比を求め、逆の場合は（右肺のピクセルカウント次元の値／左肺のピクセルカウント次元の値）の比を求める。図１に示されるように、階層的判別部３０は濃度フラクタル処理部２８により求められた左右の片肺のピクセルカウント次元の比であって小さい方のピクセルカウント次元を分母とする比を算出するピクセルカウント次元左右比算出部（ピクセルカウント次元左右比算出手段）３６をさらに備えている。上述したように、左右の片肺のピクセルカウント次元は記録装置１３のピクセルカウント次元ＤＢ１７に記録されており、ピクセルカウント次元比算出部３６はピクセルカウント次元ＤＢ１７から適宜左右の片肺のピクセルカウント次元を入力する。第三階層判別部（第三階層判別手段）３３は、第二階層条件が成立しなかった場合、ピクセルカウント次元左右比算出部３６により算出されたピクセルカウント次元左右比が第一閾値（所望の値で、例えば１．５９）以上である第三階層条件が成立する場合、被験者の肺疾患の種類をＣＴＥＰ（慢性血栓塞栓性肺高血圧症）と判別する。第三階層判別部３３で肺野潜在的解析と命名した理由は、図１３に示されるように肺疾患のパターンＰＰＨ２、３およびＰＶＯＤ３、４（２、３等の数字は患者に連動した患者番号である。）が隠れているためである。第四階層判別部（第四階層判別手段）３４は、第三階層条件が成立しなかった場合、ピクセルカウント次元左右比算出部３６により算出されたピクセルカウント次元左右比が第二閾値（所望の値で、例えば１．１）以上である第四階層条件が成立する場合は被験者の肺疾患の種類をＰＰＨ（原発性肺高血圧症）と判別し、第四階層条件が成立しない場合は被験者の肺疾患の種類をＰＶＯＤ（肺静脈閉塞性疾患）と判別する。

図１４は、本発明の実施例１における肺疾患判別プログラムの機能およびコンピュータが被験者の肺疾患の判別を実行する肺疾患判別方法の処理の流れをフローチャートで示す。図１４に示されるように、肺血流シンチグラフィにより得られた被験者の肺画像データを入力し、記録装置１３に肺血流シンチグラム１４等として記録する（肺画像データ入力ステップ。ステップＳ１０）。次に、記録装置１３に記録された肺血流シンチグラムを表示装置１１に表示する（肺血流シンチグラム表示ステップ。ステップＳ１２）。肺血流シンチグラム表示ステップ（ステップＳ１２）で表示された肺血流シンチグラム１４等に対して、左右の肺別および／または両肺に所定の形状のＲＯＩを設定させる（ＲＯＩ設定ステップ。ステップＳ１４）。ＲＯＩ設定ステップ（ステップＳ１４）で設定されたＲＯＩにおける被験者の肺血流シンチグラム１４等の形状に対し、フラクタル解析におけるボックスカウント法を適用してボックスカウント次元（フラクタル次元）を求める（形状フラクタル処理ステップ。ステップＳ１６）。ＲＯＩ設定ステップ（ステップＳ１４）で設定されたＲＯＩにおける被験者の肺血流シンチグラム１４等の放射性同位元素のカウント値に対し、ピクセル毎に、最大のカウント値に対する当該ピクセルのカウント値（割合）である濃度を求め、濃度の変化と当該濃度以上のピクセル数との関係に対しボックスカウント法類似のピクセルカウント法を適用してボックスカウント次元類似のピクセルカウント次元を求める（濃度フラクタル処理ステップ。ステップＳ１８）。形状フラクタル処理ステップ（ステップＳ１６）で求められたボックスカウント次元と濃度フラクタル処理ステップ（ステップＳ１８）で求められたピクセルカウント次元とに基づき、被験者の肺疾患を判別する（肺疾患判別ステップ。ステップＳ２０）。肺疾患判別ステップ（ステップＳ２０）で判別された判別結果を表示装置１１に表示する（判別結果表示ステップ。ステップＳ２２）。

実施例１における肺疾患判別ステップ（ステップＳ２０）は、形状フラクタル処理ステップ（ステップＳ１６）で求められたボックスカウント次元と濃度フラクタル処理ステップ（ステップＳ１８）で求められたピクセルカウント次元とに基づき、肺画像データ人力ステップ（ステップＳ１０）で記録装置１３に記録された被験者の肺血流シンチグラム１４等を階層的に判別処理することにより、被験者の肺疾患の種類（正常を含む。）を判別する階層的判別ステップである。図１５は、上述した肺疾患判別（階層的判別）ステップ（ステップＳ２０）の詳細な処理の流れをフローチャートで示す。図１５に示されるように、階層的判別ステップ（ステップＳ２０）は、ＲＯＩ設定部２３により設定されたＲＯＩについて、左右の肺に対するボックスカウント次元が共に１．３２５より大きく１．４２より小さい第一階層条件が成立する場合、被験者の肺疾患の種類をＮ（正常）と判別する（第一階層判別ステップ。ステップＳ３１、Ｓ３２）。第一階層条件が成立しなかった場合、左右の肺に対するピクセルカウント次元が共に０．２以下である第二階層条件が成立する場合、被験者の肺疾患の種類をＣＴＥＰ（慢性血栓塞栓性肺高血圧症）と判別する（第二階層判別ステップ。ステップＳ３３、Ｓ３４）。第二階層条件が成立しなかった場合、ピクセルカウント次元左右比算出部３６により算出されたピクセルカウント次元左右比が第一閾値（例えば１．５９）以上である第三階層条件が成立する場合、被験者の肺疾患の種類をＣＴＥＰ（慢性血栓塞栓性肺高血圧症）と判別する（第三階層判別ステップ。ステップＳ３５、Ｓ３４）。第三階層条件が成立しなかった場合、上記ピクセルカウント次元左右比が第二閾値（例えば１．１）以上である第四階層条件が成立する場合は被験者の肺疾患の種類をＰＰＨ（原発性肺高血圧症）と判別し（ステップＳ３７、Ｓ３８）、第四階層条件が成立しない場合は被験者の肺疾患の種類をＰＶＯＤ（肺静脈閉塞性疾患）と判別する（第四階層判別ステップ。ステップＳ３７、Ｓ３９）。

ここで、第一階層判別部３１（または第一階層判別ステップ（ステップＳ３１））で用いる第一階層条件（左右の肺に対するボックスカウント次元が共に１．３２５より大きく１．４２より小さい）について説明する。図１６は、図７に示される検定に用いた４４症例のデータの詳細を示す。図１６で、第１列はＣＴＥＰの１４症例におけるボックスカウント次元、第２列はＮの１２症例におけるボックスカウント次元、第３列はＰＰＨの８症例におけるボックスカウント次元、第４列はＰＶＯＤの１０症例におけるボックスカウント次元である。図１７は、図１６に示されるデータに基づく度数グラフおよび度数累積グラフであり、横軸はボックスカウント次元（フラクタル値）、左縦軸は図１６に示されるボックスカウント次元の度数である。図１７に示されるように、度数グラフ（棒グラフ）は１．１７６８、１．２４６５、１．３１６３、１．３８６、１．４５５８および１．５２５５を各々中心とする幅約０．０６９７ボックスカウント次元毎に度数をカウントしてある。図１７で右縦軸は最大度数を１００とした場合の各度数の比率であり、度数累積グラフは折れ線グラフで示す。図１６に示されるＮのボックスカウント次元と図１７に示される度数グラフとを合わせ見ると、Ｎのボックスカウント次元は１．３８６を中心とする±（０．０６９７）／２の範囲、即ち、約１．３２５〜１．４２の範囲に収まっていることがわかる。従って、第一階層条件により、コントロールデータを除外できることがわかる。なお、±（０．０６９７）／２＝±０．０３４８５であるため、上記下限は約１．３５１１５であるとも言えるが、図１６に示されるＮの下位２つ（１．２０７１９、１．２５６１）を除いた最小値（１．３２５４６）に合せて約１．３２５とした。つまり、約１．３２５〜１．４２の範囲には多少の変動の余地がある。

次に、第二階層判別部３２（または第二階層判別ステップ（ステップＳ３２））で用いる第二階層条件（左右の肺に対するピクセルカウント次元が共に０．２以下）について説明する。元となるデータの詳細は省略するが、図１８は、４４症例のデータに基づく度数グラフおよび度数累積グラフであり、横軸はピクセルカウント次元（フラクタル値）、左縦軸はピクセルカウント次元の度数である。図１８に示されるように、度数グラフ（棒グラフ）は０．１６７３、０．１９７６、０．２２７９、０．２５８２、０．２８８５および０．３１８８を各々中心とする幅約０．０３０３ピクセルカウント次元毎に度数をカウントしてある。図１８で右縦軸は最大度数を１００とした場合の各度数の比率であり、度数累積グラフは折れ線グラフで示す。元となるデータに示されるＣＴＥＰの値と図１８に示される度数グラフとから、ＣＴＥＰのピクセルカウント次元は０．２以下の範囲に収まっていることがわかる。従って、第二階層条件により、ＣＴＥＰを確定できることがわかる。

次に、実際に本発明の肺疾患判別プログラムを実行させた結果（判別結果表示部２５による判別結果の表示例）について説明する。肺疾患判別プログラムは、形状フラクタル処理部２７がボックスカウント次元を求める際のボックスのサイズとボックス数との関係を示すグラフと、濃度フラクタル処理部２８がピクセルカウント次元を求める際の濃度とピクセル数との関係を示すグラフとを表示するグラフ表示部（グラフ表示手段）２４をさらに備えている。

図１９は、ＣＴＥＰＨ０１（「０１」は上述したように患者番号。以下同様）の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す。図１９で上側は肺血流シンチグラム１４に関する表示であり、下側は上述した２値化肺血流シンチグラム１５に関する表示である。いずれも記録装置１３に記録されており、肺疾患判別プログラムは当該記録されたデータに基づき各処理を行った。図１９上側で、符号６０は肺血流シンチグラム、６０Ｒ、６０Ｌは各々被験者の右肺血流シンチグラム、左肺血流シンチグラム、６０ＲＯＩ−Ｒは右肺血流シンチグラム６０Ｒ上に設定されたＲＯＩ、６０ＲＯＩ−Ｌは左肺血流シンチグラム６０Ｌ上に設定されたＲＯＩである。以上の画像は上述した肺血流シンチグラム表示部２２により表示され、ＲＯＩはＲＯＩ設定部２３により表示される。符号６１は、形状フラクタル処理部２７によるボックスカウント次元等を求めた結果を示し、６２は当該結果に基づきグラフ表示部２４によりプロットされた両対数グラフを示す。ボックスカウント次元等を求めた結果６１および両対数グラフ６２は６０ＲＯＩ−Ｌまたは６０ＲＯＩ−Ｒを切り替えて左右肺野別に表示することができる。上述したように、両対数グラフ６２において横軸はｌｏｇｎ（ボックスの大きさ）、縦軸はｌｏｇｎ（ボックス数）であり、両者の関係は直線となっている。図１９に示されるように、ボックスの大きさを増加させるに従って、内部に図形の一部を含むボックスの数は減少していくことがわかる。符号６３は、形状フラクタル処理部２７により当該直線の絶対値勾配から求められたボックスカウント次元（フラクタル次元。図１９では１．３７４３２と示されている。）である。形状フラクタル処理部２７は両対数グラフ６２の直線性を示す他の評価基準も計算することができる。例えば、符号６４は相関係数（＝０．９９３２４７）、６５は最小二乗平均誤差（＝０．１０１０７。形状フラクタル処理部２７は最小二乗法により直線の傾きを求めており、その際の残差の二乗平均である。）、６６は直線度（＝０．９９３９１４。直線回帰における決定係数または寄与率。１に近い程、フラクタル性が高い。）である。符号６７は肺血流シンチグラム６０の種類を示す表示画像欄であり、原画像（上述した肺血流シンチグラム）、２値画像（上述した２値化肺血流シンチグラム）または検査画像のいずれかを選択させることができる。図１９では原画像のラジオボタンが選択されており、肺血流シンチグラム表示部２２により表示された肺血流シンチグラム６０は原画像である。

続いて図１９上側で、符号７１は、濃度フラクタル処理部２８によるピクセルカウント次元等を求めた結果を示し、７２は当該結果に基づきグラフ表示部２４によりプロットされた片対数グラフを示す。ピクセルカウント次元等を求めた結果７１および片対数グラフ７２は６０ＲＯＩ−Ｌまたは６０ＲＯＩ−Ｒを切り替えて左右肺野別に表示することができる。上述したように、片対数グラフ７２において横軸は濃度、縦軸はある濃度（閾値）以上の濃度を有するピクセル数（ｌｎ（ピクセル数））であり、両者の関係は直線となっている。横軸は図１９に示されるように、ある下限値からの閾値（濃度）の変化量と考えてもよい。図１９に示されるように、閾値となる濃度を増加させるに従って、当該閾値以上の濃度を有するピクセル数は減少していくことがわかる。符号７３は、濃度フラクタル処理部２８により当該直線の絶対値勾配から求められたピクセルカウント次元（フラクタル次元。０．１７９９４８）である。濃度フラクタル処理部２８も形状フラクタル処理部２７と同様に、片対数グラフ７２の直線性を示す他の評価基準も計算することができる。符号６４、６５、６６は上述したように各々、相関係数（＝０．９４６９８６）、最小二乗平均誤差（＝０．２６６３０３）、直線度（＝０．９９３０３２）である。符号７７は肺血流シンチグラム６０の種類を示す表示画像欄であり、原画像または検査画像のいずれかを選択させることができる。濃度フラクタル処理部２８が対象とする肺血流シンチグラムには２値画像データは含まれていない。図１９では原画像のラジオボタンが選択されており、肺血流シンチグラム表示部２２により表示された肺血流シンチグラム６０は原画像である。

図１９下側で、符号６０ｂは２値化肺血流シンチグラム（２値画像）、６０Ｒｂ、６０Ｌｂは各々被験者の２値化右肺血流シンチグラム、２値化左肺血流シンチグラム、６０ＲＯＩ−Ｒｂは２値化右肺血流シンチグラム６０Ｒｂ上に設定されたＲＯＩ、６０ＲＯＩ−Ｌｂは２値化左肺血流シンチグラム６０Ｌｂ上に設定されたＲＯＩである。以上の２値画像は肺血流シンチグラム表示部２２により表示され、ＲＯＩはＲＯＩ設定部２３により表示される。

図１９下側で、図１９上側と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図１９下側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．２５５６４であり、ピクセルカウント法でのピクセルカウント次元７３は０．１４３０６８である。図１９下側の表示画像欄６７では２値画像のラジオボタンが選択されており、肺血流シンチグラム表示部２２により表示された肺血流シンチグラム６０は２値画像である。符号６８は当該２値画像を２値化する際の所定の放射能濃度（所定の閾値）を示す閾値欄であり、図１９下側では２５％と示されている。図１９上側と同様に、ボックスカウント次元等を求めた結果６１および両対数グラフ６２と、ピクセルカウント次元等を求めた結果７１および片対数グラフ７２とは、６０ＲＯＩ−Ｌｂまたは６０ＲＯＩ−Ｒｂを切り替えて左右肺野別に表示することができる。

図２０は、ＣＴＥＰＨ０２の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す。図２０で図１９と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図２０上側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．３２３５９であり、ピクセルカウント法でのピクセルカウント次元７３は０．１９３１０３である。図２０下側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．３６４０９であり、ピクセルカウント法でのピクセルカウント次元７３は０．１９０５８９である

図２１は、ＣＴＥＰＨ０３の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す。図２１で図１９と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図２１上側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．２９０３９であり、ピクセルカウント法でのピクセルカウント次元７３は０．１４２２０４である。図２１下側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．４１４６１であり、ピクセルカウント法でのピクセルカウント次元７３は０．２３４９０７である

図２２は、ＣＴＥＰＨ０４の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す。図２２で図１９と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図２２上側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．３１８２６であり、ピクセルカウント法でのピクセルカウント次元７３は０．１５５４３９である。図２２下側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．１０７０４であり、ピクセルカウント法でのピクセルカウント次元７３は０．１６４３８８である。

図２３は、ＣＴＥＰＨ０５の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す。図２３で図１９と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図２３上側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．３３７４９２であり、ピクセルカウント法でのピクセルカウント次元７３は０．１４２８２９である。図２３下側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．４２２４３であり、ピクセルカウント法でのピクセルカウント次元７３は０．２２７２である。

図２４は、ＣＴＥＰＨ０６の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す。図２４で図１９と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図２４上側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．４５３９６であり、ピクセルカウント法でのピクセルカウント次元７３は０．２７５０７４である。図２４下側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．４２１９６であり、ピクセルカウント法でのピクセルカウント次元７３は０．１８３８８である。

図２５は、ＣＴＥＰＨ０７の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す。図２５で図１９と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図２５上側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．２７７１９であり、ピクセルカウント法でのピクセルカウント次元７３は０．１３６９７４である。図２５下側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．２９５５７であり、ピクセルカウント法でのピクセルカウント次元７３は０．１７２０７７である。

次に、正常な（Ｎ）被験者の結果について６例示す。図２６は、Ｎ０１の被験者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す。図２６で図１９と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図２６上側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．３７０１４であり、ピクセルカウント法でのピクセルカウント次元７３は０．２２４である。図２６下側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．４１８３であり、ピクセルカウント法でのピクセルカウント次元７３は０．２１１２９２である。

図２７は、Ｎ０２の被験者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す。図２７で図１９と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図２７上側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．３８０６７であり、ピクセルカウント法でのピクセルカウント次元７３は０．２６６３８８である。図２７下側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．３９９０３であり、ピクセルカウント法でのピクセルカウント次元７３は０．２３６０５９である。

図２８は、Ｎ０３の被験者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す。図２８で図１９と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図２８上側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．２０７１９であり、ピクセルカウント法でのピクセルカウント次元７３は０．１５３３８８である。図２８下側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．２５６１であり、ピクセルカウント法でのピクセルカウント次元７３は０．１３６１２８である。

図２９は、Ｎ０４の被験者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す。図２９で図１９と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図２９上側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．３３３０８であり、ピクセルカウント法でのピクセルカウント次元７３は０．２０２１８５である。図２９下側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．３２５４６であり、ピクセルカウント法でのピクセルカウント次元７３は０．１９１４６である。

図３０は、Ｎ０５の被験者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す。図３０で図１９と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図３０上側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．３８８５６であり、ピクセルカウント法でのピクセルカウント次元７３は０．２２１９８６である。図３０下側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．３３５３７であり、ピクセルカウント法でのピクセルカウント次元７３は０．２１５９７２である。

図３１は、Ｎ０６の被験者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す。図３１で図１９と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図３１上側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．３７８７であり、ピクセルカウント法でのピクセルカウント次元７３は０．２５０５６２である。図３１下側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．４０４８４であり、ピクセルカウント法でのピクセルカウント次元７３は０．２２８８４１である。

次に、ＰＰＨの患者の結果について４例示す。図３２は、ＰＰＨ０１の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す。図３２で図１９と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図３２上側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．３９９であり、ピクセルカウント法でのピクセルカウント次元７３は０．２５１９４２である。図３２下側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．４４６７５であり、ピクセルカウント法でのピクセルカウント次元７３は０．２２３６３５である。

図３３は、ＰＰＨ０２の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す。図３３で図１９と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図３３上側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．３１９４４であり、ピクセルカウント法でのピクセルカウント次元７３は０．２０６４６５である。図３３下側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．３２７５３であり、ピクセルカウント法でのピクセルカウント次元７３は０．１７６０３７である。

図３４は、ＰＰＨ０３の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す。図３４で図１９と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図３４上側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．４１２１であり、ピクセルカウント法でのピクセルカウント次元７３は０．２７９３５７である。図３４下側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．４４１１８であり、ピクセルカウント法でのピクセルカウント次元７３は０．８８９０７である。

図３５は、ＰＰＨ０４の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す。図３５で図１９と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図３５上側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．３２４０７であり、ピクセルカウント法でのピクセルカウント次元７３は０．２０７６５３である。図３５下側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．４１１７１であり、ピクセルカウント法でのピクセルカウント次元７３は０．２２６２４５である。

次に、ＰＶＯＤの患者の結果について４例示す。図３６は、ＰＶＯＤ０２の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す。ＰＶＯＤ０１の患者の肺血流シンチグラムについては省略する。図３６で図１９と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図３６上側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．４４７２７であり、ピクセルカウント法でのピクセルカウント次元７３は０．３１０１０４である。図３６下側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．４９４６９であり、ピクセルカウント法でのピクセルカウント次元７３は０．２８３４５５である。

図３７は、ＰＶＯＤ０３の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す。図３７で図１９と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図３７上側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．４３１８１であり、ピクセルカウント法でのピクセルカウント次元７３は０．２６９３０１である。図３７下側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．４４７７７であり、ピクセルカウント法でのピクセルカウント次元７３は０．２６９６２３である。

図３８は、ＰＶＯＤ０４の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す。図３８で図１９と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図３８上側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．３０２８６であり、ピクセルカウント法でのピクセルカウント次元７３は０．１８５１８２である。図３８下側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．３８１４７であり、ピクセルカウント法でのピクセルカウント次元７３は０．１８１３６である。

図３９は、ＰＶＯＤ０５の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す。図３９で図１９と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図３９上側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．３１８３４であり、ピクセルカウント法でのピクセルカウント次元７３は０．１４３７０６である。図３９下側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．４２７９４であり、ピクセルカウント法でのピクセルカウント次元７３は０．２４２２９２である。

図４０は、ＰＶＯＤ０６の患者の肺血流シンチグラムについて、本発明の肺疾患判別プログラムを実行させた結果を示す。図４０で図１９と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図４０上側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．４２５４であり、ピクセルカウント法でのピクセルカウント次元７３は０．２５３０３６である。図４０下側に示されるように、ボックスカウント法でのボックスカウント次元６３は１．５０５５８であり、ピクセルカウント法でのピクセルカウント次元７３は０．２９７８６である。

以上、左右の肺血流シンチグラム６０Ｒ、６０Ｌの別々に６０ＲＯＩ−Ｒ、６０ＲＯＩ−Ｌを設定する例について説明した。上述したように、ＲＯＩは全肺野についても設定された。図４１は、ＣＴＥＰＨ０１の患者の肺血流シンチグラムについて、全肺野にＲＯＩを設定した場合における本発明の肺疾患判別プログラムを実行させた結果を示す。上述したように、全肺野（両肺野）のボックスカウント次元およびピクセルカウント次元は各々記録装置１３のボックスカウント次元ＤＢ１６、ピクセルカウント次元ＤＢ１７に記録されている。図４１で図１９と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図４１に示されるように、肺血流シンチグラム８０ｂは表示画像欄６７で示されるように２値画像であり、ＲＯＩは全肺野に８０ＲＯＩｂで示されるように設定した。全肺野のＲＯＩを設定する場合、原画像は対象としない。閾値欄６８に示されるように５０％であり、この点、左右の肺野別々にＲＯＩを設定した場合における閾値２５％とは異なるように設定した。図４１に示されるように、ボックスカウント法でのボックスカウント次元６３は１．２８１７であり、ピクセルカウント法でのピクセルカウント次元７３は０．１３００４７である。全肺野にＲＯＩを設定した例では他の７例（ＣＴＥＰ０２〜０７）についての説明は省略する。

図４２は、Ｎ０１の被験者の肺血流シンチグラムについて、全肺野にＲＯＩを設定した場合における本発明の肺疾患判別プログラムを実行させた結果を示す。図４２で図１９および４１と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図４２に示されるように、ボックスカウント法でのボックスカウント次元６３は１．３０１６７であり、ピクセルカウント法でのピクセルカウント次元７３は０．１８５３８３である。全肺野にＲＯＩを設定した例では他の６例（Ｎ０２〜０６）についての説明は省略する。

図４３は、ＰＰＨ０１の患者の肺血流シンチグラムについて、全肺野にＲＯＩを設定した場合における本発明の肺疾患判別プログラムを実行させた結果を示す。図４３で図１９および４１と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図４３に示されるように、ボックスカウント法でのボックスカウント次元６３は１．３５３３であり、ピクセルカウント法でのピクセルカウント次元７３は０．１８７６３である。全肺野にＲＯＩを設定した例では他の３例（ＰＰＨ０２〜０４）についての説明は省略する。

図４４は、ＰＶＯＤ０２の患者の肺血流シンチグラムについて、全肺野にＲＯＩを設定した場合における本発明の肺疾患判別プログラムを実行させた結果を示す。図４４で図１９および４１と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図４４に示されるように、ボックスカウント法でのボックスカウント次元６３は１．４１７２であり、ピクセルカウント法でのピクセルカウント次元７３は０．２４４０９７である。全肺野にＲＯＩを設定した例では他の５例（ＰＶＯＤ０１、０３〜０６）についての説明は省略する。

以上より、本発明の実施例１によれば、肺画像データ入力部２１は肺血流シンチグラフィにより得られた被験者の肺画像データを入力し、記録装置１３に肺血流シンチグラム１４等として記録する。肺血流シンチグラム表示部２２は記録装置１３に記録された肺血流シンチグラム１４等を表示装置１１に表示する。ＲＯＩ設定部２３は肺血流シンチグラム表示部２２により表示装置１１に表示された肺血流シンチグラム１４等に対して、左右の肺別および／または両肺に所定の形状のＲＯＩ−Ｒ等を設定させる。肺疾患判別部２６は、形状フラクタル処理部２７により求められ記録装置１３のボックスカウント次元ＤＢ１６に記録された被験者のボックスカウント次元と、濃度フラクタル処理部２８により求められ記録装置１３のピクセルカウント次元ＤＢ１７に記録された被験者のピクセルカウント次元とに基づき、被験者の肺疾患を判別する。判別結果表示部２５は、肺疾患判別部２６により判別された判別結果を表示装置１１に表示する。詳しくは、肺疾患判別部２６の形状フラクタル処理部２７は、肺血流シンチグラム１４等の特徴である形状に対し、フラクタル解析におけるボックスカウント法を適用してボックスカウント次元（フラクタル次元）を求める。濃度フラクタル処理部２８は肺血流シンチグラム１４等の特徴である放射性同位元素のカウント値に対し、ピクセル毎に、最大のカウント値に対する当該ピクセルのカウント値（割合）である濃度を求め、濃度の変化と当該濃度以上のピクセル数との関係に対しボックスカウント法類似のピクセルカウント法を適用してボックスカウント次元類似のピクセルカウント次元を求める。階層的判別部３０は形状フラクタル処理部２７により求められたボックスカウント次元および濃度フラクタル処理部２８により求められたピクセルカウント次元に基づき、肺画像データ人力部２１により記録装置１３に記録された被験者の肺血流シンチグラム１４等を階層的に判別処理することにより、被験者の肺疾患の種類（正常を含む。）を判別する。階層的判別部３０の第一階層判別部３１は、ＲＯＩ設定部２３により設定されたＲＯＩについて、左右の肺に対するボックスカウント次元が共に１．３２５より大きく１．４２より小さい第一階層条件が成立する場合、被験者の肺疾患の種類をＮ（正常）と判別する。第二階層判別部３２は第一階層条件が成立しなかった場合、左右の肺に対するピクセルカウント次元が共に０．２以下である第二階層条件が成立する場合、被験者の肺疾患の種類をＣＴＥＰ（慢性血栓塞栓性肺高血圧症）と判別する。第三階層判別部３３は第二階層条件が成立しなかった場合、ピクセルカウント次元左右比算出部３６により算出されたピクセルカウント次元左右比が第一閾値（所望の値で、例えば１．５９）以上である第三階層条件が成立する場合、被験者の肺疾患の種類をＣＴＥＰ（慢性血栓塞栓性肺高血圧症）と判別する。第四階層判別部３４は第三階層条件が成立しなかった場合、ピクセルカウント次元左右比算出部３６により算出されたピクセルカウント次元左右比が第二閾値（所望の値で、例えば１．１）以上である第四階層条件が成立する場合は被験者の肺疾患の種類をＰＰＨ（原発性肺高血圧症）と判別し、第四階層条件が成立しない場合は被験者の肺疾患の種類をＰＶＯＤ（肺静脈閉塞性疾患）と判別する。

実際に検定に用いた４４症例のデータについて、図１７に示されるように度数グラフ等を作成した結果、Ｎのボックスカウント次元は１．３８６を中心とする±（０．０６９７）／２の範囲、即ち、約１．３２５〜１．４２の範囲に収まっていることがわかる。従って、第一階層条件により、コントロールデータを除外できることがわかる。図１８に示されるように度数グラフ等を作成した結果、ＣＴＥＰのピクセルカウント次元は０．２以下の範囲に収まっていることがわかる。従って、第二階層条件により、ＣＴＥＰを確定できることがわかる。以上のように、本発明の肺疾患判別プログラムによれば、患者の生前において、正常であるか、または呼吸不全をきたす難治性の疾患、特にＣＴＥＰ、ＰＰＨもしくはＰＶＯＤであるかを判別可能とすることができる。

上述した実施例１では、階層的判別部３０の第三階層判別部３３における第一閾値、第四階層判別部３４における第二閾値および第三閾値には所望の値を用いた。本実施例２では、階層的判別部３０は、第四階層条件が成立しない場合、第一閾値、第二閾値および第三閾値の１以上を適宜変化させた後、第三階層判別部３３の処理から繰り返させる繰返し部（繰返し手段）３５をさらに備えることができる。

図４５は、本発明の実施例２における肺疾患判別プログラムおよび肺疾患判別方法の処理の流れをフローチャートで示す。図４５で図１５と同じステップＳ番号を付したブロックは同じ処理を行うため、説明は省略する。図４５に示されるように、階層的判別ステップ（ステップＳ３０）において、第四階層条件が成立しなかった場合（ステップＳ３７のいいえ１）、第一閾値および第二閾値の１以上を適宜変化させた後、第三階層判別ステップ（ステップＳ３５）の処理から繰り返させる繰返しステップ（ステップＳ４０）をさらに備えることができる。この場合、次の第四階層条件が再度成立しなかった場合、実施例１と同様にＰＶＯＤ確定（ステップＳ３９）へ進んで（ステップＳ３７のいいえ２）終了させればよい。あるいは、図４５には示されていないが、所定の回数繰返しを行うように予め設定しておき、その回数の間、再度繰返しステップ（ステップＳ４０）を実行させる（ステップＳ３７のいいえ１）こともできる。

以上より、本発明の実施例２によれば、階層的判別部３０は、第四階層条件が成立しない場合、第一閾値および第二閾値の１以上を適宜変化させた後、第三階層判別部３３の処理から繰り返させる繰返し部（繰返し手段）３５をさらに備えることができる。この結果、第三および第四階層における判別処理を繰返すことになるため、ＰＰＨかＰＶＯＤかの判別の精度を高めることができる。

図４６は、本発明の実施例３におけるＣＴＥＰＨ０１の患者の肺血流シンチグラムについて、全肺野に他の形状のＲＯＩを設定した場合における本発明の肺疾患判別プログラムを実行させた結果を示す。図４６で図１９および４１と同じ符号を付した個所は同じ表示等を示すため、説明は省略する。図４６に示されるように、ＲＯＩ設定部２３は全肺野（両肺）にＲＯＩを設定させる場合、所定の形状として図４６に示されるような多角形型の８１ＲＯＩｂとすることもできる。さらに、肺血流シンチグラム８０ｂにおける肺画像の縁にだけＲＯＩｂを設定したり（肺画像の縁だけ切り取る）、あるいは肺画像の中にＲＯＩｂを設定する（肺画像の中だけ切り取る）ことも可能である。

以上より、本発明の実施例３によれば、ＲＯＩ設定部２３は全肺野（両肺）にＲＯＩを設定させる場合、所定の形状として多角形型の８１ＲＯＩｂとすることもできる。さらに、肺血流シンチグラム８０ｂにおける肺画像の縁だけ切り取るようにＲＯＩｂを設定したり、あるいは肺画像の中だけ切り取るようにＲＯＩｂを設定することも可能である。

図４７は、本発明の実施例４における肺疾患判別プログラムをコンピュータに実行させるための環境４および肺疾患判別プログラムの機能ブロック２０’を示す。図４７で図１と同じ符号を付した個所は同じ要素を示すため、説明は省略する。図４７に示されるように、実施例４における肺疾患判別部２６’は、形状フラクタル処理部２７により求められたボックスカウント次元および濃度フラクタル処理部２８により求められたピクセルカウント次元とを要素とする入力データベクトルを自己組織化マップ（Self-organizing Map : ＳＯＭ）法における２次元格子配列上のニューロンに提示して当該肺血流シンチグラムにより示される肺疾患の種類を学習させる学習部（学習手段）９０を備えている。上述したように、被験者のボックスカウント次元は形状フラクタル処理部２７により記録装置１３のボックスカウント次元ＤＢ１６に記録されており、被験者のピクセルカウント次元は濃度フラクタル処理部２８により記録装置１３のピクセルカウント次元ＤＢ１７に記録されている。

ここで、ＳＯＭについて簡単に説明する。ＳＯＭはKohonen型ニューラルネットワーク法とも呼ばれ、教師無し学習型のニューラルネットワーク法である。ＳＯＭでは、入力パターン群をその類似度に応じて分類する能力を自律的に獲得していく。ＳＯＭは階層型ニューラルネットワーク法の１つであるが、学習則には競合学習が使われており、入力層からデータを入力すると、競合層でそのデータの特徴を最もよく捉えたある１つのニューロンが発火する。様々なパターンを繰返し入力することにより、似ているパターン同士は近い位置のニューロンが発火し、似ていないパターン同士は遠くに離れた位置のニューロンが発火するというように、結合荷重ωを変化させていく。十分に学習を行うと、結合荷重ωがある値に収束する。この時点での競合層上の入力パターン群の発火マッピングは、パターン同士の類似性を反映したものとなり、これが分類結果として用いられる。一般的には、ｎ次元の入力データ群を２次元配列にマッピングする２次元ＳＯＭが用いられる。

実施例４では、ｎ次元の入力層はｘ（ｔ）（ｔは０、１、２、．．．の時間を示し、各ｘ（ｔ）は時間ｔにおけるｎ個の入力データ、即ち肺血流シンチグラムの画像データを有する入力データベクトル）と表され、パターンＡの入力データベクトル（肺血流シンチグラムの画像データベクトル）はｘ_Ａ＝｛ｘ_Ａ１，ｘ_Ａ２，．．．，ｘ_Ａｎ｝等のように表される。２次元ＳＯＭはｍ×ｍの格子点上に配置されたニューロンｕ_ｉ，ｊ（ｉ、ｊ＝１〜ｍ）を持つものとする。入力データベクトルｘはすべてのニューロンｕ_ｉｊに提示され、２次元格子配列上の（ｉ，ｊ）に位置するニューロンｕ_ｉｊは、その入力データベクトルｘに対応した可変の結合荷重ベクトルω_ｉ，ｊ = (ω_ｉｊ，１， ω_ｉｊ，２，…， ω_ｉｊ，ｎ) 、ｉ、ｊ＝１〜ｍを持つ（重みω）。このω_ｉ，ｊを参照ベクトルという。

入力された肺画像データをＳＯＭ法における２次元格子配列上のニューロンに提示する入力データベクトルｘとし、所定の回数学習させる。入力データベクトルｘ（ｔ）の数をＬ、繰返し数をＮ（≧Ｌ）とし、ｔ＝０とする。参照ベクトルω_ｉ，ｊ （ｔ）、ｔ＝０、ｉ、ｊ＝１〜ｍの初期値をランダムに与える。ｔ＝１、２、．．．、Ｎに対して以下の操作を繰り返す。

入力データベクトルｘ（ｔ）と各参照ベクトルω_ｉ，ｊ （ｔ−１）との間のユークリッド距離‖ｘ（ｔ）−ω_ｉ，ｊ （ｔ−１）‖、ｉ、ｊ＝１〜ｍを求める。求めたユークリッド距離（ｉ、ｊ＝１〜ｍ）を最小とするニューロンｕ_Ｉ，Ｊを求める。すなわち、入力データベクトルｘ（ｔ）と各ニューロンｕ_ｉ，ｊの参照ベクトルω_ｉ，ｊ （ｔ−１）との間で最小とする測度は、ユークリッド距離である。参照ベクトルω_ｉ，ｊ （ｔ）を式１６により学習する。

ここで、ｈは参照ベクトルω_ｉ，ｊ （ｔ）の学習に用いられる近傍関数と呼ばれる関数であり、次の性質を持つ関数であり、ｔ（学習回数）に関する単調減少関数で、１）ｔが無限大で近傍関数ｈは０に収束する。２）、格子点（ｉ，ｊ）と勝者ニューロンｕ_Ｉ，Ｊの位置する格子点（Ｉ，Ｊ）との間のユークリッド距離‖ｕ_ｉ，ｊ−ｕ_Ｉ，Ｊ‖に関して単調減少する。単調減少の程度はｔが増加するほど大きくなる、という性質を有している。発火したニューロンｕ_Ｉ，Ｊは、次のサイクル上で同一の入力ベクトルｘ_Ｓに対する応答を改良するために重みω_ｉ，ｊ （ｔ）の修正を行う。ニューロンｕ_Ｉ，Ｊの近傍におけるすべてのニューロンｕ_ａ，ｂ等の重みω_ａ，ｂ （ｔ）は、 ニューロンｕ_Ｉ，Ｊとの間のユークリッド距離が増加するに従って減少する量によって修正する。つまり、発火したニューロンｕ_Ｉ，Ｊの近くにあるニューロンｕ_ａ，ｂ等ほど、発火の影響を受けるように学習が行われる。以上の操作を繰り返す。

学習部９０において、入力データベクトルと各ニューロンの参照ベクトルとの間で最小とする測度はユークリッド距離である。肺疾患判別部２６’は、学習部９０により学習させた後のＳＯＭ法におけるニューロンに、他の被験者の肺画像データについて、肺画像データ入力部２１、肺血流シンチグラム表示部２２、ＲＯＩ設定部２３、形状フラクタル処理部２７および濃度フラクタル処理部２８を実行させて求められたボックスカウント次元とピクセルカウント次元とを要素とする入力データベクトル（パターンＡ等）を提示して、当該他の被験者のボックスカウント次元およびピクセルカウント次元により示される他の被験者の肺疾患の種類を判別させる判別部（判別手段）９１を備えている。他の被験者のボックスカウント次元も形状フラクタル処理部２７により記録装置１３のボックスカウント次元ＤＢ１６の他の被験者用の記録領域（不図示）に記録されており、他の被験者のピクセルカウント次元も濃度フラクタル処理部２８により記録装置１３のピクセルカウント次元ＤＢ１７他の被験者用の記録領域（不図示）に記録されている。判別結果表示部２５’は、学習部９０により学習された結果および判別部９１により判別された結果を２次元ＳＯＭマップとして表示する。学習が終了すると、入力データベクトルｘ_Ａと似たものは特定の肺疾患のグループに分類され、他の入力データベクトルｘ_Ｂ等と似たものは別の肺疾患のグループに分類される。つまり、上述した勝者ニューロンの位置を２次元にプロットすることにより２次元ＳＯＭマップとして分類することができる。

図４８は、判別結果表示部２５’が表示装置１１に表示した２次元ＳＯＭマップ１００等を示す。図４８のＳＯＭマップ１００に示される大きい丸１０２等は、発火したニューロンであり、格子配列のサイズは１０×１０、即ちニューロンｕ_ｉ，ｊ（ｉ、ｊ＝１〜ｍ；ｍ＝１０）である。図４８において、符号１１０は「ニューロンから見た最一致データ」表、１１２は「データから見た最一致ニューロン」表である。表１１０および１１２において、名前欄は入力データベクトル（パターン）、縦横欄は勝者ニューロンｕ_Ｉ，Ｊの位置する格子点（Ｉ，Ｊ）の座標（ＳＯＭマップ１００上で左上を（０、０））、距離欄は入力データベクトルと当該格子点との間のユークリッド距離、cate欄はCategoly欄の略であり、本来所属する肺疾患のグループの数量化としての数値（例えば、ＰＰＨなら２．００、ＣＴＥＰなら４．００等)である。「ニューロンから見た最一致データ」表１１０は、勝者ニューロンｕ_Ｉ，Ｊの位置する格子点（Ｉ，Ｊ）の座標順（Ｉ、Ｊ）＝（０、０）、（０、１）...に入力データベクトルを並べた表であり、「データから見た最一致ニューロン」表１２０は入力データベクトル順に勝者ニューロンｕ_Ｉ，Ｊの位置する格子点（Ｉ，Ｊ）を並べた表である。図４８ではニューロン１０２等は白黒表示であるが、原画では肺疾患のグループ毎に色分け表示されており、学習の結果、各肺疾患のグループ毎に分類されていることがわかる。

図４８のＳＯＭマップ１００に示される小さい丸１０４等は、各ニューロンのベクトルの末点間の直線距離を示す。図４９および５０は図４８の小さい丸１０４等を説明するための図である。図４９に示されるように、ニューロン１０２等は各々６角形のニューロンｉ、ｊ、ｋ等で表されており、小さい丸１０４等はベクトルｉｋ等を意味する。図５０に示されるように、ニューロンｉ、ｊ、ｋまでの距離はベクトルＵ_ｉ、Ｕ_ｊ、Ｕ_ｋと表すことができ、ニューロンｉのベクトルＵ_ｉの末点とニューロンｋのベクトルＵ_ｋの末点との間の直線距離はベクトルｉｋとして表すことができる。このニューロンの末点間のベクトルｉｋが図４８および４９におけるニューロン間の小さい丸１０４等として示されている。

図５１は、本発明の実施例４における肺疾患判別プログラムおよびコンピュータが被験者の肺疾患の判別を実行する肺疾患判別方法の処理の流れをフローチャートで示す。図５１に示されるように、まず、学習用の被験者の肺画像データに関し、実施例１（図１４）で説明したように肺画像データ入力ステップ（ステップＳ１０）から濃度フラクタル処理ステップ（ステップＳ１８）まで実行する（ステップＳ５０）。次に、形状フラクタル処理ステップ（ステップＳ１６）で求められたボックスカウント次元と濃度フラクタル処理ステップ（ステップＳ１８）で求められたピクセルカウント次元とを要素とする入力データベクトルをＳＯＭ法における２次元格子配列上のニューロンに提示して当該肺血流シンチグラムにより示される肺疾患の種類を学習させる（学習ステップ。ステップＳ５２）。ここで、当該入力データベクトルと各ニューロンの参照ベクトルとの間で最小とする測度はユークリッド距離である。学習ステップ（ステップＳ５２）で学習させた後のＳＯＭ法におけるニューロンに、他の被験者の肺画像データについて、肺画像データ入力ステップ（ステップＳ１０）から濃度フラクタル処理ステップ（ステップＳ１８）まで実行させて求められたボックスカウント次元とピクセルカウント次元とを要素とする入力データベクトルを提示して、当該他の被験者のボックスカウント次元及びピクセルカウント次元により示される肺疾患の種類を判別させる（判別ステップ。ステップＳ５４）。判別結果表示ステップ（ステップＳ４０’）では、学習ステップ（ステップＳ５２）で学習された結果および判別ステップ（ステップＳ５４）で判別された結果を２次元ＳＯＭマップとして表示する。

図５２は、本発明の実施例４における肺疾患判別プログラム等が実行した学習結果（学習１０回毎の学習状況表）を示す。図５２の学習状況表において、最左列は学習回数（繰返し数Ｎ）、中央列は学習結果、最右列は認識結果を示す。学習結果列中の最左列は学習誤差であり、中央列は学習率、最右列は正解数を示す。学習回数ｔ回における学習率α（ｔ）は式１７で与えられる。式１７で、α_ｍｉｎ、α_ｍａｘは、各々学習率α（ｔ）の中での最小値、最大値であり、ｔ_ａｌｌは予定した全学習回数である。式１７中の関数ｆは式１８で与えられる。関数ｆは、誤差逆伝播法におけるシグモイド関数にボルツマンマシンにおける擬似焼きなまし法の温度Ｔを導入した関数とした。

学習誤差Ｅは、式１９で与えられる。式１９でＴｋはｋ回目の学習における温度、Ｏｋはｋ回目の学習におけるＳＯＭの出力（判別部９１により判別された結果）である。

図５２の認識結果列は、学習後のＳＯＭに対して種々の肺疾患のパターンを入力させた場合の分類結果を示す。認識結果列中の最左列は認識誤差であり、中央列は認識率、最右列は正解数を示す。認識誤差は式１９の出力Ｏｋを分類結果（cate）としたものであり、認識率は学習率と同様に与えられる。但し、ｔ_ａｌｌは全認識回数である。

図５３は、学習用の入力データベクトルの要素であるボックスカウント次元とピクセルカウント次元とを併記した別の学習状況表を示す。図５３の学習状況表において、第１列は肺血流シンチグラム名、第２列は学習率（１の場合○）、第３列は入力しボックスカウント次元ＤＢ１６に記録されたボックスカウント次元、第４列は入力しピクセルカウント次元ＤＢ１７に記録されたピクセルカウント次元、第５列および第６列は図４８のcate欄であって各々上記ボックスカウント次元、ピクセルカウント次元に対応するものである。図５３に示されるように、学習における正解率は１００％となった。

図５４は、図５３に示される別の学習状況により学習させた後のＳＯＭに対して種々の他の被験者の肺疾患のパターンを入力させた場合の分類結果を示す。図５４に示される表の各列の意味は図５３と同様であるため、説明は省略する。図５４に示されるように、認識における正解率は１００％となった。図５３および５４に示されるように、実施例４のＳＯＭを用いた肺疾患判別プログラムは、精度良く肺疾患を判別することができる。

以上より、本発明の実施例４によれば、肺疾患判別部２６’は、形状フラクタル処理部２７により求められたボックスカウント次元および濃度フラクタル処理部２８により求められたピクセルカウント次元とを要素とする入力データベクトルを自己組織化マップ（ＳＯＭ）法における２次元格子配列上のニューロンに提示して当該肺血流シンチグラムにより示される肺疾患の種類を学習させる学習部９０と、学習部９０により学習させた後のＳＯＭ法におけるニューロンに、他の被験者の肺画像データについて、肺画像データ入力部２１、肺血流シンチグラム表示部２２、ＲＯＩ設定部２３、形状フラクタル処理部２７および濃度フラクタル処理部２８を実行させて求められたボックスカウント次元とピクセルカウント次元とを要素とする入力データベクトル（パターンＡ等）を提示して、当該他の被験者の肺血流シンチグラムの画像データにより示される他の被験者の肺疾患の種類を判別させる判別部（判別手段）９１とを備えている。判別結果表示部２５’は、学習部９０により学習された結果および判別部９１により判別された結果を２次元ＳＯＭマップとして表示する。以上により、学習が終了すると、入力データベクトルｘ_Ａと似たものは特定の肺疾患のグループに分類され、他の入力データベクトルｘ_Ｂ等と似たものは別の肺疾患のグループに分類される。つまり、上述した勝者ニューロンの位置を２次元にプロットすることにより２次元ＳＯＭマップとして分類することができる。この結果、本発明の実施例４における肺疾患判別プログラムによれば、患者の生前において、正常であるか、あるいは呼吸不全をきたす難治性の疾患、特にＣＴＥＰ、ＰＰＨおよびＰＶＯＤであるかを判別可能とすることができる。

図５５は、本発明の肺疾患判別プログラムを実行するコンピュータ１０の内部回路１２０を示すブロック図である。図５５に示されるように、ＣＰＵ１２１、ＲＯＭ１２２、ＲＡＭ１２３、画像制御部１２６、コントローラ１２７、入力制御部１３０及び外部Ｉ／Ｆ部１３２はバス１３３に接続されている。図５５において、上述した本発明の肺疾患判別プログラムは、ＲＯＭ１２２、記録装置（ディスクまたはＳＳＤ）１３又はＤＶＤ若しくはＣＤ−ＲＯＭ１８９等の記録媒体（脱着可能な記録媒体を含む）に記録されている。記録装置１３には、上述した肺血流シンチグラム１４、２値化肺血流シンチグラム１５、ボックスカウント次元ＤＢ１６およびピクセルカウント次元ＤＢ１７等を記録しておくことができる。肺疾患判別プログラムは、ＲＯＭ１２２からバス１３３を介し、あるいは記録装置１３またはＤＶＤ若しくはＣＤ−ＲＯＭ１２９等の記録媒体からコントローラ１２７を経由してバス１３３を介しＲＡＭ１２３へロードされる。画像制御部１２６は、表示装置１１により表示される種々の画像（肺血流シンチグラム６０等、２次元ＳＯＭマップ等）の画像データをＶＲＡＭ１２５へ送出する。表示部（ディスプレイ）１１はＶＲＡＭ１２５から送出された上記データ等を表示する。ＶＲＡＭ１２５は表示装置１１の一画面分のデータ容量に相当する容量を有している画像メモリである。入力操作部１３１はコンピュータ１０に入力、ＲＯＩの設定等を行うためのマウス、キーボード等の入力装置であり、入力制御部１３０は入力操作部１３１と接続され入力制御等を行う。外部Ｉ／Ｆ部１３２はコンピュータ（ＣＰＵ）１２１の外部と接続する際のインタフェース機能を有している。

上述したようにコンピュータ（ＣＰＵ）１２１が本発明の肺疾患判別プログラムを実行することにより、本発明の目的を達成することができる。肺疾患判別プログラムは上述のようにＤＶＤ若しくはＣＤ−ＲＯＭ１２９等の記録媒体の形態でコンピュータ（ＣＰＵ）１２１に供給することができ、肺疾患判別プログラムを記録したＤＶＤ若しくはＣＤ−ＲＯＭ１２９等の記録媒体も同様に本発明を構成することになる。肺疾患判別プログラムを記録した記録媒体としては上述された記録媒体の他に、例えばＵＳＢメモリ、メモリ・カード、ＤＶＤ−Ｒ等を用いることができる。

本発明の活用例として、肺疾患の判別に適用することができる。

１、４ 環境、 １０ コンピュータ、 １２ 撮像装置、 １３ 記録装置、 １４ 肺血流シンチグラム（原画像）、 １５ ２値化肺血流シンチグラム、 １６ ボックスカウント次元ＤＢ、 １７ ピクセルカウント次元ＤＢ、 ２０、２０’ 機能ブロック、 ２１ 肺画像データ入力部、 ２２ 肺血流シンチグラム表示部、 ２３ ＲＯＩ設定部、 ２４ グラフ表示部、 ２５、２５’ 判別結果表示部、 ２６、２６’ 肺疾患判別部、 ２７ 形状フラクタル処理部、 ２８ 濃度フラクタル処理部、 ３０ 階層的判別部、 ３１ 第一階層判別部、 ３２ 第二階層判別部、 ３３ 第三階層判別部、 ３４ 第四階層判別部、 ３５ 繰返し部、 ３６ ピクセルカウント次元左右比算出部、 ４０Ｌ 右肺画像データ、 ４０Ｒ 左肺画像データ、 ５０Ｌ、６０Ｌ 左肺血流シンチグラム、 ５０Ｒ、６０Ｒ 右肺血流シンチグラム、 ５０Ｌｂ ２値化左肺血流シンチグラム、 ５０Ｒｂ ２値化右肺血流シンチグラム、 ６０ 肺血流シンチグラム、 ６０ｂ、８０ｂ ２値化肺血流シンチグラム、 ６０Ｌｂ ２値化左肺血流シンチグラム、 ６０Ｒｂ ２値化右肺血流シンチグラム、 ６０ＲＯＩ−Ｌ、６０ＲＯＩ−Ｌｂ、６０ＲＯＩ−Ｒ、６０ＲＯＩ−Ｒｂ、８０ＲＯＩｂ、８１ＲＯＩｂ 関心領域、 ６１ ボックスカウント次元等を求めた結果、 ６２ 両対数グラフ、 ６３ ボックスカウント次元、 ６４ 相関係数、 ６５ 最小二乗平均誤差、 ６６ 直線度、 ６７、７７ 表示画像欄、 ６８ 閾値欄、 ７１ ピクセルカウント次元等を求めた結果、 ７２ 片対数グラフ、 ７３ ピクセルカウント次元、 ９０ 学習部、 ９１ 判別部、 １００ ＳＯＭマップ、 １０２ ニューロン、 １０４ 直線距離、 １１０ ニューロンから見た最一致データ表、 １１２ データから見た最一致ニューロン表、 １２０ 内部回路、 １２１ ＣＰＵ、 １２２ ＲＯＭ、 １２３ ＲＡＭ、 １２４ 表示部、 １２５ ＶＲＡＭ、 １２６ 画像制御部、 １２７ コントローラ、 １２９ ＣＤ−ＲＯＭ、 １３０ 入力制御部、 １３１ 入力操作部、 １３２ 外部Ｉ／Ｆ部、 １３２ バス。

"呼吸不全をきたす難治性呼吸器疾患に関する疫学調査研究"、［online］、厚生労働科学研究費補助金、難治性疾患克服研究事業、呼吸不全に関する調査研究班、［平成２５年８月６日検索］、インターネット、<URL: http://kojyufuzen.umin.jp/> "原発性肺高血圧症"、［online］、国立循環器病情報サービス、［平成２５年８月６日検索］、インターネット、<URL: http://www.nevc.go.jp/cvdinfo/disease/pph/index.html> "慢性血栓塞栓性肺高血圧症"、［online］、難病情報センター、［平成２５年８月６日検索］、インターネット、<URL: http://www.nanbyou.or.jp/entry/192> "肺静脈閉塞性症"、［online］、難病情報センター、［平成２５年８月６日検索］、インターネット、<URL: http://www.nanbyou.or.jp/entry/812> 本田勝也著、「フラクタル」、シリーズ非線形科学入門、朝倉書店、２０１０年４月２５日第６刷。

Claims (11)

1. 被験者の肺疾患の判別を行うための肺疾患判別プログラムであって、コンピュータを、
   肺血流シンチグラフィにより得られた被験者の肺画像データを入力し、記録部に肺血流シンチグラムとして記録する肺画像データ入力手段、
   前記記録部に記録された肺血流シンチグラムを表示する肺血流シンチグラム表示手段、
   前記肺血流シンチグラム表示手段により表示された肺血流シンチグラムに対して、左右の肺別及び／又は両肺に所定の形状の関心領域を設定させる関心領域設定手段、
   前記関心領域設定手段により設定された関心領域における被験者の肺血流シンチグラムの形状に対し、フラクタル解析におけるボックスカウント法を適用してボックスカウント次元（フラクタル次元）を求める形状フラクタル処理手段、
   前記関心領域設定手段により設定された関心領域における被験者の肺血流シンチグラムの放射性同位元素のカウント値に対し、ピクセル毎に、最大のカウント値に対する該ピクセルのカウント値である濃度を求め、濃度の変化と該濃度以上のピクセル数との関係に対しボックスカウント法類似のピクセルカウント法を適用してボックスカウント次元類似のピクセルカウント次元を求める濃度フラクタル処理手段、
   前記形状フラクタル処理手段により求められたボックスカウント次元と前記濃度フラクタル処理手段により求められたピクセルカウント次元とに基づき、被験者の肺疾患を判別する肺疾患判別手段、
   前記肺疾患判別手段により判別された判別結果を表示する判別結果表示手段として機能させるための肺疾患判別プログラムであって、
   前記肺疾患判別手段は、
   前記形状フラクタル処理手段により求められたボックスカウント次元及び前記濃度フラクタル処理手段により求められたピクセルカウント次元に基づき、前記肺画像データ入力手段により前記記録部に記録された被験者の肺血流シンチグラムを階層的に判別処理することにより、被験者の肺疾患の種類（正常を含む。）を判別する階層的判別手段を備えたことを特徴とする肺疾患判別プログラム。
2. 請求項１記載の肺疾患判別プログラムにおいて、前記形状フラクタル処理手段が対象とする肺血流シンチグラムは、前記肺画像データ入力手段により前記記録部に記録された被験者の肺血流シンチグラムに対し所定の閾値で２値化された２値化画像データを含むことを特徴とする肺疾患判別プログラム。
3. 請求項１又は２記載の肺疾患判別プログラムにおいて、
   前記肺疾患の種類は、正常、原発性肺高血圧症、慢性血栓塞栓性肺高血圧症及び肺静脈閉塞性疾患であり、
   前記階層的判別手段は、前記関心領域設定手段により設定された関心領域について、
   左右の肺に対する前記ボックスカウント次元が共に所定の範囲内にある第一階層条件が成立する場合、被験者の肺疾患の種類を正常と判別する第一階層判別手段と、
   前記第一階層条件が成立しなかった場合、左右の肺に対する前記ピクセルカウント次元が共に所定の値以下である第二階層条件が成立する場合、被験者の肺疾患の種類を慢性血栓塞栓性肺高血圧症と判別する第二階層判別手段とを備えたことを特徴とする肺疾患判別プログラム。
4. 請求項３記載の肺疾患判別プログラムにおいて、前記階層的判別手段は、
   前記濃度フラクタル処理手段により求められた左右肺のピクセルカウント次元の比であって小さい方のピクセルカウント次元を分母とする比を算出するピクセルカウント次元左右比算出手段をさらに備え、
   前記第二階層条件が成立しなかった場合、前記ピクセルカウント次元左右比算出手段により算出されたピクセルカウント次元左右比が第一閾値以上である第三階層条件が成立する場合、被験者の肺疾患の種類を慢性血栓塞栓性肺高血圧症と判別する第三階層判別手段と、
   前記第三階層条件が成立しなかった場合、前記ピクセルカウント次元左右比算出手段により算出されたピクセルカウント次元左右比が第二閾値以上である第四階層条件が成立する場合は被験者の肺疾患の種類を原発性肺高血圧症と判別し、該第四階層条件が成立しない場合は被験者の肺疾患の種類を肺静脈閉塞性疾患と判別する第四階層判別手段とをさらに備えたことを特徴とする肺疾患判別プログラム。
5. 請求項４記載の肺疾患判別プログラムにおいて、前記階層的判別手段は、
   前記第四階層条件が成立しない場合、第一閾値及び第二閾値の１以上を変化させた後、前記第三階層判別手段から繰り返させる繰返し手段をさらに備えたことを特徴とする肺疾患判別プログラム。
6. 請求項３乃至５のいずれかに記載の肺疾患判別プログラムにおいて、
   前記形状フラクタル処理手段がボックスカウント次元を求める際のボックスのサイズとボックス数との関係を示すグラフと、前記濃度フラクタル処理手段がピクセルカウント次元を求める際の濃度とピクセル数との関係を示すグラフとを表示するグラフ表示手段をさらに備えたことを特徴とする肺疾患判別プログラム。
7. 被験者の肺疾患の判別を行うための肺疾患判別プログラムであって、コンピュータを、
   肺血流シンチグラフィにより得られた被験者の肺画像データを入力し、記録部に肺血流シンチグラムとして記録する肺画像データ入力手段、
   前記記録部に記録された肺血流シンチグラムを表示する肺血流シンチグラム表示手段、
   前記肺血流シンチグラム表示手段により表示された肺血流シンチグラムに対して、左右の肺別及び／又は両肺に所定の形状の関心領域を設定させる関心領域設定手段、
   前記関心領域設定手段により設定された関心領域における被験者の肺血流シンチグラムの形状に対し、フラクタル解析におけるボックスカウント法を適用してボックスカウント次元（フラクタル次元）を求める形状フラクタル処理手段、
   前記関心領域設定手段により設定された関心領域における被験者の肺血流シンチグラムの放射性同位元素のカウント値に対し、ピクセル毎に、最大のカウント値に対する該ピクセルのカウント値である濃度を求め、濃度の変化と該濃度以上のピクセル数との関係に対しボックスカウント法類似のピクセルカウント法を適用してボックスカウント次元類似のピクセルカウント次元を求める濃度フラクタル処理手段、
   前記形状フラクタル処理手段により求められたボックスカウント次元と前記濃度フラクタル処理手段により求められたピクセルカウント次元とに基づき、被験者の肺疾患を判別する肺疾患判別手段、
   前記肺疾患判別手段により判別された判別結果を表示する判別結果表示手段として機能させるための肺疾患判別プログラムであって、
   前記肺疾患判別手段は、
   前記形状フラクタル処理手段により求められたボックスカウント次元及び前記濃度フラクタル処理手段により求められたピクセルカウント次元とを要素とする入力データベクトルを自己組織化マップ（Self-organizing Map : ＳＯＭ）法における２次元格子配列上のニューロンに提示して該肺血流シンチグラムにより示される肺疾患の種類を学習させる学習手段であって、該入力データベクトルと各ニューロンの参照ベクトルとの間で最小とする測度はユークリッド距離であるものと、
   前記学習手段により学習させた後の前記ＳＯＭ法における前記ニューロンに、
   他の被験者の肺画像データについて、前記肺画像データ入力手段、前記肺血流シンチグラム表示手段、前記関心領域設定手段、前記形状フラクタル処理手段及び前記濃度フラクタル処理手段を実行させて求められたボックスカウント次元とピクセルカウント次元とを要素とする入力データベクトルを提示して、該他の被験者のボックスカウント次元及びピクセルカウント次元により示される肺疾患の種類を判別させる判別手段とを備え、
   前記判別結果表示手段は、前記学習手段により学習された結果及び前記判別手段により判別された結果を２次元ＳＯＭマップとして表示することを特徴とする肺疾患判別プログラム。
8. 請求項７記載の肺疾患判別プログラムにおいて、
   学習率は、誤差逆伝播法におけるシグモイド関数にボルツマンマシンにおける擬似焼きなまし法の温度を導入した関数に基づき計算し、
   学習誤差は、前記温度と前記判別手段により判別された結果とに基づき計算することを特徴とする肺疾患判別プログラム。
9. 請求項１乃至８のいずれかに記載の肺疾患判別プログラムを記録したコンピュータ読取り可能な記録媒体。
10. コンピュータが、被験者の肺疾患の判別を実行する肺疾患判別方法であって、
    肺血流シンチグラフィにより得られた被験者の肺画像データを入力し、記録部に肺血流シンチグラムとして記録する肺画像データ入力ステップと、
    前記記録部に記録された肺血流シンチグラムを表示する肺血流シンチグラム表示ステップと、
    前記肺血流シンチグラム表示ステップで表示された肺血流シンチグラムに対して、左右の肺別及び／又は両肺に所定の形状の関心領域を設定させる関心領域設定ステップと、
    前記関心領域設定ステップで設定された関心領域における被験者の肺血流シンチグラムの形状に対し、フラクタル解析におけるボックスカウント法を適用してボックスカウント次元（フラクタル次元）を求める形状フラクタル処理ステップと、
    前記関心領域設定手段により設定された関心領域における被験者の肺血流シンチグラムの放射性同位元素のカウント値に対し、ピクセル毎に、最大のカウント値に対する該ピクセルのカウント値である濃度を求め、濃度の変化と該濃度以上のピクセル数との関係に対しボックスカウント法類似のピクセルカウント法を適用してボックスカウント次元類似のピクセルカウント次元を求める濃度フラクタル処理ステップと、
    前記形状フラクタル処理ステップで求められたボックスカウント次元と前記濃度フラクタル処理ステップで求められたピクセルカウント次元とに基づき、被験者の肺疾患を判別する肺疾患判別ステップと、
    前記肺疾患判別ステップで判別された判別結果を表示する判別結果表示ステップを備えたことを特徴とする肺疾患判別方法であって、
    前記肺疾患判別ステップは、
    前記形状フラクタル処理ステップで求められたボックスカウント次元と前記濃度フラクタル処理ステップで求められたピクセルカウント次元とに基づき、前記肺画像データ人力ステップで前記記録部に記録された被験者の肺血流シンチグラムを階層的に判別処理することにより、被験者の肺疾患の種類（正常を含む。）を判別する階層的判別ステップを備えたことを特徴とする肺疾患判別方法。
11. コンピュータが、被験者の肺疾患の判別を実行する肺疾患判別方法であって、
    肺血流シンチグラフィにより得られた被験者の肺画像データを入力し、記録部に肺血流シンチグラムとして記録する肺画像データ入力ステップと、
    前記記録部に記録された肺血流シンチグラムを表示する肺血流シンチグラム表示ステップと、
    前記肺血流シンチグラム表示ステップで表示された肺血流シンチグラムに対して、左右の肺別及び／又は両肺に所定の形状の関心領域を設定させる関心領域設定ステップと、
    前記関心領域設定ステップで設定された関心領域における被験者の肺血流シンチグラムの形状に対し、フラクタル解析におけるボックスカウント法を適用してボックスカウント次元（フラクタル次元）を求める形状フラクタル処理ステップと、
    前記関心領域設定手段により設定された関心領域における被験者の肺血流シンチグラムの放射性同位元素のカウント値に対し、ピクセル毎に、最大のカウント値に対する該ピクセルのカウント値である濃度を求め、濃度の変化と該濃度以上のピクセル数との関係に対しボックスカウント法類似のピクセルカウント法を適用してボックスカウント次元類似のピクセルカウント次元を求める濃度フラクタル処理ステップと、
    前記形状フラクタル処理ステップで求められたボックスカウント次元と前記濃度フラクタル処理ステップで求められたピクセルカウント次元とに基づき、被験者の肺疾患を判別する肺疾患判別ステップと、
    前記肺疾患判別ステップで判別された判別結果を表示する判別結果表示ステップを備えたことを特徴とする肺疾患判別方法であって、
    前記肺疾患判別ステップは、
    前記形状フラクタル処理ステップで求められたボックスカウント次元と前記濃度フラクタル処理ステップで求められたピクセルカウント次元とを要素とする入力データベクトルを自己組織化マップ（Self-organizing Map : ＳＯＭ）法における２次元格子配列上のニューロンに提示して該肺血流シンチグラムにより示される肺疾患の種類を学習させる学習ステップであって、該入力データベクトルと各ニューロンの参照ベクトルとの間で最小とする測度はユークリッド距離であるものと、
    前記学習ステップで学習させた後の前記ＳＯＭ法における前記ニューロンに、
    他の被験者の肺画像データについて、前記肺画像データ入力ステップから前記濃度フラクタル処理ステップまで実行させて求められたボックスカウント次元とピクセルカウント次元とを要素とする入力データベクトルを提示して、該他の被験者のボックスカウント次元及びピクセルカウント次元により示される肺疾患の種類を判別させる判別ステップとを備え、
    前記判別結果表示ステップは、前記学習ステップで学習された結果及び前記判別ステップで判別された結果を２次元ＳＯＭマップとして表示することを特徴とする肺疾患判別方法。