JP6937438B2

JP6937438B2 - 画像診断支援システムおよび画像診断支援方法

Info

Publication number: JP6937438B2
Application number: JP2020533945A
Authority: JP
Inventors: 文行白谷
Original assignee: Olympus Corp
Current assignee: Olympus Corp
Priority date: 2018-07-31
Filing date: 2018-07-31
Publication date: 2021-09-22
Anticipated expiration: 2038-07-31
Also published as: JPWO2020026349A1; US11488311B2; WO2020026349A1; CN112437948A; US20210118145A1

Description

本発明は、画像診断支援システムおよび画像診断支援装置に関する。

近年、ディープラーニングに代表される教師付き学習を内視鏡画像の診断に応用する試みが開始されている。従来では、既存手法と教師付き学習の組合せによって、内視鏡画像から関心対象である病変を検出する技術が提案されている（特許文献１）。

ＷＯ２０１７／０４２８１２号公報

特許文献１には、検出した関心対象を含む関心領域を、教師付き学習によって分類（鑑別）する記載も見られるが、関心領域を高精度に分類するための課題や工夫については開示されていない。本発明者は、より高精度に関心領域を分類できる技術を模索し、本発明に想到した。

本発明はこうした状況に鑑みなされたものであり、その目的は、より高精度に関心領域を分類できる技術を提供することにある。

上記課題を解決するために、本発明のある態様の画像診断支援システムは、画像の入力を受け付ける入力部と、関心対象を含む関心領域を画像から検出し、検出された関心領域を分類して第１分類結果を出力する第１処理部と、関心領域に対してセマンティックセグメンテーションを実行し、その結果に基づいて関心領域を分類して第２分類結果を出力する第２処理部と、関心領域に関して所定の条件が成立する場合、第１分類結果が関心領域の分類として採用され、成立しない場合、第２分類結果が関心領域の分類として採用される。

本発明の別の態様は、画像診断支援装置である。この装置は、画像の入力を受け付ける入力部と、関心対象を含む関心領域を画像から検出し、検出された関心領域を分類して第１分類結果を出力する第１処理部と、関心領域に対してセマンティックセグメンテーションを実行し、その結果に基づいて関心領域を分類して第２分類結果を出力する第２処理部と、関心領域に関して所定の条件が成立する場合、第１分類結果が関心領域の分類として採用され、満たさない場合、第２分類結果が関心領域の分類として採用される。

本発明のさらに別の態様は、画像診断支援システムである。この画像診断支援システムは、画像の入力を受け付ける入力部と、関心対象を含む関心領域を、画像を低解像度化した画像から検出する第１処理部と、低解像度化した画像よりも高解像度な画像における、関心領域に対応する領域に対してセマンティックセグメンテーションを実行し、その結果に基づいて関心領域を分類する第２処理部と、を備える。

なお、以上の構成要素の任意の組み合わせ、本発明の表現を方法、装置、システム、記録媒体、コンピュータプログラムなどの間で変換したものもまた、本発明の態様として有効である。

本発明によれば、より高精度に関心領域を分類できる技術を提供できる。

第１の実施の形態に係る画像診断支援システムの機能および構成を示すブロック図である。図１の決定部による処理を説明するための図である。第１の実施の形態に係る画像診断支援システムにおける一連の処理の一例を示すフローチャートである。第２の実施の形態に係る画像診断支援システムにおける一連の処理の一例を示すフローチャートである。第４の実施の形態に係る画像診断支援システムの機能および構成を示すブロック図である。

以下、本発明を好適な実施の形態をもとに図面を参照しながら説明する。

（第１の実施の形態）
図１は、第１の実施の形態に係る画像診断支援システム１００の機能および構成を示すブロック図である。ここに示す各ブロックは、ハードウェア的には、コンピュータのＣＰＵ（central processing unit）をはじめとする素子や機械装置で実現でき、ソフトウェア的にはコンピュータプログラム等によって実現されるが、ここでは、それらの連携によって実現される機能ブロックを描いている。したがって、これらの機能ブロックはハードウェア、ソフトウェアの組合せによっていろいろなかたちで実現できることは、当業者には理解されるところである。後述の図４についても同様である。

画像診断支援システム１００は、内視鏡画像を用いた病変の診断を支援する。なお、内視鏡画像は、例えばスコープを体内に挿入する従来型の内視鏡、カプセル内視鏡またはＮＢＩ（Narrow Band Imaging）内視鏡により撮影される。

画像診断支援システム１００は、画像入力部１１０と、第１処理部１１２と、第２処理部１１４と、決定部１１６と、出力部１１８と、を備える。

画像入力部１１０は、ユーザ端末または他の装置から、内視鏡画像の入力を受け付ける。第１処理部１１２は、画像入力部１１０が受け付けた内視鏡画像に対して、病変候補領域（関心領域）を検出する検出処理を実行する。病変候補領域は、病変（関心対象）を含む矩形状の領域である。そして第１処理部１１２は、検出された病変候補領域（すなわち病変）の悪性度を分類（鑑別）する第１分類処理を実行し、その分類結果である第１分類結果を出力する。

具体的には第１処理部１１２は、検出処理として、内視鏡画像から病変を含む病変候補領域を検出するよう学習された学習済みの検出用の学習モデルに内視鏡画像を入力する。なお、検出用の学習モデルは、好ましくはニューラルネットワークとして、さらに好ましくは、例えばRegion Proposal Network（RPN）などの畳み込みニューラルネットワークとして構築される。つまり、第１処理部１１２は、検出処理として、好ましくはニューラルネットワーク、さらに好ましくは畳み込みニューラルネットワークによる処理を実行する。内視鏡画像によっては、検出処理で病変候補領域が検出されない場合もあれば、１つまたは複数の病変候補領域が検出される場合もある。

また、第１処理部１１２は、第１分類処理として、病変候補領域を分類するよう学習された学習済みの第１分類用の学習モデルに、検出された病変候補領域に関する情報を入力する。ここでは、第１分類用の学習モデルは、病変候補領域を良性、やや悪性、悪性のいずれかに分類するよう学習されているものとする。なお、第１分類用の学習モデルは、好ましくはニューラルネットワークとして、さらに好ましくは、例えばFast R-CNN（FRCNN）などの畳み込みニューラルネットワークとして構築される。つまり、第１処理部１１２は、第１分類処理として、好ましくはニューラルネットワーク、さらに好ましくは畳み込みニューラルネットワークによる処理を実行する。

第２処理部１１４は、検出処理により検出された病変候補領域の各画素の悪性度を分類するすなわち病変候補領域を画素単位で分類するセマンティックセグメンテーションを実行し、さらにセマンティックセグメンテーションの実行結果すなわち各画素の分類結果に基づいて病変候補領域の悪性度を分類する第２分類処理を実行し、その分類結果である第２分類結果を出力する。

具体的には第２処理部１１４は、学習済みのセマンティックセグメンテーション用の学習モデルに、検出された病変候補領域に関する情報を入力する。ここでは、セマンティックセグメンテーション用の学習モデルは、病変候補領域の各画素を良性、やや悪性、悪性または正常のいずれかに分類するよう学習されているものとする。なお、セマンティックセグメンテーション用の学習モデルは、好ましくはニューラルネットワークとして、さらに好ましくは、例えばDeepLabなどの畳み込みニューラルネットワークとして構築される。つまり、第２処理部１１４は、第２分類処理として、好ましくはニューラルネットワーク、さらに好ましくは畳み込みニューラルネットワークによる処理を実行する。

また、第２処理部１１４は、第２分類処理では、例えば、病変に分類された画素（すなわち良性、やや悪性または悪性に分類された画素）において割合が一番多い分類を、病変候補領域（すなわち病変）としての分類結果すなわち第２分類結果とする。

決定部１１６は、第１分類結果と第２分類結果のどちらの分類結果を病変候補領域の分類として採用するかを決定する。ここで、第１分類処理では、病変候補領域を全体としてひとつのカテゴリに分類するため、病変候補領域における病変の専有面積が狭い場合、具体的には病変が斜め方向に細長い場合、分類精度が低くなる傾向にある。そこで決定部１１６は、病変候補領域における病変の専有面積が広い場合は第１分類処理による第１分類結果を病変候補領域の分類として採用すると決定し、狭い場合は第２分類処理による第２分類結果を病変候補領域の分類として採用すると決定する。

図２（ａ）、（ｂ）は、決定部１１６による処理を説明するための図である。図２（ａ）は、セマンティックセグメンテーションの実行結果を示す。図２（ｂ）は、図２（ａ）の病変領域を公知の手法に基づいて楕円近似して得られた楕円を示す。図２（ａ）、（ｂ）を参照して、決定部１１６による処理をより具体的に説明する。決定部１１６は、まず、セマンティックセグメンテーションの実行結果における病変領域Ａ１を、すなわちセマンティックセグメンテーションにより病変（すなわち良性、やや悪性または悪性）に分類された画素の集まりである病変領域Ａ１を、楕円近似する。続いて決定部１１６は、楕円近似して得られた病変領域Ａ２の長径Ｄ_Ｌ、短径Ｄ_Ｍおよび長軸Ａｘの向きを特定する。そして決定部１１６は、下記の条件が成立する場合、病変がそこまで細長くない又は細長いとしても斜め方向に細長くはないと推定し、第１分類結果を病変候補領域の分類として採用すると決定する。一方、決定部１１６は、下記の条件が成立しない場合、病変が斜め方向にある程度以上細長いと推定して、第２分類結果を病変候補領域の分類結果として採用すると決定する。
（条件）
短径Ｄ_Ｍ／長径Ｄ_Ｌ ≧ 閾値Ｔｈ１（例えばＴｈ１＝０．３）
または
画像の縦方向と長軸Ａｘとがなす鋭角αが所定の角度範囲（例えば０°〜３０°）

出力部１１８は、決定部１１６によって病変候補領域の分類として採用が決定された分類を、例えばディスプレイに出力する。

以上が画像診断支援システム１００の構成である。続いて画像診断支援システム１００の動作を説明する。
図３は、画像診断支援システム１００における一連の処理の一例を示すフローチャートである。画像入力部１１０は、内視鏡画像の入力を受け付ける（Ｓ１１０）。第１処理部１１２は、内視鏡画像に対して、病変候補領域を検出する検出処理を実行する（Ｓ１１２）。病変候補領域が検出された場合、すなわち内視鏡画像中に病変候補領域が存在する場合（Ｓ１１４のＹ）、第１処理部１１２は検出された病変候補領域に対して第１分類処理を実行して第１分類結果を出力する（Ｓ１１６）。第２処理部１１４は、検出された病変候補領域に対してセマンティックセグメンテーションを実行し（Ｓ１１８）、その結果に基づいて第２分類結果を出力する第２分類処理を実行する（Ｓ１２０）。決定部１１６は、セマンティックセグメンテーションの実行結果が示す病変領域の形状に基づいて、第１分類結果と第２分類結果のどちらの分類結果を病変候補領域の分類として採用するかを決定する（Ｓ１２２）。出力部１１８は、採用が決定された分類を出力する（Ｓ１２４）。病変候補領域が検出されなかった場合（Ｓ１１４のＮ）、Ｓ１１６〜Ｓ１２４をスキップして処理を終了する。

なお、Ｓ１１２の検出処理において病変候補領域が検出された場合に、Ｓ１１６の第１分類処理をスキップしてＳ１１８のセマンティックセグメンテーションの実行に進んでもよい。そして、セマンティックセグメンテーションを実行した後に、Ｓ１２０の第２分類処理をスキップしてＳ１２２の採用する分類結果を決定する処理に進んでもよい。そして、第１分類結果を採用すると決定された場合に、Ｓ１１６の第１分類処理を実行し、第２分類結果を採用すると決定された場合にＳ１２０の第２分類処理を実行してもよい。

なお、以上の動作は、内視鏡画像が静止画である場合を想定したものであるが、動画の場合は、内視鏡画像の読み込みに応じて分類結果を出力し続け、例えば動画の最後になった時点で処理が終了させてもよい。

以上説明した第１の実施の形態に係る画像診断支援システム１００によると、病変候補領域中の病変が斜め方向に細長い場合、そうである場合に分類精度が低くなる傾向にある第１分類結果ではなく、第２分類結果が採用される。これにより、分類精度を向上させることができる。

（第２の実施の形態）
第１の実施の形態では、第２処理部によるセマンティックセグメンテーションの実行結果が示す病変の形状に基づいて、第１分類結果と第２分類結果のいずれの分類結果を病変候補領域の分類として採用するか決定する場合について説明した。第２の実施の形態では、病変候補領域の形状に基づいて、第１分類結果と第２分類結果のいずれの分類結果を病変候補領域の分類として採用するか決定する場合について説明する。第１の実施の形態との相違点を中心に説明する。

ここで、第１処理部１１２による検出処理により検出される病変候補領域が細長い形状である場合、そこに含まれる病変の形状は細長い形状であると推定される。一方、病変は側方から見ると細長く見えることが多く、第１処理部１１２による分類では、側方から撮影された病変の分類精度が低くなる傾向にある。そこで決定部１１６は、病変候補領域が正方形またはそこまで細長くない矩形状である場合は第１分類処理による第１分類結果を病変候補領域の分類として採用すると決定し、病変候補領域がある程度以上細長い矩形状である場合は第２分類処理による第２分類結果を病変候補領域の分類として採用すると決定する。

具体的には決定部１１６は、下記の条件が成立する場合、第１分類結果を病変候補領域の分類として採用すると決定し、下記の条件が成立しない場合、第２分類結果を病変候補領域の分類結果として採用すると決定する。
（条件）
病変候補領域の短辺の長さ／病変候補領域の長辺の長さ ≧ 閾値Ｔｈ２（例えばＴｈ２＝０．２）

続いて、画像診断支援システムの動作を説明する。
図４は、第２の実施の形態に係る画像診断支援システムにおける一連の処理の一例を示すフローチャートである。図３との相違点を中心に説明する。第１分類結果が出力されると、決定部１１６は、病変候補領域の形状に基づいて、第１分類結果と第２分類結果のどちらの分類結果を病変候補領域の分類として採用するかを決定する（Ｓ１１８）。第１分類結果を採用すると決定した場合（Ｓ１１８のＹ）、Ｓ１２０のセマンティックセグメンテーションの実行およびＳ１２２の第２分類処理をスキップして、採用が決定された第１分類結果を出力する（Ｓ１２４）。第２分類結果を採用すると決定した場合（Ｓ１１８のＮ）、セマンティックセグメンテーションの実行および第２分類処理を実行し（Ｓ１２０，Ｓ１２２）、第２分類結果を分類結果として出力する（Ｓ１２４）。

なお、Ｓ１１８の決定部１１６による処理は、Ｓ１１４の処理のすぐ後に実行してもよい。この場合、第１分類結果を採用すると決定した場合にのみ第１分類処理を実行し、第２分類結果を採用すると決定した場合にのみ第２分類処理を実行してもよい。

また、病変候補領域が正方形または正方形に近い矩形の場合、病変が斜め方向に細長い場合があり得る。したがって、第１の実施の形態の技術をさらに組み合わせて、病変候補領域が正方形または正方形に近い矩形の場合に、第１分類結果を採用するか第２分類結果を採用するかをさらに判定してもよい。

以上説明した第２実施の形態に係る画像診断支援システムによると、病変候補領域がある程度以上細長い矩形状である場合、そうである場合に分類精度が低くなる傾向にある第１分類結果ではなく、第２分類結果が採用される。これにより、分類精度を向上させることができる。

（第３の実施の形態）
本発明者は、学習時にはSoftMax関数を施した出力を尤度とし、認識時にはSoftMax関数を施さない出力を尤度とした場合、分類の尤度と分類の精度との間に相関があることを確認してした。そこで第３の実施の形態では、第１分類結果の尤度と第２分類結果の尤度に基づいて、第１分類結果と第２分類結果のどちらの分類結果を病変候補領域の分類として採用するか決定する場合について説明する。第１の実施の形態との相違点を中心に説明する。

第１処理部１１２は、検出処理および第１分類処理を実行する。決定部１１６は、第１分類処理による第１分類結果の尤度が所定の閾値Ｔｈ３（例えばＴｈ３＝０．６）以上であるか否かを判定する。第１分類結果の尤度が閾値Ｔｈ３以上である場合、決定部１１６は第１分類結果を病変候補領域の分類として採用すると決定する。第１分類結果の尤度が閾値Ｔｈ３未満である場合、決定部１１６は第１分類結果を病変候補領域の分類として採用しないと決定する。この場合、第２処理部１１４は、セマンティックセグメンテーションの実行および第２分類処理を実行する。決定部１１６は、第２分類処理による第２分類結果の尤度が所定の閾値Ｔｈ４（例えばＴｈ４＝０．６）以上であるか否かを判定する。第２分類結果の尤度が閾値Ｔｈ４以上である場合、決定部１１６は第２分類結果を病変候補領域の分類として採用すると決定する。第２分類結果の尤度が閾値Ｔｈ４未満である場合、決定部１１６は第２分類結果を病変候補領域の分類として採用しないと決定する。この場合、決定部１１６は病変候補領域を分類不可とする。出力部１１８は、第１分類結果、第２分類結果または分類不可を出力する。

以上説明した第３の実施の形態に係る画像診断支援システムによると、分類の尤度が低い分類結果を採用しないため、分類精度を向上させることができる。

（第４の実施の形態）
図５は、第４の実施の形態に係る画像診断支援システム２００の機能および構成を示すブロック図である。第１の実施の形態との相違点を中心に説明する。

画像診断支援システム２００は決定部を備えない。第１処理部１１２は、画像入力部１１０が受け付けた内視鏡画像またはそれを低解像度化した画像に対して、検出処理を実行する。なお、本実施の形態の第１処理部１１２は、第１分類処理は実行しない。第２処理部１１４は、検出処理により検出された病変候補領域に対応する領域であって、検出処理に用いられた画像よりも高解像度な画像における当該病変候補領域に対応する領域に対して第２分類処理を実行する。出力部１１８は、第２分類処理による第２分類結果を病変候補領域の分類として出力する。

以上説明した第４の実施の形態に係る画像診断支援システム２００によると、

以上、本発明を実施の形態をもとに説明した。この実施の形態は例示であり、それらの各構成要素や各処理プロセスの組合せにいろいろな変形例が可能なこと、またそうした変形例も本発明の範囲にあることは当業者に理解されるところである。

実施の形態では、画像診断支援システム１００が医療用の内視鏡により撮影された内視鏡画像を用いた病変の診断を支援する場合について説明したが、これに限られない。画像診断支援システム１００は、例えば、工業用の内視鏡により撮影された内視鏡画像を用いた金属表面の傷検査等を支援する場合にも適用できる。例えば、傷の損傷度合いを見極める場合に、内視鏡画像から傷候補領域である関心領域を検出し、関心領域の鏡面反射領域と非鏡面反射領域とを特定し、非鏡面反射領域からエッジを抽出し、エッジのボケ量を算出し、関心領域がボケを伴う診断不適格領域であるか否かをボケ量に基づいて判定し、診断不適格領域ではない場合は傷の損傷度合いを分類する分類処理を実行してその分類結果を出力し、診断不適格領域である場合は分類処理を実行せずに、その関心領域が診断不適格領域であることを出力してもよい。

実施の形態では、検出用の学習モデルと第１分類用の学習モデルを別々の学習モデルとして構築する場合について説明したが、これらは１つの学習モデルとして、好ましくは１つのニューラルネットワークとして、さらに好ましくは、例えばＦａｓｔｅｒＲ−ＣＮＮなどの１つの畳み込みニューラルネットワークとして構築されてもよい。

第１〜第４の実施の形態の手法は、矛盾しない範囲において、任意に組み合わせてもよい。

実施の形態および変形例において、画像診断支援システムは、プロセッサーと、メモリー等のストレージを含んでもよい。ここでのプロセッサーは、例えば各部の機能が個別のハードウェアで実現されてもよいし、あるいは各部の機能が一体のハードウェアで実現されてもよい。例えば、プロセッサーはハードウェアを含み、そのハードウェアは、デジタル信号を処理する回路およびアナログ信号を処理する回路の少なくとも一方を含むことができる。例えば、プロセッサーは、回路基板に実装された１又は複数の回路装置（例えばＩＣ等）や、１又は複数の回路素子（例えば抵抗、キャパシター等）で構成することができる。プロセッサーは、例えばＣＰＵ（Central Processing Unit）であってもよい。ただし、プロセッサーはＣＰＵに限定されるものではなく、ＧＰＵ（Graphics Processing Unit）、あるいはＤＳＰ（Digital Signal Processor）等、各種のプロセッサーを用いることが可能である。またプロセッサーはＡＳＩＣ（Application Specific Integrated Circuit）又はＦＰＧＡ（Field-programmable Gate Array）によるハードウェア回路でもよい。またプロセッサーは、アナログ信号を処理するアンプ回路やフィルター回路等を含んでもよい。メモリーは、ＳＲＡＭ、ＤＲＡＭなどの半導体メモリーであってもよいし、レジスターであってもよいし、ハードディスク装置等の磁気記憶装置であってもよいし、光学ディスク装置等の光学式記憶装置であってもよい。例えば、メモリーはコンピュータにより読み取り可能な命令を格納しており、当該命令がプロセッサーにより実行されることで、画像診断支援システムの各部の機能が実現されることになる。ここでの命令は、プログラムを構成する命令セットの命令でもよいし、プロセッサーのハードウェア回路に対して動作を指示する命令であってもよい。

また、実施の形態および変形例において、画像診断支援システムの各処理部は、例えば通信ネットワークのようなデジタルデータ通信の任意の型式または媒体によって接続されてもよい。通信ネットワークの例は、例えば、ＬＡＮと、ＷＡＮと、インターネットを形成するコンピュータおよびネットワークとを含む。

１００画像診断支援システム、１１０画像入力部、１１２第１処理部、１１４第２処理部、１１６決定部。

Claims

画像の入力を受け付ける入力部と、
関心対象を含む関心領域を前記画像から検出し、検出された前記関心領域を分類して第１分類結果を出力する第１処理部と、
前記関心領域に対してセマンティックセグメンテーションを実行し、その結果に基づいて前記関心領域を分類して第２分類結果を出力する第２処理部と、を備え、
前記関心領域に関して所定の条件が成立する場合、前記第１分類結果が前記関心領域の分類として採用され、成立しない場合、前記第２分類結果が前記関心領域の分類として採用されることを特徴とする画像診断支援システム。
セマンティックセグメンテーションにより前記関心対象に分類された画素に基づいて特定される前記関心対象の形状について所定の条件が成立する場合、前記第１分類結果が前記関心領域の分類として採用され、成立しない場合、前記第２分類結果が前記関心領域の分類として採用されることを特徴とする請求項１に記載の画像診断支援システム。
前記条件は、セマンティックセグメンテーションにより前記関心対象に分類された画素の集まりを楕円近似して得られた楕円の長径に対する短径の比が所定の閾値以上で、かつ、当該楕円の長軸と前記画像の縦方向がなす鋭角が所定の角度範囲であることを特徴とする請求項２に記載の画像診断支援システム。
前記関心領域の形状について所定の条件が成立する場合、前記第１分類結果が前記関心領域の分類として採用され、成立しない場合、前記第２分類結果が前記関心領域の分類として採用されることを特徴とする請求項１に記載の画像診断支援システム。
前記第１分類結果の尤度が所定の閾値以上である場合、前記第１分類結果が前記関心領域の分類として採用され、閾値未満である場合、前記第２分類結果が前記関心領域の分類として採用される又は前記関心領域は分類不可とされることを特徴とする請求項１に記載の画像診断支援システム。
前記第１処理部、前記第２処理部はそれぞれ、畳み込みニューラルネットワークによる処理を実行することを特徴とする請求項１から５のいずれかに記載の画像診断支援システム。
画像の入力を受け付ける機能と、
関心対象を含む関心領域を前記画像から検出し、検出された前記関心領域を分類して第１分類結果を出力する機能と、
前記関心領域に対してセマンティックセグメンテーションを実行し、その結果に基づいて前記関心領域を分類して第２分類結果を出力する機能と、
をコンピュータに実行させ、
前記関心領域に関して所定の条件が成立する場合、前記第１分類結果が前記関心領域の分類として採用され、成立しない場合、前記第２分類結果が前記関心領域の分類として採用されることを特徴とするコンピュータプログラム。
画像の入力を受け付ける入力部と、
関心対象を含む関心領域を、前記画像を低解像度化した画像から検出する第１処理部と、
前記低解像度化した画像よりも高解像度な画像における、前記関心領域に対応する領域に対してセマンティックセグメンテーションを実行し、その結果に基づいて前記関心領域を分類する第２処理部と、を備えることを特徴とする画像診断支援システム。
画像の入力を受け付けるステップと、
関心対象を含む関心領域を前記画像から検出し、検出された前記関心領域を分類して第１分類結果を出力するステップと、
前記関心領域に対してセマンティックセグメンテーションを実行し、その結果に基づいて前記関心領域を分類して第２分類結果を出力するステップと、を備え、
前記関心領域に関して所定の条件が成立する場合、前記第１分類結果が前記関心領域の分類として採用され、成立しない場合、前記第２分類結果が前記関心領域の分類として採用されることを特徴とする画像診断支援方法。