JP7119327B2

JP7119327B2 - プログラム、情報処理方法及び情報処理装置

Info

Publication number: JP7119327B2
Application number: JP2017193675A
Authority: JP
Inventors: 浩明武部; 康貴森脇; 昌彦杉村; 進遠藤; 孝之馬場; 祐介上原
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 2017-10-03
Filing date: 2017-10-03
Publication date: 2022-08-17
Anticipated expiration: 2037-10-03
Also published as: JP2019063353A

Description

本発明は、プログラム、情報処理方法及び情報処理装置に関する。

従来、多数の画像の中から診断対象の画像に類似している症例を的確に検索する方法が提案されている（例えば特許文献１参照）。

特開２００６－３４５８５号公報

しかしながら、従来の技術では精度が十分でないという問題がある。

一つの側面では、精度を向上させることが可能となるプログラム等を提供することにある。

一つの案では、医療画像データの診断対象の領域形状が類似する複数の類似医療画像データを取得し、取得した前記複数の類似医療画像データに基づく前記類似医療画像データを第１係数で写像して第１写像医療画像データを生成し、前記第１写像医療画像データを第２係数で写像して第２写像医療画像データを生成する際に、前記第２写像医療画像データが前記類似医療画像データと等しくなるような前記第１係数及び前記第２係数を算出し、補正対象の医療画像データのスライス位置の上側及び下側にある補正対象外の医療画像データ、前記第１係数及び前記第２係数に基づき、前記補正対象の医療画像データの補正ベクトルを算出する処理をコンピュータに実行させる。

一つの側面では、精度を向上させることが可能となる。

情報処理システムの概要を示す説明図である。コンピュータのハードウェア群を示すブロック図である。肺野領域を示すイメージ図である。特徴ベクトルを示す説明図である。入力症例ＤＢのレコードレイアウトを示す説明図である。特徴点ＤＢのレコードレイアウトを示す説明図である。信頼度ＤＢのレコードレイアウトを示す説明図である。格子を示す説明図である。補正対象ＤＢのレコードレイアウトを示す説明図である。症例ＤＢのレコードレイアウトを示す説明図である。類似ＤＢのレコードレイアウトを示す説明図である。ネットワーク構造を示す説明図である。特徴ベクトルの記憶処理手順を示すフローチャートである。信頼度の算出処理手順を示すフローチャートである。肺野領域類似症例の抽出処理手順を示すフローチャートである。肺野領域類似症例の抽出処理手順を示すフローチャートである。係数の算出処理手順を示すフローチャートである。補正処理手順を示すフローチャートである。上述した形態のコンピュータの機能ブロック図である。実施の形態２に係るコンピュータのハードウェア群を示すブロック図である。

実施の形態１
以下実施の形態を、図面を参照して説明する。図１は情報処理システムの概要を示す説明図である。情報処理システムはインターネット、ＬＡＮ（Local Area Network）または公衆回線網等の通信網Ｎに接続された情報処理装置１を含む。情報処理装置１は例えば、サーバコンピュータ、パーソナルコンピュータ、タブレットまたはスマートフォン等である。実施形態では情報処理装置１をコンピュータ１と読み替えて説明する。コンピュータ１は、ＣＴ(Computed Tomography)画像データまたはＭＲＩ(Magnetic Resonance Imaging)画像データ等の医療画像データに対する情報処理を行う。実施形態では一例として、３次元胸部Ｘ線ＣＴ画像データを用いる例を挙げて説明する。

コンピュータ１はＣＴ画像データに対してスライスした画像データ（以下、スライス画像データという）毎に、肺野領域を抽出した結果に関する信頼度を算出する。図１の例では肺野領域に異常陰影が接触していない高信頼度のスライス画像データと、肺野領域に異常陰影が接触している低信頼度のスライス画像データとを示している。実施形態では低信頼度のスライス画像データを補正対象としている。コンピュータ１は高信頼度の補正対象外のスライス画像データに基づき、肺野領域類似症例を複数抽出する。なお、実施形態では診断対象の領域として肺野領域を用いる例を説明するがこれに限るものではない。胃、腸、または食道等、他の器官の領域であっても良い。

コンピュータ１は複数の肺野領域類似症例に基づき学習を行い、係数φと係数Ψとを算出する。コンピュータ１は複数の信頼度の高いスライス画像データを係数φで写像し複数の写像スライス画像データを求める。コンピュータ１はスライス位置と複数の写像スライス画像に基づき線形補間を行う。コンピュータ１は線形補間後の点を係数Ψで引き戻す。以下詳細を説明する。

図２はコンピュータ１のハードウェア群を示すブロック図である。コンピュータ１は制御部としてのＣＰＵ（Central Processing Unit）１１、ＲＡＭ（Random Access Memory）１２、入力部１３、表示部１４、記憶部１５、時計部１８、及び、通信部１６等を含む。ＣＰＵ１１は、バス１７を介してハードウェア各部と接続されている。ＣＰＵ１１は記憶部１５に記憶された制御プログラム１５Ｐに従いハードウェア各部を制御する。なお、ＣＰＵ１１は複数のプロセッサコアを搭載したマルチコアプロセッサであっても良い。ＲＡＭ１２は例えばＳＲＡＭ（Static RAM）、ＤＲＡＭ(Dynamic RAM)、フラッシュメモリ等である。ＲＡＭ１２は、記憶部としても機能し、ＣＰＵ１１による各種プログラムの実行時に発生する種々のデータを一時的に記憶する。

入力部１３はマウス、キーボード、タッチパネル、ボタン等の入力デバイスであり、受け付けた操作情報をＣＰＵ１１へ出力する。表示部１４は液晶ディスプレイまたは有機ＥＬ（electroluminescence）ディスプレイ等であり、ＣＰＵ１１の指示に従い各種情報を表示する。通信部１６はインタフェースである通信モジュールであり、サーバコンピュータ１等と間で情報の送受信を行う。時計部１８は日時情報をＣＰＵ１１へ出力する。

記憶部１５は大容量メモリまたはハードディスクであり、制御プログラム１５Ｐ、入力症例ＤＢ１５１、特徴点ＤＢ１５２、信頼度ＤＢ１５３、補正対象ＤＢ１５４、症例ＤＢ１５５、類似ＤＢ１５６等を記憶している。なお、入力症例ＤＢ１５１等の各ＤＢは、記憶部１５に記憶するだけではなく、ＲＡＭ１２等の他の記憶領域に記憶してもよい。またコンピュータ１とは別のＤＢサーバ（図示せず）に各ＤＢを記憶するようにしてもよい。さらにコンピュータ１は1台で各種処理を実行するほか、複数のコンピュータ１、１・・・により分散して各種処理を実行してもよい。また各種処理をコンピュータ１の仮想マシン上で実行するようにしてもよい。

ＣＰＵ１１は、スライス画像データの肺野領域を抽出する。肺野領域は例えば特開２００８－２５３２９３号公報に開示された方法により抽出するようにすればよい。次に、ＣＰＵ１１は、抽出した肺野領域の面積が一定の値になるように正規化する。そして、ＣＰＵ１１は、エッジ検出等により抽出した肺野領域の輪郭を抽出し、以下の通りベクトルに変換する。

図３は肺野領域を示すイメージ図である。ＣＰＵ１１は、抽出した肺野領域の重心を求める。図３に示すように、重心を通る水平線と当該水平線の垂直線を求め、それぞれx軸y軸とする座標系を考える。肺野領域の輪郭の各点を極座標(r，θ)で表すこととし、θを等間隔に離散的に選択し、そのθに対応する輪郭点のrの値を並べたものを特徴ベクトルとする。以下では、角度θと、重心から輪郭までの距離ｒを肺野領域の特徴ベクトルという。例えば、θ＝０から５度ずつ等間隔に取れば、７２個の距離rが求まり、７２次元のベクトルが得られることになる。図３では一例として、θ＝０から３０度ずつ等間隔に取った場合を示した。また、重心から角度θで規定される直線が肺野領域の輪郭と交わる点を以下では特徴点という。図３の例では１２個の特徴点が存在する。

図４は特徴ベクトルを示す説明図である。図４では角度θを５度刻みとした７２次元ベクトルを示している。ＣＰＵ１１は、肺野領域抽出結果から肺野領域の上端と下端を求める。ＣＰＵ１１は、上端及び下端のそれぞれのスライス位置から、肺野領域の上下方向の長さを求める。ＣＰＵ１１は、各スライスに対して、上端から当該スライスまでの長さの全体に対する割合をスライス位置として対応付ける。以下では、上記説明した特徴ベクトルに、このスライス位置を付加させたものを肺野領域特徴と呼ぶことにする。

図５は入力症例ＤＢ１５１のレコードレイアウトを示す説明図である。入力症例ＤＢ１５１には、症例を特定するための固有の識別情報（以下、症例ＩＤという）に対応付けて各スライス位置の特徴ベクトルが記憶されている。図５の例では、スライス位置０．４５及び０．４６の特徴ベクトルが記憶されている。なお、実施形態では７２のスライス、また角度は５度毎としているが一例でありこれに限るものではない。また各ＤＢのレイアウトは一例であり、データ間の関係さえ維持されていれば他の記憶形態であってもよい。

図６は特徴点ＤＢ１５２のレコードレイアウトを示す説明図である。特徴点ＤＢ１５２は、症例ＩＤ及びスライス位置に対応付けて、特徴点のｘ、ｙ座標系におけるｘ座標値及びｙ座標値が角度θ毎に記憶されている。図６の例は症例ＩＤが「００１」、スライス位置が０．４５の特徴点を示している。角度５度の場合、特徴点（ｘ，ｙ）は（２０，４０）となっている。

図７は信頼度ＤＢ１５３のレコードレイアウトを示す説明図である。信頼度ＤＢ１５３は、症例ＩＤ及びスライス位置に対応付けて、当該スライス位置のスライス画像データの信頼度、及び、各角度θに対応する信頼度を記憶している。以下に信頼度の算出手順について説明する。ＣＰＵ１１は、抽出した肺野領域について、輪郭の周辺領域に対する陰影種類（陰影パターン）を識別する。図８は格子を示す説明図である。陰影種類は、例えば６種類、すなわち、すりガラス陰影、浸潤影、蜂巣状影、粒状影、肺気腫影、及び、正常とする。具体的には、ＣＰＵ１１は、等間隔に離散的に選択した特徴点に関する、x座標値及びy座標値を参照し、特徴点を中心として一定の大きさの格子を考える。

ＣＰＵ１１は、格子の領域について画像特徴量を抽出する。そして、ＣＰＵ１１は、サポートベクトルマシン（SVM）等を用いて、陰影種類を識別する。ＣＰＵ１１は、個々の特徴点に対して、以下のようにして信頼度（０％～１００％）を決定する。例えば、ＣＰＵ１１は、識別結果が正常である場合１００％、蜂巣状影、粒状影、肺気腫影と判断した場合５０％、すりガラス陰影と識別した場合２５％、浸潤影と判断した場合０％とする。図７の例では角度５度の場合が信頼度１００％、１０度の場合は５０％と記憶されている。

ＣＰＵ１１は、各角度の信頼度に基づき、当該スライス位置におけるスライス画像データ全体の信頼度を算出する。例えば、ＣＰＵ１１は、各角度の信頼度の平均値を全体の信頼度としてもよい。また実施形態では平均値を求める例を示すが、これに限るものではない。平均値以外に各角度の信頼度の中央値を採用してもよい。ＣＰＵ１１は、特定した各角度の信頼度及び算出した全体の信頼度を信頼度ＤＢ１５３に記憶する。

図９は補正対象ＤＢ１５４のレコードレイアウトを示す説明図である。ＣＰＵ１１は、全体の信頼度が所定の閾値以下のスライス位置及び特徴ベクトルを抽出する。本実施形態では閾値を４０％であるものとして説明する。補正対象ＤＢ１５４には、スライス位置に対応付けて特徴ベクトル及び信頼度が記憶されている。実施形態では補正対象ＤＢ１５４に記憶された信頼度の低いスライス位置における特徴ベクトルが補正対象となる。

図１０は症例ＤＢ１５５のレコードレイアウトを示す説明図である。症例ＤＢ１５５は他の患者のスライス画像データを記憶したものである。入力症例ＤＢ１５１と同じく、症例ＩＤに対応付けてスライス画像データとしてスライス位置における特徴ベクトルが記憶されている。ＣＰＵ１１は、信頼度ＤＢ１５３を参照し、補正対象外のスライス画像データとして、閾値よりも高いスライス位置及び特徴ベクトルを読み出す。ＣＰＵ１１は、スライス位置及び特徴ベクトルと、症例ＤＢ１５５とに基づき、対象となる入力症例に類似する症例（以下、肺野領域類似症例という）を求める処理を行う。

ＣＰＵ１１は、信頼度ＤＢ１５３を参照し、信頼度が閾値よりも高いスライスを選択し、特徴ベクトルを読み出す。ＣＰＵ１１は、症例ＤＢ１５５に記憶した各症例の特徴ベクトルと比較し、肺野領域が類似する症例を抽出する。なお、ＣＰＵ１１は、特徴ベクトルを比較する場合、スライス位置が一定範囲内のもの同士を比較するようにしてもよい。例えば入力症例のスライス位置から±0.1の範囲にあるスライス位置に係る他の症例の特徴ベクトルと比較するようにすればよい。ＣＰＵ１１は、類似度を算出する場合、肺野領域の特徴ベクトル間の距離に基づいて算出すればよい。

またＣＰＵ１１は、入力症例の特徴ベクトルに信頼度が付与されているため、当該信頼度による重み付き距離を用いてもよい。例えば、信頼度が高い場合、算出した距離に大きな係数を乗算、または、加算する。一方信頼度が低い場合、算出した距離のままとするか、上述した係数よりも小さな値を乗算、または加算するようにすればよい。そのほか類似度は距離を求める以外に、相関値を求めるようにしてもよい。ＣＰＵ１１は、算出した類似度が記憶部１５に記憶した閾値以上の類似度を有する症例ＩＤを抽出する。

図１１は類似ＤＢ１５６のレコードレイアウトを示す説明図である。類似ＤＢ１５６は入力症例ＩＤフィールドおよび肺野領域類似症例ＩＤフィールド等を含む。肺野領域類似症例ＩＤフィールドには、入力症例ＩＤに対応付けて所定の閾値以上を有する肺野領域類似症例の肺野領域類似症例ＩＤが記憶されている。

図１２はネットワーク構造を示す説明図である。ＣＰＵ１１は、肺野領域類似症例の特徴ベクトルに基づき第１係数としての係数φ及び第２係数としての係数Ψを算出する。ＣＰＵ１１は、肺野領域類似症例ＩＤをキーに、症例ＤＢ１５５から抽出された肺野領域類似症例の集合（以下、肺野領域類似症例群という）について、それらの特徴ベクトルが特徴空間の中で構成する曲面を推定する。具体的には、ＣＰＵ１１は、オートエンコーダの枠組みに基づいたネットワークの学習によって、肺野領域類似症例群の特徴ベクトルがなす曲面を学習する。

学習で使用するネットワークの構造は図１２に示すように入力層、中間層及び出力層の３層を有する。入力層は、肺野領域の特徴ベクトルの次元数分のノード（図１２のｘ）を有する。図１０の肺野領域類似症例の例では、７２次元となる。出力層は入力層と同数のノードを有する（図１２のｘ’）。また、中間層（図１２のｙ）は特徴ベクトルの次元数よりも少ない数のノードを有する。そして、ＣＰＵ１１は、肺野領域の特徴ベクトルｘを入力とし、出力ｘ’が入力と同じになるように学習する。ｙはｘの関数であり、ｘを線形に変換したＷｘ＋ｂに対する活性化関数ｓの値によって計算される。ここで、Ｗ、ｂは係数であり、Ｗは特徴ベクトルの次元数をｍとすれば、ｍ次元ベクトルである。ｙは以下の式１で表すことができる。

また、x’はｙの関数であり、同様にyを線形に変換したW’y+cに対する活性化関数s’の値によって計算される。ここで、W’,cは係数であり、W’は中間層のノードの数をnとすればn次元ベクトルである。x’は以下の式２で表すことができる。

ＣＰＵ１１は、入力ｘに対する出力x’への以下の式３で示される変換を用い、当該変換の写像が恒等写像になるように学習を行う。

具体的には、ＣＰＵ１１は、以下の式４で表される２乗誤差が最小となるように、誤差逆伝搬法によって各係数を求める。ここで、L(x,y)はx、yの差分のベクトルに関する２乗ノルムを表す。また、x_iは肺野領域類似症例群の特徴ベクトルを表し、総数をNとしている。またＬは２乗誤差であり、ε＝（W,b）、ε’＝(W’,c)である。

式４の最小を与える係数による写像φ_εと写像Ψ_εを、各々、写像φと写像Ψと表す。このとき、写像Ψは写像φの逆写像となる。

ＣＰＵ１１は、抽出結果の信頼度が低いスライスに対し、そのスライスの前後で信頼度の高いスライスの抽出結果を用いて、補正を行う。信頼度の低いスライスの特徴ベクトルをｘとし、そのスライス位置がｐであるとする。さらに、このスライスの前後で信頼度の高いスライスの特徴ベクトルをx_1、x₂とし、これらのスライス位置をそれぞれp_1、p₂であるとする。そして、p、p₁、p₂はp₁<p<p2の関係をみたし、各々の差分が以下で示す式５及び式６の通り、r_1、r₂とする。

このとき、ＣＰＵ１１は、特徴ベクトルx₁、x₂を求めた写像φで写像し、その像をr₁:r₂に内分する点qを下記式７により求める。ＣＰＵ１１は、求めた点ｑを、式８に示す通り、写像Ψで引き戻す。

最終的に求まった特徴ベクトルzが特徴ベクトルxを補正したものである。ＣＰＵ１１は、特徴ベクトルzを元の画像上で表すため、補正対象であるスライスにおいて、信頼度が閾値以上高い特徴点を用いて、特徴ベクトルzで表される曲線をフィッティングする。フィッティングは、肺野領域の正規化に対応する拡大縮小のパラメータと平行移動のパラメータに関し、高い信頼度の特徴点を、特徴ベクトルzで表される曲線になるべく一致させる処理である。

ＣＰＵ１１は、一般化ハフ変換の方法を用い、上記一致を実現する拡大縮小と平行移動のパラメータを求める。ＣＰＵ１１は、求めたパラメータによって特徴ベクトルzで表される曲線を変換する。なお、上述したフィッティング処理は一例でありこれに限るものではない。拡大または縮小による正規化を行った場合、特徴ベクトルｚを同様に縮小または拡大しても良い。また、ＣＰＵ１１は、補正対象のスライス位置における特徴ベクトルの内、信頼度の高い部分と特徴ベクトルｚの対応する部分の平均を採用するようにしても良い。

以上のハードウェア構成において各種ソフトウェア処理を、フローチャートを用いて説明する。図１３は特徴ベクトルの記憶処理手順を示すフローチャートである。ＣＰＵ１１は、予め取得しておいたスライス画像データを入力症例ＤＢ１５１から読み出す(ステップＳ１３１)。ＣＰＵ１１は、スライス画像データ毎に、肺野領域を抽出する(ステップＳ１３２)。ＣＰＵ１１は、抽出した肺野領域の面積が一定の値となるよう正規化する。ＣＰＵ１１は、エッジ検出等により肺野領域の輪郭を抽出する(ステップＳ１３３)。

ＣＰＵ１１は、抽出した輪郭に基づき、肺野領域の重心を決定する(ステップＳ１３４)。ＣＰＵ１１は、予め設定されたベクトル数を読み出す(ステップＳ１３５)。ＣＰＵ１１は、３６０度をベクトル数で除算し、角度θを算出する。ＣＰＵ１１は、各角度θの距離ｒを算出する(ステップＳ１３６)。ＣＰＵ１１は、各スライス位置の特徴ベクトルを入力症例ＤＢ１５１に記憶する(ステップＳ１３７)。

ＣＰＵ１１は、角度θ毎に特徴点を算出する(ステップＳ１３８)。具体的には重心から角度θで伸びる直線と、抽出した輪郭との交点座標を特徴点として算出する。ＣＰＵ１１は、スライス位置に対応付けて、各角度の特徴点を特徴点ＤＢ１５２に記憶する(ステップＳ１３９)。

図１４は信頼度の算出処理手順を示すフローチャートである。ＣＰＵ１１は、スライス位置に対応する特徴点を、特徴点ＤＢ１５２から読み出す(ステップＳ１４１)。ＣＰＵ１１は、入力症例ＤＢ１５１からスライス画像データを読み出す(ステップＳ１４２)。ＣＰＵ１１は、特徴点を中心に一定範囲内のスライス画像データを、対象領域周辺のデータとして抽出する(ステップＳ１４３)。ＣＰＵ１１は、サポートベクトルマシン等を用いて、抽出したスライス画像データの陰影種類を特定する(ステップＳ１４４)。具体的には、ＣＰＵ１１は、パターンマッチング等を行い、すりガラス陰影、浸潤影、蜂巣状影、粒状影、肺気腫影、または、正常のいずれのパターンであるかを判断する。

ＣＰＵ１１は、記憶部１５に予め記憶された各陰影種類の信頼度を参照し、特定した陰影種類に対応する信頼度を決定する(ステップＳ１４５)。ＣＰＵ１１は、特徴点毎に決定した信頼度を信頼度ＤＢ１５３に記憶する(ステップＳ１４６)。ＣＰＵ１１は、信頼度の平均値を信頼度ＤＢ１５３に記憶する(ステップＳ１４７)。ＣＰＵ１１は、以上の処理を全てのスライス位置について終了したか否かを判断する(ステップＳ１４８)。

ＣＰＵ１１は、処理を終えていないと判断した場合(ステップＳ１４８でＮＯ)、処理をステップＳ１４９へ移行させる。ＣＰＵ１１は、処理済みのスライス位置とは異なるスライス位置を読み出す(ステップＳ１４９)。ＣＰＵ１１は、その後処理をステップＳ１４１に戻す。これにより各スライス位置の特徴点における信頼度と、全体の信頼度とが信頼度ＤＢ１５３に記憶されることとなる。ＣＰＵ１１は、全てのスライス位置について処理を終了したと判断した場合(ステップＳ１４８でＹＥＳ)、処理を終了する。

図１５及び図１６は肺野領域類似症例の抽出処理手順を示すフローチャートである。ＣＰＵ１１は、信頼度ＤＢ１５３を参照し、全体の信頼度が閾値以上（例えば６０％以上）のスライス位置に係る特徴ベクトルを読み出す(ステップＳ１５１)。ＣＰＵ１１は、全体の信頼度が閾値より小さいスライス位置、特徴ベクトル及び信頼度を補正対象ＤＢ１５４に記憶する(ステップＳ１５２)。ＣＰＵ１１は、症例ＤＢ１５５から、症例ＩＤ、各スライス位置の特徴ベクトルを読み出す(ステップＳ１５３)。

ＣＰＵ１１は、信頼度の高いスライス位置の特徴ベクトルと、ステップＳ１５３で読み出した対応するスライス位置の特徴ベクトルとの距離を算出する(ステップＳ１５４)。なお、対応するスライス位置は同一スライス位置の他、所定範囲内のスライス位置であってもよい。ＣＰＵ１１は、距離を全体の信頼度で除算する(ステップＳ１５５)。例えば信頼度が１００％の場合、重みづけ後の距離はそのままの値となる。一方信頼度が８０％の場合、距離が０．８で除され、元の距離よりも大きな距離となる。なお、ステップＳ１５５の重みづけ処理は行わなくてもよい。

ＣＰＵ１１は、信頼度の高いスライス位置に対応付けて除算後の距離をＲＡＭ１２に記憶する(ステップＳ１５６)。ＣＰＵ１１は、全ての信頼度の高いスライス位置について距離を算出したか否かを判断する(ステップＳ１５７)。ＣＰＵ１１は、全ての信頼度の高いスライス位置についての距離を算出していないと判断した場合(ステップＳ１５７でＮＯ)、処理をステップＳ１５８へ移行させる。ＣＰＵ１１は、未処理の信頼度の高いスライス位置の特徴ベクトルを、症例ＤＢ１５５から読み出す(ステップＳ１５８)。ＣＰＵ１１は、その後処理をステップＳ１５３に戻す。これにより入力症例と、対比症例との各スライス位置における距離が求まることとなる。

ＣＰＵ１１は、全ての信頼度の高いスライス位置について距離を算出したと判断した場合(ステップＳ１５７でＹＥＳ)、処理をステップＳ１５９へ移行させる。ＣＰＵ１１は、ＲＡＭ１２に記憶した各スライス位置における距離の平均値を算出する(ステップＳ１５９)。ＣＰＵ１１は、算出した平均値が閾値以内であるか否かを判断する(ステップＳ１６１)。

ＣＰＵ１１は、平均値が閾値以内であると判断した場合(ステップＳ１６１でＹＥＳ)、入力症例と対象症例とは類似するとして処理をステップＳ１６３へ移行させる。ＣＰＵ１１は、入力症例ＩＤに対応付けて、類似ＤＢ１５６を、肺野領域類似症例ＩＤを記憶する(ステップＳ１６３)。ＣＰＵ１１は、平均値が閾値以内でないと判断した場合(ステップＳ１６１でＮＯ)、処理をステップＳ１６２へ移行させる。ＣＰＵ１１は、非肺野領域類似症例と判断する(ステップＳ１６２)。

その後ＣＰＵ１１は、全ての症例ＩＤについて処理を終了したか否かを判断する(ステップＳ１６４)。ＣＰＵ１１は、全ての症例ＩＤについて処理を終了していないと判断した場合(ステップＳ１６４でＮＯ)、処理をステップＳ１６５へ移行させる。ＣＰＵ１１は、次の症例ＩＤ、及び、各スライス位置の特徴ベクトルを読み出す(ステップＳ１６５)。ＣＰＵ１１は、処理をステップＳ１５４に戻す。これによりその他の症例ＩＤの対象症例との類否判断が行われる。ＣＰＵ１１は、全ての症例ＩＤについて処理を終了したと判断した場合(ステップＳ１６４でＹＥＳ)、一連の処理を終了する。

図１７は係数の算出処理手順を示すフローチャートである。ＣＰＵ１１は、肺野領域類似症例ＩＤを類似ＤＢ１５６から読み出す(ステップＳ１７１)。ＣＰＵ１１は、症例ＤＢ１５５を参照し、各肺野領域類似症例ＩＤの特徴ベクトルを読み出す(ステップＳ１７２)。ＣＰＵ１１は、上述した式４を記憶部１５から読み出す(ステップＳ１７３)。ＣＰＵ１１は、式４を用いて、入力した特徴ベクトルを写像φで写像した第１写像データを、写像Ψで写像した第２写像データが、特徴ベクトルと等しくなるよう写像φ、写像Ψを求める(ステップＳ１７４)。具体的には、ＣＰＵ１１は、肺野領域類似症例の特徴データを入力し、式４の二乗誤差が最小となるように、誤差逆伝搬法によって係数を求める。ＣＰＵ１１は、求めた写像φ及び写像Ψを記憶部１５に記憶する(ステップＳ１７５)。

図１８は補正処理手順を示すフローチャートである。ＣＰＵ１１は、補正対象ＤＢ１５４から補正対象スライス画像データのスライス位置を読み出す(ステップＳ１８１)。なお、以下では読み出した当該スライス位置を中間スライス位置という。ＣＰＵ１１は、読み出した中間スライスより下側の信頼度の高い第１スライス位置及び第１特徴ベクトルを、入力症例ＤＢ１５１から読み出す(ステップＳ１８２)。

ＣＰＵ１１は、読み出した中間スライスより上側の信頼度の高い第２スライス位置及び第２特徴ベクトルを、入力症例ＤＢ１５１から読み出す(ステップＳ１８３)。第１スライス位置及び第２スライス位置は、中間スライス位置から所定範囲内の位置であればよい。本実施形態では中間スライス位置から下側で最も近く、かつ、信頼度が閾値以上の位置を第１スライス位置としている。また中間スライス位置から上側で最も近く、かつ、信頼度が閾値以上の位置を第２スライス位置としている。

ＣＰＵ１１は、中間スライス位置から第１スライス位置を減じて第１差分を算出する(ステップＳ１８４)。ＣＰＵ１１は、第２スライス位置から中間スライス位置を減じて第２差分を算出する(ステップＳ１８５)。ＣＰＵ１１は、第１特徴ベクトル及び第２特徴ベクトルをそれぞれ写像φで写像し、写像第１特徴ベクトル及び写像第２特徴ベクトルを生成する(ステップＳ１８６)。ＣＰＵ１１は、写像第１特徴ベクトルと、写像第２特徴ベクトルを、第１差分対第２差分に内分する内分点を算出する(ステップＳ１８７)。

ＣＰＵ１１は、内分点を写像Ψで引き戻し、補正ベクトルを生成する(ステップＳ１８８)。ＣＰＵ１１は、スライス値に対応付けて補正ベクトルを記憶部１５に記憶する(ステップＳ１８９)。

以下、背景及び実施形態に係る効果について言及する。びまん性肺疾患等では、広範囲にわたる肺の機能が損なわれ、異常陰影などの症状を呈する。画像診断では、患者の肺をＣＴによって撮影し、読影医がＣＴ画像を分析する。びまん性肺疾患の病変である異常陰影は、形状及び分布が複雑かつ多岐にわたる。そのため、孤立性肺結節の癌等と比較して、診断が困難であり、陰影の形状または分布が類似している過去の症例を参照して比較する必要がある。

びまん性肺疾患のように病変部分の陰影が広範囲に広がり、分布が複雑多岐にわたる疾患に関するＣＴ画像について、陰影の分布が類似する過去の症例を精度よく検索できるようにする必要がある。ＣＴ画像間に関して異常陰影の分布を比較する場合、各々の異常陰影について肺野領域全体に対する相対的な位置を照らし合わせて比較する。例えば、診断では、異常陰影がどの程度中枢側にあるか、末梢側にあるかが類似性判定の重要なポイントになる。しかし、個人によって肺野の大きさ・形状が異なるため、正確な類似性判定を行うためには、異常陰影が肺野領域全体に対してどこに位置しているかを正確に把握しなければならない。従って、比較する２つのＣＴ画像が与えられたとき、肺野領域内のそれぞれの位置が互いにどのように対応しているかを求めなくてはならず、そのためには、ＣＴ画像から肺野領域を正確に抽出することが必要となる。

しかしながら、図１に示す通り、胸壁に異常陰影のひとつである浸潤影が接触する場合、胸壁と異常陰影を見分けることが難しいため、肺野領域を正確に抽出することが難しくなる。ＣＴ画像から肺野領域を正確に抽出する方法としては、平均的なモデルに対するモデルフィッティングを利用できるが、肺が健常者と比べ大きく変形した患者に対しては適用できない。一方で、ＣＴ画像は体に沿った複数のスライス画像から構成される。異常陰影が胸壁に接触する場合、それは一部のスライス区間である場合がある。そのような場合、異常陰影が接触していないスライス画像からの肺野領域抽出結果から、異常陰影が接触しているスライス画像に対する肺野領域を推定することが可能である。そこで、実施形態では、肺が健常者と比べ大きく変形した患者のＣＴ画像に対して、異常陰影が胸壁に接触している場合でも、高精度に肺野領域を抽出している。

異常陰影が接触していないスライス画像からの肺野領域抽出結果から、異常陰影が接触しているスライス画像に対する肺野領域を推定する手法としてオプティカルフローを使用する手法が考えられる。オプティカルフローとは、２つの時系列画像において同じ物体の同じ箇所を示す画素を対応づけ、その結果対応付けられた２点を結ぶベクトルのことである。オプティカルフローがわかれば、オプティカルフローの両端を結ぶ線分上の点に対しては、内分比に応じて両端の画素を足し合わせることで、補間画像の画素の値が計算できる。そして、全画素にわたり時刻tにおける計算を行うことにより、時刻tの補間画像を生成することができる。しかしながら、図１に示すように肺は非線形に曲がった３次元形状をしている。オプティカルフローでは、スライスの間の画像を線形に補間するため、肺野領域の体軸に沿った非線形な変化を捉え、正しく補間することはできない。

そこで実施形態では図１～図１８に示した処理により、上述した問題点を解消し精度を向上させたのである。その他、実施形態では肺野領域類似症例を用いることで精度よく補正することが可能となる。また信頼度の高いスライス画像データ間の距離を利用することで精度よく補正することが可能となる。また過去の症例に基づき信頼度を算出することで、精度よく補正すべき箇所を特定することが可能となる。また肺野領域類似症例群から係数を導出することで補正の精度を向上させることが可能となる。また信頼度をスライス画像データ毎に分析することで、補正すべき箇所について適切に補正することが可能となる。また臓器と病変領域が接触している場合でも、適切に臓器の領域を特定することが可能となる。

実施の形態２
図１９は上述した形態のコンピュータ１の機能ブロック図である。ＣＰＵ１１が制御プログラム１５Ｐを実行することにより、コンピュータ１は以下のように動作する。取得部１９１は、医療画像データの診断対象の領域形状が類似する複数の類似医療画像データを取得する。算出部１９２は、取得した複数の前記類似医療画像データに基づき、係数を算出する。補正部１９３は、前記医療画像データのうち補正対象外の医療画像データ及び前記係数に基づき、補正対象の医療画像データを補正する。またＣＰＵ１１が制御プログラム１５Ｐを実行することにより、コンピュータ１は以下のように動作する。算出部１９４は、ＣＴ画像データの肺野領域周辺の陰影パターンに応じて、スライス位置毎に信頼度を算出する。抽出部１９５は、信頼度が閾値以上のスライス位置に係るＣＴ画像データを抽出する。取得部１９６は、抽出したＣＴ画像データに類似する複数の類似ＣＴ画像データを取得する。

図２０は実施の形態２に係るコンピュータ１のハードウェア群を示すブロック図である。コンピュータ１を動作させるためのプログラムは、ディスクドライブ、メモリーカードスロット等の読み取り部１０ＡにＣＤ－ＲＯＭ、ＤＶＤディスク、メモリーカード、またはＵＳＢメモリ等の可搬型記録媒体１Ａを読み取らせて記憶部１５に記憶しても良い。また当該プログラムを記憶したフラッシュメモリ等の半導体メモリ１Ｂをコンピュータ１内に実装しても良い。さらに、当該プログラムは、インターネット等の通信網Ｎを介して接続される他のサーバコンピュータ（図示せず）からダウンロードすることも可能である。以下に、その内容を説明する。

図２０に示すコンピュータ１は、上述した各種ソフトウェア処理を実行するプログラムを、可搬型記録媒体１Ａまたは半導体メモリ１Ｂから読み取り、或いは、通信網Ｎを介して他のサーバコンピュータ（図示せず）からダウンロードする。当該プログラムは、制御プログラム１５Ｐとしてインストールされ、ＲＡＭ１２にロードして実行される。これにより、上述したコンピュータ１として機能する。

本実施の形態２は以上の如きであり、その他は実施の形態１と同様であるので、対応する部分には同一の参照番号を付してその詳細な説明を省略する。なお、以上述べた各実施形態は適宜組み合わせることが可能である。

以上の実施の形態１から２を含む実施形態に関し、さらに以下の付記を開示する。

（付記１）
医療画像データの診断対象の領域形状が類似する複数の類似医療画像データを取得し、
取得した複数の前記類似医療画像データに基づき、係数を算出し、
前記医療画像データのうち補正対象外の医療画像データ及び前記係数に基づき、補正対象の医療画像データを補正する
処理をコンピュータに実行させるプログラム。
（付記２）
取得した複数の前記類似医療画像データに基づき、第１係数及び第２係数を算出し、
前記医療画像データのうち補正対象外の医療画像データ及び第１係数に基づき、第１補正医療画像データを生成し、
前記第１補正医療画像データ及び第２係数に基づき、補正後の医療画像データを生成する
付記１に記載のプログラム。
（付記３）
複数の補正対象外の医療画像データを第１係数に基づき写像した複数の写像医療画像データを生成し、
補正対象の医療画像データと複数の補正対象外の医療画像データと間の距離に基づき、前記複数の写像医療画像データから第１補正医療画像データを生成し、
前記第１補正医療画像データを第２係数に基づき写像して補正後の医療画像データを生成する
付記１または２に記載のプログラム。
（付記４）
医療画像データ中の検出対象領域周辺に特定パターンが存在するか否かに応じて、信頼度を決定する
付記１～３のいずれか一つに記載のプログラム。
（付記５）
前記医療画像データから閾値以上の信頼度を有する医療画像データを抽出し、
抽出した医療画像データに基づき、複数の類似医療画像データを取得する
付記４に記載のプログラム。
（付記６）
類似医療画像データを前記第１係数に基づき写像した第１写像医療画像データを、前記第２係数で写像した第２写像医療画像データが、前記類似医療画像データと等しくなるように前記第１係数及び前記第２係数を算出する
付記２から５のいずれか一つに記載のプログラム。
（付記７）
補正対象の医療画像データの位置データと第１の補正対象外の医療画像データの位置データとの第１差分を算出し、
第２の補正対象外の医療画像データの位置データと補正対象の医療画像データの位置データとの第２差分を算出し、
生成された第１写像医療画像データ及び第２写像医療画像データを、前記第１差分及び第２差分で内分することにより、第１補正医療画像データを生成する
付記３に記載のプログラム。
（付記８）
ＣＴ画像データの肺野領域周辺の陰影パターンに応じて、スライス位置毎に信頼度を算出し、
信頼度が閾値以上のスライス位置に係るＣＴ画像データを抽出し、
抽出したＣＴ画像データに類似する複数の類似ＣＴ画像データを取得する
処理をコンピュータに実行させるプログラム。
（付記９）
ＣＴ画像データの肺野領域周辺の陰影パターンに応じて、周辺の位置データ毎に信頼度を求め、
求めた位置データ毎の信頼度に基づき、スライス位置に対応する信頼度を算出する
付記８に記載のプログラム。
（付記１０）
取得した複数の前記類似ＣＴ画像データに基づき、係数を算出し、
前記ＣＴ画像データのうち、信頼度が所定値以上のスライス位置に係る補正対象外のＣＴ画像データ及び前記係数に基づき、補正対象のＣＴ画像データを補正する
付記８または９に記載のプログラム。
（付記１１）
取得した複数の前記類似ＣＴ画像データに基づき、第１係数及び第２係数を算出し、
複数の補正対象外のＣＴ画像データを第１係数に基づき写像した複数の写像ＣＴ画像データを生成し、
補正対象のＣＴ画像データと複数の補正対象外のＣＴ画像データと間の距離に基づき、前記複数の写像ＣＴ画像データから第１補正ＣＴ画像データを生成し、
前記第１補正ＣＴ画像データを第２係数に基づき写像して補正後のＣＴ画像データを生成する
付記８～１０のいずれか一つに記載のプログラム。
（付記１２）
医療画像データの診断対象の領域形状が類似する複数の類似医療画像データを取得し、
取得した複数の前記類似医療画像データに基づき、係数を算出し、
前記医療画像データのうち補正対象外の医療画像データ及び前記係数に基づき、補正対象の医療画像データを補正する
処理をコンピュータに実行させる情報処理方法。
（付記１３）
医療画像データの診断対象の領域形状が類似する複数の類似医療画像データを取得する取得部と、
取得した複数の前記類似医療画像データに基づき、係数を算出する算出部と、
前記医療画像データのうち補正対象外の医療画像データ及び前記係数に基づき、補正対象の医療画像データを補正する補正部と
を備える情報処理装置。
（付記１４）
ＣＴ画像データの肺野領域周辺の陰影パターンに応じて、スライス位置毎に信頼度を算出し、
信頼度が閾値以上のスライス位置に係るＣＴ画像データを抽出し、
抽出したＣＴ画像データに類似する複数の類似ＣＴ画像データを取得する
処理をコンピュータに実行させる情報処理方法。
（付記１５）
ＣＴ画像データの肺野領域周辺の陰影パターンに応じて、スライス位置毎に信頼度を算出する算出部と、
信頼度が閾値以上のスライス位置に係るＣＴ画像データを抽出する抽出部と、
抽出したＣＴ画像データに類似する複数の類似ＣＴ画像データを取得する取得部と
を備える情報処理装置。

１コンピュータ（情報処理装置）
１Ａ可搬型記録媒体
１Ｂ半導体メモリ
１０Ａ読み取り部
１１ＣＰＵ
１２ＲＡＭ
１３入力部
１４表示部
１５記憶部
１５Ｐ制御プログラム
１６通信部
１８時計部
１５１入力症例ＤＢ
１５２特徴点ＤＢ
１５３信頼度ＤＢ
１５４補正対象ＤＢ
１５５症例ＤＢ
１５６類似ＤＢ
１９１取得部
１９２算出部
１９３補正部
１９４算出部
１９５抽出部
１９６取得部
Ｎ通信網

Claims

医療画像データの診断対象の領域形状が類似する複数の類似医療画像データを取得し、
取得した前記複数の類似医療画像データに基づく前記類似医療画像データを第１係数で写像して第１写像医療画像データを生成し、前記第１写像医療画像データを第２係数で写像して第２写像医療画像データを生成する際に、前記第２写像医療画像データが前記類似医療画像データと等しくなるような前記第１係数及び前記第２係数を算出し、
補正対象の医療画像データのスライス位置の上側及び下側にある補正対象外の医療画像データ、前記第１係数及び前記第２係数に基づき、前記補正対象の医療画像データの補正ベクトルを算出する
処理をコンピュータに実行させるプログラム。
ＣＴ画像データの肺野領域周辺の陰影パターンに応じて、スライス位置毎に肺野領域を抽出した結果の信頼度を算出し、
信頼度が閾値以上のスライス位置に係るＣＴ画像データを抽出し、
抽出したＣＴ画像データに類似する他の症例の複数の類似ＣＴ画像データを取得する
処理をコンピュータに実行させるプログラム。
医療画像データの診断対象の領域形状が類似する複数の類似医療画像データを取得し、
取得した前記複数の類似医療画像データに基づく前記類似医療画像データを第１係数で写像して第１写像医療画像データを生成し、前記第１写像医療画像データを第２係数で写像して第２写像医療画像データを生成する際に、前記第２写像医療画像データが前記類似医療画像データと等しくなるような前記第１係数及び前記第２係数を算出し、
補正対象の医療画像データのスライス位置の上側及び下側にある補正対象外の医療画像データ、前記第１係数及び前記第２係数に基づき、前記補正対象の医療画像データの補正ベクトルを算出する
処理をコンピュータに実行させる情報処理方法。
医療画像データの診断対象の領域形状が類似する複数の類似医療画像データを取得する取得部と、
取得した前記複数の類似医療画像データに基づく前記類似医療画像データを第１係数で写像して第１写像医療画像データを生成し、前記第１写像医療画像データを第２係数で写像して第２写像医療画像データを生成する際に、前記第２写像医療画像データが前記類似医療画像データと等しくなるような前記第１係数及び前記第２係数を算出する算出部と、
補正対象の医療画像データのスライス位置の上側及び下側にある補正対象外の医療画像データ、前記第１係数及び前記第２係数に基づき、前記補正対象の医療画像データの補正ベクトルを算出する第２算出部と
を備える情報処理装置。
ＣＴ画像データの肺野領域周辺の陰影パターンに応じて、スライス位置毎に肺野領域を抽出した結果の信頼度を算出し、
信頼度が閾値以上のスライス位置に係るＣＴ画像データを抽出し、
抽出したＣＴ画像データに類似する他の症例の複数の類似ＣＴ画像データを取得する
処理をコンピュータに実行させる情報処理方法。
ＣＴ画像データの肺野領域周辺の陰影パターンに応じて、スライス位置毎に肺野領域を抽出した結果の信頼度を算出する算出部と、
信頼度が閾値以上のスライス位置に係るＣＴ画像データを抽出する抽出部と、
抽出したＣＴ画像データに類似する他の症例の複数の類似ＣＴ画像データを取得する取得部と
を備える情報処理装置。