JP7194889B2 - コンピュータプログラム、学習モデルの生成方法、手術支援装置、及び情報処理方法 - Google Patents

Description

本発明は、コンピュータプログラム、学習モデルの生成方法、手術支援装置、及び情報処理方法に関する。

腹腔鏡手術では、例えば患者の体内に形成された悪性腫瘍などの病変部を取り除く手術を行う。このとき、患者の体内を腹腔鏡により撮像し、得られた観察画像をモニタに表示させる（例えば、特許文献１を参照）。術者は、モニタに表示させた観察画像を閲覧しながら、各種の術具を用いて腹腔鏡手術を行う。例えば、術者は、鉗子を用いて病変部を含む組織を適宜の方向に展開させ、病変部を含む組織と残すべき組織との間に存在する疎性結合組織を露出させる。術者は、露出させた疎性結合組織を電気メスなどのエネルギ処置具を用いて切除し、病変部を含む組織を残すべき組織から剥離させる。

特開２００５－２８７８３９号公報

しかしながら、疎性結合組織を構成する線維の周囲には、血管や神経、又は液性の基質や多種の細胞が存在するため、術者にとって、術野画像から疎性結合組織を見つけ出すことは必ずしも容易ではない。

本発明は、術野画像から疎性結合組織部分の認識結果を出力できるコンピュータプログラム、学習モデルの生成方法、手術支援装置、及び情報処理方法を提供することを目的とする。

本発明の一態様におけるコンピュータプログラムは、コンピュータに、鏡視下手術の術野を撮像して得られる術野画像を取得し、術野画像を入力した場合、疎性結合組織の認識結果を出力するよう学習された学習モデルに、取得した術野画像を入力して該術野画像に含まれる疎性結合組織の認識結果を出力する処理を実行させるためのコンピュータプログラムである。

本発明の一態様における学習モデルの生成方法は、コンピュータを用いて、鏡視下手術の術野を撮像して得られる術野画像と、該術野画像内の疎性結合組織部分を示す正解データとを含む訓練データを取得し、取得した訓練データのセットに基づき、術野画像を入力した場合、疎性結合組織の認識結果を出力する学習モデルを生成する。

本発明の一態様における手術支援装置は、鏡視下手術の術野を撮像して得られる術野画像を取得する取得部と、術野画像を入力した場合、疎性結合組織の認識結果を出力するよう学習された学習モデルを用いて、前記取得部より取得した術野画像に含まれる疎性結合組織部分を認識する認識部と、該認識部の認識結果に基づき、前記鏡視下手術に関する支援情報を出力する出力部とを備える。

本発明の一態様における情報処理方法は、コンピュータを用いて、鏡視下手術の術野を撮像して得られる術野画像を取得し、術野画像を入力した場合、疎性結合組織の認識結果を出力するよう学習された学習モデルを用いて、取得した術野画像に含まれる疎性結合組織部分を認識し、認識結果に基づき、前記鏡視下手術に関する支援情報を出力する。

本願によれば、術野画像から疎性結合組織部分の認識結果を出力できる。

実施の形態１に係る腹腔鏡手術支援システムの概略構成を説明する模式図である。 手術支援装置の内部構成を説明するブロック図である。 術野画像の一例を示す模式図である。 学習モデルの構成例を示す模式図である。 学習モデルによる認識結果を示す模式図である。 学習モデルの生成手順を説明するフローチャートである。 手術支援の実行手順を説明するフローチャートである。 表示装置における表示例を示す模式図である。 実施の形態２における認識画像の表示例を示す模式図である。 実施の形態３における学習モデルのソフトマックス層の構成を説明する説明図である。 実施の形態３における表示例を示す模式図である。 実施の形態４における表示例を示す模式図である。 実施の形態４における表示切替手順を示すフローチャートである。 実施の形態５における表示切替手順を示すフローチャートである。 実施の形態６に係る手術支援装置の内部構成を説明するブロック図である。 実施の形態６に係る手術支援装置が実行する処理の手順を説明するフローチャートである。 演算結果の解析手法を説明する説明図である。 評価係数テーブルの一例を示す図である。 スコアの算出結果の一例を示す図である。 実施の形態７に係る手術支援装置が実行する処理の手順を示すフローチャートである。 実施の形態８に係る手術支援装置の内部構成を説明するブロック図である。 実施の形態８における表示例を示す模式図である。 確信度に応じた認識結果の表示例を示す模式図である。 手術支援装置が備えるユーザインタフェースの構成例を示す模式図である。

以下、本発明を腹腔鏡手術の支援システムに適用した形態について、図面を用いて具体的に説明する。なお、本発明は、腹腔鏡手術に限らず、胸腔鏡、消化管内視鏡、膀胱鏡、関節鏡、ロボット支援下手術、脊椎内視鏡、手術顕微鏡、神経内視鏡、外視鏡など撮像装置を用いた鏡視下手術全般に適用可能である。
（実施の形態１）
図１は実施の形態１に係る腹腔鏡手術支援システムの概略構成を説明する模式図である。腹腔鏡手術では、開腹手術を実施する代わりに、トロッカ１０と呼ばれる開孔器具を患者の腹壁に複数個取り付け、トロッカ１０に設けられた開孔から、腹腔鏡１１、エネルギ処置具１２、鉗子１３などの器具を患者の体内に挿入する。術者は、腹腔鏡１１によって撮像された患者体内の画像（術野画像）をリアルタイムに見ながら、エネルギ処置具１２を用いて患部を切除するなどの処置を行う。腹腔鏡１１、エネルギ処置具１２、鉗子１３などの術具は、術者又はロボットなどにより保持される。術者とは、腹腔鏡手術に関わる医療従事者であり、執刀医、助手、看護師、手術をモニタしている医師などを含む。

腹腔鏡１１は、患者の体内に挿入される挿入部１１Ａ、挿入部１１Ａの先端部分に内蔵される撮像装置１１Ｂ、挿入部１１Ａの後端部分に設けられる操作部１１Ｃ、及びカメラコントロールユニット（ＣＣＵ）１１０や光源装置１２０に接続するためのユニバーサルコード１１Ｄを備える。

腹腔鏡１１の挿入部１１Ａは、硬性管により形成されている。硬性管の先端部分には湾曲部が設けられている。湾曲部における湾曲機構は一般的な腹腔鏡に組み込まれている周知の機構であり、操作部１１Ｃの操作に連動した操作ワイヤの牽引によって例えば上下左右の４方向に湾曲するように構成されている。なお、腹腔鏡１１は、上述したような湾曲部を有する軟性鏡に限らず、湾曲部を持たない硬性鏡であってもよく、湾曲部や硬性管を持たない撮像装置であってもよい。

撮像装置１１Ｂは、ＣＭＯＳ（Complementary Metal Oxide Semiconductor）などの固体撮像素子、タイミングジェネレータ（ＴＧ）やアナログ信号処理回路（ＡＦＥ）などを備えたドライバ回路を備える。撮像装置１１Ｂのドライバ回路は、ＴＧから出力されるクロック信号に同期して固体撮像素子から出力されるＲＧＢ各色の信号を取り込み、ＡＦＥにおいて、ノイズ除去、増幅、ＡＤ変換などの必要な処理を施し、デジタル形式の画像データを生成する。撮像装置１１Ｂのドライバ回路は、生成した画像データを、ユニバーサルコード１１Ｄを介して、ＣＣＵ１１０へ伝送する。

操作部１１Ｃは、術者によって操作されるアングルレバーやリモートスイッチなどを備える。アングルレバーは、湾曲部を湾曲させるための操作を受付ける操作具である。アングルレバーに代えて、湾曲操作ノブ、ジョイスティックなどが設けられてもよい。リモートスイッチは、例えば、観察画像を動画表示又は静止画表示に切り替える切替スイッチ、観察画像を拡大又は縮小させるズームスイッチなどを含む。リモートスイッチには、予め定められた特定の機能が割り当てられてもよく、術者によって設定された機能が割り当てられてもよい。

また、操作部１１Ｃには、リニア共振アクチュエータやピエゾアクチュエータなどにより構成される振動子が内蔵されてもよい。腹腔鏡１１を操作する術者に対して報知すべき事象が発生した場合、ＣＣＵ１１０は、操作部１１Ｃに内蔵された振動子を作動させることによって操作部１１Ｃを振動させ、前記事象の発生を術者に知らせてもよい。

腹腔鏡１１の挿入部１１Ａ、操作部１１Ｃ、及びユニバーサルコード１１Ｄの内部には、ＣＣＵ１１０から撮像装置１１Ｂへ出力される制御信号や撮像装置１１Ｂから出力される画像データを伝送するための伝送ケーブル、光源装置１２０から出射される照明光を挿入部１１Ａの先端部分まで導くライトガイドなどが配されている。光源装置１２０から出射される照明光は、ライトガイドを通じて挿入部１１Ａの先端部分まで導かれ、挿入部１１Ａの先端部分に設けられた照明レンズを介して術野に照射される。なお、本実施の形態では、光源装置１２０を独立した装置として記載したが、光源装置１２０はＣＣＵ１１０に内蔵される構成であってもよい。

ＣＣＵ１１０は、腹腔鏡１１が備える撮像装置１１Ｂの動作を制御する制御回路、ユニバーサルコード１１Ｄを通じて入力される撮像装置１１Ｂからの画像データを処理する画像処理回路等を備える。制御回路は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）などを備え、ＣＣＵ１１０が備える各種スイッチの操作や腹腔鏡１１が備える操作部１１Ｃの操作に応じて、撮像装置１１Ｂへ制御信号を出力し、撮像開始、撮像停止、ズームなどの制御を行う。制御回路は、ＣＰＵ、ＲＯＭ、ＲＡＭに限らず、ＧＰＵ（Graphics Processing Unit）やＦＰＧＡ（Field Programmable Gate Array）などを備えてもよい。画像処理回路は、ＤＳＰ（Digital Signal Processor）や画像メモリなどを備え、ユニバーサルコード１１Ｄを通じて入力される画像データに対して、色分離、色補間、ゲイン補正、ホワイトバランス調整、ガンマ補正等の適宜の処理を施す。ＣＣＵ１１０は、処理後の画像データから動画用のフレーム画像を生成し、生成した各フレーム画像を後述する手術支援装置２００へ順次出力する。フレーム画像のフレームレートは、例えば３０ＦＰＳ（Frames Per Second）である。

ＣＣＵ１１０は、ＮＴＳＣ（National Television System Committee）、ＰＡＬ（Phase Alternating Line）、ＤＩＣＯＭ（Digital Imaging and COmmunication in Medicine）などの所定の規格に準拠した映像データを生成してもよい。ＣＣＵ１１０は、生成した映像データを表示装置１３０へ出力することにより、表示装置１３０の表示画面に術野画像（映像）をリアルタイムに表示させることができる。表示装置１３０は、液晶パネルや有機ＥＬ（Electro-Luminescence）パネルなどを備えたモニタである。また、ＣＣＵ１１０は、生成した映像データを録画装置１４０へ出力し、録画装置１４０に映像データを記録させてもよい。録画装置１４０は、ＣＣＵ１１０から出力される映像データを、各手術を識別する識別子、手術日時、手術場所、患者名、術者名などと共に記録するＨＤＤ（Hard Disk Drive）などの記録装置を備える。

手術支援装置２００は、ＣＣＵ１１０から入力される画像データ（すなわち、術野を撮像して得られる術野画像の画像データ）に基づき、腹腔鏡手術に関する支援情報を生成する。具体的には、手術支援装置２００は、術野画像に含まれる疎性結合組織部分を認識し、認識した疎性結合組織部分を判別できるように表示装置１３０に表示させる処理を行う。ここで、術野画像に含まれる疎性結合組織部分とは、術野画像内の疎性結合組織に相当する画素の集合を表す。

本実施の形態では、手術支援装置２００において疎性結合組織の認識処理を実行する構成について説明するが、手術支援装置２００と同等の機能をＣＣＵ１１０に設け、ＣＣＵ１１０において、疎性結合組織の認識処理を実行する構成としてもよい。

以下、手術支援装置２００の内部構成、手術支援装置２００が実行する認識処理及び表示処理について説明する。

図２は手術支援装置２００の内部構成を説明するブロック図である。手術支援装置２００は、制御部２０１、記憶部２０２、操作部２０３、入力部２０４、出力部２０５、通信部２０６などを備える専用又は汎用のコンピュータである。手術支援装置２００は、手術室内に設置されるコンピュータであってもよく、手術室の外部に設置されるコンピュータであってもよい。また、手術支援装置２００は、腹腔鏡手術を行う病院内に設置されるサーバであってもよく、病院外に設置されるサーバであってもよい。手術支援装置２００は、遠隔手術を支援するために使用することも可能である。

制御部２０１は、例えば、ＣＰＵ、ＲＯＭ、及びＲＡＭなどを備える。制御部２０１が備えるＲＯＭには、手術支援装置２００が備えるハードウェア各部の動作を制御する制御プログラム等が記憶される。制御部２０１内のＣＰＵは、ＲＯＭに記憶された制御プログラムや後述する記憶部２０２に記憶された各種コンピュータプログラムを実行し、ハードウェア各部の動作を制御することによって、装置全体を本願における手術支援装置として機能させる。制御部２０１が備えるＲＡＭには、演算の実行中に利用されるデータ等が一時的に記憶される。

本実施の形態では、制御部２０１がＣＰＵ、ＲＯＭ、及びＲＡＭを備える構成としたが、制御部２０１の構成は任意であり、例えば、ＧＰＵ、ＦＰＧＡ、量子プロセッサ、揮発性又は不揮発性のメモリ等を１又は複数備えた演算回路や制御回路であってもよい。また、制御部２０１は、日時情報を出力するクロック、計測開始指示を与えてから計測終了指示を与えるまでの経過時間を計測するタイマ、数をカウントするカウンタ等の機能を有するものであってもよい。

記憶部２０２は、ハードディスク、フラッシュメモリなどを用いた記憶装置を備える。記憶部２０２には、制御部２０１によって実行されるコンピュータプログラム、外部から取得した各種データ、装置内部で生成した各種データ等が記憶される。

記憶部２０２に記憶されるコンピュータプログラムは、術野画像に含まれる疎性結合組織部分を認識するための処理を制御部２０１に実行させる認識処理プログラムＰＧ１、認識結果に基づく支援情報を表示装置１３０に表示させるための処理を制御部２０１に実行させる表示処理プログラムＰＧ２、学習モデル３００を生成するための学習処理プログラムＰＧ３を含む。なお、認識処理プログラムＰＧ１及び表示処理プログラムＰＧ２は、それぞれ独立したコンピュータプログラムである必要はなく、１つのコンピュータプログラムとして実装されてもよい。これらのプログラムは、例えば、コンピュータプログラムを読み取り可能に記録した非一時的な記録媒体Ｍにより提供される。記録媒体Ｍは、ＣＤ－ＲＯＭ、ＵＳＢメモリ、ＳＤ（Secure Digital）カードなどの可搬型メモリである。制御部２０１は、図に示していない読取装置を用いて、記録媒体Ｍから所望のコンピュータプログラムを読み取り、読み取ったコンピュータプログラムを記憶部２０２に記憶させる。代替的に、上記コンピュータプログラムは、通信部２０６を用いた通信により提供されてもよい。

また、記憶部２０２には、上述した認識処理プログラムＰＧ１において用いられる学習モデル３００が記憶される。学習モデル３００は、術野画像の入力に対して、術野画像に含まれる疎性結合組織部分に関する情報を出力するように学習された学習モデルである。学習モデル３００は、その定義情報によって記述される。学習モデル３００の定義情報は、学習モデル３００が備える層の情報、各層を構成するノードの情報、ノード間の重み付け及びバイアスなどのパラメータを含む。記憶部２０２に記憶される学習モデル３００は、術野を撮像して得られる術野画像と、術野画像内の疎性結合組織部分を示す正解データとを訓練データとして、所定の学習アルゴリズムを用いて学習された学習済みの学習モデルである。学習モデル３００の構成及び学習モデル３００の生成手順については後に詳述する。

操作部２０３は、キーボード、マウス、タッチパネル、非接触パネル、スタイラスペン、マイクロフォンによる音声入力装置などの操作機器を備える。操作部２０３は、術者などによる操作を受付け、受付けた操作に関する情報を制御部２０１へ出力する。制御部２０１は、操作部２０３から入力される操作情報に応じて適宜の処理を実行する。なお、本実施の形態では、手術支援装置２００が操作部２０３を備える構成としたが、外部に接続されたＣＣＵ１１０などの各種機器を通じて操作を受付ける構成であってもよい。

入力部２０４は、入力機器を接続する接続インタフェースを備える。本実施の形態において、入力部２０４に接続される入力機器はＣＣＵ１１０である。入力部２０４には、腹腔鏡１１によって撮像され、ＣＣＵ１１０によって処理が施された術野画像の画像データが入力される。入力部２０４は、入力された画像データを制御部２０１へ出力する。また、制御部２０１は、入力部２０４から取得した画像データを記憶部２０２に記憶させてもよい。

出力部２０５は、出力機器を接続する接続インタフェースを備える。本実施の形態において、出力部２０５に接続される出力機器は表示装置１３０である。制御部２０１は、学習モデル３００による認識結果など、術者等に報知すべき情報を生成した場合、生成した情報を出力部２０５より表示装置１３０へ出力することにより、表示装置１３０に情報を表示させる。

通信部２０６は、各種のデータを送受信する通信インタフェースを備える。通信部２０６が備える通信インタフェースは、イーサネット（登録商標）やＷｉＦｉ（登録商標）において用いられる有線又は無線の通信規格に準じた通信インタフェースである。通信部２０６は、送信すべきデータが制御部２０１から入力された場合、指定された宛先へ送信すべきデータを送信する。また、通信部２０６は、外部装置から送信されたデータを受信した場合、受信したデータを制御部２０１へ出力する。

次に、手術支援装置２００に入力される術野画像について説明する。
図３は術野画像の一例を示す模式図である。本実施の形態における術野画像は、患者の腹腔内を腹腔鏡１１により撮像して得られる画像である。術野画像は、腹腔鏡１１の撮像装置１１Ｂが出力する生の画像である必要はなく、ＣＣＵ１１０などによって処理が施された画像（フレーム画像）であってもよい。また、術野画像は、ＣＣＵ１１０から表示装置１３０に出力される画像であってもよく、腹腔鏡１１に着脱可能に装着される画像処理装置（不図示）によって処理が施された画像であってもよい。更に、術野画像は、録画装置１４０に記録済みの録画映像であってもよい。

図３は腹腔鏡手術の様子を撮像した術野画像の一例を示している。図３に示す術野には、悪性腫瘍などの病変部を含む組織ＮＧ、臓器を構成する組織ＯＲＧ、及びこれらの組織間を満たす疎性結合組織ＬＣＴが含まれている。本実施の形態において、組織ＮＧは体内から除去されるべき部位であり、組織ＯＲＧは体内に残存させるべき部位である。図３の例では、疎性結合組織ＬＣＴは、組織ＮＧが鉗子１３によって把持され、図の上方に展開されることによって露出されている。ここで、結合組織とは、弾性線維、膠原線維、脂肪組織、細網組織などを含み、組織間を満たす組織である。疎性結合組織（loose connective tissue）ＬＣＴは、器官や上皮を保持する機能を持ち、多くの器官や組織間に存在し、タンパク質性の線維を有する結合組織の一種である。弾性線維の量が比較的多いものは密生結合組織（靭帯や腱など）と呼ばれ、疎性結合組織とは区別される。疎性結合組織ＬＣＴは手術中に線維状に視認されることが多い。線維の方向は不定であり、全体として網の目を形成することもある。線維の間には液性の基質や多種の細胞が存在する。手術中に多くの疎性結合組織が確認され、特に臓器間の剥離や切離を行う際には、疎性結合組織を適切に処理することで安全に手術が進行する。図３の例では、疎性結合組織ＬＣＴを破線により示している。

腹腔鏡手術では、例えば患者の体内に形成された悪性腫瘍などの病変部を取り除く手術を行う。このとき、術者は、病変部を含む組織ＮＧを鉗子１３により把持し、適宜の方向に展開させることによって、病変部を含む組織ＮＧと残すべき組織ＯＲＧとの間に存在する疎性結合組織ＬＣＴを露出させる。術者は、露出させた疎性結合組織ＬＣＴをエネルギ処置具１２を用いて切除することにより、病変部を含む組織ＮＧを残すべき組織ＯＲＧから剥離させる。

なお、疎性結合組織ＬＣＴの切除の容易性の観点から、切除対象の疎性結合組織ＬＣＴは伸縮性を有していることが好ましい。また、切除対象の疎性結合組織ＬＣＴの奥側にエネルギ処置具１２や鉗子１３を動かせる空間が存在することが好ましい。更に、切除対象の疎性結合組織ＬＣＴは緊張した状態に保持されていることが好ましい。図３の例は、疎性結合組織ＬＣＴの奥側に空間ＳＰが存在し、少なくとも一部が緊張された状態に保持されている様子を示している。

疎性結合組織ＬＣＴを構成する線維の周囲には、血管や神経、又は液性の基質や多種の細胞が存在し、術者にとって、術野画像から疎性結合組織ＬＣＴを見つけ出すことは必ずしも容易ではない。そこで、本実施の形態に係る手術支援装置２００は、学習モデル３００を用いて術野画像から疎性結合組織部分を認識し、認識結果に基づき、腹腔鏡手術に関する支援情報を出力する。

次に、手術支援装置２００において用いられる学習モデル３００の構成例について説明する。
図４は学習モデル３００の構成例を示す模式図である。学習モデル３００は、画像セグメンテーションを行うための学習モデルであり、例えばＳｅｇＮｅｔなどの畳み込み層を備えたニューラルネットワークにより構築される。図４には、ＳｅｇＮｅｔの構成例を示しているが、ＳｅｇＮｅｔに限らず、ＦＣＮ（Fully Convolutional Network）、Ｕ－Ｎｅｔ（U-Shaped Network）、ＰＳＰＮｅｔ（Pyramid Scene Parsing Network）など、画像セグメンテーションが行える任意のニューラルネットワークを用いて学習モデル３００を構築すればよい。また、画像セグメンテーション用のニューラルネットワークに代えて、ＹＯＬＯ（You Only Look Once）、ＳＳＤ（Single Shot Multi-Box Detector）など物体検出用のニューラルネットワークを用いて学習モデル３００を構築してもよい。

本実施の形態において、学習モデル３００への入力画像は、腹腔鏡１１から得られる術野画像である。学習モデル３００は、術野画像の入力に対し、疎性結合組織に関する情報（例えば、各画素が疎性結合組織に属するか否かを示す確率）を出力するように学習される。

本実施の形態における学習モデル３００は、例えば、エンコーダ３１０、デコーダ３２０、及びソフトマックス層３３０を備える。エンコーダ３１０は、畳み込み層とプーリング層とを交互に配置して構成される。畳み込み層は２～３層に多層化されている。図４の例では、畳み込み層にはハッチングを付さずに示し、プーリング層にはハッチングを付して示している。

畳み込み層では、入力されるデータと、それぞれにおいて定められたサイズ（例えば、３×３や５×５など）のフィルタとの畳み込み演算を行う。すなわち、フィルタの各要素に対応する位置に入力された入力値と、フィルタに予め設定された重み係数とを各要素毎に乗算し、これら要素毎の乗算値の線形和を算出する。算出した線形和に、設定されたバイアスを加算することによって、畳み込み層における出力が得られる。なお、畳み込み演算の結果は活性化関数によって変換されてもよい。活性化関数として、例えばＲｅＬＵ（Rectified Linear Unit）を用いることができる。畳み込み層の出力は、入力データの特徴を抽出した特徴マップを表している。

プーリング層では、入力側に接続された上位層である畳み込み層から出力された特徴マップの局所的な統計量を算出する。具体的には、上位層の位置に対応する所定サイズ（例えば、２×２、３×３）のウインドウを設定し、ウインドウ内の入力値から局所の統計量を算出する。統計量としては、例えば最大値を採用できる。プーリング層から出力される特徴マップのサイズは、ウインドウのサイズに応じて縮小（ダウンサンプリング）される。図４の例は、エンコーダ３１０において畳み込み層における演算とプーリング層における演算とを順次繰り返すことによって、２２４画素×２２４画素の入力画像を、１１２×１１２、５６×５６、２８×２８、…、１×１の特徴マップに順次ダウンサンプリングしていることを示している。

エンコーダ３１０の出力（図４の例では１×１の特徴マップ）は、デコーダ３２０に入力される。デコーダ３２０は、逆畳み込み層と逆プーリング層とを交互に配置して構成される。逆畳み込み層は２～３層に多層化されている。図４の例では、逆畳み込み層にはハッチングを付さずに示し、逆プーリング層にはハッチングを付して示している。

逆畳み込み層では、入力された特徴マップに対して、逆畳み込み演算を行う。逆畳み込み演算とは、入力された特徴マップが特定のフィルタを用いて畳み込み演算された結果であるという推定の下、畳み込み演算される前の特徴マップを復元する演算である。この演算では、特定のフィルタを行列で表したとき、この行列に対する転置行列と、入力された特徴マップとの積を算出することで、出力用の特徴マップを生成する。なお、逆畳み込み層の演算結果は、上述したＲｅＬＵなどの活性化関数によって変換されてもよい。

デコーダ３２０が備える逆プーリング層は、エンコーダ３１０が備えるプーリング層に１対１で個別に対応付けられており、対応付けられている対は実質的に同一のサイズを有する。逆プーリング層は、エンコーダ３１０のプーリング層においてダウンサンプリングされた特徴マップのサイズを再び拡大（アップサンプリング）する。図４の例は、デコーダ３２０において畳み込み層における演算とプーリング層における演算とを順次繰り返すことによって、１×１、７×７、１４×１４、…、２２４×２２４の特徴マップに順次アップサンプリングしていることを示している。

デコーダ３２０の出力（図４の例では２２４×２２４の特徴マップ）は、ソフトマックス層３３０に入力される。ソフトマックス層３３０は、入力側に接続された逆畳み込み層からの入力値にソフトマックス関数を適用することにより、各位置（画素）における部位を識別するラベルの確率を出力する。本実施の形態では、疎性結合組織を識別するラベルを設定し、疎性結合組織に属するか否かを画素単位で識別すればよい。ソフトマックス層３３０から出力されるラベルの確率が閾値以上（例えば５０％以上）の画素を抽出することによって、疎性結合組織部分を示す画像（以下、認識画像という）が得られる。なお、閾値については予め記憶部２０２に記憶されていてもよい。また、操作部２０３を通じて、閾値の変更を受付け、変更後の閾値を記憶部２０２に記憶させてもよい。この場合、制御部２０１は、変更後の閾値を用いて、各画素が疎性結合組織に属するか否かを判断すればよい。

なお、図４の例では、２２４画素×２２４画素の画像を学習モデル３００への入力画像としているが、入力画像のサイズは上記に限定されるものではなく、手術支援装置２００の処理能力、腹腔鏡１１から得られる術野画像のサイズ等に応じて、適宜設定することが可能である。また、学習モデル３００への入力画像は、腹腔鏡１１より得られる術野画像の全体である必要はなく、術野画像の注目領域を切り出して生成される部分画像であってもよい。処置対象を含むような注目領域は術野画像の中央付近に位置することが多いので、例えば、元の半分程度のサイズとなるように術野画像の中央付近を矩形状に切り出した部分画像を用いてもよい。学習モデル３００に入力する画像のサイズを小さくすることにより、処理速度を上げつつ、認識精度を高めることができる。

学習モデル３００は、線維状の疎性結合組織の一部又は全部を一の集合体として認識するように構成されてもよい。すなわち、学習モデル３００は、疎性結合組織の１本ずつを一の集合体として認識するように構成されてもよく、所定本数（例えば１０本）以上の疎性結合組織を一の集合体として認識するように構成されてもよい。

図５は学習モデル３００による認識結果を示す模式図である。図５の例では、学習モデル３００を用いて認識した疎性結合組織部分を太実線により示し、それ以外の臓器や組織の部分を参考として破線により示している。手術支援装置２００の制御部２０１は、認識した疎性結合組織部分を判別可能に表示するために疎性結合組織の認識画像を生成する。認識画像は、術野画像と同一サイズの画像であり、疎性結合組織として認識された画素に特定の色を割り当てた画像である。疎性結合組織の画素に割り当てる色は、臓器や血管などと区別が付くように、人体内部に存在しない色であることが好ましい。人体内部に存在しない色とは、例えば青色や水色などの寒色系（青系）の色である。また、認識画像を構成する各画素には透過度を表す情報が付加され、疎性結合組織として認識された画素には不透過の値、それ以外の画素は透過の値が設定される。このように生成された認識画像を術野画像上に重ねて表示することにより、疎性結合組織部分を特定の色を有する構造として術野画像上に表示することができる。制御部２０１は、疎性結合組織の認識画像を見やすく表示するために、色相、明度、彩度、透過度などのパラメータを調整してもよい。

以下、手術支援装置２００の動作について説明する。
手術支援装置２００は、例えば運用開始前の学習フェーズにおいて学習モデル３００を生成する。学習モデル３００を生成する準備段階として、本実施の形態では、腹腔鏡１１から得られる術野画像に対して、疎性結合組織部分をマニュアルでセグメンテーションすることにより、アノテーションを実施する。なお、アノテーションには、録画装置１４０に録画された術野画像を用いればよい。

アノテーションを実施する際、作業者（医師などの専門家）は、術野画像を表示装置１３０に時系列的に表示させながら、病変部を含む組織（除去すべき部位）と臓器（残存させるべき部位）との間に存在し、切除し易い状況にある疎性結合組織を見つけ出す。具体的には、病変部を含む組織が展開されて、露出した状態の疎性結合組織を見つけ出す。アノテーションを施す疎性結合組織は、例えば、伸縮性を有する部分であることが好ましい。または、アノテーションを施す疎性結合組織は、緊張した状態に保持されていることが好ましい。または、アノテーションを施す疎性結合組織の奥側に空間が存在し、エネルギ処置具１２や鉗子１３を動かせる空間が存在することが好ましい。作業者は、切除し易い状況にある疎性結合組織を見つけ出した場合、その術野画像において、操作部２０３が備えるマウスやスタイラスペンなどを用いて疎性結合組織に該当する部分を画素単位で選択することによりアノテーションを行う。また、学習に適した疎性結合組織のパターンを選択し、透視変換や鏡映などの処理によりデータ数を増やしてもよい。更に、学習が進めば、学習モデル３００による認識結果を流用してデータ数を増やしてもよい。上記のようなアノテーションを実行して学習モデル３００を生成することにより、学習モデル３００は、伸縮性を有する疎性結合組織が緊張前の状態から緊張した状態に移行した段階で線維状の部分を認識するよう構成される。

本実施の形態では、約４０００枚の術野画像に対してアノテーションを行い、データ数を増やすことにより、最終的に、術野画像と疎性結合組織部分を示す正解データとの組からなる約２００００組の訓練データを用意した。訓練データは、記憶装置（例えば手術支援装置２００の記憶部２０２）に記憶される。

図６は学習モデル３００の生成手順を説明するフローチャートである。手術支援装置２００の制御部２０１は、記憶部２０２から学習処理プログラムＰＧ３を読み出し、以下の手順を実行することにより、学習モデル３００を生成する。なお、学習を開始する前の段階では、学習モデル３００を記述する定義情報には、初期値が与えられているものとする。

制御部２０１は、まず、記憶部２０２にアクセスし、学習に用いる一組の訓練データを選択する（ステップＳ１０１）。制御部２０１は、選択した訓練データに含まれる術野画像を学習モデル３００へ入力し（ステップＳ１０２）、学習モデル３００による演算を実行する（ステップＳ１０３）。すなわち、制御部２０１は、入力した術野画像から特徴マップを生成し、生成した特徴マップを順次ダウンサンプリングするエンコーダ３１０による演算、エンコーダ３１０から入力される特徴マップを順次アップサンプリングするデコーダ３２０による演算、及びデコーダ３２０より最終的に得られる特徴マップの各画素を識別するソフトマックス層３３０による演算を実行する。

制御部２０１は、学習モデル３００から演算結果を取得し、取得した演算結果を評価する（ステップＳ１０４）。例えば、制御部２０１は、演算結果として得られる疎性結合組織部分の画像データと、訓練データに含まれる正解データとの類似度を算出することによって、演算結果を評価すればよい。類似度は、例えばＪａｃｃａｒｄ係数により算出される。Ｊａｃｃａｒｄ係数は、学習モデル３００によって抽出した疎性結合組織部分をＡ、正解データに含まれる疎性結合組織部分をＢとしたとき、Ａ∩Ｂ／Ａ∪Ｂ×１００（％）により与えられる。Ｊａｃｃａｒｄ係数に代えて、Ｄｉｃｅ係数やＳｉｍｐｓｏｎ係数を算出してもよく、その他の既存の手法を用いて類似度を算出してもよい。

制御部２０１は、演算結果の評価に基づき、学習が完了したか否かを判断する（ステップＳ１０５）。制御部２０１は、予め設定した閾値以上の類似度が得られた場合に、学習が完了したと判断することができる。

学習が完了していないと判断した場合（Ｓ１０５：ＮＯ）、制御部２０１は、逆誤差伝搬法を用いて、学習モデル３００の各層における重み係数及びバイアスを学習モデル３００の出力側から入力側に向かって順次的に更新する（ステップＳ１０６）。制御部２０１は、各層の重み係数及びバイアスを更新した後、処理をステップＳ１０１へ戻し、ステップＳ１０１からステップＳ１０５までの処理を再度実行する。

ステップＳ１０５において学習が完了したと判断した場合（Ｓ１０５：ＹＥＳ）、学習済みの学習モデル３００が得られるので、制御部２０１は、本フローチャートによる処理を終了する。

本実施の形態では、手術支援装置２００において学習モデル３００を生成する構成としたが、外部のコンピュータにおいて学習モデル３００を生成してもよい。手術支援装置２００は、外部のコンピュータにて生成された学習モデル３００を通信等の手段を用いて取得し、取得した学習モデル３００を記憶部２０２に記憶させればよい。

手術支援装置２００は、学習モデル３００が生成された後の運用フェーズにおいて手術支援を行う。図７は手術支援の実行手順を説明するフローチャートである。手術支援装置２００の制御部２０１は、記憶部２０２から認識処理プログラムＰＧ１及び表示処理プログラムＰＧ２を読み出して実行することにより、以下の手順を実行する。腹腔鏡手術が開始されると、腹腔鏡１１の撮像装置１１Ｂにより術野を撮像して得られる術野画像はユニバーサルコード１１Ｄを介してＣＣＵ１１０へ随時出力される。手術支援装置２００の制御部２０１は、ＣＣＵ１１０から出力される術野画像を入力部２０４にて取得する（ステップＳ１２１）。制御部２０１は、術野画像を取得する都度、以下の処理を実行する。

制御部２０１は、取得した術野画像を学習モデル３００に入力し、学習モデル３００を用いた演算を実行し（ステップＳ１２２）、術野画像に含まれる疎性結合組織部分を認識する（ステップＳ１２３）。すなわち、制御部２０１は、入力された術野画像から特徴マップを生成し、生成した特徴マップを順次ダウンサンプリングするエンコーダ３１０による演算、エンコーダ３１０から入力された特徴マップを順次アップサンプリングするデコーダ３２０による演算、及びデコーダ３２０より最終的に得られる特徴マップの各画素を識別するソフトマックス層３３０による演算を実行する。また、制御部２０１は、ソフトマックス層３３０から出力されるラベルの確率が閾値以上（例えば５０％以上）の画素を疎性結合組織部分として認識する。

制御部２０１は、学習モデル３００を用いて認識した疎性結合組織部分を判別可能に表示するために、疎性結合組織の認識画像を生成する（ステップＳ１２４）。制御部２０１は、上述したように、疎性結合組織として認識された画素には、人体内部に存在しない色（例えば青色や水色などの寒色系（青系）の色）を割り当て、疎性結合組織以外の画素には背景が透過するような透過度を設定すればよい。

制御部２０１は、ステップＳ１２１で取得した術野画像と共に、ステップＳ１２４で生成した疎性結合組織の認識画像を出力部２０５より表示装置１３０へ出力し、術野画像上に認識画像を重ねて表示装置に表示させる（ステップＳ１２５）。これにより、学習モデル３００を用いて認識した疎性結合組織部分は特定の色を有する構造として術野画像上に表示される。また、制御部２０１は、特定の色で示されている疎性結合組織が切除されるべき部位であることを示すメッセージを表示装置１３０に表示させてもよい。

図８は表示装置１３０における表示例を示す模式図である。図面作成の都合上、図８の表示例では、学習モデル３００を用いて認識された疎性結合組織部分を太実線により示している。実際には、疎性結合組織に該当する部分が画素単位で青色や水色などの人体内部に存在しない色で塗られるため、術者は、表示装置１３０の表示画面を見ることにより、疎性結合組織を明確に判別することができ、切除すべき部位を把握できる。

なお、本実施の形態では、学習モデル３００による疎性結合組織の認識結果を表示装置１３０に表示させる構成としたが、表示装置１３０とは別の表示装置を設け、表示装置１３０に術野画像、別の表示装置に学習モデル３００の認識結果を表示させてもよい。また、表示装置１３０の画面内の領域に術野画像を表示させ、同じ画面内の別領域に学習モデル３００の認識結果を表示させてもよい。

また、本実施の形態では、学習モデル３００により認識した疎性結合組織部分を表示装置１３０に表示させる構成としたが、認識した疎性結合組織部分に交差するようなラインを切除すべき推奨ラインとして表示装置１３０に表示させてもよい。

更に、本実施の形態では、学習モデル３００により疎性結合組織部分を認識することによって、切除すべきラインを推定することができるので、手術支援装置２００に手術用ロボットが接続されている場合、疎性結合組織の切除を指示する制御信号を手術用ロボットに出力してもよい。

更に、手術支援装置２００は、認識した疎性結合組織部分のうち、切除すべき推奨範囲を設定し、設定した推奨範囲の表示態様（色、色相、明度、彩度、透過度など）を変更して表示装置１３０に表示させてもよい。すなわち、推奨範囲の疎性結合組織部分を表示し、推奨範囲以外の疎性結合組織部分を表示しないようにするために、透過度を変更してもよい。また、推奨範囲の疎性結合組織部分と、推奨範囲以外の疎性結合組織部分とで表示色を変更してもよい。

推奨範囲は適宜設定される。例えば、手術支援装置２００は、病変組織（鏡視下手術により除去されるべき部位）と正常組織（鏡視下手術により残存させるべき部位）との間の疎性結合組織を認識した場合、疎性結合組織を含む範囲を、病変組織寄りの範囲、正常組織寄りの範囲、両者の間の範囲の３つに分割し、分割した３つの範囲の何れか１つを推奨範囲として設定してもよい。手術支援装置２００は、例えば、術野画像において疎性結合組織の長手方向（線維が延びる方向）に長さを算出し、算出した長さを３分割するように範囲を分割すればよい。なお、分割範囲は３つである必要はなく、２つ以上であればよい。

また、手術支援装置２００は、病変の進行度に応じて推奨範囲を設定してもよい。例えば、病変の進行度が高い場合、マージンを大きく取るために、手術支援装置２００は、正常組織寄りの範囲を推奨範囲として設定してもよい。逆に、病変の進行度が低い場合、切除範囲を小さくするために、手術支援装置２００は、病変組織寄りの範囲を推奨範囲として設定してもよい。なお、病変の進行度の情報は、操作部２０３又は通信部２０６を通じて予め入力されるとよい。

更に、手術支援装置２００は、術者に応じて推奨範囲を設定してもよい。例えば、術者が病変組織寄りの範囲の切除を好む場合、手術支援装置２００は、病変組織寄りの範囲を推奨範囲として設定すればよい。逆に、術者が正常組織寄りの範囲の切除を好む場合、手術支援装置２００は、正常組織寄りの範囲を推奨範囲として設定すればよい。術者が好む切除範囲は、操作部２０３又は通信部２０６を通じて予め設定されるとよい。

以上のように、本実施の形態では、学習モデル３００を用いて疎性結合組織の構造を認識し、疎性結合組織を画素単位で判別可能に表示することができるので、腹腔鏡手術における視覚支援を行うことができる。なお、手術支援装置２００から生成される画像は、手術支援に用いられるだけでなく、研修医等の教育支援のために用いられてもよく、腹腔鏡手術の評価のために用いられてもよい。例えば、手術中に録画装置１４０に録画された画像と手術支援装置２００が生成した画像とを比較して、腹腔鏡手術により切除した部位が適切であったか否かを判断することにより、腹腔鏡手術を評価することができる。

（実施の形態２）
実施の形態２では、疎性結合組織を認識したときの確信度に応じて表示態様を変更する構成について説明する。
なお、腹腔鏡手術支援システムの全体構成、手術支援装置２００の内部構成等については実施の形態１と同様であるため、その説明を省略することとする。

前述の実施の形態１に係る手術支援装置２００は、学習モデル３００のソフトマックス層３３０から出力される確率を参照し、確率が閾値以上（例えば５０％以上）である画素に対して特定の色（例えば寒色系の色）と透過度１（不透過）とを割り当て、確率が閾値未満である画素に対して透過度０（完全透過）を割り当てることにより、疎性結合組織部分を示す認識画像を生成する。手術支援装置２００は、このような認識画像を出力し、術野画像上に重畳して表示することにより、疎性結合組織部分を一様に表示（オーバーレイ表示）することができる。

これに対し、実施の形態２に係る手術支援装置２００は、認識画像の各画素に対して特定の色（例えば寒色系の色）を設定すると共に、学習モデル３００のソフトマックス層３３０から出力される確率（確信度）に応じて各画素に透過度を設定し、疎性結合組織部分の認識画像を生成する。具体的には、手術支援装置２００は、確信度が高い程、透過度が低く、確信度が低い程、透過度が高くなるように、各画素の透過度を設定する。例えば、確信度がＸ％である場合の透過度をＸ／１００に設定することができる。手術支援装置２００は、生成した認識画像を出力し、術野画像上に重畳して表示することにより、確信度に応じた表示（ソフトマップ表示）を実現することができる。

図９は実施の形態２における認識画像の表示例を示す模式図である。図面作成の都合上、図９の例では、透過度の高低を濃度の高低により示している。すなわち、図９の例では、確信度が高い疎性結合組織部分の濃度を高く、確信度が低い疎性結合組織部分の濃度を低くして認識画像を示している。

実施の形態２では、相対的に確信度が高い疎性結合組織部分を明瞭に表示することができるので、牽引操作や剥離操作などを行う際に有用な情報を術者に対して的確に提示できる。

実施の形態２では、確信度に応じて透過度を変更する構成としたが、確信度に応じて色、色相、彩度、明度などを変更する構成としてもよい。

（実施の形態３）
実施の形態３では、術野画像に含まれる疎性結合組織部分と共に、腹腔鏡手術により除去されるべき部位と、腹腔鏡手術により残存させるべき部位とを併せて認識し、表示する構成について説明する。
なお、腹腔鏡手術支援システムの全体構成、手術支援装置２００の内部構成等については実施の形態１と同様であるため、その説明を省略することとする。

図１０は実施の形態３における学習モデル３００のソフトマックス層３３０の構成を説明する説明図である。図１０では、簡略化のために、ソフトマックス層３３０を一次元状に表している。学習モデル３００のソフトマックス層３３０は、実施の形態１において説明したように、特徴マップの各画素における部位を識別するラベルの確率を出力する。実施の形態３では、疎性結合組織を識別するラベル、除去されるべき部位（図３の例では組織ＮＧ）を識別するラベル、残存させるべき部位（図３の例では組織ＯＲＧ）を識別するラベルが設定される。手術支援装置２００の制御部２０１は、疎性結合組織を識別するラベルの確率が閾値以上であれば、その画素が疎性結合組織と認識する。同様に、制御部２０１は、除去されるべき部位を識別するラベルの確率が閾値以上であれば、その画素が除去されるべき部位と認識し、残存させるべき部位を識別するラベルの確率が閾値以上であれば、その画素が残存させるべき部位と認識する。

このような認識結果を得るための学習モデル３００は、予め用意された多数の訓練データを用いて学習することにより生成される。実施の形態３では、術野画像と、悪性腫瘍などの病変部を含む組織部分、臓器を構成する組織部分、及びこれらの組織間を結合する疎性結合組織部分をセグメンテーションすることにより得られる正解データとの組を、訓練データとして用いることができる。学習モデル３００の生成方法については、実施の形態１と同様であるため、その説明を省略する。

図１１は実施の形態３における表示例を示す模式図である。実施の形態３における手術支援装置２００は、学習モデル３００を用いて、術野画像に含まれる疎性結合組織部分、腹腔鏡手術により除去されるべき領域（悪性腫瘍などの病変部を含む組織部分）、腹腔鏡手術により残存させるべき領域（臓器を構成する組織部分）を認識するので、これらを判別できるように表示装置１３０に表示させる。図１１の表示例では、学習モデル３００を用いて認識された疎性結合組織部分を太実線により示し、腹腔鏡手術により除去されるべき領域（疎性結合組織部分の上側の領域）と残存させるべき領域（疎性結合組織部分の下側）とをそれぞれ異なるハッチングを付して示している。実際には、疎性結合組織に該当する部分については画素単位で青色や水色などの人体内部に存在しない色で着色し、腹腔鏡手術により除去されるべき領域と残存させるべき領域とをそれぞれ異なる色で着色して表示すればよい。術者は、表示装置１３０の表示画面を閲覧することにより、腹腔鏡手術により除去されるべき部位と残存させるべき部位と結合する疎性結合組織を明確に判別することができる。

なお、腹腔鏡手術により除去されるべき領域及び残存させるべき領域の全体を着色する構成に代えて、これらの領域の輪郭のみを着色して表示してもよい。また、腹腔鏡手術により除去されるべき領域及び残存させるべき領域の双方を着色する構成に代えて、何れか一方のみを着色して表示してもよい。

以上のように、実施の形態３では、学習モデル３００により認識した疎性結合組織部分と共に、腹腔鏡手術により除去されるべき領域及び残存させるべき領域の少なくとも一方を判別可能に表示するため、切除すべき疎性結合組織部分の情報を術者に明確に提示することができる。

（実施の形態４）
実施の形態４では、術者から指示されたタイミングにて疎性結合組織部分を表示する構成について説明する。

実施の形態４における手術支援装置２００は、術者のスイッチ操作に応じて、疎性結合組織部分の表示及び非表示を切り替える。すなわち、手術支援装置２００は、特定のスイッチ（以下、切替スイッチという）が操作された場合にのみ、疎性結合組織部分を表示装置１３０に表示させる。ここで、疎性結合組織部分の表示及び非表示を切り替える切替スイッチは、腹腔鏡１１の操作部１１Ｃに設けられたスイッチであってもよく、図に示してないフットスイッチであってもよい。切替スイッチが操作されたことを示す操作情報は、例えばユニバーサルコード１１Ｄを介してＣＣＵ１１０に通知され、ＣＣＵ１１０を介して手術支援装置２００に通知される。

図１２は実施の形態４における表示例を示す模式図である。図１２Ａは切替スイッチが操作された場合の表示例を示し、図１２Ｂは切替スイッチが操作されていない場合の表示例を示している。実施の形態４では、切替スイッチが操作された場合にのみ、図１２Ａに示すように、疎性結合組織部分を表示装置１３０に表示させる。疎性結合組織部分の表示方法は、実施の形態１と同様であり、疎性結合組織に該当する部分を画素単位で青色や水色などの人体内部に存在しない色で着色して表示すればよい。

図１３は実施の形態４における表示切替手順を示すフローチャートである。手術支援装置２００の制御部２０１は、ＣＣＵ１１０から通知される操作情報に基づき、切替スイッチが操作されたか否かを判断する（ステップＳ４０１）。

切替スイッチが操作されたと判断した場合（Ｓ４０１：ＹＥＳ）、制御部２０１は、疎性結合組織部分を表示させる（ステップＳ４０２）。制御部２０１は、学習モデル３００を用いて認識した疎性結合組織部分を判別可能に表示するために、該当部分の画素に特定の色を割り当て、疎性結合組織以外の画素には背景が透過するような透過度を設定した認識画像を生成する。制御部２０１は、術野画像と共に、生成した認識画像を表示装置１３０へ出力し、術野画像上に認識画像を重ねて表示させることにより、疎性結合組織部分を表示させることができる。

切替スイッチが操作されていないと判断した場合（Ｓ４０１：ＮＯ）、制御部２０１は、疎性結合組織部分を非表示にする（ステップＳ４０３）。制御部２０１は、疎性結合組織部分を非表示にするために、認識した疎性結合組織部分の画素についても背景が透過するような透過度を設定すればよい。制御部２０１は、術野画像と共に、生成した認識画像を表示装置１３０へ出力し、術野画像上に認識画像を重ねて表示させることにより、疎性結合組織部分を非表示することができる。透過度を変更して疎性結合組織部分を非表示にする構成に代えて、認識画像の出力を停止する構成としてもよい。

以上のように、実施の形態４では、術者が所望するタイミングで疎性結合組織部分を表示し、それ以外のタイミングでは非表示にすることができる。

なお、本実施の形態では、切替スイッチが操作された場合に疎性結合組織部分を表示、操作されていない場合に非表示にする構成としたが、切替スイッチが操作された場合に非表示、操作されていない場合に表示する構成としてもよい。疎性結合組織部分の表示及び非表示を切り替える切替スイッチは、ＣＣＵ１１０に設けられてもよい。また、表示装置１３０が備えるタッチパネルや手術支援装置２００が備える操作部２０３の操作により、疎性結合組織部分の表示及び非表示を切り替える構成としてもよい。本実施の形態では、物理的なスイッチを用いて表示を切り替える構成としたが、術者からの音声指示により、表示を切り替える構成としてもよい。このため、腹腔鏡１１の操作部１１ＣやＣＣＵ１１０にマイクロフォンなどの音声入力部を設けてもよい。

（実施の形態５）
実施の形態５では、腹腔鏡手術の状況に応じて、疎性結合組織部分の表示及び非表示を切り替える構成について説明する。

手術支援装置２００の演算速度によっては、疎性結合組織の認識処理にタイムラグが発生する可能性がある。このため、鉗子１３を用いて病変部を含む部位などを展開させている間やエネルギ処置具１２を動かしている間に学習モデル３００を用いて認識した疎性結合組織部分を表示させた場合、表示させた疎性結合組織部分の位置と、実際の疎性結合組織の位置との間にズレが生じる可能性がある。そこで、実施の形態５に係る手術支援装置２００は、腹腔鏡手術の対象部位が停止した場合に疎性結合組織部分を表示させ、エネルギ処置具１２が動き出した場合、疎性結合組織部分を非表示にする。

図１４は実施の形態５における表示切替手順を示すフローチャートである。本フローチャートでは、鉗子１３を用いて病変部を含む部位などを展開させ、疎性結合組織を露出させた後に、エネルギ処置具１２により疎性結合組織を切除するときの表示切替手順を説明する。

手術支援装置２００の制御部２０１は、入力部２０４より順次入力される術野画像に基づき、対象部位の展開が停止したか否かを判断する（ステップＳ５０１）。制御部２０１は、例えば、入力部２０４より順次入力される術野画像に基づき、オプティカルフローを生成することにより、対象部位の展開が停止したか否かを判断すればよい。対象部位の展開が停止していない場合（Ｓ５０１：ＮＯ）、対象部位の展開に伴い疎性結合組織が動く可能性があるため、対象部位の展開が停止するまで待機する。なお、本実施の形態では、対象部位の展開が停止したか否かを判断する構成としたが、対象部位を展開させるための術具（例えば鉗子１３）が停止したか否かを判断する構成としてもよい。また、術野画像の全体が停止している必要はなく、予め定めた領域（例えば術野画像の中央付近の領域）が停止したか否かを判断する構成としてもよい。

対象部位の展開が停止したと判断した場合（Ｓ５０１：ＹＥＳ）、制御部２０１は、疎性結合組織部分を表示させる（ステップＳ５０２）。対象部位の展開が停止した場合、疎性結合組織は静止していると考えられ、認識した疎性結合組織部分を表示したとしても、表示位置がずれる可能性は低い。制御部２０１は、学習モデル３００を用いて認識した疎性結合組織部分を判別可能に表示するために、該当部分の画素に特定の色を割り当て、疎性結合組織以外の画素には背景が透過するような透過度を設定した認識画像を生成する。制御部２０１は、術野画像と共に、生成した認識画像を表示装置１３０へ出力し、術野画像上に認識画像を重ねて表示させることにより、疎性結合組織部分を表示させる。

次いで、制御部２０１は、処置が開始されたか否かを判断する（ステップＳ５０３）。制御部２０１は、ステップＳ５０１と同様に、オプティカルフローを生成し、術具であるエネルギ処置具１２が動き出したか否かを判断することにより、処置が開始されたか否かを判断することができる。処置が開始されていない場合（Ｓ５０３：ＮＯ）、制御部２０１は、疎性結合組織部分の表示を継続しつつ、処置が開始されるまで、すなわちエネルギ処置具１２が動き出すまで待機する。

処置が開始されたと判断した場合（Ｓ５０３：ＹＥＳ）、制御部２０１は、疎性結合組織部分を非表示にする（ステップＳ５０４）。制御部２０１は、疎性結合組織部分を非表示にするために、認識した疎性結合組織部分の画素についても背景が透過するような透過度を設定すればよい。制御部２０１は、術野画像と共に、生成した認識画像を表示装置１３０へ出力し、術野画像上に認識画像を重ねて表示させることにより、疎性結合組織部分を非表示することができる。透過度を変更して疎性結合組織部分を非表示にする構成に代えて、認識画像の出力を停止する構成としてもよい。

以上のように、実施の形態５では、対象部位の展開が停止し、処置が開始されるまでの間、疎性結合組織部分を表示させるので、タイムラグによる違和感を生じさせないような画像を術者に提供できる。

（実施の形態６）
実施の形態６では、手術支援装置２００が複数種の学習モデルを備える構成について説明する。

図１５は実施の形態６に係る手術支援装置２００の内部構成を説明するブロック図である。実施の形態６に係る手術支援装置２００は、第１学習モデル４１０及び第２学習モデル４２０を備える。手術支援装置２００のその他の構成、及び手術支援装置２００を含むシステムの全体構成は、実施の形態１～５と同様であるため、その説明を省略する。なお、本実施の形態では、手術支援装置２００が２種類の学習モデルを備える構成について説明するが、３種類以上の学習モデルを備える構成であってもよい。

実施の形態６において、第１学習モデル４１０は、鏡視下手術により除去される部位（病変組織）寄りの範囲に存在する疎性結合組織を認識するために用いられる学習モデルであり、第２学習モデル４２０は、鏡視下手術により残存させるべき部位（正常組織）寄りの範囲に存在する疎性結合組織を認識するために用いられる学習モデルである。以下では、鏡視下手術により除去される部位（病変組織）寄りの範囲に存在する疎性結合組織を、外側の疎性結合組織とも称し、鏡視下手術により残存させるべき部位（正常組織）寄りの範囲に存在する疎性結合組織を、内側の疎性結合組織とも称する。

第１学習モデル４１０及び第２学習モデル４２０は、実施の形態１において説明した学習モデル３００と同様のものであり、ＳｅｇＮｅｔなどの画像セグメンテーションを行うための学習モデルやＹＯＬＯなどの物体検出用の学習モデルなどが用いられる。第１学習モデル４１０は、術野画像と、当該術野画像において病変組織寄りの疎性結合組織に該当する部分を画素単位で選択することにより得られる正解データとを複数組含むデータセットを訓練データに用いて、所定のアルゴリズムに従って機械学習を行うことにより生成される。同様に、第２学習モデル４２０は、術野画像と、当該術野画像において正常組織寄りの疎性結合組織に該当する部分を画素単位で選択することにより得られる正解データとを複数組含むデータセットを訓練データに用いて、所定のアルゴリズムに従って機械学習を行うことにより生成される。学習手順については、実施の形態１と同様であるため、その説明を省略することとする。

図１６は実施の形態６に係る手術支援装置２００が実行する処理の手順を説明するフローチャートである。手術支援装置２００の制御部２０１は、病変の進行度に関する情報を取得する（ステップＳ６０１）。術前画像診断や病理診断などの診断手法により病変の進行度が予め特定されている場合、制御部２０１は、腹腔鏡手術の開始前に、操作部２０３又は通信部２０６を通じて、病変の進行度に関する情報を受付けることができる。また、表示装置１３０に表示される術野画像を確認した術者が病変の進行度を判断してもよい。この場合、制御部２０１は、腹腔鏡手術の開始後に、操作部２０３又は通信部２０６を通じて、病変の進行度に関する情報を受付けることができる。更に、病変の進行度を判断するための学習モデルを別途用意し、この学習モデルによる演算を制御部２０１が実行することによって、病変の進行度を判断してもよい。

制御部２０１は、ステップＳ６０１で取得した情報に基づき、進行度が高いか否かを判断する（ステップＳ６０２）。例えば、制御部２０１は、進行度を示す数値を閾値と比較し、閾値以上である場合、進行度が高いと判断し、閾値未満である場合、進行度が低いと判断する。制御部２０１は、進行度が高いと判断した場合（Ｓ６０２：ＹＥＳ）、マージンを大きくとるために第２学習モデル４２０を選択し（ステップＳ６０３）、進行度が低いと判断した場合（Ｓ６０２：ＮＯ）、切除範囲を小さくするために第１学習モデル４１０を選択する（ステップＳ６０４）。

制御部２０１は、実施の形態１と同様のステップＳ６０５～Ｓ６０９の手順を実行することにより、選択した学習モデル（第１学習モデル４１０又は第２学習モデル４２０）を用いて疎性結合組織を認識し、疎性結合組織の認識画像を術野画像に重畳して表示装置１３０に表示させる。

病変の進行度が高い場合には、内側（正常組織寄り）の疎性結合組織が認識されて表示装置１３０に表示されるので、術者は、表示装置１３０に表示される内側の疎性結合組織を切除することにより、病変組織のマージンを大きくとることができる。また、病変の進行度が低い場合には、外側（病変組織寄り）の疎性結合組織が認識されて表示装置１３０に表示されるので、術者は、表示装置１３０に表示される外側の疎性結合組織を切除することにより、切除範囲を小さくすることができる。

実施の形態６では、病変の進行度に応じて制御部２０１が第１学習モデル４１０又は第２学習モデル４２０を選択する構成としたが、術者自身による学習モデルの選択を受付ける構成としてもよい。すなわち、制御部２０１は、術者が外側の疎性結合組織の切除を希望する場合、第１学習モデル４１０に対する選択を受付け、内側の疎性結合組織の切除を希望する場合、第２学習モデル４２０に対する選択を受付けてもよい。

また、第１学習モデル４１０は、第１の医師がアノテーションを行うことにより得られた訓練データを用いて学習された学習モデル、第２学習モデル４２０は、第２の医師がアノテーションを行うことにより得られた訓練データを用いて学習された学習モデルであってもよい。手術支援装置２００は、操作部２０３又は通信部２０６を通じて、術者による学習モデルの選択を任意に受け付けてもよい。

第１学習モデル４１０及び第２学習モデル４２０は、患者の属性によって選択される学習モデルであってもよい。例えば、第１学習モデル４１０は、化学療法を受けた患者について選択される学習モデル、第２学習モデル４２０は、肥満患者について選択される学習モデルであってもよい。患者の年齢、性別、身長、体重などの属性に応じて選択される他の学習モデルを含んでもよい。手術支援装置２００は、電子カルテなど外部から入力される患者情報を参照し、患者の属性に応じた学習モデル（例えば第１学習モデル４１０、第２学習モデル４２０など）を選択すればよい。

第１学習モデル４１０及び第２学習モデル４２０は、出血の有無に応じて選択される学習モデルであってもよい。例えば、第１学習モデル４１０は、出血がない場合に選択される学習モデル、第２学習モデル４２０は、出血時に選択される学習モデルであってもよい。この場合、手術支援装置２００は、出血を検知していない場合に第１学習モデル４１０、出血を検知した場合に第２学習モデル４２０を選択すればよい。なお、出血検知には公知の手法が用いられる。例えば、術野画像において赤色領域の広がりを画像解析で検出することにより、出血の有無を判断することができる。

第１学習モデル４１０及び第２学習モデル４２０は，疎性結合組織の状態によって選択される学習モデルであってもよい。例えば、第１学習モデル４１０は、癒着組織に覆われた状態の疎性結合組織を認識する学習モデル、第２学習モデル４２０は、癒着組織に覆われていない状態の疎性結合組織を認識する学習モデルであってもよい。癒組織の有無は例えば術者によって判断される。手術支援装置２００は、術者が癒着組織ありと判断し、その旨の情報が入力された場合、第１学習モデル４１０を選択する。また、手術支援装置２００は、術者が癒着組織なしと判断し、その旨の情報が入力された場合、第２学習モデル４２０を選択する。

第１学習モデル４１０及び第２学習モデル４２０は、手術領域に応じて選択される学習モデルであってもよい。例えば、第１学習モデル４１０は、手術領域が胃である場合に選択される学習モデル、第２学習モデル４２０は、手術領域が大腸である場合に選択される学習モデルであってもよい。また、鼠径ヘルニア、前立腺、肺などを手術領域とした場合に選択される他の学習モデルを含んでもよい。手術支援装置２００は、電子カルテなど外部から入力される手術情報を参照し、手術領域に応じた学習モデル（例えば第１学習モデル４１０、第２学習モデル４２０など）を選択すればよい。

第１学習モデル４１０及び第２学習モデル４２０は、腹腔鏡１１や撮像装置１１Ｂの種類に応じて選択される学習モデルであってもよい。例えば、第１学習モデル４１０は、Ａ社が製造する腹腔鏡１１を用いる場合に選択される学習モデル、第２学習モデル４２０は、Ａ社とは異なるＢ社が製造する腹腔鏡１１を用いる場合に選択される学習モデルであってもよい。手術支援装置２００は、事前情報として入力される装置情報を基に、第１学習モデル４１０又は第２学習モデル４２０を選択ればよい。

第１学習モデル４１０は、例えばＳｅｇＮｅｔにより構築された学習モデル、第２学習モデル４２０は、例えばＵ－Ｎｅｔにより構築された学習モデルといったように、異なるアルゴリズムで学習された学習モデルであってもよい。この場合、手術支援装置２００は、操作部２０３又は通信部２０６を通じて、術者による学習モデルの選択を受付けてもよい。

（実施の形態７）
実施の形態７では、入力される術野画像に応じて最適な学習モデルを選択する構成について説明する。

実施の形態７に係る手術支援装置２００は、実施の形態６と同様に、第１学習モデル４１０及び第２学習モデル４２０を備える。第１学習モデル４１０は、例えばＳｅｇＮｅｔにより構築された学習モデル、第２学習モデル４２０は、例えばＵ－Ｎｅｔにより構築された学習モデルである。第１学習モデル４１０及び第２学習モデル４２０を構築するニューラルネットワークの組み合わせは上記に限らず、任意のニューラルネットワークを用いればよい。

代替的に、第１学習モデル４１０及び第２学習モデル４２０は、内部構成が異なる学習モデルであってもよい。例えば、第１学習モデル４１０及び第２学習モデル４２０は、同一のニューラルネットワークを用いて構築される学習モデルであるが、層の種類や層の数、ノードの数やノードの接続関係などが異なるものであってもよい。

また、第１学習モデル４１０及び第２学習モデル４２０は、異なる訓練データを用いて学習された学習モデルであってもよい。例えば、第１学習モデル４１０は、第１の専門家がアノテーションした正解データを含む訓練データを用いて学習した学習モデルであり、第２学習モデル４２０は、第１の専門家とは異なる第２の専門家がアノテーションした正解データを含む訓練データを用いて学習した学習モデルであってもよい。また、第１学習モデル４１０は、ある医療機関で撮像された術野画像と当該術野画像に対するアノテーションデータ（正解データ）とを含む訓練データを用いて学習した学習モデルであり、第２学習モデル４２０は別の医療機関で撮像された術野画像と当該術野画像に対するアノテーションデータ（正解データ）とを含む訓練データを用いて学習した学習モデルであってもよい。

手術支援装置２００は、術野画像が入力された場合、制御部２０１において、第１学習モデル４１０による演算と、第２学習モデル４２０による演算とを実行する。これらの演算を並行して実行するために、制御部２０１は、複数の演算部（例えば、複数のＧＰＵ）を備えてもよい。制御部２０１は、第１学習モデル４１０による演算結果と、第２学習モデル４２０による演算結果とを解析し、解析結果に基づき疎性結合組織の認識に最適な学習モデル（第１学習モデル４１０又は第２学習モデル４２０）を選択する。

図１７は演算結果の解析手法を説明する説明図である。疎性結合組織を認識する各学習モデルからは、各画素が疎性結合組織に該当するか否かを示す確率（確信度）が演算結果として出力される。確信度毎に画素数を集計すると、例えば、図１７Ａ～図１７Ｃに示すような分布が得られる。図１７Ａ～図１７Ｃに示す各グラフの横軸は確信度を表し、縦軸は画素数（画像全体に占める割合）を表している。理想的には、各画素は確信度が１（疎性結合組織である確率が１００％の場合）又は確信度が０（疎性結合組織である確率が０である場合）に分類されるので、理想的な学習モデルから得られる演算結果に基づき確信度の分布を調べると、図１７Ａに示すような二極化した分布が得られる。

手術支援装置２００の制御部２０１は、第１学習モデル４１０及び第２学習モデル４２０から演算結果を取得した場合、確信度毎に画素数を集計し、理想的な分布に近い分布を有する学習モデルを選択する。例えば、第１学習モデル４１０の演算結果から得られる分布が図１７Ｂに示す分布となり、第２学習モデル４２０の演算結果から得られる分布が図１８Ｃに示す分布となった場合、後者の方が理想的な分布に近いので、制御部２０１は、第２学習モデル４２０を選択する。

制御部２０１は、例えば、確信度が１又は０に近づくにつれて評価値が高くなるような評価係数を用いて各分布を評価することにより、理想的な分布に近いか否かを判断する。図１８は評価係数テーブルの一例を示す図である。このような評価係数テーブルは記憶部２０２に予め用意される。図１８の例では確信度が１又は０に近づくにつれて高い値をとるように評価係数が設定されている。

制御部２０１は、確信度毎の画素数の集計結果が得られた場合、評価係数を乗じることにより、分布の良否を示すスコアを算出する。図１９はスコアの算出結果の一例を示す図である。図１９Ａ～図１９Ｃは、図１７Ａ～図１７Ｃに示すそれぞれの分布についてスコアを算出した結果を示している。理想的な分布から算出したスコアは最も高くなる。第１学習モデル４１０の演算結果から求めた分布についてスコアを算出した場合、トータルのスコアは８４となり、第２学習モデル４２０の演算結果から求めた分布についてスコアを算出した場合、トータルのスコアは１８８となる。この場合、第１学習モデル４１０よりも第２学習モデル４２０の方が高いスコアを出せているので、制御部２０１は、適切な学習モデルとして、第２学習モデル４２０を選択する。

図２０は実施の形態７に係る手術支援装置２００が実行する処理の手順を示すフローチャートである。制御部２０１は、術野画像を取得した場合（ステップＳ７０１）、第１学習モデル４１０による演算を実行し（ステップＳ７０２）、第１学習モデル４１０による演算結果を取得する（ステップＳ７０３）。制御部２０１は、第１学習モデル４１０について確信度毎の画素数を集計し（ステップＳ７０４）、それぞれに評価係数を乗じて分布のスコア（第１スコア）を算出する（ステップＳ７０５）。

同様に、制御部２０１は、ステップＳ７０１で取得した術野画像について、第２学習モデル４２０による演算を実行し（ステップＳ７０６）、第２学習モデル４２０による演算結果を取得する（ステップＳ７０７）。制御部２０１は、第２学習モデル４２０について確信度毎の画素数を集計し（ステップＳ７０８）、それぞれに評価係数を乗じて分布のスコア（第２スコア）を算出する（ステップＳ７０９）。

本フローチャートでは、便宜的に、第１学習モデル４１０についての演算（Ｓ７０２～Ｓ７０５）を実行した後に、第２学習モデル４２０についての演算（Ｓ７０６～Ｓ７０９）を実行する手順としたが、これらの手順は前後してもよく、同時並行的に実行されてもよい。

制御部２０１は、第１スコアと第２スコアとを比較し、第１スコアが第２スコア以上であるか否かを判断する（ステップＳ７１０）。

第１スコアが第２スコア以上であると判断した場合（Ｓ７１０：ＹＥＳ）、制御部２０１は、適切な学習モデルとして、第１学習モデル４１０を選択する（ステップＳ７１１）。以後、制御部２０１は、選択した第１学習モデル４１０を用いて疎性結合組織の認識処理を実行する。

第１スコアが第２スコア未満であると判断した場合（Ｓ７１０：ＮＯ）、制御部２０１は、適切な学習モデルとして、第２学習モデル４２０を選択する（ステップＳ７１２）。以後、制御部２０１は、選択した第２学習モデル４２０を用いて疎性結合組織の認識処理を実行する。

以上のように、実施の形態７では、より適切な学習モデルを選択して疎性結合組織の認識処理を実行することができる。

手術支援装置２００は、フォアグラウンドで第１学習モデル４１０の演算結果を用いた疎性結合組織の認識処理を実行し、バックグラウンドで第２学習モデル４２０による演算を実行してもよい。制御部２０１は、第１学習モデル４１０及び第２学習モデル４２０の評価を定期的なタイミングで行い、評価結果に応じて疎性結合組織の認識に用いる学習モデルを切り替えてもよい。また、制御部２０１は、術者等により指示が与えられたタイミングで、第１学習モデル４１０及び第２学習モデル４２０の評価を行い、評価結果に応じて疎性結合組織の認識に用いる学習モデルを切り替えてもよい。

実施の形態７では、第１学習モデル４１０及び第２学習モデル４２０の評価手法として、評価係数を用いた手法について説明したが、評価係数を用いた手法に限らず、様々な統計学の指標を用いて評価することが可能である。例えば、制御部２０１は、分布に関して分散や標準偏差を求め、分散や標準偏差が高い場合、分布が二極化していると判断してもよい。また、制御部２０１は、グラフの縦軸の値として１００－画素の割合（％）の値を取り、グラフの尖度や歪度を求めることにより、各モデルの演算結果を評価してもよい。更に、制御部２０１は、最頻値やパーセンタイル等を使用して各モデルの演算結果を評価してもよい。

（実施の形態８）
実施の形態８では、疎性結合組織と神経とを認識する構成について説明する。

図２１は実施の形態８に係る手術支援装置２００の内部構成を説明するブロック図である。実施の形態８に係る手術支援装置２００は、疎性結合組織を認識するための学習モデル３００に加え、神経を認識するための学習モデル５００を備える。手術支援装置２００のその他の構成、及び手術支援装置２００を含むシステムの全体構成は、実施の形態１～７と同様であるため、その説明を省略する。

学習モデル５００には、実施の形態１において説明した学習モデル３００と同様に、ＳｅｇＮｅｔなどの画像セグメンテーションを行うための学習モデルやＹＯＬＯなどの物体検出用の学習モデルなどが用いられ、術野画像の入力に対し、神経に関する情報（例えば、各画素が神経に属するか否かを示す確率）を出力するように学習される。

学習モデル５００は、術野画像と、当該術野画像において神経に該当する部分を画素単位で選択することにより得られる正解データとを複数組含むデータセットを訓練データに用いて、所定のアルゴリズムに従って機械学習を行うことにより生成される。学習手順については、実施の形態１と同様であるため、その説明を省略することとする。

手術支援装置２００の制御部２０１は、入力部２０４より術野画像を取得した場合、取得した術野画像を学習モデル５００に入力し、学習モデル５００による演算を実行する。制御部２０１は、学習モデル５００のソフトマックス層から出力されるラベルの確率が閾値以上（例えば５０％以上）の画素を神経部分として認識する。

制御部２０１は、神経部分の認識と同時並行的に、学習モデル３００による演算を実行し、疎性結合組織部分を認識してもよい。また、手術支援装置２００は、学習モデル３００による演算と、学習モデル５００による演算とを独立して実行するために、複数の演算部（例えばＧＰＵ）を備える構成であってもよい。

図２２は実施の形態８における表示例を示す模式図である。図２２は、学習モデル３００による疎性結合組織部分の認識結果と、学習モデル５００による神経部分の認識結果とを術野画像に重畳して表示した例を示している。手術支援装置２００の制御部２０１は、疎性結合組織部分を示す認識画像と、神経部分を示す認識画像とをそれぞれ生成し、生成した２つの認識画像を術野画像上に重畳して表示することにより、疎性結合組織部分及び神経部分を表示することができる。このとき、疎性結合組織部分には特定の色（例えば青系の色）を割り当て、神経部分には別の色（例えば緑系の色）を割り当てて表示することが好ましい。また、操作部２０３にて選択操作を受付けることにより、疎性結合組織部分と、神経部分とを任意に切り替えて表示する構成としてもよい。

制御部２０１は、学習モデル３００による疎性結合組織の認識結果と、学習モデル５００による神経の認識結果とが重複する場合、確信度が高い方の認識結果を選択し、選択した認識結果に基づく情報を出力してもよい。学習モデル３００による認識結果の確信度は、ソフトマックス層３３０から出力される確率に基づき計算される。例えば、制御部２０１は、疎性結合組織と認識された各画素について確率値の平均を求めることにより、確信度を計算すればよい。学習モデル５００による認識結果の確信度についても同様である。例えば、術野画像に含まれる構造体を学習モデル３００により認識した結果、９５％の確信度で疎性結合組織と認識し、同じ構造体を学習モデル５００により認識した結果、６０％の確信度で神経と認識した場合、制御部２０１は、この構造体が疎性結合組織であるとの認識結果を術者に提示すればよい。

更に、手術支援装置２００の制御部２０１は、学習モデル３００による疎性結合組織の認識結果と、学習モデル５００による神経の認識結果とが重複した場合（すなわち、同一の画素を疎性結合組織とも神経とも認識した場合）、それぞれの確信度に応じた表示態様にて認識結果を表示してもよい。図２３は確信度に応じた認識結果の表示例を示す模式図である。図２３の例では、疎性結合部分及び神経部分を拡大して示している。例えば、術野画像に含まれる特定の構造体を９０％の確信度で疎性結合組織と認識し、同じ構造体を神経組織として認識しなかった場合（確信度が５０％未満の場合）、制御部２０１は、この構造体に相当する画素を例えば青系の色（図面上では黒色）で着色して術者に提示する。同様に、術野画像に含まれる構造体を９０％の確信度で神経組織と認識し、同じ構造体を学習モデル３００により、疎性結合組織として認識しなかった場合（確信度が５０％未満の場合）、制御部２０１は、この構造体を例えば緑系の色（図面上では白色）で着色して術者に提示する。一方、術野画像に含まれる構造体を６０％の確信度で疎性結合組織と認識し、同じ構造体を６０％の確信度で神経組織と認識した場合、制御部２０１は、この構造体を例えば青系の色と緑系の色との中間色（図面上では灰色）で着色して術者に提示する。制御部２０１は、疎性結合組織の確信度と、神経の確信度とに応じて、構造体に相当する画素に着色する色を決定すればよい。例えば、疎性結合組織部分の表示色を（０，０，Ｂ）、神経組織部分の表示色を（０，Ｇ，０）とした場合、制御部２０１は、疎性結合組織の確信度がＸ、神経組織の確信度がＹの画素の表示色を、例えば、（０，Ｇ×Ｙ／（Ｘ＋Ｙ），Ｂ×Ｘ／（Ｘ＋Ｙ））のように決定すればよい。本実施の形態では、確信度に応じて表示色を変更する構成について説明したが、表示色に代えて、彩度、透明度などを変更する構成を採用してもよい。

以上のように、実施の形態７では、術者にとって区別が難しい疎性結合組織と神経とを、手術支援装置２００により認識し、認識結果を術者に提示することができる。

本実施の形態では、疎性結合組織と神経とを認識する構成について説明したが、神経に代えて別の構造体を認識する構成としてもよい。ここで、疎性結合組織と共に認識する別の構造体には、リンパ管などの疎性結合組織と類似する構造体が選択されるとよい。

なお、実施の形態では、認識結果が重複する場合、確信度に応じた表示色で表示する構成としたが、確信度が高い方を優先的に表示する構成としてもよい。例えば、術野画像に含まれる構造体を９５％の確信度で疎性結合組織と認識し、同じ構造体を６０％の確信度で神経組織と認識した場合、制御部２０１は、この構造体を疎性結合組織と認識し、青系の色で着色して術者に提示してもよい。

（実施の形態９）
実施の形態９では、手術支援装置２００が備えるユーザインタフェースについて説明する。

図２４は手術支援装置２００が備えるユーザインタフェースの構成例を示す模式図である。図２４は、疎性結合組織の認識画像を表示する表示領域１３１と、認識画像の表示態様を制御するためのユーザインタフェースとを並置した例を示している。図２４に示すユーザインタフェースは、モデル選択部１３２、表示方法選択部１３３、閾値設定部１３４、透過度設定部１３５、平均化指示部１３６、及び表示色選択部１３７を備える。これらのユーザインタフェースが備える各種ボタンやスライダは、手術支援装置２００が備える操作部２０３によって操作される。

モデル選択部１３２は、学習モデル３００を構築するニューラルネットワークを選択するための選択ボタンを備える。図２４の例は「Ｕ－Ｎｅｔ」が選択された状態を示している。また、モデル選択部１３２は、実施の形態６において説明した第１学習モデル４１０及び第２学習モデル４２０の何れか一方の選択を受付けるための選択ボタンを備えるものであってもよい。更に、モデル選択部１３２は、病変の進行度、腹腔鏡手術を担当している術者、疎性結合組織の状態、手術領域などに応じて、推奨するモデルをハイライト表示してもよい。

表示方法選択部１３３は、オーバーレイ表示及びソフトマップ表示の何れか一方の選択を受付けるための選択ボタンを備える。実施の形態２において説明したように、オーバーレイ表示は、疎性結合組織部分を同一色で一様に表示する表示方法であり、ソフトマップ表示は、確信度に応じて透過度を変更する表示方法である。図２４の例は「オーバーレイ」表示が選択された状態を示している。

閾値設定部１３４は、注目画素が疎性結合組織であるか否かを判定するための閾値を設定するスライダを備える。スライダは、左側へスライドさせると閾値が小さく（疎性結合組織が認識され易く）なり、右側へスライドさせると閾値が大きく（疎性結合組織が認識されにくく）なるように構成される。

透過度設定部１３５は、疎性結合組織の透過度を変更するためのスライダを備える。スライダは、左側へスライドさせると透過度が低くなり、右側へスライドさせると透過度が高くなるように構成される。

平均化指示部１３６は、表示色の平均化をオン又はオフするための指示ボタンを備える。表示色の平均化がオンされた場合、制御部２０１は、疎性結合組織について設定された表示色と、背景の術野画像の表示色とを平均化し、平均化した色を疎性結合組織部分の表示色として表示させる。例えば、疎性結合組織部分について設定されている表示色を（０，０，Ｂ１）、背景の術野画像における疎性結合組織部分の表示色を（Ｒ２，Ｇ２，Ｂ２）とした場合、制御部２０１は、当該疎性結合組織部分を（Ｒ２／２，Ｇ２／２，（Ｂ１＋Ｂ２）／２）の色で着色して表示すればよい。代替的に、重み係数Ｗ１，Ｗ２を導入し、認識した疎性結合組織部分を（Ｗ２×Ｒ２，Ｗ２×Ｇ２，Ｗ１×Ｂ１＋Ｗ２×Ｂ２）の色で着色して表示してもよい。

表示色選択部１３７は、疎性結合組織部分の表示色を変更するためのスライダ及びカラーパレットを備える。表示色選択部１３７は、スライダによって指定された色を疎性結合組織部分の表示色として設定してもよく、カラーパレットにより選択された色を疎性結合組織部分の表示色として設定してもよい。また、表示色選択部１３７は、ユーザによって変更された表示色をデフォルトの表示色（例えば、寒色系の色）に戻すデフォルトボタンを備えてもよい。

手術支援装置２００の制御部２０１は、モデル選択部１３２、表示方法選択部１３３、閾値設定部１３４、透過度設定部１３５、平均化指示部１３６、及び表示色選択部１３７を通じて、表示態様の変更指示を受付けた場合、変更指示に応じて、表示領域１３１に表示している疎性結合組織部分の認識画像の表示態様を変更すればよい。

図２４の例では、モデル選択部１３２、表示方法選択部１３３、閾値設定部１３４、透過度設定部１３５、平均化指示部１３６、及び表示色選択部１３７を備える構成としたが、認識画像の表示態様を制御するためのユーザインタフェースはこれらに限定されない。例えば、ユーザインタフェースとして、学習モデル３００（又は学習モデル４１０，４２０，５００）による推論の可否を受付ける選択部を備えてもよい。更に、ユーザインタフェースとして、推論の開始時間を設定する設定部を備えてもよい。

また、制御部２０１は、図２４に示すようなユーザインタフェースを通じて、表示態様の変更を受付け、デフォルトの設定から変更が生じている場合、適宜のタイミングで、表示態様が変更されている旨を術者に通知してもよい。例えば、制御部２０１は、手術支援装置２００の起動時や手術の開始時において、表示態様のデフォルトの設定値と、表示態様の現在の設定値とを比較し、両者に差異がある場合、その旨を表示装置１３０に表示させたり、術者が携帯する携帯端末に通知したりすればよい。

今回開示された実施形態は、全ての点において例示であって、制限的なものではないと考えられるべきである。本発明の範囲は、上述した意味ではなく、請求の範囲によって示され、請求の範囲と均等の意味及び範囲内での全ての変更が含まれることが意図される。

１０ トロッカ
１１ 腹腔鏡
１２ エネルギ処置具
１３ 鉗子
１１０ カメラコントロールユニット（ＣＣＵ）
１２０ 光源装置
１３０ 表示装置
１４０ 録画装置
２００ 手術支援装置
２０１ 制御部
２０２ 記憶部
２０３ 操作部
２０４ 入力部
２０５ 出力部
２０６ 通信部
３００ 学習モデル
ＰＧ１ 認識処理プログラム
ＰＧ２ 表示処理プログラム
ＰＧ３ 学習処理プログラム

Claims (20)

1. コンピュータに、
   鏡視下手術の術野を撮像して得られる術野画像を取得し、
   術野画像を入力した場合、疎性結合組織に関する情報を出力するよう学習された学習モデルに、取得した術野画像を入力して該術野画像に含まれる疎性結合組織部分を認識し、
   前記疎性結合組織部分の認識結果の確信度に応じた表示態様にて前記疎性結合組織部分を表示する
   処理を実行させるためのコンピュータプログラム。
2. コンピュータに、
   鏡視下手術の術野を撮像して得られる術野画像を取得し、
   術野画像を入力した場合、疎性結合組織に関する情報を出力するよう学習された学習モデルに、取得した術野画像を入力して該術野画像に含まれる疎性結合組織部分を認識し、
   前記疎性結合組織部分について設定された表示色と、前記術野画像における疎性結合組織部分の表示色とを平均化し、
   認識した疎性結合組織部分を、平均化した色により着色して表示する
   処理を実行させるためのコンピュータプログラム。
3. コンピュータに、
   鏡視下手術の術野を撮像して得られる術野画像を取得し、
   術野画像を入力した場合、疎性結合組織に関する情報を出力するよう学習された複数種の学習モデルの夫々に、取得した術野画像を入力し、
   前記術野画像を入力した場合に各学習モデルから出力される情報に基づいて、各学習モデルを評価し、
   評価結果に基づいて選択した学習モデルを用いて、術野画像に含まれる疎性結合組織部分を認識し、
   認識した疎性結合組織部分を表示する
   処理を実行させるためのコンピュータプログラム。
4. コンピュータに、
   鏡視下手術の術野を撮像して得られる術野画像を取得し、
   術野画像を入力した場合、疎性結合組織に関する情報を出力するよう学習された複数種の学習モデルから、前記疎性結合組織を覆う癒着組織の有無、前記疎性結合組織を含む手術領域、又は前記疎性結合組織を撮像する撮像装置の種類に応じて、一の学習モデルを選択し、
   選択した学習モデルに、取得した術野画像を入力して該術野画像に含まれる疎性結合組織部分を認識し、
   認識した疎性結合組織部分を表示する
   処理を実行させるためのコンピュータプログラム。
5. コンピュータに、
   鏡視下手術の術野を撮像して得られる術野画像を取得し、
   術野画像を入力した場合、疎性結合組織に関する情報を出力するよう学習された学習モデルに、取得した術野画像を入力して該術野画像に含まれる疎性結合組織部分を認識し、
   術野画像を入力した場合、疎性結合組織とは別の構造体に関する情報を出力するよう学習された別のモデルに、取得した術野画像を入力して該術野画像に含まれる構造体部分を認識し、
   前記疎性結合組織部分の認識の確信度と、前記構造体部分の認識の確信度とに応じた表示態様にて、認識結果を表示する
   処理を実行させるためのコンピュータプログラム。
6. 前記コンピュータに、
   前記学習モデルを用いて認識した疎性結合組織部分を前記術野画像上で判別可能に表示する
   処理を実行させるための請求項１から請求項５の何れか１つに記載のコンピュータプログラム。
7. 前記コンピュータに、
   前記疎性結合組織部分を寒色系の色により着色して表示する
   処理を実行させるための請求項６に記載のコンピュータプログラム。
8. 前記疎性結合組織は、前記鏡視下手術により除去されるべき部位と前記鏡視下手術により残存させるべき部位との間を結合する線維状の組織である
   請求項１から請求項７の何れか１つに記載のコンピュータプログラム。
9. 前記疎性結合組織は、複数本の線維状の組織により構成されており、
   前記コンピュータに、
   前記学習モデルから出力される情報に基づき、前記複数本の線維状の組織の一部又は全部を一の集合体として認識する
   処理を実行させるための請求項１から請求項８の何れか１つに記載のコンピュータプログラム。
10. 前記学習モデルは、術野画像を入力した場合、疎性結合組織に関する情報と共に、前記疎性結合組織により結合された２つの部位の少なくとも一方に関する情報を出力するよう学習されており、
    前記コンピュータに、
    認識した部位を疎性結合組織部分とは異なる態様にて表示する
    処理を実行させるための請求項１から請求項９の何れか１つに記載のコンピュータプログラム。
11. 鏡視下手術の術野を撮像して得られる術野画像を取得する取得部と、
    術野画像を入力した場合、疎性結合組織に関する情報を出力するよう学習された学習モデルを用いて、前記取得部より取得した術野画像に含まれる疎性結合組織部分を認識する認識部と、
    前記疎性結合組織部分の認識結果の確信度に応じた表示態様にて前記疎性結合組織部分を表示すべく、前記疎性結合組織部分の認識画像を出力する出力部と
    を備える手術支援装置。
12. 鏡視下手術の術野を撮像して得られる術野画像を取得する取得部と、
    術野画像を入力した場合、疎性結合組織に関する情報を出力するよう学習された学習モデルに、取得した術野画像を入力して該術野画像に含まれる疎性結合組織部分を認識する認識部と、
    前記疎性結合組織部分について設定された表示色と、前記術野画像における疎性結合組織部分の表示色とを平均化する平均化処理部と、
    認識した疎性結合組織部分を平均化した色により着色して表示すべく、前記疎性結合組織部分の認識画像を出力する出力部と
    を備える手術支援装置。
13. 鏡視下手術の術野を撮像して得られる術野画像を取得する取得部と、
    術野画像を入力した場合、疎性結合組織に関する情報を出力するよう学習された複数種の学習モデルの夫々に、取得した術野画像を入力し、各学習モデルから出力される情報に基づいて、各学習モデルを評価する評価部と、
    評価結果に基づいて選択した学習モデルを用いて、術野画像に含まれる疎性結合組織部分を認識する認識部と、
    認識した疎性結合組織部分を表示すべく、前記疎性結合組織部分の認識画像を出力する出力部と
    を備える手術支援装置。
14. 鏡視下手術の術野を撮像して得られる術野画像を取得する取得部と、
    術野画像を入力した場合、疎性結合組織に関する情報を出力するよう学習された複数種の学習モデルから、前記疎性結合組織を覆う癒着組織の有無、前記疎性結合組織を含む手術領域、又は前記疎性結合組織を撮像する撮像装置の種類に応じて、一の学習モデルを選択する選択部と、
    選択した学習モデルに、取得した術野画像を入力して該術野画像に含まれる疎性結合組織部分を認識する認識部と、
    認識した疎性結合組織部分を表示すべく、前記疎性結合組織部分の認識画像を出力する出力部と
    を備える手術支援装置。
15. 鏡視下手術の術野を撮像して得られる術野画像を取得する取得部と、
    術野画像を入力した場合、疎性結合組織に関する情報を出力するよう学習された学習モデルに、取得した術野画像を入力して該術野画像に含まれる疎性結合組織部分を認識する第１認識部と、
    術野画像を入力した場合、疎性結合組織とは別の構造体に関する情報を出力するよう学習された別のモデルに、取得した術野画像を入力して該術野画像に含まれる構造体部分を認識する第２認識部と、
    前記疎性結合組織部分の認識の確信度と、前記構造体部分の認識の確信度とに応じた表示態様にて、認識結果を表示すべく、前記疎性結合組織部分及び前記構造体部分の認識画像を出力する出力部と
    を備える手術支援装置。
16. コンピュータが、
    鏡視下手術の術野を撮像して得られる術野画像を取得し、
    術野画像を入力した場合、疎性結合組織に関する情報を出力するよう学習された学習モデルを用いて、取得した術野画像に含まれる疎性結合組織部分を認識し、
    前記疎性結合組織部分の認識結果の確信度に応じた表示態様にて疎性結合組織部分を表示すべく、前記疎性結合組織部分の認識画像を出力する
    情報処理方法。
17. コンピュータが、
    鏡視下手術の術野を撮像して得られる術野画像を取得し、
    術野画像を入力した場合、疎性結合組織に関する情報を出力するよう学習された学習モデルに、取得した術野画像を入力して該術野画像に含まれる疎性結合組織部分を認識し、
    前記疎性結合組織部分について設定された表示色と、前記術野画像における疎性結合組織部分の表示色とを平均化し、
    認識した疎性結合組織部分を平均化した色により着色して表示すべく、前記疎性結合組織部分の認識画像を出力する
    情報処理方法。
18. コンピュータが、
    鏡視下手術の術野を撮像して得られる術野画像を取得し、
    術野画像を入力した場合、疎性結合組織に関する情報を出力するよう学習された複数種の学習モデルの夫々に、取得した術野画像を入力し、
    前記術野画像を入力した場合に各学習モデルから出力される情報に基づいて、各学習モデルを評価し、
    評価結果に基づいて選択した学習モデルを用いて、術野画像に含まれる疎性結合組織部分を認識し、
    認識した疎性結合組織部分を表示すべく、前記疎性結合組織部分の認識画像を出力する
    情報処理方法。
19. コンピュータが、
    鏡視下手術の術野を撮像して得られる術野画像を取得し、
    術野画像を入力した場合、疎性結合組織に関する情報を出力するよう学習された複数種の学習モデルから、前記疎性結合組織を覆う癒着組織の有無、前記疎性結合組織を含む手術領域、又は前記疎性結合組織を撮像する撮像装置の種類に応じて、一の学習モデルを選択し、
    選択した学習モデルに、取得した術野画像を入力して該術野画像に含まれる疎性結合組織部分を認識し、
    認識した疎性結合組織部分を表示すべく、前記疎性結合組織部分の認識画像を出力する
    情報処理方法。
20. コンピュータが、
    鏡視下手術の術野を撮像して得られる術野画像を取得し、
    術野画像を入力した場合、疎性結合組織に関する情報を出力するよう学習された学習モデルに、取得した術野画像を入力して該術野画像に含まれる疎性結合組織部分を認識し、
    術野画像を入力した場合、疎性結合組織とは別の構造体に関する情報を出力するよう学習された別のモデルに、取得した術野画像を入力して該術野画像に含まれる構造体部分を認識し、
    前記疎性結合組織部分の認識の確信度と、前記構造体部分の認識の確信度とに応じた表示態様にて、認識結果を表示すべく、前記疎性結合組織部分及び前記構造体部分の認識画像を出力する
    情報処理方法。

Images