JP7311936B1 - コンピュータプログラム、学習モデルの生成方法、及び情報処理装置 - Google Patents

Abstract

コンピュータプログラム、学習モデルの生成方法、及び情報処理装置の提供。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、術野画像の入力に応じて術野画像に含まれる膵臓部分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、術野画像に含まれる膵臓部分を認識する処理を実行させる。

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、及び情報処理装置に関する。

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、得られた術野画像をモニタに表示させる（例えば、特許文献１を参照）。

特開２００５－２８７８３９号公報

従来、膵臓部分を術野画像から認識し、術者に報知することは困難であった。

本発明は、膵臓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、及び情報処理装置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、術野画像の入力に応じて前記術野画像に含まれる膵臓部分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膵臓部分を認識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、コンピュータが、鏡視下手術の術野を撮像して得られる術野画像と、該術野画像内の膵臓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、膵臓部分に関する情報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情報処理装置は、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、術野画像の入力に応じて前記術野画像に含まれる膵臓部分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膵臓部分を認識する認識部と、該認識部による認識結果に基づく情報を出力する出力部とを備える。

本願によれば、膵臓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。 情報処理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。 実施の形態１に係る認識画像の表示例を示す模式図である。 従来手法によ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４に係る情報処理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４に係る情報処理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５に係る情報処理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６に係る情報処理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。 確信度に応じた認識結果の表示例を示す模式図である。 実施の形態７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８における表示例を説明する説明図である。 実施の形態８に係る情報処理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９における第１表示例を説明する説明図である。 実施の形態９における第２表示例を説明する説明図である。 情報処理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、ロボット支援下内視鏡、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。さらに、腹腔鏡１１は、３６０度の範囲を撮像する全方位カメラであってもよい。

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情報処理装置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。

情報処理装置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、情報処理装置２００は、術野画像に含まれる膵臓の外縁により定まる領域から、膵臓表面に現れる血管、脂肪、小葉間の溝、又は小葉間の影に該当する部分を除いた正味の膵臓部分を認識し、前記部分を除いて認識した膵臓部分を術野画像上に重畳して表示装置１３０に表示させる処理を行う。ここで、情報処理装置２００により認識される膵臓部分は、術野画像において膵臓に相当する画素の集合により表される。なお、膵臓表面に現れる血管、脂肪、小葉間の溝、又は小葉間の影に該当する部分とは、血管、脂肪、小葉間の溝、及び小葉間の影のうち、何れか１つの部分であってもよく、２つ以上の部分であってもよい。

本実施の形態では、情報処理装置２００において膵臓部分の認識処理を実行する構成について説明するが、情報処理装置２００と同等の機能をＣＣＵ１１０に設け、ＣＣＵ１１０において膵臓部分の認識処理を実行する構成としてもよい。

以下、情報処理装置２００の内部構成、情報処理装置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は情報処理装置２００の内部構成を説明するブロック図である。情報処理装置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。情報処理装置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、情報処理装置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。情報処理装置２００は、遠隔手術の支援用に用いられてもよい。

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、情報処理装置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情報処理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膵臓部分の認識処理を制御部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膵臓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。これらのパラメータは、術野を撮像して得られる術野画像と、術野画像内の膵臓部分を示す正解データとを含む訓練データを用いて、所定の学習アルゴリズムを実行することによって学習される。学習モデル３００の構成及び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などの操作デバイスを備える。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、情報処理装置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。本実施の形態では、出力機器として表示装置１３０を出力部２０５に接続する構成としたが、音を出力するスピーカなどの出力機器が出力部２０５に接続されてもよい。

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。

情報処理装置２００は、単一のコンピュータである必要はなく、複数のコンピュータや周辺機器からなるコンピュータシステムであってもよい。更に、情報処理装置２００は、ソフトウェアによって仮想的に構築される仮想マシンであってもよい。

次に、情報処理装置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に一例として示す術野画像は、鉗子１３を用いて膵臓３０を被う膜を牽引し、エネルギ処置具１２を用いて膜や結合組織を剥離しようとしている場面を示している。この術野画像には、膵臓３０を含む各種臓器、各種臓器を被う膜、臓器間の間に存在する結合組織の他、臓器表面に現れる血管３１や脂肪３２などが含まれている。図３において、膵臓３０の外縁は破線によって示されている。術野画像には、これらの組織以外に、腫瘍などの病変部、組織間に存在する脂肪などの組織が含まれる場合もある。術者は、各組織の位置関係（解剖学的構造）を把握しながら、鉗子１３やエネルギ処置具１２などの器具を用いて、膜や結合組織の剥離を進め、病変部を含む組織の剥離を行う。

術者が膵臓を被う膜や組織間を結合する結合組織を剥離したり、病変部を含む組織を剥離するためには、膵臓の位置を明確に把握する必要がある。しかしながら、一般には、膵臓は胃、十二指腸、脾臓などの他の臓器と隣接しており、膵臓と他の臓器との境界を特定することは困難である。人工知能を用いた従来手法により、膵臓を含んだ領域を認識し、認識した領域全体に色を付して提示した場合、膵臓と他の臓器との境界を特定することが容易となる。しかしながら、認識した領域全体に色を付して提示した場合、膵臓表面に現れる血管、脂肪、小葉間の溝や影までも隠してしまうことになるため、手術を行う術者にとって必要な情報がかえって失われる可能性がある。

そこで、本実施の形態に係る情報処理装置２００は、学習モデル３００を用いて、膵臓の外縁により囲まれる領域（膵臓領域）から、膵臓表面に現れる血管、脂肪、小葉間の溝、又は小葉間の影に該当する部分を除いた正味の膵臓部分を認識し、前記部分を除いて認識した膵臓部分を認識画像として術野画像上に表示することにより、術者に対する手術支援を行う。

以下、学習モデル３００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。学習モデル３００は、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構築されてもよい。また、学習モデル３００は、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構築されてもよい。

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、術野画像に含まれる膵臓部分に関する情報を出力するように学習される。

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、膵臓部分を識別するラベルを設定し、膵臓部分に該当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７０％以上）の画素を抽出することによって、膵臓部分の認識結果を示す画像（以下、認識画像という）が得られる。

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、情報処理装置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。

本実施の形態では、術野画像に含まれる膵臓部分と、膵臓表面に現れる血管、脂肪、小葉間の溝、又は小葉間の影に該当する部分とを区別して認識するために、画素単位で膵臓部分に該当するか否かを認識する学習モデル３００を生成する。学習モデル３００を生成する準備段階として、撮像済みの術野画像に対してアノテーションが実施される。

学習モデル３００を生成する準備段階において、作業者（医師などの専門家）は、録画装置１４０に録画された術野画像を表示装置１３０に表示させ、操作部２０３として備えるマウスやスタイラスペンなどを用いて、膵臓部分に該当する画素を画素単位で指定することによりアノテーションを行う。このとき、作業者は、膵臓表面に現れる血管等の部分を除外して、正味の膵臓部分に該当する画素を画素単位で指定することが好ましい。アノテーションに用いられた多数の術野画像と、各術野画像において指定された膵臓部分に該当する画素の位置を示すデータ（正解データ）とのセットは、学習モデル３００を生成するための訓練データとして情報処理装置２００の記憶部２０２に記憶される。訓練データの数を増やすために、透視変換や鏡映処理などを適用して生成した術野画像と、当該術野画像に対する正解データとのセットを訓練データに含めてもよい。更に、学習が進めば、術野画像と、術野画像を入力して得られる学習モデル３００の認識結果（正解データ）とのセットを訓練データに含めてもよい。

更に、アノテーションを行う際に、作業者は、除外すべき血管等の部分に該当する画素を不正解データとしてラベル付けしてもよい。アノテーションに用いられた術野画像と、各術野画像において指定された膵臓に該当する画素の位置を示すデータ（正解データ）と、指定された血管、脂肪、小葉間の溝、又は小葉間の影に該当する画素の位置を示すデータ（不正解データ）とのセットを、学習モデル３００を生成するための訓練データとして情報処理装置２００の記憶部２０２に記憶させてもよい。

情報処理装置２００は、上述した訓練データを用いて、学習モデル３００を生成する。図５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。情報処理装置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、記憶部２０２にアクセスし、学習モデル３００を生成するために事前に準備された訓練データから、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膵臓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によって抽出した膵臓部分をＡ、正解データに含まれる膵臓部分を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。訓練データに不正解データが含まれている場合、制御部２０１は、不正解データを参照して学習を進めてもよい。例えば、学習モデル３００によって抽出した膵臓部分が不正解データに含まれる血管等の他の部分に該当する場合、制御部２０１は、類似度を減算する処理を行えばよい。

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、情報処理装置２００において学習モデル３００を生成する構成としたが、サーバ装置などの外部コンピュータを用いて学習モデル３００を生成してもよい。この場合、情報処理装置２００は、外部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。

情報処理装置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６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。情報処理装置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。情報処理装置２００の制御部２０１は、ＣＣＵ１１０から出力される術野画像を入力部２０４より取得する（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膵臓部分を認識する（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７０％以上）の画素を膵臓部分として認識する。

学習モデル３００を生成する際に、術者の中心視野にある膵臓部分を認識するようにアノテーションを行い、ステップＳ１２３において、術者の中心視野に存在する膵臓部分を認識するようにしてもよい。また、術者の中心視野にない膵臓部分を認識するようにアノテーションが行い、ステップＳ１２３において、術者の中心視野にない膵臓部分を認識するようにしてもよい。更に、術野に露出し始めた膵臓部分を認識するようにアノテーションを行い、膵臓を覆う膜や層を牽引又は切除して、膵臓が露出し始めた段階で膵臓部分として認識するように構成してもよい。

制御部２０１は、学習モデル３００を用いて認識した膵臓部分を判別可能に表示するために、膵臓部分の認識画像を生成する（ステップＳ１２４）。生成される認識画像は、術野画像と同一のサイズを有し、膵臓部分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。膵臓部分に割り当てる色は任意に設定される。例えば、膵臓部分に割り当てる色は白色系の色であってもよく、人体内部には存在しない青系の色であってもよい。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る。例えば、膵臓部分として認識された画素には不透過の値、それ以外の画素（すなわち、膵臓部分の外縁よりも外側の領域に属する画素、並びに、血管、脂肪、小葉間の溝、又は小葉間の影に該当する部分に属する画素）は透過の値が設定される。

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で生成した膵臓部分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畳して表示させる（ステップＳ１２５）。これにより、学習モデル３００を用いて認識した膵臓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。

図７は実施の形態１に係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７の表示例では、学習モデル３００を用いて認識された膵臓部分１０１はハッチングを付した領域として示されている。実際には膵臓部分１０１は画素単位で白色系や青系などの特定の色で塗られるため、術者は、表示画面を閲覧することにより、膵臓部分１０１を血管等の部分と区別して認識することができる。

図８は従来手法による表示例を示す模式図である。従来手法では、膵臓を含んだ領域を人工知能により認識し、認識した領域全体１０２に色を付して術野画像上に重畳表示する。この場合、膵臓表面に現れる血管、脂肪、小葉間の溝、又は小葉間の影に該当する部分を視認することは困難となり、手術を行う術者にとって必要な情報が失われている可能性がある。

これに対し、本実施の形態に係る認識方法では、膵臓領域から、血管、脂肪、小葉間の溝、又は小葉間の影に該当する部分を除いた正味の膵臓部分を認識し、図７に示すように、血管等の部分を除いて認識した膵臓部分の認識画像を術野画像上に重畳表示する。これにより、膵臓表面に現れる各種組織の情報を失うことなく、膵臓の外縁の位置（膵臓と他の臓器との境界）を術者に提示することができる。

本実施の形態では、術野画像に含まれる膵臓部分を認識した場合、膵臓部分の認識画像を術野画像に重畳表示する構成としたが、表示指示が与えられた場合にのみ重畳表示する構成としてもよい。表示指示は、情報処理装置２００の操作部２０３により与えられてもよく、腹腔鏡１１の操作部１１Ｃにより与えられてもよい。また、表示指示は、図に示してないフットスイッチ等により与えられてもよい。

また、本実施の形態では、膵臓部分の認識画像を術野画像に重畳表示する構成としたが、膵臓部分の検出を音又は音声により術者に報知してもよい。

更に、情報処理装置２００の制御部２０１は、膵臓部分の認識結果に基づき、エネルギ処置具１２や手術用ロボット（不図示）などの医療デバイスを制御するための制御信号を生成し、生成した制御信号を医療デバイスへ出力する構成としてもよい。

以上のように、本実施の形態では、学習モデル３００を用いて膵臓部分を認識し、認識した膵臓部分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、情報処理装置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情報処理装置２００が生成した画像とを比較して、腹腔鏡手術における牽引操作や剥離操作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、膵臓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、情報処理装置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に係る情報処理装置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（例えば白色系の色）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、膵臓部分を示す認識画像を生成する。情報処理装置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、膵臓部分を一様に表示（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に係る情報処理装置２００は、認識画像の各画素に対して特定の色（例えば白色系の色）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、膵臓部分の認識画像を生成する。具体的には、情報処理装置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。情報処理装置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、確信度が高い膵臓部分の濃度を高く、確信度が低い膵臓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膵臓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、膵臓部分について設定された表示色と、術野画像における膵臓部分の表示色とを平均化し、平均化した色により膵臓部分を着色して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、情報処理装置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。

実施の形態３に係る情報処理装置２００は、膵臓部分の認識画像が得られた場合、この認識画像について予め設定されている表示色と、背景の術野画像の表示色とを平均化し、平均化した色を膵臓部分の表示色として表示させる。例えば、膵臓部分について設定されている表示色を（Ｒ１，Ｇ１，Ｂ１）、背景の術野画像における膵臓部分の表示色を（Ｒ２，Ｇ２，Ｂ２）とした場合、制御部２０１は、当該膵臓部分を（（Ｒ１＋Ｒ２）／２，（Ｇ１＋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、認識した膵臓部分を（Ｗ１×Ｒ１＋Ｗ２×Ｒ２，Ｗ１×Ｇ１＋Ｗ２×Ｇ２，Ｗ１×Ｂ１＋Ｗ２×Ｂ２）の色で着色して表示してもよい。

実施の形態３では、膵臓部分について設定された表示色と、術野画像における膵臓部分の表示色とを平均化して着色するので、術野画像に馴染ませることができ、違和感が少ない画像を術者に提供できる。

（実施の形態４）
実施の形態４では、情報処理装置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１０は実施の形態４に係る情報処理装置２００の内部構成を説明するブロック図である。実施の形態４に係る情報処理装置２００は、第１学習モデル４１０及び第２学習モデル４２０を備える。情報処理装置２００のその他の構成、及び情報処理装置２００を含むシステムの全体構成は、実施の形態１～３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、情報処理装置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４において、第１学習モデル４１０は、患者が第１属性（例えば男性）である場合に選択されるべき学習モデルであり、第２学習モデル４２０は、患者が第２属性（例えば女性）である場合に選択されるべき学習モデルである。

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、第１属性を有する患者について撮像された術野画像と、当該術野画像において膵臓部分に該当する画素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ることにより生成される。同様に、第２学習モデル４２０は、第２属性を有する患者について撮像された術野画像と、当該術野画像において膵臓部分に該当する画素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る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１１は実施の形態４に係る情報処理装置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。情報処理装置２００の制御部２０１は、操作部２０３を通じて、患者の属性についての情報を受付ける（ステップＳ４０１）。

制御部２０１は、ステップＳ４０１で受付けた患者の属性に応じて、学習モデルを選択する（ステップＳ４０２）。制御部２０１は、ステップＳ４０１で受付けた属性が第１属性である場合、第１学習モデル４１０を選択し、ステップＳ４０１で受付けた属性が第２属性である場合、第２学習モデル４２０を選択すればよい。

制御部２０１は、実施の形態１と同様のステップＳ４０３～Ｓ４０７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）を用いて膵臓部分を認識し、膵臓部分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。

なお、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、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。情報処理装置２００は、電子カルテなど外部から入力される術前の事前情報、手術方式、膵臓の部位（膵鉤部、膵頭部、膵体部、膵尾部など）、術野を撮像する撮像装置１１Ｂの種別などの情報を参照して、適宜の学習モデル（例えば第１学習モデル４１０、第２学習モデル４２０など）を選択してもよい。

また、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、情報処理装置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５）
実施の形態５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５に係る情報処理装置２００は、実施の形態４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。

情報処理装置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、解析結果に基づき膵臓部分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１２は演算結果の解析手法を説明する説明図である。膵臓部分を認識する各学習モデルからは、各画素が膵臓部分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１２Ａ～図１２Ｃに示すような分布が得られる。図１２Ａ～図１２Ｃ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（膵臓部分である確率が１００％の場合）又は確信度が０（膵臓部分である確率が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１２Ａに示すような二極化した分布が得られる。

情報処理装置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１２Ｂ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１２Ｃ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１３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１３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１４はスコアの算出結果の一例を示す図である。図１４Ａ～図１４Ｃは、図１２Ａ～図１２Ｃ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１５は実施の形態５に係る情報処理装置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Ｓ５０１）、第１学習モデル４１０による演算を実行し（ステップＳ５０２）、第１学習モデル４１０による演算結果を取得する（ステップＳ５０３）。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Ｓ５０４）、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Ｓ５０５）。

同様に、制御部２０１は、ステップＳ５０１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Ｓ５０６）、第２学習モデル４２０による演算結果を取得する（ステップＳ５０７）。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Ｓ５０８）、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Ｓ５０９）。

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（Ｓ５０２～Ｓ５０５）を実行した後に、第２学習モデル４２０についての演算（Ｓ５０６～Ｓ５０９）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Ｓ５１０）。

第１スコアが第２スコア以上であると判断した場合（Ｓ５１０：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Ｓ５１１）。以後、制御部２０１は、選択した第１学習モデル４１０を用いて膵臓部分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（Ｓ５１０：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Ｓ５１２）。以後、制御部２０１は、選択した第２学習モデル４２０を用いて膵臓部分の認識処理を実行する。

以上のように、実施の形態５では、より適切な学習モデルを選択して膵臓部分の認識処理を実行することができる。

情報処理装置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膵臓部分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、評価結果に応じて膵臓部分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、評価結果に応じて膵臓部分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５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６）
実施の形態６では、第１学習モデル４１０により膵臓部分を認識し、第２学習モデル４２０により膵臓部分とは区別すべき他の部分を認識する構成について説明する。

図１６は実施の形態６に係る情報処理装置２００が実行する処理の手順を示すフローチャートである。情報処理装置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、以下の手順に従って処理を行う。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。情報処理装置２００の制御部２０１は、ＣＣＵ１１０から出力されるフレーム単位の術野画像を入力部２０４より取得する（ステップＳ６０１）。

制御部２０１は、取得した術野画像を第１学習モデル４１０に入力し、第１学習モデル４１０による演算を実行する（ステップＳ６０２）。制御部２０１は、第１学習モデル４１０による演算結果を参照し、膵臓部分の認識処理を実行する（ステップＳ６０３）。制御部２０１は、第１学習モデル４１０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６０％以上）の画素を抽出することによって、術野画像に含まれる膵臓部分を認識することができる。

同様に、制御部２０１は、取得した術野画像を第２学習モデル４２０に入力し、第２学習モデル４２０による演算を実行する（ステップＳ６０４）。実施の形態６における第２学習モデル４２０は、膵臓部分とは区別すべき他の部分を認識するために学習された学習モデルであるとする。制御部２０１は、第２学習モデル４２０による演算結果を参照し、膵臓部分とは区別すべき他の部分の認識処理を実行する（ステップＳ６０５）。制御部２０１は、第２学習モデル４２０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６０％以上）の画素を抽出することによって、術野画像に含まれ、膵臓部分とは区別すべき他の部分を認識することができる。制御部２０１は、第２学習モデル４２０を用いて、血管、脂肪、小葉間の溝、又は小葉間の影に該当する部分を認識してもよく、膵臓に隣接する胃、十二指腸、脾臓などの臓器を認識してもよい。

図１６のフローチャートでは、便宜的に、第１学習モデル４１０による演算を実行した後に、第２学習モデル４２０による演算を実行する手順としたが、第１学習モデル４１０による演算と第２学習モデル４２０による演算とは同時並行的に実施されてもよい。また、第１学習モデル４１０による演算を実行する演算部（制御部２０１）とは別に、第２学習モデル４２０による演算を実行する演算部を別途設けてもよい。

制御部２０１は、膵臓部分の認識結果と、他の部分の認識結果とが重複したか否かを判断する（ステップＳ６０６）。このステップでは、術野画像に含まれる特定の領域が、一方では膵臓部分と認識され、他方では他の部分と認識されたか否かを確認する。具体的には、制御部２０１は、術野画像内の１つの画素において一方では膵臓部分と認識され、他方では他の部分と認識された場合、認識結果が重複していると判断する。また、膵臓部分と認識された術野画像内の領域と、他の部分と認識された術野画像内の領域とを比較し、認識結果の重複と判断しても良い。例えば両者の重なりが面積比で所定割合以上（例えば４０％以上）である場合、認識結果が重複していると判断し、所定割合未満である場合、認識結果は重複していないと判断すればよい。

認識結果が重複していないと判断した場合（Ｓ６０６：ＮＯ）、制御部２０１は、膵臓部分の認識結果を出力する（ステップＳ６０７）。具体的には、制御部２０１は、膵臓部分の認識画像を術野画像上に重畳表示させる。

本実施の形態では、認識結果が重複していないと判断した場合、膵臓部分の認識結果を出力する構成としたが、他の部分の認識結果を併せて出力し、他の部分の認識画像も術野画像上に表示してもよい。

認識結果が重複したと判断した場合（Ｓ６０６：ＹＥＳ）、制御部２０１は、確信度に応じた表示態様にて認識画像を表示する（ステップＳ６０８）。例えば、制御部２０１は、第１学習モデル４１０による膵臓部分の認識結果と、第２学習モデル４２０による他の部分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認識画像を表示してもよい。

制御部２０１は、第１学習モデル４１０による膵臓部分の認識結果と、第２学習モデル４２０による他の部分の認識結果とが重複する場合、確信度に応じた認識結果を導出し、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１７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。例えば、術野画像に含まれる特定の領域を第１学習モデル４１０により認識した結果、９５％の確信度で膵臓部分と認識し、同じ領域を第２学習モデル４２０により認識した結果、他の部分として認識しなかった場合、制御部２０１は、この領域を例えば白色系の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別の領域を第２学習モデル４２０により認識した結果、９０％の確信度で他の部分と認識し、同じ領域を第１学習モデル４１０により認識した結果、膵臓部分として認識しなかった場合、制御部２０１は、この領域を例えば赤色系の色（図面上では黒色）で着色して術者に提示する。一方、術野画像に含まれる更に別の領域を第１学習モデル４１０により認識した結果、６０％の確信度で膵臓部分と認識し、同じ領域を第２学習モデル４２０により認識した結果、６０％の確信度で他の部分と認識した場合、制御部２０１は、この領域を例えば白色系の色と赤色系の色との中間色（図面上では灰色）で着色して術者に提示する。確信度に応じて色を変更する構成に代えて、彩度、透過度などを変更する構成を採用してもよい。

（実施の形態７）
実施の形態７では、術野画像の動的状態に応じて、膵臓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。

情報処理装置２００の演算速度によっては、膵臓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、例えば、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を用いて認識した膵臓部分を表示させた場合、表示させた膵臓部分の位置と、実際の膵臓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７に係る情報処理装置２００は、術野画像の動的状態を解析し、動的状態に応じて、認識結果である膵臓部分の表示及び非表示を切り替える。

図１８は実施の形態７における表示切替手順を示すフローチャートである。情報処理装置２００の制御部２０１は、例えば、入力部２０４よりフレーム単位の術野画像を取得する都度、以下の処理を実行する。

情報処理装置２００の制御部２０１は、入力部２０４より順次入力される術野画像を用いて術野の動的状態を解析する（ステップＳ７０１）。制御部２０１は、例えば、時刻ｔ－１のフレーム画像と時刻ｔのフレーム画像とに基づいて、オプティカルフローを生成することにより、術野の動的状態を解析することができる。具体的には、制御部２０１は、術野の動的状態として、術野画像内の特定部位が静止しているか否か、術野画像内に含まれる術具が静止しているか否かを解析する。なお、オプティカルフローの生成には公知の手法が用いられる。

制御部２０１は、ステップＳ７０１の解析結果に基づき、特定部位が静止しているか否かを判断する（ステップＳ７０２）。例えば、制御部２０１は、膵臓部分が静止しているか否かを判断する。代替的に、制御部２０１は、膵臓部分を含む領域が静止しているか否かを判断してもよく、膵臓部分の周辺の部位が静止しているか否かを判断してもよい。なお、ステップＳ７０２では、特定部位が完全に静止していることを要件にする必要はなく、実質的に静止しているとみなせる場合（オプティカルフローより算出される速度又は加速度が設定値未満の場合）、特定部位が静止していると判断すればよい。

制御部２０１は、ステップＳ７０１の解析結果に基づき、術具が静止しているか否かを判断する（ステップＳ７０３）。ステップＳ７０３では、術具が完全に静止していることを要件にする必要はなく、実質的に静止しているとみなせる場合（速度が設定値未満の場合や加速度が設定値未満の場合）、術具が静止していると判断すればよい。

術野画像内で特定部位が静止しており（Ｓ７０２：ＹＥＳ）、かつ、術具が静止していると判断した場合（Ｓ７０３：ＹＥＳ）、制御部２０１は、認識した膵臓部分を術野画像上で判別可能に表示する（ステップＳ７０４）。具体的には、制御部２０１は、学習モデル３００を用いて認識した膵臓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、膵臓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、膵臓部分を表示させる。

術野画像内で特定部位が静止していないと判断した場合（Ｓ７０２：ＮＯ）、又は、術野画像内で術具が静止していないと判断した場合（Ｓ７０３：ＮＯ）、制御部２０１は、認識した膵臓部分を非表示にして（ステップＳ７０５）、本フローチャートによる処理を終了する。制御部２０１は、認識した膵臓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、膵臓部分を非表示することができる。透過度を変更して膵臓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。

なお、実施の形態７では、特定部位及び術具の双方が静止していると判断した場合に、認識した膵臓部分を表示する構成としたが、特定部位及び術具の何れか一方が静止していると判断した場合、認識した膵臓部分を表示する構成としてもよい。

以上のように、実施の形態７では、特定部位及び術具が静止している場合に、膵臓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８）
実施の形態８では、膵臓部分の表示及び非表示を周期的に切り替える構成について説明する。

図１９は実施の形態８における表示例を説明する説明図である。実施の形態８に係る情報処理装置２００は、術野画像より膵臓部分を認識した場合、認識した膵臓部分の表示と、膵臓部分の非表示とを周期的に切り替える。一例として、図１９の上図には膵臓部分を表示した状態を示し、図１９の下図には膵臓部分を非表示とした状態を示している。実施の形態８では、図１９の上図に示すような表示状態と、図１９の下図に示すような非表示状態とを周期的に切り替える。

図２０は実施の形態８に係る情報処理装置２００が実行する処理の手順を示すフローチャートである。情報処理装置２００の制御部２０１は、学習モデル３００を用いて膵臓部分を認識した場合、術野画像上に膵臓部分を重畳して表示する（ステップＳ８０１）。制御部２０１は、内蔵クロックにより膵臓部分の表示時間を計時し、第１設定時間が経過したか否かを判断する（ステップＳ８０２）。第１設定時間は、装置内で予め設定された値（例えば２秒間）であってもよく、操作部２０３を通じて術者により設定された値であってもよい。第１設定時間が経過していないと判断した場合（Ｓ８０２：ＮＯ）、制御部２０１は、処理をＳ８０１へ戻し、膵臓部分の表示を継続する。

第１設定時間が経過したと判断した場合（Ｓ８０２：ＹＥＳ）、制御部２０１は、認識した膵臓部分を非表示にする（ステップＳ８０３）。制御部２０１は、膵臓部分の透過度を変更することによって非表示にしてもよく、膵臓部分の認識画像の出力を停止することによって非表示にしてもよい。

制御部２０１は、膵臓部分を非表示とした時間を内蔵クロックにより計時し、第２設定時間が経過したか否かを判断する（ステップＳ８０４）。第２設定時間は、装置内で予め設定された値（例えば２秒間）であってもよく、操作部２０３を通じて術者により設定された値であってもよい。なお、第２設定時間は、第１設定時間と同じ値であってもよく、第１設定時間と異なる値であってもよい。第２設定時間が経過していないと判断した場合（Ｓ８０４：ＮＯ）、制御部２０１は、処理をＳ８０３へ戻し、膵臓部分の非表示を継続する。

第２設定時間が経過したと判断した場合（Ｓ８０４：ＹＥＳ）、制御部２０１は、学習モデル３００による認識結果の表示を終了するか否かを判断する（ステップＳ８０５）。術野画像の表示を停止する場合、若しくは、取得した術野画像に膵臓部分が含まれていない場合、制御部２０１は、認識結果の表示を終了すると判断する。制御部２０１は、表示を終了しない場合（Ｓ８０５：ＮＯ）、処理をステップＳ８０１へ戻し、表示を終了する場合（Ｓ８０５：ＹＥＳ）、本フローチャートによる処理を終了する。

以上のように、実施の形態８では、膵臓部分の表示状態及び非表示状態を周期的に切り替えるので、術者に対して視覚支援を行えると共に、術者自身の目視により膵臓の状態を確認することが可能となり、手術時の安全性が向上する。

なお、実施の形態８では、膵臓部分の表示状態及び非表示状態の２つの状態を切り替える構成としたが、表示状態から非表示状態への切り替え、及び非表示状態から表示状態への切り替えを段階的に行ってもよい。例えば、制御部２０１は、膵臓部分の表示期間において、膵臓部分の透過度を徐々に高くしていくことにより、表示状態から非表示状態へ段階的に切り替えてもよく、膵臓部分の非表示期間において、膵臓部分の透過度を徐々に低くしていくことにより、非表示状態から表示状態へ段階的に切り替えてもよい。

（実施の形態９）
実施の形態９では、膵臓部分の表示に対してエフェクトを施す構成について説明する。

図２１は実施の形態９における第１表示例を説明する説明図である。第１表示例は、膵臓部分の表示サイズが徐々に大きくなるようにエフェクトを施した例を示している。制御部２０１は、膵臓部分を認識した場合、本来表示されるべきサイズよりも小さなサイズの表示領域（図２１の例では楕円領域）を設定し、その表示領域に収まる膵臓部分を表示する。制御部２０１は、表示領域内の膵臓部分の透過度を１（＝不透過）に設定し、表示領域外の膵臓部分の透過度を０（＝完全透過）に設定することにより、表示領域内にのみ膵臓部分を表示することができる。制御部２０１は、時間の経過と共に表示領域のサイズを徐々に拡大していくことにより、最終的に認識した膵臓部分の全体を表示する。制御部２０１は、表示領域の縮小及び拡大を繰り返し実行してもよい。また、制御部２０１は、患者の脈拍と同期するように、表示領域の縮小及び拡大を繰り返してもよい。

図２２は実施の形態９における第２表示例を説明する説明図である。第２表示例は、左端から順に膵臓部分が表示されるようにエフェクトを施した例を示している。制御部２０１は、膵臓部分を認識した場合、膵臓部分の左端に矩形状の表示領域を設定し、その表示領域に収まる膵臓部分を表示する。制御部２０１は、表示領域内の膵臓部分の透過度を１（＝不透過）に設定し、表示領域外の膵臓部分の透過度を０（＝完全透過）に設定することにより、表示領域内にのみ膵臓部分を表示することができる。制御部２０１は、時間の経過と共に表示領域のサイズを右方向に拡大していくことにより、最終的に認識した膵臓部分の全体を表示する。制御部２０１は、表示領域の縮小及び拡大を繰り返し実行してもよい。また、制御部２０１は、患者の脈拍と同期するように、表示領域の縮小及び拡大を繰り返してもよい。第２表示例では、膵臓部分の左端から右方向に表示するエフェクトについて説明したが、右端から左方向に表示するエフェクトを施してもよく、下端（上端）から上方向（下方向）に表示するエフェクトを施してもよい。

実施の形態９では、膵臓部分の表示の際にエフェクトを施すので、膵臓部分が視認され易くなり、良好に視覚支援を行うことができる。
なお、実施の形態９では、表示サイズを徐々に拡大するエフェクトについて説明したが、認識した膵臓部分の輪郭（境界）を強調するエフェクトを施してもよく、膵臓部分の輪郭（境界）を強調すると共に、輪郭（境界）の内部を表示状態から非表示状態に徐々に遷移させ、輪郭（境界）のみを残像として残すエフェクトを施してもよい。

（実施の形態１０）
実施の形態１０では、情報処理装置２００が備えるユーザインタフェースについて説明する。

図２３は情報処理装置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２３は、膵臓部分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２３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、情報処理装置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２３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、患者の属性、術前の事前情報、手術方式、膵臓の部位、術野を撮像する撮像装置の種類などに応じて、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、膵臓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２３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、注目画素が膵臓に該当す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（膵臓と認識され易く）なり、右側へスライドさせると閾値が大きく（膵臓と認識されにくく）なるように構成される。

透過度設定部１３５は、認識画像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、認識画像（膵臓部分）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、平均化した色を膵臓部分の表示色として表示させる。例えば、膵臓部分について設定されている表示色を（Ｒ１，Ｇ１，Ｂ１）、背景の術野画像における膵臓部分の表示色を（Ｒ２，Ｇ２，Ｂ２）とした場合、制御部２０１は、当該膵臓部分を（（Ｒ１＋Ｒ２）／２，（Ｇ１＋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、認識した膵臓部分を（Ｗ１×Ｒ１＋Ｗ２×Ｒ２，Ｗ１×Ｇ１＋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、膵臓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膵臓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膵臓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、白色系の色）に戻すデフォルトボタンを備えてもよい。

情報処理装置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に表示している膵臓部分の認識画像の表示態様を変更すればよい。

図２３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）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、実施の形態８において説明した第１設定時間及び第２設定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２３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、情報処理装置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。また、本発明は、上述した各実施の形態に限定されるものではなく、複数の実施の形態を組み合わせて構成したり、異なる実施の形態に示される複数の構成を組み合わせて構成したりすることも可能である。本発明の範囲は、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 情報処理装置
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 (14)

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、
   術野画像の入力に応じて前記術野画像に含まれる膵臓部分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、
   前記学習モデルより出力される情報に基づき、前記術野画像に含まれる膵臓部分として、膵臓の外縁により定まる領域から、膵臓表面に現れる血管、脂肪、小葉間の溝、又は小葉間の影に該当する部分を除いた膵臓部分を認識し、
   前記部分を除いて認識した膵臓部分を前記術野画像上に表示する
   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、
   術野画像の入力に応じて前記術野画像に含まれる膵臓部分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膵臓部分を認識し、
   前記術野画像内の特定部位の動的状態に応じて、前記膵臓部分の表示及び非表示を切り替える
   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、
   術野画像の入力に応じて前記術野画像に含まれる膵臓部分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膵臓部分を認識し、
   前記術野画像内に含まれる術具の動的状態に応じて、前記膵臓部分の表示及び非表示を切り替える
   処理を実行させるためのコンピュータプログラム。
4. 前記コンピュータに、
   前記膵臓部分の認識結果の確信度に応じて、前記膵臓部分の表示態様を変更する
   処理を実行させるための請求項１から請求項３の何れか１つに記載のコンピュータプログラム。
5. 前記コンピュータに、
   前記膵臓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膵臓部分の表示色とを平均化し、
   認識した膵臓部分を、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請求項１から請求項３の何れか１つに記載のコンピュータプログラム。
6. 前記学習モデルは、膵臓部分を認識するための複数種の学習モデルを含み、
   前記コンピュータに、
   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、前記術野画像に含まれる膵臓部分を認識する
   処理を実行させるための請求項１から請求項３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、
   前記膵臓部分の表示及び非表示を周期的に切り替える
   処理を実行させるための請求項１から請求項６の何れか１つに記載のコンピュータプログラム。
8. 前記コンピュータに、
   前記膵臓部分の表示に対して所定のエフェクトを施す
   処理を実行させるための請求項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. 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、
   術野画像の入力に応じて、前記術野画像に含まれる膵臓部分に関する情報を出力するよう学習された第１学習モデル、及び前記術野画像に含まれる前記膵臓部分とは区別すべき他の部分に関する情報を出力するよう学習された第２学習モデルに、取得した術野画像を各別に入力して、該術野画像に含まれる膵臓部分及び他の部分を認識し、
   前記第１学習モデルによる認識結果の確信度と、前記第２学習モデルによる認識結果の確信度との高低に応じて、前記術野画像上での前記膵臓部分及び前記他の部分の表示態様を設定し、
   設定した表示態様にて前記膵臓部分及び前記他の部分を前記術野画像上に表示すると共に、前記第１学習モデルを用いて膵臓部分と認識した領域と、前記第２学習モデルを用いて他の部分と認識した領域とが重複する場合、確信度が高い方の認識結果を採用し、前記膵臓部分及び前記他の部分の何れか一方を選択的に表示する
   処理を実行させるためのコンピュータプログラム。
10. 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、
    術野画像の入力に応じて、前記術野画像に含まれる膵臓部分に関する情報を出力するよう学習された第１学習モデル、及び前記術野画像に含まれる前記膵臓部分とは区別すべき他の部分に関する情報を出力するよう学習された第２学習モデルに、取得した術野画像を各別に入力して、該術野画像に含まれる膵臓部分及び他の部分を認識し、
    前記第１学習モデルによる認識結果の確信度と、前記第２学習モデルによる認識結果の確信度との高低に応じて、前記術野画像上での前記膵臓部分及び前記他の部分の表示態様を設定し、
    設定した表示態様にて前記膵臓部分及び前記他の部分を前記術野画像上に表示すると共に、前記第１学習モデルを用いて膵臓部分と認識した領域と、前記第２学習モデルを用いて他の部分と認識した領域とが重複する場合、夫々の確信度に応じて表示色を混合し、混合した表示色にて前記領域を着色して表示する
    処理を実行させるためのコンピュータプログラム。
11. 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と、該術野画像内の膵臓の外縁により定まる領域から、膵臓表面に現れる血管、脂肪、小葉間の溝、又は小葉間の影に該当する部分を除いた膵臓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、膵臓の外縁により定まる領域から、膵臓表面に現れる血管、脂肪、小葉間の溝、又は小葉間の影に該当する部分を除いた膵臓部分に関する情報を出力する学習モデルを生成する
    学習モデルの生成方法。
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、
    術野画像の入力に応じて前記術野画像に含まれる膵臓部分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膵臓部分として、膵臓の外縁により定まる領域から、膵臓表面に現れる血管、脂肪、小葉間の溝、又は小葉間の影に該当する部分を除いた膵臓部分を認識する認識部と、
    前記部分を除いて認識した膵臓部分を前記術野画像上に表示する表示部と
    を備える情報処理装置。
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、
    術野画像の入力に応じて前記術野画像に含まれる膵臓部分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膵臓部分を認識する認識部と、
    該認識部により認識した膵臓部分を表示する表示部と
    を備え、
    前記術野画像内の特定部位の動的状態に応じて、前記膵臓部分の表示及び非表示を切り替える、情報処理装置。
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、
    術野画像の入力に応じて前記術野画像に含まれる膵臓部分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膵臓部分を認識する認識部と、
    該認識部により認識した膵臓部分を表示する表示部と
    を備え、
    前記術野画像内に含まれる術具の動的状態に応じて、前記膵臓部分の表示及び非表示を切り替える、情報処理装置。

Images