JP7418018B2

JP7418018B2 - 診断支援装置、およびコンピュータプログラム

Info

Publication number: JP7418018B2
Application number: JP2021185063A
Authority: JP
Inventors: 洋一佐藤
Original assignee: Isurgery
Current assignee: Isurgery
Priority date: 2021-11-12
Filing date: 2021-11-12
Publication date: 2024-01-19
Anticipated expiration: 2041-11-12
Also published as: JP2023072479A

Description

本発明は、医師による診断に際し、患者の所定部位を医療用の撮影装置によって撮像し、取得された画像情報に基づいて、診断を支援するための診断支援装置、およびコンピュータプログラムに関する。

一般的に、医師が診断する際には、医師自身の経験や、所定の情報（例えば
、症例報告書、医学書等）に基づいて、診断が行われる場合が多い。この場合
、患者の所定部位を医療用の撮影装置（例えば、ＣＴ装置、ＭＲＩ装置等）に
よって撮像し、取得された画像情報に基づいて、診断を支援することが知られ
ている。

この種の診断支援においては、画像情報の処理により、病変の検出精度の向
上や検出プロセスの迅速化が、可能となってきている。例えば、特許文献１で
は、血管部位のＣＴ画像の処理により、血管における病変を自動的に検出する
技術が、開示されている。具体的には、造影ＣＴ画像および非造影ＣＴ画像の
差分に基づいて、ＣＴ画像内に位置特定された血管の石灰化プラークが、精度
良く検出され得る。

特開２０１６－４１２４７号公報

ところで、日本など、高齢化が進行している国においては、加齢に伴う骨粗
鬆症の罹患数が急増してきている。骨粗鬆症は、椎体骨折、大腿骨近位部骨折
等の脆弱性骨折の要因となり、結果的に、疼痛、歩行困難等が現れ得る。この
症状は、ＱＯＬおよびＡＤＬの低下に直結するため、適切な治療介入が求めら
れている。

現状の治療ガイドラインにおいては、椎体骨折または大腿骨近位部骨折が認
められる場合、骨密度が計測されるまでも無く、骨粗鬆症と診断されて治療介
入がなされる。しかしながら、患者に椎体骨折または大腿骨近位部骨折が発生
している場合であっても、その症状は、軽症または無症状である場合が多い。
このため、患者が椎体骨折または大腿骨近位部骨折に気付かないまま時間経過
し、骨粗鬆症に関する治療介入が、適切になされていないことがある。適切に
治療介入されている事例は、全体の２０％程度にも満たないとの報告もあり、
適切な治療介入に向け、骨粗鬆症の患者を特定するための技術が、求められて
いる。上記特許文献においては、この観点の課題や解決するための技術は、記
載されていない。

他方、胸部や骨盤部の単純Ｘ線写真は、種々検査のために、一般の入院時や
外来受診時に撮像されるものである。このため、胸部や骨盤部の単純Ｘ線写真
は、取得される機会が多い画像情報の１つであると言える。加え、胸部や骨盤
部の単純Ｘ線写真内に、患者の椎体や大腿骨も映し出されるため、椎体骨折ま
たは大腿骨近位部骨折の存在の有無が確認され得る。即ち、胸部や骨盤部の単
純Ｘ線写真は、検査対象となり得るとともに、画像情報の処理として学習処理
が用いられる場合、胸部や骨盤部の単純Ｘ線写真の多量のサンプルを入手し易
い。本発明は、この知見に基づくものである。

本発明の目的は、医師による診断に際し、患者の所定部位を医療用の撮影装
置によって撮像し、取得された画像情報に基づいて、診断を支援するための診
断支援装置、診断支援方法、およびコンピュータプログラムにおいて、骨粗鬆
症の患者を、精度良く迅速に特定し得るものを提供することにある。

本発明による診断支援装置は、医師による診断に際し、患者の所定部位を医療用の撮影装置によって撮像し、取得された画像情報における異常部位の存在可能性を機械学習により学習した結果に基づいて、診断を支援するためのものである。

本発明による診断支援装置の特徴は、画像情報として、前記患者の胸部や骨盤部の単純Ｘ線写真が用いられ、前記単純Ｘ線写真においては、オリジナル画像に対応する上部フォーカス画像および下部フォーカス画像が、それぞれ取得され、それぞれ画像処理されることにある。

これによれば、胸部や骨盤部の単純Ｘ線写真の中から、骨に異常部位が存在
する可能性が有るものを、精度良く迅速に検出することができる。ここにおい
て、骨の異常部位としては、例えば、椎体骨折または大腿骨近位部骨折部位、
骨粗鬆症部位、低骨密度部位等である。従って、骨粗鬆症の患者を、精度良く
迅速に特定することができる。

上記発明に係る診断支援装置においては、胸部や骨盤部の単純Ｘ線写真内に写し出される骨に異常部位が存在すると判定される異常胸部や異常骨盤部の単純Ｘ線写真と、胸部や骨盤部の単純Ｘ線写真内に写し出される骨に前記異常部位が存在しないと判定される正常胸部や正常骨盤部の単純Ｘ線写真とを、学習の前に胸部や骨盤部の単純Ｘ線写真のオリジナル画像に対し、上部フォーカス画像および下部フォーカス画像が、それぞれ取得され、それぞれ画像処理した後、機械学習により学習し、その学習した結果に基づいて診断を支援することを特徴としてもよい。

また、上記発明に係る診断支援装置においては、診断支援装置は表示情報付与部を有し、表示情報付与部が、異常胸部や異常骨盤部の存在可能性が有ると判定されるものに対し、前記Ｘ線撮影装置によって取得された前記胸部や骨盤部の単純Ｘ線写真内の領域であって、前記存在可能性が有ると判定される部位を含む領域に対して、他の領域の色彩と区別可能な色彩を付与するように構成されてもよい。

また、上記発明に係る診断支援装置においては、表示情報付与部が、前記存在可能性が有ると判定される部位を含む領域に対して、他の領域の色彩と区別可能な色彩を付与するように構成され、前記区別可能な色彩は、操作者により設定可能となっていることを特徴としてもよい。

また、上記発明に係る診断支援装置においては、前記異常部位である異常胸部や異常骨盤部として骨折部位が存在すると判定されることを特徴としてもよい。

また、上記発明に係る診断支援装置においては、前記異常部位である異常胸部や異常骨盤部として骨粗鬆症部位が存在すると判定されることを特徴としてもよい。

また、上記発明に係る診断支援装置においては、前記異常部位である異常胸部や異常骨盤部として低骨密度部位が存在すると判定されることを特徴としてもよい。

本発明によるコンピュータプログラムは、胸部や骨盤部の単純Ｘ線写真内に写し出される骨に異常部位が存在すると判定される異常胸部や異常骨盤部の単純Ｘ線写真と、胸部や骨盤部の単純Ｘ線写真内に写し出される骨に前記異常部位が存在しないと判定される正常胸部や正常骨盤部の単純Ｘ線写真とを、学習の前に胸部や骨盤部の単純Ｘ線写真のオリジナル画像に対し、上部フォーカス画像および下部フォーカス画像が、それぞれ取得され、それぞれ画像処理した後、機械学習により学習し、医師による診断に際し、患者の胸部や骨盤部の単純Ｘ線写真を医療用の撮影装置によって撮像し、前記単純Ｘ線写真においては、オリジナル画像に対応する上部フォーカス画像および下部フォーカス画像が、それぞれ取得され、前記異常部位の存在可能性を機械学習により学習した結果に基づいて、前記診断を支援するためのものである。

これによっても、上記本発明による診断支援装置および診断支援方法の効果
と同様、骨粗鬆症の患者を、精度良く迅速に特定することができる。

本発明の実施形態に係る診断支援装置を適用したシステムの機能的な構成を説明するための図である。図１に示したモダリティによって取得される胸部や骨盤部の単純Ｘ線写真の例を説明するための図である。図１に示した診断支援装置における学習処理に用いられる胸部や骨盤部の単純Ｘ線写真の前処理を説明するための図である。図１に示した診断支援装置における学習処理にて用いられる深層学習アルゴリズムを説明するための図である。図１に示したシステムおよび診断支援装置の作動を説明するためのフローチャートである。図１に示した診断支援装置により表示情報が付与された胸部や骨盤部の単純Ｘ線写真の例を説明するための図である。本発明の実施形態の変形例に係る診断支援装置の作動を説明するためのフローチャートである。本発明の実施形態の変形例に係る診断支援装置により表示情報が付与された胸部や骨盤部の単純Ｘ線写真の例を説明するための図である。本発明の実施形態の変形例に係る診断支援装置の作動を説明するためのフローチャートである。本発明の実施形態の変形例に係る診断支援装置により表示情報が付与された胸部単純Ｘ線写真の例を説明するための図である。

以下、本発明による診断支援装置、診断支援方法、およびコンピュータプロ
グラムの実施形態について図面を参照しつつ説明する。

＜システムおよび診断支援装置の構成＞
図１は、本発明の実施形態に係る診断支援装置を適用したシステム１００の
機能的な構成を説明するための図であり、機能ブロック図となっている。シス
テム１００は、要素としてモダリティ１０と、コンピュータ２０とを備えてい
る。

モダリティ１０は、医療用のＸ線撮影装置であり、図示しないインターフェ
イスによりコンピュータ２０と接続されている。モダリティ１０は、患者の所
定部位を撮像可能に構成されており、取得された画像情報（胸部や骨盤部の単
純Ｘ線写真Ａ１０）は、コンピュータ２０に順次送られるようになっている。

図２は、モダリティ１０によって取得される胸部や骨盤部の単純Ｘ線写真Ａ
１０の例を説明するための図である。モダリティ１０により、検査として患者
の正面胸部や骨盤部が撮像される場合、非造影の胸部や骨盤部の単純Ｘ線写真
Ａ１０が取得される。胸部や骨盤部の単純Ｘ線写真Ａ１０においては、Ｘ線の
吸収が大きい部位である骨に対応する領域Ａ１１は、白色を呈し、Ｘ線の吸収
が小さい部位に対応する領域Ａ１２は、黒色または灰色を呈する。骨に対応す
る領域Ａ１１は、椎体領域Ａ１３を含んでいる。椎体領域Ａ１３は、頚椎の一
部、胸椎、腰椎の一部にそれぞれ対応する領域で構成される。

コンピュータ２０は、入力部２１、表示部２２、記憶部２３、診断支援装置
２４、および情報処理制御部２５を備えている。

入力部２１は、キーボード等であり、操作者による情報入力のためのデバイ
スである。表示部２２は、モニタ等であり、各種処理された情報を視認可能な
映像として表示するためのデバイスである。記憶部２３は、ハードディスク装
置、不揮発性メモリ等であり、画像情報等の各種情報やプログラムなどを記憶
しているデバイスである。

診断支援装置２４は、表示情報付与部２４ａを備えている。表示情報付与部
２４ａは、胸部や骨盤部の単純Ｘ線写真Ａ１０内に写し出される骨において、
異常部位の存在可能性があると判定される部位を含む領域Ｂに対して、表示情
報を付与する（後述する図６を参照）。この表示情報の付与としては、領域Ｂ
に対し、他の領域の色彩と区別可能な色彩が付与される。区別可能な色彩とし
て、操作者により設定可能となっており、白色・黒色・灰色以外の色彩であっ
て、例えば、読影医の注意を惹く色彩である赤色等が用いられると好適である
。

ここにおいて、異常部位の存在可能性の判定には、異常胸部や異常骨盤部の
単純Ｘ線写真および正常胸部や正常骨盤部の単純Ｘ線写真に基づく機械学習に
よる学習が適用される。異常胸部や異常骨盤部の単純Ｘ線写真は、胸部や骨盤
部の単純Ｘ線写真内に写し出される骨に異常部位が存在すると判定されるもの
である。正常胸部や正常骨盤部の単純Ｘ線写真は、胸部や骨盤部の単純Ｘ線写
真内に写し出される骨に異常部位が存在しないと判定されるものである。本実
施形態における骨の異常部位としては、椎体や大腿骨の骨折部位が相当する。
また、機械学習による学習として、深層学習アルゴリズムが用いられる（後述
する図４を参照）。深層学習アルゴリズムにより、胸部や骨盤部の単純Ｘ線写
真Ａ１０が入力される場合、「椎体や大腿骨に骨折部位が存在する可能性が有
る」または「椎体や大腿骨に骨折部位が存在可能性は無い」という判定が、２
値分類的に出力され得る。加えて、椎体や大腿骨の所定部位であって、骨折の
可能性が有ると判定される部位が、特定され得る。

異常胸部や異常骨盤部の単純Ｘ線写真および正常胸部や正常骨盤部の単純Ｘ
線写真においては、外部医療機関等にて撮像されたものを用いてもよいし、本
システム１００のモダリティ１０により、別途取得して学習に用いてもよい。
また、異常胸部や異常骨盤部の単純Ｘ線写真としては、撮像対象の患者年齢が
４５歳以上のものであって、胸椎（Ｔｈ１～Ｔｈ１２）および腰椎（Ｌ１、Ｌ
２）のうち何れか一箇所または複数箇所に骨折の既往があり、受傷後に撮像さ
れた胸部や骨盤部の単純Ｘ線写真が用いられると好適である。一方、正常胸部
や正常骨盤部の単純Ｘ線写真としては、撮像対象の患者年齢が４５歳以上のも
のであって、胸椎（Ｔｈ１～Ｔｈ１２）および腰椎（Ｌ１、Ｌ２）のうち何れ
にも骨折の既往がない状態で撮像された胸部や骨盤部の単純Ｘ線写真が用いら
れると好適である。

異常胸部や異常骨盤部の単純Ｘ線写真において、椎体での骨折の判定は、椎
体の変形度に基づいてもよい。例えば、椎体の変形度が、判定量的評価法にお
ける４段階グレード（グレード０、１、２、および３）のうち、グレード２、
および３に相当する変形度に該当する場合、椎体に骨折が有ると判定される。
この場合、グレード２、および３相当の変形度として、正常時の椎体高・椎体
面積に比して、椎体高が２５％以上低下・椎体面積が２０％以上減少している
と、骨折が有ると判定される。一方、これらの判定条件から除外される胸部や
骨盤部の単純Ｘ線写真は、正常胸部や正常骨盤部の単純Ｘ線写真となる。

図３は、学習における胸部単純Ｘ線写真の前処理を説明するための図である
。異常胸部や異常骨盤部の単純Ｘ線写真および正常胸部や正常骨盤図の単純Ｘ
線写真は、学習の前に、それぞれ画像処理されると好適である。前処理として
、例えば、１つの胸部や骨盤部の単純Ｘ線写真のオリジナル画像Ｃ１０に対し
、２通りの画像処理が実行されて、オリジナル画像Ｃ１０に対応する上部フォ
ーカス画像Ｃ１１および下部フォーカス画像Ｃ１２が、それぞれ取得される。

上述した２通りの画像処理うち、上部フォーカス画像Ｃ１１の画像処理とし
ては、胸部や骨盤部の単純Ｘ線写真内において、上位胸椎（Ｔｈ１～Ｔｈ６）
および中位胸椎（Ｔｈ７～Ｔｈ１０）の領域がフォーカスされるよう、オリジ
ナル画像Ｃ１０のウィンドウレベル・ウィンドウ幅が調整される。下部フォー
カス画像Ｃ１２の画像処理としては、胸部や骨盤部の単純Ｘ線写真内において
、下位胸椎（Ｔｈ１１、Ｔｈ１２）および腰椎の領域がフォーカスされるよう
、オリジナル画像Ｃ１０のウィンドウレベル・ウィンドウ幅が調整される。深
層学習アルゴリズムには、異常胸部や異常骨盤部の単純Ｘ線写真および正常胸
部や正常骨盤部の単純Ｘ線写真ともに、オリジナル画像Ｃ１０、上部フォーカ
ス画像Ｃ１１、および下部フォーカス画像Ｃ１２が、それぞれ入力されるよう
になっている。

図４は、学習処理にて用いられる深層学習アルゴリズムを説明するための図
である。異常胸部や異常骨盤部の単純Ｘ線写真および正常胸部や正常骨盤部の
単純Ｘ線写真（オリジナル画像Ｃ１０、上部フォーカス画像Ｃ１１、および下
部フォーカス画像Ｃ１２）が入力される学習アルゴリズムは、ニューラルネッ
トワークＤ１０を備えた深層学習アルゴリズムとなっている。ニューラルネッ
トワークＤ１０は、入力層Ｄ１１、複数の中間層Ｄ１２、出力層Ｄ１３を備え
ている。

入力される各画像は、２２４×２２４ピクセルの画像情報であり、入力層Ｄ
１１のノード数は、２２４×２２４＝５０，１７６個である。入力層Ｄ１１か
ら、複数の中間層Ｄ１２を介して、出力層Ｄ１３に入力される値は、例えば、
シグモイド関数等の所定の活性化関数Ｆ（ｘ）に受け渡されて出力される。こ
れにより、「椎体や大腿骨に骨折部位が存在する可能性が有る」に対応する値
（例えば、０．５≦Ｆ（ｘ）＜１）、または「椎体や大腿骨に骨折部位が存在
する可能性は無い」に対応する値（例えば、０＜Ｆ（ｘ）＜０．５）が、２値
分類的に出力され得る。加え、椎体の所定部位であって、骨折の可能性が有る
と判定される部位が、特定され得る。この深層学習アルゴリズムは、多数の学
習用の画像情報、および、教師データとの照らし合わせに基づいて、最適解が
出力されるように構成される。このため、深層学習アルゴリズムを用いること
で、ユーザにより、別途特徴量を算出する等の手間が不要となり得る。なお、
本実施形態において、「大腿骨」は、大腿骨近位部を含んでいる。

情報処理制御部２５は、入力部２１、表示部２２、記憶部２３、および診断
支援装置２４とそれぞれ接続されており、コンピュータ２０全体を制御するよ
うになっている。情報処理制御部２５は、診断支援装置２４に向けて、モダリ
ティ１０によって取得された胸部や骨盤部の単純Ｘ線写真Ａ１０に対応する画
像情報に対して、上述した前処理（ウィンドウ処理）、骨折部位の存在可能性
判定・特定処理、および表示情報の付与処理の実行を指示する。

また、情報処理制御部２５は、各機能部からの要求に応じて、例えば、胸部
や骨盤部の単純Ｘ線写真Ａ１０に対応する画像情報（診断支援装置２４による
処理後の画像情報も含む）の表示、蓄積、検索等の処理も、実行されるように
なっている。以上の情報処理は、記憶されているプログラムがメモリにロード
され、ＣＰＵにてそれぞれ実行される。

＜システムおよび診断支援装置の作動＞
図５は、システム１００および診断支援装置２４の作動を説明するためのフ
ローチャートである。先ず、ステップ５０１にて、モダリティ１０により患者
の胸部が撮影され、胸部や骨盤部の単純Ｘ線写真Ａ１０が取得される。胸部や
骨盤部の単純Ｘ線写真Ａ１０は、画像情報としてコンピュータ２０に受け渡さ
れる。

次いで、ステップ５０２にて、診断支援装置２４により、受け渡された胸部
や骨盤部の単純Ｘ線写真Ａ１０に対応する画像情報に対して、前処理が実行さ
れる。前処理として、胸部や骨盤部の単純Ｘ線写真Ａ１０のウィンドウ処理が
実行されて、１つの胸部や骨盤部の単純Ｘ線写真Ａ１０から、オリジナル画像
Ｃ１０、上部フォーカス画像Ｃ１１、および下部フォーカス画像Ｃ１２が生成
される。

次いで、ステップ５０３にて、診断支援装置２４により、椎体や大腿骨の骨
折部位の存在可能性が有るか否かの判定、および骨折部位の特定が実行される
。前処理にて生成されたオリジナル画像Ｃ１０、上部フォーカス画像Ｃ１１、
および下部フォーカス画像Ｃ１２が、上述した深層学習アルゴリズムに入力さ
れる。「椎体や大腿骨に骨折部位が存在する可能性が有る」に対応する値が出
力される場合、同時に、椎体領域Ａ１３や大腿骨のうち骨折の可能性が有ると
判定される部位が特定される。この場合、ステップ５０３にて、「Ｙｅｓ」と
判定されて、ステップ５０４に進む。

次いで、ステップ５０４にて、表示情報付与部２４ａにより、胸部や骨盤部
の単純Ｘ線写真Ａ１０内の領域であって、上述のように判定・特定された部位
を含む領域Ｂに対して、他の領域の色彩と区別可能な色彩である赤色が付与さ
れる。

次いで、ステップ５０５にて、表示部２２により、胸部や骨盤部の単純Ｘ線
写真Ａ１０を映像表示する。この場合、図６に示すように、胸部や骨盤部の単
純Ｘ線写真Ａ１０の椎体領域Ａ１３や骨盤部において、赤色の領域Ｂが表示さ
れる。これにより、読影医により、領域Ｂに含まれる椎体や大腿骨の部位に、
骨折の可能性があると容易に認識され得る。この領域Ｂの表示は、陳旧性椎体
骨折の診断支援に対し、特に有効となり得る。

一方、ステップ５０３にて、上述した深層学習アルゴリズムの出力として、
「椎体や大腿骨に骨折部位が存在する可能性は無い」に対応する値が出力され
る場合、「Ｎｏ」と判定されて、ステップ５０５に直ちに進む。この場合、ス
テップ５０５にて、領域Ｂが存在しない胸部や骨盤部の単純Ｘ線写真Ａ１０が
、そのまま映像表示される。

以上、本発明の実施形態に係る診断支援装置２４によれば、胸部や骨盤部の
単純Ｘ線写真Ａ１０の中から、椎体領域Ａ１３や骨盤部における骨折の可能性
があると判定される部位を、精度良く迅速に検出することができる。従って、
骨粗鬆症の患者を、精度良く迅速に特定することができる。

本発明は、上記実施形態に限定されず、種々の変形例を採ることができる。
上記実施形態では、椎体または骨盤部の骨折部位の存在可能性が判定されてい
たが、これに代えて、骨粗鬆症部位の存在可能性が判定されるようにしてもよ
い。以下、上記実施形態と異なる部分を説明する。

この場合、学習に用いられる異常胸部や異常骨盤部の単純Ｘ線写真には、胸
部や骨盤部の単純Ｘ線写真内に写し出される骨に骨粗鬆症部位が存在すると判
定されるものが用いられる。正常胸部や正常骨盤部の単純Ｘ線写真には、胸部
や骨盤部の単純Ｘ線写真内に写し出される骨に骨粗鬆症部位が存在しないと判
定されるものが用いられる。

異常胸部や異常骨盤部の単純Ｘ線写真において、骨粗鬆症の判定としては、
骨粗鬆症の診断ガイドラインに基づいてもよい。例えば、椎体や大腿骨に脆弱
性骨折が認められる場合、骨粗鬆症部位が存在すると判定される。また、他の
骨部位（肋骨骨折など）に脆弱性骨折が認められ、かつ、骨密度ＢＭＤが若年
平均ＹＡＭの８０％未満である場合も、骨粗鬆症部位が存在すると判定される
。また、大腿骨近位部骨折の家族歴があり、かつ、ＢＭＤがＹＡＭの７０％以
上かつ８０％未満である場合も、骨粗鬆症部位が存在すると判定される。また
、ＢＭＤがＹＡＭの７０％未満である場合も、骨粗鬆症部位が存在すると判定
される。一方、これらの判定条件から除外される胸部や骨盤部の単純Ｘ線写真
は、正常胸部や正常骨盤部の単純Ｘ線写真となる。なお、骨粗鬆症の判定に用
いられるＹＡＭ値は、若年齢（腰椎：２０～４４歳、大腿骨：２０～２９歳）
の平均骨密度を基準値として、当該基準値に対しての骨密度の割合（％）であ
る。ＹＡＭ値の利用は一例であり、他の指標が用いられてもよい。ＹＡＭ値以
外の利用については、後述する。

この変形例では、深層学習アルゴリズムにおいて、ニューラルネットワーク
Ｄ１０の出力層Ｄ１３より、「骨に骨粗鬆症部位が存在する可能性が有る」に
対応する値（例えば、０．５≦Ｆ（ｘ）＜１）、または「骨に骨粗鬆症部位が
存在する可能性は無い」に対応する値（例えば、０＜Ｆ（ｘ）＜０．５）が、
２値分類的に出力され得る。

この変形例では、表示情報付与部２４ａは、上述した領域Ｂに対して、他の
領域の色彩と区別可能な色彩を付与するのに代えて、骨粗鬆症部位が存在する
と判定される胸部単純Ｘ線写真Ａ１０内の領域に対し、骨粗鬆症に関する表示
情報が付与されるように構成される。骨粗鬆症に関する表示情報としては、例
えば、「骨粗鬆症の可能性有り」等のテキスト表示が付与される。

この場合の作動としては、図７に示すように、上記実施形態でのステップ５
０３に対応するステップ７０１にて、診断支援装置２４により、骨粗鬆症部位
の存在可能性が有るか否かの判定が実行される。深層学習アルゴリズムにより
、「骨に骨粗鬆症部位が存在する可能性が有る」に対応する値が出力される場
合、ステップ７０１にて、「Ｙｅｓ」と判定されて、ステップ７０２に進む。

次いで、ステップ７０２にて、表示情報付与部２４ａにより、胸部単純Ｘ線
写真Ａ１０内の領域に対し、所定位置に「骨粗鬆症の可能性有り」のテキスト
表示が付与される。次いで、ステップ５０５に進む。この場合、図８に示すよ
うに、胸部単純Ｘ線写真Ａ１０において、「骨粗鬆症の可能性有り」と視認で
きるテキストＥが表示される。これにより、読影医により、骨粗鬆症の可能性
があると容易に認識され得る。

この実施形態の変形例によれば、胸部や骨盤部の単純Ｘ線写真Ａ１０の中か
ら、骨粗鬆症の可能性があると判定される胸部や骨盤部の単純Ｘ線写真Ａ１０
を、精度良く迅速に検出することができる。従って、骨粗鬆症の患者を、精度
良く迅速に特定することができる。

また、上記実施形態では、椎体または骨盤部の骨折部位の存在可能性が判定
されていたが、これに代えて、低骨密度部位の存在可能性が判定されるように
してもよい。以下、上記実施形態と異なる部分を説明する。

この場合、学習に用いられる異常胸部や異常骨盤部の単純Ｘ線写真には、胸
部や骨盤部の単純Ｘ線写真内に写し出される骨に低骨密度部位が存在すると判
定されるものが用いられる。正常胸部や正常骨盤部の単純Ｘ線写真には、胸部
や骨盤部の単純Ｘ線写真内に写し出される骨に低骨密度部位が存在しないと判
定されるものが用いられる。

異常胸部や異常骨盤部の単純Ｘ線写真において、低骨密度の判定としては、
ＢＭＤがＹＡＭの７０％から８０％である場合、低骨密度部位が存在すると判
定される。一方、この判定条件から除外される胸部や骨盤部の単純Ｘ線写真は
、正常胸部や正常骨盤部の単純Ｘ線写真となる。

この変形例では、深層学習アルゴリズムにおいて、上述した２値分類の出力
がなされるのに代えて、推定された骨密度（の範囲）が出力される。この場合
、異常胸部や異常骨盤部の単純Ｘ線写真および正常胸部や正常骨盤部の単純Ｘ
線写真と、骨密度（ＢＭＤがＹＡＭの０％～１００％の範囲）とが、セットと
なって学習が実行される。ニューラルネットワークＤ１０の出力層Ｄ１３では
、多クラス分類がなされるよう、例えば、ソフトマックス関数等の所定の活性
化関数が用いられる。多クラス分類としては、例えば、ＢＭＤがＹＡＭの７５
％～７１％、７０％～６６％、６５％～６１％、６０％～５６％のように、５
％の数値幅をもって範囲ごとにクラス分類がなされる。また、数値幅を増減す
ることで、連続性を調整するようにしてもよい。これにより、胸部や骨盤部の
単純Ｘ線写真Ａ１０の各クラスに分類される可能性が、それぞれ出力され得、
もっとも分類される可能性が高いクラスが抽出されることで、骨密度（の範囲
）が推定され得る。そして、推定された骨密度に基づいて「骨に低骨密度部位
が存在する可能性が有る」と判定され得る。例えば、推定された骨密度が、Ｂ
ＭＤがＹＡＭの７０％以下の範囲となる場合、「骨に低骨密度部位が存在する
可能性が有る」と判定される。

この変形例では、表示情報付与部２４ａは、上述した領域Ｂに対して、他の
領域の色彩と区別可能な色彩を付与するのに代えて、低骨密度部位が存在する
と判定される胸部や骨盤部の単純Ｘ線写真Ａ１０内の領域に対し、低骨密度に
関する表示情報が付与されるように構成される。低骨密度に関する表示情報と
しては、例えば、「ＹＡＭ７０％～６６％」等、推定された骨密度に対応する
テキスト表示が付与される。

この場合の作動としては、図９に示すように、上記実施形態でのステップ５
０３に対応するステップ９０１にて、診断支援装置２４により、低骨密度部位
の存在可能性が有るか否かの判定が実行される。深層学習アルゴリズムにより
骨密度が推定され、推定された骨密度が「ＢＭＤがＹＡＭの７０％以下の範囲
」である場合、ステップ９０１にて、「Ｙｅｓ」と判定されて、ステップ９０
２に進む。

次いで、ステップ９０２にて、表示情報付与部２４ａにより、胸部や骨盤部
の単純Ｘ線写真Ａ１０内の領域に対し、所定位置に、推定された骨密度に対応
するテキスト表示が付与される。次いで、ステップ５０５に進む。この場合、
図１０に示すように、例えば、「ＢＭＤがＹＡＭの７０％～６６％」のように
骨密度が推定されたとき、胸部や骨盤部の単純Ｘ線写真Ａ１０において、「Ｙ
ＡＭ７０％～６６％」と視認できるテキストＥが表示される。これにより、読
影医により、低骨密度の可能性があると容易に認識され得る。ＹＡＭ値の他、
骨密度、Ｔ－ｓｃｏｒｅ、Ｚ－ｓｃｏｒｅ、％ＡＧＥが表示されても良い。Ｔ
－ｓｃｏｒｅおよびＹＡＭ値は、２０歳を基準とした相対値である。Ｚ－ｓｃ
ｏｒｅ、％ＡＧＥは、同年代を基準とした相対値である。

上述した例においては、ＹＡＭ値が表示されるようになっているが、例えば
、ＹＡＭ値が連続変数として出力されて表示されるようになっていてもよい。
また、例えば、出力されたＹＡＭ値が８０％以上の場合に「正常」、７０～８
０％の場合に「低骨密度」、７０％未満の場合に「骨粗鬆症」と表示・判定さ
れるようにしてもよい。

また、上述のようなＹＡＭ値の表示に代えて、例えば、骨密度そのものが表
示されるようにしてもよい。この場合、異常胸部や異常骨盤部の単純Ｘ線写真
および正常胸部や正常骨盤部の単純Ｘ線写真と、骨密度の値とがセットとなっ
て学習が実行される。ニューラルネットワークＤ１０の出力層Ｄ１３では、骨
密度の値が連続変数として出力されてもよいし、骨密度の値が多クラス分類さ
れてもよい。

また、上述のようなＹＡＭ値の表示に代えて、例えば、Ｔ－ｓｃｏｒｅが表
示されるようにしてもよい。この場合、異常胸部や異常骨盤部の単純Ｘ線写真
および正常胸部や正常骨盤部の単純Ｘ線写真と、Ｔ－ｓｃｏｒｅとがセットと
なって学習が実行される。ニューラルネットワークＤ１０の出力層Ｄ１３では
、Ｔ－ｓｃｏｒｅが連続変数として出力されてもよい。Ｔ－ｓｃｏｒｅは、若
年齢（２０～４４歳）の平均骨密度を０（ゼロ）の基準値とし、当該基準値か
らの標準偏差を１ＳＤとした場合の骨密度に対応する値であり、例えば、出力
されたＴ－ｓｃｏｒｅが－１以上の場合に「正常」、－２．５～－１の場合に
「低骨密度」、－２．５未満の場合に「骨粗鬆症」と表示・判定されるように
してもよい。

また、上述のようなＹＡＭ値の表示に代えて、例えば、Ｚ－ｓｃｏｒｅ、又
は、％ＡＧＥが表示されるようにしてもよい。Ｚ－ｓｃｏｒｅは、Ｔ―ｓｃｏ
ｒｅに対応しており、同年代で比較した値である。％ＡＧＥは、ＹＡＭ値に対
応しており、同年代で比較した値である。これらの場合、異常胸部や異常骨盤
部の単純Ｘ線写真および正常胸部や正常骨盤部の単純Ｘ線写真と、Ｚ－ｓｃｏ
ｒｅ、又は、％ＡＧＥとがセットとなって学習が実行される。ニューラルネッ
トワークＤ１０の出力層Ｄ１３では、Ｚ－ｓｃｏｒｅ、又は、％ＡＧＥが連続
変数として出力されてもよいし、Ｚ－ｓｃｏｒｅ、又は、％ＡＧＥが多クラス
分類されてもよい。

この実施形態の変形例によれば、胸部や骨盤部の単純Ｘ線写真Ａ１０の中か
ら、低骨密度の可能性があると判定される胸部や骨盤部の単純Ｘ線写真Ａ１０
を、精度良く迅速に検出することができる。従って、骨粗鬆症の患者を、精度
良く迅速に特定することができる。

１０…モダリティ、２０…コンピュータ、２４…診断支援装置、２４ａ…表
示情報付与部、Ａ１０…胸部や骨盤部の単純Ｘ線写真、Ａ１３…椎体領域、Ｂ
…領域、Ｄ１０…ニューラルネットワーク、Ｅ…テキスト。

Claims

医師による診断に際し、患者の所定部位を医療用の撮影装置によって撮像し、取得された画像情報として、前記撮像された患者の胸部及び骨盤部の単純Ｘ線写真に対応する単純Ｘ線画像が用いられる場合に、
異常胸部及び異常骨盤部の単純Ｘ線画像、および、正常胸部及び正常骨盤部の単純Ｘ線画像を機械学習により学習した結果に基づいて、前記単純Ｘ線画像における前記胸部の異常部位または前記骨盤部の異常部位の存在可能性が判定されることで、前記診断を支援するための診断支援装置において、
前記単純Ｘ線画像は、オリジナル画像として、
上位胸椎および中位胸椎を含む領域が上部、および、下位胸椎および腰椎を含む領域が下部、とそれぞれ規定されるものが用いられ、
上位胸椎および中位胸椎を含む領域である前記上部がフォーカスされるように、前記オリジナル画像を画像処理することで得られた上部フォーカス画像と、
下位胸椎および腰椎を含む領域である前記下部がフォーカスされるように、前記オリジナル画像を画像処理することで得られた下部フォーカス画像とが、
前記機械学習に用いられることを特徴とする診断支援装置。
請求項１に記載の診断支援装置において、
前記機械学習に、
前記異常胸部及び異常骨盤部の前記単純Ｘ線画像における、前記上部フォーカス画像および前記下部フォーカス画像と、
前記正常胸部及び正常骨盤部の前記単純Ｘ線画像における、前記上部フォーカス画像および前記下部フォーカス画像とが、用いられ、
前記異常胸部及び異常骨盤部の前記単純Ｘ線画像の前記オリジナル画像は、
胸部及び骨盤部の単純Ｘ線写真内に写し出される骨に異常部位が存在すると判定される単純Ｘ線画像であって、上位胸椎および中位胸椎を含む領域が上部、および、下位胸椎および腰椎を含む領域が下部、とそれぞれ規定されるものが用いられ、
前記正常胸部及び正常骨盤部の前記単純Ｘ線画像の前記オリジナル画像は、
胸部及び骨盤部の単純Ｘ線写真内に写し出される骨に異常部位が存在しないと判定される単純Ｘ線画像であって、上位胸椎および中位胸椎を含む領域が上部、および、下位胸椎および腰椎を含む領域が下部、とそれぞれ規定されるものが用いられ、
前記上部フォーカス画像および前記下部フォーカス画像は、
前記オリジナル画像を前記画像処理してそれぞれ取得されることを特徴とする診断支援装置。
請求項１に記載の診断支援装置において、
前記診断支援装置は、表示情報付与部を有し、
前記表示情報付与部は、
前記胸部の異常部位または前記骨盤部の異常部位の存在可能性が有ると判定された場合、前記撮影装置によって撮像された患者の胸部及び骨盤部の単純Ｘ線写真に対応する単純Ｘ線画像内の領域であって、前記存在可能性が有ると判定される部位を含む領域に対して、他の領域の色彩と区別可能な色彩を付与するように構成された診断支援装置。
請求項３に記載の診断支援装置において、
前記表示情報付与部は、
前記存在可能性が有ると判定される部位を含む領域に対して、他の領域の色彩と区別可能な色彩を付与するように構成され、
前記区別可能な色彩は、操作者により設定可能となっていることを特徴とする診断支援装置。
請求項１乃至請求項４の何れか一項に記載の診断支援装置において、
前記胸部の異常部位または前記骨盤部の異常部位は、
前記胸部の骨折部位または前記骨盤部の骨折部位であることを特徴とする診断支援装置。
請求項１乃至請求項４の何れか一項に記載の診断支援装置において、
前記胸部の異常部位または前記骨盤部の異常部位は、
前記胸部の骨粗鬆症部位または前記骨盤部の骨粗鬆症部位であることを特徴とする診断支援装置。
請求項１乃至請求項４の何れか一項に記載の診断支援装置において、
前記胸部の異常部位または前記骨盤部の異常部位は、
前記胸部の低骨密度部位または前記骨盤部の低骨密度部位であることを特徴とする診断支援装置。
医師による診断に際し、前記診断を支援するためのコンピュータプログラムであって、
コンピュータに、
患者の所定部位を医療用の撮影装置によって撮像する第１手順と、
取得された画像情報として、前記撮像された患者の胸部及び骨盤部の単純Ｘ線写真に対応する単純Ｘ線画像が用いられる場合に、異常胸部及び異常骨盤部の単純Ｘ線画像、および、正常胸部及び正常骨盤部の単純Ｘ線画像を機械学習により学習する第２手順と、
前記学習した結果に基づいて、前記単純Ｘ線画像における前記胸部の異常部位または前記骨盤部の異常部位の存在可能性を判定する第３手順と、
を実行させるコンピュータプログラムにおいて、
前記異常胸部及び異常骨盤部の前記単純Ｘ線画像は、オリジナル画像として、
胸部及び骨盤部の単純Ｘ線写真内に写し出される骨に異常部位が存在すると判定される単純Ｘ線画像であって、上位胸椎および中位胸椎を含む領域が上部、および、下位胸椎および腰椎を含む領域が下部、とそれぞれ規定されるものが用いられ、
前記正常胸部及び正常骨盤部の前記単純Ｘ線画像は、オリジナル画像として、
胸部及び骨盤部の単純Ｘ線写真内に写し出される骨に異常部位が存在しないと判定される単純Ｘ線画像であって、上位胸椎および中位胸椎を含む領域が上部、および、下位胸椎および腰椎を含む領域が下部、とそれぞれ規定されるものが用いられ、
前記第２手順は、
上位胸椎および中位胸椎を含む領域である前記上部がフォーカスされるように、前記オリジナル画像を画像処理することで上部フォーカス画像を取得し、下位胸椎および腰椎を含む領域である前記下部がフォーカスされるように、前記オリジナル画像を画像処理することで下部フォーカス画像を取得する手順と、
前記取得された前記上部フォーカス画像および前記下部フォーカス画像を、前記機械学習に用いる手順と、
を備えることを特徴とするコンピュータプログラム。