JP7418730B2 - 医用画像処理装置、医用画像処理方法および医用画像処理プログラム - Google Patents

Description

本発明の実施形態は、医用画像処理装置、医用画像処理方法および医用画像処理プログラムに関する。

機械学習の発展に伴い、画像処理分野において行われている機械学習の手法が医用分野にも適用されている。画像処理分野では、主にカラー画像に対する機械学習方法が研究されているが、医用分野における主な画像はグレースケール画像であるため、画像処理分野の機械学習の手法が必ずしも当てはまらない。例えば、画像処理分野で使用される機械学習の学習モデルとして、カラー画像のＲＧＢそれぞれを入力するように、３チャネルの入力があるモデルを医用分野での機械学習に適用しようとすると、１チャネルにはグレースケール画像を入力するが、残り２チャネルは有効利用できない。

特開２０１９－９７８０５号公報 特開２０１６－１１６８４３号公報 特表２０１９－５００１００号公報

本発明が解決しようとする課題は、モデルの入力チャネルを有効利用することである。

本実施形態に係る医用画像処理装置は、格納部、取得部及び生成部を含む。格納部は、解析結果を生成する複数の学習済みモデルと、入力画像から１以上の追加画像を生成するための複数のデータ処理方法と、を対応付けて格納する。取得部は、処理対象画像と学習済みモデルに関する選択情報とを取得する。生成部は、前記選択情報に基づき選択された学習済みモデルに対応するデータ処理方法により、前記処理対象画像から１以上の追加画像を生成する。

図１は、第１の実施形態に係る医用画像処理装置を示すブロック図である。 図２は、学習済みモデル生成システムの一例を示すブロック図である。 図３は、学習済みモデルの学習時の一例を示す図である。 図４は、学習済みモデルに関するテーブルの一例を示す図である。 図５は、第１の実施形態に係る医用画像処理装置の動作を示すフローチャートである。 図６は、本実施形態に係る学習済みモデルの利用時の一例を示す図である。 図７は、第２の実施形態に係る医用画像処理システムの一例を示すブロック図である。

以下、図面を参照しながら本実施形態に係る医用画像処理装置、医用画像処理方法および医用画像処理プログラムについて説明する。以下の実施形態では、同一の参照符号を付した部分は同様の動作をおこなうものとして、重複する説明を適宜省略する。以下、一実施形態について図面を用いて説明する。

（第１の実施形態）
第１の実施形態に係る医用画像処理装置について図１のブロック図を参照して説明する。
第１の実施形態に係る医用画像処理装置１は、処理回路１０、メモリ１２、入力インタフェース１４および通信インタフェース１６を含む。処理回路１０、メモリ１２、入力インタフェース１４および通信インタフェース１６は、例えばバスを介して、互いに通信可能に接続されている。

医用画像処理装置１は、ワークステーションに搭載されることを想定するが、医用撮像装置を搭載する医用画像診断装置（ガントリまたはコンソール）に搭載されてもよい。または、当該医用画像診断装置にケーブルやネットワーク等を介して通信可能に接続されたコンピュータに搭載されてもよい。

処理回路１０は、ＣＰＵ（Central Processing Unit）などのプロセッサであり、取得機能１０１、判定機能１０３、生成機能１０５、学習機能１０７及びモデル実行機能１０９を実行する。処理回路１０は、メモリ１２等に記憶されている上述の各機能に関するプログラムを実行することにより、上述の各機能を実現する。なお、各機能１０１から１０９までは単一の処理回路で実現される場合に限らない。複数の独立したプロセッサを組み合わせて処理回路を構成し、各プロセッサがプログラムを実行することにより各機能１０１から１０９を実現するものとしても構わない。

取得機能１０１により処理回路１０は、１つ以上の処理対象画像を取得し、学習済みモデルに関する選択情報を取得する。処理対象画像は、超音波画像、ＣＴ（Computed Tomography）画像、ＭＲ（Magnetic Resonance）画像、ＰＥＴ（Positron Emission Tomography）画像、およびＳＰＥＣＴ(Single Photon Emission Computed Tomography)画像など、どのような医用画像であってもよい。

判定機能１０３により処理回路１０は、１つ以上の処理対象画像が、選択された学習済みモデルの入力と整合するか否かを判定する。例えば、学習済みモデルの入力層のチャネル数と、処理対象画像の数とが一致するか否かを判定する。
生成機能１０５により処理回路１０は、学習済みモデルの利用時には、選択情報に基づき選択された学習済みモデルに対応するデータ処理方法により、選択された学習済みモデルの入力に整合するように、処理対象画像から１つ以上の追加画像を生成する。モデルの学習時には、生成機能１０５により処理回路１０は、モデルの入力に整合するように、モデルの用途に応じたデータ処理方法により前記処理対象画像から１つ以上の追加画像を生成する。
学習機能１０７により処理回路１０は、処理対象画像と１つ以上の追加画像を入力データとし、処理対象画像の解析結果を正解データとする学習用データを用いてモデルを学習させ、学習済みモデルを生成する。
モデル実行機能１０９により処理回路１０は、処理対象画像と１つ以上の追加画像とを選択された学習済みモデルに入力し、解析結果を得る。

メモリ１２は、例えば、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）および集積回路記憶装置等の記憶装置である。メモリ１２は、上述した複数の学習済みモデルと複数のデータ処理方法とをそれぞれ対応付けて格納する。また、メモリ１２は、学習用データを格納してもよいし、学習済みモデルを利用した際の、処理対象画像と１つ以上の追加画像と解析結果とを対応付けて格納してもよい。
また、メモリ１２は、ＣＤ－ＲＯＭドライブ、ＤＶＤドライブ、及びフラッシュメモリ等の可搬型記憶媒体との間で種々の情報を読み書きする駆動装置等であってもよい。なお、メモリ１２は、必ずしも単一の記憶装置により実現される必要は無い。例えば、メモリ１２は、複数の記憶装置により実現されても構わない。また、メモリ１２は、医用画像処理装置１にネットワークを介して接続された他のコンピュータ内にあってもよい。

入力インタフェース１４は、ユーザからの各種指示や情報入力を受け付ける回路を有する。入力インタフェース１４は、例えば、マウス等のポインティングデバイス、あるいはキーボード等の入力デバイスに関する回路を有する。なお、入力インタフェース１４が有する回路は、マウス、キーボードなどの物理的な操作部品に関する回路に限定されない。例えば、入力インタフェース１４は、医用画像処理装置１とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、受け取った電気信号を医用画像処理装置１内の種々の回路へ出力するような電気信号の処理回路を有していてもよい。
通信インタフェース１６は、有線または無線により外部装置とデータのやり取りを実行する。

なお、第１の実施形態では、医用画像処理装置１において、モデルの学習と学習済みモデルの利用とを行う場合を想定するが、学習用データの生成は医用画像処理装置１で行ない、モデルの学習を外部装置で行なってもよい。また、学習用データの生成およびモデルの学習は外部装置で行ない、学習結果である学習済みモデルをメモリ１２に格納してもよい。

次に、学習用データの生成およびモデルの学習を外部装置で行う場合について、図２の学習済みモデル生成システムを参照して説明する。
図２に示す学習済みモデル生成システムは、学習用データ生成装置２０と、学習用データ保管装置２２と、モデル学習装置２４と、医用画像処理装置１とを含む。

学習用データ生成装置２０は、入力画像と当該入力画像にデータ処理を実行することで生成される１つ以上の追加画像とを入力データとし、入力画像に対して学習済みモデルを適用することによって取得したい解析結果（分類結果、正解画像など）を正解データとした１組の学習用データを、複数組生成する。

学習用データ保管装置２２は、学習用データ生成装置２０において生成された学習用データを記憶する。例えば、学習用データ保管装置２２は、大容量記憶装置が内蔵されたコンピュータである。また、学習用データ保管装置２２は、コンピュータにケーブルや通信ネットワークを介して通信可能に接続された大容量記憶装置であってもよい。当該記憶装置としては、ＨＤＤ、ＳＳＤ、集積回路記憶装置などが適宜利用可能である。

モデル学習装置２４は、学習用データ保管装置２２に記憶された学習用データに基づいて、モデル学習プログラムに従いモデルに機械学習を行わせることで、学習済みモデルを生成する。本実施形態に係るモデルとしては、一般的な画像処理で用いられるニューラルネットワーク、つまりディープラーニングで用いられる多層ネットワークを想定する。具体的には、例えば、ＲｅｓＮｅｔ（Residual Network）、ＤｅｎｓｅＮｅｔなどの深層畳み込みネットワーク（ＤＣＮＮ：Deep Convolutional Neural Network）、Ｕ－ｎｅｔなどのエンコーダデコーダネットワークを用いればよい。なお、多層ネットワークに限らず、例えば腫瘍の有無を決定する分類を行う場合など学習済みモデルを適用する目的に合わせて、ＳＶＭ（Support Vector Machine）、決定木、カーネル回帰など学習用データから何らかの特徴を学習できる他の機械学習アルゴリズムを用いてもよい。

モデル学習装置２４は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）等の汎用プロセッサ、または機械学習専用に構成されたプロセッサを有するワークステーション等のコンピュータでもよい。

医用画像処理装置１は、モデル学習装置２４が生成した学習済みモデルをメモリ１２に格納する。なお、学習済みモデルは、モデル学習装置２４、学習用データ保管装置２２その他の外部装置に格納され、医用画像処理装置１が学習済みモデルを利用する際に当該外部装置を参照してもよい。

また、医用画像処理装置１とモデル学習装置２４とはケーブル、または通信ネットワークを介して通信可能に接続されてもよい。モデル学習装置２４で生成された学習済みモデルが医用画像処理装置１へ供給され、学習済みモデルが医用画像処理装置１のメモリ１２に記憶される。なお、医用画像処理装置１とモデル学習装置２４とは、必ずしも通信可能に接続されてなくてもよい。この場合、学習済みモデルが記憶された可搬型記憶媒体等を介して、モデル学習装置２４から医用画像処理装置１へ学習済みモデルが供給される。

モデル学習装置２４と学習用データ保管装置２２とはケーブル、または通信ネットワークを介して通信可能に接続されてもよい。また、学習用データ保管装置２２がモデル学習装置２４に搭載されてもよい。これらの場合、学習用データ保管装置２２からモデル学習装置２４へ学習用データが供給される。なお、モデル学習装置２４と学習用データ保管装置２２とは通信可能に接続されてなくてもよい。この場合、学習用データが記憶された可搬型記憶媒体を介して、学習用データ保管装置２２からモデル学習装置２４へ学習用データが供給される。

また、上述した、学習用データ生成装置２０と、学習用データ保管装置２２と、モデル学習装置２４とは、別個の装置として説明したが、上記３つの装置が１つの装置で構成されてもよい。また、上記３つの装置のうちの２つの装置が１つの装置で構成されてもよい。

次に、本実施形態に係る学習済みモデルの学習時の一例について、図３の概念図を参照して説明する。
ここでは、学習済みモデルの用途として、病変を検出する用途、具体的には肝臓のＣＴ画像から腫瘍の領域を検出することを想定する。また、学習前のモデルである多層ネットワーク３０１の両端には、ネットワークの入力層３０１１と出力層３０１３とが模式的に描出される。ここでは、入力層３０１１は３チャネルのデータが入力され、出力層３０１３は１チャネルのデータが出力されるモデルであることを示す。なお、モデルからの出力は、腫瘍の領域を示した画像に限られない。例えば、画像中に病変が含まれるか否かを示す情報を解析結果として出力してもよい。また、画像中に含まれる病変の種類を特定して、特定した病変の種類を解析結果として出力してもよい。あるいは、画像中に含まれる病変に関する数値パラメータをテキストやグラフ表示など他の出力形式で出力するものであってもよい。

多層ネットワーク３０１のモデルの学習においては、複数の画像を入力データとし、解析結果を正解データとした学習用データを用いて、多層ネットワーク３０１を学習させる。入力層３０１１の構成が３チャネルとなっている多層ネットワーク３０１を使用する場合には、入力層３０１１の構成に合わせ３チャネル分の入力データが必要となる。通常のＣＴ画像は、グレースケールの画像であり、１チャネル分の入力データしかないため、多層ネットワーク３０１の入力に整合するように、入力層３０１１のチャネル相当分の画像を加工する必要がある。

図３の例では、入力データとなる複数の画像は、１つの入力画像３０３と、当該入力画像３０３から生成される２つの追加画像３０５とを含む。追加画像を生成するためのデータ処理方法としては、例えば、病変検出といった診断および読影ガイドラインで設定されるパラメータを用いて処理される画像加工方法、または、医師による読影でよく使用される画像加工方法、つまり人間が解析画像を生成するときに使用される画像加工方法を用いればよい。ここでは、具体例として、ウィンドウレベル（ＷＬ）およびウィンドウ幅（ＷＷ）を調整することにより画像を加工することを想定する。
なお、データ処理方法として、ウィンドウレベルおよびウィンドウ幅を変更することに限らず、リサイズや、ノイズフィルタ、またはスライス厚の変更若しくはカラーテーブルの値の変更など、入力画像に基づいて画像のバリエーションを増やせる手法であれば、どのようなデータ処理方法でもよい。
また、医師が学習済みモデルからの出力画像を確認することを前提とする場合は、多層ネットワーク３０１の入力データおよび出力データとして、人が見やすい画像、すなわち対象病変の診断を行う際によく用いられるデータ処理を施した画像を入力および出力するようにしてもよい。

図３の例では、入力画像のウィンドウレベル（ＷＬ）が「４０」であり、ウィンドウ幅（ＷＷ）が「４００」とする。以下、ウィンドウレベルおよびウィンドウ幅については「ＷＬ４０／ＷＷ４００」のように表記する。
肝臓読影の場合は、「ＷＬ４０／ＷＷ４００」のＣＴ画像が主に用いられると想定されるが、ＷＬを１００下げるような調整されたＣＴ画像を読影する場合もある。よって、当該「ＷＬ４０／ＷＷ４００」を入力画像３０３として、ウィンドウレベルをプラス側およびマイナス側に１００ずつ振った、２種類のＣＴ画像が追加画像３０５として生成される。すなわち、追加画像３０５として、「ＷＬ－６０／ＷＷ４００」のＣＴ画像と、「ＷＬ１４０／ＷＷ４００」のＣＴ画像とが生成される。

他の具体例として、塞栓物質を投入してＣＴ画像を撮影する場合では、標準的な「ＷＬ４０／ＷＷ４００」のＣＴ画像では、治療前と治療後とで疾患部の見え方が同じ状態となってしまう。この場合、読影時にはウィンドウレベルを落とし、ウィンドウ幅を狭めると構造物が見やすくなるため、「ＷＬ２０／ＷＷ３００」のＣＴ画像および「ＷＬ２０／ＷＷ２００」のＣＴ画像を追加画像３０５として生成すればよい。

なお、多層ネットワーク３０１を学習させる際、追加画像の生成方法として複数種類のデータ処理方法を適用し、最も性能の良い学習済みモデルを適用してもよい。
例えば、生成機能１０５により処理回路１０が、１つ目のデータ処理方法として、ウィンドウ幅を変更する場合、入力画像である「ＷＬ４０／ＷＷ４００」のＣＴ画像の他に、「ＷＬ４０／ＷＷ３００」および「ＷＬ４０／ＷＷ２００」のＣＴ画像を追加画像として生成する。学習機能１０７により処理回路１０は、当該入力画像と当該追加画像とを入力データとし、入力画像の解析結果を正解データとした第１の学習用データにより多層ネットワーク３０１を学習させ、第１の学習済みモデル候補を生成する。

２つ目のデータ処理方法として、ウィンドウレベルを変更する場合、生成機能１０５により処理回路１０が、入力画像である「ＷＬ４０／ＷＷ４００」のＣＴ画像の他に、「ＷＬ３０／ＷＷ４００」および「ＷＬ２０／ＷＷ４００」のＣＴ画像を追加画像として生成する。学習機能１０７により処理回路１０は、当該入力画像と当該追加画像とを入力データとし、入力画像の解析結果を正解データとした第２の学習用データにより多層ネットワーク３０１を学習させ、第２の学習済みモデル候補を生成する。なお、多層ネットワーク３０１の構成と正解データとは、データ処理方法の種類によらず同じものを用いる。

上述のように複数種類のデータ処理方法に基づいて生成された学習済みモデル候補に対し、学習機能１０７により処理回路１０は、生成された複数の学習済みモデル候補に対して、同一のテストデータを用いて各学習済みモデル候補の正答率を算出する。学習機能１０７により処理回路１０が、複数の学習済みモデル候補の中から正答率が最も高い学習済みモデル候補を、最終的な学習済みモデルとして決定する。

なお、複数種類のデータ処理方法の設定例としては、上述の例ではウィンドウレベルおよびウィンドウ幅について所定の振り幅を設定しておき、振り幅に応じてデータ処理を実行し、追加画像を生成すればよい。
また、学習済みモデルからの出力が１チャネルであることを想定するが、入力画像ごと処理対象画像および追加画像のそれぞれについて解析結果を出力してもよい。さらに、出力された複数の解析結果は、多数決によりユーザに提示すべき解析結果を絞って出力してもよい。

次に、第１の実施形態に係る学習済みモデルに関するテーブルの一例について図４を参照して説明する。
図４に示すテーブル４００は、学習済みモデルを識別するためのモデルＩＤと、被検体に関する対象部位と、学習済みモデルの用途と、追加画像を生成するためのデータ処理方法（パラメータを含む）と、データ処理方法を調整するための撮像条件とをそれぞれ対応付けて格納する。

なお、複数種類のデータ処理方法から最適な学習済みモデルを決定した場合は、正答率が最も高い学習済みモデルが得られたときのデータ処理方法を、当該学習済みモデルと対応付けてテーブル４００に格納すればよい。また、データ処理方法の項目には、データ処理方法に基づく複数画像の種類が格納されてもよい。

例えば、モデルＩＤ「ＡＩ_ａ」、対象部位「肝臓」、用途「腫瘍検出」、データ処理方法「１．ＷＬ４０／ＷＷ３００，２．ＷＬ４０／ＷＷ２００」、撮像条件「管電圧、管電流・・・」がそれぞれ対応付けられて、テーブル４００に格納される。

データ処理方法は、追加画像を生成するための画像処理の種類が格納される。なお、複数の追加画像を生成するためのパラメータが格納されてもよい。図４の例では、ウィンドウ幅として「ＷＷ３００」と「ＷＷ２００」とが記載されるように、異なるパラメータ値を格納する。
撮像条件は、当該撮像条件に与えられた値に応じてデータ処理方法のパラメータを変更すべきであることを示す。例えば、撮影プロトコルおよび撮像条件が決定した場合、当該撮像条件として与えられたパラメータの１つである管電流がモデルの学習時に用いたＣＴ画像に使用された値に比べ、高い値が設定されている場合を想定する。この場合、撮像条件の管電流の値と当該ＣＴ値とに応じてウィンドウレベルを調整すればよい。
なお、モデルの学習時においては、学習前のモデルＩＤ、対象部位、用途およびデータ処理方法がそれぞれ対応付けられたテーブルを用意しておき、当該テーブルを参照し、どのようなデータ処理方法で追加画像を生成すればよいかが決定されてもよい。

次に、第１の実施形態に係る医用画像処理装置１の動作について図５のフローチャートを参照して説明する。
ステップＳ５０１では、取得機能１０１により処理回路１０が、１つ以上の処理対象画像を取得する。
ステップＳ５０２では、取得機能１０１により処理回路１０が、処理対象画像に適用する学習済みモデルを選択する。学習済みモデルの選択方法は、例えば、図４に示すテーブルの対象部位および用途などが参照されることで、入力インタフェース１４を介してユーザからの学習済みモデルの選択結果を取得する。または、ユーザに入力に限らず、取得機能１０１により処理回路１０が、検査オーダ情報に記載される部位や症例に関する情報を抽出し、抽出された情報と図４に示すテーブルとを比較することにより、対応する学習済みモデルが自動的に選択されてもよい。
ステップＳ５０３では、取得機能１０１により処理回路１０が、選択された学習済みモデルに対応するデータ処理方法を取得する。ここでは、図４に示すテーブルから、選択された学習済みモデルに対応するデータ処理方法が取得される。

ステップＳ５０４では、判定機能１０３により処理回路１０が、１つ以上の処理対象画像が、選択された学習済みモデルの入力と整合するか否かを判定する。言い換えれば、判定機能１０３により、１以上の処理対象画像と選択された学習済みモデルの入力とを比較し、処理対象画像の数が学習済みモデルの入力層のチャネル数に一致し、かつ処理対象画像が当該学習済みモデルを学習した際のデータ処理方法により生成されるべき追加画像が存在するか否か（データ処理方法で規定されるパラメータにより得られる画像と一致するか否か）を判定する。例えば、２つの処理対象画像を取得し、一方はそのまま学習済みモデルに入力するデフォルトの処理対象画像であり、他方はデフォルトの処理対象画像からユーザが画像処理した画像である場合を想定する。判定機能１０３により処理回路１０は、図４に示すテーブルを参照して、ユーザが画像処理した画像が、テーブルに格納されるデータ処理方法により生成されるべき画像（画像の種類）と一致する場合、処理対象画像が当該学習済みモデルを学習した際のデータ処理方法により生成されるべき追加画像と一致すると判定すればよい。
学習済みモデルの入力と整合する場合、ステップＳ５０６に進み、学習済みモデルの入力と整合しない、例えば処理対象画像の数が足りない場合、または処理対象画像の数が足りていてもデータ処理方法により生成されるべき追加画像が存在しない場合、ステップＳ５０５に進む。

ステップＳ５０５では、生成機能１０５により処理回路１０が、データ処理方法を用いて、学習済みモデルに入力として不足する追加画像を生成する。なお、複数の処理対象画像が取得された場合であって、ある処理対象画像がデータ処理方法により生成されるべき追加画像に一致しない場合は、追加画像に一致しない処理対象画像を学習済みモデルへの入力に用いない。
ステップＳ５０６では、モデル実行機能１０９により処理回路１０が、処理対象画像を選択された学習済みモデルに入力し、出力となる解析結果を得る。または追加画像が生成された場合は、モデル実行機能１０９により処理回路１０が、処理対象画像と追加画像とを学習済みモデルに入力し、解析結果を得る。

次に、本実施形態に係る学習済みモデルの利用時の一例について、図６を参照して説明する。
図６は、学習済みモデルに対して処理対象画像を入力する場合を示す。ここでは、学習済みモデルの用途として「腫瘍検出」を実行し、データ処理方法としてウィンドウレベルおよびウィンドウ幅を調整する方法を想定する。学習済みモデルの入力層３０１１のチャネルは３チャネルである。

ここで、判定機能１０３により処理回路１０が、処理対象画像が１チャネル分であり、あと２チャネル分の追加画像が必要であると判定し、データ処理方法に従って追加画像６０２および追加画像６０３を生成する。
処理対象画像６０１と、図４に示すテーブルのデータ処理方法を満たす２つの追加画像６０２および追加画像６０３とが、学習済みモデルの入力層３０１１に入力される。なお、処理対象画像６０１、追加画像６０２および追加画像６０３では、画像におけるウィンドウレベルおよびウィンドウ幅の違いをハッチングにより区別するものとする。

結果として、２種類の処理対象画像６０１、追加画像６０２および追加画像６０３を入力画像として学習済みモデルに入力し、解析画像６０４を得ることができる。
学習済みモデルの解析結果として、解析画像６０４には、腫瘍と想定される領域を示すマーカと、当該領域が腫瘍である可能性を示す確率とが重畳表示される。

以上に示した第１の実施形態によれば、学習済みモデルの学習時において、モデルの構成にあわせて、入力画像に対して、画像処理に関するデータ処理方法を適用することにより、複数の追加画像を生成する。これにより、入力画像だけではなく、例えば学習済みモデルの用途に応じて画像のバリエーションを増やすことができ、より情報量の多い精度の高い学習をすることができる。
さらに、学習済みモデルの利用時においては、処理対象画像に対して学習時と同様にデータ処理方法を適用することにより、学習済みモデルの入力チャネルにあわせて処理対象画像のバリエーションを増やした追加画像を生成する。これにより、学習済みモデルの処理精度を高めることができる。結果として、モデルの入力チャネルを有効利用することができる。

（第２の実施形態）
第２の実施形態では、医用画像処理装置とＣＴまたはＭＲなどの医用画像診断装置とがネットワークを介して接続された、医用画像処理システムの構成例について図７を参照して説明する。
第２の実施形態に係る医用画像処理システムは、医用画像処理装置１と、１つ以上の医用画像診断装置５０とが、ネットワーク３を介して接続される。
医用画像処理装置１は、医用画像診断装置５０で撮影された医用画像をネットワーク３を介して受信する。学習済みモデルも学習時であれば、受信した医用画像を入力画像として第１の実施形態で示したモデルの学習を実行すればよい。また、学習済みモデルの利用時であれば、受信した医用画像を処理対象画像として、学習済みモデルを用いて解析結果を生成すればよい。なお、解析結果を医用画像診断装置５０に送信し、医用画像を撮影した装置本体で即時に学習済みモデルを利用した解析結果を出力および表示できるようにしてもよい。

以上に示した第２の実施形態によれば、医用画像診断装置で撮影した医用画像を、ネットワークを介して医用画像処理装置に送信する。第１の実施形態と同様に、医用情報処理装置では、医用画像を入力画像とし、さらに入力画像からデータ処理方法に従って追加画像を生成してモデルを学習することで、モデルの入力チャネルを有効利用することができる。また、医用画像処理装置が学習済みモデルによる解析結果を生成し、ネットワークを介して医用画像診断装置に解析結果を送信する。これにより、医用画像診断装置では、メモリおよび計算に関するコストを低減しつつ、高精度な解析結果を取得できる。

すなわち、以上に示した少なくとも１つの実施形態によれば、モデルの入力チャネルを有効利用することができる。

加えて、実施形態に係る各機能は、前記処理を実行するプログラムをワークステーション等のコンピュータにインストールし、これらをメモリ上で展開することによっても実現することができる。このとき、コンピュータに前記手法を実行させることのできるプログラムは、磁気ディスク（ハードディスクなど）、光ディスク（ＣＤ－ＲＯＭ、ＤＶＤなど）、半導体メモリなどの記憶媒体に格納して頒布することも可能である。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１ 医用画像処理装置
３ ネットワーク
１０ 処理回路
１２ メモリ
１４ 入力インタフェース
１６ 通信インタフェース
２０ 学習用データ生成装置
２２ 学習用データ保管装置
２４ モデル学習装置
５０ 医用画像診断装置
１０１ 取得機能
１０３ 判定機能
１０５ 生成機能
１０７ 学習機能
１０９ モデル実行機能
３０１ 多層ネットワーク
３０３ 入力画像
３０５ 追加画像
４００ テーブル
６０１ 処理対象画像
６０２，６０３ 追加画像
６０４ 解析画像
３０１１ 入力層
３０１３ 出力層

Claims (7)

1. 解析結果を生成する複数の学習済みモデルと、入力画像から１以上の追加画像を生成するための複数のデータ処理方法と、を対応付けて格納する第１格納部と、
   処理対象画像と学習済みモデルに関する選択情報とを取得する取得部と、
   前記選択情報に基づき選択された学習済みモデルに対応するデータ処理方法により、前記処理対象画像から１以上の追加画像を生成する生成部と、
   を具備する医用画像処理装置。
2. 前記生成部は、前記処理対象画像と、前記選択された学習済みモデルの入力とを比較し、前記選択された学習済みモデルの入力に整合するデータとなるように、前記データ処理方法により前記１以上の追加画像を生成する、請求項１に記載の医用画像処理装置。
3. 学習済みモデルごとに、対応するデータ処理方法に基づく複数画像の種類を対応付けて格納する第２格納部をさらに具備し、
   前記生成部は、複数の処理対象画像が入力された場合、前記第２格納部に格納された複数画像の種類と、入力された複数の処理対象画像とを比較し、前記複数の処理対象画像の中に、前記選択された学習済みモデルに対応するデータ処理方法により生成されるべき種類の画像が存在しない場合、前記存在しない画像を生成する、請求項１または請求項２に記載の医用画像処理装置。
4. 前記処理対象画像と前記１以上の追加画像とを前記選択された学習済みモデルに入力し、解析結果を得るモデル実行部をさらに具備する、請求項１から請求項３のいずれか１項に記載の医用画像処理装置。
5. 前記学習済みモデルは病変を検出するものであり、
   前記１以上の追加画像のうちの少なくとも１つは、病変検出に関するガイドラインに設定されるパラメータを用いて生成される画像である、請求項１から請求項４のいずれか１項に記載の医用画像処理装置。
6. 格納部が、解析結果を生成する複数の学習済みモデルと、入力画像から１以上の追加画像を生成するための複数のデータ処理方法と、を対応付けて格納し、
   取得部が、処理対象画像と学習済みモデルに関する選択情報とを取得し、
   生成部が、前記選択情報に基づき選択された学習済みモデルに対応するデータ処理方法により、前記処理対象画像から１以上の追加画像を生成する医用画像処理方法。
7. コンピュータに、
   解析結果を生成する複数の学習済みモデルと、入力画像から１以上の追加画像を生成するための複数のデータ処理方法と、を対応付けて格納する格納機能と、
   処理対象画像と学習済みモデルに関する選択情報とを取得する取得機能と、
   前記選択情報に基づき選択された学習済みモデルに対応するデータ処理方法により、前記処理対象画像から１以上の追加画像を生成する生成機能と、
   を実現させるための医用画像処理プログラム。