JP7457011B2 - 異常検出方法、異常検出プログラム、異常検出装置、サーバ装置及び情報処理方法 - Google Patents

Description

本開示は、医用画像の処理技術に関し、さらに詳しくは胸部Ｘ線画像における異常状態の検出技術に関する。

近年、医用画像における病変領域を検出したり、所見や病名を推定する装置、および／または、ソフトウェア等が開発されている。そのような装置、および／または、ソフトウェアを用いた診断は、コンピュータ支援診断（ＣＡＤ）と呼ばれる。ＣＡＤは、医師の読影作業の負担を軽減することができると期待されている。

胸部疾患を診断する方法のなかで、胸部Ｘ線画像を用いた診断方法は最も一般的である。胸部Ｘ線画像を撮影する機器は安価で普及率が高く、胸部撮像のコストも安価だからである。

胸部Ｘ線画像のＣＡＤ技術の例は、病変を示す画像を機械学習させて病変領域を検出する技術（非特許文献１参照）、胸部を連続撮影して得た複数のフレーム画像を用いて異常領域を検出する技術（特許文献１参照）を含む。

特許文献１は、複数のフレーム画像のそれぞれにおける肺領域を複数の小領域に分割し、複数のフレーム画像間において対応する小領域毎に画像解析を行って、小領域毎に換気の状態が異常であるか否か、小領域毎に血流の状態が異常であるか否かを判定する技術を開示する。

Ｘ．Ｗａｎｇ，Ｙ．Ｐｅｎｇ，Ｌ．Ｌｕ，Ｚ．Ｌｕ，Ｍ．Ｂａｇｈｅｒｉ，Ｒ．Ｓｕｍｍｅｒｓ， Ｃｈｅｓｔ Ｘ－Ｒａｙ８： Ｈｏｓｐｉｔａｌ－Ｓｃａｌｅ Ｃｈｅｓｔ Ｘ－Ｒａｙ Ｄａｔａｂａｓｅ ａｎｄ Ｂｅｎｃｈｍａｒｋｓ ｏｎ Ｗｅａｋｌｙ－Ｓｕｐｅｒｖｉｓｅｄ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｎｄ Ｌｏｃａｌｉｚａｔｉｏｎ ｏｆ Ｃｏｍｍｏｎ Ｔｈｏｒａｘ Ｄｉｓｅａｓｅｓ， ＣＶＰＲ２０１７ Ｏ．Ｒｏｎｎｅｂｅｒｇｅｒ， Ｐ．Ｆｉｓｃｈｅｒ， ａｎｄ Ｔ．Ｂｒｏｘ， Ｕ－Ｎｅｔ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｂｉｏｍｅｄｉｃａｌ Ｉｍａｇｅ Ｓｅｇｍｅｎｔａｔｉｏｎ， Ｍｅｄｉｃａｌ Ｉｍａｇｅ Ｃｏｍｐｕｔｉｎｇ ａｎｄ Ｃｏｍｐｕｔｅｒ－Ａｓｓｉｓｔｅｄ Ｉｎｔｅｒｖｅｎｔｉｏｎ（ＭＩＣＣＡＩ）， Ｓｐｒｉｎｇｅｒ， ＬＮＣＳ， Ｖｏｌ．９３５１： ２３４－－２４１， ２０１５ Ｌ．Ｌｏｎｇ， Ｅ．Ｓｈｅｌｈａｍｅｒ， Ｔ．Ｄａｒｒｅｌｌ， Ｆｕｌｌｙ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋｓ ｆｏｒ Ｓｅｍａｎｔｉｃ Ｓｅｇｍｅｎｔａｔｉｏｎ， Ｉｎ ＣＶＰＲ． ２０１５． Ｊｉｎｗｏｎ Ａｎ， Ｓｕｎｇｚｏｏｎ Ｃｈｏ， Ｖａｒｉａｔｉｏｎａｌ Ａｕｔｏｅｎｃｏｎｄｅｒ ｂａｓｅｄ Ａｎｏｍａｌｙ Ｄｅｔｅｃｔｉｏｎ ｕｓｉｎｇ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ Ｐｒｏｂａｂｉｌｉｔｙ， Ｄｅｃｅｍｂｅｒ ２７， ２０１５ ＳＮＵ Ｄａｔａ Ｍｉｎｉｎｇ Ｃｅｎｔｅｒ ２０１５－２ Ｓｐｅｃｉａｌ Ｌｅｃｔｕｒｅ ｏｎ ＩＥ 「医用画像における円形・線状パターン検出のためのフィルタバンク構築」電子情報通信学会論文誌Ｄ－ＩＩ Ｖｏｌ．Ｊ８７－Ｄ－ＩＩ Ｎｏ．１ ｐｐ１７５－１８５

国際公開第２００９／０９０８９４号

しかしながら、上記従来の特許文献１に記載の技術では、肺領域を抽出する際、胸部Ｘ線画像の各画素の信号値から濃度ヒストグラムを作成し、判別分析法などによって閾値を求め、求めた閾値より高信号の領域を肺領域の候補として抽出していた。よって、更なる改善が必要とされていた。

本開示の一態様は、
コンピュータが、胸部Ｘ線画像を取得し、
前記コンピュータが、前記取得した胸部Ｘ線画像において、Ｘ線透過率の範囲が異なる複数の解剖学的構造の画像の境界線を、モデルを用いて検出し、前記モデルは前記検出前に機械学習を用いて構築され、
前記コンピュータが、検出された前記境界線を基に、前記取得した胸部Ｘ線画像において、肺と心臓とが重なる第１肺領域および肺と肝臓とが重なる第２肺領域のうち少なくとも一方を含む第３肺領域を設定し、
前記コンピュータが、前記第３肺領域に含まれる領域に存在する少なくとも１つの肺血管の太さおよび密度の少なくとも一方を表す血管指標を抽出し、
前記コンピュータが、前記血管指標と、前記血管指標を抽出した方法を用いて正常状態の胸部Ｘ線画像の前記第３肺領域に含まれる領域に相当する領域から予め抽出された指標を用いた基準指標と、に基づいて前記第３肺領域に含まれる領域が異常状態であるか否かを判定し、
前記第３肺領域に含まれる領域が異常状態であると判定されると、前記コンピュータが、前記判定を表す情報を出力する異常検出方法である。

尚、この包括的又は具体的な態様は、装置、システム、集積回路、コンピュータプログラム又はコンピュータ読み取り可能な記録媒体で実現されてもよく、装置、システム、方法、集積回路、コンピュータプログラム及びコンピュータ読み取り可能な記録媒体の任意な組み合わせで実現されてもよい。コンピュータ読み取り可能な記録媒体は、例えばＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ－Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等の不揮発性の記録媒体を含む。

上記態様により、更なる改善が実現できる。本開示の一態様における更なる利点および効果は、明細書および図面から明らかにされる。かかる利点および／または効果は、いくつかの実施形態並びに明細書および図面に記載された特徴によってそれぞれ提供されるが、１つまたはそれ以上の同一の特徴を得るために必ずしも全てが提供される必要はない。

第１実施形態における異常表示制御装置のブロック図 第１実施形態における院内ネットワーク構成のブロック図 第１実施形態におけるフローチャート 下行大動脈の陰影を含む胸部Ｘ線画像を示す図 下行大動脈の陰影のマスク画像を示す図 胸部Ｘ線画像にマスク画像を重畳した画像を示す図 右背側肺底の陰影を含む胸部Ｘ線画像を示す図 右背側肺底の陰影のマスク画像を示す図 胸部Ｘ線画像にマスク画像を重畳した画像を示す図 第１胸椎を含む胸部Ｘ線画像を示す図 第１胸椎のマスク画像を示す図 胸部Ｘ線画像にマスク画像を重畳した画像を示す図 Ｕ－Ｎｅｔのアーキテクチャを概略的に示す図 肺と肝臓とが重なる領域を設定する方法およびその領域の一例を示す図 肺と肝臓とが重なる領域を設定する方法およびその領域の一例を示す図 肺と心臓とが重なる領域を設定する方法およびその領域の一例を示す図 肺と心臓とが重なる領域を設定する方法およびその領域の一例を示す図 肺と胃とが重なる領域を設定する方法およびその領域の一例を示す図 肺と胃とが重なる領域を設定する方法およびその領域の一例を示す図 右背側肺底陰影の推定方法を説明する図 胸部Ｘ線画像上で肺が存在する領域を示す図 心臓と重なる肺領域、および、肝臓と重なる肺領域を示す図 肺血管、気管および気管支を示す図 設定した局所領域の一例を示す図 設定した局所領域の一例を示す図 設定した局所領域の一例を示す図 肺血管の太さと密度の変化を説明する図 人体の肺血管、気管、および気管支を示す図 図１６における各領域の外接矩形を示す図 領域の外接矩形を基準とした正規化座標系を示す図 領域の外接矩形を基準とした正規化座標系を示す図 領域の外接矩形を基準とした正規化座標系を示す図 図１９の胸部Ｘ線画像において局所領域の重心位置の例を示す図 異常検知を行う対象の胸部Ｘ線画像を示す図 正常モデルの胸部Ｘ線画像を示す図 基準指標の一例である確率密度関数を概略的に示す図 次元削減による異常検出方法を説明する図 積層オートエンコーダのネットワーク構成を示す図 変分オートエンコーダのネットワーク構成を示す図 第１実施形態におけるディスプレイの表示例を示す図 ディスプレイの別の表示例を示す図 ディスプレイのさらに別の表示例を示す図 ディスプレイのさらに別の表示例を示す図 図１と異なる構成の異常表示制御装置のブロック図 第２実施形態における院内ネットワーク構成のブロック図 胸部Ｘ線画像正面像とＣＴスライス画像とを示す図 胸部Ｘ線画像正面像と胸部Ｘ線画像側面像とを示す図

（本開示に係る一態様を発明するに至った経緯）
まず、本開示に係る一態様を発明するに至った経緯が説明される。特許文献１は、肺領域を抽出する際、胸部Ｘ線画像の各画素の信号値から濃度ヒストグラムを作成し、判別分析法等によって閾値を求め、求めた閾値より高信号の領域を肺領域の候補として抽出し、候補領域の境界付近でエッジ検出を行って、肺領域の境界線を決定することを開示している。しかしながら、胸部Ｘ線画像において、肺と心臓とが重なる領域の画素の信号値は、肺と他の臓器との重なりがない領域の画素の信号値ほど高くないし、肺と肝臓とが重なる領域の画素の信号値は、肺と他の臓器との重なりがない領域の画素の信号値ほど高くない。この点が図３９、および、図４０を用いて説明される。

図３９では、胸部Ｘ線画像正面像Ｉｘｐと、胸部Ｘ線画像Ｉｘｐの位置Ｌ１における断面を表すコンピュータ断層撮影（ＣＴ）のスライス画像Ｉｓｌと、が並べて示されている。スライス画像Ｉｓｌには、右肺ＲＬ，左肺ＬＬ、心臓ＨＴ、下行大動脈ＡＯが示されている。一点鎖線Ｌ２は、胸部Ｘ線画像Ｉｘｐとスライス画像Ｉｓｌとの対応する右肺の右端を結ぶ線である。なお、本明細書では、左右を指定する場合、胸部Ｘ線画像を基準とせず、被写体人物の体を基準とすることとする。一点鎖線Ｌ３は、胸部Ｘ線画像Ｉｘｐとスライス画像Ｉｓｌとの対応する右心房の右端を結ぶ線である。一点鎖線Ｌ４は、胸部Ｘ線画像Ｉｘｐとスライス画像Ｉｓｌとの対応する下行大動脈の左端を結ぶ線である。一点鎖線Ｌ５は、胸部Ｘ線画像Ｉｘｐとスライス画像Ｉｓｌとの対応する左心室の左端を結ぶ線である。一点鎖線Ｌ６は、胸部Ｘ線画像Ｉｘｐとスライス画像Ｉｓｌとの対応する左肺の左端を結ぶ線である。胸部Ｘ線画像Ｉｘｐでは、領域ＲＬ０および領域ＬＬ０は、肺のＸ線吸収値が低いために画素の信号値が低くなっており、それぞれ、右肺が存在する領域、および、左肺が存在する領域として知られている。しかし、スライス画像Ｉｓｌを見ると、心臓ＨＴの腹側および背側にも、それぞれ、右肺ＲＬおよび左肺ＬＬが存在していることが分かる。よって、胸部Ｘ線画像Ｉｘｐにおいて、肺と心臓とが重なる領域に存在する肺の病変を見逃すことを防止するために、当該領域、すなわち、肺と心臓とが重なる領域、に対して画像診断を行うことは重要である。

図４０では、胸部Ｘ線画像正面像Ｉｘｐと、胸部Ｘ線画像側面像Ｉｘｐ２と、が並べて示されている。胸部Ｘ線画像側面像Ｉｘｐ２には、側面像において右肺が存在する領域ＲＬが破線で示され、側面像において左肺が存在する領域ＬＬが実線で示されている。一点鎖線Ｌ７は、胸部Ｘ線画像正面像Ｉｘｐと胸部Ｘ線画像側面像Ｉｘｐ２との対応する右肺および左肺の上端を結ぶ線である。一点鎖線Ｌ８は、胸部Ｘ線画像正面像Ｉｘｐと胸部Ｘ線画像側面像Ｉｘｐ２との対応する右横隔膜ドームの上端を結ぶ線である。一点鎖線Ｌ９は、胸部Ｘ線画像正面像Ｉｘｐと胸部Ｘ線画像側面像Ｉｘｐ２との対応する左横隔膜ドームの上端を結ぶ線である。一点鎖線Ｌ１０は、胸部Ｘ線画像正面像Ｉｘｐと胸部Ｘ線画像側面像Ｉｘｐ２との対応する右肺（背側）の下端を結ぶ線である。実線Ｌ１１は、胸部Ｘ線画像正面像Ｉｘｐと胸部Ｘ線画像側面像Ｉｘｐ２との対応する左肺（背側）の下端を結ぶ線である。上述のように、胸部Ｘ線画像正面像Ｉｘｐでは、領域ＲＬ０および領域ＬＬ０は、肺のＸ線吸収値が低いために画素の信号値が低くなっており、それぞれ、右肺が存在する領域、および、左肺が存在する領域として知られている。しかし、胸部Ｘ線画像側面像Ｉｘｐ２を見ると、一点鎖線Ｌ８よりも下に右肺が存在し、一点鎖線Ｌ９よりも下に左肺が存在していることが分かる。なお、図４０には示されていないが、右肺の下には横隔膜を隔てて肝臓が存在し、左肺の下には横隔膜を隔てて胃などが存在している。よって、胸部Ｘ線画像正面像Ｉｘｐにおいて、肺と他の臓器とが重なる領域に存在する肺の病変を見逃すことを防止するために、当該領域、すなわち、肺と他の臓器とが重なる領域に対して画像診断を行うことは重要である。他の臓器は、肝臓または胃であってもよい。

このため、特許文献１が開示する肺領域の境界線を決定する方法では、胸部Ｘ線画像において、肺と心臓とが重なる領域における異常の検出、および、肺と肝臓とが重なる領域における異常の検出は困難である。そこで、本発明者は、胸部Ｘ線画像に描出される様々な線構造（境界線の一例に相当）に着目し、肺と心臓とが重なる領域、および／または、肺と肝臓とが重なる領域において、異常の有無を判定可能な、以下の発明の各態様を想到するに至った。

本開示の第１態様は、
コンピュータが、胸部Ｘ線画像を取得し、
前記コンピュータが、前記取得した胸部Ｘ線画像において、Ｘ線透過率の範囲が異なる複数の解剖学的構造の画像の境界線を、モデルを用いて検出し、前記モデルは前記検出前に機械学習を用いて構築され、
前記コンピュータが、検出された前記境界線を基に、前記取得した胸部Ｘ線画像において、肺と心臓とが重なる第１肺領域および肺と肝臓とが重なる第２肺領域のうち少なくとも一方を含む第３肺領域を設定し、
前記コンピュータが、前記第３肺領域に含まれる領域に存在する少なくとも１つの肺血管の太さおよび密度の少なくとも一方を表す血管指標を抽出し、
前記コンピュータが、前記血管指標と、前記血管指標を抽出した方法を用いて正常状態の胸部Ｘ線画像の前記第３肺領域に含まれる領域に相当する領域から予め抽出された指標を用いた基準指標と、に基づいて前記第３肺領域に含まれる領域が異常状態であるか否かを判定し、
前記第３肺領域に含まれる領域が異常状態であると判定されると、前記コンピュータが、前記判定を表す情報を出力する、異常検出方法である。

この第１態様では、胸部Ｘ線画像に描出される様々な境界線に着目して、境界線が検出されている。このため、境界線に基づき、肺と心臓とが重なる第１肺領域、および／または、肺と肝臓とが重なる第２肺領域を含む第３肺領域を設定することが可能である。したがって、第１態様によれば、第３肺領域に含まれる領域において異常の有無を判定することができる。第３肺領域に含まれる領域に異常があると判定されると、判定を表す情報が出力される。このため、有益な情報をユーザに提供することができる。その結果、第１態様の異常検出方法は、読影医に有益な情報を提供するだけでなく、臨床医又は放射線技師の診断又は自己学習、及び、医学生の教育又は自己学習に利用することが可能である。第１態様の異常検出方法によれば、従来の胸部Ｘ線画像の診断支援技術における異常検知技術では、異常検知対象領域に含められていない場合が多かった、第１肺領域（胸部Ｘ線画像において肺と心臓とが重なる領域）、および／または、第２肺領域（胸部Ｘ線画像において肺と肝臓とが重なる領域）に対して、血管指標に基づいて、異常検知を行うことができる。

上記第１態様において、例えば、
前記検出では、左室陰影、下行大動脈陰影、左横隔膜ドーム陰影、椎体の左境界線、椎体の右境界線、右房陰影、右横隔膜ドーム陰影のうち少なくとも２つの境界線が検出され、
前記設定では、前記第１肺領域を含む前記第３肺領域が設定され、前記第１肺領域は、前記検出で検出された境界線のうち少なくとも２つで挟まれる領域により設定されてもよい。

この態様によれば、検出された境界線に基づいて、より精度良く、胸部Ｘ線画像において肺と心臓とが重なる領域である第１肺領域を設定することができる。

上記第１態様において、例えば、
前記検出では、前記左室陰影、前記下行大動脈陰影、前記左横隔膜ドーム陰影、前記椎体の左境界線、前記椎体の右境界線、前記右房陰影、前記右横隔膜ドーム陰影のうち少なくとも前記左室陰影、前記下行大動脈陰影、前記左横隔膜ドーム陰影、前記椎体の右境界線、前記右房陰影の境界線が検出され、
前記設定では、前記第１肺領域は、前記検出で検出された境界線のうち前記左室陰影、前記下行大動脈陰影、前記左横隔膜ドーム陰影で挟まれる領域と、前記椎体の右境界線、前記右房陰影で挟まれる領域とにより設定されてもよい。

この態様によれば、検出された境界線に基づいて、より精度良く、胸部Ｘ線画像において肺と心臓とが重なる領域である第１肺領域を設定することができる。

上記第１態様において、例えば、
前記検出では、前記左室陰影、前記下行大動脈陰影、前記左横隔膜ドーム陰影、前記椎体の左境界線、前記椎体の右境界線、前記右房陰影、前記右横隔膜ドーム陰影のうち少なくとも前記椎体の左境界線、前記左室陰影、前記左横隔膜ドーム陰影、前記椎体の右境界線、前記右房陰影の境界線が検出され、
前記設定では、前記第１肺領域は、前記検出で検出された境界線のうち前記椎体の左境界線、前記左室陰影、前記左横隔膜ドーム陰影で挟まれる領域と、前記椎体の右境界線、前記右房陰影で挟まれる領域とにより設定されてもよい。

この態様によれば、検出された境界線に基づいて、より精度良く、胸部Ｘ線画像において肺と心臓とが重なる領域である第１肺領域を設定することができる。

上記第１態様において、例えば、
前記設定では、前記第１肺領域は、前記検出で検出された境界線と、隣り合う前記境界線を接続する補間線と、によって囲まれた、閉じた領域として設定されてもよい。

この態様によれば、検出された複数の境界線で閉じた領域が形成されなくても、より確実に、胸部Ｘ線画像において肺と心臓とが重なる領域である第１肺領域を設定することができる。

上記第１態様において、例えば、
前記検出では、右横隔膜ドーム陰影、右背側肺底陰影、椎体の右境界線のうち少なくとも２つの境界線が検出され、
前記設定では、前記第２肺領域を含む前記第３肺領域が設定され、前記第２肺領域は、前記検出で検出された境界線のうち少なくとも２つで挟まれる領域により設定されてもよい。

この態様によれば、検出された境界線に基づいて、より精度良く、胸部Ｘ線画像において肺と肝臓とが重なる領域である第２肺領域を設定することができる。

上記第１態様において、例えば、
前記検出では、前記右横隔膜ドーム陰影、前記右背側肺底陰影、前記椎体の右境界線のうち少なくとも前記右横隔膜ドーム陰影、前記右背側肺底陰影の境界線が検出され、
前記設定では、前記第２肺領域は、前記検出で検出された境界線のうち前記右横隔膜ドーム陰影、前記右背側肺底陰影で挟まれる領域により設定されてもよい。

この態様によれば、検出された境界線に基づいて、より精度良く、胸部Ｘ線画像において肺と肝臓とが重なる領域である第２肺領域を設定することができる。

上記第１態様において、例えば、
前記検出では、前記右横隔膜ドーム陰影、前記右背側肺底陰影、前記椎体の右境界線の境界線が検出され、
前記設定では、前記第２肺領域は、前記検出で検出された前記右横隔膜ドーム陰影、前記右背側肺底陰影、前記椎体の右境界線で挟まれる領域により設定されてもよい。

この態様によれば、検出された境界線に基づいて、より精度良く、胸部Ｘ線画像において肺と肝臓とが重なる領域である第２肺領域を設定することができる。

上記第１態様において、例えば、
前記設定では、前記第２肺領域は、前記検出で検出された境界線と、隣り合う前記境界線を接続する補間線と、によって囲まれた、閉じた領域として設定されてもよい。

この態様によれば、検出された複数の境界線で閉じた領域が形成されなくても、より確実に、胸部Ｘ線画像において肺と肝臓とが重なる領域である第２肺領域を設定することができる。

上記第１態様において、例えば、
前記検出で前記右背側肺底陰影が検出された場合には、前記コンピュータが、前記右背側肺底陰影の検出結果の確からしさを表す信頼度を算出し、
前記信頼度が所定の第１閾値以下であれば、前記コンピュータが、前記検出で検出された前記右背側肺底陰影以外の境界線の位置に基づいて、前記右背側肺底陰影を推定し、
前記第２肺領域の設定では、前記信頼度が前記第１閾値よりも高ければ、前記検出で検出された前記右背側肺底陰影が利用され、前記信頼度が前記第１閾値以下であれば、前記推定で推定された前記右背側肺底陰影が利用されてもよい。

この態様によれば、右背側肺底陰影の検出結果の確からしさを表す信頼度が第１閾値以下と低くても、推定された右背側肺底陰影を利用して、第２肺領域を設定することができる。

上記第１態様において、例えば、
前記第２肺領域の設定において、前記推定で推定された前記右背側肺底陰影が利用されている場合は、前記出力では、右肺底を含む領域への注意を促す情報が出力されてもよい。

この態様によれば、ユーザに対して、右肺底を含む領域に注意を向けさせることができる。

上記第１態様において、例えば、
前記第３肺領域は、さらに、前記第１肺領域の下側に位置する第４肺領域を含み、
前記検出では、さらに、前記境界線として左背側肺底陰影が検出されてもよい。

この態様によれば、従来の胸部Ｘ線画像の診断支援技術における異常検知技術では、異常検知対象領域に含められていない場合が多かった、第１肺領域（胸部Ｘ線画像において肺と心臓とが重なる領域）の下側に位置する第４肺領域に対して、血管指標に基づいて、異常検知を行うことができる。

上記第１態様において、例えば、
前記検出では、左横隔膜ドーム陰影、前記左背側肺底陰影、椎体の左境界線のうち前記左背側肺底陰影を含む少なくとも２つの境界線が検出され、
前記設定では、前記第４肺領域を含む前記第３肺領域が設定され、前記第４肺領域は、前記検出で検出された境界線のうち少なくとも２つで挟まれる領域により設定されてもよい。

この態様によれば、検出された境界線に基づいて、より精度良く、胸部Ｘ線画像において第１肺領域の下側に位置する第４肺領域を設定することができる。

上記第１態様において、例えば、
前記検出では、左横隔膜ドーム陰影、前記左背側肺底陰影、椎体の左境界線のうち少なくとも前記左横隔膜ドーム陰影、前記左背側肺底陰影の境界線が検出され、
前記設定では、前記第４肺領域は、前記検出で検出された境界線のうち前記左横隔膜ドーム陰影、前記左背側肺底陰影で挟まれる領域により設定されてもよい。

この態様によれば、検出された境界線に基づいて、より精度良く、胸部Ｘ線画像において第１肺領域の下側に位置する第４肺領域を設定することができる。

上記第１態様において、例えば、
前記検出では、左横隔膜ドーム陰影、前記左背側肺底陰影、椎体の左境界線の境界線が検出され、
前記設定では、前記第４肺領域は、前記検出で検出された前記左横隔膜ドーム陰影、前記左背側肺底陰影、前記椎体の左境界線で挟まれる領域により設定されてもよい。

この態様によれば、検出された境界線に基づいて、より精度良く、胸部Ｘ線画像において第１肺領域の下側に位置する第４肺領域を設定することができる。

上記第１態様において、例えば、
前記設定では、前記第４肺領域は、前記検出で検出された境界線と、隣り合う前記境界線を接続する補間線と、によって囲まれた、閉じた領域として設定されてもよい。

この態様によれば、検出された複数の境界線で閉じた領域が形成されなくても、より確実に、胸部Ｘ線画像において第１肺領域の下側に位置する第４肺領域を設定することができる。

上記第１態様において、例えば、
前記コンピュータが、前記検出における前記左背側肺底陰影の検出結果の確からしさを表す信頼度を算出し、
前記信頼度が所定の第２閾値以下であれば、前記コンピュータが、前記検出で検出された前記左背側肺底陰影以外の境界線の位置に基づいて、前記左背側肺底陰影を推定し、
前記第４肺領域の設定では、前記信頼度が前記第２閾値よりも高ければ、前記検出で検出された前記左背側肺底陰影が利用され、前記信頼度が前記第２閾値以下であれば、前記推定で推定された前記左背側肺底陰影が利用されてもよい。

この態様によれば、左背側肺底陰影の検出結果の確からしさを表す信頼度が第２閾値以下と低くても、推定された左背側肺底陰影を利用して、第４肺領域を設定することができる。

上記第１態様において、例えば、
前記第４肺領域の設定において、前記推定で推定された前記左背側肺底陰影が利用されている場合は、前記出力では、さらに、左肺底を含む領域への注意を促す情報が出力されてもよい。

この態様によれば、ユーザに対して、左肺底を含む領域に注意を向けさせることができる。

上記第１態様において、例えば、
前記出力では、前記判定を表す情報として、異常状態であると判定された、前記第３肺領域に含まれる領域の画像と、前記第３肺領域に含まれる領域の異常状態の内容と、が出力されて、ディスプレイに表示されてもよい。

この態様によれば、有益な情報をユーザに提示することができる。

上記第１態様において、例えば、
前記コンピュータが、さらに、前記設定で設定された前記第３肺領域内において複数の局所領域１～ｎを分割設定し、前記複数の局所領域１～ｎは前記第３肺領域に含まれる領域を含み、前記ｎは２以上の自然数であり、
前記抽出では、前記血管指標として、局所領域ｉに存在する少なくとも１つの肺血管の太さおよび密度の少なくとも一方を表す血管指標ｉが抽出され、前記ｉは１からｎまでの自然数であり、
前記判定では、前記血管指標ｉと、前記血管指標ｉを抽出した方法を用いて正常状態の胸部Ｘ線画像の前記局所領域ｉに相当する領域から予め抽出された指標を用いた基準指標ｉと、に基づいて、前記局所領域ｉが異常状態であるか否かが判定され、
前記出力では、異常状態であると判定された局所領域ｊの画像と、前記局所領域ｊの異常状態の内容と、が前記ディスプレイに表示され、前記ｊは１以上でｎ以下の自然数であってもよい。

この態様によれば、第３肺領域内において複数の局所領域が分割設定され、複数の局所領域毎に異常状態であるか否かが判定されているため、異常と判定される領域の分解能を向上することができる。

上記第１態様において、例えば、
前記コンピュータが、さらに、前記複数の局所領域１～ｎのうち、前記取得した胸部Ｘ線画像における肺門部からの２次元距離に応じて、それぞれ異なる局所領域を含む複数のグループ１～ｍを生成し、前記ｍは２以上の自然数であり、
前記抽出では、前記血管指標として、グループｋに存在する少なくとも１つの肺血管の太さおよび密度の少なくとも一方を表す血管指標ｋが抽出され、前記ｋは１からｍまでの自然数であり、
前記判定では、前記血管指標ｋと、前記血管指標ｋを抽出した方法を用いて正常状態の胸部Ｘ線画像の前記グループｋに相当する領域から予め抽出された指標を用いた基準指標ｋと、に基づいて、前記グループｋが異常状態であるか否かが判定され、
前記出力では、異常状態であると判定されたグループｈの画像と、前記グループｈの異常状態の内容と、が前記ディスプレイに表示され、前記ｈは１以上でｍ以下の自然数であってもよい。

この態様によれば、肺血管の太さおよび密度が類似した局所領域がグループ化されるので、グループ毎に、より精度良く血管指標を求めることができる。また、予め求められる基準指標については、基準指標を求めるための例えば学習用の画像数が少ない場合でも、基準指標を求めるための画像数を局所領域の画像数より増やすことができ、基準指標が求めやすくなる。

上記第１態様において、例えば、
前記モデルは、画素単位で予測を行うニューラルネットワークを使用して、正常状態の胸部Ｘ線画像である学習用胸部Ｘ線画像を入力データとし、前記学習用胸部Ｘ線画像における境界線を示す画像を教師データとして、前記学習用胸部Ｘ線画像から前記境界線が検出されるように機械学習されたモデルであってもよい。

この態様では、画素単位で予測を行うニューラルネットワークを使用して、正常状態の胸部Ｘ線画像である学習用胸部Ｘ線画像を入力データとし、学習用胸部Ｘ線画像における境界線を示す画像を教師データとして、学習用胸部Ｘ線画像から境界線が検出されるように機械学習されたモデルを用いて、境界線が検出される。したがって、画素単位で予測が行われるため、境界線を高精度で検出することができる。

上記第１態様において、例えば、
前記基準指標は、前記血管指標を抽出した方法を用いて正常状態の胸部Ｘ線画像の前記第３肺領域に含まれる領域に相当する領域から予め抽出された指標の確率密度関数、または前記血管指標を抽出した方法を用いて正常状態の胸部Ｘ線画像の前記第３肺領域に含まれる領域に相当する領域から予め抽出された指標について予め設定された閾値であってもよい。

この態様によれば、確率密度関数または閾値を用いて、より精度良く、異常検知を行うことができる。

本開示の第２態様は、
コンピュータを、
胸部Ｘ線画像を取得する取得部、
前記取得した胸部Ｘ線画像において、Ｘ線透過率の範囲が異なる複数の解剖学的構造の画像の境界線を、モデルを用いて検出する検出部、前記モデルは前記検出前に機械学習を用いて構築され、
検出された前記境界線を基に、前記取得した胸部Ｘ線画像において、肺と心臓とが重なる第１肺領域および肺と肝臓とが重なる第２肺領域のうち少なくとも一方を含む第３肺領域を設定する設定部、
前記第３肺領域に含まれる領域に存在する少なくとも１つの肺血管の太さおよび密度の少なくとも一方を表す血管指標を抽出し、抽出した前記血管指標と、前記血管指標を抽出した方法を用いて正常状態の胸部Ｘ線画像の前記第３肺領域に含まれる領域に相当する領域から予め抽出された指標を用いた基準指標と、に基づいて前記第３肺領域に含まれる領域が異常状態であるか否かを判定する判定部、
前記第３肺領域に含まれる領域が異常状態であると判定されると、前記判定部の判定結果を表す情報を出力する出力制御部、
として機能させる異常検出プログラムである。

この第２態様では、胸部Ｘ線画像に描出される様々な境界線に着目して、境界線が検出されている。このため、線構造に基づき、肺と心臓とが重なる第１肺領域、および／または、肺と肝臓とが重なる第２肺領域を含む第３肺領域を設定することが可能である。したがって、第２態様によれば、第３肺領域に含まれる領域において異常の有無を判定することができる。第３肺領域に含まれる領域に異常があると判定されると、判定結果を表す情報が出力される。このため、有益な情報をユーザに提供することができる。その結果、第２態様の異常検出プログラムは、読影医に有益な情報を提供するだけでなく、臨床医又は放射線技師の診断又は自己学習、及び、医学生の教育又は自己学習に利用することが可能である。第２態様の異常検出プログラムによれば、従来の胸部Ｘ線画像の診断支援技術における異常検知技術では、異常検知対象領域に含められていない場合が多かった、第１肺領域（胸部Ｘ線画像において肺と心臓とが重なる領域）、および／または、第２肺領域（胸部Ｘ線画像において肺と肝臓とが重なる領域）に対して、血管指標に基づいて、異常検知を行うことができる。

本開示の第３態様は、
胸部Ｘ線画像を取得する取得部と、
前記取得した胸部Ｘ線画像において、Ｘ線透過率の範囲が異なる複数の解剖学的構造の画像の境界線を、モデルを用いて検出する検出部と、前記モデルは前記検出前に機械学習を用いて構築され、
検出された前記境界線を基に、前記取得した胸部Ｘ線画像において、肺と心臓とが重なる第１肺領域および肺と肝臓とが重なる第２肺領域のうち少なくとも一方を含む第３肺領域を設定する設定部と、
前記第３肺領域に含まれる領域に存在する少なくとも１つの肺血管の太さおよび密度の少なくとも一方を表す血管指標を抽出し、抽出した前記血管指標と、前記血管指標を抽出した方法を用いて正常状態の胸部Ｘ線画像の前記第３肺領域に含まれる領域に相当する領域から予め抽出された指標を用いた基準指標と、に基づいて前記第３肺領域に含まれる領域が異常状態であるか否かを判定する判定部と、
前記第３肺領域に含まれる領域が異常状態であると判定されると、前記判定部の判定結果を表す情報を出力する出力制御部と、
を備える異常検出装置である。

この第３態様では、胸部Ｘ線画像に描出される様々な境界線に着目して、境界線が検出されている。このため、線構造に基づき、肺と心臓とが重なる第１肺領域、および／または、肺と肝臓とが重なる第２肺領域を含む第３肺領域を設定することが可能である。したがって、第３態様によれば、第３肺領域に含まれる領域において異常の有無を判定することができる。第３肺領域に含まれる領域に異常があると判定されると、判定結果を表す情報が出力される。このため、有益な情報をユーザに提供することができる。その結果、第３態様の異常検出装置は、読影医に有益な情報を提供するだけでなく、臨床医又は放射線技師の診断又は自己学習、及び、医学生の教育又は自己学習に利用することが可能である。第３態様の異常検出装置によれば、従来の胸部Ｘ線画像の診断支援技術における異常検知技術では、異常検知対象領域に含められていない場合が多かった、第１肺領域（胸部Ｘ線画像において肺と心臓とが重なる領域）、および／または、第２肺領域（胸部Ｘ線画像において肺と肝臓とが重なる領域）に対して、血管指標に基づいて、異常検知を行うことができる。

本開示の第４態様は、
胸部Ｘ線画像を取得する取得部と、
前記取得した胸部Ｘ線画像において、Ｘ線透過率の範囲が異なる複数の解剖学的構造の画像の境界線を、モデルを用いて検出する検出部と、前記モデルは前記検出前に機械学習を用いて構築され、
検出された前記境界線を基に、前記取得した胸部Ｘ線画像において、肺と心臓とが重なる第１肺領域および肺と肝臓とが重なる第２肺領域のうち少なくとも一方を含む第３肺領域を設定する設定部と、
前記第３肺領域に含まれる領域に存在する少なくとも１つの肺血管の太さおよび密度の少なくとも一方を表す血管指標を抽出し、抽出した前記血管指標と、前記血管指標を抽出した方法を用いて正常状態の胸部Ｘ線画像の前記第３肺領域に含まれる領域に相当する領域から予め抽出された指標を用いた基準指標と、に基づいて前記第３肺領域に含まれる領域が異常状態であるか否かを判定する判定部と、
前記第３肺領域に含まれる領域が異常状態であると判定されると、前記判定部の判定結果を表す情報を出力する出力制御部と、
を備えるサーバ装置である。

この第４態様では、肺と心臓とが重なる第１肺領域、および／または、肺と肝臓とが重なる第２肺領域を含む第３肺領域が設定され、基準指標と血管指標とに基づいて第３肺領域に含まれる領域が異常状態であるか否かが判定される。したがって、第４態様によれば、第３肺領域に含まれる領域において異常の有無を判定することができる。第３肺領域に含まれる領域に異常があると判定されると、判定部の判定結果を表す情報が、外部の端末装置に送信される。このため、有益な情報を端末装置のユーザに提供することができる。その結果、第４態様のサーバ装置は、読影医に有益な情報を提供するだけでなく、臨床医又は放射線技師の診断又は自己学習、及び、医学生の教育又は自己学習に利用することが可能である。第４態様のサーバ装置によれば、従来の胸部Ｘ線画像の診断支援技術における異常検知技術では、異常検知対象領域に含められていない場合が多かった、第１肺領域（胸部Ｘ線画像において肺と心臓とが重なる領域）、および／または、第２肺領域（胸部Ｘ線画像において肺と肝臓とが重なる領域）に対して、血管指標に基づいて、異常検知を行うことができる。

本開示の第５態様は、
コンピュータが、胸部Ｘ線画像を取得し、
前記コンピュータが、前記取得した胸部Ｘ線画像において、肺と心臓とが重なる第１肺領域および／または前記肺と肝臓とが重なる第２肺領域を含む第３肺領域に含まれる領域が異常状態を示しているか否かを判定し、
前記第３肺領域に含まれる領域が異常状態を示していると判定されると、前記コンピュータが、前記第３肺領域に含まれる領域が異常であることを表す情報を出力する異常検出方法である。

この第５態様では、取得した胸部Ｘ線画像において、肺と心臓とが重なる第１肺領域、および／または、肺と肝臓とが重なる第２肺領域を含む第３肺領域に含まれる領域において異常の有無を判定することができる。第３肺領域に含まれる領域に異常があると判定されると、第３肺領域に含まれる領域が異常であることを表す情報が出力される。このため、有益な情報をユーザに提供することができる。その結果、第５態様の異常検出方法は、読影医に有益な情報を提供するだけでなく、臨床医又は放射線技師の診断又は自己学習、及び、医学生の教育又は自己学習に利用することが可能である。第５態様の異常検出方法によれば、従来の胸部Ｘ線画像の診断支援技術における異常検知技術では、異常検知対象領域に含められていない場合が多かった、第１肺領域（胸部Ｘ線画像において肺と心臓とが重なる領域）、および／または、第２肺領域（胸部Ｘ線画像において肺と肝臓とが重なる領域）に対して、異常検知を行うことができる。

上記第５態様において、例えば、
前記コンピュータが、さらに、前記取得した胸部Ｘ線画像において、肺の画像と心臓の画像との第１境界線および／または前記肺の画像と肝臓の画像との第２境界線を検出し、
前記コンピュータが、さらに、前記第１境界線および／または前記第２境界線を基に、前記取得した胸部Ｘ線画像において、前記第３肺領域を設定し、
前記コンピュータが、さらに、前記第３肺領域に含まれる領域における、血管の密度を示す血管指標を抽出し、
前記判定では、前記血管指標と、正常状態の胸部Ｘ線画像の前記第３肺領域に含まれる領域に相当する領域における血管の密度を示す基準指標と、に基づいて前記第３肺領域に含まれる領域が異常状態を示しているか否かが判定されてもよい。

この態様によれば、正常状態の胸部Ｘ線画像の第３肺領域に含まれる領域に相当する領域における血管の密度を示す基準指標を用いているので、より精度良く、異常検知を行うことができる。

本開示の第６態様は、
コンピュータが、胸部Ｘ線画像を取得し、
前記コンピュータが、前記取得した胸部Ｘ線画像において、Ｘ線透過率の範囲が異なる複数の解剖学的構造の画像の境界線を、モデルを用いて検出し、前記モデルは前記検出前に機械学習を用いて構築され、
前記コンピュータが、検出された前記境界線を基に、前記取得した胸部Ｘ線画像において、肺と心臓とが重なる第１肺領域および肺と肝臓とが重なる第２肺領域のうち少なくとも一方を含む第３肺領域を設定し、
前記コンピュータが、前記第３肺領域に含まれる領域に存在する少なくとも１つの肺血管の太さおよび密度の少なくとも一方を表す血管指標を抽出し、
前記コンピュータが、前記抽出した血管指標を出力する、情報処理方法である。

この第６態様では、胸部Ｘ線画像に描出される様々な境界線に着目して、境界線が検出されている。このため、境界線に基づき、肺と心臓とが重なる第１肺領域、および／または、肺と肝臓とが重なる第２肺領域を含む第３肺領域を設定することが可能である。したがって、第６態様によれば、第３肺領域に含まれる領域に存在する少なくとも１つの肺血管の太さおよび密度の少なくとも一方を表す血管指標を抽出することができる。抽出された血管指標は、出力される。このため、第３肺領域に含まれる領域における血管指標をユーザに提供することができる。その結果、ユーザは、第３肺領域に含まれる領域における血管指標を利用することができる。例えば、ユーザは、第３肺領域に含まれる領域における血管指標を用いて、胸部Ｘ線画像における第３肺領域に含まれる領域における肺血管の状態を客観的な数値により把握することができる。よって、ユーザは、より精度よく、肺血管の状態が異常か否かを診断することが可能になる。

（実施の形態）
以下、本開示の実施の形態が、図面を参照しながら説明される。なお、各図面において、同じ構成要素には同じ符号が用いられ、適宜、説明は省略される。

（第１実施形態）
図１は、第１実施形態における、胸部Ｘ線画像の異常表示制御方法を実行する異常表示制御装置１００の構成を概略的に示すブロック図である。図２は、医療機関内のネットワーク構成４１０を概略的に示すブロック図である。

図２に示されるように、医療機関内のネットワーク構成４１０は、イントラネットワーク４００を含む。異常表示制御装置１００と、医用画像管理システム２００と、胸部Ｘ線画像撮影装置３００と、がイントラネットワーク４００に接続されている。医用画像管理システム２００は、胸部Ｘ線画像、コンピュータ断層撮影（ＣＴ）画像、核磁気共鳴画像法（ＭＲＩ）によって生成された画像等を保存し、管理する。胸部Ｘ線画像撮影装置３００は、患者又は健康診断受診者の胸部Ｘ線画像を撮影する。胸部Ｘ線画像撮影装置３００により撮影された胸部Ｘ線画像は、医用画像管理システム２００に送信されて保存される。

なお、異常表示制御装置１００と、医用画像管理システム２００と、胸部Ｘ線画像撮影装置３００とは、必ずしも、同一の医療機関内のイントラネットワーク４００上に接続されている必要はない。異常表示制御装置１００、及び、医用画像管理システム２００は、医療機関の外部に設けられたデータセンター、プライベートクラウドサーバ、パブリッククラウドサーバなどの上で動作するソフトウェアであってもよい。胸部Ｘ線画像撮影装置３００は、病院内に設置されていても良いし、または、健康診断等で使用される巡回車の中に設置されても良い。医用画像管理システム２００は、例えば画像保存通信システム（ＰＡＣＳ）である。

図１に示されるように、異常表示制御装置１００（異常検出装置の一例に相当）は、正常モデル格納部１０５、画像メモリ１０６、通信部１０７、ディスプレイ１０８、中央演算処理装置（ＣＰＵ）１２０、メモリ１２１を備えている。異常表示制御装置１００は、例えばパーソナルコンピュータで構成される。

通信部１０７は、イントラネットワーク４００を介して、医用画像管理システム２００等と通信を行う。正常モデル格納部１０５は、例えばハードディスク又は半導体メモリ等により構成される。正常モデル格納部１０５は、予め定義された複数の局所領域（後述）のそれぞれが正常状態を示す場合の、指標の確率密度関数（図３０を参照して後述）を特定する情報、および、指標を計算するための式を格納する。確率密度関数を特定する情報については後述する。指標を計算するための式とは、（ｉ）局所領域から線構造（後述）を抽出するアルゴリズムおよび抽出した線構造から得られる指標の計算式、または、（ｉｉ）局所領域の画像を次元圧縮するアルゴリズム（後述される主成分分析、または積層オートエンコーダ、または変分オートエンコーダ等）および前記アルゴリズムから局所領域の画像の再構成誤差を計算する式、を指す。指標は、本実施形態では、後述のように、血管の太さ、および／または、血管の密度であり、「血管指標」とも称される。

画像メモリ１０６は、例えばハードディスク又は半導体メモリ等により構成される。画像メモリ１０６は、取得された対象胸部Ｘ線画像を格納する。ディスプレイ１０８は、例えば、液晶モニタにより構成され、ユーザである医師又は放射線技師が、読影対象の胸部Ｘ線画像である対象胸部Ｘ線画像を表示する。また、ディスプレイ１０８は、対象胸部Ｘ線画像が撮影された患者のカルテ情報、画像診断の結果を記入するレポート入力画面などを表示する。

メモリ１２１は、例えば半導体メモリ等により構成される。メモリ１２１は、例えばリードオンリーメモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、電気的に消去書き換え可能なＲＯＭ（ＥＥＰＲＯＭ）などを含む。メモリ１２１のＲＯＭは、ＣＰＵ１２０を動作させる第１実施形態の制御プログラムを記憶する。

ＣＰＵ１２０は、メモリ１２１に記憶されている第１実施形態の制御プログラムを実行することによって、検出部１０１、肺領域設定部１０２、局所領域設定部１０３、異常判定部１０４、表示制御部１２２、通信制御部１２３として機能する。検出部１０１は、画像メモリ１０６に保存されている対象胸部Ｘ線画像を読み出し、読み出した対象胸部Ｘ線画像に含まれる複数の線構造を検出する。肺領域設定部１０２は、検出部１０１により検出された複数の線構造のうち、少なくとも２つの線構造で囲まれた領域を肺領域として設定する。肺領域は、胸部Ｘ線画像において、肺の一部の領域でもよく、肺の全ての領域でもよい。局所領域設定部１０３は、設定された肺領域を分割して、肺領域の内部に複数の局所領域を設定する。異常判定部１０４は、局所領域設定部１０３で設定されたそれぞれの局所領域について指標を算出し、正常モデル格納部１０５に格納された、対応する局所領域が正常状態である場合の指標の確率密度関数と、算出した指標と、を比較することにより、異常状態であるか否かを局所領域ごとに判定する。表示制御部１２２、通信制御部１２３の機能は、それぞれ、後述される。

図３は、第１実施形態に係る異常表示制御装置１００により実行される処理手順を概略的に示すフローチャートである。ステップＳ５０において、通信制御部１２３（取得部の一例に相当）は、通信部１０７を介して、読影対象の胸部Ｘ線画像である対象胸部Ｘ線画像を医用画像管理システム２００から取得し、取得した対象胸部Ｘ線画像を画像メモリ１０６に保存する。ステップＳ１００において、検出部１０１は、対象胸部Ｘ線画像を画像メモリ１０６から読み出して、その対象胸部Ｘ線画像から、予め定義された２個以上の線構造を検出する。

ここで、人体の解剖学的構造（例えば心臓等の内臓）が胸部Ｘ線画像に描出される領域または境界線、または、人体の解剖学的構造の一部が胸部Ｘ線画像に描出される領域または境界線、または、Ｘ線透過率が互いに異なる人体の複数の解剖学的構造間の境界が胸部Ｘ線画像に描出される境界線、が「構造物」と定義される。特に、構造物の中でも、前記境界線、線状に描出される人体の解剖学的構造、および線状に描出される人体の解剖学的構造の一部、が「線構造」と定義される。線構造ではない構造物、すなわち、線状とは見做せない構造物が「領域構造」と定義される。線構造であっても、画像上では幅として１画素よりも大きいものがあるため「線構造」と「領域構造」との差は不明確になる恐れがある。そこで、例えば、以下のようにして「線構造」と「領域構造」とを区別することができる。
（ｉ）抽出した構造物の画像（例えば図４Ｂ、図５Ｂ）を適切な閾値で二値化する。
（ｉｉ）二値化後の構造物の画像に対して幅１画素になるまで細線化処理を行う。
（ｉｉｉ）細線化処理前の画像における構造物の面積に対する、細線化処理後の画像における構造物の面積の比を計算し、比が予め定めた閾値以上であれば、その構造物は「線構造」と判定し、そうでなければ「領域構造」と判定する。この閾値は、構造物が線状であると見做せるような適切な値に設定されればよい。線構造の例が図４Ａ～４Ｃと図５Ａ～５Ｃとに示され、領域構造の例が図６Ａ～６Ｃに示される。

図４Ａは、下行大動脈の陰影（即ち、下行大動脈のＸ線透過率と肺実質のＸ線透過率との違いにより描出される境界線）を含む胸部Ｘ線画像Ｉｘを示す図である。図４Ｂは、下行大動脈の陰影のマスク画像Ｐｘを示す図である。図４Ｃは、図４Ａの胸部Ｘ線画像Ｉｘに図４Ｂのマスク画像Ｐｘを重畳して表示した画像を示す図である。図５Ａは、右背側肺底の陰影（即ち、肺実質の背側底部のＸ線透過率と腹側臓器のＸ線透過率との違いにより描出される境界線）を含む胸部Ｘ線画像Ｉｘを示す図である。図５Ｂは、右背側肺底の陰影のマスク画像Ｐｙを示す図である。図５Ｃは、図５Ａの胸部Ｘ線画像Ｉｘに図５Ｂのマスク画像Ｐｙを重畳して表示した画像を示す図である。図６Ａは、第一胸椎が投影された領域を含む胸部Ｘ線画像Ｉｘを示す図である。図６Ｂは、第１胸椎のマスク画像Ｐｚを示す図である。図６Ｃは、図６Ａの胸部Ｘ線画像Ｉｘに図６Ｂのマスク画像Ｐｚを重畳して表示した画像を示す図である。

マスク画像は、対応する胸部Ｘ線画像において構造物が存在する領域を黒色、対応する胸部Ｘ線画像において構造物が存在しない領域を白色で表現した二値画像である。なお、構造物が存在する領域を白色、構造物が存在しない領域を黒色で表現してもよい。なお、構造物が存在する領域を人が画像から判定しづらい場合は、マスク画像を、存在可能性を表す中間値を用いて多値（グレースケール）画像として表現してもよい。多値画像の設定方法としては、例えば、１名のマスク画像の作成者が、自らの自信に応じて、自信あり～自信なしを複数段階で設定してもよいし、複数の作成者がそれぞれ二値で作成したマスク画像を平均化することにより作成してもよい。複数胸部Ｘ線画像と当該胸部Ｘ線画像に対応するマスク画像との組は、機械学習により検出部１０１を構築する際に使用され、マスク画像は機械学習を行う際の教師データである。マスク画像は、医学知識を持った人により作成される。機械学習が完了して構築された検出部１０１は、画像メモリ１０６に保存されている対象胸部Ｘ線画像を読み出し、読み出した対象胸部Ｘ線画像に含まれる複数の線構造を検出し、検出した線構造の領域を表すマスク画像を出力する。本実施形態および以下の実施形態において、検出部１０１は、「モデル」の一例に相当する。

本実施の形態では、検出部１０１として、非特許文献２に開示されるＵ－Ｎｅｔが用いられる。Ｕ－Ｎｅｔは、セマンティックセグメンテーションを行って、入力画像を画素単位で複数の領域に分割する。

図７は、Ｕ－Ｎｅｔのアーキテクチャを概略的に示す図である。Ｕ－Ｎｅｔは、図７に示されるようなエンコーダＥＣＤ及びデコーダＤＣＤを備える畳み込みニューラルネットワークであり、Ｕ－Ｎｅｔの入力層ＩＬに入力画像が入力されると、Ｕ－Ｎｅｔの出力層ＯＬから出力画像が出力される。Ｕ－Ｎｅｔを機械学習させるための入力データと教師データたるマスク画像との組は、例えば、図４Ａに示す画像と図４Ｂに示す画像との組、図５Ａに示す画像と図５Ｂに示す画像との組、または、図６Ａに示す画像と図６Ｂに示す画像との組である。

対象胸部Ｘ線画像から下行大動脈の陰影を検出する検出部１０１を構築する際に用いられるＵ－Ｎｅｔの学習データは、例えば、（入力データ＝図４Ａに示す胸部Ｘ線画像Ｉｘ、教師データ＝図４Ｂに示すマスク画像Ｐｘ）である。対象胸部Ｘ線画像を、下行大動脈の陰影を検出する機械学習済みの検出部１０１に入力すると、検出部１０１は、入力された対象胸部Ｘ線画像から下行大動脈の陰影を検出する。

対象胸部Ｘ線画像から右背側肺底の陰影を検出する検出部１０１を構築する際に用いられるＵ－Ｎｅｔの学習データは、例えば、（入力データ＝図５Ａに示す胸部Ｘ線画像Ｉｘ、教師データ＝図５Ｂに示すマスク画像Ｐｙ）である。対象胸部Ｘ線画像を、右背側肺底の陰影を検出する機械学習済みの検出部１０１に入力すると、検出部１０１は、入力された対象胸部Ｘ線画像から右背側肺底の陰影を検出する。

対象胸部Ｘ線画像から第１胸椎を検出する検出部１０１を構築する際に用いられるＵ－Ｎｅｔの学習データは、例えば、（入力データ＝図６Ａに示す胸部Ｘ線画像Ｉｘ、教師データ＝図６Ｂに示すマスク画像Ｐｚ）である。第１胸椎を検出する機械学習済みの検出部１０１は、画像メモリ１０６に保存されている対象胸部Ｘ線画像を読み出し、読み出した対象胸部Ｘ線画像に含まれる第１胸椎を検出し、第１胸椎の領域画像を出力する。

検出部１０１は、Ｎ（Ｎは１以上の整数）個の機械学習が完了したＵ－Ｎｅｔ、つまり、機械学習が完了した第１のＵ－Ｎｅｔ、・・・、機械学習が完了した第ＮのＵ－Ｎｅｔであってもよい。

胸部Ｘ線画像とそれに対応するマスク画像との組をＮ個、つまり、胸部Ｘ線画像とそれに対応するマスク画像との第１の組、・・・、胸部Ｘ線画像とそれに対応するマスク画像との第Ｎの組を準備して、第１のＵ－Ｎｅｔを胸部Ｘ線画像とそれに対応するマスク画像との第１の組を用いて機械学習させ、・・・、第ＮのＵ－Ｎｅｔを胸部Ｘ線画像とそれに対応するマスク画像との第Ｎの組を用いて機械学習させてもよい。これにより、機械学習が完了したＮ個のＵ－Ｎｅｔが構築できる。

検出部１０１は、１個の機械学習が完了したＵ－Ｎｅｔであってもよい。当該Ｕ－Ｎｅｔを構築するために、胸部Ｘ線画像とそれに対応するマスク画像とのＮ個の組を用いて、当該Ｕ－Ｎｅｔを機械学習させてもよい。つまり、Ｎ個の線構造を１個のＵ－Ｎｅｔで検出するＭｕｌｔｉ－ｃｌａｓｓ ｓｅｇｍｅｎｔａｔｉｏｎとしてＵ－Ｎｅｔを構築してもよい。なお、セマンティックセグメンテーションを行う人工ニューラルネットワークとして、Ｕ－Ｎｅｔに代えて、非特許文献３に開示されるような他のニューラルネットワークが用いられてもよい。

図３に戻って、ステップＳ２００において、肺領域設定部１０２（設定部の一例に相当）は、検出された線構造を用いて、胸部Ｘ線画像において、肺が投影された領域である肺領域を設定する。図８から図１３に、肺領域設定部１０２により、胸部Ｘ線画像における肺領域が設定された例を示す。

図８、図９は、胸部Ｘ線画像において、肺と肺以外の臓器、例えば肝臓と、横隔膜とが重なる領域を設定する方法およびその領域の一例を示す図である。図１０、図１１は、胸部Ｘ線画像において、肺と肺以外の臓器、例えば心臓と、が重なる領域を設定する方法およびその領域の一例を示す図である。図１２、図１３は、胸部Ｘ線画像において、肺と肺以外の臓器、例えば胃と、が重なる領域を設定する方法およびその領域の一例を示す図である。

図８において、画像Ｉｘは医師が診断する診断対象の胸部Ｘ線画像であり（本実施形態において処理される処理対象と言うこともできる）、画像Ｉｘｐは画像Ｉｘにおける領域Ｒｘを拡大表示した画像である。また、線構造Ｐｘ１、Ｐｘ２，Ｐｘ３は、検出部１０１が検出した線構造であり、それぞれ、右横隔膜ドーム陰影、右背側肺底陰影、椎体の右境界線である。肺領域設定部１０２は、これらの検出部１０１が検出した線構造を用いて、画像Ｉｘｐにおいて、肺と肺以外の臓器、例えば肝臓および横隔膜と、が重なる領域を設定する。肺領域設定部１０２は、各線構造が途中で途切れている場合は、線構造の端と、その端から最も近い自身の線構造上の点と、を直線の補間線で接続し、線構造同士の間が離れている場合は、線構造の端と、その端から最も近い他の線構造上の点と、を直線の補間線で接続する。線構造Ｐｘ１の２つの端点のうち線構造Ｐｘ２に最も近い端点Ａ１と、線構造Ｐｘ２上の点のうち端点Ａ１に最も近い点Ｂ１と、を結ぶ直線が補間線Ｐａである。線構造Ｐｘ１の２つの端点のうち線構造Ｐｘ３に最も近い端点Ａ２と、線構造Ｐｘ３上の点のうち端点Ａ２に最も近い点Ｂ２と、を結ぶ直線が補間線Ｐｂである。これにより、線構造Ｐｘ１，Ｐｘ２，Ｐｘ３および補間線Ｐａ，Ｐｂで囲まれる閉じた領域Ａｘ１が定義される。肺領域設定部１０２は、この領域Ａｘ１を肺の画像を示す領域に含まれる領域として設定する。同様に、図９から図１３には、肺領域設定の他の例が示される。

図９において、画像Ｉｘは医師が診断する診断対象の胸部Ｘ線画像であり（本実施形態において処理される処理対象と言うこともできる）、画像Ｉｘｐは画像Ｉｘにおける領域Ｒｘを拡大表示した画像である。また、線構造Ｐｘ１、Ｐｘ２は、検出部１０１が検出した線構造であり、それぞれ、右横隔膜ドーム陰影、右背側肺底陰影である。肺領域設定部１０２は、これらの検出部１０１が検出した線構造を用いて、画像Ｉｘｐにおいて、肺と肺以外の臓器、例えば肝臓および横隔膜と、が重なる領域を設定する。肺領域設定部１０２は、各線構造が途中で途切れている場合は、線構造の端と、その端から最も近い自身の線構造上の点と、を直線の補間線で接続し、線構造同士の間が離れている場合は、線構造の端と、その端から最も近い他の線構造上の点と、を直線の補間線で接続する。線構造Ｐｘ１の２つの端点のうち線構造Ｐｘ２に最も近い端点Ａ１と、線構造Ｐｘ２上の点のうち端点Ａ１に最も近い点Ｂ１と、を結ぶ直線が補間線Ｐａである。線構造Ｐｘ１の２つの端点のうち線構造Ｐｘ２に最も近い他の端点Ａ２と、線構造Ｐｘ２上の点のうち端点Ａ２に最も近い点Ｂ３と、を結ぶ直線が補間線Ｐｃである。これにより、線構造Ｐｘ１，Ｐｘ２および補間線Ｐａ，Ｐｃで囲まれる閉じた領域Ａｘ２が定義される。肺領域設定部１０２は、この領域Ａｘ２を肺の画像を示す領域に含まれる領域として設定する。

図１０において、画像Ｉｘは医師が診断する診断対象の胸部Ｘ線画像であり（本実施形態において処理される処理対象と言うこともできる）、画像Ｉｘｐは画像Ｉｘにおける領域Ｒｘを拡大表示した画像である。また、線構造Ｐｘ１、Ｐｘ３、Ｐｘ４、Ｐｘ６，Ｐｘ７，Ｐｘ８は、検出部１０１が検出した線構造であり、それぞれ、右横隔膜ドーム陰影、椎体の右境界、右房陰影、下行大動脈陰影、左室陰影、左横隔膜ドーム陰影である。肺領域設定部１０２は、これらの検出部１０１が検出した線構造を用いて、画像Ｉｘｐにおいて、肺と肺以外の臓器、例えば心臓と、が重なる領域を設定する。肺領域設定部１０２は、各線構造が途中で途切れている場合は、線構造の端と、その端から最も近い自身の線構造上の点と、を直線の補間線で接続し、線構造同士の間が離れている場合は、線構造の端と、その端から最も近い他の線構造上の点と、を直線の補間線で接続する。線構造Ｐｘ４の２つの端点のうち線構造Ｐｘ３に最も近い端点Ａ４と、線構造Ｐｘ３上の点のうち端点Ａ４に最も近い点Ｂ４と、を結ぶ直線が補間線Ｐｄである。線構造Ｐｘ４の２つの端点のうち線構造Ｐｘ３に最も近い他の端点Ａ５と、線構造Ｐｘ３上の点のうち端点Ａ５に最も近い点Ｂ５と、を結ぶ直線が補間線Ｐｅである。線構造Ｐｘ７の２つの端点のうち線構造Ｐｘ６に最も近い端点Ａ６と、線構造Ｐｘ６上の点のうち端点Ａ６に最も近い点Ｂ６と、を結ぶ直線が補間線Ｐｆである。線構造Ｐｘ６の２つの端点のうち線構造Ｐｘ８に最も近い端点Ａ７と、線構造Ｐｘ８上の点のうち端点Ａ７に最も近い点Ｂ７と、を結ぶ直線が補間線Ｐｇである。これにより、線構造Ｐｘ４，Ｐｘ３および補間線Ｐｄ，Ｐｅで囲まれる閉じた領域Ａｘ３と、線構造Ｐｘ６，Ｐｘ７，Ｐｘ８および補間線Ｐｆ，Ｐｇで囲まれる閉じた領域Ａｘ４と、が定義される。肺領域設定部１０２は、これらの領域Ａｘ３，Ａｘ４を肺の画像を示す領域に含まれる領域として設定する。

図１１において、画像Ｉｘは医師が診断する診断対象の胸部Ｘ線画像であり（本実施形態において処理される処理対象と言うこともできる）、画像Ｉｘｐは画像Ｉｘにおける領域Ｒｘを拡大表示した画像である。また、線構造Ｐｘ１、Ｐｘ３、Ｐｘ４、Ｐｘ５，Ｐｘ７，Ｐｘ８は、検出部１０１が検出した線構造であり、それぞれ、右横隔膜ドーム陰影、椎体の右境界、右房陰影、椎体の左境界、左室陰影、左横隔膜ドーム陰影である。肺領域設定部１０２は、これらの検出部１０１が検出した線構造を用いて、画像Ｉｘｐにおいて、肺と肺以外の臓器、例えば心臓と、が重なる領域を設定する。肺領域設定部１０２は、各線構造が途中で途切れている場合は、線構造の端と、その端から最も近い自身の線構造上の点と、を直線の補間線で接続し、線構造同士の間が離れている場合は、線構造の端と、その端から最も近い他の線構造上の点と、を直線の補間線で接続する。線構造Ｐｘ４の２つの端点のうち線構造Ｐｘ３に最も近い端点Ａ４と、線構造Ｐｘ３上の点のうち端点Ａ４に最も近い点Ｂ４と、を結ぶ直線が補間線Ｐｄである。線構造Ｐｘ４の２つの端点のうち線構造Ｐｘ３に最も近い他の端点Ａ５と、線構造Ｐｘ３上の点のうち端点Ａ５に最も近い点Ｂ５と、を結ぶ直線が補間線Ｐｅである。線構造Ｐｘ７の２つの端点のうち線構造Ｐｘ５に最も近い端点Ａ８と、線構造Ｐｘ５上の点のうち端点Ａ８に最も近い点Ｂ８と、を結ぶ直線が補間線Ｐｈである。線構造Ｐｘ８の２つの端点のうち線構造Ｐｘ５に最も近い端点Ａ９と、線構造Ｐｘ５上の点のうち端点Ａ９に最も近い点Ｂ９と、を結ぶ直線が補間線Ｐｉである。これにより、線構造Ｐｘ４，Ｐｘ３および補間線Ｐｄ，Ｐｅで囲まれる閉じた領域Ａｘ３と、線構造Ｐｘ５，Ｐｘ７，Ｐｘ８および補間線Ｐｈ，Ｐｉで囲まれる閉じた領域Ａｘ５と、が定義される。肺領域設定部１０２は、これらの領域Ａｘ３，Ａｘ５を肺の画像を示す領域に含まれる領域として設定する。なお、検出部１０１により検出された線構造同士が接続されている場合には、補間線は不要となる。

図１２において、画像Ｉｘは医師が診断する診断対象の胸部Ｘ線画像であり（本実施形態において処理される処理対象と言うこともできる）、画像Ｉｘｐは画像Ｉｘにおける領域Ｒｘを拡大表示した画像である。また、線構造Ｐｘ５、Ｐｘ９，Ｐｘ１０は、検出部１０１が検出した線構造であり、それぞれ、椎体の左境界線、左横隔膜ドーム陰影、左背側肺底陰影である。肺領域設定部１０２は、これらの検出部１０１が検出した線構造を用いて、画像Ｉｘｐにおいて、肺と肺以外の臓器、例えば胃および横隔膜と、が重なる領域を設定する。肺領域設定部１０２は、各線構造が途中で途切れている場合は、線構造の端と、その端から最も近い自身の線構造上の点と、を直線の補間線で接続し、線構造同士の間が離れている場合は、線構造の端と、その端から最も近い他の線構造上の点と、を直線の補間線で接続する。線構造Ｐｘ１０の２つの端点のうち線構造Ｐｘ５に最も近い端点Ａ１０と、線構造Ｐｘ５上の点のうち端点Ａ１０に最も近い点Ｂ１０と、を結ぶ直線が補間線Ｐｊである。線構造Ｐｘ１０の２つの端点のうち線構造Ｐｘ９に最も近い他の端点Ａ１１と、線構造Ｐｘ９上の点のうち端点Ａ１１に最も近い点Ｂ１１と、を結ぶ直線が補間線Ｐｋである。線構造Ｐｘ９の２つの端点のうち線構造Ｐｘ５に最も近い端点Ａ１２と、線構造Ｐｘ５上の点のうち端点Ａ１２に最も近い点Ｂ１２と、を結ぶ直線が補間線Ｐｌである。これにより、線構造Ｐｘ５，Ｐｘ９，Ｐｘ１０および補間線Ｐｊ，Ｐｋ，Ｐｌで囲まれる閉じた領域Ａｘ６が定義される。肺領域設定部１０２は、この領域Ａｘ６を肺の画像を示す領域に含まれる領域として設定する。

図１３において、画像Ｉｘは医師が診断する診断対象の胸部Ｘ線画像であり（本実施形態において処理される処理対象と言うこともできる）、画像Ｉｘｐは画像Ｉｘにおける領域Ｒｘを拡大表示した画像である。また、線構造Ｐｘ９、Ｐｘ１０は、検出部１０１が検出した線構造であり、それぞれ、左横隔膜ドーム陰影、左背側肺底陰影である。肺領域設定部１０２は、これらの検出部１０１が検出した線構造を用いて、画像Ｉｘｐにおいて、肺と肺以外の臓器、例えば胃および横隔膜と、が重なる領域を設定する。肺領域設定部１０２は、各線構造が途中で途切れている場合は、線構造の端と、その端から最も近い自身の線構造上の点と、を直線の補間線で接続し、線構造同士の間が離れている場合は、線構造の端と、その端から最も近い他の線構造上の点と、を直線の補間線で接続する。線構造Ｐｘ１０の２つの端点のうち線構造Ｐｘ９に最も近い端点Ａ１０と、線構造Ｐｘ９上の点のうち端点Ａ１０に最も近い点Ｂ１３と、を結ぶ直線が補間線Ｐｍである。線構造Ｐｘ１０の２つの端点のうち線構造Ｐｘ９に最も近い他の端点Ａ１１と、線構造Ｐｘ９上の点のうち端点Ａ１１に最も近い点Ｂ１１と、を結ぶ直線が補間線Ｐｋである。これにより、線構造Ｐｘ９，Ｐｘ１０および補間線Ｐｋ，Ｐｍで囲まれる閉じた領域Ａｘ７が定義される。肺領域設定部１０２は、この領域Ａｘ７を肺の画像を示す領域に含まれる領域として設定する。

なお、線構造Ｐｘ２（右背側肺底陰影、図８、図９）、線構造Ｐｘ１０（左背側肺底陰影、図１２、図１３）は、Ｘ線量などの撮影時の設定値、コントラスト変換などの撮影後の画像処理時の設定値、被写体の人物の体格（特に肥満による腹部脂肪でのＸ線散乱）によっては、ステップＳ１００（図３）での線構造検出に必要な輝度コントラストが不足し、線構造検出に失敗する可能性がある。そこで、肺領域設定部１０２は、検出部１０１が検出した線構造の確からしさを表す信頼度を算出してもよい。

算出した信頼度が所定の閾値（第１閾値）よりも高ければ、肺領域設定部１０２は、肺と他の臓器、例えば横隔膜および肝臓とが重なる領域（第２肺領域の一例に相当）の設定には、検出部１０１が検出した線構造（例えば、右背側肺底陰影）を利用する。一方、算出した信頼度が所定の閾値より高くなければ、肺領域設定部１０２は、検出部１０１が検出した、他の所定の解剖学的構造の位置に基づいて、別途、線構造（例えば、右背側肺底陰影）を推定し、推定した線構造（例えば、右背側肺底陰影）を利用して、上記第２肺領域を設定してもよい。

算出した信頼度が所定の閾値（第２閾値）よりも高ければ、肺領域設定部１０２は、肺と他の臓器、例えば横隔膜および胃等の腹部臓器とが重なる領域（第４肺領域の一例に相当）の設定には、検出部１０１が検出した線構造（例えば、左背側肺底陰影）を利用する。一方、算出した信頼度が所定の閾値より高くなければ、肺領域設定部１０２は、検出部１０１が検出した、他の所定の解剖学的構造の位置に基づいて、別途、線構造（例えば、左背側肺底陰影）を推定し、推定した線構造（例えば、左背側肺底陰影）を利用して、上記第４肺領域を設定してもよい。

なお、推定する線構造として、右背側肺底陰影および左背側肺底陰影に限らず、他の線構造でもよい。他の線構造としては、例えば、左右の横隔膜ドームを推定してもよい。左右の横隔膜ドームを推定する理由は、特に女性の場合、胸部Ｘ線画像において、乳房の陰影と左右の横隔膜ドームとが重なることに起因して、左右の横隔膜ドーム検出の信頼度が低下する場合があるからである。左横隔膜ドームを推定する理由は、さらに、胸部Ｘ線画像において、男女を問わず、画像に写る胃泡が、左横隔膜ドームの付近に位置することに起因して、左横隔膜ドーム検出の信頼度が低下する場合があるからである。

検出部１０１が検出した線構造の確からしさを表す信頼度として、例えば、ニューラルネットワークの出力層の値を利用することができる。例えば図７で表されるＵ－Ｎｅｔでは、機械学習時には、ユーザは、出力層ＯＬに検出したいマスク画像を教師データとして設定する。具体的には、ユーザは、例えば図４Ｂの黒色で表されるマスク画像Ｐｘの領域を値１．０とし、白色で表される背景領域を値０．０とする教師データを出力層ＯＬに設定する。機械学習済みのＵ－Ｎｅｔ（つまり下行大動脈の陰影を検出する検出部１０１）において、未知の胸部Ｘ線画像を入力層ＩＬに入力して、図４Ｂの解剖学的構造を検出させたとき、Ｕ－Ｎｅｔの出力層ＯＬに出力される出力値は画素毎に０．０～１．０の値をとる。この場合、出力値が１．０に近い程、Ｕ－Ｎｅｔが自信を持っていると解釈し、出力値が０．０に近い程、Ｕ－Ｎｅｔが自信を持てていないと解釈することもできる。よって、出力値が０．０＜出力値≦１．０の範囲である、画像上で互いに近い領域を、ある解剖学的構造に対応する領域と見なし、それらの値の平均値を、その解剖学的構造の信頼度として利用することができる。

代替的に、肺領域設定部１０２は、線構造の位置または面積などの指標を、予め多数の正常症例を基に求めた、位置または面積などの指標の確率密度関数と比較することで、検出部１０１が検出した線構造の確からしさを表す信頼度を算出することができる。

例えば、線構造の位置の指標は、次のようにして求められる。すなわち、予め、図４Ｂ、図５Ｂ、図６Ｂに示されるような二値マスク画像を学習用として大量に用意しておく。構造物Ｐｐ毎に、かつサンプルｊ毎に、マスク領域の重心座標（ＧＸｐｊ，ＧＹｐｊ）を算出しておき、この二次元重心座標を位置の指標とする。肺領域設定部１０２は、このようにして学習用の二値マスク画像から算出した重心座標（ＧＸｐｊ，ＧＹｐｊ）の二次元確率密度関数と比較することで、検出部１０１が検出した線構造の確からしさを表す信頼度を算出することができる。

なお、胸部Ｘ線画像撮影装置３００における撮影時の位置ずれ、被写体の体格差を吸収するため、肺に比べて疾患による影響を受けづらく、かつ、撮影時の被写体の姿勢によっても影響を受けづらい骨（肋骨、胸椎など）を検出した後、標準的な位置及び体格に正規化して、正規化された重心座標（ＮＧＸｐｊ，ＮＧＹｐｊ）の二次元確率密度関数と比較してもよい。

肺領域設定部１０２は、検出部１０１により検出された構造物Ｐｐのマスク画像から重心座標を算出する。肺領域設定部１０２は、算出した重心座標と、正常モデル格納部１０５に保存されている、構造物Ｐｐに対応する重心座標の二次元確率密度関数とを比較することにより、検出部１０１が検出した線構造の確からしさを表す信頼度を算出する。

例えば、線構造の面積の指標は、次のようにして求められる。すなわち、予め、図４Ｂ、図５Ｂ、図６Ｂに示されるような二値マスク画像を学習用として大量に用意しておく。構造物Ｐｐ毎に、かつサンプルｊ毎に、マスク画像の面積Ａｐｊが算出される。この面積が指標とされる。このようにして学習用の二値マスク画像から算出した面積Ａｐｊの一次元確率密度関数が求められて、正常モデル格納部１０５に予め格納される。

肺領域設定部１０２は、検出部１０１により検出された構造物Ｐｐのマスク画像から面積を算出する。肺領域設定部１０２は、算出した面積と、正常モデル格納部１０５に保存されている、構造物Ｐｐに対応する面積の一次元確率密度関数とを比較することにより、検出部１０１が検出した線構造の確からしさを表す信頼度を算出する。面積としては、構造物Ｐｐを構成する画素の面積を用いることができる。代替的に、面積として、構造物Ｐｐを構成する画素の個数を用いてもよい。

検出対象が線構造の場合には、肺領域設定部１０２は、面積に代えて、検出部１０１が検出した線構造の領域を細線化処理した後の線長を利用して信頼度を算出しても良い。また、検出対象が左背側肺底または右背側肺底の場合には、肺領域設定部１０２は、胸部Ｘ線画像において、左背側肺底が存在すると推定できる左横隔膜ドーム陰影より下方付近の領域、または、右背側肺底が存在すると推定できる右横隔膜ドーム陰影より下方付近の領域に対し、画素値の標準偏差などでコントラストが十分あるか否か（例えば、画素値の標準偏差が所定値以上であるか否か）を判定することで、検出部１０１が検出した線構造の確からしさを表す信頼度を算出してもよい。

図１４は、胸部Ｘ線画像において右背側肺底陰影の推定方法を説明する図である。図１４には、胸部Ｘ線画像Ｉｘｐにおいて、画素の濃淡値の閾値処理で得られる肺の画像を示す領域が、右肺の領域ＲＬ０、左肺の領域ＬＬ０として示されている。図１４を用いて、検出部１０１が検出した他の所定の解剖学的構造の位置に基づいて、右背側肺底陰影を推定する方法が説明される。例えば、予め右横隔膜ドーム陰影と右背側肺底陰影との位置関係を多数の正常症例から求めて、メモリ１２１に保存しておく。そして、図１４に示されるように、肺領域設定部１０２は、まず、検出部１０１が検出した右横隔膜ドーム陰影Ｐｘ１から、上記位置関係に基づき、右背側肺底の存在確率が所定値以上の領域ＡＰを求める。次に、肺領域設定部１０２は、領域ＡＰの下端線を、右背側肺底陰影Ｐｘ２として、推定する。

また、左背側肺底陰影は、胃泡（胃の中の空気やガス）の存在により、右背側肺底陰影よりも、さらに検出しづらい。このため、左背側肺底陰影の信頼度が閾値（第２閾値）以下の場合は、肺領域設定部１０２は、上述の図１４に示される方法を用いて、左背側肺底陰影を推定してもよい。代替的に、肺領域設定部１０２は、椎骨（胸椎と腰椎）の画像を示す領域である領域ＶＴ（図１６）の中心線を直線と見なした場合の右背側肺底陰影の線対称となる線を、左背側肺底陰影として推定しても良い。

図１５、図１６は、胸部Ｘ線画像で肺が存在する領域を概略的に示す図である。図１７は、肺血管ＢＶ、気管ＴＲおよび気管支ＢＲを概略的に示す図である。

図１５を用いて、肺領域が説明される。図１５では、胸部Ｘ線画像Ｉｘｐにおいて、画素の濃淡値の閾値処理で得られる肺の画像を示す領域が、領域ＲＬ０、領域ＬＬ０として示されている。胸部Ｘ線画像の熟練読影医は、実際の肺の画像を示す領域である肺領域は、図１５において、領域ＲＬ０、領域ＬＬ０、及び、境界線ＲＬＢ１、ＲＬＢ２、ＬＬＢ１、ＬＬＢ２を含む線により囲まれた領域を含む領域であると認識する。よって、肺癌や肺炎などの診断では、領域ＲＬ０、領域ＬＬ０、及び、境界線ＲＬＢ１、ＬＬＢ１、ＲＬＢ２、ＬＬＢ２を含む線により特定される領域を含む領域を肺領域として診断することが重要である。なお、本実施形態における図３のステップＳ２００において、肺領域設定部１０２は、領域ＲＬ０、および／または、領域ＬＬ０を、例えば、特許文献１に記載の技術により、抽出してもよい。

図１６を用いて本開示が対象とする肺領域設定の別の例について説明される。図１６において、領域ＶＴは椎骨（胸椎と腰椎）の画像を示す領域である。図１５における右肺を示す領域ＲＬ０、左肺を示す領域ＬＬ０以外の肺領域が、図１６では、肺の画像を示す領域に含まれる領域であって、検出された線構造を用いて決定された領域ＲＬ１，ＲＬ２、ＬＬ１，ＬＬ２である。肺の診断では肺に存在する肺血管の走行に着目することが重要となる。図１７に示されるように、肺血管は、正常であれば、中枢の肺門部から末梢の胸膜に向けて、分岐をしながら、太さが細くなっていく。また、現在の胸部Ｘ線撮像技術では、末梢の胸膜近辺の血管は視認できない。疾患により、正常時の状態よりも血管が太くなったり、細くなったりする等の変化を、診断対象の胸部Ｘ線画像における血管の太さおよび密度の少なくとも一方と、正常時のそれとの差異を利用することにより、異常検知を行うことができる。血管の密度は、例えば、画像の局所領域の面積に対する、同領域において血管が占める面積の割合である。血管の太さについては、例えば、局所領域から血管が占める領域を二値画像として検出した後、１以上の連結領域としてラベリングを行い、連結領域毎に二値画像処理における主軸方向として線の走行方向を特定し、走行方向と直交する方向の長さを線幅として求め、全ての連結領域に対する線幅の平均値とすることができる。血管が占める領域の二値画像の生成には、「非特許文献５」で開示された線状パタン強調を行った後に二値化をすればよい。

図１６に戻る。図１６における領域ＶＴには、実際には、図１５のように肺の領域を示す境界線ＲＬＢ１、ＬＬＢ１等が存在している。しかし、それらの領域においては、椎骨の画像パタンにより肺血管の画像が視認しづらい。

胸部Ｘ線画像Ｉｘｐにおいて、領域ＲＬ１（第２肺領域の一例に相当、第３肺領域の一例に相当）は、肺と他の臓器、例えば横隔膜および肝臓とが重なる領域であるが、横隔膜および肝臓はＸ線吸収率がほぼ一様なため、人体においてそれらの背中側に薄く重なる肺領域（図１６の胸部Ｘ線画像Ｉｘｐ上では領域ＲＬ１に相当）に関しては、胸部Ｘ線画像において血管領域とその周辺（即ち肺実質）とのコントラストが付きやすい。そのため、この領域ＲＬ１では、画像診断のために血管領域の情報を利用することができる。

同様に、胸部Ｘ線画像Ｉｘｐにおいて、領域ＲＬ２（第１肺領域の一例に相当、第３肺領域の一例に相当）は、肺と他の臓器、例えば心臓（特に右房）とが重なる領域であり、領域ＬＬ１（第１肺領域の一例に相当、第３肺領域の一例に相当）は、肺と他の臓器、例えば心臓（特に左室）とが重なる領域である。心臓はＸ線吸収率がほぼ一様なため、人体においてその背中側に薄く重なる肺領域（図１６の胸部Ｘ線画像Ｉｘｐ上では領域ＲＬ２，ＬＬ１に相当）に関しては、胸部Ｘ線画像において血管領域とその周辺（即ち肺実質）とのコントラストが付きやすい。そのため、この領域ＲＬ２，ＬＬ１では、画像診断のために血管領域の情報を利用することができる。

胸部Ｘ線画像Ｉｘｐにおいて、領域ＬＬ２（第４肺領域の一例に相当）は、肺と他の臓器、例えば横隔膜および胃等の腹部臓器とが重なる領域である。胃の中に空気やガスが存在する場合は、肺血管が見づらくなる場合があるが、人体においてその背中側に薄く重なる肺領域（図１６の胸部Ｘ線画像Ｉｘｐ上では領域ＬＬ２に相当）に関しても、画像診断のために血管領域の情報を利用することができる。よって、本開示では、特に領域ＲＬ１，ＲＬ２，ＬＬ１，ＬＬ２に対し、肺血管走行のパタンに着目して、異常検知が行われる。

図３に戻り、ステップＳ３００において、局所領域設定部１０３は、肺領域設定部１０２で設定された肺領域、つまり図１６における領域ＲＬ１，ＲＬ２，ＬＬ１，ＬＬ２のそれぞれを分割して、複数の局所領域を設定する。

図１８、図１９、図２０は、それぞれ、設定された複数の局所領域の一例を概略的に示す図である。図２１は、肺血管の太さおよび密度の変化を概略的に示す図である。なお、図２１では、胸部Ｘ線画像の肺領域の一部において、Ｘ線照射方向に奥行きを持って体内に存在する肺血管が、２次元の胸部Ｘ線画像上に投影されたときの状態が、模式的に示されている。図２２は、人体の肺血管、気管、および気管支を示す図である。なお、図２２においては、肺門の位置を概略的に楕円で示している。

図１８では、図１６に示される領域ＲＬ１において隣接する局所領域の境界を示す線は、胸部Ｘ線画像Ｉｘｐにおいて右肺門部ＣＨＬＲ（後述）からの２次元距離がほぼ一定であり、領域ＲＬ２において隣接する局所領域の境界を示す線は、胸部Ｘ線画像Ｉｘｐにおいて右肺門部ＣＨＬＲからの２次元距離がほぼ一定であり、領域ＬＬ１において隣接する局所領域の境界を示す線は、胸部Ｘ線画像Ｉｘｐにおいて左肺門部ＣＨＬＬ（後述）からの２次元距離がほぼ一定であり、領域ＬＬ２において隣接する局所領域の境界を示す線は、胸部Ｘ線画像Ｉｘｐにおいて左肺門部ＣＨＬＬからの２次元距離がほぼ一定である。

なお、図２２に示されるように、人体の肺血管、気管、および気管支を表現した図における、左右の肺門ＨＬＬ，ＨＬＲは、左右の肺において、気管支ＢＲ、肺動脈、肺静脈が出入りする領域である。胸部Ｘ線画像Ｉｘｐでは、肺動脈のＸ線吸収率が高いため、画像処理によって、胸部Ｘ線画像Ｉｘｐにおける肺動脈の領域を容易に検出できる。本開示では、局所領域設定部１０３は、図１８、図１９、図２０において、画像処理によって検出された左右の肺に対する肺動脈の領域と、領域ＶＴの境界線との交点を、それぞれ、左肺門部ＣＨＬＬおよび右肺門部ＣＨＬＲの位置として検出している。胸部Ｘ線画像において、中央陰影（図示省略）の中の気管および気管支は、周囲の中央陰影よりもＸ線吸収率が低いため、画像処理によって容易に検出できる。そこで、局所領域設定部１０３は、図１８、図１９、図２０において、画像処理によって検出された左右の肺に対する気管支と、領域ＶＴの境界線との交点を、それぞれ、左肺門部ＣＨＬＬおよび右肺門部ＣＨＬＲの位置として検出してもよい。上記中央陰影は、胸部Ｘ線画像における、左右の肺に挟まれた領域のことであり、図１８、図１９、図２０では、領域ＶＴ、心臓を示す領域（領域ＲＬ２および領域ＬＬ１）および下行大動脈を示す領域（図示省略）を含む領域である。

図１８において、領域ＲＬ１は局所領域ＲＬ１１，ＲＬ１２，ＲＬ１３を含む。局所領域ＲＬ１１と局所領域ＲＬ１２との境界線は、右肺門部ＣＨＬＲからの２次元距離がほぼ等しい点の集合（つまり右肺門部ＣＨＬＲを中心とする円弧）で形成されている。局所領域ＲＬ１２と局所領域ＲＬ１３との境界線は、右肺門部ＣＨＬＲからの２次元距離がほぼ等しい点の集合で形成されている。図１８において、領域ＲＬ２は局所領域ＲＬ２１，ＲＬ２２，ＲＬ２３を含む。局所領域ＲＬ２１と局所領域ＲＬ２２との境界線は、右肺門部ＣＨＬＲからの２次元距離がほぼ等しい点の集合で形成されている。局所領域ＲＬ２２と局所領域ＲＬ２３との境界線は、右肺門部ＣＨＬＲからの２次元距離がほぼ等しい点の集合で形成されている。

図１８において、領域ＬＬ１は局所領域ＬＬ１１，ＬＬ１２，ＬＬ１３を含む。局所領域ＬＬ１１と局所領域ＬＬ１２との境界線は、左肺門部ＣＨＬＬからの２次元距離がほぼ等しい点の集合（つまり左肺門部ＣＨＬＬを中心とする円弧）で形成されている。局所領域ＬＬ１２と局所領域ＬＬ１３との境界線は、左肺門部ＣＨＬＬからの２次元距離がほぼ等しい点の集合で形成されている。図１８において、領域ＬＬ２は局所領域ＬＬ２１，ＬＬ２２，ＬＬ２３を含む。局所領域ＬＬ２１と局所領域ＬＬ２２との境界線は、左肺門部ＣＨＬＬからの２次元距離がほぼ等しい点の集合で形成されている。局所領域ＬＬ２２と局所領域ＬＬ２３との境界線は、左肺門部ＣＨＬＬからの２次元距離がほぼ等しい点の集合で形成されている。

図１８の例では、領域ＲＬ１，ＲＬ２，ＬＬ１が、それぞれ、第３肺領域の一例に相当し、局所領域ＲＬ１１，ＲＬ１２，ＲＬ１３，ＲＬ２１，ＲＬ２２，ＲＬ２３，ＬＬ１１，ＬＬ１２，ＬＬ１３が、複数の局所領域１～ｎの一例に相当する。すなわち図１８の例では、ｎ＝９である。

局所領域設定部１０３は、図１９に示されるように、肺門部を通る直線で局所領域を分割してもよい。図１９において、局所領域ＲＬ１１は、右肺門部ＣＨＬＲを通る第１の直線群で、局所領域ＲＬ１１１，ＲＬ１１２，ＲＬ１１３という３つの領域に分割される。局所領域ＲＬ１２は、右肺門部ＣＨＬＲを通る第２の直線群で、局所領域ＲＬ１２１，ＲＬ１２２，ＲＬ１２３，ＲＬ１２４という４つの領域に分割される。局所領域ＲＬ１３は、右肺門部ＣＨＬＲを通る第３の直線群で、局所領域ＲＬ１３１，ＲＬ１３２，ＲＬ１３３という３つの領域に分割される。

局所領域ＬＬ１１は、左肺門部ＣＨＬＬを通る直線で、局所領域ＬＬ１１１，ＬＬ１１２という２つの領域に分割される。局所領域ＬＬ１２は、左肺門部ＣＨＬＬを通る直線で、局所領域ＬＬ１２１，ＬＬ１２２という２つの領域に分割される。局所領域ＬＬ１３は、左肺門部ＣＨＬＬを通る直線で、局所領域ＬＬ１２１，ＬＬ１２２という２つの領域に分割される。局所領域ＬＬ２１は、左肺門部ＣＨＬＬを通る第４の直線群で、局所領域ＬＬ２１１，ＬＬ２１２，ＬＬ２１３という３つの領域に分割される。局所領域ＬＬ２２は、左肺門部ＣＨＬＬを通る第５の直線群で、局所領域ＬＬ２２１，ＬＬ２２２，ＬＬ２２３という３つの領域に分割される。局所領域ＬＬ２３は、左肺門部ＣＨＬＬを通る直線で、局所領域ＬＬ２３１，ＬＬ２３２という２つの領域に分割される。

局所領域設定部１０３は、図２０に示されるように、領域ＲＬ１，ＲＬ２，ＬＬ１，ＬＬ２のそれぞれを、胸部Ｘ線画像Ｉｘｐに設定されたＸ軸に平行な１または複数の直線、および／または胸部Ｘ線画像Ｉｘｐに設定されたＹ軸に平行な１または複数の直線を用いて、格子状に分割してもよい。図２０において、局所領域設定部１０３は、分割した局所領域に対して、肺門部ＣＨＬＲ，ＣＨＬＬからの局所領域の重心への２次元距離に応じてグループ化してもよい。この場合には、正常モデル（つまり多数の正常症例に基づき作成された標準的な肺の画像）に基づいて予め求められる基準指標（図３０を参照して後述）は、グループ毎に求められて、正常モデル格納部１０５に予め保存される。

例えば、図２０において、局所領域設定部１０３は、第１グループに局所領域ＬＬ１Ｇ１と局所領域ＬＬ１Ｇ２とを含め、第２グループに局所領域ＬＬ１Ｇ３と局所領域ＬＬ１Ｇ４とを含めてもよい。局所領域設定部１０３は、第３グループに局所領域ＲＬ１Ｇ１と局所領域ＲＬ１Ｇ２とを含め、第４グループに局所領域ＲＬ１Ｇ３と局所領域ＲＬ１Ｇ４と局所領域ＲＬ１Ｇ５とを含め、第５グループに局所領域ＲＬ１Ｇ６と局所領域ＲＬ１Ｇ７とを含め、第６グループに局所領域ＲＬ１Ｇ８と局所領域ＲＬ１Ｇ９とを含めてもよい。局所領域設定部１０３は、第７グループに局所領域ＬＬ２Ｇ１と局所領域ＬＬ２Ｇ２とを含め、第８グループに局所領域ＬＬ２Ｇ３と局所領域ＬＬ２Ｇ４とを含め、第９グループに局所領域ＬＬ２Ｇ５と局所領域ＬＬ２Ｇ６とを含め、第１０グループに局所領域ＬＬ２Ｇ７と局所領域ＬＬ２Ｇ８とを含めてもよい。図２０の例では、局所領域設定部１０３は、第１グループから第１０グループまでの１０個のグループを生成しており、これら１０個のグループが、複数のグループ１～ｍの一例に相当する。すなわち図２０の例では、ｍ＝１０である。

このように局所領域をグループ化して、局所領域のグループ毎に正常モデルの基準指標を求めると、正常モデルを用いて基準指標を求める際の胸部Ｘ線画像の画像数が一定としたとき、局所領域毎に正常モデルの基準指標を求める場合に比べて基準指標を求めるための局所画像数が増加することになり、求めた正常モデルの基準指標の統計的信頼性が増すことになる。

ここで、局所領域に分割することによる利点が説明される。図２１のように肺の中枢である肺門から末梢である胸膜に向かうに従い、肺血管の径は細くなり、かつ、肺血管は分岐をして、肺血管の本数が多くなる。但し、径がある程度細くなると、胸部Ｘ線画像Ｉｂｖでは肺血管の領域を描出できなくなる。よって、肺門からの距離がほぼ一定な領域を同一の局所領域として分割することで、その局所領域内では、血管の径（つまり血管の太さ）および血管の密度（例えば、画像の局所領域の面積に対する、同領域において血管が占める面積の割合）がほぼ揃うことになる。その結果、肺門からの距離がほぼ同じである範囲の局所領域での正常状態を良く定義できることとなり、正常モデルの基準指標を用いた異常検知に適するという利点がある。

また、図１９、図２０に示されるように、細かく分割した局所領域を設定すると、本実施形態では、後述のように局所領域ごとに異常判定されているため、異常判定する領域の分解能を向上することができる。

図３に戻って、ステップＳ４００において、異常判定部１０４は、局所領域設定部１０３で設定された複数の局所領域から１つの局所領域ｉを選択する。ステップＳ５００において、異常判定部１０４は、肺血管の太さおよび密度を表す指標（血管指標の一例に相当）を抽出する。異常判定部１０４は、肺血管の太さおよび密度のいずれか一方を表す指標を抽出してもよい。異常判定部１０４は、肺血管の太さおよび密度の少なくとも一方を表す指標を抽出すればよい。この指標の抽出には、さまざまな技術が適用可能である。

例えば、血管の領域を抽出した後、別途、当該血管の太さおよび密度の少なくとも一方を表す特徴量を抽出することができる。血管の抽出には、非特許文献５に記載の、ヘッセ行列の各画素から計算された最大固有値を用いて線状構造物を抽出する方法を適用することができる。また、ヘッセ行列の各要素を生成する帯域分割フィルタバンクを構築することにより、各解像度レベルでの線状構造物の抽出が可能となり、大きさの異なる血管領域を抽出することができる。また、帯域分割フィルタバンクにより各解像度レベルでの線状構造物を抽出した後、前景（線状構造物）の画素値と背景の画素値との比により、各解像度レベルでの密度が算出できる。例えば、上記の方法で、肺血管の太さおよび密度の少なくとも一方を表す指標を抽出可能である。フィルタバンクの個数をＦＢ個、密度として１次元（スカラー）の値を用いる場合、各局所領域からＦＢ次元の特徴量が抽出できる。

明示的に、肺血管に関する指標、つまり特徴量を抽出するのではなく、局所領域の画像そのものから、肺血管の太さおよび密度の少なくとも一方を表す指標を含むことを期待して、画像を次元圧縮することで、少数次元の特徴量を抽出することもできる。この手法については、後述のステップＳ７００で説明される。

図３に戻り、ステップＳ６００において、異常判定部１０４は、正常モデル格納部１０５から、診断対象の肺の画像に含まれる局所領域ｉに対応する正常モデルの局所領域の基準指標を抽出する。局所領域設定部１０３により設定された局所領域と、正常モデル格納部１０５に格納されている正常モデルの局所領域との対応付けについては、種々の方法を採用することができる。

例えば、正常モデル格納部１０５に基準指標を予め格納する際に、設定される局所領域に、当該局所領域が図１６で示すような肺領域における位置を示すインデックスを付加してもよい。インデックスとして、例えば、図１６における領域ＲＬ０，ＲＬ１，ＲＬ２などの外接矩形に対する、当該局所領域の中心座標の相対位置を利用することができる。

図２３は、図１６における領域ＲＬ０，ＲＬ１，ＲＬ２それぞれの外接矩形ＣＱＲ０，ＣＱＲ１，ＣＱＲ２を示す図である。基準とする外接矩形のＸ座標の始点を０、終点を１とし、上記外接矩形のＹ座標の始点を０、終点を１としたときの、局所領域の正規化中心座標（ｘ，ｙ）を定義できる。

図２４、図２５、図２６は、領域ＲＬ０，ＲＬ１，ＲＬ２それぞれの外接矩形ＣＱＲ０，ＣＱＲ１，ＣＱＲ２を基準とした正規化座標系をそれぞれ示す図である。局所領域の正規化中心座標として、当該局所領域が含まれる領域の座標系における、局所領域画像（局所領域内を１、局所領域外を０とする二値画像）の重心位置を用いることができる。

図２７は、図１９の胸部Ｘ線画像において局所領域の重心位置の例を示す図である。例えば、図２７において、局所領域ＲＬ１２３の重心位置ＲＬ１２３Ｃの座標は、図２５に示される領域ＲＬ１の正規化座標系（外接矩形ＣＱＲ１を基準とした正規化座標系）で表現する。同様に、図２７において、局所領域ＲＬ２２の重心位置ＲＬ２２Ｃの座標は、図２６に示される領域ＲＬ２の正規化座標系（外接矩形ＣＱＲ２を基準とした正規化座標系）で表現する。

ここで、０＜ｘ＜１、かつ、０＜ｙ＜１である。正常モデル作成時の異なる正常症例間の局所領域の対応付け、あるいは、異常検知時の異常検知対象（つまり医師の診断対象）の局所領域と正常モデルの局所領域との対応付けは、この正規化中心座標（ｘ，ｙ）との距離が最小となる対象を探索することで決定できる。例えば、異常検知時の異常検知対象の局所領域と正常モデルの局所領域との対応付けを行う際について、図２８、図２９を用いて説明される。

図２８は、異常検知を行う対象（つまり医師の診断対象）の胸部Ｘ線画像Ｉｘｐを示す図である。図２９は、正常モデルの胸部Ｘ線画像Ｉｘｒを示す図である。異常検知を行う診断対象の胸部Ｘ線画像Ｉｘｐ（図２８）において、正規化中心座標が点Ｐ（０．３，０．８）である局所領域ＲＰと、正常モデル上での、指標比較対象の局所領域を特定する場合について考える。この場合、正常モデルの胸部Ｘ線画像Ｉｘｒ（図２９）において、点Ｑ１～Ｑ４のうち、点Ｐとの距離が最小となる正規化中心座標は点Ｑ４（０．４，０．８５）である。よって、局所領域ＲＰの指標と、局所領域ＲＱ４の基準指標とを比較する。

正常モデル作成時における、異なる正常症例間の局所領域の対応付けも同様に行う。この時、正常モデル作成用の複数の正常症例の中から、局所領域の分割方法を決めるための基準症例を１つ選定し、他の正常症例の局所領域は、全て基準症例における局所領域に対応づける。基準症例の選定方法としては、位置分解能を重視して、局所領域の分割数が最も多いものを選定することができる。

局所領域設定部１０３は、局所領域を設定する際に、異なる胸部Ｘ線画像に対しても、肺門からの距離に応じた分割数、及び、肺門からの距離方向と直交する方向の分割数を一定とした局所領域の分割を行い、互いに対応する局所領域に同じインデックスを付加してもよい。この場合、異常判定部１０４は、「正常モデル」に付加されているインデックスと「異常検知対象の胸部Ｘ線画像」に付加されているインデックスとを比較することにより、正常モデル格納部１０５から、「異常検知対象の胸部Ｘ線画像」に含まれる局所領域に対応する、「正常モデル」における局所領域の基準指標を抽出することができる。

正常モデルを作成する際には、上記説明では正規化座標系を導入することで実質的に、肺の画像の大きさおよび位置が正規化されている。そこで、異常判定部１０４は、診断対象の肺の画像の大きさおよび位置を正規化した上で、正常モデル格納部１０５に格納された正常モデル（つまり多数の正常症例に基づき作成された標準的な肺の画像）と診断対象の肺の画像とを重ね合わせたときに、正常モデルに含まれる複数の局所領域のうち、診断対象の肺の画像に含まれる局所領域ｉと重なる面積が最も大きいものを、局所領域ｉに対応する局所領域であると判断してもよい。

ステップＳ７００において、異常判定部１０４（判定部の一例に相当）は、ステップＳ５００で抽出した指標と、ステップＳ６００で抽出した基準指標とを比較し、比較結果に基づいて診断対象の肺の画像に含まれる局所領域ｉが異常状態であるか否かを判定する。また、異常判定部１０４は、異常判定結果、つまり異常状態と判定した局所領域及び異常の内容をメモリ１２１に保存する。

なお、上記では、異常検知を行う対象の胸部Ｘ線画像上の局所領域に対応する局所領域として、正常モデルにおける正規化中心座標が最も近い局所領域を選び、その選んだ局所領域の基準指標を異常判定に用いたが、これに限られない。例えば、異常検知を行う対象の胸部Ｘ線画像上の局所領域の正規化中心座標と、距離が近い、正常モデルにおける局所領域の正規化中心座標を複数選び、その選んだ複数の局所領域の基準指標を用いて、同距離の近さに応じて新たに１つの基準指標を合成してもよい。

正常モデルにおける複数の局所領域の選び方として、異常検知を行う対象の胸部Ｘ線画像上の局所領域の正規化中心座標との距離が一定値未満の正規化中心座標を含む局所領域、または、同距離が小さいものから順に一定個の正規化中心座標を含む局所領域を選ぶことができる。例えば、図２８、図２９において、異常検知を行う対象の胸部Ｘ線画像上の局所領域の正規化中心座標との距離が小さいものから３個選ぶとする。この場合、異常検知を行う対象の胸部Ｘ線画像Ｉｘｐ（図２８）の正規化中心座標Ｐに対応する、正常モデルの胸部Ｘ線画像Ｉｘｒ（図２９）の正規化中心座標は、正規化中心座標Ｑ４，Ｑ３，Ｑ１が選ばれる。すなわち、局所領域ＲＱ１，ＲＱ２，ＲＱ３，ＲＱ４のうち、正規化中心座標Ｑ４，Ｑ３，Ｑ１を含む局所領域ＲＱ４，ＲＱ３，ＲＱ１が選ばれる。そして、局所領域ＲＱ４，ＲＱ３，ＲＱ１それぞれの基準指標を、距離の逆数で重みづけ合成することにより、新たな基準指標が計算できる。

基準指標については、予め正常な症例の胸部Ｘ線画像を多数枚用意し、それらの各画像から、ステップＳ５００の方法で、局所領域毎に指標（本実施形態では、血管の太さおよび密度を表す血管指標）の確率密度関数を計算する。複数の局所領域に対応する複数の指標の確率密度関数を、それぞれ基準指標として正常モデル格納部１０５に予め保存しておく。

図３０は、指標の確率密度関数ＰＤＦの一例を概略的に示す図である。多数の正常症例の胸部Ｘ線画像から所定のアルゴリズムで指標を求め、求めた指標の頻度をプロットすると、図３０に示される指標の確率密度関数ＰＤＦが得られる。本実施形態では、図３０に示される指標の確率密度関数ＰＤＦが、基準指標として、正常モデル格納部１０５に保存されている。指標の確率密度関数ＰＤＦは、局所領域ごとに予め求められている。異常判定部１０４は、局所領域毎に、例えば図３０のような確率密度関数ＰＤＦを用いて異常状態か否かを判定する。図３０では１次元指標の確率密度関数を示しているが、複数次元の指標、例えばＦＢ次元の特徴量である場合は、図３０の横軸の「指標」はベクトルとなり、確率密度関数ＰＤＦは、例えばＦＢ次元の多次元空間における正規分布を表す。異常判定部１０４は、対象とする指標に関し、上述の指標の確率密度関数ＰＤＦに対し、局所領域から抽出された指標に対応する確率の値で正常らしさを判定する。例えば図３０においては、抽出された指標Ｐ１、Ｐ２の正常らしさは、それぞれＱ１、Ｑ２である。そこで、異常判定部１０４は、指標Ｐ２は正常らしい、と判定し、指標Ｐ１は異常らしい、と判定する。

ここで、図３０に示されるように確率密度関数が１次元の場合は、確率密度関数の最頻値または平均値（正規分布として近似している場合には両者は一致する）と比較した指標の大小により、指標が大きすぎて異常なのか、小さすぎて異常なのかを判定することができる。確率密度関数が多次元の場合は、確率密度関数の最頻値または平均値の多次元空間上の位置に対する、指標の多次元空間上の位置により、特定の次元の指標が小さすぎて異常なのか、大きすぎて異常なのかを判定することができる。これを利用すると、例えば、異常理由が、幅の「より広い／同じ／より狭い」血管が「増えている／減っている」と分類できる。

確率密度関数ＰＤＦを表す方法としては、比較的少数のパラメータによるパラメトリックモデルを用いて表す方法、特定の関数型を仮定せず、個々のデータにより分布の形を特定するノンパラメトリックモデルを用いて表す方法などがある。局所領域から抽出される指標が少数次元であれば、異常判定部１０４は、この確率密度関数を用いて異常状態か否かを判定する。例えばパラメトリックモデルを用いる場合は、基準指標として、確率密度関数を表すパラメータ（例えば正規分布の平均及び標準偏差）を正常モデル格納部１０５に格納する。

血管の太さおよび密度を表す特徴量を抽出した場合には、血管の太さが正常状態よりも太くなっている／細くなっている／異なる、血管の密度が正常状態よりも小さくなっている／大きくなっている／異なる、のように、異常の内容を設定することができる。例えば、肺炎による浸潤影、または、肺癌による結節影または腫瘤影が存在する局所領域では、血管パタンが見えづらくなり、血管の密度が正常状態よりも小さくなる。例えば、蜂巣肺化している局所領域では、通常の血管パタンが見えなくなり、蜂巣肺の壁のパタンが血管の代わりに抽出され、正常時の血管影の太さまたは密度よりも異なった値となる。例えば、心不全により胸膜肥厚が起こっている局所領域では、正常状態では血管パタンが見えない領域で、胸膜肥厚のパタンが血管の代わりに抽出され、正常時の血管影の太さまたは密度よりも異なった値となる。

一方、局所領域から抽出される指標が高次元の場合は、次元削減による異常判定方法を用いることができる。これは、前のステップＳ５００で触れた、局所領域の画像そのものから、肺血管の太さおよび密度の少なくとも一方を表す指標を含むことを期待して、画像を次元圧縮することで、少数次元の特徴量を抽出する場合に利用できる。

図３１は、次元削減時の再構成誤差を利用した異常判定方法を説明する図である。正常モデルの基準指標を求める機械学習時に、学習用データセットが分布する元の高次元オリジナル空間ＨＤＯＳから、次元が削減された低次元部分空間ＬＤＰＳを求めておく。ここで、正常データで学習用データセットを構成して低次元部分空間ＬＤＰＳを求めた場合、得られた低次元部分空間ＬＤＰＳは、正常データの特徴を反映した空間になっていると考えられる。局所領域から抽出される指標を、この低次元部分空間ＬＤＰＳに投影した際、元の学習データと素性が近ければ（すなわち正常データであれば）、所定の閾値未満の再構成誤差ＥＲ１が得られることとなる。一方、異常なデータであれば、所定の閾値以上の再構成誤差ＥＲ２が得られることとなる。異常判定部１０４は、これを利用して、異常状態であるか否かの判定を行う。再構成誤差は、局所領域から抽出される指標を低次元部分空間ＬＤＰＳに投影した（つまり次元圧縮した）際のベクトルと、元の高次元オリジナル空間ＨＤＯＳにおけるベクトルとの距離で計算できる。次元削減を行う方法としては、主成分分析、積層オートエンコーダ、変分オートエンコーダ等の手法を用いることができる。

図３２は、積層オートエンコーダ１２００のネットワーク構成を示す図である。積層オートエンコーダ１２００は、図３２に示されるように、入力層ＩＬ、出力層ＯＬ、２以上の中間層ＭＬを備え、中間層ＭＬのニューロン数を入力層ＩＬ、出力層ＯＬに比べて絞った砂時計型のフィードフォワードネットワークである。積層オートエンコーダ１２００では、入力を再現するような出力を得るように、入力データ自身を教師データとして学習する。学習終了後には、中間層ＭＬは、学習データセットの素性を良く表現できるような特徴表現になっている。このため、例えば中間層ＭＬ（ｉ）の出力を次元削減データとすることができる。

図３３は、変分オートエンコーダ１３００のネットワーク構成を示す図である。変分オートエンコーダ１３００は、図３３に示されるように、入力層ＩＬ、出力層ＯＬ、２以上の中間層を備え、積層オートエンコーダ１２００（図３２）と同様に、中間層のニューロン数を入力層ＩＬ、出力層ＯＬに比べて絞った砂時計型のネットワークである。変分オートエンコーダは、例えば非特許文献４に開示されている。図３３は、非特許文献４の図２又は図３に相当する。

変分オートエンコーダ１３００では、エンコーダＥＣＤが、画像ｘを入力として、画像ｘを生成する基となる潜在変数ＬＶであるｚの分布ｑφ（ｚ｜ｘ）のパラメータを出力する。デコーダＤＣＤは、分布ｑφ（ｚ｜ｘ）からサンプリングしたｚを基に、生成画像の分布ｐθ（ｘ｜ｚ）を出力する。変分オートエンコーダ１３００における学習は、データセットの各点ｘの対数周辺尤度ｌｏｇｐθ（ｘ）の変分下界の最大化により行われる。非特許文献４では、学習アルゴリズムは、アルゴリズム３として、説明されている。

変分オートエンコーダ１３００を用いた異常判定は、以下のようにして行われる。対象胸部Ｘ線画像ｙを学習済のエンコーダＥＣＤに入力し、潜在変数ＬＶの値がｚの分布ｆ（ｚ｜ｙ）を得る。この分布からサンプリングして潜在変数ｚを得て、得られた潜在変数ｚを用いて対象胸部Ｘ線画像ｙの尤度ｐθ（ｙ｜ｚ）を求める。異常判定部１０４は、その尤度ｐθ（ｙ｜ｚ）により、異常または正常を判定する。非特許文献４では、判定アルゴリズムは、アルゴリズム４として、説明されている。

主成分分析の場合は、正常モデルの基準指標として、次元削減を行う行列を正常モデル格納部１０５に格納する。積層オートエンコーダ、変分オートエンコーダの場合は、正常モデルの基準指標として、学習後のネットワーク構造およびパラメータを正常モデル格納部１０５に格納する。

次元削減による手法の場合は、異常判定部１０４は、再構成誤差から異常理由を求めることが難しいため、異常判定結果として、異常状態と判定した局所領域を示す情報のみをメモリ１２１に保存する。

図３に戻り、ステップＳ８００において、異常判定部１０４は、全ての局所領域が選択されたか否かを判定する。全ての局所領域が選択されていれば（ステップＳ８００でＹＥＳ）、処理はステップＳ９００に進む。一方、全ての局所領域が未だ選択されていなければ（ステップＳ８００でＮＯ）、処理はステップＳ４００に戻り、次の局所領域が選択されて、以上のステップが繰り返される。ステップＳ９００において、表示制御部１２２は、ステップＳ７００で異常状態であると判定された局所領域および異常の内容をディスプレイ１０８に表示する。

図３４Ａは、ディスプレイ１０８の表示例を概略的に示す図である。図３４Ａに示されるように、表示制御部１２２は、対象胸部Ｘ線画像Ｉｘと、異常状態と判定された局所領域ＡＢ１，ＡＢ２，ＡＢ３と、異常状態の内容を表すメッセージＭｓとをディスプレイ１０８に表示する。局所領域の名称及びメッセージＭｓは、予め定義されてメモリ１２１に保存されている。図３４Ａの例では、局所領域ＡＢ１，ＡＢ２，ＡＢ３は、それぞれ、局所領域ｊの一例に相当する。

図３４Ｂは、ディスプレイ１０８の別の表示例を概略的に示す図である。図３４Ｂの例では、表示制御部１２２は、対象胸部Ｘ線画像Ｉｘと、異常状態と判定された局所領域ＬＬ１Ｇ１，ＬＬ１Ｇ２と、異常状態の内容を表すメッセージＭｓとをディスプレイ１０８に表示する。図２０を用いて説明されたように、局所領域設定部１０３は、局所領域ＬＬ１Ｇ１，ＬＬ１Ｇ２を第１グループに含めている。すなわち、図３４Ｂの例では、局所領域ＬＬ１Ｇ１，ＬＬ１Ｇ２を含む第１グループは、グループｈの一例に相当する。

図３５は、ディスプレイ１０８のさらに別の表示例を概略的に示す図である。上述のように、肺領域設定部１０２は、検出部１０１が検出した線構造の確からしさを表す信頼度を算出し、算出した信頼度が所定の閾値より高くなければ、検出部１０１が検出した、他の所定の解剖学的構造の位置に基づいて、別途、線構造を推定し、推定した線構造を利用して、肺領域を設定してもよい。その場合は、設定した肺領域の境界が正しくない可能性がある。このため、図３５に示されるように、表示制御部１２２は、ディスプレイ１０８に表示するメッセージＭｓとして、異常状態の内容に加えて、処理対象領域が同定できなかったこと（すなわち処理対象領域が推定した線構造で構成されていること）、および、領域境界付近を注意して確認するように促す文言、などを表示してもよい。

図３５において、領域ＡＰは、図１４を用いて説明されたように、検出部１０１が検出した右横隔膜ドーム陰影Ｐｘ１（例えば図８）から、右横隔膜ドーム陰影と右背側肺底陰影との位置関係に基づき求められた、右背側肺底の存在確率が所定値以上の領域である。本実施形態では、領域ＡＰのような、所定の透明度を有するぼかし画像が、線構造ごとに予め作成されて、メモリ１２１に保存されている。すなわち、右背側肺底用のぼかし画像（図３５の領域ＡＰ）を表すデータと、左背側肺底用のぼかし画像（図示省略）を表すデータと、がメモリ１２１に予め保存されている。表示制御部１２２は、肺領域設定部１０２が算出した信頼度が所定の閾値以下の場合に、ぼかし画像を表すデータをメモリ１２１から読み出す。表示制御部１２２は、ぼかし画像と、胸部Ｘ線画像と、を例えばアルファブレンディングにより重ね合わせて、ディスプレイ１０８に表示する。

代替的に、表示制御部１２２は、さらに、推定した右背側肺底陰影Ｐｘ２を表す領域ＡＰの下端線（図１４）も、ディスプレイ１０８に表示してもよい。さらに代替的に、表示制御部１２２は、検出部１０１が検出した右背側肺底陰影Ｐｘ１０（例えば図１２）の信頼度が閾値以上の場合にも、表示制御部１２２は、領域ＡＰ（図３５）をディスプレイ１０８に表示してもよい。さらに代替的に、表示制御部１２２は、領域ＡＰ（図３５）をディスプレイ１０８に表示するか否かを、異常表示制御装置１００が備える操作パネル（図示省略）の操作によって、ユーザが選択できるようにしてもよい。

図３６は、ディスプレイ１０８のさらに別の表示例を概略的に示す図である。図３６の実施形態では、例えば、予め左横隔膜ドーム陰影と左背側肺底陰影との位置関係を多数の正常症例から求めて、メモリ１２１に保存しておく。図３６において、領域ＢＰは、検出部１０１が検出した左背側肺底陰影Ｐｘ１０（例えば図１２）から、上記位置関係に基づき求められた、左横隔膜ドームの存在確率が所定値以上の領域である。表示制御部１２２は、さらに、推定した領域ＢＰの上端線をディスプレイ１０８に表示してもよい。

以上のように、本開示の第１実施形態によれば、胸部Ｘ線画像において、肺と心臓とが重なる領域、および、肺と肝臓とが重なる領域に対して、異常の有無を判定することができる。

また、どの位置の局所領域がどのように正常状態と異なるかという情報をユーザに提示できる。したがって、ユーザにとって有益であり、読影医だけでなく、臨床医及び放射線技師の診断及び自己学習、または医学生の教育及び自己学習にも利用可能である。

また、例えば図１８に示されるように、領域ＲＬ１，ＲＬ２，ＬＬ１，ＬＬ２が分割されて局所領域ＲＬ２１等が設定されているので、異常と判定される領域の分解能を向上することができる。

（第１実施形態の変形例）
上記第１実施形態では、例えば図１８に示されるように、領域ＲＬ１，ＲＬ２，ＬＬ１，ＬＬ２が分割されて局所領域ＲＬ２１等が設定され、局所領域毎に、異常状態であるか否かが判定されているが、これに限られない。例えば、領域ＲＬ１，ＲＬ２，ＬＬ１，ＬＬ２を分割せずに、異常判定部１０４は、領域ＲＬ１，ＲＬ２，ＬＬ１，ＬＬ２毎に、異常状態であるか否かを判定してもよい。

図３７は、図１と異なる構成の異常表示制御装置を示すブロック図である。図３７に示されるように、異常表示制御装置１００（異常検出装置の一例に相当）は、正常モデル格納部１０５、画像メモリ１０６、通信部１０７、ディスプレイ１０８、ＣＰＵ１２０、メモリ１２１を備えている。異常表示制御装置１００は、例えばパーソナルコンピュータで構成される。

メモリ１２１のＲＯＭは、ＣＰＵ１２０を動作させる第１実施形態の変形例の制御プログラムを記憶する。ＣＰＵ１２０は、メモリ１２１に記憶されている第１実施形態の変形例の制御プログラムを実行することによって、検出部１０１、肺領域設定部１０２、異常判定部１０４、表示制御部１２２、通信制御部１２３として機能する。このように、図３７の実施形態では、ＣＰＵ１２０は局所領域設定部を含まない。

正常モデル格納部１０５は、上記第１実施形態のように予め定義された複数の局所領域の基準指標ではなくて、予め定義された領域ＲＬ１，ＲＬ２，ＬＬ１，ＬＬ２の基準指標を格納する。すなわち、図３７の実施形態では、領域ＲＬ１，ＲＬ２，ＬＬ１，ＬＬ２に含まれる、ある程度幅をもった血管の径（つまり血管の太さ）または血管の密度（つまり、画像の局所領域の面積に対する、同領域において血管が占める面積の割合）の範囲で、基準指標が定義されることになる。

異常判定部１０４は、領域ＲＬ１，ＲＬ２，ＬＬ１，ＬＬ２から、肺血管の太さおよび密度の少なくとも一方を表す血管指標を抽出する。異常判定部１０４は、抽出された血管指標と、正常モデル格納部１０５から抽出された基準指標とを比較して、領域ＲＬ１，ＲＬ２，ＬＬ１，ＬＬ２毎に、異常状態であるか否かを判定する。

図３７の実施形態では、領域ＲＬ１，ＲＬ２、ＬＬ１，ＬＬ２において異常と判定された場合は、その内部での異常箇所は特定できない。しかし、図３７の実施形態でも、上記第１実施形態と同様に、胸部Ｘ線画像において、肺と心臓とが重なる領域、肺と肝臓および横隔膜とが重なる領域、および、肺と横隔膜および胃とが重なる領域に対して、異常の有無を判定することができる。

（第２実施形態）
図３８は、第２実施形態における、医療機関内のネットワーク構成４１０Ａを概略的に示すブロック図である。第２実施形態では、図３８に示されるように、サーバ装置５００と、表示制御装置６００と、医用画像管理システム２００と、胸部Ｘ線画像撮影装置３００と、が医療機関のイントラネットワーク４００に接続されている。

なお、サーバ装置５００と、表示制御装置６００と、医用画像管理システム２００と、胸部Ｘ線画像撮影装置３００とは、必ずしも、同一の医療機関内のイントラネットワーク４００上に接続されている必要はない。表示制御装置６００、及び、医用画像管理システム２００は、医療機関の外部に設けられたデータセンター、プライベートクラウドサーバ、パブリッククラウドサーバなどの上で動作するソフトウェアであってもよい。

図３８に示されるように、サーバ装置５００は、正常モデル格納部１０５、画像メモリ１０６、通信部１０７、ＣＰＵ１３０、メモリ１３１を備えている。メモリ１３１は、例えば半導体メモリ等により構成される。メモリ１３１は、例えばＲＯＭ、ＲＡＭ、ＥＥＰＲＯＭなどを含む。メモリ１３１のＲＯＭは、ＣＰＵ１３０を動作させる制御プログラムを記憶する。

ＣＰＵ１３０は、メモリ１３１に記憶されている制御プログラムを実行することによって、検出部１０１、肺領域設定部１０２、局所領域設定部１０３、異常判定部１０４（判定部の一例に相当）、通信制御部１２３Ａ（取得部の一例に相当）として機能する。通信制御部１２３Ａは、通信部１０７を介して、対象胸部Ｘ線画像を医用画像管理システム２００から取得し、取得した対象胸部Ｘ線画像を画像メモリ１０６に保存する。通信制御部１２３Ａは、通信部１０７を介して、検出部１０１の検出結果と、異常判定部１０４の判定結果とを、表示制御装置６００へ送信する。

表示制御装置６００（端末装置の一例に相当）は、例えば、タブレット型コンピュータで構成され、医師又は放射線技師などの医療従事者が保持する。図３８に示されるように、表示制御装置６００は、ＣＰＵ１４０と、メモリ１４１と、画像メモリ１４２と、通信部１４３と、ディスプレイ１０８と、を備える。

メモリ１４１は、例えば半導体メモリ等により構成される。メモリ１４１は、例えばＲＯＭ、ＲＡＭ、ＥＥＰＲＯＭなどを含む。メモリ１４１のＲＯＭは、ＣＰＵ１４０を動作させる制御プログラムを記憶する。ＣＰＵ１４０は、メモリ１４１に記憶されている制御プログラムを実行することによって、表示制御部１２２、通信制御部１２３Ｂとして機能する。

通信制御部１２３Ｂは、通信部１４３を介して、サーバ装置５００から送信された対象胸部Ｘ線画像のデータを受信し、受信したデータを画像メモリ１４２に格納する。また、通信制御部１２３Ｂは、通信部１４３を介して、サーバ装置５００から送信された、異常状態と判定された局所領域のデータと、異常の内容を表すメッセージとを受信して、受信したデータおよびメッセージをメモリ１４１に格納する。表示制御部１２２は、サーバ装置５００から送信された情報に基づき、図３４～図３６と同様の画面を、ディスプレイ１０８に表示する。この第２実施形態によれば、上記第１実施形態と同様の効果を得ることができる。上記各実施形態において、異常状態と判定された局所領域ＡＢ１，ＡＢ２，ＡＢ３と、異常状態の内容を表すメッセージＭｓとは、異常判定部１０４の判定結果を表す情報の一例に相当する。

（その他）
（１）上記各実施形態では、肺領域設定部１０２は、例えば図１６に示されるように、胸部Ｘ線画像Ｉｘｐにおいて、肺と心臓とが重なる領域ＲＬ２，ＬＬ１、肺と肝臓および横隔膜とが重なる領域ＲＬ１、および、肺と横隔膜および胃とが重なる領域ＬＬ２を設定しているが、これに限られない。肺領域設定部１０２は、胸部Ｘ線画像Ｉｘｐにおいて、肺と心臓とが重なる領域ＲＬ２，ＬＬ１、肺と肝臓および横隔膜とが重なる領域ＲＬ１、および、肺と横隔膜および胃とが重なる領域ＬＬ２のいずれか一つまたは二つを設定してもよい。すなわち、肺領域設定部１０２は、胸部Ｘ線画像Ｉｘｐにおいて、肺と心臓とが重なる領域ＲＬ２，ＬＬ１、肺と肝臓および横隔膜とが重なる領域ＲＬ１、および、肺と横隔膜および胃とが重なる領域ＬＬ２の少なくとも一つを設定していればよい。

（２）上記各実施形態では、例えば図３４に示されるように、表示制御部１２２は、異常状態であると判定された局所領域および異常の内容をディスプレイ１０８に表示しているが、これに限られない。表示制御部１２２（出力制御部の一例に相当）は、例えば、異常表示制御装置１００に設けられた着脱可能なメモリに、異常状態であると判定された局所領域および異常の内容を出力してもよい。上記着脱可能なメモリは、例えば、ユニバーサルシリアルバス（ＵＳＢ）メモリ、書き込み可能なコンパクトディスク（ＣＤ－Ｒ）、書き換え可能ＣＤ（ＣＤ－ＲＷ）、書き込み可能なディジタル多用途ディスク（ＤＶＤ－Ｒ）等である。この実施形態でも、ユーザに対して有益な情報を提供することができる。

（３）上記各実施形態では、正常モデル格納部１０５には、例えば、指標の確率密度関数ＰＤＦ（図３０）が、基準指標として保存されている。代替的に、正常モデル格納部１０５には、基準指標として、指標の閾値が保存されていてもよい。この指標の閾値は、例えば図３０の横軸に示される第１値ＴＨ１および第２値ＴＨ２である。この場合、異常判定部１０４は、指標ＰがＴＨ１≦Ｐ≦ＴＨ２であれば、正常らしい、と判定し、指標ＰがＰ＜ＴＨ１またはＴＨ２＜Ｐであれば、異常らしい、と判定する。

（４）上記各実施形態において、図３のステップＳ６００，Ｓ７００，Ｓ８００，Ｓ９００に代えて、表示制御部１２２は、ステップＳ５００で抽出された指標を、ディスプレイ１０８に表示してもよく、あるいは、上記着脱可能なメモリに出力してもよい。この実施形態によれば、ステップＳ５００で抽出された指標をユーザに提供することができる。その結果、ユーザは、ステップＳ５００で抽出された指標を利用することができる。例えば、ユーザは、ステップＳ５００で抽出された指標を用いて、胸部Ｘ線画像の局所領域における肺血管の状態を客観的な数値により把握することができる。よって、ユーザは、より精度よく、肺血管の状態が異常か否かを診断することが可能になる。

本開示によれば、読影対象である胸部Ｘ線画像の診断支援システム、および医学生又は研修医のための読影教育システムに利用可能である。

１００，１００Ａ 異常表示制御装置
１０１ 検出部
１０２ 肺領域設定部
１０３ 局所領域設定部
１０４ 異常判定部
１０５，１０５Ａ 正常モデル格納部
１０６ 画像メモリ
１０７ 通信部
１０８ ディスプレイ
１２１，１２１Ａ メモリ
１２２ 表示制御部
１２３ 通信制御部
２００ 医用情報管理システム
３００ 胸部Ｘ線画像撮影装置
４００ イントラネットワーク
５００ サーバ装置

Claims (28)

1. コンピュータが、胸部Ｘ線画像を取得し、
   前記コンピュータが、前記取得した胸部Ｘ線画像において、Ｘ線透過率の範囲が異なる複数の解剖学的構造の画像の境界線を、モデルを用いて検出し、前記モデルは前記検出前に機械学習を用いて構築され、
   前記コンピュータが、検出された前記境界線を基に、前記取得した胸部Ｘ線画像において、肺と心臓とが重なる第１肺領域および肺と肝臓とが重なる第２肺領域のうち少なくとも一方を含む第３肺領域を設定し、
   前記コンピュータが、前記第３肺領域に含まれる領域に存在する少なくとも１つの肺血管の太さおよび密度の少なくとも一方を表す血管指標を抽出し、
   前記コンピュータが、前記血管指標と、前記血管指標を抽出した方法を用いて正常状態の胸部Ｘ線画像の前記第３肺領域に含まれる領域に相当する領域から予め抽出された指標を用いた基準指標と、に基づいて前記第３肺領域に含まれる領域が異常状態であるか否かを判定し、
   前記第３肺領域に含まれる領域が異常状態であると判定されると、前記コンピュータが、前記判定を表す情報を出力する、
   異常検出方法。
2. 前記検出では、左室陰影、下行大動脈陰影、左横隔膜ドーム陰影、椎体の左境界線、椎体の右境界線、右房陰影、右横隔膜ドーム陰影のうち少なくとも２つの境界線が検出され、
   前記設定では、前記第１肺領域を含む前記第３肺領域が設定され、前記第１肺領域は、前記検出で検出された境界線のうち少なくとも２つで挟まれる領域により設定される、
   請求項１に記載の異常検出方法。
3. 前記検出では、前記左室陰影、前記下行大動脈陰影、前記左横隔膜ドーム陰影、前記椎体の左境界線、前記椎体の右境界線、前記右房陰影、前記右横隔膜ドーム陰影のうち少なくとも前記左室陰影、前記下行大動脈陰影、前記左横隔膜ドーム陰影、前記椎体の右境界線、前記右房陰影の境界線が検出され、
   前記設定では、前記第１肺領域は、前記検出で検出された境界線のうち前記左室陰影、前記下行大動脈陰影、前記左横隔膜ドーム陰影で挟まれる領域と、前記椎体の右境界線、前記右房陰影で挟まれる領域とにより設定される、
   請求項２に記載の異常検出方法。
4. 前記検出では、前記左室陰影、前記下行大動脈陰影、前記左横隔膜ドーム陰影、前記椎体の左境界線、前記椎体の右境界線、前記右房陰影、前記右横隔膜ドーム陰影のうち少なくとも前記椎体の左境界線、前記左室陰影、前記左横隔膜ドーム陰影、前記椎体の右境界線、前記右房陰影の境界線が検出され、
   前記設定では、前記第１肺領域は、前記検出で検出された境界線のうち前記椎体の左境界線、前記左室陰影、前記左横隔膜ドーム陰影で挟まれる領域と、前記椎体の右境界線、前記右房陰影で挟まれる領域とにより設定される、
   請求項２または３に記載の異常検出方法。
5. 前記設定では、前記第１肺領域は、前記検出で検出された境界線と、隣り合う前記境界線を接続する補間線と、によって囲まれた、閉じた領域として設定される、
   請求項２から４のいずれかに記載の異常検出方法。
6. 前記検出では、右横隔膜ドーム陰影、右背側肺底陰影、椎体の右境界線のうち少なくとも２つの境界線が検出され、
   前記設定では、前記第２肺領域を含む前記第３肺領域が設定され、前記第２肺領域は、前記検出で検出された境界線のうち少なくとも２つで挟まれる領域により設定される、
   請求項１から５のいずれかに記載の異常検出方法。
7. 前記検出では、前記右横隔膜ドーム陰影、前記右背側肺底陰影、前記椎体の右境界線のうち少なくとも前記右横隔膜ドーム陰影、前記右背側肺底陰影の境界線が検出され、
   前記設定では、前記第２肺領域は、前記検出で検出された境界線のうち前記右横隔膜ドーム陰影、前記右背側肺底陰影で挟まれる領域により設定される、
   請求項６に記載の異常検出方法。
8. 前記検出では、前記右横隔膜ドーム陰影、前記右背側肺底陰影、前記椎体の右境界線の境界線が検出され、
   前記設定では、前記第２肺領域は、前記検出で検出された前記右横隔膜ドーム陰影、前記右背側肺底陰影、前記椎体の右境界線で挟まれる領域により設定される、
   請求項６または７に記載の異常検出方法。
9. 前記設定では、前記第２肺領域は、前記検出で検出された境界線と、隣り合う前記境界線を接続する補間線と、によって囲まれた、閉じた領域として設定される、
   請求項６から８のいずれかに記載の異常検出方法。
10. 前記検出で前記右背側肺底陰影が検出された場合には、前記コンピュータが、前記右背側肺底陰影の検出結果の確からしさを表す信頼度を算出し、
    前記信頼度が所定の第１閾値以下であれば、前記コンピュータが、前記検出で検出された前記右背側肺底陰影以外の境界線の位置に基づいて、前記右背側肺底陰影を推定し、
    前記第２肺領域の設定では、前記信頼度が前記第１閾値よりも高ければ、前記検出で検出された前記右背側肺底陰影が利用され、前記信頼度が前記第１閾値以下であれば、前記推定で推定された前記右背側肺底陰影が利用される、
    請求項６から９のいずれかに記載の異常検出方法。
11. 前記第２肺領域の設定において、前記推定で推定された前記右背側肺底陰影が利用されている場合は、前記出力では、右肺底を含む領域への注意を促す情報が出力される、
    請求項１０に記載の異常検出方法。
12. 前記第３肺領域は、さらに、前記第１肺領域の下側に位置する第４肺領域を含み、
    前記検出では、さらに、前記境界線として左背側肺底陰影が検出される、
    請求項１から１１のいずれかに記載の異常検出方法。
13. 前記検出では、左横隔膜ドーム陰影、前記左背側肺底陰影、椎体の左境界線のうち前記左背側肺底陰影を含む少なくとも２つの境界線が検出され、
    前記設定では、前記第４肺領域を含む前記第３肺領域が設定され、前記第４肺領域は、前記検出で検出された境界線のうち少なくとも２つで挟まれる領域により設定される、
    請求項１２に記載の異常検出方法。
14. 前記検出では、左横隔膜ドーム陰影、前記左背側肺底陰影、椎体の左境界線のうち少なくとも前記左横隔膜ドーム陰影、前記左背側肺底陰影の境界線が検出され、
    前記設定では、前記第４肺領域は、前記検出で検出された境界線のうち前記左横隔膜ドーム陰影、前記左背側肺底陰影で挟まれる領域により設定される、
    請求項１２または１３に記載の異常検出方法。
15. 前記検出では、左横隔膜ドーム陰影、前記左背側肺底陰影、椎体の左境界線の境界線が検出され、
    前記設定では、前記第４肺領域は、前記検出で検出された前記左横隔膜ドーム陰影、前記左背側肺底陰影、前記椎体の左境界線で挟まれる領域により設定される、
    請求項１２または１３に記載の異常検出方法。
16. 前記設定では、前記第４肺領域は、前記検出で検出された境界線と、隣り合う前記境界線を接続する補間線と、によって囲まれた、閉じた領域として設定される、
    請求項１３から１５のいずれかに記載の異常検出方法。
17. 前記コンピュータが、前記検出における前記左背側肺底陰影の検出結果の確からしさを表す信頼度を算出し、
    前記信頼度が所定の第２閾値以下であれば、前記コンピュータが、前記検出で検出された前記左背側肺底陰影以外の境界線の位置に基づいて、前記左背側肺底陰影を推定し、
    前記第４肺領域の設定では、前記信頼度が前記第２閾値よりも高ければ、前記検出で検出された前記左背側肺底陰影が利用され、前記信頼度が前記第２閾値以下であれば、前記推定で推定された前記左背側肺底陰影が利用される、
    請求項１３から１６のいずれかに記載の異常検出方法。
18. 前記第４肺領域の設定において、前記推定で推定された前記左背側肺底陰影が利用されている場合は、前記出力では、さらに、左肺底を含む領域への注意を促す情報が出力される、
    請求項１７に記載の異常検出方法。
19. 前記出力では、前記判定を表す情報として、異常状態であると判定された、前記第３肺領域に含まれる領域の画像と、前記第３肺領域に含まれる領域の異常状態の内容と、が出力されて、ディスプレイに表示される、
    請求項１から１８のいずれかに記載の異常検出方法。
20. 前記コンピュータが、さらに、前記設定で設定された前記第３肺領域内において複数の局所領域１～ｎを分割設定し、前記複数の局所領域１～ｎは前記第３肺領域に含まれる領域を含み、前記ｎは２以上の自然数であり、
    前記抽出では、前記血管指標として、局所領域ｉに存在する少なくとも１つの肺血管の太さおよび密度の少なくとも一方を表す血管指標ｉが抽出され、前記ｉは１からｎまでの自然数であり、
    前記判定では、前記血管指標ｉと、前記血管指標ｉを抽出した方法を用いて正常状態の胸部Ｘ線画像の前記局所領域ｉに相当する領域から予め抽出された指標を用いた基準指標ｉと、に基づいて、前記局所領域ｉが異常状態であるか否かが判定され、
    前記出力では、異常状態であると判定された局所領域ｊの画像と、前記局所領域ｊの異常状態の内容と、が前記ディスプレイに表示され、前記ｊは１以上でｎ以下の自然数である、
    請求項１９に記載の異常検出方法。
21. 前記コンピュータが、さらに、前記複数の局所領域１～ｎのうち、前記取得した胸部Ｘ線画像における肺門部からの２次元距離に応じて、それぞれ異なる局所領域を含む複数のグループ１～ｍを生成し、前記ｍは２以上の自然数であり、
    前記抽出では、前記血管指標として、グループｋに存在する少なくとも１つの肺血管の太さおよび密度の少なくとも一方を表す血管指標ｋが抽出され、前記ｋは１からｍまでの自然数であり、
    前記判定では、前記血管指標ｋと、前記血管指標ｋを抽出した方法を用いて正常状態の胸部Ｘ線画像の前記グループｋに相当する領域から予め抽出された指標を用いた基準指標ｋと、に基づいて、前記グループｋが異常状態であるか否かが判定され、
    前記出力では、異常状態であると判定されたグループｈの画像と、前記グループｈの異常状態の内容と、が前記ディスプレイに表示され、前記ｈは１以上でｍ以下の自然数である、
    請求項２０に記載の異常検出方法。
22. 前記モデルは、画素単位で予測を行うニューラルネットワークを使用して、正常状態の胸部Ｘ線画像である学習用胸部Ｘ線画像を入力データとし、前記学習用胸部Ｘ線画像における境界線を示す画像を教師データとして、前記学習用胸部Ｘ線画像から前記境界線が検出されるように機械学習されたモデルである、
    請求項１から２１のいずれかに記載の異常検出方法。
23. 前記基準指標は、前記血管指標を抽出した方法を用いて正常状態の胸部Ｘ線画像の前記第３肺領域に含まれる領域に相当する領域から予め抽出された指標の確率密度関数、または前記血管指標を抽出した方法を用いて正常状態の胸部Ｘ線画像の前記第３肺領域に含まれる領域に相当する領域から予め抽出された指標について予め設定された閾値である、
    請求項１から２２のいずれかに記載の異常検出方法。
24. コンピュータを、
    胸部Ｘ線画像を取得する取得部、
    前記取得した胸部Ｘ線画像において、Ｘ線透過率の範囲が異なる複数の解剖学的構造の画像の境界線を、モデルを用いて検出する検出部、前記モデルは前記検出前に機械学習を用いて構築され、
    検出された前記境界線を基に、前記取得した胸部Ｘ線画像において、肺と心臓とが重なる第１肺領域および肺と肝臓とが重なる第２肺領域のうち少なくとも一方を含む第３肺領域を設定する設定部、
    前記第３肺領域に含まれる領域に存在する少なくとも１つの肺血管の太さおよび密度の少なくとも一方を表す血管指標を抽出し、抽出した前記血管指標と、前記血管指標を抽出した方法を用いて正常状態の胸部Ｘ線画像の前記第３肺領域に含まれる領域に相当する領域から予め抽出された指標を用いた基準指標と、に基づいて前記第３肺領域に含まれる領域が異常状態であるか否かを判定する判定部、
    前記第３肺領域に含まれる領域が異常状態であると判定されると、前記判定部の判定結果を表す情報を出力する出力制御部、
    として機能させる異常検出プログラム。
25. 胸部Ｘ線画像を取得する取得部と、
    前記取得した胸部Ｘ線画像において、Ｘ線透過率の範囲が異なる複数の解剖学的構造の画像の境界線を、モデルを用いて検出する検出部と、前記モデルは前記検出前に機械学習を用いて構築され、
    検出された前記境界線を基に、前記取得した胸部Ｘ線画像において、肺と心臓とが重なる第１肺領域および肺と肝臓とが重なる第２肺領域のうち少なくとも一方を含む第３肺領域を設定する設定部と、
    前記第３肺領域に含まれる領域に存在する少なくとも１つの肺血管の太さおよび密度の少なくとも一方を表す血管指標を抽出し、抽出した前記血管指標と、前記血管指標を抽出した方法を用いて正常状態の胸部Ｘ線画像の前記第３肺領域に含まれる領域に相当する領域から予め抽出された指標を用いた基準指標と、に基づいて前記第３肺領域に含まれる領域が異常状態であるか否かを判定する判定部と、
    前記第３肺領域に含まれる領域が異常状態であると判定されると、前記判定部の判定結果を表す情報を出力する出力制御部と、
    を備える異常検出装置。
26. 胸部Ｘ線画像を取得する取得部と、
    前記取得した胸部Ｘ線画像において、Ｘ線透過率の範囲が異なる複数の解剖学的構造の画像の境界線を、モデルを用いて検出する検出部と、前記モデルは前記検出前に機械学習を用いて構築され、
    検出された前記境界線を基に、前記取得した胸部Ｘ線画像において、肺と心臓とが重なる第１肺領域および肺と肝臓とが重なる第２肺領域のうち少なくとも一方を含む第３肺領域を設定する設定部と、
    前記第３肺領域に含まれる領域に存在する少なくとも１つの肺血管の太さおよび密度の少なくとも一方を表す血管指標を抽出し、抽出した前記血管指標と、前記血管指標を抽出した方法を用いて正常状態の胸部Ｘ線画像の前記第３肺領域に含まれる領域に相当する領域から予め抽出された指標を用いた基準指標と、に基づいて前記第３肺領域に含まれる領域が異常状態であるか否かを判定する判定部と、
    前記第３肺領域に含まれる領域が異常状態であると判定されると、前記判定部の判定結果を表す情報を出力する出力制御部と、
    を備えるサーバ装置。
27. コンピュータが、胸部Ｘ線画像を取得し、
    前記コンピュータが、前記取得した胸部Ｘ線画像において、肺と心臓とが重なる第１肺領域および／または前記肺と肝臓とが重なる第２肺領域を含む第３肺領域に含まれる領域が異常状態を示しているか否かを判定し、
    前記第３肺領域に含まれる領域が異常状態を示していると判定されると、前記コンピュータが、前記第３肺領域に含まれる領域が異常であることを表す情報を出力し、
    前記コンピュータが、さらに、前記取得した胸部Ｘ線画像において、肺の画像と心臓の画像との第１境界線および／または前記肺の画像と肝臓の画像との第２境界線を検出し、
    前記コンピュータが、さらに、前記第１境界線および／または前記第２境界線を基に、前記取得した胸部Ｘ線画像において、前記第３肺領域を設定し、
    前記コンピュータが、さらに、前記第３肺領域に含まれる領域における、血管の密度を示す血管指標を抽出し、
    前記判定では、前記血管指標と、正常状態の胸部Ｘ線画像の前記第３肺領域に含まれる領域に相当する領域における血管の密度を示す基準指標と、に基づいて前記第３肺領域に含まれる領域が異常状態を示しているか否かが判定される、
    異常検出方法。
28. コンピュータが、胸部Ｘ線画像を取得し、
    前記コンピュータが、前記取得した胸部Ｘ線画像において、Ｘ線透過率の範囲が異なる複数の解剖学的構造の画像の境界線を、モデルを用いて検出し、前記モデルは前記検出前に機械学習を用いて構築され、
    前記コンピュータが、検出された前記境界線を基に、前記取得した胸部Ｘ線画像において、肺と心臓とが重なる第１肺領域および肺と肝臓とが重なる第２肺領域のうち少なくとも一方を含む第３肺領域を設定し、
    前記コンピュータが、前記第３肺領域に含まれる領域に存在する少なくとも１つの肺血管の太さおよび密度の少なくとも一方を表す血管指標を抽出し、
    前記コンピュータが、前記抽出した血管指標を出力する、
    情報処理方法。

Images