JPWO2013001584A1 - 類似症例検索装置および類似症例検索方法 - Google Patents

Abstract

類似症例検索装置は、医用画像から抽出される各画像特徴量と、医用画像に対する読影レポートに含まれる、各読影項目または各疾病名との間の関連性を予め定めた二項間関係情報に基づいて、読影対象画像から抽出される複数の画像特徴量の各々について、当該画像特徴量と、対象読影レポートに含まれる読影項目または疾病名との間の関連性が高いほど大きな値の重みを決定する重み決定部（１７０）と、読影対象画像から抽出される複数の画像特徴量と、症例データベースに登録されている症例データに含まれる医用画像から抽出される複数の画像特徴量とを、重み決定部（１７０）で決定された画像特徴量毎の重みで重み付けして比較することにより、読影対象画像に類似する医用画像を含む症例データを検索する類似症例検索部（１８０）とを備える。

Description

本発明は、医用画像の読影に参考となる類似症例を検索するための類似症例検索装置および類似症例検索方法に関する。

近年、ＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）、ＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）等の医用画像装置の発達および普及によりデジタル化された高精細な医用画像が大容量で取得可能になっている。また、医師により読影済の医用画像は読影レポートと共にＰＡＣＳ（Ｐｉｃｔｕｒｅ Ａｒｃｈｉｖｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍｓ）に順次蓄積されつつある。ここで、新たな読影の参考とするため、読影対象の医用画像と類似した過去の医用画像を、蓄積済の過去症例から検索する技術が開発され始めている。

類似画像検索には画像間の類似度を決定する画像特徴量の選択が重要であるが、従来の画像検索装置として次のような技術が開示されている。

医用画像間の類似度を決定するための画像特徴量は、疾病の種類、疾病の進行度、または疾病の重症度、等により異なるべきであるが、従来の医用画像類似検索ではそれらの状況に関わらず同じ画像特徴量を使用していることが課題として存在していた。非特許文献１は、解決手段として、“ｃｕｓｔｏｍｉｚｅｄ−ｑｕｅｒｉｅｓ” ａｐｐｒｏａｃｈ（ＣＱＡ）という２ステップの検索法を提案している。これは、第一ステップにて、疾病の種類、疾病の進行度または疾病の重症度、等のクラスを最も良好に分類できる画像特徴量を用いて、クエリ画像を分類する。第二ステップにて、分類結果となったクラスに含まれる症例をさらに細分類するために最適化された画像特徴量を用いて、類似画像を検索する。このとき、クラス毎に最適な画像特徴量は教師なし学習（ｕｎｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）により事前に求めておく。また、同文献では、ＣＱＡを肺ＣＴ画像に対して適用し、従来の１種類の画像特徴量を用いた類似画像検索よりも、検索再現率を向上させている。

Ｊｅｎｎｉｆｅｒ Ｇ．Ｄｙ ｅｔ ａｌ． "Ｕｎｓｕｐｅｒｖｉｓｅｄ Ｆｅａｔｕｒｅ Ｓｅｌｅｃｔｉｏｎ Ａｐｐｌｉｅｄ ｔｏ Ｃｏｎｔｅｎｔ−ｂａｓｅｄ Ｒｅｔｒｉｅｖａｌ ｏｆ Ｌｕｎｇ Ｉｍａｇｅｓ"， ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ｖｏｌ．２５， ｎｏ．３， Ｍａｒｃｈ ２００３

しかしながら、前記従来の構成では、識別された疾病の種類、疾病の進行度または疾病の重症度、等により画像特徴量（即ち、類似基準）が決定され、決定された画像特徴量を用いて類似画像が検索されるだけであり、読影対象の医用画像に対する読影者の着目点を反映した類似画像検索にはなっていない。即ち、読影者が下した診断の裏づけや読影者が迷っている診断への補助にはなりにくいという課題を有している。

本発明は、前記従来の課題を解決するもので、読影者の着目点を類似画像検索に反映させた類似症例検索装置を提供することを目的とする。

本発明のある局面に係る類似症例検索装置は、医用画像と当該医用画像を読影した結果が記載された文書データである読影レポートとを含む症例データに類似する症例データを症例データベースより検索する類似症例検索装置であって、読影対象の医用画像である読影対象画像から複数の画像特徴量を抽出する画像特徴抽出部と、読影者が前記読影対象画像を読影することにより得られる読影レポートである対象読影レポートから、（ａ）医用画像の特徴を示す文字列である読影項目または（ｂ）医用画像に基づく読影者の診断結果である疾病名を抽出するレポート解析部と、医用画像から抽出される各画像特徴量と、前記医用画像に対する読影レポートから抽出される各読影項目または各疾病名との間の関連性を予め定めた二項間関係情報に基づいて、前記画像特徴抽出部が抽出した画像特徴量ごとに、当該画像特徴量と前記レポート解析部が抽出した前記読影項目または前記疾病名との間の関連性が高いほど大きな値の重みを決定する重み決定部と、前記画像特徴抽出部で抽出された前記複数の画像特徴量と、症例データベースに登録されている症例データに含まれる医用画像から抽出される複数の画像特徴量とを、前記重み決定部で決定された画像特徴量毎の重みで重み付けして比較することにより、前記読影対象画像に類似する医用画像を含む症例データを前記症例データベースより検索する類似症例検索部とを備える。

この構成によると、医用画像または読影対象画像から抽出される各画像特徴量について、対象読影レポートに記載されている読影項目または疾病名との間の関連性が高いものほど大きな重みで重み付けを行った上で、重み付けされた画像特徴量同士を比較することにより類似症例を検索している。これにより、対象読影レポートに記入された読影者の着目点を反映した上で、類似症例検索を行うことができる。

なお、本発明は、このような特徴的な処理部を備える類似症例検索装置として実現することができるだけでなく、類似症例検索装置に含まれる特徴的な処理部が実行する処理をステップとする類似症例検索方法として実現することができる。また、類似症例検索装置に含まれる特徴的な処理部としてコンピュータを機能させるためのプログラムまたは類似症例検索方法に含まれる特徴的なステップをコンピュータに実行させるプログラムとして実現することもできる。そして、そのようなプログラムを、ＣＤ−ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ−Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等のコンピュータ読取可能な非一時的な記録媒体やインターネット等の通信ネットワークを介して流通させることができるのは、言うまでもない。

本発明の類似症例検索装置によれば、読影者の着目点を類似画像検索に反映させた類似症例検索装置を提供することができる。

図１は、本発明の実施の形態１における類似症例検索装置の構成を示すブロック図である。 図２は、本発明の実施の形態１における読影知識作成の手順を示すフローチャートである。 図３は、本発明の実施の形態１における画像特徴量抽出の手順を示すフローチャートである。 図４は、本発明の実施の形態１における腹部ＣＴ検査の読影レポートの例を示す図である。 図５は、本発明の実施の形態１における読影レポートから抽出された読影項目および疾病名を示す図である。 図６は、本発明の実施の形態１における読影レポートから抽出された読影項目および疾病名、および、読影項目と同時に抽出された位置と時相の情報を示す図である。 図７は、本発明の実施の形態１における読影レポートから抽出された読影項目および疾病名、および、文脈解釈を行って読影項目と同時に抽出された位置と時相の情報を示す図である。 図８は、本発明の実施の形態１における、読影知識抽出のために取得したデータ一式を示す図である。 図９は、本発明の実施の形態１における、読影項目と画像特徴量との間の相関関係（二値）の概念図である。 図１０は、本発明の実施の形態１における、読影項目と画像特徴量との間の相関関係（多値）の概念図である。 図１１は、本発明の実施の形態１における、疾病名と画像特徴量との間の相関関係（二値）の概念図である。 図１２は、本発明の実施の形態１における、読影項目と疾病名との間の相関関係（二値）の概念図である。 図１３は、本発明の実施の形態１における、読影知識として抽出した（画像特徴量−読影項目）間の相関関係の格納形式を示す図である。 図１４は、本発明の実施の形態１における、読影知識として抽出した（画像特徴量−疾病名）間の相関関係の格納形式を示す図である。 図１５は、本発明の実施の形態１における、読影知識として抽出した（読影項目−疾病名）間の相関関係の格納形式を示す図である。 図１６は、本発明の実施の形態１における類似症例検索の手順を示すフローチャートである。 図１７は、本発明の実施の形態１における、類似症例検索画面の一例を示す図である。 図１８は、本発明の実施の形態１における、病変位置または領域の指定について説明するための図である。 図１９は、本発明の実施の形態１における類似症例検索時の重み付け方法１を示す図である。 図２０は、本発明の実施の形態１における類似症例検索時の重み付け方法２を示す図である。 図２１は、本発明の実施の形態１における類似症例検索時の重み付け方法３を示す図である。 図２２は、本発明の実施の形態２における読影項目の有無による画像特徴量の分布の違いを示す図である。 図２３は、本発明の実施の形態２における画像特徴量の分布パラメータを格納した様子を示す図である。 図２４は、本発明の実施の形態２における疾病名の有無による画像特徴量の分布の違いを示す図である。 図２５は、本発明の実施の形態２における画像特徴量の分布パラメータを格納した様子を示す図である。 図２６は、本発明の実施の形態２における腹部ＣＴ検査の読影レポートの例を示す図である。 図２７は、本発明の実施の形態２における読影レポートから抽出された読影項目および疾病名を示す図である。 図２８は、本発明の実施の形態２における、読影項目に対応する画像特徴量の分布から、読影者が記入した読影項目の妥当性を判定する様子を示す図である。 図２９は、本発明の実施の形態２において、入力された読影レポートを加工して表示した例を示す図である。 図３０は、本発明の実施の形態２における、ある読影項目に対応した複数の画像特徴量の分布を示す図である。 図３１は、類似症例検索装置の他の構成を示すブロック図である。 図３２は、類似症例検索装置の本発明に必須の構成要素を示すブロック図である。

以下、本発明の実施の形態について、図面を参照しながら説明する。なお、以下で説明する実施の形態は、いずれも本発明の好ましい一具体例を示すものである。以下の実施の形態で示される数値、構成要素、構成要素の接続形態、ステップ、ステップの順序などは、一例であり、本発明を限定する主旨ではない。本発明は、請求の範囲だけによって限定される。よって、以下の実施の形態における構成要素のうち、本発明の最上位概念を示す独立請求項に記載されていない構成要素については、本発明の課題を達成するのに必ずしも必要ではないが、より好ましい形態を構成するものとして説明される。

本発明の一実施の態様に係る類似症例検索装置は、医用画像と当該医用画像を読影した結果が記載された文書データである読影レポートとを含む症例データに類似する症例データを症例データベースより検索する類似症例検索装置であって、読影対象の医用画像である読影対象画像から複数の画像特徴量を抽出する画像特徴抽出部と、読影者が前記読影対象画像を読影することにより得られる読影レポートである対象読影レポートから、（ａ）医用画像の特徴を示す文字列である読影項目または（ｂ）医用画像に基づく読影者の診断結果である疾病名を抽出するレポート解析部と、医用画像から抽出される各画像特徴量と、前記医用画像に対する読影レポートから抽出される各読影項目または各疾病名との間の関連性を予め定めた二項間関係情報に基づいて、前記画像特徴抽出部が抽出した画像特徴量ごとに、当該画像特徴量と前記レポート解析部が抽出した前記読影項目または前記疾病名との間の関連性が高いほど大きな値の重みを決定する重み決定部と、前記画像特徴抽出部で抽出された前記複数の画像特徴量と、症例データベースに登録されている症例データに含まれる医用画像から抽出される複数の画像特徴量とを、前記重み決定部で決定された画像特徴量毎の重みで重み付けして比較することにより、前記読影対象画像に類似する医用画像を含む症例データを前記症例データベースより検索する類似症例検索部とを備える。

この構成によると、医用画像または読影対象画像から抽出される各画像特徴量について、対象読影レポートに記載されている読影項目または疾病名との間の関連性が高いものほど大きな重みで重み付けを行った上で、重み付けされた画像特徴量同士を比較することにより類似症例を検索している。これにより、対象読影レポートに記入された読影者の着目点を反映した上で、類似症例検索を行うことができる。

好ましくは、前記二項間関係情報は、さらに、読影レポートから抽出される読影項目と疾病名との間の関連性を示し、前記レポート解析部が前記対象読影レポートから読影項目および疾病名の両方を抽出した場合、前記重み決定部は、前記二項間関係情報に基づいて、前記画像特徴抽出部が抽出した画像特徴量ごとに、当該画像特徴量と前記レポート解析部が抽出した前記読影項目との間の関連性を示す値と、当該読影項目と前記レポート解析部が抽出した前記疾病名との関連性を示す値との積を、当該画像特徴量に対する重みとして決定する。

この構成によると、対象読影レポートに読影項目および疾病名の両方が記入されている場合に、画像特徴量と読影項目との間の関連性と、読影項目と疾病名との間の関連性とを同時に評価した類似症例検索を行うことができる。

また、前記レポート解析部が前記対象読影レポートから読影項目を抽出した場合、前記重み決定部は、前記二項間関係情報に基づいて、前記画像特徴抽出部が抽出した画像特徴量ごとに、当該画像特徴量と前記レポート解析部が抽出した前記読影項目との間の関連性を示す値を、当該画像特徴量に対する重みとして決定しても良い。

この構成によると、読影者が着目すべき読影項目は判断できたものの、最終的な疾病名の診断に迷っており、類似症例検索の結果で疾病名診断のヒントを得ようとしている状況において、適切な類似症例検索を行うことができる。

また、前記レポート解析部が前記対象読影レポートから疾病名を抽出した場合、前記重み決定部は、前記二項間関係情報に基づいて、前記画像特徴抽出部が抽出した画像特徴量ごとに、当該画像特徴量と前記レポート解析部が抽出した前記疾病名との間の関連性を示す値を、当該画像特徴量に対する重みとして決定しても良い。

この構成によると、読影者が直感等で疾病名を推定したがその根拠となる読影項目の判断に迷っている状況において、適切な類似症例検索を行うことができる。読影者は、類似症例検索の結果から、診断根拠（読影項目）のヒントを得ることができる。

また、前記重み決定部は、さらに、読影項目ごとの、該読影項目が記載されている読影レポートを作成する基となった医用画像に含まれる各画像特徴量の予め定められた確率分布データに基づいて、前記レポート解析部が抽出した読影項目に対応する前記画像特徴抽出部が抽出した各画像特徴量の尤度が高いほど、前記レポート解析部が抽出した読影項目に対する妥当性が高いと判断しても良い。

この構成によると、対象読影レポートに含まれる類似症例検索に使用した読影項目の妥当性を判断することができる。

好ましくは、上述の類似症例検索装置は、さらに、前記対象読影レポートを表示する表示部を備え、前記表示部は、前記重み決定部が判断した読影項目に対する妥当性の高さに基づいて、前記対象読影レポートに含まれる読影項目を視覚的に区別して表示する。

この構成によると、対象読影レポートの中で類似症例検索に使用した読影項目のうち、妥当性が低いと判定されたものを、妥当性が高いと判定されたものと区別可能なように表示することで、読影者に類似症例検索の根拠と、読影レポートの中の妥当性が低い箇所について提示することが可能である。

また、前記重み決定部は、さらに、疾病名ごとの、当該疾病名が記載されている読影レポートを作成する基となった医用画像に含まれる各画像特徴量の予め定められた確率分布データに基づいて、前記レポート解析部が抽出した疾病名に対応する前記画像特徴抽出部が抽出した各画像特徴量の尤度が高いほど、前記レポート解析部が抽出した疾病名に対する妥当性が高いと判断しても良い。

この構成によると、対象読影レポートに含まれる類似症例検索に使用した疾病名の妥当性を判断することができる。

好ましくは、上述の類似症例検索装置は、さらに、前記対象読影レポートを表示する表示部を備え、前記表示部は、前記重み決定部が判断した疾病名に対する妥当性の高さに基づいて、前記対象読影レポートに含まれる疾病名を視覚的に区別して表示する。

この構成によると、対象読影レポートの中で類似症例検索に使用した疾病名のうち、妥当性が低いと判定されたものを、妥当性が高いと判定されたものと区別可能なように表示することで、読影者に類似症例検索の根拠と、読影レポートの中の妥当性が低い箇所について提示することが可能である。

（実施の形態１）
図１は、本発明の実施の形態１における類似症例検索装置のブロック図である。

類似症例検索装置は、症例データベース１００と、読影知識データベース１１０と、読影対象画像読込部１２０と、読影対象画像表示部１３０と、レポート入出力部１４０と、レポート解析部１５０と、画像特徴抽出部１６０と、重み決定部１７０と、類似症例検索部１８０と、類似症例表示部１９０とを含む。

症例データベース１００は、ＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）またはＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）等の医用画像（本明細書中では「画像データ」のことを単に「画像」と言う）と、その医用画像を読影した結果である読影レポートとの対から構成される症例データ（以下、単に「症例」と言う。）を複数格納したデータベースである。読影知識データベース１１０は、複数の症例を解析することにより得た読影知識を格納したデータベースである。詳細については後述する。症例データベース１００および読影知識データベース１１０は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）などの記憶装置に記憶される。

読影対象画像読込部１２０は、ＣＴやＭＲＩ等の医用画像撮影装置で撮影された画像を、医用画像撮影装置または外部接続された記憶装置などから読み込む。

読影対象画像表示部１３０は、医療用の高精細モニタ等で構成され、読影対象画像読込部１２０で読み込んだ読影対象画像を表示する。

レポート入出力部１４０は、キーボードやマウスなどの入力装置と、そのような入力装置を用いて入力されたレポートを表示することにより、入力者に確認させるための表示装置とで構成されている。読影者は読影対象画像表示部１３０に表示された読影対象画像を参照しながら、レポート入出力部１４０を通して読影レポートを入力する。

読影対象画像表示部１３０、レポート入出力部１４０、および、後述する類似症例表示部１９０は、読影端末２００を構成する。

レポート解析部１５０は、レポート入出力部１４０で入力された読影レポートを解析し、テキスト特徴量（読影項目および疾病名）を抽出する。

画像特徴抽出部１６０は、読影対象画像読込部１２０で読み込まれた読影対象画像から複数種類の画像特徴量を抽出する。

重み決定部１７０は、レポート解析部１５０で抽出されたテキスト特徴量、画像特徴抽出部１６０で抽出された画像特徴量、および、読影知識データベース１１０に格納された読影知識から、画像検索で使用する複数の画像特徴量に対する重みをそれぞれ決定する。

類似症例検索部１８０は、画像特徴抽出部１６０で抽出された画像特徴量、および、重み決定部１７０で決定された重みを利用して、症例データベース１００から読影対象画像と類似した医用画像を含む症例を検索する。

類似症例表示部１９０は、類似症例検索部１８０で検索された類似症例を表示する。類似症例表示部１９０は、読影対象画像表示部１３０を構成する高精細モニタと同じ機種で別途構成されていてもよく、読影対象画像表示部１３０を構成する高精細モニタに読影対象画像と類似症例を同時に表示してもよい。なお、類似症例表示部１９０と読影対象画像表示部１３０との機種は異なっていても良い。

以後、本発明の各部の動作について詳細に説明する。

＜読影知識データベースの事前作成＞
類似症例検索を行うに当たり、事前に読影知識を得て、読影知識データベース１１０に格納しておく。読影知識は、医用画像とその医用画像を読影した結果である読影レポートとの対から構成される“症例”を複数集めたものから得られる。症例として、類似症例検索時にその中から類似症例を検索するための症例データベース１００に格納されたものを用いてもよいし、他のデータベースに格納されたものを用いてもよい。必要な症例数は、種種のデータマイニングアルゴリズムを用いて何らかの法則性および知識を得るために十分となる数である。通常は数百〜数万個のデータが用いられる。本実施の形態では、読影知識として、（１）画像特徴量、（２）読影項目、（３）疾病名の三項のうち二項間の相関関係を用いる。

「画像特徴量」としては、医用画像における臓器もしくは病変部分の形状に関するもの、または輝度分布に関するものなどがある。画像特徴量として、例えば、非特許文献：「根本，清水，萩原，小畑，縄野，“多数の特徴量からの特徴選択による乳房Ｘ線像上の腫瘤影判別精度の改善と高速な特徴選択法の提案”，電子情報通信学会論文誌Ｄ−ＩＩ，Ｖｏｌ．Ｊ８８−Ｄ−ＩＩ，Ｎｏ．２，ｐｐ．４１６−４２６，２００５年２月」に４９０種類の特徴量を用いることが記載されている。本実施の形態においても、医用画像の撮像に使用した医用画像撮影装置（モダリティ）または読影の対象臓器ごとに予め定めた数十〜数百種の画像特徴量を用いる。

「読影項目」とは、本明細書では、「読影医が、読影対象の画像の特徴を言語化した文字列」と定義する。使用する医用画像撮影装置または対象臓器等により、読影項目として使用される用語はほぼ限定される。例えば、分葉状、棘状、不整形、境界明瞭、輪郭不明瞭、低濃度、高濃度、低吸収、高吸収、スリガラス状、石灰化、モザイク状、早期濃染、低エコー、高エコー、毛羽立ち、等がある。

「疾病名」とは、医師（読影者）が医用画像やその他の検査を基に診断した疾病名のことである。読影時の診断疾病名とその他の検査を経て確定診断した疾病名とは異なることがあるが、読影知識データベースを作成する際は、確定診断の結果を用いる。

以下、図２のフローチャートを用いて読影知識作成の手順を説明する。本実施の形態で対象とする、つまり使用する医用画像撮影装置はマルチスライスＣＴとし、対象臓器および疾病は、それぞれ肝臓および肝腫瘤とする。

ステップＳ１０では、読影知識を得るための症例が格納されたデータベースから症例を１つ取得する。ここで読影知識を得るための症例の総数をＣ個とする。１つの症例は、医用画像とその医用画像を読影した結果である読影レポートとの対で構成されている。医用画像がマルチスライスＣＴ装置により取得された場合、１つの症例は多数枚のスライス画像を含むことになる。また、通常、マルチスライスＣＴ画像を医師が読影する場合、重要なスライス画像１〜数枚を、キー画像として読影レポートに添付する。以後、多数枚のスライス画像集合、あるいは、数枚のキー画像を単に「医用画像」、「画像」と呼ぶこともある。

ステップＳ１１では、医用画像から画像特徴量を抽出する。ステップＳ１１の処理を、図３のフローチャートを用いて詳細に説明する。

ステップＳ１１１では、対象臓器の領域を抽出する。本実施の形態では肝臓領域を抽出する。肝臓領域抽出法として、例えば、非特許文献：「田中，清水，小畑，“異常部位の濃度パターンを考慮した肝臓領域抽出手法の改良＜第二報＞”，電子情報通信学会技術研究報告，医用画像，１０４（５８０），ｐｐ．７−１２，２００５年１月」等の手法を用いることができる。

ステップＳ１１２では、ステップＳ１１１で抽出された臓器領域から病変領域を抽出する。本実施の形態では肝臓領域から腫瘤領域を抽出する。肝腫瘤領域抽出法として、例えば、非特許文献：「中川、清水，一杉，小畑，“３次元腹部ＣＴ像からの肝腫瘤影の自動抽出手法の開発＜第二報＞”，医用画像，１０２（５７５），ｐｐ．８９−９４，２００３年１月」等の手法を用いることができる。ここで、ｉ番目の症例における画像から抽出した腫瘤の数をＭ_ｉとすると、腫瘤は（症例番号，腫瘤番号）の組（ｉ，ｊ）で特定できる。ここで、１≦ｉ≦Ｃ，１≦ｊ≦Ｍ_ｉである。また本実施の形態では病変として肝腫瘤を対象としているため、“腫瘤番号”と呼んだが、本発明で共通の表現を用いて“病変番号”と呼ぶこともできる。

ステップＳ１１３では、ステップＳ１１２で抽出された病変領域のうち、１つの領域を選択する。

ステップＳ１１４では、ステップＳ１１３で選択された病変領域から画像特徴量を抽出する。本実施の形態では、画像特徴量として、非特許文献：「根本，清水，萩原，小畑，縄野，“多数の特徴量からの特徴選択による乳房Ｘ線像上の腫瘤影判別精度の改善と高速な特徴選択法の提案”，電子情報通信学会論文誌Ｄ−ＩＩ，Ｖｏｌ．Ｊ８８−Ｄ−ＩＩ，Ｎｏ．２，ｐｐ．４１６−４２６，２００５年２月」に記載された４９０種類の特徴量のうち、肝腫瘤にも適用可能な特徴量をいくつか選択して用いる。この特徴量数をＮ_Ｆ個とする。本ステップで抽出された特徴量は、（症例番号，この症例（医用画像）から抽出された腫瘤番号，特徴量番号）の組（ｉ，ｊ，ｋ）で特定できる。ここで、１≦ｉ≦Ｃ，１≦ｊ≦Ｍ_ｉ，１≦ｋ≦Ｎ_Ｆである。

ステップＳ１１５では、ステップＳ１１２で抽出された病変領域のうち未選択の病変があるかどうかをチェックし、未選択の病変がある場合は、ステップＳ１１３に戻り未選択の病変領域を選択した後、ステップＳ１１４を再実行する。未選択の病変がない場合、すなわち、ステップＳ１１２で抽出された全ての病変領域に対し、ステップＳ１１４の特徴量選択を行った場合は図３のフローチャートの処理を終了し、図２のフローチャートに戻る。

図２のステップＳ１２では、読影レポートの解析処理を行う。具体的には読影レポートから読影項目および疾病名を抽出する。本実施の形態では読影項目が格納された読影項目単語辞書、および疾病名が格納された疾病名単語辞書を用いた、形態素解析および構文解析を行う。これらの処理により、各単語辞書に格納された単語と一致する単語を抽出する。形態素解析技術としては、例えば、非特許文献：ＭｅＣａｂ（ｈｔｔｐ：／／ｍｅｃａｂ．ｓｏｕｒｃｅｆｏｒｇｅ．ｎｅｔ）やＣｈａＳｅｎ（ｈｔｔｐ：／／ｃｈａｓｅｎ−ｌｅｇａｃｙ．ｓｏｕｒｃｅｆｏｒｇｅ．ｊｐ）等が、構文解析技術としては、非特許文献：ＫＮＰ（ｈｔｔｐ：／／ｎｌｐ．ｋｕｅｅ．ｋｙｏｔｏ−ｕ．ａｃ．ｊｐ／ｎｌ−ｒｅｓｏｕｒｃｅ／ｋｎｐ．ｈｔｍｌ）、ＣａｂｏＣｈａ（ｈｔｔｐ：／／ｃｈａｓｅｎ．ｏｒｇ／〜ｔａｋｕ／ｓｏｆｔｗａｒｅ／ｃａｂｏｃｈａ／）等が存在する。読影レポートは医師により読影レポート独特の表現で記述されることが多いので、読影レポートに特化した形態素解析技術、構文解析技術、各単語辞書を開発することが望ましい。

図４は腹部ＣＴ検査の読影レポートの例であり、図５は図４の読影レポートから抽出された読影項目および疾病名を示す。読影項目は通常複数個、疾病名は１個抽出される。ｉ番目の症例における読影レポートから抽出した読影項目の数をＮ_ｉとすると、読影項目は（症例番号，読影項目番号）の組（ｉ，ｊ）で特定できる。ここで、１≦ｉ≦Ｃ，１≦ｊ≦Ｎ_ｉである。

また、図５では、読影項目および疾病名の単語のみを抽出しているが、読影レポートにおける病変の位置を表す文字列、時相を表す文字列を同時に抽出してもよい。ここで、時相について補足する。肝臓の病変の鑑別には、造影剤を急速静注して経時的に撮像する造影検査が有用とされている。肝臓の造影検査では一般に、肝動脈に造影剤が流入し多血性の腫瘍が濃染する動脈相、腸管や脾臓に分布した造影剤が門脈から肝臓に流入し肝実質が最も造影される門脈相、肝の血管内外の造影剤が平衡に達する平衡相、肝の間質に造影剤が貯留する晩期相などにおいて、肝臓が撮像される。読影レポートには病変の臓器における位置や、造影検査であれば着目した時相の情報が記述されていることが多い。このため、読影項目だけでなく位置や時相の情報も合わせて抽出することで、後で説明する読影知識の抽出に有効となる。図６に、読影項目と同時に位置と時相の情報を抽出した例を示す。例えば、図４の読影レポートを解析し、「肝Ｓ３区域に早期濃染を認め」という文節から「早期濃染」の位置属性として「肝Ｓ３区域」が抽出される。同様に、「後期相でｗａｓｈｏｕｔされており」という文節から「ｗａｓｈｏｕｔ」の時相属性として「後期相」が抽出される。

図４の読影レポートを、単純に解釈すると、図６のように「早期濃染」に関する時相、ｗａｓｈｏｕｔに関する位置の部分が空白になる。これに対し、読影項目「早期濃染」は早期相に対応した単語であるという事前知識を利用したり、「早期濃染」の状態を示す腫瘤と「後期相でｗａｓｈｏｕｔ」される腫瘤が同一の腫瘤を指すという文脈解釈を行ったりすることができれば、抽出される位置と時相の情報は図７のようになる。

ステップＳ１３では、読影知識を得るための症例が格納されたデータベースにおいて未取得の症例があるかどうかをチェックし、未取得の症例がある場合は、ステップＳ１０に戻り未取得の症例を取得した後、ステップＳ１１およびＳ１２を実行する。未取得の症例がない場合、すなわち、全ての症例に対し、ステップＳ１１の画像特徴抽出およびステップＳ１２のレポート解析を実施済の場合は、ステップＳ１４に進む。

ステップＳ１１とステップＳ１２の結果は相互に依存しないため、実行順は逆でも構わない。

ステップＳ１４に到達した時点で、例えば、図８で表されるデータ一式が取得される。つまり、症例ごとに画像特徴量と読影項目と疾病名とが取得される。症例番号１の症例については、医用画像中にＭ１個の病変が含まれており、各病変から抽出される画像特徴量の個数はＮＦ個である。また、読影レポート中の読影項目の数はＮ１個である。例えば、病変番号（１，１）で示される１つ目の病変のうち、１つ目の画像特徴量の値は０．８５１である。また、読影項目番号（１，１）で示される１つ目の読影項目の値は「早期濃染」である。図８の例では、各画像特徴量は０以上１以下の数値であり、読影項目および疾病名は文字列である。画像特徴量として負の値または１より大きな値をとるものを用いても良い。また、読影項目および疾病名として、予め定めた単語ＩＤの形式にてデータを格納してもよい。

ステップＳ１４では、ステップＳ１１で得られた画像特徴量、ステップＳ１２で得られた読影項目および疾病名から、読影知識を抽出する。本実施の形態では、画像特徴量、読影項目、疾病名という三項のうちの二項の相関関係を、読影知識とする。

以下では、画像特徴量、読影項目、疾病名という三項から得られる三組の二項の相関関係について説明する。

（１）（画像特徴量−読影項目）間の相関関係
１対の（画像特徴量，読影項目）間の相関関係の求め方について説明する。相関関係の表現形態は複数あるが、ここでは相関比を用いる。相関比は、質的データと量的データとの間の相関関係を表す指標であり、（式１）で表される。

読影レポート中に、ある読影項目を含む場合および含まない場合の２カテゴリを考え、これを質的データとする。医用画像から抽出した、ある画像特徴量の値そのものを量的データとする。例えば、読影知識を抽出するための症例データベースに含まれる全症例に対し、読影レポートを、ある読影項目を含むものまたは含まないものに区分する。ここでは、読影項目「早期濃染」と画像特徴量「早期相における腫瘤内部の輝度平均値」との相関比を求める方法について説明する。（式１）においては、カテゴリｉ＝１を「早期濃染」を含むもの、カテゴリｉ＝２を「早期濃染」を含まないものとする。読影レポートに「早期濃染」を含む症例から抽出した腫瘤画像の「早期相における腫瘤内部の輝度平均値」であるｊ番目の観測値をｘ_１ｊとする。また、読影レポートに「早期濃染」を含まない症例から抽出した腫瘤画像の「早期相における腫瘤内部の輝度平均値」であるｊ番目の観測値をｘ_２ｊとする。「早期濃染」とは造影早期相にてＣＴ値が上昇することを表すため、この場合、相関比が大きく（１に近く）なることが予想される。また、早期濃染は腫瘤の種類に依存し、腫瘤の大きさには依存しないため、読影項目「早期濃染」と画像特徴量「腫瘤面積」との相関比は小さく（０に近く）なることが予想される。このようにして、全ての読影項目と全ての画像特徴量との間の相関比を計算する。

図９に、読影項目と画像特徴量との間の相関関係（ここでは、相関比）の概念図を示す。左側には複数の読影項目、右側には複数の画像特徴量の名称が列挙されている。そして、相関比が閾値以上の読影項目と画像特徴量の間が実線で結ばれている。相関比は０以上１以下の値をとるため、閾値として０．３〜０．７程度の値を用いることができる。計算した相関比を最終的に閾値で二値化すると、図９のような情報が求められることになる。その一例について補足する。肝腫瘤の造影ＣＴ検査においては、殆どの腫瘤は造影剤使用前のＣＴ画像（単純、単純ＣＴ、単純相などと呼ぶ）で低濃度に描出され、多くの場合、読影レポートに「低濃度」、「ＬＤＡ（Ｌｏｗ Ｄｅｎｓｉｔｙ Ａｒｅａ）あり」などと記述される。そのため、「低輝度」や「ＬＤＡ」といった読影項目と、造影剤使用前のＣＴ画像における腫瘤内部の輝度平均（図９では「単純相 輝度平均」と略記載）との相関が大きくなる。

また、図１０に、読影項目と画像特徴量との間の相関関係（例えば、相関比）の別の概念図を示す。この図では、相関比を多値表現しており、読影項目と画像特徴量の間の実線の太さが相関比の大きさに相当している。例えば、造影早期相にてＣＴ値が上昇する「早期濃染」と、早期動脈相（早期相、動脈相とも略される）における腫瘤内部の輝度平均（図１０では「動脈相 輝度平均」と略記載）との相関が大きくなっている。

相関比の値に着目することで、ある読影項目と相関の高い画像特徴量を特定することができる。実際には１つの症例には、複数の画像や複数の病変（腫瘤）を含む場合が多く、その場合は読影レポートには複数の病変に関する記載が含まれることになる。例えば、造影ＣＴ検査では、造影剤使用前や使用後の複数時刻におけるタイミングでＣＴ撮影を行う。そのため、スライス画像の集合が複数得られ、スライス画像の１つの集合には複数の病変（腫瘤）が含まれ、１つの病変からは複数の画像特徴量が抽出される。そのため、（スライス画像集合数）×（１人の患者から検出された病変数）×（画像特徴量の種類数）の個数だけ画像特徴量が得られ、これら複数の画像特徴量と、１つの読影レポートから抽出された複数の読影項目や疾病名との相関関係を求める必要がある。もちろん大量の症例を用いることにより、対応が正しく得られる可能性があるが、図７のように病変位置と時相を用いる等して、読影レポートの記載と、対応する画像特徴量とをある程度事前に対応づけることができれば、より正確に相関関係を求めることができる。

先の説明では、質的データが、ある読影項目を含むものおよび含まないものの２カテゴリである場合について説明したが、ある読影項目（例えば、「境界明瞭」）と、その対義語となる読影項目（例えば、「境界不明瞭」）との２カテゴリであってもよい。また、読影項目が「低濃度」、「中濃度」、「高濃度」などの序数尺度の場合は、それらの各々をカテゴリとして（この例では３カテゴリ）、相関比を計算してもよい。

また、「低濃度」、「低輝度」、「低吸収」などの同義語については、予め同義語辞書を作成しておき、それらを同一の読影項目として扱う。

（２）（画像特徴量−疾病名）間の相関関係
１対の（画像特徴量，疾病名）間の相関関係については、（画像特徴量，読影項目）間の場合と同じく相関比を用いることができる。図１１に、疾病名と画像特徴量との間の相関関係（例えば、相関比）の概念図を示す。この図では図９と同じく相関関係を二値表現しているが、もちろん図１０のような多値表現を行うことも可能である。

（３）（読影項目−疾病名）間の相関関係
１対の（読影項目，疾病名）間の相関関係の求め方について説明する。相関関係の表現形態は複数あるが、ここでは対数尤度比を用いる。対数尤度比は、質的データ間の共起の強さを表す指標であり、（式２）で表される。

（式２）から分かる通り、対数尤度比は、事象Ｘ，Ｙおよび排反事象¬Ｘ，¬Ｙも考慮に入れた共起指標と見なすことができる。

なお、対数尤度比の代わりに、（式３）で示される支持度、（式４）で示される確信度、（式５）で示されるリフト値等を用いても良い。その他、ｃｏｎｖｉｃｔｉｏｎ，φ係数を用いても良い。ｃｏｎｖｉｃｔｉｏｎ，φ係数については相関ルール分析に関する文献（例えば、非特許文献：「データマイニングとその応用」、加藤／羽室／矢田 共著、朝倉書店）に記載されている。

この支持度は、全症例において読影項目Ｘと疾病名Ｙとが同時に出現する確率（共起確率）を意味する。読影項目Ｘと疾病名Ｙが多くの読影レポートに同時出現すれば、読影項目Ｘと疾病名Ｙの関連性（相関性）が強いと見なす。

確信度とは、条件部Ｘのアイテムの出現を条件としたときの結論部Ｙのアイテムが出現する確率である。読影項目Ｘが出現している読影レポートにて、疾病名Ｙが多く出現していれば、読影項目Ｘと疾病名Ｙの関連性が強いと見なす。

リフト値とは、読影項目Ｘの出現を条件としないときの疾病名Ｙの出現確率に対して、読影項目Ｘの出現を条件としたときの疾病名Ｙの出現確率（すなわち確信度）がどの程度上昇したかを示す指標である。リフト値が１．０であるということは、読影項目Ｘが出現してもしなくても疾病名Ｙの出現確率は変わらないことを意味し、ルール（読影項目Ｘ⇒疾病名Ｙ）は興味深くないと考える。これは、読影項目Ｘの出現と、疾病名Ｙの出現が統計的に独立であることを意味する。リフト値が１．０より大きく、かつ、その値が大きければ大きいほど興味深いルールと見なす。つまり、読影項目Ｘと疾病名Ｙとの相関が大きいとみなす。

図１２に、読影項目と疾病名との間の相関関係（例えば、対数尤度比）の概念図を示す。この図では図９と同じく相関関係を二値表現しているが、もちろん図１０のような多値表現を行うことも可能である。

以上の方法にて、ステップＳ１４の処理を行うと、図１３、図１４、図１５のような、（画像特徴量−読影項目）間の相関関係、（画像特徴量−疾病名）間の相関関係、（読影項目−疾病名）間の相関関係が、それぞれ得られる。なお表中の数値は、図１３、図１４では相関比、図１５では対数尤度比である。相関比は０以上１以下の値をとる。対数尤度比は０以上の値をとる。また、得られた相関関係は、図１３、図１４、図１５の形式にて読影知識データベース１１０に格納される。

＜類似症例検索＞
以下、図１６のフローチャートおよび図１７の類似症例検索画面例を用いて類似症例検索の手順について説明する。図１７に示す類似症例検索画面例は、読影対象画像表示部１３０、レポート入出力部１４０および類似症例表示部１９０の表示部を１台の表示装置で兼用した際に、その表示装置の画面例である。

ステップＳ２０では、読影対象画像読込部１２０により、医用画像撮影装置から読影対象画像を取得する。図２の読影知識作成時と同じく、本実施の形態で対象とする医用画像撮影装置はマルチスライスＣＴとし、対象臓器および疾病は肝腫瘤とする。読み込まれた画像（図１７における読影対象画像２０１）は、読影対象画像表示部１３０に表示される。

ステップＳ２１では、読影者は読影対象画像表示部１３０に表示された読影対象画像を参照しながら、レポート入出力部１４０を通して読影レポートを入力する。入力された読影レポートは、図１７における読影レポート入出力領域２１０に表示される。マルチスライスＣＴ装置の場合、再構成により通常、体軸に対して垂直な面（ａｘｉａｌ ｖｉｅｗ）のスライス画像が複数枚得られる。読影者は、これら複数のスライス画像に対し、スライス位置を変えながら病変（本実施の形態では肝腫瘤）の有無を確認し、読影レポートを入力する。読影レポートを入力する際、読影対象画像にて検出した病変の位置（スライス番号、および、スライス画像上における座標や領域情報）を、読影者がマウスなどの入力機器により指定してもよい。読影対象画像に複数の病変が存在し、読影レポートにその複数の病変に関する記述を行う場合は、読影対象画像の病変と読影レポートにおける記述との対応を明確に記録しておけば、この読影レポートを用いて、読影知識データベース１１０を作成する際に有用である。

病変位置または領域の指定について、図１８を用いて説明する。図１８に示すは読影対象画像３００（ここでは腹部ＣＴ）には、腹部の周囲３１０と、対象臓器（ここでは肝臓）３２０と、病変領域３３０とが含まれる。座標を指定する場合は、例えば、腫瘤の中心位置付近（図１８の点３４０）をマウスでクリックする。領域を指定する場合は、図１８の病変領域３３０を矩形、円または楕円で囲む方法や、病変部（図１８の病変領域３３０）と正常組織（図１８の病変領域３３０の外側）間との境界を自由曲線で指定する方法がある。中心座標のみを指定する場合や、矩形、円または楕円等で囲むことにより領域を指定する場合は、読影者の負担が小さいという利点があるが、画像特徴量抽出のために、別途、正確な病変領域を画像処理アルゴリズムにより自動抽出する必要がある。腫瘤領域抽出については、ステップＳ１１２と同じ手法を用いることができる。

ステップＳ２２では、読影者からの類似症例検索の要求を受け付ける。

典型的な症状を有する腫瘤の場合や読影者が熟練者の場合、通常は迷うことなく読影レポートの記入が完了する。非典型な症状を有する腫瘤の場合や読影者の熟練度が低い場合などは、読影者が読影端末２００において類似症例検索要求を行う。類似症例検索の要求は、例えば、図１７における類似症例検索アイコン２２０をマウスクリックすることにより行われる。読影対象画像に複数の病変が存在する場合は、診断に迷っている病変を指定した後、類似症例検索要求を行う。

この病変の指定について説明する。ステップＳ２１の読影レポート記入時に、診断に迷っている病変を含めて既に病変の位置や領域が複数指定されていれば、そのうちのどれかを選択するだけでよい。ステップＳ２１にて、診断に迷っている病変を指定していなければ、ここで新たに病変を指定する。指定の方法として、病変の中心付近の１点を指定してもよいし、病変領域を指定してもよい。点や領域の指定については、ステップＳ２１と同じ方法を用いることができる。中心付近の１点が指定された場合は、指定された点を基準としてその近傍領域からステップＳ１１２と同じ方法を用いて詳細な病変領域を設定する。病変領域を大まかに指定した場合は、この領域の中からステップＳ１１２と同じ方法を用いて詳細な病変領域を設定する。

そして、読影者からの類似症例検索要求があった場合は、ステップＳ２３に進む。この時、読影レポートは記入完了の状態であってもよく、記入途中であってもよい。全く未記入の状態でも後のステップＳ２５での類似症例検索は実行可能であるが、その場合は、本発明の特徴である読影者の着目点に応じた類似症例検索は実行されず、予め設定された標準的な画像特徴量集合で類似症例検索を実行することになる。

また、読影レポート記入時間が一定以上経過した場合、もしくは、読影者から読影終了に関する入力があった場合は、図１６の処理を終了する。類似症例検索要求、読影終了入力を受理するための処理部は図１には図示していないが、読影端末２００のキーボード内等に内蔵された物理的なスイッチでもよいし、医療用の高精細モニタ等で構成される読影対象画像表示部１３０に表示されたＧＵＩメニュー等でもよい。図１７は、ＧＵＩメニューの例であり、類似症例検索アイコン２２０は類似症例検索要求を受理する仮想ボタンであり、アイコン２３０は読影終了入力を受理する仮想ボタンである。

ステップＳ２３では、画像特徴抽出部１６０は、読影対象画像に対して、ステップＳ２２にて指定または抽出された病変領域から画像特徴量を抽出する。指定または抽出された病変領域が複数あればその全てに対して、予め定めているＮ_Ｆ個の特徴量を抽出する。画像特徴量の抽出方法は、ステップＳ１１４と同じである。

ステップＳ２４では、レポート解析部１５０は、ステップＳ２１にて記入された読影レポートの解析を行う。ここでは、読影知識データベースの作成時におけるステップＳ１２の、読影項目および疾病名の抽出と同じ処理を実行する。

ステップＳ２５では、重み決定部１７０および類似症例検索部１８０は、読影対象画像および読影者が記入した読影レポートを基にして、症例データベース１００から類似症例を検索する。検索された類似症例は、図１７の類似症例出力領域２４０に表示される。ここでは、ステップＳ２１にて読影者が図４の読影レポートを記入済、ステップＳ２４にて図５の読影項目および疾病名が抽出済、ステップＳ２３で読影対象画像から画像特徴量が抽出済の状況を考える。また、読影知識データベース１１０には、図１３、図１４、図１５のような画像特徴量、読影項目、疾病名の三項のうち二項間の相関関係が格納済であるとする。

本実施の形態では、読影レポートから抽出された読影項目および疾病名の少なくとも１つを基に、類似症例検索にて重み付け距離計算を行う。即ち、抽出された読影項目および疾病名の少なくとも１つと関連する画像特徴量に関しては重みを相対的に大きく、関連しない画像特徴量に関しては重みを相対的に小さくする。これにより、読影レポートに記入された医師の着目点を反映した類似症例検索が可能となる。つまり、類似症例検索部１８０は、症例データベース１００に記憶されている症例に含まれる医用画像と読影対象画像との間で重み付け距離を算出する。類似症例検索部１８０は、所定の閾値よりも小さい重み付け距離の算出の元となった医用画像を含む症例を類似症例として、症例データベース１００から検索する。または、類似症例検索部１８０は、小さいものから所定個数の重み付け距離の算出の元となった医用画像を含む症例を類似症例として、症例データベース１００から検索する。

重み付け距離は、例えば（式６）にて計算できる。

ここで、ｘは、読影対象画像から抽出された複数（Ｎ_Ｆ個）の画像特徴量を全て連結したベクトルである。ｕ^ｉは、症例データベース１００に格納された症例のうち、ｉ番目の症例から抽出された画像特徴量である。異なる種類の画像特徴量を連結する際は、特徴量毎のスケールの違いに影響を受けないよう正準化（平均０、分散１に正規化）を行っておく。

以下に重み付け方法の具体例を示す。

（１）読影レポートから読影項目および疾病名の両方が抽出できた場合
このケースは、読影者が読影レポートをほぼ記入終了し、類似症例検索の結果で記入内容の確信を高めようとしている状況に相当する。

ここでは、（読影項目−画像特徴量）間の相関関係と、（読影項目−疾病名）間の相関関係を用いて重み付けを行う例について説明する。前者は、工学的な画像特徴量と医学的な（言い換えれば、“医師の観点で決定された”）読影項目との対応関係を示し、画像特徴量を医学的に意味付けることに相当する。後者は、医師の観点で決定された読影項目と（その読影項目の組合せで決定された）疾病名との対応関係を示し、医師が有している診断知識に相当する。後述する方法でこの２つの相関関係を併用する場合、両者を同時に考慮して、類似症例検索を行うことができる。具体的には、読影レポートに複数の読影項目が記入されている場合、読影項目が疾病名の決定に影響する度合に応じて、（読影項目−画像特徴量）間の重みを合成できる。

（疾病名−画像特徴量）間の相関関係も使用可能ではあるが、次の理由から今回は用いないこととする。ある疾病が複数の症状（例えばＡ，Ｂ，Ｃの３種類）を持つ場合、症状Ａと相関のある画像特徴量と、症状Ｂと相関のある画像特徴量はそれぞれ異なる。疾病名から画像特徴量の重みを決定する場合、症状Ａ，Ｂ，Ｃの画像特徴量の重みが混在したもの（平均化されたもの）を用いることとなる。読影項目にて複数ある症状のうち症状を特定している場合が多いため、記入された読影項目を用いれば医師の着目点に合った類似症例検索が行える。

この時点で、図４の読影レポートから図５のように読影項目として「早期濃染」「ｗａｓｈｏｕｔ」が、疾病名として「肝細胞がん」が抽出されている。重み決定部１７０は、読影知識データベース１１０における図１５の形式で格納された（読影項目−疾病名）間の相関関係テーブルを参照し、（早期濃染−肝細胞がん）間の相関関係と（ｗａｓｈｏｕｔ−肝細胞がん）間の相関関係を取得する。ここでは取得した相関関係を表す数値をそのまま重みとして用い、それぞれｗ_ｘ，ｗ_ｙと表す。また、重み決定部１７０は、読影知識データベース１１０における図１３の形式で格納された（画像特徴量−読影項目）間の相関関係テーブルを参照し、「早期濃染」と全ての画像特徴量間の相関関係と、「ｗａｓｈｏｕｔ」と全ての画像特徴量間の相関関係を取得する。ここでは取得した相関関係を表す数値をそのまま重みとして用い、それぞれｗ_ａ，ｉ，ｗ_ｂ，ｉと表す。ここで、ｉは画像特徴量の種類を現す添字である。重み決定部１７０は、これらの重みを用いて、ｉ番目の画像特徴量に対応する重みＷ_ｉを（式７）のように計算する。

以上の重み付け方法について、図１９に概要を示した。

例えば、４番目の画像特徴量「エッジ強度」に対する重みは、ｗ_ｘｗ_ａ，４と、ｗ_ｙｗ_ｂ，４との和として求められる。ここで、ｗ_ｘｗ_ａ，４は、（早期濃染−エッジ強度）間の相関関係を表す値ｗ_ａ，４を、同じ読影項目を含む（早期濃染−肝細胞がん）間の相関関係を表す値ｗ_ｘで重み付けした値である。ｗ_ｙｗ_ｂ，４は、（ｗａｓｈｏｕｔ−エッジ強度）間の相関関係を表す値ｗ_ｂ，４を、同じ読影項目を含む（ｗａｓｈａｏｕｔ−肝細胞がん）間の相関関係を表す値ｗ_ｙで重み付けした値である。

読影項目の個数が２以外の場合でも、（読影項目−疾病名）間の相関関係で重み付けした後の（読影項目−画像特徴量）間の相関関係を加算することで対応可能である。この式により、読影者が着目した読影項目および疾病名、読影項目と疾病名との関連性、および、読影項目と画像特徴量との関連性、を同時に考慮した重みが計算でき、その結果、それらを重視した類似症例検索が可能となる。具体的には、複数の読影項目が記入されている場合、読影項目が疾病名の決定に影響する度合に応じて、（読影項目−画像特徴量）間の重みを合成できる。

また、図１６のフローチャートでは類似症例検索要求があった場合のみ類似症例検索を実行するが、読影レポート記入中の他のタイミングで類似症例検索を実行してもよい。他のタイミングとしては、少なくとも１個以上の読影項目または疾病名を記入後、一定時間以上、読影レポートの記入がされない場合などである。これは、読影者が読影に迷っていると解釈し、ヒントとなる類似症例を先回りして提示することにより読影を進展させることを意図した動作方法である。本実施の形態では、少なくとも１個以上の読影項目または疾病名が記入された場合、読影者のその着眼点を基に類似症例検索を実行することができる。以降に、読影レポートから読影項目のみが抽出できた場合、および、疾病名のみが抽出できた場合についても説明する。

（２）読影レポートから読影項目のみが抽出できた場合
このケースは、読影者が着目すべき読影項目は判断できたものの、最終的な疾病名の診断に迷っており、類似症例検索の結果で疾病名診断のヒントを得ようとしている状況に相当する。ここでは、（読影項目−画像特徴量）間の相関関係のみを用いて重み付けを行う。

この時点で、図示せぬ読影レポートから読影項目として「早期濃染」、「ｗａｓｈｏｕｔ」が抽出されているとする。重み決定部１７０は、読影知識データベース１１０における図１３の形式で格納された（画像特徴量−読影項目）間の相関関係テーブルを参照し、「早期濃染」と全ての画像特徴量間の相関関係と、「ｗａｓｈｏｕｔ」と全ての画像特徴量間の相関関係を取得する。ここでは取得した相関関係を表す数値をそのまま重みとして用い、それぞれｗ_ａ，ｉ，ｗ_ｂ，ｉと表す。ここで、ｉは画像特徴量の種類を現す添字である。これらの重みを用い、ｉ番目の画像特徴量に対応する重みＷ_ｉを、（式８）のように計算する。

以上の重み付け方法について、図２０に概要を示した。

例えば、４番目の画像特徴量「エッジ強度」に対する重みは、（早期濃染−エッジ強度）間の相関関係を表す値ｗ_ａ，４と、（ｗａｓｈｏｕｔ−エッジ強度）間の相関関係を表す値ｗ_ｂ，４とを足した値である。

読影項目の個数が２以外の場合も、（読影項目−画像特徴量）間の相関関係を加算することで対応可能である。この式により、読影者が着目した読影項目、および、読影項目と画像特徴量との関連性、を同時に考慮した重みが計算でき、その結果、それらを重視した類似症例検索が可能となる。但し、抽出された読影項目が複数ある場合はそれらを均等に扱うことになり、読影項目の中での優先順位づけはできていない。読影項目のみで類似症例検索を行い、検索結果の症例が疾病名推定のヒントになり、推定された疾病名を新たに読影レポートに記入することができれば、「（１）読影レポートから読影項目および疾病名の両方が抽出できた場合」で説明したように、読影項目が疾病名の決定に影響する度合に応じて、（読影項目−画像特徴量）間の重みを合成できる。

（３）読影レポートから疾病名のみが抽出できた場合
このケースは、読影者が直感等で疾病名を推定したがその根拠となる読影項目の判断に迷っており、類似症例検索の結果で診断根拠（読影項目）のヒントを得ようとしている状況に相当する。ここでは、（疾病名−画像特徴量）間の相関関係のみを用いて重み付けを行う。

この時点で、読影レポートから疾病名として「肝細胞がん」が抽出されているとする。重み決定部１７０は、読影知識データベース１１０における図１４の形式で格納された（画像特徴量−疾病名）間の相関関係テーブルを参照し、「肝細胞がん」と全ての画像特徴量間の相関関係を取得する。ここでは取得した相関関係を表す数値をそのまま重みとして用い、ｗ_ｉと表す。ここで、ｉは画像特徴量の種類を現す添字である。これらの重みを用い、ｉ番目の画像特徴量に対応する重みＷ_ｉを、（式９）のように計算する。

以上の重み付け方法について、図２１に概要を示した。

例えば、４番目の画像特徴量「エッジ強度」に対する重みは、（肝細胞がん−エッジ強度）間の相関関係を表す値ｗ_４である。

疾病名は通常１個であるため、上記の処理を行えばよいが、２個以上の疾病名が記入された場合などは、それらを加算することで対応可能である。加算することにより、２個以上の疾病に対し、平均的な画像特徴量で類似症例検索が可能となる。この式により、読影者が着目した疾病名、および、疾病名と画像特徴量との関連性、を同時に考慮した重みが計算でき、その結果、それらを重視した類似症例検索が可能となる。疾病名のみで類似症例検索を行い、検索結果の症例が読影項目推定のヒントになり、推定された読影項目を新たに読影レポートに記入することができれば、「（１）読影レポートから読影項目および疾病名の両方が抽出できた場合」で説明したように、読影者が着目した読影項目および疾病名、読影項目と疾病名との関連性、および、読影項目と画像特徴量との関連性、を同時に考慮した重みが計算でき、その結果、それらを重視した類似症例検索が可能となる。

なお、本実施の形態では、（式６）の重み付け距離を用いて画像間の類似判定を行ったが、用いる特徴量の総次元数が大きくなってくると、計算された距離において、相関比が小さい（または中程度）多数の特徴量のために、相関比の大きい特徴量が埋没する可能性がある。その場合は、対応する相関比が所定の閾値以上の画像特徴量のみを距離計算に使用する、あるいは、相関比の上位数個の画像特徴量のみを距離計算に使用するなどの方法を採用してもよい。その場合の個数は事前に定めておけばよい。

以上、本実施の形態における類似症例の検索では、読影レポートから抽出された読影項目および疾病名の少なくとも１つを基に、類似症例検索にて重み付け距離計算を行う。即ち、抽出された読影項目および疾病名の少なくとも１つと関連する画像特徴量に関しては重みを相対的に大きく、関連しない画像特徴量に関しては重みを相対的に小さくする。これにより、読影レポートに記入された医師の着目点を反映した類似症例検索が可能となる。

ここで、３種類の重み付け方法の使い分けについて説明する。

読影レポートに、読影項目および疾病名の両方が記入されていれば図１９の重み付け方法を、読影項目のみが記載されていれば図２０の重み付け方法を、疾病名のみが記載されていれば図２１の重み付け方法を使用する。発明者らは図１９の重み付け方法が最も望ましいと考えている。一方、図２０や図２１の方法を用いて類似症例検索を行い、検索結果の類似症例を参考にして、欠けていた疾病名や読影項目を読影レポートに追記することができる。その段階で、図１９の重み付け方法が使用可能になる。そうすれば類似症例検索の精度が向上し、さらに類似した検索結果を参考にでき、読影レポートを更新できる。このように、本発明を利用して、読影レポートを更新する度に検索を行うことで、診断精度を向上させることができる。

（実施の形態２）
実施の形態１では、読影者が読影レポートに記入した読影の着目点を反映した画像検索（類似症例検索）について説明した。研修医など経験の浅い読影者の場合、記入した読影レポートの内容が不適切となる可能性があり、その場合は不適切な着目点を反映した画像検索を行うことになる。但し、この場合でも、不適切な着目点に対応する画像特徴量での（別の観点での）類似画像検索が実行されるだけであり、全く類似していない症例が検索されることはない。類似検索の結果よりもむしろ、不適切な読影レポートが作成されることが問題になる。本実施の形態では、この問題を未然に防止する類似症例検索装置の動作について説明する。

本発明の実施の形態２における類似症例検索装置の構成は、実施の形態１における図１に示したものと同様である。実施の形態１と同一の構成要素については、説明を省略する。

読影知識データベース１１０には、複数の症例を解析することにより事前に得た読影知識が格納されている。格納される読影知識の内容が実施の形態１とは少し異なっており、詳細については後述する。重み決定部１７０は、レポート解析部１５０で抽出されたテキスト特徴量、画像特徴抽出部１６０で抽出された画像特徴量、および、読影知識データベース１１０に格納された読影知識から、レポート解析部１５０で抽出されたテキスト特徴量の妥当性を判定すると共に、画像検索で使用する複数の画像特徴量に対する重みを決定する。

以後、本発明の実施の形態２に関する各部の動作について説明する。

＜読影知識データベースの事前作成＞
類似症例検索を行うに当たり、事前に読影知識を得て、読影知識データベース１１０に格納しておく。読影知識は、医用画像とその医用画像を読影した結果である読影レポートとの対から構成される症例を複数集めたものから得られる。症例として、類似症例検索時にその中から類似症例を検索するための症例データベース１００に格納されたものを用いてもよいし、他のデータベースに格納されたものを用いてもよい。必要な症例数は、種種のデータマイニングアルゴリズムを用いて何らかの法則性および知識を得るために十分となる数である。通常は数百〜数万個のデータが用いられる。本実施の形態では、読影知識として、（１）画像特徴量、（２）読影項目、（３）疾病名の三項のうち二項間の相関関係、および、ある読影項目または疾病名に対応する少なくとも１種類以上の画像特徴量の値の分布を用いる。

以下、図２のフローチャートを用いて読影知識作成の手順について説明する。実施の形態１と同様、本実施の形態で対象とする、つまり使用する医用画像撮影装置はマルチスライスＣＴとし、対象臓器および疾病は肝腫瘤とする。

ステップＳ１０からステップＳ１３までの動作は実施の形態１と同じである。ステップＳ１４に到達した時点で、図８で表されるデータ一式が取得されている。

ステップＳ１４では、ステップＳ１１で得られた画像特徴量、ステップＳ１２で得られた読影項目および疾病名から、読影知識を抽出する。読影知識のうち、二項間の相関関係に関しては、実施の形態１と同様であるので説明を省略する。画像特徴量の値の分布に関しては、以下で、ある読影項目または疾病名に対応する“１種類”の画像特徴量の値の分布を読影知識とする場合の説明を行う。

（１）読影項目に対応する画像特徴量の分布
図２２（ａ）は、肝腫瘤画像に対応する読影レポート中に、読影項目「境界明瞭」が記載されている症例における画像特徴量「エッジ強度」の値の分布を示す図であり、図２２（ｂ）は、上記読影レポート中に、読影項目「境界明瞭」が記載されていない症例における画像特徴量「エッジ強度」の値の分布を示す図である。画像特徴量「エッジ強度」は、腫瘤（病変）領域と正常組織の領域間の境界エッジ上での輝度の一階差分の値とする。読影レポートに「境界明瞭」と記載されている症例においては、腫瘤境界のエッジ強度が大きいことが多く、図２２（ａ）のような偏りのある分布になる。一方、エッジ強度が大きくても疾病名診断に寄与しない場合は読影レポートに「境界明瞭」と記載されないことが多い。このため、図２２（ｂ）は、図２２（ａ）に比べて偏りが小さくなる。また、通常は、ある読影項目が記載される症例数よりも記載されない症例数の方が多いことから、頻度の総和（図２２のグラフの積分値）は、図２２（ａ）よりも図２２（ｂ）が大きくなる傾向にある。

以上から、本実施の形態では、「ある読影項目（または疾病名）が読影レポートに記載された症例に含まれる腫瘤画像から抽出された画像特徴量の分布」を、読影知識として新たに用いる。この時、（読影項目（または疾病名），画像特徴量）の組合せにおいて、別途算出済の相関関係（例えば、相関比）が予め定めた閾値以上である場合のみ、画像特徴量の分布を算出する。ある読影項目（または疾病名）が記載されている症例にて図２２（ａ）のように画像特徴量の分布に偏りがある場合でも、その読影項目または疾病名が記載されていない症例で同じように分布に偏りがある場合は、その読影項目または疾病名が画像特徴量の分布形状を特徴づけているとは言えないためである。

分布の具体的な表現手法として、例えば、ガウス混合モデル（Ｇａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ）を用いることができる。また、分布の算出には、期待値最大化（ＥＭ； Ｅｘｐｅｃｔａｔｉｏｎ Ｍａｘｉｍｉｚａｔｉｏｎ）アルゴリズムを用いることができる。得られた分布のパラメータは、図２３のような形式で読影知識データベース１１０に格納される。読影項目１と画像特徴量１の交点のセルには、ｄｉｍ次元のパラメータが格納されている。１次元ガウス混合モデルの場合、パラメータは、正規分布の個数、各正規分布の平均および標準偏差、各正規分布に対する重み、である。図２３では他のセルは空白になっているが、実際は、別途算出済の相関関係が予め定めた閾値以上である限りは、同様に分布のパラメータが格納されることになる。また、読影項目と画像特徴量の組合せ毎に分布の複雑さは異なるため、分布のパラメータ数がそれぞれ異なっていてもよい。また、Ｐａｒｚｅｎ推定などの他手法を用いて分布を表現してもよい。

（２）疾病名に対応する画像特徴量の分布
図２４（ａ）は、肝腫瘤画像に対応する読影レポート中に、疾病名「肝細胞がん」が記載されている症例における画像特徴量「動脈相における腫瘤内部領域の平均輝度」の値の分布を示す図である。図２４（ｂ）は、肝腫瘤画像に対応する読影レポート中に、疾病名「嚢胞」が記載されている症例における画像特徴量「動脈相における腫瘤内部領域の平均輝度」の値の分布を示す図である。疾病名が「肝細胞がん」の場合、造影動脈相にて強く造影される（ＣＴ値が上昇する）ため、図２４（ａ）のような分布になる。一方、疾病名が「嚢胞」の場合、造影動脈相でも造影されないので、図２４（ｂ）のような分布になる。分布の算出は、読影レポート中に読影項目が記載されている症例の場合と同じ方法を用いることができる。この時、読影項目に関して先に説明したように、（疾病名−画像特徴量）の組合せのうち、別途算出済の相関関係が予め定めた閾値以上である場合のみ、画像特徴量の分布を算出する。得られた分布のパラメータは、図２５のような形式で読影知識データベース１１０に格納される。

以上の方法にて、ステップＳ１４の処理を行い、図１３、図１４、図１５の、（画像特徴量−読影項目）間の相関関係、（画像特徴量−疾病名）間の相関関係、（読影項目−疾病名）間の相関関係と、図２３の読影項目に関する画像特徴量の分布パラメータ、図２５の疾病名に関する画像特徴量の分布パラメータがそれぞれ得られる。また、得られた相関関係、分布パラメータは読影知識データベース１１０に格納される。

＜類似症例検索＞
以下、図１６のフローチャートを用いて類似症例検索の手順について説明する。

ステップＳ２０からステップＳ２４までの動作は実施の形態１と同じである。

ステップＳ２５では、重み決定部１７０および類似症例検索部１８０は、読影対象画像および読影者が記入した読影レポートを基にして、症例データベース１００から類似症例を検索する。

本実施の形態では、実施の形態１で説明した、検索時（ステップＳ２４）に抽出した読影項目および疾病名を用いた重み付けによる類似症例検索に加え、重み決定部１７０が、事前（ステップＳ１４）に抽出した読影知識（読影項目または疾病名に関する画像特徴量の分布）を基に、ステップＳ２４で抽出された読影項目および疾病名の妥当性を検証する。

ここでは、ステップＳ１４にて、読影知識データベース１１０に、図１３、図１４、図１５の（画像特徴量，読影項目，疾病名）の三項のうち二項間の相関関係、図２３の読影項目に関する画像特徴量の分布、図２５の疾病名に関する画像特徴量の分布が格納済とする。また、ステップＳ２１にて読影者が図２６の読影レポートを記入済とする。ステップＳ２３で読影対象画像から画像特徴量が抽出済とする。ステップＳ２４にて図２７の読影項目および疾病名が抽出済とする。

図２７の読影項目のうち「境界明瞭」について考える。重み決定部１７０は、読影知識データベース１１０に格納された図２３のデータから、読影項目「境界明瞭」に対応する全ての画像特徴量の分布を取得する。この時、読影項目「境界明瞭」と相関関係が小さい画像特徴量に関しては分布のパラメータが格納されていないため取得できない。同一種の画像特徴量に関して、取得した画像特徴量の分布とステップＳ２３で抽出した画像特徴量との関係を検証する。ステップＳ２３で抽出した画像特徴量の値をｘ_１とすると、（式１０）のようにｘ_１を中心とした微小幅±δの範囲内で確率密度関数ｐ（ｉ）を積分することにより、画像特徴量ｘ_１に対するｖａｌｉｄｉｔｙ（ｘ_１）を計算する。ｖａｌｉｄｉｔｙ（ｘ_１）は尤度の一種である。このｖａｌｉｄｉｔｙ（ｘ_１）の値により、読影者が記入した読影項目「境界明瞭」の妥当性を判定する。

図２８に、上記で説明した画像特徴量の妥当性判定の様子を示す。図２８（ｂ）の画像特徴量ｘ_２が抽出された場合の方が、図２８（ａ）の画像特徴量ｘ_１が抽出された場合よりも、記入された読影項目「境界明瞭」の妥当性が高いことを表している。

画像特徴量の種類は複数存在するため、読影項目「境界明瞭」の妥当性は、複数の画像特徴量から評価できる。ここでは、ステップＳ１４で算出した（画像特徴量−読影項目）間の相関関係が大きいものの上位の数個を用いて読影項目の妥当性を判定する。この上位の数個の画像特徴量に対し、全ての妥当性が閾値以上であれば、読影項目「境界明瞭」が最終的に「妥当」と判定される。上位の数個の個数、および、閾値は事前に求めておく。また、「全ての妥当性が閾値以上」（ＡＮＤ条件）としたが、「いずれかの妥当性が閾値以上」（ＯＲ条件）の場合に、読影項目「境界明瞭」が最終的に「妥当」と判定してもよい。

重み決定部１７０は、同様にして、図２７の残りの読影項目「低吸収」、疾病名「肝嚢胞」に対しても妥当性を判定する。

また、疾病名に関しては、ここでは図２４のような（画像特徴量−疾病名）間の関係（画像特徴量の分布）を基に妥当性を判定したが、図１５のような（読影項目−疾病名）間の相関関係を基に妥当性を判定してもよい。

次に、類似症例検索にて重み付け距離計算を行い、類似症例を検索する。この計算は実施の形態１と同じであるため説明を省略する。

重み決定部１７０が算出した読影項目、疾病名の妥当性判定結果は次のように利用する。

レポート入出力部１４０は、読影時にレポート入出力部１４０の入力装置を通して入力された読影レポートに加工を行い、レポート入出力部１４０の表示装置へ表示する。例えば、図２９のように、抽出された読影項目および疾病名のうち、妥当性が低い（妥当性が閾値以下）と判定されたものを、妥当性が高い（妥当性が閾値よりも大きい）と判定されたものと区別可能なように表示する。図２９では、矩形で囲まれた３単語が抽出された読影項目または疾病名であり、うち、反転表示されている「境界明瞭」、「肝嚢胞」が、妥当性が低いと判定された読影項目または疾病名である。このような表示を行うことで、読影者は、自分の記入した読影レポートのうち何を根拠として類似症例が検索されているかが把握でき、同時に、類似症例検索装置により妥当性が低いと判定された部分が把握できる。そして、検索された類似症例の診断結果を参照しながら、読影対象の画像に関して再度読影を行うことができる。なお、ここでは、読影項目と疾病名の２つを区別して表示していないが、両者を区別可能なように表示してもよい。また、妥当性を二値（反転表示か否か）で表現しているが、妥当性の値の大きさにより多値表現してもよい。

本実施の形態の冒頭にて、「研修医など経験の浅い読影者の場合、記入した読影レポートの内容が不適切となる可能性があり、その場合は不適切な着目点を反映した画像検索を行うことになる。但し、この場合でも、不適切な着目点に対応する画像特徴量での（別の観点での）類似画像検索が実行されるだけであり、全く類似していない症例が検索されることはない。」と説明したが、妥当性の低い読影項目または疾病名に対応する画像特徴量への重みを０にして検索することにより、不適切な着目点を反映した画像検索を防止できる。例えば、図１９において、読影対象画像から抽出した画像特徴を基に判定した結果、読影項目「早期濃染」の妥当性が低い場合、ｗ_ａ，ｉ＝０とする。同様にして、読影知識データベース１１０に格納した図１３、図１４、図１５、図２３、図２５の読影知識と矛盾するものは妥当性が低いとして、対応する重みを０にしてもよい。多くの読影項目、疾病名が抽出されている場合、妥当性が高いと判定された残りの読影項目および疾病名に対応した画像特徴量への重みを用いて検索が実行される。残りの読影項目、疾病名の数が少ない（予め定めた閾値を下回る）時は、標準的な重みを用いて画像特徴量の重み付けを行い、症例を検索すればよい。

なお、上記では、ある読影項目または疾病名に対応する“１種類の”画像特徴量の値の分布を読影知識とする例について説明したが、２種類以上の画像特徴量の値の分布を読影知識としてもよい。図３０に、ある読影項目または疾病名に対応する３種類の画像特徴量の値の分布の例を示す。分布のモデル化は、先の説明と同じく、ガウス混合モデルやＰａｒｚｅｎ推定を用いることができる。また、ある読影項目が含まれる場合の画像特徴量の分布と、ある読影項目が含まれない場合の画像特徴量の分布とが特徴量空間上で良好に分離されているような場合は、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）等のパターン識別手法を用いて、それら２つの分布を区別するような識別器を学習し、その識別器の識別結果により妥当性を判定することも可能である。

以上、本実施の形態における類似症例の検索では、実施の形態１と同様に、読影レポートから抽出された読影項目および疾病名の少なくとも１つを基に類似症例検索にて重み付け距離計算を行い、読影者の着目点を反映した類似症例検索が可能となる。加えて、読影レポートの中で類似症例検索に使用した読影項目および疾病名のうち、妥当性が低いと判定されたものを、妥当性が高いと判定されたものと区別可能なように表示することで、読影者に類似症例検索の根拠と、読影レポートの中の妥当性が低い箇所について提示することが可能である。

なお、実施の形態１および２では、医用画像と読影レポートからなる症例について検索を行う例を説明したが、本発明の検索対象は症例に限定されるものではなく、画像と画像に対するテキストデータとからなるデータセットを検索対象とすることもできる。例えば、植物画像とその植物画像に対する説明とからなるデータセットを検索対象とすることも可能である。この場合には、医用画像の画像特徴量の代わりに植物画像の画像特徴量（例えば、花びら数、茎の太さなど）を用い、読影レポートの代わりに植物画像に対する説明を用いることにより、上記説明を作成する際にユーザが着目した画像特徴量を重みとして反映した上で、植物画像の検索を行うことができる。

なお、図３１に示すように、読影知識データベース１１０および読影知識データベース１１０は、必ずしも類似症例検索装置に備えられていなくてもよく、類似症例検索装置が存在する場所Ａとは異なる場所Ｂに備えられていても良い。この場合、類似症例検索装置の重み決定部１７０と類似症例検索部１８０が、それぞれ、ネットワークを介して読影知識データベース１１０と症例データベース１００に接続されている。

また、図３２に示すように、類似症例検索装置の本発明に必須の構成要素は、レポート解析部１５０と、画像特徴抽出部１６０と、重み決定部１７０と、類似症例検索部１８０とであり、その他の構成要素は、本発明の課題を達成するのに必ずしも必要ではない。

また、上記の各装置は、具体的には、マイクロプロセッサ、ＲＯＭ、ＲＡＭ、ハードディスクドライブ、ディスプレイユニット、キーボード、マウスなどから構成されるコンピュータシステムとして構成されても良い。ＲＡＭまたはハードディスクドライブには、コンピュータプログラムが記憶されている。マイクロプロセッサが、コンピュータプログラムに従って動作することにより、各装置は、その機能を達成する。ここでコンピュータプログラムは、所定の機能を達成するために、コンピュータに対する指令を示す命令コードが複数個組み合わされて構成されたものである。

さらに、上記の各装置を構成する構成要素の一部または全部は、１個のシステムＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ：大規模集積回路）から構成されているとしても良い。システムＬＳＩは、複数の構成部を１個のチップ上に集積して製造された超多機能ＬＳＩであり、具体的には、マイクロプロセッサ、ＲＯＭ、ＲＡＭなどを含んで構成されるコンピュータシステムである。ＲＡＭには、コンピュータプログラムが記憶されている。マイクロプロセッサが、コンピュータプログラムに従って動作することにより、システムＬＳＩは、その機能を達成する。

さらにまた、上記の各装置を構成する構成要素の一部または全部は、各装置に脱着可能なＩＣカードまたは単体のモジュールから構成されているとしても良い。ＩＣカードまたはモジュールは、マイクロプロセッサ、ＲＯＭ、ＲＡＭなどから構成されるコンピュータシステムである。ＩＣカードまたはモジュールは、上記の超多機能ＬＳＩを含むとしても良い。マイクロプロセッサが、コンピュータプログラムに従って動作することにより、ＩＣカードまたはモジュールは、その機能を達成する。このＩＣカードまたはこのモジュールは、耐タンパ性を有するとしても良い。

また、本発明は、上記に示す方法であるとしても良い。また、これらの方法をコンピュータにより実現するコンピュータプログラムであるとしても良いし、前記コンピュータプログラムからなるデジタル信号であるとしても良い。

さらに、本発明は、上記コンピュータプログラムまたは上記デジタル信号をコンピュータ読取可能な非一時的な記録媒体、例えば、フレキシブルディスク、ハードディスク、ＣＤ−ＲＯＭ、ＭＯ、ＤＶＤ、ＤＶＤ−ＲＯＭ、ＤＶＤ−ＲＡＭ、ＢＤ（Ｂｌｕ−ｒａｙ Ｄｉｓｃ（登録商標））、半導体メモリなどに記録したものとしても良い。また、これらの非一時的な記録媒体に記録されている上記デジタル信号であるとしても良い。

また、本発明は、上記コンピュータプログラムまたは上記デジタル信号を、電気通信回線、無線または有線通信回線、インターネットを代表とするネットワーク、データ放送等を経由して伝送するものとしても良い。

また、本発明は、マイクロプロセッサとメモリを備えたコンピュータシステムであって、上記メモリは、上記コンピュータプログラムを記憶しており、上記マイクロプロセッサは、上記コンピュータプログラムに従って動作するとしても良い。

また、上記プログラムまたは上記デジタル信号を上記非一時的な記録媒体に記録して移送することにより、または上記プログラムまたは上記デジタル信号を上記ネットワーク等を経由して移送することにより、独立した他のコンピュータシステムにより実施するとしても良い。

さらに、上記実施の形態及び上記変形例をそれぞれ組み合わせるとしても良い。

今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は上記した説明ではなくて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すべての変更が含まれることが意図される。

本発明は、読影者に参考となる類似症例を検索および提示する類似症例検索装置、および、研修読影医のための読影教育装置等に利用可能である。

１００ 症例データベース
１１０ 読影知識データベース
１２０ 読影対象画像読込部
１３０ 読影対象画像表示部
１４０ レポート入出力部
１５０ レポート解析部
１６０ 画像特徴抽出部
１７０ 重み決定部
１８０ 類似症例検索部
１９０ 類似症例表示部
２００ 読影端末
２０１、３００ 読影対象画像
２１０ 読影レポート入出力領域
２２０ 類似症例検索アイコン
２３０ アイコン
２４０ 類似症例出力領域
３１０ 腹部の周囲
３２０ 対象臓器
３３０ 病変領域
３４０ 点

Claims (10)

1. 医用画像と当該医用画像を読影した結果が記載された文書データである読影レポートとを含む症例データに類似する症例データを症例データベースより検索する類似症例検索装置であって、
   読影対象の医用画像である読影対象画像から複数の画像特徴量を抽出する画像特徴抽出部と、
   読影者が前記読影対象画像を読影することにより得られる読影レポートである対象読影レポートから、（ａ）医用画像の特徴を示す文字列である読影項目または（ｂ）医用画像に基づく読影者の診断結果である疾病名を抽出するレポート解析部と、
   医用画像から抽出される各画像特徴量と、前記医用画像に対する読影レポートから抽出される各読影項目または各疾病名との間の関連性を予め定めた二項間関係情報に基づいて、前記画像特徴抽出部が抽出した画像特徴量ごとに、当該画像特徴量と前記レポート解析部が抽出した前記読影項目または前記疾病名との間の関連性が高いほど大きな値の重みを決定する重み決定部と、
   前記画像特徴抽出部で抽出された前記複数の画像特徴量と、症例データベースに登録されている症例データに含まれる医用画像から抽出される複数の画像特徴量とを、前記重み決定部で決定された画像特徴量毎の重みで重み付けして比較することにより、前記読影対象画像に類似する医用画像を含む症例データを前記症例データベースより検索する類似症例検索部と
   を備える類似症例検索装置。
2. 前記二項間関係情報は、さらに、読影レポートから抽出される読影項目と疾病名との間の関連性を示し、
   前記レポート解析部が前記対象読影レポートから読影項目および疾病名の両方を抽出した場合、前記重み決定部は、前記二項間関係情報に基づいて、前記画像特徴抽出部が抽出した画像特徴量ごとに、当該画像特徴量と前記レポート解析部が抽出した前記読影項目との間の関連性を示す値と、当該読影項目と前記レポート解析部が抽出した前記疾病名との関連性を示す値との積を、当該画像特徴量に対する重みとして決定する
   請求項１記載の類似症例検索装置。
3. 前記レポート解析部が前記対象読影レポートから読影項目を抽出した場合、前記重み決定部は、前記二項間関係情報に基づいて、前記画像特徴抽出部が抽出した画像特徴量ごとに、当該画像特徴量と前記レポート解析部が抽出した前記読影項目との間の関連性を示す値を、当該画像特徴量に対する重みとして決定する
   請求項１記載の類似症例検索装置。
4. 前記レポート解析部が前記対象読影レポートから疾病名を抽出した場合、前記重み決定部は、前記二項間関係情報に基づいて、前記画像特徴抽出部が抽出した画像特徴量ごとに、当該画像特徴量と前記レポート解析部が抽出した前記疾病名との間の関連性を示す値を、当該画像特徴量に対する重みとして決定する
   請求項１記載の類似症例検索装置。
5. 前記重み決定部は、さらに、読影項目ごとの、該読影項目が記載されている読影レポートを作成する基となった医用画像に含まれる各画像特徴量の予め定められた確率分布データに基づいて、前記レポート解析部が抽出した読影項目に対応する前記画像特徴抽出部が抽出した各画像特徴量の尤度が高いほど、前記レポート解析部が抽出した読影項目に対する妥当性が高いと判断する
   請求項１記載の類似症例検索装置。
6. さらに、前記対象読影レポートを表示する表示部を備え、
   前記表示部は、前記重み決定部が判断した読影項目に対する妥当性の高さに基づいて、前記対象読影レポートに含まれる読影項目を視覚的に区別して表示する
   請求項５記載の類似症例検索装置。
7. 前記重み決定部は、さらに、疾病名ごとの、当該疾病名が記載されている読影レポートを作成する基となった医用画像に含まれる各画像特徴量の予め定められた確率分布データに基づいて、前記レポート解析部が抽出した疾病名に対応する前記画像特徴抽出部が抽出した各画像特徴量の尤度が高いほど、前記レポート解析部が抽出した疾病名に対する妥当性が高いと判断する
   請求項１記載の類似症例検索装置。
8. さらに、前記対象読影レポートを表示する表示部を備え、
   前記表示部は、前記重み決定部が判断した疾病名に対する妥当性の高さに基づいて、前記対象読影レポートに含まれる疾病名を視覚的に区別して表示する
   請求項７記載の類似症例検索装置。
9. 医用画像と当該医用画像を読影した結果が記載された文書データである読影レポートとを含む症例データに類似する症例データを症例データベースより検索する類似症例検索方法であって、
   読影対象の医用画像である読影対象画像から複数の画像特徴量を抽出する画像特徴抽出ステップと、
   読影者が前記読影対象画像を読影することにより得られる読影レポートである対象読影レポートから、（ａ）医用画像の特徴を示す文字列である読影項目または（ｂ）医用画像に基づく読影者の診断結果である疾病名を抽出するレポート解析ステップと、
   医用画像から抽出される各画像特徴量と、前記医用画像に対する読影レポートから抽出される各読影項目または各疾病名との間の関連性を予め定めた二項間関係情報に基づいて、前記画像特徴抽出ステップにおいて抽出された画像特徴量ごとに、当該画像特徴量と前記レポート解析ステップにおいて抽出された前記読影項目または前記疾病名との間の関連性が高いほど大きな値の重みを決定する重み決定ステップと、
   前記画像特徴抽出ステップにおいて抽出された前記複数の画像特徴量と、症例データベースに登録されている症例データに含まれる医用画像から抽出される複数の画像特徴量とを、前記重み決定ステップにおいて決定された画像特徴量毎の重みで重み付けして比較することにより、前記読影対象画像に類似する医用画像を含む症例データを前記症例データベースより検索する類似症例検索ステップと
   を含む類似症例検索方法。
10. 請求項９に記載の類似症例検索方法に含まれる全てのステップをコンピュータに実行させるためのプログラム。

Images