JPWO2013140667A1 - 画像処理装置 - Google Patents

Abstract

画像処理装置は、被検体を撮像して得られる画像を構成する画素毎に第１の特徴量を算出する第１の特徴量算出部と、第１の特徴量に基づいて画像を複数の領域に分割する領域分割部と、分割された領域毎に第２の特徴量を算出する第２の特徴量算出部と、第２の特徴量に基づき複数の領域における各領域が、複数種類の属性のいずれの属性を持つかの分類を行う分類部と、分類部により分類された複数の領域における２以上の所定数の領域が有する属性の割合に基づいて診断支援するための診断支援情報を算出する診断支援情報算出部と、を備える。

Description

本発明は被検体を撮像して得られる画像に対して画像処理を行う画像処理装置に関する。

被検体を撮像する撮像装置により取得される画像に対して、使用目的等に応じて種々の画像処理が行われる。
医療用分野においては、体腔内に挿入して内視鏡検査を行う内視鏡が広く用いられるようになっている。
内視鏡の挿入部は体腔内に挿入され、挿入部の先端部に設けられた撮像素子により体腔内の患部等が撮像され、画像処理装置により画像処理して内視鏡画像として表示装置に表示される。

また、近年においては、内視鏡の撮像素子により取得した画像又は内視鏡画像に対して、術者が診断をより円滑に行い易いように、画像処理により診断支援をする診断支援情報を算出する画像処理装置が提案されている。
例えば、日本国特許４４５１４６０号公報においては、生体粘膜を撮像した内視鏡画像に対して、組織構造が類似した領域別とするように領域を分割し、分割した領域毎に所定の特徴量に基づいて判別分類の処理を行い、判別分類された分類結果を診断支援情報として各領域に対応付けて表示する画像処理装置を開示している。

しかしながら、上記の公報のように診断支援情報を算出する構成においては、領域部分それぞれに対して診断支援情報を算出する構成であるため、診断支援情報を適切に提供することが困難になる場合があった。
より具体的に説明すると、例えば大腸内を検査する場合においては、大腸病変として現れる無血管領域（avascular area：AVAと略記）は、浸潤癌の診断を下す際の一つの目安となるために重要な所見となるが、内視鏡画像の領域において「血管が撮像されていない」という点だけに注目した場合には、癌化の可能性が低いと考えられている過形成ポリープにおいても血管が視覚化されないため、上記の従来例では両者を判別した診断支援情報を算出することが困難になる。
このため、上記のような場合にもより適切な診断支援情報を提供できる画像処理装置が望まれる。
本発明は上述した点に鑑みてなされたもので、特徴量に基づいて分割した複数の領域における各領域がそれぞれ持つ属性の割合に基づいてより適切な診断支援情報を算出する画像処理装置を提供することを目的とする。

本発明の一態様に係る画像処理装置は、被検体を撮像して得られる画像から、該画像を構成する画素毎に第１の特徴量を算出する第１の特徴量算出部と、前記第１の特徴量に基づいて前記画像を複数の領域に分割する領域分割部と、前記領域分割部により分割された領域毎に第２の特徴量を算出する第２の特徴量算出部と、前記第２の特徴量に基づき前記複数の領域における各領域が、複数種類の属性のいずれの属性を持つかの分類を行う分類部と、前記分類部により分類された前記複数の領域における２以上の所定数の領域が有する属性の割合に基づいて診断支援するための診断支援情報を算出する診断支援情報算出部と、を備える。

図１は本発明の第１の実施形態を備えた内視鏡システムの全体構成を示す図。 図２は図１の画像処理装置を構成するＣＰＵにより構成される主要な処理機能を示すブロック図。 図３は画像入力部から入力される画像、領域に分割された画像等を模式的に示す図。 図４は第２の特徴量と、第２の特徴量における特定の範囲にそれぞれ複数種類の属性が存在する特徴量・属性の判別空間の概念を示す図。 図５は複数種類の属性と、複数種類の属性における特定の範囲にそれぞれ異なる診断支援情報が存在する属性・診断支援情報の判別空間の概念を示す図。 図６は第１の実施形態における診断支援情報を算出する処理手順を示すフローチャート。 図７は図６における属性の多次元ベクトル化する処理手順を示すフローチャート。 図８は図７の多次元ベクトルの成分値等を示す図。 図９は本発明の第２の実施形態における情報記憶部の情報格納内容を示す図。

以下、図面を参照して本発明の実施形態を説明する。
（第１の実施形態）
図１に示す内視鏡システム１は、内視鏡観察装置２と、この内視鏡観察装置２により得られた医用画像としての内視鏡画像に対して画像処理を行うパーソナルコンピュータ等により構成される本実施形態の画像処理装置３と、この画像処理装置３により画像処理された画像を表示する表示装置としての表示モニタ４とから構成される。
内視鏡観察装置２は、体腔内に挿入される内視鏡６と、この内視鏡６に照明光を供給する光源装置７と、内視鏡６の撮像手段に対する信号処理を行う信号処理装置としてのカメラコントロールユニット（ＣＣＵと略記）８と、このＣＣＵ８から出力される映像信号が入力されることにより、撮像素子で撮影した内視鏡画像を表示するモニタ９とを有する。

内視鏡６は、体腔内に挿入される挿入部１１と、この挿入部１１の後端に設けられた操作部１２とを有する。また、挿入部１１内には照明光を伝送するライトガイド１３が挿通されている。
このライドガイド１３の後端は、光源装置７に接続される。そして、この光源装置７から供給される照明光をライトガイド１３により転送し、挿入部１１の先端部１４に設けた照明窓に取り付けられた先端面から（伝送した照明光を）出射し、患部等の被写体を照明する。
照明窓に隣接する観察窓に取り付けた対物レンズ１５と、この対物レンズ１５の結像位置に配置された固体撮像素子としての例えば電荷結合素子（ＣＣＤと略記）１６とによる撮像装置１７が設けてある。そして、このＣＣＤ１６の撮像面に結蔵された光学像は、このＣＣＤ１６により光電変換される。

このＣＣＤ１６は、信号線を介してＣＣＵ８と接続され、このＣＣＵ８からＣＣＤ駆動信号が印加されることにより、ＣＣＤ１６は光電変換した画像信号を出力する。この画像信号は、ＣＣＵ８内の映像処理回路により信号処理され、映像信号に変換される。この映像信号はモニタ９に出力され、モニタ９の表示面には、内視鏡画像が表示される。この映像信号は、画像処理装置３にも入力される。
この画像処理装置３は、内視鏡観察装置２から入力される内視鏡画像（以下、単に画像と略記）に対応する映像信号を入力する画像入力部２１と、この画像入力部２１から入力された画像データに対する画像処理を行う中央演算処理装置としてのＣＰＵ２２と、このＣＰＵ２２により画像処理を実行させる処理プログラム（制御プログラム）を記憶するメモリ等からなる処理プログラム記憶部２３とを有する。

また、この画像処理装置３は、画像入力部２１から入力される画像データ等を記憶するメモリ等からなる画像記憶部２４と、ＣＰＵ２２により処理された情報等を記憶するメモリ等からなる情報記憶部２５と、ＣＰＵ２２により処理された画像データ及び情報等を記憶装置インターフェース２６を介して記憶する記憶装置としてのハードディスク２７と、ＣＰＵ２２により処理された画像データ等を表示するための表示処理を行う表示処理回路等からなる表示処理部２８と、ユーザが画像処理のパラメータ等のデータ入力や指示操作を行うキーボード等からなる入力操作部２９とを有する。
そして、この表示処理部２８により生成された映像信号は、画像表示手段としての表示モニタ４に表示され、この表示モニタ４の表示面には画像処理された処理画像が表示される。

なお、画像入力部２１、ＣＰＵ２２、処理プログラム記憶部２３、画像記憶部２４、情報記憶部２５、記憶装置インターフェース２６、表示処理部２８、入力操作部２９は、データバス３０を介して互いに接続されている。
図２は、本実施形態におけるＣＰＵ２２により構成される主要な処理機能を示す。図２に示すようにＣＰＵ２２は、画像入力部２１から入力された画像に対してノイズ抑制、逆γ補正等の前処理を行う前処理部３１の処理機能を有する。
なお、図３（Ａ）は、画像入力部２１から画像処理装置３に入力される画像を模式的に示す。

又、ＣＰＵ２２は、前処理部３１により処理された画像における各画素に対して、第１の特徴量を算出する第１の特徴量算出部３２ａを含む特徴量算出部３２の処理機能と、第１の特徴量に基づいて前記画像を複数の領域に分割する領域分割部３３の処理機能と、を備える。
第１の特徴量算出部３２ａは、第１の特徴量として画像を形成する色信号としてのＲ，Ｇ，Ｂ信号の各信号値や、Ｇ／ＲやＧ／（Ｒ＋Ｇ＋Ｂ）などの各信号値の演算により算出される値や、輝度信号の輝度値や、画像が持つテクスチャ特徴（質感の特徴）、周波数分離する周波数帯域フィルタを用いた複数の周波数成分又は特定の周波数成分のフィルタ出力値等を算出する。
領域分割部３３は、第１の特徴量に基づいて、公知のクラスタリング手法等を用いて複数の領域に分割する。クラスタリング手法は、ｋ−ｍｅａｎクラスタリング（ｋ−ｍｅａｎｓ法）等の非階層的クラスタリングでもよいし、最短距離法等の階層的クラスタリングでもよい。また、その他の領域分割手法を用いてもよい。図３（Ｂ）は、領域分割部３３により複数に分割された領域Ｒａ−Ｒｄを示す。

上記特徴量算出部３２は、領域分割部３３により分割された複数の領域Ｒａ−Ｒｄにおける各領域Ｒｉ（ｉ＝ａ−ｄ）毎に第２の特徴量を算出する第２の特徴量算出部３２ｂを有する。
第２の特徴量算出部３２ｂは、例えば各領域Ｒｉに対して第１の特徴量算出部３２ａによる第１の特徴量と同様の特徴量を第２の特徴量として算出しても良い。但し、領域毎に上記のＲ，Ｇ，Ｂ信号の各信号値、輝度値、テクスチャ特徴、フィルタ出力値等の各種特徴量の平均値や分散量等の統計量も第２の特徴量として算出する。
また、ＣＰＵ２２は、第２の特徴量に基づいて、領域分割部３３により分割された複数の領域Ｒａ−Ｒｄにおける各領域Ｒｉが、予め用意された複数種類の属性のいずれの属性を持つか否かの分類を行う分類部３４の処理機能を有する。

このため、例えば図１に示す情報記憶部２５には、予め用意された複数種類の属性の情報を格納する属性情報格納部２５ａを有する。
そして、分類部３４は、各領域が属性情報格納部２５ａに格納された複数種類の属性におけるいずれの属性を持つか否かの分類を行う。分類部３４が例えばＭ個となる複数の領域を、各領域が持つ属性（の領域）に分類する場合、同じ属性となる領域が存在する可能性があるため、分類後にはＭ個以下となる所定数の属性の領域に分類する。
上記属性情報格納部２５ａは、検査対象の生体組織（生体粘膜組織）としての、例えば大腸の生体粘膜組織を診断する場合に対応して、属性情報格納部２５ａは、以下の属性を予め格納している。
Ａ１．規則的なVessels 領域（血管領域）（＋）
Ａ２．規則的なSurface Pattern 領域（表面パターン領域）（＋）
Ａ３．Vessels が不規則な領域（−）
Ａ４．Surface Pattern が不規則な領域（−）
Ａ５．色調変化の激しい領域（−）
Ａ６．無構造領域(±)
Ａ７．出血している領域（−−）
上記のＡ１−Ａ７の属性は、検査対象の大腸の生体粘膜組織の場合に対して、その病変の目安又は指標となる診断支援情報を算出するために予め設定される。過去に収集した大腸の生体粘膜組織の画像データを複数の属性によって分類ようとした場合、上記のＡ１−Ａ７の属性により分類することができる。

属性の後に付けた符号（＋）は悪性度の低い病変（病変の可能性が低い）指標となる属性を表し、符号（−）は悪性度の高い病変（病変の可能性が高い）指標となる属性を表す。
また、Ａ６の属性の後の符号(±)は、構造が無い（つまり構造を実質的に示さない）ため悪性度が高いか、低いかの判断が困難である指標となる属性（所定の属性）を表す。注目領域としての無構造領域が持つ所定の属性は、該所定の属性を有する領域のみでは、上述したAVA に相当するものであるか、AVA でなく、単に血管が不可視となる領域であるかの判断が困難となる属性である。
そのため、本実施形態は後述するように、この無構造領域(±)の属性を持つ領域（つまり注目領域）に対しては、その領域に隣接する周囲の単数又は複数の領域が持つ各属性それぞれの面積の割合（複数の領域の属性の面積比）に基づいてその属性の値としての属性値を補正（して、補正した属性値を用いて診断支援情報を算出）する。

なお、後述するように複数種類の属性の属性値又は割合（換言すると、複数種類の次元数の仮想空間としての判別空間）に応じて、対応する病変名又は症状名等の診断支援情報を算出する。また、Ａ７の属性の後の符号（−−）は、悪性度が非常に高い（病変の可能性が非常に高い）特定の属性を表す。
そして、この特定の属性を持つ領域を検出した場合には、他の属性又は属性値に関わらず、対応する病変名の診断支援情報を算出する。つまり、Ａ７の属性は、Ａ１−Ａ６の属性の場合（少なくとも各属性値の算出に基づいて対応する診断支援情報を算出する場合）と大きく異なる。このため、以下の説明は、主にＡ１−Ａ６の属性に関連する。
このように、本実施形態においては、属性情報格納部２５ａは、複数の領域Ｒａ−Ｒｄに対して、主に、悪性度の低い病変の指標となる第１の属性（具体的にはＡ１，Ａ２）と、悪性度の高い病変の指標となる第２の属性（具体的にはＡ３−Ａ５）と、悪性度の判断が困難である所定の属性としての第３の属性（具体的にはＡ６）との情報を予め格納している。

また、分類部３４は、予め用意した教師データ（訓練データ）を用いて、上述した複数種類の属性Ａ１−Ａ６、に関しての分類（判別）境界を、第２の特徴量を用いて、公知の判別分類手法（Fisher の線形判別関数、Support Vector Machine 等）で算出する。図４は公知の判別分類手法を用いて予め算出された属性を判別（分類）する判別空間を模式的に示す。
図４の例では、第２の特徴量としての例えば輝度値と、テクステャ特徴とを直交する座標軸に設定して、領域Ｒｉが持つ輝度値、テクステャ特徴に応じて６つの属性Ａ１−Ａ６を判別可能に存在する範囲が算出された判別空間の概念図を示す。図４では、第２の特徴量が２つの２次元空間の場合で示しているが、第２の特徴量が３つの場合には３次元空間となり、また第２の特徴量が１つの場合には１次元（空間）となる。また、図４において黒の点（小円）１つが１つの領域に相当する。

そして、例えば情報記憶部２５は、第２の特徴量の値と、対応する各属性が存在する範囲とを関連付けた（第２の）特徴量・属性対応付け情報（又は属性分類用情報）として格納する特徴量・属性対応付け情報格納部２５ｂを有する。
分類部３４は、特徴量・属性対応付け情報を参照することにより、領域Ｒｉ毎に算出された輝度値、テクステャ特徴等の第２の特徴量に対応する属性を簡単に分類（特定）することができる。
図３（Ｃ）は、図３（Ｂ）の領域Ｒａ−Ｒｄに対して、分類部３４が特徴量・属性対応付け情報を参照して属性の分類を行った様子を示す。
また、属性の分類を行った画像において、術者等のユーザはこの画像処理装置３により診断支援情報を得ようとする領域（以下、関心領域）の範囲Ｒｏの設定を行うことができる。術者等のユーザは、図１の入力操作部２９から、属性の分類が行われた画像に対して、診断支援情報を得ようとする関心領域の範囲Ｒｏを設定する。入力操作部２９は、ユーザが関心領域の範囲Ｒｏを設定する範囲設定部２９ａを形成する。

関心領域の範囲Ｒｏを設定する入力操作によって、ＣＰＵ２２は属性の分類が行われた画像上に関心領域の範囲Ｒｏを設定する。
図３（Ｄ）は、属性の分類が行われた画像に、関心領域の範囲Ｒｏが設定された様子を示す。なお、属性の分類が行われた画像に対して、関心領域の範囲Ｒｏの設定を行う場合に限定されるものでなく、属性の分類が行われる前の画像に対して、関心領域の範囲Ｒｏの設定を行うこともできる。
また、図２に示すようにＣＰＵ２２は、分類部３４により分類された所定数の各領域Ｒｉの属性の情報、より具体的には各領域Ｒｉそれぞれが、いずれの属性を持つか否かの複数種類の属性及び各属性を持つ領域の面積の情報に基づいて、術者による診断を支援する診断支援情報を算出する診断支援情報算出部３５の処理機能を有する。

診断支援情報算出部３５は、検査対象の生体組織に対応して予め用意した病変名、又は症状名等を診断支援情報として算出する。本実施形態においては、大腸の検査を行う場合の診断支援情報として、以下の３つの病変名を用意している。
Ｄ１．過形成ポリープ
Ｄ２．腺腫
Ｄ３．癌
また、本実施形態においては、上述した（領域Ｒｉが持つ）第２の特徴量から、第２の特徴量に対応する属性を分類（特定）できるようにしたのと同様に、予め教師データを用いて複数の診断支援情報（具体的にはＤ１−Ｄ３）を判別する境界を、複数種類の属性（具体的にはＡ１−Ａ６の属性）を用いて、公知の判別分類手法で算出する。

図５は例えば規則的なVessels 領域と、色調変化の激しい領域とを直交する座標系に設定した２次元のベクトル空間（判別空間）において、教師データを用いて予め算出した属性・診断支援情報対応付け情報の概念図を示す。

図５は、簡略化して２次元の空間において複数の診断支援情報（具体的にはＤ１−Ｄ３）が判別可能に存在する範囲を模式的に示しているが、実際にはＡ１−Ａ６の属性をそれぞれ異なるベクトル成分と見なした６次元のベクトル空間（判別空間）において互いに異なる複数の診断支援情報が判別可能に存在する範囲が決定される。なお、図５において黒の点（小円）１つが１つの範囲Ｒｏに相当する。
また、情報記憶部２５は、教師データを用いて予め算出した属性・診断支援情報対応付け情報を格納する属性・診断支援情報対応付け情報格納部２５ｃを有する。

情報格納手段としての属性・診断支援情報対応付け情報格納部２５ｃは、複数種類の属性をそれぞれベクトル成分とした複数次元数のベクトル空間において各属性を持つ領域の面積の総和により算出される属性値を各ベクトルの成分値に対応付けして、前記複数次元数のベクトルの成分値に応じて互いに異なる複数の診断支援情報が存在するベクトル空間内の範囲の情報を格納する。なお、属性・診断支援情報対応付け情報格納部２５ｃは、分類部３４により分類された所定数の領域がそれぞれ有する属性の面積比又は領域数の情報に基づいて診断支援情報を算出するのに利用される診断支援情報を格納する診断支援情報格納部を形成する。
そして、診断支援情報算出部３５は、分類部３４により分類された各領域Ｒｉが有する属性の情報と、各領域Ｒｉの面積の情報とから、属性・診断支援情報対応付け情報格納部２５ｃに格納された属性・診断支援情報対応付け情報を参照して、診断支援情報を算出する。

このため、診断支援情報算出部３５は、各領域Ｒｉが有する面積を算出する面積算出部３５ａを有する。そして、診断支援情報算出部３５は、複数種類の属性（具体的にはＡ１−Ａ６）における各属性の値を、当該各属性を持つ領域の面積の値を対応付けして決める。換言すると、図５に示した属性・診断支援情報対応付けの判別空間（属性の多次元ベクトル空間）における各属性の座標軸の値（ベクトル成分）は、当該属性を持つ単数又は複数の領域の面積の値（割合）に対応する。
従って、診断支援情報算出部３５は、複数種類の属性において、各属性を持つ単数又は複数の領域の面積をそれぞれ算出した結果の各属性の値から、当該各属性の値に対応する診断支援情報を、属性・診断支援情報対応付け情報から簡単に算出することができる。

一方、（術者が診断支援を望む関心領域の範囲Ｒｏ内に）領域Ｒｉが所定（種類）の属性、具体的にはＡ６の属性を持つものを含むような分類結果の場合には、Ａ６の属性を持つ注目領域となる領域Ｒｉの情報を診断支援情報に有効に利用できない。つまり、Ａ６の属性は、病変の悪性度を低減する傾向に作用する第１の属性と、病変の悪性度を増大させる傾向に作用する第２の属性との判断が困難であるため、その属性及び領域のままでは、診断支援情報の算出に有効に利用できない。
このため、本実施形態の診断支援情報算出部３５は、関心領域の範囲Ｒｏ内にＡ６の属性のような所定の属性を含む状態で分類した場合には、所定の属性を持つ注目領域を中心として、その周囲に存在する複数の領域が有する属性及び領域の面積から、第１の属性、又は第２の属性のいずれの属性に近いか否かの属性値に補正する処理を行う。

つまり、図２に示す診断支援情報算出部３５は、特定の属性を有する注目領域なる領域に対しては、その属性の値を、例えば重み付けにより補正する重み付け補正部３５ｂを有する。そして、診断支援情報算出部３５は、Ａ６の属性を持つ領域に対しては、重み付け補正部３５ｂにより重み付け補正した属性の値を算出し、さらにＡ１−Ａ５の属性及び各属性を持つ領域の面積により算出される各属性の値により、該各属性の値に対応する診断支援情報を属性・診断支援情報対応付け情報から算出する。なお、診断支援情報算出部３５は、関心領域の範囲Ｒｏ内に、上記のＡ６の属性のような所定の属性を含む領域（注目領域という）を含むか否かを判定する注目領域判定手段としての注目領域判定部３５ｃを有する（図２参照）。
また、ＣＰＵ２２（の診断支援情報算出部３５）は、算出した診断支援情報を図１の表示処理部２８に送り、表示処理部２８は、算出した診断支援情報を表示モニタ４で表示する。表示処理部２８は、診断支援情報を表示する処理を行う診断支援情報表示処理部２８ａを形成し、表示モニタ４は診断支援情報を表示する診断支援情報表示部を形成する。
なお、図２においては前処理部３１、特徴量算出部３２、領域分割部３３、分類部３４及び診断支援情報算出部３５をＣＰＵ２２により構成した場合を示しているが、ＣＰＵ２２により構成する場合に限定されるものでなく、専用の電子回路等のハードウェアを用いて構成しても良い。

このような構成の本実施形態の画像処理装置３は、被検体を撮像して得られる画像から、該画像を構成する画素毎に第１の特徴量を算出する第１の特徴量算出手段としての第１の特徴量算出部３２ａと、前記第１の特徴量に基づいて前記画像を複数の領域に分割する領域分割手段としての領域分割部３３と、前記領域分割手段により分割された領域毎に第２の特徴量を算出する第２の特徴量算出手段としての第２の特徴量算出部３２ｂと、前記第２の特徴量に基づき前記複数の領域における各領域が、複数種類の属性のいずれの属性を持つかの分類を行う分類手段としての分類部３４と、前記分類手段により分類された前記複数の領域における２以上の所定数の領域が有する属性の割合に基づいて診断支援するための診断支援情報を算出する診断支援情報算出手段としての診断支援情報算出部３５と、を備えることを特徴とする。

次に本実施形態の画像処理装置３により、診断支援情報を算出する処理を図６を参照して説明する。
図１に示すように内視鏡観察装置２、画像処理装置３及び表示モニタ４を接続した状態において術者は、内視鏡システム１の電源を投入する。
また、術者は、内視鏡６を被検体としての患者の例えば大腸を検査するために大腸内に挿入する。
内視鏡６の撮像装置１７により撮像された画像は、モニタ９で表示されると共に、画像処理装置３にも画像入力部２１を通って入力される。
つまり、図６のステップＳ１に示すように画像処理装置３には、画像入力部２１により、例えばアナログの画像からデジタルの画像にＡ／Ｄ変換されて入力される。この画像は、例えば画像記憶部２４に一時的に格納される。図３（Ａ）は、その画像を模式的に示す。なお、図３（Ａにおいては、処置対象の画像Ｉを中央部分の略楕円形状の領域に設定しているが、このような領域の場合に限定されるものでない。

ステップＳ２に示すようにＣＰＵ２２（の前処理部３１）は、処置対象の画像Ｉに対して、ノイズ抑制、逆γ補正等の前処理を行う。
ステップＳ３に示すようにＣＰＵ２２（の第１の特徴量算出部３２ａ）は、前処理部３１により処理された画像Ｉにおける各画素からＲ，Ｇ，Ｂ信号値、各信号値の演算によって算出される値、輝度値、テクスチャ特徴、フィルタ出力値等の第１の特徴量を算出する。
ステップＳ４に示すようにＣＰＵ２２（の領域分割部３３）は、第１の特徴量に基づいて、公知のクラスタリング手法としてのｋ−ｍｅａｎｓ法や最短距離法等を用いて複数の領域に分割する。
図３（Ｂ）は、領域分割部３３により複数に分割された複数の領域Ｒａ−Ｒｄを示す。

ステップＳ５に示すようにＣＰＵ２２（の第２の特徴量算出部３２ｂ）は、複数に分割された領域Ｒａ−Ｒｄにおける各領域Ｒｉ毎に第２の特徴量を算出する。第２の特徴量算出部３２ｂは、領域Ｒｉ毎に上記のＲ，Ｇ，Ｂ信号の各信号値、各信号値の演算によって算出される値、輝度値、テクスチャ特徴等の平均値や分散量等の統計量を第２の特徴量として算出する。なお、第１の特徴量と異なる種類の特徴量およびその統計量を用いても良い。
次のステップＳ６に示すようにＣＰＵ２２（の分類部３４）は、第２の特徴量算出部３２ｂにより算出された第２の特徴量に基づいて、領域分割部３３により分割された複数の領域Ｒａ−Ｒｄにおける各領域Ｒｉが、属性情報格納部２５ａに格納された複数種類の属性におけるいずれの属性を持つか否かの分類を行う。
この場合、図４において説明した特徴量・属性対応付け情報を予め特徴量・属性対応付け情報格納部２５ｂに格納しておくと、各領域Ｒｉに対応する属性を簡単に特定（分類）することができる。

図３（Ｄ）は、ステップＳ６により複数の領域Ｒａ−Ｒｄがそれぞれ対応する属性に分類された状態を示す。具体的には、分類部３４は、領域ＲａがＡ４の属性を持つと分類し、領域ＲｂがＡ６の属性を持つと分類し、領域ＲｃがＡ３の属性を持つと分類し、領域ＲｄがＡ４の属性を持つと分類した状態を示す。
次のステップＳ７に示すようにＣＰＵ２２は、術者により入力操作部２９からの診断支援情報を算出する関心領域の範囲Ｒｏを設定する入力操作によって、ＣＰＵ２２は属性の分類が行われた画像Ｉ上に関心領域の範囲Ｒｏを設定する。
図３（Ｄ）は、属性の分類が行われた画像に、上記範囲Ｒｏが設定された様子を示す。なお、上述したようにステップＳ７に示した処理を、属性の分類前の画像Ｉにおいて行うようにしても良い。また、図３では範囲Ｒｏを１つの矩形領域で設定しているが、範囲Ｒｏは形状、サイズ、個数が限定されるものではない。また、範囲Ｒｏは特に設定せず、画像Ｉ全体を関心領域としても良い（画像Ｉ全体を範囲Ｒｏとすることと同等）。

次のステップＳ８においてＣＰＵ２２（の診断支援情報算出部３５）はステップＳ７において設定した範囲Ｒｏ内にＡ７のような属性、つまり特定の病変に対応する可能性が高い、悪性度の指標が顕著な特定の属性の領域を含むか否かの判定を行う。
範囲Ｒｏ内に特定の属性の領域を含むと判定した場合には、ステップＳ９においてＣＰＵ２２（の診断支援情報算出部３５）は、他の属性に関わらず、その特定の属性から、対応する診断支援情報を算出する。Ａ７のような特定の属性を持つ領域が存在した場合には癌の病変名の診断支援情報を算出した後、ステップＳ１４の処理に移る。
一方、範囲Ｒｏ内に特定の属性の領域を含まないと判定した場合には、次のステップＳ１０においてＣＰＵ２２（の診断支援情報算出部３５）は、上記範囲Ｒｏ内の複数種類の属性の割合を複数種類の次元数の多次元ベクトル化（属性の多次元ベクトル化と略記）する処理を開始する。なお、属性の多次元ベクトル化の処理内容は、図７を参照して後述する。

多次元ベクトル化する処理を開始した場合、図６における次のステップＳ１１においてＣＰＵ２２（の診断支援情報算出部３５の注目領域判定部３５ｃ）は、範囲Ｒｏ内にＡ６のような所定の属性の領域（換言すると、その領域のみでは適切な診断支援情報を算出し難い所定の属性を有する注目領域）を含むか否かの判定を行う。
図３（Ｄ）に示すように範囲Ｒｏ内に所定の属性の注目領域を含む判定結果の場合には、ステップＳ１２において診断支援情報算出部３５（の重み付け補正部３５ｂ）は、その所定の属性を含む注目領域に対して、重み付け補正処理により、属性の値、つまり属性値を補正した後、次のステップＳ１３の処理に進む。
一方、範囲Ｒｏ内に所定の属性の領域を含まないと判定した場合には、重み付け補正処理を行うこと無く、ステップＳ１３の処理に移る。

ステップＳ１３においてＣＰＵ２２（の診断支援情報算出部３５）は、多次元ベクトル化された複数種類の属性の属性値の情報から対応する診断支援情報を算出し、算出した診断支援情報を表示処理部２８に送る。
次のステップＳ１４において表示処理部２８（の診断支援情報表示処理部２８ａ）は、診断支援情報を表示する処理を行い、表示モニタ４の表示画面に診断支援情報を表示する。図３（Ｅ）は、範囲Ｒｏに対して、算出した診断支援情報（具体的には腺種の病変名）を表示した様子を示す。なお、範囲Ｒｏの上に診断支援情報を表示するようにしても良い。
術者は、このように表示された診断支援情報を参考にすることによって、効率良く内視鏡検査を行うことができる。

次に図７を参照して図６におけるステップＳ１０の属性の多次元ベクトル化の処理、及びこれに関連する重み付け補正処理等、診断支援情報算出部３５の処理を説明する。
属性の多次元ベクトル化の処理が開始すると、診断支援情報算出部３５（の面積算出部３５ａ）は、図７のステップＳ２１に示すように範囲Ｒｏ内に含まれる各領域の画素数又は面積比（換言すると、範囲Ｒｏ内に含まれる領域の属性の面積比）を算出する。
図８（Ａ）は、面積算出部３５ａにより算出された領域Ｒａ−Ｒｄの各面積比を示す。なお、図８（Ａ）においては、各領域Ｒｉの属性も示している。
また、ステップＳ２２においてＣＰＵ２２（の診断支援情報算出部３５）は、ステップＳ９と同様に範囲Ｒｏ内に所定の属性の注目領域を含むか否かの判定を行い、所定の属性の注目領域を含む場合には、ステップＳ１０と同様にステップＳ２３において診断支援情報算出部３５（の重み付け補正部３５ｂ）は、その所定の属性、又はその所定の属性を含む注目領域に対して、重み付け補正処理を行った後、ステップＳ２４の処理に移る。

一方、範囲Ｒｏ内に所定の属性の注目領域を含まないと判定した場合には、ステップＳ２４においてＣＰＵ２２（の診断支援情報算出部３５）は、属性の多次元ベクトル（具体例では６次元ベクトル）を決定する処理を行う。
図８（Ａ）に示すように領域の面積比が算出されたので、ＣＰＵ２２（の診断支援情報算出部３５）は、属性Ａ１−Ａ６を６次元ベクトルの６個のベクトル成分の値としてのベクトル成分値（単に成分値とも言う）を算出する。なお、ベクトル成分値（成分値）は、属性値又は属性の割合に相当する。
図８（Ａ）のデータの場合には、Ａ１，Ａ２，Ａ５の成分値は、それぞれ０となり、Ａ３，Ａ４，Ａ６の成分値は、それぞれ０．１，０．７，０．２となる。従って、６次元ベクトルは、図８（Ｂ）のように算出（決定）される。

Ａ６の成分値が０の場合には、図７のステップＳ２５の（多次元ベクトルに対応する）診断支援情報を算出する処理（図６ではステップＳ１３）に進み、一方、Ａ６の成分値が０でない場合には、ステップＳ２３の重み付け補正の処理により、Ａ６の成分値を補正して、６次元ベクトルを決定する。Ａ６の成分値が０でない場合には、Ａ６の成分値を以下のように重み補正値Ｗｃを算出し、この重み補正値Ｗｃを乗算して補正する。この補正はＡ６の属性の場合に行われ、他のＡ１−Ａ５の属性に対しての補正は行われない。
図３（Ｄ）に示すように範囲Ｒｏが設定されている場合、所定の属性としてのＡ６の属性を持つ注目領域Ｒｂの周囲には領域Ｒａ，Ｒｃ，Ｒｄが存在する。

このため、本実施形態においては、図６のステップＳ１２，又は図７のステップＳ２３において重み付け補正部３５ｂは、所定の属性の注目領域Ｒｂの周囲の領域Ｒａ，Ｒｃ，Ｒｄにおける病変の悪性度が低いと分類される第１の属性（具体例ではＡ１，Ａ２）の面積比（又は画素数）Ａｒ１と、病変の悪性度が高いと分類される第２の属性（具体例ではＡ３−Ａ５）の面積比（又は画素数）Ａｒ２との割合に応じた成分値となる、以下の重み係数Ｗを用いた重み付け補正式（１）により（Ａ６の成分値を補正するための）重み補正値Ｗｃを算出する。
Ｗｃ＝Ａｒ２×Ｗ／（Ａｒ１＋Ａｒ２） …（１）
本実施形態においては重み係数Ｗを２に設定している（Ｗ＝２）。

図８の具体例に適用すると、補正式（１）は
Ｗｃ＝（０．１＋０．７＋０．０）×２／（０．０＋０．０＋０．１＋０．７＋０．０）＝２．０ …（２）
となる。重み付け補正部３５ｂは、算出した重み補正値Ｗｃ（＝２．０）を用いて、Ａ６の成分値０．２を０．２×Ｗｃにより補正した補正値０．４をＡ６の成分値の補正値とする。このように、重み付け補正部３５ｂは、補正前のＡ６の成分値０．２を重み補正値Ｗｃを用いて０．４に補正する。
従って６次元ベクトルＡ１−Ａ６の成分値は、図８（Ｂ）に示すように０．０，０．０，０．１，０．７，０．０，０．４と決定する。
６次元ベクトルの各成分値が決定したため、図７に示すようにステップＳ２５においてＣＰＵ２２（の診断支援情報算出部３５）は、属性Ａ１−Ａ６の６次元ベクトルに対応する診断支援情報を算出する。

さらにステップＳ２６において表示モニタ４には、算出された診断支援情報が表示され、図７又は図６の処理が終了する。
なお、術者は、画像記憶部２４に記憶された他の画像を選択して、同様の処理を行わせることもできる。
このような画像処理を行う画像処理装置３によれば、術者が指定した関心領域の範囲Ｒｏに対して診断支援情報を表示する処理を行うので、術者は効率良く内視鏡検査を行うことができる。
また、本実施形態の画像処理装置３によれば、特徴量に基づいて分割した複数の領域における各領域がそれぞれ持つ属性の割合（つまり、個々の領域でなく複数の領域にまたがる属性の割合）に基づいてより適切な診断支援情報を算出することができる。
また、本実施形態の画像処理装置３によれば、個々の領域からでは、対応する診断支援情報を算出するために必要となる属性値を適正に算出できないような場合においても、その周辺の２以上の領域が持つ属性の割合等から該当する属性値を算出することができるようにしているので、より適切な診断支援情報を算出することができる。

（第２の実施形態）
次に図９を参照して本発明の第２の実施形態を説明する。
第１の実施形態においては、検査対象（診断対象）部位又は組織として大腸に適用した場合において説明したが、本実施形態は胃粘膜等に対しても同様の画像処理を行うことができるようにした画像処理装置である。
本実施形態の画像処理装置は、図１に示す画像処理装置３と同様である。但し、本実施形態においては、図９に示すように情報格納部２５は大腸用の属性情報格納部２５ａと共に、胃用の属性情報格納部２５ａ′を格納している。
また、情報格納部２５は、大腸用の特徴量・属性対応付け情報格納部２５ｂと共に、胃用の特徴量・属性対応付け情報格納部２５ｂ′と、大腸用の属性・診断支援情報対応付け情報格納部２５ｃと共に、胃用の属性・診断支援情報対応付け情報格納部２５ｃ′と、を格納している。

そして、入力操作部２９に設けた検査対象部位（又は組織）入力部２９ｂ（図１において点線で示した）から検査対象部位又は組織として大腸、或いは胃を選択することにより、ＣＰＵ２２は、情報格納部２５から選択された大腸用の情報、又は胃用の情報を参照して画像処理を行うことができるようにしている。
入力操作部２９から大腸を選択した場合には、その動作は第１の実施形態と同様になるこのため、胃を選択した場合を説明する。
胃用の属性情報格納部２５ａ′は、以下の４つの属性Ａ１１−Ａ１４を格納している。

Ａ１１．規則的な蜂の巣状血管領域、又は規則的な円形Surface Pattern 領域（表面パターン領域）（＋）
Ａ１２．規則的な線状血管領域、又は規則的な帯状Surface Pattern 領域（表面パターン領域）（＋）
Ａ１３．不規則的な蛇行血管領域、又はSurface Pattern（表面パターン）が消失した領域（−）
Ａ１４．太径血管(±)
上記Ａ１１−Ａ１２の属性は、第１の実施形態におけるＡ１−Ａ２の属性と同様に第１の属性に相当し、Ａ１３の属性は、第１の実施形態におけるＡ３−Ａ５の属性と同様に第２の属性に相当し、Ａ１４の属性は、第１の実施形態におけるＡ６の属性と同様に第３の属性に相当する。この場合、第１の実施形態におけるＡ６の場合と同様に、個々の領域のみから太径血管が癌の場合に現れる異常血管であるか、正常な胃底腺粘膜に現れる集合細静脈であるかの判別が困難となる。

また、本実施形態においても、ＣＰＵ２２は図２と同様の処理機能を有する。但し、分類部３４は、領域分割部３３により分割した領域を上記のＡ１１−Ａ１４のいずれの領域の属性を持つか否かの分類を行う。なお、その際に算出される第１の特徴量および第２の特徴量は大腸用と同一の特徴量でも良いし、胃用の特徴量を別途算出しても良い。
また、本実施形態においても、Ａ１４の属性を、所定の属性として、この所定の属性を持つ所定の領域に対しては、第１の実施形態と同様に、診断支援情報算出部３５（の重み付け補正部３５ｂ）は、同様の重み付け補正処理を行うことにより、その属性値を補正する。
また、胃用の診断支援情報として、以下のＤ１１−Ｄ１４を用意している。

Ｄ１１．正常胃底腺粘膜
Ｄ１２．正常幽門腺粘膜
Ｄ１３．胃炎
Ｄ１４．癌
そして、第１の実施形態における例えば図６の処理手順により診断支援情報を算出し、表示モニタ４にて診断支援情報を表示する。

従って、本実施形態は、第１の実施形態とほぼ同様の効果を有する。
本実施形態によれば、第１の実施形態と同様の効果を有すると共に、術者が、検査する部位を指定又は選択することにより、指定又は選択された部位の画像に対して適切な診断支援情報を算出して表示することができる。
なお、図９において点線で示すように、情報格納部２５に、さらに食道用の属性情報格納部２５ａ″、食道用の特徴量・属性対応付け情報格納部２５ｂ″と、食道用の属性・診断支援情報対応付け情報格納部２５ｃ″を設け、食道を検査する場合にも適切な診断支援情報を提供できるようにしても良い。
また、本実施形態では検査対象部位または組織をあらかじめ選択することで情報記憶部２５から適した情報を参照する方法を例示したが、算出された各種特徴量を用いて検査対象部位または組織を推定しても良い。

なお、上述した実施形態において、所定の属性としての第３の属性を持つ注目領域が存在する場合において重み付け補正を行う場合には、当該注目領域の周囲の複数の領域における、第３の属性以外の属性における同じ属性を持つ領域の総和値をその属性の属性値に補正して、対応する診断支援情報を算出する例で説明したが、同じ属性を持つ領域の数を、その属性の属性値と見なして補正するようにしても良い。
つまり、重み付け補正部３５ｂは、分類部３４により第３の属性を持つ所定の領域が存在するような分類を行った場合に、前記所定の領域の周囲における第３の属性と異なる第１の属性を持つ領域の面積又は領域の数と、第２の属性を持つ領域の面積又は領域の数との割合に応じた重み付けした属性値に補正するようにしても良い。
また、情報記憶部２５に含まれる属性、特徴量、診断支援情報は、実施形態で例示したものに限られるものではなく、種々の変更が可能である。なお、上述した注目領域判定手段又は注目領域選択手段としての注目領域判定部３５ｃが、範囲Ｒｏにおける複数の領域から注目領域を判定又は選択する場合、以下のように判定又は選択するようにしても良い。入力操作部２９等から注目領域に該当するＡ６等の所定の属性を指定する所定の属性指定手段を設け、この所定の属性設定手段により指定された所定の属性に基づいて、上記複数の領域から所定の属性に該当する注目領域を判定又は選択するようにしても良い。

また、上述した説明においては、主に領域分割部３３により分割された単数又は複数の領域に対して前記診断支援情報を算出しようとする関心領域の範囲Ｒｏを設定する範囲設定部２９ａを備えた構成を説明したが、関心領域の範囲Ｒｏを前記複数の領域に設定して、注目領域判定部３５ｃが前記複数の領域において所定の属性を有する注目領域の少なくとも一部を含むか否かを判定するようにしても良い。

また、上述した実施形態を部分的に組み合わせるようにしても良い。

また、本発明は、以下の内容も含む。複数種類Ｎの属性に対応したＮ次元の仮想空間において、被検体に対して教師データを用いて予め用意した病変名又は症状名を含む診断支援情報が存在する範囲を格納した診断支援情報格納部を有し、診断支援情報算出部は、領域分割部により分割された複数の領域における分類部により分類された所定数の領域がそれぞれ有する属性の面積比または領域数に基づいて前記所定数の領域が前記仮想空間内で存在する位置から、該位置に対応する前記診断支援情報を算出する。

本出願は、２０１２年３月２１日に日本国に出願された特願２０１２−０６４１９５号を優先権主張の基礎として出願するものであり、上記の開示内容は、本願明細書、請求の範囲、図面に引用されたものとする。

本発明の一態様に係る画像処理装置は、被検体を撮像して得られる画像の任意の領域において、前記任意の領域を構成する画素毎に第１の特徴量を算出する第１の特徴量算出部と、前記第１の特徴量に基づいて前記任意の領域を複数の領域に分割する領域分割部と、前記領域分割部により分割された前記複数の領域の各領域毎に第２の特徴量を算出する第２の特徴量算出部と、前記第２の特徴量に基づき、前記領域分割部により分割された前記複数の領域の各領域を、複数種類の属性のうちいずれかの属性に分類する分類部と、前記分類部において分類された前記複数種類の属性のうち、同一種類の属性ごとに面積又は数に基づく属性値を算出する診断支援情報算出部と、前記領域分割部により分割された前記複数の領域のうち所定の属性を有する領域が存在するか否かを判定する判定部と、前記判定部において、前記所定の属性を有する領域が存在すると判定された場合に、前記所定の属性以外の属性において算出された属性値に基づき、前記所定の属性に分類された領域における前記属性値を補正する補正部と、を備え、前記診断支援情報算出部は、前記所定の属性を有する領域において前記補正部により補正された属性値と、前記所定の属性を有する領域以外の前記複数の領域において前記診断支援情報算出部が算出した属性値と、に基づき前記所定の領域に対して診断支援するための診断支援情報を算出する。
本発明の他の態様に係る画像処理装置は、被検体を撮像して得られる画像の任意の領域において、前記任意の領域を構成する画素毎に第１の特徴量を算出する第１の特徴量算出部と、前記第１の特徴量に基づいて前記任意の領域を複数の領域に分割する領域分割部と、前記領域分割部により分割された領域毎に第２の特徴量を算出する第２の特徴量算出部と、悪性度の高い病変の指標となる属性と、悪性度の低い病変の指標となる属性と、良悪性判断が困難な属性との各属性情報を予め格納する属性情報格納部と、前記第２の特徴量算出部において算出された前記第２の特徴量に基づき、前記領域分割部により分割された各領域を、前記属性情報格納部に格納された各属性情報のうちいずれかに分類する分類部と、前記分類部により分類された前記複数の領域における2以上の領域が有する属性の割合に基づいて前記任意の領域に対して診断支援するための診断支援情報を算出する診断支援情報算出部と、を備える。

本発明の一態様に係る画像処理装置は、被検体を撮像して得られる画像の任意の領域において、前記任意の領域を構成する画素毎に第１の特徴量を算出する第１の特徴量算出部と、前記第１の特徴量に基づいて前記任意の領域を複数の領域に分割する領域分割部と、前記領域分割部により分割された前記複数の領域の各領域毎に第２の特徴量を算出する第２の特徴量算出部と、前記第２の特徴量に基づき、前記領域分割部により分割された前記複数の領域の各領域を、複数種類の属性のうちいずれかの属性に分類する分類部と、前記分類部において分類された前記複数種類の属性のうち、同一種類の属性ごとに面積又は数に基づく属性値を算出する診断支援情報算出部と、前記領域分割部により分割された前記複数の領域のうち所定の属性を有する領域が存在するか否かを判定する判定部と、前記判定部において、前記所定の属性を有する領域が存在すると判定された場合に、前記所定の属性以外の属性において算出された属性値に基づき、前記所定の属性に分類された領域における前記属性値を補正する補正部と、を備え、前記診断支援情報算出部は、前記所定の属性を有する領域において前記補正部により補正された属性値と、前記所定の属性を有する領域以外の前記複数の領域において前記診断支援情報算出部が算出した属性値と、に基づき前記任意の領域に対して診断支援するための診断支援情報を算出する。
本発明の他の態様に係る画像処理装置は、被検体を撮像して得られる画像の任意の領域において、前記任意の領域を構成する画素毎に第１の特徴量を算出する第１の特徴量算出部と、前記第１の特徴量に基づいて前記任意の領域を複数の領域に分割する領域分割部と、前記領域分割部により分割された領域毎に第２の特徴量を算出する第２の特徴量算出部と、悪性度の高い病変の指標となる属性と、悪性度の低い病変の指標となる属性と、良悪性判断が困難な属性との各属性情報を予め格納する属性情報格納部と、前記第２の特徴量算出部において算出された前記第２の特徴量に基づき、前記領域分割部により分割された各領域を、前記属性情報格納部に格納された各属性情報のうちいずれかに分類する分類部と、前記分類部により分類された前記複数の領域における２以上の領域が有する属性の割合に基づいて前記任意の領域に対して診断支援するための診断支援情報を算出する診断支援情報算出部と、を備える。

Claims (15)

1. 被検体を撮像して得られる画像から、該画像を構成する画素毎に第１の特徴量を算出する第１の特徴量算出部と、
   前記第１の特徴量に基づいて前記画像を複数の領域に分割する領域分割部と、
   前記領域分割部により分割された領域毎に第２の特徴量を算出する第２の特徴量算出部と、
   前記第２の特徴量に基づき前記複数の領域における各領域が、複数種類の属性のいずれの属性を持つかの分類を行う分類部と、
   前記分類部により分類された前記複数の領域における２以上の所定数の領域が有する属性の割合に基づいて診断支援するための診断支援情報を算出する診断支援情報算出部と、
   を備えることを特徴とする画像処理装置。
2. 前記診断支援情報算出部は、さらに
   前記複数の領域が所定の属性を有する注目領域を含むか否かを判定する注目領域判定部と、
   前記注目領域が有する前記所定の属性に対して前記注目領域の周囲に存在する前記複数の領域が持つ属性に応じて前記注目領域が有する前記所定の属性を補正する補正部と、
   を備えることを特徴とする請求項１に記載の画像処理装置。
3. 前記診断支援情報算出部は、前記分類部により分類された前記所定数の領域がそれぞれ有する属性の面積比または領域数に基づいて前記診断支援情報を算出することを特徴とする請求項１に記載の画像処理装置。
4. 前記診断支援情報算出部は、前記分類部により分類された前記所定数の領域がそれぞれ有する属性を有する領域の面積比または領域数に基づいて前記診断支援情報を算出することを特徴とする請求項２に記載の画像処理装置。
5. 前記分類部が分類する前記複数種類の属性として、悪性度の高い病変の指標となる第１の属性と、悪性度の低い病変の指標となる第２の属性と、該当する属性の領域のみでは良悪性判断が困難な第３の属性との各属性情報を予め格納する属性情報格納部を有することを特徴とする請求項１に記載の画像処理装置。
6. 前記分類部が分類する前記複数種類の属性として、悪性度の高い病変の指標となる第１の属性と、悪性度の低い病変の指標となる第２の属性と、該当する属性の領域のみでは悪性度の判定が困難な前記所定の属性である第３の属性との各属性情報を予め格納する属性情報格納部を有することを特徴とする請求項２に記載の画像処理装置。
7. 前記分類部が分類する前記複数種類の属性として、悪性度の高い病変の指標となる第１の属性と、悪性度の低い病変の指標となる第２の属性と、該当する属性の領域のみでは悪性度の判定が困難な第３の属性との属性情報を予め格納する属性情報格納部を有することを特徴とする請求項３に記載の画像処理装置。
8. 前記診断支援情報算出部は、前記領域分割部により分割された前記複数の領域におけるいずれかの領域が前記分類部により悪性度が顕著な指標となる特定の属性を含む場合には、他の領域が有する属性に関わらず、前記特定の属性に基づいて前記診断支援情報を算出することを特徴とする請求項１に記載の画像処理装置。
9. 前記診断支援情報算出部は、前記領域分割部により分割された前記複数の領域におけるいずれかの領域が前記分類部により前記第１の属性よりも悪性度が顕著な指標となる特定の属性を含む場合には、他の領域が有する属性に関わらず、前記特定の属性に基づいて前記診断支援情報を算出することを特徴とする請求項７に記載の画像処理装置。
10. 前記被検体における異なる検査部位に応じて、前記第１の特徴量、前記第２の特徴量、前記複数種類の属性のうち１つ以上を変更することを特徴とする請求項１に記載の画像処理装置。
11. 前記被検体における異なる検査部位に応じて、前記第１の特徴量、前記第２の特徴量、前記複数種類の属性のうち１つ以上を変更することを特徴とする請求項９に記載の画像処理装置。
12. 前記被検体における異なる検査部位に応じて、前記第１の特徴量、前記第２の特徴量、前記複数種類の属性のうち少なくとも前記複数種類の属性を含む１つ以上を変更することを特徴とする請求項７に記載の画像処理装置。
13. 前記複数種類Ｎの属性に対応したＮ次元の仮想空間において、前記被検体に対して教師データを用いて予め用意した病変名又は症状名を含む前記診断支援情報が存在する範囲を格納した診断支援情報格納部を有し、前記診断支援情報算出部は、前記領域分割部により分割された前記複数の領域における前記分類部により分類された前記所定数の領域がそれぞれ有する属性の面積比または領域数に基づいて前記所定数の領域が前記仮想空間内で存在する位置から、該位置に対応する前記診断支援情報を算出することを特徴とする請求項２に記載の画像処理装置。
14. 前記検査部位が大腸である場合には、前記診断支援情報算出部は、前記検査部位が過形成ポリープ、腺腫、癌におけるいずれの病変名に該当するか否かを算出することを特徴とする請求項１１に記載の画像処理装置。
15. 前記検査部位が胃である場合には、前記診断支援情報算出部は、前記検査部位が正常胃底腺粘膜、正常幽門腺粘膜、胃炎、癌におけるいずれに該当するかを算出することを特徴とする請求項１１に記載の画像処理装置。

Images