JPWO2018211688A1 - コンピュータシステム、被験者診断支援方法及びプログラム - Google Patents

コンピュータシステム、被験者診断支援方法及びプログラム Download PDF

Info

Publication number
JPWO2018211688A1
JPWO2018211688A1 JP2018533699A JP2018533699A JPWO2018211688A1 JP WO2018211688 A1 JPWO2018211688 A1 JP WO2018211688A1 JP 2018533699 A JP2018533699 A JP 2018533699A JP 2018533699 A JP2018533699 A JP 2018533699A JP WO2018211688 A1 JPWO2018211688 A1 JP WO2018211688A1
Authority
JP
Japan
Prior art keywords
subject
image
subject image
result
acquired
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2018533699A
Other languages
English (en)
Other versions
JP6433632B1 (ja
Inventor
俊二 菅谷
俊二 菅谷
佳雄 奥村
佳雄 奥村
寛 江内田
寛 江内田
美華 坂口
美華 坂口
榮三朗 末岡
榮三朗 末岡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
NATIONAL UNIVERSITY CORPORATION SAGA UNIVERSITY
Optim Corp
Original Assignee
NATIONAL UNIVERSITY CORPORATION SAGA UNIVERSITY
Optim Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by NATIONAL UNIVERSITY CORPORATION SAGA UNIVERSITY, Optim Corp filed Critical NATIONAL UNIVERSITY CORPORATION SAGA UNIVERSITY
Application granted granted Critical
Publication of JP6433632B1 publication Critical patent/JP6433632B1/ja
Publication of JPWO2018211688A1 publication Critical patent/JPWO2018211688A1/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B3/00—Apparatus for testing the eyes; Instruments for examining the eyes
    • A61B3/10—Objective types, i.e. instruments for examining the eyes independent of the patients' perceptions or reactions
    • A61B3/14—Arrangements specially adapted for eye photography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/20—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the management or administration of healthcare resources or facilities, e.g. managing hospital staff or surgery rooms
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H70/00—ICT specially adapted for the handling or processing of medical references
    • G16H70/60—ICT specially adapted for the handling or processing of medical references relating to pathologies
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30041—Eye; Retina; Ophthalmic

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Surgery (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Ophthalmology & Optometry (AREA)
  • Eye Examination Apparatus (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

【課題】時系列の複数の画像データを組み合わせ、従来の単体の画像解析による診断よりも、さらに診断の精度を向上させたコンピュータシステム、被験者診断方法及びプログラムを提供することを目的とする。【解決手段】被験者を診断するコンピュータシステムは、前記被験者の時系列の変化を伴う複数枚の第１被験者画像を取得し、取得した前記第１被験者画像を画像解析し、過去の別の被験者の時系列の変化を伴う複数枚の第２被験者画像を取得し、取得した前記第２被験者画像を画像解析し、前記第１被験者画像の画像解析の結果と、前記第２被験者画像の画像解析の結果とを照合し、照合した結果に基づいて、前記被験者を診断する。【選択図】図１

Description

本発明は、被験者を診断するコンピュータシステム、被験者診断方法及びプログラムに関する。
近年、人工知能で画像診断を行うことが知られている（非特許文献１参照）。この方法では、ディープラーニング等で画像データを解析して、病気を判定する。
LPTech、"人工知能で正確な画像診断を行う「Enlitic」、平成２８年９月１５日、［平成２８年１２月２２日検索］、インターネット＜URL：//https://lp-tech.net/articles/TXrrN＞
しかしながら、非特許文献１の構成では、取得できた画像データのみで病気や症状を判定するものであり、複数の画像データを解析して、予測を行うものではなかった。
本発明は、時系列の複数の画像データを組み合わせ、従来の単体の画像解析による診断よりも、さらに診断の精度を向上させたコンピュータシステム、被験者診断方法及びプログラムを提供することを目的とする。
本発明では、以下のような解決手段を提供する。
本発明は、被験者を診断するコンピュータシステムであって、
前記被験者の時系列の変化を伴う複数枚の第１被験者画像を取得する第１画像取得手段と、
取得した前記第１被験者画像を画像解析する第１画像解析手段と、
過去の別の被験者の時系列の変化を伴う複数枚の第２被験者画像を取得する第２画像取得手段と、
取得した前記第２被験者画像を画像解析する第２画像解析手段と、
前記第１被験者画像の画像解析の結果と、前記第２被験者画像の画像解析の結果とを照合する照合手段と、
照合した結果に基づいて、前記被験者を診断する診断手段と、
を備えることを特徴とするコンピュータシステムを提供する。
本発明によれば、被験者を診断するコンピュータシステムは、前記被験者の時系列の変化を伴う複数枚の第１被験者画像を取得し、取得した前記第１被験者画像を画像解析し、過去の別の被験者の時系列の変化を伴う複数枚の第２被験者画像を取得し、取得した前記第２被験者画像を画像解析し、前記第１被験者画像の画像解析の結果と、前記第２被験者画像の画像解析の結果とを照合し、照合した結果に基づいて、前記被験者を診断する。
本発明は、コンピュータシステムのカテゴリであるが、被験者診断方法及びプログラム等の他のカテゴリにおいても、そのカテゴリに応じた同様の作用・効果を発揮する。
本発明によれば、時系列の複数の画像データを組み合わせ、従来の単体の画像解析による診断よりも、さらに診断の精度を向上させたコンピュータシステム、被験者診断方法及びプログラムを提供することが可能となる。
図１は、被験者診断システム１の概要を示す図である。 図２は、被験者診断システム１の全体構成図である。 図３は、コンピュータ１０の機能ブロック図である。 図４は、コンピュータ１０が実行する学習処理を示すフローチャートである。 図５は、コンピュータ１０が実行する動物診断処理を示すフローチャートである。 図６は、コンピュータ１０が照合する第１被験者画像と、第２被験者画像とを示す図である。
以下、本発明を実施するための最良の形態について図を参照しながら説明する。なお、これはあくまでも一例であって、本発明の技術的範囲はこれに限られるものではない。
［被験者診断システム１の概要］
本発明の好適な実施形態の概要について、図１に基づいて説明する。図１は、本発明の好適な実施形態である被験者診断システム１の概要を説明するための図である。被験者診断システム１は、コンピュータ１０から構成され、被験者を診断するコンピュータシステムである。
なお、以下において、被験者診断システム１は、一例として、眼底画像を取得し、眼底画像に対してマークされた画像について画像解析し、被験者の緑内障の診断をするものとして説明する。また、被験者とは、患者のみならず、診断が必要な健常者を含む。
コンピュータ１０は、図示していない可視光カメラ、Ｘ線カメラ、ＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｓｅ Ｉｍａｇｉｎｇ）、ＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）等の各種撮像装置等や、電子カルテ等が記憶された図示していないコンピュータ、バイタルデータを計測する計測装置、各種検査を実行する検査装置、医師又は被験者が保有する端末装置等に通信可能に接続された計算装置である。
はじめに、コンピュータ１０は、被験者の時系列の変化を伴う複数枚の第１被験者画像を取得する（ステップＳ０１）。コンピュータ１０は、第１被験者画像として、眼底画像、レントゲン画像、ＭＲＩ画像、ＣＴスキャン画像又は赤外線画像のいずれか又は複数の組み合わせを取得する。コンピュータ１０は、上述した各種撮像装置が撮像した上述した第１被験者画像を取得する。なお、第１被験者画像は、上述した画像に限らず、その他の画像であってもよい。
コンピュータ１０は、取得した第１被験者画像を画像解析する（ステップＳ０２）。コンピュータ１０は、第１被験者画像の特徴点又は特徴量のいずれか又は双方を解析することにより、画像解析を実行する。特徴点とは、画像に映っている何かであり具体的には、形状、色、輝度、輪郭等である。特徴量とは、画像データから算出した各種数値（画素値の平均、分散、ヒストグラム）等の統計的な数値である。
なお、コンピュータ１０は、後述する第２被験者画像の特徴点又は特徴量のいずれか又は双方を教師データとして予め機械学習し、この学習結果に基づいて、第１被験者画像を画像解析しもよい。また、コンピュータ１０は、図示していない端末装置等により、第１被験者画像に対してマークされた（色付けされた）画像について画像解析を行ってもよい。マークとは、画像の特定部位毎等に異なる色を付けることを意味する。
コンピュータ１０は、過去の別の被験者の時系列の変化を伴う複数枚の第２被験者画像を取得する（ステップＳ０３）。コンピュータ１０は、図示していない他のコンピュータやデータベース等から、第２被験者画像を取得する。このとき、コンピュータ１０は、一又は複数の第２被験者画像を取得する。
コンピュータ１０は、取得した第２被験者画像を画像解析する（ステップＳ０４）。コンピュータ１０は、第２被験者画像の特徴点又は特徴量のいずれか又は双方を解析することにより、画像解析を実行する。このとき、コンピュータ１０は、上述した第１被験者画像の画像解析と同様の画像解析を実行する。すなわち、コンピュータ１０は、第１被験者画像に対して、特徴点を解析した場合、第２被験者画像の特徴点を解析し、第１被験者画像に対して、特徴量を解析した場合、第２被験者画像の特徴量を解析し、第１被験者画像に対して、特徴点及び特徴量を解析した場合、第２被験者画像の特徴点及び特徴量を解析する。
なお、コンピュータ１０は、図示していない端末装置等により、第２被験者画像に対してマークされた（色付けされた）画像について画像解析を行ってもよい。
コンピュータ１０は、第１被験者画像の画像解析の結果と、第２被験者画像の画像解析の結果とを照合する（ステップＳ０５）。コンピュータ１０は、第１被験者画像から解析した特徴点又は特徴量のいずれか又は双方と、第２被験者画像から解析した特徴点又は特徴量のいずれか又は双方とを照合する。
コンピュータ１０は、照合した結果に基づいて、被験者を診断する（ステップＳ０６）。コンピュータ１０は、例えば、照合した結果に基づいて、第１被験者画像と、第２被験者画像との間の類似度を算出し、被験者を診断する。
なお、コンピュータ１０は、照合した結果に基づいて、被験者の罹患に関するリスクを診断してもよい。罹患に関するリスクとは、例えば診断した病気に何パーセント程度、その被験者が罹患しているかの数字を示す。
以上が、被験者診断システム１の概要である。
［被験者診断システム１のシステム構成］
図２に基づいて、本発明の好適な実施形態である被験者診断システム１のシステム構成について説明する。図２は、本発明の好適な実施形態である被験者診断システム１のシステム構成を示す図である。被験者診断システム１は、コンピュータ１０、公衆回線網（インターネット網や、第３、第４世代通信網等）５から構成され、被験者を診断するコンピュータシステムである。
コンピュータ１０は、後述の機能を備えた上述した計算装置である。
［各機能の説明］
図３に基づいて、本発明の好適な実施形態である被験者診断システム１の機能について説明する。図３は、コンピュータ１０の機能ブロック図を示す図である。
コンピュータ１０は、制御部１１として、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等を備え、通信部１２として、他の機器と通信可能にするためのデバイス、例えば、ＩＥＥＥ８０２．１１に準拠したＷｉＦｉ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）対応デバイスを備える。また、コンピュータ１０は、記憶部１３として、ハードディスクや半導体メモリ、記録媒体、メモリカード等によるデータのストレージ部を備える。また、コンピュータ１０は、処理部１４として、画像処理、状態診断、学習処理等の各種処理を実行するためのデバイス等を備える。
コンピュータ１０において、制御部１１が所定のプログラムを読み込むことにより、通信部１２と協働して、被験者画像取得モジュール２０、診断結果取得モジュール２１を実現する。また、コンピュータ１０において、制御部１１が所定のプログラムを読み込むことにより、記憶部１３と協働して、記憶モジュール３０を実現する。また、コンピュータ１０において、制御部１１が所定のプログラムを読み込むことにより、処理部１４と協働して解析モジュール４０、学習モジュール４１、照合モジュール４２、診断モジュール４３を実現する。
［学習処理］
図４に基づいて、被験者診断システム１が実行する学習処理について説明する。図４は、コンピュータ１０が実行する学習処理のフローチャートを示す図である。上述した各モジュールが実行する処理について、本処理に併せて説明する。
被験者画像取得モジュール２０は、既知の第２被験者画像を取得する（ステップＳ１０）。第２被験者画像は、被験者の時系列の変化を伴う複数枚の画像を一の画像としたものである。ステップＳ１０において、被験者画像取得モジュール２０が取得する第２被験者画像とは、例えば、被験者の眼底画像、レントゲン画像、ＭＲＩ画像、ＣＴスキャン画像又は赤外線画像の少なくとも一つである。被験者画像取得モジュール２０は、第２被験者画像を、対応する撮像装置から取得してもよいし、図示してないコンピュータ等を介して取得してもよいし、このコンピュータ等に記憶されたデータベース等から、第２被験者画像を取得してもよい。以下の説明において、被験者画像取得モジュール２０は、第２被験者画像として、眼底画像を取得したものとして説明する。
解析モジュール４０は、取得した第２被験者画像から特徴点又は特徴量のいずれか又は双方を画像解析する（ステップＳ１１）。特徴点とは、第２被験者画像に映っている何かであり、具体的には、画像に映っている物体等の形状、輝度、色、輪郭等である。また、特徴量とは、第２被験者画像から算出した各種数値（画素値の平均、分散、ヒストグラム）等の統計的な数値である。ステップＳ１１において、解析モジュール４０は、第２被験者画像を画像解析することにより、特徴点や特徴量を抽出する。具体的には、解析モジュール４０は、第２被験者画像に対して、画像マッチング技術、ブロブ解析等を実行することにより、画像解析を行う。また、解析モジュール４０は、第２被験者画像に対して、所定の計算を実行することにより、特徴量を抽出する。
診断結果取得モジュール２１は、今回取得した第２被験者画像に該当する被験者の診断結果を取得する（ステップＳ１２）。ステップＳ１２において、診断結果取得モジュール２１は、取得した第２被験者画像に紐付けられたこの被験者に対する診断結果を取得する。診断結果取得モジュール２１は、この診断結果を、図示してないコンピュータ等を介して取得してもよいし、このコンピュータ等に記憶されたデータベース等から取得する。本実施形態における診断結果とは、例えば、病名の特定、症状の特定、必要な処置の特定等である。
学習モジュール４１は、第２被験者画像と、診断結果とを対応付けて学習する（ステップＳ１３）。ステップＳ１３において、学習モジュール４１は、被験者画像取得モジュール２０が取得した第２被験者画像と、診断結果取得モジュール２１が取得した診断結果とを対応付けて学習する。学習モジュール４１は、上述した被験者の眼底画像、レントゲン画像、ＭＲＩ画像、ＣＴスキャン画像又は赤外線画像の少なくとも一つを診断結果と対応付けて学習する。学習モジュール４１が実行する学習とは、データから反復的に学習し、そこに潜むパターンを見つけ出す機械学習である。
なお、上述したステップＳ１１乃至Ｓ１３の処理において、解析モジュール４０が特徴点又は特徴量のいずれか又は双方を抽出する代わりに、図示していない医療従事者が保有する端末装置等により、色付けされた第２被験者画像に基づいて、学習モジュール４１は、第２被験者画像と診断結果とを対応付けて学習してもよい。この場合、解析モジュール４０は、マーク（色付け）された第２被験者画像と、診断結果とを対応付けて学習する。
第２被験者画像における各画像の其々は、上述した端末装置等により、マークを付与される。解析モジュール４０は、このマークされた画像について画像解析する。すなわち、マークされた部位の特徴点又は特徴量のいずれか又は双方を抽出する。なお、解析モジュール４０は、このマークされた部位の面積や、形状等を特徴点や特徴量として抽出してもよい。
記憶モジュール３０は、学習した結果を、学習結果として記憶する（ステップＳ１４）。
被験者診断システム１は、上述した学習処理を、十分な回数実行し、学習した結果を記憶する。
以上が、学習処理である。
［被験者診断処理］
図５に基づいて、被験者診断システム１が実行する被験者診断処理について説明する。図５は、コンピュータ１０が実行する被験者診断処理のフローチャートを示す図である。上述した各モジュールが実行する処理について、本処理に併せて説明する。なお、以下の説明において、被験者診断システム１は、眼底画像に基づいて被験者を診断するものとして説明する。
被験者画像取得モジュール２０は、第１被験者画像を取得する（ステップＳ２０）。第１被験者画像とは、被験者の時系列の変化に伴う複数枚の画像を一の画像としたものである。ステップＳ２０において、被験者画像取得モジュール２０が取得する第１被験者画像とは、例えば、被験者の眼底画像、レントゲン画像、ＭＲＩ画像、ＣＴスキャン画像又は赤外線画像の少なくとも一つである。被験者画像取得モジュール２０は、第１被験者画像を、対応する撮像装置から取得してもよいし、図示してないコンピュータ等を介して取得してもよいし、このコンピュータ等に記憶されたデータベース等から、第１被験者画像を取得してもよい。具体的には、被験者の以前からの画像（例えば、図示していないコンピュータ等に記憶しておいた画像）と、今回撮像装置等により撮像した画像とを、時系列の変化に沿ってまとめた一の画像を第１被験者画像として取得する。以下の説明において、被験者画像取得モジュール２０は、第１被験者画像として、眼底画像を取得したものとして説明する。
解析モジュール４０は、取得した第１被験者画像から特徴点又は特徴量のいずれか又は双方を画像解析する（ステップＳ２１）。特徴点及び特徴量は、上述した通りである。解析モジュール４０は、上述したステップＳ１１と同様に、第１被験者画像の特徴点や特徴量を抽出する。このとき、解析モジュール４０は、マーク（色付け）された第１被験者画像について画像解析する。マークされた第１被験者画像とは、画像の特定部位毎等に異なる色付けを行った画像である。このマークは、図示していない端末装置等により付与されたり、自動的に付与される。解析モジュール４０は、マークされた第１被験者画像の色毎に、特徴点や特徴量の抽出を行う。
被験者画像取得モジュール２０は、第２被験者画像を取得する（ステップＳ２２）。ステップＳ２２において、被験者画像取得モジュール２０は、上述したステップＳ１４の処理により、記憶モジュール３０が記憶した学習結果を第２被験者画像として取得する。このとき、被験者画像取得モジュール２０が取得する第２被験者画像には、マークが付与されている。
なお、被験者画像取得モジュール２０は、学習結果ではなく、過去の別の被験者の時系列の変化を伴う複数枚の画像を第２被験者画像として取得してもよい。また、被験者画像取得モジュール２０は、マークが付与されていない状態の第２被験者画像を取得してもよい。
解析モジュール４０は、取得した第２被験者画像から特徴点又は特徴量のいずれか又は双方を画像解析する（ステップＳ２３）。ステップＳ２３の処理は、上述したステップＳ１１及びステップＳ２１の処理と同様に、第２被験者画像の特徴点や特徴量を抽出する。
照合モジュール４２は、第１被験者画像の画像解析の結果と、第２被験者画像の画像解析の結果とを照合する（ステップＳ２４）。ステップＳ２４において、照合モジュール４２は、第１被験者画像から抽出した特徴点又は特徴量のいずれか又は双方と、第２被験者画像から解析した特徴点のいずれか又は双方とを照合する。このとき、照合モジュール４２は、第１被験者画像から特徴点を抽出した場合、第１被験者画像の特徴点と、第２被験者画像の特徴点とを照合する。同様に、第１被験者画像から特徴量を抽出した場合、第１被験者画像の特徴点と、第２被験者画像の特徴量とを照合し、第１被験者画像から特徴点及び特徴量を抽出した場合、第１被験者画像の特徴点及び特徴量と、第２被験者画像の特徴点及び特徴量とを照合する。具体的な照合の方法については、後述する。
図６に基づいて、照合モジュール４２が照合する第１被験者画像と、第２被験者画像とについて説明する。図６は、照合モジュール４２が照合する第１被験者画像と、第２被験者画像とを示す図である。図６において、照合モジュール４２は、第１被験者画像表示領域１００に、第１被験者画像（第１の眼底画像２００、第２の眼底画像２１０、第３の眼底画像２２０）を並べ、第２被験者画像表示領域１１０に、第２被験者画像（第４の眼底画像３００、第５の眼底画像３１０）を並べて照合する。第１の眼底画像２００、第２の眼底画像２１０、第３の眼底画像２２０は、この順番にある被験者の時系列の変化を示す。また、第４の眼底画像３００、第５の眼底画像３１０は、第１被験者画像とは異なる過去の別の被験者の時系列の変化を示す。ここで、第５の眼底画像３１０は、緑内障を発症した状態の眼底画像である。照合モジュール４２は、第４の眼底画像３００から第５の眼底画像３１０への変化を、特徴点や特徴量として、第１被験者画像と照合する。このとき、照合モジュール４２は、第１被験者画像における変化と、第２被験者画像における変化との間に類似点がどの程度存在するかの類似度をスコアとして判断する。このスコアは、例えば、変化の類似点が多い程、高スコアとして判断し、変化の類似点が少ない程、低スコアとして判断する。照合モジュール４２は、第１被験者画像の変化を、特徴点や特徴量として照合し、第２の被験者画像における緑内障が発症した状態の眼底画像との類似点が高スコアであるか否かを判断することにより、この被験者が緑内障を発症しているか否かを判断する。
なお、照合モジュール４２が照合する第１被験者画像及び第２被験者画像の数は、上述した数に限らず、適宜変更可能である。また、照合モジュール４２は、第１被験者画像及び第２被験者画像に加え、さらに多くの被験者画像を照合してもよい。
診断モジュール４３は、照合した結果に基づいて、被験者を診断する（ステップＳ２５）。ステップＳ２５において、診断モジュール４３は、照合モジュール４２が算出した類似度に基づいて、被験者を診断する。例えば、診断モジュール４３は、照合した結果、類似度が所定の値以上のスコアであった場合、第２被験者画像に対して行われた診断結果と同様の診断結果を、この被験者に対して診断する。このとき、診断モジュール４３は、病名や処置そのものを診断結果として診断してもよいし、被験者の罹患に関するリスクを診断してもよい。罹患に関するリスクとは、例えば、診断した病名に罹患している確率が何パーセント程度であるか、将来の該当する病名に罹患する確率が何パーセント程度であるか等である。
なお、診断モジュール４３は、照合した結果、類似度が所定の値よりも小さいスコアであった場合、他の第２被験者画像をさらに照合することにより、その他の診断結果を、この被験者に対して診断する。
上述した手段、機能は、コンピュータ（ＣＰＵ、情報処理装置、各種端末を含む）が、所定のプログラムを読み込んで、実行することによって実現される。プログラムは、例えば、コンピュータからネットワーク経由で提供される（ＳａａＳ：ソフトウェア・アズ・ア・サービス）形態で提供される。また、プログラムは、例えば、フレキシブルディスク、ＣＤ（ＣＤ−ＲＯＭなど）、ＤＶＤ（ＤＶＤ−ＲＯＭ、ＤＶＤ−ＲＡＭなど）等のコンピュータ読取可能な記録媒体に記録された形態で提供される。この場合、コンピュータはその記録媒体からプログラムを読み取って内部記憶装置又は外部記憶装置に転送し記憶して実行する。また、そのプログラムを、例えば、磁気ディスク、光ディスク、光磁気ディスク等の記憶装置（記録媒体）に予め記録しておき、その記憶装置から通信回線を介してコンピュータに提供するようにしてもよい。
以上、本発明の実施形態について説明したが、本発明は上述したこれらの実施形態に限るものではない。また、本発明の実施形態に記載された効果は、本発明から生じる最も好適な効果を列挙したに過ぎず、本発明による効果は、本発明の実施形態に記載されたものに限定されるものではない。
１ 被験者診断システム、 １０ コンピュータ
本発明は、被験者を診断支援するコンピュータシステム、被験者診断支援方法及びプログラムに関する。
近年、人工知能で画像診断を行うことが知られている（非特許文献１参照）。この方法では、ディープラーニング等で画像データを解析して、病気を判定する。
LPTech、"人工知能で正確な画像診断を行う「Enlitic」、平成２８年９月１５日、［平成２８年１２月２２日検索］、インターネット＜URL：//https://lp-tech.net/articles/TXrrN＞
しかしながら、非特許文献１の構成では、取得できた画像データのみで病気や症状を判定するものであり、複数の画像データを解析して、予測を行うものではなかった。
本発明は、時系列の複数の画像データを組み合わせ、従来の単体の画像解析による診断よりも、さらに診断の精度を向上させたコンピュータシステム、被験者診断支援方法及びプログラムを提供することを目的とする。
本発明では、以下のような解決手段を提供する。
本発明は、被験者を診断支援するコンピュータシステムであって、
前記被験者の時系列の変化を伴う複数枚の第１被験者画像を取得する第１画像取得手段と、
取得した前記第１被験者画像に対して画像の特定部位毎に異なる色を付してマークされた画像について、マークされた色毎に画像解析する第１画像解析手段と、
過去の別の被験者の時系列の変化を伴う複数枚の第２被験者画像を取得する第２画像取得手段と、
取得した前記第２被験者画像に対して画像の特定部位毎に異なる色を付してマークされた画像について、マークされた色毎に画像解析する第２画像解析手段と、
前記第１被験者画像の画像解析の結果と、前記第２被験者画像の画像解析の結果とを照合する照合手段と、
照合した結果に基づいて、前記被験者を診断支援する診断支援手段と、
を備えることを特徴とするコンピュータシステムを提供する。
本発明によれば、被験者を診断支援するコンピュータシステムは、前記被験者の時系列の変化を伴う複数枚の第１被験者画像を取得し、取得した前記第１被験者画像に対して画像の特定部位毎に異なる色を付してマークされた画像について、マークされた色毎に画像解析し、過去の別の被験者の時系列の変化を伴う複数枚の第２被験者画像を取得し、取得した前記第２被験者画像に対して画像の特定部位毎に異なる色を付してマークされた画像について、マークされた色毎に画像解析し、前記第１被験者画像の画像解析の結果と、前記第２被験者画像の画像解析の結果とを照合し、照合した結果に基づいて、前記被験者を診断支援する。
本発明は、コンピュータシステムのカテゴリであるが、被験者診断支援方法及びプログラム等の他のカテゴリにおいても、そのカテゴリに応じた同様の作用・効果を発揮する。
本発明によれば、時系列の複数の画像データを組み合わせ、従来の単体の画像解析による診断よりも、さらに診断の精度を向上させたコンピュータシステム、被験者診断支援方法及びプログラムを提供することが可能となる。
図１は、被験者診断支援システム１の概要を示す図である。 図２は、被験者診断支援システム１の全体構成図である。 図３は、コンピュータ１０の機能ブロック図である。 図４は、コンピュータ１０が実行する学習処理を示すフローチャートである。 図５は、コンピュータ１０が実行する動物診断支援処理を示すフローチャートである。 図６は、コンピュータ１０が照合する第１被験者画像と、第２被験者画像とを示す図である。
以下、本発明を実施するための最良の形態について図を参照しながら説明する。なお、これはあくまでも一例であって、本発明の技術的範囲はこれに限られるものではない。
［被験者診断支援システム１の概要］
本発明の好適な実施形態の概要について、図１に基づいて説明する。図１は、本発明の好適な実施形態である被験者診断支援システム１の概要を説明するための図である。被験者診断支援システム１は、コンピュータ１０から構成され、被験者を診断支援するコンピュータシステムである。
なお、以下において、被験者診断支援システム１は、一例として、眼底画像を取得し、眼底画像に対してマークされた画像について画像解析し、被験者の緑内障の診断支援をするものとして説明する。また、被験者とは、患者のみならず、診断支援が必要な健常者を含む。
コンピュータ１０は、図示していない可視光カメラ、Ｘ線カメラ、ＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｓｅ Ｉｍａｇｉｎｇ）、ＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）等の各種撮像装置等や、電子カルテ等が記憶された図示していないコンピュータ、バイタルデータを計測する計測装置、各種検査を実行する検査装置、医師又は被験者が保有する端末装置等に通信可能に接続された計算装置である。
はじめに、コンピュータ１０は、被験者の時系列の変化を伴う複数枚の第１被験者画像を取得する（ステップＳ０１）。コンピュータ１０は、第１被験者画像として、眼底画像、レントゲン画像、ＭＲＩ画像、ＣＴスキャン画像又は赤外線画像のいずれか又は複数の組み合わせを取得する。コンピュータ１０は、上述した各種撮像装置が撮像した上述した第１被験者画像を取得する。なお、第１被験者画像は、上述した画像に限らず、その他の画像であってもよい。
コンピュータ１０は、取得した第１被験者画像を画像解析する（ステップＳ０２）。コンピュータ１０は、第１被験者画像の特徴点又は特徴量のいずれか又は双方を解析することにより、画像解析を実行する。特徴点とは、画像に映っている何かであり具体的には、形状、色、輝度、輪郭等である。特徴量とは、画像データから算出した各種数値（画素値の平均、分散、ヒストグラム）等の統計的な数値である。
なお、コンピュータ１０は、後述する第２被験者画像の特徴点又は特徴量のいずれか又は双方を教師データとして予め機械学習し、この学習結果に基づいて、第１被験者画像を画像解析しもよい。また、コンピュータ１０は、図示していない端末装置等により、第１被験者画像に対してマークされた（色付けされた）画像について画像解析を行ってもよい。マークとは、画像の特定部位毎等に異なる色を付けることを意味する。
コンピュータ１０は、過去の別の被験者の時系列の変化を伴う複数枚の第２被験者画像を取得する（ステップＳ０３）。コンピュータ１０は、図示していない他のコンピュータやデータベース等から、第２被験者画像を取得する。このとき、コンピュータ１０は、一又は複数の第２被験者画像を取得する。
コンピュータ１０は、取得した第２被験者画像を画像解析する（ステップＳ０４）。コンピュータ１０は、第２被験者画像の特徴点又は特徴量のいずれか又は双方を解析することにより、画像解析を実行する。このとき、コンピュータ１０は、上述した第１被験者画像の画像解析と同様の画像解析を実行する。すなわち、コンピュータ１０は、第１被験者画像に対して、特徴点を解析した場合、第２被験者画像の特徴点を解析し、第１被験者画像に対して、特徴量を解析した場合、第２被験者画像の特徴量を解析し、第１被験者画像に対して、特徴点及び特徴量を解析した場合、第２被験者画像の特徴点及び特徴量を解析する。
なお、コンピュータ１０は、図示していない端末装置等により、第２被験者画像に対してマークされた（色付けされた）画像について画像解析を行ってもよい。
コンピュータ１０は、第１被験者画像の画像解析の結果と、第２被験者画像の画像解析の結果とを照合する（ステップＳ０５）。コンピュータ１０は、第１被験者画像から解析した特徴点又は特徴量のいずれか又は双方と、第２被験者画像から解析した特徴点又は特徴量のいずれか又は双方とを照合する。
コンピュータ１０は、照合した結果に基づいて、被験者を診断支援する（ステップＳ０６）。コンピュータ１０は、例えば、照合した結果に基づいて、第１被験者画像と、第２被験者画像との間の類似度を算出し、被験者を診断支援する。
なお、コンピュータ１０は、照合した結果に基づいて、被験者の罹患に関するリスクを診断支援してもよい。罹患に関するリスクとは、例えば診断支援した病気に何パーセント程度、その被験者が罹患しているかの数字を示す。
以上が、被験者診断支援システム１の概要である。
［被験者診断支援システム１のシステム構成］
図２に基づいて、本発明の好適な実施形態である被験者診断支援システム１のシステム構成について説明する。図２は、本発明の好適な実施形態である被験者診断支援システム１のシステム構成を示す図である。被験者診断支援システム１は、コンピュータ１０、公衆回線網（インターネット網や、第３、第４世代通信網等）５から構成され、被験者を診断支援するコンピュータシステムである。
コンピュータ１０は、後述の機能を備えた上述した計算装置である。
［各機能の説明］
図３に基づいて、本発明の好適な実施形態である被験者診断支援システム１の機能について説明する。図３は、コンピュータ１０の機能ブロック図を示す図である。
コンピュータ１０は、制御部１１として、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等を備え、通信部１２として、他の機器と通信可能にするためのデバイス、例えば、ＩＥＥＥ８０２．１１に準拠したＷｉＦｉ（Ｗｉｒｅｌｅｓｓ Ｆｉｄｅｌｉｔｙ）対応デバイスを備える。また、コンピュータ１０は、記憶部１３として、ハードディスクや半導体メモリ、記録媒体、メモリカード等によるデータのストレージ部を備える。また、コンピュータ１０は、処理部１４として、画像処理、状態診断支援、学習処理等の各種処理を実行するためのデバイス等を備える。
コンピュータ１０において、制御部１１が所定のプログラムを読み込むことにより、通信部１２と協働して、被験者画像取得モジュール２０、診断結果取得モジュール２１を実現する。また、コンピュータ１０において、制御部１１が所定のプログラムを読み込むことにより、記憶部１３と協働して、記憶モジュール３０を実現する。また、コンピュータ１０において、制御部１１が所定のプログラムを読み込むことにより、処理部１４と協働して解析モジュール４０、学習モジュール４１、照合モジュール４２、診断モジュール４３を実現する。
［学習処理］
図４に基づいて、被験者診断支援システム１が実行する学習処理について説明する。図４は、コンピュータ１０が実行する学習処理のフローチャートを示す図である。上述した各モジュールが実行する処理について、本処理に併せて説明する。
被験者画像取得モジュール２０は、既知の第２被験者画像を取得する（ステップＳ１０）。第２被験者画像は、被験者の時系列の変化を伴う複数枚の画像を一の画像としたものである。ステップＳ１０において、被験者画像取得モジュール２０が取得する第２被験者画像とは、例えば、被験者の眼底画像、レントゲン画像、ＭＲＩ画像、ＣＴスキャン画像又は赤外線画像の少なくとも一つである。被験者画像取得モジュール２０は、第２被験者画像を、対応する撮像装置から取得してもよいし、図示してないコンピュータ等を介して取得してもよいし、このコンピュータ等に記憶されたデータベース等から、第２被験者画像を取得してもよい。以下の説明において、被験者画像取得モジュール２０は、第２被験者画像として、眼底画像を取得したものとして説明する。
解析モジュール４０は、取得した第２被験者画像から特徴点又は特徴量のいずれか又は双方を画像解析する（ステップＳ１１）。特徴点とは、第２被験者画像に映っている何かであり、具体的には、画像に映っている物体等の形状、輝度、色、輪郭等である。また、特徴量とは、第２被験者画像から算出した各種数値（画素値の平均、分散、ヒストグラム）等の統計的な数値である。ステップＳ１１において、解析モジュール４０は、第２被験者画像を画像解析することにより、特徴点や特徴量を抽出する。具体的には、解析モジュール４０は、第２被験者画像に対して、画像マッチング技術、ブロブ解析等を実行することにより、画像解析を行う。また、解析モジュール４０は、第２被験者画像に対して、所定の計算を実行することにより、特徴量を抽出する。
診断結果取得モジュール２１は、今回取得した第２被験者画像に該当する被験者の診断支援結果を取得する（ステップＳ１２）。ステップＳ１２において、診断結果取得モジュール２１は、取得した第２被験者画像に紐付けられたこの被験者に対する診断支援結果を取得する。診断結果取得モジュール２１は、この診断支援結果を、図示してないコンピュータ等を介して取得してもよいし、このコンピュータ等に記憶されたデータベース等から取得する。本実施形態における診断支援結果とは、例えば、病名の特定、症状の特定、必要な処置の特定等である。
学習モジュール４１は、第２被験者画像と、診断支援結果とを対応付けて学習する（ステップＳ１３）。ステップＳ１３において、学習モジュール４１は、被験者画像取得モジュール２０が取得した第２被験者画像と、診断結果取得モジュール２１が取得した診断支援結果とを対応付けて学習する。学習モジュール４１は、上述した被験者の眼底画像、レントゲン画像、ＭＲＩ画像、ＣＴスキャン画像又は赤外線画像の少なくとも一つを診断支援結果と対応付けて学習する。学習モジュール４１が実行する学習とは、データから反復的に学習し、そこに潜むパターンを見つけ出す機械学習である。
なお、上述したステップＳ１１乃至Ｓ１３の処理において、解析モジュール４０が特徴点又は特徴量のいずれか又は双方を抽出する代わりに、図示していない医療従事者が保有する端末装置等により、色付けされた第２被験者画像に基づいて、学習モジュール４１は、第２被験者画像と診断支援結果とを対応付けて学習してもよい。この場合、解析モジュール４０は、マーク（色付け）された第２被験者画像と、診断支援結果とを対応付けて学習する。
第２被験者画像における各画像の其々は、上述した端末装置等により、マークを付与される。解析モジュール４０は、このマークされた画像について画像解析する。すなわち、マークされた部位の特徴点又は特徴量のいずれか又は双方を抽出する。なお、解析モジュール４０は、このマークされた部位の面積や、形状等を特徴点や特徴量として抽出してもよい。
記憶モジュール３０は、学習した結果を、学習結果として記憶する（ステップＳ１４）。
被験者診断支援システム１は、上述した学習処理を、十分な回数実行し、学習した結果を記憶する。
以上が、学習処理である。
［被験者診断支援処理］
図５に基づいて、被験者診断支援システム１が実行する被験者診断支援処理について説明する。図５は、コンピュータ１０が実行する被験者診断支援処理のフローチャートを示す図である。上述した各モジュールが実行する処理について、本処理に併せて説明する。なお、以下の説明において、被験者診断支援システム１は、眼底画像に基づいて被験者を診断支援するものとして説明する。
被験者画像取得モジュール２０は、第１被験者画像を取得する（ステップＳ２０）。第１被験者画像とは、被験者の時系列の変化に伴う複数枚の画像を一の画像としたものである。ステップＳ２０において、被験者画像取得モジュール２０が取得する第１被験者画像とは、例えば、被験者の眼底画像、レントゲン画像、ＭＲＩ画像、ＣＴスキャン画像又は赤外線画像の少なくとも一つである。被験者画像取得モジュール２０は、第１被験者画像を、対応する撮像装置から取得してもよいし、図示してないコンピュータ等を介して取得してもよいし、このコンピュータ等に記憶されたデータベース等から、第１被験者画像を取得してもよい。具体的には、被験者の以前からの画像（例えば、図示していないコンピュータ等に記憶しておいた画像）と、今回撮像装置等により撮像した画像とを、時系列の変化に沿ってまとめた一の画像を第１被験者画像として取得する。以下の説明において、被験者画像取得モジュール２０は、第１被験者画像として、眼底画像を取得したものとして説明する。
解析モジュール４０は、取得した第１被験者画像から特徴点又は特徴量のいずれか又は双方を画像解析する（ステップＳ２１）。特徴点及び特徴量は、上述した通りである。解析モジュール４０は、上述したステップＳ１１と同様に、第１被験者画像の特徴点や特徴量を抽出する。このとき、解析モジュール４０は、マーク（色付け）された第１被験者画像について画像解析する。マークされた第１被験者画像とは、画像の特定部位毎等に異なる色付けを行った画像である。このマークは、図示していない端末装置等により付与されたり、自動的に付与される。解析モジュール４０は、マークされた第１被験者画像の色毎に、特徴点や特徴量の抽出を行う。
被験者画像取得モジュール２０は、第２被験者画像を取得する（ステップＳ２２）。ステップＳ２２において、被験者画像取得モジュール２０は、上述したステップＳ１４の処理により、記憶モジュール３０が記憶した学習結果を第２被験者画像として取得する。このとき、被験者画像取得モジュール２０が取得する第２被験者画像には、マークが付与されている。
なお、被験者画像取得モジュール２０は、学習結果ではなく、過去の別の被験者の時系列の変化を伴う複数枚の画像を第２被験者画像として取得してもよい。また、被験者画像取得モジュール２０は、マークが付与されていない状態の第２被験者画像を取得してもよい。
解析モジュール４０は、取得した第２被験者画像から特徴点又は特徴量のいずれか又は双方を画像解析する（ステップＳ２３）。ステップＳ２３の処理は、上述したステップＳ１１及びステップＳ２１の処理と同様に、第２被験者画像の特徴点や特徴量を抽出する。
照合モジュール４２は、第１被験者画像の画像解析の結果と、第２被験者画像の画像解析の結果とを照合する（ステップＳ２４）。ステップＳ２４において、照合モジュール４２は、第１被験者画像から抽出した特徴点又は特徴量のいずれか又は双方と、第２被験者画像から解析した特徴点のいずれか又は双方とを照合する。このとき、照合モジュール４２は、第１被験者画像から特徴点を抽出した場合、第１被験者画像の特徴点と、第２被験者画像の特徴点とを照合する。同様に、第１被験者画像から特徴量を抽出した場合、第１被験者画像の特徴点と、第２被験者画像の特徴量とを照合し、第１被験者画像から特徴点及び特徴量を抽出した場合、第１被験者画像の特徴点及び特徴量と、第２被験者画像の特徴点及び特徴量とを照合する。具体的な照合の方法については、後述する。
図６に基づいて、照合モジュール４２が照合する第１被験者画像と、第２被験者画像とについて説明する。図６は、照合モジュール４２が照合する第１被験者画像と、第２被験者画像とを示す図である。図６において、照合モジュール４２は、第１被験者画像表示領域１００に、第１被験者画像（第１の眼底画像２００、第２の眼底画像２１０、第３の眼底画像２２０）を並べ、第２被験者画像表示領域１１０に、第２被験者画像（第４の眼底画像３００、第５の眼底画像３１０）を並べて照合する。第１の眼底画像２００、第２の眼底画像２１０、第３の眼底画像２２０は、この順番にある被験者の時系列の変化を示す。また、第４の眼底画像３００、第５の眼底画像３１０は、第１被験者画像とは異なる過去の別の被験者の時系列の変化を示す。ここで、第５の眼底画像３１０は、緑内障を発症した状態の眼底画像である。照合モジュール４２は、第４の眼底画像３００から第５の眼底画像３１０への変化を、特徴点や特徴量として、第１被験者画像と照合する。このとき、照合モジュール４２は、第１被験者画像における変化と、第２被験者画像における変化との間に類似点がどの程度存在するかの類似度をスコアとして判断する。このスコアは、例えば、変化の類似点が多い程、高スコアとして判断し、変化の類似点が少ない程、低スコアとして判断する。照合モジュール４２は、第１被験者画像の変化を、特徴点や特徴量として照合し、第２の被験者画像における緑内障が発症した状態の眼底画像との類似点が高スコアであるか否かを判断することにより、この被験者が緑内障を発症しているか否かを判断する。
なお、照合モジュール４２が照合する第１被験者画像及び第２被験者画像の数は、上述した数に限らず、適宜変更可能である。また、照合モジュール４２は、第１被験者画像及び第２被験者画像に加え、さらに多くの被験者画像を照合してもよい。
診断モジュール４３は、照合した結果に基づいて、被験者を診断支援する（ステップＳ２５）。ステップＳ２５において、診断モジュール４３は、照合モジュール４２が算出した類似度に基づいて、被験者を診断支援する。例えば、診断モジュール４３は、照合した結果、類似度が所定の値以上のスコアであった場合、第２被験者画像に対して行われた診断支援結果と同様の診断支援結果を、この被験者に対して診断支援する。このとき、診断モジュール４３は、病名や処置そのものを診断支援結果として診断支援してもよいし、被験者の罹患に関するリスクを診断支援してもよい。罹患に関するリスクとは、例えば、診断支援した病名に罹患している確率が何パーセント程度であるか、将来の該当する病名に罹患する確率が何パーセント程度であるか等である。
なお、診断モジュール４３は、照合した結果、類似度が所定の値よりも小さいスコアであった場合、他の第２被験者画像をさらに照合することにより、その他の診断支援結果を、この被験者に対して診断支援する。
上述した手段、機能は、コンピュータ（ＣＰＵ、情報処理装置、各種端末を含む）が、所定のプログラムを読み込んで、実行することによって実現される。プログラムは、例えば、コンピュータからネットワーク経由で提供される（ＳａａＳ：ソフトウェア・アズ・ア・サービス）形態で提供される。また、プログラムは、例えば、フレキシブルディスク、ＣＤ（ＣＤ−ＲＯＭなど）、ＤＶＤ（ＤＶＤ−ＲＯＭ、ＤＶＤ−ＲＡＭなど）等のコンピュータ読取可能な記録媒体に記録された形態で提供される。この場合、コンピュータはその記録媒体からプログラムを読み取って内部記憶装置又は外部記憶装置に転送し記憶して実行する。また、そのプログラムを、例えば、磁気ディスク、光ディスク、光磁気ディスク等の記憶装置（記録媒体）に予め記録しておき、その記憶装置から通信回線を介してコンピュータに提供するようにしてもよい。
以上、本発明の実施形態について説明したが、本発明は上述したこれらの実施形態に限るものではない。また、本発明の実施形態に記載された効果は、本発明から生じる最も好適な効果を列挙したに過ぎず、本発明による効果は、本発明の実施形態に記載されたものに限定されるものではない。
１ 被験者診断支援システム、 １０ コンピュータ

Claims (11)

  1. 被験者を診断するコンピュータシステムであって、
    前記被験者の時系列の変化を伴う複数枚の第１被験者画像を取得する第１画像取得手段と、
    取得した前記第１被験者画像を画像解析する第１画像解析手段と、
    過去の別の被験者の時系列の変化を伴う複数枚の第２被験者画像を取得する第２画像取得手段と、
    取得した前記第２被験者画像を画像解析する第２画像解析手段と、
    前記第１被験者画像の画像解析の結果と、前記第２被験者画像の画像解析の結果とを照合する照合手段と、
    照合した結果に基づいて、前記被験者を診断する診断手段と、
    を備えることを特徴とするコンピュータシステム。
  2. 前記照合手段は、前記第１被験者画像の特徴点と、前記第２被験者画像の特徴点とを照合する、
    ことを特徴とする請求項１に記載のコンピュータシステム。
  3. 前記照合手段は、前記第１被験者画像の特徴量と、前記第２被験者画像の特徴量とを照合する、
    ことを特徴とする請求項１に記載のコンピュータシステム。
  4. 前記診断手段は、照合した結果に基づいて、前記第１被験者画像と、前記第２被験者画像との間の類似度を算出し、診断する、
    ことを特徴とする請求項１に記載のコンピュータシステム。
  5. 前記診断手段は、照合した結果に基づいて、前記被験者の罹患に関するリスクを診断する、
    ことを特徴とする請求項１に記載のコンピュータシステム。
  6. 前記第１画像解析手段は、既知の第２被験者画像の特徴点を教師データとして機械学習し、取得した前記第１被験者画像を画像解析する、
    ことを特徴とする請求項１に記載のコンピュータシステム。
  7. 前記第１画像解析手段は、既知の第２被験者画像の特徴量を教師データとして機械学習し、取得した前記第１被験者画像を画像解析する、
    ことを特徴とする請求項１に記載のコンピュータシステム。
  8. 前記第１画像解析手段は、取得した前記第１被験者画像に対してマークされた画像について画像解析する、
    ことを特徴とする請求項１に記載のコンピュータシステム。
  9. 前記第１被験者画像は、眼底画像であって、
    前記第１画像解析手段は、取得した前記眼底画像に対してマークされた画像について画像解析し、
    前記診断手段は、前記被験者の緑内障の診断をする、
    ことを特徴とする請求項１に記載のコンピュータシステム。
  10. 被験者を診断するコンピュータシステムが実行する被験者診断方法であって、
    前記被験者の時系列の変化を伴う複数枚の第１被験者画像を取得するステップと、
    取得した前記第１被験者画像を画像解析するステップと、
    過去の別の被験者の時系列の変化を伴う複数枚の第２被験者画像を取得するステップと、
    取得した前記第２被験者画像を画像解析するステップと、
    前記第１被験者画像の画像解析の結果と、前記第２被験者画像の画像解析の結果とを照合するステップと、
    照合した結果に基づいて、前記被験者を診断するステップと、
    を備えることを特徴とする被験者診断方法。
  11. 被験者を診断するコンピュータシステムに、
    前記被験者の時系列の変化を伴う複数枚の第１被験者画像を取得するステップ、
    取得した前記第１被験者画像を画像解析するステップ、
    過去の別の被験者の時系列の変化を伴う複数枚の第２被験者画像を取得するステップ、
    取得した前記第２被験者画像を画像解析するステップ、
    前記第１被験者画像の画像解析の結果と、前記第２被験者画像の画像解析の結果とを照合するステップ、
    照合した結果に基づいて、前記被験者を診断するステップ、
    を実行させるためのプログラム。
JP2018533699A 2017-05-19 2017-05-19 コンピュータシステム、被験者診断支援方法及びプログラム Active JP6433632B1 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2017/018840 WO2018211688A1 (ja) 2017-05-19 2017-05-19 コンピュータシステム、被験者診断方法及びプログラム

Publications (2)

Publication Number Publication Date
JP6433632B1 JP6433632B1 (ja) 2018-12-05
JPWO2018211688A1 true JPWO2018211688A1 (ja) 2019-06-27

Family

ID=64273498

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018533699A Active JP6433632B1 (ja) 2017-05-19 2017-05-19 コンピュータシステム、被験者診断支援方法及びプログラム

Country Status (3)

Country Link
US (1) US10832410B2 (ja)
JP (1) JP6433632B1 (ja)
WO (1) WO2018211688A1 (ja)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10459615B2 (en) 2014-12-11 2019-10-29 Rdi Technologies, Inc. Apparatus and method for analyzing periodic motions in machinery
JP2020151270A (ja) * 2019-03-20 2020-09-24 学校法人慶應義塾 関節状態値取得装置、関節状態学習装置、関節位置特定装置、関節位置学習装置、関節状態値取得方法、関節状態学習方法、関節位置特定方法、関節位置学習方法及びプログラム
JP6734457B1 (ja) * 2019-10-28 2020-08-05 アニコム ホールディングス株式会社 疾患予測システム、保険料算出システム及び疾患予測方法
JPWO2022097620A1 (ja) 2020-11-04 2022-05-12
JP2022104239A (ja) 2020-12-28 2022-07-08 株式会社トプコン 眼科情報処理装置、眼科装置、眼科情報処理方法、及びプログラム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09330405A (ja) 1996-06-10 1997-12-22 Nippon Telegr & Teleph Corp <Ntt> 画像処理方法
JP2005269214A (ja) 2004-03-18 2005-09-29 Mitsubishi Space Software Kk 画像診断支援装置及び画像診断支援方法及び画像診断支援プログラム及び画像診断支援プログラムを記録したコンピュータ読み取り可能な記録媒体
US9117121B2 (en) * 2012-05-21 2015-08-25 The Chinese University Of Hong Kong Detection of disease-related retinal nerve fiber layer thinning
JP6392192B2 (ja) 2015-09-29 2018-09-19 富士フイルム株式会社 画像位置合せ装置、画像位置合せ装置の作動方法およびプログラム

Also Published As

Publication number Publication date
US20200065967A1 (en) 2020-02-27
WO2018211688A1 (ja) 2018-11-22
US10832410B2 (en) 2020-11-10
JP6433632B1 (ja) 2018-12-05

Similar Documents

Publication Publication Date Title
KR102243830B1 (ko) 통합 의료 진단 서비스 제공 시스템 및 그 방법
JP6433632B1 (ja) コンピュータシステム、被験者診断支援方法及びプログラム
US10249042B2 (en) Method and apparatus for providing medical information service on basis of disease model
US10441160B2 (en) Method and system for classifying optic nerve head
US9265441B2 (en) Assessment of traumatic brain injury
KR101811028B1 (ko) 인공지능 기반 의료기기의 임상적 유효성 평가 방법 및 시스템
KR102289277B1 (ko) 복수의 의료 영상 판독 알고리듬들에 대한 평가 스코어를 생성하는 의료 영상 판독 지원 장치 및 방법
US10733727B2 (en) Application of deep learning for medical imaging evaluation
CN109074869A (zh) 医疗诊断支持装置、信息处理方法、医疗诊断支持系统以及程序
Sujaini et al. Comparing the performance of linear regression versus deep learning on detecting melanoma skin cancer using apple core ML
Rakhmetulayeva et al. IMPLEMENTATION OF CONVOLUTIONAL NEURAL NETWORK FOR PREDICTING GLAUCOMA FROM FUNDUS IMAGES.
WO2018211687A1 (ja) コンピュータシステム、被験者診断方法及び支援プログラム
EP4231311A1 (en) Method and apparatus for providing information needed for dementia diagnosis
JPWO2018179219A1 (ja) コンピュータシステム、動物診断方法及びプログラム
Hu et al. Hot spot detection based on feature space representation of visual search
US11742072B2 (en) Medical image diagnosis assistance apparatus and method using plurality of medical image diagnosis algorithms for endoscopic images
CN113270168A (zh) 一种提高医学图像处理能力的方法及系统
Sangamesh et al. A New Approach to Recognize a Patient with Diabetic Retinopathy using Pre-trained Deep Neural Network EfficientNetB0
KR102247712B1 (ko) 빅데이터를 이용한 피부 진단 방법 및 피부 진단 장치
WO2018179419A1 (ja) コンピュータシステム、動物診断方法及びプログラム
JP7477906B2 (ja) 認知症診断支援情報の提供装置及びその方法
CN116738352B (zh) 视网膜血管阻塞疾病的视杆细胞异常分类方法及装置
US11928817B2 (en) Method for filtering normal medical image, method for interpreting medical image, and computing device implementing the methods
US20240020830A1 (en) System and methods of predicting parkinson&#39;s disease based on retinal images using machine learning
JP2024060751A (ja) 医用診断支援装置、医用診断支援方法、およびプログラム

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180623

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20180623

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20180623

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180704

A80 Written request to apply exceptions to lack of novelty of invention

Free format text: JAPANESE INTERMEDIATE CODE: A80

Effective date: 20180719

TRDD Decision of grant or rejection written
A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20181005

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20181030

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20181106

R150 Certificate of patent or registration of utility model

Ref document number: 6433632

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250