WO2013076927A1 - 診断支援装置および診断支援方法 - Google Patents

診断支援装置および診断支援方法 Download PDF

Info

Publication number
WO2013076927A1
WO2013076927A1 PCT/JP2012/007163 JP2012007163W WO2013076927A1 WO 2013076927 A1 WO2013076927 A1 WO 2013076927A1 JP 2012007163 W JP2012007163 W JP 2012007163W WO 2013076927 A1 WO2013076927 A1 WO 2013076927A1
Authority
WO
WIPO (PCT)
Prior art keywords
vector
image
coefficient
lesion
normal
Prior art date
Application number
PCT/JP2012/007163
Other languages
English (en)
French (fr)
Inventor
本村　秀人
佳州 佐藤
和紀 小塚
Original Assignee
パナソニック株式会社
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 パナソニック株式会社 filed Critical パナソニック株式会社
Priority to JP2013545773A priority Critical patent/JP5607839B2/ja
Publication of WO2013076927A1 publication Critical patent/WO2013076927A1/ja
Priority to US14/066,770 priority patent/US9330455B2/en

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • 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]
    • A61B6/032—Transmission computed tomography [CT]
    • 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]
    • A61B6/037—Emission tomography
    • 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
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/08—Detecting organic movements or changes, e.g. tumours, cysts, swellings
    • A61B8/0833—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures
    • A61B8/085—Detecting organic movements or changes, e.g. tumours, cysts, swellings involving detecting or locating foreign bodies or organic structures for locating body or organic structures, e.g. tumours, calculi, blood vessels, nodules
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • 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
    • G06T2207/30061—Lung
    • G06T2207/30064—Lung nodule
    • 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

Definitions

  • the present invention relates to a diagnosis support apparatus and a diagnosis support method for supporting image diagnosis by a doctor.
  • JP 7-37074 A Japanese Patent Laid-Open No. 2002-32735 JP 2004-41694 A
  • the conventional apparatus has a problem that the normal structure image and the inspection image must be aligned, and if the alignment cannot be performed accurately, the determination accuracy of the lesioned part is low.
  • the present invention has been made to solve the conventional problems, and provides a diagnosis support apparatus with high accuracy in determining a lesion.
  • a diagnosis support apparatus includes a feature amount calculation unit that describes a test image in which the presence or absence of a lesion is unknown as a vector with a shift invariant feature amount, and the shift invariant feature amount of the inspection image.
  • a base expression unit that converts a base vector calculated from a plurality of vectors that describe shift invariant feature quantities of a plurality of normal structure images that do not include a coefficient to a linear sum, and the shift invariant feature quantity of the inspection image The difference between the coefficient and the coefficient when the shift invariant feature amount calculated from one normal structure image included in the plurality of normal structure images is converted into a linear sum obtained by multiplying the base vector by the coefficient is determined by a determination threshold value.
  • a lesion determination unit that determines that the examination image includes a lesion part, and an output unit that outputs a determination result by the lesion determination unit.
  • the inspection image and the normal structure image are compared with each other between the coefficients when the shift invariant feature amount is expressed as a basis. Therefore, the presence or absence of a lesion can be determined without aligning the normal structure image and the inspection image. Since the alignment step is not required, a decrease in lesion determination accuracy due to differences in landmark setting methods and variations in setting positions is eliminated, and a diagnosis support apparatus with high lesion determination accuracy can be provided.
  • FIG. 1 is a diagram illustrating landmark setting in Patent Document 1.
  • FIG. 2 is a block diagram showing a functional configuration of the diagnosis support apparatus according to Embodiment 1 of the present invention.
  • FIG. 3 is a diagram illustrating a calculation example of the shift invariant feature amount by the wavelet transform.
  • FIG. 4 is a diagram illustrating a calculation example of wavelet coefficients using a Haar type mother wavelet.
  • FIG. 5 is a diagram for explaining a method of calculating the base vector and the average vector of the normal structure.
  • FIG. 6 is a diagram illustrating an example of a method for determining a determination threshold for determining the presence or absence of a lesion.
  • FIG. 7 is a diagram showing a histogram of the distance between the normal coefficient vector and the lesion coefficient vector.
  • FIG. 8 is a flowchart of processing executed by the diagnosis support apparatus.
  • FIG. 9 is a block diagram illustrating a functional configuration of the diagnosis support apparatus according to the second embodiment.
  • FIG. 10 is a diagram for explaining an example of a method for retrieving similar case data by the similar case retrieval server.
  • FIG. 11 is a diagram illustrating a display example of determination results and similar case data by the display unit.
  • FIG. 12 is a block diagram illustrating a functional configuration of the diagnosis support apparatus according to the third embodiment.
  • FIG. 13 is a block diagram illustrating a functional configuration of the diagnosis support apparatus according to the fourth embodiment.
  • FIG. 14 is a diagram illustrating a display example of the determination result by the display unit.
  • FIG. 15 is a block diagram illustrating a hardware configuration of a computer system that implements the diagnosis support apparatus.
  • FIG. 16 is a diagram showing essential components of the diagnosis support apparatus according to the present invention.
  • the medical service can be broadly divided into a diagnosis service and a treatment service.
  • the diagnostic work is aimed at understanding the disease name and condition, and the treatment policy is determined according to the disease name and condition.
  • the diagnostic work starts with an inquiry or palpation, and if there is a suspicion of illness, a more detailed examination is performed by image diagnosis.
  • image diagnosis the state of the body is examined by nondestructive examination using radiation or ultrasound. An organ surface is observed by an endoscope or the like.
  • a pathological diagnosis is performed in which a specimen is removed from the lesion and the state is observed at the cellular level.
  • the extracted specimen is sliced to a thickness that can be observed with a microscope to produce a specimen.
  • the prepared specimen is photographed with a digital camera or scanner through a microscope, and stored and referred to as a digital image.
  • CAD Computer Aided Detection
  • Diagnostic doctors usually store medical images consisting of only normal structures that do not include lesions.
  • an inspection image that is a medical image to be inspected is presented, the diagnostician imagines a normal structure image that is a normal structure medical image and compares it with the inspection image.
  • the diagnostician finds a difference from the normal structure image, the diagnostician determines that the different part is a lesion.
  • calculating a difference between two data is a basic function, and image processing for detecting a lesion from a comparison between a normal structure image and an inspection image is good at computer processing.
  • Alignment is specifically realized by geometric transformation such as rotation, translation, enlargement / reduction, etc. For example, a plurality of corresponding points are set for each of the normal structure image and the inspection image, and one image is subjected to affine transformation and enlargement / reduction processing so that the corresponding points of each image match.
  • alignment is performed by a non-linear conversion method based on template matching for each local region, or a conversion method that combines global alignment and local alignment.
  • the normal structure image is taken from the past and is created from the image confirmed that there is no lesion.
  • the reason for this is because, firstly, a medical image to be compared does not exist in the examination image of the patient photographed for the first time, as described above.
  • medical knowledge tends to be built up by accumulating past cases, and normal structures that do not contain lesions are more likely to have higher medical utility value than those created from past cases. is there. Medical knowledge is improving day by day, and it often happens that the interpretation of past cases is improved. Medical knowledge registered in the IT system always needs to be updated, and normal structure images are no exception.
  • a normal structure image is expressed by a linear sum of an average shape and a natural shape. That is, the shape vector x representing the normal structure is expressed by the following formula 1.
  • x ave represents an average shape vector
  • Ps represents a shape eigenvector
  • bs represents a set of shape coefficients
  • an average shape vector x ave and a shape eigenvector Ps are necessary, and a landmark M as shown in FIG. 1 is set on the image in order to vectorize the image information.
  • a plurality of black dots in the figure are landmarks M.
  • the xy coordinate of the landmark M becomes a vector element, and the image information is vectorized.
  • landmarks are individually set with a plurality of normal structure images, shape vectors are defined, and an average vector and an eigenvector are calculated therefrom.
  • the inspection image can be similarly expressed by Equation 1.
  • the normal structure image and the inspection image are aligned, the lesion is detected from the difference between the normal structure image and the inspection image, and image diagnosis is supported.
  • Patent Document 3 does not disclose a landmark setting method, even if the same method is used, various normal structure images (representing a normal structure) are displayed due to differences in landmark setting methods and variations in setting positions. (Shape vector) is generated. Medical knowledge is built up from the accumulation of past cases, and there is a problem in terms of reusability that one case is defined in various ways according to the landmark setting method. Thus, when one case is defined variously, there exists a subject that the determination accuracy of a lesioned part falls. That is, depending on the definition, the same examination image is determined as a lesion image or a normal image.
  • a diagnosis support apparatus includes a feature amount calculation unit that describes a test image in which the presence or absence of a lesion is unknown as a shift invariant feature amount, and the test image.
  • a base expression unit that converts the shift invariant feature amount into a linear sum obtained by multiplying a base vector calculated from a plurality of vectors describing shift invariant feature amounts of a plurality of normal structure images not including a lesion part by a coefficient;
  • the coefficient of the shift invariant feature amount of the inspection image and the shift invariant feature amount calculated from one normal structure image included in the plurality of normal structure images are converted into a linear sum obtained by multiplying the base vector by a coefficient
  • a lesion determination unit that determines that the examination image includes a lesion part when the difference from the coefficient is greater than a determination threshold, and an output unit that outputs a determination result by the lesion determination unit.
  • the inspection image and the normal structure image are compared with each other between the coefficients when the shift invariant feature amount is expressed as a basis. Therefore, the presence or absence of a lesion can be determined without aligning the normal structure image and the inspection image. Since the alignment step is not required, a decrease in lesion determination accuracy due to differences in landmark setting methods and variations in setting positions is eliminated, and a diagnosis support apparatus with high lesion determination accuracy can be provided.
  • the feature amount calculation unit calculates a plurality of shift invariant feature amounts from the target pixel of the inspection image, calculates an inspection image feature amount vector having each calculated shift invariant feature amount as a vector element
  • the base representation unit is a linear sum of base vectors of a plurality of image feature amount vectors each having a shift invariant feature amount calculated from each pixel of a plurality of normal structure images, each of which is a normal structure medical image.
  • the normal coefficient vector that is most similar to the inspection coefficient vector is selected from a plurality of normal coefficient vectors whose coefficients are described as linear sums of vectors.
  • a nearest-neighbor vector detection unit that detects as a neighborhood vector, wherein the lesion determination unit compares a distance between the examination coefficient vector and the nearest-neighbor vector with the determination threshold, and the distance is greater than the determination threshold
  • the target pixel may be determined to be a lesion pixel, and if the distance is smaller than the determination threshold, the target pixel may be determined to be a normal pixel.
  • a shift invariant feature is used to compare the inspection image with the normal structure image between the basis coefficient vectors. Therefore, the presence or absence of a lesion can be determined without aligning the normal structure image and the inspection image. Since the alignment step is not required, a decrease in lesion determination accuracy due to differences in landmark setting methods and variations in setting positions is eliminated, and a diagnosis support apparatus with high lesion determination accuracy can be provided.
  • the shift invariant feature amount may be a wavelet coefficient, a HLAC (High order Local Auto Correlation) feature amount, a SIFT (Scale-Invariant Feature Transform) feature amount, or a HOG (Histograms of Oriented feature amount).
  • HLAC High order Local Auto Correlation
  • SIFT Scale-Invariant Feature Transform
  • HOG Histograms of Oriented feature amount
  • the image information can be vectorized without depending on the pixel position, and an alignment process using a landmark or the like is not necessary.
  • the medical image may include a radiographic image, an ultrasonic image, or a pathological specimen image.
  • the nearest neighbor vector detection unit is a normal that is most similar to the inspection coefficient vector among a plurality of normal coefficient vectors corresponding to pixels of the plurality of normal structure images located within a predetermined distance range from the target pixel.
  • a coefficient vector may be detected as the nearest neighbor vector.
  • the determination threshold is a coefficient when a lesion image feature quantity vector having each shift invariant feature quantity calculated from a pixel of a lesion part as a vector element is described as a linear sum of the basis vectors as a vector element. It may be an average value or a median value of the distance between the lesion coefficient vector to be performed and the plurality of normal coefficient vectors that are most similar to the lesion coefficient vector.
  • the lesion determination unit may determine that a detection error has occurred when the distance between the pixel of interest and the pixel on which the nearest neighbor vector is calculated is greater than a detection error threshold. good.
  • the feature amount calculation unit calculates a plurality of shift invariant feature amounts from the target pixel of the inspection image, calculates an inspection image feature amount vector having each calculated shift invariant feature amount as a vector element
  • the base representation unit is a linear sum of base vectors of a plurality of image feature amount vectors each having a shift invariant feature amount calculated from each pixel of a plurality of normal structure images, each of which is a normal structure medical image.
  • the distance is compared with the determination threshold, and when the distance is larger than the determination threshold, it is determined that the pixel of interest is a lesion pixel, and when the distance is smaller than the determination threshold, the pixel of interest is You may determine that it is a pixel of a normal part.
  • FIG. 2 is a block diagram showing a functional configuration of the diagnosis support apparatus according to Embodiment 1 of the present invention.
  • the diagnosis support apparatus 100 includes an input unit 101, a feature amount calculation unit 102, a base expression unit 103, a nearest neighbor vector detection unit 104, a normal coefficient vector storage unit 105, a lesion determination unit 106, an output unit 111, and a display unit 107. Then, the lesioned part which is a different part of the normal structure image and the inspection image is detected.
  • the input unit 101 receives an inspection image that is a medical image necessary for diagnosis.
  • an inspection image that is a medical image necessary for diagnosis.
  • any medical image is targeted.
  • a CT (Computer Tomography) image, an MR (Magnetic Resonance) image, a PET (Positron Emission Tomography) image, an ultrasound image, a pathological image, and a chest simple X-ray image which is a kind of radiographic image are targeted.
  • the feature amount calculation unit 102 calculates a plurality of shift invariant feature amounts from the target pixel of the inspection image, and calculates an inspection image feature amount vector having each calculated shift invariant feature amount as a vector element. That is, the feature amount calculation unit 102 vectorize the image information of the inspection image by using the shift-invariant feature amount, and outputs the inspection image feature vector f p. Feature amount calculation unit 102 outputs the inspection image feature vector f p for each pixel of the test image.
  • FIG. 3 is a diagram illustrating a calculation example of the shift invariant feature amount by the wavelet transform.
  • the feature amount calculation unit 102 performs multi-resolution representation of the scale t of the inspection image by wavelet transform.
  • scale 1 the luminance difference from adjacent pixels is calculated, and smoothing is performed on a plurality of pixels when moving to scale 2.
  • the luminance difference with the adjacent pixels is also calculated in scale 2
  • each pixel in scale 2 is obtained by smoothing a plurality of pixels in scale 1, and scale 2 has a lower frequency component.
  • the feature amount calculation unit 102 generates, for each pixel, a spatial frequency vector F including wavelet coefficients V, H, and D calculated at each stage and a luminance average value L calculated from an image of the scale t. That is, the number of dimensions of the spatial frequency vector F is (3t + 1) dimensions.
  • V is a luminance difference value with the right adjacent pixel 31 of the target pixel 30 that is a pixel to be processed
  • H is a lower adjacent position of the target pixel 30.
  • D is the luminance difference value from the right diagonally lower adjacent pixel 33
  • L is the four pixels consisting of the target pixel 30, the right adjacent pixel 31, the lower adjacent pixel 32, and the right diagonally lower adjacent pixel 33.
  • It is a luminance average value.
  • 4A corresponds to the scale 1
  • FIG. 4B corresponds to the scale 2.
  • the inspection image of scale 2 is an image in which the luminance average value of four pixels of the inspection image of scale 1 is one pixel.
  • the output L which is the average luminance value of the four pixels in scale 1, becomes the luminance value of the block for which the luminance difference value is to be calculated.
  • the output V at the scale 2 is a luminance difference value between the block 34 and the right adjacent block 35.
  • the output H at the scale 2 is a luminance difference value between the block 34 and the lower adjacent block 36.
  • the output D on the scale 2 is a luminance difference value between the block 34 and the right oblique lower adjacent block 37.
  • the output L at scale 2 is the average luminance value of the four blocks from the block 34 to the right diagonally adjacent block 37.
  • the inspection image feature vector f p is calculated as the spatial frequency vector F in Figure 3.
  • wavelet coefficients are used as the shift invariant feature quantity.
  • the shift invariant feature quantity is not limited to this, and any shift invariant feature quantity can be used.
  • the SIFT feature value, the HLAC feature value, the HOG feature value, or the like can be used as the shift invariant feature value.
  • Basis representation unit 103 converts the inspection image feature vector f p to basis vector representation, to output the test coefficient vector alpha p.
  • the base representation unit 103 is a linear sum of base vectors of a plurality of image feature quantity vectors having each shift invariant feature quantity calculated from each pixel of a plurality of normal structure images as a vector element, and an inspection image feature quantity vector.
  • a coefficient at the time of describing f p is calculated, and an inspection coefficient vector ⁇ p having the calculated coefficient as a vector element is calculated.
  • the base representation unit 103 converts the inspection image feature vector f p into an inspection coefficient vector ⁇ p by the following expression 2.
  • Equation 2 solves Equation 1 for the shape factor set bs.
  • Equation 1 solves Equation 1 for the shape factor set bs.
  • Equation 2 solves Equation 1 for the shape factor set bs. The correspondence between Equation 1 and Equation 2 is as follows.
  • Shape vector x ⁇ ⁇ inspection image feature vector f p Average shape vector x ave ⁇ Normal structure average vector g Eigenvector Ps of shape ⁇ Normal structure basis vector matrix B Set of shape factor bs ⁇ ⁇ inspection coefficient vector ⁇ p
  • the normal structure basis vector matrix B and the normal structure average vector g are calculated based on image feature quantity vectors obtained from a number of normal structure images, as shown in FIG. For example, if the width of the normal structure image is W and the height is H, (W ⁇ H) image feature amount vectors are calculated from one normal structure image. If the number of normal structure images is Q, (W ⁇ H ⁇ Q) image feature amount vectors are obtained from Q normal structure images. The number of dimensions of the image feature vector is assumed to be n dimensions.
  • the normal structure average vector g is obtained by calculating an average value for each element of the image feature vector.
  • the normal structure basis vector matrix B is calculated as eigenvectors b 1 , b 2 ,..., B n which are solutions of simultaneous equations of the following expression 3 by principal component analysis.
  • Equation 4 the matrix S is a variance-covariance matrix, and is given by Equation 4 below.
  • s i is the variance of the i-dimensional element of the image feature vector. As described above, only (W ⁇ H ⁇ Q) image feature amount vectors are obtained. Therefore, there are (W ⁇ H ⁇ Q) i-dimensional elements of image feature amount vectors. s i is the variance.
  • the eigenvalue ⁇ is given by the following equation 5.
  • N eigenvalues ⁇ are obtained, and are set to ⁇ 1, ⁇ 2,.
  • the base expression unit 103 converts the image feature vector (inspection image feature vector f p ) of the inspection image into a base expression, and generates an inspection coefficient vector ⁇ p . Thereby, the inspection image and the normal structure image can be compared.
  • the inspection coefficient vector ⁇ p that is the output of the base representation unit 103 is input to the nearest neighbor vector detection unit 104 and the lesion determination unit 106, and is used for comparison with the normal structure image.
  • the normal structure basis vector matrix B and the normal structure average vector g necessary for the calculation of Expression 2 are calculated in advance and stored in the basis expression unit 103.
  • An image in which no abnormal findings are recognized is a normal structure image, but even if a part of the image includes a lesion part, if the region for calculating the image feature amount does not include the lesion part, the normal structure basis vector matrix B or the normal structure It can be a sample for calculating the average vector g.
  • a block 37 from the block 34 to the lower right is involved in the calculation of the image feature amount. If no lesion is included in these four blocks, the sample is a sample for calculating the normal structure basis vector matrix B and the normal structure average vector g.
  • the normal structure and the lesioned part can be separated by surrounding the lesioned part with a line.
  • the normal structure basis vector matrix B and the normal structure average vector g can be correctly calculated.
  • the method of inputting the line surrounding the lesion is not limited. For example, even if a doctor draws a line with a mouse or the like at the time of diagnosis, there is no great burden. Or the medical term which represents a site
  • the image feature vector of the lesion area is calculated in advance.
  • the difference between the image feature amount vector of the lesion area and the image feature amount vector of the target image for which a normal structure is desired to be acquired is small, there is a high possibility that it is a lesion portion. For this reason, when the distance between two vectors is smaller than a predetermined threshold value, the target image is not added to the normal structure image.
  • the nearest neighbor vector detecting unit 104 detects the most similar to the inspection coefficient vector ⁇ p from the normal coefficient vectors ⁇ stored in the normal coefficient vector storage unit 105.
  • the normal coefficient vector ⁇ has a coefficient when the image feature quantity vector of the normal structure image is described as a linear sum of the base vectors of the image feature quantity vector as a vector element.
  • the normal coefficient vector ⁇ is calculated by the following formula 6.
  • the vector f is a normal image feature vector.
  • Normal image feature vector f by using a normal structure image instead of the test image, are calculated in the same way as the inspection image feature vector f p.
  • Structure of formula 6 is the same as Equation 2, given a normal image feature vector f in place of the test image feature vector f p in Equation 2, the normal coefficient vector ⁇ is calculated.
  • the normal coefficient vector storage unit 105 stores the normal coefficient vector ⁇ , which is the calculation result of Expression 6, for the number of normal structure images.
  • the nearest neighbor vector detection unit 104 calculates the distance between the inspection coefficient vector ⁇ p and each normal coefficient vector ⁇ , and detects the nearest normal coefficient vector ⁇ having the shortest distance. When the nearest normal coefficient vector ⁇ is detected, the nearest neighbor vector detection unit 104 sends this to the lesion determination unit 106 together with the distance between the vectors.
  • the lesion determination unit 106 determines the presence or absence of a lesion for each pixel of the inspection image based on the distance between the inspection coefficient vector ⁇ p and the normal coefficient vector ⁇ . That is, the lesion determination unit 106 compares the distance between the inspection coefficient vector ⁇ p and the normal coefficient vector ⁇ with the determination threshold value. The lesion determination unit 106 determines that the pixel of interest for which the inspection coefficient vector ⁇ p has been calculated is the pixel of the lesion when the calculated distance is larger than the determination threshold, and focuses on when the distance is smaller than the determination threshold. It is determined that the pixel is a normal pixel.
  • the determination threshold for the presence or absence of a lesion is calculated from past cases and stored in the first threshold database 109 in advance.
  • FIG. 6 is a diagram illustrating an example of a method for determining a determination threshold for the presence or absence of a lesion.
  • the determination threshold includes a feature amount calculation unit 102, a base expression unit 103, a nearest neighbor vector detection unit 104, a normal coefficient vector storage unit 105, a vector distance calculation unit 501, and a detection error threshold calculation unit 502.
  • the threshold determination device determines.
  • a lesion image in which the presence of a lesion is confirmed is acquired from a past case, and is classified for each disease name.
  • the feature amount calculation unit 102 calculates, for example, a plurality of image feature amounts for each image coordinate (for each pixel) of the lesion image I d classified into the disease name D, and each calculated image feature amount is a vector element.
  • the lesion image feature vector f d (f d, 1 to f d, na ) is generated.
  • the lesion image feature vector fd is generated for each pixel.
  • the base representation unit 103 substitutes the lesion image feature vector f d for the vector f p of Equation 2 and converts it into the vector ⁇ p .
  • This vector ⁇ p is set as a lesion coefficient vector ⁇ d .
  • the nearest neighbor vector detection unit 104 detects a normal coefficient vector ⁇ that is most similar to the lesion coefficient vector ⁇ d from the normal coefficient vectors ⁇ stored in the normal coefficient vector storage unit 105. For example, the normal coefficient vector ⁇ having the smallest distance from the lesion coefficient vector ⁇ d is detected.
  • Vector distance calculation unit 501 calculates the distance between the detected recently successfully coefficient vector beside alpha and diseased coefficient vector alpha d, the calculated distance and the lesion presence determination threshold. However, since there are many lesion images classified into the same disease name, it is appropriate to use an average value or a median value of the determination threshold value calculated from each pixel of each lesion part as the determination threshold value.
  • the lesion determination unit 106 of the diagnosis support apparatus 100 further confirms the position of the pixel that is the basis of calculation for each of the inspection coefficient vector ⁇ p and the normal coefficient vector ⁇ detected as the nearest neighbor. To do. As shown in FIG. 6, when the nearest neighbor vector detection unit 104 of the determination threshold value determining device detects the nearest normal coefficient vector ⁇ , the nearest neighbor vector image coordinate is output as the nearest neighbor vector image coordinate, and the first threshold database. 109 is stored. In the case of a CT image, the image coordinates are composed of a z-coordinate representing a slice position and an x, y coordinate representing a position in the slice plane. Since the chest simple X-ray image is not sliced, for example, the z coordinate may be fixed to 1.
  • the alignment is performed indirectly by matching the shift invariant feature amount. For this reason, a deformation process is not performed in which a plurality of normal structure images or inspection images are directly deformed so that corresponding points have the same image coordinates. Therefore, as shown in FIG. 1, the corresponding points of the normal structure image and the inspection image often have different image coordinates. However, the difference in the image coordinates should be within a certain size, and there is no corresponding point at a position that is far away. For example, in the case of a chest simple X-ray image, there is a certain guideline for the imaging method, and imaging is performed in a situation where the body direction is slightly different within the range.
  • CT and MRI Magnetic Resonance Imaging
  • the patient lies on the bed and the positional relationship between the patient and the imaging apparatus is fixed.
  • the CT image and the MR image have a smaller difference in image coordinates depending on the imaging conditions than the chest simple X-ray image.
  • the image coordinates of the corresponding points do not match.
  • the relative positional relationship between organs and bones such as the positional relationship between the lung and the heart or the positional relationship between the lung and the scapula, is the same among patients, and the image coordinates of corresponding points do not differ significantly.
  • the lesion determination unit 106 determines that the distance between the pixel that is the basis for calculating the examination coefficient vector ⁇ p and the pixel that is the basis for calculating the normal coefficient vector ⁇ detected as the nearest neighbor is If it is larger than a preset detection error threshold, it is determined as a detection error.
  • the lesion determination unit 106 outputs a detection error notification signal 108 to the nearest neighbor vector detection unit 104 when it is determined as a detection error, thereby instructing the nearest neighbor vector detection unit 104 to redetect the nearest neighbor vector.
  • the nearest neighbor vector detection unit 104 that has received the detection error notification signal 108 detects another nearest neighbor vector.
  • the detection error threshold value that is a reference for the detection error is stored in the second threshold value database 110.
  • the error threshold is set for each disease name, for example. As shown in FIG. 6, the image coordinates of the lesion can be obtained from the past case. For this reason, the detection error threshold value calculation unit 502 calculates the distance between the two most distant image coordinates in the distribution of image coordinates of all data of the disease name D, and sets this as the detection error threshold value. Alternatively, the detection error threshold value calculation unit 502 sets the distance from the image coordinate farthest from the center of gravity of the image coordinate distribution as the detection error threshold value. The detection error threshold calculation unit 502 classifies the position of each organ of the patient roughly according to the image coordinates (x, y, z), obtains the distance from one organ to another, and uses this as the error detection threshold. Also good.
  • the nearest neighbor vector detection unit 104 when detecting the nearest neighbor vector, from among a plurality of normal coefficient vectors ⁇ corresponding to pixels located within a predetermined distance range from the pixel to be processed (target pixel), The nearest neighbor vector may be detected. Thereby, the detection time of the nearest neighbor vector can be shortened. At the same time, search errors can be suppressed. That is, by limiting the reference range of the nearest neighbor vector, it is possible to prevent the image coordinates of the corresponding points of the normal structure image and the inspection image from differing so as to exceed the organ size.
  • the nearest neighbor vector detection unit 104 refers to the normal coefficient vector ⁇ of pixels within a predetermined distance range with the image coordinate of the inspection coefficient vector ⁇ p as the center.
  • the reference range setting method is not limited, for example, the reference range may be set with the maximum value of the detection error threshold stored in the second threshold database 110 as the predetermined distance.
  • the second threshold value database 110 stores detection error threshold values for each disease name, and they have different sizes for each disease name. However, any disease name can be handled by setting the maximum detection error threshold to the predetermined distance. For this reason, even if the reference range is limited, an oversight of a lesion does not occur. If conditions relating to lesion detection can be narrowed down from patient information other than image information, such as clinical information or past disease, the reference range of the normal coefficient vector ⁇ can be further limited in order to shorten the detection time of the lesion as much as possible.
  • the lesion images are classified for each disease name. However, if the lesion images can be classified for each disease state using findings associated with the lesion image, a determination threshold for disease state determination can be calculated. For example, a lesion image of a tumor is divided into a lesion image of a benign tumor and a lesion image of a malignant tumor, and a determination threshold is obtained for each lesion image. By using the two determination thresholds, the lesion determination unit 106 determines whether the tumor is benign or malignant.
  • the lesion determination unit 106 determines whether a lesion is present or not by two choices, but it is also possible to calculate a value indicating the possibility of the presence of a lesion.
  • FIG. 7 shows a histogram of the distance between the normal coefficient vector ⁇ classified as disease name D and the lesion coefficient vector ⁇ d . Both the average value and the median value of the distance are 1.0, and the determination threshold is 1.0 when the presence or absence of a lesion is determined by two choices. The percentage in parentheses below the frequency is a percentage of the total cumulative frequency.
  • the lesion determination unit 106 can determine that a lesion is present with a probability of 57% if the distance between the normal coefficient vector ⁇ and the lesion coefficient vector ⁇ d is 1.0. 1.6 is the maximum distance, and the lesion determination unit 106 can determine that a 100% lesion is present if the distance is 1.6.
  • the output unit 111 outputs the determination result by the lesion determination unit 106.
  • the display unit 107 is configured by a display device or the like, receives a determination result from the output unit 111, and determines that the pixel value of the image coordinate of the lesion is a specific color (for example, red or yellow) when it is determined that there is a lesion. And the presence of the lesion and its position are displayed as an image.
  • a specific color for example, red or yellow
  • FIG. 8 is a flowchart of processing executed by the diagnosis support apparatus 100.
  • the normal coefficient vector ⁇ Prior to the processing of the diagnosis support apparatus 100, the normal coefficient vector ⁇ is stored in the normal coefficient vector storage unit 105. That is, a base vector is calculated from a shift invariant feature vector group acquired from a plurality of normal structure images. A normal coefficient vector ⁇ having a coefficient when the normal structure image is described by a linear sum of the basis vectors as a vector element is created. The created normal coefficient vector ⁇ is stored in the normal coefficient vector storage unit 105.
  • step S71 the input unit 101 receives an inspection image.
  • step S ⁇ b> 72 the feature amount calculation unit 102 calculates a plurality of image feature amounts for each pixel of the inspection image received by the input unit 101. Feature amount calculation unit 102, for each pixel of the test image, to create an inspection image feature vector f p for each image feature amounts and the elements of the vector, and outputs the basis representation unit 103.
  • step S73 the base representation unit 103, for each pixel of the test image, converts the inspection image feature vector f p to the inspection coefficient vector alpha p.
  • the nearest vector detecting unit 104 refers to the normal coefficient vector alpha stored in the normal coefficient vector storage unit 105, for each pixel of the test image, the normal coefficient vector closest to the inspection coefficient vector alpha p alpha Is detected.
  • step S75 the lesion determination unit 106, for each pixel of the test image, and calculates the distance between the normal coefficient vector alpha testing coefficient vector alpha p and nearest to determine whether the calculated distance and diseased determination Compare with threshold.
  • step S76 When the distance between the inspection coefficient vector ⁇ p and the nearest normal coefficient vector ⁇ is larger than the determination threshold value, the process proceeds to step S76, where it is determined that the pixel to be processed is “lesioned” and the judgment result is determined.
  • step S77 the processing target pixel is determined as “no lesion” and the determination result Is output to the output unit 111.
  • the diagnosis support apparatus 100 can detect a lesion from the difference between the normal structure image and the inspection image.
  • the use of the shift invariant feature amount eliminates the need for the alignment step, thereby improving the efficiency and quality of the diagnosis work.
  • Embodiment 2 In the present embodiment, as in the first embodiment, a diagnosis support apparatus that realizes vectorization of image information using shift invariant feature amounts and does not require setting of corresponding points for alignment will be described. In the present embodiment, in particular, a diagnosis support apparatus capable of referring to finding information and presenting a similar case at a lesion site in cooperation with a similar case search server will be described.
  • FIG. 9 is a block diagram showing a functional configuration of the diagnosis support apparatus 800 according to Embodiment 2 of the present invention. Components similar to those in FIG. 2 are denoted by the same reference numerals, and detailed description thereof will not be repeated.
  • the diagnosis support apparatus 800 includes an input unit 101, a feature amount calculation unit 102, a base expression unit 103, a nearest neighbor vector detection unit 104, a normal coefficient vector storage unit 105, a lesion determination unit 801, and an output unit 811. And a display unit 802.
  • the lesion determination unit 801 has a lesion for each pixel of the inspection image based on the distance between the inspection coefficient vector ⁇ p and the normal coefficient vector ⁇ . Judge no.
  • the lesion determination unit 801 is connected to the similar case search server 803 and refers to the diagnosed case data stored in the case DB (database) unit 804 via the similar case search server 803.
  • Past case data is the result of a diagnosis formally made by a doctor.
  • the diagnosis support apparatus 800 is positioned to support diagnosis by a doctor or engineer, and does not make a final diagnosis.
  • the past diagnosis result (past case data) is “correct” as viewed from the diagnosis support apparatus 800 and is absolute reference information.
  • doctors also make new diagnoses with reference to past case data. Therefore, if the diagnosis support apparatus 800 can present not only the presence / absence of a lesion, but also what kind of disease it is and also its disease state, the efficiency and quality of the diagnosis work can be improved.
  • the lesion determination unit 801 determines that the examination image has a lesion
  • the lesion determination unit 801 refers to the case DB unit 804 via the similar case search server 803 and detects past case data similar to the lesion.
  • the output unit 811 outputs the determination result by the lesion determination unit 801 and the past case data detected by the lesion determination unit 801.
  • the display unit 802 is configured by a display device or the like, receives the determination result and similar case data from the output unit 811, and displays the presence and position of the lesion as an image, similar to the display unit 107 of the first embodiment. . In addition, the display unit 802 simultaneously displays past case data similar to this lesion.
  • FIG. 10 is a diagram for explaining an example of a method for retrieving similar case data by the similar case retrieval server 803.
  • the lesion determination unit 801 determines the difference between the inspection image 902 and the normal structure image 903.
  • the determination result is expressed as a difference image 901.
  • a distribution pattern 905 is obtained.
  • the distribution pattern 905 includes a lesion pixel and a normal pixel.
  • the determination of whether or not the lesion is a lesion by the lesion determination unit 801 is executed in units of pixels. However, when the results are viewed together in the entire image, it can be regarded as a pattern composed of a plurality of pixels.
  • the similar case search server 803 can extract similar case data including the similar distribution pattern 905 from the case DB unit 804 using the distribution pattern 905 as a clue.
  • the similar case search server 803 includes an image 907 including a distribution pattern 906 most similar to the distribution pattern 905 among the case data stored in the case DB unit 804, and a disease name associated with the image 907. Detect disease states, findings and clinical data. For example, the disease name associated with the image 907 is A and the disease state is X.
  • FIG. 11 is a diagram illustrating a display example of the determination result and similar case data by the display unit 802.
  • the display unit 802 displays an image 1201, an image 1203, a disease name / condition 1204, and a finding 1205.
  • An image 1201 is an image in which a lesion portion of the examination image 902 is surrounded by a line 1202.
  • the image 1203 is the same as the image 907 shown in FIG. 10 detected by the similar case search server 803.
  • case images such as the image 1203 are stored for each disease name and disease state, and according to this classification, it is displayed that the disease name is A and the disease state is X.
  • Each case data is accompanied by a finding, and a finding 1205 for the image 1203 is displayed.
  • the method for determining whether or not the distribution patterns are similar and the method for searching for similar distribution patterns are not limited. For example, by performing pattern matching between the distribution patterns, it may be determined whether or not the distribution patterns are similar, and the positions of the similar distribution patterns on the image may be specified. Further, instead of pattern matching, an image feature amount may be calculated from the distribution pattern, and the image feature amount may be compared between the distribution patterns.
  • the diagnosis support apparatus 800 can detect a lesion from the difference between the normal structure image and the inspection image. According to the present embodiment, by referring to past case data, case data similar to a lesion can be presented to the user. Therefore, it is possible to improve the work efficiency and quality of the disease name and medical condition diagnosis by the doctor.
  • Embodiment 3 In this embodiment, as in Embodiments 1 and 2, a diagnosis support apparatus that realizes vectorization of image information using shift invariant feature amounts and does not require setting of corresponding points for alignment is described. To do. In the present embodiment, it is not particularly necessary to install the input device, the display device, the electronic medical record server, and the diagnosis support server in the same place.
  • FIG. 12 is a block diagram showing a functional configuration of the diagnosis support apparatus 1000 according to Embodiment 3 of the present invention. Components similar to those in FIG. 2 or FIG. 9 are denoted by the same reference numerals, and detailed description thereof will not be repeated.
  • the diagnosis support apparatus 1000 includes a feature amount calculation unit 102, a base expression unit 1004, a nearest neighbor vector detection unit 104, a normal coefficient vector storage unit 105, a lesion determination unit 801, and an output unit 811.
  • the feature amount calculation unit 102 of the diagnosis support apparatus 1000 acquires an inspection image from the input device 1001 via the network.
  • the lesion determination unit 801 and the base representation unit 1004 are connected to the electronic medical record server 1002 via a network and refer to past case data stored in the case DB unit 1003 of the electronic medical record server 1002.
  • the difference image between the examination image and the normal structure image, which is the output of the lesion determination unit 801, and similar case data are sent to the display device 1005 via the network.
  • the input device 1001, the electronic medical record server 1002, or the display device 1005 is connected to the diagnosis support device 1000 via a standard interface (for example, DICOM (Digital Imaging and Communication in Medicine) or HL7 (Health Level Seven)).
  • DICOM Digital Imaging and Communication in Medicine
  • HL7 Health Level Seven
  • the diagnosis support apparatus 1000 can detect a lesion by receiving examination images from various modalities and referring to past case data. Thereby, the diagnosis support apparatus 1000 can support detection of a lesion by a doctor or an engineer.
  • the base representation unit 1004 acquires a normal structure image from the case DB unit 1003. Since image inspection is performed daily in the hospital, normal structure images are added daily. By acquiring more normal structure images and creating the normal structure basis vector matrix B and the normal structure average vector g, it is possible to cope with various body shapes or differences in imaging conditions. Thereby, the utility value of the diagnosis support apparatus 1000 can be increased. Therefore, it is desirable to update the normal structure basis vector matrix B and the normal structure average vector g as needed. By connecting the lesion determination unit 801 to the electronic medical record server 1002, the case data update of the case DB unit 1003 can be reflected, and similar case data can be detected from past case data including the latest case data. Therefore, the diagnosis support apparatus 1000 can perform more accurate diagnosis support.
  • the diagnosis support apparatus 1000 can perform diagnosis support without installing the input device 1001, the display device 1005, the electronic medical record server 1002, and the diagnosis support server in the same place.
  • a technician can take an examination image, and a diagnostic imaging doctor at a remote location can make a diagnosis while viewing the lesion image displayed on the display device 1005 and past case data similar to the lesion site. .
  • Embodiment 4 In the present embodiment, as in Embodiments 1 to 3, a diagnosis support apparatus that realizes vectorization of image information using shift-invariant feature amounts and does not require setting of corresponding points for alignment is described. To do. In the present embodiment, in particular, the possibility of being a lesioned part is indicated by a plurality of presentation methods, and multifaceted diagnosis support is possible.
  • FIG. 13 is a block diagram showing a functional configuration of the diagnosis support apparatus according to Embodiment 4 of the present invention. Components similar to those in FIG. 2 are denoted by the same reference numerals, and detailed description thereof will not be repeated.
  • the diagnosis support apparatus 1300 includes an input unit 101, a feature amount calculation unit 102, a base expression unit 103, a neighborhood vector detection unit 1301, a normal coefficient vector storage unit 105, a lesion determination unit 1302, an output unit 1303, Display unit 107.
  • the neighborhood vector detection unit 1301 detects a plurality of normal coefficient vectors ⁇ stored in the normal coefficient vector storage unit 105 that are similar to the inspection coefficient vector ⁇ p . For example, to detect the normal coefficient vector alpha distance from those short of three in the order of between test coefficient vector alpha p.
  • the lesion determination unit 1302 receives a plurality (for example, three) of normal coefficient vectors ⁇ detected by the neighborhood vector detection unit 1301 and, for each normal coefficient vector ⁇ , between the inspection coefficient vector ⁇ p and the normal coefficient vector ⁇ . The distance is compared with the determination threshold. Based on the comparison result, the lesion determination unit 1302 determines whether or not the pixel of interest for which the inspection coefficient vector ⁇ p has been calculated is the pixel of the lesion, similarly to the lesion determination unit 106 of the first embodiment.
  • the output unit 1303 classifies the determination result by the lesion determination unit 106 for each normal coefficient vector ⁇ and outputs the result to the display unit 107.
  • FIG. 14 is a diagram illustrating an example of the determination result displayed on the display unit 107.
  • a plurality of (for example, three types) determination results are displayed on the display unit 107.
  • images 1401 to 1403 indicating determination results corresponding to the image 1203 that is the inspection image are displayed.
  • the image 1203 and the images 1401 to 1403 are the same inspection image, but in the images 1401 to 1403, the lesioned portions 1404 to 1406 are surrounded by lines. That is, the image 1401, lesion 1404 is determined based on the distance between the normal coefficient vector alpha closest to test the coefficient vector alpha p inspected coefficient vector alpha p is shown.
  • the image 1402 shows a lesion 1405 determined based on the distance between the inspection coefficient vector ⁇ p and the normal coefficient vector ⁇ that is second closest to the inspection coefficient vector ⁇ p .
  • the image 1403 shows a lesion 1406 determined based on the distance between the inspection coefficient vector ⁇ p and the normal coefficient vector ⁇ that is third closest to the inspection coefficient vector ⁇ p .
  • vectorization of image information is realized with a shift invariant feature amount, so that setting of corresponding points for alignment is unnecessary. Therefore, a normal structure image can be created stably and efficiently. Further, the comparison between the normal structure image and the inspection image based on the memory of the image diagnostician is converted into data, and the diagnosis of the image diagnostician can be objectively supported.
  • the diagnostic results can be used in various situations such as informed consent, medical education, and basic medicine.
  • the lesion can be detected efficiently and accurately. Since the image diagnostician performs a new examination with reference to the past case data updated daily, the lesion detection by the computer can improve the work efficiency of the image diagnostician and smoothly rotate the medical workflow. Since the determination of the disease name and the medical condition has a great influence on the determination of the treatment policy, the diagnosis support by the diagnosis support apparatus can contribute to the efficiency and quality improvement of the entire medical treatment.
  • the diagnosis support apparatus can be realized by a computer.
  • FIG. 15 is a block diagram illustrating a hardware configuration of a computer system that implements the diagnosis support apparatus 100. Similarly to the diagnosis support apparatus 100, the diagnosis support apparatus 800 and the diagnosis support apparatus 1000 can be realized by a computer system.
  • the diagnosis support apparatus 100 includes a computer 60, a keyboard 66 and a mouse 38 for giving instructions to the computer 60, a display 62 for presenting information such as calculation results of the computer 60, and a program executed by the computer 60.
  • a CD-ROM (Compact Disc-Read Only Memory) device 40 for reading and a communication modem (not shown) are included.
  • the program which is a process performed by the diagnosis support apparatus 100, is stored in the CD-ROM 42, which is a computer-readable recording medium, and is read by the CD-ROM apparatus 40.
  • the data is read by the communication modem 52 through a computer network.
  • the computer 60 includes a CPU (Central Processing Unit) 44, a ROM (Read Only Memory) 46, a RAM (Random Access Memory) 48, a hard disk 50, a communication modem 52, and a bus 54.
  • CPU Central Processing Unit
  • ROM Read Only Memory
  • RAM Random Access Memory
  • the CPU 44 executes the program read via the CD-ROM device 40 or the communication modem 52.
  • the ROM 46 stores programs and data necessary for the operation of the computer 60.
  • the RAM 48 stores data such as parameters at the time of program execution.
  • the hard disk 50 stores programs and data.
  • the communication modem 52 communicates with other computers via a computer network.
  • the bus 54 connects the CPU 44, ROM 46, RAM 48, hard disk 50, communication modem 52, display 62, keyboard 66, mouse 38, and CD-ROM device 40 to each other.
  • the system LSI is an ultra-multifunctional LSI manufactured by integrating a plurality of components on a single chip, and specifically, a computer system including a microprocessor, ROM, RAM, and the like. .
  • a computer program is stored in the RAM.
  • the system LSI achieves its functions by the microprocessor operating according to the computer program.
  • each of the above-described devices may be configured from an IC card or a single module that can be attached to and detached from each device.
  • the IC card or module is a computer system that includes a microprocessor, ROM, RAM, and the like.
  • the IC card or the module may include the super multifunctional LSI described above.
  • the IC card or the module achieves its function by the microprocessor operating according to the computer program. This IC card or this module may have tamper resistance.
  • the present invention may be the method described above. Further, the present invention may be a computer program that realizes these methods by a computer, or may be a digital signal composed of the computer program.
  • the present invention relates to a non-transitory recording medium that can read the computer program or the digital signal, such as a flexible disk, a hard disk, a CD-ROM, an MO, a DVD, a DVD-ROM, a DVD-RAM, a BD ( It may be recorded on a Blu-ray Disc (registered trademark), a semiconductor memory, or the like.
  • the digital signal may be recorded on these non-temporary recording media.
  • the computer program or the digital signal may be transmitted via an electric communication line, a wireless or wired communication line, a network represented by the Internet, data broadcasting, or the like.
  • the present invention may also be a computer system including a microprocessor and a memory.
  • the memory may store the computer program, and the microprocessor may operate according to the computer program.
  • essential components of the diagnosis support apparatus are a feature amount calculation unit 102, a base expression unit 103, a lesion determination unit 106, and an output unit 111.
  • Each component is as described in the first embodiment. Although it is desirable that other components are provided, it is not always necessary to realize the present invention.
  • the present invention is applicable to a diagnosis support apparatus that supports image diagnosis by a doctor by specifying a lesion from a medical image.

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

　診断支援装置（１００）は、病変部の有無が未知である検査画像をシフト不変特徴量でベクトル記述する特徴量算出部（１０２）と、検査画像のシフト不変特徴量を、病変部を含まない複数の正常構造画像のシフト不変特徴量を記述した複数のベクトルから算出される基底ベクトルに係数を乗じた線形和に変換する基底表現部（１０３）と、検査画像のシフト不変特徴量の係数と、複数の正常構造画像に含まれる一の正常構造画像から算出されるシフト不変特徴量を基底ベクトルに係数を乗じた線形和に変換した際の係数との差が、判定閾値よりも大きい場合に、検査画像が病変部を含むと判定する病変判定部（１０６）と、病変判定部（１０６）による判定結果を出力する出力部（１１１）とを備える。

Description

診断支援装置および診断支援方法
　本発明は、医師による画像診断を支援する診断支援装置および診断支援方法に関する。
　従来、医師による画像診断を支援するために、正常構造の医用画像である正常構造画像と、検査対象の医用画像である検査画像とを比較して、病変部を判定する装置が提案されている（例えば、特許文献１～３参照）。
特開平７－３７０７４号公報 特開２００２－３２７３５号公報 特開２００４－４１６９４号公報
　しかしながら、従来の装置では、正常構造画像と検査画像との位置あわせを行わなければならず、正確に位置あわせを行うことができなければ、病変部の判定精度が低いという課題がある。
　本発明は従来の課題を解決するためになされたものであり、病変部の判定精度が高い診断支援装置を提供する。
　本発明の一態様に係る診断支援装置は、病変部の有無が未知である検査画像をシフト不変特徴量でベクトル記述する特徴量算出部と、前記検査画像の前記シフト不変特徴量を、病変部を含まない複数の正常構造画像のシフト不変特徴量を記述した複数のベクトルから算出される基底ベクトルに係数を乗じた線形和に変換する基底表現部と、前記検査画像の前記シフト不変特徴量の係数と、前記複数の正常構造画像に含まれる一の正常構造画像から算出されるシフト不変特徴量を前記基底ベクトルに係数を乗じた線形和に変換した際の係数との差が、判定閾値よりも大きい場合に、前記検査画像が病変部を含むと判定する病変判定部と、前記病変判定部による判定結果を出力する出力部とを備える。
　この構成によると、検査画像と正常構造画像との比較を、シフト不変特徴量を基底表現した際の係数間で行っている。このため、正常構造画像と検査画像の位置合わせを行うことなく、病変の有無を判定できる。位置合わせ工程が不要となることにより、ランドマークの設定方法の違いや設定位置のばらつきによる病変部の判定精度の低下が無くなり、病変部の判定精度が高い診断支援装置を提供することができる。
　なお、これらの包括的または具体的な態様は、システム、方法、集積回路、コンピュータプログラムまたはコンピュータ読み取り可能なＣＤ－ＲＯＭなどの記録媒体で実現されてもよく、システム、方法、集積回路、コンピュータプログラムおよび記録媒体の任意な組み合わせで実現されてもよい。
　本発明によると、病変部の判定精度が高い診断支援装置を提供することができる。
図１は、特許文献１におけるランドマーク設定を説明する図である。 図２は、本発明の実施の形態１に係る診断支援装置の機能的な構成を示すブロック図である。 図３は、ウェーブレット変換によるシフト不変特徴量の算出例を示す図である。 図４は、ハール型のマザーウェーブレットを用いたウェーブレット係数の算出例を示す図である。 図５は、正常構造の基底ベクトルと平均ベクトルを算出する方法を説明する図である。 図６は、病変有無の判定閾値の決定方法の一例を示す図である。 図７は、正常係数ベクトルと病変係数ベクトルとの間の距離のヒストグラムを示す図である。 図８は、診断支援装置の実行する処理のフローチャートである。 図９は、実施の形態２に係る診断支援装置の機能的な構成を示すブロック図である。 図１０は、類似症例検索サーバーによる類似症例データの検索方法の一例を説明するための図である。 図１１は、表示部による判定結果および類似症例データの表示例を示す図である。 図１２は、実施の形態３に係る診断支援装置の機能的な構成を示すブロック図である。 図１３は、実施の形態４に係る診断支援装置の機能的な構成を示すブロック図である。 図１４は、表示部による判定結果の表示例を示す図である。 図１５は、診断支援装置を実現するコンピュータシステムのハードウェア構成を示すブロック図である。 図１６は、本発明に係る診断支援装置の必須の構成要素を示す図である。
　（本発明の基礎となった知見）
　本発明者は、「背景技術」の欄において記載した、従来の装置に関し、以下の問題が生じることを見出した。
　医療業務は診断業務と治療業務の２つに大きく分かれる。
　診断業務は病名と病状の把握が目的であり、病名および病状に応じて治療方針が決定される。診断業務は問診または触診から始まり、病気の疑いがあれば画像診断でより詳細な検査が行われる。画像診断では放射線または超音波などを用いた非破壊検査により体内の状態を診る。また内視鏡などによって臓器表面が観察される。病名および病状を確定するには、病変部から検体を摘出して細胞レベルで状態観察を行う病理診断が行われる。摘出した検体は顕微鏡で観察できる厚みにスライスされ、標本が作製される。作製された標本は顕微鏡越しにデジタルカメラまたはスキャナで撮影され、デジタル画像として保存、参照される。
　以上のような医用画像がデジタル化されたことで、医用画像と、コンピュータによるデータ処理との整合性が高まり、医師や技師の診断業務をＩＴシステムで支援できる機会が増えてきた。ＣＡＤ（Ｃｏｍｐｕｔｅｒ　Ａｉｄｅｄ　Ｄｅｔｅｃｔｉｏｎ）はその一例であり、病変部の検出にコンピュータを活用する方法である。
　診断医は通常、病変部を含まない正常構造のみから成る医用画像を記憶している。検査対象の医用画像である検査画像が提示されると、診断医は正常構造の医用画像である正常構造画像を思い浮かべて検査画像との比較を行う。診断医は、正常構造画像との違いを発見すると、違う箇所が病変部であると判断する。コンピュータ処理において、２つのデータの差分を計算することは基本的な機能であり、正常構造画像と検査画像との比較から病変部を検出する画像診断は、コンピュータ処理が得意とするところである。
　しかし、差分計算を行うには正常構造画像と検査画像との位置合わせを行っておく必要がある。正常構造画像を作るには、通常、過去の医用画像が利用される。検査画像を診断医が確認した結果、病変部が見つからなければ、この画像は正常構造画像となる。患者が過去に撮影した検査画像に病変部が存在しなければ、この検査画像を正常構造画像として利用することができる。しかし、撮影条件の違いまたは体型の変化などの様々な要因から、同一患者であっても正常構造画像と検査画像との位置が食い違うことが通常である。また、検査画像を初めて撮影する場合には比較対象とする画像が存在せず、正常構造画像を得ることはできない。この場合には、他の患者の正常構造画像を利用することになるが、他の患者との体型の違いから正常構造画像と検査画像との位置合わせが必要になる。
　位置合わせは、具体的には、回転、平行移動、拡大・縮小などの幾何変換により実現される。例えば、正常構造画像と検査画像とにそれぞれ対応点を複数設定し、各画像の対応点が一致するように、一方の画像にアフィン変換と拡大・縮小処理とを施す。また、たとえば特許文献１および２が開示するように、局所領域ごとのテンプレートマッチングによる非線形変換方法、または大局的位置合わせと局所的位置合わせを組み合わせた変換方法により位置合わせが行われる。
　ところで、正常構造画像は過去に撮影され、病変がないことを確認した画像から作成される。その理由は、第一に、初めて撮影された患者の検査画像には比較対象となる医用画像が存在しないためであり、上述したとおりである。第二に、医学的知識は過去症例の積み上げで構築される傾向にあり、病変を含まない正常構造に関しても、過去症例から作成した方が、医学的利用価値が高くなる可能性が高いからである。医学的知識は、日進月歩で向上しており、過去症例の解釈が改善されることがしばしば起こる。ＩＴシステムに登録した医学的知識は、常に更新が必要であり、正常構造画像も例外ではない。
　そこで、複数の患者の正常構造画像を集めて、これらを網羅的に表現できるような汎用性の高い正常構造画像を作ることが望ましい。その具体的実現方法として、たとえば特許文献３が開示するように、正常構造画像を平均形状と固有形状の線形和で表現する。すなわち、正常構造を表わす形状ベクトルｘは以下の式１で表現される。
Figure JPOXMLDOC01-appb-M000001
　ここで、ｘａｖｅは平均形状ベクトル、Ｐｓは形状の固有ベクトル、ｂｓは形状係数のセットを表わす。
　式１を計算するには、平均形状ベクトルｘａｖｅと形状の固有ベクトルＰｓが必要であり、画像情報をベクトル化するために、図１に示すようなランドマークＭを画像上に設定する。図中の複数の黒点がランドマークＭである。ランドマークＭのｘｙ座標がベクトルの要素となり、画像情報がベクトル化される。検査画像Ｐ１、Ｐ２、Ｐ３に示すように、複数の正常構造画像で個別にランドマークを設定し、形状ベクトルを定義し、これらから平均ベクトルと固有ベクトルを算出する。なお、検査画像についても同様に式１で表すことができる。
　以上説明したベクトルを用いて、正常構造画像と検査画像の位置合わせを行い、正常構造画像と検査画像の差分から病変部を検出して、画像診断の支援を行う。
　しかしながら、従来の技術では、ランドマークの設定作業が煩雑であり、診断業務の効率低下につながる。また、ランドマークの設定方法を変えれば、ランドマークのｘｙ座標が変わりベクトル要素が変わるため、結果的に平均形状ベクトルおよび固有形状ベクトルがランドマークの設定方法の変更前と異なってくる。特許文献３は、ランドマークの設定方法について開示していないため、同じ手法を利用したとしても、ランドマークの設定方法の違いや、設定位置のばらつきで、様々な正常構造画像（正常構造を表す形状ベクトル）が生成されてしまう。医学的知見は過去症例からの蓄積で構築されており、ある一つの症例がランドマークの設定方法に応じて多様に定義されるのは再利用性の観点で課題がある。このように一つの症例が多様に定義されると、病変部の判定精度が低下するという課題がある。つまり、定義によって同じ検査画像が病変画像と判断されたり正常画像と判断されたりしてしまう。
　このような問題を解決するために、本発明の一態様に係る診断支援装置は、病変部の有無が未知である検査画像をシフト不変特徴量でベクトル記述する特徴量算出部と、前記検査画像の前記シフト不変特徴量を、病変部を含まない複数の正常構造画像のシフト不変特徴量を記述した複数のベクトルから算出される基底ベクトルに係数を乗じた線形和に変換する基底表現部と、前記検査画像の前記シフト不変特徴量の係数と、前記複数の正常構造画像に含まれる一の正常構造画像から算出されるシフト不変特徴量を前記基底ベクトルに係数を乗じた線形和に変換した際の係数との差が、判定閾値よりも大きい場合に、前記検査画像が病変部を含むと判定する病変判定部と、前記病変判定部による判定結果を出力する出力部とを備える。
　この構成によると、検査画像と正常構造画像との比較を、シフト不変特徴量を基底表現した際の係数間で行っている。このため、正常構造画像と検査画像の位置合わせを行うことなく、病変の有無を判定できる。位置合わせ工程が不要となることにより、ランドマークの設定方法の違いや設定位置のばらつきによる病変部の判定精度の低下が無くなり、病変部の判定精度が高い診断支援装置を提供することができる。
　例えば、前記特徴量算出部は、前記検査画像の着目画素から、複数のシフト不変特徴量を算出し、算出した各シフト不変特徴量をベクトルの要素とする検査画像特徴量ベクトルを算出し、前記基底表現部は、各々が正常構造の医用画像である複数の正常構造画像の各画素から算出される各シフト不変特徴量をベクトルの要素とする複数の画像特徴量ベクトルの基底ベクトルの線形和で、前記検査画像特徴量ベクトルを記述した際の係数を算出し、算出した前記係数をベクトルの要素とする検査係数ベクトルを算出し、前記診断支援装置は、さらに、前記画像特徴量ベクトルを前記基底ベクトルの線形和で記述した際の係数をベクトルの要素とする複数の正常係数ベクトルの中から、前記検査係数ベクトルに最も類似する正常係数ベクトルを最近傍ベクトルとして検出する最近傍ベクトル検出部を備え、前記病変判定部は、前記検査係数ベクトルと前記最近傍ベクトルとの間の距離と前記判定閾値とを比較し、前記距離が前記判定閾値より大きい場合には前記着目画素が病変部の画素であると判定し、前記距離が前記判定閾値より小さい場合には前記着目画素が正常部の画素であると判定してもよい。
　この構成によると、シフト不変特徴量を用い、検査画像と正常構造画像との比較を基底係数ベクトル間で行っている。このため、正常構造画像と検査画像の位置合わせを行うことなく、病変の有無を判定できる。位置合わせ工程が不要となることにより、ランドマークの設定方法の違いや設定位置のばらつきによる病変部の判定精度の低下が無くなり、病変部の判定精度が高い診断支援装置を提供することができる。
　また、前記シフト不変特徴量は、ウェーブレット係数、ＨＬＡＣ（Ｈｉｇｈｅｒ　ｏｒｄｅｒ　Ｌｏｃａｌ　ＡｕｔｏＣｏｒｒｅｌａｔｉｏｎ）特徴量、ＳＩＦＴ（Ｓｃａｌｅ－Ｉｎｖａｒｉａｎｔ　Ｆｅａｔｕｒｅ　Ｔｒａｎｓｆｏｒｍ）特徴量またはＨＯＧ（Ｈｉｓｔｏｇｒａｍｓ　ｏｆ　Ｏｒｉｅｎｔｅｄ　Ｇｒａｄｉｅｎｔｓ）特徴量を含んでいても良い。
　この構成によると、画素位置に依存せず画像情報をベクトル化でき、ランドマークなどを用いる位置合わせ工程が不要になる。
　また、前記医用画像は、放射線画像、超音波画像または病理標本画像を含んでいても良い。
　この構成によると、病名や病状の診断に必要なあらゆる医用画像が利用でき、診断支援の効率と質を向上できる。
　また、前記最近傍ベクトル検出部は、前記着目画素から所定距離範囲内に位置する前記複数の正常構造画像の画素に対応する複数の正常係数ベクトルの中から、前記検査係数ベクトルに最も類似する正常係数ベクトルを前記最近傍ベクトルとして検出しても良い。
　この構成によると、正常係数ベクトルの参照対象を制限することができるため、最近傍ベクトルの検出時間の短縮につながる。
　また、前記判定閾値は、病変部の画素から算出される各シフト不変特徴量をベクトルの要素とする病変画像特徴量ベクトルを、前記基底ベクトルの線形和で記述した際の係数をベクトルの要素とする病変係数ベクトルと、前記複数の正常係数ベクトルのうち前記病変係数ベクトルと最も類似するものとの間の距離の平均値または中央値であっても良い。
　この構成によると、過去の診断結果に裏付けされた医学的精度の高い判定ができる。
　また、前記病変判定部は、さらに、前記着目画素と、前記最近傍ベクトルの算出の基となった画素との間の距離が検出エラー閾値よりも大きい場合には、検出エラーと判定しても良い。
　上記距離が大きすぎる場合には、着目画素が含まれる臓器とは異なる臓器の画素から最近傍ベクトルが検出された可能性が高いため、正確な病変有無の判定を行うことができない。このため、検出エラー閾値を設けることにより、病変有無の判定精度を高めることができる。
　また、前記特徴量算出部は、前記検査画像の着目画素から、複数のシフト不変特徴量を算出し、算出した各シフト不変特徴量をベクトルの要素とする検査画像特徴量ベクトルを算出し、前記基底表現部は、各々が正常構造の医用画像である複数の正常構造画像の各画素から算出される各シフト不変特徴量をベクトルの要素とする複数の画像特徴量ベクトルの基底ベクトルの線形和で、前記検査画像特徴量ベクトルを記述した際の係数を算出し、算出した前記係数をベクトルの要素とする検査係数ベクトルを算出し、前記診断支援装置は、さらに、前記画像特徴量ベクトルを前記基底ベクトルの線形和で記述した際の係数をベクトルの要素とする複数の正常係数ベクトルの中から、前記検査係数ベクトルに最も類似するものから所定個数の正常係数ベクトルを検出する近傍ベクトル検出部を備え、前記病変判定部は、前記近傍ベクトル検出部が検出した前記所定個数の正常係数ベクトルの各々について、前記検査係数ベクトルと当該正常係数ベクトルとの間の距離と前記判定閾値とを比較し、前記距離が前記判定閾値より大きい場合には前記着目画素が病変部の画素であると判定し、前記距離が前記判定閾値より小さい場合には前記着目画素が正常部の画素であると判定してもよい。
　この構成によると、検査画像に最も類似する正常構造画像から得られる判定結果のみならず、２番目以降に類似する正常構造画像から得られる判定結果も出力することができる。
　なお、これらの包括的または具体的な態様は、システム、方法、集積回路、コンピュータプログラムまたはコンピュータ読み取り可能なＣＤ－ＲＯＭなどの記録媒体で実現されてもよく、システム、方法、集積回路、コンピュータプログラムまたは記録媒体の任意な組み合わせで実現されてもよい。
　以下、実施の形態について、図面を参照しながら具体的に説明する。
　なお、以下で説明する実施の形態は、いずれも包括的または具体的な例を示すものである。以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の配置位置及び接続形態、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。また、以下の実施の形態における構成要素のうち、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、任意の構成要素として説明される。
　（実施の形態１）
　本実施の形態では、対象の位置に依存しないシフト不変特徴量をベクトルの要素として、画像情報をベクトル表現することで、位置合わせのための対応点設定が不要である診断支援装置について説明する。
　図２は、本発明の実施の形態１に係る診断支援装置の機能的な構成を示すブロック図である。
　診断支援装置１００は、入力部１０１、特徴量算出部１０２、基底表現部１０３、最近傍ベクトル検出部１０４、正常係数ベクトル格納部１０５、病変判定部１０６、出力部１１１、表示部１０７を有し、正常構造画像と検査画像の異なる箇所である病変部を検出する。
　入力部１０１は、診断に必要となる医用画像である検査画像を受け付ける。本実施の形態では医用画像のタイプに制限を設けず、任意の医用画像を対象とする。たとえば、ＣＴ（Ｃｏｍｐｕｔｅｒ　Ｔｏｍｏｇｒａｐｈｙ）画像、ＭＲ（Ｍａｇｎｅｔｉｃ　Ｒｅｓｏｎａｎｃｅ）画像、ＰＥＴ（Ｐｏｓｉｔｒｏｎ　Ｅｍｉｓｓｉｏｎ　Ｔｏｍｏｇｒａｐｈｙ）画像、超音波画像、病理画像、放射線画像の一種である胸部単純Ｘ線画像などを対象とする。
　特徴量算出部１０２は、検査画像の着目画素から、複数のシフト不変特徴量を算出し、算出した各シフト不変特徴量をベクトルの要素とする検査画像特徴量ベクトルを算出する。つまり、特徴量算出部１０２は、シフト不変特徴量を使って検査画像の画像情報をベクトル化し、検査画像特徴量ベクトルｆｐを出力する。特徴量算出部１０２は、検査画像の画素ごとに検査画像特徴量ベクトルｆｐを出力する。
　ここで、画素値群からシフト不変特徴量を算出する方法を、ウェーブレット変換を例に取って説明する。図３は、ウェーブレット変換によるシフト不変特徴量の算出例を示す図である。特徴量算出部１０２は、ウェーブレット変換により、検査画像の、スケールｔの多重解像度表現を行う。スケール１では、隣接画素との輝度差が算出され、スケール２へ移行する際に複数画素での平滑化が施される。スケール２でも、隣接画素との輝度差が算出されるが、スケール２の各画素は、スケール１の複数画素が平滑化されたものであり、スケール２の方が低い周波数成分となる。したがって、スケール１からスケールｔ（ｔは２以上の整数）まで計算を進めることで、高周波成分から徐々に低周波数成分へ移行しながら、ウェーブレット係数Ｖ、Ｈ、Ｄが各スケールで算出される。特徴量算出部１０２は、画素ごとに、各ステージで算出されたウェーブレット係数Ｖ、Ｈ、Ｄと、スケールｔの画像から算出される輝度平均値Ｌと、からなる空間周波数ベクトルＦを生成する。つまり、空間周波数ベクトルＦの次元数は（３ｔ＋１）次元になる。
　ハール型のマザーウェーブレットを用いた場合、図４（ａ）に示すように、Ｖは処理対象の画素である着目画素３０の右隣接画素３１との輝度差分値、Ｈは着目画素３０の下隣接画素３２との輝度差分値、Ｄは右斜下隣接画素３３との輝度差分値、Ｌは着目画素３０、右隣接画素３１、下隣接画素３２、右斜下隣接画素３３からなる４つの画素の輝度平均値である。図４（ａ）はスケール１に相当し、図４（ｂ）はスケール２に相当する。スケール２の検査画像は、スケール１の検査画像の４つの画素の輝度平均値を１画素とする画像である。つまり、スケール２では、スケール１における４画素の輝度平均値である出力Ｌが輝度差分値の計算対象であるブロックの輝度値になる。スケール２における出力Ｖはブロック３４と右隣接ブロック３５との輝度差分値である。スケール２における出力Ｈはブロック３４と下隣接ブロック３６との輝度差分値である。スケール２における出力Ｄはブロック３４と右斜下隣接ブロック３７との輝度差分値である。また、スケール２における出力Ｌはブロック３４から右斜下隣接ブロック３７の４つのブロックの輝度平均値である。
　以上より、ウェーブレット変換を用いた場合、検査画像特徴量ベクトルｆｐは図３の空間周波数ベクトルＦとして算出される。
　なお、本実施の形態ではシフト不変特徴量として、ウェーブレット係数を用いるが、シフト不変特徴量はこれに限定されるものではなく、任意のシフト不変特徴量を用いることができる。たとえば、シフト不変特徴量として、ＳＩＦＴ特徴量、ＨＬＡＣ特徴量、またはＨＯＧ特徴量などを用いることができる。
　基底表現部１０３は、検査画像特徴量ベクトルｆｐを基底ベクトル表現に変換し、検査係数ベクトルαｐを出力する。つまり、基底表現部１０３は、複数の正常構造画像の各画素から算出される各シフト不変特徴量をベクトルの要素とする複数の画像特徴量ベクトルの基底ベクトルの線形和で、検査画像特徴量ベクトルｆｐを記述した際の係数を算出し、算出した係数をベクトルの要素とする検査係数ベクトルαｐを算出する。基底表現部１０３は、検査画像特徴量ベクトルｆｐを、以下の式２によって、検査係数ベクトルαｐへ変換する。
Figure JPOXMLDOC01-appb-M000002
　ここで、行列Ｂは後述する正常構造基底ベクトル行列、ベクトルｇは後述する正常構造平均ベクトルを表わす。式２は式１を形状係数のセットｂｓについて解いたものである。式１と式２の対応関係は以下のとおりである。
　　　　形状ベクトルｘ　⇔　検査画像特徴量ベクトルｆｐ
　　　　平均形状ベクトルｘａｖｅ　⇔　正常構造平均ベクトルｇ
　　　　形状の固有ベクトルＰｓ　⇔　正常構造基底ベクトル行列Ｂ
　　　　形状係数のセットｂｓ　⇔　検査係数ベクトルαｐ
　正常構造基底ベクトル行列Ｂと正常構造平均ベクトルｇは、図５に示すように、多数の正常構造画像から得られた画像特徴量ベクトルをもとに算出される。例えば、正常構造画像の幅がＷ、高さがＨとすると、１枚の正常構造画像から（Ｗ×Ｈ）本の画像特徴量ベクトルが算出される。正常構造画像の枚数をＱ枚とすると、Ｑ枚の正常構造画像から（Ｗ×Ｈ×Ｑ）本の画像特徴量ベクトルが得られる。画像特徴量ベクトルの次元数はｎ次元とする。
　正常構造平均ベクトルｇは、画像特徴量ベクトルの要素ごとに平均値を算出することで求められる。
　正常構造基底ベクトル行列Ｂは、主成分分析によって以下の式３の連立方程式の解である固有ベクトルｂ１、ｂ２、・・・、ｂｎとして算出される。
Figure JPOXMLDOC01-appb-M000003
　ここで、行列Ｓは分散共分散行列であり、以下の式４で与えられる。
Figure JPOXMLDOC01-appb-M000004
　ｓｉは画像特徴量ベクトルのｉ次元要素の分散である。上述したように、画像特徴量ベクトルは（Ｗ×Ｈ×Ｑ）本だけ得られ、よって、画像特徴量ベクトルのｉ次元要素は（Ｗ×Ｈ×Ｑ）個だけ存在する。ｓｉはその分散である。
　また、固有値λは以下の式５で与えられる。
Figure JPOXMLDOC01-appb-M000005
　固有値λはｎ個求められ、大きい値から順番にλ１、λ２、…、λｎとする。
　以上より、基底表現部１０３は、検査画像の画像特徴量ベクトル（検査画像特徴量ベクトルｆｐ）を基底表現に変換し、検査係数ベクトルαｐを生成する。これにより、検査画像と正常構造画像との比較が可能になる。基底表現部１０３の出力である検査係数ベクトルαｐは、最近傍ベクトル検出部１０４と病変判定部１０６へ入力され、正常構造画像との比較に用いられる。
　なお、式２の計算に必要となる正常構造基底ベクトル行列Ｂと正常構造平均ベクトルｇは、予め計算しておき、基底表現部１０３に格納しておく。異常所見が認められない画像が正常構造画像となるが、画像の一部に病変部があっても画像特徴量を算出する領域が病変部を含まなければ、正常構造基底ベクトル行列Ｂや正常構造平均ベクトルｇの算出のサンプルになり得る。図４の場合、ブロック３４から右斜下隣接ブロック３７が画像特徴量の算出に関与する。この４つのブロック内に病変部が含まれなければ、正常構造基底ベクトル行列Ｂおよび正常構造平均ベクトルｇの算出のサンプルになる。そこで、病変部を線で囲むことで、正常構造と病変部は分離できる。また、病変部を囲んだ線をまたがないように画像特徴量を求める領域を制御すれば、正常構造基底ベクトル行列Ｂおよび正常構造平均ベクトルｇを正しく算出できる。病変部を囲む線の入力方法は限定されるものではなく、たとえば医師が診断の際に、マウス等で線を引くようにしても大きな負担にならない。あるいは、所見に部位を表す医学用語が記載されている場合がある。医学用語と医用画像の位置関係を示すデータをあらかじめ用意しておけば、人手を介さずに病変部の位置を特定することができ、正常構造と病変部を分離することができる。
　さらに、「病変部である」と診断された過去症例を参照し、病変領域の画像特徴量ベクトルをあらかじめ計算する。前記病変領域の画像特徴量ベクトルと、正常構造を取得したい対象画像の画像特徴量ベクトルとの差が小さい場合は、病変部である可能性が高い。このため、２つのベクトル間の距離が所定の閾値よりも小さい場合は、対象画像を正常構造画像に加えない。
　最近傍ベクトル検出部１０４は、正常係数ベクトル格納部１０５に格納された正常係数ベクトルαの中から、検査係数ベクトルαｐに最も類似するものを検出する。正常係数ベクトルαは、正常構造画像の画像特徴量ベクトルを、当該画像特徴量ベクトルの基底ベクトルの線形和で記述した際の係数をベクトルの要素とする。
　正常係数ベクトルαは、以下の式６で算出する。
Figure JPOXMLDOC01-appb-M000006
　ここで、ベクトルｆは正常画像特徴量ベクトルである。正常画像特徴量ベクトルｆは、検査画像の代わりに正常構造画像を用いることにより、検査画像特徴量ベクトルｆｐと同様に計算される。式６の構成は式２と同一であり、式２における検査画像特徴量ベクトルｆｐの代わりに正常画像特徴量ベクトルｆを与えると、正常係数ベクトルαが算出される。
　正常係数ベクトル格納部１０５は、式６の計算結果である正常係数ベクトルαを正常構造画像の枚数分だけ格納している。
　最近傍ベクトル検出部１０４は、検査係数ベクトルαｐと各正常係数ベクトルαとの間の距離を計算し、最も距離が短い最近傍の正常係数ベクトルαを検出する。最近傍ベクトル検出部１０４は、最近傍の正常係数ベクトルαが検出されたら、これをベクトル間の距離とともに病変判定部１０６へ送る。
　病変判定部１０６は、検査画像の画素ごとに、検査係数ベクトルαｐと正常係数ベクトルαとの間の距離に基づいて、病変部の有り、無しを判定する。つまり、病変判定部１０６は、検査係数ベクトルαｐと正常係数ベクトルαとの間の距離と判定閾値とを比較する。病変判定部１０６は、算出した距離が判定閾値より大きい場合には、検査係数ベクトルαｐが算出された着目画素が病変部の画素であると判定し、距離が判定閾値より小さい場合には着目画素が正常部の画素であると判定する。なお、病変有無の判定閾値は過去症例から算出され、第１閾値データベース１０９に予め格納されている。
　図６は、病変有無の判定閾値の決定方法の一例を示す図である。判定閾値は、特徴量算出部１０２と、基底表現部１０３と、最近傍ベクトル検出部１０４と、正常係数ベクトル格納部１０５と、ベクトル距離算出部５０１と、検出エラー閾値算出部５０２とを備える判定閾値決定装置が決定する。
　まず、病変部の存在が確認された病変画像が過去症例から取得され、病名ごとに分類される。次に、特徴量算出部１０２が、たとえば、病名Ｄに分類された病変画像Ｉｄの画像座標ごと（画素ごと）に複数の画像特徴量を算出し、算出した各画像特徴量をベクトルの要素とする病変画像特徴量ベクトルｆｄ（ｆｄ，１～ｆｄ，ｎａ）を生成する。病変画像特徴量ベクトルｆｄは画素ごとに生成される。基底表現部１０３は、病変画像特徴量ベクトルｆｄを、式２のベクトルｆｐに代入し、ベクトルαｐに変換する。このベクトルαｐを病変係数ベクトルαｄとする。次に、最近傍ベクトル検出部１０４は、正常係数ベクトル格納部１０５に格納されている正常係数ベクトルαの中から、病変係数ベクトルαｄに最も類似する正常係数ベクトルαを検出する。例えば、病変係数ベクトルαｄとの間の距離が最も小さい正常係数ベクトルαが検出される。ベクトル距離算出部５０１は、検出された最近傍の正常係数ベクトルαと病変係数ベクトルαｄとの間の距離を算出し、算出した距離を病変有無の判定閾値とする。ただし、同一病名に分類される病変画像は多数存在するため、各病変部の各画素から算出される判定閾値の、平均値または中央値などを判定閾値とするのが妥当である。
　診断支援装置１００の病変判定部１０６は、検出エラーを防ぐために、さらに、検査係数ベクトルαｐおよび最近傍として検出された正常係数ベクトルαの各々について、算出の基となった画素の位置を確認する。図６に示すように、判定閾値決定装置の最近傍ベクトル検出部１０４は、最近傍の正常係数ベクトルαが検出された際、その画像座標を最近傍ベクトル画像座標として出力し、第１閾値データベース１０９に格納する。画像座標は、ＣＴ画像であれば、スライス位置を表すｚ座標とスライス面内の位置を表すｘ、ｙ座標から成る。胸部単純Ｘ線画像はスライスを行わないため、たとえばｚ座標を１に固定すればいい。
　本実施の形態では、シフト不変特徴量の一致をもって間接的に位置合わせを行っている。このため、複数の正常構造画像または検査画像を直接変形させて対応点が同じ画像座標となるような変形処理は行っていない。したがって、図１に示すように、正常構造画像や検査画像の対応点は異なる画像座標を有する場合がほとんどである。しかし、その画像座標の違いはある程度の大きさに収まるはずであり、大きくかけ離れた位置に対応点が存在することはない。たとえば、胸部単純Ｘ線画像の場合、撮影方法には一定のガイドラインがあり、その範囲の中で体の向きが少し異なる、という状況で撮影される。ＣＴおよびＭＲＩ（Ｍａｇｎｅｔｉｃ　Ｒｅｓｏｎａｎｃｅ　Ｉｍａｇｉｎｇ）では患者がベッドに横たわり、患者と撮影装置の位置関係が固定化される。このため、ＣＴ画像およびＭＲ画像は、胸部単純Ｘ線画像よりも撮影条件による画像座標の違いは小さくなる。一方、患者の体型は様々であるため、異なる患者間で正常構造画像と検査画像を比べた場合、対応点の画像座標は一致しない。しかし、肺と心臓の位置関係、または肺と肩甲骨の位置関係など、臓器および骨などの相対的位置関係は患者間で同一であり、対応点の画像座標が著しく異なることはない。
　以上の考え方から、病変判定部１０６は、検査係数ベクトルαｐの算出の基となった画素と最近傍として検出された正常係数ベクトルαの算出の基となった画素との間の距離が、あらかじめ設定した検出エラー閾値よりも大きい場合には、検出エラーと判定する。病変判定部１０６は、検出エラーと判定した場合に検出エラー通知信号１０８を最近傍ベクトル検出部１０４へ出力することにより、最近傍ベクトル検出部１０４に最近傍ベクトルの再検出を指示する。検出エラー通知信号１０８を受信した最近傍ベクトル検出部１０４は、他の最近傍ベクトルを検出する。
　検出エラーの基準になる検出エラー閾値は、第２閾値データベース１１０に格納されている。検出エラー閾値の決め方は限定されるものではないが、エラー閾値は、たとえば病名ごとに設定される。図６に示すように、過去症例から病変部の画像座標は入手できる。このため、検出エラー閾値算出部５０２は、病名Ｄの全データの画像座標の分布のうち、最も離れている２つの画像座標間の距離を算出し、これを検出エラー閾値とする。あるいは、検出エラー閾値算出部５０２は、画像座標の分布の重心から最も離れている画像座標との間の距離を検出エラー閾値とする。また、検出エラー閾値算出部５０２は、患者の各臓器の位置を大まかに画像座標（ｘ，ｙ，ｚ）に従い分類し、ある臓器から別の臓器までの距離を求めて、これをエラー検出閾値としてもいい。
　加えて、最近傍ベクトル検出部１０４は、最近傍ベクトルを検出する際に、処理対象の画素（対象画素）から所定距離範囲内に位置する画素に対応する複数の正常係数ベクトルαの中から、最近傍ベクトルを検出するようにしても良い。これにより、最近傍ベクトルの検出時間を短くすることができる。それと同時に検索エラーの発生を抑えることもできる。すなわち、最近傍ベクトルの参照範囲を限定することで、正常構造画像と検査画像の対応点の画像座標が臓器の大きさを超えるほど異ならないようにすることができる。このため、最近傍ベクトル検出部１０４は、検査係数ベクトルαｐの画像座標を中心に所定距離範囲内の画素の正常係数ベクトルαを参照すれば十分である。参照範囲の設定方法は限定されるものではないが、たとえば、第２閾値データベース１１０に格納されている検出エラー閾値の最大値を上記所定距離として参照範囲を設定しても良い。第２閾値データベース１１０には病名ごとに検出エラー閾値が格納されており、それらは病名ごとに大きさが異なる。しかし、検出エラー閾値の最大値を上記所定距離とすることであらゆる病名に対応することができる。このため、参照範囲の限定を行なっても病変部の見落としは発生しない。なお、臨床情報または既往症など、画像情報以外の患者情報から病変部検出に関する条件を絞り込むことができれば、病変部の検出時間をできるだけ短くするために、正常係数ベクトルαの参照範囲をさらに制限できる。
　図６では、病変画像を病名ごとに分類したが、病変画像に付随する所見などを利用して病状ごとに病変画像を分類することができれば、病状判定用の判定閾値を算出できる。たとえば、腫瘍の病変画像を良性腫瘍の病変画像と悪性腫瘍の病変画像に二分し、それぞれの病変画像について判定閾値を求める。この２つの判定閾値を用いて病変判定部１０６が判定を行うことにより、腫瘍が良性であるか、悪性であるかの病状判定ができる。
　なお、これまでの説明では、病変判定部１０６は、病変部が有るか、無いかを二択で判定したが、病変存在の可能性を示す値を算出することも可能である。図７は、病名Ｄに分類された正常係数ベクトルαと病変係数ベクトルαｄとの間の距離のヒストグラムを表す。距離の平均値および中央値ともに１．０となり、病変部の有無を二択で判定する場合は、判定閾値が１．０となる。頻度の下に括弧書きで記された百分率は累積頻度の全体に対する割合である。例えば、病変判定部１０６は、正常係数ベクトルαと病変係数ベクトルαｄとの間の距離が１．０であれば５７％の可能性で病変部が存在すると判定することができる。１．６は最大距離であり、病変判定部１０６は、距離が１．６であれば１００％病変部が存在すると判定することができる。
　出力部１１１は、病変判定部１０６による判定結果を出力する。
　表示部１０７は、ディスプレイ装置などにより構成され、出力部１１１より判定結果を受け、病変部が有りと判定された場合、病変部の画像座標の画素値を特定の色（たとえば赤や黄色など）で置き換えて、病変部の存在とその位置を画像として表示する。
　図８は、診断支援装置１００の実行する処理のフローチャートである。
　診断支援装置１００の処理に先立って、正常係数ベクトル格納部１０５に正常係数ベクトルαが格納される。つまり、複数の正常構造画像から取得したシフト不変特徴量ベクトル群から基底ベクトルが算出される。正常構造画像をこの基底ベクトルの線形和で記述した際の係数をベクトルの要素とする正常係数ベクトルαが作成される。作成された正常係数ベクトルαが正常係数ベクトル格納部１０５に格納される。
　ステップＳ７１において、入力部１０１は、検査画像を受け付ける。
　ステップＳ７２において、特徴量算出部１０２は、入力部１０１が受け付けた検査画像の画素ごとに、複数の画像特徴量を算出する。特徴量算出部１０２は、検査画像の画素ごとに、各画像特徴量をベクトルの要素とする検査画像特徴量ベクトルｆｐを作成し、基底表現部１０３に出力する。
　ステップＳ７３において、基底表現部１０３は、検査画像の画素ごとに、検査画像特徴量ベクトルｆｐを検査係数ベクトルαｐへ変換する。
　ステップＳ７４において、最近傍ベクトル検出部１０４は、正常係数ベクトル格納部１０５に格納された正常係数ベクトルαを参照して、検査画像の画素ごとに、検査係数ベクトルαｐに最も近い正常係数ベクトルαを検出する。
　ステップＳ７５において、病変判定部１０６は、検査画像の画素ごとに、検査係数ベクトルαｐと最近傍の正常係数ベクトルαとの間の距離を算出し、算出した距離と病変の有無を判断する判定閾値との比較を行う。
　検査係数ベクトルαｐと最近傍の正常係数ベクトルαとの間の距離が判定閾値より大きい場合は、ステップＳ７６へ進み、その処理対象画素については「病変部あり」と判定し、判手結果を出力部１１１に出力する。表示部１０７は、出力部１１１より判定結果を受け、処理対象画素の画素位置に画素値＝０（黒）を与えて、病変部を明示した差分画像を表示する。
　一方、検査係数ベクトルαｐと最近傍の正常係数ベクトルαとの間の距離が判定閾値以下の場合は、ステップＳ７７へ進み、その処理対象画素については「病変部なし」と判定し、判定結果を出力部１１１に出力する。表示部１０７は、出力部１１１より判定結果を受け、処理対象画素の画素位置に画素値＝１（白）を与えて差分画像を表示する。
　以上の構成により、診断支援装置１００は、正常構造画像と検査画像の違いから病変部を検出することができる。本実施の形態によると、シフト不変特徴量を利用することにより位置合わせ工程が不要となり、診断業務の効率と質が向上する。
　（実施の形態２）
　本実施の形態では、実施の形態１と同様に、画像情報のベクトル化をシフト不変特徴量を用いて実現し、位置合わせのための対応点設定が不要である診断支援装置について説明する。本実施の形態では、特に、類似症例検索サーバーと連携することで所見情報を参照し、病変部の類似症例を提示することができる診断支援装置について説明する。
　図９は、本発明の実施の形態２に係る診断支援装置８００の機能的な構成を示すブロック図である。なお、図２と同様の構成要素については同じ符号を付し、詳細な説明を繰り返さない。
　診断支援装置８００は、入力部１０１と、特徴量算出部１０２と、基底表現部１０３と、最近傍ベクトル検出部１０４と、正常係数ベクトル格納部１０５と、病変判定部８０１と、出力部８１１と、表示部８０２とを備える。
　病変判定部８０１は、実施の形態１の病変判定部１０６と同様に、検査画像の画素ごとに、検査係数ベクトルαｐと正常係数ベクトルαとの間の距離に基づいて、病変部の有り、無しを判定する。
　また、病変判定部８０１は、類似症例検索サーバー８０３に接続され、症例ＤＢ（データベース）部８０４に保存された診断済の症例データを類似症例検索サーバー８０３を介して参照する。過去の症例データは、医師が正式に下した診断結果である。診断支援装置８００は、医師または技師の診断を支援する位置付けにあり、診断の最終決定を行うことはない。過去の診断結果（過去症例データ）は診断支援装置８００から見れば「正解」であって、絶対的な参照情報である。一方、医師等も過去症例データを参照して新たな診断を下している。そこで、診断支援装置８００が病変の有無を提示するだけでなく、どのような病気であるかと、加えてその病状をも提示できれば、診断業務の効率と質が向上する。
　以上の考え方から、病変判定部８０１は、検査画像に病変ありと判定した場合には、類似症例検索サーバー８０３を介して症例ＤＢ部８０４を参照し、病変に類似する過去症例データを検出する。
　出力部８１１は、病変判定部８０１による判定結果と、病変判定部８０１が検出した過去症例データとを出力する。
　表示部８０２は、ディスプレイ装置などにより構成され、出力部８１１より判定結果と類似症例データとを受け、実施の形態１の表示部１０７と同様に、病変部の存在とその位置を画像として表示する。加えて、表示部８０２は、この病変部に類似する過去症例データを同時に表示する。
　図１０は、類似症例検索サーバー８０３による類似症例データの検索方法の一例を説明するための図である。
　病変判定部８０１は、検査画像９０２と正常構造画像９０３の違いを判定する。判定した結果は、差分画像９０１として表現される。ここで、差分画像９０１は、病変部を画素値＝０（黒）で、正常部を画素値＝１（白）で示した画像である。病変部９０４を拡大すると、分布パターン９０５が得られる。分布パターン９０５は、病変部の画素と、正常部の画素とから構成される。病変判定部８０１による病変部か否かの判定は画素単位で実行されるが、その結果を画像全体でまとめて見ると、複数の画素からなるパターンと捉えることができる。病名または病状の判断と分布パターン９０５との間には相関関係がある可能性が高い。このため、類似症例検索サーバー８０３は、分布パターン９０５を手がかりに、症例ＤＢ部８０４の中から、類似する分布パターン９０５を含む類似症例データを抽出することができる。
　図１０の場合、類似症例検索サーバー８０３は、症例ＤＢ部８０４に記憶されている症例データの中から、分布パターン９０５に最も類似する分布パターン９０６を含む画像９０７と、その画像９０７に付随する病名、病状、所見および臨床データなどを検出する。例えば、画像９０７に付随する病名はＡであり、病状はＸである。
　図１１は、表示部８０２による判定結果および類似症例データの表示例を示す図である。表示部８０２は、画像１２０１と、画像１２０３と、病名・病状１２０４と、所見１２０５とを表示する。画像１２０１は、検査画像９０２の病変部を線１２０２で囲んだ画像である。画像１２０３は、類似症例検索サーバー８０３が検出した、図１０に示した画像９０７と同じである。なお、症例ＤＢ部８０４には、画像１２０３のような症例画像が病名および病状ごとに格納されており、この分類に従って、病名はＡであり、病状はＸであることが表示される。各症例データには所見も付属しており、画像１２０３に対する所見１２０５が表示される。
　なお、本実施の形態では、分布パターン同士が類似しているか否かの判断方法および類似する分布パターンの探索方法については限定しない。例えば、分布パターン同士でパターンマッチングを行うことにより、分布パターン同士が類似しているか否かを判断すると共に類似する分布パターンの画像上での位置を特定しても良い。また、パターンマッチングの代わりに、分布パターンから画像特徴量を算出し、分布パターン同士で画像特徴量を比較するようにしても良い。
　以上の構成により、診断支援装置８００は、正常構造画像と検査画像の違いから病変部を検出することができる。本実施の形態によると、過去症例データを参照することにより、病変部と類似する症例データをユーザに提示することができる。このため、医師による病名および病状診断の業務効率および質を向上することができる。
　（実施の形態３）
　本実施の形態では、実施の形態１および２と同様に、画像情報のベクトル化、をシフト不変特徴量を用いて実現し、位置合わせのための対応点設定が不要である診断支援装置について説明する。本実施の形態では、特に、入力装置、表示装置、電子カルテサーバーおよび診断支援サーバーを同一箇所に設置する必要がない。
　図１２は、本発明の実施の形態３に係る診断支援装置１０００の機能的な構成を示すブロック図である。なお、図２または図９と同様の構成要素については同じ符号を付し、詳細な説明を繰り返さない。
　診断支援装置１０００は、特徴量算出部１０２と、基底表現部１００４と、最近傍ベクトル検出部１０４と、正常係数ベクトル格納部１０５と、病変判定部８０１と、出力部８１１とを含む。
　診断支援装置１０００の特徴量算出部１０２は、ネットワークを介して入力装置１００１から検査画像を取得する。また、病変判定部８０１と基底表現部１００４は電子カルテサーバー１００２とネットワークを介して接続され、電子カルテサーバー１００２の症例ＤＢ部１００３に格納されている過去症例データを参照する。病変判定部８０１の出力である検査画像と正常構造画像との差分画像および類似症例データは、ネットワークを介して表示装置１００５へ送られる。
　入力装置１００１、電子カルテサーバー１００２、または表示装置１００５は、標準的なインターフェース（たとえば、ＤＩＣＯＭ（Ｄｉｇｉｔａｌ　Ｉｍａｇｉｎｇ　ａｎｄ　ＣＯｍｍｕｎｉｃａｔｉｏｎ　ｉｎ　Ｍｅｄｉｃｉｎｅ）やＨＬ７（Ｈｅａｌｔｈ　Ｌｅｖｅｌ　Ｓｅｖｅｎ）など）を介して、診断支援装置１０００と接続されている。これにより、診断支援装置１０００は、様々なモダリティから検査画像を受け付け、過去症例データを参照することにより、病変を検出することができる。これにより、診断支援装置１０００は、医師または技師による病変の検出を支援することができる。
　基底表現部１００４は、症例ＤＢ部１００３から正常構造画像を取得する。画像検査は病院内で毎日実施されるため、正常構造画像は毎日追加される。より多くの正常構造画像を取得して正常構造基底ベクトル行列Ｂと正常構造平均ベクトルｇを作成することにより、様々な体型、または撮影条件の違いに対応することができる。これにより、診断支援装置１０００の利用価値を高めることができる。このため、正常構造基底ベクトル行列Ｂと正常構造平均ベクトルｇは随時更新を行うことが望ましい。病変判定部８０１も電子カルテサーバー１００２とつなぐことで、症例ＤＢ部１００３の症例データ更新を反映でき、最新の症例データを含めた過去症例データの中から類似症例データを検出することができる。このため、診断支援装置１０００は、より的確な診断支援を実行することができる。
　以上の構成により、診断支援装置１０００は、入力装置１００１、表示装置１００５、電子カルテサーバー１００２、および診断支援サーバーを同一箇所に設置することなく、診断支援を行うことができる。そこで、たとえば、技師が検査画像を撮像し、遠隔地にいる画像診断医が表示装置１００５に表示された病変部の画像および病変部に類似する過去症例データを見ながら、診断を行うことができる。
　（実施の形態４）
　本実施の形態では、実施の形態１～３と同様に、画像情報のベクトル化を、シフト不変特徴量を用いて実現し、位置合わせのための対応点設定が不要である診断支援装置について説明する。本実施の形態では、特に、病変部である可能性を複数の提示方法で示し、より多面的な診断支援が可能である。
　図１３は、本発明の実施の形態４に係る診断支援装置の機能的な構成を示すブロック図である。なお、図２と同様の構成要素については同じ符号を付し、詳細な説明を繰り返さない。
　診断支援装置１３００は、入力部１０１と、特徴量算出部１０２と、基底表現部１０３と、近傍ベクトル検出部１３０１と、正常係数ベクトル格納部１０５と、病変判定部１３０２と、出力部１３０３と、表示部１０７とを含む。
　近傍ベクトル検出部１３０１は、正常係数ベクトル格納部１０５に格納された正常係数ベクトルαの中から、検査係数ベクトルαｐに類似するものを複数検出する。たとえば、検査係数ベクトルαｐとの間の距離が短いものから順に３本の正常係数ベクトルαを検出する。
　病変判定部１３０２は、近傍ベクトル検出部１３０１が検出した複数（例えば、３本）の正常係数ベクトルαを受け取り、正常係数ベクトルαごとに、検査係数ベクトルαｐと正常係数ベクトルαとの間の距離と判定閾値とを比較する。病変判定部１３０２は、比較結果に基づいて、実施の形態１の病変判定部１０６と同様に、検査係数ベクトルαｐが算出された着目画素が病変部の画素であるか否かを判定する。
　出力部１３０３は、病変判定部１０６による判定結果を、正常係数ベクトルαごとに分類して、表示部１０７に出力する。
　図１４は、表示部１０７に表示された判定結果の一例を示す図である。図１４に示すように、表示部１０７には、複数（例えば、３種類）の判定結果が表示される。例えば、検査画像である画像１２０３に対応する判定結果を示す画像１４０１～１４０３が表示される。画像１２０３と画像１４０１～１４０３とは同じ検査画像であるが、画像１４０１～１４０３には、病変部１４０４～１４０６が線で囲われて示されている。つまり、画像１４０１には、検査係数ベクトルαｐと検査係数ベクトルαｐに最も近い正常係数ベクトルαとの間の距離に基づいて判定された病変部１４０４が示されている。また、画像１４０２には、検査係数ベクトルαｐと検査係数ベクトルαｐに２番目に近い正常係数ベクトルαとの間の距離に基づいて判定された病変部１４０５が示されている。さらに、画像１４０３には、検査係数ベクトルαｐと検査係数ベクトルαｐに３番目に近い正常係数ベクトルαとの間の距離に基づいて判定された病変部１４０６が示されている。検査係数ベクトルαｐと正常係数ベクトルαとの間の距離が大きくなるほど病変部と判定される可能性が高くなる。このため、画像１４０１から画像１４０３の中で、画像１４０３の病変部１４０６の面積が最も広い。つまり、画像１４０３では、画像１４０１または画像１４０２に比べて緩く病変部が検出されていることに相当する。逆に、画像１４０１では、画像１４０２または画像１４０３に比べて厳しく病変部が検出されていることに相当する。
　病気や病状の医学的解釈は、日進月歩で進んでいる。特に、複数の医師および技師が参加して開催されるカンファレンスは、日々増える症例を元に、新たな診断方法や診断基準に関して議論が成される場となっている。このような検討を行う場において、図１４に示すような複数の病変判定基準に基づく判定結果を示すことは、新たな解釈を得るために貴重なデータとなる。
　以上説明したように、上述の実施の形態１～４によると、画像情報のベクトル化をシフト不変特徴量で実現するため、位置合わせのための対応点設定が不要である。したがって、正常構造画像を安定に、効率良く作成できる。また、画像診断医の記憶に基づいた正常構造画像と検査画像の比較がデータ化され、画像診断医の診断を客観的に支援できる。また、診断結果はインフォームド・コンセントや医療教育、基礎医学など、様々な場面で活用できる。
　また、効率よく、かつ正確に病変部を検出することができる。画像診断医は、日々更新される過去症例データを参考にしながら新しい検査を行うため、計算機による病変検出は画像診断医の作業効率を高め、医療ワークフローを円滑にまわすことができる。病名および病状の確定は治療方針の決定に大きな影響を与えるため、診断支援装置による診断支援は医療全体の効率化、質的向上に貢献できる。
　以上、本発明の実施の形態に係る診断支援装置について説明したが、本発明は、これらの実施の形態に限定されるものではない。
　例えば、診断支援装置は、コンピュータにより実現することも可能である。
　図１５は、診断支援装置１００を実現するコンピュータシステムのハードウェア構成を示すブロック図である。診断支援装置８００および診断支援装置１０００も診断支援装置１００と同様にコンピュータシステムにより実現可能である。
　診断支援装置１００は、コンピュータ６０と、コンピュータ６０に指示を与えるためのキーボード６６およびマウス３８と、コンピュータ６０の演算結果等の情報を提示するためのディスプレイ６２と、コンピュータ６０で実行されるプログラムを読み取るためのＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ　Ｄｉｓｃ－Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）装置４０および通信モデム（図示せず）とを含む。
　診断支援装置１００が行う処理であるプログラムは、コンピュータで読取可能な記録媒体であるＣＤ－ＲＯＭ４２に記憶され、ＣＤ－ＲＯＭ装置４０で読み取られる。または、コンピュータネットワークを通じて通信モデム５２で読み取られる。
　コンピュータ６０は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）４４と、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）４６と、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）４８と、ハードディスク５０と、通信モデム５２と、バス５４とを含む。
　ＣＰＵ４４は、ＣＤ－ＲＯＭ装置４０または通信モデム５２を介して読み取られたプログラムを実行する。ＲＯＭ４６は、コンピュータ６０の動作に必要なプログラムやデータを記憶する。ＲＡＭ４８は、プログラム実行時のパラメータなどのデータを記憶する。ハードディスク５０は、プログラムやデータなどを記憶する。通信モデム５２は、コンピュータネットワークを介して他のコンピュータとの通信を行う。バス５４は、ＣＰＵ４４、ＲＯＭ４６、ＲＡＭ４８、ハードディスク５０、通信モデム５２、ディスプレイ６２、キーボード６６、マウス３８およびＣＤ－ＲＯＭ装置４０を相互に接続する。
　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み取り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、上記実施の形態および上記変形例をそれぞれ組み合わせるとしても良い。
　なお、本発明に係る診断支援装置の必須の構成要素は、図１６に示すように、特徴量算出部１０２と、基底表現部１０３と、病変判定部１０６と、出力部１１１とである。各構成要素は、実施の形態１で説明したとおりである。これら以外の構成要素は備えられているのが望ましいが、本発明を実現する上では必ずしも必要はない。
　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およ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、医用画像から病変部を特定することにより、医師による画像診断を支援する診断支援装置等に適用可能である。
３０　着目画素
３１　右隣接画素
３２　下隣接画素
３３　右斜下隣接画素
３４　ブロック
３５　右隣接ブロック
３６　下隣接ブロック
３７　右斜下隣接ブロック
３８　マウス
４０　ＣＤ－ＲＯＭ装置
４２　ＣＤ－ＲＯＭ
４４　ＣＰＵ
４６　ＲＯＭ
４８　ＲＡＭ
５０　ハードディスク
５２　通信モデム
５４　バス
６０　コンピュータ
６２　ディスプレイ
６６　キーボード
１００、８００、１３００　診断支援装置
１０１　入力部
１０２　特徴量算出部
１０３、１００４　基底表現部
１０４　最近傍ベクトル検出部
１０５　正常係数ベクトル格納部
１０６、８０１、１３０２　病変判定部
１０７、８０２　表示部
１０８　検出エラー通知信号
１０９　第１閾値データベース
１１０　第２閾値データベース
１１１、８１１、１３０３　出力部
５０１　ベクトル距離算出部
５０２　検出エラー閾値算出部
８０３　類似症例検索サーバー
８０４、１００３　症例ＤＢ部
９０１　差分画像
９０２　検査画像
９０３　正常構造画像
９０４、１２０２、１４０４～１４０６　病変部
９０５、９０６　分布パターン
９０７、１２０１、１２０３、１４０１～１４０３　画像
１００１　入力装置
１００２　電子カルテサーバー
１００５　表示装置
１２０４　病名・病状
１２０５　所見
１３０１　近傍ベクトル検出部

Claims (10)

  1. 　病変部の有無が未知である検査画像をシフト不変特徴量でベクトル記述する特徴量算出部と、
    　前記検査画像の前記シフト不変特徴量を、病変部を含まない複数の正常構造画像のシフト不変特徴量を記述した複数のベクトルから算出される基底ベクトルに係数を乗じた線形和に変換する基底表現部と、
    　前記検査画像の前記シフト不変特徴量の係数と、前記複数の正常構造画像に含まれる一の正常構造画像から算出されるシフト不変特徴量を前記基底ベクトルに係数を乗じた線形和に変換した際の係数との差が、判定閾値よりも大きい場合に、前記検査画像が病変部を含むと判定する病変判定部と、
    　前記病変判定部による判定結果を出力する出力部と
    　を備える診断支援装置。
  2. 　前記特徴量算出部は、前記検査画像の着目画素から、複数のシフト不変特徴量を算出し、算出した各シフト不変特徴量をベクトルの要素とする検査画像特徴量ベクトルを算出し、
    　前記基底表現部は、各々が正常構造の医用画像である複数の正常構造画像の各画素から算出される各シフト不変特徴量をベクトルの要素とする複数の画像特徴量ベクトルの基底ベクトルの線形和で、前記検査画像特徴量ベクトルを記述した際の係数を算出し、算出した前記係数をベクトルの要素とする検査係数ベクトルを算出し、
    　前記診断支援装置は、さらに、前記画像特徴量ベクトルを前記基底ベクトルの線形和で記述した際の係数をベクトルの要素とする複数の正常係数ベクトルの中から、前記検査係数ベクトルに最も類似する正常係数ベクトルを最近傍ベクトルとして検出する最近傍ベクトル検出部を備え、
    　前記病変判定部は、前記検査係数ベクトルと前記最近傍ベクトルとの間の距離と前記判定閾値とを比較し、前記距離が前記判定閾値より大きい場合には前記着目画素が病変部の画素であると判定し、前記距離が前記判定閾値より小さい場合には前記着目画素が正常部の画素であると判定する
    　請求項１記載の診断支援装置。
  3. 　前記シフト不変特徴量は、ウェーブレット係数、ＨＬＡＣ特徴量、ＳＩＦＴ特徴量またはＨＯＧ特徴量を含む
    　請求項２記載の診断支援装置。
  4. 　前記医用画像は、放射線画像、超音波画像または病理標本画像を含む
    　請求項２または３に記載の診断支援装置。
  5. 　前記最近傍ベクトル検出部は、前記着目画素から所定距離範囲内に位置する前記複数の正常構造画像の画素に対応する複数の正常係数ベクトルの中から、前記検査係数ベクトルに最も類似する正常係数ベクトルを前記最近傍ベクトルとして検出する
    　請求項２～４のいずれか１項に記載の診断支援装置。
  6. 　前記判定閾値は、病変部の画素から算出される各シフト不変特徴量をベクトルの要素とする病変画像特徴量ベクトルを、前記基底ベクトルの線形和で記述した際の係数をベクトルの要素とする病変係数ベクトルと、前記複数の正常係数ベクトルのうち前記病変係数ベクトルと最も類似するものとの間の距離の平均値または中央値である
    　請求項２～５のいずれか１項に記載の診断支援装置。
  7. 　前記病変判定部は、さらに、前記着目画素と、前記最近傍ベクトルの算出の基となった画素との間の距離が検出エラー閾値よりも大きい場合には、検出エラーと判定する
    　請求項２～６のいずれか１項に記載の診断支援装置。
  8. 　前記特徴量算出部は、前記検査画像の着目画素から、複数のシフト不変特徴量を算出し、算出した各シフト不変特徴量をベクトルの要素とする検査画像特徴量ベクトルを算出し、
    　前記基底表現部は、各々が正常構造の医用画像である複数の正常構造画像の各画素から算出される各シフト不変特徴量をベクトルの要素とする複数の画像特徴量ベクトルの基底ベクトルの線形和で、前記検査画像特徴量ベクトルを記述した際の係数を算出し、算出した前記係数をベクトルの要素とする検査係数ベクトルを算出し、
    　前記診断支援装置は、さらに、前記画像特徴量ベクトルを前記基底ベクトルの線形和で記述した際の係数をベクトルの要素とする複数の正常係数ベクトルの中から、前記検査係数ベクトルに最も類似するものから所定個数の正常係数ベクトルを検出する近傍ベクトル検出部を備え、
    　前記病変判定部は、前記近傍ベクトル検出部が検出した前記所定個数の正常係数ベクトルの各々について、前記検査係数ベクトルと当該正常係数ベクトルとの間の距離と前記判定閾値とを比較し、前記距離が前記判定閾値より大きい場合には前記着目画素が病変部の画素であると判定し、前記距離が前記判定閾値より小さい場合には前記着目画素が正常部の画素であると判定する
    　請求項１記載の診断支援装置。
  9. 　病変部の有無が未知である検査画像をシフト不変特徴量でベクトル記述し、
    　前記検査画像の前記シフト不変特徴量を、病変部を含まない複数の正常構造画像のシフト不変特徴量を記述した複数のベクトルから算出される基底ベクトルに係数を乗じた線形和に変換し、
    　前記検査画像の前記シフト不変特徴量の係数と、前記複数の正常構造画像に含まれる一の正常構造画像から算出されるシフト不変特徴量を前記基底ベクトルに係数を乗じた線形和に変換した際の係数との差が、判定閾値よりも大きい場合に、前記検査画像が病変部を含むと判定し、
    　前記病変部の判定結果を出力する
    　診断支援方法。
  10. 　請求項９に記載の診断支援方法をコンピュータに実行させるためのプログラム。
PCT/JP2012/007163 2011-11-24 2012-11-08 診断支援装置および診断支援方法 WO2013076927A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2013545773A JP5607839B2 (ja) 2011-11-24 2012-11-08 診断支援装置および診断支援方法
US14/066,770 US9330455B2 (en) 2011-11-24 2013-10-30 Diagnostic support apparatus and diagnostic support method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2011-256834 2011-11-24
JP2011256834 2011-11-24

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US14/066,770 Continuation US9330455B2 (en) 2011-11-24 2013-10-30 Diagnostic support apparatus and diagnostic support method

Publications (1)

Publication Number Publication Date
WO2013076927A1 true WO2013076927A1 (ja) 2013-05-30

Family

ID=48469397

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2012/007163 WO2013076927A1 (ja) 2011-11-24 2012-11-08 診断支援装置および診断支援方法

Country Status (3)

Country Link
US (1) US9330455B2 (ja)
JP (1) JP5607839B2 (ja)
WO (1) WO2013076927A1 (ja)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016152242A1 (ja) * 2015-03-25 2016-09-29 株式会社日立ハイテクノロジーズ 細胞診断支援装置、細胞診断支援方法、遠隔診断支援システム、サービス提供システム、及び画像処理方法
JP2017099907A (ja) * 2017-01-11 2017-06-08 キヤノン株式会社 診断支援装置および診断支援方法
WO2018163633A1 (ja) * 2017-03-10 2018-09-13 富士通株式会社 類似症例画像検索プログラム、類似症例画像検索装置及び類似症例画像検索方法
JP2018175226A (ja) * 2017-04-10 2018-11-15 富士フイルム株式会社 医用画像分類装置、方法およびプログラム
JP2019063353A (ja) * 2017-10-03 2019-04-25 富士通株式会社 プログラム、情報処理方法及び情報処理装置
KR101952887B1 (ko) * 2018-07-27 2019-06-11 김예현 해부학적 랜드마크의 예측 방법 및 이를 이용한 디바이스

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013076930A1 (ja) * 2011-11-25 2013-05-30 パナソニック株式会社 医用画像圧縮装置、医用画像圧縮方法、及び予測知識データベース作成装置
TWI524878B (zh) * 2014-09-16 2016-03-11 國立臺灣大學 疾病檢測方法及穿戴式裝置
JP6074455B2 (ja) * 2015-05-14 2017-02-01 キヤノン株式会社 診断支援装置、診断支援装置の制御方法、プログラム、及び診断支援システム
JP6675099B2 (ja) * 2015-09-30 2020-04-01 パナソニックＩｐマネジメント株式会社 制御方法及びプログラム
KR20170096088A (ko) * 2016-02-15 2017-08-23 삼성전자주식회사 영상처리장치, 영상처리방법 및 이를 기록한 기록매체
US20220245649A1 (en) * 2019-06-19 2022-08-04 Koninklijke Philips N.V. Role-specific process compliance alert system
JP7461221B2 (ja) * 2020-05-25 2024-04-03 富士フイルムヘルスケア株式会社 医用画像処理装置、および、医用撮像装置
CN116342859B (zh) * 2023-05-30 2023-08-18 安徽医科大学第一附属医院 一种基于影像学特征识别肺部肿瘤区域的方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006325937A (ja) * 2005-05-26 2006-12-07 Fujifilm Holdings Corp 画像判定装置、画像判定方法およびそのプログラム
JP2008282391A (ja) * 2007-04-11 2008-11-20 Canon Inc パターン識別装置及びその制御方法、異常パターン検出装置及びその制御方法、プログラム、記憶媒体
US20100142786A1 (en) * 2007-05-17 2010-06-10 Yeda Research & Development Co. Ltd. Method and apparatus for computer-aided diagnosis of cancer and product
US20100189320A1 (en) * 2007-06-19 2010-07-29 Agfa Healthcare N.V. Method of Segmenting Anatomic Entities in 3D Digital Medical Images
JP2011014152A (ja) * 2010-08-23 2011-01-20 National Institute Of Advanced Industrial Science & Technology 異常領域検出装置および異常領域検出方法

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10014A (en) * 1853-09-13 Island
US10018A (en) * 1853-09-13 Richard h
US5343390A (en) * 1992-02-28 1994-08-30 Arch Development Corporation Method and system for automated selection of regions of interest and detection of septal lines in digital chest radiographs
US5359513A (en) 1992-11-25 1994-10-25 Arch Development Corporation Method and system for detection of interval change in temporally sequential chest images
US5491627A (en) * 1993-05-13 1996-02-13 Arch Development Corporation Method and system for the detection of microcalcifications in digital mammograms
JPH07335721A (ja) 1994-06-13 1995-12-22 Mitsubishi Electric Corp アライメントマークを有する半導体装置
US5627907A (en) * 1994-12-01 1997-05-06 University Of Pittsburgh Computerized detection of masses and microcalcifications in digital mammograms
US6192150B1 (en) * 1998-11-16 2001-02-20 National University Of Singapore Invariant texture matching method for image retrieval
JP4294881B2 (ja) 2000-05-12 2009-07-15 富士フイルム株式会社 画像の位置合わせ方法および装置
JP2004041694A (ja) 2002-05-13 2004-02-12 Fuji Photo Film Co Ltd 画像生成装置およびプログラム、画像選択装置、画像出力装置、画像提供サービスシステム
US20100266179A1 (en) * 2005-05-25 2010-10-21 Ramsay Thomas E System and method for texture visualization and image analysis to differentiate between malignant and benign lesions
US8005319B2 (en) * 2007-09-24 2011-08-23 Arcsoft, Inc. Method for digitally magnifying images
US8164039B2 (en) * 2008-04-30 2012-04-24 Board Of Regents, The University Of Texas System Method and apparatus for detecting spiculated masses in mammography
WO2009148731A1 (en) * 2008-06-02 2009-12-10 Massachusetts Institute Of Technology Fast pattern classification based on a sparse transform
JP5284863B2 (ja) * 2009-04-30 2013-09-11 独立行政法人理化学研究所 画像処理装置、画像処理方法およびプログラム
JP5363927B2 (ja) * 2009-09-07 2013-12-11 株式会社日立製作所 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
US8885898B2 (en) * 2010-10-07 2014-11-11 Siemens Medical Solutions Usa, Inc. Matching of regions of interest across multiple views
US9152877B2 (en) * 2010-11-24 2015-10-06 Indian Statistical Institute Rough wavelet granular space and classification of multispectral remote sensing image
WO2012154216A1 (en) * 2011-05-06 2012-11-15 Sti Medical Systems, Llc Diagnosis support system providing guidance to a user by automated retrieval of similar cancer images with user feedback
TWI458464B (zh) * 2012-02-01 2014-11-01 Nat Univ Tsing Hua 可早期偵測及辨識肺炎種類之呼吸器、其氣體辨識晶片、及其氣體辨識方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006325937A (ja) * 2005-05-26 2006-12-07 Fujifilm Holdings Corp 画像判定装置、画像判定方法およびそのプログラム
JP2008282391A (ja) * 2007-04-11 2008-11-20 Canon Inc パターン識別装置及びその制御方法、異常パターン検出装置及びその制御方法、プログラム、記憶媒体
US20100142786A1 (en) * 2007-05-17 2010-06-10 Yeda Research & Development Co. Ltd. Method and apparatus for computer-aided diagnosis of cancer and product
US20100189320A1 (en) * 2007-06-19 2010-07-29 Agfa Healthcare N.V. Method of Segmenting Anatomic Entities in 3D Digital Medical Images
JP2011014152A (ja) * 2010-08-23 2011-01-20 National Institute Of Advanced Industrial Science & Technology 異常領域検出装置および異常領域検出方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BRAM VAN GINNEKEN ET AL.: "Automatic Detection of Abnormalities in Chest Radiographs Using Local Texture Analysis", IEEE TRANSACTIONS ON MEDICAL IMAGING, vol. 21, no. 2, February 2002 (2002-02-01), pages 139 - 149, XP011036202 *
HISANAGA FUJIWARA ET AL.: "Textile Surface Inspection by Using Translation Invariant Wavelet Shrinkage", THE TRANSACTIONS OF THE INSTITUTE OF ELECTRICAL ENGINEERS OF JAPAN D, vol. 126, no. L, 1 January 2006 (2006-01-01), pages 25 - 34 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10453192B2 (en) 2015-03-25 2019-10-22 Hitachi High-Technologies Corporation Cytologic diagnosis support apparatus, cytologic diagnosis support method, remote diagnosis support system, service providing system, and image processing method
JP2016184224A (ja) * 2015-03-25 2016-10-20 株式会社日立ハイテクノロジーズ 細胞診断支援装置、細胞診断支援方法、遠隔診断支援システム、サービス提供システム、及び画像処理方法
CN107430757A (zh) * 2015-03-25 2017-12-01 株式会社日立高新技术 细胞诊断支援装置、细胞诊断支援方法、远程诊断支援系统、服务提供系统及图像处理方法
WO2016152242A1 (ja) * 2015-03-25 2016-09-29 株式会社日立ハイテクノロジーズ 細胞診断支援装置、細胞診断支援方法、遠隔診断支援システム、サービス提供システム、及び画像処理方法
JP2017099907A (ja) * 2017-01-11 2017-06-08 キヤノン株式会社 診断支援装置および診断支援方法
WO2018163633A1 (ja) * 2017-03-10 2018-09-13 富士通株式会社 類似症例画像検索プログラム、類似症例画像検索装置及び類似症例画像検索方法
JP2018151791A (ja) * 2017-03-10 2018-09-27 富士通株式会社 類似症例画像検索プログラム、類似症例画像検索装置及び類似症例画像検索方法
US10964020B2 (en) 2017-03-10 2021-03-30 Fujitsu Limited Similar case image search program, similar case image search apparatus, and similar case image search method
CN109716445A (zh) * 2017-03-10 2019-05-03 富士通株式会社 类似病例图像检索程序、类似病例图像检索装置以及类似病例图像检索方法
JP2018175226A (ja) * 2017-04-10 2018-11-15 富士フイルム株式会社 医用画像分類装置、方法およびプログラム
JP2019063353A (ja) * 2017-10-03 2019-04-25 富士通株式会社 プログラム、情報処理方法及び情報処理装置
JP7119327B2 (ja) 2017-10-03 2022-08-17 富士通株式会社 プログラム、情報処理方法及び情報処理装置
KR101952887B1 (ko) * 2018-07-27 2019-06-11 김예현 해부학적 랜드마크의 예측 방법 및 이를 이용한 디바이스

Also Published As

Publication number Publication date
JP5607839B2 (ja) 2014-10-15
US9330455B2 (en) 2016-05-03
US20140072193A1 (en) 2014-03-13
JPWO2013076927A1 (ja) 2015-04-27

Similar Documents

Publication Publication Date Title
JP5607839B2 (ja) 診断支援装置および診断支援方法
JP6014059B2 (ja) 医療データの知的リンキング方法及びシステム
US8417009B2 (en) Apparatus, method, and computer readable medium for assisting medical image diagnosis using 3-D images representing internal structure
JP5954769B2 (ja) 医用画像処理装置、医用画像処理方法および異常検出プログラム
US20120256920A1 (en) System and Method for Fusing Computer Assisted Detection in a Multi-Modality, Multi-Dimensional Breast Imaging Environment
JP2009502230A (ja) 医用画像における傷病部位の検知
US9378552B2 (en) Image processing apparatus and image processing method
US11969265B2 (en) Neural network classification of osteolysis and synovitis near metal implants
JP2006325638A (ja) 異常陰影候補の検出方法及び医用画像処理システム
JP6112291B2 (ja) 診断支援装置および診断支援方法
JP7237089B2 (ja) 医療文書作成支援装置、方法およびプログラム
JP5532730B2 (ja) Ｃｎｒ測定装置，方法及びコンピュータプログラム
JP6785976B2 (ja) 脳画像正規化装置、方法およびプログラム
JP2018175366A (ja) 自動レイアウト装置および自動レイアウト方法並びに自動レイアウトプログラム
Garlapati et al. Towards measuring neuroimage misalignment
US10249050B2 (en) Image processing apparatus and image processing method
JP6711675B2 (ja) 読影支援装置
Cai et al. Impact of localized fine tuning in the performance of segmentation and classification of lung nodules from computed tomography scans using deep learning
US20240037738A1 (en) Image processing apparatus, image processing method, and image processing program
US20230360202A1 (en) Computational method and system for improved identification of breast lesions
US20230022549A1 (en) Image processing apparatus, method and program, learning apparatus, method and program, and derivation model
US20230225681A1 (en) Image display apparatus, method, and program
JP2019058374A (ja) 位置合わせ装置、方法およびプログラム
JP2022148869A (ja) 画像位置合わせ装置、方法およびプログラム
JP2020096773A (ja) 医用画像処理装置、方法およびプログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 12851725

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2013545773

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 12851725

Country of ref document: EP

Kind code of ref document: A1