WO2021221008A1

WO2021221008A1 - システム、制御方法及びプログラム

Info

Publication number: WO2021221008A1
Application number: PCT/JP2021/016601
Authority: WO
Inventors: 裕紀青山; 航笠井
Original assignee: 株式会社Splink
Priority date: 2020-04-28
Filing date: 2021-04-26
Publication date: 2021-11-04
Also published as: JPWO2021221008A1

Abstract

画像診断のための画像評価を支援するシステムを提供する。　支援システム（１）は、被験者の身体の少なくとも一部を対象領域として含む第１のタイプの医用画像を統計的に評価する第１の画像評価システムに対しアクセス可能な第１のアクセスユニット（１１）と、第１のタイプの医用画像に基づき第１の疾患を評価するように機械学習した第１のモデルを用いて被験者の罹患状態を判断する第２の画像評価システムに対しアクセス可能な第２のアクセスユニット（１２）と、第１の画像評価システムおよび第２の画像評価システムに対する評価対象の入力および評価結果の出力の少なくともいずれかについて共通の画像評価環境（１５）を介して提供する支援ユニット（３０）とを有する。

Description

システム、制御方法及びプログラム

　本発明は、画像診断を支援するための情報を提供するシステムに関するものである。

　文献１に開示された画像処理装置は、被験者の脳の機能画像を入力する入力部と、被験者の機能画像を解剖学的標準化する解剖学的標準化部と、標準脳上に割り付けられた解剖学的領域のデータを記憶した標準脳データ記憶部から解剖学的領域のデータを読み出し、当該解剖学的領域のデータをＲＯＩの候補として提示するＲＯＩ候補提示部と、解剖学的領域の選択を受け付け、選択された１又は複数の解剖学的領域に基づいて、解剖学的標準化された被験者の脳画像上にＲＯＩを設定するＲＯＩ設定部と、ＲＯＩ内の画素値に基づいて、評価値を計算する評価値計算部と、計算された評価値に関する情報を表示する表示部とを備える。

特開２０１９－０７４３４３号公報

　医用画像を用いた診断補助については深層学習を用いて鑑別精度が高まることが期待されている。一方、深層学習による鑑別結果および評価がどのように算出されたのかはブラックボックスで、結果を扱う医療従事者にとって、その解釈と説明が難しいという問題がある。

　本発明の一態様は、被験者の身体の少なくとも一部を対象領域として含む第１のタイプの医用画像を統計的に評価する第１の画像評価システムに対しアクセス可能な第１のアクセスユニットと、第１のタイプの医用画像に基づき第１の疾患を評価するように機械学習した第１のモデルを用いて被験者の罹患状態を判断する第２の画像評価システムに対しアクセス可能な第２のアクセスユニットと、第１の画像評価システムおよび第２の画像評価システムに対する評価対象の入力および評価結果の出力の少なくともいずれかについて共通の画像評価環境を介して提供する支援ユニットとを有するシステムである。このシステムによれば、機械学習した第１のモデルの評価と、統計的処理の評価とを共通の環境を介して評価することが可能となり、医用画像の機械学習による鑑別結果を、医療従事者などが解釈する支援を行うことができる。支援ユニットは、被験者の第１のタイプの医用画像が、第１の画像評価システムおよび第２の画像評価システムに対し入出力可能な画像に標準化された評価用画像を含む共通の画像評価環境を用いてもよい。

　本発明の他の態様の１つは、上記第１のアクセスユニットと、第２のアクセスユニットと、支援ユニットとを有する支援システムの制御方法である。当該方法は、以下のステップの少なくともいずれかを含む。
ｉ）支援ユニットが、第１の画像評価システムから取得した医用画像の評価に関する第１の結果と、第２の画像評価システムから取得した被験者の医用画像の評価に関する第２の結果とを、共通の画像評価環境を介して出力すること。
ｉｉ）支援ユニットが、第２の画像評価システムの罹患状態の判断に基づき、第１の画像評価システムから取得した医用画像の評価に関する第１の結果を再評価した結果を、共通の画像評価環境を介して出力すること。
ｉｉｉ）支援ユニットが、第１の画像評価システムから取得した医用画像の評価に関する第１の結果により重要視される第１の領域と、第２の画像評価システムの罹患状態の判断に重要視された第２の領域とを、共通の画像評価環境を介して出力すること。
ｉｖ）支援ユニットが、第１の画像評価システムから取得した医用画像の評価に関する第１の結果により重要視される第１の領域を含む画像領域を、共通の画像評価環境を介して前記第２の画像評価システムの評価対象として選択すること。
ｖ）支援ユニットが、第２の画像評価システムの罹患状態の判断に重要視された第２の領域を含む画像領域を、共通の画像評価環境を介して第１の画像評価システムの評価対象として選択すること。
ｖｉ）支援ユニットが、被験者の医用画像の共通の画像評価環境へマッピングの信頼度に基づき、第１の画像評価システムから取得した医用画像の評価に関する第１の結果、または、第２の画像評価システムから取得した被験者の医用画像を評価に関する第２の結果の、共通の画像評価環境を用いた出力を制御すること。

　本発明のさらに異なる態様の１つは、コンピュータにより医用画像を評価するプログラムである。プログラム（プログラム製品）は、コンピュータが、被験者の身体の少なくとも一部を対象領域として含む第１のタイプの医用画像を統計的に評価する第１の画像評価システムに対しアクセスすることと、第１のタイプの医用画像に基づき第１の疾患を評価するように機械学習した第１のモデルを用いて被験者の罹患状態を判断する第２の画像評価システムに対しアクセスすることと、第１の画像評価システムおよび第２の画像評価システムに対する評価対象の入力および評価結果の出力の少なくともいずれかについて共通の画像評価環境を介して提供することと、上記ｉ）～ｖｉ）のステップの少なくともいずれかを実行する命令を有する。プログラムはコンピュータに読み取り可能な記録媒体に記録して提供されてもよい。

画像診断支援のための情報提供システムの概要を示す図。評価支援システムの処理の概要を示す図。解剖学的標準化処理の概要を示す図。標準化の過程を示す図。解剖学的標準化済画像を深層学習の入力とした際の着目領域の一例を示す図。解剖学的標準化処理の異なる例を示す図。入力処理の一例を示す図。部分抽出を伴う入力処理の一例を示す図。実験例の被験者の属性を示す図。実験例のＭＲＩスキャナのＰｕｌｓｅＳｅｑｕｅｎｃｅを示す図。ＡＮＯＶＡ解析を行ったＲＯＩの結果の例を示す図。各群のＲＯＩを示す図。各群の萎縮の進行を示す図。深層学習モデルを示す図。感度・特異度の変化を示す図。検証被験者の再評価を示す図。深層学習モデルのＲＯＩを示す図。統計的処理によるＲＯＩを示す図。深層学習モデルのＲＯＩと統計的処理によるＲＯＩを重ねて示す図。

　図１に、画像診断支援のための情報提供を行うシステム１の概要を示している。このシステム１は、被験者の身体の一部として、脳または脳の一部を、画像診断または評価の対象領域として含む医用画像による診断の支援に関する情報を提供する。システム１は、被験者の身体の少なくとも一部を対象領域として含む第１のタイプの医用画像として、被験者の脳画像５３を格納した画像データベース５２と、脳画像５３を統計的に評価する第１の画像評価システム６０と、脳画像５３に基づき第１の疾患を評価するように機械学習した第１のモデルを用いて被験者の罹患状態を判断する第２の画像評価システム７０と、画像評価支援システム１０とを含む。画像評価支援システム（支援システム）１０は、第１の画像評価システム６０に対しアクセス可能な第１のアクセスユニット（インターフェイス）１１と、第２の画像評価システム７０に対しアクセス可能な第２のアクセスユニット（インターフェイス）１２と、第１の画像評価システム６０および第２の画像評価システム７０に対する評価対象の入力６２および７２、および評価結果の出力６３および７３の少なくともいずれかについて共通の画像評価環境を介して提供する支援ユニット３０とを有する。

　被験対象（被験者、受験者）の身体またはその一部の形態および機能を診断するための装置として、ＣＴ（Computed　Tomography）、ＭＲＩ（Magnetic　Resonance　Imaging）、ＰＥＴ（Positron　Emission　Tomography）、ＳＰＥＣＴ（Single　Photon　Emission　Computed　Tomography）、ＰＥＴ－ＣＴなどの様々なタイプの断層撮影装置（モダリティ）が知られており、それらのモダリティ画像（医用画像）が様々な疾病の診断に活用されている。特に、被験者の脳を診断または評価の対象領域として含むモダリティ画像（医用画像）５３は、被験者の脳の物理的な状態に係るデータを取得するために用いられており、認知症、パーキンソン病などの疾病の診断に活用されている。

　医用画像のタイプの一例は、ＣＴおよびＭＲＩであり、これらの画像は、精度の高い形態的な情報を反映できる。ＭＲＩ画像は、例えば、Ｔ１強調画像、Ｔ２強調画像、拡散強調画像、フレア画像、拡散テンソル画像、ＱＳＭ画像、疑似ＰＥＴ画像、疑似ＳＰＥＣＴ画像などを含む。ＱＳＭ画像（Quantitative Susceptibility Mapping）は、定量的磁化率マッピングを示す。医用画像のタイプの他の例は、ＰＥＴおよびＳＰＥＣＴであり、これらの画像は、静脈注射等により、放射性薬剤を被験者の体内に投与し、体内において当該薬剤から放出される放射線を撮像することにより、画像が生成される。薬剤を用いた画像によれば、体内の各部位の形態のみならず、体内に投与された薬剤がどのように分布するか、または当該薬剤と反応する体内の物質の集積の様子などを医師に把握させることができるので、疾病の診断精度の向上に寄与しうる。例えば、通称ピッツバーグ化合物ＢをＰＥＴ用放射性薬剤（トレーサー）として用いてＰＥＴ画像を撮像し、撮像されたＰＥＴ画像を基に脳内のアミロイドβ蛋白の蓄積度合いを測定することにより、アルツハイマー型認知症の鑑別診断又は早期診断に役立たせることができる。なお、疑似ＰＥＴ画像は、実際のＰＥＴ画像と区別する意味で用いる文言であり、実際のＰＥＴ画像を推定する画像である。疑似ＰＥＴ画像は、例えば、ＭＲＩ画像に基づいて生成してもよい。疑似ＳＰＥＣＴ画像についても同様に、実際のＳＰＥＣＴ画像を推定する画像である。

　ＳＰＥＣＴ画像の一例としては、123I-イオフルパン（123I-Ioflupane）という放射性医薬品を投与したＳＰＥＣＴ検査でＤａｔＳＣＡＮ（Dopamine transporter SCAN）と呼ばれるドーパミントランスポーター（ＤＡＴ）の分布を可視化する撮像方法がある。この撮像は目的としては、パーキンソン病（以下ＰＤ）のパーキンソン症候群（ＰＳ）の早期診断、レビー小体型認知症（ＤＬＢ、Dementia with Lewy Bodies）の診断補助、線条体のドパミン神経脱落が有る場合のレボドバと呼ばれる種類の投薬治療判断などを挙げることができる。

　このシステム１は、被験者の第１のタイプの医用画像５３を、第１の画像評価システム６０および第２の画像評価システム７０に対し入出力可能な画像（標準化画像）５０に標準化するマッピングシステム５５を有し、支援システム１０は、マッピングシステム５５にアクセス可能な第３のアクセスユニット（インターフェイス）１３を備えていてもよい。標準化画像５０の一例は、解剖学的標準化画像であり、マッピングシステム５５は、解剖学的標準化処理部としての機能を備えていてもよい。マッピングシステム５５は、解剖学的標準化の各ボクセルにおける処理の信頼度を含む、脳画像５３の標準化処理の評価に関する第３の結果５６を出力し、支援ユニット３０は、アクセスユニット１３を介して、その結果５６を取得してもよい。支援ユニット３０は、後述するように、標準化画像５０に基づいて画像に対する評価を提供する共通の画像評価環境を備えており、マッピングの際の評価またはその評価に関する第３の結果５６を、マッピングシステム５５と同じ環境で出力したり、支援ユニット３０における処理の入力とすることができる。

　支援ユニット３０を含む支援システム１０は、標準化された評価用画像を含む、共通の画像評価環境（共通評価環境、ユーザーインターフェイスモジュール、Ｕ／Ｉモジュール）１５を介して画像を評価するための情報をユーザーである医療関係者などに提供してもよい。ユーザーは、支援システム１０に付属するディスプレイ１６ａおよびタッチパネル１６ｂなどのアクセス用の機器を用いて支援システム１０にアクセスしてもよく、クラウド（インターネット）１７を介して支援システム１０にアクセスしてもよい。

　この画像診断支援のための情報提供を行うシステム（画像診断支援情報提供システム）１は、サーバーなどの、メモリおよびＣＰＵを含むコンピュータ資源を備えた装置（システム）によりスタンドアロンの構成で提供されてもよく、画像データベース５２、第１の画像評価システム６０および第２の画像評価システム７０を含む構成範囲８が、クラウド（インターネット）を介して提供されてもよい。また、マッピングシステム５５、標準化画像５０のストレージ、第１の画像評価システム６０の入力６２および評価出力６３、および第２の画像評価システム７０の入力７２および評価出力７３を含めた構成範囲９が、クラウドを介して提供されてもよい。

　医用画像を統計的に評価する第１の画像評価システム６０は、コンピュータ資源を備えたシステムとして提供されてもよく、統計的処理を行うプロセッサ６１と、統計的処理を実行するためのライブラリおよびプログラムを格納したデータベース６５を備えていてもよい。第１の画像評価システム６０は、処理対象の医用画像の評価、すなわち、統計的評価に関する第１の結果６６を出力してもよい。評価結果６６は、評価システム６０の評価出力機能（表示ユニット）６３において標準化画像５０に基づいて出力（表示）されてもよい。支援ユニット３０は、アクセスユニット１１を介して、その結果６６を取得してもよい。支援ユニット３０は、標準化画像５０に基づいて画像に対する評価を提供する共通の画像評価環境（共通評価環境）１５を用いて、統計的処理の評価またはその評価に関する第１の結果６６を第１の画像評価システム６０と同じ環境で出力したり、支援ユニット３０における処理の入力とすることができる。第１の結果６６には、統計処理により重要視される第１の領域（関心領域、ＲＯＩ）の情報が含まれていてもよい。

　第１の画像評価システム６０は、標準化画像５０に基づいて統計的処理を行う対象となる画像または画像中の領域を選択する入力機能（選択ユニット）６２を備えていてもよい。統計的処理の対象の領域の選択などを含む解析対象の制御（入力制御情報）６７については、支援ユニット３０から提供されてもよい。支援ユニット３０は、共通評価環境１５を用いて、標準化画像５０に基づき、統計的処理の対象となる情報を、第１の画像評価システム６０と同じ環境を介して入力したり、選択したりすることができる。標準化処理画像５０の各ボクセルデータに、さらに入力として年齢もしくは性別（もしくは各種のバイオマーカー値）の共変量の補正を施したりする処理についても、共通評価環境１５を介して実行してもよい。

　医用画像に基づき罹患状態を判断する第２の画像評価システム７０は、コンピュータ資源を備えたシステムとして提供されてもよく、学習モデルによる処理を行うプロセッサ７１と、医用画像に基づき疾病の状態を評価するように機械学習した第１のモデル７４およびライブラリなどを格納したデータベース７５を備えていてもよい。第２の画像評価システム７０は、処理対象の医用画像の評価、すなわち、医用画像に基づき第１の疾患を評価するように機械学習した第１のモデル７４を用いて被験者の罹患状態を判断したことに関する第２の結果７６を出力してもよい。評価結果７６は、評価システム７０の評価出力機能（表示ユニット）７３において標準化画像５０に基づいて出力（表示）されてもよい。支援ユニット３０は、アクセスユニット１２を介して、その結果７６を取得してもよい。支援ユニット３０は、標準化画像５０に基づいて共通評価環境１５を用いて、罹患状態の判断に関する評価またはその評価に関する第２の結果７６を第２の画像評価システム７０と同じ環境を介して出力したり、支援ユニット３０における処理の入力とすることができる。

　認知症を対象とする場合、ＡＤ（Alzheimer Disease、アルツハイマー型認知症）、ＤＬＢ（Dementia with Lewy Bodies、レビー小体型認知症）の各原因疾患の鑑別を機械学習した学習モデル７４を用いた第２の画像評価システム７０を採用でき、学習モデル７４を用いて被験者の罹患状態を判断したことに関する第２の結果７６を出力できる。第２の結果７６には、対象となる第１の疾患、例えば、ＡＤまたはＤＬＢの有無、および進行状態に加え、罹患状態の判断に重要視された第２の領域（関心領域、ＲＯＩ）の情報が含まれていてもよい。深層学習のＧｒａｄＣＡＭ等を用いた方法によれば、深層学習の鑑別に際して重用した着目領域（ＲＯＩ）の可視化が可能であり、共通評価環境１５を介して、標準化画像５０を用いて、支援ユニット３０において第２の評価システム７０と共通の環境でＲＯＩに関する評価が可能となる。

　第２の画像評価システム７０は、標準化画像５０に基づいて学習モデル７４による罹患状態の判断の対象となる画像または画像中の領域を選択する入力機能（選択ユニット）７２を備えていてもよい。処理の対象の領域の選択などを含む診断対象（鑑別対象）の制御（入力制御情報）７７については、支援ユニット３０から提供されてもよい。支援ユニット３０は、共通評価環境１５を用いて、標準化画像５０に基づき、学習モデル７４の鑑別処理の対象となる情報を、第２の画像評価システム７０と同じ環境で入力したり、選択したりすることができる。この場合も、標準化処理画像５０の各ボクセルデータに、さらに入力として年齢もしくは性別（もしくは各種のバイオマーカー値）の共変量の補正を施したりする処理についても、共通評価環境１５を介して実行してもよい。

　支援システム１０は、クラウドにアクセス可能なサーバーなどのコンピュータ資源を備えた装置として提供されてもよく、種々の処理に要求されるライブラリ、支援システムとしての処理を実行するための命令を含むプログラム１９などを格納したデータベース１８を備えていてもよい。共通評価環境１５を用いたユーザーへのサービスは、クラウドを介したサービス（ＳａａＳ（Software as a Service））として提供してもよい。上述したように、支援システム１０は、標準化処理画像５０を用いた共通評価環境１５を提供しており、支援ユニット３０は共通評価環境１５を用いて、第１の画像評価システム６０の評価結果６６と、第２の画像評価システム７０の評価結果７６とをユーザーに対し相互参照可能な状態で、シームレスに、提供できる。また、標準化の際の結果５６についても含めて、ユーザーに提供できる。

　医用画像を用いた診断補助については深層学習を用いて鑑別精度が高まることが期待されている。アルツハイマー型認知症等の神経変性疾患に関しては各種画像モダリティ（形態ＭＲＩ、血流ＳＰＥＣＴ、ＰＥＴ画像など）毎に、健常群と疾患群とで脳容積値や血流量（糖代謝）、アミロイドβ等の疾患の要因となる物質量が有意差を統計的に示す領域（ＲＯＩ）を算出し、その領域内のＺスコアやＳＵＶ等の値の評価を行う方法が行われている。神経変性疾患に深層学習を用いた方法は多く鑑別精度を向上させた報告があるが、鑑別結果および評価がどのように算出されたのかはブラックボックスで、結果を扱う医療従事者にとって、その解釈と説明が難しいという問題がある。この理由は大きく２つ有る。１）神経変性疾患においては脳のどの部分に変質が起こっているのかを必要とする。
（例：海馬傍回に萎縮が見られるために、アルツハイマー型認知症が疑われる等）
２）深層学習の（中間層を含む）出力値が脳容積や血流量などの人の解釈可能な情報では無いものに加工されてしまう。

　支援システム１０においては、深層学習を用いて得られた結果について、上記２つの課題解決を行うことが可能であり、深層学習の結果を扱う医療従事者に対し、その解釈と説明とを提供することができる。

　上記の課題１）については、深層学習のＧｒａｄＣＡＭ等を用いた方法によれば、深層学習の鑑別に際して重用した着目領域の可視化が可能である。さらに深層学習による鑑別の入力を、支援システム１０を用いて共通画像環境１５において提供される解剖学的標準脳５０にマッピングした脳画像とすれば、統計学的に算出されたＲＯＩと同一の画像上で対比して視認することが可能である（表示の切り替えやオーバーレイ）。

　上記の課題２）については、共通画像環境１５を用いて深層学習の着目領域を指定し、その領域内に対して、統計的処理を行い、脳容積や血流量の値を算出し、鑑別に有効であった領域の、人が解釈可能な指標値を提示することが可能である。

　また、この支援システム１０は、その他ビジネス的に検討可能なツール機能（システム面）となり得る。例えば、解析結果毎の対応に適用でき、介入の方法を選択したり、可能であれば、薬の処方等の選択、追加検査の案内などが可能である。ＤＬＢであればＤａｔＳＣＡＮ／ＭＩＢＧ心筋シンチグラフィーの検査を推奨したり、検査機関を推奨したりする支援の提供が可能となる。論文データベースとリンクさせることにより、共通画像環境１５に表示されたＲＯＩ領域にマウスオーバーした際の関連論文リンクを表示することによる研究支援、診断支援および治療支援を行うことも可能となる。

　支援システム１０においては、共通画像環境１５を用いて支援ユニット３０がいくつかの機能を提供できる。１つの機能は、入力支援機能（入力支援ユニット）３７であり、第１の画像評価システム６０および／または第２の画像評価制御システム７０に対し支援ユニット３０を介して入力制御情報６７および７７を供給することにより次のような機能を提供できる。

　脳画像５３をマッピングシステム５５において解剖学的標準化の処理を行った後に、解剖学的標準化処理画像５０を、第２の画像評価システム７０の深層学習モデル７４の入力とする際に、脳に関わる疾患（脳画像から診断可能な疾患を想定）であるかどうか、またはその種別や進行区分等のクラス判定を行うように第２の画像評価システム７０を制御する。

　解剖学的標準化処理画像５０の各ボクセルデータに、さらに入力として年齢もしくは性別（もしくは各種のバイオマーカー値）の共変量の補正を施した上で、深層学習モデル７４の入力として選択する。

　深層学習モデル７４のクラスを予測する際にモデルが最終的にソフトマックス関数により評価した各クラスで０～１の値を表示する選択を持たせる。クラスとしては、疾患に関する分類、例えば、脳疾患のうち認知症の分類であれば、ＮＣ（ＮｏｒｍａｌＣｏｎｔｒｏｌ）、ＡＤ、ＤＬＢといったクラスを想定できる。

　入力支援ユニット３７においては、鑑別対象の第１の疾患に、アルツハイマー型認知症（ＡＤ）およびレビー小体型認知症（ＤＬＢ）を含み認知症を含む場合で第１のタイプの医用画像５３がＭＲ画像であれば、対象領域として、脳の海馬、海馬傍回、脳幹背側、中側頭極及び大脳基底核の部分（被殻、尾状核、嗅内皮質、海馬傍回、扁桃体など）の少なくとも１つを含むように入力制御情報６７および７７を設定してもよい。第１のタイプの医用画像５３がＳＰＥＣＴ画像であれば、対象領域は、脳の楔前部、後頭葉、及び背外側前頭前野の少なくとも１つを含むように入力制御情報６７および７７を設定してもよい。

　支援ユニット３０は、第１の画像評価システム６０から取得した医用画像の評価に関する第１の結果６６と、第２の画像評価システム７０から取得した被験者の医用画像の評価に関する第２の結果７６とを、共通の画像評価環境１５を介して出力する機能（個別・比較評価ユニット）３１を含んでもよい。共通画像環境１５を用いて、医用画像を統計処理した評価（第１の結果）６６と、医用画像から深層学習モデル７４が予測した評価（第２の結果）７６とを単独に、または比較可能な状態で、例えば、並列に、または切り替えて標準化画像５０を介して出力してもよい。

　支援ユニット３０は、第２の画像評価システム７０の罹患状態の判断に基づき、第１の画像評価システム６０から取得した医用画像の評価に関する第１の結果６６を再評価した結果を、共通の画像評価環境１５を介して出力する機能（再統計的処理要求ユニット）３２を含んでいてもよい。先行する統計的処理の結果では疾患に関する関心領域ＲＯＩが見られない場合であっても、深層学習モデル７４の罹患状態の判断に基づき、疾患があると判断された被験者の画像についての統計的処理の微差を再評価することにより、疾患のＲＯＩとして再認識することができる。

　支援ユニット３０は、第１の画像評価システム６０から取得した医用画像の評価に関する第１の結果６６により重要視される第１の領域（ＲＯＩ）と、第２の画像評価システム７０の罹患状態の判断に重要視された第２の領域（ＲＯＩ）とを、共通の画像評価環境１５に重ねて出力する機能（重ね合わせ表示（オーバーレイ）ユニット）３３を含んでいてもよい。ＲＯＩに関する情報は、それぞれのシステム６０および７０から評価結果に関する情報６６および７６の一部として取得してもよい。深層学習モデル７４が疾患のクラスを予測する際に、モデル７４が評価に重用した領域を、解剖学的標準化後の脳画像５０上で表示できる。深層学習７４が罹患状態の判断に着目したＲＯＩと、統計的処理におけるＲＯＩとを、標準化画像５０の上に重ね合わせることにより、深層学習７４の結果を扱う医療従事者に対し、その解釈と説明とを提供できる。

　支援ユニット３０は、第１の画像評価システム６０から取得した医用画像の評価に関する第１の結果６６により重要視される第１の領域（ＲＯＩ）を含む画像領域を、共通の画像評価環境１５を介して第２の画像評価システム７０の評価対象として選択する機能（モデル入力選択ユニット）３４を含んでいてもよい。標準化画像５０を用いて１つ以上の解剖学的部位を関心領域（ＲＯＩ）としてさらに入力とし、解剖学的標準化処理画像５０の解剖学的部位によるフィルタリングを行った画像を深層学習モデル７４の入力とする選択を行ってもよい。解剖学的標準化処理を行った画像５０を用いる場合、標準化された脳座標上には解剖学的部位が定義されており、同一名称のついた座標の集合である「関心領域」を第１の画像評価システム６０および第２の画像評価システム７０に対して選択できる。

　支援ユニット３０は、第２の画像評価システム７０の罹患状態の判断に重要視された第２の領域（ＲＯＩ）を含む画像領域を、共通の画像評価環境１５を介して第１の画像評価システム６０の評価対象として選択する機能（統計処理入力選択ユニット）３５を含んでいてもよい。深層学習７４が罹患状態の判断に着目したＲＯＩを選択して統計的処理を行うことにより、深層学習７４の結果を扱う医療従事者に対し、その解釈と説明とを提供できる。

　支援ユニット３０は、被験者の医用画像の共通の画像評価環境、本例では標準化画像５０へのマッピングの信頼度に基づき、第１の画像評価システム６０から取得した医用画像の評価に関する第１の結果６６、または、第２の画像評価システム７０から取得した被験者の医用画像の評価に関する第２の結果７６の、共通の画像評価環境１５を用いた標準化画像５０への出力を制御する機能（マッピング評価ユニット）３６を含んでいてもよい。解剖学的標準化処理画像５０を入力とした深層学習モデル７４が疾患のクラスを予測する際に、モデル７４が評価に重用した領域ＲＯＩの各ボクセル値に信頼度による補正を行った結果を表示できる。標準脳画像５０へマッピング精度に問題が存在すると、マッピング精度の低い領域をＲＯＩとした解析結果の信頼性に問題が存在する可能性がある。脳画像を解析（ＲＯＩを出す。鑑別を行う）以前にマッピング精度を定量化することにより、信頼度の低い画像領域は用いない評価を得るようにＲＯＩフィルターを掛けることができる。

　支援システム１０は、さらに、支援ユニット３０の共通画像環境１５を用いたこれらの評価結果の出力に基づき、学習モデル（第１のモデル）７４による第１の疾患、例えば、ＡＤまたはＤＬＢに対する評価を検証するユニット２０を備えていてもよい。

　図２に、画像評価支援システム１０を用いた評価支援方法をフローチャートにより示している。評価支援システム１０は、メモリおよびＣＰＵを含むコンピュータ資源を備えた情報処理装置として提供することが可能であり、この支援方法は、システム１０の制御方法として、または、コンピュータにおいて実行可能な命令を有するプログラムとして提供できる。プログラム（プログラム製品）は、コンピュータに読み取り可能な記録媒体に記録して提供してもよく、インターネットなどからダウンロード可能な状態で提供してもよい。

　ステップ８１において、マッピングシステム５５により、被験者（ユーザー、受診者）の脳画像５３の標準化画像（解剖学的標準化画像）５０へのマッピングが行われる。解剖学的標準化処理の概要を図３に示している。また、図４に、標準化の過程を示している。

　解剖学的標準化（解剖学的正規化）とは、個々人の機能画像を、標準的な鋳型に線形的あるいは非線形的に写像することを含む。解剖学的標準化処理を行うことは、医用画像、さらには脳画像の解析を行う上で被験者間の脳部位の位置を揃えて解析する上で標準的な方法となっている。元々はＰＥＴ撮像の賦活図の作成から要求された技術だが、基本的な考え方は標準脳を設定し、入力画像を線形・非線形に標準脳へ合わせ込む技術である。

　ＰＥＴ、ｆＭＲＩ、ＭＲＩについて、この処理の一形態をツールとして提供しているものにＶＢＭ（Voxel-based morphometry）があるが、その他にも３Ｄ－ＳＳＰのようなツールにも実装が有る。ＭＲＩ画像解析時には非線形変換を行うことが現在では一般的だが、元はＬＤＤＭＭという微分同相マッピングによる方法が考案され、この計算時間の大きさから改良方法として考案されたＤＡＲＴＥＬ法が良く用いられる。

　このような解剖学的標準化が行われた後の解析においては、同じ脳上の位置を示していると仮定する事ができるので、座標の持つ値（ＭＲＩの場合には体積値）の群間比較等が行える。またデータが持つ撮影条件の違い等を吸収して解析できるメリットもある。またデータが持つ情報の複雑度を、解析に必要な粒度まで整形できる事は、大量のデータを持って深層学習に全てのデータ加工プロセスを学習させる事が出来ない臨床研究のようなシーンで、妥当な前処理工程として敷設できるメリットがある。

　図３のステップ８１１において、全ての画像に対して水平軸の調整（ＡＣＰＣ変換）が施される（図４（ａ））。さらに、ステップ８１２において、各被験者の画像は灰白質（ＧＭ）、白質（ＷＭ）及び髄液部分（ＣＳＦ）へのセグメンテーションが行われる（図４（ｂ））。ステップ８１３において、灰白質画像に分割された画像について、標準脳のみから作成されたテンプレートを用いてＤＡＲＴＥＬ処理を行う（図４（ｃ））。ステップ８１４において、さらにＭＮＩ空間への標準化を行う（図４（ｄ））。一連のＭＮＩ空間座標への非線形のレジストレーション工程の後，灰白質画像についてモジュレーション処理による体積情報の整形と８－ｍｍ幅のガウスカーネルによる平滑化処理をさらに行ってもよい。なお、平滑化幅は８ｍｍに限定されない。

　深層学習により、鑑別評価を行う際に特定のモデルにおいては着目領域の入力画像上への表示が可能である。一方、解剖学的標準化を行っていれば、統計解析を行う場合も同じ座標空間なので、並べて描画することも容易となる利点がある。

　図５に、形態ＭＲＩ画像の解剖学的標準化後の画像を深層学習の入力とした時の、ＳＨＡＰと呼ばれる可視化技術を試した例を示している。例えば、前述のような深層学習の学習に重用した領域の可視化以外でも、従来の統計的なカットオフ値を定める方法と精度比較実験を行った際に、精度（もしくは感度や特異度）を向上させる際に事に至った検証サンプルの着目領域を改めて統計解析により抽出する方法も検討できる。

　図２に戻って、ステップ８２において、標準化画像へのマッピングの信頼性評価に関わる結果５６を取得する。図６に、マッピングシステム５５において、深層学習モデルを用いて解剖学的標準化を行うプロセスを示している。ステップ８１１～８１４に代わり、ステップ８１５において、深層学習モデルを用いて解剖学的標準化処理を行う。解剖学的標準化を行った後に深層学習を適用してもよいが、解剖学的標準化の工程に深層学習を適用してもよい。解剖学的標準化は非線形変換にＬＤＤＭＭを用いてもよいが、処理時間が大きいという問題が発生し得る。この工程をニューラルネットワークで学習してＤＡＲＴＥＬよりも高速・高精度な手法を導入することが可能である。さらに、ステップ８１６において、高速化と同時にＢａｙｅｓｉａｎＮｅｕｒａｌＮｅｔｗｏｒｋを用いてマッピングの信頼度を算出してもよい。この信頼性評価結果５６は、第１の画像評価システム６０および第２の画像評価システム７０における着目領域（関心領域、ＲＯＩ）の補正に使用してもよい。

　図２に戻って、ステップ８３において、支援ユニット３０は、共通画像環境１５を用いて、第１の画像評価システム６０および第２の画像評価システム７０に対する入力制御支援を行ってもよい。解剖学的標準化処理済画像５０に、さらに年齢や性別のような属性やバイオマーカーを入力として補正された解剖学的標準化処理済画像を後続する処理に用いても良い。図７に、属性およびバイオマーカーをさらに入力して用いる場合の処理の流れを示している。

　ステップ８３の入出力支援では、共通画像環境１５を用いて、第２の画像評価システム７０に対する入力制御支援を行ってもよい。第２の画像評価システム７０においては、直接深層学習モデルの判定を行う場合と、解剖学的部位によるフィルタリングを行った上で深層学習モデルの判定を行う場合とを選択してもよい。図８に、部位抽出を行う場合の処理の流れを示している。

　図２に戻って、ステップ８４において、支援ユニット３０は、統計的処理の評価結果を取得する必要があると、ステップ８５において、第１の画像評価システム６０に対しアクセス可能な第１のアクセスユニット（インターフェイス）１１を介して、第１の画像評価システム６０の画像の統計的処理に関する第１の評価結果６６を取得する。

　解剖学的標準化を行った後には統計検定による群間比較が行われ、有意差のある座標位置を考察することが行われている。実際には臨床研究においては群間の年齢範囲や性別の偏り等も存在するため、共変量としてこれらを補正した座標位置の値を解析することが行われる。一般化線形モデル等が良く用いられる。深層学習の入力前、解剖学的標準化処理済データにこの処理を行うことが可能であり、属性値・バイオマーカーの入力形態をシステムが持つ動機となる。

　医用画像の評価に統計的処理においては、被験者の脳画像と健常者の脳画像との統計的比較評価が行われる。脳画像を用いて脳の萎縮を評価する方法としては、被験者の頭部を撮像して取得された脳画像を３次元の画素であるボクセルを単位に画像処理して行なうＶＢＭ（Voxel Based Morphometry）が知られている。統計的処理の典型的なものはＺスコアマップを生成することである。

　ＭＲ画像を例とすると、脳形態標準化処理をした正常症例のＭＲ画像から、それぞれのボクセルごとに平均値と標準偏差を計算して平均画像と標準偏差画像を作成したデータ（正常標準脳）の値と、被験者の画像データ（処理画像）の値とをＺスコアを算出する以下の式に代入することによって作成する。
ｚ＝（Ｍ（x,y,z）－Ｉ（x,y,z））／ＳＤ（x,y,z）
Ｍ、ＳＤは正常標準脳の平均画像と標準偏差画像を表し、Ｉは処理画像を表す。Ｚスコアマップを用いることによって、処理画像が正常標準脳と比較して、どの部位でどのような変化が起きているかを定量的に分析することができる。例えば、Ｚスコアマップが正の値になるボクセルは正常標準脳と比較して萎縮がある領域を示し、さらに値が大きいほど統計的に乖離が大きいと解釈することができる。例えばＺスコア「２」であれば平均値から標準偏差の２倍を超えたものということになり約５％の危険率で統計学的有意差があると評価される。領域内の萎縮の評価を定量的に行うためには、関心領域において、それぞれＭ、ＳＤとＩとを算出し、全ての正のＺスコアの平均等を求めればよい。

　統計的処理としては、例えば、脳の各部位の体積あるいは面積を比較したり、一般線形モデル（General Linear Model: ＧＬＭ）を用いたＴ検定を用いる手法など、多様な方法が提案されている。通称ピッツバーグ化合物ＢをＰＥＴ用放射性薬剤（トレーサー）として用いて、撮像されたＰＥＴ画像を基に脳内のアミロイドβ蛋白の蓄積度合いを測定することにより、アルツハイマー型認知症の鑑別診断又は早期診断に役立たせることができる。このＰＥＴ画像は、脳の一部の大脳灰白質におけるアミロイドβ蛋白の集積度（ＳＵＶ、Standardized　Uptake　Value）の合算と、小脳におけるアミロイドβ蛋白の集積度（ＳＵＶ）との比を示すＳＵＶＲ値（ＳＵＶＲ、Standardized　Uptake　Value　Ratio、小脳比ＳＵＶＲ）を統計処理として採用できる。ＳＵＶＲは以下の式で定義できる。

　この式の分子は、大脳灰白質４部位、すなわち、大脳の皮質領域（前頭前野、前後帯状皮質、頭頂葉、および外側側頭葉）のＳＵＶの合算を示し、分母は、小脳のＳＵＶを示す。

　ＳＰＥＣＴ画像を用いたＤａｔＳＣＡＮの統計的処理には、評価（指標値）としてはＢＲ（Binding Ratio）を採用でき、以下の式で表される。

　式のＣはそれぞれの着目領域内のＤＡＴの平均値であり、Ｃspecificは、脳内の被殻と尾状核との平均値を示し、Ｃnonspecificは、脳内の後頭皮質の平均値を示す。

　解剖学的標準化された脳画像上における統計検定による有意差のある着目領域（ＲＯＩ）の可視化も、個々の画像評価システムでは行われており、ＳＰＭ（Statistical Parametric Mapping）等のツールが知られている。

　一例として、２０８名（ＤＬＢ群１０１名，ＡＤ群６９名, 健常者群３８名）の被験者が参加した研究について説明する。疾患群はそれぞれ日本認知症学会の２名の認定専門医が、ＤＳＭ－５診断基準により主たる神経疾患としてＤＬＢもしくはＡＤと判断したものである。被験者は血管性障害を適用除外するため、進行性と急性期の白質病変を含む被験者を除く条件でリクルーティングを行った。健常群の認知症と診断されず、中枢神経系の疾患の疑いがあるものを除いた被験者群である。本研究は倫理委員会の承認を得て、研究参加施設におけるガイドラインに則って行われたものである。

　図９に、被験者の属性を示す。ＤＬＢ群は５０名の女性と５１名の男性から成り、その年齢の平均と標準偏差は７３．２５±８．０５歳である。ＡＤ群は３６名の女性と３３名の男性から構成される（同様に年齢は７１．５８±６．３３歳）。ＮＣ群は２８名の女性と１０名の男性から構成される（同様に年齢は７１．０３±６．２８歳）。年齢と性別のどの被験者群間でも有意な差は存在しなかった。全ての被験者はＭＭＳＥテストを受けており，そのスコアはＤＬＢ群、ＡＤ群及びＮＣ群でそれぞれ２２．２１±４．８６、２１．３２±３．９５及び２８．２１±１．２６であり、ＤＬＢ群とＡＤ群の間に有意な差は存在しなかった。

　被験者のＭＲＩデータは計１１の異なるスキャナで撮像されたものである。サジタル方向のＧａｐｌｅｓｓ撮像による３次元Ｔ１強調画像であり、各ＭＲＩスキャナのＰｕｌｓｅＳｅｑｕｅｎｃｅは図１０に示す通りである。各ＭＲＩ画像は、上述した処理により解剖学的標準化画像５０に変換された。

　ＳＰＭを用いた統計解析結果でＮＣ、ＤＬＢ及びＡＤの３群に対して、ＩＣＶ（頭蓋内容積）正規化を行ったＡＮＯＶＡ解析を行い、灰白質体積に群間の有意差があると評価されたＭＮＩ（Montreal. Neurological Institute）座標の結果を図１１に示す。ＭＮＩ座標位置の領域名称はＷＦＵＰｉｃｋａｔｌａｓ（Department of Radiology of Wake Forest University School of Medicine, Winston-Salem, North Carolina; fmri.wfubmc.edu）によるものである。

　図１２に、ＩＣＶ正規化を行った３群のＲＯＩを示している。図１２はＩＣＶ正規化を行った結果を示す。３群に対して灰白質体積に有意差のある部位は、比較的広範に有意差が確認され、最も有意差のある部位として海馬傍回から、脳幹部に広がる領域となった。

　図１３に、ＩＣＶ正規化を行った各群のＲＯＩ内の影響を９０％ＣＩで評価した結果を示す。ＤＬＢ群とＡＤ群の大きな差は認められなかった。

　図２に戻って、ステップ８６において、支援ユニット３０は、医用画像に基づき第１の疾患、例えば、ＡＤまたはＤＬＢを評価するように機械学習した第１のモデル（深層学習モデル）７４を用いて被験者の罹患状態を判断する第２の画像評価システム７０から、医用画像の評価に関する第２の結果７６を取得する必要があると、ステップ８７において、第２の画像評価システム７０に対しアクセス可能な第２のアクセスユニット（インターフェイス）１３を介して、第２の画像評価システム７０の第２の評価結果７６を取得する。

　医用画像の情報に基づいて機械学習を行ったモデル（学習モデル）を用いて、被験者の医用画像から疾患の鑑別を行うことが行われている。Iizuka, Tomomichiらの"Deep-learning-based imaging-classification identified cingulate island sign in dementia with Lewy bodies."（Scientific reports 9.1 (2019): 1-9.）には、灌流ＳＰＥＣＴ画像に畳み込みニューラルネットワークを用いた実験でさらに精度の高い８９．３２％を達成するとともに、深層学習がその鑑別に際しては、従来読影に用いられてきた後頭葉の血流所見に着目していることが報告されている。Litjens, Geertらの"A survey on deep learning in medical image analysis."（Medical image analysis 42 (2017): 60-88.）、Wen, Junhaoらの“Convolutional Neural Networks for Classification of Alzheimer's Disease: Overview and Reproducible Evaluation.”（CoRR abs/1904.07773 (2019)）には、ＡＤの鑑別において近年の深層学習技術の適用で高い精度を示したことが報告されている。

　しかしながら、深層学習によってＤＬＢとＡＤとの鑑別ができるか否かに焦点を当てた研究は行われてきておらず、形態ＭＲＩ画像を用いたＤＬＢとＡＤの鑑別に深層学習を適用した研究はまだ知られていない。そこで、上記の研究の一環として、形態ＭＲＩ画像に深層学習を用いた鑑別アプローチについて検証を行った。

　図１４に、採用されたモデルの概要を示している。本研究では、ＲｅｓＮｅｔタイプのニューラルネットワークモデルを３次元データに対応させたものを採用した。ＲｅｓＮｅｔは畳み込みニューラルネットワークモデルの一種であり、一般的な畳み込みニューラルネットワークと比べて信号源の特徴の消失を防ぐモデル構造を持つという特徴がある。さらに、ＲｅｓＮｅｔは“skip connection”と呼ばれる仕組みを畳み込み層に加えることによって，次の層への出力を畳み込みの出力と当該層の入力とを合わせて伝達する仕組みを採用できる。これにより、モデルの層が深くなった場合においても学習データの情報損失を防ぐことが可能となり、多くの画像分類タスクにおいて高い精度が得られる。本研究ではｐｙｔｏｒｃｈフレームワークを用いた実装を採用し、ネットワークの深さは１８、３４、５０、１０１層を事前に試して３４層を採用した。学習処理はＮＶＩＤＩＡ、ＴｅｓｌａＫ８０ＧＰＵｘ１基を用いて実施し、最適化処理は慣性項を付与したＳＧＤ(確率的再急降下法）を用いた。

　図１５に、さらに各５－ｆｏｌｄの検証精度最大のモデルについて、出力層のソフトマックスの疾患判定の閾値を動かしながら、感度・特異度の変化を確認しＲＯＣプロットにしたものを示している。ＹｏｕｄｅｎＩｎｄｅｘでバランスした場合の感度・特異度はそれぞれ８１．５４±１０．４３％、７６．７７％でその時の精度は７９．１５±５．２２％であった（感度及び精度は、特異度を固定した場合の５－ｆｏｌｄｍｅａｎ±ＳＤである）。限定的ではあるものの、本実験から従来のＳＰＭ統計検定では有意差を確認できなかったＤＬＢ群とＡＤ群に対して、同じ灰白質体積データを用いた深層学習モデルでは鑑別能を持つことが確認できた。

　事前検証実験の結果から、健常群、ＤＬＢ群及びＡＤ群の３群で灰白質に対して有意差のある領域は右中側頭極及び左海馬傍回であった。ＩＣＶを用いた解析において脳幹領域が検出されたことは前例があり、また、他の研究において脳幹背側に白質ではあるがＤＬＢ群とＡＤ群の有意差を確認した解析があるが、我々の事前検証においては、ＤＬＢ群とＡＤ群の海馬から脳幹を含む灰白質の萎縮度の差は、頭蓋内容積に比して小さいものであった。

　ＩＣＶを用いた解析では、海馬傍回の有意差がより際立つ結果であった。海馬の萎縮は通常ＡＤの進行サインとして見られるものであるが、本研究ではＤＬＢ群とＡＤ群の両疾患群に対して萎縮が見られ、ＡＤ群はＤＬＢ群よりもさらに萎縮が進行している事を示唆した。他の報告においては、まず海馬傍回の萎縮を評価して、健常群と認知症疾患群を鑑別し、さらに脳幹背側の萎縮を評価してＤＬＢ群とＡＤ群とを鑑別するカスケードな鑑別手法を取っている。我々の事前検証実験の結果からは、寧ろ海馬傍回により、ＤＬＢ群とＡＤ群との鑑別を計った方が有効である可能性を示した。そこでＤＬＢ群とＡＤ群の独立した２群のｔ検定をさらに試みたが、有意差領域は海馬領域にも脳幹背側部位にも検出はできなかった。これらの事から、健常群と疾患群の鑑別に比して、従来の統計的有意差を根拠とする方法では捉えれないほど、ＤＬＢ群とＡＤ群間の灰白質の萎縮パターンは微細なものであると考えられる。

　これに対し、深層学習をＶＢＭベースのデータに適用した我々の実験結果は、一定精度でＤＬＢ群とＡＤ群とを鑑別する性能を示した。例えば、本実施形態の深層学習モデルを用いた場合には、ＶＢＭベースの手法に比べて、感度の点で３５．７９％の向上、精度の点で１５．７０％の向上を達成することができた。このことは、ＤＬＢ群とＡＤ群とを鑑別する手法として、本実施形態のような深層学習モデルを用いることができることを示している。また、我々が採用したＶＢＭ前処理工程においては、深層学習モデルは通常レベルの有意差条件での統計的解析よりも鋭敏に微小な体積差を評価する事ができたと言える。ただし臨床応用を考えた場合には、この非常に僅かな差を診断に応用する事はリスクも孕んでおり，形態ＭＲＩ以外の検査データを含めた総合的な判断が求められると共に、今後も検証施設を増やして当該手法の汎化性能をさらに評価していく必要がある。

　このように、例えば、ＤＬＢ群とＡＤ群の萎縮パターンは微細なものであることがあるが、一方で、深層学習モデルは一定の鑑別性能を示す。これらの結果は深層学習が鑑別に有効な微細な特徴を扱えている可能性を示唆するものであるが、深層学習の鑑別に評価した特徴の可視化等により、鑑別に有効な着目領域を解析し、評価することが重要である。支援ユニット３０は、そのような場合の画像評価の支援環境を提供する。

　図２に戻って、ステップ８８ａにおいて、それぞれのシステム６０および７０の評価結果の表示が要求されると、ステップ８８ｂにおいて、支援ユニット３０の表示・比較ユニット３１は、第１の画像評価システム６０から取得した医用画像の評価に関する第１の結果６６と、第２の画像評価システム７０から取得した被験者の医用画像の評価に関する第２の結果７６とを、共通の画像評価環境１５を介してユーザーに提供する。

　ステップ８９ａにおいて、学習モデル７４の鑑別結果に基づいて統計的処理の見直しが要求されると、ステップ８９ｂにおいて、支援ユニット３０の再統計的処理要求ユニット３２は、第２の画像評価システム７０の罹患状態の判断に基づき、第１の画像評価システム６０から取得した医用画像の評価に関する第１の結果６６を再評価するように入力制御情報６７を介して第１の画像評価システム６０に要求し、その結果６６を、共通の画像評価環境１５を介して出力する。

　例えば、先の実験において，既存手法が誤った判定結果で、深層学習モデル７４が正しく判定しているケースがあり、ＤＬＢ症例は５例存在した。これらに対して、年齢・性別を共変量として一般線形モデルによる補正を含み、対照群には所定数又は所要数の健常群とした検定を行った。ＦＷＥ多重比較補正を用いたｐ＜０．０５条件での有意差は確認できなかったが、さらに行った多重比較補正のないｐ＜０．００１条件での検定を行った結果では幾つかの有意差を示した。

　図１６に、５名のＤＬＢ検証被験者のＳＰＭ統計検定結果とｐ値最小の部位、及び当該被験者の深層学習モデル７４における判断根拠となるソフトマックス出力値（０－１）を示している。最もｐ値の高かった灰白質部位は各被験者においてそれぞれ被殻／尾状核／嗅内皮質／海馬傍回／扁桃体であった。被殻・尾状核のような線条体はドパミン神経細胞の変性がレビー小体型認知症及びパーキンソン病において認められる部位である。被験者（ｃ）、（ｄ）においては海馬周辺の萎縮が確認された。海馬周辺の萎縮は多くの場合ＡＤ症例で見られる所見であるが、これらのケースにおいて提案手法のソフトマックス関数出力値での評価は，微差ではあるがＤＬＢ判定根拠が相対的に低いという結果であった。被験者（ｅ）においては扁桃体の萎縮がみられた。扁桃体は皮質型レビー小体においてαシヌクレインの集積を報告される部位でもある。既存手法が脳幹背側部位に限定したＲＯＩを定め評価を与えたのに対し、学習モデル７４を用いた手法では広範な領域に病理機序の影響があるレビー小体型認知症において、必要な特徴を既存手法以上に捉えることができ、精度向上に寄与した可能性があることがわかる。

　ＡＤ／ＤＬＢを形態ＭＲＩ画像で鑑別する例においては、ＡＤ／ＤＬＢ群間は非常に微細な変化量を捉える必要があり、統計的な処理においては有意差のあるＲＯＩは抽出できなかった。これに対し、深層学習モデル７４の鑑別精度は一定程度得られ、この時の着目領域内の体積値は有意差を持たなかっただけで、群間の鑑別に有効な指標ではあったと考えることができる。特にＶＢＭを行えば体積情報しか残らないので、離れた部位との相互関係まで深層学習モデル７４が見ていなければ、従来統計解析ツールでは結果として出さずに捨てているこの微細な変化量を指標として出すＵＩとして、臨床意義を提供できる。

　図２に戻って、ステップ９０ａにおいて、統計的処理のＲＯＩと、深層学習モデル７４のＲＯＩとをオーバーレイ表示する要求があると、ステップ９０ｂにおいて、支援ユニット３０のオーバーレイ表示ユニット３３は、第１の画像評価システム６０から取得した医用画像の評価に関する第１の結果６６により重要視される第１の領域（ＲＯＩ）と、第２の画像評価システム７０の罹患状態の判断に重要視された第２の領域（ＲＯＩ）とを、共通の画像評価環境１５を介して出力する。

　図１７に、深層学習モデル７４にＧｒａｄＣＡＭを用いて、深層学習モデル７４の鑑別に際して重用した着目領域（ＲＯＩ）を出力し、解剖学的標準化画像１０１に表示した例を示している。この画面１００においては、解剖学的標準化脳の矢状断１０２、冠状断１０３、および水平断１０４を用いてＧｒａｄＣＡＭの出力を表示している。画面１００には、ＧＭ（灰白質）、ＷＭ（白質）、ＴＢＶ、ＩＣＶの各体積１０５を、健常者の平均値（カッコ内の表示）とともに示している。また、被験者の臨床情報１０８、ＤＬＢ確信度１０６も併せて表示している。

　なお、本例では「部位選択」のチェック項目は「灰白質」のみとしているが、灰白質に限らず複数部位を選択できる。また、灰白質内の詳細な部位を選択できるようにしてもよい。

　図１８に、同じ被験者の脳画像５３に統計的処理を行った結果の一例を示している。この表示１１０では、Ｚスコアの着目領域（ＲＯＩ）を、解剖学的標準化画像１１１の矢状断１１２、冠状断１１３、および水平断１１４を用いて示している。

　図１９に、第１の画像評価システムから取得した第１の被験者の医用画像の評価に関する統計的評価の着目領域を含む第１の評価結果と、第２の画像評価システムが第１の被験者の医用画像から罹患状態の判断に至る際に捕捉された重要視された領域を含む第２の評価結果とを、共通の画像評価環境に重ねて出力する様子を示している。例えば、ＧｒａｄＣＡＭにより得られた深層学習モデル７４のＲＯＩと、ＺスコアのＲＯＩとを重ねて示している。このオーバーレイ表示１２０では、解剖学的標準化画像１２１の矢状断１２２、冠状断１２３、および水平断１２４に、両者のＲＯＩの領域をオーバーレイ表示している。このように、深層学習モデル７４による鑑別の入力を解剖学的標準脳にマッピングした脳画像とすれば、従来の統計学的に算出されたＲＯＩと同一の画像上で対比して視認することが可能となる。

　図２に戻って、ステップ９１ａにおいて、統計的処理のＲＯＩに基づいて学習モデル７４の処理が要求されると、ステップ９１ｂにおいて、支援ユニット３０のモデル入力選択ユニット３４が、第１の画像評価システム６０から取得した医用画像の評価に関する第１の結果６６により重要視される第１の領域（ＲＯＩ）を含む画像領域を、共通の画像評価環境１５を介して選択し、入力制御情報７７により第２の画像評価システム７０の評価対象として提供する。

　ステップ９２ａにおいて、学習モデル７４のＲＯＩに基づいて統計的処理を行うことが選択されると、ステップ９２ｂにおいて、支援ユニット３０の、統計的処理入力選択ユニット３５が、第２の画像評価システム７０の罹患状態の判断に重要視された第２の領域（ＲＯＩ）を含む画像領域を共通の画像評価環境１５を介して選択し、入力制御情報６７により第１の画像評価システム６０の評価対象として提供する。第１の画像評価システム６０は、深層学習モデルの着目領域内に対して、脳容積や血流量の値を算出し、鑑別に有効であった領域について、人が解釈可能な指標値を提示することが可能となる。統計的処理は、Ｚスコアに限らず、体積値・体積密度値、血流量、糖代謝量、トレーサー反応物質の集積量などであってもよい。

　ステップ９３ａにおいて、マッピングの信頼性の評価を加味することが要求されると、ステップ９３ｂにおいて、支援ユニット３０のマッピング評価ユニット３６は、被験者の医用画像の共通の画像評価環境、本例では、標準化画像５０へマッピングの信頼度に基づき、第１の画像評価システム６０から取得した医用画像の評価に関する第１の結果６６、または、第２の画像評価システム７０から取得した被験者の医用画像の評価に関する第２の結果７６の、共通の画像評価環境１５を用いた出力を制御する。

　これらの画像評価支援プログラムが終了すると、共通の画像評価環境１５を介して提供された様々な情報に基づき、ステップ９４において、医療関係者は、深層学習モデル７４の鑑別結果を評価してもよい。

　本実施例では、主に、ＡＤ、ＤＬＢ、及び健常者について説明したが、ＡＤ及びＤＬＢに限定されるものではなく、本実施形態のシステム、制御方法及びプログラムは、脳障害（脳疾患を含む）に対しても適用することができる。脳障害とは、認知症をはじめ、注意障害、記憶障害、遂行機能障害、社会的行動障害、失語症、失行症、失認証などの主に高次脳障害を含む。認知症は、ＡＤ（Alzheimer Disease、アルツハイマー型認知症）、ＤＬＢ（Dementia with Lewy Bodies、レビー小体型認知症）、その他の変性型認知症、例えば、前頭側頭型認知症、進行性核上性麻痺、大脳皮質基底核変性症、嗜銀顆粒性認知症変性を含む。脳障害の状態とは、脳障害の有無、その進行状態、認知症などの脳障害の原因疾患（原因疾病）の有無および鑑別、単独または複数の原因疾病の進行状態など、被験者（受診者、患者、ユーザー）の脳障害に関わる様々な態様を含む。また、脳疾患には、認知症（ＡＤ、ＤＬＢ、前頭側頭葉変性症（ＦＴＬＤ）、正常圧水頭症（ＮＰＨ）等を含む）、脳腫瘍、精神障害（精神疾患ともいう、統合失調症、てんかん、気分障害、依存障害、高次機能障害等を含む）、パーキンソン病、アスペルガー症候群、注意欠陥・多動性障害（ＡＤＨＤ）、睡眠障害、小児疾患、虚血性脳障害、気分障害（うつ病等を含む）等が含まれる。また、脳障害には、脳に関連する疾患として、認知症や多発性硬化症などが含まれ、また、アミロイドβに関連する疾患として、例えば、軽度認知障害（ＭＣＩ：Mild cognitive impairment）、アルツハイマー病による軽度認知障害（ＭＣＩdue to ＡＤ）、前駆期アルツハイマー病（prodromal ＡＤ）、アルツハイマー病の発症前段階／プレクリニカルＡＤ（preclinical ＡＤ）、パーキンソン病、多発性硬化症、不眠症、睡眠障害、認知機能の低下、認知機能障害、アミロイド陽性／陰性に係る疾患などの神経変性疾患が含まれる。

　なお、上記においては評価対象となる医用画像に含まれる対象領域は脳または脳の一部の例で本発明を説明しているが、対象領域は脳に限られず、被験者の身体の他のいずれか一部であってもよい。また、評価の対象となる疾患は認知症に限られず、画像診断の対象となる疾患であれば、身体の他の部位に関連する疾患のいずれであってもよい。

　１　画像診断支援情報提供システム
　８、９　構成範囲
　１０　支援システム
　１１　第１のアクセスユニット
　１２　第２のアクセスユニット
　１３　アクセスユニット
　１５　画像評価環境（共通評価環境）
　１６ａ　ディスプレイ
　１６ｂ　タッチパネル
　１７　クラウド
　１８　データベース
　１９　プログラム
　２０　ユニット
　３０　支援ユニット
　３１　個別・比較評価ユニット
　３２　再統計的処理要求ユニット
　３３　重ね合わせ表示（オーバーレイ）ユニット
　３４　モデル入力選択ユニット
　３５　統計処理入力選択ユニット
　３６　マッピング評価ユニット
　３７　入力支援機能（入力支援ユニット）
　５０　標準化画像
　５２　画像データベース
　５３　脳画像（第１のタイプの医用画像）
　５５　マッピングシステム
　５６　第３の結果
　６０　第１の画像評価システム
　６１　プロセッサ
　６２、７２　評価対象の入力
　６３、７３　評価結果の出力
　６５　データベース
　６６　第１の結果
　６７、７７　入力制御情報
　７０　第２の画像評価システム
　７１　プロセッサ
　７４　深層学習モデル（学習モデル、第１のモデル）
　７５　データベース
　７６　第２の結果

Claims

　被験者の身体の少なくとも一部を対象領域として含む第１のタイプの医用画像を統計的に評価する第１の画像評価システムに対しアクセス可能な第１のアクセスユニットと、
　前記第１のタイプの医用画像に基づき第１の疾患を評価するように機械学習した第１のモデルを用いて前記被験者の罹患状態を判断する第２の画像評価システムに対しアクセス可能な第２のアクセスユニットと、
　前記第１の画像評価システムおよび前記第２の画像評価システムに対する評価対象の入力および評価結果の出力の少なくともいずれかについて共通の画像評価環境を介して提供する支援ユニットとを有する、システム。
　請求項１において、
　前記支援ユニットは、前記被験者の前記第１のタイプの医用画像が、前記第１の画像評価システムおよび前記第２の画像評価システムに対し入出力可能な画像に標準化された評価用画像を含む前記共通の画像評価環境を用いる、システム。
　請求項１または２において、
　前記支援ユニットは、前記第１の画像評価システムから取得した前記医用画像の評価に関する第１の結果と、前記第２の画像評価システムから取得した前記被験者の前記医用画像の評価に関する第２の結果とを、前記共通の画像評価環境を介して出力するユニットを含む、システム。
　請求項３において、
　前記支援ユニットは、前記第１の結果と、前記第２の結果とを、前記共通の画像評価環境に重ねて出力するユニットを含む、システム。
　請求項１ないし４のいずれかにおいて、
　前記支援ユニットは、前記第２の画像評価システムの前記罹患状態の判断に基づき、前記第１の画像評価システムから取得した前記医用画像の評価に関する第１の結果を再評価した結果を、前記共通の画像評価環境を介して出力するユニットを含む、システム。
　請求項１ないし５のいずれかにおいて、
　前記支援ユニットは、前記第１の画像評価システムから取得した前記医用画像の評価に関する第１の結果により重要視される第１の領域と、前記第２の画像評価システムの前記罹患状態の判断に重要視された第２の領域とを、前記共通の画像評価環境を介して出力するユニットを含む、システム。
　請求項６において、
　前記支援ユニットは、前記第１の領域と、前記第２の領域とを、前記共通の画像評価環境に重ねて出力するユニットを含む、システム。
　請求項１ないし７のいずれかにおいて、
　前記支援ユニットは、前記第１の画像評価システムから取得した前記医用画像の評価に関する第１の結果により重要視される第１の領域を含む画像領域を、前記共通の画像評価環境を介して前記第２の画像評価システムの評価対象として選択するユニットを含む、システム。
　請求項１ないし８のいずれかにおいて、
　前記支援ユニットは、前記第２の画像評価システムの前記罹患状態の判断に重要視された第２の領域を含む画像領域を、前記共通の画像評価環境を介して前記第１の画像評価システムの評価対象として選択するユニットを含む、システム。
　請求項１ないし９のいずれかにおいて、
　前記支援ユニットは、前記被験者の前記医用画像の前記共通の画像評価環境へマッピングの信頼度に基づき、前記第１の画像評価システムから取得した前記医用画像の評価に関する第１の結果、または、前記第２の画像評価システムから取得した前記被験者の前記医用画像の評価に関する第２の結果の、前記共通の画像評価環境を用いた出力を制御するユニットを含む、システム。
　請求項１ないし１０のいずれかにおいて、
　前記第１の疾患は認知症を含み、前記第１のタイプの医用画像はＭＲ画像であり、前記対象領域は、脳の海馬傍回、脳幹背側、及び大脳基底核の部分（被殻、尾状核、嗅内皮質、海馬傍回、扁桃体など）の少なくとも１つを含む、システム。
　請求項１ないし１１のいずれかにおいて、
　前記第１の疾患は認知症を含み、前記第１のタイプの医用画像はＳＰＥＣＴ画像であり、前記対象領域は、脳の楔前部、後頭葉、及び背外側前頭前野の少なくとも１つを含む、システム。
　請求項１ないし１２のいずれかにおいて、
　前記支援ユニットの出力に基づき、前記第１のモデルによる前記第１の疾患に対する評価を検証するユニットを有する、システム。
　支援システムの制御方法であって、
　前記支援システムは、
　被験者の身体の少なくとも一部を対象領域として含む第１のタイプの医用画像を統計的に評価する第１の画像評価システムに対しアクセス可能な第１のアクセスユニットと、
　前記第１のタイプの医用画像に基づき第１の疾患を評価するように機械学習した第１のモデルを用いて前記被験者の罹患状態を判断する第２の画像評価システムに対しアクセス可能な第２のアクセスユニットと、
　前記第１の画像評価システムおよび前記第２の画像評価システムに対する評価対象の入力および評価結果の出力の少なくともいずれかについて共通の画像評価環境を介して提供する支援ユニットとを有し、
　当該制御方法は、以下のステップの少なくともいずれかを含む、制御方法。
ｉ）前記支援ユニットが、前記第１の画像評価システムから取得した前記医用画像の評価に関する第１の結果と、前記第２の画像評価システムから取得した前記被験者の前記医用画像の評価に関する第２の結果とを、前記共通の画像評価環境を介して出力すること。
ｉｉ）前記支援ユニットが、前記第２の画像評価システムの前記罹患状態の判断に基づき、前記第１の画像評価システムから取得した前記医用画像の評価に関する第１の結果を再評価した結果を、前記共通の画像評価環境を介して出力すること。
ｉｉｉ）前記支援ユニットが、前記第１の画像評価システムから取得した前記医用画像の評価に関する第１の結果により重要視される第１の領域と、前記第２の画像評価システムの前記罹患状態の判断に重要視された第２の領域とを、前記共通の画像評価環境を介して出力すること。
ｉｖ）前記支援ユニットが、前記第１の画像評価システムから取得した前記医用画像の評価に関する第１の結果により重要視される第１の領域を含む画像領域を、前記共通の画像評価環境を介して前記第２の画像評価システムの評価対象として選択すること。
ｖ）前記支援ユニットが、前記第２の画像評価システムの前記罹患状態の判断に重要視された第２の領域を含む画像領域を、前記共通の画像評価環境を介して前記第１の画像評価システムの評価対象として選択すること。
ｖｉ）前記支援ユニットが、前記被験者の前記医用画像の前記共通の画像評価環境へマッピングの信頼度に基づき、前記第１の画像評価システムから取得した前記医用画像の評価に関する第１の結果、または、前記第２の画像評価システムから取得した前記被験者の前記医用画像の評価に関する第２の結果の、前記共通の画像評価環境を用いた出力を制御すること。
　請求項１４において、
　前記第１の疾患は認知症を含み、前記第１のタイプの医用画像はＭＲ画像であり、前記対象領域は、脳の海馬、海馬傍回、脳幹背側、中側頭極及び大脳基底核の部分（被殻、尾状核、嗅内皮質、海馬傍回、扁桃体など）の少なくとも１つを含む、制御方法。
　請求項１４において、
　前記第１の疾患は認知症を含み、前記第１のタイプの医用画像はＳＰＥＣＴ画像であり、前記対象領域は、脳の楔前部、後頭葉、及び背外側前頭前野の少なくとも１つを含む、制御方法。
　請求項１４ないし１６のいずれかにおいて、
　さらに、前記支援ユニットの出力に基づき、前記第１のモデルによる前記第１の疾患に対する評価を検証することを有する、制御方法。
　コンピュータにより医用画像を評価するプログラムであって、
　前記コンピュータが、被験者の身体の少なくとも一部を対象領域として含む第１のタイプの医用画像を統計的に評価する第１の画像評価システムに対しアクセスすることと、
　前記第１のタイプの医用画像に基づき第１の疾患を評価するように機械学習した第１のモデルを用いて前記被験者の罹患状態を判断する第２の画像評価システムに対しアクセスすることと、
　前記第１の画像評価システムおよび前記第２の画像評価システムに対する評価対象の入力および評価結果の出力の少なくともいずれかについて共通の画像評価環境を介して提供することと、
　以下のステップの少なくともいずれかとを実行する命令を有するプログラム。
ｉ）前記第１の画像評価システムから取得した前記医用画像の評価に関する第１の結果と、前記第２の画像評価システムから取得した前記被験者の前記医用画像の評価に関する第２の結果とを、前記共通の画像評価環境を介して出力すること。
ｉｉ）前記第２の画像評価システムの前記罹患状態の判断に基づき、前記第１の画像評価システムから取得した前記医用画像の評価に関する第１の結果を再評価した結果を、前記共通の画像評価環境を介して出力すること。
ｉｉｉ）前記第１の画像評価システムから取得した前記医用画像の評価に関する第１の結果により重要視される第１の領域と、前記第２の画像評価システムの前記罹患状態の判断に重要視された第２の領域とを、前記共通の画像評価環境を介して出力すること。
ｉｖ）前記第１の画像評価システムから取得した前記医用画像の評価に関する第１の結果により重要視される第１の領域を含む画像領域を、前記共通の画像評価環境を介して前記第２の画像評価システムの評価対象として選択すること。
ｖ）前記第２の画像評価システムの前記罹患状態の判断に重要視された第２の領域を含む画像領域を、前記共通の画像評価環境を介して前記第１の画像評価システムの評価対象として選択すること。
ｖｉ）前記被験者の前記医用画像の前記共通の画像評価環境へマッピングの信頼度に基づき、前記第１の画像評価システムから取得した前記医用画像の評価に関する第１の結果、または、前記第２の画像評価システムから取得した前記被験者の前記医用画像の評価に関する第２の結果の、前記共通の画像評価環境を用いた出力を制御すること。