WO2022138960A1 - 診断支援装置、診断支援装置の作動方法、診断支援装置の作動プログラム - Google Patents

Abstract

プロセッサと、プロセッサに接続または内蔵されたメモリと、を備え、プロセッサは、医用画像を取得し、医用画像から臓器の解剖区域を抽出し、異なる位置および／またはサイズにて、解剖区域の少なくとも一部を包含する領域をクロッピングすることで複数のクロッピング画像を生成し、複数のクロッピング画像を、複数のクロッピング画像の各々に対応して用意された特徴量導出モデルに入力し、特徴量導出モデルからクロッピング画像に対応する特徴量データを出力させ、複数のクロッピング画像毎に出力された特徴量データを疾病所見導出モデルに入力し、疾病所見導出モデルから臓器に関わる疾病の所見を出力させる、診断支援装置。

Description

診断支援装置、診断支援装置の作動方法、診断支援装置の作動プログラム

　本開示の技術は、診断支援装置、診断支援装置の作動方法、診断支援装置の作動プログラムに関する。

　疾病、例えばアルツハイマー病に代表される認知症の診断において、医師は、頭部ＭＲＩ（Ｍａｇｎｅｔｉｃ　Ｒｅｓｏｎａｎｃｅ　Ｉｍａｇｉｎｇ）画像等の医用画像を参照する。医師は、例えば、海馬、海馬傍回、扁桃体等の萎縮の程度、白質の血管障害の程度、前頭葉、側頭葉、後頭葉の血流代謝低下の有無等を観察し、認知症の所見を得る。

　特許第６４８３８９０号には、頭部ＭＲＩ画像に対する認知症の所見を、機械学習モデルにより導出して医師に提供する診断支援装置が記載されている。特許第６４８３８９０号に記載の診断支援装置は、ブロードマンの脳地図等に応じた複数の解剖区域を頭部ＭＲＩ画像から抽出し、各解剖区域の萎縮の程度を示すＺ値を算出している。そして、算出した各解剖区域のＺ値を機械学習モデルに入力し、機械学習モデルから認知症の所見を出力させている。

　前述のように、認知症等の疾病の所見を得るためには、脳等の臓器の各解剖区域を、様々な視点で隈なく精査する必要がある。しかしながら特許第６４８３８９０号では、統計的に得られたただ１つのＺ値という指標値だけを用いている。このため、こうした限定的な情報だけで得られる疾病の所見の予測精度には限界があった。

　本開示の技術に係る１つの実施形態は、より的確な疾病の所見を得ることが可能な診断支援装置、診断支援装置の作動方法、診断支援装置の作動プログラムを提供する。

　本開示の診断支援装置は、プロセッサと、プロセッサに接続または内蔵されたメモリと、を備え、プロセッサは、医用画像を取得し、医用画像から臓器の解剖区域を抽出し、異なる位置および／またはサイズにて、解剖区域の少なくとも一部を包含する領域をクロッピングすることで複数のクロッピング画像を生成し、複数のクロッピング画像を、複数のクロッピング画像の各々に対応して用意された特徴量導出モデルに入力し、特徴量導出モデルからクロッピング画像に対応する特徴量データを出力させ、複数のクロッピング画像毎に出力された特徴量データを疾病所見導出モデルに入力し、疾病所見導出モデルから臓器に関わる疾病の所見を出力させる。

　プロセッサは、解剖区域を複数抽出し、複数の解剖区域毎に複数のクロッピング画像を生成することが好ましい。

　特徴量導出モデルは、オートエンコーダ、シングルタスクのクラス判別用畳み込みニューラルネットワーク、およびマルチタスクのクラス判別用畳み込みニューラルネットワークのうちの少なくともいずれか１つを含むことが好ましい。

　プロセッサは、１つのクロッピング画像を、異なる複数の特徴量導出モデルに入力し、複数の特徴量導出モデルの各々から特徴量データを出力させることが好ましい。

　疾病所見導出モデルは、ニューラルネットワーク、サポートベクターマシン、ブースティング、および線形判別分析のうちのいずれかの手法によって構築されることが好ましい。

　プロセッサは、複数の特徴量データに加えて、疾病に関わる疾病関連情報を疾病所見導出モデルに入力することが好ましい。

　臓器は脳であり、疾病は認知症であることが好ましい。この場合、複数の解剖区域は、海馬および前側頭葉のうちの少なくともいずれか１つを含むことが好ましい。また、疾病関連情報は、解剖区域の体積、認知症テストのスコア、遺伝子検査の検査結果、髄液検査の検査結果、および血液検査の検査結果のうちの少なくともいずれか１つを含むことが好ましい。

　本開示の診断支援装置の作動方法は、医用画像を取得すること、医用画像から臓器の解剖区域を抽出すること、異なる位置および／またはサイズにて、解剖区域の少なくとも一部を包含する領域をクロッピングすることで複数のクロッピング画像を生成すること、複数のクロッピング画像を、複数のクロッピング画像の各々に対応して用意された特徴量導出モデルに入力し、特徴量導出モデルからクロッピング画像に対応する特徴量データを出力させること、および、複数のクロッピング画像毎に出力された特徴量データを疾病所見導出モデルに入力し、疾病所見導出モデルから臓器に関わる疾病の所見を出力させること、を含む。

　本開示の診断支援装置の作動プログラムは、医用画像を取得すること、医用画像から臓器の解剖区域を抽出すること、異なる位置および／またはサイズにて、解剖区域の少なくとも一部を包含する領域をクロッピングすることで複数のクロッピング画像を生成すること、複数のクロッピング画像を、複数のクロッピング画像の各々に対応して用意された特徴量導出モデルに入力し、特徴量導出モデルからクロッピング画像に対応する特徴量データを出力させること、および、複数のクロッピング画像毎に出力された特徴量データを疾病所見導出モデルに入力し、疾病所見導出モデルから臓器に関わる疾病の所見を出力させること、を含む処理をコンピュータに実行させる。

　本開示の技術によれば、より的確な疾病の所見を得ることが可能な診断支援装置、診断支援装置の作動方法、診断支援装置の作動プログラムを提供することができる。

診断支援装置を含む医療システムを示す図である。 診断支援装置を構成するコンピュータを示すブロック図である。 診断支援装置のＣＰＵの処理部を示すブロック図である。 正規化部の処理を示す図である。 抽出部の処理を示す図である。 クロッピング画像生成部の処理を示す図である。 クロッピング画像を生成する様子を示す図である。 特徴量導出部の処理を示す図である。 認知症所見導出部の処理を示す図である。 第１表示画面を示す図である。 第２表示画面を示す図である。 オートエンコーダとシングルタスクのクラス判別用畳み込みニューラルネットワークの構成、および特徴量導出モデルの成り立ちを示す図である。 畳み込み処理の説明図である。 演算データの構成を示す図である。 プーリング処理の説明図である。 出力部の詳細構成を示す図である。 オートエンコーダおよびシングルタスクのクラス判別用畳み込みニューラルネットワークの学習フェーズにおける処理の概要を示す図である。 オートエンコーダの損失に与えられる重みの変遷を示すグラフである。 認知症所見導出モデルの学習フェーズにおける処理の概要を示す図である。 診断支援装置の処理手順を示すフローチャートである。 第２実施形態の認知症所見導出モデルおよび認知症所見導出部の処理を示す図である。 認知症関連情報を示す図である。 第２実施形態の認知症所見導出モデルの学習フェーズにおける処理の概要を示す図である。 オートエンコーダの構成および特徴量導出モデルの成り立ちを示す図である。 オートエンコーダの学習フェーズにおける処理の概要を示す図である。 第３実施形態の認知症所見導出部の処理を示す図である。 シングルタスクのクラス判別用畳み込みニューラルネットワークの構成および特徴量導出モデルの成り立ちを示す図である。 シングルタスクのクラス判別用畳み込みニューラルネットワークの学習フェーズにおける処理の概要を示す図である。 マルチタスクのクラス判別用畳み込みニューラルネットワークの構成および特徴量導出モデルの成り立ちを示す図である。 マルチタスクのクラス判別用畳み込みニューラルネットワークの学習フェーズにおける処理の概要を示す図である。 第６実施形態の特徴量導出部の処理を示す図である。 認知症所見情報の別の例を示す図である。 認知症所見情報の別の例を示す図である。 認知症所見情報のさらに別の例を示す図である。

　［第１実施形態］
　一例として図１に示すように、医療システム２は、ＭＲＩ装置１０、ＰＡＣＳ（Ｐｉｃｔｕｒｅ　Ａｒｃｈｉｖｉｎｇ　ａｎｄ　Ｃｏｍｍｕｎｉｃａｔｉｏｎ　Ｓｙｓｔｅｍ）サーバ１１、および診断支援装置１２を備える。これらＭＲＩ装置１０、ＰＡＣＳサーバ１１、および診断支援装置１２は、医療施設内に敷設されたＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）１３に接続されており、ＬＡＮ１３を介して相互に通信することが可能である。

　ＭＲＩ装置１０は、患者Ｐの頭部を撮影して頭部ＭＲＩ画像１５を出力する。頭部ＭＲＩ画像１５は、患者Ｐの頭部の３次元形状を表すボクセルデータである。図１においては、サジタル断面の頭部ＭＲＩ画像１５Ｓを示している。ＭＲＩ装置１０は、頭部ＭＲＩ画像１５をＰＡＣＳサーバ１１に送信する。ＰＡＣＳサーバ１１は、ＭＲＩ装置１０からの頭部ＭＲＩ画像１５を記憶し、管理する。なお、頭部ＭＲＩ画像１５は、本開示の技術に係る「医用画像」の一例である。

　診断支援装置１２は、例えばデスクトップ型のパーソナルコンピュータであり、ディスプレイ１７と入力デバイス１８とを備える。入力デバイス１８は、キーボード、マウス、タッチパネル、マイクロフォン等である。医師は、入力デバイス１８を操作して、ＰＡＣＳサーバ１１に対して患者Ｐの頭部ＭＲＩ画像１５の配信要求を送信する。ＰＡＣＳサーバ１１は、配信要求された患者Ｐの頭部ＭＲＩ画像１５を検索して診断支援装置１２に配信する。診断支援装置１２は、ＰＡＣＳサーバ１１から配信された頭部ＭＲＩ画像１５をディスプレイ１７に表示する。医師は、頭部ＭＲＩ画像１５に写る患者Ｐの脳を観察して、患者Ｐに対する認知症の診断を行う。脳は、本開示の技術に係る「臓器」の一例であり、認知症は、本開示の技術に係る「疾病」の一例である。なお、図１では、ＭＲＩ装置１０および診断支援装置１２はそれぞれ１台しか描かれていないが、ＭＲＩ装置１０および診断支援装置１２はそれぞれ複数台あってもよい。

　一例として図２に示すように、診断支援装置１２を構成するコンピュータは、前述のディスプレイ１７および入力デバイス１８に加えて、ストレージ２０、メモリ２１、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）２２、および通信部２３を備えている。これらはバスライン２４を介して相互接続されている。なお、ＣＰＵ２２は、本開示の技術に係る「プロセッサ」の一例である。

　ストレージ２０は、診断支援装置１２を構成するコンピュータに内蔵、またはケーブル、ネットワークを通じて接続されたハードディスクドライブである。もしくはストレージ２０は、ハードディスクドライブを複数台連装したディスクアレイである。ストレージ２０には、オペレーティングシステム等の制御プログラム、各種アプリケーションプログラム、およびこれらのプログラムに付随する各種データ等が記憶されている。なお、ハードディスクドライブに代えてソリッドステートドライブを用いてもよい。

　メモリ２１は、ＣＰＵ２２が処理を実行するためのワークメモリである。ＣＰＵ２２は、ストレージ２０に記憶されたプログラムをメモリ２１へロードして、プログラムにしたがった処理を実行する。これによりＣＰＵ２２は、コンピュータの各部を統括的に制御する。通信部２３は、ＰＡＣＳサーバ１１等の外部装置との各種情報の伝送制御を行う。なお、メモリ２１は、ＣＰＵ２２に内蔵されていてもよい。

　一例として図３に示すように、診断支援装置１２のストレージ２０には、作動プログラム３０が記憶されている。作動プログラム３０は、コンピュータを診断支援装置１２として機能させるためのアプリケーションプログラムである。すなわち、作動プログラム３０は、本開示の技術に係る「診断支援装置の作動プログラム」の一例である。ストレージ２０には、頭部ＭＲＩ画像１５、標準頭部ＭＲＩ画像３５、セグメンテーションモデル３６、複数のクロッピング条件３７で構成されるクロッピング条件群３８、複数の特徴量導出モデル３９で構成される特徴量導出モデル群４０、および認知症所見導出モデル４１も記憶される。

　作動プログラム３０が起動されると、診断支援装置１２を構成するコンピュータのＣＰＵ２２は、メモリ２１等と協働して、リードライト（以下、ＲＷ（Ｒｅａｄ　Ｗｒｉｔｅ）と略す）制御部４５、正規化部４６、抽出部４７、クロッピング画像生成部４８、特徴量導出部４９、認知症所見導出部５０、および表示制御部５１として機能する。

　ＲＷ制御部４５は、ストレージ２０への各種データの記憶、およびストレージ２０内の各種データの読み出しを制御する。例えばＲＷ制御部４５は、ＰＡＣＳサーバ１１からの頭部ＭＲＩ画像１５を受け取り、受け取った頭部ＭＲＩ画像１５をストレージ２０に記憶する。なお、図３では頭部ＭＲＩ画像１５は１つしかストレージ２０に記憶されていないが、頭部ＭＲＩ画像１５はストレージ２０に複数記憶されていてもよい。

　ＲＷ制御部４５は、認知症を診断するために医師が指定した患者Ｐの頭部ＭＲＩ画像１５をストレージ２０から読み出し、読み出した頭部ＭＲＩ画像１５を正規化部４６および表示制御部５１に出力する。ＲＷ制御部４５は、頭部ＭＲＩ画像１５をストレージ２０から読み出すことで、頭部ＭＲＩ画像１５を取得していることになる。

　また、ＲＷ制御部４５は、標準頭部ＭＲＩ画像３５をストレージ２０から読み出し、読み出した標準頭部ＭＲＩ画像３５を正規化部４６に出力する。ＲＷ制御部４５は、セグメンテーションモデル３６をストレージ２０から読み出し、読み出したセグメンテーションモデル３６を抽出部４７に出力する。ＲＷ制御部４５は、クロッピング条件群３８をストレージ２０から読み出し、読み出したクロッピング条件群３８をクロッピング画像生成部４８に出力する。ＲＷ制御部４５は、特徴量導出モデル群４０をストレージ２０から読み出し、読み出した特徴量導出モデル群４０を特徴量導出部４９に出力する。さらに、ＲＷ制御部４５は、認知症所見導出モデル４１をストレージ２０から読み出し、読み出した認知症所見導出モデル４１を認知症所見導出部５０に出力する。

　正規化部４６は、頭部ＭＲＩ画像１５を標準頭部ＭＲＩ画像３５に合わせる正規化処理を行い、頭部ＭＲＩ画像１５を正規化頭部ＭＲＩ画像５５とする。正規化部４６は、正規化頭部ＭＲＩ画像５５を抽出部４７に出力する。

　標準頭部ＭＲＩ画像３５は、標準的な形状、大きさ、および濃度（画素値）の脳が写った頭部ＭＲＩ画像である。標準頭部ＭＲＩ画像３５は、例えば、複数の健常者の頭部ＭＲＩ画像１５を平均することで生成した画像、あるいは、コンピュータグラフィックスにより生成した画像である。

　抽出部４７は、正規化頭部ＭＲＩ画像５５をセグメンテーションモデル３６に入力する。セグメンテーションモデル３６は、正規化頭部ＭＲＩ画像５５に写る脳の画素毎に、海馬、扁桃体、前頭葉等の脳の各解剖区域を表すラベルを付与する、いわゆるセマンティックセグメンテーションを行う機械学習モデルである。抽出部４７は、セグメンテーションモデル３６が付与したラベルに基づいて、正規化頭部ＭＲＩ画像５５から、脳の複数の解剖区域の画像（以下、解剖区域画像という）５６を抽出する。抽出部４７は、複数の解剖区域毎の複数の解剖区域画像５６で構成される解剖区域画像群５７を、クロッピング画像生成部４８に出力する。

　クロッピング画像生成部４８は、クロッピング条件３７にしたがって、解剖区域画像５６に写る脳の解剖区域の少なくとも一部を包含する領域をクロッピングすることで、クロッピング画像５８を生成する。脳の解剖区域の少なくとも一部を包含する領域とは、例えば解剖区域が海馬であった場合、海馬の全体を包含する領域であってもよいし、海馬の一部を包含する領域であってもよい。

　クロッピング条件３７は、１つの解剖区域に対して複数個（例えば数個～数十個）用意されている。このため、クロッピング画像生成部４８は、１つの解剖区域の解剖区域画像５６から複数のクロッピング画像５８を生成する。例えば解剖区域画像５６の枚数が２０枚で、各解剖区域に対して１０個ずつクロッピング条件３７が用意されていた場合、クロッピング画像生成部４８は２０×１０＝２００枚のクロッピング画像５８を生成する。クロッピング画像生成部４８は、生成した複数のクロッピング画像５８で構成されるクロッピング画像群５９を、特徴量導出部４９に出力する。

　特徴量導出モデル３９は、クロッピング画像５８毎に１つずつ用意されている（図８参照）。特徴量導出部４９は、クロッピング画像５８を対応する特徴量導出モデル３９に入力する。そして、特徴量導出モデル３９から集約特徴量ＺＡを出力させる。特徴量導出部４９は、複数のクロッピング画像５８に対応する複数の集約特徴量ＺＡで構成される集約特徴量群ＺＡＧを、認知症所見導出部５０に出力する。なお、集約特徴量ＺＡは、本開示の技術に係る「特徴量データ」の一例である。

　認知症所見導出部５０は、集約特徴量群ＺＡＧを認知症所見導出モデル４１に入力する。そして、認知症所見導出モデル４１から認知症の所見を表す認知症所見情報６０を出力させる。認知症所見導出部５０は、認知症所見情報６０を表示制御部５１に出力する。なお、認知症所見導出モデル４１は、本開示の技術に係る「疾病所見導出モデル」の一例である。

　表示制御部５１は、ディスプレイ１７への各種画面の表示を制御する。各種画面には、セグメンテーションモデル３６、特徴量導出モデル３９、および認知症所見導出モデル４１による解析を指示するための第１表示画面７０（図１０参照）、認知症所見情報６０を表示する第２表示画面７５（図１１参照）等が含まれる。

　一例として図４に示すように、正規化部４６は、頭部ＭＲＩ画像１５に対して、正規化処理として形状正規化処理６５および濃度正規化処理６６を行う。形状正規化処理６５は、例えば、頭部ＭＲＩ画像１５および標準頭部ＭＲＩ画像３５から、位置合わせの基準となるランドマークを抽出し、頭部ＭＲＩ画像１５のランドマークと標準頭部ＭＲＩ画像３５のランドマークとの相関が最大となるよう、頭部ＭＲＩ画像１５を標準頭部ＭＲＩ画像３５に合わせて平行移動、回転、および／または拡大縮小する処理である。濃度正規化処理６６は、例えば、頭部ＭＲＩ画像１５の濃度ヒストグラムを、標準頭部ＭＲＩ画像３５の濃度ヒストグラムに合わせて補正する処理である。

　一例として図５に示すように、抽出部４７は、解剖区域画像５６として、海馬の解剖区域画像５６＿１、海馬傍回の解剖区域画像５６＿２、前頭葉の解剖区域画像５６＿３、前側頭葉の解剖区域画像５６＿４、後頭葉の解剖区域画像５６＿５、視床の解剖区域画像５６＿６、視床下部の解剖区域画像５６＿７、扁桃体の解剖区域画像５６＿８、脳下垂体の解剖区域画像５６＿９、・・・等を抽出する。これらの他にも、抽出部４７は、乳頭体、脳梁、脳弓、側脳室等の各解剖区域の解剖区域画像５６を抽出する。海馬、前頭葉、前側頭葉、扁桃体といった解剖区域は左右一対である。図では表現していないが、こうした左右一対の解剖区域は、左右それぞれの解剖区域の解剖区域画像５６が抽出される。例えば海馬は、左海馬の解剖区域画像５６＿１と右海馬の解剖区域画像５６＿１が抽出される。なお、これらの解剖区域のうち、海馬および前側頭葉のうちの少なくともいずれか１つを含むことが好ましく、海馬および前側頭葉を全て含むことがより好ましい。前側頭葉とは、側頭葉の前部という意である。抽出部４７によるセグメンテーションモデル３６を用いた解剖区域の抽出は、例えば下記文献に記載の方法を用いる。
　＜Ｐａｔｒｉｃｋ　ＭｃＣｌｕｒｅ，　ｅｔｃ．，　Ｋｎｏｗｉｎｇ　Ｗｈａｔ　Ｙｏｕ　Ｋｎｏｗ　ｉｎ　Ｂｒａｉｎ　Ｓｅｇｍｅｎｔａｔｉｏｎ　Ｕｓｉｎｇ　Ｂａｙｅｓｉａｎ　Ｄｅｅｐ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ，　Ｆｒｏｎｔ．　Ｎｅｕｒｏｉｎｆｏｒｍ．，　１７　Ｏｃｔｏｂｅｒ　２０１９．＞

　一例として図６に示すように、クロッピング画像生成部４８は、海馬のクロッピング条件３７＿１Ａ、３７＿１Ｂ、３７＿１Ｃ、・・・にしたがって、海馬の解剖区域画像５６＿１から海馬のクロッピング画像５８＿１Ａ、５８＿１Ｂ、５８＿１Ｃ、・・・を生成する。同様に、クロッピング画像生成部４８は、海馬傍回のクロッピング条件３７＿２Ａ、３７＿２Ｂ、３７＿２Ｃ、・・・にしたがって、海馬傍回の解剖区域画像５６＿２から海馬傍回のクロッピング画像５８＿２Ａ、５８＿２Ｂ、５８＿２Ｃ、・・・を生成する。また、クロッピング画像生成部４８は、前頭葉のクロッピング条件３７＿３Ａ、３７＿３Ｂ、３７＿３Ｃ、・・・にしたがって、前頭葉の解剖区域画像５６＿３から前頭葉のクロッピング画像５８＿３Ａ、５８＿３Ｂ、５８＿３Ｃ、・・・を生成する。さらに、クロッピング画像生成部４８は、前側頭葉のクロッピング条件３７＿４Ａ、３７＿４Ｂ、３７＿４Ｃ、・・・にしたがって、前側頭葉の解剖区域画像５６＿４から前側頭葉のクロッピング画像５８＿４Ａ、５８＿４Ｂ、５８＿４Ｃ、・・・を生成する。このように、クロッピング画像生成部４８は、海馬、前頭葉、前側頭葉といった脳の複数の解剖区域毎に複数のクロッピング画像５８を生成する。

　海馬のクロッピング画像５８＿１を生成する様子を一例として示す図７において、クロッピング画像生成部４８は、クロッピング条件３７に対応したクロッピング枠６８を解剖区域画像５６に設定する。そして、設定したクロッピング枠６８にて解剖区域画像５６をクロッピングすることで、クロッピング画像５８を生成する。図７においては、説明の便宜上、解剖区域画像５６の代わりにアキシャル断面の頭部ＭＲＩ画像１５Ａを図示している。また、クロッピング枠６８を２次元の矩形で図示している。ただし実際は、クロッピング枠６８は３次元のボクセルである。クロッピング条件３７は、このクロッピング枠６８の座標情報、例えば、クロッピング枠６８の角位置および中心位置のＸＹＺ座標である。クロッピング枠６８の中心位置は、解剖区域の中心位置に対して設定される。

　クロッピング条件３７＿１Ａ、３７＿１Ｂ、３７＿１Ｃ、３７＿１Ｄ、・・・に対応するクロッピング枠６８＿１Ａ、６８＿１Ｂ、６８＿１Ｃ、６８＿１Ｄ、・・・は、位置および／またはサイズがそれぞれ異なる。このため、クロッピング画像５８＿１Ａ、５８＿１Ｂ、５８＿１Ｃ、５８＿１Ｄ、・・・も、クロッピングされた領域の位置および／またはサイズがそれぞれ異なる。例えばクロッピング画像５８＿１Ａおよび５８＿１Ｂは、位置は一部重複するがサイズは異なる。また、例えばクロッピング画像５８＿１Ａおよび５８＿１Ｄは、サイズは同じであるが位置が異なる。

　一例として図８に示すように、特徴量導出部４９は、海馬のクロッピング画像５８＿１Ａ、５８＿１Ｂ、・・・を海馬の特徴量導出モデル３９＿１Ａ、３９＿１Ｂ、・・・に入力し、海馬の特徴量導出モデル３９＿１Ａ、３９＿１Ｂ、・・・から海馬の集約特徴量ＺＡ＿１Ａ、ＺＡ＿１Ｂ、・・・を出力させる。

　同様にして、特徴量導出部４９は、海馬傍回のクロッピング画像５８＿２Ａ、５８＿２Ｂ、・・・を海馬傍回の特徴量導出モデル３９＿２Ａ、３９＿２Ｂ、・・・に入力し、前頭葉のクロッピング画像５８＿３Ａ、５８＿３Ｂ、・・・を前頭葉の特徴量導出モデル３９＿３Ａ、３９＿３Ｂ、・・・に入力し、前側頭葉のクロッピング画像５８＿４Ａ、５８＿４Ｂ、・・・を前側頭葉の特徴量導出モデル３９＿４Ａ、３９＿４Ｂ、・・・に入力する。そして、海馬傍回の特徴量導出モデル３９＿２Ａ、３９＿２Ｂ、・・・から海馬傍回の集約特徴量ＺＡ＿２Ａ、ＺＡ＿２Ｂ、・・・を出力させ、前頭葉の特徴量導出モデル３９＿３Ａ、３９＿３Ｂ、・・・から前頭葉の集約特徴量ＺＡ＿３Ａ、ＺＡ＿３Ｂ、・・・を出力させ、前側頭葉の特徴量導出モデル３９＿４Ａ、３９＿４Ｂ、・・・から前側頭葉の集約特徴量ＺＡ＿４Ａ、ＺＡ＿４Ｂ、・・・を出力させる。このように、複数のクロッピング画像５８は、それぞれ対応する特徴量導出モデル３９に入力され、これによりクロッピング画像５８毎の複数の集約特徴量ＺＡが各特徴量導出モデル３９から出力される。

　一例として図９に示すように、認知症所見導出部５０は、集約特徴量群ＺＡＧを認知症所見導出モデル４１に入力する。そして、認知症所見導出モデル４１から、認知症所見情報６０として、現在軽度認知障害（ＭＣＩ；Ｍｉｌｄ　Ｃｏｇｎｉｔｉｖｅ　Ｉｍｐａｉｒｍｅｎｔ）の患者Ｐが２年後も軽度認知障害のまま、あるいは２年後にアルツハイマー病（ＡＤ；Ａｌｚｈｅｉｍｅｒ’ｓ　Ｄｉｓｅａｓｅ）に進行する、のいずれかを出力させる。

　図１０に、セグメンテーションモデル３６、特徴量導出モデル３９、および認知症所見導出モデル４１による解析を指示するための第１表示画面７０の一例を示す。第１表示画面７０には、認知症を診断する患者Ｐの頭部ＭＲＩ画像１５が表示される。頭部ＭＲＩ画像１５は、サジタル断面の頭部ＭＲＩ画像１５Ｓ、アキシャル断面の頭部ＭＲＩ画像１５Ａ、およびコロナル断面の頭部ＭＲＩ画像１５Ｃである。これら各頭部ＭＲＩ画像１５Ｓ、１５Ａ、および１５Ｃの下部には、表示を切り替えるためのボタン群７１が設けられている。

　第１表示画面７０には、解析ボタン７２が設けられている。医師は、セグメンテーションモデル３６、特徴量導出モデル３９、および認知症所見導出モデル４１による解析を行いたい場合、解析ボタン７２を選択する。これにより、セグメンテーションモデル３６、特徴量導出モデル３９、および認知症所見導出モデル４１による解析の指示が、ＣＰＵ２２にて受け付けられる。

　図１１に、セグメンテーションモデル３６、特徴量導出モデル３９、および認知症所見導出モデル４１による解析の結果得られた認知症所見情報６０を表示する第２表示画面７５の一例を示す。第２表示画面７５には、認知症所見情報６０に応じたメッセージ７６が表示される。図１１においては、認知症所見情報６０が、現在軽度認知障害の患者Ｐが２年後にアルツハイマー病に進行するという内容で、メッセージ７６として「２年後にアルツハイマー病に進行するおそれがあります。」が表示された例を示している。なお、表示制御部５１は、確認ボタン７７が選択された場合、メッセージ７６の表示を消し、第２表示画面７５を第１表示画面７０に戻す。

　一例として図１２に示すように、特徴量導出モデル３９には、オートエンコーダ（以下、ＡＥ（Ａｕｔｏ　Ｅｎｃｏｄｅｒ）と略す）８０とシングルタスクのクラス判別用畳み込みニューラルネットワーク（以下、シングルタスクＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）と略す）８１を合わせたモデルが用いられる。ＡＥ８０は、圧縮部８２と復元部８３とを有する。圧縮部８２にはクロッピング画像５８が入力される。圧縮部８２は、クロッピング画像５８を特徴量セット８４に変換する。特徴量セット８４は、複数の特徴量Ｚ１、Ｚ２、・・・、ＺＮで構成される。なお、Ｎは特徴量の個数であり、例えば数十個～数十万個である。圧縮部８２は、特徴量セット８４を復元部８３に受け渡す。復元部８３は、特徴量セット８４からクロッピング画像５８の復元画像８５を生成する。

　シングルタスクＣＮＮ８１は、圧縮部８２と出力部８６とを有する。つまり、圧縮部８２は、ＡＥ８０とシングルタスクＣＮＮ８１とで共用される。圧縮部８２は、特徴量セット８４を出力部８６に受け渡す。出力部８６は、特徴量セット８４に基づいて、１つのクラス８７を出力する。図１２においては、出力部８６は、現在軽度認知障害の患者Ｐが２年後も軽度認知障害のまま、あるいは２年後にアルツハイマー病に進行する、という判別結果をクラス８７として出力する。また、出力部８６は、特徴量セット８４を構成する複数の特徴量Ｚを集約した集約特徴量ＺＡを出力する。

　圧縮部８２は、一例として図１３に示すような畳み込み演算を行うことで、クロッピング画像５８を特徴量セット８４に変換する。具体的には、圧縮部８２は、「ｃｏｎｖ（ｃｏｎｖｏｌｕｔｉｏｎの略）」で表される畳み込み層９０を有する。畳み込み層９０は、２次元に配列された複数の要素９１をもつ対象データ９２に、例えば３×３のフィルタ９３を適用する。そして、要素９１のうちの１つの注目要素９１Ｉの要素値ｅと、注目要素９１Ｉに隣接する８個の要素９１Ｓの要素値ａ、ｂ、ｃ、ｄ、ｆ、ｇ、ｈ、ｉを畳み込む。畳み込み層９０は、注目要素９１Ｉを１要素ずつずらしつつ、対象データ９２の各要素９１に対して畳み込み演算を順次行い、演算データ９５の要素９４の要素値を出力する。これにより、対象データ９２と同様に、２次元に配列された複数の要素９４を有する演算データ９５が得られる。なお、最初に畳み込み層９０に入力される対象データ９２はクロッピング画像５８であり、その後は後述する縮小演算データ９５Ｓ（図１５参照）が対象データ９２として畳み込み層９０に入力される。

　フィルタ９３の係数をｒ、ｓ、ｔ、ｕ、ｖ、ｗ、ｘ、ｙ、ｚとした場合、注目要素９１Ｉに対する畳み込み演算の結果である、演算データ９５の注目要素９１Ｉに対応する要素９４Ｉの要素値ｋは、例えば下記の式（１）を計算することで得られる。
　ｋ＝ａｚ＋ｂｙ＋ｃｘ＋ｄｗ＋ｅｖ＋ｆｕ＋ｇｔ＋ｈｓ＋ｉｒ・・・（１）

　演算データ９５は、１個のフィルタ９３に対して１つ出力される。１つの対象データ９２に対して複数種のフィルタ９３が適用された場合は、フィルタ９３毎に演算データ９５が出力される。つまり、一例として図１４に示すように、演算データ９５は、対象データ９２に適用されたフィルタ９３の個数分生成される。また、演算データ９５は、２次元に配列された複数の要素９４を有するため、幅と高さをもつ。演算データ９５の数はチャンネル数と呼ばれる。図１４においては、対象データ９２に４個のフィルタ９３を適用して出力された４チャンネルの演算データ９５を例示している。

　一例として図１５に示すように、圧縮部８２は、畳み込み層９０の他に、「ｐｏｏｌ（ｐｏｏｌｉｎｇの略）」で表されるプーリング層１００を有する。プーリング層１００は、演算データ９５の要素９４の要素値の局所的な統計量を求め、求めた統計量を要素値とする縮小演算データ９５Ｓを生成する。ここでは、プーリング層１００は、局所的な統計量として、２×２の要素のブロック１０１内における要素値の最大値を求める最大値プーリング処理を行っている。ブロック１０１を幅方向および高さ方向に１要素ずつずらしつつ処理を行えば、縮小演算データ９５Ｓは、元の演算データ９５の１／２のサイズに縮小される。図１５においては、ブロック１０１Ａ内における要素値ａ、ｂ、ｅ、ｆのうちのｂ、ブロック１０１Ｂ内における要素値ｂ、ｃ、ｆ、ｇのうちのｂ、ブロック１０１Ｃ内における要素値ｃ、ｄ、ｇ、ｈのうちのｈがそれぞれ最大値であった場合を例示している。なお、最大値ではなく平均値を局所的な統計量として求める、平均値プーリング処理を行ってもよい。

　圧縮部８２は、畳み込み層９０による畳み込み処理とプーリング層１００によるプーリング処理とを複数回繰り返すことで、最終的な演算データ９５を出力する。この最終的な演算データ９５が、すなわち特徴量セット８４であり、最終的な演算データ９５の各要素９４の要素値が、すなわち特徴量Ｚである。こうして得られた特徴量Ｚは、海馬の萎縮の程度、白質の血管障害の程度、前頭葉、前側頭葉、後頭葉の血流代謝低下の有無といった、解剖区域の形状およびテクスチャーの特徴を表している。なお、ここでは、説明を簡単化するため２次元としているが、実際には３次元で各処理が行われる。

　一例として図１６に示すように、出力部８６は、自己注意（以下、ＳＡ（Ｓｅｌｆ－Ａｔｔｅｎｔｉｏｎ）と略す）機構層１１０、全体平均プーリング（以下、ＧＡＰ（Ｇｌｏｂａｌ　Ａｖｅｒａｇｅ　Ｐｏｏｌｉｎｇ）と略す）層１１１、全結合（以下、ＦＣ（Ｆｕｌｌｙ　Ｃｏｎｎｅｃｔｅｄ）と略す）層１１２、ソフトマックス関数（以下、ＳＭＦ（ＳｏｆｔＭａｘ　Ｆｕｎｃｔｉｏｎと略す）層１１３、および主成分分析（以下、ＰＣＡ（Ｐｒｉｎｃｉｐａｌ　Ｃｏｍｐｏｎｅｎｔ　Ａｎａｌｙｓｉｓ）と略す）層１１４を有する。

　ＳＡ機構層１１０は、特徴量セット８４に対して、図１３で示した畳み込み処理を、注目要素９１Ｉの要素値に応じてフィルタ９３の係数を変更しつつ行う。以下、このＳＡ機構層１１０で行われる畳み込み処理を、ＳＡ畳み込み処理という。ＳＡ機構層１１０は、ＳＡ畳み込み処理後の特徴量セット８４をＧＡＰ層１１１に出力する。

　ＧＡＰ層１１１は、ＳＡ畳み込み処理後の特徴量セット８４に対して、全体平均プーリング処理を施す。全体平均プーリング処理は、特徴量セット８４のチャンネル（図１４参照）毎に、特徴量Ｚの平均値を求める処理である。例えば特徴量セット８４のチャンネル数が５１２であった場合、全体平均プーリング処理によって５１２個の特徴量Ｚの平均値が求められる。ＧＡＰ層１１１は、求めた特徴量Ｚの平均値をＦＣ層１１２およびＰＣＡ層１１４に出力する。

　ＦＣ層１１２は、特徴量Ｚの平均値をＳＭＦ層１１３のＳＭＦで扱う変数に変換する。ＦＣ層１１２は、特徴量Ｚの平均値の個数分（つまり特徴量セット８４のチャンネル数分）のユニットをもつ入力層と、ＳＭＦで扱う変数の個数分のユニットをもつ出力層とを有する。入力層の各ユニットと出力層の各ユニットは、互いに全結合されていて、それぞれに重みが設定されている。入力層の各ユニットには、特徴量Ｚの平均値が入力される。特徴量Ｚの平均値と、各ユニット間に設定された重みとの積和が、出力層の各ユニットの出力値となる。この出力値がＳＭＦで扱う変数である。ＦＣ層１１２は、ＳＭＦで扱う変数をＳＭＦ層１１３に出力する。ＳＭＦ層１１３は、変数をＳＭＦに適用することでクラス８７を出力する。

　ＰＣＡ層１１４は、特徴量Ｚの平均値に対してＰＣＡを行い、複数個の特徴量Ｚの平均値を、それよりも少ない個数の集約特徴量ＺＡとする。例えばＰＣＡ層１１４は、５１２個の特徴量Ｚの平均値を１個の集約特徴量ＺＡに集約する。

　一例として図１７に示すように、ＡＥ８０は、学習フェーズにおいて、学習用クロッピング画像５８Ｌが入力されて学習される。ＡＥ８０は、学習用クロッピング画像５８Ｌに対して学習用復元画像８５Ｌを出力する。これら学習用クロッピング画像５８Ｌおよび学習用復元画像８５Ｌに基づいて、損失関数を用いたＡＥ８０の損失演算がなされる。そして、損失演算の結果（以下、損失Ｌ１と表記する）に応じてＡＥ８０の各種係数（フィルタ９３の係数等）の更新設定がなされ、更新設定にしたがってＡＥ８０が更新される。

　ＡＥ８０の学習フェーズにおいては、学習用クロッピング画像５８ＬのＡＥ８０への入力、ＡＥ８０からの学習用復元画像８５Ｌの出力、損失演算、更新設定、およびＡＥ８０の更新の上記一連の処理が、学習用クロッピング画像５８Ｌが交換されつつ繰り返し行われる。

　シングルタスクＣＮＮ８１は、学習フェーズにおいて、学習データ１２０を与えられて学習される。学習データ１２０は、学習用クロッピング画像５８Ｌと、学習用クロッピング画像５８Ｌに対応する正解クラス８７ＣＡとの組である。正解クラス８７ＣＡは、学習用クロッピング画像５８Ｌの患者Ｐが、実際に２年後も軽度認知障害のままか、あるいは２年後にアルツハイマー病に進行したかを示す。

　学習フェーズにおいて、シングルタスクＣＮＮ８１には、学習用クロッピング画像５８Ｌが入力される。シングルタスクＣＮＮ８１は、学習用クロッピング画像５８Ｌに対して学習用クラス８７Ｌを出力する。この学習用クラス８７Ｌおよび正解クラス８７ＣＡに基づいて、クロスエントロピー関数等を用いたシングルタスクＣＮＮ８１の損失演算がなされる。そして、損失演算の結果（以下、損失Ｌ２と表記する）に応じてシングルタスクＣＮＮ８１の各種係数の更新設定がなされ、更新設定にしたがってシングルタスクＣＮＮ８１が更新される。

　シングルタスクＣＮＮ８１の学習フェーズにおいては、学習用クロッピング画像５８ＬのシングルタスクＣＮＮ８１への入力、シングルタスクＣＮＮ８１からの学習用クラス８７Ｌの出力、損失演算、更新設定、およびシングルタスクＣＮＮ８１の更新の上記一連の処理が、学習データ１２０が交換されつつ繰り返し行われる。

　ＡＥ８０の更新設定およびシングルタスクＣＮＮ８１の更新設定は、下記の式（２）に示す総合損失Ｌに基づいて行われる。なお、αは重みである。
　Ｌ＝Ｌ１×α＋Ｌ２×（１－α）・・・（２）
　すなわち、総合損失Ｌは、ＡＥ８０の損失Ｌ１とシングルタスクＣＮＮ８１の損失Ｌ２との重み付き和である。

　一例として図１８に示すように、学習フェーズの初期段階においては、重みαには１が設定される。重みαを１とした場合、総合損失Ｌ＝Ｌ１となる。したがってこの場合はＡＥ８０の学習のみが行われ、シングルタスクＣＮＮ８１の学習は行われない。

　重みαは、学習が進むにつれて１から漸減され、やがて固定値（図１８においては０．８）となる。この場合、ＡＥ８０の学習とシングルタスクＣＮＮ８１の学習が、重みαに応じた強度でともに行われる。このように、損失Ｌ１に与えられる重みは、損失Ｌ２に与えられる重みよりも大きい。また、損失Ｌ１に与えられる重みは最高値の１から漸減され、かつ損失Ｌ２に与えられる重みは最低値の０から漸増され、さらに両者は固定値とされる。

　ＡＥ８０およびシングルタスクＣＮＮ８１の学習は、ＡＥ８０による学習用クロッピング画像５８Ｌから学習用復元画像８５Ｌへの復元精度が、予め定められた設定レベルまで達し、かつ、シングルタスクＣＮＮ８１による正解クラス８７ＣＡに対する学習用クラス８７Ｌの予測精度が、予め定められた設定レベルまで達した場合に終了される。こうして復元精度および予測精度が設定レベルまで達したＡＥ８０およびシングルタスクＣＮＮ８１が、ストレージ２０に記憶されて特徴量導出モデル３９として用いられる。

　認知症所見導出モデル４１の学習フェーズにおける処理の概要の一例を示す図１９において、認知症所見導出モデル４１は、ニューラルネットワーク、サポートベクターマシン、ブースティングのうちのいずれかの手法によって構築される。学習フェーズにおいて、認知症所見導出モデル４１は、学習データ１２５を与えられて学習される。学習データ１２５は、学習用集約特徴量群ＺＡＧＬと、学習用集約特徴量群ＺＡＧＬに対応する正解認知症所見情報６０ＣＡとの組である。学習用集約特徴量群ＺＡＧＬは、ある頭部ＭＲＩ画像１５のクロッピング画像５８を特徴量導出モデル３９に入力して得られたものである。正解認知症所見情報６０ＣＡは、学習用集約特徴量群ＺＡＧＬを得た頭部ＭＲＩ画像１５に対する認知症の所見を、医師が実際に診断した結果である。

　学習フェーズにおいて、認知症所見導出モデル４１には、学習用集約特徴量群ＺＡＧＬが入力される。認知症所見導出モデル４１は、学習用集約特徴量群ＺＡＧＬに対して学習用認知症所見情報６０Ｌを出力する。この学習用認知症所見情報６０Ｌおよび正解認知症所見情報６０ＣＡに基づいて、損失関数を用いた認知症所見導出モデル４１の損失演算がなされる。そして、損失演算の結果に応じて認知症所見導出モデル４１の各種係数の更新設定がなされ、更新設定にしたがって認知症所見導出モデル４１が更新される。

　認知症所見導出モデル４１の学習フェーズにおいては、学習用集約特徴量群ＺＡＧＬの認知症所見導出モデル４１への入力、認知症所見導出モデル４１からの学習用認知症所見情報６０Ｌの出力、損失演算、更新設定、および認知症所見導出モデル４１の更新の上記一連の処理が、学習データ１２５が交換されつつ繰り返し行われる。上記一連の処理の繰り返しは、正解認知症所見情報６０ＣＡに対する学習用認知症所見情報６０Ｌの予測精度が、予め定められた設定レベルまで達した場合に終了される。こうして予測精度が設定レベルまで達した認知症所見導出モデル４１が、ストレージ２０に記憶されて認知症所見導出部５０で用いられる。

　次に、上記構成による作用について、図２０のフローチャートを参照して説明する。まず、診断支援装置１２において作動プログラム３０が起動されると、図３で示したように、診断支援装置１２のＣＰＵ２２は、ＲＷ制御部４５、正規化部４６、抽出部４７、クロッピング画像生成部４８、特徴量導出部４９、認知症所見導出部５０、および表示制御部５１として機能される。

　図１０で示した第１表示画面７０において、解析ボタン７２が選択された場合、ＲＷ制御部４５により、ストレージ２０から対応する頭部ＭＲＩ画像１５、および標準頭部ＭＲＩ画像３５が読み出される（ステップＳＴ１００）。頭部ＭＲＩ画像１５および標準頭部ＭＲＩ画像３５は、ＲＷ制御部４５から正規化部４６に出力される。

　図４で示したように、正規化部４６において、頭部ＭＲＩ画像１５を標準頭部ＭＲＩ画像３５に合わせる正規化処理（形状正規化処理６５および濃度正規化処理６６）が行われる（ステップＳＴ１１０）。これにより頭部ＭＲＩ画像１５が正規化頭部ＭＲＩ画像５５とされる。正規化頭部ＭＲＩ画像５５は、正規化部４６から抽出部４７に出力される。

　図５で示したように、抽出部４７において、セグメンテーションモデル３６を用いて、正規化頭部ＭＲＩ画像５５から脳の複数の解剖区域画像５６が抽出される（ステップＳＴ１２０）。複数の解剖区域画像５６で構成される解剖区域画像群５７は、抽出部４７からクロッピング画像生成部４８に出力される。

　図６および図７で示したように、クロッピング画像生成部４８によって、クロッピング条件３７にしたがって、異なる位置および／またはサイズにて、解剖区域画像５６の解剖区域の少なくとも一部を包含する領域がクロッピングされることで、複数のクロッピング画像５８が生成される（ステップＳＴ１３０）。複数のクロッピング画像５８で構成されるクロッピング画像群５９は、クロッピング画像生成部４８から特徴量導出部４９に出力される。

　図８で示したように、特徴量導出部４９では、複数のクロッピング画像５８が、各々に対応する特徴量導出モデル３９に入力される。これによりそれぞれの特徴量導出モデル３９からクロッピング画像５８に対応する複数の集約特徴量ＺＡが出力される（ステップＳＴ１４０）。クロッピング画像５８の枚数分の複数の集約特徴量ＺＡで構成される集約特徴量群ＺＡＧは、特徴量導出部４９から認知症所見導出部５０に出力される。

　図９で示したように、認知症所見導出部５０では、複数の集約特徴量ＺＡで構成される集約特徴量群ＺＡＧが認知症所見導出モデル４１に入力される。これにより認知症所見導出モデル４１から認知症所見情報６０が出力される（ステップＳＴ１５０）。認知症所見情報６０は、認知症所見導出部５０から表示制御部５１に出力される。

　表示制御部５１の制御の下、図１１で示した第２表示画面７５がディスプレイ１７に表示される（ステップＳＴ１６０）。医師は、第２表示画面７５のメッセージ７６を通じて、認知症所見情報６０を確認する。

　以上説明したように、診断支援装置１２のＣＰＵ２２は、ＲＷ制御部４５と、抽出部４７と、クロッピング画像生成部４８と、特徴量導出部４９と、認知症所見導出部５０とを備える。ＲＷ制御部４５は、認知症の診断を行う患者Ｐの頭部ＭＲＩ画像１５をストレージ２０から読み出すことで、頭部ＭＲＩ画像１５を取得する。抽出部４７は、正規化頭部ＭＲＩ画像５５から脳の複数の解剖区域の解剖区域画像５６を抽出する。クロッピング画像生成部４８は、異なる位置および／またはサイズにて、脳の解剖区域の少なくとも一部を包含する領域をクロッピングすることで複数のクロッピング画像５８を生成する。特徴量導出部４９は、複数のクロッピング画像５８を、複数のクロッピング画像５８の各々に対応して用意された特徴量導出モデル３９に入力し、特徴量導出モデル３９からクロッピング画像５８に対応する集約特徴量ＺＡを出力させる。認知症所見導出部５０は、複数の集約特徴量ＺＡで構成される集約特徴量群ＺＡＧを認知症所見導出モデル４１に入力し、認知症所見導出モデル４１から認知症所見情報６０を出力させる。したがって、特許第６４８３８９０号に記載の方法と比べて認知症の所見の予測精度を高めることができ、より的確な認知症の所見を得ることが可能となる。

　図５で示したように、抽出部４７は解剖区域を複数抽出する。また、図６で示したように、クロッピング画像生成部４８は、複数の解剖区域毎に複数のクロッピング画像５８を生成する。このため複数の解剖区域毎の複数のクロッピング画像５８に対応する集約特徴量ＺＡを得ることができる。こうして得られた集約特徴量ＺＡは、特許第６４８３８９０号に記載のＺ値のように脳の限定的な特徴を表すものではなく、脳の網羅的な特徴を表すものである。また、集約特徴量ＺＡは、特許第６４８３８９０号に記載のＺ値のように統計的に得られた値ではなく、特徴量導出モデル３９にクロッピング画像５８を入力して得られたものである。したがって、さらに認知症の所見の予測精度を高めることができる。

　認知症は、癌等の他の疾病と比べて、肉眼でも認識できるような特異的な病変が画像に現れにくい。また、認知症は、脳全体にその影響が及び、局所的ではない。こうした背景があるため、従来は頭部ＭＲＩ画像１５等の医用画像から機械学習モデルを用いて的確な認知症の所見を得ることが困難であった。しかし、本開示の技術によれば、脳を複数の解剖区域に細かく分けて、さらに複数の解剖区域から複数のクロッピング画像５８を生成し、複数のクロッピング画像５８についてそれぞれ集約特徴量ＺＡを導出している。そして、導出した複数の集約特徴量ＺＡを１つの認知症所見導出モデル４１に入力している。このため、従来困難であった、より的確な認知症の所見を得るという目的を達成することができる。

　図１２で示したように、特徴量導出モデル３９は、ＡＥ８０およびシングルタスクＣＮＮ８１を合わせたモデルを転用したものである。ＡＥ８０およびシングルタスクＣＮＮ８１は、機械学習の分野において頻繁に用いられるニューラルネットワークモデルの１つで、一般的に非常によく知られている。このため、比較的容易に特徴量導出モデル３９に転用することができる。

　クラス８７の出力といったメインタスクを行うシングルタスクＣＮＮ８１と、シングルタスクＣＮＮ８１と一部共通し、復元画像８５の生成といったメインタスクよりも汎用的なサブタスクを行うＡＥ８０とを、特徴量導出モデル３９として用いる。そして、ＡＥ８０とシングルタスクＣＮＮ８１とを同時に学習させる。このため、ＡＥ８０とシングルタスクＣＮＮ８１が別々の場合と比べて、より適切な特徴量セット８４および集約特徴量ＺＡを出力することができ、結果として認知症所見情報６０の予測精度を高めることができる。

　学習フェーズにおいては、ＡＥ８０の損失Ｌ１とシングルタスクＣＮＮ８１の損失Ｌ２との重み付き和である総合損失Ｌに基づいて更新設定を行う。このため、重みαを適値に設定することで、ＡＥ８０を重点的に学習させたり、シングルタスクＣＮＮ８１を重点的に学習させたり、ＡＥ８０およびシングルタスクＣＮＮ８１をバランスよく学習させたりすることができる。

　損失Ｌ１に与えられる重みは、損失Ｌ２に与えられる重みよりも大きい。このため、ＡＥ８０を常に重点的に学習させることができる。ＡＥ８０を常に重点的に学習させれば、解剖区域の形状およびテクスチャーの特徴をより表した特徴量セット８４を圧縮部８２から出力させることができ、結果としてより尤もらしい集約特徴量ＺＡを出力部８６から出力させることができる。

　また、損失Ｌ１に与えられる重みを最高値から漸減し、かつ損失Ｌ２に与えられる重みを最低値から漸増して、学習が所定回数行われたら両者を固定値とする。このため、学習の初期段階にＡＥ８０をより重点的に学習させることができる。ＡＥ８０は、復元画像８５の生成という比較的簡単なサブタスクを担う。したがって、学習の初期段階にＡＥ８０をより重点的に学習させれば、解剖区域の形状およびテクスチャーの特徴をより表した特徴量セット８４を、学習の初期段階において圧縮部８２から出力させることができる。

　図１９で示したように、認知症所見導出モデル４１は、ニューラルネットワーク、サポートベクターマシン、およびブースティングのうちのいずれかの手法によって構築される。これらニューラルネットワーク、サポートベクターマシン、およびブースティングのいずれの手法も、一般的に非常によく知られている。このため、比較的容易に認知症所見導出モデル４１を構築することができる。

　認知症は、昨今の高齢化社会の到来とともに社会問題化している。このため、臓器を脳とし、疾病を認知症として、認知症所見情報６０を出力する本実施形態は、現状の社会問題にマッチした形態であるといえる。

　海馬および前側頭葉は、アルツハイマー病をはじめとする認知症との相関が特に高い解剖区域である。このため、複数の解剖区域に、海馬および前側頭葉のうちの少なくともいずれか１つが含まれていれば、さらにより的確な認知症の所見を得ることができる。

　認知症所見情報６０の提示態様としては、第２表示画面７５に限らない。認知症所見情報６０を紙媒体に印刷出力したり、医師の携帯端末に電子メールの添付ファイルとして認知症所見情報６０を送信してもよい。

　［第２実施形態］
　図２１～図２３に示す第２実施形態では、集約特徴量群ＺＡＧに加えて、認知症に関わる認知症関連情報１３１を認知症所見導出モデル１３２に入力する。

　一例として図２１に示すように、本実施形態の認知症所見導出部１３０は、集約特徴量群ＺＡＧに加えて、認知症に関わる認知症関連情報１３１を認知症所見導出モデル１３２に入力する。そして、認知症所見導出モデル１３２から認知症所見情報１３３を出力させる。認知症関連情報１３１は、認知症の診断を行う患者Ｐの情報である。なお、認知症関連情報１３１は、本開示の技術に係る「疾病関連情報」の一例である。

　認知症所見導出モデル１３２は、分位正規化部１３５および線形判別分析部１３６を有する。分位正規化部１３５には、集約特徴量群ＺＡＧと認知症関連情報１３１が入力される。分位正規化部１３５は、集約特徴量群ＺＡＧを構成する複数の集約特徴量ＺＡと、認知症関連情報１３１の各パラメータとを同列に扱うために、これらを正規分布にしたがうデータに変換する分位正規化（Ｑｕａｎｔｉｌｅ　Ｎｏｒｍａｌｉｚａｔｉｏｎ）を行う。線形判別分析部１３６は、分位正規化処理後の集約特徴量ＺＡおよび認知症関連情報１３１の各パラメータに対して線形判別分析（Ｌｉｎｅａｒ　Ｄｉｓｃｒｉｍｉｎａｎｔ　Ａｎａｌｙｓｉｓ）を行い、その結果として認知症所見情報１３３を出力する。すなわち、認知症所見導出モデル１３２は、線形判別分析の手法によって構築される。認知症所見情報１３３は、上記第１実施形態の認知症所見情報６０と同様に、現在軽度認知障害の患者Ｐが２年後も軽度認知障害のまま、あるいは２年後にアルツハイマー病に進行する、のいずれかである。

　一例として図２２に示すように、認知症関連情報１３１は、例えば、海馬の体積を含む。また、認知症関連情報１３１は、長谷川式認知症スケールのスコア、ＡｐｏＥ遺伝子の遺伝子型、アミロイドβ測定値、タウ蛋白質測定値、アポリポ蛋白質測定値、補体蛋白質測定値、トランスサイレチン測定値等を含む。長谷川式認知症スケールのスコア、ＡｐｏＥ遺伝子の遺伝子型、アミロイドβ測定値、タウ蛋白質測定値、アポリポ蛋白質測定値、補体蛋白質測定値、トランスサイレチン測定値等は、図示省略した電子カルテシステムから引用される。

　海馬の体積は、例えば、海馬の解剖区域画像５６＿１の総画素数である。海馬の体積は、本開示の技術に係る「解剖区域の体積」の一例である。なお、海馬の体積に加えて、あるいは代えて、扁桃体等の他の解剖区域の体積を認知症関連情報１３１に含めてもよい。

　長谷川式認知症スケールのスコアは、本開示の技術に係る「認知症テストのスコア」の一例である。なお、長谷川式認知症スケールのスコアに加えて、あるいは代えて、ミニメンタルステート検査（ＭＭＳＥ；Ｍｉｎｉ－Ｍｅｎｔａｌ　Ｓｔａｔｅ　Ｅｘａｍｉｎａｔｉｏｎ）のスコア、リバーミード行動記憶検査（ＲＢＭＴ；Ｒｉｖｅｒｍｅａｄ　Ｂｅｈａｖｉｏｕｒａｌ　Ｍｅｍｏｒｙ　Ｔｅｓｔ）のスコア、臨床認知症評価尺度（ＣＤＲ；Ｃｌｉｎｉｃａｌ　Ｄｅｍｅｎｔｉａ　Ｒａｔｉｎｇ）、日常生活活動度（ＡＤＬ；Ａｃｔｉｖｉｔｉｅｓ　ｏｆ　Ｄａｉｌｙ　Ｌｉｖｉｎｇ）、および／または、アルツハイマー病の評価尺度（ＡＤＡＳ－Ｃｏｇ；Ａｌｚｈｅｉｍｅｒ’ｓ　Ｄｉｓｅａｓｅ　Ａｓｓｅｓｓｍｅｎｔ　Ｓｃａｌｅ－ｃｏｇｎｉｔｉｖｅ　ｓｕｂｓｃａｌｅ）等を認知症関連情報１３１に含めてもよい。

　ＡｐｏＥ遺伝子の遺伝子型は、ε２、ε３、ε４の３種のＡｐｏＥ遺伝子のうちの２種の組み合わせ（ε２とε３、ε３とε４等）である。ε４を全くもたない遺伝子型（ε２とε３、ε３とε３等）に対して、ε４を１つないし２つもつ遺伝子型（ε２とε４、ε４とε４等）のアルツハイマー病の発症リスクは、およそ３倍～１２倍とされている。ＡｐｏＥ遺伝子の遺伝子型は、本開示の技術に係る「遺伝子検査の検査結果」の一例である。

　アミロイドβ測定値、およびタウ蛋白質測定値は、本開示の技術に係る「髄液検査の検査結果」の一例である。また、アポリポ蛋白質測定値、補体蛋白質測定値、およびトランスサイレチン測定値は、本開示の技術に係る「血液検査の検査結果」の一例である。

　認知症所見導出モデル１３２の学習フェーズにおける処理の概要の一例を示す図２３において、認知症所見導出モデル１３２は、学習データ１４０を与えられて学習される。学習データ１４０は、学習用集約特徴量群ＺＡＧＬおよび学習用認知症関連情報１３１Ｌと、学習用集約特徴量群ＺＡＧＬおよび学習用認知症関連情報１３１Ｌに対応する正解認知症所見情報１３３ＣＡとの組である。学習用集約特徴量群ＺＡＧＬは、ある頭部ＭＲＩ画像１５のクロッピング画像５８を特徴量導出モデル３９に入力して得られたものである。学習用認知症関連情報１３１Ｌは、学習用集約特徴量群ＺＡＧＬを得た頭部ＭＲＩ画像１５の撮影対象の患者Ｐの情報である。正解認知症所見情報１３３ＣＡは、学習用集約特徴量群ＺＡＧＬを得た頭部ＭＲＩ画像１５に対する認知症の所見を、学習用認知症関連情報１３１Ｌも加味して医師が実際に診断した結果である。

　学習フェーズにおいて、認知症所見導出モデル１３２には、学習用集約特徴量群ＺＡＧＬおよび学習用認知症関連情報１３１Ｌが入力される。認知症所見導出モデル１３２は、学習用集約特徴量群ＺＡＧＬおよび学習用認知症関連情報１３１Ｌに対して学習用認知症所見情報１３３Ｌを出力する。この学習用認知症所見情報１３３Ｌおよび正解認知症所見情報１３３ＣＡに基づいて、損失関数を用いた認知症所見導出モデル１３２の損失演算がなされる。そして、損失演算の結果に応じて認知症所見導出モデル１３２の各種係数の更新設定がなされ、更新設定にしたがって認知症所見導出モデル１３２が更新される。

　認知症所見導出モデル１３２の学習フェーズにおいては、学習用集約特徴量群ＺＡＧＬおよび学習用認知症関連情報１３１Ｌの認知症所見導出モデル１３２への入力、認知症所見導出モデル１３２からの学習用認知症所見情報１３３Ｌの出力、損失演算、更新設定、および認知症所見導出モデル１３２の更新の上記一連の処理が、学習データ１４０が交換されつつ繰り返し行われる。上記一連の処理の繰り返しは、正解認知症所見情報１３３ＣＡに対する学習用認知症所見情報１３３Ｌの予測精度が、予め定められた設定レベルまで達した場合に終了される。こうして予測精度が設定レベルまで達した認知症所見導出モデル１３２が、ストレージ２０に記憶されて認知症所見導出部１３０で用いられる。

　このように、第２実施形態では、認知症関連情報１３１を認知症所見導出モデル１３２に入力する。認知症関連情報１３１は、海馬の体積、長谷川式認知症スケールのスコア、ＡｐｏＥ遺伝子の遺伝子型、アミロイドβ測定値、タウ蛋白質測定値、アポリポ蛋白質測定値、補体蛋白質測定値、トランスサイレチン測定値等を含む。認知症関連情報１３１という認知症の所見の予測に役立つ強力な情報が加わるので、集約特徴量群ＺＡＧだけで認知症の所見を予測する場合と比べて、認知症の所見の予測精度を飛躍的に向上させることができる。

　なお、患者Ｐの性別、年齢、病歴、あるいは患者Ｐに認知症を発症した親類がいるか否か等を、認知症関連情報１３１に含めてもよい。

　［第３実施形態］
　図２４～図２６に示す第３実施形態では、ＡＥ１５０の圧縮部１５１を、特徴量導出モデル１５５として用いる。

　一例として図２４に示すように、ＡＥ１５０は、上記第１実施形態のＡＥ８０と同様に、圧縮部１５１と復元部１５２とを有する。圧縮部１５１にはクロッピング画像５８が入力される。圧縮部１５１は、クロッピング画像５８を特徴量セット１５３に変換する。圧縮部１５１は、特徴量セット１５３を復元部１５２に受け渡す。復元部１５２は、特徴量セット１５３からクロッピング画像５８の復元画像１５４を生成する。

　一例として図２５に示すように、ＡＥ１５０は、圧縮部１５１を特徴量導出モデル１５５に転用する前の学習フェーズにおいて、学習用クロッピング画像５８Ｌが入力されて学習される。ＡＥ１５０は、学習用クロッピング画像５８Ｌに対して学習用復元画像１５４Ｌを出力する。これら学習用クロッピング画像５８Ｌおよび学習用復元画像１５４Ｌに基づいて、損失関数を用いたＡＥ１５０の損失演算がなされる。そして、損失演算の結果に応じてＡＥ１５０の各種係数の更新設定がなされ、更新設定にしたがってＡＥ１５０が更新される。

　ＡＥ１５０の学習フェーズにおいては、学習用クロッピング画像５８ＬのＡＥ１５０への入力、ＡＥ１５０からの学習用復元画像１５４Ｌの出力、損失演算、更新設定、およびＡＥ１５０の更新の上記一連の処理が、学習用クロッピング画像５８Ｌが交換されつつ繰り返し行われる。上記一連の処理の繰り返しは、学習用クロッピング画像５８Ｌから学習用復元画像１５４Ｌへの復元精度が、予め定められた設定レベルまで達した場合に終了される。こうして復元精度が設定レベルまで達したＡＥ１５０の圧縮部１５１が、ストレージ２０に記憶されて特徴量導出モデル１５５として用いられる。このため、本実施形態においては、圧縮部１５１から出力される特徴量セット１５３が、本開示の技術に係る「特徴量データ」として扱われる（図２６参照）。

　一例として図２６に示すように、本実施形態の認知症所見導出部１６０は、特徴量セット群１６１を認知症所見導出モデル１６２に入力する。そして、認知症所見導出モデル１６２から認知症所見情報１６３を出力させる。特徴量セット群１６１は、複数のクロッピング画像５８毎に特徴量導出モデル１５５から出力された複数の特徴量セット１５３で構成される。認知症所見情報１６３は、上記第１実施形態の認知症所見情報６０および上記第２実施形態の認知症所見情報１３３と同じ内容である。

　このように、第３実施形態では、ＡＥ１５０の圧縮部１５１が、特徴量導出モデル１５５として用いられる。前述のように、ＡＥ１５０は機械学習の分野において頻繁に用いられるニューラルネットワークモデルの１つであるため、比較的容易に特徴量導出モデル１５５に転用することができる。

　［第４実施形態］
　図２７および図２８に示す第４実施形態では、シングルタスクＣＮＮ１７０の圧縮部１７１を、特徴量導出モデル１７５として用いる。

　一例として図２７に示すように、シングルタスクＣＮＮ１７０は、上記第１実施形態のシングルタスクＣＮＮ８１と同様に、圧縮部１７１と出力部１７２とを有する。圧縮部１７１にはクロッピング画像５８が入力される。圧縮部１７１は、クロッピング画像５８を特徴量セット１７３に変換する。圧縮部１７１は、特徴量セット１７３を出力部１７２に受け渡す。出力部１７２は、特徴量セット１７３に基づいて、１つのクラス１７４を出力する。図２７においては、出力部１７２は、認知症を発症している、または認知症を発症していない、という判別結果をクラス１７４として出力する。

　一例として図２８に示すように、シングルタスクＣＮＮ１７０は、圧縮部１７１を特徴量導出モデル１７５に転用する前の学習フェーズにおいて、学習データ１８０を与えられて学習される。学習データ１８０は、学習用クロッピング画像５８Ｌと、学習用クロッピング画像５８Ｌに対応する正解クラス１７４ＣＡとの組である。正解クラス１７４ＣＡは、学習用クロッピング画像５８Ｌに対して、認知症を発症しているか否かを、医師が実際に判別した結果である。

　学習フェーズにおいて、シングルタスクＣＮＮ１７０には、学習用クロッピング画像５８Ｌが入力される。シングルタスクＣＮＮ１７０は、学習用クロッピング画像５８Ｌに対して学習用クラス１７４Ｌを出力する。この学習用クラス１７４Ｌおよび正解クラス１７４ＣＡに基づいて、シングルタスクＣＮＮ１７０の損失演算がなされる。そして、損失演算の結果に応じてシングルタスクＣＮＮ１７０の各種係数の更新設定がなされ、更新設定にしたがってシングルタスクＣＮＮ１７０が更新される。

　シングルタスクＣＮＮ１７０の学習フェーズにおいては、学習用クロッピング画像５８ＬのシングルタスクＣＮＮ１７０への入力、シングルタスクＣＮＮ１７０からの学習用クラス１７４Ｌの出力、損失演算、更新設定、およびシングルタスクＣＮＮ１７０の更新の上記一連の処理が、学習データ１８０が交換されつつ繰り返し行われる。上記一連の処理の繰り返しは、正解クラス１７４ＣＡに対する学習用クラス１７４Ｌの予測精度が、予め定められた設定レベルまで達した場合に終了される。こうして予測精度が設定レベルまで達したシングルタスクＣＮＮ１７０の圧縮部１７１が、ストレージ２０に記憶されて特徴量導出モデル１７５として用いられる。なお、上記第３実施形態と同様に、本実施形態においても、圧縮部１７１から出力される特徴量セット１７３が、本開示の技術に係る「特徴量データ」として扱われる。

　このように、第４実施形態では、シングルタスクＣＮＮ１７０の圧縮部１７１が、特徴量導出モデル１７５として用いられる。前述のように、シングルタスクＣＮＮ１７０も、機械学習の分野において頻繁に用いられるニューラルネットワークモデルの１つであるため、比較的容易に特徴量導出モデル１７５に転用することができる。

　なお、クラス１７４としては、例えば、患者Ｐの年齢が７５歳未満である、または７５歳以上である、という内容であってもよいし、６０歳代、７０歳代等の患者Ｐの年代であってもよい。

　［第５実施形態］
　図２９および図３０に示す第５実施形態では、マルチタスクのクラス判別用ＣＮＮ（以下、マルチタスクＣＮＮと略す）１８０の圧縮部１８１を、特徴量導出モデル１８６として用いる。

　一例として図２９に示すように、マルチタスクＣＮＮ１８０は圧縮部１８１と出力部１８２とを有する。圧縮部１８１にはクロッピング画像５８が入力される。圧縮部１８１は、クロッピング画像５８を特徴量セット１８３に変換する。圧縮部１８１は、特徴量セット１８３を出力部１８２に受け渡す。出力部１８２は、特徴量セット１８３に基づいて、第１クラス１８４および第２クラス１８５の２つのクラスを出力する。図２９においては、出力部１８２は、認知症を発症している、または認知症を発症していない、という判別結果を第１クラス１８４として出力する。また、図２９においては、出力部１８２は、患者Ｐの年齢を第２クラス１８５として出力する。

　一例として図３０に示すように、マルチタスクＣＮＮ１８０は、圧縮部１８１を特徴量導出モデル１８６に転用する前の学習フェーズにおいて、学習データ１９０を与えられて学習される。学習データ１９０は、学習用クロッピング画像５８Ｌと、学習用クロッピング画像５８Ｌに対応する正解第１クラス１８４ＣＡおよび正解第２クラス１８５ＣＡとの組である。正解第１クラス１８４ＣＡは、学習用クロッピング画像５８Ｌに対して、認知症を発症しているか否かを、医師が実際に判別した結果である。また、正解第２クラス１８５ＣＡは、学習用クロッピング画像５８Ｌを得た頭部ＭＲＩ画像１５の撮影対象の患者Ｐの実際の年齢である。

　学習フェーズにおいて、マルチタスクＣＮＮ１８０には、学習用クロッピング画像５８Ｌが入力される。マルチタスクＣＮＮ１８０は、学習用クロッピング画像５８Ｌに対して学習用第１クラス１８４Ｌおよび学習用第２クラス１８５Ｌを出力する。この学習用第１クラス１８４Ｌおよび学習用第２クラス１８５Ｌと、正解第１クラス１８４ＣＡおよび正解第２クラス１８５ＣＡとに基づいて、マルチタスクＣＮＮ１８０の損失演算がなされる。そして、損失演算の結果に応じてマルチタスクＣＮＮ１８０の各種係数の更新設定がなされ、更新設定にしたがってマルチタスクＣＮＮ１８０が更新される。

　マルチタスクＣＮＮ１８０の学習フェーズにおいては、学習用クロッピング画像５８ＬのマルチタスクＣＮＮ１８０への入力、マルチタスクＣＮＮ１８０からの学習用第１クラス１８４Ｌおよび学習用第２クラス１８５Ｌの出力、損失演算、更新設定、およびマルチタスクＣＮＮ１８０の更新の上記一連の処理が、学習データ１９０が交換されつつ繰り返し行われる。上記一連の処理の繰り返しは、正解第１クラス１８４ＣＡおよび正解第２クラス１８５ＣＡに対する学習用第１クラス１８４Ｌおよび学習用第２クラス１８５Ｌの予測精度が、予め定められた設定レベルまで達した場合に終了される。こうして予測精度が設定レベルまで達したマルチタスクＣＮＮ１８０の圧縮部１８１が、ストレージ２０に記憶されて特徴量導出モデル１８６として用いられる。なお、上記第３実施形態および上記第４実施形態と同様に、本実施形態においても、圧縮部１８１から出力される特徴量セット１８３が、本開示の技術に係る「特徴量データ」として扱われる。

　このように、第５実施形態では、マルチタスクＣＮＮ１８０の圧縮部１８１が、特徴量導出モデル１８６として用いられる。マルチタスクＣＮＮ１８０は、ＡＥ８０および１５０、あるいはシングルタスクＣＮＮ８１および１７０に比べて、複数のクラス（第１クラス１８４および第２クラス１８５）を出力する、というより複雑な処理を行う。このため、圧縮部１８１から出力される特徴量セット１８３は、クロッピング画像５８の特徴をより網羅的に表したものとなる可能性が高い。したがって、結果として、認知症の所見の予測精度をより高めることができる。

　なお、第１クラス１８４としては、例えば５段階レベルの認知症の進行度合いであってもよい。また、第２クラス１８５としては、患者Ｐの年代の判別結果でもよい。マルチタスクＣＮＮ１８０は、３以上のクラスを出力するものであってもよい。

　上記第１実施形態において、シングルタスクＣＮＮ８１の代わりに、本実施形態のマルチタスクＣＮＮ１８０を用いてもよい。

　［第６実施形態］
　図３１に示す第６実施形態では、１つのクロッピング画像５８を、異なる複数の特徴量導出モデル２０１～２０４に入力する。

　一例として図３１に示すように、本実施形態の特徴量導出部２００は、１つのクロッピング画像５８を、第１特徴量導出モデル２０１に入力し、第２特徴量導出モデル２０２に入力し、第３特徴量導出モデル２０３に入力し、第４特徴量導出モデル２０４に入力する。これにより特徴量導出部２００は、第１特徴量導出モデル２０１から第１特徴量データ２０５を出力させ、第２特徴量導出モデル２０２から第２特徴量データ２０６を出力させ、第３特徴量導出モデル２０３から第３特徴量データ２０７を出力させ、第４特徴量導出モデル２０４から第４特徴量データ２０８を出力させる。

　第１特徴量導出モデル２０１は、上記第１実施形態のＡＥ８０およびシングルタスクＣＮＮ８１を合わせたものである。このため、第１特徴量データ２０５は集約特徴量ＺＡである。第２特徴量導出モデル２０２は、上記第３実施形態のＡＥ１５０の圧縮部１５１を転用したものである。このため、第２特徴量データ２０６は特徴量セット１５３である。第３特徴量導出モデル２０３は、上記第４実施形態のシングルタスクＣＮＮ１７０の圧縮部１７１を転用したものである。このため、第３特徴量データ２０７は特徴量セット１７３である。第４特徴量導出モデル２０４は、上記第５実施形態のマルチタスクＣＮＮ１８０の圧縮部１８１を転用したものである。このため、第４特徴量データ２０８は特徴量セット１８３である。

　このように、第６実施形態では、特徴量導出部２００は、１つのクロッピング画像５８を、第１特徴量導出モデル２０１、第２特徴量導出モデル２０２、第３特徴量導出モデル２０３、および第４特徴量導出モデル２０４に入力する。そして、各モデル２０１～２０４から、第１特徴量データ２０５、第２特徴量データ２０６、第３特徴量データ２０７、および第４特徴量データ２０８を出力させる。このため、１種の特徴量導出モデルを用いる場合と比べて、多種多様な特徴量データを得ることができる。結果として、認知症の所見の予測精度をより高めることができる。

　異なる複数の特徴量導出モデルは、例えば、ＡＥ１５０の圧縮部１５１を転用した第２特徴量導出モデル２０２と、シングルタスクＣＮＮ１７０の圧縮部１７１を転用した第３特徴量導出モデル２０３との組み合わせでもよい。あるいは、シングルタスクＣＮＮ１７０の圧縮部１７１を転用した第３特徴量導出モデル２０３と、マルチタスクＣＮＮ１８０の圧縮部１８１を転用した第４特徴量導出モデル２０４との組み合わせでもよい。さらには、認知症を発症しているか否かをクラス１７４として出力するシングルタスクＣＮＮ１７０の圧縮部１７１を転用した第３特徴量導出モデル２０３と、患者Ｐの年代をクラス１７４として出力するシングルタスクＣＮＮ１７０の圧縮部１７１を転用した第３特徴量導出モデル２０３との組み合わせでもよい。

　なお、認知症所見情報は、図９等で例示した内容に限らない。例えば図３２に示す認知症所見情報２１５のように、正常（ＮＣ；Ｎｏｒｍａｌ　Ｃｏｎｔｒｏｌ）、軽度認知障害（ＭＣＩ）、およびアルツハイマー病（ＡＤ）のいずれかであってもよい。また、例えば図３３に示す認知症所見情報２１７のように、患者Ｐの１年後の認知症の進行度合いが早いか遅いかであってもよい。あるいは図３４に示す認知症所見情報２２０のように、アルツハイマー病、レビー小体型認知症、および血管性認知症のいずれであるかといった認知症の種類でもよい。

　図１７で示したＡＥ８０およびシングルタスクＣＮＮ８１の学習、図１９および図２３で示した認知症所見導出モデル４１および１３２の学習、図２５で示したＡＥ１５０の学習、図２８で示したシングルタスクＣＮＮ１７０の学習、および図３０で示したマルチタスクＣＮＮ１８０の学習等は、診断支援装置１２において行ってもよいし、診断支援装置１２以外の装置で行ってもよい。また、これらの学習は、診断支援装置１２のストレージ２０に各モデルを記憶した後に継続して行ってもよい。

　ＰＡＣＳサーバ１１が診断支援装置１２として機能してもよい。

　医用画像は、例示の頭部ＭＲＩ画像１５に限らない。ＰＥＴ（Ｐｏｓｉｔｒｏｎ　Ｅｍｉｓｓｉｏｎ　Ｔｏｍｏｇｒａｐｈｙ）画像、ＳＰＥＣＴ（Ｓｉｎｇｌｅ　Ｐｈｏｔｏｎ　Ｅｍｉｓｓｉｏｎ　Ｃｏｍｐｕｔｅｄ　Ｔｏｍｏｇｒａｐｈｙ）画像、ＣＴ（Ｃｏｍｐｕｔｅｄ　Ｔｏｍｏｇｒａｐｈｙ）画像、内視鏡画像、超音波画像等でもよい。

　臓器は例示の脳に限らず、心臓、肺、肝臓等でもよい。肺の場合は、右肺Ｓ１、Ｓ２、左肺Ｓ１、Ｓ２等を解剖区域として抽出する。肝臓の場合は、右葉、左葉、胆嚢等を解剖区域として抽出する。また、疾病も例示の認知症に限らず、心臓病、間質性肺炎といったびまん性肺疾患、肝硬変といった肝機能障害等でもよい。

　上記各実施形態において、例えば、ＲＷ制御部４５、正規化部４６、抽出部４７、クロッピング画像生成部４８、特徴量導出部４９および２００、認知症所見導出部５０、１３０、および１６０、並びに表示制御部５１といった各種の処理を実行する処理部（Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）のハードウェア的な構造としては、次に示す各種のプロセッサ（Ｐｒｏｃｅｓｓｏｒ）を用いることができる。各種のプロセッサには、上述したように、ソフトウェア（作動プログラム３０）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵ２２に加えて、ＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｄｅｖｉｃｅ:ＰＬＤ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。

　１つの処理部は、これらの各種のプロセッサのうちの１つで構成されてもよいし、同種または異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせ、および／または、ＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。

　複数の処理部を１つのプロセッサで構成する例としては、第１に、クライアントおよびサーバ等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組み合わせで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（Ｓｙｓｔｅｍ　Ｏｎ　Ｃｈｉｐ:ＳｏＣ）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサの１つ以上を用いて構成される。

　さらに、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子等の回路素子を組み合わせた電気回路（ｃｉｒｃｕｉｔｒｙ）を用いることができる。

　本開示の技術は、上述の種々の実施形態および／または種々の変形例を適宜組み合わせることも可能である。また、上記各実施形態に限らず、要旨を逸脱しない限り種々の構成を採用し得ることはもちろんである。さらに、本開示の技術は、プログラムに加えて、プログラムを非一時的に記憶する記憶媒体にもおよぶ。

　以上に示した記載内容および図示内容は、本開示の技術に係る部分についての詳細な説明であり、本開示の技術の一例に過ぎない。例えば、上記の構成、機能、作用、および効果に関する説明は、本開示の技術に係る部分の構成、機能、作用、および効果の一例に関する説明である。よって、本開示の技術の主旨を逸脱しない範囲内において、以上に示した記載内容および図示内容に対して、不要な部分を削除したり、新たな要素を追加したり、置き換えたりしてもよいことはいうまでもない。また、錯綜を回避し、本開示の技術に係る部分の理解を容易にするために、以上に示した記載内容および図示内容では、本開示の技術の実施を可能にする上で特に説明を要しない技術常識等に関する説明は省略されている。

　本明細書において、「Ａおよび／またはＢ」は、「ＡおよびＢのうちの少なくとも１つ」と同義である。つまり、「Ａおよび／またはＢ」は、Ａだけであってもよいし、Ｂだけであってもよいし、ＡおよびＢの組み合わせであってもよい、という意味である。また、本明細書において、３つ以上の事柄を「および／または」で結び付けて表現する場合も、「Ａおよび／またはＢ」と同様の考え方が適用される。

　本明細書に記載された全ての文献、特許出願および技術規格は、個々の文献、特許出願および技術規格が参照により取り込まれることが具体的かつ個々に記された場合と同程度に、本明細書中に参照により取り込まれる。

Claims (11)

1. 　プロセッサと、
   　前記プロセッサに接続または内蔵されたメモリと、を備え、
   　前記プロセッサは、
   　医用画像を取得し、
   　前記医用画像から臓器の解剖区域を抽出し、
   　異なる位置および／またはサイズにて、前記解剖区域の少なくとも一部を包含する領域をクロッピングすることで複数のクロッピング画像を生成し、
   　複数の前記クロッピング画像を、複数の前記クロッピング画像の各々に対応して用意された特徴量導出モデルに入力し、前記特徴量導出モデルから前記クロッピング画像に対応する特徴量データを出力させ、
   　複数の前記クロッピング画像毎に出力された前記特徴量データを疾病所見導出モデルに入力し、前記疾病所見導出モデルから前記臓器に関わる疾病の所見を出力させる、
   診断支援装置。
2. 　前記プロセッサは、
   　前記解剖区域を複数抽出し、
   　複数の前記解剖区域毎に複数の前記クロッピング画像を生成する請求項１に記載の診断支援装置。
3. 　前記特徴量導出モデルは、オートエンコーダ、シングルタスクのクラス判別用畳み込みニューラルネットワーク、およびマルチタスクのクラス判別用畳み込みニューラルネットワークのうちの少なくともいずれか１つを含む請求項１または請求項２に記載の診断支援装置。
4. 　前記プロセッサは、
   　１つの前記クロッピング画像を、異なる複数の前記特徴量導出モデルに入力し、複数の前記特徴量導出モデルの各々から前記特徴量データを出力させる請求項１から請求項３のいずれか１項に記載の診断支援装置。
5. 　前記疾病所見導出モデルは、ニューラルネットワーク、サポートベクターマシン、ブースティング、および線形判別分析のうちのいずれかの手法によって構築される請求項１から請求項４のいずれか１項に記載の診断支援装置。
6. 　前記プロセッサは、
   　複数の前記特徴量データに加えて、前記疾病に関わる疾病関連情報を前記疾病所見導出モデルに入力する請求項１から請求項５のいずれか１項に記載の診断支援装置。
7. 　前記臓器は脳であり、
   　前記疾病は認知症である請求項１から請求項６のいずれか１項に記載の診断支援装置。
8. 　前記複数の解剖区域は、海馬および前側頭葉のうちの少なくともいずれか１つを含む請求項７に記載の診断支援装置。
9. 　請求項６を引用する請求項７または請求項８に記載の診断支援装置において、
   　前記疾病関連情報は、前記解剖区域の体積、認知症テストのスコア、遺伝子検査の検査結果、髄液検査の検査結果、および血液検査の検査結果のうちの少なくともいずれか１つを含む診断支援装置。
10. 　医用画像を取得すること、
    　前記医用画像から臓器の解剖区域を抽出すること、
    　異なる位置および／またはサイズにて、前記解剖区域の少なくとも一部を包含する領域をクロッピングすることで複数のクロッピング画像を生成すること、
    　複数の前記クロッピング画像を、複数の前記クロッピング画像の各々に対応して用意された特徴量導出モデルに入力し、前記特徴量導出モデルから前記クロッピング画像に対応する特徴量データを出力させること、および、
    　複数の前記クロッピング画像毎に出力された前記特徴量データを疾病所見導出モデルに入力し、前記疾病所見導出モデルから前記臓器に関わる疾病の所見を出力させること、
    を含む診断支援装置の作動方法。
11. 　医用画像を取得すること、
    　前記医用画像から臓器の解剖区域を抽出すること、
    　異なる位置および／またはサイズにて、前記解剖区域の少なくとも一部を包含する領域をクロッピングすることで複数のクロッピング画像を生成すること、
    　複数の前記クロッピング画像を、複数の前記クロッピング画像の各々に対応して用意された特徴量導出モデルに入力し、前記特徴量導出モデルから前記クロッピング画像に対応する特徴量データを出力させること、および、
    　複数の前記クロッピング画像毎に出力された前記特徴量データを疾病所見導出モデルに入力し、前記疾病所見導出モデルから前記臓器に関わる疾病の所見を出力させること、
    を含む処理をコンピュータに実行させるための診断支援装置の作動プログラム。

Images