WO2022145424A1

WO2022145424A1 - コンピュータプログラム、学習モデルの生成方法、及び手術支援装置

Info

Publication number: WO2022145424A1
Application number: PCT/JP2021/048592
Authority: WO
Inventors: 直小林; 勇太熊頭; 成昊銭谷
Original assignee: アナウト株式会社
Priority date: 2020-12-29
Filing date: 2021-12-27
Publication date: 2022-07-07
Also published as: US20240049944A1; JP7146318B1; CN116724334A; JPWO2022145424A1

Abstract

コンピュータプログラム、学習モデルの生成方法、及び手術支援装置の提供。コンピュータに、鏡視下手術の術野を撮像して得られる術野画像を取得し、術野画像を入力した場合、血管に関する認識結果を出力するように学習された学習モデルを用いて、取得した術野画像に含まれる血管と、血管のうち注意喚起を促すべき血管とを区別して認識し、認識した血管に関する情報を出力する処理を実行させる。

Description

コンピュータプログラム、学習モデルの生成方法、及び手術支援装置

　本発明は、コンピュータプログラム、学習モデルの生成方法、及び手術支援装置に関する。

　腹腔鏡手術では、例えば患者の体内に形成された悪性腫瘍などの病変部を取り除く手術を行う。このとき、患者の体内を腹腔鏡により撮像し、得られた術野画像をモニタに表示させる（例えば、特許文献１を参照）。

特開２００５－２８７８３９号公報

　従来、術野画像から術者が注意を要するような血管を認識し、術者に報知することは困難であった。

　本発明は、術野画像から血管の認識結果を出力できるコンピュータプログラム、学習モデルの生成方法、及び手術支援装置を提供することを目的とする。

　本発明の一態様におけるコンピュータプログラムは、コンピュータに、鏡視下手術の術野を撮像して得られる術野画像を取得し、術野画像を入力した場合、血管に関する情報を出力するように学習された学習モデルを用いて、取得した術野画像に含まれる血管と、該血管のうち注意喚起を促すべき血管とを区別して認識する処理を実行させるためのコンピュータプログラムである。

　本発明の一態様における学習モデルの生成方法は、コンピュータが、鏡視下手術の術野を撮像して得られる術野画像と、該術野画像に含まれる血管部分を示す第１正解データと、前記血管部分のうち注意喚起を促すべき血管部分を示す第２正解データとを含む訓練データを取得し、取得した訓練データのセットに基づき、術野画像を入力した場合、血管に関する情報を出力する学習モデルを生成する。

　本発明の一態様における手術支援装置は、鏡視下手術の術野を撮像して得られる術野画像を取得する取得部と、術野画像を入力した場合、血管に関する情報を出力するように学習された学習モデルを用いて、取得した術野画像に含まれる血管と、該血管のうち注意喚起を促すべき血管とを区別して認識する認識部と、該認識部の認識結果に基づき、前記鏡視下手術に関する支援情報を出力する出力部とを備える。

　本願によれば、術野画像から血管の認識結果を出力できる。

実施の形態１に係る腹腔鏡手術支援システムの概略構成を説明する模式図である。手術支援装置の内部構成を説明するブロック図である。術野画像の一例を示す模式図である。第１学習モデルの構成例を示す模式図である。第１学習モデルによる認識結果を示す模式図である。第２学習モデルの構成例を示す模式図である。第２学習モデルによる認識結果を示す模式図である。第１学習モデルの生成手順を説明するフローチャートである。手術支援の実行手順を説明するフローチャートである。微小血管の表示例を示す模式図である。注意血管の表示例を示す模式図である。第２学習モデル用の訓練データの生成手法を説明する説明図である。実施の形態３における学習モデルのソフトマックス層の構成を説明する説明図である。実施の形態３における表示例を示す模式図である。実施の形態４における表示例を示す模式図である。実施の形態５における表示手法を説明する説明図である。実施の形態６に係る手術支援装置が実行する処理の手順を説明するフローチャートである。実施の形態６における表示例を示す模式図である。実施の形態７における学習モデルのソフトマックス層の構成を説明する説明図である。実施の形態７における表示例を示す模式図である。特殊光画像用の学習モデルの構成例を示す模式図である。実施の形態８に係る手術支援装置が実行する処理の手順を説明するフローチャートである。実施の形態９に係る手術支援装置が実行する処理の概要を説明する説明図である実施の形態１０における手術支援の実行手順を説明するフローチャートである。拡大表示の例を示す模式図である。警告表示の例を示す模式図である。

　以下、本発明を腹腔鏡手術の支援システムに適用した形態について、図面を用いて具体的に説明する。なお、本発明は、腹腔鏡手術に限らず、胸腔鏡、消化管内視鏡、膀胱鏡、関節鏡、ロボット支援下内視鏡、手術顕微鏡、外視鏡などの撮像装置を用いた鏡視下手術全般に適用可能である。
　（実施の形態１）
　図１は実施の形態１に係る腹腔鏡手術支援システムの概略構成を説明する模式図である。腹腔鏡手術では、開腹手術を実施する代わりに、トロッカ１０と呼ばれる開孔器具を患者の腹壁に複数個取り付け、トロッカ１０に設けられた開孔から、腹腔鏡１１、エネルギ処置具１２、鉗子１３などの器具を患者の体内に挿入する。術者は、腹腔鏡１１によって撮像された患者体内の画像（術野画像）をリアルタイムに見ながら、エネルギ処置具１２を用いて患部を切除するなどの処置を行う。腹腔鏡１１、エネルギ処置具１２、鉗子１３などの術具は、術者又はロボットなどにより保持される。術者とは、腹腔鏡手術に関わる医療従事者であり、執刀医、助手、看護師、手術をモニタしている医師などを含む。

　腹腔鏡１１は、患者の体内に挿入される挿入部１１Ａ、挿入部１１Ａの先端部分に内蔵される撮像装置１１Ｂ、挿入部１１Ａの後端部分に設けられる操作部１１Ｃ、及びカメラコントロールユニット（ＣＣＵ）１１０や光源装置１２０に接続するためのユニバーサルコード１１Ｄを備える。

　腹腔鏡１１の挿入部１１Ａは、硬性管により形成されている。硬性管の先端部分には湾曲部が設けられている。湾曲部における湾曲機構は一般的な腹腔鏡に組み込まれている周知の機構であり、操作部１１Ｃの操作に連動した操作ワイヤの牽引によって例えば上下左右の４方向に湾曲するように構成されている。なお、腹腔鏡１１は、上述したような湾曲部を有する軟性鏡に限らず、湾曲部を持たない硬性鏡であってもよく、湾曲部や硬性管を持たない撮像装置であってもよい。さらに、腹腔鏡１１は、３６０度の範囲を撮像する全方位カメラであってもよい。

　撮像装置１１Ｂは、ＣＭＯＳ（Complementary Metal Oxide Semiconductor）などの固体撮像素子、タイミングジェネレータ（ＴＧ）やアナログ信号処理回路（ＡＦＥ）などを備えたドライバ回路を備える。撮像装置１１Ｂのドライバ回路は、ＴＧから出力されるクロック信号に同期して固体撮像素子から出力されるＲＧＢ各色の信号を取り込み、ＡＦＥにおいて、ノイズ除去、増幅、ＡＤ変換などの必要な処理を施し、デジタル形式の画像データを生成する。撮像装置１１Ｂのドライバ回路は、生成した画像データを、ユニバーサルコード１１Ｄを介して、ＣＣＵ１１０へ伝送する。

　操作部１１Ｃは、術者によって操作されるアングルレバーやリモートスイッチなどを備える。アングルレバーは、湾曲部を湾曲させるための操作を受付ける操作具である。アングルレバーに代えて、湾曲操作ノブ、ジョイスティックなどが設けられてもよい。リモートスイッチは、例えば、観察画像を動画表示又は静止画表示に切り替える切替スイッチ、観察画像を拡大又は縮小させるズームスイッチなどを含む。リモートスイッチには、予め定められた特定の機能が割り当てられてもよく、術者によって設定された機能が割り当てられてもよい。

　また、操作部１１Ｃには、リニア共振アクチュエータやピエゾアクチュエータなどにより構成される振動子が内蔵されてもよい。腹腔鏡１１を操作する術者に対して報知すべき事象が発生した場合、ＣＣＵ１１０は、操作部１１Ｃに内蔵された振動子を作動させることによって操作部１１Ｃを振動させ、前記事象の発生を術者に知らせてもよい。

　腹腔鏡１１の挿入部１１Ａ、操作部１１Ｃ、及びユニバーサルコード１１Ｄの内部には、ＣＣＵ１１０から撮像装置１１Ｂへ出力される制御信号や撮像装置１１Ｂから出力される画像データを伝送するための伝送ケーブル、光源装置１２０から出射される照明光を挿入部１１Ａの先端部分まで導くライトガイドなどが配されている。光源装置１２０から出射される照明光は、ライトガイドを通じて挿入部１１Ａの先端部分まで導かれ、挿入部１１Ａの先端部分に設けられた照明レンズを介して術野に照射される。なお、本実施の形態では、光源装置１２０を独立した装置として記載したが、光源装置１２０はＣＣＵ１１０に内蔵される構成であってもよい。

　ＣＣＵ１１０は、腹腔鏡１１が備える撮像装置１１Ｂの動作を制御する制御回路、ユニバーサルコード１１Ｄを通じて入力される撮像装置１１Ｂからの画像データを処理する画像処理回路等を備える。制御回路は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）などを備え、ＣＣＵ１１０が備える各種スイッチの操作や腹腔鏡１１が備える操作部１１Ｃの操作に応じて、撮像装置１１Ｂへ制御信号を出力し、撮像開始、撮像停止、ズームなどの制御を行う。画像処理回路は、ＤＳＰ（Digital Signal Processor）や画像メモリなどを備え、ユニバーサルコード１１Ｄを通じて入力される画像データに対して、色分離、色補間、ゲイン補正、ホワイトバランス調整、ガンマ補正等の適宜の処理を施す。ＣＣＵ１１０は、処理後の画像データから動画用のフレーム画像を生成し、生成した各フレーム画像を後述する手術支援装置２００へ順次出力する。フレーム画像のフレームレートは、例えば３０ＦＰＳ（Frames Per Second）である。

　ＣＣＵ１１０は、ＮＴＳＣ（National Television System Committee）、ＰＡＬ（Phase Alternating Line）、ＤＩＣＯＭ（Digital Imaging and COmmunication in Medicine）などの所定の規格に準拠した映像データを生成してもよい。ＣＣＵ１１０は、生成した映像データを表示装置１３０へ出力することにより、表示装置１３０の表示画面に術野画像（映像）をリアルタイムに表示させることができる。表示装置１３０は、液晶パネルや有機ＥＬ（Electro-Luminescence）パネルなどを備えたモニタである。また、ＣＣＵ１１０は、生成した映像データを録画装置１４０へ出力し、録画装置１４０に映像データを記録させてもよい。録画装置１４０は、ＣＣＵ１１０から出力される映像データを、各手術を識別する識別子、手術日時、手術場所、患者名、術者名などと共に記録するＨＤＤ（Hard Disk Drive）などの記録装置を備える。　

　手術支援装置２００は、ＣＣＵ１１０から入力される画像データ（すなわち、術野を撮像して得られる術野画像の画像データ）に基づき、腹腔鏡手術に関する支援情報を生成する。具体的には、手術支援装置２００は、術野画像に含まれる全ての微小血管と、これらの微小血管のうち注意喚起を促すべき微小血管とを区別して認識し、認識した微小血管に関する情報を表示装置１３０に表示させる処理を行う。

　本実施の形態において、微小血管とは、固有の名称が付けられておらず、体内を不規則に走行するような小さな血管を表す。固有の名称が付けられており、術者が容易に認識できるような血管については、認識対象から除外してもよい。すなわち、左胃動脈、右胃動脈、左肝動脈、右肝動脈、脾動脈、上腸間膜動脈、下腸間膜動脈、肝静脈、左腎静脈、右腎静脈などの固有名称が付けられた血管は、認識対象から除外してよい。微小血管は、直径がおよそ３ｍｍ以下の血管である。直径が３ｍｍ超の血管であっても、固有の名称が付けられていなければ認識対象となり得る。逆に、直径が３ｍｍ以下の血管であっても、固有の名称が付けられており、術者が容易に認識できるような血管は認識対象から除外してよい。

　一方、注意喚起を促すべき微小血管とは、上述した微小血管のうち、術者にとって注意を要するような血管（以下、注意血管ともいう）を表す。注意血管は、術中に損傷する可能性がある血管や術中に術者が気付かない可能性がある血管である。手術支援装置２００は、術者の中心視野に存在する微小血管を注意血管として認識してもよく、術者の中心視野に存在しない微小血管を注意血管として認識してもよい。また、手術支援装置２００は、中心視野に存在するか否かに関わらず、伸長するなどテンションが掛かった状態の微小血管を注意血管として認識してもよい。

　本実施の形態では、手術支援装置２００において微小血管の認識処理を実行する構成について説明するが、手術支援装置２００と同等の機能をＣＣＵ１１０に設け、ＣＣＵ１１０において微小血管の認識処理を実行する構成としてもよい。

　以下、手術支援装置２００の内部構成、手術支援装置２００が実行する認識処理及び表示処理について説明する。

　図２は手術支援装置２００の内部構成を説明するブロック図である。手術支援装置２００は、制御部２０１、記憶部２０２、操作部２０３、入力部２０４、出力部２０５、通信部２０６などを備える専用又は汎用のコンピュータである。手術支援装置２００は、手術室内に設置されるコンピュータであってもよく、手術室の外部に設置されるコンピュータであってもよい。また、手術支援装置２００は、腹腔鏡手術を行う病院内に設置されるサーバであってもよく、病院外に設置されるサーバであってもよい。

　制御部２０１は、例えば、ＣＰＵ、ＲＯＭ、及びＲＡＭなどを備える。制御部２０１が備えるＲＯＭには、手術支援装置２００が備えるハードウェア各部の動作を制御する制御プログラム等が記憶される。制御部２０１内のＣＰＵは、ＲＯＭに記憶された制御プログラムや後述する記憶部２０２に記憶された各種コンピュータプログラムを実行し、ハードウェア各部の動作を制御することによって、装置全体を本願における手術支援装置として機能させる。制御部２０１が備えるＲＡＭには、演算の実行中に利用されるデータ等が一時的に記憶される。

　本実施の形態では、制御部２０１がＣＰＵ、ＲＯＭ、及びＲＡＭを備える構成としたが、制御部２０１の構成は任意であり、例えば、ＧＰＵ（Graphics Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＦＰＧＡ（Field Programmable Gate Array）、量子プロセッサ、揮発性又は不揮発性のメモリ等を１又は複数備えた演算回路や制御回路であってもよい。また、制御部２０１は、日時情報を出力するクロック、計測開始指示を与えてから計測終了指示を与えるまでの経過時間を計測するタイマ、数をカウントするカウンタ等の機能を有するものであってもよい。

　記憶部２０２は、ハードディスク、フラッシュメモリなどを用いた記憶装置を備える。記憶部２０２には、制御部２０１によって実行されるコンピュータプログラム、外部から取得した各種データ、装置内部で生成した各種データ等が記憶される。

　記憶部２０２に記憶されるコンピュータプログラムは、術野画像に含まれる微小血管部分を認識するための処理を制御部２０１に実行させる認識処理プログラムＰＧ１、認識結果に基づく支援情報を表示装置１３０に表示させるための処理を制御部２０１に実行させる表示処理プログラムＰＧ２、学習モデル３１０，３２０を生成するための学習処理プログラムＰＧ３を含む。なお、認識処理プログラムＰＧ１及び表示処理プログラムＰＧ２は、それぞれ独立したコンピュータプログラムである必要はなく、１つのコンピュータプログラムとして実装されてもよい。これらのプログラムは、例えば、コンピュータプログラムを読み取り可能に記録した非一時的な記録媒体Ｍにより提供される。記録媒体Ｍは、ＣＤ－ＲＯＭ、ＵＳＢメモリ、ＳＤ（Secure Digital）カードなどの可搬型メモリである。制御部２０１は、図に示していない読取装置を用いて、記録媒体Ｍから所望のコンピュータプログラムを読み取り、読み取ったコンピュータプログラムを記憶部２０２に記憶させる。代替的に、上記コンピュータプログラムは、通信部２０６を用いた通信により提供されてもよい。

　また、記憶部２０２には、上述した認識処理プログラムＰＧ１において用いられる学習モデル３１０，３２０が記憶される。学習モデル３１０は、術野画像の入力に対して、術野画像に含まれる微小血管部分の認識結果を出力するように学習された学習モデルである。一方、学習モデル３２０は、術者画像に含まれる微小血管のうち、注意喚起を促すべき微小血管部分の認識結果を出力するように学習された学習モデルである。以下において、学習モデル３１０，３２０を区別して説明する場合、前者を第１学習モデル３１０とも記載し、後者を第２学習モデル３２０とも記載する。

　学習モデル３１０，３２０は、それぞれ定義情報によって記述される。学習モデル３１０，３２０の定義情報は、学習モデル３１０，３２０が備える層の情報、各層を構成するノードの情報、ノード間の重み付け及びバイアスなどのパラメータを含む。記憶部２０２に記憶される学習モデル３１０は、術野を撮像して得られる術野画像と、術野画像内の微小血管部分を示す正解データとを訓練データとして、所定の学習アルゴリズムを用いて学習された学習済みの学習モデルである。一方、学習モデル３２０は、術野を撮像して得られる術野画像と、術野画像内の注意血管部分を示す正解データとを訓練データとして、所定の学習アルゴリズムを用いて学習された学習済みの学習モデルである。学習モデル３１０，３２０の構成及び学習モデル３１０，３２０の生成手順については後に詳述する。

　操作部２０３は、キーボード、マウス、タッチパネル、スタイラスペンなどの操作デバイスを備える。操作部２０３は、術者などによる操作を受付け、受付けた操作に関する情報を制御部２０１へ出力する。制御部２０１は、操作部２０３から入力される操作情報に応じて適宜の処理を実行する。なお、本実施の形態では、手術支援装置２００が操作部２０３を備える構成としたが、外部に接続されたＣＣＵ１１０などの各種機器を通じて操作を受付ける構成であってもよい。

　入力部２０４は、入力機器を接続する接続インタフェースを備える。本実施の形態において、入力部２０４に接続される入力機器はＣＣＵ１１０である。入力部２０４には、腹腔鏡１１によって撮像され、ＣＣＵ１１０によって処理が施された術野画像の画像データが入力される。入力部２０４は、入力された画像データを制御部２０１へ出力する。また、制御部２０１は、入力部２０４から取得した画像データを記憶部２０２に記憶させてもよい。

　実施の形態では、入力部２０４を通じて、ＣＣＵ１１０から術野画像の画像データを取得する構成について説明するが、腹腔鏡１１から直接的に術野画像の画像データを取得してもよく、腹腔鏡１１に着脱可能に装着される画像処理装置（不図示）より術野画像の画像データを取得してもよい。また、手術支援装置２００は、録画装置１４０に記録された術野画像の画像データを取得してもよい。

　出力部２０５は、出力機器を接続する接続インタフェースを備える。本実施の形態において、出力部２０５に接続される出力機器は表示装置１３０である。制御部２０１は、学習モデル３１０，３２０による認識結果など、術者等に報知すべき情報を生成した場合、生成した情報を出力部２０５より表示装置１３０へ出力することにより、表示装置１３０に情報を表示させる。本実施の形態では、出力機器として表示装置１３０を出力部２０５に接続する構成としたが、音を出力するスピーカなどの出力機器が出力部２０５に接続されてもよい。

　通信部２０６は、各種のデータを送受信する通信インタフェースを備える。通信部２０６が備える通信インタフェースは、イーサネット（登録商標）やＷｉＦｉ（登録商標）において用いられる有線又は無線の通信規格に準じた通信インタフェースである。通信部２０６は、送信すべきデータが制御部２０１から入力された場合、指定された宛先へ送信すべきデータを送信する。また、通信部２０６は、外部装置から送信されたデータを受信した場合、受信したデータを制御部２０１へ出力する。

　手術支援装置２００は、単一のコンピュータである必要はなく、複数のコンピュータや周辺機器からなるコンピュータシステムであってもよい。更に、手術支援装置２００は、ソフトウェアによって仮想的に構築される仮想マシンであってもよい。

　次に、手術支援装置２００に入力される術野画像について説明する。
　図３は術野画像の一例を示す模式図である。本実施の形態における術野画像は、患者の腹腔内を腹腔鏡１１により撮像して得られる画像である。術野画像は、腹腔鏡１１の撮像装置１１Ｂが出力する生の画像である必要はなく、ＣＣＵ１１０などによって処理が施された画像（フレーム画像）であればよい。

　腹腔鏡１１により撮像される術野には、臓器を構成する組織、腫瘍などの病変部を含む組織、組織を被う膜や層、組織の周囲に存在する血管などが含まれている。術者は、これらの解剖学的構造の関係を把握しながら、鉗子やエネルギ処置具などの器具を用いて、対象組織の剥離や切離を行う。図３に例として示す術野画像は、鉗子１３を用いて臓器を被う膜を牽引し、エネルギ処置具１２を用いて膜を含む対象組織周囲を剥離しようとしている場面を示している。このような牽引や剥離を行う過程で血管が損傷した場合、出血が発生する。出血により組織の境界は不鮮明となり、正しい剥離層を認識することが難しくなる。特に、止血が困難な状況下では視野を著しく劣化させ、また、無理な止血操作は二次損傷の危険性を生じさせる。

　血管の損傷を回避するためには、血管構造を把握することが重要となるが、上述したような微小血管は小さく、かつ不規則に走行していることが多いため、術者にとっては微小血管の血管構造を把握することは容易でない。そこで、本実施の形態に係る手術支援装置２００は、学習モデル３１０，３２０を用いて術野画像に含まれる微小血管部分を認識し、認識結果に基づき、腹腔鏡手術に関する支援情報を出力する。

　次に、手術支援装置２００において用いられる第１学習モデル３１０及び第２学習モデル３２０の構成例について説明する。
　図４は第１学習モデル３１０の構成例を示す模式図である。第１学習モデル３１０は、画像セグメンテーションを行うための学習モデルであり、例えばＳｅｇＮｅｔなどの畳み込み層を備えたニューラルネットワークにより構築される。第１学習モデル３１０は、ＳｅｇＮｅｔに限らず、ＦＣＮ（Fully Convolutional Network）、Ｕ－Ｎｅｔ（U-Shaped Network）、ＰＳＰＮｅｔ（Pyramid Scene Parsing Network）など、画像セグメンテーションが行える任意のニューラルネットワークを用いて構築されてもよい。また、第１学習モデル３１０は、画像セグメンテーション用のニューラルネットワークに代えて、ＹＯＬＯ（You Only Look Once）、ＳＳＤ（Single Shot Multi-Box Detector）など物体検出用のニューラルネットワークを用いて構築されてもよい。

　本実施の形態において、第１学習モデル３１０への入力画像は、腹腔鏡１１から得られる術野画像である。第１学習モデル３１０は、術野画像の入力に対し、術野画像に含まれる微小血管部分の認識結果を示す画像を出力するように学習される。

　第１学習モデル３１０は、例えば、エンコーダ３１１、デコーダ３１２、及びソフトマックス層３１３を備える。エンコーダ３１１は、畳み込み層とプーリング層とを交互に配置して構成される。畳み込み層は２～３層に多層化されている。図４の例では、畳み込み層にはハッチングを付さずに示し、プーリング層にはハッチングを付して示している。

　畳み込み層では、入力されるデータと、それぞれにおいて定められたサイズ（例えば、３×３や５×５など）のフィルタとの畳み込み演算を行う。すなわち、フィルタの各要素に対応する位置に入力された入力値と、フィルタに予め設定された重み係数とを各要素毎に乗算し、これら要素毎の乗算値の線形和を算出する。算出した線形和に、設定されたバイアスを加算することによって、畳み込み層における出力が得られる。なお、畳み込み演算の結果は活性化関数によって変換されてもよい。活性化関数として、例えばＲｅＬＵ（Rectified Linear Unit）を用いることができる。畳み込み層の出力は、入力データの特徴を抽出した特徴マップを表している。

　プーリング層では、入力側に接続された上位層である畳み込み層から出力された特徴マップの局所的な統計量を算出する。具体的には、上位層の位置に対応する所定サイズ（例えば、２×２、３×３）のウインドウを設定し、ウインドウ内の入力値から局所の統計量を算出する。統計量としては、例えば最大値を採用できる。プーリング層から出力される特徴マップのサイズは、ウインドウのサイズに応じて縮小（ダウンサンプリング）される。図４の例は、エンコーダ３１１において畳み込み層における演算とプーリング層における演算とを順次繰り返すことによって、２２４画素×２２４画素の入力画像を、１１２×１１２、５６×５６、２８×２８、…、１×１の特徴マップに順次ダウンサンプリングしていることを示している。

　エンコーダ３１１の出力（図４の例では１×１の特徴マップ）は、デコーダ３１２に入力される。デコーダ３１２は、逆畳み込み層と逆プーリング層とを交互に配置して構成される。逆畳み込み層は２～３層に多層化されている。図４の例では、逆畳み込み層にはハッチングを付さずに示し、逆プーリング層にはハッチングを付して示している。

　逆畳み込み層では、入力された特徴マップに対して、逆畳み込み演算を行う。逆畳み込み演算とは、入力された特徴マップが特定のフィルタを用いて畳み込み演算された結果であるという推定の下、畳み込み演算される前の特徴マップを復元する演算である。この演算では、特定のフィルタを行列で表したとき、この行列に対する転置行列と、入力された特徴マップとの積を算出することで、出力用の特徴マップを生成する。なお、逆畳み込み層の演算結果は、上述したＲｅＬＵなどの活性化関数によって変換されてもよい。

　デコーダ３１２が備える逆プーリング層は、エンコーダ３１１が備えるプーリング層に１対１で個別に対応付けられており、対応付けられている対は実質的に同一のサイズを有する。逆プーリング層は、エンコーダ３１１のプーリング層においてダウンサンプリングされた特徴マップのサイズを再び拡大（アップサンプリング）する。図４の例は、デコーダ３１２において畳み込み層における演算とプーリング層における演算とを順次繰り返すことによって、１×１、７×７、１４×１４、…、２２４×２２４の特徴マップに順次アップサンプリングしていることを示している。

　デコーダ３１２の出力（図４の例では２２４×２２４の特徴マップ）は、ソフトマックス層３１３に入力される。ソフトマックス層３１３は、入力側に接続された逆畳み込み層からの入力値にソフトマックス関数を適用することにより、各位置（画素）における部位を識別するラベルの確率を出力する。本実施の形態では、微小血管を識別するラベルを設定し、微小血管に属するか否かを画素単位で識別すればよい。ソフトマックス層３１３から出力されるラベルの確率が閾値以上（例えば７０％以上）の画素を抽出することによって、微小血管部分の認識結果を示す画像（以下、認識画像という）が得られる。

　なお、図４の例では、２２４画素×２２４画素の画像を第１学習モデル３１０への入力画像としているが、入力画像のサイズは上記に限定されるものではなく、手術支援装置２００の処理能力、腹腔鏡１１から得られる術野画像のサイズ等に応じて、適宜設定することが可能である。また、第１学習モデル３１０への入力画像は、腹腔鏡１１より得られる術野画像の全体である必要はなく、術野画像の注目領域を切り出して生成される部分画像であってもよい。処置対象を含むような注目領域は術野画像の中央付近に位置することが多いので、例えば、元の半分程度のサイズとなるように術野画像の中央付近を矩形状に切り出した部分画像を用いてもよい。第１学習モデル３１０に入力する画像のサイズを小さくすることにより、処理速度を上げつつ、認識精度を高めることができる。

　図５は第１学習モデル３１０による認識結果を示す模式図である。図５の例では、第１学習モデル３１０を用いて認識した微小血管部分を太実線（若しくは黒色で塗られた領域）により示し、それ以外の臓器や膜、術具の部分を参考として破線により示している。手術支援装置２００の制御部２０１は、認識した微小血管部分を判別可能に表示するために微小血管の認識画像を生成する。認識画像は、術野画像と同一サイズを有し、微小血管として認識された画素に特定の色を割り当てた画像である。微小血管に割り当てる色は任意に設定される。また、認識画像を構成する各画素には透過度を表す情報が付加され、微小血管として認識された画素には不透過の値、それ以外の画素は透過の値が設定される。手術支援装置２００は、このように生成された認識画像を術野画像に重畳して表示することにより、微小血管部分を特定の色を有する構造として術野画像上に表示することができる。

　図６は第２学習モデル３２０の構成例を示す模式図である。第２学習モデル３２０は、エンコーダ３２１、デコーダ３２２、及びソフトマックス層３２３を備えており、術野画像の入力に対し、術野画像に含まれる注意血管部分の認識結果を示す画像を出力するように構成される。第２学習モデル３２０が備えるエンコーダ３２１、デコーダ３２２、及びソフトマックス層３２３の構成は、第１学習モデル３１０のものと同様であるため、その詳細な説明については省略することとする。

　図７は第２学習モデル３２０による認識結果を示す模式図である。図７の例では、第２学習モデル３２０を用いて認識した注意血管部分を太実線（若しくは黒色で塗られた領域）により示し、それ以外の臓器や膜、術具の部分を参考として破線により示している。手術支援装置２００の制御部２０１は、認識した注意血管部分を判別可能に表示するために注意血管の認識画像を生成する。認識画像は、術野画像と同一サイズを有し、注意血管として認識された画素に特定の色を割り当てた画像である。注意血管に割り当てる色は、微小血管に割り当てた色とは異なり、周囲の組織と区別が付くような色が好ましい。例えば、注意血管に割り当てる色は、青色や水色などの寒色系（青系）の色であってもよく、緑色や黄緑色などの緑系の色であってもよい。また、認識画像を構成する各画素には透過度を表す情報が付加され、注意血管として認識された画素には不透過の値、それ以外の画素は透過の値が設定される。手術支援装置２００は、このように生成された認識画像を術野画像に重畳して表示することにより、注意血管部分を特定の色を有する構造として術野画像上に表示することができる。

　以下、第１学習モデル３１０及び第２学習モデル３２０の生成手順について説明する。第１学習モデル３１０及び第２学習モデル３２０を生成する準備段階として、撮像済みの術野画像に対してアノテーションが実施される。

　第１学習モデル３１０を生成する準備段階において、作業者（医師などの専門家）は、録画装置１４０に録画された術野画像を表示装置１３０に表示させ、操作部２０３として備えるマウスやスタイラスペンなどを用いて、微小血管に該当する部分を画素単位で指定することによりアノテーションを行う。アノテーションに用いられた多数の術野画像と、各術野画像において指定された微小血管に該当する画素の位置を示すデータ（第１正解データ）とのセットは、第１学習モデル３１０を生成するための訓練データとして手術支援装置２００の記憶部２０２に記憶される。訓練データの数を増やすために、透視変換や鏡映処理などを適用して生成した術野画像と、当該術野画像に対する正解データとのセットを訓練データに含めてもよい。更に、学習が進めば、術野画像と、術野画像を入力して得られる第１学習モデル３１０の認識結果（正解データ）とのセットを訓練データに含めてもよい。

　同様に、第２学習モデル３２０を生成する準備段階において、作業者は、術者の中心視野に存在する微小血管（若しくは、術者の中心視野に存在しない微小血管）やテンションが掛かった状態の微小血管に該当する部分を画素単位で指定することによって、アノテーションを行う。中心視野は、例えば、術野画像の中心に設定される矩形又は円形の領域であり、術野画像の１／４～１／３程度のサイズを有するように設定される。アノテーションに用いられた多数の術野画像と、各術野画像において指定された注意血管に該当する画素の位置を示すデータ（第２正解データ）とのセットは、第２学習モデル３２０を生成するための訓練データとして、手術支援装置２００の記憶部２０２に記憶される。訓練データの数を増やすために、透視変換や鏡映処理などを適用して生成した術野画像と、当該術野画像に対する正解データとのセットを訓練データに含めてもよい。更に、学習が進めば、術野画像と、術野画像を入力して得られる第２学習モデル３２０の認識結果（正解データ）とのセットを訓練データに含めてもよい。

　手術支援装置２００は、上述した訓練データを用いて、第１学習モデル３１０及び第２学習モデル３２０を生成する。

　図８は第１学習モデル３１０の生成手順を説明するフローチャートである。手術支援装置２００の制御部２０１は、記憶部２０２から学習処理プログラムＰＧ３を読み出し、以下の手順を実行することにより、第１学習モデル３１０を生成する。なお、学習を開始する前の段階では、第１学習モデル３１０を記述する定義情報には、初期値が与えられているものとする。

　制御部２０１は、記憶部２０２にアクセスし、第１学習モデル３１０を生成するために事前に準備された訓練データから、一組の訓練データを選択する（ステップＳ１０１）。制御部２０１は、選択した訓練データに含まれる術野画像を第１学習モデル３１０へ入力し（ステップＳ１０２）、第１学習モデル３１０による演算を実行する（ステップＳ１０３）。すなわち、制御部２０１は、入力した術野画像から特徴マップを生成し、生成した特徴マップを順次ダウンサンプリングするエンコーダ３１１による演算、エンコーダ３１１から入力される特徴マップを順次アップサンプリングするデコーダ３１２による演算、及びデコーダ３１２より最終的に得られる特徴マップの各画素を識別するソフトマックス層３１３による演算を実行する。

　制御部２０１は、第１学習モデル３１０から演算結果を取得し、取得した演算結果を評価する（ステップＳ１０４）。例えば、制御部２０１は、演算結果として得られる微小血管の画像データと、訓練データに含まれる正解データとの類似度を算出することによって、演算結果を評価すればよい。類似度は、例えばＪａｃｃａｒｄ係数により算出される。Ｊａｃｃａｒｄ係数は、第１学習モデル３１０によって抽出した微小血管部分をＡ、正解データに含まれる微小血管部分をＢとしたとき、Ａ∩Ｂ／Ａ∪Ｂ×１００（％）により与えられる。Ｊａｃｃａｒｄ係数に代えて、Ｄｉｃｅ係数やＳｉｍｐｓｏｎ係数を算出してもよく、その他の既存の手法を用いて類似度を算出してもよい。

　制御部２０１は、演算結果の評価に基づき、学習が完了したか否かを判断する（ステップＳ１０５）。制御部２０１は、予め設定した閾値以上の類似度が得られた場合に、学習が完了したと判断することができる。

　学習が完了していないと判断した場合（Ｓ１０５：ＮＯ）、制御部２０１は、逆誤差伝搬法を用いて、第１学習モデル３１０の各層における重み係数及びバイアスを学習モデル３１０の出力側から入力側に向かって順次的に更新する（ステップＳ１０６）。制御部２０１は、各層の重み係数及びバイアスを更新した後、処理をステップＳ１０１へ戻し、ステップＳ１０１からステップＳ１０５までの処理を再度実行する。

　ステップＳ１０５において学習が完了したと判断した場合（Ｓ１０５：ＹＥＳ）、学習済みの第１学習モデル３１０が得られるので、制御部２０１は、本フローチャートによる処理を終了する。

　図８のフローチャートでは第１学習モデル３１０の生成手順について説明したが、第２学習モデル３２０の生成手順についても同様である。すなわち、手術支援装置２００は、第２学習モデル３２０を生成するために準備された訓練データを用いて、第２学習モデル３２０による演算と、演算結果の評価とを繰り返し実行することによって、第２学習モデル３２０を生成すればよい。

　本実施の形態では、手術支援装置２００において学習モデル３１０，３２０を生成する構成としたが、サーバ装置などの外部コンピュータを用いて学習モデル３１０，３２０を生成してもよい。手術支援装置２００は、外部コンピュータにて生成された学習モデル３１０，３２０を通信等の手段を用いて取得し、取得した学習モデル３１０，３２０を記憶部２０２に記憶させてもよい。

　手術支援装置２００は、学習モデル３１０，３２０が生成された後の運用フェーズにおいて手術支援を行う。図９は手術支援の実行手順を説明するフローチャートである。手術支援装置２００の制御部２０１は、記憶部２０２から認識処理プログラムＰＧ１及び表示処理プログラムＰＧ２を読み出して実行することにより、以下の手順を実行する。腹腔鏡手術が開始されると、腹腔鏡１１の撮像装置１１Ｂにより術野を撮像して得られる術野画像はユニバーサルコード１１Ｄを介してＣＣＵ１１０へ随時出力される。手術支援装置２００の制御部２０１は、ＣＣＵ１１０から出力される術野画像を入力部２０４にて取得する（ステップＳ１２１）。制御部２０１は、術野画像を取得する都度、ステップＳ１２２～Ｓ１２７の処理を実行する。

　制御部２０１は、取得した術野画像を第１学習モデル３１０に入力して第１学習モデル３１０による演算を実行し（ステップＳ１２２）、術野画像に含まれる微小血管部分を認識する（ステップＳ１２３）。すなわち、制御部２０１は、入力された術野画像から特徴マップを生成し、生成した特徴マップを順次ダウンサンプリングするエンコーダ３１１による演算、エンコーダ３１１から入力された特徴マップを順次アップサンプリングするデコーダ３１２による演算、及びデコーダ３１２より最終的に得られる特徴マップの各画素を識別するソフトマックス層３１３による演算を実行する。また、制御部２０１は、ソフトマックス層３１３から出力されるラベルの確率が閾値以上（例えば７０％以上）の画素を微小血管部分として認識する。

　制御部２０１は、第１学習モデル３１０を用いて認識した微小血管部分を判別可能に表示するために、微小血管の認識画像を生成する（ステップＳ１２４）。制御部２０１は、上述したように、微小血管として認識された画素には特定の色を割り当て、微小血管以外の画素には背景が透過するような透過度を設定すればよい。

　同様に、制御部２０１は、取得した術野画像を第２学習モデル３２０に入力して第２学習モデル３２０による演算を実行し（ステップＳ１２５）、術野画像に含まれる注意血管部分を認識する（ステップＳ１２６）。第２学習モデル３２０を生成する際に、術者の中心視野にある微小血管を認識するようにアノテーションが行われていた場合、ステップＳ１２６では、術者の中心視野に存在する微小血管が注意血管として認識される。また、術者の中心視野にない微小血管を認識するようにアノテーションが行われていた場合、ステップＳ１２６では、術者の中心視野にない微小血管が注意血管として認識される。更に、テンションが掛かった状態の微小血管を認識するようにアノテーションが行われていた場合、ステップＳ１２６では、微小血管が緊張した前の状態から緊張状態に移行した段階で注意血管として認識される。

　次いで、制御部２０１は、第２学習モデル３２０を用いて認識した注意血管部分を判別可能に表示するために、注意血管の認識画像を生成する（ステップＳ１２７）。制御部２０１は、上述したように、注意血管として認識された画素には青系や緑系などの他の微小血管部分とは異なる色を割り当て、注意血管以外の画素には背景が透過するような透過度を設定すればよい。

　次いで、制御部２０１は、微小血管の表示指示が与えられたか否かを判断する（ステップＳ１２８）。制御部２０１は、操作部２０３を通じて術者の指示を受付けたか否かを判断することにより、表示指示が与えられたか否かを判断すればよい。微小血管の表示指示が与えられた場合（Ｓ１２８：ＹＥＳ）、制御部２０１は、その時点で生成される微小血管の認識画像を出力部２０５より表示装置１３０へ出力し、術野画像上に微小血管の認識画像を重畳して表示装置１３０に表示させる（ステップＳ１２９）。なお、直前のフレームにおいて、注意血管の認識画像を重畳表示していた場合、注意血管の認識画像に代えて、微小血管の認識画像を重畳表示すればよい。これにより、学習モデル３１０を用いて認識した微小血管部分は特定の色で示される構造として術野画像上に表示される。

　図１０は微小血管の表示例を示す模式図である。図面作成の都合上、図１０の表示例では、微小血管部分を太実線又は黒色で塗られた領域により示している。実際には、微小血管に該当する部分は画素単位で予め定められた色で塗られるため、術者は、表示装置１３０の表示画面を確認することにより、微小血管部分を認識することができる。

　微小血管の表示指示が与えられていないと判断した場合（Ｓ１２８：ＮＯ）、制御部２０１は、注意血管の表示指示が与えられたか否かを判断する（ステップＳ１３０）。制御部２０１は、操作部２０３を通じて術者の指示を受付けたか否かを判断することにより、表示指示が与えられたか否かを判断すればよい。注意血管の表示指示が与えられた場合（Ｓ１３０：ＹＥＳ）、制御部２０１は、その時点で生成される注意血管の認識画像を出力部２０５より表示装置１３０へ出力し、術野画像上に注意血管の認識画像を重畳して表示装置１３０に表示させる（ステップＳ１３１）。なお、直前のフレームにおいて、微小血管の認識画像を重畳表示していた場合、微小血管の認識画像に代えて、注意血管の認識画像を重畳表示すればよい。これにより、学習モデル３２０を用いて認識した注意血管部分は青系や緑系の特定の色で示される構造として術野画像上に表示される。

　図１１は注意血管の表示例を示す模式図である。図面作成の都合上、図１１の表示例では、注意血管部分を太実線又は黒色で塗られた領域により示している。実際には、注意血管に該当する部分は画素単位で青系や緑系などの人体内部に存在しない色で塗られるため、術者は、表示装置１３０の表示画面を見ることにより、注意血管を明確に判別することができる。術者は、注意血管を含む部位を切離する必要がある場合には、例えばエネルギ処置具１２を用いて凝固切離することにより、出血の発生を抑えることができる。

　ステップＳ１３０において注意血管の表示指示が与えられていない場合（Ｓ１３０:ＮＯ）、制御部２０１は、術野画像の表示を終了するか否かを判断する（ステップＳ１３２）。腹腔鏡手術が終了し、腹腔鏡１１の撮像装置１１Ｂによる撮像が停止された場合、制御部２０１は、術野画像の表示を終了すると判断する。術野画像の表示を終了しないと判断した場合（Ｓ１３２：ＮＯ）、制御部２０１は、処理をステップＳ１２８へ戻す。術野画像の表示を終了すると判断した場合（Ｓ１３２：ＹＥＳ）、制御部２０１は、本フローチャートによる処理を終了する。

　図９に示すフローチャートでは、微小血管を認識する処理を実行した後に、注意血管を認識する処理を実行する手順としたが、これらの処理の実行順序は前後してもよく、同時並行的に実行されてもよい。

　また、図９に示すフローチャートでは、微小血管の表示指示が与えられた場合、微小血管の認識画像を重畳表示し、注意血管の表示指示が与えられた場合、注意血管の認識画像を重畳表示する構成としたが、表示指示を受付けることなく、微小血管の認識画像又は注意血管の認識画像の一方をデフォルトで表示する構成としてもよい。この場合、制御部２０１は、表示切替指示が与えられることにより、他方の認識画像に切り替えて表示すればよい。

　また、本実施の形態では、微小血管や注意血管に該当する画素を青系や緑系の人体内部に存在しない色で着色して表示する構成としたが、それらの画素の周囲に存在する画素も同色又は異なる色で着色して表示する構成としてもよい。このようなエフェクトを施すことにより、微小血管部分や注意血管部分を強調表示（太く表示）することができ、視認性を高めることができる。なお、微小血管部分及び注意血管部分の何れか一方のみを強調表示してもよく、両部分を強調表示してもよい。

　更に、微小血管部分又は注意血管部分を着色する際、微小血管部分又は注意血管部分について設定された表示色（青系や緑系の色）と、背景の術野画像の表示色とを平均化し、平均化した色で着色して表示してもよい。例えば、血管部分について設定されている表示色を（０，０，Ｂ１）、背景の術野画像における血管部分の表示色を（Ｒ２，Ｇ２，Ｂ２）とした場合、制御部２０１は、当該血管部分を（Ｒ２／２，Ｇ２／２，（Ｂ１＋Ｂ２）／２）の色で着色して表示すればよい。代替的に、重み係数Ｗ１，Ｗ２を導入し、認識した血管部分を（Ｗ２×Ｒ２，Ｗ２×Ｇ２，Ｗ１×Ｂ１＋Ｗ２×Ｂ２）の色で着色して表示してもよい。

　更に、微小血管部分及び注意血管部分の少なくとも一方を点滅表示してもよい。すなわち、制御部２０１は、認識した血管部分を第１設定時間（例えば２秒間）だけ表示する処理と、認識した血管部分を第２設定時間（例えば２秒間）だけ非表示にする処理とを交互に繰り返し実行することにより、血管部分の表示及び非表示を周期的に切り替えてもよい。血管部分の表示時間及び非表示時間は適宜設定されるとよい。また、患者の心拍や脈拍などの生体情報に同期させて、血管部分の表示及び非表示を切り替える構成としてもよい。

　更に、本実施の形態では、手術支援装置２００の操作部２０３により表示指示又は切替指示を与える構成としたが、腹腔鏡１１の操作部１１Ｃにより表示指示又は切替指示を与える構成としてもよく、図に示していないフットスイッチや音声入力装置等により表示指示又は切替指示を与える構成としてもよい。

　更に、手術支援装置２００は、第２学習モデル３２０により注意血管を認識した場合、注意血管を含む所定領域を拡大表示してもよい。拡大表示は、術野画像上で行ってもよく、別画面上で行ってもよい。

　更に、本実施の形態では、表示装置１３０において微小血管及び注意血管を術野画像に重畳表示する構成としたが、微小血管及び注意血管の検出を音又は音声により術者に報知してもよい。

　更に、本実施の形態では、第２学習モデル３２０により注意血管を認識した場合、制御部２０１は、エネルギ処置具１２や手術用ロボット（不図示）などの医療デバイスを制御するための制御信号を生成し、生成した制御信号を医療デバイスへ出力する構成としてもよい。例えば、注意血管を凝固しながら切断できるように、制御部２０１は、エネルギ処置具１２に対して電流を供給させ、凝固切断を指示する制御信号を出力してもよい。

　以上のように、本実施の形態では、学習モデル３１０，３２０を用いて微小血管及び注意血管の構造を認識し、認識した微小血管部分及び注意血管部分を画素単位で判別可能に表示することができるので、腹腔鏡手術における視覚支援を行うことができる。なお、手術支援装置２００から生成される画像は、手術支援に用いられるだけでなく、研修医等の教育支援のために用いられてもよく、腹腔鏡手術の評価のために用いられてもよい。例えば、また、手術中に録画装置１４０に録画された画像と手術支援装置２００が生成した画像とを比較して、腹腔鏡手術における牽引操作や剥離操作が適切であったか否かを判断することにより、腹腔鏡手術を評価することができる。

（実施の形態２）
　実施の形態２では、第２学習モデル３２０用の訓練データを生成する際、第１学習モデル３１０による認識結果を流用する構成について説明する。
　なお、腹腔鏡手術支援システムの全体構成、手術支援装置２００の内部構成等については実施の形態１と同様であるため、その説明を省略することとする。

　図１２は第２学習モデル３２０用の訓練データの生成手法を説明する説明図である。実施の形態１では、第２学習モデル３２０を生成する準備段階において、作業者が注意血管に該当する部分を画素単位で指定することによって、アノテーションを行った。これに対し、実施の形態２では、第１学習モデル３１０による微小血管の認識結果を表示させ、認識された微小血管のうち注意血管に該当しないものを作業者が選択し、これらを除外することにより、注意血管のみを残す作業を行うことによってアノテーションを行う。

　手術支援装置２００の制御部２０１は、第１学習モデル３１０の認識結果を参照し、隣接する画素同士が微小血管であるものをラベル付けしていくことにより、微小血管に該当する一連の画素を領域として認識する。制御部２０１は、認識した微小血管領域のうち、注意血管に該当しないものに対する選択操作（操作部２０３によるクリック操作やタップ操作）を受付けることにより、注意血管以外の血管を除外する。制御部２０１は、選択されなかった微小血管領域の画素を、注意血管に該当する画素として指定する。このように指定された注意血管に該当する画素の位置を示すデータ（第２正解データ）と元の術野画像とのセットは、第２学習モデル３２０を生成するための訓練データとして、手術支援装置２００の記憶部２０２に記憶される。

　制御部２０１は、記憶部２０２に記憶された訓練データを用いて、第２学習モデル３２０を生成する。第２学習モデル３２０の生成手法は、実施の形態１と同様であるため、その説明を省略することとする。

　以上のように、実施の形態２では、第１学習モデル３１０の認識結果を流用して、第２学習モデル３２０用の訓練データを生成できるので、作業者の作業負担を軽減することができる。

　なお、本実施の形態では、除外する微小血管を選択することにより注意血管を指定する構成としたが、第１学習モデル３１０により認識された微小血管のうち、注意血管に該当するものに対する選択操作を受付けることによって、注意血管を指定する構成としてもよい。

（実施の形態３）
　実施の形態３では、１つの学習モデルを用いて微小血管及び注意血管の双方を認識する構成について説明する。
　なお、腹腔鏡手術支援システムの全体構成、手術支援装置２００の内部構成等については実施の形態１と同様であるため、その説明を省略することとする。

　図１３は実施の形態３における学習モデル３３０のソフトマックス層３３３の構成を説明する説明図である。図１３では、簡略化のために、学習モデル３３０のソフトマックス層３３３のみを示している。ソフトマックス層３３３は、各画素に対応して設定されたラベルについて確率を出力する。実施の形態３では、微小血管を識別するラベル、注意血管を識別するラベル、それ以外を識別するラベルが設定される。手術支援装置２００の制御部２０１は、微小血管を識別するラベルの確率が閾値以上であれば、その画素が微小血管であると認識し、注意血管を識別するラベルの確率が閾値以上であれば、その画素が注意血管であると認識する。また、制御部２０１は、それ以外を識別するラベルの確率が閾値以上であれば、その画素は微小血管でも注意血管でもないと認識する。

　このような認識結果を得るための学習モデル３３０は、術野画像と、術野画像に含まれる微小血管部分及び注意血管部分の位置（画素）を示す正解データとを含むセットを訓練データに用いて学習することにより生成される。学習モデル３３０の生成方法については、実施の形態１と同様であるため、その説明を省略する。

　図１４は実施の形態３における表示例を示す模式図である。実施の形態３における手術支援装置２００は、学習モデル３３０を用いて、術野画像に含まれる微小血管部分及び注意血管部分を認識し、これらを判別できるように表示装置１３０に表示させる。図１４の表示例では、図面作成の都合上、学習モデル３３０を用いて認識された微小血管部分を太実線又は黒塗りの領域により示し、注意血管部分にハッチングを付して示している。実際には、注意血管に該当する部分については画素単位で青系の色や緑系の色などの人体内部に存在しない色で着色し、注意血管以外の微小血管に該当する部分については他の色で着色して表示すればよい。また、注意血管と注意血管以外の微小血管とで透過度を変えて表示してもよい。この場合、注意血管については透過度を相対的に低く、注意血管以外の微小血管については透過度を相対的に高く設定すればよい。

　以上のように、実施の形態３では、学習モデル３３０により認識した微小血管部分及び注意血管部分を判別可能に表示するため、牽引操作や剥離操作などを行う際に有用な情報を術者に対して的確に提示できる。

（実施の形態４）
　実施の形態４では、微小血管及び注意血管に対する認識結果の確信度に応じて、表示態様を変更する構成について説明する。

　実施の形態４において説明したように、学習モデル３３０のソフトマックス層３３３は、各画素に対応して設定されたラベルについて確率を出力する。この確率は、認識結果の確信度を表す。手術支援装置２００の制御部２０１は、認識結果の確信度に応じて、微小血管部分及び注意血管部分の表示態様を異ならせる。

　図１５は実施の形態４における表示例を示す模式図である。図１５は注意血管を含む領域を拡大して示している。この例では、注意血管の認識結果に関して、確信度が７０％～８０％の場合、８０％～９０％の場合、９０％～９５％の場合、９５％～１００％の場合の夫々で濃度を異ならせて注意血管部分を表示している。この例では、確信度が高くなる程、濃度が高くなるように表示態様を変更すればよい。

　図１５の例では、注意血管の表示態様を確信度に応じて異ならせる構成としたが、微小血管についても同様に、確信度に応じて表示態様を異ならせてもよい。

　また、図１５の例では、確信度に応じて濃度を異ならせる構成としたが、確信度に応じて色や透過度を異ならせてもよい。色を異ならせる場合、確信度が高くなる程、青系や緑系の人体に存在しない色で表示し、確信度が高くなる程、赤系の人体に存在する色で表示すればよい。また、透過度を異ならせる場合、確信度が高くなる程、透過度が低くなるように表示態様を変更すればよい。

　また、図１５の例では、確信度に応じて４段階に透過度を変更しているが、更に細かく透過度を設定し、確信度に応じたグラデーション表示を行ってもよい。また、透過度を変更する構成に代えて、色を変更する構成としてもよい。

（実施の形態５）
　実施の形態５では、術具などの物体の陰に隠れて視認することができない微小血管部分の推定位置を表示する構成について説明する。

　図１６は実施の形態５における表示手法を説明する説明図である。上述したように、手術支援装置２００は、学習モデル３１０，３２０（若しくは学習モデル３３０）を用いて、術野画像に含まれる微小血管部分を認識する。しかしながら、撮像対象の術野にエネルギ処置具１２及び鉗子１３を含む術具やガーゼなどの物体が存在する場合、手術支援装置２００は、学習モデル３１０，３２０（若しくは学習モデル３３０）を用いたとしても、物体の陰に隠れている微小血管部分を術野画像から認識することはできない。このため、微小血管部分の認識画像を術野画像に重畳して表示させた場合、物体の陰に隠れている微小血管部分を判別可能に表示することはできない。

　そこで、実施の形態５に係る手術支援装置２００は、物体の陰に隠れていない状態で認識した微小血管部分の認識画像を記憶部２０２に保持しておき、当該微小血管部分が物体の陰に隠れた場合、記憶部２０２に保持した認識画像を読み出して、術野画像に重畳表示することを行う。

　図１６の例では、時刻Ｔ１は微小血管が術具の陰に隠れていない状態の術野画像を示し、時刻Ｔ２は微小血管の一部が術具の陰に隠れた状態の術野画像を示している。ただし、時刻Ｔ１と時刻Ｔ２との間では、腹腔鏡１１は移動させておらず、撮像している領域に変化はないものとする。

　時刻Ｔ１の術野画像からは、術野に現れる全ての微小血管を認識することが可能であり、学習モデル３１０，３２０（若しくは学習モデル３３０）の認識結果から、微小血管の認識画像が生成される。生成された微小血管の認識画像は記憶部２０２に記憶される。

　一方、時刻Ｔ２の術野画像からは、術野に現れる微小血管のうち、術具に隠れていない微小血管については認識可能であるが、術具に隠れている微小血管については認識することがない。そこで、手術支援装置２００は、時刻Ｔ１の術野画像から生成された微小血管の認識画像を記憶部２０２から読み出し、時刻Ｔ２の術野画像に重畳して表示する。図１６の例では、破線で示す部分が術具に隠れて視認できない微小血管部分であるが、手術支援装置２００は、時刻Ｔ１において認識された認識画像を流用することにより、当該部分も含めて判別可能に表示することが可能となる。

　以上のように、実施の形態５では、術具などの物体の陰に隠れて視認することができない微小血管の存在を術者に報知することができるので、手術時の安全性を高めることができる。

（実施の形態６）
　実施の形態６では、血管の走行パターンを予測し、予測した血管の走行パターンにより推定される血管部分を判別可能に表示する構成について説明する。

　図１７は実施の形態６に係る手術支援装置２００が実行する処理の手順を説明するフローチャートである。手術支援装置２００の制御部２０１は、実施の形態１と同様に、術野画像を取得し（ステップＳ６０１）、取得した術野画像を第１学習モデル３１０に入力して第１学習モデル３１０による演算を実行する（ステップＳ６０２）。制御部２０１は、第１学習モデル３１０による演算結果に基づき、血管の走行パターンを予測する（ステップＳ６０３）。実施の形態１では、第１学習モデル３１０のソフトマックス層３１３から出力されるラベルの確率が第１閾値以上（例えば７０％以上）の画素を抽出することによって、微小血管部分の認識画像を生成していたが、実施の形態６では、その閾値を下げることにより血管の走行パターンを予測する。例えば、制御部２０１は、第１学習モデル３１０のソフトマックス層３１３から出力されるラベルの確率が第１閾値未満（例えば７０％未満）であり、第２閾値以上（例えば５０％以上）の画素を抽出することによって、血管の走行パターンを予測する。

　制御部２０１は、予測した走行パターンにより推定される血管部分を判別可能に表示する（ステップＳ６０４）。図１８は実施の形態６における表示例を示す模式図である。図１８では、認識した微小血管部分を太実線（若しくは黒色で塗られた領域）により示し、予測した走行パターンにより推定される血管部分をハッチングにより示している。図面作成の都合上、図１８の例では、微小血管部分を太実線（若しくは黒色で塗られた領域）により示し、走行パターンにより推定される血管部分をハッチングにより示しているが、色、濃度、透過度などの表示態様を異ならせて表示すればよい。

　以上のように、実施の形態６では、血管の走行パターンにより推定される血管部分を併せて表示できるので、腹腔鏡手術における視覚支援を行うことができる。

　本実施の形態では、ソフトマックス層３１３から出力されるラベルの確率が第１閾値未満（例えば７０％未満）、第２閾値以上（例えば５０％以上）の画素を抽出することによって、血管の走行パターンを予測する構成としたが、血管の走行パターンを予測するための学習モデルを用意してもよい。すなわち、術野を撮像して得られる術野画像と、術野画像内の血管の走行パターンを示す正解データとを訓練データとして学習された学習モデルを用意すればよい。正解データは、医師などの専門家が術野画像を確認しながら血管の走行パターンを判断し、当該術野画像にアノテーションを施すことにより生成されるとよい。

（実施の形態７）
　実施の形態７では、術野画像に基づき血流を認識し、血流の多少に応じた表示態様にて血管を表示する構成について説明する。

　図１９は実施の形態７における学習モデル３４０のソフトマックス層３４３の構成を説明する説明図である。図１９では、簡略化のために、学習モデル３４０のソフトマックス層３４３のみを示している。ソフトマックス層３４３は、各画素に対応して設定されたラベルについて確率を出力する。実施の形態７では、血流がある血管を識別するラベル、血流がない血管を識別するラベル、それ以外を識別するラベルが設定される。手術支援装置２００の制御部２０１は、血流がある血管を識別するラベルの確率が閾値以上であれば、その画素は血流がある血管であると認識し、血流がない血管を識別するラベルの確率が閾値以上であれば、その画素は血流がない血管であると認識する。また、制御部２０１は、それ以外を識別するラベルの確率が閾値以上であれば、その画素は血管でないと認識する。

　このような認識結果を得るための学習モデル３４０は、術野画像と、術野画像に含まれる血流がある血管部分及び血流がない血管部分の位置（画素）を示す正解データとを含むセットを訓練データに用いて学習することにより生成される。血流がある血管部分を含む術野画像として、例えば、ＩＣＧ（Indocyanine Green）蛍光画像を用いてもよい。すなわち、近赤外域に吸収波長を有するＩＣＧなどのトレーサを動脈又は静脈に注入し、近赤外光を照射したとき発せられる蛍光を観測することによって蛍光画像を生成し、これを血流がある血管部分の位置を示す正解データとして用いてもよい。また、血流がある血管と血流がない血管とでは、血管の色合い、形状、温度、血液の濃度、酸素飽和度などが異なるので、これらを計測することによって、血流がある血管部分の位置、及び血流がない血管部分の位置を特定して正解データを用意してもよい。学習モデル３４０の生成方法については、実施の形態１と同様であるため、その説明を省略する。

　なお、図１９に示す学習モデル３４０では、ソフトマックス層３４３から、血流がある確率、血流がない確率、及びその他の確率を出力する構成としたが、血流量または血流速に応じて確率を出力する構成としてもよい。

　図２０は実施の形態７における表示例を示す模式図である。実施の形態７における手術支援装置２００は、学習モデル３４０を用いて、血流がある血管部分と、血流がない血管部分とを認識し、これらを判別できるように表示装置１３０に表示させる。図２０の表示例では、図面作成の都合上、血流がある血管部分を太実線又は黒塗りの領域により示し、血流がない血管部分をハッチングを付して示していが、血流がある血管を特定の色で着色し、血流がない血管を別の色で着色して表示すればよい。また、血流がある血管と血流がない血管とで透過度を変えて表示してもよい。更に、血流がある血管及び血流がない血管の何れか一方を判別可能に表示してもよい。

　以上のように、実施の形態７では、血流がある血管と血流がない血管とを判別可能に表示するので、腹腔鏡手術における視覚支援を行うことができる。

（実施の形態８）
　実施の形態８では、特殊光を照射して撮像される特殊光画像を用いて血管部分を認識し、特殊光画像を用いて認識した血管部分の画像を必要に応じて表示する構成について説明する。

　実施の形態８における腹腔鏡１１は、通常光を照射して術野を撮像する機能と、特殊光を照射して術野を撮像する機能とを有する。このため、実施の形態８に係る腹腔鏡手術支援システムは、特殊光を出射するための光源装置（不図示）を別途備えてもよく、光源装置１２０から出射される光に対し、通常光用の光学フィルタと特殊光用の光学フィルタとを切り替えて適用することにより、通常光と特殊光とを切り替えて照射する構成としてもよい。

　通常光とは、例えば白色光の波長帯域（３８０ｎｍ～６５０ｎｍ）を有する光である。実施の形態１などで説明した照明光は通常光に該当する。一方、特殊光は、通常光とは異なる別の照明光であり、狭帯域光、赤外光、励起光などが該当する。なお、本明細書において、通常光／特殊光の区別は便宜的なものに過ぎず、特殊光が通常光と比較して特殊であることを強調するものではない。

　狭帯域光観察（ＮＢＩ：Narrow Band Imaging）では、血液中のヘモグロビンに吸収されやすい狭帯域化された２つの波長帯域（例えば、３９０～４４５ｎｍ／５３０～５５０ｎｍ）の光を観察対象に照射する。これにより、粘膜表層の毛細血管等を強調表示することができる。

　赤外光観察（ＩＲＩ：Infra Red Imaging）では、赤外光が吸収されやすい赤外指標薬剤を静脈注射した上で、２つの赤外光（７９０～８２０ｎｍ／９０５～９７０ｎｍ）を観察対象に照射する。これにより、通常光観察では視認することが困難な臓器深部の血管等を強調表示することができる。赤外指標薬剤には、例えばＩＣＧが用いられる。

　蛍光観察（ＡＦＩ：Auto Fluorescence Imaging）では、生体組織からの自家蛍光を観察するための励起光（３９０～４７０ｎｍ）と血液中のヘモグロビンに吸収される波長（５４０～５６０ｎｍ）の光とを観察対象に照射す。これにより、２種類の組織（例えば病変組織と正常組織）を異なる色で強調表示することができる。

　特殊光を用いた観察手法は、上記に限らず、ＨＳＩ（Hyper Spectral Imaging）、ＬＳＣＩ（Laser Speckle Contrast Imaging）、ＦＩＣＥ（Flexible spectral Imaging Color Enhancement）などであってもよい。

　以下では、通常光を照射して術野を撮像することにより得られる術野画像を通常光画像とも記載し、特殊光を照射して術野を撮像することにより得られる術野画像を特殊光画像とも記載する。

　実施の形態８に係る手術支援装置２００は、実施の形態１において説明した第１学習モデル３１０及び第２学習モデル３２０に加え、特殊光画像用の学習モデル３５０を備える。図２１は特殊光画像用の学習モデル３５０の構成例を示す模式図である。学習モデル３５０は、エンコーダ３５１、デコーダ３５２、及びソフトマックス層３５３を備えており、特殊光画像の入力に対し、特殊光画像に現れる血管部分の認識結果を示す画像を出力するように構成される。このような学習モデル３５０は、特殊光を照射して術野を撮像することにより得られる撮像画像（特殊光画像）と、当該特殊光画像について医師等により指定される血管の位置のデータ（正解データ）とを含むデータセットを訓練データとして使用し、所定の学習アルゴリズムに従って学習を実行することにより生成される。

　手術支援装置２００は、特殊光画像用の学習モデル３５０が生成された後の運用フェーズにおいて、手術支援を行う。図２２は実施の形態８に係る手術支援装置２００が実行する処理の手順を説明するフローチャートである。手術支援装置２００の制御部２０１は、通常光画像を取得し（ステップＳ８０１）、取得した通常光画像を第１学習モデル３１０に入力して第１学習モデル３１０による演算を実行する（ステップＳ８０２）。制御部２０１は、第１学習モデル３１０による演算結果に基づき、通常光画像に含まれる微小血管部分を認識すると共に（ステップＳ８０３）、通常光画像では視認することが困難な血管の走行パターンを予測する（ステップＳ８０４）。

　微小血管の認識手法は、実施の形態１と同様である。制御部２０１は、第１学習モデル３１０のソフトマックス層３１３から出力されるラベルの確率が閾値以上（例えば７０％以上）の画素を微小血管部分として認識する。走行パターンの予測手法は、実施の形態６と同様である。制御部２０１は、第１学習モデル３１０のソフトマックス層３１３から出力されるラベルの確率が第１閾値未満（例えば７０％未満）、第２閾値以上（例えば５０％以上）の画素を抽出することにより、通常光画像では視認することが困難な血管の走行パターンを予測する。

　制御部２０１は、ステップＳ８０１～Ｓ８０４の処理と並行して、以下の処理を実行する。制御部２０１は、特殊光画像を取得し（ステップＳ８０５）、取得した特殊光画像を特殊光画像用の学習モデル３５０に入力して学習モデル３５０による演算を実行する（ステップＳ８０６）。制御部２０１は、学習モデル３５０による演算結果に基づき、特殊光画像に現れる血管部分を認識する（ステップＳ８０７）。制御部２０１は、学習モデル３５０のソフトマックス層３５３から出力されるラベルの確率が閾値以上（例えば７０％以上）の画素を、血管部分として認識することができる。

　次いで、制御部２０１は、ステップＳ８０３の予測により、通常光画像では視認することが困難な血管の存在を検出したか否かを判断する（ステップＳ８０８）。

　視認困難な血管の存在を検出していないと判断した場合（Ｓ８０７：ＮＯ）、制御部２０１は、通常光画像を出力部２０５より表示装置１３０へ出力して表示すると共に、ステップＳ８０３で微小血管を認識した場合には、微小血管部分の認識画像を通常光画像上に重畳して表示する（ステップＳ８０９）。

　視認困難な血管の存在を検出したと判断した場合（Ｓ８０７：ＹＥＳ）、制御部２０１は、通常光画像を出力部２０５より表示装置１３０へ出力して表示すると共に、特殊光画像より認識される血管部分の認識画像を通常光画像に重畳して表示する（ステップＳ８１０）。

　以上のように、実施の形態８では、通常光画像では視認することが困難な血管の存在を検出した場合、特殊光画像より認識される血管部分の認識画像を表示するので、例えば臓器深部に存在する血管の位置を術者に知らせることができ、腹腔鏡手術における安全性を高めることができる。

　なお、本実施の形態では、通常光画像では視認することが困難な血管の存在を検出した場合、特殊光画像より認識される血管部分の認識画像を自動的に表示する構成としたが、操作部２０３などを通じて術者の指示を受付けた場合、通常光画像より認識された微小血管部分の表示に代えて、特殊光画像より認識された血管部分の表示を行う構成としてもよい。

　また、本実施の形態では、通常光画像より微小血管部分を認識する共に、特殊光画像より血管部分を認識する構成としたが、第２学習モデル３２０を用いて、通常光画像より注意血管部分を認識すると共に、特殊光画像より血管部分を認識する構成としてもよい。

　本実施の形態では、通常光画像による認識結果と、特殊光画像による認識結果とを１つの表示装置１３０にて切り替えて表示する構成としたが、通常光画像による認識結果を表示装置１３０に表示し、特殊光画像による認識結果を別の表示装置（不図示）に表示する構成としてもよい。

　本実施の形態では、制御部２０１において、通常光画像による微小血管部分の認識と、特殊光画像による血管部分の認識とを実行する構成としたが、制御部２０１とは別のハードウェア（ＧＰＵなど）を設け、このハードウェアにおいて特殊光画像における血管部分の認識をバックグラウンドで実行してもよい。

（実施の形態９）
　実施の形態９では、通常光画像と特殊光画像との結合画像を用いて血管部分を認識する構成について説明する。

　図２３は実施の形態９に係る手術支援装置２００が実行する処理の概要を説明する説明図である。手術支援装置２００の制御部２０１は、通常光を照射して術野を撮像することにより得られる通常光画像と、特殊光を照射して術野を撮像することにより得られる特殊光画像とを取得する。本実施の形態において、通常光画像は、例えばフルＨＤ（High-Definition）のＲＧＢ画像であり、特殊光画像は、例えばフルＨＤのグレースケール画像である。

　制御部２０１は、取得した通常光画像と特殊光画像とを結合することで結合画像を生成する。例えば、通常光画像を３つの色情報（ＲＧＢ３チャンネル）を有する画像、特殊光画像を１つの色情報（グレースケール１チャンネル）を有する画像とした場合、制御部２０１は、４つの色情報（ＲＧＢ３チャンネル＋グレースケール１チャンネル）を１つにまとめた画像として結合画像を生成する。

　制御部２０１は、生成した結合画像を結合画像用の学習モデル３６０に入力し、学習モデル３６０による演算を実行する。学習モデル３６０は、図に示していないエンコーダ、デコーダ、及びソフトマックス層を備えており、結合画像の入力に対し、結合画像に現れる血管部分の認識結果を示す画像を出力するように構成される。学習モデル３６０は、結合画像と、当該結合画像について医師等により指定される血管の位置のデータ（正解データ）とを含むデータセットを訓練データとして使用し、所定の学習アルゴリズムに従って学習を実行することにより生成される。

　制御部２０１は、学習モデル３６０を用いて得られる血管部分の認識画像を元の術野画像（通常画像）に重畳して表示する。

　以上のように、実施の形態９では、結合画像を用いて血管部分を認識するので、通常光画像では視認することが困難な血管の存在を術者に知らせることができ、腹腔鏡手術における安全性を高めることができる。

　なお、通常光画像に結合する特殊光画像は１つに限らず、通常光画像に対して、波長帯域が異なる複数の特殊光画像を結合してもよい。

（実施の形態１０）
　実施の形態１０では、術具が注意血管に接近した場合や接触した場合において、術者に報知する構成について説明する。

　図２４は実施の形態１０における手術支援の実行手順を説明するフローチャートである。手術支援装置２００の制御部２０１は、術具が注意血管に接近したか否かを判断する（ステップＳ１００１）。制御部２０１は、例えば、注意血管と術具の先端との間の離隔距離を術野画像上で時系列的に計算し、その離隔距離が所定値よりも短くなったと判断した場合、術具が注意血管に接近したと判断すればよい。術具が注意血管に接近していないと判断した場合（Ｓ１００１：ＮＯ）、制御部２０１は、後述するステップＳ１００３以降の処理を実行する。

　術具が注意血管に接近したと判断した場合（Ｓ１００１：ＹＥＳ）、制御部２０１は、注意血管部分を拡大表示する（ステップＳ１００２）。図２５は拡大表示の例を示す模式図である。図２５の例では、注意血管を含む領域を拡大表示し、術具が注意血管に接近した旨の文字情報を表示した例を示している。

　次いで、制御部２０１は、術具が注意血管に接触したか否かを判断する（ステップＳ１００３）。制御部２０１は、例えば、注意血管と術具の先端との間の離隔距離を術野画像上で時系列的に計算することにより、術具が注意血管に接触したか否かを判断する。制御部２０１は、計算した離隔距離がゼロになったと判断した場合、術具が注意血管に接触したと判断すればよい。また、術具の先端部に接触センサが設けられている場合、制御部２０１は、この接触センサからの出力信号を取得することによって術具が注意血管に接触したか否かを判断してもよい。接触していないと判断した場合（Ｓ１００３：ＮＯ）、制御部２０１は、本フローチャートによる処理を終了する。

　接触したと判断した場合（Ｓ１００３：ＹＥＳ）、制御部２０１は、術具が注意血管に接触した旨を示す警告表示を行う（ステップＳ１００４）。図２６は警告表示の例を示す模式図である。図２６の例では、接触した術具を光らせ、術具が注意血管に接触した旨の文字情報を表示した例を示している。警告表示と共に、または、警告表示に代えて、音又は振動による警告を行ってもよい。

　なお、本実施の形態では、術具が注意血管に接触した場合に警告表示を行う構成としたが、注意血管の損傷に伴う出血の有無を判断し、出血があったと判断した場合、警告を行う構成としてもよい。制御部２０１は、例えば、注意血管を含む所定領域内での赤色画素を時系列的に計数し、赤色画素の数が一定以上増加した場合、出血があったと判断することができる。

　今回開示された実施形態は、全ての点において例示であって、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、上述した意味ではなく、請求の範囲によって示され、請求の範囲と均等の意味及び範囲内での全ての変更が含まれることが意図される。

　１０　トロッカ
　１１　腹腔鏡
　１２　エネルギ処置具
　１３　鉗子
　１１０　カメラコントロールユニット（ＣＣＵ）
　１２０　光源装置
　１３０　表示装置
　１４０　録画装置
　２００　手術支援装置
　２０１　制御部
　２０２　記憶部
　２０３　操作部
　２０４　入力部
　２０５　出力部
　２０６　通信部
　３１０，３２０，３３０　学習モデル
　ＰＧ１　認識処理プログラム
　ＰＧ２　表示処理プログラム
　ＰＧ３　学習処理プログラム

Claims

　コンピュータに、
　鏡視下手術の術野を撮像して得られる術野画像を取得し、
　術野画像を入力した場合、血管に関する情報を出力するように学習された学習モデルを用いて、取得した術野画像に含まれる血管と、該血管のうち注意喚起を促すべき血管とを区別して認識する
　処理を実行させるためのコンピュータプログラム。
　前記コンピュータに、
　前記術野画像から認識した血管部分と、注意喚起を促すべき血管部分とを、前記術野画像上で判別可能に表示する
　処理を実行させるための請求項１に記載のコンピュータプログラム。
　前記コンピュータに、
　両血管部分を切替可能に表示する
　処理を実行させるための請求項２に記載のコンピュータプログラム。
　前記コンピュータに、
　両血管部分を異なる表示態様にて表示する
　処理を実行させるための請求項２に記載のコンピュータプログラム。
　前記コンピュータに、
　認識した少なくとも一方の血管部分の表示及び非表示を周期的に切り替える
　処理を実行させるための請求項２から請求項４の何れか１つに記載のコンピュータプログラム。
　前記コンピュータに、
　認識した少なくとも一方の血管部分の表示に対して所定のエフェクトを施す
　処理を実行させるための請求項２から請求項５の何れか１つに記載のコンピュータプログラム。
　前記コンピュータに、
　前記学習モデルによる認識結果の確信度を算出し、
　算出した確信度に応じた表示態様にて少なくとも一方の血管部分を表示する
　処理を実行させるための請求項２から請求項６の何れか１つに記載のコンピュータプログラム。
　前記コンピュータに、
　前記学習モデルによる認識結果を参照し、他の物体の陰に隠れた血管部分の推定位置を表示する
　処理を実行させるための請求項１に記載のコンピュータプログラム。
　前記コンピュータに、
　前記学習モデルを用いて血管の走行パターンを推定し、
　推定した血管の走行パターンに基づき、前記術野画像に現れない血管部分の推定位置を表示する
　処理を実行させるための請求項１に記載のコンピュータプログラム。
　前記学習モデルは、注意喚起を促すべき血管の認識結果として、術者の中心視野に存在しない血管に関する情報を出力するよう学習してある
　請求項１から請求項９の何れか１つに記載のコンピュータプログラム。
　前記学習モデルは、注意喚起を促すべき血管の認識結果として、術者の中心視野に存在する血管に関する情報を出力するよう学習してある
　請求項１から請求項１０の何れか１つに記載のコンピュータプログラム。
　前記学習モデルは、緊張した状態にある血管に関する情報を出力するよう学習してあり、
　前記学習モデルから出力される情報に基づき、緊張した状態にある血管部分を注意喚起を促すべき血管として認識する
　処理を前記コンピュータに実行させるための請求項１から請求項１１の何れか１つに記載のコンピュータプログラム。
　前記コンピュータに、
　前記術野画像の入力に応じて、血流に関する情報を出力するよう学習された血流認識用の学習モデルを用いて、前記術野画像に含まれる血管に流れる血流を認識し、
　前記学習モデルによる血流の認識結果を参照して、血管認識用の学習モデルを用いて認識した血管を、血流の多少に応じた表示態様にて表示する
　処理を実行させるための請求項１から請求項１２の何れか１つに記載のコンピュータプログラム。
　前記コンピュータに、
　前記術野画像用の照明光とは異なる別の照明光を照射して前記術野を撮像することにより得られる特殊光画像を取得し、
　特殊光画像を入力した場合、前記特殊光画像に現れる血管に関する情報を出力するように学習された特殊光画像用の学習モデルを用いて、前記特殊光画像に現れる血管部分を認識し、
　認識した前記血管部分を前記術野画像上に重畳して表示する
　処理を実行させるための請求項１から請求項１３の何れか１つに記載のコンピュータプログラム。
　前記コンピュータに、
　前記術野画像から認識した血管部分と、前記特殊光画像から認識した血管部分とを切替可能に表示する
　処理を実行させるための請求項１４に記載のコンピュータプログラム。
　前記コンピュータに、
　前記術野画像用の照明光とは異なる別の照明光を照射して前記術野を撮像することにより得られる特殊光画像を取得し、
　前記術野画像と前記特殊光画像との結合画像を生成し、
　結合画像を入力した場合、前記結合画像に現れる血管に関する情報を出力するように学習された結合画像用の学習モデルを用いて、前記結合画像に現れる血管部分を認識し、
　認識した前記血管部分を前記術野画像上に重畳して表示する
　処理を実行させるための請求項１から請求項１３の何れか１つに記載のコンピュータプログラム。
　前記コンピュータに、
　前記術野画像に基づき出血を検出し、
　出血を検出した場合、警告情報を出力する
　処理を実行させるための請求項１から請求項１６の何れか１つに記載のコンピュータプログラム。
　前記コンピュータに、
　前記術野画像に基づき術具の接近を検出し、
　前記術具の接近を検出した場合に注意喚起を促すべき血管を判別可能に表示する
　処理を実行させるための請求項１から請求項１７の何れか１つに記載のコンピュータプログラム。
　前記コンピュータに、
　注意喚起を促すべき血管として認識した血管部分を拡大表示する
　処理を実行させるための請求項１から請求項１８の何れか１つに記載のコンピュータプログラム。
　前記コンピュータに、
　認識した血管に基づき、医療機器に対する制御情報を出力する
　処理を実行させるための請求項１から請求項１９の何れか１つに記載のコンピュータプログラム。
　コンピュータが、
　鏡視下手術の術野を撮像して得られる術野画像と、該術野画像に含まれる血管部分を示す第１正解データと、前記血管部分のうち注意喚起を促すべき血管部分を示す第２正解データとを含む訓練データを取得し、
　取得した訓練データのセットに基づき、術野画像を入力した場合、血管に関する情報を出力する学習モデルを生成する
　学習モデルの生成方法。
　前記コンピュータが、
　術野画像を入力した場合、前記術野画像に含まれる血管に関する情報を出力する第１学習モデルと、
　術野画像を入力した場合、前記術野画像に含まれる血管のうち、注意喚起を促すべき血管に関する情報を出力する第２学習モデルと
　を個別に生成する請求項２１に記載の学習モデルの生成方法。
　コンピュータが、
　鏡視下手術の術野を撮像して得られる術野画像と、該術野画像に含まれる血管部分を示す第１正解データとを含む訓練データを取得し、
　取得した訓練データのセットに基づき、術野画像を入力した場合、血管に関する情報を出力する第１学習モデルを生成し、
　前記第１学習モデルを用いて認識した術野画像の血管部分のうち、注意喚起を促すべき血管部分についての指定を受付けることにより、第２正解データを生成し、
　前記術野画像と前記第２正解データとを含む訓練データのセットに基づき、術野画像を入力した場合、注意喚起を促すべき血管に関する情報を出力する第２学習モデルを生成する
　学習モデルの生成方法。
　術野画像に含まれる血管部分のうち注意喚起を促すべき血管部分は、緊張状態にある血管部分である
　請求項２１から請求項２３の何れか１つに記載の学習モデルの生成方法。
　鏡視下手術の術野を撮像して得られる術野画像を取得する取得部と、
　術野画像を入力した場合、血管に関する情報を出力するように学習された学習モデルを用いて、取得した術野画像に含まれる血管と、該血管のうち注意喚起を促すべき血管とを区別して認識する認識部と、
　該認識部の認識結果に基づき、前記鏡視下手術に関する支援情報を出力する出力部と
　を備える手術支援装置。