診断処理装置、診断処理システム、診断処理方法、診断処理プログラム及びコンピュータ読み取り可能な記録媒体、並びに、分類処理装置
【課題】簡素な構成で診断が実現可能な診断処理装置を提供する。
【解決手段】本発明の診断処理装置１は、診断対象の異常の内容的特徴を示す異常情報が予め明らかな学習用画像のデータをサンプリングし、学習用パターンを生成する学習用パターン生成部１０ａと、複数の学習用パターンを用いて、ニューラルネットワーク１７に学習させる学習処理部１２と、異常情報が不明な診断用画像のデータをサンプリングし、診断用パターンを生成する診断用パターン生成部１０ｂと、診断用パターン生成部１０ｂにより生成された診断用パターンを、学習処理部１２による学習が行われた学習済みニューラルネットワーク１７に入力して、その学習済みニューラルネットワークからの出力値に基づいて、異常情報が示す異常の内容的特徴を判定する判定処理部１８と、を備える。
【解決手段】本発明の診断処理装置１は、診断対象の異常の内容的特徴を示す異常情報が予め明らかな学習用画像のデータをサンプリングし、学習用パターンを生成する学習用パターン生成部１０ａと、複数の学習用パターンを用いて、ニューラルネットワーク１７に学習させる学習処理部１２と、異常情報が不明な診断用画像のデータをサンプリングし、診断用パターンを生成する診断用パターン生成部１０ｂと、診断用パターン生成部１０ｂにより生成された診断用パターンを、学習処理部１２による学習が行われた学習済みニューラルネットワーク１７に入力して、その学習済みニューラルネットワークからの出力値に基づいて、異常情報が示す異常の内容的特徴を判定する判定処理部１８と、を備える。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、ニューラルネットワークを利用して、例えば胸部Ｘ線写真等を用いた画像診断において異常を診断することができる診断処理装置、診断処理システム、診断処理方法、診断処理プログラム及びコンピュータ読み取り可能な記録媒体に関するものである。
【０００２】
また、本発明は、広く画像処理において画像を分類することができる分類処理装置に関するものである。
【背景技術】
【０００３】
従来、例えば医療の分野におけるＸ線写真等を用いた画像診断では、その画像診断における異常の有無の判断は、実際に医者が診断対象である画像を１枚１枚、医者自身の目で確認することで行なわれていた。したがって、従来の画像診断のやり方を継続した場合、医者に掛かる負担が増大することは明らかである。
【０００４】
近年、人の脳の機能を模倣したニューラルネットワークを構築し、このニューラルネットワークをこのような画像診断の分野に利用しようという研究が盛んに行われて来ている。例えば、特許文献１には、デジタル乳房Ｘ線像における微小石灰化物を検出するための新規で優れたデジタル乳房Ｘ線像における微小石灰化物検出方法及びそのシステムが記載されている。
【０００５】
この特許文献１に記載された微小石灰化物検出方法等では、先ず、デジタル乳房Ｘ線像内の微小石灰化物が含まれていると疑われる異常領域（関心領域）が抽出される。その関心領域は数値化され、微小石灰化物を検出するように学習がなされたニューラルネットワークに入力される。そして、このニューラルネットワークは検出した微小石灰化物とともに関心領域を出力する。
【０００６】
この微小石灰化物検出方法等では、あらかじめ関心領域を抽出することで、全ての真陽性な検出箇所を残しつつ、偽陽性な検出箇所の数を減らしていた。
【先行技術文献】
【特許文献】
【０００７】
【特許文献１】特開平６−３４３６２７号公報（平成６年１２月２０日公開）
【発明の概要】
【発明が解決しようとする課題】
【０００８】
特許文献１の微小石灰化物検出方法等のような、あらかじめ異常の有無が判断できるように学習させたニューラルネットワークを利用することで、異常の有無を一旦コンピュータに判断させ、異常と判断されたものだけを医者に観察させることができる。そうすることにより、医者の負担を軽減する医療支援システムを実現することができる。
【０００９】
しかしながら、このような医療支援システムにおいては、Ｘ線写真等からサンプリングしたデータの中から異常の可能性がある関心領域を抽出し、それらの領域のデータをニューラルネットワークに入力し、それら関心領域ごとに異常であるかどうかを判断する事例が通常である。
【００１０】
このような関心領域の抽出は通常、システムの複雑化、肥大化を招くものであるが、関心領域の抽出を行うこと無く、画像全体からサンプリングしたデータをニューラルネットワークに入力し、その画像内における異常の有無を判断する事例は今だ実現されていない。
【００１１】
上記課題に鑑み、本発明の目的は、簡素な構成で診断が実現可能な診断処理装置、診断処理システム、診断処理方法、診断処理プログラム及びコンピュータ読み取り可能な記録媒体、並びに、分類処理装置を提供することである。
【課題を解決するための手段】
【００１２】
上記目的を達成するために、本発明に係る診断処理装置は、ニューラルネットワークを用いて、診断対象の異常を診断する診断処理装置であって、前記診断対象の異常の内容的特徴を示す異常情報が予め明らかな学習用画像をデジタル化処理し、予め定められたサンプリング方法を用いて、デジタル化処理された学習用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す学習用パターンを生成する学習用パターン生成手段と、前記学習用パターン生成手段により生成された複数の学習用パターンを用いて、前記ニューラルネットワークに学習させる学習処理手段と、前記異常情報が不明な診断用画像をデジタル化処理し、前記サンプリング方法を用いて、デジタル化処理された診断用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す診断用パターンを生成する診断用パターン生成手段と、前記診断用パターン生成手段により生成された診断用パターンを、前記学習処理手段による学習が行われた学習済みニューラルネットワークに入力して、その学習済みニューラルネットワークからの出力値に基づいて、前記異常情報が示す異常の内容的特徴を判定する判定手段とを備える。
【００１３】
上記の診断処理装置では、学習用パターン生成手段は、診断対象の異常の内容的特徴を示す異常情報が利用者に予め明らかとなっている診断用画像を学習用画像として用い、学習用画像をデジタル化処理する。学習用パターン生成手段は、そのデジタル化処理された学習用画像から、例えば画像中における診断対象である診断対象部位の形状的特徴から基準となる方向を設定し、その設定された方向の中から例えば縦方向といった、あらかじめ定められたサンプリング方法を用いて、そのデジタル化処理された学習用画像のデータをサンプリングする。学習用パターン生成手段は、そのサンプリングしたデータから学習用パターンを生成する。
【００１４】
学習処理手段は、学習用パターン生成手段が生成する複数の学習用パターンを用いて、ニューラルネットワークに学習させる。ニューラルネットワークは、学習処理手段による複数の学習用パターンを用いた学習が行なわれることで、学習済みのニューラルネットワークとなる。
【００１５】
診断用パターン生成手段は、異常情報が利用者に不明である診断用画像をデジタル化処理し、そのデジタル化処理された診断用画像から、学習用パターン生成手段が用いたサンプリング方法と同一のサンプリング方法を用いて、そのデジタル化処理された診断用画像のデータをサンプリングする。診断用パターン生成手段は、そのサンプリングしたデータから診断用パターンを生成する。
【００１６】
判定手段は、診断用パターン生成手段が生成する診断用パターンが学習済みのニューラルネットワークに入力されると、その出力値に基づいて、その診断対象の異常情報が示す異常の内容的特徴を判定し、その判定結果を利用者に提供する。
【００１７】
このようにして上記の診断処理装置では、診断用画像をデジタル化処理し、そのデジタル化処理された診断用画像からデータをサンプリングして生成した診断用パターンを用いて、診断対象の異常情報が示す異常の内容的特徴を判定することができる。
【００１８】
このため、従来のように、診断用画像から疑われる関心領域を予め抽出するための構成が不要となり、その構成の分だけ簡素化された診断処理装置を実現することができる。
【００１９】
また、従来では、診断用画像から疑われる関心領域を抽出する際、診断用画像中のすべてのデータを収集し、それら大量のデータを用いる必要があった。このため、演算処理の負荷が非常に大きかった。
【００２０】
これに対し、上記の診断処理装置では、例えば診断用画像からサンプリングされた複数本のデータ列からなる複数のパターンを用い、順次ニューラルネットワークによる演算処理を行い、異常が出た段階でそれ以降の演算を省略することも可能であるため、必ずしも全てのデータを使う必要は無く、演算処理の負荷を大幅に低減することができる。
【００２１】
前記サンプリング方法では、前記学習用画像及び前記診断用画像の各々に関して、前記診断対象が占める診断対象領域を定めると共に、その定められた診断対象領域の中からデータをサンプリングする際における、前記診断対象領域中でのサンプリング方向、サンプリング幅、及び、サンプリング間隔のうちの少なくとも１つを定めることが好ましい。
【００２２】
この場合、診断対象領域、及び、その診断対象領域中のサンプリング方向、サンプリング幅、サンプリング間隔といったサンプリングパターンを一定に定めることで、ニューラルネットワークへの効率よい学習を行うことができる。このため、上記の診断処理装置による診断処理の効率化を図ることができる。
【００２３】
なお、学習用パターンの生成と診断用パターンの生成とでは、上記のサンプリング方向とサンプリング幅は共通させるのが通常であるが、サンプリング間隔は必ずしも一致させる必要は無い。例えば、学習用パターンの生成の際は、１枚の写真からは特徴的なところを大まかにサンプリングし、診断用パターンの生成の際は、１枚の写真の中をもう少し細かく抜けの無いようにサンプリングすれば良い。
【００２４】
前記学習用パターン生成手段及び診断用パターン生成手段は、各々が前記サンプリング方法を用いてサンプリングしたデータをフーリエ変換することで、周波数帯域パターンに従うパワースペクトルデータ列の並びを表す前記学習用パターン及び診断用パターンを生成することが好ましい。
【００２５】
この場合、発明者の鋭意研究の結果により、ニューラルネットワークの検出精度を向上させることができることが判明した。
【００２６】
前記複数の学習用パターンの各々についての前記異常情報が示す異常の内容的特徴と、前記複数の学習用パターンの各々に対応する前記判定手段の判定結果との間に生じる誤差を算出する誤差算出手段をさらに備えており、前記ニューラルネットワークは、入力層と、中間層と、出力層とがこの順で、前記入力層側から前記出力層側の方向に、各層間が結合されて構成されており、１つの入力値が前記入力層に入力されたとき所望の出力値が前記出力層から出力されるように、前記入力層と前記中間層との間の結合の重み及び前記中間層と前記出力層との間の結合の重みが学習させられるものであり、前記学習処理手段は、前記複数の学習用パターンの各々についての前記異常情報が示す異常の内容的特徴と、前記複数の学習用パターンの各々に対応する前記判定手段の判定結果とを一致させるべく、前記誤差算出手段により算出される誤差が収束する方向に向かうように、前記ニューラルネットワークにおける、前記入力層と前記中間層との間の結合の重み及び前記中間層と前記出力層との間の結合の重みを学習させることが好ましい。
【００２７】
この場合、複数の学習用パターンの各々について、利用者に予め明らかとなっている異常情報が示す異常の内容的特徴と、判定手段の判定結果との間に生じる誤差が収束する方向に向かうように、ニューラルネットワークを学習させることができるので、ニューラルネットワークの学習を効率的に行うことができる。
【００２８】
前記学習処理手段は、前記誤差算出手段により算出される誤差の大きさが、予め定められたしきい値よりも小さくなるまで前記ニューラルネットワークの学習を繰り返すことが好ましい。
【００２９】
この場合、誤差算出手段により算出される誤差としきい値との間の大小比較によって、ニューラルネットワークを学習させることができるので、ニューラルネットワークの学習を、より効率的に行うことができる。
【００３０】
前記異常情報は、前記診断対象の異常の有無を示す異常有無情報を含むことが好ましい。
【００３１】
この場合、診断対象の異常の有無を診断することができる。
【００３２】
前記異常情報は、前記診断対象の異常の要因である病気の病名を示す病名情報をさらに含むことが好ましい。
【００３３】
この場合、診断対象の異常の要因である病気の病名を診断することができる。
【００３４】
前記ニューラルネットワークの出力層は、２つ以上の前記病名情報の各々に対応する２つ以上の出力層ユニットからなることが好ましい。
【００３５】
この場合、２つ以上の病名情報の各々に対応して、２つ以上のニューラルネットワークを設ける必要が無く、２つ以上の出力層ユニットからなる出力層を設ければ良い。したがって、比較的簡素な構成のニューラルネットワークを用いて、２つ以上の病名情報を判定することができる。
【００３６】
前記ニューラルネットワークは、２つ以上の前記病名情報の各々に対応する２つ以上の病名別ニューラルネットワークを含むことが好ましい。
【００３７】
この場合、２つ以上の病名情報を並列的に判定することも可能となり、いずれかの病名情報を選択的に判定することも可能となる。したがって、２つ以上の病名情報を、利用者の要求に応じて、判定することができる診断処理装置を実現することができる。
【００３８】
本発明に係る診断処理システムは、人体の部位ごとに、診断対象の異常を診断する２つ以上の上記の診断処理装置を備える。
【００３９】
上記の診断処理システムでは、例えば医療分野において利用される場合であれば、同一患者の部位ごとに診断することができるので、医者に、より有益な診断結果を提供することが可能となる。
【００４０】
本発明に係る診断処理方法は、ニューラルネットワークを用いて、診断対象の異常を診断する診断処理方法であって、前記診断対象の異常の内容的特徴を示す異常情報が予め明らかな学習用画像をデジタル化処理し、予め定められたサンプリング方法を用いて、デジタル化処理された学習用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す学習用パターンを生成する学習用パターン生成工程と、前記学習用パターン生成工程にて生成された複数の学習用パターンを用いて、ニューラルネットワークに学習させる学習処理工程と、前記異常情報が不明な診断用画像をデジタル化処理し、前記サンプリング方法を用いて、デジタル化処理された診断用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す診断用パターンを生成する診断用パターン生成工程と、前記診断用パターン生成工程にて生成された診断用パターンを、前記学習処理工程にて学習が行われた学習済みニューラルネットワークに入力して、その学習済みニューラルネットワークからの出力値に基づいて、前記異常情報が示す異常の内容的特徴を判定する判定工程とを含む。
【００４１】
上記の診断処理方法では、診断対象の異常の内容的特徴を示す異常情報が利用者に予め明らかとなっている診断用画像を学習用画像として用い、学習用画像をデジタル化処理する。そして、そのデジタル化処理された学習用画像から、例えば画像中における縦方向の一列といった、あらかじめ定められたサンプリング方法を用いて、そのデジタル化処理された学習用画像のデータをサンプリングする。そして、そのサンプリングしたデータから学習用パターンを生成する。
【００４２】
次に、複数の学習用パターンを用いて、ニューラルネットワークに学習させる。ニューラルネットワークは、学習処理手段による複数の学習用パターンを用いた学習が行なわれることで、学習済みのニューラルネットワークとなる。
【００４３】
次に、異常情報が利用者に不明である診断用画像をデジタル化処理し、そのデジタル化処理された診断用画像から、学習用パターンの生成の際に用いたサンプリング方法と同一のサンプリング方法を用いて、そのデジタル化処理された診断用画像のデータをサンプリングする。そして、そのサンプリングしたデータから診断用パターンを生成する。
【００４４】
次に、診断用パターンが学習済みのニューラルネットワークに入力されると、その出力値に基づいて、その診断対象の異常情報が示す異常の内容的特徴を判定し、その判定結果を利用者に提供する。
【００４５】
このようにして上記の診断処理方法では、診断用画像をデジタル化処理し、そのデジタル化処理された診断用画像からデータをサンプリングして生成した診断用パターンを用いて、診断対象の異常情報が示す異常の内容的特徴を判定することができる。
【００４６】
このため、従来のように、診断用画像から疑われる関心領域を予め抽出するための構成が不要となり、その分だけ簡素化された構成を用いて、診断対象の異常情報が示す異常の内容的特徴を判定することができる。
また、従来では、診断用画像から疑われる関心領域を抽出する際、診断用画像中のすべてのデータを収集し、それら大量のデータを用いる必要があった。このため、演算処理の負荷が非常に大きかった。
【００４７】
これに対し、上記の診断処理装置では、例えば診断用画像からサンプリングされた複数本のデータ列からなる複数のパターンを用い、順次ニューラルネットワークによる演算処理を行い、異常が出た段階でそれ以降の演算を省略することも可能であるため、必ずしも全てのデータを使う必要は無く、演算処理の負荷を大幅に低減することができる。
【００４８】
なお、前記診断処理装置は、コンピュータによって実現してもよく、この場合には、コンピュータを前記各手段として動作させることにより前記診断処理装置をコンピュータにて実現させる診断処理プログラム、およびそれを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。
【００４９】
本発明に係る分類処理装置は、ニューラルネットワークを用いて、画像から得られるパターンを用いて、前記画像を複数のグループに分類する分類処理装置であって、前記画像から得られるパターンの内容的特徴を示すパターン情報が予め明らかな学習用画像をデジタル化処理し、予め定められたサンプリング方法を用いて、デジタル化処理された学習用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す学習用パターンを生成する学習用パターン生成手段と、前記学習用パターン生成手段により生成された複数の学習用パターンを用いて、前記ニューラルネットワークに学習させる学習処理手段と、前記パターン情報が不明な分類用画像をデジタル化処理し、前記サンプリング方法を用いて、デジタル化処理された分類用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す分類用パターンを生成する分類用パターン生成手段と、前記分類用パターン生成手段により生成された分類用パターンを、前記学習処理手段による学習が行われた学習済みニューラルネットワークに入力して、その学習済みニューラルネットワークからの出力値に基づいて、前記パターン情報が示すパターンの内容的特徴を判定する判定手段と、前記判定手段による判定結果から前記画像を分類する分類手段とを備える。
【００５０】
上記の分類処理装置では、学習用パターン生成手段は、画像から得られるパターンの内容的特徴を示すパターン情報が利用者に予め明らかとなっている分類用画像を学習用画像として用い、学習用画像をデジタル化処理する。学習用パターン生成手段は、そのデジタル化処理された学習用画像から、例えば画像中における縦方向の一列といった、あらかじめ定められたサンプリング方法を用いて、そのデジタル化処理された学習用画像のデータをサンプリングする。学習用パターン生成手段は、そのサンプリングしたデータから学習用パターンを生成する。
【００５１】
学習処理手段は、学習用パターン生成手段が生成する複数の学習用パターンを用いて、ニューラルネットワークに学習させる。ニューラルネットワークは、学習処理手段による複数の学習用パターンを用いた学習が行なわれることで、学習済みのニューラルネットワークとなる。
【００５２】
分類用パターン生成手段は、パターン情報が利用者に不明である分類用画像をデジタル化処理し、そのデジタル化処理された分類用画像から、学習用パターン生成手段が用いたサンプリング方法と同一のサンプリング方法を用いて、そのデジタル化処理された分類用画像のデータをサンプリングする。分類用パターン生成手段は、そのサンプリングしたデータから分類用パターンを生成する。
【００５３】
判定手段は、分類用パターン生成手段が生成する分類用パターンが学習済みのニューラルネットワークに入力されると、その出力値に基づいて、そのパターン情報が示すパターンの内容的特徴を判定し、その判定結果を分類手段に出力する。
【００５４】
そして、分類手段は、その判定結果から画像を複数のグループに分類する。
【００５５】
このようにして上記の分類処理装置では、分類用画像をデジタル化処理し、そのデジタル化処理された分類用画像からデータをサンプリングして生成した分類用パターンを用いて、画像のパターン情報が示すパターンの内容的特徴を判定することができる。
【００５６】
また、上記の分類処理装置では、画像からサンプリングされたデータを用いてニューラルネットワークによる演算処理を行い、判定に至るだけの十分な結果が集まった段階で演算を中止し、以降の演算は省略することも可能であるため、ニューラルネットワークによる演算処理の負荷を大幅に低減することができる。
【発明の効果】
【００５７】
本発明の診断処理装置は、以上のように、前記診断対象の異常の内容的特徴を示す異常情報が予め明らかな学習用画像をデジタル化処理し、予め定められたサンプリング方法を用いて、デジタル化処理された学習用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す学習用パターンを生成する学習用パターン生成手段と、前記学習用パターン生成手段により生成された複数の学習用パターンを用いて、前記ニューラルネットワークに学習させる学習処理手段と、前記異常情報が不明な診断用画像をデジタル化処理し、前記サンプリング方法を用いて、デジタル化処理された診断用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す診断用パターンを生成する診断用パターン生成手段と、前記診断用パターン生成手段により生成された診断用パターンを、前記学習処理手段による学習が行われた学習済みニューラルネットワークに入力して、その学習済みニューラルネットワークからの出力値に基づいて、前記異常情報が示す異常の内容的特徴を判定する判定手段とを備えているものである。
【００５８】
それゆえ、簡素な構成で診断が実現可能であるという効果を奏する。
【図面の簡単な説明】
【００５９】
【図１】本発明の一実施形態に係る診断処理装置の概略構成を示すブロック図である。
【図２】本発明の一実施形態に係る診断処理装置の学習動作の処理手順を示すフローチャートである。
【図３】本発明の一実施形態に係る診断処理装置のテスト動作の処理手順を示すフローチャートである。
【図４】本発明の一実施形態に係る診断処理装置の診断動作の処理手順を示すフローチャートである。
【図５】本発明の一実施形態に係る診断処理装置で用いられるニューラルネットワークの構成を示す概略図である。
【図６】本発明の一実施形態に係る診断処理装置で用いられるサンプリング方法を説明するための説明図である。
【図７】本発明の一実施形態に係る診断処理装置で用いられるサンプリング方法を説明するための説明図である。
【図８】本発明の一実施形態に係る診断処理装置で用いられるサンプリング方法を説明するための説明図である。
【図９】本発明の一実施形態に係る診断処理装置で用いられるサンプリング方法を説明するための説明図である。
【図１０】サンプリングデータ列に含まれる各データのサンプリングの位置と各データの数値（強度）との関係を示すグラフである。
【図１１】パワースペクトルデータ列に含まれる各データの周波数と各データのパワースペクトルとの関係を示すグラフである。
【図１２】ニューラルネットワークの学習回数とその出力値の誤差二乗和との関係を示すグラフである。
【図１３】判定処理におけるしきい値と、判定結果に関する、異常を受け入れたエラー率及び異常を拒否したエラー率との関係を示すグラフである。
【図１４】本発明の他の実施形態に係る診断処理装置で用いられるニューラルネットワークの構成を示す概略図である。
【図１５】本発明の他の実施形態に係る診断処理装置で用いられるニューラルネットワークの構成を示す概略図である。
【図１６】本発明の他の実施形態に係る診断処理装置で用いられるニューラルネットワークの構成を示す概略図である。
【図１７】本発明の他の実施形態に係る分類処理装置の概略構成を示すブロック図である。
【発明を実施するための形態】
【００６０】
〔実施の形態１〕
本発明の実施の一形態について図１〜図１３に基づいて説明すれば、以下のとおりである。ここでは、本実施形態１の診断処理装置の一例として、胸部Ｘ線写真から、診断対象である肺における肺小結節等の異常の有無を、ニューラルネットワーク１７を用いて診断する診断処理装置１を例に挙げて説明する。ただし、本実施形態１の診断処理装置１は、胸部Ｘ線写真以外の人体の部位における異常の有無、その異常の要因である病気の病名等といった、その異常の内容的特徴を、ニューラルネットワークを用いて診断する診断処理装置として、広く実現される。例えば、乳房Ｘ線写真から、診断対象である乳房における石灰化物等の異常の有無を、ニューラルネットワークを用いて診断する診断処理装置を挙げることができる。
【００６１】
（ニューラルネットワーク１７の構成）
診断処理装置１では、ニューラルネットワーク１７が、胸部Ｘ線写真から診断対象である肺における異常の有無を判定する際に使用される。このニューラルネットワーク１７は、３つの層を持っている。図５に、ニューラルネットワーク１７の概略構成を示す。
【００６２】
このニューラルネットワーク１７においては、図５に示すように、入力層と、中間層と、出力層とがこの順で、入力層側から出力層側の方向に、各層間が結合されて構成されている。１つの入力値が入力層に入力されたとき所望の出力値が出力層から出力されるように、入力層と中間層との間の結合の重み（例えば、Ｗｉｊ（１２））及び中間層と出力層との間の結合の重み（例えば、Ｗｉｊ（２３））が学習させられるものである。
【００６３】
入力層は、５１２のユニットを持っており、この入力層のユニットの数は、入力層に入力されるデータ数に一致している。すなわち、例えば、胸部Ｘ線写真の診断対象として右肺部分が設定されている場合であれば、その右肺部分の画像を構成する各画素の輝度情報をサンプリングすることで生成される、後述の学習用パターンや診断用パターンに含まれる各サンプリングデータ列のデータ数と一致している。
【００６４】
なお、後述するように、学習用パターン及び診断用パターンの各サンプリングデータ列は、実際には、各サンプリングデータ列を構成する各データがフーリエ変換されたものとなっている。このため、右肺部分の画像を構成する各画素の輝度情報をサンプリングする際のサンプリング数は、５１２の２倍の１０２４となる。
【００６５】
また、サンプリングしようとする領域の元のデータ数が１０２４と一致しない場合は、その元データを間引いたり、あるいは補間したりすることで１０２４になるように調整を行えば良い。このような調整は、後述のフーリエ変換を用いる計算（高速フーリエ変換）を行う上で、データ数を２のべき乗に合わせることが、その計算の実行に都合が良いためである。上記では、サンプリング数を１０２４で検討したが、サンプリング数は、元データの数に応じて適宜設定すれば良く、必ずしも１０２４に限られるものではない。特に、元のデータ数が少ない場合、無理にデータ補間してデータを作り出すことは、誤差を増やすことなり好ましくない。その場合は、例えば５１２用、２５６用のネットワークを別途構築すれば良い。
【００６６】
中間層は、１００〜７００程度のユニットを持っており、１つの層または複数の層から構成されている。各ユニットには、上位層に含まれる任意のユニットからの出力値が入力されており、公知のニューロンの機能に従って、その上位層のユニットからの出力値を処理し、その結果を下位層のユニットに出力する。
【００６７】
出力層は、ユニットを１つ持っており、そのユニットが０〜１の数値範囲の出力値を出力する。入力層に入力される、診断対象である右肺部分における異常の有無について、出力層のユニットからの出力値は、この右肺部分において異常が有るか否かの確率を示している。例えば、その出力値が０に近ければ近いほど、右肺部分に異常が有ることの可能性が高いことを表し、その出力値が１に近ければ近いほど、異常が無いことの可能性が高いことを表している。
【００６８】
このようにニューラルネットワーク１７では、入力層のユニットは、中間層のユニットのみと結合し、中間層のユニットは、出力層のユニットのみと結合し、各々の結合には重み（Ｗｉｊ（１２）、Ｗｉｊ（２３））が設定されている。中間層のユニットは、入力層のユニットの全てと結合し、出力層のユニットは中間層のユニットの全てと結合している。
【００６９】
ここで、ニューラルネットワーク１７の学習について、その概要を説明する。
【００７０】
一般に、ニューラルネットワークを作成しただけでは、入力層の各ユニットにデータを入力しても、出力層のユニットからの出力値が適切なものになることは無い。このため、上述したように、各ユニット間の重みを修正し、所望の出力値が出力層のユニットから出力されるように、ニューラルネットワークを学習させなければならない。
【００７１】
本実施形態では、ニューラルネットワーク１７の学習にバックプロパゲーションアルゴリズムを用いることができる。ニューラルネットワーク１７の学習過程においては、各ユニット間の重みが、実際の出力値と所望の出力値との差が最小となるように、繰り返し修正される。この修正は、以下のルールに基づき実行される。
【００７２】
ΔＷｊｉ（ｎ＋１）＝η（δｐｊ×Ｏｐｉ）＋αΔＷｊｉ（ｎ）
ここで、ΔＷｊｉ（ｎ＋１）は（ｎ＋１）回目の修正量、ｎは繰返し回数、ηは学習係数（ここでは、０．０５とした）、δｐｊは目標値と実際の出力値との差、Ｏｐｉは目標値、αは慣性係数（ここでは、０．０５とした）、ΔＷｊｉ（ｎ）は（ｎ）回目の修正量である。
【００７３】
（診断処理装置１）
次に、本実施形態の診断処理装置１について説明する。図１は、診断処理装置１の概略構成を示すブロック図である。診断処理装置１は、図１に示すように、学習用パターン生成部（学習用パターン生成手段）１０ａと、診断用パターン生成部（診断用パターン生成手段）１０ｂと、入力部１１と、学習処理部（学習処理手段）１２と、テスト処理部（テスト処理手段）１６と、ニューラルネットワーク１７と、判定処理部（判定手段）１８と、誤差算出部（誤差算出手段）１９と、出力部２０と、を備えている。
【００７４】
なお、診断処理装置１は、自身がニューラルネットワーク１７を必ずしも備えている必要は無い。例えば、診断処理装置１は、インターネット等の公知の通信回線を介して、ニューラルネットワーク１７と接続し、通信回線を用いて、ニューラルネットワーク１７とのデータのやり取りを行うようにしても良い。
【００７５】
また、学習用パターン生成部１０ａと診断用パターン生成部１０ｂとは、必ずしも別体として構成する必要は無い。例えば、学習用パターン生成部１０ａと診断用パターン生成部１０ｂとを１つのパターン生成部とし、このパターン生成部が後述する学習用パターン及び診断用パターンのいずれも生成できるようにしても良い。
【００７６】
入力部１１には、胸部Ｘ線写真中の各画素の輝度情報が入力される。この入力部１１に入力される各画素の輝度情報としては、予めデジタル化されたデジタルデータであっても良いし、アナログデータであっても良い。
【００７７】
また、入力部１１は、入力される各画素の輝度情報がアナログデータである場合には、公知のスキャナ等を用いて、各画素の輝度情報を読み込み、電子ファイル化（標本化、量子化）を行えば良い。
【００７８】
そして、入力部１１は、デジタルデータである、胸部Ｘ線写真中の各画素の輝度情報を学習用パターン生成部１０ａに出力する。
【００７９】
また、入力部１１には、後述するように、診断対象である右肺部分に異常が有るか否かを示す異常情報（異常有無情報）が予め明らかな胸部Ｘ線写真（学習用画像）中の各画素の輝度情報、または、診断対象である右肺部分に異常が有るか否かを示す異常情報が不明な胸部Ｘ線写真（診断用画像）中の各画素の輝度情報が入力される。そして、入力部１１は、異常情報が予め明らかな胸部Ｘ線写真中の各画素の輝度情報が入力された場合には、その異常情報を学習処理部１２に出力する。
【００８０】
学習用パターン生成部１０ａは、デジタル化処理部１３ａと、サンプリング処理部１４ａと、フーリエ変換処理部１５ａと、有している。学習用パターン生成部１０ａには、後述の学習用パターンを生成する際に用いるサンプリング方法が予め設定されている。
【００８１】
このサンプリング方法には、例えば、胸部Ｘ線写真の中における、診断対象（右肺部分）が占める診断対象領域が予め定められている。さらに、その定められている診断対象領域の中からデータをサンプリングする際におけるサンプリング条件、例えば、診断対象領域中でのサンプリングする方向（サンプリング方向）、サンプリングする幅（サンプリング幅）、サンプリングする間隔（サンプリング間隔）等が予め定められている。このサンプリング条件に従うサンプリングは、診断対象領域中の全画素の輝度情報を母集団とするサンプリングである。
【００８２】
また、学習用パターン生成部１０ａには、診断対象である右肺部分に異常が有るか否かを示す異常情報（異常有無情報）が予め明らかな胸部Ｘ線写真（学習用画像）中の各画素の輝度情報が入力される。
【００８３】
学習用パターン生成部１０ａのデジタル化処理部１３ａは、デジタルデータである胸部Ｘ線写真中の各画素の輝度情報を、入力部１１から取得する。デジタル化処理部１３ａは、その各画素の輝度情報の中から、上述したサンプリング方法に定められている診断対象領域に含まれる画素を選択し、その選択された各画素の輝度情報を数値データとして読み出す。そして、デジタル化処理部１３ａは、その読み出した数値データをサンプリング処理部１４ａに出力する。
【００８４】
学習用パターン生成部１０ａのサンプリング処理部１４ａは、診断対象領域に含まれる各画素の輝度情報を数値データとして読み出した値を用いて、診断対象領域中の全画素の輝度情報を母集団とするサンプリングを実行する。サンプリング処理部１４ａは、上述したサンプリング方法に定められているサンプリング条件に従って、数値データの抽出を行うことで、サンプリングデータ列を生成する。
【００８５】
そして、サンプリング処理部１４ａは、自身が生成したサンプリングデータ列をフーリエ変換処理部１５ａに出力する。
【００８６】
フーリエ変換処理部１５ａは、サンプリングデータ列をサンプリング処理部１４ａから取得する。フーリエ変換処理部１５ａは、サンプリングデータ列が入力されると、そのサンプリングデータ列に含まれる各データをフーリエ変換する。そうすることにより、フーリエ変換処理部１５ａに入力されたサンプリングデータ列が、周波数帯域パターンに従うパワースペクトルデータ列に変換されることになる。
【００８７】
なお、パワースペクトルデータ列は、ここで計算に用いた高速フーリエ変換（離散フーリエ変換）の特徴から、後半分のデータ列が、列の中央を折り返し点として、前半分のデータ列に対して対称であるので、実質的に前半分のスペクトルだけが有効な結果となる。このため、上述したように、サンプリング処理部１４ａにより生成されるサンプリングデータ列のデータ数が１０２４であるのに対し、フーリエ変換処理部１５ａにより変換されるパワースペクトルデータ列のデータ数が、１０２４の半分の５１２となる理由である。
【００８８】
そして、フーリエ変換処理部１５ａは、自身がフーリエ変換したサンプリングデータ列、すなわち、パワースペクトルデータ列をニューラルネットワーク１７に出力する。そして、フーリエ変換後のサンプリングデータ列であるパワースペクトルデータ列の並びが、ニューラルネットワーク１７に入力される学習用パターンとなる。
【００８９】
ニューラルネットワーク１７は、学習用パターン生成部１０ａから学習用パターンを取得する。ニューラルネットワーク１７は、その学習用パターンを用いて、上述したような、自身の学習を実行する。
【００９０】
具体的には、ニューラルネットワーク１７は、学習用パターン生成部１０ａから入力されたパワースペクトルデータ列の各データを自身の入力層の各ユニットに入力する。パワースペクトルデータ列の各データと入力層の各ユニットは一対一に対応しており、そのため、上述したように、パワースペクトルデータ列のデータ数と入力層の各ユニットの数とが一致する。
【００９１】
ニューラルネットワーク１７は、入力層の各ユニットに対応するデータが入力されると、現時点における、入力層の各ユニットと中間層の各ユニットとの間の各重み、及び、中間層の各ユニットと出力層のユニットとの間の各重み、に従って、自身の演算処理の結果である出力値を出力層のユニットから出力する。
【００９２】
そして、ニューラルネットワーク１７は、自身の演算処理の結果である出力値を判定処理部１８に出力する。
【００９３】
判定処理部１８は、ニューラルネットワーク１７の出力値が入力されると、その出力値を用いて、診断対象である右肺部分における異常の有無を判定する。判定処理部１８は、ニューラルネットワーク１７の出力値が０に近ければ近いほど、右肺部分に異常が有ることの可能性が高いと判定し、その出力値が１に近ければ近いほど、異常が無いことの可能性が高いと判定する。本実施形態では、判定処理部１８は、ニューラルネットワーク１７の出力値が０に近ければ、右肺部分に異常が有ると判定し、その出力値が１に近ければ、異常が無いと判定する。
【００９４】
そして、判定処理部１８は、自身の判定結果を誤差算出部１９及びテスト処理部１６に出力する。
【００９５】
誤差算出部１９は、判定処理部１８の判定結果が入力されると、その判定結果の対象である診断対象（右肺部分）における異常の有無を示す異常情報を学習処理部１２から取得する。そして、誤差算出部１９は、判定処理部１８の判定結果と、学習処理部１２から取得した異常情報が示す異常の有無との間に生じる誤差を算出する。
【００９６】
具体的には、判定処理部１８は、診断対象に異常有りと判定した場合には、ニューラルネットワーク１７から入力された０に近い出力値を誤差算出部１９に出力する。また、判定処理部１８は、自身が異常無しと判定した場合には、ニューラルネットワーク１７から入力された１に近い出力値を誤差算出部１９に出力する。
【００９７】
一方、学習処理部１２は、異常情報が異常有りと示している場合には、０を誤差算出部１９に出力する。また、学習処理部１２は、異常情報が異常無しと示している場合には、１を誤差算出部１９に出力する。
【００９８】
そして、誤差算出部１９は、判定処理部１８から入力された０〜１の間の数値と、学習書処理部１２から入力された０または１の数値との誤差を算出し、その算出された誤差を学習処理部１２に出力する。
【００９９】
学習処理部１２は、誤差算出部１９により算出された誤差を取得する。学習処理部１２は、誤差算出部１９から順次入力される誤差に関する誤差二乗和を算出し、その誤差二乗和が予め定められたしきい値より小さくなるように、すなわち、その誤差二乗和が収束するように、ニューラルネットワーク１７の入力層の各ユニットと中間層の各ユニットとの間の各重み、及び、中間層の各ユニットと出力層のユニットとの間の各重み、を修正する。本実施形態では、この予め定められたしきい値を０．００１とした。
【０１００】
このようにして学習処理部１２は、ニューラルネットワーク１７を学習させることができる。
【０１０１】
また、学習処理部１２は、誤差算出部１９から順次入力される誤差に関する誤差二乗和が上記のしきい値より小さくなった時点で、その結果を出力部２０に出力する。
【０１０２】
学習処理部１２は、ニューラルネットワーク１７の学習回数が予め定められた回数に達した場合、上記の誤差二乗和が上記のしきい値より小さくなる以前に、ニューラルネットワーク１７の学習を終了させても良い。
【０１０３】
この場合であれば、ニューラルネットワーク１７は、上記の誤差二乗和が予め定められたしきい値よりも小さくなるか、あるいは、予め定められた学習回数に達するまで、学習用パターン生成部１０ａにより生成される学習用パターンが繰り返し入力されることになる。
【０１０４】
テスト処理部１６は、ニューラルネットワーク１７の学習が終了した後に、学習用パターン生成部１０ａにより生成される学習用パターンをテスト用パターンとして用いて、学習済みのニューラルネットワーク１７の出力値に基づく判定処理部１８の判定結果の正しさを検証する。
【０１０５】
具体的には、テスト処理部１６は、入力部１１より、その学習用パターンの異常情報を取得しており、その異常情報が示す異常の有無に対し、判定処理部１８の判定結果が正しいか否かを検証する。そして、テスト処理部１６は、その検証結果を出力部２０に出力する。
【０１０６】
診断用パターン生成部１０ｂは、デジタル化処理部１３ｂと、サンプリング処理部１４ｂと、フーリエ変換処理部１５ｂと、を有している。診断用パターン生成部１０ｂは、学習用パターン生成部１０ａが学習用パターンを生成する際に用いるサンプリング方法と同一のサンプリング方法が予め設定されている。
【０１０７】
診断用パターン生成部１０ｂには、診断対象である右肺部分に異常が有るか否かを示す異常情報（異常有無情報）が不明な胸部Ｘ線写真（診断用画像）中の各画素の輝度情報が入力される。
【０１０８】
診断用パターン生成部１０ｂのデジタル化処理部１３ｂ、サンプリング処理部１４ｂ及びフーリエ変換処理部１５ｂの各々の動作については、上述した学習用パターン生成部１０ａのデジタル化処理部１３ａ、サンプリング処理部１４ａ及びフーリエ変換処理部１５ａの各々の動作と同一であるので、ここでは説明を繰り返さない。
【０１０９】
要は、学習用パターン生成部１０ａと診断用パターン生成部１０ｂとの差異は、学習用パターン生成部１０ａには、入力部１１から、診断対象に異常が有るか否かを示す異常情報が予め明らかな学習用画像中の各画素の輝度情報が入力されるのに対し、診断用パターン生成部１０ｂには、入力部１１から、診断対象に異常が有るか否かを示す異常情報が不明な診断用画像中の各画素の輝度情報が入力される点である。
【０１１０】
出力部２０は、学習処理部１２、テスト処理部１６及び判定処理部１８の各々からの出力結果が入力されており、各出力結果を利用者に提示する。出力部２０は、公知の表示装置、印刷装置を用いることができる。
【０１１１】
次に、診断処理装置１の動作について説明する。
【０１１２】
先ず、診断処理装置１の学習動作について説明する。図２は、診断処理装置１の学習動作の処理手順を示すフローチャートである。
【０１１３】
図２において、入力部１１は学習用画像を取得する（ステップＳ１０１）。本ステップＳ１０１では、入力部１１は、診断対象に異常が有るか否かを示す異常情報が予め明らかな学習用画像中の各画素の輝度情報を取得する。そして、入力部１１は、取得された輝度情報を学習用パターン生成部１０ａのデジタル化処理部１３ａに出力する。
【０１１４】
次に、学習用パターン生成部１０ａのデジタル化処理部１３ａは、入力部１１から入力された学習用画像中の各画素の輝度情報をデジタル化処理する（ステップＳ１０２）。本ステップＳ１０２では、デジタル化処理部１３ａは、上述したサンプリング方法に定められている診断対象領域に含まれる画素を選択し、その選択された各画素の輝度情報を数値データとして読み出す。そして、デジタル化処理部１３ａは、その読み出した数値データを学習用パターン生成部１０ａのサンプリング処理部１４ａに出力する。
【０１１５】
次に、サンプリング処理部１４ａは、デジタル化処理部１３ａから入力された数値データを用いてサンプリング処理を行う（ステップＳ１０３）。本ステップＳ１０３では、サンプリング処理１４ａは、デジタル化処理部１３ａから入力された、診断対象領域中の全画素の輝度情報を母集団とするサンプリングを実行する。より具体的には、サンプリング処理部１４ａは、上記のサンプリング方法に定められたサンプリング条件に従って数値データの抽出を行い、サンプリングデータ列を生成する。
【０１１６】
このサンプリング条件としては、例えば、図６に示すように、診断対象である右肺部分におけるＡで示す縦方向の１本のサンプリングパターンであっても良いし、図７に示すように、診断対象であるＢで示す右肺部分におけるＣで示す縦方向、幅が１ピクセル、間隔が５０ピクセルである３本のサンプリングパターンであっても良い。
【０１１７】
また、学習動作で用いられるサンプリング条件と、後述の診断動作で用いられるサンプリング条件とでは、１枚の写真からのサンプリングの本数が異なっていても良い。例えば、学習動作においては、上述したように、図６に示すように各写真から１本のサンプリングパターン、あるいは図７に示すような３本のサンプリングパターンで行い、診断動作においては、図８のＦで示すように、更に多くのサンプリングパターンを使用しても良い。また、各サンプリングパターンの幅は、実測の寸法を基準に揃えても良いし、ドット数で合わせても良い。その際、図９のＧで示すように、サンプリングパターンの幅が複数ドットＧ１、Ｇ２、Ｇ３に跨る場合には、各ドットＧ１、Ｇ２、Ｇ３の平均輝度を使用すれば良い。
【０１１８】
なお、上記の特許文献１に記載された微小石灰化物検出方法では、図７に示すように、例えば、Ｄで示す左肺部分におけるＥで示す関心領域を見つけ、その関心領域を選択的に抽出する必要があった。このため、Ｄの左肺部分中における全画素の輝度情報を用いた演算処理が必要となり、演算処理に掛かる負荷は非常に大きなものであった。
【０１１９】
これに対し、診断処理装置１では、Ｂの右肺部分中における全画素の輝度情報からサンプリングされた複数本のサンプリングデータ列からなる複数のパターンを用いたニューラルネットワーク１７による演算処理を順次行えばよく、異常が出た段階でそれ以降の演算を省略することも可能である。
【０１２０】
したがって、診断処理装置１によれば、必ずしも全てのデータを使う必要は無く、ニューラルネットワーク１７による演算処理の負荷を従来よりも大幅に低減することができる。
【０１２１】
そして、サンプリング処理部１４ａは、その生成したサンプリングデータ列を学習用パターン生成部１０ａのフーリエ変換処理部１５ａに出力する。
【０１２２】
なお、図１０に、サンプリング処理部１４ａにより生成されたサンプリングデータ列に含まれる各データの数値を示す。図１０では、その横軸が各データのサンプリングの位置（position）、その縦軸が各データの数値（強度（intensity））である。ここで、横軸のデータ数は１０２４だが、グラフ上では最大値を１に規格化して表記している。
【０１２３】
次に、フーリエ変換処理部１５ａは、サンプリング処理部１４ａから入力されたサンプリングデータ列に含まれる各データをフーリエ変換処理する（ステップＳ１０４）。本ステップＳ１０４では、フーリエ変換処理部１５ａは、そのサンプリングデータ列を周波数帯域パターンに従うパワースペクトルデータ列に変換する。上述したように、このパワースペクトルデータ列の並びが学習用パターンである。
【０１２４】
なお、図１１に、フーリエ変換処理部１５ａによりフーリエ変換されたパワースペクトルデータ列に含まれる各データのパワースペクトルを示す。図１１では、その横軸が各データの周波数（Frequency）、その縦軸が各データのパワースペクトルである。この各データの周波数に対する各データのパワースペクトルのパターンが、学習用パターン生成部１０ａにより生成される学習用パターン、及び、診断用パターン生成部１０ｂにより生成される診断用パターンである。なお、ここでは、ニューラルネットワーク１７に入力する前処理として、フーリエ変換を用いて輝度データからなるパターンを変換したが、その他の変換方法として、一般的に知られたフィルター処理、例えば平滑化（平均、ガウシアン）、鮮鋭化（微分、２回微分）を用いたり、これら及び上述のフーリエ変換を併用したりしても良い。
【０１２５】
次に、フーリエ変換処理部１５ａは、その変換されたパワースペクトルデータ列をニューラルネットワーク１７に出力する（ステップＳ１０５）。本ステップＳ１０５では、ニューラルネットワーク１７の入力層を構成する各ユニットに、フーリエ変換処理部１５ａから入力されたパワースペクトルデータ列に含まれる各データがそれぞれ入力される。そして、ニューラルネットワーク１７は、自身の演算処理結果である出力値を、自身の出力層を構成するユニットから出力する。ニューラルネットワーク１７は、自身の出力値を判定処理部１８に出力する。
【０１２６】
次に、判定処理部１８は、ニューラルネットワーク１７の出力値を用いて、診断対象の異常の有無を判定するための判定処理を行う（ステップＳ１０６）。本ステップＳ１０６では、判定処理部１８は、例えば、ニューラルネットワーク１７の出力値が０に近ければ、診断対象に異常が有ると判定し、その出力値が１に近ければ、診断対象に異常が無いと判定する。そして、判定処理部１８は、その判定結果を誤差算出部１９に出力する。
【０１２７】
次に、誤差算出部１９は、判定処理部１８から判定結果が入力されると、その判定結果と、学習処理部１２から取得した異常情報が示す異常の有無との間に生じる誤差を算出する（ステップＳ１０７）。本ステップＳ１０７では、誤差算出部１９は、自身が算出した誤差を学習処理部１２に出力する。
【０１２８】
次に、学習処理部１２は、誤差算出部１９により算出された誤差が入力されると、その誤差が収束しているか否かを判断する（ステップＳ１０８）。本ステップＳ１０８では、学習処理部１２は、誤差算出部１９により算出された誤差が入力されると、その誤差と、既に入力されている誤差とを用いて、判定処理部１８の判定結果と入力部１１から取得した異常情報が示す異常の有無との間に生じる誤差についての誤差二乗和を算出する。
【０１２９】
そして、学習処理部１２は、その誤差二乗和が予め定められたしきい値より小さければ、判定処理部１８の判定結果についての誤差が収束したと判断する（ステップＳ１０８ＹＥＳ）。この場合、学習処理部１２は、現時点におけるニューラルネットワーク１７の上記の各重みを、学習済みのニューラルネットワーク１７の上記の各重みとして決定する（ステップＳ１１０）。本ステップＳ１１０では、学習処理部１２は、判定処理部１８の判定結果についての誤差が収束したとの判断結果を出力部２０に出力する。
【０１３０】
一方、学習処理部１２は、その誤差二乗和が予め定められたしきい値以上であれば、判定処理部１８の判定結果についての誤差は未だ収束していないと判断する（ステップＳ１０８ＮＯ）。この場合、学習処理部１２は、ニューラルネットワーク１７の上記の各重みを修正する（ステップＳ１０９）。本ステップＳ１０９では、学習処理部１２は、判定処理部１８の判定結果についての誤差が未だ収束していないとの判断結果を出力部２０に出力しても良い。
【０１３１】
その後、再び、上記のステップＳ１０５に戻り、次の学習用パターンが学習用パターン生成部１０ａにより生成され、その次の学習用パターンがニューラルネットワーク１７に入力されることになる（ステップＳ１０５）。
【０１３２】
なお、学習処理部１２は、判断処理部１８の判断結果についての誤差が未だ収束していないとの判断を下すべき場合であっても、上述したように、ニューラルネットワーク１７に対する学習の回数が予め定められた回数に達した場合には、現時点におけるニューラルネットワーク１７の上記の各重みを、学習済みのニューラルネットワーク１７の上記の各重みとして決定する（ステップＳ１１０）。
【０１３３】
このようにして診断処理装置１の学習動作が終了する。
【０１３４】
なお、図１２に、ニューラルネットワーク１７の学習回数と学習処理部１２により算出された誤差二乗和との関係を示す。図１２では、その横軸が、学習処理部１２が学習用パターン生成部１０ａにより生成された学習用パターンを用いて行ったニューラルネットワーク１７の学習回数（Learning Iterations）、その縦軸が、学習処理部１２が誤差算出部１９により算出された誤差を用いて算出した誤差二乗和（Square Error）である。また、図中のＦＦＴ有で示す３本のグラフは、フーリエ変換処理部１５ａにより変換されたパワースペクトルデータ列を用いてニューラルネットワーク１７を学習させた場合（ここでは、「フーリエ変換有りの場合」と呼ぶ。）に対応し、図中のＦＦＴ無で示す３本のグラフは、サンプリング処理部１４ａにより生成されたサンプリングデータ列をフーリエ変換することなく用いて、ニューラルネットワーク１７を学習させた場合（ここでは、「フーリエ変換無しの場合」と呼ぶ。）に対応する。
【０１３５】
図１２に示すように、フーリエ変換有りの場合、ニューラルネットワーク１７の学習を３回試行したところ、いずれも１万回程度の学習回数で上述した誤差がしきい値より小さくなっている。すなわち、ニューラルネットワーク１７は学習処理部１２による学習に対して正常に収束することが分かる。
【０１３６】
一方、フーリエ変換無しの場合においても、ニューラルネットワーク１７の学習を３回試行したが、いずれも学習回数を増やせば上記の誤差は減少する傾向にあるものの、フーリエ変化有りの場合と比べると、その誤差を収束させるまでに時間が長く、つまり、学習回数が多くなっていることが分かる。
【０１３７】
このことから、フーリエ変換処理部１５ａにより変換されたパワースペクトルデータ列を用いてニューラルネットワーク１７を学習させたほうが、ニューラルネットワーク１７の学習回数を低減できるという観点から、好ましい。
【０１３８】
また、図１３に、判定処理部１８による判定処理におけるしきい値（Threshold Value）と、判定処理部１８の判定結果に関する、異常を受け入れたエラー率（異常有りを異常無しとみなしたエラー率）（False Acceptance Rate）及び異常を拒否したエラー率（異常無しを異常有りとみなしたエラー率）（False Rejection Rate）との関係を示す。
【０１３９】
なお、判定処理部１８による判定処理におけるしきい値とは、次に述べるものである。
【０１４０】
上述したように、判定処理部１８は、ニューラルネットワーク１７の出力値が０に近ければ、診断対象に異常が有ると判定し、その出力値が１に近ければ、診断対象に異常が無いと判定している。この判定の際、実際には、０〜１の間の値を持つしきい値が設定されており、そのしきい値を基準として出力値が０に近いのか１に近いのかが判定されている。
【０１４１】
また、図１３においては、ニューラルネットワーク１７の中間層（Hidden Layer）のユニット数として１００、３００、７００が採用されている。
【０１４２】
図１３から分かるように、ニューラルネットワーク１７の中間層のユニット数が１００の場合、異常を受け入れたエラー率及び異常を拒否したエラー率の交差部において、各々のエラー率が１０％以上もあり、判定処理部１８は正しく判定できているとは言えない。
【０１４３】
これに対し、中間層のユニット数が３００、７００の場合、しきい値の広い範囲で、２つのエラー率がゼロとなっており、判定処理部１８は正しく判定できていると言える。
【０１４４】
このことから、ニューラルネットワーク１７の中間層のユニット数は３００以上が好ましい。
【０１４５】
次に、診断処理装置１のテスト動作について説明する。図３は、診断処理装置１のテスト動作の処理手順を示すフローチャートである。
【０１４６】
図３において、入力部１１は、テスト用画像として用いられる学習用画像を取得する（ステップＳ２０１）。本ステップＳ２０１では、入力部１１は、診断対象に異常が有るか否かを示す異常情報が予め明らかなテスト用画像中の各画素の輝度情報を取得する。そして、入力部１１は、取得された輝度情報を学習用パターン生成部１０ａのデジタル化処理部１３ａに出力する。
【０１４７】
次に、学習用パターン生成部１０ａのデジタル化処理部１３ａは、入力部１１から入力されたテスト用画像中の各画素の輝度情報をデジタル化処理する（ステップＳ２０２）。本ステップＳ２０２では、デジタル化処理部１３ａは、上述したサンプリング方法に定められている診断対象領域に含まれる画素を選択し、その選択された各画素の輝度情報を数値データとして読み出す。そして、デジタル化処理部１３ａは、その読み出した数値データを学習用パターン生成部１０ａのサンプリング処理部１４ａに出力する。
【０１４８】
次に、サンプリング処理部１４ａは、デジタル化処理部１３ａから入力された数値データを用いてサンプリング処理を行う（ステップＳ２０３）。本ステップＳ２０３では、サンプリング処理１４ａは、デジタル化処理部１３ａから入力された、診断対象領域中の全画素の輝度情報を母集団とするサンプリングを実行する。より具体的には、サンプリング処理部１４ａは、上記のサンプリング方法に定められたサンプリング条件に従って数値データの抽出を行い、サンプリングデータ列を生成する。そして、サンプリング処理部１４ａは、その生成したサンプリングデータ列を学習用パターン生成部１０ａのフーリエ変換処理部１５ａに出力する。
【０１４９】
次に、フーリエ変換処理部１５ａは、サンプリング処理部１４ａから入力されたサンプリングデータ列に含まれる各データをフーリエ変換処理する（ステップＳ２０４）。本ステップＳ２０４では、フーリエ変換処理部１５ａは、そのサンプリングデータ列を周波数帯域パターンに従うパワースペクトルデータ列に変換する。このパワースペクトルデータ列の並びがテスト用パターンである。
【０１５０】
次に、フーリエ変換処理部１５ａは、その変換されたパワースペクトルデータ列をニューラルネットワーク１７に出力する（ステップＳ２０５）。本ステップＳ２０５では、ニューラルネットワーク１７の入力層を構成する各ユニットに、フーリエ変換処理部１５ａから入力されたパワースペクトルデータ列に含まれる各データがそれぞれ入力される。そして、ニューラルネットワーク１７は、自身の演算処理結果である出力値を、自身の出力層を構成するユニットから出力する。ニューラルネットワーク１７は、自身の出力値を判定処理部１８に出力する。
【０１５１】
次に、判定処理部１８は、ニューラルネットワーク１７の出力値を用いて、診断対象の異常の有無を判定するための判定処理を行う（ステップＳ２０６）。本ステップＳ２０６では、判定処理部１８は、例えば、ニューラルネットワーク１７の出力値が０に近ければ、診断対象に異常が有ると判定し、その出力値が１に近ければ、診断対象に異常が無いと判定する。そして、判定処理部１８は、その判定結果をテスト処理部１６に出力する。
【０１５２】
次に、テスト処理部１６は、判定処理部１８の判定結果の良否を検証する（ステップＳ２０７）。本ステップＳ２０７では、テスト処理部１６は、判定処理部１８から判定結果が入力されると、その判定結果を、入力部１１から取得した異常情報が示す異常の有無と比較し、判定処理部１８の判定結果の良否を検証する。
【０１５３】
そして、テスト処理部１６は、判定処理部の判定結果の検証結果を出力部２０に出力する（ステップＳ２０８）。
【０１５４】
このようにして診断処理装置１のテスト動作が終了する。
【０１５５】
次に、診断処理装置１の診断動作について説明する。図４は、診断処理装置１の診断動作の処理手順を示すフローチャートである。
【０１５６】
図４において、入力部１１は、診断用画像を取得する（ステップＳ３０１）。本ステップＳ３０１では、入力部１１は、診断対象に異常が有るか否かを示す異常情報が不明な診断用画像中の各画素の輝度情報を取得する。そして、入力部１１は、取得された輝度情報を診断用パターン生成部１０ｂのデジタル化処理部１３ｂに出力する。
【０１５７】
次に、診断用パターン生成部１０ｂのデジタル化処理部１３ｂは、入力部１１から入力された診断用画像中の各画素の輝度情報をデジタル化処理する（ステップＳ３０２）。本ステップＳ３０２では、デジタル化処理部１３ｂは、学習用パターン生成部１０ａが用いたサンプリング方法と同一のサンプリング方法に定められている診断対象領域に含まれる画素を選択し、その選択された各画素の輝度情報を数値データとして読み出す。そして、デジタル化処理部１３ｂは、その読み出した数値データを診断用パターン生成部１０ｂのサンプリング処理部１４ｂに出力する。
【０１５８】
次に、サンプリング処理部１４ｂは、デジタル化処理部１３ｂから入力された数値データを用いてサンプリング処理を行う（ステップＳ３０３）。本ステップＳ３０３では、サンプリング処理１４ｂは、デジタル化処理部１３ｂから入力された、診断対象領域中の全画素の輝度情報を母集団とするサンプリングを実行する。より具体的には、サンプリング処理部１４ｂは、上記のサンプリング方法に定められたサンプリング条件に従って数値データの抽出を行い、サンプリングデータ列を生成する。そして、サンプリング処理部１４ｂは、その生成したサンプリングデータ列を診断用パターン生成部１０ｂのフーリエ変換処理部１５ｂに出力する。
【０１５９】
次に、フーリエ変換処理部１５ｂは、サンプリング処理部１４ｂから入力されたサンプリングデータ列に含まれる各データをフーリエ変換処理する（ステップＳ３０４）。本ステップＳ３０４では、フーリエ変換処理部１５ｂは、そのサンプリングデータ列を周波数帯域パターンに従うパワースペクトルデータ列に変換する。このパワースペクトルデータ列の並びが診断用パターンである。
【０１６０】
次に、フーリエ変換処理部１５ｂは、その変換されたパワースペクトルデータ列をニューラルネットワーク１７に出力する（ステップＳ３０５）。本ステップＳ３０５では、ニューラルネットワーク１７の入力層を構成する各ユニットに、フーリエ変換処理部１５ｂから入力されたパワースペクトルデータ列に含まれる各データがそれぞれ入力される。そして、ニューラルネットワーク１７は、自身の演算処理結果である出力値を、自身の出力層を構成するユニットから出力する。ニューラルネットワーク１７は、自身の出力値を判定処理部１８に出力する。
【０１６１】
次に、判定処理部１８は、ニューラルネットワーク１７の出力値を用いて、診断対象の異常の有無を判定するための判定処理を行う（ステップＳ３０６）。本ステップＳ３０６では、判定処理部１８は、例えば、ニューラルネットワーク１７の出力値が０に近ければ、診断対象に異常が有ると判定し、その出力値が１に近ければ、診断対象に異常が無いと判定する。
【０１６２】
そして、判定処理部１８は、その判定結果を出力部２０に出力する（ステップＳ３０７）。
【０１６３】
このようにして診断処理装置１の診断動作が終了する。
【０１６４】
（実施の形態２）
次に、本発明の実施形態２について説明する。上記の実施形態１の診断処理装置１では、胸部Ｘ線写真中の診断対象における異常の内容的特徴として、診断対象における異常の有無を採用した実施形態であった。
【０１６５】
これに対し、本実施形態では、診断対象における異常の内容的特徴として、異常の有無に加えて、その異常の要因である病気の病名も採用する実施形態である。
【０１６６】
本実施形態に係る診断処理装置と上記の実施形態１に係る診断処理装置１とが異なる点は、上記の実施形態１では図５に示したニューラルネットワーク１７を用いるのに対し、本実施形態では図１４に示すニューラルネットワーク１７ａを用いる点である。以下、この異なる点について説明するものとし、その他の点についてはここでは説明を繰り返さない。
【０１６７】
図１４は、本実施形態に係る診断処理装置に用いられるニューラルネットワーク１７ａの概略構成を示す。図１４に示すように、ニューラルネットワーク１７ａは、図５に示したニューラルネットワーク１７とは異なり、その出力層のユニットが異常の要因となる病気の病名毎に設けられている。
【０１６８】
本実施形態の診断処理装置では、入力部１１を介して学習用パターン生成部１０ａには、診断対象（例えば、右肺部分）に異常が有るか否かを示す異常情報（異常有無情報）に加えて、その異常の要因となる病気の病名を示す異常情報（病名情報）が予め明らかな学習用画像（例えば、胸部Ｘ線写真）が入力される。
【０１６９】
また、入力部１１を介して診断用パターン生成部１０ｂには、上記の異常有無情報及び病名情報のいずれも不明な診断用画像が入力され、学習処理部１２は、上記の異常有無情報及び病名情報が予め明らかな学習用画像に応じた学習用パターンを用いて、ニューラルネットワーク１７ａを学習させればよい。
【０１７０】
本実施形態に係る診断処理装置では、診断対象における異常の有無に加えて、その異常の要因となる病気の病名も併せて診断することができる。
【０１７１】
なお、本実施形態に係る診断処理装置では、図１４に示したニューラルネットワーク１７ａに代えて、図１５に示すニューラルネットワーク１７ｂを用いることができる。図１５のニューラルネットワーク１７ｂでは、病気の病名毎に１つのニューラルネットワーク２１ａ、２１ｂが設けられている。図１５の例では、例えば、ニューラルネットワーク２１ａが病名Ａに対応しており、ニューラルネットワーク２１ｂが病名Ｂに対応している。
【０１７２】
そして、各ニューラルネットワーク２１ａ、２１ｂは、図５に示したニューラルネットワーク１７と同様、その出力層は１つのユニットから構成されている。
【０１７３】
図１５に示すように、例えば、先ず、病名Ａの病気に関し、ニューラルネットワーク２１ａを用いて異常の有無が判定される。そして、ニューラルネットワーク２１ａを用いた判定結果が異常有りであれば、病名Ａの病気の可能性有りと診断すれば良い。
【０１７４】
一方、ニューラルネットワーク２１ａを用いた判定結果が異常無しであれば、次に、ニューラルネットワーク２１ｂを用いて異常の有無が判定される。
【０１７５】
そして、ニューラルネットワーク２１ｂを用いた判定結果が異常有りであれば、病名Ｂの病気の可能性有りと診断すれば良い。
【０１７６】
一方、ニューラルネットワーク２１ｂを用いた判定結果が異常無しであれば、病名Ａの病気、病名Ｂの病気のいずれも無いと診断すれば良い。
【０１７７】
（実施の形態３）
次に、本発明の実施形態３について説明する。本実施形態は、上記の実施形態２に係る診断処理装置に用いられたニューラルネットワークを人体の部位毎に設けた実施形態である。
【０１７８】
本実施形態に係る診断処理装置と上記の実施形態２に係る診断処理装置とが異なる点は、上記の実施形態２では図１４、図１５に示したニューラルネットワーク１７ａ、１７ｂを用いるのに対し、本実施形態では図１６に示すニューラルネットワーク１７ｃを用いる点である。以下、この異なる点について説明するものとし、その他の点についてはここでは説明を繰り返さない。
【０１７９】
本実施形態に係る診断処理装置では、図１６に示すように、人体の部位毎に１つのニューラルネットワーク２２ａ、２２ｂ、２２ｃが設けられている。例えば、ニューラルネットワーク２２ａが人体の肺部分に関する異常の有無及び、その異常の要因となる病気の病名について判定するために用いられ、ニューラルネットワーク２２ｂが人体の胃部分に関する異常の有無及び、その異常の要因となる病気の病名について判定するために用いられ、ニューラルネットワーク２２ｃが人体の脳部分に関する異常の有無及び、その異常の要因となる病気の病名について判定するために用いられるの如くである。
【０１８０】
本実施形態に係る診断処理装置では、人体の部位毎に診断結果を得ることができるとともに、例えば、各部位毎の診断結果を患者毎にまとめれば良い。そうすることにより、患者毎に人体の各部位毎についての診断結果が得られるため、患者の人体全体での状態が分かることとなり、医者にとっては非常に有効な診断支援システムを構築することができる。
【０１８１】
（実施の形態４）
次に、本発明の実施形態４について説明する。図１７は、本発明の実施形態４に係る分類処理装置１００の概略構成を示すブロック図である。
【０１８２】
分類処理装置１００は、図１７に示すように、ニューラルネットワーク１１７を用いて、画像から得られるパターンを用いて、前記画像を複数のグループに分類する分類処理装置であって、前記画像から得られるパターンの内容的特徴を示すパターン情報が予め明らかな学習用画像をデジタル化処理し、予め定められたサンプリング方法を用いて、デジタル化処理された学習用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す学習用パターンを生成する学習用パターン生成部（学習用パターン生成手段）１１０ａと、学習用パターン生成部により生成された複数の学習用パターンを用いて、ニューラルネットワーク１１７に学習させる学習処理部（学習処理手段）１１２と、前記パターン情報が不明な分類用画像をデジタル化処理し、前記サンプリング方法を用いて、デジタル化処理された分類用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す分類用パターンを生成する分類用パターン生成部（分類用パターン生成手段）１１０ｂと、分類用パターン生成部１１０ｂにより生成された分類用パターンを、学習処理部１１２による学習が行われた学習済みニューラルネットワーク１１７に入力して、その学習済みニューラルネットワーク１１７からの出力値に基づいて、前記パターン情報が示すパターンの内容的特徴を判定する判定処理部（判定手段）１２１と、判定処理部１２１による判定結果から前記画像を分類する分類部（分類手段）１２１とを備える。
【０１８３】
分類処理装置１００では、学習用パターン生成部１１０ａは、画像から得られるパターンの内容的特徴を示すパターン情報が利用者に予め明らかとなっている分類用画像を学習用画像として用い、学習用画像をデジタル化処理する。学習用パターン生成部１１０ａは、そのデジタル化処理された学習用画像から、例えば画像中における縦方向の一列といった、あらかじめ定められたサンプリング方法を用いて、そのデジタル化処理された学習用画像のデータをサンプリングする。学習用パターン生成部１１０ａは、そのサンプリングしたデータから学習用パターンを生成する。
【０１８４】
学習処理部１１２は、学習用パターン生成部１１０ａが生成する複数の学習用パターンを用いて、ニューラルネットワーク１１７に学習させる。ニューラルネットワーク１１７は、学習処理部１１２による複数の学習用パターンを用いた学習が行なわれることで、学習済みのニューラルネットワーク１１７となる。
【０１８５】
分類用パターン生成部１１０ｂは、パターン情報が利用者に不明である分類用画像をデジタル化処理し、そのデジタル化処理された分類用画像から、学習用パターン生成部１１０ａが用いたサンプリング方法と同一のサンプリング方法を用いて、そのデジタル化処理された分類用画像のデータをサンプリングする。分類用パターン生成部１１０ｂは、そのサンプリングしたデータから分類用パターンを生成する。
【０１８６】
判定処理部１１８は、分類用パターン生成部１１０ｂが生成する分類用パターンが学習済みのニューラルネットワークに入力されると、その出力値に基づいて、そのパターン情報が示すパターンの内容的特徴を判定し、その判定結果を分類部１２１に出力する。
【０１８７】
そして、分類部１２１は、その判定結果から画像を複数のグループに分類する。
【０１８８】
このようにして分類処理装置１００では、分類用画像をデジタル化処理し、そのデジタル化処理された分類用画像からデータをサンプリングして生成した分類用パターンを用いて、画像のパターン情報が示すパターンの内容的特徴を判定することができる。
【０１８９】
また、分類処理装置１２１では、画像からサンプリングされた少量のデータを用いてニューラルネットワークによる演算処理を行うので、ニューラルネットワークによる演算処理の負荷を大幅に低減することができる。
【０１９０】
なお、学習用パターン生成部１１０ａは、デジタル化処理部１１３ａと、サンプリング処理部１１４ａと、フーリエ変換処理部１１５ａと、有している。デジタル化処理部１１３ａ、サンプリング処理部１１４ａ、及び、フーリエ変換処理部１１５ａの動作については、図１のデジタル化処理部１３ａ、サンプリング処理部１４ａ、及び、フーリエ変換処理部１５ａの動作と同様である。
【０１９１】
分類用パターン生成部１１０ｂは、デジタル化処理部１１３ｂと、サンプリング処理部１１４ｂと、フーリエ変換処理部１１５ｂと、有している。デジタル化処理部１１３ｂ、サンプリング処理部１１４ｂ、及び、フーリエ変換処理部１１５ｂの動作については、図１のデジタル化処理部１３ｂ、サンプリング処理部１４ｂ、及び、フーリエ変換処理部１５ｂの動作と同様である。
【０１９２】
誤差算出部１１９及び出力部１２０の動作についても、図１の誤差算出部１９及び出力部２０の動作と同様である。
【０１９３】
本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。
【０１９４】
最後に、診断処理装置１の各ブロックは、ハードウェアロジックによって構成してもよいし、次のようにＣＰＵを用いてソフトウェアによって実現してもよい。
【０１９５】
すなわち、診断処理装置１は、各機能を実現する制御プログラムの命令を実行するＣＰＵ（central processing unit）、前記プログラムを格納したＲＯＭ（read only memory）、前記プログラムを展開するＲＡＭ（random access memory）、前記プログラムおよび各種データを格納するメモリ等の記憶装置（記録媒体）等を備えている。そして、本発明の目的は、上述した機能を実現するソフトウェアである診断処理装置１の制御プログラムのプログラムコード（実行形式プログラム、中間コードプログラム、ソースプログラム）をコンピュータで読み取り可能に記録した記録媒体を、前記診断処理装置１に供給し、そのコンピュータ（又はＣＰＵやＭＰＵ）が記録媒体に記録されているプログラムコードを読み出し実行することによっても、達成可能である。
【０１９６】
前記記録媒体としては、例えば、磁気テープやカセットテープ等のテープ系、フロッピー（登録商標）ディスク／ハードディスク等の磁気ディスクやコンパクトディスク−ＲＯＭ／ＭＯ／ＭＤ／デジタルビデオデイスク／コンパクトディスク−Ｒ等の光ディスクを含むディスク系、ＩＣカード（メモリカードを含む）／光カード等のカード系、あるいはマスクＲＯＭ／ＥＰＲＯＭ／ＥＥＰＲＯＭ／フラッシュＲＯＭ等の半導体メモリ系等を用いることができる。
【０１９７】
また、診断処理装置１を通信ネットワークと接続可能に構成し、前記プログラムコードを通信ネットワークを介して供給してもよい。この通信ネットワークとしては、特に限定されず、例えば、インターネット、イントラネット、エキストラネット、ＬＡＮ、ＩＳＤＮ、ＶＡＮ、ＣＡＴＶ通信網、仮想専用網（virtual private network）、電話回線網、移動体通信網、衛星通信網等が利用可能である。また、通信ネットワークを構成する伝送媒体としては、特に限定されず、例えば、ＩＥＥＥ１３９４、ＵＳＢ、電力線搬送、ケーブルＴＶ回線、電話線、ＡＤＳＬ回線等の有線でも、ＩｒＤＡやリモコンのような赤外線、Ｂｌｕｅｔｏｏｔｈ（登録商標）、８０２．１１無線、ＨＤＲ、携帯電話網、衛星回線、地上波デジタル網等の無線でも利用可能である。なお、本発明は、前記プログラムコードが電子的な伝送で具現化された、搬送波に埋め込まれたコンピュータデータ信号の形態でも実現され得る。
【産業上の利用可能性】
【０１９８】
本発明は、画像から異常を精度よく、しかも簡単に抽出できる診断処理装置、診断処理システム、診断処理方法、診断処理プログラム及びコンピュータ読み取り可能な記録媒体、並びに、分類処理装置を提供することができる。
【符号の説明】
【０１９９】
１ 診断処理装置
１０ａ、１１０ａ 学習用パターン生成部（学習用パターン生成手段）
１０ｂ 診断用パターン生成部（診断用パターン生成手段）
１１、１１１ 入力部
１２、１１２ 学習処理部（学習処理手段）
１３ａ、１３ｂ、１１３ａ、１１３ｂ デジタル化処理部
１４ａ、１４ｂ、１１４ａ、１１４ｂ サンプリング処理部
１５ａ、１５ｂ、１１５ａ、１１５ｂ フーリエ変換部
１６、１１６ テスト処理部（テスト処理手段）
１７、１７ａ、１７ｂ、１７ｃ、２１ａ、２１ｂ、２２ａ、２２ｂ、２２ｃ、１１７ ニューラルネットワーク
１８、１１８ 判定処理部（判定手段）
１９、１１９ 誤差算出部（誤差算出手段）
２０、１２０ 出力部
１２１ 分類部
１００ 分類処理装置
１１０ｂ 分類パターン生成部（分類パターン生成手段）
【技術分野】
【０００１】
本発明は、ニューラルネットワークを利用して、例えば胸部Ｘ線写真等を用いた画像診断において異常を診断することができる診断処理装置、診断処理システム、診断処理方法、診断処理プログラム及びコンピュータ読み取り可能な記録媒体に関するものである。
【０００２】
また、本発明は、広く画像処理において画像を分類することができる分類処理装置に関するものである。
【背景技術】
【０００３】
従来、例えば医療の分野におけるＸ線写真等を用いた画像診断では、その画像診断における異常の有無の判断は、実際に医者が診断対象である画像を１枚１枚、医者自身の目で確認することで行なわれていた。したがって、従来の画像診断のやり方を継続した場合、医者に掛かる負担が増大することは明らかである。
【０００４】
近年、人の脳の機能を模倣したニューラルネットワークを構築し、このニューラルネットワークをこのような画像診断の分野に利用しようという研究が盛んに行われて来ている。例えば、特許文献１には、デジタル乳房Ｘ線像における微小石灰化物を検出するための新規で優れたデジタル乳房Ｘ線像における微小石灰化物検出方法及びそのシステムが記載されている。
【０００５】
この特許文献１に記載された微小石灰化物検出方法等では、先ず、デジタル乳房Ｘ線像内の微小石灰化物が含まれていると疑われる異常領域（関心領域）が抽出される。その関心領域は数値化され、微小石灰化物を検出するように学習がなされたニューラルネットワークに入力される。そして、このニューラルネットワークは検出した微小石灰化物とともに関心領域を出力する。
【０００６】
この微小石灰化物検出方法等では、あらかじめ関心領域を抽出することで、全ての真陽性な検出箇所を残しつつ、偽陽性な検出箇所の数を減らしていた。
【先行技術文献】
【特許文献】
【０００７】
【特許文献１】特開平６−３４３６２７号公報（平成６年１２月２０日公開）
【発明の概要】
【発明が解決しようとする課題】
【０００８】
特許文献１の微小石灰化物検出方法等のような、あらかじめ異常の有無が判断できるように学習させたニューラルネットワークを利用することで、異常の有無を一旦コンピュータに判断させ、異常と判断されたものだけを医者に観察させることができる。そうすることにより、医者の負担を軽減する医療支援システムを実現することができる。
【０００９】
しかしながら、このような医療支援システムにおいては、Ｘ線写真等からサンプリングしたデータの中から異常の可能性がある関心領域を抽出し、それらの領域のデータをニューラルネットワークに入力し、それら関心領域ごとに異常であるかどうかを判断する事例が通常である。
【００１０】
このような関心領域の抽出は通常、システムの複雑化、肥大化を招くものであるが、関心領域の抽出を行うこと無く、画像全体からサンプリングしたデータをニューラルネットワークに入力し、その画像内における異常の有無を判断する事例は今だ実現されていない。
【００１１】
上記課題に鑑み、本発明の目的は、簡素な構成で診断が実現可能な診断処理装置、診断処理システム、診断処理方法、診断処理プログラム及びコンピュータ読み取り可能な記録媒体、並びに、分類処理装置を提供することである。
【課題を解決するための手段】
【００１２】
上記目的を達成するために、本発明に係る診断処理装置は、ニューラルネットワークを用いて、診断対象の異常を診断する診断処理装置であって、前記診断対象の異常の内容的特徴を示す異常情報が予め明らかな学習用画像をデジタル化処理し、予め定められたサンプリング方法を用いて、デジタル化処理された学習用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す学習用パターンを生成する学習用パターン生成手段と、前記学習用パターン生成手段により生成された複数の学習用パターンを用いて、前記ニューラルネットワークに学習させる学習処理手段と、前記異常情報が不明な診断用画像をデジタル化処理し、前記サンプリング方法を用いて、デジタル化処理された診断用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す診断用パターンを生成する診断用パターン生成手段と、前記診断用パターン生成手段により生成された診断用パターンを、前記学習処理手段による学習が行われた学習済みニューラルネットワークに入力して、その学習済みニューラルネットワークからの出力値に基づいて、前記異常情報が示す異常の内容的特徴を判定する判定手段とを備える。
【００１３】
上記の診断処理装置では、学習用パターン生成手段は、診断対象の異常の内容的特徴を示す異常情報が利用者に予め明らかとなっている診断用画像を学習用画像として用い、学習用画像をデジタル化処理する。学習用パターン生成手段は、そのデジタル化処理された学習用画像から、例えば画像中における診断対象である診断対象部位の形状的特徴から基準となる方向を設定し、その設定された方向の中から例えば縦方向といった、あらかじめ定められたサンプリング方法を用いて、そのデジタル化処理された学習用画像のデータをサンプリングする。学習用パターン生成手段は、そのサンプリングしたデータから学習用パターンを生成する。
【００１４】
学習処理手段は、学習用パターン生成手段が生成する複数の学習用パターンを用いて、ニューラルネットワークに学習させる。ニューラルネットワークは、学習処理手段による複数の学習用パターンを用いた学習が行なわれることで、学習済みのニューラルネットワークとなる。
【００１５】
診断用パターン生成手段は、異常情報が利用者に不明である診断用画像をデジタル化処理し、そのデジタル化処理された診断用画像から、学習用パターン生成手段が用いたサンプリング方法と同一のサンプリング方法を用いて、そのデジタル化処理された診断用画像のデータをサンプリングする。診断用パターン生成手段は、そのサンプリングしたデータから診断用パターンを生成する。
【００１６】
判定手段は、診断用パターン生成手段が生成する診断用パターンが学習済みのニューラルネットワークに入力されると、その出力値に基づいて、その診断対象の異常情報が示す異常の内容的特徴を判定し、その判定結果を利用者に提供する。
【００１７】
このようにして上記の診断処理装置では、診断用画像をデジタル化処理し、そのデジタル化処理された診断用画像からデータをサンプリングして生成した診断用パターンを用いて、診断対象の異常情報が示す異常の内容的特徴を判定することができる。
【００１８】
このため、従来のように、診断用画像から疑われる関心領域を予め抽出するための構成が不要となり、その構成の分だけ簡素化された診断処理装置を実現することができる。
【００１９】
また、従来では、診断用画像から疑われる関心領域を抽出する際、診断用画像中のすべてのデータを収集し、それら大量のデータを用いる必要があった。このため、演算処理の負荷が非常に大きかった。
【００２０】
これに対し、上記の診断処理装置では、例えば診断用画像からサンプリングされた複数本のデータ列からなる複数のパターンを用い、順次ニューラルネットワークによる演算処理を行い、異常が出た段階でそれ以降の演算を省略することも可能であるため、必ずしも全てのデータを使う必要は無く、演算処理の負荷を大幅に低減することができる。
【００２１】
前記サンプリング方法では、前記学習用画像及び前記診断用画像の各々に関して、前記診断対象が占める診断対象領域を定めると共に、その定められた診断対象領域の中からデータをサンプリングする際における、前記診断対象領域中でのサンプリング方向、サンプリング幅、及び、サンプリング間隔のうちの少なくとも１つを定めることが好ましい。
【００２２】
この場合、診断対象領域、及び、その診断対象領域中のサンプリング方向、サンプリング幅、サンプリング間隔といったサンプリングパターンを一定に定めることで、ニューラルネットワークへの効率よい学習を行うことができる。このため、上記の診断処理装置による診断処理の効率化を図ることができる。
【００２３】
なお、学習用パターンの生成と診断用パターンの生成とでは、上記のサンプリング方向とサンプリング幅は共通させるのが通常であるが、サンプリング間隔は必ずしも一致させる必要は無い。例えば、学習用パターンの生成の際は、１枚の写真からは特徴的なところを大まかにサンプリングし、診断用パターンの生成の際は、１枚の写真の中をもう少し細かく抜けの無いようにサンプリングすれば良い。
【００２４】
前記学習用パターン生成手段及び診断用パターン生成手段は、各々が前記サンプリング方法を用いてサンプリングしたデータをフーリエ変換することで、周波数帯域パターンに従うパワースペクトルデータ列の並びを表す前記学習用パターン及び診断用パターンを生成することが好ましい。
【００２５】
この場合、発明者の鋭意研究の結果により、ニューラルネットワークの検出精度を向上させることができることが判明した。
【００２６】
前記複数の学習用パターンの各々についての前記異常情報が示す異常の内容的特徴と、前記複数の学習用パターンの各々に対応する前記判定手段の判定結果との間に生じる誤差を算出する誤差算出手段をさらに備えており、前記ニューラルネットワークは、入力層と、中間層と、出力層とがこの順で、前記入力層側から前記出力層側の方向に、各層間が結合されて構成されており、１つの入力値が前記入力層に入力されたとき所望の出力値が前記出力層から出力されるように、前記入力層と前記中間層との間の結合の重み及び前記中間層と前記出力層との間の結合の重みが学習させられるものであり、前記学習処理手段は、前記複数の学習用パターンの各々についての前記異常情報が示す異常の内容的特徴と、前記複数の学習用パターンの各々に対応する前記判定手段の判定結果とを一致させるべく、前記誤差算出手段により算出される誤差が収束する方向に向かうように、前記ニューラルネットワークにおける、前記入力層と前記中間層との間の結合の重み及び前記中間層と前記出力層との間の結合の重みを学習させることが好ましい。
【００２７】
この場合、複数の学習用パターンの各々について、利用者に予め明らかとなっている異常情報が示す異常の内容的特徴と、判定手段の判定結果との間に生じる誤差が収束する方向に向かうように、ニューラルネットワークを学習させることができるので、ニューラルネットワークの学習を効率的に行うことができる。
【００２８】
前記学習処理手段は、前記誤差算出手段により算出される誤差の大きさが、予め定められたしきい値よりも小さくなるまで前記ニューラルネットワークの学習を繰り返すことが好ましい。
【００２９】
この場合、誤差算出手段により算出される誤差としきい値との間の大小比較によって、ニューラルネットワークを学習させることができるので、ニューラルネットワークの学習を、より効率的に行うことができる。
【００３０】
前記異常情報は、前記診断対象の異常の有無を示す異常有無情報を含むことが好ましい。
【００３１】
この場合、診断対象の異常の有無を診断することができる。
【００３２】
前記異常情報は、前記診断対象の異常の要因である病気の病名を示す病名情報をさらに含むことが好ましい。
【００３３】
この場合、診断対象の異常の要因である病気の病名を診断することができる。
【００３４】
前記ニューラルネットワークの出力層は、２つ以上の前記病名情報の各々に対応する２つ以上の出力層ユニットからなることが好ましい。
【００３５】
この場合、２つ以上の病名情報の各々に対応して、２つ以上のニューラルネットワークを設ける必要が無く、２つ以上の出力層ユニットからなる出力層を設ければ良い。したがって、比較的簡素な構成のニューラルネットワークを用いて、２つ以上の病名情報を判定することができる。
【００３６】
前記ニューラルネットワークは、２つ以上の前記病名情報の各々に対応する２つ以上の病名別ニューラルネットワークを含むことが好ましい。
【００３７】
この場合、２つ以上の病名情報を並列的に判定することも可能となり、いずれかの病名情報を選択的に判定することも可能となる。したがって、２つ以上の病名情報を、利用者の要求に応じて、判定することができる診断処理装置を実現することができる。
【００３８】
本発明に係る診断処理システムは、人体の部位ごとに、診断対象の異常を診断する２つ以上の上記の診断処理装置を備える。
【００３９】
上記の診断処理システムでは、例えば医療分野において利用される場合であれば、同一患者の部位ごとに診断することができるので、医者に、より有益な診断結果を提供することが可能となる。
【００４０】
本発明に係る診断処理方法は、ニューラルネットワークを用いて、診断対象の異常を診断する診断処理方法であって、前記診断対象の異常の内容的特徴を示す異常情報が予め明らかな学習用画像をデジタル化処理し、予め定められたサンプリング方法を用いて、デジタル化処理された学習用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す学習用パターンを生成する学習用パターン生成工程と、前記学習用パターン生成工程にて生成された複数の学習用パターンを用いて、ニューラルネットワークに学習させる学習処理工程と、前記異常情報が不明な診断用画像をデジタル化処理し、前記サンプリング方法を用いて、デジタル化処理された診断用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す診断用パターンを生成する診断用パターン生成工程と、前記診断用パターン生成工程にて生成された診断用パターンを、前記学習処理工程にて学習が行われた学習済みニューラルネットワークに入力して、その学習済みニューラルネットワークからの出力値に基づいて、前記異常情報が示す異常の内容的特徴を判定する判定工程とを含む。
【００４１】
上記の診断処理方法では、診断対象の異常の内容的特徴を示す異常情報が利用者に予め明らかとなっている診断用画像を学習用画像として用い、学習用画像をデジタル化処理する。そして、そのデジタル化処理された学習用画像から、例えば画像中における縦方向の一列といった、あらかじめ定められたサンプリング方法を用いて、そのデジタル化処理された学習用画像のデータをサンプリングする。そして、そのサンプリングしたデータから学習用パターンを生成する。
【００４２】
次に、複数の学習用パターンを用いて、ニューラルネットワークに学習させる。ニューラルネットワークは、学習処理手段による複数の学習用パターンを用いた学習が行なわれることで、学習済みのニューラルネットワークとなる。
【００４３】
次に、異常情報が利用者に不明である診断用画像をデジタル化処理し、そのデジタル化処理された診断用画像から、学習用パターンの生成の際に用いたサンプリング方法と同一のサンプリング方法を用いて、そのデジタル化処理された診断用画像のデータをサンプリングする。そして、そのサンプリングしたデータから診断用パターンを生成する。
【００４４】
次に、診断用パターンが学習済みのニューラルネットワークに入力されると、その出力値に基づいて、その診断対象の異常情報が示す異常の内容的特徴を判定し、その判定結果を利用者に提供する。
【００４５】
このようにして上記の診断処理方法では、診断用画像をデジタル化処理し、そのデジタル化処理された診断用画像からデータをサンプリングして生成した診断用パターンを用いて、診断対象の異常情報が示す異常の内容的特徴を判定することができる。
【００４６】
このため、従来のように、診断用画像から疑われる関心領域を予め抽出するための構成が不要となり、その分だけ簡素化された構成を用いて、診断対象の異常情報が示す異常の内容的特徴を判定することができる。
また、従来では、診断用画像から疑われる関心領域を抽出する際、診断用画像中のすべてのデータを収集し、それら大量のデータを用いる必要があった。このため、演算処理の負荷が非常に大きかった。
【００４７】
これに対し、上記の診断処理装置では、例えば診断用画像からサンプリングされた複数本のデータ列からなる複数のパターンを用い、順次ニューラルネットワークによる演算処理を行い、異常が出た段階でそれ以降の演算を省略することも可能であるため、必ずしも全てのデータを使う必要は無く、演算処理の負荷を大幅に低減することができる。
【００４８】
なお、前記診断処理装置は、コンピュータによって実現してもよく、この場合には、コンピュータを前記各手段として動作させることにより前記診断処理装置をコンピュータにて実現させる診断処理プログラム、およびそれを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。
【００４９】
本発明に係る分類処理装置は、ニューラルネットワークを用いて、画像から得られるパターンを用いて、前記画像を複数のグループに分類する分類処理装置であって、前記画像から得られるパターンの内容的特徴を示すパターン情報が予め明らかな学習用画像をデジタル化処理し、予め定められたサンプリング方法を用いて、デジタル化処理された学習用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す学習用パターンを生成する学習用パターン生成手段と、前記学習用パターン生成手段により生成された複数の学習用パターンを用いて、前記ニューラルネットワークに学習させる学習処理手段と、前記パターン情報が不明な分類用画像をデジタル化処理し、前記サンプリング方法を用いて、デジタル化処理された分類用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す分類用パターンを生成する分類用パターン生成手段と、前記分類用パターン生成手段により生成された分類用パターンを、前記学習処理手段による学習が行われた学習済みニューラルネットワークに入力して、その学習済みニューラルネットワークからの出力値に基づいて、前記パターン情報が示すパターンの内容的特徴を判定する判定手段と、前記判定手段による判定結果から前記画像を分類する分類手段とを備える。
【００５０】
上記の分類処理装置では、学習用パターン生成手段は、画像から得られるパターンの内容的特徴を示すパターン情報が利用者に予め明らかとなっている分類用画像を学習用画像として用い、学習用画像をデジタル化処理する。学習用パターン生成手段は、そのデジタル化処理された学習用画像から、例えば画像中における縦方向の一列といった、あらかじめ定められたサンプリング方法を用いて、そのデジタル化処理された学習用画像のデータをサンプリングする。学習用パターン生成手段は、そのサンプリングしたデータから学習用パターンを生成する。
【００５１】
学習処理手段は、学習用パターン生成手段が生成する複数の学習用パターンを用いて、ニューラルネットワークに学習させる。ニューラルネットワークは、学習処理手段による複数の学習用パターンを用いた学習が行なわれることで、学習済みのニューラルネットワークとなる。
【００５２】
分類用パターン生成手段は、パターン情報が利用者に不明である分類用画像をデジタル化処理し、そのデジタル化処理された分類用画像から、学習用パターン生成手段が用いたサンプリング方法と同一のサンプリング方法を用いて、そのデジタル化処理された分類用画像のデータをサンプリングする。分類用パターン生成手段は、そのサンプリングしたデータから分類用パターンを生成する。
【００５３】
判定手段は、分類用パターン生成手段が生成する分類用パターンが学習済みのニューラルネットワークに入力されると、その出力値に基づいて、そのパターン情報が示すパターンの内容的特徴を判定し、その判定結果を分類手段に出力する。
【００５４】
そして、分類手段は、その判定結果から画像を複数のグループに分類する。
【００５５】
このようにして上記の分類処理装置では、分類用画像をデジタル化処理し、そのデジタル化処理された分類用画像からデータをサンプリングして生成した分類用パターンを用いて、画像のパターン情報が示すパターンの内容的特徴を判定することができる。
【００５６】
また、上記の分類処理装置では、画像からサンプリングされたデータを用いてニューラルネットワークによる演算処理を行い、判定に至るだけの十分な結果が集まった段階で演算を中止し、以降の演算は省略することも可能であるため、ニューラルネットワークによる演算処理の負荷を大幅に低減することができる。
【発明の効果】
【００５７】
本発明の診断処理装置は、以上のように、前記診断対象の異常の内容的特徴を示す異常情報が予め明らかな学習用画像をデジタル化処理し、予め定められたサンプリング方法を用いて、デジタル化処理された学習用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す学習用パターンを生成する学習用パターン生成手段と、前記学習用パターン生成手段により生成された複数の学習用パターンを用いて、前記ニューラルネットワークに学習させる学習処理手段と、前記異常情報が不明な診断用画像をデジタル化処理し、前記サンプリング方法を用いて、デジタル化処理された診断用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す診断用パターンを生成する診断用パターン生成手段と、前記診断用パターン生成手段により生成された診断用パターンを、前記学習処理手段による学習が行われた学習済みニューラルネットワークに入力して、その学習済みニューラルネットワークからの出力値に基づいて、前記異常情報が示す異常の内容的特徴を判定する判定手段とを備えているものである。
【００５８】
それゆえ、簡素な構成で診断が実現可能であるという効果を奏する。
【図面の簡単な説明】
【００５９】
【図１】本発明の一実施形態に係る診断処理装置の概略構成を示すブロック図である。
【図２】本発明の一実施形態に係る診断処理装置の学習動作の処理手順を示すフローチャートである。
【図３】本発明の一実施形態に係る診断処理装置のテスト動作の処理手順を示すフローチャートである。
【図４】本発明の一実施形態に係る診断処理装置の診断動作の処理手順を示すフローチャートである。
【図５】本発明の一実施形態に係る診断処理装置で用いられるニューラルネットワークの構成を示す概略図である。
【図６】本発明の一実施形態に係る診断処理装置で用いられるサンプリング方法を説明するための説明図である。
【図７】本発明の一実施形態に係る診断処理装置で用いられるサンプリング方法を説明するための説明図である。
【図８】本発明の一実施形態に係る診断処理装置で用いられるサンプリング方法を説明するための説明図である。
【図９】本発明の一実施形態に係る診断処理装置で用いられるサンプリング方法を説明するための説明図である。
【図１０】サンプリングデータ列に含まれる各データのサンプリングの位置と各データの数値（強度）との関係を示すグラフである。
【図１１】パワースペクトルデータ列に含まれる各データの周波数と各データのパワースペクトルとの関係を示すグラフである。
【図１２】ニューラルネットワークの学習回数とその出力値の誤差二乗和との関係を示すグラフである。
【図１３】判定処理におけるしきい値と、判定結果に関する、異常を受け入れたエラー率及び異常を拒否したエラー率との関係を示すグラフである。
【図１４】本発明の他の実施形態に係る診断処理装置で用いられるニューラルネットワークの構成を示す概略図である。
【図１５】本発明の他の実施形態に係る診断処理装置で用いられるニューラルネットワークの構成を示す概略図である。
【図１６】本発明の他の実施形態に係る診断処理装置で用いられるニューラルネットワークの構成を示す概略図である。
【図１７】本発明の他の実施形態に係る分類処理装置の概略構成を示すブロック図である。
【発明を実施するための形態】
【００６０】
〔実施の形態１〕
本発明の実施の一形態について図１〜図１３に基づいて説明すれば、以下のとおりである。ここでは、本実施形態１の診断処理装置の一例として、胸部Ｘ線写真から、診断対象である肺における肺小結節等の異常の有無を、ニューラルネットワーク１７を用いて診断する診断処理装置１を例に挙げて説明する。ただし、本実施形態１の診断処理装置１は、胸部Ｘ線写真以外の人体の部位における異常の有無、その異常の要因である病気の病名等といった、その異常の内容的特徴を、ニューラルネットワークを用いて診断する診断処理装置として、広く実現される。例えば、乳房Ｘ線写真から、診断対象である乳房における石灰化物等の異常の有無を、ニューラルネットワークを用いて診断する診断処理装置を挙げることができる。
【００６１】
（ニューラルネットワーク１７の構成）
診断処理装置１では、ニューラルネットワーク１７が、胸部Ｘ線写真から診断対象である肺における異常の有無を判定する際に使用される。このニューラルネットワーク１７は、３つの層を持っている。図５に、ニューラルネットワーク１７の概略構成を示す。
【００６２】
このニューラルネットワーク１７においては、図５に示すように、入力層と、中間層と、出力層とがこの順で、入力層側から出力層側の方向に、各層間が結合されて構成されている。１つの入力値が入力層に入力されたとき所望の出力値が出力層から出力されるように、入力層と中間層との間の結合の重み（例えば、Ｗｉｊ（１２））及び中間層と出力層との間の結合の重み（例えば、Ｗｉｊ（２３））が学習させられるものである。
【００６３】
入力層は、５１２のユニットを持っており、この入力層のユニットの数は、入力層に入力されるデータ数に一致している。すなわち、例えば、胸部Ｘ線写真の診断対象として右肺部分が設定されている場合であれば、その右肺部分の画像を構成する各画素の輝度情報をサンプリングすることで生成される、後述の学習用パターンや診断用パターンに含まれる各サンプリングデータ列のデータ数と一致している。
【００６４】
なお、後述するように、学習用パターン及び診断用パターンの各サンプリングデータ列は、実際には、各サンプリングデータ列を構成する各データがフーリエ変換されたものとなっている。このため、右肺部分の画像を構成する各画素の輝度情報をサンプリングする際のサンプリング数は、５１２の２倍の１０２４となる。
【００６５】
また、サンプリングしようとする領域の元のデータ数が１０２４と一致しない場合は、その元データを間引いたり、あるいは補間したりすることで１０２４になるように調整を行えば良い。このような調整は、後述のフーリエ変換を用いる計算（高速フーリエ変換）を行う上で、データ数を２のべき乗に合わせることが、その計算の実行に都合が良いためである。上記では、サンプリング数を１０２４で検討したが、サンプリング数は、元データの数に応じて適宜設定すれば良く、必ずしも１０２４に限られるものではない。特に、元のデータ数が少ない場合、無理にデータ補間してデータを作り出すことは、誤差を増やすことなり好ましくない。その場合は、例えば５１２用、２５６用のネットワークを別途構築すれば良い。
【００６６】
中間層は、１００〜７００程度のユニットを持っており、１つの層または複数の層から構成されている。各ユニットには、上位層に含まれる任意のユニットからの出力値が入力されており、公知のニューロンの機能に従って、その上位層のユニットからの出力値を処理し、その結果を下位層のユニットに出力する。
【００６７】
出力層は、ユニットを１つ持っており、そのユニットが０〜１の数値範囲の出力値を出力する。入力層に入力される、診断対象である右肺部分における異常の有無について、出力層のユニットからの出力値は、この右肺部分において異常が有るか否かの確率を示している。例えば、その出力値が０に近ければ近いほど、右肺部分に異常が有ることの可能性が高いことを表し、その出力値が１に近ければ近いほど、異常が無いことの可能性が高いことを表している。
【００６８】
このようにニューラルネットワーク１７では、入力層のユニットは、中間層のユニットのみと結合し、中間層のユニットは、出力層のユニットのみと結合し、各々の結合には重み（Ｗｉｊ（１２）、Ｗｉｊ（２３））が設定されている。中間層のユニットは、入力層のユニットの全てと結合し、出力層のユニットは中間層のユニットの全てと結合している。
【００６９】
ここで、ニューラルネットワーク１７の学習について、その概要を説明する。
【００７０】
一般に、ニューラルネットワークを作成しただけでは、入力層の各ユニットにデータを入力しても、出力層のユニットからの出力値が適切なものになることは無い。このため、上述したように、各ユニット間の重みを修正し、所望の出力値が出力層のユニットから出力されるように、ニューラルネットワークを学習させなければならない。
【００７１】
本実施形態では、ニューラルネットワーク１７の学習にバックプロパゲーションアルゴリズムを用いることができる。ニューラルネットワーク１７の学習過程においては、各ユニット間の重みが、実際の出力値と所望の出力値との差が最小となるように、繰り返し修正される。この修正は、以下のルールに基づき実行される。
【００７２】
ΔＷｊｉ（ｎ＋１）＝η（δｐｊ×Ｏｐｉ）＋αΔＷｊｉ（ｎ）
ここで、ΔＷｊｉ（ｎ＋１）は（ｎ＋１）回目の修正量、ｎは繰返し回数、ηは学習係数（ここでは、０．０５とした）、δｐｊは目標値と実際の出力値との差、Ｏｐｉは目標値、αは慣性係数（ここでは、０．０５とした）、ΔＷｊｉ（ｎ）は（ｎ）回目の修正量である。
【００７３】
（診断処理装置１）
次に、本実施形態の診断処理装置１について説明する。図１は、診断処理装置１の概略構成を示すブロック図である。診断処理装置１は、図１に示すように、学習用パターン生成部（学習用パターン生成手段）１０ａと、診断用パターン生成部（診断用パターン生成手段）１０ｂと、入力部１１と、学習処理部（学習処理手段）１２と、テスト処理部（テスト処理手段）１６と、ニューラルネットワーク１７と、判定処理部（判定手段）１８と、誤差算出部（誤差算出手段）１９と、出力部２０と、を備えている。
【００７４】
なお、診断処理装置１は、自身がニューラルネットワーク１７を必ずしも備えている必要は無い。例えば、診断処理装置１は、インターネット等の公知の通信回線を介して、ニューラルネットワーク１７と接続し、通信回線を用いて、ニューラルネットワーク１７とのデータのやり取りを行うようにしても良い。
【００７５】
また、学習用パターン生成部１０ａと診断用パターン生成部１０ｂとは、必ずしも別体として構成する必要は無い。例えば、学習用パターン生成部１０ａと診断用パターン生成部１０ｂとを１つのパターン生成部とし、このパターン生成部が後述する学習用パターン及び診断用パターンのいずれも生成できるようにしても良い。
【００７６】
入力部１１には、胸部Ｘ線写真中の各画素の輝度情報が入力される。この入力部１１に入力される各画素の輝度情報としては、予めデジタル化されたデジタルデータであっても良いし、アナログデータであっても良い。
【００７７】
また、入力部１１は、入力される各画素の輝度情報がアナログデータである場合には、公知のスキャナ等を用いて、各画素の輝度情報を読み込み、電子ファイル化（標本化、量子化）を行えば良い。
【００７８】
そして、入力部１１は、デジタルデータである、胸部Ｘ線写真中の各画素の輝度情報を学習用パターン生成部１０ａに出力する。
【００７９】
また、入力部１１には、後述するように、診断対象である右肺部分に異常が有るか否かを示す異常情報（異常有無情報）が予め明らかな胸部Ｘ線写真（学習用画像）中の各画素の輝度情報、または、診断対象である右肺部分に異常が有るか否かを示す異常情報が不明な胸部Ｘ線写真（診断用画像）中の各画素の輝度情報が入力される。そして、入力部１１は、異常情報が予め明らかな胸部Ｘ線写真中の各画素の輝度情報が入力された場合には、その異常情報を学習処理部１２に出力する。
【００８０】
学習用パターン生成部１０ａは、デジタル化処理部１３ａと、サンプリング処理部１４ａと、フーリエ変換処理部１５ａと、有している。学習用パターン生成部１０ａには、後述の学習用パターンを生成する際に用いるサンプリング方法が予め設定されている。
【００８１】
このサンプリング方法には、例えば、胸部Ｘ線写真の中における、診断対象（右肺部分）が占める診断対象領域が予め定められている。さらに、その定められている診断対象領域の中からデータをサンプリングする際におけるサンプリング条件、例えば、診断対象領域中でのサンプリングする方向（サンプリング方向）、サンプリングする幅（サンプリング幅）、サンプリングする間隔（サンプリング間隔）等が予め定められている。このサンプリング条件に従うサンプリングは、診断対象領域中の全画素の輝度情報を母集団とするサンプリングである。
【００８２】
また、学習用パターン生成部１０ａには、診断対象である右肺部分に異常が有るか否かを示す異常情報（異常有無情報）が予め明らかな胸部Ｘ線写真（学習用画像）中の各画素の輝度情報が入力される。
【００８３】
学習用パターン生成部１０ａのデジタル化処理部１３ａは、デジタルデータである胸部Ｘ線写真中の各画素の輝度情報を、入力部１１から取得する。デジタル化処理部１３ａは、その各画素の輝度情報の中から、上述したサンプリング方法に定められている診断対象領域に含まれる画素を選択し、その選択された各画素の輝度情報を数値データとして読み出す。そして、デジタル化処理部１３ａは、その読み出した数値データをサンプリング処理部１４ａに出力する。
【００８４】
学習用パターン生成部１０ａのサンプリング処理部１４ａは、診断対象領域に含まれる各画素の輝度情報を数値データとして読み出した値を用いて、診断対象領域中の全画素の輝度情報を母集団とするサンプリングを実行する。サンプリング処理部１４ａは、上述したサンプリング方法に定められているサンプリング条件に従って、数値データの抽出を行うことで、サンプリングデータ列を生成する。
【００８５】
そして、サンプリング処理部１４ａは、自身が生成したサンプリングデータ列をフーリエ変換処理部１５ａに出力する。
【００８６】
フーリエ変換処理部１５ａは、サンプリングデータ列をサンプリング処理部１４ａから取得する。フーリエ変換処理部１５ａは、サンプリングデータ列が入力されると、そのサンプリングデータ列に含まれる各データをフーリエ変換する。そうすることにより、フーリエ変換処理部１５ａに入力されたサンプリングデータ列が、周波数帯域パターンに従うパワースペクトルデータ列に変換されることになる。
【００８７】
なお、パワースペクトルデータ列は、ここで計算に用いた高速フーリエ変換（離散フーリエ変換）の特徴から、後半分のデータ列が、列の中央を折り返し点として、前半分のデータ列に対して対称であるので、実質的に前半分のスペクトルだけが有効な結果となる。このため、上述したように、サンプリング処理部１４ａにより生成されるサンプリングデータ列のデータ数が１０２４であるのに対し、フーリエ変換処理部１５ａにより変換されるパワースペクトルデータ列のデータ数が、１０２４の半分の５１２となる理由である。
【００８８】
そして、フーリエ変換処理部１５ａは、自身がフーリエ変換したサンプリングデータ列、すなわち、パワースペクトルデータ列をニューラルネットワーク１７に出力する。そして、フーリエ変換後のサンプリングデータ列であるパワースペクトルデータ列の並びが、ニューラルネットワーク１７に入力される学習用パターンとなる。
【００８９】
ニューラルネットワーク１７は、学習用パターン生成部１０ａから学習用パターンを取得する。ニューラルネットワーク１７は、その学習用パターンを用いて、上述したような、自身の学習を実行する。
【００９０】
具体的には、ニューラルネットワーク１７は、学習用パターン生成部１０ａから入力されたパワースペクトルデータ列の各データを自身の入力層の各ユニットに入力する。パワースペクトルデータ列の各データと入力層の各ユニットは一対一に対応しており、そのため、上述したように、パワースペクトルデータ列のデータ数と入力層の各ユニットの数とが一致する。
【００９１】
ニューラルネットワーク１７は、入力層の各ユニットに対応するデータが入力されると、現時点における、入力層の各ユニットと中間層の各ユニットとの間の各重み、及び、中間層の各ユニットと出力層のユニットとの間の各重み、に従って、自身の演算処理の結果である出力値を出力層のユニットから出力する。
【００９２】
そして、ニューラルネットワーク１７は、自身の演算処理の結果である出力値を判定処理部１８に出力する。
【００９３】
判定処理部１８は、ニューラルネットワーク１７の出力値が入力されると、その出力値を用いて、診断対象である右肺部分における異常の有無を判定する。判定処理部１８は、ニューラルネットワーク１７の出力値が０に近ければ近いほど、右肺部分に異常が有ることの可能性が高いと判定し、その出力値が１に近ければ近いほど、異常が無いことの可能性が高いと判定する。本実施形態では、判定処理部１８は、ニューラルネットワーク１７の出力値が０に近ければ、右肺部分に異常が有ると判定し、その出力値が１に近ければ、異常が無いと判定する。
【００９４】
そして、判定処理部１８は、自身の判定結果を誤差算出部１９及びテスト処理部１６に出力する。
【００９５】
誤差算出部１９は、判定処理部１８の判定結果が入力されると、その判定結果の対象である診断対象（右肺部分）における異常の有無を示す異常情報を学習処理部１２から取得する。そして、誤差算出部１９は、判定処理部１８の判定結果と、学習処理部１２から取得した異常情報が示す異常の有無との間に生じる誤差を算出する。
【００９６】
具体的には、判定処理部１８は、診断対象に異常有りと判定した場合には、ニューラルネットワーク１７から入力された０に近い出力値を誤差算出部１９に出力する。また、判定処理部１８は、自身が異常無しと判定した場合には、ニューラルネットワーク１７から入力された１に近い出力値を誤差算出部１９に出力する。
【００９７】
一方、学習処理部１２は、異常情報が異常有りと示している場合には、０を誤差算出部１９に出力する。また、学習処理部１２は、異常情報が異常無しと示している場合には、１を誤差算出部１９に出力する。
【００９８】
そして、誤差算出部１９は、判定処理部１８から入力された０〜１の間の数値と、学習書処理部１２から入力された０または１の数値との誤差を算出し、その算出された誤差を学習処理部１２に出力する。
【００９９】
学習処理部１２は、誤差算出部１９により算出された誤差を取得する。学習処理部１２は、誤差算出部１９から順次入力される誤差に関する誤差二乗和を算出し、その誤差二乗和が予め定められたしきい値より小さくなるように、すなわち、その誤差二乗和が収束するように、ニューラルネットワーク１７の入力層の各ユニットと中間層の各ユニットとの間の各重み、及び、中間層の各ユニットと出力層のユニットとの間の各重み、を修正する。本実施形態では、この予め定められたしきい値を０．００１とした。
【０１００】
このようにして学習処理部１２は、ニューラルネットワーク１７を学習させることができる。
【０１０１】
また、学習処理部１２は、誤差算出部１９から順次入力される誤差に関する誤差二乗和が上記のしきい値より小さくなった時点で、その結果を出力部２０に出力する。
【０１０２】
学習処理部１２は、ニューラルネットワーク１７の学習回数が予め定められた回数に達した場合、上記の誤差二乗和が上記のしきい値より小さくなる以前に、ニューラルネットワーク１７の学習を終了させても良い。
【０１０３】
この場合であれば、ニューラルネットワーク１７は、上記の誤差二乗和が予め定められたしきい値よりも小さくなるか、あるいは、予め定められた学習回数に達するまで、学習用パターン生成部１０ａにより生成される学習用パターンが繰り返し入力されることになる。
【０１０４】
テスト処理部１６は、ニューラルネットワーク１７の学習が終了した後に、学習用パターン生成部１０ａにより生成される学習用パターンをテスト用パターンとして用いて、学習済みのニューラルネットワーク１７の出力値に基づく判定処理部１８の判定結果の正しさを検証する。
【０１０５】
具体的には、テスト処理部１６は、入力部１１より、その学習用パターンの異常情報を取得しており、その異常情報が示す異常の有無に対し、判定処理部１８の判定結果が正しいか否かを検証する。そして、テスト処理部１６は、その検証結果を出力部２０に出力する。
【０１０６】
診断用パターン生成部１０ｂは、デジタル化処理部１３ｂと、サンプリング処理部１４ｂと、フーリエ変換処理部１５ｂと、を有している。診断用パターン生成部１０ｂは、学習用パターン生成部１０ａが学習用パターンを生成する際に用いるサンプリング方法と同一のサンプリング方法が予め設定されている。
【０１０７】
診断用パターン生成部１０ｂには、診断対象である右肺部分に異常が有るか否かを示す異常情報（異常有無情報）が不明な胸部Ｘ線写真（診断用画像）中の各画素の輝度情報が入力される。
【０１０８】
診断用パターン生成部１０ｂのデジタル化処理部１３ｂ、サンプリング処理部１４ｂ及びフーリエ変換処理部１５ｂの各々の動作については、上述した学習用パターン生成部１０ａのデジタル化処理部１３ａ、サンプリング処理部１４ａ及びフーリエ変換処理部１５ａの各々の動作と同一であるので、ここでは説明を繰り返さない。
【０１０９】
要は、学習用パターン生成部１０ａと診断用パターン生成部１０ｂとの差異は、学習用パターン生成部１０ａには、入力部１１から、診断対象に異常が有るか否かを示す異常情報が予め明らかな学習用画像中の各画素の輝度情報が入力されるのに対し、診断用パターン生成部１０ｂには、入力部１１から、診断対象に異常が有るか否かを示す異常情報が不明な診断用画像中の各画素の輝度情報が入力される点である。
【０１１０】
出力部２０は、学習処理部１２、テスト処理部１６及び判定処理部１８の各々からの出力結果が入力されており、各出力結果を利用者に提示する。出力部２０は、公知の表示装置、印刷装置を用いることができる。
【０１１１】
次に、診断処理装置１の動作について説明する。
【０１１２】
先ず、診断処理装置１の学習動作について説明する。図２は、診断処理装置１の学習動作の処理手順を示すフローチャートである。
【０１１３】
図２において、入力部１１は学習用画像を取得する（ステップＳ１０１）。本ステップＳ１０１では、入力部１１は、診断対象に異常が有るか否かを示す異常情報が予め明らかな学習用画像中の各画素の輝度情報を取得する。そして、入力部１１は、取得された輝度情報を学習用パターン生成部１０ａのデジタル化処理部１３ａに出力する。
【０１１４】
次に、学習用パターン生成部１０ａのデジタル化処理部１３ａは、入力部１１から入力された学習用画像中の各画素の輝度情報をデジタル化処理する（ステップＳ１０２）。本ステップＳ１０２では、デジタル化処理部１３ａは、上述したサンプリング方法に定められている診断対象領域に含まれる画素を選択し、その選択された各画素の輝度情報を数値データとして読み出す。そして、デジタル化処理部１３ａは、その読み出した数値データを学習用パターン生成部１０ａのサンプリング処理部１４ａに出力する。
【０１１５】
次に、サンプリング処理部１４ａは、デジタル化処理部１３ａから入力された数値データを用いてサンプリング処理を行う（ステップＳ１０３）。本ステップＳ１０３では、サンプリング処理１４ａは、デジタル化処理部１３ａから入力された、診断対象領域中の全画素の輝度情報を母集団とするサンプリングを実行する。より具体的には、サンプリング処理部１４ａは、上記のサンプリング方法に定められたサンプリング条件に従って数値データの抽出を行い、サンプリングデータ列を生成する。
【０１１６】
このサンプリング条件としては、例えば、図６に示すように、診断対象である右肺部分におけるＡで示す縦方向の１本のサンプリングパターンであっても良いし、図７に示すように、診断対象であるＢで示す右肺部分におけるＣで示す縦方向、幅が１ピクセル、間隔が５０ピクセルである３本のサンプリングパターンであっても良い。
【０１１７】
また、学習動作で用いられるサンプリング条件と、後述の診断動作で用いられるサンプリング条件とでは、１枚の写真からのサンプリングの本数が異なっていても良い。例えば、学習動作においては、上述したように、図６に示すように各写真から１本のサンプリングパターン、あるいは図７に示すような３本のサンプリングパターンで行い、診断動作においては、図８のＦで示すように、更に多くのサンプリングパターンを使用しても良い。また、各サンプリングパターンの幅は、実測の寸法を基準に揃えても良いし、ドット数で合わせても良い。その際、図９のＧで示すように、サンプリングパターンの幅が複数ドットＧ１、Ｇ２、Ｇ３に跨る場合には、各ドットＧ１、Ｇ２、Ｇ３の平均輝度を使用すれば良い。
【０１１８】
なお、上記の特許文献１に記載された微小石灰化物検出方法では、図７に示すように、例えば、Ｄで示す左肺部分におけるＥで示す関心領域を見つけ、その関心領域を選択的に抽出する必要があった。このため、Ｄの左肺部分中における全画素の輝度情報を用いた演算処理が必要となり、演算処理に掛かる負荷は非常に大きなものであった。
【０１１９】
これに対し、診断処理装置１では、Ｂの右肺部分中における全画素の輝度情報からサンプリングされた複数本のサンプリングデータ列からなる複数のパターンを用いたニューラルネットワーク１７による演算処理を順次行えばよく、異常が出た段階でそれ以降の演算を省略することも可能である。
【０１２０】
したがって、診断処理装置１によれば、必ずしも全てのデータを使う必要は無く、ニューラルネットワーク１７による演算処理の負荷を従来よりも大幅に低減することができる。
【０１２１】
そして、サンプリング処理部１４ａは、その生成したサンプリングデータ列を学習用パターン生成部１０ａのフーリエ変換処理部１５ａに出力する。
【０１２２】
なお、図１０に、サンプリング処理部１４ａにより生成されたサンプリングデータ列に含まれる各データの数値を示す。図１０では、その横軸が各データのサンプリングの位置（position）、その縦軸が各データの数値（強度（intensity））である。ここで、横軸のデータ数は１０２４だが、グラフ上では最大値を１に規格化して表記している。
【０１２３】
次に、フーリエ変換処理部１５ａは、サンプリング処理部１４ａから入力されたサンプリングデータ列に含まれる各データをフーリエ変換処理する（ステップＳ１０４）。本ステップＳ１０４では、フーリエ変換処理部１５ａは、そのサンプリングデータ列を周波数帯域パターンに従うパワースペクトルデータ列に変換する。上述したように、このパワースペクトルデータ列の並びが学習用パターンである。
【０１２４】
なお、図１１に、フーリエ変換処理部１５ａによりフーリエ変換されたパワースペクトルデータ列に含まれる各データのパワースペクトルを示す。図１１では、その横軸が各データの周波数（Frequency）、その縦軸が各データのパワースペクトルである。この各データの周波数に対する各データのパワースペクトルのパターンが、学習用パターン生成部１０ａにより生成される学習用パターン、及び、診断用パターン生成部１０ｂにより生成される診断用パターンである。なお、ここでは、ニューラルネットワーク１７に入力する前処理として、フーリエ変換を用いて輝度データからなるパターンを変換したが、その他の変換方法として、一般的に知られたフィルター処理、例えば平滑化（平均、ガウシアン）、鮮鋭化（微分、２回微分）を用いたり、これら及び上述のフーリエ変換を併用したりしても良い。
【０１２５】
次に、フーリエ変換処理部１５ａは、その変換されたパワースペクトルデータ列をニューラルネットワーク１７に出力する（ステップＳ１０５）。本ステップＳ１０５では、ニューラルネットワーク１７の入力層を構成する各ユニットに、フーリエ変換処理部１５ａから入力されたパワースペクトルデータ列に含まれる各データがそれぞれ入力される。そして、ニューラルネットワーク１７は、自身の演算処理結果である出力値を、自身の出力層を構成するユニットから出力する。ニューラルネットワーク１７は、自身の出力値を判定処理部１８に出力する。
【０１２６】
次に、判定処理部１８は、ニューラルネットワーク１７の出力値を用いて、診断対象の異常の有無を判定するための判定処理を行う（ステップＳ１０６）。本ステップＳ１０６では、判定処理部１８は、例えば、ニューラルネットワーク１７の出力値が０に近ければ、診断対象に異常が有ると判定し、その出力値が１に近ければ、診断対象に異常が無いと判定する。そして、判定処理部１８は、その判定結果を誤差算出部１９に出力する。
【０１２７】
次に、誤差算出部１９は、判定処理部１８から判定結果が入力されると、その判定結果と、学習処理部１２から取得した異常情報が示す異常の有無との間に生じる誤差を算出する（ステップＳ１０７）。本ステップＳ１０７では、誤差算出部１９は、自身が算出した誤差を学習処理部１２に出力する。
【０１２８】
次に、学習処理部１２は、誤差算出部１９により算出された誤差が入力されると、その誤差が収束しているか否かを判断する（ステップＳ１０８）。本ステップＳ１０８では、学習処理部１２は、誤差算出部１９により算出された誤差が入力されると、その誤差と、既に入力されている誤差とを用いて、判定処理部１８の判定結果と入力部１１から取得した異常情報が示す異常の有無との間に生じる誤差についての誤差二乗和を算出する。
【０１２９】
そして、学習処理部１２は、その誤差二乗和が予め定められたしきい値より小さければ、判定処理部１８の判定結果についての誤差が収束したと判断する（ステップＳ１０８ＹＥＳ）。この場合、学習処理部１２は、現時点におけるニューラルネットワーク１７の上記の各重みを、学習済みのニューラルネットワーク１７の上記の各重みとして決定する（ステップＳ１１０）。本ステップＳ１１０では、学習処理部１２は、判定処理部１８の判定結果についての誤差が収束したとの判断結果を出力部２０に出力する。
【０１３０】
一方、学習処理部１２は、その誤差二乗和が予め定められたしきい値以上であれば、判定処理部１８の判定結果についての誤差は未だ収束していないと判断する（ステップＳ１０８ＮＯ）。この場合、学習処理部１２は、ニューラルネットワーク１７の上記の各重みを修正する（ステップＳ１０９）。本ステップＳ１０９では、学習処理部１２は、判定処理部１８の判定結果についての誤差が未だ収束していないとの判断結果を出力部２０に出力しても良い。
【０１３１】
その後、再び、上記のステップＳ１０５に戻り、次の学習用パターンが学習用パターン生成部１０ａにより生成され、その次の学習用パターンがニューラルネットワーク１７に入力されることになる（ステップＳ１０５）。
【０１３２】
なお、学習処理部１２は、判断処理部１８の判断結果についての誤差が未だ収束していないとの判断を下すべき場合であっても、上述したように、ニューラルネットワーク１７に対する学習の回数が予め定められた回数に達した場合には、現時点におけるニューラルネットワーク１７の上記の各重みを、学習済みのニューラルネットワーク１７の上記の各重みとして決定する（ステップＳ１１０）。
【０１３３】
このようにして診断処理装置１の学習動作が終了する。
【０１３４】
なお、図１２に、ニューラルネットワーク１７の学習回数と学習処理部１２により算出された誤差二乗和との関係を示す。図１２では、その横軸が、学習処理部１２が学習用パターン生成部１０ａにより生成された学習用パターンを用いて行ったニューラルネットワーク１７の学習回数（Learning Iterations）、その縦軸が、学習処理部１２が誤差算出部１９により算出された誤差を用いて算出した誤差二乗和（Square Error）である。また、図中のＦＦＴ有で示す３本のグラフは、フーリエ変換処理部１５ａにより変換されたパワースペクトルデータ列を用いてニューラルネットワーク１７を学習させた場合（ここでは、「フーリエ変換有りの場合」と呼ぶ。）に対応し、図中のＦＦＴ無で示す３本のグラフは、サンプリング処理部１４ａにより生成されたサンプリングデータ列をフーリエ変換することなく用いて、ニューラルネットワーク１７を学習させた場合（ここでは、「フーリエ変換無しの場合」と呼ぶ。）に対応する。
【０１３５】
図１２に示すように、フーリエ変換有りの場合、ニューラルネットワーク１７の学習を３回試行したところ、いずれも１万回程度の学習回数で上述した誤差がしきい値より小さくなっている。すなわち、ニューラルネットワーク１７は学習処理部１２による学習に対して正常に収束することが分かる。
【０１３６】
一方、フーリエ変換無しの場合においても、ニューラルネットワーク１７の学習を３回試行したが、いずれも学習回数を増やせば上記の誤差は減少する傾向にあるものの、フーリエ変化有りの場合と比べると、その誤差を収束させるまでに時間が長く、つまり、学習回数が多くなっていることが分かる。
【０１３７】
このことから、フーリエ変換処理部１５ａにより変換されたパワースペクトルデータ列を用いてニューラルネットワーク１７を学習させたほうが、ニューラルネットワーク１７の学習回数を低減できるという観点から、好ましい。
【０１３８】
また、図１３に、判定処理部１８による判定処理におけるしきい値（Threshold Value）と、判定処理部１８の判定結果に関する、異常を受け入れたエラー率（異常有りを異常無しとみなしたエラー率）（False Acceptance Rate）及び異常を拒否したエラー率（異常無しを異常有りとみなしたエラー率）（False Rejection Rate）との関係を示す。
【０１３９】
なお、判定処理部１８による判定処理におけるしきい値とは、次に述べるものである。
【０１４０】
上述したように、判定処理部１８は、ニューラルネットワーク１７の出力値が０に近ければ、診断対象に異常が有ると判定し、その出力値が１に近ければ、診断対象に異常が無いと判定している。この判定の際、実際には、０〜１の間の値を持つしきい値が設定されており、そのしきい値を基準として出力値が０に近いのか１に近いのかが判定されている。
【０１４１】
また、図１３においては、ニューラルネットワーク１７の中間層（Hidden Layer）のユニット数として１００、３００、７００が採用されている。
【０１４２】
図１３から分かるように、ニューラルネットワーク１７の中間層のユニット数が１００の場合、異常を受け入れたエラー率及び異常を拒否したエラー率の交差部において、各々のエラー率が１０％以上もあり、判定処理部１８は正しく判定できているとは言えない。
【０１４３】
これに対し、中間層のユニット数が３００、７００の場合、しきい値の広い範囲で、２つのエラー率がゼロとなっており、判定処理部１８は正しく判定できていると言える。
【０１４４】
このことから、ニューラルネットワーク１７の中間層のユニット数は３００以上が好ましい。
【０１４５】
次に、診断処理装置１のテスト動作について説明する。図３は、診断処理装置１のテスト動作の処理手順を示すフローチャートである。
【０１４６】
図３において、入力部１１は、テスト用画像として用いられる学習用画像を取得する（ステップＳ２０１）。本ステップＳ２０１では、入力部１１は、診断対象に異常が有るか否かを示す異常情報が予め明らかなテスト用画像中の各画素の輝度情報を取得する。そして、入力部１１は、取得された輝度情報を学習用パターン生成部１０ａのデジタル化処理部１３ａに出力する。
【０１４７】
次に、学習用パターン生成部１０ａのデジタル化処理部１３ａは、入力部１１から入力されたテスト用画像中の各画素の輝度情報をデジタル化処理する（ステップＳ２０２）。本ステップＳ２０２では、デジタル化処理部１３ａは、上述したサンプリング方法に定められている診断対象領域に含まれる画素を選択し、その選択された各画素の輝度情報を数値データとして読み出す。そして、デジタル化処理部１３ａは、その読み出した数値データを学習用パターン生成部１０ａのサンプリング処理部１４ａに出力する。
【０１４８】
次に、サンプリング処理部１４ａは、デジタル化処理部１３ａから入力された数値データを用いてサンプリング処理を行う（ステップＳ２０３）。本ステップＳ２０３では、サンプリング処理１４ａは、デジタル化処理部１３ａから入力された、診断対象領域中の全画素の輝度情報を母集団とするサンプリングを実行する。より具体的には、サンプリング処理部１４ａは、上記のサンプリング方法に定められたサンプリング条件に従って数値データの抽出を行い、サンプリングデータ列を生成する。そして、サンプリング処理部１４ａは、その生成したサンプリングデータ列を学習用パターン生成部１０ａのフーリエ変換処理部１５ａに出力する。
【０１４９】
次に、フーリエ変換処理部１５ａは、サンプリング処理部１４ａから入力されたサンプリングデータ列に含まれる各データをフーリエ変換処理する（ステップＳ２０４）。本ステップＳ２０４では、フーリエ変換処理部１５ａは、そのサンプリングデータ列を周波数帯域パターンに従うパワースペクトルデータ列に変換する。このパワースペクトルデータ列の並びがテスト用パターンである。
【０１５０】
次に、フーリエ変換処理部１５ａは、その変換されたパワースペクトルデータ列をニューラルネットワーク１７に出力する（ステップＳ２０５）。本ステップＳ２０５では、ニューラルネットワーク１７の入力層を構成する各ユニットに、フーリエ変換処理部１５ａから入力されたパワースペクトルデータ列に含まれる各データがそれぞれ入力される。そして、ニューラルネットワーク１７は、自身の演算処理結果である出力値を、自身の出力層を構成するユニットから出力する。ニューラルネットワーク１７は、自身の出力値を判定処理部１８に出力する。
【０１５１】
次に、判定処理部１８は、ニューラルネットワーク１７の出力値を用いて、診断対象の異常の有無を判定するための判定処理を行う（ステップＳ２０６）。本ステップＳ２０６では、判定処理部１８は、例えば、ニューラルネットワーク１７の出力値が０に近ければ、診断対象に異常が有ると判定し、その出力値が１に近ければ、診断対象に異常が無いと判定する。そして、判定処理部１８は、その判定結果をテスト処理部１６に出力する。
【０１５２】
次に、テスト処理部１６は、判定処理部１８の判定結果の良否を検証する（ステップＳ２０７）。本ステップＳ２０７では、テスト処理部１６は、判定処理部１８から判定結果が入力されると、その判定結果を、入力部１１から取得した異常情報が示す異常の有無と比較し、判定処理部１８の判定結果の良否を検証する。
【０１５３】
そして、テスト処理部１６は、判定処理部の判定結果の検証結果を出力部２０に出力する（ステップＳ２０８）。
【０１５４】
このようにして診断処理装置１のテスト動作が終了する。
【０１５５】
次に、診断処理装置１の診断動作について説明する。図４は、診断処理装置１の診断動作の処理手順を示すフローチャートである。
【０１５６】
図４において、入力部１１は、診断用画像を取得する（ステップＳ３０１）。本ステップＳ３０１では、入力部１１は、診断対象に異常が有るか否かを示す異常情報が不明な診断用画像中の各画素の輝度情報を取得する。そして、入力部１１は、取得された輝度情報を診断用パターン生成部１０ｂのデジタル化処理部１３ｂに出力する。
【０１５７】
次に、診断用パターン生成部１０ｂのデジタル化処理部１３ｂは、入力部１１から入力された診断用画像中の各画素の輝度情報をデジタル化処理する（ステップＳ３０２）。本ステップＳ３０２では、デジタル化処理部１３ｂは、学習用パターン生成部１０ａが用いたサンプリング方法と同一のサンプリング方法に定められている診断対象領域に含まれる画素を選択し、その選択された各画素の輝度情報を数値データとして読み出す。そして、デジタル化処理部１３ｂは、その読み出した数値データを診断用パターン生成部１０ｂのサンプリング処理部１４ｂに出力する。
【０１５８】
次に、サンプリング処理部１４ｂは、デジタル化処理部１３ｂから入力された数値データを用いてサンプリング処理を行う（ステップＳ３０３）。本ステップＳ３０３では、サンプリング処理１４ｂは、デジタル化処理部１３ｂから入力された、診断対象領域中の全画素の輝度情報を母集団とするサンプリングを実行する。より具体的には、サンプリング処理部１４ｂは、上記のサンプリング方法に定められたサンプリング条件に従って数値データの抽出を行い、サンプリングデータ列を生成する。そして、サンプリング処理部１４ｂは、その生成したサンプリングデータ列を診断用パターン生成部１０ｂのフーリエ変換処理部１５ｂに出力する。
【０１５９】
次に、フーリエ変換処理部１５ｂは、サンプリング処理部１４ｂから入力されたサンプリングデータ列に含まれる各データをフーリエ変換処理する（ステップＳ３０４）。本ステップＳ３０４では、フーリエ変換処理部１５ｂは、そのサンプリングデータ列を周波数帯域パターンに従うパワースペクトルデータ列に変換する。このパワースペクトルデータ列の並びが診断用パターンである。
【０１６０】
次に、フーリエ変換処理部１５ｂは、その変換されたパワースペクトルデータ列をニューラルネットワーク１７に出力する（ステップＳ３０５）。本ステップＳ３０５では、ニューラルネットワーク１７の入力層を構成する各ユニットに、フーリエ変換処理部１５ｂから入力されたパワースペクトルデータ列に含まれる各データがそれぞれ入力される。そして、ニューラルネットワーク１７は、自身の演算処理結果である出力値を、自身の出力層を構成するユニットから出力する。ニューラルネットワーク１７は、自身の出力値を判定処理部１８に出力する。
【０１６１】
次に、判定処理部１８は、ニューラルネットワーク１７の出力値を用いて、診断対象の異常の有無を判定するための判定処理を行う（ステップＳ３０６）。本ステップＳ３０６では、判定処理部１８は、例えば、ニューラルネットワーク１７の出力値が０に近ければ、診断対象に異常が有ると判定し、その出力値が１に近ければ、診断対象に異常が無いと判定する。
【０１６２】
そして、判定処理部１８は、その判定結果を出力部２０に出力する（ステップＳ３０７）。
【０１６３】
このようにして診断処理装置１の診断動作が終了する。
【０１６４】
（実施の形態２）
次に、本発明の実施形態２について説明する。上記の実施形態１の診断処理装置１では、胸部Ｘ線写真中の診断対象における異常の内容的特徴として、診断対象における異常の有無を採用した実施形態であった。
【０１６５】
これに対し、本実施形態では、診断対象における異常の内容的特徴として、異常の有無に加えて、その異常の要因である病気の病名も採用する実施形態である。
【０１６６】
本実施形態に係る診断処理装置と上記の実施形態１に係る診断処理装置１とが異なる点は、上記の実施形態１では図５に示したニューラルネットワーク１７を用いるのに対し、本実施形態では図１４に示すニューラルネットワーク１７ａを用いる点である。以下、この異なる点について説明するものとし、その他の点についてはここでは説明を繰り返さない。
【０１６７】
図１４は、本実施形態に係る診断処理装置に用いられるニューラルネットワーク１７ａの概略構成を示す。図１４に示すように、ニューラルネットワーク１７ａは、図５に示したニューラルネットワーク１７とは異なり、その出力層のユニットが異常の要因となる病気の病名毎に設けられている。
【０１６８】
本実施形態の診断処理装置では、入力部１１を介して学習用パターン生成部１０ａには、診断対象（例えば、右肺部分）に異常が有るか否かを示す異常情報（異常有無情報）に加えて、その異常の要因となる病気の病名を示す異常情報（病名情報）が予め明らかな学習用画像（例えば、胸部Ｘ線写真）が入力される。
【０１６９】
また、入力部１１を介して診断用パターン生成部１０ｂには、上記の異常有無情報及び病名情報のいずれも不明な診断用画像が入力され、学習処理部１２は、上記の異常有無情報及び病名情報が予め明らかな学習用画像に応じた学習用パターンを用いて、ニューラルネットワーク１７ａを学習させればよい。
【０１７０】
本実施形態に係る診断処理装置では、診断対象における異常の有無に加えて、その異常の要因となる病気の病名も併せて診断することができる。
【０１７１】
なお、本実施形態に係る診断処理装置では、図１４に示したニューラルネットワーク１７ａに代えて、図１５に示すニューラルネットワーク１７ｂを用いることができる。図１５のニューラルネットワーク１７ｂでは、病気の病名毎に１つのニューラルネットワーク２１ａ、２１ｂが設けられている。図１５の例では、例えば、ニューラルネットワーク２１ａが病名Ａに対応しており、ニューラルネットワーク２１ｂが病名Ｂに対応している。
【０１７２】
そして、各ニューラルネットワーク２１ａ、２１ｂは、図５に示したニューラルネットワーク１７と同様、その出力層は１つのユニットから構成されている。
【０１７３】
図１５に示すように、例えば、先ず、病名Ａの病気に関し、ニューラルネットワーク２１ａを用いて異常の有無が判定される。そして、ニューラルネットワーク２１ａを用いた判定結果が異常有りであれば、病名Ａの病気の可能性有りと診断すれば良い。
【０１７４】
一方、ニューラルネットワーク２１ａを用いた判定結果が異常無しであれば、次に、ニューラルネットワーク２１ｂを用いて異常の有無が判定される。
【０１７５】
そして、ニューラルネットワーク２１ｂを用いた判定結果が異常有りであれば、病名Ｂの病気の可能性有りと診断すれば良い。
【０１７６】
一方、ニューラルネットワーク２１ｂを用いた判定結果が異常無しであれば、病名Ａの病気、病名Ｂの病気のいずれも無いと診断すれば良い。
【０１７７】
（実施の形態３）
次に、本発明の実施形態３について説明する。本実施形態は、上記の実施形態２に係る診断処理装置に用いられたニューラルネットワークを人体の部位毎に設けた実施形態である。
【０１７８】
本実施形態に係る診断処理装置と上記の実施形態２に係る診断処理装置とが異なる点は、上記の実施形態２では図１４、図１５に示したニューラルネットワーク１７ａ、１７ｂを用いるのに対し、本実施形態では図１６に示すニューラルネットワーク１７ｃを用いる点である。以下、この異なる点について説明するものとし、その他の点についてはここでは説明を繰り返さない。
【０１７９】
本実施形態に係る診断処理装置では、図１６に示すように、人体の部位毎に１つのニューラルネットワーク２２ａ、２２ｂ、２２ｃが設けられている。例えば、ニューラルネットワーク２２ａが人体の肺部分に関する異常の有無及び、その異常の要因となる病気の病名について判定するために用いられ、ニューラルネットワーク２２ｂが人体の胃部分に関する異常の有無及び、その異常の要因となる病気の病名について判定するために用いられ、ニューラルネットワーク２２ｃが人体の脳部分に関する異常の有無及び、その異常の要因となる病気の病名について判定するために用いられるの如くである。
【０１８０】
本実施形態に係る診断処理装置では、人体の部位毎に診断結果を得ることができるとともに、例えば、各部位毎の診断結果を患者毎にまとめれば良い。そうすることにより、患者毎に人体の各部位毎についての診断結果が得られるため、患者の人体全体での状態が分かることとなり、医者にとっては非常に有効な診断支援システムを構築することができる。
【０１８１】
（実施の形態４）
次に、本発明の実施形態４について説明する。図１７は、本発明の実施形態４に係る分類処理装置１００の概略構成を示すブロック図である。
【０１８２】
分類処理装置１００は、図１７に示すように、ニューラルネットワーク１１７を用いて、画像から得られるパターンを用いて、前記画像を複数のグループに分類する分類処理装置であって、前記画像から得られるパターンの内容的特徴を示すパターン情報が予め明らかな学習用画像をデジタル化処理し、予め定められたサンプリング方法を用いて、デジタル化処理された学習用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す学習用パターンを生成する学習用パターン生成部（学習用パターン生成手段）１１０ａと、学習用パターン生成部により生成された複数の学習用パターンを用いて、ニューラルネットワーク１１７に学習させる学習処理部（学習処理手段）１１２と、前記パターン情報が不明な分類用画像をデジタル化処理し、前記サンプリング方法を用いて、デジタル化処理された分類用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す分類用パターンを生成する分類用パターン生成部（分類用パターン生成手段）１１０ｂと、分類用パターン生成部１１０ｂにより生成された分類用パターンを、学習処理部１１２による学習が行われた学習済みニューラルネットワーク１１７に入力して、その学習済みニューラルネットワーク１１７からの出力値に基づいて、前記パターン情報が示すパターンの内容的特徴を判定する判定処理部（判定手段）１２１と、判定処理部１２１による判定結果から前記画像を分類する分類部（分類手段）１２１とを備える。
【０１８３】
分類処理装置１００では、学習用パターン生成部１１０ａは、画像から得られるパターンの内容的特徴を示すパターン情報が利用者に予め明らかとなっている分類用画像を学習用画像として用い、学習用画像をデジタル化処理する。学習用パターン生成部１１０ａは、そのデジタル化処理された学習用画像から、例えば画像中における縦方向の一列といった、あらかじめ定められたサンプリング方法を用いて、そのデジタル化処理された学習用画像のデータをサンプリングする。学習用パターン生成部１１０ａは、そのサンプリングしたデータから学習用パターンを生成する。
【０１８４】
学習処理部１１２は、学習用パターン生成部１１０ａが生成する複数の学習用パターンを用いて、ニューラルネットワーク１１７に学習させる。ニューラルネットワーク１１７は、学習処理部１１２による複数の学習用パターンを用いた学習が行なわれることで、学習済みのニューラルネットワーク１１７となる。
【０１８５】
分類用パターン生成部１１０ｂは、パターン情報が利用者に不明である分類用画像をデジタル化処理し、そのデジタル化処理された分類用画像から、学習用パターン生成部１１０ａが用いたサンプリング方法と同一のサンプリング方法を用いて、そのデジタル化処理された分類用画像のデータをサンプリングする。分類用パターン生成部１１０ｂは、そのサンプリングしたデータから分類用パターンを生成する。
【０１８６】
判定処理部１１８は、分類用パターン生成部１１０ｂが生成する分類用パターンが学習済みのニューラルネットワークに入力されると、その出力値に基づいて、そのパターン情報が示すパターンの内容的特徴を判定し、その判定結果を分類部１２１に出力する。
【０１８７】
そして、分類部１２１は、その判定結果から画像を複数のグループに分類する。
【０１８８】
このようにして分類処理装置１００では、分類用画像をデジタル化処理し、そのデジタル化処理された分類用画像からデータをサンプリングして生成した分類用パターンを用いて、画像のパターン情報が示すパターンの内容的特徴を判定することができる。
【０１８９】
また、分類処理装置１２１では、画像からサンプリングされた少量のデータを用いてニューラルネットワークによる演算処理を行うので、ニューラルネットワークによる演算処理の負荷を大幅に低減することができる。
【０１９０】
なお、学習用パターン生成部１１０ａは、デジタル化処理部１１３ａと、サンプリング処理部１１４ａと、フーリエ変換処理部１１５ａと、有している。デジタル化処理部１１３ａ、サンプリング処理部１１４ａ、及び、フーリエ変換処理部１１５ａの動作については、図１のデジタル化処理部１３ａ、サンプリング処理部１４ａ、及び、フーリエ変換処理部１５ａの動作と同様である。
【０１９１】
分類用パターン生成部１１０ｂは、デジタル化処理部１１３ｂと、サンプリング処理部１１４ｂと、フーリエ変換処理部１１５ｂと、有している。デジタル化処理部１１３ｂ、サンプリング処理部１１４ｂ、及び、フーリエ変換処理部１１５ｂの動作については、図１のデジタル化処理部１３ｂ、サンプリング処理部１４ｂ、及び、フーリエ変換処理部１５ｂの動作と同様である。
【０１９２】
誤差算出部１１９及び出力部１２０の動作についても、図１の誤差算出部１９及び出力部２０の動作と同様である。
【０１９３】
本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。
【０１９４】
最後に、診断処理装置１の各ブロックは、ハードウェアロジックによって構成してもよいし、次のようにＣＰＵを用いてソフトウェアによって実現してもよい。
【０１９５】
すなわち、診断処理装置１は、各機能を実現する制御プログラムの命令を実行するＣＰＵ（central processing unit）、前記プログラムを格納したＲＯＭ（read only memory）、前記プログラムを展開するＲＡＭ（random access memory）、前記プログラムおよび各種データを格納するメモリ等の記憶装置（記録媒体）等を備えている。そして、本発明の目的は、上述した機能を実現するソフトウェアである診断処理装置１の制御プログラムのプログラムコード（実行形式プログラム、中間コードプログラム、ソースプログラム）をコンピュータで読み取り可能に記録した記録媒体を、前記診断処理装置１に供給し、そのコンピュータ（又はＣＰＵやＭＰＵ）が記録媒体に記録されているプログラムコードを読み出し実行することによっても、達成可能である。
【０１９６】
前記記録媒体としては、例えば、磁気テープやカセットテープ等のテープ系、フロッピー（登録商標）ディスク／ハードディスク等の磁気ディスクやコンパクトディスク−ＲＯＭ／ＭＯ／ＭＤ／デジタルビデオデイスク／コンパクトディスク−Ｒ等の光ディスクを含むディスク系、ＩＣカード（メモリカードを含む）／光カード等のカード系、あるいはマスクＲＯＭ／ＥＰＲＯＭ／ＥＥＰＲＯＭ／フラッシュＲＯＭ等の半導体メモリ系等を用いることができる。
【０１９７】
また、診断処理装置１を通信ネットワークと接続可能に構成し、前記プログラムコードを通信ネットワークを介して供給してもよい。この通信ネットワークとしては、特に限定されず、例えば、インターネット、イントラネット、エキストラネット、ＬＡＮ、ＩＳＤＮ、ＶＡＮ、ＣＡＴＶ通信網、仮想専用網（virtual private network）、電話回線網、移動体通信網、衛星通信網等が利用可能である。また、通信ネットワークを構成する伝送媒体としては、特に限定されず、例えば、ＩＥＥＥ１３９４、ＵＳＢ、電力線搬送、ケーブルＴＶ回線、電話線、ＡＤＳＬ回線等の有線でも、ＩｒＤＡやリモコンのような赤外線、Ｂｌｕｅｔｏｏｔｈ（登録商標）、８０２．１１無線、ＨＤＲ、携帯電話網、衛星回線、地上波デジタル網等の無線でも利用可能である。なお、本発明は、前記プログラムコードが電子的な伝送で具現化された、搬送波に埋め込まれたコンピュータデータ信号の形態でも実現され得る。
【産業上の利用可能性】
【０１９８】
本発明は、画像から異常を精度よく、しかも簡単に抽出できる診断処理装置、診断処理システム、診断処理方法、診断処理プログラム及びコンピュータ読み取り可能な記録媒体、並びに、分類処理装置を提供することができる。
【符号の説明】
【０１９９】
１ 診断処理装置
１０ａ、１１０ａ 学習用パターン生成部（学習用パターン生成手段）
１０ｂ 診断用パターン生成部（診断用パターン生成手段）
１１、１１１ 入力部
１２、１１２ 学習処理部（学習処理手段）
１３ａ、１３ｂ、１１３ａ、１１３ｂ デジタル化処理部
１４ａ、１４ｂ、１１４ａ、１１４ｂ サンプリング処理部
１５ａ、１５ｂ、１１５ａ、１１５ｂ フーリエ変換部
１６、１１６ テスト処理部（テスト処理手段）
１７、１７ａ、１７ｂ、１７ｃ、２１ａ、２１ｂ、２２ａ、２２ｂ、２２ｃ、１１７ ニューラルネットワーク
１８、１１８ 判定処理部（判定手段）
１９、１１９ 誤差算出部（誤差算出手段）
２０、１２０ 出力部
１２１ 分類部
１００ 分類処理装置
１１０ｂ 分類パターン生成部（分類パターン生成手段）
【特許請求の範囲】
【請求項１】
ニューラルネットワークを用いて、診断対象の異常を診断する診断処理装置であって、
前記診断対象の異常の内容的特徴を示す異常情報が予め明らかな学習用画像をデジタル化処理し、予め定められたサンプリング方法を用いて、デジタル化処理された学習用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す学習用パターンを生成する学習用パターン生成手段と、
前記学習用パターン生成手段により生成された複数の学習用パターンを用いて、前記ニューラルネットワークに学習させる学習処理手段と、
前記異常情報が不明な診断用画像をデジタル化処理し、前記サンプリング方法を用いて、デジタル化処理された診断用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す診断用パターンを生成する診断用パターン生成手段と、
前記診断用パターン生成手段により生成された診断用パターンを、前記学習処理手段による学習が行われた学習済みニューラルネットワークに入力して、その学習済みニューラルネットワークからの出力値に基づいて、前記異常情報が示す異常の内容的特徴を判定する判定手段と
を備えることを特徴とする診断処理装置。
【請求項２】
前記サンプリング方法では、前記学習用画像及び前記診断用画像の各々に関して、前記診断対象が占める診断対象領域を定めると共に、その定められた診断対象領域の中からデータをサンプリングする際における、前記診断対象領域中でのサンプリング方向、サンプリング幅、及び、サンプリング間隔のうちの少なくとも１つを定めることを特徴とする請求項１に記載の診断処理装置。
【請求項３】
前記学習用パターン生成手段及び診断用パターン生成手段は、各々が前記サンプリング方法を用いてサンプリングしたデータを、フーリエ変換することで、周波数帯域パターンに従うパワースペクトルデータ列の並びを表す前記学習用パターン及び診断用パターンを生成することを特徴とする請求項１または２に記載の診断処理装置。
【請求項４】
前記複数の学習用パターンの各々についての前記異常情報が示す異常の内容的特徴と、前記複数の学習用パターンの各々に対応する前記判定手段の判定結果との間に生じる誤差を算出する誤差算出手段をさらに備えており、
前記ニューラルネットワークは、入力層と、中間層と、出力層とがこの順で、前記入力層側から前記出力層側の方向に、各層間が結合されて構成されており、１つの入力値が前記入力層に入力されたとき所望の出力値が前記出力層から出力されるように、前記入力層と前記中間層との間の結合の重み及び前記中間層と前記出力層との間の結合の重みが学習させられるものであり、
前記学習処理手段は、前記複数の学習用パターンの各々についての前記異常情報が示す異常の内容的特徴と、前記複数の学習用パターンの各々に対応する前記判定手段の判定結果とを一致させるべく、前記誤差算出手段により算出される誤差が収束する方向に向かうように、前記ニューラルネットワークにおける、前記入力層と前記中間層との間の結合の重み及び前記中間層と前記出力層との間の結合の重みを学習させることを特徴とする請求項１〜３のいずれか１項に記載の診断処理装置。
【請求項５】
前記学習処理手段は、前記誤差算出手段により算出される誤差の大きさが、予め定められたしきい値よりも小さくなるまで前記ニューラルネットワークの学習を繰り返すことを特徴とする請求項４に記載の診断処理装置。
【請求項６】
前記異常情報は、前記診断対象の異常の有無を示す異常有無情報を含むことを特徴とする請求項１〜５のいずれか１項に記載の診断処理装置。
【請求項７】
前記異常情報は、前記診断対象の異常の要因である病気の病名を示す病名情報をさらに含むことを特徴とする請求項６に記載の診断処理装置。
【請求項８】
前記ニューラルネットワークの出力層は、２つ以上の前記病名情報の各々に対応する２つ以上の出力層ユニットからなることを特徴とする請求項７に記載の診断処理装置。
【請求項９】
前記ニューラルネットワークは、２つ以上の前記病名情報の各々に対応する２つ以上の病名別ニューラルネットワークを含むことを特徴とする請求項７に記載の診断処理装置。
【請求項１０】
人体の部位ごとに、診断対象の異常を診断する２つ以上の請求項１〜９のいずれか１項に記載の診断処理装置を備えることを特徴とする診断処理システム。
【請求項１１】
請求項１〜９のいずれか１項に記載の診断処理装置における各手段としてコンピュータを動作させるための診断処理プログラム。
【請求項１２】
請求項１１に記載の診断処理プログラムを記録したコンピュータ読み取り可能な記録媒体。
【請求項１３】
ニューラルネットワークを用いて、診断対象の異常を診断する診断処理方法であって、
前記診断対象の異常の内容的特徴を示す異常情報が予め明らかな学習用画像をデジタル化処理し、予め定められたサンプリング方法を用いて、デジタル化処理された学習用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す学習用パターンを生成する学習用パターン生成工程と、
前記学習用パターン生成工程にて生成された複数の学習用パターンを用いて、ニューラルネットワークに学習させる学習処理工程と、
前記異常情報が不明な診断用画像をデジタル化処理し、前記サンプリング方法を用いて、デジタル化処理された診断用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す診断用パターンを生成する診断用パターン生成工程と、
前記診断用パターン生成工程にて生成された診断用パターンを、前記学習処理工程にて学習が行われた学習済みニューラルネットワークに入力して、その学習済みニューラルネットワークからの出力値に基づいて、前記異常情報が示す異常の内容的特徴を判定する判定工程と
を含むことを特徴とする診断処理方法。
【請求項１４】
ニューラルネットワークを用いて、画像から得られるパターンを用いて、前記画像を複数のグループに分類する分類処理装置であって、
前記画像から得られるパターンの内容的特徴を示すパターン情報が予め明らかな学習用画像をデジタル化処理し、予め定められたサンプリング方法を用いて、デジタル化処理された学習用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す学習用パターンを生成する学習用パターン生成手段と、
前記学習用パターン生成手段により生成された複数の学習用パターンを用いて、前記ニューラルネットワークに学習させる学習処理手段と、
前記パターン情報が不明な分類用画像をデジタル化処理し、前記サンプリング方法を用いて、デジタル化処理された分類用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す分類用パターンを生成する分類用パターン生成手段と、
前記分類用パターン生成手段により生成された分類用パターンを、前記学習処理手段による学習が行われた学習済みニューラルネットワークに入力して、その学習済みニューラルネットワークからの出力値に基づいて、前記パターン情報が示すパターンの内容的特徴を判定する判定手段と、
前記判定手段による判定結果から前記画像を分類する分類手段と
を備えることを特徴とする分類処理装置。
【請求項１】
ニューラルネットワークを用いて、診断対象の異常を診断する診断処理装置であって、
前記診断対象の異常の内容的特徴を示す異常情報が予め明らかな学習用画像をデジタル化処理し、予め定められたサンプリング方法を用いて、デジタル化処理された学習用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す学習用パターンを生成する学習用パターン生成手段と、
前記学習用パターン生成手段により生成された複数の学習用パターンを用いて、前記ニューラルネットワークに学習させる学習処理手段と、
前記異常情報が不明な診断用画像をデジタル化処理し、前記サンプリング方法を用いて、デジタル化処理された診断用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す診断用パターンを生成する診断用パターン生成手段と、
前記診断用パターン生成手段により生成された診断用パターンを、前記学習処理手段による学習が行われた学習済みニューラルネットワークに入力して、その学習済みニューラルネットワークからの出力値に基づいて、前記異常情報が示す異常の内容的特徴を判定する判定手段と
を備えることを特徴とする診断処理装置。
【請求項２】
前記サンプリング方法では、前記学習用画像及び前記診断用画像の各々に関して、前記診断対象が占める診断対象領域を定めると共に、その定められた診断対象領域の中からデータをサンプリングする際における、前記診断対象領域中でのサンプリング方向、サンプリング幅、及び、サンプリング間隔のうちの少なくとも１つを定めることを特徴とする請求項１に記載の診断処理装置。
【請求項３】
前記学習用パターン生成手段及び診断用パターン生成手段は、各々が前記サンプリング方法を用いてサンプリングしたデータを、フーリエ変換することで、周波数帯域パターンに従うパワースペクトルデータ列の並びを表す前記学習用パターン及び診断用パターンを生成することを特徴とする請求項１または２に記載の診断処理装置。
【請求項４】
前記複数の学習用パターンの各々についての前記異常情報が示す異常の内容的特徴と、前記複数の学習用パターンの各々に対応する前記判定手段の判定結果との間に生じる誤差を算出する誤差算出手段をさらに備えており、
前記ニューラルネットワークは、入力層と、中間層と、出力層とがこの順で、前記入力層側から前記出力層側の方向に、各層間が結合されて構成されており、１つの入力値が前記入力層に入力されたとき所望の出力値が前記出力層から出力されるように、前記入力層と前記中間層との間の結合の重み及び前記中間層と前記出力層との間の結合の重みが学習させられるものであり、
前記学習処理手段は、前記複数の学習用パターンの各々についての前記異常情報が示す異常の内容的特徴と、前記複数の学習用パターンの各々に対応する前記判定手段の判定結果とを一致させるべく、前記誤差算出手段により算出される誤差が収束する方向に向かうように、前記ニューラルネットワークにおける、前記入力層と前記中間層との間の結合の重み及び前記中間層と前記出力層との間の結合の重みを学習させることを特徴とする請求項１〜３のいずれか１項に記載の診断処理装置。
【請求項５】
前記学習処理手段は、前記誤差算出手段により算出される誤差の大きさが、予め定められたしきい値よりも小さくなるまで前記ニューラルネットワークの学習を繰り返すことを特徴とする請求項４に記載の診断処理装置。
【請求項６】
前記異常情報は、前記診断対象の異常の有無を示す異常有無情報を含むことを特徴とする請求項１〜５のいずれか１項に記載の診断処理装置。
【請求項７】
前記異常情報は、前記診断対象の異常の要因である病気の病名を示す病名情報をさらに含むことを特徴とする請求項６に記載の診断処理装置。
【請求項８】
前記ニューラルネットワークの出力層は、２つ以上の前記病名情報の各々に対応する２つ以上の出力層ユニットからなることを特徴とする請求項７に記載の診断処理装置。
【請求項９】
前記ニューラルネットワークは、２つ以上の前記病名情報の各々に対応する２つ以上の病名別ニューラルネットワークを含むことを特徴とする請求項７に記載の診断処理装置。
【請求項１０】
人体の部位ごとに、診断対象の異常を診断する２つ以上の請求項１〜９のいずれか１項に記載の診断処理装置を備えることを特徴とする診断処理システム。
【請求項１１】
請求項１〜９のいずれか１項に記載の診断処理装置における各手段としてコンピュータを動作させるための診断処理プログラム。
【請求項１２】
請求項１１に記載の診断処理プログラムを記録したコンピュータ読み取り可能な記録媒体。
【請求項１３】
ニューラルネットワークを用いて、診断対象の異常を診断する診断処理方法であって、
前記診断対象の異常の内容的特徴を示す異常情報が予め明らかな学習用画像をデジタル化処理し、予め定められたサンプリング方法を用いて、デジタル化処理された学習用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す学習用パターンを生成する学習用パターン生成工程と、
前記学習用パターン生成工程にて生成された複数の学習用パターンを用いて、ニューラルネットワークに学習させる学習処理工程と、
前記異常情報が不明な診断用画像をデジタル化処理し、前記サンプリング方法を用いて、デジタル化処理された診断用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す診断用パターンを生成する診断用パターン生成工程と、
前記診断用パターン生成工程にて生成された診断用パターンを、前記学習処理工程にて学習が行われた学習済みニューラルネットワークに入力して、その学習済みニューラルネットワークからの出力値に基づいて、前記異常情報が示す異常の内容的特徴を判定する判定工程と
を含むことを特徴とする診断処理方法。
【請求項１４】
ニューラルネットワークを用いて、画像から得られるパターンを用いて、前記画像を複数のグループに分類する分類処理装置であって、
前記画像から得られるパターンの内容的特徴を示すパターン情報が予め明らかな学習用画像をデジタル化処理し、予め定められたサンプリング方法を用いて、デジタル化処理された学習用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す学習用パターンを生成する学習用パターン生成手段と、
前記学習用パターン生成手段により生成された複数の学習用パターンを用いて、前記ニューラルネットワークに学習させる学習処理手段と、
前記パターン情報が不明な分類用画像をデジタル化処理し、前記サンプリング方法を用いて、デジタル化処理された分類用画像のデータをサンプリングして、そのサンプリングデータ列の並びを表す分類用パターンを生成する分類用パターン生成手段と、
前記分類用パターン生成手段により生成された分類用パターンを、前記学習処理手段による学習が行われた学習済みニューラルネットワークに入力して、その学習済みニューラルネットワークからの出力値に基づいて、前記パターン情報が示すパターンの内容的特徴を判定する判定手段と、
前記判定手段による判定結果から前記画像を分類する分類手段と
を備えることを特徴とする分類処理装置。
【図１】
【図２】
【図３】
【図４】
【図５】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図６】
【図７】
【図８】
【図９】
【図２】
【図３】
【図４】
【図５】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１７】
【図６】
【図７】
【図８】
【図９】
【公開番号】特開２０１２−２３５７９６（Ｐ２０１２−２３５７９６Ａ）
【公開日】平成２４年１２月６日（２０１２．１２．６）
【国際特許分類】
【出願番号】特願２００９−２１５８４３（Ｐ２００９−２１５８４３）
【出願日】平成２１年９月１７日（２００９．９．１７）
【出願人】（０００００５０４９）シャープ株式会社 (33,933)
【出願人】（５０４１５０４６１）国立大学法人鳥取大学 (271)
【Ｆターム（参考）】
【公開日】平成２４年１２月６日（２０１２．１２．６）
【国際特許分類】
【出願日】平成２１年９月１７日（２００９．９．１７）
【出願人】（０００００５０４９）シャープ株式会社 (33,933)
【出願人】（５０４１５０４６１）国立大学法人鳥取大学 (271)
【Ｆターム（参考）】
[ Back to top ]