診断支援装置、診断支援装置の制御方法、およびそのプログラム
【課題】 被検者から得たデータをコンピュータ処理し、得られた診断情報を提示する診断支援システムの仕組みを提供する。
【解決手段】 診断支援装置は、被検者から得たデータ、コンピュータ処理によって医学的な診断情報を得る診断処理を実行する。又、診断支援装置は、例えば被検者の検査履歴に応じて診断支援処理の処理方法を変更する。
【解決手段】 診断支援装置は、被検者から得たデータ、コンピュータ処理によって医学的な診断情報を得る診断処理を実行する。又、診断支援装置は、例えば被検者の検査履歴に応じて診断支援処理の処理方法を変更する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、被検者から得たデータをコンピュータ処理し、得られた診断情報を提示する医用診断支援システムに関する。
【背景技術】
【０００２】
医療の分野において、医師は、患者を撮影した医用画像をモニタに表示し、表示された医用画像を読影して、病変部の状態や経時変化を観察する。この種の医用画像を生成する装置としては、
・ＣＲ（Ｃｏｍｐｕｔｅｄ Ｒａｄｉｏｇｒａｐｈｙ）装置、
・ＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）装置、
・ＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）装置、
・超音波装置（ＵＳ；Ｕｌｔｒａｓｏｕｎｄ Ｓｙｓｔｅｍ）等が挙げられる。
【０００３】
このような医師の読影に対する負担軽減を目的として、医用画像をデジタル化して画像解析することにより病変部等を自動的に検出して、コンピュータ支援診断を行う診断支援装置が開発されている。以下、コンピュータ支援診断を、ＣＡＤ（Ｃｏｍｐｕｔｅｒ−Ａｉｄｅｄ Ｄｉａｇｎｏｓｉｓ）と称する。このようなＣＡＤでは、自動的に異常陰影候補を病変部として検出する。この異常陰影の検出処理では、放射線画像を表す画像データをコンピュータ処理することにより、癌等を表す異常な腫留陰影や高濃度の微小石灰化陰影等を検出する。そして、この検出結果を提示することにより、医師の読影に対する負荷を軽減し、また読影結果の精度を向上させることができる。
【０００４】
医師が読影際に誤診を避けるために、非特許文献２のようなガイドラインが設けられている。
【０００５】
コンピュータ支援診断を行う診断支援装置は、異常陰影候補を算出する際に、常に相反する「感度」と「誤診検出」のバランスを考慮する［特許文献１］。
【０００６】
例えば、腫瘍影候補を抽出する数を調整するパラメータである「感度」をあげると、実際には腫瘍でない陰影の抽出である「誤診検出」数も増加する。
【０００７】
このように、「感度」を上げると見落しが減らせるが、「誤診検出」（偽陽性の病変候補はＦＰ（ ｆａｌｓｅ ｐｏｓｉｔｉｖｅ：以下単にＦＰと呼ぶ場合もある。）が増える。
【先行技術文献】
【特許文献】
【０００８】
【特許文献１】特許第３４１７５９５号
【非特許文献】
【０００９】
【非特許文献１】河田・仁木・大松、「胸部３次元ＣＴ像による肺野小型腫瘤の３次元曲率を用いた内部構造の解析」、電子情報通信学会論文誌、Ｄ−ＩＩ、Ｖｏｌ。Ｊ８３−Ｄ−ＩＩ、Ｎｏ．１、ｐｐ．２０９−２１８、２０００年１月
【非特許文献２】Ｓｉｎｇｌｅ ｓｌｉｃｅ ｈｅｌｉｃａｌ ＣＴ による肺癌ＣＴ検診の判定基準と経過観察ガイドライン、「ＮＰＯ法人 日本ＣＴ検診学会」
【発明の概要】
【発明が解決しようとする課題】
【００１０】
しかしながら、特許文献１に記載のコンピュータ支援診断を行う診断支援装置のようなシステムは、被検者から得たデータのみを用いてコンピュータ支援診断を行っていた。即ち、被検者の検査履歴を考慮していないものである。
【００１１】
本発明は以上の問題に鑑みてなされたものであり、被検者の検査履歴をも考慮したコンピュータ処理による診断情報を得る仕組みを提供することを目的とする。
【課題を解決するための手段】
【００１２】
上記の目的を達成するための、本発明の一態様によるによる診断支援装置は以下の構成を備える。すなわち、被検者のデータから病変に関する情報を取得して、前記病変の医学的重要度を求める診断支援処理手段と、
病変部の特徴量と所見を関連付け保存する症例データベースと、を備え、
前記診断支援処理手段は、抽出した病変部から特徴量を算出し、前記症例データベースに保存される症例付きの特徴量の類似度から、病変部の医学的重要度を求めることを特徴とする
【発明の効果】
【００１３】
本発明の構成により、被検者の検査履歴を考慮したコンピュータ処理による診断情報を提供する仕組みを提供できる。
【図面の簡単な説明】
【００１４】
【図１】診断支援装置システムの機器構成を示す図である。
【図２】診断支援装置の機能構成を示す図である。
【図３】診断支援装置の処理手順を示すフローチャートである。
【図４】診断支援装置の出力例を示す図である。
【図５】診断支援装置での病変候補の大きさを算出する処理手順を示すフローチャートである。
【図６】診断支援装置の医学知識データベースに蓄えられるデータの例を示す図である。
【図７】診断支援装置での症例の類似画像を検索する処理手順を示すフローチャートである。
【発明を実施するための形態】
【００１５】
以下、添付図面に従って本発明に係る医用の診断支援装置及び方法の好ましい実施形態について詳説する。ただし、発明の範囲は図示例に限定されるものではない。
【００１６】
（第１実施例）
ＣＰＵ１００は、主として診断支援装置１の各構成要素の動作を制御する。主メモリ１０１は、ＣＰＵ１００が実行する制御プログラムを格納したり、ＣＰＵ１００によるプログラム実行時の作業領域を提供したりする。磁気ディスク１０２は、オペレーティングシステム（ＯＳ）、周辺機器のデバイスドライブ、後述する診断支援処理等を行うためのプログラムを含む各種アプリケーションソフト等を格納する。表示メモリ１０３は、モニタ１０４のための表示用データを一時記憶する。モニタ１０４は、例えばＣＲＴモニタや液晶モニタ等であり、表示メモリ１０３からのデータに基づいて画像を表示する。マウス１０５及びキーボード１０６はユーザによるポインティング入力及び文字等の入力をそれぞれ行う。上記各構成要素は共通バス１０７により互いに通信可能に接続されている。
【００１７】
本実施形態において、診断支援装置１は、ＬＡＮ４を介してデータベース３から画像データ等を読み出すことができる。或いは、診断支援装置１に記憶装置、例えばＦＤＤ、ＣＤ−ＲＷドライブ、ＭＯドライブ、ＺＩＰドライブ等を接続し、それらのドライブから画像データ等を読み込むようにしても良い。また、ＬＡＮ４を経由して医用画像撮影装置２から直接に医用画像等を取得してもよい。
【００１８】
図２に診断支援装置１の構成例を記載する。
【００１９】
図２において、診断支援装置１は、医用検査データ入力部２０１、症例データベース２０２、医学知識データベース２０３、診断支援処理手段としての診断支援処理部２０４、処理方法変更部２０７、記憶手段としての履歴記録部２０８とデータ出力部２０９を備えて構成される。
【００２０】
医用検査データ入力部２０１は、例えばＸ線撮影装置、ＣＴ装置、ＭＲ装置、超または音波診断装置から取得した画像データ、心電図や脳波データ・白血球数などの計測データなどの、被検者に関するデータを取得する。
【００２１】
また、カルテ情報などの病変候補取得に関連する情報を含む医用検査データの入力が可能な構成であってもよい。その場合、これらのデータをユーザによる直接入力が可能な構成であっても良いし、情報が記録されたＦＤＤ、ＣＤ−ＲＷドライブ、ＭＯドライブ、ＺＩＰドライブ等の各種記憶媒体から読み取り可能な構成であってもよい。またこれらのデータを記憶するデータベースとＬＡＮを介して接続し、受信可能な構成であってもよい。
【００２２】
症例データベース２０２は、医用検査データ取得装置２によって撮影された画像データや、心電図や白血球数をはじめとする数値データ、被検者に関するカルテなどのテキストデータを格納する。各症例データには診断支援装置によるデータ処理結果の値や確定診断結果を含めることもでき、それらの情報を類似症例検索に利用することができる。
【００２３】
また、認識、識別処理に用いるカテゴリーに分類されたテンプレートも保存される。このテンプレートはパタン認識処理として病変が何か（悪性、良性など）を判断するために用いる。また、病変を抽出する場合に、被写体から抽出したデータとの相似度（例えば相関値等）から、病変である領域を抽出するために用いられる。
【００２４】
医学知識データベース２０３は、病変領域に対する診断基準や、転移病変や合併症をはじめとする検査対象となる疾病の情報を格納する。さらに、原発病変を検出した際に関連する疾病の有無を調べる手順といった診断手順などのデータも格納させても良い。
【００２５】
診断支援処理部２０４は、診断を支援するための情報を被写体から得られたデータから取得する。
【００２６】
画像データを処理する場合には処理部２０５は、被検者から取得されたデータから病変に関する情報を取得する。例えば、腫瘍影の候補領域、結石の候補領域などの病変部を抽出する。
【００２７】
また、病変部の候補である病変部候補の取得にあたって症例データベース２０２を参照して過去の症例データとの類似度を比較してもよい。この場合、処理部２０５は画像から特徴量を算出し、症例データベース２０２に保存される症例ごとの特徴量の一致度から、病変候補を取得する。
【００２８】
医学知識データベース２０３に格納されている診断基準や診断手順に関するデータを参照しでもよい。例えば、診断基準としてはＣＴ画像であれば、病変部に相当するＣＴ値の範囲があり、その範囲に病変部が存在する可能性が高くなる。従ってその範囲から病変部を抽出する。また、診断手順としては、医師の診断試行をフローとして、文法化しているものである。例えば、二次元の画像データであれば、被写体の関心領域の抽出、関心領域内でのテキスチャ−の特徴の数値化等のコンピュータ処理で必要とする処理手順を医師の思考に合わせて文法化している。
【００２９】
なお処理部２０５の処理対象は画像データに限定されず、例えば被検者に関する画像以外の計測データあるいはカルテデータなども処理対象であり、それらのデータに基づいて病変候補を取得する構成としてもよい。
【００３０】
出力処理部２０６は、画像データを対象とする場合には、処理部２０５で抽出された病変候補の病変らしさ等の診断を支援するための情報を取得する。また、計測データであれば、被写体から得られたデータを直接に解析して、診断を支援するための情報を取得して出力する。
【００３１】
履歴記録部２０８は、被検者に関する診断履歴の情報を記録する。診断履歴情報としては、過去に行った検査方法、そのときの診断結果、等を記録する。また、過去に推定された発症確率、発症確率に応じた次期診時期等も格納する。
【００３２】
検査方法にはスクリーニングや、精密検査または、病変部の経過監察等の検査の目的情報も記録する。
【００３３】
処理方法変更部２０７は、履歴記録部２０８から得られた被検者の履歴情報に応じて処理部２０４、出力処理部２０５の処理方法を決定する。
【００３４】
データ出力部２０９は、処理部２０５より得られた病変候補のデータと出力処理部２０６によって得られた病変候補の判定情報を指定の形式として出力する。
【００３５】
次に、図３のフローチャートを用いて、ＣＰＵ１００がどのように診断支援装置１を制御しているかについて説明する。
【００３６】
ステップＳ３１において、ＣＰＵ１００は、医用検査データ入力部２０１から、医用検査データを診断支援装置１に入力する。
【００３７】
また、検査目的に応じて病変候補取得の際の病変検出基準や病変検出手順が異なるため、履歴記録部から２０８被検者の検査履歴（例えば前回撮像された日か検査日までの検査の経歴）、検査目的の情報を取得する。
【００３８】
ステップＳ３２において、処理方法変更部２０７は、ＣＰＵ１００の制御により、履歴記録部２０８に記録されている被検者の履歴情報に応じて、現在の発症確率を推定する。ここで発症確率とは病変部の発症する確率をいう。また、病変部が良性から悪性に変位する確率をもいう。
【００３９】
被検者の検査経過の時間に応じて起こりうる症状変化は、過去の医学的な知見から確率的に有為な情報として保存されている。従って、時間経過の情報に応じて、症状変化は確率的に有為な範囲で予測できるためである。つまり、被検者の検査履歴に応じて、確率的に有為な範囲で被検者の症状変化を予測できるものである。
【００４０】
発症確率を推定するに当たって、履歴記録部２０８に記録された被検者の過去と現在の検査データ、検診回数等の診断を行った時間間隔、過去の検診で推定された発症確率などの履歴情報、画像処理結果の病変候補データ等を用いて、病変候補の進行具合を算出する。
【００４１】
例えば、履歴記録部２０８に記録された被検者の病変部（腫瘤、結石など）の情報から、現状の病変部の大きさを予測する。この予測は、過去の病変部の大きさと成長速度を用いて行われる。ここで、成長速度は、過去の病変部のサイズ，種類を用いて医学知識データベース２０３に記録される統計量が利用される。また、病変部のサイズ変化が履歴記録部２０８に記録されている場合であれば、過去の時点での病変部のサイズから求めることができる。また、たとえば、予測された大きさが５ｍｍ以上であれば、発症確率が高いと判断する。ここでの、発症確率とは、抽出した病変候補が悪性である確率である。この発症確率に応じても、処理方法変更部２０７は、処理部２０５で抽出する病変部のサイズを変更する。この発症確率が高い場合には、新たな病変部が発生する可能性もあがるため、全範囲のサイズの病変部を抽出する。また、病変部のサイズに応じて処理関数を変更する場合もある。
【００４２】
また、履歴記録部２０８に記録された被検者の履歴から、初診であると判断された場合には、発症確率が高いとして全範囲のサイズの病変部を抽出する。
【００４３】
それに対して、履歴記録部２０８に記録された被検者の履歴から、病変部の抽出の履歴がない場合には、前回の診断から時間経過時間に応じて発症確率が変わってくる。前回の検査から時間が経過していない場合には、大きな病変部が発生する確率は有為に下がるため，発症確率が低いとして、大きな病変部の抽出を処理部２０５で抽出しないように、処理方法変更部２０７のパラメータを変更する。これにより、特定のサイズに合わせた抽出が行えるので、処理部２０５で抽出する病変部の擬陽性率は下がる効果を有する。
【００４４】
このように、処理方法変更部２０７は、履歴記録部２０８に記録された被検者の履歴に基づき、診断支援処理部２０４の処理方法を変更する。
【００４５】
診断支援処理部２０４の処理方法の変え方をとしては、信頼度を与える確率分布を調整したり、または、異常と認める場合の確率の閾値の調整をしたり、ベイズ識別器などの認識関数のパラメータを変えたり、識別器での特徴空間での境界面の移動をしたりなどの方法がある。また、判定のアルゴリズム自体を変えたりすることも可能である。線形判別関数のほか、サポートベクターマシン、ベイズ識別器、ニューラルネットワーク、ＡｄａＢｏｏｓｔ、などの判別方法を選択することも、処理方法を変更することに相当する。
【００４６】
なお、発症確率の例として次のような設定をする。
【００４７】
発症確率＝１．０：発症確率が推定できない場合、またはデフォルトと認められる発症確率値；この状態では、デフォルトに使われる識別器のパラメータを利用する
発症確率＝０．９：発症確率が低い場合は、識別器の感度を下げて、デフォルト状態の９０％の偽陽性が出るように識別気を設定する
発症確率＝１．１：発症確率が高い場合は、識別器の感度を上げて、デフォルト状態の１１０％の偽陽性が出るように識別気を設定する
上記の設定は、単なる一例であり、本実施例を制限するものではない。
【００４８】
ステップＳ３３において、ＣＰＵ１００の制御に従い処理部２０５は、ステップＳ３２で定められた処理方法で病変候補を抽出する。この際に医学知識データベース２０３に格納されている診断基準の情報を利用して、病変候補から計算される特徴量から病変らしさをしめす信頼度や、進行度などの病変候補データが得られる。ここで、信頼度とは、例えば、過去の病変から得られた特徴量との相関値等から、病変としての確からしさを示す。
【００４９】
胸部ＣＴ画像の場合、処理部２０５は、画像から肺野、横隔膜、気管支、肺動脈、肺静脈などの領域を分割し、肺野は、上葉、中葉、下葉、区域に分類する。ここで、医用画像中から臓器領域を検出するための方法として、動的輪郭法の一種であるレベルセット法を例にして説明を行う。レベルセット法の場合、検出対象の領域の次元よりも一次元高いレベルセット関数を定義し、抽出したい領域をそのゼロ等高線であるとみなす。そして、レベルセット方程式と呼ばれる以下の発展方程式に基づいてこの関数を更新することで、輪郭を制御し領域を検出する。
【００５０】
φｔ＋Ｆ｜▽φ｜＝０
ここで、φｔはレベルセット関数を時間軸方向に１次微分した値、Ｆは輪郭の成長速度、｜▽φ｜はレベルセット関数の勾配の絶対値を表している。
【００５１】
このようにして、医用画像から臓器領域を検出することが出来る。上述の説明では、レベルセット法を例に臓器領域検出の説明をしたが、領域検出の方法は、閾値処理による方法、領域拡張法、動的輪郭法、クラスタ化、グラフ最小切断法などがある。これらの手法のいずれか、あるいはその他の技術を用いて臓器領域を検出する。
【００５２】
そして、それらの方法は部位に応じて切替えて使用しても良い。さらに、画像特徴量のみを使用するだけではなく、事前知識として確率アトラスや人体形状モデルなどを利用して領域検出を行っても良い。
【００５３】
また、臓器領域から肺野腫瘤などの異常を検出する方法として、異常を検出するためのフィルタ処理、パターンマッチング、識別器による異常検出、過去画像や平均形状画像などと診断画像とのレジストレーションを行い差分検出する処理などがある。その他、肺野腫瘤を特定するための画像特徴量としては、腫瘤内部の各画素のＣＴ値と３次元曲率（ガウス曲率、平均曲率、主曲率）から得られるｓｈａｐｅ ｉｎｄｅｘとｃｕｒｖｅｄｎｅｓｓなどもある。
【００５４】
以上のいずれかを併用して、あるいはその他の技術を用いて、病変候補を検出する。
【００５５】
ステップＳ３５において、ＣＰＵ１００は、出力処理部２０６は、処理方法変更部２０７で定められた処理方法に応じて処理部２０５にて検出された病変候補の評価をする。
【００５６】
異常の疾病分類、良悪性鑑別を行うために、悪性の可能性（確率値）を、判別方法（線形判別関数や、サポートベクターマシン、ＡｄａＢｏｏｓｔ、ベイズ識別器、ニューラルネットなど）の識別器を用いて疾病分類、良悪性鑑別を行う。これら異常検出、疾病分類、良悪性鑑別に関しては上記の手法に限定されるものではない。
【００５７】
さらに、判別器に用いる特徴量の重みの変更だけではなく、特徴量自体をより多く考慮したり、入れ替えたりも可能である。
【００５８】
ここで、Ｘ線ＣＴ画像から抽出された特徴量を次の線形判別関数に適用して、肺野腫瘤候補の良悪性鑑別を行う例を示す。すなわち、病変候補が真の病変と偽陽性とに分類される：
【００５９】
【数１】
【００６０】
ただし、ｘは１個のパターンの特徴ベクトル、ｍ１とｍ２はクラス１と２の平均ベクトル、ΣＷはクラス内共分散行列を示す。線形判別関数ｆの値を判別得点とし、この値が負のときクラス１（良性）、正のときクラス２（悪性）に判別する。そして、発症確率に応じて上記線形判別関数のパラメータΣＷを変更する。すなわち、発症確率が高いと判定された場合、ｆがより正の値が出せるようにΣＷを設定し、発症確率が低いと判定された場合、ｆがより負の値が出せるようにΣＷを設定する。
【００６１】
すなわち、発症確率が高いと推定されていれば、より多くの病変候補が注目されるようにする。つまり、出力処理部２０６の感度を上げる。逆に発症確率が低いと推定されていれば、偽陽性の病変候補を減らすために比較的重要でない病変候補を少なく提示するよう感度を下げる。
【００６２】
出力処理部２０６の処理は処理部２０５の感度と連動して行っても、単独でおこなってもよい。すなわち、処理部２０５の感度を最大に上げて腫瘤影を多く抽出し、出力処理部２０６で、閾値を変化させて擬陽性を低下させることも可能である。また、処理部２０５の感度と連動することも可能である。
【００６３】
ステップＳ３６において、
ステップＳ３２によって検出された病変候補データをステップＳ３５によって病変と認められる基準を満たしていると判断された病変候補データにしぼって出力する。
【００６４】
ここでデータ出力部２０９は、ＣＰＵ１００の制御により、出力先に応じた出力データに変換する。出力先としては、紙・メモリやハードディスクなどの記憶装置・モニタなどがある。
【００６５】
図４に病変候補データの出力例を示す。医用検査データの上に病変候補を指摘するマークが表示され、その隣に画像特徴量や患者属性・経時変化データが表示されている。また病変候補データをモニタなどの表示デバイスに出力する場合にはポップアップ形式で表示してもよいし、別ウィンドウで表示しても良い。
【００６６】
次に、図５を参照して、以上述べた処理方法変更部２０７で実行されるステップＳ３３の病変候補の大きさの予測方法を説明する。予測される大きさは、履歴記録部２０８に被検者の履歴として記録され、次回の診断処理に用いられたり、次回の診断時期の決定に用いられる。
【００６７】
ここでは、腫瘤を例として、その大きさと成長速度によって予測する方法を説明する。ここで、腫瘤の大きさは最長径を用いる。
【００６８】
ステップＳ５１において、
現在の胸部画像データからステップＳ３２で検出された腫瘤を取得し、腫瘤の最長径を算出する。
【００６９】
ステップＳ５２において、
被検者の過去の胸部画像データまたは過去の診断レポートに、ステップＳ５１で取得された腫瘤に対応する病変の記述があるかどうかを調べる。すでに過去にもその病変があったなら、処理はステップＳ５３へ進む。
【００７０】
ステップＳ５１で検出された病変候補は今回の検診ではじめた検出されたのであれば、処理はステップＳ５５へ進む。
【００７１】
ステップＳ５３において、
腫瘤の過去の情報を履歴記録部２０８から取得する。取得する情報は、大きさ（この場合は最長径）、症例の診断、その信頼度等が挙げられる。その情報は過去の診断レポートに記述がなければ、診断処理部２０４にて算出してもよい。
【００７２】
ステップＳ５４において、
対応する現在の腫瘤の最長径値と、過去の最長径値と過去の検診からの期間によって成長速度を以下の式によって算出する。ここでは、例として下記式を挙げたが、その式に限定せず、たとえば部位に応じてウエイトや、調整項を追加した式のように、医学の分野で認められる成長速度を算出するその他の方法でもよい。
【００７３】
ＶＣ＝（ＭＲｐｒｅｓｅｎｔ−ＭＲｐａｓｔ）／ｔただし、ＶＣは成長速度、ＭＲｐｒｅｓｅｎｔは腫瘤の現在の最長径値、ＭＲｐａｓｔは過去に検査を行ったときの対応する腫瘤の最長径値、ｔは過去の検査から経過した時間である。
【００７４】
ステップＳ５５において、
検出された腫瘤の過去の情報がなければ、医学分野で経験的に知られている腫瘤の成長速度の値を利用する。もちろん、被検者のその他の検査データや、過去の症例などの情報に応じて腫瘤の成長速度を導く式や、方法なども利用してもよい。
【００７５】
ステップＳ５６において、
履歴記録部２０８に記録されている被検者の次の検診予定日（検診次期）を取得し、現在の腫瘤の大きさと、成長速度と、次回の検診までの日数を元に次の検診時での腫瘤の大きさを推定する。大きさの推定方法として、たとえば以下の式がある。ただし、その式に限定することなく、医学知識として表にまとめている経験値に応じて大きさを推定してもよい。
【００７６】
ＭＲｆｕｔｕｒｅ＝ＭＲｐｒｅｓｅｎｔ＋ＶＣ＊ｔｆただし、ＭＲｆｕｔｕｒｅは次の予定されている検診の時の腫瘤の大きさの予測、ｔｆは、次の予定検診までの時間。
【００７７】
ステップＳ５７において、
ステップＳ５６で算出した、次回の検診時での腫瘤の大きさの予測を、医学ガイドラインと比較して、発症確率を推定する。たとえば、腫瘤の大きさが５ｍｍ未満であると予測されれば、発症確率は低いと判断できる。そして、腫瘤の大きさが１０ｍｍ以上になるとの予測があれば、発症確率は高いと判断できる。
【００７８】
以上、図５に示すような処理で次期検診時の病変の大きさを予測し、その情報を用いて処理方法変更部２０７によって発症確率を推定することができる。
【００７９】
今回は大きさを表すために、腫瘤の最長径を用いて説明したが、腫瘤の容積を用いるなど，腫瘤の大きさと成長速度を表すことが可能であれば上記に限らない。
【００８０】
次に、ステップＳ３２の発症確率を推定する方法として医学的重要度を用いた例を説明する。
【００８１】
処理方法変更部２０７は、処理部２０５によって取得された病変候補の医学的重要度に応じて発症確率を推定する。または、病変候補の医学的重要度の経過変化に応じて発症確率も推定できる。
【００８２】
ここで、処理方法変更部２０７において算出する医学的重要度Ｉについて説明する。
【００８３】
医学的重要度Ｉは、以下のように定義することができる。
Ｉ＝Ａ＊Ｂ＊Ｃ
ただし、
Ａ：重要疾病度 （異種疾病間の相対的な重篤度）
Ｂ：進行度（病期） （同種疾病内の重篤度）
Ｃ：関連疾病度
とする。
【００８４】
例えば処理部２０５において複数種の疾病を検出する場合には、検査目的に応じて下記のように病変ごとの関連疾病度Ｃが設定される。すなわち、
【００８５】
【数２】
となる。
【００８６】
ここで重要疾病度Ａ、進行度Ｂの例を図６に示す。例えば肺癌の経過観察の場合に、処理部２０５により病変候補として肺野の悪性腫瘍（０期）が１個検出されたとすると、悪性腫瘍に関する医学的重要度ＩＣは
ＩＣ＝１０＊２＊１＝２０
次に、発症確率を推定するために、患者が、過去にあった対応する病変の医学的重要度と比較する。履歴記録部２０８から、過去の検査において同じ腫瘍が良性腫瘍と判断されていたならば、その過去の医学的重要度ＩＰは
ＩＰ＝５＊２＊１＝１０
となる。すなわち、ある期間以内に医学的重要度が上昇しているので、発症確率は高いと推定する。または、医学的重要度が変化していなくても、一定期間にある値以上の値を維持していれば、発症確率は高いと推定する。
【００８７】
さらに、以上に述べた医学的重要度の変化による発症確率の推定には、医学的研究によって集められた症例から作られた表（医学的重要度、医学的重要度の変化、期間）を利用することも可能である。
【００８８】
なお、ここで述べた医学的重要度の内容はあくまで一例であり、本実施例における定義に限定されるものではない。たとえば、医学重要度による発症確率を推定する時に、スクリーニング、精密検査、経過観察の検査目的情報を考慮してもよい。
【００８９】
次に、病変候補の病変としての確率（確信度と呼ぶ場合もある）を用いて発症確率を推定する方法を説明する。
【００９０】
ここでは、病変候補の病変としての確率を算出する方法として、類似画像検索による病変候補の検出が挙げられる。図７を参照しながら、類似画像検索の処理の手順を説明する。
【００９１】
ステップＳ７１において、
処理部２０５では医用検査データの処理を行い、画像特徴量を算出する。画像特徴量としては、たとえば一般的な画像処理から得られる輝度分布、画像中の注目領域の２Ｄや３Ｄ特徴量等がある．また、「ｓｈａｐｅ ｉｎｄｅｘ」値と「ｃｕｒｖｅｄｎｅｓｓ」値を用いても良い。
【００９２】
ステップＳ７２において、
処理部２０５で算出された画像の特徴量を用いて症例データベース２０２を検索して、近い特徴量を持つ画像の症例を取得する。またあら予め特徴量に症例を関連付け保存しておき、症例付きの特徴量から症例の情報を取得する。
【００９３】
ステップＳ７３において、
検索された画像を、特徴量が近い順に並べて、一番似ている画像の順にその画像の類似度を算出する。ここでは、類似度の例として、検索に用いた特徴空間での参照画像と類似画像との正規化された特徴ベクトルの内積値を用いる。つまり、特徴空間上では、参照画像と類似画像の特徴量が近ければ近いほど両画像が似ているということになる。なお、ここで述べた類似度の算出方法はあくまで一例であり、本実施例における方法に限定されるものではない。
【００９４】
ステップＳ７４において、
検索された画像の症例、又は画像から得られた特徴量に関連つけられている所見を取得する。所見には上述の医学的重要度を求めるための各要素Ａ，Ｂ，Ｃがつけられている。例えば、癌であっても進行速度の速い癌、転移性の高い癌などは悪性であり、医学的な重要度が高くなる。また、選択された症例には、パターンマッチで選択された場合の、その症例の確信度を取得する。ここで確信度は、たとえば複数の医者がこの症例を診断した時の症例が悪性である確率を示す。また、識別関数で症例判断したときの正解率（医師の所見と識別関数の出力所見の一致する確立）を統計値としての確信度としてもよい。次に、得られた類似度と症例の確信度を元に病変類似度の変化Ｔを、以下のように定義する。
【００９５】
Ｔ＝Ｓｐｒｅｓｅｎｔ＊Ｃｐｒｅｓｅｎｔ−Ｓｐａｓｔ＊Ｃｐａｓｔ
ただし、
Ｓｐｒｅｓｅｎｔ：現在の検査で得られた類似度
Ｃｐｒｅｓｅｎｔ：現在の検査で得られた確信度
Ｓｐａｓｔ：履歴記録部に記録された患者の過去にあった対応する症例の類似度Ｃｐａｓｔ：履歴記録部に記録された患者の過去にあった対応する症例の確信度そして、上記のＴがある期間以内に上昇していたら、発症確率は高いと推定する。
【００９６】
上記以外にも、病変候補の確率を算出するために、たとえばサポートベクトルマシーンや、その他のパターン認識で用いられる識別器を利用することも可能であり、上記の類似度を利用した方法に限らない。
【００９７】
以上のように、第１の実施形態によれば、患者の履歴を考慮することにより、診断支援の感度調整が可能になり、読影医の負荷を軽減することができる。その結果、見落としや不要な生検が低減するため、患者の負荷も軽減することができる。
【００９８】
（第二実施例）
第１の実施形態においては、患者の発症確率により診断支援の感度を調整することを説明したが、医用検査データ取得装置から得られる検査データは標準的なパラメータで取得されたと仮定していた。
【００９９】
第２の実施形態では、患者の発症確率に応じた医用検査データ取得装置の取得パラメータの変更について述べる。
【０１００】
医用検査データ取得装置の種類にも依存するが、取得された検査データの鮮明さをあげようとすると、患者の負荷（検査の侵襲性）もあがる場合がある。たとえば、Ｘ線ＣＴ装置の場合は、Ｘ線管の電圧や電量を減らして患者の被爆量を抑えようとすると、得られる断面画像のノイズが増える。または、Ｘ線管（Ｘ線源）の線量を減らさずに患者への全体の被爆量を減らす方法としてベッドの移動速度あげることも考えられるが、断面画像間の間隔が大きくなり、病変は断面画像から外れて写さない可能性がある。
【０１０１】
本実施例では、第１実施例で算出された患者の発症確率に応じて医用検査データ取得装置の取得パラメータの変更を行う。
【０１０２】
Ｘ線ＣＴ装置において、発症確率が低いと判断された場合、Ｘ線源からの線量を落としたり、または断面間隔を大きくしたりする。一方、発症確率が高いと判断された場合、より鮮明な医用画像を得るためにＸ線量を増やしたり、断面間隔を小さくしたりする。
【０１０３】
または、特定の部位での発症確率が高ければ、その部位だけ撮影を鮮明に行なったり、その他の部位をより負荷の少ない方法で検査することも可能である。
【０１０４】
または、検査データの算出アルゴリズムの変更も考えられる。Ｘ線ＣＴ装置の場合では、再構成アルゴリズムを変えられるので、発症確率が高い場合は遅くてもより鮮明な画像が得られるアルゴリズムを選んだり、発症確率が低い場合は早いアルゴリズムを選択したりしても良い。
【０１０５】
また、ＭＲＩ用の造影剤の量などの取得パラメータを調整してもよい。
【０１０６】
さらに、発症確率は、医用検査データ取得装置の選定にも使える。たとえば、発症確率が高いと推定された場合、その症例の検査によりふさわしい検査（例：ＰＥＴ）を行うことも可能である。
【０１０７】
以上のように、第２の実施形態によれば、患者の履歴から推定された発症確率に応じて、検査装置の取得パラメータを調整することで、その症例の特徴をより詳細に取得することができる。
【０１０８】
（第３実施例）
第２の実施形態においては、患者の発症確率により医用検査データ取得装置の取得パラメータを変更することで、発症確率の高い病変をより正確に検出できることを説明した。
【０１０９】
ただし、最終診断は読影医または主治医など、診断をする資格をもつ医者が行うので、診断を確定するために、画像診断支援装置は病変候補の情報以外に、病変を候補にした基準の情報も提示する必要がある。
【０１１０】
ここで、画像診断支援装置１は検出された病変候補の関連情報と読影レポートと一緒に、患者の発症確率や感度パラメータの変更（変更されたパラメータ、その値、または変更されたアルゴリズム）とその理由と根拠を医者に提示する。
【０１１１】
または、結果出力方法として、紙媒体の読影レポートのほかに読影に利用する端末の画面に表示しても、またはその他の提示方法でも良い。
【０１１２】
以上のように、第３の実施形態によれば、診断レポートと一緒に感度パラメータの発症確率や変更情報を提示することで、より正確な診断を行うことができる。また、医者は患者の健康をよりよく把握することもでき、その情報の管理も可能になる。
【０１１３】
（その他の実施例）
本発明の目的は、前述した実施形態の機能を実現するプログラムを記憶したコンピュータ読み取り可能な記憶媒体を、システムあるいは装置に供給する。そして、そのシステムあるいは装置のコンピュータ（またはＣＰＵやＭＰＵ）が記憶媒体に格納されたプログラムコードを読出し実行することによっても、達成されることは言うまでもない。
【０１１４】
この場合、記憶媒体から読出されたプログラムコード自体が前述した実施形態の機能を実現することになり、そのプログラムコードを記憶した記憶媒体は本発明を構成することになる。
【０１１５】
プログラムコードを供給するための記憶媒体としては、例えば、フロッピディスク、ハードディスク、光ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、ＣＤ−Ｒ、磁気テープ、不揮発性のメモリカード、ＲＯＭなどを用いることができる。
【０１１６】
また、コンピュータが読出したプログラムコードを実行することにより、前述した実施形態の機能が実現されるだけでなく、そのプログラムコードの指示に基づき、コンピュータ上で稼働しているＯＳ（オペレーティングシステム）などが実際の処理の一部または全部を行う。そしてい、その処理によって前述した実施形態の機能が実現される場合も含まれることは言うまでもない。
【０１１７】
さらに、記憶媒体から読出されたプログラムコードが、コンピュータに挿入された機能拡張ボードやコンピュータに接続された機能拡張ユニットに備わるメモリに書込まれた後、そのプログラムコードの指示に基づき、その機能拡張ボードや機能拡張ユニットに備わるＣＰＵ１００などが実際の処理の一部または全部を行い、その処理によって前述した実施形態の機能が実現される場合も含まれることは言うまでもない。
【０１１８】
なお、上述した本実施の形態における記述は、本発明に係る好適な診断支援装置の一例であり、本発明はこれに限定されるものではない。
【符号の説明】
【０１１９】
２０２ 症例データベース
２０３ 医学知識データベース
２０４ 診断支援処理部
２０５ 処理部
２０６ 出力処理部
２０７ 処理方法変更部
２０８ 履歴記録部
【技術分野】
【０００１】
本発明は、被検者から得たデータをコンピュータ処理し、得られた診断情報を提示する医用診断支援システムに関する。
【背景技術】
【０００２】
医療の分野において、医師は、患者を撮影した医用画像をモニタに表示し、表示された医用画像を読影して、病変部の状態や経時変化を観察する。この種の医用画像を生成する装置としては、
・ＣＲ（Ｃｏｍｐｕｔｅｄ Ｒａｄｉｏｇｒａｐｈｙ）装置、
・ＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）装置、
・ＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）装置、
・超音波装置（ＵＳ；Ｕｌｔｒａｓｏｕｎｄ Ｓｙｓｔｅｍ）等が挙げられる。
【０００３】
このような医師の読影に対する負担軽減を目的として、医用画像をデジタル化して画像解析することにより病変部等を自動的に検出して、コンピュータ支援診断を行う診断支援装置が開発されている。以下、コンピュータ支援診断を、ＣＡＤ（Ｃｏｍｐｕｔｅｒ−Ａｉｄｅｄ Ｄｉａｇｎｏｓｉｓ）と称する。このようなＣＡＤでは、自動的に異常陰影候補を病変部として検出する。この異常陰影の検出処理では、放射線画像を表す画像データをコンピュータ処理することにより、癌等を表す異常な腫留陰影や高濃度の微小石灰化陰影等を検出する。そして、この検出結果を提示することにより、医師の読影に対する負荷を軽減し、また読影結果の精度を向上させることができる。
【０００４】
医師が読影際に誤診を避けるために、非特許文献２のようなガイドラインが設けられている。
【０００５】
コンピュータ支援診断を行う診断支援装置は、異常陰影候補を算出する際に、常に相反する「感度」と「誤診検出」のバランスを考慮する［特許文献１］。
【０００６】
例えば、腫瘍影候補を抽出する数を調整するパラメータである「感度」をあげると、実際には腫瘍でない陰影の抽出である「誤診検出」数も増加する。
【０００７】
このように、「感度」を上げると見落しが減らせるが、「誤診検出」（偽陽性の病変候補はＦＰ（ ｆａｌｓｅ ｐｏｓｉｔｉｖｅ：以下単にＦＰと呼ぶ場合もある。）が増える。
【先行技術文献】
【特許文献】
【０００８】
【特許文献１】特許第３４１７５９５号
【非特許文献】
【０００９】
【非特許文献１】河田・仁木・大松、「胸部３次元ＣＴ像による肺野小型腫瘤の３次元曲率を用いた内部構造の解析」、電子情報通信学会論文誌、Ｄ−ＩＩ、Ｖｏｌ。Ｊ８３−Ｄ−ＩＩ、Ｎｏ．１、ｐｐ．２０９−２１８、２０００年１月
【非特許文献２】Ｓｉｎｇｌｅ ｓｌｉｃｅ ｈｅｌｉｃａｌ ＣＴ による肺癌ＣＴ検診の判定基準と経過観察ガイドライン、「ＮＰＯ法人 日本ＣＴ検診学会」
【発明の概要】
【発明が解決しようとする課題】
【００１０】
しかしながら、特許文献１に記載のコンピュータ支援診断を行う診断支援装置のようなシステムは、被検者から得たデータのみを用いてコンピュータ支援診断を行っていた。即ち、被検者の検査履歴を考慮していないものである。
【００１１】
本発明は以上の問題に鑑みてなされたものであり、被検者の検査履歴をも考慮したコンピュータ処理による診断情報を得る仕組みを提供することを目的とする。
【課題を解決するための手段】
【００１２】
上記の目的を達成するための、本発明の一態様によるによる診断支援装置は以下の構成を備える。すなわち、被検者のデータから病変に関する情報を取得して、前記病変の医学的重要度を求める診断支援処理手段と、
病変部の特徴量と所見を関連付け保存する症例データベースと、を備え、
前記診断支援処理手段は、抽出した病変部から特徴量を算出し、前記症例データベースに保存される症例付きの特徴量の類似度から、病変部の医学的重要度を求めることを特徴とする
【発明の効果】
【００１３】
本発明の構成により、被検者の検査履歴を考慮したコンピュータ処理による診断情報を提供する仕組みを提供できる。
【図面の簡単な説明】
【００１４】
【図１】診断支援装置システムの機器構成を示す図である。
【図２】診断支援装置の機能構成を示す図である。
【図３】診断支援装置の処理手順を示すフローチャートである。
【図４】診断支援装置の出力例を示す図である。
【図５】診断支援装置での病変候補の大きさを算出する処理手順を示すフローチャートである。
【図６】診断支援装置の医学知識データベースに蓄えられるデータの例を示す図である。
【図７】診断支援装置での症例の類似画像を検索する処理手順を示すフローチャートである。
【発明を実施するための形態】
【００１５】
以下、添付図面に従って本発明に係る医用の診断支援装置及び方法の好ましい実施形態について詳説する。ただし、発明の範囲は図示例に限定されるものではない。
【００１６】
（第１実施例）
ＣＰＵ１００は、主として診断支援装置１の各構成要素の動作を制御する。主メモリ１０１は、ＣＰＵ１００が実行する制御プログラムを格納したり、ＣＰＵ１００によるプログラム実行時の作業領域を提供したりする。磁気ディスク１０２は、オペレーティングシステム（ＯＳ）、周辺機器のデバイスドライブ、後述する診断支援処理等を行うためのプログラムを含む各種アプリケーションソフト等を格納する。表示メモリ１０３は、モニタ１０４のための表示用データを一時記憶する。モニタ１０４は、例えばＣＲＴモニタや液晶モニタ等であり、表示メモリ１０３からのデータに基づいて画像を表示する。マウス１０５及びキーボード１０６はユーザによるポインティング入力及び文字等の入力をそれぞれ行う。上記各構成要素は共通バス１０７により互いに通信可能に接続されている。
【００１７】
本実施形態において、診断支援装置１は、ＬＡＮ４を介してデータベース３から画像データ等を読み出すことができる。或いは、診断支援装置１に記憶装置、例えばＦＤＤ、ＣＤ−ＲＷドライブ、ＭＯドライブ、ＺＩＰドライブ等を接続し、それらのドライブから画像データ等を読み込むようにしても良い。また、ＬＡＮ４を経由して医用画像撮影装置２から直接に医用画像等を取得してもよい。
【００１８】
図２に診断支援装置１の構成例を記載する。
【００１９】
図２において、診断支援装置１は、医用検査データ入力部２０１、症例データベース２０２、医学知識データベース２０３、診断支援処理手段としての診断支援処理部２０４、処理方法変更部２０７、記憶手段としての履歴記録部２０８とデータ出力部２０９を備えて構成される。
【００２０】
医用検査データ入力部２０１は、例えばＸ線撮影装置、ＣＴ装置、ＭＲ装置、超または音波診断装置から取得した画像データ、心電図や脳波データ・白血球数などの計測データなどの、被検者に関するデータを取得する。
【００２１】
また、カルテ情報などの病変候補取得に関連する情報を含む医用検査データの入力が可能な構成であってもよい。その場合、これらのデータをユーザによる直接入力が可能な構成であっても良いし、情報が記録されたＦＤＤ、ＣＤ−ＲＷドライブ、ＭＯドライブ、ＺＩＰドライブ等の各種記憶媒体から読み取り可能な構成であってもよい。またこれらのデータを記憶するデータベースとＬＡＮを介して接続し、受信可能な構成であってもよい。
【００２２】
症例データベース２０２は、医用検査データ取得装置２によって撮影された画像データや、心電図や白血球数をはじめとする数値データ、被検者に関するカルテなどのテキストデータを格納する。各症例データには診断支援装置によるデータ処理結果の値や確定診断結果を含めることもでき、それらの情報を類似症例検索に利用することができる。
【００２３】
また、認識、識別処理に用いるカテゴリーに分類されたテンプレートも保存される。このテンプレートはパタン認識処理として病変が何か（悪性、良性など）を判断するために用いる。また、病変を抽出する場合に、被写体から抽出したデータとの相似度（例えば相関値等）から、病変である領域を抽出するために用いられる。
【００２４】
医学知識データベース２０３は、病変領域に対する診断基準や、転移病変や合併症をはじめとする検査対象となる疾病の情報を格納する。さらに、原発病変を検出した際に関連する疾病の有無を調べる手順といった診断手順などのデータも格納させても良い。
【００２５】
診断支援処理部２０４は、診断を支援するための情報を被写体から得られたデータから取得する。
【００２６】
画像データを処理する場合には処理部２０５は、被検者から取得されたデータから病変に関する情報を取得する。例えば、腫瘍影の候補領域、結石の候補領域などの病変部を抽出する。
【００２７】
また、病変部の候補である病変部候補の取得にあたって症例データベース２０２を参照して過去の症例データとの類似度を比較してもよい。この場合、処理部２０５は画像から特徴量を算出し、症例データベース２０２に保存される症例ごとの特徴量の一致度から、病変候補を取得する。
【００２８】
医学知識データベース２０３に格納されている診断基準や診断手順に関するデータを参照しでもよい。例えば、診断基準としてはＣＴ画像であれば、病変部に相当するＣＴ値の範囲があり、その範囲に病変部が存在する可能性が高くなる。従ってその範囲から病変部を抽出する。また、診断手順としては、医師の診断試行をフローとして、文法化しているものである。例えば、二次元の画像データであれば、被写体の関心領域の抽出、関心領域内でのテキスチャ−の特徴の数値化等のコンピュータ処理で必要とする処理手順を医師の思考に合わせて文法化している。
【００２９】
なお処理部２０５の処理対象は画像データに限定されず、例えば被検者に関する画像以外の計測データあるいはカルテデータなども処理対象であり、それらのデータに基づいて病変候補を取得する構成としてもよい。
【００３０】
出力処理部２０６は、画像データを対象とする場合には、処理部２０５で抽出された病変候補の病変らしさ等の診断を支援するための情報を取得する。また、計測データであれば、被写体から得られたデータを直接に解析して、診断を支援するための情報を取得して出力する。
【００３１】
履歴記録部２０８は、被検者に関する診断履歴の情報を記録する。診断履歴情報としては、過去に行った検査方法、そのときの診断結果、等を記録する。また、過去に推定された発症確率、発症確率に応じた次期診時期等も格納する。
【００３２】
検査方法にはスクリーニングや、精密検査または、病変部の経過監察等の検査の目的情報も記録する。
【００３３】
処理方法変更部２０７は、履歴記録部２０８から得られた被検者の履歴情報に応じて処理部２０４、出力処理部２０５の処理方法を決定する。
【００３４】
データ出力部２０９は、処理部２０５より得られた病変候補のデータと出力処理部２０６によって得られた病変候補の判定情報を指定の形式として出力する。
【００３５】
次に、図３のフローチャートを用いて、ＣＰＵ１００がどのように診断支援装置１を制御しているかについて説明する。
【００３６】
ステップＳ３１において、ＣＰＵ１００は、医用検査データ入力部２０１から、医用検査データを診断支援装置１に入力する。
【００３７】
また、検査目的に応じて病変候補取得の際の病変検出基準や病変検出手順が異なるため、履歴記録部から２０８被検者の検査履歴（例えば前回撮像された日か検査日までの検査の経歴）、検査目的の情報を取得する。
【００３８】
ステップＳ３２において、処理方法変更部２０７は、ＣＰＵ１００の制御により、履歴記録部２０８に記録されている被検者の履歴情報に応じて、現在の発症確率を推定する。ここで発症確率とは病変部の発症する確率をいう。また、病変部が良性から悪性に変位する確率をもいう。
【００３９】
被検者の検査経過の時間に応じて起こりうる症状変化は、過去の医学的な知見から確率的に有為な情報として保存されている。従って、時間経過の情報に応じて、症状変化は確率的に有為な範囲で予測できるためである。つまり、被検者の検査履歴に応じて、確率的に有為な範囲で被検者の症状変化を予測できるものである。
【００４０】
発症確率を推定するに当たって、履歴記録部２０８に記録された被検者の過去と現在の検査データ、検診回数等の診断を行った時間間隔、過去の検診で推定された発症確率などの履歴情報、画像処理結果の病変候補データ等を用いて、病変候補の進行具合を算出する。
【００４１】
例えば、履歴記録部２０８に記録された被検者の病変部（腫瘤、結石など）の情報から、現状の病変部の大きさを予測する。この予測は、過去の病変部の大きさと成長速度を用いて行われる。ここで、成長速度は、過去の病変部のサイズ，種類を用いて医学知識データベース２０３に記録される統計量が利用される。また、病変部のサイズ変化が履歴記録部２０８に記録されている場合であれば、過去の時点での病変部のサイズから求めることができる。また、たとえば、予測された大きさが５ｍｍ以上であれば、発症確率が高いと判断する。ここでの、発症確率とは、抽出した病変候補が悪性である確率である。この発症確率に応じても、処理方法変更部２０７は、処理部２０５で抽出する病変部のサイズを変更する。この発症確率が高い場合には、新たな病変部が発生する可能性もあがるため、全範囲のサイズの病変部を抽出する。また、病変部のサイズに応じて処理関数を変更する場合もある。
【００４２】
また、履歴記録部２０８に記録された被検者の履歴から、初診であると判断された場合には、発症確率が高いとして全範囲のサイズの病変部を抽出する。
【００４３】
それに対して、履歴記録部２０８に記録された被検者の履歴から、病変部の抽出の履歴がない場合には、前回の診断から時間経過時間に応じて発症確率が変わってくる。前回の検査から時間が経過していない場合には、大きな病変部が発生する確率は有為に下がるため，発症確率が低いとして、大きな病変部の抽出を処理部２０５で抽出しないように、処理方法変更部２０７のパラメータを変更する。これにより、特定のサイズに合わせた抽出が行えるので、処理部２０５で抽出する病変部の擬陽性率は下がる効果を有する。
【００４４】
このように、処理方法変更部２０７は、履歴記録部２０８に記録された被検者の履歴に基づき、診断支援処理部２０４の処理方法を変更する。
【００４５】
診断支援処理部２０４の処理方法の変え方をとしては、信頼度を与える確率分布を調整したり、または、異常と認める場合の確率の閾値の調整をしたり、ベイズ識別器などの認識関数のパラメータを変えたり、識別器での特徴空間での境界面の移動をしたりなどの方法がある。また、判定のアルゴリズム自体を変えたりすることも可能である。線形判別関数のほか、サポートベクターマシン、ベイズ識別器、ニューラルネットワーク、ＡｄａＢｏｏｓｔ、などの判別方法を選択することも、処理方法を変更することに相当する。
【００４６】
なお、発症確率の例として次のような設定をする。
【００４７】
発症確率＝１．０：発症確率が推定できない場合、またはデフォルトと認められる発症確率値；この状態では、デフォルトに使われる識別器のパラメータを利用する
発症確率＝０．９：発症確率が低い場合は、識別器の感度を下げて、デフォルト状態の９０％の偽陽性が出るように識別気を設定する
発症確率＝１．１：発症確率が高い場合は、識別器の感度を上げて、デフォルト状態の１１０％の偽陽性が出るように識別気を設定する
上記の設定は、単なる一例であり、本実施例を制限するものではない。
【００４８】
ステップＳ３３において、ＣＰＵ１００の制御に従い処理部２０５は、ステップＳ３２で定められた処理方法で病変候補を抽出する。この際に医学知識データベース２０３に格納されている診断基準の情報を利用して、病変候補から計算される特徴量から病変らしさをしめす信頼度や、進行度などの病変候補データが得られる。ここで、信頼度とは、例えば、過去の病変から得られた特徴量との相関値等から、病変としての確からしさを示す。
【００４９】
胸部ＣＴ画像の場合、処理部２０５は、画像から肺野、横隔膜、気管支、肺動脈、肺静脈などの領域を分割し、肺野は、上葉、中葉、下葉、区域に分類する。ここで、医用画像中から臓器領域を検出するための方法として、動的輪郭法の一種であるレベルセット法を例にして説明を行う。レベルセット法の場合、検出対象の領域の次元よりも一次元高いレベルセット関数を定義し、抽出したい領域をそのゼロ等高線であるとみなす。そして、レベルセット方程式と呼ばれる以下の発展方程式に基づいてこの関数を更新することで、輪郭を制御し領域を検出する。
【００５０】
φｔ＋Ｆ｜▽φ｜＝０
ここで、φｔはレベルセット関数を時間軸方向に１次微分した値、Ｆは輪郭の成長速度、｜▽φ｜はレベルセット関数の勾配の絶対値を表している。
【００５１】
このようにして、医用画像から臓器領域を検出することが出来る。上述の説明では、レベルセット法を例に臓器領域検出の説明をしたが、領域検出の方法は、閾値処理による方法、領域拡張法、動的輪郭法、クラスタ化、グラフ最小切断法などがある。これらの手法のいずれか、あるいはその他の技術を用いて臓器領域を検出する。
【００５２】
そして、それらの方法は部位に応じて切替えて使用しても良い。さらに、画像特徴量のみを使用するだけではなく、事前知識として確率アトラスや人体形状モデルなどを利用して領域検出を行っても良い。
【００５３】
また、臓器領域から肺野腫瘤などの異常を検出する方法として、異常を検出するためのフィルタ処理、パターンマッチング、識別器による異常検出、過去画像や平均形状画像などと診断画像とのレジストレーションを行い差分検出する処理などがある。その他、肺野腫瘤を特定するための画像特徴量としては、腫瘤内部の各画素のＣＴ値と３次元曲率（ガウス曲率、平均曲率、主曲率）から得られるｓｈａｐｅ ｉｎｄｅｘとｃｕｒｖｅｄｎｅｓｓなどもある。
【００５４】
以上のいずれかを併用して、あるいはその他の技術を用いて、病変候補を検出する。
【００５５】
ステップＳ３５において、ＣＰＵ１００は、出力処理部２０６は、処理方法変更部２０７で定められた処理方法に応じて処理部２０５にて検出された病変候補の評価をする。
【００５６】
異常の疾病分類、良悪性鑑別を行うために、悪性の可能性（確率値）を、判別方法（線形判別関数や、サポートベクターマシン、ＡｄａＢｏｏｓｔ、ベイズ識別器、ニューラルネットなど）の識別器を用いて疾病分類、良悪性鑑別を行う。これら異常検出、疾病分類、良悪性鑑別に関しては上記の手法に限定されるものではない。
【００５７】
さらに、判別器に用いる特徴量の重みの変更だけではなく、特徴量自体をより多く考慮したり、入れ替えたりも可能である。
【００５８】
ここで、Ｘ線ＣＴ画像から抽出された特徴量を次の線形判別関数に適用して、肺野腫瘤候補の良悪性鑑別を行う例を示す。すなわち、病変候補が真の病変と偽陽性とに分類される：
【００５９】
【数１】
【００６０】
ただし、ｘは１個のパターンの特徴ベクトル、ｍ１とｍ２はクラス１と２の平均ベクトル、ΣＷはクラス内共分散行列を示す。線形判別関数ｆの値を判別得点とし、この値が負のときクラス１（良性）、正のときクラス２（悪性）に判別する。そして、発症確率に応じて上記線形判別関数のパラメータΣＷを変更する。すなわち、発症確率が高いと判定された場合、ｆがより正の値が出せるようにΣＷを設定し、発症確率が低いと判定された場合、ｆがより負の値が出せるようにΣＷを設定する。
【００６１】
すなわち、発症確率が高いと推定されていれば、より多くの病変候補が注目されるようにする。つまり、出力処理部２０６の感度を上げる。逆に発症確率が低いと推定されていれば、偽陽性の病変候補を減らすために比較的重要でない病変候補を少なく提示するよう感度を下げる。
【００６２】
出力処理部２０６の処理は処理部２０５の感度と連動して行っても、単独でおこなってもよい。すなわち、処理部２０５の感度を最大に上げて腫瘤影を多く抽出し、出力処理部２０６で、閾値を変化させて擬陽性を低下させることも可能である。また、処理部２０５の感度と連動することも可能である。
【００６３】
ステップＳ３６において、
ステップＳ３２によって検出された病変候補データをステップＳ３５によって病変と認められる基準を満たしていると判断された病変候補データにしぼって出力する。
【００６４】
ここでデータ出力部２０９は、ＣＰＵ１００の制御により、出力先に応じた出力データに変換する。出力先としては、紙・メモリやハードディスクなどの記憶装置・モニタなどがある。
【００６５】
図４に病変候補データの出力例を示す。医用検査データの上に病変候補を指摘するマークが表示され、その隣に画像特徴量や患者属性・経時変化データが表示されている。また病変候補データをモニタなどの表示デバイスに出力する場合にはポップアップ形式で表示してもよいし、別ウィンドウで表示しても良い。
【００６６】
次に、図５を参照して、以上述べた処理方法変更部２０７で実行されるステップＳ３３の病変候補の大きさの予測方法を説明する。予測される大きさは、履歴記録部２０８に被検者の履歴として記録され、次回の診断処理に用いられたり、次回の診断時期の決定に用いられる。
【００６７】
ここでは、腫瘤を例として、その大きさと成長速度によって予測する方法を説明する。ここで、腫瘤の大きさは最長径を用いる。
【００６８】
ステップＳ５１において、
現在の胸部画像データからステップＳ３２で検出された腫瘤を取得し、腫瘤の最長径を算出する。
【００６９】
ステップＳ５２において、
被検者の過去の胸部画像データまたは過去の診断レポートに、ステップＳ５１で取得された腫瘤に対応する病変の記述があるかどうかを調べる。すでに過去にもその病変があったなら、処理はステップＳ５３へ進む。
【００７０】
ステップＳ５１で検出された病変候補は今回の検診ではじめた検出されたのであれば、処理はステップＳ５５へ進む。
【００７１】
ステップＳ５３において、
腫瘤の過去の情報を履歴記録部２０８から取得する。取得する情報は、大きさ（この場合は最長径）、症例の診断、その信頼度等が挙げられる。その情報は過去の診断レポートに記述がなければ、診断処理部２０４にて算出してもよい。
【００７２】
ステップＳ５４において、
対応する現在の腫瘤の最長径値と、過去の最長径値と過去の検診からの期間によって成長速度を以下の式によって算出する。ここでは、例として下記式を挙げたが、その式に限定せず、たとえば部位に応じてウエイトや、調整項を追加した式のように、医学の分野で認められる成長速度を算出するその他の方法でもよい。
【００７３】
ＶＣ＝（ＭＲｐｒｅｓｅｎｔ−ＭＲｐａｓｔ）／ｔただし、ＶＣは成長速度、ＭＲｐｒｅｓｅｎｔは腫瘤の現在の最長径値、ＭＲｐａｓｔは過去に検査を行ったときの対応する腫瘤の最長径値、ｔは過去の検査から経過した時間である。
【００７４】
ステップＳ５５において、
検出された腫瘤の過去の情報がなければ、医学分野で経験的に知られている腫瘤の成長速度の値を利用する。もちろん、被検者のその他の検査データや、過去の症例などの情報に応じて腫瘤の成長速度を導く式や、方法なども利用してもよい。
【００７５】
ステップＳ５６において、
履歴記録部２０８に記録されている被検者の次の検診予定日（検診次期）を取得し、現在の腫瘤の大きさと、成長速度と、次回の検診までの日数を元に次の検診時での腫瘤の大きさを推定する。大きさの推定方法として、たとえば以下の式がある。ただし、その式に限定することなく、医学知識として表にまとめている経験値に応じて大きさを推定してもよい。
【００７６】
ＭＲｆｕｔｕｒｅ＝ＭＲｐｒｅｓｅｎｔ＋ＶＣ＊ｔｆただし、ＭＲｆｕｔｕｒｅは次の予定されている検診の時の腫瘤の大きさの予測、ｔｆは、次の予定検診までの時間。
【００７７】
ステップＳ５７において、
ステップＳ５６で算出した、次回の検診時での腫瘤の大きさの予測を、医学ガイドラインと比較して、発症確率を推定する。たとえば、腫瘤の大きさが５ｍｍ未満であると予測されれば、発症確率は低いと判断できる。そして、腫瘤の大きさが１０ｍｍ以上になるとの予測があれば、発症確率は高いと判断できる。
【００７８】
以上、図５に示すような処理で次期検診時の病変の大きさを予測し、その情報を用いて処理方法変更部２０７によって発症確率を推定することができる。
【００７９】
今回は大きさを表すために、腫瘤の最長径を用いて説明したが、腫瘤の容積を用いるなど，腫瘤の大きさと成長速度を表すことが可能であれば上記に限らない。
【００８０】
次に、ステップＳ３２の発症確率を推定する方法として医学的重要度を用いた例を説明する。
【００８１】
処理方法変更部２０７は、処理部２０５によって取得された病変候補の医学的重要度に応じて発症確率を推定する。または、病変候補の医学的重要度の経過変化に応じて発症確率も推定できる。
【００８２】
ここで、処理方法変更部２０７において算出する医学的重要度Ｉについて説明する。
【００８３】
医学的重要度Ｉは、以下のように定義することができる。
Ｉ＝Ａ＊Ｂ＊Ｃ
ただし、
Ａ：重要疾病度 （異種疾病間の相対的な重篤度）
Ｂ：進行度（病期） （同種疾病内の重篤度）
Ｃ：関連疾病度
とする。
【００８４】
例えば処理部２０５において複数種の疾病を検出する場合には、検査目的に応じて下記のように病変ごとの関連疾病度Ｃが設定される。すなわち、
【００８５】
【数２】
となる。
【００８６】
ここで重要疾病度Ａ、進行度Ｂの例を図６に示す。例えば肺癌の経過観察の場合に、処理部２０５により病変候補として肺野の悪性腫瘍（０期）が１個検出されたとすると、悪性腫瘍に関する医学的重要度ＩＣは
ＩＣ＝１０＊２＊１＝２０
次に、発症確率を推定するために、患者が、過去にあった対応する病変の医学的重要度と比較する。履歴記録部２０８から、過去の検査において同じ腫瘍が良性腫瘍と判断されていたならば、その過去の医学的重要度ＩＰは
ＩＰ＝５＊２＊１＝１０
となる。すなわち、ある期間以内に医学的重要度が上昇しているので、発症確率は高いと推定する。または、医学的重要度が変化していなくても、一定期間にある値以上の値を維持していれば、発症確率は高いと推定する。
【００８７】
さらに、以上に述べた医学的重要度の変化による発症確率の推定には、医学的研究によって集められた症例から作られた表（医学的重要度、医学的重要度の変化、期間）を利用することも可能である。
【００８８】
なお、ここで述べた医学的重要度の内容はあくまで一例であり、本実施例における定義に限定されるものではない。たとえば、医学重要度による発症確率を推定する時に、スクリーニング、精密検査、経過観察の検査目的情報を考慮してもよい。
【００８９】
次に、病変候補の病変としての確率（確信度と呼ぶ場合もある）を用いて発症確率を推定する方法を説明する。
【００９０】
ここでは、病変候補の病変としての確率を算出する方法として、類似画像検索による病変候補の検出が挙げられる。図７を参照しながら、類似画像検索の処理の手順を説明する。
【００９１】
ステップＳ７１において、
処理部２０５では医用検査データの処理を行い、画像特徴量を算出する。画像特徴量としては、たとえば一般的な画像処理から得られる輝度分布、画像中の注目領域の２Ｄや３Ｄ特徴量等がある．また、「ｓｈａｐｅ ｉｎｄｅｘ」値と「ｃｕｒｖｅｄｎｅｓｓ」値を用いても良い。
【００９２】
ステップＳ７２において、
処理部２０５で算出された画像の特徴量を用いて症例データベース２０２を検索して、近い特徴量を持つ画像の症例を取得する。またあら予め特徴量に症例を関連付け保存しておき、症例付きの特徴量から症例の情報を取得する。
【００９３】
ステップＳ７３において、
検索された画像を、特徴量が近い順に並べて、一番似ている画像の順にその画像の類似度を算出する。ここでは、類似度の例として、検索に用いた特徴空間での参照画像と類似画像との正規化された特徴ベクトルの内積値を用いる。つまり、特徴空間上では、参照画像と類似画像の特徴量が近ければ近いほど両画像が似ているということになる。なお、ここで述べた類似度の算出方法はあくまで一例であり、本実施例における方法に限定されるものではない。
【００９４】
ステップＳ７４において、
検索された画像の症例、又は画像から得られた特徴量に関連つけられている所見を取得する。所見には上述の医学的重要度を求めるための各要素Ａ，Ｂ，Ｃがつけられている。例えば、癌であっても進行速度の速い癌、転移性の高い癌などは悪性であり、医学的な重要度が高くなる。また、選択された症例には、パターンマッチで選択された場合の、その症例の確信度を取得する。ここで確信度は、たとえば複数の医者がこの症例を診断した時の症例が悪性である確率を示す。また、識別関数で症例判断したときの正解率（医師の所見と識別関数の出力所見の一致する確立）を統計値としての確信度としてもよい。次に、得られた類似度と症例の確信度を元に病変類似度の変化Ｔを、以下のように定義する。
【００９５】
Ｔ＝Ｓｐｒｅｓｅｎｔ＊Ｃｐｒｅｓｅｎｔ−Ｓｐａｓｔ＊Ｃｐａｓｔ
ただし、
Ｓｐｒｅｓｅｎｔ：現在の検査で得られた類似度
Ｃｐｒｅｓｅｎｔ：現在の検査で得られた確信度
Ｓｐａｓｔ：履歴記録部に記録された患者の過去にあった対応する症例の類似度Ｃｐａｓｔ：履歴記録部に記録された患者の過去にあった対応する症例の確信度そして、上記のＴがある期間以内に上昇していたら、発症確率は高いと推定する。
【００９６】
上記以外にも、病変候補の確率を算出するために、たとえばサポートベクトルマシーンや、その他のパターン認識で用いられる識別器を利用することも可能であり、上記の類似度を利用した方法に限らない。
【００９７】
以上のように、第１の実施形態によれば、患者の履歴を考慮することにより、診断支援の感度調整が可能になり、読影医の負荷を軽減することができる。その結果、見落としや不要な生検が低減するため、患者の負荷も軽減することができる。
【００９８】
（第二実施例）
第１の実施形態においては、患者の発症確率により診断支援の感度を調整することを説明したが、医用検査データ取得装置から得られる検査データは標準的なパラメータで取得されたと仮定していた。
【００９９】
第２の実施形態では、患者の発症確率に応じた医用検査データ取得装置の取得パラメータの変更について述べる。
【０１００】
医用検査データ取得装置の種類にも依存するが、取得された検査データの鮮明さをあげようとすると、患者の負荷（検査の侵襲性）もあがる場合がある。たとえば、Ｘ線ＣＴ装置の場合は、Ｘ線管の電圧や電量を減らして患者の被爆量を抑えようとすると、得られる断面画像のノイズが増える。または、Ｘ線管（Ｘ線源）の線量を減らさずに患者への全体の被爆量を減らす方法としてベッドの移動速度あげることも考えられるが、断面画像間の間隔が大きくなり、病変は断面画像から外れて写さない可能性がある。
【０１０１】
本実施例では、第１実施例で算出された患者の発症確率に応じて医用検査データ取得装置の取得パラメータの変更を行う。
【０１０２】
Ｘ線ＣＴ装置において、発症確率が低いと判断された場合、Ｘ線源からの線量を落としたり、または断面間隔を大きくしたりする。一方、発症確率が高いと判断された場合、より鮮明な医用画像を得るためにＸ線量を増やしたり、断面間隔を小さくしたりする。
【０１０３】
または、特定の部位での発症確率が高ければ、その部位だけ撮影を鮮明に行なったり、その他の部位をより負荷の少ない方法で検査することも可能である。
【０１０４】
または、検査データの算出アルゴリズムの変更も考えられる。Ｘ線ＣＴ装置の場合では、再構成アルゴリズムを変えられるので、発症確率が高い場合は遅くてもより鮮明な画像が得られるアルゴリズムを選んだり、発症確率が低い場合は早いアルゴリズムを選択したりしても良い。
【０１０５】
また、ＭＲＩ用の造影剤の量などの取得パラメータを調整してもよい。
【０１０６】
さらに、発症確率は、医用検査データ取得装置の選定にも使える。たとえば、発症確率が高いと推定された場合、その症例の検査によりふさわしい検査（例：ＰＥＴ）を行うことも可能である。
【０１０７】
以上のように、第２の実施形態によれば、患者の履歴から推定された発症確率に応じて、検査装置の取得パラメータを調整することで、その症例の特徴をより詳細に取得することができる。
【０１０８】
（第３実施例）
第２の実施形態においては、患者の発症確率により医用検査データ取得装置の取得パラメータを変更することで、発症確率の高い病変をより正確に検出できることを説明した。
【０１０９】
ただし、最終診断は読影医または主治医など、診断をする資格をもつ医者が行うので、診断を確定するために、画像診断支援装置は病変候補の情報以外に、病変を候補にした基準の情報も提示する必要がある。
【０１１０】
ここで、画像診断支援装置１は検出された病変候補の関連情報と読影レポートと一緒に、患者の発症確率や感度パラメータの変更（変更されたパラメータ、その値、または変更されたアルゴリズム）とその理由と根拠を医者に提示する。
【０１１１】
または、結果出力方法として、紙媒体の読影レポートのほかに読影に利用する端末の画面に表示しても、またはその他の提示方法でも良い。
【０１１２】
以上のように、第３の実施形態によれば、診断レポートと一緒に感度パラメータの発症確率や変更情報を提示することで、より正確な診断を行うことができる。また、医者は患者の健康をよりよく把握することもでき、その情報の管理も可能になる。
【０１１３】
（その他の実施例）
本発明の目的は、前述した実施形態の機能を実現するプログラムを記憶したコンピュータ読み取り可能な記憶媒体を、システムあるいは装置に供給する。そして、そのシステムあるいは装置のコンピュータ（またはＣＰＵやＭＰＵ）が記憶媒体に格納されたプログラムコードを読出し実行することによっても、達成されることは言うまでもない。
【０１１４】
この場合、記憶媒体から読出されたプログラムコード自体が前述した実施形態の機能を実現することになり、そのプログラムコードを記憶した記憶媒体は本発明を構成することになる。
【０１１５】
プログラムコードを供給するための記憶媒体としては、例えば、フロッピディスク、ハードディスク、光ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、ＣＤ−Ｒ、磁気テープ、不揮発性のメモリカード、ＲＯＭなどを用いることができる。
【０１１６】
また、コンピュータが読出したプログラムコードを実行することにより、前述した実施形態の機能が実現されるだけでなく、そのプログラムコードの指示に基づき、コンピュータ上で稼働しているＯＳ（オペレーティングシステム）などが実際の処理の一部または全部を行う。そしてい、その処理によって前述した実施形態の機能が実現される場合も含まれることは言うまでもない。
【０１１７】
さらに、記憶媒体から読出されたプログラムコードが、コンピュータに挿入された機能拡張ボードやコンピュータに接続された機能拡張ユニットに備わるメモリに書込まれた後、そのプログラムコードの指示に基づき、その機能拡張ボードや機能拡張ユニットに備わるＣＰＵ１００などが実際の処理の一部または全部を行い、その処理によって前述した実施形態の機能が実現される場合も含まれることは言うまでもない。
【０１１８】
なお、上述した本実施の形態における記述は、本発明に係る好適な診断支援装置の一例であり、本発明はこれに限定されるものではない。
【符号の説明】
【０１１９】
２０２ 症例データベース
２０３ 医学知識データベース
２０４ 診断支援処理部
２０５ 処理部
２０６ 出力処理部
２０７ 処理方法変更部
２０８ 履歴記録部
【特許請求の範囲】
【請求項１】
被検者のデータから病変に関する情報を取得して、前記病変の医学的重要度を求める診断支援処理手段と、
病変部の特徴量と所見を関連付け保存する症例データベースと、を備え、
前記診断支援処理手段は、抽出した病変部から特徴量を算出し、前記症例データベースに保存される症例付きの特徴量の類似度から、病変部の医学的重要度を求めることを特徴とする診断支援装置。
【請求項２】
前記症例データベースには、異種疾病間の相対的な重篤度である重要疾病度をＡ、進行度をＢ、関連疾病度をＣとして保存しており、
前記診断支援処理手段は、医学的重要度ＩをＩ＝Ａ＊Ｂ＊Ｃなる式から算出することを特徴とする請求項１に記載の診断支援装置。
【請求項３】
前記被検者の検査履歴に応じて、前記診断支援処理手段において処理対象となる病変部の大きさを変更する変更手段を更に備えることを特徴とする請求項１又は２に記載の診断支援装置。
【請求項４】
前記変更手段は、記憶手段に記憶される前記被検者の病変部の大きさと、該病変部が撮像された日から検査日までの経過時間に応じて処理対象となる病変部の大きさを算出して、前記診断支援処理手段の処理方法として、処理対象となる病変部の大きさを変更することを特徴とする請求項３に記載の診断支援装置。
【請求項５】
前記変更手段は、
前記被検者の検査履歴に応じて病変の発症確率を計算し、該発症確率に応じて前記診断支援処理手段の処理方法を変更することを特徴とする請求項３又は４に記載の診断支援装置。
【請求項６】
前記変更手段は、
診断支援処理手段で用いられる処理関数のパラメータ、処理関数のアルゴリズム、または処理関数の出力値の閾値を変更することを特徴とする請求項３から５のいずれか一項に記載の診断支援装置。
【請求項７】
さらに、被検者からデータを取得する医用検査データ取得装置を有し、
前記変更手段は、前記医用検査データ取得装置の取得パラメータを変更する
ことを特徴とする請求項３から６のいずれか一項に記載の診断支援装置。
【請求項８】
さらに、データ出力手段を有し、
前記診断支援処理手段の処理方法の変更情報、又は前記診断支援処理手段の処理結果を出力することを特徴とする請求項１から７のいずれか一項に記載の診断支援装置。
【請求項９】
被検者のデータから病変に関する情報を取得して、前記病変の医学的重要度を求める診断支援処理手段と、
病変部の特徴量と所見を関連付け保存する症例データベースと、を備えた診断支援装置の制御方法であって、
前記診断支援処理手段が、抽出した病変部から特徴量を算出する工程と、
前記症例データベースに保存される症例付きの特徴量の類似度から、病変部の医学的重要度を求める工程と、
を備えることを特徴とする診断支援装置の制御方法。
【請求項１０】
請求項９に記載の診断支援装置の制御方法をコンピュータに実行させるプログラム。
【請求項１１】
請求項１０に記載のプログラムを記憶したコンピュータ読み取り可能な記憶媒体。
【請求項１】
被検者のデータから病変に関する情報を取得して、前記病変の医学的重要度を求める診断支援処理手段と、
病変部の特徴量と所見を関連付け保存する症例データベースと、を備え、
前記診断支援処理手段は、抽出した病変部から特徴量を算出し、前記症例データベースに保存される症例付きの特徴量の類似度から、病変部の医学的重要度を求めることを特徴とする診断支援装置。
【請求項２】
前記症例データベースには、異種疾病間の相対的な重篤度である重要疾病度をＡ、進行度をＢ、関連疾病度をＣとして保存しており、
前記診断支援処理手段は、医学的重要度ＩをＩ＝Ａ＊Ｂ＊Ｃなる式から算出することを特徴とする請求項１に記載の診断支援装置。
【請求項３】
前記被検者の検査履歴に応じて、前記診断支援処理手段において処理対象となる病変部の大きさを変更する変更手段を更に備えることを特徴とする請求項１又は２に記載の診断支援装置。
【請求項４】
前記変更手段は、記憶手段に記憶される前記被検者の病変部の大きさと、該病変部が撮像された日から検査日までの経過時間に応じて処理対象となる病変部の大きさを算出して、前記診断支援処理手段の処理方法として、処理対象となる病変部の大きさを変更することを特徴とする請求項３に記載の診断支援装置。
【請求項５】
前記変更手段は、
前記被検者の検査履歴に応じて病変の発症確率を計算し、該発症確率に応じて前記診断支援処理手段の処理方法を変更することを特徴とする請求項３又は４に記載の診断支援装置。
【請求項６】
前記変更手段は、
診断支援処理手段で用いられる処理関数のパラメータ、処理関数のアルゴリズム、または処理関数の出力値の閾値を変更することを特徴とする請求項３から５のいずれか一項に記載の診断支援装置。
【請求項７】
さらに、被検者からデータを取得する医用検査データ取得装置を有し、
前記変更手段は、前記医用検査データ取得装置の取得パラメータを変更する
ことを特徴とする請求項３から６のいずれか一項に記載の診断支援装置。
【請求項８】
さらに、データ出力手段を有し、
前記診断支援処理手段の処理方法の変更情報、又は前記診断支援処理手段の処理結果を出力することを特徴とする請求項１から７のいずれか一項に記載の診断支援装置。
【請求項９】
被検者のデータから病変に関する情報を取得して、前記病変の医学的重要度を求める診断支援処理手段と、
病変部の特徴量と所見を関連付け保存する症例データベースと、を備えた診断支援装置の制御方法であって、
前記診断支援処理手段が、抽出した病変部から特徴量を算出する工程と、
前記症例データベースに保存される症例付きの特徴量の類似度から、病変部の医学的重要度を求める工程と、
を備えることを特徴とする診断支援装置の制御方法。
【請求項１０】
請求項９に記載の診断支援装置の制御方法をコンピュータに実行させるプログラム。
【請求項１１】
請求項１０に記載のプログラムを記憶したコンピュータ読み取り可能な記憶媒体。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【公開番号】特開２０１３−１０００９（Ｐ２０１３−１０００９Ａ）
【公開日】平成２５年１月１７日（２０１３．１．１７）
【国際特許分類】
【出願番号】特願２０１２−２２１４７５（Ｐ２０１２−２２１４７５）
【出願日】平成２４年１０月３日（２０１２．１０．３）
【分割の表示】特願２００７−２７１３００（Ｐ２００７−２７１３００）の分割
【原出願日】平成１９年１０月１８日（２００７．１０．１８）
【出願人】（０００００１００７）キヤノン株式会社 (59,756)
【Ｆターム（参考）】
【公開日】平成２５年１月１７日（２０１３．１．１７）
【国際特許分類】
【出願日】平成２４年１０月３日（２０１２．１０．３）
【分割の表示】特願２００７−２７１３００（Ｐ２００７−２７１３００）の分割
【原出願日】平成１９年１０月１８日（２００７．１０．１８）
【出願人】（０００００１００７）キヤノン株式会社 (59,756)
【Ｆターム（参考）】
[ Back to top ]