類似症例検索装置および読影知識抽出装置
【課題】類似画像検索に読影者の着目点を反映させる。
【解決手段】読影対象画像から複数の画像特徴量を抽出する画像特徴抽出部１６０と、対象読影レポートから対象疾病名を抽出するレポート解析部１５０と、画像特徴量の組合せごとに、読影項目を介した各画像特徴量と対象疾病名との間の関連性を示す二項間関係情報を用い、画像特徴抽出部１６０が抽出した画像特徴量ごとに、当該画像特徴量と対象疾病名との間の関連性が高いほど大きな値の重みを決定する重み決定部１７０と、画像特徴抽出部１６０で抽出された複数の画像特徴量と、症例データベースに登録されている症例データに含まれる医用画像から抽出される複数の画像特徴量とを、重み決定部１７０で決定された画像特徴量毎の重みで重み付けして比較することにより、読影対象画像に類似する医用画像を含む症例データを症例データベースより検索する類似症例検索部１８０とを備える。
【解決手段】読影対象画像から複数の画像特徴量を抽出する画像特徴抽出部１６０と、対象読影レポートから対象疾病名を抽出するレポート解析部１５０と、画像特徴量の組合せごとに、読影項目を介した各画像特徴量と対象疾病名との間の関連性を示す二項間関係情報を用い、画像特徴抽出部１６０が抽出した画像特徴量ごとに、当該画像特徴量と対象疾病名との間の関連性が高いほど大きな値の重みを決定する重み決定部１７０と、画像特徴抽出部１６０で抽出された複数の画像特徴量と、症例データベースに登録されている症例データに含まれる医用画像から抽出される複数の画像特徴量とを、重み決定部１７０で決定された画像特徴量毎の重みで重み付けして比較することにより、読影対象画像に類似する医用画像を含む症例データを症例データベースより検索する類似症例検索部１８０とを備える。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、医用画像の読影に参考となる類似症例を検索するための類似症例検索装置および類似症例の検索時に用いられる読影知識を抽出するための読影知識抽出装置に関する。
【背景技術】
【０００２】
近年、ＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）、ＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）等の医用画像装置の発達および普及によりデジタル化された高精細医用画像が大容量で取得可能になっている。また、医師により読影済の医用画像は読影レポートと共にＰＡＣＳ（Ｐｉｃｔｕｒｅ Ａｒｃｈｉｖｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍｓ）に順次蓄積されつつある。ここで、新たな読影の参考とするため、読影対象の医用画像と類似した過去の医用画像を、蓄積済の過去症例から検索する技術が開発され始めている。
【０００３】
類似画像検索には画像間の類似度を決定する画像特徴量の選択が重要であるが、従来の画像検索装置として次のような技術が開示されている。
【０００４】
医用画像間の類似度を決定するための画像特徴量は疾病の種類、疾病の進行度、または疾病の重症度、等により異なるべきであるが、従来の医用画像類似検索ではそれらの状況に関わらず同じ画像特徴量を使用していることが課題として存在していた。非特許文献１は、解決手段として、“ｃｕｓｔｏｍｉｚｅｄ−ｑｕｅｒｉｅｓ” ａｐｐｒｏａｃｈ（ＣＱＡ）という２ステップの検索法を提案している。これは、第一ステップにて、疾病の種類、疾病の進行度または疾病の重症度、等のクラスを最も良好に分類できる画像特徴量を用いて、クエリ画像を分類する。第二ステップにて、分類結果となったクラスに含まれる症例をさらに細分類するために最適化された画像特徴量を用いて、類似画像を検索する。このとき、クラス毎に最適な画像特徴量は教師なし学習（ｕｎｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）により事前に求めておく。また、同文献では、ＣＱＡを肺ＣＴ画像に対して適用し、従来の１種類の画像特徴量を用いた類似画像検索よりも、検索再現率を向上させている。
【先行技術文献】
【非特許文献】
【０００５】
【非特許文献１】Ｊｅｎｎｉｆｅｒ Ｇ．Ｄｙ ｅｔ ａｌ． “Ｕｎｓｕｐｅｒｖｉｓｅｄ Ｆｅａｔｕｒｅ Ｓｅｌｅｃｔｉｏｎ Ａｐｐｌｉｅｄ ｔｏ Ｃｏｎｔｅｎｔ−ｂａｓｅｄ Ｒｅｔｒｉｅｖａｌ ｏｆ Ｌｕｎｇ Ｉｍａｇｅｓ”， ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ｖｏｌ．２５， ｎｏ．３， Ｍａｒｃｈ ２００３
【発明の概要】
【発明が解決しようとする課題】
【０００６】
しかしながら、前記従来の構成では、識別された疾病の種類、疾病の進行度または疾病の重症度、等により画像特徴量（即ち、類似基準）が決定され、決定された画像特徴量を用いて類似画像が検索されるだけであり、読影対象の医用画像に対する読影者の着目点を反映した類似画像検索にはなっていない。即ち、読影者が下した診断の裏づけや読影者が迷っている診断への補助にはなりにくいという課題を有している。
【０００７】
本発明は前記課題を解決するもので、読影者の着目点を類似画像検索に反映させた類似症例検索装置を提供することを目的とする。
【０００８】
また、読影者の着目点を類似画像検索に反映させた類似症例検索において用いられる読影知識を抽出するための読影知識抽出装置を提供することも目的とする。
【課題を解決するための手段】
【０００９】
前記従来の課題を解決するために、本発明のある局面に係る類似症例検索装置は、医用画像と当該医用画像を読影した結果が記載された文書データである読影レポートとを含む症例データに類似する症例データを症例データベースより検索する類似症例検索装置であって、前記読影レポートは、（ａ）医用画像の特徴を示す文字列である読影項目および（ｂ）医用画像に基づく読影者の診断結果である疾病名のうち少なくとも疾病名を含み、前記類似症例検索装置は、読影対象の医用画像である読影対象画像から複数の画像特徴量を抽出する画像特徴抽出部と、前記読影対象画像に対する読影レポートである対象読影レポートから疾病名を抽出するレポート解析部と、読影知識データベースに基づいて、画像特徴量毎の重みを決定する重み決定部と、前記画像特徴抽出部で抽出された前記複数の画像特徴量と、症例データベースに登録されている症例データに含まれる医用画像から抽出される複数の画像特徴量とを、前記重み決定部で決定された画像特徴量毎の重みで重み付けして比較することにより、前記読影対象画像に類似する医用画像を含む症例データを前記症例データベースより検索する類似症例検索部とを備え、前記読影知識データベースは、医用画像から抽出される各画像特徴量と各読影項目との間の関連性を予め定めた第１の二項間関係情報と、各読影項目と各疾病名との間の関連性を予め定めた第２の二項間関係情報と、各画像特徴量と各疾病名との間の関連性を予め定めた第３の二項間関係情報と、疾病名ごとに、疾病名と関連性が高い画像特徴量の組合せが複数存在するか否かを示す存否情報とを含み、前記重み決定部は、前記読影知識データベースに含まれる前記存否情報に基づいて前記レポート解析部が抽出した疾病名である対象疾病名と関連性が高い画像特徴量の組合せが複数存在すると判断できる場合に、画像特徴量の組合せごとに、前記知識データベースに含まれる前記第１の二項間関係情報および前記第２の二項間関係情報から算出される、読影項目を介した各画像特徴量と前記対象疾病名との間の関連性を示す第４の二項間関係情報を、前記第３の二項間関係情報に代えて用い、前記画像特徴抽出部が抽出した画像特徴量ごとに、当該画像特徴量と前記対象疾病名との間の関連性が高いほど大きな値の重みを決定する。
【００１０】
この構成によると、医用画像または読影対象画像から抽出される各画像特徴量について、対象読影レポートに記載されている対象疾病名との間の関連性が高いものほど大きな重みで重み付けを行った上で、重み付けされた画像特徴量同士を比較することにより類似症例を検索している。これにより、対象読影レポートに記入された読影者の着目点を反映した上で、類似症例検索を行うことができる。このとき、対象疾病名と関連性が高い画像特徴量の組合せが複数存在する場合には、画像特徴量の組合せごとに、読影項目を介した画像特徴量と対象疾病名との間の関連性を示す第４の二項間関係情報を用いて、重み付けを行っている。このため、対象疾病名に対して複数種類の画像パターンが存在する場合であっても、それらを区別して類似症例検索を行うことができる。
【００１１】
本発明の他の局面に係る読影知識抽出装置は、医用画像と当該医用画像を読影した結果が記載された文書データである読影レポートとを含む複数の症例データから、読影知識を抽出する読影知識抽出装置であって、前記読影レポートは、（ａ）医用画像の特徴を示す文字列である読影項目または（ｂ）医用画像に基づく読影者の診断結果である疾病名を含み、前記読影知識抽出装置は、前記各症例データに含まれる医用画像から複数の画像特徴量を抽出する画像特徴抽出部と、前記各症例データに含まれる読影レポートから疾病名および読影項目を抽出するレポート解析部と、前記画像特徴抽出部が抽出した各画像特徴量と前記レポート解析部が抽出した各読影項目との間の関連性を定める第１の二項間関係情報と、前記レポート解析部が抽出した各読影項目と前記レポート解析部が抽出した各疾病名との間の関連性を定める第２の二項間関係情報と、前記画像特徴抽出部が抽出した各画像特徴量と前記レポート解析部が抽出した各疾病名との間の関連性を定める第３の二項間関係情報とを、読影知識として抽出する読影知識抽出部と、前記第１の二項間関係情報と、前記第２の二項間関係情報と、前記第３の二項間関係情報とに基づいて、疾病名ごとに疾病名と関連性が高い画像特徴量の組合せが複数存在するか否かを判定する読影知識判定部と、前記第２の二項間関係情報に基づいて、前記読影知識判定部が関連性が高い画像特徴量の組合せが複数存在すると判定した疾病名ごとに、当該疾病名と画像特徴量の組合せとを関連付ける読影項目の組を、画像特徴量の組合せごとに抽出する読影項目抽出部と、を備え、前記読影知識抽出部は、さらに、前記読影項目抽出部が抽出した読影項目の組ごとに、当該読影項目の組と前記画像特徴抽出部が抽出した各画像特徴量との間の関連性を定める二項間関係情報を、前記読影知識判定部が関連性が高いと判定した疾病名と画像特徴量の組合せに含まれる各画像特徴量との間の関連性を示す読影知識である第４の二項間関係情報として抽出する。
【００１２】
この構成によると、１つの疾病名に対して複数種類の画像パターンが存在する場合であっても、第４の二項間関係情報として、画像パターン毎の疾病名と各画像特徴量との間の関連性を抽出することができる。このため、読影者の着目点を類似画像検索に反映させた類似症例検索において用いられる読影知識を抽出することができる。
【００１３】
なお、本発明は、このような特徴的な処理部を備える装置として実現することができるだけでなく、装置に含まれる特徴的な処理部が実行する処理をステップとする方法として実現することができる。また、装置に含まれる特徴的な処理部としてコンピュータを機能させるためのプログラムまたは方法に含まれる特徴的なステップをコンピュータに実行させるプログラムとして実現することもできる。そして、そのようなプログラムを、ＣＤ−ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ−Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等のコンピュータ読取可能な非一時的な記録媒体やインターネット等の通信ネットワークを介して流通させることができるのは、言うまでもない。
【発明の効果】
【００１４】
本発明によれば、読影者の着目点を類似画像検索に反映させた類似症例検索装置を提供することができる。また、読影者の着目点を類似画像検索に反映させた類似症例検索において用いられる読影知識を抽出するための読影知識抽出装置を提供するもできる。
【図面の簡単な説明】
【００１５】
【図１】本発明の実施の形態における類似症例検索装置の構成を示すブロック図
【図２】本発明の実施の形態における読影知識抽出装置の構成を示すブロック図
【図３】本発明の実施の形態における読影知識作成の手順を示すフローチャート
【図４】本発明の実施の形態における画像特徴量抽出の手順を示すフローチャート
【図５】本発明の実施の形態における腹部ＣＴ検査の読影レポートの例を示す図
【図６】本発明の実施の形態における読影レポートから抽出された読影項目および疾病名を示す図
【図７】本発明の実施の形態における読影レポートから抽出された読影項目および疾病名、および、読影項目と同時に抽出された位置と時相の情報を示す図
【図８】本発明の実施の形態における読影レポートから抽出された読影項目および疾病名、および、文脈解釈を行って読影項目と同時に抽出された位置と時相の情報を示す図
【図９】本発明の実施の形態における、読影知識抽出のために取得したデータ一式を示す図
【図１０】本発明の実施の形態における、読影項目と画像特徴量との間の相関関係（二値）の概念図
【図１１】本発明の実施の形態における、読影項目と画像特徴量との間の相関関係（多値）の概念図
【図１２】本発明の実施の形態における、疾病名と画像特徴量との間の相関関係（二値）の概念図
【図１３】本発明の実施の形態における、読影項目と疾病名との間の相関関係（二値）の概念図
【図１４】本発明の実施の形態における、読影知識として抽出した（画像特徴量−読影項目）間の相関関係の格納形式を示す図
【図１５】本発明の実施の形態における、読影知識として抽出した（画像特徴量−疾病名）間の相関関係の格納形式を示す図
【図１６】本発明の実施の形態における、読影知識として抽出した（読影項目−疾病名）間の相関関係の格納形式を示す図
【図１７】疾病名「肝細胞がん」の早期病変領域における画像パターンの違いを示す概念図
【図１８】テキスト特徴量（疾病名「肝細胞がん」）の有無による画像特徴量「早期相における腫瘤内部の輝度平均値」の分布の違いを示す概念図
【図１９】本発明の実施の形態における、画像パターンが複数存在する場合の三項間の相対関係の概念図
【図２０】本発明の実施の形態における、読影知識を追加した場合の（画像特徴量−疾病名）間の相関関係の概念図
【図２１】本発明の実施の形態における読影知識の追加手順を示すフローチャート
【図２２】本発明の実施の形態における読影知識判定処理（図２１のステップＳ３１）の詳細を示すフローチャート
【図２３】本発明の実施の形態における、読影知識の追加後の（画像特徴量−疾病名）間の相関関係の格納形式を示す図
【図２４】本発明の実施の形態における読影項目抽出処理（図２１のステップＳ３２）の詳細を示すフローチャート
【図２５】本発明の実施の形態における、疾病名と相関の高い読影項目の組により事前に抽出された（画像特徴量−疾病名）間の相関関係の格納形式を示す図
【図２６】本発明の実施の形態における、読影項目の抽出のみ行う場合の読影知識の追加手順を示すフローチャート
【図２７】本発明の実施の形態における、疾病名と相関の高い読影項目の組の格納形式を示す図
【図２８】本発明の実施の形態における、疾病名と相関の高い読影項目の組により事前に抽出された（画像特徴量−疾病名）間の相関関係の格納形式を示す図
【図２９】本発明の実施の形態における類似症例検索の手順を示すフローチャート
【図３０】本発明の実施の形態における類似症例検索時の重み付け方法を示す図
【図３１】本発明の実施の形態における類似症例検索時の重み付け方法を示す図
【図３２】本発明の実施の形態における類似症例検索時の重み付け方法を示す図
【図３３】本発明の実施の形態における、（画像特徴量−疾病名）間の相関関係が追加されている場合の重み付け方法を示す図
【図３４】本発明の実施の形態における、（画像特徴量−疾病名）間の相関関係が追加されている場合の重み付け方法を示す図
【図３５】本発明の実施の形態における、（画像特徴量−疾病名）間の相関関係が追加されている場合の重み付け方法を示す図
【図３６】本発明の実施の形態における、（画像特徴量−疾病名）間の相関関係が追加されている場合の重み付け方法を示す図
【発明を実施するための形態】
【００１６】
以下本発明の実施の形態について、図面を参照しながら説明する。なお、以下で説明する実施の形態は、いずれも本発明の好ましい一具体例を示すものである。以下の実施の形態で示される数値、構成要素、構成要素の接続形態、ステップ、ステップの順序などは、一例であり、本発明を限定する主旨ではない。本発明は、特許請求の範囲だけによって限定される。よって、以下の実施の形態における構成要素のうち、本発明の最上位概念を示す独立請求項に記載されていない構成要素については、本発明の課題を達成するのに必ずしも必要ではないが、より好ましい形態を構成するものとして説明される。
【００１７】
本発明のある実施態様に係る類似症例検索装置は、医用画像と当該医用画像を読影した結果が記載された文書データである読影レポートとを含む症例データに類似する症例データを症例データベースより検索する類似症例検索装置であって、前記読影レポートは、（ａ）医用画像の特徴を示す文字列である読影項目および（ｂ）医用画像に基づく読影者の診断結果である疾病名のうち少なくとも疾病名を含み、前記類似症例検索装置は、読影対象の医用画像である読影対象画像から複数の画像特徴量を抽出する画像特徴抽出部と、前記読影対象画像に対する読影レポートである対象読影レポートから疾病名を抽出するレポート解析部と、読影知識データベースに基づいて、画像特徴量毎の重みを決定する重み決定部と、前記画像特徴抽出部で抽出された前記複数の画像特徴量と、症例データベースに登録されている症例データに含まれる医用画像から抽出される複数の画像特徴量とを、前記重み決定部で決定された画像特徴量毎の重みで重み付けして比較することにより、前記読影対象画像に類似する医用画像を含む症例データを前記症例データベースより検索する類似症例検索部とを備え、前記読影知識データベースは、医用画像から抽出される各画像特徴量と各読影項目との間の関連性を予め定めた第１の二項間関係情報と、各読影項目と各疾病名との間の関連性を予め定めた第２の二項間関係情報と、各画像特徴量と各疾病名との間の関連性を予め定めた第３の二項間関係情報と、疾病名ごとに、疾病名と関連性が高い画像特徴量の組合せが複数存在するか否かを示す存否情報とを含み、前記重み決定部は、前記読影知識データベースに含まれる前記存否情報に基づいて前記レポート解析部が抽出した疾病名である対象疾病名と関連性が高い画像特徴量の組合せが複数存在すると判断できる場合に、画像特徴量の組合せごとに、前記知識データベースに含まれる前記第１の二項間関係情報および前記第２の二項間関係情報から算出される、読影項目を介した各画像特徴量と前記対象疾病名との間の関連性を示す第４の二項間関係情報を、前記第３の二項間関係情報に代えて用い、前記画像特徴抽出部が抽出した画像特徴量ごとに、当該画像特徴量と前記対象疾病名との間の関連性が高いほど大きな値の重みを決定する。
【００１８】
この構成によると、医用画像または読影対象画像から抽出される各画像特徴量について、対象読影レポートに記載されている対象疾病名との間の関連性が高いものほど大きな重みで重み付けを行った上で、重み付けされた画像特徴量同士を比較することにより類似症例を検索している。これにより、対象読影レポートに記入された読影者の着目点を反映した上で、類似症例検索を行うことができる。このとき、対象疾病名と関連性が高い画像特徴量の組合せが複数存在する場合には、画像特徴量の組合せごとに、読影項目を介した画像特徴量と対象疾病名との間の関連性を示す第４の二項間関係情報を用いて、重み付けを行っている。このため、対象疾病名に対して複数種類の画像パターンが存在する場合であっても、それらを区別して類似症例検索を行うことができる。
【００１９】
好ましくは、前記重み決定部は、前記読影知識データベースに含まれる前記存否情報に基づいて前記対象疾病名と関連性が高い画像特徴量の組合せが１種類しか存在しないと判断できる場合に前記第３の二項間関係情報を用い、前記画像特徴抽出部が抽出した画像特徴量ごとに、当該画像特徴量と前記対象疾病名との間の関連性が高いほど大きな値の重みを決定する。
【００２０】
本発明の他の実施態様に係る読影知識抽出装置は、医用画像と当該医用画像を読影した結果が記載された文書データである読影レポートとを含む複数の症例データから、読影知識を抽出する読影知識抽出装置であって、前記読影レポートは、（ａ）医用画像の特徴を示す文字列である読影項目または（ｂ）医用画像に基づく読影者の診断結果である疾病名を含み、前記読影知識抽出装置は、前記各症例データに含まれる医用画像から複数の画像特徴量を抽出する画像特徴抽出部と、前記各症例データに含まれる読影レポートから疾病名および読影項目を抽出するレポート解析部と、前記画像特徴抽出部が抽出した各画像特徴量と前記レポート解析部が抽出した各読影項目との間の関連性を定める第１の二項間関係情報と、前記レポート解析部が抽出した各読影項目と前記レポート解析部が抽出した各疾病名との間の関連性を定める第２の二項間関係情報と、前記画像特徴抽出部が抽出した各画像特徴量と前記レポート解析部が抽出した各疾病名との間の関連性を定める第３の二項間関係情報とを、読影知識として抽出する読影知識抽出部と、前記第１の二項間関係情報と、前記第２の二項間関係情報と、前記第３の二項間関係情報とに基づいて、疾病名ごとに疾病名と関連性が高い画像特徴量の組合せが複数存在するか否かを判定する読影知識判定部と、前記第２の二項間関係情報に基づいて、前記読影知識判定部が関連性が高い画像特徴量の組合せが複数存在すると判定した疾病名ごとに、当該疾病名と画像特徴量の組合せとを関連付ける読影項目の組を、画像特徴量の組合せごとに抽出する読影項目抽出部と、を備え、前記読影知識抽出部は、さらに、前記読影項目抽出部が抽出した読影項目の組ごとに、当該読影項目の組と前記画像特徴抽出部が抽出した各画像特徴量との間の関連性を定める二項間関係情報を、前記読影知識判定部が関連性が高いと判定した疾病名と画像特徴量の組合せに含まれる各画像特徴量との間の関連性を示す読影知識である第４の二項間関係情報として抽出する。
【００２１】
この構成によると、１つの疾病名に対して複数種類の画像パターンが存在する場合であっても、第４の二項間関係情報として、画像パターン毎の疾病名と各画像特徴量との間の関連性を抽出することができる。このため、読影者の着目点を類似画像検索に反映させた類似症例検索において用いられる読影知識を抽出することができる。
【００２２】
好ましくは、前記読影知識判定部は、（ａ）前記第３の二項間関係情報から選択される第１の画像特徴量と第１の疾病名との間の関連性を定める第１の相関値と、（ｂ）前記第２の二項間関係情報から選択される前記第１の疾病名と第１の読影項目との間の関連性を定める相関値が相関値閾値以上の前記第１の読影項目について、前記第１の二項間関係情報から選択される前記第１の読影項目と前記第１の画像特徴量との間の関連性を定める第２の相関値との間の差分値を計算し、計算した前記差分値が差分閾値よりも大きい場合に、前記第１の疾病名と関連性が高い画像特徴量の組合せが複数存在すると判定する。
【００２３】
さらに好ましくは、前記読影項目抽出部は、前記読影知識判定部が関連性が高い画像特徴量の組合せが複数存在すると判定した疾病名ごとに、前記第２の二項間関係情報が示す当該疾病名との間の相関値が第１閾値よりも大きい読影項目から作成される全ての読影項目の組のうち、当該疾病名との間の相関値が第２の閾値以上となる読影項目の組を、当該疾病名と前記画像特徴量の組合せとを関連付ける読影項目の組として抽出する。
【００２４】
図１は、本発明の実施の形態における類似症例検索装置の構成を示すブロック図である。
【００２５】
類似症例検索装置は、症例データベース１００と、読影知識データベース１１０と、読影対象画像読込部１２０と、読影対象画像表示部１３０と、レポート入出力部１４０と、レポート解析部１５０と、画像特徴抽出部１６０と、重み決定部１７０と、類似症例検索部１８０と、類似症例表示部１９０とを含む。
【００２６】
症例データベース１００は、ＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）またはＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）等の医用画像（本明細書中では「画像データ」のことを単に「画像」と言う）と、その医用画像を読影した結果である読影レポートとの対から構成される症例データ（以下、単に「症例」と言う。）を複数格納したデータベースである。読影知識データベース１１０は、複数の症例を解析することにより得た読影知識を格納したデータベースである。詳細については後述する。症例データベース１００および読影知識データベース１１０は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）などの記憶装置に記憶される。
【００２７】
読影対象画像読込部１２０は、ＣＴやＭＲＩ等の医用画像撮影装置で撮影された画像を、医用画像撮影装置または外部接続された記憶装置などから読み込む。
【００２８】
読影対象画像表示部１３０は、医療用の高精細モニタ等で構成され、読影対象画像読込部１２０で読み込んだ読影対象画像を表示する。
【００２９】
レポート入出力部１４０は、キーボードやマウスなどの入力装置と、そのような入力装置を用いて入力されたレポートを表示することにより、入力者に確認させるための表示装置とで構成されている。読影者は読影対象画像表示部１３０に表示された読影対象画像を参照しながら、レポート入出力部１４０を通して読影レポートを入力する。
【００３０】
読影対象画像表示部１３０、レポート入出力部１４０、および、後述する類似症例表示部１９０は、読影端末２００を構成する。
【００３１】
レポート解析部１５０は、レポート入出力部１４０で入力された読影レポートを解析し、テキスト特徴量（読影項目および疾病名）を抽出する。
【００３２】
画像特徴抽出部１６０は、読影対象画像読込部１２０で読み込まれた読影対象画像から複数種類の画像特徴量を抽出する。
【００３３】
重み決定部１７０は、レポート解析部１５０で抽出されたテキスト特徴量、画像特徴抽出部１６０で抽出された画像特徴量、および、読影知識データベース１１０に格納された読影知識から、画像検索で使用する複数の画像特徴量に対する重みをそれぞれ決定する。
【００３４】
類似症例検索部１８０は、画像特徴抽出部１６０で抽出された画像特徴量、および、重み決定部１７０で決定された重みを利用して、症例データベース１００から読影対象画像と類似した医用画像を含む症例を検索する。
【００３５】
類似症例表示部１９０は、類似症例検索部１８０で検索された類似症例を表示する。類似症例表示部１９０は、読影対象画像表示部１３０を構成する高精細モニタと同じ機種で別途構成されていてもよく、読影対象画像表示部１３０を構成する高精細モニタに読影対象画像と類似症例を同時に表示してもよい。なお、類似症例表示部１９０と読影対象画像表示部１３０との機種は異なっていても良い。
【００３６】
図２は、本発明の実施の形態における読影知識抽出装置の構成を示すブロック図である。
【００３７】
読影知識抽出装置は、レポート解析部２５０と、画像特徴抽出部２６０と、読影知識抽出部２１０と、読影知識判定部２２０と、読影項目抽出部２３０と、症例データベース１００と、読影知識データベース１１０とを備える。
【００３８】
症例データベース１００および読影知識データベース１１０は、図１に示したものと同様の構成を有する。
【００３９】
レポート解析部２５０は、症例データベース１００から読み込まれた読影レポートを解析し、テキスト特徴量を抽出する。レポート解析部２５０は、読影レポートを読み込む先が異なる以外はレポート解析部１５０と同じである。
【００４０】
画像特徴抽出部２６０は、症例データベース１００から読み込まれた読影対象画像から複数種類の画像特徴量を抽出する。画像特徴抽出部２６０は、読影対象画像を読み込む先が異なる以外は、画像特徴抽出部１６０と同じである。
【００４１】
読影知識抽出部２１０、読影知識判定部２２０、読影項目抽出部２３０は読影知識の抽出および読影知識の追加のための処理部である。
【００４２】
読影知識抽出部２１０は、症例データベース１００に格納された複数の症例を解析することにより得られる読影知識を、読影知識データベース１１０に格納する。
【００４３】
読影知識判定部２２０は、読影知識データベース１１０に格納された読影知識を読み込み、読影知識の中で、読影知識を追加する対象（疾病名）を決定する。
【００４４】
読影項目抽出部２３０は、読影知識を追加する対象（疾病名）について相関関係を解析し、読影知識の追加に使用する読影項目の組を抽出する。読影知識追加時には、読影知識抽出部２１０は、読影項目抽出部２３０で抽出された読影項目の組を用いて複数の症例を解析することにより、新たな読影知識を獲得し、読影知識データベース１１０に格納する。これら読影知識の抽出と追加については詳細については後述する。
【００４５】
以後、本発明の各部の動作について詳細に説明する。
【００４６】
＜読影知識データベースの事前作成＞
類似症例検索を行うに当たり、事前に読影知識を得て、読影知識データベース１１０に格納しておく。読影知識は、医用画像とその医用画像を読影した結果である読影レポートとの対から構成される“症例”を複数集めたものから得られる。症例として、類似症例検索時にその中から類似症例を検索するための症例データベース１００に格納されたものを用いてもよいし、他のデータベースに格納されたものを用いてもよい。図２には、症例データベース１００に格納された症例から読影知識を抽出する場合の構成について示す。このとき、読影知識抽出部２１０は、レポート解析部２５０で各症例から抽出されたテキスト特徴量と、画像特徴抽出部２６０で各症例から抽出された画像特徴量とを解析し、読影知識を抽出する。ここで、必要な症例数は、種種のデータマイニングアルゴリズムを用いて何らかの法則性および知識を得るために十分となる数である。通常は数百〜数万個のデータが用いられる。本実施の形態では、読影知識として、（１）画像特徴量、（２）読影項目、（３）疾病名の三項のうちの各二項間の相関関係を用いる。
【００４７】
（１）画像特徴量
「画像特徴量」としては、医用画像における臓器もしくは病変部分の形状に関するもの、または輝度分布に関するものなどがある。画像特徴量として、例えば、非特許文献：「根本，清水，萩原，小畑，縄野，“多数の特徴量からの特徴選択による乳房Ｘ線像上の腫瘤影判別精度の改善と高速な特徴選択法の提案”，電子情報通信学会論文誌Ｄ−ＩＩ，Ｖｏｌ．Ｊ８８−Ｄ−ＩＩ，Ｎｏ．２，ｐｐ．４１６−４２６，２００５年２月」に４９０種類の特徴量を用いることが記載されている。本実施の形態においても、医用画像の撮像に使用した医用画像撮影装置（モダリティ）または読影の対象臓器ごとに予め定めた数十〜数百種の画像特徴量を用いる。
【００４８】
（２）読影項目
「読影項目」とは、「読影医が、読影対象の画像の特徴を言語化した文字列」と定義する。使用する医用画像撮影装置または対象臓器等により、読影項目として使用される用語はほぼ限定される。例えば、分葉状、棘状、不整形、境界明瞭、輪郭不明瞭、低濃度、高濃度、低吸収、高吸収、スリガラス状、石灰化、モザイク状、早期濃染、低エコー、高エコー、毛羽立ち、等がある。
【００４９】
（３）疾病名
「疾病名」とは、医師（読影者）が医用画像やその他の検査を基に診断した疾病名のことである。読影時の診断疾病名とその他の検査を経て確定診断した疾病名とは異なることがあるが、読影知識データベースを作成する際は、確定診断の結果を用いる。
【００５０】
以下、図３のフローチャートを用いて読影知識作成の手順を説明する。本実施の形態で対象とする、つまり使用する医用画像撮影装置はマルチスライスＣＴとし、対象臓器および疾病は、それぞれ肝臓および肝腫瘤とする。
【００５１】
ステップＳ１０では、読影知識を得るための症例が格納されたデータベースから症例を１つ取得する。ここで読影知識を得るための症例の総数をＣ個とする。１つの症例は、医用画像とその医用画像を読影した結果である読影レポートとの対で構成されている。医用画像がマルチスライスＣＴ装置により取得された場合、１つの症例は多数枚のスライス画像を含むことになる。また、通常、マルチスライスＣＴ画像を医師が読影する場合、重要なスライス画像１〜数枚を、キー画像として読影レポートに添付する。以後、多数枚のスライス画像集合、あるいは、数枚のキー画像を単に「医用画像」、「画像」と呼ぶこともある。
【００５２】
ステップＳ１１では、医用画像から画像特徴量を抽出する。ステップＳ１１の処理を、図４のフローチャートを用いて詳細に説明する。
【００５３】
ステップＳ１１１では、対象臓器の領域を抽出する。本実施の形態では肝臓領域を抽出する。肝臓領域抽出法として、例えば、非特許文献：「田中，清水，小畑，“異常部位の濃度パターンを考慮した肝臓領域抽出手法の改良＜第二報＞”，電子情報通信学会技術研究報告，医用画像，１０４（５８０），ｐｐ．７−１２，２００５年１月」等の手法を用いることができる。
【００５４】
ステップＳ１１２では、ステップＳ１１１で抽出された臓器領域から病変領域を抽出する。本実施の形態では肝臓領域から腫瘤領域を抽出する。肝腫瘤領域抽出法として、例えば、非特許文献：「中川、清水，一杉，小畑，“３次元腹部ＣＴ像からの肝腫瘤影の自動抽出手法の開発＜第二報＞”，医用画像，１０２（５７５），ｐｐ．８９−９４，２００３年１月」等の手法を用いることができる。ここで、ｉ番目の症例における画像から抽出した腫瘤の数をＭｉとすると、腫瘤は（症例番号，腫瘤番号）の組（ｉ，ｊ）で特定できる。ここで、１≦ｉ≦Ｃ，１≦ｊ≦Ｍｉである。また本実施の形態では病変として肝腫瘤を対象としているため、“腫瘤番号”と呼んだが、本発明で共通の表現を用いて“病変番号”と呼ぶこともできる。
【００５５】
ステップＳ１１３では、ステップＳ１１２で抽出された病変領域のうち、１つの領域を選択する。
【００５６】
ステップＳ１１４では、ステップＳ１１３で選択された病変領域から画像特徴量を抽出する。本実施の形態では、画像特徴量として、非特許文献：「根本，清水，萩原，小畑，縄野，“多数の特徴量からの特徴選択による乳房Ｘ線像上の腫瘤影判別精度の改善と高速な特徴選択法の提案”，電子情報通信学会論文誌Ｄ−ＩＩ，Ｖｏｌ．Ｊ８８−Ｄ−ＩＩ，Ｎｏ．２，ｐｐ．４１６−４２６，２００５年２月」に記載された４９０種類の特徴量のうち、肝腫瘤にも適用可能な特徴量をいくつか選択して用いる。この特徴量数をＮＦ個とする。本ステップで抽出された特徴量は、（症例番号，この症例（医用画像）から抽出された腫瘤番号，特徴量番号）の組（ｉ，ｊ，ｋ）で特定できる。ここで、１≦ｉ≦Ｃ，１≦ｊ≦Ｍｉ，１≦ｋ≦ＮＦである。
【００５７】
ステップＳ１１５では、ステップＳ１１２で抽出された病変領域のうち未選択の病変があるかどうかをチェックし、未選択の病変がある場合は、ステップＳ１１３に戻り未選択の病変領域を選択した後、ステップＳ１１４を再実行する。未選択の病変がない場合、すなわち、ステップＳ１１２で抽出された全ての病変領域に対し、ステップＳ１１４の特徴量選択を行った場合は図４のフローチャートの処理を終了し、図３のフローチャートに戻る。
【００５８】
図３のステップＳ１２では、読影レポートの解析処理を行う。具体的には読影レポートから読影項目および疾病名を抽出する。本実施の形態では読影項目が格納された読影項目単語辞書、および疾病名が格納された疾病名単語辞書を用いた、形態素解析および構文解析を行う。これらの処理により、各単語辞書に格納された単語と一致する単語を抽出する。形態素解析技術としては、例えば、ＭｅＣａｂ（ｈｔｔｐ：／／ｍｅｃａｂ．ｓｏｕｒｃｅｆｏｒｇｅ．ｎｅｔ）やＣｈａＳｅｎ（ｈｔｔｐ：／／ｃｈａｓｅｎ−ｌｅｇａｃｙ．ｓｏｕｒｃｅｆｏｒｇｅ．ｊｐ）等が、構文解析技術としては、ＫＮＰ（ｈｔｔｐ：／／ｎｌｐ．ｋｕｅｅ．ｋｙｏｔｏ−ｕ．ａｃ．ｊｐ／ｎｌ−ｒｅｓｏｕｒｃｅ／ｋｎｐ．ｈｔｍｌ）、ＣａｂｏＣｈａ（ｈｔｔｐ：／／ｃｈａｓｅｎ．ｏｒｇ／〜ｔａｋｕ／ｓｏｆｔｗａｒｅ／ｃａｂｏｃｈａ／）等が存在する。読影レポートは医師により読影レポート独特の表現で記述されることが多いので、読影レポートに特化した形態素解析技術、構文解析技術、各単語辞書を開発することが望ましい。
【００５９】
図５は腹部ＣＴ検査の読影レポートの例であり、図６は図５の読影レポートから抽出された読影項目および疾病名を示す。読影項目は通常複数個、疾病名は１個抽出される。ｉ番目の症例における読影レポートから抽出した読影項目の数をＮｉとすると、読影項目は（症例番号，読影項目番号）の組（ｉ，ｊ）で特定できる。ここで、１≦ｉ≦Ｃ，１≦ｊ≦Ｎｉである。
【００６０】
また、図６では、読影項目および疾病名の単語のみを抽出しているが、読影レポートにおける病変の位置を表す文字列、時相を表す文字列を同時に抽出してもよい。ここで、時相について補足する。肝臓の病変の鑑別には、造影剤を急速静注して経時的に撮像する造影検査が有用とされている。肝臓の造影検査では一般に、肝動脈に造影剤が流入し多血性の腫瘍が濃染する動脈相、腸管や脾臓に分布した造影剤が門脈から肝臓に流入し肝実質が最も造影される門脈相、肝の血管内外の造影剤が平衡に達する平衡相、肝の間質に造影剤が貯留する晩期相などにおいて、肝臓が撮像される。読影レポートには病変の臓器における位置や、造影検査であれば着目した時相の情報が記述されていることが多い。このため、読影項目だけでなく位置や時相の情報も合わせて抽出することで、後で説明する読影知識の抽出に有効となる。図７に、読影項目と同時に位置と時相の情報を抽出した例を示す。例えば、図５の読影レポートを解析し、「肝Ｓ３区域に早期濃染を認め」という文節から「早期濃染」の位置属性として「肝Ｓ３区域」が抽出される。同様に、「後期相でｗａｓｈｏｕｔされており」という文節から「ｗａｓｈｏｕｔ」の時相属性として「後期相」が抽出される。
【００６１】
図５の読影レポートを、単純に解釈すると、図７のように「早期濃染」に関する時相、ｗａｓｈｏｕｔに関する位置の部分が空白になる。これに対し、読影項目「早期濃染」は早期相に対応した単語であるという事前知識を利用したり、「早期濃染」の状態を示す腫瘤と「後期相でｗａｓｈｏｕｔ」される腫瘤が同一の腫瘤を指すという高度な文脈解釈を行ったりすることができれば、抽出される位置と時相の情報は図８のようになる。
【００６２】
ステップＳ１３では、読影知識を得るための症例が格納されたデータベースにおいて未取得の症例があるかどうかをチェックし、未取得の症例がある場合は、ステップＳ１０に戻り未取得の症例を取得した後、ステップＳ１１およびＳ１２を実行する。未取得の症例がない場合、すなわち、全ての症例に対し、ステップＳ１１の画像特徴抽出およびステップＳ１２のレポート解析を実施済の場合は、ステップＳ１４に進む。
【００６３】
ステップＳ１１とステップＳ１２の結果は相互に依存しないため、実行順は逆でも構わない。
【００６４】
ステップＳ１４に到達した時点で、図９で表されるデータ一式が取得できたことになる。つまり、症例ごとに画像特徴量と読影項目と疾病名とが取得される。症例番号１の症例については、医用画像中にＭ１個の病変が含まれており、各病変から抽出される画像特徴量の個数はＮＦ個である。また、読影レポート中の読影項目の数はＮ１個である。例えば、病変番号（１，１）で示される１つ目の病変のうち、１つ目の画像特徴量の値は０．８５１である。また、読影項目番号（１，１）で示される１つ目の読影項目の値は「早期濃染」である。図９の例では、各画像特徴量は０以上１以下の数値であり、読影項目および疾病名は文字列である。画像特徴量として負の値または１より大きな値をとるものを用いても良い。また、読影項目および疾病名として、予め定めた単語ＩＤの形式にてデータを格納してもよい。
【００６５】
ステップＳ１４では、ステップＳ１１で得られた画像特徴量、ステップＳ１２で得られた読影項目および疾病名から、読影知識を抽出する。本実施の形態では、画像特徴量、読影項目、疾病名という三項のうちの二項の相関関係を、読影知識とする。
【００６６】
（１）（画像特徴量−読影項目）間の相関関係
一対の（画像特徴量−読影項目）間の相関関係の求め方について説明する。相関関係の表現形態は複数あるが、ここでは相関比を用いる。相関比は、質的データと量的データとの間の相関関係を表す指標であり、式１で表される。
【００６７】
【数１】
【００６８】
読影レポート中に、ある読影項目を含む場合および含まない場合の２カテゴリを考え、これを質的データとする。医用画像から抽出した、ある画像特徴量の値そのものを量的データとする。例えば、読影知識を抽出するための症例データベースに含まれる全症例に対し、読影レポートを、ある読影項目を含むものまたは含まないものに区分する。ここでは、読影項目「早期濃染」と画像特徴量「早期相における腫瘤内部の輝度平均値」との相関比を求める方法について説明する。式１においては、カテゴリｉ＝１を「早期濃染」を含むもの、カテゴリｉ＝２を「早期濃染」を含まないものとする。読影レポートに「早期濃染」を含む症例から抽出した腫瘤画像の「早期相における腫瘤内部の輝度平均値」であるｊ番目の観測値をｘ１ｊとする。また、読影レポートに「早期濃染」を含まない症例から抽出した腫瘤画像の「早期相における腫瘤内部の輝度平均値」であるｊ番目の観測値をｘ２ｊとする。「早期濃染」とは造影早期相にてＣＴ値が上昇することを表すため、この場合、相関比が大きく（１に近く）なることが予想される。また、早期濃染は腫瘤の種類に依存し、腫瘤の大きさには依存しないため、読影項目「早期濃染」と画像特徴量「腫瘤面積」との相関比は小さく（０に近く）なることが予想される。このようにして、全ての読影項目と全ての画像特徴量との間の相関比を計算する。
【００６９】
図１０に、読影項目と画像特徴量との間の相関関係（ここでは、相関比）の概念図を示す。左側には複数の読影項目、右側には複数の画像特徴量の名称が列挙されている。そして、相関比が閾値以上の読影項目と画像特徴量の間が実線で結ばれている。相関比は０以上１以下の値をとるため、閾値として０．３〜０．７程度の値を用いることができる。計算した相関比を最終的に閾値で二値化すると、図１０のような情報が求められることになる。その一例について補足する。肝腫瘤の造影ＣＴ検査においては、殆どの腫瘤は造影剤使用前のＣＴ画像（単純、単純ＣＴ、単純相などと呼ぶ）で低濃度に描出され、多くの場合、読影レポートに「低濃度」、「ＬＤＡ（Ｌｏｗ Ｄｅｎｓｉｔｙ Ａｒｅａ）あり」などと記述される。そのため、「低輝度」や「ＬＤＡ」といった読影項目と、造影剤使用前のＣＴ画像における腫瘤内部の輝度平均（図１０では「単純相 輝度平均」と略記載）との相関が大きくなる。
【００７０】
また、図１１に、読影項目と画像特徴量との間の相関関係（例えば、相関比）の別の概念図を示す。この図では、相関比を多値表現しており、読影項目と画像特徴量の間の実線の太さが相関比の大きさに相当している。例えば、造影早期相にてＣＴ値が上昇する「早期濃染」と、早期動脈相（早期相、動脈相とも略される）における腫瘤内部の輝度平均（図１１では「動脈相 輝度平均」と略記載）との相関が大きくなっている。
【００７１】
相関比の値に着目することで、ある読影項目と相関の高い画像特徴量を特定することができる。実際には１つの症例には、複数の画像や複数の病変（腫瘤）を含む場合が多く、その場合は読影レポートには複数の病変に関する記載が含まれることになる。例えば、造影ＣＴ検査では、造影剤使用前や使用後の複数時刻におけるタイミングでＣＴ撮影を行う。そのため、スライス画像の集合が複数得られ、スライス画像の１つの集合には複数の病変（腫瘤）が含まれ、１つの病変からは複数の画像特徴量が抽出される。そのため、（スライス画像集合数）×（１人の患者から検出された病変数）×（画像特徴量の種類数）の個数だけ画像特徴量が得られ、これら複数の画像特徴量と、１つの読影レポートから抽出された複数の読影項目や疾病名との相関関係を求める必要がある。もちろん大量の症例を用いることにより、対応が正しく得られる可能性があるが、図８のように病変位置と時相を用いる等して、読影レポートの記載と、対応する画像特徴量とをある程度事前に対応づけることができれば、より正確に相関関係を求めることができる。
【００７２】
先の説明では、質的データが、ある読影項目を含むものおよび含まないものの２カテゴリである場合について説明したが、ある読影項目（例えば、「境界明瞭」）と、その対義語となる読影項目（例えば、「境界不明瞭」）との２カテゴリであってもよい。また、読影項目が「低濃度」、「中濃度」、「高濃度」などの序数尺度の場合は、それらの各々をカテゴリとして（この例では３カテゴリ）、相関比を計算してもよい。
【００７３】
また、「低濃度」、「低輝度」、「低吸収」などの同義語については、予め同義語辞書を作成しておき、それらを同一の読影項目として扱う。
【００７４】
（２）（画像特徴量−疾病名）間の相関関係
一対の（画像特徴量−疾病名）間の相関関係については、（画像特徴量−読影項目）間の場合と同じく相関比を用いることができる。図１２に、疾病名と画像特徴量との間の相関関係（例えば、相関比）の概念図を示す。この図では図１０と同じく相関関係を二値表現しているが、もちろん図１１のような多値表現を行うことも可能である。
【００７５】
（３）（読影項目−疾病名）間の相関関係
一対の（読影項目−疾病名）間の相関関係の求め方について説明する。相関関係の表現形態は複数あるが、ここでは支持度を用いる。支持度は、質的データ間の相関ルールを表す指標であり、式２で表される。
【００７６】
【数２】
【００７７】
この支持度は、全症例において読影項目Ｘと疾病名Ｙとが同時に出現する確率（共起確率）を意味する。支持度を用いることで、関連性（相関性）の強い読影項目と疾病名との組合せを特定することができる。
【００７８】
なお、支持度の代わりに、式３で示される確信度や、式４で示されるリフト値を用いても良い。
【００７９】
【数３】
【００８０】
【数４】
【００８１】
確信度とは、条件部Ｘ（読影項目Ｘ）のアイテムの出現を条件としたときの結論部Ｙ（疾病名Ｙ）のアイテムが出現する確率である。リフト値とは、Ｘ（読影項目Ｘ）の出現を条件としないときのＹ（疾病名Ｙ）の出現確率に対して、Ｘ（読影項目Ｘ）の出現を条件としたときのＹ（疾病名Ｙ）の出現確率がどの程度上昇したかを示す指標である。その他、ｃｏｎｖｉｃｔｉｏｎ，φ係数を用いても良い。ｃｏｎｖｉｃｔｉｏｎ，φ係数については相関ルール分析に関する文献（例えば、非特許文献：「データマイニングとその応用」、加藤／羽室／矢田 共著、朝倉書店）に記載されている。
【００８２】
図１３に、読影項目と疾病名との間の相関関係（例えば、支持度）の概念図を示す。この図では図１０と同じく相関関係を二値表現しているが、もちろん図１１のような多値表現を行うことも可能である。
【００８３】
以上の方法にて、ステップＳ１４の処理を行うと、図１４、図１５、図１６のような、（画像特徴量−読影項目）間の相関関係、（画像特徴量−疾病名）間の相関関係、（読影項目−疾病名）間の相関関係が、それぞれ得られる。相関比は０以上１以下の値をとる。支持度は０以上の値をとる。また、得られた相関関係は、図１４、図１５、図１６の形式にて読影知識データベース１１０に格納される。
【００８４】
＜読影知識データベースの事前追加＞
次に、本発明の中心となる読影知識の追加方法について詳細を説明する。図２の読影知識作成時と同じく、本実施の形態で対象とする医用画像撮影装置はマルチスライスＣＴとし、対象臓器および疾病は、それぞれ肝臓および肝腫瘤とする。
【００８５】
前述のように、本実施の形態では、画像特徴量、読影項目および疾病名から、読影知識として相関関係を抽出する。このとき、ひとつのテキストに対して、複数種類の画像パターンが存在する場合がある。このため、テキスト特徴量と画像特徴量との間の相関関係が正しく求まらず、読影者の着目点を類似画像検索に反映させられない状況が想定される。この課題の例として、肝細胞がんの画像パターンについて、図１７、図１８を用いて、詳細に説明する。
【００８６】
肝細胞がんの病変領域の画像には、図１７（ａ）に示すような腫瘤内の血流が多い多血性肝細胞がんのように造影動脈相にて強く造影される（ＣＴ値が上昇する）画像パターン（画像パターン１）と、図１７（ｂ）に示すような腫瘤内の血流が少ない乏血性肝細胞がんのように造影動脈相にて強く造影されない（ＣＴ値が上昇しない）画像パターン（画像パターン２）とが存在する。図１８は、テキスト特徴量（疾病名「肝細胞がん」）の有無による画像特徴量「早期相における腫瘤内部の輝度平均値」の分布の違いを示す概念図である。実線がテキスト特徴量（疾病名「肝細胞がん」）がある場合の画像特徴量「早期相における腫瘤内部の輝度平均値」の分布を示し、破線がテキスト特徴量（疾病名「肝細胞がん」）がない場合の画像特徴量「早期相における腫瘤内部の輝度平均値」の分布を示す。ここで、疾病名「肝細胞がん」の画像パターンが画像パターン１のみであれば、読影レポートに「肝細胞がん」と記載されている症例においては、画像特徴慮野分布は、画像特徴量「早期相における腫瘤内部の輝度平均値」が高い、図１８（ａ）のような偏りのある分布になる。しかしながら、実際には読影レポートに「肝細胞がん」と記載されている症例の画像パターンには、画像パターン１および２の両方が存在する。このため、読影レポートに「肝細胞がん」と記載されている症例には画像パターン２のような画像特徴量「早期相における腫瘤内部の輝度平均値」が低い症例も含まれる。このため、画像特徴量の分布は、図１８（ｂ）のような偏りの少ない分布になる。このように、あるテキスト特徴量に対して複数の画像パターンが存在すると、複数の分布が混合された状態で相関関係（例えば相関比）が抽出される。そのため、テキスト特徴量と画像特徴量の間で相関関係の値が低下し、本当は重視したい画像特徴量が検索時に重視されなくなる。この結果、読影者の着目点を類似画像検索に反映させられない問題が発生する。
【００８７】
このような課題に対して、本願発明者らは、（画像特徴量−読影項目）間の相関関係と、疾病名、読影項目および画像特徴量の三項間の相対関係に着目した。ここで、医用画像と読影レポートの組から読影知識である（画像特徴量−読影項目）間の相関関係、（画像特徴量−疾病名）間の相関関係、（読影項目−疾病名）間の相関関係はそれぞれ計算済みであるとする。
【００８８】
本願発明者らは、医用画像と医師が記入する読影レポートの関係を分析した結果、読影項目は画像内容を直接反映したものが多いことに着目した。例えば、医師によって医用画像に対する記入内容に違いはあるものの、図１７（ａ）に対しては、読影レポートにはＣＴ値が高いことを示す「早期濃染」や模様がないことを示す「均一」と記入され、ＣＴ値が低いことを示す「ＬＤＡ（Ｌｏｗ Ｄｅｎｓｉｔｙ Ａｒｅａ）」や模様があることを示す「不均一」とは記入されない。一方、図１７（ｂ）に対しては、読影レポートに「ＬＤＡ」、「不均一」と記入され、「早期濃染」とは記入されない。
【００８９】
また、本願発明者らは、（画像特徴量−読影項目）間の相関関係、（画像特徴量−疾病名）間の相関関係、（読影項目−疾病名）間の相関関係を分析した。この結果、疾病名に対応する画像パターンが１つのみである場合には、全ての二項間関係の値が大きくなる三項が存在し、一方、疾病名に対して複数種類の画像パターンが存在する場合には、図１９に示すように、対応する全ての二項間関係（三項間関係）のうち、（画像特徴量−疾病名）間の相関関係のみ低くなる点に着目した。この原因としては、以下が考えられる。つまり、ひとつの疾病名に対して病状がひとつだけ（画像パターンがひとつ）の場合には、画像特徴量の分布が、図１８（ａ）のように偏りのある分布になるため（画像特徴量−疾病名）間の相関が高くなる。これに対して、ひとつの疾病名に対して複数の病状（画像パターン）が存在する場合には、画像特徴量の分布が、図１８（ｂ）のように偏りの少ない分布になるため（画像特徴量−疾病名）間の相関が低くなる。一方で、読影項目は画像内容を直接反映したものが多いため（画像特徴量−読影項目）間の相関が高く、同様に疾病名は読影項目の総合値であるため（読影項目−疾病名）間の相関も高くなるためであると考えられる。
【００９０】
このように、ひとつの疾病名に対して複数の病状（画像パターン）が存在する場合の三項間関係においては、（画像特徴量−疾病名）間の相関関係よりも、（画像特徴量−読影項目）間の相関関係と（読影項目−疾病名）間の相関関係の方が、対応関係が明確であり、その相関関係の値も信頼性が高いと考えられる。
【００９１】
これらのことから、疾病名に対して複数の画像パターンが存在する場合に（画像特徴量−疾病名）間の相関関係の値が低下し、本当は重視したい画像特徴量が検索時に重視されなくなる課題に対して、（画像特徴量−読影項目）間の相関関係と（読影項目−疾病名）間の相関関係を使用することで、読影項目を介して（画像特徴量−疾病名）間の相関関係を抽出できることを見出した。
【００９２】
図２０を用いて説明すると、例えば、複数の画像パターンが存在する疾病名「肝細胞がん」に対して（画像特徴量−疾病名）間の相関関係を抽出したい場合に、（読影項目−疾病名）間の相関関係が高い「早期濃染」、「ＬＤＡ」、「均一」、「不均一」を介して、（画像特徴量−読影項目）間の相関関係を抽出することで「肝細胞がん」と相関の高い画像特徴量を正しく抽出することができると考えられる。このうち、実線で示した相関関係が、ある１つの画像パターンの相関関係を示し、破線で示した相関関係が、他の１つの画像パターンの相関関係を示している。
【００９３】
以下、この着想に基づき構成した読影知識追加手順の詳細について、図２の読影知識抽出装置を参照して説明する。本実施の形態では、事前に獲得した読影知識の値（各二項間関係の相関関係）を参照し、後述の条件を満たさない場合には、読影知識データベース１１０に読影知識を追加登録する。
【００９４】
図２において、読影知識抽出部２１０、読影知識判定部２２０、読影項目抽出部２３０は読影知識の抽出および読影知識の追加のための処理部である。
【００９５】
読影知識抽出部２１０は、症例データベース１００に格納された複数の症例を解析し、解析の結果得られた読影知識を読影知識データベース１１０に格納する。
【００９６】
読影知識判定部２２０は、読影知識データベース１１０に格納された読影知識を読み込み、読影知識の中で、新たな読影知識を追加する対象（疾病名）を決定する。
【００９７】
読影項目抽出部２３０は、読影知識を追加する対象（疾病名）について相関関係を解析し、読影知識の追加に使用する読影項目の組を抽出する。
【００９８】
読影知識追加時には、読影知識抽出部２１０は、読影項目抽出部２３０で抽出された読影項目の組を用いて複数の症例を解析することにより、新たな読影知識を獲得し、読影知識データベース１１０に格納する。
【００９９】
以下、図２１のフローチャートを用いて読影知識追加の手順を説明する。
【０１００】
ステップＳ３０において、読影知識判定部２２０は、読影知識データベース１１０に格納された読影知識を１つ取得する。
【０１０１】
例えば、読影知識が（画像特徴量−疾病名）間の相関関係（図１５参照）である場合、ステップＳ３０で取得される読影知識は、図１５の表の１行分（相関関係の数値（以下、相関値という。）ＮＩＦ個）である。
【０１０２】
ステップＳ３１において、読影知識判定部２２０は、ステップＳ３０で取得した読影知識に加えて、読影知識データベース１１０に新たな読影知識を追加するか否かを判定する。このとき、読影知識判定部２２０は、三項間の相対関係において、（画像特徴量−読影項目）間の相関と、（読影項目−疾病名）間の相関が大きく、（画像特徴量−疾病名）間の相関が小さくなる組合せが存在するか否かを判定することで、新たな読影知識を追加するか否かを決定する。
【０１０３】
ステップＳ３１の処理を、図２２のフローチャートを用いて詳細に説明する。
【０１０４】
ステップＳ３１０において、読影知識判定部２２０は、ステップＳ３０で取得した読影知識が（画像特徴量−疾病名）間の相関関係か否かを判定する。ステップＳ３０で取得した読影知識が（画像特徴量−疾病名）間の相関関係である場合には、ステップＳ３１１へ進み、そうでない場合には、ステップＳ３１６に進む。
【０１０５】
ステップＳ３１１において、読影知識判定部２２０は、ステップＳ３０で取得した読影知識の疾病名に対応する（読影項目−疾病名）間の相関関係を読影知識データベース１１０から読み込む。つまり、読影知識判定部２２０は、ステップＳ３０で取得した読影知識の疾病名と同じ疾病名についての（読影項目−疾病名）間の相関関係を読影知識データベース１１０から読み込む。
【０１０６】
ステップＳ３１２において、読影知識判定部２２０は、ステップＳ３１１で取得した（読影項目−疾病名）間の相関関係において、相関値が相関値閾値以上の読影項目を抽出する。
【０１０７】
ステップＳ３１３において、読影知識判定部２２０は、ステップＳ３１２で抽出した（読影項目−疾病名）間の相関値が相関値閾値以上の読影項目に関して、（読影項目−画像特徴量）間の相関関係を読み込む。つまり、読影知識判定部２２０は、ステップＳ３１２で抽出した（読影項目−疾病名）間の相関値が相関値閾値以上の読影項目と同じ読影項目についての（読影項目−画像特徴量）間の相関関係を読み込む。
【０１０８】
ステップＳ３１４において、読影知識判定部２２０は、（ａ）ステップＳ３０で取得した（画像特徴量−疾病名）間の相関関係が示す相関値と、（ｂ）Ｓ３１１で読み込んだ（読影項目−疾病名）間の相関関係およびＳ３１３で読み込んだ（読影項目−画像特徴量）間の相関関係を介した（画像特徴量−疾病名）間の相関関係が示す相関値の差分値を計算する。
【０１０９】
ここで、（読影項目−疾病名）間の相関値をｗｘ，ｊ、（読影項目−画像特徴量）間の相関値をｗａ，ｉ、（画像特徴量−疾病名）間の相関値をｗｉと表す。また、ｉは画像特徴量の種類を表す添字、ｊはステップＳ３１２抽出された読影項目の種類を表す添字、ＮｘはステップＳ３１２抽出された読影項目の個数である。これらの相関関係を用いて差分値ｄｗを式５のように計算する。
【０１１０】
【数５】
【０１１１】
例えば、疾病名が「肝細胞がん」の場合について考えると、ステップＳ３１１で（画像特徴量−疾病名）間の相関関係を取得し、取得した相関関係が示す相関値をｗｉとする。ここで、ステップＳ３１２で抽出された読影項目が「早期濃染」、「ＬＤＡ」、「不均一」であった場合には、読影知識判定部２２０は、読影知識データベース１１０に図１６の形式で格納された（読影項目−疾病名）間の相関関係テーブルを参照し、（早期濃染−肝細胞がん）間の相関値、（ＬＤＡ−肝細胞がん）間の相関値、（不均一−肝細胞がん）間の相関値を取得し、ｗｘ，ｊとする。一方で、読影知識判定部２２０は、（早期濃染−画像特徴量）間の相関値（例えば、（早期濃染−輝度平均値）間の相関値など）を取得し、ｗａ，ｉとする。このような三項間関係を用いて、式５により差分値ｄｗを計算すればよい。
【０１１２】
ステップＳ３１５において、読影知識判定部２２０は、ステップＳ３１４で計算した差分値ｄｗが差分閾値より大きいか否かを判定する。
【０１１３】
ステップＳ３１４で計算した差分値ｄｗが差分閾値より大きい場合には、ステップＳ３１８へ進み、差分値ｄｗが差分閾値以下場合には、ステップＳ３１７に進む。
【０１１４】
ステップＳ３１６において、読影知識判定部２２０は、ステップＳ３１０での判定結果に従い、読影知識を追加しないと決定する。このとき、ステップＳ３１６において疾病名以外の読影知識が読み込まれているため、読影知識の追加に関する情報（以下では「追加情報」と記載）に０を付加し、ステップＳ３１の分岐においては「Ｎｏ」に進む。
【０１１５】
ステップＳ３１７において、読影知識判定部２２０は、ステップＳ３１５での判定結果に従い、読影知識を追加しないと決定する。つまり、ステップＳ３１５での判定結果は、ステップＳ３０で取得した（画像特徴量−疾病名）間の相関関係と、（読影項目−疾病名）間の相関関係および（読影項目−画像特徴量）間の相関関係を介した（画像特徴量−疾病名）間の相関関係との間に相違が見られないことを示している。このため、着目している疾病名に対する画像パターンは１種類しか存在しないと判断し、読影知識を追加しないと決定する。このとき、読影知識の追加情報に０を付加し、ステップＳ３１の分岐においては「Ｎｏ」に進む。本実施の形態において、読影知識を追加する場合には、追加情報に１、追加しない場合には追加情報に０を付与する。
【０１１６】
ステップＳ３１８において、読影知識判定部２２０は、ステップＳ３１５での判定結果に従い、読影知識を追加すると決定する。つまり、ステップＳ３１５での判定結果は、ステップＳ３０で取得した（画像特徴量−疾病名）間の相関関係と、（読影項目−疾病名）間の相関関係および（読影項目−画像特徴量）間の相関関係を介した（画像特徴量−疾病名）間の相関関係とが異なっていることを示している。このため、着目している疾病名に対する画像パターンが複数種類存在すると判断し、読影知識を追加すると決定する。このとき、読影知識の追加情報に１を付加し、ステップＳ３１の分岐においては「Ｙｅｓ」に進む。
【０１１７】
ステップＳ３１７、Ｓ３１８において付与した追加情報は、図１５の（画像特徴量−疾病名）間の相関関係の各行に追加され、図２３に示すような形式で読影知識データベース１１０に格納される。例えば、読影レポートに疾病名１が記入されている場合には、類似症例検索時には、図２３の追加情報（ここでは、「１」：相関関係の追加あり）が読み込まれ、（読影項目−疾病名）間の相関関係が追加されたと判定され、後述する追加された相関関係のテーブル（読影知識）が参照される。
【０１１８】
図２１のステップＳ３２において、読影項目抽出部２３０は、ステップＳ３１で読影知識を追加すると判定された対象の疾病名に対して相関関係の高い読影項目の組を抽出する。
【０１１９】
ステップＳ３２の処理を、図２４のフローチャートを用いて詳細に説明する。
【０１２０】
ステップＳ３２０において、読影項目抽出部２３０は、ステップＳ３０で取得した読影知識の疾病名に対応する（読影項目−疾病名）間の相関関係を１つ読影知識データベース１１０から読み込む。例えば上記疾病名が疾病名１の場合、図１６において、疾病名１に関する読影項目の相関関係（ここでは、疾病名１の列の全相関関係）を読影知識データベース１１０から読み込む。以下、疾病名「肝細胞がん」の場合を例に説明する。
【０１２１】
ステップＳ３２１において、読影項目抽出部２３０は、ステップＳ３２０で取得した（読影項目−疾病名）間の相関関係の中から相関値を一つ取り出し、その相関値が第１閾値より大きいか否かを判定する。取り出した（読影項目−疾病名）間の相関値が第１閾値より大きい場合には、ステップＳ３２２に進み、第１閾値以下場合にはステップＳ３２３に進む。
【０１２２】
ステップＳ３２２において、読影項目抽出部２３０は、ステップＳ３２０で取得した（読影項目−疾病名）間の相関関係の情報から読影項目を取得し、読影知識を追加する際の読影項目候補に追加する。例えば図１６において、相関値が第１閾値より大きい読影項目が「早期濃染」、「ＬＤＡ」、「不均一」であった場合には、これら全てを読影項目候補として記憶する。
【０１２３】
ステップＳ３２３において、読影項目抽出部２３０は、（読影項目−疾病名）間の全ての相関値を第１閾値と比較し終えたか否かを判定する。全ての相関値を第１閾値と比較し終えた場合には、ステップＳ３２４に進み、そうでない場合には、ステップＳ３２１に戻る。
【０１２４】
ステップＳ３２４において、読影項目抽出部２３０は、ステップＳ３２２で抽出した読影項目候補の全組合せを作成する。
【０１２５】
例えば、抽出された読影項目が「早期濃染」、「ＬＤＡ」、「不均一」の３つであった場合には、「早期濃染、ＬＤＡ、不均一」、「早期濃染、ＬＤＡ」、「ＬＤＡ、不均一」、「早期濃染、不均一」、「早期濃染」、「ＬＤＡ」、「不均一」の６つ組合せを作成する。
【０１２６】
ステップＳ３２５において、読影項目抽出部２３０は、ステップＳ３２４で作成した読影項目の組ごとに、当該組と、ステップＳ３０で取得した読影知識に含まれる疾病名の間の相関値を抽出する。例えば、疾病名が「肝細胞がん」、読影項目の組が「早期濃染、ＬＤＡ、不均一」の場合には、疾病名「肝細胞がん」−読影項目「早期濃染」、「ＬＤＡ」、「不均一」（読影項目の組「早期濃染、ＬＤＡ、不均一」）の間の相関値を抽出する。この相関値の抽出には、先に述べた（読影項目−疾病名）間の相関値の求め方を使用すればよい。
【０１２７】
ステップＳ３２６において、読影項目抽出部２３０は、ステップＳ３２５で抽出した相関値が第２閾値より大きいか否かを判定する。ステップＳ３２５で抽出した相関値が第２閾値より大きい場合にはステップＳ３２７に進み、第２閾値以下の場合には読影項目の抽出を終了する。例えば、疾病名「肝細胞がん」−読影項目「早期濃染」、「ＬＤＡ」（読影項目の組「早期濃染、ＬＤＡ」）の相関値を抽出すると、造影されていること（ＣＴが高いこと）を示す「早期濃染」と、造影されていないこと（ＣＴが低いこと）を示す「ＬＤＡ」とは、相関性が低いため、疾病名「肝細胞がん」−読影項目「早期濃染」、「ＬＤＡ」の相関値は第２閾値以下となる。このため、読影項目の組として「早期濃染、ＬＤＡ」は不適切であると判定される。
【０１２８】
ステップＳ３２７において、読影項目抽出部２３０は、相関値が第２閾値より大きい読影項目の組を、読影知識の追加に使用する読影項目の組として抽出する。例えば、疾病名「肝細胞がん」に対しては、病変領域の画像パターンに対応する「早期濃染」、「ＬＤＡ、不均一」という２つの読影項目の組が抽出される。
【０１２９】
図２１のステップＳ３３において、読影知識抽出部２１０は、ステップＳ３２で抽出した読影項目の組を用いて、読影知識を抽出する。
【０１３０】
例えば、疾病名「肝細胞がん」に対して、２つの読影項目の組「早期濃染」、「ＬＤＡ、不均一」が抽出された場合には、読影知識抽出部２１０は、読影項目「早期濃染」について（画像特徴量−読影項目）間の相関関係を抽出し、疾病名「肝細胞がん」に対する（画像特徴量−疾病名）間の相関関係として保存する。ここで、読影知識の抽出方法は先に述べた（画像特徴量−読影項目）間の相関関係の求め方と同様である。同様に、読影知識抽出部２１０は、読影項目の組「ＬＤＡ、不均一」についても（画像特徴量−読影項目）間の相関関係を抽出し、疾病名「肝細胞がん」に対する（画像特徴量−疾病名）間の相関関係として保存する。
【０１３１】
図２５に、ステップＳ３３において抽出され、読影知識データベース１１０に格納される読影知識の格納形式を示す。疾病名１のように読影項目の組が２組存在する場合には、それぞれに対して読影知識が抽出され、その値が全て格納される。例えば、読影レポートに疾病名１が記入されている場合には、類似症例検索時には、図２３の追加情報（ここでは、「１」：相関関係の追加あり）が読み込まれ、（読影項目−疾病名）間の相関関係が追加されたと判定され、図２５の相関関係のテーブル（読影知識）が参照される。
【０１３２】
ステップＳ３４において、読影知識判定部２２０は、読影知識データベース１１０において、読影知識を追加するか否かを未判定の読影知識があるかどうかをチェックする。未判定の読影知識がある場合は、ステップＳ３０に戻り未判定の読影知識が取得された後、ステップＳ３１が実行される。未判定の読影知識がない場合、すなわち、全ての読影知識に対し、ステップＳ３１の読影知識の追加判定、ステップＳ３２の読影項目抽出およびＳ３３の読影知識抽出を実施済の場合は、読影知識の追加を終了する。
【０１３３】
以上の方法により、図２３に示す各疾病名に対する読影知識の追加情報と、図２５に示す追加情報に対応する（画像特徴量−疾病名）間の相関関係がそれぞれ得られる。また、得られた追加情報および相関関係は、図２３および図２５の形式にて読影知識データベース１１０に格納される。一方、図３のステップＳ１４の処理により得られた、図１４に示す（画像特徴量−読影項目）間の相関関係と、図１６に示す（読影項目−疾病名）間の相関関係とには、新たな相関関係が追加されることなく、図１４および図１６の形式にて読影知識データベース１１０に格納される。以下で説明する類似症例検索では、この読影知識データベース１１０を使用する。
【０１３４】
なお、ステップＳ３２で抽出した読影項目の組の情報のみを用いても、類似症例検索には有効である。図２６に読影項目の抽出のみを行う読影知識追加処理のフローチャートを示す。図２６に示すフローチャートでは、図２１に示すフローチャートに示したステップＳ３３の処理（読影知識抽出処理）が無い。つまり、図２の読影知識判定部２２０において読影知識を追加すると判定された場合に（Ｓ３１でＹｅｓ）、読影知識抽出部２１０は、図２７に示す読影項目の組の情報を読影知識として新たに格納する（Ｓ３２）。例えば、疾病名１に対応する読影項目の組が２組存在する場合には、これら２組の各読影項目について「１」、「０」の情報を格納する。本実施の形態においては、相関の高い読影項目（Ｓ３２で抽出された読影項目）には「１」を付与し、相関の低い読影項目（（Ｓ３２で抽出されなかった読影項目）には「０」を付与する。例えば、図２７の疾病名１の組番号１は、読影項目１と読影項目ＮＩＩが相関の高い読影項目であることを示す。類似症例検索時の読影知識の組の使用法については、後で詳細を説明する。
【０１３５】
なお、抽出した読影知識は図２８のように、追加した読影知識と追加していない読影知識を同じテーブルに格納してもよい。例えば、読影レポートに疾病名１が記入されている場合には、類似症例検索時には、追加情報を読み込むことなく、直接、疾病名１の相関関係テーブルから、疾病名１に対する複数の相関関係を取得することができる。
【０１３６】
＜類似症例検索＞
以下、図１に示す類似症例検索装置の構成を示すブロック図および図２９に示す類似症例検索処理のフローチャートを用いて、類似症例検索の手順について説明する。
【０１３７】
まず、はじめに読影知識が追加されていない相関関係（疾病名の追加情報が「０」）を用いた類似症例検索手順について説明する。
【０１３８】
ステップＳ２０において、読影対象画像読込部１２０が、医用画像撮影装置から読影対象画像を取得する。図３に示した読影知識作成時と同じく、本実施の形態で対象とする医用画像撮影装置はマルチスライスＣＴとし、対象臓器および疾病は、それぞれ肝臓および肝腫瘤とする。読み込まれた画像は、読影対象画像表示部１３０に表示される。
【０１３９】
ステップＳ２１において、読影者は、読影対象画像表示部１３０に表示された読影対象画像を参照しながら、レポート入出力部１４０を通して読影レポートを入力する。マルチスライスＣＴ装置の場合、再構成により通常、体軸に対して垂直な面（ａｘｉａｌ ｖｉｅｗ）のスライス画像が複数枚得られる。読影者は、これら複数のスライス画像に対し、スライス位置を変えながら病変（本実施の形態では肝腫瘤）の有無を確認し、読影レポートを入力する。読影レポートを入力する際、読影対象画像にて検出した病変の位置（スライス番号、および、スライス画像上における座標や領域情報）を、読影者がマウスなどの入力機器により指定してもよい。座標を指定する場合は、例えば、腫瘤の中心位置をマウスでクリックする。領域を指定する場合は、矩形、円または楕円等で囲む方法や、病変部と正常組織間との境界を自由曲線で囲む方法がある。中心座標のみを指定する場合や、矩形、円または楕円等で囲むことにより領域を指定する場合は、読影者の負担が小さいという利点があるが、画像特徴量抽出のために、別途、前記領域から腫瘤のみの領域を画像処理アルゴリズムにより自動抽出する必要がある。腫瘤領域抽出については、図４のステップＳ１１２と同じ手法を用いることができる。読影者により、病変の位置、領域の指定を行わない場合は、ステップＳ１１１の対象臓器領域抽出、および、ステップＳ１１２の病変領域抽出を行えばよい。
【０１４０】
ステップＳ２２において、読影者からの類似症例検索の要求を受け付ける。
【０１４１】
典型的な症状を有する腫瘤の場合や読影者が熟練者の場合、通常は迷うことなく読影レポートの記入が完了する。非典型な症状を有する腫瘤の場合や読影者の熟練度が低い場合などは、読影者が読影端末２００において類似症例検索要求を行う。読影対象画像に複数の病変が存在する場合は、診断に迷っている病変を指定した後、類似症例検索要求を行う。
【０１４２】
この病変の指定について説明する。ステップＳ２１の読影レポート記入時に、診断に迷っている病変を含めて既に病変の位置や領域が複数指定されていれば、そのうちのどれかを選択するだけでよい。ステップＳ２１にて、診断に迷っている病変を指定していなければ、ここで新たに病変を指定する。指定の方法として、病変の中心付近の１点を指定してもよいし、病変領域を指定してもよい。中心付近の１点が指定された場合は、指定された点を基準として予め定めたサイズの領域が設定され、この領域の中からステップＳ１１２と同じ方法を用いて詳細な病変領域が設定される。病変領域を大まかに指定した場合は、この領域の中からステップＳ１１２と同じ方法を用いて詳細な病変領域が設定される。
【０１４３】
そして、読影者からの類似症例検索要求があった場合は、ステップＳ２３に進む。この時、読影レポートは記入完了の状態であってもよく、記入途中であってもよい。全く未記入の状態でも後のステップＳ２５での類似症例検索は実行可能であるが、その場合は、本実施の形態の特徴である読影者の着目点に応じた類似症例検索は実行されず、予め設定された標準的な画像特徴量集合で類似症例検索を実行することになる。
【０１４４】
また、読影レポート記入時間が一定以上経過した場合、もしくは、読影者から読影終了に関する入力があった場合は、図２９の処理を終了する。類似症例検索要求、読影終了入力を受理するための処理部は図１には図示していないが、読影端末２００のキーボード内等に内蔵された物理的なスイッチでもよいし、医療用の高精細モニタ等で構成される読影対象画像表示部１３０に表示されたＧＵＩメニュー等でもよい。
【０１４５】
ステップＳ２３において、画像特徴抽出部１６０は、読影対象画像に対して、ステップＳ２２にて指定または抽出された病変領域から画像特徴量を抽出する。指定または抽出された病変領域が複数あればその全てに対して、予め定めているＮＦ個の特徴量を抽出する。画像特徴量の抽出方法は、ステップＳ１１４と同じである。
【０１４６】
ステップＳ２４において、レポート解析部１５０は、ステップＳ２１にて記入された読影レポートの解析を行う。ここでは、読影知識データベースの作成時におけるステップＳ１２の、読影項目および疾病名の抽出と同じ処理を実行する。
【０１４７】
ステップＳ２５において、重み決定部１７０および類似症例検索部１８０は、読影対象画像および読影者が記入した読影レポートを基にして、症例データベース１００から類似症例を検索する。ここでは、ステップＳ２１にて読影者が図５の読影レポートを記入済、ステップＳ２４にて図６の読影項目および疾病名が抽出済、ステップＳ２３で読影対象画像から画像特徴量が抽出済の状況を考える。また、読影知識データベース１１０には、図１４、図１６、図２３のような画像特徴量、読影項目、疾病名の三項のうち二項間の相関関係が格納済であるとする。さらに、ステップＳ２４において抽出した疾病名については、読影知識が追加されていない（疾病名の追加情報が「０」）とする。本実施の形態では、読影レポートから抽出された読影項目および疾病名の少なくとも１つを基に、類似症例検索にて重み付け距離計算を行う。即ち、抽出された読影項目および疾病名の少なくとも１つと関連する画像特徴量に関しては重みを相対的に大きくし、関連しない画像特徴量に関しては重みを相対的に小さくする。これにより、読影レポートに記入された医師の着目点を反映した類似症例検索が可能となる。つまり、類似症例検索部１８０は、症例データベース１００に記憶されている症例に含まれる医用画像と読影対象画像との間で重み付け距離を算出する。類似症例検索部１８０は、所定の閾値よりも小さい重み付け距離の算出の元となった医用画像を含む症例を類似症例として、症例データベース１００から検索する。または、類似症例検索部１８０は、小さいものから所定個数の重み付け距離の算出の元となった医用画像を含む症例を類似症例として、症例データベース１００から検索する。
【０１４８】
重み付け距離は、例えば式６にて計算できる。
【０１４９】
【数６】
【０１５０】
ここで、ｘは、読影対象画像から抽出された複数（ＮＦ個）の画像特徴量を全て連結したベクトルである。ｕｉは、症例データベース１００に格納された症例のうち、ｉ番目の症例から抽出された画像特徴量である。異なる種類の画像特徴量を連結する際は、特徴量毎のスケールの違いに影響を受けないよう正準化（平均０、分散１に正規化）を行っておく。
【０１５１】
以下に重み付け方法の具体例を示す。
【０１５２】
（１）読影レポートから読影項目および疾病名の両方が抽出できた場合
このケースは、読影者が読影レポートをほぼ記入終了し、類似症例検索の結果で記入内容の確信を高めようとしている状況に相当する。
【０１５３】
ここでは、（読影項目−画像特徴量）間の相関関係と、（読影項目−疾病名）間の相関関係を用いて重み付けを行う例について説明する。（疾病名−画像特徴量）間の相関関係も使用できなくはないが、上記２つの相関関係のみを用いて重み付けを行う。読影者の思考プロセスは、医用画像に着目する読影項目を判定した後、読影項目の判定結果により疾病名を最終判定していると考えられるためである。
【０１５４】
この時点で、図５の読影レポートから図６のように読影項目として「早期濃染」、「ｗａｓｈｏｕｔ」が、疾病名として「肝細胞がん」が抽出されている。重み決定部１７０は、読影知識データベース１１０に図１６の形式で格納された（読影項目−疾病名）間の相関関係テーブルを参照し、（早期濃染−肝細胞がん）間の相関関係と（ｗａｓｈｏｕｔ−肝細胞がん）間の相関関係を取得する。ここでは取得した相関関係を表す数値（相関値）をそのまま重みとして用い、それぞれｗｘ，ｗｙと表す。また、重み決定部１７０は、読影知識データベース１１０に図１４の形式で格納された（画像特徴量−読影項目）間の相関関係テーブルを参照し、「早期濃染」と全ての画像特徴量間の相関関係と、「ｗａｓｈｏｕｔ」と全ての画像特徴量間の相関関係を取得する。ここでは取得した相関関係を表す数値（相関値）をそのまま重みとして用い、それぞれｗａ，ｉ，ｗｂ，ｉと表す。ここで、ｉは画像特徴量の種類を表す添字である。重み決定部１７０は、これらの重みを用いて、ｉ番目の画像特徴量に対応する重みＷｉを式７のように計算する。
【０１５５】
【数７】
【０１５６】
以上の重み付け方法について、図３０に概要を示した。
【０１５７】
例えば、４番目の画像特徴量「エッジ強度」に対する重みは、ｗｘｗａ，４と、ｗｙｗｂ，４との和として求められる。ここで、ｗｘｗａ，４は、（早期濃染−エッジ強度）間の相関関係を表す値ｗａ，４を、同じ読影項目を含む（早期濃染−肝細胞がん）間の相関関係を表す値ｗｘで重み付けした値である。ｗｙｗｂ，４は、（ｗａｓｈｏｕｔ−エッジ強度）間の相関関係を表す値ｗｂ，４を、同じ読影項目を含む（ｗａｓｈａｏｕｔ−肝細胞がん）間の相関関係を表す値ｗｙで重み付けした値である。
【０１５８】
読影項目の個数が２以外の場合でも、（読影項目−疾病名）間の相関関係で重み付けした後の（読影項目−画像特徴量）間の相関関係を加算することで対応可能である。この式により、読影者が着目した読影項目および疾病名、読影項目と疾病名との関連性、および、読影項目と画像特徴量との関連性、を同時に考慮した重みが計算でき、その結果、それらを重視した類似症例検索が可能となる。
【０１５９】
また、図２９のフローチャートでは類似症例検索要求があった場合のみ類似症例検索を実行するが、読影レポート記入中の他のタイミングで類似症例検索を実行してもよい。他のタイミングとしては、少なくとも１個以上の読影項目または疾病名を記入後、一定時間以上、読影レポートの記入がされない場合などである。これは、読影者が読影に迷っていると解釈し、ヒントとなる類似症例を先回りして提示することにより読影を進展させることを意図した動作方法である。本実施の形態では、少なくとも１個以上の読影項目または疾病名が記入された場合、読影者のその着眼点を基に類似症例検索を実行することができる。以降に、読影レポートから読影項目のみが抽出できた場合、および、疾病名のみが抽出できた場合についても説明する。
【０１６０】
（２）読影レポートから読影項目のみが抽出できた場合
このケースは、読影者が着目すべき読影項目は判断できたものの、最終的な疾病名の診断に迷っており、類似症例検索の結果で疾病名診断のヒントを得ようとしている状況に相当する。ここでは、（読影項目−画像特徴量）間の相関関係のみを用いて重み付けを行う。
【０１６１】
この時点で、図示せぬ読影レポートから読影項目として「早期濃染」、「ｗａｓｈｏｕｔ」が抽出されているとする。重み決定部１７０は、読影知識データベース１１０に図１４の形式で格納された（画像特徴量−読影項目）間の相関関係テーブルを参照し、「早期濃染」と全ての画像特徴量間の相関関係と、「ｗａｓｈｏｕｔ」と全ての画像特徴量間の相関関係を取得する。ここでは取得した相関関係を表す数値（相関値）をそのまま重みとして用い、それぞれｗａ，ｉ，ｗｂ，ｉと表す。ここで、ｉは画像特徴量の種類を表す添字である。これらの重みを用い、ｉ番目の画像特徴量に対応する重みＷｉを、式８のように計算する。
【０１６２】
【数８】
【０１６３】
以上の重み付け方法について、図３１に概要を示した。
【０１６４】
例えば、４番目の画像特徴量「エッジ強度」に対する重みは、（早期濃染−エッジ強度）間の相関関係を表す値ｗａ，４と、（ｗａｓｈｏｕｔ−エッジ強度）間の相関関係を表す値ｗｂ，４とを足した値である。
【０１６５】
読影項目の個数が２以外の場合も、（読影項目−画像特徴量）間の相関関係を加算することで対応可能である。この式により、読影者が着目した読影項目、および、読影項目と画像特徴量との関連性、を同時に考慮した重みを計算することができ、その結果、それらを重視した類似症例検索が可能となる。
【０１６６】
（３）読影レポートから疾病名のみが抽出できた場合
このケースは、読影者が直感等で疾病名を推定したがその根拠となる読影項目の判断に迷っており、類似症例検索の結果で診断根拠（読影項目）のヒントを得ようとしている状況に相当する。ここでは、（疾病名−画像特徴量）間の相関関係のみを用いて重み付けを行う。
【０１６７】
この時点で、読影レポートから疾病名として「肝細胞がん」が抽出されているとする。重み決定部１７０は、読影知識データベース１１０に図２３の形式で格納された（画像特徴量−疾病名）間の相関関係テーブルを参照し、「肝細胞がん」と全ての画像特徴量間の相関関係を取得する。ここでは取得した相関関係を表す数値（相関値）をそのまま重みとして用い、ｗｉと表す。ここで、ｉは画像特徴量の種類を表す添字である。これらの重みを用い、ｉ番目の画像特徴量に対応する重みＷｉを、式９のように計算する。
【０１６８】
【数９】
【０１６９】
以上の重み付け方法について、図３２に概要を示した。
【０１７０】
例えば、４番目の画像特徴量「エッジ強度」に対する重みは、（肝細胞がん−エッジ強度）間の相関関係を表す値ｗ４である。
【０１７１】
疾病名は通常１個であるため、上記の処理を行えばよいが、２個以上の疾病名が記入された場合などは、それらを加算することで対応可能である。加算することにより、２個以上の疾病に対し、平均的な画像特徴量で類似症例検索が可能となる。この式により、読影者が着目した疾病名、および、疾病名と画像特徴量との関連性、を同時に考慮した重みが計算でき、その結果、それらを重視した類似症例検索が可能となる。
【０１７２】
なお、本実施の形態では、式６の重み付け距離を用いて画像間の類似判定を行ったが、用いる特徴量の総次元数が大きくなってくると、計算された距離において、相関値（重み）が小さい（または中程度の）多数の特徴量のために相関値（重み）の大きい特徴量が埋没する可能性がある。その場合は、対応する相関値が所定の閾値以上の画像特徴量のみを距離計算に使用する、あるいは、相関値の上位数個の画像特徴量のみを距離計算に使用するなどの方法を採用してもよい。その場合の個数は事前に定めておけばよい。
【０１７３】
次に読影知識が追加された相関関係（疾病名の追加情報が「１」）を用いた類似症例検索手順について説明する。つまり、図２９のステップＳ２５において、ステップＳ２４において抽出した疾病名について、読影知識が追加されている（疾病名の追加情報が「０」）と判断された場合の類似症例検索手順について説明する。
【０１７４】
読影知識が追加された相関関係（疾病名の追加情報が「１」）を用いた類似症例検索手順は、読影知識が追加されていない相関関係（疾病名の追加情報が「０」）を用いた類似症例検索手順と同様である。ただし、重み決定部１７０による画像特徴量の重み付けが異なる。このため、以下では、重み付け方法の具体例について説明する。
【０１７５】
（１）（画像特徴量−疾病名）間の相関関係が追加されている場合の重み付け方法その１
読影レポートから抽出された疾病名に対して読影知識が追加されている場合の画像特徴量の重み付け方法について、図３３および図３４を用いて説明する。
【０１７６】
ここでは特に、読影レポートから疾病名のみが抽出できた場合について説明する。
【０１７７】
このとき、先ほどと同様（疾病名−画像特徴量）間の相関関係のみを用いて重み付けを行う。
【０１７８】
図２９のステップＳ２４終了時点で、読影レポートから疾病名として「肝細胞がん」が抽出されているとする。
【０１７９】
ステップＳ２５において、重み決定部１７０は、読影知識データベース１１０に図２３の形式で格納された（画像特徴量−疾病名）間の相関関係テーブルにおいて追加情報を参照する。（画像特徴量−疾病名）間の相関関係が追加されている場合には、追加情報には「１」が格納されており、この場合には、図２３（図３３（ａ））の相関関係テーブルに含まれる「肝細胞がん」と全ての画像特徴量間の相関関係は取得せず、図２５（図３３（ｂ））の形式で格納された（画像特徴量−疾病名）間の相関関係テーブルに含まれる「肝細胞がん」と全ての画像特徴量間の相関関係を、組番号ごとに取得する。ここでは取得した相関関係を表す数値（相関値）をそのまま重みとして用い、ｗｉと表す。ここで、ｉは画像特徴量の種類を表す添字である。これらの重みを用い、ｉ番目の画像特徴量に対応する重みＷｉを、式９のように計算する。
【０１８０】
以上の重み付け方法について、図３３および図３４に概要を示した。
【０１８１】
ここで、図３３（ａ）の疾病名１のように（画像特徴量−疾病名）間の相関関係が追加されている場合には（追加情報が１の場合には）、疾病名に対して複数の画像パターンが存在する。このため、図３３（ｂ）に示すように相関関係も複数存在する。複数の相関関係が取得された場合には、相関関係ごとに、重みを計算し、類似症例検索に使用する。例えば、「肝細胞がん」に対して、相関関係が２組取得できた場合には、各相関関係について重みを決定し、これら両方について類似症例検索を実行する。
【０１８２】
各相関関係についての重み付け方法の概要は、図３４に示される。例えば、３番目の画像特徴量「平衡相 輝度平均」に対する重みは、（肝細胞がん−平衡相 輝度平均）間の相関関係を表す値ｗ３である。
【０１８３】
このように、相関関係ごとに重みを決定し類似症例検索を実行することにより、着目点の異なる２通りの類似症例検索結果が得られる。
【０１８４】
（２）（画像特徴量−疾病名）間の相関関係が追加されている場合の重み付け方法その２
次に、図２６に示す手順のように、図２１のステップＳ３３に示した読影知識を抽出する処理を行わずに、読影項目の組のみ抽出し、読影知識データベース１１０に格納した場合（図２７参照）の画像特徴量の重み付け方法について、図３５および図３６を用いて説明する。先ほどと同様、読影レポートから疾病名のみが抽出できた場合について説明する。
【０１８５】
このとき、先ほどと異なり（読影項目−画像特徴量）間の相関関係を用いて重み付けを行う。
【０１８６】
図２９のステップＳ２４終了時点で、読影レポートから疾病名として「肝細胞がん」が抽出されているとする。
【０１８７】
ステップＳ２５において、重み決定部１７０は、読影知識データベース１１０に図２３の形式で格納された（画像特徴量−疾病名）間の相関関係テーブルにおいて追加情報を参照する。（画像特徴量−疾病名）間の相関関係が追加されている場合には、追加情報には「１」が格納されており、この場合には、図２３（図３５（ａ））の相関関係テーブルに含まれる「肝細胞がん」と全ての画像特徴量間の相関関係は取得せず、図２７（図３５（ｂ））の形式で格納された読影項目の組に関する情報を、組番号ごとに取得する。組番号ごとに、取得した読影項目の組を用いて、読影レポートから複数の読影項目が抽出された場合と同様、図１４（図３５（ｃ））の形式で格納された（読影項目−画像特徴量）間の相関関係テーブルを参照する。例えば、「肝細胞がん」と相関が高い読影項目として「早期濃染」と「ｗａｓｈｏｕｔ」が抽出されたとする。このときには、「早期濃染」と全ての画像特徴量間の相関関係と、「ｗａｓｈｏｕｔ」と全ての画像特徴量間の相関関係を取得する。ここでは取得した相関関係を表す数値（相関値）をそのまま重みとして用い、それぞれｗａ，ｉ，ｗｂ，ｉと表す。ここで、ｉは画像特徴量の種類を表す添字である。これらの重みを用い、ｉ番目の画像特徴量に対応する重みＷｉを、式８のように計算する。
【０１８８】
以上の重み付け方法について、図３５および図３６に概要を示した。
【０１８９】
先ほどと同様、図３５（ａ）の疾病名１のように（画像特徴量−疾病名）間の相関関係が追加されている場合には（追加情報が１の場合には）、疾病名に対して複数の画像パターンが存在する。このため、図３５（ｂ）および図３５（ｃ）に示すように相関関係も複数存在する。複数の相関関係が取得された場合には、先ほどと同様に取得した相関関係ごとに、重みを計算し、類似症例検索に使用する。
【０１９０】
各相関関係について重み付け方法の概要は図３６に示される。
【０１９１】
例えば、３番目の画像特徴量「平衡相 輝度平均」に対する重みは、（早期濃染−平衡相 輝度平均）間の相関関係を表す値ｗａ，３と、（ｗａｓｈｏｕｔ−平衡相 輝度平均）間の相関関係を表す値ｗｂ，３とを足した値である。
【０１９２】
このように、相関関係ごとに重みを決定し類似症例検索を実行することにより、着目点の異なる２通りの類似症例検索結果が得られる。
【０１９３】
以上説明したように本実施の形態における類似症例の検索では、読影レポートから抽出された読影項目および疾病名の少なくとも１つを基に、類似症例検索にて重み付け距離計算を行う。即ち、抽出された読影項目および疾病名の少なくとも１つと関連する画像特徴量に関しては重みを相対的に大きく、関連しない画像特徴量に関しては重みを相対的に小さくする。このとき、疾病名に対応する画像パターンが複数存在する場合であっても、三項関係により相関関係が追加された重みを使用することができる。つまり、疾病名と関連性が高い画像特徴量の組合せが複数存在する場合には、画像特徴量の組合せごとに、読影項目を介した画像特徴量と対象疾病名との間の関連性を示す二項間関係情報を用いて、重み付けを行っている。このため、対象疾病名に対して複数種類の画像パターンが存在する場合であっても、それらを区別して類似症例検索を行うことができる。
【０１９４】
これにより、読影レポートに記入された医師の着目点を反映した類似症例検索が可能となる。
【０１９５】
なお、図１に示す類似症例検索装置は、症例データベース１００および読影知識データベース１１０を備える構成としたが、読影知識データベース１１０および読影知識データベース１１０は、必ずしも類似症例検索装置に備えられていなくてもよく、類似症例検索装置が存在する場所とは異なる場所に備えられていても良い。この場合、類似症例検索装置の重み決定部１７０と類似症例検索部１８０が、それぞれ、ネットワークを介して読影知識データベース１１０と症例データベース１００に接続されている。
【０１９６】
同様に、図２に示す読影知識抽出装置に、症例データベース１００および読影知識データベース１１０は、必ずしも備えられていなくてもよく、読影知識抽出装置が存在する場所とは異なる場所に備えられていても良い。この場合、読影知識抽出部２１０、読影知識判定部２２０および読影項目抽出部２３０が、ネットワークを介して読影知識データベース１１０に接続されており、レポート解析部２５０および画像特徴抽出部２６０が、ネットワークを介して症例データベース１００に接続されている。
【０１９７】
また、本実施の形態では、（画像特徴量−疾病名）間の相関関係が追加されている場合の重み付け方法について、読影レポートから疾病名のみが抽出できた場合を中心に説明したが、先に説明した読影レポートから読影項目および疾病名の両方が抽出できた場合、または読影レポートから読影項目のみが抽出できた場合においても同様に重み付けを行うことが可能である。
【０１９８】
また、（画像特徴量−疾病名）間の相関関係が追加されている場合において、相関関係が複数組取得できた場合には、類似症例検索結果としては着目点の異なる複数通りの類似症例検索結果が得られるが、これらは検索結果として全て表示してもよい。さらに、医用画像、読影レポートと同時に着眼点として採用した読影項目の組を表示してもよい。
【０１９９】
また、類似症例検索装置の本発明に必須の構成要素は、画像特徴抽出部１６０と、レポート解析部１５０と、重み決定部１７０と、類似症例検索部１８０とであり、その他の構成要素は、本発明の課題を達成するのに必ずしも必要ではない。
【０２００】
また、読影知識抽出装置の本発明に必須の構成要素は、画像特徴抽出部２６０と、レポート解析部２５０と、読影知識抽出部２１０と、読影知識判定部２２０と、読影項目抽出部２３０とであり、その他の構成要素は、本発明の課題を達成するのに必ずしも必要ではない。
【０２０１】
また、上記の各装置は、具体的には、マイクロプロセッサ、ＲＯＭ、ＲＡＭ、ハードディスクドライブ、ディスプレイユニット、キーボード、マウスなどから構成されるコンピュータシステムとして構成されても良い。ＲＡＭまたはハードディスクドライブには、コンピュータプログラムが記憶されている。マイクロプロセッサが、コンピュータプログラムに従って動作することにより、各装置は、その機能を達成する。ここでコンピュータプログラムは、所定の機能を達成するために、コンピュータに対する指令を示す命令コードが複数個組み合わされて構成されたものである。
【０２０２】
さらに、上記の各装置を構成する構成要素の一部または全部は、１個のシステムＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ：大規模集積回路）から構成されているとしても良い。システムＬＳＩは、複数の構成部を１個のチップ上に集積して製造された超多機能ＬＳＩであり、具体的には、マイクロプロセッサ、ＲＯＭ、ＲＡＭなどを含んで構成されるコンピュータシステムである。ＲＡＭには、コンピュータプログラムが記憶されている。マイクロプロセッサが、コンピュータプログラムに従って動作することにより、システムＬＳＩは、その機能を達成する。
【０２０３】
さらにまた、上記の各装置を構成する構成要素の一部または全部は、各装置に脱着可能なＩＣカードまたは単体のモジュールから構成されているとしても良い。ＩＣカードまたはモジュールは、マイクロプロセッサ、ＲＯＭ、ＲＡＭなどから構成されるコンピュータシステムである。ＩＣカードまたはモジュールは、上記の超多機能ＬＳＩを含むとしても良い。マイクロプロセッサが、コンピュータプログラムに従って動作することにより、ＩＣカードまたはモジュールは、その機能を達成する。このＩＣカードまたはこのモジュールは、耐タンパ性を有するとしても良い。
【０２０４】
また、本発明は、上記に示す方法であるとしても良い。また、これらの方法をコンピュータにより実現するコンピュータプログラムであるとしても良いし、前記コンピュータプログラムからなるデジタル信号であるとしても良い。
【０２０５】
さらに、本発明は、上記コンピュータプログラムまたは上記デジタル信号をコンピュータ読取可能な非一時的な記録媒体、例えば、フレキシブルディスク、ハードディスク、ＣＤ−ＲＯＭ、ＭＯ、ＤＶＤ、ＤＶＤ−ＲＯＭ、ＤＶＤ−ＲＡＭ、ＢＤ（Ｂｌｕ−ｒａｙ Ｄｉｓｃ（登録商標））、半導体メモリなどに記録したものとしても良い。また、これらの非一時的な記録媒体に記録されている上記デジタル信号であるとしても良い。
【０２０６】
また、本発明は、上記コンピュータプログラムまたは上記デジタル信号を、電気通信回線、無線または有線通信回線、インターネットを代表とするネットワーク、データ放送等を経由して伝送するものとしても良い。
【０２０７】
また、本発明は、マイクロプロセッサとメモリを備えたコンピュータシステムであって、上記メモリは、上記コンピュータプログラムを記憶しており、上記マイクロプロセッサは、上記コンピュータプログラムに従って動作するとしても良い。
【０２０８】
また、上記プログラムまたは上記デジタル信号を上記非一時的な記録媒体に記録して移送することにより、または上記プログラムまたは上記デジタル信号を上記ネットワーク等を経由して移送することにより、独立した他のコンピュータシステムにより実施するとしても良い。
【０２０９】
さらに、上記実施の形態及び上記変形例をそれぞれ組み合わせるとしても良い。
【０２１０】
今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は上記した説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。
【産業上の利用可能性】
【０２１１】
本発明は、読影者に参考となる類似症例を検索および提示する類似症例検索装置、類似症例検索装置で用いられる読影知識を抽出する読影知識抽出装置、および、研修読影医のための読影教育装置等に利用可能である。
【符号の説明】
【０２１２】
１００ 症例データベース
１１０ 読影知識データベース
１２０ 読影対象画像読込部
１３０ 読影対象画像表示部
１４０ レポート入出力部
１５０、２５０ レポート解析部
１６０、２６０ 画像特徴抽出部
１７０ 重み決定部
１８０ 類似症例検索部
１９０ 類似症例表示部
２００ 読影端末
２１０ 読影知識抽出部
２２０ 読影知識判定部
２３０ 読影項目抽出部
【技術分野】
【０００１】
本発明は、医用画像の読影に参考となる類似症例を検索するための類似症例検索装置および類似症例の検索時に用いられる読影知識を抽出するための読影知識抽出装置に関する。
【背景技術】
【０００２】
近年、ＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）、ＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）等の医用画像装置の発達および普及によりデジタル化された高精細医用画像が大容量で取得可能になっている。また、医師により読影済の医用画像は読影レポートと共にＰＡＣＳ（Ｐｉｃｔｕｒｅ Ａｒｃｈｉｖｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍｓ）に順次蓄積されつつある。ここで、新たな読影の参考とするため、読影対象の医用画像と類似した過去の医用画像を、蓄積済の過去症例から検索する技術が開発され始めている。
【０００３】
類似画像検索には画像間の類似度を決定する画像特徴量の選択が重要であるが、従来の画像検索装置として次のような技術が開示されている。
【０００４】
医用画像間の類似度を決定するための画像特徴量は疾病の種類、疾病の進行度、または疾病の重症度、等により異なるべきであるが、従来の医用画像類似検索ではそれらの状況に関わらず同じ画像特徴量を使用していることが課題として存在していた。非特許文献１は、解決手段として、“ｃｕｓｔｏｍｉｚｅｄ−ｑｕｅｒｉｅｓ” ａｐｐｒｏａｃｈ（ＣＱＡ）という２ステップの検索法を提案している。これは、第一ステップにて、疾病の種類、疾病の進行度または疾病の重症度、等のクラスを最も良好に分類できる画像特徴量を用いて、クエリ画像を分類する。第二ステップにて、分類結果となったクラスに含まれる症例をさらに細分類するために最適化された画像特徴量を用いて、類似画像を検索する。このとき、クラス毎に最適な画像特徴量は教師なし学習（ｕｎｓｕｐｅｒｖｉｓｅｄ ｌｅａｒｎｉｎｇ）により事前に求めておく。また、同文献では、ＣＱＡを肺ＣＴ画像に対して適用し、従来の１種類の画像特徴量を用いた類似画像検索よりも、検索再現率を向上させている。
【先行技術文献】
【非特許文献】
【０００５】
【非特許文献１】Ｊｅｎｎｉｆｅｒ Ｇ．Ｄｙ ｅｔ ａｌ． “Ｕｎｓｕｐｅｒｖｉｓｅｄ Ｆｅａｔｕｒｅ Ｓｅｌｅｃｔｉｏｎ Ａｐｐｌｉｅｄ ｔｏ Ｃｏｎｔｅｎｔ−ｂａｓｅｄ Ｒｅｔｒｉｅｖａｌ ｏｆ Ｌｕｎｇ Ｉｍａｇｅｓ”， ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｐａｔｔｅｒｎ Ａｎａｌｙｓｉｓ ａｎｄ Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ｖｏｌ．２５， ｎｏ．３， Ｍａｒｃｈ ２００３
【発明の概要】
【発明が解決しようとする課題】
【０００６】
しかしながら、前記従来の構成では、識別された疾病の種類、疾病の進行度または疾病の重症度、等により画像特徴量（即ち、類似基準）が決定され、決定された画像特徴量を用いて類似画像が検索されるだけであり、読影対象の医用画像に対する読影者の着目点を反映した類似画像検索にはなっていない。即ち、読影者が下した診断の裏づけや読影者が迷っている診断への補助にはなりにくいという課題を有している。
【０００７】
本発明は前記課題を解決するもので、読影者の着目点を類似画像検索に反映させた類似症例検索装置を提供することを目的とする。
【０００８】
また、読影者の着目点を類似画像検索に反映させた類似症例検索において用いられる読影知識を抽出するための読影知識抽出装置を提供することも目的とする。
【課題を解決するための手段】
【０００９】
前記従来の課題を解決するために、本発明のある局面に係る類似症例検索装置は、医用画像と当該医用画像を読影した結果が記載された文書データである読影レポートとを含む症例データに類似する症例データを症例データベースより検索する類似症例検索装置であって、前記読影レポートは、（ａ）医用画像の特徴を示す文字列である読影項目および（ｂ）医用画像に基づく読影者の診断結果である疾病名のうち少なくとも疾病名を含み、前記類似症例検索装置は、読影対象の医用画像である読影対象画像から複数の画像特徴量を抽出する画像特徴抽出部と、前記読影対象画像に対する読影レポートである対象読影レポートから疾病名を抽出するレポート解析部と、読影知識データベースに基づいて、画像特徴量毎の重みを決定する重み決定部と、前記画像特徴抽出部で抽出された前記複数の画像特徴量と、症例データベースに登録されている症例データに含まれる医用画像から抽出される複数の画像特徴量とを、前記重み決定部で決定された画像特徴量毎の重みで重み付けして比較することにより、前記読影対象画像に類似する医用画像を含む症例データを前記症例データベースより検索する類似症例検索部とを備え、前記読影知識データベースは、医用画像から抽出される各画像特徴量と各読影項目との間の関連性を予め定めた第１の二項間関係情報と、各読影項目と各疾病名との間の関連性を予め定めた第２の二項間関係情報と、各画像特徴量と各疾病名との間の関連性を予め定めた第３の二項間関係情報と、疾病名ごとに、疾病名と関連性が高い画像特徴量の組合せが複数存在するか否かを示す存否情報とを含み、前記重み決定部は、前記読影知識データベースに含まれる前記存否情報に基づいて前記レポート解析部が抽出した疾病名である対象疾病名と関連性が高い画像特徴量の組合せが複数存在すると判断できる場合に、画像特徴量の組合せごとに、前記知識データベースに含まれる前記第１の二項間関係情報および前記第２の二項間関係情報から算出される、読影項目を介した各画像特徴量と前記対象疾病名との間の関連性を示す第４の二項間関係情報を、前記第３の二項間関係情報に代えて用い、前記画像特徴抽出部が抽出した画像特徴量ごとに、当該画像特徴量と前記対象疾病名との間の関連性が高いほど大きな値の重みを決定する。
【００１０】
この構成によると、医用画像または読影対象画像から抽出される各画像特徴量について、対象読影レポートに記載されている対象疾病名との間の関連性が高いものほど大きな重みで重み付けを行った上で、重み付けされた画像特徴量同士を比較することにより類似症例を検索している。これにより、対象読影レポートに記入された読影者の着目点を反映した上で、類似症例検索を行うことができる。このとき、対象疾病名と関連性が高い画像特徴量の組合せが複数存在する場合には、画像特徴量の組合せごとに、読影項目を介した画像特徴量と対象疾病名との間の関連性を示す第４の二項間関係情報を用いて、重み付けを行っている。このため、対象疾病名に対して複数種類の画像パターンが存在する場合であっても、それらを区別して類似症例検索を行うことができる。
【００１１】
本発明の他の局面に係る読影知識抽出装置は、医用画像と当該医用画像を読影した結果が記載された文書データである読影レポートとを含む複数の症例データから、読影知識を抽出する読影知識抽出装置であって、前記読影レポートは、（ａ）医用画像の特徴を示す文字列である読影項目または（ｂ）医用画像に基づく読影者の診断結果である疾病名を含み、前記読影知識抽出装置は、前記各症例データに含まれる医用画像から複数の画像特徴量を抽出する画像特徴抽出部と、前記各症例データに含まれる読影レポートから疾病名および読影項目を抽出するレポート解析部と、前記画像特徴抽出部が抽出した各画像特徴量と前記レポート解析部が抽出した各読影項目との間の関連性を定める第１の二項間関係情報と、前記レポート解析部が抽出した各読影項目と前記レポート解析部が抽出した各疾病名との間の関連性を定める第２の二項間関係情報と、前記画像特徴抽出部が抽出した各画像特徴量と前記レポート解析部が抽出した各疾病名との間の関連性を定める第３の二項間関係情報とを、読影知識として抽出する読影知識抽出部と、前記第１の二項間関係情報と、前記第２の二項間関係情報と、前記第３の二項間関係情報とに基づいて、疾病名ごとに疾病名と関連性が高い画像特徴量の組合せが複数存在するか否かを判定する読影知識判定部と、前記第２の二項間関係情報に基づいて、前記読影知識判定部が関連性が高い画像特徴量の組合せが複数存在すると判定した疾病名ごとに、当該疾病名と画像特徴量の組合せとを関連付ける読影項目の組を、画像特徴量の組合せごとに抽出する読影項目抽出部と、を備え、前記読影知識抽出部は、さらに、前記読影項目抽出部が抽出した読影項目の組ごとに、当該読影項目の組と前記画像特徴抽出部が抽出した各画像特徴量との間の関連性を定める二項間関係情報を、前記読影知識判定部が関連性が高いと判定した疾病名と画像特徴量の組合せに含まれる各画像特徴量との間の関連性を示す読影知識である第４の二項間関係情報として抽出する。
【００１２】
この構成によると、１つの疾病名に対して複数種類の画像パターンが存在する場合であっても、第４の二項間関係情報として、画像パターン毎の疾病名と各画像特徴量との間の関連性を抽出することができる。このため、読影者の着目点を類似画像検索に反映させた類似症例検索において用いられる読影知識を抽出することができる。
【００１３】
なお、本発明は、このような特徴的な処理部を備える装置として実現することができるだけでなく、装置に含まれる特徴的な処理部が実行する処理をステップとする方法として実現することができる。また、装置に含まれる特徴的な処理部としてコンピュータを機能させるためのプログラムまたは方法に含まれる特徴的なステップをコンピュータに実行させるプログラムとして実現することもできる。そして、そのようなプログラムを、ＣＤ−ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ−Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等のコンピュータ読取可能な非一時的な記録媒体やインターネット等の通信ネットワークを介して流通させることができるのは、言うまでもない。
【発明の効果】
【００１４】
本発明によれば、読影者の着目点を類似画像検索に反映させた類似症例検索装置を提供することができる。また、読影者の着目点を類似画像検索に反映させた類似症例検索において用いられる読影知識を抽出するための読影知識抽出装置を提供するもできる。
【図面の簡単な説明】
【００１５】
【図１】本発明の実施の形態における類似症例検索装置の構成を示すブロック図
【図２】本発明の実施の形態における読影知識抽出装置の構成を示すブロック図
【図３】本発明の実施の形態における読影知識作成の手順を示すフローチャート
【図４】本発明の実施の形態における画像特徴量抽出の手順を示すフローチャート
【図５】本発明の実施の形態における腹部ＣＴ検査の読影レポートの例を示す図
【図６】本発明の実施の形態における読影レポートから抽出された読影項目および疾病名を示す図
【図７】本発明の実施の形態における読影レポートから抽出された読影項目および疾病名、および、読影項目と同時に抽出された位置と時相の情報を示す図
【図８】本発明の実施の形態における読影レポートから抽出された読影項目および疾病名、および、文脈解釈を行って読影項目と同時に抽出された位置と時相の情報を示す図
【図９】本発明の実施の形態における、読影知識抽出のために取得したデータ一式を示す図
【図１０】本発明の実施の形態における、読影項目と画像特徴量との間の相関関係（二値）の概念図
【図１１】本発明の実施の形態における、読影項目と画像特徴量との間の相関関係（多値）の概念図
【図１２】本発明の実施の形態における、疾病名と画像特徴量との間の相関関係（二値）の概念図
【図１３】本発明の実施の形態における、読影項目と疾病名との間の相関関係（二値）の概念図
【図１４】本発明の実施の形態における、読影知識として抽出した（画像特徴量−読影項目）間の相関関係の格納形式を示す図
【図１５】本発明の実施の形態における、読影知識として抽出した（画像特徴量−疾病名）間の相関関係の格納形式を示す図
【図１６】本発明の実施の形態における、読影知識として抽出した（読影項目−疾病名）間の相関関係の格納形式を示す図
【図１７】疾病名「肝細胞がん」の早期病変領域における画像パターンの違いを示す概念図
【図１８】テキスト特徴量（疾病名「肝細胞がん」）の有無による画像特徴量「早期相における腫瘤内部の輝度平均値」の分布の違いを示す概念図
【図１９】本発明の実施の形態における、画像パターンが複数存在する場合の三項間の相対関係の概念図
【図２０】本発明の実施の形態における、読影知識を追加した場合の（画像特徴量−疾病名）間の相関関係の概念図
【図２１】本発明の実施の形態における読影知識の追加手順を示すフローチャート
【図２２】本発明の実施の形態における読影知識判定処理（図２１のステップＳ３１）の詳細を示すフローチャート
【図２３】本発明の実施の形態における、読影知識の追加後の（画像特徴量−疾病名）間の相関関係の格納形式を示す図
【図２４】本発明の実施の形態における読影項目抽出処理（図２１のステップＳ３２）の詳細を示すフローチャート
【図２５】本発明の実施の形態における、疾病名と相関の高い読影項目の組により事前に抽出された（画像特徴量−疾病名）間の相関関係の格納形式を示す図
【図２６】本発明の実施の形態における、読影項目の抽出のみ行う場合の読影知識の追加手順を示すフローチャート
【図２７】本発明の実施の形態における、疾病名と相関の高い読影項目の組の格納形式を示す図
【図２８】本発明の実施の形態における、疾病名と相関の高い読影項目の組により事前に抽出された（画像特徴量−疾病名）間の相関関係の格納形式を示す図
【図２９】本発明の実施の形態における類似症例検索の手順を示すフローチャート
【図３０】本発明の実施の形態における類似症例検索時の重み付け方法を示す図
【図３１】本発明の実施の形態における類似症例検索時の重み付け方法を示す図
【図３２】本発明の実施の形態における類似症例検索時の重み付け方法を示す図
【図３３】本発明の実施の形態における、（画像特徴量−疾病名）間の相関関係が追加されている場合の重み付け方法を示す図
【図３４】本発明の実施の形態における、（画像特徴量−疾病名）間の相関関係が追加されている場合の重み付け方法を示す図
【図３５】本発明の実施の形態における、（画像特徴量−疾病名）間の相関関係が追加されている場合の重み付け方法を示す図
【図３６】本発明の実施の形態における、（画像特徴量−疾病名）間の相関関係が追加されている場合の重み付け方法を示す図
【発明を実施するための形態】
【００１６】
以下本発明の実施の形態について、図面を参照しながら説明する。なお、以下で説明する実施の形態は、いずれも本発明の好ましい一具体例を示すものである。以下の実施の形態で示される数値、構成要素、構成要素の接続形態、ステップ、ステップの順序などは、一例であり、本発明を限定する主旨ではない。本発明は、特許請求の範囲だけによって限定される。よって、以下の実施の形態における構成要素のうち、本発明の最上位概念を示す独立請求項に記載されていない構成要素については、本発明の課題を達成するのに必ずしも必要ではないが、より好ましい形態を構成するものとして説明される。
【００１７】
本発明のある実施態様に係る類似症例検索装置は、医用画像と当該医用画像を読影した結果が記載された文書データである読影レポートとを含む症例データに類似する症例データを症例データベースより検索する類似症例検索装置であって、前記読影レポートは、（ａ）医用画像の特徴を示す文字列である読影項目および（ｂ）医用画像に基づく読影者の診断結果である疾病名のうち少なくとも疾病名を含み、前記類似症例検索装置は、読影対象の医用画像である読影対象画像から複数の画像特徴量を抽出する画像特徴抽出部と、前記読影対象画像に対する読影レポートである対象読影レポートから疾病名を抽出するレポート解析部と、読影知識データベースに基づいて、画像特徴量毎の重みを決定する重み決定部と、前記画像特徴抽出部で抽出された前記複数の画像特徴量と、症例データベースに登録されている症例データに含まれる医用画像から抽出される複数の画像特徴量とを、前記重み決定部で決定された画像特徴量毎の重みで重み付けして比較することにより、前記読影対象画像に類似する医用画像を含む症例データを前記症例データベースより検索する類似症例検索部とを備え、前記読影知識データベースは、医用画像から抽出される各画像特徴量と各読影項目との間の関連性を予め定めた第１の二項間関係情報と、各読影項目と各疾病名との間の関連性を予め定めた第２の二項間関係情報と、各画像特徴量と各疾病名との間の関連性を予め定めた第３の二項間関係情報と、疾病名ごとに、疾病名と関連性が高い画像特徴量の組合せが複数存在するか否かを示す存否情報とを含み、前記重み決定部は、前記読影知識データベースに含まれる前記存否情報に基づいて前記レポート解析部が抽出した疾病名である対象疾病名と関連性が高い画像特徴量の組合せが複数存在すると判断できる場合に、画像特徴量の組合せごとに、前記知識データベースに含まれる前記第１の二項間関係情報および前記第２の二項間関係情報から算出される、読影項目を介した各画像特徴量と前記対象疾病名との間の関連性を示す第４の二項間関係情報を、前記第３の二項間関係情報に代えて用い、前記画像特徴抽出部が抽出した画像特徴量ごとに、当該画像特徴量と前記対象疾病名との間の関連性が高いほど大きな値の重みを決定する。
【００１８】
この構成によると、医用画像または読影対象画像から抽出される各画像特徴量について、対象読影レポートに記載されている対象疾病名との間の関連性が高いものほど大きな重みで重み付けを行った上で、重み付けされた画像特徴量同士を比較することにより類似症例を検索している。これにより、対象読影レポートに記入された読影者の着目点を反映した上で、類似症例検索を行うことができる。このとき、対象疾病名と関連性が高い画像特徴量の組合せが複数存在する場合には、画像特徴量の組合せごとに、読影項目を介した画像特徴量と対象疾病名との間の関連性を示す第４の二項間関係情報を用いて、重み付けを行っている。このため、対象疾病名に対して複数種類の画像パターンが存在する場合であっても、それらを区別して類似症例検索を行うことができる。
【００１９】
好ましくは、前記重み決定部は、前記読影知識データベースに含まれる前記存否情報に基づいて前記対象疾病名と関連性が高い画像特徴量の組合せが１種類しか存在しないと判断できる場合に前記第３の二項間関係情報を用い、前記画像特徴抽出部が抽出した画像特徴量ごとに、当該画像特徴量と前記対象疾病名との間の関連性が高いほど大きな値の重みを決定する。
【００２０】
本発明の他の実施態様に係る読影知識抽出装置は、医用画像と当該医用画像を読影した結果が記載された文書データである読影レポートとを含む複数の症例データから、読影知識を抽出する読影知識抽出装置であって、前記読影レポートは、（ａ）医用画像の特徴を示す文字列である読影項目または（ｂ）医用画像に基づく読影者の診断結果である疾病名を含み、前記読影知識抽出装置は、前記各症例データに含まれる医用画像から複数の画像特徴量を抽出する画像特徴抽出部と、前記各症例データに含まれる読影レポートから疾病名および読影項目を抽出するレポート解析部と、前記画像特徴抽出部が抽出した各画像特徴量と前記レポート解析部が抽出した各読影項目との間の関連性を定める第１の二項間関係情報と、前記レポート解析部が抽出した各読影項目と前記レポート解析部が抽出した各疾病名との間の関連性を定める第２の二項間関係情報と、前記画像特徴抽出部が抽出した各画像特徴量と前記レポート解析部が抽出した各疾病名との間の関連性を定める第３の二項間関係情報とを、読影知識として抽出する読影知識抽出部と、前記第１の二項間関係情報と、前記第２の二項間関係情報と、前記第３の二項間関係情報とに基づいて、疾病名ごとに疾病名と関連性が高い画像特徴量の組合せが複数存在するか否かを判定する読影知識判定部と、前記第２の二項間関係情報に基づいて、前記読影知識判定部が関連性が高い画像特徴量の組合せが複数存在すると判定した疾病名ごとに、当該疾病名と画像特徴量の組合せとを関連付ける読影項目の組を、画像特徴量の組合せごとに抽出する読影項目抽出部と、を備え、前記読影知識抽出部は、さらに、前記読影項目抽出部が抽出した読影項目の組ごとに、当該読影項目の組と前記画像特徴抽出部が抽出した各画像特徴量との間の関連性を定める二項間関係情報を、前記読影知識判定部が関連性が高いと判定した疾病名と画像特徴量の組合せに含まれる各画像特徴量との間の関連性を示す読影知識である第４の二項間関係情報として抽出する。
【００２１】
この構成によると、１つの疾病名に対して複数種類の画像パターンが存在する場合であっても、第４の二項間関係情報として、画像パターン毎の疾病名と各画像特徴量との間の関連性を抽出することができる。このため、読影者の着目点を類似画像検索に反映させた類似症例検索において用いられる読影知識を抽出することができる。
【００２２】
好ましくは、前記読影知識判定部は、（ａ）前記第３の二項間関係情報から選択される第１の画像特徴量と第１の疾病名との間の関連性を定める第１の相関値と、（ｂ）前記第２の二項間関係情報から選択される前記第１の疾病名と第１の読影項目との間の関連性を定める相関値が相関値閾値以上の前記第１の読影項目について、前記第１の二項間関係情報から選択される前記第１の読影項目と前記第１の画像特徴量との間の関連性を定める第２の相関値との間の差分値を計算し、計算した前記差分値が差分閾値よりも大きい場合に、前記第１の疾病名と関連性が高い画像特徴量の組合せが複数存在すると判定する。
【００２３】
さらに好ましくは、前記読影項目抽出部は、前記読影知識判定部が関連性が高い画像特徴量の組合せが複数存在すると判定した疾病名ごとに、前記第２の二項間関係情報が示す当該疾病名との間の相関値が第１閾値よりも大きい読影項目から作成される全ての読影項目の組のうち、当該疾病名との間の相関値が第２の閾値以上となる読影項目の組を、当該疾病名と前記画像特徴量の組合せとを関連付ける読影項目の組として抽出する。
【００２４】
図１は、本発明の実施の形態における類似症例検索装置の構成を示すブロック図である。
【００２５】
類似症例検索装置は、症例データベース１００と、読影知識データベース１１０と、読影対象画像読込部１２０と、読影対象画像表示部１３０と、レポート入出力部１４０と、レポート解析部１５０と、画像特徴抽出部１６０と、重み決定部１７０と、類似症例検索部１８０と、類似症例表示部１９０とを含む。
【００２６】
症例データベース１００は、ＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）またはＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）等の医用画像（本明細書中では「画像データ」のことを単に「画像」と言う）と、その医用画像を読影した結果である読影レポートとの対から構成される症例データ（以下、単に「症例」と言う。）を複数格納したデータベースである。読影知識データベース１１０は、複数の症例を解析することにより得た読影知識を格納したデータベースである。詳細については後述する。症例データベース１００および読影知識データベース１１０は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）などの記憶装置に記憶される。
【００２７】
読影対象画像読込部１２０は、ＣＴやＭＲＩ等の医用画像撮影装置で撮影された画像を、医用画像撮影装置または外部接続された記憶装置などから読み込む。
【００２８】
読影対象画像表示部１３０は、医療用の高精細モニタ等で構成され、読影対象画像読込部１２０で読み込んだ読影対象画像を表示する。
【００２９】
レポート入出力部１４０は、キーボードやマウスなどの入力装置と、そのような入力装置を用いて入力されたレポートを表示することにより、入力者に確認させるための表示装置とで構成されている。読影者は読影対象画像表示部１３０に表示された読影対象画像を参照しながら、レポート入出力部１４０を通して読影レポートを入力する。
【００３０】
読影対象画像表示部１３０、レポート入出力部１４０、および、後述する類似症例表示部１９０は、読影端末２００を構成する。
【００３１】
レポート解析部１５０は、レポート入出力部１４０で入力された読影レポートを解析し、テキスト特徴量（読影項目および疾病名）を抽出する。
【００３２】
画像特徴抽出部１６０は、読影対象画像読込部１２０で読み込まれた読影対象画像から複数種類の画像特徴量を抽出する。
【００３３】
重み決定部１７０は、レポート解析部１５０で抽出されたテキスト特徴量、画像特徴抽出部１６０で抽出された画像特徴量、および、読影知識データベース１１０に格納された読影知識から、画像検索で使用する複数の画像特徴量に対する重みをそれぞれ決定する。
【００３４】
類似症例検索部１８０は、画像特徴抽出部１６０で抽出された画像特徴量、および、重み決定部１７０で決定された重みを利用して、症例データベース１００から読影対象画像と類似した医用画像を含む症例を検索する。
【００３５】
類似症例表示部１９０は、類似症例検索部１８０で検索された類似症例を表示する。類似症例表示部１９０は、読影対象画像表示部１３０を構成する高精細モニタと同じ機種で別途構成されていてもよく、読影対象画像表示部１３０を構成する高精細モニタに読影対象画像と類似症例を同時に表示してもよい。なお、類似症例表示部１９０と読影対象画像表示部１３０との機種は異なっていても良い。
【００３６】
図２は、本発明の実施の形態における読影知識抽出装置の構成を示すブロック図である。
【００３７】
読影知識抽出装置は、レポート解析部２５０と、画像特徴抽出部２６０と、読影知識抽出部２１０と、読影知識判定部２２０と、読影項目抽出部２３０と、症例データベース１００と、読影知識データベース１１０とを備える。
【００３８】
症例データベース１００および読影知識データベース１１０は、図１に示したものと同様の構成を有する。
【００３９】
レポート解析部２５０は、症例データベース１００から読み込まれた読影レポートを解析し、テキスト特徴量を抽出する。レポート解析部２５０は、読影レポートを読み込む先が異なる以外はレポート解析部１５０と同じである。
【００４０】
画像特徴抽出部２６０は、症例データベース１００から読み込まれた読影対象画像から複数種類の画像特徴量を抽出する。画像特徴抽出部２６０は、読影対象画像を読み込む先が異なる以外は、画像特徴抽出部１６０と同じである。
【００４１】
読影知識抽出部２１０、読影知識判定部２２０、読影項目抽出部２３０は読影知識の抽出および読影知識の追加のための処理部である。
【００４２】
読影知識抽出部２１０は、症例データベース１００に格納された複数の症例を解析することにより得られる読影知識を、読影知識データベース１１０に格納する。
【００４３】
読影知識判定部２２０は、読影知識データベース１１０に格納された読影知識を読み込み、読影知識の中で、読影知識を追加する対象（疾病名）を決定する。
【００４４】
読影項目抽出部２３０は、読影知識を追加する対象（疾病名）について相関関係を解析し、読影知識の追加に使用する読影項目の組を抽出する。読影知識追加時には、読影知識抽出部２１０は、読影項目抽出部２３０で抽出された読影項目の組を用いて複数の症例を解析することにより、新たな読影知識を獲得し、読影知識データベース１１０に格納する。これら読影知識の抽出と追加については詳細については後述する。
【００４５】
以後、本発明の各部の動作について詳細に説明する。
【００４６】
＜読影知識データベースの事前作成＞
類似症例検索を行うに当たり、事前に読影知識を得て、読影知識データベース１１０に格納しておく。読影知識は、医用画像とその医用画像を読影した結果である読影レポートとの対から構成される“症例”を複数集めたものから得られる。症例として、類似症例検索時にその中から類似症例を検索するための症例データベース１００に格納されたものを用いてもよいし、他のデータベースに格納されたものを用いてもよい。図２には、症例データベース１００に格納された症例から読影知識を抽出する場合の構成について示す。このとき、読影知識抽出部２１０は、レポート解析部２５０で各症例から抽出されたテキスト特徴量と、画像特徴抽出部２６０で各症例から抽出された画像特徴量とを解析し、読影知識を抽出する。ここで、必要な症例数は、種種のデータマイニングアルゴリズムを用いて何らかの法則性および知識を得るために十分となる数である。通常は数百〜数万個のデータが用いられる。本実施の形態では、読影知識として、（１）画像特徴量、（２）読影項目、（３）疾病名の三項のうちの各二項間の相関関係を用いる。
【００４７】
（１）画像特徴量
「画像特徴量」としては、医用画像における臓器もしくは病変部分の形状に関するもの、または輝度分布に関するものなどがある。画像特徴量として、例えば、非特許文献：「根本，清水，萩原，小畑，縄野，“多数の特徴量からの特徴選択による乳房Ｘ線像上の腫瘤影判別精度の改善と高速な特徴選択法の提案”，電子情報通信学会論文誌Ｄ−ＩＩ，Ｖｏｌ．Ｊ８８−Ｄ−ＩＩ，Ｎｏ．２，ｐｐ．４１６−４２６，２００５年２月」に４９０種類の特徴量を用いることが記載されている。本実施の形態においても、医用画像の撮像に使用した医用画像撮影装置（モダリティ）または読影の対象臓器ごとに予め定めた数十〜数百種の画像特徴量を用いる。
【００４８】
（２）読影項目
「読影項目」とは、「読影医が、読影対象の画像の特徴を言語化した文字列」と定義する。使用する医用画像撮影装置または対象臓器等により、読影項目として使用される用語はほぼ限定される。例えば、分葉状、棘状、不整形、境界明瞭、輪郭不明瞭、低濃度、高濃度、低吸収、高吸収、スリガラス状、石灰化、モザイク状、早期濃染、低エコー、高エコー、毛羽立ち、等がある。
【００４９】
（３）疾病名
「疾病名」とは、医師（読影者）が医用画像やその他の検査を基に診断した疾病名のことである。読影時の診断疾病名とその他の検査を経て確定診断した疾病名とは異なることがあるが、読影知識データベースを作成する際は、確定診断の結果を用いる。
【００５０】
以下、図３のフローチャートを用いて読影知識作成の手順を説明する。本実施の形態で対象とする、つまり使用する医用画像撮影装置はマルチスライスＣＴとし、対象臓器および疾病は、それぞれ肝臓および肝腫瘤とする。
【００５１】
ステップＳ１０では、読影知識を得るための症例が格納されたデータベースから症例を１つ取得する。ここで読影知識を得るための症例の総数をＣ個とする。１つの症例は、医用画像とその医用画像を読影した結果である読影レポートとの対で構成されている。医用画像がマルチスライスＣＴ装置により取得された場合、１つの症例は多数枚のスライス画像を含むことになる。また、通常、マルチスライスＣＴ画像を医師が読影する場合、重要なスライス画像１〜数枚を、キー画像として読影レポートに添付する。以後、多数枚のスライス画像集合、あるいは、数枚のキー画像を単に「医用画像」、「画像」と呼ぶこともある。
【００５２】
ステップＳ１１では、医用画像から画像特徴量を抽出する。ステップＳ１１の処理を、図４のフローチャートを用いて詳細に説明する。
【００５３】
ステップＳ１１１では、対象臓器の領域を抽出する。本実施の形態では肝臓領域を抽出する。肝臓領域抽出法として、例えば、非特許文献：「田中，清水，小畑，“異常部位の濃度パターンを考慮した肝臓領域抽出手法の改良＜第二報＞”，電子情報通信学会技術研究報告，医用画像，１０４（５８０），ｐｐ．７−１２，２００５年１月」等の手法を用いることができる。
【００５４】
ステップＳ１１２では、ステップＳ１１１で抽出された臓器領域から病変領域を抽出する。本実施の形態では肝臓領域から腫瘤領域を抽出する。肝腫瘤領域抽出法として、例えば、非特許文献：「中川、清水，一杉，小畑，“３次元腹部ＣＴ像からの肝腫瘤影の自動抽出手法の開発＜第二報＞”，医用画像，１０２（５７５），ｐｐ．８９−９４，２００３年１月」等の手法を用いることができる。ここで、ｉ番目の症例における画像から抽出した腫瘤の数をＭｉとすると、腫瘤は（症例番号，腫瘤番号）の組（ｉ，ｊ）で特定できる。ここで、１≦ｉ≦Ｃ，１≦ｊ≦Ｍｉである。また本実施の形態では病変として肝腫瘤を対象としているため、“腫瘤番号”と呼んだが、本発明で共通の表現を用いて“病変番号”と呼ぶこともできる。
【００５５】
ステップＳ１１３では、ステップＳ１１２で抽出された病変領域のうち、１つの領域を選択する。
【００５６】
ステップＳ１１４では、ステップＳ１１３で選択された病変領域から画像特徴量を抽出する。本実施の形態では、画像特徴量として、非特許文献：「根本，清水，萩原，小畑，縄野，“多数の特徴量からの特徴選択による乳房Ｘ線像上の腫瘤影判別精度の改善と高速な特徴選択法の提案”，電子情報通信学会論文誌Ｄ−ＩＩ，Ｖｏｌ．Ｊ８８−Ｄ−ＩＩ，Ｎｏ．２，ｐｐ．４１６−４２６，２００５年２月」に記載された４９０種類の特徴量のうち、肝腫瘤にも適用可能な特徴量をいくつか選択して用いる。この特徴量数をＮＦ個とする。本ステップで抽出された特徴量は、（症例番号，この症例（医用画像）から抽出された腫瘤番号，特徴量番号）の組（ｉ，ｊ，ｋ）で特定できる。ここで、１≦ｉ≦Ｃ，１≦ｊ≦Ｍｉ，１≦ｋ≦ＮＦである。
【００５７】
ステップＳ１１５では、ステップＳ１１２で抽出された病変領域のうち未選択の病変があるかどうかをチェックし、未選択の病変がある場合は、ステップＳ１１３に戻り未選択の病変領域を選択した後、ステップＳ１１４を再実行する。未選択の病変がない場合、すなわち、ステップＳ１１２で抽出された全ての病変領域に対し、ステップＳ１１４の特徴量選択を行った場合は図４のフローチャートの処理を終了し、図３のフローチャートに戻る。
【００５８】
図３のステップＳ１２では、読影レポートの解析処理を行う。具体的には読影レポートから読影項目および疾病名を抽出する。本実施の形態では読影項目が格納された読影項目単語辞書、および疾病名が格納された疾病名単語辞書を用いた、形態素解析および構文解析を行う。これらの処理により、各単語辞書に格納された単語と一致する単語を抽出する。形態素解析技術としては、例えば、ＭｅＣａｂ（ｈｔｔｐ：／／ｍｅｃａｂ．ｓｏｕｒｃｅｆｏｒｇｅ．ｎｅｔ）やＣｈａＳｅｎ（ｈｔｔｐ：／／ｃｈａｓｅｎ−ｌｅｇａｃｙ．ｓｏｕｒｃｅｆｏｒｇｅ．ｊｐ）等が、構文解析技術としては、ＫＮＰ（ｈｔｔｐ：／／ｎｌｐ．ｋｕｅｅ．ｋｙｏｔｏ−ｕ．ａｃ．ｊｐ／ｎｌ−ｒｅｓｏｕｒｃｅ／ｋｎｐ．ｈｔｍｌ）、ＣａｂｏＣｈａ（ｈｔｔｐ：／／ｃｈａｓｅｎ．ｏｒｇ／〜ｔａｋｕ／ｓｏｆｔｗａｒｅ／ｃａｂｏｃｈａ／）等が存在する。読影レポートは医師により読影レポート独特の表現で記述されることが多いので、読影レポートに特化した形態素解析技術、構文解析技術、各単語辞書を開発することが望ましい。
【００５９】
図５は腹部ＣＴ検査の読影レポートの例であり、図６は図５の読影レポートから抽出された読影項目および疾病名を示す。読影項目は通常複数個、疾病名は１個抽出される。ｉ番目の症例における読影レポートから抽出した読影項目の数をＮｉとすると、読影項目は（症例番号，読影項目番号）の組（ｉ，ｊ）で特定できる。ここで、１≦ｉ≦Ｃ，１≦ｊ≦Ｎｉである。
【００６０】
また、図６では、読影項目および疾病名の単語のみを抽出しているが、読影レポートにおける病変の位置を表す文字列、時相を表す文字列を同時に抽出してもよい。ここで、時相について補足する。肝臓の病変の鑑別には、造影剤を急速静注して経時的に撮像する造影検査が有用とされている。肝臓の造影検査では一般に、肝動脈に造影剤が流入し多血性の腫瘍が濃染する動脈相、腸管や脾臓に分布した造影剤が門脈から肝臓に流入し肝実質が最も造影される門脈相、肝の血管内外の造影剤が平衡に達する平衡相、肝の間質に造影剤が貯留する晩期相などにおいて、肝臓が撮像される。読影レポートには病変の臓器における位置や、造影検査であれば着目した時相の情報が記述されていることが多い。このため、読影項目だけでなく位置や時相の情報も合わせて抽出することで、後で説明する読影知識の抽出に有効となる。図７に、読影項目と同時に位置と時相の情報を抽出した例を示す。例えば、図５の読影レポートを解析し、「肝Ｓ３区域に早期濃染を認め」という文節から「早期濃染」の位置属性として「肝Ｓ３区域」が抽出される。同様に、「後期相でｗａｓｈｏｕｔされており」という文節から「ｗａｓｈｏｕｔ」の時相属性として「後期相」が抽出される。
【００６１】
図５の読影レポートを、単純に解釈すると、図７のように「早期濃染」に関する時相、ｗａｓｈｏｕｔに関する位置の部分が空白になる。これに対し、読影項目「早期濃染」は早期相に対応した単語であるという事前知識を利用したり、「早期濃染」の状態を示す腫瘤と「後期相でｗａｓｈｏｕｔ」される腫瘤が同一の腫瘤を指すという高度な文脈解釈を行ったりすることができれば、抽出される位置と時相の情報は図８のようになる。
【００６２】
ステップＳ１３では、読影知識を得るための症例が格納されたデータベースにおいて未取得の症例があるかどうかをチェックし、未取得の症例がある場合は、ステップＳ１０に戻り未取得の症例を取得した後、ステップＳ１１およびＳ１２を実行する。未取得の症例がない場合、すなわち、全ての症例に対し、ステップＳ１１の画像特徴抽出およびステップＳ１２のレポート解析を実施済の場合は、ステップＳ１４に進む。
【００６３】
ステップＳ１１とステップＳ１２の結果は相互に依存しないため、実行順は逆でも構わない。
【００６４】
ステップＳ１４に到達した時点で、図９で表されるデータ一式が取得できたことになる。つまり、症例ごとに画像特徴量と読影項目と疾病名とが取得される。症例番号１の症例については、医用画像中にＭ１個の病変が含まれており、各病変から抽出される画像特徴量の個数はＮＦ個である。また、読影レポート中の読影項目の数はＮ１個である。例えば、病変番号（１，１）で示される１つ目の病変のうち、１つ目の画像特徴量の値は０．８５１である。また、読影項目番号（１，１）で示される１つ目の読影項目の値は「早期濃染」である。図９の例では、各画像特徴量は０以上１以下の数値であり、読影項目および疾病名は文字列である。画像特徴量として負の値または１より大きな値をとるものを用いても良い。また、読影項目および疾病名として、予め定めた単語ＩＤの形式にてデータを格納してもよい。
【００６５】
ステップＳ１４では、ステップＳ１１で得られた画像特徴量、ステップＳ１２で得られた読影項目および疾病名から、読影知識を抽出する。本実施の形態では、画像特徴量、読影項目、疾病名という三項のうちの二項の相関関係を、読影知識とする。
【００６６】
（１）（画像特徴量−読影項目）間の相関関係
一対の（画像特徴量−読影項目）間の相関関係の求め方について説明する。相関関係の表現形態は複数あるが、ここでは相関比を用いる。相関比は、質的データと量的データとの間の相関関係を表す指標であり、式１で表される。
【００６７】
【数１】
【００６８】
読影レポート中に、ある読影項目を含む場合および含まない場合の２カテゴリを考え、これを質的データとする。医用画像から抽出した、ある画像特徴量の値そのものを量的データとする。例えば、読影知識を抽出するための症例データベースに含まれる全症例に対し、読影レポートを、ある読影項目を含むものまたは含まないものに区分する。ここでは、読影項目「早期濃染」と画像特徴量「早期相における腫瘤内部の輝度平均値」との相関比を求める方法について説明する。式１においては、カテゴリｉ＝１を「早期濃染」を含むもの、カテゴリｉ＝２を「早期濃染」を含まないものとする。読影レポートに「早期濃染」を含む症例から抽出した腫瘤画像の「早期相における腫瘤内部の輝度平均値」であるｊ番目の観測値をｘ１ｊとする。また、読影レポートに「早期濃染」を含まない症例から抽出した腫瘤画像の「早期相における腫瘤内部の輝度平均値」であるｊ番目の観測値をｘ２ｊとする。「早期濃染」とは造影早期相にてＣＴ値が上昇することを表すため、この場合、相関比が大きく（１に近く）なることが予想される。また、早期濃染は腫瘤の種類に依存し、腫瘤の大きさには依存しないため、読影項目「早期濃染」と画像特徴量「腫瘤面積」との相関比は小さく（０に近く）なることが予想される。このようにして、全ての読影項目と全ての画像特徴量との間の相関比を計算する。
【００６９】
図１０に、読影項目と画像特徴量との間の相関関係（ここでは、相関比）の概念図を示す。左側には複数の読影項目、右側には複数の画像特徴量の名称が列挙されている。そして、相関比が閾値以上の読影項目と画像特徴量の間が実線で結ばれている。相関比は０以上１以下の値をとるため、閾値として０．３〜０．７程度の値を用いることができる。計算した相関比を最終的に閾値で二値化すると、図１０のような情報が求められることになる。その一例について補足する。肝腫瘤の造影ＣＴ検査においては、殆どの腫瘤は造影剤使用前のＣＴ画像（単純、単純ＣＴ、単純相などと呼ぶ）で低濃度に描出され、多くの場合、読影レポートに「低濃度」、「ＬＤＡ（Ｌｏｗ Ｄｅｎｓｉｔｙ Ａｒｅａ）あり」などと記述される。そのため、「低輝度」や「ＬＤＡ」といった読影項目と、造影剤使用前のＣＴ画像における腫瘤内部の輝度平均（図１０では「単純相 輝度平均」と略記載）との相関が大きくなる。
【００７０】
また、図１１に、読影項目と画像特徴量との間の相関関係（例えば、相関比）の別の概念図を示す。この図では、相関比を多値表現しており、読影項目と画像特徴量の間の実線の太さが相関比の大きさに相当している。例えば、造影早期相にてＣＴ値が上昇する「早期濃染」と、早期動脈相（早期相、動脈相とも略される）における腫瘤内部の輝度平均（図１１では「動脈相 輝度平均」と略記載）との相関が大きくなっている。
【００７１】
相関比の値に着目することで、ある読影項目と相関の高い画像特徴量を特定することができる。実際には１つの症例には、複数の画像や複数の病変（腫瘤）を含む場合が多く、その場合は読影レポートには複数の病変に関する記載が含まれることになる。例えば、造影ＣＴ検査では、造影剤使用前や使用後の複数時刻におけるタイミングでＣＴ撮影を行う。そのため、スライス画像の集合が複数得られ、スライス画像の１つの集合には複数の病変（腫瘤）が含まれ、１つの病変からは複数の画像特徴量が抽出される。そのため、（スライス画像集合数）×（１人の患者から検出された病変数）×（画像特徴量の種類数）の個数だけ画像特徴量が得られ、これら複数の画像特徴量と、１つの読影レポートから抽出された複数の読影項目や疾病名との相関関係を求める必要がある。もちろん大量の症例を用いることにより、対応が正しく得られる可能性があるが、図８のように病変位置と時相を用いる等して、読影レポートの記載と、対応する画像特徴量とをある程度事前に対応づけることができれば、より正確に相関関係を求めることができる。
【００７２】
先の説明では、質的データが、ある読影項目を含むものおよび含まないものの２カテゴリである場合について説明したが、ある読影項目（例えば、「境界明瞭」）と、その対義語となる読影項目（例えば、「境界不明瞭」）との２カテゴリであってもよい。また、読影項目が「低濃度」、「中濃度」、「高濃度」などの序数尺度の場合は、それらの各々をカテゴリとして（この例では３カテゴリ）、相関比を計算してもよい。
【００７３】
また、「低濃度」、「低輝度」、「低吸収」などの同義語については、予め同義語辞書を作成しておき、それらを同一の読影項目として扱う。
【００７４】
（２）（画像特徴量−疾病名）間の相関関係
一対の（画像特徴量−疾病名）間の相関関係については、（画像特徴量−読影項目）間の場合と同じく相関比を用いることができる。図１２に、疾病名と画像特徴量との間の相関関係（例えば、相関比）の概念図を示す。この図では図１０と同じく相関関係を二値表現しているが、もちろん図１１のような多値表現を行うことも可能である。
【００７５】
（３）（読影項目−疾病名）間の相関関係
一対の（読影項目−疾病名）間の相関関係の求め方について説明する。相関関係の表現形態は複数あるが、ここでは支持度を用いる。支持度は、質的データ間の相関ルールを表す指標であり、式２で表される。
【００７６】
【数２】
【００７７】
この支持度は、全症例において読影項目Ｘと疾病名Ｙとが同時に出現する確率（共起確率）を意味する。支持度を用いることで、関連性（相関性）の強い読影項目と疾病名との組合せを特定することができる。
【００７８】
なお、支持度の代わりに、式３で示される確信度や、式４で示されるリフト値を用いても良い。
【００７９】
【数３】
【００８０】
【数４】
【００８１】
確信度とは、条件部Ｘ（読影項目Ｘ）のアイテムの出現を条件としたときの結論部Ｙ（疾病名Ｙ）のアイテムが出現する確率である。リフト値とは、Ｘ（読影項目Ｘ）の出現を条件としないときのＹ（疾病名Ｙ）の出現確率に対して、Ｘ（読影項目Ｘ）の出現を条件としたときのＹ（疾病名Ｙ）の出現確率がどの程度上昇したかを示す指標である。その他、ｃｏｎｖｉｃｔｉｏｎ，φ係数を用いても良い。ｃｏｎｖｉｃｔｉｏｎ，φ係数については相関ルール分析に関する文献（例えば、非特許文献：「データマイニングとその応用」、加藤／羽室／矢田 共著、朝倉書店）に記載されている。
【００８２】
図１３に、読影項目と疾病名との間の相関関係（例えば、支持度）の概念図を示す。この図では図１０と同じく相関関係を二値表現しているが、もちろん図１１のような多値表現を行うことも可能である。
【００８３】
以上の方法にて、ステップＳ１４の処理を行うと、図１４、図１５、図１６のような、（画像特徴量−読影項目）間の相関関係、（画像特徴量−疾病名）間の相関関係、（読影項目−疾病名）間の相関関係が、それぞれ得られる。相関比は０以上１以下の値をとる。支持度は０以上の値をとる。また、得られた相関関係は、図１４、図１５、図１６の形式にて読影知識データベース１１０に格納される。
【００８４】
＜読影知識データベースの事前追加＞
次に、本発明の中心となる読影知識の追加方法について詳細を説明する。図２の読影知識作成時と同じく、本実施の形態で対象とする医用画像撮影装置はマルチスライスＣＴとし、対象臓器および疾病は、それぞれ肝臓および肝腫瘤とする。
【００８５】
前述のように、本実施の形態では、画像特徴量、読影項目および疾病名から、読影知識として相関関係を抽出する。このとき、ひとつのテキストに対して、複数種類の画像パターンが存在する場合がある。このため、テキスト特徴量と画像特徴量との間の相関関係が正しく求まらず、読影者の着目点を類似画像検索に反映させられない状況が想定される。この課題の例として、肝細胞がんの画像パターンについて、図１７、図１８を用いて、詳細に説明する。
【００８６】
肝細胞がんの病変領域の画像には、図１７（ａ）に示すような腫瘤内の血流が多い多血性肝細胞がんのように造影動脈相にて強く造影される（ＣＴ値が上昇する）画像パターン（画像パターン１）と、図１７（ｂ）に示すような腫瘤内の血流が少ない乏血性肝細胞がんのように造影動脈相にて強く造影されない（ＣＴ値が上昇しない）画像パターン（画像パターン２）とが存在する。図１８は、テキスト特徴量（疾病名「肝細胞がん」）の有無による画像特徴量「早期相における腫瘤内部の輝度平均値」の分布の違いを示す概念図である。実線がテキスト特徴量（疾病名「肝細胞がん」）がある場合の画像特徴量「早期相における腫瘤内部の輝度平均値」の分布を示し、破線がテキスト特徴量（疾病名「肝細胞がん」）がない場合の画像特徴量「早期相における腫瘤内部の輝度平均値」の分布を示す。ここで、疾病名「肝細胞がん」の画像パターンが画像パターン１のみであれば、読影レポートに「肝細胞がん」と記載されている症例においては、画像特徴慮野分布は、画像特徴量「早期相における腫瘤内部の輝度平均値」が高い、図１８（ａ）のような偏りのある分布になる。しかしながら、実際には読影レポートに「肝細胞がん」と記載されている症例の画像パターンには、画像パターン１および２の両方が存在する。このため、読影レポートに「肝細胞がん」と記載されている症例には画像パターン２のような画像特徴量「早期相における腫瘤内部の輝度平均値」が低い症例も含まれる。このため、画像特徴量の分布は、図１８（ｂ）のような偏りの少ない分布になる。このように、あるテキスト特徴量に対して複数の画像パターンが存在すると、複数の分布が混合された状態で相関関係（例えば相関比）が抽出される。そのため、テキスト特徴量と画像特徴量の間で相関関係の値が低下し、本当は重視したい画像特徴量が検索時に重視されなくなる。この結果、読影者の着目点を類似画像検索に反映させられない問題が発生する。
【００８７】
このような課題に対して、本願発明者らは、（画像特徴量−読影項目）間の相関関係と、疾病名、読影項目および画像特徴量の三項間の相対関係に着目した。ここで、医用画像と読影レポートの組から読影知識である（画像特徴量−読影項目）間の相関関係、（画像特徴量−疾病名）間の相関関係、（読影項目−疾病名）間の相関関係はそれぞれ計算済みであるとする。
【００８８】
本願発明者らは、医用画像と医師が記入する読影レポートの関係を分析した結果、読影項目は画像内容を直接反映したものが多いことに着目した。例えば、医師によって医用画像に対する記入内容に違いはあるものの、図１７（ａ）に対しては、読影レポートにはＣＴ値が高いことを示す「早期濃染」や模様がないことを示す「均一」と記入され、ＣＴ値が低いことを示す「ＬＤＡ（Ｌｏｗ Ｄｅｎｓｉｔｙ Ａｒｅａ）」や模様があることを示す「不均一」とは記入されない。一方、図１７（ｂ）に対しては、読影レポートに「ＬＤＡ」、「不均一」と記入され、「早期濃染」とは記入されない。
【００８９】
また、本願発明者らは、（画像特徴量−読影項目）間の相関関係、（画像特徴量−疾病名）間の相関関係、（読影項目−疾病名）間の相関関係を分析した。この結果、疾病名に対応する画像パターンが１つのみである場合には、全ての二項間関係の値が大きくなる三項が存在し、一方、疾病名に対して複数種類の画像パターンが存在する場合には、図１９に示すように、対応する全ての二項間関係（三項間関係）のうち、（画像特徴量−疾病名）間の相関関係のみ低くなる点に着目した。この原因としては、以下が考えられる。つまり、ひとつの疾病名に対して病状がひとつだけ（画像パターンがひとつ）の場合には、画像特徴量の分布が、図１８（ａ）のように偏りのある分布になるため（画像特徴量−疾病名）間の相関が高くなる。これに対して、ひとつの疾病名に対して複数の病状（画像パターン）が存在する場合には、画像特徴量の分布が、図１８（ｂ）のように偏りの少ない分布になるため（画像特徴量−疾病名）間の相関が低くなる。一方で、読影項目は画像内容を直接反映したものが多いため（画像特徴量−読影項目）間の相関が高く、同様に疾病名は読影項目の総合値であるため（読影項目−疾病名）間の相関も高くなるためであると考えられる。
【００９０】
このように、ひとつの疾病名に対して複数の病状（画像パターン）が存在する場合の三項間関係においては、（画像特徴量−疾病名）間の相関関係よりも、（画像特徴量−読影項目）間の相関関係と（読影項目−疾病名）間の相関関係の方が、対応関係が明確であり、その相関関係の値も信頼性が高いと考えられる。
【００９１】
これらのことから、疾病名に対して複数の画像パターンが存在する場合に（画像特徴量−疾病名）間の相関関係の値が低下し、本当は重視したい画像特徴量が検索時に重視されなくなる課題に対して、（画像特徴量−読影項目）間の相関関係と（読影項目−疾病名）間の相関関係を使用することで、読影項目を介して（画像特徴量−疾病名）間の相関関係を抽出できることを見出した。
【００９２】
図２０を用いて説明すると、例えば、複数の画像パターンが存在する疾病名「肝細胞がん」に対して（画像特徴量−疾病名）間の相関関係を抽出したい場合に、（読影項目−疾病名）間の相関関係が高い「早期濃染」、「ＬＤＡ」、「均一」、「不均一」を介して、（画像特徴量−読影項目）間の相関関係を抽出することで「肝細胞がん」と相関の高い画像特徴量を正しく抽出することができると考えられる。このうち、実線で示した相関関係が、ある１つの画像パターンの相関関係を示し、破線で示した相関関係が、他の１つの画像パターンの相関関係を示している。
【００９３】
以下、この着想に基づき構成した読影知識追加手順の詳細について、図２の読影知識抽出装置を参照して説明する。本実施の形態では、事前に獲得した読影知識の値（各二項間関係の相関関係）を参照し、後述の条件を満たさない場合には、読影知識データベース１１０に読影知識を追加登録する。
【００９４】
図２において、読影知識抽出部２１０、読影知識判定部２２０、読影項目抽出部２３０は読影知識の抽出および読影知識の追加のための処理部である。
【００９５】
読影知識抽出部２１０は、症例データベース１００に格納された複数の症例を解析し、解析の結果得られた読影知識を読影知識データベース１１０に格納する。
【００９６】
読影知識判定部２２０は、読影知識データベース１１０に格納された読影知識を読み込み、読影知識の中で、新たな読影知識を追加する対象（疾病名）を決定する。
【００９７】
読影項目抽出部２３０は、読影知識を追加する対象（疾病名）について相関関係を解析し、読影知識の追加に使用する読影項目の組を抽出する。
【００９８】
読影知識追加時には、読影知識抽出部２１０は、読影項目抽出部２３０で抽出された読影項目の組を用いて複数の症例を解析することにより、新たな読影知識を獲得し、読影知識データベース１１０に格納する。
【００９９】
以下、図２１のフローチャートを用いて読影知識追加の手順を説明する。
【０１００】
ステップＳ３０において、読影知識判定部２２０は、読影知識データベース１１０に格納された読影知識を１つ取得する。
【０１０１】
例えば、読影知識が（画像特徴量−疾病名）間の相関関係（図１５参照）である場合、ステップＳ３０で取得される読影知識は、図１５の表の１行分（相関関係の数値（以下、相関値という。）ＮＩＦ個）である。
【０１０２】
ステップＳ３１において、読影知識判定部２２０は、ステップＳ３０で取得した読影知識に加えて、読影知識データベース１１０に新たな読影知識を追加するか否かを判定する。このとき、読影知識判定部２２０は、三項間の相対関係において、（画像特徴量−読影項目）間の相関と、（読影項目−疾病名）間の相関が大きく、（画像特徴量−疾病名）間の相関が小さくなる組合せが存在するか否かを判定することで、新たな読影知識を追加するか否かを決定する。
【０１０３】
ステップＳ３１の処理を、図２２のフローチャートを用いて詳細に説明する。
【０１０４】
ステップＳ３１０において、読影知識判定部２２０は、ステップＳ３０で取得した読影知識が（画像特徴量−疾病名）間の相関関係か否かを判定する。ステップＳ３０で取得した読影知識が（画像特徴量−疾病名）間の相関関係である場合には、ステップＳ３１１へ進み、そうでない場合には、ステップＳ３１６に進む。
【０１０５】
ステップＳ３１１において、読影知識判定部２２０は、ステップＳ３０で取得した読影知識の疾病名に対応する（読影項目−疾病名）間の相関関係を読影知識データベース１１０から読み込む。つまり、読影知識判定部２２０は、ステップＳ３０で取得した読影知識の疾病名と同じ疾病名についての（読影項目−疾病名）間の相関関係を読影知識データベース１１０から読み込む。
【０１０６】
ステップＳ３１２において、読影知識判定部２２０は、ステップＳ３１１で取得した（読影項目−疾病名）間の相関関係において、相関値が相関値閾値以上の読影項目を抽出する。
【０１０７】
ステップＳ３１３において、読影知識判定部２２０は、ステップＳ３１２で抽出した（読影項目−疾病名）間の相関値が相関値閾値以上の読影項目に関して、（読影項目−画像特徴量）間の相関関係を読み込む。つまり、読影知識判定部２２０は、ステップＳ３１２で抽出した（読影項目−疾病名）間の相関値が相関値閾値以上の読影項目と同じ読影項目についての（読影項目−画像特徴量）間の相関関係を読み込む。
【０１０８】
ステップＳ３１４において、読影知識判定部２２０は、（ａ）ステップＳ３０で取得した（画像特徴量−疾病名）間の相関関係が示す相関値と、（ｂ）Ｓ３１１で読み込んだ（読影項目−疾病名）間の相関関係およびＳ３１３で読み込んだ（読影項目−画像特徴量）間の相関関係を介した（画像特徴量−疾病名）間の相関関係が示す相関値の差分値を計算する。
【０１０９】
ここで、（読影項目−疾病名）間の相関値をｗｘ，ｊ、（読影項目−画像特徴量）間の相関値をｗａ，ｉ、（画像特徴量−疾病名）間の相関値をｗｉと表す。また、ｉは画像特徴量の種類を表す添字、ｊはステップＳ３１２抽出された読影項目の種類を表す添字、ＮｘはステップＳ３１２抽出された読影項目の個数である。これらの相関関係を用いて差分値ｄｗを式５のように計算する。
【０１１０】
【数５】
【０１１１】
例えば、疾病名が「肝細胞がん」の場合について考えると、ステップＳ３１１で（画像特徴量−疾病名）間の相関関係を取得し、取得した相関関係が示す相関値をｗｉとする。ここで、ステップＳ３１２で抽出された読影項目が「早期濃染」、「ＬＤＡ」、「不均一」であった場合には、読影知識判定部２２０は、読影知識データベース１１０に図１６の形式で格納された（読影項目−疾病名）間の相関関係テーブルを参照し、（早期濃染−肝細胞がん）間の相関値、（ＬＤＡ−肝細胞がん）間の相関値、（不均一−肝細胞がん）間の相関値を取得し、ｗｘ，ｊとする。一方で、読影知識判定部２２０は、（早期濃染−画像特徴量）間の相関値（例えば、（早期濃染−輝度平均値）間の相関値など）を取得し、ｗａ，ｉとする。このような三項間関係を用いて、式５により差分値ｄｗを計算すればよい。
【０１１２】
ステップＳ３１５において、読影知識判定部２２０は、ステップＳ３１４で計算した差分値ｄｗが差分閾値より大きいか否かを判定する。
【０１１３】
ステップＳ３１４で計算した差分値ｄｗが差分閾値より大きい場合には、ステップＳ３１８へ進み、差分値ｄｗが差分閾値以下場合には、ステップＳ３１７に進む。
【０１１４】
ステップＳ３１６において、読影知識判定部２２０は、ステップＳ３１０での判定結果に従い、読影知識を追加しないと決定する。このとき、ステップＳ３１６において疾病名以外の読影知識が読み込まれているため、読影知識の追加に関する情報（以下では「追加情報」と記載）に０を付加し、ステップＳ３１の分岐においては「Ｎｏ」に進む。
【０１１５】
ステップＳ３１７において、読影知識判定部２２０は、ステップＳ３１５での判定結果に従い、読影知識を追加しないと決定する。つまり、ステップＳ３１５での判定結果は、ステップＳ３０で取得した（画像特徴量−疾病名）間の相関関係と、（読影項目−疾病名）間の相関関係および（読影項目−画像特徴量）間の相関関係を介した（画像特徴量−疾病名）間の相関関係との間に相違が見られないことを示している。このため、着目している疾病名に対する画像パターンは１種類しか存在しないと判断し、読影知識を追加しないと決定する。このとき、読影知識の追加情報に０を付加し、ステップＳ３１の分岐においては「Ｎｏ」に進む。本実施の形態において、読影知識を追加する場合には、追加情報に１、追加しない場合には追加情報に０を付与する。
【０１１６】
ステップＳ３１８において、読影知識判定部２２０は、ステップＳ３１５での判定結果に従い、読影知識を追加すると決定する。つまり、ステップＳ３１５での判定結果は、ステップＳ３０で取得した（画像特徴量−疾病名）間の相関関係と、（読影項目−疾病名）間の相関関係および（読影項目−画像特徴量）間の相関関係を介した（画像特徴量−疾病名）間の相関関係とが異なっていることを示している。このため、着目している疾病名に対する画像パターンが複数種類存在すると判断し、読影知識を追加すると決定する。このとき、読影知識の追加情報に１を付加し、ステップＳ３１の分岐においては「Ｙｅｓ」に進む。
【０１１７】
ステップＳ３１７、Ｓ３１８において付与した追加情報は、図１５の（画像特徴量−疾病名）間の相関関係の各行に追加され、図２３に示すような形式で読影知識データベース１１０に格納される。例えば、読影レポートに疾病名１が記入されている場合には、類似症例検索時には、図２３の追加情報（ここでは、「１」：相関関係の追加あり）が読み込まれ、（読影項目−疾病名）間の相関関係が追加されたと判定され、後述する追加された相関関係のテーブル（読影知識）が参照される。
【０１１８】
図２１のステップＳ３２において、読影項目抽出部２３０は、ステップＳ３１で読影知識を追加すると判定された対象の疾病名に対して相関関係の高い読影項目の組を抽出する。
【０１１９】
ステップＳ３２の処理を、図２４のフローチャートを用いて詳細に説明する。
【０１２０】
ステップＳ３２０において、読影項目抽出部２３０は、ステップＳ３０で取得した読影知識の疾病名に対応する（読影項目−疾病名）間の相関関係を１つ読影知識データベース１１０から読み込む。例えば上記疾病名が疾病名１の場合、図１６において、疾病名１に関する読影項目の相関関係（ここでは、疾病名１の列の全相関関係）を読影知識データベース１１０から読み込む。以下、疾病名「肝細胞がん」の場合を例に説明する。
【０１２１】
ステップＳ３２１において、読影項目抽出部２３０は、ステップＳ３２０で取得した（読影項目−疾病名）間の相関関係の中から相関値を一つ取り出し、その相関値が第１閾値より大きいか否かを判定する。取り出した（読影項目−疾病名）間の相関値が第１閾値より大きい場合には、ステップＳ３２２に進み、第１閾値以下場合にはステップＳ３２３に進む。
【０１２２】
ステップＳ３２２において、読影項目抽出部２３０は、ステップＳ３２０で取得した（読影項目−疾病名）間の相関関係の情報から読影項目を取得し、読影知識を追加する際の読影項目候補に追加する。例えば図１６において、相関値が第１閾値より大きい読影項目が「早期濃染」、「ＬＤＡ」、「不均一」であった場合には、これら全てを読影項目候補として記憶する。
【０１２３】
ステップＳ３２３において、読影項目抽出部２３０は、（読影項目−疾病名）間の全ての相関値を第１閾値と比較し終えたか否かを判定する。全ての相関値を第１閾値と比較し終えた場合には、ステップＳ３２４に進み、そうでない場合には、ステップＳ３２１に戻る。
【０１２４】
ステップＳ３２４において、読影項目抽出部２３０は、ステップＳ３２２で抽出した読影項目候補の全組合せを作成する。
【０１２５】
例えば、抽出された読影項目が「早期濃染」、「ＬＤＡ」、「不均一」の３つであった場合には、「早期濃染、ＬＤＡ、不均一」、「早期濃染、ＬＤＡ」、「ＬＤＡ、不均一」、「早期濃染、不均一」、「早期濃染」、「ＬＤＡ」、「不均一」の６つ組合せを作成する。
【０１２６】
ステップＳ３２５において、読影項目抽出部２３０は、ステップＳ３２４で作成した読影項目の組ごとに、当該組と、ステップＳ３０で取得した読影知識に含まれる疾病名の間の相関値を抽出する。例えば、疾病名が「肝細胞がん」、読影項目の組が「早期濃染、ＬＤＡ、不均一」の場合には、疾病名「肝細胞がん」−読影項目「早期濃染」、「ＬＤＡ」、「不均一」（読影項目の組「早期濃染、ＬＤＡ、不均一」）の間の相関値を抽出する。この相関値の抽出には、先に述べた（読影項目−疾病名）間の相関値の求め方を使用すればよい。
【０１２７】
ステップＳ３２６において、読影項目抽出部２３０は、ステップＳ３２５で抽出した相関値が第２閾値より大きいか否かを判定する。ステップＳ３２５で抽出した相関値が第２閾値より大きい場合にはステップＳ３２７に進み、第２閾値以下の場合には読影項目の抽出を終了する。例えば、疾病名「肝細胞がん」−読影項目「早期濃染」、「ＬＤＡ」（読影項目の組「早期濃染、ＬＤＡ」）の相関値を抽出すると、造影されていること（ＣＴが高いこと）を示す「早期濃染」と、造影されていないこと（ＣＴが低いこと）を示す「ＬＤＡ」とは、相関性が低いため、疾病名「肝細胞がん」−読影項目「早期濃染」、「ＬＤＡ」の相関値は第２閾値以下となる。このため、読影項目の組として「早期濃染、ＬＤＡ」は不適切であると判定される。
【０１２８】
ステップＳ３２７において、読影項目抽出部２３０は、相関値が第２閾値より大きい読影項目の組を、読影知識の追加に使用する読影項目の組として抽出する。例えば、疾病名「肝細胞がん」に対しては、病変領域の画像パターンに対応する「早期濃染」、「ＬＤＡ、不均一」という２つの読影項目の組が抽出される。
【０１２９】
図２１のステップＳ３３において、読影知識抽出部２１０は、ステップＳ３２で抽出した読影項目の組を用いて、読影知識を抽出する。
【０１３０】
例えば、疾病名「肝細胞がん」に対して、２つの読影項目の組「早期濃染」、「ＬＤＡ、不均一」が抽出された場合には、読影知識抽出部２１０は、読影項目「早期濃染」について（画像特徴量−読影項目）間の相関関係を抽出し、疾病名「肝細胞がん」に対する（画像特徴量−疾病名）間の相関関係として保存する。ここで、読影知識の抽出方法は先に述べた（画像特徴量−読影項目）間の相関関係の求め方と同様である。同様に、読影知識抽出部２１０は、読影項目の組「ＬＤＡ、不均一」についても（画像特徴量−読影項目）間の相関関係を抽出し、疾病名「肝細胞がん」に対する（画像特徴量−疾病名）間の相関関係として保存する。
【０１３１】
図２５に、ステップＳ３３において抽出され、読影知識データベース１１０に格納される読影知識の格納形式を示す。疾病名１のように読影項目の組が２組存在する場合には、それぞれに対して読影知識が抽出され、その値が全て格納される。例えば、読影レポートに疾病名１が記入されている場合には、類似症例検索時には、図２３の追加情報（ここでは、「１」：相関関係の追加あり）が読み込まれ、（読影項目−疾病名）間の相関関係が追加されたと判定され、図２５の相関関係のテーブル（読影知識）が参照される。
【０１３２】
ステップＳ３４において、読影知識判定部２２０は、読影知識データベース１１０において、読影知識を追加するか否かを未判定の読影知識があるかどうかをチェックする。未判定の読影知識がある場合は、ステップＳ３０に戻り未判定の読影知識が取得された後、ステップＳ３１が実行される。未判定の読影知識がない場合、すなわち、全ての読影知識に対し、ステップＳ３１の読影知識の追加判定、ステップＳ３２の読影項目抽出およびＳ３３の読影知識抽出を実施済の場合は、読影知識の追加を終了する。
【０１３３】
以上の方法により、図２３に示す各疾病名に対する読影知識の追加情報と、図２５に示す追加情報に対応する（画像特徴量−疾病名）間の相関関係がそれぞれ得られる。また、得られた追加情報および相関関係は、図２３および図２５の形式にて読影知識データベース１１０に格納される。一方、図３のステップＳ１４の処理により得られた、図１４に示す（画像特徴量−読影項目）間の相関関係と、図１６に示す（読影項目−疾病名）間の相関関係とには、新たな相関関係が追加されることなく、図１４および図１６の形式にて読影知識データベース１１０に格納される。以下で説明する類似症例検索では、この読影知識データベース１１０を使用する。
【０１３４】
なお、ステップＳ３２で抽出した読影項目の組の情報のみを用いても、類似症例検索には有効である。図２６に読影項目の抽出のみを行う読影知識追加処理のフローチャートを示す。図２６に示すフローチャートでは、図２１に示すフローチャートに示したステップＳ３３の処理（読影知識抽出処理）が無い。つまり、図２の読影知識判定部２２０において読影知識を追加すると判定された場合に（Ｓ３１でＹｅｓ）、読影知識抽出部２１０は、図２７に示す読影項目の組の情報を読影知識として新たに格納する（Ｓ３２）。例えば、疾病名１に対応する読影項目の組が２組存在する場合には、これら２組の各読影項目について「１」、「０」の情報を格納する。本実施の形態においては、相関の高い読影項目（Ｓ３２で抽出された読影項目）には「１」を付与し、相関の低い読影項目（（Ｓ３２で抽出されなかった読影項目）には「０」を付与する。例えば、図２７の疾病名１の組番号１は、読影項目１と読影項目ＮＩＩが相関の高い読影項目であることを示す。類似症例検索時の読影知識の組の使用法については、後で詳細を説明する。
【０１３５】
なお、抽出した読影知識は図２８のように、追加した読影知識と追加していない読影知識を同じテーブルに格納してもよい。例えば、読影レポートに疾病名１が記入されている場合には、類似症例検索時には、追加情報を読み込むことなく、直接、疾病名１の相関関係テーブルから、疾病名１に対する複数の相関関係を取得することができる。
【０１３６】
＜類似症例検索＞
以下、図１に示す類似症例検索装置の構成を示すブロック図および図２９に示す類似症例検索処理のフローチャートを用いて、類似症例検索の手順について説明する。
【０１３７】
まず、はじめに読影知識が追加されていない相関関係（疾病名の追加情報が「０」）を用いた類似症例検索手順について説明する。
【０１３８】
ステップＳ２０において、読影対象画像読込部１２０が、医用画像撮影装置から読影対象画像を取得する。図３に示した読影知識作成時と同じく、本実施の形態で対象とする医用画像撮影装置はマルチスライスＣＴとし、対象臓器および疾病は、それぞれ肝臓および肝腫瘤とする。読み込まれた画像は、読影対象画像表示部１３０に表示される。
【０１３９】
ステップＳ２１において、読影者は、読影対象画像表示部１３０に表示された読影対象画像を参照しながら、レポート入出力部１４０を通して読影レポートを入力する。マルチスライスＣＴ装置の場合、再構成により通常、体軸に対して垂直な面（ａｘｉａｌ ｖｉｅｗ）のスライス画像が複数枚得られる。読影者は、これら複数のスライス画像に対し、スライス位置を変えながら病変（本実施の形態では肝腫瘤）の有無を確認し、読影レポートを入力する。読影レポートを入力する際、読影対象画像にて検出した病変の位置（スライス番号、および、スライス画像上における座標や領域情報）を、読影者がマウスなどの入力機器により指定してもよい。座標を指定する場合は、例えば、腫瘤の中心位置をマウスでクリックする。領域を指定する場合は、矩形、円または楕円等で囲む方法や、病変部と正常組織間との境界を自由曲線で囲む方法がある。中心座標のみを指定する場合や、矩形、円または楕円等で囲むことにより領域を指定する場合は、読影者の負担が小さいという利点があるが、画像特徴量抽出のために、別途、前記領域から腫瘤のみの領域を画像処理アルゴリズムにより自動抽出する必要がある。腫瘤領域抽出については、図４のステップＳ１１２と同じ手法を用いることができる。読影者により、病変の位置、領域の指定を行わない場合は、ステップＳ１１１の対象臓器領域抽出、および、ステップＳ１１２の病変領域抽出を行えばよい。
【０１４０】
ステップＳ２２において、読影者からの類似症例検索の要求を受け付ける。
【０１４１】
典型的な症状を有する腫瘤の場合や読影者が熟練者の場合、通常は迷うことなく読影レポートの記入が完了する。非典型な症状を有する腫瘤の場合や読影者の熟練度が低い場合などは、読影者が読影端末２００において類似症例検索要求を行う。読影対象画像に複数の病変が存在する場合は、診断に迷っている病変を指定した後、類似症例検索要求を行う。
【０１４２】
この病変の指定について説明する。ステップＳ２１の読影レポート記入時に、診断に迷っている病変を含めて既に病変の位置や領域が複数指定されていれば、そのうちのどれかを選択するだけでよい。ステップＳ２１にて、診断に迷っている病変を指定していなければ、ここで新たに病変を指定する。指定の方法として、病変の中心付近の１点を指定してもよいし、病変領域を指定してもよい。中心付近の１点が指定された場合は、指定された点を基準として予め定めたサイズの領域が設定され、この領域の中からステップＳ１１２と同じ方法を用いて詳細な病変領域が設定される。病変領域を大まかに指定した場合は、この領域の中からステップＳ１１２と同じ方法を用いて詳細な病変領域が設定される。
【０１４３】
そして、読影者からの類似症例検索要求があった場合は、ステップＳ２３に進む。この時、読影レポートは記入完了の状態であってもよく、記入途中であってもよい。全く未記入の状態でも後のステップＳ２５での類似症例検索は実行可能であるが、その場合は、本実施の形態の特徴である読影者の着目点に応じた類似症例検索は実行されず、予め設定された標準的な画像特徴量集合で類似症例検索を実行することになる。
【０１４４】
また、読影レポート記入時間が一定以上経過した場合、もしくは、読影者から読影終了に関する入力があった場合は、図２９の処理を終了する。類似症例検索要求、読影終了入力を受理するための処理部は図１には図示していないが、読影端末２００のキーボード内等に内蔵された物理的なスイッチでもよいし、医療用の高精細モニタ等で構成される読影対象画像表示部１３０に表示されたＧＵＩメニュー等でもよい。
【０１４５】
ステップＳ２３において、画像特徴抽出部１６０は、読影対象画像に対して、ステップＳ２２にて指定または抽出された病変領域から画像特徴量を抽出する。指定または抽出された病変領域が複数あればその全てに対して、予め定めているＮＦ個の特徴量を抽出する。画像特徴量の抽出方法は、ステップＳ１１４と同じである。
【０１４６】
ステップＳ２４において、レポート解析部１５０は、ステップＳ２１にて記入された読影レポートの解析を行う。ここでは、読影知識データベースの作成時におけるステップＳ１２の、読影項目および疾病名の抽出と同じ処理を実行する。
【０１４７】
ステップＳ２５において、重み決定部１７０および類似症例検索部１８０は、読影対象画像および読影者が記入した読影レポートを基にして、症例データベース１００から類似症例を検索する。ここでは、ステップＳ２１にて読影者が図５の読影レポートを記入済、ステップＳ２４にて図６の読影項目および疾病名が抽出済、ステップＳ２３で読影対象画像から画像特徴量が抽出済の状況を考える。また、読影知識データベース１１０には、図１４、図１６、図２３のような画像特徴量、読影項目、疾病名の三項のうち二項間の相関関係が格納済であるとする。さらに、ステップＳ２４において抽出した疾病名については、読影知識が追加されていない（疾病名の追加情報が「０」）とする。本実施の形態では、読影レポートから抽出された読影項目および疾病名の少なくとも１つを基に、類似症例検索にて重み付け距離計算を行う。即ち、抽出された読影項目および疾病名の少なくとも１つと関連する画像特徴量に関しては重みを相対的に大きくし、関連しない画像特徴量に関しては重みを相対的に小さくする。これにより、読影レポートに記入された医師の着目点を反映した類似症例検索が可能となる。つまり、類似症例検索部１８０は、症例データベース１００に記憶されている症例に含まれる医用画像と読影対象画像との間で重み付け距離を算出する。類似症例検索部１８０は、所定の閾値よりも小さい重み付け距離の算出の元となった医用画像を含む症例を類似症例として、症例データベース１００から検索する。または、類似症例検索部１８０は、小さいものから所定個数の重み付け距離の算出の元となった医用画像を含む症例を類似症例として、症例データベース１００から検索する。
【０１４８】
重み付け距離は、例えば式６にて計算できる。
【０１４９】
【数６】
【０１５０】
ここで、ｘは、読影対象画像から抽出された複数（ＮＦ個）の画像特徴量を全て連結したベクトルである。ｕｉは、症例データベース１００に格納された症例のうち、ｉ番目の症例から抽出された画像特徴量である。異なる種類の画像特徴量を連結する際は、特徴量毎のスケールの違いに影響を受けないよう正準化（平均０、分散１に正規化）を行っておく。
【０１５１】
以下に重み付け方法の具体例を示す。
【０１５２】
（１）読影レポートから読影項目および疾病名の両方が抽出できた場合
このケースは、読影者が読影レポートをほぼ記入終了し、類似症例検索の結果で記入内容の確信を高めようとしている状況に相当する。
【０１５３】
ここでは、（読影項目−画像特徴量）間の相関関係と、（読影項目−疾病名）間の相関関係を用いて重み付けを行う例について説明する。（疾病名−画像特徴量）間の相関関係も使用できなくはないが、上記２つの相関関係のみを用いて重み付けを行う。読影者の思考プロセスは、医用画像に着目する読影項目を判定した後、読影項目の判定結果により疾病名を最終判定していると考えられるためである。
【０１５４】
この時点で、図５の読影レポートから図６のように読影項目として「早期濃染」、「ｗａｓｈｏｕｔ」が、疾病名として「肝細胞がん」が抽出されている。重み決定部１７０は、読影知識データベース１１０に図１６の形式で格納された（読影項目−疾病名）間の相関関係テーブルを参照し、（早期濃染−肝細胞がん）間の相関関係と（ｗａｓｈｏｕｔ−肝細胞がん）間の相関関係を取得する。ここでは取得した相関関係を表す数値（相関値）をそのまま重みとして用い、それぞれｗｘ，ｗｙと表す。また、重み決定部１７０は、読影知識データベース１１０に図１４の形式で格納された（画像特徴量−読影項目）間の相関関係テーブルを参照し、「早期濃染」と全ての画像特徴量間の相関関係と、「ｗａｓｈｏｕｔ」と全ての画像特徴量間の相関関係を取得する。ここでは取得した相関関係を表す数値（相関値）をそのまま重みとして用い、それぞれｗａ，ｉ，ｗｂ，ｉと表す。ここで、ｉは画像特徴量の種類を表す添字である。重み決定部１７０は、これらの重みを用いて、ｉ番目の画像特徴量に対応する重みＷｉを式７のように計算する。
【０１５５】
【数７】
【０１５６】
以上の重み付け方法について、図３０に概要を示した。
【０１５７】
例えば、４番目の画像特徴量「エッジ強度」に対する重みは、ｗｘｗａ，４と、ｗｙｗｂ，４との和として求められる。ここで、ｗｘｗａ，４は、（早期濃染−エッジ強度）間の相関関係を表す値ｗａ，４を、同じ読影項目を含む（早期濃染−肝細胞がん）間の相関関係を表す値ｗｘで重み付けした値である。ｗｙｗｂ，４は、（ｗａｓｈｏｕｔ−エッジ強度）間の相関関係を表す値ｗｂ，４を、同じ読影項目を含む（ｗａｓｈａｏｕｔ−肝細胞がん）間の相関関係を表す値ｗｙで重み付けした値である。
【０１５８】
読影項目の個数が２以外の場合でも、（読影項目−疾病名）間の相関関係で重み付けした後の（読影項目−画像特徴量）間の相関関係を加算することで対応可能である。この式により、読影者が着目した読影項目および疾病名、読影項目と疾病名との関連性、および、読影項目と画像特徴量との関連性、を同時に考慮した重みが計算でき、その結果、それらを重視した類似症例検索が可能となる。
【０１５９】
また、図２９のフローチャートでは類似症例検索要求があった場合のみ類似症例検索を実行するが、読影レポート記入中の他のタイミングで類似症例検索を実行してもよい。他のタイミングとしては、少なくとも１個以上の読影項目または疾病名を記入後、一定時間以上、読影レポートの記入がされない場合などである。これは、読影者が読影に迷っていると解釈し、ヒントとなる類似症例を先回りして提示することにより読影を進展させることを意図した動作方法である。本実施の形態では、少なくとも１個以上の読影項目または疾病名が記入された場合、読影者のその着眼点を基に類似症例検索を実行することができる。以降に、読影レポートから読影項目のみが抽出できた場合、および、疾病名のみが抽出できた場合についても説明する。
【０１６０】
（２）読影レポートから読影項目のみが抽出できた場合
このケースは、読影者が着目すべき読影項目は判断できたものの、最終的な疾病名の診断に迷っており、類似症例検索の結果で疾病名診断のヒントを得ようとしている状況に相当する。ここでは、（読影項目−画像特徴量）間の相関関係のみを用いて重み付けを行う。
【０１６１】
この時点で、図示せぬ読影レポートから読影項目として「早期濃染」、「ｗａｓｈｏｕｔ」が抽出されているとする。重み決定部１７０は、読影知識データベース１１０に図１４の形式で格納された（画像特徴量−読影項目）間の相関関係テーブルを参照し、「早期濃染」と全ての画像特徴量間の相関関係と、「ｗａｓｈｏｕｔ」と全ての画像特徴量間の相関関係を取得する。ここでは取得した相関関係を表す数値（相関値）をそのまま重みとして用い、それぞれｗａ，ｉ，ｗｂ，ｉと表す。ここで、ｉは画像特徴量の種類を表す添字である。これらの重みを用い、ｉ番目の画像特徴量に対応する重みＷｉを、式８のように計算する。
【０１６２】
【数８】
【０１６３】
以上の重み付け方法について、図３１に概要を示した。
【０１６４】
例えば、４番目の画像特徴量「エッジ強度」に対する重みは、（早期濃染−エッジ強度）間の相関関係を表す値ｗａ，４と、（ｗａｓｈｏｕｔ−エッジ強度）間の相関関係を表す値ｗｂ，４とを足した値である。
【０１６５】
読影項目の個数が２以外の場合も、（読影項目−画像特徴量）間の相関関係を加算することで対応可能である。この式により、読影者が着目した読影項目、および、読影項目と画像特徴量との関連性、を同時に考慮した重みを計算することができ、その結果、それらを重視した類似症例検索が可能となる。
【０１６６】
（３）読影レポートから疾病名のみが抽出できた場合
このケースは、読影者が直感等で疾病名を推定したがその根拠となる読影項目の判断に迷っており、類似症例検索の結果で診断根拠（読影項目）のヒントを得ようとしている状況に相当する。ここでは、（疾病名−画像特徴量）間の相関関係のみを用いて重み付けを行う。
【０１６７】
この時点で、読影レポートから疾病名として「肝細胞がん」が抽出されているとする。重み決定部１７０は、読影知識データベース１１０に図２３の形式で格納された（画像特徴量−疾病名）間の相関関係テーブルを参照し、「肝細胞がん」と全ての画像特徴量間の相関関係を取得する。ここでは取得した相関関係を表す数値（相関値）をそのまま重みとして用い、ｗｉと表す。ここで、ｉは画像特徴量の種類を表す添字である。これらの重みを用い、ｉ番目の画像特徴量に対応する重みＷｉを、式９のように計算する。
【０１６８】
【数９】
【０１６９】
以上の重み付け方法について、図３２に概要を示した。
【０１７０】
例えば、４番目の画像特徴量「エッジ強度」に対する重みは、（肝細胞がん−エッジ強度）間の相関関係を表す値ｗ４である。
【０１７１】
疾病名は通常１個であるため、上記の処理を行えばよいが、２個以上の疾病名が記入された場合などは、それらを加算することで対応可能である。加算することにより、２個以上の疾病に対し、平均的な画像特徴量で類似症例検索が可能となる。この式により、読影者が着目した疾病名、および、疾病名と画像特徴量との関連性、を同時に考慮した重みが計算でき、その結果、それらを重視した類似症例検索が可能となる。
【０１７２】
なお、本実施の形態では、式６の重み付け距離を用いて画像間の類似判定を行ったが、用いる特徴量の総次元数が大きくなってくると、計算された距離において、相関値（重み）が小さい（または中程度の）多数の特徴量のために相関値（重み）の大きい特徴量が埋没する可能性がある。その場合は、対応する相関値が所定の閾値以上の画像特徴量のみを距離計算に使用する、あるいは、相関値の上位数個の画像特徴量のみを距離計算に使用するなどの方法を採用してもよい。その場合の個数は事前に定めておけばよい。
【０１７３】
次に読影知識が追加された相関関係（疾病名の追加情報が「１」）を用いた類似症例検索手順について説明する。つまり、図２９のステップＳ２５において、ステップＳ２４において抽出した疾病名について、読影知識が追加されている（疾病名の追加情報が「０」）と判断された場合の類似症例検索手順について説明する。
【０１７４】
読影知識が追加された相関関係（疾病名の追加情報が「１」）を用いた類似症例検索手順は、読影知識が追加されていない相関関係（疾病名の追加情報が「０」）を用いた類似症例検索手順と同様である。ただし、重み決定部１７０による画像特徴量の重み付けが異なる。このため、以下では、重み付け方法の具体例について説明する。
【０１７５】
（１）（画像特徴量−疾病名）間の相関関係が追加されている場合の重み付け方法その１
読影レポートから抽出された疾病名に対して読影知識が追加されている場合の画像特徴量の重み付け方法について、図３３および図３４を用いて説明する。
【０１７６】
ここでは特に、読影レポートから疾病名のみが抽出できた場合について説明する。
【０１７７】
このとき、先ほどと同様（疾病名−画像特徴量）間の相関関係のみを用いて重み付けを行う。
【０１７８】
図２９のステップＳ２４終了時点で、読影レポートから疾病名として「肝細胞がん」が抽出されているとする。
【０１７９】
ステップＳ２５において、重み決定部１７０は、読影知識データベース１１０に図２３の形式で格納された（画像特徴量−疾病名）間の相関関係テーブルにおいて追加情報を参照する。（画像特徴量−疾病名）間の相関関係が追加されている場合には、追加情報には「１」が格納されており、この場合には、図２３（図３３（ａ））の相関関係テーブルに含まれる「肝細胞がん」と全ての画像特徴量間の相関関係は取得せず、図２５（図３３（ｂ））の形式で格納された（画像特徴量−疾病名）間の相関関係テーブルに含まれる「肝細胞がん」と全ての画像特徴量間の相関関係を、組番号ごとに取得する。ここでは取得した相関関係を表す数値（相関値）をそのまま重みとして用い、ｗｉと表す。ここで、ｉは画像特徴量の種類を表す添字である。これらの重みを用い、ｉ番目の画像特徴量に対応する重みＷｉを、式９のように計算する。
【０１８０】
以上の重み付け方法について、図３３および図３４に概要を示した。
【０１８１】
ここで、図３３（ａ）の疾病名１のように（画像特徴量−疾病名）間の相関関係が追加されている場合には（追加情報が１の場合には）、疾病名に対して複数の画像パターンが存在する。このため、図３３（ｂ）に示すように相関関係も複数存在する。複数の相関関係が取得された場合には、相関関係ごとに、重みを計算し、類似症例検索に使用する。例えば、「肝細胞がん」に対して、相関関係が２組取得できた場合には、各相関関係について重みを決定し、これら両方について類似症例検索を実行する。
【０１８２】
各相関関係についての重み付け方法の概要は、図３４に示される。例えば、３番目の画像特徴量「平衡相 輝度平均」に対する重みは、（肝細胞がん−平衡相 輝度平均）間の相関関係を表す値ｗ３である。
【０１８３】
このように、相関関係ごとに重みを決定し類似症例検索を実行することにより、着目点の異なる２通りの類似症例検索結果が得られる。
【０１８４】
（２）（画像特徴量−疾病名）間の相関関係が追加されている場合の重み付け方法その２
次に、図２６に示す手順のように、図２１のステップＳ３３に示した読影知識を抽出する処理を行わずに、読影項目の組のみ抽出し、読影知識データベース１１０に格納した場合（図２７参照）の画像特徴量の重み付け方法について、図３５および図３６を用いて説明する。先ほどと同様、読影レポートから疾病名のみが抽出できた場合について説明する。
【０１８５】
このとき、先ほどと異なり（読影項目−画像特徴量）間の相関関係を用いて重み付けを行う。
【０１８６】
図２９のステップＳ２４終了時点で、読影レポートから疾病名として「肝細胞がん」が抽出されているとする。
【０１８７】
ステップＳ２５において、重み決定部１７０は、読影知識データベース１１０に図２３の形式で格納された（画像特徴量−疾病名）間の相関関係テーブルにおいて追加情報を参照する。（画像特徴量−疾病名）間の相関関係が追加されている場合には、追加情報には「１」が格納されており、この場合には、図２３（図３５（ａ））の相関関係テーブルに含まれる「肝細胞がん」と全ての画像特徴量間の相関関係は取得せず、図２７（図３５（ｂ））の形式で格納された読影項目の組に関する情報を、組番号ごとに取得する。組番号ごとに、取得した読影項目の組を用いて、読影レポートから複数の読影項目が抽出された場合と同様、図１４（図３５（ｃ））の形式で格納された（読影項目−画像特徴量）間の相関関係テーブルを参照する。例えば、「肝細胞がん」と相関が高い読影項目として「早期濃染」と「ｗａｓｈｏｕｔ」が抽出されたとする。このときには、「早期濃染」と全ての画像特徴量間の相関関係と、「ｗａｓｈｏｕｔ」と全ての画像特徴量間の相関関係を取得する。ここでは取得した相関関係を表す数値（相関値）をそのまま重みとして用い、それぞれｗａ，ｉ，ｗｂ，ｉと表す。ここで、ｉは画像特徴量の種類を表す添字である。これらの重みを用い、ｉ番目の画像特徴量に対応する重みＷｉを、式８のように計算する。
【０１８８】
以上の重み付け方法について、図３５および図３６に概要を示した。
【０１８９】
先ほどと同様、図３５（ａ）の疾病名１のように（画像特徴量−疾病名）間の相関関係が追加されている場合には（追加情報が１の場合には）、疾病名に対して複数の画像パターンが存在する。このため、図３５（ｂ）および図３５（ｃ）に示すように相関関係も複数存在する。複数の相関関係が取得された場合には、先ほどと同様に取得した相関関係ごとに、重みを計算し、類似症例検索に使用する。
【０１９０】
各相関関係について重み付け方法の概要は図３６に示される。
【０１９１】
例えば、３番目の画像特徴量「平衡相 輝度平均」に対する重みは、（早期濃染−平衡相 輝度平均）間の相関関係を表す値ｗａ，３と、（ｗａｓｈｏｕｔ−平衡相 輝度平均）間の相関関係を表す値ｗｂ，３とを足した値である。
【０１９２】
このように、相関関係ごとに重みを決定し類似症例検索を実行することにより、着目点の異なる２通りの類似症例検索結果が得られる。
【０１９３】
以上説明したように本実施の形態における類似症例の検索では、読影レポートから抽出された読影項目および疾病名の少なくとも１つを基に、類似症例検索にて重み付け距離計算を行う。即ち、抽出された読影項目および疾病名の少なくとも１つと関連する画像特徴量に関しては重みを相対的に大きく、関連しない画像特徴量に関しては重みを相対的に小さくする。このとき、疾病名に対応する画像パターンが複数存在する場合であっても、三項関係により相関関係が追加された重みを使用することができる。つまり、疾病名と関連性が高い画像特徴量の組合せが複数存在する場合には、画像特徴量の組合せごとに、読影項目を介した画像特徴量と対象疾病名との間の関連性を示す二項間関係情報を用いて、重み付けを行っている。このため、対象疾病名に対して複数種類の画像パターンが存在する場合であっても、それらを区別して類似症例検索を行うことができる。
【０１９４】
これにより、読影レポートに記入された医師の着目点を反映した類似症例検索が可能となる。
【０１９５】
なお、図１に示す類似症例検索装置は、症例データベース１００および読影知識データベース１１０を備える構成としたが、読影知識データベース１１０および読影知識データベース１１０は、必ずしも類似症例検索装置に備えられていなくてもよく、類似症例検索装置が存在する場所とは異なる場所に備えられていても良い。この場合、類似症例検索装置の重み決定部１７０と類似症例検索部１８０が、それぞれ、ネットワークを介して読影知識データベース１１０と症例データベース１００に接続されている。
【０１９６】
同様に、図２に示す読影知識抽出装置に、症例データベース１００および読影知識データベース１１０は、必ずしも備えられていなくてもよく、読影知識抽出装置が存在する場所とは異なる場所に備えられていても良い。この場合、読影知識抽出部２１０、読影知識判定部２２０および読影項目抽出部２３０が、ネットワークを介して読影知識データベース１１０に接続されており、レポート解析部２５０および画像特徴抽出部２６０が、ネットワークを介して症例データベース１００に接続されている。
【０１９７】
また、本実施の形態では、（画像特徴量−疾病名）間の相関関係が追加されている場合の重み付け方法について、読影レポートから疾病名のみが抽出できた場合を中心に説明したが、先に説明した読影レポートから読影項目および疾病名の両方が抽出できた場合、または読影レポートから読影項目のみが抽出できた場合においても同様に重み付けを行うことが可能である。
【０１９８】
また、（画像特徴量−疾病名）間の相関関係が追加されている場合において、相関関係が複数組取得できた場合には、類似症例検索結果としては着目点の異なる複数通りの類似症例検索結果が得られるが、これらは検索結果として全て表示してもよい。さらに、医用画像、読影レポートと同時に着眼点として採用した読影項目の組を表示してもよい。
【０１９９】
また、類似症例検索装置の本発明に必須の構成要素は、画像特徴抽出部１６０と、レポート解析部１５０と、重み決定部１７０と、類似症例検索部１８０とであり、その他の構成要素は、本発明の課題を達成するのに必ずしも必要ではない。
【０２００】
また、読影知識抽出装置の本発明に必須の構成要素は、画像特徴抽出部２６０と、レポート解析部２５０と、読影知識抽出部２１０と、読影知識判定部２２０と、読影項目抽出部２３０とであり、その他の構成要素は、本発明の課題を達成するのに必ずしも必要ではない。
【０２０１】
また、上記の各装置は、具体的には、マイクロプロセッサ、ＲＯＭ、ＲＡＭ、ハードディスクドライブ、ディスプレイユニット、キーボード、マウスなどから構成されるコンピュータシステムとして構成されても良い。ＲＡＭまたはハードディスクドライブには、コンピュータプログラムが記憶されている。マイクロプロセッサが、コンピュータプログラムに従って動作することにより、各装置は、その機能を達成する。ここでコンピュータプログラムは、所定の機能を達成するために、コンピュータに対する指令を示す命令コードが複数個組み合わされて構成されたものである。
【０２０２】
さらに、上記の各装置を構成する構成要素の一部または全部は、１個のシステムＬＳＩ（Ｌａｒｇｅ Ｓｃａｌｅ Ｉｎｔｅｇｒａｔｉｏｎ：大規模集積回路）から構成されているとしても良い。システムＬＳＩは、複数の構成部を１個のチップ上に集積して製造された超多機能ＬＳＩであり、具体的には、マイクロプロセッサ、ＲＯＭ、ＲＡＭなどを含んで構成されるコンピュータシステムである。ＲＡＭには、コンピュータプログラムが記憶されている。マイクロプロセッサが、コンピュータプログラムに従って動作することにより、システムＬＳＩは、その機能を達成する。
【０２０３】
さらにまた、上記の各装置を構成する構成要素の一部または全部は、各装置に脱着可能なＩＣカードまたは単体のモジュールから構成されているとしても良い。ＩＣカードまたはモジュールは、マイクロプロセッサ、ＲＯＭ、ＲＡＭなどから構成されるコンピュータシステムである。ＩＣカードまたはモジュールは、上記の超多機能ＬＳＩを含むとしても良い。マイクロプロセッサが、コンピュータプログラムに従って動作することにより、ＩＣカードまたはモジュールは、その機能を達成する。このＩＣカードまたはこのモジュールは、耐タンパ性を有するとしても良い。
【０２０４】
また、本発明は、上記に示す方法であるとしても良い。また、これらの方法をコンピュータにより実現するコンピュータプログラムであるとしても良いし、前記コンピュータプログラムからなるデジタル信号であるとしても良い。
【０２０５】
さらに、本発明は、上記コンピュータプログラムまたは上記デジタル信号をコンピュータ読取可能な非一時的な記録媒体、例えば、フレキシブルディスク、ハードディスク、ＣＤ−ＲＯＭ、ＭＯ、ＤＶＤ、ＤＶＤ−ＲＯＭ、ＤＶＤ−ＲＡＭ、ＢＤ（Ｂｌｕ−ｒａｙ Ｄｉｓｃ（登録商標））、半導体メモリなどに記録したものとしても良い。また、これらの非一時的な記録媒体に記録されている上記デジタル信号であるとしても良い。
【０２０６】
また、本発明は、上記コンピュータプログラムまたは上記デジタル信号を、電気通信回線、無線または有線通信回線、インターネットを代表とするネットワーク、データ放送等を経由して伝送するものとしても良い。
【０２０７】
また、本発明は、マイクロプロセッサとメモリを備えたコンピュータシステムであって、上記メモリは、上記コンピュータプログラムを記憶しており、上記マイクロプロセッサは、上記コンピュータプログラムに従って動作するとしても良い。
【０２０８】
また、上記プログラムまたは上記デジタル信号を上記非一時的な記録媒体に記録して移送することにより、または上記プログラムまたは上記デジタル信号を上記ネットワーク等を経由して移送することにより、独立した他のコンピュータシステムにより実施するとしても良い。
【０２０９】
さらに、上記実施の形態及び上記変形例をそれぞれ組み合わせるとしても良い。
【０２１０】
今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は上記した説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。
【産業上の利用可能性】
【０２１１】
本発明は、読影者に参考となる類似症例を検索および提示する類似症例検索装置、類似症例検索装置で用いられる読影知識を抽出する読影知識抽出装置、および、研修読影医のための読影教育装置等に利用可能である。
【符号の説明】
【０２１２】
１００ 症例データベース
１１０ 読影知識データベース
１２０ 読影対象画像読込部
１３０ 読影対象画像表示部
１４０ レポート入出力部
１５０、２５０ レポート解析部
１６０、２６０ 画像特徴抽出部
１７０ 重み決定部
１８０ 類似症例検索部
１９０ 類似症例表示部
２００ 読影端末
２１０ 読影知識抽出部
２２０ 読影知識判定部
２３０ 読影項目抽出部
【特許請求の範囲】
【請求項１】
医用画像と当該医用画像を読影した結果が記載された文書データである読影レポートとを含む症例データに類似する症例データを症例データベースより検索する類似症例検索装置であって、
前記読影レポートは、（ａ）医用画像の特徴を示す文字列である読影項目および（ｂ）医用画像に基づく読影者の診断結果である疾病名のうち少なくとも疾病名を含み、
前記類似症例検索装置は、
読影対象の医用画像である読影対象画像から複数の画像特徴量を抽出する画像特徴抽出部と、
前記読影対象画像に対する読影レポートである対象読影レポートから疾病名を抽出するレポート解析部と、
読影知識データベースに基づいて、画像特徴量毎の重みを決定する重み決定部と、
前記画像特徴抽出部で抽出された前記複数の画像特徴量と、症例データベースに登録されている症例データに含まれる医用画像から抽出される複数の画像特徴量とを、前記重み決定部で決定された画像特徴量毎の重みで重み付けして比較することにより、前記読影対象画像に類似する医用画像を含む症例データを前記症例データベースより検索する類似症例検索部と
を備え、
前記読影知識データベースは、
医用画像から抽出される各画像特徴量と各読影項目との間の関連性を予め定めた第１の二項間関係情報と、
各読影項目と各疾病名との間の関連性を予め定めた第２の二項間関係情報と、
各画像特徴量と各疾病名との間の関連性を予め定めた第３の二項間関係情報と、
疾病名ごとに、疾病名と関連性が高い画像特徴量の組合せが複数存在するか否かを示す存否情報とを含み、
前記重み決定部は、前記読影知識データベースに含まれる前記存否情報に基づいて前記レポート解析部が抽出した疾病名である対象疾病名と関連性が高い画像特徴量の組合せが複数存在すると判断できる場合に、画像特徴量の組合せごとに、前記知識データベースに含まれる前記第１の二項間関係情報および前記第２の二項間関係情報から算出される、読影項目を介した各画像特徴量と前記対象疾病名との間の関連性を示す第４の二項間関係情報を、前記第３の二項間関係情報に代えて用い、前記画像特徴抽出部が抽出した画像特徴量ごとに、当該画像特徴量と前記対象疾病名との間の関連性が高いほど大きな値の重みを決定する
類似症例検索装置。
【請求項２】
前記重み決定部は、前記読影知識データベースに含まれる前記存否情報に基づいて前記対象疾病名と関連性が高い画像特徴量の組合せが１種類しか存在しないと判断できる場合に前記第３の二項間関係情報を用い、前記画像特徴抽出部が抽出した画像特徴量ごとに、当該画像特徴量と前記対象疾病名との間の関連性が高いほど大きな値の重みを決定する
請求項１に記載の類似症例検索装置。
【請求項３】
医用画像と当該医用画像を読影した結果が記載された文書データである読影レポートとを含む複数の症例データから、読影知識を抽出する読影知識抽出装置であって、
前記読影レポートは、（ａ）医用画像の特徴を示す文字列である読影項目または（ｂ）医用画像に基づく読影者の診断結果である疾病名を含み、
前記読影知識抽出装置は、
前記各症例データに含まれる医用画像から複数の画像特徴量を抽出する画像特徴抽出部と、
前記各症例データに含まれる読影レポートから疾病名および読影項目を抽出するレポート解析部と、
前記画像特徴抽出部が抽出した各画像特徴量と前記レポート解析部が抽出した各読影項目との間の関連性を定める第１の二項間関係情報と、前記レポート解析部が抽出した各読影項目と前記レポート解析部が抽出した各疾病名との間の関連性を定める第２の二項間関係情報と、前記画像特徴抽出部が抽出した各画像特徴量と前記レポート解析部が抽出した各疾病名との間の関連性を定める第３の二項間関係情報とを、読影知識として抽出する読影知識抽出部と、
前記第１の二項間関係情報と、前記第２の二項間関係情報と、前記第３の二項間関係情報とに基づいて、疾病名ごとに疾病名と関連性が高い画像特徴量の組合せが複数存在するか否かを判定する読影知識判定部と、
前記第２の二項間関係情報に基づいて、前記読影知識判定部が関連性が高い画像特徴量の組合せが複数存在すると判定した疾病名ごとに、当該疾病名と画像特徴量の組合せとを関連付ける読影項目の組を、画像特徴量の組合せごとに抽出する読影項目抽出部と、
を備え、
前記読影知識抽出部は、さらに、前記読影項目抽出部が抽出した読影項目の組ごとに、当該読影項目の組と前記画像特徴抽出部が抽出した各画像特徴量との間の関連性を定める二項間関係情報を、前記読影知識判定部が関連性が高いと判定した疾病名と画像特徴量の組合せに含まれる各画像特徴量との間の関連性を示す読影知識である第４の二項間関係情報として抽出する
読影知識抽出装置。
【請求項４】
前記読影知識判定部は、（ａ）前記第３の二項間関係情報から選択される第１の画像特徴量と第１の疾病名との間の関連性を定める第１の相関値と、（ｂ）前記第２の二項間関係情報から選択される前記第１の疾病名と第１の読影項目との間の関連性を定める相関値が相関値閾値以上の前記第１の読影項目について、前記第１の二項間関係情報から選択される前記第１の読影項目と前記第１の画像特徴量との間の関連性を定める第２の相関値との間の差分値を計算し、計算した前記差分値が差分閾値よりも大きい場合に、前記第１の疾病名と関連性が高い画像特徴量の組合せが複数存在すると判定する
請求項３に記載の読影知識抽出装置。
【請求項５】
前記読影項目抽出部は、前記読影知識判定部が関連性が高い画像特徴量の組合せが複数存在すると判定した疾病名ごとに、前記第２の二項間関係情報が示す当該疾病名との間の相関値が第１閾値よりも大きい読影項目から作成される全ての読影項目の組のうち、当該疾病名との間の相関値が第２の閾値以上となる読影項目の組を、当該疾病名と前記画像特徴量の組合せとを関連付ける読影項目の組として抽出する
請求項３または４に記載の読影知識抽出装置。
【請求項６】
医用画像と当該医用画像を読影した結果が記載された文書データである読影レポートとを含む症例データに類似する症例データを症例データベースより検索する類似症例検索方法であって、
前記読影レポートは、（ａ）医用画像の特徴を示す文字列である読影項目および（ｂ）医用画像に基づく読影者の診断結果である疾病名のうち少なくとも疾病名を含み、
前記類似症例検索方法は、
読影対象の医用画像である読影対象画像から複数の画像特徴量を抽出する画像特徴抽出ステップと、
前記読影対象画像に対する読影レポートである対象読影レポートから疾病名を抽出するレポート解析ステップと、
読影知識データベースに基づいて、画像特徴量毎の重みを決定する重み決定ステップと、
前記画像特徴抽出ステップで抽出された前記複数の画像特徴量と、症例データベースに登録されている症例データに含まれる医用画像から抽出される複数の画像特徴量とを、前記重み決定ステップで決定された画像特徴量毎の重みで重み付けして比較することにより、前記読影対象画像に類似する医用画像を含む症例データを前記症例データベースより検索する類似症例検索ステップと
を含み、
前記読影知識データベースは、
医用画像から抽出される各画像特徴量と各読影項目との間の関連性を予め定めた第１の二項間関係情報と、
各読影項目と各疾病名との間の関連性を予め定めた第２の二項間関係情報と、
各画像特徴量と各疾病名との間の関連性を予め定めた第３の二項間関係情報と、
疾病名ごとに、疾病名と関連性が高い画像特徴量の組合せが複数存在するか否かを示す存否情報とを含み、
前記重み決定ステップでは、前記読影知識データベースに含まれる前記存否情報に基づいて前記レポート解析ステップで抽出された疾病名である対象疾病名と関連性が高い画像特徴量の組合せが複数存在すると判断できる場合に、画像特徴量の組合せごとに、前記知識データベースに含まれる前記第１の二項間関係情報および前記第２の二項間関係情報から算出される、読影項目を介した各画像特徴量と前記対象疾病名との間の関連性を示す第４の二項間関係情報を、前記第３の二項間関係情報に代えて用い、前記画像特徴抽出ステップで抽出された画像特徴量ごとに、当該画像特徴量と前記対象疾病名との間の関連性が高いほど大きな値の重みを決定する
類似症例検索方法。
【請求項７】
請求項６に記載の類似症例検索方法をコンピュータに実行させるためのプログラム。
【請求項８】
医用画像と当該医用画像を読影した結果が記載された文書データである読影レポートとを含む複数の症例データから、読影知識を抽出する読影知識抽出方法であって、
前記読影レポートは、（ａ）医用画像の特徴を示す文字列である読影項目または（ｂ）医用画像に基づく読影者の診断結果である疾病名を含み、
前記読影知識抽出方法は、
前記各症例データに含まれる医用画像から複数の画像特徴量を抽出する画像特徴抽出ステップと、
前記各症例データに含まれる読影レポートから疾病名および読影項目を抽出するレポート解析ステップと、
前記画像特徴抽出ステップで抽出された各画像特徴量と前記レポート解析ステップで抽出された各読影項目との間の関連性を定める第１の二項間関係情報と、前記レポート解析ステップで抽出された各読影項目と前記レポート解析ステップで抽出された各疾病名との間の関連性を定める第２の二項間関係情報と、前記画像特徴抽出ステップで抽出された各画像特徴量と前記レポート解析ステップで抽出された各疾病名との間の関連性を定める第３の二項間関係情報とを、読影知識として抽出する読影知識抽出ステップと、
前記第１の二項間関係情報と、前記第２の二項間関係情報と、前記第３の二項間関係情報とに基づいて、疾病名ごとに疾病名と関連性が高い画像特徴量の組合せが複数存在するか否かを判定する読影知識判定ステップと、
前記第２の二項間関係情報に基づいて、前記読影知識判定ステップで関連性が高い画像特徴量の組合せが複数存在すると判定された疾病名ごとに、当該疾病名と画像特徴量の組合せとを関連付ける読影項目の組を、画像特徴量の組合せごとに抽出する読影項目抽出ステップと、
を含み、
前記読影知識抽出ステップでは、さらに、前記読影項目抽出ステップで抽出された読影項目の組ごとに、当該読影項目の組と前記画像特徴抽出ステップで抽出された各画像特徴量との間の関連性を定める二項間関係情報を、前記読影知識判定ステップで関連性が高いと判定された疾病名と画像特徴量の組合せに含まれる各画像特徴量との間の関連性を示す読影知識である第４の二項間関係情報として抽出する
読影知識抽出方法。
【請求項９】
請求項８に記載の読影知識抽出方法をコンピュータに実行させるためのプログラム。
【請求項１】
医用画像と当該医用画像を読影した結果が記載された文書データである読影レポートとを含む症例データに類似する症例データを症例データベースより検索する類似症例検索装置であって、
前記読影レポートは、（ａ）医用画像の特徴を示す文字列である読影項目および（ｂ）医用画像に基づく読影者の診断結果である疾病名のうち少なくとも疾病名を含み、
前記類似症例検索装置は、
読影対象の医用画像である読影対象画像から複数の画像特徴量を抽出する画像特徴抽出部と、
前記読影対象画像に対する読影レポートである対象読影レポートから疾病名を抽出するレポート解析部と、
読影知識データベースに基づいて、画像特徴量毎の重みを決定する重み決定部と、
前記画像特徴抽出部で抽出された前記複数の画像特徴量と、症例データベースに登録されている症例データに含まれる医用画像から抽出される複数の画像特徴量とを、前記重み決定部で決定された画像特徴量毎の重みで重み付けして比較することにより、前記読影対象画像に類似する医用画像を含む症例データを前記症例データベースより検索する類似症例検索部と
を備え、
前記読影知識データベースは、
医用画像から抽出される各画像特徴量と各読影項目との間の関連性を予め定めた第１の二項間関係情報と、
各読影項目と各疾病名との間の関連性を予め定めた第２の二項間関係情報と、
各画像特徴量と各疾病名との間の関連性を予め定めた第３の二項間関係情報と、
疾病名ごとに、疾病名と関連性が高い画像特徴量の組合せが複数存在するか否かを示す存否情報とを含み、
前記重み決定部は、前記読影知識データベースに含まれる前記存否情報に基づいて前記レポート解析部が抽出した疾病名である対象疾病名と関連性が高い画像特徴量の組合せが複数存在すると判断できる場合に、画像特徴量の組合せごとに、前記知識データベースに含まれる前記第１の二項間関係情報および前記第２の二項間関係情報から算出される、読影項目を介した各画像特徴量と前記対象疾病名との間の関連性を示す第４の二項間関係情報を、前記第３の二項間関係情報に代えて用い、前記画像特徴抽出部が抽出した画像特徴量ごとに、当該画像特徴量と前記対象疾病名との間の関連性が高いほど大きな値の重みを決定する
類似症例検索装置。
【請求項２】
前記重み決定部は、前記読影知識データベースに含まれる前記存否情報に基づいて前記対象疾病名と関連性が高い画像特徴量の組合せが１種類しか存在しないと判断できる場合に前記第３の二項間関係情報を用い、前記画像特徴抽出部が抽出した画像特徴量ごとに、当該画像特徴量と前記対象疾病名との間の関連性が高いほど大きな値の重みを決定する
請求項１に記載の類似症例検索装置。
【請求項３】
医用画像と当該医用画像を読影した結果が記載された文書データである読影レポートとを含む複数の症例データから、読影知識を抽出する読影知識抽出装置であって、
前記読影レポートは、（ａ）医用画像の特徴を示す文字列である読影項目または（ｂ）医用画像に基づく読影者の診断結果である疾病名を含み、
前記読影知識抽出装置は、
前記各症例データに含まれる医用画像から複数の画像特徴量を抽出する画像特徴抽出部と、
前記各症例データに含まれる読影レポートから疾病名および読影項目を抽出するレポート解析部と、
前記画像特徴抽出部が抽出した各画像特徴量と前記レポート解析部が抽出した各読影項目との間の関連性を定める第１の二項間関係情報と、前記レポート解析部が抽出した各読影項目と前記レポート解析部が抽出した各疾病名との間の関連性を定める第２の二項間関係情報と、前記画像特徴抽出部が抽出した各画像特徴量と前記レポート解析部が抽出した各疾病名との間の関連性を定める第３の二項間関係情報とを、読影知識として抽出する読影知識抽出部と、
前記第１の二項間関係情報と、前記第２の二項間関係情報と、前記第３の二項間関係情報とに基づいて、疾病名ごとに疾病名と関連性が高い画像特徴量の組合せが複数存在するか否かを判定する読影知識判定部と、
前記第２の二項間関係情報に基づいて、前記読影知識判定部が関連性が高い画像特徴量の組合せが複数存在すると判定した疾病名ごとに、当該疾病名と画像特徴量の組合せとを関連付ける読影項目の組を、画像特徴量の組合せごとに抽出する読影項目抽出部と、
を備え、
前記読影知識抽出部は、さらに、前記読影項目抽出部が抽出した読影項目の組ごとに、当該読影項目の組と前記画像特徴抽出部が抽出した各画像特徴量との間の関連性を定める二項間関係情報を、前記読影知識判定部が関連性が高いと判定した疾病名と画像特徴量の組合せに含まれる各画像特徴量との間の関連性を示す読影知識である第４の二項間関係情報として抽出する
読影知識抽出装置。
【請求項４】
前記読影知識判定部は、（ａ）前記第３の二項間関係情報から選択される第１の画像特徴量と第１の疾病名との間の関連性を定める第１の相関値と、（ｂ）前記第２の二項間関係情報から選択される前記第１の疾病名と第１の読影項目との間の関連性を定める相関値が相関値閾値以上の前記第１の読影項目について、前記第１の二項間関係情報から選択される前記第１の読影項目と前記第１の画像特徴量との間の関連性を定める第２の相関値との間の差分値を計算し、計算した前記差分値が差分閾値よりも大きい場合に、前記第１の疾病名と関連性が高い画像特徴量の組合せが複数存在すると判定する
請求項３に記載の読影知識抽出装置。
【請求項５】
前記読影項目抽出部は、前記読影知識判定部が関連性が高い画像特徴量の組合せが複数存在すると判定した疾病名ごとに、前記第２の二項間関係情報が示す当該疾病名との間の相関値が第１閾値よりも大きい読影項目から作成される全ての読影項目の組のうち、当該疾病名との間の相関値が第２の閾値以上となる読影項目の組を、当該疾病名と前記画像特徴量の組合せとを関連付ける読影項目の組として抽出する
請求項３または４に記載の読影知識抽出装置。
【請求項６】
医用画像と当該医用画像を読影した結果が記載された文書データである読影レポートとを含む症例データに類似する症例データを症例データベースより検索する類似症例検索方法であって、
前記読影レポートは、（ａ）医用画像の特徴を示す文字列である読影項目および（ｂ）医用画像に基づく読影者の診断結果である疾病名のうち少なくとも疾病名を含み、
前記類似症例検索方法は、
読影対象の医用画像である読影対象画像から複数の画像特徴量を抽出する画像特徴抽出ステップと、
前記読影対象画像に対する読影レポートである対象読影レポートから疾病名を抽出するレポート解析ステップと、
読影知識データベースに基づいて、画像特徴量毎の重みを決定する重み決定ステップと、
前記画像特徴抽出ステップで抽出された前記複数の画像特徴量と、症例データベースに登録されている症例データに含まれる医用画像から抽出される複数の画像特徴量とを、前記重み決定ステップで決定された画像特徴量毎の重みで重み付けして比較することにより、前記読影対象画像に類似する医用画像を含む症例データを前記症例データベースより検索する類似症例検索ステップと
を含み、
前記読影知識データベースは、
医用画像から抽出される各画像特徴量と各読影項目との間の関連性を予め定めた第１の二項間関係情報と、
各読影項目と各疾病名との間の関連性を予め定めた第２の二項間関係情報と、
各画像特徴量と各疾病名との間の関連性を予め定めた第３の二項間関係情報と、
疾病名ごとに、疾病名と関連性が高い画像特徴量の組合せが複数存在するか否かを示す存否情報とを含み、
前記重み決定ステップでは、前記読影知識データベースに含まれる前記存否情報に基づいて前記レポート解析ステップで抽出された疾病名である対象疾病名と関連性が高い画像特徴量の組合せが複数存在すると判断できる場合に、画像特徴量の組合せごとに、前記知識データベースに含まれる前記第１の二項間関係情報および前記第２の二項間関係情報から算出される、読影項目を介した各画像特徴量と前記対象疾病名との間の関連性を示す第４の二項間関係情報を、前記第３の二項間関係情報に代えて用い、前記画像特徴抽出ステップで抽出された画像特徴量ごとに、当該画像特徴量と前記対象疾病名との間の関連性が高いほど大きな値の重みを決定する
類似症例検索方法。
【請求項７】
請求項６に記載の類似症例検索方法をコンピュータに実行させるためのプログラム。
【請求項８】
医用画像と当該医用画像を読影した結果が記載された文書データである読影レポートとを含む複数の症例データから、読影知識を抽出する読影知識抽出方法であって、
前記読影レポートは、（ａ）医用画像の特徴を示す文字列である読影項目または（ｂ）医用画像に基づく読影者の診断結果である疾病名を含み、
前記読影知識抽出方法は、
前記各症例データに含まれる医用画像から複数の画像特徴量を抽出する画像特徴抽出ステップと、
前記各症例データに含まれる読影レポートから疾病名および読影項目を抽出するレポート解析ステップと、
前記画像特徴抽出ステップで抽出された各画像特徴量と前記レポート解析ステップで抽出された各読影項目との間の関連性を定める第１の二項間関係情報と、前記レポート解析ステップで抽出された各読影項目と前記レポート解析ステップで抽出された各疾病名との間の関連性を定める第２の二項間関係情報と、前記画像特徴抽出ステップで抽出された各画像特徴量と前記レポート解析ステップで抽出された各疾病名との間の関連性を定める第３の二項間関係情報とを、読影知識として抽出する読影知識抽出ステップと、
前記第１の二項間関係情報と、前記第２の二項間関係情報と、前記第３の二項間関係情報とに基づいて、疾病名ごとに疾病名と関連性が高い画像特徴量の組合せが複数存在するか否かを判定する読影知識判定ステップと、
前記第２の二項間関係情報に基づいて、前記読影知識判定ステップで関連性が高い画像特徴量の組合せが複数存在すると判定された疾病名ごとに、当該疾病名と画像特徴量の組合せとを関連付ける読影項目の組を、画像特徴量の組合せごとに抽出する読影項目抽出ステップと、
を含み、
前記読影知識抽出ステップでは、さらに、前記読影項目抽出ステップで抽出された読影項目の組ごとに、当該読影項目の組と前記画像特徴抽出ステップで抽出された各画像特徴量との間の関連性を定める二項間関係情報を、前記読影知識判定ステップで関連性が高いと判定された疾病名と画像特徴量の組合せに含まれる各画像特徴量との間の関連性を示す読影知識である第４の二項間関係情報として抽出する
読影知識抽出方法。
【請求項９】
請求項８に記載の読影知識抽出方法をコンピュータに実行させるためのプログラム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１８】
【図２０】
【図２１】
【図２２】
【図２３】
【図２４】
【図２５】
【図２６】
【図２７】
【図２８】
【図２９】
【図３０】
【図３１】
【図３２】
【図３３】
【図３４】
【図３５】
【図３６】
【図１７】
【図１９】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図１５】
【図１６】
【図１８】
【図２０】
【図２１】
【図２２】
【図２３】
【図２４】
【図２５】
【図２６】
【図２７】
【図２８】
【図２９】
【図３０】
【図３１】
【図３２】
【図３３】
【図３４】
【図３５】
【図３６】
【図１７】
【図１９】
【公開番号】特開２０１３−２５７２３（Ｐ２０１３−２５７２３Ａ）
【公開日】平成２５年２月４日（２０１３．２．４）
【国際特許分類】
【出願番号】特願２０１１−１６２６５４（Ｐ２０１１−１６２６５４）
【出願日】平成２３年７月２５日（２０１１．７．２５）
【出願人】（０００００５８２１）パナソニック株式会社 (73,050)
【Ｆターム（参考）】
【公開日】平成２５年２月４日（２０１３．２．４）
【国際特許分類】
【出願日】平成２３年７月２５日（２０１１．７．２５）
【出願人】（０００００５８２１）パナソニック株式会社 (73,050)
【Ｆターム（参考）】
[ Back to top ]