特許ウォッチ

公開番号2025041395
公報種別公開特許公報(A)
公開日2025-03-26
出願番号2023148663
出願日2023-09-13
発明の名称病変検出方法および病変検出プログラム
出願人富士通株式会社
代理人弁理士法人扶桑国際特許事務所
主分類A61B 6/03 20060101AFI20250318BHJP(医学または獣医学;衛生学)
要約【課題】医用画像からの病変領域の検出精度を向上させる。
【解決手段】コンピュータは、複数の第1断層画像を、医学的所見が異なる複数の第1断層画像群に分類し、単位画像領域ごとに特定の病変の領域か否かを識別する複数の病変識別モデルを、それぞれ複数の第1断層画像群のうち互いに異なる1つを学習データとして用いた機械学習によって生成する。また、コンピュータは、複数の第2断層画像に基づいて第1画像特徴量を算出し、複数の第2断層画像を複数の病変識別モデルのそれぞれに入力することで、複数の病変識別モデルのそれぞれから、複数の第2断層画像に含まれる単位画像領域ごとに特定の病変の領域である確率を取得し、複数の第2断層画像に含まれる単位画像領域のそれぞれについて、複数の病変識別モデルのそれぞれから取得した確率を第1画像特徴量に基づいて統合する。
【選択図】図1
特許請求の範囲【請求項１】
コンピュータが、
複数の第１の人体の内部を撮影して得られた複数の第１断層画像を、医学的所見が異なる複数の第１断層画像群に分類し、
識別対象の断層画像に含まれる単位画像領域ごとに特定の病変の領域か否かを識別する複数の第１病変識別モデルを、それぞれ前記複数の第１断層画像群のうち互いに異なる１つを学習データとして用いた機械学習によって生成する、学習処理と、
第２の人体の内部を撮影して得られた複数の第２断層画像に基づいて第１画像特徴量を算出し、
前記複数の第２断層画像を前記複数の第１病変識別モデルのそれぞれに入力することで、前記複数の第１病変識別モデルのそれぞれから、前記複数の第２断層画像に含まれる前記単位画像領域ごとに前記特定の病変の領域である確率を取得し、
前記複数の第２断層画像に含まれる前記単位画像領域のそれぞれについて、前記複数の第１病変識別モデルのそれぞれから取得した前記確率を前記第１画像特徴量に基づいて統合して統合値を算出し、
前記統合値に基づいて前記複数の第２断層画像のそれぞれから前記特定の病変の領域を検出する、病変検出処理と、
を実行する病変検出方法。
続きを表示（約 2,200 文字）【請求項２】
前記第１画像特徴量は、前記複数の第２断層画像の画像領域のうち、特定の臓器の領域の画素情報に基づいて算出される、
請求項１記載の病変検出方法。
【請求項３】
前記第１画像特徴量は、前記特定の臓器の領域における輝度の平均値である、
請求項２記載の病変検出方法。
【請求項４】
前記複数の第１断層画像群は、前記特定の臓器における脂肪の蓄積度合いに基づいて分類され、
前記統合値の算出では、前記複数の第１病変識別モデルのそれぞれから取得した前記確率に対して重み付け加算を行うことで前記統合値を算出し、前記輝度の平均値が低いほど、前記複数の第１病変識別モデルのうち、脂肪の蓄積度合いが高い前記第１断層画像群を用いて生成された第１病変識別モデルからの前記確率に対して、高い重み係数が設定される、
請求項３記載の病変検出方法。
【請求項５】
前記学習処理は、
前記複数の第１断層画像を前記第１の人体ごとに分類した第２断層画像群ごとに、前記第１画像特徴量と同じ種類の第２画像特徴量を算出し、
前記複数の第１断層画像を、前記第２画像特徴量の範囲に応じて複数の第３断層画像群に分類し、
前記識別対象の断層画像に含まれる前記単位画像領域ごとに前記特定の病変の領域か否かを識別する複数の第２病変識別モデルを、それぞれ前記複数の第３断層画像群のうち互いに異なる１つを学習データとして用いた機械学習によって生成する、
処理を含み、
前記病変検出処理は、
前記複数の第２断層画像を前記複数の第２病変識別モデルのそれぞれに入力することで、前記複数の第２病変識別モデルのそれぞれから、前記複数の第２断層画像に含まれる前記単位画像領域ごとに前記確率を取得する、
処理を含み、
前記統合値の算出では、
前記複数の第２断層画像に含まれる前記単位画像領域のそれぞれについて、前記複数の第１病変識別モデルのそれぞれと前記複数の第２病変識別モデルのそれぞれとから取得した前記確率を、前記第１画像特徴量に基づいて統合して前記統合値を算出する、
請求項１記載の病変検出方法。
【請求項６】
前記複数の第１断層画像を前記複数の第１断層画像群に分類する処理では、前記複数の第１断層画像を、正常所見の断層画像を含む前記第１断層画像群と、異常所見の断層画像を含む前記第１断層画像群とに分類し、
前記学習処理は、
前記識別対象の断層画像に含まれる前記単位画像領域ごとに前記特定の病変の領域か否かを識別する第３病変識別モデルを、前記正常所見の断層画像のうち、前記第２画像特徴量が第１の範囲に含まれる断層画像を学習データとして用いた機械学習によって生成し、
前記識別対象の断層画像に含まれる前記単位画像領域ごとに前記特定の病変の領域か否かを識別する第４病変識別モデルを、前記異常所見の断層画像のうち、前記第２画像特徴量が第２の範囲に含まれる断層画像を学習データとして用いた機械学習によって生成する、
処理を含み、
前記病変検出処理は、
前記複数の第２断層画像を前記第３病変識別モデルと前記第４病変識別モデルとに入力することで、前記第３病変識別モデルおよび前記第４病変識別モデルのそれぞれから、前記複数の第２断層画像に含まれる前記単位画像領域ごとに前記確率を取得する、
処理を含み、
前記統合値の算出では、
前記複数の第２断層画像に含まれる前記単位画像領域のそれぞれについて、前記複数の第１病変識別モデルのそれぞれと、前記複数の第２病変識別モデルのそれぞれと、前記第３病変識別モデルと、前記第４病変識別モデルとから取得した前記確率を、前記第１画像特徴量に基づいて統合して前記統合値を算出する、
請求項５記載の病変検出方法。
【請求項７】
コンピュータに、
複数の第１の人体の内部を撮影して得られた複数の第１断層画像を、医学的所見が異なる複数の第１断層画像群に分類し、
識別対象の断層画像に含まれる単位画像領域ごとに特定の病変の領域か否かを識別する複数の第１病変識別モデルを、それぞれ前記複数の第１断層画像群のうち互いに異なる１つを学習データとして用いた機械学習によって生成する、学習処理と、
第２の人体の内部を撮影して得られた複数の第２断層画像に基づいて第１画像特徴量を算出し、
前記複数の第２断層画像を前記複数の第１病変識別モデルのそれぞれに入力することで、前記複数の第１病変識別モデルのそれぞれから、前記複数の第２断層画像に含まれる前記単位画像領域ごとに前記特定の病変の領域である確率を取得し、
前記複数の第２断層画像に含まれる前記単位画像領域のそれぞれについて、前記複数の第１病変識別モデルのそれぞれから取得した前記確率を前記第１画像特徴量に基づいて統合して統合値を算出し、
前記統合値に基づいて前記複数の第２断層画像のそれぞれから前記特定の病変の領域を検出する、病変検出処理と、
を実行させる病変検出プログラム。

発明の詳細な説明【技術分野】
【０００１】
本発明は、病変検出方法および病変検出プログラムに関する。
続きを表示（約 2,200 文字）【背景技術】
【０００２】
各種疾患の診断には、ＣＴ（Computed Tomography）やＭＲＩ（Magnetic Resonance Imaging）などによる医用画像が広く用いられている。医用画像を用いた画像診断では、医師は多数の画像を読影しなければならず、医師の負担が大きい。そのため、医師の診断作業をコンピュータによって何らかの形で支援する技術が求められている。
【０００３】
そのような技術の例として、機械学習によって作成された学習済みモデルを用いて、医用画像から病変領域を検出する技術がある。例えば、複数の訓練された機械学習モデルを備える病変検出および分類の人工知能パイプラインが提案されている。
【先行技術文献】
【特許文献】
【０００４】
米国特許出願公開第２０２２／０２７０２５４号明細書
【発明の概要】
【発明が解決しようとする課題】
【０００５】
ところで、学習済みモデルを用いた病変領域の検出処理では、病変領域と病変でない正常領域との間の画素値（例えば輝度値）の差が大きいほど、検出精度を高めることが可能である。しかし、実際に撮影された医用画像では、病変領域と正常領域との間の画素値の差が小さい場合が多く、このために検出精度を高めることが難しい場合がある。また、臓器内に蓄積された脂肪など、画素値に影響を与え得る医学的な事象が発生している場合には、通常より病変領域と正常領域との間の画素値の差が小さくなることがある。さらに、場合によってはこれらの間での画素値の大小関係が逆転することもある。
【０００６】
１つの側面では、本発明は、医用画像からの病変領域の検出精度を向上させることが可能な病変検出方法および病変検出プログラムを提供することを目的とする。
【課題を解決するための手段】
【０００７】
１つの案では、コンピュータが、学習処理および病変検出処理を実行する病変検出方法が提供される。学習処理では、コンピュータは、複数の第１の人体の内部を撮影して得られた複数の第１断層画像を、医学的所見が異なる複数の第１断層画像群に分類し、識別対象の断層画像に含まれる単位画像領域ごとに特定の病変の領域か否かを識別する複数の第１病変識別モデルを、それぞれ複数の第１断層画像群のうち互いに異なる１つを学習データとして用いた機械学習によって生成する。病変検出処理では、コンピュータは、第２の人体の内部を撮影して得られた複数の第２断層画像に基づいて第１画像特徴量を算出し、複数の第２断層画像を複数の第１病変識別モデルのそれぞれに入力することで、複数の第１病変識別モデルのそれぞれから、複数の第２断層画像に含まれる単位画像領域ごとに特定の病変の領域である確率を取得し、複数の第２断層画像に含まれる単位画像領域のそれぞれについて、複数の第１病変識別モデルのそれぞれから取得した確率を第１画像特徴量に基づいて統合して統合値を算出し、統合値に基づいて複数の第２断層画像のそれぞれから特定の病変の領域を検出する。
【０００８】
また、１つの案では、上記の病変検出方法と同様の処理をコンピュータに実行させる病変検出プログラムが提供される。
【発明の効果】
【０００９】
１つの側面では、医用画像からの病変領域の検出精度が向上する。
【図面の簡単な説明】
【００１０】
第１の実施の形態に係る情報処理装置の構成例および処理例を示す図である。
第２の実施の形態に係る診断支援システムの構成例を示す図である。
病変領域の検出のための機械学習モデルの例を示す図である。
診断支援装置が備える処理機能の構成例を示す図である。
学習データセットのデータ構成例を示す図である。
病変識別モデルの生成処理を説明するための図である。
病変識別モデルを用いた病変検出処理を説明するための図である。
画像特徴量と重み係数との対応関係を示す重みテーブルの例である。
モデル生成処理の手順を示すフローチャートの例である。
病変検出処理の手順を示すフローチャートの例である。
病変領域の検出結果の画面表示例を示す図である。
第３の実施の形態に係る診断支援装置が備える処理機能の構成例を示す図である。
病変識別モデルの生成処理を説明するための図である。
画像特徴量と重み係数との対応関係を示す重みテーブルの例である。
モデル生成処理の手順を示すフローチャートの例である。
病変検出処理の手順を示すフローチャートの例である。
第４の実施の形態に係る診断支援装置のモデル生成処理を説明するための図である。
画像特徴量と重み係数との対応関係を示す重みテーブルの例である。
モデル生成処理の手順を示すフローチャートの例である。
病変検出処理の手順を示すフローチャートの例である。
画像特徴量と重み係数との対応関係を示す重みテーブルの例である。
【発明を実施するための形態】
（【００１１】以降は省略されています）

関連特許