[go: up one dir, main page]

JP7607671B2 - 医療用画像の異常検出システム及び異常検出方法 - Google Patents

医療用画像の異常検出システム及び異常検出方法 Download PDF

Info

Publication number
JP7607671B2
JP7607671B2 JP2022565238A JP2022565238A JP7607671B2 JP 7607671 B2 JP7607671 B2 JP 7607671B2 JP 2022565238 A JP2022565238 A JP 2022565238A JP 2022565238 A JP2022565238 A JP 2022565238A JP 7607671 B2 JP7607671 B2 JP 7607671B2
Authority
JP
Japan
Prior art keywords
block
medical image
anatomical structure
block information
abnormality
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2022565238A
Other languages
English (en)
Other versions
JPWO2022113801A1 (ja
Inventor
正宏 石井
堅司 近藤
雅人 田中
真一 藤本
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Panasonic Corp
Panasonic Holdings Corp
Original Assignee
Panasonic Corp
Matsushita Electric Industrial Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Panasonic Corp, Matsushita Electric Industrial Co Ltd filed Critical Panasonic Corp
Publication of JPWO2022113801A1 publication Critical patent/JPWO2022113801A1/ja
Application granted granted Critical
Publication of JP7607671B2 publication Critical patent/JP7607671B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/46—Arrangements for interfacing with the operator or the patient
    • A61B6/461—Displaying means of special interest
    • A61B6/463—Displaying means of special interest characterised by displaying multiple images or images and diagnostic data on one display
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/46—Arrangements for interfacing with the operator or the patient
    • A61B6/467—Arrangements for interfacing with the operator or the patient characterised by special input means
    • A61B6/468—Arrangements for interfacing with the operator or the patient characterised by special input means allowing annotation or message recording
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
    • A61B8/461—Displaying means of special interest
    • A61B8/463—Displaying means of special interest characterised by displaying multiple images or images and diagnostic data on one display
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/46—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient
    • A61B8/467—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means
    • A61B8/468—Ultrasonic, sonic or infrasonic diagnostic devices with special arrangements for interfacing with the operator or the patient characterised by special input means allowing annotation or message recording
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5215—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data
    • A61B8/5223—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of medical diagnostic data for extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/037—Emission tomography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10132—Ultrasound image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/031—Recognition of patterns in medical or anatomical images of internal organs

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Quality & Reliability (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Business, Economics & Management (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Physiology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Description

本開示は、医療用画像の異常検出システム及び異常検出方法に関し、特に、医療用画像に含まれる解剖学的構造物について異常の有無を検出するシステム等に関する。
従来、医療用画像に基づいて臓器等の解剖学的構造物について異常の有無を検出する技術が提案されている（例えば、特許文献１参照）。特許文献１では、医療用画像に対して画像セグメンテーションを施して医療用画像から関心領域を分離し、分離した関心領域の重心位置、ボリューム、形状、強度、密度及び透明度等によって、異常の有無を判定している。なお、本明細書において、「異常」／「正常」とは、医学的な見地での（つまり、診断上の）「異常」／「正常」を意味する。
特表２０１９－５３０４８８号公報
しかしながら、特許文献１のような画像セグメンテーションで分離した関心領域の特性を利用する方法では、例えば、医療用画像において臓器の正常な構造の一部に腫瘍や水等の他の異常なものが重なっているケースでは、異常な症例を判別できない場合がある。
そこで、本開示は、より高い精度で解剖学的構造物について異常の有無を検出することができる医療用画像の異常検出システム及び異常検出方法を提供することを目的とする。
上記目的を達成するために、本開示の一形態に係る医療用画像の異常検出システムは、医療用画像に基づいて前記医療用画像に含まれる予め特定された一の解剖学的構造物であって本来一つのブロックとして検出されるべき解剖学的構造物についての異常の有無を検出する異常検出システムであって、前記異常には、医療用画像において臓器の正常な構造の一部に腫瘍及び水を含む他の異常物が重なっているケースが含まれ、前記異常検出システムは、前記医療用画像において前記解剖学的構造物を示す画素が繋がった領域であるブロックを示すブロック情報を取得する取得部と、前記取得部が取得した前記ブロック情報が示すブロックの数に基づいて前記ケースによる異常であるか否かを判定して出力する判定部とを備え、前記判定部は、前記ブロック情報が示すブロックの数が１である場合に、前記ケースによる異常でないと判定し、前記ブロック情報が示すブロックの数が２以上である場合に、前記ブロック情報が示すブロックが所定の条件を満たすときに、前記ケースによる異常であると判定する。
また、上記目的を達成するために、本開示の一形態に係る医療用画像の異常検出方法は、医療用画像に基づいて前記医療用画像に含まれる予め特定された一の解剖学的構造物であって本来一つのブロックとして検出されるべき解剖学的構造物についての異常の有無を検出する異常検出システムによる異常検出方法であって、前記異常には、医療用画像において臓器の正常な構造の一部に腫瘍及び水を含む他の異常物が重なっているケースが含まれ、前記異常検出方法は、前記医療用画像において前記解剖学的構造物を示す画素が繋がった領域であるブロックを示すブロック情報を取得する取得ステップと、前記取得ステップで取得した前記ブロック情報が示すブロックの数に基づいて前記ケースによる異常であるか否かを判定して出力する判定ステップとを含み、前記判定ステップでは、前記ブロック情報が示すブロックの数が１である場合に、前記ケースによる異常でないと判定し、前記ブロック情報が示すブロックの数が２以上である場合に、前記ブロック情報が示すブロックが所定の条件を満たすときに、前記ケースによる異常であると判定する。
本開示により、より高い精度で解剖学的構造物について異常の有無を検出することができる医療用画像の異常検出システム及び異常検出方法が提供される。
図１は、実施の形態に係る診断支援システムの構成を示すブロック図である。 図２Ａは、医療用画像における解剖学的構造物の例を示す図である。 図２Ｂは、医療用画像における解剖学的構造物の他の例を示す図である。 図２Ｃは、医療用画像における解剖学的構造物の他の例を示す図である。 図２Ｄは、医療用画像における解剖学的構造物の他の例を示す図である。 図３は、図１における異常検出システムの主要な動作を示すフローチャートである。 図４は、図３におけるステップＳ２３の具体例を示すフローチャートである。 図５は、図３及び図４に示された判定の結果例を説明するための医療用画像における解剖学的構造物の例を示す模式図である。 図６は、図４に示された判定を評価するための症例を用いた実験の結果を示す図である。 図７は、図３におけるステップＳ２３の他の具体例を示すフローチャートである。 図８Ａは、図３及び図７に示された判定の結果例を説明するための医療用画像における解剖学的構造物の例を示す模式図である。 図８Ｂは、図７に示された判定の結果例を説明するための医療用画像における解剖学的構造物の撮像例を示す図である。 図９は、図３におけるステップＳ２３のさらに他の具体例を示すフローチャートである。 図１０Ａは、図４に示される面積を用いた判定に用いられる第１閾値の決定方法を示すフローチャートである。 図１０Ｂは、図７に示される距離を用いた判定に用いられる第２閾値の決定方法を示すフローチャートである。
以下、本開示の実施の形態について、図面を用いて詳細に説明する。なお、以下で説明する実施の形態は、いずれも本開示の一具体例を示す。以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の配置位置及び接続形態、ステップ、ステップの順序等は、一例であり、本開示を限定する主旨ではない。また、各図は、必ずしも厳密に図示したものではない。各図において、実質的に同一の構成については同一の符号を付し、重複する説明は省略又は簡略化する。
図１は、実施の形態に係る診断支援システム１０の構成を示すブロック図である。診断支援システム１０は、医療用画像に基づいて解剖学的構造物について医師が効率的に診断するのを支援するシステムであり、インターネット等の通信路で接続された撮影装置２０、画像サーバ３０、ビューワ装置４０、及び、異常検出システム５０を備える。
撮影装置２０は、人の解剖学的構造物を撮影することで医療用画像３１ａを生成する装置であり、本実施の形態では、医療用画像として胸部Ｘ線画像を生成して画像サーバ３０に格納するＸ線撮影装置である。なお、医療用画像としては、胸部Ｘ線画像に限られず、他の部位のＸ線画像であってもよいし、ＣＴスキャン、ＰＥＴ／ＣＴスキャン、ＳＰＥＣＴスキャン、ＭＲＩ、超音波、Ｘ線、乳房撮影、血管造影、蛍光撮影、顕微鏡写真、又は、これらの組み合わせにより提供される画像であってもよい。
画像サーバ３０は、撮影装置２０によって生成された医療用画像３１ａ、及び、異常検出システム５０によって生成された検出後の医療用画像３２ａを保持したり、保持している医療用画像３２ｂをビューワ装置４０に提供したりするデータサーバであり、例えば、ハードディスク等のストレージを備えるコンピュータ装置である。なお、画像サーバ３０が他の装置とやりとりするデータには、医療用画像だけでなく、医療用画像に付随する各種情報（撮影日時、患者に関する情報、検出結果等）が含まれてもよい。
ビューワ装置４０は、ＧＵＩ（Graphical User Interface）を介して得たユーザからの指示に従って、画像サーバ３０に保持されている医療用画像３２ｂ及び医療用画像に付随する各種情報を様々な態様で表示する装置であり、例えば、ディスプレイ、マウス等の入力装置、ハードディスク等の記憶装置等の周辺装置を備えるコンピュータ装置である。
異常検出システム５０は、画像サーバ３０から取得した検出対象の医療用画像３１ｂに基づいて、医療用画像に含まれる予め特定された一の解剖学的構造物について医学的な異常の有無を検出するシステムであり、ブロック情報生成部５１、取得部５２、判定部５３、及び、画像処理部５４を備える。
ブロック情報生成部５１は、画像サーバ３０から取得した検出対象の医療用画像３１ｂから、医療用画像３１ｂに含まれる解剖学的構造物を示す画素が繋がった領域であるブロックを示すブロック情報を生成する、つまり、医療用画像３１ｂに対してラベリング処理を施して画像の塊に分離する。ブロック情報は、医療用画像３１ｂにおける個々のブロックを特定する情報であれば、特定のフォーマットに限定されない。例えば、ブロック情報は、医療用画像３１ｂにおける個々のブロックに属する画素とそれ以外の画素とを区別する情報（例えば、ブロックを構成する画素を「１」、それ以外の画素を「０」とする２値画像）であってもよいし、個々のブロックの特性を示す情報（例えば、上記２値画像を解析することで得られる各ブロックの面積、輪郭情報など）であってもよい。
取得部５２は、ブロック情報生成部５１が生成したブロック情報を取得する。
判定部５３は、取得部５２が取得したブロック情報が示すブロックの数に基づいて、医療用画像３１ｂに含まれる解剖学的構造物が異常であるか否かを判定して出力する。このとき、判定部５３は、ブロック情報が示すブロックの数が１である場合に、本来一つのブロックとして検出されるべき解剖学的構造物が一つのブロックとして検出されていると認識し、医療用画像３１ｂに含まれる解剖学的構造物が異常でないと判定する。一方、判定部５３は、ブロック情報が示すブロックの数が２以上である場合に、ブロック情報が示すブロックが所定の条件を満たすときに、画像上又は画像処理上のノイズではなく本来一つのブロックとして検出されるべき解剖学的構造物が２以上に分離されていると認識し、医療用画像３１ｂに含まれる解剖学的構造物が異常であると判定する。
ここで、所定の条件は、例えば、ブロック情報が示す２以上のブロックのうち、医療用画像３１ｂにおける面積が２番目に大きいブロックに関する条件である。より詳しくは、所定の条件は、ブロック情報が示す２以上のブロックのうち、医療用画像３１ｂにおける面積が２番目に大きいブロックが第１閾値以上の面積を有することである。
また、所定の条件は、例えば、ブロック情報が示す２以上のブロックのうち、医療用画像３１ｂにおける面積が最も大きいブロックと他のブロックのそれぞれとの医療用画像３１ｂにおける距離のうちの最小値が第２閾値以下であることである。このとき、所定の条件は、さらに、ブロック情報が示す２以上のブロックのうち、医療用画像３１ｂにおける面積が２番目に大きいブロックが第１閾値以上の面積を有することを含んでもよい。
画像処理部５４は、判定部５３による判定結果を、検出対象の医療用画像３１ｂに反映することで、検出後の医療用画像３２ａを生成し、画像サーバ３０に格納する。
なお、異常検出システム５０を構成するブロック情報生成部５１、取得部５２、判定部５３、及び、画像処理部５４は、具体的には、プログラムを保持する不揮発性メモリ、一時作業領域としての揮発性メモリ、プログラムを実行するプロセッサ、通信インタフェース及び通信ポートを含む入出力回路等を備える少なくとも一つのコンピュータで実現される。
また、異常検出システム５０を構成するブロック情報生成部５１、取得部５２、判定部５３、及び、画像処理部５４は、一つのコンピュータ又は画像処理装置で実現されてもよいし、通信路で接続された複数のコンピュータ又は画像処理装置によって分散して実現されてもよい。
また、診断支援システム１０は、通信路で接続された撮影装置２０、画像サーバ３０、ビューワ装置４０、及び、異常検出システム５０で構成されたが、これらの構成要素の全部又は一部が一つの装置として組み立てられていてもよい。
また、異常検出システム５０は、必ずしもブロック情報生成部５１及び画像処理部５４を備える必要はなく、少なくとも取得部５２及び判定部５３を備えればよい。そのような構成であっても、医療用画像に含まれる解剖学的構造物について異常の有無を検出することができる。逆に、異常検出システム５０は、撮影装置２０、画像サーバ３０及びビューワ装置４０の少なくとも一つの機能を備えてもよい。
図２Ａ～図２Ｄは、医療用画像における（つまり、医療用画像に含まれる）解剖学的構造物の例（合計、７種類の解剖学的構造物の例）を示す図である。より詳しくは、図２Ａ～図２Ｄは、解剖学的構造物の例として、それぞれ、右房陰影及び左室陰影、下行大動脈陰影、右横隔膜ドーム陰影及び左横隔膜ドーム陰影、右肺外側陰影及び左肺外側陰影を示す。図２Ａ～図２Ｄのそれぞれの表では、左から順に、胸部Ｘ線画像、解剖学的構造物名、解剖学的構造物の領域、胸部Ｘ線画像と解剖学的構造物との重畳の例が示されている。
胸部Ｘ線画像上における解剖学的構造物とは、図２Ａ～図２Ｃに示されるように、右房陰影、左室陰影、下行大動脈陰影、横隔膜ドーム陰影等である。右房陰影は、胸部Ｘ線画像上における右房とその周辺との境界に描出される境界線である。左室陰影は、胸部Ｘ線画像上における左室とその周辺との境界に描出される境界線である。下行大動脈陰影は、胸部Ｘ線画像上における下行大動脈とその周辺との境界に描出される境界線である。横隔膜ドーム陰影は、胸部Ｘ線画像上における横隔膜とその周辺との境界に描出される境界線である。
なお、胸部Ｘ線画像上における解剖学的構造物は、これらに限定されない。解剖学的構造物は、例えば、図２Ｄに示されるように、胸部Ｘ線画像上における肺の外側部分とその周辺との境界に描出される境界線である肺外縁の陰影であってもよく、その他の構造物または臓器等の陰影であってもよい。また、解剖学的構造物は、胸部Ｘ線画像に含まれる構造物等に限定されるものではなく、ＣＴ画像やＭＲＩ画像など、その他の撮影装置で撮影した医療用画像に含まれる構造物等であってもよい。
次に、以上のように構成される本実施の形態に係る診断支援システム１０の動作について、診断支援システム１０を構成する特徴的な異常検出システム５０の動作を中心に、説明する。
図３は、図１における異常検出システム５０の主要な動作（つまり、異常検出方法）を示すフローチャートである。図３の（ａ）は、異常検出システム５０の主要な動作の流れを示し、図３の（ｂ）は、図３の（ａ）におけるステップＳ２の詳細を示す。
まず、取得部５２は、ブロック情報生成部５１が生成したブロック情報を取得する（取得ステップＳ１）。
次に、判定部５３は、取得部５２が取得したブロック情報が示すブロックの数に基づいて、医療用画像に含まれる解剖学的構造物が異常であるか否かを判定して出力する（判定ステップＳ２）。より詳しくは、判定部５３は、ブロック情報が示すブロックの数を判定し（Ｓ２１）、ブロックの数が１である場合に（Ｓ２１でＹｅｓ）、本来一つのブロックとして検出されるべき解剖学的構造物が一つのブロックとして検出されていると認識し、医療用画像に含まれる解剖学的構造物が異常でないと判定する（Ｓ２２）。
一方、判定部５３は、ブロック情報が示すブロックの数が２以上である場合に、ブロック情報が示すブロックが所定の条件を満たすか否かを判定し（Ｓ２３）、所定の条件を満たすときに（Ｓ２３でＹｅｓ）、画像上又は画像処理上のノイズではなく本来一つのブロックとして検出されるべき解剖学的構造物が２以上に分離されていると認識し、医療用画像に含まれる解剖学的構造物が異常であると判定し（Ｓ２４）、所定の条件を満たさないときに（Ｓ２３でＮｏ）、画像上又は画像処理上のノイズによって本来一つのブロックとして検出されるべき解剖学的構造物が２以上に分離されていると認識し、医療用画像に含まれる解剖学的構造物が異常でないと判定する（Ｓ２２）。
図４は、図３におけるステップＳ２３（所定の条件を満たすか否かの判定）の具体例を示すフローチャートである。
本図に示される判定例では、判定部５３は、所定の条件を満たすか否かの判定として、ブロック情報が示す２以上のブロックのうち、医療用画像における面積が２番目に大きいブロックが第１閾値以上の面積を有するか否かを判定する（Ｓ２３ａ）。
その結果、判定部５３は、医療用画像における面積が２番目に大きいブロックが第１閾値以上の面積を有する場合には（Ｓ２３ａでＹｅｓ）、画像上又は画像処理上のノイズではなく本来一つのブロックとして検出されるべき解剖学的構造物が２以上に分離されていると認識し、医療用画像に含まれる解剖学的構造物が異常であると判定する（図３のＳ２４へ）。
一方、判定部５３は、医療用画像における面積が２番目に大きいブロックが第１閾値以上の面積を有さない場合には（Ｓ２３ａでＮｏ）、画像上又は画像処理上のノイズによって本来一つのブロックとして検出されるべき解剖学的構造物が２以上に分離されていると認識し、医療用画像に含まれる解剖学的構造物が異常でないと判定する（図３のＳ２２へ）。
図５は、図３及び図４に示された判定の結果例を説明するための医療用画像における解剖学的構造物（ここでは、下行大動脈陰影）の例を示す模式図である。より詳しくは、図５の（ａ）は、１つのブロック６０として検出されたために（図３のステップＳ２１でＹｅｓ）、「異常でない」と判定される下行大動脈陰影の例を示す。図５の（ｂ）は、２つのブロック６０ａ及び６０ｂとして検出され（図３のステップＳ２１でＮｏ）、かつ、２番目に大きいブロック６０ａが第１閾値以上の面積を有するために（図４のステップＳ２３ａでＹｅｓ）、「異常である」と判定される下行大動脈陰影の例を示す。図５の（ｃ）は、２つのブロック６０ｃ及び６０ｄとして検出されたが（図３のステップＳ２１でＮｏ）、２番目に大きいブロック６０ｃが第１閾値以上の面積を有さないために（図４のステップＳ２３ａでＮｏ）、「異常でない」と判定される下行大動脈陰影の例を示す。
図６は、図４に示された判定を評価するための症例を用いた実験の結果を示す図である。より詳しくは、図６の（ａ）は、右房陰影を解剖学的構造物として異常の有無を判定した場合のＲＯＣ曲線（receiver operating characteristic curve）を示し、図６の（ｂ）は、左室陰影を解剖学的構造物として異常の有無を判定した場合のＲＯＣ曲線を示し、図６の（ｃ）は、下行大動脈陰影を解剖学的構造物として異常の有無を判定した場合のＲＯＣ曲線を示し、図６の（ｄ）は、図６の（ａ）～（ｃ）に示されたＲＯＣ曲線の閾値選択結果及びＡＵＣ（Area Under the Curve）を示す図である。
図６の（ａ）～（ｃ）に示されるＲＯＣ曲線において、横軸は、偽陽性率（つまり、正常と判明している症例を異常検出システム５０が異常と判定した確率（１－特異度））を示し、縦軸は、陽性率（つまり、異常と判明している症例を異常検出システム５０が異常と判定した確率（感度））を示す。これらのＲＯＣ曲線は、正常及び異常が判明している複数の症例について、図４に示される判定に用いられる第１閾値を変化させて得られた異常検出システム５０による判定結果をプロットしたものである。
ＲＯＣ曲線は、左上隅に近い位置を通る曲線であるほど、症例に対して正しい判定ができていることを示す。発明者らの比較によれば、図６の（ｂ）及び（ｃ）に示される左室陰影及び下行大動脈陰影に関する症例に対する判定精度は、従来の画像処理に基づく判定精度よりも改善されていることが判明している。これは、一つの解剖学的構造物について、医療用画像から抽出されるブロックの数、及び、２番目に面積が大きいブロックの大きさに基づいて異常／正常を判定する手法により、従来では判定が難しいケース（例えば、医療用画像において臓器の正常な構造の一部に腫瘍や水等の他の異常なものが重なっているケース）であっても、正しい判定ができているためと考えられる。なお、ＲＯＣ曲線において、左上隅に最も近いポイント（図６の（ａ）～（ｃ）における黒点）に対応する第１閾値が図４に示される判定に用いる閾値として最もふさわしいといえる。
なお、ＲＯＣ曲線において、判定に用いる閾値の選定方法にはいくつかある。例えば、ＲＯＣ曲線上で陽性率＋（１－偽陽性率）の値が最も大きくなる点（図６の（ａ）～（ｃ）における黒点）を選択する方法である。陽性率＋（１－偽陽性率）はＹｏｕｄｅｎ Ｉｎｄｅｘと呼ばれるもので、それが最大になる点を選択する方法である。他には、陽性率を目標値（例えば０．９）になるような点を選択したり、偽陽性率を目標値（例えば０．１）となるような点を選択したりする方法もある。
図７は、図３におけるステップＳ２３（所定の条件を満たすか否かの判定）の他の具体例を示すフローチャートである。
本図に示される判定例では、判定部５３は、所定の条件を満たすか否かの判定として、ブロック情報が示す２以上のブロックのうち、医療用画像における面積が最も大きいブロックと他のブロックのそれぞれとの医療用画像における距離のうちの最小値が第２閾値以下であるか否かを判定する（Ｓ２３ｂ）。
その結果、判定部５３は、医療用画像における面積が最も大きいブロックと他のブロックのそれぞれとの医療用画像における距離のうちの最小値が第２閾値以下である場合には（Ｓ２３ｂでＹｅｓ）、画像上又は画像処理上のノイズではなく本来一つのブロックとして検出されるべき解剖学的構造物が２以上に分離されていると認識し、医療用画像に含まれる解剖学的構造物が異常であると判定する（図３のＳ２４へ）。
一方、判定部５３は、医療用画像における面積が最も大きいブロックと他のブロックのそれぞれとの医療用画像における距離のうちの最小値が第２閾値以下でない場合には（Ｓ２３ｂでＮｏ）、画像上又は画像処理上のノイズによって本来一つのブロックとして検出されるべき解剖学的構造物が２以上に分離されていると認識し、医療用画像に含まれる解剖学的構造物が異常でないと判定する（図３のＳ２２へ）。
図８Ａは、図３及び図７に示された判定の結果例を説明するための医療用画像における解剖学的構造物（ここでは、下行大動脈陰影）の例を示す模式図である。より詳しくは、図８Ａの（ａ）は、１つのブロック６０として検出されたために（図３のステップＳ２１でＹｅｓ）、「異常でない」と判定される下行大動脈陰影の例を示す。図８Ａの（ｂ）は、２つのブロック６０ｃ及び６０ｄとして検出され（図３のステップＳ２１でＮｏ）、かつ、医療用画像における面積が最も大きいブロック６０ｄと他のブロックのそれぞれ（ここでは、ブロック６０ｃ）との医療用画像における距離のうちの最小値（ここでは、ブロック６０ｄとブロック６０ｃとの距離）が第２閾値以下であるために（図７のステップＳ２３ｂでＹｅｓ）、「異常である」と判定される下行大動脈陰影の例を示す。図８Ａの（ｃ）は、２つのブロック６０ｅ及び６０ｆとして検出されたが（図３のステップＳ２１でＮｏ）、医療用画像における面積が最も大きいブロック６０ｆと他のブロックのそれぞれ（ここでは、ブロック６０ｅ）との医療用画像における距離のうちの最小値（ここでは、ブロック６０ｆとブロック６０ｅとの距離）が第２閾値以下でないために（図７のステップＳ２３ｂでＮｏ）、「異常でない」と判定される下行大動脈陰影の例を示す。
図８Ｂは、図７に示された判定の結果例を説明するための医療用画像における解剖学的構造物（ここでは、下行大動脈陰影）の実際の撮像例を示す図である。図８Ｂには、実際にブロックとして抽出された下行大動脈陰影の像が示されている。図８Ｂの（ａ）～（ｃ）は、医療用画像における面積が最も大きいブロック（ここでは、７０ｂ、７０ｄ、７０ｆ）と他のブロックのそれぞれ（ここでは、７０ａ、７０ｃ、７０ｅ）との医療用画像における距離のうちの最小値が第２閾値以下でないために（図７のステップＳ２３ｂでＮｏ）、「異常でない」と正しく判定される下行大動脈陰影の例を示し、図８Ｂの（ｄ）は、医療用画像における面積が最も大きいブロック（ここでは、７０ｈ）と他のブロック（ここでは、７０ｇ）、７０ｉ）のそれぞれとの医療用画像における距離のうちの最小値が第２閾値以下であるために（図７のステップＳ２３ｂでＮｏ）、「異常である」と正しく判定される下行大動脈陰影の例を示す。
具体的には、図８Ｂの（ａ）に示すブロック７０ａとブロック７０ｂは、下行大動脈陰影の検出結果であり、とぎれが生じているが「異常でない」と判定される例を示している。図８Ｂの（ｂ）に示すブロック７０ｃとブロック７０ｄは、右側の横隔膜ドーム陰影の検出結果であり、とぎれが生じているが「異常でない」と判定される例を示している。図８Ｂの（ｃ）に示すブロック７０ｅとブロック７０ｆは、左室陰影の検出結果であり、とぎれが生じているが「異常でない」と判定される例を示している。図８Ｂの（ｄ）に示すブロック７０ｇとブロック７０ｈとブロック７０ｉは、左室陰影の別の検出結果であり、小さなとぎれが生じているので「異常である」と判定される例を示している。
なお、図３におけるステップＳ２３（所定の条件を満たすか否かの判定）の具体例としては、図４に示される面積を用いた判定、及び、図７に示される距離を用いた判定に限られない。面積を用いた判定、及び、距離を用いた判定の両方を用いた判定であってもよい。図９は、面積を用いた判定、及び、距離を用いた判定の両方を用いた判定の一例を示すフローチャートである。つまり、図９は、図３におけるステップＳ２３（所定の条件を満たすか否かの判定）のさらに他の具体例を示すフローチャートである。
本図に示される判定例では、判定部５３は、まず、所定の条件を満たすか否かの判定として、ブロック情報が示す２以上のブロックのうち、医療用画像における面積が２番目に大きいブロックが第１閾値以上の面積を有するか否かを判定する（Ｓ２３ａ）。
その結果、判定部５３は、医療用画像における面積が２番目に大きいブロックが第１閾値以上の面積を有さない場合には（Ｓ２３ａでＮｏ）、画像上又は画像処理上のノイズによって本来一つのブロックとして検出されるべき解剖学的構造物が２以上に分離されていると認識し、医療用画像に含まれる解剖学的構造物が異常でないと判定する（図３のＳ２２へ）。
一方、判定部５３は、医療用画像における面積が２番目に大きいブロックが第１閾値以上の面積を有する場合には（Ｓ２３ａでＹｅｓ）、続いて、ブロック情報が示す２以上のブロックのうち、医療用画像における面積が最も大きいブロックと他のブロックのそれぞれとの医療用画像における距離のうちの最小値が第２閾値以下であるか否かを判定する（Ｓ２３ｂ）。
その結果、判定部５３は、医療用画像における面積が最も大きいブロックと他のブロックのそれぞれとの医療用画像における距離のうちの最小値が第２閾値以下である場合には（Ｓ２３ｂでＹｅｓ）、画像上又は画像処理上のノイズではなく本来一つのブロックとして検出されるべき解剖学的構造物が２以上に分離されていると認識し、医療用画像に含まれる解剖学的構造物が異常であると判定する（図３のＳ２４へ）。
一方、判定部５３は、医療用画像における面積が最も大きいブロックと他のブロックのそれぞれとの医療用画像における距離のうちの最小値が第２閾値以下でない場合には（Ｓ２３ｂでＮｏ）、画像上又は画像処理上のノイズによって本来一つのブロックとして検出されるべき解剖学的構造物が２以上に分離されていると認識し、医療用画像に含まれる解剖学的構造物が異常でないと判定する（図３のＳ２２へ）。
なお、図９に示される判定では、面積についての条件を満たし（Ｓ２３ａでＹｅｓ）、かつ、距離についての条件を満たす（Ｓ２３ｂでＹｅｓ）場合に、医療用画像に含まれる解剖学的構造物が異常であると判定され、それ以外の場合に、医療用画像に含まれる解剖学的構造物が異常でないと判定されたが、これに代えて、面積についての条件（Ｓ２３ａ）、及び、距離についての条件（Ｓ２３ｂ）の少なくとも一方を満たす場合に、医療用画像に含まれる解剖学的構造物が異常であると判定され、それ以外の場合に、医療用画像に含まれる解剖学的構造物が異常でないと判定されてもよい。
また、図３におけるステップＳ２３（所定の条件を満たすか否かの判定）の具体例として、図４、図７、図９等で示された判定例のいずれを採用するかは、判定の対象とする解剖学的構造物の種類等に依存して、予め異常／正常が判明している症例に対して実験しておくことで、異常／正常判定の的中率が最も高い判定方法に決定してもよい。
図１０Ａは、図４に示される面積を用いた判定に用いられる第１閾値の決定方法を示すフローチャートである。図４に示される面積を用いた判定では、判定部５３は、所定の条件を満たすか否かの判定として、ブロック情報が示す２以上のブロックのうち、医療用画像における面積が２番目に大きいブロックが第１閾値以上の面積を有するか否かを判定するが、そのときに用いられる第１閾値の決定方法は、以下の通りである。
まず、正常及び異常と判明している複数の症例について、図４に示される判定に用いられる第１閾値を変化させて異常検出システム５０に判定させることで、図６の（ａ）～（ｃ）に示されるようなＲＯＣ曲線を算出する（Ｓ３０）。次に、算出されたＲＯＣ曲線において、左上隅に最も近いポイントに対応する第１閾値を、図４に示される判定に用いる閾値として決定する（Ｓ３１）。
つまり、予め、様々な第１閾値を用いて暫定的な判定をし、最も高い的中率を出した第１閾値を、異常／正常が未知の解剖学的構造物に対する判定の閾値として採用する。これにより、高い精度で解剖学的構造物について異常の有無が検出される。
図１０Ｂは、図７に示される距離を用いた判定に用いられる第２閾値の決定方法を示すフローチャートである。図７に示される距離を用いた判定では、判定部５３は、所定の条件を満たすか否かの判定として、ブロック情報が示す２以上のブロックのうち、医療用画像における面積が最も大きいブロックと他のブロックのそれぞれとの医療用画像における距離のうちの最小値が第２閾値以下であるか否かを判定するが、そのときに用いられる第２閾値の決定方法は、以下の通りである。
まず、正常及び異常と判明している複数の症例について、図７に示される判定に用いられる第２閾値を変化させて異常検出システム５０に判定させることで、図６の（ａ）～（ｃ）に示されるようなＲＯＣ曲線を算出する（Ｓ４０）。次に、算出されたＲＯＣ曲線において、左上隅に最も近いポイントに対応する第２閾値が図７に示される判定に用いる閾値として決定する（Ｓ４１）。
つまり、予め、様々な第２閾値を用いて暫定的な判定をし、最も高い的中率を出した第２閾値を、異常／正常が未知の解剖学的構造物に対する判定の閾値として採用する。これにより、高い精度で解剖学的構造物について異常の有無が検出される。
なお、図１０Ａに示される第１閾値の決定方法、及び、図１０Ｂに示される第２閾値の決定方法は、解剖学的構造物の異常と正常とを区別するためのＲＯＣ曲線を取得し、取得したＲＯＣ曲線に基づいて、所定の条件（ここでは、第１閾値、第２閾値）を決定する決定ステップの一例といえる。
以上のように、本実施の形態に係る診断支援システム１０を構成する異常検出システム５０は、医療用画像に基づいて医療用画像に含まれる予め特定された一の解剖学的構造物について異常の有無を検出するシステムであって、医療用画像において解剖学的構造物を示す画素が繋がった領域であるブロックを示すブロック情報を取得する取得部５２と、取得部５２が取得したブロック情報が示すブロックの数に基づいて解剖学的構造物が異常であるか否かを判定して出力する判定部５３とを備え、判定部５３は、ブロック情報が示すブロックの数が１である場合に、解剖学的構造物が異常でないと判定し、ブロック情報が示すブロックの数が２以上である場合に、ブロック情報が示すブロックが所定の条件を満たすときに、解剖学的構造物が異常であると判定する。
これにより、本来一つのブロックとして検出されるべき解剖学的構造物が一つのブロックとして検出されたか否かに基づいて異常の有無が判定されるので、従来では判定が難しいケース（例えば、医療用画像において臓器の正常な構造の一部に腫瘍や水等の他の異常なものが重なっているケース）であっても、正しい判定が可能になる。よって、従来よりも高い精度で解剖学的構造物について異常の有無が検出される。
また、一例として、所定の条件は、ブロック情報が示す２以上のブロックのうち、医療用画像における面積が２番目に大きいブロックに関する条件である。より詳しくは、所定の条件は、ブロック情報が示す２以上のブロックのうち、医療用画像における面積が２番目に大きいブロックが第１閾値以上の面積を有することである。
これにより、図６の（ｂ）及び（ｃ）に示される実験結果のように、判定部５３の判定精度は、従来の画像処理に基づく判定精度よりも改善される。
また、所定の条件は、ブロック情報が示す２以上のブロックのうち、医療用画像における面積が最も大きいブロックと他のブロックのそれぞれとの医療用画像における距離のうちの最小値が第２閾値以下であることであってもよい。ここで、所定の条件は、さらに、ブロック情報が示す２以上のブロックのうち、医療用画像における面積が２番目に大きいブロックが第１閾値以上の面積を有することであってもよい。
これにより、本来一つのブロックとして検出されるべき解剖学的構造物がどのような複数のブロックとして検出されたかの情報に基づいて解剖学的構造物の異常／正常が判定されるので、従来では判定が難しいケースであっても、正しい判定が可能になり得る。
また、第１閾値は、様々な面積について予め得られる、解剖学的構造物の異常と正常とを区別するためのＲＯＣ曲線に依存して定まる値であってもよい。同様に、第２閾値は、様々な距離について予め得られる、解剖学的構造物の異常と正常とを区別するためのＲＯＣ曲線に依存して定まる値であってもよい。
これにより、予め異常／正常が判明している症例に対して得られたＲＯＣ曲線から第１閾値及び第２閾値が決定されるので、高い精度で解剖学的構造物について異常の有無が検出される。
また、本実施の形態に係る異常検出方法は、医療用画像に基づいて医療用画像に含まれる予め特定された一の解剖学的構造物について異常の有無を検出する異常検出システム５０による異常検出方法であって、医療用画像において解剖学的構造物を示す画素が繋がった領域であるブロックを示すブロック情報を取得する取得ステップＳ１と、取得ステップＳ１で取得したブロック情報が示すブロックの数に基づいて解剖学的構造物が異常であるか否かを判定して出力する判定ステップＳ２とを含み、判定ステップＳ２では、ブロック情報が示すブロックの数が１である場合に、解剖学的構造物が異常でないと判定し、ブロック情報が示すブロックの数が２以上である場合に、ブロック情報が示すブロックが所定の条件を満たすときに、解剖学的構造物が異常であると判定する。
これにより、本来一つのブロックとして検出されるべき解剖学的構造物が一つのブロックとして検出されたか否かに基づいて異常の有無が判定されるので、従来では判定が難しいケース（例えば、医療用画像において臓器の正常な構造の一部に腫瘍や水等の他の異常なものが重なっているケース）であっても、正しい判定が可能になる。よって、従来よりも高い精度で解剖学的構造物について異常の有無が検出される。
また、さらに、解剖学的構造物の異常と正常とを区別するためのＲＯＣ曲線を取得し、取得したＲＯＣ曲線に基づいて、所定の条件を決定する決定ステップ（Ｓ３０～Ｓ３１、Ｓ４０～Ｓ４１）を含んでもよい。これにより、予め異常／正常が判明している症例に対して得られたＲＯＣ曲線から第１閾値及び第２閾値を含む所定の条件が決定されるので、高い精度で解剖学的構造物について異常の有無が検出される。
以上、本開示の診断支援システム、医療用画像の異常検出システム及び異常検出方法について、実施の形態に基づいて説明したが、本開示は、この実施の形態に限定されるものではない。本開示の主旨を逸脱しない限り、当業者が思いつく各種変形を本実施の形態に施したものや、実施の形態における一部の構成要素を組み合わせて構築される別の形態も、本開示の範囲内に含まれる。
例えば、本開示は、上記実施の形態における異常検出方法に含まれるステップを実行するプログラムとして実現したり、そのプログラムが記録されたＤＶＤ等のコンピュータ読み取り可能な非一時的な記録媒体として実現したりしてもよい。そのプログラムは、１つの記憶装置に保存されてもよいし、複数の記憶装置に分散して記憶されてもよい。また、そのプログラムは、１台のコンピュータによって実行されてもよいし、通信路で接続された複数のコンピュータによって分散して実行されてもよい。
また、上記実施の形態における異常検出方法には、取得部５２及び判定部５３によるステップが含まれたが、これらのステップだけに限られず、ブロック情報生成部５１、画像処理部５４、撮影装置２０による処理、及び、ビューワ装置４０による処理の少なくとも一つが含まれてもよい。
また、上記実施の形態では、所定の条件として、複数の判定例が示されたが、これら複数の判定例は、ユーザから指示に基づいて異常検出システム５０が決定してもよいし、医療用画像又は解剖学的構造物の種類に応じて過去において最も的中率の高かった判定例を異常検出システム５０が自動で決定及び更新してもよい。
また、上記実施の形態では、所定の条件に用いられる第１閾値及び第２閾値は、ＲＯＣ曲線において左上隅に最も近いポイントに対応する値に決定されたが、そのポイントに近い別のポイントに決定されてもよいし、左上隅に近い複数のポイントからユーザによって選択されてもよい。
本開示に係る医療用画像の異常検出システム及び異常検出方法は、医療用画像に含まれる解剖学的構造物について異常の有無を検出するシステムとして、例えば、医師が効率的に病気を診断するのを支援するシステムとして、利用できる。
１０ 診断支援システム
２０ 撮影装置
３０ 画像サーバ
３１ａ、３１ｂ、３２ａ、３２ｂ 医療用画像
４０ ビューワ装置
５０ 異常検出システム
５１ ブロック情報生成部
５２ 取得部
５３ 判定部
５４ 画像処理部
６０、６０ａ～６０ｆ、７０ａ～７０ｆ ブロック

Claims (10)

  1. 医療用画像に基づいて前記医療用画像に含まれる予め特定された一の解剖学的構造物であって本来一つのブロックとして検出されるべき解剖学的構造物についての異常の有無を検出する異常検出システムであって、
    前記異常には、医療用画像において臓器の正常な構造の一部に腫瘍及び水を含む他の異常物が重なっているケースが含まれ、
    前記異常検出システムは、
    前記医療用画像において前記解剖学的構造物を示す画素が繋がった領域であるブロックを示すブロック情報を取得する取得部と、
    前記取得部が取得した前記ブロック情報が示すブロックの数に基づいて前記ケースによる異常であるか否かを判定して出力する判定部とを備え、
    前記判定部は、前記ブロック情報が示すブロックの数が１である場合に、前記ケースによる異常でないと判定し、前記ブロック情報が示すブロックの数が２以上である場合に、前記ブロック情報が示すブロックが所定の条件を満たすときに、前記ケースによる異常であると判定する、
    異常検出システム。
  2. 前記所定の条件は、前記ブロック情報が示す２以上のブロックのうち、前記医療用画像における面積が２番目に大きいブロックに関する条件である、
    請求項１記載の異常検出システム。
  3. 前記所定の条件は、前記ブロック情報が示す２以上のブロックのうち、前記医療用画像における面積が２番目に大きいブロックが第１閾値以上の面積を有することである、
    請求項２記載の異常検出システム。
  4. 前記所定の条件は、前記ブロック情報が示す２以上のブロックのうち、前記医療用画像における面積が最も大きいブロックと他のブロックのそれぞれとの前記医療用画像における距離のうちの最小値が第２閾値以下であることである、
    請求項１記載の異常検出システム。
  5. 前記所定の条件は、さらに、前記ブロック情報が示す２以上のブロックのうち、前記医療用画像における面積が２番目に大きいブロックが第１閾値以上の面積を有することである、
    請求項４記載の異常検出システム。
  6. 前記第１閾値は、様々な前記面積について予め得られる、前記解剖学的構造物の異常と正常とを区別するためのＲＯＣ曲線（receiver operating characteristic curve）に依
    存して定まる値である、
    請求項３又は５記載の異常検出システム。
  7. 前記第２閾値は、様々な前記距離について予め得られる、前記解剖学的構造物の異常と正常とを区別するためのＲＯＣ曲線に依存して定まる値である、
    請求項４記載の異常検出システム。
  8. 医療用画像に基づいて前記医療用画像に含まれる予め特定された一の解剖学的構造物であって本来一つのブロックとして検出されるべき解剖学的構造物についての異常の有無を検出する異常検出システムによる異常検出方法であって、
    前記異常には、医療用画像において臓器の正常な構造の一部に腫瘍及び水を含む他の異常物が重なっているケースが含まれ、
    前記異常検出方法は、
    前記医療用画像において前記解剖学的構造物を示す画素が繋がった領域であるブロックを示すブロック情報を取得する取得ステップと、
    前記取得ステップで取得した前記ブロック情報が示すブロックの数に基づいて前記ケースによる異常であるか否かを判定して出力する判定ステップとを含み、
    前記判定ステップでは、前記ブロック情報が示すブロックの数が１である場合に、前記ケースによる異常でないと判定し、前記ブロック情報が示すブロックの数が２以上である場合に、前記ブロック情報が示すブロックが所定の条件を満たすときに、前記ケースによる異常であると判定する、
    異常検出方法。
  9. さらに、前記解剖学的構造物の異常と正常とを区別するためのＲＯＣ曲線を取得し、取得した前記ＲＯＣ曲線に基づいて、前記所定の条件を決定する決定ステップを含む、
    請求項８記載の異常検出方法。
  10. 前記解剖学的構造物は、左室、右房、下行大動脈、又は、横隔膜である、
    請求項１～７のいずれか１項に記載の異常検出システム。
JP2022565238A 2020-11-25 2021-11-15 医療用画像の異常検出システム及び異常検出方法 Active JP7607671B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020195390 2020-11-25
JP2020195390 2020-11-25
PCT/JP2021/041902 WO2022113801A1 (ja) 2020-11-25 2021-11-15 医療用画像の異常検出システム及び異常検出方法

Publications (2)

Publication Number Publication Date
JPWO2022113801A1 JPWO2022113801A1 (ja) 2022-06-02
JP7607671B2 true JP7607671B2 (ja) 2024-12-27

Family

ID=81755996

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022565238A Active JP7607671B2 (ja) 2020-11-25 2021-11-15 医療用画像の異常検出システム及び異常検出方法

Country Status (5)

Country Link
US (1) US12437400B2 (ja)
EP (1) EP4252657A4 (ja)
JP (1) JP7607671B2 (ja)
CN (1) CN116490130A (ja)
WO (1) WO2022113801A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12298755B2 (en) * 2022-03-25 2025-05-13 Yokogawa Electric Corporation Method and system for automated fault detection

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010078112A1 (en) 2008-12-30 2010-07-08 Wilson-Cook Medical Inc. Segmented balloon for catheter tip deflection
WO2018088055A1 (ja) 2016-11-09 2018-05-17 キヤノン株式会社 画像処理装置、画像処理方法、画像処理システム及びプログラム
WO2019102829A1 (ja) 2017-11-24 2019-05-31 国立大学法人大阪大学 画像解析方法、画像解析装置、画像解析システム、画像解析プログラム、記録媒体
CN110555850A (zh) 2018-06-04 2019-12-10 青岛海信医疗设备股份有限公司 识别图像中肋骨区域的方法、装置、电子设备和存储介质

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5615243A (en) * 1996-03-12 1997-03-25 University Of Pittsburgh Identification of suspicious mass regions in mammograms
US7672494B2 (en) * 2006-05-23 2010-03-02 Hologic, Inc. Processing medical image information to detect anatomical abnormalities
JP2009018048A (ja) * 2007-07-12 2009-01-29 Fujifilm Corp 医用画像表示装置、方法及びプログラム
JP5522481B2 (ja) * 2009-01-27 2014-06-18 国立大学法人大阪大学 画像解析装置、画像解析方法、画像解析プログラムおよび記録媒体
JP5421756B2 (ja) * 2009-12-11 2014-02-19 富士フイルム株式会社 画像表示装置および方法並びにプログラム
JP2011194024A (ja) * 2010-03-19 2011-10-06 Fujifilm Corp 異常陰影検出装置および方法ならびにプログラム
JP5241782B2 (ja) * 2010-07-30 2013-07-17 株式会社日立製作所 カメラ異常検出装置を有する監視カメラシステム
JP5931418B2 (ja) * 2011-11-25 2016-06-08 オリンパス株式会社 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム
JP6183177B2 (ja) * 2013-11-28 2017-08-23 コニカミノルタ株式会社 医用画像システム及びプログラム
CN105828691B (zh) * 2013-12-19 2017-12-12 奥林巴斯株式会社 图像处理装置、图像处理方法
WO2017011532A1 (en) * 2015-07-13 2017-01-19 The Trustees Of Columbia University In The City Of New York Processing candidate abnormalities in medical imagery based on a hierarchical classification
US9589374B1 (en) 2016-08-01 2017-03-07 12 Sigma Technologies Computer-aided diagnosis system for medical images using deep convolutional neural networks
JP2018122093A (ja) * 2017-02-02 2018-08-09 キヤノンメディカルシステムズ株式会社 医用画像処理装置、ｘ線ｃｔ装置、及び医用画像処理方法
WO2019220871A1 (ja) * 2018-05-16 2019-11-21 パナソニック株式会社 胸部ｘ線画像の異常表示制御方法、異常表示制御プログラム、異常表示制御装置、及びサーバ装置
US10691980B1 (en) * 2019-04-18 2020-06-23 Siemens Healthcare Gmbh Multi-task learning for chest X-ray abnormality classification

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010078112A1 (en) 2008-12-30 2010-07-08 Wilson-Cook Medical Inc. Segmented balloon for catheter tip deflection
WO2018088055A1 (ja) 2016-11-09 2018-05-17 キヤノン株式会社 画像処理装置、画像処理方法、画像処理システム及びプログラム
WO2019102829A1 (ja) 2017-11-24 2019-05-31 国立大学法人大阪大学 画像解析方法、画像解析装置、画像解析システム、画像解析プログラム、記録媒体
CN110555850A (zh) 2018-06-04 2019-12-10 青岛海信医疗设备股份有限公司 识别图像中肋骨区域的方法、装置、电子设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
清水 英男，正常肝と肝細胞癌の類洞の立体構造，ＭＥＤＩＣＡＬ ＩＭＡＧＩＮＧ ＴＥＣＨＮＯＬＯＧＹ，１９９７年，ｖｏｌ．１５， ｎｏ．５，ｐｐ．５９７－６０２

Also Published As

Publication number Publication date
US20230289965A1 (en) 2023-09-14
JPWO2022113801A1 (ja) 2022-06-02
US12437400B2 (en) 2025-10-07
EP4252657A4 (en) 2024-01-24
CN116490130A (zh) 2023-07-25
WO2022113801A1 (ja) 2022-06-02
EP4252657A1 (en) 2023-10-04

Similar Documents

Publication Publication Date Title
US10997475B2 (en) COPD classification with machine-trained abnormality detection
US12475993B2 (en) Apparatus and method for medical image reading assistant providing representative image based on medical use artificial neural network
US12299877B2 (en) Medical image analysis apparatus and method, and medical image visualization apparatus and method
US9536316B2 (en) Apparatus and method for lesion segmentation and detection in medical images
KR102154733B1 (ko) 의료 영상을 이용하여 대상체에 악성 종양이 존재하는지 여부를 예측하는 장치 및 방법
CN101231678B (zh) 医用图像处理装置及医用图像处理方法
JP7525248B2 (ja) 医用情報処理装置及び医用情報処理プログラム
JP5700964B2 (ja) 医用画像処理装置、方法およびプログラム
JP7457011B2 (ja) 異常検出方法、異常検出プログラム、異常検出装置、サーバ装置及び情報処理方法
US11348229B2 (en) Determining regions of hyperdense lung tissue in an image of a lung
US20150173705A1 (en) Apparatus and method for adapting diagnostic model for computer-aided diagnosis
KR102245219B1 (ko) 의료 영상에서 악성의심 병변을 구별하는 방법, 이를 이용한 의료 영상 판독 방법 및 컴퓨팅 장치
US9547896B2 (en) Lesion classification apparatus, and method of modifying lesion classification data
KR102171396B1 (ko) 치아 병변 진단 방법 및 그 장치
JP5388614B2 (ja) 医用画像処理装置、画像診断装置および医用画像処理プログラム
KR20200087427A (ko) 딥러닝을 이용한 갑상선 암의 림프절 전이 진단 방법
WO2022164374A1 (en) Automated measurement of morphometric and geometric parameters of large vessels in computed tomography pulmonary angiography
JP7607671B2 (ja) 医療用画像の異常検出システム及び異常検出方法
JP5558793B2 (ja) 画像処理方法、画像処理装置及びプログラム
EP4170671B1 (en) Method and system for the analysis of medical images
JP2022117177A (ja) 情報処理装置、情報処理方法及び情報処理プログラム
JP5565647B2 (ja) 臓器領域特定方法、および臓器領域特定装置
US20250134483A1 (en) X-ray image analysis system, x-ray imaging system and method for analysing an x-ray image
US20240428423A1 (en) Medical image processing apparatus, method, and non-transitory computer readable medium
CN121489524A (zh) 心脏扫描控制方法、装置、设备、存储介质及程序产品

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230203

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20230203

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230228

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230501

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20230718

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240910

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20241217

R150 Certificate of patent or registration of utility model

Ref document number: 7607671

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150