JP6824845B2 - 画像処理システム、装置、方法およびプログラム - Google Patents

Description

明細書に開示の技術は、画像処理システム、装置、方法およびプログラムに関する。

近年、医療現場ではコンピュータ断層撮影（ＣＴ）画像、核磁気共鳴（ＭＲ）画像などの医用画像を用いた診断および治療が数多く行われている。これらの医用画像を用いた診断（画像診断）は、医師が診断対象である医用画像から異常陰影等を発見してその異常陰影の属性を得ることと、前記属性ならびに事前に得た臨床情報に基づいて、当該異常陰影が何であるかを鑑別することとなる。

医師による画像診断の支援を目的として、医用画像における異常陰影が何であるかを自動的に推論して提示するコンピュータ診断支援（Ｃｏｍｐｕｔｅｒ Ａｉｄｅｄ Ｄｉａｇｎｏｓｉｓ： ＣＡＤ）装置の開発が行われている。例えば、胸部ＣＴ像のある異常陰影（肺結節）が悪性腫瘍である確率と良性腫瘍である確率を算出して、これを提示するような装置が考えられている。

下記特許文献１には、医用画像から対象となる異常陰影（以下、対象異常陰影）の領域と特徴量を取得することによって、対象異常陰影の良悪性を鑑別する技術が記載されている。この技術は、まず医師が入力した対象異常陰影の位置情報（シード点）に基づいて、対象異常陰影の領域を医用画像から特定（領域抽出）する。その後、特定された領域の特徴量を算出し、得られた特徴量に基づいて当該対象異常陰影の良悪性を推論する。

特開２０１６−７２７０号公報

特許文献１の技術では、医師が対象異常陰影の位置情報を入力する際、同じ異常陰影であっても、異なる時期に異なる位置情報を入力する可能性が高い。それによって、異なる時期に特定される同一対象異常陰影の領域および属性にずれが発生し、最終的に鑑別診断推論結果の再現性が低下する可能性がある。

なお、前記課題に限らず、後述する発明を実施するための形態に示す各構成により導かれる作用効果であって、従来の技術によっては得られない作用効果を奏することも本件の他の課題の１つとして位置付けることができる。

上記の目的を達成するための、開示の画像処理システムは、学習用画に描出されている注目部位を示す注目領域に属する互いに異なる複数の位置座標を前記学習用画像に設定する第１設定手段と、前記注目領域を、前記複数の位置座標の各々を用いて抽出する抽出手段と、前記複数の位置座標に対応する前記注目領域の複数の抽出結果それぞれから、前記注目部位の属性を決定するための特徴量を計算する計算手段と、前記注目領域の複数の抽出結果に対応する複数の前記特徴量と前記学習用画像に描出されている前記注目部位の属性の正解値とに基づいて、前記属性を決定するための識別器を構築する構築手段と、識別用画像に描出されている前記注目部位を示す注目領域に属する位置座標を前記識別用画像に設定する第２設定手段と、前記識別器と前記第２設定手段により設定された位置座標を用いて、前記識別用画像に描出されている前記注目部位の属性を決定する決定手段と、を有する。

明細書に開示の技術によれば、再現性よく推論結果が得られる技術を提供することが可能となる。

第１実施形態に係る画像処理システムの装置構成の一例を示す図である。 第１実施形態に係る画像処理システムの機能構成の一例を示す図である。 第１実施形態に係る画像処理装置１００の処理手順の一例を示す図である。 第１実施形態に係る基準点情報の生成の一例を説明する図である。 第１実施形態に係る領域データ群の生成の一例を説明する図である。 第１実施形態に係る特徴量データ群の生成と識別器の構築の一例を説明する図である。 第２実施形態に係る画像処理システムの機能構成の一例を示す図である。 第２実施形態に係る画像処理装置の処理手順の一例を示す図である。 第２実施形態に係る基準点生成モデルの構築の一例を説明する図である。 第３実施形態に係る画像処理システムの機能構成の一例を示す図である。 第３実施形態に係る画像処理装置の処理手順の一例を示す図である。

以下、図面を参照して、実施形態を例示的に詳しく説明する。ただし、この実施形態に記載されている構成要素はあくまで例示であり、本発明の技術的範囲は、特許請求の範囲によって確定されるのであって、以下の個別の実施形態によって限定されるわけではない。

（第１の実施形態）
（概要）
本実施形態に係る画像処理装置は、学習過程と識別過程の２つの処理を行う。学習過程では、画像処理装置は、まず学習用画像から、処理対象である肺結節（以下、対象肺結節）に属する複数の位置座標（基準点）を取得し、それぞれの基準点に基づいて対象肺結節の抽出結果（マスク画像）を複数個取得する。肺結節は注目部位の一例に相当し、肺結節の領域は、注目領域の一例に相当する。次に、画像処理装置は、取得されたそれぞれのマスク画像に対応する対象肺結節の特徴量を算出し、求める対象である当該対象肺結節の属性の正解値と同時に学習データに登録する。画像処理装置は、登録された複数の学習データを用いて対象肺結節の属性を求める（推論する）識別器を構築する。そして、識別過程では、画像処理装置は、学習過程で構築された識別器を用いて、識別用画像における肺結節の属性を推論する。ここで、属性とは例えば肺結節の良悪性や肺結節の画像所見を指す。以下の説明では、ＣＴ画像上の肺結節を処理対象とする場合について説明するが、本実施形態の適用範囲は、対象臓器、腫瘍やモダリティの種類に限定されるものではない。以下、具体的な装置構成、機能構成および処理フローを説明する。

（装置構成）
図１に基づいて本発明の第１の実施形態に係る画像処理装置１００及び、画像処理装置１００と接続される各装置から構成される画像処理システム１９０について詳しく説明する。画像処理システム１９０は、画像を撮影する画像撮影装置１１０と、撮影された画像を記憶するデータサーバ１２０と、画像処理を行う画像処理装置１００と、取得された入力画像及び画像処理結果を表示する表示部１６０と、ユーザからの指示を入力するための操作部１７０、を有する。画像処理装置１００は、入力画像を取得し、当該入力画像に写った注目領域に対して、画像処理を実施する。入力画像とは、例えば画像撮影装置１１０により取得された画像データを、診断に好適な画像とするための画像処理等を施して得られる画像である。また、本実施形態における入力画像は、学習用画像あるいは識別用画像となる。以下、各部について説明する。 画像処理装置１００は、例えばコンピュータであり、本実施形態に係る画像処理を行う。画像処理装置１００は、中央演算処理装置（ＣＰＵ：Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１１、主メモリ１２、磁気ディスク１３、表示メモリ１４を有する。ＣＰＵ１１は、画像処理装置１００の各構成要素の動作を統合的に制御する。

ＣＰＵ１１の制御により、画像処理装置１００が画像撮影装置１１０の動作も併せて制御するようにしてもよい。主メモリ１２は、ＣＰＵ１１が実行する制御プログラムを格納し、ＣＰＵ１１によるプログラム実行時の作業領域を提供する。磁気ディスク１３は、オペレーティングシステム（ＯＳ：Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）、周辺機器のデバイスドライバ、後述する本実施形態に係る画像処理を行うためのプログラムを含む各種アプリケーションソフトウェアを格納する。表示メモリ１４は、表示部１６０に表示するデータを一時的に格納する。表示部１６０は、例えば液晶モニタであり、表示メモリ１４からの出力に基づいて画像を表示する。操作部１７０は、例えばマウスやキーボードであり、操作者による位置情報の入力や文字等の入力を行う。表示部１６０は操作入力を受け付けるタッチパネルモニタであってもよく、操作部１７０はスタイラスペンであってもよい。上記の各構成要素は共通バス１８により互いに通信可能に接続されている。

画像撮影装置１１０は、例えば、コンピュータ断層撮影装置（ＣＴ：Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）、核磁気共鳴映像装置（ＭＲＩ：Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）、２次元の放射線画像を撮像する放射線撮影装置（ＤＲ：Ｄｉｇｉｔａｌ Ｒａｄｉｏｇｒａｐｈｙ）などである。画像撮影装置１１０は取得した画像をデータサーバ１２０へ送信する。画像撮影装置１１０を制御する不図示の撮影制御部が、画像処理装置１００に含まれていてもよい。

データサーバ１２０は、画像撮影装置１１０が撮影した画像を保持する。データサーバ１２０は、例えばＰＡＣＳ（Ｐｉｃｔｕｒｅ Ａｒｃｈｉｖｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍ）サーバである。画像処理装置１００は、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）等のネットワークを介してデータサーバ１２０から画像を取得する。

（機能構成）
次に、図２に基づいて本実施形態に係る画像処理装置１００を含む画像処理システムの機能構成について説明する。主メモリ１２に格納されたプログラムをＣＰＵ１１が実行ことにより、図２に示した各部の機能が実現される。なお、プログラムを実行する主体は１以上のＣＰＵであってもよいし、プログラムを記憶する主メモリも１以上のメモリであってもよい。また、ＣＰＵに替えてもしくはＣＰＵと併用してＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）など他のプロセッサを用いることとしてもよい。すなわち、少なくとも１以上のプロセッサ（ハードウエア）が当該プロセッサと通信可能に接続された少なくとも１以上のメモリに記憶されたプログラムを実行することで、図２に示した各部の機能が実現される。

画像処理装置１００は、機能構成として、学習部１３０、識別部１４０及び表示制御部１０９０を有する。学習部１３０はさらに、学習用データ取得部１０００、基準点群生成部１０１０、領域データ群生成部１０２０、特徴量データ群生成部１０３０、識別器構築部１０４０を有する。また、識別部１４０は、識別用データ取得部１００５、基準点取得部１０１５、領域抽出部１０２５、特徴量算出部１０３５、属性推論部１０５０から構成される。画像処理装置１００は、データサーバ１２０、表示部１６０と通信可能に接続されている。

学習部１３０は、対象肺結節の属性を推論するための識別器を構築する。

学習用データ取得部１０００は、本実施形態に係る識別器を構築するための学習データを取得する。学習データは、データサーバ１２０から取得する画像処理の対象とする学習用画像と、操作部１７０から取得する学習用画像に描画されている対象肺結節の属性の正解データを含む。

基準点群生成部１０１０は、学習用データ取得部１０００が取得した学習用画像から、対象肺結節の領域に属する複数の点（以下、基準点と称する）に関する情報（以下、基準点情報と称する）を生成する。

領域データ群生成部１０２０は、学習用データ取得部１０００が取得した学習用画像と、基準点群生成部１０１０が取得した複数の基準点情報に基づいて、対象肺結節領域を表す複数の領域データ（マスク画像）を生成する。すなわち、領域データ群生成部１０２０は、は、複数の基準点情報のそれぞれに対して領域データを生成することで、対象肺結節領域を表す複数の領域データを生成する。なお、領域データ群生成部１０２０は領域拡張法など任意のセグメンテーション方法を用いてマスク画像を生成することができる。領域データ群生成部１０２０は、例えば基準点情報に対応する画素の画素値（濃度値）などの画像特徴量に基づいて領域拡張法を実行することでマスク画像を生成することができる。

特徴量データ群生成部１０３０は、学習用データ取得部１０００が取得した学習用画像と、領域データ群生成部１０２０が取得した複数の領域データを用いて、対象肺結節の特徴を表す特徴量データ群を取得する。

識別器構築部１０４０は、学習用データ取得部１０００が取得した対象肺結節の属性の正解データと、特徴量データ群生成部１０３０が取得した特徴量データ群を学習データとして登録し、属性を推論するための識別器を構築する。

識別部１４０は、識別データ取得部１００５が取得した識別用の処理対象画像（識別用画像）を用いて、当該識別用画像に描画されている対象肺結節の属性を推論する。

識別用データ取得部１００５は、本実施形態に係る識別の対象が含まれる識別用画像をデータサーバ１２０から取得する。

基準点取得部１０１５は、識別用データ取得部１００５が取得した識別用画像に描画されている対象肺結節の領域に属する基準点の情報を取得する。

領域抽出部１０２５は、識別用データ取得部１００５が取得した識別用画像と、基準点取得部１０１５が取得した対象肺結節の基準点情報に基づいて、対象肺結節の領域を表すマスク画像（抽出結果）を取得する。領域抽出部１０２５は領域拡張法など任意のセグメンテーション方法を用いてマスク画像を生成することができる。領域抽出部１０２５は、例えば基準点情報に対応する画素の画素値（濃度値）などの画像特徴量に基づいて領域拡張法を実行することでマスク画像を生成することができる。

特徴量算出部１０３５は、識別用データ取得部１００５が取得した識別用画像と、領域抽出部１０２５が取得した対象肺結節の抽出結果を用いて、対象肺結節の特徴量を算出する。

属性推論部１０５０は、特徴量算出部１０３５が取得した特徴量を識別器構築部１０４０で構築された識別器に入力することによって、対象肺結節の属性を推論する。

表示制御部１０９０は、識別部１４０の各処理で取得した対象物に関する情報を表示部１６０に出力し、表示部１６０に各処理の結果を表示させる。

なお、画像処理装置１００が有する各部の少なくとも一部を独立した装置として実現してもよい。画像処理装置１００はワークステーションでもよい。各部の機能はコンピュータ上で動作するソフトウェアとして実現してもよく、各部の機能を実現するソフトウェアは、クラウドをはじめとするネットワークを介したサーバ上で動作してもよい。以下に説明する本実施形態では、各部はローカル環境に設置したコンピュータ上で動作するソフトウェアによりそれぞれ実現されているものとする。

（処理フロー）
続いて、本発明の第１の実施形態に係る画像処理について説明する。図３は本実施形態の画像処理装置１００が実行する処理の処理手順を示す図である。本実施形態は、主メモリ１２に格納されている各部の機能を実現するプログラムをＣＰＵ１１が実行することにより実現される。本実施形態では、処理対象画像はＣＴ画像であるとして説明する。ＣＴ画像は３次元濃淡画像として取得される。また、本実施形態では肺結節を処理対象画像に含まれる処理対象物の例として説明する。

はじめに、第１の実施形態に係る画像処理装置１００が学習過程で実施される処理（ステップＳ１１００〜Ｓ１１４０）について説明する。この処理は、本実施形態に係る画像処理装置１００を構築する段階で実施される。学習過程では、第１の実施形態に係る画像処理装置１００は複数の学習用データ（詳細は後述）のそれぞれについてステップＳ１１００〜Ｓ１１３０までの処理を適用した後、そのすべての結果を用いてステップＳ１１４０の処理を行う。以下では重複した説明を省略するために、ステップＳ１１１０からステップＳ１１３０までの処理が１つの学習用データに適用される場合を説明する。

（Ｓ１１００）
ステップＳ１１００において、学習用データ取得部１０００は、対象肺結節の属性を識別する識別器を構築するために、学習用データＡを取得する。学習用データＡは、処理対象画像（学習用画像）Ｉ_Ａ（ｘ，ｙ，ｚ）と学習用画像に描出されている対象肺結節の属性の正解データＤ_Ａのセットとなる。

ここで、本実施形態における学習用画像は、３次元直交座標（ｘ，ｙ，ｚ）によって位置が特定できる複数の画素により構成される。画像の属性の一つである画素サイズは、３軸の座標方向それぞれに対して定義される。本実施形態では、ｘ，ｙ，ｚの各方向に対する画素サイズを、ｒ＿ｓｉｚｅ＿ｘ，ｒ＿ｓｉｚｅ＿ｙ，ｒ＿ｓｉｚｅ＿ｚと記すこととし、いずれの値も１．０ｍｍである場合の例を説明するがこの値に限定されるものではない。対象画像の各画素値は３次元座標（ｘ，ｙ，ｚ）の値毎に決定されるため、対象画像を、３次元座標値を引数とする関数Ｉ_Ａ（ｘ，ｙ，ｚ）によって定義されるデータと見なすことができる。

まず、学習用データ取得部１０００は処理対象画像であるＣＴ画像をデータサーバ１２０から取得し、画像処理装置１００の主メモリ１２上に記憶する。別の例では、学習データ取得部１０００は画像撮影装置１１０で撮影した画像データを通信手段を介して取得し、診断に好適な画像とするための画像処理等を施した後、本実施形態に係る学習用画像として取得する。画像撮影装置１１０が例えばＣＴ装置であった場合、画像撮影装置１１０からＨＵ（Ｈｏｕｎｓｆｉｅｌｄ Ｕｎｉｔ）値と呼ばれる画素値から成るＣＴ画像データを取得する。

次に、学習データ取得部１０００は、取得した学習用画像に描画されている対象肺結節の属性の正解データＤ_Ａを取得する。属性の正解データの取得は、例えば操作者（医師）が操作部１７０を介して、Ｉ（ｘ，ｙ，ｚ）に描出されている対象肺結節の属性の正解値を入力することによって実施される。

（Ｓ１１１０）
ステップＳ１１１０において、基準点群生成部１０１０は、学習用画像Ｉ_Ａ（ｘ，ｙ，ｚ）中の対象肺結節に属するｎ個の点Ｐ_Ａｉ（ｘ_Ａｉ，ｙ_Ａｉ，ｚ_Ａｉ）（ｉ＝１，２，・・・，ｎ）を基準点として生成する。ｎ個の点Ｐ_Ａｉは例えばそれぞれ異なる位置の点である。ここで、Ｐ_Ａｉを要素として持つ集合を基準点群Ｐ_Ａ＝｛Ｐ_Ａｉ｜ｉ＝１，２，・・・，ｎ｝とする。学習用画像から基準点群の生成についての例を説明する。

まず、表示部１６０に表示される学習用画像Ｉ_Ａ（ｘ，ｙ，ｚ）の、例えば横断面（Ａｘｉａｌ）、矢状面（Ｓａｇｉｔｔａｌ）、冠状面（Ｃｏｒｏｎａｌ）の断層像を参照しながら、操作者は操作部１７０を介して対象肺結節に含まれる１つの画素を選択する。すると基準点群生成部１０１０は、当該操作入力によって得られた画素を初期基準点Ｐ_Ａ１として取得する。次に、基準点群生成部１０１０は、Ｐ_Ａ１を参照して、他の基準点を選択し基準点群Ｐ_Ａｉ（ｉ＝２，３，・・・，ｎ）を取得する。この処理は例えばＰ_Ａ１を含む局所画像領域Ｖ_Ａ（ｘ，ｙ，ｚ）において実施される。局所領域Ｖ_Ａ（ｘ，ｙ，ｚ）は、Ｐ_Ａ１を中心とし、事前に決められた大きさに基づいて、学習用画像Ｉ（ｘ，ｙ，ｚ）からクロップされる。また、操作者が操作部１７０を介して、Ｉ_Ａ（ｘ，ｙ，ｚ）から手動でクロップすることもできる。さらに、Ｌａｐｌａｃｉａｎ ｏｆ Ｇａｕｓｓｉａｎ（ＬｏＧ）カーネルなどのスケールスペースに基づく技術を用いて、対象物肺結節の大まかな大きさを推定し、推定された大きさに基づいて、局所画像領域Ｖ_Ａ（ｘ，ｙ，ｚ）を設定することもできる。図４に、学習用画像５００から取得された、対象肺結節５５０を含む局所画像５１０および、初期基準点６００の例を示す。

基準点群Ｐ_Ａは、局所画像領域Ｖ_Ａ（ｘ，ｙ，ｚ）に対して、画像処理手段１を適用することによって取得される。画像処理手段１とは、例えばＶ_Ａ（ｘ，ｙ，ｚ）からＰ_Ａ１と類似した特徴を有する画素を探索する処理のことである。ここで、特徴とは濃度値、Ｖ_Ａ（ｘ，ｙ，ｚ）などを指す。また、画像処理手段１は、事前知識に基づいて、Ｖ_Ａ（ｘ，ｙ，ｚ）から対象肺結節に属する可能性（尤度）が高い画素を探索する処理でもよい。この場合の例として、ヘッセ行例の固有値に基づく塊状構造強調フィルタをＶ_Ａ（ｘ，ｙ，ｚ）に適用し、フィルタ出力値の上位画素を基準点として選択し、基準点集合Ｐを生成することが挙げられる。また、前記塊状構造強調フィルタでなくて、ＬｏＧカーネル、Ｓｃａｌｅ−Ｉｎｖａｒｉａｎｔ Ｆｅａｔｕｒｅ Ｔｒａｎｓｆｏｒｍ（ＳＩＦＴ）特徴点検出処理を画像処理手段１として利用してもよい。

（Ｓ１１２０）
ステップＳ１１２０において、領域データ群生成部１０２０は、領域抽出処理によって学習用画像Ｉ_Ａ（ｘ，ｙ，ｚ）から対象肺結節の領域データ群を生成する。領域データ群生成部１０２０は、ステップＳ１１００で取得した学習用画像Ｉ_Ａ（ｘ，ｙ，ｚ）、ステップＳ１１１０で取得した基準点群Ｐ_Ａと局所画像領域Ｖ_Ａ（ｘ，ｙ，ｚ）を用いて、夫々の基準点から領域抽出処理を行う。本処理によって、各基準点と１対１の対応関係を持つ肺結節の領域データ（マスク画像）が取得される。以下、図５を用いて、ステップＳ１１１０で４点（ｎ＝４）の基準点を取得した場合での領域抽出処理を説明する。なお基準点の数は複数であればよく上記の値に限定されるものではない。

図５（ａ）に示すように、領域データ群生成部１０２０は、基準点６００、基準点６０１、基準点６０２、基準点６０３、に基づいて、対象肺結節５５０の領域抽出処理を行い、各基準点と対応する領域データを取得する。領域抽出処理は、Ｉ_Ａ（ｘ，ｙ，ｚ）を対象として実施してもよいが、局所画像領域Ｖ_Ａ（ｘ，ｙ，ｚ）を対象として実施してもよい。本実施形態では、局所画像領域５１０を用いて領域抽出処理を実施する場合を説明する。領域抽出処理は、基準点を対象肺結節領域の前景領域（シード）とし、領域拡張法や、Ｌｅｖｅｌ−ｓｅｔ法（レベルセット法）や、Ｇｒａｐｈ−ｃｕｔ法などの領域抽出アルゴリズムによって実施される。領域抽出処理は、全ての対象肺結節に対して、事前に決まった１つの領域抽出アルゴリズムを用いても良いし、対象肺結節の形状、性状などによって領域抽出アルゴリズムを切り替えてもよい。例えば、スリガラス状の肺結節（ＧＧＯ）に対しては、機械学習またはＧｒａｐｈ−ｃｕｔ法を利用し、形状が不規則かつ体積が小さい肺結節に対してはレベルセットを利用する。さらに、同じ対象肺結節における異なる基準点の夫々の特徴に基づいて、抽出アルゴリズムを切り替えてもよい。

取得された対象肺結節の複数の領域データから、操作者が目視で抽出精度を評価し、精度が低い領域データを削除してもよい。そして、最終的に学習用画像Ｉ_Ａ（ｘ，ｙ，ｚ）から取得された領域データ群をＲ_Ａ＝｛Ｒ_Ａｊ｜ｊ＝１，２，…，ｍ｝（ｍ≦ｎ）とする。図５（ｂ）に、基準点６００、基準点６０１、基準点６０２、基準点６０３夫々に基づいて取得された領域データ７１０、領域データ７１１、領域データ７１２、領域データ７１３の例を示す。

（Ｓ１１３０）
ステップＳ１１３０において、特徴量データ群生成部１０３０は、対象肺結節の特徴量データ群を取得する。特徴量データ群生成部１０３０は、ステップＳ１１００で取得した学習用画像Ｉ_Ａ（ｘ，ｙ，ｚ）、ステップＳ１１１０で取得した局所画像領域Ｖ_Ａ（ｘ，ｙ，ｚ）とステップＳ１１２０で取得した対象肺結節の領域データ群Ｒ_Ａに基づいて、対象肺結節の特徴量を計算する。

対象肺結節の特徴量の計算は、ステップＳ１１２０で取得した対象肺結節の領域データ群Ｒ_Ａでの夫々の領域データＲ_Ａｊから行う。例えば、領域データＲ_Ａ１を用いて特徴量を計算する場合、特徴量データ群生成部１０３０は、領域データＲ_Ａ１が示す形状特徴量、Ｉ_Ａ（ｘ，ｙ，ｚ）において、Ｒ_Ａ１と重なる領域や、Ｒ_Ａ１が示す領域の周辺領域のテクスチャー特徴量などを計算する。また、特徴量の種類は、周知されている一般画像特徴量や、求めたい対象肺結節の属性に応じた計算方法によって算出される特徴量などを含む。例えば、画像処理装置１００が推論する属性が対象肺結節の画像所見である場合、医師が臨床上よく利用する画像所見項目に合わせて、特殊な特徴量を算出する場合がある。

領域データＲ_Ａ１に基づいて算出された特徴量データをＦ_Ａ１とする。そして、全ての領域データＲ_Ａに基づいて特徴量計算を実施した後、取得される特徴量データ群をＦ_Ａ＝｛Ｆ_Ａｊ｜ｊ＝１，２，・・・，ｍ｝とする。

学習用画像において、対象肺結節の正解領域Ｒ_Ｇが事前に用意されている場合は、特徴量データ群生成部１０３０は、正解領域Ｒ_Ｇに基づいて対象肺結節の特徴量の計算を行い、取得された特徴量をＦ_ＡＧとする。特徴量データ群生成部１０３０は、Ｆ_Ａ＝｛Ｆ_Ａｊ｜ｊ＝１，２，・・・，ｍ｝の各特徴量に対して、Ｆ_ＡＧとの整合度を計算し、整合度が低い特徴量をＦ_Ａから削除してもよい。ここで、整合度の計算は例えば、特徴量空間におけるマハラノビス距離などが挙げられる。この処理によって、精度が低い抽出結果から計算される特徴量データを識別器構築用の教師データから除外され、次のステップで構築される識別器の精度低下を防ぐことができる。

（Ｓ１１４０）
ステップＳ１１４０において、識別器構築部１０４０は、肺結節の属性を推論するための識別器を構築する。まず、識別器構築部１０４０は、ステップＳ１１００で取得した属性の正解データＤ_Ａと、ステップＳ１１３０で取得した特徴量群データＦ_Ａのセットを教師データとして、画像処理装置１００の主メモリ１２に登録する。すなわち、識別器構築部１０４０は、正解データＤ_Ａと特徴量群データＦ_Ａとを対応付けて主メモリ１２に登録する。ここで、ステップＳ１１００からステップＳ１１３０までの処理を必要に応じて繰り返すことにより、複数の教師データ（教師データ群）を登録する。

図６を用いて、教師データ群の登録を説明する。対象肺結節５５０の４つの基準点から取得された領域データ７１０、７１１、７１２、７１３に対応する特徴量を特徴量８１０、８１１、８１２、８１３とする。それぞれの特徴量と属性の正解９００とセットすることによって、教師データ９１０、９１１、９１２と９１３が取得される。他の対象肺結節に対しても同じ処理を行い、取得された全ての教師データを教師データ群として登録する。

教師データ群を登録した後、識別器構築部１０４０は、登録された教師データ群を用いて識別器を構築する。識別器は、Ｒａｎｄｏｍ Ｆｏｒｅｓｔ（ＲＦ）、Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ（ＳＶＭ）、Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋなどの周知されている技術を利用する。前記教師データ群を識別器に入力し、特徴量から属性を求める最適なパラメータを探索することによって、肺結節の属性を識別する識別器を構築する。そして、構築された識別器をＣ_ｐｒｏとする。

以上で、本実施形態に係る画像処理装置１００が学習用データを用いて識別器Ｃ_ｐｒｏを構築する処理（学習過程の処理）についての説明を終える。ここからは、構築されたＣ_ｐｒｏを用いて、未知の画像（識別用画像）中に描出されている肺結節の属性を推論する処理（識別過程の処理、ステップＳ１１５０〜Ｓ１２００）について説明する。

（Ｓ１１５０）
ステップＳ１１５０において、識別用データ取得部１００５は肺結節の属性を識別するための識別用画像を取得する。すなわち、識別用データ取得部１００５は識別用画像をデータサーバ１２０から取得し画像処理装置１００の主メモリ１２に記憶する。

識別用画像の取得は、ステップＳ１１００で学習データ取得部１０００がデータサーバ１２０から学習用データの取得と同じ処理であるため、重複した説明を省略する。取得された識別用画像をＩ_ｒｅｃ（ｉ，ｊ，ｋ）とする。

（Ｓ１１６０）
ステップＳ１１６０において、基準点取得部１０１５は識別対象となる肺結節（識別対象肺結節）の基準点を取得する。基準点取得部１０１５は、ステップＳ１１５０で取得した識別用画像Ｉ_ｒｅｃ（ｉ，ｊ，ｋ）に描出されている識別対象肺結節の領域に属する画素Ｐ_{ｓｅｅｄ＿ｒｅｃ}を取得する。

Ｐ_{ｓｅｅｄ＿ｒｅｃ}はステップＳ１１００での初期基準点Ｐ_Ａ１と同じく、操作者が表示部１６０に表示される識別用画像Ｉ_ｒｅｃ（ｉ，ｊ，ｋ）の断層像を参照しながら、手動で選択することができる。また、基準点検出手法を用いてＩ_ｒｅｃ（ｉ，ｊ，ｋ）から初期基準点Ｐ_Ａ１を自動検出してもよい。

（Ｓ１１７０）
ステップＳ１１７０において、領域抽出部１０２５は、識別用画像から識別対象肺結節の領域を抽出する。領域抽出部１０２５は、ステップＳ１１５０で取得した識別用画像Ｉ_ｒｅｃ（ｉ，ｊ，ｋ）、ステップＳ１１６０で取得した基準点Ｐ_{ｓｅｅｄ＿ｒｅｃ}に基づいて、Ｉ_ｒｅｃ（ｉ，ｊ，ｋ）における識別対象肺結節の領域を抽出し抽出結果を取得する。

領域抽出部１０２５による識別対象肺結節の領域抽出は、ステップＳ１１２０において領域データ群生成部１０２０が各基準点とそれに対応する領域データを取得する処理と同じであるため、重複した説明を省略する。識別用画像から取得された識別対象肺結節の抽出結果（マスク画像）をＲ_ｒｅｃ（ｉ，ｊ，ｋ）とする。

（Ｓ１１８０）
ステップＳ１１８０において、特徴量算出部１０３５は、識別対象肺結節の特徴量を計算する。特徴量算出部１０３５は、ステップＳ１１５０で取得した識別用画像Ｉ_ｒｅｃ（ｉ，ｊ，ｋ）ならびにステップＳ１１７０で取得した抽出結果Ｒ_ｒｅｃ（ｉ，ｊ，ｋ）に基づいて、識別対象肺結節の特徴量を算出する。

識別対象肺結節の特徴量の算出は、ステップＳ１１３０において特徴量データ群生成部１０３０が領域データ群Ｒ_Ａの各領域データに対応する特徴量を計算する処理と同じであるため、重複した説明を省略する。取得された識別対象肺結節の特徴量をＦ_ｒｅｃとする。

（Ｓ１１９０）
ステップＳ１１９０において、属性推論部１０５０は、識別対象肺結節の属性を推論する。属性推論部１０５０は、ステップＳ１１８０で取得した特徴量Ｆ_ｒｅｃをステップＳ１１４０で構築された識別器Ｃ_ｐｒｏに入力し、対象肺結節の属性を求める。

識別器Ｃ_ｐｒｏに入力された特徴量Ｆ_ｒｅｃは、Ｃ_ｐｒｏの構築時に利用された教師データの特徴量から作られた識別空間に投影され、識別空間における特徴量Ｆ_ｒｅｃが属する属性のクラスを求めることによって、対象肺結節の属性が推論される。

（Ｓ１２００）
ステップＳ１２００において、表示制御部１０９０は処理結果を表示部１６０に表示させる。表示制御部１０９０は、識別対象肺結節の抽出結果、特徴量情報、および属性の推論結果を少なくとも１つを表示部１６０に表示させる。この場合、表示制御部１０９０は、抽出結果、特徴量情報および属性に関する情報を画像処理装置１００に接続された表示部１６０に送信し、表示部１６０に表示させる制御を行う。

なお、表示制御部１０９０は、これらの情報を入力画像である識別用画像Ｉ_ｒｅｃ（ｉ，ｊ，ｋ）と重畳して、表示部１６０に表示させてもよい。この場合、表示制御部１０９０は、これらの情報が重畳された３次元画像情報をボリュームレンダリングにより生成し、表示部１６０に表示させてもよい。また、表示制御部１０９０は、重畳された３次元の画像の所定の断面画像を生成し、表示部１６０に表示させてもよい。

第１の実施形態に係る画像処理装置の効果について説明する。本実施形態における画像処理装置は、公知の異常陰影の属性鑑別技術に存在する課題を解決する。この課題とはすなわち、従来の鑑別技術では、たとえ同じ肺結節領域であっても、異なる位置情報が入力されると、異なる領域抽出結果と異なる特徴量計算結果が得られ、結果的に異なる属性の鑑別結果が取得されることである。換言すれば、再現性についての課題である。このような再現性の課題は、例えば同一肺結節領域に対して異なる操作者が属性鑑別処理を行った場合に容易に生じる。異なる操作者が同一肺結節領域に対して位置情報を入力すると、異なる位置情報が入力されるためである。また、この課題は同一操作者であっても生じる。たとえ同一操作者であっても、同一肺結節領域に対して異なる時期に位置情報を入力すると、入力される位置情報が異なるためである。

一方、本実施形態に係る画像処理装置では、１つの学習用画像に対して、許容範囲内の複数の位置情報により異常陰影領域の抽出、特徴量計算を行う。そして、それらの結果と当該学習用画像における異常陰影の属性の正解値を学習データとして用い、属性を推論するための識別器を構築する。このような識別器は、操作者が異なる位置情報を入力しても、抽出と特徴量計算で発生したぶれを吸収でき、高い再現性をもつ属性の推論結果を得ることが可能となる。

上述のことから、本発明の第１の実施形態に係る画像処理装置では、操作者が異常陰影の異なる位置情報を入力しても、当該異常陰影の属性を高い再現性で推論することができる、という効果がある。

（第２の実施形態）
（概要）
次に、図面を参照して、第２の実施形態の一例を詳しく説明する。なお、上記の実施形態と同様の構成、機能、及び動作についての説明は省略し、主に本実施形態との差異について説明する。

第２の実施形態に係る画像処理装置では、ステップＳ２０００でモデル生成部１５０が、基準点生成モデルを構築する。ステップＳ２１１０で基準点群生成部１０１８は、前記基準点生成モデルを用いて、学習用画像に描画されている対象肺結節の基準点を生成する。基準点生成モデルは操作者が実際に入力した基準点から構築されるため、それに基づいて生成される基準点群は実際の現場で設定される確率が高く、より適切な属性識別器の構築が可能となる。以下、具体的な機能構成および処理フローを説明する。

（機能構成）
図７に基づいて、本発明の第二の実施形態に係る画像処理装置２００を構成する各機能構成について説明する。本実施形態において、第１実施形態と同様の機能を持つ構成要素には図２と同一の番号を付しており、重複した説明は省略する。図７に示すように、本実施形態における画像処理装置２００は、機能構成として、モデル生成部１５０、学習部１３３、識別部１４０、表示制御部１０９０を有する。モデル生成部１５０についても第１実施形態と同様にプロセッサにより実現される。学習部１３３はさらに、学習用データ取得部１０００、基準点群生成部１０１８、領域データ群生成部１０２０、特徴量データ生成部１０３０、識別器構築部１０４０を有する。また、識別部１４０は、識別用データ取得部１００５、基準点取得部１０１５、領域抽出部１０２５、特徴量算出部１０３５、属性推論部１０５０から構成される。画像処理装置２００は、データサーバ１２０、表示部１６０に接続する。

モデル生成部１５０は、画像空間の各位置（画素）が基準点として設定される可能性（尤度）を表す確率モデルである基準点生成モデルを構築する。基準点群生成部１０１８は、基準点生成モデルに基づいて学習用画像から複数の基準点を生成する。

（処理フロー）
続いて、第二の実施形態に係る画像処理について説明する。図８（ａ）、（ｂ）、（ｃ）は本実施形態の画像処理装置２００が実行するモデル構築過程、学習過程、及び識別過程の処理手順を示す図である。本実施形態は、主メモリ１２に格納されている各部の機能を実現するプログラムをＣＰＵ１１が実行することにより実現される。

ステップＳ２１００、ステップＳ２１２０からステップＳ２２００までの処理は図３に示すステップＳ１１００、ステップＳ１１２０からステップＳ１２００までの処理とそれぞれ同様であるため、詳細な説明を省略する。

（Ｓ２０００）
ステップＳ２０００において、モデル生成部１５０は、基準点生成モデルを構築する。モデル生成部１５０は、データサーバ１２０から、複数の入力画像（基準点生成モデル構築用の教師画像）と夫々の画像に描画されている対象肺結節に属する基準点情報を用いて学習し、基準点生成モデルを構築する。ここで、基準点情報は事前（過去）に入力されてもよいし、操作者が操作部１７０を介して入力してもよい。

図９を用いて基準点生成モデルの構築を説明する。基準点生成モデルは、同モデルが持つ画像空間において、各画素が基準点として指定される可能性（尤度）を示す確率モデルである。基準点生成モデルの構築はまず、図９（ａ）に示すように、それぞれ対象肺結節３５０−３５２を含む複数枚の基準点生成モデル構築用の入力教師画像３１０−３１２と基準点４００，４１０，４２０に関する基準点情報を正規化画像空間５３０に投影する。ここで、投影される画像は入力教師画像でもよいし、対象肺結節領域を含む入力教師画像の部分画像でもよい。本実施形態では、対象肺結節領域のバウンディングボックスでクロップした部分画像Ｂ_Ａ（ｉ，ｊ，ｋ）を投影される画像とする。投影される各画像において、１つ以上の基準点が指定されていることが必要である。基準点は、全ての同一操作者によって指定されてもよいし、複数名の操作者によって指定されてもよい。

部分画像Ｂ_Ａ（ｉ，ｊ，ｋ）と基準点情報が正規化画像空間５３０に投影される際、正規化画像空間５３０の各画素位置に投影された基準点の数を当該画素位置における基準点の生成尤度を表すパラメータとする。

モデル生成部１５０は、全ての基準点生成モデル構築用の入力教師画像に対して、前記投影および尤度計算処理を実施し、図９（ｂ）に示すような、正規化画像空間の各画素が基準点となる確率を表すモデルいわいる基準点生成モデル５４０を構築する。

（Ｓ２１１０）
ステップＳ２１１０において、基準点群生成部１０１８は、基準点集合（基準点群）を作成する。基準点群生成部１０１８は、ステップＳ２０００で構築された基準点生成モデルとＳ２１００で取得された学習用画像を用いて、学習用画像に描画されている対象肺結節に属する複数の点を基準点集合（基準点群）として取得する。

基準点群生成モデルを用いて、学習用画像から、基準点群を生成する処理について述べる。まず、基準点群生成部１０１８は、学習用画像を基準点生成モデルが持つ正規化空間に投影する。ここで、基準点生成モデルを構築する時と同じく、基準点群生成部１０１８は、学習用画像から対象肺結節のバウンディングボックスでクロップした部分画像を投影する。そして、基準点群生成部１０１８は、基準点群生成モデルにおける生成尤度が高い順で上位ｎ個の画素位置に投影された学習用画像の部分画像上の画素を選択し、基準点群Ｐ′_Ａとする。

その後、ステップＳ２１２０からステップＳ２１４０の処理が順次実施され、肺結節の属性を識別する識別器Ｃ_ｐｒｏが構築される。さらに、ステップＳ２１２０からステップＳ２２００までの識別過程の処理が、ステップＳ１１５０からステップＳ１２００までの処理と同様に実施され、識別用対象肺結節の属性が推論される。

上述の通り、第２の実施形態では、操作者が入力した基準点に基づいて基準点生成モデルを構築し、それを用いて学習用画像から対象肺結節の基準点群を生成する。それによって、実際の現場で操作者が入力する可能性高い位置に基準点群が生成され、より現場に適した識別器を構築することが可能となる。そして、構築された識別器を用いて、より正しく鑑別診断支援を行うことができる、という効果がある。

（第３の実施形態）
（概要）
次に、図面を参照して、第３の実施形態の一例を詳しく説明する。なお、上記の実施形態と同様の構成、機能、及び動作についての説明は省略し、主に本実施形態との差異について説明する。

第３の実施形態に係る画像処理装置では、識別過程のステップＳ３３００において、記憶部１０６０は、ステップＳ３１６０で操作者が入力した基準点情報などの情報を記憶する。そして、ステップＳ３００５でモデル生成部１５５は、新たに記憶された基準点情報を基準点モデルに追加して再学習（追加学習）を行うことによって基準点生成モデルを更新する。前記追加学習処理によって、基準点生成モデルは、実際の操作者の習慣により適するように更新される。以下、具体的な機能構成および処理フローを説明する。 （機能構成）
図１０に基づいて、本発明の第３の実施形態に係る画像処理装置３００を構成する各機能構成について説明する。本実施形態において、第２実施形態と同様の機能を持つ構成要素には図７と同一の番号を付しており、重複した説明は省略する。図１０に示すように、本実施形態における画像処理装置３００は、機能構成として、モデル生成部１５５、学習部１３３、識別部１４５、表示制御部１０９０を有する。モデル生成部１５５についても第１実施形態と同様にプロセッサにより実現される。学習部１３３はさらに、学習用データ取得部１０００、基準点群生成部１０１８、領域データ群生成部１０２０、特徴量データ生成部１０３０、識別器構築部１０４０を有する。また、識別部１４５は、識別用データ取得部１００５、基準点取得部１０１５、領域抽出部１０２５、特徴量算出部１０３５、属性推論部１０５０、記憶部１０６０から構成される。画像処理装置３００は、データサーバ１２０、表示部１６０に接続する。記憶部１０６０は、基準点取得部１０１５、領域抽出部１０２５、特徴量算出部１０３５、属性推論部１０５０で取得された情報を主メモリ１２に格納する。モデル生成部１５５は、新たに主メモリ１２に格納された基準点情報を取得し、追加学習を行うことによって既存の基準点生成モデルを更新する。前記更新によって、同一操作者の入力情報が徐々に基準点生成モデルに取り入れられ、同操作者の習慣に適したモデルを構築することができる。

（処理フロー）
続いて、第３の実施形態に係る画像処理について説明する。図１１（ａ）、（ｂ）、（ｃ）、（ｄ）は本実施形態の画像処理装置３００が実行するモデル構築過程、学習過程、識別過程およびモデル更新過程の処理手順を示す図である。本実施形態は、主メモリ１２に格納されている各部の機能を実現するプログラムをＣＰＵ１１が実行することにより実現される。

モデル構築過程、学習過程および識別過程のステップＳ３３００以外の処理は、図８に示す第２実施形態の構築過程、学習過程、識別過程の処理と同様であるため、詳細な説明を省略する。

（Ｓ３３００）
ステップＳ３３００において、記憶部１０６０は、ステップＳ３１６０で取得された基準点情報を主メモリ１２に格納する。また、記憶部１０６０は、ステップＳ３１７０で取得された領域データ、ステップＳ３１８０で取得された特徴量情報、ステップＳ３１９０で取得された属性情報などを同時に主メモリ１２に格納してもよい。

（Ｓ３００５）
ステップＳ３００５において、モデル生成部１５５は、基準点生成モデルを更新する。モデル生成部１５５は、主メモリ１２に格納されている識別用画像と操作者が入力した基準点情報を取得する。取得された識別用画像と基準点情報を用いて、ステップＳ３０００で構築された基準点生成モデルの追加学習を行う。追加学習は、ステップＳ２０００で記述されているモデル構築時の学習と同じく、識別用画像と基準点情報を既存の基準点生成モデルの正規化画像空間に投影し、正規化空間における各画素の基準点尤度を再計算する。前記投影および尤度再計算処理によって、基準点生成モデルが更新される。

基準点モデルが更新されたら、ステップＳ３１００からステップＳ３１４０までの学習過程の処理を再実行し、識別器Ｃ_ｐｒｏを更新する。さらに、操作者がＣ_ｐｒｏを用いて、新しい識別用画像から対象肺結節の属性を識別する処理を実施したら、図１１（ｃ）の識別過程、図１１（ｄ）のモデル更新過程、図１１（ｂ）の学習過程を順次に繰り返す。

このように、第３実施形態では、同一操作者が多くの識別用画像から対象肺結節の属性識別処理を実施することによって、基準点モデルならびに識別器Ｃ_ｐｒｏは、当該操作者の習慣に適するように更新されるため、より高い属性識別精度を得ることができる。

＜その他の実施形態＞
上述の各実施形態における画像処理装置および画像処理システムは、単体の装置として実現してもよいし、複数の情報処理装置を含む装置を互いに通信可能に組合せて上述の処理を実行する形態としてもよく、いずれも本発明の実施形態に含まれる。共通のサーバ装置あるいはサーバ群で、上述の処理を実行することとしてもよい。この場合、当該共通のサーバ装置は実施形態に係る画像処理装置に対応し、当該サーバ群は実施形態に係る画像処理システムに対応する。画像処理装置および画像処理システムを構成する複数の装置は所定の通信レートで通信可能であればよく、また同一の施設内あるいは同一の国に存在することを要しない。

以上、実施形態例を詳述したが、本発明は例えば、システム、装置、方法、プログラム若しくは記録媒体（記憶媒体）等としての実施態様をとることが可能である。具体的には、複数の機器（例えば、ホストコンピュータ、インタフェース機器、撮像装置、Ｗｅｂアプリケーション等）から構成されるシステムに適用しても良いし、また、一つの機器からなる装置に適用しても良い。

また、本発明の目的は、以下のようにすることによって達成されることはいうまでもない。即ち、前述した実施形態の機能を実現するソフトウェアのプログラムコード（コンピュータプログラム）を記録した記録媒体（または記憶媒体）を、システムあるいは装置に供給する。係る記憶媒体は言うまでもなく、コンピュータ読み取り可能な記憶媒体である。そして、そのシステムあるいは装置のコンピュータ（またはＣＰＵやＭＰＵ）が記録媒体に格納されたプログラムコードを読み出し実行する。この場合、記録媒体から読み出されたプログラムコード自体が前述した実施形態の機能を実現することになり、そのプログラムコードを記録した記録媒体は本発明を構成することになる。

以上、本発明の好ましい実施形態について詳述したが、本発明は係る特定の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。

上述の実施形態を適宜組み合わせた形態も、本発明の実施形態に含まれる。

１００ 画像処理装置
１３０ 学習部
１０００ 画像取得部
１０１０ 基準点群生成部
１０２０ 領域データ群生成部
１０３０ 特徴量データ群生成部
１０４０ 識別器構築部
１４０ 識別部
１００５ 識別用データ取得部
１０１５ 機重点取得部
１０２５ 領域抽出部
１０３５ 特徴量算出部
１０５０ 属性推論部
１０９０ 表示制御部
１５０ モデル生成部
１０１８ 基準点群生成部
１５５ モデル生成部
１０６０ 記憶部

Claims (10)

1. 学習用画像に描出されている注目部位を示す注目領域に属する互いに異なる複数の位置座標を前記学習用画像に設定する第１設定手段と、
   前記注目領域を、前記複数の位置座標の各々を用いて抽出する抽出手段と、
   前記複数の位置座標に対応する前記注目領域の複数の抽出結果それぞれから、前記注目部位の属性を決定するための特徴量を計算する計算手段と、
   前記注目領域の複数の抽出結果に対応する複数の前記特徴量と前記学習用画像に描出されている前記注目部位の属性の正解値とに基づいて、前記属性を決定するための識別器を構築する構築手段と、
   識別用画像に描出されている前記注目部位を示す注目領域に属する位置座標を前記識別用画像に設定する第２設定手段と、
   前記識別器と前記第２設定手段により設定された位置座標を用いて、前記識別用画像に描出されている前記注目部位の属性を決定する決定手段と、
   を有することを特徴とする画像処理システム。
2. 前記第１設定手段は、前記学習用画像に描出されている前記注目領域の特徴に基づいて前記位置座標を前記学習用画像に設定することを特徴とする請求項１に記載の画像処理システム。
3. 前記特徴は前記学習用画像に描出されている前記注目領域の濃度値であることを特徴とする請求項２に記載の画像処理システム。
4. 前記第１設定手段は、過去に設定された位置座標に基づいて前記位置座標を前記学習用画像に設定することを特徴とする請求項１に記載の画像処理システム。
5. 前記過去に設定された位置座標に基づいてモデルを生成する生成手段を更に備え、
   前記第１設定手段は、前記モデルに基づいて前記位置座標を前記学習用画像に設定することを特徴とする請求項４に記載の画像処理システム。
6. 前記モデルは、画像における各画素が位置座標として指定される確率を表すモデルであることを特徴とする請求項５に記載の画像処理装置。
7. 前記識別用画像に対して設定された位置情報を用いて、前記モデルが更新されることを特徴とする請求項５又は請求項６に記載の画像処理システム。
8. 学習用画像に描出されている注目部位を示す注目領域に属する複数の位置座標を前記学習用画像に設定する設定手段と、
   前記注目領域を、前記複数の位置座標の各々を用いて抽出する抽出手段と、
   前記複数の位置座標に対応する前記注目領域の複数の抽出結果それぞれから、前記注目部位の属性を決定するための特徴量を計算する計算手段と、
   前記注目領域の複数の抽出結果に対応する複数の前記特徴量と前記注目部位の属性の正解値とに基づいて、前記属性を決定するための識別器を構築する構築手段と、
   を備える装置。
9. 学習用画像に描出されている注目部位を示す注目領域に属する複数の位置座標を前記学習用画像に設定する設定工程と、
   前記注目領域を、前記複数の位置座標の各々を用いて抽出する抽出工程と、
   前記複数の位置座標に対応する前記注目領域の複数の抽出結果それぞれから、前記注目部位の属性を決定するための特徴量を計算する計算工程と、
   前記注目領域の複数の抽出結果に対応する複数の前記特徴量と前記注目部位の属性の正解値とに基づいて、前記属性を決定するための識別器を構築する構築工程と、
   を備える方法。
10. 請求項９記載の方法の各工程をコンピュータに実行させることを特徴とするプログラム。

Images