JP7370694B2

JP7370694B2 - 医用情報処理装置及び医用情報処理方法、プログラム

Info

Publication number: JP7370694B2
Application number: JP2018152719A
Authority: JP
Inventors: 佳士町田; 好教平野; 秀昭宮本; 大輔山田; 明哉中山
Original assignee: Canon Inc
Current assignee: Canon Inc
Priority date: 2018-08-14
Filing date: 2018-08-14
Publication date: 2023-10-30
Anticipated expiration: 2038-08-14
Also published as: WO2020035991A1; JP2020027506A; US20210158218A1; US12131235B2

Description

本発明は、医用情報処理装置及び医用情報処理方法、プログラムに関する。

医用情報処理装置において、機械学習を用いてユーザーの傾向や嗜好に沿った情報を提供する機能や、画像解析精度を向上させる機能等が提案されている。特許文献１には機械学習により画像認識精度を向上させ、対象物を検出する方法が記載されている。また、特許文献２にはニューラルネットワークを用いて、放射線画像の分割パターン、照射野、撮影体位、撮影部位を認識する方法が記載されている。

特開２０１７－１８５００７号公報特開平０４－２６１６４９号公報

Conventional Neural Networkを用いた一般物体認識手法の解析情報処理学会研究報告 Vol.2014-CVIM-192 No.14 （実施形態で参照される）

上記の様な機械学習を用いて性能が変更された場合に、ユーザーの臨床的要求である使用目的の達成に必要な性能を満たすか否かを検証する妥当性検証を行うこと、またその妥当性検証を行うためのデータの信頼性を保つことは提案されていない。

本発明は、医用情報処理装置において、機械学習の妥当性検証を行えるようにすることを目的とする。

本発明の一態様による医用情報処理装置は以下の構成を備える。すなわち、
医用情報処理装置であって、
医用情報を取得する取得手段と、
前記医用情報を用いて前記医用情報処理装置内の機能に対して機械学習を行う学習手段であって、該機能により処理して得られる結果として領域情報を含む画像認識と、該機能により処理して得られる結果として画像処理条件を処理結果に含む画像処理と、該機能により処理して得られる結果として病変位置情報を処理結果に含む診断支援とのいずれかに関する機械学習を行う前記学習手段と、
前記学習手段による学習結果を評価するための評価用データであって、医用画像と、前記画像認識と前記画像処理と前記診断支援とのそれぞれに関する正解が既知となっている正解データとを含む評価用データを、撮影形態ごとに保持する評価用データ保持手段と、
前記評価用データ保持手段に保持されている評価用データのうちの、前記機能の種別と前記医用情報に基づく撮影形態とに応じて選択された評価用データに基づいて、前記画像認識と前記画像処理と前記診断支援とのいずれかに関する機械学習により取得された学習結果を用いて前記評価用データに含まれる医用画像を処理して得た結果と、前記評価用データに含まれる正解データとを互いに対応する画素毎に比較して得た結果を用いて、前記学習結果を評価する評価手段と、を備える。

医用情報処理装置において、機械学習の妥当性検証を行うことが可能となる。

第１実施形態の医用情報処理装置の機能構成例を示す図。第１実施形態の医用情報処理装置の処理手順を示すフローチャート。第１実施形態による評価結果の表示例を示す図。（ａ）は第１実施形態の評価部の機能構成例を示す図、（ｂ）は第１実施形態の評価部の処理手順を示すフローチャート。照射野の正解と学習によって得られた結果の差異例を示す図。変形例１による医用情報処理装置の機能構成例を示す図。変形例２による画像データの付帯情報の例を示す図。第２実施形態の医用情報処理装置の機能構成例を示す図。第２実施形態の医用情報処理装置の処理手順を示すフローチャート（ａ）は、第２実施形態の評価用データ配信部の機能構成例を示す図、（ｂ）は、第２実施形態の評価用データ配信部の処理手順を示すフローチャート。（ａ）は、変形例４の評価用データ配信部の機能構成例を示す図、（ｂ）は、変形例４の評価用データ配信部の処理手順を示すフローチャート。第３実施形態の医用情報処理装置の機能構成例を示す図。第３実施形態の医用情報処理装置の処理手順を示すフローチャート。（ａ）は、第３実施形態のデータ指定部の機能構成例を示す図、（ｂ）は、第３実施形態のデータ指定部の処理手順を示すフローチャート。実施形態による医用情報システムのハードウエア構成例を示すブロック図。

以下、添付の図面を参照しながら本発明の実施形態を説明する。尚、実施形態では放射線画像に対する医用情報処理装置を説明するが、本発明はＣＴ装置、ＭＲＩ装置、超音波装置、眼底カメラ、ＯＣＴ、内視鏡等、他のモダリティを用いた医用情報処理装置にも適用可能である。また、複数種類のモダリティを用いた医用情報処理装置にも適用可能である。なお、以下の実施形態において、放射線という用語は、Ｘ線の他、例えば、α線、β線、γ線、粒子線、宇宙線などを含み得る。

＜第１実施形態＞
図１は、第１実施形態による医用情報処理装置の機能構成例を示すブロック図である。図１に示すように、第１実施形態における、医用情報処理装置１００は、医用情報を取得する医用情報取得部１１０と、取得された医用情報を用いて医用情報処理装置内の機能に対し機械学習を行う学習部１０３とを有する。また、医用情報処理装置１００は、学習部１０３による学習結果を評価するための、機能の実行による正解が既知の評価用データを保持する評価用データ保持部１０５を有する。また、医用情報処理装置は、評価用データに基づいて、学習部１０３が行った機械学習により取得された学習結果（学習状態）を評価する評価部１０４を有する。また、医用情報処理装置１００は、学習結果に対する評価結果を表示する表示部１０６を有する。さらに、医用情報処理装置１００は、評価部１０４による評価に基づいて、医用情報処理装置内の上記機能によって用いられるパラメータを更新するパラメータ更新部１０７を有する。

医用情報取得部１１０において、撮影部１０１は、医用情報として用いられる医用画像を取得する。医用画像としては、例えば、放射線画像、ＣＴ画像、ＭＲＩ画像、超音波画像、眼底画像、ＯＣＴ画像、内視鏡画像などがあげられる。また、医用情報は、医用画像に付帯する情報（管電圧、撮影部位など）を含んでいてもよい。医用情報取得部１１０は、医用画像とその医用画像に付帯する情報（以下、付帯情報）を含む医用情報を取得し、データ保持部１０２に保持する。

医用情報処理装置１００は、医用画像を用いた画像認識、画像処理、診断支援などのいずれか１つの機能を含む。学習部１０３により医用情報処理装置１００が有する機能の学習が行われると、医用情報処理装置１００の機能（機能の質）が変化する。例えば、学習部１０３によって医用画像を用いた画像認識の学習をすれば画像認識の精度が変化し、学習部１０３によって画像処理の学習をすれば画像処理の精度が変化し、学習部１０３によって診断支援の学習をすれば診断支援の精度が変化する。

評価用データ保持部１０５は、医用情報処理装置１００の機能に応じた評価用データを保持する。評価用データは、例えば、医用画像とそれぞれの学習（画像認識、画像処理、診断支援など）に応じた正解データとを含む。すなわち、評価用データは、医用画像と、当該医用画像について既知となっている正解のデータで定義されている。例えば、医用画像を用いた画像認識の学習に関する評価用データは、医用画像と領域情報（照射野、解剖学的領域、病変領域など）とを含む。また、例えば画像処理の学習に関する評価用データは、医用画像と画像処理条件（階調処理条件、ノイズ処理条件など）とを含む。また、例えば、診断支援の学習に関する評価用データは、医用画像と病変位置情報とを含む。

また、評価用データ保持部１０５は、撮影部位、撮影手技などの撮影形態に応じて、評価用データを保持してもよい。例えば、処理対象のデータとしての評価用データ保持部１０５は、胸部、腹部、頭部、四肢などの撮影部位ごとに区別して、評価用データを保持することができる。例えば、評価用データ保持部１０５は、撮影部位に応じて、評価用データである医用画像と画像処理条件（階調処理条件、ノイズ処理条件など）を保持することができる。また、例えば、評価用データ保持部１０５は、動画撮影、静止画撮影などの撮影手技ごとに区別して、評価用データを保持することができる。例えば、評価用データ保持部１０５は、撮影手技に応じて、評価用データである医用画像と画像処理条件（階調処理条件、ノイズ処理条件など）を保持することができる。

評価部１０４は、学習部１０３において学習した内容（医用情報処理装置内の機能）を解析し、学習した内容に関連する評価用データを評価用データ保持部１０５から読み込み、学習結果を評価する。評価部１０４は、学習部１０３による学習結果を用いて、システム内の機能により評価用データに含まれている処理対象のデータを処理し、その結果を当該評価用データに含まれている正解データと比較することにより、学習結果を評価する。例えば、医用画像を用いた画像認識の学習について評価する場合、評価部１０４は、医用画像を用いた画像認識の学習に関連する評価用データを評価用データ保持部１０５から読み込み、画像認識に関する学習結果を評価する。また、例えば、医用画像を用いた画像処理の学習について評価する場合、評価部１０４は、医用画像を用いた画像処理の学習に関連する評価用データを評価用データ保持部１０５から読み込み、画像処理に関する学習結果を評価する。また、例えば、医用画像を用いた診断支援の学習について評価する場合、評価部１０４は、診断支援の学習に関連する評価用データを評価用データ保持部１０５から読み込み、診断支援に関する学習結果を評価する。

なお、上記では、機能の種別（画像認識、画像処理、診断支援などの学習の種別）に応じて使用する評価用データを選択したがこれに限られるものではない。例えば、評価部１０４は、学習部１０３において学習した医用情報に基づく撮影形態に応じて、医用画像を取得した際の撮影形態に関連する評価用データを読み込み、学習結果を評価してもよい。撮影形態としては、例えば、上述したように胸部、腹部、頭部、四肢などの撮影部位があげられる。より、具体的には、胸部撮影した医用画像を用いた画像認識の学習について評価する場合、評価部１０４は、胸部撮影した医用画像から評価用データを読み込み、画像認識に関する学習結果を評価する。

表示部１０６は、学習結果に対する評価結果を表示する。表示部１０６は、医用画像を表示することもできる。表示部１０６は、機械学習による学習結果（画像認識の精度、画像処理の制度、診断支援の精度など）が向上したのか、低下したのかを表示することができる。パラメータ更新部は、評価部１０４による評価に基づいて、医用情報処理装置内の機能によって用いられるパラメータを更新する。例えば、パラメータ更新部１０７は、学習部１０３が行った機械学習の学習結果（画像認識の精度、画像処理の制度、診断支援の精度など）が向上した場合に、医用情報処理装置内の機能におけるパラメータを更新する。

図１５は、上述した各機能部を実現する医用情報処理装置１００のハードウエア構成例を示すブロック図である。

放射線撮影装置４１は、不図示の放射線発生部から照射された放射線を検出し、医用画像としての放射線画像を取得する。処理装置４２は、放射線撮影装置４１により取得された放射線画像に基づいて、画像認識、画像処理、診断支援などを行う。格納装置４３は、放射線撮影装置４１が取得した放射線画像とその付帯情報、及び、処理装置４２により処理された放射線画像を格納する。処理装置４２と格納装置４３はネットワーク３０に接続されている。なお、処理装置４２は独立した装置である必要はなく、例えば、処理装置４２は情報処理装置１０に含まれてもよいし、放射線撮影装置４１に含まれてもよい。

また、ネットワーク３０には情報処理装置１０が接続されている。情報処理装置１０において、ＣＰＵ１１は、ＲＯＭ１２またはＲＡＭ１３に格納されたプログラムを実行することにより、情報処理装置１０を制御する。ＲＯＭ１２は読み取り専用の不揮発性メモリであり、ＲＡＭ１３は随時読み書きが可能な揮発性メモリである。ネットワークＩ／Ｆ１４は、情報処理装置１０とネットワーク３０とを接続する。入出力Ｉ／Ｆ１５は、ディスプレイ１８と、キーボード、ポインティングデバイスなどの操作装置１９とを情報処理装置１０に接続する。二次記憶装置１６は、ハードディスクなどで構成され、各種データ、プログラムを記憶する。バス１７は、上述した各部を、通信可能に接続する。

以上の構成において、例えば、撮影部１０１は、放射線撮影装置４１と処理装置４２により実現され得る。また、学習部１０３、評価部１０４、表示部１０６、パラメータ更新部１０７は、情報処理装置１０においてＣＰＵ１１がＲＯＭ１２またはＲＡＭ１３に格納された所定のプログラムを実行することにより実現され得る。また、処理装置４２が格納装置４３を用いてデータ保持部１０２を実現してもよいし、情報処理装置１０が格納装置４３を用いて評価用データ保持部１０５を実現してもよい。

以下では、以上の様な構成を備える第１実施形態の医用情報処理装置１００に、放射線画像における照射野認識の機能の精度向上を行うための機械学習を適用した例を説明する。撮影部１０１は、被写体を透過した放射線を検出し、放射線画像を生成する機能（放射線撮影装置４１）と、撮影した放射線画像から照射野領域を特定する照射野認識の機能（処理装置４２）を有している。

医用情報処理装置１００による処理について図２を参照して説明する。図２は、第１実施形態による医用情報処理装置１００の処理を説明するフローチャートである。ステップＳ２０１において、撮影部１０１は、放射線を用いた撮影により放射線画像を取得し、また、その放射線画像における照射野を示す照射野情報を取得する。照射野情報とは、放射線画像中の放射線が照射された領域に関する情報である。照射野情報は、例えば、放射線画像の各座標に対して、照射野を０、照射野外を１としたデータである。照射野は、放射線が撮影部１０１に到達した領域であり、照射野外は、放射線が撮影部１０１に到達しなかった、照射野を除く領域である。図５（ａ）に照射野情報の例を示す。照射野情報はユーザーが領域を指定する、もしくは医用情報処理装置１００の照射野認識機能（処理装置４２）で得られた照射野情報をユーザーが確認し、必要に応じて照射野領域を修正することで得られる。照射野認識機能には、機械学習アルゴリズムの学習結果を用いたアルゴリズムが用いられる。

ステップＳ２０２において、データ保持部１０２は、ステップＳ２０１で取得された放射線画像および照射野情報を医用情報として保持する。言い換えれば、データ保持部１０２は、撮影部１０１で撮影された放射線画像と、当該放射線画像において放射線が照射された領域に関する情報（照射野情報）を保持する。

ステップＳ２０３において、学習部１０３はデータ保持部１０２内の放射線画像および照射野情報を用いて照射野領域認識機能に関する機械学習を行い、学習結果を得る。本実施形態の機械学習には、例えば非特許文献１に記載されたConvolution Neural Network（以下、ＣＮＮ）を用いることができる。なお、ＣＮＮは一例であり、これに限られるものではない。例えば、学習部１０３は、Recurrent Neural Network、Long Short-Term Memory等の深層学習、Support vector Machine、AdaBoost等の機械学習を用いることができる。また、本実施形態での学習結果はＣＮＮの各層における重み等のパラメータとするが学習結果はこれに限られるものではない。例えば、レイヤ構成などが学習結果として得られるようにしてもよい。

ステップＳ２０４にて、評価部１０４は評価用データ保持部１０５に保持されている評価用データを用いて、学習部１０３により出力された学習結果を評価し、評価結果を取得する。本実施形態においては、評価用データは予め用意された放射線画像とその照射野情報（正解データ）である。なお、評価部１０４における評価方法の詳細は後述する。ステップＳ２０５にて、表示部１０６は、評価部１０４により取得された評価結果を表示器に表示する。図３に、表示部１０６による評価結果の表示例を示す。図３では、照射野領域機能による照射野の認識精度が８０％から９０％に向上したことを示している。つまり、表示部１０６は、機械学習による学習結果（照射野領域の認識精度）が向上したのか、低下したのかを表示することができる。

ステップＳ２０６にて、パラメータ更新部１０７は、評価部１０４による評価結果により学習結果に妥当性があると判定すると、撮影部１０１内の照射野認識機能におけるパラメータを最新の学習結果を用いて更新する。こうして、パラメータ更新部１０７は、機械学習による学習結果（照射野領域の認識精度）が向上した場合、医用情報処理装置内の機能（撮影部１０１内の照射野認識機能）におけるパラメータを更新する。言い換えれば、パラメータ更新部１０７は、機械学習による学習結果（照射野領域の認識精度）が低下した場合、医用情報処理装置内の機能（撮影部１０１内の照射野認識機能）におけるパラメータを更新しない。なお、図３に示されるような評価結果を見て学習結果の妥当性をユーザーが判断し、パラメータの更新を行うか否かをユーザーが指示するようにしてもよい。この場合、パラメータ更新部１０７はユーザー指示に応じてパラメータの更新を実行する。

以上のようにステップＳ２０１からＳ２０６の処理を行うことによって機械学習の妥当性検証が可能となる。また、機械学習によって医用情報処理装置内の機能が変化し得る状況において、変化後の評価結果をユーザーに提示することにより、妥当性があるか否かをユーザーが判断する際の指標として用いることができる。臨床的要求である使用目的の達成に必要な性能を満たすか否かを検証することが可能となる。

次に、第１実施形態の評価部１０４における評価処理について図４を用いて詳細に説明する。第１実施形態では、学習結果の妥当性の評価を、複数組の画像データ（放射線画像）とその照射野情報を含む評価用データを用いて行う。

図４（ａ）は、第１実施形態による評価部１０４の機能構成例を示すブロック図である。評価部１０４において、評価用データ入力部４０１は、評価用データ保持部１０５から評価用データを入力する。学習結果入力部４０２は、学習部１０３から学習結果である学習済みパラメータを入力する。比較部４０３は、評価用データにおける正解データと、学習済みパラメータを用いて評価用データにおける医用画像を処理した結果を比較する。算出部４０４は、評価用データにおける正解データと学習結果における学習データの一致率を算出する。出力部４０５は、算出部４０４における算出結果を出力する。

次に図４（ｂ）を参照して、上記構成を有する評価部１０４が実行する処理の流れを詳細に説明する。ステップＳ４２１において、評価用データ入力部４０１は、評価用データ保持部１０５から評価用データを入力する。上述の通り本実施形態では評価用データは医用画像としての画像データおよび正解データとしての照射野情報（以下、正解照射野）を含む。ステップＳ４２２において、学習結果入力部４０２は学習部１０３の学習結果である学習済みパラメータを入力する。上述の通り本実施形態ではパラメータはＣＮＮにおける各層の重み係数である。ステップＳ４２３において、処理装置４２は学習済みパラメータに基づいて、評価用データに含まれる画像データに対して画像認識を行う。本実施形態では処理結果は照射野情報（以下、学習照射野）である。ステップＳ４２４において、比較部４０３は正解照射野と学習照射野を比較し一致率を算出する。

比較部４０３における照射野の比較例を図５に示す。図５（ａ）は正解照射野５０１の例を、図５（ｂ）は学習照射野５０２の例を、図５（ｃ）は比較照射野５０３の例をそれぞれ示している。正解照射野５０１と学習照射野５０２において"１"となっている画素は照射野外であり、"０"となっている画素は照射野内である。また、比較照射野５０３において、"０"は正解照射野と学習照射野が一致した画素、"１"は正解照射野と学習照射野が不一致であった画素である。図５の例では全８０画素中７６画素が一致しており、この場合の一致率は７６／８０×１００＝９５％となる。

ステップＳ４２５において、算出部４０４は比較した全ての比較結果から結果を算出する。本実施形態では一致率に閾値を設け、一致率が９５％以上を正解、９５％未満を不正解として全比較結果の認識精度を算出する。例えば、１００例中９０例が９５％以上の一致率であった場合、認識精度は９０／１００×１００＝９０％となる。ステップＳ４２６において、出力部４０５は、算出部４０４で算出した結果を表示部１０６に出力する。以上、ステップＳ４２１からＳ４２６の処理を行うことによって機械学習によって更新された学習結果の妥当性確認をユーザーが容易に行うことが可能となる。

尚、本実施形態では照射野認識機能を例として説明したが、本発明は関心領域または撮影部位を認識する機能、腫瘤の位置および／または悪性度等の診断支援情報を提供する機能等、機械学習システムを用いたあらゆる医用情報処理装置に適用可能である。また、本実施形態では、画像データと照射野情報の組み合わせを学習用データ、評価用データとしたがこれに限られるものではない。例えば、画像データ、診断情報、遺伝子情報、複数のモダリティの検査情報、性別、年齢、身長などのいずれかをデータとして用いる、いかなる機械学習システムにも適用可能である。

また、本実施形態では医用情報処理装置で得られたデータを用いて機械学習を行うことを説明したが、本発明は機械学習を行うデータがいかなるシステムで得られたデータであっても適用可能である。例えば、パブリックデータセットと呼ばれるインターネットで公開されている機械学習用データセットを用いた医用情報処理装置にも適用可能である。また、本実施形態では医用情報処理装置１００のすべての構成が同一の施設内になくてもよい。例えば、撮影部１０１および妥当性評価結果を表示する表示部１０６は病院内、それ以外の構成はクラウド上にあるというような医用情報処理装置であってもよい。

［変形例１］
図６に、変形例１による医用情報処理装置の機能構成例を示す。変形例１の医用情報処理装置１００は、第１実施形態の構成（図１）に、評価用データ保持部１０５に保持されている評価用データを保護する評価用データ保護部６０１を有する。また、医用情報処理装置１００は、学習部１０３による学習結果を保持する学習結果保持部６０２と、学習結果保持部６０２に保持されている学習結果を保護する学習結果保護部６０３を有する。なお、変形例１による医用情報処理装置のハードウエア構成は第１実施形態（図１５）と同様である。評価用データ保護部６０１は、評価用データ保持部１０５において保持された評価用データが変更や削除されていないことを検出する。変形例１では評価部１０４における評価を行う前に、評価用データ保護部６０１による評価用データの確認を行う。評価用データ保護部６０１による評価用データの正当性は、デジタル署名やハッシュ化による一致性の確認を行うことで検出することが可能である。

また、評価用データ保護部６０１は、評価用データ保持部１０５において保持された評価用データを定期的にバックアップしておいてもよい。評価用データ保持部１０５において保持された評価用データが変更や削除されていても、評価用データ保護部６０１はバックアップした評価用データを読み出すことにより、変更や削除される前の評価用データに戻すことができる。

学習結果保持部６０２は、学習部１０３による学習の結果を保持する。評価部１０４、パラメータ更新部１０７は、学習結果保持部６０２に保持されている学習結果を用いてそれぞれの処理を行う。学習結果保護部６０３は、学習結果保持部６０２に保持されている、学習部１０３による学習結果を保護する。すなわち、学習結果保護部６０３は、学習結果保持部６０２に保持された学習結果が変更あるいは削除されていないことを検出する。変形例１では、撮影部１０１に設定される前に、学習結果の確認を行う。学習結果保護部６０３による学習結果の正当性は、評価用データ保護部６０１と同様にデジタル署名やハッシュ化による一致性の確認を行うことで検出することが可能である。また、学習結果保護部６０３は、評価用データ保持部１０５と同様に、学習結果保持部６０２において保持された学習結果を定期的にバックアップするようにしてもよい。

以上のように、変形例１によれば、評価用データ保護部６０１によって評価用データの保護を行うことにより、改ざん、医用情報処理装置の故障やアップデート時のシステムトラブル等による評価用データの信頼性低下を防止することが可能となる。また、学習結果保護部６０３により学習部１０３による学習の結果が保護されるので、評価部１０４および処理装置４２が用いる学習済みパラメータの信頼性低下が防止される。

［変形例２］
第１実施形態では、評価用データを画像データおよび照射野情報としたが、上述の通り、その他の情報用いた医用情報処理装置にも適用可能である。変形例２では、同一の画像データを複数の情報と連携させる場合について、評価用データの付属情報によって、画像データがどの情報と連携しているかを示す例を示す。

図７は評価用データ保持部１０５に保持されている評価用データと学習結果との対応関係の一例を示した図である。図７（ａ）に示すように、評価用データは、医用画像（画像データ）と正解データに加えて、学習対象である機能の種類（画像認識、画像処理、写損認識）の情報と撮影部位（胸部、腹部、頭部）の情報を、付属情報として含む。すなわち、評価用データ保持部１０５は、評価用データと機能との対応関係を示す付属情報、および／または、評価用データと撮影部位との対応関係を示す付属情報を保持する。これにより、評価部１０４は、付属情報に基づいて学習部１０３による学習の対象となった機能に対応する評価用データを評価用データ保持部１０５から読み出し、評価を行うことができる。

図７（ａ）において、評価用データ１～７は、評価用データ保持部１０５に保持されている評価用データである。評価用データ１は、胸部の医用画像と、その医用画像について画像認識を際の正しい結果（正解データ）を含む。評価用データ２は、胸部の医用画像と、その医用画像について画像処理を行った際の正解データを含む。評価用データ３は、腹部の医用画像とその医用画像について写損認識を行った際のそれぞれの正解データを含む。評価用データ４は、腹部の医用画像とその医用画像について画像認識と画像処理を行った際のそれぞれの正解データを含む。評価用データ５は、胸部の医用画像とその医用画像について画像認識と写損認識を行った際のそれぞれの正解データを含む。評価用データ６は、頭部の医用画像とその医用画像について画像認識と画像処理を行った際のそれぞれの正解データを含む。評価用データ７は、胸部の医用画像と、その医用画像について画像認識と画像処理と写損認識を行った際のそれぞれの正解データを含む。

このように、評価用データの画像データ毎にどの情報が付随しているかをタグ付することによって、複数の目的に同一の画像データを用いることができる。結果、評価用データ保持部１０５におけるデータ容量増加によるシステムの肥大化を低減することが可能となる。

評価部１０４は、学習部１０３で学習された学習結果と評価用データ保持部１０５に保持された評価用データの対応付けを行う。図７（ｂ）に示すように、学習結果は、学習部１０３で学習された学習機能と撮影部位の情報を含む。学習結果１は、胸部の医用画像についての画像認識に対する学習の結果であり、その評価用データとして、機能の種類が画像認識であり撮影部位が胸部である評価用データ１、評価用データ５、評価用データ７が評価用データ保持部１０５から抽出される。抽出された評価用データ１、評価用データ５、評価用データ７は、学習結果１に対応付けられる。また、学習結果２は、腹部の医用画像についての画像処理に対する学習の結果であり、機能の種類が画像処理、撮影部位が腹部である評価用データ４が評価用データ保持部１０５から抽出され、学習結果２に対応付けられる。

学習結果３は、頭部の医用画像についての写損認識に対する学習の結果である。評価用データ保持部１０５には、機能の種類が写損認識となっている評価用データは存在するが、撮影部位が頭部となっているものは存在しない。このように、機能によっては、該当する評価用データが存在しない場合、変形例２の評価部１０４は、評価用データと学習結果に関する撮影部位が異なっていても、機能の種類に基づいて評価用データを抽出する。結果、機能の種類が写損認識である評価用データ３、評価用データ５、評価用データ７が抽出され、これらが学習結果３に対応付けられる。

学習結果４は、胸部の医用画像についての操作認識に対する学習の結果である。評価用データ保持部１０５は、機能の種類が操作認識である評価用データを保持していない。この場合、評価部１０４は、評価用データ保持部１０５に操作認識の学習機能を有した評価用データがないことを認識して、学習結果４は評価できないことを表示部１０６に伝達する。結果、ユーザーは、学習結果４について評価ができないことを把握することができる。なお、このように評価用データ保持部１０５が操作認識に対応した評価用データを保持していない場合に、評価部１０４が外部装置（不図示）に操作認識に対応した評価用データを要求して取得するようにしてもよい。

また変形例２では、図７のように別途テーブルを用意する例を説明したが、評価用データの画像データと共に保存されるタグ情報等に同様の情報を保持してもよい。その場合、テーブルではなく、それぞれの医用画像のタグ情報を参照することにより、学習結果の評価に用いる評価用データが選択されることになる。また、付帯情報の保存場所や取得日時等の情報を医用画像のタグに入れることも可能である。以上のような、変形例２によれば、データ容量増加によるシステムの肥大化を低減することが可能となる。

＜第２実施形態＞
第２実施形態では、妥当性検証のためのより有効な評価用データが入手された場合や、医用情報処理装置が更新された場合に評価用データを更新するためのシステムについて説明する。第２実施形態では、第１実施形態と異なる評価用データの作成および配信について述べる。

まず、医用情報処理装置１００の構成を図８に基づいて説明する。図８において、第１実施形態（図１）と同様の構成には図１と同一の参照番号を付してある。図８に示す通り、第２実施形態の医用情報処理装置１００は第１実施形態の構成に加えて評価用データ配信部８０１を有する。評価用データ配信部８０１は、評価用データ保持部１０５に保持されている評価用データを更新するための評価用データを配信する。評価用データ保持部１０５は、配信された評価用データを用いて保持されている評価用データを更新する。

なお、第２実施形態による医用情報処理装置のハードウエア構成は第１実施形態（図１５）と同様である。但し、評価用データ配信部８０１はクラウドシステムとして実現されるものとする。そのため評価用データ配信部８０１は、複数施設（複数の医用情報処理装置１００）の評価用データ保持部１０５とネットワークを介して接続している。なお、図８において、評価用データ配信部８０１とデータ保持部１０２との接続（破線で示す）は変形例４で用いられる構成であり、第２実施形態では省略されてもよい。

次に、図９を参照して、上述の医用情報処理装置１００の動作を説明する。図９は、第２実施形態による医用情報処理装置１００の動作を説明するフローチャートである。図９において第１実施形態（図２）と同様の処理を行うステップには図２と同一のステップ番号を付してある。ステップＳ９０１にて、評価用データ配信部８０１は、評価用データを評価用データ保持部１０５に配信する。これにより、評価用データ保持部１０５に保持されている評価用データが更新される。なお、この更新が行われるタイミングとしては、例えば、医用情報処理装置１００の撮影部１０１が変更された時に行う、毎月定期的に行う、ユーザーもしくは配信元が任意のタイミングで指示したタイミングで行う、等が考えられる。ステップＳ２０４において、評価部１０４は、評価用データ保持部１０５が保持している更新された評価用データを用いて、学習部１０３による学習の結果を評価する。

次に、評価用データ配信部８０１の処理の詳細について図１０（ａ）、（ｂ）を用いて説明する。図１０（ａ）は評価用データ配信部８０１の機能構成例を示したブロック図である。評価用データ配信部８０１は、評価用データ収集部１００１、評価用データ更新指示部１００２、評価用データ更新部１００３を有する。図１０（ｂ）のフローチャートを参照して、上述の構成を有する評価用データ配信部８０１の動作を説明する。

ステップＳ１０２１において、評価用データ収集部１００１は、評価用データを収集する。評価用データは、クラウドシステムにより複数施設の画像データ等から収集することが可能である。また、評価用データとして、パブリックデータセットと呼ばれるインターネットで公開されている機械学習用データセットを用いることも可能である。本実施形態では評価用データは、第１実施形態と同様、放射線撮影によって得られた画像データおよび照射野情報である。

ステップＳ１０２２において、評価用データ更新指示部１００２は、評価用データ収集部１００１が収集した評価用データを用いた更新の実行を指示する更新指示を出力する。更新指示の内容は、対象となる施設、更新日時、配信データの種類と数、評価用データ保持部１０５内の評価用データの変更と修正、対象となる機能等が含まれる。ステップＳ１０２３において、評価用データ更新部１００３は、評価用データ更新指示部１００２の指示に基づいて、評価用データ保持部１０５に保持されている評価用データを更新する。

以上、ステップＳ１０２１からＳ１０２３の処理を行うことにより、評価用データ保持部１０５に保持されている評価用データを更新することが可能である。結果、医用情報処理装置１００の性能が変化しても臨床上必要な性能を下回らないようにする運用が可能となる。このように評価用データを配信することよって、医用情報処理装置を用いた撮像方法やパラメータ等が変更になった場合においても、評価用データを更新することでユーザーが容易に妥当性検証を行うことが可能となる。また、第２実施形態によれば、評価用データとして新たな評価指針や新しい機能に対する評価を行う際にも、評価用データ保持部１０５の保持内容を有効な評価用データに更新することが可能となる。

［変形例３］
変形例３では、評価用データ更新指示部１００２において、医用情報処理装置１００が設置されている施設の種類、地域の種類、医用情報処理装置１００が有する撮影システムの種類（使用機能）によって更新内容を決定する。

施設の種類としては、病床数によって分けられる分類、臨床科の分類等が考えられる。例えば、病床数が少ない診療所の場合、放射線画像としては胸部および腹部の撮影が多いため、その評価用データの比率が多くなるように、評価用データ保持部１０５に保持されている評価用データを更新するようにすればよい。また病床数が多い病院の場合、手術前後の撮影が増えるため、疾病患者のデータ比率が多くなるようにデータを更新するようにすればよい。整形専門の病院では肩、腰、股関節、膝等の撮影が多いため、それらの評価用データの比率が多くなるように評価用データ保持部１０５を更新するようにすればよい。小児専門の病院では新生児、小児の撮影がほとんどであるため、そのデータ比率が多くなるように評価用データ保持部１０５を更新するようにすればよい。

また、地域の種類としては、国、都市と地方の分類等が考えられる。放射線画像の場合、国によって撮影手技や手法が異なることがあるため、他の国で撮影したデータが妥当性検証に適さない場合が考えられる。そのような場合、その国で収集されたデータを用いて、評価用データを更新することが望ましい。また、都市と地方によっては年齢の分布や体型等が異なることがあるため、その地域の年齢や体型分布等の統計情報に基づいて、評価用データを更新することが考えられる。

また、撮影システムの種類としては、撮影システムの検出器種別、画像処理アルゴリズム種別等に応じて更新内容を決定すればよい。例えば、放射線画像撮影システムにおける検出器種別としては、検出器に搭載している蛍光体、画素ピッチ、ノイズ特性、鮮鋭度特性、感度、線形性等による分類が考えられる。例えば、放射線画像撮影システムとして使用されている間接型Flat Panel Detectorでは放射線を可視光に変換する蛍光体としてＧＯＳやＣｓＩ等が使用されており、またその膜厚も様々である。蛍光体によって感度や鮮鋭度等が異なるため、データ更新対象施設が使用している撮影システムと同様のシステムで取得されたデータを用いて評価用データを更新することが望ましい。また、検出器種別としては、Computed RadiographyシステムとDigital Radiographyの違いや、製造しているメーカーの種類等も考えられる。

また、画像処理アルゴリズム種別としては、階調処理のアルゴリズムが異なる場合や、散乱線低減処理等の画質改善のための画像処理機能の有無やパラメータ強度等による分類が考えられる。例えば、放射線を照射された被写体から発生する散乱線の成分を低減する散乱線低減処理の有無によって画像のコントラストが異なる。そのため、その施設が散乱線低減処理機能を使用しているか否か（使用機能）によって評価用データの更新内容を決定することが望ましい。

以上のように、施設の種類、地域の種類、撮影システムの種類（使用機能）等によって更新データの指示内容を決定することにより、臨床上必要な性能を正確に評価することが可能となる。

また、変形例３では医用情報処理装置の種類として放射線画像撮影システムを例として挙げたが、これに限られるものではない。医用情報処理装置は、例えば、ＣＴ装置、ＭＲＩ装置、超音波装置、眼底カメラ装置、ＯＣＴ装置、内視鏡等のいかなる装置にも適用可能である。例えば、ＣＴ装置であれば検出器列数、再構成アルゴリズム種別、ＭＲＩ装置であれば磁場強度等に基づいて更新データを決定することが考えられる。

［変形例４］
上述の変形例３では評価用データ更新指示部１００２において、施設の種類、地域、撮影システムの種類、使用機能によって更新内容を決定した。変形例４では、医用情報取得部１１０で取得されたデータに基づいて更新内容を決定する方法を説明する。

変形例４における医用情報処理装置１００の構成では、第２実施形態（図８）で示した構成において、評価用データ配信部８０１とデータ保持部１０２が接続される（図８において、破線で示されている）。図１１（ａ）は変形例４における評価用データ配信部８０１の機能構成例を示した図である。第２実施形態（図１０（ａ））の構成に加えて、データ解析部１１０１が設けられている。データ解析部１１０１は、評価用データ更新指示部１００２と接続している。この構成において、データ保持部１０２は、撮影部１０１により得られた画像データと、画像データに機能を適用して得られた処理結果を保持する。評価用データ配信部８０１は、データ保持部１０２に保持されている画像データの解析結果に基づいて、評価用データ保持部１０５を更新するための評価用データを選択し、配信する。

次に、図１１（ｂ）を参照して、変形例４による評価用データ配信部８０１の動作を説明する。ステップＳ１０２１において、評価用データ収集部１００１は、評価用データを収集する。ステップＳ１０２１の詳細は第２実施形態（図１０（ｂ）のＳ１０２１）と同様である。次に、ステップＳ１１２１において、データ解析部１１０１は、データ保持部１０２に保持されているデータを解析する。解析内容としては、「撮影条件」、「画像処理条件」、「撮影画像データの数の比率」、「年齢」、「性別」、「体型」等である。

例えば、「撮影条件」としては、Ｘ線画像の撮影の場合であれば、撮影画像データを取得した際の管電圧、管電流、撮影時間、Ｘ線発生装置とセンサの距離、散乱線除去用グリッドの有無、センサ種別等を用いることができる。「画像処理条件」としては、階調処理用のパラメータ、鮮鋭度強調用のパラメータ、ノイズ抑制用のパラメータ等を用いることができる。「撮影画像データ数の比率」としては、胸部撮影、腹部撮影、肩関節撮影、腰椎撮影等の撮影画像種別ごとのデータ数の比率等を用いることができる。また、「撮影画像データ数の比率」として、年齢、性別、体型ごとのデータ数の比率を用いるようにしてもよい。データ解析部１１０１は、上記の様な解析を、データ保持部１０２において画像データと共に保存されている情報や画像データそのものを解析することによって行う。

次に、ステップＳ１０２２において、評価用データ更新指示部１００２は、データ解析部１１０１によるデータ解析の結果に基づいて評価用データの更新指示を行う。例えば、データ解析部１１０１により、胸部撮影が６０％、腹部撮影が３０％、腰椎撮影が１０％という解析結果が得られたとする。この場合、評価用データ更新指示部１００２は、胸部画像データの比率が６０％、腹部画像データの比率が３０％、腰椎画像データの比率が１０％となるように、評価用データの更新指示を出す。なお、変形例４では解析結果と更新指示の比率を同じとしたがこれに限られるものではない。例えば、評価用データ更新指示部１００２は、解析結果に基づいて比率を決定すればよい。例えば、前回の更新指示の内容と解析結果の両方を用いて（例えば両者の平均を用いて）更新指示を作成するようにしてもよい。ステップＳ１０２３において、評価用データ更新指示に従って評価用データを更新する。ステップＳ１０２３は第２実施形態（図１０（ｂ）のＳ１０２３）と同様である。

以上のステップＳ１０２１からＳ１０２３の処理を行うことにより、評価用データの更新が可能となる。このように医用情報取得部１１０毎のデータ保持部１０２に保持されているデータを解析し、医用情報取得部１１０に適した評価用データへと更新することができる。これにより、機械学習によって性能が変化した場合においても、臨床上必要な性能を正確に評価することが可能となる。

上記第２実施形態および変形例３～４において、評価用データを更新するためのデータを選択して評価用データ保持部１０５に提供する評価用データ配信部８０１をクラウドに設ける例を示したが、これに限られるものではない。例えば、情報処理装置１０の内部に設けられてもよい。例えば、ＵＳＢメモリ、ネットワーク上の格納装置などにより提供される評価用データから、情報処理装置１０内の評価用データ配信部８０１が評価データの更新に用いるデータを選択し、評価用データ保持部１０５を更新するようにしてもよい。

＜第３実施形態＞
第２実施形態では、評価用データ保持部１０５を更新するための評価用データを外部から取得した。第３実施形態では、医用情報取得部１１０において取得されたデータの一部を妥当性検証のための評価用データとして使用し、他の一部を学習用データとして使用する医用情報処理装置１００について説明する。第３実施形態による医用情報処理装置１００の構成を図１２に基づいて説明する。図１２は、第３実施形態による医用情報処理装置１００の機能構成例を示すブロック図である。医用情報処理装置１００のハードウエア構成例は第１実施形態（図１５）と同様である。図１２において第１実施形態（図１）と同様の構成には同一の参照番号を付してある。

第３実施形態の医用情報処理装置１００は、第１実施形態（図１）の構成に加えて、データ指定部１２０１および学習用データ保持部１２０２を有する。データ指定部１２０１はデータ保持部１０２、評価用データ保持部１０５、学習用データ保持部１２０２と接続している。データ指定部１２０１は、データ保持部１０２に保持されているデータから評価用データの更新に用いるデータ、学習用データに用いるデータを指定し、更新する。すなわち、データ指定部１２０１は、データ保持部１０２に保持されている画像データのうち少なくとも一部を評価用データとするように、評価用データ保持部１０５に保持される評価用データを更新する。また、データ指定部１２０１は、データ保持部１０２に保持されている画像データのうち少なくとも一部を学習用データとするように、学習用データ保持部１２０２に保持される学習用データを更新する。

次に、図１３に従い、第３実施形態による医用情報処理装置１００の動作を説明する。図１３において、第１実施形態（図２）と同様の処理には同一のステップ番号を付してある。まず、ステップＳ２０１において、撮影部１０１は被写体の放射線画像および照射野情報を得る。ステップＳ２０２において、データ保持部１０２は撮影部１０１で得られた放射線画像および照射野情報を保持する。ステップＳ１３０１において、データ指定部１２０１は、データ保持部１０２に保持されたデータを読み出し、評価用データもしくは学習用データとして指定する。評価用データとして指定されたデータは評価用データ保持部１０５に出力され、学習用データとして指定されたデータは学習用データ保持部１２０２に出力される。こうして、評価用データと学習用データがそれぞれ更新される。データ指定部１２０１によるデータの指定方法の詳細は後述する。

ステップＳ２０３にて、学習部１０３は学習用データ保持部１２０２内の学習用データとして指定されたデータを用いて機械学習を行い、学習結果を得る。ステップＳ２０４にて、評価部１０４は評価用データ保持部１０５に保持されている評価用データを用いて、学習部１０３により出力された学習結果の性能評価を行い、評価結果を出力する。ステップＳ２０５において、表示部１０６は評価部１０４が出力した評価結果を表示する。ステップＳ２０６において、パラメータ更新部１０７は、評価結果により妥当性があると判断した場合、撮影部１０１内の照射野認識機能におけるパラメータを更新する。以上のようにステップＳ２０１からＳ２０６、Ｓ１３０１の処理を行うことによって機械学習の妥当性検証が可能となる。

第３実施形態では、学習の対象となっている医用情報取得部１１０で取得されたデータを妥当性検証に用いることにより、臨床上必要な性能をより正確に測定することが可能である。第３実施形態による評価用データの更新方法を用いることで、撮影条件、撮影方法など、施設毎に傾向の異なる複数の医用情報取得部１１０が存在しても、評価用データ保持部１０５は、それぞれの医用情報取得部１１０に適切な評価用データを保持できる。また、医用情報処理装置１００内の全ての構成要素が同じ施設内にある場合は、インターネットの通信環境が無い場合においても、性能変化後の妥当性確認が可能となる。

次に図１４（ａ）、（ｂ）を参照して、上述のデータ指定部１２０１によるデータ指定方法の詳細を説明する。図１４（ａ）はデータ指定部１２０１の機能構成例を示したブロック図である。図１４（ａ）に示されるように、データ指定部１２０１はデータ入力部１４０１、データタグ解析部１４０２、データ選択部１４０３、データ出力部１４０４を有する。図１４（ｂ）は、データ指定部１２０１の動作を説明するフローチャートである。

ステップＳ１４２１において、データ入力部１４０１はデータ保持部１０２から画像データおよび照射野情報を入力する。尚、画像データには付帯情報として、撮影条件、撮影部位、撮影者、撮影箇所、撮影日時等のデータタグが付帯している。次に、ステップＳ１４２２において、データタグ解析部１４０２は、データ入力部１４０１が入力した画像データの付帯情報を解析する。本実施形態では、画像データの撮影者が指定されたユーザーであるか否か等を解析する。次に、ステップＳ１４２３において、データ選択部１４０３はデータタグ解析部１４０２の解析結果に基づいて、その画像データを評価用データとするか、学習用データとするか選択する。本実施形態では、画像データの撮影者が指定されたユーザーであった場合は評価用データとし、それ以外の場合では学習用データとする。このようにすることで、信頼されたユーザーによって撮影された正確なデータを評価用データとすることが可能である。次に、ステップＳ１４２４にてデータ出力部１４０４はデータ選択部１４０３で選択された結果に基づいて、データを評価用データ保持部１０５もしくは学習用データ保持部１２０２に出力する。

以上、ステップＳ１４２１からＳ１４２４の処理を行うことにより、データ指定部１２０１によるデータ指定を行うことが可能となる。このように画像データを種類に応じて評価用データ、学習用データとすることにより、妥当性検証にふさわしいデータを選択することが可能となる。

尚、第３本実施形態では、指定されたユーザーであるか否かにより評価用データとして用いるか学習用データとして用いるかを判定したが、もちろんこれに限られるものではない。例えば、撮影時間帯が午前中であるか否か、撮影場所が病室、手術室、撮影室のいずれであるか、撮影部位が胸部、腹部、骨のいずれであるか等、あるいはそれらのうちのいくつかの組み合わせが用いられても良い。例えば、撮影部位の撮影頻度に応じて、評価用データとして用いるデータをデータ保持部１０２から選択するようにすることにより、実際の運用状況に近い形で性能評価が可能となる。例えば、胸部の撮影頻度が７０％、腹部の撮影頻度が２０％、骨の撮影頻度が１０％であった場合は、評価用データもそのような比率になるように、それぞれの撮影部位のデータを選択すればよい。

また、第３実施形態ではデータ保持部１０２内のデータの全てを用いる必要はなく、一部を評価用データと学習用データとに振り分けるようにしても良い。この場合、データ指定部１２０１は、評価用データ、学習用データおよび評価にも学習にも使用しないデータの３つを指定することになる。このようにすることで評価、学習に対するシステム負荷を調整することが可能である。

［変形例５］
第３実施形態では画像データのデータタグ（付帯情報）を解析することによって、評価用データとして用いるか、学習用データとして用いるかの選択を行った。変形例５では、データ保持部１０２より得られた画像データに対して変更を行うことで評価用データまたは学習用データを生成する。図示を省略するが、データタグ解析部１４０２に代えて、上述の様に画像データを変更するデータ変更部が設けられる。画像データの変更とは、階調処理（ノイズ付与、輝度変更、コントラスト変更）、回転、平行移動、変形、拡大、縮小、等である。データ選択部１４０３は、変更された画像データと処理結果の組と、変更前の画像データと処理結果の組の一方の組を評価部１０４が用いる評価用データに指定し、他方の組を学習部１０３が用いる学習用データに指定する。ここで、処理結果とは、変更前の画像データについて処理装置４２の機能による処理を実行した結果である。例えば、データ選択部１４０３は、データ変更部により変更されたデータと処理結果を学習用データ、変更されていないデータ（変更前のデータ）と処理結果を評価用データとして指定する。この場合、学習用データ数を増やすことが可能であり、また診療に用いたデータを評価用データとすることが可能となる。また、データ選択部１４０３において、データ変更部による変更前のデータと処理結果を学習用データとして選択し、変更されたデータと処理結果の少なくとも一部を評価用データとして選択するようにしてもよい。このようにした場合、評価用データを増やすことが可能となる。

［変形例６］
第３実施形態ではデータタグ解析によって、変形例５では変更された画像データか否かによって、評価用データ、学習用データへの選択を行った。変形例６では、直接ユーザーが選択画面によって評価用データを選択する。表示部１０６は、データ保持部１０２に保持されている画像データ、照射野情報、付帯情報等を選択画面に表示し、ユーザーはそれらを参考にして、表示中の画像データを評価用データとして用いるか学習用データとして用いるかを指定する。このようにすることによって、性能評価に適した画像を評価用データとしてユーザーが選択することができ、妥当性の判断を行いやすくすることが可能となる。

［変形例７］
第３実施形態ではデータタグ解析によって評価用データとして用いるか、学習用データして用いるかの選択を行った。変形例７では、画像データそのものを解析することによって評価用データとして用いるか学習用データとして用いるかを選択する。変形例７では、図１４（ａ）のデータタグ解析部１４０２を画像データ解析部に代え、画像データ解析部は、画像データを解析して、画像データ内に金属のある画像とない画像を区別する。データ選択部１４０３は、その解析結果に基づいて、すなわち、画像中の金属の有無に応じて、各画像データを評価用データ、或は学習用データとして選択する。

なお、上記では画像内金属の有無を、評価用データまたは学習用データという用途の選択の基準に用いたがこれに限られるものではない。例えば、画像内のノイズの指標、鮮鋭性の指標、体格の指標などを用途選択の基準として用いてよい。また照射野情報によって用途選択を行うことも可能である。例えば、放射線検出器面に対する照射野の角度、照射野のサイズ、縦横比、円、四角、多角形等の形状に関してその偏りが生じないようにデータを選択してもよい。またそれらの比率を、医用情報取得部１１０の撮影部１０１によって撮影される画像データの比率に応じて決定するようにしてもよい。このようにすることによって、評価用データ内容の偏った分布によって、妥当性検証が十分に出来ないことを低減することが可能となる。

なお、実施形態および変形例において上述した構成は、任意に組み合わせて用いることが可能である。

（その他の実施例）
本発明は、上述の実施形態の１以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける１つ以上のプロセッサーがプログラムを読出し実行する処理でも実現可能である。また、１以上の機能を実現する回路（例えば、ＡＳＩＣ）によっても実現可能である。

１００：医用情報処理装置、１０１：撮影部、１０２：データ保持部、１０３：学習部、１０４：評価部、１０５：評価用データ保持部、１０６：表示部、１０７：パラメータ更新部

Claims

医用情報処理装置であって、
医用情報を取得する取得手段と、
前記医用情報を用いて前記医用情報処理装置内の機能に対して機械学習を行う学習手段であって、該機能により処理して得られる結果として領域情報を含む画像認識と、該機能により処理して得られる結果として画像処理条件を処理結果に含む画像処理と、該機能により処理して得られる結果として病変位置情報を処理結果に含む診断支援とのいずれかに関する機械学習を行う前記学習手段と、
前記学習手段による学習結果を評価するための評価用データであって、医用画像と、前記画像認識と前記画像処理と前記診断支援とのそれぞれに関する正解が既知となっている正解データとを含む評価用データを、撮影形態ごとに保持する評価用データ保持手段と、
前記評価用データ保持手段に保持されている評価用データのうちの、前記機能の種別と前記医用情報に基づく撮影形態とに応じて選択された評価用データに基づいて、前記画像認識と前記画像処理と前記診断支援とのいずれかに関する機械学習により取得された学習結果を用いて前記評価用データに含まれる医用画像を処理して得た結果と、前記評価用データに含まれる正解データとを互いに対応する画素毎に比較して得た結果を用いて、前記学習結果を評価する評価手段と、を備える医用情報処理装置。
前記評価手段は、前記学習手段が行う機械学習の内容に関連する評価用データを前記評価用データ保持手段から読み込み、学習結果を評価することを特徴とする請求項１に記載の医用情報処理装置。
前記評価手段による評価に基づいて、前記機能によって用いられるパラメータを更新するパラメータ更新手段をさらに備える、請求項１または２に記載の医用情報処理装置。
前記パラメータ更新手段は、前記学習手段が行う機械学習による学習結果が向上した場合、前記機能におけるパラメータを更新する、請求項３に記載の医用情報処理装置。
前記評価用データ保持手段に保持されている評価用データを保護する評価用データ保護手段をさらに備える、請求項１乃至４のいずれか１項に記載の医用情報処理装置。
前記学習手段による学習結果を保持する学習結果保持手段と、
前記学習結果保持手段に保持されている学習結果を保護する学習結果保護手段と、をさらに備える、請求項１乃至５のいずれか１項に記載の医用情報処理装置。
前記保護は、デジタル署名やハッシュ化による一致性の確認により行う、請求項５または６に記載の医用情報処理装置。
前記評価用データ保持手段に保持されている評価用データを更新するための評価用データを配信する評価用データ配信手段をさらに備え、
前記評価用データ保持手段は、配信された評価用データを用いて保持されている評価用データを更新する、請求項１乃至７のいずれか１項に記載の医用情報処理装置。
前記評価用データ配信手段は、前記医用情報処理装置が設置されている施設の種類、前記医用情報処理装置が設置されている地域の種類、および前記医用情報処理装置が有する撮影システムの種類の少なくとも一つに基づいて配信する評価用データを決定する、請求項８に記載の医用情報処理装置。
撮影手段により得られた画像データと、前記画像データに前記機能を適用して得られた処理結果を保持するデータ保持手段をさらに備え、
前記評価用データ配信手段は前記データ保持手段で保持された画像データの解析結果に基づいて、前記評価用データ保持手段を更新するための評価用データを選択し、配信する、請求項８または９に記載の医用情報処理装置。
前記解析結果は、前記データ保持手段に保持されている画像データの撮影条件、画像処理条件、撮影部位による分類ごとのデータ数の比率、被写体の属性による分類ごとのデータ数の比率、の少なくとも一つを含む、請求項１０に記載の医用情報処理装置。
撮影手段により得られた画像データと、前記画像データに前記機能を適用して得られた処理結果を保持するデータ保持手段と、
前記データ保持手段に保持されている画像データのうち少なくとも一部を前記評価用データとするように、前記評価用データ保持手段に保持される評価用データを更新する更新手段と、をさらに備える、請求項１乃至７のいずれか１項に記載の医用情報処理装置。
前記更新手段は、前記データ保持手段に保持されている画像データと処理結果を、前記画像データに付されている付帯情報に基づいて、前記評価用データとして用いるか、前記学習手段の学習用データとして用いるかを指定する、請求項１２に記載の医用情報処理装置。
前記データ保持手段に保持されている画像データを変更する変更手段をさらに備え、
前記更新手段は、前記変更手段によって変更された画像データと処理結果の組と、変更前の画像データと処理結果の組の一方の組を前記評価手段が用いる評価用データに指定し、他方の組を前記学習手段が用いる学習用データに指定する、請求項１２に記載の医用情報処理装置。
前記変更手段は、画像データの回転、平行移動、変形、拡大、縮小、ノイズ付与、輝度変更、コントラスト変更の少なくとも一つを行うことを特徴とする請求項１４に記載の医用情報処理装置。
前記画像認識に関する評価用データに含まれる前記正解データは、照射野領域と解剖学的領域と病変領域との少なくとも一つを前記領域情報として含む、請求項１乃至１５のいずれか１項に記載の医用情報処理装置。
前記画像処理に関する評価用データに含まれる前記正解データは、階調処理条件とノイズ処理条件との少なくとも一つを前記画像処理条件として含む、請求項１乃至１６のいずれか１項に記載の医用情報処理装置。
前記互いに対応する画素毎に比較した結果として互いに一致した画素の数あるいは不一致であった画素の数を用いて得た一致率を用いて、前記学習結果を評価する、請求項１乃至１７のいずれか１項に記載の医用情報処理装置。
医用情報を取得する取得工程と、
前記医用情報を用いて医用情報処理装置内の機能に対して機械学習を行う学習工程であって、該機能により処理して得られる結果として領域情報を含む画像認識と、該機能により処理して得られる結果として画像処理条件を含む画像処理と、該機能により処理して得られる結果として病変位置情報を含む診断支援とのいずれかに関する機械学習を行う前記学習工程と、
前記学習工程による学習結果を評価するための評価用データであって、医用画像と、前記画像認識と前記画像処理と前記診断支援とのそれぞれに関する正解が既知となっている正解データとを含む評価用データを、撮影形態ごとに記憶手段に保持する評価用データ保持工程と、
前記記憶手段に保持されている評価用データのうちの、前記機能の種別と前記医用情報に基づく撮影形態とに応じて選択された評価用データに基づいて、前記画像認識と前記画像処理と前記診断支援とのいずれかに関する機械学習により取得された学習結果を用いて前記評価用データに含まれる医用画像を処理して得た結果と、前記評価用データに含まれる正解データとを互いに対応する画素毎に比較して得た結果を用いて、前記学習結果を評価する評価工程と、を備えることを特徴とする医用情報処理方法。
請求項１乃至１８のいずれか１項に記載された医用情報処理装置の各手段としてコンピュータを機能させるためのプログラム。