JP7545466B2 - プログラム、情報処理方法、情報処理装置及びモデル生成方法 - Google Patents

Description

本発明は、プログラム、情報処理方法、情報処理装置及びモデル生成方法に関する。

超音波を利用して人体内部の超音波画像を生成する画像診断技術がある。例えば特許文献１では、超音波の周波数、フレームレートなどのパラメータの適用値に従って超音波画像を取得する超音波診断装置であって、取得した超音波画像の関心領域の特徴量を抽出して機械学習モデルに入力し、関心領域内の画像情報を最適化するためのパラメータの最適値を予測して、予測した最適値を適用値に設定する超音波診断装置等が開示されている。

特開２０１９－２０９１３０号公報

しかしながら、特許文献１では超音波検査に適用すべき最適なパラメータを予測するのみで、取得済みの超音波画像を所望の周波数の画像に変換することはできない。

一つの側面では、超音波画像診断を好適に支援することができるプログラム等を提供することを目的とする。

一つの側面に係るプログラムは、第１周波数の超音波信号に基づき患者の管腔器官をイメージングした第１画像を取得し、前記第１画像を入力した場合に、第２周波数の超音波信号に基づき前記管腔器官をイメージングした第２画像を生成するよう学習済みのモデルに、取得した前記第１画像を入力して前記第２画像を生成する処理をコンピュータに実行させる。

一つの側面では、超音波画像診断を好適に支援することができる。

画像診断システムの構成例を示す説明図である。 サーバの構成例を示すブロック図である。 生成モデルに関する説明図である。 合成画像に関する説明図である。 画像診断装置における表示画面例を示す説明図である。 生成モデルの生成処理の手順を示すフローチャートである。 第２画像の生成処理の手順を示すフローチャートである。 実施の形態２に係る合成画像の一例を示す説明図である。 実施の形態２に係る第２画像の生成処理の手順を示すフローチャートである。

以下、本発明をその実施の形態を示す図面に基づいて詳述する。
（実施の形態１）
図１は、画像診断システムの構成例を示す説明図である。本実施の形態では、第１周波数の超音波信号に基づき患者の管腔器官をイメージングした超音波断層像（以下、「第１画像」と呼ぶ）から、第２周波数の超音波信号でイメージングした超音波断層像（以下、「第２画像」と呼ぶ）を生成する画像診断システムについて説明する。画像診断システムは、情報処理装置１、画像診断装置２を含む。情報処理装置１及び画像診断装置２は、ＬＡＮ（Local Area Network）、インターネット等のネットワークＮを介して通信接続されている。

画像診断装置２は、患者の管腔器官をイメージングするための装置ユニットであり、例えばカテーテル２１を用いて患者血管内の超音波検査を行うＩＶＵＳ（Intravascular Ultrasound）装置である。画像診断装置２は、カテーテル２１、画像処理装置２２、表示装置２３を備える。カテーテル２１は被検者の血管内に挿入される医用器具であり、パルス信号に基づく超音波を送信すると共に血管内からの反射波を受信するイメージングコアを備える。画像診断装置２は、カテーテル２１で受信した反射波の信号に基づいて血管内の超音波断層像を生成する。画像処理装置２２は、カテーテル２１で受信した反射波のデータを処理して断層像を生成する処理装置であり、生成した断層像を表示装置２３に表示させるほか、検査を行う際の各種設定値の入力を受け付けるための入力インターフェイスなどを備える。

なお、本実施の形態では血管内検査を一例として説明するが、検査対象とする管腔器官は血管に限定されず、例えば胆管、膵管、気管支、腸などのその他の管腔器官であってもよい。また、処理対象とする画像は断層像と呼ばれるものに限定されず、超音波を利用してイメージングされた超音波画像であればよい。

情報処理装置１は、種々の情報処理、情報の送受信が可能な情報処理装置であり、例えばサーバコンピュータ、パーソナルコンピュータ等である。本実施の形態では情報処理装置１がサーバコンピュータであるものとし、以下では簡潔のためサーバ１と読み替える。なお、サーバ１は画像診断装置２と同じ施設（病院等）に設置されたローカルサーバであってもよく、インターネット等を介して画像診断装置２に通信接続されたクラウドサーバであってもよい。サーバ１は、画像診断装置２で生成された第１画像から第２画像を生成する生成装置として機能し、生成した第２画像を画像診断装置２に出力する。具体的には後述のように、サーバ１は、所定の訓練データを学習する機械学習を事前に行い、第１画像を入力として、異なる周波数の第２画像を生成する生成モデル５０（図３等参照）を用意してある。サーバ１は、画像診断装置２から取得した第１画像を生成モデル５０に入力し、生成された第２画像を画像診断装置２に出力して表示させる。

なお、本実施の形態では画像診断装置２とは別体のサーバ１において第２画像を生成するものとするが、サーバ１が機械学習によって生成した生成モデル５０を画像診断装置２（画像処理装置２２）にインストールし、画像診断装置２で第２画像の生成を可能としてもよい。

図２は、サーバ１の構成例を示すブロック図である。サーバ１は、制御部１１、主記憶部１２、通信部１３、及び補助記憶部１４を備える。
制御部１１は、一又は複数のＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）等の演算処理装置を有し、補助記憶部１４に記憶されたプログラムＰを読み出して実行することにより、種々の情報処理、制御処理等を行う。主記憶部１２は、ＳＲＡＭ（Static Random Access Memory）、ＤＲＡＭ（Dynamic Random Access Memory）、フラッシュメモリ等の一時記憶領域であり、制御部１１が演算処理を実行するために必要なデータを一時的に記憶する。通信部１３は、通信に関する処理を行うための通信モジュールであり、外部と情報の送受信を行う。

補助記憶部１４は、大容量メモリ、ハードディスク等の不揮発性記憶領域であり、制御部１１が処理を実行するために必要なプログラムＰ、その他のデータを記憶している。また、補助記憶部１４は、生成モデル５０を記憶している。生成モデル５０は、上述の如く訓練データを学習済みの機械学習モデルであり、第１画像を入力として、第１画像を変換した第２画像を生成するモデルである。生成モデル５０は、人工知能ソフトウェアを構成するプログラムモジュールとしての利用が想定される。

なお、補助記憶部１４はサーバ１に接続された外部記憶装置であってもよい。また、サーバ１は複数のコンピュータからなるマルチコンピュータであっても良く、ソフトウェアによって仮想的に構築された仮想マシンであってもよい。

また、本実施の形態においてサーバ１は上記の構成に限られず、例えば操作入力を受け付ける入力部、画像を表示する表示部等を含んでもよい。また、サーバ１は、ＣＤ（Compact Disk）、ＤＶＤ（Digital Versatile Disc）、ＵＳＢ（Universal Serial Bus）メモリ等の可搬型記憶媒体１ａを読み取る読取部を備え、可搬型記憶媒体１ａからプログラムＰを読み取って実行するようにしても良い。あるいはサーバ１は、半導体メモリ１ｂからプログラムＰを読み込んでも良い。

図３は、生成モデル５０に関する説明図である。図３に基づき、生成モデル５０の概要を説明する。

生成モデル５０は、画像診断装置２でイメージングされた第１画像を入力として、第１画像の周波数を変換した第２画像を生成する機械学習モデルである。本実施の形態では、生成モデル５０としてＧＡＮ（Generative Adversarial Network）を用いる。ＧＡＮは、入力データから出力データを生成する生成器（Generator）と、生成器が生成したデータの真偽を識別する識別器（Discriminator）とを備え、生成器及び識別器が競合して学習を行うことでネットワークを構築する。

ＧＡＮに係る生成器は、ランダムなノイズ（潜在変数）の入力を受け付け、出力データを生成する。識別器は、学習用に与えられる真のデータと、生成器から与えられるデータとを用いて、生成器から与えられたデータの真偽を学習する。ＧＡＮでは、最終的に生成器の損失関数が最小化し、かつ、識別器の損失関数が最大化するようにネットワークを構築する。

本実施の形態でサーバ１は、訓練用の第１画像及び第２画像を用いて、第１画像から第２画像を生成するＧＡＮを生成モデル５０として生成する。例えばサーバ１はまず、生成器のパラメータ（重み等）を固定した上で訓練用の第１医用画像を生成器に入力し、第２医用画像を生成する。そしてサーバ１は、生成器が生成した第２医用画像を偽のデータとし、訓練用の第２医用画像を真のデータとして識別器に与え、識別器のパラメータを最適化する。次にサーバ１は、識別器のパラメータを最適値に固定し、生成器の学習を行う。サーバ１は、生成器が生成した第２医用画像を識別器に入力した場合に、真偽の確率が５０％に近似するよう生成器のパラメータを最適化する。これにより、サーバ１は生成モデル５０を生成する。実際に第１医用画像から第２医用画像を生成する場合は生成器のみを用いる。

なお、生成モデル５０はＧＡＮに限定されず、ＶＡＥ（Variational Autoencoder）、Ｕ－ｎｅｔ等のニューラルネットワーク、あるいは他の学習アルゴリズムに基づくモデルであってもよい。

本実施の形態においてサーバ１は、周波数変換用の生成モデル５０としてＳｔａｒＧＡＮを生成する。ＳｔａｒＧＡＮは、複数のドメイン間でデータの相互変換を行うモデルである。ＳｔａｒＧＡＮの生成器は、一のドメインのデータと、目標とする他のドメインを示すラベルとを入力として受け付け、当該他のドメインのデータを生成する。また、識別器は、生成器が生成したデータの真偽と、当該データのドメインとを識別する。ＳｔａｒＧＡＮでは、生成器が生成したデータの真偽を評価するための損失関数（Adversarial Loss）と、ドメインのクラス分類に関する損失関数（Domain Class Loss）と、生成したデータの元のドメインへの逆変換を保証するための損失関数（Reconstruction Loss）とを用いて学習を行い、生成器及び識別器のパラメータを最適化する。

サーバ１は、少なくとも３以上の複数の超音波周波数をＳｔａｒＧＡＮの各ドメインとして、生成モデル５０を生成する。例えばサーバ１は、４０、４５、５０、５５、及び６０ＭＨｚを各ドメインに対応する超音波周波数として、いずれかの周波数の超音波断層像を他の周波数の超音波断層像に変換する生成モデル５０を生成する。サーバ１は、各周波数の超音波断層像を含む訓練データを用いて学習を行い、一の周波数の超音波断層像と、目標とする他の周波数を示すクラスラベルとを入力として、当該他の周波数に対応する超音波断層像を生成する生成モデル５０を生成する。

なお、上記では生成モデル５０の一例としてＳｔａｒＧＡＮを挙げたが、ＣｙｃｌｅＧＡＮなど、その他のネットワーク構造のＧＡＮであってもよい。また、生成モデル５０を複数の周波数の間の相互変換を可能なモデルとする構成は必須ではなく、単一の周波数のみ変換可能なモデルとしてもよい。

サーバ１は、上記の生成モデル５０を用いて第１画像を第２画像に変換する。例えばサーバ１は、超音波断層像の高解像度化のため、低周波数の第１画像を高周波数の第２画像に変換する。一般的に、カテーテル２１から送信する超音波を高周波数とすることで、超音波断層像の分解能が上がり、血管の内腔境界が明瞭になって読影しやすくなる。そこでサーバ１は、低周波数の第１画像を生成モデル５０に入力し、高周波数の第２画像を生成することで、超音波断層像の高解像度化を行う。

一方で、超音波信号を高周波数とした場合、媒質中を伝番する際に信号が減衰しやすくなる。この場合、カテーテル２１からの距離が長くなるほど反射波を受信しづらくなるため、血管の深さ方向の情報が乏しくなるという欠点もある。そこでサーバ１は、以下のように、低周波数の第１画像と高周波数の第２画像とを組み合わせた合成画像を生成し、ユーザに提示する。

なお、本実施の形態では高解像度化のために低周波数の第１画像から高周波数の第２画像を生成するものとするが、高周波数の第１画像から低周波数の第２画像を生成してもよい。このように、第１周波数を第２周波数よりも低周波数とする構成は必須ではなく、第１周波数と異なる第２周波数の画像を生成可能であればよい。

図４は、合成画像に関する説明図である。図４では、画像の中心点から所定距離内の領域を第２画像とし、他の領域を元の第１画像とした合成画像を生成する様子を概念的に図示している。なお、図４では便宜上、第２画像に対応する画像領域と他の領域との境界を太線で図示する。図４に基づき、合成画像について説明する。

サーバ１は、生成モデル５０で生成した第２画像の一部の画像領域を第１画像に重畳し、合成画像を生成する。具体的には、サーバ１は、血管の内腔領域に相当する画像中心点から所定距離内の画像領域を第２画像から抽出し、第１画像に重畳する。このように、サーバ１は、内腔領域を高解像度とし、その他の領域を低解像度とした超音波断層像を生成し、ユーザに提示する。

この場合にサーバ１は、第２周波数の高低に応じて中心点からの距離を定めることで、第２画像から抽出する画像領域を変動させると好適である。具体的には、サーバ１は、第２周波数が高いほど中心点からの距離を短く設定し、当該距離内の画像領域を抽出する。これにより、高周波数になるほど減衰しやすくなるという特性に照らして、適切な範囲を高解像度の第２画像に置換することができる。

なお、上記では生成モデル５０が生成した第２画像から一部の画像領域を抽出する（切り出す）ものとして説明したが、本実施の形態はこれに限定されるものではない。例えばサーバ１は、中心点から所定距離内の領域のみの画像を生成するように生成モデル５０に学習させ、当該領域のみの第２画像を生成するようにしてもよい。この場合、サーバ１は、訓練用の第２画像として、第１画像の一部の画像領域のみに対応する画像を生成モデル５０に与え、学習させる。これにより、生成モデル５０は、所望の画像領域のみの第２画像を生成することができる。

あるいはサーバ１は、第１画像を入力として、第１画像の一部の画像領域を第２周波数に変換した合成画像を第２画像として直接的に生成するよう生成モデル５０に学習させてもよい。この場合、サーバ１は、訓練用の第２画像として、第１画像の一部に第２周波数の画像を重畳した合成画像を生成モデル５０に与え、学習させる。これにより、生成モデル５０は、合成画像を直接的に生成することができる。

このように、サーバ１は、第１画像の少なくとも一部の画像領域を第２周波数に変換した第２画像を生成可能であればよく、全ての範囲の第２画像を生成する構成は必須ではない。

図５は、画像診断装置２における表示画面例を示す説明図である。図５では、超音波検査時に画像診断装置２が表示する画面例を図示している。例えばサーバ１は、検査時に画像診断装置２から第１画像を逐次取得し、リアルタイムで合成画像を逐次生成し、図５に示す画面に表示させる。

なお、本実施の形態では検査時にリアルタイムで画像生成を行うものとするが、録画された超音波断層像（第１画像）を事後的に生成モデル５０に入力して第２画像を生成してもよいことは勿論である。

例えば画像診断装置２は、第１周波数（図５では「測定周波数」と記載）を画面左側のメニューバーに表示すると共に、第２周波数（図５では「目標周波数」と記載）を設定するための周波数設定欄５０１を表示する。周波数設定欄５０１は、第２周波数の設定入力を受け付けるための入力欄である。画像診断装置２は、周波数設定欄５０１を介して、第１周波数を第２周波数に変更する設定変更を受け付ける。

周波数の設定変更を受け付けた場合、サーバ１は、画像診断装置２から逐次取得する第１画像を生成モデル５０に順次入力し、第２画像の生成を開始する。サーバ１は、周波数設定欄５０１で設定された第２周波数（クラスラベル）を第１画像と併せて生成モデル５０に入力し、第２画像を生成する。サーバ１は、生成した第２画像の一部の画像領域を第１画像に重畳して合成画像を生成し、画像診断装置２に出力する。

画像診断装置２は、サーバ１から出力された合成画像を断層像５０２として表示する。この場合、画像診断装置２は、第２画像に対応する画像領域を識別可能なように、当該画像領域の表示態様を、他の画像領域と異なる表示態様で表示すると好適である。例えば画像診断装置２は、断層像５０２と対応付けて表示変更ボタン５０３を表示し、表示変更ボタン５０３により表示変更がＯＮに設定されている場合、第２画像に対応する画像領域の表示色を変更する。なお、表示色の変更以外に、例えば太線で示す領域境界の強調表示などを行ってもよい。このように、サーバ１において変換された画像領域を識別可能とすることで、画像診断をより好適に支援することができる。

図６は、生成モデル５０の生成処理の手順を示すフローチャートである。図６に基づき、機械学習により生成モデル５０を生成する際の処理内容について説明する。
サーバ１の制御部１１は、複数の周波数それぞれの超音波断層像を含む訓練データを取得する（ステップＳ１１）。制御部１１は訓練データに基づき、一の周波数の超音波断層像を入力した場合に、他の周波数の超音波断層像を生成する生成モデル５０を生成する（ステップＳ１２）。具体的には上述の如く、制御部１１はＳｔａｒＧＡＮを生成モデル５０として生成する。制御部１１は一連の処理を終了する。

図７は、第２画像の生成処理の手順を示すフローチャートである。図７に基づき、第２画像を生成する際の処理内容について説明する。
サーバ１の制御部１１は、例えば超音波検査の開始時に、画像診断装置２からの要求を受けて一連の処理を開始する。制御部１１は、第１周波数の超音波信号に基づいて患者の管腔器官をイメージングした第１画像を画像診断装置２から取得する（ステップＳ３１）。具体的には上述の如く、制御部１１は、患者の血管内の超音波断層像を取得する。

制御部１１は、超音波信号の周波数を第１周波数から第２周波数に変更する設定変更を受け付ける（ステップＳ３２）。設定変更を受け付けた場合、制御部１１は生成モデル５０に基づく処理を開始し、ステップＳ１１で取得した第１画像を生成モデル５０に入力して、第２周波数の超音波信号でイメージングした場合の第２画像を生成する（ステップＳ３３）。具体的には上述の如く、制御部１１は、画像診断装置２から取得した第１画像と、目標とする第２周波数（クラスラベル）とを生成モデル５０に入力し、第２画像を生成する。

制御部１１は、生成した第２画像から一部の画像領域を抽出する（ステップＳ３４）。具体的には、制御部１１は、生成した第２画像に係る第２周波数に応じた距離で、画像中心点から所定距離内の画像領域を抽出する。制御部１１は、抽出した画像領域を第１画像に重畳した合成画像を生成する（ステップＳ３５）。制御部１１は、生成した合成画像を画像診断装置２に出力する（ステップＳ３６）。

制御部１１は、画像診断装置２における超音波検査が終了したか否か判定する（ステップＳ３７）。検査が終了していないと判定した場合（Ｓ３７：ＮＯ）、制御部１１は処理をステップＳ３１に戻す。この場合、制御部１１はステップＳ３１～Ｓ３６の処理を繰り返し、画像診断装置２から第１画像を逐次取得して生成モデル５０に入力し、第２画像を順次生成して合成画像を出力する。検査が終了したと判定した場合（Ｓ３７：ＹＥＳ）、制御部１１は一連の処理を終了する。

以上より、本実施の形態１によれば、所望の周波数の超音波断層像を得ることができ、超音波検査を好適に支援することができる。

また、本実施の形態１によれば、第１画像と第２画像とを組み合わせた合成画像を得ることができ、高解像度化と深さ方向の情報の把握とを両立させることができる。

また、本実施の形態１によれば、第１画像に重畳した第２画像の領域の表示態様を変更することで、生成モデル５０を用いて加工された部分を明示することができる。

また、本実施の形態１によれば、複数の周波数の間で画像の相互変換を行う生成モデル５０を利用することで、ユーザが選択した任意の周波数の第２画像を生成することができる。

（実施の形態２）
実施の形態１では、第１画像に対し、一種類の第２画像を重畳した合成画像を生成する形態について説明した。本実施の形態では、複数の第２周波数それぞれに対応する第２画像を生成し、第１画像に重畳する形態について説明する。

図８は、実施の形態２に係る合成画像の一例を示す説明図である。図８では、複数の第２周波数それぞれに対応する複数の第２画像が第１画像に重畳される様子を概念的に図示している。図８に基づき、本実施の形態の概要を説明する。

画像診断装置２から第１画像を取得した場合、サーバ１は、取得した第１画像を生成モデル５０に入力して、複数の第２周波数それぞれに対応する複数の第２画像を生成する。例えばサーバ１は、第２周波数とする複数の周波数の設定入力をユーザから受け付け、設定された各周波数に対応する各第２画像を生成する。なお、例えばサーバ１は、ユーザから設定入力を受け付けることなく、生成モデル５０が生成可能な複数の周波数のうち、第１画像に係る第１周波数よりも高い複数の周波数を第２周波数として自動的に選択してもよい。

サーバ１は、生成した複数の第２画像それぞれから一部の画像領域を抽出する。具体的には実施の形態１と同様に、サーバ１は、第２周波数の高低に応じて中心点からの距離を定め、中心点から当該距離内の画像領域を抽出する。サーバ１は、複数の第２画像それぞれの第２周波数に基づいて中心点からの距離を定め、高周波数であるほど中心点からの距離が短くなるように、各第２画像から異なる距離で画像領域を抽出する。

サーバ１は、各第２画像から抽出した各画像領域を第１画像に重畳し、合成画像を生成する。例えばサーバ１は、第２周波数が低いほど画像背面側に配置されるように、第２周波数の高低に応じて配置順序を定める。サーバ１は、低周波数の第２画像から抽出した画像領域から順に第１画像に重畳し、合成画像を生成する。上述の処理により、画像中心から外側に向かうほど低解像度となるように、周波数を連続的に変換した合成画像が生成される。

図９は、実施の形態２に係る第２画像の生成処理の手順を示すフローチャートである。画像診断装置２から第１周波数に係る第１画像を取得した後（ステップＳ３１）、サーバ１は以下の処理を実行する。
サーバ１の制御部１１は、目標とする複数の第２周波数を設定する設定入力を受け付ける（ステップＳ３０１）。制御部１１は、第１画像を生成モデル５０に入力して、設定された複数の第２周波数それぞれに対応する複数の第２画像を生成する（ステップＳ３０２）。具体的には、制御部１１は、第１周波数よりも高い複数の第２周波数それぞれの第２画像を生成する。

制御部１１は、生成した複数の第２画像それぞれから一部の画像領域を抽出する（ステップＳ３０３）。具体的には、制御部１１は、各第２画像に対応する各第２周波数に基づいて中心点からの距離を設定し、異なる距離で中心点からの画像領域を抽出する。

制御部１１は、複数の第２画像それぞれから抽出した複数の画像領域を第１画像に重畳し、合成画像を生成する（ステップＳ３０４）。具体的には、制御部１１は、第２周波数が低いほど画像背面側に配置されるように、第２周波数の高低に応じた順序で各第２画像から抽出した画像領域を第１画像に重畳する。制御部１１は処理をステップＳ３６に移行する。

以上より、本実施の形態２によれば、画像中心から外側に向けて解像度を連続的に変換した合成画像を得ることができる。

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、上記した意味ではなく、請求の範囲によって示され、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。

１ サーバ（情報処理装置）
１１ 制御部
１２ 主記憶部
１３ 通信部
１４ 補助記憶部
１ａ 可搬型記憶媒体
１ｂ 半導体メモリ
２ 画像診断装置
２１ カテーテル
２２ 画像処理装置
２３ 表示装置
５０ 生成モデル
５０１ 周波数設定欄
５０２ 断層像
５０３ 表示変更ボタン
Ｎ ネットワーク
Ｐ プログラム

Claims (11)

1. 第１周波数の超音波信号に基づき患者の管腔器官をイメージングした第１画像を取得し、
   前記第１画像を入力した場合に、第２周波数の超音波信号に基づき前記管腔器官をイメージングした第２画像を生成するよう学習済みのモデルに、取得した前記第１画像を入力して前記第２画像を生成する
   処理をコンピュータに実行させるプログラム。
2. 前記モデルを用いて、前記第１画像の一部の画像領域を前記第２周波数に変換した前記第２画像を生成し、
   前記第１画像に前記第２画像を重畳した合成画像を生成する
   請求項１に記載のプログラム。
3. 前記第１画像は、前記患者の血管内をイメージングした超音波断層像であり、
   前記モデルを用いて、前記第１画像の中心点から所定距離内の画像領域を前記第２周波数に変換した前記第２画像を生成する
   請求項２に記載のプログラム。
4. 前記第２周波数に応じて前記中心点からの距離が異なる画像領域を変換した前記第２画像を生成する
   請求項３に記載のプログラム。
5. 重畳した前記第２画像に係る画像領域を、前記第１画像に係る画像領域とは異なる表示態様で示す前記合成画像を生成する
   請求項２～４のいずれか１項に記載のプログラム。
6. 前記モデルは、少なくとも３以上の周波数のうち、一の周波数に係る前記第１画像を入力した場合に他の周波数に係る前記第２画像を生成するよう学習済みのモデルであり、
   前記第１画像と、前記第２周波数とを前記モデルに入力して、該第２周波数に対応する前記第２画像を生成する
   請求項１～５のいずれか１項に記載のプログラム。
7. 複数の周波数から前記第２周波数を選択する選択入力を受け付け、
   選択された前記第２周波数を前記モデルに入力して、該第２周波数に対応する前記第２画像を生成する
   請求項１～５のいずれか１項に記載のプログラム。
8. 前記管腔器官の検査時に前記第１画像を逐次取得し、
   前記第１周波数を前記第２周波数に変更する設定変更を受け付け、
   設定変更を受け付けた場合、逐次取得する前記第１画像を前記モデルに入力して前記第２画像の生成を開始する
   請求項１～７のいずれか１項に記載のプログラム。
9. 第１周波数の超音波信号に基づき患者の管腔器官をイメージングした第１画像を取得し、
   前記第１画像を入力した場合に、第２周波数の超音波信号に基づき前記管腔器官をイメージングした第２画像を生成するよう学習済みのモデルに、取得した前記第１画像を入力して前記第２画像を生成する
   処理をコンピュータが実行する情報処理方法。
10. 第１周波数の超音波信号に基づき患者の管腔器官をイメージングした第１画像を取得する取得部と、
    前記第１画像を入力した場合に、第２周波数の超音波信号に基づき前記管腔器官をイメージングした第２画像を生成するよう学習済みのモデルに、取得した前記第１画像を入力して前記第２画像を生成する生成部と
    を備える情報処理装置。
11. 第１周波数及び第２周波数の超音波信号に基づき患者の管腔器官を夫々イメージングした第１画像及び第２画像を含む訓練データを取得し、
    前記訓練データに基づき、前記第１画像を入力した場合に前記第２画像を生成する学習済みモデルを生成する
    処理をコンピュータが実行するモデル生成方法。

Images