JP7828231B2 - 超音波時系列データ処理装置及び超音波時系列データ処理プログラム - Google Patents

Description

本明細書は、超音波時系列データ処理装置及び超音波時系列データ処理プログラムを開示する。

従来、被検体内の同一位置（超音波プローブから見て同一方向）に対して超音波の送受波を複数回繰り返し、それにより得られた時系列の受信ビームデータ列である時系列データを画像化又は解析することが行われている。

時系列データを画像化したものとしては、例えば、横軸を時間、縦軸を深度とし、時間軸方向に延びる輝度ラインによって組織の深度方向への動きの様子が示されたＭモード画像、あるいは、送信した超音波の周波数と受信した超音波の周波数との差分に基づいて被検部位又は被検部位内を流れる血流の速度を演算し、横軸を時間、縦軸を速度としたドプラ波形画像などが含まれる。

特許文献１には、時系列データを解析する方法として、非侵襲的手法でありながら、血管疾患、特に動脈硬化、血管狭窄、及び動脈瘤を高精度で判定する方法であって、拍動する被験体の血管壁に対して超音波（振動数ｆ）を送波することで振動数がｆ_０に変化した反射エコーを受信し、当該反射エコーに対してウェーブレット変換を施してウェーブレットスペクトルを取得し、当該ウェーブレットスペクトルをモード分解してモード別のスペクトルを取得し、ウェーブレット逆変換により時間軸にあるモード別の波形を取得し、モード毎にノルム値を算出し、正常個体から得られたノルム分布と比較することで、血管疾患の有無、あるいは、特定の血管疾患の罹患率を判定する方法が開示されている。

国際公開第２０１２／００８１７３号

上述のように、従来、時系列データを解析して疾患を判定することが行われていたが、その判定のための演算量が多くなってしまうという問題があった。例えば、上述の特許文献１においては、ウェーブレット変換によってウェーブレットスペクトルを取得し、当該ウェーブレットスペクトルをモード分解してモード別のスペクトルを取得し、ウェーブレット逆変換により時間軸にあるモード別の波形を取得し、モード毎にノルム値を算出し、正常個体から得られたノルム分布と比較するという種々の処理が必要となっている。

本明細書で開示される超音波時系列データ処理装置の目的は、被検体内の同一位置に対して超音波の送受波を複数回繰り返すことで得られた時系列データに基づいて、当該時系列データが示す疾患を予測するための演算量を低減させることにある。

本明細書で開示される超音波時系列データ処理装置は、疾患を有する被検部位内の同一位置に対する超音波の送受波を複数回繰り返し行って、当該被検部位又は当該被検部位内を流れる血液からの反射波に基づいて生成された、信号の時間変化を示す時系列データである学習用時系列データと、当該被検部位が有する疾患を示す情報との組み合わせを学習データとして用いて、入力された前記時系列データに基づいて当該時系列データが示す疾患を予測して出力するように学習された疾患予測学習器に対して、対象被検部位内の同一位置に対する超音波の送受波を複数回繰り返し行うことで生成された前記時系列データである対象時系列データを入力し、当該入力に対する前記疾患予測学習器の出力に基づいて、前記対象時系列データが示す疾患を予測する疾患予測部と、前記疾患予測部の予測結果をユーザに通知する通知部と、を備えることを特徴とする。

当該構成によれば、疾患予測部は、対象時系列データを学習済みの疾患予測学習器に入力すれば、疾患予測学習器の出力に基づいて、当該対象時系列データが示す疾患を予測することができる。これにより、従来に比して、対象時系列データが示す疾患を予測するための演算量が低減される。

前記疾患予測学習器は、入力された前記時系列データに基づいて、複数の疾患それぞれについての当該時系列データが該当する可能性を出力するように学習され、前記疾患予測部は、前記疾患予測学習器に前記対象時系列データを入力して、複数の疾患それぞれについての前記対象時系列データが該当する可能性を予測し、前記通知部は、複数の疾患それぞれについての前記対象時系列データが該当する可能性を前記ユーザに通知するとよい。

当該構成によれば、従来に比して、複数の疾患それぞれについての対象時系列データが該当する可能性を予測するための演算量が低減されると共に、ユーザは、複数の疾患それぞれについての対象時系列データが該当する可能性を把握することができる。

前記通知部は、前記複数の疾患のうち、前記対象時系列データが該当する可能性が最も高かった疾患を表示部に強調表示するとよい。

当該構成によれば、ユーザは、対象時系列データが該当する可能性が最も高い疾患を容易に把握することができる。

前記疾患予測部は、前記対象時系列データが示す疾患の予測に先立って、前記対象被検部位がどの部位であるかを特定し、特定した部位にさらに基づいて、前記対象時系列データが示す疾患を予測するとよい。

当該構成によれば、疾患予測学習器の出力精度が向上されることで、対象時系列データが示す疾患の予測精度を向上させることができる。

前記対象被検部位及び前記被検部位は、脈動する部位であり、前記対象時系列データ及び前記学習用時系列データは、前記対象被検部位及び前記被検部位の脈動周期における同一期間に対応する前記時系列データであるとよい。

当該構成によれば、脈動周期における学習用時系列データと対象時系列データとの期間が同一となることで疾患予測学習器の出力精度が向上され、これにより対象時系列データが示す疾患の予測精度を向上させることができる。

前記対象時系列データを生成する時系列データ生成部と、をさらに備え、前記疾患予測部は、前記時系列データ生成部による前記対象時系列データの生成に対して、リアルタイムに、前記対象時系列データが示す疾患を予測し、前記通知部は、前記疾患予測部による前記対象時系列データが示す疾患の予測に対して、リアルタイムに、前記疾患予測部の予測結果を前記ユーザに通知するとよい。

本明細書で開示される超音波時系列データ処理装置においては、対象時系列データが示す疾患を予測するための演算量が低減され、これにより演算時間も低減される。したがって、当該構成のように、リアルタイムに疾患の予測結果をユーザに通知する場合、対象時系列データの取得時点に対する予測結果の通知の遅延を低減することができる。

また、本明細書で開示される超音波時系列データ処理プログラムは、コンピュータを、疾患を有する被検部位内の同一位置に対する超音波の送受波を複数回繰り返し行って、当該被検部位又は当該被検部位内を流れる血液からの反射波に基づいて生成された、信号の時間変化を示す時系列データである学習用時系列データと、当該被検部位が有する疾患を示す情報との組み合わせを学習データとして用いて、入力された前記時系列データに基づいて当該時系列データが示す疾患を予測して出力するように学習された疾患予測学習器に対して、対象被検部位内の同一位置に対する超音波の送受波を複数回繰り返し行うことで生成された前記時系列データである対象時系列データを入力し、当該入力に対する前記疾患予測学習器の出力に基づいて、前記対象時系列データが示す疾患を予測する疾患予測部と、前記疾患予測部の予測結果をユーザに通知する通知部と、として機能させることを特徴とする。

本明細書で開示される超音波時系列データ処理装置によれば、被検体内の同一位置に対して超音波の送受波を複数回繰り返すことで得られた時系列データに基づいて、当該時系列データが示す疾患を予測するための演算量を低減させることができる。

本実施形態に係る超音波診断装置のブロック図である。 受信ビームデータと受信フレームデータとの関係を示す概念図である。 疾患予測学習器の学習処理の様子を示す概念図である。 疾患予測学習器を用いた予測処理の様子を示す概念図である。 疾患予測部の予測結果を通知する通知画面の第１の例を示す図である。 疾患予測部の予測結果を通知する通知画面の第２の例を示す図である。 本実施形態に係る超音波診断装置の処理の流れを示すフローチャートである。

図１は、本実施形態に係る超音波時系列データ処理装置としての超音波診断装置１０のブロック図である。超音波診断装置１０は、病院などの医療機関に設置され、超音波検査時に使用される医用装置である。

超音波診断装置１０は、Ｂモード、ドプラモード、及びＭモードを含む複数の動作モードで動作可能となっている。Ｂモードとは、超音波ビーム（送信ビーム）が走査されて得られた複数の受信ビームデータから構成される受信フレームデータに基づいて、走査面からの反射波の振幅強度が輝度に変換された断層画像（Ｂモード画像）を生成して表示するモードである。ドプラモードは、被検体内において設定された観察ラインにおける送信波と反射波の周波数の差分に基づいて、観察ラインにおける組織の運動速度を示す波形（ドプラ波形）を生成して表示するモードである。ドプラモードには連続波モード、パルスドプラモード、カラードプラモード、あるいはティッシュドプラモードが含まれていてよい。Ｍモードとは、被検体内において設定された観察ラインに対応する受信ビームデータに基づいて、当該観察ライン上の組織運動を表すＭモード画像を生成して表示するモードである。本実施形態は、特に、超音波診断装置１０がドプラモード又はＭモードで動作する場合に着目する。

超音波プローブであるプローブ１２は、超音波の送信及び反射波の受信を行うデバイスである。具体的には、プローブ１２は、被検体の体表に当接され、被検体に向けて超音波を送信し、被検体内の組織において反射した反射波を受信する。プローブ１２内には、複数の振動素子からなる振動素子アレイが設けられている。振動素子アレイに含まれる各振動素子には、後述の送信部１４から電気信号である送信信号が供給され、これにより、超音波ビーム（送信ビーム）が生成される。また、振動素子アレイに含まれる各振動素子は、被検体からの反射波を受信し、反射波を電気信号である受信信号に変換して後述の受信部１６に送信する。

送信部１４は、超音波の送信時において、後述のプロセッサ３４の制御に応じて、複数の送信信号をプローブ１２（詳しくは振動素子アレイ）に対して並列的に供給する。これにより振動素子アレイから超音波が送信される。

ドプラモード又はＭモードにおいては、医師や検査技師などのユーザによって決定された、被検体の被検部位内の同一位置に対して、プローブ１２が送信ビームの送信を複数回繰り返し行うように、送信部１４は送信信号をプローブ１２に供給する。換言すれば、プローブ１２が被検部位内の同一位置に向かう方向への送信ビームの送信を複数回繰り返し行うように、送信部１４は送信信号をプローブ１２に供給する。なお、Ｂモードにおいては、プローブ１２から送信される送信ビームが走査面内において電子走査されるように、送信部１４は送信信号をプローブ１２に供給する。あるいは、時分割スキャンを行って、送信ビームを走査面内において電子走査している間に、ユーザによって決定された同一位置への送信ビームの送信を繰り返すようにすることもできる。

受信部１６は、反射波の受信時において、プローブ１２（詳しくは振動素子アレイ）からの複数の受信信号を並列的に受け取る。受信部１６では、複数の受信信号に対する整相加算（遅延加算）が実施され、これにより受信ビームデータが生成される。

ドプラモード又はＭモードにおいては、プローブ１２が被検部位内の同一位置に対する送信ビームの送信を複数回繰り返したことによって、受信部１６は、当該被検部位又は当該被検部位内を流れる血液からの複数の反射波を受信し、複数の反射波に基づいて時系列の受信ビームデータ列を生成する。なお、Ｂモードにおいては、受信部１６は、走査方向に並ぶ複数の受信ビームデータにより受信フレームデータを構成する。

図２は、受信ビームデータＢＤと受信フレームデータＦとの関係を示す概念図である。ドプラモード又はＭモードにおいては、ユーザにより指定された位置（方向）に向けて超音波の送受信が行われる。これにより、時系列の複数の受信ビームデータＤＢ（つまり受信ビームデータ列）が生成される。受信ビームデータＤＢは、各深度からの反射波の強度及び周波数を示す情報を有している。Ｂモードにおいては、送信ビームが走査方向θに走査されて走査方向θに並ぶ複数の受信ビームデータによって受信フレームデータＦが生成される。

ドプラモードにおいては、受信ビームデータ列はドプラ処理部１８に送られ、Ｍモードにおいては、受信ビームデータ列はビームデータ処理部２０に送られる。

図１に戻り、ドプラ処理部１８は、ドプラモードにおいて、受信部１６からの受信ビームデータ列に基づいて、被検部位又は被検部位内を流れる血液の速度の時間変化を示す、時系列データとしてのドプラデータを生成する。具体的には、ドプラ処理部１８は、各受信ビームデータについて、参照周波数（送信周波数）を掛け合わせ、ローパスフィルタを通してドプラ偏移を取り出す直交検波、サンプルボリュームの位置の信号のみを取り出すサンプルゲート処理（パルスドプラモードの場合）、信号のＡ／Ｄ変換、及び、高速フーリエ変換法（ＦＦＴ法）による周波数分析などの処理を行うことでドプラデータを生成する。生成されたドプラデータは、画像生成部２２及びプロセッサ３４に送られる。ドプラモードの場合、受信部１６及びドプラ処理部１８が時系列データ生成部に相当する。

ビームデータ処理部２０は、Ｍモードにおいて、受信部１６からの受信ビームデータ列に対して、ゲイン補正処理、対数増幅処理、及びフィルタ処理などの各種信号処理を行う。処理後の受信ビームデータ列は、画像生成部２２及びプロセッサ３４に送られる。本実施形態では、Ｍモードにおいて、ビームデータ処理部２０による処理後の受信ビームデータ列が、被検部位の位置の時間変化を示す時系列データに相当する。この場合、受信部１６及びビームデータ処理部２０が時系列データ生成部に相当する。なお、Ｂモードにおいても、ビームデータ処理部２０は、受信部１６からの受信フレームデータに対して上記の各種信号処理を行う。

画像生成部２２は、デジタルスキャンコンバータにより構成され、座標変換機能、画素補間機能、フレームレート変換機能などを備えている。

ドプラモードにおいては、画像生成部２２は、ドプラ処理部１８からのドプラデータに基づいて、ドプラ波形画像を生成する。ドプラ波形は、時間と速度の２次元平面上に示される波形であり、受信ビームデータ列に対応する観測ライン上の被検部位又は被検部位内を流れる血液の速度の時間変化が示されたものである。

Ｍモードにおいては、画像生成部２２は、ビームデータ処理部２０からの受信ビームデータ列に基づいて、Ｍモード画像を生成する。Ｍモード画像は、時間と深度の２次元平面上に示される波形であり、受信ビームデータ列に対応する観測ライン上の被検部位の位置の時間変化が示されたものである。

なお、Ｂモードにおいては、画像生成部２２は、ビームデータ処理部２０からの受信フレームデータに基づいて、反射波の振幅（強度）が輝度で表されたＢモード画像を生成する。

表示制御部２４は、画像生成部２２で生成された、ドプラ波形画像、Ｍモード画像、あるいはＢモード画像などの各種画像を、例えば液晶パネルなどにより構成される表示部としてのディスプレイ２６に表示させる。また、表示制御部２４は、後述の疾患予測部３６による予測結果をディスプレイ２６に表示させる。

なお、送信部１４、受信部１６、ドプラ処理部１８、ビームデータ処理部２０、画像生成部２２、表示制御部２４の各部は、１又は複数のプロセッサ、チップ、電気回路などによって構成されている。各部がハードウェアとソフトウエアとの協働により実現されてもよい。

入力インターフェース２８は、例えばボタン、トラックボール、あるいはタッチパネルなどから構成される。入力インターフェース２８は、ユーザの指示を超音波診断装置１０に入力するためのものである。

メモリ３０は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、ｅＭＭＣ（embedded Multi Media Card）、ＲＯＭ（Read Only Memory）あるいはＲＡＭ（Random Access Memory）などを含んで構成される。メモリ３０には、超音波診断装置１０の各部を動作させるための超音波時系列データ処理プログラムが記憶される。なお、超音波時系列データ処理プログラムは、ＵＳＢ（Universal Serial Bus）メモリ又はＣＤ－ＲＯＭなどのコンピュータ読み取り可能な非一時的な記憶媒体に格納することもできる。超音波診断装置１０又は他のコンピュータは、そのような記憶媒体から超音波時系列データ処理プログラムを読み取って実行することができる。また、図１に示される通り、メモリ３０には、疾患予測学習器３２が記憶される。

疾患予測学習器３２は、例えば、ＲＮＮ（Recurrent neural network；回帰型ニューラルネットワーク）、ＲＮＮの一種であるＬＳＴＭ（Long Short Term Memory）、ＣＮＮ（Convolutional Neural Network；畳み込みニューラルネットワーク）、あるいは、深層強化学習アルゴリズムを利用したＤＱＮ（Deep Q-Network）などの学習モデルから構成される。疾患予測学習器３２は、疾患を有する被検部位内の同一位置に対する超音波の送受波を複数回繰り返し行って、当該被検部位又は当該被検部位内を流れる血液からの反射波に基づいて生成された時系列データである学習用時系列データと、当該被検部位が有する疾患を示す情報（ラベル）との組み合わせを学習データとして用いて、入力された時系列データに基づいて当該時系列データが示す疾患を予測して出力するように学習されたものである。

図３は、疾患予測学習器３２の学習処理の様子を示す概念図である。例えば、疾患予測学習器３２には、疾患として「狭窄」を有する被検部位に対して超音波の送受信を行って得られた学習用時系列データが疾患予測学習器３２に入力されている。この場合、疾患予測学習器３２は、当該学習用時系列データが示す疾患を予測して出力する。疾患予測学習器３２は、最終段（出力層）にソフトマックス関数などの活性化関数が設けられており、疾患予測学習器３２は、複数の疾患それぞれについての、学習用時系列データが示す可能性（確率）を出力データとして出力する。学習処理を行うコンピュータは、所定の損失関数により、当該出力データと、当該学習用時系列データに付されたラベル（この場合は「狭窄」）との誤差を演算し、当該誤差が小さくなるように、疾患予測学習器３２の各パラメータ（例えば各ニューロンの重みやバイアス）を調整する。このような学習処理を繰り返すことで、疾患予測学習器３２は、入力された時系列データに基づいて、複数の疾患それぞれについての当該時系列データが該当する可能性を高精度に出力できるようになる。

学習用時系列データの対象となる被検部位は脈動する部位である場合がある。その場合、学習用時系列データは、被検部位の脈動周期における所定期間に対応するデータであるとよい。例えば、被検体に装着された心電計から被検体の心電波形を取得し、心電波形におけるＲ波からＲ波の間の期間に取得された受信ビームデータ列に基づく時系列データを学習用時系列データとするとよい。

本実施形態では、学習用時系列データは画像化前のデータ（上述のドプラデータや受信ビームデータ列に相当）であるが、学習用時系列データとしては、ドプラデータや受信ビームデータ列に基づいて画像化されたドプラ波形画像又はＭモード画像（詳しくは、ドプラ波形画像やＭモード画像の特徴を数値化したデータ）であってもよい。

なお、図３には、学習データとして、疾患を示さない時系列データ（正常時）が含まれているが、正常時の時系列データは学習データに含まれていなくてもよい。また、疾患予測学習器３２は、疾患毎に別の学習器が用意されてもよい。その場合、各学習器は、入力された時系列データが、対応する疾患を示す確率を出力するように学習される。

本実施形態では、疾患予測学習器３２は、超音波診断装置１０以外の他のコンピュータによって学習されて、学習済みの疾患予測学習器３２がメモリ３０に記憶される。しかし、超音波診断装置１０により取得される時系列データを学習用時系列データとして、疾患予測学習器３２の学習処理を超音波診断装置１０で行うようにしてもよい。この場合、プロセッサ３４が、疾患予測学習器３２の学習処理を行う学習処理部としての機能を発揮することになる。

図１に戻り、プロセッサ３４は、汎用的な処理装置（例えばＣＰＵ（Central Processing Unit）など）、及び、専用の処理装置（例えばＧＰＵ（Graphics Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、あるいは、プログラマブル論理デバイスなど）の少なくとも１つを含んで構成される。プロセッサ３４としては、１つの処理装置によるものではなく、物理的に離れた位置に存在する複数の処理装置の協働により構成されるものであってもよい。図１に示すように、プロセッサ３４は、メモリ３０に記憶された超音波時系列データ処理プログラムに従って、疾患予測部３６としての機能を発揮する。

図４は、疾患予測学習器３２を用いた予測処理の様子を示す概念図である。疾患予測部３６は、疾患予測の対象となる被検部位（本明細書では「対象被検部位」と呼ぶ）内の同一位置に対する超音波の送受波を複数回繰り返し行うことで得られた時系列データ（本明細書では「対象時系列データ」と呼ぶ）を、学習済みの疾患予測学習器３２に入力する。上述のように、対象時系列データは、受信部１６及びドプラ処理部１８（ドプラモードの場合）、又は、受信部１６及びビームデータ処理部２０（Ｍモードの場合）により生成されるものである。また、対象時系列データとしては、ドプラデータや受信ビームデータ列に基づいて画像化されたドプラ波形画像又はＭモード画像（詳しくは、ドプラ波形画像やＭモード画像の特徴を数値化したデータ）であってもよい。

疾患予測学習器３２は、入力された対象時系列データに基づいて、対象時系列データが示す疾患を予測して、予測結果を示す出力データを出力する。疾患予測部３６は、疾患予測学習器３２の出力データに基づいて、対象時系列データが示す疾患を予測する。上述のように、本実施形態では、疾患予測学習器３２は、複数の疾患それぞれについての、対象時系列データが示す可能性を出力データとして出力可能である。例えば、疾患予測学習器３２は、対象時系列データが疾患Ａを示す可能性として「０．１２（１２％）」を出力し、対象時系列データが疾患Ｂを示す可能性として「０．８３（８３％）」を出力し、対象時系列データが疾患Ｃを示す可能性として「０．０６（６％）」を出力し、・・・対象時系列データが疾患Ｎを示す可能性として「０．０３（３％）」を出力する。このような出力データに基づいて、疾患予測部３６は、複数の疾患それぞれについての、対象時系列データが該当する可能性を予測することができる。

疾患別に複数の疾患予測学習器３２が用意されている場合は、疾患予測部３６は、対象時系列データを複数の疾患予測学習器３２に順次し、複数の疾患予測学習器３２それぞれの出力データに基づいて、複数の疾患それぞれについての対象時系列データが該当する可能性を予測する。

このように、本実施形態においては、疾患予測部３６は、対象時系列データを学習済みの疾患予測学習器３２に入力すれば、疾患予測学習器３２の出力に基づいて、対象時系列データが示す疾患を予測することができる。これにより、従来に比して、対象時系列データが示す疾患を予測するための演算量が低減される。

対象被検部位、及び、学習用時系列データの対象となった被検部位が脈動する部位である場合、対象時系列データ及び学習用時系列データは、対象被検部位及び被検部位の脈動周期における同一期間に対応する時系列データであるとよい。例えば、学習用時系列データが、心電波形におけるＲ波からＲ波の間の期間に取得された受信ビームデータ列に基づく時系列データである場合、疾患予測部３６は、対象時系列データも、心電波形におけるＲ波からＲ波の間の期間に取得された受信ビームデータ列に基づく時系列データとするとよい。脈動周期における学習用時系列データと対象時系列データとの期間が同一となることで、疾患予測学習器３２の出力精度を向上させることができる。すなわち、疾患予測部３６による対象時系列データが示す疾患の予測精度が向上される。

また、疾患予測部３６は、対象時系列データが示す疾患の予測に先立って、対象被検部位がどの部位であるかを特定し、特定した部位にさらに基づいて、対象時系列データが示す疾患を予測するとよい。

対象被検部位がどの部位であるのかの特定は、例えば、対象時系列データに基づいて画像生成部２２が生成した画像（ドプラ波形画像又はＭモード画像）を解析することで特定することができる。時分割スキャンにより時系列データと共に受信フレームデータが取得されている場合には、当該受信フレームデータに基づいて画像生成部２２により生成されたＢモード画像を解析することで、対象被検部位がどの部位であるのかの特定するようにしてもよい。あるいは、疾患予測部３６は、入力インターフェース２８からのユーザ入力に基づいて、対象被検部位がどの部位であるのかの特定してもよい。例えば、ユーザが入力インターフェース２８から入力した超音波診断のための設定（例えばユーザにより選択されたプリセットなど）に基づいて、対象被検部位がどの部位であるのかを特定するようにしてもよい。

疾患予測部３６は、対象被検部位がどの部位であるかを示すパラメータを、対象時系列データと共に疾患予測学習器３２に入力する。これにより、疾患予測学習器３２は、対象被検部がどの部位であるかを考慮しつつ、対象時系列データが示す疾患を予測することが可能になる。例えば、疾患予測学習器３２は、対象被検部位において生じ得ない疾患を除外した上で、対象時系列データが示す疾患を予測することが可能になる。これにより、疾患予測学習器３２の出力精度を向上させることができ、すなわち、疾患予測部３６による対象時系列データが示す疾患の予測精度が向上される。

表示制御部２４は、疾患予測部３６の予測結果をユーザに通知する。すなわち、表示制御部２４は通知部として機能する。なお、本実施形態では、疾患予測部３６の予測結果は、以下に説明するように表示制御部２４によってディスプレイ２６に表示させるが、これに加えて又は代えて、音声出力などによって疾患予測部３６の予測結果がユーザに通知されてもよい。

図５は、ディスプレイ２６に表示された、疾患予測部３６の予測結果を通知する通知画面５０の第１の例を示す図である。通知画面５０においては、対象時系列データに基づいて生成された超音波画像５２、及び、疾患予測部３６の予測結果５４が表示されている。なお、通知画面５０はドプラモードにおけるものであり、超音波画像５２としてドプラ波形画像が表示されているが、もちろん、Ｍモードの場合は、超音波画像５２としてＭモード画像が表示される。

上述のように、疾患予測部３６は、複数の疾患それぞれについての、対象時系列データが該当する可能性を予測可能であるため、表示制御部２４は、複数の疾患それぞれについての対象時系列データが該当する可能性をユーザに通知するとよい。通知画面５０の予測結果５４においては、表示制御部２４は、複数の疾患名（「疾患Ａ」、「疾患Ｂ」、「疾患Ｃ」、・・・、「疾患Ｎ」）を表示すると共に、各疾患についての対象時系列データが該当する可能性をグラフの形で表示している。

図６は、通知画面５０の第２の例を示す図である。図６の通知画面５０に示すように、表示制御部２４は、予測結果５４’において、疾患予測部３６が対象時系列データが該当する可能性を予測した複数の疾患のうち、対象時系列データが該当する可能性が最も高かった疾患を強調表示するとよい。図６の例では、複数の疾患のうち、「疾患Ｂ」が対象時系列データが該当する可能性が最も高いため、予測結果５４’において「疾患Ｂ」が強調表示されている。

強調表示の態様としては、種々の態様が考えられる。例えば、強調表示の対象となる疾患を他の疾患とは異なる色やフォントで表示するようにしてもよい。また、強調表示の対象となる疾患にマーカや網掛けなどを施して表示するようにしてもよい。また、複数の疾患を、対象時系列データが該当する可能性が高い順に並べるようにしてもよい。また、強調表示の対象となる疾患（対象時系列データが該当する可能性が最も高かった疾患）のみを表示するようにしてもよい。

複数の疾患のうち、対象時系列データが該当する可能性が最も高かった疾患を強調表示することで、ユーザは、対象時系列データが該当する可能性の高い疾患を容易に把握することができる。

上述のように、本実施形態においては、従来に比して、対象時系列データが示す疾患を予測するための演算量が低減される。すなわち、対象時系列データが示す疾患の予測をより高速に行うことができる。したがって、疾患予測部３６は、対象時系列データの生成に対して、リアルタイムに、対象時系列データが示す疾患を予測し、表示制御部２４は、疾患予測部３６による対象時系列データが示す疾患の予測に対して、リアルタイムに、疾患予測部３６の予測結果をユーザに通知するとよい。本実施形態によれば、このようなリアルタイム処理をしても、遅延など生じることなく、スムースに疾患予測部３６の予測結果をユーザに通知することができる。

以下、図７に示すフローチャートに従って、本実施形態に係る超音波診断装置１０の処理の流れを説明する。

ステップＳ１０において、入力インターフェース２８からのユーザの指示に応じて、超音波診断装置１０はドプラモード又はＭモードを開始する。

ステップＳ１２において、ドプラモードの場合、ドプラ処理部１８は、受信部１６からの受信ビームデータ列に基づいて、対象時系列データとしてのドプラデータを生成する。Ｍモードの場合、ビームデータ処理部２０は、対象時系列データとしての、各種信号処理が施された受信ビームデータ列を生成する。

ステップＳ１４において、疾患予測部３６は、ステップＳ１２で生成された対象時系列データ（ドプラデータ又は受信ビームデータ列）を学習済みの疾患予測学習器３２に入力する。そして、疾患予測部３６は、対象時系列データに対する疾患予測学習器３２の出力データに基づいて、対象時系列データが示す疾患を予測する。

ステップＳ１６において、表示制御部２４は、ステップＳ１２で生成されたドプラデータに基づくドプラ波形画像、又は、ステップＳ１２で生成された受信ビームデータ列に基づくＭモード画像、並びに、ステップＳ１４における疾患予測部３６による予測結果をディスプレイ２６に表示させる。これにより、疾患予測部３６による予測結果がユーザに通知される。

ステップＳ１８において、プロセッサ３４は、ユーザの指示によってドプラモード又はＭモードが終了したか否かを判定する。ドプラモード又はＭモードが継続されている場合はステップＳ１２に戻り、ステップＳ１２からＳ１８までの処理を繰り返す。ドプラモード又はＭモードが終了した場合は処理を終了する。

以上、本発明に係る実施形態を説明したが、本発明は上記実施形態に限られるものではなく、本発明の趣旨を逸脱しない限りにおいて種々の変更が可能である。

例えば、本実施形態では、超音波時系列データ処理装置が超音波診断装置１０であったが、超音波時系列データ処理装置は超音波診断装置１０に限られず、その他のコンピュータであってもよい。この場合、超音波時系列データ処理装置としてのコンピュータからアクセス可能なメモリに学習済みの疾患予測学習器３２が記憶され、当該コンピュータのプロセッサが疾患予測部３６及び表示制御部２４としての機能を発揮する。

１０ 超音波診断装置、１２ プローブ、１４ 送信部、１６ 受信部、１８ ドプラ処理部、２０ ビームデータ処理部、２２ 画像生成部、２４ 表示制御部、２６ ディスプレイ、２８ 入力インターフェース、３０ メモリ、３２ 疾患予測学習器、３４ プロセッサ、３６ 疾患予測部。

Claims (6)

1. 疾患を有する被検部位内の同一位置に対する超音波の送受波を複数回繰り返し行って、当該被検部位又は当該被検部位内を流れる血液からの反射波に基づいて生成された、信号の時間変化を示す波形データである学習用波形データと、当該被検部位が有する疾患を示す情報と、当該被検部位がどの部位であるかを示す情報との組み合わせを学習データとして用いて、入力された前記波形データに基づいて当該波形データが示す疾患を予測して出力するように学習された疾患予測学習器と、
   対象波形データが示す疾患の予測に先立って、対象被検部位がどの部位であるかを特定し、前記疾患予測学習器に対して、前記対象被検部位内の同一位置に対する超音波の送受波を複数回繰り返し行うことで生成された前記波形データである対象波形データ、及び、前記対象波形データを解析することで特定された前記対象被検部位がどの部位であるかを示す情報を入力し、当該入力に対する前記疾患予測学習器の出力に基づいて、前記対象波形データが示す疾患を予測する疾患予測部と、
   前記疾患予測部の予測結果をユーザに通知する通知部と、
   を備えることを特徴とする超音波時系列データ処理装置。
2. 前記疾患予測学習器は、入力された前記波形データに基づいて、複数の疾患それぞれについての当該波形データが該当する可能性を出力するように学習され、
   前記疾患予測部は、前記疾患予測学習器に前記対象波形データを入力して、複数の疾患それぞれについての前記対象波形データが該当する可能性を予測し、
   前記通知部は、複数の疾患それぞれについての前記対象波形データが該当する可能性を前記ユーザに通知する、
   ことを特徴とする請求項１に記載の超音波時系列データ処理装置。
3. 前記通知部は、前記複数の疾患のうち、前記対象波形データが該当する可能性が最も高かった疾患を表示部に強調表示する、
   ことを特徴とする請求項２に記載の超音波時系列データ処理装置。
4. 前記対象被検部位及び前記被検部位は、脈動する部位であり、
   前記対象波形データ及び前記学習用波形データは、前記対象被検部位及び前記被検部位の脈動周期における同一期間に対応する前記波形データである、
   ことを特徴とする請求項１に記載の超音波時系列データ処理装置。
5. 前記対象波形データを生成する時系列データ生成部と、
   をさらに備え、
   前記疾患予測部は、前記時系列データ生成部による前記対象波形データの生成に対して、リアルタイムに、前記対象波形データが示す疾患を予測し、
   前記通知部は、前記疾患予測部による前記対象波形データが示す疾患の予測に対して、リアルタイムに、前記疾患予測部の予測結果を前記ユーザに通知する、
   ことを特徴とする請求項１に記載の超音波時系列データ処理装置。
6. 疾患を有する被検部位内の同一位置に対する超音波の送受波を複数回繰り返し行って、当該被検部位又は当該被検部位内を流れる血液からの反射波に基づいて生成された、信号の時間変化を示す波形データである学習用波形データと、当該被検部位が有する疾患を示す情報と、当該被検部位がどの部位であるかを示す情報との組み合わせを学習データとして用いて、入力された前記波形データに基づいて当該波形データが示す疾患を予測して出力するように学習された疾患予測学習器を備えるコンピュータを、
   対象波形データが示す疾患の予測に先立って、対象被検部位がどの部位であるかを特定し、前記疾患予測学習器に対して、前記対象被検部位内の同一位置に対する超音波の送受波を複数回繰り返し行うことで生成された前記波形データである対象波形データ、及び、前記対象波形データを解析することで特定された前記対象被検部位がどの部位であるかを示す情報を入力し、当該入力に対する前記疾患予測学習器の出力に基づいて、前記対象波形データが示す疾患を予測する疾患予測部と、
   前記疾患予測部の予測結果をユーザに通知する通知部と、
   として機能させることを特徴とする超音波時系列データ処理プログラム。