[发明专利]相似度确定装置、方法及程序

说明书

显示控制部将第1医用图像中的特定断层面的断层图像显示于显示部。观察结果分类部将第1医用图像的部分区域内的各个像素分类为至少一个观察结果。特征量计算部针对部分区域内的每个观察结果计算第1特征量。权重系数设定部对各个观察结果设定加权程度根据各个观察结果的尺寸而不同的权重系数。相似度导出部根据权重系数进行在部分区域中计算出的每个观察结果的第1特征量与在第2医用图像中预先计算出的每个观察结果的第2特征量的加权运算，从而导出第1医用图像与第2医用图像的相似度。

技术领域

本发明涉及一种确定两个医用图像的相似度的相似度确定装置、方法及程序。

背景技术

近年来，由于CT(Computed Tomography：计算机断层扫描)装置及MRI(MagneticResonance Imaging：磁共振成像)装置等医疗设备的发展，更高质量的高分辨率三维图像被使用于图像诊断中。

另一方面，在医疗领域中，已知有一种根据成为检查对象的CT图像等检查图像来检索与检查对象相似的过去病例的相似病例检索装置(例如，参考“Case-based lungimage categorization and retrieval For interstitial lung diseases：clinicalworkflow、Adrien Depeursinge等、Int J CARS(2012)7：97-110、Published online：1June2011”)。在Depeursinge等的文献中，提出如下方法：将肺的病例图像分类为分别表示多个种类的组织或病变(将以下组织或病变称为观察结果)的多个区域，然后登记到病例数据库中，关于检查图像也同样，将肺分类为分别表示多个种类的观察结果的多个区域，并根据关于检查图像的观察结果分类结果来检索与检查图像相似的病例图像。

并且，作为计算图像之间的相似度的方法，提出如下方法：在多个图像中的至少一个图像内设定多个部分区域，针对所设定的每个部分区域确定与其他图像内的对应区域之间的相似度，并使用对各个部分区域设定的权重系数将所确定的每个部分区域的相似度进行加权相加，由此计算整个区域相似度(参考日本特开2000-342558号公报)。并且，也提出有如下方法：将从具有多个剖面的第1图像和第2图像的各个剖面获取的关注区域分割为多个部分区域，关于第1图像和第2图像的各个剖面及各个部分区域计算部分区域中所包括的像素的特征量，在第1图像和第2图像的剖面位置的组合中，关于第1图像的部分区域和与该部分区域对应的第2图像的部分区域计算特征量的匹配度，并根据在多个部分区域内整合了匹配度的评价值的比较来确定在第1图像与第2图像之间彼此对应的剖面的位置(参考日本特开2017-189384号公报)。

作为肺疾病，已知有间质性肺炎。提出有如下方法：通过分析间质性肺炎患者的CT图像，将CT图像中所包含的蜂窝肺，网状阴影和囊肿等表示特定观察结果的病变进行分类并定量化(参考“Evaluation of computer-based com puter tomographystratification against outcome models in connective tissue disease-relatedinterstitial lung disease：a patient outcome study、Joseph Jacobi等、BMCMedicine(2016)14：190、DOI 10.1186/s12916-016-0739-7”及“基于计算机的间质性肺炎的CT图像的定量评价、岩泽多惠，断层影像研究会杂志，第41卷第2期，2014年8月”)。如此通过分析CT图像而将病变进行分类并定量化，能够容易判定肺疾病的程度。并且，通过对如此分类并定量化的区域分配分别不同的颜色进行显示，能够容易诊断特定症状的区域以哪种程度包括在图像内。

并且，为了从CT图像等三维图像中提取所关注的器官等结构物，需要在三维图像中检测结构物。在此，为了将图像中的所关注的像素分类为多个类别，提出一种深度学习(Deep learning)的方法。深度学习是使用多层神经网络的机器学习方法，所述多层神经网络通过以层级方式连接多个处理层而被构建。