JP7551370B2 - 医用データ処理装置及び方法 - Google Patents

Description

本明細書及び図面に開示の実施形態は、医用データ処理装置及び方法に関する。

機械学習モデルは、様々な被検体に関する様々な医用検査において利用されている。機械学習の形態としてオフライン学習型とオンライン学習型とが知られている。オフライン学習型では一旦学習が完了すればパラメータの更新は一切されないので、個別の検査に対して機械学習モデルの推論性能を十分に引き出すことができない。オンライン学習型では検査毎にパラメータが更新され続けるため、前の検査が後の検査の推論結果に悪影響を与えないことについて性能保証することができない。

米国特許出願公開第２０１７／０３３７６８２号明細書 国際公開第２０１８／０１７４６７号 米国特許出願公開第２０１９／０３３６０３３号明細書

本明細書及び図面に開示の実施形態が解決しようとする課題の一つは、機械学習モデルの推論性能と性能保証との両立を実現することである。ただし、本明細書及び図面に開示の実施形態により解決しようとする課題は上記課題に限られない。後述する実施形態に示す各構成による各効果に対応する課題を他の課題として位置づけることもできる。

実施形態に係る医用データ処理装置は、第１取得部、生成部、第２取得部及び適用部を有する。第１取得部は、第１医用データを取得する。生成部は、前記第１医用データに基づいて学習済みモデルから派生モデルを生成する。第２取得部は、前記第１医用データと同一の被検体であり且つ前記第１医用データとは異なる収集パラメータに関する第２医用データを取得する。適用部は、前記第２医用データを前記派生モデルに適用して第３医用データを生成する。

図１は、本実施形態に係る医用データ処理装置の構成を示す図である。 図２は、本実施形態に係る医用データ処理装置の全体的な処理例を模式的に示す図である。 図３は、実施例１に係る医用データ処理装置の処理例の典型的な流れを示す図である。 図４は、実施例１に係る医用データ処理装置の処理例を模式的に示す図である。 図５は、変形例１－１に係る医用データ処理装置の全体的な処理例を模式的に示す図である。 図６は、変形例１－２に係る医用データ処理装置の全体的な処理例を模式的に示す図である。 図７は、変形例１－３に係る医用データ処理装置の全体的な処理例を模式的に示す図である。 図８は、実施例２に係る医用データ処理装置の典型的な流れを示す図である。 図９は、実施例２に係る医用データ処理装置の処理例を模式的に示す図である。 図１０は、実施例３に係る医用データ処理装置の典型的な流れを示す図である。 図１１は、実施例４に係る医用データ処理装置の処理例を模式的に示す図である。

以下、図面を参照しながら、医用データ処理装置及び方法の実施形態について詳細に説明する。

本実施形態に係る医用データ処理装置は、医用データを処理するコンピュータである。医用データは、医用装置により収集された生データ又は医用画像データである。医用装置は、例えば、医用画像診断装置である。医用画像診断装置は、Ｘ線コンピュータ断層撮影装置（Ｘ線ＣＴ装置）、磁気共鳴イメージング装置（ＭＲＩ装置）、Ｘ線診断装置、ＰＥＴ（Positron Emission Tomography）装置、ＳＰＥＣＴ（Single Photon Emission CT）装置、超音波診断装置、光干渉断層撮影装置（眼底カメラ）及び光超音波診断装置等の単一モダリティ装置であってもよいし、ＰＥＴ／ＣＴ装置、ＳＰＥＣＴ／ＣＴ装置、ＰＥＴ／ＭＲＩ装置、ＳＰＥＣＴ／ＭＲＩ装置等の複合モダリティ装置であってもよい。あるいは、医用装置は、医用画像診断装置と共に補助的に利用される光学カメラ装置や、カテーテルに取り付けられた光学カメラ装置であってもよい。

医用画像診断装置がＸ線ＣＴ装置である場合、Ｘ線ＣＴ装置の架台は、Ｘ線管とＸ線検出器とを被検体回りに回転させながらＸ線管から被検体にＸ線を照射し、被検体を透過したＸ線をＸ線検出器により検出する。Ｘ線検出器においては、検出されたＸ線の線量に応じた波高値を有する電気信号が発生される。当該電気信号は、データ収集回路によりＡ／Ｄ変換等の信号処理が施される。Ａ／Ｄ変換後の電気信号は投影データ又はサイノグラムデータと呼ばれる。コンソールは、投影データ又はサイノグラムデータに基づいてＣＴ画像のデータを生成する。投影データ、サイノグラムデータ及びＣＴ画像のデータは医用データの一種である。

医用画像診断装置がＭＲＩ装置である場合、ＭＲＩ装置の架台は、静磁場磁石を介した静磁場の印加の下、傾斜磁場コイルを介した傾斜磁場の印加と送信コイルを介したＲＦパルスの印加とを繰り返す。ＲＦパルスの印加に起因して被検体から放出されたＭＲ信号が放出される。放出されたＭＲ信号は、受信コイルを介して受信される。受信されたＭＲ信号は、受信回路によりＡ／Ｄ変換等の信号処理が施される。Ａ／Ｄ変換後のＭＲ信号は、ｋ空間データと呼ばれる。コンソールは、ｋ空間データに基づいてＭＲ画像のデータを生成する。ｋ空間データ及びＭＲ画像のデータは医用データの一種である。

医用画像診断装置が超音波診断装置である場合、超音波診断装置の超音波プローブは、複数の超音波振動子から被検体体内に超音波ビームを送信し、被検体体内から反射された超音波を超音波振動子を介して受信する。超音波振動子は、受波した超音波の音圧に応じた波高値を有する電気信号を発生する。当該電気信号は、超音波プローブ等に設けられたＡ／Ｄ変換器によりＡ／Ｄ変換が施される。Ａ／Ｄ変換後の電気信号は、エコーデータと呼ばれる。超音波診断装置本体は、エコーデータに基づいて超音波画像のデータを生成する。エコーデータ及び超音波画像のデータは医用データの一種である。

医用画像診断装置がＰＥＴ装置である場合、ＰＥＴ装置の架台は、被検体内に蓄積された放射性核種から発生される陽電子と当該放射性核種の周囲に存在する電子との対消滅に伴い発生する５１１ｋｅＶの一対のガンマ線を同時計測回路により同時計測することにより、一対のガンマ線のエネルギー値と検出位置とに関するデジタル値を有するデジタルデータを生成する。当該デジタルデータは、コインシデンスデータ又はサイノグラムデータと呼ばれる。コンソールは、コインシデンスデータ又はサイノグラムデータに基づいてＰＥＴ画像のデータを生成する。コインシデンスデータ、サイノグラムデータ及びＰＥＴ画像のデータは医用データの一種である。

医用画像診断装置がＸ線診断装置である場合、Ｘ線診断装置は、Ｃアームに設けられたＸ線管から発生する。当該Ｃアームに又は当該Ｃアームとは独立に設けられたＦＰＤ（Flat Panel Display）等のＸ線検出器により、Ｘ線管から発生され被検体を透過したＸ線を受信する。Ｘ線検出器は、検出されたＸ線の線量に応じた波高値を有する電気信号を発生し、当該電気信号に、Ａ／Ｄ変換等の信号処理を施す。Ａ／Ｄ変換後の電気信号は投影データ又はＸ線画像データと呼ばれる。投影データ又はＸ線画像データは、コーンビームＣＴ等の場合、生データとしても用いられる。投影データ及びＸ線画像データは医用データの一種である。

本実施形態に係る生データは、医用画像診断装置により収集されたオリジナルの生データのみに限定されない。例えば、生データは、医用画像に逆変換処理を施すことにより生成される計算上の生データであってもよい。生データがＸ線ＣＴ装置により収集された場合、逆変換処理は、例えば、順投影処理であり、ＭＲＩ装置により収集された場合、逆変換処理は、例えば、フーリエ変換処理である。また、本実施形態に係る生データは、オリジナルの生データに対して各種データ処理が施されることにより生成された生データであってもよい。各種データ処理としては、ノイズ低減処理やデータ圧縮処理、解像度分解処理、データ補間処理、解像度合成処理、超解像処理等の如何なる処理であってもよい。

図１は、本実施形態に係る医用データ処理装置１の構成例を示す図である。医用データ処理装置１は、医用装置に含まれるコンピュータでもよいし、医用装置とは別個のコンピュータでもよい。

図１に示すように、医用データ処理装置１は、処理回路１１、通信インタフェース１２、表示機器１３、入力インタフェース１４及び記憶装置１５を有する。

処理回路１１は、ＣＰＵ（Central Processing Unit）等のプロセッサを有する。当該プロセッサが記憶装置１５等にインストールされた各種プログラムを起動することにより、取得機能１１１、生成機能１１２、推論機能１１３、処分機能１１４、データ処理機能１１５及び出力制御機能１１６等を実現する。各機能１１１－１１６は単一の処理回路で実現される場合に限らない。複数の独立したプロセッサを組み合わせて処理回路を構成し、各プロセッサがプログラムを実行することにより各機能１１１－１１６を実現するものとしても構わない。

取得機能１１１の実現により、処理回路１１は、被検体に関する医用データを取得する。より詳細には、処理回路１１は、医用装置から生データや医用画像データを取得する。処理回路１１は、通信インタフェース１２や可搬型記録媒体等を介して取得した医用データを記憶する記憶装置１５から取得してもよい。処理回路１１は、第１医用データを取得する。また、処理回路１１は、第１医用データと同一の被検体であり且つ第１医用データとは異なる収集パラメータに関する第２医用データを取得する。取得機能１１１は第１取得部及び第２取得部の一例である。

生成機能１１２の実現により、処理回路１１は、第１医用データに基づいて学習済みモデルから派生モデルを生成する。学習済みモデルは、予め医用データ処理装置１又は他のコンピュータにより生成され記憶装置１５に記憶されている。学習済みモデルは、複数の被検体に関する複数の学習サンプルに基づいて学習された機械学習モデルである。機械学習モデルは、複数層を有するニューラルネットワーク、換言すれば、パラメータ付きの合成関数である。パラメータは合成関数の係数である。以下、機械学習モデルに含まれるパラメータを調整パラメータと呼ぶことにする。学習済みモデルの処理内容は特に限定されない。例えば、医用データのノイズを低減する学習済みモデルでもよいし、医用データに基づいて各種の画像解析結果を出力する学習済みモデルでもよいし、医用データの画像認識処理を行う学習済みモデルでもよい。機械学習モデルは、プログラムとして実装されてもよいし、当該機械学習モデルの機能を実現する集積回路として物理的に実装されてもよい。生成機能１１２は生成部の一例である。

推論機能１１３の実現により、処理回路１１は、医用データを派生モデルに適用して出力医用データを生成する。例えば、処理回路１１は、第２医用データを派生モデルに適用して第３医用データを生成する。第３医用データは派生モデル及び学習済みモデルによる処理内容に応じて決まる。推論機能１１３は適用部の一例である。

処分機能１１４の実現により、処理回路１１は、派生モデルを処分する。具体的には、処理回路１１は、推論機能１１３による派生モデルの使用後、派生モデルのダンプを記憶装置１５に保存し、派生モデルを廃棄（消去）する。処分機能１１４は処分部の一例である。

データ処理機能１１５の実現により、処理回路１１は、医用データにデータ処理を施す。データ処理は、医用データが生データである場合、生データに対する種々の前処理や生データから画像データへの変換処理を含み、医用データが画像データである場合、画像データに対する種々の画像処理を含む。画像処理としては、ボリュームレンダリングやサーフェスボリュームレンダリング、画素値投影処理、ＭＰＲ（Multi-Planer Reconstruction）処理、ＣＰＲ（Curved MPR）処理を含む。また、画像処理としては、階調処理や拡大縮小等の表示処理を含む。データ処理機能１１５はデータ処理部の一例である。

出力制御機能１１６の実現により、処理回路１１は、医用データを、表示機器１３を介して表示する。例えば、処理回路１１は、派生モデルから出力された第３医用データを表示する。出力制御機能１１６は出力部の一例である。

通信インタフェース１２は、ＬＡＮ（Local Area Network）等を介して医用装置と、ワークステーションやＰＡＣＳ（Picture Archiving and Communication System）、ＨＩＳ（Hospital Information System）、ＲＩＳ（Radiology Information System）等とを接続するインタフェースである。ネットワークＩＦは、各種情報を接続先のワークステーション、ＰＡＣＳ、ＨＩＳ及びＲＩＳとの間で送受信する。通信インタフェース１２は通信部の一例である。

表示機器１３は、処理回路１１の出力制御機能１１６に従い種々のデータを表示する。表示機器１３としては、液晶ディスプレイ（ＬＣＤ：Liquid Crystal Display）、ＣＲＴ（Cathode Ray Tube）ディスプレイ、有機ＥＬディスプレイ（ＯＥＬＤ：Organic Electro Luminescence Display）、プラズマディスプレイ又は他の任意のディスプレイが適宜使用可能である。また、表示機器１３は、プロジェクタでもよい。表示機器１３は出力部の一例である。

入力インタフェース１４は、ユーザからの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路１１に出力する。具体的には、入力インタフェース１４は、マウス、キーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパッド及びタッチパネルディスプレイ等の入力機器に接続されている。入力インタフェース１４は、当該入力機器への入力操作に応じた電気信号を処理回路１１へ出力する。また、入力インタフェース１４に接続される入力機器は、ネットワーク等を介して接続された他のコンピュータに設けられた入力機器でもよい。入力インタフェース１４は、マイクロフォンにより収集された音声信号を指示信号に変換する音声認識装置でもよい。入力インタフェース１４は入力部の一例である。

記憶装置１５は、種々のデータを記憶するＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、集積回路記憶装置等の記憶装置である。記憶装置１５は、例えば、生データや各種医用画像、各種機械学習モデルを記憶する。記憶装置１５は、上記記憶装置以外にも、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、フラッシュメモリ等の可搬型記憶媒体や、半導体メモリ素子等との間で種々の情報を読み書きする駆動装置であってもよい。記憶装置１５は、医用データ処理装置１にネットワークを介して接続された他のコンピュータ内にあってもよい。記憶装置１５は記憶部の一例である。

次に、本実施形態に係る医用データ処理装置１の詳細について説明する。

図２は、本実施形態に係る医用データ処理装置１の全体的な処理例を模式的に示す図である。図２に示すように、本実施形態に係る処理は、生成局面と推論局面とに分けられる。生成局面においては、第１医用データに基づいて学習済みモデルから派生モデルが生成される。派生モデルの生成は、学習済みモデルの調整パラメータを第１医用データに基づいて学習することにより行われる。推論局面においては、第２医用データが派生モデルに適用され第３医用データが生成される。第２医用データは、第１医用データと同一の被検体に関するが、少なくとも一種の収集パラメータが異なる。第１医用データと第２医用データとは同一検査において収集された医用データ又は解剖学的部位の形態に関して同一検査とみなせる検査において収集された医用データである。第１医用データと第２医用データとが同一検査において収集された医用データである場合、第２医用データは第１医用データよりも後のスキャン（撮像）により収集された医用データである。第１医用データと第２医用データとが異なる検査において収集された医用データである場合、第２医用データは第１医用データよりも後の検査により収集された医用データである。なお、本実施形態において、第１医用データは派生モデルの生成に使用する医用データを指し、第２医用データは派生モデルに入力される医用データを指し、第３医用データは派生モデルから出力される医用データを指すものとする。

収集パラメータは、検査日時、スキャン日時、スライス位置、画像再構成法、ＦＯＶ（Field Of View）、スキャン部位、時間分解能、マトリクスサイズ、造影剤の有無及びスキャン条件の何れか１つを含む。スキャン条件は、医用画像診断装置の種類に応じた種々のスキャンパラメータを含む。例えば、ＭＲＩ装置の場合、スキャン条件は、例えば、スキャンシーケンスの種別やスキャンコントラストの種別、ＴＲ（Time to Repeat）、ＴＥ（Echo Time）、ＦＡ（Flip Angle）等のパラメータ、ｋ空間充填軌跡の種別を更に含む。Ｘ線コンピュータ断層撮影の場合、スキャン条件は、Ｘ線条件（管電流、管電圧及びＸ線曝射継続時間等）、スキャン種（ノンヘリカルスキャン、ヘリカルスキャン、同期スキャン等）、チルト角、再構成関数、回転フレームの１回転あたりのビュー数、回転速度及び検出器空間分解能等を更に含む。超音波診断の場合、スキャン条件は、焦点位置、ゲイン、送信強度、受信強度、ＰＲＦ、ビーム走査方式（セクタ走査、コンベックス走査、リニア走査等）及び走査モード（Ｂモード走査、ドプラ走査、カラードプラ走査、Ｍモード走査、Ａモード走査等）を含む。

後述するように、典型的には、第１医用データと第２医用データとは、同一撮像原理の医用画像診断装置により生成された医用データである。例えば、同一被検体の同一検査においてＸ線ＣＴ装置により位置決めスキャンが行われ、次に本スキャンが行われた場合、第１医用データとして位置決め画像が用いられ、第２医用データとしてＸ線ＣＴ画像が用いられてよい。他の例として、Ｘ線ＣＴ装置により架台を複数周回転させることにより時系列の複数フレームのＸ線ＣＴ画像が収集された場合、第１医用データとして第Ｎ（Ｎはフレーム番号を示すインデックス）番目のフレームのＸ線ＣＴ画像が用いられ、第２医用データとして第Ｎ＋ｎ（ｎは１以上の任意の整数）番目のフレームのＸ線ＣＴ画像が用いられてもよい。他の例として、Ｘ線ＣＴ装置によりボリュームスキャンが行われて３次元Ｘ線ＣＴ画像データが収集された場合、第１医用データとして、第Ｍ（Ｍはスライス番号を示すインデックス）番目のスライスの２次元Ｘ線ＣＴ画像が用いられ、第２医用データとして第Ｍ＋ｍ（ｍは１以上の任意の整数）番目のスライスの２次元Ｘ線ＣＴ画像が用いられてもよい。他の例として、Ｘ線ＣＴ装置によりデュアルエナジースキャンが行われた場合、第１医用データとして低管電圧のＸ線ＣＴ画像が用いられ、第２医用データとして高管電圧のＸ線ＣＴ画像が用いられてもよいし、第１医用データとして高管電圧のＸ線ＣＴ画像が用いられ、第２医用データとして低管電圧のＸ線ＣＴ画像が用いられてもよい。

これら実施例は、Ｘ線ＣＴ装置に限定されず、ＭＲＩ装置や超音波診断装置等の他の医用画像診断装置についても同様である。他の例として、同一被検体の同一検査において超音波診断装置によりＢモードのボリュームスキャンが行われ、次にＢモードの２次元スキャンが行われた場合、第１医用データとして３次元Ｂモード画像が用いられ、第２医用データとして２次元Ｂモード画像が用いられてよい。他の例として、超音波診断装置により血流カラードプラスキャンが行われ、次に低速血流カラードプラスキャンが行われた場合、第１医用データとして通常速度血流画像が用いられ、第２医用データとして低速血流画像が用いられてよい。

第１医用データと第２医用データとは、同一撮像原理の医用画像診断装置により生成された医用データでなくてもよく、解剖学的部位の形態に関して同一検査とみなせる検査において収集された医用データであればよい。例えば、同一被検体の同一検査においてＸ線ＣＴ装置によるＸ線ＣＴスキャンが行われ、次にＭＲＩ装置によりＭＲスキャンが行われた場合、第１医用データとしてＸ線ＣＴ画像が用いられ、第２医用データとしてＭＲ画像が用いられてもよい。他の例として、同一被検体の術中においてＸ線ＣＴ装置によるＸ線ＣＴスキャンが行われ、次にＸ線診断装置によるＸ線透視が行われた場合、第１医用データとしてＸ線ＣＴ画像が用いられ、第２医用データとしてＸ線透視画像が用いられてもよい。他の例として、同一被検体の術中においてＸ線ＣＴ装置によるＸ線ＣＴスキャンが行われ、次に超音波診断装置による超音波スキャンが行われた場合、第１医用データとしてＸ線ＣＴ画像が用いられ、第２医用データとして超音波画像が用いられてもよい。これら実施例は一例に過ぎず、適宜任意の医用画像診断装置に置き換え可能である。

本実施形態に係る学習済みモデルはオフライン学習により生成された機械学習モデルである。本実施形態に係る学習済みモデルは、オンライン学習用の未学習又は学習途中の機械学習モデルではなく、オフライン学習により生成されている。学習済みモデルには学習済みのパラメータが設定されている。例えば、学習済みモデルには学習済みであることを示すフラグが割り当てられてもよい。また学習済みモデルには固有識別子、バージョン情報や学習日時、搭載日時等の任意の識別情報が割り当てられてもよい。学習済みモデルは、製品出荷時やメンテナンス時に記憶装置１５に保存される。また、学習済みモデルは、事後的に購入することにより、任意のコンピュータから通信インタフェース１２を介してダウンロードして記憶装置１５に保存されたり、可搬型記録媒体や他のコンピュータ装置を介して記憶装置１５に保存されたりしてもよい。

学習済みモデルは、様々な被検体に関する様々な学習サンプルに基づいて調整パラメータが学習されており、複数の被検体に対して汎化した機械学習モデルである。学習済みモデルは、医用データ処理装置１において恒常的に使用する目的で記憶装置１５に保存されている。派生モデルは学習済みモデルに基づいて生成される。派生モデルは、推論対象の被検体と同一被検体に関する第１医用データに基づき学習済みモデルの調整パラメータを変更することにより生成される。より詳細には、派生モデルは、第１医用データに基づいて学習済みモデルのデフォルトの調整パラメータを学習して調整パラメータを変更し、変更後の調整パラメータを機械学習モデルに割り当てることにより生成される。派生モデルは、推論対象の被検体に適合した機械学習モデルといえる。派生モデルは、推論対象の被検体の一検査に限定して使用される、一時利用目的の機械学習モデルである。派生モデルの生成時に必要な医用データ量は、学習済みモデルの生成時に必要な医用データ量よりも遙かに少なくてよいため、派生モデルは推論対象の被検体に対して、適度に適合しているといえる。第２医用データを、学習済みモデルに適用するのではなく、派生モデルに適用することにより、より良好な推論結果を得ることが可能になる。

本実施形態に係る医用データ処理装置１は、典型的には、医用画像診断装置に実装される形態とワークステーションに実装される形態とがある。実施例１においては、医用画像診断装置に実装される形態について説明し、実施例２においては、ワークステーションに実装される形態について説明する。なお、以下の実施例においては、特に言及しない限り、医用画像診断装置はＭＲＩ装置であるとする。なお、以下の何れの実施例についてもＭＲＩ装置に限定する趣旨ではなく、任意の医用装置にも適用可能である。

（実施例１）
実施例１に係る医用データ処理装置１は、ＭＲＩ装置に実装されているものとする。また、機械学習モデルが行う処理は、如何なる処理でもよいが、この実施例では、医用画像をノイズ低減する処理であるものとする。なお、ノイズ低減以外の処理の例については変形例として説明する。

図３は、実施例１に係る医用データ処理装置１の処理例の典型的な流れを示す図である。図４は、実施例１に係る医用データ処理装置１の処理例を模式的に示す図である。

図３及び図４に示すように、生成局面において処理回路１１は、取得機能１１１の実現により、キャリブレーションスキャンにより収集されたキャリブレーションデータを取得する（ステップＳＡ１）。キャリブレーションデータは、本スキャン前にＭＲＩ装置により推論対象の被検体に対して実施されるキャリブレーションスキャンにより得られる医用データである。キャリブレーションデータは、派生モデルの生成のための入力データとして用いられる。キャリブレーションデータは第１医用データの一例である。キャリブレーションスキャンは、Ｂ０マップ及びＢ１マップを得るためのスキャンでもよいし、感度分布マップを得るためのスキャンでもよいし、ノイズレベルを得るためのスキャンでもよい。Ｂ０マップは、静磁場の位相情報の空間分布を示すマップである。Ｂ１マップは、送信磁場の位相情報の空間分布を示すマップである。感度分布マップは、受信コイルの感度の空間分布を示すマップである。

ステップＳＡ１が行われると処理回路１１は、生成機能１１２の実現により、ステップＳＡ１において取得されたキャリブレーションデータに基づいて教師データを生成する（ステップＳＡ２）。ステップＳＡ２において処理回路１１は、例えば、Ｂ０マップ又はＢ１マップに対して、画像フィルタ等によるノイズ低減処理を施して、ノイズ低減されたＢ０マップ又はＢ１マップを生成する。ノイズ低減されたＢ０マップ又はＢ１マップは、ステップＳＡ２において取得されたＢ０マップ又はＢ１マップに対する教師データとして用いられる。

ステップＳＡ２が行われると処理回路１１は、生成機能１１２の実現により、ステップＳＡ１において取得されたキャリブレーションデータとステップＳＡ２において生成された教師データとに基づいて学習済みモデルから派生モデルを生成する（ステップＳＡ３）。より詳細には、処理回路１１は、キャリブレーションデータと教師データとに基づいて学習済みモデルの調整パラメータを変更することにより派生モデルを生成する。生成処理は、誤差伝播法などの手法が用いられればよい。この場合、処理回路１１は、ステップＳＡ１において取得されたキャリブレーションデータである入力データに学習済みモデルを適用して順伝播処理を行い推定出力データを出力する。次に処理回路１１は、推定出力データと教師データとの誤差に当該学習済みモデルを適用して逆伝播処理を行い、調整パラメータに関する損失関数に対する勾配を算出する。次に処理回路１１は、勾配に基づいて当該学習済みモデルの調整パラメータを変更する。学習済みモデルの調整パラメータを変更することにより、学習済みモデルとは異なる派生モデルが生成される。

派生モデルの生成に使用する学習データは、例えば、ステップＳＡ１において取得されたキャリブレーションデータ（入力データ）とステップＳＡ２において取得された教師データとを含む１組の学習サンプルが用いられてもよいし、あるいは、当該学習サンプルに加え、予め用意された学習データを複写することにより得られた複数の学習サンプルが用いられてもよい。

生成局面における学習条件は、学習済みモデルの学習時に使用された学習条件が用いられればよい。学習条件としては、例えば、学習係数や誤差関数、最適化アルゴリズム等である。学習時に使用された学習条件は、例えば、学習済みモデルに関連付けて記憶装置１５に記憶されている。なお、生成局面における学習条件と学習時に使用された学習条件とは完全に同一である必要はなく任意に変更されてもよい。

派生モデルの生成処理においては、学習済みモデルの全ての調整パラメータを変更するのではなく、変更対象の調整パラメータに限定して変更してもよい。例えば、処理回路１１は、学習済みモデルの全ての調整パラメータのうちの一部の調整パラメータを固定パラメータに設定し、残部の調整パラメータを変更対象パラメータに設定する。変更対象パラメータは、特に限定されないが、例えば、学習済みモデルが２０層ある場合、１又は２層分の調整パラメータに設定されるとよい。変更対象パラメータの場所は、特に限定されず、入力側の１又は２層でもよいし、出力側の１又は２層でもよいし、中間の１又は２層でもよいし、分散されてもよい。

ステップＳＡ３が行われると処理回路１１は、推論局面において、取得機能１１１の実現により、本スキャンにより収集されたＭＲ画像を取得する（ステップＳＡ４）。ステップＳＡ４において取得されたＭＲ画像は、派生モデルの入力データとして用いられるので、本スキャン入力画像と呼ぶことにする。本スキャン入力画像は、キャリブレーションスキャン後にＭＲＩ装置により実施される本スキャンにより得られる医用データである。本スキャンは、Ｔ１強調画像やＴ２強調画像、プロトン密度強調画像等のコントラスト強調画像を得るためのスキャンである。本スキャンの被検体はキャリブレーションスキャンの被検体と同一である。本スキャンのスキャン部位はキャリブレーションスキャンに含まれている。よって本スキャン入力画像に描出される解剖学的部位の形態はキャリブレーションデータに描出される解剖学的部位の形態に略一致していると見做すことができる。また、本スキャン入力画像とキャリブレーションデータとは、スキャン日時やスキャンシーケンスの種別やスキャンコントラストの種別等の収集パラメータが異なっている。本スキャン入力画像は第２医用データの一例である。

本スキャンにより得られるＭＲ画像は、ＭＲＩ装置により生成されてもよいし、医用データ処理装置１により生成されてもよい。ＭＲＩ装置により生成される場合、ＭＲＩ装置は、本スキャンによりｋ空間データを収集し、ｋ空間データに再構成処理を施すことによりＭＲ画像を生成し、ＭＲ画像を医用データ処理装置１に送信する。医用データ処理装置１により生成される場合、ＭＲＩ装置は、本スキャンによりｋ空間データを収集し、ｋ空間データを医用データ処理装置１に送信し、医用データ処理装置１の処理回路１１は、データ処理機能１１５の実現により、ｋ空間データに再構成処理を施してＭＲ画像を生成する。

ステップＳＡ４が行われると処理回路１１は、推論機能１１３の実現により、ステップＳＡ４において取得された本スキャン入力画像を、ステップＳＡ３において生成された派生モデルに適用して、ノイズ低減されたＭＲ画像（以下、本スキャン出力画像と呼ぶ）を生成する（ステップＳＡ５）。本スキャン出力画像は第３医用データの一例である。

ステップＳＡ５が行われると処理回路１１は、出力制御機能１１６の実現により、ステップＳＡ５において生成された本スキャン出力画像を表示する（ステップＳＡ６）。例えば、表示機器１３に本スキャン出力画像が表示される。この際、処理回路１１は、派生モデルを使用したことを示すメッセージと共に本スキャン出力画像を表示してもよい。

ステップＳＡ６が行われると処理回路１１は、処分機能１１４の実現により、派生モデルのダンプを保存する（ステップＳＡ７）。ダンプは、派生モデルに係る一切の情報を含む。例えば、ダンプとしては、例えば、派生モデルの調整パラメータ、ステップＳＡ５における派生モデルを用いた本スキャン出力画像の生成処理に発生した種々のデータを含む。ダンプは、派生モデルの識別子に関連付けて記憶装置１５に記憶される。派生モデルを廃棄するまえにダンプを保存しておくことにより、医用データ処理装置１に不具合が生じた場合など当該派生モデルを使用した処理の検証が必要な場合に、ダンプを解析することで検証を行うことが可能である。

ステップＳＡ７が行われると処理回路１１は、処分機能１１４の実現により、派生モデルを廃棄する（ステップＳＡ８）。ステップＳＡ８において処理回路１１は、派生モデルを使用不可にするため、例えば、当該派生モデルのデータを記憶装置１５や他のメモリから消去する。また、派生モデルは、生成完了時から所定時間経過後に自動的に消去するため、エクスパイア・タイムスタンプが設定されてもよい。所定時間は、ステップＳＡ３における生成完了時からステップＳＡ５における推論完了時までに必要な標準時間にマージン時間が付加された値に設定されればよい。処理回路１１は、所定時間が経過したことを検知した場合、派生モデルを消去する。

以上により、実施例１に係る医用データ処理装置１の処理が終了する。

上記の通り、実施例１において処理回路１１は、一検査において得られた第一医用データを用いて学習済みモデルから派生モデルを生成し、同一検査において生成され収集パラメータが異なる第二医用データを派生モデルに適用する。処理回路１１は、オフライン学習により生成された学習済みモデルから、同一被検体の同一検査において得られた第１医用データに基づいて派生モデルを生成しているので、当該被検体に対して適度に適合した派生モデルを得ることができる。よって個別の検査に対して機械学習モデルの推論性能を十分に引き出すことができる。また、同一被検体の同一検査において得られた第１医用データのみを用いて派生モデルを生成しているので、学習済みモデル自体が更新されることはなく、学習済みモデルの調整パラメータの変更結果が他の検査に引き継がれることはない。よって、前の検査が後の検査の推論結果に悪影響を与えないことについて性能保証することができる。一定の性能保証を行いつつ推論性能を向上することができる。なお、性能保証を担保するため、処理回路１１は、派生モデルを使用し終えたら当該派生モデルを廃棄する。

なお、上記の実施例は一例であり種々の変形が可能である。

（変形例１－１）
図５は、変形例１－１に係る医用データ処理装置１の全体的な処理例を模式的に示す図である。図５に示すように、変形例１－１に係る処理回路１１は、生成局面において、第１の本スキャンにより収集されたＭＲ画像（以下、第１の本スキャン画像と呼ぶ）に基づいて学習済みモデルから派生モデルを生成する。例えば、ノイズ低減処理が施されていない第１の本スキャン画像が入力データに設定され、当該第１の本スキャン画像にノイズ低減処理を施して生成された第１の本スキャン画像が教師データに設定され、入力データと教師データとに基づいて学習済みモデルから派生モデルが生成される。第１の本スキャン画像は第１医用データの一例である。

図５に示すように、推論局面において処理回路１１は、第２の本スキャンにより収集されたＭＲ画像（以下、第２の本スキャン入力画像と呼ぶ）に派生モデルを適用して、ノイズ低減されたＭＲ画像（以下、第２の本スキャン出力画像と呼ぶ）を生成する。第２の本スキャン入力画像は第２医用データの一例であり、第２の本スキャン出力画像は第３医用データの一例である。第１の本スキャンは第２の本スキャンの前にＭＲＩ装置により実行される本スキャンである。第１の本スキャンと第２の本スキャンとは共に同一の被検体が撮像対象である。第１の本スキャンと第２の本スキャンとは撮像コントラストやスキャンシーケンス等の収集パラメータが異なる。よって第１の本スキャン画像と第２の本スキャン入力画像とは同一被検体に関し収集パラメータが異なっている。

変形例１－１によれば、第１の本スキャン画像に基づいて学習済みモデルから派生モデルを生成し、第２の本スキャン入力画像を派生モデルに適用し、ノイズ低減された第２の本スキャン出力画像を生成することができる。第１の本スキャン画像はキャリブレーションデータに比してＳＮＲ（Signal Noise to Ratio）が高いので、第１の本スキャン画像を用いて学習済みモデルから派生モデルを生成することにより、派生モデルの処理精度を高めることが期待できる。第１の本スキャン画像と第２の本スキャン入力画像との種類は特に限定されない。例えば、第１の本スキャンがプロトン密度強調画像を得るためのスキャンであり、第２の本スキャンがＴ１強調画像やＴ２強調画像を得るためのスキャンであるとよい。プロトン密度強調画像は比較的ＳＮＲが高いので、プロトン密度強調画像を用いて学習済みモデルから派生モデルを生成することにより、派生モデルの処理精度を高めることが期待できる。

（変形例１－２）
上記の幾つかの実施例は、パラレルイメージング（ＰＩ：Parallel Imaging）にも適用可能である。実施例２に係るスキャンシーケンスは、ＳＥＮＳＥ（simultaneous acquisition of spatial harmonics）等の実空間法のパラレルイメージングであるとする。

ここで、実空間法のパラレルイメージングにおける撮像方法について簡単に説明する。実空間法のパラレルイメージングおいてＭＲＩ装置は、被検体に対し、感度分布マップを得るためのキャリブレーションスキャンを施して、複数のコイルの各々についてｋ空間データを収集する。ＭＲＩ装置は、収集されたｋ空間データに基づいて、複数のコイルにそれぞれ対応する複数の感度分布マップを生成する。次にＭＲＩ装置は、同一被検体に対し、ｋ空間ラインを間引いた間引きスキャンを行い、複数のコイルにそれぞれ対応する複数の折り返し画像を生成する。ここでｋ空間ラインとは、ｋ空間におけるデータ収集軌跡である。折り返し画像はｋ空間ラインの間引きに起因する折り返しアーチファクトを含んだＭＲ画像である。そしてＭＲＩ装置は、複数の折り返し画像と複数の感度分布マップとに基づき展開処理を行うことにより、折り返しのない単一のＭＲ画像（以下、ＰＩ画像と呼ぶ）を生成する。ＰＩ画像は、コイル毎の感度不均一性に伴う信号欠損と折り返しアーチファクトとが低減されたＭＲ画像である。

図６は、変形例１－２に係る医用データ処理装置１の全体的な処理例を模式的に示す図である。図６に示すように、変形例１－２に係る処理回路１１は、生成局面において、複数のコイルにそれぞれ対応する複数の感度分布マップを取得する。処理回路１１は、複数のコイルにそれぞれ対応する複数の感度分布マップの中から任意の１コイルの感度分布マップを自動的又は入力インタフェース１４を介して手動的に選択する。１コイルの感度分布マップは第１医用データの一例である。１コイルの感度分布マップが入力データに設定される。また、処理回路１１は、複数のコイルにそれぞれ対応する複数の感度分布マップを加算処理して複数コイルの感度分布マップを生成する。複数コイルの感度分布マップが教師データに設定される。処理回路１１は、入力データと教師データとに基づいて学習済みモデルから派生モデルを生成する。

図６に示すように、推論局面において処理回路１１は、ｋ空間ラインの間引スキャンにより収集されたＰＩ画像を取得する。ＰＩ画像には後処理が施されておらずノイズを含んでいるものとする。そして、処理回路１１は、ノイズを含むＰＩ画像に派生モデルを適用して、ノイズが低減されたＰＩ画像を生成する。ノイズを含むＰＩ画像は第２医用データの一例であり、ノイズが低減されたＰＩ画像は第３医用データの一例である。１コイルの感度分布マップとＰＩ画像とは画像再構成法等の収集パラメータが異なる。よって１コイルの感度分布マップとＰＩ画像とは同一被検体に関し収集パラメータが異なっている。

変形例１－２によれば、パラレルイメージングのキャリブレーションスキャンにより収集される１コイルの感度分布マップに基づいて学習済みモデルから派生モデルを生成し、本スキャンである間引きスキャンにより収集されるＰＩ画像を派生モデルに適用し、ノイズ低減されたＰＩ画像を生成することができる。このように、ＰＩ画像に適用する機械学習モデルから、間引きスキャンの前段階に行われるキャリブレーションスキャンにより収集される感度分布マップを用いて派生モデルを生成することができる。すなわち、変形例１－２によれば、一のパラレルイメージングに限定してオンライン学習を行うことができる。これにより、一定の性能保証を行いつつ、ＰＩ画像に対する機械学習モデルの推論性能を向上することができる。

（変形例１－３）
上記の幾つかの実施例においては、学習に使用する医用データと推論に使用する医用データとは、別々のスキャンにより取得されるものとした。しかしながら、本実施形態はこれに限定されない。変形例１－３に係る処理回路１１は、学習に使用する医用データと推論に使用する医用データとを一のスキャンにより順次取得するものとする。変形例１－３に係るスキャンとしては、一例として、ＧＲＡＰＰＡ（generalized auto-calibrating partially parallel acquisition）やＡＲＣ（auto-calibrating reconstruction for cartesian imaging）等のｋ空間法のパラレルイメージングであるとする。

ここで、ｋ空間法のパラレルイメージングにおける撮像方法について簡単に説明する。ｋ空間法のパラレルイメージングおいてＭＲＩ装置は、被検体に対し、ｋ空間法のパラレルイメージングに関するスキャン（以下、ｋ空間法ＰＩスキャンと呼ぶ）を施して、複数のコイルの各々についてｋ空間データを収集する。ｋ空間法ＰＩスキャンは、ｋ空間における特定の周波数領域は密にデータ収集を行い、他の周波数領域は疎にデータ収集を行うスキャンである。例えば、ｋ空間法ＰＩスキャンは、ｋ空間ラインを間欠的にデータ収集するスキャン（間引きスキャン）と、ｋ空間の中央領域に関するｋ空間ラインを追加的にデータ収集するスキャン（追加スキャン）とを合わせたスキャンである。間引きスキャンと追加スキャンとは順番に行われてもよいし、間引きスキャンの中に追加スキャンが組み込まれてもよい。なお、特定の周波数領域はｋ空間中心を含むｋ空間ラインに限定されず、如何なるｋ空間ラインでもよい。ここで、間引きスキャンにより収集されたｋ空間ラインを収集ラインと呼び、間引きスキャンにより収集されず欠落したｋ空間ラインを未収集ラインと呼び、未収集ラインのうちの追加スキャンにより収集されたｋ空間ラインを追加収集ラインと呼び、追加収集ラインに関するｋ空間データをＡＣＳデータと呼ぶこともある。ＡＣＳデータ追加データの一例である。

ＭＲＩ装置は、ｋ空間法ＰＩスキャンにより、複数のコイルの各々について、複数の収集ラインに関するｋ空間データと追加収集ラインに関するｋ空間データとを収集する。次にＭＲＩ装置は、複数のコイルの各々について、追加収集ラインのｋ空間データ（ＡＣＳデータ）と複数の収集ラインのｋ空間データとに基づいて、データ欠落のないｋ空間データを推定し、推定されたｋ空間データに再構成処理を施してＭＲ画像を生成する。生成されたＭＲ画像は、折り返しアーチファクトを含まないが、コイル毎の感度不均一性に伴う信号欠損を含む。ＭＲＩ装置は、複数のコイルにそれぞれ対応する複数のＭＲ画像に基づいて単一のＭＲ画像（ＰＩ画像）を生成する。例えば、複数のコイルにそれぞれ対応する複数のＭＲ画像を加算処理することによりＰＩ画像が生成される。ＰＩ画像は、コイル毎の感度不均一性に伴う信号欠損が低減されたＭＲ画像である。

図７は、変形例１－３に係る医用データ処理装置１の全体的な処理例を模式的に示す図である。図７に示すように、生成局面において処理回路１１は、ｋ空間法ＰＩスキャンのうちの間引スキャンによる１コイル画像を取得する。間引スキャンによる１コイル画像は、間引きスキャンにより１つのコイルについて収集された、収集ラインのｋ空間データに基づいて再構成される。間引スキャンによる１コイル画像は第１医用データの一例である。また、処理回路１１は、ｋ空間法ＰＩスキャンのうちの間引スキャン及び追加収集スキャンによる１コイル画像を取得する。間引スキャン及び追加収集スキャンによる１コイル画像は、間引きスキャンにより１つのコイルについて収集された、収集ラインのｋ空間データ及び追加収集ラインのｋ空間データ（ＡＣＳデータ）に基づいて再構成される。間引スキャン及び追加収集スキャンによる１コイル画像は、間引スキャンによる１コイル画像に比して高画質である。間引スキャンによる１コイル画像が入力データに設定され、間引スキャン及び追加収集スキャンによる１コイル画像が教師データに設定され、入力データと教師データとに基づいて学習済みモデルから派生モデルが生成される。

図７に示すように、推論局面において処理回路１１は、ｋ空間法ＰＩスキャンによるＰＩ画像を取得する。ＰＩ画像は、上記の通り、複数のコイルにそれぞれ対応する複数のＭＲ画像に基づいて再構成されており、ノイズを含んでいるものとする。処理回路１１は、ノイズを含むＰＩ画像に派生モデルを適用して、ノイズが低減されたＰＩ画像を生成する。ノイズを含むＰＩ画像は第２医用データの一例であり、ノイズが低減されたＰＩ画像は第３医用データの一例である。間引スキャンによる１コイル画像とＰＩ画像とは画像再構成法等の収集パラメータが異なる。よって間引スキャンによる１コイル画像とＰＩ画像とは同一被検体に関し収集パラメータが異なっている。

変形例１－３によれば、パラレルイメージングのｋ空間法ＰＩスキャンにより収集される、間引きスキャンによる１コイル画像と間引きスキャン及び追加収集スキャンによる１コイル画像とに基づいて学習済みモデルから派生モデルを生成し、ｋ空間法ＰＩスキャンにより収集されるＰＩ画像を派生モデルに適用し、ノイズ低減されたＰＩ画像を生成することができる。このように、一のｋ空間法ＰＩスキャンにより収集される医用データを用いて派生モデルの生成と推論とを行うことができる。換言すれば、一スキャンの中で派生モデルの生成と推論とを行うことができる。

（変形例１－４）
上記の図３においては、一検査においてキャリブレーションスキャンと一の本スキャンとが行われるものとした。しかしながら、本実施形態はこれに限定されず、一検査において３以上のスキャンが行われてもよい。３番目以降のスキャン（すなわち、２番目の本スキャン）により収集された本スキャン画像（以下、第２の本スキャン画像と呼ぶ）に適用する機械学習モデルとしては、種々のものが適用可能である。例えば、第２の本スキャン画像には、ステップＳＡ３において生成された派生モデルが流用されてもよい。すなわち、第２の本スキャン画像には、１番目の本スキャンにより収集された本スキャン画像（以下、第１の本スキャン画像と呼ぶ）に適用された派生モデル、換言すれば、キャリブレーションスキャンにより収集されたキャリブレーションデータに基づく派生モデルが適用されてもよい。この場合、処理回路１１は、一検査のうちの最後のスキャンの本スキャン画像に対して派生モデルが適用された後、当該派生モデルのダンプを保存し、当該派生モデルを廃棄する。

他の例として、処理回路１１は、本スキャン画像が生成される毎に、当該本スキャン画像に基づいて既存の派生モデルを追加的に更新してもよい。例えば、処理回路１１は、派生モデルを第１の本スキャン画像に基づいて追加的に更新して最新の派生モデルを生成し、第２の本スキャン画像に最新の派生モデルを適用する。この場合、処理回路１１は、一検査のうちの最後の本スキャン画像に対して最新の派生モデルが適用された後、当該派生モデルのダンプを保存し、当該派生モデルを廃棄する。

さらに他の例として、処理回路１１は、本スキャン画像が生成される毎に、同一検査内における前回の本スキャンによる本スキャン画像に基づいて学習済みモデルから派生モデルを生成してもよい。例えば、処理回路１１は、第２の本スキャン画像に基づいて学習済みモデルから派生モデルを生成し、第３の本スキャン画像に派生モデルを適用する。他の例としては、処理回路１１は、第１の本スキャン画像に基づいて学習済みモデルから派生モデルを生成し、第３の本スキャン画像に派生モデルを適用する。この場合、処理回路１１は、派生モデルの使用後、当該派生モデルのダンプを保存し、当該派生モデルを廃棄する。

変形例１－４によれば、一検査において３以上のスキャンを行う場合においても、一定の性能保証を行いつつ推論性能を向上することができる。

（変形例１－５）
以上の実施例ではノイズ低減処理について説明したが、出力は必ずしもノイズ低減処理である必要はなく、例えば次の撮像対象のＲＯＩ（Region Of Interest）情報といった認識結果の出力であっても良い。オンライン学習によりパラメータの一部を変更することで、ＲＯＩ情報の選択精度を高めることができる。

（実施例２）
実施例２に係る医用データ処理装置１は、ワークステーションに実装されているものとする。実施例２に係る医用データ処理装置１は、ＰＡＣＳサーバ等の画像保管装置から医用データを取得し、取得された医用データを種々の目的で解析する。画像保管装置は、様々な医用画像診断装置により収集された様々な被検体に関する医用データを保管しているものとする。実施例２に係る医用データ処理装置１は、如何なる医用画像診断装置により収集された医用データについて処理可能であるが、例示のため、ＭＲＩ装置により収集された医用データを処理されているものとする。また、機械学習モデルが行う処理は、如何なる処理でもよいが、医用画像を解析する処理であるものとする。解析処理としては、特に限定されないが、例えば、解剖学的領域に対する各種指標値の計算や画像計測等が行われる。各種指標値としては、例えば、拡散イメージングにおける拡散係数（ＡＤＣ：apparent diffusion coefficient）、ＦＡ（fractional anisotropy）、灌流イメージングにおける脳血液量（ＣＢＶ：cerebral blood volume）や脳血液量（ＣＢＦ：cerebral blood flow）、平均通過時間（ＭＴＴ：mean transit time）が挙げられる。

図８は、実施例２に係る医用データ処理装置１の典型的な流れを示す図である。図９は、実施例２に係る医用データ処理装置１の処理例を模式的に示す図である。

図８及び図９に示すように、生成局面において処理回路１１は、取得機能１１１の実現により、現在検査のＭＲ画像を取得する（ステップＳＢ１）。現在検査のＭＲ画像は、派生モデルによる推論対象のＭＲ画像を意味する。推論対象のＭＲ画像が属する検査を現在検査と呼び、推論対象のＭＲ画像が属する検査より前の検査を過去検査と呼ぶことにする。処理回路１１は、例えば、現在検査のＭＲ画像を画像保管装置から通信インタフェース１２を介して取得する。現在検査のＭＲ画像は第２医用データの一例である。

ステップＳＢ１が行われると処理回路１１は、生成機能１１２の実現により、現在検査のＭＲ画像に類似する過去検査のＭＲ画像があるか否かを判定する（ステップＳＢ２）。より詳細には、ステップＳＢ２において処理回路１１は、現在検査のＭＲ画像と同一の被検体に関するＭＲ画像であって、現在検査のＭＲ画像に類似する過去検査のＭＲ画像が画像保管装置に登録されているか否かを判定する。類似する過去検査のＭＲ画像は、実質的には、現在検査のＭＲ画像に描出される解剖学的部位の形態と略同一の形態が描出されているＭＲ画像である。

より詳細には、処理回路１１は、現在検査のＭＲ画像に類似する過去検査のＭＲ画像を、検索条件に従い画像保管装置を探索する。検索条件の一つは、現在検査のＭＲ画像の被検体の識別子である。これにより現在検査のＭＲ画像と過去検査のＭＲ画像との被検体が同一であることが確定される。解剖学的部位の形態の同一を確保するための検索条件としては、例えば、現在検査の検査日からの遡及日数が所定日数以内であることに設定される。被検体の年齢に応じて時間経過に伴う解剖学的形態の変化度合いが異なるので、被検体の年齢に応じて遡及日数が設定されるとよい。例えば、被検体が成人である場合、遡及日数は２ヶ月に設定され、被検体が小児である場合、遡及日数は１ヶ月に設定されるとよい。また、解剖学的部位の形態の同一を確保するための検索条件としては、現在検査のＭＲ画像と同一のスキャン部位、スキャンシーケンスの種別及び／又はコントラスト強調の種別であることに設定されるとよい。

ステップＳＢ２において類似する過去検査がないと判定された場合（ステップＳＢ２：ＮＯ）、生成機能１１２による学習済みモデルからの派生モデルの生成は行われない。この場合、処理回路１１は、推論機能１１３の実現により、ステップＳＢ１において取得された現在検査のＭＲ画像を学習済みモデルに適用して解析画像を生成する。生成された解析画像は表示機器１３等に表示される。

一方、ステップＳＢ２において類似する過去検査があると判定された場合（ステップＳＢ２：ＹＥＳ）、処理回路１１は、取得機能１１１の実現により、類似すると判定された過去検査のＭＲ画像を取得する（ステップＳＢ３）。具体的には、処理回路１１は、ステップＳＢ２において設定された検索条件に合致するＭＲ画像を画像保管装置から取得する。検索条件に合致するＭＲ画像が複数ある場合、処理回路１１は、複数のＭＲ画像のうちの任意の一のＭＲ画像を取得してもよい。一のＭＲ画像としては、例えば、現在検査に最も時間的に近い過去検査のＭＲ画像が取得されてもよいし、類似度が最も高いＭＲ画像が取得されてもよいし、他の任意の基準により選択されたＭＲ画像が取得されてもよい。また、検索条件に合致するＭＲ画像が複数ある場合、処理回路１１は、２以上の過去検査のＭＲ画像を取得してもよい。例えば、同一被検体に対し１ヶ月おきに複数の検査が行われている場合、現在検査から過去３ヶ月以内の検査（現在検査から１月前の過去検査と２月前の過去検査）のＭＲ画像を取得してもよい。取得された過去検査のＭＲ画像は第１医用データの一例である。現在検査のＭＲ画像と過去検査のＭＲ画像とは収集パラメータの一つである検査日が異なっている。

ステップＳＢ３が行われると処理回路１１は、生成機能１１２の実現により、ステップＳＢ３において取得された過去検査のＭＲ画像に基づいて学習済みモデルから派生モデルを生成する（ステップＳＢ４）。より詳細には、処理回路１１は、過去検査のＭＲ画像に基づいて学習済みモデルの調整パラメータを変更することにより派生モデルを生成する。実施例２に係る学習済みモデルは、ＭＲ画像を入力して、当該ＭＲ画像に基づく画像解析結果を出力するように学習された機械学習モデルである。学習済みモデルは、様々な被検体に関する学習データに基づいて学習されており、様々な被検体に対して汎化されている。ステップＳＢ４において処理回路１１は、一の過去検査のＭＲ画像が取得された場合、実施例１と同様、当該一の過去検査のＭＲ画像に基づいて学習済みモデルから派生モデルを生成すればよい。複数の過去検査のＭＲ画像が取得された場合、処理回路１１は、当該複数の過去検査のＭＲ画像に基づいて学習済みモデルから派生モデルを生成すればよい。推論対象の被検体に関するＭＲ画像に基づいて学習済みモデルから派生モデルが生成されるので、処理回路１１は、派生モデルを、学習済みモデルに比して、当該被検体に対して過適合を抑制しつつ適度に適合することとなる。また、現在検査のＭＲ画像に類似するＭＲ画像に基づいて学習済みモデルから派生モデルが生成されるので、派生モデルは、学習済みモデルに比して、過適合を抑制しつつ当該被検体の現在の解剖学的形態に対して適度に適合することとなる。

ステップＳＢ４が行われると処理回路１１は、推論機能１１３の実現により、ステップＳＢ１において取得された現在検査のＭＲ画像を、ステップＳＢ４において生成された派生モデルに適用して画像解析結果を出力する（ステップＳＢ５）。画像解析結果は第３医用データの一例である。ステップＢ５においては、派生モデルの生成処理が施されず多様な被検体に汎化された学習済みモデルではなく、推論対象の被検体に関する現在検査のＭＲ画像を、当該被検体に適合した派生モデルに適用しているので、より推論対象の被検体に適合した推論が行われることになり、結果的に、画像解析の精度が向上する。

ステップＳＢ５が行われると処理回路１１は、出力制御機能１１６の実現により、ステップＳＢ５において生成された画像解析結果を表示する（ステップＳＢ６）。例えば、表示機器１３に解析画像が表示される。この際、処理回路１１は、派生モデルを使用したことを示すメッセージと共に画像解析結果を表示してもよい。

ステップＳＢ６が行われると処理回路１１は、処分機能１１４の実現により、派生モデルのダンプを保存する（ステップＳＢ７）。ステップＳＢ７の処理は、図３に示すステップＳＡ７の処理と同様である。

ステップＳＢ７が行われると処理回路１１は、処分機能１１４の実現により、派生モデルを廃棄する（ステップＳＢ８）。ステップＳＢ７の処理は、図３に示すステップＳＡ７の処理と同様である。

以上により、実施例２に係る医用データ処理装置１の処理が終了する。

上記の通り、実施例２に係る処理回路１１は、同一被検体に関する過去検査の第一医用データを用いて学習済みモデルから派生モデルを生成し、現在検査の第二医用データを派生モデルに適用する。処理回路１１は、現在検査の第２医用データに類似する過去検査の第１医用データから派生モデルを生成しているので、派生モデルを、当該被検体に対して過適合を抑制しつつ適度に適合させることができる。これにより、一定の性能保証を行いつつ推論性能を向上することができる。

なお、上記の実施例は一例であり種々の変形が可能である。

（変形例２－１）
上記の実施例において現在検査は、推論対象のＭＲ画像が属する検査であり、最新の検査であるとした。しかしながら、現在検査は最新の検査である必要はない。この場合、画像保管装置には、同一被検体に関し、現在検査よりも後の検査日に関する検査（以下、後検査と呼ぶ）のＭＲ画像が保管されている場合がある。この場合、処理回路１１は、ステップＳＢ２において、現在検査のＭＲ画像に類似する後検査のＭＲ画像があるか否かを判定し、ステップＳＢ３において、後検査のＭＲ画像を取得し、ステップＳＢ４において、後検査のＭＲ画像に基づいて学習済みモデルから派生モデルを生成してもよい。

（変形例２－２）
上記の実施例においては、一の現在検査のＭＲ画像に対して派生モデルの適用処理が終了すると、当該派生モデルは廃棄されるものとした。しかしながら、変形例２－２に係る処理回路１１は、一の現在検査のＭＲ画像に続き、同一検査の他のＭＲ画像についても解析処理を行う場合、当該他のＭＲ画像にも同一派生モデルを適用してもよい。これにより、派生モデルを繰り返し生成する手間を削減することが可能である。この場合、ユーザによる入力インタフェース１４を介して廃棄指示が入力されたことを契機として、処理回路１１は、派生モデルを廃棄するとよい。

（実施例３）
以下、実施例３に係る医用データ処理装置１について説明する。実施例３に係る医用データ処理装置１は、医用画像診断装置に実装されてもよいし、ワークステーションに実装されてもよい。また、機械学習モデルの処理内容についても特に限定されない。

図１０は、実施例３に係る医用データ処理装置１の典型的な流れを示す図である。図１０に示すように、生成局面において処理回路１１は、取得機能１１１の実現により、現在検査の第２医用データを取得する（ステップＳＣ１）。現在検査の第２医用データは、派生モデルによる推論対象の医用データを意味する。

ステップＳＣ１が行われると処理回路１１は、生成機能１１２の実現により、現在検査において生成した派生モデルが存在するか否かを判定する（ステップＳＣ２）。派生モデルは、上記の幾つかの実施例同様、記憶装置１５に記憶されている学習済みモデルに基づく機械学習モデルである。ステップＳＣ２において処理回路１１は、例えば、処理回路１１による演算データが一時的に格納されるＲＡＭ等のメモリや記憶装置１５の記憶領域を探索し、派生モデルが存在するか否かを判定する。

ステップＳＣ２において生成した派生モデルが存在しないと判定された場合（ステップＳＣ２：ＮＯ）、処理回路１１は、生成機能１１２の実現により、現在検査の前撮像又は過去検査の第１医用データに基づいて学習済みモデルから派生モデルを生成する（ステップＳＣ３）。より詳細には、処理回路１１は、現在検査の前撮像又は過去検査の第１医用データに基づいて学習済みモデルの調整パラメータを変更することにより派生モデルを生成する。第１医用データについては上記の幾つかの実施例と同様に取得されればよい。

ステップＳＣ２において派生モデルが存在すると判定された場合（ステップＳＣ２：ＹＥＳ）、又はステップＳＣ２において派生モデルが存在しないと判定され（ステップＳＣ２：ＮＯ）且つステップＳＣ３において派生モデルが生成された場合、処理回路１１は、推論機能１１３の実現により、ステップＳＣ１において取得された第１医用データを、派生モデルに適用して第３医用データを生成する（ステップＳＣ４）。具体的には、ステップＳＣ２において生成した派生モデルが存在すると判定された場合（ステップＳＣ２：ＹＥＳ）、処理回路１１は、ステップＳＣ１において取得された第１医用データを、現在検査において既に生成されている派生モデルに適用して第３医用データを生成する。ステップＳＣ２において派生モデルが存在しないと判定され（ステップＳＣ２：ＮＯ）且つステップＳＣ３において派生モデルが生成された場合、処理回路１１は、ステップＳＣ１において取得された第１医用データを、ステップＳＣ３において生成された派生モデルに適用して第３医用データを生成する。

ステップＳＣ４において処理回路１１は、出力制御機能１１６の実現により、ステップＳ４において生成された第３医用データを表示する（ステップＳＣ５）。

実施例３によれば、現在検査の第２医用データを取得する毎に、現在検査において生成された派生モデルが存在するか否かが判定され、存在しない場合、現在検査の前撮像又は過去検査の第１医用データに基づいて派生モデルが生成され、生成された派生モデルが第２医用データに適用され、存在する場合、既に生成された派生モデルが第２医用データに適用される。

（実施例４）
図１１は、実施例４に係る医用データ処理装置１の処理例を模式的に示す図である。図１１に示すように、推論局面において処理回路１１は、推論機能１１３の実現により、第２医用データを派生モデルに適用して第３医用データを生成するとともに、第２医用データを学習済みモデルに適用して第４医用データを生成してもよい。処理回路１１は、出力制御機能１１６の実現により、第３医用データと第４医用データとを表示機器１３に表示する。第３医用データと第４医用データとは、比較のため、並べて表示されてもよいし、重畳して表示されてもよい。また、第３医用データには派生モデルの適用により生成された事を示す文章や記号が付され、第４医用データには学習済みモデルの適用により生成された事を示す文章や記号が付されて表示されてもよい。

実施例４によれば、当該被検体に対して適度に適合している派生モデルによる第３医用データと様々な被検体に対して汎化している学習済みモデルによる第４医用データとの双方を生成することができる。これにより派生モデルの精度が学習済みモデルの精度に比して劣化するおそれの場合であっても、精度を補償することができる。

以上説明した少なくとも１つの実施形態によれば、機械学習モデルの推論性能と性能保証との両立を実現することができる。

上記説明において用いた「プロセッサ」という文言は、例えば、ＣＰＵ、ＧＰＵ、或いは、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ））、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ））等の回路を意味する。プロセッサは記憶回路に保存されたプログラムを読み出し実行することで機能を実現する。なお、記憶回路にプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むよう構成しても構わない。この場合、プロセッサは回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。また、プログラムを実行するのではなく、論理回路の組合せにより当該プログラムに対応する機能を実現しても良い。なお、本実施形態の各プロセッサは、プロセッサごとに単一の回路として構成される場合に限らず、複数の独立した回路を組み合わせて１つのプロセッサとして構成し、その機能を実現するようにしてもよい。さらに、図１における複数の構成要素を１つのプロセッサへ統合してその機能を実現するようにしてもよい。

いくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更、実施形態同士の組み合わせを行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１ 医用データ処理装置
１１ 処理回路
１２ 通信インタフェース
１３ 表示機器
１４ 入力インタフェース
１５ 記憶装置
１１１ 取得機能
１１２ 生成機能
１１３ 推論機能
１１４ 処分機能
１１５ データ処理機能
１１６ 出力制御機能

Claims (13)

1. 医用画像診断装置により収集された生データ又は医用画像データであり、推論対象の被検体に関する第１医用データを取得する第１取得部と、
   医用データをノイズ低減処理、認識結果の出力処理及び／又は医用画像の解析処理する学習済みモデルを残しつつ、前記学習済みモデルから派生モデルを生成する生成部と、
   前記推論対象の被検体に関し且つ前記第１医用データとは異なる収集パラメータに関する、医用画像診断装置により収集された生データ又は医用画像データである第２医用データを取得する第２取得部と、
   前記第２医用データを前記派生モデルに適用して第３医用データを生成する適用部と、
   前記適用部による前記派生モデルの使用後、前記派生モデルを廃棄する処分部と、
   を具備し、
   前記学習済みモデルは、複数の被検体に関する複数の学習サンプルに基づく機械学習を実施済みであり、前記機械学習により決定された調整パラメータが割り当てられた、前記複数の被検体に汎化した機械学習モデルであり、
   前記派生モデルは、前記学習済みモデルの調整パラメータの全部又は一部を前記第１医用データに基づいて変更することにより生成された、前記推論対象の被検体に適合した機械学習モデルである、
   医用データ処理装置。
2. 前記第１医用データと前記第２医用データとは、検査対象の解剖学的部位が同一の同一検査において収集された医用データであり、
   前記第２医用データは、前記第１医用データよりも後のスキャンにより収集された医用データである、
   請求項１記載の医用データ処理装置。
3. 前記第１医用データは、本スキャンを行うためのキャリブレーションスキャンにより収集された医用データであり、
   前記第２医用データは、前記本スキャンにより収集された医用データである、
   前記第１医用データと前記第２医用データとは、前記収集パラメータとして、スキャン日時、スキャンシーケンスの種別及び／又はスキャンコントラストの種別が異なる、
   請求項１記載の医用データ処理装置。
4. 前記第１医用データは、第１の本スキャンにより収集された医用データであり、
   前記第２医用データは、前記第１の本スキャンより後の第２の本スキャンにより収集された医用データである、
   請求項１記載の医用データ処理装置。
5. 前記第１医用データは、前記推論対象の被検体に関する過去検査の医用データであり、
   前記第２医用データは、前記推論対象の被検体に関する現在検査の医用データである、
   請求項１記載の医用データ処理装置。
6. 前記生成部は、前記第１医用データに基づいて教師データを生成し、前記第１医用データと前記教師データとに基づく誤差逆伝播法により前記学習済みモデルの調整パラメータを変更することにより前記派生モデルを生成する、請求項１記載の医用データ処理装置。
7. 前記第１医用データは、前記医用画像診断装置である磁気共鳴イメージング装置による間引きスキャンにより収集され、
   前記第１取得部は、前記第１医用データを収集した前記間引きスキャンに組込まれた又は別途行われる追加スキャンにおいて、前記第１医用データに関するｋ空間ラインの欠落部分に関する追加医用データを取得し、
   前記生成部は、前記第１医用データと前記追加医用データとに基づいて前記教師データを生成する、
   請求項６記載の医用データ処理装置。
8. 前記生成部は、
   前記学習済みモデルに含まれる複数の調整パラメータのうちの前記一部の調整パラメータを変更対象パラメータに設定し、残部のパラメータを固定パラメータに設定し、
   前記変更対象パラメータに限定して変更する、
   請求項１記載の医用データ処理装置。
9. 前記生成部は、現在検査における前記第２医用データに類似する、他の検査における他検査医用データが存在する場合、前記第１医用データとして前記他検査医用データに基づいて前記学習済みモデルのパラメータを変更して前記派生モデルを生成し、
   前記現在検査における前記第２医用データを前記派生モデルに適用して前記第３医用データを生成する、
   請求項１記載の医用データ処理装置。
10. 前記収集パラメータは、スキャン日時、スライス位置、スキャン条件及び画像再構成法の何れか１つを含む、請求項１記載の医用データ処理装置。
11. 前記処分部は、前記適用部による前記派生モデルの使用後、前記派生モデルのダンプを生成し、前記第２医用データを前記学習済みモデルに適用して第４医用データを生成する、請求項１記載の医用データ処理装置。
12. 前記適用部は、前記第２医用データを前記派生モデルに適用して前記第３医用データを生成し、前記第２医用データを前記学習済みモデルに適用して第４医用データを生成する、請求項１記載の医用データ処理装置。
13. 処理回路が、
    医用画像診断装置により収集された生データ又は医用画像データであり、推論対象の被検体に関する第１医用データを取得し、
    医用データをノイズ低減処理、認識結果の出力処理及び／又は医用画像の解析処理する学習済みモデルを残しつつ、前記学習済みモデルから派生モデルを生成し、
    前記推論対象の被検体に関し且つ前記第１医用データとは異なる収集パラメータに関する、医用画像診断装置により収集された生データ又は医用画像データである第２医用データを取得し、
    前記第２医用データを前記派生モデルに適用して第３医用データを生成し、
    前記派生モデルの適用後、前記派生モデルを廃棄する、
    ことを具備し、
    前記学習済みモデルは、複数の被検体に関する複数の学習サンプルに基づく機械学習を実施済みであり、前記機械学習により決定された調整パラメータが割り当てられた、前記複数の被検体に汎化した機械学習モデルであり、
    前記派生モデルは、前記学習済みモデルの調整パラメータの全部又は一部を前記第１医用データに基づいて変更することにより生成された、前記推論対象の被検体に適合した機械学習モデルである、
    医用データ処理方法。