[发明专利]相似度确定装置、方法及程序

说明书

本发明提供一种相似度确定装置、方法及程序，其能够根据图像中所包括的观察结果的尺寸适当地确定图像之间的相似度。观察结果分类部(22)将第1医用图像的各个像素分类为至少一个观察结果。特征量计算部(23)针对每个观察结果计算第1特征量。权重系数设定部(24)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(25)根据权重系数进行在第1医用图像中计算出的每个观察结果的所述第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，已知一种相似病例检索装置，其根据成为检查对象的CT图像等检查图像来检索与检查图像相似的过去病例(例如，参考非专利文献1及专利文献1、2)。在非专利文献1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，在专利文献1、2中提出如下方法：将图像的浓度直方图、浓度的平均值或浓度的分散度等图像的特征量和登记到数据库中的图像的特征量进行比较，由此检索与检查图像相似的图像。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，并使用对各部分区域设定的权重系数对所确定的部分区域相似度加权相加，由此计算整个区域相似度(参考专利文献3)。

作为肺疾病，已知有间质性肺炎。提出如下方法：通过分析间质性肺炎患者的CT图像，将CT图像中所包括的蜂窝肺、网状阴影及囊肿等表示特定观察结果的病变进行分类并定量化(参考非专利文献2、3)。如此分析CT图像并对病变进行分类并定量化，由此能够容易判定肺疾病的程度。并且，对如此分类并定量化的区域分配分别不同的颜色而显示，由此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，为了将图像中的关注像素分类为多个类别，提出一种深度学习(Deeplearning)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构建。

在深度学习中，在多层神经网络的各个层中，针对由相对于所输入数据的前一级层级得到的不同的多个运算结果数据，即，特征量的提取结果数据进行运算处理。而且，针对由此得到的特征量数据，在下一级以后的处理层中进一步进行运算处理，由此能够提高特征量的识别率，并将所输入的数据分类为多个类别。

可以认为，将这种深度学习方法适用于上述三维图像，以将三维图像的各个像素分类为多个类别。例如，当将三维图像中所包括的多个种类的结构物进行分类时，对神经网络进行深度学习，以输入三维图像并将三维图像中的成为处理对象的像素分类为多个种类的结构物中的任一个。通过使用如此进行了深度学习的神经网络，可以将所输入的三维图像的目标像素分类为多个种类的结构物中的任一个。

以往技术文献

专利文献

专利文献1：日本再公表2013-065090号公报

专利文献2：日本特开2011-118543号公报

专利文献3：日本特开2000-342558号公报

非专利文献