JP7346192B2 - 装置、医用情報処理装置、及びプログラム - Google Patents

Description

本発明の実施形態は、装置、医用情報処理装置、及びプログラムに関する。

心臓が撮像された時系列の医用画像データを用いて、心臓の壁運動を解析する壁運動解析技術が知られている。例えば、超音波イメージングでは、時系列の超音波画像データに対してスペックルトラッキング（Speckle Tracking）を行って、心臓壁のストレインや変位等から運動情報を算出することが行われている。

心疾患の症状の一つとして、虚血状態において局所的な壁運動異常（hypokinesis）が現れることが知られている。そこで、この壁運動異常の診断を行うために、ストレインの波形情報から得られる特徴を指標値として定義したり、その指標値に応じた輝度値をマッピングした指標画像を表示したりする技術が種々提案されている。

しかしながら、ストレインの絶対値は、患者（被検体）ごと或いは心臓の領域ごとに変わるため、壁運動が低下しているか否かをピーク値で識別するのはロバストではない。また、虚血状態で認められる波形情報の特徴は健常者にも認められる場合があるため、この特徴に基づく指標定義では特異度が低い。したがって、既存の技術では、局所的な壁運動異常を高精度かつロバストに識別することは難しい。

特開２００７－１１７６１１号公報 特開２００９－４４８号公報 特開２００９－１６５８１５号公報

Ishii K, Suyama T, Imai M, Maenaka M, Yamanaka A, Makino Y, Seino Y, Shimada K, Yoshikawa J. "Abnormal regional left ventricular systolic and diastolic function in patients with coronary artery disease undergoing percutaneous coronary intervention: clinical significance of post-ischemic diastolic stunning." J Am Coll Cardiol. 2009 Oct 20;54(17):1589-97. Perk G, Tunick PA, Kronzon I. "Non-Doppler two-dimensional strain imaging by echocardiography--from technical considerations to clinical applications." J Am Soc Echocardiogr. 2007 Mar;20(3):234-43. Onishi T, Uematsu M, Nanto S, Morozumi T, Watanabe T, Awata M, Iida O, Sera F, Nagata S. "Detection of diastolic abnormality by dyssynchrony imaging: correlation with coronary artery disease in patients presenting with visibly normal wall motion." Circ J. 2009 Jan;73(1):125-31.

本発明が解決しようとする課題は、局所的な壁運動異常を高精度かつロバストに識別することができる装置、医用情報処理装置、及びプログラムを提供することである。

実施形態に係る医用画像診断装置は、取得部と、判定部とを備える。取得部は、第１被検体の心臓について、第１局所領域および第１全体領域それぞれにおける壁運動パラメータの時系列変化を表す複数の第１医用情報を取得する。判定部は、前記複数の第１医用情報に基づいて、前記第１局所領域における異常を判定する。

図１は、第１の実施形態に係る超音波診断装置の構成例を示すブロック図である。 図２は、第１の実施形態に係る医用情報処理装置の構成例を示すブロック図である。 図３は、第１の実施形態に係る超音波診断装置及び医用情報処理装置により行われる学習時及び運用時の処理を示す図である。 図４は、第１の実施形態に係る機械学習用の波形情報群について説明するための図である。 図５は、第１の実施形態に係る波形情報群の一例について説明するための図である。 図６は、第１の実施形態に係る機械学習用の異常判定結果について説明するための図である。 図７は、第１の実施形態に係る出力制御機能による出力例を説明するための図である。 図８は、第１の実施形態に係る出力制御機能による出力例を説明するための図である。 図９は、第１の実施形態に係る医用情報処理装置の処理手順を示すフローチャートである。 図１０は、第１の実施形態に係る超音波診断装置の処理手順を示すフローチャートである。 図１１は、第２の実施形態に係る超音波診断装置の構成例を示すブロック図である。 図１２は、第２の実施形態に係る算出機能により算出される指標値について説明するための図である。 図１３は、第２の実施形態に係る出力制御機能による出力例を説明するための図である。 図１４は、その他の実施形態に係る医用情報処理システムの構成例を示すブロック図である。

以下、図面を参照して、実施形態に係る装置、医用情報処理装置、及びプログラムを説明する。なお、以下に説明する実施形態は、以下の説明に限定されるものではない。以下に説明する実施形態は、処理内容に矛盾が生じない範囲で他の実施形態や従来技術との組み合わせが可能である。

（第１の実施形態）
第１の実施形態に係る超音波診断装置及び医用情報処理装置について説明する。ここで、第１の実施形態に係る超音波診断装置は、学習済みモデルを備え、学習済みモデルを用いて局所的な壁運動異常を高精度かつロバストに識別することができる。また、第１の実施形態に係る医用情報処理装置は、超音波診断装置が備える学習済みモデルを構築する。なお、第１の実施形態では、超音波診断装置が学習済みモデルを備える場合を説明するが、実施形態はこれに限定されるものではない。超音波診断装置以外の装置が学習済みモデルを備える場合の実施形態については、後述する。

図１及び図２を用いて、第１の実施形態に係る超音波診断装置及び医用情報処理装置の構成について説明する。図１は、第１の実施形態に係る超音波診断装置１００の構成例を示すブロック図である。図２は、第１の実施形態に係る医用情報処理装置２００の構成例を示すブロック図である。なお、第１の実施形態では、超音波診断装置１００及び医用情報処理装置２００がネットワークＮＷを介して通信可能に接続される場合を説明するが、これに限定されるものではない。例えば、超音波診断装置１００及び医用情報処理装置２００は、ネットワークＮＷを介さずとも、記憶媒体、又は、取り外し可能な外部記憶装置等を介して情報の受け渡しを行うことが可能である。

まず、図１に示す超音波診断装置１００の構成について説明する。図１に示すように、第１の実施形態に係る超音波診断装置１００は、超音波プローブ１０１、入力インタフェース１０２、ディスプレイ１０３、心電計１０４、及び装置本体１０５を有する。超音波プローブ１０１、入力インタフェース１０２、ディスプレイ１０３、及び心電計１０４は、装置本体１０５と通信可能に接続される。

超音波プローブ１０１は、複数の振動子を有し、これら複数の振動子は、装置本体１０５が有する送受信回路１１０から供給される駆動信号に基づき超音波を発生する。また、超音波プローブ１０１は、被検体Ｘからの反射波を受信して電気信号に変換する。また、超音波プローブ１０１は、振動子に設けられる整合層と、振動子から後方への超音波の伝播を防止するバッキング材等を有する。なお、超音波プローブ１０１は、装置本体１０５と着脱自在に接続される。

超音波プローブ１０１から被検体Ｘに超音波が送信されると、送信された超音波は、被検体Ｘの体内組織における音響インピーダンスの不連続面で次々と反射され、反射波信号として超音波プローブ１０１が有する複数の振動子にて受信される。受信される反射波信号の振幅は、超音波が反射される不連続面における音響インピーダンスの差に依存する。なお、送信された超音波パルスが、移動している血流や心臓壁等の表面で反射された場合の反射波信号は、ドプラ効果により、移動体の超音波送信方向に対する速度成分に依存して、周波数偏移を受ける。

入力インタフェース１０２は、操作者から各種の指示及び情報の入力操作を受け付ける。具体的には、入力インタフェース１０２は、操作者から受け付けた入力操作を電気信号へ変換して装置本体１０５の処理回路１７０に出力する。例えば、入力インタフェース１０２は、トラックボール、スイッチボタン、マウス、キーボード、操作面へ触れることで入力操作を行うタッチパッド、表示画面とタッチパッドとが一体化されたタッチスクリーン、光学センサを用いた非接触入力回路、及び音声入力回路等によって実現される。なお、入力インタフェース１０２は、マウス、キーボード等の物理的な操作部品を備えるものだけに限られない。例えば、装置とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を制御回路へ出力する電気信号の処理回路も入力インタフェース１０２の例に含まれる。

ディスプレイ１０３は、各種の情報及び画像を表示する。具体的には、ディスプレイ１０３は、処理回路１７０から送られる情報及び画像のデータを表示用の電気信号に変換して出力する。例えば、ディスプレイ１０３は、液晶モニタやＣＲＴ（Cathode Ray Tube）モニタ、タッチパネル等によって実現される。なお、超音波診断装置１００が備える出力装置としては、ディスプレイ１０３に限らず、例えば、スピーカーを備えていても良い。例えば、スピーカーは、装置本体１０５の処理状況を操作者に通知するために、ビープ音などの所定の音声を出力する。

心電計１０４は、被検体Ｘの生体信号として、被検体Ｘの心電波形（Electrocardiogram：ＥＣＧ）を取得する。心電計１０４は、取得した心電波形を装置本体１０５に送信する。なお、本実施形態では、被検体Ｘの心臓の心時相に関する情報を取得する手段の一つとして、心電計１０４を用いる場合を説明するが、実施形態はこれに限定されるものではない。例えば、超音波診断装置１００は、心音図の第ＩＩ音（第二音）の時間若しくはスペクトラムドプラによる心臓の駆出血流の計測により求まる大動脈弁閉鎖（Aortic Valve Close：ＡＶＣ）時間を取得することで、被検体Ｘの心臓の心時相に関する情報を取得してもよい。

装置本体１０５は、超音波プローブ１０１が受信した反射波信号に基づいて超音波画像データを生成する装置である。図１に示す装置本体１０５は、超音波プローブ１０１が受信した２次元の反射波データに基づいて２次元の超音波画像データを生成可能な装置である。また、装置本体１０５は、超音波プローブ１０１が受信した３次元の反射波データに基づいて３次元の超音波画像データを生成可能な装置である。

装置本体１０５は、図１に示すように、送受信回路１１０、信号処理回路１２０、画像生成回路１３０、画像メモリ１４０、記憶回路１５０、ネットワーク（network：ＮＷ）インタフェース１６０、及び処理回路１７０を有する。送受信回路１１０、信号処理回路１２０、画像生成回路１３０、画像メモリ１４０、記憶回路１５０、ＮＷインタフェース１６０、及び処理回路１７０は、互いに通信可能に接続される。

送受信回路１１０は、パルス発生器、送信遅延部、パルサ等を有し、超音波プローブ１０１に駆動信号を供給する。パルス発生器は、所定のレート周波数で、送信超音波を形成するためのレートパルスを繰り返し発生する。また、送信遅延部は、超音波プローブ１０１から発生される超音波をビーム状に集束し、かつ送信指向性を決定するために必要な振動子ごとの遅延時間を、パルス発生器が発生する各レートパルスに対し与える。また、パルサは、レートパルスに基づくタイミングで、超音波プローブ１０１に駆動信号（駆動パルス）を印加する。すなわち、送信遅延部は、各レートパルスに対し与える遅延時間を変化させることで、振動子面から送信される超音波の送信方向を任意に調整する。

なお、送受信回路１１０は、処理回路１７０の指示に基づいて、所定のスキャンシーケンスを実行するために、送信周波数、送信駆動電圧等を瞬時に変更可能な機能を有している。特に、送信駆動電圧の変更は、瞬間にその値を切り替え可能なリニアアンプ型の発信回路、又は、複数の電源ユニットを電気的に切り替える機構によって実現される。

また、送受信回路１１０は、プリアンプ、Ａ／Ｄ（Analog／Digital）変換器、受信遅延部、加算器等を有し、超音波プローブ１０１が受信した反射波信号に対して各種処理を行って反射波データを生成する。プリアンプは、反射波信号をチャネル毎に増幅する。Ａ／Ｄ変換器は、増幅された反射波信号をＡ／Ｄ変換する。受信遅延部は、受信指向性を決定するために必要な遅延時間を与える。加算器は、受信遅延部によって処理された反射波信号の加算処理を行なって反射波データを生成する。加算器の加算処理により、反射波信号の受信指向性に応じた方向からの反射成分が強調され、受信指向性と送信指向性とにより超音波送受信の総合的なビームが形成される。

ここで、送受信回路１１０からの出力信号の形態は、ＲＦ（Radio Frequency）信号と呼ばれる位相情報が含まれる信号である場合や、包絡線検波処理後の振幅情報である場合等、種々の形態が選択可能である。

信号処理回路１２０は、送受信回路１１０から反射波データを受信し、対数増幅、包絡線検波処理等を行なって、信号強度が輝度の明るさで表現されるデータ（Ｂモードデータ）を生成する。また、信号処理回路１２０は、送受信回路１１０から受信した反射波データから速度情報を周波数解析し、ドプラ効果による血流や組織、造影剤エコー成分を抽出し、速度、分散、パワー等の移動体情報を多点について抽出したデータ（ドプラデータ）を生成する。

なお、図１に例示する信号処理回路１２０は、２次元の反射波データ及び３次元の反射波データの両方について処理可能である。すなわち、信号処理回路１２０は、２次元の反射波データから２次元のＢモードデータを生成し、３次元の反射波データから３次元のＢモードデータを生成する。また、信号処理回路１２０は、２次元の反射波データから２次元のドプラデータを生成し、３次元の反射波データから３次元のドプラデータを生成する。

画像生成回路１３０は、信号処理回路１２０が生成したデータから超音波画像データを生成する。すなわち、画像生成回路１３０は、信号処理回路１２０が生成した２次元のＢモードデータから反射波の強度を輝度で表した２次元のＢモード画像データを生成する。また、画像生成回路１３０は、信号処理回路１２０が生成した２次元のドプラデータから移動体情報を表す２次元のドプラ画像データを生成する。２次元のドプラ画像データは、速度画像、分散画像、パワー画像、又は、これらを組み合わせた画像である。また、画像生成回路１３０は、信号処理回路１２０が生成した１走査線上のＢモードデータの時系列データから、Ｍモード画像データを生成することも可能である。また、画像生成回路１３０は、信号処理回路１２０が生成したドプラデータから、血流や組織の速度情報を時系列に沿ってプロットしたドプラ波形を生成することも可能である。

ここで、画像生成回路１３０は、一般的には、超音波走査の走査線信号列を、テレビ等に代表されるビデオフォーマットの走査線信号列に変換（スキャンコンバート）し、表示用の超音波画像データを生成する。具体的には、画像生成回路１３０は、超音波プローブ１０１による超音波の走査形態に応じて座標変換を行なうことで、表示用の超音波画像データを生成する。また、画像生成回路１３０は、スキャンコンバート以外に種々の画像処理として、例えば、スキャンコンバート後の複数の画像フレームを用いて、輝度の平均値画像を再生成する画像処理（平滑化処理）や、画像内で微分フィルタを用いる画像処理（エッジ強調処理）等を行なう。また、画像生成回路１３０は、超音波画像データに、種々のパラメータの文字情報、目盛り、ボディーマーク等を合成する。

更に、画像生成回路１３０は、ボリュームデータをディスプレイ１０３にて表示するための各種の２次元画像データを生成するために、ボリュームデータに対してレンダリング処理を行う。画像生成回路１３０が行うレンダリング処理としては、断面再構成法（ＭＰＲ：Multi Planer Reconstruction）を行ってボリュームデータからＭＰＲ画像データを生成する処理がある。また、画像生成回路１３０が行うレンダリング処理としては、ボリュームデータに対して「Curved MPR」を行う処理や、ボリュームデータに対して「Maximum Intensity Projection」を行う処理がある。また、画像生成回路１３０が行うレンダリング処理としては、ボリュームレンダリング（ＶＲ：Volume Rendering）処理やサーフェスレンダリング（ＳＲ：Surface Rendering）処理がある。

すなわち、Ｂモードデータ及びドプラデータは、スキャンコンバート処理前の超音波画像データであり、画像生成回路１３０が生成するデータは、スキャンコンバート処理後の表示用の超音波画像データである。なお、Ｂモードデータ及びドプラデータは、生データ（Raw Data）とも呼ばれる。画像生成回路１３０は、スキャンコンバート処理前の２次元超音波画像データである「２次元のＢモードデータや２次元のドプラデータ」から、表示用の２次元超音波画像データである「２次元のＢモード画像データや２次元ドプラ画像データ」を生成する。

画像メモリ１４０は、画像生成回路１３０が生成した表示用の画像データを記憶するメモリである。また、画像メモリ１４０は、信号処理回路１２０が生成したデータを記憶することも可能である。画像メモリ１４０が記憶するＢモードデータやドプラデータは、例えば、診断の後に操作者が呼び出すことが可能となっており、画像生成回路１３０を経由して表示用の超音波画像データとなる。

なお、画像生成回路１３０は、超音波画像データと、当該超音波画像データを生成するために行なわれた超音波走査の時間とを、心電計１０４から送信された心電波形に対応付けて画像メモリ１４０に格納する。後述する処理回路１７０は、画像メモリ１４０に格納されたデータを参照することで、超音波画像データを生成するために行なわれた超音波走査時の心時相を取得することができる。

記憶回路１５０は、各種のデータを記憶する。例えば、記憶回路１５０は、超音波送受信、画像処理及び表示処理を行なうための制御プログラムや、診断情報（例えば、患者ＩＤ、医師の所見等）や、診断プロトコルや各種ボディーマーク等の各種データを記憶する。また、記憶回路１５０は、必要に応じて、画像メモリ１４０が記憶する画像データの保管等にも使用される。例えば、記憶回路１５０は、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリ素子や、ハードディスク、光ディスク等によって実現される。また、記憶回路１５０が記憶するデータは、ＮＷインタフェース１６０を経由して、外部装置へ転送することができる。

ＮＷインタフェース１６０は、装置本体１０５と外部装置との間で行われる通信を制御する。具体的には、ＮＷインタフェース１６０は、外部装置から各種の情報を受信し、受信した情報を処理回路１７０に出力する。例えば、ＮＷインタフェース１６０は、ネットワークカードやネットワークアダプタ、ＮＩＣ（Network Interface Controller）等によって実現される。

処理回路１７０は、超音波診断装置１００の処理全体を制御する。具体的には、処理回路１７０は、入力インタフェース１０２を介して操作者から入力された各種設定要求や、記憶回路１５０から読み込んだ各種制御プログラム及び各種データに基づき、送受信回路１１０、信号処理回路１２０、及び画像生成回路１３０の処理を制御する。また、処理回路１７０は、画像メモリ１４０や記憶回路１５０が記憶する表示用の超音波画像データをディスプレイ１０３にて表示するように制御する。

また、処理回路１７０は、取得機能１７１、追跡機能１７２、判定機能１７３、及び出力制御機能１７４を実行する。ここで、取得機能１７１は、取得部の一例である。追跡機能１７２は、追跡部の一例である。判定機能１７３は、判定部の一例である。出力制御機能１７４は、出力制御部の一例である。なお、処理回路１７０が実行する取得機能１７１、追跡機能１７２、判定機能１７３、及び出力制御機能１７４の処理内容については、後述する。

ここで、例えば、図１に示す処理回路１７０の構成要素である取得機能１７１、追跡機能１７２、判定機能１７３、及び出力制御機能１７４が実行する各処理機能は、コンピュータによって実行可能なプログラムの形態で記憶回路１５０に記録されている。処理回路１７０は、各プログラムを記憶回路１５０から読み出し、実行することで各プログラムに対応する機能を実現するプロセッサである。換言すると、各プログラムを読み出した状態の処理回路１７０は、図１の処理回路１７０内に示された各機能を有することとなる。

なお、本実施形態においては、単一の処理回路１７０にて、以下に説明する各処理機能が実現されるものとして説明するが、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機能を実現するものとしても構わない。

次に、図２に示す医用情報処理装置２００の構成について説明する。図２に示すように、医用情報処理装置２００は、入力インタフェース２０１、ディスプレイ２０２，ＮＷインタフェース２０３、記憶回路２０４、及び処理回路２１０を有する。

入力インタフェース２０１は、操作者から各種の指示及び情報の入力操作を受け付ける。具体的には、入力インタフェース２０１は、操作者から受け付けた入力操作を電気信号へ変換して処理回路２１０に出力する。例えば、入力インタフェース２０１は、トラックボール、スイッチボタン、マウス、キーボード、操作面へ触れることで入力操作を行うタッチパッド、表示画面とタッチパッドとが一体化されたタッチスクリーン、光学センサを用いた非接触入力回路、及び音声入力回路等によって実現される。なお、入力インタフェース２０１は、マウス、キーボード等の物理的な操作部品を備えるものだけに限られない。例えば、装置とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を制御回路へ出力する電気信号の処理回路も入力インタフェース２０１の例に含まれる。

ディスプレイ２０２は、各種の情報及び画像を表示する。具体的には、ディスプレイ２０２は、処理回路２１０から送られる情報及び画像のデータを表示用の電気信号に変換して出力する。例えば、ディスプレイ２０２は、液晶モニタやＣＲＴ（Cathode Ray Tube）モニタ、タッチパネル等によって実現される。なお、医用情報処理装置２００が備える出力装置としては、ディスプレイ２０２に限らず、例えば、スピーカーを備えていても良い。例えば、スピーカーは、医用情報処理装置２００の処理状況を操作者に通知するために、ビープ音などの所定の音声を出力する。

ＮＷインタフェース２０３は、処理回路２１０に接続されており、医用情報処理装置２００と外部装置との間で行われる通信を制御する。具体的には、ＮＷインタフェース２０３は、外部装置から各種の情報を受信し、受信した情報を処理回路２１０に出力する。例えば、ＮＷインタフェース２０３は、ネットワークカードやネットワークアダプタ、ＮＩＣ等によって実現される。

記憶回路２０４は、処理回路２１０に接続されており、各種のデータを記憶する。例えば、記憶回路２０４は、ＲＡＭ、フラッシュメモリ等の半導体メモリ素子や、ハードディスク、光ディスク等によって実現される。

処理回路２１０は、入力インタフェース２０１を介して操作者から受け付けた入力操作に応じて、医用情報処理装置２００の動作を制御する。例えば、処理回路２１０は、プロセッサによって実現される。

また、処理回路２１０は、学習機能２１１を実行する。なお、処理回路２１０が実行する学習機能２１１の処理内容については、後述する。学習機能２１１は、学習部の一例である。

ここで、全領域的な壁運動異常を示す症例であれば、心臓の駆出率に反映されるため、医療従事者であれば誰でも容易に識別することができる。一方、死亡率が高い疾患の一つである虚血性心疾患に伴う局所的な壁運動異常を発見することは熟練者でも難しく、例えば、同一患者のストレインの波形情報を複数の熟練者が確認すれば意見が分かれることが多い。このため、虚血性心疾患に伴う局所的な壁運動異常の診断を正確に行うために、ストレインの波形情報から得られる特徴量を指標値として定義したり、その指標値をマッピングした指標画像を表示したりする技術が種々提案されている。

例えば、虚血状態に特有のサイン（虚血メモリ）であるＰＳＳ（Post-Systolic Shortening）や、収縮遅延（tardokinesis）、拡張遅延（postischemic diastolic stunning）に関する指標値として、ＰＳＩ（Post-systolic Strain Index）やＳＩ－ＤＩ（Strain Imaging Diastolic Index）が提案されている。また、壁運動異常を呈する部位は健常部位と比較してストレインが相対的に小さいことから、ピークストレインの利用が提案されている。また、虚血による収縮末期の壁運動遅延を捉えるために、ストレインがピーク値に到達した時間を画像化したＤＩ（Dyssynchrony Imaging）の利用が提案されている。また、虚血による収縮早期に生じる収縮自体の遅延やプレストレッチに伴う収縮遅延を捉えるために、ストレインが所定の閾値に到達した時間を画像化したＡＩ（Activation Imaging）の利用が提案されている。

ところが、実臨床の場面では、既存の虚血診断に関する各種指標が上手く機能しない場合がある。例えば、ストレインの絶対値は患者（被検体）ごと、或いは心臓の領域ごとに変わるため、活動中の心臓の壁運動が低下しているか否かをピーク値で識別するのはロバストではない。また、健常者にもＰＳＳ等の虚血メモリに類似のサインが認められる場合があるため、ストレインの波形情報のタイミング異常に着目したＰＳＩやＳＩ－ＤＩも特異度が低い。また、虚血症例であっても必ずしも個々の指標に対して特徴的なサインが認められるとは限らないため、識別精度が低い。したがって、ストレインに基づく「ある指標」による分類では、局所的な壁運動異常を高精度かつロバストに識別することは難しい。

ここで、局所的な壁運動異常を識別することは熟練者でも難しいものの、熟練者の中でも極めて多くの経験を積んだ一部の熟練者（以下、「一部の熟練者」と略記）であれば、波形情報の目視により壁運動異常を識別可能である。この際、一部の熟練者（人）は、全体的な壁運動に対する局所的なストレインの波形情報の相対的な差異を捉えているものと考えられる。既存の指標値は、この差異を捉えるアプローチであると言える。しかしながら、上述したように、ストレインの波形情報から局所的な壁運動異常のサインを定義して識別するという既存のアプローチでは限界がある。なお、上記の説明では、壁運動パラメータの一例としてストレインを挙げて説明したが、変位が利用される場合にも同様である。

そこで、第１の実施形態に係る医用情報処理装置２００は、複数の症例における壁運動パラメータの複数の波形情報（波形情報群）を入力データとし、一部の熟練者により壁運動異常である否かが識別された異常判定結果を正解データとする機械学習により学習済みモデルを構築する。そして、第１の実施形態に係る超音波診断装置１００は、医用情報処理装置２００により構築された学習済みモデルに対して診断対象者（被検体）の壁運動パラメータの波形情報群を入力することで、診断対象者の異常判定結果を出力する。

図３を用いて、第１の実施形態に係る超音波診断装置１００及び医用情報処理装置２００により行われる学習時及び運用時の処理を説明する。図３は、第１の実施形態に係る超音波診断装置１００及び医用情報処理装置２００により行われる学習時及び運用時の処理を示す図である。

図３の上段に示すように、学習時には、医用情報処理装置２００は、例えば、被検体Ｐ１～ＰＮの波形情報群及び異常判定結果を用いて機械学習を行う。ここで、被検体Ｐ１～ＰＮの波形情報群は、複数の局所的領域及び全体的領域それぞれにおける壁運動パラメータの時系列変化を表す複数の波形情報を含む。また、被検体Ｐ１～ＰＮの異常判定結果は、各局所的領域についての異常判定結果を含む。医用情報処理装置２００は、この機械学習により、被検体の波形情報群の入力により、各局所的領域に着いての異常判定結果を出力する学習済みモデルを構築する。この学習済みモデルは、超音波診断装置１００に受け渡され、記憶回路１５０に格納される。

そして、図３の下段に示すように、運用時には、超音波診断装置１００は、診断対象者である被検体Ｘの波形情報群を、医用情報処理装置２００により構築された学習済みモデルに対して入力することで、学習済みモデルに被検体Ｘの異常判定結果を出力させる。そして、超音波診断装置１００は、学習済みモデルから出力された被検体Ｘの異常判定結果を操作者に提示する。

なお、本実施形態では、「局所的領域」を「局所領域」とも記載する。また、「全体的領域」を「全体領域」とも記載する。また、被検体Ｘを「第１被検体」とも記載する。また、第１被検体の局所領域を「第１局所領域」とも記載し、全体領域を「第１全体領域」とも記載する。また、被検体Ｐ１～ＰＮを「第２被検体」とも記載する。また、第２被検体の局所領域を「第２局所領域」とも記載し、全体領域を「第２全体領域」とも記載する。

以下、第１の実施形態に係る超音波診断装置１００及び医用情報処理装置２００の各処理機能について説明する。以下では先ず、学習済みモデルを生成する医用情報処理装置２００について説明し、次に、学習済みモデルを用いて局所的な壁運動異常の判定を行う超音波診断装置１００について説明する。

医用情報処理装置２００において、記憶回路２０４は、複数の被検体Ｐ１～ＰＮの心臓について、複数の局所的領域及び全体的領域それぞれにおけるストレインの波形情報群と、複数の局所的領域についての異常判定結果とを記憶する。なお、ストレインの波形情報群は、壁運動パラメータの時系列変化を表す複数の医用情報の一例である。

図４を用いて、第１の実施形態に係る機械学習用の波形情報群について説明する。図４は、第１の実施形態に係る機械学習用の波形情報群について説明するための図である。

図４に示すように、波形情報群は、複数の波形情報を含む。例えば、波形情報群は、第１軸～第５軸の５つの軸において異なる種類の情報を含む。ここで、波形情報群は、全体的な壁運動に対する局所的なストレインの波形情報の相対的な差異を捉えるために、少なくとも領域の違いを含むのが好適である。また、波形情報群は、壁運動パラメータ、時相、壁厚方向における位置、及び心臓の運動方向のうち少なくとも一つにおいて異なる種類の情報を含む。

第１軸は、領域の違いを表す領域軸である。例えば、第１軸は、グローバル（全体的領域）と、複数のセグメント１，２，・・・Ｎ（局所的領域）とにより表される。グローバルとは、典型的にはスペックルトラッキングの解析対象の部位全体であり、例えば、３次元画像における左心室全体、又は、２次元断面画像における関心領域全体に対応する。また、セグメントとは、グローバルを所定の分割方式で分割されたものであり、例えば、ＡＳＥ（American Society of Echocardiography）により推奨される１６セグメント分割方式やＡＨＡ（American Heart Association）により推奨される１７セグメント分割方式が知られている。なお、グローバルとは必ずしも左心室などある部位の全ての領域に限定されるものではなく、局所的領域よりも広ければよい。

また、全体的領域の波形情報として、心機能（左室のポンプ機能）を反映する内腔容積の時系列変化を表す波形情報を利用することもできる。内腔容積の波形情報は、スペックルトラッキングの内膜面情報に基づいて算出可能である。

第２軸は、負荷又は治療前後の時相の違いを表す時相軸である。例えば、ストレスエコー検査が行われる場合、第２軸は、負荷前と、回復期とにより表される。負荷前は、被検体の心臓に運動負荷又は薬剤負荷がかけられる前、つまり安静時の時相である。また、回復期は、負荷後、安静時の状態に戻るまでの間の任意の時相であり、例えば、負荷の５分後や１０分後等である。

ここで、回復期は、虚血メモリが現れる時相であり、安静時は回復期と対比するための時相となるため、波形情報群は、この２つの時相をペアとして含むのが好適である。ただし、ストレスエコー検査が行われない場合には、波形情報群は、回復期を含まず、安静時のみの情報として機械学習に用いられる。なお、負荷中の時相には被検体の呼吸が荒くなり心拍数も増加するため、超音波画像の画質や追跡精度を維持するのが難しい。このため、負荷中の時相については、時相軸の情報として含まないのが好適である。また、第２軸は、負荷前後の時相に限らず、例えば、治療前後の時相であっても良い。つまり、第２軸は、薬物治療前の時相と薬物治療後（数日～数ヶ月後等）の時相との違い、又は、手術前の時相と手術後の時相との違いを表す場合であっても良い。

第３軸は、壁厚方向における位置の違いを表す壁厚方向軸である。例えば、第３軸は、内層、中層、及び外層により表される。内層は、例えば、内膜上の追跡点の情報であり、外層は、外膜上の追跡点の情報である。また、中層は、内膜上の追跡点と外膜上の追跡点の中間点の情報である。

なお、２次元スペックルトラッキング（2D Speckle Tracking：２ＤＳＴ）では超音波画像の空間分解能が十分であるため、波形情報群は、内層、中層、及び外層のそれぞれの情報を含むのが好適である。一方、３次元スペックルトラッキング（3D Speckle Tracking：３ＤＳＴ）では超音波画像の空間分解能が十分でないため、波形情報群は、内層、中層、及び外層のうち少なくとも一つを含んでいれば良い。ただし、虚血性心疾患では、外膜側の組織よりも内膜側の組織の方が壊死や心筋虚血が起こりやすいことで知られているため、波形情報群は、少なくとも内層の情報を含むのが好適である。

また、第３軸は、上記の例に限定されるものではない。例えば、波形情報群を壁厚変化率で表す場合、第３軸は、内側（inner half）、外側（outer half）、及び壁厚（total）を含むことができる。つまり、波形情報群は、壁厚方向における位置として、内層、中層、及び外層のうち少なくとも一つの情報、又は、内側、外側、及び壁厚のうち少なくとも一つの情報を含む。

第４軸は、壁運動パラメータの違いを表すパラメータ軸である。例えば、第４軸は、ストレイン及び変位（displacement）により表される。波形情報群は、第４軸としてストレイン及び変位のうち少なくとも一方の情報を含んでいれば良い。ただし、壁運動を高感度に捉えるため、２つの変位の差分値（長さ）に基づく変化率の指標であるストレインが第４軸として含まれるのが好適である。

また、変位は、心臓全体の動き（translation）や近傍の動き（tethering）の影響を受けやすいため感度が高くないものの、差分値でないためノイズに対してロバストである。ＲＤ（Radial Displacement）は、熟練者が内膜面の動きを視認する際の視認対象であるため、第４軸として含まれるのが好適である。また、ＬＤ（Longitudinal Displacement）は、非特許文献３において虚血性心疾患の検出への貢献の可能性が示唆されているため、第４軸として含まれるのが好適である。

第５軸は、心臓の運動方向の違いを表す運動方向軸である。例えば、３ＤＳＴでは、第５軸は、心臓（心筋）の長軸方向、円周方向、径方向（短軸方向）、及び心筋内膜面に平行な面の面積により表される。例えば、壁運動パラメータがストレインである場合、第５軸は、ＬＳ（Longitudinal Strain）、ＣＳ（Circumferential Strain）、及びＲＳ（Radial Strain）により表される。また、心筋内膜面に平行な面の面積は、その変化率としてＡＣ（Area Change ratio）に対応する。なお、ＡＣは、長軸方向、円周方向、及び径方向のいずれにも分類できない成分（長軸方向、円周方向および斜め方向を同時に含む）の変化を表すものであるため、第５軸に分類することとする。

なお、壁運動パラメータが変位である場合、第５軸は、上述したＬＤ及びＲＤにより表されるのが好適である。また、２ＤＳＴでは、第５軸は、長軸方向及び短軸方向により表されるのが好適である。

図５を用いて、第１の実施形態に係る波形情報群の一例について説明する。図５は、第１の実施形態に係る波形情報群の一例について説明するための図である。図５の左図は負荷前（安静時）の波形情報であり、右図は回復期（負荷から５分後）の波形情報である。図５において、縱軸はストレインに対応し、横軸は時間に対応する。図５の実線は前壁中隔に対応するセグメントのストレインであり、破線は下外側部に対応するセグメントのストレインである。

図５の左図に示すように、負荷前には、前壁中隔及び下外側部は、ほぼ同じタイミングで収縮と拡張を行っている。一方、図５の右図に示すように、回復期には、下外側部は、前壁中隔と比較して拡張が遅延していることがわかる。この下外側部の拡張遅延は、虚血メモリの一つである。つまり、図５では、下外側部において虚血性の壁運動異常が認められる。

ここで、波形情報群は、図５に図示した４つの波形情報を含む。なお、図５では、図示の都合上、４つの波形情報を例示したが、波形情報群はこれに限定されるものではなく、上述した第１軸～第５軸の違いを有する様々な波形情報を含むものである。

なお、上述した波形情報群はいずれも壁運動解析（スペックルトラッキング）により得られる情報である。また、波形情報群は、予め記憶回路２０４に記憶されている。記憶回路２０４に記憶される波形情報群は、超音波診断装置１００により算出されても良いし、壁運動解析を実行する機能を搭載した医用情報処理装置２００により算出されても良い。また、記憶回路２０４に記憶される波形情報群は、同一施設内の装置に限らず、他の施設に設置された装置により算出されても良い。

図６を用いて、第１の実施形態に係る機械学習用の異常判定結果について説明する。図６は、第１の実施形態に係る機械学習用の異常判定結果について説明するための図である。

図６に示すように、異常判定結果は、各セグメントが壁運動異常であるか正常であるかを示す情報である。この異常判定結果は、一部の熟練者により識別された情報であり、予め記憶回路２０４に記憶されている。

なお、図６では、異常判定結果が、壁運動異常であるか否かにより表される場合を説明したが、実施形態はこれに限定されるものではない。例えば、異常判定結果は、中間域を含む複数段階で表されても良い。この場合、異常判定結果は、例えば、正常を「０」とし、壁運動異常を「１～３（値が大きいほど重度の異常）」とした複数段階で表される。

このように、記憶回路２０４は、波形情報群及び異常判定結果を記憶する。なお、上述した波形情報群及び異常判定結果はあくまで一例であり、実施形態はこれに限定されるものではない。例えば、波形情報群は、公知の壁運動解析により得られる種類の情報であれば如何なる種類の情報であっても含むことができる。

医用情報処理装置２００において、学習機能２１１は、複数の被検体Ｐ１～ＰＮの心臓について、複数の局所的領域及び全体的領域それぞれにおける壁運動パラメータの波形情報群と、複数の局所的領域についての異常判定結果とを用いて機械学習を行うことで、学習済みモデルを構築する。構築された学習済みモデルは、記憶回路２０４に格納される。なお、波形情報群は、壁運動パラメータの時系列変化を表す複数の医用情報の一例である。

例えば、学習機能２１１は、複数の被検体Ｐ１～ＰＮの波形情報群及び異常判定結果を記憶回路２０４から読み出す。そして、学習機能２１１は、各被検体の波形情報群に含まれる各波形情報の時間方向を規格化する。例えば、学習機能２１１は、各波形情報の時間方向を、１心周期区間（１ＲＲ区間）を１００％として規格化する。この際、学習機能２１１は、１心周期区間を１～２％単位で区切るようにデータ（壁運動パラメータ）を生成（補間）する。この結果、学習機能２１１は、各波形情報を、１心周期区間の中に１００個程度のデータを配置した１次元ベクトル空間として表現することができる。

なお、上記の説明では、１心周期区間を１００％として各波形情報の時間方向を規格化する場合を説明したが、実施形態はこれに限定されるものではなく、心時相における任意の区間に基づいて時間方向の規格化を行うことができる。例えば、ＰＳＳやＳＩ－ＤＩで着目している収集末期以降の収縮や、拡張早期における異常な壁運動を認めるのが虚血性心疾患特有のサインであることから、Ｒ波から収縮末期までの区間を１００％として規格化することも、虚血性心疾患を検出する観点で有効である。この拡張末期は、内腔容積が最小となる時間や大動脈弁閉鎖（Aortic Valve Closure：ＡＶＣ）時間で与えることができる。ここで、拡張期間が十分に長い場合には、２００％程度の区間で時間方向を打ち切るのが好適である。

そして、学習機能２１１は、公知の機械学習エンジンにより実現可能であるが、例えば、サポートベクターマシン（Support Vector Machine：ＳＶＭ）が適用される。ＳＶＭの場合は、学習機能２１１は、入力データである波形情報群の第１軸～第５軸のそれぞれについて、波形情報同士の相関行列を構築する。そして、学習機能２１１は、相関行列を用いた主成分分析により、正常と異常の識別に対して寄与度が大きい上位ｋ個の固有ベクトル空間内の境界平面（超平面）を決定することで、学習済みモデルを生成する。この学習済みモデルは、診断対象者の波形情報群を上記の固有ベクトル空間内の超平面に基づく識別器にかけて、正常であるか異常（壁運動異常）であるかの識別を行う。

なお、上記の機械学習は、別の公知の機械学習エンジンであるディープラーニング（ニューラルネットワーク）が適用可能である。ここで、ＳＶＭでは、各種の入力データに関して最大の識別マージンが得られる超平面を得る工夫がされており、機械学習用データ数が十分に大きくない場合でも識別が可能となる。更に、上述したように、正常と異常との判断基準として主成分（上位固有値）が用いられるので、比較的ヒトにとって理解し易い判断の過程が提供され得る。一方で、ディープラーニングの場合には、相関行列を構築する前処理が無くても、入力となる波形情報と正解となる異常判定結果の情報が与えられれば自動的に学習が行われる。その代わりに、ヒトにとっては正常と異常の結果に対する判断基準（自動的に行われた学習過程、つまり各層でのニューロンがどのような重み付け状態で設計されたのか）が理解し難いという欠点がある。

本実施形態に係る機械学習（教師付き学習）では、一部の熟練者により判定された異常判定結果を正解データとして利用するため、機械学習用データ数の増加には制約がある。このため、本実施形態に係る機械学習エンジンとしては、ＳＶＭが好適である。なお、機械学習用データ数が十分に大きい場合には、ディープラーニングにより高い識別性能が得られることが期待される。

ここで、実際の機械学習用データ数について、２ＤＳＴ及び３ＤＳＴをそれぞれ例示して説明する。なお、機械学習用データ数とは、１被検体の波形情報群に含まれる波形情報の数（種類数）である。以下において説明する機械学習用データ数はあくまで一例であり、撮像や壁運動解析の各種条件により変動するものである。

先ず、２ＤＳＴによる壁運動解析結果が利用される場合について説明する。この場合、ＡＳＥにより推奨される１６セグメント分割方式が一般的であり、この分割方式では１断面あたり６セグメントとなる。この６セグメントに対してグローバルを加えるため、領域軸の数は最小で７部位である。そして、複数の２次元断面で左心室を広範にカバーする観点では、３つの長軸像（Ａ４Ｃ、Ａ２Ｃ、及びＡ３Ｃ）と１つの短軸像（Ｍｉｄレベル）の組み合わせが一般的であるため、７部位×４断面＝２８部位となる。なお、ＡＨＡにより推奨される１７セグメント分割方式の場合には、１断面あたり７セグメントであるため、グローバルを加えて８部位×３＋７＝３１部位となる。

３つの長軸像で用いる壁運動パラメータはＬＳ及びＲＤの２パラメータであるため、７部位×３断面×２パラメータ＝４２個である。また、１つの短軸像で用いる壁運動パラメータの数はＲＳ、ＣＳ、及びＲＤの３パラメータであるため、７部位×１断面×３パラメータ＝２１個である。また、各断面において、壁厚方向における位置の数は３箇所（内層、中層、及び外層）である。また、各断面において、時相の数は負荷前及び回復期の２時相である。このため、２ＤＳＴによる壁運動解析結果が利用される場合、機械学習用データ数は、（４２＋２１）×３×２＝３７８個（種類）である。

次に、３ＤＳＴによる壁運動解析結果が利用される場合について説明する。この場合、ＡＳＥにより推奨される１６セグメント分割方式では、１６セグメント＋１グローバルの１７部位となる。なお、ＡＨＡにより推奨される１７セグメント分割方式では、１７セグメント＋１グローバルの１８部位となる。

１８部位として用いる壁運動パラメータは、ＬＳ、ＬＤ、ＲＳ、ＣＳ、ＲＤ、及びＡＣの６パラメータと容積曲線の１種類である。また、壁厚方向における位置の数は内層の１箇所である。また、時相の数は、ストレスエコー検査でない場合を例示すると、安静時の１時相である。このため、３ＤＳＴによる壁運動解析結果が利用される場合、機械学習用データ数は、１８×（６＋１）×１×１＝１２６個（種類）である。

なお、同一症例（被検体）に対して２ＤＳＴ及び３ＤＳＴの双方を適用することも可能であるため、機械学習用データ数は、上記の２例を合計すると、３７８＋１２６＝５０４個（種類）となる。

つまり、機械学習用データ数は、撮像や壁運動解析の各種条件に応じて、数百～最大千個程度である。また、各波形情報は、１００個程度のデータを配置した１次元ベクトル空間として表現される。この結果、本実施形態に係る機械学習用データ数は、最大で１０００×１００程度のベクトル空間として構成される。

このように、学習機能２１１は、最大で１０００×１００程度のベクトル空間として構成されるデータ数の波形情報群と、一部の熟練者により判定された異常判定結果とに基づいて機械学習を行い、学習済みモデルを構築する。構築された学習済みモデルは超音波診断装置１００に受け渡され、記憶回路１５０に格納される。

図１の説明に戻る。超音波診断装置１００において、取得機能１７１は、被検体Ｘの心臓が時系列的に撮像された複数の医用画像データ（医用画像データ群）を取得する。例えば、超音波診断装置１００は、被検体Ｘの心臓を含む領域（空間）に対して超音波走査を行って、反射波データを収集する。そして、超音波診断装置１００は、収集した反射波データに基づいて、時系列に並ぶ複数の超音波画像データ（超音波画像データ群）を生成する。ここで、生成された複数の超音波画像データは、画像メモリ１４０に記憶されている。取得機能１７１は、被検体Ｘの心臓が撮像された複数の超音波画像データを、画像メモリ１４０から読み出す。

追跡機能１７２は、複数の医用画像データに対する追跡処理により、複数の局所的領域及び全体的領域それぞれにおける壁運動パラメータの時系列変化を表す複数の波形情報を生成する。例えば、追跡機能１７２は、被検体Ｘの複数の超音波画像データに対して壁運動解析を行って、壁運動情報を生成する。

例えば、追跡機能１７２は、初期時相の超音波画像データに対して、複数の構成点が設定された初期輪郭を設定する。そして、追跡機能１７２は、初期時相の超音波画像データと、次の時相の超音波画像データとを用いてパターンマッチングを含む追跡処理を行うことで、超音波画像データ群に含まれる複数の超音波画像データにおける複数の構成点の位置を追跡する。そして、追跡機能１７２は、各超音波画像データ群に含まれる複数の超音波画像データにおける複数の構成点の位置に基づいて、被検体Ｘの心臓壁の運動を表す壁運動情報を生成する。

ここで、追跡機能１７２により生成される被検体Ｘの壁運動情報は、医用情報処理装置２００による学習済みモデルの構築に用いられた波形情報群と同一種類の情報を含む。つまり、追跡機能１７２は、第１軸～第５軸の５つの軸において異なる種類の情報を含む波形情報群を生成可能である。なお、壁運動解析技術としては、例えば、特許文献１～３に記載された技術など、公知の技術が適用可能である。

判定機能１７３は、学習済みモデルに対して、被検体Ｘの波形情報群を入力することで、被検体Ｘの各局所的領域についての異常判定結果を生成する。例えば、判定機能１７３は、記憶回路１５０に記憶されている学習済みモデルを読み出す。そして、判定機能１７３は、読み出した学習済みモデルに対して、追跡機能１７２により生成された波形情報群を入力することで、被検体Ｘの各局所的領域についての異常判定結果を学習済みモデルに出力させる。その後、判定機能１７３は、学習済みモデルから出力された異常判定結果を出力制御機能１７４へ送る。

なお、学習済みモデルから出力される異常判定結果は、学習済みモデルの構築に用いられた異常判定結果と同一種類の情報を含む。つまり、機械学習において用いられた異常判定結果が、壁運動異常であるか否かを示す２値的な情報であれば、学習済みモデルから出力される異常判定結果は２値的な情報となる。また、機械学習において用いられた異常判定結果が、複数段階で表される情報であれば、学習済みモデルから出力される異常判定結果は複数段階で表される情報となる。

出力制御機能１７４は、異常判定結果を出力させる。例えば、出力制御機能１７４は、異常判定結果を、超音波画像及びポーラーマップのうち少なくとも一方に重畳表示させる。

図７及び図８を用いて、第１の実施形態に係る出力制御機能１７４による出力例を説明する。図７及び図８は、第１の実施形態に係る出力制御機能１７４による出力例を説明するための図である。図７には、左心室の短軸像を例示する。図８には、図７の短軸像に対応するポーラーマップを例示する。図７及び図８では、壁運動異常であると判定された領域を黒塗りで示し、正常であると判定された領域を網掛けで示す。なお、図７及び図８において、「Ant-Sept」は、前壁中隔を示し、「Ant」は、前壁を示し、「Lat」は、側壁を示し、「Post」は、後壁を示し、「Inf」は、下壁を示し、「Sept」は、中隔を示す。また、図７では、背景となるＢモード画像を簡略化して図示している。

図７に示すように、出力制御機能１７４は、超音波画像に異常判定結果を重畳表示させる。具体的には、出力制御機能１７４は、左心室の短軸像上の各セグメントに対応する位置に、異常判定結果に応じた輝度値を割り当てて表示する。図７の例では、前壁が壁運動異常であり、他のセグメントは正常である。

図８に示すように、出力制御機能１７４は、ポーラーマップに異常判定結果を重畳表示させる。具体的には、出力制御機能１７４は、ポーラーマップ上の各セグメントに対応する位置に、異常判定結果に応じた輝度値を割り当てて表示する。図８の例では、前壁が壁運動異常であり、他のセグメントは正常である。

このように、出力制御機能１７４は、異常判定結果をディスプレイ１０３に表示させる。なお、図７及び図８はあくまで一例であり、実施形態はこれに限定されるものではない。例えば、出力制御機能１７４は、各セグメントに対する異常判定結果を、表（図６参照）又は単純な文字列として出力することも可能である。

なお、出力制御機能１７４は、壁運動異常であるか否かを示す２値的な情報のみならず、中間領域を含む連続量を出力することも可能である。この連続量は、壁運動異常と正常との間において、どちらに近いかを表す値となるため、確率的な出力方式（例えば、「壁運動異常確率」と称する）と言える。例えば、識別器を用いる場合、入力データである波形情報群の第１軸～第５軸それぞれの識別結果を投票し、最終的に投票数の多いものを判定結果とするアルゴリズムがある。

そこで、異常判定結果に対して、各波形情報の総得票数で重み付けを行うことで、異常判定結果を連続量として表すことができる。また、ディープラーニングの場合には、セグメントごと、又は、壁厚方向における位置ごとに判定された「０（正常）／１（壁運動異常）」の判定結果を空間平均処理することで、空間的に滑らかな連続量を有する分布画像を出力することができる。また、異常判定結果が複数段階で表される場合にも、連続量的な出力が可能となる。

次に、図９を用いて、第１の実施形態に係る医用情報処理装置２００の処理手順を説明する。図９は、第１の実施形態に係る医用情報処理装置２００の処理手順を示すフローチャートである。図９に示す処理は、例えば、機械学習を開始する旨の指示を操作者から受け付けた場合に開始される。

図９に示すように、例えば、医用情報処理装置２００において、処理回路２１０は、機械学習を開始する旨の指示を操作者から受け付けた場合に、処理を開始すると判定する（ステップＳ１０１，Ｙｅｓ）。なお、当該指示を受け付けるまで、処理回路２１０は、待機状態である（ステップＳ１０１，Ｎｏ）。

続いて、処理回路２１０は、被検体Ｐ１～ＰＮそれぞれの波形情報群及び異常判定結果を記憶回路２０４から読み出す（ステップ１０２）。そして、処理回路２１０は、波形情報群及び異常判定結果を学習用データとした機械学習によって学習済みモデルを生成する（ステップＳ１０３）。そして、処理回路２１０は、生成した学習済みモデルを記憶回路２０４に格納し（ステップＳ１０４）、処理を終了する。

図１０を用いて、第１の実施形態に係る超音波診断装置１００の処理手順を説明する。図１０は、第１の実施形態に係る超音波診断装置１００の処理手順を示すフローチャートである。図１０に示す処理は、例えば、局所的な壁運動異常の判定を開始する旨の指示を操作者から受け付けた場合に開始される。

図１０に示すように、例えば、超音波診断装置１００において、処理回路１７０は、局所的な壁運動異常の判定を開始する旨の指示を操作者から受け付けた場合に、処理を開始すると判定する（ステップＳ２０１，Ｙｅｓ）。なお、当該指示を受け付けるまで、処理回路１７０は、待機状態である（ステップＳ２０１，Ｎｏ）。

続いて、処理回路１７０は、被検体Ｘの医用画像データ群を画像メモリ１４０から読み出す（ステップＳ２０２）。そして、処理回路１７０は、医用画像データ群に対する追跡処理により、波形情報群を生成する（ステップＳ２０３）。処理回路１７０は、波形情報群を学習済みモデルに入力することで、異常判定結果を生成する（ステップＳ２０４）。処理回路１７０は、被検体Ｘの異常判定結果を表示させ（ステップＳ２０５）、処理を終了する。

上述してきたように、第１の実施形態に係る超音波診断装置１００において、取得機能１７１は、第１被検体の心臓が時系列的に撮像された複数の医用画像データを取得する。追跡機能１７２は、複数の医用画像データに対する追跡処理により、複数の局所的領域及び全体的領域それぞれにおける壁運動パラメータを表す複数の第１医用情報を生成する。判定機能１７３は、複数の第２被検体の心臓について、複数の局所的領域及び全体的領域それぞれにおける壁運動パラメータを表す複数の第２医用情報と、複数の第２医用情報のうち各局所的領域についての異常判定結果とを用いて学習された学習済みモデルに対して複数の第１医用情報を入力することで、第１被検体の各局所的領域についての第１異常判定結果を生成する。出力制御機能１７４は、第１異常判定結果を出力させる。これによれば、超音波診断装置１００は、局所的な壁運動異常を高精度かつロバストに識別することができる。

なお、第１の実施形態では、判定機能１７３が複数の局所領域それぞれの波形情報を用いて異常を判定する場合を説明したが、実施形態はこれに限定されるものではない。例えば、判定機能１７３は、複数の局所領域のうち、医師によって注目されている少なくとも１つの局所領域の波形情報と、全体領域の波形情報とを学習済みモデルに対して入力することで、その局所領域の異常を判定することも可能である。すなわち、判定機能は、複数の第２被検体の心臓について、第２局所領域及び第２全体領域それぞれにおける壁運動パラメータの時系列変化を表す複数の第２医用情報と、第２局所領域についての異常判定結果とを用いて学習された学習済みモデルに対して、第１被検体についての複数の第１医用情報を入力することで、第１被検体の第１局所領域についての異常を判定する。

また、取得機能１７１は、第１被検体の心臓について、第１局所領域および第１全体領域それぞれにおける壁運動パラメータを表す複数の第１医用情報を取得しても良い。この場合、超音波診断装置１００は、必ずしも追跡機能１７２を備えていなくてもよい。例えば、取得機能１７１は、追跡機能１７２を備えた外部装置（超音波診断装置１００とは異なる超音波診断装置、又は、医用情報処理装置）によって生成された複数の第１医用情報を、その外部装置から取得しても良い。

（第２の実施形態）
第２の実施形態では、学習済みモデルからの異常判定結果とともに、公知の指標値を操作者に提示する場合を説明する。これは、学習済みモデルを用いた手法では、何に基づいて判定が行われたのかが複雑であり、出力結果の根拠が操作者には理解し難いからである。このため、第２の実施形態に係る超音波診断装置１００は、学習済みモデルからの異常判定結果のフィードバックとして操作者が理解し易い公知の指標値を与えることで、異常判定結果の参照情報として操作者に提示するものである。

図１１を用いて、第２の実施形態に係る超音波診断装置１００の構成について説明する。図１１は、第２の実施形態に係る超音波診断装置１００の構成例を示すブロック図である。第２の実施形態に係る超音波診断装置１００は、図１に例示した超音波診断装置１００と同様の構成を備え、処理回路１７０が算出機能１７５を更に実行する点が相違する。そこで、第２の実施形態では、第１の実施形態と相違する点を中心に説明することとし、第１の実施形態において説明した構成と同様の機能を有する点については、図１と同一の符号を付し、説明を省略する。

第２の実施形態に係る算出機能１７５は、局所的な壁運動異常に関する指標値を算出する。具体的には、算出機能１７５は、被検体Ｘの波形情報群に含まれる各波形情報について、複数種類の指標値を算出する。例えば、算出機能１７５は、指標値として、ＳＩ－ＤＩ及びＰＳＩを算出する。

図１２を用いて、第２の実施形態に係る算出機能１７５により算出される指標値について説明する。図１２は、第２の実施形態に係る算出機能１７５により算出される指標値について説明するための図である。図１２において、縱軸はストレインに対応し、横軸は時間に対応する。

図１２に示すように、算出機能１７５は、波形情報から点Ａ、点Ｂ、及び点Ｃを検出する。ここで、点Ａは、ＡＶＣ時間におけるストレインに対応する。点Ｂは、拡張期のうちＡＶＣ時間から１／３経過した時間におけるストレインに対応する。点Ｃは、ピークストレインに対応する。なお、Ｔεは、ピークストレインに到達した到達時間に対応する。

そして、算出機能１７５は、図１２に示した点Ａ、点Ｂ、及び点Ｃの値（ストレイン）に基づいて、ＳＩ－ＤＩ及びＰＳＩを算出する。例えば、算出機能１７５は、下記の式（１）を用いてＳＩ－ＤＩを算出する。また、算出機能１７５は、下記の式（２）を用いてＰＳＩを算出する。

例えば、算出機能１７５は、学習済みモデルによる異常判定結果に対する各種の指標値の検定処理を行う。例えば、算出機能１７５は、複数種類の指標値のうち、異常判定結果に対して有意であった指標値を多変量解析により特定する。或いは、算出機能１７５は、最大主成分となる指標値を主成分分析によって特定する。そして、算出機能１７５は、特定した指標値に関する情報を出力制御機能１７４へ送る。

そして、出力制御機能１７４は、異常判定結果に対して特定された指標値を、異常判定結果とともに出力する。例えば、出力制御機能１７４は、波形情報ごとに、異常判定結果に対して有意であった指標値を出力する。

図１３を用いて、第１の実施形態に係る出力制御機能１７４による出力例を説明する。図１３は、第１の実施形態に係る出力制御機能１７４による出力例を説明するための図である。なお、図１３では、異常判定結果に対して有意な指標値としてＳＩ－ＤＩが特定された場合を例示する。

図１３に示すように、出力制御機能１７４は、図６に示した異常判定結果に加えて、ＳＩ－ＤＩを出力する。ＳＩ－ＤＩは、セグメントごとに表示される。なお、出力制御機能１７４は、指標値に限らず、例えば、多変量解析における複数の指標値に関する回帰係数を表示することもできる。また、出力制御機能１７４は、有意では無かった指標値を表示しても良い。

なお、図１３はあくまで一例であり、実施形態はこれに限定されるものではない。例えば、出力制御機能１７４は、ＳＩ－ＤＩ等の指標値に応じた輝度値を割り当てた指標画像を生成し、表示することができる。

このように、第２の実施形態に係る超音波診断装置１００は、学習済みモデルからの異常判定結果とともに、異常判定結果に対して有意であった、若しくは主成分として得られた指標値を特定し、参考情報として操作者に提示する。これにより、超音波診断装置１００は、学習済みモデルからの異常判定結果に対する操作者の解釈を支援することができる。

なお、上記の説明では、指標値としてＳＩ－ＤＩ及びＰＳＩを算出する場合を説明したが、実施形態はこれに限定されるものではない。例えば、算出機能１７５は、局所的な壁運動異常の指標値となり得るものであれば、任意の指標値を算出可能である。例えば、算出機能１７５は、ピークストレインやＤＳＲ（Diastolic Strain Ratio）を算出する。ここで、ＤＳＲとは、ストレインの演算点ごとに、式（１）のＳＩ－ＤＩと同様の比を算出し、その算出値をセグメント内に含まれる演算点間で平均した値である。

（その他の実施形態）
上述した実施形態以外にも、種々の異なる形態にて実施されてもよい。

（医用情報処理システムによる判定処理）
上述した学習済みモデルを用いた局所的な壁運動異常の判定処理は、医用情報処理システムにより実行されても良い。この場合、判定処理は、ネットワークＮＷ上で実行される。

図１４を用いて、その他の実施形態に係る医用情報処理システムの構成について説明する。図１４は、その他の実施形態に係る医用情報処理システムの構成例を示すブロック図である。

図１４に示すように、医用情報処理システムは、超音波診断装置１００と、サーバ装置３００とを備える。図１４の超音波診断装置１００は、処理回路１７０が送信機能１７６及び受信機能１７７を実行する点を除き、図１に例示した超音波診断装置１００と基本的に同様の構成を備える。また、図１４のサーバ装置３００は、処理回路３１０が判定機能３１１を実行する点を除き、図２に例示した医用情報処理装置２００と基本的に同様の構成を備える。なお、サーバ装置３００は、医用情報処理装置の一例である。超音波診断装置１００及びサーバ装置３００は、ネットワークＮＷを介して通信可能に接続される。

超音波診断装置１００において、取得機能１７１及び追跡機能１７２の処理は、図１に示した取得機能１７１及び追跡機能１７２の処理と基本的に同様であるので、説明を省略する。そして、送信機能１７６は、追跡機能１７２により生成された被検体Ｘの波形情報群をサーバ装置３００に送信する。

サーバ装置３００において、判定機能３１１は、送信機能１７６により送信された波形情報群を受信する。そして、判定機能３１１は、受信した波形情報群を学習済みモデルに対して入力することで、被検体Ｘの異常判定結果を生成する。なお、判定機能３１１の処理は、図１に示した判定機能１７３の処理と基本的に同様であるので、説明を省略する。そして、判定機能３１１は、生成した被検体Ｘの異常判定結果を、超音波診断装置１００に送信する。

超音波診断装置１００において、受信機能１７７は、判定機能３１１により送信された被検体Ｘの異常判定結果を受信する。そして、出力制御機能１７４は、受信機能１７７により受信された被検体Ｘの異常判定結果を出力させる。なお、出力制御機能１７４の処理は、図１に示した判定機能１７３の処理と基本的に同様であるので、説明を省略する。

すなわち、医用情報処理システムにおいて、取得機能１７１は、第１被検体の心臓について、複数の局所的領域及び全体的領域それぞれにおける壁運動パラメータの時系列変化を表す複数の第１医用情報を取得する。そして、判定機能３１１は、複数の第２被検体の心臓について、複数の局所的領域及び全体的領域それぞれにおける壁運動パラメータの時系列変化を表す複数の第２医用情報と、複数の第２医用情報のうち各局所的領域についての異常判定結果とを用いて学習された学習済みモデルに対して複数の第１医用情報を入力することで、第１被検体の各局所的領域についての第１異常判定結果を生成する。そして、出力制御機能１７４は、記第１異常判定結果を出力させる。これによれば、医用情報処理システムは、ネットワークＮＷ上で学習済みモデルを用いた局所的な壁運動異常の判定処理を実行することができる。

（医用情報処理装置による判定処理）
また、上述した学習済みモデルを用いた局所的な壁運動異常の判定処理は、医用情報処理装置２００により実行されても良い。例えば、医用情報処理装置２００は、医師により操作される端末や、他の医用画像診断装置のコンソール装置等に対応する。なお、他の医用画像診断装置とは、ＭＲＩ（Magnetic Resonance Imaging）装置やＸ線ＣＴ（Computed Tomography）装置等、超音波診断装置１００以外の医用画像診断装置である。

この場合、医用情報処理装置２００は、被検体Ｘの波形情報群を超音波診断装置１００から取得するのが好適である。つまり、医用情報処理装置２００において、処理回路２１０は、第１被検体の心臓について、複数の局所的領域及び全体的領域それぞれにおける壁運動パラメータの時系列変化を表す複数の第１医用情報を取得する。そして、処理回路２１０は、複数の第２被検体の心臓について、複数の局所的領域及び全体的領域それぞれにおける壁運動パラメータの時系列変化を表す複数の第２医用情報と、複数の第２医用情報のうち各局所的領域についての異常判定結果とを用いて学習された学習済みモデルに対して複数の第１医用情報を入力することで、第１被検体の各局所的領域についての第１異常判定結果を生成する。そして、処理回路２１０は、記第１異常判定結果を出力させる。

なお、医用情報処理装置２００が追跡機能１７２と同様の機能を備える場合には、医用情報処理装置２００が被検体Ｘの波形情報群を生成することもできる。

（超音波画像データ以外の医用画像データの利用）
また、上記の実施形態では、超音波画像データ群に対して適用される場合を説明したが、これに限定されるものではない。例えば、時系列に並ぶ複数の医用画像データであれば、磁気共鳴画像データやＣＴ画像データ等、如何なる医用画像診断装置により撮像された画像データであっても適用可能である。つまり、時系列に並ぶ複数の医用画像データであれば、壁運動解析により波形情報群を生成可能である。このため、この波形情報群を用いて、機械学習及び学習済みモデルを用いた判定処理が実行可能となる。すなわち、上述した実施形態は、超音波診断装置に限らず、他の医用画像診断装置においても適用可能である。

（学習済みモデル以外の例）
また、上記の説明では、上述した実施形態が学習済みモデルによって実現される場合を説明したが、実施形態はこれに限定されるものではない。例えば、超音波診断装置１００は、全体的な壁運動に対する局所的なストレインの波形情報の相対的な差異に基づいて、異常を判定することができる。

すなわち、超音波診断装置１００において、取得機能１７１は、第１被検体の心臓について、第１局所領域および第１全体領域それぞれにおける壁運動パラメータの時系列変化を表す複数の第１医用情報を取得する。そして、判定機能１７３は、複数の第１医用情報に基づいて、第１局所領域における異常を判定する。

一例としては、判定機能１７３は、全体領域の波形情報と局所領域の波形情報とを比較して、相対的な差異を検出する。ここで、相対的な差異とは、例えば、波形情報から得られる積分値などの任意のパラメータ（数値）の差分値である。判定機能１７３は、検出した差異に基づいて、局所領域における異常を判定する。

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（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、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１５０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１５０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。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。更に、各図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。

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部又は一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的又は物理的に分散・統合して構成することができる。更に、各装置にて行なわれる各処理機能は、その全部又は任意の一部が、ＣＰＵ及び当該ＣＰＵにて解析実行されるプログラムにて実現され、或いは、ワイヤードロジックによるハードウェアとして実現され得る。

また、上記の実施形態において説明した各処理のうち、自動的に行なわれるものとして説明した処理の全部又は一部を手動的に行なうこともでき、或いは、手動的に行なわれるものとして説明した処理の全部又は一部を公知の方法で自動的に行なうこともできる。この他、上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。

また、上記の実施形態で説明した医用画像処理方法は、予め用意された医用画像処理プログラムをパーソナルコンピュータやワークステーション等のコンピュータで実行することによって実現することができる。この医用画像処理プログラムは、インターネット等のネットワークを介して配布することができる。また、この医用画像処理プログラムは、ハードディスク、フレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＭＯ、ＤＶＤ等のコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行することもできる。

以上説明した少なくともひとつの実施形態によれば、局所的な壁運動異常を高精度かつロバストに識別することができる。

本発明の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。

１００ 超音波診断装置
１７０ 処理回路
１７１ 取得機能
１７２ 追跡機能
１７３ 判定機能
１７４ 出力制御機能

Claims (22)

1. 第１被検体の心臓について、第１局所領域および第１全体領域それぞれにおける壁運動パラメータを表す複数の第１医用情報を取得する取得部と、
   前記複数の第１医用情報に基づいて、前記第１局所領域における異常を判定する判定部と、
   前記複数の第１医用情報のそれぞれについて、複数種類の指標値を算出する出力制御部と、
   を備え、
   前記出力制御部は、前記複数種類の指標値のうち、前記第１局所領域についての前記異常の判定結果に対して特定された指標値を、前記第１局所領域についての前記異常の判定結果とともに出力する、
   装置。
2. 前記判定部は、複数の第２被検体の心臓について、第２局所領域及び第２全体領域それぞれにおける壁運動パラメータを表す複数の第２医用情報と、前記第２局所領域についての異常判定結果とを用いて学習された学習済みモデルに対して、前記第１被検体についての前記複数の第１医用情報を入力することで、前記第１被検体の第１局所領域についての異常を判定する、
   請求項１に記載の装置。
3. 前記壁運動パラメータは、負荷又は治療前後の時相、壁厚方向における位置、及び心臓の運動方向のうち少なくとも一つにおいて異なる種類の情報を含み、
   前記複数の第２医用情報は、前記複数の第１医用情報と同一種類の情報を含む、
   請求項２に記載の装置。
4. 前記第１全体領域及び前記第２全体領域それぞれは、３次元画像における左心室全体、又は、２次元断面画像における関心領域全体に対応し、
   前記第１局所領域は、前記第１全体領域が所定の分割方法により分割された複数の領域に対応し、
   前記第２局所領域は、前記第２全体領域が所定の分割方法により分割された複数の領域に対応する、
   請求項３に記載の装置。
5. 前記壁運動パラメータは、ストレイン及び変位のうち少なくとも一つの情報を含む、
   請求項３又は４に記載の装置。
6. 前記時相は、負荷前及び回復期のうち少なくとも一つの情報を含む、
   請求項３～５のいずれか一つに記載の装置。
7. 前記壁厚方向における位置は、内層、中層、及び外層のうち少なくとも一つの情報、又は、内側、外側、及び壁厚のうち少なくとも一つの情報を含む、
   請求項３～６のいずれか一つに記載の装置。
8. 前記運動方向は、長軸方向、円周方向、径方向、及び心筋内膜面に平行な面の面積のうち少なくとも一つの情報を含む、
   請求項３～７のいずれか一つに記載の装置。
9. 前記第１全体領域及び前記第２全体領域それぞれの壁運動パラメータの情報は、更に、容積変化の時系列変化を表す情報を含む、
   請求項３～８のいずれか一つに記載の装置。
10. 前記学習済みモデルは、サポートベクターマシン又はニューラルネットワークに基づいて構築される、
    請求項２～９のいずれか一つに記載の装置。
11. 前記複数種類の指標値は、少なくともＳＩ－ＤＩ（Strain Imaging Diastolic Index）及びＰＳＩ（Post-systolic Strain Index）を含む、
    請求項１に記載の装置。
12. 前記第１局所領域についての前記異常の判定結果を超音波画像又はポーラーマップに重畳表示させる出力制御部を更に備える、
    請求項１～１１のいずれか一つに記載の装置。
13. 前記第１医用情報及び前記第２医用情報は、時間方向に規格化された情報である、
    請求項２～１０のいずれか一つに記載の装置。
14. 前記第１局所領域についての前記異常の判定結果は、前記第１局所領域が虚血領域か否かを示す情報である、
    請求項１～１３のいずれか１つに記載の装置。
15. 前記第１医用情報は、前記第１局所領域及び第１全体領域それぞれにおける壁運動パラメータの時系列変化を表す波形情報であり、
    前記第２医用情報は、前記第２局所領域及び第２全体領域それぞれにおける壁運動パラメータの時系列変化を表す波形情報である、
    請求項２～１０のいずれか１つに記載の装置。
16. 前記第２局所領域についての異常判定結果は、人により壁運動異常である否かが識別された情報である、
    請求項２～１０のいずれか１つに記載の装置。
17. 前記第１局所領域についての前記異常の判定結果を出力させる出力制御部を更に備える、
    請求項１～１６のいずれか１つに記載の装置。
18. 前記複数の第１医用情報を超音波画像から取得する、
    請求項１～１７のいずれか１つに記載の装置。
19. 第１被検体の心臓について、第１局所領域および第１全体領域それぞれにおける壁運動パラメータを表す複数の第１医用情報を取得し、
    前記複数の第１医用情報に基づいて、前記第１局所領域における異常を判定し、
    前記複数の第１医用情報のそれぞれについて、複数種類の指標値を算出し、
    前記複数種類の指標値のうち、前記第１局所領域についての前記異常の判定結果に対して特定された指標値を、前記第１局所領域についての前記異常の判定結果とともに出力する、
    各処理をコンピュータに実行させるプログラム。
20. 複数の被検体の心臓について、局所領域における壁運動パラメータを表す第１波形情報の時間方向と、全体領域における容積変化の時系列変化を表す第２波形情報の時間方向とを、心時相における任意の区間に基づいて規格化し、
    前記規格化された前記第１波形情報と、前記規格化された前記第２波形情報と、前記局所領域における虚血性心疾患に関する異常判定結果とを用いて機械学習を行って学習済みモデルを構築する学習部
    を備える医用情報処理装置。
21. 第１被検体の心臓について、第１局所領域および第１全体領域それぞれにおける壁運動パラメータを表す複数の第１医用情報を取得する取得部と、
    前記複数の第１医用情報に基づいて、前記第１局所領域における異常を判定する判定部と、
    前記複数の第１医用情報のそれぞれについて、複数種類の指標値を算出する出力制御部と、
    を備え、
    前記複数種類の指標値は、少なくともＳＩ－ＤＩ（Strain Imaging Diastolic Index）及びＰＳＩ（Post-systolic Strain Index）を含む、
    装置。
22. 第１被検体の心臓について、第１局所領域および第１全体領域それぞれにおける壁運動パラメータを表す複数の第１医用情報を取得し、
    前記複数の第１医用情報に基づいて、前記第１局所領域における異常を判定し、
    前記複数の第１医用情報のそれぞれについて、複数種類の指標値を算出する、
    各処理をコンピュータに実行させるプログラムであって、
    前記複数種類の指標値は、少なくともＳＩ－ＤＩ（Strain Imaging Diastolic Index）及びＰＳＩ（Post-systolic Strain Index）を含む、
    プログラム。

Images