JP7776517B2 - モデル生成方法、学習モデル、コンピュータプログラム、情報処理方法及び情報処理装置 - Google Patents

Description

本発明は、管腔器官の医用画像から前記管腔器官の解剖学的特徴を捉えるために用いられるモデルのモデル生成方法、学習済みの学習モデル、学習モデルを用いるコンピュータプログラム、情報処理方法及び情報処理装置に関する。

管腔器官の中でも特に血管の画像診断は、冠動脈インターベンション（ＰＣＩ：Percutaneous Coronary Intervention）等の施術を安全確実に行なうために必要不可欠である。このため、造影剤を用いて体外から撮影する血管造影技術（angiography）と併せて、カテーテルを用いたＩＶＵＳ（Intra Vascular Ultra Sound）、ＯＣＴ（Optical Coherence Tomography）／ＯＦＤＩ（Optical Frequency Domain Imaging）等の血管内イメージング技術が普及している。

上述した画像診断では、撮影された医用画像から診断に関する情報を正確に得ることは容易ではない。医用画像の読影を補助するために、画像解析又は機械学習を用い、画像を補正したり、情報を付加したりする技術が種々提案されている（特許文献１等）。

特開２０１２－０７５７０２号公報

医用画像の読影には、画像から解剖学的特徴を正確に把握することが必要である。したがって、医用画像を正確に撮影するとともに、解剖学的特徴に関する情報を、より把握しやすく視認可能に提示することが認められる。特に、カテーテルを用いて行なう施術や検査のためには、カテーテルが挿入されている箇所からいずれの範囲（角度）に対象物が存在するか、を示す角度に関するデータが有用である。

本開示の目的は、カテーテルを用いて得られる画像に基づき、管腔器官の解剖学的特徴を捉えるための角度に関するデータを出力するモデルのモデル生成方法、学習済みの学習モデル、学習モデルを用いるコンピュータプログラム、情報処理方法及び情報処理装置を提供することにある。

本開示に係るモデル生成方法は、コンピュータが、管腔器官に挿入されて前記管腔器官の長さ方向を軸として回転しつつ長さ方向に移動するカテーテルに備えられたイメージングデバイスによる走査信号を取得し、前記走査信号に基づく前記管腔器官の画像が入力された場合に、前記カテーテルの回転角度毎の病変部又は医療器具の存在確率を出力する学習モデルを生成する。

本開示に係る学習モデルは、管腔器官に挿入されて前記管腔器官の長さ方向を軸として回転しつつ長さ方向に移動するカテーテルに備えられたイメージングデバイスによる走査信号に基づく画像が入力される入力層と、前記カテーテルの回転角度毎の病変部又は医療器具の存在確率を出力する出力層と、前記画像と、該画像内の角度毎の病変部又は医療器具の有無を示すデータとを含む教師データに基づいて学習された中間層と、を備え、前記イメージングデバイスからの走査信号に基づく画像を前記入力層へ与え、前記中間層に基づいて演算し、前記画像に対応する前記存在確率を前記出力層から出力するようにコンピュータを機能させる。

本開示に係るコンピュータプログラムは、管腔器官に挿入されて前記管腔器官の長さ方向を軸として回転しつつ長さ方向に移動するカテーテルに備えられたイメージングデバイスによる走査信号を取得するコンピュータに、前記走査信号に基づく前記管腔器官の画像が入力された場合に、前記画像における前記管腔器官の内腔及び膜を含む異なる領域に識別したデータを出力する第１モデルと、前記画像が入力された場合に、前記イメージングデバイスの前記カテーテルの回転角度毎の病変部又は医療器具の存在確率を出力する第２モデルと、を用い、前記第１モデルにて識別された領域に基づく前記管腔器官の解剖学的特徴を示すパラメータと、前記第２モデルから得られる回転角度毎の存在確率とに基づき、前記管腔器官の中心から病変部又は医療器具を捉える角度範囲を算出する処理を実行させる。

本開示に係る情報処理方法は、管腔器官に挿入されて前記管腔器官の長さ方向を軸として回転しつつ長さ方向に移動するカテーテルに備えられたイメージングデバイスによる走査信号を取得するコンピュータが、前記走査信号に基づく前記管腔器官の画像が入力された場合に、前記画像における前記管腔器官の内腔及び膜を含む異なる領域に識別したデータを出力する第１モデルと、前記画像が入力された場合に、前記イメージングデバイスの前記カテーテルの回転角度毎の病変部又は医療器具の存在確率を出力する第２モデルと、を用い、前記第１モデルにて識別された領域に基づく前記管腔器官の解剖学的特徴を示すパラメータと、前記第２モデルから得られる回転角度毎の存在確率とに基づき、前記管腔器官の中心から病変部又は医療器具を捉える角度範囲を算出する。

本開示に係る情報処理装置は、管腔器官に挿入されて前記管腔器官の長さ方向を軸として回転しつつ長さ方向に移動するカテーテルに備えられたイメージングデバイスによる走査信号を取得する情報処理装置において、前記走査信号に基づく前記管腔器官の画像が入力された場合に、前記画像における前記管腔器官の内腔及び膜を含む異なる領域に識別したデータを出力する第１モデルと、前記画像が入力された場合に、前記イメージングデバイスの前記カテーテルの回転角度毎の病変部又は医療器具の存在確率を出力する第２モデルと、を記憶する記憶部と、前記走査信号に基づく画像処理を実行する処理部とを備え、前記処理部は、前記第１モデルにて識別された領域に基づく前記管腔器官の解剖学的特徴を示すパラメータと、前記第２モデルから得られる回転角度毎の存在確率とに基づき、前記管腔器官の中心から病変部又は医療器具を捉える角度範囲を算出する。

画像診断装置の構成例を示す図である。 カテーテルの動作を示す説明図である。 画像処理装置の構成を示すブロック図である。 学習済みの第１モデルの概要図である。 検出された境界（輪郭）を示す図である。 第２モデルの概要図である。 第２モデルの学習の概要を示す図である。 第２モデルを生成する過程の一例を示すフローチャートである。 カテーテルの中心と、血管中心（横断面重心）とのズレを示す図である。 画像処理装置の処理部による処理手順の一例を示すフローチャートである。 画像処理装置の処理部による処理手順の一例を示すフローチャートである。 角度範囲の算出処理手順の一例を示すフローチャートである。 角度範囲の算出処理の説明図である。 角度範囲の算出処理の説明図である。 内腔境界の補正処理の説明図である。 表示装置に表示される画面の例を示す。 表示装置における他の画面例を示す図である。 内腔表層にのみ生じる病変を捉える角度を算出する例を示す。 石灰化したプラークを捉える角度を算出する例を示す。 減衰性プラークを捉える角度を算出する例を示す。 血管に施されたステントを捉える角度を算出する例を示す。 カテーテルと共に挿入されているガイドワイヤを捉える角度を算出する例を示す。

本発明の実施形態に係るコンピュータプログラム、情報処理方法、及び情報処理装置の具体例を、図面を参照しつつ以下に説明する。

図１は、画像診断装置１００の構成例を示す図である。画像診断装置１００は、ＩＶＵＳ法によって血管（管腔器官）の超音波断層像を含む医用画像を生成し、血管内の超音波検査及び診断に用いられる装置である。

画像診断装置１００は、カテーテル１、ＭＤＵ（Motor Drive Unit）２、画像処理装置（情報処理装置）３、表示装置４及び入力装置５を備える。

カテーテル１は、医療用の柔軟性のある管である。カテーテル１は特に、先端部にイメージングデバイス１１を設け、基端からの駆動によって周方向に回転するイメージングカテーテルと呼ばれるものである。イメージングデバイス１１は、ＩＶＵＳ法の場合は超音波振動子及び超音波センサを含む超音波プローブである。ＯＣＴの場合は、近赤外線レーザ及び近赤外線センサ等を含むＯＣＴデバイスである。イメージングデバイス１１は、その他、可視光等の他の波長の電磁波を用いる他のデバイスを用いてもよい。

ＭＤＵ２は、カテーテル１の基端に取り付けられる駆動装置であり、医療従事者の操作に応じて内部モータを駆動することによって、カテーテル１の動作を制御する。

画像処理装置３は、カテーテル１のイメージングデバイス１１から出力された信号に基づいて、血管の断層像等、複数の医用画像を生成する。画像処理装置３の構成の詳細については後述する。

表示装置４は、液晶表示パネル、有機ＥＬ表示パネル等を用いる。表示装置４は、画像処理装置３によって生成される医用画像と、医用画像に関する情報とを表示する。

入力装置５は、画像処理装置３に対する操作を受け付ける入力インタフェースである。入力装置５は、キーボード、マウス等であってもよいし、表示装置４に内蔵されるタッチパネル、ソフトキー、ハードキー等であってもよい。

図２は、カテーテル１の動作を示す説明図である。図２においてカテーテル１は、血管内に医療従事者によって、図中に示す冠動脈に挿入されたガイドワイヤＷに沿って、管状の血管Ｌ内に挿入されている。図２中の血管Ｌの拡大図において右部は、カテーテル１及びガイドワイヤＷの挿入箇所から遠位、左部は近位に対応する。

カテーテル１は、ＭＤＵ２の駆動により、図中の矢符で示すように、血管Ｌ内の遠位から近位へ向けて移動しつつ、長さ方向を軸中心に回転する。このため、イメージングデバイス１１は、螺旋状に血管Ｌ内を走査する。

本実施形態の画像診断装置１００では、画像処理装置３が、カテーテル１のイメージングデバイス１１から出力された１走査毎の信号を取得する。１回の走査でイメージングデバイス１１は、検出波を径方向に発し、その反射波を検出する。イメージングデバイス１１は、この走査を、360度回転する間に数十回から数千回、各角度に対して行なう。画像処理装置３は、検出された反射波の径方向に対する分布を、各角度に対して取得できる。画像処理装置３は、１走査毎の信号を径方向で揃えて矩形状に並べた矩形画像（図２中、Ｉ０）を、360度分毎に極座標変換（逆変換）することで得られる断層画像（横断面画像）を生成する（図２中、Ｉ１）。断層画像Ｉ１はフレーム画像ともいう。断層画像Ｉ１の基準点（中心）は、カテーテル１の範囲（画像化されない）に対応する。画像処理装置３は、得られた断層画像Ｉ１に基づいて血管の構造を示す画像を含む情報を、医療従事者が視認可能に出力できる。本開示における画像診断装置１００では、特に、各角度に対応する走査信号、あるいはこれを変換した断層画像が入力された場合に、血管内に存在する病変部、又はステントなどの医療器具に対するカテーテルの側面一部から見た場合の範囲（角度範囲）を出力する。以下、この角度範囲及び出力の方法についてについて詳細を説明する。

図３は、画像処理装置３の構成を示すブロック図である。画像処理装置３は、コンピュータであり、処理部３０、記憶部３１、及び入出力Ｉ／Ｆ３２を備える。

処理部３０は、一又は複数のＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＧＰＧＰＵ（General-purpose computing on graphics processing units）、ＴＰＵ（Tensor Processing Unit）等を含む。処理部３０は、ＲＡＭ（Random Access Memory）等の非一時記憶媒体を内蔵し、処理中に生成したデータを非一時記憶媒体に記憶しつつ、記憶部３１に記憶されているコンピュータプログラム３Ｐに基づき演算を実行する。

記憶部３１は、ハードディスク、フラッシュメモリ等の不揮発性記憶媒体である。記憶部３１は、処理部３０が読み出すコンピュータプログラム３Ｐ、設定データ等を記憶する。また記憶部３１は、学習済みの第１モデル３１Ｍ及び第２モデル３２Ｍを記憶する。

コンピュータプログラム３Ｐ、第１モデル３１Ｍ及び第２モデル３２Ｍは、装置外の非一時記憶媒体９に記憶されたコンピュータプログラム９Ｐ、第１モデル９１Ｍ及び第２モデル９２Ｍを、処理部３０が入出力Ｉ／Ｆ３２を介して読み出して複製したものであってもよい。コンピュータプログラム３Ｐ、学習済みの第１モデル３１Ｍ及び第２モデル３２Ｍは、遠隔のサーバ装置が配信するものを画像処理装置３が図示しない通信部を介して取得し、記憶部３１に記憶したものであってもよい。

入出力Ｉ／Ｆ３２は、カテーテル１、表示装置４及び入力装置５が接続されるインタフェースである。処理部３０は、入出力Ｉ／Ｆ３２を介し、イメージングデバイス１１から出力される信号（デジタルデータ）を取得する。処理部３０は、入出力Ｉ／Ｆ３２を介し、生成した断層画像Ｉ１及び／又は長軸画像Ｉ２を含む画面の画面データを表示装置４へ出力する。処理部３０は、入出力Ｉ／Ｆ３２を介して、入力装置５に入力された操作情報を受け付ける。

図４は、学習済みの第１モデル３１Ｍの概要図である。第１モデル３１Ｍは、走査信号を極座標変換して得られる断層画像Ｉ１が入力された場合に、断層画像Ｉ１に写っている１又は複数の対象物の領域を示す画像を出力するように学習されたモデルである。第１モデル３１Ｍは例えば、セマンティックセグメンテーション（Semantic Segmentation）を実施するモデルである。第１モデル３１Ｍは、入力された断層画像Ｉ１の各画素に対し、各画素が、いずれの対象物の範囲に属する画素であるかをタグ付けしたタグ画像ＩＳを出力するように学習されている。

第１モデル３１Ｍは例えば、図４に示すように、畳み込み層、プーリング層、アップサンプリング層、及びソフトマックス層を対象的に配置した所謂Ｕ－ｎｅｔを用いる。第１モデル３１Ｍは、断層画像Ｉ１が入力された場合に、画像内で識別された範囲を示すタグ画像ＩＳを出力するモデルである。出力されるタグ画像ＩＳは、血管の内腔範囲、血管の中膜を含む血管の内腔境界と血管境界との間に対応する膜範囲、ガイドワイヤＷ及びそれによる反響が写っている範囲、カテーテル１に対応する範囲、並びに、病変部（例えばプラーク、石灰化部）等を、その位置の画素に各々異なる画素値（図４中では異なる種類のハッチング及び無地で示す）によってタグを付したものである。病変部の範囲は、例えばステント等の人工物、特に医療器具の範囲を含んでもよい。

第１モデル３１Ｍは上述したようにセマンティックセグメンテーション、Ｕ－ｎｅｔを例示したがこれに限らないことは勿論である。その他、第１モデル３１Ｍは、インスタンスセグメンテーション等による個別認識処理を実現するモデルであってもよい。第１モデル３１Ｍは、Ｕ－ｎｅｔベースに限らず、ＳｅｇＮｅｔ、Ｒ－ＣＮＮ、又は他のエッジ抽出処理との統合モデル等をベースにしたモデルを使用してもよい。

処理部３０は、第１モデル３１Ｍに、断層画像Ｉ１を入力して得られるタグ画像ＩＳにおける画素値とその画像内の画素の座標とによって、カテーテル１を用いて検査した血管の内腔境界、及び血管境界をエッジ検出できる。血管境界は、厳密には血管の中膜と外膜との間の外弾性板（ＥＥＭ：External Elastic Membrane）であって、ＩＶＵＳ法にて断層画像Ｉ１内で比較的明瞭に低い輝度で写る。図５は、検出された境界（輪郭）を示す図である。図５は、図４に示した断層画像Ｉ１に対し、第１モデル３１Ｍから出力されたタグ画像ＩＳに基づいて得られる内腔境界を示す曲線Ｂ１と、血管境界を示す曲線Ｂ２とが重畳表示されている状態を示す。

本実施形態における画像処理装置３は、第１モデル３１Ｍと合わせて用いる第２モデル３２Ｍを記憶部３１に記憶して用いる。第２モデル３２Ｍは、各走査信号に対する病変部又は医療器具の有無を、角度情報と対応付けて出力するモデルである。図６は、第２モデル３２Ｍの概要図である。第２モデル３２Ｍは、入力層３２１、中間層３２２及び出力層３２３を備えるニューラルネットワークを用いたモデルである。入力層３２１は、二次元の信号分布、即ち画像データを入力する。出力層３２３は、病変部又は医療器具が存在する確率を、角度データ（例えば１°～３６０°）毎に出力する。例えば出力層３２３、２°ごとの０°，２°，４°，…，３５６°，３５８°の１８０個の、確率の配列を出力する。１８０個に限らず、例えば３６０個でもよいし、３°毎の１２０個、４°毎の９０個であっても、それ以上であってもよい。

処理部３０は、断層画像Ｉ１を入力層３２１へ入力するか、又は、矩形画像Ｉ０を入力層３２１へ入力し、出力される確率の配列を取得できる。処理部３０は、第２モデル３２Ｍから出力される、角度毎の、その角度における病変部又は医療器具が存在する確率の配列を取得し、確率が所定値以上で連続している部分を、病変部又は医療器具の角度範囲として取得できる。なお、第２モデル３２Ｍから出力される、角度毎の病変部又は医療器具が存在する確率は、イメージングデバイス１１を基準とした角度毎の確率である。

第２モデル３２Ｍは、画像処理装置３、又は、他の処理装置によって予め作成され、学習済みとされる。図７は、第２モデル３２Ｍの学習の概要を示す図である。以下では、画像処理装置３が予め学習処理を実行するものとして説明するがあくまで例示であってこれに限定されない。他の処理装置が予め学習してもよい。

教師データは、アノテーション付きの断層画像Ｉ１又は矩形画像Ｉ０である。アノテーションは、病変部又は医療器具の有無、及び画像内での箇所が既知である断層画像Ｉ１又は矩形画像Ｉ０に対する角度毎の存在確率である。教師データは、病変部の種類、又は医療器具の種類別に用意されてもよい。例えば第２モデル３２Ｍは、石灰プラークなのか、減衰性プラークなのか、ステントなのか、ガイドワイヤなのかで異なる教師データによって別々に学習されてもよい。

図７では、教師データにおける角度毎の病変部又は医療器具の有無を、断層画像Ｉ１を中心とした同一距離上に配したマークで示している。マークのハッチングにより、病変部又は医療器具の有無を示す。アノテーションは例えば、断層画像Ｉ１と対応付けられた確率の配列であって、病変部又は医療器具が存在する場合は「１．０」、存在しない場合は「０．０」が付与されている。図７の例では、134°～230°の範囲にプラークが存在しており、その角度範囲における存在確率が「１．０」とされている。

画像処理装置３の処理部３０は、このような既知の存在確率が付された画像の教師データに基づき、第２モデル３２Ｍを学習し、モデルを生成する。図８は、第２モデル３２Ｍを生成する過程の一例を示すフローチャートである。

処理部３０は、イメージングデバイス１１から得られた信号に基づいて過去に生成された断層画像Ｉ１又は矩形画像Ｉ０を取得する（ステップＳ２０１）。処理部３０は、取得した画像内の画像中心（カテーテル１の中心）を基準とした角度それぞれについて、病変部又は医療器具の有無を受け付ける（ステップＳ２０２）。受け付け方法は、処理部３０が、断層画像Ｉ１と、図７に示したようなマークとを表示装置４等に表示させ、医療従事者（医師、技術士等）の判断によりマークを「有（１．０）」あるいは「無（０．０）」それぞれに対応する色、模様等に変化するように制御して実現してもよい。受け付け方法はそのほか、角度毎の「有（１．０）」及び「無（０．０）」の配列を受け付ける方法であってもよい。

処理部３０は、ステップＳ２０１で取得した画像と、該画像に対してＳ２０２で受け付けた角度毎の存在の有無を示すデータとを含む教師データを記憶する（ステップＳ２０３）。ステップＳ２０１－Ｓ２０３の処理は、できる限り多数のデータが集まるまで行なわれることが望ましい。

教師データとなる断層画像Ｉ１又は矩形画像Ｉ０は、縮小されてから学習に利用されてもよい。また矩形画像Ｉ０を入力する場合は、対象となる３６０°分のデータに対し、前後９０°を足した５４０°分の矩形画像Ｉ０を用いて学習することが望ましい（図６参照）。隣り合う走査信号との連続性を保った画像を入力することで、学習の精度を維持することができる。

処理部３０は、記憶した教師データの画像を学習完了前の第２モデル３２Ｍの入力層３２１へ入力する（ステップＳ２０４）。処理部３０は、第２モデル３２Ｍの出力層３２３から出力される角度毎の存在確率と、入力した画像に対応する確度毎の存在の有無を示すデータとを用いた損失を算出し、これにより中間層３２２のパラメータを学習（更新）する（ステップＳ２０５）。

処理部３０は、学習条件を満たすか否かを判断し（ステップＳ２０６）、学習条件を満たさないと判断された場合（Ｓ２０６：ＮＯ）、処理をステップＳ２０１へ戻し、学習を続行する。

学習条件を満たすと判断された場合（Ｓ２０６：ＹＥＳ）、処理部３０は、第２モデル３２Ｍのネットワーク構成及び条件を示す記述データ、及び、中間層３２２のパラメータを記憶部３１又は他の記憶媒体に記憶し（ステップＳ２０７）、モデル生成処理を終了する。なお、処理部３０は、ステップＳ２０１－Ｓ２０３への処理は予め事前に受け付けておき、収集した教師データについて、ステップＳ２０４－Ｓ２０７の処理を実行してもよい。

これにより、第２モデル３２Ｍは、画像が入力された場合、イメージングデバイス１１を基準とした角度に対する病変部又は医療器具の有無を示す周方向の確率分布を出力するように生成される。ここで注目すべきは、生成された第２モデル３２Ｍから出力される角度毎の病変部又は医療器具の有無を示す確率は、カテーテル１を中心として病変部等を捉える周方向の角度範囲である点である。図７に示したように、第２モデル３２Ｍから出力される周方向の確率分布は、断層画像Ｉ１の中心、つまりカテーテル１の中心を基準としている。

しかしながら、カテーテル１の血管内での存在位置は常に一定ではなく、拍動の影響を受けて血管の中心を通ったり、血管内腔の端を通ったりする。図９は、カテーテル１の中心と、血管中心（横断面重心）とのズレを示す図である。図９に示すように、符号ｘで示す断層画像Ｉ１の中心（矩形画像Ｉ０におけるカテーテル１側の一長辺）は、図９中、符号оで示す血管中心とずれている。したがって、カテーテル１を中心として病変を捉えたデータは、カテーテル１が血管中心とずれている場合には、臨床上考慮すべき血管中心からの角度情報と解離するため、このデータを参考にすることが困難になる。そこで本実施形態における画像処理装置３は、第１モデル３１Ｍを用い、第２モデル３２Ｍに基づき導出されたカテーテル１を中心とした病変又は医療器具等の物を捉える角度を、血管の解剖学的特徴を基準とした角度で記述し直したデータに算出し直す。

以下、第１モデル３１Ｍ及び第２モデル３２Ｍを用いた画像処理装置３による処理手順について詳細を説明する。図１０及び図１１は、画像処理装置３の処理部３０による処理手順の一例を示すフローチャートである。画像処理装置３の処理部３０は、カテーテル１のイメージングデバイス１１から信号が出力されると以下の処理を開始する。

処理部３０は、カテーテル１のイメージングデバイス１１からの信号（データ）を所定量（例えば３６０度分）取得する都度（ステップＳ１０１）、径方向の信号を矩形に並べた画像を極座標変換（逆変換）して断層画像Ｉ１を生成する（ステップＳ１０２）（図２参照）。処理部３０は、生成した断層画像Ｉ１を、表示装置４に表示させている画面内にリアルタイムに表示できるように出力する（ステップＳ１０３）。処理部３０は、ステップＳ１０１で取得した信号データと、断層画像Ｉ１とを、イメージングデバイス１１のポジション（長軸上の位置、角度）に対応付けて記憶部３１に記憶する（ステップＳ１０４）。

処理部３０は、断層画像Ｉ１を第１モデル３１Ｍへ入力する（ステップＳ１０５）。第１モデル３１Ｍから得られるタグ画像ＩＳに基づき、処理部３０は、断層画像Ｉ１における内腔境界及び血管境界のデータを算出する（ステップＳ１０６）。ステップＳ１０６において処理部３０は、第１モデル３１Ｍから出力される内腔範囲、血管の中膜を含む膜範囲の内、内腔範囲の輪郭（エッジ）を内腔境界、膜範囲の外側輪郭を血管境界として算出する。ステップＳ１０６において処理部３０は、断層画像Ｉ１のサイズを縮小してから第１モデル３１Ｍへ入力するなど、高速処理化を実施してもよい。

処理部３０は、ステップＳ１０６で算出した内腔境界及び血管境界のデータに基づき、血管の中心を算出する（ステップＳ１０７）。ステップＳ１０７において処理部３０は、例えば、血管境界又は内腔境界に対し、例えばHough変換によって、境界に沿う円を抽出し、その円の中心を、血管の中心として決定する。ステップＳ１０７において処理部３０は、血管境界よりも内側の領域、又は、内腔境界よりも内側の領域の重心を求め、この重心を血管中心として決定してもよい。処理部３０は、算出した血管中心の断層画像Ｉ１内における座標を記憶する（ステップＳ１０８）。

処理部３０は、断層画像Ｉ１、又は、ステップＳ１０１で取得する信号データから、３６０°分の走査結果に前後９０°分の走査結果を足した矩形画像Ｉ０（図２、図９参照）を第２モデル３２Ｍへ入力する（ステップＳ１０９）。処理部３０は、第２モデル３２Ｍから得られる病変部又は医療器具の角度毎の存在確率を取得する（ステップＳ１１０）。

処理部３０は、ステップＳ１１０で取得した角度毎の病変部又は医療器具の存在確率と、ステップＳ１０８で記憶してある血管中心の座標とに基づき、病変部又は医療器具が存在する範囲の血管中心を基準とした角度範囲を算出する処理を実行する（ステップＳ１１１）。ステップＳ１１１における処理については後述する。

処理部３０は、ステップＳ１１１の算出処理の結果、得られる病変部又は医療器具が存在する角度範囲を示す画像を断層画像Ｉ１に重畳表示する（ステップＳ１１２）。処理部３０は、病変部又は医療器具が存在する角度範囲のデータを、ステップＳ１０４で記憶した断層画像Ｉ１に対応付けて記憶する（ステップＳ１１３）。

処理部３０は、ステップＳ１０５で得られたタグ画像ＩＳに基づき識別される病変部又は医療器具の範囲を、ステップＳ１１１で算出した角度範囲に基づいて補正する（ステップＳ１１４）。ステップＳ１１４において処理部３０は例えば、角度範囲に含まれる範囲を残し、他の範囲はノイズとして除去するなどしてもよい。

処理部３０は、対象の断層画像Ｉ１の長軸方向における位置を示すデータを表示装置４に表示させる（ステップＳ１１５）。ステップＳ１１５によって処理部３０は、対象の断層画像Ｉ１の位置を、走査中にリアルタイムに表示させる。また、この場合、処理部３０は、対象の断層画像Ｉ１に、ステップＳ１１１の処理によって病変部又は医療器具が存在する角度範囲が対応付けられた場合、それを示すマーク等を、長軸方向を示す画像に重畳表示させるとよい。

処理部３０は、カテーテル１のイメージングデバイス１１による走査を完了したか否かを判断する（ステップＳ１１６）。走査を完了していないと判断された場合（Ｓ１１６：ＮＯ）、処理部３０は、処理をステップＳ１０１へ戻し、次の断層画像Ｉ１を生成する。

走査を完了したと判断された場合（Ｓ１１６：ＹＥＳ）、処理部３０は、処理を終了する。

図１２は、角度範囲の算出処理手順の一例を示すフローチャートである。図１２のフローチャートに示す処理手順は、図１０及び図１１のフローチャートにおけるステップＳ１１１の詳細手順に対応する。

処理部３０は、第２モデル３２Ｍから得られる角度毎の存在確率から、存在確率が連続して所定の確率値以上である範囲を、病変部又は医療器具が存在する範囲として算出する（ステップＳ３０１）。

処理部３０は、断層画像Ｉ１における画素値を参照し、血管境界と内腔境界との間における画素値が他よりも高い（あるいは他よりも低い）部分を抽出する（ステップＳ３０２）。つまりステップＳ３０２において処理部３０は、画像内で周囲よりも輝度が高い部分、あるいは輝度が低く暗い部分を抽出する。ステップＳ３０２において処理部３０は、内腔境界よりも内側の領域も併せて抽出してもよい（内腔の内側にまで至る病変部又は医療器具も存在するため）。また、ステップＳ３０２の処理は、病変の種類によっては抽出できないので省略されてもよい。

処理部３０は、ステップＳ３０１にて算出した範囲と、ステップＳ３０２で抽出された部分とに基づき、病変部又は医療器具が存在する範囲の断層画像Ｉ１の中心（カテーテル１の中心）からの角度範囲を調整する（ステップＳ３０３）。ステップＳ３０３において処理部３０は、ステップＳ３０２で抽出される部分のうち、ステップＳ３０１にて算出された範囲外の部分を除外してもよい。処理部３０は、ステップＳ３０１で算出された範囲とステップＳ３０２で抽出される部分とが重複している場合、より広い範囲（ＯＲとなる範囲）となるように角度範囲を調整してもよいし、より狭い範囲（ＡＮＤとなる範囲のみ）となるように角度範囲を調整してもよい。ステップＳ３０２及びステップＳ３０３の処理は必須ではない。

処理部３０は、断層画像Ｉ１の中心から、病変部又は医療器具が存在する確率が高い角度範囲における最大角度の直線と、最小角度の直線と、算出されている内腔境界（又は血管境界）との交点の断層画像Ｉ１内での座標を算出する（ステップＳ３０４）。

処理部３０は、ステップＳ３０１で算出した２点の座標それぞれと、血管中心の座標とを結ぶ直線の角度をそれぞれ算出し、記憶する（ステップＳ３０５）。ステップＳ３０５において処理部３０は、断層画像Ｉ１の中心から画像内の垂直方向の上方に向けた線分と各直線との間の角度を算出する。

処理部３０は、ステップＳ３０５で記憶した２点の座標に基づき、直線と内腔境界又は血管境界との交点の間を、スプライン曲線、円弧等によって結び、内腔境界又は血管境界を補正する（ステップＳ３０６）。

処理部３０は、血管中心を基準とした角度範囲の算出処理を終了し、図１０及び図１１のフローチャートにおけるステップＳ１１２へ処理を戻す。

処理部３０は、図１２のフローチャートに示した処理手順のうち、ステップＳ３０２の処理を、ステップＳ３０５の処理後に実行してもよい。この場合、処理部３０は以下のように処理を実行する。処理部３０は、断層画像Ｉ１の中心から角度範囲の両端への２つの直線と、内腔境界又は血管境界との交点を算出し（Ｓ３０４）、その交点と、血管中心とを結んだ直線の角度を算出する（Ｓ３０５）。処理部３０は、ステップＳ３０５で算出した角度の少なくとも２つの直線と、血管境界又は内腔境界とで描かれる扇型の形状内で、画素値が他よりも高い（周辺よりも白い）部分を抽出する（Ｓ３０２）。処理部３０は、抽出された部分の大きさ及び形状に従って、血管中心を基準とする２つの直線の角度を変更してもよい。

図１３Ａ及び図１３Ｂは、角度範囲の算出処理の説明図である。図１３Ａは、図９に示した断層画像Ｉ１に対して画像の中心から、存在確率が連続して所定の確率値以上である角度範囲を示している。図１３Ａでは、ステップＳ３０２で抽出される血管境界の曲線Ｂ２と内腔境界の曲線Ｂ１との間における画素値が他よりも高い部分（プラーク）が示されている。処理部３０は、破線で示すように、この抽出された範囲に直線が接するようにステップＳ３０３で調整してもよい。

図１３Ａでは、断層画像Ｉ１の中心から、病変部又は医療器具が存在する確率が高い角度範囲における最大角度の直線と、最小角度の直線と、算出されている内腔境界の曲線Ｂ１及び血管境界の曲線Ｂ２との交点をそれぞれ、黒丸で示している。

図１３Ｂは、図１３Ａに示した断層画像Ｉ１の画像中心からの角度範囲を、血管中心からの角度範囲として算出し直した結果を示す。図１３Ｂ中、断層画像Ｉ１の画像中心からの角度範囲を一点鎖線により示している。角度の算出基準が、画像中心から血管中心へと変わったことにより、例えば第２モデル３２Ｍから得られる確率分布から、病変部又は医療器具が存在する範囲は 148°～ 215°の範囲として算出されたところ、134°～ 223°と算出し直される。これにより、病変部を捉える角度を、解剖学的特徴を示すデータに基づきより正確に算出することが可能である。また、血管中心を基準とした角度範囲のデータにより、血管及び血管における病変部の構造をより正確に示す三次元画像を、イメージングデバイス１１からの信号に基づき再現することが可能になる。処理部３０は、血管中心を基準とした角度範囲のデータにより、血管境界及び内腔境界を算出し直すことも可能である。

図１４は、内腔境界の補正処理の説明図である。図１４Ａは補正前の内腔境界の曲線Ｂ１を示し、図１４Ｂは補正中の処理を示し、図１４Ｃは、補正後の内腔境界の曲線Ｂ１を示す。内腔境界の曲線Ｂ１は、断層画像Ｉ１（又は矩形画像Ｉ０）に対する第１モデル３１Ｍによるセグメンテーションを実施した結果、領域の境界として算出されるものである。しかしながら、断層画像Ｉ１に写っている血管の病変等によっては画素値が低くなり領域が識別しづらく、算出される境界の精度が低い場合がある。図１４Ａでは、病変部を写した範囲の影響により、曖昧な部分が中心側に凹んだような内腔境界の曲線Ｂ１が算出されている。

図１４Ｂは、図１４Ａに示した画像に対して、病変部又は医療器具が存在する確率が高い角度範囲を示す直線と、内腔境界との交点を示す。処理部３０は、２つの交点間の内腔境界を削除する。

図１４Ｃは、補正後の内腔境界を示す。図１４に示す補正後の内腔境界の曲線Ｂ１は、図１４Ｂに示した交点間を、自然な内腔境界とするために、スプライン曲線によって結んだ曲線である。これにより、病変部又は医療器具を写したことによって画素値が低くなった部分についても、自然に結ばれた境界が描かれる。血管は弾性を有し、膜は滑らかな曲面を描くはずであって境界も滑らかであるはずなので、スプライン曲線で結ばれた曲線がより再現性が高い可能性がある。図１４に経過を示した補正処理は、内腔境界のみならず血管境界に対しても適用可能である。

なお、図１４Ｃで示した内腔境界の曲線Ｂ１の補正は、スプライン曲線のみならず、特定された血管中心оを中心とする円の円弧状に補正されてもよい。血管は弾性を有し、断面は略円形となることが自然である。

図１５は、表示装置４に表示される画面４００の例を示す。図１５に示す画面４００は、血管の長さ方向における位置を選択するカーソル４０１と、カーソル４０１に対応する位置における断層画像Ｉ１とを含む。画面４００は、解剖学的特徴を示すデータのグラフ４０２を含む。グラフ４０２は、長軸上の位置に対する平均内腔径の分布、及び、プラーク範囲の割合の分布を示す。

図１５の画面４００に表示されている断層画像Ｉ１には、病変部又は医療器具が存在する角度範囲を、血管中心を基準にして表す画像（黒丸、直線及び破線）が示されている。画面４００における断層画像Ｉ１の下方には、その位置の断層画像Ｉ１から算出された解剖学的特徴を示すデータと共に、角度範囲を示す数値が示されている。

図１５に示したように、病変部又は医療器具等の物を捉える角度を、血管中心を基準とした角度で記述し直した結果を画面４００上で、医療従事者は視認することが可能になる。これにより、医療従事者は施術用のカテーテルを挿入する場合に、病変部をどのような範囲に存在するかをイメージすることも可能である。

図１６は、表示装置４における他の画面例を示す図である。図１６の画面４００は、血管の三次元画像４０３を含み、三次元画像４０３に、長軸上で移動可能なオブジェクトである立体的なカーソル４０１を含む。図１６の符号Ｅで示すように、三次元画像４０３には、各断層画像Ｉ１に対して特定された病変を捉える角度範囲を長さ方向に繋げた画像が重畳されて表示される。これにより、血管内の病変部又は医療器具を立体的に捉えることが医療従事者にとって、より容易になる。

上述した処理手順を、異なる種類の病変部及び医療器具に適用した場合の例について説明する。図１７は、内腔表層にのみ生じる病変を捉える角度を算出する例を示す。図１７Ａは、解離及びプロトリュージョンが写っている断層画像Ｉ１を第１モデル３１Ｍへ入力して得られる内腔境界の曲線Ｂ１と血管境界の曲線Ｂ２を示す。図１７Ｂは、断層画像Ｉ１を第２モデル３２Ｍへ入力して得られる画像中心を基準とした病変部又は医療器具が存在する角度範囲を示す。図１７Ｃは、血管中心を基準とした角度範囲を示す。

解離及びプロトリュージョンは、内腔の表層のみに生じる。したがってこの場合、Ｓ３０２の処理によって血管境界、内腔境界を参照した範囲内における画素値による部分抽出は不要である。処理部３０は、図１７Ａから図１７Ｃに示すように、画素値による抽出処理を行なうことなしに、断層画像Ｉ１の中心から角度範囲の両端への２つの直線と、内腔境界の曲線Ｂ１又は血管境界の曲線Ｂ２との交点を算出し、それらの交点と血管中心とを通る直線を求めて血管中心からの角度範囲を算出する。これにより、内腔表層のみに生じる病変を捉える角度を得ることができる。

図１８は、石灰化したプラークを捉える角度を算出する例を示す。図１８Ａは、石灰化したプラークが写っている断層画像Ｉ１を第１モデル３１Ｍへ入力して得られる内腔境界の曲線Ｂ１と血管境界の曲線Ｂ２を示す。図１８Ｂは、断層画像Ｉ１を第２モデル３２Ｍへ入力して得られる画像中心を基準とした病変部又は医療器具が存在する角度範囲を示す。図１８Ｃは、血管中心を基準とした角度範囲を示す。

石灰化するプラークは、血管の内膜とＥＥＭとの間にみられる。したがってこの場合、病変部が内腔境界と血管境界との間にみられる。処理部３０は、プラークに関しては、ステップＳ３０１で算出した病変部の存在確率が所定の確率値以上である範囲であり、内腔境界と血管境界との間で、断層画像Ｉ１上で画素値によってプラークに該当する部分を抽出する（Ｓ３０２）。処理部３０は、図１８Ｂから図１８Ｃに示すように、抽出した範囲を捉える血管中心からの角度範囲を算出する。これにより、内膜表層から血管境界（外弾性板）までの間に生じる病変を捉える角度を得ることができる。

石灰化したプラークに対する検出では、血管境界を補正することも効果的である。図１８Ｃでは、太線の円弧にて血管境界を補正した補正境界を示す。石灰化したプラークは超音波を透過させず、イメージングデバイス１１からプラークよりも奥の血管境界へ超音波が到達しない可能性がある。この場合、石灰化したプラークよりも外側の領域は画素値がかなり低い暗い部分となり、第１モデル３１Ｍによるセグメンテーションの精度が下がる。このため、図１９Ｃに示すように、断層画像Ｉ１の画像中心から角度範囲の両端への２つの直線と、血管境界の曲線Ｂ２との交点である２つの点の間を、血管中心の円の円弧で結ぶ補正、あるいは、スプライン曲線で結ぶ補正をすることが効果的である。このように、第２モデル３２Ｍから得られる病変部又は医療器具を捉える角度範囲のデータは、境界補正にも使用可能である。

図１９は、減衰性プラークを捉える角度を算出する例を示す。図１９Ａは、減衰性プラークが写っている断層画像Ｉ１を第１モデル３１Ｍへ入力して得られる血管境界の曲線Ｂ２を示す。図１９Ｂは、断層画像Ｉ１を第２モデル３２Ｍへ入力して得られる画像中心を基準とした病変部又は医療器具が存在する角度範囲を示す。図１９Ｃは、血管中心を基準とした角度範囲を示す。

減衰性プラークは、超音波を減衰させるために該当箇所が暗く映る。この場合、画素値が低く写っているため、領域識別及び境界算出の精度が低い。処理部３０は、減衰性プラークに関しては、ステップＳ３０１で算出した病変部の存在確率が所定の確率値以上である範囲であり、血管境界よりも内側の領域内で、断層画像Ｉ１上で画素値が低いプラークに該当する部分を抽出する（Ｓ３０２）。処理部３０は、図１９Ｂから図１９Ｃに示すように、抽出した範囲を捉える血管中心からの角度範囲を算出する。そして、境界を補正することも可能である（Ｓ３０６）。

図２０は、血管に施されたステントを捉える角度を算出する例を示す。図２０Ａは、ステントが写っている断層画像Ｉ１を第１モデル３１Ｍへ入力して得られる内腔境界の曲線Ｂ１及び血管境界の曲線Ｂ２を示す。図２０Ｂは、断層画像Ｉ１を第２モデル３２Ｍへ入力して得られる画像中心を基準とした病変部又は医療器具が存在する角度範囲を示す。図２０Ｃは、血管中心を基準とした角度範囲を示す。

ステントは、内腔よりも内側に存在する場合と、内腔から成長したプラークに取り込まれて内腔境界と血管境界との間に存在する場合とがある。ステントは、超音波を反射するために明るく輝度が高く写る。なお、ステントは網目状であるため、病変部の存在確率が所定の確率値以上である範囲の連続性は問われない。処理部３０は、ステントに関しては、ステップＳ３０１で算出した病変部の存在確率が所定の確率値以上である範囲であり、血管境界よりも内側の領域内で、断層画像Ｉ１上で画素値が高い部分を抽出する（Ｓ３０２）。処理部３０は、ステントの断面の大きさから、抽出される部分の大きさでノイズを除去してもよい。処理部３０は、図２０Ｂから図２０Ｃに示すように、抽出した範囲を捉える血管中心からの各ステントの網目の部分への角度範囲を算出する。

図２１は、カテーテル１と共に挿入されているガイドワイヤＷを捉える角度を算出する例を示す。図２１Ａは、ガイドワイヤＷが写っている断層画像Ｉ１を第１モデル３１Ｍへ入力して得られる内腔境界の曲線Ｂ１を示す。図２１Ｂは、断層画像Ｉ１を第２モデル３２Ｍへ入力して得られる画像中心を基準とした病変部又は医療器具が存在する角度範囲を示す。図２１Ｃは、血管中心を基準とした角度範囲を示す。

ガイドワイヤＷは、内腔よりも内側に存在する。ガイドワイヤＷは、断層画像Ｉ１内で本体及び反響が写り、画素値が低く輝度が低く影のように写る。処理部３０は、ガイドワイヤＷに関しては、ステップＳ３０１で算出した病変部の存在確率が所定の確率値以上である範囲であり、内腔境界の曲線Ｂ１よりも内側の領域内で、断層画像Ｉ１上で画素値が低い部分を抽出する（Ｓ３０２）。処理部３０は、図２１Ｂから図２１Ｃに示すように、抽出した範囲を捉える血管中心からのガイドワイヤＷを捉える角度範囲を算出できる。

図１０及び図１１、並びに図１２のフローチャートに示した処理により、病変部又は医療器具が存在する確率の角度分布を出力する第２モデル３２Ｍと、内腔境界又は血管境界を特定するための第１モデル３１Ｍを用い、血管中心の病変部等の角度範囲を得ることができる。図１７から図２１に示したように、多様な病変部及び医療器具に対して１つの第２モデル３２Ｍを用いて角度範囲を得ることができるが、精度を向上させるために、病変部及び医療器具の種類別に第２モデル３２Ｍを学習するとよい。

本実施形態では、カテーテル１と接続される画像処理装置３が、イメージングデバイス１１からの信号に基づきほぼリアルタイムに断層画像Ｉ１を生成しつつ、病変部又は医療器具が存在する角度範囲を算出して表示装置４に表示させるものとして説明した。しかしながら、上述に説明した画像処理装置３による処理は、別途、イメージングデバイス１１から得られる信号データに基づき事後的に行なわれてもよい。つまり、画像処理装置３は、カテーテル１のイメージングデバイス１１に直接的に接続されているとは限らず、イメージングデバイス１１からの信号を取得できればよい。画像処理装置３は、ネットワークを介してイメージングデバイス１１からの信号を記憶した記憶装置を読み出し可能な装置、例えばサーバ装置であってもよい。つまり、例えば図１０及び図１１のフローチャートに示したステップＳ１０１－Ｓ１０４の処理手順を既存の処理装置で実施し、ステップＳ００６－Ｓ１１６の処理を、該処理装置に接続される画像処理装置３で実行し、処理装置経由で表示装置４に表示させてもよい。

本実施形態では、医用画像を冠動脈に対するＩＶＵＳで得られた画像を例に説明した。しかしながら、適用対象はこれに限らず、ＯＣＴ／ＯＦＤＩ等であってもよいし、管腔器官は血管に限らない。

上述のように開示された実施形態は全ての点で例示であって、制限的なものではない。本発明の範囲は、請求の範囲によって示され、請求の範囲と均等の意味及び範囲内での全ての変更が含まれる。

１ カテーテル
１１ イメージングデバイス
３ 画像処理装置（情報処理装置）
３０ 処理部
３１ 記憶部
３Ｐ コンピュータプログラム
３１Ｍ 第１モデル
３２Ｍ 第２モデル
４ 表示装置
４００ 画面
Ｉ０ 矩形画像（走査信号に基づく画像）
Ｉ１ 断層画像（走査信号に基づく画像）

Claims (15)

1. コンピュータが、
   管腔器官に挿入されて前記管腔器官の長さ方向を軸として回転しつつ長さ方向に移動するカテーテルに備えられたイメージングデバイスによる走査信号を取得し、
   前記走査信号に基づく前記管腔器官の画像が入力された場合に、前記カテーテルの回転角度毎の病変部又は医療器具の存在確率を数列として出力する学習モデルを生成する
   モデル生成方法。
2. 前記コンピュータは、前記病変部の種類、又は医療器具の種類別に前記学習モデルを生成する
   請求項１に記載のモデル生成方法。
3. 前記コンピュータは、
   前記走査信号を回転角度の増減順に並べた矩形画像と、該矩形画像に対応付けられた前記回転角度毎の病変部又は医療器具の有無を示すデータとを教師データとして、前記学習モデルを生成する
   請求項１又は２に記載のモデル生成方法。
4. 前記コンピュータは、
   前記走査信号に基づき得られる前記管腔器官の断層画像と、該断層画像に対応付けられた角度毎の病変部又は医療器具の有無を示すデータとを教師データとして、前記学習モデルを生成する
   請求項１又は２に記載のモデル生成方法。
5. 管腔器官に挿入されて前記管腔器官の長さ方向を軸として回転しつつ長さ方向に移動するカテーテルに備えられたイメージングデバイスによる走査信号に基づく画像が入力される入力層と、
   前記カテーテルの回転角度毎の病変部又は医療器具の存在確率を数列として出力する出力層と、
   前記画像と、該画像内の角度毎の病変部又は医療器具の有無を示すデータとを含む教師データに基づいて学習された中間層と、
   を備え、
   前記イメージングデバイスからの走査信号に基づく画像を前記入力層へ与え、前記中間層に基づいて演算し、前記画像に対応する前記存在確率を前記出力層から数列として出力するようにコンピュータを機能させるための、学習モデル。
6. 管腔器官に挿入されて前記管腔器官の長さ方向を軸として回転しつつ長さ方向に移動するカテーテルに備えられたイメージングデバイスによる走査信号を取得するコンピュータに、
   前記走査信号に基づく前記管腔器官の画像が入力された場合に、前記画像における前記管腔器官の内腔及び膜を含む異なる領域に識別したデータを出力する第１モデルと、
   前記画像が入力された場合に、前記イメージングデバイスの前記カテーテルの回転角度毎の病変部又は医療器具の存在確率を出力する第２モデルと、
   を用い、
   前記第１モデルにて識別された領域に基づく前記管腔器官の解剖学的特徴を示すパラメータと、前記第２モデルから得られる回転角度毎の存在確率とに基づき、前記管腔器官の中心から病変部又は医療器具を捉える角度範囲を算出する
   処理を実行させるコンピュータプログラム。
7. 前記コンピュータに、
   前記第１モデルにて識別された領域に基づき前記管腔器官における内腔境界、又は、前記膜の外側に対応する器官境界を算出し、
   前記画像内の前記器官境界よりも内側の範囲、又は、前記器官境界よりも内側であって前記内腔境界よりも外側の範囲における前記病変部又は医療器具の範囲を抽出し、
   前記管腔器官の中心から病変部又は医療器具を捉える角度範囲を、前記抽出した範囲に基づき補正する
   処理を実行させる請求項６に記載のコンピュータプログラム。
8. 前記コンピュータに、
   前記第１モデルにて識別された領域に基づき前記管腔器官における内腔境界、又は、前記膜の外側に対応する器官境界を算出し、
   算出された前記内腔境界又は器官境界の、前記管腔器官の中心から病変部又は医療器具を捉える角度範囲に含まれる一部を補正する
   処理を実行させる請求項６に記載のコンピュータプログラム。
9. 前記コンピュータに、
   前記管腔器官の中心からプラークを捉える角度範囲を算出する
   処理を実行させる請求項６から請求項８のいずれか１項に記載のコンピュータプログラム。
10. 前記コンピュータに、
    前記管腔器官の中心からステントを捉える角度範囲を算出する
    処理を実行させる請求項６から請求項８のいずれか１項に記載のコンピュータプログラム。
11. 前記コンピュータに、
    前記管腔器官の中心からガイドワイヤを捉える角度範囲を算出する
    処理を実行させる請求項６から請求項８のいずれか１項に記載のコンピュータプログラム。
12. 前記コンピュータに、
    算出された角度範囲に基づき、前記管腔器官の画像における前記病変部又は医療器具の範囲を描画し、表示装置に表示させる
    処理を実行させる請求項６から請求項８のいずれか１項に記載のコンピュータプログラム。
13. 前記コンピュータに、
    算出された角度範囲に基づき、前記管腔器官の構造を示す三次元画像における前記病変部又は医療器具の範囲を描画し、表示装置に表示させる
    処理を実行させる請求項６から請求項８のいずれか１項に記載のコンピュータプログラム。
14. 管腔器官に挿入されて前記管腔器官の長さ方向を軸として回転しつつ長さ方向に移動するカテーテルに備えられたイメージングデバイスによる走査信号を取得するコンピュータが、
    前記走査信号に基づく前記管腔器官の画像が入力された場合に、前記画像における前記管腔器官の内腔及び膜を含む異なる領域に識別したデータを出力する第１モデルと、
    前記画像が入力された場合に、前記イメージングデバイスの前記カテーテルの回転角度毎の病変部又は医療器具の存在確率を出力する第２モデルと、
    を用い、
    前記第１モデルにて識別された領域に基づく前記管腔器官の解剖学的特徴を示すパラメータと、前記第２モデルから得られる回転角度毎の存在確率とに基づき、前記管腔器官の中心から病変部又は医療器具を捉える角度範囲を算出する
    情報処理方法。
15. 管腔器官に挿入されて前記管腔器官の長さ方向を軸として回転しつつ長さ方向に移動するカテーテルに備えられたイメージングデバイスによる走査信号を取得する情報処理装置において、
    前記走査信号に基づく前記管腔器官の画像が入力された場合に、前記画像における前記管腔器官の内腔及び膜を含む異なる領域に識別したデータを出力する第１モデルと、
    前記画像が入力された場合に、前記イメージングデバイスの前記カテーテルの回転角度毎の病変部又は医療器具の存在確率を出力する第２モデルと、
    を記憶する記憶部と、
    前記走査信号に基づく画像処理を実行する処理部と
    を備え、
    前記処理部は、前記第１モデルにて識別された領域に基づく前記管腔器官の解剖学的特徴を示すパラメータと、前記第２モデルから得られる回転角度毎の存在確率とに基づき、前記管腔器官の中心から病変部又は医療器具を捉える角度範囲を算出する
    情報処理装置。