医用图像显示处理方法、医用图像显示处理装置及程序与流程

本发明涉及基于利用MRI等拍摄的脑图像，来进行脑部疾病的诊断辅助的诊断辅助技术，尤其涉及进行适于可能存在多种疾病的情况下的诊断辅助的技术。

背景技术：

近年来，可利用单光子发射计算机化断层显像(Single Photon Emission Computed Tomography，SPECT)、正电子成像术(Positron Emission Tomography，PET)等的核医学检查、计算机X射线断层成像术(Computerized Tomography，CT)或磁共振成像(Magnetic Resonace Imaging，MRI)，获得与脑的状态相关的信息。

尤其是，关于脑组织萎缩，可根据MRI图像获得特定部位的体积，比较其相对的大小，来判断有无异常。例如，在专利文献1中，公开了进行阿尔茨海默型痴呆症的诊断辅助的系统，利用MRI图像来定量评价内侧颞区的萎缩，由此可进行阿尔茨海默型痴呆症的诊断辅助。

(现有技术文献)

(专利文献)

专利文献1：日本特许4025823号

专利文献2：日本特开2013-66632号公报

技术实现要素：

(发明所要解决的问题)

然而，在以往的诊断辅助系统等中，只在以特定的疾病作为目标时能够获得有效的诊断辅助信息，但还没有达到可在同时假设不同疾病时提供比较这些疾病的有效的诊断辅助信息的程度。

本发明是鉴于上述问题而作出的，其目的在于提供适于不同疾病之间的比较的诊断辅助装置等。

(解决问题的方案)

用于达成上述目的的第一发明为一种诊断辅助装置，其特征在于，包括：确定单元，从脑图像来确定与多种疾病相关的脑部位；以及比较显示单元，计算与所确定的部位相关的信息，并进行比较显示。根据第一发明，能够提供适于不同疾病之间的比较的诊断辅助装置。

优选地，还包括计算单元，从所述脑图像来计算表示脑萎缩程度的萎缩评分，所述比较显示单元将所述萎缩评分的分布与所述部位一同显示于脑图像上。由此，可以在脑图像上将与各种疾病相关的部位与萎缩评分的分布一同显示，因此能够从视觉上把握脑图像整体的萎缩和关注部位的萎缩。

优选地，所述比较显示单元从所述萎缩评分来计算用于表示所述部位中的萎缩程度的萎缩度，并进行显示。由此，能够定量地比较与各种疾病相关的部位的萎缩。

优选地，所述比较显示单元显示每个组织的萎缩度。由此，能够针对每个组织定量地比较与各种疾病相关的部位的萎缩。

优选地，所述比较显示单元计算作为各部位的萎缩度之比的萎缩比并进行显示。由此，能够在唯一地把握不同疾病之间的关联性的鉴别辅助上获得有效指标。

优选地，所述计算单元对所述脑图像与健康人脑图像进行比较，来计算所述萎缩评分。由此，通过与健康人图像之间的比较，能够计算萎缩评分。

优选地，所述部位为在阿尔茨海默型痴呆症与路易氏体型痴呆症之间呈现出萎缩的差异的脑部位。由此，能够实现适于阿尔茨海默型痴呆症与路易氏体型痴呆症之间的比较的诊断辅助。

优选地，所述部位为内侧颞区附近及后脑干附近。由此，能够实现适于阿尔茨海默型痴呆症与路易氏体型痴呆症之间的比较的诊断辅助。

用于达成上述目的的第二发明为诊断辅助方法的特征在于，包括：确定步骤，从脑图像来确定与多种疾病相关的脑部位；以及比较显示步骤，计算与所确定的部位相关的信息，并进行比较显示。根据第二发明，能够提供适于不同疾病之间的比较的诊断辅助方法。

用于达成上述目的的第三发明为一种程序，其特征在于，使计算机用作如下的单元，所述单元包括：确定单元，从脑图像来确定与多种疾病相关的脑部位；以及比较显示单元，计算与所确定的部位相关的信息，并进行比较显示。根据第三发明，能够提供适于不同疾病之间的比较的程序。

(发明的效果)

根据本发明，能够提供适于不同疾病之间的比较的诊断辅助装置等。

附图说明

图1为示出本发明的实施方式的诊断辅助装置的功能的框图。

图2为示出本发明的实施方式的诊断辅助装置的处理步骤的流程图。

图3为示出萎缩评分的计算处理的步骤的流程图。

图4为示出诊断辅助信息等的显示的一个示例的图。

图5为切片图像的放大图。

图6为示出通过组合每个组织的萎缩比来判别疾病的示例的图。

图7为AD与DLB之间的萎缩比的图。

具体实施方式

以下，基于附图对本发明的实施方式进行详细的说明。

图1为示出诊断辅助装置1的功能的框图。诊断辅助装置1具有用户接口部10、处理部20及数据库部30。

用户接口部10主要具有：图像输入功能11，用于接受MRI图像的输入；以及显示功能13，用于显示由处理部20处理的结果。

处理部20主要具有：图像处理功能21，用于处理从用户接口部10输入的MRI图像；统计处理功能23，用于计算Z评分等各种统计指标；部位确定功能25，用于针对需要比较的各种疾病来确定特异部位(关心区域)；萎缩度计算功能27，用于计算萎缩度；以及萎缩比计算功能29，用于计算萎缩比。

另外，在数据库部30中保存有供处理部20处理的灰质脑图像模板31、白质脑图像模板33、健康人图像数据库35及关心区域ROI 37等。

所述灰质脑图像模板31、白质脑图像模板33是将针对灰质和白质而分别制作的模板预先保存于所述数据库部30中的模板。各个模板可以按照年龄或性别等的被检者的属性而以不同层次来制作。

此外，在本发明的实施方式中，作为制作所述模板时的解剖学的标准化方法，采用取幂李代数的微分同胚解剖配准(Diffeomorphic Anatomical Registration Through Ex ponentiated Lie algebra,DARTEL)。利用DARTEL的模板制作的处理与专利文献1相同，因此省略描述。

[诊断辅助装置1的处理]

图2为示出本发明的实施方式的诊断辅助装置1的处理的流程图。此外，该处理可以在计算机所构成的处理部20中利用程序来执行。

在步骤S1中，诊断辅助装置1(图像输入功能11)接收被检者的MRI脑图像的输入。

在步骤S2中，诊断辅助装置1基于在步骤S1中所输入的被检者的MRI脑图像，计算表示脑萎缩的程度的“萎缩评分”。

<萎缩评分计算处理>

在此，参照图3的流程图，对所述步骤S2中的萎缩评分的计算处理进行说明。

(图像重建)

诊断辅助装置1对所输入的被检者的MRI脑图像进行“图像重建”(步骤S21)。

关于图像重建，首先，将所输入的被检者的MRI脑图像变换为以包括整个脑的方式而拍摄的规定厚度的薄片状的、例如100～200张的T1加权MRI图像。此时，进行切片图像的重采样(re-sampling)，预先使各切片图像中的体素(voxel)的各个边的长度相同。

此外，对于已实施了上述处理的被检者的MRI脑图像，进行与标准脑图像的空间性的位置匹配。具体地，对于被检者的MRI脑图像，进行线性变换(仿射变换)、修剪(trimming)等，使与标准脑图像在位置、角度、大小等方面相匹配。由此，可以在图像中对拍摄MRI时的被检者的头部位置的移位等进行修正，提高与标准脑图像进行比较时的精度。

(组织分割)

进行了步骤S21的图像重建之后，诊断辅助装置1进行“组织分割”，来制作提取了灰质和白质的灰质脑图像和白质脑图像(步骤S22)。

在所述T1加权MRI脑图像中，包括与神经纤维相对应的呈高信号值的白质、与神经细胞相对应的呈中间信号值的灰质、以及呈低信号值的脑脊液等3种组织，因此关注该信号值的差异，进行分别提取灰质和白质的处理。该处理与在专利文献1或提取精度比专利文献1更高的专利文献2中所描述的处理相同，因此省略描述。

(解剖学标准化)

此外，诊断辅助装置1对于在步骤S22中制作的灰质脑图像及白质脑图像，进行“解剖学标准化”(步骤S23)。

解剖学标准化是指对标准脑图像的体素进行位置匹配。在本的实施方式中，执行基于DARTEL的解剖学标准化。对于DARTEL的处理，与专利文献1相同，因此省略描述。

对实施了基于DARTEL的解剖学标准化的灰质脑图像和白质脑图像，以提高S/N比为目的，进行图像平滑化处理。像这样，可以通过进行图像平滑化，减少在解剖学标准化处理中不完全一致的个体差异。对此，在具体的处理的方面，也与专利文献1相同。

另外，其后，为了与作为比较对象的健康的人的图像组中的体素值的分布相匹配，进行对脑整体的体素值的浓度值进行修正的浓度值修正。

(比较)

在步骤S24中，诊断辅助装置1进行与健康人的MRI图像的比较，来计算显示被检者的脑萎缩的程度的“萎缩评分”。在本实施方式中，采用统计指标的“Z评分”作为萎缩评分。

具体地，将通过所述步骤S23实施了解剖学标准化、图像平滑化等的被检者的灰质脑图像及白质脑图像与预先收集并保存在所述数据库部30的健康人图像数据库35的健康人的灰质及白质的MRI脑图像组进行统计比较，针对MRI脑图像的全部体素或特定区域的体素，以如下方法计算灰质及白质的Z评分。以下，用Z[灰质]来表示灰质的Z评分、用Z[白质]来表示白质的Z评分。

【数学式1】

＜灰质的Z评分＞

x₁：灰质的被检者图像的体素值

μ₁：灰质的健康人图像组的体素值的平均

σ₁：灰质的健康人图像组的体素值的标准偏差

【数学式2】

＜白质的Z评分＞

x₂：白质的被检者图像的体素值

μ₂：白质的健康人图像组的体素值的平均

σ₂：白质的健康人图像组的体素值的标准偏差

如所述公式所示，Z评分为，利用标准偏差，将被检者图像的体素值与健康人图像组的对应的体素值的平均值之差按比例缩放了的值，表示灰质及白质的体积的相对减少的程度。

此外，不仅限于Z评分，也可以将能够判断被检者图像与健康人图像之间的体素值的大小的其他指标用作表示萎缩程度的萎缩评分(例如，t评分等)。

另外，步骤S24中使用的保存在健康人图像数据库35的健康人的灰质及白质的MRI脑图像为，对预先收集的健康人图像组的每个依次适用步骤S21～步骤S23的“图像重建”→“组织分割”→“解剖学标准化”及图像平滑化等的相同处理，来制作而成的。此外，该处理可在计算机所构成的处理部20中由程序来执行。

利用以上说明的处理，能够根据被检者的MRI脑图像来计算萎缩评分(在本实施方式中为Z评分)。

返回至图2的流程图。在步骤S3中，诊断辅助装置1针对所要比较的各种疾病而确定特异脑部位(关心区域)。这主要可利用处理部20的部位确定功能25来实现。

例如，诊断辅助装置1基于统计处理来确定与各种疾病相关的关心区域。具体地，在确定与某种疾病对应的关心区域的情况下，对于具有该疾病的患者的MRI图像组(疾病图像组)与其他人的图像组(非患病者图像组)，执行对以体素为单位的两个组之间的统计显著性进行统计检定的双标本t检定，将被确定具有统计显著性的体素视为该疾病的特征性体素，将这种坐标集合确定为与该疾病对应的关心区域(Region Of Interest，ROI)。

另外，如日本专利5098393号的记载，可以考虑双方的显著性水平和经验法则来确定ROI。

另外，可以只根据疾病图像(组)来确定ROI。例如，对于疾病图像(组)，可以关于整个脑的萎缩的大小，将萎缩大的部位确定为ROI。

另外，可以根据诊断者等的主观而手动地确定ROI。

以下，在本实施方式中假设不同的疾病A和疾病B，并在步骤S3中指定了疾病A的关心区域ROI_A及疾病B的关心区域ROI_B病，来进行说明。

(比较显示)

在步骤S4中，诊断辅助装置1将在步骤S3中确定的各部位的诊断辅助信息等进行比较显示。

在此，对步骤S4中显示的“萎缩度”及“萎缩比”进行说明。这些指标主要可由处理部20的萎缩度计算功能25及萎缩比计算功能27计算。

<萎缩度>

诊断辅助装置1对表示“关心区域内”中的萎缩程度的“萎缩度”进行计算。另外，针对每个灰质及白质的组织计算萎缩度，因此可以针对每个组织定量地评价与各种疾病相关的部位的萎缩程度。

具体地，如下所述，可以根据Z评分来计算关心区域ROI_A内的“灰质”的萎缩度(数学式3)和“白质”的萎缩度(数学式4)。

【数学式3】

＜关心区域ROI_A的灰质的萎缩度＞

ROI_A萎缩度[灰质]＝

ROI_A内的正Z[灰质]的平均值···(3)

【数学式4】

＜关心区域ROI_A的白质的萎缩度＞

ROI_A萎缩度[白质]＝

ROI_A内的正Z[白质]的平均值···(4)

另外，可以如下所述来计算关心区域ROI_B内的“灰质”的萎缩度(数学式5)和“白质”的萎缩度(数学式6)。

【数学式5】

＜关心区域ROI_B的灰质的萎缩度＞

ROI_B萎缩度[灰质]＝

ROI_B内的正Z[灰质]的平均值···(5)

【数学式6】

＜关心区域ROI_B的白质的萎缩度＞

ROI_B萎缩度[白质]＝

ROI_B内的正Z[白质]的平均值···(6)

此外，在本实施方式中，作为萎缩度采用关心区域内的“正Z评分的平均值”，但是不限于此，也可以采用任意地确定了阈值的“超出阈值的Z评分的平均值”，或单纯地采用“Z评分的平均值”。另外，也可以采用Z评分超过阈值的体素占ROI内的全部体素数的比例。

<萎缩比>

诊断辅助装置1基于所述萎缩度，进一步计算“萎缩比”。在此，“萎缩比”是指，假设不同疾病时，以某个疾病为基准，而表示其他疾病的特征有多大的指标。上述的萎缩度是虽然能够单独把握对每个疾病的关心区域中的萎缩程度，但无法唯一地把握各种疾病的关联性的指标，因此不足以作为辅助鉴别各种疾病的指标。因此，在本实施方式中，还定义了所计算的各种疾病的萎缩度的比的“萎缩比”，并将此作为各种疾病的辅助鉴别的指标。

例如，当假设疾病A、疾病B时，可如下计算以疾病A为基准的疾病B的萎缩比。

【数学式7】

＜基于疾病A的疾病B的灰质的萎缩比＞

(ROI_A萎缩度＝ROI_A萎缩度[灰质]或ROI_A萎缩度[白质])

【数学式8】

＜基于疾病A的疾病B的白质的萎缩比＞

(ROI_A萎缩度＝ROI_A萎缩度[灰质]或ROI_A萎缩度[白质])

与萎缩度同样地，萎缩比是针对灰质和白质进行计算而得的。此外，优选地，关于作为基准的疾病A的萎缩度(数学式的分母)，在疾病A的患者中的ROI_A内选择表现出大的萎缩倾向的组织(“灰质”和“白质”中的任一种)。

根据上述数学式可以判断出，若萎缩比的值小，则疾病A的倾向大，若萎缩比的值大，则疾病B的倾向大，可以成为对各种疾病的鉴别进行辅助的指标。例如，可以设定适合的阈值，将数学式7、8的萎缩比小于阈值的情况判别为疾病A，将萎缩比大于阈值时为疾病B的情况判别为疾病B，来判别各种疾病。

此外，在本实施方式中，分别计算了灰质和白质的萎缩度及萎缩比，但是可以将灰质和白质合成，计算一个萎缩度及萎缩比。由此，可以用一个指标来评价两者的组织萎缩。例如在某种疾病中灰质及白质的两者的组织萎缩的情况下，或者在无法判断灰质和白质中的哪一种的组织萎缩的情况下，可以成为有效的指标。

但是，这种情况下，在健康人数据库35中预先准备有将灰质脑图像和白质脑图像预先合成了的健康人图像组，将这些图像组与被检者的合成了灰质脑图像及白质脑图像的被检者图像之间进行比较，来计算Z评分，并且基于该Z评分计算萎缩度及萎缩比。

例如，可如下计算Z评分。

【数学式9】

＜“灰质+白质”的Z评分＞

x₃：合成了灰质和白质的被检者图像的体素值

μ₃：合成了灰质和白质的健康人图像组的体素值的平均

σ₃：合成了灰质和白质的健康人图像组的体素值的标准偏差

另外，可如下计算疾病A的关心区域ROI_A、疾病B的关心区域ROI_B中的萎缩度。

【数学式10】

＜关心区域ROI_A的“灰质+白质”的萎缩度＞

ROI_A萎缩度[灰质+白质]＝

ROI_A内的正Z[灰质+白质]的平均值···(10)

【数学式11】

＜关心区域ROI_B的“灰质+白质”的萎缩度＞

ROI_B萎缩度[灰质+白质]＝

ROI_B内的正Z[灰质+白质]的平均值値···(11)

进而，可基于所述萎缩度，如下计算例如以疾病A为基准的疾病B的萎缩比。

【数学式12】

＜以疾病A为基准的疾病B的萎缩比＞

(ROI_A萎缩度＝ROI_A萎缩度[灰质+白质]、ROI_A萎缩度[灰质]

、和ROI_A萎缩度[白质]中的任何一种)

此外，优选地，关于作为基准的疾病A的萎缩度(数学式的分母)，在疾病A的患者的ROI_A内选择表现出大的萎缩倾向的组织的形态(“灰质及白质”、“灰质”、和“白质”中的任一种)。

以上说明的各种指标(Z评分、萎缩度、萎缩比)可显示于用户接口部10(显示功能13)。

图4为示出诊断辅助装置1的用户接口部10的显示示例。

在图4的显示区域41中，脑的切片图像可隔开规定间隔而排列显示。此外，“灰质”的Z评分(数学式1)的分布(Z评分图)可重叠地显示在切片图像上，并且，疾病A的关心区域和疾病B的关心区域可显示在切片图像上。

图5为一张切片图像的放大图。在切片图像上显示有Z评分图5a，另外，切片图像面中的疾病A的关心区域5b由实线示出，疾病B的关心区域5c由虚线示出。由此，能够把握整体切片图像中的萎缩程度，还能够把握切片图像中的关注部位(关心区域5b、5c)的萎缩程度。

在图4的显示区域42中，与显示区域41同地，脑切片图像可隔开规定间隔地排列显示。但是，在显示区域42中，“白质”的Z评分(数学式2)的分布重叠地显示在切片图像上。

像这样，在显示区域41和显示区域42中，通过针对每个组织(灰质、白质)显示Z评分的分布，能够把握每个组织的萎缩的差异。

此外，存在多种Z评分的显示方法，例如，可以根据Z评分的值，改变浓淡来显示，也可以利用等高线来显示。另外，各种疾病中的关心区域的显示方法也是多种多样的，例如，可以针对每个疾病将关心区域以不同的颜色进行显示。

在图4的显示区域43中，可用数值来显示疾病A的关心区域(在图4中用部位A来表示)的“灰质”的萎缩度(数学式3)和「白质」的萎缩度(数学式4)，并且，可用数值来显示疾病B的关心区域(在图4中用部位B来表示)的「灰质」的萎缩度(数学式5)和“白质”的萎缩度(数学式6)。

此外，在图4的显示区域44中，可用数值来显示以疾病A为基准的疾病B的“灰质”的萎缩比(数学式7)和“白质”的萎缩比(数学式8)。

以上，在本实施方式中，利用诊断辅助装置1来确定各疾病的关心区域，并且利用所确定的与各种疾病的关心区域相关的各种指标，来比较各种疾病并显示。由此，能够向诊断者提供用于对不同疾病进行比较或辅助鉴别的有效的诊断辅助信息。

[实施例]

在此，作为一个实施例，将阿尔茨海默型痴呆症(以下称为“AD”)和路易氏体型痴呆症(以下称为“DLB”)的两种疾病为对象，验证了辅助鉴别的可能性。

其中，在AD中，在内侧颞区的灰质中可观测到大的萎缩，因此可知，通过利用MRI图像来定量评价内侧颞区的萎缩，可实现AD的诊断辅助。

另一方面，关于DLB，目前对MRI中的疾病特异性还缺乏证据。然而，根据近年来的研究，已报道了在DLB中，中脑(背侧)的灰质萎缩(Whitwell,Jennifer L.et al.“Focal atrophy in dementia with Lewy bodies on MRI:a distinct pattern from Alzeimer’s disease.”Brain(2007))。另外，根据其他研究，已报道了在DLB中，中脑(背侧)/脑桥(背侧)/小脑的白质萎缩。(Nakatsuka,et al.“Discrimination of dementia with Lewy bodies from Alzheimer’s disease using voxel-based morphometry of white matter by statistical parametric mapping 8 plus diffeomorphic anatomic registration through exponentiated Lie algebra.”Neuroradiology(2013))。根据这些现有研究的成果，可推测在DLB中的后脑干附近具有特异倾向。

实际上，利用诊断辅助装置1的部位确定功能25针对AD和DLB来确定特异部位(萎缩大的部位)，其结果，在AD的情况下，“内侧颞区”附近呈现为特异部位，在DLB的情况下，“后脑干”附近呈现为特异部位。因此，在本实施例中，将这些部位设定为AD和DLB的关心区域。在此，将AD的关心区域(内侧颞区附近)记为ROI_A，并将DLB的关心区域(后脑干附近)作为ROI_B。

接下来，研究利用诊断辅助装置1的萎缩度计算功能27计算的萎缩度。在AD中，如上所示，内侧颞区附近的灰质的萎缩大，因此采用了基于数学式3的“灰质”的萎缩度。在DLB中，根据所述现有研究，可能对后脑干附近的灰质、白质中的任一个或两者有影响，因此对每个组织进行评价。因此，作为DLB的萎缩度，利用基于数学式5的“灰质”萎缩度及基于数学式6的“白质”的萎缩度两者。

此外，作为利用诊断辅助装置1的萎缩比计算功能29计算的萎缩比，采用了基于数学式7的灰质的萎缩比(以下示出为“τ1”)，以及基于数学公式8的白质的萎缩比(以下示出为“τ2”)。在此，相当于数学公式7、8的萎缩比的分母的ROI_A(内侧颞区附近)内的AD的萎缩度采用了针对AD患者呈现出大的萎缩倾向的“灰质”的萎缩度。

图6示出基于所述灰质的萎缩比τ1及白质的萎缩比τ2来判别AD和DLB的一个示例。

如图6所示，对萎缩比τ1设定阈值α1，对萎缩比τ2设定阈值α2，在满足τ1＞α1及τ2＞α2两者的情况下，可以判别为具有DLB的嫌疑。在除此之外的情况下，可以判别为具有AD的嫌疑。

图7示出实际以AD的患者和DLB的患者为对象，利用诊断辅助装置1计算的所述萎缩比τ1及萎缩比τ2，并将计算的值作图而成的图。白色的点表示诊断为AD的患者，黒色的点表示诊断为DLB的患者。在本实施方式中，阈值α1、α2均设定为0.2。

如图7所示，可见，DLB患者多分布于满足τ1＞α1及τ2＞α2的区域，AD患者多分布于其余的区域，获得了良好的判别结果。由此可确认，将“萎缩比”作为以AD和DLB为对象的辅助鉴别的指标是有效的。

以上，参照附图，对本发明的优选实施方式进行了说明，但是本发明不限于此。对于本发明所属领域的普通技术人员而言，在本发明中揭示的技术思想的范围内，能够想到各种变型例或修改例，毫无疑问这些均属于本发明的技术范围内。

(附图标记的说明)

1：诊断辅助装置；10：用户接口部；11：图像输入功能；13：显示功能；

20：处理部；21：图像处理功能；23：统计处理功能；25：部位确定功能；

27：萎缩度计算功能；29：萎缩比计算功能；30：数据库部；

31：灰质脑图像模板；33：白质脑图像模板；35：健康人数据库；

37：关心区域ROI。

权利要求书(按照条约第19条的修改)

1.一种诊断辅助装置，其特征在于，包括：

确定单元，从脑图像来确定与多种疾病相关的脑的各部位；

计算单元，从所述脑图像来计算表示脑萎缩程度的萎缩评分；以及

比较显示单元，从所述萎缩评分来计算与所确定的各部位相关的信息，并进行比较显示，

所述比较显示单元从各部位的所述萎缩评分来计算表示各部位的萎缩程度的萎缩度，进而计算作为各部位的萎缩度之比的萎缩比。

2.根据权利要求1所述的诊断辅助装置，其特征在于，所述比较显示单元将所述萎缩评分的分布与所述各部位一同显示在脑图像上。

3.[删除]

4.根据权利要求1或2所述的诊断辅助装置，其特征在于，所述比较显示单元计算每个组织的萎缩度或萎缩比。

5.[删除]

6.根据权利要求1、2或4所述的诊断辅助装置，其特征在于，所述计算单元对所述脑图像与健康人脑图像进行比较，来计算所述萎缩评分。

7.[删除]

8.[删除]

9.一种诊断辅助方法，其特征在于，包括：

确定步骤，从脑图像来确定与多种疾病相关的脑的各部位；

计算步骤，从所述脑图像来计算表示脑萎缩程度的萎缩评分；以及

比较显示步骤，从所述萎缩评分来计算与所确定的各部位相关的信息，并进行比较显示，

所述比较显示步骤基于各部位的所述萎缩评分计算表示各部位的萎缩程度的萎缩度，进而计算作为各部位的萎缩度之比的萎缩比。

10.一种程序，其特征在于，使计算机用作如下的单元而发挥功能，所述单元包括：

确定单元，从脑图像来确定与多种疾病相关的脑的各部位；

计算单元，从所述脑图像来计算表示脑的萎缩程度的萎缩评分；以及

比较显示单元，从所述萎缩评分来计算与所确定的各部位相关的信息，并进行比较显示，

所述比较显示单元从各部位的所述萎缩评分来计算表示各部位的萎缩程度的萎缩度，进而计算作为各部位的萎缩度之比的萎缩比。

说明或声明(按照条约第19条的修改)

具体而言，权利要求1、权利要求9、权利要求10基于修改前的权利要求2的“基于所述脑图像计算显示脑萎缩程度的萎缩评分”的记载，以及修改前的权利要求3、权利要求5的记载。

权利要求2基于修改前的权利要求2的“所述比较显示单元与所述部位一同在脑图像中显示所述萎缩评分的分布”的记载。

在权利要求4、权利要求6中更改了从属权利要求的编号。

删除了权利要求第3、权利要求5、权利要求7、权利要求8。

对于如同本发明计算作为脑的各部位的萎缩程度的比例的萎缩比，在包括文献1～3的判断为与此相关的任一文献中，包括其方法及装置，用于启发这些的实验结果或考察还未形成。因此，本发明是无法根据在现有技术文献中记载的发明，使本发明所属领域的技术人员容易地所理解到的。