相似度确定装置、方法及程序与流程

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(computedtomography：计算机断层扫描)装置及mri(magneticresonanceimaging：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，已知有一种根据成为检查对象的ct图像等检查图像来检索与检查对象相似的过去病例的相似病例检索装置(例如，参考“case-basedlungimagecategorizationandretrievalforinterstitiallungdiseases：clinicalworkflow、adriendepeursinge等、intjcars(2012)7：97-110、publishedonline：1june2011”)。在depeursinge等的文献中，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，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，并使用对各个部分区域设定的权重系数将所确定的每个部分区域的相似度进行加权相加，由此计算整个区域相似度(参考日本特开2000-342558号公报)。并且，也提出有如下方法：将从具有多个剖面的第1图像和第2图像的各个剖面获取的关注区域分割为多个部分区域，关于第1图像和第2图像的各个剖面及各个部分区域计算部分区域中所包括的像素的特征量，在第1图像和第2图像的剖面位置的组合中，关于第1图像的部分区域和与该部分区域对应的第2图像的部分区域计算特征量的匹配度，并根据在多个部分区域内整合了匹配度的评价值的比较来确定在第1图像与第2图像之间彼此对应的剖面的位置(参考日本特开2017-189384号公报)。

作为肺疾病，已知有间质性肺炎。提出有如下方法：通过分析间质性肺炎患者的ct图像，将ct图像中所包含的蜂窝肺，网状阴影和囊肿等表示特定观察结果的病变进行分类并定量化(参考“evaluationofcomputer-basedcomputertomographystratificationagainstoutcomemodelsinconnectivetissuedisease-relatedinterstitiallungdisease：apatientoutcomestudy、josephjacobi等、bmcmedicine(2016)14：190、doi10.1186/s12916-016-0739-7”及“基于计算机的间质性肺炎的ct图像的定量评价、岩泽多惠，断层影像研究会杂志，第41卷第2期，2014年8月”)。如此通过分析ct图像而将病变进行分类并定量化，能够容易判定肺疾病的程度。并且，通过对如此分类并定量化的区域分配分别不同的颜色进行显示，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，为了将图像中的所关注的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被构建。

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。通过使用如此已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。

技术实现要素：

发明要解决的技术课题

通过使用depeursinge等的文献中所记载的方法，能够检索在检查图像的肺中所包括的病变相似的病例图像。另一方面，检查图像中所包括的特征性观察结果的重要性根据其尺寸而不同。并且，通过使用在日本特开2000-342558号公报及日本特开2017-189384号公报中记载的方法，能够考虑图像中的部分区域而确定图像之间的相似度，或者确定对应的部分区域的位置。另一方面，尤其在检索对象是三维图像的情况下，重要的是考虑检查图像中的医生所关注的断层面来检索与检查图像相似的病例图像。

本发明是鉴于上述情况而完成的，其目的在于使得能够根据医用图像中所包括的观察结果的尺寸并考虑医生所关注的断层面而适当地确定医用图像之间的相似度。

用于解决技术课题的手段

根据本发明的相似度确定装置，其确定三维的第1医用图像与三维的第2医用图像的相似度，所述相似度确定装置具备：

显示控制部，将第1医用图像中的特定断层面的断层图像显示于显示部；

观察结果分类部，将第1医用图像中的至少包括特定断层面的部分区域内的各个像素分类为多个种类的观察结果中的至少一个观察结果；

特征量计算部，针对在部分区域中分类出的每个观察结果计算第1特征量；

权重系数设定部，对于在部分区域中分类出的各个观察结果，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；及

相似度导出部，根据权重系数进行在部分区域中计算出的每个观察结果的第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。

另外，在基于本发明的相似度确定装置中，相似度导出部可以导出第2医用图像中的多个小区域的每个小区域与部分区域的区域相似度，并导出多个区域相似度中的代表性相似度来作为第1医用图像与第2医用图像的相似度。

代表性相似度能够使用以多个区域相似度为代表的任意的相似度。例如，能够使用将多个区域相似度的最大相似度、中间相似度、平均相似度及上位规定数的相似度相加的值等。

并且，在基于本发明的相似度确定装置中，越是多个小区域中的在位置上与部分区域靠近的小区域，相似度导出部越可以增大区域相似度而确定代表性相似度。

并且，在基于本发明的相似度确定装置中，第2医用图像可以是分割为具有彼此重复的区域的多个小区域而成的。

并且，在基于本发明的相似度确定装置中，第1医用图像可以是预先分割为多个小区域，在多个小区域的每个小区域中预先计算第1特征量，并设定权重系数而成的，

相似度导出部将包括特定断层面的小区域作为部分区域，并根据权重系数进行在部分区域中预先计算出的每个观察结果的第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。

并且，在基于本发明的相似度确定装置中，观察结果分类部可以具有以将多个种类的观察结果进行分类的方式进行了机器学习的判别器，由判别器将部分区域内的各个像素分类为多个种类的观察结果。

并且，在基于本发明的相似度确定装置中，观察结果分类部可以将第1医用图像的各个像素分类为多个种类的观察结果中的至少一个观察结果，

特征量计算部针对在第1医用图像中分类出的每个观察结果计算第3特征量，

权重系数设定部对于在部分区域中分类出的各个观察结果，将加权程度根据各个观察结果的尺寸而不同的权重系数设定为第1权重系数，对于在第1医用图像中分类出的各个观察结果，将加权程度根据各个观察结果的尺寸而不同的权重系数设定为第2权重系数，

相似度导出部根据第1权重系数进行在部分区域中计算出的每个观察结果的第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医用图像的相似度来作为第1相似度，根据第2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第3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4特征量的加权运算，从而导出第1医用图像与第2医用图像的相似度来作为第2相似度，并根据第1相似度和第2相似度来导出第1医用图像与第2医用图像的最终的相似度。

并且，在基于本发明的相似度确定装置中，相似度导出部可以通过将第1相似度和第2相似度进行加权相加而导出最终的相似度。

并且，在基于本发明的相似度确定装置中，相似度导出部能够变更将所述第1相似度和第2相似度进行加权相加时的权重系数。

并且，在基于本发明的相似度确定装置中，其还可以具备检索部，所述检索部参考病例数据库并根据第1医用图像与多个第2医用图像的相似度来检索与第1医用图像相似的第2医用图像作为相似医用图像，所述病例数据库中登记有多个第2医用图像，并且与多个第2医用图像的每个第2医用图像对应关联地登记有关于多个第2医用图像的每个第2医用图像的第2特征量。

并且，在基于本发明的相似度确定装置中，其还可以具备检索部，所述检索部参考病例数据库并根据第1医用图像与多个第2医用图像的最终的相似度来检索与第1医用图像相似的第2医用图像作为相似医用图像，所述病例数据库中登记有多个第2医用图像，并且与多个第2医用图像的每个第2医用图像对应关联地登记有关于多个第2医用图像的每个第2医用图像的第2特征量及第4特征量。

并且，在基于本发明的相似度确定装置中，若特定断层面的断层图像显示预先确定的时间，则检索部可以执行检索。

并且，在基于本发明的相似度确定装置中，显示控制部可以将相似医用图像的检索结果显示于所述显示部。

基于本发明的相似度确定方法，其确定三维的第1医用图像与三维的第2医用图像的相似度，在所述相似度确定方法中：

将第1医用图像中的特定断层面的断层图像显示于显示部；

将第1医用图像中的至少包括特定断层面的部分区域内的各个像素分类为多个种类的观察结果中的至少一个观察结果；

针对在部分区域中分类出的每个观察结果计算第1特征量；

对于在部分区域中分类出的各个观察结果，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；及

根据权重系数进行在部分区域中计算出的每个观察结果的第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。

另外，可以提供一种程序，其使计算机执行基于本发明的相似度确定方法。

基于本发明的另一相似度确定装置，其具备：内存，存储用于使计算机执行确定第1医用图像与第2医用图像的相似度的处理的命令；及

处理器，以执行所存储的命令的方式构成，处理器执行如下处理：

将第1医用图像中的特定断层面的断层图像显示于显示部；

将第1医用图像中的至少包括特定断层面的部分区域内的各个像素分类为多个种类的观察结果中的至少一个观察结果；

针对在部分区域中分类出的每个观察结果计算第1特征量；

对于在部分区域中分类出的各个观察结果，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；及

根据权重系数进行在部分区域中计算出的每个观察结果的第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，从而执行导出第1医用图像与第2医用图像的相似度的处理。

发明效果

根据本发明，能够根据第1医用图像及第2医用图像中所包括的观察结果的尺寸并考虑医生所关注的断层面来适当地确定医用图像之间的相似度。

附图说明

图1是表示适用了基于本发明的第1实施方式的相似度确定装置的诊断支持系统的概要的硬件结构图。

图2是表示基于第1实施方式的相似度确定装置的结构的概略框图。

图3是表示检查切片图像的显示画面的图。

图4是用于说明部分区域的图。

图5是表示多层神经网络的一例的图。

图6是表示关于某一关注区域的中心像素的与观察结果的种类对应的评价值的图。

图7是表示观察结果体积的计算结果的图。

图8是用于对病例图像的肺区域分割为小区域进行说明的图。

图9是用于对检查图像的部分区域与病例图像的小区域的对应进行说明的图。

图10是表示检索结果列表的图。

图11是表示检索结果的图。

图12是表示显示有病例名称的检索结果的图。

图13是表示在第1实施方式中进行的处理的流程图。

图14是表示显示有滑块的检索结果的图。

图15是表示将病例图像的肺区域分割为重复的小区域的状态的图。

图16是用于对肺区域分割为其他小区域进行说明的图。

图17是表示显示有三个轴向的断层图像的状态的图。

图18是用于对肺区域分割为其他小区域进行说明的图。

图19是表示被分配与分类对应的颜色的映射图像的图。

具体实施方式

以下，参考附图对本发明的实施方式进行说明。图1是表示适用了基于本发明的第1实施方式的相似度确定装置的诊断支持系统的概要的硬件结构图。如图1所示，在诊断支持系统中，基于本实施方式的相似度确定装置1、三维图像摄影装置2及图像保管服务器3以经由网络4可以通信的状态连接。

三维图像摄影装置2是通过拍摄受检体的成为诊断对象的部位而生成表示该部位的三维图像的装置，具体而言，是ct装置、mri装置及pet(positronemissiontomography：正电子发射断层扫描)装置等。由该三维图像摄影装置2生成的、由多个切片图像组成的三维图像发送并保存于图像保管服务器3。另外，在本实施方式中，作为受检体的患者的诊断对象部位是肺，三维图像摄影装置2是ct装置，将包括受检体的肺的胸部的ct图像生成为三维图像。

图像保管服务器3是保存并管理各种数据的计算机，具备大容量外部存储装置及数据库管理用软件。图像保管服务器3经由有线或无线网络4而与其他装置进行通信，并收发图像数据等。具体而言，经由网络获取包括由三维图像摄影装置2生成的三维图像的图像数据的各种数据，并保存在大容量外部存储装置等记录介质中进行管理。另外，图像数据的存储形式及经由网络4的各个装置之间的通信基于dicom(digitalimagingandcommunicationinmedicine：医学数字成像和通信)等协议。另外，在本实施方式中，在图像保管服务器3中保存有成为检查对象的三维图像(以下，设为检查图像)及登记有病例图像的病例数据库db。关于病例数据库db进行后述。并且，在本实施方式中，检查图像是由一个以上的切片图像(以下，设为检查切片图像)组成的三维图像。并且，病例图像也是由一个以上的切片图像(以下，设为病例切片图像)组成的三维图像。另外，检查图像对应于第1医用图像，病例图像对应于第2医用图像。

相似度确定装置1将本发明的相似度确定程序安装到一台计算机。计算机可以是进行诊断的医生直接操作的工作站或个人电脑，也可以是经由网络与它们连接的服务器计算机。相似度确定程序记录并分发到dvd(digitalversatiledisc：数字多功能光盘)或cd-rom(compactdiscreadonlymemory：光盘只读存储器)等记录介质，并从该记录介质安装到计算机。或者，以从外部可以访问的状态存储于与网络连接的服务器计算机的存储装置或网络存储器，并根据要求下载并安装于医生所使用的计算机。

图2是表示通过将相似度确定程序安装于计算机而实现的基于本发明的第1实施方式的相似度确定装置的概略结构的图。如图2所示，相似度确定装置1具备cpu(centralprocessingunit：中央处理器)11、内存12及存储器13作为标准工作站的结构。并且，在相似度确定装置1上连接有由液晶显示器等组成的显示部14、由键盘及鼠标等组成的输入部15。

存储器13由硬盘及ssd(solidstatedrive：固态驱动器)等组成。在存储器13中存储有各种信息，该各种信息包括经由网络4从图像保管服务器3获取的受检体的检查图像及处理中所需信息。

并且，内存12中存储有相似度确定程序。相似度确定程序规定如下处理作为使cpu11执行的处理：图像获取处理，获取成为检查对象的检查图像；第1显示控制处理，将检查图像中的特定断层面的检查切片图像显示于显示部14；观察结果分类处理，将检查图像中的至少包括特定断层面的部分区域内的各个像素分类为多个种类的观察结果中的至少一个观察结果；特征量计算处理，针对在检查图像的部分区域中分类出的每个观察结果计算第1特征量；权重系数设定处理，对于在检查图像的部分区域中分类出的各个观察结果，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；相似度导出处理，根据权重系数进行在检查图像的部分区域中计算出的每个观察结果的第1特征量与在病例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，从而导出检查图像与病例图像的相似度；检索处理，根据所导出的相似度来检索与检查图像相似的病例图像；及第2显示控制处理，将检索结果显示于显示部14。

而且，cpu11按照程序执行这些处理，由此计算机作为图像获取部20、显示控制部21、观察结果分类部22、特征量计算部23、权重系数设定部24、相似度导出部25及检索部26发挥功能。

图像获取部20获取成为检查对象的受检体的检查图像v0。另外，在检查图像v0已保存在存储器13中的情况下，图像获取部20可以从存储器13获取检查图像v0。

显示控制部21进行第1显示控制处理，并将检查图像中的特定断层面的检查切片图像显示于显示部14。图3是表示检查切片图像的显示画面的图。如图3所示，显示画面30具有检查切片图像显示区域31及检索结果显示区域32。并且，在检查切片图像显示区域31的上方显示有检索执行按钮33。在检查切片图像显示区域31中，检查图像中所包括的检查切片图像通过来自输入部15的指示以可切换的方式显示。另外，图3中显示有轴向剖面的检查切片图像，但是并不限定于此，也可以显示矢状剖面或冠状剖面的检查切片图像。医生能够依次切换检查切片图像，以将包括病变的特定断层面的检查切片图像显示于检查切片图像显示区域31。另外，关于检索结果显示区域32及检索执行按钮33进行后述。

观察结果分类部22将检查图像v0中所包括的肺区域中的、包括所显示的检查切片图像的断层面的部分区域的各个像素分类为多个种类的观察结果中的至少一个观察结果。具体而言，观察结果分类部22针对检查图像v0中所包括的肺区域中的、包括所显示的检查切片图像的断层面的部分区域的每个像素，计算表示是多个种类的组织或病变(即，观察结果)的每个组织或病变的可能性的多个评价值，并根据多个评价值将检查图像v0的部分区域的各个像素分类为多个种类的观察结果中的至少一个观察结果。在本实施方式中，观察结果分类部22将部分区域的各个像素分类为一个观察结果。

首先，观察结果分类部22为了分类而从检查图像v0提取作为对象区域的肺区域。作为提取肺区域的方法，能够使用将检查图像v0中的每个像素的信号值进行直方图化，并通过对肺进行阈值处理而提取的方法，或者基于表示肺的种子点的区域生长法(regiongrowing)等任意的方法。另外，也可以使用以提取肺区域的方式进行了机器学习的判别器。

以下，对部分区域进行说明。图4是用于说明部分区域的图。另外，图4是从与轴向轴正交的方向观察检查图像中所包括的一个肺的肺区域34的图。在图4中，用虚线来表示显示于显示部14上的检查切片图像的断层面dk。观察结果分类部22在检查图像v0中所包括的肺区域34中，将在重心位置上包括断层面dk，并以体积将肺区域等分为预先确定的数的用虚线来表示的区域设定为部分区域p0。在此，若将预先确定的数设为8，则部分区域p()的体积成为肺区域34的体积的1/8。另外，在本实施方式中，将肺区域进行8等分而进行说明，但是并不限定于此，也可以等分为4等分或6等分等任意的数。

本实施方式的观察结果分类部22具有由通过机器学习之一的深度学习(deeplearning)生成的多层神经网络组成的判别器，使用该判别器来确定部分区域p0的各个像素所属的观察结果的种类。另外，作为机器学习方法，并不限定于深度学习，也能够使用支持向量机等其他方法。

在多层神经网络中，在各个层中使用各种内核对由前一级层级得到的不同的多个特征量数据进行运算处理。然后，对通过该运算处理而得到的特征量数据，在下一级以后的层中进一步进行运算处理，由此能够提高特征量的识别率，并能够将所输入的数据分类为多个类别。

另外，在本实施方式中，将多层神经网络描述为输入部分区域p0的各个像素，并输出对肺区域的多个种类的观察结果的分类结果，但是也可以构成为输入构成部分区域p0的多个检查切片图像的每个检查切片图像，并输出对肺区域的多个种类的观察结果的分类结果。

图5是表示多层神经网络的一例的图。如图5所示，多层神经网络40由包括输入层41及输出层42的多个层级组成。在本实施方式中已进行学习，以将检查图像v0中所包括的肺区域的部分区域p0分类为例如浸润阴影、肿瘤阴影、毛玻璃阴影、小叶中心结节阴影、非小叶中心结节阴影、点状阴影、网状阴影、线状阴影、小叶间隔增厚、蜂窝肺、囊肿、低吸收区(气肿)、气肿倾向、空腔、胸膜增厚、胸腔积液、空腔、支气管扩张、牵拉性支气管扩张、动脉、正常肺、胸壁及纵隔等多个观察结果。另外，观察结果的种类并不限定于这些，可以是比这些更多的观察结果，也可以是比这些更少的观察结果。

在本实施方式中，使用几百万大量的教师数据使多层神经网络40学习这些观察结果。当学习时，从观察结果的种类已知的剖面图像中剪切预先确定尺寸(例如1.5cm×1.5cm)的关注区域，并将该关注区域用作教师数据。然后，将教师数据输入到多层神经网络40，并输出观察结果的种类的分类处理的结果(以下，设为分类结果)。接着，将所输出的结果与教师数据进行比较，根据正确与否，从输出侧向输入侧对多层神经网络40的各个层中所包括的单元(图3中由圆圈表示)的各个层级之间的结合权重进行修正。使用大量的教师数据重复进行结合权重的修正，直至预先确定的次数或者所输出的分类结果的正确率成为100％为止，并结束学习。

另外，在所输入的图像是检查切片图像的情况下，当学习多层神经网络40时，从构成病变已知的三维图像的切片图像中剪切标准化为预先确定尺寸(例如1.5cm×1.5cm)的二维区域，并将所剪切的二维区域图像用作教师数据。

观察结果分类部22当进行观察结果分类处理时，从部分区域p0中依次剪切与教师数据相同大小的关注区域，并将该关注区域输入到由多层神经网络40组成的判别器。由此，对所剪切的关注区域的中心像素输出与观察结果的各个分类对应的评价值。另外，与该各个分类对应的评价值是表示中心像素属于各个分类的可能性的评价值，表示该评价值越大，属于该分类的可能性越高。

图6是表示关于某一关注区域的中心像素的与观察结果的种类对应的评价值的图。另外，在图6中，为了简化说明而示出关于一部分观察结果的评价值。在本实施方式中，判别器将关注区域的中心像素分类为多个观察结果中评价值最大的观察结果。例如，在获取如图6所示评价值的情况下，该关注区域的中心像素是网状阴影的可能性最高，其次是毛玻璃阴影的可能性高。相反地，几乎没有正常肺或低吸收区的可能性。因此，在获取如图6所示评价值的情况下，通过观察结果分类处理，关注区域的中心像素被分类为评价值为最大的8.5的网状阴影。由此，检查图像v0的部分区域p0中所包括的肺区域的所有像素被分类为多个种类的观察结果中的任一个。

观察结果分类部22从部分区域p0依次剪切与教师数据相同的体素区域并输入到如上所述由已学习的多层神经网络40构成的判别器。由此，关于所剪切的区域的中心像素，对多个种类的病变区域的每一个输出多个评价值。观察结果分类部22将输入到多层神经网络40的区域的中心像素分类为多个评价值中最大评价值的观察结果，并生成观察结果分类结果。由此，部分区域p0的所有像素被分类为多个种类的观察结果中的任一个。

特征量计算部23针对在部分区域p0中分类出的每个观察结果计算特征量。具体而言，计算每个观察结果区域的大小、每个观察结果的平均浓度、每个观察结果的浓度的分散、每个观察结果区域的数量及每个观察结果区域的平均尺寸等中的至少一个作为特征量。另外，将关于部分区域p0计算出的特征量称为第1特征量。并且，每个观察结果区域的大小、每个观察结果区域的数量及每个观察结果区域的平均尺寸等是尺寸特征量。作为每个观察结果区域的大小，能够使用每个观察结果区域的体积。第1特征量标准化为0以上且1以下的值。

权重系数设定部24对检查图像v0的部分区域p0的各个像素所分类的各个观察结果，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。权重系数是当后述相似度导出处理时进行在部分区域p0中计算出的每个观察结果的第1特征量与在后述病例图像中预先计算出的第2特征量的加权运算时的权重系数。

在此，由于医用图像的特征是多种多样的，因此考虑医用图像观点上的特征量的重要性，若对特征量不进行适当的加权，则特征量差异的大小与医学图像差异的大小不对应，而导致相似度偏离医学感觉。从而，若对特征量不进行适当的加权，则在检索到与检查图像v0相似的病例图像的情况下，检索结果可能会成为不适合的相似度顺序。

在此，在检查图像v0及病例图像中，若相同的观察结果以大致相同的大小存在，则医学上两个图像相似。并且，观察结果区域越大，该观察结果在诊断上越重要，因此观察结果大小在判断图像之间的相似性方面极为重要。

另一方面，观察结果中如点状阴影一样，即使尺寸小，也有表示疾病初始状态的特性的重要的观察结果。并且，若随着衰老而进行肺气肿化，则肺中出现稍微低吸收的状态，这种低吸收观察结果在老年患者中出现的频率高，因此并非很重要。这种老年人的低吸收观察结果即使尺寸大，也无关紧要。

因此，若等同地判断点状阴影的观察结果及老年人的低吸收的观察结果，则大区域的低吸收区的细微差异大于点状阴影的差异。其结果，点状阴影的相似性被掩盖在低吸收区的相似性中，无法检索包括医学上重要的点状阴影的病例的病例图像。

从而，在本实施方式中，权重系数设定部24对多个观察结果的每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。作为观察结果的尺寸，能够使用特征量计算部23计算出的第1特征量中所包括的尺寸特征量。具体而言，能够使用观察结果体积。在此，观察结果体积能够通过对三维检查图像v0的部分区域p0中所包括的各个观察结果像素数相乘检查图像v0的每一体素的体积而计算出。图7中示出观察结果体积的计算结果。在图7中，体积单位是立方毫米。然而，肺的大小因患者而异。因此，优选将由部分区域p0的体积将观察结果体积进行了标准化的观察结果占有率(＝观察结果体积/肺体积)用作观察结果的尺寸。在本实施方式中，将观察结果占有率用作观察结果的尺寸。另外，可以将观察结果占有率作为尺寸特征量而包括在第1特征量中。在该情况下，特征量计算部23可以计算观察结果占有率。

权重系数设定部24对检查图像v0的部分区域p0的各个观察结果，由下述式(1)设定每个观察结果的权重系数wi。另外，在式(1)中，i是观察结果的种类，fi是将检查图像v0的部分区域p0中的每个观察结果的观察结果占有率pvi作为参数的函数。

wi＝fi(pvi)(1)

在此，如图7所示，在大尺寸观察结果和小尺寸观察结果中，体积值的位数不同。因此，优选通过函数fi将作为三维信息的观察结果占有率转换为等效的二维等以降低维数。由此，观察结果的尺寸的差异与医生的感觉一致。因此，如上所述，尺寸小却重要性高的观察结果为了提高其重要性，优选通过函数fi转换为非线性。因此，在本实施方式中，如下述式(2)所示设定函数fi。

fi＝a·(b·x+(1-b)·xc)(2)

另外，在式(2)中，a是确定每个观察结果的整体重要性差异的常数。c取1以下的值，并且是确定强调小尺寸观察结果的效果的常数。b是确定基于常数c的效果的程度的常数。并且，x＝(pvi)^2/3。通过对观察结果占有率pi进行2/3次方，将观察结果占有率pvi从三维转换成等效的二维。

权重系数设定部24针对每个观察结果设定式(2)所示函数并适用于式(1)，由此设定关于多个种类的观察结果的每一个观察结果的权重系数wi。

在此，在肺等器官中，有弥散性扩散的病变及仅在器官的某一部分存在病变的局部病变。关于弥散性病变，将成为相似度导出对象的区域分割为多个区域并导出每个区域的相似度，由此能够检索所期望的病例图像。然而，在局部病变的情况下，无法以已分割区域的区域边界位置的微小差异高精度地导出相似度，其结果，导致无法检索所期望的病例图像。并且，作为疾病，多数情况下病变特征的相似度比病变位置的相似度更重要。尤其，在小病变的情况下，若进行分割的区域的尺寸变大，则该区域中的病变的占有率下降，因此难以高精度地导出相似度而检索所期望的病例图像。

因此，在本实施方式中，限定于包括关于检查图像v0所显示的检查切片图像的断层面的部分区域p0，导出与病例图像的相似度。另外，相似度导出部25导出检查图像v0与登记在病例数据库db中的所有病例图像的相似度。在此，在病例数据库db中登记有多个由一个以上的病例切片图像组成的病例图像。具体而言，对多个病例图像的每个病例图像登记有文件名、关于各个像素中的多个观察结果的评价值及每个观察结果的特征量。将关于病例图像登记在病例数据库db中的特征量称为第2特征量。与第1特征量同样，第2特征量标准化为0以上且1以下的值。

并且，登记在病例数据库db中的病例图像中的肺区域如图8所示分割为8个小区域a1～a8。因此，相似度导出部25导出检查图像v0的部分区域p0与病例图像的8个小区域a1～a8的每个区域的相似度(以下，设为区域相似度)s1～s8。然后，在所导出的8个区域相似度s1～s8中，将最大相似度设为检查图像v0与病例图像的相似度。

另外，关于检查图像v0的部分区域p0，若获取关于各个像素中的多个观察结果的评价值及每个观察结果的特征量，则该检查图像v0作为新的病例图像登记在病例数据库db中。此时，该检查图像v0中的肺区域被8等分，被8等分的小区域的每个区域中的评价值及第1特征量作为新的病例图像的评价值及第2特征量登记在病例数据库db中。

以下，对相似度的导出进行说明。相似度导出部25根据权重系数设定部24所设定的权重系数wi进行在检查图像v0的部分区域p0中计算出的每个观察结果的第1特征量与在病例图像的各小区域a1～a8中预先计算出的每个观察结果的第2特征量的加权运算，从而导出检查图像v0的部分区域p0与病例图像的小区域a1～a8的每个区域的区域相似度s1～s8。

因此，如下述式(3)所示，相似度导出部25针对每个观察结果计算第1特征量与病例图像的第2特征量的距离之差来作为特征量之差ddi。另外，在式(3)中，k表示特征量的种类，tvk表示检查图像v0的部分区域p0中的每个种类的第1特征量，tck表示病例图像中的每个种类的第2特征量。另外，计算差分的第1特征量与第2特征量的特征量的种类相同。并且，在式(3)中，∑表示求出关于所有种类的特征量的(tvk-tck)²的总和。另外，由于第1特征量及第2特征量标准化为0以上且1以下的值，因此特征量之差ddi也成为0以上且1以下的值。另外，在第1特征量tvk与第2特征量tck一致的情况下，特征量之差ddi为0。另外，可以使用第1特征量与第2特征量之差的绝对值等来代替第1特征量与第2特征量的距离之差。

ddi＝√(∑(tvk-tek)²)(3)

然后，相似度导出部25使用权重系数wi由下述式(4)计算检查图像v0的部分区域p0与病例图像的各小区域a1～a8的区域相似度sj(j＝1～8)。即，对每个观察结果相乘权重系数wi和特征量之差ddi，并将相乘结果对所有观察结果相加，由此计算区域相似度s1～s8。另外，在使用式(4)计算出区域相似度s1～s8的情况下，第1特征量与第2特征量的距离越小，检查图像v0的部分区域p0与病例图像的小区域a1～a8越相似。因此，对式(4)赋予负号，检查图像v0的部分区域p0与病例图像的小区域a1～a8越相似，使区域相似度s1～s8的值越大。

sj＝-∑(wi×ddi)(4)

另一方面，在通过上述式(4)计算出区域相似度的情况下，若相同的观察结果是相同尺寸，则区域相似度成为0。然而，在比较相同的病变彼此的情况下，事实上，病变越大，越相似。在由上述式(4)计算出区域相似度的情况下，在尺寸较大的观察结果为相同的特征量的情况、以及尺寸较小的观察结果为相同的特征量的情况这两者并没有差异，未能反映出病变尺寸越大越相似的事实。

从而，关于检查图像v0的部分区域p0及病例图像的小区域a1～a8中所包括的相同的观察结果，不应该将尺寸仅视为差异，而优选尺寸越相似，相似度越大。因此，在本实施方式中，相似度导出部25由以下式(5)在检查图像v0的部分区域p0与病例图像的小区域a1～a8之间进一步计算每个观察结果的尺寸差dsi。另外，在式(5)中，pvi表示检查图像v0的部分区域p0的观察结果i的观察结果占有率，pci表示病例图像的小区域a1～a8的观察结果i的观察结果占有率。

dsi＝1-|pvi-pci|/(pvi+pci)(5)

从而，相似度导出部25优选由下述式(6)计算检查图像v0的部分区域p0与病例图像的小区域a1～a8的区域相似度saj。在此，在检查图像v0的部分区域p0及病例图像的小区域a1～a8中，观察结果的特征量越相似，ddi值越小，在检查图像v0的部分区域p0及病例图像的小区域a1～a8中，观察结果的尺寸越相似，dsi值越大。因此，通过使用式(6)，能够考虑关于相同观察结果的尺寸而计算检查图像v0的部分区域p0与病例图像的小区域a1～a8越相似越成为大值的区域相似度。

saj＝∑(wi×(dsi-ddi)(6)

另外，在由式(6)计算出相似度saj的情况下，区域相似度saj的最大值根据检查图像v0的部分区域p0而不同。因此，优选根据检查图像v0的部分区域p0与病例图像的小区域a1～a8的区域相似度saj为最大的条件，即检查图像v0的部分区域p0与病例图像的小区域a1～a8没有差异的条件，将区域相似度saj进行标准化。式(7)是根据检查图像v0的部分区域p0与病例图像的小区域a1～a8的相似度saj为最大的条件，将由式(6)计算出的区域相似度saj进行了标准化的公式。在式(7)中，sbj是已标准化的区域相似度。

sbj＝saj/∑wi＝∑(wi×(dsi-ddi)/∑wi(7)

另外，在由式(4)计算区域相似度的情况下，也优选将区域相似度sj进行标准化。式(8)是根据检查图像v0的部分区域p0与病例图像的小区域a1～a8的区域相似度sj为最大的条件，将式(4)进行了标准化的公式。在式(8)中，scj是已标准化的区域相似度。

scj＝sj/∑wi＝∑(wi×dsi)/∑wi(8)

并且，当计算区域相似度时，也可以比较检查图像v0的肺区域与病例图像的肺区域，在病例图像的小区域a1～a8中，越是在位置上与检查图像v0的部分区域p0靠近的小区域，计算出加权越大的区域相似度。例如，如图9所示，在检查图像v0的肺区域34和病例图像的肺区域35中，检查图像v0的部分区域p0与病例图像的肺区域35的小区域a3在位置上对应。因此，在将所计算出的区域相似度设为sbj的情况下，优选由下述式(9)校正区域相似度sbj并导出校正后的区域相似度sdj。在式(9)中，k表示与部分区域p0在位置上对应的小区域(在图9所示的情况下，k＝3)，d表示具有预先确定的1/分割数以下的值的常数。例如，若分割数为8，则d＝1/8。

sdj＝(1-d×|k-j|)×sbj(9)

根据式(9)，关于与部分区域p()在位置上对应的小区域，由于(1-d×|k-j|)＝1，因此sdj＝sbj。并且，在位置上越远离部分区域p0，d×|k-j|越大，因此sdj值比sbj小。由此，越是在位置上与检查图像v0的部分区域p0靠近的部分相似的病例图像，计算出越大的相似度。

在如上所述导出的检查图像v0的部分区域p0与病例图像的小区域a1～a8的区域相似度中，相似度导出部25导出代表区域相似度来作为检查图像v0与病例图像的相似度sf。另外，相似度sf是多个区域相似度中最大的区域相似度即可。然而，代表区域相似度并不限定于最大的区域相似度，若为以多个区域相似度为代表的区域相似度，则能够使用多个区域相似度的平均值及中间值、以及上位规定数的区域相似度的相加值等。

检索部26进行检索处理，该检索处理根据相似度sf从病例数据库db中检索与检查图像v0相似的病例图像作为相似病例图像。检索部26根据检查图像v0与登记在病例数据库db中的所有病例图像的相似度sf，检索与检查图像v0相似的病例图像作为相似病例图像。具体而言，检索部26以相似度sf的降序将病例图像进行排序，从而制作检索结果列表。图10是表示检索结果列表的图。如图10所示，在检索结果列表l0中，登记在病例数据库db中的病例图像以相似度sf的降序排序。然后，检索部26从病例数据库db中提取检索结果列表l0中的排序顺序为上位规定数的病例图像作为相似病例图像。另外，相似病例图像对应于相似医用图像。

显示控制部21进行第2显示控制处理，将基于检索部26的检索结果显示于显示部14。图11是表示检索结果的图。如图11所示，在显示画面30的检索结果显示区域32中显示有相似病例图像r1～r4。另外，在此显示有四个相似病例图像r1～r4，但是还可以显示更多的相似病例图像。在该情况下，未能显示于检索结果显示区域32中的相似病例图像能够通过滚动检索结果显示区域32而显示。

另外，相似病例图像r1～r4是在病例图像中与检查图像v0的部分区域p0的相似度最大的小区域中的代表性断层面的病例切片图像。代表性断层面例如能够设为在小区域的重心位置上的断层面，但是并不限定于此。另外，如图12所示，在相似病例图像r1～r4中可以显示疾病名称n1～n4。在图12中，疾病名称n1～n4是“间质性肺炎”。疾病名称n1～n4通过参考病例数据库db来获取即可。

另外，观察结果分类部22、特征量计算部23、权重系数设定部24、相似度导出部25及检索部26通过在图3所示的显示画面30上显示的检索执行按钮33被指示而开始进行处理，但是并不限定于此。例如，在用户切换显示检查图像v0的断层面的情况下，将怀疑是病变的检查切片图像显示于显示画面30的检查切片图像显示区域31中进行观察。因此，也可以在检查图像v0的断层面的切换显示中，在显示特定断层面的检查切片图像之后经过预先确定的时间(例如0.5秒)的情况下，开始观察结果分类部22、特征量计算部23、权重系数设定部24、相似度导出部25及检索部26的处理并显示检索结果。并且，在显示特定断层面的检查切片图像之后经过预先确定的时间的情况下，可以开始观察结果分类部22、特征量计算部23、权重系数设定部24、相似度导出部25及检索部26的处理而生成检索结果，若检索执行按钮33被指示，则立即显示检索结果。

接着，对在第1实施方式中进行的处理进行说明。图13是表示在第1实施方式中进行的处理的流程图。首先，图像获取部20获取检查图像v0(步骤dt1)，显示控制部21将检查图像v0显示于显示部14(步骤st2)。然后，若检索执行按钮33被指示(步骤st3；“是”)，则观察结果分类部22将检查图像v0中所包括的肺区域的部分区域p0分类为分别表示多个种类的观察结果的多个种类的病变区域并生成观察结果分类结果(步骤st4)。然后，特征量计算部23针对在检查图像v0的部分区域p0中分类出的每个观察结果计算第1特征量(步骤st5)。此外，权重系数设定部24设定检查图像v0的部分区域p0的每个观察结果的权重系数wi(步骤st6)。

接着，相似度导出部25根据权重系数进行在检查图像v0的部分区域p0中计算出的每个观察结果的第1特征量与在病例图像的小区域a1～a8中预先计算出的每个观察结果的第2特征量的加权运算，从而导出检查图像v0的部分区域p0与病例图像的小区域a1～a8的区域相似度(步骤st7)。此外，相似度导出部25导出区域相似度中的代表性相似度来作为检查图像v0与病例图像的相似度(步骤st8)。另外，如上所述、相似度导出部25导出检查图像v0与登记在病例数据库db中的所有病例图像的相似度。此外，检索部26根据相似度进行检索处理(步骤st9)，显示控制部21将检索结果显示于显示部14(步骤st10)，并结束处理。

如此，根据本实施方式，检查图像v0中的特定断层面的检查切片图像显示于显示部14，检查图像v0中的至少包括特定断层面的部分区域p0内的各个像素被分类为多个种类的观察结果中的至少一个观察结果。然后，针对在部分区域p0中分类出的每个观察结果计算第1特征量，对于在部分区域p0中分类出的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。此外，根据权重系数进行在部分区域p0中计算出的每个观察结果的第1特征量与在病例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，从而导出检查图像v0与病例图像的相似度。

在此，从检查图像v0的整体来看，局部存在的小病变的病变占有率小，但是在检查图像v0的部分区域p0中病变占有率变高。因此，如本实施方式那样，通过使用检查图像v0的部分区域p0，能够不受其他病变、其他区域及分析误差的影响而计算关于小病变的特征量。从而，根据本实施方式，能够根据检查图像v0及病例图像中所包括的观察结果的尺寸并考虑到医生所关注的断层面，适当地确定检查图像v0及病例图像之间的相似度。

并且，在本实施方式中，设定包括所显示的断层图像的部分区域p0，并检索与检查图像v0相似的病例图像。因此，在所显示的断层图像中，即使不标记病变等，也能够检索病例图像。从而，能够减轻用户的操作负担。

接着，对本发明的第2实施方式进行说明。另外，基于第2实施方式的相似度确定装置的结构与图2所示的相似度确定装置的结构相同，只有进行的处理不同，因此在此省略关于装置的详细说明。基于第2实施方式的相似度确定装置与第1实施方式的不同点在于：还导出检查图像v0的整个区域与病例图像的整个区域的相似度，并利用使用检查图像v0的部分区域p0而导出的相似度(以下，设为第1相似度)和检查图像v0的整个区域与病例图像的整个区域的相似度(以下，设为第2相似度)来确定检查图像v0与病例图像的相似度。

在第2实施方式中，与上述第1实施方式同样，观察结果分类部22、特征量计算部23及权重系数设定部24将检查图像v0的部分区域p0分类为观察结果，针对每个观察结果计算第1特征量，并设定与观察结果的尺寸对应的权重系数wi。另外，将在第1实施方式中设定的权重系数称为第1权重系数w1i。

在第2实施方式中，观察结果分类部22将关于检查图像v0的整个区域的各个像素分类为多个种类的观察结果中的至少一个观察结果。并且，特征量计算部23针对在检查图像v0中分类出的每个观察结果计算特征量。另外，将关于检查图像v0的整个区域计算出的特征量称为第3特征量。并且，权重系数设定部24对于在检查图像v0中分类出的各个观察结果，将加权程度根据各个观察结果的尺寸而不同的权重系数设定为第2权重系数w2i。

在此，第2实施方式中的观察结果分类部22、特征量计算部23及权重系数设定部24进行的处理，除了使用检查图像v0的整个区域的方面以外，与第1实施方式中的观察结果分类部22、特征量计算部23及权重系数设定部24使用检查图像v0的部分区域p0进行的处理相同，因此在此省略详细说明。

在第2实施方式中，相似度导出部25首先与第1实施方式同样地导出检查图像v0的部分区域p0与病例图像的小区域a1～a8的区域相似度，并导出多个区域相似度中的代表区域相似度来作为检查图像v0与病例图像的第1相似度sf1。并且，相似度导出部25根据权重系数设定部24设定的第2权重系数w2i进行在检查图像v0中计算出的每个观察结果的第3特征量与在病例图像中预先计算出的每个观察结果的特征量(以下，设为第4特征量)的加权运算，从而导出检查图像v0与病例图像的相似度来作为第2相似度sf2。然后，如以下式(10)所示，相似度导出部25将第1相似度sf1和第2相似度sf2通过权重系数d进行加权相加，从而导出检查图像v0与病例图像的最终的相似度sf0。

sf0＝α×sf1+(1-α)×sf2(10)

在此，在肺气肿及作为病变包括结节的第1情况和在正常肺中作为病变包括结节的第2情况下，即使是相同的称为结节的疾病，第1情况的病变的形状有时也因肺气肿的影响而与第2情况的病变的形状不同。并且，关于治疗，在第1情况中，需要进行考虑到肺气肿的治疗。在此，肺气肿是在肺的整个区域中出现的观察结果。因此，有时期望不仅考虑到肺的局部区域，而且考虑到整个区域来检索病例图像。

在第2实施方式中，除了由第1实施方式导出的第1相似度sf1，还导出考虑到检查图像v0的整个区域的第2相似度sf2，从而导出检查图像v0与病例图像的相似度。因此，也考虑到肺的整个区域的疾病，能够检索与检查图像v0相似的病例图像。

另外，在上述第2实施方式中，可以将式(10)中的权重系数d的值设为能够变更。图14是表示第2实施方式中的检索结果的显示画面的图。如图14所示，在第2实施方式中的检索结果的显示画面30a上显示有滑块36。滑块36通过使用输入部15使旋钮36a左右移动，使式(10)中的权重α能够变更。如此，通过使式(10)中的权重系数α能够变更，能够变更重视检查图像v0的部分区域p0的程度、或重视整个区域的程度。因此，用户能够以所期望的方式进行病例图像的检索。

并且，在上述第1及第2实施方式中，将病例图像中的肺区域分割为例如8个小区域。然而，若如此将肺区域分割为小区域，则在小区域的边界上存在与检查图像v0的部分区域p0中所包括的观察结果相似的观察结果的情况下，导致减小部分区域p0与小区域的相似度。因此，当将病例图像分割为小区域时，优选分割为具有彼此重复的区域的多个小区域。图15是表示将病例图像分割为具有彼此重复的区域的多个小区域的状态的图。在图15中，将病例图像的肺区域35分割为图8所示的8个小区域a1～a8，并且如图15的右侧所示，示出分割为与小区域a1～a8重复的7个小区域a9～a15的状态。

如此，通过分割为具有彼此重复的区域的多个小区域，即使在小区域a1～a8的边界上存在观察结果的情况下，在小区域a9～a15中，该观察结果存在于远离小区域a1～a8的边界的位置。相反地，即使是在小区域a9～15的边界上存在观察结果的情况下，在小区域a1～a8中，该观察结果存在于远离小区域a9～a15的边界的位置。因此，能够高精度地导出部分区域p0与病例图像的小区域的相似度。

并且，在上述第1及第2实施方式中，将病例图像的肺区域进行了等分割，但是并不限定于此。例如，在支气管的分支位置中，以支气管第1分支及支气管第3分支为基准将肺区域分割为上中下三个区域，此外，也可以将上中下各个区域以体积均等地进行分割。图16是用于对使用支气管分支位置来分割肺区域进行说明的图。另外，支气管第1分支相当于气管与左右支气管的分支点。而且，在本实施方式中，将随着从支气管第1分支趋向支气管末端出现的分支依次称为第2支气管分支、第3支气管分支……。在左右每个肺区域中存在两个支气管第3分支。在本实施方式中，以位于受检体的体轴向下侧的支气管第3分支为基准进行区域分割。当分割肺区域时，如图16所示，在支气管第1分支b1中设定水平面52，在左右肺区域50l、50r中的下侧支气管第3分支b31中分别设定水平面53l、53r。另外，图16二维地示出肺区域，但是由于病例图像是三维图像，因此实际上如上所述设定水平面。在此，水平面是指与获取病例图像的受检体的体轴垂直地相交的平面。

此外，左肺区域50l分割为如下三个区域：水平面52与左肺区域50l的上端之间的左上肺区域50lu；水平面52与水平面53l之间的左中肺区域50lm；及水平面53l与左肺区域50l的下端之间的左下肺区域50ll。并且，右肺区域50r分割为如下三个区域：水平面52与右肺区域50r的上端之间的右上肺区域50ru；水平面52与水平面53r之间的右中肺区域50rm；及水平面53l与右肺区域50r的下端之间的右下肺区域50rl。此外，左右上肺区域50lu、5oru及中肺区域50lm、50rm被3等分，左右下肺区域50ll、50rl被5等分。另外，左右上肺区域50lu、50ru、中肺区域50lm、50rm及下肺区域50ll、50rl的分割数并不限定于上述，但是在肺中通常下肺区域大，因此优选使下肺区域的分割数大于上肺区域及中肺区域。

通过如此分割肺区域，能够考虑到局部肺区域的肿胀及萎缩，导出检查图像v0的部分区域p0与病例图像的小区域的相似度。

并且，在上述实施方式中，显示有检查图像v0的一个断层面的断层图像，但是并不限定于此。如图17所示，将检查切片图像显示区域31分割为三个小显示区域，在各个小显示区域可以显示检查图像v0的轴向剖面的检查切片图像sl10、矢状剖面的检查切片图像sl11及冠状剖面的检查切片图像sl12。在此，三个检查切片图像的相交线在一个点上相交。因此，检查图像v0的部分区域p0只要是包括三个检查切片图像的交点的区域即可。在该情况下，如下分割检查图像v0的肺区域，并将包括交点的区域用作部分区域p0即可。即，如图18所示，将左右肺区域分割为左中枢区域50lc及右中枢区域50rc和除此以外的区域，并将除了中枢区域以外的区域进一步分割为上中下三个区域、中区域和外区域及腹侧和背侧。在图18中，对外区域赋予斜线。在该情况下，左右肺区域分别分割为13个区域。

并且，在上述实施方式中，将包括显示于检查切片图像显示区域31中的检查切片图像的断层面的部分区域p0设定为检查图像v0，但是并不限定于此。与病例图像同样，也可以将检查图像v0预先分割为多个小区域，并将包括检查切片图像的断层面的小区域用作部分区域p0。在该请下，在检查图像v0的每个小区域中，优选预先计算出第1特征量。由此，能够缩短用于导出检查图像v0与病例图像的相似度的运算时间，因此能够高速检索相似病例图像。并且，在检查图像v0中，也可以如图15所示分割为重复的多个小区域。

并且，在上述实施方式中，将检查图像v0的断层图像显示于显示部14，但是并不限定于此。在观察结果分类部22中可以生成检查图像v0的映射图像，并将映射图像的断层图像显示于显示部14。

即，根据观察结果分类部22中的观察结果分类处理的结果，通过将颜色分配于部分区域p0中的各个分类的区域而生成映射图像，并且显示所生成的映射图像即可。具体而言，关于分类为上述多个种类的观察结果中的任一个观察结果的三维空间上的所有像素，观察结果分类部22通过对同一分类的像素分配相同颜色而生成三维映射图像。图19是表示对多个种类的各个分类分配与该分类对应的颜色的映射图像中的一剖面的图。另外，在图19中，为了简化说明，示出分类为毛玻璃阴影、正常肺、支气管扩张、蜂窝肺、网状阴影、浸润阴影、低吸收区及囊肿的八个种类的观察结果时的映射图像。并且，图19中仅示出一个肺的映射图像。

并且，在上述各实施方式中，针对检查图像v0的每个像素，计算表示是多个种类的观察结果的每一个观察结果的可能性的多个评价值，并根据多个评价值将检查图像v0的各个像素分类为多个种类的观察结果中的至少一个观察结果，但是观察结果分类方法并不限定于使用评价值的方法。

另外，在上述各实施方式中，在图像保管服务器3中保存有病例数据库db，但是也可以在存储器13中保存病例数据库db。

并且，在上述各实施方式中，将检查图像登记在病例数据库db中，但是也可以将除了检查图像以外的图像作为登记对象图像而登记于病例数据库。

并且，在上述各实施方式中，例如作为图像获取部20、显示控制部21、观察结果分类部22、特征量计算部23、权重系数设定部24、相似度导出部25及检索部26等执行各种处理的处理部(processingunit)的硬件结构，能够使用以下所示各种处理器(processor)。在上述各种处理器中，如上所述，除了执行软件(程序)而作为各种处理部发挥功能的通用的处理器即cpu以外，还包括fpga(fieldprogrammablegatearray：现场可编程门阵列)等在制造之后可以变更电路结构的处理器即可编程逻辑器件(programmablelogicdevice：pld)、asic(applicationspecificintegratedcircuit：专用集成电路)等具有为了执行特定处理而专门设计的电路结构的处理器即专用电路等。

一个处理部可以由这些各种处理器中的一个来构成，也可以由相同种类或不同种类的两个以上处理器的组合(例如，多个fpga的组合或cpu和fpga的组合)来构成。并且，可以由一个处理器构成多个处理部。

作为由一个处理器构成多个处理部的例子，第一，有如下方式：以客户端、服务器等计算机为代表，由一个以上的cpu与软件的组合而构成一个处理器，该处理器作为多个处理部而发挥功能。第二，有如下方式：以片上系统(systemonchip：soc)等为代表，使用由一个ic(integratedcircuit：集成电路)芯片来实现包括多个处理部的整体系统的功能的处理器。如此，各种处理部构成为使用一个以上的上述各种处理器作为硬件结构。

此外，作为这些各种处理器的硬件结构，更具体而言，能够使用组合了半导体元件等电路元件的电路(circuitry)。

符号说明

1-相似度确定装置，2-三维图像摄影装置，3-图像保管服务器，4-网络，11-cpu，12-内存，13-存储器，14-显示部，15-输入部，20-图像获取部，21-显示控制部，22-观察结果分类部，23-特征量计算部，24-权重系数设定部，25-相似度导出部，26-检索部，30、30a-显示画面，31-检查切片图像显示区域，32-检索结果显示区域，33-检索执行按钮，34、35-肺区域，36-滑块，36a-旋钮，40＝多层神经网络，41-输入层，42＝输出层，50l＝左肺区域，50r-右肺区域，51-支气管，a1～a15-小区域，r1-支气管第1分支，b31-支气管第3分支，dk-断层面，db-病例数据库，l0-检查列表，n1～n4-疾病名称，p0-部分区域，r1～r4-相似病例图像，sl10～sl12-检查切片图像，v0-检查图像。