存在概率Px输出到相似度计算部63。
[0088]在这里，在特征量计算部61中计算的特征量Zx如后面所述，在表示在检查图像19的关注区域R0I中存在病变的图案的程度这样的意思上，也与在检查图像19的关注区域R0I内存在病变的图案的概率即第1存在概率Px相似。然而，特征量Zx是通过基于图案匹配的检查图像19的图像解析来计算的，并非反映关于医师等人实际通过眼睛看到的病变的图案是否存在的判断。与此相对地，第1存在概率Px是通过基于人的视觉的印象的统计学的方法来计算的，在这一点上特征量Zx与第1存在概率Px有本质的不同。
[0089]具体来说，计算第1存在概率Px的计算式66是根据人在视觉上判断出的学习用图像内的病变的图案的有无、与学习用图像的特征量Z的关系，通过统计学的方法来预先创建的，将特征量Zx设为变量。因此，第1存在概率Px表示相对于作为检查图像19的图像解析的结果的特征量Zx的值，在人实际看到具有该值的检查图像19的情况下，判断病变的图案以多大频度而存在或者不存在，与特征量Zx不同，反映了人实际用眼睛看到的病变的图案是否存在的判断。
[0090]相似度计算部63担负计算检查图像19、与在病例图像DB22中储存的全部病例图像21的分别的相似度S的相似度计算功能。相似度计算部63根据来自概率计算部62的第1存在概率Px、以及在病例图像21中附加的第2存在概率Py，进行相似度S的计算。相似度计算部63将所计算出的相似度S输出到检索结果输出部64。
[0091]检索结果输出部64担负将相似图像与相似度S的组作为检索结果来输出的检索结果输出功能。更具体来说，检索结果输出部64将按相似度S的顺序对相似图像与相似度S的组进行排序而得到的列表67 (也参照图13)作为相似图像的检索结果来输出。
[0092]输出控制部65从检索结果输出部64接收列表67。输出控制部65根据所接收到的列表67，创建检索结果显示窗口 68 (也参照图14)。检索结果显示窗口 68是通过例如XML (Extensible Markup Language，可延伸标记语言)等标记语言来创建的WEB发布用的XML数据。输出控制部65将所创建的检索结果显示窗口 68与进行了相似图像的取得请求的诊疗科终端12的信息(例如诊疗科终端12的IP (Internet Protocol，互联网协议)地址的信息)一起输出到通信部48。通信部48向进行了相似图像的取得请求的诊疗科终端12发送检索结果显示窗口 68。
[0093]在图7中，特征量计算部61具有针对检查图像19的关注区域R0I，分别计算共计8种的第1特征量ZxA、第2特征量ZxB、第3特征量ZxC、第4特征量ZxD、第5特征量ZxE、第6特征量ZxF、第7特征量ZxG、第8特征量ZxH的第1特征量计算器61A、第2特征量计算器61B、第3特征量计算器61C、第4特征量计算器61D、第5特征量计算器61E、第6特征量计算器61F、第7特征量计算器61G、第8特征量计算器61H。如通过“-0.21”、“+5.63”等数值来例示的那样，各特征量ZxA?ZxH正值和负值都能够取到。将这8种各特征量ZxA?ZxH设为要素的8维向量被称为特征向量。以下，如各特征量计算器61A?61H那样，按对与第1特征量ZxA相关的量附加“A”，对与第2特征量ZxB相关的量附加“B”等这样，对与各特征量ZxA?ZxH相关的量附加对应的字母的下标“A”?“H”来区分。
[0094]在图8中，各特征量ZxA?ZxH对应于预先登记的典型的多种病变的图案。具体来说，分别对应于以下各种病变的图案，第1特征量ZxA对应于低呼吸区的异常影(气肿、气胸、大疱等)，第2特征量ZxB对应于空洞，第3特征量ZxC对应于支气管的异常影(支气管壁增厚、支气管扩张、牵拉性支气管扩张、支气管透亮图像等)，第4特征量ZxD对应于蜂窝组织炎肺，第5特征量ZxE对应于磨砂玻璃状阴影，第6特征量ZxF对应于点状影(粒状影、TIB(Tree-1n-Bud，树芽征)等)，第7特征量ZxG对应于高吸收区的异常影(实变、小结节、支气管粘液腺等)，第8特征量ZxH对应于线状网状影。
[0095]各特征量ZxA?ZxH表示对应的各种病变的图案相似度，是表示在关注区域R0I中存在病变的图案的程度的值。因此，各特征量ZxA?ZxH越大，则表示在关注区域R0I中存在对应的病变的图案的程度越高，各特征量ZxA?ZxH越小，则表示在关注区域R0I中存在对应的病变的图案的程度越低。进一步地说，在各特征量ZxA?ZxH为正值的情况下，表示对应的病变的图案在关注区域R0I中存在的概率高，在为负值的情况下，表示对应的病变的图案在关注区域R0I中不存在的概率高。于是，是正值并且该值越大，则表示对应的病变的图案在关注区域R0I中存在的程度越高。
[0096]但是，如上所述，特征量Zx并非反映关于人实际通过眼睛看到的病变的图案是否存在的判断，在特征量Zx为正值的情况下，不一定病变的图案实际存在于关注区域R0I中，同样地，在特征量Zx为负值的情况下，不一定病变的图案实际不存在于关注区域R0I中。
[0097]在图7的例子中，与空洞的图案对应的第2特征量ZxB、和与高吸收区的异常影的图案对应的第7特征量ZxG示出正值，其他各特征量ZxA、ZxC?ZxF、ZxH示出负值。然后，第2特征量ZxB为“+5.63”，是大于第7特征量ZxG的“+0.80”的值，所以可知在关注区域R0I中，存在空洞与高吸收区的异常影，其中，空洞起支配作用。
[0098]各特征量计算器61A?61H能够使用例如“资料名称:Computer Vis1n andImage Understanding 第 88 卷第 119 页?151 页，发行年份 2002 年 12 月 Using HumanPerceptual Categories for Content-Based Retrieval from a Medical Image Database作者 Ch1-Ren Shyu, Christina Pavlopoulou Avinash C.kak, and Cala E.Brodley，，等中记载的公知的特征量，通过“AdaBoost (Adaptive Boosting) ”等机械学习算法来创建。
[0099]此外，在本实施方式中，例示了与8种病变的图案对应的8种特征量ZxA?ZxH，但特征量Zx既可以比8种少，也可以比8种多。进一步地说，特征量Zx也可以是1个。另夕卜，将与1个病变的图案对应的特征量Zx设为1个，但也可以将与1个病变的图案对应的特征量Zx设为多个。
[0100]在图9中，概率计算部62在第1存在概率Px的计算中使用的计算式66根据视觉判断数据75来创建。视觉判断数据75存储在存储设备45中。视觉判断数据75是针对每个病变的图案而存储作为医师等人针对多个学习用图像1、2、...，在视觉上判断在学习用图像内是否存在病变的图案的结果的图案的有无、以及由特征量计算部61针对学习用图像的关注区域R0I而计算出的特征量Z而得到的数据。例如通过让医师通过诊疗科终端12来定期地作为学习用图像而阅览病例图像21，并让医师输入自己判断出的图案的有无，来创建视觉判断数据75。作为判断图案的有无的医师，例如也可以是接受检查图像19的远程解读的委托的解读中心的解读医师等其他医疗施设的医师。此外，在图9中，作为病变的图案而例示磨砂玻璃状阴影与点状影，其他病变的图案由于空间的制约而省略。
[0101]在让医师判断特征量Z为相同值的多个学习用图像的图案的有无的情况下，特征量Z如上所述，并非反映关于人实际通过眼睛看到的病变的图案是否存在的判断。因此，特征量Z即使是相同值，也存在判断为有病变的图案的情况、和判断为无病变的图案的情况。针对该多个学习用图像，医师判断为有病变的图案的学习用图像所占的比例为与该特征量Z相关的第1存在概率P。例如当特征量Z为相同值的多个学习用图像有100张并且在100张中全部判断为有病变的图案的情况下，第1存在概率P = 1(100% )，当在100张中的50张中判断为有病变的图案的情况下，第1存在概率P = 0.5(50% )，然后，当在100张中全部判断为无病变的图案的情况下，第1存在概率P = 0(0% )。
[0102]根据这样的医师的判断结果，求出针对各特征量Z的第1存在概率P，如果在以特征量Z为横轴且以第1存在概率P为纵轴的示图中绘制其结果，则例如如图10所示，特征量Z与第1存在概率P的关系为大致S形的曲线C。该曲线C称为逻辑曲线，特征量Z与第1存在概率P的关系能够用被称为逻辑函数的以特征量Z为变量的式子(P= 1/{1+exp (-A0-A1 X Z)})来表示。S卩，第1存在概率P以及特征量Z分别对应于在统计学上提到的目标变量以及解释变量。在这里A0以及A1是系数，通过逻辑回归分析来计算这些系数，从而能够得到计算式66。
[0103]具体来说，计算式66通过下式(1-A)来表示。
[0104]Px = 1/{1+exp (-A0—A1 X Zx)}…(1-A)
[0105]A0以及A1如上所述，通过逻辑回归分析来计算。计算式66针对每个病变的图案而创建。在图9中，例示了用于计算磨砂玻璃状阴影的图案存在于检查图像19的关注区域R0I中的第1存在概率PxE的计算式66E(PxE = 1/{1+exp (-AE0-AE1 X ZxE) })、以及用于计算点状影的图案存在于检查图像19的关注区域R0I中的第1存在概率PxF的计算式66F(PxF = l/{l+exp(-AFO-AFlXZxF)})，省略了其他病变的图案用的计算式66的图示。
[0106]例如在ΑΕ0 = 0.038、AE1 = 2.08并且第5特征量ZxE为+1.31的情况下，磨砂玻璃状阴影的图案存在于检查图像19的关注区域R0I中的第1存在概率PxE为:
[0107]PxE = 1/{1+exp (-0.038-2.08X1.31)}?0.94。另夕卜，在 AFO = 0.102、AF1 =3.21并且第6特征量ZxF为-1.16的情况下，点状影的图案存在于检查图像19的关注区域R0I中的第1存在概率PxF为:
[0108]PxF = 1/{1+exp (-0.102+3.21X1.16)} ^ 0.03。概率计算部 62 这样地使用计算式66来计算各种病变的图案的第1存在概率PxA?PxH。
[0109]此外，在特征量Z与第1存在概率P的关系为大致直线的情况下，也可以不使用如逻辑回归分析那样的非线性回归分析，而是使用线性回归分析来创建计算式66。
[0110]另外，在有多个与1个病变的图案对应的特征量Zx的情况下，计算式66在将多个特征量Zx设为Zxl、Zx2、Zx3、…的情况下，用下式(1-B)来表示。
[0111]Px = l/{l+exp(-A0-AlXZxl-A2XZx2-A3XZx3-……(1-B)
[0112]A0、A1、A2、A3、…是系数，与式(1_A)相同地，通过逻辑回归分析来求出。
[0113]针对第2存在概率Py，在过去的诊断中，也是在特征量计算部61中计算病例图像21的关注区域R0I的特征量ZyA?ZyH，根据该特征量ZyA?ZyH，通过使用根据视觉判断数据75创建的计算式66的统计学的方法来在概率计算部62中计算各种病变的图案的第2存在概率PyA?PyH。
[0114]在图11以及图12中，相似度计算部63具有并存概率计算器80、非并存概率计算器81、比计算器82以及乘法器83。并存概率计算器80根据各存在概率Px、Py，计算病变的图案存在于检查图像19以及病例图像21的关注区域R0I这两者中的概率的并存概率Pxy。具体来说，通过下式(2-A)来计算并存概率Pxy。
[0115]Pxy = PxXPy...(2-A)
[0116]非并存概率计算器81根据各存在概率Px、Py，计算病变的图案仅独立地存在于检查图像19以及病例图像21的关注区域R0I中的一个中的概率、S卩非并存概率NPxy。具体来说，通过下式(3-A)，来计算非并存概率NPxy。
[0117]NPxy = PxX (l_Py) + (l_Px) XPy...(3_A)
[0118]各计算部80、81将所计算出的各概率Pxy，NPxy输出到比计算器82。
[0119]比计算器82计算并存概率Pxy与非并存概率NPxy之比Pxy/NPxy，将所计算出的比Pxy/NPxy输出到乘法器83。
[0120]如图12详细所示，并存概率计算器80为了计算8种病变的图案各自的第1并存