医疗图像处理系统及学习方法与流程

本发明涉及一种使用医疗图像的分析结果的医疗图像处理系统及学习方法。

背景技术：

在当前的医疗领域中，如具备光源装置、内窥镜及处理器装置的内窥镜系统等，使用医疗图像的医疗图像处理系统逐渐普及。并且，近年，进行从医疗图像提取存在病变部的可能性的关注区域，并通过对所提取的关注区域进行图像分析，获取与病情相关的诊断信息。

在使用于关注区域的检测的医疗图像中，除了病变等关注区域以外，有时还映入暗部、模糊、残渣、镜面反射等除关注区域以外的关注区域对象外。这种关注区域对象外的存在成为检测关注区域的阻碍，是降低关注区域的检测精度的主要原因之一。相对于此，在专利文献1中，将关注区域对象外与颜色特征、频率成分一同去除之后，根据颜色特征、轮廓、形状、纹理等检测关注区域。并且，在专利文献2中，在将关注区域设为粘膜区域的情况下，使用颜色、边缘的特征量来判别粘膜区域及残渣等非粘膜区域中的任一个。并且，在专利文献3中，从医疗图像去除油光等不适当区域之后，进行相当于关注区域的图像内的异常区域的检测。在专利文献3中，将像素值超过阈值t的区域作为不适当区域来去除。

以往技术文献

专利文献

专利文献1：国际公开第2017/002184号

专利文献2：日本特开2012-143340号公报

专利文献3：国际公开第2018/008593号

技术实现要素：

发明要解决的技术课题

如上所述，在从医疗图像去除关注区域对象外的情况下，如上述专利文献1～3，当使用颜色特征量、像素值等特定图像特征量时，不得不对由观察状态、照明状态等引起的关注区域对象外的变化单独进行处理，从而难以可靠地去除关注区域对象外。因此，如专利文献1～3，不是确定并使用医疗图像的图像特征量，而是确定关注区域对象外且从去除了关注区域对象外的区域检测关注区域，因此要求提高关注区域的检测精度。

本发明的目的在于提供一种在从医疗图像检测关注区域时，无需确定医疗图像的图像特征量而能够确定除关注区域以外的关注区域对象外的医疗图像处理系统及学习方法。

用于解决技术课题的手段

本发明的医疗图像处理系统具备：医疗图像获取部，获取拍摄观察对象而获得的第1医疗图像；有效诊断区域检测部，从第1医疗图像检测去除了除观察对象中关注区域以外的关注区域对象外而得的有效诊断区域；及关注区域检测部，从有效诊断区域检测关注区域，有效诊断区域检测部使用有效诊断区域检测用模型从第1医疗图像检测有效诊断区域，该有效诊断区域检测用模型通过使用了包含第1医疗图像及与有效诊断区域相关的有效诊断区域信息的第1学习数据的学习而获得。

关注区域检测部优选使用关注区域检测用模型从有效诊断区域检测关注区域，该关注区域检测用模型通过使用了包含有效诊断区域及关注区域的第2学习数据的学习而获得。第1医疗图像优选通过拍摄白色光照明的观察对象而获得。优选医疗图像获取部获取与第1医疗图像不同的第2医疗图像，关注区域检测部从第2医疗图像的有效诊断区域检测关注区域。第2医疗图像优选通过拍摄蓝色的窄频带光照明的观察对象而获得。关注区域对象外包含水渍、血渍、暗部、镜面反射、失真、图像模糊、气泡、盖、残渣及残液。

本发明的医疗图像处理系统具备：登记部，登记包含拍摄观察对象而获得的第1医疗图像及与去除了除观察对象中关注区域以外的关注区域对象外而得的有效诊断区域相关的有效诊断区域信息的第1学习数据；及学习部，进行用于使用多个第1学习数据生成相对于第1医疗图像的输入而输出有效诊断区域的有效诊断区域检测用模型的学习。

优选登记部登记有包含有效诊断区域及关注区域的第2学习数据，学习部进行用于使用第2学习数据生成相对于有效诊断区域的输入而输出关注区域的关注区域检测用模型的学习。

本发明的学习方法中，学习部具有第1学习步骤，该第1学习步骤用于使用多个包含拍摄观察对象而获得的第1医疗图像及与有效诊断区域相关的有效诊断区域信息的第1学习数据生成相对于第1医疗图像的输入而输出有效诊断区域的有效诊断区域检测用模型，有效诊断区域是去除了除观察对象中关注区域以外的关注区域对象外而得的区域。

学习部具有第2学习步骤，该第2学习步骤进行用于使用多个包含有效诊断区域及关注区域的第2学习数据生成相对于有效诊断区域的输入而输出关注区域的关注区域检测用模型的学习。

发明效果

根据本发明，在从医疗图像检测关注区域时，无需确定医疗图像的图像特征量而能够确定除关注区域以外的关注区域对象外。

附图说明

图1是表示图像处理系统及内窥镜系统等的框图。

图2是表示内窥镜系统的框图。

图3是表示医疗图像分析处理部的功能的框图。

图4是具有特定的污部的第1医疗图像的图像图。

图5是具有图像周边部及镜面反射部的第1医疗图像的图像图。

图6是具有气泡的第1医疗图像的图像图。

图7是映入有盖的缘部的第1医疗图像的图像图。

图8是表示对有效诊断区域检测用模型、有效诊断区域检测用模型输入的第1医疗图像及从有效诊断区域检测用模型输出的有效诊断区域信息的说明图。

图9是对有效诊断区域检测用模型的学习的说明中所使用的说明图。

图10是表示第1学习数据的说明图。

图11是表示对关注区域检测用模型、关注区域检测用模型输入的第2医疗图像及从关注区域检测用模型输出的关注区域信息的说明图。

图12是对关注区域检测用模型的学习的说明中所使用的说明图。

图13是表示第2学习数据的说明图。

图14是包含图像处理系统的诊断支持装置。

图15是包含图像处理系统的医疗业务支持装置。

具体实施方式

如图1所示，图像处理系统10具备医疗图像获取部11、医疗图像分析处理部12、显示部13、显示控制部15、输入接收部16、集中控制部17及保存部18。

医疗图像获取部11从医疗装置即内窥镜系统21等直接或经由pacs(picturearchivingandcommunicationsystem/图像存储与传输系统)22等管理系统或其他信息系统获取包含被摄体像的医疗图像。医疗图像为静态图像或动态图像(所谓的检查动态图像)。当医疗图像为动态图像时，医疗图像获取部11能够获取检查后构成动态图像的帧图像而作为静态图像。并且，当医疗图像为动态图像时，医疗图像的显示除了包含显示构成动态图像的一个代表帧的静态图像的内容以外，还包含播放一次或多次动态图像的内容。并且，在医疗图像获取部11所获取的医疗图像中，除了包含医生使用内窥镜系统21等医疗装置拍摄的图像以外，还包含内窥镜系统21等医疗装置不依赖于医生的摄影命令而自动拍摄的图像。另外，在本实施方式中，图像处理系统10及内窥镜系统21均使用医疗图像进行图像处理，因此图像处理系统10及内窥镜系统21均相当于医疗图像处理系统。作为医疗图像系统，还包含实时获取图像并显示的超声波诊断装置。

当能够获取多个医疗图像时，医疗图像获取部11能够选择性地获取这些医疗图像中的一个或多个医疗图像。并且，医疗图像获取部11能够获取在多个彼此不同的检查中获取的多个医疗图像。例如，能够获取过去进行的检查中所获取的医疗图像及最新检查中所获取的医疗图像中的一个或两个。即，医疗图像获取部11能够任意地获取医疗图像。

在本实施方式中，获取多个包含被摄体像的医疗图像。更具体而言，当获取在一次特定的检查中拍摄的医疗图像且存在多个在一次特定的检查中拍摄的医疗图像时，在一系列医疗图像中获取多个医疗图像。并且，在本实施方式中，图像处理系统10与内窥镜系统21连接，并从内窥镜系统21获取医疗图像。即，在本实施方式中，医疗图像为内窥镜图像。

显示部13为显示医疗图像获取部11所获取的医疗图像及医疗图像分析处理部12的分析结果的显示器。能够共用图像处理系统10连接的设备等所包含的监视器或显示器，并用作图像处理系统10的显示部13。显示控制部15控制显示部13中的医疗图像及分析结果的显示方式。

输入接收部16接收来自与图像处理系统10连接的鼠标、键盘及其他操作设备的输入。图像处理系统10的各部的动作能够使用这些操作设备进行控制。

集中控制部17集中控制图像处理系统10的各部的动作。当输入接收部16接收了使用操作设备的操作输入时，集中控制部17按照该操作输入控制图像处理系统10的各部。

保存部18在图像处理系统10所包含的存储器等存储设备(未图示)或者内窥镜系统21等医疗装置或pacs22所包含的存储设备(未图示)中保存医疗图像的静态图像等。

如图2所示，在本实施方式中，图像处理系统10连接的内窥镜系统21具有通过照射白色的波长频带的光或特定的波长频带的光中的至少任一个拍摄被摄体而获得图像的内窥镜31、经由内窥镜31对被摄体内照射照明光的光源装置32、处理器装置33及显示使用内窥镜31拍摄的内窥镜图像等医疗图像的监视器34。内窥镜31在照明光中使用的特定的波长频带的光例如为窄于绿色波长频带的短波长频带的光，尤其为可见区域的蓝色频带或紫色频带的光。

处理器装置33具备医疗图像获取部35、医疗图像分析处理部36及显示控制部37。医疗图像获取部35获取从内窥镜31输出的医疗图像。医疗图像分析处理部36对通过医疗图像获取部35获取的医疗图像进行分析处理。医疗图像分析处理部36中的处理内容与图像处理系统10的医疗图像分析处理部12中的处理内容相同。显示控制部37将通过医疗图像分析处理部36获得的医疗图像显示于监视器34(显示部)。处理器装置33与图像处理系统10连接。另外，医疗图像获取部35与医疗图像获取部11相同，医疗图像分析处理部36与医疗图像分析处理部12相同，显示控制部37与显示控制部15相同。

医疗图像分析处理部36使用医疗图像获取部11所获取的医疗图像进行分析处理。如图3所示，医疗图像分析处理部36具备有效诊断区域检测部40、关注区域检测部42、登记部44及学习部46。

有效诊断区域检测部40从医疗图像中使用于有效诊断区域的检测的第1医疗图像检测作为存在包含用户设为诊断对象的关注区域的可能性的区域的、去除了除观察对象中关注区域以外的关注区域对象外而得的有效诊断区域。在此，关注区域是指，用户关注的区域且若用户为医生则是进行诊断的基础上关注的区域。具体而言，是病变部等。关注区域对象外为与用户设为诊断对象的关注区域中所包含的对象物明显不同的对象物。作为关注区域对象外，例如，若关注区域为病变部，则如图4所示，包含覆盖观察对象的水渍、血渍等特定的污部48。有效诊断区域检测部40对图4所示的第1医疗图像检测去除了特定的污部48的区域而作为有效诊断区域。

并且，如图5所示，关注区域对象外包含在图像周边部50产生的失真(由观察对象的拍摄中所使用的物镜引起的失真)或图像模糊。并且，关注区域对象外包含因观察对象被透明的粘膜覆盖而产生的镜面反射52。有效诊断区域检测部40对图5所示的第1医疗图像检测去除了图像周边部50的失真、图像模糊的区域而作为有效诊断区域。并且，如图6所示，关注区域对象外包含气泡54。有效诊断区域检测部40对图6所示的第1医疗图像检测去除了气泡54的区域而作为有效诊断区域。

并且，当在内窥镜31的插入部的前端部安装有盖且如图7所示在医疗图像上映入有盖的缘部56时，关注区域对象外还包含盖的缘部56的图像。有效诊断区域检测部40对图7所示的第1医疗图像检测去除了盖的缘部56的区域而作为有效诊断区域。另外，如上所述的关注区域对象外在照明了白色光时变得容易检测，因此使用于有效诊断区域的检测的第1医疗图像优选设为拍摄由白色光照明的观察对象而获得的图像。并且，关于第1医疗图像，如后述的第2医疗图像，也可以设为拍摄由蓝色的窄频带光照明的观察对象而获得的图像。

如图8所示，有效诊断区域检测部40具备通过使用了包含第1医疗图像及与有效诊断区域相关的有效诊断区域信息的第1学习数据的学习而获得的有效诊断区域检测用模型40a。有效诊断区域检测用模型40a相对于第1医疗图像60的输入，输出与有效诊断区域相关的有效诊断区域信息62具体而言第1医疗图像中有效诊断区域所占的位置信息。根据该输出的有效诊断区域信息62，能够进行有效诊断区域的检测。如图9所示，在学习部46中，使用深度学习等机器学习方法而生成有效诊断区域检测用模型40a。具体而言，学习部46将登记于登记部44的第1学习数据44a用作培训用数据而使有效诊断区域检测用模型40a进行学习。

例如，如图10所示，若为具有特定的污部48的第1医疗图像60的情况，则优选将在第1医疗图像中将特定的污部48的区域设为表示不是有效诊断区域的标志“0”而将除特定的污部48以外的区域设为表示是有效诊断区域的标志“1”的二值化数据设为有效诊断区域信息62。在此，关于标志“0”、“1”的指定，优选用户操作与内窥镜系统21连接的用户界面(未图示)而进行。并且，关于如关注区域对象外中的暗部、镜面反射52(参考图5)等通过处理器装置33的图像处理能够检测的关注区域对象外，通过自动进行标志“0”、“1”的指定，也能够自动生成第1医疗图像。以上的第1医疗图像60及有效诊断区域信息62作为彼此建立关联的第1学习数据44a登记于登记部44。登记于登记部44的第1学习数据44a使用于有效诊断区域检测用模型40a。

如上所述，并不限于特定的污部48，关于图像模糊(参考图5)、镜面反射52(参考图5)、气泡54(参考图6)、盖的缘部56(参考图7)、残渣及残液等关注区域对象外，即便不是进行病变等的诊断的医生，开发内窥镜系统21的研究人员等也能够进行判别。因此，通过研究人员等更多的相关人员能够进行有效诊断区域的指定，因此与后述的第2学习数据44b相比，能够制作更多的第1学习数据44a。

关注区域检测部42根据有效诊断区域检测部40中的检测结果，从医疗图像中使用于关注区域的检测的第2医疗图像的有效诊断区域rx检测关注区域。具体而言，关注区域检测部42仅对第2医疗图像中的有效诊断区域rx(标志“1”)进行关注区域的检测，而对除有效诊断区域以外的区域ry(标志“0”)不进行关注区域的检测。在此，通过关注区域检测部42检测的关注区域例如为包含以癌为代表的病变部、良性肿瘤部、炎症部(除了包含所谓的炎症以外，还包含存在出血或萎缩等变化的部分)、大肠憩室、治疗痕迹(emr(endoscopicmucosalresection/内镜下黏膜切除术)瘢痕、esd(endoscopicsubmucosaldissection/内镜下黏膜剥离术)瘢痕、夹闭部位)、出血点、穿孔、血管畸形、因加热而导致的烧灼痕迹或通过基于着色剂及荧光药剂等的着色进行打标的打标部或实施了活体检查(所谓的活检)的活检实施部的区域。即，包含病变的区域、存在病变的可能性的区域、活检等进行了某些处置的区域、夹子或镊子等处置器具或暗部区域(由于是褶皱(皱纹)的背面、管腔深部而观察光难以到达的区域)等与病变的可能性无关地需要详细观察的区域等能够成为关注区域。在内窥镜系统21中，关注区域检测部42将包含病变部、良性肿瘤部、炎症部、大肠憩室、治疗痕迹、出血点、穿孔、血管畸形打标部或活检实施部中的至少任一个的区域作为关注区域来进行检测。

另外，在关注区域中也检测病变的区域的情况下，当照明了蓝色的窄频带光例如波长频带为400nm～450nm的窄频带光时，如血管结构或腺管结构，为了确定病变的区域而有用的结构信息等变得容易检测，因此使用于关注区域的检测的第2医疗图像优选设为拍摄由蓝色的窄频带光照明的观察对象而获得的图像。在此，当将第1医疗图像设为白色光的图像而将第2医疗图像设为蓝色的窄频带光的图像时，交替照明白色光及蓝色的窄频带光来进行拍摄，因此第1医疗图像与第2医疗图像的摄影定时不同。因此，优选在进行第1医疗图像与第2医疗图像的配准之后，对第1医疗图像及第2医疗图像进行有效诊断区域的设定。例如，当先进行了第1医疗图像的有效诊断区域的检测时，优选将第2医疗图像中的与第1医疗图像的有效诊断区域对应的区域设为有效诊断区域。在图像的配准中，优选以与第2医疗图像的形状匹配的方式对第1医疗图像进行配准处理。另外，与第1医疗图像相同地，关于第2医疗图像，也可以设为拍摄由白色光照明的观察对象而获得的图像。

如图11所示，关注区域检测部42具备通过使用了包含第2医疗图像及与关注区域相关的关注区域信息的第2学习数据的学习而获得的关注区域检测用模型42a。关注区域检测用模型42a相对于第2医疗图像70的输入，输出与有效诊断区域相关的关注区域信息72具体而言第2医疗图像中关注区域所占的位置信息。根据该输出的关注区域信息72，能够进行关注区域的检测。如图12所示，在学习部46中，使用深度学习等机器学习方法而生成关注区域检测用模型42a。具体而言，学习部46将登记于登记部44的第1学习数据44a用作培训用数据而使关注区域检测用模型42a进行学习。

例如，如图13所示，若为具有特定的病变部74的第2医疗图像70的情况，则优选将在第2医疗图像70中将除特定的病变部74以外区域设为表示不是关注区域的标志“0”而将特定的病变部74的区域设为表示是关注区域的标志“1”的二值化数据设为关注区域信息72。在此，关于标志“0”、“1”的指定，优选按照医生等对关注区域的诊断具有见解的用户的命令，操作与内窥镜系统21连接的用户界面(未图示)来进行。以上的第2医疗图像70及关注区域信息72作为彼此建立关联的第2学习数据44b登记于登记部44。登记于登记部44的第2学习数据44b使用于关注区域检测用模型42a的学习。

如上所述，关注区域检测部42从去除了关注区域对象外的有效诊断区域检测关注区域，因此与从未去除关注区域对象外的图像进行关注区域的检测的情况相比，因去除了成为学习的噪声的特征，而关注区域的检测精度提高。即，在本实施方式中，通过分开进行“关注区域对象外的检测(除有效诊断区域以外的检测)”及“关注区域的检测”，能够减少病变等关注区域的检测中所需的学习数据的数量，因此最终能够提高关注区域的检测精度。

另外，如图14所示，与内窥镜系统21及其他医学影像设备或pacs22组合使用的诊断支持装置610能够包含上述实施方式及其他变形例的图像处理系统10。并且，如图15所示，例如经由任意的网络626与包含内窥镜系统21的第1检查装置621、第2检查装置622、……、第n检查装置633等各种检查装置连接的医疗业务支持装置630能够包含上述实施方式及其他变形例的图像处理系统10。

另外，在上述实施方式中，在有效诊断区域检测部40中，区分检测有效诊断区域及除此以外的关注区域对象外的区域，但关于关注区域对象外，也可以区分为多个种类来进行检测。例如，作为关注区域对象外，分别区分为气泡、镜面反射、盖的周缘的图像或正常的扁平上皮等来进行检测。在该情况下，将分别去除了检测到的气泡、镜面反射、盖的周缘的图像或正常的扁平上皮等的区域设为有效诊断区域而从该有效诊断区域检测关注区域。

此外，图像处理系统10、内窥镜系统21及包含图像处理系统10的各种装置或系统能够进行以下各种变更等后使用。

作为医疗图像，能够使用照射白色频带的光或作为白色频带的光照射多个波长频带的光而获得的通常光图像。

作为医疗图像，当使用照射特定的波长频带的光而获得的图像时，特定的波长频带能够使用比白色的波长频带窄的频带。

特定的波长频带例如为可见区域的蓝色频带或绿色频带。

当特定的波长频带为可见区域的蓝色频带或绿色频带时，优选特定的波长频带包含390nm以上且450nm以下或530nm以上且550nm以下的波长频带，且特定的波长频带的光在390nm以上且450nm以下或530nm以上且550nm以下的波长频带内具有峰值波长。

特定的波长频带例如为可见区域的红色频带。

当特定的波长频带为可见区域的红色频带时，优选特定的波长频带包含585nm以上且615nm以下或610nm以上且730nm以下的波长频带，且特定的波长频带的光在585nm以上且615nm以下或610nm以上且730nm以下的波长频带内具有峰值波长。

特定的波长频带例如包含氧合血红蛋白及还原血红蛋白中的吸光系数不同的波长频带，且特定的波长频带的光能够在氧合血红蛋白及还原血红蛋白中的吸光系数不同的波长频带中具有峰值波长。

当特定的波长频带包含氧合血红蛋白及还原血红蛋白中的吸光系数不同的波长频带，且特定的波长频带的光在氧合血红蛋白及还原血红蛋白中的吸光系数不同的波长频带中具有峰值波长时，优选特定的波长频带包含400±10nm、440±10nm、470±10nm或600nm以上且750nm以下的波长频带，且特定的波长频带的光在400±10nm、440±10nm、470±10nm或600nm以上且750nm以下的波长频带中具有峰值波长。

当医疗图像为照出活体内的活体内图像时，该活体内图像能够具有活体内的荧光物质发出的荧光的信息。

并且，荧光能够利用对活体内照射峰值波长为390nm以上且470nm以下的激励光而获得的荧光。

当医疗图像为照出活体内的活体内图像时，前述的特定的波长频带能够利用红外光的波长频带。

当医疗图像为照出活体内的活体内图像，且作为前述的特定的波长频带利用红外光的波长频带时，优选特定的波长频带包含790nm以上且820nm以下或905nm以上且970nm以下的波长频带，且特定的波长频带的光在790nm以上且820nm以下或905nm以上且970nm以下的波长频带中具有峰值波长。

医疗图像获取部11能够具有特殊光图像获取部，该特殊光图像获取部根据照射白色频带的光或作为白色频带的光照射多个波长频带的光而获得的通常光图像，获取具有特定的波长频带的信号的特殊光图像。在该情况下，作为医疗图像能够利用特殊光图像。

特定的波长频带的信号能够通过基于通常光图像中所包含的rgb或cmy的颜色信息的运算来获得。

能够具备特征量图像生成部，该特征量图像生成部通过基于照射白色频带的光或作为白色频带的光照射多个波长频带的光而获得的通常光图像及照射特定的波长频带的光而获得的特殊光图像中的至少一个的运算，生成特征量图像。在该情况下，作为医疗图像能够利用特征量图像。

关于内窥镜系统21，作为内窥镜31能够使用胶囊型内窥镜。在该情况下，光源装置32及处理器装置33的一部分能够搭载于胶囊型内窥镜。

在上述实施方式及变形例中，医疗图像获取部11、医疗图像分析处理部12及构成医疗图像分析处理部12的各部、显示控制部15、输入接收部16、集中控制部17以及医疗图像获取部35、医疗图像分析处理部36、显示控制部37、有效诊断区域检测部40、关注区域检测部42、登记部44、学习部46等执行各种处理的处理部(processingunit)的硬件结构为如下所示的各种处理器(processor)。各种处理器中包含执行软件(程序)而作为各种处理部发挥功能的通用处理器即cpu(centralprocessingunit/中央处理器)、fpga(fieldprogrammablegatearray/现场可编程门阵列)等制造后能够变更电路结构的处理器即可编程逻辑器件(programmablelogicdevice：pld)、具有为了执行各种处理而专门设计的电路结构的处理器即专用电气电路及gpu(graphicalprocessingunit/图形处理器)等。

一个处理部可以由这些各种处理器中的一个构成，也可以由相同种类或不同种类的两个以上的处理器的组合(例如，多个fpga或cpu与fpga的组合、cpu与gpu的组合)构成。并且，也可以将多个处理部由一个处理器来构成。作为将多个处理部由一个处理器来构成的例子，第1，有如以客户端或服务器等计算机为代表，由一个以上的cpu与软件的组合来构成一个处理器，且该处理器作为多个处理部而发挥功能的方式。第2，有如以片上系统(systemonchip：soc)等为代表，使用将包含多个处理部的整个系统的功能由一个ic(integratedcircuit/集成电路)芯片来实现的处理器的方式。如此，各种处理部作为硬件结构使用一个以上上述各种处理器而构成。

而且，更具体而言，这些各种处理器的硬件结构为组合了半导体元件等电路元件的方式的电气电路(circuitry)。并且，存储部的硬件结构为hdd(harddiscdrive：硬盘驱动器)或ssd(solidstatedrive：固态硬盘)等存储装置。

本发明能够通过以下的另一方式来实现。

在处理器装置中，

通过医疗图像获取部获取拍摄观察对象而获得的第1医疗图像，

通过有效诊断区域检测部从第1医疗图像检测去除了除观察对象中关注区域以外的关注区域对象外而得的有效诊断区域，

通过关注区域检测部从有效诊断区域检测关注区域，

当通过有效诊断区域检测部检测有效诊断区域时，通过有效诊断区域检测部使用有效诊断区域检测用模型从第1医疗图像检测有效诊断区域，该有效诊断区域检测用模型通过使用了包含第1医疗图像及与有效诊断区域相关的有效诊断区域信息的第1学习数据的学习而获得。

符号说明

10-图像处理系统，11-医疗图像获取部，12-医疗图像分析处理部，13-显示部，15-显示控制部，16-输入接收部，17-集中控制部，18-保存部，21-内窥镜系统，22-pacs，31-内窥镜，32-光源装置，33-处理器装置，34-监视器，35-医疗图像获取部，36-医疗图像分析处理部，37-显示控制部，40-有效诊断区域检测部，40a-有效诊断区域检测用模型，42-关注区域检测部，42a-关注区域检测用模型，44-登记部，44a-第1学习数据，44b-第2学习数据，46-学习部，48-特定的污部，50-图像周边部，52-镜面反射，54-气泡，56-缘部，60-第1医疗图像，62-有效诊断区域信息，70-第2医疗图像，72-关注区域信息，74-病变部，610-诊断支持装置，621-第1检查装置，622-第2检查装置，623-第n检查装置，626-网络，630-医疗业务支持装置。