超声波诊断装置及超声波诊断装置的控制方法

技术领域

本发明涉及一种进行病变部的判定的超声波诊断装置及超声波诊断装置的控制方法。

背景技术

一直以来，利用超声波图像的超声波诊断装置在医疗领域中得到了实际应用。通常，超声波诊断装置具备内置振子阵列的超声波探头和与超声波探头连接的装置主体，通过从超声波探头朝向受检体发射超声波束，由超声波探头接收来自受检体的超声回波并对该接收信号进行电处理来生成超声波图像。

医生等使用者通过确认如此生成的超声波图像，例如进行受检体的病变部的诊断。此时，使用者通常通过确认超声波检查中拍摄到的多个超声波图像，选出适于诊断的超声波图像。为了减少使用者如此选出超声波图像的工夫，开发了专利文献1中公开的技术。

专利文献1中公开了一种装置，其中分析超声波图像来自动检测候选病变部，并通过图像处理合并未检测到候选病变部的一系列超声波图像，由此减少超声波图像的数量。使用者通过确认检测到候选病变部且合并后剩下的多个超声波图像，能够选出适于诊断的超声波图像。

专利文献1：日本特开2007-252763号公报

然而，如专利文献1所记载，即使装置自动检测到候补病变部，使用者也有可能不相信其检测结果而选出例如未表现病变部的形状等特征之类的不适于诊断的超声波图像。由此，有可能导致病变的诊断精度下降。

发明内容

本发明是为了解决此类现有问题点而完成的，其目的在于提供一种使用者能够高精度地诊断病变部的超声波诊断装置及超声波诊断装置的控制方法。

通过以下构成，能够实现上述目的。

〔1〕一种超声波诊断装置，其根据拍摄了受检体的病变部的多个超声波图像进行所述病变部的判定，上述超声波诊断装置具备：

图像特征计算部，通过分析多个超声波图像，计算多个超声波图像的每一个的多维图像特征；

分数计算部，根据多维图像特征计算多个超声波图像的每一个的病变部的分数；

判定部，根据针对多个超声波图像分别计算出的分数来进行病变部的判定；

提取部，从多个超声波图像中提取最佳地表现出基于判定部的判定结果的超声波图像作为依据图像；

显示器；及

显示控制部，将判定部的判定结果和由提取部提取的依据图像显示于显示器。

〔2〕根据〔1〕所述的超声波诊断装置，其中，

多个超声波图像是构成拍摄了病变部的动画的图像。

〔3〕根据〔1〕或〔2〕所述的超声波诊断装置，其中，

多个超声波图像分别是拍摄了病变部的整体或一部分的图像。

〔4〕根据〔2〕所述的超声波诊断装置，其中，

多个超声波图像是对构成拍摄了病变部而得到的动画的图像进行剔除后的图像、对构成上述动画的图像进行补充后的图像、或对构成上述动画的图像进行合成后的图像。

〔5〕根据〔1〕至〔4〕中任一项所述的超声波诊断装置，其中，

提取部在依据图像中形成包围病变部的框线，

显示控制部在依据图像上重叠显示框线。

〔6〕根据〔1〕至〔4〕中任一项所述的超声波诊断装置，其中，

提取部在依据图像中形成热图，上述热图中有助于通过分数计算部计算分数的部分的贡献率由颜色浓淡或颜色差异表示，

显示控制部将热图显示于显示器。

〔7〕根据〔1〕至〔6〕中任一项所述的超声波诊断装置，其中，

分数计算部通过学习了超声波图像的多维图像特征的机器学习模型计算分数。

〔8〕根据〔1〕至〔7〕中任一项所述的超声波诊断装置，其中，

判定部根据多个超声波图像中病变部被拍摄得最大的超声波图像的分数来进行判定。

〔9〕根据〔1〕至〔7〕中任一项所述的超声波诊断装置，其中，

判定部根据多个超声波图像的分数的多数决、最大值、中值或众数来进行判定。

〔10〕根据〔1〕至〔7〕中任一项所述的超声波诊断装置，其中，

判定部从多个超声波图像的分数中排除异常值，并根据排除了异常值的多个超声波图像的分数的多数决、最大值、中值或众数来进行判定。

〔11〕一种超声波诊断装置的控制方法，该超声波诊断装置根据拍摄了受检体的病变部的多个超声波图像进行病变部的判定，该控制方法执行如下步骤：

通过分析多个超声波图像，计算多个超声波图像的每一个的多维图像特征，

根据多维图像特征计算多个超声波图像的每一个的病变部的分数，

根据针对多个超声波图像分别计算出的分数来进行病变部的判定，

从多个超声波图像中提取最佳地表现出病变部的判定结果的超声波图像作为依据图像，

将判定结果和依据图像显示于显示器。

发明效果

根据本发明，超声波诊断装置具备：图像特征计算部，通过分析多个超声波图像，计算多个超声波图像的每一个的多维图像特征；分数计算部，根据多维图像特征计算多个超声波图像的每一个的病变部的分数；判定部，根据针对多个超声波图像分别计算出的分数来进行病变部的判定；提取部，从多个超声波图像中提取最佳地表现出基于判定部的判定结果的超声波图像作为依据图像；显示器；及显示控制部，将判定部的判定结果和由提取部提取的依据图像显示于显示器，因此使用者能够高精度地诊断病变部。

附图说明

图1是表示本发明的第1实施方式所涉及的超声波诊断装置的结构的方块图。

图2是表示第1实施方式中的收发电路的内部结构的方块图。

图3是表示第1实施方式中的图像生成部的内部结构的方块图。

图4是示意地表示具有椭圆形形状的病变部的图。

图5是示意地表示具有多边形形状的病变部的图。

图6是示意地表示具有分叶状形状的病变部的图。

图7是示意地表示具有不规则形状的病变部的图。

图8是表示有关病变部的判定结果的显示例的图。

图9是表示有关病变部的判定结果的其他显示例的图。

图10是表示与病变部的恶性度有关的分数的显示例的图。

图11是表示与病变部的类别有关的分数的显示例的图。

图12是表示显示于显示器的依据图像的例子的图。

图13是表示病变部被增强显示的超声波图像例的图。

图14是表示重叠了与病变部的分数有关的热图的超声波图像例的图。

图15是表示第1实施方式的超声波诊断装置的动作的流程图。

图16是表示第2实施方式的超声波诊断装置的结构的方块图。

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。

以下记载的构成要件的说明根据本发明的代表性实施方式而完成，但本发明并不限定于这种实施方式。

另外，在本说明书中使用“～”表示的数值范围表示包括“～”的前后记载的数值作为下限值及上限值的范围。

在本说明书中，“同一”、“相同”包括技术领域中通常允许的误差范围。

第1实施方式图1中示出本发明的第1实施方式所涉及的超声波诊断装置的结构。超声波诊断装置具备超声波探头1和装置主体2。超声波探头1与装置主体2经由未图示的电缆彼此有线连接。

超声波探头1具有振子阵列11及与振子阵列11连接的收发电路12。

装置主体2具有与超声波探头1的收发电路12连接的图像生成部21，图像生成部21上依次连接有显示控制部22及显示器23，图像生成部21上连接有图像存储器24。图像存储器24上依次连接有图像特征计算部25、分数计算部26、判定部27及提取部28。判定部27与显示控制部22连接。提取部28与显示控制部22及图像存储器24连接。并且，在收发电路12、图像生成部21、显示控制部22、图像存储器24、图像特征计算部25、分数计算部26、判定部27及提取部28上连接有主体控制部29。并且，主体控制部29上连接有输入装置30。

并且，由图像生成部21、显示控制部22、图像特征计算部25、分数计算部26、判定部27、提取部28及主体控制部29构成装置主体2用处理器31。

超声波探头1的振子阵列11具有一维或二维排列的多个超声波振子。这些振子按照分别从收发电路12供给的驱动信号发射超声波且接收来自受检体的反射波而输出模拟接收信号。各振子例如通过在包括以PZT(Lead Zirconate Titanate：锆钛酸铅)为代表的压电陶瓷、以PVDF(Poly Vinylidene Di Fluoride：聚偏二氟乙烯)为代表的高分子压电元件及以PMN-PT(Lead Magnesium Niobate-Lead Titanate：铌镁酸铅-钛酸铅固溶体)为代表的压电单晶等压电体的两端形成电极来构成。

收发电路12在主体控制部29的控制下，从振子阵列11发送超声波且根据由振子阵列11获取的接收信号生成声线信号。如图2所示，收发电路12具有与振子阵列11连接的脉冲发生器41、依次与振子阵列11串联连接的放大部42、AD(Analog Digital：模拟数字)转换部43及波束成形器44。

脉冲发生器41例如包括多个脉冲发生器，并且根据发射延迟模式调节延迟量而向多个振子供给各自的驱动信号，以使从振子阵列11的多个振子发射的超声波形成超声波束，该发射延迟模式根据来自主体控制部29的控制信号来选择。如此，若对振子阵列11的振子的电极施加脉冲状或连续波状的电压，则压电体伸缩，从各振子产生脉冲状或连续波状的超声波，并由这些超声波的合成波形成超声波束。

所发射的超声波束例如在受检体的部位等对象处反射，超声回波朝向超声波探头1的振子阵列11传播。如此朝向振子阵列11传播的超声回波由构成振子阵列11的各振子接收。此时，构成振子阵列11的各振子通过接收传播的超声回波进行伸缩而产生作为电信号的接收信号，并将这些接收信号输出至放大部42。

放大部42放大从构成振子阵列11的各振子输入的信号，并向AD转换部43发送放大后的信号。AD转换部43将从放大部42发送过来的信号转换为数字接收数据，并向波束成形器44发送这些接收数据。波束成形器44通过按照音速或音速的分布对由AD转换部43转换的各接收数据提供各自的延迟并将它们相加来进行所谓的接收聚焦处理，该音速或音速的分布根据接收延迟模式来设定，该接收延迟模式根据来自主体控制部29的控制信号来选择。通过该接收聚焦处理，可获取整相相加由AD转换部43转换的各接收数据而得且超声回波的焦点被缩小的声线信号。

如图3所示，装置主体2的图像生成部21具有信号处理部45、DSC(Digital ScanConverter：数字扫描转换器)46及图像处理部47依次串联连接而成的结构。

信号处理部45在根据超声波的反射位置的深度，对由超声波探头1的收发电路12发送的声线信号实施由距离引起的衰减的校正之后，实施包络检波处理，由此生成与受检体内的组织相关的断层图像信息即超声波图像信号(B模式图像信号)。

DSC46将由信号处理部45生成的超声波图像信号转换(光栅转换)为遵循一般电视信号的扫描方式的图像信号。

图像处理部47在对从DSC46输入的超声波图像信号实施灰度处理等各种需要的图像处理之后，将表示超声波图像的信号输出至显示控制部22及图像存储器24。如此，将表示由图像生成部21生成的超声波图像的信号简称为超声波图像。

图像存储器24是在主体控制部29的控制下保存由图像生成部21生成的超声波图像的存储器。例如，图像存储器24能够保存通过连续拍摄包含受检体的同一病变部的区域而由图像生成部21生成的构成动画的多个超声波图像。多个超声波图像的每一个可以是拍摄了病变部整体的图像，也可以是拍摄了病变部局部的图像。

作为图像存储器24，能够使用闪存、HDD(Hard Disk Drive：硬盘驱动器)、SSD(Solid State Drive：固态驱动器)、FD(Flexible Disc：软盘)、MO光盘(Magneto-Opticaldisc：磁光盘)、MT(Magnetic Tape：磁带)、RAM(Random Access Memory：随机存取存储器)、CD(Compact Disc：压缩光盘)、DVD(Digital Versatile Disc：数字多功能光盘)、SD卡(Secure Digital card：安全数字卡)、USB存储器(Universal Serial Bus memory：通用串行总线存储器)等记录介质。

图像特征计算部25通过分析保存在图像存储器24的拍摄了受检体的病变部的多个超声波图像，计算这些多个超声波图像的每一个的多维图像特征。图像特征计算部25例如能够对机器学习中的所谓神经网络等图像识别模型输入多个超声波图像，计算对多个超声波图像的每一个输出的中间值数据作为多维图像特征。该中间值数据在机器学习领域中通常被称为特征量。

并且，图像特征计算部25例如还能够计算亮度低于规定亮度的低亮度区域与超声波图像的整体区域的面积比、低亮度区域的边缘与其周围区域的对比度比等作为多维图像特征。关于低亮度区域与超声波图像的整体区域的面积比及低亮度区域的边缘与其周围区域的对比度比等，图像特征计算部25能够利用图像识别模型计算，也能够利用公知的图像分析方法而不使用图像识别模型来计算。

分数计算部26根据由图像特征计算部25计算的多维图像特征，计算多个超声波图像的每一个的病变部的分数。分数计算部26例如能够使用机器学习模型(例如神经网络及深层学习模型等)，根据多维图像特征计算病变部的分数，该机器学习模型将从拍摄了多个病变部的多个典型的超声波图像中获得的多个多维图像特征与它们的病理所见、与形状及病变部有关的诊断所见等有关病变部的信息之间的关系分别作为训练数据而预先进行了学习。

分数计算部26能够计算良恶性分数、类别分数、形状分数、边界分数、halo分数、边界线断裂分数及乳腺部位分数等多个种类的分数。良恶性分数是表示拍摄了超声波图像的受检体的病变部的良性程度的分数(良性分数)或表示恶性程度的分数(恶性分数)。

类别分数是由JABTS(the Japanese Association of Breast and ThyroidSonology：日本乳腺甲状腺超声波医学会)或ACR(American College of Radiology：美国放射线医学会)等规定的表示病变部的所谓筛检或诊断类别的分数。例如，JABTS如下规定筛检类别1～5。

筛检类别1：无异常所见

筛检类别2：存在所见，但无需进行详细检查

筛检类别3：良性但不能排除恶性

筛检类别4：疑似恶性

筛检类别5：恶性

形状分数是与病变部的形状有关的分数。例如，病变部的形状具有“凹陷”及“凸角”时，形状分数具有越大的值。其中，通常，病变部M的形状根据包含超声波图像中的边界部高回波部分的形状是否具有“凹陷”及“凸角”，例如分类为如图4所示的圆形或椭圆形(无凹陷、无凸角)、如图5所示的多边形(无凹陷、有凸角)、如图6所示的分叶形(有凹陷、无凸角)、如图7所示的不规则(有凹陷、有凸角)。

分数计算部26例如还能够计算病变部M中的凹陷的个数作为分数。

边界分数是与病变部M的边界部分的平滑度有关的分数，例如边界部分越粗糙，值越大，边界部分越平滑，值越小。

halo分数是表示在病变部M的边界部是否存在高回波带即所谓的晕轮(halo)的分数。作为halo分数，例如，输出表示存在晕轮的“+”的分数和表示不存在晕轮的“-”的分数中的一个。

边界线断裂分数是表示乳腺与其周边组织的边界线是否因病变部M而断裂的分数。分数计算部26例如能够提取病变部M的一定范围的组织的边界线，并判定所提取的边界线是否因病变部M的边界部而断裂。作为边界线断裂分数的一例，输出表示边界线断裂的“+”的分数和表示边界线未断裂的“-”的分数中的一个。

乳腺部位分数是表示病变部M处于乳腺中的什么位置的分数。乳腺部位分数例如能够通过该值表示病变部M位于乳腺的乳腺管侧还是位于小叶侧。

判定部27根据分数计算部26针对多个超声波图像计算出的分数来进行病变部M的判定。判定部27例如能够根据由分数计算部26计算的形状分数来判定病变部M的形状是圆形或椭圆形、多边形、分叶形及不规则中的哪一种。并且，判定部27例如根据由分数计算部26计算的边界分数，能够判定超声波图像中的病变部M的边界部是平滑、粗糙还是不清晰。

并且，判定部27例如还能够根据由分数计算部26计算的halo分数、边界线断裂分数及乳腺部位分数来判定病变部M的组织类型。例如，已知发生于乳房的病变部通常分类为DCIS(Ductal Carcinoma In Situ：乳腺导管原位癌)、IDC(Invasive Ductal Carcinoma：浸润性导管癌)及ILC(Invasive Lobular Carcinoma：浸润性小叶癌)等多个组织类型。判定部27例如能够根据halo分数及边界线断裂分数来判定病变部M是浸润型还是非浸润型，根据乳腺部位分数来判定病变部M是位于乳腺管侧还是位于小叶侧，并综合这些判定结果，最终判定病变部M的组织类型。

其中，判定部27根据多个超声波图像中病变部M被拍摄得最大的超声波图像的分数来进行判定。此时，判定部27通过对多个超声波图像进行图像分析，计算多个超声波图像中病变部M的最大直径，并根据计算出的最大直径的值来确定病变部M被拍摄得最大的超声波图像。

并且，判定部27还能够针对分数的多个种类的每一个，根据多个超声波图像的分数的多数决例如多个形状分数中具有最多计算值的形状分数及多个边界分数中具有最多计算值的边界分数等来进行判定。

并且，判定部27还能够针对分数的多个种类的每一个，根据多个超声波图像的分数的最大值例如多个形状分数中最大的形状分数及多个边界分数中最大的边界分数等来进行判定。

并且，判定部27还能够针对分数的多个种类的每一个，根据多个超声波图像的分数的中值例如成为多个形状分数的中值的形状分数等或众数例如多个形状分数中所获频度最多的值等来进行判定。

并且，判定部27还能够针对分数的多个种类的每一个排除异常值，并根据排除了异常值的多个分数的多数决、最大值、中值或众数来进行判定。判定部27例如对分数具有一定的阈值，并能够将超出阈值的分数作为异常值排除。

并且，判定部27确定对应于判定结果的分数，并将计算了该分数的超声波图像的信息输出至提取部28。例如，判定部27能够在判定为超声波图像中的病变部M的边界部粗糙时，从多个边界分数中确定判定为粗糙的边界分数，并将计算了该边界分数的超声波图像的信息输出至提取部28。

并且，在分数计算部26中计算出的分数中，判定部27能够将病变部M的良恶性分数、病变部M的类别分数及病变部M中凹陷的个数等使用者能够容易理解的分数的代表值输出至显示控制部22。此时，例如与进行病变部M的判定的情况相同地，判定部27能够输出病变部M被拍摄得最大的超声波图像的分数、多个超声波图像的分数的多数决或多个超声波图像的分数的最大值作为代表值。

并且，判定部27将与病变部M有关的判定结果发送至显示控制部22。

提取部28从判定部27接收病变部M的判定结果，从保存在图像存储器24的多个超声波图像中提取最佳地表现出基于判定部27的判定结果的至少一个超声波图像作为依据图像。提取部28例如能够在由判定部27判定超声波图像中的病变部M的边界部粗糙时，提取由判定部27发送的被判定为粗糙的至少一个边界分数中具有最大的边界分数的超声波图像作为针对病变部M的边界部粗糙这一判定的依据图像。

并且，提取部28例如还能够在由判定部27判定超声波图像中的病变部M的边界部粗糙时，选出边界分数高于规定的边界分数阈值的所有超声波图像，计算被选出的超声波图像之间的类似度，按计算出的类似度低于一定值即彼此类似的多个超声波图像分组，并提取各组中边界分数成为最大值或中值的超声波图像作为依据图像。例如在创建了彼此类似的超声波图像的多个组时，提取部28能够提取多个依据图像。

显示控制部22对由图像生成部21生成的超声波图像、由判定部27输出的分数的代表值、判定部27中的判定结果及由提取部28提取的至少一个依据图像U等实施既定处理，并将这些显示于显示器23。

显示控制部22能够在显示器23显示例如图8所示的所见特征A1作为判定部27中的判定结果。在图8的例子中，所见特征A1包括“形状”、“边界线”、“内部回波”、“halo”、“边界线断裂”、“后方回波”、“纵横比”及“钙化”的项目。

“形状”的项目表示病变部M的形状为圆形、椭圆形、多边形、分叶形及不规则中的哪一种。“边界线”的项目表示病变部M的边界部是平滑、粗糙还是不清晰。“内部回波”的项目被分为“水平”及“均匀性”的项目。“水平”的项目表示代表超声波图像中的病变部M内的明度的回波水平是“无”、“极低”、“低”、“相等”及“高”中的哪一种。回波水平越接近“无”，表示超声波图像中的病变部M内的明度越低，回波水平越接近“高”，表示超声波图像中的病变部M内的明度越高。“均匀性”的项目表示超声波图像中的病变部M内是均匀还是不均匀。

“halo”的项目表示在病变部M的边界部是否存在高回波带即晕轮(halo)。将存在晕轮的状态表示为“+”，不存在晕轮的状态表示为“-”。“边界线断裂”的项目表示病变部M的边界部是否断裂。将边界部断裂的状态表示为“+”，将边界部未断裂的状态表示为“-”。

“后方回波”的项目表示与病变部M的浅部区域的回波水平相比，病变部M的深部区域的回波水平是增强、不变、减弱还是消失。“纵横比”的项目表示超声波图像中的病变部M的深度方向的尺寸比与深度方向正交的方向上的尺寸大还是小。“钙化”的项目表示当病变部M存在钙化的部分时其钙化的程度是微细还是粗大。

在图8所示的例子中，所见特征A1表示“形状”不规则、“边界线”不清晰、“内部回波”的“水平”为相等水平、“均匀性”为不均匀、“halo”为“+”(存在)、“边界线断裂”为“+”(边界部断裂)、“后方回波”减弱、“纵横比”小、及无“钙化”。

并且，显示控制部22例如能够将如图9所示的推定组织类型A2作为判定部27中的判定结果显示于显示器23。在图9的例子中，推定组织类型A2表示“DCIS”、“IDC”、“ILC”及“其他”的项目和多个超声波图像所拍摄到的病变部M具有对应于“DCIS”、“IDC”、“ILC”及“其他”的项目的组织类型的概率。

并且，显示控制部22例如能够将如图10所示的恶性度A3作为由判定部27输出的分数的代表值显示于显示器23。在图10的例子中，恶性度A3的显示包括表示病变部M的恶性度的数值(○○％)和视觉性显示该数值的仪表。

并且，显示控制部22例如能够将如图11所示的筛检类别A4作为由判定部27输出的分数的代表值显示于显示器23。在图11的例子中，筛检类别A4的显示是表示病变部M的筛检类别为1～5中的哪一个。在图11中示出病变部M的筛检类别为4。

其中，例如使用者经由输入装置30选择显示于显示器23的判定部27的判定结果的任一个时，如图12所示，显示控制部22将最佳地表现出被选择的判定结果的由提取部28提取的依据图像U显示于显示器23。

例如，在由判定部27判定病变部M的边界部不清晰的情况下，使用者选择所见特征A1中的“边界线”的项目的“不清晰”的区域时，显示控制部22能够将由提取部28提取的最佳地表现病变部M的边界部不清晰的至少一个依据图像U显示于显示器23。

显示控制部22在将最佳地表现判定部27的判定结果的多个依据图像U显示于显示器23时，能够以所谓滚动显示的方式显示多个依据图像U，还能够根据经由输入装置30进行的使用者的指示依次切换显示。此时，显示控制部22能够对最先生成的依据图像U到最新生成的依据图像U依次赋予编号，并一同显示依据图像U和编号。使用者通过确认编号，能够将多个超声波图像彼此区分识别。

如此，由于同时显示判定部27的判定结果及与该判定结果对应的依据图像U，因此使用者通过确认依据图像U，能够掌握判定结果的依据，由此能够容易且高精度地选出适于诊断受检体的超声波图像，并能够高精度地进行受检体的诊断。

并且，如图13所示，提取部28通过对依据图像U进行图像分析来检测病变部M，并能够形成包围检测到的病变部M的框线L。此时，显示控制部22能够在依据图像U上重叠显示由提取部28形成的框线L。此时，显示控制部22还能够在框线L的内侧部分进行着色。如此，通过在依据图像U中病变部M被增强显示，使用者能够容易掌握依据图像U中的病变部M的位置和形状。

并且，如图14所示，提取部28能够在依据图像U中形成热图HM，该热图HM中有助于通过分数计算部26计算分数的部分的贡献率由颜色浓淡或颜色差异表示。有助于计算分数的部分是指在分数的计算中被关注的区域。例如，计算形状分数或边界分数时，判定为在病变部M的边界部及/或其附近的区域内有助于判定的部分例如边界部不清晰的情况下，边界部中不清晰的部分被增强显示。

并且，相对于病变部M的内部的回波，例如，计算与均匀性有关的分数时，在病变部M的内部有助于判定的部分例如不均匀的部分被增强显示。使用者通过确认热图HM，能够掌握与分数相关的依据图像U上的区域，并能够更详细地掌握判定部27的判定结果的依据。

显示器23在显示控制部22的控制下，显示由图像生成部21生成的超声波图像、由判定部27输出的分数的代表值、判定部27中的判定结果及由提取部28提取的至少一个依据图像U等，例如，具有LCD(Liquid Crystal Display：液晶显示器)、有机EL显示器(OrganicElectroluminescence Display)等显示器装置。

主体控制部29根据预先存储的控制程序等，进行装置主体2的各部及超声波探头1的收发电路12的控制。

输入装置30是使用者用于输入操作的装置，例如，由键盘、鼠标、轨迹球、触控板及重叠配置于显示器23的触摸传感器等装置构成。

另外，具有图像生成部21、显示控制部22、图像特征计算部25、分数计算部26、判定部27、提取部28及主体控制部29的处理器31由CPU(Central Processing Unit：中央处理装置)及用于使CPU进行各种处理的控制程序构成，但也可以用FPGA(Field ProgrammableGate Array：现场可编程门阵列)、DSP(Digital Signal Processor：数字信号处理器)、ASIC(Application Specific Integrated Circuit：专用集成电路)、GPU(GraphicsProcessing Unit：图形处理单元)、其他IC(Integrated Circuit：集成电路)构成，或者也可以组合它们来构成。

并且，处理器31的图像生成部21、显示控制部22、图像特征计算部25、分数计算部26、判定部27、提取部28及主体控制部29还能够通过将一部分或者整体整合在1个CPU等来构成。

接着，使用图15所示的流程图，对本发明的第1实施方式的超声波诊断装置的动作进行说明。

首先，在步骤S1中，获取使用者使超声波探头1接触受检体的体表的状态下拍摄了受检体的病变部M的多个超声波图像。获取超声波图像时，收发电路12在主体控制部29的控制下进行所谓接收聚焦处理来生成声线信号。将由收发电路12生成的声线信号发送至图像生成部21。图像生成部21使用由收发电路12发送过来的声线信号生成超声波图像。通过反复进行该处理，获取连续的多个超声波图像。将所获取的多个超声波图像发送至图像存储器24并保存在图像存储器24。

接着，在步骤S2中，图像特征计算部25通过分析步骤S1中生成且保存在图像存储器24的多个超声波图像，计算多个超声波图像的每一个的多维图像特征。图像特征计算部25例如能够对机器学习中的神经网络等图像识别模型输入多个超声波图像，计算对多个超声波图像的每一个输出的中间值数据作为多维图像特征。并且，图像特征计算部25例如还能够计算亮度低于规定亮度的低亮度区域与超声波图像的整体区域的面积比、低亮度区域的边缘与其周围区域的对比度比等作为多维图像特征。

在步骤S3中，分数计算部26根据步骤S2中计算的多个超声波图像中的多维图像特征，计算受检体的病变部M的分数。分数计算部26例如能够计算良恶性分数、类别分数、形状分数及边界分数等多个种类的分数作为病变部M的分数。并且，分数计算部26例如能够使用学习了多维图像特征与它们的分数之间的关系的机器学习模型，根据多维图像特征计算分数。

在步骤S4中，判定部27根据步骤S3中针对多个超声波图像分别计算出的分数来进行病变部M的判定。判定部27例如能够输出病变部M的形状、病变部M的边界部的平滑度、病变部M的组织类型等作为判定结果。并且，判定部27将与各判定结果相应的超声波图像的信息发送至提取部28。

在步骤S5中，提取部28根据步骤S4中由判定部27发送的与判定结果相应的超声波图像的信息，从步骤S1中保存在图像存储器24的多个超声波图像中提取最佳地表现判定结果的至少一个超声波图像作为依据图像U。

最后，例如，如图12所示，在步骤S6中，显示控制部22将步骤S4中的判定结果即所见特征A5等和最佳地表示所见特征A5的项目中的任一种的至少一个依据图像U显示于显示器23。此时，例如，使用者经由输入装置30选择由所见特征A5中的项目表示的判定结果时，显示控制部22能够将最佳地表现被选择的判定结果的至少一个依据图像U显示于显示器23。使用者通过确认依据图像U，能够详细地掌握被选择的判定结果的依据。

如此，步骤S6的处理结束时，图15的流程图所示的超声波诊断装置的动作结束。

从以上内容可知，根据本发明的第1实施方式的超声波诊断装置，分数计算部26根据由图像特征计算部25计算的多维图像特征来计算病变部M的分数，判定部27根据由分数计算部26计算的分数来进行病变部M的判定，提取部28从多个超声波图像中提取最佳地表现基于判定部27的判定结果的超声波图像作为依据图像U，将基于判定部27的判定结果和由提取部28提取的依据图像U显示于显示器23，因此，使用者能够详细地掌握被选择的判定结果的依据，并能够高精度地进行受检体的病变部M的诊断。

另外，虽然说明的是超声波探头1与装置主体2彼此有线连接的情况，但也可以彼此无线连接。

并且，装置主体2可以是所谓的固定型，可以是便携式，也可以是由所谓智能手机或平板电脑等构成的手持式。如此，构成装置主体2的设备的种类并没有特别限定。

并且，收发电路12设置于超声波探头1，但也可以设置于装置主体2而不是设置于超声波探头1。

并且，图像生成部21设置于装置主体2，但也可以是设置于超声波探头1而不是设置于装置主体2。

并且，第1实施方式的超声波诊断装置具备超声波探头1，但也可以不具备超声波探头1。此时，例如，虽未图示，装置主体2能够具备图像输入部来代替图像生成部21，该图像输入部与外部的超声波诊断装置、服务器装置或存储介质等设备连接且输入多个超声波图像。在图像存储器24中保存未图示的从外部设备输入到图像输入部的多个超声波图像。如此，由图像特征计算部25、分数计算部26、判定部27、提取部28及显示控制部22对被保存的多个超声波图像进行处理。

第2实施方式图16示出第2实施方式的超声波诊断装置。该超声波诊断装置在图1所示的超声波诊断装置中具备装置主体2A来代替装置主体2。装置主体2A在图1所示的装置主体2中追加有图像剔除部51，并且具备主体控制部29A来代替主体控制部29。并且，在装置主体2A中，由图像生成部21、显示控制部22、图像特征计算部25，分数计算部26、判定部27、提取部28、主体控制部29A及图像剔除部51构成处理器31A。

图像剔除部51剔除保存在图像存储器24的多个超声波图像。图像剔除部51例如能够从多个超声波图像中按一定的间隔剔除超声波图像。并且，图像剔除部51能够对多个超声波图像进行图像分析，在多个超声波图像的每一个中进行检测病变部M的处理，并剔除未检测到病变部M的超声波图像。

如此，图像特征计算部25根据通过图像剔除部51进行剔除处理之后剩下的超声波图像来计算多维图像特征。分数计算部26根据计算出的多维图像特征计算病变部M的分数，判定部27根据计算出的病变部M的分数来判定病变部M。并且，提取部28从图像剔除部51进行剔除处理后剩下的超声波图像中提取最佳地表现基于判定部27的判定结果的依据图像U。显示控制部22将基于判定部27的判定结果和由提取部28提取的依据图像U显示于显示器23。

如此，即使在由图像剔除部51剔除多个超声波图像的情况下，显示控制部22仍将基于判定部27的判定结果和由提取部28提取的依据图像U显示于显示器23，因此，使用者能够详细地掌握被选择的判定结果的依据，并高精度地进行受检体的病变部M的诊断。

另外，虽未图示，但装置主体2A还能够具备图像补充部来代替图像剔除部51，该图像补充部对保存在图像存储器24的多个超声波图像进行补充。此时，图像特征计算部25用于计算多维图像特征的超声波图像的数量和成为提取部28的提取对象的超声波图像的数量比保存在图像存储器24的多个超声波图像的数量增加，但由于显示控制部22将基于判定部27的判定结果和由提取部28提取的依据图像U显示于显示器23，因此使用者能够详细地掌握被选择的判定结果的依据，并能够高精度地进行受检体的病变部M的诊断。

并且，虽未图示，但装置主体2A还能够具备图像合成部来代替图像剔除部51，该图像合成部合成保存在图像存储器24的多个超声波图像并生成多个合成图像。图像合成部例如通过合成时间上相邻且彼此类似的超声波图像，能够生成画质得到改善的合成图像。图像特征计算部25通过对多个合成图像进行图像分析，根据多个合成图像分别计算多维图像特征。并且，提取部28从多个合成图像中提取最佳地表现基于判定部27的判定结果的合成图像作为依据图像U。如此，即使在合成多个超声波图像的情况下，显示控制部22仍将基于判定部27的判定结果和由提取部28提取的依据图像U显示于显示器23，因此，使用者能够详细地掌握被选择的判定结果的依据，并高精度地进行受检体的病变部M的诊断。

并且，装置主体2A还能够代替具备图像剔除部51、图像补充部或图像合成部，将被剔除的多个超声波图像、进行了补充后的多个超声波图像、或被合成的多个超声波图像保存在图像存储器24并在处理中使用这些超声波图像。

符号说明

1-超声波探头，2、2A-装置主体，11-振子阵列，12-收发电路，21-图像生成部，22-显示控制部，23-显示器，24-图像存储器，25-图像特征计算部，26-分数计算部，27-判定部，28-提取部，29、29A-主体控制部，30-输入装置，31、31A-处理器，41-脉冲发生器，42-放大部，43-AD转换部，44-波束成形器，45-信号处理部，46-DSC，47-图像处理部，51-图像剔除部，A1-所见特征，A2-推定组织类型，A3-恶性度，A4-筛检类别，HM-热图，L-框线，M-病变部，U-依据图像。