2023-700224

特許第７１２７７８５号発明「情報処理システム、内視鏡システム、学習済みモデル、情報記憶媒体及び情報処理方法」の特許異議申立事件について、次のとおり決定する。

結 論 特許第７１２７７８５号の請求項１、２、１４、１６及び１８に係る特許を維持する。

理 由 第１ 手続の経緯 特許第７１２７７８５号の請求項１～１８に係る特許についての出願は、平成３０年１１月３０日に出願され、令和４年８月２２日にその特許権の設定登録がされ、同月３０日に特許掲載公報が発行された。その後、その請求項１、２、１４、１６及び１８に係る特許に対し、令和５年２月２７日に特許異議申立人 上杉隆一（以下「申立人」という。）により、特許異議の申立てがされたものである。 第２ 本件発明 本件特許の請求項１、２、１４、１６及び１８に係る発明（以下、請求項の番号に従い「本件発明１」などという。）は、特許請求の範囲の請求項１、２、１４、１６及び１８に記載された事項により特定されるとおりのものであるところ、請求項１、２、１４、１６及び１８の記載は、次のとおりである。 「【請求項１】 学習済みモデルを記憶する記憶部と、 前記学習済みモデルに基づく検出処理を行う処理部と、 を含み、 前記学習済みモデルは、 画像中に明確な位置形状が表示されない対象物が画角内に入るように撮像された学習用画像に対して、前記対象物の位置形状を示すアノテーションが付された教師データに基づいて、前記学習用画像における前記対象物の位置形状を出力するように学習された学習済みモデルであり、 前記処理部は、 前記対象物が画角内に入るように撮像された検出用画像に対して前記検出処理を行うことで、前記対象物の位置形状を示す検出情報を出力し、前記検出情報を前記検出用画像に重畳して表示部に表示させることを特徴とする情報処理システム。」、 「【請求項２】 請求項１において、 前記学習用画像は、 前記対象物が他の臓器又は他の組織で覆われている状態、または前記対象物が露出して視認できるが、境界が曖昧な状態を撮像した画像であることを特徴とする情報処理システム。」、 「【請求項１４】 学習済みモデルを記憶する記憶部と、 前記学習済みモデルに基づく検出処理を行う処理部と、 を含み、 前記学習済みモデルは、 内視鏡手術の手順において用いられるランドマークが画角内に入るように撮像された学習用画像に対して、前記ランドマークの位置形状を示すアノテーションが付された教師データに基づいて、前記学習用画像における前記ランドマークの位置形状を出力するように学習された学習済みモデルであり、 前記処理部は、 前記ランドマークが画角内に入るように撮像された検出用画像に対して前記検出処理を行うことで、前記ランドマークの位置形状を示す検出情報を出力し、前記検出情報を前記検出用画像に重畳して表示部に表示させることを特徴とする情報処理システム。」、 「【請求項１６】 ニューラルネットワークに検出用画像の入力を受け付けて対象物を検出する検出処理を行い、前記検出用画像における前記対象物の位置形状を示す検出情報を前記検出用画像に重畳して表示部に表示させるように、コンピュータを機能させる学習済みモデルであって、 前記ニューラルネットワークは、 データを入力する入力層と、 前記入力層を通じて入力されたデータに対し演算処理を行う中間層と、 前記中間層から出力される演算結果に基づき、データを出力する出力層と、 を備え、 前記学習済みモデルは、 画像中に明確な位置形状が表示されない対象物が画角内に入るように撮像された学習用画像に対して、前記対象物の位置形状を示すアノテーションが付された教師データに基づいて、前記学習用画像における前記対象物の位置形状を出力するように学習されていることを特徴とする学習済みモデル。」、 「【請求項１８】 学習済みモデルに基づく検出処理を行う情報処理方法であって、 前記学習済みモデルは、 画像中に明確な位置形状が表示されない対象物が画角内に入るように撮像された学習用画像に対して、前記対象物の位置形状を示すアノテーションが付された教師データに基づいて、前記学習用画像における前記対象物の位置形状を出力するように学習された学習済みモデルであり、 前記対象物が画角内に入るように撮像された検出用画像に対して、前記学習済みモデルに基づく前記検出処理を行うことで、前記対象物の位置形状を示す検出情報を出力し、 前記検出情報を前記検出用画像に重畳して表示部に表示させることを特徴とする情報処理方法。」 第３ 特許異議の申立てについて １ 申立理由の概要 申立人は、証拠として下記２に示す甲第１号証～甲第１０号証（以下、それぞれ「甲１」～「甲１０」という。）を提出し、以下の申立理由により、請求項１、２、１４、１６及び１８に係る特許は取り消すべきものである旨主張している。 申立理由（進歩性） ・請求項１、２、１６及び１８に係る発明は、甲１に記載された発明及び甲２～甲８に記載された技術的事項に基づいて、当業者が容易に発明をすることができたものであるから、請求項１、２、１６及び１８に係る特許は、特許法第２９条第２項の規定に違反してされたものである。 ・請求項１４に係る発明は、甲１に記載された発明及び甲３、甲９、甲１０に記載された技術的事項に基づいて、当業者が容易に発明をすることができたものであるから、請求項１４に係る特許は、特許法第２９条第２項の規定に違反してされたものである。 ２ 証拠方法 甲第１号証：特開平６－２３３７６１号公報 甲第２号証：国際公開第２０１８／１７５３３９号 甲第３号証：特開２０１８－１１９５８号公報 甲第４号証：特開２０１８－１１７８８３号公報 甲第５号証：特開２０１５－１１４１７２号公報 甲第６号証：米国特許出願公開第２０１８／０３３０５１８号明細書 甲第７号証：Toshiaki Hirasawa、他１０名、“Application of artificial intelligence using a convolutional neural network for detecting gastric cancer in endoscopic images”、２０１８年１月１５日、Gastric Cancer、Volume２１（２０１８）、pages６５３－６６０ 甲第８号証：Daniel Garcia-Lorenzo、他４名、“Review of automatic segmentation methods of multiple sclerosis white matter lesions on conventional magnetic resonance imaging”、２０１２年９月２９日、Medical Image Analysis、Volume１７（２０１３）、Pages１－１８ 甲第９号証：“Campus Mail”、平成３０年１１月６日、福岡工業大学広報課、インターネット＜https://www.fit.ac.jp/~tokuyasu/img/file2.pdf＞ 甲第１０号証：国際公開第２０１７／１７５２８２号 第４ 各甲号証の記載 申立人が提出した各甲号証（甲１～１０）の記載は、次のとおりである。 １ 甲１について （１） 甲１の記載 甲１には、以下の記載がある（下線は当審において付与した。以下、同様）。 （甲１ア） 「【０００１】 【産業上の利用分野】本発明は、Ｘ線又は超音波などの情報キャリアを被検体内に透入しこの情報キャリアの変化を計測して診断部位の医用画像を得る例えば超音波断層装置又はＸ線ＣＴ装置あるいは磁気共鳴イメージング装置などの医用画像診断装置に関し、特に上記得られた画像についてある特定の目的部位を認識して抽出するのが正確かつ容易、迅速に行える医用画像診断装置に関する。 ・・・ 【０００５】そこで、本発明は、このような問題点に対処し、被検体内の診断部位を計測した医用画像についてある特定の目的部位を認識して抽出するのが正確かつ容易、迅速に行える医用画像診断装置を提供するのを目的とする。 【０００６】 【課題を解決するための手段】上記目的を達成するために、本発明による医用画像診断装置は、被検体内の診断部位について計測した画像データを出力する原画像供給部と、この原画像供給部からの画像データを入力しその画像中の目的部位を大まかに抽出する対象領域抽出手段と、人工的神経素子を入力層及び中間層並びに出力層の層構造をなすように結合してネットワークを構成し上記対象領域抽出手段からの対象領域の画像を入力して目的部位を認識するための大局情報を予測するニューラルネットワークと、このニューラルネットワークで予測された大局情報を用いて目的部位を認識しそのデータを出力する目的部位認識手段と、この目的部位認識手段から出力された認識結果のデータを入力して上記原画像供給部からの原画像と共にその認識結果を表示する画像表示部とを備えて成るものである。 ・・・ 【０００８】 【作用】このように構成された医用画像診断装置は、原画像供給部から被検体内の診断部位について計測した画像データを出力し、対象領域抽出手段により上記原画像供給部から出力された画像データを入力しその画像中の目的部位を大まかに抽出し、人工的神経素子を入力層及び中間層並びに出力層の層構造をなすように結合してネットワークを構成すると共に出力層の入出力関数はリニア関数を用いたニューラルネットワークで上記対象領域抽出手段から出力された対象領域の画像を入力して目的部位を認識するための大局情報を予測し、目的部位認識手段により上記ニューラルネットワークで予測された大局情報を用いて目的部位を認識しそのデータを出力し、さらに画像表示部で上記目的部位認識手段から出力された認識結果のデータを入力して前記原画像供給部からの原画像と共にその認識結果を表示するように動作する。これにより、被検体内の診断部位を計測した医用画像についてある特定の目的部位を認識して抽出するのが正確かつ容易、迅速に行うことができる。」 （甲１イ） 「【０００９】 【実施例】以下、本発明の実施例を添付図面に基づいて詳細に説明する。図１は本発明による医用画像診断装置の実施例を示すブロック図である。この医用画像診断装置は、Ｘ線又は超音波などの情報キャリアを被検体内に透入しこの情報キャリアの変化を計測して診断部位の医用画像を得ると共にこの得られた画像についてある特定の目的部位を認識して抽出するもので、図に示すように、原画像供給部１と、対象領域抽出部２と、ニューラルネットワーク３と、目的部位認識部４と、画像表示部５とを備えて成る。 【００１０】上記原画像供給部１は、被検体内の診断部位について計測した画像データを出力するもので、例えば超音波診断装置又はＸ線ＣＴ装置あるいは磁気共鳴イメージング装置などにおいて被検体を計測又は撮影する計測部、あるいは被検体について計測した画像データを記憶しておき必要に応じて読み出す記憶部などである。 【００１１】対象領域抽出部２は、上記原画像供給部１から出力された画像データを入力しその画像中の目的部位（例えば心臓の左心室内腔）を大まかに抽出する手段となるもので、例えばマウスまたはトラックボールあるいはペンなどの入力装置で特定領域を手動入力したり、あるいは目的部位の画像特徴量により自動的に抽出するようになっている。 【００１２】ニューラルネットワーク３は、上記対象領域抽出部２から出力された対象領域の画像を入力して目的部位を認識するための大局情報を予測するもので、人工的神経素子を入力層及び中間層並びに出力層の層構造をなすように結合してネットワークを構成すると共に出力層の入出力関数はリニア関数を用いて構成されている。すなわち、生物の神経素子の働きを模し図２に示すような多入力一出力の人工的神経素子６を多数用い、図３に示すように、この人工的神経素子６を入力層Ｉ及び中間層Ｍ並びに出力層Ｏの層構造をなすように結合してネットワークを構成することにより、信号処理及び情報処理の機能を実現するように構成されている。なお、図２において、符号７は人工的神経素子６の内部状態を出力信号に変換する際の特性を表す出力関数の存在を示し、また、図３において、符号８は入力層Ｉと中間層Ｍとを結ぶ枝を示し、符号９は中間層Ｍと出力層Ｏとを結ぶ枝を示している。そして、この図３に示すニューラルネットワーク３は、入力層Ｉに供給される入力パターン１０を変換して出力層Ｏから出力パターン１１として出力するようになっている。 【００１３】ここで、上記中間層Ｍにおいては、入出力関数として、図４に示すように出力ｙが“０”と“１”の範囲内で単調非減少のシグモイド関数が用いられている。いま、中間層Ｍの内部ポテンシャルをＵ0とすると、シグモイド関数は次式のように表される。 ［図：0001398319000001.jpg］ そして、これを微分すると、 ［図：0001398319000002.jpg］ となり、もとのシグモイド関数で表現できるという特徴をもっている。 【００１４】また、上記出力層Ｏにおいては、入出力関数として、上述のシグモイド関数の代りに図５に示すように出力ｙが直線的に増減するリニア関数が用いられている。いま、直線の傾きをｌとすると、例えば次式のように表される。 ｙ＝1ｘ＋0.5 これを微分すると、 ｙ′＝1 となる。これにより、出力層Ｏからの出力は、アナログ的な値となる。 【００１５】そして、図３に示すように構成されたニューラルネットワーク３の入力層Ｉ及び中間層Ｍ並びに出力層Ｏの各層にある人工的神経素子６，６，…と出力層Ｏの各神経素子に対する教師信号は、１次元の配列（ベクトル）で表すことができ、また、入力層Ｉから中間層Ｍへの結合係数（枝８に対応する）と中間層Ｍから出力層Ｏへの結合係数（枝９に対応する）は、２次元の配列（行列）で表すことができる。そこで、上記図３に示すニューラルネットワーク３における入出力関係は、図６に示すようなベクトルと行列の関係としても表現できる。図６において、各記号の意味は次のとおりである。 Ｉi：入力層Ｉの神経素子ｉの出力 Ｈj：中間層Ｍの神経素子ｊの出力 Ｏk：出力層Ｏの神経素子ｋの出力 Ｔk：出力層Ｏの神経素子ｋに対する教師信号 Ｗji：入力層Ｉの神経素子ｉから中間層Ｍの神経素子ｊへの結合係数 Ｖkj：中間層Ｍの神経素子ｊから出力層Ｏの神経素子ｋへの結合係数 θj：中間層Ｍの神経素子ｊのオフセット（しきい値） γk：出力層Ｏの神経素子ｋのオフセット（しきい値） α，β：定数 上述の図６に示すようなベクトルと行列の関係として表現された入出力関係は、アナログ出力用のバックプロパゲーションのアルゴリズムを示しており、出力層にリニア関数 ［図：0001398319000003.jpg］ を用いている。これにより、前述のように出力層Ｏからの出力は、アナログ的な値となる。 【００１６】また、図１において、目的部位認識部４は、上記ニューラルネットワーク３で予測された大局情報を用いて目的部位を認識しそのデータを出力する手段となるもので、図示省略したがその内部には、前記原画像供給部１から出力される画像データを入力してそのヒストグラムから求めた所定のしきい値により“０”と“１”の２値に変換する２値化回路と、この２値化回路から出力される２値データと上記ニューラルネットワーク３から出力される大局情報とを入力してその大局情報をガイドとして“１”と“０”の白黒２値の境界を見い出し目的部位を認識するトラッキング手段とを備えている。 【００１７】さらに、画像表示部５は、上記目的部位認識部４から出力された認識結果のデータを入力して前記原画像供給部１からの原画像と共にその認識結果を表示するもので、例えばテレビモニタから成る。」 （甲１ウ） 「【００１８】次に、このように構成された医用画像診断装置において、得られた画像についてある特定の目的部位を認識して抽出する動作を図７を参照して説明する。まず、図１において、原画像供給部１から被検体内の診断部位について計測した画像データを出力する。これは、磁気共鳴イメージング装置などにより実際に計測したままのデータでもよいし、予め計測され記憶部に書き込まれたデータを読み出したものでもよい。いま、特定の目的部位を例えば心臓の左心室内腔とすると、上記原画像供給部１からの画像データは、目的部位認識部４を介して画像表示部５へ送られ、その画面には図７に示すように心臓の画像が表示される。 【００１９】これと同時に、上記原画像供給部１からの画像データは、対象領域抽出部２へ入力する。この対象領域抽出部２では、上記表示された画像の特徴量により例えば心臓外壁をとらえ、その周りに図７に破線１２で示すような対象領域外形線を描く。従って、この対象領域外形線１２の中に目的部位としての左心室内腔が存在し、上記対象領域外形線１２によって目的部位を大まかに抽出したことになる。なお、上記対象領域外形線１２は、マウスまたはトラックボールなどにより操作者が手動で入力してもよい。 【００２０】次に、上記対象領域抽出部２からの対象領域外形線１２のデータは、ニューラルネットワーク３へ入力する。このニューラルネットワーク３では、上記入力された対象領域外形線１２を用いて左心室内腔を認識するための近似関数のパラメータを決定し、図３に示す層構造をなすように結合してネットワークに構成された多層の人工的神経素子６，６，…により、目的部位としての左心室内腔に近似した大局情報を図７に一点鎖線１３で示すように予測して出力する。このとき、上記予測した大局情報１３は、アナログ値とされ、前述の対象領域外形線１２よりは内側に入っている。 【００２１】次に、上記ニューラルネットワーク３で予測された大局情報１３は、目的部位認識部４へ入力する。この目的部位認識部４では、その内部の２値化回路により原画像供給部１から入力する画像データについて所定のしきい値により“０”と“１”の２値に変換し、トラッキング手段により上記２値画像について前記予測した大局情報１３の原点Ｓ（ｘ0，ｙ0）から等角度ピッチごとに図７において画像の外側に向かって濃度値が“０”から“１”へ変化する点の位置をすべて検出し、上記大局情報１３をガイドとして“１”と“０”の白黒２値の境界を見い出し、図７に実線１４で示すように目的部位としての左心室内腔の輪郭を認識して抽出する。このとき、上記大局情報１３をガイドとしてそこから大きく離れない範囲で白黒２値の境界を見い出し、左心室内腔１４の輪郭を認識するので、従来のように境界をたどるのに迷走することはない。 【００２２】そして、上記目的部位認識部４で抽出された認識結果の目的部位１４を示すデータは、後段の画像表示部５へ入力し、その画面に原画像供給部１からの原画像と共に表示される。これにより、診断に必要な特定の目的部位１４を正しく且つ容易、迅速に表示することができる。」 （甲１エ）図１ ［図：0001398319000004.jpg］ （甲１オ）図３ ［図：0001398319000005.jpg］ （甲１カ）図６ ［図：0001398319000006.jpg］ （甲１キ）図７ ［図：0001398319000007.jpg］ （２）甲１に記載された発明 前記（１）の記載を総合すると、甲１には、次の発明（以下「甲１発明」という。）が記載されていると認められる（各構成要素の末尾の括弧内に認定の根拠となる記載箇所を示す。）。 「 Ｘ線又は超音波などの情報キャリアを被検体内に透入しこの情報キャリアの変化を計測して診断部位の医用画像を得ると共にこの得られた画像についてある特定の目的部位を認識して抽出するもので、原画像供給部１と、対象領域抽出部２と、ニューラルネットワーク３と、目的部位認識部４と、画像表示部５とを備えて成る医用画像診断装置であって、（【０００９】） 原画像供給部１は、被検体内の診断部位について計測した画像データを出力するもので、例えば超音波診断装置又はＸ線ＣＴ装置あるいは磁気共鳴イメージング装置などにおいて被検体を計測又は撮影する計測部、あるいは被検体について計測した画像データを記憶しておき必要に応じて読み出す記憶部などであり、（【００１０】） 対象領域抽出部２は、原画像供給部１から出力された画像データを入力しその画像中の目的部位（例えば心臓の左心室内腔）を大まかに抽出し、（【００１１】） ニューラルネットワーク３は、対象領域抽出部２から出力された対象領域の画像を入力して目的部位を認識するための大局情報を予測するもので、人工的神経素子を入力層及び中間層並びに出力層の層構造をなすように結合してネットワークを構成し、この人工的神経素子６を入力層Ｉ及び中間層Ｍ並びに出力層Ｏの層構造をなすように結合してネットワークを構成することにより、信号処理及び情報処理の機能を実現するように構成され、（【００１２】） ニューラルネットワーク３の入力層Ｉ及び中間層Ｍ並びに出力層Ｏの各層にある人工的神経素子６，６，…と出力層Ｏの各神経素子に対する教師信号は、１次元の配列（ベクトル）で表すことができ、入力層Ｉから中間層Ｍへの結合係数（枝８に対応する）と中間層Ｍから出力層Ｏへの結合係数（枝９に対応する）は、２次元の配列（行列）で表すことができ、そこで、ニューラルネットワーク３における入出力関係は、図６に示すベクトルと行列の関係として表現でき、図６に示すベクトルと行列の関係として表現された入出力関係は、アナログ出力用のバックプロパゲーションのアルゴリズムを示しており、（【００１５】） 目的部位認識部４は、ニューラルネットワーク３で予測された大局情報を用いて目的部位を認識しそのデータを出力し、（【００１６】） 画像表示部５は、目的部位認識部４から出力された認識結果のデータを入力して原画像供給部１からの原画像と共にその認識結果を表示するものであり、（【００１７】） このように構成された医用画像診断装置において、得られた画像についてある特定の目的部位を認識して抽出する動作については、いま、特定の目的部位を例えば心臓の左心室内腔とすると、原画像供給部１からの画像データは、目的部位認識部４を介して画像表示部５へ送られ、その画面には心臓の画像が表示され、（【００１８】） これと同時に、原画像供給部１からの画像データは、対象領域抽出部２へ入力し、この対象領域抽出部２では、上記表示された画像の特徴量により例えば心臓外壁をとらえ、その周りに対象領域外形線を描き、（【００１９】） 次に、対象領域抽出部２からの対象領域外形線１２のデータは、ニューラルネットワーク３へ入力し、このニューラルネットワーク３では、目的部位としての左心室内腔に近似した大局情報を予測して出力し、（【００２０】） 次に、ニューラルネットワーク３で予測された大局情報１３は、目的部位認識部４へ入力し、この目的部位認識部４では、原画像供給部１から入力する画像データについて大局情報１３をガイドとして目的部位としての左心室内腔の輪郭を認識して抽出し、（【００２１】） 目的部位認識部４で抽出された認識結果の目的部位１４を示すデータは、後段の画像表示部５へ入力し、その画面に原画像供給部１からの原画像と共に表示される、（【００２２】） 医用画像診断装置。 ［図：0001398319000008.jpg］ 図６において、各記号の意味は次のとおりである。 Ｉi：入力層Ｉの神経素子ｉの出力 Ｈj：中間層Ｍの神経素子ｊの出力 Ｏk：出力層Ｏの神経素子ｋの出力 Ｔk：出力層Ｏの神経素子ｋに対する教師信号 Ｗji：入力層Ｉの神経素子ｉから中間層Ｍの神経素子ｊへの結合係数 Ｖkj：中間層Ｍの神経素子ｊから出力層Ｏの神経素子ｋへの結合係数 θj：中間層Ｍの神経素子ｊのオフセット（しきい値） γk：出力層Ｏの神経素子ｋのオフセット（しきい値） α，β：定数」 ２ 甲２について 甲２には、以下の記載がある（原文を記載せずに、当審訳のみを記載する。当審訳の段落番号は、原文の段落番号に対応する。）。 （甲２ア） 「[0013] 表面の場合でさえ、血管（動脈、毛細血管、および静脈）は外科手術中に常に明確に視認できるわけではない。外科医が血管に近接して手術する場合、偶発的出血のリスクがある。かかる損傷は、手術を危うくする可能性があり、結果は悲惨であり得る。外科医がすぐに損傷に気付けば、外科医は凝固またはクリッピングを使用できるが、これらの選択肢の両方とも時間がかかり、凝固（例えば、単極または双極装置を使用）はチャーリング(charring)を引き起こす。本開示は、血管を、内視鏡、手術ロボット、または他の手術支援装置から（外科医が見る）ビデオストリーム上に強調表示し、従って、血管に対する偶発的損傷のリスクを低減することを目的とする。」 （甲２イ） 「[0019] 図のように、結合されたビデオデータは次いで、ディスプレイ１０９に送信され、ディスプレイ１０９は、結合されたビデオデータを受信するためにコントローラ（コンピュータ１０７内）に結合される。結合されたビデオデータの受信に応答して、ディスプレイ１０９は、一連の画像上に血管マスクを重ね合わせて、一連の画像（ビデオストリーム）を示し得る。これは、血管が明瞭に示されている（実線）が臓器は見えにくい（破線）、画像１１１として示されている。血管マスクは一連の画像上に重ね合わされ、（人体内では一般に見られない）緑などのような鮮やかな色を使用することによって強調され得る。当業者は、本開示の教示に従い、血管を強調するための任意の数の方法があることを理解するであろう。」 （甲２ウ） 「[0021] いくつかの実施形態では、コントローラは、血管の局所的な動きにおける異常を除去するために血管マスクをフィルタリングもし得る。例えば、フィルタリングは、ニューラルネットによって（例えば、放射碁底関数、自己組織化ネットワーク、学習ベクトル量子化、または同様のものを利用して）実行され得、ニューラルネットは、血管（例えば、血管の樹状構造特性）を認識するように訓練されている。」 ３ 甲３について 甲３には、以下の記載がある。 （甲３ア） 「【０００２】 ボリューメトリック医用撮像における僅かに区別された領域を検出することは、読影医の手腕や経験に依存する場合がある。 【０００３】 僅かに区別された領域を検出する一例として、急性脳卒中についての非造影コンピュータ断層撮影（ＮＣＣＴ）における、早期虚血性兆候の検出がある。この検出において、関心のある主な病変または複数の病変は、高吸収の血管（血栓）や、虚血や梗塞の領域を具備する可能性がある。ある状況下で、密集した血管は骨に近接することから、検出するのが困難になりうる。またある状況下では、虚血および／または梗塞は、輝度や質感の変化が微妙なので、検出するのが困難になりうる。脳における虚血および／または梗塞の領域は、ＣＴ画像において若干輝度が低い領域として見える可能性がある。皮質と白質との区別がつきにくくなる場合もある。」 （甲３イ） 「【００１０】 本実施形態に係る医用画像処理装置１０は、病変を検出するための検出器を訓練し、病変を検出するための検出器（分類器）２８を使用するよう構成されており、図１に示されている。なお、本実施形態において、検出器２８は、機械学習を行うプロセッサであり、血栓を検出するために訓練されている。また、検出器（分類器）２８は、医用画像処理装置１０内に必ずしも内蔵する必要はなく、例えば当該医用画像処理装置１０にネットワークを介して接続されていてもよい。その他の実施形態で、検出器は例えば虚血性や任意のその他関連する病変など、任意の適切な異常性を検出するために訓練することが出来る。さらなる実施形態では、検出器は例えば組織運動や液体の流れなど、機能の指標となるような画像の解析のために訓練することが出来る。」 （甲３ウ） 「【００４２】 解剖学的ランドマークは、たいてい生体構造（例えば、人体構造）において明確に定義された点である。解剖学的ランドマークは、骨、血管または臓器など解剖学的構造に関して、解剖学的に決めることが出来る。解剖学的ランドマークは、データセットに位置していてよく、そのデータセットの座標枠における座標のセットに割り当てることが出来る。解剖学的ランドマークの位置は、座標空間における点と見做すことが出来る。」 （甲３エ） 「【００６１】 図５のステージ８２で、アライメント部２４は、ステージ８０で検出された解剖学的ランドマークと参考ランドマーク３４のセットとを使用して、訓練データセット３０をアトラスデータセットにアライメントする。アライメント部２４は、訓練データセット３０におけるそれぞれ解剖学的ランドマークの決定された位置と、その位置に対応する参考ランドマークの位置と、の間の一致を判定する。アライメント部２４は、訓練データセット３０と、対応するランドマーク位置の間の関係性を使用するアトラスデータセットと、の剛体レジストレーションを実行する。例えば、アライメント部２４は、訓練データセット３０におけるランドマークの位置とアトラスデータセットにおける対応するランドマークの位置との間の距離を最小化する最小自乗法を使用して、訓練データセット３０とアトラスデータセットとをアライメントすることが出来る。」 ４ 甲４について 甲４には、以下の記載がある。 （甲４ア） 「【００２５】 ２．対象と方法 本手法の原理概要 実施の形態に係る学習装置は、胸部Ｘ線像から腫瘤影を検出する装置である。図１は、学習処理の一連の流れを示すフローチャートである。腫瘤陰影像、非腫瘤陰影像を含む画像データベース画像に対し、コントラストと濃度を正規化し全画像の画質のバラつきをなくす。画像内の肺野領域をセグメントした後、ＬｏＧ（Laplacian of Gaussian）フィルタ又はＤｏＧ（Difference of Gaussian）フィルタにより結節状陰影を選択的に強調する。高い感度を維持した状態で閾値処理を施し目的陰影を残す。残った陰影の中から深層畳み込みニューラルネットワーク（Deep Convolutional Neural Network：以下「ＤＣＮＮ」と記載する。）によって結節を選択し、結節以外の陰影を削除する。」 ５ 甲５について 甲５には、以下の記載がある。 （甲５ア） 「【０００４】 上記特許文献１においては、生体の状態や病状の判断にあたって、病状の確認に利用される特殊領域以外の領域の特徴、例えば、組織の境界や該境界内部の領域の特徴は考慮されておらず、精度の良い境界認識も行われていない。しかしながら、組織の境界によって特定される該組織の形状や、境界によって区切られる領域ごと（内部領域及び外部領域）の特徴も、病理診断等においては重要な判断要素となることがある。例えば、繊維状組織や管状組織の境界を精度良く認識することができれば、それらの境界情報を種々の診断に利用できる、或いは新しい解剖学的知見が得られる可能性がある。」 （甲５イ） 「【００４６】 続いて、核形状認識部１５１ａは、核を表す画素と判定した画素群からなる領域、即ち核領域の形状を認識する。核領域の形状の認識方法としては、公知の種々の方法が挙げられる。具体的には、二値化法、ｐ－タイル法、微分ヒストグラム法、モード法、可変閾値法、対応領域探索法、テンプレートマッチング法等の一般的画像解析方法や、動的輪郭法（スネーク法）、領域成長法（極値収束法、分水嶺法）、領域競合法、領域拡張法、分割・統合法、グラフカット法等の輪郭検出方法や、判別分析、因子分析、主成分分析、独立成分分析、決定木、ニューラルネットワーク、自己組織化マップ、ノンパラメトリック手法、遺伝的アルゴリズム、サポートベクターマシーン、ブースティング、ベイズ判別、機械学習、クラスタリング、クラシフィケーション等のパターン認識（識別）方法を用いることができる。 【００４７】 実施の形態１においては、一例として、レベルセット（Level Set Method：ＬＳＭ）法を用いて核領域の形状を認識する。ＬＳＭ法とは、画像内において認識対象（例えば、核や繊維）と背景（認識対象外である血球、間質、上皮等）が明確に分離されていない状況であっても、認識対象と背景との境界を認識することができる技術である。ＬＳＭ法においては、認識対象の輪郭（例えば、核領域の輪郭）の初期値を設定すると共に、エネルギー関数（又は評価関数）を設定し、該エネルギー関数が最小化されるように輪郭を更新することで、輪郭を初期値から認識対象の境界に近づける手法である。」 ６ 甲６について 甲６には、以下の記載がある（原文を記載せずに、当審訳のみを記載する。当審訳の段落番号は、原文の段落番号に対応する。）。 （甲６ア） 「[0002] 超音波スキャナは、典型的には、身体内の対象臓器若しくはその他の構造体を特定し、且つ／又は臓器／構造体のサイズ若しくは臓器内の流体の容積など、対象臓器／構造体に関連付けられた特徴を判定するため使用される。例えば、超音波スキャナは、患者の膀腕を特定し、膀脱内の流体の容積を推定するために使用される。典型的な事例では、超音波スキャナは、患者の上に配置され、特定の周波数での音波出力を含む超音波信号を生じるように始動される。超音波信号のエコーは、スキャナによって受信され、膀脱内の流体の容積を判定するために分析され得る。例えば、受信したエコーを使用して、分析して膀脱壁などの対象臓器の境界を検出できる対応する画像を生成することができる。次に、膀脱の容積は、検出された境界情報に基づいて推定され得る。しかし、通常の超音波スキャナは、患者によって関心の対象臓器のサイズ及び／又は形状が変わりやすいこと、対象臓器／構造体の境界を正確に検出することを難しくする身体内の障害など、複数の要因によって引き起こされる不正確性を被ることが多い。」 （甲６イ） 「[0015] 本明細書に記載された実装形態は、超音波スキャナを介して取得する情報に基づいて患者の関心の臓器又は構造体を特定するためにニューラル・ネットワーク及び深層学習を用いることを含む、機械学習を用いることに関する。例えば、スキャナを使用して、複数の超音波信号を対象臓器に向けて伝送することができ、伝送された信号に関連付けられたエコー情報を機械学習技術／アルゴリズムを用いて処理することができる。機械学習処理を使用して、関心の対象を特定することができ、受信した超音波エコー・データに基づいて生成された画像の各部分又は各画素に関連付けられた確率情報を生成することができる。」 ７ 甲７について 甲７には、以下の記載がある（原文を記載せずに、当審訳のみを記載する。）。 （甲７ア）第６５４頁右欄第２７行～第４３行 「包含基準は、標準的な白色光による画像、インジゴカーミンスプレーを使用した色素内視鏡検査、および狭帯域イメージング(NBI)であった。除外基準は、拡大された画像、および空気の吹き込みが少ない、生検後の出血、ハレーション、ぼかし、焦点ぼけ、または粘液に起因する低品質の画像であった。 選択後、組織学的に証明された2639の胃癌病変に関する13,584枚の画像が学習データセットとして収集された。すべての画像で少なくとも1つの胃癌病変が提示され、胃壁の角度、距離、及び範囲が異なる同じ病変に対して複数の画像が用意された。胃癌病変のすべての画像は、胃癌の専門家であり、日本消化器内視鏡学会の認定トレーナーである著者(TH)によって手動でマークされた。著者(TH)は、長方形のフレームを使用してがん病変の範囲を注意深くマークした（図１、２、３）。」 （甲７イ）第６５５頁図１とその説明 「 ［図：0001398319000009.jpg］ 図１ CNNの出力。a 中体部の小弯に胃癌のやや赤みがかった平坦な病変が出現している。 b 黄色い長方形の枠は、病変の可能性があり、胃がんが疑われる病変の範囲を示すために、CNNによってマークされたものである。内視鏡医が緑色の長方形の枠を用いて、がんの位置を手動でマークした。[0-IIc, 5mm, tub1, T1a(M)]」 （甲７ウ）第６５６頁右欄第１行～第３行 「胃がんの境界線が不明確な場合があったため、CNNが胃がんの部分病変を検出した場合を正解とした。」 ８ 甲８について 甲８には、以下の記載がある（原文を記載せずに、当審訳のみを記載する。）。 （甲８ア）第３頁右欄第１７行～第２６行 「病変が特定されると、その境界が明確でない場合でも、その境界を決定する必要がある。セグメンテーションは、読影者がどのボクセルが病変に属し、どのボクセルが属さないかを決定するプロセスである。セグメンテーションは、いくつかの理由で複雑である。組織学的に、病変の境界は鮮明であることもあれば、曖昧であることもある。臨床的に可能な標準的解像度のMRIで撮像した場合、病変境界の描出は、境界ボクセルの画像強度に複数の組織が影響する部分容積効果によって更に複雑になる。」 （甲８イ）第５頁右欄第２１行～第２３行 「教師あり学習：これらの方法は、手動セグメンテーションによって事前にセグメンテーションされたサンプル画像から病変の定義を学習する」 ９ 甲９について 甲９には、以下の記載がある。 （甲９ア）上段 「平成３０年１１月３日、三宮研修センター（神戸）において第１２回先進内視鏡治療研究会(J-CASE)が開催され、情報システム工学科の徳安達士教授が『内視鏡外科におけるAI技術の応用』という題目で特別講演を行いました。J-CASEは従来の腹腔鏡下手術を上回る次世代の低侵襲手術手技といわれているNOTESの高度化と普及を目指して、年に一度，国内の気鋭の内視鏡外科医が集い白熱した議論が展開される研究会です。常にブレークスルーが求められている腹腔鏡下手術において、AI技術は可能性のひとつとして考えられており、今回、東京慈恵会医科大学の炭山教授が臨床医の立場より講演され、徳安教授は医用工学の立場から講演されました。」 （甲９イ）中段右側 「講演では、AI技術を内視鏡外科手術に応用すれば、すべての患者に優しい医療を提供できるようになること、人工知能の開発にはデータを手に入れることが重要であり、そのためには世界最高峰とされる日本人外科医の暗黙知をデータ化する技術開発が大切であることが述べられました。講演後、フロアから大きな拍手とともに、「内視鏡外科の未来を切り開く勇気と元気を頂ける話であった」「これからも連携を密に、多くの患者のための技術開発を進めて欲しい」というコメントがありました。」 （甲９ウ）下段左側 「徳安教授が大分大学とオリンパス株式会社とともに取り組んでいるAMED未来医療開発事業では、人工知能が術者の目となって、切除ラインを決定するために必要な種々のランドマークを術中に教示するという次世代型内視鏡システムの開発が行われています。同システムは、年内の臨床実験が予定されており、来月福岡国際会議場で開催される第３１回日本内視鏡外科学会総会で発表される予定となっています。」 （甲９エ）下段右側 ［図：0001398319000010.jpg］ （甲９オ） （甲９イ）の「日本人外科医の暗黙知をデータ化する」、（甲９ウ）の「人工知能が術者の目となって、切除ラインを決定するために必要な種々のランドマークを術中に教示するという次世代型内視鏡システム」、及び（甲９エ）左下欄の「ランドマークを暗黙知する内視鏡外科医の教師データ創出と人工知能による術中教示システムの開発」という記載から、人工知能が術者の目となって、切除ラインを決定するために必要な種々のランドマークを術中に教示する内視鏡システムにおいて、日本人外科医の暗黙知であるランドマークをデータ化した教師データに基づく人工知能を備えていることが読み取れる。 （甲９カ） （甲９エ）右下の「種々のランドマークを術中教示するシステム」を説明する図において、処置具が含まれることから、人工知能に基づき予測した３つのランドマークが、臓器・組織の画像上に各々重畳された異なる位置・大きさの赤、青、緑の矩形枠として表示されていることが見て取れる。 １０ 甲１０について 甲１０には、以下の記載がある。 （甲１０ア） 「[0005] また、例えばカプセル型内視鏡のようにインターバル撮影された画像群の場合、胃の幽門や大腸の回盲弁等のランドマークが写っている画像と写っていない画像とが存在する。そのため、ランドマークの学習用画像が不足するという問題点があった。」 （甲１０イ） 「[0014]（実施の形態１） 〔学習システムの構成〕 図１は、本発明の実施の形態１に係る学習システムの構成を示すブロック図である。本実施の形態１に係る学習システム１は、一例として、被検体に挿入することによって被検体の体内を撮像する消化器内視鏡（軟性内視鏡や硬性内視鏡等の内視鏡スコープ）および被写体に飲み込まれて所定時間後に排出されるカプセル型内視鏡によって、被検体の管腔を撮像することにより取得された管腔内画像に基づいて学習を行う学習処理、認識を行う認識処理、胃の幽門や大腸の回盲弁等の臓器区分を表すランドマークの位置や臓器区分を分類するランドマーク処理を実行するシステムである。」 （甲１０ウ） 「[0016] 〔消化器内視鏡画像データベース〕 消化器内視鏡画像データベース２は、ハードディスク等の記録媒体を用いて構成される。消化器内視鏡画像データベース２は、被検体に挿入可能な消化器内視鏡が第１フレームレートによって撮像した画像データ群（以下、「第１画像群」という）を記録するとともに、ランドマークを認識するための正解ラベル（以下、「第１正解ラベル」という）を記録する。ここで、第１フレームレートとは、例えば６０ｆｐｓまたは３０ｆｐｓのいずれかである。また、第１正解ラベルとは、画像認識装置４にランドマークを学習させるために消化器内視鏡によって撮像された画像群からランドマークが写る画像とそうでない画像を予め選択し、それぞれに付与した識別子（例えば：＋１、－１）のことである。」 （甲１０エ） 「[0042] このように画像認識装置４は、ＣＮＮ５０が消化器内視鏡画像群と第１正解ラベルとを用いて、消化器内視鏡画像群と第１正解ラベルとの誤差を小さくする誤差逆伝搬法によってパラメータの重みを更新するプレトレーニング（第１の学習）を行った後、ＣＮＮ５０がカプセル型内視鏡画像群と第２正解ラベルとを用いて、カプセル型内視鏡画像群と第２正解ラベルとの誤差を小さくする誤差逆伝搬法によってパラメータを更新するファインチューニング（第２の学習）を行う。その後、ＣＮＮ５０は、ＣＮＮ５０の中間出力をカプセル型内視鏡画像群のＣＮＮ特徴量として抽出する。続いて、ＳＶＭ５２は、ＣＮＮ５０によって抽出されたＣＮＮ特徴量と第２正解ラベルとを用いてカプセル型内視鏡画像群に対する入力画像の識別または認識対象物の検出を学習する（第３の学習）。そして、ＳＶＭ５２は、取得部４１から入力される未知のカプセル型内視鏡画像群に対して分類または認識対象物の検出を行う。これにより、学習用画像が不足する認識対象に対して、高精度の画像認識を実現することができる。」 第５ 当審の判断 １ 本件発明１について （１）対比 本件発明１と甲１発明とを対比する。 ア （ア）甲１発明の「対象領域抽出部２」、「ニューラルネットワーク３」部及び「目的部位認識部４」を併せた部分は、「得られた画像についてある特定の目的部位を認識して抽出する」ための一連の処理を行う部分であるから、本件発明１の「処理部」に相当する。 （イ）甲１発明の前記併せた部分の「ニューラルネットワーク３」部が、「目的部位」「に近似した大局情報を予測して出力」することは、「目的部位」「に近似した大局情報を」検出処理することであるから、本件発明１の「検出処理を行う」ことに相当する。 （ウ）甲１発明の「ニューラルネットワーク３における」「図６に示すベクトルと行列の関係として表現された入出力関係は、アナログ出力用のバックプロパゲーションのアルゴリズムを示して」いることから、甲１発明の「ニューラルネットワーク３」は、「図６に示す」「アルゴリズム」に従って学習されたものといえる。よって、甲１発明の「図６に示す」「アルゴリズム」に従って学習された「ニューラルネットワーク３」は、本件発明１の「学習済みモデル」に相当する。 （エ）上記（ア）～（ウ）の対比を踏まえると、甲１発明の「ニューラルネットワーク３」部が、「図６に示す」「アルゴリズム」に従って学習された「ニューラルネットワーク３」に基づき、「目的部位」「に近似した大局情報を予測して出力」する、「対象領域抽出部２」、「ニューラルネットワーク３」部及び「目的部位認識部４」を併せた部分は、本件発明１の「学習済みモデルに基づく検出処理を行う処理部」に相当する。 イ 上記ア（ウ）の対比を踏まえると、甲１発明の「医用画像診断装置」が、「図６に示す」「アルゴリズム」に従って学習された「ニューラルネットワーク３」に基づく処理を行う「ニューラルネットワーク３」部を備えていることから、甲１発明が、本件発明１の「学習済みモデルを記憶する記憶部」に相当する構成を備えていることは明らかである。 ウ 上記ア（ウ）の対比を踏まえると、甲１発明の「図６に示す」「アルゴリズム」に従って学習された「ニューラルネットワーク３」は、「Ｔk：出力層Ｏの神経素子ｋに対する教師信号」に基づいて学習された「ニューラルネットワーク３」であることと、本件発明１の「前記学習済みモデルは、画像中に明確な位置形状が表示されない対象物が画角内に入るように撮像された学習用画像に対して、前記対象物の位置形状を示すアノテーションが付された教師データに基づいて、前記学習用画像における前記対象物の位置形状を出力するように学習された学習済みモデルであ」ることとは、「前記学習済みモデルは、教師データに基づいて学習された学習済みモデルであ」る点で共通する。 エ （ア）甲１発明の「目的部位」は、本件発明１の「対象物」に相当するところ、甲１発明の「原画像供給部１」である「超音波診断装置又はＸ線ＣＴ装置あるいは磁気共鳴イメージング装置などにおいて」「撮影」された、「目的部位」を含む「被検体内の診断部位」の「原画像」は、本件発明１の「対象物が画角内に入るように撮像された検出用画像」に相当する。 （イ）甲１発明では、「いま、特定の目的部位を例えば心臓の左心室内腔とすると、原画像供給部１からの画像データは、目的部位認識部４を介して画像表示部５へ送られ、その画面には心臓の画像が表示され、 これと同時に、原画像供給部１からの画像データは、対象領域抽出部２へ入力し、この対象領域抽出部２では、上記表示された画像の特徴量により例えば心臓外壁をとらえ、その周りに対象領域外形線を描き、 次に、対象領域抽出部２からの対象領域外形線１２のデータは、ニューラルネットワーク３へ入力し、このニューラルネットワーク３では、目的部位としての左心室内腔に近似した大局情報を予測して出力し、 次に、ニューラルネットワーク３で予測された大局情報１３は、目的部位認識部４へ入力し、この目的部位認識部４では、原画像供給部１から入力する画像データについて大局情報１３をガイドとして目的部位としての左心室内腔の輪郭を認識して抽出し、 目的部位認識部４で抽出された認識結果の目的部位１４を示すデータは、後段の画像表示部５へ入力し、その画面に原画像供給部１からの原画像と共に表示される」ことから、前記ア（ア）・（イ）及び前記（ア）の対比を踏まえると、 甲１発明の「対象領域抽出部２」、「ニューラルネットワーク３」部及び「目的部位認識部４」を併せた部分は、「原画像供給部１」である「超音波診断装置又はＸ線ＣＴ装置あるいは磁気共鳴イメージング装置などにおいて」「撮影」された、「目的部位」を含む「被検体内の診断部位」の「原画像」に対して、前記併せた部分の「ニューラルネットワーク３」部で「目的部位」「に近似した大局情報を予測して出力し」、前記併せた部分の「目的部位認識部４」で「大局情報１３をガイドとして目的部位」「の輪郭を認識し」、「認識結果の目的部位１４を示すデータは、後段の画像表示部５」「の画面に原画像供給部１からの原画像と共に表示される」ことと、 本件発明１の「前記処理部は、前記対象物が画角内に入るように撮像された検出用画像に対して前記検出処理を行うことで、前記対象物の位置形状を示す検出情報を出力し、前記検出情報を前記検出用画像に重畳して表示部に表示させる」こととは、 「前記処理部は、対象物が画角内に入るように撮像された検出用画像に対して前記検出処理を行うことで、前記対象物の位置形状に関連した検出情報（甲１発明では「大局情報１３」が対応）を出力する、及び前記対象物の位置形状を示す検出情報（甲１発明では「目的部位」「の輪郭を認識し」、「認識結果の目的部位１４を示すデータ」が対応）を前記検出用画像に重畳して表示部に表示させる」点で共通する。 オ 甲１発明の「医用画像診断装置」は、「情報処理の機能を実現する」「ニューラルネットワーク３」部を含むことから、本件発明１の「情報処理システム」に相当する。 （２）一致点・相違点 すると、本件発明１と甲１発明とは、次の点で一致し、次の各点で相違する。 （一致点） 「学習済みモデルを記憶する記憶部と、 前記学習済みモデルに基づく検出処理を行う処理部と、 を含み、 前記学習済みモデルは、 教師データに基づいて学習された学習済みモデルであり、 前記処理部は、 対象物が画角内に入るように撮像された検出用画像に対して前記検出処理を行うことで、前記対象物の位置形状に関連した検出情報を出力する、及び前記対象物の位置形状を示す検出情報を前記検出用画像に重畳して表示部に表示させる、情報処理システム。」 （相違点１） 本件発明１では、学習済みモデルは、「画像中に明確な位置形状が表示されない対象物が画角内に入るように撮像された学習用画像に対して、前記対象物の位置形状を示すアノテーションが付された」教師データに基づいて、「前記学習用画像における前記対象物の位置形状を出力するように」学習された学習済みモデルであり、処理部は、前記検出処理（学習済みモデルに基づく検出処理）を行うことで、「前記対象物（画像中に明確な位置形状が表示されない対象物）の位置形状を示す」検出情報を出力するのに対し、甲１発明では、「図６に示す」「アルゴリズム」に従って学習された「ニューラルネットワーク３」は、「Ｔk：出力層Ｏの神経素子ｋに対する教師信号」に基づいて学習された「ニューラルネットワーク３」であるものの、前記「教師信号」がどのような信号であるか、前記学習された「ニューラルネットワーク３」がどのような信号を出力するのか、不明であり、また、「対象領域抽出部２」、「ニューラルネットワーク３」部及び「目的部位認識部４」を併せた部分は、前記併せた部分の「ニューラルネットワーク３」部で「目的部位」「に近似した大局情報を予測して出力」するものの、前記「大局情報」は、「目的部位」「の輪郭」「を示すデータ」ではない点。 （相違点２） 本件発明１では、処理部は、「前記検出情報（学習済みモデルに基づく検出処理を行うことで出力された、画像中に明確な位置形状が表示されない対象物の位置形状を示す検出情報）」を検出用画像に重畳して表示させるのに対し、甲１発明では、「対象領域抽出部２」、「ニューラルネットワーク３」部及び「目的部位認識部４」を併せた部分は、前記併せた部分の「目的部位認識部４で」、「ニューラルネットワーク３」部が「予測」した「大局情報１３をガイドとして目的部位」「の輪郭を認識し」、「認識結果の目的部位１４を示すデータ」を、「後段の画像表示部５」「の画面に原画像供給部１からの原画像と共に表示」させるものであり、すなわち、「原画像と共に表示」させるのは、「目的部位認識部４で」「認識」した「目的部位」「の輪郭」「を示すデータ」であって、「ニューラルネットワーク３」部で「予測」した「目的部位」「に近似した大局情報」ではない点。 （３）判断 前記相違点１について検討する。 ア 甲９（第４の９参照）には、「人工知能が術者の目となって、切除ラインを決定するために必要な種々のランドマークを術中に教示する内視鏡システムにおいて、日本人外科医の暗黙知であるランドマークをデータ化した教師データに基づく人工知能を備え、人工知能に基づき予測した３つのランドマークが、臓器・組織の画像上に各々重畳された、異なる位置・大きさの赤、青、緑の矩形枠として表示される」という技術的事項が記載されている。 しかし、甲９に記載された技術的事項において、教師データとした暗黙知のランドマークが、「画像中に明確な位置形状が表示されない対象物」であるとまではいえないことから、人工知能に基づき予測した３つのランドマークとして表示される、赤、青、緑の矩形枠が、「画像中に明確な位置形状が表示されない」「対象物の位置形状を示す検出情報」であるとはいえない。 仮にそうであるとしても、甲９に記載された技術的事項においては、教師データが、暗黙知のランドマークをデータ化したものである旨の記載にとどまることから、教師データが、「画像中に明確な位置形状が表示されない対象物が画角内に入るように撮像された学習用画像に対して、前記対象物の位置形状を示すアノテーションが付された」ものであるとはいえない。 したがって、甲９には、前記相違点１に係る本件発明１の構成について記載されているとはいえない。 イ また、甲７（第４の７参照）には、「2639の胃癌病変に関する13,584枚の画像が学習データセットとして収集され、日本消化器内視鏡学会の認定トレーナーである著者(TH)は、長方形のフレームを使用してがん病変の範囲をマークし、CNNによってマークされた、胃がんが疑われる病変の範囲を示す黄色い長方形の枠と、内視鏡医ががんの位置を手動でマークした緑色の長方形の枠とを、中体部の小弯の同じ画像に表示する」という技術的事項が記載されている。 しかし、甲７に記載された技術的事項においては、内視鏡医が手動でマークした病変、及びCNNによってマークされた病変が、「画像中に明確な位置形状が表示されない対象物」であるとまではいえないことから、黄色い長方形の枠が、「画像中に明確な位置形状が表示されない」「対象物の位置形状を示す検出情報」であるとはいえず、また、学習データセットが、「画像中に明確な位置形状が表示されない対象物が画角内に入るように撮像された学習用画像に対して、前記対象物の位置形状を示すアノテーションが付された」ものであるともいえない。 したがって、甲７には、前記相違点１に係る本件発明１の構成について記載されているとはいえない。 ウ そして、甲２～６、８及び１０には、前記相違点１に係る本件発明１の構成について記載も示唆もされていないし、前記相違点１に係る本件発明１の構成が、本件出願時における周知技術といえる証拠もない。 エ よって、前記相違点１に係る本件発明１の構成は、甲１発明及び甲２～１０に記載された技術的事項に基づいて当業者が容易に想到し得ることではない。 （４）小括 したがって、本件発明１は、他の相違点について検討するまでもなく、甲１発明及び甲２～１０に記載された技術的事項に基づいて当業者が容易に発明をすることができたものとはいえない。 ２ 本件発明２について 本件発明２は、本件発明１を減縮した発明であり、前記相違点１に係る本件発明１の構成を備えるものであるから、本件発明２は、本件発明１と同じ理由により、甲１発明及び甲２～１０に記載された技術的事項に基づいて当業者が容易に発明をすることができたものとはいえない。 ３ 本件発明１４について （１）対比 本件発明１４と甲１発明とを対比する（詳細は、必要に応じて前記１（１）を参照）。 ア 甲１発明の「ニューラルネットワーク３」部が、「図６に示す」「アルゴリズム」に従って学習された「ニューラルネットワーク３」に基づき、「目的部位」「に近似した大局情報を予測して出力」する、「対象領域抽出部２」、「ニューラルネットワーク３」部及び「目的部位認識部４」を併せた部分は、本件発明１４の「学習済みモデルに基づく検出処理を行う処理部」に相当する。 イ 甲１発明が、本件発明１４の「学習済みモデルを記憶する記憶部」に相当する構成を備えていることは明らかである。 ウ 甲１発明の「図６に示す」「アルゴリズム」に従って学習された「ニューラルネットワーク３」は、「Ｔk：出力層Ｏの神経素子ｋに対する教師信号」に基づいて学習された「ニューラルネットワーク３」であることと、本件発明１４の「前記学習済みモデルは、内視鏡手術の手順において用いられるランドマークが画角内に入るように撮像された学習用画像に対して、前記ランドマークの位置形状を示すアノテーションが付された教師データに基づいて、前記学習用画像における前記ランドマークの位置形状を出力するように学習された学習済みモデルであ」ることとは、「前記学習済みモデルは、教師データに基づいて学習された学習済みモデルであ」る点で共通する。 エ （ア）甲１発明の「目的部位」は、画像中の注目すべき目印という見方もできることから、本件発明１４の「ランドマーク」に相当するといえるところ、甲１発明の「原画像供給部１」である「超音波診断装置又はＸ線ＣＴ装置あるいは磁気共鳴イメージング装置などにおいて」「撮影」された、「目的部位」を含む「被検体内の診断部位」の「原画像」は、本件発明１４の「ランドマークが画角内に入るように撮像された検出用画像」に相当する。 （イ）甲１発明では、「いま、特定の目的部位を例えば心臓の左心室内腔とすると、原画像供給部１からの画像データは、目的部位認識部４を介して画像表示部５へ送られ、その画面には心臓の画像が表示され、 これと同時に、原画像供給部１からの画像データは、対象領域抽出部２へ入力し、この対象領域抽出部２では、上記表示された画像の特徴量により例えば心臓外壁をとらえ、その周りに対象領域外形線を描き、 次に、対象領域抽出部２からの対象領域外形線１２のデータは、ニューラルネットワーク３へ入力し、このニューラルネットワーク３では、目的部位としての左心室内腔に近似した大局情報を予測して出力し、 次に、ニューラルネットワーク３で予測された大局情報１３は、目的部位認識部４へ入力し、この目的部位認識部４では、原画像供給部１から入力する画像データについて大局情報１３をガイドとして目的部位としての左心室内腔の輪郭を認識して抽出し、 目的部位認識部４で抽出された認識結果の目的部位１４を示すデータは、後段の画像表示部５へ入力し、その画面に原画像供給部１からの原画像と共に表示される」ことから、前記ア及び前記（ア）の対比を踏まえると、 甲１発明の「対象領域抽出部２」、「ニューラルネットワーク３」部及び「目的部位認識部４」を併せた部分は、「原画像供給部１」である「超音波診断装置又はＸ線ＣＴ装置あるいは磁気共鳴イメージング装置などにおいて」「撮影」された、「目的部位」を含む「被検体内の診断部位」の「原画像」に対して、前記併せた部分の「ニューラルネットワーク３」部で「目的部位」「に近似した大局情報を予測して出力し」、前記併せた部分の「目的部位認識部４」で「大局情報１３をガイドとして目的部位」「の輪郭を認識し」、「認識結果の目的部位１４を示すデータは、後段の画像表示部５」「の画面に原画像供給部１からの原画像と共に表示される」ことと、 本件発明１４の「前記処理部は、前記ランドマークが画角内に入るように撮像された検出用画像に対して前記検出処理を行うことで、前記ランドマークの位置形状を示す検出情報を出力し、前記検出情報を前記検出用画像に重畳して表示部に表示させる」こととは、 「前記処理部は、ランドマークが画角内に入るように撮像された検出用画像に対して前記検出処理を行うことで、前記ランドマークの位置形状に関連した検出情報（甲１発明では「大局情報１３」が対応）を出力する、及び前記ランドマークの位置形状を示す検出情報（甲１発明では「目的部位」「の輪郭を認識し」、「認識結果の目的部位１４を示すデータ」が対応）を前記検出用画像に重畳して表示部に表示させる」点で共通する。 オ 甲１発明の「医用画像診断装置」は、「情報処理の機能を実現する」「ニューラルネットワーク３」部を含むことから、本件発明１４の「情報処理システム」に相当する。 （２）一致点・相違点 すると、本件発明１４と甲１発明とは、次の点で一致し、次の各点で相違する。 （一致点） 「学習済みモデルを記憶する記憶部と、 前記学習済みモデルに基づく検出処理を行う処理部と、 を含み、 前記学習済みモデルは、 教師データに基づいて学習された学習済みモデルであり、 前記処理部は、 ランドマークが画角内に入るように撮像された検出用画像に対して前記検出処理を行うことで、前記ランドマークの位置形状に関連した検出情報を出力する、及び前記ランドマークの位置形状を示す検出情報を前記検出用画像に重畳して表示部に表示させる、情報処理システム。」 （相違点３） 本件発明１４は、学習済みモデルは、「内視鏡手術の手順において用いられるランドマークが画角内に入るように撮像された学習用画像に対して、前記ランドマークの位置形状を示すアノテーションが付された」教師データに基づいて、「前記学習用画像における前記ランドマークの位置形状を出力するように」学習された学習済みモデルであり、処理部は、前記検出処理（学習済みモデルに基づく検出処理）を行うことで、「前記ランドマーク（内視鏡手術の手順において用いられるランドマーク）の位置形状を示す」検出情報を出力するのに対し、甲１発明では、「図６に示す」「アルゴリズム」に従って学習された「ニューラルネットワーク３」は、「Ｔk：出力層Ｏの神経素子ｋに対する教師信号」に基づいて学習された「ニューラルネットワーク３」であるものの、前記「教師信号」がどのような信号であるか、前記学習された「ニューラルネットワーク３」がどのような信号を出力するのか、不明であり、また、「対象領域抽出部２」、「ニューラルネットワーク３」部及び「目的部位認識部４」を併せた部分は、前記併せた部分の「ニューラルネットワーク３」部で「目的部位」「に近似した大局情報を予測して出力」するものの、前記「大局情報」は、「目的部位」「の輪郭」「を示すデータ」ではない点。 （相違点４） 本件発明１４では、処理部は、「前記検出情報（学習済みモデルに基づく検出処理を行うことで出力された、内視鏡手術の手順において用いられるランドマークの位置形状を示す検出情報）」を検出用画像に重畳して表示させるのに対し、甲１発明では、「対象領域抽出部２」、「ニューラルネットワーク３」部及び「目的部位認識部４」を併せた部分は、前記併せた部分の「目的部位認識部４で」、「ニューラルネットワーク３」部が「予測」した「大局情報１３をガイドとして目的部位」「の輪郭を認識し」、「認識結果の目的部位１４を示すデータ」を、「後段の画像表示部５」「の画面に原画像供給部１からの原画像と共に表示」させるものであり、すなわち、「原画像と共に表示」させるのは、「目的部位認識部４で」「認識」した「目的部位」「の輪郭」「を示すデータ」であって、「ニューラルネットワーク３」部で「予測」した「目的部位」「に近似した大局情報」ではない点。 （３）判断 前記相違点３について検討する。 ア 甲９に記載された技術的事項（前記１（３）ア参照）においては、内視鏡システムにおいて人工知能が術者の目となって、切除ラインを決定するために必要な種々のランドマークが、「内視鏡手術の『手順』において用いられるランドマーク」であるとまではいえないことから、人工知能に基づき予測した３つのランドマークとして表示される、赤、青、緑の矩形枠が、「内視鏡手術の手順において用いられるランドマークの位置形状を示す検出情報」であるとはいえない。 仮にそうであるとしても、甲９に記載された技術的事項においては、教師データが、暗黙知のランドマークをデータ化したものである旨の記載にとどまることから、教師データが、「内視鏡手術の手順において用いられるランドマークが画角内に入るように撮像された学習用画像に対して、前記ランドマークの位置形状を示すアノテーションが付された」ものであるとはいえない。 したがって、甲９には、前記相違点３に係る本件発明１の構成について記載されているとはいえない。 イ また、甲２～８及び１０には、前記相違点３に係る本件発明１４の構成について記載も示唆もされていないし、前記相違点３に係る本件発明１４の構成が、本件出願時における周知技術といえる証拠もない。 ウ よって、前記相違点３に係る本件発明１４の構成は、甲１発明及び甲２～１０に記載された技術的事項に基づいて当業者が容易に想到し得ることではない。 （４）小括 したがって、本件発明１４は、他の相違点について検討するまでもなく、甲１発明及び甲２～１０に記載された技術的事項に基づいて当業者が容易に発明をすることができたものとはいえない。 ４ 本件発明１６及び１８について 本件発明１６及び１８は、本件発明１に対応する、コンピュータを機能させる学習済みモデル及び情報処理方法の発明であり、前記相違点１に係る本件発明１の構成に対応する構成を備えるものである。 よって、本件発明１６及び１８は、本件発明１と同じ理由により、甲１発明及び甲２～１０に記載された技術的事項に基づいて当業者が容易に発明をすることができたものとはいえない。 第６ むすび 以上のとおりであるから、特許異議申立書に記載した申立理由及び証拠によっては、本件請求項１、２、１４、１６及び１８に係る特許を取り消すことはできない。 また、他に本件請求項１、２、１４、１６及び１８に係る特許を取り消すべき理由を発見しない。 よって、結論のとおり決定する。