特開 2022-122131 運動器疾患予測装置、方法およびプログラム、学習装置、方法およびプログラム並びに学習済みニューラルネットワーク

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022122131

(43)【公開日】2022-08-22

(54)【発明の名称】運動器疾患予測装置、方法およびプログラム、学習装置、方法およびプログラム並びに学習済みニューラルネットワーク

(51)【国際特許分類】

   A61B 6/00 20060101AFI20220815BHJP

   G06T 7/00 20170101ALI20220815BHJP

   G06N 3/02 20060101ALI20220815BHJP

【ＦＩ】

A61B6/00 333

A61B6/00 360Z

G06T7/00 350C

G06N3/02

【審査請求】未請求

【請求項の数】16

【出願形態】ＯＬ

(21)【出願番号】P 2021019232

(22)【出願日】2021-02-09

(71)【出願人】

【識別番号】306037311

【氏名又は名称】富士フイルム株式会社

(74)【代理人】

【識別番号】110001519

【氏名又は名称】特許業務法人太陽国際特許事務所

(72)【発明者】

【氏名】川村 隆浩

【テーマコード（参考）】

4C093

5L096

【Ｆターム（参考）】

4C093AA01

4C093CA37

4C093FF16

4C093FF23

4C093FF25

4C093FF28

4C093FF34

4C093FF37

4C093FG04

4C093FH06

4C093FH07

4C093FH09

5L096BA06

5L096BA13

5L096DA01

5L096FA02

5L096GA30

5L096HA11

5L096KA04

5L096KA15

(57)【要約】

【課題】運動器疾患予測装置、方法およびプログラム、学習装置、方法およびプログラム並びに予測モデルにおいて、運動器の疾患を高精度で予測できるようにする。
【解決手段】少なくとも１つのプロセッサを備え、プロセッサは、エネルギー分布が異なる放射線により骨部および軟部を含む被写体を撮影することにより取得された第１の放射線画像および第２の放射線画像から、被写体に含まれる骨のうちの対象骨の骨塩量、対象骨の周囲の筋肉量、対象骨の形状を表す形状情報、および対象骨に隣接する骨の形状を表す形状情報を導出する。プロセッサは、対象骨の骨塩量、対象骨の周囲の筋肉量、対象骨の形状情報、および対象骨に隣接する骨の形状情報から、対象骨に関する運動器疾患が発生する確率を導出する。
【選択図】図３

【特許請求の範囲】

【請求項1】

少なくとも１つのプロセッサを備え、
前記プロセッサは、
エネルギー分布が異なる放射線により骨部および軟部を含む被写体を撮影することにより取得された第１の放射線画像および第２の放射線画像から、前記被写体に含まれる骨のうちの対象骨の骨塩量、前記対象骨の周囲の筋肉量、前記対象骨の形状を表す形状情報、および前記対象骨に隣接する骨の形状を表す形状情報を導出し、
前記対象骨の骨塩量、前記対象骨の周囲の筋肉量、前記対象骨の形状情報、および前記対象骨に隣接する骨の形状情報から、前記対象骨に関連する運動器疾患が発生する確率を導出する運動器疾患予測装置。

【請求項2】

前記プロセッサは、人体に含まれる骨のうちの前記対象骨の骨塩量、前記対象骨の周囲の筋肉量、前記対象骨の形状を表す形状情報、および前記対象骨に隣接する骨の形状を表す形状情報、並びに前記対象骨に関する運動器疾患が発生する確率を表す正解データを、教師データとして用いて機械学習された学習済みニューラルネットワークとして機能する請求項１に記載の運動器疾患予測装置。

【請求項3】

前記プロセッサは、前記導出された運動器疾患の発生確率をディスプレイに表示する請求項１または２に記載の運動器疾患予測装置。

【請求項4】

前記プロセッサは、骨塩量および筋肉量の少なくとも一方と運動器疾患の発生確率との関係を表すグラフを表示し、
前記グラフ上において、前記導出された運動器疾患の発生確率を表すプロットと、発生確率または骨塩量および筋肉量の少なくとも一方を変化させたプロットとをさらに表示する請求項３に記載の運動器疾患予測装置。

【請求項5】

前記変化させた値は、前記骨塩量および前記筋肉量の少なくとも一方の目標値または前記運動器疾患の発生確率の目標値である請求項４に記載の運動器疾患予測装置。

【請求項6】

前記プロセッサは、前記骨塩量および前記筋肉量の少なくとも一方を前記目標値に到達させるための医療介入の選択肢、または前記運動器疾患を前記目標値に到達させるための医療介入の選択肢をさらに表示する請求項５に記載の運動器疾患予測装置。

【請求項7】

前記医療介入は前記対象骨に関連する筋肉を鍛えるための運動方法である請求項６に記載の運動器疾患予測装置。

【請求項8】

前記対象骨が大腿骨である請求項１から７のいずれか１項に記載の運動器疾患予測装置。

【請求項9】

前記対象骨が椎骨である請求項１から７のいずれか１項に記載の運動器疾患予測装置。

【請求項10】

前記運動器疾患が、骨折および脱臼の少なくとも一方である請求項１から９のいずれか１項に記載の運動器疾患予測装置。

【請求項11】

少なくとも１つのプロセッサを備え、
前記プロセッサは、
人体に含まれる骨のうちの対象骨の骨塩量、前記対象骨の周囲の筋肉量、前記対象骨の形状を表す形状情報、および前記対象骨に隣接する骨の形状を表す形状情報、並びに前記対象骨に関連する運動器疾患が発生する確率を表す正解データを教師データとして用いてニューラルネットワークを機械学習することにより、前記対象骨の骨塩量、前記対象骨の周囲の筋肉量、前記対象骨の形状情報、および前記対象骨に隣接する骨の形状情報が入力されると、前記運動器疾患が発生する確率を出力する学習済みニューラルネットワークを構築する学習装置。

【請求項12】

エネルギー分布が異なる放射線により骨部および軟部を含む被写体を撮影することにより取得された第１の放射線画像および第２の放射線画像から、前記被写体に含まれる骨のうちの対象骨の骨塩量、前記対象骨の周囲の筋肉量、前記対象骨の形状を表す形状情報、および前記対象骨に隣接する骨の形状を表す形状情報を導出し、
前記対象骨の骨塩量、前記対象骨の周囲の筋肉量、前記対象骨の形状情報、および前記対象骨に隣接する骨の形状情報から、前記対象骨に関連する運動器疾患が発生する確率を導出する運動器疾患予測方法。

【請求項13】

人体に含まれる骨のうちの対象骨の骨塩量、前記対象骨の周囲の筋肉量、前記対象骨の形状を表す形状情報、および前記対象骨に隣接する骨の形状を表す形状情報、並びに前記対象骨に関連する運動器疾患が発生する確率を表す正解データを教師データとして用いてニューラルネットワークを機械学習することにより、前記対象骨の骨塩量、前記対象骨の周囲の筋肉量、前記対象骨の形状情報、および前記対象骨に隣接する骨の形状情報が入力されると、前記運動器疾患が発生する確率を出力する学習済みニューラルネットワークを構築する学習方法。

【請求項14】

エネルギー分布が異なる放射線により骨部および軟部を含む被写体を撮影することにより取得された第１の放射線画像および第２の放射線画像から、前記被写体に含まれる骨のうちの対象骨の骨塩量、前記対象骨の周囲の筋肉量、前記対象骨の形状を表す形状情報、および前記対象骨に隣接する骨の形状を表す形状情報を導出する手順と、
前記対象骨の骨塩量、前記対象骨の周囲の筋肉量、前記対象骨の形状情報、および前記対象骨に隣接する骨の形状情報から、前記対象骨に関連する運動器疾患が発生する確率を導出する手順とをコンピュータに実行させる運動器疾患予測プログラム。

【請求項15】

人体に含まれる骨のうちの対象骨の骨塩量、前記対象骨の周囲の筋肉量、前記対象骨の形状を表す形状情報、および前記対象骨に隣接する骨の形状を表す形状情報、並びに前記対象骨に関連する運動器疾患が発生する確率を表す正解データを教師データとして用いてニューラルネットワークを機械学習することにより、前記対象骨の骨塩量、前記対象骨の周囲の筋肉量、前記対象骨の形状情報、および前記対象骨に隣接する骨の形状情報が入力されると、前記運動器疾患が発生する確率を出力する学習済みニューラルネットワークを構築する手順をコンピュータに実行させる学習プログラム。

【請求項16】

人体に含まれる骨のうちの対象骨の骨塩量、前記対象骨の周囲の筋肉量、前記対象骨の形状を表す形状情報、および前記対象骨に隣接する骨の形状を表す形状情報が入力されると、前記対象骨に関連する運動器疾患が発生する確率を出力する学習済みニューラルネットワーク。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、運動器疾患予測装置、方法およびプログラム、学習装置、方法およびプログラム並びに学習済みニューラルネットワークに関する。

【背景技術】

【0002】

骨、関節および筋肉等の運動器に関する骨折および脱臼等の疾患は、患者が寝たきりとなる状態を引き起こす。とくに、股関節の脱臼、並びに大腿骨および椎骨の骨折は、患者が寝たきりとなる可能性が高い。寝たきりになった場合の５年生存率は、がんの５年生存率よりも低いことが知られている。このため、運動器の疾患、とくに骨折リスクを評価するための各種手法が提案されている。

【0003】

例えば特許文献１においては、放射線画像から骨量と骨構造とを取得し、ニューラルネットワークを用いて将来の骨折リスクを算出する手法が提案されている。また、特許文献２においては、ニューラルネットワークを用いて放射線画像から骨密度を推定し、推定結果と骨折確率を示す演算式とを用いて、骨折予測を行う手法が提案されている。また、特許文献３においては、放射線画像の画素毎に骨塩量および筋肉量を算出し、骨塩量および筋肉量に基づいて被写体に関する統計値を算出し、統計値に基づいて骨折リスクを評価する手法が提案されている

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特表平０９－５０８８１３号公報

【特許文献2】再公表２０２０－０５４７３８号公報

【特許文献3】国際公開第２０２０／１６６５６１号明細書

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、さらに高精度で運動器の疾患を予測することが望まれている。

【0006】

本開示は上記事情に鑑みなされたものであり、運動器の疾患を高精度で予測できるようにすることを目的とする。

【課題を解決するための手段】

【0007】

本開示による運動器疾患予測装置は、少なくとも１つのプロセッサを備え、
プロセッサは、エネルギー分布が異なる放射線により骨部および軟部を含む被写体を撮影することにより取得された第１の放射線画像および第２の放射線画像から、被写体に含まれる骨のうちの対象骨の骨塩量、対象骨の周囲の筋肉量、対象骨の形状を表す形状情報、および対象骨に隣接する骨の形状を表す形状情報を導出し、
対象骨の骨塩量、対象骨の周囲の筋肉量、対象骨の形状情報、および対象骨に隣接する骨の形状情報から、対象骨に関連する運動器疾患が発生する確率を導出する。

【0008】

なお、本開示による運動器疾患予測装置においては、プロセッサは、人体に含まれる骨のうちの対象骨の骨塩量、対象骨の周囲の筋肉量、対象骨の形状を表す形状情報、および対象骨に隣接する骨の形状を表す形状情報、並びに対象骨に関連する運動器疾患が発生する確率を表す正解データを、教師データとして用いて機械学習された学習済みニューラルネットワークとして機能するものであってもよい。

【0009】

なお、本開示による運動器疾患予測装置においては、プロセッサは、導出された運動器疾患の発生確率をディスプレイに表示するものであってもよい。

【0010】

また、本開示による運動器疾患予測装置においては、プロセッサは、骨塩量および筋肉量の少なくとも一方と運動器疾患の発生確率との関係を表すグラフを表示し、
グラフ上において、導出された運動器疾患の発生確率を表すプロットと、発生確率または骨塩量および筋肉量の少なくとも一方を変化させたプロットとをさらに表示するものであってもよい。

【0011】

また、本開示による運動器疾患予測装置においては、変化させた値は、骨塩量および筋肉量の少なくとも一方の目標値または運動器疾患の発生確率の目標値であってもよい。

【0012】

また、本開示による運動器疾患予測装置においては、プロセッサは、骨塩量および筋肉量の少なくとも一方を目標値に到達させるための医療介入の選択肢、または運動器疾患を目標値に到達させるための医療介入の選択肢をさらに表示するものであってもよい。

【0013】

また、本開示による運動器疾患予測装置においては、医療介入は対象骨に関連する筋肉を鍛えるための運動方法であってもよい。

【0014】

また、本開示による運動器疾患予測装置においては、対象骨が大腿骨であってもよい。

【0015】

また、本開示による運動器疾患予測装置においては、対象骨が椎骨であってもよい。

【0016】

また、本開示による運動器疾患予測装置においては、運動器疾患が、骨折および脱臼の少なくとも一方であってもよい。

【0017】

本開示による学習装置は、少なくとも１つのプロセッサを備え、
プロセッサは、人体に含まれる骨のうちの対象骨の骨塩量、対象骨の周囲の筋肉量、対象骨の形状を表す形状情報、および対象骨に隣接する骨の形状を表す形状情報、並びに対象骨に関連する運動器疾患が発生する確率を表す正解データを教師データとして用いてニューラルネットワークを機械学習することにより、対象骨の骨塩量、対象骨の周囲の筋肉量、対象骨の形状情報、および対象骨に隣接する骨の形状情報が入力されると、運動器疾患が発生する確率を出力する学習済みニューラルネットワークを構築する。

【0018】

本開示による運動器疾患予測方法は、エネルギー分布が異なる放射線により骨部および軟部を含む被写体を撮影することにより取得された第１の放射線画像および第２の放射線画像から、被写体に含まれる骨のうちの対象骨の骨塩量、対象骨の周囲の筋肉量、対象骨の形状を表す形状情報、および対象骨に隣接する骨の形状を表す形状情報を導出し、
対象骨の骨塩量、対象骨の周囲の筋肉量、対象骨の形状情報、および対象骨に隣接する骨の形状情報から、対象骨に関連する運動器疾患が発生する確率を導出する。

【0019】

本開示による学習方法は、人体に含まれる骨のうちの対象骨の骨塩量、対象骨の周囲の筋肉量、対象骨の形状を表す形状情報、および対象骨に隣接する骨の形状を表す形状情報、並びに対象骨に関連する運動器疾患が発生する確率を表す正解データを教師データとして用いてニューラルネットワークを機械学習することにより、対象骨の骨塩量、対象骨の周囲の筋肉量、対象骨の形状情報、および対象骨に隣接する骨の形状情報が入力されると、運動器疾患が発生する確率を出力する学習済みニューラルネットワークを構築する。

【0020】

なお、本開示による運動器疾患予測方法および学習方法を、コンピュータに実行させるためのプログラムとして提供してもよい。

【0021】

本開示による学習済みニューラルネットワークは、人体に含まれる骨のうちの対象骨の骨塩量、対象骨の周囲の筋肉量、対象骨の形状を表す形状情報、および対象骨に隣接する骨の形状を表す形状情報が入力されると、対象骨に関連する運動器疾患が発生する確率を出力する。

【発明の効果】

【0022】

本開示によれば、運動器の疾患を高精度で予測できる。

【図面の簡単な説明】

【0023】

【図1】本開示の実施形態による運動器疾患予測装置および学習装置を適用した放射線画像撮影システムの構成を示す概略ブロック図

【図2】本開示の実施形態による運動器疾患予測装置および学習装置の概略構成を示す図

【図3】本開示の実施形態による運動器疾患予測装置および学習装置の機能的な構成を示す図

【図4】情報導出部の機能的な構成を示す図

【図5】骨部画像を示す図

【図6】軟部画像を示す図

【図7】セグメンテーションの結果を示す図

【図8】大腿骨の関節部分を含む領域および骨盤の関節部分を含む領域の設定を説明するための図

【図9】対象骨の形状情報および対象骨に隣接する骨の形状情報を示す図

【図10】被写体の体厚に対する骨部と軟部とのコントラストの関係を示す図

【図11】ルックアップテーブルの一例を示す図

【図12】筋肉組織を透過後の放射線と脂肪組織を透過後の放射線とのエネルギースペクトルの一例を示す図

【図13】筋肉画像における大腿骨周辺の領域の設定を説明するための図

【図14】本実施形態において用いられるニューラルネットワークの概略構成を示す図

【図15】教師データを示す図

【図16】ニューラルネットワークの学習を説明するための図

【図17】表示画面を示す図

【図18】表示画面を示す図

【図19】本実施形態において行われる学習処理のフローチャート

【図20】本実施形態において行われる運動器疾患予測処理のフローチャート

【図21】本開示の他の実施形態による運動器疾患予測装置および学習装置を適用した放射線画像撮影システムの構成を示す概略ブロック図

【発明を実施するための形態】

【0024】

以下、図面を参照して本開示の実施形態について説明する。図１は本開示の実施形態による運動器疾患予測装置および学習装置を適用した放射線画像撮影システムの構成を示す概略ブロック図である。図１に示すように、本実施形態による放射線画像撮影システムは、撮影装置１と、本実施形態による運動器疾患予測装置および学習装置（以下、運動器疾患予測装置で代表させる場合があるものとする）１０とを備える。

【0025】

撮影装置１は、第１の放射線検出器５および第２の放射線検出器６に、放射線源３から発せられ、被写体Ｈを透過したＸ線等の放射線を、それぞれエネルギーを変えて照射するいわゆる１ショット法によるエネルギーサブトラクションを行うための撮影装置である。撮影時においては、図１に示すように、放射線源３に近い側から順に、第１の放射線検出器５、銅板等からなる放射線エネルギー変換フィルタ７、および第２の放射線検出器６を配置して、放射線源３を駆動させる。なお、第１および第２の放射線検出器５，６と放射線エネルギー変換フィルタ７とは密着されている。

【0026】

これにより、第１の放射線検出器５においては、いわゆる軟線も含む低エネルギーの放射線による被写体Ｈの第１の放射線画像Ｇ１が取得される。また、第２の放射線検出器６においては、軟線が除かれた高エネルギーの放射線による被写体Ｈの第２の放射線画像Ｇ２が取得される。第１および第２の放射線画像は、運動器疾患予測装置１０に入力される。第１の放射線画像Ｇ１および第２の放射線画像のいずれも、被写体Ｈの股間周辺を含む正面像である。

【0027】

第１および第２の放射線検出器５，６は、放射線画像の記録および読み出しを繰り返して行うことができるものであり、放射線の照射を直接受けて電荷を発生する、いわゆる直接型の放射線検出器を用いてもよいし、放射線を一旦可視光に変換し、その可視光を電荷信号に変換する、いわゆる間接型の放射線検出器を用いるようにしてもよい。また、放射線画像信号の読出方式としては、ＴＦＴ（thin film transistor）スイッチをオン・オフさせることによって放射線画像信号が読み出される、いわゆるＴＦＴ読出方式のもの、または読取り光を照射することによって放射線画像信号が読み出される、いわゆる光読出方式のものを用いることが望ましいが、これに限らずその他のものを用いるようにしてもよい。

【0028】

なお、運動器疾患予測装置１０は、不図示のネットワークを介して画像保存システム９と接続されている。

【0029】

画像保存システム９は、撮影装置１により撮影された放射線画像の画像データを保存するシステムである。画像保存システム９は、保存している放射線画像から、運動器疾患予測装置１０からの要求に応じた画像を取り出して、要求元の装置に送信する。画像保存システム９の具体例としては、ＰＡＣＳ（Picture Archiving and Communication Systems）が挙げられる。

【0030】

次いで、本実施形態に係る運動器疾患予測装置について説明する。まず、図２を参照して、本実施形態に係る運動器疾患予測装置のハードウェア構成を説明する。図２に示すように、運動器疾患予測装置１０は、ワークステーション、サーバコンピュータおよびパーソナルコンピュータ等のコンピュータであり、ＣＰＵ（Central Processing Unit）１１、不揮発性のストレージ１３、および一時記憶領域としてのメモリ１６を備える。また、運動器疾患予測装置１０は、液晶ディスプレイ等のディスプレイ１４、キーボードおよびマウス等の入力デバイス１５、並びに不図示のネットワークに接続されるネットワークＩ／Ｆ（InterFace）１７を備える。ＣＰＵ１１、ストレージ１３、ディスプレイ１４、入力デバイス１５、メモリ１６およびネットワークＩ／Ｆ１７は、バス１８に接続される。なお、ＣＰＵ１１は、本開示におけるプロセッサの一例である。

【0031】

ストレージ１３は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、およびフラッシュメモリ等によって実現される。記憶媒体としてのストレージ１３には、運動器疾患予測装置１０にインストールされた運動器疾患予測プログラム１２Ａおよび学習プログラム１２Ｂが記憶される。ＣＰＵ１１は、ストレージ１３から運動器疾患予測プログラム１２Ａおよび学習プログラム１２Ｂを読み出してメモリ１６に展開し、展開した運動器疾患予測プログラム１２Ａおよび学習プログラム１２Ｂを実行する。

【0032】

なお、運動器疾患予測プログラム１２Ａおよび学習プログラム１２Ｂは、ネットワークに接続されたサーバコンピュータの記憶装置、あるいはネットワークストレージに、外部からアクセス可能な状態で記憶され、要求に応じて運動器疾患予測装置１０を構成するコンピュータにダウンロードされ、インストールされる。または、ＤＶＤ（Digital Versatile Disc）、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）等の記録媒体に記録されて配布され、その記録媒体から運動器疾患予測装置１０を構成するコンピュータにインストールされる。

【0033】

次いで、本実施形態による運動器疾患予測装置および学習装置の機能的な構成を説明する。図３は、本実施形態による運動器疾患予測装置および学習装置の機能的な構成を示す図である。図３に示すように、運動器疾患予測装置１０は、画像取得部２１、情報取得部２２、情報導出部２３、確率導出部２４、学習部２５および表示制御部２６を備える。そして、ＣＰＵ１１は、運動器疾患予測プログラム１２Ａを実行することにより、画像取得部２１、情報取得部２２、情報導出部２３、確率導出部２４、および表示制御部２６として機能し、さらには後述する学習済みニューラルネットワーク２４Ａとして機能する。また、ＣＰＵ１１は、学習プログラム１２Ｂを実行することにより、学習部２５として機能する。

【0034】

画像取得部２１は、撮影装置１に被写体Ｈの撮影を行わせることにより、第１および第２の放射線検出器５，６から、被写体Ｈの股間付近の正面像である第１の放射線画像Ｇ１および第２の放射線画像Ｇ２を取得する。第１の放射線画像Ｇ１および第２の放射線画像Ｇ２の取得に際しては、撮影線量、菅電圧、放射線源３と第１および第２の放射線検出器５，６の表面との距離であるＳＩＤ（Source Image receptor Distance）、放射線源３と被写体Ｈの表面との距離であるＳＯＤ（Source Object Distance）、並びに散乱線除去グリッドの有無などの撮影条件が設定される。

【0035】

ＳＯＤおよびＳＩＤについては、後述するように体厚分布の算出に用いられる。ＳＯＤについては、例えば、ＴＯＦ（Time Of Flight）カメラで取得することが好ましい。ＳＩＤについては、例えば、ポテンショメーター、超音波距離計およびレーザー距離計等で取得することが好ましい。

【0036】

撮影条件は、操作者による入力デバイス１５からの入力により設定すればよい。設定された撮影条件は、ストレージ１３に保存される。なお、本実施形態においては、運動器疾患予測プログラム１２Ａとは別個のプログラムにより第１および第２の放射線画像Ｇ１，Ｇ２を取得してストレージ１３に保存するようにしてもよい。この場合、画像取得部２１は、ストレージ１３に保存された第１および第２の放射線画像Ｇ１，Ｇ２を処理のためにストレージ１３から読み出すことにより取得する。

【0037】

情報取得部２２は、画像保存システム９からネットワークＩ／Ｆ１７を介して、後述するニューラルネットワークを学習するための教師データを取得する。

【0038】

情報導出部２３は、被写体Ｈに含まれる骨のうちの対象骨の骨塩量、対象骨の周囲の筋肉量、対象骨の形状を表す形状情報、および対象骨に隣接する骨の形状を表す形状情報を導出する。本実施形態においては、対象骨を大腿骨とする。

【0039】

図４は情報導出部２３の構成を示す概略ブロック図である。図４に示すように，情報導出部２３は、散乱線除去部３１、画像導出部３２、セグメンテーション部３３、骨塩量導出部３４および筋肉量導出部３５を備える。ＣＰＵ１１は、運動器疾患予測プログラム１２Ａを実行することにより、散乱線除去部３１、画像導出部３２、セグメンテーション部３３、骨塩量導出部３４および筋肉量導出部３５として機能する。

【0040】

ここで、第１の放射線画像Ｇ１および第２の放射線画像Ｇ２の各々には、被写体Ｈを透過した放射線の一次線成分以外に、被写体Ｈ内において散乱された放射選に基づく散乱線成分が含まれる。このため、散乱線除去部３１は、第１の放射線画像Ｇ１および第２の放射線画像Ｇ２から散乱線成分を除去する。例えば、散乱線除去部３１は、特開２０１５－０４３９５９号公報に記載された方法を適用して、第１の放射線画像Ｇ１および第２の放射線画像Ｇ２から散乱線成分を除去してもよい。特開２０１５－０４３９５９号公報に記載された手法等を用いる場合、被写体Ｈの体厚分布の導出および散乱線成分を除去するための散乱線成分の導出が同時に行われる。

【0041】

以下、第１の放射線画像Ｇ１からの散乱線成分の除去について説明するが、第２の放射線画像Ｇ２からの散乱線成分の除去も同様に行うことができる。まず、散乱線除去部３１は、初期体厚分布Ｔ０（ｘ，ｙ）を有する被写体Ｈの仮想モデルＫを取得する。仮想モデルＫは、初期体厚分布Ｔ０（ｘ，ｙ）に従った体厚が、第１の放射線画像Ｇ１の各画素の座標位置に対応付けられた、被写体Ｈを仮想的に表すデータである。なお、初期体厚分布Ｔ０（ｘ，ｙ）を有する被写体Ｈの仮想モデルＫは、ストレージ１３に予め記憶されていてもよい。また、撮影条件に含まれるＳＩＤとＳＯＤに基づいて、被写体Ｈの体厚分布Ｔ（ｘ、ｙ）を算出してもよい。この場合、体厚分布は、ＳＩＤからＳＯＤを減算することにより求めることができる。

【0042】

次に、散乱線除去部３１は、仮想モデルＫに基づいて、仮想モデルＫの撮影により得られる一次線画像を推定した推定一次線画像と、仮想モデルＫの撮影により得られる散乱線画像を推定した推定散乱線画像とを合成した画像を、被写体Ｈの撮影により得られた第１の放射線画像Ｇ１を推定した推定画像として生成する。

【0043】

次に、散乱線除去部３１は、推定画像と第１の放射線画像Ｇ１との違いが小さくなるように仮想モデルＫの初期体厚分布Ｔ０（ｘ，ｙ）を修正する。散乱線除去部３１は、推定画像と第１の放射線画像Ｇ１との違いが予め定められた終了条件を満たすまで推定画像の生成および体厚分布の修正を繰り返し行う。散乱線除去部３１は、終了条件を満たした際の体厚分布を、被写体Ｈの体厚分布Ｔ（ｘ，ｙ）として導出する。また、散乱線除去部３１は、終了条件を満たした際の散乱線成分を第１の放射線画像Ｇ１から減算することにより、第１の放射線画像Ｇ１に含まれる散乱線成分を除去する。

【0044】

画像導出部３２は、エネルギーサブトラクション処理を行うことにより、第１および第２の放射線画像Ｇ１，Ｇ２から、被写体Ｈの骨部が抽出された骨部画像Ｇｂおよび軟部が抽出された軟部画像Ｇｓを導出する。なお、以降の処理における第１および第２の放射線画像Ｇ１，Ｇ２は散乱線成分が除去されたものである。骨部画像Ｇｂを導出する場合には、画像導出部３２は、第１および第２の放射線画像Ｇ１，Ｇ２に対して、下記の式（１）に示すように、それぞれ対応する画素間での重み付け減算を行うことにより、図５に示すように、各放射線画像Ｇ１，Ｇ２に含まれる被写体Ｈの骨部が抽出された骨部画像Ｇｂを生成する。式（１）において、β１は重み付け係数である。なお、骨部画像Ｇｂにおける骨部領域内の各画素の画素値が骨部画素値となる。
Ｇｂ（ｘ、ｙ）＝Ｇ１（ｘ、ｙ）－β１×Ｇ２（ｘ、ｙ） （１）

【0045】

一方、軟部画像Ｇｓを導出する場合には、画像導出部３２は、第１および第２の放射線画像Ｇ１，Ｇ２に対して、下記の式（２）に示すように、それぞれ対応する画素間での演算、例えば、重み付け減算を行うことにより、図６に示すように、各放射線画像Ｇ１，Ｇ２に含まれる被写体Ｈの軟部のみが抽出された軟部画像Ｇｓを生成する（エネルギーサブトラクション）。式（２）において、β２は重み付け係数である。
Ｇｓ（ｘ、ｙ）＝Ｇ１（ｘ、ｙ）－β２×Ｇ２（ｘ、ｙ） （２）

【0046】

なお、軟部画像Ｇｓは、被写体Ｈの軟部組織による軟部領域を表すものである。本実施形態において被写体Ｈの「軟部組織」とは、骨部組織以外のことをいい、具体的には、筋肉組織、脂肪組織、血液、および水分を含む。

【0047】

セグメンテーション部３３は、骨部画像Ｇｂを対象骨である大腿骨の領域、骨盤の領域および椎骨の領域にセグメンテーションする。セグメンテーションは、骨部画像Ｇｂから大腿骨、骨盤および椎骨をそれぞれ抽出するように機械学習がなされた抽出モデルを用いることにより行うようにすればよい。また、大腿骨、骨盤および椎骨のそれぞれを表すテンプレートをストレージ１３に記憶しておき、これらのテンプレートと骨部画像Ｇｂとのテンプレートマッチングを行うことにより、セグメンテーションを行うようにしてもよい。

【0048】

図７はセグメンテーション部３３によるセグメンテーションの結果を示す図である。図７に示すように、骨部画像Ｇｂにおける骨部領域が、大腿骨の領域Ａ１、骨盤の領域Ａ２および椎骨の領域Ａ３にセグメンテーションされている。なお、図７においては、大腿骨の領域Ａ１、骨盤の領域Ａ２および椎骨の領域Ａ３にそれぞれ異なるハッチングを付与することにより、セグメンテーション結果を示している。

【0049】

一方、椎骨に関して、骨部画像Ｇｂには仙椎および腰椎のみが含まれる。腰椎は骨盤側から首に向けて解剖学的にＬ５，Ｌ４，Ｌ３，Ｌ２，Ｌ１と分類されている。このため、セグメンテーション部３３は、仙椎および５つの腰椎をそれぞれ異なる領域にセグメンテーションすることが好ましい。

【0050】

また、セグメンテーション部３３は、図８に示すように、大腿骨の関節部分を含む領域Ｒ１および骨盤の関節部分を含む領域Ｒ２を骨部画像Ｇｂに設定する。なお、図８においては、被写体Ｈの左側においてのみ領域Ｒ１，Ｒ２を設定しているが、右側においても同様に設定する。そして、領域Ｒ１内における大腿骨の領域Ａ１とそれ以外の領域とを二値化することにより、図９に示すように対象骨である大腿骨の形状を表す形状情報Ｓ１を導出する。また、領域Ｒ２内における骨盤の領域Ａ２とそれ以外の領域とを二値化することにより、図９に示すように対象骨に隣接する骨部である骨盤の形状を表す形状情報Ｓ２を導出する。

【0051】

骨塩量導出部３４は、骨部画像Ｇｂの画素毎に骨塩量を導出する。本実施形態において、骨塩量導出部３４は、骨部画像Ｇｂの各画素値を、基準撮影条件により取得した場合の骨画像の画素値に変換することにより骨塩量Ｂを導出する。より具体的には、骨塩量導出部３４は、後述するルックアップテーブルから取得される補正係数を用いて、骨部画像Ｇｂの各画素値を補正することにより骨塩量を導出する。

【0052】

ここで、放射線源３における管電圧が高く、放射線源３から放射される放射線が高エネルギーであるほど、放射線画像における軟部と骨部とのコントラストが小さくなる。また、放射線が被写体Ｈを透過する過程において、放射線の低エネルギー成分が被写体Ｈに吸収され、放射線が高エネルギー化するビームハードニングが生じる。ビームハードニングによる放射線の高エネルギー化は、被写体Ｈの体厚が大きいほど大きくなる。

【0053】

図１０は被写体Ｈの体厚に対する骨部と軟部とのコントラストの関係を示す図である。なお、図１０においては、８０ｋＶ、９０ｋＶおよび１００ｋＶの３つの管電圧における、被写体Ｈの体厚に対する骨部と軟部とのコントラストの関係を示している。図１０に示すように、管電圧が高いほどコントラストは低くなる。また、被写体Ｈの体厚がある値を超えると、体厚が大きいほどコントラストは低くなる。なお、骨部画像Ｇｂにおける骨部領域の画素値が大きいほど、骨部と軟部とのコントラストは大きくなる。このため、図１０に示す関係は、骨部画像Ｇｂにおける骨部領域の画素値が大きいほど、高コントラスト側にシフトすることとなる。

【0054】

本実施形態において、骨部画像Ｇｂにおける、撮影時の管電圧に応じたコントラストの相違、およびビームハードニングの影響によるコントラストの低下を補正するための補正係数を取得するためのルックアップテーブルが、ストレージ１３に記憶されている。補正係数は、骨部画像Ｇｂの各画素値を補正するための係数である。

【0055】

図１１は、ストレージ１３に記憶されるルックアップテーブルの一例を示す図である。図１１において、基準撮影条件を、管電圧９０ｋＶに設定したルックアップテーブルＬＵＴ１が例示されている。図１１に示すようにルックアップテーブルＬＵＴ１において、管電圧が大きいほど、かつ被写体Ｈの体厚が大きいほど、大きい補正係数が設定されている。図１１に示す例において、基準撮影条件が管電圧９０ｋＶであるため、管電圧が９０ｋＶで体厚が０の場合に、補正係数が１となっている。なお、図１１において、ルックアップテーブルＬＵＴ１を２次元で示しているが、補正係数は骨部領域の画素値に応じて異なる。このため、ルックアップテーブルＬＵＴ１は、実際には骨部領域の画素値を表す軸が加わった３次元のテーブルとなる。

【0056】

骨塩量導出部３４は、被写体Ｈの体厚分布Ｔ（ｘ，ｙ）およびストレージ１３に記憶された管電圧の設定値を含む撮影条件に応じた画素毎の補正係数Ｃ０（ｘ，ｙ）を、ルックアップテーブルＬＵＴ１から抽出する。そして、骨塩量導出部３４は、下記（３）式に示すように、骨部画像Ｇｂにおける骨部領域の各画素（ｘ，ｙ）に対して、補正係数Ｃ０（ｘ，ｙ）を乗算することにより、骨部画像Ｇｂの画素毎の骨塩量Ｂ（ｘ，ｙ）（ｇ／ｃｍ²）を導出する。このようにして導出された骨塩量Ｂ（ｘ，ｙ）は、基準撮影条件である９０ｋＶの管電圧により被写体Ｈを撮影することにより取得され、かつビームハードニングの影響が除去された放射線画像に含まれる骨部領域の画素値を表すものとなる。
Ｂ（ｘ，ｙ）＝Ｃ０（ｘ，ｙ）×Ｇｂ（ｘ，ｙ） （３）

【0057】

なお、本実施形態においては、対象骨は大腿骨である。このため、骨塩量導出部３４は、骨部画像Ｇｂにおける大腿骨の領域Ａ１についてのみ、骨塩量を導出するようにしてもよい。

【0058】

筋肉量導出部３５は、軟部画像Ｇｓにおける軟部領域の画素毎に、画素値に基づいて筋肉量を導出する。上述したように、軟部組織は、筋肉組織、脂肪組織、血液、および水分を含む。本実施形態の筋肉量導出部３５では、軟部組織における脂肪組織以外の組織を、筋肉組織とみなす。すなわち、本実施形態の筋肉量導出部３５では、筋肉組織に、血液および水分も含めた非脂肪組織を筋肉組織として扱うものとする。

【0059】

筋肉量導出部３５は、軟部画像Ｇｓから、筋肉組織および脂肪組織のエネルギー特性の差を利用して、筋肉と脂肪とを分離する。図１２に示すように、人体である被写体Ｈに入射前の放射線に比べて、被写体Ｈを透過後の放射線の線量は低くなる。また、筋肉組織と脂肪組織とは吸収するエネルギーが異なり、減弱係数が異なるため、被写体Ｈを透過後の放射線のうち、筋肉組織を透過後の放射線と、脂肪組織を透過後の放射線とではエネルギースペクトルが異なる。図１２に示すように、被写体Ｈを透過して、第１の放射線検出器５および第２の放射線検出器６の各々に照射される放射線のエネルギースペクトルは、被写体Ｈの体組成、具体的には、筋肉組織と脂肪組織との割合に依存する。筋肉組織よりも脂肪組織の方が放射線を透過しやすいため、脂肪組織に比べて筋肉組織の割合が多い方が、人体を透過後の放射線の線量が少なくなる。

【0060】

このため、筋肉量導出部３５は、軟部画像Ｇｓから、上述した筋肉組織および脂肪組織のエネルギー特性の差を利用して、筋肉と脂肪とを分離する。すなわち、筋肉量導出部３５は、軟部画像Ｇｓから筋肉画像と脂肪画像とを生成する。また、筋肉量導出部３５は、筋肉画像の画素値に基づいて各画素の筋肉量を導出する。

【0061】

なお、筋肉量導出部３５が、軟部画像Ｇｓから筋肉と脂肪とを分離する具体的な方法は限定されないが、一例として、本実施形態の筋肉量導出部３５は、下記の式（４）および式（５）式により、軟部画像Ｇｓから筋肉画像を生成する。具体的には、まず、筋肉量導出部３５は、式（４）により、軟部画像Ｇｓ内の各画素位置（ｘ，ｙ）における筋肉率ｒｍ（ｘ，ｙ）を導出する。なお、式（４）におけるμｍは筋肉組織の減弱係数に応じた重み付け係数であり、μｆは脂肪組織の減弱係数に応じた重み付け係数である。また、Δ（ｘ，ｙ）は、濃度差分布を表す。濃度差分布とは、放射線が被写体Ｈを透過することなく第１の放射線検出器５および第２の放射線検出器６に到達することにより得られる濃度から見た濃度変化の画像上の分布である。濃度変化の画像上の分布は、軟部画像Ｇｓにおける放射線が直接、第１の放射線検出器５および第２の放射線検出器６に照射することにより得られる素抜け領域における濃度から被写体Ｈの領域における各画素の濃度を減算することにより算出される。
rm（x，y）={μf-Δ（x，y）/T（x，y）}/(μf-μm) （４）

【0062】

さらに、筋肉量導出部３５は、下記式（５）により、軟部画像Ｇｓから筋肉画像Ｇｍを生成する。なお、式（５）における、ｘ、ｙは筋肉画像Ｇｍの各画素の座標である。
Ｇｍ（ｘ，ｙ）＝ｒｍ（ｘ，ｙ）×Ｇｓ（ｘ，ｙ） （５）

【0063】

そして、筋肉量導出部３５は、下記（６）式に示すように、筋肉画像Ｇｍの各画素（ｘ，ｙ）に対して、予め定められた画素値と筋肉量との関係を表す係数Ｃ１（ｘ，ｙ）を乗算することにより、筋肉画像Ｇｍの画素毎の筋肉量Ｍ（ｘ，ｙ）（ｇ／ｃｍ²）を導出する。
Ｍ（ｘ，ｙ）＝Ｃ１（ｘ，ｙ）×Ｇｍ（ｘ，ｙ） （６）

【0064】

なお、本実施形態においては、対象骨は大腿骨であるため、図１３に示すように、筋肉画像Ｇｍにおける大腿骨周辺の領域Ｒ３においてのみ筋肉量Ｍを導出してもよい。

【0065】

また、筋肉量の導出は上記手法に限定されるものではなく、例えば、特許文献３に記載されているように、体厚分布および軟部画像Ｇｓの画素値に基づいて、筋肉量を求めるようにしてもよい。

【0066】

確率導出部２４は、対象骨の骨塩量、対象骨の周囲の筋肉量、対象骨の形状情報、および対象骨に隣接する骨の形状情報から、対象骨に関連する運動器疾患が発生する確率を導出する。このために、確率導出部２４は、対象骨の骨塩量、対象骨の周囲の筋肉量、対象骨の形状情報、および対象骨に隣接する骨の形状情報が入力されると、対象骨に関連する運動器疾患が発生する確率を出力する学習済みニューラルネットワーク２４Ａを用いて、対象骨に関する運動器疾患が発生する確率を導出する。

【0067】

学習部２５は、人体に含まれる骨のうちの対象骨の骨塩量、対象骨の周囲の筋肉量、対象骨の形状を表す形状情報、および対象骨に隣接する骨の形状を表す形状情報、並びに対象骨に関連する運動器疾患が発生する確率を表す正解データを教師データとして用いてニューラルネットワークを機械学習することにより、学習済みニューラルネットワーク２４Ａを構築する。

【0068】

ニューラルネットワークとしては、単純パーセプトロン、多層パーセプトロン、ディープニューラルネットワーク、畳み込みニューラルネットワーク、ディープビリーフネットワーク、リカレントニューラルネットワーク、および確率的ニューラルネットワーク等が挙げられる。本実施形態においては、ニューラルネットワークとして畳み込みニューラルネットワークを用いるものとする。

【0069】

図１４は、本実施形態において用いられるニューラルネットワークを示す図である。図１４に示すように、ニューラルネットワーク６０は、入力層６１、中間層６２および出力層６３を備える。中間層６２は、例えば、複数の畳み込み層６５、複数のプーリング層６６および全結合層６７を備える。ニューラルネットワーク６０では、出力層６３の前段に全結合層６７が存在している。そして、ニューラルネットワーク６０では、入力層６１と全結合層６７との間において、畳み込み層６５とプーリング層６６とが交互に配置されている。

【0070】

なお、ニューラルネットワーク６０の構成は図１４の例に限定されるものではない。例えば、ニューラルネットワーク６０は、入力層６１と全結合層６７との間に、１つの畳み込み層６５と１つのプーリング層６６とを備えるものであってもよい。

【0071】

図１５はニューラルネットワークの学習に使用する教師データの例を示す図である。図１５に示すように、教師データ４０は、学習用データ４１と正解データ４２とからなる。学習用データ４１は、対象骨の骨塩量（骨塩量）４３、対象骨の周囲の筋肉量（筋肉量）４４、対象骨の形状情報４５、および対象骨に隣接する骨の形状情報４６からなる。正解データ４２は、運動器疾患として、骨折の発生確率４７および脱臼（股関節脱臼）の発生確率４８からなる。

【0072】

教師データは、複数の患者に関して、患者の骨塩量、筋肉量、対象骨の形状情報および対象骨に隣接する骨の形状情報について、骨折および脱臼が発生した場合の統計を記録しておくことにより導出され、画像保存システム９に保存される。教師データ４０における正解データ４２である骨折および脱臼が発生する確率は、骨塩量、筋肉量、対象骨の形状情報および対象骨に隣接する骨の形状情報が類似する複数の患者について、予め定められた年数（例えば１年、２年または５年等）経過後に骨折および脱臼は発生した症例数を求め、求めた症例数を患者数で除算することにより算出することができる。

【0073】

学習部２５は、多数の教師データ４０を用いてニューラルネットワークを学習する。図１６は、ニューラルネットワーク６０の学習を説明するための図である。ニューラルネットワーク６０の学習を行うに際し、学習部２５は、ニューラルネットワーク６０の入力層６１に学習用データ４１を入力する。そして、学習部２５は、ニューラルネットワーク６０の出力層６２から、運動器疾患すなわち骨折および脱臼の発生確率を出力データ７０として出力させる。そして、学習部２５は、出力データ７０と正解データ４２に含まれる発生確率との相違を損失Ｌ０として導出する。

【0074】

学習部２５は、損失Ｌ０に基づいてニューラルネットワーク６０を学習する。具体的には、学習部２５は、損失Ｌ０を小さくするように、畳み込み層６５におけるカーネルの係数、各層間の結合の重み、および全結合層６７における結合の重み等（以下パラメータ７１とする）を調整する。パラメータ７１の調整方法としては、例えば、誤差逆伝播法を用いることができる。学習部２５は、損失Ｌ０が予め定められたしきい値以下となるまでパラメータ７１の調整を繰り返す。これによって、骨塩量、筋肉量、対象骨の形状情報および対象骨に隣接する骨の形状情報が入力された場合に、骨折および脱臼を発生するより正確な確率を出力するようにパラメータ７１が調整されて、学習済みニューラルネットワーク２４Ａが構築される。構築された学習済みニューラルネットワーク２４Ａはストレージ１３に記憶される。

【0075】

このようにして構築された学習済みニューラルネットワーク２４Ａに、患者の骨塩量、筋肉量、対象骨の形状情報および対象骨に隣接する骨の形状情報が入力されると、学習済みニューラルネットワーク２４Ａはその患者について、大腿骨の骨折の発生確率および股関節脱臼の発生確率を出力するようになる。

【0076】

なお、学習用データ４１に含まれる骨塩量および筋肉量に関して、学習の際にその値がニューラルネットワーク６０に入力される。例えば、骨塩量に関しては、図８に示す大腿骨の関節部分を含む領域Ｒ１における大腿骨の領域内の骨塩量の代表値が入力される。代表値とは、平均値、最大値、最小値および中間値等とすることができる。また、領域Ｒ１における大腿骨の領域内の骨塩量の全ての値を入力するようにしてもよく、領域Ｒ１における大腿骨の領域内において予め定められた複数の点における骨塩量を入力するようにしてもよい。なお、確率導出部２４が運動器疾患の確率を導出する場合には、ニューラルネットワーク６０を学習した場合と同様の骨塩量が学習済みニューラルネットワーク２４Ａに入力される。

【0077】

また、筋肉量に関しては、学習の際には図１３に示す大腿骨の関節部分を含む領域Ｒ３における大腿骨の周囲の筋肉量の代表値がニューラルネットワーク６０に入力される。代表値とは、平均値、最大値、最小値および中間値等とすることができる。また、大腿骨の周辺の領域Ｒ３内の筋肉量の全ての値を入力するようにしてもよく、領域Ｒ３において予め定められた複数の点における筋肉量を入力するようにしてもよい。この場合、確率導出部２４が運動器疾患の確率を導出する場合には、ニューラルネットワーク６０を学習した場合と同様の筋肉量が学習済みニューラルネットワーク２４Ａに入力される。

【0078】

対象骨の形状情報および対象骨に隣接する骨の形状情報に関しては、形状情報を表す二値の画像が学習済みニューラルネットワーク２４Ａに入力される。

【0079】

表示制御部２６は、確率導出部２４が導出した運動器疾患の発生確率をディスプレイ１４に表示する。

【0080】

図１７は運動器疾患の発生確率の表示画面を示す図である。図１７に示すように、表示画面５０には、平均骨塩量と骨折発生確率との関係を表す第１のグラフ５１、および平均筋肉量と脱臼発生確率との関係を表す第２のグラフ５２が表示される。第１のグラフ５１は、横軸が平均骨塩量を表し、縦軸が骨折発生確率を表しており、平均骨塩量が小さいほど骨折発生確率が高いものとなっている。また、第１のグラフ５１においては、確率導出部２４が導出した現在の骨折発生確率を表す白丸のプロット５１Ａと、発生確率の目標値を表す星印のプロット５１Ｂとが付与されている。目標値は、確率導出部２４が導出した運動器疾患の発生確率を半減させた確率である。

【0081】

また、第１のグラフ５１の右側には、骨塩量を目標値に到達させるための医療介入の選択肢５３が表示される。図１７においては、「薬剤Ａの投与」および「運動Ｂの実施」が選択肢として表示されている。薬剤Ａは骨塩量を目標値に到達させるための薬の名称である。運動Ｂは対象骨に関連する筋肉を鍛えるための運動である。具体的には股関節周辺の筋肉を鍛えるためのスクワット等である。

【0082】

また、第２のグラフ５２は、横軸が平均筋肉量を表し、縦軸が脱臼発生確率を表しており、平均筋肉量が小さいほど脱臼発生確率が高いものとなっている。また、第２のグラフ５２においては、現在の脱臼発生確率を表す白丸のプロット５２Ａと筋肉量を変化させた場合の目標発生確率を表す星印のプロット５２Ｂとが付与されている。目標値は、確率導出部２４が導出した運動器疾患の発生確率を半減させた確率である。

【0083】

また、第２のグラフ５２の右側には、筋肉量を目標値に到達させるための医療介入の選択肢５４が表示される。図１７においては、「薬剤Ｃの投与」および「運動Ｄの実施」が選択肢として表示されている。薬剤Ｃは筋肉量を目標値に到達させるための薬の名称である。運動Ｄも対象骨に関連する筋肉を鍛えるための運動である。具体的には股関節周辺の筋肉を鍛えるためのスクワット等である。

【0084】

なお、本実施形態においては、被写体Ｈである患者の年齢、性別、身長、体重および骨折歴等の患者情報に応じて、平均骨塩量および／または平均筋肉量と運動器疾患の発生確率との関係を規定したテーブルがストレージ１３に保存されている。表示制御部２６はこのテーブルを参照して、第１のグラフ５１および第２のグラフ５２を表示する

【0085】

また、第１のグラフ５１および第２のグラフ５２に加えてあるいはこれらに代えて、平均筋肉量に対する骨折発生確率を表すグラフおよび平均骨塩量に対する脱臼発生確率を表すグラフを表示するようにしてもよい。

【0086】

また、表示制御部２６は、表示画面５０において、選択肢５３，５４に表示された「運動Ｂの実施」および「運動Ｄの実施」をクリックにより選択可能に表示してもよい。この場合、操作者が「運動Ｃの実施」または「運動Ｄの実施」を選択すると、表示制御部２６は図１８に示すように対象骨に関連する筋肉を鍛えるための運動の動画像を別ウィンドウ５６により表示するようにしてもよい。

【0087】

次いで、本実施形態において行われる処理について説明する。図１９は本実施形態において行われる学習処理を示すフローチャートである。まず、情報取得部２２が画像保存システム９から教師データを取得し（ステップＳＴ１）、学習部２５が、教師データ４０に含まれる学習用データ４１をニューラルネットワーク６０に入力して運動器疾患の発生確率を出力させ、正解データ４２との相違に基づく損失Ｌ０を用いてニューラルネットワーク６０を学習し（ステップＳＴ２）、ステップＳＴ１にリターンする。そして、学習部２５は、損失Ｌ０が予め定められたしきい値となるまで、ステップＳＴ１，ＳＴ２の処理を繰り返し、学習を終了する。なお、学習部２５は、予め定められた回数学習を繰り返すことにより、学習を終了するものであってもよい。これにより、学習部２５は、学習済みニューラルネットワーク２４Ａを構築する。

【0088】

次いで、本実施形態における運動器疾患予測処理について説明する。図２０は本実施形態における運動器疾患予測処理を示すフローチャートである。なお、第１および第２の放射線画像Ｇ１，Ｇ２は、撮影により取得されてストレージ１３に保存されているものとする。処理を開始する指示が入力デバイス１５から入力されると、画像取得部２１が、第１および第２の放射線画像Ｇ１，Ｇ２をストレージ１３から取得する（放射線画像取得；ステップＳＴ１１）。次いで、情報導出部２３の散乱線除去部３１が、第１および第２の放射線画像Ｇ１，Ｇ２から散乱線成分を除去する（ステップＳＴ１２）。また、画像導出部３２が、第１および第２の放射線画像Ｇ１，Ｇ２から、被写体Ｈの骨部が抽出された骨部画像Ｇｂおよび軟部が抽出された軟部画像Ｇｓを導出する（ステップＳＴ１３）。さらに、セグメンテーション部３３が、骨部画像Ｇｂを対象骨である大腿骨の領域、骨盤の領域および椎骨の領域にセグメンテーションする（ステップＳＴ１４）。

【0089】

続いて、骨塩量導出部３４が、骨部画像Ｇｂの画素毎に骨塩量を導出し（ステップＳＴ１５）、筋肉量導出部３５が、軟部画像Ｇｓから筋肉画像Ｇｍを導出し、筋肉画像Ｇｍの画素毎に筋肉量を導出する（ステップＳＴ１６）。

【0090】

さらに、確率導出部２４が、学習済みニューラルネットワーク２４Ａを用いて、対象骨の骨塩量、対象骨の周囲の筋肉量、対象骨の形状情報、および対象骨に隣接する骨の形状情報から、対象骨に関する運動器疾患が発生する確率を導出する（ステップＳＴ１７）。そして、表示制御部２６が、確率導出部２４が導出した運動器疾患の発生確率をディスプレイ１４に表示し（ステップＳＴ１８）、処理を終了する。

【0091】

このように、本実施形態においては、対象骨の骨塩量、対象骨の周囲の筋肉量、対象骨の形状情報、および対象骨に隣接する骨の形状情報から、対象骨に関する運動器疾患が発生する確率を導出するようにした。ここで、大腿骨の骨折および股関節脱臼は、骨塩量の低下および筋肉量の低下により発生しやすくなるが、股関節が正常な状態から変形することによっても発生しやすくなる。本実施形態においては、対象骨である大腿骨の形状情報および対象骨に隣接する骨盤の形状情報をさらに用いて、運動器疾患の発生確率を導出しているため、より高精度に運動器疾患の発生を予測することができる。

【0092】

また、運動器疾患の発生確率を表示することにより、現在の状況における運動器疾患の発生確率を容易に認識することができる。とくに、骨塩量および筋肉量が目標値となった場合の運動器疾患の発生確率をさらに表示することにより、骨塩量および筋肉量をどの程度増加させればよいかを容易に認識することができる。

【0093】

また、骨塩量および筋肉量を目標値に到達させるための医療介入の選択肢をさらに表示することにより、患者に対してどのような薬を投与したらよいか、あるいは患者に推奨される運動を容易に知ることができる。

【0094】

なお、上記実施形態においては、運動器疾患の発生確率として、骨折および脱臼の発生確率を導出しているが、骨折および脱臼のいずれか一方の発生確率を導出するようにしてもよい。

【0095】

また、上記実施形態においては、対象骨として大腿骨を用いているが、これに限定されるものではない。椎骨、とくに腰椎を対象骨としてもよい。椎骨に隣接する椎骨とは、対象骨である椎骨の上に隣接する椎骨、下に隣接する椎骨および上下に隣接する椎骨とすることができる。

【0096】

椎骨はとくに骨粗しょう症の発生により骨塩量が少なくなり、骨粗しょう症が悪化すると、椎骨は人体の上下方向に圧縮されて変形し、さらには圧迫骨折してしまう。なお、椎骨を対象骨とした場合、脱臼は考えにくい。このため、対象骨を椎骨とした場合、対象骨となる椎骨の形状情報および対象骨に隣接する椎骨の形状情報を用いることにより、より精度よく骨折の発生確率を予測することが可能となる。また、対象骨を椎骨とした場合に、表示する医療介入として背筋を鍛える運動を表示することが好ましい。

【0097】

また、本実施形態においては、大腿骨および椎骨の他、膝関節周辺の大腿骨および脛骨等、任意の骨を対象骨とすることが可能である。

【0098】

また、上記実施形態においては、第１の放射線画像Ｇ１および第２の放射線画像Ｇ２そのものを用いて骨塩量および筋肉量を導出しているが、これに限定されるものではない。第１の放射線画像Ｇ１および第２の放射線画像Ｇ２の各画素について、周囲の画素との移動平均を算出し、移動平均を各画素の画素値とする第１の放射線画像Ｇ１および第２の放射線画像Ｇ２を用いて骨塩量および筋肉量を導出してもよい。ここで、骨塩量の判定に際しては皮質骨が重要な情報になるため、皮質骨が視認できる解像度、例えば被写体の実サイズで２ｍｍ以下の解像度を保つように、各画素について周囲の画素との移動平均を算出すればよい。この場合、放射線源３、被写体Ｈおよび放射線検出器５，６の相互の距離の情報、並びに放射線検出器５，６の画素サイズの情報等から、移動平均に使用する画素を適宜決定すればよい。

【0099】

また、上記実施形態においては、エネルギーサブトラクション処理を行うに際し、１ショット法により第１および第２の放射線画像Ｇ１，Ｇ２を取得しているが、これに限定されるものではない。図２１に示すように１つの放射線検出器のみ用いて撮影を２回行う、いわゆる２ショット法により第１および第２の放射線画像Ｇ１，Ｇ２を取得してもよい。２ショット法の場合、被写体Ｈの体動により、第１の放射線画像Ｇ１および第２の放射線画像Ｇ２に含まれる被写体Ｈの位置がずれる可能性がある。このため、第１の放射線画像Ｇ１および第２の放射線画像Ｇ２において、被写体の位置合わせを行った上で、本実施形態の処理を行うことが好ましい。位置合わせの処理としては、例えば特開２０１１－２５５０６０号公報に記載された手法を用いることができる。特開２０１１－２５５０６０号公報に記載された手法は、第１および第２の放射線画像Ｇ１，Ｇ２のそれぞれについての、周波数帯域が異なる構造物を表す複数の第１の帯域画像および複数の第２の帯域画像を生成し、対応する周波数帯域の第１の帯域画像および第２の帯域画像における、互いに対応する位置の位置ずれ量を取得し、位置ずれ量に基づいて第１の放射線画像Ｇ１と第２の放射線画像Ｇ２との位置合わせを行うようにしたものである。

【0100】

また、上記実施形態においては、第１および第２の放射線検出器５，６を用いて被写体Ｈの第１および第２の放射線画像Ｇ１，Ｇ２を撮影するシステムにおいて取得した放射線画像を用いて、運動器疾患予測処理を行っているが、放射線検出器に代えて、蓄積性蛍光体シートを用いて第１および第２の放射線画像Ｇ１，Ｇ２を取得する場合にも、本開示の技術を適用できることはもちろんである。この場合、２枚の蓄積性蛍光体シートを重ねて被写体Ｈを透過した放射線を照射して、被写体Ｈの放射線画像情報を各蓄積性蛍光体シートに蓄積記録し、各蓄積性蛍光体シートから放射線画像情報を光電的に読み取ることにより第１および第２の放射線画像Ｇ１，Ｇ２を取得すればよい。なお、蓄積性蛍光体シートを用いて第１および第２の放射線画像Ｇ１，Ｇ２を取得する場合にも、２ショット法を用いるようにしてもよい。

【0101】

また、上記実施形態においては、運動器疾患の発生確率の表示画面に骨塩量および筋肉量の目標値を第１および第２のグラフ５１，５２にプロットしているが、これに限定されるものではない。これから何も治療をすることなく、骨塩量および筋肉量が低下した場合、例えば骨塩量および筋肉量が１／４に低下した場合の運動器疾患の発生確率を第１および第２のグラフ５１，５２にプロットするようにしてもよい。これにより、患者に対して治療および運動の動機付けを行うことができる。

【0102】

また、上記実施形態における放射線は、とくに限定されるものではなく、Ｘ線の他、α線またはγ線等を用いることができる。

【0103】

また、上記実施形態において、例えば、画像取得部２１、情報取得部２２、情報導出部２３、確率導出部２４、学習部２５および表示制御部２６といった各種の処理を実行する処理部（Processing Unit）のハードウェア的な構造としては、次に示す各種のプロセッサ（Processor）を用いることができる。上記各種のプロセッサには、上述したように、ソフトウェア（プログラム）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵに加えて、ＦＰＧＡ（Field Programmable Gate Array）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device :PLD）、ＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。

【0104】

１つの処理部は、これらの各種のプロセッサのうちの１つで構成されてもよいし、同種または異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせまたはＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。

【0105】

複数の処理部を１つのプロセッサで構成する例としては、第１に、クライアントおよびサーバ等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアとの組み合わせで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（System On Chip:SoC）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサの１つ以上を用いて構成される。

【0106】

さらに、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子等の回路素子を組み合わせた電気回路（Circuitry）を用いることができる。

【符号の説明】

【0107】

１ 撮影装置
３ 放射線源
５，６ 放射線検出器
７ 放射線エネルギー変換フィルタ
９ 画像保存システム
１０ 運動器疾患予測装置
１１ ＣＰＵ
１２Ａ 運動器疾患予測処理プログラム
１２Ｂ 学習プログラム
１３ ストレージ
１４ ディスプレイ
１５ 入力デバイス
１６ メモリ
１７ ネットワークＩ／Ｆ
１８ バス
２１ 画像取得部
２２ 情報取得部
２３ 情報導出部
２４ 確率導出部
２４Ａ 学習済みニューラルネットワーク
２５ 学習部
２６ 表示制御部
３１ 散乱線除去部
３２ 画像導出部
３３ 導出部
４０ 教師データ
４１ 学習用データ
４２ 正解データ
４３ 対象骨の骨塩量
４４ 対象骨の周囲の筋肉量
４５ 対象骨の形状情報
４６ 対象骨に隣接する骨の形状情報
４７ 骨折の発生確率
４８ 脱臼の発生確率
５０ 表示画面
５１ 第１のグラフ
５１Ａ，５１Ｂ，５２Ａ，５２Ｂ プロット
５２ 第２のグラフ
５３，５４ 医療介入の選択肢
５６ ウィンドウ
６０ ニューラルネットワーク
６１ 入力層
６２ 中間層
６３ 出力層
６５ 畳み込み層
６６ プーリング層
６７ 全結合層
７０ 出力データ
７１ パラメータ
Ａ１ 大腿骨の領域
Ａ２ 骨盤の領域
Ａ３ 椎骨の領域
Ｇ１ 第１の放射線画像
Ｇ２ 第２の放射線画像
Ｇｂ 骨部画像
Ｇｓ 軟部画像
ＬＵＴ１ ルックアップテーブル
Ｓ１，Ｓ２ 形状情報

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】

【図20】

【図21】