特開 2022-155026 画像処理装置、学習装置、放射線画像撮影システム、画像処理方法、学習方法、画像処理プログラム、及び学習プログラム

(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】P2022155026

(43)【公開日】2022-10-13

(54)【発明の名称】画像処理装置、学習装置、放射線画像撮影システム、画像処理方法、学習方法、画像処理プログラム、及び学習プログラム

(51)【国際特許分類】

   A61B 6/00 20060101AFI20221005BHJP

   A61B 6/02 20060101ALI20221005BHJP

   A61B 6/03 20060101ALI20221005BHJP

   G06T 7/00 20170101ALI20221005BHJP

   G06T 7/55 20170101ALI20221005BHJP

【ＦＩ】

A61B6/00 360Z

A61B6/02 301H

A61B6/00 330Z

A61B6/03 360G

A61B6/03 371

G06T7/00 612

G06T7/00 350C

G06T7/55

【審査請求】未請求

【請求項の数】15

【出願形態】ＯＬ

(21)【出願番号】P 2021058342

(22)【出願日】2021-03-30

(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】福田 航

【テーマコード（参考）】

4C093

5L096

【Ｆターム（参考）】

4C093AA11

4C093AA22

4C093AA26

4C093CA35

4C093DA06

4C093EC25

4C093FC16

4C093FD08

4C093FF27

4C093FF42

4C093FF46

5L096AA03

5L096AA06

5L096AA09

5L096BA06

5L096BA13

5L096CA04

5L096CA17

5L096DA01

5L096DA02

5L096GA51

5L096HA11

(57)【要約】

【課題】トモシンセシス撮影による投影画像に応じた学習データにより学習された学習済みモデルにより高画質の断層画像を生成することができる画像処理装置、学習装置、放射線画像撮影システム、画像処理方法、学習方法、画像処理プログラム、及び学習プログラムを提供する。
【解決手段】画像処理装置は、複数の投影画像を取得し、３次元構造を表す３次元データである正解データと、３次元データを用い、３次元構造に対して複数の仮想的な照射位置から放射線の疑似投影をすることによって、３次元構造が投影された複数の仮想投影画像との組で構成される学習データを用いて機械学習モデルを機械学習させることによって生成された学習済みモデルであって、複数の投影画像を入力とし、推定断層画像群を出力する断層画像推定モデルに、取得した複数の投影画像を入力し、断層画像推定モデルから出力された推定断層画像群を取得する。
【選択図】図４

【特許請求の範囲】

【請求項1】

照射角度が異なる複数の照射位置の各々から被写体に向けて放射線を順次照射して得られた複数の投影画像を処理する画像処理装置であって、
少なくとも１つのプロセッサを備え、
前記プロセッサは、
前記複数の投影画像を取得し、
３次元構造を表す３次元データである正解データと、前記３次元データを用い、前記３次元構造に対して複数の仮想的な照射位置から放射線の疑似投影をすることによって、前記３次元構造が投影された複数の仮想投影画像との組で構成される学習データを用いて機械学習モデルを機械学習させることによって生成された学習済みモデルであって、複数の投影画像を入力とし、推定断層画像群を出力する断層画像推定モデルに、取得した前記複数の投影画像を入力し、
前記断層画像推定モデルから出力された推定断層画像群を取得する
画像処理装置。

【請求項2】

前記正解データである前記３次元データは、各々異なる断層面に対応する複数の正解断層画像を表す画像データである
請求項１に記載の画像処理装置。

【請求項3】

前記被写体は乳房である
請求項１または請求項２に記載の画像処理装置。

【請求項4】

少なくとも１つのプロセッサを備え、
前記プロセッサは、
３次元構造を表す３次元データを用い、前記３次元構造に対して複数の仮想的な照射位置から放射線の疑似投影をすることによって、前記３次元構造が投影された複数の仮想投影画像を生成し、
前記３次元データである正解データと、前記複数の仮想投影画像との組で構成される学習データを用いて機械学習モデルを機械学習させることによって、複数の投影画像を入力とし、推定断層画像群を出力する断層画像推定モデルを生成する
学習装置。

【請求項5】

前記正解データである前記３次元データは、各々異なる断層面に対応する複数の正解断層画像を表す画像データである
請求項４に記載の学習装置。

【請求項6】

前記プロセッサは、
前記正解断層画像の部分断層領域毎に、前記複数の仮想投影画像それぞれにおける前記部分断層領域に対応する部分投影領域が対応付けられた前記学習データを用いて前記機械学習モデルを機械学習させる
請求項５に記載の学習装置。

【請求項7】

前記プロセッサは、
吸収係数に応じた放射線の減弱をシミュレーションして前記複数の仮想投影画像を生成する
請求項４から請求項６のいずれか１項に記載の学習装置。

【請求項8】

前記プロセッサは、
前記投影画像を生成する放射線検出器に到達すると仮定した放射線の線量に、到達線量に応じたノイズ成分を付与した前記複数の仮想投影画像を生成する
請求項４から請求項７のいずれか１項に記載の学習装置。

【請求項9】

前記複数の仮想的な照射位置は、トモシンセシス撮影における放射線の照射位置を模擬した位置である
請求項４から請求項８のいずれか１項に記載の学習装置。

【請求項10】

前記３次元構造は乳房を表す構造であり、
前記複数の投影画像は、乳房を被写体として撮影された投影画像である
請求項４から請求項９のいずれか１項に記載の学習装置。

【請求項11】

放射線を発生する放射線源と、
照射角度が異なる複数の照射位置の各々から被写体に向けて放射線を照射して前記照射位置毎に前記被写体の投影画像を撮影するトモシンセシス撮影を行う放射線画像撮影装置と、
請求項１から請求項３のいずれか１項に記載の画像処理装置と、
請求項４から請求項１０のいずれか１項に記載の学習装置と、
を備えた放射線画像撮影システム。

【請求項12】

照射角度が異なる複数の照射位置の各々から被写体に向けて放射線を順次照射して得られた複数の投影画像を処理する画像処理方法であって、
前記複数の投影画像を取得し、
３次元構造を表す３次元データである正解データと、前記３次元データを用い、前記３次元構造に対して複数の仮想的な照射位置から放射線の疑似投影をすることによって、前記３次元構造が投影された複数の仮想投影画像との組で構成される学習データを用いて機械学習モデルを機械学習させることによって生成された学習済みモデルであって、複数の投影画像を入力とし、推定断層画像群を出力する断層画像推定モデルに、取得した前記複数の投影画像を入力し、
前記断層画像推定モデルから出力された推定断層画像群を取得する
処理をコンピュータが実行する画像処理方法。

【請求項13】

３次元構造を表す３次元データを用い、前記３次元構造に対して複数の仮想的な照射位置から放射線の疑似投影をすることによって、前記３次元構造が投影された複数の仮想投影画像を生成し、
前記３次元データである正解データと、前記複数の仮想投影画像との組で構成される学習データを用いて機械学習モデルを機械学習させることによって、複数の投影画像を入力とし、推定断層画像群を出力する断層画像推定モデルを生成する
処理をコンピュータが実行する学習方法。

【請求項14】

照射角度が異なる複数の照射位置の各々から被写体に向けて放射線を順次照射して得られた複数の投影画像を処理する画像処理プログラムであって、
前記複数の投影画像を取得し、
３次元構造を表す３次元データである正解データと、前記３次元データを用い、前記３次元構造に対して複数の仮想的な照射位置から放射線の疑似投影をすることによって、前記３次元構造が投影された複数の仮想投影画像との組で構成される学習データを用いて機械学習モデルを機械学習させることによって生成された学習済みモデルであって、複数の投影画像を入力とし、推定断層画像群を出力する断層画像推定モデルに、取得した前記複数の投影画像を入力し、
前記断層画像推定モデルから出力された推定断層画像群を取得する
処理をコンピュータに実行させるための画像処理プログラム。

【請求項15】

３次元構造を表す３次元データを用い、前記３次元構造に対して複数の仮想的な照射位置から放射線の疑似投影をすることによって、前記３次元構造が投影された複数の仮想投影画像を生成し、
前記３次元データである正解データと、前記複数の仮想投影画像との組で構成される学習データを用いて機械学習モデルを機械学習させることによって、複数の投影画像を入力とし、推定断層画像群を出力する断層画像推定モデルを生成する
処理をコンピュータに実行させるための学習プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、画像処理装置、学習装置、放射線画像撮影システム、画像処理方法、学習方法、画像処理プログラム、及び学習プログラムに関する。

【背景技術】

【0002】

照射角度が異なる複数の照射位置の各々から被写体に向けて放射線を照射して照射位置が異なる複数の被写体の投影画像を撮影する、いわゆるトモシンセシス撮影が知られている。トモシンセシス撮影により得られた複数の投影画像から断層画像を生成する技術が知られている。

【0003】

断層画像を生成するための投影画像の数が十分ではない場合、生成される断層画像にアーチファクトが発生する場合がある。そのため、投影画像の数が十分ではない場合であっても、高画質の断層画像を得られる技術が望まれている。例えば、特許文献１には、投影データの一部が破損または欠落している場合に、学習済みモデルである訓練済みニューラルネットワークを用いて欠落データを生成して、再構成に用いる技術が記載されている。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特表２０２０－５０６７４２号

【発明の概要】

【発明が解決しようとする課題】

【0005】

上記従来の技術では、ニューラルネットワークの訓練には、欠落や破損がなく、十分な数の投影画像が必要とされる。上記従来の技術ではＣＴ（Computed Tomography）を前提としており、ＣＴにおいては、十分な数の投影画像が得られる。

【0006】

しかしながら、トモシンセシス撮影を行う放射線画像撮影装置では、ＣＴに比べて、放射線を照射する照射角度範囲が狭く、学習済みモデルを学習させるために十分な投影画像を用意するのは困難であるという問題があった。

【0007】

本開示は、以上の事情を鑑みて成されたものであり、トモシンセシス撮影による投影画像に応じた学習データにより学習された学習済みモデルにより高画質の断層画像を生成することができる画像処理装置、学習装置、放射線画像撮影システム、画像処理方法、学習方法、画像処理プログラム、及び学習プログラムを提供することを目的とする。

【課題を解決するための手段】

【0008】

上記目的を達成するために本開示の第１の態様の画像処理装置は、照射角度が異なる複数の照射位置の各々から被写体に向けて放射線を順次照射して得られた複数の投影画像を処理する画像処理装置であって、少なくとも１つのプロセッサを備え、プロセッサは、複数の投影画像を取得し、３次元構造を表す３次元データである正解データと、３次元データを用い、３次元構造に対して複数の仮想的な照射位置から放射線の疑似投影をすることによって、３次元構造が投影された複数の仮想投影画像との組で構成される学習データを用いて機械学習モデルを機械学習させることによって生成された学習済みモデルであって、複数の投影画像を入力とし、推定断層画像群を出力する断層画像推定モデルに、取得した複数の投影画像を入力し、断層画像推定モデルから出力された推定断層画像群を取得する。

【0009】

本開示の第２の態様の画像処理装置は、第１の態様の画像処理装置において、正解データである３次元データは、各々異なる断層面に対応する複数の正解断層画像を表す画像データである。

【0010】

本開示の第３の態様の画像処理装置は、第１の態様または第２の態様の画像処理装置において、被写体は乳房である。

【0011】

上記目的を達成するために本開示の第４の態様の学習装置は、少なくとも１つのプロセッサを備え、プロセッサは、３次元構造を表す３次元データを用い、３次元構造に対して複数の仮想的な照射位置から放射線の疑似投影をすることによって、３次元構造が投影された複数の仮想投影画像を生成し、３次元データである正解データと、複数の仮想投影画像との組で構成される学習データを用いて機械学習モデルを機械学習させることによって、複数の投影画像を入力とし、推定断層画像群を出力する断層画像推定モデルを生成する。

【0012】

本開示の第５の態様の学習装置は、第４の態様の学習装置において、正解データである３次元データは、各々異なる断層面に対応する複数の正解断層画像を表す画像データである。

【0013】

本開示の第６の態様の学習装置は、第５の態様の学習装置において、プロセッサは、正解断層画像の部分断層領域毎に、複数の仮想投影画像それぞれにおける部分断層領域に対応する部分投影領域が対応付けられた学習データを用いて機械学習モデルを機械学習させる。

【0014】

本開示の第７の態様の学習装置は、第４の態様から第６の態様のいずれか１態様の学習装置において、プロセッサは、吸収係数に応じた放射線の減弱をシミュレーションして複数の仮想投影画像を生成する。

【0015】

本開示の第８の態様の学習装置は、第４の態様から第７の態様のいずれか１態様の学習装置において、プロセッサは、投影画像を生成する放射線検出器に到達すると仮定した放射線の線量に、到達線量に応じたノイズ成分を付与した複数の仮想投影画像を生成する。

【0016】

本開示の第９の態様の学習装置は、第４の態様から第８の態様のいずれか１態様の学習装置において、複数の仮想的な照射位置は、トモシンセシス撮影における放射線の照射位置を模擬した位置である。

【0017】

本開示の第１０の態様の学習装置は、第４の態様から第９の態様のいずれか１態様の学習装置において、３次元構造は乳房を表す構造であり、複数の投影画像は、乳房を被写体として撮影された投影画像である。

【0018】

また、上記目的を達成するために本開示の第１１の態様の放射線画像撮影システムは、放射線を発生する放射線源と、照射角度が異なる複数の照射位置の各々から被写体に向けて放射線を照射して照射位置毎に被写体の投影画像を撮影するトモシンセシス撮影を行う放射線画像撮影装置と、本開示の画像処理装置と、本開示の学習装置と、を備える。

【0019】

また、上記目的を達成するために本開示の第１２の態様の画像処理方法は、照射角度が異なる複数の照射位置の各々から被写体に向けて放射線を順次照射して得られた複数の投影画像を処理する画像処理方法であって、複数の投影画像を取得し、３次元構造を表す３次元データである正解データと、３次元データを用い、３次元構造に対して複数の仮想的な照射位置から放射線の疑似投影をすることによって、３次元構造が投影された複数の仮想投影画像との組で構成される学習データを用いて機械学習モデルを機械学習させることによって生成された学習済みモデルであって、複数の投影画像を入力とし、推定断層画像群を出力する断層画像推定モデルに、取得した複数の投影画像を入力し、断層画像推定モデルから出力された推定断層画像群を取得する処理をコンピュータが実行する画像処理方法である。

【0020】

また、上記目的を達成するために本開示の第１３の態様の学習方法は、３次元構造を表す３次元データを用い、３次元構造に対して複数の仮想的な照射位置から放射線の疑似投影をすることによって、３次元構造が投影された複数の仮想投影画像を生成し、３次元データである正解データと、複数の仮想投影画像との組で構成される学習データを用いて機械学習モデルを機械学習させることによって、複数の投影画像を入力とし、推定断層画像群を出力する断層画像推定モデルを生成する処理をコンピュータが実行する学習方法である。

【0021】

また、上記目的を達成するために本開示の第１４の態様の画像処理プログラムは、照射角度が異なる複数の照射位置の各々から被写体に向けて放射線を順次照射して得られた複数の投影画像を処理する画像処理プログラムであって、複数の投影画像を取得し、３次元構造を表す３次元データである正解データと、３次元データを用い、３次元構造に対して複数の仮想的な照射位置から放射線の疑似投影をすることによって、３次元構造が投影された複数の仮想投影画像との組で構成される学習データを用いて機械学習モデルを機械学習させることによって生成された学習済みモデルであって、複数の投影画像を入力とし、推定断層画像群を出力する断層画像推定モデルに、取得した複数の投影画像を入力し、断層画像推定モデルから出力された推定断層画像群を取得する処理をコンピュータに実行させるためのものである。

【0022】

また、上記目的を達成するために本開示の第１５の態様の学習プログラムは、３次元構造を表す３次元データを用い、３次元構造に対して複数の仮想的な照射位置から放射線の疑似投影をすることによって、３次元構造が投影された複数の仮想投影画像を生成し、３次元データである正解データと、複数の仮想投影画像との組で構成される学習データを用いて機械学習モデルを機械学習させることによって、複数の投影画像を入力とし、推定断層画像群を出力する断層画像推定モデルを生成する処理をコンピュータに実行させるためのものである。

【発明の効果】

【0023】

本開示によれば、トモシンセシス撮影による投影画像に応じた学習データにより学習された学習済みモデルにより高画質の断層画像を生成することができる。

【図面の簡単な説明】

【0024】

【図1】実施形態の放射線画像撮影システムにおける全体の構成の一例を概略的に表した構成図である。

【図2】トモシンセシス撮影の一例を説明するための図である。

【図3】実施形態のマンモグラフィ装置、コンソール、及び支援装置の構成の一例を表したブロック図である。

【図4】断層画像推定モデルの運用フェーズを説明するための図である。

【図5】断層画像推定モデルの学習フェーズを説明するための図である。

【図6】実施形態の支援装置の機能の一例を表す機能ブロック図である。

【図7】支援装置の仮想投影画像生成部における再投影方法の一例を説明するための図である。

【図8】複数の学習データによる断層画像推定モデルの学習の一例を説明するための図である。

【図9】実施形態の支援装置による学習処理の流れの一例を表したフローチャートである。

【図10】断層画像推定モデルの機械学習のその他の例について説明するための図である。

【図11】実施形態のコンソールの機能の一例を表す機能ブロック図である。

【図12】実施形態のコンソールによる画像処理の流れの一例を表したフローチャートである。

【発明を実施するための形態】

【0025】

以下、図面を参照して本発明の実施形態を詳細に説明する。なお、本実施形態は本発明を限定するものではない。

【0026】

まず、本実施形態の放射線画像撮影システムにおける、全体の構成の一例について説明する。図１には、本実施形態の放射線画像撮影システム１における、全体の構成の一例を表す構成図が示されている。図１に示すように、本実施形態の放射線画像撮影システム１は、マンモグラフィ装置１０、コンソール１２、及び支援装置１４を備える。

【0027】

まず、本実施形態のマンモグラフィ装置１０について説明する。図１には、本実施形態のマンモグラフィ装置１０の外観の一例を表す側面図が示されている。なお、図１は、被検者の左側からマンモグラフィ装置１０を見た場合の外観の一例を示している。

【0028】

本実施形態のマンモグラフィ装置１０は、コンソール１２の制御に応じて動作し、被検者の乳房を被写体として、乳房に放射線Ｒ（例えば、Ｘ線）を照射して乳房の放射線画像を撮影する装置である。なお、マンモグラフィ装置１０は、被検者が起立している状態（立位状態）のみならず、被検者が椅子（車椅子を含む）等に座った状態（座位状態）において、被検者の乳房を撮影する装置であってもよい。

【0029】

また、本実施形態のマンモグラフィ装置１０は、放射線源２９を放射線検出器２０の検出面２０Ａの法線方向に沿った照射位置として撮影を行う通常撮影と、放射線源２９を複数の照射位置の各々に移動させて撮影を行う、いわゆるトモシンセシス撮影とを行う機能を有している。

【0030】

放射線検出器２０は、被写体である乳房を通過した放射線Ｒを検出する。詳細には、放射線検出器２０は、被検者の乳房及び撮影台２４内に進入して放射線検出器２０の検出面２０Ａに到達した放射線Ｒを検出し、検出した放射線Ｒに基づいて放射線画像を生成し、生成した放射線画像を表す画像データを出力する。以下では、放射線源２９から放射線Ｒを照射して、放射線検出器２０により放射線画像を生成する一連の動作を「撮影」という場合がある。本実施形態の放射線検出器２０の検出面２０Ａには、放射線検出器２０により生成される放射線画像に対応するｉ個の画素（図７の画素２１_ｉ（ｉ＝１、２、・・・、）参照）がマトリクス状に配置されている。本実施形態の放射線検出器２０の種類は、特に限定されず、例えば、放射線Ｒを光に変換し、変換した光を電荷に変換する間接変換方式の放射線検出器であってもよいし、放射線Ｒを直接電荷に変換する直接変換方式の放射線検出器であってもよい。

【0031】

図１に示すように、放射線検出器２０は、撮影台２４の内部に配置されている。本実施形態のマンモグラフィ装置１０では、撮影を行う場合、撮影台２４の撮影面２４Ａ上には、被検者の乳房がユーザによってポジショニングされる。

【0032】

撮影を行う際に乳房を圧迫するために用いられる圧迫板３８は、撮影台２４に設けられた圧迫ユニット３６に取り付けられる。詳細には、圧迫ユニット３６には、圧迫板３８を撮影台２４に近づく方向または離れる方向（以下、「上下方向」という）に移動する圧迫板駆動部（図示省略）が設けられている。圧迫板３８の支持部３９は、圧迫板駆動部に着脱可能に取り付けられ、圧迫板駆動部により上下方向に移動し、撮影台２４との間で被検者の乳房を圧迫する。本実施形態の圧迫板３８が、本開示の圧迫部材の一例である。

【0033】

図１に示すように本実施形態のマンモグラフィ装置１０は、撮影台２４と、アーム部３３と、基台３４と、軸部３５と、を備えている。アーム部３３は、基台３４によって、上下方向（Ｚ軸方向）に移動可能に保持される。また、軸部３５によりアーム部３３が基台３４に対して回転をすることが可能である。軸部３５は、基台３４に対して固定されており、軸部３５とアーム部３３とが一体となって回転する。

【0034】

軸部３５及び撮影台２４の圧迫ユニット３６にそれぞれギアが設けられ、このギア同士の噛合状態と非噛合状態とを切替えることにより、撮影台２４の圧迫ユニット３６と軸部３５とが連結されて一体に回転する状態と、軸部３５が撮影台２４と分離されて空転する状態とに切り替えることができる。なお、軸部３５の動力の伝達・非伝達の切り替えは、上記ギアに限らず、種々の機械要素を用いることができる。

【0035】

アーム部３３と撮影台２４は、軸部３５を回転軸として、別々に、基台３４に対して相対的に回転可能となっている。本実施形態では、基台３４、アーム部３３、及び撮影台２４の圧迫ユニット３６にそれぞれ係合部（図示省略）が設けられ、この係合部の状態を切替えることにより、アーム部３３、及び撮影台２４の圧迫ユニット３６の各々が基台３４に連結される。軸部３５に連結されたアーム部３３、及び撮影台２４の一方または両方が、軸部３５を中心に一体に回転する。

【0036】

マンモグラフィ装置１０においてトモシンセシス撮影を行う場合、放射線照射部２８の放射線源２９は、アーム部３３の回転により順次、照射角度が異なる複数の照射位置の各々に移動される。放射線源２９は、放射線Ｒを発生する放射線管（図示省略）を有しており、放射線源２９の移動に応じて、放射線管が複数の照射位置の各々に移動される。図２には、トモシンセシス撮影の一例を説明するための図を示す。なお、図２では、圧迫板３８の図示を省略している。本実施形態では、図２に示すように放射線源２９は、予め定められた角度βずつ照射角度が異なる照射位置１９_ｔ（ｔ＝１、２、・・・、図２では最大値は７）、換言すると放射線検出器２０の検出面２０Ａに対する放射線Ｒの照射角度が異なる位置に移動される。各照射位置１９_ｔにおいて、コンソール１２の指示により放射線源２９から放射線Ｒが被写体Ｕに向けて照射され、放射線検出器２０により放射線画像が撮影される。放射線画像撮影システム１では、放射線源２９を照射位置１９_ｔの各々に移動させて、各照射位置１９_ｔで放射線画像の撮影を行うトモシンセシス撮影を行った場合、図２の例では７枚の放射線画像が得られる。なお、以下では、トモシンセシス撮影において、各照射位置１９において撮影された放射線画像を他の放射線画像と区別して述べる場合は「投影画像」という。また、投影画像及び後述する断層画像等の種類によらず放射線画像について総称する場合、単に「放射線画像」という。また、以下では、各照射位置１９_ｔで撮影された投影画像等、照射位置１９_ｔと対応する画像等については、各画像を表す符号に、照射位置１９_ｔを表す符号「ｔ」を付与して記載する。

【0037】

なお、図２に示すように、放射線Ｒの照射角度とは、放射線検出器２０の検出面２０Ａの法線ＣＬと、放射線軸ＲＣとがなす角度αのことをいう。放射線軸ＲＣは、各照射位置１９における放射線源２９の焦点と検出面２０Ａの中心等予め設定された位置とを結ぶ軸をいう。また、ここでは、放射線検出器２０の検出面２０Ａは、撮影面２４Ａに略平行な面とする。以下では、図２に示すように、トモシンセシス撮影における照射角度を異ならせる所定範囲を「照射角度範囲」という。

【0038】

一方、マンモグラフィ装置１０において、通常撮影を行う場合、放射線照射部２８の放射線源２９は、照射角度αが０度である照射位置１９_ｔ（法線方向に沿った照射位置１９_ｔ、図２では照射位置１９_４）のままとされる。コンソール１２の指示により放射線源２９から放射線Ｒが照射され、放射線検出器２０により放射線画像が撮影される。

【0039】

また、図３には、実施形態のマンモグラフィ装置１０、コンソール１２、及び支援装置１４の構成の一例を表したブロック図が示されている。図３に示すように本実施形態のマンモグラフィ装置１０は、制御部４０、記憶部４２、Ｉ／Ｆ（Interface)部４４、操作部４６、及び線源移動部４７をさらに備えている。制御部４０、記憶部４２、Ｉ／Ｆ部４４、操作部４６、及び線源移動部４７はシステムバスやコントロールバス等のバス４９を介して相互に各種情報の授受が可能に接続されている。

【0040】

制御部４０は、コンソール１２の制御に応じて、マンモグラフィ装置１０の全体の動作を制御する。制御部４０は、ＣＰＵ（Central Processing Unit）４０Ａ、ＲＯＭ（Read Only Memory）４０Ｂ、及びＲＡＭ（Random Access Memory）４０Ｃを備える。ＲＯＭ４０Ｂには、ＣＰＵ４０Ａで実行される、放射線画像の撮影に関する制御を行うための撮影プログラム４１等を含む各種のプログラム等が予め記憶されている。ＲＡＭ４０Ｃは、各種データを一時的に記憶する。

【0041】

記憶部４２には、放射線検出器２０により撮影された放射線画像の画像データや、その他の各種情報等が記憶される。記憶部４２の具体例としては、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等が挙げられる。Ｉ／Ｆ部４４は、無線通信または有線通信により、コンソール１２との間で各種情報の通信を行う。マンモグラフィ装置１０で放射線検出器２０により撮影された放射線画像の画像データは、Ｉ／Ｆ部４４を介してコンソール１２に無線通信または有線通信によって送信される。

【0042】

本実施形態の制御部４０、記憶部４２、及びＩ／Ｆ部４４の各々は撮影台２４内部に設けられている。

【0043】

また、操作部４６は、例えば、マンモグラフィ装置１０の撮影台２４等に複数のスイッチとして設けられている。なお、操作部４６は、タッチパネル式のスイッチとして設けられていてもよいし、医師及び技師等のユーザが足で操作するフットスイッチとして設けられていてもよい。

【0044】

線源移動部４７は、上述したようにトモシンセシス撮影を行う場合に、制御部４０の制御に応じて放射線源２９を照射位置１９_ｔの各々に移動させる機能を有する。具体的には、線源移動部４７は、撮影台２４に対してアーム部３３を回転させることにより照射位置１９_ｔの各々に放射線源２９を移動させる。本実施形態の線源移動部４７は、アーム部３３内部に設けられている。

【0045】

一方、本実施形態の支援装置１４は、コンソール１２における画像処理を支援する機能を有している。

【0046】

本実施形態の支援装置１４は、一例として、サーバーコンピュータである。図３に示すように、支援装置１４は、制御部６０、記憶部６２、Ｉ／Ｆ部６４、操作部６６、及び表示部６８を備えている。制御部６０、記憶部６２、Ｉ／Ｆ部６４、操作部６６、及び表示部６８はシステムバスやコントロールバス等のバス６９を介して相互に各種情報の授受が可能に接続されている。

【0047】

本実施形態の制御部６０は、支援装置１４の全体の動作を制御する。制御部６０は、ＣＰＵ６０Ａ、ＲＯＭ６０Ｂ、及びＲＡＭ６０Ｃを備える。ＲＯＭ６０Ｂには、ＣＰＵ６０Ａで実行される学習プログラム６１を含む各種のプログラム等が予め記憶されている。ＲＡＭ６０Ｃは、各種データを一時的に記憶する。本実施形態の支援装置１４が、本開示の学習装置の一例であり、本実施形態のＣＰＵ６０Ａが、本開示の学習装置におけるプロセッサの一例である。また、本実施形態の学習プログラム６１が、本開示の学習プログラムの一例である。

【0048】

記憶部６２には、詳細を後述する断層画像推定モデル６３を含む各種情報等が記憶される。記憶部６２の具体例としては、ＨＤＤやＳＳＤ等が挙げられる。

【0049】

操作部６６は、断層画像推定モデル６３の生成等に関する指示や各種情報等をユーザが入力するために用いられる。操作部６６は特に限定されるものではなく、例えば、各種スイッチ、タッチパネル、タッチペン、及びマウス等が挙げられる。表示部６８は、各種情報を表示する。なお、操作部６６と表示部６８とを一体化してタッチパネルディスプレイとしてもよい。

【0050】

Ｉ／Ｆ部６４は、無線通信または有線通信により、コンソール１２及びＰＡＣＳ（Picture Archiving and Communication Systems）との間で各種情報の通信を行う。本実施形態の放射線画像撮影システム１では、マンモグラフィ装置１０で撮影された放射線画像の画像データは、コンソール１２が、Ｉ／Ｆ部５４を介して無線通信または有線通信によりマンモグラフィ装置１０から受信する。

【0051】

本実施形態の支援装置１４の、コンソール１２における画像処理を支援する機能について説明する。本実施形態の支援装置１４は、コンソール１２による画像処理を支援する機能を有する。具体的には、支援装置１４は、コンソール１２が画像処理において断層画像を生成するために用いる断層画像推定モデル６３を生成する機能を有する。

【0052】

断層画像推定モデル６３は、例えばディープラーニングを用いた断層画像の推定アルゴリズムである。断層画像推定モデル６３として、例えば、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）の一種であるＲ－ＣＮＮ（Regional CNN）または、全層畳み込みネットワーク(ＦＣＮ：Fully Convolution Network)の一種であるＵ－ｎｅｔ等により構成される断層画像推定モデルを用いることができる。図４に示すように断層画像推定モデル６３は、トモシンセシス撮影において得られた複数の投影画像９０を入力とし、照射位置１９_ｔを用いて複数の投影画像９０から生成された複数の断層画像を推定した推定断層画像群９２を出力する。

【0053】

図５に示すように、断層画像推定モデル６３は、正解データ１０２と、複数の仮想投影画像９１との組で構成される学習データ１００を用いて機械学習モデルを機械学習させることによって生成された学習済みモデルである。

【0054】

図５を参照して、断層画像推定モデル６３を機械学習により学習させる学習フェーズの一例を説明する。断層画像推定モデル６３は、学習データ１００により学習される。学習データ１００は、仮想投影画像９１と、正解データ１０２との組で構成される。正解データ１０２は、乳房の３次元構造１１０を表す３次元データであり、各々異なる断層面に対応する複数の正解断層画像を表す画像データである。なお、正解データ１０２である正解断層画像のスライス厚、換言すると、正解断層画像の各断層面の高さは任意とすることができる。

【0055】

正解データ１０２としては、トモシンセシス撮影における照射角度範囲よりも広い照射角度範囲により得られたサイノグラムであることが好ましく、被写体を撮影した完全なサイノグラムであることがより好ましい。一例として、本実施形態では、正解データ１０２として、ＣＴ（Computed Tomography）により得られた被写体の複数の断層画像であるＣＴ画像を用いている。仮想投影画像９１は、乳房の３次元構造１１０に対して複数の仮想的な照射位置から放射線Ｒの疑似投影をすることによって、３次元構造１１０が投影された仮想的に得られる複数の投影画像である。

【0056】

学習フェーズにおいて、断層画像推定モデル６３には、学習データ１００の仮想投影画像９１が入力される。断層画像推定モデル６３は、仮想投影画像９１に応じた推定断層画像群９２を出力する。推定断層画像群９２と正解データ１０２とに基づいて、損失関数を用いた損失演算がなされる。そして、損失演算の結果に応じて断層画像推定モデル６３の各種係数の更新設定がなされ、更新設定にしたがって断層画像推定モデル６３が更新される。

【0057】

学習フェーズにおいては、学習データ１００の仮想投影画像９１の断層画像推定モデル６３への入力、断層画像推定モデル６３からの推定断層画像群９２の出力、推定断層画像群９２と正解データ１０２とに基づく損失演算、更新設定、及び断層画像推定モデル６３の更新の一連の処理が繰り返し行われる。

【0058】

図６には、本実施形態の支援装置１４における、断層画像推定モデル６３を生成する機能に係る構成の一例の機能ブロック図が示されている。図６に示すように支援装置１４は、３次元データ取得部８０、仮想投影画像生成部８２、及び断層画像推定モデル生成部８４を備える。一例として本実施形態の支援装置１４は、制御部６０のＣＰＵ６０ＡがＲＯＭ６０Ｂに記憶されている学習プログラム６１を実行することにより、ＣＰＵ６０Ａが３次元データ取得部８０、仮想投影画像生成部８２、及び断層画像推定モデル生成部８４として機能する。

【0059】

３次元データ取得部８０は、正解データ１０２として用いる３次元データを取得する機能を有する。上述したように本実施形態では、正解データ１０２としてＣＴ画像を用いているため、３次元データ取得部８０は、乳房の複数の断層面を表す複数のＣＴ画像を取得する。具体的には本実施形態の３次元データ取得部８０は、乳房の３次元構造１１０をＣＴ撮影により得られた複数のＣＴ画像を表す画像データを３次元データとして取得する。なお、３次元データの取得先は特に限定されない。例えば、３次元データ取得部８０が、ＰＡＣＳから、乳房を撮影対象としたＣＴ画像を３次元データとして取得する形態としてもよい。また例えば、３次元データ取得部８０が、放射線画像撮影システム１の外部のＣＴ画像の撮影装置（図示省略）から乳房を撮影対象としたＣＴ画像を３次元データとして取得する形態としてもよい。３次元データ取得部８０は、取得した複数のＣＴ画像を表す画像データを仮想投影画像生成部８２に出力する。

【0060】

仮想投影画像生成部８２は、３次元データ取得部８０が取得した３次元データを用い、３次元構造１１０に対して複数の仮想的な照射位置から放射線Ｒの疑似投影をすることによって、３次元構造１１０が投影された複数の仮想投影画像９１を生成する機能を有する。

【0061】

上述したように本実施形態の３次元データはＣＴ画像であるため、仮想投影画像生成部８２は、ＣＴ画像から、３次元構造１１０に対して複数の仮想的な照射位置から放射線Ｒの疑似投影をすることによって、３次元構造１１０が投影された複数の仮想投影画像９１を生成する。仮想投影画像９１の生成に用いられる複数の仮想的な照射位置は、トモシンセシス撮影における放射線の照射位置１９_ｔを模擬した位置である。一例として本実施形態では、仮想的な照射位置を、照射位置１９_ｔと同様としている。

【0062】

ＣＴ画像の画素値は、撮影に用いた放射線のエネルギに応じた吸収係数に対応している。ＣＴ画像の撮影における放射線の吸収係数と、トモシンセシス撮影における放射線Ｒの吸収係数とは、一般的に異なっている。そのため、一例として本実施形態の仮想投影画像生成部８２は、ＣＴ画像の画素値を、トモシンセシス撮影における放射線Ｒのエネルギに応じた吸収係数に補正して再投影することにより、複数の仮想的な照射位置１９_ｔから再投影することにより、複数の仮想投影画像９１を生成する。

【0063】

仮想投影画像生成部８２における再投影方法の一例について図７を参照して説明する。図７に示すように、３次元構造１１０に対して複数のボクセル９４_ｊ（ｊ＝１、２、・・・、Ｊ）を仮想的に設定する。複数のボクセル９４_ｊは、例えば、ＣＴ画像のスライス厚等に応じて設定される。図７には、照射位置１９_ｔに位置する放射線源２９から放射線検出器２０の画素２１_ｉに照射される放射線Ｒの経路Ｘ^ｔ _ｉが示されている。経路をＸ^ｔ _ｉと、３次元構造１１０の各ボクセル９４_ｊとが交差するボクセル９４_ｊ毎の交差長をｗ^ｔ _ｉｊとし、ボクセル９４_ｊ毎の吸収係数をμ＝（μ_１，μ_２，・・・，μ_Ｊ）とすると、照射位置１９_ｔから放射線Ｒを照射した場合に、放射線検出器２０のｉ番目の画素２１_ｉで検出されたフォトン数ｐ^ｔ _ｉは、吸収係数に応じた放射線の減弱に基づく下記（１）式で表される。

【数1】

・・・（１）

【0064】

仮想投影画像生成部８２は、仮想的な照射位置１９_ｔ毎に、放射線検出器２０の各画素２１_ｉのフォトン数ｐ^ｔ _ｉを、上記（１）式を用いたシミュレーションにより導出し、投影画像９０_ｔを生成する。

【0065】

なお、仮想投影画像生成部８２は、トモシンセシス撮影において実際に照射される放射線Ｒに応じたノイズを考慮して仮想投影画像９１を生成することが好ましい。

【0066】

例えば、放射線Ｒの発生がポアソン分布に従うことが知られているため、仮想投影画像生成部８２は、放射線検出器２０に到達すると仮定した放射線Ｒの線量に、到達線量に応じたノイズ成分を付与することにより、ノイズを考慮した仮想投影画像９１を生成してもよい。

【0067】

また、仮想投影画像生成部８２は、トモシンセシス撮影において発生する散乱線を考慮して仮想投影画像９１を生成することが好ましい。例えば、仮想投影画像生成部８２は、仮想的な照射位置１９_ｔから照射され被写体を透過した放射線Ｒによる散乱線成分を、上記（１）式により得られた仮想投影画像９１に付与することにより、散乱線を考慮した仮想投影画像９１を生成してもよい。散乱線成分は、例えば、３次元構造１１０の放射線Ｒが透過する方向の厚み、すなわち被写体の体厚に応じた散乱の特性を表す畳みこみカーネルに基づいたシミュレーションやモンテカルロシミュレーション等により導出することができる。

【0068】

また、仮想投影画像生成部８２は、トモシンセシス撮影における撮影条件を反映させて仮想投影画像９１を生成することが好ましい。例えば、トモシンセシス撮影におけるエネルギ分布を反映させることが好ましい。トモシンセシス撮影において用いた放射線源２９の陽極及びフィルタ（いずれも図示省略）により照射される放射線Ｒのエネルギ分布が定まる。そのため、仮想投影画像生成部８２は、撮影条件に応じて定まるエネルギ分布と吸収係数の放射線エネルギ依存から透過放射線量を導出することが好ましい。

【0069】

仮想投影画像生成部８２は、生成した複数の仮想投影画像９１を表す画像データを断層画像推定モデル生成部８４に出力する。

【0070】

断層画像推定モデル生成部８４は、正解データ１０２と、複数の仮想投影画像９１との組で構成される学習データ１００を用いて機械学習モデルを機械学習させることによって、各々照射位置１９_ｔを表す情報が対応付けられた複数の投影画像９０を入力とし、推定断層画像群９２を出力する断層画像推定モデル６３を生成する機能を有する。

【0071】

まず、断層画像推定モデル生成部８４は、学習データ１００を用意する。上述したようにＣＴ画像の撮影における放射線の吸収係数と、トモシンセシス撮影における放射線Ｒの吸収係数とは異なっている。そのため、ＣＴ画像とマンモグラフィ装置１０により撮影された放射線画像とは見た目が異なる。具体的には、同一の乳房の断層面を表す画像であっても、ＣＴ画像と、マンモグラフィ装置１０によるトモシンセシス撮影により得られた投影画像から生成された断層画像とでは、撮影における吸収係数が異なるため見た目が異なる。

【0072】

そこで本実施形態では、３次元データ取得部８０が取得した３次元データであるＣＴ画像そのものを正解データ１０２として用いるのではなく、ＣＴ画像を放射線画像の吸収係数に応じて補正した画像を正解データ１０２として用いる。そのため、断層画像推定モデル生成部８４は、３次元データ取得部８０が取得した３次元データであるＣＴ画像の画素値を、トモシンセシス撮影における放射線Ｒのエネルギに応じた吸収係数に補正して正解データ１０２を生成する。断層画像推定モデル生成部８４は、仮想投影画像生成部８２が生成した仮想投影画像９１と、正解データ１０２とを組にして学習データ１００とする。

【0073】

なお、図８に示すように断層画像推定モデル６３の学習には、複数の学習データ１００を用いる。そのため、本実施形態の支援装置１４では、３次元データ取得部８０、仮想投影画像生成部８２、及び断層画像推定モデル生成部８４により複数の学習データ１００を用意する。学習データ１００を構成する正解データ１０２は、トモシンセシス撮影の対象となる乳房を３次元構造１１０として想定した３次元データである。そのため、本実施形態では、様々な状態の乳房を３次元構造１１０とした正解データ１０２により学習データ１００を構成する。例えば、図８に示すように、腫瘤等が存在しない、いわゆる正常な状態の乳房を３次元構造１１０とした正解データ１０２と、仮想投影画像９１との組で構成される学習データ１００や、腫瘤が存在する状態の乳房を３次元構造１１０とした正解データ１０２と、仮想投影画像９１との組で構成される学習データ１００等を含む複数の学習データ１００が機械学習に用いられる。

【0074】

さらに断層画像推定モデル生成部８４は、学習データ１００を用いて機械学習モデルを機械学習させることによって、断層画像推定モデル６３を生成する。図６を参照して上述したように、断層画像推定モデル生成部８４は、学習データ１００の仮想投影画像９１の断層画像推定モデル６３への入力、断層画像推定モデル６３からの推定断層画像群９２の出力、推定断層画像群９２と正解データ１０２とに基づく損失演算、更新設定、及び断層画像推定モデル６３の更新の一連の処理を繰り返し行うことにより、断層画像推定モデル６３を生成する。一例として本実施形態では、損失演算に用いる損失関数として、下記（２）式で表される損失関数Ｅを適用している。下記（２）式における「Ｗ」は、ＣＴ画像の画素値に対応する。上記一連の処理の繰り返しは、損失関数Ｅが、予め定められた閾値以下となった場合に終了される。

【数2】

・・・（２）

【0075】

なお、断層画像推定モデル６３から出力される推定断層画像群９２のスライス厚、換言すると各推定断層画像の断層面の高さは、任意とすることができる。なお、推定断層画像群９２のスライス厚は、正解データ１０２である正解断層画像のスライス厚と同様とすることが好ましい。

【0076】

断層画像推定モデル生成部８４は、生成した断層画像推定モデル６３を記憶部６２に記憶させる。

【0077】

次に、図９を参照して、本実施形態の支援装置１４の学習フェーズにおける作用を説明する。ＣＰＵ６０ＡがＲＯＭ６０Ｂに記憶されている学習プログラム６１を実行することによって、図９に示す学習処理が実行される。

【0078】

図９のステップＳ１００で３次元データ取得部８０は、上述したように、正解データ１０２として用いる３次元データとしてＣＴ画像の画像データを取得する。

【0079】

次のステップＳ１０２で仮想投影画像生成部８２は、上記ステップＳ１００で取得した３次元データを用い、複数の仮想投影画像９１を生成する。上述したように仮想投影画像生成部８２は、上記ステップＳ１００で取得したＣＴ画像を用い、上記（１）式を適用して、３次元構造１１０に対して複数の仮想的な照射位置１９_ｔから放射線Ｒの疑似投影をすることによって、３次元構造１１０が投影された複数の仮想投影画像９１を生成する。

【0080】

次のステップＳ１０４で断層画像推定モデル生成部８４は、複数の学習データ１００を用意する。上述したように、断層画像推定モデル生成部８４は、上記ステップＳ１００で取得したＣＴ画像を補正して得た正解データ１０２と、上記ステップＳ１０２で生成した仮想投影画像９１とを組にした学習データ１００を複数、用意する。

【0081】

次のステップＳ１０６で断層画像推定モデル生成部８４は、上記ステップＳ１０４で用意した学習データ１００を用いて断層画像推定モデル６３の学習を行う。上述したように断層画像推定モデル生成部８４は、仮想投影画像９１の断層画像推定モデル６３への入力、推定断層画像群９２の出力、推定断層画像群９２と正解データ１０２とに基づく上記（２）式を用いた損失演算、更新設定、及び断層画像推定モデル６３の更新の一連の処理を繰り返し行うことにより、断層画像推定モデル６３の学習を行う。断層画像推定モデル生成部８４は、学習済みの断層画像推定モデル６３を記憶部６２に記憶させる。ステップＳ１０６の処理が終了すると、図９に示した学習処理が終了する。

【0082】

（機械学習の変形例）
上記形態では、支援装置１４が、上記（１）式及び（２）式を用いて断層画像推定モデル６３の機会学習を行う形態について説明したが、断層画像推定モデル６３の機械学習方法は、上記形態に限定されない。図１０を参照して機械学習のその他の例について説明する。

【0083】

投影画像から断層画像を再構成する場合、投影画像を撮影した際の照射位置１９_ｔと、投影画像における座標と、断層画像における座標との対応関係が必要となる。そのため、本変形例では、正解データ１０２である正解断層画像の画素位置と、仮想的な照射位置１９_ｔの位置と、仮想投影画像９１の画素位置と、を対応付けた学習データ１００を用いて断層画像推定モデル６３の機械学習を行う。

【0084】

断層画像推定モデル生成部８４は、正解データ１０２である複数の正解断層画像を所定の大きさのＭ個の部分断層領域９８_ｍ（ｍ＝１、２、・・・）に分割する。また、断層画像推定モデル生成部８４は、各仮想投影画像９１_ｔから、各部分断層領域９８_ｍに対応する部分投影領域９６_ｔｎ（ｎ＝１、２、・・・）を特定する。断層画像推定モデル生成部８４は、部分断層領域９８_ｍ毎に、部分投影領域９６_ｔｎが対応付けられた学習データ１００を用いて断層画像推定モデル６３を学習する。

【0085】

このように本変形例では、部分断層領域９８_ｍと、照射位置１９_ｔの位置と、部分投影領域９６_ｔｎとの対応関係を保った状態で断層画像推定モデル６３の機械学習を行う。これにより本変形例によれば、正解データ１０２である正解断層画像の画素位置と、仮想的な照射位置１９ｔの位置と、仮想投影画像９１の画素位置との物理的な関係を含めて断層画像推定モデル６３の機械学習を行うことができる。これにより本変形例によれば、上記形態に比べて機械学習における演算量を削減することができる。

【0086】

上記のようにして支援装置１４における学習フェーズにより生成された断層画像推定モデル６３は、コンソール１２で実行される画像処理における運用フェーズにおいて用いられる。

【0087】

一方、図３に示すように本実施形態のコンソール１２は、無線通信ＬＡＮ（Local Area Network）等を介してＲＩＳ（Radiology Information System）等から取得した撮影オーダ及び各種情報と、操作部５６等によりユーザにより行われた指示等とを用いて、マンモグラフィ装置１０の制御を行う機能を有している。

【0088】

本実施形態のコンソール１２は、一例として、サーバーコンピュータである。図３に示すように、コンソール１２は、制御部５０、記憶部５２、Ｉ／Ｆ部５４、操作部５６、及び表示部５８を備えている。制御部５０、記憶部５２、Ｉ／Ｆ部５４、操作部５６、及び表示部５８はシステムバスやコントロールバス等のバス５９を介して相互に各種情報の授受が可能に接続されている。

【0089】

本実施形態の制御部５０は、コンソール１２の全体の動作を制御する。制御部５０は、ＣＰＵ５０Ａ、ＲＯＭ５０Ｂ、及びＲＡＭ５０Ｃを備える。ＲＯＭ５０Ｂには、ＣＰＵ５０Ａで実行される画像生成プログラム５１を含む各種のプログラム等が予め記憶されている。ＲＡＭ５０Ｃは、各種データを一時的に記憶する。本実施形態のコンソール１２が、本開示の画像処理装置の一例であり、本実施形態のＣＰＵ５０Ａが、本開示の画像処理装置におけるプロセッサの一例である。また、本実施形態の画像生成プログラム５１が、本開示の学習プログラムの一例である。

【0090】

記憶部５２には、マンモグラフィ装置１０で撮影された放射線画像の画像データや、その他の各種情報等が記憶される。記憶部５２の具体例としては、ＨＤＤやＳＳＤ等が挙げられる。

【0091】

操作部５６は、放射線Ｒの照射指示を含む放射線画像の撮影等に関する指示や各種情報等をユーザが入力するために用いられる。操作部５６は特に限定されるものではなく、例えば、各種スイッチ、タッチパネル、タッチペン、及びマウス等が挙げられる。表示部５８は、各種情報を表示する。なお、操作部５６と表示部５８とを一体化してタッチパネルディスプレイとしてもよい。

【0092】

Ｉ／Ｆ部５４は、無線通信または有線通信により、マンモグラフィ装置１０、支援装置１４、ＲＩＳ、及びＰＡＣＳとの間で各種情報の通信を行う。本実施形態の放射線画像撮影システム１では、マンモグラフィ装置１０で撮影された放射線画像の画像データは、コンソール１２が、Ｉ／Ｆ部５４を介して無線通信または有線通信によりマンモグラフィ装置１０から受信する。

【0093】

本実施形態のコンソール１２は、断層画像推定モデル６３を用いて複数の投影画像９０から断層画像を生成する機能を有する。図１１には、本実施形態のコンソール１２における、断層画像推定モデル６３を用いて複数の投影画像９０から断層画像を生成する機能に係る構成の一例の機能ブロック図が示されている。図１１に示すようにコンソール１２は、投影画像取得部７０、断層画像生成部７２、及び表示制御部７４を備える。一例として本実施形態のコンソール１２は、制御部５０のＣＰＵ５０ＡがＲＯＭ５０Ｂに記憶されている画像生成プログラム５１を実行することにより、ＣＰＵ５０Ａが投影画像取得部７０、断層画像生成部７２、及び表示制御部７４として機能する。

【0094】

投影画像取得部７０は、複数の投影画像９０を取得する機能を有する。具体的には本実施形態の投影画像取得部７０は、マンモグラフィ装置１０におけるトモシンセシス撮影により得られた複数の投影画像９０を表す画像データを取得する。投影画像取得部７０は、取得した複数の投影画像９０を表す画像データを断層画像生成部７２に出力する。

【0095】

断層画像生成部７２は、断層画像推定モデル６３を用いて、複数の投影画像９０から断層画像を生成する機能を有する。

【0096】

上述した図４に示したように、断層画像生成部７２は、投影画像取得部７０が取得した複数の投影画像９０を、断層画像推定モデル６３に入力する。具体的には、本実施形態の断層画像生成部７２は、Ｉ／Ｆ部５４を介して、支援装置１４に複数の投影画像９０を表す画像データを出力する。支援装置１４では、コンソール１２から入力された複数の投影画像９０を断層画像推定モデル６３に入力する。図４に示したように断層画像推定モデル６３は、入力された複数の投影画像９０に応じて推定断層画像群９２を出力する。断層画像生成部７２は、支援装置１４の断層画像推定モデル６３から出力された推定断層画像群９２を表す画像データＩ／Ｆ部６４及びＩ／Ｆ部５４を介して取得する。

【0097】

断層画像生成部７２が支援装置１４から取得した推定断層画像群９２が、複数の投影画像９０から生成された断層画像に対応する。断層画像生成部７２は、生成した複数の断層画像を表す画像データを表示制御部７４に出力する。

【0098】

表示制御部７４は、断層画像生成部７２が生成した断層画像を表示部５８に表示させる機能を有する。なお、断層画像の表示先は、表示部５８に限定されない。例えば、放射線画像撮影システム１の外部の読影装置等が表示先であってもよい。

【0099】

次に、図１２を参照して、本実施形態のコンソール１２の運用フェーズにおける作用を説明する。一例として本実施形態のマンモグラフィ装置１０は、トモシンセシス撮影が終了すると、撮影された複数の投影画像９０の画像データをコンソール１２に出力する。コンソール１２は、マンモグラフィ装置１０から入力された複数の投影画像９０の画像データを記憶部５２に記憶させる。コンソール１２は、トモシンセシス撮影により得られた複数の投影画像を用いて断層画像を生成し、表示部５８等に表示させるために、図１２に示した画像処理を実行する。ＣＰＵ５０ＡがＲＯＭ５０Ｂに記憶されている画像生成プログラム５１を実行することによって、図１２に示す画像処理が実行される。

【0100】

図１２のステップＳ２００で投影画像取得部７０は、各々撮影された照射位置１９_ｔを表す情報が対応付けられた複数の投影画像９０を取得する。上述したように本実施形態の投影画像取得部７０は、記憶部５２から複数の投影画像９０の画像データを取得する。

【0101】

次のステップＳ２０２で断層画像生成部７２は、支援装置１４の断層画像推定モデル６３に上記ステップＳ２００で取得した複数の投影画像９０を入力する。上述したように、断層画像生成部７２が、上記ステップＳ２００で取得した複数の投影画像９０を表す画像データを支援装置１４に出力することにより、支援装置１４の断層画像推定モデル６３に複数の投影画像９０が入力される。上述したように、複数の投影画像９０が入力された断層画像推定モデル６３からは、推定断層画像群９２が出力される。

【0102】

そこで、次のステップＳ２０４で断層画像生成部７２は、上述したように、支援装置１４の断層画像推定モデル６３から出力された推定断層画像群９２を取得する。上述したように、推定断層画像群９２が上記ステップＳ２００で取得した複数の投影画像９０から生成された断層画像である。

【0103】

次のステップＳ２０６で表示制御部７４は、上記ステップＳ２０４で取得した推定断層画像群９２である断層画像を表示部５８に表示させる。ステップＳ２０６の処理が終了すると、図１２に示した画像処理が終了する。

【0104】

以上、説明したように、上記各形態のコンソール１２は、照射角度が異なる照射位置１９_ｔの各々から被写体に向けて放射線Ｒを順次照射して得られた複数の投影画像９０を処理する運用フェーズを実行する画像処理装置である。コンソール１２は、ＣＰＵ５０Ａを備える。ＣＰＵ５０Ａは、複数の投影画像９０を取得し、断層画像推定モデル６３に、取得した複数の投影画像９０を入力し、断層画像推定モデル６３から出力された推定断層画像群９２を取得する。

【0105】

支援装置１４は、断層画像推定モデル６３の機械学習を行う学習フェーズを実行する学習装置である。支援装置１４は、ＣＰＵ６０Ａを備える。ＣＰＵ６０Ａは、３次元構造１１０を表す３次元データを用い、３次元構造１１０に対して複数の仮想的な照射位置１９_ｔから放射線Ｒの疑似投影をすることによって、３次元構造１１０が投影された複数の仮想投影画像９１を生成する。ＣＰＵ６０Ａは、３次元データである正解データ１０２と、複数の仮想投影画像９１との組で構成される学習データ１００を用いて機械学習モデルを機械学習させることによって、複数の投影画像９０を入力とし、推定断層画像群９２を出力する断層画像推定モデル６３を生成する。

【0106】

マンモグラフィ装置１０により得られる投影画像９０をＦＢＰ（Filter Back Projection）法や逐次近似再構成法等の逆投影法により再構成して得られた断層画像は、照射角度範囲が制限される。そのため、例えば、照射角度範囲の制限が緩和され、いわゆる完全なサイノグラムにより生成されるＣＴ画像に比べて断層画像の画質が低い場合がある。これに対して、上記形態のコンソール１２は、３次元データである正解データ１０２と、正解データ１０２に基づいて疑似投影をすることにより得られた複数の仮想投影画像９１との組で構成される学習データ１００を用いて機械学習された断層画像推定モデル６３を用いて、トモシンセシス撮影により得られた投影画像９０から断層画像を生成する。従って、上記形態によれば、トモシンセシス撮影による投影画像９０に応じた学習データ１００により学習された断層画像推定モデル６３により高画質の断層画像を生成することができる。すなわち、上記形態によれば、比較的少ない枚数の投影画像９０に応じた学習データ１００により学習された断層画像推定モデル６３により高画質の断層画像を生成することができる。

【0107】

なお、上記形態では、本開示の被写体の一例として乳房を適用した形態について説明したが、被写体は乳房に限定されない。例えば、被写体は胸部や腹部等であってもよいし、放射線画像撮影装置はマンモグラフィ装置以外の放射線画像撮影装置を適用する形態であってもよい。なお、被写体が乳房であり、マンモグラフィ装置１０により得られた投影画像９０には、比較的多くのノイズが重畳される。そのため、上記形態のように、マンモグラフィ装置１０により実際に得られた投影画像９０に代わり、仮想投影画像９１を学習データ１００として用いることで、より精度よく、高画質の断層画像を出力する断層画像推定モデル６３を生成することができる。

【0108】

また、上記形態では、正解データ１０２に用いる３次元データとして、ＣＴ画像を用いた形態について説明したが正解データ１０２として用いる３次元データはＣＴ画像に限定されず、被写体の３次元構造１１０を表す３次元データであればよい。例えば、デジタルファントムにより被写体の３次元構造１１０を模擬して得られた３次元データであってもよい。デジタルファントムは、被写体の臨床解剖学的構造を模倣する物体を表す数字的構築物であり、放射線Ｒの吸収係数に対応した画素値を有する構造が３次元空間に配置されることにより構成される。デジタルファントムを用いた３次元データとしては、例えば、ＣＴ画像と同様に、放射線検出器２０に到達する放射線量に応じた画素値を有する画像を表す画像データを適用することができる。また、学習データ１００として用いる複数の正解データ１０２は、複数種類の３次元データを含んでいてもよく、例えば、ＣＴ画像を用いた３次元データと、デジタルファントムによる３次元データとを含んでいてもよい。

【0109】

また、上記形態では、ＣＴ画像は一般的な放射線画像と見た目が異なるため、正解データ１０２として、ＣＴ画像を放射線画像の吸収係数に応じて補正した画像を用いる形態について説明したが、正解データ１０２は本形態に限定されない。例えば、ＣＴ画像そのものであってもよく、３次元構造１１０を表す３次元データそのものであってもよい。

【0110】

また、上記形態では、支援装置１４が１種類の断層画像推定モデル６３を生成する形態について説明したが、本形態に限定されず、複数種類の断層画像推定モデル６３を生成する形態としてもよい。例えば、乳腺量により画像の見え方が大きく異なるため、支援装置１４が乳腺含有率や乳腺カテゴリ毎に、断層画像推定モデル６３を生成する形態としてもよい。この場合、支援装置１４は、乳腺含有率または乳腺カテゴリが異なる複数種類の３次元構造１１０を用意し、３次元構造１１０の種類毎に、正解データ１０２と、仮想投影画像９１との組で構成される学習データ１００を用いて機械学習を行うことにより乳腺含有率または乳腺カテゴリに応じた複数種類の断層画像推定モデル６３を生成することができる。

【0111】

また例えば、一連の照射位置１９_ｔ毎に、断層画像推定モデル６３を生成する形態としてもよい。この場合、例えば、支援装置１４は、照射角度範囲がー３０度～＋３０度であり、照射角度を５度刻みとした仮想的な照射位置１９_ｔにより得られた仮想投影画像９１と正解データ１０２との組で構成される学習データ１００を用いて断層画像推定モデル６３を生成する。また例えば、支援装置１４は、照射角度範囲が―３０度～＋３０度であり、照射角度を３度刻みとした仮想的な照射位置１９_ｔにより得られた仮想投影画像９１と正解データ１０２との組で構成される学習データ１００を用いて断層画像推定モデル６３を生成する。また例えば、支援装置１４は、照射角度範囲が－１５度～＋１５度であり、照射角度を５度刻みとした仮想的な照射位置１９_ｔにより得られた仮想投影画像９１と正解データ１０２との組で構成される学習データ１００を用いて断層画像推定モデル６３を生成する。このように支援装置１４は、照射角度範囲、または複数の照射位置１９_ｔに応じた複数種類の断層画像推定モデル６３を生成する形態としてもよい。

【0112】

また例えば、支援装置１４が右乳房の用の断層画像推定モデル６３と、左乳房用の断層画像推定モデル６３とを生成する形態としてもよい。この場合、支援装置１４は、右乳房に対応する３次元構造１１０に対応する正解データ１０２と、仮想投影画像９１との組で構成される学習データ１００のみを用いて機械学習を行うことにより右乳房用の断層画像推定モデル６３を生成することができる。また支援装置１４は、左乳房に対応する３次元構造１１０に対応する正解データ１０２と、仮想投影画像９１との組で構成される学習データ１００のみを用いて機械学習を行うことにより左乳房用の断層画像推定モデル６３を生成することができる。

【0113】

また、上記形態では、支援装置１４が学習フェーズを実行する学習装置の一例であり、コンソール１２が運用フェーズを実行する画像処理装置の一例である形態について説明したが、学習装置及び画像処理装置の各々として動作する装置は支援装置１４及びコンソール１２に限定されない。例えば、学習装置及び画像処理装置の機能を１台の装置が備えていてもよい。具体例としては、コンソール１２が、学習フェーズを実行する学習装置及び運用フェーズを実行する画像処理装置の機能を有していてもよい。また、コンソール１２が有する、投影画像取得部７０、断層画像生成部７２、及び表示制御部７４の機能の一部または全部をコンソール１２以外の、例えばマンモグラフィ装置１０、支援装置１４、及び外部の装置等が備えていてもよい。また、支援装置１４が有する、支援装置１４が有する３次元データ取得部８０、仮想投影画像生成部８２、及び断層画像推定モデル生成部８４の機能の位一部または全部を支援装置１４以外の、例えばマンモグラフィ装置１０、コンソール１２、及び外部の装置等が備えていてもよい。

【0114】

また、上記形態において、例えば、投影画像取得部７０、断層画像生成部７２、及び表示制御部７４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、及び３次元データ取得部８０、仮想投影画像生成部８２、及び断層画像推定モデル生成部８４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、前述したように、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。

【0115】

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、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせや、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。

【0116】

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、クライアント及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。

【0117】

更に、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、半導体素子など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。

【0118】

また、上記各形態では、撮影プログラム４１がＲＯＭ４０Ｂに予め記憶（インストール）されており、また画像生成プログラム５１がＲＯＭ５０Ｂに予め記憶（インストール）され、さらに学習プログラム６１がＲＯＭ６０Ｂに予め記憶（インストール）されている態様を説明したが、これに限定されない。撮影プログラム４１、画像生成プログラム５１、及び学習プログラム６１の各々は、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）、ＤＶＤ－ＲＯＭ（Digital Versatile Disc Read Only Memory）、及びＵＳＢ（Universal Serial Bus）メモリ等の記録媒体に記録された形態で提供されてもよい。また、撮影プログラム４１、画像生成プログラム５１、及び学習プログラム６１の各々は、ネットワークを介して外部装置からダウンロードされる形態としてもよい。

【符号の説明】

【0119】

１ 放射線画像撮影システム
１０ マンモグラフィ装置
１２ コンソール
１４ 支援装置
１９_１～１９_７、１９_ｔ 照射位置
２０ 放射線検出器、２０Ａ 検出面
２１_ｉ 画素
２４ 撮影台、２４Ａ 撮影面
２８ 放射線照射部
２９ 放射線源
３３ アーム部
３４ 基台
３５ 軸部
３６ 圧迫ユニット
３８ 圧迫板
３９ 支持部
４０Ａ、５０Ａ、６０Ａ ＣＰＵ、４０Ｂ、５０Ｂ、６０Ｂ ＲＯＭ、４０Ｃ、５０Ｃ、６０Ｃ ＲＡＭ
４１ 撮影プログラム
４２、５２、６２ 記憶部
４４、５４、６４ Ｉ／Ｆ部
４６、５６、６６ 操作部
４７ 線源移動部
４９、５９、６９ バス
５１ 画像生成プログラム
５８、６８ 表示部
６１ 学習プログラム
６３ 断層画像推定モデル
７０ 投影画像取得部
７２ 断層画像生成部
７４ 表示制御部
８０ ３次元データ取得部
８２ 仮想投影画像生成部
８４ 断層画像推定モデル生成部
９０、９０_ｔ 投影画像
９１、９１_ｔ 仮想投影画像
９２ 推定断層画像群
９４_１、９４_ｊ ボクセル
９６_ｔｎ 部分投影領域
９８_ｍ 部分断層領域
１００ 学習データ
１０２ 正解データ
１１０ ３次元構造
ＣＬ 法線
Ｒ 放射線、ＲＣ 放射線軸
Ｕ 被写体
ｗ^ｔ _ｉｊ 交差長
Ｘ^ｔ _ｉ 経路
α、β 角度

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】