(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】P2024116845
(43)【公開日】2024-08-28
(54)【発明の名称】Ｘ線診断装置、医用画像処理装置及び医用画像処理方法
(51)【国際特許分類】
A61B 6/00 20240101AFI20240821BHJP
G06T 7/00 20170101ALI20240821BHJP
G06V 10/72 20220101ALI20240821BHJP
【ＦＩ】
A61B6/00 360Z
G06T7/00 612
G06T7/00 350B
G06V10/72
【審査請求】未請求
【請求項の数】16
【出願形態】ＯＬ
(21)【出願番号】P 2023022665
(22)【出願日】2023-02-16
(71)【出願人】
【識別番号】594164542
【氏名又は名称】キヤノンメディカルシステムズ株式会社
(74)【代理人】
【識別番号】110003708
【氏名又は名称】弁理士法人鈴榮特許綜合事務所
(72)【発明者】
【氏名】小笠原 純平
(72)【発明者】
【氏名】上原 久幸
(72)【発明者】
【氏名】吉田 元
(72)【発明者】
【氏名】早津 泰人
(72)【発明者】
【氏名】和久 敏哉
(72)【発明者】
【氏名】佐藤 直高
【テーマコード（参考）】
4C093
5L096
【Ｆターム（参考）】
4C093AA08
4C093AA26
4C093CA35
4C093EC16
4C093FA13
4C093FD03
4C093FF18
4C093FF50
5L096BA13
5L096EA45
5L096JA11
5L096KA04
(57)【要約】
【課題】Ｘ線画像に対する学習済みモデルの適合を図ること。
【解決手段】 実施形態に係るＸ線診断装置は、取得部と、処理部と、を備える。前記取得部は、Ｘ線画像を取得する。前記処理部は、前記Ｘ線画像が入力される第１学習済みモデルについて前記Ｘ線画像に適合するか否かを判定し、否の場合には、前記適合する第１学習済みモデルとなるように、前記Ｘ線画像に対して画像処理を行う。
【選択図】図１
【解決手段】 実施形態に係るＸ線診断装置は、取得部と、処理部と、を備える。前記取得部は、Ｘ線画像を取得する。前記処理部は、前記Ｘ線画像が入力される第１学習済みモデルについて前記Ｘ線画像に適合するか否かを判定し、否の場合には、前記適合する第１学習済みモデルとなるように、前記Ｘ線画像に対して画像処理を行う。
【選択図】図１
【特許請求の範囲】
【請求項1】
Ｘ線画像を取得する取得部と、
前記Ｘ線画像が入力される第１学習済みモデルについて前記Ｘ線画像に適合するか否かを判定し、否の場合には、前記適合する第１学習済みモデルとなるように、前記Ｘ線画像に対して画像処理を行う処理部と、
を備えるＸ線診断装置。
前記Ｘ線画像が入力される第１学習済みモデルについて前記Ｘ線画像に適合するか否かを判定し、否の場合には、前記適合する第１学習済みモデルとなるように、前記Ｘ線画像に対して画像処理を行う処理部と、
を備えるＸ線診断装置。
【請求項2】
前記処理部は、前記第１学習済みモデルの学習データに関する第１特徴量の分布の重心から前記Ｘ線画像に関する第２特徴量が逸脱する逸脱度に応じて前記判定を行う、請求項１に記載のＸ線診断装置。
【請求項3】
前記第１特徴量の分布の重心及び標準偏差を記憶する記憶部を更に備え、
前記処理部は、前記第２特徴量と前記重心との差分を前記標準偏差で除算することで前記逸脱度を取得し、当該逸脱度が閾値以下か否かに応じて前記判定を行う、請求項２に記載のＸ線診断装置。
前記処理部は、前記第２特徴量と前記重心との差分を前記標準偏差で除算することで前記逸脱度を取得し、当該逸脱度が閾値以下か否かに応じて前記判定を行う、請求項２に記載のＸ線診断装置。
【請求項4】
前記処理部は、前記否の場合には、前記逸脱度が閾値より大きい第２特徴量を選択し、前記選択した第２特徴量に関連する前記画像処理を行う、請求項２又は３に記載のＸ線診断装置。
【請求項5】
前記処理部は、前記第１特徴量のうちの画像特徴量の分布の平均値を前記画像処理の目標値として設定し、前記目標値に基づき、前記Ｘ線画像に対して画像処理を行う、請求項４に記載のＸ線診断装置。
【請求項6】
前記適合する第１学習済みモデルとなるように、前記取得されるＸ線画像の収集条件を推定する推定部を更に備える、請求項１又は２に記載のＸ線診断装置。
【請求項7】
前記処理部は、前記否の場合には、前記逸脱度が閾値より大きい第２特徴量を選択し、前記選択した第２特徴量に関連する前記画像処理を行い、
前記第１特徴量は、前記学習データに用いた入力画像の収集条件として第１Ｘ線条件及び第１撮影条件を含み、
前記第２特徴量は、前記Ｘ線画像の収集条件として第２Ｘ線条件及び第２撮影条件を含み、
前記推定部は、前記第１Ｘ線条件から前記第２Ｘ線条件が逸脱する第１逸脱度と、前記第１撮影条件から前記第２撮影条件が逸脱する第２逸脱度とのうちの大きい方の逸脱度に関する第２Ｘ線条件又は第２撮影条件に代えて、当該逸脱度に関する前記入力画像の収集条件を用いるように、次回以降に取得されるＸ線画像の収集条件を推定する、
請求項２を引用する請求項６に記載のＸ線診断装置。
前記第１特徴量は、前記学習データに用いた入力画像の収集条件として第１Ｘ線条件及び第１撮影条件を含み、
前記第２特徴量は、前記Ｘ線画像の収集条件として第２Ｘ線条件及び第２撮影条件を含み、
前記推定部は、前記第１Ｘ線条件から前記第２Ｘ線条件が逸脱する第１逸脱度と、前記第１撮影条件から前記第２撮影条件が逸脱する第２逸脱度とのうちの大きい方の逸脱度に関する第２Ｘ線条件又は第２撮影条件に代えて、当該逸脱度に関する前記入力画像の収集条件を用いるように、次回以降に取得されるＸ線画像の収集条件を推定する、
請求項２を引用する請求項６に記載のＸ線診断装置。
【請求項8】
前記処理部は、前記画像処理を行った後、再度、前記判定を行うループ処理を閾値以下の回数又は時間だけ行う、請求項１乃至３のいずれか一項に記載のＸ線診断装置。
【請求項9】
前記処理部は、前記ループ処理における最後の判定の結果、否の場合には、前記画像処理以外で且つ前記第１学習済みモデルを用いない代替処理をＸ線画像に行う、請求項８に記載のＸ線診断装置。
【請求項10】
前記適合する第１学習済みモデルとなるように、前記第１学習済みモデルの準備を行う準備部を更に備える、請求項１乃至３のいずれか一項に記載のＸ線診断装置。
【請求項11】
前記準備部は、前記画像処理に並行して機械学習モデルの再学習を実行し、前記再学習の後、前記第１学習済みモデルを、前記再学習により得られた新規の第１学習済みモデルに更新することで前記準備を行う、請求項１０に記載のＸ線診断装置。
【請求項12】
前記処理部は、複数の前記第１学習済みモデルの各々について前記Ｘ線画像に適合するか否かを判定し、
前記準備部は、複数の前記第１学習済みモデルのうちの１つ以上が適合すると判定された場合には、最も適合する第１学習済みモデルを選択することで前記準備を行う、請求項１０に記載のＸ線診断装置。
前記準備部は、複数の前記第１学習済みモデルのうちの１つ以上が適合すると判定された場合には、最も適合する第１学習済みモデルを選択することで前記準備を行う、請求項１０に記載のＸ線診断装置。
【請求項13】
前記処理部は、前記否の場合には、前記逸脱度が閾値より大きい第２特徴量を選択し、前記選択した第２特徴量に関連する前記画像処理を行い、
前記第１特徴量は、前記学習データに用いた入力画像の収集条件として第１Ｘ線条件及び第１撮影条件を含み、
前記第２特徴量は、前記取得されるＸ線画像の収集条件として第２Ｘ線条件及び第２撮影条件を含み、
前記推定部は、前記第１Ｘ線条件から前記第２Ｘ線条件が逸脱する第１逸脱度と、前記第１撮影条件から前記第２撮影条件が逸脱する第２逸脱度とのうちの大きい方の逸脱度に関する第２Ｘ線条件又は第２撮影条件に代えて、当該逸脱度に関する前記入力画像の収集条件を用いるように、初回に取得されるＸ線画像の収集条件を推定する、
請求項２を引用する請求項６に記載のＸ線診断装置。
前記第１特徴量は、前記学習データに用いた入力画像の収集条件として第１Ｘ線条件及び第１撮影条件を含み、
前記第２特徴量は、前記取得されるＸ線画像の収集条件として第２Ｘ線条件及び第２撮影条件を含み、
前記推定部は、前記第１Ｘ線条件から前記第２Ｘ線条件が逸脱する第１逸脱度と、前記第１撮影条件から前記第２撮影条件が逸脱する第２逸脱度とのうちの大きい方の逸脱度に関する第２Ｘ線条件又は第２撮影条件に代えて、当該逸脱度に関する前記入力画像の収集条件を用いるように、初回に取得されるＸ線画像の収集条件を推定する、
請求項２を引用する請求項６に記載のＸ線診断装置。
【請求項14】
前記処理部は、前記否の場合には、前記第１学習済みモデルの学習データに用いた入力画像に関する画像特徴量の分布を変更させた変更画像に基づいて前記入力画像を生成する第２学習済みモデルに対して、前記Ｘ線画像を入力することで、前記Ｘ線画像の画像特徴量の分布を前記入力画像に近づけたＸ線画像を生成する前記画像処理を行う、
請求項１乃至３のいずれか一項に記載のＸ線診断装置。
請求項１乃至３のいずれか一項に記載のＸ線診断装置。
【請求項15】
Ｘ線画像を取得する取得部と、
前記Ｘ線画像が入力される第１学習済みモデルについて前記Ｘ線画像に適合するか否かを判定し、否の場合には、前記適合する第１学習済みモデルとなるように、前記Ｘ線画像に対して画像処理を行う処理部と、
を備える医用画像処理装置。
前記Ｘ線画像が入力される第１学習済みモデルについて前記Ｘ線画像に適合するか否かを判定し、否の場合には、前記適合する第１学習済みモデルとなるように、前記Ｘ線画像に対して画像処理を行う処理部と、
を備える医用画像処理装置。
【請求項16】
Ｘ線画像を取得することと、
前記Ｘ線画像が入力される第１学習済みモデルについて前記Ｘ線画像に適合するか否かを判定し、否の場合には、前記適合する第１学習済みモデルとなるように、前記Ｘ線画像に対して画像処理を行うことと、
を備える医用画像処理方法。
前記Ｘ線画像が入力される第１学習済みモデルについて前記Ｘ線画像に適合するか否かを判定し、否の場合には、前記適合する第１学習済みモデルとなるように、前記Ｘ線画像に対して画像処理を行うことと、
を備える医用画像処理方法。
【発明の詳細な説明】
【技術分野】
【0001】
本明細書及び図面に開示の実施形態は、Ｘ線診断装置、医用画像処理装置及び医用画像処理方法に関する。
【背景技術】
【0002】
近年、機械学習による学習済みモデルを用いて画像処理を行うＸ線診断装置が知られている。この種の学習済みモデルは、例えば、入力されたＸ線画像に対し、ノイズの低減、又は病変部のセグメンテーションといった画像処理を施し、画像処理後のＸ線画像を出力する。このような学習済みモデルは、入力されたＸ線画像が学習データの範囲内にあり、当該Ｘ線画像に適合する場合には、性能が発揮されて所望の画像処理結果を出力できる。逆に、学習済みモデルは、入力されたＸ線画像が学習データの範囲外にあり、当該Ｘ線画像に適合しない場合には、性能が発揮されず、想定外の画像処理結果を出力してしまう。例えば、入力されたＸ線画像が学習データの範囲外のＸ線条件や患者条件をもつ場合、学習済みモデルは、明るさが変化してアーチファクトが発生したＸ線画像を出力することがある。なお、このように、学習済みモデルが適合せず、想定外の画像処理結果を出力する場合、誤診の発生や撮影のやり直し及び不要被ばくが発生する可能性がある。
【0003】
従って、学習済みモデルは、入力されるＸ線画像に適合することで、性能を発揮して所望の画像処理結果を得る必要がある。しかしながら、学習済みモデルは、Ｘ線画像に対する適合の有無によらず、性能の発揮の有無を検知できないため、当該性能の発揮の有無をユーザが知ることができない。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開２０２１－１０４１４０号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
本明細書及び図面に開示の実施形態が解決しようとする課題の一つは、Ｘ線画像に対する学習済みモデルの適合を図ることである。ただし、本明細書及び図面に開示の実施形態により解決しようとする課題は上記課題に限られない。後述する実施形態に示す各構成による各効果に対応する課題を他の課題として位置づけることもできる。
【課題を解決するための手段】
【0006】
実施形態に係るＸ線診断装置は、取得部と、処理部と、を備える。前記取得部は、Ｘ線画像を取得する。前記処理部は、前記Ｘ線画像が入力される第１学習済みモデルについて前記Ｘ線画像に適合するか否かを判定し、否の場合には、前記適合する第１学習済みモデルとなるように、前記Ｘ線画像に対して画像処理を行う。
【図面の簡単な説明】
【0007】
【発明を実施するための形態】
【0008】
以下、図面を参照して各実施形態について説明する。以下の説明では、略同一の機能及び構成を有する構成要素については同一符号を付すことにより、重複した記載を省略する。
【0009】
＜第１の実施形態＞
図１は、第１の実施形態に係るＸ線診断装置の構成を示すブロック図である。Ｘ線診断装置１としては、例えば、循環器用の装置を用いてもよい。また、Ｘ線診断装置１としては、シングルプレーン構造を例に挙げて述べるが、これに限らず、バイプレーン構造を用いてもよい。
図１は、第１の実施形態に係るＸ線診断装置の構成を示すブロック図である。Ｘ線診断装置１としては、例えば、循環器用の装置を用いてもよい。また、Ｘ線診断装置１としては、シングルプレーン構造を例に挙げて述べるが、これに限らず、バイプレーン構造を用いてもよい。
【0010】
具体的には例えば、Ｘ線診断装置１は、撮像装置１０、寝台装置３０及びコンソール装置４０を備えている。撮像装置１０は、高電圧発生装置１１、Ｘ線発生部１２、Ｘ線検出器１３、Ｃアーム１４及びＣアーム駆動装置１４１を備えている。
【0011】
高電圧発生装置１１は、Ｘ線管の陰極から発生する熱電子を加速するために、陽極と陰極の間に印加する高電圧を発生させてＸ線管へ出力する。
【0012】
Ｘ線発生部１２は、Ｘ線を発生させる。具体的には、Ｘ線発生部１２は、被検体Ｐに対してＸ線を照射するＸ線管と、Ｘ線の照射野を限定したり、照射野のうちの一部についてＸ線を減衰させたりする機能を有するＸ線絞りとを備えている。
【0013】
Ｘ線管は、Ｘ線を発生する。具体的には、Ｘ線管は、熱電子を発生する陰極と、陰極から飛翔する熱電子を受けてＸ線を発生する陽極とを保持する真空管である。例えば、Ｘ線管には回転する陽極に熱電子を照射することでＸ線を発生させる回転陽極型のＸ線管がある。Ｘ線管は高圧ケーブルを介して高電圧発生装置１１に接続されている。陰極と陽極との間には、高電圧発生装置１１により管電圧が印加される。管電圧の印加により陰極から陽極に向けて熱電子が飛翔する。陰極から陽極に向けて熱電子が飛翔することにより管電流が流れる。高電圧発生装置１１からの高電圧の印加及びフィラメント電流の供給により、陰極から陽極に向けて熱電子が飛翔し、熱電子が陽極に衝突することによりＸ線が発生される。
【0014】
Ｘ線絞りは、Ｘ線管とＸ線検出器１３の間に位置し、一般的には、絞り羽根、付加フィルタ及び補償フィルタを備えている。Ｘ線絞りは、開口領域外のＸ線を遮蔽することにより、Ｘ線管が発生したＸ線を、被検体Ｐの関心領域にのみ照射されるように絞り込む。例えば、Ｘ線絞りは４枚の鉛板からなる絞り羽根を有し、これらの絞り羽根をスライドさせることで、Ｘ線の遮蔽される領域を任意のサイズに調節する。Ｘ線絞りの絞り羽根は、操作者が入力インタフェース４３から入力した関心領域に応じて、図示しない駆動装置により駆動される。また、Ｘ線絞りは、Ｘ線の総ろ過を調整するための付加フィルタがスリットから挿入可能となっている。また、Ｘ線絞りは、Ｘ線検査時に使用される鉛マスクや補償フィルタがアクセサリ挿入口から挿入可能となっている。なお、補償フィルタは、照射Ｘ線量を減衰或いは低減させる機能を有するＲＯＩ（Region Of Interest）フィルタを含んでもよい。
【0015】
Ｘ線検出器１３は、被検体Ｐを透過したＸ線を検出する。このようなＸ線検出器１３としては、Ｘ線を直接電荷に変換するものと、光に変換した後、電荷に変換するものとが使用可能であり、ここでは前者を例に説明するが後者であっても構わない。すなわち、Ｘ線検出器１３は、例えば、被検体Ｐを透過したＸ線を電荷に変換して蓄積する平面状のＦＰＤ（Flat Panel Detector）と、このＦＰＤに蓄積された電荷を読み出すための駆動パルスを生成するゲートドライバとを備えている。ＦＰＤは微小な検出素子を列方向及びライン方向に２次元的に配列して構成される。各々の検出素子はＸ線を感知し、入射Ｘ線量に応じて電荷を生成する光電膜と、この光電膜に発生した電荷を蓄積する電荷蓄積コンデンサと、電荷蓄積コンデンサに蓄積された電荷を所定のタイミングで出力するＴＦＴ（薄膜トランジスタ）を備えている。蓄積された電荷はゲートドライバが供給する駆動パルスによって順次読み出される。
【0016】
Ｘ線検出器１３の後段には、図示しない投影データ生成回路及び投影データ記憶回路を備える。投影データ生成回路は、ＦＰＤから行単位あるいは列単位でパラレルに読み出された電荷を電圧に変換する電荷・電圧変換器と、この電荷・電圧変換器の出力をデジタル信号に変換するＡ／Ｄ変換器と、デジタル変換されたパラレル信号を時系列的なシリアル信号に変換するパラレル・シリアル変換器を備えている。投影データ生成回路は、このシリアル信号を時系列的な投影データとして投影データ記憶回路に供給する。投影データ記憶回路は、投影データ生成回路から供給される時系列的な投影データを順次保存して２次元投影データ（Ｘ線画像）を生成する。言い換えると、Ｘ線検出器１３は、被検体を透過したＸ線を検出してＸ線画像を順次生成する。このＸ線画像（２次元投影データ）は、メモリ４１に保存される。
【0017】
Ｃアーム１４は、Ｘ線発生部１２とＸ線検出器１３とを被検体Ｐ及び天板３３を挟んで対向するように保持することで、天板３３上の被検体ＰのＸ線撮影を行うことができる構成を有する。以下の説明では、天井吊りタイプのＣアームを例に挙げて述べるが、これに限らず、例えば、床置きタイプのＣアームであってもよい。
【0018】
具体的にはＣアーム１４は、天板３３に垂直なＹ方向と、天板３３の長軸方向に沿ったＺ方向との両者に直交するＸ方向の軸を中心に回転可能に保持部（図示せず）に保持されている。また、Ｃアーム１４は、Ｚ方向の軸を中心とした略円弧形状を有し、略円弧形状に沿ってスライド動作可能に保持部に保持されている。すなわち、Ｃアーム１４は、Ｚ方向の軸を回転中心としたスライド動作を行うことができる。また、Ｃアーム１４は、保持部を中心としてＸ方向の軸を中心とした回転動作（以下、「主回転動作」と称する。）をすることができ、スライドとこの回転の組み合わせにより様々な角度方向からＸ線画像を観察することを可能とする。さらに、Ｃアーム１４は、Ｙ方向の軸を中心にも回転することができ、これにより、例えば、上述のスライド動作の回転中心軸をＸ方向とすることができる。なお、Ｘ線発生部１２のＸ線焦点と、Ｘ線検出器１３の検出面中心とを通る撮影軸は、スライド動作の回転中心軸と、主回転動作の回転中心軸とに一点で交差するように設計されている。当該交点は、一般的には、アイソセンタと呼ばれている。アイソセンタは、Ｃアーム１４が上述のスライド動作や主回転動作をしても変位しない。このため、アイソセンタに関心部位が位置した場合、Ｃアーム１４のスライド動作又は主回転動作により得られた医用画像の動画像において、関心部位の観察が容易になる。
【0019】
Ｃアーム１４は、このようなスライド動作と回転動作を実現するための複数の動力源が該当する適当な箇所に備えられている。これらの動力源はＣアーム駆動装置１４１を構成する。Ｃアーム駆動装置１４１は、システム制御機能４４１からの駆動信号を読み込んでＣアーム１４をスライド運動、回転運動、直線運動させる。さらに、Ｃアーム１４には、その角度または姿勢や位置の情報を検出する状態検出器（図示せず）がそれぞれ備えられている。状態検出器は、例えば回転角や移動量を検出するポテンショメータや、位置検出センサであるエンコーダ等で構成される。エンコーダとしては、例えば磁気方式、刷子式、あるいは光電式等の、いわゆるアブソリュートエンコーダが使用可能となっている。また、状態検出器としては、回転変位をデジタル信号として出力するロータリエンコーダあるいは直線変位をデジタル信号として出力するリニアエンコーダなど、様々な種類の位置検出機構が適宜、使用可能となっている。
【0020】
寝台装置３０は、被検体Ｐを載置、移動させる装置であり、基台３１と、寝台駆動装置３２と、天板３３と、支持フレーム３４とを備えている。
【0021】
基台３１は、床面に設置され、支持フレーム３４を鉛直方向（Ｙ方向）に移動可能に支持する筐体である。
【0022】
寝台駆動装置３２は、寝台装置３０の筐体内に収容され、被検体Ｐが載置された天板３３を天板３３の長手方向（Ｚ方向）に移動するモータあるいはアクチュエータである。寝台駆動装置３２は、システム制御機能４４１からの駆動信号を読み込んで、天板３３を床面に対して水平方向や垂直方向に移動させる。Ｃアーム１４または天板３３が移動することにより、被検体Ｐに対する撮影軸の位置関係が変化する。なお、寝台駆動装置３２は、天板３３に加え、支持フレーム３４を天板３３の長手方向に移動してもよい。
【0023】
天板３３は、支持フレーム３４の上面に設けられ、被検体Ｐが載置される板である。
【0024】
支持フレーム３４は、基台３１の上部に設けられ、天板３３をその長手方向に沿ってスライド可能に支持する。
【0025】
コンソール装置４０は、メモリ４１、ディスプレイ４２、入力インタフェース４３、処理回路４４及びネットワークインタフェース４５を備えている。
【0026】
メモリ４１は、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、ＨＤＤ（Hardware Disk Drive）及び画像メモリなど電気的情報を記録するメモリ本体と、それらメモリ本体に付随するメモリコントローラやメモリインタフェースなどの周辺回路とを備えている。メモリ４１は、例えば、処理回路４４に実行されるプログラムと、処理回路４４により生成されたＸ線画像と、処理回路４４の処理に用いるデータ、処理途中のデータ及び処理後のデータ等とが記憶される。また、メモリ４１は、処理回路４４の処理に用いる学習済みモデル、学習情報、前処理情報を記憶している。学習情報は、第１学習済みモデルの学習データに関する第１特徴量の分布の重心及び標準偏差を含んでいる。メモリ４１は、第１特徴量の分布の重心及び標準偏差を記憶する記憶部の一例である。
【0027】
ディスプレイ４２は、医用画像などを表示するディスプレイ本体と、ディスプレイ本体に表示用の信号を供給する内部回路、ディスプレイ本体と内部回路とをつなぐコネクタやケーブルなどの周辺回路から構成されている。内部回路は、処理回路４４から供給される画像データに被検体情報や投影データ生成条件等の付帯情報を重畳して表示データを生成し、得られた表示データに対しＤ／Ａ変換とＴＶフォーマット変換を行なってディスプレイ本体に表示する。
【0028】
入力インタフェース４３は、被検体情報の入力、Ｘ線照射条件を含むＸ線撮影条件の設定、各種コマンド信号の入力等を行う。入力インタフェース４３は、例えば、Ｃアーム１４の移動指示、関心領域（ＲＯＩ）の設定などを行うためのトラックボール、スイッチボタン、マウス、キーボード、操作面へ触れることで入力操作を行うタッチパッド、及び表示画面とタッチパッドとが一体化されたタッチパネルディスプレイ等によって実現される。入力インタフェース４３は、処理回路４４に接続されており、操作者から受け取った入力操作を電気信号へ変換し、処理回路４４へと出力する。なお、本明細書において入力インタフェース４３はマウス、キーボードなどの物理的な操作部品を備えるものだけに限られない。例えば、装置とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を処理回路４４へ出力する電気信号の処理回路も入力インタフェース４３の例に含まれる。
【0029】
処理回路４４は、メモリ４１内のプログラムを呼び出し実行することにより、プログラムに対応するシステム制御機能４４１、取得機能４４２及び処理機能４４３を実現するプロセッサである。この種のプログラムとしては、例えば、取得機能４４２及び処理機能４４３をコンピュータ（医用画像処理装置４６）に実現させるための医用画像処理プログラムが使用可能となっている。この医用画像処理プログラムは、適宜、後述する推定機能及び準備機能のうちの少なくとも一方をコンピュータに更に実現させてもよい。なお、図１においては単一の処理回路４４にてシステム制御機能４４１、取得機能４４２及び処理機能４４３が実現されるものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路を構成し、各プロセッサがプログラムを実行することにより各機能を実現するものとしても構わない。また、システム制御機能４４１、取得機能４４２、処理機能４４３は、それぞれシステム制御回路、取得回路、処理回路と呼んでもよく、個別のハードウェア回路として実装してもよい。これらプログラム、プロセッサ及びハードウエア回路に関する説明は、後述する推定機能及び準備機能についても同様である。処理回路４４は、取得部、処理部、推定部及び準備部の一例である。
【0030】
システム制御機能４４１は、例えば、入力インタフェース４３から入力された操作者によるコマンド信号、及び各種初期設定条件等の情報を一旦記憶した後、これらの情報を処理回路４４の各処理機能に送信する。また、システム制御機能４４１は、例えば、入力インタフェース４３から入力されたＣアーム１４や天板３３の駆動に関する情報を用いてＣアーム駆動装置１４１及び寝台駆動装置３２の制御を行う。また、システム制御機能４４１は、例えば、記憶した各種初期設定条件等の情報を読み込んで、高電圧発生装置１１における管電流、管電圧、照射時間等のＸ線照射条件の制御を行う。
【0031】
取得機能４４２は、メモリ４１からＸ線画像を取得する。例えば、取得機能４４２は、Ｘ線検出器１３により順次生成されたＸ線画像がメモリ４１に保存されることにより、メモリ４１内のＸ線画像を取得する。なお、取得機能４４２は、取得されるＸ線画像の収集条件を設定する機能を含んでもよい。
【0032】
処理機能４４３は、取得機能４４２に取得されたＸ線画像が入力される第１学習済みモデルについて当該Ｘ線画像に適合するか否かを判定し、否の場合には、当該適合する第１学習済みモデルとなるように、当該Ｘ線画像に対して画像処理を行う。例えば、処理機能４４３は、取得されたＸ線画像の明るさが学習データの範囲外にある旨の理由で適合しない場合には、Ｘ線画像に対して明るさを調整する画像処理を掛ける等、適合しない理由に応じた画像処理を行う。適合しない理由は、学習済みモデルの学習データの範囲から逸脱度の大きい特徴量が、当該学習済みモデルの性能を発揮させないことによる。これに伴い、処理機能４４３は、Ｘ線画像に画像処理（前処理）を掛けて適合するＸ線画像に修正する。これにより、修正後のＸ線画像に対し、第１学習済みモデルの性能が発揮されるようになる。
【0033】
第１学習済みモデルは、図２（ａ）に学習時の例を示すように、入力データ及び出力データを含む学習データに基づいて、機械学習モデルＭｄに機械学習を施して得られた学習済みの機械学習モデルＭｄがメモリ４１に実装されたものである。また、学習済みモデルＭｄ１は、図２（ｂ）に使用時の例を示すように、実装された学習済みの機械学習モデルＭｄであり、取得されたＸ線画像が入力されると、画像処理後の当該Ｘ線画像を出力する。なお、第１学習済みモデルＭｄ１は、Ｘ線診断装置１の工場出荷前に予めメモリ４１に保存することで実装してもよい。あるいはＸ線診断装置１の工場出荷後に、図示しないサーバ装置などから取得した学習済みの機械学習モデルＭｄをメモリ４１に保存することで実装してもよい。このことは、後述する他の実施形態及び変形例でも同様である。
【0034】
機械学習としては、例えば、深層学習（Deep Learning）の対象となる多層ニューラルネットワークである深層ニューラルネットワーク（Deep Neural Network：ＤＮＮ）を用いている。ＤＮＮとしては、例えば、動画に対して再帰型ニューラルネットワーク（Recurrent Neural Network：ＲＮＮ）を用いてもよく、静止画に対して畳込みニューラルネットワーク（Convolutional Neural Network：ＣＮＮ）を用いてもよい。この種のＣＮＮは、ＤＣＮＮ（Deep CNN）ともいう。本実施形態では、学習済みモデルとしてＤＣＮＮを用いている。また、ＲＮＮは、長・短期記憶（Long Short-Term Memory：ＬＳＴＭ）を含んでもよい。但し、機械学習は、ＤＮＮに限らず、例えば、サポートベクターマシン（ＳＶＭ）などの教師あり学習アルゴリズムを用いてもよい。すなわち、機械学習としては、処理の対象画像を入力データとし、処理の結果画像を出力データとした教師あり学習アルゴリズムを用いるものであればよい。以上の機械学習に関する説明は、以下の全ての機械学習モデルＭｄ、第１学習済みモデルＭｄ１、及び後述する第２学習済みモデルにも該当する。
【0035】
学習データは、画像処理前のＸ線画像である入力画像を入力データとし、画像処理後の入力画像を出力データとした、入力データと出力データとの組である。機械学習には、複数の学習データが用いられる。複数の学習データは、図３に示すように、当該学習データの分布を示す情報が学習情報４１ａとしてメモリ４１に保存されている。学習情報４１ａは、特徴量分類、第１特徴量、平均値μ、標準偏差σを含んでいる。特徴量分類は、第１学習済みモデルＭｄ１の学習データにおける入力データ（Ｘ線画像）の特徴量である第１特徴量を分類した項目である。例えば、特徴量分類としては、Ｘ線条件、撮影条件、装置の構成、患者情報、デバイス情報、画像情報、検査内容が適宜、使用可能となっている。Ｘ線条件は、管電圧、管電流、線質フィルタなどのＸ線に関する第１特徴量が属する項目である。撮影条件は、Ｃアーム角度、視野サイズなどの撮影に関する第１特徴量が属する項目である。装置の構成は、検出器サイズ、検出器画素サイズなどの撮像装置の構成に関する第１特徴量が属する項目である。患者情報は、体重、ＢＭＩ（Body-Mass Index）などの患者に関する第１特徴量が属する項目である。デバイス情報は、カテーテル又はステントといったＸ線画像内に撮像されるデバイスを表すデバイス種類、大きさなどの情報に関する第１特徴量が属する項目である。画像情報は、ノイズ量、ヒストグラム情報などの画像特徴量を示す第１特徴量が属する項目である。検査内容は、造影の有無、検査対象部位などの検査に対応する画像内容に関する第１特徴量が属する項目である。第１特徴量は、第１学習済みモデルＭｄ１の学習データに関する特徴量である。平均値μは、当該学習データの第１特徴量毎に算出され、当該第１特徴量の分布を示すデータの一例である。具体的には、平均値μは、学習データの第１特徴量の平均を示す値であり、第１特徴量の分布の重心に相当する。標準偏差σは、当該学習データの第１特徴量毎に算出され、当該第１特徴量の分布を示すデータの他の一例である。具体的には、標準偏差σは、学習データの第１特徴量の標準偏差を示す値であり、第１特徴量の分布の重心から標準的に逸脱した距離の大きさに相当する。
【0036】
また、処理機能４４３は、第１学習済みモデルＭｄ１の学習データに関する第１特徴量の分布の重心からＸ線画像に関する第２特徴量が逸脱する逸脱度に応じて上記判定を行うようにしてもよい。具体的には、処理機能４４３は、当該第２特徴量と当該重心との差分を標準偏差で除算することで逸脱度を取得し、当該逸脱度が閾値以下か否かに応じて上記判定を行うようにしてもよい。
【0037】
また、処理機能４４３は、判定の結果、否の場合には、逸脱度が閾値より大きい第２特徴量を選択し、当該選択した第２特徴量に関連する画像処理を行うようにしてもよい。このとき、処理機能４４３は、図４に示すように、前処理としての画像処理と、当該Ｘ線画像の第２特徴量とを関連付けた前処理情報４１ｂをメモリ４１から読み出し、上記選択した第２特徴量に関連する画像処理を前処理情報４１ｂから特定してもよい。図４中、ノイズ量の調整という画像処理と、ノイズ量、患者体厚、線量という第２特徴量とが関連付けられている。同様に、コントラスト量の調整という画像処理と、コントラスト、管電圧、線質フィルタという第２特徴量とが関連付けられている。また、前処理情報４１ｂは、撮影目的を更に画像処理及び第２特徴量に関連付けてもよい。具体的には例えば、ステントを確認する旨の撮影目的の場合、当該撮影目的は、エッジ強調フィルタを調整する旨の画像処理と、空間解像度を含む第２特徴量とに関連付けられる。また、処理機能４４３は、第１特徴量のうちの画像特徴量の分布の平均値を画像処理の目標値として設定し、目標値に基づき、Ｘ線画像に対して画像処理を行うようにしてもよい。この設定に関する画像特徴量は、学習情報４１ａにおける画像情報に関連する第１特徴量である。すなわち、画像特徴量の分布の平均値は、学習情報４１ａにおいて、画像情報に関連する第１特徴量における学習データの平均値である。
【0038】
ネットワークインタフェース４５は、コンソール装置４０をネットワークＮｗに接続して他の装置と通信するための回路である。ネットワークインタフェース４５としては、例えば、ネットワークインタフェースカード（ＮＩＣ）が使用可能となっている。以下の説明では、他の装置との通信にネットワークインタフェース４５が介在する旨の記載を省略する。
【0039】
これらメモリ４１、ディスプレイ４２、入力インタフェース４３、処理回路４４の取得機能４４２及び処理機能４４３は、医用画像処理方法を実行する医用画像処理装置４６を構成している。医用画像処理装置４６は、後述する推定機能及び準備機能を更に含んでもよい。
【0040】
【0041】
始めに、Ｘ線診断装置１の処理回路４４は、操作者による入力インタフェース４３の操作に応じて、Ｘ線画像の収集条件を設定し、収集条件に応じて撮像装置１０を制御することにより、Ｘ線撮像を行う。
【0042】
ステップＳＴ２０において、Ｘ線発生部１２がＸ線を発生し、Ｘ線検出器１３が、被検体Ｐを透過したＸ線を検出してＸ線画像を順次生成する。順次生成されたＸ線画像は、Ｘ線検出器１３からメモリ４１に保存される。これにより、Ｘ線画像が処理回路４４に取得される。
【0043】
ステップＳＴ３０において、処理回路４４は、取得されたＸ線画像が入力される第１学習済みモデルＭｄ１について当該Ｘ線画像に適合するか否かを判定する。この適合判定を行うステップＳＴ３０は、ステップＳＴ３１～ＳＴ３２により実行される。
【0044】
例えばステップＳＴ３１において、処理回路４４は、第１学習済みモデルＭｄ１の学習データに関する第１特徴量と、取得されたＸ線画像に関する第２特徴量とに基づいて、逸脱度を算出する。逸脱度は、第１特徴量の分布の重心（平均値μ）から第２特徴量が逸脱する度合を示す指標である。例えば図６及び以下の（１）式に示すように、逸脱度Ｄは、第２特徴量ｘと、第１特徴量の平均値μとの差分を第１特徴量の標準偏差σで除算することで取得される。なお、（１）式は、差分の絶対値を標準偏差σで除算する形（Ｄ＝｜ｘ－μ｜／σ）で表現してもよい。また、逸脱度Ｄは、特徴量間で次元が異なるため、標準偏差σで除算することで無次元に合わせている。
【0045】
【0046】
しかる後、ステップＳＴ３２において、処理回路４４は、取得した逸脱度に応じて判定を行う。例えば、処理回路４４は、当該逸脱度が閾値以下か否かに応じて、上記適合するか否かの判定を行う。閾値としては、例えば、第１特徴量の分布の３σに相当する値を使用してもよい。判定の結果、逸脱度が閾値を超えたときの、否の場合にはステップＳＴ５０に移行する。また、逸脱度が閾値以下であるときの、適合する場合にはステップＳＴ６０に移行する。以上により、ステップＳＴ３１～ＳＴ３２からなるステップＳＴ３０が終了する。
【0047】
ステップＳＴ３０からステップＳＴ５０に移行した場合、適合しないＸ線画像に対し、適合する第１学習済みモデルＭｄ１となるように、前処理としての画像処理を施すステップＳＴ５０がステップＳＴ５１及びＳＴ５２として実行される。ステップＳＴ５１において、処理回路４４は、逸脱度が閾値より大きい第２特徴量を選択する。また、ステップＳＴ５２において、処理回路４４は、当該選択した第２特徴量に関連する画像処理を行う。例えば、処理回路４４は、前処理情報４１ｂに基づいて、選択した第２特徴量に関連する画像処理を特定する。例えば、患者体厚が大きい場合や線量が少ない場合にはＸ線画像のノイズが増加するため、体厚や線量の第２特徴量に関連する画像処理としてノイズ量の調整を特定する。また例えば、コントラスト、管電圧、線質フィルタが逸脱する場合にはＸ線画像のコントラストが低減するため、コントラスト、管電圧、線質フィルタの第２特徴量に関連する画像処理としてコントラストの調整を特定する。しかる後、処理回路４４は、第１特徴量のうちの画像特徴量の分布の平均値μを当該画像処理の目標値として設定し、当該目標値に基づき、Ｘ線画像に対して画像処理を行う。この場合、前処理である画像処理には強度調整機能を持たせておき、目標値の大きさに合わせて、画像処理の強度を調整することが好ましい。例えば、画像特徴量がＳＤ値で目標値がプラス値の場合、Ｘ線画像のノイズ量が学習データと比較して大きい状態にあるため、前処理としてノイズを低減する画像処理を行う。反対に、目標値がマイナス値の場合にはノイズ量が少ないため、前処理としてノイズを付加する画像処理を行う。以上により、ステップＳＴ５１～ＳＴ５２からなるステップＳＴ５０が終了する。ステップＳＴ５０の終了後、ステップＳＴ６０に移行する。
【0048】
ステップＳＴ６０において、処理回路４４は、入力画像に基づいて、画像処理後の当該入力画像を生成する第１学習済みモデルＭｄ１に対して、Ｘ線画像を入力することで、Ｘ線画像の画像特徴量の分布を入力画像に近づけたＸ線画像を生成する画像処理を行う。
【0049】
ステップＳＴ７０において、処理回路４４は、ステップＳＴ６０の画像処理後のＸ線画像をディスプレイ４２に表示出力させる。
【0050】
上述したように第１の実施形態によれば、処理回路４４は、Ｘ線画像を取得する。また、処理回路４４は、当該Ｘ線画像が入力される第１学習済みモデルＭｄ１について当該Ｘ線画像に適合するか否かを判定し、否の場合には、当該適合する第１学習済みモデルＭｄ１となるように、当該Ｘ線画像に対して画像処理を行う。このように、第１学習済みモデルＭｄ１についてＸ線画像に適合しない場合には、適合する第１学習済みモデルＭｄ１となるように、Ｘ線画像に対して画像処理を行う構成により、Ｘ線画像に対する学習済みモデルの適合を図ることができる。
【0051】
また、第１の実施形態によれば、処理回路４４は、第１学習済みモデルＭｄ１の学習データに関する第１特徴量の分布の重心からＸ線画像に関する第２特徴量が逸脱する逸脱度に応じて上記判定を行う。この場合、Ｘ線画像が学習データの範囲内にあるか否かに応じて学習済みモデルが性能を発揮できるか否かが決まる性質を利用し、第１学習済みモデルの学習データからのＸ線画像の逸脱度に応じて、第１学習済みモデルがＸ線画像に適合するか否かを判定できる。従って、逸脱度という指標を用いて定量的に上記判定を行うことができる。
【0052】
また、第１の実施形態によれば、メモリ４１は、学習情報４１ａとして、第１特徴量の分布の重心及び標準偏差を記憶する。処理回路４４は、第２特徴量と重心との差分を標準偏差で除算することで逸脱度を取得し、当該逸脱度が閾値以下か否かに応じて上記判定を行う。この場合、第１特徴量の分布の重心（平均値μ）と第２特徴量との差分の大きさを、標準偏差σの何倍かで表す逸脱度により統計的に評価することができる。例えば、逸脱度の閾値を第１特徴量の分布の３σに相当する値とすることで、統計的に異常な逸脱度を検出できる。このように、統計的な値に基づいて逸脱度を取得し、閾値と比較する構成により、逸脱度の統計的な評価を伴って上記判定を行うことができる。
【0053】
また、第１の実施形態によれば、処理回路４４は、上記判定の結果、否の場合には、逸脱度が閾値より大きい第２特徴量を選択し、当該選択した第２特徴量に関連する画像処理を行う。このように、逸脱度の大きい第２特徴量に関連する画像処理をＸ線画像に対して行う構成により、逸脱度の小さい第２特徴量に関連する画像処理を行う場合に比べ、一層、適合する第１学習済みモデルＭｄ１となるように、画像処理を行うことができる。
【0054】
また、第１の実施形態によれば、処理回路４４は、第１特徴量のうちの画像特徴量の分布の平均値を画像処理の目標値として設定し、目標値に基づき、Ｘ線画像に対して画像処理を行う。このように、平均的な学習データに近づけるように、Ｘ線画像の画像処理を行う構成により、他の目標値を用いた画像処理に比べ、より一層、適合する第１学習済みモデルＭｄ１となるように、画像処理を行うことができる。
【0055】
（第１の実施形態の変形例）
以下、第１の実施形態の各変形例について説明するが、第１の実施形態と重複した部分の説明を省略し、ここでは異なる部分について主に述べる。このことは、他の実施形態についても同様である。また、第１の実施形態の各変形例は、それぞれ他の実施形態及びその変形例にも適用できる。
以下、第１の実施形態の各変形例について説明するが、第１の実施形態と重複した部分の説明を省略し、ここでは異なる部分について主に述べる。このことは、他の実施形態についても同様である。また、第１の実施形態の各変形例は、それぞれ他の実施形態及びその変形例にも適用できる。
【0056】
（第１変形例）
第１の実施形態では、ステップＳＴ３１において、１つの逸脱度を算出することで取得したが、これに限定されない。例えば、取得する逸脱度としては、第１特徴量の分布及び第２特徴量ごとに算出した逸脱度を平均化して平均値を計算してもよい。また、逸脱度を平均化する際には、第１学習済みモデルＭｄ１の画像処理で改善される第２特徴量に重要度を設定し、重要度に応じて、逸脱度の重みづけ平均を計算してもよい。このように、複数の逸脱度の平均値又は重みづけ平均を計算することにより、逸脱度を取得してもよい。このような変形例によれば、判定に用いる逸脱度を、より多くの第１特徴量の分布及び第２特徴量に基づいて取得できるので、より妥当な逸脱度の取得を図ることができる。
第１の実施形態では、ステップＳＴ３１において、１つの逸脱度を算出することで取得したが、これに限定されない。例えば、取得する逸脱度としては、第１特徴量の分布及び第２特徴量ごとに算出した逸脱度を平均化して平均値を計算してもよい。また、逸脱度を平均化する際には、第１学習済みモデルＭｄ１の画像処理で改善される第２特徴量に重要度を設定し、重要度に応じて、逸脱度の重みづけ平均を計算してもよい。このように、複数の逸脱度の平均値又は重みづけ平均を計算することにより、逸脱度を取得してもよい。このような変形例によれば、判定に用いる逸脱度を、より多くの第１特徴量の分布及び第２特徴量に基づいて取得できるので、より妥当な逸脱度の取得を図ることができる。
【0057】
また、第１の実施形態では、ステップＳＴ３１～ＳＴ３２において、１つの特徴量に応じて逸脱度の取得及び判定を行ったが、これに限定されない。例えば、特定の特徴量の組合せが逸脱度の値に影響するか又は影響が予想される場合には、その組合せを特徴量として使用してもよい。例えば，患者の体型情報とＣアームの角度情報の組合せはＸ線の通過長に相当する情報となる。Ｘ線の通過長に応じて画像の明るさやノイズ量が変化するため、機械学習技術でノイズ低減などを実施する場合にはこれらの組合せが重要と予想される。そこでこれらの組合せを特徴量として使用することで、より正確に判定を行うことができる。
【0058】
＜第２の実施形態＞
第２の実施形態は、第１の実施形態の変形例であり、第１学習済みモデルＭｄ１が適合しない場合に、Ｘ線画像の画像処理（前処理）を行うと共に、第１学習済みモデルＭｄ１が適合するＸ線画像となるように次回以降の収集条件を推定する形態となっている。
第２の実施形態は、第１の実施形態の変形例であり、第１学習済みモデルＭｄ１が適合しない場合に、Ｘ線画像の画像処理（前処理）を行うと共に、第１学習済みモデルＭｄ１が適合するＸ線画像となるように次回以降の収集条件を推定する形態となっている。
【0059】
これに伴い、処理回路４４は、図７に示すように、メモリ４１内のプログラムに対応する推定機能４４４を更に実現する構成となっている。
【0060】
ここで、推定機能４４４は、適合する第１学習済みモデルＭｄ１となるように、取得されるＸ線画像の収集条件を推定する。これに関し、学習データの第１特徴量は、当該学習データに用いた入力画像の収集条件として第１Ｘ線条件及び第１撮影条件を含んでいる。Ｘ線画像の第２特徴量は、当該Ｘ線画像の収集条件として第２Ｘ線条件及び第２撮影条件を含んでいる。
【0061】
推定機能４４４は、第１Ｘ線条件から第２Ｘ線条件が逸脱する第１逸脱度と、第１撮影条件から第２撮影条件が逸脱する第２逸脱度とのうちの大きい方の逸脱度に関する第２Ｘ線条件又は第２撮影条件に代えて、当該逸脱度に関する入力画像の収集条件を用いるように、次回以降に取得されるＸ線画像の収集条件を推定する。
【0062】
他の構成は、第１の実施形態と同様である。
【0063】
次に、以上のように構成されたＸ線診断装置の動作について図８のフローチャートを用いて説明する。
【0064】
いま、前述同様にステップＳＴ２０～ＳＴ３０の処理が実行される。ステップＳＴ３０の判定の結果、第１学習済みモデルＭｄ１が適合する場合には、前述同様にステップＳＴ６０以降の処理が実行される。また、ステップＳＴ３０の判定の結果、第１学習済みモデルＭｄ１が適合しない場合には、前述したステップＳＴ５０～ＳＴ７０の処理が実行される。このとき、ステップＳＴ５０の処理と並行してステップＳＴ５３の処理が実行される。
【0065】
ステップＳＴ５３において、処理回路４４は、適合する第１学習済みモデルＭｄ１となるように、取得されるＸ線画像の収集条件を推定する。例えば、処理回路４４は、第１Ｘ線条件から第２Ｘ線条件が逸脱する第１逸脱度と、第１撮影条件から第２撮影条件が逸脱する第２逸脱度とを算出する。すなわち、処理回路４４は、前述同様に、第２Ｘ線条件ｘと、第１Ｘ線条件の分布の重心（平均値μ）との差分を第１Ｘ線条件の標準偏差σで除算することにより、第１逸脱度を算出する。同様に、処理回路４４は、第２撮影条件ｘと、第１撮影条件の分布の重心（平均値μ）との差分を第１撮影条件の標準偏差σで除算することにより、第２逸脱度を算出する。
【0066】
また、処理回路４４は、第１逸脱度及び第２逸脱度のうちの大きい方の逸脱度に関する第２Ｘ線条件又は第２撮影条件に代えて、当該逸脱度に関する入力画像の収集条件を含むように、次回以降に取得されるＸ線画像の収集条件を推定する。例えば、第１逸脱度の方が大きい場合、処理回路４４は、第１逸脱度に関する第２Ｘ線条件に代えて、当該第１逸脱度に関する第１Ｘ線条件を用いるように、次回以降のＸ線画像の収集条件を推定する。反対に、第２逸脱度の方が大きい場合、処理回路４４は、第２逸脱度に関する第２撮影条件に代えて、当該第２逸脱度に関する第１撮影条件を用いるように、次回以降のＸ線画像の収集条件を推定する。これにより、次回以降のＸ線画像は、推定された収集条件に基づいて撮像装置１０によりメモリ４１に収集される。
【0067】
しかる後、次回以降のＸ線画像について、処理回路４４は、ステップＳＴ２０～ＳＴ７０の処理を実行する。次回以降のＸ線画像は、学習データに用いた入力画像の収集条件としての第１Ｘ線条件又は第１撮影条件を収集条件に用いたため、ステップＳＴ３０の判定の結果、第１学習済みモデルＭｄ１が適合する場合となることを期待できる。
【0068】
上述したように第２の実施形態によれば、処理回路４４は、適合する第１学習済みモデルＭｄ１となるように、取得されるＸ線画像の収集条件を推定する。従って、前述した効果に加え、推定された収集条件に基づいてＸ線画像を取得した場合に、当該Ｘ線画像に対する第１学習済みモデルＭｄ１の適合を図ることができる。
【0069】
また、第２の実施形態によれば、第１特徴量は、学習データに用いた入力画像の収集条件として第１Ｘ線条件及び第１撮影条件を含んでいる。第２特徴量は、Ｘ線画像の収集条件として第２Ｘ線条件及び第２撮影条件を含んでいる。処理回路４４は、第１Ｘ線条件から第２Ｘ線条件が逸脱する第１逸脱度と、第１撮影条件から第２撮影条件が逸脱する第２逸脱度とのうちの大きい方の逸脱度に関する第２Ｘ線条件又は第２撮影条件に代えて、当該逸脱度に関する入力画像の収集条件を用いるように、次回以降に取得されるＸ線画像の収集条件を推定する。従って、前述した効果に加え、推定された収集条件に基づいて次回以降にＸ線画像を取得した場合に、当該次回以降に取得したＸ線画像に対する第１学習済みモデルＭｄ１の適合を図ることができる。
【0070】
（第２の実施形態の変形例）
第２の実施形態では、第１逸脱度と第２逸脱度との間の大小関係を求めたが、これに限定されない。例えば、Ｘ線条件及び撮影条件の重要度に応じた重み係数を各々の逸脱度に乗じることで算出した重み付け第１逸脱度と重み付け第２逸脱度との間の大小関係を求めてもよい。このような変形例によれば、Ｘ線条件及び撮影条件の重要度に応じた判定により、Ｘ線画像の収集条件を推定できるので、より適合し易いＸ線画像を取得することができる。
第２の実施形態では、第１逸脱度と第２逸脱度との間の大小関係を求めたが、これに限定されない。例えば、Ｘ線条件及び撮影条件の重要度に応じた重み係数を各々の逸脱度に乗じることで算出した重み付け第１逸脱度と重み付け第２逸脱度との間の大小関係を求めてもよい。このような変形例によれば、Ｘ線条件及び撮影条件の重要度に応じた判定により、Ｘ線画像の収集条件を推定できるので、より適合し易いＸ線画像を取得することができる。
【0071】
＜第３の実施形態＞
第３の実施形態は、第１の実施形態の変形例であり、一度の画像処理（前処理）で適合しない可能性を考慮し、画像処理後のＸ線画像に対して適合判定する形態となっている。
第３の実施形態は、第１の実施形態の変形例であり、一度の画像処理（前処理）で適合しない可能性を考慮し、画像処理後のＸ線画像に対して適合判定する形態となっている。
【0072】
これに伴い、処理回路４４の処理機能４４３は、画像処理（前処理）を行った後、再度、判定を行うループ処理を閾値以下の回数又は時間だけ行う。補足すると、ループ処理の閾値は、前処理で解決しない場合や、要求される出力時間が近い場合にループ処理を抜ける観点から、ループ処理に必要な時間や、要求される出力時間などに応じて設定される。
【0073】
また、処理機能４４３は、当該ループ処理における最後の判定の結果、否の場合には、当該画像処理（前処理）以外で且つ第１学習済みモデルＭｄ１を用いない代替処理をＸ線画像に行う。ここで、代替処理は、第１学習済みモデルＭｄ１を用いずに、第１学習済みモデルＭｄ１が生成するＸ線画像と同等のＸ線画像を得るための処理である。すなわち、代替処理としては、機械学習技術以外の画像処理などが適宜、使用可能となっている。例えば、代替処理は、第１学習済みモデルＭｄ１が施す画像処理がノイズ低減であれば、ノイズ低減を施す画像処理であり、第１学習済みモデルＭｄ１が施す画像処理がセグメンテーションであれば、セグメンテーションを施す画像処理である。すなわち、代替処理は、機械学習技術を用いずに実行される、本来の目的の画像処理である。
【0074】
次に、以上のように構成されたＸ線診断装置の動作について図９のフローチャートを用いて説明する。
【0075】
いま、前述同様にステップＳＴ２０～ＳＴ３０の処理が実行される。ステップＳＴ３０の判定の結果、第１学習済みモデルＭｄ１が適合する場合には、前述同様にステップＳＴ６０以降の処理が実行される。また、ステップＳＴ３０の判定の結果、第１学習済みモデルＭｄ１が適合しない場合には、前述したステップＳＴ５０の前に、ステップＳＴ４０の処理が実行される。
【0076】
ステップＳＴ４０において、処理回路４４は、画像処理を行った後、再度、判定を行うループ処理を閾値以下の回数だけ行うように、例えば、当該ループ処理の回数が閾値以下か否かを判定する。なお、図９中、ループ処理の回数は、初期値０からステップＳＴ５０及びＳＴ３０を実行する毎に、値１ずつ増加する。また、ステップＳＴ４０の判定の結果、ループ処理の回数が閾値以下の場合にはステップＳＴ５０に移行し、ステップＳＴ５０の画像処理（前処理）を実行してステップＳＴ３０に至るループ処理が実行される。なお、ステップＳＴ５０の画像処理（前処理）は、Ｘ線画像に対し、ループ処理毎に重ね掛けされる。一方、当該ループ処理における最後のステップＳＴ４０の判定の結果、否の場合には、ステップＳＴ４１に移行する。
【0077】
ステップＳＴ４１において、処理回路４４は、ステップＳＴ５０の画像処理以外で且つ第１学習済みモデルＭｄ１を用いない代替処理をＸ線画像に施す。ステップＳＴ４１の後、前述同様にステップＳＴ７０の処理を実行する。
【0078】
上述したように第３の実施形態によれば、処理回路４４は、画像処理を行った後、再度、判定を行うループ処理を閾値以下の回数だけ行う。これにより、前述した効果に加え、ループ処理の回数が閾値を超えると、ループを抜けるので、画像処理（前処理）の効果がない場合に、ループ処理の繰り返しを避けることができる。
【0079】
また、第３の実施形態によれば、処理回路４４は、ループ処理における最後の判定の結果、否の場合には、画像処理（前処理）以外で且つ第１学習済みモデルＭｄ１を用いない代替処理をＸ線画像に行う。従って、ループを抜けた後に、代替処理を行う構成により、前述した効果に加え、画像処理を繰り返しても第１学習済みモデルＭｄ１が適用しない場合に、代替処理を施すことができる。
【0080】
（第３の実施形態の変形例）
第３の実施形態では、ループ処理の回数が閾値以下か否かを判定したが、これに限定されない。例えば、ループ処理の時間が閾値以下か否かを判定してもよい。このような変形例としても、第３の実施形態と同様の作用効果を得ることができる。
第３の実施形態では、ループ処理の回数が閾値以下か否かを判定したが、これに限定されない。例えば、ループ処理の時間が閾値以下か否かを判定してもよい。このような変形例としても、第３の実施形態と同様の作用効果を得ることができる。
【0081】
第３の実施形態では、ループ処理毎に、ループ中のＸ線画像に画像処理（前処理）を重ね掛けしたが、これに限定されない。例えば、ループ処理毎に、最初に取得したＸ線画像に対し、補正強度を調整して再度、画像処理（前処理）を掛けてもよい。このような変形例としても、第３の実施形態と同様の作用効果を得ることができる。
【0082】
＜第４の実施形態＞
第４の実施形態は、第１の実施形態の変形例であり、適合する第１学習済みモデルＭｄ１となるように、第１学習済みモデルＭｄ１の準備を行う形態となっている。
第４の実施形態は、第１の実施形態の変形例であり、適合する第１学習済みモデルＭｄ１となるように、第１学習済みモデルＭｄ１の準備を行う形態となっている。
【0083】
これに伴い、処理回路４４は、図１０に示すように、メモリ４１内のプログラムに対応する準備機能４４５を更に実現する構成となっている。
【0084】
ここで、準備機能４４５は、適合する第１学習済みモデルとなるように、第１学習済みモデルの準備を行う。例えば、準備機能４４５は、画像処理（前処理）に並行して機械学習モデルＭｄの再学習を実行し、再学習の後、第１学習済みモデルＭｄ１を、再学習により得られた新規の第１学習済みモデルＭｄ１に更新することで当該準備を行う。
【0085】
具体的には例えば、準備機能４４５は、適合しないＸ線画像に似た入力画像に関する学習データに基づいて、メモリ４１内の機械学習モデルＭｄに再学習を施すことにより、学習済みの機械学習モデルである新規の第１学習済みモデルＭｄ１を生成し、当該第１学習済みモデルＭｄ１をメモリ４１に保存する。
【0086】
他の構成は、第１の実施形態と同様である。
【0087】
次に、以上のように構成されたＸ線診断装置の動作について図１１のフローチャートを用いて説明する。
【0088】
いま、前述同様にステップＳＴ２０～ＳＴ３０の処理が実行される。ステップＳＴ３０の判定の結果、第１学習済みモデルＭｄ１が適合する場合には、前述同様にステップＳＴ６０以降の処理が実行される。また、ステップＳＴ３０の判定の結果、第１学習済みモデルＭｄ１が適合しない場合には、前述したステップＳＴ５０～ＳＴ７０の処理が実行される。このとき、ステップＳＴ５０の処理と並行してステップＳＴ５４の処理が実行される。
【0089】
ステップＳＴ５４において、処理回路４４は、適合する第１学習済みモデルＭｄ１となるように、第１学習済みモデルＭｄ１の準備を行う。例えば、処理回路４４は、ステップＳＴ５０の画像処理（前処理）に並行して機械学習モデルＭｄの再学習を実行する。再学習に用いる学習データとしては、例えば、複数の学習データのうち、入力画像の第１特徴量がＸ線画像の第２特徴量の近傍にあるものを用いる。これにより、図６中、第１特徴量の平均値μが第２特徴量ｘの近傍にシフトした分布の学習データが再学習に用いられる。但し、シフト後の第１特徴量の平均値μにおける学習データの個数は、シフト前の当該個数よりも少ない。すなわち、図６に示した第１特徴量の分布の山が小さくなって平均値μが第２特徴量ｘにシフトした分布の学習データが再学習に用いられる。これにより、ステップＳＴ５４が終了する。
【0090】
ステップＳＴ５５において、処理回路４４は、再学習の後、第１学習済みモデルＭｄ１を、再学習により得られた新規の第１学習済みモデルＭｄ１に更新することで当該準備を行う。当該更新のとき、処理回路４４は、新規の第１学習済みモデルＭｄ１に関する学習情報４１ａも更新する。ステップＳＴ５５の終了後に取得されたＸ線画像については、更新後の学習情報４１ａに基づいて、ステップＳＴ３０の適合判定が実行される。また、判定の結果、適合する場合には、更新後の第１学習済みモデルＭｄ１を用いて、ステップＳＴ６０の処理が実行される。ステップＳＴ６０の後、前述同様にステップＳＴ７０の処理が実行される。
【0091】
上述したように第４の実施形態によれば、処理回路４４は、適合する第１学習済みモデルＭｄ１となるように、第１学習済みモデルＭｄ１の準備を行う。従って、前述した効果に加え、Ｘ線画像の画像処理とは別に、適合する第１学習済みモデルを準備することができる。
【0092】
また、第４の実施形態によれば、処理回路４４は、画像処理に並行して機械学習モデルの再学習を実行し、再学習の後、第１学習済みモデルＭｄ１を、再学習により得られた新規の第１学習済みモデルＭｄ１に更新することで上記準備を行う。従って、前述した効果に加え、Ｘ線画像の画像処理とは並行して、再学習を用いてＸ線画像に、より適合する第１学習済みモデルを準備することができる。
【0093】
（第４の実施形態の変形例）
第４の実施形態では、１つの機械学習モデルＭｄを再学習したが、これに限定されない。例えば、複数の機械学習モデルＭｄを再学習してもよい。例えば、学習に時間のかかる場合、予め複数の学習データからサンプリングした複数の学習データに基づいて複数の機械学習モデルＭｄを再学習し、複数の学習済みモデルを作成する。しかる後、適合しない場合に、Ｘ線画像の第２特徴量に近い第１特徴量をもつ複数の学習データを再学習した第１学習済みモデルＭｄ１を選択して使用してもよい。このような変形例としても、第４の実施形態と同様の作用効果を得ることができる。
第４の実施形態では、１つの機械学習モデルＭｄを再学習したが、これに限定されない。例えば、複数の機械学習モデルＭｄを再学習してもよい。例えば、学習に時間のかかる場合、予め複数の学習データからサンプリングした複数の学習データに基づいて複数の機械学習モデルＭｄを再学習し、複数の学習済みモデルを作成する。しかる後、適合しない場合に、Ｘ線画像の第２特徴量に近い第１特徴量をもつ複数の学習データを再学習した第１学習済みモデルＭｄ１を選択して使用してもよい。このような変形例としても、第４の実施形態と同様の作用効果を得ることができる。
【0094】
＜第５の実施形態＞
第５の実施形態は、第１の実施形態の変形例であり、適合する第１学習済みモデルＭｄ１となるように、第１学習済みモデルＭｄ１の準備を行う形態となっている。但し、第５の実施形態は、第４の実施形態とは異なり、予め適合する第１学習済みモデルＭｄ１を準備する。これに伴い、処理回路４４は、図１０に示したように、メモリ４１内のプログラムに対応する準備機能４４５を更に実現する構成となっている。
第５の実施形態は、第１の実施形態の変形例であり、適合する第１学習済みモデルＭｄ１となるように、第１学習済みモデルＭｄ１の準備を行う形態となっている。但し、第５の実施形態は、第４の実施形態とは異なり、予め適合する第１学習済みモデルＭｄ１を準備する。これに伴い、処理回路４４は、図１０に示したように、メモリ４１内のプログラムに対応する準備機能４４５を更に実現する構成となっている。
【0095】
ここで、処理回路４４の処理機能４４３は、複数の第１学習済みモデルＭｄ１の各々について当該Ｘ線画像に適合するか否かを判定する。
【0096】
一方、準備機能４４５は、複数の第１学習済みモデルＭｄ１のうちの１つ以上が適合すると判定された場合には、最も適合する第１学習済みモデルＭｄ１を選択することで上記準備を行う。なお。全ての学習データを使用するのではなく，特徴量の範囲を限定した学習データを使用して複数の第１学習済みモデルＭｄ１を作成する。例えば、Ｘ線条件である管電圧６０ｋＶｐ、８０ｋＶｐ、１００ｋＶｐ付近の学習データをそれぞれ用いて機械学習を行うことにより、複数の第１学習済みモデルＭｄ１を作成する。しかる後、適合判定を行い、最も適合する第１学習済みモデルＭｄ１を選択することで上記準備を行う。
【0097】
他の構成は、第１の実施形態と同様である。
【0098】
次に、以上のように構成されたＸ線診断装置の動作について図１２のフローチャートを用いて説明する。
【0099】
いま、前述同様にステップＳＴ２０が実行された後、ステップＳＴ３０の処理が開始される。
【0100】
ステップＳＴ３０において、処理回路４４は、複数の第１学習済みモデルＭｄ１の各々について当該Ｘ線画像に適合するか否かを判定する。この適合判定を行うステップＳＴ３０は、ステップＳＴ３１Ａ～ＳＴ３２Ａにより実行される。
【0101】
例えばステップＳＴ３１Ａにおいて、処理回路４４は、複数の第１学習済みモデルＭｄ１のうちの各々の第１学習済みモデルＭｄ１毎に、逸脱度を算出する。
【0102】
しかる後、ステップＳＴ３２Ａにおいて、処理回路４４は、算出した各々の逸脱度に応じて判定を行う。例えば、処理回路４４は、複数の第１学習済みモデルＭｄ１の各々の逸脱度のうち、閾値以下の逸脱度をもつ第１学習済みモデルＭｄ１があるか否かの判定に応じて、上記適合するか否かの判定を行う。この判定の結果、否の場合には、前述したステップＳＴ５０～ＳＴ７０の処理が実行される。一方、ステップＳＴ３２Ａの判定の結果、複数の第１学習済みモデルＭｄ１のうちの１つ以上の第１学習済みモデルＭｄ１が適合する場合には、ステップＳＴ５６に移行する。
【0103】
ステップＳＴ５６において、処理回路４４は、ステップＳＴ３２Ａで適合すると判定された１つ以上の学習済みモデルのうち、最も適合する第１学習済みモデルＭｄ１を選択することで上記準備を行う。なお、最も適合する第１学習済みモデルＭｄ１は、例えば、最小の逸脱度をもつ第１学習済みモデルＭｄ１である。
【0104】
ステップＳＴ５６の後、前述同様にステップＳＴ６０以降の処理が実行される。
【0105】
上述したように第５の実施形態によれば、処理回路４４は、適合する第１学習済みモデルＭｄ１となるように、第１学習済みモデルＭｄ１の準備を行う。従って、前述した効果に加え、適合する第１学習済みモデルを予め準備することができる。
【0106】
また、第５の実施形態によれば、処理回路４４は、複数の第１学習済みモデルＭｄ１の各々について当該Ｘ線画像に適合するか否かを判定する。また、処理回路４４は、複数の第１学習済みモデルＭｄ１のうちの１つ以上が適合すると判定された場合には、最も適合する第１学習済みモデルＭｄ１を選択することで上記準備を行う。従って、前述した効果に加え、Ｘ線画像の画像処理に先行して、複数の第１学習済みモデルの中から、適合する第１学習済みモデルを準備することができる。また、Ｘ線画像に特化した第１学習済みモデルＭｄ１を選択的に使用できるため，より高い精度の第１学習済みモデルによる画像処理の適用結果を得ることができる。
【0107】
＜第６の実施形態＞
第６の実施形態は、第１の実施形態の変形例であり、第１学習済みモデルＭｄ１が適合するＸ線画像となるような初回の収集条件を推定する形態となっている。
第６の実施形態は、第１の実施形態の変形例であり、第１学習済みモデルＭｄ１が適合するＸ線画像となるような初回の収集条件を推定する形態となっている。
【0108】
これに伴い、処理回路４４は、図７に示すように、メモリ４１内のプログラムに対応する推定機能４４４を更に実現する構成となっている。
【0109】
ここで、推定機能４４４は、適合する第１学習済みモデルＭｄ１となるように、取得されるＸ線画像の収集条件を推定する。これに関し、学習データの第１特徴量は、当該学習データに用いた入力画像の収集条件として第１Ｘ線条件及び第１撮影条件を含んでいる。Ｘ線画像の第２特徴量は、当該Ｘ線画像の収集条件として第２Ｘ線条件及び第２撮影条件を含んでいる。
【0110】
推定機能４４４は、第１Ｘ線条件から第２Ｘ線条件が逸脱する第１逸脱度と、第１撮影条件から第２撮影条件が逸脱する第２逸脱度とのうちの大きい方の逸脱度に関する第２Ｘ線条件又は第２撮影条件に代えて、当該逸脱度に関する入力画像の収集条件を用いるように、初回に取得されるＸ線画像の収集条件を推定する。
【0111】
他の構成は、第１の実施形態と同様である。
【0112】
次に、以上のように構成されたＸ線診断装置の動作について図１３のフローチャートを用いて説明する。
【0113】
始めに、ステップＳＴ１０において、処理回路４４は、適合する第１学習済みモデルＭｄ１となるように、取得されるＸ線画像の収集条件を推定する。この推定を行うステップＳＴ１０は、ステップＳＴ１１～ＳＴ１２により実行される。
【0114】
例えばステップＳＴ１１において、処理回路４４は、Ｘ線画像が入力される第１学習済みモデルＭｄ１について当該Ｘ線画像に適合するか否かを判定する。例えば、処理回路４４は、前述したステップＳＴ３０と同様に、逸脱度を算出して取得し、当該取得した逸脱度が閾値以下か否かに応じて、上記適合するか否かの判定を行う。但し、逸脱度の算出に用いるＸ線画像の第２特徴量は、Ｘ線画像の取得前のため、画像特徴量を含まない。また、逸脱度の算出に用いるＸ線画像の第２特徴量は、当該Ｘ線画像の収集条件として第２Ｘ線条件及び第２撮影条件を含んでいる。また、逸脱度の算出に用いる学習データの第１特徴量は、当該学習データに用いた入力画像の収集条件として第１Ｘ線条件及び第１撮影条件を含んでいる。これに伴い、処理回路４４は、第１Ｘ線条件から第２Ｘ線条件が逸脱する第１逸脱度と、第１撮影条件から第２撮影条件が逸脱する第２逸脱度とを少なくとも算出する。また、ステップＳＴ１１の判定の結果、逸脱度が閾値を超えたときの、否の場合にはステップＳＴ１２に移行する。また、逸脱度が閾値以下であるときの、適合する場合にはステップＳＴ２０に移行する。
【0115】
ステップＳＴ１２において、処理回路４４は、第１逸脱度及び第２逸脱度のうちの大きい方の逸脱度を選択する。また、処理回路４４は、選択した逸脱度に関する第２Ｘ線条件又は第２撮影条件に代えて、当該逸脱度に関する入力画像の収集条件を用いるように、初回に取得されるＸ線画像の収集条件を推定する。これにより、ステップＳＴ１２が終了し、ステップＳＴ２０に移行する。
【0116】
ステップＳＴ２０において、初回のＸ線画像は、推定された収集条件に基づいて撮像装置１０によりメモリ４１に収集される。これにより、処理回路４４は、メモリ４１内のＸ線画像を取得する。
【0117】
以下、前述同様にステップＳＴ３０以降の処理が実行される。なお、ステップＳＴ３０中、逸脱度の算出に用いるＸ線画像の第２特徴量は、Ｘ線画像の取得後のため、画像特徴量を含んでいる。
【0118】
上述したように第６の実施形態によれば、処理回路４４は、適合する第１学習済みモデルＭｄ１となるように、取得されるＸ線画像の収集条件を推定する。従って、前述した効果に加え、推定された収集条件に基づいてＸ線画像を取得した場合に、当該Ｘ線画像に対する第１学習済みモデルＭｄ１の適合を図ることができる。
【0119】
また、第６の実施形態によれば、第１特徴量は、学習データに用いた入力画像の収集条件として第１Ｘ線条件及び第１撮影条件を含んでいる。第２特徴量は、Ｘ線画像の収集条件として第２Ｘ線条件及び第２撮影条件を含んでいる。処理回路４４は、第１Ｘ線条件から第２Ｘ線条件が逸脱する第１逸脱度と、第１撮影条件から第２撮影条件が逸脱する第２逸脱度とのうちの大きい方の逸脱度に関する第２Ｘ線条件又は第２撮影条件に代えて、当該逸脱度に関する入力画像の収集条件を用いるように、初回に取得されるＸ線画像の収集条件を推定する。従って、前述した効果に加え、推定された収集条件に基づいて初回にＸ線画像を取得した場合に、当該初回に取得したＸ線画像に対する第１学習済みモデルＭｄ１の適合を図ることができる。
【0120】
また、第６の実施形態は、第２の実施形態の変形例を同様に適用して同様の作用効果を得ることができる。
【0121】
＜第７の実施形態＞
第７の実施形態は、第１乃至第６の実施形態の変形例であり、前処理としての画像処理を第２学習済みモデルにより実行する形態である。但し、重複した説明を避けるため、以下では、第７の実施形態を第１の実施形態に適用した場合を代表例に挙げて述べる。
第７の実施形態は、第１乃至第６の実施形態の変形例であり、前処理としての画像処理を第２学習済みモデルにより実行する形態である。但し、重複した説明を避けるため、以下では、第７の実施形態を第１の実施形態に適用した場合を代表例に挙げて述べる。
【0122】
ここで、処理回路４４の処理機能４４３は、前述した機能に加え、判定の結果が否の場合には、第１学習済みモデルＭｄ１の学習データに用いた入力画像に関する画像特徴量の分布を変更させた変更画像に基づいて入力画像を生成する第２学習済みモデルを用いる。すなわち、処理機能４４３は、当該第２学習済みモデルに対して、Ｘ線画像を入力することで、当該Ｘ線画像の画像特徴量の分布を当該入力画像に近づけたＸ線画像を生成する画像処理を行う。
【0123】
第２学習済みモデルは、図１４（ａ）に学習時の例を示すように、入力データ及び出力データを含む学習データに基づいて、機械学習モデルＭｄに機械学習を施して得られた学習済みの機械学習モデルＭｄがメモリ４１に実装されたものである。第２学習済みモデルＭｄ２の学習データは、第１学習済みモデルＭｄ１の学習データに用いた入力画像に関する画像特徴量の分布を変更させた変更画像を入力データとし、分布変更前の入力画像を出力データとした、入力データと出力データとの組である。変更画像は、例えば、入力画像に「変化」を加えた画像として準備される。「変化」については、第１学習済みモデルＭｄ１の学習データでカバーできていない範囲の条件とする。第２学習済みモデルＭｄ２の学習データは、第１学習済みモデルＭｄ１に適合しない変更画像に基づいて、第１学習済みモデルＭｄ１に適合する入力画像を生成させるための機械学習に用いられる。機械学習には、複数の学習データが用いられる。また、第２学習済みモデルＭｄ２は、図１４（ｂ）に使用時の例を示すように、実装された学習済みの機械学習モデルＭｄであり、取得されたＸ線画像が入力されると、画像処理後の当該Ｘ線画像を出力する。なお、第２学習済みモデルＭｄ２は、Ｘ線診断装置１の工場出荷前に予めメモリ４１に保存することで実装してもよい。あるいはＸ線診断装置１の工場出荷後に、図示しないサーバ装置などから取得した学習済みの機械学習モデルＭｄをメモリ４１に保存することで実装してもよい。このことは、他の実施形態及び変形例でも同様である。
【0124】
他の構成は、第１の実施形態と同様である。
【0125】
次に、以上のように構成されたＸ線診断装置の動作について図１５のフローチャートを用いて説明する。
【0126】
いま、前述同様にステップＳＴ２０～ＳＴ３０の処理が実行される。ステップＳＴ３０の判定の結果、第１学習済みモデルＭｄ１が適合する場合には、前述同様にステップＳＴ６０以降の処理が実行される。また、ステップＳＴ３０の判定の結果、第１学習済みモデルＭｄ１が適合しない場合には、前述したステップＳＴ５０～ＳＴ７０の処理が実行される。このとき、ステップＳＴ５０において、ステップＳＴ５１、ＳＴ５２Ｂからなる前処理が実行される。
【0127】
ステップＳＴ５１において、処理回路４４は、逸脱度が閾値より大きい第２特徴量を選択する。また、ステップＳＴ５２Ｂにおいて、処理回路４４は、第１学習済みモデルＭｄ１の学習データに用いた入力画像に関する画像特徴量の分布を変更させた変更画像に基づいて入力画像を生成する第２学習済みモデルＭｄ２に対して、Ｘ線画像を入力することで、当該Ｘ線画像の画像特徴量の分布を当該入力画像に近づけたＸ線画像を生成する画像処理を行う。以上により、ステップＳＴ５１、ＳＴ５２ＢからなるステップＳＴ５０が終了する。ステップＳＴ５０の終了後、前述同様にステップＳＴ６０以降の処理が実行される。
【0128】
上述したように第７の実施形態によれば、処理回路４４は、第１学習済みモデルＭｄ１の学習データに用いた入力画像に関する画像特徴量の分布を変更させた変更画像に基づいて入力画像を生成する第２学習済みモデルＭｄ２に対して、Ｘ線画像を入力することで、当該Ｘ線画像の画像特徴量の分布を当該入力画像に近づけたＸ線画像を生成する画像処理を行う。従って、前述した効果に加え、Ｘ線画像に対して第２学習済みモデルＭｄ２を用いた画像処理を行う構成により、前処理としての画像処理を機械学習技術によって実装することができる。
【0129】
＜第８の実施形態＞
第８の実施形態は、第１乃至第７の実施形態の変形例であり、図１６に示すように、Ｘ線診断装置１の外部装置として、医用画像処理装置６６を備えている。医用画像処理装置６６は、少なくとも１つのメモリ６１、ディスプレイ６２、入力インタフェース６３、処理回路６４及びネットワークインタフェース６５を備えている。処理回路６４は、図示しないプロセッサとメモリを備えている。処理回路６４のプロセッサは、メモリ６１内のプログラムを呼び出し実行することにより、プログラムに対応する取得機能６４２、処理機能６４３、推定機能６４４及び準備機能６４５を実現する。このプログラムは、例えば、予めネットワーク又は非一過性のコンピュータ読み取り可能な記憶媒体（non-transitory computer-readable storage medium）６７からワークステーション等のコンピュータにインストールされ、当該コンピュータのプロセッサに実行されることにより、当該コンピュータに医用画像処理装置６６の機能を実現させる。但し、推定機能６４４及び準備機能６４５のうちの少なくとも一方は、必須ではなく、任意の付加的事項である。
第８の実施形態は、第１乃至第７の実施形態の変形例であり、図１６に示すように、Ｘ線診断装置１の外部装置として、医用画像処理装置６６を備えている。医用画像処理装置６６は、少なくとも１つのメモリ６１、ディスプレイ６２、入力インタフェース６３、処理回路６４及びネットワークインタフェース６５を備えている。処理回路６４は、図示しないプロセッサとメモリを備えている。処理回路６４のプロセッサは、メモリ６１内のプログラムを呼び出し実行することにより、プログラムに対応する取得機能６４２、処理機能６４３、推定機能６４４及び準備機能６４５を実現する。このプログラムは、例えば、予めネットワーク又は非一過性のコンピュータ読み取り可能な記憶媒体（non-transitory computer-readable storage medium）６７からワークステーション等のコンピュータにインストールされ、当該コンピュータのプロセッサに実行されることにより、当該コンピュータに医用画像処理装置６６の機能を実現させる。但し、推定機能６４４及び準備機能６４５のうちの少なくとも一方は、必須ではなく、任意の付加的事項である。
【0130】
ここで、医用画像処理装置６６は、Ｘ線診断装置１とネットワークＮｗを介して通信可能であり、Ｘ線診断装置１の医用画像処理装置４６と同様の機能をもっている。このため、医用画像処理装置６６の説明としては、前述したＸ線診断装置１内の医用画像処理装置４６の説明から、参照符号の最上位桁の値“４”を“６”に読み替えることにより、重複した詳細な説明を省略する。医用画像処理装置６６及び医用画像処理装置４６は、それぞれ、医用画像処理方法を実行する医用画像処理装置の一例である。
【0131】
すなわち、メモリ６１は、前述したメモリ４１と同様の構成であり、被検体のＸ線画像を順次生成するＸ線診断装置１により順次生成されたＸ線画像を保存する。Ｘ線画像は、Ｘ線診断装置１により生成及び送信され、ネットワークインタフェース６５により受信されてメモリ６１に書き込まれる。また、メモリ６１は、医用画像処理装置６６のプログラムを記憶する。メモリ６１及びメモリ４１は、それぞれ記憶部の一例である。
【0132】
ディスプレイ６２は、前述したディスプレイ４２と同様の構成であり、処理回路４４に制御され、Ｘ線画像などを表示する。
【0133】
入力インタフェース６３は、前述した入力インタフェース４３と同様の構成であり、操作者の操作に応じた電気信号を処理回路６４に出力する。
【0134】
処理回路６４は、前述した処理回路４４と同様の構成であり、図示しないプロセッサとメモリを備え、入力インタフェース６３にて入力あるいは設定された各種情報がメモリに保存される。処理回路６４のプロセッサは、メモリ６１内のプログラムを呼び出し実行することにより、プログラムに対応する取得機能６４２、処理機能６４３、推定機能６４４及び準備機能６４５を実現する。処理回路６４及び取得機能６４２は、取得部の一例である。処理回路６４及び処理機能６４３は、処理部の一例である。処理回路６４及び推定機能６４４は、推定部の一例である。処理回路６４及び準備機能６４５は、準備部の一例である。
【0135】
取得機能６４２は、被検体のＸ線画像を順次生成するＸ線診断装置１からＸ線画像を取得し、当該Ｘ線画像をメモリ６１に保存する。また、取得機能６４２は、前述した取得機能４４２と同様の機能である。
【0136】
処理機能６４３は、Ｘ線画像が入力される第１学習済みモデルについて当該Ｘ線画像に適合するか否かを判定し、否の場合には、当該適合する第１学習済みモデルとなるように、Ｘ線画像に対して画像処理を行う。処理機能６４３は、前述した処理機能４４３と同様の機能である。
【0137】
推定機能６４４は、前述した推定機能４４４と同様の構成であり、適合する第１学習済みモデルとなるように、Ｘ線画像の収集条件を推定する。この場合、取得機能６４２は、当該収集条件に基づいてＸ線画像を取得する。
【0138】
準備機能６４５は、前述した準備機能４４５と同様の構成であり、適合する第１学習済みモデルとなるように、第１学習済みモデルの準備を行う。
【0139】
ネットワークインタフェース６５は、前述したネットワークインタフェース４５と同様の構成であり、有線、無線又はその両方にて外部装置と通信するための回路である。外部装置は、例えば、モダリティとしてＸ線診断装置１が含まれる。
【0140】
このような医用画像処理装置６６は、Ｘ線診断装置１内の医用画像処理装置４６が外部装置として設けられたものとして機能する。
【0141】
上述したように第８の実施形態によれば、医用画像処理装置６６において、処理回路６４は、Ｘ線画像を取得する。また、処理回路６４は、Ｘ線画像が入力される第１学習済みモデルについてＸ線画像に適合するか否かを判定し、否の場合には、当該適合する第１学習済みモデルとなるように、Ｘ線画像に対して画像処理を行う。従って、Ｘ線画像に対する学習済みモデルの適合を図ることができる。すなわち、医用画像処理装置においても、第１乃至第７の実施形態と同様の効果を得ることができる。また、このような効果は、医用画像処理装置の各機能に対応するプログラムをコンピュータに実装した構成によっても、得ることができる。
【0142】
以上説明した少なくとも一つの実施形態によれば、Ｘ線画像に対する学習済みモデルの適合を図ることができる。
【0143】
上記説明において用いた「プロセッサ」という文言は、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、或いは、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ）等の回路を意味する。プロセッサはメモリに保存されたプログラムを読み出し実行することで機能を実現する。プロセッサが例えばＣＰＵである場合、プロセッサはメモリに保存されたプログラムを読み出して実行することで機能を実現する。一方、プロセッサが例えばＡＳＩＣである場合、プログラムがメモリに保存される代わりに、当該機能がプロセッサの回路内に論理回路として直接組み込まれる。なお、各実施形態の各プロセッサは、プロセッサごとに単一の回路として構成される場合に限らず、複数の独立した回路を組み合わせて１つのプロセッサとして構成し、その機能を実現するようにしてもよい。さらに、図１、図７、図１０又は図１６における複数の構成要素を１つのプロセッサへ統合してその機能を実現するようにしてもよい。
【0144】
なお、本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
【符号の説明】
【0145】
１ Ｘ線診断装置
１０ 撮像装置
１１ 高電圧発生装置
１２ Ｘ線発生部
１３ Ｘ線検出器
１４ Ｃアーム
３０ 寝台装置
３１ 基台
３２ 寝台駆動装置
３３ 天板
３４ 支持フレーム
４０ コンソール装置
４１，６１ メモリ
４１ａ 学習情報
４１ｂ 前処理情報
４２，６２ ディスプレイ
４３，６３ 入力インタフェース
４４，６４ 処理回路
４４１ システム制御機能
４４２，６４２ 取得機能
４４３，６４３ 処理機能
４４４，６４４ 推定機能
４４５，６４５ 準備機能
４５，６５ ネットワークインタフェース
４６，６６ 医用画像処理装置
６７ 記憶媒体
１０ 撮像装置
１１ 高電圧発生装置
１２ Ｘ線発生部
１３ Ｘ線検出器
１４ Ｃアーム
３０ 寝台装置
３１ 基台
３２ 寝台駆動装置
３３ 天板
３４ 支持フレーム
４０ コンソール装置
４１，６１ メモリ
４１ａ 学習情報
４１ｂ 前処理情報
４２，６２ ディスプレイ
４３，６３ 入力インタフェース
４４，６４ 処理回路
４４１ システム制御機能
４４２，６４２ 取得機能
４４３，６４３ 処理機能
４４４，６４４ 推定機能
４４５，６４５ 準備機能
４５，６５ ネットワークインタフェース
４６，６６ 医用画像処理装置
６７ 記憶媒体
【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】
