特開 2024-17731 椎体中心推定モデル学習装置、椎体中心推定装置、椎体中心推定モデル学習方法、椎体中心推定方法及びプログラム

(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】P2024017731

(43)【公開日】2024-02-08

(54)【発明の名称】椎体中心推定モデル学習装置、椎体中心推定装置、椎体中心推定モデル学習方法、椎体中心推定方法及びプログラム

(51)【国際特許分類】

   A61B 6/46 20240101AFI20240201BHJP

   A61B 6/03 20060101ALI20240201BHJP

   G06T 7/00 20170101ALI20240201BHJP

【ＦＩ】

A61B6/03 360Z

A61B6/03 377

A61B6/03 360J

G06T7/00 350C

G06T7/00 614

【審査請求】未請求

【請求項の数】7

【出願形態】ＯＬ

(21)【出願番号】P 2022120567

(22)【出願日】2022-07-28

(71)【出願人】

【識別番号】000004178

【氏名又は名称】ＪＳＲ株式会社

(71)【出願人】

【識別番号】598121341

【氏名又は名称】慶應義塾

(74)【代理人】

【識別番号】100149548

【弁理士】

【氏名又は名称】松沼 泰史

(74)【代理人】

【識別番号】100181722

【弁理士】

【氏名又は名称】春田 洋孝

(72)【発明者】

【氏名】渡邉 航太

(72)【発明者】

【氏名】名倉 武雄

(72)【発明者】

【氏名】加藤 修三

(72)【発明者】

【氏名】佐次田 哲

(72)【発明者】

【氏名】古山 敦之

(72)【発明者】

【氏名】堀川 晋

【テーマコード（参考）】

4C093

5L096

【Ｆターム（参考）】

4C093AA22

4C093AA25

4C093AA26

4C093CA18

4C093CA23

4C093DA10

4C093FD03

4C093FD08

4C093FF21

4C093FF28

4C093FF42

5L096BA13

5L096DA02

5L096FA62

5L096FA69

5L096HA08

5L096HA11

5L096KA04

5L096KA15

(57)【要約】

【課題】椎体に係る身体の異常を治療する際の治療方針の決定に要する負担を軽減する技術を提供すること。
【解決手段】椎体が写る画像であって矢状面の画像である矢状面椎体画像の画像データに基づき前記椎体の中心の位置を推定する数理モデルである椎体中心推定モデルを、学習により更新する学習部、を備え、前記学習では、前記矢状面椎体画像の画像データと前記矢状面椎体画像に写る前記椎体の中心の位置を示す正解データとの対を含む訓練データが用いられ、前記学習では、前記訓練データが含む前記画像データに対する前記椎体中心推定モデルの推定の結果と前記訓練データが含む前記正解データとの違いを小さくするように前記椎体中心推定モデルが更新される、椎体中心推定モデル学習装置。
【選択図】図１５

【特許請求の範囲】

【請求項1】

椎体が写る画像であって矢状面の画像である矢状面椎体画像の画像データに基づき前記椎体の中心の位置を推定する数理モデルである椎体中心推定モデルを、学習により更新する学習実行部、
を備え、
前記学習では、前記矢状面椎体画像の画像データと前記矢状面椎体画像に写る前記椎体の中心の位置を示す正解データとの対を含む訓練データが用いられ、
前記学習では、前記訓練データが含む前記画像データに対する前記椎体中心推定モデルの推定の結果と前記訓練データが含む前記正解データとの違いを小さくするように前記椎体中心推定モデルが更新される、
椎体中心推定モデル学習装置。

【請求項2】

前記学習実行部はさらに、前記椎体を写す画像であって冠状面の画像である冠状面画像の画像データにも基づいて前記椎体中心推定モデルの学習を行う、
請求項１に記載の椎体中心推定モデル学習装置。

【請求項3】

推定対象の画像の画像データである推定対象画像データを取得する対象データ取得実行部と、
椎体が写る画像であって矢状面の画像である矢状面椎体画像の画像データに基づき前記椎体の中心の位置を推定する数理モデルである椎体中心推定モデルを、学習により更新する学習部、を備え、前記学習では、前記矢状面椎体画像の画像データと前記矢状面椎体画像に写る前記椎体の中心の位置を示す正解データとの対を含む訓練データが用いられ、前記学習では、前記訓練データが含む前記画像データに対する前記椎体中心推定モデルの推定の結果と前記訓練データが含む前記正解データとの違いを小さくするように前記椎体中心推定モデルが更新される、椎体中心推定モデル学習装置、によって得られた学習済みの椎体中心推定モデルを前記推定対象画像データに対して実行する椎体中心推定部と、
を備える椎体中心推定装置。

【請求項4】

椎体が写る画像であって矢状面の画像である矢状面椎体画像の画像データに基づき前記椎体の中心の位置を推定する数理モデルである椎体中心推定モデルを、学習により更新する学習実行ステップ、
を有し、
前記学習では、前記矢状面椎体画像の画像データと前記矢状面椎体画像に写る前記椎体の中心の位置を示す正解データとの対を含む訓練データが用いられ、
前記学習では、前記訓練データが含む前記画像データに対する前記椎体中心推定モデルの推定の結果と前記訓練データが含む前記正解データとの違いを小さくするように前記椎体中心推定モデルが更新される、
椎体中心推定モデル学習方法。

【請求項5】

推定対象の画像の画像データである推定対象画像データを取得する対象データ取得実行ステップと、
椎体が写る画像であって矢状面の画像である矢状面椎体画像の画像データに基づき前記椎体の中心の位置を推定する数理モデルである椎体中心推定モデルを、学習により更新する学習ステップ、を有し、前記学習では、前記矢状面椎体画像の画像データと前記矢状面椎体画像に写る前記椎体の中心の位置を示す正解データとの対を含む訓練データが用いられ、前記学習では、前記訓練データが含む前記画像データに対する前記椎体中心推定モデルの推定の結果と前記訓練データが含む前記正解データとの違いを小さくするように前記椎体中心推定モデルが更新される、椎体中心推定モデル学習方法、によって得られた学習済みの椎体中心推定モデルを前記推定対象画像データに対して実行する椎体中心推定ステップと、
を有する椎体中心推定方法。

【請求項6】

請求項１又は２に記載の椎体中心推定モデル学習装置としてコンピュータを機能させるためのプログラム。

【請求項7】

請求項３に記載の椎体中心推定装置としてコンピュータを機能させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、椎体中心推定モデル学習装置、椎体中心推定装置、椎体中心推定モデル学習方法、椎体中心推定方法及びプログラムに関する。

【背景技術】

【0002】

椎体に係る身体の異常を治療する技術がある。このような技術では、椎体を撮影し、その撮影結果に基づいて治療方針が決定される場合がある。具体的には、放射線技師等の撮影結果から椎体の状態を推定する者（医師等）が撮影結果から椎体の状態を読み取り、読み取った結果に基づいて治療方針が決定される。そのため、撮影結果から椎体の状態を推定する者は、撮影結果から椎体の状態を読み取る必要があった。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】米国特許第１０２９２７７０号明細書

【特許文献2】特表２０１９－５１４５４８号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、撮影結果から椎体の状態を読み取ることは必ずしも容易ではなく、負担が大きい場合もあった。その結果、治療の方針を決定することも容易ではなく、治療方針の決定の負担が大きい場合もあった。

【0005】

上記事情に鑑み、本発明は、椎体に係る身体の異常を治療する際の治療方針の決定に要する負担を軽減する技術を提供することを目的としている。

【課題を解決するための手段】

【0006】

本発明の一態様は、椎体が写る画像であって矢状面の画像である矢状面椎体画像の画像データに基づき前記椎体の中心の位置を推定する数理モデルである椎体中心推定モデルを、学習により更新する学習実行部、を備え、前記学習では、前記矢状面椎体画像の画像データと前記矢状面椎体画像に写る前記椎体の中心の位置を示す正解データとの対を含む訓練データが用いられ、前記学習では、前記訓練データが含む前記画像データに対する前記椎体中心推定モデルの推定の結果と前記訓練データが含む前記正解データとの違いを小さくするように前記椎体中心推定モデルが更新される、椎体中心推定モデル学習装置である。

【0007】

本発明の一態様は、推定対象の画像の画像データである推定対象画像データを取得する対象データ取得実行部と、椎体が写る画像であって矢状面の画像である矢状面椎体画像の画像データに基づき前記椎体の中心の位置を推定する数理モデルである椎体中心推定モデルを、学習により更新する学習部、を備え、前記学習では、前記矢状面椎体画像の画像データと前記矢状面椎体画像に写る前記椎体の中心の位置を示す正解データとの対を含む訓練データが用いられ、前記学習では、前記訓練データが含む前記画像データに対する前記椎体中心推定モデルの推定の結果と前記訓練データが含む前記正解データとの違いを小さくするように前記椎体中心推定モデルが更新される、椎体中心推定モデル学習装置、によって得られた学習済みの椎体中心推定モデルを前記推定対象画像データに対して実行する椎体中心推定部と、を備える椎体中心推定装置である。

【0008】

本発明の一態様は、椎体が写る画像であって矢状面の画像である矢状面椎体画像の画像データに基づき前記椎体の中心の位置を推定する数理モデルである椎体中心推定モデルを、学習により更新する学習実行ステップ、を有し、前記学習では、前記矢状面椎体画像の画像データと前記矢状面椎体画像に写る前記椎体の中心の位置を示す正解データとの対を含む訓練データが用いられ、前記学習では、前記訓練データが含む前記画像データに対する前記椎体中心推定モデルの推定の結果と前記訓練データが含む前記正解データとの違いを小さくするように前記椎体中心推定モデルが更新される、椎体中心推定モデル学習方法である。

【0009】

本発明の一態様は、推定対象の画像の画像データである推定対象画像データを取得する対象データ取得実行ステップと、椎体が写る画像であって矢状面の画像である矢状面椎体画像の画像データに基づき前記椎体の中心の位置を推定する数理モデルである椎体中心推定モデルを、学習により更新する学習ステップ、を有し、前記学習では、前記矢状面椎体画像の画像データと前記矢状面椎体画像に写る前記椎体の中心の位置を示す正解データとの対を含む訓練データが用いられ、前記学習では、前記訓練データが含む前記画像データに対する前記椎体中心推定モデルの推定の結果と前記訓練データが含む前記正解データとの違いを小さくするように前記椎体中心推定モデルが更新される、椎体中心推定モデル学習方法、によって得られた学習済みの椎体中心推定モデルを前記推定対象画像データに対して実行する椎体中心推定ステップと、を有する椎体中心推定方法である。

【0010】

本発明の一態様は、上記の椎体中心推定モデル学習装置としてコンピュータを機能させるためのプログラムである。

【0011】

本発明の一態様は、上記の椎体中心推定装置としてコンピュータを機能させるためのプログラムである。

【発明の効果】

【0012】

本発明により、椎体に係る身体の異常を治療する際の治療方針の決定に要する負担を軽減することが可能となる。

【図面の簡単な説明】

【0013】

【図1】第１実施形態の椎体推定モデル学習装置の概要を説明する説明図。

【図2】第１実施形態における椎体推定モデル学習装置のハードウェア構成の一例を示す図。

【図3】第１実施形態における椎体推定モデル学習装置が備える制御部の構成の一例を示す図。

【図4】第１実施形態における椎体推定モデル学習装置が実行する処理の流れの一例を示すフローチャート。

【図5】第１実施形態における椎体推定装置のハードウェア構成の一例を示す図。

【図6】第１実施形態における椎体推定装置が備える制御部の構成の一例を示す図。

【図7】第１実施形態における椎体推定装置が実行する処理の流れの一例を示すフローチャート。

【図8】第１実施形態の第４変形例における椎体推定装置が備える制御部の構成の一例を示す図。

【図9】第１実施形態の第２変形例における椎体推定装置が備える制御部の構成の一例を示す図。

【図10】第１実施形態の第２変形例における制御部の実行する処理の流れの一例を示すフローチャート。

【図11】第２実施形態における類似症例推定装置の概要を説明する説明図。

【図12】第２実施形態における類似症例推定装置のハードウェア構成の一例を示す図。

【図13】第２実施形態における類似症例推定装置が備える制御部の構成の一例を示す図。

【図14】第２実施形態における類似症例推定装置が実行する処理の流れの一例を示す図。

【図15】第３実施形態の椎体中心推定システムの概要を説明する説明図。

【図16】第３実施形態における椎体中心推定モデル学習装置のハードウェア構成の一例を示す図。

【図17】第３実施形態における椎体中心推定モデル学習装置が備える制御部の構成の一例を示す図。

【図18】第３実施形態における椎体中心推定モデル学習装置が実行する処理の流れの一例を示すフローチャート。

【図19】第３実施形態における椎体中心推定装置のハードウェア構成の一例を示す図である。

【図20】第３実施形態における椎体中心推定装置が備える制御部の構成の一例を示す図。

【図21】第３実施形態における椎体中心推定装置が実行する処理の流れの一例を示すフローチャート。

【図22】第３実施形態におけるパラメータ推定装置のハードウェア構成の一例を示す図。

【図23】第３実施形態におけるパラメータ推定装置が実行する処理の流れの一例を示すフローチャート。

【発明を実施するための形態】

【0014】

（第１実施形態）
図１は、第１実施形態の椎体推定モデル学習装置１の概要を説明する説明図である。椎体推定モデル学習装置１は、人又は動物の椎体の位置を推定する数理モデルを、機械学習の方法を用いて得る。

【0015】

人又は動物の椎体の位置を推定する数理モデルの取得に際して、椎体推定モデル学習装置１は、椎体推定モデルの学習を行う。椎体推定モデルは、入力された椎体２次元画像データに基づき、その椎体２次元画像データの画像に写る椎体頂点の各位置と中心指向ベクトルとを推定する数理モデルである。椎体２次元画像データは、椎体が写る２次元画像の画像データである。椎体頂点は、椎体の隅の各頂点である。中心指向ベクトルは、椎体頂点ごとのベクトルであって各椎体頂点から椎体の中心に向かうベクトルである。中心は、例えば重心である。中心は、例えば４つの椎体頂点が構成する四角形の対角線の交点であってもよい。以下、椎体２次元画像データが示す画像を椎体２次元画像という。

【0016】

図１における画像Ｇ１は、椎体２次元画像の一例である。画像Ｇ１には３つの椎体が写る。図１における画像Ｇ２は、画像Ｇ１に写る椎体頂点を示す画像である。より具体的には、画像Ｇ２の点Ｐ１～Ｐ１２がそれぞれ椎体頂点の一例である。画像Ｇ２において椎体頂点Ｐ１～Ｐ４は３つの椎体の１つに属する４つの頂点である。画像Ｇ２において椎体頂点Ｐ５～Ｐ８は３つの椎体の他の１つの椎体に属する４つの頂点である。画像Ｇ２において椎体頂点Ｐ９～Ｐ１２は３つの椎体の最後の１つの椎体に属する４つの頂点である。

【0017】

図１における画像Ｇ２は、中心指向ベクトルの例として、画像Ｇ１に写る椎体頂点のうちの３つについて中心指向ベクトルを示す。画像Ｇ２におけるベクトルＶ１、ベクトルＶ２及びベクトルＶ３はいずれも、中心指向ベクトルの一例である。ベクトルＶ１は、椎体頂点Ｐ３における中心指向ベクトルである。ベクトルＶ２は、椎体頂点Ｐ７における中心指向ベクトルである。ベクトルＶ３は、椎体頂点Ｐ１１における中心指向ベクトルである。

【0018】

なお、数理モデルは、実行される条件と順番と（以下「実行規則」という。）が予め定められた１又は複数の処理を含む集合である。学習とは、機械学習の方法による数理モデルの更新を意味する。数理モデルの更新とは、数理モデルにおけるパラメータの値を好適に調整することを意味する。また、数理モデルの実行とは、数理モデルが含む各処理を実行規則にしたがって実行すること意味する。なお、数理モデルが含む処理は、他の数理モデルを実行する処理を含んでもよい。

【0019】

学習による数理モデルの更新は、学習に関する所定の終了条件（以下「学習終了条件」という。）が満たされるまで行われる。学習終了条件は、例えば所定の回数の学習が行われた、という条件である。

【0020】

なお、椎体２次元画像データは、３次元ＣＴ（Computed Tomography）画像から得られた２次元画像の画像データであってもよいし、ＭＲＩ（Magnetic Resonance Imaging）を用いて得られた２次元の画像の画像データであってもよし、レントゲン撮影で得られたＸ線写真の画像データであってもよい。３次元ＣＴ画像から椎体２次元画像データを取得する場合、例えばDigitally Reconstructed Radiograph（ＤＲＲ)が用いられる。

【0021】

椎体２次元画像データは画像内に椎体が写る画像の画像データであればどのようなものであってもよいが、椎体推定モデルの精度の向上の観点や、椎体２次元画像データの取得に要する負担の軽減のためには工夫された技術が実行されることが望ましい。このような技術の例については変形例にて説明する。

【0022】

＜椎体推定モデルの学習の詳細＞
椎体推定モデルの学習では、椎体２次元画像データと、正解頂点情報と、正解中心指向ベクトル情報と、の組が訓練データとして用いられる。正解頂点情報は、同じ組に属する椎体２次元画像データが示す画像に写る椎体頂点の各位置を示す情報である。正解中心指向ベクトル情報は、同じ組に属する椎体２次元画像データが示す画像に写る椎体頂点ごとの中心指向ベクトルを示す情報である。学習では１回の試行ごとに１つの訓練データが用いられる。学習では１回の試行ごとに椎体推定モデルが更新される。

【0023】

より具体的に椎体推定モデルの学習を説明する。椎体推定モデルの学習では、訓練データの含む椎体２次元画像データに対して椎体推定モデルが実行される。椎体推定モデルの学習では、椎体推定モデルの実行により得られた推定の結果と、正解頂点情報が示す椎体頂点の各位置と各中心指向ベクトルと、の違いを小さくするように、椎体推定モデルの更新が行われる。すなわち、正解頂点情報及び正解中心指向ベクトル情報は椎体推定モデルの学習における正解データである。なお、違いを表す損失関数は、例えば二乗誤差関数であってもよい。

【0024】

図２は、第１実施形態における椎体推定モデル学習装置１のハードウェア構成の一例を示す図である。椎体推定モデル学習装置１は、バスで接続されたＣＰＵ（Central Processing Unit）等のプロセッサ９１とメモリ９２とを備える制御部１１を備え、プログラムを実行する。椎体推定モデル学習装置１は、プログラムの実行によって制御部１１、入力部１２、通信部１３、記憶部１４及び出力部１５を備える装置として機能する。

【0025】

より具体的には、プロセッサ９１が記憶部１４に記憶されているプログラムを読み出し、読み出したプログラムをメモリ９２に記憶させる。プロセッサ９１が、メモリ９２に記憶させたプログラムを実行することによって、椎体推定モデル学習装置１は、制御部１１、入力部１２、通信部１３、記憶部１４及び出力部１５を備える装置として機能する。

【0026】

制御部１１は、椎体推定モデル学習装置１が備える各種機能部の動作を制御する。制御部１１は、椎体推定モデルを実行する。制御部１１は、例えば出力部１５の動作を制御し、出力部１５に椎体推定モデルの実行結果を出力させる。制御部１１は、例えば椎体推定モデルの実行により生じた各種情報を記憶部１４に記録する。記憶部１４が記憶する各種情報は、例えば椎体推定モデルの学習結果を含む。

【0027】

入力部１２は、マウスやキーボード、タッチパネル等の入力装置を含んで構成される。入力部１２は、これらの入力装置を椎体推定モデル学習装置１に接続するインタフェースとして構成されてもよい。入力部１２は、椎体推定モデル学習装置１に対する各種情報の入力を受け付ける。入力部１２には、例えば椎体推定モデルの学習に用いられる訓練データが入力される。

【0028】

通信部１３は、椎体推定モデル学習装置１を外部装置に接続するための通信インタフェースを含んで構成される。通信部１３は、有線又は無線を介して外部装置と通信する。外部装置は、例えば椎体推定モデルの学習に用いられる訓練データの送信元の装置である。通信部１３は、椎体推定モデルの学習に用いられる訓練データの送信元との通信によって椎体推定モデルの学習に用いられる訓練データを椎体推定モデルの学習に用いられる訓練データの送信元から受信する。外部装置は、例えば学習済みの椎体推定モデルを実行する装置である。通信部１３は、学習済みの椎体推定モデルを実行する装置との通信によって学習済みの椎体推定モデルを学習済みの椎体推定モデルを実行する装置に送信する。

【0029】

記憶部１４は、磁気ハードディスク装置や半導体記憶装置などのコンピュータ読み出し可能な記憶媒体装置を用いて構成される。記憶部１４は椎体推定モデル学習装置１に関する各種情報を記憶する。記憶部１４は、例えば入力部１２又は通信部１３を介して入力された情報を記憶する。記憶部１４は、例えば椎体推定モデルを予め記憶する。記憶部１４は、例えば椎体推定モデルの実行により生じた各種情報を記憶する。

【0030】

出力部１５は、各種情報を出力する。出力部１５は、例えばＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）ディスプレイや液晶ディスプレイ、有機ＥＬ（Ｅｌｅｃｔｒｏ－Ｌｕｍｉｎｅｓｃｅｎｃｅ）ディスプレイ等の表示装置を含んで構成される。出力部１５は、これらの表示装置を椎体推定モデル学習装置１に接続するインタフェースとして構成されてもよい。出力部１５は、例えば入力部１２又は通信部１３に入力された情報を出力する。出力部１５は、例えば椎体推定モデルの実行結果を表示してもよい。

【0031】

図３は、第１実施形態における椎体推定モデル学習装置１が備える制御部１１の構成の一例を示す図である。制御部１１は、訓練データ取得部１１１、学習部１１２、記憶制御部１１３及び出力制御部１１４を備える。

【0032】

訓練データ取得部１１１は、訓練データを取得する。訓練データ取得部１１１は、例えば入力部１２又は通信部１３に入力された訓練データを取得する。訓練データ取得部１１１は、予め記憶部１４に記憶済みの訓練データを読み出すことで訓練データを取得してもよい。

【0033】

学習部１１２は、椎体推定モデルの学習を実行する。学習部１１２は、椎体推定モデル実行部１２１及び更新部１２２を備える。椎体推定モデル実行部１２１は、訓練データ取得部１１１の取得した訓練データに含まれる椎体２次元画像データに対して椎体推定モデルを実行する。椎体推定モデル実行部１２１は、椎体推定モデルの実行により、実行対象の椎体２次元画像データの示す画像に写る椎体頂点の各位置と中心指向ベクトルとを推定する。なお、実行対象とは、処理又は数理モデルの実行の対象を意味する。したがって、椎体推定モデルの実行対象とは、椎体推定モデル実行部１２１の推定の推定対象である。

【0034】

椎体推定モデル実行部１２１は、具体的には椎体推定モデルを表現するニューラルネットワークである。したがって椎体推定モデル実行部１２１による椎体推定モデルの実行とは、椎体推定モデルを表現するニューラルネットワークが動作することを意味する。

【0035】

更新部１２２は、椎体推定モデル実行部１２１の推定結果と、訓練データに含まれる正解データとに基づき、推定結果と正解データとの違いを小さくするように、椎体推定モデルを更新する。

【0036】

記憶制御部１１３は各種情報を記憶部１４に記録する。出力制御部１１４は出力部１５の動作を制御する。

【0037】

図４は、第１実施形態における椎体推定モデル学習装置１が実行する処理の流れの一例を示すフローチャートである。訓練データ取得部１１１が訓練データを取得する（ステップＳ１０１）。次に、椎体推定モデル実行部１２１が、ステップＳ１０１で取得された訓練データに含まれる椎体２次元画像データに対して椎体推定モデルを実行する（ステップＳ１０２）。椎体推定モデルの実行により、実行対象の椎体２次元画像データの示す画像に写る椎体頂点の各位置と中心指向ベクトルとが推定される。

【0038】

次に更新部１２２が、ステップＳ１０２の実行により得られた推定の結果と、ステップＳ１０１で取得された訓練データに含まれる正解頂点情報及び正解中心指向ベクトル情報に基づき、椎体推定モデルを更新する（ステップＳ１０３）。次に、更新部１２２は、学習終了条件が満たされたか否かを判定する（ステップＳ１０４）。学習終了条件が満たされた場合（ステップＳ１０４：ＹＥＳ）、処理が終了する。一方、学習終了条件が満たされない場合（ステップＳ１０４：ＮＯ）、ステップＳ１０１の処理に戻る。

【0039】

このようにして得られた学習済みの椎体推定モデルは、入力された画像データの画像であって推定対象の画像に写る椎体頂点の各位置と各中心指向ベクトルとを推定する処理、に用いられる。このような処理を実行するものの一例が、これから説明する椎体推定装置２である。椎体推定装置２は、学習済みの椎体推定モデルを、例えば通信によって椎体推定モデル学習装置１から取得することで、学習済みの椎体推定モデルの実行前に予め取得する。椎体推定装置２は、学習済みの椎体推定モデルを、例えば学習済みの椎体推定モデルを表現するニューラルネットワークが備え付けられることで、学習済みの椎体推定モデルの実行前に予め取得してもよい。

【0040】

椎体推定装置２は、椎体推定モデル学習装置１の得た学習済みの椎体推定モデルを用いて、推定対象の画像に写る椎体頂点の各位置と各中心指向ベクトルとを推定する。

【0041】

図５は、第１実施形態における椎体推定装置２のハードウェア構成の一例を示す図である。椎体推定装置２は、バスで接続されたＣＰＵ等のプロセッサ９３とメモリ９４とを備える制御部２１を備え、プログラムを実行する。椎体推定装置２は、プログラムの実行によって制御部２１、入力部２２、通信部２３、記憶部２４及び出力部２５を備える装置として機能する。

【0042】

より具体的には、プロセッサ９３が記憶部２４に記憶されているプログラムを読み出し、読み出したプログラムをメモリ９４に記憶させる。プロセッサ９３が、メモリ９４に記憶させたプログラムを実行することによって、椎体推定装置２は、制御部２１、入力部２２、通信部２３、記憶部２４及び出力部２５を備える装置として機能する。

【0043】

制御部２１は、椎体推定装置２が備える各種機能部の動作を制御する。制御部２１は、学習済みの椎体推定モデルを実行する。制御部２１は、例えば出力部２５の動作を制御し、出力部２５に学習済みの椎体推定モデルの実行結果を出力させる。制御部２１は、例えば学習済みの椎体推定モデルの実行により生じた各種情報を記憶部２４に記録する。記憶部２４が記憶する各種情報は、例えば学習済みの椎体推定モデルの実行結果を含む。

【0044】

入力部２２は、マウスやキーボード、タッチパネル等の入力装置を含んで構成される。入力部２２は、これらの入力装置を椎体推定装置２に接続するインタフェースとして構成されてもよい。入力部２２は、椎体推定装置２に対する各種情報の入力を受け付ける。入力部２２には、例えば推定対象の画像の画像データが入力される。

【0045】

通信部２３は、椎体推定装置２を外部装置に接続するための通信インタフェースを含んで構成される。通信部２３は、有線又は無線を介して外部装置と通信する。外部装置は、例えば推定対象の画像の画像データの送信元の装置である。通信部２３は、推定対象の画像の画像データの送信元の装置との通信によって推定対象の画像の画像データを推定対象の画像の画像データの送信元の装置から受信してもよい。外部装置は、例えば椎体推定モデル学習装置１である。通信部２３は、椎体推定モデル学習装置１との通信によって学習済みの椎体推定モデルを椎体推定モデル学習装置１から受信してもよい。

【0046】

記憶部２４は、磁気ハードディスク装置や半導体記憶装置などのコンピュータ読み出し可能な記憶媒体装置を用いて構成される。記憶部２４は椎体推定装置２に関する各種情報を記憶する。記憶部２４は、例えば入力部２２又は通信部２３を介して入力された情報を記憶する。記憶部２４は、例えば学習済みの椎体推定モデルを学習済みの椎体推定モデルの実行前に予め記憶する。記憶部２４は、例えば学習済みの椎体推定モデルの実行により生じた各種情報を記憶する。

【0047】

出力部２５は、各種情報を出力する。出力部２５は、例えばＣＲＴディスプレイや液晶ディスプレイ、有機ＥＬディスプレイ等の表示装置を含んで構成される。出力部２５は、これらの表示装置を椎体推定装置２に接続するインタフェースとして構成されてもよい。出力部２５は、例えば入力部２２又は通信部２３に入力された情報を出力する。出力部２５は、例えば学習済みの椎体推定モデルの実行結果を出力してもよい。

【0048】

図６は、第１実施形態における椎体推定装置２が備える制御部２１の構成の一例を示す図である。制御部２１は、対象データ取得部２１１、椎体推定部２１２、記憶制御部２１３及び出力制御部２１４を備える。

【0049】

対象データ取得部２１１は、学習済みの椎体推定モデルの実行対象の椎体２次元画像データを取得する。対象データ取得部２１１の取得する椎体２次元画像データが、推定対象の画像の画像データである。対象データ取得部２１１は、例えば入力部２２又は通信部２３を介して入力された椎体２次元画像データを学習済みの椎体推定モデルの実行対象の椎体２次元画像データとして取得する。

【0050】

椎体推定部２１２は、対象データ取得部２１１の取得した椎体２次元画像データに対して学習済みの椎体推定モデルを実行する。椎体推定部２１２は、椎体推定モデルの実行により、実行対象の椎体２次元画像データの示す画像に写る椎体頂点の各位置と中心指向ベクトルとを推定する。

【0051】

記憶制御部２１３は各種情報を記憶部１４に記録する。出力制御部２１４は出力部１５の動作を制御する。

【0052】

図７は、第１実施形態における椎体推定装置２が実行する処理の流れの一例を示すフローチャートである。対象データ取得部２１１が、推定対象の画像の画像データを取得する（ステップＳ２０１）。次に、椎体推定部２１２が、対象データ取得部２１１の取得した画像データに対して学習済みの椎体推定モデルを実行することで、推定対象の画像に写る椎体頂点の各位置と中心指向ベクトルとを推定する（ステップＳ２０２）。次に、出力制御部２１４が出力部２５の動作を制御して、ステップＳ２０２で得られた推定の結果を、出力部２５に出力させる（ステップＳ２０３）。出力の方法は、例えば表示である。

【0053】

このように構成された第１実施形態の椎体推定モデル学習装置１は、画像中の椎体の隅の頂点と頂点から中心に向かうベクトルとを推定する数理モデルを得る。椎体に係る身体の異常を治療する治療方針の決定に際しては画像から椎体の位置を読み取ることが行われるが、読み取りは難しい場合や医師等の椎体の位置を読み取る者の技量に依存する場合がある。しかし、椎体の隅の頂点と頂点から中心に向かうベクトルとを椎体の位置を読み取る者が知れば、ベクトルの終点が近い位置にある椎体は同じ椎体の隅の頂点であろうと、椎体の位置を読み取る者は推定でき、椎体の位置の読み取りに要する負担が軽減される。したがって、椎体に係る身体の異常を治療する際の治療方針の決定に要する椎体の位置を読み取る者の負担が軽減される。そのため、椎体の隅の頂点と頂点から中心に向かうベクトルとを推定する数理モデルを学習により得る椎体推定モデル学習装置１は、椎体に係る身体の異常を治療する際の治療方針の決定に要する負担を軽減することができる。

【0054】

このように構成された第１実施形態の椎体推定装置２は、学習済みの椎体推定モデルを用いて、椎体の隅の頂点と頂点から中心に向かうベクトルとを推定する。そのため、椎体推定装置２は、椎体に係る身体の異常を治療する際の治療方針の決定に要する負担を軽減することができる。

【0055】

（第１実施形態の第１変形例）
椎体推定モデルの推定する椎体頂点の位置は、例えば、椎体頂点の位置である可能性の高さの画像内の分布を示す情報（以下「ヒートマップ情報」という。）によって示されてもよい。ヒートマップ情報は、例えば等高線で示される。なお、椎体推定モデルの推定する椎体頂点の位置がヒートマップ情報によって示される場合、学習済みの椎体推定モデルも椎体頂点の位置をヒートマップ情報によって示す。

【0056】

（第１実施形態の第２変形例）
椎体推定モデルには、例えば１／４の解像度の椎体２次元画像等の解像度の下げられた椎体２次元画像が入力されてもよい。このような解像度の下げられた画像が椎体２次元画像に入力されることで、演算量が軽減される。なお、椎体推定モデルに解像度の下げられた椎体２次元画像が入力される場合、学習済みの椎体推定モデルにも解像度の下げられた椎体２次元画像が入力される。

【0057】

（第１実施形態の第３変形例）
椎体推定モデルに解像度の下げられた椎体２次元画像が入力される場合、椎体推定モデルによる椎体頂点の位置の推定の精度も、解像度の低下に応じた度合だけ低下してしまう。そこで、椎体推定モデルの学習では、解像度の下げられた椎体２次元画像上の椎体頂点の位置を示す情報の推定だけではなく、低下された解像度を元に戻した場合における椎体頂点の位置を示す情報も椎体推定モデルが推定するように学習が行われてもよい。以下、低下された解像度を元に戻した場合における椎体頂点の位置を示す情報を、オリジナル位置指示情報という。オリジナル位置指示情報は、例えば、解像度の下げられた椎体２次元画像上の椎体頂点の位置を示す情報を始点とし、低下された解像度を元に戻した場合における椎体頂点の位置を終点とする位置ベクトルで示される。

【0058】

このような、オリジナル位置指示情報を推定する椎体推定モデルの学習では、訓練データの含む正解データに、低下された解像度を元に戻した場合における椎体頂点の位置を示す情報も含めて学習が行われる。

【0059】

椎体推定装置２がこのような、オリジナル位置指示情報を推定するように学習が行われた学習済みの椎体推定モデルを用いる場合には、椎体推定装置２は、学習済みの椎体推定モデルの実行により、推定対象の椎体２次元画像についてオリジナル位置指示情報も推定する。

【0060】

（第１実施形態の第４変形例）
椎体推定装置２は、学習済みの椎体推定モデルの実行により得られた推定の結果に基づき、推定対象の画像に写る各椎体を区別する。すなわち、椎体推定装置２は、学習済みの椎体推定モデルの実行により得られた推定の結果に基づき、推定対象の画像に写る各椎体をそれぞれ他の椎体と異なる椎体であると判定する。以下、推定対象の画像に写る各椎体をそれぞれ他の椎体と異なる椎体であると判定する処理を、椎体判定処理という。

【0061】

椎体判定処理は、椎体中心推定処理とグルーピング処理とを含む。椎体中心推定処理は、学習済みの椎体推定モデルの実行により得られた推定の結果に基づき、推定対象の画像に写る各椎体の中心を推定する処理である。

【0062】

椎体の中心は１つの椎体に１つであるので、椎体を識別する情報でもある。そこで、椎体の中心を用いて、推定対象の画像に写る各椎体頂点と各中心指向ベクトルとを分類することが可能である。具体的には、推定対象の画像に写る各椎体頂点と各中心指向ベクトルとがいずれの椎体に属するかという判定の処理を、推定対象の画像に写る各椎体頂点と各中心指向ベクトルとがいずれの椎体の中心に属するかという判定の処理で代替可能である。

【0063】

グルーピング処理は、推定対象に写る各椎体頂点と各中心指向ベクトルとについて、いずれの椎体の中心に属するかを判定する処理である。グルーピング処理における分類は、具体的には、椎体中心推定処理によって推定された各椎体の中心を示す情報と、学習済みの椎体推定モデルの実行により得られた椎体頂点の各位置と各中心指向ベクトルと、に基づいて行われる。グルーピング処理の実行により、推定対象に写る椎体頂点と中心指向ベクトルと椎体の中心とが、同じ椎体に属するもの同士で分類される。

【0064】

グルーピング処理では、中心指向ベクトルの終点と椎体中心推定処理で推定されたいずれか１つの中心との距離が所定の閾値よりも短い場合に、その中心と、その中心指向ベクトルと、その中心指向ベクトルの始点の椎体頂点とが同じ椎体に属すると判定される。このようにして、グルーピング処理は、推定対象に写る各椎体頂点と各中心指向ベクトルとについて、いずれの椎体の中心に属するかを判定する。

【0065】

なお、椎体２次元画像には、椎体が正面から撮影された場合には１つの椎体に４つの頂点が写ることが期待される。しかしながら、椎体が曲がった状態で撮影されるなどの椎体の撮影時の状況によっては、推定対象の椎体２次元画像に３つ以下の椎体頂点しか映っていない椎体が存在する場合がある。そのため、椎体判定処理では、３つの以下の椎体頂点と３つ以下の中心指向ベクトルが属する椎体が推定される場合があってもよい。

【0066】

出力制御部２１４は、出力部２５の動作を制御して、出力部２５に椎体判定処理の実行により得られた推定の結果を出力させる。出力の方法は、例えば表示である。

【0067】

図８は、第１実施形態の第４変形例における椎体推定装置２が備える制御部２１ａの構成の一例を示す図である。以下説明の簡単のため、制御部２１と同様の機能を有するものについては、図６と同じ符号を付すことで説明を省略する。制御部２１ａは、椎体判定部２１５を備える点で、第１実施形態の制御部２１と異なる。椎体判定部２１５は、椎体判定処理を実行する。

【0068】

（第１実施形態の第５変形例）
椎体推定装置２は、椎体判定処理の実行により得られた推定の結果に基づき、推定対象の画像に写る脊椎のコブ角を推定してもよい。以下、椎体判定処理の実行により得られた推定の結果に基づき推定対象の画像に写る脊椎のコブ角を算出する処理、をコブ角算出処理という。なお、椎体推定モデルの推定する各椎体頂点の位置がそれぞれヒートマップ情報によって示される場合、コブ角算出処理における椎体頂点の各位置は、椎体頂点位置ごとのヒートマップ情報が示す極大値の位置である。

【0069】

図９は、第１実施形態の第２変形例における椎体推定装置２が備える制御部２１ｂの構成の一例を示す図である。以下説明の簡単のため、制御部２１と同様の機能を有するものについては、図６と同じ符号を付すことで説明を省略する。制御部２１ｂは、コブ角算出部２１６を備える点で、第１実施形態の第４変形例の制御部２１ａと異なる。コブ角算出部２１６は、図１０を用いて説明するコブ角算出処理を実行する。

【0070】

図１０は、第１実施形態の第２変形例における制御部２１ｂの実行する処理の流れの一例を示すフローチャートである。以下説明の簡単のため、傾きが０の方向を、矢状面と冠状面とが交わる線に垂直な軸であって冠状面に平行な軸に平行な方向として制御部２１ｂの実行する処理の流れの一例を説明する。コブ角算出処理は、椎体判定処理の実行後に実行される。そして、椎体判定処理は、例えばステップＳ２０２の処理の実行後に実行される。椎体判定部２１５が、ステップＳ２０２で推定された推定の結果を取得する。すなわち、椎体判定部２１５が、椎体推定部２１２による推定の結果を取得する（ステップＳ３０１）。次に、椎体判定部２１５が、椎体判定処理の実行により推定対象の画像に写る各椎体を区別する（ステップＳ３０２）。

【0071】

次に、コブ角算出部２１６が、極値点椎体対を判定する（ステップＳ３０３）。極値点椎体対は、互いに隣接する椎体の対であって、一方の椎体の傾きから他方の椎体の傾きに変化する際に、隣接する椎体間の傾きの符号が反転する、対である。したがって極値点椎体対は、例えば、脊椎の首に近い側を上と定義し脊椎の腰椎に近い側を下と定義した場合に、上の椎体の上縁が形成する脊椎角の符号と、下の椎体の下縁が形成する脊椎角の符号とが異なる、互いに隣接する椎体の対である。脊椎角は、首から腰椎に向かう直線に対する角度である。

【0072】

ステップＳ３０３において具体的には、コブ角算出部２１６はまず、ステップＳ３０２で区別された椎体ごとに、各椎体の各頂点の位置に基づいて、椎体の上縁及び下縁の傾きをそれぞれ算出する。次に、コブ角算出部２１６は、隣接する２つの椎体の対ごとに、互いに隣接しないという条件を満たす上縁と下縁との組の上縁の傾きの符号と下縁の傾きの符号が反転するか否かを判定する。コブ角算出部２１６は、各対についての判定結果に基づき、椎体の傾きの変化量の符号が反転する対を判定する。このようにして、コブ角算出部２１６は、極値点椎体対を判定する。

【0073】

なお、ステップＳ３０３の処理において、極値点椎体対は複数存在する。次に、記憶制御部２１３が、極値点椎体対と判定された椎体の対のうち上側の椎体を示す情報を、極値点椎体として記憶部２４等の所定の記憶装置に記録する（ステップＳ３０４）。すなわち、極値点椎体とは、極値点椎体対と判定された椎体の対のうち上側の椎体である。以下、所定の記憶装置が記憶部２４である場合を例に、コブ角算出処理を説明する。

【0074】

次に、記憶制御部２１３が、複数存在する極値点椎体のうち互いに最も近い２つの極値点椎体の組み合わせを記録する（ステップＳ３０５）。たとえば、検出された極値点椎体が椎体Ｔ１と椎体Ｌ５の２つであった場合、記憶制御部２１３は、記憶部２４に椎体Ｔ１及び椎体Ｌ５を記録する。次に、コブ角算出部２１６は、記憶部２４に記憶されている極値点椎体の組み合わせについて、上側の椎体の上縁が形成する脊椎角と、下側の椎体の下縁が形成する脊椎角の傾きの差の絶対値をコブ角として算出する（ステップＳ３０６）。たとえば上記の例では、椎体Ｔ１の上縁が形成する脊椎角と、椎体Ｌ５の下縁が形成する脊椎角の差の絶対値をコブ角として算出する。このとき、ノイズ除去のため、一定の傾き条件を閾値として設定し、これ以下の値はコブ角の算出対象に含めないこととしてもよい。一定の傾き条件とは、たとえば絶対値で５度である。

【0075】

なお、ステップＳ３０３からステップＳ３０７の処理が、コブ角算出処理の一例である。なお、コブ角算出部２１６はコブ角算出処理においてステップＳ３０７の次に、ステップＳ３０７の処理で得られた各コブ角のうち大きいものから順に、Ｍａｊｏｒ，Ｍａｉｎｏｒ１、Ｍｉｎｏｒ２と判定してもよい。

【0076】

（第１実施形態の第６変形例）
上述したように、椎体２次元画像データは画像内に椎体が写る画像の画像データであればどのようなものであってもよいが、椎体推定モデルの精度の向上の観点や、椎体２次元画像データの取得に要する負担の軽減のためには工夫された技術が実行されることが望ましい。そこで、ここでは、そのような工夫された技術の一例を説明する。

【0077】

椎体２次元画像データは、例えばＲＯＩ推定処理の実行により得られる。ＲＯＩ推定処理は、２次元画像データを実行対象とする処理である。ＲＯＩ推定処理は、実行対象の２次元画像データが示す画像内の関心領域（ＲＯＩ：Region of Interest）を推定する処理である。このような場合、椎体２次元画像データは、ＲＯＩ推定処理の実行対象の２次元画像データの画像からＲＯＩ推定処理によって推定された関心領域を除く領域の像が消された画像の画像データである。

【0078】

ＲＯＩ推定処理は、より具体的には、実行対象の２次元画像データが示す画像内の関心領域を推定する数理モデルであって２次元画像データと関心領域を示す正解データとの対を用いた学習により得られた数理モデル（以下「ＲＯＩモデル」という。）を実行する処理である。

【0079】

このようにＲＯＩモデルは学習により得られた数理モデルである。ＲＯＩモデルの学習では関心領域を示す情報が正解データとして用いられる。学習では、訓練データの含む２次元画像データに対するＲＯＩモデルの実行結果と正解データとの違いを小さくするようにＲＯＩモデルが更新される。学習に際して用いられる訓練データの含む２次元画像データには、椎体の像を写す２次元画像の画像データが用いられ、正解データは椎体を写す領域を関心領域として示す。このようにして、実行対象の２次元画像データから椎体を写す関心領域を推定するＲＯＩモデルが得られる。

【0080】

なお、ＲＯＩモデルの学習における訓練データの一部は椎体の像の写らない２次元画像データを含む訓練データであってもよい。このような場合、正解データは関心領域が無いことを示す。また、ＲＯＩモデルの学習における訓練データの含む２次元画像データには椎体の像が写る２次元画像データのみが用いられてもよい。そしてこのような場合、正解データは必ず、椎体の像の写る領域を関心領域として示してもよい。また、訓練データの含む正解データは、ＲＯＩモデルの実行対象の２次元画像データの画像の一部の領域であって、椎体の像を写すという条件を満たすランダムに選択された領域、を関心領域として示してもよい。

【0081】

脊椎の撮影は、さまざまな環境で行われ得る。そのため、撮影の状況に応じて画像にばらつきが生じてしまう。ＲＯＩ推定処理の実行により得られた椎体２次元画像データが用いられれば、このような撮影時のばらつきが軽減された画像データを用いて、椎体頂点の各位置と中心指向ベクトルとが推定される。そのため、椎体推定モデルの学習の効率も向上するし、学習済みの椎体推定モデルによる推定の精度も向上する。学習において上述したような関心領域のランダムな選択が行われる場合、学習済みの椎体推定モデルによる推定の精度が向上する。その理由を説明する。

【0082】

＜関心領域のランダムな選択が行われることで推定の精度が向上する理由＞
学習に用いられるデータセットは、多くが画像の左右に大きく余白があるような画像の画像データであり、少量は余白がほとんどない画像の画像データである、というデータセットである場合がある。このようなデータセットをそのまま学習に用いると、画像の左右に大きく余白があるような画像の画像データに対する推定の精度は高いものの、それ以外の画像データについては推定の精度が低いために、過学習が生じてしまう可能性がある。過学習した学習済みの数理モデルをアプリケーションに組み込んだ場合、学習時に用いられた画像の撮影の状況と異なる状況で得られた画像の画像データに対して、推定精度が低い場合がある。

【0083】

そのため、学習では学習データセットの偏りを軽減した学習が行われることが望ましい。関心領域のランダムな選択は、学習に用いるデータをランダムに選ぶために、このような学習データセットの偏りを軽減することができる。より具体的には、関心領域をランダムに選択することで、大多数の余白が多いデータから少数派の余白の少ないデータに近いデータを一定確率で生成することができ、余白の少ないデータの相対的な割合が増える。そのため、関心領域のランダムな選択は、学習に用いるデータをランダムに選ぶために、このような学習データセットの偏りを軽減することができる。したがって、関心領域のランダムな選択が行われることで学習済みの椎体推定モデルによる推定の精度が向上する。ここまでで関心領域のランダムな選択が行われることで推定の精度が向上する理由の説明を終了する。

【0084】

ＲＯＩ推定処理は、例えば訓練データ取得部１１１が実行する。椎体推定モデル学習装置１に２次元画像データと正解データとの対が入力された場合、訓練データ取得部１１１は、ＲＯＩ推定処理の実行により、入力された２次元画像データから椎体２次元画像データを生成する。訓練データ取得部１１１は、生成した椎体２次元画像データと入力された正解データとの対を訓練データとして取得する。

【0085】

ＲＯＩ推定処理は、例えば対象データ取得部２１１が実行する。椎体推定装置２に２次元画像データが入力された場合、対象データ取得部２１１は、ＲＯＩ推定処理の実行により、入力された２次元画像データから椎体２次元画像データを生成する。対象データ取得部２１１は、生成した椎体２次元画像データを学習済みの椎体推定モデルの実行対象として取得する。

【0086】

（第１実施形態の第７変形例）
椎体推定モデルの学習では、複数の椎体２次元画像が用いられてもよい。このような場合、複数の椎体２次元画像の一部は、左右を反転させた椎体２次元画像であってもよいし、白黒の反転等の色の反転が行われた椎体２次元画像であってもよい。すなわち、椎体推定モデルの実行対象の２次元画像の画像データの集合は、色又は左右が反転した２次元画像の画像データを含む集合であってもよい。

【0087】

椎体推定モデルの学習では、色及び左右の反転が行われていない椎体２次元画像と、色の反転が行われ左右の反転が行われていない椎体２次元画像と、色の反転は行われず左右の反転が行われた椎体２次元画像と、色及び左右の反転が行われた椎体２次元画像との４つそれぞれについて、椎体推定モデルの実行が行われてもよい。このような場合、各画像に対する椎体推定モデルの推定結果に基づき、各推定結果の差が小さくなるように椎体推定モデルが更新されてもよい。

【0088】

このような４種類の椎体２次元画像の画像データを用いて学習された学習済みの椎体推定モデルを椎体推定装置２が用いる場合には、上記の４種類の画像の画像データに対して学習済みの椎体推定モデルが実行されてもよい。このような場合、４つの推定のうちの１つ以上３つ以下の推定においてのみ頂点の位置と中心指向ベクトルとが推定される椎体が生じる場合がある。このように、４つ全てではなくても少なくとも１つで頂点の位置と中心指向ベクトルとが推定されれば、ユーザはその結果を、実際に椎体が存在する、と受け取ってもよい。

【0089】

実験では、１種類の椎体２次元画像データだけを用いた場合には検出されなかった椎体が、このような４種類の椎体２次元画像の画像データを用いることで、１７回の試行で連続して検出された、という結果が一例として得られている。

【0090】

このように、色又は左右が反転した椎体２次元画像の画像データも用いた椎体推定モデルの学習は、推定の精度を上げる効果を奏する。また、このように、色又は左右が反転した椎体２次元画像の画像データも用いた推定の結果であって学習済みの椎体推定モデルの実行で得られる推定の結果は、色及び左右の反転の無い１種類の椎体２次元画像データに基づく推定よりも、推定の精度が高いという効果を奏する。

【0091】

（第１実施形態の第８の変形例）
なお、椎体推定モデル学習装置１は、ネットワークを介して通信可能に接続された複数台の情報処理装置を用いて実装されてもよい。この場合、椎体推定モデル学習装置１が備える各機能部は、複数の情報処理装置に分散して実装されてもよい。

【0092】

なお、椎体推定装置２は、ネットワークを介して通信可能に接続された複数台の情報処理装置を用いて実装されてもよい。この場合、椎体推定装置２が備える各機能部は、複数の情報処理装置に分散して実装されてもよい。

【0093】

なお、椎体推定モデル学習装置１及び椎体推定装置２は、必ずしも異なる装置として実装される必要は無い。椎体推定モデル学習装置１及び椎体推定装置２は、例えば両者の機能を併せ持つ１つの装置として実装されてもよい。

【0094】

（第２実施形態）
第２実施形態の類似症例推定装置５を説明する。図１１は、第２実施形態の類似症例推定装置５の概要を説明する説明図である。類似症例推定装置５は、解析対象取得部５１１と、類似度推定部５１２とを備える。解析対象取得部５１１は、解析対象の脊椎２次元画像データを取得する。脊椎２次元画像データは、脊椎の像を写す２次元画像である脊椎２次元像の画像データ（以下「脊椎画像データ」という。）である。以下、解析対象の脊椎２次元画像データ（以下「解析対象画像データ」という。）の示す画像を解析対象画像という。類似度推定部５１２は、解析対象画像が示す症例と、他の脊椎２次元画像が示す症例との類似の度合を推定する。

【0095】

なお、症例は、具体的には、脊椎の状態を意味する。以下、類似の度合の推定に用いられる他の脊椎２次元画像を基準画像という。脊椎２次元画像には複数の椎体が写る。以下、解析対象画像が示す症例と、基準画像が示す症例との類似の度合を推定する処理を、類似度推定処理という。

【0096】

類似の度合は、椎体ベクトルの集合（以下「椎体ベクトル集合」という。）の類似の度合である。椎体ベクトルは、脊椎２次元画像から得られるベクトルであってベクトル条件を満たすベクトルである。ベクトル条件は、脊椎２次元画像に写る複数の椎体のうち互いに隣接する２つの椎体の各中心同士を結ぶベクトルであり始点と終点とに関する予め定められた条件である。

【0097】

ベクトル条件は例えば、脊椎に沿って始点が終点よりも仙骨に近いという条件であってもよい。ベクトル条件は例えば、脊椎に沿って終点が始点よりも仙骨に近いという条件であってもよい。すなわち、ベクトル条件は例えば、ベクトル条件は、脊椎に沿って始点が終点よりも仙骨に近いという条件と、脊椎に沿って終点が始点よりも仙骨に近いという条件と、のうちの予め定められた一方の条件であってもよい。

【0098】

図１１に示す画像Ｇ５０１は、解析対象画像の一例である。画像Ｇ５０１にはベクトルの集合を示す画像Ｇ５０２が重畳されている。画像Ｇ５０２が示すベクトルの集合は、脊椎に沿って始点が終点よりも仙骨に近いという条件を満たす１６個の椎体ベクトルの集合である。

【0099】

類似の度合を示す指標は、例えば解析対象画像から得られる椎体特徴量と、基準画像から得られる椎体特徴量との間の類似の度合であってもよい。椎体特徴量は、椎体ベクトル集合に含まれる各ベクトルを要素とする行列（すなわちテンソル）の特徴量である。類似度は例えばコサイン類似度である。椎体特徴量の違いが小さいほど、解析対象画像が示す症例と基準画像が示す症例との一致の度合が高い。

【0100】

類似の度合を示す指標は、例えば総角度差であってもよい。総角度差は椎体角度差を、脊椎２次元画像に写るＮ個（Ｎは椎体ベクトルの最大数）の椎体ベクトル全てについて加算した値である。椎体角度差は、解析対象画像に写る椎体ベクトルであって脊椎に沿って仙骨への近さがｎ番目（ｎは１以上Ｎ以下の整数）の椎体ベクトルと、基準画像に写る椎体ベクトルであって脊椎に沿って仙骨への近さがｎ番目の椎体ベクトルとの間の角度差である。総角度差が大きいほど解析対象画像が示す症例と基準画像が示す症例との一致の度合が高い。

【0101】

なお、脊椎２次元画像に写る椎体ベクトルは上述した定義であるため、脊椎２次元画像に写る椎体の中心を示す情報（以下「椎体中心情報」という。）に基づいて得られる。椎体中心情報は、例えば上述の学習済みの椎体推定モデルと上述の椎体中心推定処理との実行により得られる。

【0102】

以下、椎体中心情報を得る処理を椎体中心情報取得処理という。椎体中心情報取得処理は、類似度推定部５１２が実行する。

【0103】

椎体中心情報取得処理は、椎体中心情報を取得可能であればどのような処理であってもよい。椎体中心情報取得処理は、例えば後述の第３実施形態に示す学習済みの椎体中心推定モデルを実行する処理であってもよい。また椎体中心情報取得処理は、例えばユーザが各椎体について椎体の中心であると判定した位置を示す情報を取得する処理であってもよい。ユーザが椎体の中心であると判定した位置を示す情報もまた、椎体の中心を示す情報であるので椎体中心情報の一例である。

【0104】

図１２は、第２実施形態における類似症例推定装置５のハードウェア構成の一例を示す図である。類似症例推定装置５は、バスで接続されたＣＰＵやＧＰＵ等のプロセッサ９５とメモリ９６とを備える制御部５１を備え、プログラムを実行する。類似症例推定装置５は、プログラムの実行によって制御部５１、入力部５２、通信部５３、記憶部５４及び出力部５５を備える装置として機能する。

【0105】

より具体的には、プロセッサ９５が記憶部５４に記憶されているプログラムを読み出し、読み出したプログラムをメモリ９６に記憶させる。プロセッサ９５が、メモリ９６に記憶させたプログラムを実行することによって、類似症例推定装置５は、制御部５１、入力部５２、通信部５３、記憶部５４及び出力部５５を備える装置として機能する。

【0106】

制御部５１は、類似症例推定装置５が備える各種機能部の動作を制御する。制御部５１は、例えば椎体中心情報取得処理を実行する。制御部５１は、類似度推定処理を実行する。制御部１１は、例えば出力部５５の動作を制御し、出力部５５に類似度推定処理の推定の結果を出力させる。制御部５１は、例えば類似度推定処理の実行により生じた各種情報を記憶部５４に記録する。

【0107】

入力部５２は、マウスやキーボード、タッチパネル等の入力装置を含んで構成される。入力部５２は、これらの入力装置を類似症例推定装置５に接続するインタフェースとして構成されてもよい。入力部５２は、類似症例推定装置５に対する各種情報の入力を受け付ける。入力部５２には、例えば解析対象画像の画像データが入力される。入力部５２には、例えば基準画像の画像データが入力される。

【0108】

通信部５３は、類似症例推定装置５を外部装置に接続するための通信インタフェースを含んで構成される。通信部５３は、有線又は無線を介して外部装置と通信する。外部装置は、例えば解析対象画像の画像データの送信元の装置である。通信部５３は、解析対象画像の画像データの送信元の装置との通信によって、解析対象画像の画像データを取得する。外部装置は、例えば基準画像の画像データの送信元の装置である。通信部５３は、基準画像の画像データの送信元の装置との通信によって、基準画像の画像データを取得する。

【0109】

なお基準画像の画像データは予め記憶部５４に記憶済みであってもよい。以下説明の簡単のため基準画像の画像データが予め記憶部５４に記憶済みである場合を例に、類似症例推定装置５を説明する。

【0110】

記憶部５４は、磁気ハードディスク装置や半導体記憶装置などのコンピュータ読み出し可能な記憶媒体装置（a non-transitory computer readable medium）を用いて構成される。記憶部５４は類似症例推定装置５に関する各種情報を記憶する。記憶部５４は、例えば入力部５２又は通信部５３を介して入力された情報を記憶する。記憶部５４は、例えば椎体中心情報取得処理の結果を記憶する。記憶部５４は、例えば類似度推定処理の結果を記憶する。記憶部５４は、例えば予め基準画像の画像データを記憶していてもよい。

【0111】

出力部５５は、各種情報を出力する。出力部５５は、例えばＣＲＴディスプレイや液晶ディスプレイ、有機ＥＬディスプレイ等の表示装置を含んで構成される。出力部５５は、これらの表示装置を類似症例推定装置５に接続するインタフェースとして構成されてもよい。出力部５５は、例えば入力部５２又は通信部５３に入力された情報を出力する。出力部５５は、例えば椎体中心情報取得処理の結果を表示してもよい。図１１の画像Ｇ５０１は、椎体中心情報取得処理の結果の表示の一例である。出力部５５は、例えば椎体類似度推定処理の結果を表示してもよい。

【0112】

図１３は、第２実施形態における類似症例推定装置５が備える制御部５１の構成の一例を示す図である。制御部５１は、解析対象取得部５１１、類似度推定部５１２、記憶制御部５１３及び出力制御部５１４を備える。

【0113】

類似度推定部５１２は、上述したように、椎体中心情報取得処理を実行する。類似度推定部５１２は、上述したように、椎体類似度推定処理を実行する。

【0114】

記憶制御部５１３は各種情報を記憶部５４に記録する。出力制御部５１４は出力部５５の動作を制御する。

【0115】

図１４は、第２実施形態における類似症例推定装置５が実行する処理の流れの一例を示すフローチャートである。解析対象取得部５１１が解析対象画像の画像データを取得する（ステップＳ４０１）。次に類似度推定部５１２が椎体中心情報取得処理を解析対象画像の画像データと、基準画像の画像データとに対して実行する（ステップＳ４０２）。次に類似度推定部５１２がステップＳ４０２で得られた結果を用いて、椎体類似度推定処理を実行する（ステップＳ４０３）。次に、出力制御部５１４が出力部５５の動作を制御して、椎体類似度推定処理の結果を出力させる（ステップＳ４０４）。

【0116】

このように構成された第２実施形態の類似症例推定装置５は、椎体ベクトル集合の類似の度合に基づいて、２つの画像が示す症例の一致の度合を推定する。症例が似通っているほど、治療方針も似通った方針を使用することができる。例えば基準画像が過去に治療が行われた際の症例であって治療の成功例であれば、解析対象画像の症例においても似通った治療を行って治療が成功する可能性が高い。そのため、類似症例推定装置５は椎体に係る身体の異常を治療する際の治療方針の決定に要する負担を軽減することができる。

【0117】

（第２実施形態の変形例）
なお類似の度合を取得する対象の基準画像の画像データは複数であってもよい。このような場合、例えば制御部５１は基準画像ごとに解析対象画像との類似の度合を得る。このような場合、出力制御部５１４は例えば、出力部５５の動作を制御して、類似の度合の高さの順に基準画像が並んだ画像を表示させてもよい。

【0118】

（第３実施形態）
図１５は、第３実施形態の椎体中心推定システム１００の概要を説明する説明図である。椎体中心推定システム１００は、椎体中心推定モデル学習装置６、椎体中心推定装置７及びパラメータ推定装置８を備える。

【0119】

椎体中心推定モデル学習装置６は、椎体中心推定モデルを、学習により更新する学習実行部６１１を備える。椎体中心推定モデルは、椎体が写る画像であって矢状面の画像である矢状面椎体画像の画像データに基づき、矢状面椎体画像に写る椎体の中心の位置を推定する数理モデルである。

【0120】

なお、数理モデルは、実行される条件と順番と（以下「実行規則」という。）が予め定められた１又は複数の処理を含む集合である。学習とは、機械学習の方法による数理モデルの更新を意味する。数理モデルの更新とは、数理モデルにおけるパラメータの値を好適に調整することを意味する。また、数理モデルの実行とは、数理モデルが含む各処理を実行規則にしたがって実行すること意味する。なお、数理モデルが含む処理は、他の数理モデルを実行する処理を含んでもよい。

【0121】

学習による数理モデルの更新は、学習に関する所定の終了条件（以下「学習終了条件」という。）が満たされるまで行われる。学習終了条件は、例えば所定の回数の学習が行われた、という条件である。学習終了条件が満たされた時点の椎体中心推定モデルが、学習済みの椎体中心推定モデルである。

【0122】

椎体中心推定モデルの学習における訓練データは、入力側データと、出力側データとを含む。入力側データは、学習対象の数理モデルに入力されるデータである。学習対象の数理モデルは具体的には椎体中心推定モデルである。出力側データは、学習対象の数理モデル（すなわち椎体中心推定モデル）の出力との比較に用いられるデータである。すなわち出力側データは、機械学習におけるいわゆる正解データである。

【0123】

入力側データは矢状面椎体画像の画像データを含む。出力側データは、矢状面椎体画像に写る椎体の中心の位置を示すデータ（以下「正解中心データ」という。）である。このように、椎体中心推定モデルにおける学習では、矢状面椎体画像の画像データと矢状面椎体画像に写る椎体の中心の位置を示す正解データとの対を含む訓練データが用いられる。

【0124】

学習では、訓練データが含む矢状面椎体画像の画像データに対する椎体中心推定モデルの推定の結果と、訓練データが含む正解データとの違いを小さくするように椎体中心推定モデルが更新される。なお違いは、例えば二乗誤差関数で表現されてもよい。なお、学習では１回の試行ごとに１つの訓練データが用いられる。学習では１回の試行ごとに椎体中心推定モデルが更新される。

【0125】

なおこのように椎体の中心は、学習により得られた椎体中心推定モデルにより推測される位置であるので、学習の際に用いられた出力側データに依存する位置である。したがって椎体の中心は、出力側データの示す椎体の中心を例えばユーザが指定する場合には、その指定を行うユーザが定義する位置である。

【0126】

なお、矢状面椎体画像の画像データは、３次元ＣＴ（Computed Tomography）画像から得られた矢状面椎体画像の画像データであってもよいし、ＭＲＩ（Magnetic Resonance Imaging）を用いて得られた矢状面椎体画像の画像データであってもよし、レントゲン撮影で得られた矢状面椎体画像の画像データであってもよい。３次元ＣＴ画像から矢状面椎体画像の画像データを取得する場合、例えばDigitally Reconstructed Radiograph（ＤＲＲ)が用いられる。

【0127】

椎体中心推定装置７は、学習済みの椎体中心推定モデルを用いて推定対象の画像に写る椎体の中心を推定する。

【0128】

パラメータ推定装置８は、椎体中心推定装置７の推定した中心に基づいて、脊椎の状態に関するパラメータの値を推定する。脊椎の状態に関するパラメータ（以下「脊椎状態パラメータ」という。）は、例えばＴＫ（thoracic kyphosis）や、ＬＬ（lumbar lordosis）や、ＰＴ（pelvic tilt）や、ＰＩ（pelvic incidence）や、ＳＳ（sacral slope）や、ＳＶＡ（Sagittal vertical axis）である。

【0129】

なお椎体中心推定モデルによって推定される椎体の中心は、例えばＣ７や、Ｔ１～Ｔ１２や、Ｌ１～Ｌ５や、Ｓ１上縁の前後点や、骨頭中心点である。

【0130】

パラメータ推定装置８は、椎体の中心に基づいて脊椎状態パラメータを推定可能であればどのような方法で、脊椎状態パラメータを推定してもよい。パラメータ推定装置８は例えば、矢状面の画像に写るＣ７～Ｓ１までの椎体中心点列に対して３次曲線のフィッティングを行うことで、脊椎状態パラメータの値を取得してもよい。

【0131】

図１６は、第３実施形態における椎体中心推定モデル学習装置６のハードウェア構成の一例を示す図である。椎体中心推定モデル学習装置６は、バスで接続されたＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）等のプロセッサ９０１とメモリ９０２とを備える制御部６１を備え、プログラムを実行する。椎体中心推定モデル学習装置６は、プログラムの実行によって制御部６１、入力部６２、通信部６３、記憶部６４及び出力部６５を備える装置として機能する。

【0132】

より具体的には、プロセッサ９０１が記憶部６４に記憶されているプログラムを読み出し、読み出したプログラムをメモリ９０２に記憶させる。プロセッサ９０１が、メモリ９０２に記憶させたプログラムを実行することによって、椎体中心推定モデル学習装置６は、制御部６１、入力部６２、通信部６３、記憶部６４及び出力部６５を備える装置として機能する。

【0133】

制御部６１は、椎体中心推定モデル学習装置６が備える各種機能部の動作を制御する。制御部６１は、椎体中心推定モデルを実行する。制御部６１は、例えば出力部６５の動作を制御し、出力部６５に椎体中心推定モデルの実行結果を出力させる。制御部６１は、例えば椎体中心推定モデルの実行により生じた各種情報を記憶部６４に記録する。記憶部６４が記憶する各種情報は、例えば椎体中心推定モデルの学習結果を含む。

【0134】

入力部６２は、マウスやキーボード、タッチパネル等の入力装置を含んで構成される。入力部６２は、これらの入力装置を椎体中心推定モデル学習装置６に接続するインタフェースとして構成されてもよい。入力部６２は、椎体中心推定モデル学習装置６に対する各種情報の入力を受け付ける。入力部６２には、例えば椎体中心推定モデルの学習に用いられる訓練データが入力される。

【0135】

通信部６３は、椎体中心推定モデル学習装置６を外部装置に接続するための通信インタフェースを含んで構成される。通信部６３は、有線又は無線を介して外部装置と通信する。外部装置は、例えば椎体中心推定モデルの学習に用いられる訓練データの送信元の装置である。通信部６３は、椎体中心推定モデルの学習に用いられる訓練データの送信元との通信によって椎体中心推定モデルの学習に用いられる訓練データを椎体中心推定モデルの学習に用いられる訓練データの送信元から受信する。外部装置は、例えば学習済みの椎体中心推定モデルを実行する装置である。通信部６３は、学習済みの椎体中心推定モデルを実行する装置との通信によって学習済みの椎体中心推定モデルを学習済みの椎体中心推定モデルを実行する装置に送信する。

【0136】

記憶部６４は、磁気ハードディスク装置や半導体記憶装置などのコンピュータ読み出し可能な記憶媒体装置（a non-transitory computer readable medium）を用いて構成される。記憶部６４は椎体中心推定モデル学習装置６に関する各種情報を記憶する。記憶部６４は、例えば入力部６２又は通信部６３を介して入力された情報を記憶する。記憶部６４は、例えば椎体中心推定モデルを予め記憶する。記憶部６４は、例えば椎体中心推定モデルの実行により生じた各種情報を記憶する。

【0137】

出力部６５は、各種情報を出力する。出力部６５は、例えばＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）ディスプレイや液晶ディスプレイ、有機ＥＬ（Ｅｌｅｃｔｒｏ－Ｌｕｍｉｎｅｓｃｅｎｃｅ）ディスプレイ等の表示装置を含んで構成される。出力部６５は、これらの表示装置を椎体中心推定モデル学習装置６に接続するインタフェースとして構成されてもよい。出力部６５は、例えば入力部６２又は通信部６３に入力された情報を出力する。出力部６５は、例えば椎体中心推定モデルの実行結果を表示してもよい。

【0138】

図１７は、第３実施形態における椎体中心推定モデル学習装置６が備える制御部６１の構成の一例を示す図である。制御部６１は、訓練データ取得実行部６１０、学習実行部６１１、記憶制御部６１２及び出力制御部６１３を備える。

【0139】

訓練データ取得実行部６１０は、訓練データを取得する。訓練データ取得実行部６１０は、例えば入力部６２又は通信部６３に入力された訓練データを取得する。訓練データ取得実行部６１０は、予め記憶部６４に記憶済みの訓練データを読み出すことで訓練データを取得してもよい。

【0140】

学習実行部６１１は、椎体中心推定モデルの学習を実行する。

【0141】

記憶制御部６１２は各種情報を記憶部６４に記録する。出力制御部６１３は出力部６５の動作を制御する。

【0142】

図１８は、第３実施形態における椎体中心推定モデル学習装置６が実行する処理の流れの一例を示すフローチャートである。訓練データ取得実行部６１０が訓練データを取得する（ステップＳ５０１）。次に、学習実行部６１１が、ステップＳ５０１で取得された訓練データに含まれる入力側データに対して椎体中心推定モデルを実行する（ステップＳ５０２）。椎体中心推定モデルの実行により、実行対象の入力側データの示す画像に写る椎体の中心が推定される。

【0143】

次に学習実行部６１１が、ステップＳ５０２の実行により得られた推定の結果と、ステップＳ５０１で取得された訓練データに含まれる出力側データとに基づき、椎体中心推定モデルを更新する（ステップＳ５０３）。次に、学習実行部６１１は、学習終了条件が満たされたか否かを判定する（ステップＳ５０４）。学習終了条件が満たされた場合（ステップＳ５０４：ＹＥＳ）、処理が終了する。一方、学習終了条件が満たされない場合（ステップＳ５０４：ＮＯ）、ステップＳ５０１の処理に戻る。

【0144】

このようにして得られた学習済みの椎体中心推定モデルは、入力された画像データの画像であって椎体を写す画像に写る椎体の中心を推定する処理、に用いられる。得られた学習済みの椎体中心推定モデルは、椎体中心推定装置７によって推定対象のセンチメントの推定に用いられる。学習済みの椎体中心推定モデルは椎体中心推定装置７が実行可能な状態になれば、どのような方法で椎体中心推定装置７の制御化に置かれてもよい。学習済みの椎体中心推定モデルは、例えば学習終了条件が満たされた後に通信によって椎体中心推定モデル学習装置６から椎体中心推定装置７に送信されることで、椎体中心推定装置７による実行が可能になる。

【0145】

椎体中心推定装置７は、椎体中心推定モデル学習装置６の得た学習済みの椎体中心推定モデルを用いて、推定対象の画像に写る椎体の中心を推定する。推定対象の画像は椎体の写る画像である。

【0146】

図１９は、第３実施形態における椎体中心推定装置７のハードウェア構成の一例を示す図である。椎体中心推定装置７は、バスで接続されたＣＰＵやＧＰＵ等のプロセッサ９０３とメモリ９０４とを備える制御部７１を備え、プログラムを実行する。椎体中心推定装置７は、プログラムの実行によって制御部７１、入力部７２、通信部７３、記憶部７４及び出力部７５を備える装置として機能する。

【0147】

より具体的には、プロセッサ９０３が記憶部７４に記憶されているプログラムを読み出し、読み出したプログラムをメモリ９０４に記憶させる。プロセッサ９０３が、メモリ９０４に記憶させたプログラムを実行することによって、椎体中心推定装置７は、制御部７１、入力部７２、通信部７３、記憶部７４及び出力部７５を備える装置として機能する。

【0148】

制御部７１は、椎体中心推定装置７が備える各種機能部の動作を制御する。制御部７１は、学習済みの椎体中心推定モデルを実行する。制御部７１は、例えば出力部７５の動作を制御し、出力部７５に学習済みの椎体中心推定モデルの実行結果を出力させる。制御部７１は、例えば学習済みの椎体中心推定モデルの実行により生じた各種情報を記憶部７４に記録する。記憶部７４が記憶する各種情報は、例えば学習済みの椎体中心推定モデルの実行結果を含む。

【0149】

入力部７２は、マウスやキーボード、タッチパネル等の入力装置を含んで構成される。入力部７２は、これらの入力装置を椎体中心推定装置７に接続するインタフェースとして構成されてもよい。入力部７２は、椎体中心推定装置７に対する各種情報の入力を受け付ける。入力部７２には、例えば推定対象の画像の画像データが入力される。

【0150】

通信部７３は、椎体中心推定装置７を外部装置に接続するための通信インタフェースを含んで構成される。通信部７３は、有線又は無線を介して外部装置と通信する。外部装置は、例えば推定対象の画像の画像データの送信元の装置である。通信部７３は、推定対象の画像の画像データの送信元の装置との通信によって推定対象の画像の画像データを推定対象の画像の画像データの送信元の装置から受信してもよい。外部装置は、例えば椎体中心推定モデル学習装置６である。通信部７３は、椎体中心推定モデル学習装置６との通信によって学習済みの椎体中心推定モデルを椎体中心推定モデル学習装置６から受信してもよい。

【0151】

記憶部７４は、磁気ハードディスク装置や半導体記憶装置などのコンピュータ読み出し可能な記憶媒体装置を用いて構成される。記憶部７４は椎体中心推定装置７に関する各種情報を記憶する。記憶部７４は、例えば入力部７２又は通信部７３を介して入力された情報を記憶する。記憶部７４は、例えば学習済みの椎体中心推定モデルを学習済みの椎体中心推定モデルの実行前に予め記憶する。記憶部７４は、例えば学習済みの椎体中心推定モデルの実行により生じた各種情報を記憶する。

【0152】

出力部７５は、各種情報を出力する。出力部７５は、例えばＣＲＴディスプレイや液晶ディスプレイ、有機ＥＬディスプレイ等の表示装置を含んで構成される。出力部７５は、これらの表示装置を椎体中心推定装置７に接続するインタフェースとして構成されてもよい。出力部７５は、例えば入力部７２又は通信部７３に入力された情報を出力する。出力部７５は、例えば学習済みの椎体中心推定モデルの実行結果を出力してもよい。

【0153】

図２０は、第３実施形態における椎体中心推定装置７が備える制御部７１の構成の一例を示す図である。制御部７１は、対象データ取得実行部７１０、椎体中心推定部７１１、記憶制御部７１２及び出力制御部７１３を備える。

【0154】

対象データ取得実行部７１０は、学習済みの椎体中心推定モデルの実行対象の画像データであって椎体の写る２次元画像の画像データ（以下「推定対象画像データ」という。）を取得する。対象データ取得実行部７１０の取得した推定対象画像データが、推定対象の画像の画像データである。対象データ取得実行部７１０は、例えば入力部７２又は通信部７３を介して入力された画像データを推定対象画像データとして取得する。

【0155】

椎体中心推定部７１１は、対象データ取得実行部７１０の取得した画像データに対して学習済みの椎体中心推定モデルを実行する。椎体中心推定部７１１は、椎体中心推定モデルの実行により、実行対象の画像データの示す画像に写る椎体の中心を推定する。

【0156】

記憶制御部７１２は各種情報を記憶部７４に記録する。出力制御部７１３は出力部７５の動作を制御する。

【0157】

図２１は、第３実施形態における椎体中心推定装置７が実行する処理の流れの一例を示すフローチャートである。対象データ取得実行部７１０が、推定対象画像データを取得する（ステップＳ６０１）。次に、椎体中心推定部７１１が、対象データ取得実行部７１０の取得した推定対象画像データに対して学習済みの椎体中心推定モデルを実行することで、推定対象画像データが示す画像に写る椎体の中心を推定する（ステップＳ６０２）。次に、出力制御部７１３が出力部７５の動作を制御して、ステップＳ６０２で得られた推定の結果を、出力部７５に出力させる（ステップＳ６０３）。出力の方法は、例えば表示である。

【0158】

図２２は、第３実施形態におけるパラメータ推定装置８のハードウェア構成の一例を示す図である。パラメータ推定装置８は、バスで接続されたＣＰＵやＧＰＵ等のプロセッサ９０５とメモリ９０６とを備える制御部８１を備え、プログラムを実行する。パラメータ推定装置８は、プログラムの実行によって制御部８１、入力部８２、通信部８３、記憶部８４及び出力部８５を備える装置として機能する。

【0159】

より具体的には、プロセッサ９０５が記憶部８４に記憶されているプログラムを読み出し、読み出したプログラムをメモリ９０６に記憶させる。プロセッサ９０５が、メモリ９０６に記憶させたプログラムを実行することによって、パラメータ推定装置８は、制御部８１、入力部８２、通信部８３、記憶部８４及び出力部８５を備える装置として機能する。

【0160】

制御部８１は、パラメータ推定装置８が備える各種機能部の動作を制御する。制御部８１は、椎体中心推定装置７の推定した中心に基づいて、脊椎状態パラメータの値を推定する。制御部８１は、例えば出力部８５の動作を制御し、出力部８５に推定した脊椎状態パラメータの値を出力させる。

【0161】

入力部８２は、マウスやキーボード、タッチパネル等の入力装置を含んで構成される。入力部８２は、これらの入力装置をパラメータ推定装置８に接続するインタフェースとして構成されてもよい。入力部８２は、パラメータ推定装置８に対する各種情報の入力を受け付ける。入力部８２には、例えば脊椎状態パラメータの推定対象の画像の画像データと、その画像データの画像に写る椎体の中心を示す情報であって椎体中心推定装置７が推定した椎体の中心を示す情報とが入力される。

【0162】

通信部８３は、パラメータ推定装置８を外部装置に接続するための通信インタフェースを含んで構成される。通信部８３は、有線又は無線を介して外部装置と通信する。外部装置は、例えば脊椎状態パラメータの推定対象の画像の画像データの送信元の装置である。通信部８３は、脊椎状態パラメータの推定対象の画像の画像データの送信元の装置との通信によって推定対象の画像の画像データを脊椎状態パラメータの推定対象の画像の画像データの送信元の装置から受信してもよい。外部装置は、例えば椎体中心推定装置７であってもよい。このような場合、通信部８３は椎体中心推定装置７との通信によって椎体中心推定装置７の推定の結果を取得してもよい。

【0163】

記憶部８４は、磁気ハードディスク装置や半導体記憶装置などのコンピュータ読み出し可能な記憶媒体装置を用いて構成される。記憶部８４はパラメータ推定装置８に関する各種情報を記憶する。記憶部８４は、例えば入力部８２又は通信部８３を介して入力された情報を記憶する。記憶部８４は、例えば推定した脊椎状態パラメータの値を記憶する。

【0164】

出力部８５は、各種情報を出力する。出力部８５は、例えばＣＲＴディスプレイや液晶ディスプレイ、有機ＥＬディスプレイ等の表示装置を含んで構成される。出力部８５は、これらの表示装置をパラメータ推定装置８に接続するインタフェースとして構成されてもよい。出力部８５は、例えば入力部８２又は通信部８３に入力された情報を出力する。出力部８５は、例えば制御部８１による推定の結果を出力してもよい。

【0165】

図２３は、第３実施形態におけるパラメータ推定装置８が実行する処理の流れの一例を示すフローチャートである。入力部８２又は通信部８３に、脊椎状態パラメータの推定対象の画像の画像データと、その画像データの画像に写る椎体の中心を示す情報であって椎体中心推定装置７が推定した椎体の中心を示す情報とが入力される（ステップＳ７０１）。次に、制御部８１が、ステップＳ７０１で取得された画像データとステップＳ３７０１で取得された椎体の中心を示す情報とに基づいて脊椎状態パラメータの値を推定する（ステップＳ７０２）。次に、制御部８１が出力部８５の動作を制御して、ステップＳ７０２で得られた脊椎状態パラメータの値を、出力部８５に出力させる（ステップＳ７０３）。出力の方法は、例えば表示である。

【0166】

このように構成された第３実施形態の椎体中心推定モデル学習装置６は、画像中の椎体の中心を推定する数理モデルを得る。椎体に係る身体の異常を治療する治療方針の決定に際しては画像から椎体の中心を読み取ることが行われるが、読み取りは難しい場合や医師等の椎体の中心を読み取る者の技量に依存する場合がある。しかし、椎体の中心が数理モデルによって推定されるのであれば、椎体の中心を読み取る者の技量に依存する精度のばらつきは抑制される。また、椎体の中心が数理モデルによって推定されるのであれば、椎体の中心を読み取る者による椎体の中心の読み取りに要する労力が軽減される。そのため、椎体中心推定モデル学習装置６は、椎体に係る身体の異常を治療する際の治療方針の決定に要する負担を軽減することができる。

【0167】

また、このように構成された第３実施形態の椎体中心推定装置７は、学習済みの椎体中心推定モデルを用いて、椎体の中心を推定する。そのため、椎体中心推定装置７は、椎体に係る身体の異常を治療する際の治療方針の決定に要する負担を軽減することができる。

【0168】

また、このように構成された第３実施形態の椎体中心推定システム１００は、椎体中心推定装置７を備える。そのため、椎体中心推定システム１００は、椎体に係る身体の異常を治療する際の治療方針の決定に要する負担を軽減することができる。

【0169】

（第３実施形態の変形例）
なお、訓練データが含む入力側データには、矢状面に加えてさらに冠状面の画像の画像データが含まれてもよい。したがって、学習実行部６１１では、椎体を写す画像であって冠状面の画像である冠状面画像の画像データにも基づいて椎体中心推定モデルの学習が行われてもよい。

【0170】

なお、椎体中心推定モデル学習装置６は、ネットワークを介して通信可能に接続された複数台の情報処理装置を用いて実装されてもよい。この場合、椎体中心推定モデル学習装置６が備える各機能部は、複数の情報処理装置に分散して実装されてもよい。

【0171】

なお、椎体中心推定装置７は、ネットワークを介して通信可能に接続された複数台の情報処理装置を用いて実装されてもよい。この場合、椎体中心推定装置７が備える各機能部は、複数の情報処理装置に分散して実装されてもよい。

【0172】

なお、パラメータ推定装置８は、ネットワークを介して通信可能に接続された複数台の情報処理装置を用いて実装されてもよい。この場合、パラメータ推定装置８が備える各機能部は、複数の情報処理装置に分散して実装されてもよい。

【0173】

なお、椎体中心推定モデル学習装置６及び椎体中心推定装置７は、必ずしも異なる装置として実装される必要は無い。椎体中心推定モデル学習装置６及び椎体中心推定装置７は、例えば両者の機能を併せ持つ１つの装置として実装されてもよい。

【0174】

なお、椎体中心推定装置７及びパラメータ推定装置８は、必ずしも異なる装置として実装される必要は無い。椎体中心推定装置７及びパラメータ推定装置８は、例えば両者の機能を併せ持つ１つの装置として実装されてもよい。

【0175】

（その他の変形例）
なお、椎体推定モデル学習装置１と、椎体推定装置２と、類似症例推定装置５と、椎体中心推定モデル学習装置６と、椎体中心推定装置７と、パラメータ推定装置８と、の各機能の全て又は一部は、ＡＳＩＣ（Application Specific Integrated Circuit）やＰＬＤ（Programmable Logic Device）やＦＰＧＡ（Field Programmable Gate Array）等のハードウェアを用いて実現されてもよい。プログラムは、コンピュータ読み取り可能な記録媒体に記録されてもよい。コンピュータ読み取り可能な記録媒体とは、例えばフレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置である。プログラムは、電気通信回線を介して送信されてもよい。

【0176】

各実施形態は、組み合わされてもよい。

【0177】

以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。

【符号の説明】

【0178】

１…椎体推定モデル学習装置、 １１…制御部、 １２…入力部、 １３…通信部、 １４…記憶部、 １５…出力部、 １１１…訓練データ取得部、 １１２…学習部、 １１３…記憶制御部、 １１４…出力制御部、 １２１…椎体推定モデル実行部、 １２２…更新部、 ２…椎体推定装置、 ２１、２１ａ、２１ｂ…制御部、 ２２…入力部、 ２３…通信部、 ２４…記憶部、 ２５…出力部、 ２１１…対象データ取得部、 ２１２…椎体推定部、 ２１３…記憶制御部、 ２１４…出力制御部、 ２１５…椎体判定部、 ２１６…コブ角算出部、 ５…類似症例推定装置、 ５１…制御部、 ５２…入力部、 ５３…通信部、 ５４…記憶部、 ５５…出力部、 ５１１…解析対象取得部、 ５１２…類似度推定部、 ５１３…記憶制御部、 ５１４…出力制御部、 １００…椎体中心推定システム、 ６…椎体中心推定モデル学習装置、 ６１…制御部、 ６２…入力部、 ６３…通信部、 ６４…記憶部、 ６５…出力部、 ６１０…訓練データ取得実行部、 ６１１…学習実行部、 ６１２…記憶制御部、 ６１３…出力制御部、 ７…椎体中心推定装置、 ７１…制御部、 ７２…入力部、 ７３…通信部、 ７４…記憶部、 ７５…出力部、 ７１０…対象データ取得実行部、 ７１１…椎体中心推定部、 ７１２…記憶制御部、 ７１３…出力制御部、 ８…パラメータ推定装置、 ８１…制御部、 ８２…入力部、 ８３…通信部、 ８４…記憶部、 ８５…出力部、 ９１…プロセッサ、 ９２…メモリ、 ９３…プロセッサ、 ９４…メモリ、 ９５…プロセッサ、 ９６…メモリ、 ９０１…プロセッサ、 ９０２…メモリ、 ９０３…プロセッサ、 ９０４…メモリ、 ９０５…プロセッサ、 ９０６…メモリ

【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】

【図22】

【図23】