特開 2024-177749 画像処理装置、放射線撮影システム、画像処理装置の作動方法、およびプログラム

(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】P2024177749

(43)【公開日】2024-12-24

(54)【発明の名称】画像処理装置、放射線撮影システム、画像処理装置の作動方法、およびプログラム

(51)【国際特許分類】

   A61B 6/00 20240101AFI20241217BHJP

【ＦＩ】

A61B6/00 350D

A61B6/00 333

A61B6/00 350S

【審査請求】未請求

【請求項の数】27

【出願形態】ＯＬ

(21)【出願番号】P 2023096070

(22)【出願日】2023-06-12

(71)【出願人】

【識別番号】000001007

【氏名又は名称】キヤノン株式会社

(74)【代理人】

【識別番号】100094112

【弁理士】

【氏名又は名称】岡部 讓

(74)【代理人】

【識別番号】100101498

【弁理士】

【氏名又は名称】越智 隆夫

(74)【代理人】

【識別番号】100106183

【弁理士】

【氏名又は名称】吉澤 弘司

(74)【代理人】

【識別番号】100136799

【弁理士】

【氏名又は名称】本田 亜希

(72)【発明者】

【氏名】田中 一将

(72)【発明者】

【氏名】富田 律也

【テーマコード（参考）】

4C093

【Ｆターム（参考）】

4C093AA01

4C093AA26

4C093CA15

4C093EA07

4C093FD03

4C093FF20

4C093FF25

4C093FF28

4C093FF35

(57)【要約】

【課題】大腿骨の骨密度測定の対象領域である頸部ＲＯＩを高精度に取得する。
【解決手段】医用画像を処理する画像処理装置であって、大腿骨の画像における大腿骨領域を示す情報を含む学習データと、大腿骨の頸部を含む頸部関心領域を示す情報を含む学習データとを用いて得た学習済モデルの入力データとして入力画像を用いることにより、該入力画像における大腿骨の頸部を含む頸部関心領域を取得する取得手段を備える、画像処理装置。
【選択図】図４

【特許請求の範囲】

【請求項1】

医用画像を処理する画像処理装置であって、大腿骨の画像における大腿骨領域を示す情報を含む学習データと、大腿骨の頸部を含む頸部関心領域を示す情報を含む学習データとを用いて得た学習済モデルの入力データとして入力画像を用いることにより、該入力画像における大腿骨の頸部を含む頸部関心領域を取得する取得手段を備える、画像処理装置。

【請求項2】

前記学習済モデルは、
大腿骨の画像における大腿骨領域を示す情報を含む学習データを用いて得た第１の学習済モデルと、
大腿骨の頸部を含む頸部関心領域を示す情報を含む学習データを用いて得た第２の学習済モデルと、
を含み、
前記取得手段は、
前記第１の学習済モデルの入力データとして前記入力画像を用いることにより、前記入力画像における大腿骨領域を示す情報を取得する第１の取得手段と、
前記第２の学習済モデルの入力データとして前記取得した大腿骨領域を示す情報を用いることにより、前記入力画像における頸部関心領域を取得する第２の取得手段と、
を含む、請求項１に記載の画像処理装置。

【請求項3】

前記第２の取得手段は、前記第２の学習済モデルからの出力に基づく頸部関心領域の位置と角度とを用いて、前記入力画像における頸部関心領域を取得する、請求項２に記載の画像処理装置。

【請求項4】

前記大腿骨領域は骨頭部と転子部とを含み、
前記第１の取得手段は、前記第１の学習済モデルを用いて骨頭部の領域を示す情報と転子部の領域を示す情報とを個別に取得する、請求項２に記載の画像処理装置。

【請求項5】

前記大腿骨領域は骨頭部と転子部を含み、
前記第１の取得手段は、前記第１の学習済モデルを用いて骨頭部の領域と転子部の領域とを合わせた領域を示す情報を取得する、請求項２に記載の画像処理装置。

【請求項6】

前記第２の取得手段は、頸部軸を更に取得する、請求項２に記載の画像処理装置。

【請求項7】

前記入力画像における頸部関心領域の大きさは、予め設定されている、請求項１に記載の画像処理装置。

【請求項8】

前記入力画像における頸部関心領域の大きさは、前記第２の取得手段により設定される、請求項２に記載の画像処理装置。

【請求項9】

前記第１の取得手段は、前記入力画像内の大腿骨領域以外の骨領域を更に抽出し、
前記大腿骨領域以外の骨領域は、背景領域の抽出に用いられる、請求項２に記載の画像処理装置。

【請求項10】

前記取得した大腿骨領域の修正を操作する操作部を更に備え、
前記第２の取得手段は、前記操作部を用いて修正された大腿骨領域を前記第２の学習済モデルの入力データとして用いることにより、前記入力画像における頸部関心領域を取得する、請求項２に記載の画像処理装置。

【請求項11】

前記第２の取得手段は、前記取得された大腿骨領域を示す情報と前記入力画像とが重畳された画像を用いて、前記入力画像における頸部関心領域を取得する、請求項２に記載の画像処理装置。

【請求項12】

第１の取得手段は、
前記第１の学習済モデルの入力データとして入力画像を用いることにより、前記入力画像の骨頭部の領域と転子部の領域とを単一領域とした該単一領域を示す情報を取得し、
前記単一領域を示す情報から前記骨頭部の領域を示す情報と前記転子部の領域を示す情報とを別々に抽出することで、前記入力画像における大腿骨領域を示す情報を取得する、請求項２に記載の画像処理装置。

【請求項13】

前記単一領域の修正を操作する操作部を更に備える、請求項１２に記載の画像処理装置。

【請求項14】

前記第１の取得手段は、骨頭部の領域と転子部の領域とを含む単一領域における骨頭部の領域と転子部の領域とを別々に抽出した大腿骨領域を示す情報を含む学習データを用いて得た学習済モデルの入力データとして前記取得した単一領域を示す情報を用いることにより、前記取得した単一領域における骨頭部の領域を示す情報と転子部の領域を示す情報とを個別に取得する、請求項１２に記載の画像処理装置。

【請求項15】

前記第１の取得手段は、ルールベース処理により、前記単一領域における骨頭部の領域を示す情報と転子部の領域を示す情報とを個別に取得する、請求項１２に記載の画像処理装置。

【請求項16】

前記学習済モデルは、大腿骨の頸部を含む頸部関心領域を示す情報を含む学習データを用いて得た第１の学習済モデルと、大腿骨の頸部を含む頸部関心領域を示す情報を含む学習データを用いて得た第２の学習済モデルとを統合した学習済モデルである、請求項１に記載の画像処理装置。

【請求項17】

前記取得手段は、前記学習済モデルからの出力に基づく頸部関心領域の位置と角度とを用いて、前記入力画像における頸部関心領域を取得する、請求項１６に記載の画像処理装置。

【請求項18】

前記入力画像における頸部関心領域は骨密度測定の対象領域である、請求項１に記載の画像処理装置。

【請求項19】

前記入力画像における頸部関心領域を表示部に表示させる表示制御手段と、
前記表示部の表示に基づいて、操作者が前記入力画像における頸部関心領域の修正を操作する操作部と、を更に備える請求項１に記載の画像処理装置。

【請求項20】

前記取得された頸部関心領域が異常であると判定された場合に、警告を表示部に表示させる表示制御手段を更に備える、請求項１に記載の画像処理装置。

【請求項21】

前記入力画像は、エネルギーサブトラクション画像、２種類の管電圧の放射線を用いて取得された２枚の画像のうち少なくとも一方の画像、放射線吸収率の異なる２種類の素材を有するセンサを用いて取得された２枚の画像のうち少なくとも一方の画像、単純放射線画像、のいずれかである、請求項１に記載の画像処理装置。

【請求項22】

前記２種類の素材の一方はＣｓＩを含み、前記２種類の素材のもう一方はＧＯＳを含む、請求項２１に記載の画像処理装置。

【請求項23】

大腿骨領域は大腿骨の近位部の領域を含む、請求項１に記載の画像処理装置。

【請求項24】

前記取得手段は、医用画像から測定対象を含む参照領域を抽出し、該参照領域を示す画像を前記入力画像として用いる、請求項１に記載の画像処理装置。

【請求項25】

請求項１乃至２４のいずれか一項に記載の画像処理装置と、
放射線を発生させる放射線発生装置と、
前記放射線を検出し、放射線画像を生成する放射線検出装置と、
を備える、放射線撮影システム。

【請求項26】

医用画像を処理する画像処理装置の作動方法であって、大腿骨の画像における大腿骨領域を示す情報を含む学習データと、大腿骨の頸部を含む頸部関心領域を示す情報を含む学習データとを用いて得た学習済モデルの入力データとして入力画像を用いることにより、該入力画像における大腿骨の頸部を含む頸部関心領域を取得することを含む、画像処理装置の作動方法。

【請求項27】

コンピュータによって実行されると、該コンピュータに請求項２６に記載の画像処理装置の作動方法を実行させる、プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本明細書の開示は、画像処理装置、放射線撮影システム、画像処理装置の作動方法、およびプログラムに関する。

【背景技術】

【0002】

骨粗鬆症の診断や治療薬の効果判定のために、骨密度の測定が行われる。骨密度は、１ｃｍ^２あたりの骨量である。骨密度を測定する技術として、ＤＸＡ（Ｄｕａｌ ｅｎｅｒｇｙ Ｘ－ｒａｙ Ａｂｓｏｒｐｔｉｏｍｅｔｒｙ）法で取得した画像を用いる方法が知られている。ＤＸＡ法では、２種類の管電圧を用いてＸ線撮影を行い、吸収率の差に基づいて骨と軟組織等の物質の弁別を行う。このようにしてＤＸＡ法を用いて取得された画像を、エネルギーサブトラクション画像（以下、エネサブ画像と呼ぶ）、又は物質弁別画像と言う。

【0003】

骨密度測定のために、エネサブ画像の骨領域の中から、さらに骨密度測定の対象領域を取得する必要がある。大腿骨の骨密度を測定する場合、一般的に大腿骨の近位部内の頸部の領域が骨密度測定の対象領域である。さらに、当該頸部の頸部軸に略直交し、最も細い箇所の周辺領域が、頸部ＲＯＩ（Ｒｅｇｉｏｎ Ｏｆ Ｉｎｔｅｒｅｓｔ、頸部関心領域）として設定される。

【0004】

特許文献１では、機械学習を用いて自動的に画像内の大腿骨頸部領域を抽出し、この頸部領域に基づいて頸部ＲＯＩを取得する技術が開示されている。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】特許第７２２６１９９号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

上記特許文献１では、大腿骨の頸部領域と背景領域とを識別可能なラベルを付した教師用画像を用いた学習処理により作成された学習済モデルによって、大腿骨の頸部領域を抽出している。しかしながら、学習済モデルの出力結果に推論誤差があると、頸部ＲＯＩの角度や位置に誤差が生じる。例えば、入力画像の骨の形状が崩れている場合や、２種類の管電圧の画像間の位置ずれ等で入力画像の品質が低い場合には、頸部領域の推論誤差が起こりやすくなる。

【0007】

そこで、本明細書の開示の一実施態様に係る目的の１つは、大腿骨の骨密度測定の対象領域である頸部ＲＯＩを高精度に取得することである。

【課題を解決するための手段】

【0008】

本明細書に開示の一実施態様に係る画像処理装置は、医用画像を処理する画像処理装置であって、大腿骨の画像における大腿骨領域を示す情報を含む学習データと、大腿骨の頸部を含む頸部関心領域を示す情報を含む学習データとを用いて得た学習済モデルの入力データとして入力画像を用いることにより、該入力画像における大腿骨の頸部を含む頸部関心領域を取得する取得手段を備える。

【発明の効果】

【0009】

本明細書の開示の少なくとも一実施態様によれば、大腿骨の骨密度測定の対象領域である頸部ＲＯＩを高精度に取得することができる。

【図面の簡単な説明】

【0010】

【図1】実施例１に係るＸ線撮影システムの概略構成の一例を示す。

【図2】実施例１に係る入力画像の一例を示す。

【図3】実施例１に係る頸部ＲＯＩの一例を示す。

【図4】実施例１に係る画像処理のフローチャートの一例を示す。

【図5】実施例１に係る第１の取得部による取得結果の一例を示す。

【図6】実施例１に係る頸部ＲＯＩの位置と角度の一例を示す。

【図7】実施例１に係る第２の取得部への入力画像の一例を示す。

【図8】実施例１に係る第２の取得部への入力画像の他の一例を示す。

【図9】実施例１に係る頸部軸の一例を示す。

【図10】実施例２に係る放射線画像の一例を示す。

【図11】実施例２に係る画像処理のフローチャートの一例を示す。

【発明を実施するための形態】

【0011】

以下、図面を参照して本発明を実施するための例示的な実施例を詳細に説明する。図面において、同一であるか又は機能的に類似している要素を示すために図面間で同じ参照符号を用いる。また、各図面において説明上重要ではない構成要素、部材、処理の一部は省略して表示する場合がある。

【0012】

なお、以下の実施例において、放射線の例としてＸ線を用いた撮影システムについて説明するが、本開示に係る撮影システムは他の放射線を用いてもよい。ここで、放射線という用語は、例えばＸ線およびγ線等の電磁放射線、並びにα線、β線、粒子線、陽子線、重イオン線、および中間子線等の粒子放射線などを含むことができる。

【0013】

なお、以下において、機械学習モデルとは、機械学習アルゴリズムによる学習モデルをいう。機械学習の具体的なアルゴリズムとしては、最近傍法、ナイーブベイズ法、決定木、サポートベクターマシンなどが挙げられる。また、ニューラルネットワークを利用して、学習するための特徴量、結合重み付け係数を自ら生成する深層学習（ディープラーニング）も挙げられる。また、決定木を用いたアルゴリズムとして、ＬｉｇｈｔＧＢＭやＸＧＢｏｏｓｔのように勾配ブースティングを用いた手法も挙げられる。適宜、上記アルゴリズムのうち利用できるものを用いて以下の実施例および変形例に適用することができる。また、教師データとは、学習データのことをいい、入力データおよび出力データのペアで構成される。また、学習データの出力データのことを正解データともいう。

【0014】

なお、学習済モデルとは、ディープラーニング等の任意の機械学習アルゴリズムに従った機械学習モデルに対して、事前に適切な教師データ（学習データ）を用いてトレーニング（学習）を行ったモデルをいう。ただし、学習済モデルは、事前に適切な学習データを用いて得ているが、それ以上の学習を行わないものではなく、追加の学習を行うこともできるものとする。追加学習は、装置が使用先に設置された後も行われることができる。

【0015】

（実施例１）
以下、図１乃至図９を参照して、本発明の実施例１に係る放射線撮影システム、画像処理装置および画像処理装置の作動方法について説明する。図１は、本実施例に係る放射線撮影システムの例であるＸ線撮影システム１００の構成例を示す。Ｘ線撮影システム１００には、Ｘ線発生装置制御部１０２、Ｘ線管１０３、ＦＰＤ（Ｆｌａｔ Ｐａｎｅｌ Ｄｅｔｅｃｔｏｒ、ＦＰＤｅ）１０６、および画像処理装置１２０が設けられている。なお、Ｘ線撮影システム１００の構成を単にＸ線撮影装置ともいう。画像処理装置１２０は、撮影したＸ線画像に基づく情報を処理する。

【0016】

Ｘ線発生装置制御部１０２は、曝射スイッチの押下により、Ｘ線管１０３に高電圧パルスを与えＸ線を発生させ、Ｘ線管１０３は、Ｘ線を照射する。Ｘ線管１０３からＸ線が照射されると、Ｘ線は架台１０４上の被写体（不図示）およびグリッド１０５を通過して、ＦＰＤ１０６に到達する。到達したＸ線は、ＦＰＤ１０６によって可視光に変換され、Ｘ線画像として出力される。出力されたＸ線画像は制御部１０１を介して、画像処理装置１２０に転送される。

【0017】

ＦＰＤ１０６は、Ｘ線に応じた信号を生成するための画素アレイを備えたＸ線検出部（不図示）を有する。Ｘ線検出部は、グリッドを通過したＸ線を画像信号として検出する。Ｘ線検出部には、入射光に応じた信号を出力する画素がアレイ状（二次元の領域）に配置されている。各画素の光電変換素子は蛍光体により可視光に変換されたＸ線を電気信号に変換し、画像信号として出力する。このように、Ｘ線検出部はグリッドを通過したＸ線を検出して、画像信号（Ｘ線画像）を取得するように構成されている。ＦＰＤ１０６は、制御部１０１からの指示に従って読み出した画像信号（Ｘ線画像）を制御部１０１に出力する。なお、Ｘ線検出部は、シンチレータ等を用いてＸ線を一旦可視光に変換し、光電変換素子により可視光を電気信号に変換するような間接変換型の検出部であってもよいし、入射したＸ線を電気信号に直接変換する直接変換型の検出部であってもよい。

【0018】

制御部１０１は、ＦＰＤ１０６から取得したＸ線画像を、Ｘ線画像を処理する画像処理装置１２０と、画像処理の結果や各種プログラムを記憶する記憶部１０９に転送する。記憶部１０９は、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、又はＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等により構成される。記憶部１０９は、制御部１０１から出力された画像や画像処理装置１２０で画像処理された画像、画像処理装置１２０で算出された計算結果を記憶することが可能である。

【0019】

画像処理装置１２０は、入力された画像を処理して算出結果や画像などを出力する。画像処理装置１２０には、第１の取得部１２１および第２の取得部１２２が設けられている。第１の取得部１２１は、後述する第１の学習済モデルを用いて、入力画像から大腿骨の近位部の領域を含む大腿骨近位部領域（大腿骨領域）を抽出、取得する。第２の取得部１２２は、後述する第２の学習済モデルを用いて、第１の取得部１２１によって取得された大腿骨近位部領域に基づいて、大腿骨の骨密度測定の対象領域である頸部ＲＯＩを取得する。第１の取得部１２１および第２の取得部１２２の処理の詳細については後述する。また、画像処理装置１２０は、取得した頸部ＲＯＩに関して骨密度解析を行い、骨密度を算出することができる。

【0020】

なお、制御部１０１および画像処理装置１２０は、プロセッサおよびメモリが設けられたコンピュータによって構成されることができる。なお、制御部１０１および画像処理装置１２０は、一般的なコンピュータによって構成されてもよいし、Ｘ線撮影システム専用のコンピュータによって構成されてもよい。

【0021】

制御部１０１の構成要素、および画像処理装置１２０に含まれる第１の取得部１２１等の各構成要素は、例えば、１つ又は複数のＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等のプロセッサ、および記憶部１０９から読み込んだプログラムを用いて機能構成される。なお、プロセッサは、例えば、ＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やＧＰＵ（Ｇｒａｐｈｉｃａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等であってもよい。また、制御部１０１の構成要素、および画像処理装置１２０に含まれる各構成要素は、ＡＳＩＣ等の特定の機能を果たす集積回路などで構成してもよい。また、制御部１０１および画像処理装置１２０の内部構成として、ＧＰＵ等のグラフィック制御部、ネットワークカード等の通信部、キーボード、ディスプレイ又はタッチパネル等の入出力制御部等を含む構成も可能である。

【0022】

表示部１０７（モニタ）は、制御部１０１がＦＰＤ１０６から受信したＸ線画像（デジタル画像）や画像処理装置１２０で画像処理された画像、患者情報、又はユーザー通知等を表示する。操作部１０８は、ユーザーインターフェイスを介して、画像処理装置１２０やＦＰＤ１０６に対する指示を入力することができる。操作部１０８は、例えばマウスやキーボード等の入力機器を用いて構成されてよい。制御部１０１は、操作部１０８からの指示等に応じて、表示部１０７を制御できる表示制御手段の一例として機能する。

【0023】

なお、本実施例では、画像処理装置１２０および制御部１０１を別個の装置として記載するが、これらは同一の装置、例えば１つのコンピュータによって構成されることもできる。なお、表示部１０７はタッチパネル式のディスプレイにより構成されてもよく、この場合には表示部１０７は操作部１０８として兼用されることができる。

【0024】

図２は、Ｘ線撮影システム１００により取得された大腿骨近位部周辺の画像の一例を示す。図２には、説明のために、大腿骨の骨頭を含む骨頭領域２１、大腿骨の転子部を含む転子部領域２２、大腿骨の転子下部を含む転子下領域２３（本明細書では、画像内の骨幹部もこの領域に区分して扱う）、および骨盤を含む骨盤領域２４を示してある。大腿骨近位部領域は、骨頭領域２１、転子部領域２２、および転子下領域２３で構成される。

【0025】

なお、以下では図２に示されるように左脚を撮影した場合を説明するが、反対側の脚を撮影した場合も同様の処理を行ってよい。また、左右のいずれかを基準側として、その反対側の脚を撮影した場合は、Ｘ線撮影システム１００により取得された画像を左右反転した画像に対して以下の処理を行ってもよい。

【0026】

さらに、図３は、本実施例に係る頸部ＲＯＩ（頸部関心領域）の一例を示す。図３には、大腿骨の骨密度の測定対象である頸部ＲＯＩに対応する矩形２５を破線で示してある。頸部ＲＯＩは、一般的に矩形で設定される。ただし、頸部ＲＯＩは矩形に限られず、所望の構成に応じて任意の形状で設けられてよい。

【0027】

本実施例における画像処理装置１２０は、図２に示すような大腿骨近位部周辺の画像を入力画像として、図３に示すような頸部ＲＯＩを取得する。入力画像は、ＤＸＡ法で取得されたエネサブ画像であってよい。このエネサブ画像は、ｋＶスイッチング方式により２種類の管電圧でＸ線撮影された画像から生成されたものであってよい。また、このエネサブ画像は、ＦＰＤ１０６としてＸ線吸収率の異なる２種類の素材（蛍光体、シンチレータ）で形成された積層センサを用いて、一度の曝射で得られるそれぞれの層の画像から生成されたものであってもよい。一例として、この２種類の素材は、ＣｓＩ（Ｔｌ）（タリウム活性化ヨウ化セシウム）と、ＧＯＳ（ガドリニウム硫酸化物）を、主成分として含んだものであってよい。この積層センサは、Ｘ線が入射する側（被写体側）の素材がＣｓＩ（Ｔｌ）を含むものであり、反対側の素材がＧＯＳを含むものであるように構成されていてもよい。これに対し、一度の曝射（単純Ｘ線撮影）で取得された単純Ｘ線画像を、入力画像として用いてもよい。また、ＦＰＤ１０６が積層センサである場合、いずれかの層（例えば、被写体側である上層）の画像を入力画像として用いてもよい。

【0028】

以下、図４を参照して、本実施例における、頸部ＲＯＩを取得するための画像処理装置１２０の画像処理について説明する。図４は、本実施例における、頸部ＲＯＩを取得するための画像処理装置１２０の画像処理フローを示す。本実施例に係る画像処理フローが開始されると、処理はステップＳ１１（第１の取得工程）に移行する。

【0029】

ステップＳ１１において、画像処理装置１２０の第１の取得部１２１は、第１の学習済モデルを用いて、入力画像から骨頭領域、転子部領域、転子下領域、および骨盤領域をそれぞれ抽出（セグメンテーション）し、取得する。このように、第１の取得部１２１は、第１の学習済モデルの入力データとして入力画像を用いて、入力画像における大腿骨近位部領域を取得する第１の取得手段の一例である。本実施例では、後のステップで背景領域を取得する際に用いるため、第１の取得部１２１は、大腿骨近位部領域に加えて、大腿骨領域以外の骨領域である骨盤領域を併せて取得している。なお、以下において、骨頭領域、転子部領域、転子下領域、骨盤領域、および頸部ＲＯＩ等の各種領域の取得処理には、これら領域を示す画像（情報）の取得やこれら領域の特定が含まれるものとする。

【0030】

第１の取得部１２１が抽出（取得）した結果の一例を図５（ａ）乃至図５（ｄ）に示す。図５（ａ）の白色領域が骨頭領域の抽出結果（取得結果）、図５（ｂ）の白色領域が転子部領域の抽出結果、図５（ｃ）の白色領域が転子下領域の抽出結果、および図５（ｄ）の白色領域が骨盤領域の抽出結果を示す。これらの領域の抽出結果を示す画像の輝度値の一例としては、例えば、骨領域である白色領域の輝度値を１、背景領域である黒色領域の輝度値を０としてよい。このように骨領域を輝度値で表した画像等の、所定の領域を示すラベルを含む（アノテーションされた）画像を、以下でラベル画像と呼ぶ。なお、ラベルは輝度値に限られず、所望の構成に応じて任意の数値や文字等であってもよい。また、領域毎に異なるラベルが割り当てられてもよい。

【0031】

第１の学習済モデルは記憶部１０９に記憶しておくことができ、第１の取得部１２１は記憶部１０９に記憶された第１の学習済モデルを呼び出して使用してよい。図５（ａ）乃至図５（ｄ）に示されたそれぞれの領域を抽出する学習済モデルは、共通のモデルであってよい。このような学習済モデルは、大腿骨近位部周辺の画像が入力されると、各チャンネルから骨頭領域、転子部領域、転子下領域、および骨盤領域のそれぞれの抽出結果を出力することができる。また、それぞれの領域を抽出する学習済モデルは、別々に設けられてもよい。これらの学習済モデルは、同じ構造で、重みだけが異なっていてもよい。なお、本実施例では、Ｘ線撮影システム１００が学習済モデルを備える構成とするが、学習済モデルはＸ線撮影システム１００の外部に設けられてもよい。

【0032】

ここでの第１の学習済モデルは、例えば、大腿骨近位部周辺の画像と、その画像内の骨頭領域、転子部領域、転子下領域、および骨盤領域をラベル付けした画像との組み合わせを学習データとして学習させることで、生成され得る。

【0033】

なお、それぞれの領域を抽出する学習済モデルを別々に備える場合には、ラベル付けした画像をそれぞれ分けて学習させればよい。具体的には、大腿骨近位部周辺の画像とその画像内の骨頭領域をラベル付けした画像との組み合わせを学習データとして用いることで、骨頭領域を抽出するための学習済モデルが生成されてよい。同様に、大腿骨近位部周辺の画像とその画像内の転子部領域をラベル付けした画像との組み合わせを学習データとして用いることで、転子部領域を抽出するための学習済モデルが生成されてよい。また、大腿骨近位部周辺の画像とその画像内の転子下領域をラベル付けした画像との組み合わせを学習データとして用いることで、転子下領域を抽出するための学習済モデルが生成されてよい。さらに、大腿骨近位部周辺の画像とその画像内の骨盤領域をラベル付けした画像との組み合わせをそれぞれ学習データとして用いることで、骨盤領域を抽出するための学習済モデルが生成されてよい。

【0034】

なお、本実施例では、例えば制御部１０１が、学習済モデルの学習を行う学習部の一例として機能することができる。しかしながら、第１の取得部１２１は、画像処理装置１２０や他の学習装置等により学習が行われた第１の学習済モデルを用いてもよい。

【0035】

また、ＧＰＵは、データをより多く並列処理することで効率的な演算を行うことができる。このため、ディープラーニングのような機械学習アルゴリズムを用いて複数回に渡り学習を行う場合には、ＧＰＵで処理を行うことが有効である。そこで、本実施例では、学習部の一例として機能する制御部１０１による処理には、ＣＰＵに加えてＧＰＵを用いてもよい。具体的には、学習モデルを含む学習プログラムを実行する場合に、ＣＰＵとＧＰＵが協働して演算を行うことで学習を行うことができる。なお、学習部の処理では、ＣＰＵ又はＧＰＵのみにより演算が行われてもよい。また、本実施例に係る抽出処理についても、学習部と同様にＧＰＵを用いて実現してもよい。なお、学習済モデルが外部装置に設けられている場合には、制御部１０１は学習部として機能しなくてもよい。

【0036】

また、学習部は、不図示の誤差検出部と更新部とを備えてもよい。誤差検出部は、入力層に入力される入力データに応じてニューラルネットワークの出力層から出力される出力データと、正解データとの誤差を得る。誤差検出部は、損失関数を用いて、ニューラルネットワークからの出力データと正解データとの誤差を計算するようにしてもよい。また、更新部は、誤差検出部で得られた誤差に基づいて、その誤差が小さくなるように、ニューラルネットワークのノード間の結合重み付け係数等を更新する。この更新部は、例えば、誤差逆伝播法を用いて、結合重み付け係数等を更新する。誤差逆伝播法は、上記の誤差が小さくなるように、各ニューラルネットワークのノード間の結合重み付け係数等を調整する手法である。

【0037】

なお、本実施例に係る機械学習モデルとしては、例えば、ＦＣＮ（Ｆｕｌｌｙ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ）、又はＳｅｇＮｅｔ等を用いることもできる。また、物体認識を行う機械学習モデルとしては、例えば、ＲＣＮＮ（Ｒｅｇｉｏｎ ＣＮＮ）、ｆａｓｔＲＣＮＮ、又はｆａｓｔｅｒＲＣＮＮを用いることができる。さらに、領域単位で物体認識を行う機械学習モデルとして、ＹＯＬＯ（Ｙｏｕ Ｏｎｌｙ Ｌｏｏｋ Ｏｎｃｅ）、又はＳＳＤ（Ｓｉｎｇｌｅ Ｓｈｏｔ Ｄｅｔｅｃｔｏｒ、あるいはＳｉｎｇｌｅ Ｓｈｏｔ ＭｕｌｔｉＢｏｘ Ｄｅｔｅｃｔｏｒ）を用いることもできる。

【0038】

また、画像処理装置１２０は、セグメンテーション処理の前に、入力画像に対して前処理を行ってもよい。前処理の一例は、コントラストを向上させる処理であってよい。コントラストを向上させる処理として、例えば画像内の輝度値の最大値を１とし、画像内の輝度値の最小値を０とし、輝度の階調を線形に引き延ばす処理が挙げられる。また、前処理の一例は、ヒストグラム平坦化などの処理であってもよい。前処理の他の一例は、エッジを強調させる処理であってもよい。エッジを強調させる処理として、例えばフィルター処理が挙げられる。前処理の他の一例は、画像の輝度値の平均値を０にし、分散を１にする標準化処理であってもよい。また、画像処理装置１２０は上記の前処理を組み合わせて行ってもよい。なお、これらの前処理は第１の学習済モデルに学習させる学習データに対しても行われてよい。

【0039】

入力画像は、操作者が表示部１０７に表示された画像を見ながら操作部１０８を介して指示することで、Ｘ線撮影システム１００により取得された画像が操作者の指示に応じてトリミングされた画像であってもよい。また、トリミングされた画像は、指定された画像サイズにリサイズされてもよい。ここで言う指定された画像サイズは、例えば学習済モデルの入力画像サイズであってよい。また、入力画像は、撮影範囲に基づいて、画像処理装置１２０によって自動的に大腿骨近位部を残すようにトリミングされた画像であってもよい。

【0040】

さらに、入力画像が操作者によってトリミングされた画像である場合、入力画像は転子下領域を含まなくてもよい。この場合、第１の学習済モデルの出力は、転子下領域を含まなくてもよい。また、Ｘ線撮影システム１００により取得された画像に転子下領域が含まれなくてもよい。

【0041】

また、第１の取得部１２１は、それぞれの対象領域に対して、抽出された領域の外側で特異的に小さな領域も併せて抽出された場合、この領域はセグメンテーション誤差とみなして抽出結果から除去し、面積が最大である領域のみを残してよい。

【0042】

さらに、制御部１０１が第１の取得部１２１により取得された大腿骨近位部領域を表示部１０７に表示させ、操作者が操作部１０８を用いて、骨領域の追加あるいは削除等の修正の指示を行ってもよい。この場合、制御部１０１は、操作者の指示を画像処理装置１２０に送り、画像処理装置１２０は取得した操作者からの指示に応じて、骨領域の追加あるいは削除等の修正を行うことができる。

【0043】

ここで、第１の取得部１２１で取得された骨頭領域のラベルと転子部領域のラベルが共通である場合、骨領域の追加の指示は、表示された大腿骨近位部領域に対して、同じラベル値を追加する場所を指定することで行うことができる。

【0044】

また、第１の取得部１２１で取得された骨頭領域のラベルと転子部領域のラベルとが異なる場合、操作者は、表示された大腿骨近位部領域に対して骨領域を追加する箇所を、骨頭領域と転子部領域とで個別に指定することができる。このような操作によって、骨頭領域と転子部領域のそれぞれの追加修正の指示をすることができる。

【0045】

第１の取得部１２１で取得された骨頭領域のラベルと転子部領域のラベルとが異なる場合においても、操作者は骨頭領域と転子部領域とで共通の骨領域ラベルを用いて追加修正の指示を行ってもよい。この場合、第１の取得部１２１によって、追加された骨領域が骨頭領域であるか転子部領域であるかを区別してもよい。ここで追加された骨領域のラベルは、例えばその外枠の隣接画素のラベルに設定することができる。

【0046】

また、画像処理装置１２０は、第１の取得部１２１により、第１の学習済モデルを用いて、入力画像の骨頭領域と転子部領域とを共通のラベルが付された領域としたラベル画像を取得してもよい。この場合、第１の取得部１２１は、取得されたラベル画像から骨頭領域と転子部領域とを別々の領域としたラベル画像を更に取得することができる。第１の取得部１２１は、第３の学習済モデルを用いて、骨頭領域と転子部領域について共通のラベルが付されたラベル画像から骨頭領域と転子部領域とを別々に抽出したラベル画像を取得してもよい。ここで、第３の学習済モデルの学習データは、骨頭領域と転子部領域について共通のラベルが付されたラベル画像を入力データとし、当該ラベル画像における骨頭領域と転子部領域とについて別々のラベルを付したラベル画像を出力データとしてよい。また、第１の取得部１２１は、ルールベース処理によって骨頭領域と転子部領域について共通のラベルが付されたラベル画像から骨頭領域と転子部領域とを別々に抽出したラベル画像を取得してもよい。なお、第１の取得部１２１は、これらそれぞれの処理を行う第３の取得部と第４の取得部を含んでもよい。

【0047】

学習済モデルを用いて入力画像から頸部領域を抽出すると、結果に異常があった場合にその原因の確認や途中段階での修正が難しい。それに対して画像処理装置１２０は、上記のように途中段階で取得された大腿骨近位部領域を表示および修正することで、より着実に最終的な頸部ＲＯＩを取得することができる。

【0048】

次に、ステップＳ１２（第２の取得工程）において、画像処理装置１２０の第２の取得部１２２は、第２の学習済モデルを用いて、ステップＳ１１の取得結果（図５）から頸部ＲＯＩを取得する。

【0049】

上述のように、１つの学習済モデルで入力画像から大腿骨頸部領域および頸部ＲＯＩを抽出する画像処理装置を使用した場合には、学習済モデルの出力結果に推論誤差があると、頸部ＲＯＩの角度や位置に誤差が生じる。例えば、入力画像の骨の形状が崩れている場合や、２種類の管電圧の画像間の位置ずれ等で入力画像の品質が低い場合には、頸部領域の推論誤差が起こりやすくなる。また、設定する頸部ＲＯＩの大きさは、施設や検査技師の方針ごとに異なり得る。学習済モデルで頸部領域を抽出する場合、頸部領域および頸部ＲＯＩの大きさは学習データに依存する。学習済モデルの出力を変更するには再学習が必要となるため、施設の方針に沿って頸部ＲＯＩの設定を変更することが容易ではない。あるいは、学習済モデルの出力を操作者が修正する手間が発生してしまう。

【0050】

これに対して、本実施例に係る第２の取得部１２２は、ステップＳ１１の取得結果である大腿骨近位部領域から、第２の学習済モデルを用いて入力画像内の頸部ＲＯＩの位置と角度を取得する。このように、第２の取得部１２２は、第２の学習済モデルの入力データとして第１の取得手段が取得した大腿骨近位部領域を用いて、大腿骨の骨密度測定の対象領域である頸部関心領域を取得する第２の取得手段の一例である。

【0051】

図６は、本実施例に係る頸部ＲＯＩ（矩形２５）の位置と角度の一例を示す。ここでの頸部ＲＯＩの位置は、図６に示されるように、頸部ＲＯＩ（矩形２５）の中心位置ＲＰとして設定することができる。また、頸部ＲＯＩの角度は、画像の左右方向の線に対する、図６の線ＲＡに示されるような矩形の長辺と平行な（頸部を横切る方向の）線の角度として設定することができる。ただし、頸部ＲＯＩの位置と角度の取り方はこれらに限らず、代表的な位置や角度を任意に設定することができる。

【0052】

また、第２の取得部１２２は、頸部ＲＯＩの大きさ（矩形の縦横の長さ）として、予め固定値を設定することができる。このように、第２の取得部１２２は、頸部ＲＯＩの大きさを施設の方針等に沿って設定した上で、学習済モデルの出力を頸部ＲＯＩの位置と角度として指定することにより、正しい位置に配置した頸部ＲＯＩを取得することができる。また、頸部ＲＯＩの大きさは、被検者の体格や、ステップＳ１１で取得された骨頭領域および転子部領域の大きさや位置関係などに応じて変えてもよい。この場合、第２の取得部１２２は、例えば、被検者の体格や、骨頭領域および転子部領域の大きさや位置関係と、頸部ＲＯＩの大きさとの対応関係を記憶したテーブルを参照したり、当該対応関係に関する関数を用いたりして頸部ＲＯＩの大きさを決定してもよい。

【0053】

第２の取得部１２２が第２の学習済モデルに入力する画像は、図５（ａ）に示すような骨頭領域のラベル画像と、図５（ｂ）に示すような転子部領域のラベル画像とを含むことができる。ここで、第２の学習済モデルは、これらの２枚の画像を個別のチャンネルに持つテンソルを入力とする構成であってよい。また、第２の学習済モデルの入力データは、図７に示すように、骨頭領域と転子部領域をラベル付けした１枚のラベル画像であってもよく、この場合、骨頭領域と転子部領域のラベルは共通のラベルであってもよい。また、第２の学習済モデルの入力データは、図８に示すように、骨頭領域（図８の斜線部）と転子部領域（図８の白色部）の輝度値を個別に設定したラベル画像であってもよい。

【0054】

本実施例で用いる第２の学習済モデルは、上記のようなラベル画像を入力データとし、入力画像又は当該ラベル画像内の頸部ＲＯＩの位置および角度の数値を出力データとした、回帰モデルであってよい。この場合の第２の学習済モデルは、例えば、上記のようなラベル画像と、当該ラベル画像に対応する入力画像又は当該ラベル画像内の頸部ＲＯＩの位置および角度との組み合わせを学習データとして学習させることで、生成され得る。

【0055】

学習データの頸部ＲＯＩの位置と角度を指定する作業は、それぞれ数値を指定してもよい。また、学習データの頸部ＲＯＩの位置と角度を指定する作業は、図６に示すように、画像内に頸部の中心位置ＲＰと、中心位置ＲＰを通り矩形の長辺側に平行となる線ＲＡを指定する作業であってもよい。この場合、後処理により線ＲＡの角度が取得され、線ＲＡの角度が頸部ＲＯＩの角度として指定されることができる。また、学習データの頸部ＲＯＩの位置と角度を指定する作業は、図６に示すような矩形２５を指定する作業であってもよく、後処理によりその中心位置と角度が取得されることができる。また、このときに指定する矩形は、頸部ＲＯＩとは異なる大きさであってもよい。

【0056】

また、第２の学習済モデルは、入力されたラベル画像から、学習データとして指定された図６に示すような線ＲＡに対応する領域を、セマンティックセグメンテーションなどの処理で抽出するモデルであってもよい。この場合、第２の学習済モデルは、上記のようなラベル画像を入力データとし、入力画像又は当該ラベル画像内の線ＲＡに対応する領域を出力データとした学習データを用いた学習により得られてよい。第２の取得部１２２は、抽出された領域に線形近似などの後処理を施すことで線ＲＡの近似線を取得し、この近似線の中心位置と角度を、頸部ＲＯＩの位置と角度として取得してもよい。このとき、頸部ＲＯＩの中心位置は、取得された近似線と、第１の取得部１２１が抽出した骨領域とが重複する領域の、重心位置としてもよい。

【0057】

また、第２の学習済モデルは、入力されたラベル画像から、学習データとして指定された図６に示すような頸部ＲＯＩに対応する矩形２５の領域を、セグメンテーション処理で抽出するモデルであってもよい。この場合、第２の学習済モデルは、上記のようなラベル画像を入力データとし、入力画像又は当該ラベル画像内の矩形２５の領域を出力データとした学習データを学習させることで得られてよい。第２の取得部１２２は、抽出された領域を矩形に近似した上で、近似した矩形領域の中心位置と長辺の角度を、頸部ＲＯＩの位置と角度として取得してもよい。例えば、入力されたラベル画像に対して学習データを矩形領域として与えることで、頸部ＲＯＩの適切な大きさも併せて学習させることができる。

【0058】

第２の学習済モデルは、頸部ＲＯＩの位置と角度をそれぞれ別々のチャンネルで出力する単一のモデルであってよい。また、第２の学習済モデルとして、頸部ＲＯＩの位置を出力するモデルと、頸部ＲＯＩの角度を出力するモデルが個別に設けられてもよい。この場合、頸部ＲＯＩの位置を出力するモデルは、上記のようなラベル画像を入力データとし、入力画像又は当該ラベル画像内の頸部ＲＯＩの位置を出力データとした学習データを学習させることで得られてよい。また、頸部ＲＯＩの角度を出力するモデルは、上記のようなラベル画像を入力データとし、入力画像又は当該ラベル画像内の頸部ＲＯＩの角度を出力データとした学習データを学習させることで得られてよい。

【0059】

第２の学習済モデルは、頸部ＲＯＩの位置と、図９に示す頸部軸２６の角度を出力してもよい。頸部軸２６は、例えば頸部ＲＯＩの中心位置を通り、頸部ＲＯＩの長辺に垂直な線として設定することができる。この場合、第２の学習済モデルは、上記のようなラベル画像を入力データとし、入力画像又は当該ラベル画像内の頸部ＲＯＩの位置および頸部軸２６の角度を出力データとした学習データを学習させることで得られてよい。

【0060】

また、制御部１０１は、第２の学習済モデルが出力した頸部ＲＯＩの位置と長辺側の角度とに基づいて頸部軸２６を求め、頸部軸２６を表示部１０７に表示させてもよい。

【0061】

さらに、第２の取得部１２２は、第２の学習済モデルが出力した頸部ＲＯＩの位置あるいは角度に対して、オフセットさせた値を取得してもよい。このオフセット値は、施設や検査技師の方針などによって決定され得る。

【0062】

なお、第２の学習済モデルへの入力データは、第１の取得部１２１で取得したラベル画像に、入力画像（エネサブ画像など）を重畳した画像であってもよい。この場合、学習データの入力データも同様の画像とすることができる。

【0063】

また、第２の学習済モデルへの入力データは、第１の取得部１２１で取得したラベル画像と、入力画像（エネサブ画像など）との、２枚の画像であってもよい。これらの２枚の画像は、個別のチャンネルに入力されてもよいし、結合して一つのチャンネルに入力されてもよい。この場合、学習データの入力データも同様の画像とすることができる。

【0064】

本実施例における第２の取得部１２２は、第１の取得部１２１で取得された大腿骨領域を示すラベル画像（情報）に基づいて、頸部ＲＯＩの位置と角度を取得する。このように一度大腿骨領域の大局的な構造を近似的に取得し、それに対して頸部ＲＯＩを探索することで、骨の形状が崩れている場合や、入力画像の品質が低い場合などにも、より高精度に頸部ＲＯＩを取得することができる。また、本実施例では、頸部ＲＯＩの位置と角度を学習済モデルで取得し、大きさは任意にルール設定することで、施設や検査技師の方針に沿った検査設定を行える。

【0065】

このように、第２の取得部１２２は、骨頭領域および転子部領域を含む大腿骨近位部領域の取得結果を参照することで、高精度に大腿骨の頸部ＲＯＩを抽出、取得することができる。ステップＳ１２において頸部ＲＯＩが取得されると処理はステップＳ１３へ移行する。

【0066】

次にステップＳ１３において、第２の取得部１２２は、骨の透過率を算出するための背景領域を設定する。以下、背景領域の設定方法の一例を述べる。

【0067】

背景領域の一例は、図２に示されるような入力画像において骨領域以外の領域であってよく、自動的に選択される。ここでの骨領域は、ステップＳ１１で取得された、骨頭領域、転子部領域、転子下領域、および骨盤領域を含めた領域である。そのため、第２の取得部１２２は、例えば、入力画像における、ステップＳ１１で取得された骨領域を除いた領域を背景領域として設定することができる。また、入力画像が操作者によってトリミングされた画像である場合、背景領域は、トリミングされた画像における骨領域以外の領域であってよい。この場合、第２の取得部１２２は、例えば、トリミングされた画像における、ステップＳ１１で取得された骨領域を除いた領域を背景領域として設定することができる。ただし、背景領域の設定方法はこれに限らず、任意の方法で設定し得る。例えば、操作者が操作部１０８を用いて背景領域を指定してもよい。

【0068】

制御部１０１は、以上のように設定された頸部ＲＯＩを、表示部１０７へ表示させてよい。また、制御部１０１は、頸部軸を併せて表示させてもよい。さらに、表示部１０７に表示された頸部ＲＯＩに基づいて、操作者が操作部１０８を用いて頸部ＲＯＩの位置と角度の修正および決定を行ってもよい。また、操作者が操作部１０８を用いて頸部ＲＯＩの四隅の位置を指定するなどによって、頸部ＲＯＩの大きさを修正してもよい。なお、制御部１０１は、背景領域の位置を表示部１０７に表示させなくてもよい。

【0069】

また、制御部１０１は、取得された頸部ＲＯＩの位置および角度の少なくとも一方の結果が異常であると判定された場合、警告メッセージを表示部１０７へ表示させることができる。

【0070】

ここで異常と判定される条件の一例は、頸部ＲＯＩの位置が骨頭領域の中心位置よりも骨盤側にある場合である。ここでの頸部ＲＯＩの位置は、ステップＳ１２で取得された頸部ＲＯＩの中心（図６の中心位置ＲＰ）の左右方向の位置（Ｘ座標）を参照してよい。また、ここでの骨頭領域の中心位置は、ステップＳ１１で取得された骨頭領域（図５（ａ））について例えば重心位置を算出し、算出された重心位置の左右方向の位置（Ｘ座標）を参照してよい。そして、頸部ＲＯＩのＸ座標が骨頭領域中心のＸ座標よりも骨盤側であった場合、異常と判定されてよい。ここで言う「骨盤側」とは、図６に示されるように入力画像が左足の画像である場合は画像の左側を指し、逆に右足の画像である場合は画像の右側を指す。

【0071】

また、異常と判定される条件の他の一例は、頸部ＲＯＩの角度が、基準の角度から閾値以上に離れている場合である。ここでの基準の角度や閾値は任意に指定できる。例えば図６に示されるように入力画像が左足の画像である場合、頸部ＲＯＩの角度（画像の左右方向の線に対する図６の線ＲＡの角度）の基準の角度を４５度とし、閾値の角度も４５度と設定してよい。つまりこの例では、頸部ＲＯＩの角度が９０度以上である場合に、異常と判定されてよい。これらの例のように、異常であるかの判定は、ルールベース処理で実施され得る。

【0072】

以上のように取得された頸部ＲＯＩと背景領域とを参照して、画像処理装置１２０は、頸部ＲＯＩにおける骨密度を算出する。骨密度は既知の方法で算出でき、例えばＤＸＡ法で取得した、画像内の骨と軟組織の厚さの情報を用いて算出してもよい。また、ＤＸＡ法で取得した原子番号と面密度の情報を用いて骨密度を算出してもよい。制御部１０１は、算出された骨密度を、表示部１０７に表示させてよい。また、骨密度算出のために参照する骨領域は頸部ＲＯＩ内の頸部領域であり、頸部ＲＯＩ内に含まれた頸部領域以外の骨領域（骨盤領域など）は参照しないようにしてよい。

【0073】

制御部１０１は、算出した骨密度に基づいて、診断に有用な任意の値を表示部１０７に表示させてもよい。例えば、制御部１０１は、同年代や他の年代の骨密度の平均値と比較した値を、表示部１０７に表示させてもよい。また、制御部１０１は、例えば過去の測定結果と比較した時系列データを表示部１０７に表示させてもよい。また、頸部ＲＯＩ内で算出した骨密度値とは別に、入力画像内の骨領域全体あるいは一部の骨領域と、背景領域とを用いて算出した骨密度値を表示部１０７に表示させてもよい。

【0074】

上記のように、本実施例に係るＸ線撮影システム１００は、放射線撮影システムの一例として機能し、画像処理装置１２０と、Ｘ線管１０３と、ＦＰＤ１０６とを備える。Ｘ線管１０３は、放射線を発生させる放射線発生装置の一例として機能する。ＦＰＤ１０６は、放射線を検出し、放射線画像を生成する放射線検出装置の一例として機能する。画像処理装置１２０は、医用画像を処理する画像処理装置の一例として機能し、第１の取得部１２１と、第２の取得部１２２とを備える。第１の取得部１２１および第２の取得部１２２は、大腿骨の画像における大腿骨近位部領域（大腿骨領域）を示す情報を含む学習データと、大腿骨の頸部を含む頸部関心領域を示す情報を含む学習データとを用いて得た学習済モデルの入力データとして入力画像を用いることにより、入力画像における大腿骨の頸部を含む頸部関心領域を取得する取得手段の一例として機能することができる。

【0075】

より具体的には、学習済モデルは、大腿骨の画像における大腿骨領域を示す情報を含む学習データを用いて得た第１の学習済モデルと、大腿骨の頸部を含む頸部関心領域を示す情報を含む学習データを用いて得た第２の学習済モデルとを含むことができる。第１の取得部１２１は、第１の学習済モデルの入力データとして入力画像を用いることにより、入力画像における大腿骨領域を示す情報を取得する第１の取得手段の一例として機能することができる。また、第２の取得部１２２は、第２の学習済モデルの入力データとして取得した大腿骨領域を示す情報を用いることにより、入力画像における頸部ＲＯＩ（頸部関心領域）を取得する第２の取得手段の一例として機能することができる。なお、入力画像における頸部関心領域は骨密度測定の対象領域であってよい。また、大腿骨領域は大腿骨の近位部の領域を含んでよい。

【0076】

このような構成によれば、本実施例に係る画像処理装置１２０は、一度大腿骨領域の大局的な構造を近似的に取得し、それに対して頸部ＲＯＩを探索する。そのため、骨の形状が崩れている場合や、入力画像の品質が低い場合などにも、より高精度に頸部ＲＯＩを取得することができる。

【0077】

また、第２の取得部１２２は、第２の学習済モデルからの出力に基づく頸部関心領域の位置と角度とを用いて、入力画像における頸部関心領域を取得する。また、入力画像における頸部関心領域の大きさは、予め設定されていてもよいし、第２の取得部１２２により設定されてもよい。このような構成によれば、頸部ＲＯＩの大きさを施設の方針等に沿って設定した上で、学習済モデルの出力を頸部ＲＯＩの位置と角度として指定することにより、正しい位置に配置した頸部ＲＯＩを取得することができる。また、被検者の体格や、取得された骨頭領域および転子部領域の大きさや位置関係などに応じた入力画像における頸部関心領域の大きさを設定することができる。そのため、施設や検査技師の方針に沿った検査設定を行うことができる。

【0078】

また、第１の取得部１２１は、入力画像における大腿骨の骨頭の領域を含む骨頭領域を取得することができる。さらに、第１の取得部１２１は、入力画像における大腿骨の転子部の領域を含む転子部領域と、大腿骨の転子下部の領域を含む転子下領域と、骨盤の領域を含む骨盤領域との少なくとも１つを取得することができる。なお、第１の取得部１２１は、第１の学習済モデルを用いて骨頭部の領域を示す情報と転子部の領域を示す情報とを個別に取得してもよいし、骨頭部の領域と転子部の領域とを合わせた領域を示す情報を取得してもよい。

【0079】

なお、入力画像は、エネルギーサブトラクション画像、２種類の管電圧の放射線を用いて取得された２枚の画像のうち少なくとも一方の画像、放射線吸収率の異なる２種類の素材を有するセンサ（積層センサ）を用いて取得された２枚の画像のうち少なくとも一方の画像、単純放射線画像、のいずれかであってよい。なお、当該２種類の素材の一方はＣｓＩを含み、２種類の素材のもう一方はＧＯＳを含んでよい。

【0080】

また、第２の取得部１２２は、頸部軸を更に取得してもよい。さらに、第２の取得部１２２は、第１の取得部１２１により取得された大腿骨領域を示す情報と入力画像とが重畳された画像を用いて、入力画像における頸部関心領域を取得してもよい。この場合には、第２の学習済モデルで抽出できる特徴量が多くなるため、より高精度に頸部ＲＯＩを取得できることが期待される。

【0081】

さらに、第２の取得部１２２は、第１の取得部１２１により取得された大腿骨領域に基づいて、入力画像内の背景領域を取得することができる。このため、画像処理装置１２０は、取得された頸部ＲＯＩの位置や角度に応じて設定された頸部ＲＯＩおよび取得された背景領域における画素値等を用いて大腿骨の骨密度測定を行うことができる。なお、第１の取得部１２１によって、入力画像内の大腿骨領域以外の骨領域を更に抽出し、第２の取得部１２２により、大腿骨領域以外の骨領域を、背景領域の抽出に用いてもよい。

【0082】

また、画像処理装置１２０は、制御部１０１を更に有する。制御部１０１は、途中過程の第１の取得部１２１による大腿骨領域の取得結果、並びに第２の取得部１２２による頸部ＲＯＩの取得結果を表示部１０７に表示させる表示制御手段の一例として機能することができる。この場合には、操作者は、表示部１０７に表示されている、第１の取得部１２１による取得結果又は第２の取得部１２２による取得結果を確認し、所望の大腿骨領域、あるいは頸部ＲＯＩの位置や角度に即しているかを確認することができる。

【0083】

また、画像処理装置１２０は、操作者が表示部１０７による表示を見ながら第１の取得部１２１による取得結果並びに第２の取得部１２２による取得結果の修正を操作する操作部１０８を更に有することができる。この場合には、操作者は、表示部１０７の表示を確認し、大腿骨領域や、頸部ＲＯＩの位置と角度の、修正および決定を行うことができる。なお、第１の取得部１２１による取得結果が修正された場合には、第２の取得部１２２は、操作部１０８を用いて修正された大腿骨領域を第２の学習済モデルの入力データとして用いることにより、入力画像における頸部関心領域を取得することができる。

【0084】

さらに、制御部１０１は、第２の取得部１２２によって取得された頸部ＲＯＩ（取得結果）又は取得過程が異常と判定された場合、表示部１０７に当該異常を示すメッセージ等の警告を表示させることができる。この場合には、操作者は、取得結果や取得過程の異常を把握し、所望の方針等に応じて設定を変更したり、画像処理を中止したりすることができる。

【0085】

また、第１の取得部１２１は、第１の学習済モデルの入力データとして入力画像を用いることにより、入力画像の骨頭部の領域と転子部の領域とを単一領域とした該単一領域を示す情報を取得してもよい。この場合、第１の取得部１２１は単一領域を示す情報から骨頭部の領域を示す情報と転子部の領域を示す情報とを別々に抽出することで、入力画像における大腿骨領域を示す情報を取得してもよい。この場合、操作部１０８は、単一領域の修正を操作するために用いられてもよい。

【0086】

なお、第１の取得部１２１は、学習済モデルの入力データとして取得した単一領域を示す情報を用いることにより、取得した単一領域における骨頭部の領域を示す情報と転子部の領域を示す情報とを個別に取得してもよい。当該学習済モデルは、骨頭部の領域と転子部の領域とを含む単一領域における骨頭部の領域と転子部の領域とを別々に抽出した大腿骨領域を示す情報を含む学習データを用いて得られることができる。これに対し、第１の取得部１２１は、ルールベース処理により、単一領域における骨頭部の領域を示す情報と転子部の領域を示す情報とを個別に取得してもよい。

【0087】

なお、本実施例では、画像処理装置１２０は、第１の取得部１２１が第１の学習済モデルを用いて大腿骨近位部領域を取得し、第２の取得部１２２が第２の学習済モデルを用いて頸部ＲＯＩを取得した。ここで、第１の取得部１２１および第２の取得部１２２により、大腿骨の画像における大腿骨領域を示す情報を含む学習データおよび大腿骨の頸部を含む頸部関心領域を示す情報を含む学習データを用いて得た学習済モデルを用いて、入力画像から頸部ＲＯＩを取得する一つの取得部を構成してもよい。

【0088】

また、このような取得部は、例えば、第１の学習済モデルと第２の学習済モデルが統合された学習済モデルの入力データとして入力画像を用いて、頸部ＲＯＩを取得する取得部を構成してもよい。第１の学習済モデルと第２の学習済モデルの統合は、例えば、第１の学習済モデルの出力を第２の学習済モデルの入力につなげることで行われることができる。ここで、上述のように、第１の学習済モデルは大腿骨の画像における大腿骨領域を示す情報を含む学習データを用いて得られてよい。また、第２の学習済モデルは、大腿骨の頸部を含む頸部関心領域を示す情報を含む学習データを用いて得られてよい。

【0089】

第１の学習済モデルと第２の学習済モデルが統合された学習済モデルは、第１の学習済モデルに対応するパラメータを有する構成により、入力データとして用いられた入力画像から骨頭領域および転子部領域を含む大腿骨近位部領域を抽出する。また、当該学習済モデルは、第２の学習済モデルに対応するパラメータを有する構成により、抽出された大腿骨近位部領域に基づいて頸部ＲＯＩの位置および角度を出力する。当該学習済モデルを用いる取得部は、第２の取得部１２２と同様に、学習済モデルからの出力に基づく頸部ＲＯＩの位置および角度を用いて、入力画像における頸部ＲＯＩを取得することができる。このような構成であっても、大腿骨領域の大局的な構造が近似的に取得され、取得された大腿骨領域に対して頸部ＲＯＩが探索されるため、骨の形状が崩れている場合や、入力画像の品質が低い場合などにも、より高精度に頸部ＲＯＩを取得することができる。

【0090】

このような取得部は、大腿骨の画像における大腿骨領域を示す情報を含む学習データと、大腿骨の頸部を含む頸部関心領域を示す情報を含む学習データとを用いて得た学習済モデルの入力データとして入力画像を用いることにより、入力画像における大腿骨の頸部を含む頸部関心領域を取得する取得手段の一例として機能することができる。

【0091】

（実施例２）
次に、本発明の実施例２について説明する。本実施例に係るＸ線撮影システムの構成例は、実施例１に係るＸ線撮影システム１００の構成例と同様であり、図１に示される。なお、本実施例に係るＸ線撮影システムの構成例については、実施例１に係るＸ線撮影システム１００の構成例と同じ参照符号を用いて説明を省略する。

【0092】

本実施例における画像処理装置１２０は、図１０に示すような放射線画像を用いて、大腿骨の頸部ＲＯＩを抽出する。図１０に示される放射線画像は、例えば単純Ｘ線画像であってよく、頸部ＲＯＩ周辺のみではなく、広範囲に取得されたＸ線画像である。また、入力画像は、ＤＸＡ法で取得された画像であってもよい。以下、実施例１との違いを中心に、本実施例について説明する。

【0093】

図１１は、本実施例における、頸部ＲＯＩを抽出するための画像処理装置１２０の画像処理フローを示す。本実施例に係る画像処理が開始されると、処理はステップＳ２１に移行する。

【0094】

ステップＳ２１において、第１の取得部１２１は、学習済モデルを用いて、取得されたＸ線画像内の左右の脚のうち、測定対象となる方の脚の骨頭領域および転子部領域を抽出する。ここでは、図１０に示されている左脚（参照領域３１が示されている側）の脚が測定対象である場合について説明する。

【0095】

なお、ここでの学習済モデルは、例えば、大腿骨近辺を含む人体あるいはファントムのＸ線画像と、そのＸ線画像内の骨頭領域および転子部領域をラベル付けした画像との組み合わせを学習データとして学習させることで、生成され得る。また、骨頭領域および転子部領域の抽出は実施例１のステップＳ１１と同様の処理で行ってよく、第１の取得部１２１は、Ｘ線画像を前処理してから学習済モデルに入力するなどしてよい。また、学習済モデルは、骨頭領域と転子部領域を別々に抽出してもよいし、１つの領域にまとめて抽出してもよい。

【0096】

また、ステップＳ２１に用いる学習済モデルは、両脚の骨頭領域および転子部領域を抽出してもよい。第１の取得部１２１は、測定対象となる方の脚の骨頭領域および転子部領域を、骨頭領域の中心座標が画像の右側にあるか左側にあるかを参照することで抽出してもよい。

【0097】

また、ステップＳ２１に用いる学習済モデルは、Ｘ線画像内の骨頭領域、転子部領域、転子下領域、および骨盤領域を抽出してもよい。このことで、ステップＳ２１に用いる学習済モデルは、この後のステップＳ２３で用いる学習済モデルと、モデル構造を共用することができる。

【0098】

次にステップＳ２２において、第１の取得部１２１は、ステップＳ２１で抽出した骨頭領域および転子部領域に基づいて、Ｘ線画像内の参照領域３１を抽出する。参照領域３１とは、図１０中に示されるように、実施例１の入力画像（図２）の範囲領域のような、大腿骨近位部周辺の領域である。

【0099】

第１の取得部１２１は、参照領域３１を矩形とする場合、骨頭領域および転子部領域の上端・下端・左端・右端から外側へマージンを持たせた位置に、矩形の各辺を引くことができる。ここでのマージンは任意の値を設定でき、例えば１ｃｍとすることができる。また、参照領域の設定方法はこれに限らず、参照領域は、骨頭領域および転子部領域の少なくとも一方を基準にして、外側にマージンを持たせた矩形領域であってもよい。また、参照領域は矩形に限らず、円形など、任意の形状であってよい。

【0100】

このようにして、第１の取得部１２１は、取得されたＸ線画像から参照領域を抽出することができる。

【0101】

次にステップＳ２３において、第１の取得部１２１は、参照領域内の骨頭領域、転子部領域、転子下領域、および骨盤領域を抽出する。この処理では、第１の取得部１２１は、参照領域の画像を入力画像とすることで実施例１のステップＳ１１と同様の処理を行うことができる。また、本実施例では、Ｘ線画像から参照領域を切り出してから骨頭領域、転子部領域、転子下領域、および骨盤領域を抽出することによって、学習時に他のものが写り込むことによるモデル精度の低下を防ぐことができる。このように、本実施例に係る第１の取得部１２１も、学習済モデルを用いて入力画像における大腿骨近位部領域を取得する第１の取得手段の一例である。

【0102】

ステップＳ２４において、第２の取得部１２２は、抽出された参照領域内の骨頭領域、転子部領域、および転子下領域に基づいて、頸部ＲＯＩを抽出する。つまり、第２の取得部１２２は、第１の取得部１２１の取得結果に基づいて大腿骨の骨密度測定の対象領域である頸部ＲＯＩを取得する第２の取得手段の一例である。本ステップの処理は実施例１のステップＳ１２と同様の処理を用いて行うことができる。

【0103】

ステップＳ２５において、第２の取得部１２２は、抽出された参照領域内の骨盤領域に基づいて、参照領域内の背景領域を抽出する。背景領域の抽出方法は実施例１のステップＳ１３と同様である。

【0104】

以上のように抽出された頸部ＲＯＩと背景領域を参照して、本実施例に係る画像処理装置１２０は実施例１と同様に頸部ＲＯＩにおける骨密度を算出することができる。また、本実施例に係る制御部１０１は、実施例１と同様に、算出された骨密度や、設定された頸部軸および頸部ＲＯＩ、頸部ＲＯＩの取得結果あるいは取得過程等を表示部１０７に表示させてもよい。

【0105】

上記のように、本実施例に係る第１の取得部１２１は、医用画像から測定対象を含む参照領域を抽出し、該参照領域を示す画像を入力画像として用いることができる。ここで、参照領域は、放射線画像における大腿骨の骨頭の領域を含む骨頭領域と、大腿骨の転子部の領域を含む転子部領域との少なくとも一方に基づいて抽出されることができる。このような構成によれば、放射線画像として、広い範囲を撮影して得られた画像が取得された場合であっても、骨密度測定対象となる部位等に限定した参照領域を抽出することができる。このため、不要な特徴が画像に写り込むことによる学習済モデルを用いた抽出処理等の精度の低下等を抑制することができる。

【0106】

なお、本実施例でも、第１の学習済モデルおよび第２の学習済モデルを統合した学習済モデルの入力データとして参照領域を用いて、頸部ＲＯＩを取得する取得部を設けてもよい。この場合の学習済モデルは、例えば、上述した第１の学習済モデルの出力を第２の学習済モデルの入力につなげることで構成されてよい。また、当該取得部は、第１の取得部１２１と同様に入力画像から参照画像を抽出してよい。

【0107】

以下では、本発明の実施例１および実施例２の少なくとも一方に係る変形例について説明する。

【0108】

（変形例）
上記実施例２では入力画像の参照領域を抽出した上で頸部ＲＯＩおよび背景領域を抽出しているが、実施例１と同様の処理フローで、広範囲に撮影された入力画像から直接頸部ＲＯＩおよび背景領域を抽出してもよい。この場合には、例えば、第１の取得部１２１が、広範囲に撮影された入力画像から大腿骨近似部領域を取得し、第２の取得部１２２が、大腿骨近似部領域を用いて、頸部ＲＯＩおよび背景領域を取得することができる。

【0109】

また、上記実施例１および２並びに変形例に係る学習済モデルは、入力画像内の骨頭領域と、転子部領域・転子下領域・骨盤領域を１つのラベルにまとめたその他の骨領域とを抽出するものであってもよい。その上で、実施例１および２と同様に、頸部ＲＯＩおよび背景領域を取得してもよい。

【0110】

上記実施例１および２並びに変形例に係る画像処理装置１２０は、ＤＸＡ法で取得した異なる放射線エネルギーに関する２枚の画像と、これらの画像から生成されるエネサブ画像との、計３枚の画像を用いて、頸部ＲＯＩを抽出してもよい。例えば、第１の取得部１２１は、実施例１のステップＳ１１などで、学習済モデルを用いて、大腿骨近位部領域（又は骨頭領域、転子部領域、転子下領域、および骨盤領域のそれぞれ）を抽出する際に、当該３枚の画像に対して大腿骨近位部領域を抽出してもよい。この場合、第２の取得部１２２は、抽出結果が重複している領域のみを最終的な大腿骨近位部領域として用いてもよい。また、第２の取得部１２２は、３枚のうち２枚以上で大腿骨近位部領域として抽出された領域のみを、最終的な大腿骨近位部領域として用いてもよい。

【0111】

このとき、Ｘ線撮影システム１００は、３枚の画像に対する学習済モデルを個別に備えていてもよい。この場合には、３枚の画像のそれぞれの種類に応じた画像（異なる放射線エネルギーに関する第１および第２の画像、並びにこれらから生成されるエネサブ画像）をそれぞれの学習データの入力データとして学習させることで、各学習済モデルが生成され得る。なお、学習データの出力データとしては、各種類の画像について大腿骨近位部領域にラベル付けした画像を用いればよい。また、１つの学習済モデルの各入力チャンネルが、これら３枚の画像に対応していてもよい。同様に、画像処理装置１２０は、これら３枚の画像のうち２枚の画像を用いて、大腿骨近位部領域を抽出してもよい。

【0112】

上記のように、本変形例に係る第１の取得部１２１は、ＤＸＡ法を用いて取得された２枚の画像と、該２枚の画像から生成されるエネルギーサブトラクション画像との、３枚の画像のうち少なくとも２枚の画像を入力画像として用いて、当該少なくとも２枚の画像に対する大腿骨領域をそれぞれ取得する。また、第２の取得部１２２は、少なくとも２枚の画像に対する大腿骨領域の取得結果に基づいて、頸部関心領域を取得する。本変形例に係る処理を行うことで、セグメンテーション誤差の影響を低減することができる。

【0113】

上記実施例１および２並びに変形例に係る学習済モデルの学習データは、実際の撮影を行うＸ線撮影システム自体を用いて得たデータに限られない。当該画像データは、所望の構成に応じて、同型のＸ線撮影システムを用いて得たデータや、同種のＸ線撮影システムを用いて得たデータ等であってもよい。

【0114】

また、学習済モデルへの入力として、複数の画像を用いる場合には、複数の入力画像を学習済モデルの複数の入力チャンネルにそれぞれ入力することができる。これに対し、複数の入力画像を結合して１つの画像とし、学習済モデルの１つのチャンネルに入力してもよい。この場合には、学習済モデルの学習データについても、同様に、入力画像を結合した１つの画像を入力データとして用いればよい。

【0115】

また、上記実施例１および２並びに変形例では、制御部１０１は、不図示のボタンの操作等の操作者の指示に応じて、大腿骨近位部のセグメンテーション結果を表示画像に重畳して表示部１０７に表示させてもよい。なお、表示画像および対応するセグメンテーション結果が複数ある場合には、制御部１０１は、操作者の指示に応じて、一括してセグメンテーション結果を各表示画像に重畳して表示部１０７に表示させてもよい。同様に、制御部１０１は、操作者の指示に応じて、一括して頸部ＲＯＩや頸部軸、第１の取得部１２１による大腿骨領域の取得結果等を各表示画像に重畳して表示部１０７に表示させてもよい。また、制御部１０１は、頸部ＲＯＩおよび背景領域の取得結果をそれぞれ異なる色を用いて色分けして表示してもよい。この場合も、操作者の指示に応じて、複数の画像について一括して色分けして表示されてもよい。

【0116】

なお、上述した実施例１および２並びに変形例に係る学習済モデルでは、入力データの画像の輝度値の大小、明部と暗部の順番や傾き、位置、分布、連続性等を特徴量の一部として抽出して、推論処理に用いているものと考えらえる。

【0117】

また、上述した実施例１および２並びに変形例に係る各種学習済モデルは制御部１０１や画像処理装置１２０に設けられることができる。学習済モデルは、例えば、ＣＰＵや、ＭＰＵ、ＧＰＵ、ＦＰＧＡ等のプロセッサによって実行されるソフトウェアモジュール等で構成されてもよいし、ＡＳＩＣ等の特定の機能を果たす回路等によって構成されてもよい。また、学習済モデルは、制御部１０１や画像処理装置１２０と接続される別のサーバの装置等に設けられてもよい。この場合には、画像処理装置１２０は、インターネット等の任意のネットワークを介して学習済モデルを備えるサーバ等に接続することで、学習済モデルを用いることができる。ここで、学習済モデルを備えるサーバは、例えば、クラウドサーバや、フォグサーバ、エッジサーバ等であってよい。なお、施設内や、施設が含まれる敷地内、複数の施設が含まれる地域内等のネットワークを無線通信可能に構成する場合には、例えば、施設や、敷地、地域等に限定で割り当てられた専用の波長帯域の電波を用いるように構成することで、ネットワークの信頼性を向上させてもよい。また、高速や、大容量、低遅延、多数同時接続が可能な無線通信によりネットワークが構成されてもよい。

【0118】

また、骨領域の抽出は、学習済モデルで行うのに代えて、公知の閾値処理で行ってもよい。例えば、第１の取得部１２１は、入力画像において、輝度が閾値以上の画素を骨領域として抽出、取得することができる。

【0119】

なお、実施例１および２並びに変形例では、画像処理装置１２０によって処理される医用画像の例として、放射線を用いて撮影された画像を用いた。処理される医用画像には、例えば、ＦＰＤを用いたＤＲ（Ｄｉｇｉｔａｌ Ｒａｄｉｏｇｒａｐｈｙ）やＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）で撮影された画像が含まれてよい。また、医用画像には、フォトンカウンティングＣＴや、ＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）、超音波撮影等で撮影された画像が含まれてもよい。さらに、医用画像には、ＰＥＴ（Ｐｏｓｉｔｒｏｎ Ｅｍｉｓｓｉｏｎ Ｔｏｍｏｇｒａｐｈｙ）や、ＳＰＥＣＴ（Ｓｉｎｇｌｅ Ｐｈｏｔｏｎ Ｅｍｉｓｓｉｏｎ Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）等で撮影された画像が含まれてもよい。また、医用画像は、静止画像であってもよいし、動画像であってよい。

【0120】

（その他の実施例）
本発明は、上述した様々な実施例および変形例の１以上の機能を実現するソフトウェア（プログラム）を、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータがプログラムを読出し実行する処理でも実現可能である。また、１以上の機能を実現する回路（例えば、ＡＳＩＣ）によっても実現可能である。コンピュータは、１つ又は複数のプロセッサ若しくは回路を有し、コンピュータ実行可能命令を読み出し実行するために、分離した複数のコンピュータ又は分離した複数のプロセッサ若しくは回路のネットワークを含みうる。

【0121】

このとき、プロセッサ又は回路は、中央演算処理装置（ＣＰＵ）、マイクロプロセッシングユニット（ＭＰＵ）、グラフィクスプロセッシングユニット（ＧＰＵ）、特定用途向け集積回路（ＡＳＩＣ）、又はフィールドプログラマブルゲートウェイ（ＦＰＧＡ）を含みうる。また、プロセッサ又は回路は、デジタルシグナルプロセッサ（ＤＳＰ）、データフロープロセッサ（ＤＦＰ）、又はニューラルプロセッシングユニット（ＮＰＵ）を含みうる。

【0122】

上記開示は、以下の構成、方法、およびプログラムを含む。
（構成１）
医用画像を処理する画像処理装置であって、大腿骨の画像における大腿骨領域を示す情報を含む学習データと、大腿骨の頸部を含む頸部関心領域を示す情報を含む学習データとを用いて得た学習済モデルの入力データとして入力画像を用いることにより、該入力画像における大腿骨の頸部を含む頸部関心領域を取得する取得手段を備える、画像処理装置。
（構成２）
前記学習済モデルは、
大腿骨の画像における大腿骨領域を示す情報を含む学習データを用いて得た第１の学習済モデルと、
大腿骨の頸部を含む頸部関心領域を示す情報を含む学習データを用いて得た第２の学習済モデルと、
を含み、
前記取得手段は、
前記第１の学習済モデルの入力データとして前記入力画像を用いることにより、前記入力画像における大腿骨領域を示す情報を取得する第１の取得手段と、
前記第２の学習済モデルの入力データとして前記取得した大腿骨領域を示す情報を用いることにより、前記入力画像における頸部関心領域を取得する第２の取得手段と、
を含む、構成１に記載の画像処理装置。
（構成３）
前記第２の取得手段は、前記第２の学習済モデルからの出力に基づく頸部関心領域の位置と角度とを用いて、前記入力画像における頸部関心領域を取得する、構成２に記載の画像処理装置。
（構成４）
前記大腿骨領域は骨頭部と転子部とを含み、
前記第１の取得手段は、前記第１の学習済モデルを用いて骨頭部の領域を示す情報と転子部の領域を示す情報とを個別に取得する、構成２又は３に記載の画像処理装置。
（構成５）
前記大腿骨領域は骨頭部と転子部を含み、
前記第１の取得手段は、前記第１の学習済モデルを用いて骨頭部の領域と転子部の領域とを合わせた領域を示す情報を取得する、構成２又は３に記載の画像処理装置。
（構成６）
前記第２の取得手段は、頸部軸を更に取得する、構成２乃至５のいずれかに記載の画像処理装置。
（構成７）
前記入力画像における頸部関心領域の大きさは、予め設定されている、構成１乃至６のいずれかに記載の画像処理装置。
（構成８）
前記入力画像における頸部関心領域の大きさは、前記第２の取得手段により設定される、構成２乃至６のいずれかに記載の画像処理装置。
（構成９）
前記第１の取得手段は、前記入力画像内の大腿骨領域以外の骨領域を更に抽出し、
前記大腿骨領域以外の骨領域は、背景領域の抽出に用いられる、構成２乃至６および８のいずれかに記載の画像処理装置。
（構成１０）
前記取得した大腿骨領域の修正を操作する操作部を更に備え、
前記第２の取得手段は、前記操作部を用いて修正された大腿骨領域を前記第２の学習済モデルの入力データとして用いることにより、前記入力画像における頸部関心領域を取得する、構成２乃至６、８、および９のいずれかに記載の画像処理装置。
（構成１１）
前記第２の取得手段は、前記取得された大腿骨領域を示す情報と前記入力画像とが重畳された画像を用いて、前記入力画像における頸部関心領域を取得する、構成２乃至６、および８乃至１０のいずれかに記載の画像処理装置。
（構成１２）
第１の取得手段は、
前記第１の学習済モデルの入力データとして入力画像を用いることにより、前記入力画像の骨頭部の領域と転子部の領域とを単一領域とした該単一領域を示す情報を取得し、
前記単一領域を示す情報から前記骨頭部の領域を示す情報と前記転子部の領域を示す情報とを別々に抽出することで、前記入力画像における大腿骨領域を示す情報を取得する、構成２乃至６、および８乃至１１のいずれかに記載の画像処理装置。
（構成１３）
前記単一領域の修正を操作する操作部を更に備える、構成１２に記載の画像処理装置。
（構成１４）
前記第１の取得手段は、骨頭部の領域と転子部の領域とを含む単一領域における骨頭部の領域と転子部の領域とを別々に抽出した大腿骨領域を示す情報を含む学習データを用いて得た学習済モデルの入力データとして前記取得した単一領域を示す情報を用いることにより、前記取得した単一領域における骨頭部の領域を示す情報と転子部の領域を示す情報とを個別に取得する、構成１２又は１３に記載の画像処理装置。
（構成１５）
前記第１の取得手段は、ルールベース処理により、前記単一領域における骨頭部の領域を示す情報と転子部の領域を示す情報とを個別に取得する、構成１２又は１３に記載の画像処理装置。
（構成１６）
前記学習済モデルは、大腿骨の頸部を含む頸部関心領域を示す情報を含む学習データを用いて得た第１の学習済モデルと、大腿骨の頸部を含む頸部関心領域を示す情報を含む学習データを用いて得た第２の学習済モデルとを統合した学習済モデルである、構成１に記載の画像処理装置。
（構成１７）
前記取得手段は、前記学習済モデルからの出力に基づく頸部関心領域の位置と角度とを用いて、前記入力画像における頸部関心領域を取得する、構成１６に記載の画像処理装置。
（構成１８）
前記入力画像における頸部関心領域は骨密度測定の対象領域である、構成１乃至１７のいずれかに記載の画像処理装置。
（構成１９）
前記入力画像における頸部関心領域を表示部に表示させる表示制御手段と、
前記表示部の表示に基づいて、操作者が前記入力画像における頸部関心領域の修正を操作する操作部と、を更に備える構成１乃至１８のいずれかに記載の画像処理装置。
（構成２０）
前記取得された頸部関心領域が異常であると判定された場合に、警告を表示部に表示させる表示制御手段を更に備える、構成１乃至１８のいずれかに記載の画像処理装置。
（構成２１）
前記入力画像は、エネルギーサブトラクション画像、２種類の管電圧の放射線を用いて取得された２枚の画像のうち少なくとも一方の画像、放射線吸収率の異なる２種類の素材を有するセンサを用いて取得された２枚の画像のうち少なくとも一方の画像、単純放射線画像、のいずれかである、構成１乃至２０のいずれかに記載の画像処理装置。
（構成２２）
前記２種類の素材の一方はＣｓＩを含み、前記２種類の素材のもう一方はＧＯＳを含む、構成２１に記載の画像処理装置。
（構成２３）
大腿骨領域は大腿骨の近位部の領域を含む、構成１乃至２２のいずれかに記載の画像処理装置。
（構成２４）
前記取得手段は、医用画像から測定対象を含む参照領域を抽出し、該参照領域を示す画像を前記入力画像として用いる、構成１乃至２３のいずれかに記載の画像処理装置。
（構成２５）
構成１乃至２４のいずれかに記載の画像処理装置と、
放射線を発生させる放射線発生装置と、
前記放射線を検出し、放射線画像を生成する放射線検出装置と、
を備える、放射線撮影システム。
（方法１）
医用画像を処理する画像処理装置の作動方法であって、大腿骨の画像における大腿骨領域を示す情報を含む学習データと、大腿骨の頸部を含む頸部関心領域を示す情報を含む学習データとを用いて得た学習済モデルの入力データとして入力画像を用いることにより、該入力画像における大腿骨の頸部を含む頸部関心領域を取得することを含む、画像処理装置の作動方法。
（プログラム１）
コンピュータによって実行されると、該コンピュータに方法１に記載の画像処理装置の作動方法を実行させる、プログラム。

【0123】

以上、実施例および変形例を参照して本発明について説明したが、本発明は上記実施例および変形例に限定されるものではない。本発明の趣旨に反しない範囲で変更された発明、および本発明と均等な発明も本発明に含まれる。また、上述の各実施例および変形例は、本発明の趣旨に反しない範囲で適宜組み合わせることができる。

【符号の説明】

【0124】

１２０：画像処理装置、１２１：第１の取得部（取得部）、１２２：第２の取得部（取得部）

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】