特許 7052880 画像作成装置、画像作成方法および学習済みモデルの作成方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2022-04-04

(45)【発行日】2022-04-12

(54)【発明の名称】画像作成装置、画像作成方法および学習済みモデルの作成方法

(51)【国際特許分類】

   A61B 6/03 20060101AFI20220405BHJP

   G06T 1/40 20060101ALI20220405BHJP

【ＦＩ】

A61B6/03 360D

A61B6/03 360J

A61B6/03 360T

G06T1/40

【請求項の数】 8

(21)【出願番号】P 2020550389

(86)(22)【出願日】2019-09-27

(86)【国際出願番号】 JP2019038168

(87)【国際公開番号】W WO2020075531

(87)【国際公開日】2020-04-16

【審査請求日】2021-03-05

(31)【優先権主張番号】P 2018191880

(32)【優先日】2018-10-10

(33)【優先権主張国・地域又は機関】JP

(73)【特許権者】

【識別番号】000001993

【氏名又は名称】株式会社島津製作所

(74)【代理人】

【識別番号】100104433

【弁理士】

【氏名又は名称】宮園 博一

(72)【発明者】

【氏名】押川 翔太

(72)【発明者】

【氏名】▲高▼橋 渉

【審査官】櫃本 研太郎

(56)【参考文献】

【文献】国際公開第２００７／０２９４６７（ＷＯ，Ａ１）

【文献】米国特許第７５４５９６５（ＵＳ，Ｂ２）

【文献】特開２０１８－０７７７８６（ＪＰ，Ａ）

【文献】特開２００７－１８９５８９（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ａ６１Ｂ ６／００－６／１４

Ｇ０６Ｔ １／００－１９／２０

(57)【特許請求の範囲】

【請求項1】

３次元における画素値データを有する３次元データに基づいて、被検体の特定部分を含む領域の２次元の教師入力画像と、前記教師入力画像と同じ画角における前記特定部分を示す画像または前記特定部分を除く画像である教師出力画像と、を生成する学習画像生成部と、
前記教師入力画像と、前記教師出力画像とに同じノイズを付加するノイズ付加部と、
前記ノイズが付加された前記教師入力画像と、前記ノイズが付加された前記教師出力画像とに基づいて機械学習を行うことにより、前記特定部分を抽出または除去するための学習モデルを学習する学習部と、
撮影された前記特定部分を含む画像から、学習済みの前記学習モデルを用いて、前記特定部分を抽出または除去した画像を作成する画像作成部と、を備える、画像作成装置。

【請求項2】

前記学習画像生成部は、被検体を撮影したコンピュータ断層撮影画像に基づいて、前記３次元データを取得し、前記教師入力画像および前記教師出力画像を、デジタル再構成シミュレーションにより生成するように構成されている、請求項１に記載の画像作成装置。

【請求項3】

前記ノイズ付加部は、画像を撮影した撮影結果のノイズに基づいて調整したノイズを、前記教師入力画像および前記教師出力画像に付加するように構成されている、請求項１に記載の画像作成装置。

【請求項4】

前記ノイズ付加部は、ガウスノイズを付加するように構成されており、画像を撮影した撮影結果のノイズの標準偏差に対応する標準偏差に調整したガウスノイズを、前記教師入力画像および前記教師出力画像に付加するように構成されている、請求項３に記載の画像作成装置。

【請求項5】

前記特定部分は、骨であり、
前記学習画像生成部は、被検体の骨を含む領域の２次元の前記教師入力画像と、被検体の骨を除く前記教師出力画像と、を生成するように構成されており、
前記学習部は、前記ノイズが付加された前記教師入力画像と、前記ノイズが付加された前記教師出力画像とに基づいて機械学習を行うことにより、骨を除去するための前記学習モデルを学習するように構成されており、
前記画像作成部は、撮影された骨を含む画像から、学習済みの前記学習モデルを用いて、骨を除去した画像を作成するように構成されている、請求項１に記載の画像作成装置。

【請求項6】

前記特定部分は、血管であり、
前記学習画像生成部は、被検体の血管を含む領域の２次元の前記教師入力画像と、被検体の血管を示す前記教師出力画像と、を生成するように構成されており、
前記学習部は、前記ノイズが付加された前記教師入力画像と、前記ノイズが付加された前記教師出力画像とに基づいて機械学習を行うことにより、血管を抽出するための前記学習モデルを学習するように構成されており、
前記画像作成部は、撮影された血管を含む画像から、学習済みの前記学習モデルを用いて、血管を抽出して画像を作成するように構成されている、請求項１に記載の画像作成装置。

【請求項7】

３次元における画素値データを有する３次元データに基づいて、被検体の特定部分を含む領域の２次元の教師入力画像を生成し、
前記教師入力画像と同じ画角における前記特定部分を示す画像または前記特定部分を除く画像である教師出力画像を生成し、
前記教師入力画像と、前記教師出力画像とに同じノイズを付加し、
前記ノイズが付加された前記教師入力画像と、前記ノイズが付加された前記教師出力画像とに基づいて機械学習を行うことにより、前記特定部分を抽出または除去するための学習モデルを学習し、
撮影された前記特定部分を含む画像から、学習済みの前記学習モデルを用いて、前記特定部分を抽出または除去した画像を作成する、画像作成方法。

【請求項8】

３次元における画素値データを有する３次元データに基づいて、被検体の特定部分を含む領域の２次元の教師入力画像を生成し、
前記教師入力画像と同じ画角における前記特定部分を示す画像または前記特定部分を除く画像である教師出力画像を生成し、
前記教師入力画像と、前記教師出力画像とに同じノイズを付加し、
前記ノイズが付加された前記教師入力画像と、前記ノイズが付加された前記教師出力画像とに基づいて機械学習を行うことにより、前記特定部分を抽出または除去するための学習モデルを学習する、学習済みモデルの作成方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、画像作成装置、画像作成方法および学習済みモデルの作成方法に関する。

【背景技術】

【0002】

従来、画像作成装置が知られている。たとえば、国際公開第２００７／０２９４６７号に開示されている。

【0003】

上記国際公開第２００７／０２９４６７号には、教師入力画像と教師出力画像とに基づいて機械学習を行い、学習結果を用いて、処理対象画像から強調画像を出力する画像処理装置（画像作成装置）が開示されている。この画像処理装置では、多くのパターンを学習するために教師入力画像に複数の画像処理を施して複数の教師入力画像を生成している。たとえば、教師入力画像の画質が粗くなるように処理を行う。この場合、教師入力画像にノイズが含まれることになり、機械学習によりノイズを低減する学習結果を得ている。

【先行技術文献】

【特許文献】

【0004】

【文献】国際公開第２００７／０２９４６７号

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、上記国際公開第２００７／０２９４６７号の画像処理装置では、教師入力画像のノイズを低減する機械学習を行わせるため、ノイズを平滑化するような画像の低周波の領域を抽出するフィルタが学習される。このため、学習結果を用いて画像を作成する場合に、画像が平滑化されて出力画像がボケてしまうという問題点がある。

【0006】

この発明は、上記のような課題を解決するためになされたものであり、この発明の１つの目的は、機械学習によって学習した学習モデルを用いて画像を作成する際のボケを抑制することが可能な画像作成装置、画像作成方法および学習済みモデルの作成方法を提供することである。

【課題を解決するための手段】

【0007】

上記目的を達成するために、この発明の第１の局面における画像作成装置は、３次元における画素値データを有する３次元データに基づいて、被検体の特定部分を含む領域の２次元の教師入力画像と、教師入力画像と同じ画角における特定部分を示す画像または特定部分を除く画像である教師出力画像と、を生成する学習画像生成部と、教師入力画像と、教師出力画像とに同じノイズを付加するノイズ付加部と、上記ノイズが付加された教師入力画像と、上記ノイズが付加された教師出力画像とに基づいて機械学習を行うことにより、特定部分を抽出または除去するための学習モデルを学習する学習部と、撮影された特定部分を含む画像から、学習済みの学習モデルを用いて、特定部分を抽出または除去した画像を作成する画像作成部と、を備える。

【0008】

この発明の第１の局面における画像作成装置では、上記のように構成することによって、教師入力画像および教師出力画像の両方に同じノイズが付加されるので、ノイズ成分以外の教師入力画像および教師出力画像の差異である特定部分を、抽出または除去するような画像処理を学習させることができる。これにより、ノイズを平滑化するようなフィルタが学習されないので、作成する画像がボケるのを抑制することができる。

【0009】

上記第１の局面における画像作成装置において、好ましくは、学習画像生成部は、被検体を撮影したコンピュータ断層撮影画像に基づいて、３次元データを取得し、教師入力画像および教師出力画像を、デジタル再構成シミュレーションにより生成するように構成されている。このように構成すれば、コンピュータ断層撮影画像からデジタル再構成シミュレーションにより複数通りの教師入力画像および教師出力画像のセットを容易に生成することができるので、複数通りのセットを用いて機械学習を行うことができる。これにより、学習モデルの学習精度を向上させることができる。

【0010】

上記第１の局面における画像作成装置において、好ましくは、ノイズ付加部は、画像を撮影した撮影結果のノイズに基づいて調整したノイズを、教師入力画像および教師出力画像に付加するように構成されている。このように構成すれば、実際に撮影される場合のノイズに応じたノイズを教師入力画像および教師出力画像に付加して機械学習させることができるので、撮影された特定部分を含む画像から学習済みの学習モデルを用いて画像を作成する場合に、ノイズが影響するのを効果的に抑制して、特定部分を抽出または除去することができる。

【0011】

この場合、好ましくは、ノイズ付加部は、ガウスノイズを付加するように構成されており、画像を撮影した撮影結果のノイズの標準偏差に対応する標準偏差に調整したガウスノイズを、教師入力画像および教師出力画像に付加するように構成されている。このように構成すれば、付加するガウスノイズの標準偏差を、実際に撮影する画像のノイズに合わせることができるので、画像の作成にノイズが影響するのをより効果的に抑制して、特定部分を抽出または除去することができる。

【0012】

上記第１の局面における画像作成装置において、好ましくは、特定部分は、骨であり、学習画像生成部は、被検体の骨を含む領域の２次元の教師入力画像と、被検体の骨を除く教師出力画像と、を生成するように構成されており、学習部は、ノイズが付加された教師入力画像と、ノイズが付加された教師出力画像とに基づいて機械学習を行うことにより、骨を除去するための学習モデルを学習するように構成されており、画像作成部は、撮影された骨を含む画像から、学習済みの学習モデルを用いて、骨を除去した画像を作成するように構成されている。このように構成すれば、ノイズ成分を極力除去しないで、骨のみを除去するような学習モデルを学習させることができるので、学習モデルを用いて画像を作成することによりボケが抑制されたボーンサプレッション画像を出力することができる。

【0013】

上記第１の局面における画像作成装置において、好ましくは、特定部分は、血管であり、学習画像生成部は、被検体の血管を含む領域の２次元の教師入力画像と、被検体の血管を示す教師出力画像と、を生成するように構成されており、学習部は、ノイズが付加された教師入力画像と、ノイズが付加された教師出力画像とに基づいて機械学習を行うことにより、血管を抽出するための学習モデルを学習するように構成されており、画像作成部は、撮影された血管を含む画像から、学習済みの学習モデルを用いて、血管を抽出して画像を作成するように構成されている。このように構成すれば、ノイズ成分を極力除去しないで、血管を抽出するような学習モデルを学習させることができるので、学習モデルを用いて画像を作成することによりボケが抑制された血管画像を出力することができる。

【0014】

この発明の第２の局面における画像作成方法は、３次元における画素値データを有する３次元データに基づいて、被検体の特定部分を含む領域の２次元の教師入力画像を生成し、教師入力画像と同じ画角における特定部分を示す画像または特定部分を除く画像である教師出力画像を生成し、教師入力画像と、教師出力画像とに同じノイズを付加し、上記ノイズが付加された前記教師入力画像と、上記ノイズが付加された教師出力画像とに基づいて機械学習を行うことにより、特定部分を抽出または除去するための学習モデルを学習し、撮影された特定部分を含む画像から、学習済みの学習モデルを用いて、特定部分を抽出または除去した画像を作成する。

【0015】

この発明の第２の局面による画像作成方法では、上記のように構成することによって、教師入力画像および教師出力画像の両方に同じノイズが付加されるので、ノイズ成分以外の教師入力画像および教師出力画像の差異である特定部分を、抽出または除去するような画像処理を学習させることができる。これにより、ノイズを平滑化するようなフィルタが学習されないので、作成する画像がボケるのを抑制することができる。

【0016】

この発明の第３の局面における学習済みモデルの作成方法は、３次元における画素値データを有する３次元データに基づいて、被検体の特定部分を含む領域の２次元の教師入力画像を生成し、教師入力画像と同じ画角における特定部分を示す画像または特定部分を除く画像である教師出力画像を生成し、教師入力画像と、教師出力画像とに同じノイズを付加し、上記ノイズが付加された前記教師入力画像と、上記ノイズが付加された教師出力画像とに基づいて機械学習を行うことにより、特定部分を抽出または除去するための学習モデルを学習する。

【0017】

この発明の第３の局面による学習済みモデルの作成方法では、上記のように構成することによって、教師入力画像および教師出力画像の両方に同じノイズが付加されるので、ノイズ成分以外の教師入力画像および教師出力画像の差異である特定部分を、抽出または除去するような画像処理を学習させることができる。これにより、ノイズを平滑化するようなフィルタが学習されないので、作成する画像がボケるのを抑制することができる。

【発明の効果】

【0018】

本発明によれば、上記のように、機械学習によって学習した学習モデルを用いて画像を作成する際のボケを抑制することができる。

【図面の簡単な説明】

【0019】

【図1】一実施形態による画像作成装置を示したブロック図である。

【図2】一実施形態による画像作成装置により画像を作成するための画像を撮影するＸ線撮影装置を示した図である。

【図3】一実施形態による学習方法および画像作成方法を説明するための図である。

【図4】一実施形態による学習画像作成方法を説明するための図である。

【図5】一実施形態による骨を除去する場合の学習方法を説明するための図である。

【図6】一実施形態による血管を抽出する場合の学習方法を説明するための図である。

【図7】一実施形態による学習モデルの学習処理を説明するためのフローチャートである。

【図8】一実施形態による画像作成処理を説明するためのフローチャートである。

【図9】一実施形態の変形例による画像作成装置を示したブロック図である。

【発明を実施するための形態】

【0020】

以下、本発明を具体化した実施形態を図面に基づいて説明する。

【0021】

図１～図８を参照して、本発明の一実施形態による画像作成装置１００の構成、一実施形態の画像作成方法、一実施形態の学習済みモデルの作成方法について説明する。

【0022】

（画像処理装置の構成）
まず、図１を参照して、第１実施形態による画像作成装置１００の構成について説明する。

【0023】

画像作成装置１００は、機械学習によって学習済みの学習モデルを用いて、Ｘ線撮影した画像の特定部分を抽出または除去した画像を作成するように構成されている。図１に示すように、画像作成装置１００は、学習画像生成部１と、ノイズ付加部２と、学習部３と、画像作成部４とを備えている。また、画像作成装置１００は、ＣＴ撮影装置１０からＣＴ画像を取得可能に構成されている。また、画像作成装置１００は、Ｘ線撮影装置２０からＸ線撮影画像を取得可能に構成されている。また、画像作成装置１００は、表示装置３０に、作成した画像を送信可能に構成されている。

【0024】

画像作成装置１００は、ＣＴ撮影装置１０またはＸ線撮影装置２０からデータを取得するため、および、表示装置３０にデータを送信するために、通信部を備えている。通信部は、たとえば、ＨＤＭＩ（登録商標）（Ｈｉｇｈ－Ｄｅｆｉｎｉｔｉｏｎ Ｍｕｌｔｉｍｅｄｉａ Ｉｎｔｅｒｆａｃｅ）、Ｄｉｓｐｌａｙ Ｐｏｒｔ、ＵＳＢポートなどの入出力インターフェースを含んでいる。

【0025】

また、画像作成装置１００は、たとえば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）およびＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などをハード的な構成として含んでいる。また、画像作成装置１００は、記憶部として、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）または不揮発性のメモリなどを含んでいる。

【0026】

Ｘ線撮影装置２０は、図２に示すように、天板２１と、Ｘ線照射部２２と、ＦＰＤ（Ｆｌａｔ Ｐａｎｅｌ Ｄｅｔｅｃｔｏｒ）２３とを含んでいる。天板２１は、被検体Ｏ（人）を支持するように構成されている。Ｘ線照射部２２は、被検体Ｏに向けてＸ線を照射するように構成されている。ＦＰＤ２３は、Ｘ線照射部２２から照射され、被検体Ｏを透過したＸ線を検出するように構成されている。

【0027】

画像作成装置１００の学習画像生成部１は、学習部３により学習モデルを学習するための教師入力画像および教師出力画像を生成するように構成されている。具体的には、学習画像生成部１は、３次元における画素値データを有する３次元データに基づいて、被検体Ｏの特定部分を含む領域の２次元の教師入力画像と、教師入力画像と同じ画角における特定部分を示す画像または特定部分を除く画像である教師出力画像と、を生成する。詳しくは、学習画像生成部１は、被検体Ｏを撮影したコンピュータ断層撮影画像（ＣＴ画像）に基づいて、３次元データ（３次元のボクセル値を有するデータ）を取得する。そして、学習画像生成部１は、３次元データに基づいて、教師入力画像および教師出力画像を、デジタル再構成シミュレーション（ＤＲＲ）により生成するように構成されている。

【0028】

また、学習画像生成部１は、１つの３次元データ（ＣＴ画像データ）から、複数組の教師入力画像および教師出力画像を生成するように構成されている。たとえば、学習画像生成部１は、１つの３次元データから約１０万組程度の教師入力画像および教師出力画像を生成するように構成されている。学習画像生成部１は、デジタル再構成シミュレーションにおける投影角度、投影座標、ＤＲＲ画像生成のためのパラメータ、コントラスト、エッジ強調などを互いに異ならせて、複数組の教師入力画像および教師出力画像を生成するように構成されている。

【0029】

図４に示すように、学習画像生成部１は、デジタル再構成シミュレーションにより画像を生成する場合に、３次元データ１１、Ｘ線源１２および投影面１３を仮想的に配置して、３次元データ１１に対して仮想的に投影を行う。そして、学習画像生成部１は、投影面１３に投影される画像１４を３次元データ１１に基づいて計算を行い生成する。

【0030】

学習画像生成部１は、教師入力画像を生成する場合に、特定部分を含む３次元データ１１の部分に仮想的にＸ線源１２からＸ線を照射して、通過するＣＴ値（ボクセル値）を加算して、２次元の画像１４の各画素値を計算する。

【0031】

また、学習画像生成部１は、教師出力画像を生成する場合に、特定部分を含む３次元データ１１の部分に仮想的にＸ線源１２からＸ線を照射して、特定部分のＣＴ値（ボクセル値）のみを加算、または、特定部分のＣＴ値（ボクセル値）を除いて加算して、２次元の画像１４の各画素値を計算する。たとえば、特定部分を抽出する場合は、特定部分に対応する範囲のＣＴ値（ボクセル値）のみを加算して、２次元の画像１４の各画素値が計算される。また、ＣＴ上の特定部分を抽出する際には、公知の３Ｄセグメンテーション技術を用いてもよいし、治療計画装置が作成した治療計画データから特定部分領域を取得してもよい。また、特定部分を除外する場合は、特定部分に対応する範囲のＣＴ値（ボクセル値）を除いて加算して、２次元の画像１４の各画素値が計算される。

【0032】

また、学習画像生成部１は、血管などの動く（拍動する）ものを特定部分とする場合、３次元空間に時間も含めた４次元のデータに基づいて、教師入力画像および教師出力画像を生成するように構成されている。これにより、時間に伴って動く対象でも精度よく学習を行うことが可能である。

【0033】

ノイズ付加部２は、学習画像生成部１により生成した教師入力画像および教師出力画像に、ノイズを付加するように構成されている。ここで、本実施形態では、ノイズ付加部２は、教師入力画像と、教師出力画像とに同じノイズを付加するように構成されている。また、ノイズ付加部２は、画像を撮影した撮影結果のノイズに基づいて調整したノイズを、教師入力画像および教師出力画像に付加するように構成されている。つまり、ノイズ付加部２は、Ｘ線撮影装置２０により、Ｘ線撮影を行った場合に含まれるノイズに基づいて調整されたノイズを付加するように構成されている。Ｘ線撮影装置２０のＸ線撮影によるノイズは、たとえば、Ｘ線照射部２２とＦＰＤ２３との間に均一の物質（Ｘ線透過率が略等しいもの（たとえば、空気、水など））を配置してＸ線撮影して測定される。

【0034】

また、ノイズ付加部２は、ガウスノイズを付加するように構成されている。また、ノイズ付加部２は、画像を撮影した撮影結果のノイズの標準偏差σに対応する標準偏差σに調整したガウスノイズを、教師入力画像および教師出力画像に付加するように構成されている。つまり、ノイズ付加部２は、Ｘ線撮影装置２０により、Ｘ線撮影を行った場合に含まれるノイズに基づいて同等の標準偏差σに調整されたガウスノイズを付加するように構成されている。

【0035】

また、ノイズ付加部２は、同じ条件により生成した教師入力画像および教師出力画像の組に対して、同じノイズを付加するように構成されている。一方、ノイズ付加部２は、生成する教師入力画像および教師出力画像の組毎に、互いに異なるノイズを付加するように構成されている。また、たとえば、ノイズ付加部２は、生成する教師入力画像および教師出力画像の組毎に、ランダムにパラメータを変化させてノイズを付加するように構成されている。

【0036】

また、本実施形態では、学習部３は、図３に示すように、ノイズが付加された教師入力画像と、ノイズが付加された教師出力画像とに基づいて機械学習を行うことにより、特定部分を抽出または除去するための学習モデルを学習するように構成されている。学習部３は、ＡＩ（人工知能）により、ノイズが付加された教師入力画像と、ノイズが付加された教師出力画像とに基づいて、画像分析を行うように構成されている。また、学習部３は、畳み込み層を用いて学習を行うように構成されている。また、学習部３は、ディープラーニングにより学習を行うように構成されている。また、学習部３は、ニューラルネットワークを用いて学習を行うように構成されている。

【0037】

なお、学習部３による学習モデルの学習は、被検体Ｏ毎に行ってもよいし、Ｘ線撮影装置２０毎に行ってもよい。また、学習を定期的に行ってもよい。また、異なる被検体Ｏの学習データを統括した学習モデルを作成してもよい。

【0038】

また、本実施形態では、画像作成部４は、図３に示すように、撮影された特定部分を含む画像から、学習済みの学習モデルを用いて、特定部分を抽出または除去した画像を作成するように構成されている。つまり、画像作成部４は、Ｘ線撮影装置２０により撮影した特定部分を含む２次元のＸ線画像から、学習部３により学習した学習モデルを用いて、特定部分を抽出または除去した２次元の画像を作成するように構成されている。また、画像作成部４は、Ｘ線撮影装置２０により撮影したリアルタイムの２次元画像から、特定部分を抽出または除去した画像を作成するように構成されている。たとえば、画像作成部４は、被検体Ｏの治療中などに、Ｘ線撮影装置２０を用いて透視した画像から、骨を除去したり、血管を抽出したり、ステントなどの器具を抽出したりした画像を作成する。また、画像作成部４は、作成した画像を表示装置３０に送信する。これにより、特定部分が抽出または除去された画像が表示装置３０に表示される。

【0039】

図５を参照して、特定部分が骨である例について説明する。図５に示すように、学習画像生成部１により、特定部分である被検体Ｏの骨を含む領域の２次元の教師入力画像が生成される。また、学習画像生成部１により、特定部分である被検体Ｏの骨を除く２次元の教師出力画像が生成される。そして、ノイズ付加部２により、２次元の教師入力画像および教師出力画像に、同じノイズが付加される。学習部３により、同じノイズが付加された教師入力画像および教師出力画像から機械学習により骨を除去するための学習モデルが学習される。そして、この骨を除去するための学習モデルを用いて、画像作成部４により、Ｘ線撮影装置２０により撮影された被検体ＯのＸ線画像から骨が除去された画像が作成される。

【0040】

図６を参照して、特定部分が血管である例について説明する。図６に示すように、学習画像生成部１により、特定部分である被検体Ｏの血管を含む領域の２次元の教師入力画像が生成される。また、学習画像生成部１により、特定部分である被検体Ｏの血管を抽出した２次元の教師出力画像が生成される。そして、ノイズ付加部２により、２次元の教師入力画像および教師出力画像に、同じノイズが付加される。学習部３により、同じノイズが付加された教師入力画像および教師出力画像から機械学習により血管を抽出するための学習モデルが学習される。そして、この血管を抽出するための学習モデルを用いて、画像作成部４により、Ｘ線撮影装置２０により撮影された被検体ＯのＸ線画像から血管が抽出された画像が作成される。

【0041】

（学習モデル学習処理）
次に、図７を参照して、画像作成装置１００による学習モデル学習処理について説明する。

【0042】

ステップＳ１において、ＣＴ撮影装置１０により作成されたＣＴ画像（３次元データ）が取得される。ステップＳ２において、ＣＴ画像から複数組の教師入力画像および教師出力画像が生成される。

【0043】

ステップＳ３において、生成された同じ組の教師入力画像および教師出力画像に対して同じノイズが付加される。ステップＳ４において、学習モデルが学習される。これにより、特定部分を抽出または除去するための学習済みモデルが生成される。

【0044】

（画像作成処理）
次に、図８を参照して、画像作成装置１００による画像作成処理について説明する。

【0045】

ステップＳ１１において、Ｘ線撮影装置２０による被検体Ｏの撮影結果（２次元のＸ線画像）が取得される。ステップＳ１２において、取得したＸ線画像から、学習済みモデルを用いて特定部分が抽出または除去された画像が作成される。

【0046】

（本実施形態の効果）
本実施形態では、以下のような効果を得ることができる。

【0047】

本実施形態では、上記のように、教師入力画像と、教師出力画像とに同じノイズを付加するノイズ付加部２と、上記ノイズが付加された教師入力画像と、上記ノイズが付加された教師出力画像とに基づいて機械学習を行うことにより、特定部分を抽出または除去するための学習モデルを学習する学習部３とを設ける。これにより、教師入力画像および教師出力画像の両方に同じノイズが付加されるので、ノイズ成分以外の教師入力画像および教師出力画像の差異である特定部分を、抽出または除去するような画像処理を学習させることができる。これにより、ノイズを平滑化するようなフィルタが学習されないので、作成する画像がボケるのを抑制することができる。

【0048】

また、本実施形態では、上記のように、学習画像生成部１を、被検体Ｏを撮影したコンピュータ断層撮影画像に基づいて、３次元データを取得し、教師入力画像および教師出力画像を、デジタル再構成シミュレーションにより生成するように構成する。これにより、コンピュータ断層撮影画像からデジタル再構成シミュレーションにより複数通りの教師入力画像および教師出力画像のセットを容易に生成することができるので、複数通りのセットを用いて機械学習を行うことができる。これにより、学習モデルの学習精度を向上させることができる。

【0049】

また、本実施形態では、上記のように、ノイズ付加部２を、画像を撮影した撮影結果のノイズに基づいて調整したノイズを、教師入力画像および教師出力画像に付加するように構成する。これにより、実際に撮影される場合のノイズに応じたノイズを教師入力画像および教師出力画像に付加して機械学習させることができるので、撮影された特定部分を含む画像から学習済みの学習モデルを用いて画像を作成する場合に、ノイズが影響するのを効果的に抑制して、特定部分を抽出または除去することができる。

【0050】

また、本実施形態では、上記のように、ノイズ付加部２を、ガウスノイズを付加するように構成し、画像を撮影した撮影結果のノイズの標準偏差に対応する標準偏差に調整したガウスノイズを、教師入力画像および教師出力画像に付加するように構成する。これにより、付加するガウスノイズの標準偏差を、実際に撮影する画像のノイズに合わせることができるので、画像の作成にノイズが影響するのをより効果的に抑制して、特定部分を抽出または除去することができる。

【0051】

また、本実施形態では、上記のように、学習画像生成部１を、被検体Ｏの骨を含む領域の２次元の教師入力画像と、被検体の骨を除く教師出力画像と、を生成するように構成する。また、学習部３を、ノイズが付加された教師入力画像と、ノイズが付加された教師出力画像とに基づいて機械学習を行うことにより、骨を除去するための学習モデルを学習するように構成する。また、画像作成部４を、撮影された骨を含む画像から、学習済みの学習モデルを用いて、骨を除去した画像を作成するように構成する。これにより、ノイズ成分を極力除去しないで、骨のみを除去するような学習モデルを学習させることができるので、学習モデルを用いて画像を作成することによりボケが抑制されたボーンサプレッション画像を出力することができる。

【0052】

また、本実施形態では、上記のように、学習画像生成部１を、被検体Ｏの血管を含む領域の２次元の教師入力画像と、被検体の血管を示す教師出力画像と、を生成するように構成する。また、学習部３を、ノイズが付加された教師入力画像と、ノイズが付加された教師出力画像とに基づいて機械学習を行うことにより、血管を抽出するための学習モデルを学習するように構成する。また、画像作成部４を、撮影された血管を含む画像から、学習済みの学習モデルを用いて、血管を抽出して画像を作成するように構成する。これにより、ノイズ成分を極力除去しないで、血管を抽出するような学習モデルを学習させることができるので、学習モデルを用いて画像を作成することによりボケが抑制された血管画像を出力することができる。

【0053】

（変形例）
なお、今回開示された実施形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した実施形態の説明ではなく、請求の範囲によって示され、さらに請求の範囲と均等の意味および範囲内でのすべての変更（変形例）が含まれる。

【0054】

たとえば、上記一実施形態では、機械学習を行う装置と、画像作成を行う装置とが同一の装置である例を示したが、本発明はこれに限られない。本発明では、機械学習を行う装置と、画像作成を行う装置とが別個の装置であってもよい。たとえば、図９に示すように、機械学習を、学習画像生成部１と、ノイズ付加部２と、学習部３とが設けられた画像学習装置２００で行ってもよい。また、画像作成を、画像作成部４が設けられた画像作成装置３００で行ってもよい。この場合、画像学習装置２００は、画像作成装置３００に対して遠隔の場所に配置されていてもよい。また、画像学習装置２００は、クラウド上に設けられたサーバコンピュータにより構成されていてもよい。

【0055】

また、上記一実施形態では、Ｘ線撮影装置の撮影結果から特定部分を抽出または除去するための学習モデルを学習する構成の例を示したが、本発明はこれに限られない。本発明では、Ｘ線撮影装置以外の撮影装置の撮影結果から特定部分を抽出または除去するための学習モデルを学習する構成でもよい。また、本発明を、学習時の教師出力画像がラベル画像ではなく、教師入力画像と同形態の画像である場合において、広く一般的に適用してもよい。

【0056】

また、上記一実施形態では、撮影結果から特定部分を抽出または除去した画像を作成する構成の例を示したが、本発明はこれに限られない。本発明では、特定部分を抽出または除去した画像から、さらにノイズを除去した画像を作成してもよい。

【0057】

また、上記一実施形態では、被検体が人である例を示したが、本発明はこれに限られない。本発明では、被検体は、人以外の生体であってもよいし、非生体であってもよい。

【0058】

また、上記一実施形態では、特定部分が血管または骨である例を示したが、本発明はこれに限られない。本発明では、特定部分は、血管および骨以外の部分であってもよい。

【0059】

また、上記一実施形態では、教師入力画像および教師出力画像に付加されるノイズがガウスノイズである例を示したが、本発明はこれに限られない。本発明では、教師入力画像および教師出力画像に付加されるノイズは、ガウスノイズ以外のノイズであってもよい。

【0060】

また、上記一実施形態では、説明の便宜上、画像作成装置の処理を、処理フローに沿って順番に処理を行うフロー駆動型のフローチャートを用いて説明した例について示したが、本発明はこれに限られない。本発明では、画像作成装置の処理を、イベント単位で処理を実行するイベント駆動型（イベントドリブン型）の処理により行ってもよい。この場合、完全なイベント駆動型で行ってもよいし、イベント駆動およびフロー駆動を組み合わせて行ってもよい。

【符号の説明】

【0061】

１ 学習画像生成部
２ ノイズ付加部
３ 学習部
４ 画像作成部
１００ 画像作成装置
Ｏ 被検体

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】