特許7405258Ｘ線撮影装置、学習済みモデルの生成方法、および、Ｘ線撮影装置の作動方法
(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】2023-12-18
(45)【発行日】2023-12-26
(54)【発明の名称】Ｘ線撮影装置、学習済みモデルの生成方法、および、Ｘ線撮影装置の作動方法
(51)【国際特許分類】
A61B 6/00 20060101AFI20231219BHJP
A61B 6/12 20060101ALI20231219BHJP
【ＦＩ】
A61B6/00 350D
A61B6/12
A61B6/00 320Z
【請求項の数】
11
(21)【出願番号】P 2022534509
(86)(22)【出願日】2020-07-06
(86)【国際出願番号】 JP2020026452
(87)【国際公開番号】W WO2022009281
(87)【国際公開日】2022-01-13
【審査請求日】2022-11-30
(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】丹野 圭一
【審査官】井上 香緒梨
(56)【参考文献】
【文献】特開２０２０－０８１１８５（ＪＰ，Ａ）
【文献】特表２０１８－５２７９６４（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ａ６１Ｂ６／００－６／１４
Ｇ０６Ｔ７／００－７／９０
Ｇ０６Ｔ１／００－１／４０
(57)【特許請求の範囲】
【請求項1】
体内に医療用のデバイスが留置された被検体にＸ線を照射するＸ線照射部と、前記被検体を透過したＸ線を検出するＸ線検出部と、
前記Ｘ線照射部から照射されるＸ線のパルス幅を設定するパルス幅設定部と、
前記パルス幅設定部によって設定された前記パルス幅のＸ線を前記Ｘ線照射部から照射させるＸ線照射制御部と、
前記Ｘ線検出部によって検出された前記パルス幅のＸ線に基づいて、Ｘ線画像を生成するＸ線画像生成部と、
機械学習によって生成された学習済みモデルに基づいて、前記Ｘ線画像生成部によって生成された前記パルス幅のＸ線による前記Ｘ線画像から、前記Ｘ線画像中の前記デバイスを検出するデバイス検出部と、を備え、
前記パルス幅は、前記学習済みモデルに基づく前記デバイスの検出精度が最大となるパルス幅以下であるぶれ抑制パルス幅である、Ｘ線撮影装置。
【請求項2】
前記デバイス検出部は、前記ぶれ抑制パルス幅のＸ線による前記Ｘ線画像に対応する教師画像を用いた機械学習によって生成された前記学習済みモデルに基づいて、前記ぶれ抑制パルス幅のＸ線による前記Ｘ線画像から、前記デバイスを検出するように構成されている、請求項１に記載のＸ線撮影装置。
【請求項3】
前記デバイス検出部は、前記ぶれ抑制パルス幅のＸ線による前記Ｘ線画像における前記被検体の体内の前記デバイスを模擬するように生成された教師入力用Ｘ線画像と、前記教師入力用Ｘ線画像に含まれる前記デバイスの位置または形状を示す教師出力用情報とによって、機械学習によって生成された前記学習済みモデルに基づいて、前記ぶれ抑制パルス幅のＸ線による前記Ｘ線画像から、前記デバイスを検出するように構成されている、請求項２に記載のＸ線撮影装置。
【請求項4】
前記デバイス検出部は、前記ぶれ抑制パルス幅のＸ線によって生成された模擬Ｘ線画像に基づいて前記Ｘ線画像における前記被検体の体内の前記デバイスを模擬するように生成された前記教師入力用Ｘ線画像と、前記教師入力用Ｘ線画像に含まれる前記デバイスの位置または形状を示す前記教師出力用情報とによって、機械学習によって生成された前記学習済みモデルに基づいて、前記ぶれ抑制パルス幅のＸ線による前記Ｘ線画像から、前記デバイスを検出するように構成されている、請求項３に記載のＸ線撮影装置。
【請求項5】
前記デバイスは、前記被検体の心臓の近傍の血管に留置されるカテーテルまたはガイドワイヤを含み、前記デバイス検出部は、前記Ｘ線画像における前記被検体の心臓の近傍の血管に留置される前記カテーテルまたは前記ガイドワイヤを模擬するように生成された前記教師入力用Ｘ線画像と、前記教師入力用Ｘ線画像に含まれる前記カテーテルまたは前記ガイドワイヤの位置または形状を示す前記教師出力用情報とによって、機械学習によって生成された前記学習済みモデルに基づいて、前記ぶれ抑制パルス幅のＸ線による前記Ｘ線画像から、前記カテーテルまたは前記ガイドワイヤを検出するように構成されている、請求項３に記載のＸ線撮影装置。
【請求項6】
前記ぶれ抑制パルス幅は、８ミリ秒以下のパルス幅であり、前記デバイス検出部は、前記学習済みモデルに基づいて、８ミリ秒以下のパルス幅のＸ線による前記Ｘ線画像から、前記デバイスを検出するように構成されている、請求項１に記載のＸ線撮影装置。
【請求項7】
前記デバイス検出部は、多層のニューラルネットワークを用いる機械学習である深層学習によって生成された前記学習済みモデルに基づいて、前記ぶれ抑制パルス幅のＸ線による前記Ｘ線画像から、前記デバイスを検出するように構成されている、請求項１に記載のＸ線撮影装置。
【請求項8】
前記Ｘ線照射部から照射されるＸ線の前記パルス幅を設定する前記パルス幅設定部と、設定された前記パルス幅のＸ線を前記Ｘ線照射部から照射させる前記Ｘ線照射制御部と、前記Ｘ線検出部によって検出されたＸ線に基づいて、前記Ｘ線画像を生成する前記Ｘ線画像生成部と、機械学習によって生成された前記学習済みモデルに基づいて、前記Ｘ線画像生成部によって生成された前記Ｘ線画像から、前記Ｘ線画像中の前記デバイスを検出する前記デバイス検出部とを含む制御部をさらに備える、請求項１に記載のＸ線撮影装置。
【請求項9】
被検体の体内に留置される医療用のデバイスの検出精度が最大となるパルス幅以下であるぶれ抑制パルス幅のＸ線によるＸ線画像に対応するように、前記ぶれ抑制パルス幅のＸ線によるＸ線画像における前記被検体の体内の前記デバイスを模擬するように生成された教師入力用Ｘ線画像を取得するステップと、前記教師入力用Ｘ線画像における前記デバイスの位置または形状を示す教師出力用情報を取得するステップと、
前記教師入力用Ｘ線画像と前記教師出力用情報とによって、機械学習によって学習済みモデルを生成するステップと、を備える、学習済みモデルの生成方法。
【請求項10】
前記教師入力用Ｘ線画像を取得するステップは、前記ぶれ抑制パルス幅のＸ線によって生成された模擬Ｘ線画像を取得するステップと、取得された前記模擬Ｘ線画像に対して画像処理を行うことによって、前記Ｘ線画像における前記被検体の体内の前記デバイスを模擬するように前記教師入力用Ｘ線画像を生成するステップとを含む、請求項９に記載の学習済みモデルの生成方法。
【請求項11】
機械学習によって生成された学習済みモデルに基づいて、生成されたＸ線画像から被検体の体内に留置される医療用のデバイスを検出する検出精度が最大となるパルス幅以下であるぶれ抑制パルス幅に、前記Ｘ線画像を生成するために発射されるＸ線のパルス幅を設定するステップと、体内に前記デバイスが留置された前記被検体に、設定された前記ぶれ抑制パルス幅のＸ線を発射するステップと、
前記被検体を透過したＸ線を検出するステップと、
検出された前記ぶれ抑制パルス幅のＸ線に基づいて、前記Ｘ線画像を生成するステップと、
前記学習済みモデルに基づいて、生成された前記ぶれ抑制パルス幅のＸ線による前記Ｘ線画像から、前記Ｘ線画像中の前記デバイスを検出するステップと、を備える、Ｘ線撮影装置の作動方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、Ｘ線撮影装置、学習済みモデルの生成方法、および、Ｘ線撮影装置の作動方法に関する。
【背景技術】
【0002】
従来、機械学習を用いて放射線画像中からマーカーを検出する放射線撮影装置が知られている。このような放射線撮影装置は、たとえば、特開２０１７－１８５００７号公報に開示されている。
【0003】
上記特開２０１７－１８５００７号公報に記載の放射線撮影装置は、冠動脈インターベンション治療において、放射線を照射することによって被検体内を画像化するための放射線画像を撮影する装置である。この放射線撮影装置は、学習結果データに基づいて放射線画像中から画像認識により放射線画像用のマーカーの位置および範囲を検出する。マーカーは、被検体内にカテーテル挿入されるステントの目印として設けられる。また、学習結果データは、マーカーを含む画像を複数角度に回転させて得られた複数の回転画像を用いた機械学習により予め取得される。そして、上記特開２０１７－１８５００７号公報に記載の放射線撮影装置は、検出されたマーカーの位置に基づいて放射線画像のステントを強調させて表示する。
【先行技術文献】
【特許文献】
【0004】
【文献】特開２０１７－１８５００７号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
ここで、上記特開２０１７－１８５００７号公報には記載されていないが、放射線画像（Ｘ線画像）において、目印としてのマーカーが設けられていないカテーテルおよびガイドワイヤなどの医療用のデバイスを検出することが考えられる。この場合に、機械学習によって生成された学習済みモデルに基づいてＸ線画像中のデバイスを検出することが考えられる。
【0006】
しかしながら、体内に留置されるカテーテルおよびガイドワイヤなどの医療用のデバイスは、心臓の拍動などの被検体の体内の動きに起因して不規則に移動する。たとえば、冠状動脈に留置されるカテーテルやガイドワイヤ等の医療用のデバイスを含む複数のＸ線画像を撮影した場合には、冠状動脈が心臓の拍動に伴い不規則に移動（変形）するため、カテーテルやガイドワイヤ等の医療用のデバイスの位置および形状は、心臓の拍動に伴って不規則に変化する。具体的には、心臓が最も大きく拡張する時点と心臓が最も小さく収縮する時点とでは、冠状動脈の移動速度が小さい（略ゼロである）ため、デバイスの位置および形状の変化は小さい。また、心臓が最も大きく拡張する時点と心臓が最も小さく収縮する時点との間では、心臓の容積の変化率に応じて冠状動脈の移動速度が大きくなるため、デバイスの位置および形状の変化は大きくなる。
【0007】
このように、体内でのデバイスの移動（変形）が一定ではない（不規則である）ために、撮影されたＸ線画像におけるデバイスは、多種多様な大きさのぶれを含む。そのため、学習済みモデルに基づいてＸ線画像中のデバイスを検出するために、多種多様なぶれに対応するように学習済みモデルを学習させる必要がある。すなわち、多種多様なぶれに対応するように多数の教師画像を用いて機械学習を行う必要がある。この場合、機械学習が収束しない場合があり、仮に収束したとしても、機械学習によって生成された学習済みモデルに基づくデバイスの検出精度は低くなる。
【0008】
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、Ｘ線画像における被検体の体内に留置される医療用のデバイスを、機械学習によって生成された学習済みモデルに基づいて精度よく検出することが可能なＸ線撮影装置、学習済みモデルの生成方法、および、Ｘ線撮影装置の作動方法を提供することである。
【課題を解決するための手段】
【0009】
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Ｘ線撮影装置は、体内に医療用のデバイスが留置された被検体にＸ線を照射するＸ線照射部と、被検体を透過したＸ線を検出するＸ線検出部と、Ｘ線照射部から照射されるＸ線のパルス幅を設定するパルス幅設定部と、パルス幅設定部によって設定されたパルス幅のＸ線をＸ線照射部から照射させるＸ線照射制御部と、Ｘ線検出部によって検出されたパルス幅のＸ線に基づいて、Ｘ線画像を生成するＸ線画像生成部と、機械学習によって生成された学習済みモデルに基づいて、Ｘ線画像生成部によって生成されたパルス幅のＸ線によるＸ線画像から、Ｘ線画像中のデバイスを検出するデバイス検出部と、を備え、パルス幅は、学習済みモデルに基づくデバイスの検出精度が最大となるパルス幅以下であるぶれ抑制パルス幅である。
【0010】
この発明の第２の局面における学習済みモデルの生成方法は、被検体の体内に留置される医療用のデバイスの検出精度が最大となるパルス幅以下であるぶれ抑制パルス幅のＸ線によるＸ線画像に対応するように、ぶれ抑制パルス幅のＸ線によるＸ線画像における被検体の体内のデバイスを模擬するように生成された教師入力用Ｘ線画像を取得するステップと、教師入力用Ｘ線画像におけるデバイスの位置または形状を示す教師出力用情報を取得するステップと、教師入力用Ｘ線画像と教師出力用情報とによって、機械学習によって学習済みモデルを生成するステップと、を備える。
【0011】
この発明の第３の局面におけるＸ線撮影装置の作動方法は、機械学習によって生成された学習済みモデルに基づいて、生成されたＸ線画像から被検体の体内に留置される医療用のデバイスを検出する検出精度が最大となるパルス幅以下であるぶれ抑制パルス幅に、Ｘ線画像を生成するために照射されるＸ線のパルス幅を設定するステップと、体内にデバイスが留置された被検体に、設定されたぶれ抑制パルス幅のＸ線を照射させるステップと、被検体を透過したＸ線を検出するステップと、検出されたぶれ抑制パルス幅のＸ線に基づいて、Ｘ線画像を生成するステップと、学習済みモデルに基づいて、生成されたぶれ抑制パルス幅のＸ線によるＸ線画像から、Ｘ線画像中のデバイスを検出するステップと、を備える。
【発明の効果】
【0012】
上記第１の局面におけるＸ線撮影装置および上記第３の局面におけるＸ線撮影装置の作動方法によれば、生成されたＸ線画像から被検体の体内に留置される医療用のデバイスを検出する検出精度が最大となるパルス幅以下であるぶれ抑制パルス幅に、Ｘ線画像を生成するために照射されるＸ線のパルス幅を設定するため、ぶれ抑制パルス幅のＸ線によるＸ線画像から、機械学習に基づいてデバイスを検出することができる。そのため、デバイスの検出精度が最大となるパルス幅以下の比較的小さいパルス幅であるぶれ抑制パルス幅のＸ線によってＸ線画像が撮影されるため、被検体の体内の不規則な動きによって体内のデバイスが不規則に移動している場合にも、撮影されたＸ線画像におけるデバイスのぶれの種類が多種多様となることを抑制することができる。これにより、被検体の体内のデバイスが不規則に移動する場合にも、Ｘ線画像におけるデバイスのぶれが一定の大きさよりも小さくなるように抑制されているため、学習済みモデルに基づくデバイスの検出精度が低下することを抑制することができる。その結果、Ｘ線画像における被検体の体内に留置される医療用のデバイスを、機械学習によって生成された学習済みモデルに基づいて精度よく検出することができる。
【0013】
また、Ｘ線画像を生成するためのＸ線のパルス幅を、デバイスの検出精度が最大となるパルス幅よりも大きくした場合には、Ｘ線画像におけるデバイスの検出精度は低くなる。また、パルス幅を大きくした場合には、被検体に照射されるＸ線の線量も増加する。これに対して、本発明では、デバイスの検出精度が最大となるパルス幅以下のパルス幅であるぶれ抑制パルス幅のＸ線によってＸ線画像を生成する。そのため、比較的小さいパルス幅であるぶれ抑制パルス幅のＸ線によってＸ線画像を生成するため、デバイスの検出精度が低くなることを効果的に抑制しながら、被検体に照射されるＸ線の線量が多くなることを抑制することができる。その結果、デバイスをより精度よく検出することができるとともに、被検体に照射するＸ線の線量を小さくすることができる。
【0014】
また、上記第２の局面における学習済みモデルの生成方法によれば、ぶれ抑制パルス幅のＸ線によるＸ線画像における被検体の体内のデバイスを模擬するように生成された教師入力用Ｘ線画像を取得することによって、ぶれの種類が多種多様となることを抑制することができる。そのため、多種多様な種類のデバイスのぶれに対応するために多数の教師入力用Ｘ線画像を取得することを抑制することができる。ここで、多種多様なぶれを有するＸ線画像に対応するように多数の教師入力用Ｘ線画像を用いて機械学習を行う場合には、学習が収束しにくく、また、学習が収束した場合にも学習済みモデルによる検出精度が低くなる。これに対して、本発明では、ぶれ抑制パルス幅のＸ線によるＸ線画像における被検体の体内のデバイスを模擬するように生成された教師入力用Ｘ線画像を取得する。このように構成することによって、パルス幅を制限せず画像におけるデバイスのぶれが多種多様である場合に比べて、ぶれ抑制パルス幅のＸ線によってＸ線画像のぶれの種類が少なくなるため、教師画像として取得する画像のぶれの種類を少なくすることができる。これにより、教師入力用Ｘ線画像の種類を少なくすることができるので、デバイスのぶれが多種多様である場合に比べて学習が収束しやすくなるとともに、精度よくデバイスを検出することが可能な学習済みモデルを生成することができる。その結果、Ｘ線画像における被検体の体内に留置される医療用のデバイスを精度よく検出することが可能な学習済みモデルの生成方法を提供することができる。
【図面の簡単な説明】
【0015】
【図1】一実施形態によるＸ線撮影装置の構成を示した模式図である。
【図2】一実施形態によるＸ線撮影装置の構成を示したブロック図である。
【図3】一実施形態による制御部の機能的構成を説明するための図である。
【図4】パルス幅の大きいＸ線画像について説明するための図である。
【図5】パルス幅の小さいＸ線画像について説明するための図である。
【図6】強調画像の生成について説明するための図である。
【図7】表示部の表示について説明するための図である。
【図8】学習済みモデルの生成について説明するための図である。
【図9】教師入力用Ｘ線画像の生成について説明するための図である。
【図10】Ｘ線のパルス幅とカテーテルの検出精度との関係を説明するための図である。
【図11】Ｘ線のパルス幅とガイドワイヤの検出精度との関係を説明するための図である。
【図12】一実施形態による学習済みモデルの生成方法を説明するためのフローチャート図である。
【図13】一実施形態による画像処理方法を説明するためのフローチャート図である。
【発明を実施するための形態】
【0016】
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。
【0017】
【0018】
【0019】
Ｘ線撮影装置１００は、図１に示すように、体内に医療用のデバイス２００を挿入された被検体１０１にＸ線を照射する。そして、Ｘ線撮影装置１００は、被検体１０１を透過したＸ線を検出することによって、Ｘ線撮影を行う。Ｘ線撮影装置１００は、たとえば、経皮的冠動脈インターベンション（ＰＣＩ：Ｐｅｒｃｕｔａｎｅｏｕｓ Ｃｏｒｏｎａｒｙ Ｉｎｔｅｒｖｅｎｔｉｏｎ）を行う際に、被検体１０１の体内の様子を確認するための画像を生成する。経皮的冠動脈インターベンションは、心臓の冠動脈の狭窄および閉塞による疾患である狭心症および心筋梗塞などに対して、デバイス２００を用いて血管の狭窄および閉塞を解消する治療である。
【0020】
〈デバイスについて〉
デバイス２００は、被検体１０１の体内に留置される。デバイス２００は、たとえば、被検体１０１の心臓の近傍の血管に留置されるカテーテルまたはガイドワイヤを含む。デバイス２００は、人体の血管内に挿入可能なように、移動可能な柔軟性のある素材で構成されている。すなわち、デバイス２００は、被検体１０１の血管の形状に合わせて形状を変化させながら、被検体１０１の血管に挿入される。そして、デバイス２００は、被検体１０１の体内の動きに起因する血管の動きによって変形する。被検体１０１の体内の動きは、たとえば、心臓の拍動および血流による血管の変形などを含む。すなわち、デバイス２００は、心臓の近傍の血管内では、心臓の拍動に起因して、３次元的に大きく不規則に移動する。ここで、「心臓の近傍の血管」は、心臓の付近の血管のみならず心臓自体の血管（冠動脈など）も含む。
デバイス２００は、被検体１０１の体内に留置される。デバイス２００は、たとえば、被検体１０１の心臓の近傍の血管に留置されるカテーテルまたはガイドワイヤを含む。デバイス２００は、人体の血管内に挿入可能なように、移動可能な柔軟性のある素材で構成されている。すなわち、デバイス２００は、被検体１０１の血管の形状に合わせて形状を変化させながら、被検体１０１の血管に挿入される。そして、デバイス２００は、被検体１０１の体内の動きに起因する血管の動きによって変形する。被検体１０１の体内の動きは、たとえば、心臓の拍動および血流による血管の変形などを含む。すなわち、デバイス２００は、心臓の近傍の血管内では、心臓の拍動に起因して、３次元的に大きく不規則に移動する。ここで、「心臓の近傍の血管」は、心臓の付近の血管のみならず心臓自体の血管（冠動脈など）も含む。
【0021】
また、デバイス２００は、経皮的冠動脈インターベンションでは、被検体１０１の血管（冠動脈）内の狭窄部位に留置されるステントなどの治療具を血管内の目的の位置に配置するために用いられる。デバイス２００は、手首または太ももなどの血管（橈骨動脈または大腿動脈など）から冠動脈の狭窄部位まで挿入される。経皮的冠動脈インターベンションでは、血管内に挿入されたデバイス２００によって、ステントが冠動脈の狭窄部位に配置される。そして、ステントを拡張させることによって血管の狭窄に対しての治療が行われる。
【0022】
〈Ｘ線撮影装置について〉
図２に示すように、Ｘ線撮影装置１００は、天板１、Ｘ線照射部２、Ｘ線検出部３、移動部４、表示部５、操作部６、制御部７、および、記憶部８を備える。
図２に示すように、Ｘ線撮影装置１００は、天板１、Ｘ線照射部２、Ｘ線検出部３、移動部４、表示部５、操作部６、制御部７、および、記憶部８を備える。
【0023】
天板１は、Ｘ線が照射される被検体１０１が載置される。被検体１０１は、天板１に載置された状態で、デバイス２００が挿入されるとともに、Ｘ線撮影が行われる。また、天板１は、制御部７による制御に基づいて、図示しない天板移動部によって移動可能に構成されている。
【0024】
Ｘ線照射部２は、体内に医療用のデバイス２００が留置された被検体１０１にＸ線を照射（放射）する。Ｘ線照射部２は、電圧が印加されることによってＸ線を照射するＸ線管２１を含む。Ｘ線管２１は、制御部７によりＸ線管２１に印加される電圧が制御されることによって、照射するＸ線が制御されるように構成されている。Ｘ線照射部２は、１回または複数回のＸ線の照射を被検体１０１内のデバイス２００に対して行う。
【0025】
Ｘ線検出部３は、被検体１０１を透過したＸ線を検出する。そして、Ｘ線検出部３は、検出されたＸ線に基づいて検出信号を出力する。Ｘ線検出部３は、たとえば、ＦＰＤ（Ｆｌａｔ Ｐａｎｅｌ Ｄｅｔｅｃｔｏｒ）を含む。
【0026】
移動部４は、Ｘ線照射部２およびＸ線検出部３を移動可能に保持する。具体的には、移動部４は、Ｘ線照射部２およびＸ線検出部３を被検体１０１が載置される天板１を挟んで対向させるように支持する。そして、移動部４は、Ｘ線照射部２およびＸ線検出部３の被検体１０１に対する位置および角度を変更可能に支持する。また、移動部４は、Ｘ線照射部２とＸ線検出部３との間の距離を変更可能に支持する。すなわち、移動部４は、被検体１０１に対して、様々な位置および様々な角度からＸ線撮影を行うために、Ｘ線照射部２およびＸ線検出部３を移動させる。
【0027】
表示部５は、たとえば、液晶ディスプレイなどのモニタである。そして、表示部５は、制御部７によって生成された画像（静止画像および動画像）を表示する。
【0028】
操作部６は、Ｘ線撮影装置１００を操作するための入力操作を受け付けるように構成されている。操作部６は、たとえば、天板１および移動部４を移動させる操作を受け付ける。また、操作部６は、被検体１０１に対してＸ線撮影を行う場合に、Ｘ線を照射させる操作を受け付ける。また、操作部６は、制御部７による制御を実行するための入力操作を受け付ける。
【0029】
制御部７は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）およびＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などを含むコンピュータである。制御部７は、ＣＰＵが所定の制御プログラムを実行することにより、Ｘ線撮影装置１００の各部の制御と、Ｘ線画像１０を生成する制御と、生成されたＸ線画像１０に対する画像処理の制御とを行う。具体的には、図３に示すように、制御部７は、機能的な構成として、Ｘ線照射制御部７１、パルス幅設定部７２、Ｘ線画像生成部７３、デバイス検出部７４、画像処理部７５、および、表示制御部７６を含む。すなわち、制御部７は、ＣＰＵが所定の制御プログラムを実行することにより、Ｘ線照射制御部７１、パルス幅設定部７２、Ｘ線画像生成部７３、デバイス検出部７４、画像処理部７５、および、表示制御部７６として機能する。また、制御部７による制御の詳細については後述する。
【0030】
記憶部８は、たとえば、ハードディスクドライブなどの記憶装置により構成されている。記憶部８は、画像データ、撮影条件および各種の設定値を記憶するように構成されている。また、記憶部８は、制御部７を機能させるためのプログラムを記憶している。そして、記憶部８は、予め機械学習によって生成された学習済みモデル８０（図８参照）を記憶している。
【0031】
（制御部によるＸ線撮影装置の制御について）
制御部７のＸ線照射制御部７１は、Ｘ線照射部２およびＸ線検出部３を制御してＸ線撮影を行う。Ｘ線照射制御部７１は、Ｘ線照射部２によるＸ線の照射を制御する。具体的には、Ｘ線照射制御部７１は、後述するパルス幅設定部７２によって設定されたパルス幅のＸ線をＸ線照射部２から照射させる。詳細には、Ｘ線照射制御部７１は、Ｘ線管２１に印加される電圧を制御することによって、Ｘ線管２１から照射されるＸ線のパルス幅を制御する。パルス幅は、１つのＸ線画像１０を撮影するために、被検体１０１にＸ線が照射される照射時間（露光時間）を意味する。また、Ｘ線照射制御部７１は、移動部４を移動させる制御を行う。また、Ｘ線照射制御部７１は、操作部６によって受け付けた入力操作に基づく操作信号を取得するともに、取得した操作信号に基づいてＸ線撮影装置１００の各部の制御を行う。たとえば、Ｘ線照射制御部７１は、操作部６に対する入力操作に基づいて移動部４を制御することによって、Ｘ線撮影を行うためのＸ線照射部２およびＸ線検出部３の位置を移動させる。
制御部７のＸ線照射制御部７１は、Ｘ線照射部２およびＸ線検出部３を制御してＸ線撮影を行う。Ｘ線照射制御部７１は、Ｘ線照射部２によるＸ線の照射を制御する。具体的には、Ｘ線照射制御部７１は、後述するパルス幅設定部７２によって設定されたパルス幅のＸ線をＸ線照射部２から照射させる。詳細には、Ｘ線照射制御部７１は、Ｘ線管２１に印加される電圧を制御することによって、Ｘ線管２１から照射されるＸ線のパルス幅を制御する。パルス幅は、１つのＸ線画像１０を撮影するために、被検体１０１にＸ線が照射される照射時間（露光時間）を意味する。また、Ｘ線照射制御部７１は、移動部４を移動させる制御を行う。また、Ｘ線照射制御部７１は、操作部６によって受け付けた入力操作に基づく操作信号を取得するともに、取得した操作信号に基づいてＸ線撮影装置１００の各部の制御を行う。たとえば、Ｘ線照射制御部７１は、操作部６に対する入力操作に基づいて移動部４を制御することによって、Ｘ線撮影を行うためのＸ線照射部２およびＸ線検出部３の位置を移動させる。
【0032】
パルス幅設定部７２は、被検体１０１に対してＸ線照射部２から照射されるＸ線のパルス幅を設定する。本実施形態では、パルス幅設定部７２は、照射されるＸ線のパルス幅を、後述する学習済みモデル８０に基づくデバイス２００の検出精度が最大となるパルス幅以下であるぶれ抑制パルス幅に設定する。パルス幅設定部７２は、操作部６に対する入力操作に基づいてパルス幅を設定してもよいし、記憶部８に予め記憶されたパルス幅設定値に基づいてパルス幅を設定してもよい。なお、ぶれ抑制パルス幅についての詳細は後述する。
【0033】
制御部７のＸ線画像生成部７３は、図４および図５に示すように、Ｘ線撮影を行うことによってＸ線画像１０を生成する。本実施形態では、Ｘ線画像生成部７３は、Ｘ線検出部３によって検出されたＸ線に基づいて、Ｘ線画像１０を生成する。具体的には、Ｘ線画像生成部７３は、Ｘ線検出部３からの検出信号に基づいて、ぶれ抑制パルス幅のＸ線によるＸ線画像１０を生成する。
【0034】
ここで、図４に示すＸ線画像１０は、比較的大きいパルス幅のＸ線によって撮影されたＸ線画像１０である。そして、図５に示すＸ線画像１０は、比較的小さいパルス幅のＸ線によって撮影されたＸ線画像１０である。このように、比較的大きいパルス幅のＸ線によるＸ線画像１０では、Ｘ線画像１０に含まれるデバイス２００は、被検体１０１の体内の動きが大きい場合には、大きいぶれを含み、被検体１０１の体内の動きが小さい場合には、小さいぶれを含む。すなわち、比較的大きいパルス幅によるＸ線のＸ線画像１０では、デバイス２００が多種多様のぶれを含む。一方、比較的小さいパルス幅のＸ線によるＸ線画像１０では、Ｘ線画像１０に含まれるデバイス２００は、被検体１０１の体内の動きが大きい場合と、被検体１０１の体内の動きが小さい場合との両方において、含まれるぶれが小さくなる。すなわち、被検体１０１の体内の動きの移動量（移動速度）にかかわらず、ぶれの大きさは小さくなる（一定となる）。たとえば、被検体１０１の心臓の近傍の血管に留置されるカテーテルまたはガイドワイヤを撮影した場合には、生成されるＸ線画像１０におけるカテーテルまたはガイドワイヤは、被検体１０１の心臓の拍動に起因して不規則に移動（変形）する。図４に示すように、心臓の拍動などの被検体１０１の体内の動きは一定ではないため、比較的大きいパルス幅のＸ線によって撮影されたＸ線画像１０は、多種多様なぶれを含んだ画像となる。一方で、図５に示すように、比較的小さいパルス幅のＸ線によって撮影されたＸ線画像１０では、被検体１０１の体内が心臓の拍動のように不規則に移動（変形）したとしても、ぶれの種類（大きさ）は少なくなる。
【0035】
本実施形態では、Ｘ線照射制御部７１は、生成されるＸ線画像１０におけるカテーテルまたはガイドワイヤを含むデバイス２００のぶれが多種多様となることを抑制するために、所定のしきい値以下のパルス幅であるぶれ抑制パルス幅のＸ線をＸ線照射部２に照射させる。すなわち、１つのＸ線画像１０を生成するための１回のＸ線の照射は、所定のしきい値以下のパルス幅（露光時間）のＸ線の照射である。また、ぶれ抑制パルス幅のＸ線によるＸ線画像１０は、パルス幅が小さいため線量が少ないＸ線画像１０となる。また、ぶれ抑制パルス幅のＸ線によるＸ線画像１０は、ぶれの種類が少ない画像となる。なお、所定のしきい値およびぶれ抑制パルス幅についての詳細は後述する。
【0036】
（制御部による強調画像の生成について）
制御部７のデバイス検出部７４は、ぶれ抑制パルス幅に対応するように生成された画像を教師画像とした機械学習によって生成された学習済みモデル８０に基づいて、ぶれ抑制パルス幅のＸ線によるＸ線画像１０から、デバイス２００を検出するように構成されている。そして、制御部７の画像処理部７５は、Ｘ線画像１０において検出されたデバイス２００を強調させる画像処理を行うことによって、デバイス２００が強調された強調画像１１を生成する。すなわち、図６に示すように、制御部７（デバイス検出部７４および画像処理部７５）は、デバイス２００が低分解能のＸ線画像１０から、デバイス２００が高分解能の強調画像１１を生成する。
制御部７のデバイス検出部７４は、ぶれ抑制パルス幅に対応するように生成された画像を教師画像とした機械学習によって生成された学習済みモデル８０に基づいて、ぶれ抑制パルス幅のＸ線によるＸ線画像１０から、デバイス２００を検出するように構成されている。そして、制御部７の画像処理部７５は、Ｘ線画像１０において検出されたデバイス２００を強調させる画像処理を行うことによって、デバイス２００が強調された強調画像１１を生成する。すなわち、図６に示すように、制御部７（デバイス検出部７４および画像処理部７５）は、デバイス２００が低分解能のＸ線画像１０から、デバイス２００が高分解能の強調画像１１を生成する。
【0037】
学習済みモデル８０は、記憶部８に予め記憶される。学習済みモデル８０は、入力されたＸ線画像１０のうちからデバイス２００の位置を検出する処理を学習させる機械学習により予め生成される。学習済みモデル８０の生成についての詳細は後述する。
【0038】
制御部７のデバイス検出部７４は、学習済みモデル８０に基づいて、生成されたＸ線画像１０から、Ｘ線画像１０におけるデバイス２００の位置を検出することによって、Ｘ線画像１０に含まれるデバイス２００の位置情報（座標）を取得する。そして、デバイス検出部７４は、取得された位置情報に基づいて、Ｘ線画像１０のうちから、デバイス２００の領域とデバイス２００ではない背景の領域とを判別する。また、制御部７の画像処理部７５は、Ｘ線画像１０のうちのデバイス２００であると判別された領域に対して、濃度を濃くする画像処理を行う。また、画像処理部７５は、Ｘ線画像１０のうちのデバイス２００ではなく背景であると判別された領域に対して、濃度を薄くする画像処理を行う。このようにして、制御部７（デバイス検出部７４および画像処理部７５）は、学習済みモデル８０に基づいてデバイス２００の位置情報を取得するとともに、取得された位置情報に基づいてデバイス２００が強調された強調画像１１を生成する。
【0039】
図７に示すように、制御部７の表示制御部７６は、表示部５の表示を制御する。具体的には、表示制御部７６は、生成された強調画像１１を表示部５に表示させる。制御部７は、たとえば、Ｘ線照射制御部７１によって１秒間の間に１５回Ｘ線をＸ線照射部２に照射させることによって、Ｘ線画像生成部７３によって１秒間に１５枚のＸ線画像１０を生成する。そして、制御部７の画像処理部７５によって、生成されたＸ線画像１０から１秒間に１５枚の強調画像１１が生成される。そして、表示制御部７６は、１５ＦＰＳ（ｆｒａｍｅｓ ｐｅｒ ｓｅｃｏｎｄ）の動画像として、リアルタイムに生成された強調画像１１を表示部５に表示させる。なお、制御部７（表示制御部７６）を、１枚の静止画像である強調画像１１を表示部５に表示させるようにしてもよい。
【0040】
（学習済みモデルの生成について）
学習済みモデル８０は、図８に示すように、ぶれ抑制パルス幅のＸ線によるＸ線画像１０に対応する教師画像を用いた機械学習によって生成される。具体的には、ぶれ抑制パルス幅のＸ線によるＸ線画像１０における被検体１０１の体内のデバイス２００を模擬するように生成された教師入力用Ｘ線画像８１と、教師入力用Ｘ線画像８１に含まれるデバイス２００の位置（座標）を示す教師出力用情報８２とによって、機械学習によって生成される。また、教師入力用Ｘ線画像８１は、ぶれ抑制パルス幅のＸ線によって生成された模擬Ｘ線画像に基づいて、被検体１０１の体内のデバイス２００を模擬するように生成される。学習済みモデル８０は、Ｘ線撮影装置１００とは別個の学習装置１１０によって予め生成される。
学習済みモデル８０は、図８に示すように、ぶれ抑制パルス幅のＸ線によるＸ線画像１０に対応する教師画像を用いた機械学習によって生成される。具体的には、ぶれ抑制パルス幅のＸ線によるＸ線画像１０における被検体１０１の体内のデバイス２００を模擬するように生成された教師入力用Ｘ線画像８１と、教師入力用Ｘ線画像８１に含まれるデバイス２００の位置（座標）を示す教師出力用情報８２とによって、機械学習によって生成される。また、教師入力用Ｘ線画像８１は、ぶれ抑制パルス幅のＸ線によって生成された模擬Ｘ線画像に基づいて、被検体１０１の体内のデバイス２００を模擬するように生成される。学習済みモデル８０は、Ｘ線撮影装置１００とは別個の学習装置１１０によって予め生成される。
【0041】
学習装置１１０は、たとえば、ＣＰＵ、ＧＰＵ、ＲＯＭ、および、ＲＡＭなどを含む機械学習用のコンピュータである。
【0042】
学習装置１１０は、図９に示すように、Ｘ線撮影装置１００においてＸ線画像１０を生成する場合と同等のパルス幅であるぶれ抑制パルス幅のＸ線によって、被検体１０１と被検体１０１の体内に留置されるデバイス２００とを模擬的に撮影した模擬Ｘ線画像を取得する。模擬Ｘ線画像は、たとえば、被検体１０１を模した人体模型をぶれ抑制パルス幅のＸ線によってＸ線撮影した模擬人体画像８１ａと、被検体１０１の体内に留置されるデバイス２００をぶれ抑制パルス幅のＸ線によって撮影した模擬デバイス画像８１ｂとを含む。
【0043】
学習装置１１０は、取得された模擬Ｘ線画像（模擬人体画像８１ａおよび模擬デバイス画像８１ｂ）に対して画像処理を行うことによって、被検体１０１内でのデバイス２００の動きをシミュレートする。具体的には、学習装置１１０は、被検体１０１の体内でのデバイス２００の動きをシミュレートするように画像処理が行われた複数の模擬デバイス画像８１ｂと、取得された模擬人体画像８１ａとを合成することによって、Ｘ線画像１０における被検体１０１の体内のデバイス２００を模擬するように複数の教師入力用Ｘ線画像８１を生成する。詳細には、学習装置１１０は、１つの模擬デバイス画像８１ｂに対して、複数のパラメータを変更させながら画像処理を行うことによってシミュレートを行い、画像処理が行われた複数の模擬デバイス画像８１ｂを生成する。そして、学習装置１１０は、複数のパラメータを変更させながら画像処理が行われた複数の模擬デバイス画像８１ｂと模擬人体画像８１ａとを合成することによって複数の教師入力用Ｘ線画像８１を生成する。複数のパラメータは、所定のしきい値以下の期間（ぶれ抑制パルス幅のＸ線の照射時間に対応する期間）における被検体１０１の体の動き（心臓の拍動など）、Ｘ線が照射される対象となる人体の部位、および、Ｘ線が照射される角度、などを含む。また、学習装置１１０は、所定のしきい値以下の範囲（ぶれ抑制パルス幅の範囲）においてＸ線のパルス幅を変更させながら複数の模擬デバイス画像８１ｂと、複数の模擬人体画像８１ａとを取得するとともに、取得された複数の模擬デバイス画像８１ｂと、複数の模擬人体画像８１ａとに対して、複数のパラメータを変更させながら画像処理を行うことによってシミュレートを行い、被検体１０１の様々な部位と、様々な撮影条件とに対応する複数の教師入力用Ｘ線画像８１を生成する。すなわち、所定のしきい値よりも大きいパルス幅のＸ線による画像は、教師入力用Ｘ線画像８１には含まれない。
【0044】
また、学習装置１１０は、取得された模擬デバイス画像８１ｂから、デバイス２００の位置（デバイス２００の位置する領域）を位置情報として検出することによって、対応する教師入力用Ｘ線画像８１におけるデバイス２００の位置情報を教師出力用情報８２として取得する。位置情報は、たとえば、教師入力用Ｘ線画像８１を構成する画素（ピクセル）のうち、デバイス２００に対応する画素の座標を含む。
【0045】
学習装置１１０は、教師入力用Ｘ線画像８１を入力として、教師出力用情報８２を出力として、機械学習によって学習を行い、学習済みモデル８０を生成する。すなわち、学習装置１１０は、教師入力用Ｘ線画像８１と教師出力用情報８２とを教師データ（トレーニングセット）として、機械学習によって、学習済みモデル８０を学習させる。学習装置１１０は、複数の種類の模擬Ｘ線画像から生成された教師入力用Ｘ線画像８１を用いて、学習済みモデル８０を生成する。機械学習法として、多層のニューラルネットワークを用いる機械学習である深層学習が用いられる。機械学習法は、たとえば、全層畳み込みニューラルネットワーク（ＦｕｌｌｙＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｔｗｏｒｋｓ：ＦＣＮ）を用いた深層学習である。
【0046】
作成された学習済みモデル８０は、ネットワークを介して、または、フラッシュメモリなどの記録媒体に記録され、Ｘ線撮影装置１００に提供される。
【0047】
（ぶれ抑制パルス幅について）
ここで、図１０および図１１に示すように、学習済みモデル８０によるデバイス２００の検出精度（ＩｏＵ：Ｉｎｔｅｒｓｅｃｔｉｏｎ ｏｖｅｒ Ｕｎｉｏｎ）は、Ｘ線画像１０を撮影するためのＸ線のパルス幅に応じて異なる値となる。すなわち、パルス幅が大きくなるにつれて、被検体１０１の体内での動き（心臓の拍動など）に起因して、撮影された画像におけるデバイス２００の画像はぶれの大きさの種類が多くなる。一方で、Ｘ線のパルス幅が小さくなるにつれて、照射されるＸ線の線量が小さくなるため、撮影された画像が不鮮明となる。そのため、Ｘ線のパルス幅が大きすぎる場合と小さすぎる場合との両方において、学習済みモデル８０を用いたデバイス２００の検出精度は低下する。したがって、学習済みモデル８０に基づくデバイス２００の検出精度は、パルス幅の増加に伴って上に凸となる変化をもつ。たとえば、学習済みモデル８０は、パルス幅が８ミリ秒（ｍｓ）のＸ線によるＸ線画像１０において、デバイス２００の検出精度が最も高くなる。
ここで、図１０および図１１に示すように、学習済みモデル８０によるデバイス２００の検出精度（ＩｏＵ：Ｉｎｔｅｒｓｅｃｔｉｏｎ ｏｖｅｒ Ｕｎｉｏｎ）は、Ｘ線画像１０を撮影するためのＸ線のパルス幅に応じて異なる値となる。すなわち、パルス幅が大きくなるにつれて、被検体１０１の体内での動き（心臓の拍動など）に起因して、撮影された画像におけるデバイス２００の画像はぶれの大きさの種類が多くなる。一方で、Ｘ線のパルス幅が小さくなるにつれて、照射されるＸ線の線量が小さくなるため、撮影された画像が不鮮明となる。そのため、Ｘ線のパルス幅が大きすぎる場合と小さすぎる場合との両方において、学習済みモデル８０を用いたデバイス２００の検出精度は低下する。したがって、学習済みモデル８０に基づくデバイス２００の検出精度は、パルス幅の増加に伴って上に凸となる変化をもつ。たとえば、学習済みモデル８０は、パルス幅が８ミリ秒（ｍｓ）のＸ線によるＸ線画像１０において、デバイス２００の検出精度が最も高くなる。
【0048】
たとえば、図１０に示すように、学習済みモデル８０によって、Ｘ線画像１０に含まれるデバイス２００であるカテーテルを検出する場合には、パルス幅が８ミリ秒（ｍｓ）の場合に、カテーテル（デバイス２００）の検出精度が最も高くなる。また、図１１に示すように、学習済みモデル８０によって、Ｘ線画像１０に含まれるデバイス２００であるガイドワイヤを検出する場合には、同様に、パルス幅が８ミリ秒（ｍｓ）の場合に、ガイドワイヤ（デバイス２００）の検出精度が最も高くなる。
【0049】
なお、学習済みモデル８０によるデバイス２００の検出精度（ＩｏＵ：Ｉｎｔｅｒｓｅｃｔｉｏｎ ｏｖｅｒ Ｕｎｉｏｎ）は、学習装置１１０において生成された学習済みモデル８０に対して、教師入力用Ｘ線画像８１を入力した場合に出力されるデバイス２００の位置情報と、対応する教師出力用情報８２との一致度を割合で表したものである。
【0050】
Ｘ線撮影装置１００においてＸ線画像１０を撮影する場合のＸ線のぶれ抑制パルス幅は、学習済みモデル８０によるデバイス２００の検出精度に基づいて定められる。本実施形態では、ぶれ抑制パルス幅は、学習済みモデル８０に基づくＸ線画像１０におけるデバイス２００の検出精度が最大となるパルス幅以下のパルス幅である。たとえば、所定のしきい値は、８ミリ秒である。すなわち、ぶれ抑制パルス幅は、８ミリ秒以下のパルス幅である。
【0051】
たとえば、被検体１０１のＸ線撮影を行うために、ぶれ抑制パルス幅として、５ミリ秒のパルス幅が定められる場合には、Ｘ線撮影装置１００は、５ミリ秒のパルス幅のＸ線を被検体１０１に照射することによって、Ｘ線画像１０を生成する。また、Ｘ線撮影装置１００は、８ミリ秒以下の範囲におけるパルス幅のＸ線による複数の模擬Ｘ線画像（模擬人体画像８１ａおよび模擬デバイス画像８１ｂ）を用いて生成された学習済みモデル８０に基づいて、生成されたＸ線画像１０から強調画像１１を生成する。なお、ぶれ抑制パルス幅のＸ線は、照射時間（パルス幅）を８ミリ秒以下（所定の値以下）の範囲内において適宜変更可能である。
【0052】
上記のように、本実施形態におけるＸ線撮影装置１００は、学習済みモデル８０に基づくＸ線画像１０におけるデバイス２００の検出精度が最も高くなるパルス幅を所定のしきい値として、所定のしきい値以下のパルス幅であるぶれ抑制パルス幅のＸ線を照射することによって、ぶれ抑制パルス幅のＸ線によるＸ線画像１０を生成する。そして、Ｘ線撮影装置１００は、ぶれ抑制パルス幅のＸ線によって撮影された模擬人体画像８１ａとぶれ抑制パルス幅のＸ線によって撮影された模擬デバイス画像８１ｂとを用いた機械学習によって、ぶれ抑制パルス幅に対応するように生成された学習済みモデル８０に基づいて、生成されたＸ線画像１０のうちからデバイス２００の位置情報（領域）を取得する。
【0053】
（本実施形態による学習済みモデルの生成方法について）
次に、図１２を参照して、本実施形態による学習済みモデルの生成方法について説明する。なお、学習済みモデルの生成方法は、学習装置１１０によって実施される。
次に、図１２を参照して、本実施形態による学習済みモデルの生成方法について説明する。なお、学習済みモデルの生成方法は、学習装置１１０によって実施される。
【0054】
まず、ステップ３０１において、ぶれ抑制パルス幅のＸ線によって生成された模擬Ｘ線画像が取得される。すなわち、被検体１０１を模した人体模型をぶれ抑制パルス幅のＸ線によってＸ線撮影した模擬人体画像８１ａと、被検体１０１の体内に留置されるデバイス２００をぶれ抑制パルス幅のＸ線によって撮影した模擬デバイス画像８１ｂとを含む模擬Ｘ線画像が取得される。
【0055】
次に、ステップ３０２において、取得された模擬デバイス画像８１ｂに対して画像処理が行われる。そして、画像処理が行われた模擬デバイス画像８１ｂと取得された模擬人体画像８１ａとが合成される。すなわち、取得された模擬Ｘ線画像に対して画像処理が行われることによって、ぶれ抑制パルス幅のＸ線によるＸ線画像１０における被検体１０１の体内のデバイス２００を模擬するように生成された複数の教師入力用Ｘ線画像８１が取得される。すなわち、取得された模擬Ｘ線画像（模擬人体画像８１ａおよび模擬デバイス画像８１ｂ）に基づいて、被検体１０１の体内に留置される医療用のデバイス２００の検出精度が最大となるパルス幅以下の大きさのぶれ抑制パルス幅のＸ線によるＸ線画像１０に対応するように生成された複数の教師入力用Ｘ線画像８１が取得される。
【0056】
次に、ステップ３０３において、取得された模擬Ｘ線画像に基づいて、教師入力用Ｘ線画像８１におけるデバイス２００の位置を示す教師出力用情報８２が取得される。
【0057】
次に、ステップ３０４において、教師入力用Ｘ線画像８１を入力として、教師出力用情報８２を出力として、機械学習によって学習済みモデル８０が生成（学習）される。
【0058】
なお、ステップ３０２による教師入力用Ｘ線画像８１を取得するステップと、ステップ３０３による教師出力用情報８２を取得するステップとは、どちらのステップを先に行ってもよい。
【0059】
（本実施形態による画像処理方法について）
次に、図１３を参照して、本実施形態による画像処理方法について説明する。画像処理方法は、Ｘ線撮影装置１００の制御部７によって行われる。
次に、図１３を参照して、本実施形態による画像処理方法について説明する。画像処理方法は、Ｘ線撮影装置１００の制御部７によって行われる。
【0060】
まず、ステップ４０１において、機械学習によって生成された学習済みモデル８０に基づいて、生成されたＸ線画像１０から被検体１０１の体内に留置される医療用のデバイス２００を検出する検出精度が最大となるパルス幅以下であるぶれ抑制パルス幅に、Ｘ線画像１０を生成するために照射されるＸ線のパルス幅が設定される。具体的には、ぶれ抑制パルス幅のＸ線を照射するために、パルス幅設定部７２によって、Ｘ線照射部２から照射されるＸ線のパルス幅がぶれ抑制パルス幅に設定される。
【0061】
次に、ステップ４０２において、体内に医療用のデバイス２００が留置された被検体１０１に対して、設定されたぶれ抑制パルス幅のＸ線がＸ線照射部２によって照射される。
【0062】
次に、ステップ４０３において、被検体１０１を透過したぶれ抑制パルス幅のＸ線がＸ線検出部３によって検出される。
【0063】
次に、ステップ４０４において、検出されたぶれ抑制パルス幅のＸ線に基づいて、Ｘ線画像１０が生成される。
【0064】
次に、ステップ４０５において、学習済みモデル８０に基づいて、生成されたぶれ抑制パルス幅のＸ線によるＸ線画像１０から、Ｘ線画像１０中のデバイス２００が検出される。すなわち、学習済みモデル８０に基づいて、Ｘ線画像１０から、デバイス２００の位置を示す座標（領域）が検出される。
【0065】
次に、ステップ４０６において、検出されたデバイス２００の位置（座標）に基づいて、Ｘ線画像１０に対する画像処理が行われることによって、デバイス２００が強調された強調画像１１が生成される。
【0066】
次に、ステップ４０７において、生成された強調画像１１が、表示部５に表示される。
【0067】
（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。
本実施形態では、以下のような効果を得ることができる。
【0068】
本実施形態のＸ線撮影装置１００および画像処理方法によれば、生成されたＸ線画像１０から被検体１０１の体内に留置される医療用のデバイス２００を検出する検出精度が最大となるパルス幅以下であるぶれ抑制パルス幅に、Ｘ線画像１０を生成するために照射されるＸ線のパルス幅を設定するため、ぶれ抑制パルス幅のＸ線によるＸ線画像１０から、機械学習に基づいてデバイス２００を検出することができる。そのため、デバイス２００の検出精度が最大となるパルス幅以下の比較的小さいパルス幅であるぶれ抑制パルス幅のＸ線によってＸ線画像１０が撮影されるため、被検体１０１の体内の不規則な動きによって体内のデバイス２００が不規則に移動している場合にも、撮影されたＸ線画像１０におけるデバイス２００のぶれの種類が多種多様となることを抑制することができる。これにより、被検体１０１の体内のデバイス２００が不規則に移動する場合にも、Ｘ線画像１０におけるデバイス２００のぶれが一定の大きさよりも小さくなるように抑制されているため、学習済みモデル８０に基づくデバイス２００の検出精度が低下することを抑制することができる。その結果、Ｘ線画像１０における被検体１０１の体内に留置される医療用のデバイス２００を、機械学習によって生成された学習済みモデル８０に基づいて精度よく検出することができる。
【0069】
また、Ｘ線画像１０を生成するためのＸ線のパルス幅を、デバイス２００の検出精度が最大となるパルス幅よりも大きくした場合には、Ｘ線画像１０におけるデバイス２００の検出精度は低くなる。また、パルス幅を大きくした場合には、被検体１０１に照射されるＸ線の線量も増加する。これに対して、本実施形態では、デバイス２００の検出精度が最大となるパルス幅以下のパルス幅であるぶれ抑制パルス幅のＸ線によってＸ線画像１０を生成する。そのため、比較的小さいパルス幅であるぶれ抑制パルス幅のＸ線によってＸ線画像１０を生成するため、デバイス２００の検出精度が低くなることを効果的に抑制しながら、被検体１０１に照射されるＸ線の線量が多くなることを抑制することができる。その結果、デバイス２００をより精度よく検出することができるとともに、被検体１０１に照射するＸ線の線量を小さくすることができる。
【0070】
また、上記実施形態の例では、以下のように構成したことによって、更なる効果が得られる。
【0071】
すなわち、本実施形態では、デバイス検出部７４は、ぶれ抑制パルス幅のＸ線によるＸ線画像１０に対応する教師画像を用いた機械学習によって生成された学習済みモデル８０に基づいて、ぶれ抑制パルス幅のＸ線によるＸ線画像１０から、デバイス２００を検出するように構成されている。このように構成すれば、ぶれ抑制パルス幅のＸ線によるＸ線画像１０に対応する教師画像を用いた機械学習によって生成された学習済みモデル８０が用いられるため、ぶれ抑制パルス幅のＸ線によるＸ線画像１０におけるデバイス２００をより精度よく検出することができる。
【0072】
また、本実施形態では、デバイス検出部７４は、ぶれ抑制パルス幅のＸ線によるＸ線画像１０における被検体１０１の体内のデバイス２００を模擬するように生成された教師入力用Ｘ線画像８１と、教師入力用Ｘ線画像８１に含まれるデバイス２００の位置または形状を示す教師出力用情報８２とによって、機械学習によって生成された学習済みモデル８０に基づいて、ぶれ抑制パルス幅のＸ線によるＸ線画像１０から、デバイス２００を検出するように構成されている。このように構成すれば、ぶれ抑制パルス幅のＸ線によるＸ線画像１０におけるデバイス２００を模擬した教師入力用Ｘ線画像８１を用いて学習された学習済みモデル８０を用いるため、学習済みモデル８０によるデバイス２００の検出の精度をより向上させることができる。そのため、ぶれ抑制パルス幅のＸ線によるＸ線画像１０におけるデバイス２００をより一層精度よく検出することができる。
【0073】
また、本実施形態では、デバイス検出部７４は、ぶれ抑制パルス幅のＸ線によって生成された模擬Ｘ線画像に基づいてＸ線画像１０における被検体１０１の体内のデバイス２００を模擬するように生成された教師入力用Ｘ線画像８１と、教師入力用Ｘ線画像８１に含まれるデバイス２００の位置または形状を示す教師出力用情報８２とによって、機械学習によって生成された学習済みモデル８０に基づいて、ぶれ抑制パルス幅のＸ線によるＸ線画像１０から、デバイス２００を検出するように構成されている。このように構成すれば、ぶれ抑制パルス幅のＸ線によるＸ線画像１０に対して、ぶれ抑制パルス幅のＸ線によって生成された模擬Ｘ線画像に基づく教師入力用Ｘ線画像８１を用いて学習された学習済みモデル８０に基づいて、デバイス２００を検出することができる。すなわち、学習済みモデル８０を生成するための学習において入力に用いられる教師入力用Ｘ線画像８１と、学習済みモデル８０に基づく推論において入力に用いられるＸ線画像１０との両方を、ぶれ抑制パルス幅のＸ線によって生成された画像とすることができる。そのため、学習済みモデル８０の学習における入力と、学習済みモデル８０の推論における入力とを、同様の条件のＸ線による画像とすることができるので、学習済みモデル８０によるデバイス２００の検出の精度をより一層向上させることができる。
【0074】
また、本実施形態では、デバイス２００は、被検体１０１の心臓の近傍の血管に留置されるカテーテルまたはガイドワイヤを含み、デバイス検出部７４は、Ｘ線画像１０における被検体１０１の心臓の近傍の血管に留置されるカテーテルまたはガイドワイヤを模擬するように生成された教師入力用Ｘ線画像８１と、教師入力用Ｘ線画像８１に含まれるカテーテルまたはガイドワイヤの位置または形状を示す教師出力用情報８２とによって、機械学習によって生成された学習済みモデル８０に基づいて、ぶれ抑制パルス幅のＸ線によるＸ線画像１０から、カテーテルまたはガイドワイヤを検出するように構成されている。ここで、心臓の近傍の血管は、心臓の拍動によって３次元的に大きく不規則に移動する。これにより、心臓の近傍の血管に配置されるカテーテルまたはガイドワイヤは、心臓の拍動に起因して３次元的に不規則に移動するため、Ｘ線画像１０において不規則で多種多様なぶれのある画像となると考えられる。そこで、上記実施形態のように、所定のしきい値以下のパルス幅であるぶれ抑制パルス幅のＸ線をＸ線照射部２に照射させることによってＸ線画像１０を取得すれば、心臓の拍動に起因して大きく不規則に移動する血管に配置されたカテーテルまたはガイドワイヤにおいても、Ｘ線画像１０におけるぶれの種類を少なくすることができる。そして、ぶれ抑制パルス幅のＸ線によるＸ線画像１０からカテーテルまたはガイドワイヤを検出することができるので、カテーテルまたはガイドワイヤが心臓の近傍の血管のように大きく不規則に動く器官に配置される場合にも、カテーテルまたはガイドワイヤの視認性を向上させることができる。
【0075】
また、本実施形態では、ぶれ抑制パルス幅は、８ミリ秒以下のパルス幅であり、デバイス検出部７４は、学習済みモデル８０に基づいて、８ミリ秒以下のパルス幅のＸ線によるＸ線画像１０から、デバイス２００を検出するように構成されている。このように構成すれば、８ミリ秒以下のパルス幅のＸ線によって、デバイス２００のぶれの種類が抑制されたＸ線画像１０から、デバイス２００を検出することができる。そのため、８ミリ秒以下のパルス幅のＸ線によるＸ線画像１０に基づいてデバイス２００を検出するため、パルス幅が８ミリ秒よりも大きい場合に比べて、デバイス２００の検出精度を向上させることができる。
【0076】
また、本実施形態では、デバイス検出部７４は、多層のニューラルネットワークを用いる機械学習である深層学習によって生成された学習済みモデル８０に基づいて、ぶれ抑制パルス幅のＸ線によるＸ線画像１０から、デバイス２００を検出するように構成されている。このように構成すれば、適切な特徴量と特徴量を取得するためのアルゴリズムとが深層学習によって自動的に構築された学習済みモデル８０に基づいて、Ｘ線画像１０からデバイス２００を検出することができるので、デバイス２００の検出精度をより向上させることができる。
【0077】
また、本実施形態では、Ｘ線照射部２から照射されるＸ線のパルス幅を設定するパルス幅設定部７２と、設定されたパルス幅（ぶれ抑制パルス幅）のＸ線をＸ線照射部２から照射させるＸ線照射制御部７１と、Ｘ線検出部３によって検出されたＸ線に基づいて、Ｘ線画像１０を生成するＸ線画像生成部７３と、機械学習によって生成された学習済みモデル８０に基づいて、Ｘ線画像生成部７３によって生成されたＸ線画像１０から、Ｘ線画像１０中のデバイス２００を検出するデバイス検出部７４とを含む制御部７をさらに備える。このように構成すれば、制御部７によるソフトウェアを用いた制御によって、パルス幅の設定と、Ｘ線の照射と、Ｘ線画像１０の生成と、デバイス２００の検出とを容易に行うことができる。
【0078】
（本実施形態による学習済みモデルの生成方法の効果）
本実施形態の学習済みモデルの生成方法では、以下のような効果を得ることができる。
本実施形態の学習済みモデルの生成方法では、以下のような効果を得ることができる。
【0079】
本実施形態の学習済みモデルの生成方法では、上記のように、ぶれ抑制パルス幅のＸ線によるＸ線画像１０における被検体１０１の体内のデバイス２００を模擬するように生成された教師入力用Ｘ線画像８１を取得することによって、ぶれの種類が多種多様となることを抑制することができる。そのため、多種多様な種類のデバイス２００のぶれに対応するために多数の教師入力用Ｘ線画像８１を取得することを抑制することができる。ここで、多種多様なぶれを有するＸ線画像１０に対応するように多数の教師入力用Ｘ線画像８１を用いて機械学習を行う場合には、学習が収束しにくく、また、学習が収束した場合にも学習済みモデル８０による検出精度が低くなる。これに対して、本実施形態では、ぶれ抑制パルス幅のＸ線によるＸ線画像１０における被検体１０１の体内のデバイス２００を模擬するように生成された教師入力用Ｘ線画像８１を取得する。このように構成することによって、パルス幅を制限せず画像におけるデバイス２００のぶれが多種多様である場合に比べて、ぶれ抑制パルス幅のＸ線によってＸ線画像１０のぶれの種類が少なくなるため、教師画像として取得する画像のぶれの種類を少なくすることができる。これにより、教師入力用Ｘ線画像８１の種類を少なくすることができるので、デバイス２００のぶれが多種多様である場合に比べて学習が収束しやすくなるとともに、精度よくデバイス２００を検出することが可能な学習済みモデル８０を生成することができる。その結果、Ｘ線画像１０における被検体１０１の体内に留置される医療用のデバイス２００を精度よく検出することが可能な学習済みモデルの生成方法を提供することができる。
【0080】
また、本実施形態では、上記のように、教師入力用Ｘ線画像８１を取得するステップは、ぶれ抑制パルス幅のＸ線によって生成された模擬Ｘ線画像（模擬人体画像８１ａおよび模擬デバイス画像８１ｂ）を取得するステップと、取得された模擬Ｘ線画像に対して画像処理を行うことによって、Ｘ線画像１０における被検体１０１の体内のデバイス２００を模擬するように教師入力用Ｘ線画像８１を生成するステップとを含む。このように構成すれば、ぶれ抑制パルス幅のＸ線によるＸ線画像１０に対して、ぶれ抑制パルス幅のＸ線によって生成された模擬Ｘ線画像に基づく教師入力用Ｘ線画像８１を用いて学習された学習済みモデル８０に基づいて、デバイス２００を検出することができる。すなわち、学習済みモデル８０を生成するための学習において入力に用いられる教師入力用Ｘ線画像８１と、学習済みモデル８０に基づく推論において入力に用いられるＸ線画像１０との両方を、ぶれ抑制パルス幅のＸ線によって生成された画像とすることができる。そのため、学習済みモデル８０の学習における入力と、学習済みモデル８０の推論における入力とを、同等の条件のＸ線による画像とすることができるので、学習済みモデル８０によるデバイス２００の検出の精度をより一層向上させることができる。
【0081】
（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。
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。
【0082】
たとえば、上記実施形態では、検出されたデバイスの領域の濃度を濃くする画像処理を行うことによってデバイスが強調された強調画像を生成する例を示したが、本発明はこれに限られない。本発明では、検出されたデバイスの領域に対して色付けをすることによってデバイスが強調されるようにしてもよい。また、検出されたデバイスの領域の輪郭を強調（輪郭線の強度を増加）させて表示することによって、デバイスが強調されて表示されるようにしてもよい。
【0083】
また、上記実施形態では、ぶれ抑制パルス幅は、８ミリ秒（所定のしきい値）以下の範囲で適宜変更可能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、ぶれ抑制パルス幅は、所定のしきい値以下の固定値であってもよい。たとえば、ぶれ抑制パルス幅を５ミリ秒の固定値のパルス幅と定めた場合には、Ｘ線撮影装置を、５ミリ秒の固定値のパルス幅のＸ線によってＸ線画像を撮影するようにしてもよい。また、５ミリ秒のパルス幅のＸ線によってＸ線画像を撮影する場合に、５ミリ秒のパルス幅のＸ線による模擬Ｘ線画像に基づいて生成された教師入力用Ｘ線画像と教師出力用情報とによって生成された学習済みモデルに基づいて、撮影されたＸ線画像からデバイスを検出するようにしてもよい。また、５ミリ秒のパルス幅のＸ線によってＸ線画像を撮影する場合に、たとえば、８ミリ秒以下の複数のパルス幅のＸ線による模擬Ｘ線画像に基づいて生成された教師入力用Ｘ線画像と教師出力用情報とによって生成された学習済みモデルに基づいて、撮影されたＸ線画像からデバイスを検出するようにしてもよい。
【0084】
また、上記実施形態では、ぶれ抑制パルス幅のＸ線をＸ線照射部に照射させることと、Ｘ線検出部からの検出信号に基づいてＸ線画像を生成することと、ぶれ抑制パルス幅に対応するように生成された画像を教師画像とした機械学習によって生成された学習済みモデルに基づいて、ぶれ抑制パルス幅のＸ線によるＸ線画像から、デバイスを検出することとのソフトウェアによる制御を行う制御部をさらに備える例を示したが、本発明はこれに限られない。本発明では、Ｘ線をＸ線照射部に照射させる制御を行う制御部と、Ｘ線画像からデバイスを検出する制御を行う制御部とを別個に構成するようにしてもよい。たとえば、検出されたＸ線からＸ線画像を生成するハードウェアとしての画像処理回路などからなる画像生成ユニットを、制御部と別個に構成するようにしてもよい。また、学習済みモデルを用いることによって取得されたデバイスの位置または形状に基づいて、Ｘ線画像から強調画像を生成する画像処理モジュールを制御部と別個に備えるようにしてもよい。すなわち、パルス幅設定部と、Ｘ線照射制御部と、Ｘ線画像生成部と、デバイス検出部とを別個に構成するようにしてもよい。
【0085】
また、上記実施形態では、制御部（デバイス検出部）は、ぶれ抑制パルス幅のＸ線によるＸ線画像における被検体の体内のデバイスを模擬するように生成された教師入力用Ｘ線画像によって、機械学習によって生成された学習済みモデルに基づいて、Ｘ線画像からデバイスを検出するように構成されている例を示したが、本発明はこれに限られない。本発明では、デバイスを模擬するように生成された教師入力用Ｘ線画像ではなく、実際に撮影されたＸ線画像を教師入力データとして学習することによって生成された学習済みモデルを用いるようにしてもよい。また、Ｘ線を用いずに模擬的に生成された画像を教師入力用Ｘ線画像としてもよい。
【0086】
また、上記実施形態では、制御部（デバイス検出部）は、ぶれ抑制パルス幅のＸ線によって生成された模擬Ｘ線画像に基づいてＸ線画像における被検体の体内のデバイスを模擬するように生成された教師入力用Ｘ線画像によって、機械学習によって生成された学習済みモデルに基づいて、Ｘ線画像からデバイスを検出するように構成されている例を示したが、本発明はこれに限られない。本発明では、ぶれ抑制パルス幅とは異なるパルス幅のＸ線によって生成された模擬Ｘ線画像に基づいて生成された教師入力用Ｘ線画像によって、機械学習によって生成された学習済みモデルを用いるようにしてもよい。
【0087】
また、上記実施形態では、デバイスは、被検体の心臓の近傍の血管に留置されるカテーテルまたはガイドワイヤを含む例を示したが、本発明はこれに限られない。本発明では、デバイスは、被検体の心臓の近傍の血管に留置されるステントおよび人工弁などであってもよい。また、デバイスは、頭部の血管に留置されるデバイスであってもよい。
【0088】
また、上記実施形態では、所定のしきい値以下のパルス幅は、８ミリ秒以下のパルス幅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、所定のしきい値以下のパルス幅は、５ミリ秒以下のパルス幅であってもよい。すなわち、デバイスの検出精度が最も高くなるパルス幅よりも小さいパルス幅を、所定のしきい値として定めてもよい。これにより、デバイスの検出精度が最も高くなるパルス幅よりも小さいパルス幅を所定のしきい値として定めることによって、被験者に照射されるＸ線の線量をより小さくすることができる。
【0089】
また、上記実施形態では、多層のニューラルネットワークを用いる機械学習である深層学習によって生成された学習済みモデルに基づいて、ぶれ抑制パルス幅のＸ線によるＸ線画像から、デバイスを検出するように構成されている例を示したが、本発明はこれに限られない。本発明では、深層学習以外の機械学習を用いてもよい。たとえば、ＳＶＭ（ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ）を用いて、Ｘ線画像からデバイスを検出するようにしてもよい。
【0090】
また、上記実施形態では、１つの学習済みモデルに基づいてＸ線画像から、デバイスを検出する例を示したが、本発明はこれに限られない。本発明では、複数の学習済みモデルに基づいて、Ｘ線画像からデバイスを検出するようにしてもよい。
【0091】
また、上記実施形態では、Ｘ線画像におけるデバイスの位置（座標）を検出するように生成された学習済みモデルを用いる例を示したが、本発明はこれに限られない。本発明は、Ｘ線画像に含まれるデバイスの形状（輪郭）を検出するように生成された学習済みモデルを用いるようにしてもよい。すなわち、教師入力用Ｘ線画像に含まれるデバイスの形状（輪郭）を示す教師出力用情報に基づいて、機械学習によって生成された学習済みモデルを用いるようにしてもよい。たとえば、Ｘ線画像のデバイスに対応する形状などの形態を有する物体が含まれる画像である教師入力用Ｘ線画像と、教師入力用Ｘ線画像におけるデバイスに対応する物体の形状を指定することによって指定された形状（輪郭）である教師出力用情報とを、教師データ（トレーニングセット）として機械学習によって学習された学習済みモデルを用いるようにしてもよい。
【0092】
［態様］
上記した例示的な実施形態は、以下の態様の具体例であることが当業者により理解される。
上記した例示的な実施形態は、以下の態様の具体例であることが当業者により理解される。
【0093】
（項目１）
体内に医療用のデバイスが留置された被検体にＸ線を照射するＸ線照射部と、
前記被検体を透過したＸ線を検出するＸ線検出部と、
前記Ｘ線照射部から照射されるＸ線のパルス幅を設定するパルス幅設定部と、
前記パルス幅設定部によって設定された前記パルス幅のＸ線を前記Ｘ線照射部から照射させるＸ線照射制御部と、
前記Ｘ線検出部によって検出された前記パルス幅のＸ線に基づいて、Ｘ線画像を生成するＸ線画像生成部と、
機械学習によって生成された学習済みモデルに基づいて、前記Ｘ線画像生成部によって生成された前記パルス幅のＸ線による前記Ｘ線画像から、前記Ｘ線画像中の前記デバイスを検出するデバイス検出部と、を備え、
前記パルス幅は、前記学習済みモデルに基づく前記デバイスの検出精度が最大となるパルス幅以下であるぶれ抑制パルス幅である、Ｘ線撮影装置。
体内に医療用のデバイスが留置された被検体にＸ線を照射するＸ線照射部と、
前記被検体を透過したＸ線を検出するＸ線検出部と、
前記Ｘ線照射部から照射されるＸ線のパルス幅を設定するパルス幅設定部と、
前記パルス幅設定部によって設定された前記パルス幅のＸ線を前記Ｘ線照射部から照射させるＸ線照射制御部と、
前記Ｘ線検出部によって検出された前記パルス幅のＸ線に基づいて、Ｘ線画像を生成するＸ線画像生成部と、
機械学習によって生成された学習済みモデルに基づいて、前記Ｘ線画像生成部によって生成された前記パルス幅のＸ線による前記Ｘ線画像から、前記Ｘ線画像中の前記デバイスを検出するデバイス検出部と、を備え、
前記パルス幅は、前記学習済みモデルに基づく前記デバイスの検出精度が最大となるパルス幅以下であるぶれ抑制パルス幅である、Ｘ線撮影装置。
【0094】
（項目２）
前記デバイス検出部は、前記ぶれ抑制パルス幅のＸ線による前記Ｘ線画像に対応する教師画像を用いた機械学習によって生成された前記学習済みモデルに基づいて、前記ぶれ抑制パルス幅のＸ線による前記Ｘ線画像から、前記デバイスを検出するように構成されている、項目１に記載のＸ線撮影装置。
前記デバイス検出部は、前記ぶれ抑制パルス幅のＸ線による前記Ｘ線画像に対応する教師画像を用いた機械学習によって生成された前記学習済みモデルに基づいて、前記ぶれ抑制パルス幅のＸ線による前記Ｘ線画像から、前記デバイスを検出するように構成されている、項目１に記載のＸ線撮影装置。
【0095】
（項目３）
前記デバイス検出部は、前記ぶれ抑制パルス幅のＸ線による前記Ｘ線画像における前記被検体の体内の前記デバイスを模擬するように生成された教師入力用Ｘ線画像と、前記教師入力用Ｘ線画像に含まれる前記デバイスの位置または形状を示す教師出力用情報とによって、機械学習によって生成された前記学習済みモデルに基づいて、前記ぶれ抑制パルス幅のＸ線による前記Ｘ線画像から、前記デバイスを検出するように構成されている、項目２に記載のＸ線撮影装置。
前記デバイス検出部は、前記ぶれ抑制パルス幅のＸ線による前記Ｘ線画像における前記被検体の体内の前記デバイスを模擬するように生成された教師入力用Ｘ線画像と、前記教師入力用Ｘ線画像に含まれる前記デバイスの位置または形状を示す教師出力用情報とによって、機械学習によって生成された前記学習済みモデルに基づいて、前記ぶれ抑制パルス幅のＸ線による前記Ｘ線画像から、前記デバイスを検出するように構成されている、項目２に記載のＸ線撮影装置。
【0096】
（項目４）
前記デバイス検出部は、前記ぶれ抑制パルス幅のＸ線によって生成された模擬Ｘ線画像に基づいて前記Ｘ線画像における前記被検体の体内の前記デバイスを模擬するように生成された前記教師入力用Ｘ線画像と、前記教師入力用Ｘ線画像に含まれる前記デバイスの位置または形状を示す前記教師出力用情報とによって、機械学習によって生成された前記学習済みモデルに基づいて、前記ぶれ抑制パルス幅のＸ線による前記Ｘ線画像から、前記デバイスを検出するように構成されている、項目３に記載のＸ線撮影装置。
前記デバイス検出部は、前記ぶれ抑制パルス幅のＸ線によって生成された模擬Ｘ線画像に基づいて前記Ｘ線画像における前記被検体の体内の前記デバイスを模擬するように生成された前記教師入力用Ｘ線画像と、前記教師入力用Ｘ線画像に含まれる前記デバイスの位置または形状を示す前記教師出力用情報とによって、機械学習によって生成された前記学習済みモデルに基づいて、前記ぶれ抑制パルス幅のＸ線による前記Ｘ線画像から、前記デバイスを検出するように構成されている、項目３に記載のＸ線撮影装置。
【0097】
（項目５）
前記デバイスは、前記被検体の心臓の近傍の血管に留置されるカテーテルまたはガイドワイヤを含み、
前記デバイス検出部は、前記Ｘ線画像における前記被検体の心臓の近傍の血管に留置される前記カテーテルまたは前記ガイドワイヤを模擬するように生成された前記教師入力用Ｘ線画像と、前記教師入力用Ｘ線画像に含まれる前記カテーテルまたは前記ガイドワイヤの位置または形状を示す前記教師出力用情報とによって、機械学習によって生成された前記学習済みモデルに基づいて、前記ぶれ抑制パルス幅のＸ線による前記Ｘ線画像から、前記カテーテルまたは前記ガイドワイヤを検出するように構成されている、項目３に記載のＸ線撮影装置。
前記デバイスは、前記被検体の心臓の近傍の血管に留置されるカテーテルまたはガイドワイヤを含み、
前記デバイス検出部は、前記Ｘ線画像における前記被検体の心臓の近傍の血管に留置される前記カテーテルまたは前記ガイドワイヤを模擬するように生成された前記教師入力用Ｘ線画像と、前記教師入力用Ｘ線画像に含まれる前記カテーテルまたは前記ガイドワイヤの位置または形状を示す前記教師出力用情報とによって、機械学習によって生成された前記学習済みモデルに基づいて、前記ぶれ抑制パルス幅のＸ線による前記Ｘ線画像から、前記カテーテルまたは前記ガイドワイヤを検出するように構成されている、項目３に記載のＸ線撮影装置。
【0098】
（項目６）
前記ぶれ抑制パルス幅は、８ミリ秒以下のパルス幅であり、
前記デバイス検出部は、前記学習済みモデルに基づいて、８ミリ秒以下のパルス幅のＸ線による前記Ｘ線画像から、前記デバイスを検出するように構成されている、項目１に記載のＸ線撮影装置。
前記ぶれ抑制パルス幅は、８ミリ秒以下のパルス幅であり、
前記デバイス検出部は、前記学習済みモデルに基づいて、８ミリ秒以下のパルス幅のＸ線による前記Ｘ線画像から、前記デバイスを検出するように構成されている、項目１に記載のＸ線撮影装置。
【0099】
（項目７）
前記デバイス検出部は、多層のニューラルネットワークを用いる機械学習である深層学習によって生成された前記学習済みモデルに基づいて、前記ぶれ抑制パルス幅のＸ線による前記Ｘ線画像から、前記デバイスを検出するように構成されている、項目１に記載のＸ線撮影装置。
前記デバイス検出部は、多層のニューラルネットワークを用いる機械学習である深層学習によって生成された前記学習済みモデルに基づいて、前記ぶれ抑制パルス幅のＸ線による前記Ｘ線画像から、前記デバイスを検出するように構成されている、項目１に記載のＸ線撮影装置。
【0100】
（項目８）
前記Ｘ線照射部から照射されるＸ線の前記パルス幅を設定する前記パルス幅設定部と、設定された前記パルス幅のＸ線を前記Ｘ線照射部から照射させる前記Ｘ線照射制御部と、前記Ｘ線検出部によって検出されたＸ線に基づいて、前記Ｘ線画像を生成する前記Ｘ線画像生成部と、機械学習によって生成された前記学習済みモデルに基づいて、前記Ｘ線画像生成部によって生成された前記Ｘ線画像から、前記Ｘ線画像中の前記デバイスを検出する前記デバイス検出部とを含む制御部をさらに備える、項目１に記載のＸ線撮影装置。
前記Ｘ線照射部から照射されるＸ線の前記パルス幅を設定する前記パルス幅設定部と、設定された前記パルス幅のＸ線を前記Ｘ線照射部から照射させる前記Ｘ線照射制御部と、前記Ｘ線検出部によって検出されたＸ線に基づいて、前記Ｘ線画像を生成する前記Ｘ線画像生成部と、機械学習によって生成された前記学習済みモデルに基づいて、前記Ｘ線画像生成部によって生成された前記Ｘ線画像から、前記Ｘ線画像中の前記デバイスを検出する前記デバイス検出部とを含む制御部をさらに備える、項目１に記載のＸ線撮影装置。
【0101】
（項目９）
被検体の体内に留置される医療用のデバイスの検出精度が最大となるパルス幅以下であるぶれ抑制パルス幅のＸ線によるＸ線画像に対応するように、前記ぶれ抑制パルス幅のＸ線によるＸ線画像における前記被検体の体内の前記デバイスを模擬するように生成された教師入力用Ｘ線画像を取得するステップと、
前記教師入力用Ｘ線画像における前記デバイスの位置または形状を示す教師出力用情報を取得するステップと、
前記教師入力用Ｘ線画像と前記教師出力用情報とによって、機械学習によって学習済みモデルを生成するステップと、を備える、学習済みモデルの生成方法。
被検体の体内に留置される医療用のデバイスの検出精度が最大となるパルス幅以下であるぶれ抑制パルス幅のＸ線によるＸ線画像に対応するように、前記ぶれ抑制パルス幅のＸ線によるＸ線画像における前記被検体の体内の前記デバイスを模擬するように生成された教師入力用Ｘ線画像を取得するステップと、
前記教師入力用Ｘ線画像における前記デバイスの位置または形状を示す教師出力用情報を取得するステップと、
前記教師入力用Ｘ線画像と前記教師出力用情報とによって、機械学習によって学習済みモデルを生成するステップと、を備える、学習済みモデルの生成方法。
【0102】
（項目１０）
前記教師入力用Ｘ線画像を取得するステップは、前記ぶれ抑制パルス幅のＸ線によって生成された模擬Ｘ線画像を取得するステップと、
取得された前記模擬Ｘ線画像に対して画像処理を行うことによって、前記Ｘ線画像における前記被検体の体内の前記デバイスを模擬するように前記教師入力用Ｘ線画像を生成するステップとを含む、項目９に記載の学習済みモデルの生成方法。
前記教師入力用Ｘ線画像を取得するステップは、前記ぶれ抑制パルス幅のＸ線によって生成された模擬Ｘ線画像を取得するステップと、
取得された前記模擬Ｘ線画像に対して画像処理を行うことによって、前記Ｘ線画像における前記被検体の体内の前記デバイスを模擬するように前記教師入力用Ｘ線画像を生成するステップとを含む、項目９に記載の学習済みモデルの生成方法。
【0103】
（項目１１）
機械学習によって生成された学習済みモデルに基づいて、生成されたＸ線画像から被検体の体内に留置される医療用のデバイスを検出する検出精度が最大となるパルス幅以下であるぶれ抑制パルス幅に、前記Ｘ線画像を生成するために照射されるＸ線のパルス幅を設定するステップと、
体内に前記デバイスが留置された前記被検体に、設定された前記ぶれ抑制パルス幅のＸ線を照射させるステップと、
前記被検体を透過したＸ線を検出するステップと、
検出された前記ぶれ抑制パルス幅のＸ線に基づいて、前記Ｘ線画像を生成するステップと、
前記学習済みモデルに基づいて、生成された前記ぶれ抑制パルス幅のＸ線による前記Ｘ線画像から、前記Ｘ線画像中の前記デバイスを検出するステップと、を備える、画像処理方法。
機械学習によって生成された学習済みモデルに基づいて、生成されたＸ線画像から被検体の体内に留置される医療用のデバイスを検出する検出精度が最大となるパルス幅以下であるぶれ抑制パルス幅に、前記Ｘ線画像を生成するために照射されるＸ線のパルス幅を設定するステップと、
体内に前記デバイスが留置された前記被検体に、設定された前記ぶれ抑制パルス幅のＸ線を照射させるステップと、
前記被検体を透過したＸ線を検出するステップと、
検出された前記ぶれ抑制パルス幅のＸ線に基づいて、前記Ｘ線画像を生成するステップと、
前記学習済みモデルに基づいて、生成された前記ぶれ抑制パルス幅のＸ線による前記Ｘ線画像から、前記Ｘ線画像中の前記デバイスを検出するステップと、を備える、画像処理方法。
【0104】
（他の態様）
また、上記した実施形態は、以下の態様の具体例でもあり得る。
また、上記した実施形態は、以下の態様の具体例でもあり得る。
【0105】
（項目１２）
人体内の可動物体（デバイス）の短時間露光Ｘ線の画質を改善する方法であって、
Ｘ線の１つ以上のバースト（照射）を人体内の可動物体に向けて放射し、
ここで、Ｘ線の１つ以上のバーストは、所定のしきい値の露光期間（パルス幅）より短い露光期間を有する少なくとも１つの短い露光（パルス幅）Ｘ線のバーストを含み、
Ｘ線の１つ以上のバーストを検出し、
Ｘ線の１つ以上のバーストに基づいて、人体内の可動物体の低解像度のＸ線画像を生成し、
低解像度のＸ線画像を１つ以上の機械学習モデル（学習済みモデル）に入力することにより、低解像度のＸ線画像内の可動物体の輪郭を生成し、
ここで、１つ以上の機械学習モデルのそれぞれは、低解像度のＸ線画像内の可動物体に対応する形状およびマテリアルを有する物体のＸ線画像（教師入力用Ｘ線画像）、および、Ｘ線画像（教師入力用Ｘ線画像）内の物体の指定された輪郭（教師出力用情報）を含むトレーニングセット（教師データ）に従ってトレーニング（学習）され、
生成された可動物体の輪郭の強度を増加させることにより、低解像度のＸ線画像に基づいて新しいＸ線画像（強調画像）を生成および出力し、
ここで、新しいＸ線画像は、低解像度のＸ線画像よりも可動物体の解像度が高い、人体内の可動物体の短時間露光Ｘ線の画質を改善する方法。
人体内の可動物体（デバイス）の短時間露光Ｘ線の画質を改善する方法であって、
Ｘ線の１つ以上のバースト（照射）を人体内の可動物体に向けて放射し、
ここで、Ｘ線の１つ以上のバーストは、所定のしきい値の露光期間（パルス幅）より短い露光期間を有する少なくとも１つの短い露光（パルス幅）Ｘ線のバーストを含み、
Ｘ線の１つ以上のバーストを検出し、
Ｘ線の１つ以上のバーストに基づいて、人体内の可動物体の低解像度のＸ線画像を生成し、
低解像度のＸ線画像を１つ以上の機械学習モデル（学習済みモデル）に入力することにより、低解像度のＸ線画像内の可動物体の輪郭を生成し、
ここで、１つ以上の機械学習モデルのそれぞれは、低解像度のＸ線画像内の可動物体に対応する形状およびマテリアルを有する物体のＸ線画像（教師入力用Ｘ線画像）、および、Ｘ線画像（教師入力用Ｘ線画像）内の物体の指定された輪郭（教師出力用情報）を含むトレーニングセット（教師データ）に従ってトレーニング（学習）され、
生成された可動物体の輪郭の強度を増加させることにより、低解像度のＸ線画像に基づいて新しいＸ線画像（強調画像）を生成および出力し、
ここで、新しいＸ線画像は、低解像度のＸ線画像よりも可動物体の解像度が高い、人体内の可動物体の短時間露光Ｘ線の画質を改善する方法。
【0106】
（項目１３）
人体内の可動物体（デバイス）の短時間露光Ｘ線の画質を改善する装置であって、
１つ以上のＸ線バーストを生成し、人体内の可動物体に向けて放射するように構成されたＸ線発生器（Ｘ線照射部）を備え、
ここで、Ｘ線の１つ以上のバーストは、所定のしきい値露光期間（パルス幅）より短い露光期間を有する少なくとも１つの短い露光（パルス幅）Ｘ線のバーストを含み、
Ｘ線の１つ以上のバーストを検出するように構成されたＸ線検出器（Ｘ線検出部）と、
Ｘ線の１つ以上のバーストに基づいて、人体内の可動物体の低解像度のＸ線画像を生成するように構成された画像生成ユニットと、
低解像度のＸ線画像を１つ以上の機械学習モデル（学習済みモデル）に入力することにより、低解像度のＸ線画像内の可動物体の輪郭を生成するように構成された１つ以上の学習済み機械学習システムと、を備え、
ここで、１つ以上の機械学習モデルのそれぞれは、低解像度のＸ線画像内の可動物体に対応する形状とマテリアルを有する物体のＸ線画像（教師入力用Ｘ線画像）、および、Ｘ線画像（教師入力用Ｘ線画像）内の物体の指定された輪郭（教師出力用情報）を含むトレーニングセット（教師データ）に従ってトレーニング（学習）され、
生成された可動物体の輪郭の強度を増加させることにより、低解像度のＸ線画像に基づいて新しいＸ線画像（強調画像）を生成および出力するように構成された画像処理モジュールと、を備え、
ここで、新しいＸ線画像は、低解像度のＸ線画像よりも可動物体の解像度が高い、人体内の可動物体の短時間露光Ｘ線の画質を改善する装置。
人体内の可動物体（デバイス）の短時間露光Ｘ線の画質を改善する装置であって、
１つ以上のＸ線バーストを生成し、人体内の可動物体に向けて放射するように構成されたＸ線発生器（Ｘ線照射部）を備え、
ここで、Ｘ線の１つ以上のバーストは、所定のしきい値露光期間（パルス幅）より短い露光期間を有する少なくとも１つの短い露光（パルス幅）Ｘ線のバーストを含み、
Ｘ線の１つ以上のバーストを検出するように構成されたＸ線検出器（Ｘ線検出部）と、
Ｘ線の１つ以上のバーストに基づいて、人体内の可動物体の低解像度のＸ線画像を生成するように構成された画像生成ユニットと、
低解像度のＸ線画像を１つ以上の機械学習モデル（学習済みモデル）に入力することにより、低解像度のＸ線画像内の可動物体の輪郭を生成するように構成された１つ以上の学習済み機械学習システムと、を備え、
ここで、１つ以上の機械学習モデルのそれぞれは、低解像度のＸ線画像内の可動物体に対応する形状とマテリアルを有する物体のＸ線画像（教師入力用Ｘ線画像）、および、Ｘ線画像（教師入力用Ｘ線画像）内の物体の指定された輪郭（教師出力用情報）を含むトレーニングセット（教師データ）に従ってトレーニング（学習）され、
生成された可動物体の輪郭の強度を増加させることにより、低解像度のＸ線画像に基づいて新しいＸ線画像（強調画像）を生成および出力するように構成された画像処理モジュールと、を備え、
ここで、新しいＸ線画像は、低解像度のＸ線画像よりも可動物体の解像度が高い、人体内の可動物体の短時間露光Ｘ線の画質を改善する装置。
【0107】
（項目１４）
可動物体（デバイス）の短時間露光Ｘ線の画質を改善するための機械学習モデル（学習済みモデル）のトレーニング（学習）方法であって、
可動物体（デバイス）に対応する形状およびマテリアルを有する物体の輪郭（教師出力用情報）で描かれた複数のＸ線画像（教師入力用Ｘ線画像）を取得し、
ここで、複数のＸ線画像は、低解像度で描かれた輪郭を含む少なくとも１つのＸ線画像を含み、
複数のＸ線画像（教師入力用Ｘ線画像）と輪郭線（教師出力用情報）を使用して１つ以上の機械学習モデルをトレーニングし、Ｘ線画像（教師入力用Ｘ線画像）を可動物体に対応する形状とマテリアルを有する物体の輪郭（教師出力用情報）と相関させる、可動物体の短時間露光Ｘ線の画質を改善するための機械学習モデルのトレーニング方法。
可動物体（デバイス）の短時間露光Ｘ線の画質を改善するための機械学習モデル（学習済みモデル）のトレーニング（学習）方法であって、
可動物体（デバイス）に対応する形状およびマテリアルを有する物体の輪郭（教師出力用情報）で描かれた複数のＸ線画像（教師入力用Ｘ線画像）を取得し、
ここで、複数のＸ線画像は、低解像度で描かれた輪郭を含む少なくとも１つのＸ線画像を含み、
複数のＸ線画像（教師入力用Ｘ線画像）と輪郭線（教師出力用情報）を使用して１つ以上の機械学習モデルをトレーニングし、Ｘ線画像（教師入力用Ｘ線画像）を可動物体に対応する形状とマテリアルを有する物体の輪郭（教師出力用情報）と相関させる、可動物体の短時間露光Ｘ線の画質を改善するための機械学習モデルのトレーニング方法。
【符号の説明】
【0108】
２ Ｘ線照射部
３ Ｘ線検出部
７ 制御部
１０ Ｘ線画像
７１ Ｘ線照射制御部
７２ パルス幅設定部
７３ Ｘ線画像生成部
７４ デバイス検出部
８０ 学習済みモデル
８１ 教師入力用Ｘ線画像
８２ 教師出力用情報
１００ Ｘ線撮影装置
１０１ 被検体
２００ デバイス
３ Ｘ線検出部
７ 制御部
１０ Ｘ線画像
７１ Ｘ線照射制御部
７２ パルス幅設定部
７３ Ｘ線画像生成部
７４ デバイス検出部
８０ 学習済みモデル
８１ 教師入力用Ｘ線画像
８２ 教師出力用情報
１００ Ｘ線撮影装置
１０１ 被検体
２００ デバイス
【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】