特許 7568412 放射線装置及び故障予測装置

(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】2024-10-07

(45)【発行日】2024-10-16

(54)【発明の名称】放射線装置及び故障予測装置

(51)【国際特許分類】

   A61B 6/03 20060101AFI20241008BHJP

   A61N 5/10 20060101ALI20241008BHJP

【ＦＩ】

A61B6/03 533B

A61B6/03 577

A61N5/10 S

【請求項の数】 19

(21)【出願番号】P 2020051371

(22)【出願日】2020-03-23

(65)【公開番号】P2021146087

(43)【公開日】2021-09-27

【審査請求日】2023-01-13

(73)【特許権者】

【識別番号】594164542

【氏名又は名称】キヤノンメディカルシステムズ株式会社

(74)【代理人】

【識別番号】110001771

【氏名又は名称】弁理士法人虎ノ門知的財産事務所

(72)【発明者】

【氏名】長谷川 慎二

【審査官】蔵田 真彦

(56)【参考文献】

【文献】国際公開第２０１５／１８２３１７（ＷＯ，Ａ１）

【文献】米国特許出願公開第２０１９／００９０８４０（ＵＳ，Ａ１）

【文献】特開２０１３－１９８５１９（ＪＰ，Ａ）

【文献】特開２０１０－１６７２８２（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ａ６１Ｂ ６／００－６／５８

Ａ６１Ｎ ５／００－５／１０

Ｈ０５Ｇ １／００－２／００

(57)【特許請求の範囲】

【請求項1】

機械的な動作を実行可能な可動部と、前記可動部を動作させる駆動装置とを含む可動装置と、
前記可動装置を制御して放射線治療又は画像収集を実行する制御部と、
前記可動装置の故障を予測するように機能付けられた学習済みモデルを記憶するモデル記憶部と、
前記可動部の動作に関する第１情報と、前記可動部が動作した際の環境を示す第２情報とを前記学習済みモデルに入力することにより、前記可動装置の故障を予測する予測部と、
前記予測部による故障の予測結果を出力する出力部と
を備え、
前記制御部は、前記可動部を撮像した画像データに基づく画像情報と、前記放射線治療又は前記画像収集を実行した際に使用した術式を示す術式情報とを記録部に記録し、
前記予測部は、前記第１情報として、前記記録部に記録された前記画像情報を前記学習済みモデルに入力し、前記第２情報として、前記術式情報を前記学習済みモデルに入力する、放射線装置。

【請求項2】

機械的な動作を実行可能な可動部と、前記可動部を動作させる駆動装置とを含む可動装置と、
前記可動装置を制御して放射線治療又は画像収集を実行する制御部と、
前記可動装置の故障を予測するように機能付けられた学習済みモデルを記憶するモデル記憶部と、
前記可動部の動作に関する第１情報と、前記可動部が動作した際の環境を示す第２情報とを前記学習済みモデルに入力することにより、前記可動装置の故障を予測する予測部と、
前記予測部による故障の予測結果を出力する出力部と
を備え、
前記制御部は、前記可動部を撮像した画像データに基づく画像情報と、前記放射線治療又は前記画像収集を実行した際に使用された放射線の量を示す放射線情報とを記録部に記録し、
前記予測部は、前記第１情報として、前記記録部に記録された前記画像情報を前記学習済みモデルに入力し、前記第２情報として、前記放射線情報を前記学習済みモデルに入力する、放射線装置。

【請求項3】

前記制御部は、更に、前記放射線治療又は前記画像収集を実行した際に使用した術式を示す術式情報を記録部に記録し
前記予測部は、更に、前記第２情報として、前記術式情報を前記学習済みモデルに入力する、請求項２に記載の放射線装置。

【請求項4】

前記制御部は、更に、重力方向に対する前記可動部の傾きを示す傾斜情報を記録部に記録し、
前記予測部は、更に、前記第２情報として、前記傾斜情報を前記学習済みモデルに入力する、請求項１～３のいずれか一項に記載の放射線装置。

【請求項5】

前記予測部は、前記可動装置の故障として、複数の前記可動装置のうち故障が生じる前記可動装置を予測し、又は前記可動装置のうち故障が生じる箇所を予測する、請求項１～４のいずれか一項に記載の放射線装置。

【請求項6】

前記予測部は、更に、前記可動装置の故障が生じる時期を予測する、請求項５に記載の放射線装置。

【請求項7】

機械的な動作を実行可能な可動部と、前記可動部を動作させる駆動装置とを含む可動装置と、
前記可動装置を制御して放射線治療又は画像収集を実行する制御部と、
前記可動部の動作を検出するセンサの故障を予測するように機能付けられた学習済みモデルを記憶するモデル記憶部と、
前記可動部の動作に関する第１情報と、前記可動部が動作した際の環境を示す第２情報とを前記学習済みモデルに入力することにより、前記センサの故障を予測する予測部と、
前記予測部による故障の予測結果を出力する出力部と
を備え、
前記制御部は、前記可動部の動作を複数の前記センサにより検出した検出結果の複数の前記センサの間での差異を示す差異データと、前記放射線治療又は前記画像収集を実行した際に使用された放射線の量を示す放射線情報とを記録部に記録し、
前記予測部は、前記第１情報として、前記記録部に記録された前記差異データを前記学習済みモデルに入力し、前記第２情報として、前記放射線情報を前記学習済みモデルに入力する、放射線装置。

【請求項8】

機械的な動作を実行可能な可動部と、前記可動部を動作させる駆動装置とを含む可動装置と、
前記可動装置を制御して放射線治療又は画像収集を実行する制御部と、
前記可動部の動作を検出するセンサの故障を予測するように機能付けられた学習済みモデルを記憶するモデル記憶部と、
前記可動部の動作に関する第１情報と、前記可動部が動作した際の環境を示す第２情報とを前記学習済みモデルに入力することにより、前記センサの故障を予測する予測部と、
前記予測部による故障の予測結果を出力する出力部と
を備え、
前記制御部は、前記可動部の動作を複数の前記センサにより検出した検出結果の複数の前記センサの間での差異を示す差異データを記録部に記録し、
前記予測部は、前記第１情報として、前記記録部に記録された前記差異データを前記学習済みモデルに入力することにより、前記センサの故障として、前記可動部の動作を検出する複数の前記センサのうち故障が生じる前記センサを予測する、放射線装置。

【請求項9】

前記予測部は、前記センサの故障として、前記可動部の動作を検出する複数の前記センサのうち故障が生じる前記センサを予測する、請求項７に記載の放射線装置。

【請求項10】

前記予測部は、更に、前記センサの故障が生じる時期を予測する、請求項８又は９に記載の放射線装置。

【請求項11】

前記差異データは、種類が異なる複数の前記センサの間での検出結果の差異を示すデータである、請求項７～１０のいずれか一項に記載の放射線装置。

【請求項12】

前記可動部は、前記機械的な動作として、移動又は回転の動作を実行する、請求項１～１１のいずれか一項に記載の放射線装置。

【請求項13】

前記学習済みモデルを生成して前記モデル記憶部に記憶させるモデル生成部を更に備える、請求項１～１２のいずれか一項に記載の放射線装置。

【請求項14】

前記学習済みモデルを生成して前記モデル記憶部に記憶させるモデル生成部を更に備え、
前記モデル生成部は、前記可動装置の故障が発生した時期を出力側教師データとして用いて、前記学習済みモデルを生成する、請求項１～６のいずれか一項に記載の放射線装置。

【請求項15】

前記学習済みモデルを生成して前記モデル記憶部に記憶させるモデル生成部を更に備え、
前記モデル生成部は、前記センサの故障が発生した時期を出力側教師データとして用いて、前記学習済みモデルを生成する、請求項７～１１のいずれか一項に記載の放射線装置。

【請求項16】

機械的な動作を実行可能な可動部と前記可動部を動作させる駆動装置とを含む可動装置と、前記可動装置を制御して放射線治療又は画像収集を実行する制御部とを備える放射線装置に接続された故障予測装置であって、
前記可動装置の故障を予測するように機能付けられた学習済みモデルを記憶するモデル記憶部と、
前記可動部の動作に関する第１情報と、前記可動部が動作した際の環境を示す第２情報とを前記学習済みモデルに入力することにより、前記可動装置の故障を予測する予測部と、
前記予測部による故障の予測結果を出力する出力部と
を備え、
前記予測部は、前記可動部を撮像した画像データに基づく画像情報を、前記第１情報として前記学習済みモデルに入力し、前記放射線治療又は前記画像収集を実行した際に使用した術式を示す術式情報を、前記第２情報として前記学習済みモデルに入力する、故障予測装置。

【請求項17】

機械的な動作を実行可能な可動部と前記可動部を動作させる駆動装置とを含む可動装置と、前記可動装置を制御して放射線治療又は画像収集を実行する制御部とを備える放射線装置に接続された故障予測装置であって、
前記可動装置の故障を予測するように機能付けられた学習済みモデルを記憶するモデル記憶部と、
前記可動部の動作に関する第１情報と、前記可動部が動作した際の環境を示す第２情報とを前記学習済みモデルに入力することにより、前記可動装置の故障を予測する予測部と、
前記予測部による故障の予測結果を出力する出力部と
を備え、
前記予測部は、前記可動部を撮像した画像データに基づく画像情報を、前記第１情報として前記学習済みモデルに入力し、前記放射線治療又は前記画像収集を実行した際に使用された放射線の量を示す放射線情報を、前記第２情報として前記学習済みモデルに入力する、故障予測装置。

【請求項18】

機械的な動作を実行可能な可動部と前記可動部を動作させる駆動装置とを含む可動装置と、前記可動装置を制御して放射線治療又は画像収集を実行する制御部とを備える放射線装置に接続された故障予測装置であって、
前記可動部の動作を検出するセンサの故障を予測するように機能付けられた学習済みモデルを記憶するモデル記憶部と、
前記可動部の動作に関する第１情報と、前記可動部が動作した際の環境を示す第２情報とを前記学習済みモデルに入力することにより、前記センサの故障を予測する予測部と、
前記予測部による故障の予測結果を出力する出力部と
を備え、
前記予測部は、前記可動部の動作を複数の前記センサにより検出した検出結果の複数の前記センサの間での差異を示す差異データを、前記第１情報として前記学習済みモデルに入力し、前記放射線治療又は前記画像収集を実行した際に使用された放射線の量を示す放射線情報を、前記第２情報として前記学習済みモデルに入力する、故障予測装置。

【請求項19】

機械的な動作を実行可能な可動部と前記可動部を動作させる駆動装置とを含む可動装置と、前記可動装置を制御して放射線治療又は画像収集を実行する制御部とを備える放射線装置に接続された故障予測装置であって、
前記可動部の動作を検出するセンサの故障を予測するように機能付けられた学習済みモデルを記憶するモデル記憶部と、
前記可動部の動作に関する第１情報と、前記可動部が動作した際の環境を示す第２情報とを前記学習済みモデルに入力することにより、前記センサの故障を予測する予測部と、
前記予測部による故障の予測結果を出力する出力部と
を備え、
前記予測部は、前記可動部の動作を複数の前記センサにより検出した検出結果の複数の前記センサの間での差異を示す差異データを、前記第１情報として前記学習済みモデルに入力することにより、前記センサの故障として、前記可動部の動作を検出する複数の前記センサのうち故障が生じる前記センサを予測する、故障予測装置。

【発明の詳細な説明】

【技術分野】

【0001】

本明細書等に開示の実施形態は、放射線装置及び故障予測装置に関する。

【背景技術】

【0002】

放射線治療装置や放射線診断装置といった各種の放射線装置には、通常、移動や回転等の機械的な動作を実行可能な可動部が含まれる。例えば、放射線装置は、放射線の照射範囲を制御するために移動するリーフを備える。また、放射線装置は、被検体を載置するとともに、移動したり回転（傾斜）したりする天板を備える。

【0003】

このよう可動部を含む可動装置においては、使用を重ねるごとに摩耗が蓄積していくため、適切に使用をしていても故障が発生する場合がある。また、可動装置に関する故障が発生した場合、部品の交換や修理がなされるまで放射線装置は使用できなくなる。即ち、可動装置の故障により、放射線装置はシステムダウンする。放射線装置がシステムダウンすれば、予定されていた放射線治療や画像収集を実行することができなくなり、治療や診断も遅延することとなる。また、故障のタイミングによっては来院した患者に後日改めて来院してもらうこととなり、患者にとっての負担となる。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１５－１３０９０８号公報

【文献】特開２０１８－１９２２５６号公報

【文献】特開２００５－１１０７９４号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

本明細書等に開示の実施形態が解決しようとする課題の一つは、放射線装置のシステムダウンを回避することである。ただし、本明細書等に開示の実施形態により解決される課題は上記課題に限られない。後述する実施形態に示す各構成による各効果に対応する課題を、本明細書等に開示の実施形態が解決する他の課題として位置付けることもできる。

【課題を解決するための手段】

【0006】

実施形態のデータ選別装置は、可動装置と、制御部と、モデル記憶部と、予測部と、出力部とを備える。可動装置は、機械的な動作を実行可能な可動部と、前記可動部を動作させる駆動装置とを含む。制御部は、前記可動装置を制御して放射線治療又は画像収集を実行する。モデル記憶部は、前記可動装置に関する故障を予測するように機能付けられた学習済みモデルを記憶する。予測部は、前記可動部の動作に関する第１情報、及び、前記可動部が動作した際の環境を示す第２情報の少なくとも一方を前記学習済みモデルに入力することにより、前記可動装置に関する故障を予測する。出力部は、前記予測部による故障の予測結果を出力する。

【図面の簡単な説明】

【0007】

【図1】図１は、第１の実施形態に係る放射線治療装置の一例を示す図である。

【図2】図２は、第１の実施形態に係る放射線治療装置の構成の一例を示すブロック図である。

【図3】図３は、第１の実施形態に係る放射線絞り器の一例を示す図である。

【図4】図４は、第１の実施形態に係る学習済みモデルの生成処理の一例を示す図である。

【図5】図５は、第１の実施形態に係る学習済みモデルの使用例を示す図である。

【図6】図６は、第１の実施形態に係る放射線治療装置の処理の一連の流れを説明するためのフローチャートである。

【図7】図７は、第２の実施形態に係るＸ線ＣＴ装置の構成の一例を示すブロック図である。

【図8】図８は、第３の実施形態に係る放射線システムの構成の一例を示すブロック図である。

【発明を実施するための形態】

【0008】

以下、図面を参照しながら、放射線装置及び故障予測装置の実施形態について詳細に説明する。

【0009】

（第１の実施形態）
第１の実施形態では、放射線装置の一例として、放射線治療を実行可能な放射線治療装置１０について説明する。

【0010】

まず、図１を用いて、放射線治療装置１０の概要を説明する。図１は、第１の実施形態に係る放射線治療装置１０の一例を示す図である。例えば、放射線治療装置１０は、図１に示すように、寝台１６と、治療用の放射線を発生する放射線発生器１７１と、放射線絞り器１７２と、回転ガントリ１９とを有する。

【0011】

例えば、放射線治療装置１０は、治療計画に沿って、寝台１６や放射線発生器１７１、放射線絞り器１７２、回転ガントリ１９等の動作を制御し、放射線治療を実行する。一例を挙げると、放射線治療装置１０は図示しない放射線治療計画用ＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）装置と接続され、放射線治療計画用ＣＴ装置から送信された治療計画に沿って放射線発生器１７１から治療対象部位に対して放射線を照射し、放射線治療を実行する。

【0012】

また、放射線治療装置１０は、図１に示すように、撮像用の放射線を照射する放射線発生器１８１と、撮像用の放射線を検出する検出器１８２とをさらに備える。例えば、放射線治療の開始前において、放射線治療装置１０は、回転ガントリ１９を回転させながら放射線発生器１８１から患者Ｐ１に対して放射線を照射し、患者Ｐ１を透過した放射線を検出器１８２によって検出する。また、放射線治療装置１０は、検出器１８２による検出結果に基づいてコーンビームＣＴ画像を生成し、ディスプレイ１２に表示させる。これにより、放射線治療装置１０のユーザは、放射線治療の開始時における治療対象部位の位置を確認することができる。また、放射線発生器１８１及び検出器１８２は、放射線治療中の治療対象部位の位置の確認に用いることも可能である。すなわち、放射線発生器１７１によって治療用の放射線が照射されている間に、放射線発生器１８１が放射線を患者Ｐ１に照射してＸ線画像を収集することで、治療時の治療対象部位の位置を確認することが可能となる。

【0013】

次に、図２を用いて、放射線治療装置１０の構成について説明する。図２は、第１の実施形態に係る放射線治療装置１０の構成の一例を示すブロック図である。図２に示すように、放射線治療装置１０は、入力インタフェース１１と、ディスプレイ１２と、記憶回路１３と、モデル記憶回路１４と、処理回路１５と、寝台１６と、放射線発生装置１７とを有する。

【0014】

なお、図２では省略しているが、放射線治療装置１０は図１に示した回転ガントリ１９を更に有し、放射線発生装置１７は、回転ガントリ１９によって患者Ｐ１の周囲を回転可能に保持される。同様に、放射線治療装置１０は、撮像用の放射線を照射する放射線発生器１８１と、撮像用の放射線を検出する検出器１８２とを更に有する。

【0015】

入力インタフェース１１は、ユーザからの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路１５に出力する。例えば、入力インタフェース１１は、マウスやキーボード、トラックボール、スイッチ、ボタン、ジョイスティック、操作面へ触れることで入力操作を行うタッチパッド、表示画面とタッチパッドとが一体化されたタッチスクリーン、光学センサを用いた非接触入力回路、音声入力回路等により実現される。なお、入力インタフェース１１は、放射線治療装置１０本体と無線通信可能なタブレット端末等で構成されることにしても構わない。また、入力インタフェース１１は、マウスやキーボード等の物理的な操作部品を備えるものだけに限られない。例えば、放射線治療装置１０とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を処理回路１５へ出力する電気信号の処理回路も入力インタフェース１１の例に含まれる。

【0016】

ディスプレイ１２は、各種の情報を表示する。例えば、ディスプレイ１２は、処理回路１５による制御の下、放射線発生器１８１及び検出器１８２を用いて収集されたコーンビームＣＴ画像を表示する。また、例えば、ディスプレイ１２は、入力インタフェース１１を介してユーザから各種の指示や設定等を受け付けるためのＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）を表示する。また、例えば、ディスプレイ１２は、予測機能１５３による故障の予測結果を表示する。なお、予測機能１５３による故障予測については後述する。例えば、ディスプレイ１２は、液晶ディスプレイやＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）ディスプレイである。ディスプレイ１２は、デスクトップ型でもよいし、放射線治療装置１０本体と無線通信可能なタブレット端末等で構成されることにしても構わない。

【0017】

記憶回路１３及びモデル記憶回路１４は、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスク等により実現される。例えば、記憶回路１３は、放射線治療装置１０に含まれる回路がその機能を実現するためのプログラムを記憶する。また、例えば、モデル記憶回路１４は、モデル生成機能１５２によって生成された学習済みモデルＭ１を記録する。なお、学習済みモデルＭ１については後述する。記憶回路１３とモデル記憶回路１４とについては統合することとしても構わない。

【0018】

処理回路１５は、制御機能１５１、モデル生成機能１５２、予測機能１５３及び出力機能１５４を実行することで、放射線治療装置１０全体の動作を制御する。ここで、制御機能１５１は、制御部の一例である。また、モデル生成機能１５２は、モデル生成部の一例である。また、予測機能１５３は、予測部の一例である。また、出力機能１５４は、出力部の一例である。

【0019】

例えば、処理回路１５は、制御機能１５１に対応するプログラムを記憶回路１３から読み出して実行することにより、放射線治療を実行する。例えば、制御機能１５１は、寝台１６が有する天板１６１に患者Ｐ１が載置された後、寝台１６を制御して、放射線発生装置１７に対する患者Ｐ１の位置や角度を調整する。即ち、制御機能１５１は、寝台１６を制御して、患者Ｐ１を載置した状態の天板１６１を移動させたり回転（傾斜）させたりする。また、例えば、制御機能１５１は、放射線絞り器１７２を制御して、放射線絞り器１７２が有するリーフ（絞り羽根）１７２１を移動させることで、放射線照射範囲の大きさ及び形状を制御する。また、例えば、制御機能１５１は、放射線発生器１７１に対する高電圧の供給を制御することで、治療用の放射線を発生させる。一例を挙げると、制御機能１５１は、治療計画に沿った線量の放射線が発生するように、図示しない高電圧発生器を制御して、放射線発生器１７１に対する印加電圧や印加時間等を制御する。

【0020】

また、処理回路１５は、モデル生成機能１５２に対応するプログラムを記憶回路１３から読み出して実行することにより、学習済みモデルＭ１を生成する。また、処理回路１５は、予測機能１５３に対応するプログラムを記憶回路１３から読み出して実行することにより、学習済みモデルＭ１を用いて、可動装置に関する故障を予測する。また、処理回路１５は、出力機能１５４に対応するプログラムを記憶回路１３から読み出して実行することにより、予測機能１５３による故障の予測結果を出力する。なお、モデル生成機能１５２、予測機能１５３及び出力機能１５４による処理については後述する。

【0021】

図１に示す放射線治療装置１０においては、各処理機能がコンピュータによって実行可能なプログラムの形態で記憶回路１３へ記憶されている。処理回路１５は、記憶回路１３からプログラムを読み出して実行することで各プログラムに対応する機能を実現するプロセッサである。換言すると、各プログラムを読み出した状態の処理回路１５は、読み出したプログラムに対応する機能を有することとなる。

【0022】

なお、図１においては単一の処理回路１５にて、制御機能１５１、モデル生成機能１５２、予測機能１５３及び出力機能１５４が実現するものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路１５を構成し、各プロセッサがプログラムを実行することにより機能を実現するものとしても構わない。

【0023】

また、図１においては、単一の記憶回路１３が各処理機能に対応するプログラムを記憶するものとして説明した。しかしながら、実施形態はこれに限定されるものではない。例えば、複数の記憶回路１３を分散して配置し、処理回路１５は、個別の記憶回路１３から対応するプログラムを読み出す構成としても構わない。また、記憶回路１３にプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むよう構成しても構わない。この場合、プロセッサは、回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。

【0024】

寝台１６は、患者Ｐ１が載置される天板１６１を有するベッドである。なお、患者Ｐ１は、放射線治療装置１０に含まれない。例えば、寝台１６は、図示しない寝台駆動装置１６２を含み、患者Ｐ１を載置した状態で天板１６１を移動させたり回転（傾斜）させたりする。例えば、寝台駆動装置１６２は、制御機能１５１による制御の下、モータ等のアクチュエータを駆動することにより、天板１６１を移動又は回転させる。

【0025】

換言すると、天板１６１は、移動や回転等の機械的な動作を実行可能な部品であり、可動部の一例である。また、寝台駆動装置１６２は、天板１６１を動作させる装置であり、駆動装置の一例である。また、天板１６１及び寝台駆動装置１６２を含む寝台１６は、可動装置の一例である。

【0026】

例えば、寝台１６には、天板１６１の動作を検出するセンサが設けられる。一例を挙げると、寝台１６には、ロータリーエンコーダやポテンションメータ等のセンサが設けられる。ここで、ロータリーエンコーダによれば、天板１６１の移動量や回転量を検出することが可能である。即ち、ロータリーエンコーダによれば、初期位置に対する移動後の天板１６１の相対位置や、重力方向に対する天板１６１の傾き等を検出することが可能である。また、ポテンションメータによれば、天板１６１の絶対位置を検出することが可能である。例えば、制御機能１５１は、センサによって天板１６１の現在の位置及び傾きを確認しながら寝台１６を制御し、目標の位置及び傾きとなるように、天板１６１を移動させたり回転させたりする。

【0027】

放射線発生装置１７は、図２に示すように、放射線発生器１７１及び放射線絞り器１７２を有する。

【0028】

放射線発生器１７１は、電子銃と加速管を備える。電子銃は、熱電子を発生させる。また、加速管は、電子銃から発生した熱電子を加速させる。例えば、放射線発生器１７１は、制御機能１５１による制御の下、図示しない高電圧発生器から高電圧の供給を受けて熱電子を加速させる。そして、放射線発生器１７１は、加速させた熱電子をタングステンターゲットに衝突させて、治療用の放射線を発生させる。

【0029】

放射線絞り器１７２は、治療用の放射線の照射範囲を制御するリーフ１７２１と、リーフ１７２１を動作させるリーフ駆動装置１７２２とを有する。例えば、放射線絞り器１７２は、放射線発生器１７１に対して移動可能な複数のリーフ１７２１を有する。また、リーフ駆動装置１７２２は、制御機能１５１による制御の下、モータ等のアクチュエータを駆動することにより、複数のリーフ１７２１をそれぞれ移動させる。即ち、制御機能１５１は、放射線絞り器１７２を制御して複数のリーフ１７２１の各々を移動させることで、放射線照射範囲の大きさ及び形状を制御する。

【0030】

換言すると、リーフ１７２１は、移動の動作を実行可能な部品であり、可動部の一例である。また、リーフ駆動装置１７２２は、リーフ１７２１を動作させる装置であり、駆動装置の一例である。また、リーフ１７２１及びリーフ駆動装置１７２２を含む放射線絞り器１７２は、可動装置の一例である。

【0031】

ここで、放射線絞り器１７２の一例について図３を用いて説明する。図３は、第１の実施形態に係る放射線絞り器１７２の一例を示す図である。なお、図３においては、放射線絞り器１７２が、複数のリーフ１７２１を備えたマルチリーフコリメータ（ＭＬＣ）である場合について説明する。また、図３においては、Ｘ線の照射方向をＺ軸方向とし、Ｚ軸方向に直交するようにＸ軸方向及びＹ軸方向を定義して説明する。

【0032】

図３に示すように、放射線絞り器１７２は、複数のリーフ１７２１として、リーフＬａ０１～リーフＬａ０２の２枚のリーフ及びリーフＬｂ０１～リーフＬｂ２４の２４枚のリーフから成る計２６枚のリーフを備える。リーフＬａ０１～リーフＬａ０２は、図３のＹ軸方向に移動可能であり、Ｙ軸方向における放射線照射範囲を制御する。リーフＬｂ０１～リーフＬｂ２４は、図３のＸ軸方向に移動可能であり、Ｘ軸方向における放射線照射範囲を制御する。ここで、制御機能１５１は、リーフＬｂ０１～リーフＬｂ２４を個別に移動させることで、図３においてドットのパターンで示すように、放射線照射範囲の形状を制御することができる。例えば、制御機能１５１は、患者Ｐ１の治療対象部位の形状に応じて、放射線照射範囲の形状を制御する。

【0033】

例えば、図３に示す放射線絞り器１７２には、リーフの動作を検出するセンサが設けられる。かかるセンサは、例えば、図３に示すリーフのそれぞれに対して設けられる。一例を挙げると、リーフには、ロータリーエンコーダやポテンションメータ等のセンサが設けられる。例えば、制御機能１５１は、センサによって複数のリーフそれぞれの現在位置を確認しながら放射線絞り器１７２を制御し、目標位置まで複数のリーフをそれぞれ移動させる。

【0034】

なお、図３においては、リーフＬａ０１～リーフＬａ０２及びリーフＬｂ０１～リーフＬｂ２４の計２６枚のリーフによって放射線照射範囲を制御するものとして説明したが、リーフの数については特に限定されるものではない。例えば、放射線絞り器１７２は、放射線照射範囲を制御するため、１６０枚のリーフを備えることとしてもよい。放射線絞り器１７２が備えるリーフの数が多いほど、放射線照射範囲の形状をより詳細に制御することが可能となる。

【0035】

以上、放射線治療装置１０の構成の一例について説明した。ここで、寝台１６や放射線絞り器１７２のような可動装置については、使用上、故障が生じる場合がある。例えば、天板１６１を動作させる寝台駆動装置１６２や、リーフ１７２１を動作させるリーフ駆動装置１７２２等の駆動装置においては、使用するごとに摩耗が発生し、機械的なガタが増加して故障に至る場合がある。或いは、可動装置それ自体が故障しない場合でも、可動部の動作を検出するセンサに故障が生じる場合もある。以下では、可動装置の故障とセンサの故障とを総称して、可動装置に関する故障と記載する。

【0036】

特に、放射線絞り器１７２がマルチリーフコリメータである場合、放射線絞り器１７２は、可動部であるリーフ１７２１を多数有することとなる。そして、リーフ１７２１の数が多いほど多数のリーフ駆動装置１７２２が必要なり、可動装置の故障が発生するリスクは高まることとなる。或いは、１つのリーフ駆動装置１７２２が複数のリーフ１７２１を動作させる構成の場合には、リーフ１７２１の数が多いほどリーフ駆動装置１７２２が複雑化し、可動装置の故障が発生するリスクは高まることとなる。また、リーフに対しては個別にセンサが設けられている場合が多い。従って、リーフの数が多いほど、センサの故障が発生するリスクも高まることとなる。

【0037】

更に、センサの故障を検出するため、１つの可動部に対して複数のセンサが設けられている場合もある。即ち、複数のセンサによる検出結果が互いに一致しなければこれら複数のセンサのうちいずれかが故障していると容易に判定できるため、故障の発生を見落とすリスクを低減し、放射線治療装置１０の安全性を高めることができる。しかしながら、この場合にはセンサの数が増大するため、センサの故障が発生するリスクも高まることとなる。

【0038】

可動装置に関する故障に対処するため、エラーログを記録することが考えられる。即ち、放射線治療装置１０がシステムダウンしてから復旧するまでの時間を短縮するため、復旧のためのヒントとしてエラーログを残しておくことが考えられる。しかしながら、復旧までの時間を短縮できたとしても、放射線治療装置１０がシステムダウンしている以上、治療計画への影響が生じることは不可避である。

【0039】

そこで、放射線治療装置１０においては、以下詳細に説明する処理回路１５の処理により、可動装置に関する故障を予測して、放射線治療装置１０のシステムダウンを回避する。

【0040】

まず、モデル生成機能１５２は、学習済みモデルＭ１を生成して、モデル記憶回路１４に記憶させる。ここで、学習済みモデルＭ１は、一種の人工知能（ＡＩ：Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）であり、可動装置に関する故障を予測するように機能付けられる。以下、モデル生成機能１５２による学習済みモデルＭ１の生成処理について、図４を用いて説明する。図４は、第１の実施形態に係る学習済みモデルＭ１の生成処理の一例を示す図である。

【0041】

図４においては、学習済みモデルＭ１をニューラルネットワーク（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）により構成する場合について説明する。ニューラルネットワークとは、層状に並べた隣接層間が結合した構造を有し、情報が入力層側から出力層側に伝播するネットワークである。例えば、モデル生成機能１５２は、図４に示す学習用データ（入力側教師データ及び出力側教師データ）を用いて多層のニューラルネットワークについて深層学習（ディープラーニング）を実行することで、学習済みモデルＭ１を生成する。なお、多層のニューラルネットワークは、例えば、入力層と、複数の中間層（隠れ層）と、出力層とにより構成される。

【0042】

ここで、図４に示す各種の学習用データについて説明する。図４においては、学習用データとして、センサ情報、付帯情報及び故障履歴情報を例示する。センサ情報及び付帯情報は、例えば、放射線治療装置１０が使用されるごとに制御機能１５１によって収集され、記憶回路１３において記憶される。また、故障履歴情報は、例えば、可動装置に関する故障が発生するごとに制御機能１５１によって収集され、記憶回路１３において記憶される。

【0043】

図４に示すセンサ情報は、可動部の動作をセンサにより検出した検出結果に基づいて取得した情報である。なお、センサ情報は、可動部の動作に関する第１情報の一例である。例えば、天板１６１やリーフ１７２１といった可動部を動作させる際、制御機能１５１は、ロータリーエンコーダやポテンションメータ等のセンサによって可動部の現在の位置や傾きを確認しながら、可動部を移動させたり回転させたりする。ここで、制御機能１５１は、センサによる検出結果に基づいてセンサ情報を取得し、記憶回路１３に記憶させる。

【0044】

より具体的には、センサ情報の例としては、図４に示す積算移動量が挙げられる。即ち、可動部を移動させる際にその位置データをセンサで検出していた場合、制御機能１５１は、この位置データに基づいて可動部が移動した距離を算出することができる。例えば、制御機能１５１は、経時的に収集された複数の位置データのうち連続する２つの位置データの間で変位量を算出し、変位量の総和を可動部が移動した距離として算出することができる。また、制御機能１５１は、放射線治療装置１０が使用されるごとに可動部が移動した距離を算出し、過去に可動部が移動した距離と合算することで、可動部の積算移動量を算出することができる。そして、制御機能１５１は、算出した積算移動量を、センサ情報として記憶回路１３に記憶させる。

【0045】

また、センサ情報の他の例としては、図４に示す差異データが挙げられる。例えば、１つの可動部に対して複数のセンサが設けられている場合において、制御機能１５１は、複数のセンサによる検出結果の間で差異データを算出し、差異データが閾値を超えるか否かを判定することで、センサの故障を監視する。

【0046】

一例を挙げると、可動部Ａ１に対してセンサＢ１及びセンサＢ２が設けられている場合において、制御機能１５１は、可動部Ａ１の動作をセンサＢ１により検出した検出結果に基づいて可動部Ａ１が移動した距離Ｃ１を算出し、可動部Ａ１の動作をセンサＢ２により検出した検出結果に基づいて可動部Ａ１が移動した距離Ｃ２を算出する。次に、制御機能１５１は、距離Ｃ１と距離Ｃ２とを差分して、差異データＤ１を算出する。そして、制御機能１５１は、差異データＤ１が閾値を超えるか否かを判定することで、センサＢ１及びセンサＢ２について故障が発生しているか否かを判定する。更に、制御機能１５１は、差異データＤ１を、センサ情報として記憶回路１３に記憶させる。

【0047】

なお、センサＢ１及びセンサＢ２は同種のセンサであってもよいし、異なる種類のセンサであってもよい。例えば、制御機能１５１は、１つの可動部の動作を、ロータリーエンコーダであるセンサＢ１と、ポテンションメータであるセンサＢ２とにより検出する場合であってもよい。

【0048】

また、センサ情報の他の例としては、図４に示す画像情報が挙げられる。ここで、画像情報とは、例えば、可動部を撮像した画像データに基づいて取得した、可動部の位置データである。一例を挙げると、制御機能１５１は、センサとしてカメラを使用し、可動部を移動させる際に連続的に可動部を撮像して、複数フレームの画像データを収集する。また、制御機能１５１は、収集した画像データそれぞれから可動部を抽出することで、各フレームにおける可動部の位置データを取得し、センサ情報として記憶回路１３に記憶させる。ここで、制御機能１５１は、更に、各フレームにおける可動部の位置データから、可動部の積算移動量を算出することもできる。或いは、制御機能１５１は、複数のカメラを用いて可動部を撮像することにより、各カメラにより撮像された画像データに基づいて複数の位置データを取得し、取得した複数の位置データの間の差異を示す差異データを算出することもできる。

【0049】

また、図４に示す付帯情報は、可動部が動作した際の環境を示す情報である。なお、付帯情報は、第２情報の一例である。即ち、可動部は、可動部それ自体がどのような動作を行なうかに関わらず、様々な環境の下で動作することとなる。制御機能１５１は、可動部が動作した際の環境を示す情報を、例えば治療計画に基づいて取得して、記憶回路１３に記憶させる。

【0050】

例えば、患者Ｐ１に対する放射線の照射方向に応じて、放射線発生装置１７は患者Ｐ１の周囲を回転移動し、これに伴ってリーフ１７２１に対する重力の加わり方も変化する。そこで、制御機能１５１は、重力方向に対するリーフ１７２１の傾きを示す傾斜情報を取得し、付帯情報として記憶回路１３に記憶させる。なお、放射線の照射方向は、治療計画として事前に設定されるものである。従って、制御機能１５１は、治療計画に基づいて放射線の照射方向を取得し、放射線の照射方向に基づいて、重力方向に対するリーフ１７２１の傾きを示す傾斜情報を取得することができる。

【0051】

また、例えば、放射線治療には種々の術式があり、術式ごとに、可動装置において生じる摩耗の程度も変化する。例えば、多門照射による放射線治療では、放射線発生装置１７を患者Ｐ１の周囲で回転移動させて放射線の照射方向を変化させ、複数の照射方向から所定の放射線を照射する。即ち、多門照射による放射線治療では、放射線の照射方向の変化に伴ってリーフ１７２１を移動させる必要はないため、リーフ１７２１を動作させるリーフ駆動装置１７２２や、リーフ１７２１の動作を検出するセンサに生じる摩耗の程度は比較的小さい。

【0052】

一方で、強度変調放射線治療（ＩＭＲＴ：Ｉｎｔｅｎｓｉｔｙ Ｍｏｄｕｌａｔｅｄ Ｒａｄｉａｔｉｏｎ Ｔｈｅｒａｐｙ）では、放射線発生装置１７を患者Ｐ１の周囲で回転移動させて放射線の照射方向を変化させ、各照射方向について設定された放射線照射範囲に応じて複数のリーフ１７２１をそれぞれ移動させて、放射線を照射する。また、強度変調回転放射線治療（ＶＭＡＴ：Ｖｏｌｕｍｅｔｒｉｃ Ｍｏｄｕｌａｔｅｄ Ａｒｃ Ｔｈｅｒａｐｙ）では、放射線発生装置１７を患者Ｐ１の周囲で回転移動させて放射線の照射方向を変化させるとともに、複数のリーフ１７２１をそれぞれ移動させて放射線照射範囲を変化させながら、放射線の照射を行なう。即ち、ＩＭＲＴやＶＭＡＴにおいて、リーフ１７２１は放射線の照射方向の変化に伴って移動する必要があるため、リーフ駆動装置１７２２やセンサに生じる摩耗の程度は比較的大きなものとなる。

【0053】

そこで、制御機能１５１は、放射線治療を実行した際に使用した術式を示す術式情報を取得し、付帯情報として記憶回路１３に記憶させる。なお、術式は、治療計画として事前に設定されるものである。従って、制御機能１５１は、治療計画に基づいて術式情報を取得し、記憶回路１３に記憶させることができる。

【0054】

また、例えば、放射線治療が実行される際には、放射線発生器１７１から照射された放射線又はこの放射線に基づく散乱線が、可動装置やセンサに照射されてしまう場合がある。そして、放射線によって可動装置やセンサにおける各種の部品が劣化し、可動装置に関する故障を引き起こすケースがある。

【0055】

例えば、放射線絞り器１７２において、リーフ１７２１は一般に金属で作成されるため、放射線による劣化は生じない。しかしながら、リーフ１７２１を動作させるリーフ駆動装置１７２２や、リーフ１７２１の動作を検出するセンサには半導体の部品が使用されている場合がある。そして、半導体の部品は放射線が照射されることで劣化し、放射線絞り器１７２に関する故障の一因となるケースがある。

【0056】

そこで、制御機能１５１は、放射線治療を実行した際に使用された放射線の量を示す放射線情報を取得し、付帯情報として記憶回路１３に記憶させる。なお、放射線治療において使用する放射線の強度及び照射時間は、治療計画として事前に設定されるものである。従って、制御機能１５１は、治療計画に基づいて放射線の強度及び照射時間を取得し、放射線の量を算出して、放射線情報として記憶回路１３に記憶させることができる。

【0057】

また、図４に示す故障履歴情報は、エラーログである。可動装置に関する故障が発生した場合、制御機能１５１は、少なくとも故障時期を含むエラーログを作成して、記憶回路１３に記憶させる。

【0058】

また、制御機能１５１は、故障時期とともに、可動装置の故障に関する情報や、センサの故障に関する情報を記憶回路１３に記憶させる。

【0059】

例えば、可動装置の故障が発生した場合、制御機能１５１は、可動装置の故障に関する情報として、放射線治療装置１０が備える複数の可動装置のうち故障が生じた可動装置を示す情報を、故障時期に対応付けて記憶回路１３に記憶させる。例えば、放射線治療装置１０が寝台１６や放射線発生装置１７といった複数の可動装置を備える場合において、制御機能１５１は、放射線治療装置１０が備える複数の可動装置のうちいずれが故障したのかを示す情報を、故障時期に対応付けて記憶回路１３に記憶させる。

【0060】

また、例えば、制御機能１５１は、可動装置の故障に関する情報として、可動装置のうち故障が生じた個所を示す情報を、故障時期に対応付けて記憶回路１３に記憶させる。例えば、放射線絞り器１７２が複数のリーフ１７２１及びリーフ１７２１のそれぞれに対応した複数のリーフ駆動装置１７２２を備える場合において、制御機能１５１は、複数のリーフ駆動装置１７２２のうちいずれが故障したのかを示す情報を、故障時期に対応付けて記憶回路１３に記憶させる。また、例えば、天板１６１を動作させる寝台駆動装置１６２は、天板１６１を水平方向に移動させるための軸と、天板１６１を鉛直方向に移動させるための軸とを有している場合がある。ここで、寝台１６の故障が発生した場合、制御機能１５１は、天板１６１を水平方向に移動させるための軸、及び、天板１６１を鉛直方向に移動させるための軸のいずれにおいて故障が発生したのかを示す情報を、故障時期に対応付けて記憶回路１３に記憶させる。

【0061】

また、例えば、センサの故障が発生した場合、制御機能１５１は、センサの故障に関する情報として、天板１６１やリーフ１７２１等の可動部の動作を検出するために設けられた複数のセンサのうち故障が生じたセンサを示す情報を、故障時期に対応付けて記憶回路１３に記憶させる。

【0062】

以上、学習済みモデルＭ１の生成処理に使用する学習用データの例について説明した。なお、図４は学習用データの例を列挙したものであり、学習済みモデルＭ１を生成する上で図４の学習用データの全てを使用する必要はない。例えば、可動装置の故障が発生しておらず、センサの故障のみが発生している場合、モデル生成機能１５２は、出力側教師データの例として図４に記載した「可動装置の故障に関する情報」の使用を省略することができる。同様に、モデル生成機能１５２は、入力側教師データの例として図４に記載した積算移動量、差異データ、画像情報、傾斜情報、術式情報及び放射線情報のうちの一部の使用を適宜省略することが可能である。

【0063】

また、図４は学習用データを例示したものであり、学習済みモデルＭ１を生成する上で使用可能な学習用データは、これらに限定されるものではない。例えば、モデル生成機能１５２は、入力側教師データとして、更に、速度情報を使用してもよい。ここで、速度情報とは、可動部が移動した際の速度を示す情報である。例えば、可動部を移動させる際にその位置データをセンサで検出していた場合、制御機能１５１は、この位置データを時間で微分することで、可動部が移動した際の速度を算出することができる。即ち、速度情報は、可動部の動作をセンサにより検出した検出結果に基づいて取得することのできるセンサ情報である。一般に、速度が大きいほど生じる摩耗は大きく、可動装置に関する故障が生じるリスクも高くなる。

【0064】

なお、リーフ１７２１を移動させる速度に関しては、術式によっては一定の場合もあれば、動的に変化する場合もある。例えば、多門照射やＩＭＲＴでは、目標の大きさ及び形状の放射線照射範囲を形成することができるように、リーフ１７２１を一定の速度で移動させる場合が多い。一例を挙げると、多門照射やＩＭＲＴでは、時間短縮のため、リーフ駆動装置１７２２によって実現可能な最高速度でリーフ１７２１を移動させる。一方で、ＶＭＡＴでは、放射線治療の間、放射線照射範囲の大きさ及び形状を連続的に変化させるため、複数のリーフ１７２１それぞれを個別に且つ速度を動的に変化させながら移動させることとなる。

【0065】

例えば、モデル生成機能１５２は、図４に示した入力側教師データと出力側教師データとの組を複数取得し、学習用データセットを生成する。なお、入力側教師データと出力側教師データとの組は、可動装置に関する故障が一回発生するごとに、複数生成することもできる。例えば、モデル生成機能１５２は、まず、記憶回路１３から取得した入力側教師データと、出力側教師データとの組を作成して、学習用データセットに追加する。ここで、モデル生成機能１５２は、更に、記憶回路１３から取得した入力側教師データの一部を省略したデータと、出力側教師データとの組を作成して、学習用データセットに追加することができる。

【0066】

次に、モデル生成機能１５２は、生成した学習用データセットに基づく機械学習を実行して、学習済みモデルＭ１を生成する。具体的には、モデル生成機能１５２は、まず、入力側教師データをニューラルネットワークに入力する。ここで、ニューラルネットワークにおいては、入力層側から出力層側に向かって一方向に隣接層間でのみ結合しながら情報が伝播し、出力層からは、可動装置に関する故障の推定結果が出力される。例えば、ニューラルネットワークの出力層からは、放射線治療装置１０に含まれる可動装置及びセンサのうちいずれにおいて故障が発生するかの推定結果、及び、その故障が発生する時期の推定結果が出力される。なお、入力層側から出力層側に向かって一方向に情報が伝播するニューラルネットワークについては、畳み込みニューラルネットワーク（Ｃｏｎｖｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＣＮＮ）とも呼ばれる。

【0067】

モデル生成機能１５２は、入力側教師データを入力した際にニューラルネットワークが好ましい結果を出力することができるよう、ニューラルネットワークのパラメータを調整することで、学習済みモデルＭ１を生成する。例えば、モデル生成機能１５２は、放射線治療装置１０に含まれる可動装置及びセンサのうちいずれにおいて故障が発生するかについて、ニューラルネットワークによる推定結果と出力側教師データ（正解データ）とが一致するように、ニューラルネットワークのパラメータを調整しながら処理を繰り返す。また、モデル生成機能１５２は、故障が発生する時期について、ニューラルネットワークによる推定結果と出力側教師データ（正解データ）との差が閾値を下回るまで、ニューラルネットワークのパラメータを調整しながら処理を繰り返す。これにより、モデル生成機能１５２は、可動装置に関する故障を予測するように機能付けられた学習済みモデルＭ１を生成する。

【0068】

なお、学習済みモデルＭ１が畳み込みニューラルネットワーク（ＣＮＮ）により構成されるものとして説明したが、モデル生成機能１５２は、全結合ニューラルネットワークや、再帰型ニューラルネットワーク（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＲＮＮ）等の他種のニューラルネットワークにより学習済みモデルＭ１を構成してもよい。

【0069】

また、モデル生成機能１５２は、ニューラルネットワーク以外の機械学習手法により、学習済みモデルＭ１を生成してもよい。例えば、モデル生成機能１５２は、ロジスティック（Ｌｏｇｉｓｔｉｃ）回帰分析、非線形判別分析、サポートベクターマシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ：ＳＶＭ）、ランダムフォレスト（Ｒａｎｄｏｍ Ｆｏｒｅｓｔ）、ナイーブベイズ（Ｎａｉｖｅ Ｂａｙｅｓ）等のアルゴリズムを用いて機械学習を行ない、学習済みモデルＭ１を生成することとしても構わない。

【0070】

また、モデル生成機能１５２は、複数の学習済みモデルＭ１を生成することとしてもよい。例えば、モデル生成機能１５２は、寝台１６に関する故障を予測するように機能付けられた学習済みモデルＭ１１と、放射線絞り器１７２に関する故障を予測するように機能付けられた学習済みモデルＭ１２とをそれぞれ生成することとしてもよい。

【0071】

モデル生成機能１５２は、生成した学習済みモデルＭ１をモデル記憶回路１４に記憶させる。その後、予測機能１５３は、例えば放射線治療装置１０が使用されるごとに、学習済みモデルＭ１をモデル記憶回路１４から読み出して可動装置に関する故障を予測する。

【0072】

例えば、制御機能１５１は、放射線治療装置１０が使用されるごとに、まず、積算移動量や差異データ、画像情報等のセンサ情報、及び、傾斜情報、術式情報及び放射線情報等の付帯情報を取得して、記憶回路１３に記憶させる。

【0073】

なお、故障が発生したことによって駆動装置やセンサ等の交換又は修理が行われた場合、制御機能１５１は、交換又は修理された部品に関するセンサ情報及び付帯情報を記憶回路１３から削除することとしてもよい。即ち、制御機能１５１は、交換又は修理が行われるまでに収集されたセンサ情報及び付帯情報をリセットし、交換又は修理が行われた後のセンサ情報及び付帯情報を新たに蓄積し始めるように制御してもよい。同様に、故障が予測されたことによって、駆動装置やセンサ等の交換又は調整が行われた場合、制御機能１５１は、交換又は調整された部品に関するセンサ情報及び付帯情報を記憶回路１３から削除することとしてもよい。なお、駆動装置やセンサ等の調整とは、例えば、清掃や校正等の保守作業である。

【0074】

また、予測機能１５３は、図５に示すように、センサ情報及び付帯情報を記憶回路１３から取得して、モデル記憶回路１４から読み出した学習済みモデルＭ１に入力する。ここで、学習済みモデルＭ１は、これらの入力データに基づいて、可動装置に関する故障を予測する。即ち、予測機能１５３は、可動部の動作に関する第１情報、及び、可動部が動作した際の環境を示す第２情報を学習済みモデルＭ１に入力することにより、可動装置に関する故障を予測する。具体的には、学習済みモデルＭ１は、図５に示すように、故障時期、可動装置の故障に関する情報及びセンサの故障に関する情報等を含んだ故障予測情報を生成して出力する。なお、図５は、第１の実施形態に係る学習済みモデルＭ１の使用例を示す図である。

【0075】

そして、出力機能１５４は、予測機能１５３による故障の予測結果を出力する。例えば、出力機能１５４は、予測機能１５３による故障の予測結果をディスプレイ１２に表示させる。なお、故障が生じないと予測された場合、出力機能１５４は、故障の予測結果として故障が生じないことを示す情報をディスプレイ１２に表示させてもよいし、故障の予測結果の表示を省略することとしてもよい。

【0076】

例えば、出力機能１５４は、予測結果として、放射線治療装置１０に含まれる複数の可動装置のうち、故障が発生する可動装置を示す情報をディスプレイ１２に表示させる。一例を挙げると、放射線治療装置１０が寝台１６や放射線発生装置１７等の複数の可動装置を備えている場合において、出力機能１５４は、予測結果として、これら複数の可動蔵置のうちいずれが故障するかを示す情報をディスプレイ１２に表示させる。また、出力機能１５４は、予測結果として、その故障が生じる時期をディスプレイ１２に表示させる。

【0077】

また、例えば、出力機能１５４は、予測結果として、可動装置のうち故障が生じる箇所を示す情報をディスプレイ１２に表示させる。一例を挙げると、放射線絞り器１７２が複数のリーフ１７２１及びリーフ１７２１のそれぞれに対応した複数のリーフ駆動装置１７２２を備えている場合において、出力機能１５４は、予測結果として、複数のリーフ駆動装置１７２２のうちいずれが故障するかを示す情報をディスプレイ１２に表示させる。また、一例を挙げると、出力機能１５４は、寝台駆動装置１６２が有する複数の軸（例えば、天板１６１を水平方向に移動させるための軸及び天板１６１を鉛直方向に移動させるための軸）のいずれにおいて故障が発生するかを示す情報をディスプレイ１２に表示させる。また、出力機能１５４は、予測結果として、その故障が生じる時期をディスプレイ１２に表示させる。

【0078】

また、例えば、出力機能１５４は、予測結果として、天板１６１やリーフ１７２１等の可動部の動作を検出するために設けられた複数のセンサのうち故障が生じるセンサを示す情報をディスプレイ１２に表示させる。また、出力機能１５４は、予測結果として、その故障が生じる時期をディスプレイ１２に表示させる。

【0079】

なお、予測機能１５３による故障の予測結果をディスプレイ１２において表示するものとして説明したが、実施形態はこれに限定されるものではない。例えば、出力機能１５４は、予測機能１５３による故障の予測結果をネットワークを介して他の装置に送信し、当該他の装置が、予測機能１５３による故障の予測結果の表示を行なう場合であってもよい。

【0080】

即ち、出力機能１５４は、予測機能１５３による故障の予測結果をユーザに対して通知する。ここで、ユーザは、故障の予測結果を参考に、放射線治療装置１０の状態を適切に管理することができる。例えば、近い時期に故障が発生すると予測された場合、ユーザは、故障が発生すると予測された駆動装置やセンサ等の交換又は調整を業者に依頼して、可動装置に関する故障の発生を事前に防ぐことができる。即ち、処理回路１５は、可動装置に関する故障を予測してユーザに通知することにより、放射線治療装置１０のシステムダウンを回避することができる。一方で、故障が発生すると予測されたもののその時期が遠い場合や、故障が生じないと予測された場合、ユーザは、放射線治療装置１０の使用を安心して継続することができる。

【0081】

なお、ユーザとは、例えば、放射線治療装置１０が設置された医療施設における医師や技師等であってもよいし、放射線治療装置１０のメーカから医療施設に対して派遣されたサービスマン等であってもよい。

【0082】

次に、放射線治療装置１０による処理の手順の一例を、図６を用いて説明する。図６は、第１の実施形態に係る放射線治療装置１０の処理の一連の流れを説明するためのフローチャートである。ステップＳ１０１、ステップＳ１０２、ステップＳ１０３、ステップＳ１０７、ステップＳ１０８、ステップＳ１０９、ステップＳ１１２及びステップＳ１１３は、制御機能１５１に対応する。ステップＳ１１０及びステップＳ１１１は、モデル生成機能１５２に対応する。ステップＳ１０４は、予測機能１５３に対応する。ステップＳ１０５及びステップＳ１０６は、出力機能１５４に対応する。

【0083】

まず、処理回路１５は、寝台１６や放射線絞り器１７２等の可動装置を制御して、放射線治療を実行する（ステップＳ１０１）。また、処理回路１５は、記憶回路１３に第１情報及び第２情報を記憶させる（ステップＳ１０２）。例えば、処理回路１５は、ステップＳ１０１の放射線治療の間、可動部の動作をセンサにより検出した検出結果に基づいて図４に示した各種のセンサ情報を取得し、第１情報として記憶回路１３に記憶させる。また、例えば、処理回路１５は、ステップＳ１０１の放射線治療の治療計画に基づいて図４に示した各種の付帯情報を取得し、第２情報として記憶回路１３に記憶させる。

【0084】

次に、処理回路１５は、ステップＳ１０１の放射線治療において、可動装置に関する故障が生じたか否かを判定する（ステップＳ１０３）。故障が生じなかった場合（ステップＳ１０３否定）、処理回路１５は、モデル記憶回路１４から学習済みモデルＭ１を読み出し、学習済みモデルＭ１に対して第１情報及び第２情報を入力することにより、可動装置に関する故障を予測する（ステップＳ１０４）。ここで、処理回路１５は、故障が生じると予測したか否かを判定し（ステップＳ１０５）、故障が生じると予測した場合（ステップＳ１０５肯定）、故障の予測結果を出力する（ステップＳ１０６）。

【0085】

故障が生じる旨の予測結果の通知を受けたユーザは、故障が発生すると予測された駆動装置やセンサ等の交換又は調整を業者に依頼することができる。但し、故障が生じると予測された時期が遠い場合等には、ユーザは、交換又は調整を保留にすることもできる。そこで、処理回路１５は、故障又は調整が実際に行なわれたか否かを判定する（ステップＳ１０７）。交換又は調整が行われた場合（ステップＳ１０７肯定）、処理回路１５は、記憶回路１３から、交換又は調整された部品に関する第１情報及び第２情報を削除する（ステップＳ１０８）。

【0086】

一方で、ステップＳ１０１の放射線治療において故障が発生した場合（ステップＳ１０３肯定）、処理回路１５は、図４に示した各種の故障履歴情報を取得して、記憶回路１３に記憶させる（ステップＳ１０９）。例えば、可動装置の故障が発生した場合、処理回路１５は、可動装置の故障に関する情報と故障が発生した時期とを対応付けた故障履歴情報を取得し、記憶回路１３に記憶させる。また、例えば、センサの故障が発生した場合、処理回路１５は、センサの故障に関する情報と故障が発生した時期とを対応付けた故障履歴情報を取得し、記憶回路１３に記憶させる。

【0087】

次に、処理回路１５は、図４に示した入力側教師データと出力側教師データとの組を複数含む学習用データセットを生成する。例えば、処理回路１５は、過去に生成された学習用データセットに対して、ステップＳ１０２において記憶回路１３に記憶された第１情報及び第２情報と、ステップＳ１０９において記憶回路１３に記憶された故障履歴情報との組を追加して、新たな学習用データセットを生成する（ステップＳ１１０）。

【0088】

次に、処理回路１５は、モデル記憶回路１４に記憶された学習済みモデルＭ１を更新する（ステップＳ１１１）。即ち、処理回路１５は、ステップＳ１１０において生成した学習用データセットに基づく機械学習を実行して新たな学習済みモデルＭ１を生成し、モデル記憶回路１４に記憶させる。また、学習済みモデルＭ１を更新した後、処理回路１５は、故障が発生した部品について交換又は修理が行われたか否かを判定し（ステップＳ１１２）、交換又は修理が行われていない場合には待機状態となる（ステップＳ１１２否定）。

【0089】

ステップＳ１０８の後、ステップＳ１０５において故障が生じないと予測した場合、又は、ステップＳ１１２において交換又は修理が行われたと判定した場合、処理回路１５は、次の放射線治療が予定されているか否かを判定し（ステップＳ１１３）、次の放射線治療が予定されている場合には再度ステップＳ１０１に移行する（ステップＳ１１３肯定）。一方で、次の放射線治療が予定されていない場合には（ステップＳ１１３否定）、処理回路１５は、処理を終了する。

【0090】

なお、図６のフローチャートについては適宜変形が可能である。例えば、処理回路１５は、ステップＳ１０５を省略し、故障が生じると予測したか否かに関わらず、故障の予測結果を出力することとしてもよい。また、例えば、処理回路１５は、ステップＳ１０８を省略し、第１情報及び第２情報を記憶回路１３に記憶させておくこととしてもよい。

【0091】

また、図６のフローチャートにおいては第１情報及び第２情報の双方を用いて故障予測を行なうものとして説明したが、処理回路１５は、第１情報及び第２情報の一方を用いて故障予測を行なうこともできる。例えば、処理回路１５は、第１情報として図５に示した積算移動量のみを学習済みモデルＭ１に入力して、可動装置に関する故障を予測することもできる。

【0092】

上述したように、第１の実施形態によれば、制御機能１５１は、寝台１６や放射線発生装置１７等の可動装置を制御して、放射線治療を実行する。また、モデル記憶回路１４は、可動装置の故障を予測するように機能付けられた学習済みモデルＭ１を記憶する。また、予測機能１５３は、リーフ１７２１や天板１６１等の可動部の動作に関する第１情報、及び、可動部が動作した際の環境を示す第２情報の少なくとも一方を学習済みモデルＭ１に入力することにより、可動装置に関する故障を予測する。また、出力機能１５４は、予測機能１５３による故障の予測結果を出力する。従って、第１の実施形態に係る放射線治療装置１０は、可動装置に関する故障を予測してユーザに通知することにより、故障が発生する前に部品の修理や調整を行なうことを可能として、システムダウンを回避することができる。

【0093】

なお、これまで、可動装置の例として寝台１６及び放射線絞り器１７２について説明したが、実施形態はこれに限定されるものではない。例えば、放射線治療装置１０が有する回転ガントリ１９は、回転の動作を実行可能な可動部の一例である。また、放射線治療装置１０は、図示しない回転ガントリ駆動装置１９１を有し、回転ガントリ駆動装置１９１は、モータ等のアクチュエータを駆動することにより、回転ガントリ１９を回転させる。
ここで、放射線治療装置１０は、寝台１６及び放射線絞り器１７２の場合と同様に、回転ガントリ１９及び回転ガントリ駆動装置１９１からなる可動装置に関する故障を予測し、ユーザに通知することができる。

【0094】

また、これまで、放射線治療装置１０において学習済みモデルＭ１の生成処理を実行する場合について説明したが、実施形態はこれに限定されるものではない。例えば、放射線治療装置１０は、処理回路１５がモデル生成機能１５２を実行することに代えて、外部装置において生成された学習済みモデルＭ１を取得して、モデル記憶回路１４に記憶させることとしてもよい。

【0095】

（第２の実施形態）
上述した第１の実施形態では、放射線装置の一例として、放射線治療を実行可能な放射線治療装置について説明した。これに対し、第２の実施形態では、放射線を用いた画像収集を実行可能な放射線診断装置について説明する。

【0096】

以下、放射線診断装置の一例として、図７に示すＸ線ＣＴ装置２０について説明する。図７は、第２の実施形態に係るＸ線ＣＴ装置２０の構成の一例を示すブロック図である。図７に示すように、Ｘ線ＣＴ装置２０は、架台装置２１０と、寝台２３０と、コンソール装置２４０とを有する。

【0097】

図７においては、傾斜していない状態での回転フレーム２１３の回転軸又は寝台２３０の天板２３３の長手方向をＺ軸方向とする。また、Ｚ軸方向に直交し、床面に対し水平である軸方向をＸ軸方向とする。また、Ｚ軸方向に直交し、床面に対し垂直である軸方向をＹ軸方向とする。なお、図７は、説明のために架台装置２１０を複数方向から描画したものであり、Ｘ線ＣＴ装置２０が架台装置２１０を１つ有する場合を示す。

【0098】

架台装置２１０は、Ｘ線管２１１と、Ｘ線検出器２１２と、回転フレーム２１３と、Ｘ線高電圧装置２１４と、制御装置２１５と、ウェッジ装置２１６と、コリメータ２１７と、ＤＡＳ２１８とを有する。

【0099】

Ｘ線管２１１は、熱電子を発生する陰極（フィラメント）と、熱電子の衝突を受けてＸ線を発生する陽極（ターゲット）とを有する真空管である。Ｘ線管２１１は、Ｘ線高電圧装置２１４からの高電圧の印加により、陰極から陽極に向けて熱電子を照射することで、患者Ｐ２に対し照射するＸ線を発生する。

【0100】

Ｘ線検出器２１２は、Ｘ線管２１１から照射されて患者Ｐ２を通過したＸ線を検出し、検出したＸ線量に対応した信号をＤＡＳ２１８へと出力する。Ｘ線検出器２１２は、例えば、Ｘ線管２１１の焦点を中心とした１つの円弧に沿ってチャンネル方向（チャネル方向）に複数の検出素子が配列された複数の検出素子列を有する。Ｘ線検出器２１２は、例えば、チャネル方向に複数の検出素子が配列された検出素子列が列方向に複数配列された構造を有する。なお、列方向については、スライス方向、roｗ方向、又はセグメント方向とも記載する。また、列方向は、図７に示す患者Ｐ２の体軸方向（Ｚ軸方向）に対応する。

【0101】

例えば、Ｘ線検出器２１２は、グリッドと、シンチレータアレイと、光センサアレイとを有する間接変換型の検出器である。シンチレータアレイは、複数のシンチレータを有する。シンチレータは入射Ｘ線量に応じた光子量の光を出力するシンチレータ結晶を有する。グリッドは、シンチレータアレイのＸ線入射側の面に配置され、散乱Ｘ線を吸収するＸ線遮蔽板を有する。なお、グリッドはコリメータ（１次元コリメータ又は２次元コリメータ）と呼ばれる場合もある。光センサアレイは、シンチレータからの光量に応じた電気信号に変換する機能を有し、例えば、フォトダイオード等の光センサを有する。なお、Ｘ線検出器２１２は、入射したＸ線を電気信号に変換する半導体素子を有する直接変換型の検出器であっても構わない。

【0102】

回転フレーム２１３は、Ｘ線管２１１とＸ線検出器２１２とを対向支持し、制御装置２１５によってＸ線管２１１とＸ線検出器２１２とを回転させる円環状のフレームである。例えば、回転フレーム２１３は、アルミニウムを材料とした鋳物である。なお、回転フレーム２１３は、Ｘ線管２１１及びＸ線検出器２１２に加えて、Ｘ線高電圧装置２１４やウェッジ装置２１６、コリメータ２１７、ＤＡＳ２１８等を更に支持することもできる。更に、回転フレーム２１３は、図７において図示しない種々の構成を更に支持することもできる。以下では、架台装置２１０において、回転フレーム２１３、及び、回転フレーム２１３と共に回転移動する部分を、回転部とも記載する。

【0103】

Ｘ線高電圧装置２１４は、変圧器（トランス）及び整流器等の電気回路を有し、Ｘ線管２１１に印加する高電圧を発生する高電圧発生装置と、Ｘ線管２１１が発生するＸ線に応じた出力電圧の制御を行なうＸ線制御装置とを有する。高電圧発生装置は、変圧器方式であってもよいし、インバータ方式であってもよい。なお、Ｘ線高電圧装置２１４は、回転フレーム２１３に設けられてもよいし、図示しない固定フレームに設けられても構わない。

【0104】

制御装置２１５は、架台装置２１０の回転部を動作させる。例えば、制御装置２１５は、処理回路２４５による制御の下、モータ等のアクチュエータを駆動することにより、架台装置２１０の回転部を回転させる。また、例えば、制御装置２１５は、処理回路２４５による制御の下、回転部を傾斜させる。一例を挙げると、制御装置２１５は、回転部を傾斜させる制御として、入力インタフェース２４１を介して入力された傾斜角度（チルト角度）情報により、Ｘ軸方向に平行な軸を中心に回転部を傾斜させる。

【0105】

即ち、架台装置２１０の回転部は、回転や傾斜といった機械的な動作を実行可能な部品であり、可動部の一例である。また、制御装置２１５は、回転部を動作させる装置であり、駆動装置の一例である。また、回転部及び制御装置２１５を含む架台装置２１０は、可動装置の一例である。

【0106】

ウェッジ装置２１６は、例えば、移動又は回転の動作を実行可能なウェッジ２１６１と、ウェッジ２１６１を動作させるウェッジ駆動装置２１６２とを含む。ここで、ウェッジ２１６１は、Ｘ線管２１１から照射されたＸ線量を調節するためのＸ線フィルタである。具体的には、ウェッジ２１６１は、Ｘ線管２１１から患者Ｐ２へ照射されるＸ線が予め定められた分布になるように、Ｘ線管２１１から照射されたＸ線を減衰させるＸ線フィルタである。例えば、ウェッジ２１６１は、ウェッジフィルタ（ｗｅｄｇｅ ｆｉｌｔｅｒ）やボウタイフィルタ（ｂｏｗ－ｔｉｅ ｆｉｌｔｅｒ）であり、所定のターゲット角度や所定の厚みとなるようにアルミニウム等を加工して作製される。また、ウェッジ駆動装置２１６２は、モータ等のアクチュエータを駆動することによって、ウェッジ２１６１を動作させる。

【0107】

即ち、ウェッジ２１６１は、移動や回転といった機械的な動作を実行可能な部品であり、可動部の一例である。また、ウェッジ駆動装置２１６２は、ウェッジ２１６１を動作させる装置であり、駆動装置の一例である。また、ウェッジ２１６１及びウェッジ駆動装置２１６２を含むウェッジ装置２１６は、可動装置の一例である。

【0108】

コリメータ２１７は、例えば、移動の動作を実行可能な絞り羽根２１７１と、絞り羽根２１７１を動作させる絞り羽根駆動装置２１７２とを含む。ここで、絞り羽根２１７１は、ウェッジ２１６１を透過したＸ線の照射範囲を絞り込むための鉛板等である。例えば、コリメータ２１７は複数の絞り羽根２１７１を含み、これら複数の絞り羽根２１７１の組み合わせによってスリットを形成する。また、絞り羽根駆動装置２１７２は、モータ等のアクチュエータを駆動することによって絞り羽根２１７１を動作させる。

【0109】

即ち、絞り羽根２１７１は、移動可能な部品であり、可動部の一例である。また、絞り羽根駆動装置２１７２は、絞り羽根２１７１を動作させる装置であり、駆動装置の一例である。また、絞り羽根２１７１及び絞り羽根駆動装置２１７２を含むコリメータ２１７は、可動装置の一例である。

【0110】

なお、図７においては、Ｘ線管２１１とコリメータ２１７との間にウェッジ装置２１６が配置される場合を示すが、Ｘ線管２１１とウェッジ装置２１６との間にコリメータ２１７が配置される場合であってもよい。この場合、ウェッジ２１６１は、Ｘ線管２１１から照射され、コリメータ２１７により照射範囲が制限されたＸ線を透過して減衰させる。

【0111】

ＤＡＳ２１８は、Ｘ線検出器２１２が有する各検出素子によって検出されるＸ線の信号を収集する。例えば、ＤＡＳ２１８は、各検出素子から出力される電気信号に対して増幅処理を行なう増幅器と、電気信号をデジタル信号に変換するＡ／Ｄ変換器とを有し、検出データを生成する。ＤＡＳ２１８は、例えば、プロセッサにより実現される。

【0112】

ＤＡＳ２１８が生成したデータは、回転フレーム２１３に設けられた発光ダイオード（Ｌｉｇｈｔ Ｅｍｉｔｔｉｎｇ Ｄｉｏｄｅ：ＬＥＤ）を有する送信機から、光通信によって、架台装置２１０の非回転部分（例えば、固定フレーム等。図１での図示は省略している）に設けられた、フォトダイオードを有する受信機に送信され、コンソール装置２４０へと転送される。ここで、非回転部分とは、例えば、回転フレーム２１３を回転可能に支持する固定フレーム等である。なお、回転フレーム２１３から架台装置２１０の非回転部分へのデータの送信方法は、光通信に限らず、非接触型の如何なるデータ伝送方式を採用してもよいし、接触型のデータ伝送方式を採用しても構わない。

【0113】

寝台２３０は、患者Ｐ２が載置されるベッドであり、基台２３１と、寝台駆動装置２３２と、天板２３３と、支持フレーム２３４とを有する。なお、患者Ｐ２は、Ｘ線ＣＴ装置２０に含まれない。基台２３１は、支持フレーム２３４を鉛直方向に移動可能に支持する筐体である。また、支持フレーム２３４は、天板２３３を長軸方向に移動可能に支持するフレームである。

【0114】

例えば、寝台駆動装置２３２は、処理回路２４５による制御の下、モータ等のアクチュエータを駆動することにより、支持フレーム２３４を鉛直方向に移動させる。また、例えば、寝台駆動装置２３２は、天板２３３を長軸方向に移動させる。なお、寝台駆動装置２３２は、天板２３３に加え、支持フレーム２３４を天板２３３の長軸方向に移動してもよい。

【0115】

即ち、天板２３３及び支持フレーム２３４は、移動可能な部品であり、可動部の一例である。また、寝台駆動装置２３２は、天板２３３及び支持フレーム２３４を動作させる装置であり、駆動装置の一例である。また、寝台駆動装置２３２、天板２３３及び支持フレーム２３４を含む寝台２３０は、可動装置の一例である。

【0116】

コンソール装置２４０は、入力インタフェース２４１と、ディスプレイ２４２と、記憶回路２４３と、モデル記憶回路２４４と、処理回路２４５とを有する。なお、コンソール装置２４０は架台装置２１０とは別体として説明するが、架台装置２１０にコンソール装置２４０又はコンソール装置２４０の各構成要素の一部が含まれてもよい。

【0117】

入力インタフェース２４１は、ユーザからの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路２４５に出力する。例えば、入力インタフェース２４１は、マウスやキーボード、トラックボール、スイッチ、ボタン、ジョイスティック、操作面へ触れることで入力操作を行うタッチパッド、表示画面とタッチパッドとが一体化されたタッチスクリーン、光学センサを用いた非接触入力回路、音声入力回路等により実現される。なお、入力インタフェース２４１は、架台装置２１０に設けられてもよい。また、入力インタフェース２４１は、コンソール装置２４０本体と無線通信可能なタブレット端末等で構成されることにしても構わない。また、入力インタフェース２４１は、マウスやキーボード等の物理的な操作部品を備えるものだけに限られない。例えば、コンソール装置２４０とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を処理回路２４５へ出力する電気信号の処理回路も入力インタフェース２４１の例に含まれる。

【0118】

ディスプレイ２４２は、各種の情報を表示する。例えば、ディスプレイ２４２は、処理回路２４５による制御の下、Ｘ線管２１１及びＸ線検出器２１２を用いて収集されたＣＴ画像を表示する。また、例えば、ディスプレイ２４２は、入力インタフェース２４１を介してユーザから各種の指示や設定等を受け付けるためのＧＵＩを表示する。また、例えば、ディスプレイ２４２は、予測機能２４５ｃによる故障の予測結果を表示する。例えば、ディスプレイ２４２は、液晶ディスプレイやＣＲＴディスプレイである。ディスプレイ２４２は、デスクトップ型でもよいし、コンソール装置２４０本体と無線通信可能なタブレット端末等で構成されることにしても構わない。

【0119】

記憶回路２４３及びモデル記憶回路２４４は、例えば、ＲＡＭ、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスク等により実現される。例えば、記憶回路２４３は、Ｘ線ＣＴ装置２０に含まれる回路がその機能を実現するためのプログラムを記憶する。また、例えば、モデル記憶回路２４４は、モデル生成機能２４５ｂによって生成された学習済みモデルＭ２を記録する。なお、記憶回路２４３とモデル記憶回路２４４とについては統合することとしても構わない。

【0120】

処理回路２４５は、制御機能２４５ａ、モデル生成機能２４５ｂ、予測機能２４５ｃ及び出力機能２４５ｄを実行することで、Ｘ線ＣＴ装置２０全体の動作を制御する。ここで、制御機能２４５ａは、制御部の一例である。また、モデル生成機能２４５ｂは、モデル生成部の一例である。また、予測機能２４５ｃは、予測部の一例である。また、出力機能２４５ｄは、出力部の一例である。

【0121】

例えば、処理回路２４５は、制御機能２４５ａに相当するプログラムを記憶回路２４３から読み出して実行することにより、画像収集を実行する。なお、画像収集を実行するか放射線治療を実行するかという点を除いて、制御機能２４５ａは、上述した制御機能１５１と同様の機能である。

【0122】

例えば、制御機能２４５ａは、ウェッジ装置２１６を制御し、ウェッジ２１６１を移動させたり回転させたりする。また、例えば、制御機能２４５ａは、コリメータ２１７を制御し、絞り羽根２１７１を移動させて開口度等を調整する。また、例えば、制御機能２４５ａは、架台装置２１０を制御し、回転部を傾斜させたり回転させたりする。また、例えば、制御機能２４５ａは、寝台２３０を制御し、天板２３３及び支持フレーム２３４を移動させる。

【0123】

また、例えば、制御機能２４５ａは、Ｘ線高電圧装置２１４を制御することにより、Ｘ線管２１１に高電圧を供給する。これにより、Ｘ線管２１１は、患者Ｐ２に対し照射するＸ線を発生する。また、患者Ｐ２に対するＸ線の照射が行なわれている間、ＤＡＳ２１８は、Ｘ線検出器２１２における各検出素子からＸ線の信号を収集し、検出データを生成する。また、制御機能２４５ａは、ＤＡＳ２１８から出力された検出データに対して、前処理を施す。例えば、制御機能２４５ａは、ＤＡＳ２１８から出力された検出データに対して、対数変換処理やオフセット補正処理、チャンネル間の感度補正処理、ビームハードニング補正等の前処理を施す。なお、前処理を施した後のデータについては生データとも記載する。また、前処理を施す前の検出データ及び前処理を施した後の生データを総称して、投影データとも記載する。

【0124】

また、制御機能２４５ａは、前処理後の投影データに基づいて画像データを生成する。例えば、制御機能２４５ａは、投影データに対して、フィルタ補正逆投影法や逐次近似再構成法、逐次近似応用再構成法等を用いた再構成処理を行なうことにより、ＣＴ画像データ（ボリュームデータ）を生成する。また、制御機能２４５ａは、機械学習の手法による再構成処理を行なって、ＣＴ画像データを生成することもできる。例えば、制御機能２４５ａは、ＤＬＲ（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ）法により、ＣＴ画像データを生成する。

【0125】

また、処理回路２４５は、モデル生成機能２４５ｂに対応するプログラムを記憶回路２４３から読み出して実行することにより、学習済みモデルＭ２を生成する。なお、モデル生成機能２４５ｂは、上述したモデル生成機能１５２と同様の機能である。また、学習済みモデルＭ２は、上述した学習済みモデルＭ１と同様にして生成されるＡＩであり、可動装置に関する故障を予測するように機能付けられる。即ち、学習済みモデルＭ１は放射線治療装置１０が備える可動装置に関する故障を予測するように機能付けられたＡＩであるのに対し、学習済みモデルＭ２は、Ｘ線ＣＴ装置２０が備える可動装置に関する故障を予測するように機能付けられたＡＩである。

【0126】

また、処理回路２４５は、予測機能２４５ｃに対応するプログラムを記憶回路２４３から読み出して実行することにより、学習済みモデルＭ２を用いて、可動装置に関する故障を予測する。なお、予測機能２４５ｃは、上述した予測機能１５３と同様の機能である。

【0127】

また、処理回路２４５は、出力機能２４５ｄに対応するプログラムを記憶回路２４３から読み出して実行することにより、予測機能２４５ｃによる故障の予測結果を出力する。なお、出力機能２４５ｄは、上述した出力機能１５４と同様の機能である。

【0128】

図７に示すＸ線ＣＴ装置２０においては、各処理機能がコンピュータによって実行可能なプログラムの形態で記憶回路２４３へ記憶されている。処理回路２４５は、記憶回路２４３からプログラムを読み出して実行することで各プログラムに対応する機能を実現するプロセッサである。換言すると、各プログラムを読み出した状態の処理回路２４５は、読み出したプログラムに対応する機能を有することとなる。

【0129】

なお、図７においては単一の処理回路２４５にて、制御機能２４５ａ、モデル生成機能２４５ｂ、予測機能２４５ｃ及び出力機能２４５ｄが実現するものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路２４５を構成し、各プロセッサがプログラムを実行することにより機能を実現するものとしても構わない。

【0130】

また、図７においては、単一の記憶回路２４３が各処理機能に対応するプログラムを記憶するものとして説明した。しかしながら、実施形態はこれに限定されるものではない。例えば、複数の記憶回路２４３を分散して配置し、処理回路２４５は、個別の記憶回路２４３から対応するプログラムを読み出す構成としても構わない。また、記憶回路２４３にプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むよう構成しても構わない。この場合、プロセッサは、回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。

【0131】

以上、Ｘ線ＣＴ装置２０の構成の一例について説明した。放射線治療装置１０の場合と同様、ウェッジ装置２１６やコリメータ２１７、架台装置２１０、寝台２３０のような可動装置については、使用上、故障が生じる場合がある。或いは、可動装置それ自体が故障しない場合でも、可動部の動作を検出するセンサに故障が生じる場合もある。そこで、Ｘ線ＣＴ装置２０においては、以下で説明する処理回路２４５の処理により、可動装置に関する故障を予測して、Ｘ線ＣＴ装置２０のシステムダウンを回避する。

【0132】

まず、モデル生成機能２４５ｂは、可動装置に関する故障を予測するように機能付けられた学習済みモデルＭ２を生成して、モデル記憶回路２４４に記憶させる。ここで、モデル生成機能２４５ｂは、モデル生成機能１５２による学習済みモデルＭ１の生成処理と同様にして、学習済みモデルＭ２を生成することができる。

【0133】

例えば、制御機能２４５ａは、ウェッジ装置２１６のウェッジ２１６１や、コリメータ２１７の絞り羽根２１７１、架台装置２１０の回転部、寝台２３０の天板２３３及び支持フレーム２３４といった可動部の動作をセンサにより検出した検出結果に基づいてセンサ情報を取得し、記憶回路２４３に記憶させる。なお、センサ情報の例としては、積算移動量や差異データ、画像情報等が挙げられる。また、センサ情報は、第１情報の一例である。

【0134】

また、例えば、制御機能２４５ａは、撮像条件に基づいて各種の付帯情報を取得し、記憶回路２４３に記憶させる。なお、付帯情報の例としては、傾斜情報や術式情報、放射線情報等が挙げられる。また、付帯情報は、第２情報の一例である。

【0135】

一例を挙げると、架台装置２１０の回転部をＸ軸方向に平行な軸を中心に傾斜させて画像収集を行なう場合、回転部の傾斜角度は、撮像条件として事前に設定される。従って、制御機能２４５ａは、撮像条件に基づいて、重力方向に対する可動部の傾きを示す傾斜情報を取得し、記憶回路２４３に記憶させることができる。

【0136】

また、一例を挙げると、画像収集を実行する際には、コンベンショナルスキャン、ヘリカルスキャン、ステップアンドシュートといった種々の術式が使用される。ここで、術式は、撮像条件として事前に設定されるものである。従って、制御機能２４５ａは、撮像条件に基づいて、画像収集を実行した際に使用した術式を示す術式情報を取得し、記憶回路２４３に記憶させることができる。

【0137】

また、一例を挙げると、画像収集のため使用されるＸ線の強度及び照射時間は、撮像条件として事前に設定されるものである。従って、制御機能２４５ａは、撮像条件に基づいてＸ線の強度及び照射時間を取得し、Ｘ線の量を算出して、放射線情報として記憶回路２４３に記憶させることができる。

【0138】

また、例えば、制御機能２４５ａは、可動装置に関する故障が発生するごとに故障履歴情報を取得し、記憶回路２４３に記憶させる。故障履歴情報の例としては、故障時期や可動装置の故障に関する情報、センサの故障に関する情報等が挙げられる。

【0139】

例えば、モデル生成機能２４５ｂは、上述したセンサ情報及び付帯情報を入力側教師データとして取得し、故障履歴情報を出力側教師データとして取得する。また、モデル生成機能２４５ｂは、このような入力側教師データと出力側教師データとの組を複数取得し、学習用データセットを生成する。更に、モデル生成機能２４５ｂは、生成した学習用データセットに基づく機械学習を実行して学習済みモデルＭ２を生成し、モデル記憶回路２４４に記憶させる。

【0140】

モデル生成機能２４５ｂが学習済みモデルＭ２を生成してモデル記憶回路２４４に記憶させた後、予測機能２４５ｃは、例えばＸ線ＣＴ装置２０が使用されるごとに、学習済みモデルＭ２をモデル記憶回路２４４から読み出して可動装置に関する故障を予測する。

【0141】

例えば、まず、制御機能２４５ａは、Ｘ線ＣＴ装置２０が使用されるごとに、積算移動量や差異データ、画像情報等のセンサ情報、及び、傾斜情報、術式情報及び放射線情報等の付帯情報を取得して、記憶回路２４３に記憶させる。また、予測機能２４５ｃは、センサ情報及び付帯情報を記憶回路２４３から取得して、モデル記憶回路２４４から読み出した学習済みモデルＭ２に入力する。ここで、学習済みモデルＭ２は、これらの入力データに基づいて、可動装置に関する故障を予測する。即ち、予測機能２４５ｃは、可動部の動作に関する第１情報、及び、可動部が動作した際の環境を示す第２情報を学習済みモデルＭ２に入力することにより、可動装置に関する故障を予測する。

【0142】

そして、出力機能２４５ｄは、予測機能２４５ｃによる故障の予測結果を出力する。例えば、出力機能２４５ｄは、予測機能２４５ｃによる故障の予測結果をディスプレイ２４２に表示させる。或いは、出力機能２４５ｄは、予測機能２４５ｃによる故障の予測結果をネットワークを介して他の装置に送信し、当該他の装置が、予測機能２４５ｃによる故障の予測結果の表示を行なう場合であってもよい。

【0143】

上述した処理回路２４５による処理によって、Ｘ線ＣＴ装置２０のユーザは、故障の予測結果を参考にしつつ、Ｘ線ＣＴ装置２０の状態を適切に管理することができる。例えば、近い時期に故障が発生すると予測された場合、ユーザは、故障が発生すると予測された駆動装置やセンサ等の交換又は調整を業者に依頼して、可動装置に関する故障の発生を事前に防ぐことができる。即ち、処理回路２４５は、可動装置に関する故障を予測してユーザに通知することにより、Ｘ線ＣＴ装置２０のシステムダウンを回避することができる。一方で、故障が発生すると予測されたもののその時期が遠い場合や、故障が生じないと予測された場合、ユーザは、Ｘ線ＣＴ装置２０の使用を安心して継続することができる。

【0144】

（第３の実施形態）
上述した第１～第２の実施形態では、予測機能１５３又は予測機能２４５ｃが可動装置に関する故障を予測するものとして説明した。即ち、上述した第１～第２の実施形態では、放射線治療装置１０やＸ線ＣＴ装置２０といった放射線装置が自ら、可動装置に関する故障を予測するものとして説明した。これに対し、第３の実施形態では、放射線装置と異なる他の装置が、放射線装置が備える可動装置に関する故障を予測する場合について説明する。以下、第１～第２の実施形態において説明した構成と同様の構成を有する点については、図２又は図７と同一の符号を付し、説明を省略する。

【0145】

第３の実施形態では、図８に示すように、放射線治療装置１０、Ｘ線ＣＴ装置２０及び故障予測装置３０を含んだ放射線システム１について説明する。図８は、第３の実施形態に係る放射線システム１の構成の一例を示すブロック図である。図８に示すように、放射線治療装置１０、Ｘ線ＣＴ装置２０及び故障予測装置３０は、ネットワークＮＷを介して相互に接続される。ネットワークＮＷは、施設内で閉じたローカルネットワークにより構成されてもよいし、インターネットを介したネットワークであってもよい。

【0146】

故障予測装置３０は、放射線治療装置１０又はＸ線ＣＴ装置２０が備える可動装置に関する故障を予測する装置である。例えば、故障予測装置３０は、図８に示すように、入力インタフェース３１と、ディスプレイ３２と、記憶回路３３と、モデル記憶回路３４と、処理回路３５とを有する。

【0147】

入力インタフェース３１は、ユーザからの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路３５に出力する。例えば、入力インタフェース３１は、マウスやキーボード、トラックボール、スイッチ、ボタン、ジョイスティック、操作面へ触れることで入力操作を行うタッチパッド、表示画面とタッチパッドとが一体化されたタッチスクリーン、光学センサを用いた非接触入力回路、音声入力回路等により実現される。なお、入力インタフェース３１は、故障予測装置３０本体と無線通信可能なタブレット端末等で構成されることにしても構わない。また、入力インタフェース３１は、マウスやキーボード等の物理的な操作部品を備えるものだけに限られない。例えば、故障予測装置３０とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を処理回路３５へ出力する電気信号の処理回路も入力インタフェース３１の例に含まれる。

【0148】

ディスプレイ３２は、各種の情報を表示する。例えば、ディスプレイ３２は、処理回路３５による制御の下、入力インタフェース３１を介してユーザから各種の指示や設定等を受け付けるためのＧＵＩを表示する。また、例えば、ディスプレイ３２は、予測機能３５２による故障の予測結果を表示する。例えば、ディスプレイ３２は、液晶ディスプレイやＣＲＴディスプレイである。ディスプレイ３２は、デスクトップ型でもよいし、故障予測装置３０本体と無線通信可能なタブレット端末等で構成されることにしても構わない。

【0149】

記憶回路３３及びモデル記憶回路３４は、例えば、ＲＡＭ、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスク等により実現される。例えば、記憶回路３３は、故障予測装置３０に含まれる回路がその機能を実現するためのプログラムを記憶する。また、例えば、モデル記憶回路３４は、モデル生成機能３５１によって生成された学習済みモデルＭ１又は学習済みモデルＭ２を記録する。なお、記憶回路３３とモデル記憶回路３４とについては統合することとしても構わない。

【0150】

処理回路３５は、モデル生成機能３５１、予測機能３５２及び出力機能３５３を実行することで、故障予測装置３０全体の動作を制御する。ここで、モデル生成機能３５１は、モデル生成部の一例である。また、予測機能３５２は、予測部の一例である。また、出力機能３５３は、出力部の一例である。

【0151】

例えば、処理回路３５は、モデル生成機能３５１に対応するプログラムを記憶回路３３から読み出して実行することにより、学習済みモデルＭ１又は学習済みモデルＭ２を生成する。なお、モデル生成機能３５１は、上述したモデル生成機能１５２又はモデル生成機能２４５ｂと同様の機能である。また、学習済みモデルＭ１は、上述したように、放射線治療装置１０が備える可動装置に関する故障を予測するように機能付けられたＡＩである。また、学習済みモデルＭ２は、上述したように、Ｘ線ＣＴ装置２０が備える可動装置に関する故障を予測するように機能付けられたＡＩである。

【0152】

また、処理回路３５は、予測機能３５２に対応するプログラムを記憶回路３３から読み出して実行することにより学習済みモデルＭ１又は学習済みモデルＭ２を用いて、放射線治療装置１０又はＸ線ＣＴ装置２０が備える可動装置に関する故障を予測する。なお、予測機能３５２は、上述した予測機能１５３又は予測機能２４５ｃと同様の機能である。

【0153】

また、処理回路３５は、出力機能３５３に対応するプログラムを記憶回路３３から読み出して実行することにより、予測機能３５２による故障の予測結果を出力する。なお、出力機能３５３は、上述した出力機能１５４又は出力機能２４５ｄと同様の機能である。

【0154】

図８に示す故障予測装置３０においては、各処理機能がコンピュータによって実行可能なプログラムの形態で記憶回路３３へ記憶されている。処理回路３５は、記憶回路３３からプログラムを読み出して実行することで各プログラムに対応する機能を実現するプロセッサである。換言すると、各プログラムを読み出した状態の処理回路３５は、読み出したプログラムに対応する機能を有することとなる。

【0155】

なお、図８においては単一の処理回路３５にて、モデル生成機能３５１、予測機能３５２及び出力機能３５３が実現するものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路３５を構成し、各プロセッサがプログラムを実行することにより機能を実現するものとしても構わない。

【0156】

また、図８においては、単一の記憶回路３３が各処理機能に対応するプログラムを記憶するものとして説明した。しかしながら、実施形態はこれに限定されるものではない。例えば、複数の記憶回路３３を分散して配置し、処理回路３５は、個別の記憶回路３３から対応するプログラムを読み出す構成としても構わない。また、記憶回路３３にプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むよう構成しても構わない。この場合、プロセッサは、回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。

【0157】

まず、故障予測装置３０は、学習済みモデルＭ１又は学習済みモデルＭ２を生成してモデル記憶回路３４に記憶させる。例えば、モデル生成機能３５１は、放射線治療装置１０から、学習済みモデルＭ１の生成処理に使用する学習用データを取得する。一例を挙げると、モデル生成機能３５１は、ネットワークＮＷを介して、図４に示したセンサ情報や付帯情報、故障履歴情報等を学習用データとして取得する。また、モデル生成機能３５１は、放射線治療装置１０から取得した学習用データに基づいて、学習用データセットを生成する。そして、モデル生成機能３５１は、生成した学習用データセットに基づく機械学習を実行して、学習済みモデルＭ１を生成する。同様にして、モデル生成機能３５１は、Ｘ線ＣＴ装置２０から学習済みモデルＭ２の生成処理に使用する学習用データを取得し、学習済みモデルＭ２を生成することもできる。また、モデル生成機能３５１は、生成した学習済みモデルＭ１又は学習済みモデルＭ２をモデル記憶回路３４に記憶させる。

【0158】

なお、モデル生成機能３５１が学習済みモデルＭ１又は学習済みモデルＭ２を生成する場合について説明したが、実施形態はこれに限定されるものではない。例えば、故障予測装置３０は、処理回路３５がモデル生成機能３５１を実行することに代えて、外部装置において生成された学習済みモデルＭ１又は学習済みモデルＭ２を取得して、モデル記憶回路３４に記憶させることとしてもよい。一例を挙げると、故障予測装置３０は、放射線治療装置１０において生成された学習済みモデルＭ１をネットワークＮＷを介して取得して、モデル記憶回路３４に記憶させることとしてもよい。また、一例を挙げると、故障予測装置３０は、Ｘ線ＣＴ装置２０において生成された学習済みモデルＭ２をネットワークＮＷを介して取得して、モデル記憶回路３４に記憶させることとしてもよい。

【0159】

次に、故障予測装置３０は、放射線治療装置１０又はＸ線ＣＴ装置２０が備える可動装置に関する故障を予測する。例えば、予測機能３５２は、学習済みモデルＭ１を用いて、放射線治療装置１０が備える可動装置に関する故障を予測する。一例を挙げると、予測機能３５２は、放射線治療装置１０において放射線治療が実行されるごとに、ネットワークＮＷを介して、放射線治療装置１０から、センサ情報及び付帯情報を取得する。次に、予測機能３５２は、モデル記憶回路３４から学習済みモデルＭ１を読み出し、取得したセンサ情報及び付帯情報を学習済みモデルＭ１に入力する。ここで、学習済みモデルＭ１は、これらの入力データに基づいて、可動装置に関する故障を予測する。即ち、予測機能１５３は、センサ情報及び付帯情報を放射線治療装置１０から取得して学習済みモデルＭ１に入力することにより、放射線治療装置１０が備える可動装置に関する故障を予測することができる。同様にして、予測機能１５３は、センサ情報及び付帯情報をＸ線ＣＴ装置２０から取得して学習済みモデルＭ２に入力することにより、Ｘ線ＣＴ装置２０が備える可動装置に関する故障を予測することができる。

【0160】

そして、出力機能３５３は、予測機能３５２による故障の予測結果を出力する。例えば、出力機能３５３は、予測機能３５２による故障の予測結果をディスプレイ３２に表示させる。或いは、出力機能３５３は、予測機能３５２による故障の予測結果をネットワークＮＷを介して他の装置に送信し、当該他の装置が、予測機能３５２による故障の予測結果の表示を行なう場合であってもよい。

【0161】

例えば、予測機能３５２によって放射線治療装置１０が備える可動装置に関する故障の予測が行なわれた場合、出力機能３５３は、予測機能３５２による故障の予測結果をネットワークＮＷを介して放射線治療装置１０に送信する。この場合、放射線治療装置１０における出力機能１５４は、予測機能３５２による故障の予測結果をディスプレイ１２に表示させることができる。

【0162】

また、例えば、予測機能３５２によってＸ線ＣＴ装置２０が備える可動装置に関する故障の予測が行なわれた場合、出力機能３５３は、予測機能３５２による故障の予測結果をネットワークＮＷを介してＸ線ＣＴ装置２０に送信する。この場合、Ｘ線ＣＴ装置２０における出力機能２４５ｄは、予測機能３５２による故障の予測結果をディスプレイ２４２に表示させることができる。

【0163】

なお、図８においては放射線治療装置１０及びＸ線ＣＴ装置２０を示したが、これら放射線装置の一方については省略することとしても構わない。即ち、故障予測装置３０は、放射線治療装置１０及びＸ線ＣＴ装置２０のいずれか一方のみと接続されることとしても構わない。

【0164】

また、図８においては放射線治療装置１０を１つのみ示したが、故障予測装置３０は、複数の放射線治療装置１０と接続されることとしても構わない。同様に、故障予測装置３０は、複数のＸ線ＣＴ装置２０と接続されることとしても構わない。

【0165】

また、図７及び図８においては、画像収集を実行可能な放射線診断装置の一例として、Ｘ線ＣＴ装置２０について説明した。しかしながら、実施形態はこれに限定されるものではない。例えば、ＰＥＴ（Ｐｏｓｉｔｒｏｎ Ｅｍｉｓｓｉｏｎ Ｔｏｍｏｇｒａｐｈｙ）装置、ＳＰＥＣＴ（Ｓｉｎｇｌｅ Ｐｈｏｔｏｎ Ｅｍｉｓｓｉｏｎ Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）装置、Ｘ線診断装置等の各種の放射線診断装置においても、Ｘ線ＣＴ装置２０の場合と同様に、可動装置に関する故障を予測することが可能である。また、故障予測装置３０は、ＰＥＴ装置、ＳＰＥＣＴ装置、Ｘ線診断装置置等の各種の放射線診断装置が備える可動装置に関する故障を予測することが可能である。なお、故障予測装置３０は、複数種類の放射線診断装置と接続されることとしても構わない。

【0166】

上記説明において用いた「プロセッサ」という文言は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Ｓｉｍｐｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＳＰＬＤ）、複合プログラマブル論理デバイス（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ：ＦＰＧＡ））等の回路を意味する。プロセッサが例えばＣＰＵである場合、プロセッサは記憶回路に保存されたプログラムを読み出し実行することで機能を実現する。一方、プロセッサが例えばＡＳＩＣである場合、記憶回路にプログラムを保存する代わりに、当該機能がプロセッサの回路内に論理回路として直接組み込まれる。なお、実施形態の各プロセッサは、プロセッサごとに単一の回路として構成される場合に限らず、複数の独立した回路を組み合わせて１つのプロセッサとして構成し、その機能を実現するようにしてもよい。さらに、各図における複数の構成要素を１つのプロセッサへ統合してその機能を実現するようにしてもよい。

【0167】

上述した実施形態に係る各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。即ち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部又は一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的又は物理的に分散・統合して構成することができる。更に、各装置にて行われる各処理機能は、その全部又は任意の一部が、ＣＰＵ及び当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現されうる。

【0168】

また、上述した実施形態で説明した故障予測方法は、予め用意された故障予測プログラムをパーソナルコンピュータやワークステーション等のコンピュータで実行することによって実現することができる。この故障予測プログラムは、インターネット等のネットワークを介して配布することができる。また、この故障予測プログラムは、ハードディスク、フレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＭＯ、ＤＶＤ等のコンピュータで読み取り可能な非一過性の記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行することもできる。

【0169】

以上説明した少なくとも１つの実施形態によれば、放射線装置のシステムダウンを回避することができる。

【0170】

いくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更、実施形態同士の組み合わせを行なうことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

【符号の説明】

【0171】

１ 放射線システム
１０ 放射線治療装置
１４ モデル記憶回路
１５ 処理回路
１５１ 制御機能
１５２ モデル生成機能
１５３ 予測機能
１５４ 出力機能
１６ 寝台
１６１ 天板
１６２ 寝台駆動装置
１７ 放射線発生装置
１７１ 放射線発生器
１７２ 放射線絞り器
２０ Ｘ線ＣＴ装置
２１０ 架台装置
２１１ Ｘ線管
２１２ Ｘ線検出器
２１３ 回転フレーム
２１４ Ｘ線高電圧装置
２１５ 制御装置
２１６ ウェッジ装置
２１６１ ウェッジ
２１６２ ウェッジ駆動装置
２１７ コリメータ
２１７１ 絞り羽根
２１７２ 絞り羽根駆動装置
２１８ ＤＡＳ
２３０ 寝台
２３１ 基台
２３２ 寝台駆動装置
２３３ 天板
２３４ 支持フレーム
２４０ コンソール装置
２４４ モデル記憶回路
２４５ 処理回路
２４５ａ 制御機能
２４５ｂ モデル生成機能
２４５ｃ 予測機能
２４５ｄ 出力機能
３０ 故障予測装置
３４ モデル記憶回路
３５ 処理回路
３５１ モデル生成機能
３５２ 予測機能
３５３ 出力機能

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】