特許 7583653 推定装置、方法およびプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-11-06

(45)【発行日】2024-11-14

(54)【発明の名称】推定装置、方法およびプログラム

(51)【国際特許分類】

   A61B 6/00 20240101AFI20241107BHJP

   A61B 6/03 20060101ALI20241107BHJP

   G06T 1/00 20060101ALI20241107BHJP

   G06T 5/00 20240101ALI20241107BHJP

   G06T 1/40 20060101ALI20241107BHJP

【ＦＩ】

A61B6/00 560

A61B6/00 550S

A61B6/00 533

A61B6/03 571

A61B6/00 550P

G06T1/00 290A

G06T5/00

G06T1/40

【請求項の数】 5

(21)【出願番号】P 2021040687

(22)【出願日】2021-03-12

(65)【公開番号】P2022140051

(43)【公開日】2022-09-26

【審査請求日】2023-12-07

(73)【特許権者】

【識別番号】306037311

【氏名又は名称】富士フイルム株式会社

(74)【代理人】

【識別番号】110001519

【氏名又は名称】弁理士法人太陽国際特許事務所

(72)【発明者】

【氏名】瀧 伴子

【審査官】宮川 数正

(56)【参考文献】

【文献】国際公開第２０１９／２０８３０７（ＷＯ，Ａ１）

【文献】特開２０１０－１８７９９１（ＪＰ，Ａ）

【文献】特開２００４－１８８１８７（ＪＰ，Ａ）

【文献】特開２０２０－０９３０８３（ＪＰ，Ａ）

【文献】中国特許出願公開第１１１１７９３７３（ＣＮ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ａ６１Ｂ ６／００－６／５８

Ｇ０６Ｔ １／００－５／９４

Ｇ０６Ｔ ７／００－７／９０

(57)【特許請求の範囲】

【請求項1】

少なくとも１つのプロセッサを備え、
前記プロセッサは、
複数の組成を含む被写体を単純撮影することにより取得した単純２次元画像から前記被写体の特定の組成を強調した少なくとも１つの強調画像の推定結果を導出する学習済みニューラルネットワークとして機能し、
前記学習済みニューラルネットワークは、前記被写体の３次元のＣＴ画像を合成することにより導出された前記被写体を表す合成２次元画像と、前記ＣＴ画像から導出された前記被写体の特定の組成を強調した学習用強調画像とを教師データとして用いて学習されてなり、
前記学習用強調画像は、前記ＣＴ画像をあらかじめ定められた方向に投影することにより導出された、エネルギー分布が異なる放射線による前記被写体の撮影をシミュレーションした２つの合成２次元画像を重み付け減算することにより導出される、推定装置。

【請求項2】

前記合成２次元画像は、３次元空間上の各位置における組成についての放射線の減弱係数を導出し、前記減弱係数に基づいてあらかじめ定められた方向に前記ＣＴ画像を投影することにより導出される請求項１に記載の推定装置。

【請求項3】

前記特定の組成は、前記被写体の軟部、骨部、筋肉および脂肪の少なくとも１つである請求項１または２に記載の推定装置。

【請求項4】

複数の組成を含む被写体を単純撮影することにより取得した単純放射線画像から前記被写体の特定の組成を強調した少なくとも１つの強調画像の推定結果を導出する学習済みニューラルネットワークを用いて、前記単純放射線画像から前記被写体の特定の組成を強調した少なくとも１つの強調画像の推定結果を導出する推定方法であって、
前記学習済みニューラルネットワークは、前記被写体の３次元のＣＴ画像を合成することにより導出された前記被写体を表す合成２次元画像と、前記ＣＴ画像から導出された前記被写体の特定の組成を強調した学習用強調画像とを教師データとして用いて学習されてなり、
前記学習用強調画像は、前記ＣＴ画像をあらかじめ定められた方向に投影することにより導出された、エネルギー分布が異なる放射線による前記被写体の撮影をシミュレーションした２つの合成２次元画像を重み付け減算することにより導出される、推定方法。

【請求項5】

複数の組成を含む被写体を単純撮影することにより取得した単純放射線画像から前記被写体の特定の組成を強調した少なくとも１つの強調画像の推定結果を導出する学習済みニューラルネットワークを用いて、前記単純放射線画像から前記被写体の特定の組成を強調した少なくとも１つの強調画像の推定結果を導出する手順をコンピュータに実行させる推定プログラムであって、
前記学習済みニューラルネットワークは、前記被写体の３次元のＣＴ画像を合成することにより導出された前記被写体を表す合成２次元画像と、前記ＣＴ画像から導出された前記被写体の特定の組成を強調した学習用強調画像とを教師データとして用いて学習されてなり、
前記学習用強調画像は、前記ＣＴ画像をあらかじめ定められた方向に投影することにより導出された、エネルギー分布が異なる放射線による前記被写体の撮影をシミュレーションした２つの合成２次元画像を重み付け減算することにより導出される、推定プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、推定装置、方法およびプログラムに関する。

【背景技術】

【0002】

従来より、被写体を構成する物質によって透過した放射線の減衰量が異なることを利用して、エネルギー分布が異なる２種類の放射線を被写体に照射して得られた２枚の放射線画像を用いたエネルギーサブトラクション処理が知られている。エネルギーサブトラクション処理とは、上記のようにして得られた２つの放射線画像の各画素を対応させて、画素間で適当な重み係数を乗算した上で減算（サブトラクト）を行って、特定の構造物を強調した画像を取得する方法である。また、骨部および軟部のみならず、軟部における脂肪および筋肉等の人体の組成をエネルギーサブトラクション処理により導出することも行われている（特許文献１参照）。

【0003】

また、被写体を撮影することにより取得された放射線画像を用いて、取得された放射線画像とは異なる放射線画像を導出する各種手法が提案されている。例えば、特許文献２には、単純撮影により取得された被写体の放射線画像と、同一の被写体の骨部画像とを教師データとして用いてニューラルネットワークを学習することにより構築された学習済みモデルを用いることにより、単純撮影により取得された被写体の放射線画像から骨部画像を導出する手法が提案されている。

【0004】

なお、単純撮影とは、被写体に１回放射線を照射して、被写体の透過像である１枚の２次元画像を取得する撮影方法である。以降の説明においては、単純撮影により取得した２次元画像を単純２次元画像と称するものとする。

【先行技術文献】

【特許文献】

【0005】

【文献】特開２０１８－１５３６０５号公報

【文献】米国特許第７５４５９６５号明細書

【発明の概要】

【発明が解決しようとする課題】

【0006】

しかしながら、さらに高精度で骨部等の特定の組成を強調した画像を推定することが望まれている。

【0007】

本開示は上記事情に鑑みなされたものであり、特定の組成を強調した画像を高精度で推定できるようにすることを目的とする。

【課題を解決するための手段】

【0008】

本開示による推定装置は、少なくとも１つのプロセッサを備え、
プロセッサは、複数の組成を含む被写体を単純撮影することにより取得した単純２次元画像から被写体の特定の組成を強調した少なくとも１つの強調画像の推定結果を導出する学習済みニューラルネットワークとして機能し、
学習済みニューラルネットワークは、被写体の３次元のＣＴ画像を合成することにより導出された被写体を表す合成２次元画像と、ＣＴ画像から導出された被写体の特定の組成を強調した学習用強調画像とを教師データとして用いて学習されてなる。

【0009】

なお、本開示による推定装置においては、合成２次元画像は、３次元空間上の各位置における組成についての放射線の減弱係数を導出し、減弱係数に基づいてあらかじめ定められた方向にＣＴ画像を投影することにより導出されるものであってもよい。

【0010】

また、本開示による推定装置においては、学習用強調画像は、ＣＴ画像における特定の組成の領域を特定し、特定の組成の領域のＣＴ画像をあらかじめ定められた方向に投影することにより導出されるものであってもよい。

【0011】

また、本開示による推定装置においては、学習用強調画像は、ＣＴ画像をあらかじめ定められた方向に投影することにより導出された、エネルギー分布が異なる放射線による被写体の撮影をシミュレーションした２つの合成２次元画像を重み付け減算することにより導出されるものであってもよい。

【0012】

また、本開示による推定装置においては、特定の組成は、被写体の軟部、骨部、筋肉および脂肪の少なくとも１つであってもよい。

【0013】

本開示による推定方法は、複数の組成を含む被写体を単純撮影することにより取得した単純放射線画像から被写体の特定の組成を強調した少なくとも１つの強調画像の推定結果を導出する学習済みニューラルネットワークを用いて、単純放射線画像から被写体の特定の組成を強調した少なくとも１つの強調画像の推定結果を導出する推定方法であって、
学習済みニューラルネットワークは、被写体の３次元のＣＴ画像を合成することにより導出された被写体を表す合成２次元画像と、ＣＴ画像から導出された被写体の特定の組成を強調した学習用強調画像とを教師データとして用いて学習されてなる。

【0014】

なお、本開示による推定方法を、コンピュータに実行させるためのプログラムとして提供してもよい。

【発明の効果】

【0015】

本開示によれば、特定の組成を強調した画像を高精度で推定できる

【図面の簡単な説明】

【0016】

【図1】本開示の第１の実施形態による推定装置を適用した放射線画像撮影システムの構成を示す概略ブロック図

【図2】第１の実施形態による推定装置の概略構成を示す図

【図3】第１の実施形態による推定装置の機能的な構成を示す図

【図4】本実施形態において用いられるニューラルネットワークの概略構成を示す図

【図5】教師データを示す図

【図6】第１の実施形態による情報導出装置の概略構成を示す図

【図7】第１の実施形態による情報導出装置の機能的な構成を示す図

【図8】合成２次元画像の導出を説明するための図

【図9】合成２次元画像の導出を説明するための図

【図10】ＣＴ値を説明するための図

【図11】骨部画像の導出を説明するための図

【図12】骨部画像を示す図

【図13】軟部画像の導出を説明するための図

【図14】軟部画像を示す図

【図15】ニューラルネットワークの学習を説明するための図

【図16】学習済みニューラルネットワークが行う処理の概念図

【図17】推定結果の表示画面を示す図

【図18】第１の実施形態において行われる学習処理のフローチャート

【図19】第１の実施形態において行われる推定処理のフローチャート

【図20】筋肉画像の導出を説明するための図

【図21】筋肉画像を示す図

【図22】脂肪画像の導出を説明するための図

【図23】脂肪画像を示す図

【図24】教師データの他の例を示す図

【図25】第３の実施形態による情報導出装置の機能的な構成を示す図

【図26】第３の実施形態における合成２次元画像の導出を説明するための図

【発明を実施するための形態】

【0017】

以下、図面を参照して本開示の実施形態について説明する。図１は本開示の第１の実施形態による推定装置を適用した放射線画像撮影システムの構成を示す概略ブロック図である。図１に示すように、第１の実施形態による放射線画像撮影システムは、撮影装置１と、ＣＴ装置７と、画像保存システム９と、第１の実施形態による推定装置１０と、情報導出装置５０とを備える。撮影装置１、ＣＴ(Computed Tomography)装置７、推定装置１０および情報導出装置５０は、不図示のネットワークを介して画像保存システム９と接続されている。

【0018】

撮影装置１は、放射線検出器５に、放射線源３から発せられ、被写体Ｈを透過したＸ線等の放射線を照射することにより、被写体Ｈの単純放射線画像Ｇ０を取得することが可能な撮影装置である。取得された単純放射線画像Ｇ０は、推定装置１０に入力される。単純放射線画像Ｇ０は例えば被写体Ｈの股間周辺を含む正面像である。

【0019】

放射線検出器５は、放射線画像の記録および読み出しを繰り返して行うことができるものであり、放射線の照射を直接受けて電荷を発生する、いわゆる直接型の放射線検出器を用いてもよいし、放射線を一旦可視光に変換し、その可視光を電荷信号に変換する、いわゆる間接型の放射線検出器を用いるようにしてもよい。また、放射線画像信号の読出方式としては、ＴＦＴ（thin film transistor）スイッチをオン・オフさせることによって放射線画像信号が読み出される、いわゆるＴＦＴ読出方式のもの、または読取り光を照射することによって放射線画像信号が読み出される、いわゆる光読出方式のものを用いることが望ましいが、これに限らずその他のものを用いるようにしてもよい。

【0020】

ＣＴ装置７は、被写体ＨをＣＴ撮影することにより、被写体Ｈにおける複数の断層面を表す複数の断層画像を３次元のＣＴ画像Ｖ０として取得する。ＣＴ画像における各画素（ボクセル）のＣＴ値は、人体を構成する組成における放射線の吸収率を数値化したものである。ＣＴ値については後述する。

【0021】

画像保存システム９は、撮影装置１により取得された放射線画像の画像データおよびＣＴ装置７により取得されたＣＴ画像の画像データを保存するシステムである。画像保存システム９は、保存している放射線画像およびＣＴ画像から、推定装置１０および情報導出装置５０からの要求に応じた画像を取り出して、要求元の装置に送信する。画像保存システム９の具体例としては、ＰＡＣＳ（Picture Archiving and Communication Systems）が挙げられる。なお、本実施形態においては、画像保存システム９には、後述するニューラルネットワークを学習するための多数の教師データが保存されている。

【0022】

次いで、第１の実施形態に係る推定装置について説明する。まず、図２を参照して、第１の実施形態に係る推定装置のハードウェア構成を説明する。図２に示すように、推定装置１０は、ワークステーション、サーバコンピュータおよびパーソナルコンピュータ等のコンピュータであり、ＣＰＵ（Central Processing Unit）１１、不揮発性のストレージ１３、および一時記憶領域としてのメモリ１６を備える。また、推定装置１０は、液晶ディスプレイ等のディスプレイ１４、キーボードおよびマウス等の入力デバイス１５、並びに不図示のネットワークに接続されるネットワークＩ／Ｆ（InterFace）１７を備える。ＣＰＵ１１、ストレージ１３、ディスプレイ１４、入力デバイス１５、メモリ１６およびネットワークＩ／Ｆ１７は、バス１８に接続される。なお、ＣＰＵ１１は、本開示におけるプロセッサの一例である。

【0023】

ストレージ１３は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、およびフラッシュメモリ等によって実現される。記憶媒体としてのストレージ１３には、推定装置１０にインストールされた推定プログラム１２Ａおよび学習プログラム１２Ｂが記憶される。ＣＰＵ１１は、ストレージ１３から推定プログラム１２Ａおよび学習プログラム１２Ｂを読み出してメモリ１６に展開し、展開した推定プログラム１２Ａおよび学習プログラム１２Ｂを実行する。

【0024】

なお、推定プログラム１２Ａおよび学習プログラム１２Ｂは、ネットワークに接続されたサーバコンピュータの記憶装置、あるいはネットワークストレージに、外部からアクセス可能な状態で記憶され、要求に応じて推定装置１０を構成するコンピュータにダウンロードされ、インストールされる。または、ＤＶＤ（Digital Versatile Disc）、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）等の記録媒体に記録されて配布され、その記録媒体から推定装置１０を構成するコンピュータにインストールされる。

【0025】

次いで、第１の実施形態による推定装置の機能的な構成を説明する。図３は、第１の実施形態による推定装置の機能的な構成を示す図である。図３に示すように、推定装置１０は、画像取得部２１、情報取得部２２、推定部２３、学習部２４および表示制御部２５を備える。そして、ＣＰＵ１１は、推定プログラム１２Ａを実行することにより、画像取得部２１、情報取得部２２、推定部２３および表示制御部２５として機能する。また、ＣＰＵ１１は、学習プログラム１２Ｂを実行することにより、学習部２４として機能する。

【0026】

画像取得部２１は、撮影装置１に被写体Ｈの単純撮影を行わせることにより、放射線検出器５から、例えば被写体Ｈの股間付近の正面像である単純放射線画像Ｇ０を取得する。単純放射線画像Ｇ０の取得に際しては、撮影線量、線質、菅電圧、放射線源３と放射線検出器５の表面との距離であるＳＩＤ（Source Image receptor Distance）、放射線源３と被写体Ｈの表面との距離であるＳＯＤ（Source Object Distance）、および散乱線除去グリッドの有無等の撮影条件が設定される。

【0027】

撮影条件は、操作者による入力デバイス１５からの入力により設定すればよい。設定された撮影条件は、ストレージ１３に記憶される。単純放射線画像Ｇ０および撮影条件は画像保存システム９にも送信されて保存される。

【0028】

なお、本実施形態においては、推定プログラム１２Ａとは別個のプログラムにより単純放射線画像Ｇ０を取得してストレージ１３に記憶するようにしてもよい。この場合、画像取得部２１は、ストレージ１３に記憶された単純放射線画像Ｇ０を処理のためにストレージ１３から読み出すことにより取得する。

【0029】

情報取得部２２は、画像保存システム９からネットワークＩ／Ｆ１７を介して、後述するニューラルネットワークを学習するための教師データを取得する。

【0030】

推定部２３は、単純放射線画像Ｇ０から被写体Ｈに含まれる骨部を強調した骨部画像および軟部を強調した軟部画像の推定結果を導出する。このために、推定部２３は、単純放射線画像Ｇ０が入力されると骨部画像および軟部画像を出力する学習済みニューラルネットワーク２３Ａを用いて骨部画像および軟部画像の推定結果を導出する。なお、本実施形態においては、骨部画像および軟部画像の推定結果を導出する対象として、被写体Ｈの股関節付近の画像とするがこれに限定されるものではない。また、推定部２３が導出する高粒画像および軟部画像が強調画像の一例である。

【0031】

学習部２４は、教師データを用いてニューラルネットワークを機械学習することにより、学習済みニューラルネットワーク２３Ａを構築する。ニューラルネットワークとしては、単純パーセプトロン、多層パーセプトロン、ディープニューラルネットワーク、畳み込みニューラルネットワーク、ディープビリーフネットワーク、リカレントニューラルネットワーク、および確率的ニューラルネットワーク等が挙げられる。本実施形態においては、ニューラルネットワークとして畳み込みニューラルネットワークを用いるものとする。

【0032】

図４は、本実施形態において用いられるニューラルネットワークを示す図である。図４に示すように、ニューラルネットワーク３０は、入力層３１、中間層３２および出力層３３を備える。中間層３２は、例えば、複数の畳み込み層３５、複数のプーリング層３６および全結合層３７を備える。ニューラルネットワーク３０では、出力層３３の前段に全結合層３７が存在している。そして、ニューラルネットワーク３０では、入力層３１と全結合層３７との間において、畳み込み層３５とプーリング層３６とが交互に配置されている。

【0033】

なお、ニューラルネットワーク３０の構成は図４の例に限定されるものではない。例えば、ニューラルネットワーク３０は、入力層３１と全結合層３７との間に、１つの畳み込み層３５と１つのプーリング層３６とを備えるものであってもよい。

【0034】

図５はニューラルネットワークの学習に使用する教師データの例を示す図である。図５に示すように、教師データ４０は、学習用データ４１と正解データ４２とからなる。本実施形態においては、骨密度の推定結果を得るために学習済みニューラルネットワーク２３Ａに入力されるデータは単純放射線画像Ｇ０であるが、学習用データ４１は、ＣＴ画像Ｖ０を合成することにより導出された被写体Ｈを表す合成２次元画像Ｃ０を含む。

【0035】

正解データ４２は、学習用データ４１を取得した被写体の対象骨（すなわち大腿骨）付近の骨部画像Ｇｂおよび軟部画像Ｇｓである。正解データ４２である骨部画像Ｇｂおよび軟部画像ＧｓはＣＴ画像Ｖ０から情報導出装置５０により導出される。以下、情報導出装置５０について説明する。ＣＴ画像Ｖ０から導出された骨部画像Ｇｂおよび軟部画像Ｇｓが学習用強調画像の一例である。

【0036】

図６は第１の実施形態による情報導出装置の構成を示す概略ブロック図である。図６に示すように第１の実施形態による情報導出装置５０は、ワークステーション、サーバコンピュータおよびパーソナルコンピュータ等のコンピュータであり、ＣＰＵ５１、不揮発性のストレージ５３、および一時記憶領域としてのメモリ５６を含む。また、情報導出装置５０は、液晶ディスプレイ等のディスプレイ５４、キーボードおよびマウス等のポインティングデバイス等からなる入力デバイス５５、並びに不図示のネットワークに接続されるネットワークＩ／Ｆ５７を含む。ＣＰＵ５１、ストレージ５３、ディスプレイ５４、入力デバイス５５、メモリ５６およびネットワークＩ／Ｆ５７は、バス５８に接続される。

【0037】

ストレージ５３は、ストレージ１３と同様に、ＨＤＤ、ＳＳＤ、およびフラッシュメモリ等によって実現される。記憶媒体としてのストレージ５３には、情報導出プログラム５２が記憶される。ＣＰＵ５１は、ストレージ５３から情報導出プログラム５２を読み出してメモリ５６に展開し、展開した情報導出プログラム５２を実行する。

【0038】

次いで、第１の実施形態による情報導出装置の機能的な構成を説明する。図７は、第１の実施形態による情報導出装置の機能的な構成を示す図である。図７に示すように第１の実施形態による情報導出装置５０は、画像取得部６１、合成部６２および強調画像導出部６３を備える。そして、ＣＰＵ５１が情報導出プログラム５２を実行することにより、ＣＰＵ５１は、画像取得部６１、合成部６２および強調画像導出部６３として機能する。

【0039】

画像取得部６１は、学習用データ４１を導出するためのＣＴ画像Ｖ０を画像保存システム９から取得する。なお、画像取得部６１は、推定装置１０の画像取得部２１と同様に、ＣＴ装置７に被写体Ｈの撮影を行わせることにより、ＣＴ画像Ｖ０を取得するものであってもよい。

【0040】

合成部６２は、ＣＴ画像Ｖ０を合成することにより被写体Ｈを表す合成２次元画像Ｃ０を導出する。図８は合成２次元画像Ｃ０の導出を説明するための図である。なお、図８においては説明のために３次元のＣＴ画像Ｖ０を２次元で示している。図８に示すようにＣＴ画像Ｖ０により表される３次元空間に被写体Ｈが含まれている。被写体Ｈは、骨部、脂肪、筋肉および内臓の複数の組成からなる。

【0041】

ここで、ＣＴ画像Ｖ０の各画素におけるＣＴ値Ｖ０（ｘ，ｙ，ｚ）は、その画素における組成の減弱係数μiと水の減弱係数μwとを用いて、下記の式（１）により表すことができる。（ｘ，ｙ，ｚ）はＣＴ画像Ｖ０の画素位置を表す座標である。なお、以降の説明において、減弱係数は特に断りがない限り線源弱係数を意味するものとする。減弱係数は吸収または散乱等によって放射線が減弱する程度（割合）を表す。減弱係数は、放射線が透過する構造物の具体的な組成（密度等）および厚さ（質量）によって異なる。
Ｖ０（ｘ，ｙ，ｚ）＝（μi－μw）／μw×１０００ （１）

【0042】

水の減弱係数μwは既知である。したがって、式（１）をμiについて解くことにより、下記の式（２）に示すように各組成の減弱係数μiを算出することができる。
μi＝Ｖ０（ｘ，ｙ，ｚ）×μw／１０００＋μw （２）

【0043】

合成部６２は、図８に示すように、被写体Ｈに照射線量Ｉ０の放射線を仮想的に照射し、仮想的な平面６４に設置された放射線検出器（不図示）により被写体Ｈを透過した放射線を仮想的に検出した合成２次元画像Ｃ０を導出する。なお、仮想的な放射線の照射線量Ｉ０および放射線エネルギーは、あらかじめ定められた撮影条件に応じて設定される。この際、合成２次元画像Ｃ０の各画素についての到達線量Ｉ１（ｘ，ｙ）は、被写体Ｈ内の１以上の組成を透過する。このため、到達線量Ｉ１（ｘ，ｙ）は、照射線量Ｉ０の放射線が透過する１以上の組成の減弱係数μiを用いて下記の式（３）により導出することができる。なお、到達線量Ｉ１（ｘ，ｙ）が合成２次元画像Ｃ０の各画素の画素値となる。
Ｉ１（ｘ，ｙ）＝Ｉ０×ｅｘｐ（－∫μi・ｄｔ） （３）

【0044】

なお、照射する放射線源を面光源と仮定した場合、式（３）において使用する減弱係数μiは、図８に示す上下方向に並ぶ各画素のＣＴ値から式（２）により導出したものを用いればよい。また、照射する光源の面光源を点光源と仮定した場合、図９に示すように、点光源と仮想的な平面６４上の各位置との幾何学的な位置関係に基づいて、各画素に到達する放射線の経路上にある画素を特定し、特定した画素のＣＴ値から式（２）により導出した減弱係数を用いればよい。

【0045】

強調画像導出部６３は、ＣＴ画像Ｖ０を用いて、被写体の骨部を強調した骨部画像Ｇｂおよび軟部を強調した軟部画像Ｇｓを導出する。ここで、ＣＴ値について説明する。図１０はＣＴ値を説明するための図である。ＣＴ値は、人体におけるＸ線の吸収率を数値化したものである。具体的には、図１０に示すように、水は０、空気のＣＴ値は－１０００（単位はＨＵ）というように、人体を構成する組成に応じてＣＴ値が定められている。

【0046】

強調画像導出部６３は、まずＣＴ画像Ｖ０のＣＴ値に基づいてＣＴ画像Ｖ０における骨部領域を特定する。具体的にはしきい値処理によりＣＴ値が１００～１０００となる画素からなる領域を骨部領域に特定する。なお、しきい値処理に代えて、ＣＴ画像Ｖ０から骨部領域を検出するように学習がなされた学習済みニューラルネットワークを用いて骨部領域を特定してもよい。また、ＣＴ画像Ｖ０をディスプレイ５４に表示し、表示したＣＴ画像Ｖ０においてマニュアル操作による骨部領域の指定を受け付けることにより、骨部領域を特定するようにしてもよい。

【0047】

そして、強調画像導出部６３は、図１１に示すようにＣＴ画像Ｖ０に含まれる被写体Ｈ内の骨部領域ＨｂのＣＴ値を、合成２次元画像Ｃ０を導出する際と同様に仮想的な平面６４に投影することにより、骨部画像Ｇｂを導出する。骨部画像Ｇｂを図１２に示す。

【0048】

また、強調画像導出部６３は、ＣＴ画像Ｖ０のＣＴ値に基づいてＣＴ画像Ｖ０における軟部領域を特定する。具体的にはしきい値処理によりＣＴ値が－１００～７０となる画素からなる領域を軟部領域に特定する。なお、しきい値処理に代えて、ＣＴ画像Ｖ０から軟部領域を検出するように学習がなされた学習済みニューラルネットワークを用いて軟部領域を特定してもよい。また、ＣＴ画像Ｖ０をディスプレイ５４に表示し、表示したＣＴ画像Ｖ０においてマニュアル操作による軟部領域の指定を受け付けることにより、軟部領域を特定するようにしてもよい。

【0049】

そして、強調画像導出部６３は、図１３に示すようにＣＴ画像Ｖ０に含まれる被写体Ｈ内の軟部領域ＨｓのＣＴ値を、合成２次元画像Ｃ０を導出する際と同様に仮想的な平面６４に投影することにより、軟部画像Ｇｓを導出する。軟部画像Ｇｓを図１４に示す。

【0050】

正解データ４２として用いられる骨部画像Ｇｂおよび軟部画像Ｇｓは、学習用データ４１を取得した時期と同一時期に導出され、画像保存システム９に送信される。画像保存システム９においては、学習用データ４１と正解データ４２とが対応付けられて教師データ４０として保存される。なお、学習のロバスト性向上のために、同一の画像に対して拡大縮小、コントラストの変更、移動、面内の回転、反転およびノイズ付与等の少なくとも１つを行った画像を学習用データ４１として含む教師データ４０を追加で作成して保存するようにしてもよい。

【0051】

推定装置１０に戻り、学習部２４は、多数の教師データ４０を用いてニューラルネットワークを学習する。図１５は、ニューラルネットワーク３０の学習を説明するための図である。ニューラルネットワーク３０の学習を行うに際し、学習部２４は、ニューラルネットワーク３０の入力層３１に学習用データ４１すなわち合成２次元画像Ｃ０を入力する。そして、学習部２４は、ニューラルネットワーク３０の出力層３３から、骨部画像および軟部画像を出力データ４７として出力させる。そして、学習部２４は、出力データ４７と正解データ４２との相違を損失Ｌ０として導出する。なお、損失は、出力データ４７の骨部画像と正解データ４２の骨部画像との間、および出力データの軟部画像と正解データ４２の軟部画像との間でそれぞれ導出されるが、参照符号としてはＬ０を用いるものとする。

【0052】

学習部２４は、損失Ｌ０に基づいてニューラルネットワーク３０を学習する。具体的には、学習部２４は、損失Ｌ０を小さくするように、畳み込み層３５におけるカーネルの係数、各層間の結合の重み、および全結合層３７における結合の重み等（以下パラメータ４８とする）を調整する。パラメータ４８の調整方法としては、例えば、誤差逆伝播法を用いることができる。学習部２４は、損失Ｌ０が予め定められたしきい値以下となるまでパラメータ４８の調整を繰り返す。これによって、単純放射線画像Ｇ０が入力された場合に、入力された単純放射線画像Ｇ０についての骨部画像Ｇｂおよび軟部画像Ｇｓを出力するようにパラメータ４８が調整されて、学習済みニューラルネットワーク２３Ａが構築される。構築された学習済みニューラルネットワーク２３Ａはストレージ１３に記憶される。

【0053】

図１６は学習済みニューラルネットワーク２３Ａが行う処理の概念図である。図１６に示すように、上記のようにして構築された学習済みニューラルネットワーク２３Ａに、患者の単純放射線画像Ｇ０が入力されると、学習済みニューラルネットワーク２３Ａは入力された単純放射線画像Ｇ０についての骨部画像Ｇｂおよび軟部画像Ｇｓを出力するようになる。

【0054】

表示制御部２５は、推定部２３が推定した骨部画像Ｇｂおよび軟部画像Ｇｓの推定結果をディスプレイ１４に表示する。図１７は推定結果の表示画面を示す図である。図１７に示すように表示画面７０は、第１の画像表示領域７１と第２の画像表示領域７２とを有する。第１の画像表示領域７１には被写体Ｈの単純放射線画像Ｇ０が表示される。また、第２の画像表示領域７２には、推定部２３が推定した骨部画像Ｇｂおよび軟部画像Ｇｓが表示される。

【0055】

次いで、第１の実施形態において行われる処理について説明する。図１８は第１の実施形態において行われる学習処理を示すフローチャートである。まず、情報取得部２２が画像保存システム９から教師データ４０を取得し（ステップＳＴ１）、学習部２４が、教師データ４０に含まれる学習用データ４１をニューラルネットワーク３０に入力して骨部画像Ｇｂおよび軟部画像Ｇｓを出力させ、正解データ４２との相違に基づく損失Ｌ０を用いてニューラルネットワーク３０を学習し（ステップＳＴ２）、ステップＳＴ１にリターンする。そして、学習部２４は、損失Ｌ０が予め定められたしきい値となるまで、ステップＳＴ１，ＳＴ２の処理を繰り返し、学習処理を終了する。なお、学習部２４は、学習を予め定められた回数繰り返すことにより、学習処理を終了するものであってもよい。これにより、学習部２４は、学習済みニューラルネットワーク２３Ａを構築する。

【0056】

次いで、第１の実施形態における推定処理について説明する。図１９は第１の実施形態における推定処理を示すフローチャートである。なお、単純放射線画像Ｇ０は、撮影により取得されてストレージ１３に記憶されているものとする。処理を開始する指示が入力デバイス１５から入力されると、画像取得部２１が、単純放射線画像Ｇ０をストレージ１３から取得する（ステップＳＴ１１）。次いで、推定部２３が単純放射線画像Ｇ０から骨部画像Ｇｂおよび軟部画像Ｇｓの推定結果を導出する（ステップＳＴ１２）。そして、表示制御部２５が、推定部２３が導出した骨部画像Ｇｂおよび軟部画像Ｇｓの推定結果を単純放射線画像Ｇ０と併せてディスプレイ１４に表示し（ステップＳＴ１３）、処理を終了する。

【0057】

このように、本実施形態においては、ＣＴ画像Ｖ０から導出した合成２次元画像Ｃ０およびＣＴ画像Ｖ０から導出した骨部画像Ｇｂおよび軟部画像Ｇｓを教師データとして学習がなされることにより構築された学習済みニューラルネットワーク２３Ａを用いて、単純放射線画像Ｇ０についての骨部画像Ｇｂおよび軟部画像Ｇｓの推定結果を導出するようにした。ここで、本実施形態においては、ニューラルネットワークの学習にＣＴ画像Ｖ０から導出した合成２次元画像Ｃ０とＣＴ画像Ｖ０から導出した骨部画像Ｇｂおよび軟部画像Ｇｓを用いている。このため、１つの放射線画像と放射線画像から導出した骨部画像Ｇｂおよび軟部画像Ｇｓに関連する情報とを教師データとして用いる場合と比較して、学習済みニューラルネットワーク２３Ａは、単純放射線画像Ｇ０からより精度よく骨部画像Ｇｂおよび軟部画像Ｇｓの推定結果を導出可能なものとなっている。したがって、本実施形態によればより精度よく骨部画像Ｇｂおよび軟部画像Ｇｓの推定結果を導出することができる。

【0058】

なお、上記第１の実施形態においては、骨部画像Ｇｂおよび軟部画像Ｇｓの推定結果を導出しているが、これに限定されるものではない。骨部画像Ｇｂおよび軟部画像Ｇｓのいずれか一方の推定結果を導出するようにしてもよい。この場合、学習済みニューラルネットワーク２３Ａは、正解データを骨部画像Ｇｂおよび軟部画像Ｇｓのいずれか一方とする教師データにより学習を行うことにより構築すればよい。

【0059】

また、上記第１の実施形態においては、単純放射線画像Ｇ０から骨部画像Ｇｂおよび軟部画像の推定結果を導出しているが、これに限定されるものではない。例えば、筋肉画像および脂肪画像の推定結果を導出するようにしてもよい。以下、これを第２の実施形態として説明する。

【0060】

なお、第２の実施形態における推定装置および情報導出装置の構成は、上記第１の実施形態における推定装置１０および情報導出装置５０の構成と同一であり、行われる処理のみが異なるため、ここでは詳細な説明は省略する。第２の実施形態においては、情報導出装置５０の強調画像導出部６３において、正解データ４２としての骨部画像Ｇｂおよび軟部画像Ｇｓの導出に代えて、筋肉画像Ｇｍおよび脂肪画像Ｇｆを導出するようにしたものである。

【0061】

第２の実施形態において、強調画像導出部６３は、まずＣＴ画像Ｖ０のＣＴ値に基づいてＣＴ画像Ｖ０における筋肉領域を特定する。具体的にはしきい値処理によりＣＴ値が６０～７０となる画素からなる領域を筋肉領域に特定する。なお、しきい値処理に代えて、ＣＴ画像Ｖ０から筋肉領域を検出するように学習がなされた学習済みニューラルネットワークを用いて筋肉領域を特定してもよい。また、ＣＴ画像Ｖ０をディスプレイ５４に表示し、表示したＣＴ画像Ｖ０においてマニュアル操作による筋肉領域の指定を受け付けることにより、筋肉領域を特定するようにしてもよい。

【0062】

そして、強調画像導出部６３は、図２０に示すようにＣＴ画像Ｖ０に含まれる被写体Ｈ内の筋肉領域ＨｍのＣＴ値を、合成２次元画像Ｃ０を導出する際と同様に仮想的な平面６４に投影することにより、筋肉画像Ｇｍを導出する。筋肉画像Ｇｍを図２１に示す。

【0063】

また、強調画像導出部６３は、ＣＴ画像Ｖ０のＣＴ値に基づいてＣＴ画像Ｖ０における脂肪領域を特定する。具体的にはしきい値処理によりＣＴ値が－１００～－１０となる画素からなる領域を脂肪領域に特定する。なお、しきい値処理に代えて、ＣＴ画像Ｖ０から脂肪領域を検出するように学習がなされた学習済みニューラルネットワークを用いて脂肪領域を特定してもよい。また、ＣＴ画像Ｖ０をディスプレイ５４に表示し、表示したＣＴ画像Ｖ０においてマニュアル操作による脂肪領域の指定を受け付けることにより、脂肪領域を特定するようにしてもよい。

【0064】

そして、強調画像導出部６３は、図２２に示すようにＣＴ画像Ｖ０に含まれる被写体Ｈ内の脂肪領域ＨｆのＣＴ値を、合成２次元画像Ｃ０を導出する際と同様に仮想的な平面６４に投影することにより、脂肪画像Ｇｆを導出する。脂肪画像Ｇｆを図２３に示す。

【0065】

第２の実施形態においては、情報導出装置５０が導出した筋肉画像Ｇｍおよび脂肪画像Ｇｆが教師データの正解データとして用いられる。図２４は第２の実施形態において導出される教師データを示す図である。図２４に示すように教師データ４０Ａは、合成２次元画像Ｃ０を含む学習用データ４１と、筋肉画像Ｇｍおよび脂肪画像Ｇｆを含む正解データ４２Ａとからなる。

【0066】

図２４に示す教師データ４０Ａを用いてニューラルネットワークを学習することにより、単純放射線画像Ｇ０が入力されると筋肉画像Ｇｍおよび脂肪画像Ｇｆを推定結果として出力する学習済みニューラルネットワーク２３Ａを構築することができる。

【0067】

なお、上記第２の実施形態においては、筋肉画像Ｇｍおよび脂肪画像Ｇｆの推定結果を導出しているが、これに限定されるものではない。筋肉画像Ｇｍおよび脂肪画像Ｇｆのいずれか一方の推定結果を導出するようにしてもよい。この場合、学習済みニューラルネットワーク２３Ａは、正解データを筋肉画像Ｇｍおよび脂肪画像Ｇｆのいずれか一方とする教師データにより学習を行うことにより構築すればよい。

【0068】

次いで、本開示の第３の実施形態について説明する。図２５は第３の実施形態による情報導出装置の機能的な構成を示す図である。なお、図２５において図７と同一の構成については同一の参照番号を付与し、詳細な説明は省略する。上記第１および第２の実施形態においては、正解データ４２となる学習用強調画像（すなわち、骨部画像Ｇｂ、軟部画像Ｇｓ、筋肉画像Ｇｍおよび脂肪画像Ｇｆ）を、ＣＴ画像Ｖ０における被写体Ｈ内の特定の組成を投影することにより導出している。第３の実施形態においては、低エネルギーの放射線画像および高エネルギーの放射線画像をシミュレーションした２つの合成２次元画像をＣＴ画像Ｖ０から導出し、導出した２つの合成２次元画像を重み付け減算することにより学習用強調画像を導出するようにしたものである。

【0069】

このために、図２５に示すように、第３の実施形態による情報導出装置５０Ａは、第１の実施形態による情報導出装置５０に対して、合成部６２Ａおよび強調画像導出部６３Ａをさらに備える。なお、以下の説明においては、学習用強調画像として、骨部画像Ｇｂおよび軟部画像Ｇｓを導出するものとして説明する。

【0070】

第３の実施形態においては、合成部６２Ａは、図２６に示すように、被写体Ｈにエネルギー分布が異なる２種類の線量ＩＬ０，ＩＨ０の放射線を仮想的に照射し、仮想的な平面６４に設置された放射線検出器により被写体Ｈを透過した透過線量ＩＬ１，ＩＨ１の放射線を仮想的に検出した２つの合成２次元画像ＣＬ０，ＣＨ０を導出する。合成２次元画像ＣＬ０は、いわゆる軟線も含む低エネルギーの放射線による被写体Ｈの放射線画像に対応する。合成２次元画像ＣＨ０は、軟線が除かれた高エネルギーの放射線による被写体Ｈの放射線画像に対応する。

【0071】

強調画像導出部６３Ａは、合成２次元画像ＣＬ０，ＣＨ０における骨部領域および軟部領域を特定する。骨部領域および軟部領域は、合成２次元画像ＣＬ０，ＣＨ０において明確に画素値が異なる。このため、強調画像導出部６３Ａは、しきい値処理により合成２次元画像ＣＬ０，ＣＨ０における骨部領域および軟部領域を特定する。なお、しきい値処理に代えて、合成２次元画像ＣＬ０，ＣＨ０における骨部領域および軟部領域を検出するように学習がなされた学習済みニューラルネットワークを用いて骨部領域および軟部領域を特定してもよい。また、合成２次元画像ＣＬ０，ＣＨ０をディスプレイ５４に表示し、表示した合成２次元画像ＣＬ０，ＣＨ０においてマニュアル操作による骨部領域および軟部領域の指定を受け付けることにより、骨部領域および軟部領域を特定するようにしてもよい。

【0072】

第３の実施形態においては、強調画像導出部６３Ａは２つの合成２次元画像を重み付け減算することにより骨部画像Ｇｂおよび軟部画像Ｇｓを導出する。このために、強調画像導出部６３Ａは、２つの合成２次元画像ＣＬ０，ＣＨ０における軟部領域について、低エネルギー画像に対応する合成２次元画像ＣＬ０の画素値ＣＬｓ（ｘ，ｙ）と高エネルギー画像である合成２次元画像ＣＨ０の画素値ＣＨｓ（ｘ，ｙ）との比率ＣＬｓ（ｘ，ｙ）／ＣＨｓ（ｘ，ｙ）を、骨部画像Ｇｂを導出するための重み付け減算を行う際の重み係数αとして導出する。なお、比率ＣＬｓ（ｘ，ｙ）／ＣＨｓ（ｘ，ｙ）は、軟部についての高エネルギーの放射線に対する減弱係数μhsに対する低エネルギーの放射線に対する減弱係数μlsの比率μls／μhsを表すものとなる。

【0073】

また、強調画像導出部６３Ａは、２つの合成２次元画像ＣＬ０，ＣＨ０における骨部領域について、低エネルギー画像に対応する合成２次元画像ＣＬ０の画素値ＣＬｂ（ｘ，ｙ）と高エネルギー画像に対応する合成２次元画像ＣＨ０の画素値ＣＨｂ（ｘ，ｙ）との比率ＣＬｂ（ｘ，ｙ）／ＣＨｂ（ｘ，ｙ）を、軟部画像Ｇｓを導出するための重み付け減算を行う際の重み係数βとして導出する。なお、比率ＣＬｂ（ｘ，ｙ）／ＣＨｂ（ｘ，ｙ）は、骨部についての高エネルギーの放射線に対する減弱係数μhbに対する低エネルギーの放射線に対する減弱係数μlbの比率μlb／μhbを表すものとなる。

【0074】

第３の実施形態において、強調画像導出部６３Ａは、導出した重み係数α、βを用いて、合成２次元画像ＣＬ０，ＣＨ０を下記式（４）、（５）により重み付け減算することにより、骨部画像Ｇｂおよび軟部画像Ｇｓを導出する。
Ｇｂ（ｘ，ｙ）＝α・ＣＨ０（ｘ，ｙ）－ＣＬ０（ｘ，ｙ） （４）
Ｇｓ（ｘ、ｙ）＝ＣＨ０（ｘ、ｙ）－β×ＣＨ０（ｘ、ｙ） （５）

【0075】

なお、上記各実施形態においては、推定装置１０においてニューラルネットワークの学習を行って学習済みニューラルネットワーク２３Ａを構築しているが、これに限定されるものではない。推定装置１０以外の他の装置において構築された学習済みニューラルネットワーク２３Ａを、本実施形態における推定装置１０の推定部２３に用いるようにしてもよい。

【0076】

また、上記各実施形態においては、放射線検出器５を用いて被写体Ｈを撮影するシステムにおいて取得した放射線画像を用いて強調画像を推定する処理を行っているが、放射線検出器に代えて、蓄積性蛍光体シートを用いて放射線画像を取得する場合にも、本開示の技術を適用できることはもちろんである。

【0077】

また、上記実施形態における放射線は、とくに限定されるものではなく、Ｘ線の他、α線またはγ線等を用いることができる。

【0078】

また、上記実施形態において、例えば、推定装置１０の画像取得部２１、情報取得部２２、推定部２３、学習部２４および表示制御部２５、並びに情報導出装置５０等の画像取得部６１、合成部６２および強調画像導出部６３等といった各種の処理を実行する処理部（Processing Unit）のハードウェア的な構造としては、次に示す各種のプロセッサ（Processor）を用いることができる。上記各種のプロセッサには、上述したように、ソフトウェア（プログラム）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵに加えて、ＦＰＧＡ（Field Programmable Gate Array）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device :PLD）、ＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。

【0079】

１つの処理部は、これらの各種のプロセッサのうちの１つで構成されてもよいし、同種または異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせまたはＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。

【0080】

複数の処理部を１つのプロセッサで構成する例としては、第１に、クライアントおよびサーバ等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアとの組み合わせで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（System On Chip:SoC）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサの１つ以上を用いて構成される。

【0081】

さらに、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子等の回路素子を組み合わせた電気回路（Circuitry）を用いることができる。

【符号の説明】

【0082】

１ 撮影装置
３ 放射線源
５ 放射線検出器
７ ＣＴ装置
９ 画像保存システム
１０ 推定装置
１１、５１ ＣＰＵ
１２ 推定処理プログラム
１２Ｂ 学習プログラム
１３、５３ ストレージ
１４、５４ ディスプレイ
１５、５５ 入力デバイス
１６、５６ メモリ
１７、５７ ネットワークＩ／Ｆ
１８、５８ バス
２１ 画像取得部
２２ 情報取得部
２３ 推定部
２３Ａ 学習済みニューラルネットワーク
２４ 学習部
２５ 表示制御部
３０ ニューラルネットワーク
３１ 入力層
３２ 中間層
３３ 出力層
３５ 畳み込み層
３６ プーリング層
３７ 全結合層
４０、４０Ａ 教師データ
４１ 学習用データ
４２、４２Ａ 正解データ
４７ 出力データ
４８ パラメータ
５０，５０Ａ 情報導出装置
５２ 情報導出プログラム
６１ 画像取得部
６２、６２Ａ 合成部
６３、６３Ａ 強調画像導出部
６４ 平面
７０ 表示画面
７１ 第１の画像表示領域
７２ 第２の画像表示領域
Ｃ０、ＣＬ０、ＣＨ０ 合成２次元画像
Ｇ０ 単純放射線画像
Ｇｂ 骨部画像
Ｇｆ 脂肪画像
Ｇｍ 筋肉画像
Ｇｓ 軟部画像
Ｈ 被写体
Ｈｂ 骨部領域
Ｈｆ 脂肪領域
Ｈｍ 筋肉領域
Ｈｓ 軟部領域
Ｉ０、ＩＬ０、ＩＨ０ 照射線量
Ｉ１、ＩＬ１、ＩＨ１ 到達線量
Ｖ０ ＣＴ画像

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】

【図19】

【図20】

【図21】

【図22】

【図23】

【図24】

【図25】

【図26】