知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公表特許公報(A)
(11)【公表番号】
(43)【公表日】2024-10-31
(54)【発明の名称】デジタル画像から骨のテクスチャを解析する方法
(51)【国際特許分類】
A61B 6/00 20240101AFI20241024BHJP
【ＦＩ】
A61B6/00 550Z
A61B6/00 560
A61B6/00 550D
【審査請求】未請求
【予備審査請求】未請求
(21)【出願番号】P 2024525677
(86)(22)【出願日】2022-11-02
(85)【翻訳文提出日】2024-05-29
(86)【国際出願番号】 EP2022080505
(87)【国際公開番号】W WO2023078897
(87)【国際公開日】2023-05-11
(31)【優先権主張番号】PCT/EP2021/080527
(32)【優先日】2021-11-03
(33)【優先権主張国・地域又は機関】EP
(81)【指定国・地域】
(71)【出願人】
【識別番号】524109429
【氏名又は名称】メディマップス グループ ソシエテ アノニム
(74)【代理人】
【識別番号】110001416
【氏名又は名称】弁理士法人信栄事務所
(72)【発明者】
【氏名】ハンス，ディディエ
(72)【発明者】
【氏名】ボージェ，リオネル
(72)【発明者】
【氏名】ギャティノー，ギヨーム
(72)【発明者】
【氏名】ミシュレ，フランク
(72)【発明者】
【氏名】ルブラヒム，エル ハッサン アハメド
【テーマコード（参考）】
4C093
【Ｆターム（参考）】
4C093AA07
4C093AA26
4C093FD03
4C093FF16
4C093FF19
4C093FF20
4C093FF25
4C093FG18
(57)【要約】
本発明は、骨のテクスチャを解析する方法に関し、以下を含む：入力骨を示す入力Ｘ線画像（６）を受信する工程と、技術的手段により実装された骨スコア人工知能（ＡＮＮ１、ＡＮＮ２）による受信した入力Ｘ線画像の骨スコア解析（１１、１２）工程。この骨スコア解析の結果として、骨スコア人工知能は以下を与える：受信した入力Ｘ線画像に示された入力骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）に少なくとも依存するグローバルスコア、および／または受信した入力Ｘ線画像に示された入力骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）。本発明はまた、対応する装置に関する。
【選択図】図１
【選択図】図１
【特許請求の範囲】
【請求項1】
骨のテクスチャを解析する方法であって、入力骨を示すデジタル化された入力Ｘ線画像（６）を受信する工程と、
技術的手段によって実装された骨スコア人工知能による、前記受信した入力Ｘ線画像の骨スコア解析（１１、１２）工程であって、前記骨スコア人工知能が、この骨スコア解析の結果として、前記受信した入力Ｘ線画像（６）の前記グレーレベルの実験的バリオグラムの計算または決定なしで、以下を与える工程とを含み、
－－ 前記受信した入力Ｘ線画像に示された前記入力骨の前記海綿骨部分の前記グレーレベルの前記実験的バリオグラムからグレーレベルの前記局所的な変動を定量化する海綿骨スコア（ＴＢＳ）に少なくとも依存するグローバルスコア（１６）、および／または
－－ 前記受信した入力Ｘ線画像に示された前記入力骨の前記海綿骨部分の前記グレーレベルの前記実験的バリオグラムからグレーレベルの前記局所的な変動を定量化する海綿骨スコア（ＴＢＳ）（１５）、
を含む、骨のテクスチャを解析する方法。
【請求項2】
前記骨スコア人工知能（ＡＮＮ１、ＡＮＮ２）がニューラルネットワークである、請求項１に記載の方法。
【請求項3】
以下のステップを複数回実施することにより、学習セットを構築する工程であって、－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像（９）を取得するステップと、
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である関連する第２のタイプの学習画像（１９）を取得するステップと、
－－ 技術的手段により、前記第１のタイプの学習画像から以下を決定するステップであって、
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の骨密度に依存する密度スコア（１４）、および
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）（１５）を含むステップと、
－－ 技術的手段により、
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の骨密度に依存する前記密度スコア、および
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の前記海綿骨部分のテクスチャに依存する前記海綿骨スコア（ＴＢＳ）から、これらの密度スコアと海綿骨スコアに依存するグローバルスコア（１６）を決定するステップと、
この前記第２のタイプの学習画像（１９）に関連付けられた前記第１のタイプの学習画像（９）について決定された前記グローバルスコアを含むその関連するグランド・トゥルースとともに前記第２のタイプの学習画像を骨スコア人工知能（ＡＮＮ１）に提供することにより、前記骨スコア人工知能（ＡＮＮ１）を学習させる工程、
を含む、請求項１または請求項２に記載の方法。
【請求項4】
以下のステップを複数回実施することにより、学習セットを構築する工程であって、－－ 学習用骨の海綿骨部分を示す第１のタイプ（９）の学習画像を取得するステップと、
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である関連する第２のタイプの学習画像（１９）を取得するステップと、
－－ 技術的手段により、
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の骨密度に依存する密度スコア（１４）、および／または
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の前記海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）（１５）から、前記第１のタイプの学習画像から以下を決定するステップと、
－－ この前記第２のタイプの学習画像（１９）に関連付けられた前記第１のタイプの前記学習画像（９）について決定された前記密度スコア、および／または
－－ この前記第２のタイプの学習画像（１９）に関連付けられた前記第１のタイプの前記学習画像（９）について決定された前記海綿骨スコアを含む工程であって、その関連するグランド・トゥルースとともに第２のタイプの学習画像を前記骨スコア人工知能（ＡＮＮ２）に提供することにより、前記骨スコア人工知能を学習させる工程と、
を含む、請求項１から請求項３のいずれか一項に記載の方法。
【請求項5】
入力骨を示す前記入力Ｘ線画像（６）を受信する工程と、技術的手段によって実装された第１の人工知能（ＡＮＮ１）による、前記受信した入力Ｘ線画像の第１の解析（１１）工程であって、前記第１の人工知能が前記第１の解析の結果として
－－ 前記受信した入力Ｘ線画像に示された前記入力骨の骨密度に依存する密度スコア
－－ 前記受信した入力Ｘ線画像に示された前記入力骨の前記海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）
の両方に依存するグローバルスコア（１６）を与える工程と、
技術的手段によって実装された第２の人工知能（ＡＮＮ２）による、前記受信した入力Ｘ線画像の第２の解析（１２）工程であって、前記第２の人工知能が前記第２の解析の結果として
－－ 前記受信した入力Ｘ線画像に示された前記入力骨の骨密度に依存する密度スコア（１４）、および／または
－－ 前記受信した入力Ｘ線画像に示された前記入力骨の前記海綿骨部分のテクスチャに依存する前記海綿骨スコア（ＴＢＳ）（１５）を与える工程と、
技術的手段によって実装された第３の人工知能（ＡＩ３）による第３の解析工程であって、前記第３の人工知能が前記第１および第２の解析の前記結果を入力として有し、前記第１の解析の前記結果と前記第２の解析の前記結果の前記整合性に依存する結果を出力として有する工程と、
を含む、請求項１から請求項４のいずれか一項に記載の方法。
【請求項6】
前記第３の人工知能が、前記受信した入力Ｘ線画像が取得された前記患者の年齢、前記受信した入力Ｘ線画像が取得された前記患者の性別、前記受信した入力Ｘ線画像が取得された前記患者の体型、前記受信した入力Ｘ線画像が取得された機器の種類、および／または前記受信した入力Ｘ線画像が取得された前記機器の取得パラメータのうちの少なくとも１つをさらなる入力（１８）として使用する、請求項５に記載の方法。
【請求項7】
前記第１の人工知能がニューラルネットワークであり、前記第２の人工知能がニューラルネットワークである、請求項５または請求項６に記載の方法。
【請求項8】
前記第１の人工知能、前記第２の人工知能、および前記第３の人工知能が、３つの異なる人工知能である、請求項５から請求項７のいずれか一項に記載の方法。
【請求項9】
前記第１の人工知能、第２の人工知能、および第３の人工知能を実装するための前記技術的手段が、同じ技術的手段である、請求項５から請求項８のいずれか一項に記載の方法。
【請求項10】
第１の学習セットを、以下のステップであって、－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像（９）を取得するステップと、
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である関連する第２のタイプの学習画像（１９）を取得するステップと、
－－ 技術的手段により、前記第１のタイプの学習画像から
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の骨密度に依存する密度スコア、および
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の前記海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）を決定するステップと、
－－ 技術的手段により、
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の骨密度に依存する前記密度スコア、および
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の前記海綿骨部分のテクスチャに依存する前記海綿骨スコア（ＴＢＳ）から、これらの密度スコアと海綿骨スコアに依存するグローバルスコアを決定するステップと、を複数回実施することにより、第１の学習セットを構築する工程と、
この前記第２のタイプの学習画像（１９）に関連付けられた前記第１のタイプの前記学習画像（９）について決定された前記グローバルスコア（１６）を含むその関連するグランド・トゥルースとともに前記第２のタイプの学習画像（１９）を前記第１の人工知能（ＡＮＮ１）に提供することにより、前記第１の人工知能を学習させる工程と、
を含む、請求項５から請求項９のいずれかに記載の方法。
【請求項11】
以下のステップであって、－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像（９）を取得するステップと、
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である関連する第２のタイプの学習画像（１９）を取得するステップと、
－－ 技術的手段により、前記第１のタイプの学習画像から
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の骨密度に依存する密度スコア（１４）、および／または
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の前記海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）（１５）を決定するステップと、
を複数回実施することにより、第２の学習セットを構築する工程と、
－－ この前記第２のタイプの学習画像（１９）に関連付けられた前記第１のタイプの前記学習画像（９）について決定された前記密度スコア（１４）、および／または
－－ この前記第２のタイプの学習画像（１９）に関連付けられた前記第１のタイプの学習画像（９）について決定された前記海綿骨スコア（１５）、を含むその関連するグランド・トゥルースとともに前記第２のタイプの学習画像（１９）を前記第２の人工知能（ＡＮＮ２）に提供することにより、前記第２の人工知能を学習させる工程と、
を含む、請求項５から請求項１０のいずれか一項に記載の方法。
【請求項12】
前記第１の人工知能と前記第２の人工知能を、第１のタイプの学習画像と第２のタイプの学習画像の同じデータベースを使用して学習させる、請求項１０および請求項１１の組み合わせに記載の方法。
【請求項13】
以下のステップであって、－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像（９）を取得するステップと、
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である第２のタイプの学習画像（１９）を取得するステップと、
－－ 技術的手段により、第１のタイプの学習画像（９）から
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の骨密度に依存する密度スコア（１４）、および
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の前記海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）（１５）を決定するステップと、
－－ 技術的手段により、
－－－ 前記第１のタイプの学習画像（９）に示された前記学習用骨の骨密度に依存する前記密度スコア、および
－－－ 前記第１のタイプの学習画像（９）に示された前記学習用骨の前記海綿骨部分のテクスチャに依存する前記海綿骨スコア（ＴＢＳ）から、この密度スコアと海綿骨スコアに依存するグローバルスコア（１６）を決定するステップと、
－－ 前記第２のタイプの学習画像（１９）に対して前記第１および第２の人工知能による前記第１および第２の解析を実装するステップと、
を複数回実施することにより、第３の学習セットを構築する工程と、および、
前記第１のタイプの学習画像（９）から得られた前記スコア（１４、１５、１６）と同じ学習用骨の前記第２のタイプの学習画像（１９）から得られた前記スコア（１４、１５、１６）との差から学習することによって、前記第３の人工知能（ＡＩ３）を学習させる工程と、
を含む、請求項５から請求項１２のいずれか一項に記載の方法。
【請求項14】
前記第１の人工知能、第２の人工知能および第３の人工知能を別々に学習させる、請求項１０から請求項１３のいずれか一項に記載の方法。
【請求項15】
前記第１のタイプの学習画像と前記第２のタイプの学習画像が同じ学習用骨で取得され、６か月未満の間隔で取得される、請求項３、請求項４および請求項１０から請求項１４のいずれか一項に記載の方法。
【請求項16】
前記第１のタイプの学習画像が、二重エネルギーＸ線吸収測定（ＤＸＡ）画像、末梢定量的コンピュータ断層撮影（（ｐ）ＱＣＴ）画像および／または高分解能末梢定量的コンピュータ断層撮影（ＨＲ－ｐＱＣＴ）画像、コンピュータ断層撮影（ＣＴ）画像、または定量的超音波（ＱＵＳ）画像である、請求項３、請求項４および請求項１０から請求項１５のいずれか一項に記載の方法。
【請求項17】
前記第２のタイプの学習画像が、二重エネルギーＸ線吸収測定（ＤＸＡ）画像、末梢定量的コンピュータ断層撮影（（ｐ）ＱＣＴ）画像および／または高分解能末梢定量的コンピュータ断層撮影（ＨＲ－ｐＱＣＴ）画像、コンピュータ断層撮影（ＣＴ）画像、または定量的超音波（ＱＵＳ）画像ではない、請求項３、請求項４および請求項１０から請求項１６のいずれか一項に記載の方法。
【請求項18】
前記受信した入力Ｘ線画像が、二重エネルギーＸ線吸収測定（ＤＸＡ）画像、末梢定量的コンピュータ断層撮影（（ｐ）ＱＣＴ）画像および／または高分解能末梢定量的コンピュータ断層撮影（ＨＲ－ｐＱＣＴ）画像、コンピュータ断層撮影（ＣＴ）画像、または定量的超音波（ＱＵＳ）画像ではない、請求項１から請求項１７のいずれか一項に記載の方法。
【請求項19】
前記受信した入力Ｘ線画像が、１ピクセルあたり１ｍｍ未満の空間分解能を有するデジタルＸ線画像である、請求項１から請求項１８のいずれか一項に記載の方法。
【請求項20】
骨のテクスチャを解析する装置であって、入力骨を示すデジタル化された入力Ｘ線画像（６）を受信するように配置および／またはプログラムされた、および／または構成された手段と、
前記受信した入力Ｘ線画像の骨スコア解析（１１、１２）を実装するように配置および／またはプログラムされた、および／または構成された骨スコア人工知能（ＡＮＮ１、ＡＮＮ２）であって、この骨スコア解析の結果として、前記受信した入力Ｘ線画像（６）の前記グレーレベルの実験的バリオグラムの計算または決定なしで、
－－ 前記受信した入力Ｘ線画像に示された前記入力骨の前記海綿骨部分の前記グレーレベルの前記実験的バリオグラムからグレーレベルの前記局所的な変動を定量化する海綿骨スコア（ＴＢＳ）に少なくとも依存するグローバルスコア（１６）、および／または
－－ 前記受信した入力Ｘ線画像に示された前記入力骨の前記海綿骨部分の前記グレーレベルの前記実験的バリオグラムからグレーレベルの前記局所的な変動を定量化する海綿骨スコア（ＴＢＳ）（１５）を与えるように配置および／またはプログラムされた、および／または構成された前記骨スコア人工知能と、
を備える、骨のテクスチャを解析する装置。
【請求項21】
前記骨スコア人工知能がニューラルネットワークである、請求項２０に記載の装置。
【請求項22】
以下のステップであって、－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像（９）を取得するステップと、
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である関連する第２のタイプの学習画像（１９）を取得するステップと、
－－ 技術的手段により、前記第１のタイプの学習画像から
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の骨密度に依存する密度スコア（１４）、および
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の前記海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）（１５）を決定するステップと、
－－ 技術的手段により、
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の骨密度に依存する前記密度スコア、および
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の前記海綿骨部分のテクスチャに依存する前記海綿骨スコア（ＴＢＳ）、から、これらの密度スコアと海綿骨スコアに依存するグローバルスコア（１６）を決定するステップと、を複数回実施することにより、学習セットを構築するように配置および／またはプログラムされた、および／または構成された手段と、
この前記第２のタイプの学習画像（１９）に関連付けられた前記第１のタイプの前記学習画像（９）について決定された前記グローバルスコアを含むその関連するグランド・トゥルースとともに前記第２のタイプの学習画像を骨スコア人工知能（ＡＮＮ１）に提供することにより、前記骨スコア人工知能（ＡＮＮ１）を学習させるように配置および／またはプログラムされた、および／または構成された手段と、
を含む、請求項２０または請求項２１に記載の装置。
【請求項23】
以下のステップであって、－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像（９）を取得するステップと、
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である関連する第２のタイプの学習画像（１９）を取得するステップと、
－－ 技術的手段により、前記第１のタイプの学習画像から
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の骨密度に依存する密度スコア（１４）、および／または
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の前記海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）（１５）を決定するステップと、
を複数回実施することにより、学習セットを構築するように配置および／またはプログラムされた、および／または構成された手段と、
－－ この前記第２のタイプの学習画像（１９）に関連付けられた前記第１のタイプの学習画像（９）について決定された前記密度スコア、および／または
－－ この前記第２のタイプの学習画像（１９）に関連付けられた前記第１のタイプの前記学習画像（９）について決定された前記海綿骨スコア、を含むその関連するグランド・トゥルースとともに前記第２のタイプの学習画像を骨スコア人工知能（ＡＮＮ２）に提供することにより、前記骨スコア人工知能を学習させるように配置および／またはプログラムされた、および／または構成された手段と、
を含む、請求項２０から請求項２２のいずれか一項に記載の装置。
【請求項24】
入力骨を示す前記入力Ｘ線画像（６）を受信するように配置および／またはプログラムされた、および／または構成された手段と、前記受信した入力Ｘ線画像の第１の解析（１１）を実装するように配置および／またはプログラムされた、および／または構成された第１の人工知能（ＡＮＮ１）であって、前記第１の解析の結果として、
－－ 前記受信した入力Ｘ線画像に示された前記入力骨の骨密度に依存する密度スコアおよび
－－ 前記受信した入力Ｘ線画像に示された前記入力骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）の両方に依存するグローバルスコア（１６）を与えるように配置および／またはプログラムされた、および／または構成された前記第１の人工知能と、
前記受信した入力Ｘ線画像の第２の解析（１２）を実装するように配置および／またはプログラムされた、および／または構成された第２の人工知能（ＡＮＮ２）であって、前記第２の解析の結果として
－－ 前記受信した入力Ｘ線画像に示された前記入力骨の骨密度に依存する前記密度スコア（１４）、および／または
－－ 前記受信した入力Ｘ線画像に示された前記入力骨の海綿骨部分のテクスチャに依存する前記海綿骨スコア（ＴＢＳ）（１５）を与えるように配置および／またはプログラムされた、および／または構成された第２の人工知能と、
第３の解析を実装するように配置および／またはプログラムされた、および／または構成された第３の人工知能（ＡＩ３）であって、前記第１および第２の解析の前記結果を入力として有し、前記第１の解析の前記結果と前記第２の解析の前記結果の前記整合性に依存する結果を出力として有するように配置および／またはプログラムされた、および／または構成された前記第３の人工知能と、
を備える、請求項２０から２３のいずれか一項に記載の装置。
【請求項25】
前記第３の人工知能が、前記受信した入力Ｘ線画像が取得された前記患者の年齢、前記受信した入力Ｘ線画像が取得された前記患者の性別、前記受信した入力Ｘ線画像が取得された前記患者の体型、前記受信した入力Ｘ線画像が取得された機器の種類、および／または前記受信した入力Ｘ線画像が取得された前記機器の取得パラメータのうちの少なくとも１つをさらなる入力（１８）として使用するように配置および／またはプログラムされた、および／または構成された、請求項２４に記載の装置。
【請求項26】
前記第１の人工知能がニューラルネットワークであり、前記第２の人工知能がニューラルネットワークである、請求項２４または請求項２５に記載の装置。
【請求項27】
前記第１の人工知能、前記第２の人工知能、および前記第３の人工知能が、３つの異なる人工知能である、請求項２４から請求項２６のいずれか一項に記載の装置。
【請求項28】
前記第１の人工知能、前記第２の人工知能、および前記第３の人工知能を実装するための技術的手段が、同じ技術的手段である、請求項２４から請求項２７のいずれか一項に記載の装置。
【請求項29】
以下のステップであって、－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像を取得するステップと、
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である関連する第２のタイプの学習画像を取得するステップと、
－－ 技術的手段により、前記第１のタイプの学習画像から
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の骨密度に依存する密度スコア、および
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の前記海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）を決定するステップと、
－－ 技術的手段により、
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の骨密度に依存する前記密度スコア、および
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の前記海綿骨部分のテクスチャに依存する前記海綿骨スコア（ＴＢＳ）から、これらの密度スコアと海綿骨スコアに依存するグローバルスコアを決定するステップと、
を複数回実施することにより、第１の学習セットを構築するように配置および／またはプログラムされた、および／または構成された手段と、
この前記第２のタイプの学習画像（１９）に関連付けられた前記第１のタイプの学習画像（９）について決定された前記グローバルスコアを含むその関連するグランド・トゥルースとともに前記第２のタイプの学習画像を前記第１の人工知能に提供することにより、前記第１の人工知能を学習させるように配置および／またはプログラムされた、および／または構成された手段と、
を含む、請求項２４から請求項２８のいずれか一項に記載の装置：
【請求項30】
以下のステップであって、－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像を取得するステップと、
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である関連する第２のタイプの学習画像を取得するステップと、
－－ 技術的手段により、前記第１のタイプの学習画像から
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の骨密度に依存する密度スコア、および／または
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の前記海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）を決定するステップと、
を複数回実施することにより、第２の学習セットを構築するように配置および／またはプログラムされた、および／または構成された手段と、
－－ この前記第２のタイプの学習画像（１９）に関連付けられた前記第１のタイプの前記学習画像（９）について決定された前記密度スコア、および／または
－－ この前記第２のタイプの学習画像（１９）に関連付けられた前記第１のタイプの前記学習画像（９）について決定された前記海綿骨スコアを含むその関連するグランド・トゥルースとともに前記第２のタイプの学習画像を前記第２の人工知能に提供することにより、前記第２の人工知能を学習させるように配置および／またはプログラムされた、および／または構成された手段と、
を含む、請求項２４から請求項２９のいずれか一項に記載の装置。
【請求項31】
前記第１の人工知能と前記第２の人工知能が、第１のタイプの学習画像と第２のタイプの学習画像の同じデータベースを使用して学習するように配置および／またはプログラムされた、および／または構成された、請求項２９および請求項３０の組み合わせに記載の装置。
【請求項32】
以下のステップであって、－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像を取得するステップと、
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である第２のタイプの学習画像を取得するステップと、
－－ 技術的手段により、前記第１のタイプの学習画像から
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の骨密度に依存する密度スコア、および
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の前記海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）を決定するステップと、
－－ 技術的手段により、
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の骨密度に依存する前記密度スコア、および
－－－ 前記第１のタイプの学習画像に示された前記学習用骨の前記海綿骨部分のテクスチャに依存する前記海綿骨スコア（ＴＢＳ）から、この密度スコアと海綿骨スコアに依存するグローバルスコアを決定するステップと、
前記第２のタイプの学習画像に対して第１および第２の人工知能による第１および第２の解析を実装するステップと、
を複数回実施することにより、第３の学習セットを構築するように配置および／またはプログラムされた、および／または構成された手段と、
前記第１のタイプの学習画像から得られた前記スコアと同じ学習用骨の前記第２のタイプの学習画像から得られた前記スコアとの差から学習することによって、前記第３の人工知能を学習させるように配置および／またはプログラムされた、および／または構成された手段と、
を含む、請求項１９から請求項３１のいずれか一項に記載の装置。
【請求項33】
前記第１の人工知能、第２の人工知能および第３の人工知能を別々に学習させるように配置および／またはプログラムされた、および／または構成された、請求項２９から請求項３２のいずれか一項に記載の装置。
【請求項34】
前記第１の人工知能を学習させるように配置および／またはプログラムされた、および／または構成された前記手段と前記第２の人工知能を学習させるように配置および／またはプログラムされた、および／または構成された前記手段とが、前記第１のタイプの学習画像と前記第２のタイプの学習画像が同じ学習用骨で取得され、６か月未満の間隔で取得されたことをチェックするように一緒に配置および／またはプログラムされた、および／または一緒に構成された、請求項２２、請求項２３および請求項２９から請求項３３のいずれか一項に記載の装置。
【請求項35】
前記第１のタイプの学習画像が、二重エネルギーＸ線吸収測定（ＤＸＡ）画像、末梢定量的コンピュータ断層撮影（（ｐ）ＱＣＴ）画像および／または高分解能末梢定量的コンピュータ断層撮影（ＨＲ－ｐＱＣＴ）画像、コンピュータ断層撮影（ＣＴ）画像、または定量的超音波（ＱＵＳ）画像である、請求項２２、請求項２３および請求項２９から請求項３４のいずれか一項に記載の装置。
【請求項36】
前記第２のタイプの学習画像が、二重エネルギーＸ線吸収測定（ＤＸＡ）画像、末梢定量的コンピュータ断層撮影（（ｐ）ＱＣＴ）画像および／または高分解能末梢定量的コンピュータ断層撮影（ＨＲ－ｐＱＣＴ）画像、コンピュータ断層撮影（ＣＴ）画像、または定量的超音波（ＱＵＳ）画像ではない、請求項２２、請求項２３および請求項２９から請求項３５のいずれか一項に記載の装置。
【請求項37】
前記受信した入力Ｘ線画像が、二重エネルギーＸ線吸収測定（ＤＸＡ）画像、末梢定量的コンピュータ断層撮影（（ｐ）ＱＣＴ）画像および／または高分解能末梢定量的コンピュータ断層撮影（ＨＲ－ｐＱＣＴ）画像、コンピュータ断層撮影（ＣＴ）画像、または定量的超音波（ＱＵＳ）画像ではない、請求項２０から請求項３６のいずれか一項に記載の装置。
【請求項38】
前記受信した入力Ｘ線画像が、１ピクセルあたり１ｍｍ未満の空間分解能を有するデジタルＸ線画像である、請求項２０から請求項３７のいずれか一項に記載の装置。
【請求項39】
コンピュータ実行時に、請求項１から請求項１９のいずれか一項に記載の方法の前記ステップを実行する命令を含むコンピュータプログラム。
【請求項40】
コンピュータによって実行されると、請求項１から請求項１９のいずれか一項に記載の方法の前記ステップをコンピュータに実行させる命令を含むコンピュータ可読記憶媒体。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、デジタル画像から骨のテクスチャを解析する方法に関する。
【0002】
本発明はまた、デジタル画像から骨のテクスチャを解析する装置に関する。
【0003】
本発明の技術分野は、典型的にはディープラーニングの技術分野であり、特にデジタルＸ線ベースの画像の適切なスクリーニングから、ＤＸＡ ＢＭＤおよびＴＢＳ、あるいは他の同等の方法で評価される劣化した骨量と骨微細構造を有する骨粗鬆症と診断される可能性の高い個人を同定する方法であるが、これに限定されない。
【背景技術】
【0004】
１９９０年代初頭、世界保健機関（ＷＨＯ）は、骨粗鬆症を、骨量の低下（量の減少）と骨組織の微細構造の劣化（質の低下）を特徴とし、その結果、骨の脆弱性と骨折のリスクが高まる全身性の骨格疾患と概念的に定義している（非特許文献１）。さらに、２０００年代初頭に、米国国立衛生研究所（ＮＩＨ）は、骨粗鬆症を骨強度が低下し骨折のリスクが高まる骨格疾患と定義した（非特許文献２）。本質的に、骨粗鬆症では、骨強度の低下により脆弱性骨折という外傷性の転帰をもたらす。
【0005】
骨強度は、骨量（すなわち骨密度）と骨質という２つの主要な特徴の統合を反映している。骨密度は、単位面積または体積あたりのミネラルのグラム数として表され、個人では最大骨量と骨喪失量によって決定される。骨質とは、骨構造、骨の弾力性、代謝回転、損傷の蓄積（例えば、微小骨折）、および石灰化を指す。骨構造は、多くの異なる実体に使用される一般的な用語であり、さらに細分化できる。マクロレベルでは、骨のマクロ構造（骨マクロ構造とも呼ばれる）として知られる骨構造は、骨の全体的な形状と幾何学的形態、ならびに海綿骨（骨梁とも呼ばれる）と皮質骨への分化を表す（非特許文献３）。
【0006】
いずれにせよ、骨粗鬆症の特徴は脆弱性骨折である。脆弱性骨折とは、通常は骨折を引き起こすことのない機械的力に反応して、立位の高さから転倒することによって発生する骨折と定義される（非特許文献４、非特許文献５）。大腿骨近位部、脊椎、上腕骨、前腕は、脆弱性骨折が最も多く発生する骨格部位である。これらの骨折は、主要な骨粗鬆症性骨折と呼ばれる。
【0007】
骨折リスクが特定されると、ある種の「階層的」レベルで予防措置が講じられる。一般的なライフスタイルのアドバイス、健康的なライフスタイルに加えて適切なカルシウムおよび／またはビタミンＤの補給、および／または薬物療法である。作用機序に基づいて、骨吸収を抑制する抗吸収剤（ビスホスホネート、エストロゲンアゴニスト／アンタゴニスト、エストロゲン、カルシトニン、デノスマブなど）と、骨形成を刺激する骨形成促進剤（テリパラチドなど）の２種類の骨粗鬆症薬物療法がある。最近では、ロモソズマブがその骨形成作用により承認されている（非特許文献６）。
【0008】
世界では毎年９００万件超の脆弱性骨折が発生しており、人口の高齢化に伴いその数は増加すると予想される（非特許文献７、非特許文献８）。５０歳を過ぎてから、女性の２人に１人、男性の４人に１人が、余生において主要な骨粗鬆症性骨折を起こすと推定されている（非特許文献９）。４５歳超の女性では、骨粗鬆症は糖尿病、心筋梗塞、乳がんなど、他の多くの疾患よりも入院日数が多い。さらに、過去の骨折は、その後の骨折のリスクを８６％増加させる。骨折は高い罹患率と死亡率に関連しており、高齢者では障害、自立の喪失、早期死亡の前兆となることが多い（非特許文献１０）。例えば、全体として、２０１０年のＥＵだけで薬物介入を含む骨粗鬆症の費用は３７０億ユーロと推定され、そのうち６６％が事故による骨折の治療費、５％が薬物予防、２９％が長期の骨折ケアを占めた（非特許文献１１）。また、国際骨粗鬆症財団とヨーロッパ製薬工業連盟とが共同で準備した報告書が報告された（非特許文献１２）。
【0009】
残念ながら、骨粗鬆症のリスクがあると考えられる人の約７０％が特定されることなく、ＤＸＡ（ゴールドスタンダード）による適切な診断のために骨専門医を紹介されたことすらないと推定されている。さらに、多くの研究で、大腿骨近位部骨折を経験した後でさえ、骨粗鬆症の登録治療を受けている患者の割合は年々大幅に減少していることが示されている。実際、すでに少なくとも１回の骨粗鬆症性骨折を経験したハイリスク者の大多数（おそらく８０％）が、特定されておらず、治療も受けていない（非特許文献１３）。また、国際骨粗鬆症財団とヨーロッパ製薬工業連盟（ＥＦＰＩＡ）とが共同で準備した報告書が報告された（非特許文献１４～非特許文献１７）。
【0010】
骨粗鬆症のリスクのある個人の特定不足や骨粗鬆症の診断・治療の減少には、多くの理由がある。おそらく最大の問題は、一般市民と医療従事者の両方で骨疾患に対する認識が不足していることであり、その多くは問題の大きさを理解しておらず、ましてや骨疾患の予防と治療の方法を理解していない。患者が脆弱性骨折を経験した場合でも、無症候性の椎体圧迫骨折を含むすべての骨粗鬆症性骨折の重大性が十分に認識されておらず、骨粗鬆症性骨折で入院した患者が２度目の骨折を防ぐための骨粗鬆症管理計画に確実には組み込まれていない。実際、この後者の問題に対処し、その後の２度目の脆弱性骨折を回避するために、多職種によるフラクチャーリエゾンサービス（ＦＬＳ）を開発する国際的な動きがある。ＦＬＳは、骨粗鬆症性骨折で病院、緊急治療室、救急診療所に入院した患者を特定し、それらの患者をよく練られた骨粗鬆症管理・治療計画に導くためのメカニズムと経路の開発に依存している（非特許文献１８）。
【0011】
脆弱性骨折が発生する前の様々な年齢で、個人の骨の健康に潜在的な問題を示唆する多くの「危険信号」がある。骨密度（ＢＭＤ）検査は依然として骨粗鬆症と骨折リスクを特定するための「ゴールドスタンダード」の診断検査として機能しているが、母集団全体のＢＭＤ検査は、骨疾患のリスクを評価するための費用対効果の高い実用的な方法ではない。ＢＭＤ検査は一部の集団（６５歳超の女性など）で推奨されているが、他の個人、つまり骨疾患を有さず骨疾患のリスクもない大多数の人々に対しては、ＢＭＤ検査は日常的に使用されていない。広範なＢＭＤ検査は、経済的にも医学的にもほとんど意味がない。むしろ、エビデンスは、検査から最も恩恵を受ける可能性の高いハイリスク者のサブセット（例えば、複数のリスク因子を有する若年女性、脆弱性骨折の既往がある男女、骨折リスクを大幅に高める可能性のある疾患を有する男女など）を特定するために、まず他のリスク因子の評価を支持している。これらのリスク因子の中には、ＢＭＤレベルに直接的または間接的に影響を与えるものもあるが、骨密度とは無関係のもの（例えば、転倒のリスク因子）もある。そのため、リスク評価モデルに基づく多くのスクリーニング戦略が開発されている。残念ながら、いくつかの問題と制限により、リスク因子評価ツールの開発と広範な適用が遅れている。重要な問題の１つは、骨の健康に関するリスク因子についての現在の医学的知識の限界に関連しているが、さらに重要なのは、一般市民と医療従事者の両方の認識に関連する積極的なスクリーニング行動が依然として必要とされることである（非特許文献１９～２２）。
【先行技術文献】
【非特許文献】
【0012】
【特許文献1】ＦＲ２８４８６９４
【特許文献2】ＥＰ１５７６５２６Ａ１
【非特許文献1】Ｃｏｎｓｅｎｓｕｓ ｄｅｖｅｌｏｐｍｅｎｔ ｃｏｎｆｅｒｅｎｃｅ：ｄｉａｇｎｏｓｉｓ，ｐｒｏｐｈｙｌａｘｉｓ，ａｎｄ ｔｒｅａｔｍｅｎｔ ｏｆ ｏｓｔｅｏｐｏｒｏｓｉｓ．Ａｍ Ｊ Ｍｅｄ－１９９３－９４，６４６－６５０
【非特許文献2】Ｏｓｔｅｏｐｏｒｏｓｉｓ ｐｒｅｖｅｎｔｉｏｎ， ｄｉａｇｎｏｓｉｓ，ａｎｄ ｔｈｅｒａｐｙ．Ｊａｍａ．２００１；２８５（６）：７８５－９５．
【非特許文献3】Ｍａｃｒｏ－ａｎｄ Ｍｉｃｒｏｉｍａｇｉｎｇ ｏｆ Ｂｏｎｅ Ａｒｃｈｉｔｅｃｔｕｒｅ，Ｅｎｇｅｌｋｅ Ｋ ｅｔ ａｌ．，ｉｎ Ｐｒｉｎｃｉｐｌｅｓ ｏｆ Ｂｏｎｅ Ｂｉｏｌｏｇｙ（Ｔｈｉｒｄ Ｅｄｉｔｉｏｎ）Ｖｏｌｕｍｅ ＩＩ，２００８，Ｐａｇｅｓ １９０５－１９４２．Ｅｄｉｔｏｒｓ：Ｊｏｈｎ Ｂｉｌｅｚｉｋｉａｎ Ｌａｗｒｅｎｃｅ Ｒａｉｓｚ Ｔ．Ｊｏｈｎ Ｍａｒｔｉｎ－Ｐｕｂｌｉｓｈｅｒ：Ａｃａｄｅｍｉｃ Ｐｒｅｓｓ．Ｐｕｂｌｉｓｈｅｄ Ｄａｔｅ：２９ｔｈ Ｓｅｐｔｅｍｂｅｒ ２００８
【非特許文献4】Ｃｕｍｍｉｎｇｓ ＳＲ ｅｔ ａｌ．Ｅｐｉｄｅｍｉｏｌｏｇｙ ａｎｄ ｏｕｔｃｏｍｅｓ ｏｆ ｏｓｔｅｏｐｏｒｏｔｉｃ ｆｒａｃｔｕｒｅｓ．Ｌａｎｃｅｔ（Ｌｏｎｄｏｎ，Ｅｎｇｌａｎｄ）．２００２；３５９（９３１９）：１７６１－７．
【非特許文献5】Ｗａｒｒｉｎｅｒ ＡＨ ｅｔ ａｌ．，Ｍｉｎｏｒ，ｍａｊｏｒ，ｌｏｗ－ｔｒａｕｍａ，ａｎｄ ｈｉｇｈ－ｔｒａｕｍａ ｆｒａｃｔｕｒｅｓ：ｗｈａｔ ａｒｅ ｔｈｅ ｓｕｂｓｅｑｕｅｎｔ ｆｒａｃｔｕｒｅ ｒｉｓｋｓ ａｎｄ ｈｏｗ ｄｏ ｔｈｅｙ ｖａｒｙ？ Ｃｕｒｒｅｎｔ ｏｓｔｅｏｐｏｒｏｓｉｓ ｒｅｐｏｒｔｓ．２０１１；９（３）：１２２－８．
【非特許文献6】Ｔｕ ＫＮ．，ｅｔ ａｌ．Ｏｓｔｅｏｐｏｒｏｓｉｓ：Ａ Ｒｅｖｉｅｗ ｏｆ Ｔｒｅａｔｍｅｎｔ Ｏｐｔｉｏｎｓ．Ｐ＆Ｔ：ａ ｐｅｅｒ－ｒｅｖｉｅｗｅｄ ｊｏｕｒｎａｌ ｆｏｒ ｆｏｒｍｕｌａｒｙ ｍａｎａｇｅｍｅｎｔ．２０１８；４３（２）：９２－１０４．
【非特許文献7】Ｊｏｈｎｅｌｌ Ｏ．，ｅｔ ａｌ．Ａｎ ｅｓｔｉｍａｔｅ ｏｆ ｔｈｅ ｗｏｒｌｄｗｉｄｅ ｐｒｅｖａｌｅｎｃｅ ａｎｄ ｄｉｓａｂｉｌｉｔｙ ａｓｓｏｃｉａｔｅｄ ｗｉｔｈ ｏｓｔｅｏｐｏｒｏｔｉｃ ｆｒａｃｔｕｒｅｓ．Ｏｓｔｅｏｐｏｒｏｓｉｓ ｉｎｔｅｒｎａｔｉｏｎａｌ：ａ ｊｏｕｒｎａｌ ｅｓｔａｂｌｉｓｈｅｄ ａｓ ｒｅｓｕｌｔ ｏｆ ｃｏｏｐｅｒａｔｉｏｎ ｂｅｔｗｅｅｎ ｔｈｅ Ｅｕｒｏｐｅａｎ Ｆｏｕｎｄａｔｉｏｎ ｆｏｒ Ｏｓｔｅｏｐｏｒｏｓｉｓ ａｎｄ ｔｈｅ Ｎａｔｉｏｎａｌ Ｏｓｔｅｏｐｏｒｏｓｉｓ Ｆｏｕｎｄａｔｉｏｎ ｏｆ ｔｈｅ ＵＳＡ．２００６；１７（１２）：１７２６－３３
【非特許文献8】Ｊｏｈｎ Ａ．Ｋａｎｉｓ ＪＡ，．ｅｔ ａｌ．ＳＣＯＰＥ ２０２１：ａ ｎｅｗ ｓｃｏｒｅｃａｒｄ ｆｏｒ ｏｓｔｅｏｐｏｒｏｓｉｓ ｉｎ Ｅｕｒｏｐｅ．Ａｒｃｈｉｖｅｓ ｏｆ Ｏｓｔｅｏｐｏｒｏｓｉｓ（２０２１）１６：８２
【非特許文献9】Ｋａｎｉｓ ＪＡ．，ｅｔ ａｌ．Ｌｏｎｇ－ｔｅｒｍ ｒｉｓｋ ｏｆ ｏｓｔｅｏｐｏｒｏｔｉｃ ｆｒａｃｔｕｒｅ ｉｎ Ｍａｌｍｏｅ．Ｏｓｔｅｏｐｏｒｏｓｉｓ ｉｎｔｅｒｎａｔｉｏｎａｌ：ａ ｊｏｕｒｎａｌ ｅｓｔａｂｌｉｓｈｅｄ ａｓ ｒｅｓｕｌｔ ｏｆ ｃｏｏｐｅｒａｔｉｏｎ ｂｅｔｗｅｅｎ ｔｈｅ Ｅｕｒｏｐｅａｎ Ｆｏｕｎｄａｔｉｏｎ ｆｏｒ Ｏｓｔｅｏｐｏｒｏｓｉｓ ａｎｄ ｔｈｅ Ｎａｔｉｏｎａｌ Ｏｓｔｅｏｐｏｒｏｓｉｓ Ｆｏｕｎｄａｔｉｏｎ ｏｆ ｔｈｅ ＵＳＡ．２０００；１１（８）：６６９－７４．
【非特許文献10】Ｂｉｎｋｌｅｙ Ｎ．，ｅｔ ａｌ．Ｏｓｔｅｏｐｏｒｏｓｉｓ ｉｎ Ｃｒｉｓｉｓ：Ｉｔ´ｓ Ｔｉｍｅ ｔｏ Ｆｏｃｕｓ ｏｎ Ｆｒａｃｔｕｒｅ．Ｊｏｕｒｎａｌ ｏｆ ｂｏｎｅ ａｎｄ ｍｉｎｅｒａｌ ｒｅｓｅａｒｃｈ：ｔｈｅ ｏｆｆｉｃｉａｌ ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ａｍｅｒｉｃａｎ Ｓｏｃｉｅｔｙ ｆｏｒ Ｂｏｎｅ ａｎｄ Ｍｉｎｅｒａｌ Ｒｅｓｅａｒｃｈ．２０１７；３２（７）：１３９１－４．
【非特許文献11】Ｈｅｒｎｌｕｎｄ Ｅ．，ｅｔ ａｌ．Ｏｓｔｅｏｐｏｒｏｓｉｓ ｉｎ ｔｈｅ Ｅｕｒｏｐｅａｎ Ｕｎｉｏｎ：ｍｅｄｉｃａｌ ｍａｎａｇｅｍｅｎｔ，ｅｐｉｄｅｍｉｏｌｏｇｙ，ａｎｄ ｅｃｏｎｏｍｉｃ ｂｕｒｄｅｎ．
【非特許文献12】Ａ ｒｅｐｏｒｔ ｐｒｅｐａｒｅｄ ｉｎ ｃｏｌｌａｂｏｒａｔｉｏｎ ｗｉｔｈ ｔｈｅ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｏｓｔｅｏｐｏｒｏｓｉｓ Ｆｏｕｎｄａｔｉｏｎ（ＩＯＦ）ａｎｄ ｔｈｅ Ｅｕｒｏｐｅａｎ Ｆｅｄｅｒａｔｉｏｎ ｏｆ Ｐｈａｒｍａｃｅｕｔｉｃａｌ Ｉｎｄｕｓｔｒｙ Ａｓｓｏｃｉａｔｉｏｎｓ（ＥＦＰＩＡ） Ａｒｃｈｉｖｅｓ ｏｆ ｏｓｔｅｏｐｏｒｏｓｉｓ．２０１３；８（１－２）：１３６．
【非特許文献13】Ｈｅｒｎｌｕｎｄ，Ｅ．，ｅｔ ａｌ．，Ｏｓｔｅｏｐｏｒｏｓｉｓ ｉｎ ｔｈｅ Ｅｕｒｏｐｅａｎ Ｕｎｉｏｎ：ｍｅｄｉｃａｌ ｍａｎａｇｅｍｅｎｔ，ｅｐｉｄｅｍｉｏｌｏｇｙ ａｎｄ ｅｃｏｎｏｍｉｃ ｂｕｒｄｅｎ．
【非特許文献14】Ａ ｒｅｐｏｒｔ ｐｒｅｐａｒｅｄ ｉｎ ｃｏｌｌａｂｏｒａｔｉｏｎ ｗｉｔｈ ｔｈｅ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｏｓｔｅｏｐｏｒｏｓｉｓ Ｆｏｕｎｄａｔｉｏｎ（ＩＯＦ）ａｎｄ ｔｈｅ Ｅｕｒｏｐｅａｎ Ｆｅｄｅｒａｔｉｏｎ ｏｆ Ｐｈａｒｍａｃｅｕｔｉｃａｌ Ｉｎｄｕｓｔｒｙ Ａｓｓｏｃｉａｔｉｏｎｓ（ＥＦＰＩＡ）．Ａｒｃｈ Ｏｓｔｅｏｐｏｒｏｓ，２０１３．８：ｐ．１３６
【非特許文献15】Ｓｏｌｏｍｏｎ ＤＨ．，ｅｔ ａｌ．Ｏｓｔｅｏｐｏｒｏｓｉｓ ｍｅｄｉｃａｔｉｏｎ ｕｓｅ ａｆｔｅｒ ｈｉｐ ｆｒａｃｔｕｒｅ ｉｎ Ｕ．Ｓ．ｐａｔｉｅｎｔｓ ｂｅｔｗｅｅｎ ２００２ ａｎｄ ２０１１．Ｊ Ｂｏｎｅ Ｍｉｎｅｒ Ｒｅｓ．２０１４；２９（９）：１９２９－１９３７
【非特許文献16】Ｋａｎｉｓ ＪＡ．，ｅｔ ａｌ． ＳＣＯＰＥ ２０２１：ａ ｎｅｗ ｓｃｏｒｅｃａｒｄ ｆｏｒ ｏｓｔｅｏｐｏｒｏｓｉｓ ｉｎ Ｅｕｒｏｐｅ．Ａｒｃｈｉｖｅｓ ｏｆ Ｏｓｔｅｏｐｏｒｏｓｉｓ （２０２１）１６：８２．Ｂｏｎｅ ｈｅａｌｔｈ ａｎｄ ｏｓｔｅｏｐｏｒｏｓｉｓ：ａ ｒｅｐｏｒｔ ｏｆ ｔｈｅ Ｓｕｒｇｅｏｎ Ｇｅｎｅｒａｌ．－Ｒｏｃｋｖｉｌｌｅ，Ｍｄ．：Ｕ．Ｓ．Ｄｅｐｔ．ｏｆ Ｈｅａｌｔｈ ａｎｄ Ｈｕｍａｎ Ｓｅｒｖｉｃｅｓ，Ｐｕｂｌｉｃ Ｈｅａｌｔｈ Ｓｅｒｖｉｃｅ，Ｏｆｆｉｃｅ ｏｆ ｔｈｅ Ｓｕｒｇｅｏｎ Ｇｅｎｅｒａｌ
【非特許文献17】Ｗａｓｈｉｎｇｔｏｎ，Ｄ．Ｃ．：Ｆｏｒ ｓａｌｅ ｂｙ ｔｈｅ Ｓｕｐｔ．ｏｆ Ｄｏｃｓ．，Ｕ．Ｓ．Ｇ．Ｐ．Ｏ．，２００４．ｐ．４３６
【非特許文献18】Ｐａｕｌ Ｄ．Ｍｉｌｌｅｒ．Ｕｎｄｅｒｄｉａｇｎｏｓｅｓ ａｎｄ Ｕｎｄｅｒｔｒｅａｔｍｅｎｔ ｏｆ Ｏｓｔｅｏｐｏｒｏｓｉｓ：Ｔｈｅ Ｂａｔｔｌｅ ｔｏ Ｂｅ Ｗｏｎ．Ｊ Ｃｌｉｎ Ｅｎｄｏｃｒｉｎｏｌ Ｍｅｔａｂ，Ｍａｒｃｈ ２０１６，１０１（３）：８５２－８５９
【非特許文献19】Ｐａｌ Ｂ．Ｑｕｅｓｔｉｏｎｎａｉｒｅ ｓｕｒｖｅｙ ｏｆ ａｄｖｉｃｅ ｇｉｖｅｎ ｔｏ ｐａｔｉｅｎｔｓ ｗｉｔｈ ｆｒａｃｔｕｒｅｓ．ＢＭＪ １９９９ Ｆｅｂ ２０；３１８（７１８２）：５００－１
【非特許文献20】Ｂｏｎｅ ｈｅａｌｔｈ ａｎｄ ｏｓｔｅｏｐｏｒｏｓｉｓ：ａ ｒｅｐｏｒｔ ｏｆ ｔｈｅ Ｓｕｒｇｅｏｎ Ｇｅｎｅｒａｌ．－Ｒｏｃｋｖｉｌｌｅ，Ｍｄ．：Ｕ．Ｓ． Ｄｅｐｔ．ｏｆ Ｈｅａｌｔｈ ａｎｄ Ｈｕｍａｎ Ｓｅｒｖｉｃｅｓ，Ｐｕｂｌｉｃ Ｈｅａｌｔｈ Ｓｅｒｖｉｃｅ，Ｏｆｆｉｃｅ ｏｆ ｔｈｅ Ｓｕｒｇｅｏｎ Ｇｅｎｅｒａｌ
【非特許文献21】Ｗａｓｈｉｎｇｔｏｎ，Ｄ．Ｃ．：Ｆｏｒ ｓａｌｅ ｂｙ ｔｈｅ Ｓｕｐｔ．ｏｆ Ｄｏｃｓ．，Ｕ．Ｓ．Ｇ．Ｐ．Ｏ．，２００４．ｐ．４３６
【非特許文献22】Ｋａｎｉｓ ＪＡ．，ｅｔ ａｌ．ＳＣＯＰＥ ２０２１：ａ ｎｅｗ ｓｃｏｒｅｃａｒｄ ｆｏｒ ｏｓｔｅｏｐｏｒｏｓｉｓ ｉｎ Ｅｕｒｏｐｅ．Ａｒｃｈｉｖｅｓ ｏｆ Ｏｓｔｅｏｐｏｒｏｓｉｓ（２０２１）１６：８２．
【非特許文献23】Ｎ．Ｃ．Ｈａｒｖｅｙ他による論文「Ｔｒａｂｅｃｕｌａｒ ｂｏｎｅ ｓｃｏｒｅ（ＴＢＳ）ａｓ ａ ｎｅｗ ｃｏｍｐｌｅｍｅｎｔａｒｙ ａｐｐｒｏａｃｈ ｆｏｒ ｏｓｔｅｏｐｏｒｏｓｉｓ ｅｖａｌｕａｔｉｏｎ ｉｎ ｃｌｉｎｉｃａｌ ｐｒａｃｔｉｃｅ．Ａ ｃｏｎｓｅｎｓｕｓ ｒｅｐｏｒｔ ｏｆ ａ Ｅｕｒｏｐｅａｎ Ｓｏｃｉｅｔｙ ｆｏｒ Ｃｌｉｎｉｃａｌ ａｎｄ Ｅｃｏｎｏｍｉｃ Ａｓｐｅｃｔｓ ｏｆ Ｏｓｔｅｏｐｏｒｏｓｉｓ ａｎｄ Ｏｓｔｅｏａｒｔｈｒｉｔｉｓ（ＥＳＣＥＯ）Ｗｏｒｋｉｎｇ Ｇｒｏｕｐ」（ｈｔｔｐｓ：／／ｗｗｗ．ｎｃｂｉ．ｎｌｍ．ｎｉｈ．ｇｏｖ／ｐｍｃ／ａｒｔｉｃｌｅｓ／ＰＭＣ４５３８７９１／）
【発明の概要】
【発明が解決しようとする課題】
【0013】
この積極性の必要性を克服し、例えばＤＸＡに基づく全集団の体系的なスクリーニングのコストの超過を避けるために、適切な場合に自動的な適切なアプローチを想像することができる。この後者のアプローチは、例えば、骨粗鬆症以外の理由で毎年何百万人もの個人に対して実施されるＸ線ベースの画像で実行することができる。このようなアプローチは、偽陽性の観点で最適化されなければならず、「ゴールドスタンダード」の診断確認（骨量と骨質の両方の評価）のためにＤＸＡ施設に紹介される骨粗鬆症の真のリスクのある個人の数を増やすことを目的とすべきである。
【0014】
本発明の目的は、通常は骨密度（ＢＭＤ）または海綿骨スコア（ＴＢＳ）を得ることができないような画像、すなわち典型的には二重エネルギーＸ線吸収測定（ＤＸＡ）画像以外の画像にも適用できる、骨のテクスチャおよび／または健康状態を迅速かつ簡単に解析する方法または装置を提示することである。
【0015】
本発明の一態様は、骨（好ましくはデジタル画像から画像化により得られ、骨構造を含む領域で選択される）のテクスチャを解析する方法（好ましくはコンピュータで実施される）に関し、以下の工程を含む。
－ 入力骨を示すデジタル化された入力Ｘ線画像を受信する工程、
－ 技術的手段により実装された骨スコア人工知能による、受信した入力Ｘ線画像の骨スコア解析工程であって、骨スコア人工知能が、この骨スコア解析の結果として以下を与える工程：
－－ 受信した入力Ｘ線画像に示された入力骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）に少なくとも依存するグローバルスコア、および／または
－－ 受信した入力Ｘ線画像に示された入力骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）、および／または受信した入力Ｘ線画像に示された入力骨の骨密度に依存する密度スコア。
－ 入力骨を示すデジタル化された入力Ｘ線画像を受信する工程、
－ 技術的手段により実装された骨スコア人工知能による、受信した入力Ｘ線画像の骨スコア解析工程であって、骨スコア人工知能が、この骨スコア解析の結果として以下を与える工程：
－－ 受信した入力Ｘ線画像に示された入力骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）に少なくとも依存するグローバルスコア、および／または
－－ 受信した入力Ｘ線画像に示された入力骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）、および／または受信した入力Ｘ線画像に示された入力骨の骨密度に依存する密度スコア。
【0016】
骨スコア人工知能はニューラルネットワークであり得る。
【0017】
本発明による方法は、以下の工程を含み得る。
－ 以下のステップを複数回実施することにより、第１の学習セットを構築する工程：
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像を取得するステップ
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である関連する第２のタイプの学習画像を取得するステップ
－－ 技術的手段により、第１のタイプの学習画像から以下を決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－－ 技術的手段により、以下からこれらの密度スコアと海綿骨スコアに依存するグローバルスコアを決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）、
－ 第２のタイプの学習画像とともに、この第２のタイプの学習画像に関連付けられた第１のタイプの学習画像について決定されたグローバルスコアを含むその関連するグランド・トゥルース（ｇｒｏｕｎｄ ｔｒｕｔｈ）を骨スコア人工知能に提供することにより、骨スコア人工知能を学習させる工程。
－ 以下のステップを複数回実施することにより、第１の学習セットを構築する工程：
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像を取得するステップ
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である関連する第２のタイプの学習画像を取得するステップ
－－ 技術的手段により、第１のタイプの学習画像から以下を決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－－ 技術的手段により、以下からこれらの密度スコアと海綿骨スコアに依存するグローバルスコアを決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）、
－ 第２のタイプの学習画像とともに、この第２のタイプの学習画像に関連付けられた第１のタイプの学習画像について決定されたグローバルスコアを含むその関連するグランド・トゥルース（ｇｒｏｕｎｄ ｔｒｕｔｈ）を骨スコア人工知能に提供することにより、骨スコア人工知能を学習させる工程。
【0018】
本発明による方法は、以下の工程を含み得る。
－ 以下のステップを複数回実施することにより、第２の学習セットを構築する工程：
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像を取得するステップ
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である関連する第２のタイプの学習画像を取得するステップ
－－ 技術的手段により、第１のタイプの学習画像から以下を決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および／または
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－ 第２のタイプの学習画像とともに、以下を含むその関連するグランド・トゥルースを骨スコア人工知能に提供することにより、骨スコア人工知能を学習させる工程：
－－ この第２のタイプの学習画像に関連付けられた第１のタイプの学習画像について決定された密度スコア、および／または
－－ この第２のタイプの学習画像に関連付けられた第１のタイプの学習画像について決定された海綿骨スコア。
－ 以下のステップを複数回実施することにより、第２の学習セットを構築する工程：
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像を取得するステップ
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である関連する第２のタイプの学習画像を取得するステップ
－－ 技術的手段により、第１のタイプの学習画像から以下を決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および／または
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－ 第２のタイプの学習画像とともに、以下を含むその関連するグランド・トゥルースを骨スコア人工知能に提供することにより、骨スコア人工知能を学習させる工程：
－－ この第２のタイプの学習画像に関連付けられた第１のタイプの学習画像について決定された密度スコア、および／または
－－ この第２のタイプの学習画像に関連付けられた第１のタイプの学習画像について決定された海綿骨スコア。
【0019】
本発明による方法は、以下の工程を含み得る。
－ 入力骨を示す入力Ｘ線画像を受信する工程、
－ 技術的手段により実装された第１の人工知能による、受信した入力Ｘ線画像の第１の解析工程であって、第１の人工知能が第１の解析の結果として以下の両方に依存するグローバルスコアを与える工程：
－－ 受信した入力Ｘ線画像に示された入力骨の骨密度に依存する密度スコア
－－ 受信した入力Ｘ線画像に示された入力骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）、
－ 技術的手段により実装された第２の人工知能による、受信した入力Ｘ線画像の第２の解析工程であって、第２の人工知能が第２の解析の結果として以下を与える工程：
－－ 受信した入力Ｘ線画像に示された入力骨の骨密度に依存する密度スコア、および／または
－－ 受信した入力Ｘ線画像に示された入力骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）、
－ 技術的手段により実装された第３の人工知能による第３の解析工程であって、第３の人工知能が第１および第２の解析の結果を入力として有し、第１の解析の結果と第２の解析の結果の整合性に依存する結果を出力として有する工程。
－ 入力骨を示す入力Ｘ線画像を受信する工程、
－ 技術的手段により実装された第１の人工知能による、受信した入力Ｘ線画像の第１の解析工程であって、第１の人工知能が第１の解析の結果として以下の両方に依存するグローバルスコアを与える工程：
－－ 受信した入力Ｘ線画像に示された入力骨の骨密度に依存する密度スコア
－－ 受信した入力Ｘ線画像に示された入力骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）、
－ 技術的手段により実装された第２の人工知能による、受信した入力Ｘ線画像の第２の解析工程であって、第２の人工知能が第２の解析の結果として以下を与える工程：
－－ 受信した入力Ｘ線画像に示された入力骨の骨密度に依存する密度スコア、および／または
－－ 受信した入力Ｘ線画像に示された入力骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）、
－ 技術的手段により実装された第３の人工知能による第３の解析工程であって、第３の人工知能が第１および第２の解析の結果を入力として有し、第１の解析の結果と第２の解析の結果の整合性に依存する結果を出力として有する工程。
【0020】
第３の人工知能は、受信した入力Ｘ線画像が取得された患者の年齢、受信した入力Ｘ線画像が取得された患者の性別、受信した入力Ｘ線画像が取得された患者の体型、受信した入力Ｘ線画像が取得された機器の種類、および／または受信した入力Ｘ線画像が取得された機器の取得パラメータのうちの少なくとも１つのパラメータをさらなる入力として使用し得る。
【0021】
第１の人工知能および／または第２の人工知能は、ニューラルネットワークであり得る。
【0022】
第１の人工知能、第２の人工知能、および第３の人工知能は、３つの異なる人工知能であり得る。
【0023】
第１の人工知能、第２の人工知能、および第３の人工知能を実装するための技術的手段は、同じ技術的手段であり得る。
【0024】
本発明による方法は、以下の工程を含み得る。
－ 以下のステップを複数回実施することにより、第１の学習セットを構築する工程：
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像を取得するステップ
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である関連する第２のタイプの学習画像を取得するステップ
－－ 技術的手段により、第１のタイプの学習画像から以下を決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－－ 技術的手段により、以下からこれらの密度スコアと海綿骨スコアに依存するグローバルスコアを決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）、
－ 第２のタイプの学習画像とともに、この第２のタイプの学習画像に関連付けられた第１のタイプの学習画像について決定されたグローバルスコアを含むその関連するグランド・トゥルースを第１の人工知能に提供することにより、第１の人工知能を学習させる工程。
－ 以下のステップを複数回実施することにより、第１の学習セットを構築する工程：
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像を取得するステップ
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である関連する第２のタイプの学習画像を取得するステップ
－－ 技術的手段により、第１のタイプの学習画像から以下を決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－－ 技術的手段により、以下からこれらの密度スコアと海綿骨スコアに依存するグローバルスコアを決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）、
－ 第２のタイプの学習画像とともに、この第２のタイプの学習画像に関連付けられた第１のタイプの学習画像について決定されたグローバルスコアを含むその関連するグランド・トゥルースを第１の人工知能に提供することにより、第１の人工知能を学習させる工程。
【0025】
本発明による方法は、以下の工程を含み得る。
－ 以下のステップを複数回実施することにより、第２の学習セットを構築する工程：
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像を取得するステップ
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である関連する第２のタイプの学習画像を取得するステップ
－－ 技術的手段により、第１のタイプの学習画像から以下を決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および／または
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－ 第２のタイプの学習画像とともに、以下を含むその関連するグランド・トゥルースを第２の人工知能に提供することにより、第２の人工知能を学習させる工程：
－－ この第２のタイプの学習画像に関連付けられた第１のタイプの学習画像について決定された密度スコア、および／または
－－ この第２のタイプの学習画像に関連付けられた第１のタイプの学習画像について決定された海綿骨スコア。
－ 以下のステップを複数回実施することにより、第２の学習セットを構築する工程：
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像を取得するステップ
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である関連する第２のタイプの学習画像を取得するステップ
－－ 技術的手段により、第１のタイプの学習画像から以下を決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および／または
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－ 第２のタイプの学習画像とともに、以下を含むその関連するグランド・トゥルースを第２の人工知能に提供することにより、第２の人工知能を学習させる工程：
－－ この第２のタイプの学習画像に関連付けられた第１のタイプの学習画像について決定された密度スコア、および／または
－－ この第２のタイプの学習画像に関連付けられた第１のタイプの学習画像について決定された海綿骨スコア。
【0026】
第１の人工知能と第２の人工知能は、第１のタイプの学習画像と第２のタイプの学習画像の同じデータベースを使用して学習させ得る。
【0027】
本発明による方法は、以下の工程を含み得る。
－以下のステップを複数回実施することにより、第３の学習セットを構築する工程：
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像を取得するステップ
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である第２のタイプの学習画像を取得するステップ
－－ 技術的手段により、第１のタイプの学習画像から以下を決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－－ 技術的手段により、以下からこの密度スコアと海綿骨スコアに依存するグローバルスコアを決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）、
－－ 第２のタイプの学習画像に対して第１および第２の人工知能による第１および第２の解析を実施するステップ、および
－ 第１のタイプの学習画像から得られたスコアと同じ学習用骨の第２のタイプの学習画像から得られたスコアとの差から学習することにより、第３の人工知能を学習させる工程。
－以下のステップを複数回実施することにより、第３の学習セットを構築する工程：
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像を取得するステップ
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である第２のタイプの学習画像を取得するステップ
－－ 技術的手段により、第１のタイプの学習画像から以下を決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－－ 技術的手段により、以下からこの密度スコアと海綿骨スコアに依存するグローバルスコアを決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）、
－－ 第２のタイプの学習画像に対して第１および第２の人工知能による第１および第２の解析を実施するステップ、および
－ 第１のタイプの学習画像から得られたスコアと同じ学習用骨の第２のタイプの学習画像から得られたスコアとの差から学習することにより、第３の人工知能を学習させる工程。
【0028】
第１の人工知能、第２の人工知能、および第３の人工知能は、別々に学習させ得る。
【0029】
第１のタイプの学習画像と第２のタイプの学習画像は、同じ学習用骨で取得することができ、６か月未満の間隔で取得される。
【0030】
第１のタイプの学習画像は、二重エネルギーＸ線吸収測定（ＤＸＡ）画像、末梢定量的コンピュータ断層撮影（（ｐ）ＱＣＴ）画像および／または高分解能末梢定量的コンピュータ断層撮影（ＨＲ－ｐＱＣＴ）画像、コンピュータ断層撮影（ＣＴ）画像、または定量的超音波（ＱＵＳ）画像であり得る。
【0031】
第２のタイプの学習画像は、好ましくは、二重エネルギーＸ線吸収測定（ＤＸＡ）画像、末梢定量的コンピュータ断層撮影（（ｐ）ＱＣＴ）画像および／または高分解能末梢定量的コンピュータ断層撮影（ＨＲ－ｐＱＣＴ）画像、コンピュータ断層撮影（ＣＴ）画像、または定量的超音波（ＱＵＳ）画像ではない。
【0032】
受信した入力Ｘ線画像は、好ましくは、二重エネルギーＸ線吸収測定（ＤＸＡ）画像、末梢定量的コンピュータ断層撮影（（ｐ）ＱＣＴ）画像および／または高分解能末梢定量的コンピュータ断層撮影（ＨＲ－ｐＱＣＴ）画像、コンピュータ断層撮影（ＣＴ）画像、または定量的超音波（ＱＵＳ）画像ではない。
【0033】
受信した入力Ｘ線画像は、１ピクセルあたり１ｍｍ未満の空間分解能を有するデジタルＸ線画像であり得る。
【0034】
本発明の他の態様は、コンピュータにより実行されたときに、本発明による方法のステップを実施する命令を含むコンピュータプログラムに関する。
【0035】
本発明の他の態様は、プログラムがコンピュータにより実行されたときに、コンピュータに本発明による方法のステップを実行させる命令を含むコンピュータプログラム製品に関する。
【0036】
本発明の他の態様は、コンピュータにより実行されたときに、コンピュータに本発明による方法のステップを実行させる命令を含むコンピュータ可読記憶媒体に関する。
【0037】
本発明の他の態様は、（好ましくはデジタル画像から、画像化により得られ、骨構造を含む領域で選択される）骨のテクスチャを解析する装置であって、以下を含む装置に関する。
－ 入力骨を示すデジタル化された入力Ｘ線画像を受信するように配置および／またはプログラムされた、および／または構成された手段、
－ 受信した入力Ｘ線画像の骨スコア解析を実装するように配置および／またはプログラムされた、および／または構成された骨スコア人工知能を実装するように配置および／またはプログラムされた、および／または構成された技術的手段であって、骨スコア人工知能が、この骨スコア解析の結果として以下を与えるように配置および／またはプログラムされた、および／または構成された技術的手段：
－－ 受信した入力Ｘ線画像に示された入力骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）に少なくとも依存するグローバルスコア、および／または
－－ 受信した入力Ｘ線画像に示された入力骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）、および／または受信した入力Ｘ線画像に示された入力骨の骨密度に依存する密度スコア。
－ 入力骨を示すデジタル化された入力Ｘ線画像を受信するように配置および／またはプログラムされた、および／または構成された手段、
－ 受信した入力Ｘ線画像の骨スコア解析を実装するように配置および／またはプログラムされた、および／または構成された骨スコア人工知能を実装するように配置および／またはプログラムされた、および／または構成された技術的手段であって、骨スコア人工知能が、この骨スコア解析の結果として以下を与えるように配置および／またはプログラムされた、および／または構成された技術的手段：
－－ 受信した入力Ｘ線画像に示された入力骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）に少なくとも依存するグローバルスコア、および／または
－－ 受信した入力Ｘ線画像に示された入力骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）、および／または受信した入力Ｘ線画像に示された入力骨の骨密度に依存する密度スコア。
【0038】
骨スコア人工知能はニューラルネットワークであり得る。
【0039】
本発明による装置は、以下を含み得る。
－ 以下のステップを複数回実施することにより、第１の学習セットを構築するように配置および／またはプログラムされた、および／または構成された手段：
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像を（取得のための技術的手段により）取得するステップ
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である関連する第２のタイプの学習画像を（取得のための技術的手段により）取得するステップ
－－ 決定のための技術的手段により、第１のタイプの学習画像から以下を決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－－ 決定のための技術的手段により、以下からこれらの密度スコアと海綿骨スコアに依存するグローバルスコアを決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－ 第２のタイプの学習画像とともに、この第２のタイプの学習画像に関連付けられた第１のタイプの学習画像について決定されたグローバルスコアを含むその関連するグランド・トゥルースを骨スコア人工知能に提供することにより、骨スコア人工知能を学習させるように配置および／またはプログラムされた、および／または構成された手段。
－ 以下のステップを複数回実施することにより、第１の学習セットを構築するように配置および／またはプログラムされた、および／または構成された手段：
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像を（取得のための技術的手段により）取得するステップ
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である関連する第２のタイプの学習画像を（取得のための技術的手段により）取得するステップ
－－ 決定のための技術的手段により、第１のタイプの学習画像から以下を決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－－ 決定のための技術的手段により、以下からこれらの密度スコアと海綿骨スコアに依存するグローバルスコアを決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－ 第２のタイプの学習画像とともに、この第２のタイプの学習画像に関連付けられた第１のタイプの学習画像について決定されたグローバルスコアを含むその関連するグランド・トゥルースを骨スコア人工知能に提供することにより、骨スコア人工知能を学習させるように配置および／またはプログラムされた、および／または構成された手段。
【0040】
本発明による装置は、以下を含み得る。
－ 以下のステップを複数回実施することにより、第２の学習セットを構築するように配置および／またはプログラムされた、および／または構成された手段：
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像を（取得のための技術的手段により）取得するステップ
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である関連する第２のタイプの学習画像を（取得のための技術的手段により）取得するステップ
－－ 決定のための技術的手段により、第１のタイプの学習画像から以下を決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および／または
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－ 第２のタイプの学習画像とともに、以下を含むその関連するグランド・トゥルースを人工知能に提供することにより、骨スコア人工知能を学習させるように配置および／またはプログラムされた、および／または構成された手段：
－－ この第２のタイプの学習画像に関連付けられた第１のタイプの学習画像について決定された密度スコア、および／または
－－ この第２のタイプの学習画像に関連付けられた第１のタイプの学習画像について決定された海綿骨スコア。
－ 以下のステップを複数回実施することにより、第２の学習セットを構築するように配置および／またはプログラムされた、および／または構成された手段：
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像を（取得のための技術的手段により）取得するステップ
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である関連する第２のタイプの学習画像を（取得のための技術的手段により）取得するステップ
－－ 決定のための技術的手段により、第１のタイプの学習画像から以下を決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および／または
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－ 第２のタイプの学習画像とともに、以下を含むその関連するグランド・トゥルースを人工知能に提供することにより、骨スコア人工知能を学習させるように配置および／またはプログラムされた、および／または構成された手段：
－－ この第２のタイプの学習画像に関連付けられた第１のタイプの学習画像について決定された密度スコア、および／または
－－ この第２のタイプの学習画像に関連付けられた第１のタイプの学習画像について決定された海綿骨スコア。
【0041】
本発明による装置は、以下を含み得る。
－ 入力骨を示す入力Ｘ線画像を受信するように配置および／またはプログラムされた、および／または構成された手段、
－ 受信した入力Ｘ線画像の第１の解析を実装するように配置および／またはプログラムされた、および／または構成された第１の人工知能を実装するように配置および／またはプログラムされた、および／または構成された技術的手段であって、第１の人工知能が第１の解析の結果として以下の両方に依存するグローバルスコアを与えるように配置および／またはプログラムされた、および／または構成された技術的手段：
－－ 受信した入力Ｘ線画像に示された入力骨の骨密度に依存する密度スコア
－－ 受信した入力Ｘ線画像に示された入力骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－ 受信した入力Ｘ線画像の第２の解析を実装するように配置および／またはプログラムされた、および／または構成された第２の人工知能を実装するように配置および／またはプログラムされた、および／または構成された技術的手段であって、第２の人工知能が第２の解析の結果として以下を与えるように配置および／またはプログラムされた、および／または構成された技術的手段：
－－ 受信した入力Ｘ線画像に示された入力骨の骨密度に依存する密度スコア、および／または
－－ 受信した入力Ｘ線画像に示された入力骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－ 第３の解析を実装するように配置および／またはプログラムされた、および／または構成された第３の人工知能を実装するように配置および／またはプログラムされた、および／または構成された技術的手段であって、第３の人工知能が第１および第２の解析の結果を入力として有し、第１の解析の結果と第２の解析の結果の整合性に依存する結果を出力として有するように配置および／またはプログラムされた、および／または構成された技術的手段。
－ 入力骨を示す入力Ｘ線画像を受信するように配置および／またはプログラムされた、および／または構成された手段、
－ 受信した入力Ｘ線画像の第１の解析を実装するように配置および／またはプログラムされた、および／または構成された第１の人工知能を実装するように配置および／またはプログラムされた、および／または構成された技術的手段であって、第１の人工知能が第１の解析の結果として以下の両方に依存するグローバルスコアを与えるように配置および／またはプログラムされた、および／または構成された技術的手段：
－－ 受信した入力Ｘ線画像に示された入力骨の骨密度に依存する密度スコア
－－ 受信した入力Ｘ線画像に示された入力骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－ 受信した入力Ｘ線画像の第２の解析を実装するように配置および／またはプログラムされた、および／または構成された第２の人工知能を実装するように配置および／またはプログラムされた、および／または構成された技術的手段であって、第２の人工知能が第２の解析の結果として以下を与えるように配置および／またはプログラムされた、および／または構成された技術的手段：
－－ 受信した入力Ｘ線画像に示された入力骨の骨密度に依存する密度スコア、および／または
－－ 受信した入力Ｘ線画像に示された入力骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－ 第３の解析を実装するように配置および／またはプログラムされた、および／または構成された第３の人工知能を実装するように配置および／またはプログラムされた、および／または構成された技術的手段であって、第３の人工知能が第１および第２の解析の結果を入力として有し、第１の解析の結果と第２の解析の結果の整合性に依存する結果を出力として有するように配置および／またはプログラムされた、および／または構成された技術的手段。
【0042】
第３の人工知能は、受信した入力Ｘ線画像が取得された患者の年齢、受信した入力Ｘ線画像が取得された患者の性別、受信した入力Ｘ線画像が取得された患者の体型、受信した入力Ｘ線画像が取得された機器の種類、および／または受信した入力Ｘ線画像が取得された機器の取得パラメータのうちの少なくとも１つのパラメータをさらなる入力として使用するように配置および／またはプログラムされ得る、および／または構成され得る。
【0043】
第１の人工知能および／または第２の人工知能は、ニューラルネットワークであり得る。
【0044】
第１の人工知能、第２の人工知能、および第３の人工知能は、３つの異なる人工知能であり得る。
【0045】
第１の人工知能、第２の人工知能、および第３の人工知能を実装するための技術的手段は、同じ技術的手段であり得る。
【0046】
本発明による装置は、以下を含み得る。
－ 以下のステップを複数回実施することにより、第１の学習セットを構築するように配置および／またはプログラムされた、および／または構成された手段：
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像を（取得のための技術的手段により）取得するステップ
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である関連する第２のタイプの学習画像を（取得のための技術的手段により）取得するステップ
－－ 決定のための技術的手段により、第１のタイプの学習画像から以下を決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－－ 決定のための技術的手段により、以下からこれらの密度スコアと海綿骨スコアに依存するグローバルスコアを決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－ 第２のタイプの学習画像とともに、この第２のタイプの学習画像に関連付けられた第１のタイプの学習画像について決定されたグローバルスコアを含むその関連するグランド・トゥルースを第１の人工知能に提供することにより、第１の人工知能を学習させるように配置および／またはプログラムされた、および／または構成された手段。
－ 以下のステップを複数回実施することにより、第１の学習セットを構築するように配置および／またはプログラムされた、および／または構成された手段：
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像を（取得のための技術的手段により）取得するステップ
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である関連する第２のタイプの学習画像を（取得のための技術的手段により）取得するステップ
－－ 決定のための技術的手段により、第１のタイプの学習画像から以下を決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－－ 決定のための技術的手段により、以下からこれらの密度スコアと海綿骨スコアに依存するグローバルスコアを決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－ 第２のタイプの学習画像とともに、この第２のタイプの学習画像に関連付けられた第１のタイプの学習画像について決定されたグローバルスコアを含むその関連するグランド・トゥルースを第１の人工知能に提供することにより、第１の人工知能を学習させるように配置および／またはプログラムされた、および／または構成された手段。
【0047】
本発明による装置は、以下を含み得る。
－ 以下のステップを複数回実施することにより、第２の学習セットを構築するように配置および／またはプログラムされた、および／または構成された手段：
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像を（取得のための技術的手段により）取得するステップ
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である関連する第２のタイプの学習画像を（取得のための技術的手段により）取得するステップ
－－ 決定のための技術的手段により、第１のタイプの学習画像から以下を決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および／または
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－ 第２のタイプの学習画像とともに、以下を含むその関連するグランド・トゥルースを第２の人工知能に提供することにより、第２の人工知能を学習させるように配置および／またはプログラムされた、および／または構成された手段：
－－ この第２のタイプの学習画像に関連付けられた第１のタイプの学習画像について決定された密度スコア、および／または
－－ この第２のタイプの学習画像に関連付けられた第１のタイプの学習画像について決定された海綿骨スコア。
－ 以下のステップを複数回実施することにより、第２の学習セットを構築するように配置および／またはプログラムされた、および／または構成された手段：
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像を（取得のための技術的手段により）取得するステップ
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である関連する第２のタイプの学習画像を（取得のための技術的手段により）取得するステップ
－－ 決定のための技術的手段により、第１のタイプの学習画像から以下を決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および／または
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－ 第２のタイプの学習画像とともに、以下を含むその関連するグランド・トゥルースを第２の人工知能に提供することにより、第２の人工知能を学習させるように配置および／またはプログラムされた、および／または構成された手段：
－－ この第２のタイプの学習画像に関連付けられた第１のタイプの学習画像について決定された密度スコア、および／または
－－ この第２のタイプの学習画像に関連付けられた第１のタイプの学習画像について決定された海綿骨スコア。
【0048】
第１の人工知能と第２の人工知能は、第１のタイプの学習画像と第２のタイプの学習画像の同じデータベースを使用して学習させるように配置および／またはプログラムされ得る、および／または構成され得る。
【0049】
本発明による装置は、以下を含み得る。
－ 以下のステップを複数回実施することにより、第３の学習セットを構築するように配置および／またはプログラムされた、および／または構成された手段：
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像を（取得のための技術的手段により）取得するステップ
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である第２のタイプの学習画像を（取得のための技術的手段により）取得するステップ
－－ 決定のための技術的手段により、第１のタイプの学習画像から以下を決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－－ 決定のための技術的手段により、以下からこの密度スコアと海綿骨スコアに依存するグローバルスコアを決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）、
－ 第２のタイプの学習画像に対して第１および第２の人工知能による第１および第２の解析を実施するステップ、および
－ 第１のタイプの学習画像から得られたスコアと同じ学習用骨の第２のタイプの学習画像から得られたスコアとの差から学習することにより、第３の人工知能を学習させるように配置および／またはプログラムされた、および／または構成された手段。
－ 以下のステップを複数回実施することにより、第３の学習セットを構築するように配置および／またはプログラムされた、および／または構成された手段：
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像を（取得のための技術的手段により）取得するステップ
－－ 同じ学習用骨を示す、Ｘ線ベースの画像である第２のタイプの学習画像を（取得のための技術的手段により）取得するステップ
－－ 決定のための技術的手段により、第１のタイプの学習画像から以下を決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）
－－ 決定のための技術的手段により、以下からこの密度スコアと海綿骨スコアに依存するグローバルスコアを決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャ（またはグレーレベルの実験的バリオグラムからグレーレベルの局所的な変動を定量化するもの）に依存する海綿骨スコア（ＴＢＳ）、
－ 第２のタイプの学習画像に対して第１および第２の人工知能による第１および第２の解析を実施するステップ、および
－ 第１のタイプの学習画像から得られたスコアと同じ学習用骨の第２のタイプの学習画像から得られたスコアとの差から学習することにより、第３の人工知能を学習させるように配置および／またはプログラムされた、および／または構成された手段。
【0050】
第１の人工知能、第２の人工知能、および第３の人工知能は、別々に学習させるように配置および／またはプログラムされ得る、および／または構成され得る。
【0051】
第１の人工知能を学習させるように配置および／またはプログラムされた、および／または構成された手段と、第２の人工知能を学習させるように配置および／またはプログラムされた、および／または構成された手段は、第１のタイプの学習画像と第２のタイプの学習画像が同じ学習用骨で取得され、６か月未満の間隔で取得されたことをチェックするように一緒に配置および／またはプログラムされ得る、および／または一緒に構成され得る。
【0052】
第１のタイプの学習画像は、二重エネルギーＸ線吸収測定（ＤＸＡ）画像、末梢定量的コンピュータ断層撮影（（ｐ）ＱＣＴ）画像および／または高分解能末梢定量的コンピュータ断層撮影（ＨＲ－ｐＱＣＴ）画像、コンピュータ断層撮影（ＣＴ）画像、または定量的超音波（ＱＵＳ）画像であり得る。
【0053】
第２のタイプの学習画像は、好ましくは、二重エネルギーＸ線吸収測定（ＤＸＡ）画像、末梢定量的コンピュータ断層撮影（（ｐ）ＱＣＴ）画像および／または高分解能末梢定量的コンピュータ断層撮影（ＨＲ－ｐＱＣＴ）画像、コンピュータ断層撮影（ＣＴ）画像、または定量的超音波（ＱＵＳ）画像ではない。
【0054】
受信した入力Ｘ線画像は、好ましくは、二重エネルギーＸ線吸収測定（ＤＸＡ）画像、末梢定量的コンピュータ断層撮影（（ｐ）ＱＣＴ）画像および／または高分解能末梢定量的コンピュータ断層撮影（ＨＲ－ｐＱＣＴ）画像、コンピュータ断層撮影（ＣＴ）画像、または定量的超音波（ＱＵＳ）画像ではない。
【0055】
受信した入力Ｘ線画像は、１ピクセルあたり１ｍｍ未満の空間分解能を有するデジタルＸ線画像であり得る。
【0056】
本発明の他の利点および特徴は、限定的ではない実施形態の詳細な説明および添付図面の検討により明らかになるであろう。
【図面の簡単な説明】
【0057】
【図1】図１は、工業化段階における、本発明による方法１００の第１の実施形態（最良実現モード）のいくつかのステップ、すなわち、本発明による方法１００の第１の実施形態を実施する本発明による装置の第１の実施形態（最良の実現モード）の最終製品内の人工ニューラルネットワーク（ＡＮＮ）モデルのモジュールを示す。
【発明を実施するための形態】
【0058】
これらの実施形態は決して限定的ではなく、以下に説明または図示する特徴または工程の選択のみを含む本発明の変形例を考慮することができ、この特徴または工程の選択が、技術的利点を与えるのに十分であるか、または本発明を先行技術に対して際立たせるのに十分である場合、他の説明または図示された特徴または工程から分離されていてもよい（たとえこの選択が、これらの他の特徴または工程を含む文から取られたものであっても）。その部分が技術的利点を与えるのに十分であるか、または本発明を先行技術に対して際立たせるのに十分である場合、この選択は、構造的な詳細を伴わない、または構造的な詳細の一部のみを伴う少なくとも１つの特徴、好ましくは機能的な特徴を含むことができる。
【0059】
ここで、図１から８を参照して、本発明による、コンピュータで実装された方法１００の第１の実施形態について説明する。
【0060】
図１から７は、この方法１００の異なる部分を示している。
【0061】
これらの図は互いにリンクしている。
【0062】
例えば、
－ 図３のリンク１は、図５のリンク１に対応する。
－ 図３のリンク２は、図５のリンク２に対応する。
－ 図４のリンク３は、図５のリンク３に対応する。
－ 図４のリンク４は、図５のリンク４に対応する。
－ 図４のリンク５は、図６のリンク５に対応する。
－ 図４のリンク７は、図５のリンク７に対応する。
－ 図４のリンク８は、図５のリンク８に対応する。
－ 図３のリンク１０は、図５および６のリンク１０に対応する。
－ 図５のリンク３３は、図６のリンク３３に対応する。
－ 図５のリンク４４は、図６のリンク４４に対応する。
－ 図３のリンク１は、図５のリンク１に対応する。
－ 図３のリンク２は、図５のリンク２に対応する。
－ 図４のリンク３は、図５のリンク３に対応する。
－ 図４のリンク４は、図５のリンク４に対応する。
－ 図４のリンク５は、図６のリンク５に対応する。
－ 図４のリンク７は、図５のリンク７に対応する。
－ 図４のリンク８は、図５のリンク８に対応する。
－ 図３のリンク１０は、図５および６のリンク１０に対応する。
－ 図５のリンク３３は、図６のリンク３３に対応する。
－ 図５のリンク４４は、図６のリンク４４に対応する。
【0063】
方法１００は、骨密度（ＢＭＤ）と骨微細構造の両方が低下していると定義される骨粗鬆症の潜在的な高リスクの個人を放射線科医が特定するのを支援することを目的としている。これらの個人は、診断の確認および／または適切な疾患管理のために、骨疾患の専門センターまたはＤＸＡセンターを紹介される可能性がある。
【0064】
人体の骨格には、皮質骨と海綿骨の２種類の骨組織がある。２種類の骨は、肉眼的および微視的に異なるが、化学組成は同一である。網状骨または海綿状骨とも呼ばれる海綿骨は、多数の大きな空間を囲む高度に多孔質な骨（典型的には７５～９５％の多孔度）であり、大きなリモデリング領域と高い代謝回転率を有するハニカム状またはスポンジ状の海綿骨ネットワークを形成する。より正確には、骨基質は、骨梁と呼ばれる互いに連結した棒状および板状の３次元格子状構造に編成され、骨髄、脂肪および血管で満たされた孔を取り囲んでいる。この海綿骨は通常、機械的応力の方向に沿って配列される。海綿骨は通常、強度と剛性をより高める緻密骨（皮質骨とも呼ばれる）の殻に囲まれている。海綿骨は、ヒトの骨格の骨量の約２０％を占めるが、骨リモデリング活性の約８０％を占め、構造的支持と柔軟性を提供し、この骨を骨代謝に影響を与える治療の最も適切な標的とするだけでなく、原発性および続発性骨粗鬆症などの代謝障害による影響を最初に受ける骨とする。
【0065】
したがって、海綿骨（骨梁とも呼ぶ）は、当業者によく知られている骨の一部であり、椎骨などの短骨に多く存在する。それは椎骨体、手根骨、長骨の中心部の主要な構成要素である。それは脆弱で、非同心円状に配列された骨小板または骨梁からなり、赤色骨髄で満たされた空洞または小腔を取り囲んでいる。したがって、それは、
－ スポンジ状の外観を与える骨小板または骨梁からなる；
－ 皮質骨よりも強度は低いが、受ける応力に対して３次元的な抵抗を提供する；
－ 主に骨の中心部に存在する；
－ 血管が豊富で、衝撃の頻度と強度に骨構造を適応させるために絶え間なくリモデリングされている；
－ 激しい圧力の下で圧迫骨折を起こしやすく、骨粗鬆症の影響を受けやすい。
－ スポンジ状の外観を与える骨小板または骨梁からなる；
－ 皮質骨よりも強度は低いが、受ける応力に対して３次元的な抵抗を提供する；
－ 主に骨の中心部に存在する；
－ 血管が豊富で、衝撃の頻度と強度に骨構造を適応させるために絶え間なくリモデリングされている；
－ 激しい圧力の下で圧迫骨折を起こしやすく、骨粗鬆症の影響を受けやすい。
【0066】
方法１００は、「医用画像保管・通信システム」（ＰＡＣＳ）またはクラウドベースのシステムから日常的臨床実践中に取得されたデジタルＸ線画像を適切に分析する。これらのＸ線画像は、主に骨粗鬆症以外の理由で取得される。この日常的な実践中にスキャンされる個人は、通常、骨粗鬆症と診断されることはない。
【0067】
方法１００は、複数の人工ニューラルネットワーク（ＡＮＮ）ＡＮＮ１とＡＮＮ２の組み合わせを使用して、デジタルＸ線画像の分析を実行するグローバルアンサンブルモデルである。
【0068】
これらのＡＮＮは、二重エネルギーＸ線吸収測定法（ＤＸＡ）によって評価される骨密度（ＢＭＤ）と海綿骨スコア（ＴＢＳ、骨微細構造と相関するテクスチャパラメータ、特許文献１参照）をグランド・トゥルースとして使用して学習させる。ＢＭＤとＴＢＳの組み合わせは、現在、骨粗鬆症診断のゴールドスタンダードを構成している。
【0069】
複数のＡＮＮの出力を組み合わせることにより、最終的なリスク評価が提供される。
【0070】
この方法を使用して、方法１００は、ＰＡＣＳシステムを介した体系的なバックグラウンドタスクとして、またはクラウドベースのプラットフォームを介したアクティブプッシュとして、適切なスクリーニングを実行し、骨粗鬆症のリスクが高い個人を特定する。
【0071】
したがって、この方法１００のグローバルアプローチは、ＰＡＣＳからの骨関連のＸ線画像を使用して、バックグラウンドタスク方式で（またはクラウドベースのプラットフォームを介したアクティブプッシュとして）患者を適切にスクリーニングし、ＤＸＡによる骨密度（ＢＭＤ）と海綿骨スコア（ＴＢＳ）から定義されるように、骨粗鬆症のリスクが高いかまたは非常に低い可能性が最も高い個人を特定することである。
【0072】
高リスクと特定された人については、オプションで包括的な自動レポートを生成し、診断確認（ＢＭＤ＋ＴＢＳ）のために骨専門センターまたはＤＸＡセンターへの紹介を提案することができる。
【0073】
方法１００のアプローチは、教師あり深層学習モデルの組み合わせに基づいている。方法１００の人工知能（ＡＩ）モデルＡＮＮ１とＡＮＮ２は、デジタルＸ線ベースの画像を処理するために、グランド・トゥルースＤＸＡ（ただし限定されない）データ（ＢＭＤ＋ＴＢＳ）で学習させる。
【0074】
この方法１００は、臨床転帰（偽陽性率が低いなど）、短い処理時間のために最適化され、放射線学的ワークフローにシームレスに統合される。
【0075】
方法１００は、以下の順序で、以下の段階を含む。
－ リポジトリ抽出段階（図３（左部）および図４に示す）、
－ グランド・トゥルース処理段階（図３（右部）に示す）、
－ 前処理段階（図５（左部）に示す）、
－ 深層学習または学習段階（図５（右部）に示す）、
－ テスト段階（図６（左部）に示す）、
－ 臨床最適化段階（図６（右部）に示す）、
－ 検証段階（図７（左部）に示す）、
－ 工業化段階（図７（右部）に示す）。
－ リポジトリ抽出段階（図３（左部）および図４に示す）、
－ グランド・トゥルース処理段階（図３（右部）に示す）、
－ 前処理段階（図５（左部）に示す）、
－ 深層学習または学習段階（図５（右部）に示す）、
－ テスト段階（図６（左部）に示す）、
－ 臨床最適化段階（図６（右部）に示す）、
－ 検証段階（図７（左部）に示す）、
－ 工業化段階（図７（右部）に示す）。
【0076】
【0077】
受信した入力Ｘ線画像６は、好ましくは、二重エネルギーＸ線吸収測定（ＤＸＡ）画像、末梢定量的コンピュータ断層撮影（（ｐ）ＱＣＴ）画像および／または高分解能末梢定量的コンピュータ断層撮影（ＨＲ－ｐＱＣＴ）画像、コンピュータ断層撮影（ＣＴ）画像、または定量的超音波（ＱＵＳ）画像ではない。
【0078】
この実施形態では、各画像６、９、または１９は、デジタル化された画像である。
【0079】
受信した入力Ｘ線画像６は、好ましくは、１ピクセルあたり１ｍｍ未満の空間分解能を有するデジタルＸ線画像である。
【0080】
次に、方法１００は、技術的手段（典型的には、少なくとも１つのコンピュータ、１つの中央処理装置または演算装置、１つのアナログ電子回路（好ましくは専用）、１つのデジタル電子回路（好ましくは専用）、および／または１つのマイクロプロセッサ（好ましくは専用）、および／またはソフトウェア手段を含むか、またはそれらで構成される）によって実装された第１の人工知能ＡＮＮ１による、受信した入力Ｘ線画像６の第１の解析１１を含む。第１の人工知能は、第１の解析の結果として、図２に示すグローバルスコア１６を与え、以下の両方に依存する。
－ 受信した入力Ｘ線画像に示された入力骨の骨密度に依存する（またはそれで構成される）密度スコア
－ 受信した入力Ｘ線画像に示された入力骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）
－ 受信した入力Ｘ線画像に示された入力骨の骨密度に依存する（またはそれで構成される）密度スコア
－ 受信した入力Ｘ線画像に示された入力骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）
【0081】
グローバルスコア１６は、好ましくは、この密度スコア（好ましくは骨密度で構成される）と海綿骨スコア（ＴＢＳ）のみに依存し、したがって好ましくは、この密度スコア（好ましくは骨密度で構成される）と海綿骨スコア（ＴＢＳ）の組み合わせである。
【0082】
それにもかかわらず、ＡＮＮ１は、画像６からの密度スコアまたはＴＢＳを決定または計算せず、直接グローバルスコア１６を決定する。
【0083】
第１の人工知能はニューラルネットワークである。
【0084】
グローバルスコア１６はマルチクラス分類器である。
【0085】
グローバルスコア１６は有限個の可能な値を有する。それは図２に示すように９つの可能な値しか有さない。これらの値のそれぞれは正の整数である。これらの値のそれぞれは、好ましくは１、２、３、４、５、５、７、８、および９の中の正の整数である。
【0086】
図１から８の説明のすべてにおいて、密度スコアは以下のようになり得る。
－ 骨密度に等しい
－ ＢＭＤの値に応じて決定される。例えば、
－－ ＢＭＤ Ｔ値≦－２．５の場合、密度スコア＝「骨粗鬆症」または「骨粗鬆症の」
－－ ＢＭＤ Ｔ値が］－２．５，－１［の場合、密度スコア＝「骨減少症」または「骨減少症の」
－－ ＢＭＤ Ｔ値≧－１の場合、密度スコア＝「正常」
； 骨密度は、従来の先行技術の技術に従って画像９から決定される。骨密度（ＢＭＤ）は、典型的には、骨による各ビームの吸収から決定される。二重エネルギーＸ線吸収測定法は、最も広く使用され、最も徹底的に研究されている骨密度測定技術である。
－ 骨密度に等しい
－ ＢＭＤの値に応じて決定される。例えば、
－－ ＢＭＤ Ｔ値≦－２．５の場合、密度スコア＝「骨粗鬆症」または「骨粗鬆症の」
－－ ＢＭＤ Ｔ値が］－２．５，－１［の場合、密度スコア＝「骨減少症」または「骨減少症の」
－－ ＢＭＤ Ｔ値≧－１の場合、密度スコア＝「正常」
； 骨密度は、従来の先行技術の技術に従って画像９から決定される。骨密度（ＢＭＤ）は、典型的には、骨による各ビームの吸収から決定される。二重エネルギーＸ線吸収測定法は、最も広く使用され、最も徹底的に研究されている骨密度測定技術である。
【0087】
通常、骨密度は二重エネルギーＸ線吸収測定（ＤＸＡ）画像から直接取得され、典型的には二重エネルギーＸ線吸収測定（ＤＸＡ）画像自体のメタデータであり得る。
【0088】
海綿骨スコア（ＴＢＳ）は、グレーレベルの局所的な変動を定量化するテクスチャパラメータであり、デジタル化された画像のグレーレベルの実験的バリオグラムの評価から導出される。このデジタル化画像は、典型的には二重エネルギーＸ線吸収測定（ＤＸＡ）画像であるが、他のデジタルＸ線画像または他の多くのＸ線画像モダリティであってもよい。
【0089】
ＴＢＳのより詳細な説明または例は、非特許文献２３に見出すことができる。
【0090】
それにもかかわらず、この特定のケースでは、グローバルスコア１６は、ＴＢＳの計算と受信した入力Ｘ線画像６のグレーレベルの実験的バリオグラムの計算または決定なしで、第１の人工知能によって決定される。
【0091】
次に、方法１００は、技術的手段（典型的には、少なくとも１つのコンピュータ、１つの中央処理装置または演算装置、１つのアナログ電子回路（好ましくは専用）、１つのデジタル電子回路（好ましくは専用）、および／または１つのマイクロプロセッサ（好ましくは専用）、および／またはソフトウェア手段を含むか、またはそれらで構成される）によって実装された第２の人工知能ＡＮＮ２による、受信した入力Ｘ線画像６の第２の解析１２を含む。第２の人工知能は、第２の解析の結果として以下を与える。
－ 受信した入力Ｘ線画像６に示された入力骨の骨密度に依存する（またはそれで構成される）密度スコア、および／または
－ 受信した入力Ｘ線画像６に示された入力骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）
－ 受信した入力Ｘ線画像６に示された入力骨の骨密度に依存する（またはそれで構成される）密度スコア、および／または
－ 受信した入力Ｘ線画像６に示された入力骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）
【0092】
第２の人工知能はニューラルネットワークである。
【0093】
第２の人工知能は、連続値を与えるまたは推論する回帰モデルである。
【0094】
ＴＢＳは、受信した入力Ｘ線画像６のグレーレベルの実験的バリオグラムの計算または決定なしで、第２の人工知能によって決定される。
【0095】
次に、方法１００は、技術的手段（典型的には、少なくとも１つのコンピュータ、１つの中央処理装置または演算装置、１つのアナログ電子回路（好ましくは専用）、１つのデジタル電子回路（好ましくは専用）、および／または１つのマイクロプロセッサ（好ましくは専用）、および／またはソフトウェア手段を含むか、またはそれらで構成される）によって実装された第３の人工知能ＡＩ３による第３の解析１３を含む。第３の人工知能は、第１および第２の解析の結果を入力として有し、第１の解析の結果と第２の解析の結果の整合性に依存する結果を出力として有する。典型的には、ＡＩ３の出力は、患者関連のメタデータ１８（軟部組織の厚さ、年齢、ＢＭＩなど）からの重み付け情報を使用したＡＮＮ１の第１の解析の結果とＡＮＮ２の第２の解析の結果の整合性に依存する。
－ ケース＃１：
・ ＡＮＮ１ ＝ ６，７，８または９（グローバルスコア）
・ ＡＮＮ２ ＝ 骨密度ステータスが骨減少症または骨粗鬆症、テクスチャステータスが部分的に劣化または劣化
ＡＩ３の結果 ＝ フラグ
－ ケース＃２：
・ ＡＮＮ１ ＝ ６，７，８または９（グローバルスコア）
・ ＡＮＮ２ ＝ 骨密度ステータスが正常、テクスチャステータスが部分的に劣化または劣化
ＡＩ３の結果 ＝ メタデータ１８に応じて、フラグを立てるかどうかを評価するための重み付け応答
－ ケース＃３：
・ ＡＮＮ１ ＝ ６，７，８または９（グローバルスコア）
・ ＡＮＮ２ ＝ 骨密度ステータスが骨減少症または骨粗鬆症、テクスチャステータスが正常
ＡＩ３の結果 ＝ メタデータ１８に応じて、フラグを立てるかどうかを評価するための重み付け応答
－ ケース＃４：
・ ＡＮＮ１ ＝ １，２，３，４または５（グローバルスコア）
・ ＡＮＮ２ ＝ 骨密度ステータスが正常、テクスチャステータスが正常
ＡＩ３の結果 ＝ フラグなし
－ ケース＃５
・ ＡＮＮ１ ＝ １，２，３，４または５（グローバルスコア）
・ ＡＮＮ２ ＝ 骨密度ステータスが骨減少症または骨粗鬆症、テクスチャステータスが正常
ＡＩ３の結果 ＝ メタデータ１８に応じて、フラグを立てるかどうかを評価するための重み付け応答
－ ケース＃６
・ ＡＮＮ１ ＝ １，２，３，４または５（グローバルスコア）
・ ＡＮＮ２ ＝ 骨密度ステータス、テクスチャステータスが部分的に劣化または劣化
ＡＩ３の結果 ＝ メタデータ１８に応じて、フラグを立てるかどうかを評価するための重み付け応答
－ ケース＃１：
・ ＡＮＮ１ ＝ ６，７，８または９（グローバルスコア）
・ ＡＮＮ２ ＝ 骨密度ステータスが骨減少症または骨粗鬆症、テクスチャステータスが部分的に劣化または劣化
ＡＩ３の結果 ＝ フラグ
－ ケース＃２：
・ ＡＮＮ１ ＝ ６，７，８または９（グローバルスコア）
・ ＡＮＮ２ ＝ 骨密度ステータスが正常、テクスチャステータスが部分的に劣化または劣化
ＡＩ３の結果 ＝ メタデータ１８に応じて、フラグを立てるかどうかを評価するための重み付け応答
－ ケース＃３：
・ ＡＮＮ１ ＝ ６，７，８または９（グローバルスコア）
・ ＡＮＮ２ ＝ 骨密度ステータスが骨減少症または骨粗鬆症、テクスチャステータスが正常
ＡＩ３の結果 ＝ メタデータ１８に応じて、フラグを立てるかどうかを評価するための重み付け応答
－ ケース＃４：
・ ＡＮＮ１ ＝ １，２，３，４または５（グローバルスコア）
・ ＡＮＮ２ ＝ 骨密度ステータスが正常、テクスチャステータスが正常
ＡＩ３の結果 ＝ フラグなし
－ ケース＃５
・ ＡＮＮ１ ＝ １，２，３，４または５（グローバルスコア）
・ ＡＮＮ２ ＝ 骨密度ステータスが骨減少症または骨粗鬆症、テクスチャステータスが正常
ＡＩ３の結果 ＝ メタデータ１８に応じて、フラグを立てるかどうかを評価するための重み付け応答
－ ケース＃６
・ ＡＮＮ１ ＝ １，２，３，４または５（グローバルスコア）
・ ＡＮＮ２ ＝ 骨密度ステータス、テクスチャステータスが部分的に劣化または劣化
ＡＩ３の結果 ＝ メタデータ１８に応じて、フラグを立てるかどうかを評価するための重み付け応答
【0096】
第３の人工知能は、さらなる入力としてメタデータ１８を使用し、メタデータ１８は、受信した入力Ｘ線画像が取得された患者の年齢、受信した入力Ｘ線画像が取得された患者の性別、受信した入力Ｘ線画像が取得された患者の体型、受信した入力Ｘ線画像が取得された機器の種類、および／または受信した入力Ｘ線画像が取得された機器の取得パラメータのうちの少なくとも１つを含む。
【0097】
第３の人工知能はニューラルネットワークであってもよいが、好ましくは、決定木、ランダムフォレスト、またはサポートベクターマシンなどの二値分類器である。
【0098】
したがって、最後のステップとして、前述の２つのアプローチＡＮＮ１とＡＮＮ２の出力は、追加の選択されたメタデータ１８（例えば、年齢、性別、体型、機器の種類、取得パラメータ）とともに、典型的には決定木のような学習モデルであるＡＩ３の入力変数として入力される。分類木は、最終的な分類の最適化（ＤＸＡ ＢＭＤとＴＢＳによって評価される、劣化した骨微細構造を伴う骨粗鬆症として選択される可能性）のための最良の組み合わせを出力として提供する。バギング決定木などの特定の技術（アンサンブル法とも呼ばれる）が使用され、所与の時点および所与の個人に対する複数画像セットの可能性を考慮するが、それらに限定されない。
【0099】
第１の人工知能、第２の人工知能、および第３の人工知能は、３つの異なる人工知能または３つの異なる人工知能アーキテクチャである。
【0100】
第１の人工知能、第２の人工知能、および第３の人工知能を実装するための技術的手段は、好ましくは同じ技術的手段、すなわちそれらに限定されないが、好ましくは、同じ少なくとも１つのコンピュータ、１つの中央処理装置または演算装置、１つのアナログ電子回路（好ましくは専用）、１つのデジタル電子回路（好ましくは専用）、および／または１つのマイクロプロセッサ（好ましくは専用）内で、および／またはソフトウェア手段によって組み込みモジュールに統合される。
【0101】
これらの人工知能ＡＮＮ１、ＡＮＮ２、ＡＩ３は、事前に学習させる。
【0102】
したがって、方法１００は、工業化段階の解析ステップ１１、１２、および１３の前に、以下のステップを含む。
－ 以下のステップを複数回実施することにより、第１の学習セットを構築するステップ：
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像９（第１の学習セットの）を取得する（リポジトリ抽出段階中）ステップ
－－ 同じ学習用骨を示すが、必ずしもその海綿骨部分を示さない、Ｘ線ベースの画像である関連する第２のタイプ１９の学習画像（第１の学習セットの）を取得する（リポジトリ抽出段階中）ステップ
－－ 第１の学習セットの第１のタイプの学習画像９から、技術的手段（典型的には、少なくとも１つのコンピュータ、１つの中央処理装置または演算装置、１つのアナログ電子回路（好ましくは専用）、１つのデジタル電子回路（好ましくは専用）、および／または１つのマイクロプロセッサ（好ましくは専用）を含むか、またはそれらで構成される、および／またはソフトウェア手段による）によって（ただし、画像９に人工知能を実装せずに）、以下を決定する（グランド・トゥルース処理段階中）ステップ：
－－－ 第１の学習セットの第１のタイプの学習画像に示された学習用骨の骨密度に依存するまたは等しい密度スコア１４。典型的には、骨密度は、第１のタイプの学習画像のＤＸＡのメタデータとして第１のタイプの学習画像から直接決定される。および
－－－ 第１の学習セットの第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）１５。典型的には、このＴＢＳ １５は、第１のタイプの学習画像のグレーレベルの実験的バリオグラムを計算または決定することによって決定される（特許文献２）。
－－ 以下から、技術的手段（典型的には、少なくとも１つのコンピュータ、１つの中央処理装置または演算装置、１つのアナログ電子回路（好ましくは専用）、１つのデジタル電子回路（好ましくは専用）、および／または１つのマイクロプロセッサ（好ましくは専用）を含むか、またはそれらで構成される、および／またはソフトウェア手段による）によって、（ただし、画像９、および／または事前に決定された密度スコア１４、および／または事前に決定されたＴＢＳ １５に人工知能を実装せずに）、これらの密度スコアと海綿骨スコアに依存する（好ましくはそれらのみに依存する）グローバルスコア１６を決定する（グランド・トゥルース処理段階中）ステップ：
－－－ 第１の学習セットの第１のタイプの学習画像９に示された学習用骨の骨密度に依存するまたは等しい密度スコア１４、および
－－－ 第１の学習セットの第１のタイプの学習画像９に示された学習用骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）１５；
例えば、
－ 骨密度（ＢＭＤ）の値に応じて、密度スコアまたはステータスを決定することができる。例えば、
－－ ＢＭＤ Ｔ値≦－２．５の場合、密度スコア＝「骨粗鬆症」または「骨粗鬆症の」
－－ ＢＭＤ Ｔ値が］－２．５，－１［の場合、密度スコア＝「骨減少症」または「骨減少症の」
－－ ＢＭＤ Ｔ値≧－１の場合、密度スコア＝「正常」
－ 設定アルゴリズムは技術的および臨床的情報に適応されるため、以下に示す値は例であるが、ＴＢＳの値に応じて骨テクスチャステータスを決定することができる。
－－ ＴＢＳ＞１．３１の場合、骨テクスチャステータス＝「正常」
－－ ＴＢＳが［１．２３，１．３１］の場合、骨テクスチャステータス＝「部分的に劣化」
－－ ＴＢＳ＜１．２３の場合、骨テクスチャステータス＝「劣化」
－ グローバルスコア１６は、（図２に示すように）以下の規則に従って決定することができる。
－－ 密度スコア＝「正常」かつ骨テクスチャステータス＝「正常」の場合、グローバルスコア＝ １
－－ 密度スコア＝「正常」かつ骨テクスチャステータス＝「部分的に劣化」の場合、グローバルスコア＝ ２
－－ 密度スコア＝「正常」かつ骨テクスチャステータス＝「劣化」の場合、グローバルスコア＝ ３
－－ 密度スコア＝「骨減少症」または「骨減少症の」かつ骨テクスチャステータス＝「正常」の場合、グローバルスコア＝ ４
－－ 密度スコア＝「骨減少症」または「骨減少症の」かつ骨テクスチャステータス＝「部分的に劣化」の場合、グローバルスコア＝ ５
－－ 密度スコア＝「骨減少症」または「骨減少症の」かつ骨テクスチャステータス＝「劣化」の場合、グローバルスコア＝ ６
－－ 密度スコア＝「骨粗鬆症」または「骨粗鬆症の」かつ骨テクスチャステータス＝「正常」の場合、グローバルスコア＝ ７
－－ 密度スコア＝「骨粗鬆症」または「骨粗鬆症の」かつ骨テクスチャステータス＝「部分的に劣化」の場合、グローバルスコア＝ ８
－－ 密度スコア＝「骨粗鬆症」または「骨粗鬆症の」かつ骨テクスチャステータス＝「劣化」の場合、グローバルスコア＝ ９
－ 第１の学習セットの第１のタイプの学習画像９について決定されたグローバルスコア１６を含むまたはそれで構成されるその関連するグランド・トゥルース１とともに、第１の学習セットの第２のタイプの学習画像１９（ステップ７）を第１の人工知能に提供することにより、第１の人工知能ＡＮＮ１を学習させる（前処理段階および深層学習または学習段階中）ステップ。方法１００の好ましい実施形態では、
－－ ＡＮＮ１は、（ただし限定されないが）複数の層（例えば、５０層以上）を有するＭＬＰ、ＣＮＮである。好ましい実施形態では、ＡＮＮ１はマルチクラス分類器の畳み込みニューラルネットワークである。
－－ この学習ステップは、精度（ＴＰ／（ＴＰ＋ＦＰ））を最適化することによって勾配逆伝播によって行われる（ＴＰ＝真陽性、ＦＰ＝偽陽性）。
－－ 過学習を避けつつ最小のテストロス（カテゴリカルクロスエントロピー損失関数）に達するまで学習が行われる。
－ 以下のステップを複数回実施することにより、第１の学習セットを構築するステップ：
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像９（第１の学習セットの）を取得する（リポジトリ抽出段階中）ステップ
－－ 同じ学習用骨を示すが、必ずしもその海綿骨部分を示さない、Ｘ線ベースの画像である関連する第２のタイプ１９の学習画像（第１の学習セットの）を取得する（リポジトリ抽出段階中）ステップ
－－ 第１の学習セットの第１のタイプの学習画像９から、技術的手段（典型的には、少なくとも１つのコンピュータ、１つの中央処理装置または演算装置、１つのアナログ電子回路（好ましくは専用）、１つのデジタル電子回路（好ましくは専用）、および／または１つのマイクロプロセッサ（好ましくは専用）を含むか、またはそれらで構成される、および／またはソフトウェア手段による）によって（ただし、画像９に人工知能を実装せずに）、以下を決定する（グランド・トゥルース処理段階中）ステップ：
－－－ 第１の学習セットの第１のタイプの学習画像に示された学習用骨の骨密度に依存するまたは等しい密度スコア１４。典型的には、骨密度は、第１のタイプの学習画像のＤＸＡのメタデータとして第１のタイプの学習画像から直接決定される。および
－－－ 第１の学習セットの第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）１５。典型的には、このＴＢＳ １５は、第１のタイプの学習画像のグレーレベルの実験的バリオグラムを計算または決定することによって決定される（特許文献２）。
－－ 以下から、技術的手段（典型的には、少なくとも１つのコンピュータ、１つの中央処理装置または演算装置、１つのアナログ電子回路（好ましくは専用）、１つのデジタル電子回路（好ましくは専用）、および／または１つのマイクロプロセッサ（好ましくは専用）を含むか、またはそれらで構成される、および／またはソフトウェア手段による）によって、（ただし、画像９、および／または事前に決定された密度スコア１４、および／または事前に決定されたＴＢＳ １５に人工知能を実装せずに）、これらの密度スコアと海綿骨スコアに依存する（好ましくはそれらのみに依存する）グローバルスコア１６を決定する（グランド・トゥルース処理段階中）ステップ：
－－－ 第１の学習セットの第１のタイプの学習画像９に示された学習用骨の骨密度に依存するまたは等しい密度スコア１４、および
－－－ 第１の学習セットの第１のタイプの学習画像９に示された学習用骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）１５；
例えば、
－ 骨密度（ＢＭＤ）の値に応じて、密度スコアまたはステータスを決定することができる。例えば、
－－ ＢＭＤ Ｔ値≦－２．５の場合、密度スコア＝「骨粗鬆症」または「骨粗鬆症の」
－－ ＢＭＤ Ｔ値が］－２．５，－１［の場合、密度スコア＝「骨減少症」または「骨減少症の」
－－ ＢＭＤ Ｔ値≧－１の場合、密度スコア＝「正常」
－ 設定アルゴリズムは技術的および臨床的情報に適応されるため、以下に示す値は例であるが、ＴＢＳの値に応じて骨テクスチャステータスを決定することができる。
－－ ＴＢＳ＞１．３１の場合、骨テクスチャステータス＝「正常」
－－ ＴＢＳが［１．２３，１．３１］の場合、骨テクスチャステータス＝「部分的に劣化」
－－ ＴＢＳ＜１．２３の場合、骨テクスチャステータス＝「劣化」
－ グローバルスコア１６は、（図２に示すように）以下の規則に従って決定することができる。
－－ 密度スコア＝「正常」かつ骨テクスチャステータス＝「正常」の場合、グローバルスコア＝ １
－－ 密度スコア＝「正常」かつ骨テクスチャステータス＝「部分的に劣化」の場合、グローバルスコア＝ ２
－－ 密度スコア＝「正常」かつ骨テクスチャステータス＝「劣化」の場合、グローバルスコア＝ ３
－－ 密度スコア＝「骨減少症」または「骨減少症の」かつ骨テクスチャステータス＝「正常」の場合、グローバルスコア＝ ４
－－ 密度スコア＝「骨減少症」または「骨減少症の」かつ骨テクスチャステータス＝「部分的に劣化」の場合、グローバルスコア＝ ５
－－ 密度スコア＝「骨減少症」または「骨減少症の」かつ骨テクスチャステータス＝「劣化」の場合、グローバルスコア＝ ６
－－ 密度スコア＝「骨粗鬆症」または「骨粗鬆症の」かつ骨テクスチャステータス＝「正常」の場合、グローバルスコア＝ ７
－－ 密度スコア＝「骨粗鬆症」または「骨粗鬆症の」かつ骨テクスチャステータス＝「部分的に劣化」の場合、グローバルスコア＝ ８
－－ 密度スコア＝「骨粗鬆症」または「骨粗鬆症の」かつ骨テクスチャステータス＝「劣化」の場合、グローバルスコア＝ ９
－ 第１の学習セットの第１のタイプの学習画像９について決定されたグローバルスコア１６を含むまたはそれで構成されるその関連するグランド・トゥルース１とともに、第１の学習セットの第２のタイプの学習画像１９（ステップ７）を第１の人工知能に提供することにより、第１の人工知能ＡＮＮ１を学習させる（前処理段階および深層学習または学習段階中）ステップ。方法１００の好ましい実施形態では、
－－ ＡＮＮ１は、（ただし限定されないが）複数の層（例えば、５０層以上）を有するＭＬＰ、ＣＮＮである。好ましい実施形態では、ＡＮＮ１はマルチクラス分類器の畳み込みニューラルネットワークである。
－－ この学習ステップは、精度（ＴＰ／（ＴＰ＋ＦＰ））を最適化することによって勾配逆伝播によって行われる（ＴＰ＝真陽性、ＦＰ＝偽陽性）。
－－ 過学習を避けつつ最小のテストロス（カテゴリカルクロスエントロピー損失関数）に達するまで学習が行われる。
【0103】
第１の学習セットについて、第１のタイプの学習画像９と第２のタイプの学習画像１９は、同じ学習用骨で取得され、６か月未満の間隔で取得される。
【0104】
第１の学習セットについて、第１のタイプの学習画像９は、二重エネルギーＸ線吸収測定（ＤＸＡ）画像、末梢定量的コンピュータ断層撮影（（ｐ）ＱＣＴ）画像および／または高分解能末梢定量的コンピュータ断層撮影（ＨＲ－ｐＱＣＴ）画像、コンピュータ断層撮影（ＣＴ）画像、または定量的超音波（ＱＵＳ）画像である。
【0105】
第１の学習セットについて、第２のタイプの学習画像１９は、二重エネルギーＸ線吸収測定（ＤＸＡ）画像、末梢定量的コンピュータ断層撮影（（ｐ）ＱＣＴ）画像および／または高分解能末梢定量的コンピュータ断層撮影（ＨＲ－ｐＱＣＴ）画像、コンピュータ断層撮影（ＣＴ）画像、または定量的超音波（ＱＵＳ）画像ではなく、例えばＤＩＣＯＭ（「医用デジタル画像と通信」の略）画像である。
【0106】
第１の学習セットについて、第２のタイプの学習画像１９は、好ましくは、１ピクセルあたり１ｍｍ未満の空間分解能を有するデジタルＸ線画像である。
【0107】
方法１００はまた、解析ステップ１１、１２、および１３の前に、以下のステップを含む。
－ 以下のステップを複数回実施することにより、第２の学習セットを構築するステップ：
－－ 学習用骨の海綿骨部分を示す第１のタイプ９の学習画像（第２の学習セットの）を取得する（リポジトリ抽出段階中）ステップ。
－－ 同じ学習用骨を示すが、必ずしもその海綿骨部分を示さない、Ｘ線ベースの画像である関連する第２のタイプ１９の学習画像（第２の学習セットの）を取得する（リポジトリ抽出段階中）ステップ。
－－ 第２の学習セットの第１のタイプの学習画像９から、技術的手段（典型的には、少なくとも１つのコンピュータ、１つの中央処理装置または演算装置、１つのアナログ電子回路（好ましくは専用）、１つのデジタル電子回路（好ましくは専用）、および／または１つのマイクロプロセッサ（好ましくは専用）を含むか、またはそれらで構成される、および／またはソフトウェア手段による）によって（ただし、画像９に人工知能を実装せずに）、以下を決定する（グランド・トゥルース処理段階中）ステップ：
－－－ 第２の学習セットの第１のタイプの学習画像９に示された学習用骨の骨密度に依存するまたは等しい密度スコア１４。典型的には、骨密度は、第１のタイプの学習画像のＤＸＡのメタデータとして第１のタイプの学習画像から直接決定される。および／または
－－－ 第２の学習セットの第１のタイプの学習画像９に示された学習用骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）１５。典型的には、このＴＢＳ １５は、第１のタイプの学習画像のグレーレベルの実験的バリオグラムを計算または決定することによって決定される（特許文献２）。
－ 以下を含むまたはそれらで構成されるその関連するグランド・トゥルース２とともに、第２の学習セットの第２のタイプの学習画像１９を第２の人工知能に提供することにより（ステップ８）、第２の人工知能ＡＮＮ２を学習させる（前処理段階および深層学習または学習段階中）ステップ：
－－ この第２の学習セットの第２のタイプの学習画像１９に関連付けられた第２の学習セットの第１のタイプの学習画像９について決定された密度スコア１４、および／または
－－ この第２の学習セットの第２のタイプの学習画像１９に関連付けられた第２の学習セットの第１のタイプの学習画像９について決定された海綿骨スコア１５。
－ 以下のステップを複数回実施することにより、第２の学習セットを構築するステップ：
－－ 学習用骨の海綿骨部分を示す第１のタイプ９の学習画像（第２の学習セットの）を取得する（リポジトリ抽出段階中）ステップ。
－－ 同じ学習用骨を示すが、必ずしもその海綿骨部分を示さない、Ｘ線ベースの画像である関連する第２のタイプ１９の学習画像（第２の学習セットの）を取得する（リポジトリ抽出段階中）ステップ。
－－ 第２の学習セットの第１のタイプの学習画像９から、技術的手段（典型的には、少なくとも１つのコンピュータ、１つの中央処理装置または演算装置、１つのアナログ電子回路（好ましくは専用）、１つのデジタル電子回路（好ましくは専用）、および／または１つのマイクロプロセッサ（好ましくは専用）を含むか、またはそれらで構成される、および／またはソフトウェア手段による）によって（ただし、画像９に人工知能を実装せずに）、以下を決定する（グランド・トゥルース処理段階中）ステップ：
－－－ 第２の学習セットの第１のタイプの学習画像９に示された学習用骨の骨密度に依存するまたは等しい密度スコア１４。典型的には、骨密度は、第１のタイプの学習画像のＤＸＡのメタデータとして第１のタイプの学習画像から直接決定される。および／または
－－－ 第２の学習セットの第１のタイプの学習画像９に示された学習用骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）１５。典型的には、このＴＢＳ １５は、第１のタイプの学習画像のグレーレベルの実験的バリオグラムを計算または決定することによって決定される（特許文献２）。
－ 以下を含むまたはそれらで構成されるその関連するグランド・トゥルース２とともに、第２の学習セットの第２のタイプの学習画像１９を第２の人工知能に提供することにより（ステップ８）、第２の人工知能ＡＮＮ２を学習させる（前処理段階および深層学習または学習段階中）ステップ：
－－ この第２の学習セットの第２のタイプの学習画像１９に関連付けられた第２の学習セットの第１のタイプの学習画像９について決定された密度スコア１４、および／または
－－ この第２の学習セットの第２のタイプの学習画像１９に関連付けられた第２の学習セットの第１のタイプの学習画像９について決定された海綿骨スコア１５。
【0108】
方法１００の好ましい実施形態では、
－ ＡＮＮ２は、（ただし限定されないが）複数の層（例えば、５０層以上）を有するＭＬＰ、ＣＮＮである。好ましい実施形態では、ＡＮＮ１は回帰畳み込みニューラルネットワークである。
－ この学習ステップは、過学習を避けつつ最小のテストロスに達するまで、二次損失関数を最小化することによって勾配逆伝播によって行われる。
－ この学習は、過学習を避けつつ最小のテストロス（二次損失関数）に達するまで行われる。
－ ＡＮＮ２は、（ただし限定されないが）複数の層（例えば、５０層以上）を有するＭＬＰ、ＣＮＮである。好ましい実施形態では、ＡＮＮ１は回帰畳み込みニューラルネットワークである。
－ この学習ステップは、過学習を避けつつ最小のテストロスに達するまで、二次損失関数を最小化することによって勾配逆伝播によって行われる。
－ この学習は、過学習を避けつつ最小のテストロス（二次損失関数）に達するまで行われる。
【0109】
第２の学習セットについて、第１のタイプの学習画像と第２のタイプの学習画像は、同じ学習用骨で取得され、６か月未満の間隔で取得される。
【0110】
第２の学習セットについて、第１のタイプの学習画像は、二重エネルギーＸ線吸収測定（ＤＸＡ）画像、末梢定量的コンピュータ断層撮影（（ｐ）ＱＣＴ）画像および／または高分解能末梢定量的コンピュータ断層撮影（ＨＲ－ｐＱＣＴ）画像、コンピュータ断層撮影（ＣＴ）画像、または定量的超音波（ＱＵＳ）画像である。
【0111】
第２の学習セットについて、第２のタイプの学習画像は、二重エネルギーＸ線吸収測定（ＤＸＡ）画像、末梢定量的コンピュータ断層撮影（（ｐ）ＱＣＴ）画像および／または高分解能末梢定量的コンピュータ断層撮影（ＨＲ－ｐＱＣＴ）画像、コンピュータ断層撮影（ＣＴ）画像、または定量的超音波（ＱＵＳ）画像ではなく、例えばＤＩＣＯＭ画像である。
【0112】
第２の学習セットについて、第２のタイプの学習画像１９は、好ましくは、１ピクセルあたり１ｍｍ未満の空間分解能を有するデジタルＸ線画像である。
【0113】
決定された海綿骨スコア１５は、グレーレベルの局所的な変動を定量化するテクスチャパラメータであり、第１のタイプのデジタル化された画像９のグレーレベルの実験的バリオグラムの評価から導出される。このデジタル化画像９は、典型的には二重エネルギーＸ線吸収測定（ＤＸＡ）画像である。
【0114】
第１の人工知能ＡＮＮ１を学習させるためのこれらのステップおよび第２の人工知能ＡＮＮ２を学習させるためのこれらのステップについて、海綿骨スコア（ＴＢＳ）１５は、画像９に人工知能を実装せずに、典型的には特許文献２に記載の方法に従って、または学習方法の以下のステップａ）からｉ）に従って、第１のタイプの各学習画像９から決定される。
【0115】
ａ） 画像９の最適化されたピクセルサンプリングＳを決定する。各ピクセルＰｉ＝（ｘｉ，ｙｉ）∈Ｓは、そのグレーレベル値ｈ（Ｐｉ）を有する（またはこれにより定義される）。
画像９から、（ステップｄ）で）バリオグラムＶｉが評価される位置を選択するために、ピクセルサンプリングＳを決定する。
これらの位置は、最終的なＴＢＳが所与の臨床的文脈および解剖学的部位に適応され、効率的になるように最適化される。最も基本的な意味では、サンプリング領域は、画像中に骨が存在する領域に対応する。
骨部位に応じて、画像中に骨が存在するこの領域のサブサンプルを使用して、性能を向上させることができる。
画像９から、（ステップｄ）で）バリオグラムＶｉが評価される位置を選択するために、ピクセルサンプリングＳを決定する。
これらの位置は、最終的なＴＢＳが所与の臨床的文脈および解剖学的部位に適応され、効率的になるように最適化される。最も基本的な意味では、サンプリング領域は、画像中に骨が存在する領域に対応する。
骨部位に応じて、画像中に骨が存在するこの領域のサブサンプルを使用して、性能を向上させることができる。
【0116】
ｂ） ピクセルサンプリングＳの少なくとも１つの関心領域（ＲＯＩ）について、好ましくは複数のＲＯＩについて、
－ 所与の関心領域（ＲＯＩ）に応じて、計算距離Ｒ０を決定する。範囲Ｒ０は、骨格部位および画像９の画像解像度に応じて決定される。ＤＸＡシステムでは、Ｒ０の値は１ｃｍから２ｃｍの間である。
－ 所与の関心領域（ＲＯＩ）に応じて、所定の方向のセットＩを選択する。この所定の方向のセットＩを選択するステップは、Ｎ個の方向単位ベクトル
－ 所与の関心領域（ＲＯＩ）に応じて、計算距離Ｒ０を決定する。範囲Ｒ０は、骨格部位および画像９の画像解像度に応じて決定される。ＤＸＡシステムでは、Ｒ０の値は１ｃｍから２ｃｍの間である。
－ 所与の関心領域（ＲＯＩ）に応じて、所定の方向のセットＩを選択する。この所定の方向のセットＩを選択するステップは、Ｎ個の方向単位ベクトル
【0117】
【数1】
【0118】
のセットを決定することによって行われる（Ｎは正の整数であり、θｋ∈［－π，π］，∀ｋ∈１，…，Ｎ，θｋは、考慮されるピクセルの周りで、ベクトル
【0119】
【数2】
【0120】
を運ぶ角度である）。
典型的にはＮ＞２である。
Ｎの最大値は、ＲＯＩの考慮される撮像骨の骨構造の複雑さおよびその画像解像度に依存する。典型的には、椎骨または腰椎のような非複雑な骨構造を有する骨についてはＮ＜９であるが、大腿骨近位部のような複雑な構造については、Ｎが大幅に増加する場合がある。
例えば、Ｎ＝３、４、６、または８である。
Ｎ個の方向ベクトルは、好ましくは、考慮されるピクセルの周りで角度２π／Ｎで均一に分布する。
所定の方向のセットＩ（ベクトル
典型的にはＮ＞２である。
Ｎの最大値は、ＲＯＩの考慮される撮像骨の骨構造の複雑さおよびその画像解像度に依存する。典型的には、椎骨または腰椎のような非複雑な骨構造を有する骨についてはＮ＜９であるが、大腿骨近位部のような複雑な構造については、Ｎが大幅に増加する場合がある。
例えば、Ｎ＝３、４、６、または８である。
Ｎ個の方向ベクトルは、好ましくは、考慮されるピクセルの周りで角度２π／Ｎで均一に分布する。
所定の方向のセットＩ（ベクトル
【0121】
【数3】
【0122】
）は、以下に依存する。
－ 画像上および／またはＲＯＩ上の骨の骨格部位（ヒトまたは動物の組織は骨である）、および／または
－ 考慮される関心領域（ＲＯＩ）、および／または
－ 画像の解像度、および／または
－ 画像の信号対雑音比。
この方向のセットＩの決定は、
－ 骨折を識別または予測する能力を向上させ、および／または
－ より良好な測定の再現性（または精度）を可能にし、および／または
－ 骨の微細構造とのより良好な相関を可能にする。
したがって、後のステップｄ）でバリオグラムＶＰｉを計算するために、値ｈ（Ｐｉ）を有するピクセルを、特定の方向の直線に沿って配置されたピクセルと比較する。
これらの方向は、骨の種類（すなわち、骨格部位）と、テクスチャ測定を最適化するためにこの骨で測定のために選択された関心領域の両方に依存する。
実際、選択された方向は、特に海綿骨の骨梁の方向など、骨の形態に関連している。例えば、脊椎では、骨梁の好ましい方向は垂直方向であるため、選択される方向は垂直方向および水平方向［－Π／２，０，Π／２，Π］（骨梁の向きに平行および垂直）となる。
－ 画像上および／またはＲＯＩ上の骨の骨格部位（ヒトまたは動物の組織は骨である）、および／または
－ 考慮される関心領域（ＲＯＩ）、および／または
－ 画像の解像度、および／または
－ 画像の信号対雑音比。
この方向のセットＩの決定は、
－ 骨折を識別または予測する能力を向上させ、および／または
－ より良好な測定の再現性（または精度）を可能にし、および／または
－ 骨の微細構造とのより良好な相関を可能にする。
したがって、後のステップｄ）でバリオグラムＶＰｉを計算するために、値ｈ（Ｐｉ）を有するピクセルを、特定の方向の直線に沿って配置されたピクセルと比較する。
これらの方向は、骨の種類（すなわち、骨格部位）と、テクスチャ測定を最適化するためにこの骨で測定のために選択された関心領域の両方に依存する。
実際、選択された方向は、特に海綿骨の骨梁の方向など、骨の形態に関連している。例えば、脊椎では、骨梁の好ましい方向は垂直方向であるため、選択される方向は垂直方向および水平方向［－Π／２，０，Π／２，Π］（骨梁の向きに平行および垂直）となる。
【0123】
ｃ） 各ピクセルＰｉ＝（ｘｉ，ｙｉ）∈Ｓおよび各方向
【0124】
【数4】
【0125】
について、
【0126】
【数5】
【0127】
に沿って距離ｒ∈［１，Ｒ０］（ピクセル単位）まで移動する。このようなピクセルのグレー値を
【0128】
【数6】
【0129】
と表す。
【0130】
ｄ） 各ピクセルについて、これらの方向Ｉに沿った距離ｒの関数としてサンプリングＳのグレーレベルの少なくとも１つのバリオグラムを計算する（すなわち、少なくとも１つの距離ｒ∈［１，Ｒ０］をこのピクセルから移動することによって。前述のように、距離ｒを移動することは、各ピクセルＰｉ＝（ｘｉ，ｙｉ）∈Ｓおよび各方向
【0131】
【数7】
【0132】
について、
【0133】
【数8】
【0134】
に沿って距離ｒ∈［１，Ｒ０］ピクセルを移動することによって行われ、
【0135】
【数9】
【0136】
はそのようなピクセルのグレー値である）。バリオグラムは以下のように計算される。
－ 各所定の方向について１つずつ（すなわち、Ｓの各ピクセルおよびＩの各方向について１つのバリオグラム）。各所定の方向についてバリオグラムが計算される場合、ｈ（Ｏ）は移動前の初期の所与のピクセルのグレーレベルであり、ｈ（ｒ）は初期の所与のピクセルから所定の方向の１つに沿って距離ｒを移動した後の所与の新しいピクセルのグレーレベルであり、バリオグラムは式Ｖｉ（ｒ）＝［ｈ（ｒ）－ｈ（Ｏ）］２で計算され、ｉ∈Ｉである。または、
－ 同時にすべての所定の方向について（すなわち、Ｓの各ピクセルについて１つのバリオグラム）。すべての所定の方向について同時にバリオグラムが計算される場合、グレーレベルのバリオグラムを距離ｒの関数として計算するステップは、各々が距離ｒにある複数のピクセルのペアについてｈの二乗差を平均化することによって行われ、式は以下の通りである。
－ 各所定の方向について１つずつ（すなわち、Ｓの各ピクセルおよびＩの各方向について１つのバリオグラム）。各所定の方向についてバリオグラムが計算される場合、ｈ（Ｏ）は移動前の初期の所与のピクセルのグレーレベルであり、ｈ（ｒ）は初期の所与のピクセルから所定の方向の１つに沿って距離ｒを移動した後の所与の新しいピクセルのグレーレベルであり、バリオグラムは式Ｖｉ（ｒ）＝［ｈ（ｒ）－ｈ（Ｏ）］２で計算され、ｉ∈Ｉである。または、
－ 同時にすべての所定の方向について（すなわち、Ｓの各ピクセルについて１つのバリオグラム）。すべての所定の方向について同時にバリオグラムが計算される場合、グレーレベルのバリオグラムを距離ｒの関数として計算するステップは、各々が距離ｒにある複数のピクセルのペアについてｈの二乗差を平均化することによって行われ、式は以下の通りである。
【0137】
【数10】
【0138】
ＶＰｉ（ｒ）は、すべてのピクセルＰｉ∈Ｓについて計算される。
ＶＰｉの式は、ｒ∈［１，Ｒ０］の値の所与の範囲について、各Ｐｉ∈Ｓに適用される。ｒのこの特定の値の範囲は、バリオグラムＶＰｉのすべての必要なパラメータの評価のために
ＶＰｉの式は、ｒ∈［１，Ｒ０］の値の所与の範囲について、各Ｐｉ∈Ｓに適用される。ｒのこの特定の値の範囲は、バリオグラムＶＰｉのすべての必要なパラメータの評価のために
【0139】
【数11】
【0140】
が収束することを可能にするように選択される。
範囲Ｒ０は、骨格部位および画像の解像度に応じて決定される。ＤＸＡシステムでは、Ｒ０の値は１ｃｍから２ｃｍの間である。
計算の範囲Ｒ０は、バリオグラムモデルの範囲パラメータｃと混同されるべきではない。
範囲Ｒ０は、骨格部位および画像の解像度に応じて決定される。ＤＸＡシステムでは、Ｒ０の値は１ｃｍから２ｃｍの間である。
計算の範囲Ｒ０は、バリオグラムモデルの範囲パラメータｃと混同されるべきではない。
【0141】
ｅ） すべてのピクセルＰｉ∈ＳについてＶＰｉ（ｒ）を計算し、対数－対数スケールで関連する曲線をトレースまたは計算または決定する。
対数－対数スケールでのバリオグラム曲線ＶＰｉの表現は、各軸に沿った値がもはや単位を有さないことを意味する。
対数－対数スケールでのバリオグラム曲線ＶＰｉの表現は、各軸に沿った値がもはや単位を有さないことを意味する。
【0142】
ｆ） ＶＰｉ表現の最小二乗回帰モデルとして完全なモデルＶを評価する。
【0143】
ｇ） 初期の傾きａ、シルｂ、範囲ｃ、ナゲットｄ、および／または曲線下の面積ｅを含むが、これらに限定されないこのモデルのパラメータを評価する。
各ピクセルのバリオグラムＶＰｉおよび／または各ピクセルのバリオグラムを組み合わせたサンプリングＳのグローバルバリオグラムＶについて、対数－対数スケールで以下のパラメータの少なくとも１つを評価する。
－ バリオグラムの初期の傾きａ（図８の５４参照）、
－ バリオグラムの漸近値を表すシルｂ（図８の５５参照）、
－ バリオグラム曲線が準線形の進行から漸近的挙動に移行する距離を表す範囲ｃ（図８の５６参照）、
－ バリオグラムの初期値を表すナゲットｄ（図８の５７参照）、および
－ バリオグラムのバリオグラム曲線下の面積ｅ（図８の５８参照）。
ＶＰｉまたはＶの対数－対数プロットでは、数学モデルにフィッティングする。このモデルのこれらのパラメータ（すなわち、係数）ａ、ｂ、ｃ、ｄ、ｅを組み合わせて、骨テクスチャスコアＢを作成する。
各パラメータａ、ｂ、ｃ、ｄ、および／またはｅは、考慮されるバリオグラムの最小二乗回帰モデルから評価される。
画像９の内容に応じて、モデルの選択された係数は、明確に定義されない可能性があるため、変化し得る（例えば、バリオグラム曲線が漸近線に収束しない可能性があり、したがって「範囲」が定義されない可能性がある）。
好ましくは、学習方法は、各ピクセルの各バリオグラムおよび／または各ピクセルのバリオグラムを組み合わせたサンプリングＳのグローバルバリオグラムについて、対数－対数スケールでパラメータシルｂ、範囲ｃ、ナゲットｄ、面積ｅの少なくとも１つを評価することを含む。
好ましくは、学習方法は、各ピクセルの各バリオグラムおよび／または各ピクセルのバリオグラムを組み合わせたサンプリングＳのグローバルバリオグラムについて、対数－対数スケールでパラメータ傾きａ、シルｂ、範囲ｃ、ナゲットｄ、面積ｅの少なくとも２つを評価することを含む。
好ましくは、学習方法は、各ピクセルの各バリオグラムおよび／または各ピクセルのバリオグラムを組み合わせたサンプリングＳのグローバルバリオグラムについて、初期の傾きａおよび対数－対数スケールで以下のパラメータシルｂ、範囲ｃ、ナゲットｄ、面積ｅの少なくとも１つを評価することを含む。
好ましくは、学習方法は、各ピクセルの各バリオグラムおよび／または各ピクセルのバリオグラムを組み合わせたサンプリングＳのグローバルバリオグラムについて、対数－対数スケールですべてのパラメータ傾きａ、シルｂ、範囲ｃ、ナゲットｄ、面積ｅを評価することを含む。
各ピクセルのバリオグラムＶＰｉおよび／または各ピクセルのバリオグラムを組み合わせたサンプリングＳのグローバルバリオグラムＶについて、対数－対数スケールで以下のパラメータの少なくとも１つを評価する。
－ バリオグラムの初期の傾きａ（図８の５４参照）、
－ バリオグラムの漸近値を表すシルｂ（図８の５５参照）、
－ バリオグラム曲線が準線形の進行から漸近的挙動に移行する距離を表す範囲ｃ（図８の５６参照）、
－ バリオグラムの初期値を表すナゲットｄ（図８の５７参照）、および
－ バリオグラムのバリオグラム曲線下の面積ｅ（図８の５８参照）。
ＶＰｉまたはＶの対数－対数プロットでは、数学モデルにフィッティングする。このモデルのこれらのパラメータ（すなわち、係数）ａ、ｂ、ｃ、ｄ、ｅを組み合わせて、骨テクスチャスコアＢを作成する。
各パラメータａ、ｂ、ｃ、ｄ、および／またはｅは、考慮されるバリオグラムの最小二乗回帰モデルから評価される。
画像９の内容に応じて、モデルの選択された係数は、明確に定義されない可能性があるため、変化し得る（例えば、バリオグラム曲線が漸近線に収束しない可能性があり、したがって「範囲」が定義されない可能性がある）。
好ましくは、学習方法は、各ピクセルの各バリオグラムおよび／または各ピクセルのバリオグラムを組み合わせたサンプリングＳのグローバルバリオグラムについて、対数－対数スケールでパラメータシルｂ、範囲ｃ、ナゲットｄ、面積ｅの少なくとも１つを評価することを含む。
好ましくは、学習方法は、各ピクセルの各バリオグラムおよび／または各ピクセルのバリオグラムを組み合わせたサンプリングＳのグローバルバリオグラムについて、対数－対数スケールでパラメータ傾きａ、シルｂ、範囲ｃ、ナゲットｄ、面積ｅの少なくとも２つを評価することを含む。
好ましくは、学習方法は、各ピクセルの各バリオグラムおよび／または各ピクセルのバリオグラムを組み合わせたサンプリングＳのグローバルバリオグラムについて、初期の傾きａおよび対数－対数スケールで以下のパラメータシルｂ、範囲ｃ、ナゲットｄ、面積ｅの少なくとも１つを評価することを含む。
好ましくは、学習方法は、各ピクセルの各バリオグラムおよび／または各ピクセルのバリオグラムを組み合わせたサンプリングＳのグローバルバリオグラムについて、対数－対数スケールですべてのパラメータ傾きａ、シルｂ、範囲ｃ、ナゲットｄ、面積ｅを評価することを含む。
【0144】
ｈ） 少なくとも１つのパラメータａ、ｂ、ｃ、ｄおよび／またはｅを、例えば臨床的文脈に応じて線形または非線形の方程式を使用して、ＴＢＳ（無次元）に組み合わせる。
例えば、学習方法は、以下のステップを含むことができる。
－ ピクセルまたは各ピクセルのバリオグラムについて得られた少なくとも１つの評価されたパラメータａ、ｂ、ｃ、ｄおよび／またはｅを、ピクセルまたは各ピクセルのＴＢＳに組み合わせる、および／または
－ サンプリングＳのグローバルバリオグラムについて得られた少なくとも１つの評価されたパラメータａ、ｂ、ｃ、ｄおよび／またはｅを、サンプリングＳのＴＢＳに組み合わせる、および／または
－ 各ピクセルのバリオグラムについて得られた少なくとも１つの評価されたパラメータａ、ｂ、ｃ、ｄおよび／またはｅを、サンプリングＳのＴＢＳに組み合わせる。
少なくとも２つのパラメータａ、ｂ、ｃ、ｄ、ｅの中から、臨床的文脈に応じて線形または非線形の方程式を使用してＴＢＳに組み合わせることが好ましい。実際、バリオグラムモデルのパラメータは、組み合わせ方程式を使用してＴＢＳに一緒に組み合わされる。例として、このような組み合わせ方程式は、所与の臨床的文脈および解剖学的部位に対する重回帰モデルを含むことができるが、それに限定されない。そのようなケースシナリオでは、ＴＢＳは以下のように定義される。
ＴＢＳ＝αａ＋βｂ＋γｃ＋δｄ＋εｅ，
ここで、係数α，β，γ，δ，εは、それぞれ傾き、シル、ナゲット、および曲線下の面積に関連付けられる。これらの係数は、臨床性能最適化段階の前に慎重に定義される。
これらの係数は、典型的には異なる実験分析から得られる。
最良の係数の選択は、例えば、大規模な臨床研究および画像のセットで、さらにグリッドサーチ最適化段階で得られる。
より一般的には、α、β、γ、δおよび／またはεは、以下を含む異なる方法で得ることができる。
－ 実験測定に基づく補正係数表、および／または
－ 理論に基づく補正の数学モデルおよび／またはシミュレーション、および／または
－機械学習または人工知能（ＡＩ）アルゴリズム（この機械学習または人工知能（ＡＩ）は、学習画像９に適用されない）、および／または
－ 例えば、大規模な臨床研究および画像のセットで、さらに臨床性能の結果を伴うグリッドサーチ最適化段階で得られる最良の係数の選択、および／または
－ 上記の方法の組み合わせ、
－ など。
例えば、
ＴＢＳ＝ａ
すなわち、α＝１ 及び β＝γ＝δ＝ε＝０
好ましくは、ＴＢＳは、同時にすべての所定の方向について計算されたサンプリングＳのグローバルバリオグラムから計算される。
例えば、学習方法は、以下のステップを含むことができる。
－ ピクセルまたは各ピクセルのバリオグラムについて得られた少なくとも１つの評価されたパラメータａ、ｂ、ｃ、ｄおよび／またはｅを、ピクセルまたは各ピクセルのＴＢＳに組み合わせる、および／または
－ サンプリングＳのグローバルバリオグラムについて得られた少なくとも１つの評価されたパラメータａ、ｂ、ｃ、ｄおよび／またはｅを、サンプリングＳのＴＢＳに組み合わせる、および／または
－ 各ピクセルのバリオグラムについて得られた少なくとも１つの評価されたパラメータａ、ｂ、ｃ、ｄおよび／またはｅを、サンプリングＳのＴＢＳに組み合わせる。
少なくとも２つのパラメータａ、ｂ、ｃ、ｄ、ｅの中から、臨床的文脈に応じて線形または非線形の方程式を使用してＴＢＳに組み合わせることが好ましい。実際、バリオグラムモデルのパラメータは、組み合わせ方程式を使用してＴＢＳに一緒に組み合わされる。例として、このような組み合わせ方程式は、所与の臨床的文脈および解剖学的部位に対する重回帰モデルを含むことができるが、それに限定されない。そのようなケースシナリオでは、ＴＢＳは以下のように定義される。
ＴＢＳ＝αａ＋βｂ＋γｃ＋δｄ＋εｅ，
ここで、係数α，β，γ，δ，εは、それぞれ傾き、シル、ナゲット、および曲線下の面積に関連付けられる。これらの係数は、臨床性能最適化段階の前に慎重に定義される。
これらの係数は、典型的には異なる実験分析から得られる。
最良の係数の選択は、例えば、大規模な臨床研究および画像のセットで、さらにグリッドサーチ最適化段階で得られる。
より一般的には、α、β、γ、δおよび／またはεは、以下を含む異なる方法で得ることができる。
－ 実験測定に基づく補正係数表、および／または
－ 理論に基づく補正の数学モデルおよび／またはシミュレーション、および／または
－機械学習または人工知能（ＡＩ）アルゴリズム（この機械学習または人工知能（ＡＩ）は、学習画像９に適用されない）、および／または
－ 例えば、大規模な臨床研究および画像のセットで、さらに臨床性能の結果を伴うグリッドサーチ最適化段階で得られる最良の係数の選択、および／または
－ 上記の方法の組み合わせ、
－ など。
例えば、
ＴＢＳ＝ａ
すなわち、α＝１ 及び β＝γ＝δ＝ε＝０
好ましくは、ＴＢＳは、同時にすべての所定の方向について計算されたサンプリングＳのグローバルバリオグラムから計算される。
【0145】
ｉ） 任意選択で、少なくとも１つの患者因子および／または少なくとも１つの技術的因子に関連するロバスト性改善ステップをＴＢＳに適用し、好ましくは患者および技術的因子の両方に関連するロバスト性改善ステップを適用する。
ロバスト性改善ステップは、以下のように実装され得る。
－ 前のステップｈ）の前または間に（スコアＢの決定または計算の前または間に、患者および／または技術的因子の関数としてＲ０、α，β，γ，δ，ε、ａ、ｂ、ｃ、ｄ、および／またはｅを決定および／または補正することによって）、および／または
－ 前のステップｈ）の後に（患者および／または技術的因子の関数としてスコアＢを補正することによって）。
ロバスト性改善ステップは、以下を含む異なる方法で（Ｒ０、α，β，γ，δ，ε、ａ、ｂ、ｃ、ｄ、ｅ、および／またはｂを決定および／または補正することによって）実装され得る。
－ 患者および／または技術的因子ならびにそれらのバリオグラムおよび／またはＴＢＳに対する観測された影響を考慮に入れた実験測定に基づく補正係数表、および／または
－ 患者および／または技術的因子ならびにそれらのバリオグラムおよび／またはＴＢＳに対する予測される影響を考慮に入れた理論に基づく補正の数学モデルおよび／またはシミュレーション、および／または
－ 患者および／または技術的因子のバリオグラムおよび／またはテクスチャスコアＢに対する影響を最小限に抑えるように学習する機械学習または人工知能（ＡＩ）アルゴリズム（この機械学習または人工知能（ＡＩ）は、学習画像９に適用されない）、および／または
－ 例えば、大規模な臨床研究および画像のセットで、さらに患者および／または技術的因子がバリオグラムおよび／またはＴＢＳに対して最小限の影響を与える点まで、臨床性能の結果を伴うグリッドサーチ最適化段階で得られる最良の係数の選択、および／または
－ 上記の方法の組み合わせ。
例えば、Ｒ０は、Ｘ線取得画像の画像解像度の関数として決定および／または補正される。
少なくとも１つの患者因子は、以下を含む。
－ 以下の少なくとも１つを含む患者の形態の影響：
－－ 患者の軟部組織、および／または組織の厚さ、および／またはその分布および／またはその組成の影響、および／または間接的な代用物、および／または
－－ 患者の体重および／またはボディマス指数（ＢＭＩ）および／または腹囲、および／または
－－ 患者のサイズ、および／または
－ 患者の少なくとも１つの病理または状態（関節症、腹水、大動脈石灰化、ガスなど）の影響、および／または
－ 画像の取得中の患者の位置決めの影響。
少なくとも１つの技術的因子は、以下を含む。
－ 画像を取得するための潜在的な欠陥のある検出器およびセンサ、および／または
－ 画像を取得するためのスキャンモードおよび設定の影響、および／または
－ 画像を取得するために使用される画像化装置の技術的特性
－ 画像を取得するための画像化システム間の変動性の影響、および／または
－ 画像の信号対雑音比（ＳＮＲ）、および／または
－ 画像の解像度。
ロバスト性改善ステップは、以下を可能にする。
－ 患者の生理学的特性、例えば骨を取り巻く軟部組織の体積および／または性質による影響を受けにくくする、および／または
－ 画像取得の技術的パラメータの選択による影響を受けにくくする。
典型的には、
－ 係数αは、
－－ 再現性に影響を与える
－－ 骨折予測を最適化する
－ 係数βは、
－－ （骨）組織の全体的な石灰化の寄与に影響を与える
－ 係数γは、
－－ （骨）組織の全体的な幾何学的特性の寄与に影響を与える
－ 係数δは、
－－ 画像の信号対雑音比に関連する
－ 係数εは、
－－ 再現性に影響を与える。
ロバスト性改善ステップは、以下のように実装され得る。
－ 前のステップｈ）の前または間に（スコアＢの決定または計算の前または間に、患者および／または技術的因子の関数としてＲ０、α，β，γ，δ，ε、ａ、ｂ、ｃ、ｄ、および／またはｅを決定および／または補正することによって）、および／または
－ 前のステップｈ）の後に（患者および／または技術的因子の関数としてスコアＢを補正することによって）。
ロバスト性改善ステップは、以下を含む異なる方法で（Ｒ０、α，β，γ，δ，ε、ａ、ｂ、ｃ、ｄ、ｅ、および／またはｂを決定および／または補正することによって）実装され得る。
－ 患者および／または技術的因子ならびにそれらのバリオグラムおよび／またはＴＢＳに対する観測された影響を考慮に入れた実験測定に基づく補正係数表、および／または
－ 患者および／または技術的因子ならびにそれらのバリオグラムおよび／またはＴＢＳに対する予測される影響を考慮に入れた理論に基づく補正の数学モデルおよび／またはシミュレーション、および／または
－ 患者および／または技術的因子のバリオグラムおよび／またはテクスチャスコアＢに対する影響を最小限に抑えるように学習する機械学習または人工知能（ＡＩ）アルゴリズム（この機械学習または人工知能（ＡＩ）は、学習画像９に適用されない）、および／または
－ 例えば、大規模な臨床研究および画像のセットで、さらに患者および／または技術的因子がバリオグラムおよび／またはＴＢＳに対して最小限の影響を与える点まで、臨床性能の結果を伴うグリッドサーチ最適化段階で得られる最良の係数の選択、および／または
－ 上記の方法の組み合わせ。
例えば、Ｒ０は、Ｘ線取得画像の画像解像度の関数として決定および／または補正される。
少なくとも１つの患者因子は、以下を含む。
－ 以下の少なくとも１つを含む患者の形態の影響：
－－ 患者の軟部組織、および／または組織の厚さ、および／またはその分布および／またはその組成の影響、および／または間接的な代用物、および／または
－－ 患者の体重および／またはボディマス指数（ＢＭＩ）および／または腹囲、および／または
－－ 患者のサイズ、および／または
－ 患者の少なくとも１つの病理または状態（関節症、腹水、大動脈石灰化、ガスなど）の影響、および／または
－ 画像の取得中の患者の位置決めの影響。
少なくとも１つの技術的因子は、以下を含む。
－ 画像を取得するための潜在的な欠陥のある検出器およびセンサ、および／または
－ 画像を取得するためのスキャンモードおよび設定の影響、および／または
－ 画像を取得するために使用される画像化装置の技術的特性
－ 画像を取得するための画像化システム間の変動性の影響、および／または
－ 画像の信号対雑音比（ＳＮＲ）、および／または
－ 画像の解像度。
ロバスト性改善ステップは、以下を可能にする。
－ 患者の生理学的特性、例えば骨を取り巻く軟部組織の体積および／または性質による影響を受けにくくする、および／または
－ 画像取得の技術的パラメータの選択による影響を受けにくくする。
典型的には、
－ 係数αは、
－－ 再現性に影響を与える
－－ 骨折予測を最適化する
－ 係数βは、
－－ （骨）組織の全体的な石灰化の寄与に影響を与える
－ 係数γは、
－－ （骨）組織の全体的な幾何学的特性の寄与に影響を与える
－ 係数δは、
－－ 画像の信号対雑音比に関連する
－ 係数εは、
－－ 再現性に影響を与える。
【0146】
第１の人工知能と第２の人工知能は、第１のタイプの学習画像９と第２のタイプの学習画像１９の同じデータベースを使用して学習させる。この適格なデータセットは、ＡＮＮ１とＡＮＮ２の深層学習モデルを学習するために必要である。これらは教師あり学習に依存するためである。
【0147】
このようなデータセットは、人工ニューラルネットワーク（ＡＮＮ１とＡＮＮ２）の精緻化、学習、および検証に使用される。
【0148】
学習データセットの各要素は、特定のグランド・トゥルースに関連付けられたＸ線デジタルラジオグラフで構成される。
【0149】
グランド・トゥルース１、２は、ＤＸＡスキャンから抽出された骨密度および骨テクスチャパラメータから得られる。これは、（ｐ）ＱＣＴ、ＣＴ、ＱＵＳ画像など（しかし限定されない）の他の技術でも可能である。これらのスキャンでは、ＢＭＤ Ｔ値と骨テクスチャ（例えばＴＢＳ）値が取得される。所与の患者について、複数の解剖学的部位（脊椎、大腿骨、前腕）からのＤＸＡスキャンが使用される。最小のＢＭＤ Ｔ値が、骨折リスクプロファイルに最も関連性が高いものとして選択される。ＢＭＤ Ｔ値１４と骨テクスチャ（例えばＴＢＳ）１５の値は、それぞれの分類閾値と比較される（図２に示すように、これらの閾値またはカテゴリは、ＢＭＤについては「正常」、「骨減少症」、「骨粗鬆症」、ＴＢＳについては「正常」、「部分的に劣化」、「劣化」である）。各スコアの結果として得られる層別化は組み合わされ（図２参照）、骨折リスクカテゴリ（グローバルスコア１６とも呼ばれる）が生成される。この骨折リスクカテゴリは、１から９までの数字でラベル付けされる（他のタイプのカテゴリが定義されている場合は、それより少ない）。
【0150】
学習させるＡＮＮに応じて、グランド・トゥルース１または２のデータは、骨折リスクカテゴリラベル（ＡＮＮ１－マルチクラス分類タスク）、またはＢＭＤ Ｔ値と骨テクスチャ（例えばＴＢＳ）（ＡＮＮ２－回帰タスク）の連続値のいずれかで構成される。
【0151】
グランド・トゥルースデータとＸ線デジタルラジオグラフとのマッチングは、匿名化された患者識別子（ＰＩＤ）を使用して確保される。ＤＸＡスキャン９とＸ線デジタルラジオグラフ１９は、必ずしも同じ日に取得されるわけではない。ただし、Ｘ線スキャン１９とＤＸＡスキャン９との間の経過日数が十分に短い（すなわち６か月未満）ことを確保し、両方のモダリティ間の骨の状態の変化が最小限になるようにする。
【0152】
ＤＸＡスキャン９からのグランド・トゥルース１とそれに関連するＸ線デジタルラジオグラフ１９は、必ずしも同じ解剖学的部位に由来するわけではない。簡略化のために、以下では、ＤＸＡとＴＢＳという用語を使用するが、他の画像化装置のタイプと骨テクスチャまたは構造パラメータである可能性がある。
【0153】
したがって、方法１００は、異なるアプローチに基づいている。いくつかの人工ニューラルネットワーク（ＡＮＮ）モデルＡＮＮ１とＡＮＮ２が別々に定義および学習され、その後、最終的な骨リスクカテゴリ（方法１００のグランド・トゥルースで定義されているように、高リスクと低リスク）を評価するために１つのアンサンブルモデルに組み合わされる。
【0154】
１つのＡＮＮ（ＡＮＮ１）は、マルチクラス分類器として設計および学習させる。これは、リスクカテゴリクラス１６（ＴＢＳおよびＢＭＤ ＤＸＡ測定値１４、１５を反映するクラス１から９）を予測するためにデジタルＸ線画像６を入力として受け取る。他のＡＮＮ（ＡＮＮ２）は、同じデジタルＸ線画像６を入力として受け取り、ＢＭＤ Ｔ値１４と生のＴＢＳ １５の連続値のセットを予測するように設計される。
【0155】
両方のモデルを使用すると、ＡＮＮの予測（カテゴリ値と連続値）およびメタデータ値１８に基づいて、専用のアンサンブルモデルを使用して第２段階で評価される最終的な骨リスク評価が可能になる。
【0156】
これらのモデルの最適化は、専用の学習段階で偽陽性率を最小限に抑え、過学習を避けるという最終目標で確保される。実際、モデル（ＡＮＮ１とＡＮＮ２）は、データ拡張を使用して学習され、交差検証されて、学習時に誘発されるバイアスのない最大の予測性能を得ている。
【0157】
ＡＮＮ１のこの最初のモデルのアプローチでは、１つの深層人工ニューラルネットワークＡＮＮ１（例えば、畳み込みニューラルネットワーク（ＣＮＮ）または再帰ニューラルネットワーク（ＲＮＮ）を含むが、これらに限定されない）が実装および学習されて、「骨折リスクプロファイル」クラスを予測する。学習段階では、ＡＮＮ１は、前処理されたデジタル骨Ｘ線ベースの画像１９とそれに対応するラベルを入力として受け取る。Ｘ線入力画像の専用前処理は、学習と評価の両方で同じ方法で実行される。前処理により、できるだけ多くの解像度を維持しつつ、骨のＲＯＩ選択の自動化と、方法１００のモデルの入力サイズとの一致が保証される。この深層ニューラルネットワークＡＮＮ１の原理は、強力なバックボーンアーキテクチャと高解像度Ｘ線画像から恩恵を受けて、正しいグランド・トゥルースリスクプロファイル分類を可能にする最も重要な特徴マップ情報を抽出することである。この分類器の出力は、サイズ９のベクトルで構成され、その最大値のインデックスが予測されたクラスとして使用される。
【0158】
ＡＮＮ２の第２のモデルのアプローチは、最小ＢＭＤ Ｔ値と生のＴＢＳの連続値を推論する深層ＡＮＮである。これは、回帰出力層から得られる２つの連続値のセットを出力する深層回帰モデルとして提示できる。バックボーンアーキテクチャにより、入力Ｘ線画像が高いＤＸＡライクな解像度に縮小され、その上で特徴抽出により、最小ＢＭＤ Ｔ値と生のＴＢＳの回帰と計算タスクが可能になる。
【0159】
前処理段階１７（前処理段階、テスト段階、または検証段階の）は、Ｘ線デジタル画像を修正またはラベル付けして、人工ニューラルネットワークに推論のために供給できるようにする（学習段階と評価段階の両方で）。前処理には、以下のステップが含まれるが、これらに限定されない。
・潜在的な人工物（例えば、金属、インプラント）のラベル付け
・Ｘ線ラジオグラフの外観の均一化（例えば、解像度、ＣＲ／ＢＲ、サイズ）
・ＲＯＩのフォーカス／最適化
・データ拡張（学習方法のみ）
・解剖学的部位の特定
・セグメンテーション
・グレースケールピクセル値
・正規化、すなわちピクセル値を［０，１］に
・ラジオグラフ撮像の品質評価
・潜在的な人工物（例えば、金属、インプラント）のラベル付け
・Ｘ線ラジオグラフの外観の均一化（例えば、解像度、ＣＲ／ＢＲ、サイズ）
・ＲＯＩのフォーカス／最適化
・データ拡張（学習方法のみ）
・解剖学的部位の特定
・セグメンテーション
・グレースケールピクセル値
・正規化、すなわちピクセル値を［０，１］に
・ラジオグラフ撮像の品質評価
【0160】
方法１００はまた、解析ステップ１１、１２、および１３の前に、以下のステップを含む（図６のテスト段階および臨床最適化段階中）。
－ 以下のステップを複数回実施することにより、第３の学習セットを構築するステップ：
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像９（第３の学習セットの）を取得するステップ
－－ 同じ学習用骨を示すが、必ずしもその海綿骨部分を示さない、Ｘ線ベースの画像である第２のタイプの学習画像１９（第３の学習セットの）を取得するステップ
－－ メタデータ１８を取得するステップ
－－ 第３の学習セットの第１のタイプの学習画像９から、技術的手段によって（ただし、画像９に人工知能を実装せずに）、以下を決定するステップ：
－－－ 第３の学習セットの第１のタイプの学習画像に示された学習用骨の骨密度に依存するまたは等しい密度スコア１４。典型的には、骨密度は、第１のタイプの学習画像のＤＸＡのメタデータとして第１のタイプの学習画像から直接決定される。および
－－－ 第３の学習セットの第１のタイプの学習画像９に示された学習用骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）１５。典型的には、このＴＢＳ １５は、第１のタイプの学習画像のグレーレベルの実験的バリオグラムを計算または決定することによって決定される（特許文献２）（前述のステップａ）からｉ）も参照）。
－－ 以下から、技術的手段によって（ただし、画像９に人工知能を実装せずに）、この密度スコアと海綿骨スコアに依存するグローバルスコア１６を決定するステップ：
－－－ 第３の学習セットの第１のタイプの学習画像９に示された学習用骨の骨密度に依存する密度スコア１４、および
－－－ 第３の学習セットの第１のタイプの学習画像９に示された学習用骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）１５
－ 第３の学習セットの第２のタイプの学習画像に対して第１および第２の人工知能による第１および第２の解析１１、１２を実装するステップ、および
－ 以下から学習することによって、第３の人工知能を学習させるステップ：
－－ ＡＮＮ１とＡＮＮ２なしで第３の学習セットの第１のタイプの学習画像９から得られたスコア（密度スコア１４、ＴＢＳ １５および／またはグローバルスコア１６）と、ＡＮＮ１とＡＮＮ２を使用して第３の学習セットの同じ学習用骨の第２のタイプの学習画像１９から得られたスコア（密度スコア１４、ＴＢＳ １５および／またはグローバルスコア１６）との差、および
－－ メタデータ１８。
－ 以下のステップを複数回実施することにより、第３の学習セットを構築するステップ：
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像９（第３の学習セットの）を取得するステップ
－－ 同じ学習用骨を示すが、必ずしもその海綿骨部分を示さない、Ｘ線ベースの画像である第２のタイプの学習画像１９（第３の学習セットの）を取得するステップ
－－ メタデータ１８を取得するステップ
－－ 第３の学習セットの第１のタイプの学習画像９から、技術的手段によって（ただし、画像９に人工知能を実装せずに）、以下を決定するステップ：
－－－ 第３の学習セットの第１のタイプの学習画像に示された学習用骨の骨密度に依存するまたは等しい密度スコア１４。典型的には、骨密度は、第１のタイプの学習画像のＤＸＡのメタデータとして第１のタイプの学習画像から直接決定される。および
－－－ 第３の学習セットの第１のタイプの学習画像９に示された学習用骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）１５。典型的には、このＴＢＳ １５は、第１のタイプの学習画像のグレーレベルの実験的バリオグラムを計算または決定することによって決定される（特許文献２）（前述のステップａ）からｉ）も参照）。
－－ 以下から、技術的手段によって（ただし、画像９に人工知能を実装せずに）、この密度スコアと海綿骨スコアに依存するグローバルスコア１６を決定するステップ：
－－－ 第３の学習セットの第１のタイプの学習画像９に示された学習用骨の骨密度に依存する密度スコア１４、および
－－－ 第３の学習セットの第１のタイプの学習画像９に示された学習用骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）１５
－ 第３の学習セットの第２のタイプの学習画像に対して第１および第２の人工知能による第１および第２の解析１１、１２を実装するステップ、および
－ 以下から学習することによって、第３の人工知能を学習させるステップ：
－－ ＡＮＮ１とＡＮＮ２なしで第３の学習セットの第１のタイプの学習画像９から得られたスコア（密度スコア１４、ＴＢＳ １５および／またはグローバルスコア１６）と、ＡＮＮ１とＡＮＮ２を使用して第３の学習セットの同じ学習用骨の第２のタイプの学習画像１９から得られたスコア（密度スコア１４、ＴＢＳ １５および／またはグローバルスコア１６）との差、および
－－ メタデータ１８。
【0161】
方法１００の好ましい実施形態では、
－ ＡＩ３は、関連する信頼スコアでフラグを立てるかどうかを評価するための分類および回帰ツリー（ＣＡＲＴ）である。
－ この学習ステップは、ＤＸＡのグランド・トゥルース（フラグまたはフラグなし）から教師あり学習によって学習することによって行われる。
－ この学習は、最小のテストロスに達するまで、精度スコアを最適化するためにツリーアーキテクチャ（垂直方向の深さ、終端ノードの数、ノードの分割を考慮する最大の特徴量などを最適化する）についてグリッドサーチを使用して行われ、過学習は避けられる。
－ ＡＩ３は、関連する信頼スコアでフラグを立てるかどうかを評価するための分類および回帰ツリー（ＣＡＲＴ）である。
－ この学習ステップは、ＤＸＡのグランド・トゥルース（フラグまたはフラグなし）から教師あり学習によって学習することによって行われる。
－ この学習は、最小のテストロスに達するまで、精度スコアを最適化するためにツリーアーキテクチャ（垂直方向の深さ、終端ノードの数、ノードの分割を考慮する最大の特徴量などを最適化する）についてグリッドサーチを使用して行われ、過学習は避けられる。
【0162】
第１の学習セットと第２の学習セットは、同じ学習セットであってもよい。
【0163】
第３の学習セットは、第１の学習セットおよび／または第２の学習セットと同じ学習セットではない。第３の学習セット（臨床最適化段階で使用される）は、第１の学習セットおよび／または第２の学習セットに基づいてＡＮＮ１とＡＮＮ２の学習後に方法１００を最適化するために使用されるためである。
【0164】
第１の人工知能、第２の人工知能および第３の人工知能は、別々に学習させる。
【0165】
検証段階（図７の左部）は、上記で説明した段階で完全に最適化され、臨床的態様に関連するすべてのＡＮＮｉ（ｉ＝１または２）モデルを準備および検証するために重要である。この段階では、ＡＮＮ１とＡＮＮ２のモデルは、外部コホートでテストされ、それらのロバスト性と最終的な臨床転帰を予測する能力が確認される。
【0166】
この検証段階では、すべてのモデル、それらの構成、それらのパラメータが、封止され、タイムスタンプが付けられ、追跡され、パッケージ化される。パラメータの追跡可能性と追跡を確保するために使用されるメカニズムは、ブロックチェーンのようなものである。すべてのパラメータ、モデル、メタデータ、コードバージョン、メトリクス、タグ、ラベル、出力ファイル、および結果が、タイムスタンプ付きのレコードにログ記録される。検証段階に含まれるステップは、ＡＮＮｉモデルのすべての構成の永続性をレコードとして確保することである。
【0167】
この段階のこれらすべての操作ステップは、ＡＩとＡＮＮテクノロジーを組み込んだ医療機器としてのソフトウェアの分野における規制要件とそれらの遵守に適合している。また、この分野のベストテクノロジープラクティスに従っている。
【0168】
この段階の終了時に、すべてのＡＮＮｉモデルが正常に検証され、工業化段階での最終製品への統合の準備が整う。
【0169】
【0170】
すべてのＡＮＮｉ学習実験の追跡可能性は、グランド・トゥルースからデプロイメントまでの前の段階で確保される。この追跡可能性の原則は、最終製品への臨床検証のための最適化されたパラメータを備えたモデルの適合性を保証している。また、オフラインの継続的な改善フローでより良い最適化が実行されるときに、この適切なモジュールを更新またはアップグレードする可能性とともに、適切なデプロイされたモジュールバージョンをフィールドに許可している。
【0171】
このモジュールは、この発明の説明に従って、新しい機能をサービスとして提供する製品に動的にロードされる。
【0172】
本発明による装置は、前述のすべてのステップ（特に、それぞれ算出、決定、取得、選択、計算、評価、組み合わせ、改善ステップの適用、画像の受信、人工知能の実装、解析の実装、結果の提示、学習セットの構築、人工知能の学習のステップ）を実装するように配置および／またはプログラムされた、および／または構成された技術的手段（特に、それぞれ算出、決定、取得、選択、計算、評価、組み合わせ、改善ステップの適用、画像の受信、人工知能の実装、解析の実装、結果の提示、学習セットの構築、人工知能の学習のために配置および／またはプログラムされた、および／または構成された手段）を備える。
【0173】
典型的には、前述の本発明による装置の手段の少なくとも１つ、好ましくは本発明による装置の各手段（特に、算出、決定、取得、選択、計算、評価、組み合わせ、改善ステップの適用、画像の受信、人工知能の実装、解析の実装、結果の提示、学習セットの構築、人工知能の学習のために配置および／またはプログラムされた、および／または構成された手段）は、技術的手段である。
【0174】
典型的には、前述のステップを実装する本発明による装置の各手段（特に、算出、決定、取得、選択、計算、評価、組み合わせ、改善ステップの適用、画像の受信、人工知能の実装、解析の実装、結果の提示、学習セットの構築、人工知能の学習のために配置および／またはプログラムされた、および／または構成された手段）は、少なくとも１つのコンピュータ、１つの中央処理装置または演算装置、１つのアナログ電子回路（好ましくは専用）、１つのデジタル電子回路（好ましくは専用）、および／または１つのマイクロプロセッサ（好ましくは専用）、および／またはソフトウェア手段を備える。
【0175】
本発明による装置は、以下を備える。
－ 画像６および／または９および／または１９を取得するステップを実装するための手段。これらのデジタル化された画像を取得するための手段は、典型的には以下を備える。
－－ 従来のＸ線撮像システム、および／または
－－ デジタルＸ線撮像システム、および／または
－－ 二重エネルギーＸ線吸収測定（ＤＸＡ）撮像システム、および／または
－－ 投影コンピュータ断層撮影（ＣＴ）撮像システム、および／または
－－ 定量的コンピュータ断層撮影（ＱＣＴ）撮像システム、および／または
－－ 投影定量的コンピュータ断層撮影撮像システム、および／または
－－ 末梢定量的コンピュータ断層撮影（ｐＱＣＴ）撮像システム、および／または
－－ 高分解能末梢定量的コンピュータ断層撮影（ＨＲ－ｐＱＣＴ）撮像システム、および／または
－－ それらの組み合わせ、および
－ 前述のステップ（特に、それぞれ算出、決定、取得、選択、計算、評価、組み合わせ、改善ステップの適用、画像の受信、人工知能の実装、解析の実装、結果の提示、学習セットの構築、人工知能の学習のステップ）を実装するための手段。これらの手段は、典型的には単一のコンピュータにまとめられる。
－ ＡＮＮ１の出力１６および／またはＡＮＮ２の出力１４および／または１５および／またはＡＩ３の結論または出力を表示するように配置された画面。
－ 画像６および／または９および／または１９を取得するステップを実装するための手段。これらのデジタル化された画像を取得するための手段は、典型的には以下を備える。
－－ 従来のＸ線撮像システム、および／または
－－ デジタルＸ線撮像システム、および／または
－－ 二重エネルギーＸ線吸収測定（ＤＸＡ）撮像システム、および／または
－－ 投影コンピュータ断層撮影（ＣＴ）撮像システム、および／または
－－ 定量的コンピュータ断層撮影（ＱＣＴ）撮像システム、および／または
－－ 投影定量的コンピュータ断層撮影撮像システム、および／または
－－ 末梢定量的コンピュータ断層撮影（ｐＱＣＴ）撮像システム、および／または
－－ 高分解能末梢定量的コンピュータ断層撮影（ＨＲ－ｐＱＣＴ）撮像システム、および／または
－－ それらの組み合わせ、および
－ 前述のステップ（特に、それぞれ算出、決定、取得、選択、計算、評価、組み合わせ、改善ステップの適用、画像の受信、人工知能の実装、解析の実装、結果の提示、学習セットの構築、人工知能の学習のステップ）を実装するための手段。これらの手段は、典型的には単一のコンピュータにまとめられる。
－ ＡＮＮ１の出力１６および／またはＡＮＮ２の出力１４および／または１５および／またはＡＩ３の結論または出力を表示するように配置された画面。
【0176】
この実施形態はまた、以下を備える。
－ コンピュータによって実行されたときに、方法１００のステップを実装する命令を含むコンピュータプログラム、および／または
－ プログラムがコンピュータによって実行されたときに、コンピュータに方法１００のステップを実行させる命令を含むコンピュータプログラム製品、および／または
－ コンピュータによって実行されたときに、コンピュータに方法１００のステップを実行させる命令を含むコンピュータ可読記憶媒体。
－ コンピュータによって実行されたときに、方法１００のステップを実装する命令を含むコンピュータプログラム、および／または
－ プログラムがコンピュータによって実行されたときに、コンピュータに方法１００のステップを実行させる命令を含むコンピュータプログラム製品、および／または
－ コンピュータによって実行されたときに、コンピュータに方法１００のステップを実行させる命令を含むコンピュータ可読記憶媒体。
【0177】
もちろん、本発明は、ここで説明した例に限定されるものではなく、これらの例に対して本発明の範囲を超えることなく多数の修正を加えることができる。
【0178】
例えば、方法１００の変形例（およびそれに対応する装置）は、ＡＮＮ１のみ（ＡＮＮ２とＡＩ３なし）またはＡＮＮ２のみ（ＡＮＮ１とＡＩ３なし）を含むことができる。この変形例では、方法１００（図１から８の前述の説明と比較してその差異についてのみ説明される）は、骨構造を含む領域で選択された撮像により得られるデジタル画像６から、骨のテクスチャを解析する方法であり、以下を含む。
－ 入力骨を示す入力Ｘ線画像６を受信するステップ、
－ 技術的手段によって実装された骨スコア人工知能（それぞれＡＮＮ１またはＡＮＮ２）による、受信した入力Ｘ線画像６の骨スコア解析（それぞれ前述の１１または１２）ステップであって、骨スコア人工知能が、この骨スコア解析の結果として以下を与えるステップ、
－－ 受信した入力Ｘ線画像に示された入力骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）に少なくとも依存するグローバルスコア１６（すなわち、骨スコア人工知能がＡＮＮ１の場合）、および／または
－－ 受信した入力Ｘ線画像に示された入力骨の骨密度に依存する（またはそれで構成される）密度スコア１４、および／または受信した入力Ｘ線画像に示された入力骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）１５（すなわち、骨スコア人工知能がＡＮＮ２の場合）。
－ 入力骨を示す入力Ｘ線画像６を受信するステップ、
－ 技術的手段によって実装された骨スコア人工知能（それぞれＡＮＮ１またはＡＮＮ２）による、受信した入力Ｘ線画像６の骨スコア解析（それぞれ前述の１１または１２）ステップであって、骨スコア人工知能が、この骨スコア解析の結果として以下を与えるステップ、
－－ 受信した入力Ｘ線画像に示された入力骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）に少なくとも依存するグローバルスコア１６（すなわち、骨スコア人工知能がＡＮＮ１の場合）、および／または
－－ 受信した入力Ｘ線画像に示された入力骨の骨密度に依存する（またはそれで構成される）密度スコア１４、および／または受信した入力Ｘ線画像に示された入力骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）１５（すなわち、骨スコア人工知能がＡＮＮ２の場合）。
【0179】
骨スコア人工知能ＡＮＮ１またはＡＮＮ２はニューラルネットワークである。
【0180】
さらにこの変形例では、骨スコア人工知能がＡＮＮ１の場合、方法１００は、解析ステップ１１の前に、ＡＮＮ１について前述の以下の学習を含む。
－ 以下のステップを複数回実施することにより、第１の学習セットを構築する。
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像９を取得するステップ
－－ 同じ学習用骨を示すが、必ずしもその海綿骨部分を示さない、Ｘ線ベースの画像である関連する第２のタイプの学習画像１２を取得するステップ
－－ 技術的手段によって（ただし、画像９に人工知能を実装せずに）、第１のタイプの学習画像９から以下を決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア１４、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）１５
－－ 技術的手段によって（ただし、画像９および／または事前に決定された密度スコア１４および／または事前に決定されたＴＢＳ １５に人工知能を実装せずに）、以下からこれらの密度スコアと海綿骨スコアに依存するグローバルスコア１６を決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア１４、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）１５
－この第２のタイプの学習画像１９に関連付けられた第１のタイプの学習画像９について決定されたグローバルスコア１６を含むまたはそれで構成されるその関連するグランド・トゥルースとともに第２のタイプの学習画像１９を骨スコア人工知能に提供することにより、骨スコア人工知能ＡＮＮ１を学習させる。
－ 以下のステップを複数回実施することにより、第１の学習セットを構築する。
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像９を取得するステップ
－－ 同じ学習用骨を示すが、必ずしもその海綿骨部分を示さない、Ｘ線ベースの画像である関連する第２のタイプの学習画像１２を取得するステップ
－－ 技術的手段によって（ただし、画像９に人工知能を実装せずに）、第１のタイプの学習画像９から以下を決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア１４、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）１５
－－ 技術的手段によって（ただし、画像９および／または事前に決定された密度スコア１４および／または事前に決定されたＴＢＳ １５に人工知能を実装せずに）、以下からこれらの密度スコアと海綿骨スコアに依存するグローバルスコア１６を決定するステップ：
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア１４、および
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）１５
－この第２のタイプの学習画像１９に関連付けられた第１のタイプの学習画像９について決定されたグローバルスコア１６を含むまたはそれで構成されるその関連するグランド・トゥルースとともに第２のタイプの学習画像１９を骨スコア人工知能に提供することにより、骨スコア人工知能ＡＮＮ１を学習させる。
【0181】
さらにこの変形例では、骨スコア人工知能がＡＮＮ２の場合、方法１００は、解析ステップ１２の前に、ＡＮＮ２について前述の以下の学習を含む。
－ 以下のステップを複数回実施することにより、第２の学習セットを構築する。
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像９を取得するステップ
－－ 同じ学習用骨を示すが、必ずしもその海綿骨部分を示さない、Ｘ線ベースの画像である関連する第２のタイプの学習画像１９を取得するステップ
－－ 技術的手段によって（ただし、画像９に人工知能を実装せずに）、第１のタイプの学習画像から以下を決定するステップ
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア１４、および／または
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）１５
－ この第２のタイプの学習画像１９に関連付けられた第１のタイプの学習画像９について決定された密度スコアおよび／またはこの第２のタイプの学習画像１９に関連付けられた第１のタイプの学習画像９について決定された海綿骨スコアを含むまたはそれらで構成されるグランド・トゥルースとともに第２のタイプの学習画像を骨スコア人工知能に提供することにより、骨スコア人工知能を学習させる。
－ 以下のステップを複数回実施することにより、第２の学習セットを構築する。
－－ 学習用骨の海綿骨部分を示す第１のタイプの学習画像９を取得するステップ
－－ 同じ学習用骨を示すが、必ずしもその海綿骨部分を示さない、Ｘ線ベースの画像である関連する第２のタイプの学習画像１９を取得するステップ
－－ 技術的手段によって（ただし、画像９に人工知能を実装せずに）、第１のタイプの学習画像から以下を決定するステップ
－－－ 第１のタイプの学習画像に示された学習用骨の骨密度に依存する密度スコア１４、および／または
－－－ 第１のタイプの学習画像に示された学習用骨の海綿骨部分のテクスチャに依存する海綿骨スコア（ＴＢＳ）１５
－ この第２のタイプの学習画像１９に関連付けられた第１のタイプの学習画像９について決定された密度スコアおよび／またはこの第２のタイプの学習画像１９に関連付けられた第１のタイプの学習画像９について決定された海綿骨スコアを含むまたはそれらで構成されるグランド・トゥルースとともに第２のタイプの学習画像を骨スコア人工知能に提供することにより、骨スコア人工知能を学習させる。
【0182】
別の変形例では、方法１００（およびそれに対応する装置）は、ＡＩ３なしでＡＮＮ１とＡＮＮ２を含むことができる。
【0183】
もちろん、本発明の異なる特徴、形態、変形例および実施形態は、それらが両立しないまたは相互に排他的でない限り、様々な組み合わせで互いに組み合わせることができる。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【国際調査報告】