JP7513697B2 - 画像生成装置およびプログラム、学習装置およびプログラム、並びに画像処理装置およびプログラム - Google Patents

Description

本開示は、画像生成装置およびプログラム、学習装置およびプログラム、並びに画像処理装置およびプログラムに関する。

近年、乳がんの早期発見を促すため、乳房を撮影する放射線画像撮影装置（マンモグラフィと呼ばれる）を用いた画像診断が注目されている。また、マンモグラフィにおいて、放射線源を移動させて複数の線源位置から乳房に放射線を照射して撮影を行い、これにより取得した複数の投影画像を再構成して所望の断層面を強調した断層画像を生成するトモシンセシス撮影が提案されている。トモシンセシス撮影では、撮影装置の特性および必要な断層画像に応じて、放射線源を放射線検出器と平行に移動させたり、円または楕円の弧を描くように移動させたりして、複数の線源位置において乳房を撮影することにより複数の投影画像を取得し、単純逆投影法若しくはフィルタ逆投影法等の逆投影法、または逐次再構成法等を用いてこれらの投影画像を再構成して断層画像を生成する。

このような断層画像を乳房における複数の断層面において生成することにより、乳房内において断層面が並ぶ深さ方向に重なり合った構造を分離することができる。このため、予め定められた方向から被写体に放射線を照射する、従来の単純撮影により取得される２次元画像（以下、単純２次元画像とする）においては検出が困難であった病変等の異常部位を発見することが可能となる。

一方、医療分野においては、ディープラーニング等により学習がなされたニューラルネットワーク等の機械学習モデルである学習モデルを用いて、画像中の病変を自動的に検出し、検出された病変の強調表示等を行うコンピュータ支援画像診断システム（ＣＡＤ: Computer Aided Diagnosis、以下ＣＡＤと称する）が知られている。例えば、トモシンセシス撮影により取得された断層画像から、石灰化、スピキュラおよび腫瘤等の病変を、ＣＡＤを用いて検出することが行われている。

ところで、ＣＡＤにおける機械学習モデルを構築するためには、病変を含む教師画像および教師画像における病変の位置を表す情報を教師データとして用いて、機械学習モデルを学習する必要がある。とくに、検出の精度を向上させるためには、大量の教師データを用意する必要がある。しかしながら、病変を含む教師画像を大量に用意することは容易ではない。

このため、病変を含まない正常な画像に、病変画像を人工的に加えることにより、病変を含む教師画像を生成し、病変を含む教師画像と正常な画像とを教師データとして用いて、学習モデルを構築する手法が提案されている（特開２００８－２２９１６１号公報参照）。

しかしながら、特開２００８－２２９１６１号公報に記載された手法により生成される病変を含む教師画像は、単純撮影された２次元画像に病変の画像を加算することにより生成される。このため、特開２００８－２２９１６１号公報に記載された手法をトモシンセシス撮影により取得される投影画像に対してそのまま適用しても、病変を精度よく含む断層画像を導出することはできない。また、このような断層画像を教師画像として使用して学習を行った機械学習モデルを用いても、画像から病変を精度よく検出することができない可能性がある。

また、特開２００８－２２９１６１号公報に記載された手法は、病変画像を単純に正常な画像に合成しているのみである。このため、生成された病変を含む教師画像は、実際の撮影装置により取得された画像とは見た目が異なるものとなる。したがって、そのような教師画像を用いて機械学習モデルを構築した場合、画像から病変を精度よく検出することができない可能性がある。

本発明は上記事情に鑑みなされたものであり、画像から病変を精度よく検出できるようにすることを目的とする。

本開示による第１の画像生成装置は、少なくとも１つのプロセッサを備え、
プロセッサは、
被写体を複数の線源位置で撮影することにより取得された複数の第１の投影画像を取得し、
病変を表す病変画像を取得し、
複数の線源位置および被写体に仮想的に配置した病変の位置の幾何学的関係に基づいて、複数の第１の投影画像に病変画像を合成した複数の第２の投影画像を導出し、
複数の第２の投影画像を再構成することにより、病変を含む断層画像を生成するように構成される。

なお、本開示による第１の画像生成装置においては、プロセッサは、被写体に仮想的に配置した病変についての放射線減弱係数を導出し、
放射線減弱係数にも基づいて、複数の第２の投影画像を導出するように構成されるものであってもよい。

また、本開示による第１の画像生成装置においては、プロセッサは、病変を含む断層画像と病変を含む断層画像における病変の位置を表すデータとを含み、対象画像が入力されると対象画像に含まれる病変を検出するモデルを機械学習するための教師データを生成するものであってもよい。

本開示による第２の画像生成装置は、少なくとも１つのプロセッサを備え、
プロセッサは、
被写体を放射線撮影することにより取得された画像を取得し、
病変を表す病変画像を取得し、
被写体に仮想的に配置した病変についての放射線減弱係数を導出し、
放射線減弱係数、放射線撮影を行った際の線源位置および被写体に仮想的に配置した病変の位置の幾何学的関係に基づいて、画像に病変画像を合成した画像を生成するように構成される。

また、本開示による第２の画像生成装置においては、プロセッサは、病変画像を合成した画像と病変画像を合成した画像における病変の位置を表すデータとを含み、対象画像が入力されると対象画像に含まれる病変を検出するモデルを機械学習するための教師データを生成するものであってもよい。

なお、本開示による第１および第２の画像生成装置においては、病変は腫瘤、スピキュラおよび石灰化の少なくとも１つであってもよい。

本開示による学習装置は、少なくとも１つのプロセッサを備え、
プロセッサは、
本開示による第１および第２の画像生成装置により生成された教師データである第１の教師データおよび病変を含まない画像である第２の教師データを使用し、対象画像が入力されると対象画像に含まれる病変を検出するモデルを、機械学習によって構築するように構成される。

本開示による画像処理装置は、少なくとも１つのプロセッサと、
本開示による学習装置により構築されたモデルとを備え、
プロセッサは、
対象画像を取得し、
モデルを用いて、対象画像に含まれる病変を検出するように構成される。

なお、本開示による画像処理装置においては、プロセッサは、病変の検出結果を表示するように構成されるものであってもよい。

本開示による第１の画像生成プログラムは、被写体を複数の線源位置で撮影することにより取得された複数の第１の投影画像を取得する手順と、
病変を表す病変画像を取得する手順と、
複数の線源位置および被写体に仮想的に配置した病変の位置の幾何学的関係に基づいて、複数の第１の投影画像に病変画像を合成した複数の第２の投影画像を導出する手順と、
複数の第２の投影画像を再構成することにより、病変を含む断層画像を生成する手順とをコンピュータに実行させる。

本開示による第２の画像生成プログラムは、被写体を放射線撮影することにより取得された画像を取得する手順と、
病変を表す病変画像を取得する手順と、
被写体に仮想的に配置した病変についての放射線減弱係数を導出する手順と、
放射線減弱係数、放射線撮影を行った際の線源位置および被写体に仮想的に配置した病変の位置の幾何学的関係に基づいて、画像に病変画像を合成した画像を生成する手順とをコンピュータに実行させる。

本開示による学習プログラムは、本開示による第１および第２の画像生成装置により生成された教師データである第１の教師データおよび病変を含まない画像である第２の教師データを使用し、対象画像が入力されると対象画像に含まれる病変を検出するモデルを、機械学習によって構築する手順をコンピュータに実行させる。

本開示による画像処理プログラムは、対象画像を取得する手順と、
本開示による学習装置により構築されたモデルを用いて、対象画像に含まれる病変を検出する手順とをコンピュータに実行させる。

本開示によれば、画像から病変を精度よく検出できる。

本開示の第１の実施形態による画像処理装置を適用した放射線画像撮影システムの概略構成図 放射線画像撮影装置を図１の矢印Ａ方向から見た図 第１の実施形態による画像処理装置の概略構成を示す図 第１の実施形態による画像処理装置の機能的な構成を示す図 投影画像の取得を説明するための図 各種病変についての模擬病変の病変画像を示す図 第１の実施形態における病変画像の合成位置の導出を説明するための図 第１の投影画像における病変画像の位置を説明するための図 第１の投影画像および第２の投影画像を示す図 第１の断層画像の生成を説明するための図 模擬病変の断層像を含む断層画像を示す図 第１の実施形態において生成される教師データを示す図 対象断層画像および病変の領域の検出結果を示す図 第１の実施形態における対象断層画像の検出結果の表示画面を示す図 第１の実施形態において行われる画像生成処理のフローチャート 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 第１の実施形態において行われる検出処理のフローチャート 第２の実施形態における病変画像の合成位置の導出を説明するための図 第２の実施形態において生成される教師データを示す図 第２の実施形態における対象画像の検出結果の表示画面を示す図 第２の実施形態において行われる画像生成処理のフローチャート 合成２次元画像の生成を説明するための図

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の実施形態による画像処理装置を適用した放射線画像撮影システムの概略構成図、図２は放射線画像撮影システムにおけるマンモグラフィ撮影装置を図１の矢印Ａ方向から見た図である。図１に示すように、本実施形態による放射線画像撮影システム１００は、マンモグラフィ撮影装置１、コンソール２、画像保存システム３および画像処理装置４を備える。マンモグラフィ撮影装置１は、乳房のトモシンセシス撮影を行って断層画像を生成するために、複数の線源位置から被写体である乳房Ｍを撮影して、複数の放射線画像、すなわち複数の投影画像を取得するためのものである。また、マンモグラフィ撮影装置１は、予め定められた線源位置から乳房Ｍに放射線を照射して乳房の２次元の放射線画像を取得する単純撮影も行うことができる。

マンモグラフィ撮影装置１は、不図示の基台に対して回転軸１１により連結されたアーム部１２を備えている。アーム部１２の一方の端部には撮影台１３が、その他方の端部には撮影台１３と対向するように放射線照射部１４が取り付けられている。アーム部１２は、放射線照射部１４が取り付けられた端部のみを回転することが可能に構成されており、これにより、撮影台１３を固定して放射線照射部１４のみを回転することが可能となっている。

撮影台１３の内部には、フラットパネルディテクタ等の放射線検出器１５が備えられている。放射線検出器１５は放射線の検出面１５Ａを有する。また、撮影台１３の内部には、放射線検出器１５から読み出された電荷信号を電圧信号に変換するチャージアンプ、チャージアンプから出力された電圧信号をサンプリングする相関２重サンプリング回路、および電圧信号をデジタル信号に変換するＡＤ(Analog Digital)変換部等が設けられた回路基板等も設置されている。

放射線照射部１４の内部には、放射線源１６が収納されている。放射線源１６は放射線としてＸ線を出射するものであり、放射線源１６から放射線を照射するタイミングおよび放射線源１６における放射線発生条件、すなわちターゲットおよびフィルタの材質の選択、管電圧並びに照射時間等は、コンソール２により制御される。

また、アーム部１２には、撮影台１３の上方に配置されて乳房Ｍを押さえつけて圧迫する圧迫板１７、圧迫板１７を支持する支持部１８、および支持部１８を図１および図２の上下方向に移動させる移動機構１９が設けられている。なお、圧迫板１７と撮影台１３との間隔、すなわち圧迫厚はコンソール２に入力される。

コンソール２は、無線通信ＬＡＮ（Local Area Network）等のネットワークを介して、不図示のＲＩＳ（Radiology Information System）等から取得した撮影オーダおよび各種情報と、技師等により直接行われた指示等とを用いて、マンモグラフィ撮影装置１の制御を行う機能を有している。具体的には、コンソール２は、マンモグラフィ撮影装置１に乳房Ｍのトモシンセシス撮影を行わせることにより、後述するように複数の投影画像を取得する。一例として、本実施形態では、サーバコンピュータをコンソール２として用いている。

画像保存システム３は、マンモグラフィ撮影装置１により撮影された放射線画像、投影画像および断層画像等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３は、保存している画像から、コンソール２および画像処理装置４等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３の具体例としては、ＰＡＣＳ（Picture Archiving and Communication Systems）が挙げられる。

次に、第１の実施形態に係る画像処理装置について説明する。なお、第１の実施形態に係る画像処理装置４は、本開示による画像生成装置および学習装置を内包するものであるが、以降の説明においては、画像処理装置にて代表させるものとする。まず、図３を参照して、第１の実施形態に係る画像処理装置のハードウェア構成を説明する。図３に示すように、画像処理装置４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）２１、不揮発性のストレージ２３、および一時記憶領域としてのメモリ２６を備える。また、画像処理装置４は、液晶ディスプレイ等のディスプレイ２４、キーボードおよびマウス等の入力デバイス２５、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）２７を備える。ＣＰＵ２１、ストレージ２３、ディスプレイ２４、入力デバイス２５、メモリ２６およびネットワークＩ／Ｆ２７は、バス２８に接続される。なお、ＣＰＵ２１は、本開示におけるプロセッサの一例である。

ストレージ２３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２３には、画像処理装置４にインストールされた画像生成プログラム２２Ａ、学習プログラム２２Ｂおよび画像処理プログラム２２Ｃが記憶される。ＣＰＵ２１は、ストレージ２３から画像生成プログラム２２Ａ、学習プログラム２２Ｂおよび画像処理プログラム２２Ｃを読み出してからメモリ２６に展開し、展開した画像生成プログラム２２Ａ、学習プログラム２２Ｂおよび画像処理プログラム２２Ｃを実行する。

なお、画像生成プログラム２２Ａ、学習プログラム２２Ｂおよび画像処理プログラム２２Ｃ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、要求に応じて画像処理装置４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、その記録媒体から画像処理装置４を構成するコンピュータにインストールされる。

次いで、第１の実施形態による画像処理装置の機能的な構成を説明する。図４は、第１の実施形態による画像処理装置の機能的な構成を示す図である。図４に示すように、画像処理装置４は、画像取得部３１、合成部３２、再構成部３３、教師データ生成部３４、学習部３５、検出部３６、表示制御部３７および通信部３８を備える。そして、ＣＰＵ２１が、画像生成プログラム２２Ａ、学習プログラム２２Ｂおよび画像処理プログラム２２Ｃを実行することにより、画像処理装置４は、画像取得部３１、合成部３２、再構成部３３、教師データ生成部３４、学習部３５、検出部３６、表示制御部３７および通信部３８として機能する。なお、検出部３６は、後述する学習モデル３６Ａが適用されている。

なお、一例として、画像取得部３１、合成部３２、再構成部３３、教師データ生成部３４、表示制御部３７および通信部３８が、第１の実施形態による画像生成装置を構成する。また、一例として、画像取得部３１および学習部３５が、第１の実施形態による学習装置を構成する。また、一例として、画像取得部３１、検出部３６および表示制御部３７が、第１の実施形態による画像処理装置を構成する。

画像取得部３１は、コンソール２がマンモグラフィ撮影装置１にトモシンセシス撮影を行わせることにより取得した複数の投影画像を取得する。また、乳房Ｍに含まれる病変を模式的に表す模擬病変の病変画像を取得する。画像取得部３１は、コンソール２または画像保存システム３からネットワークＩ／Ｆ２７を介して投影画像を取得する。また、画像取得部３１は、画像保存システム３からネットワークＩ／Ｆ２７を介して病変画像を取得する。また、画像取得部３１は、後述する学習モデルの学習のために，後述するように生成されて画像保存システム３に保存された教師データをネットワークＩ／Ｆ２７を介して取得する。また、画像取得部３１は、後述するように病変の検出の対象となる対象画像を、画像保存システム３からネットワークＩ／Ｆ２７を介して取得する。

ここで、コンソール２におけるトモシンセシス撮影について説明する。コンソール２は、断層画像を生成するためのトモシンセシス撮影を行うに際し、アーム部１２を回転軸１１の周りに回転させることにより放射線源１６を移動させ、放射線源１６の移動による複数の線源位置において、トモシンセシス撮影用の予め定められた撮影条件により被写体である乳房Ｍに放射線を照射し、乳房Ｍを透過した放射線を放射線検出器１５により検出して、複数の線源位置における複数の投影画像Ｇｉ（ｉ＝１～ｎ、ｎは線源位置の数であり、例えばｎ＝１５）を取得する。

図５は投影画像Ｇｉの取得を説明するための図である。図５に示すように、放射線源１６をＳ１、Ｓ２、・・・、Ｓｎの各線源位置に移動し、各線源位置において放射線源１６を駆動して乳房Ｍに放射線を照射し、乳房Ｍを透過したＸ線を放射線検出器１５により検出することにより、各線源位置Ｓ１～Ｓｎに対応して、投影画像Ｇ１、Ｇ２、・・・、Ｇｎが取得される。なお、各線源位置Ｓ１～Ｓｎにおいては、同一の線量の放射線が乳房Ｍに照射される。また、以降の説明においては、投影画像Ｇｉを第１の投影画像と称するものとする。

なお、図５において、線源位置Ｓｃは、放射線源１６から出射された放射線の光軸Ｘ０が放射線検出器１５の検出面１５Ａと直交する線源位置である。線源位置Ｓｃを基準線源位置Ｓｃと称するものとする。

合成部３２は、マンモグラフィ撮影装置１がトモシンセシス撮影を行った際の複数の線源位置および乳房Ｍにおける予め定められた位置に配置した病変の位置の幾何学的関係に基づいて、複数の第１の投影画像Ｇｉに模擬病変の病変画像を合成して複数の第２の投影画像を導出する。なお、乳房Ｍの病変の種類としては、腫瘤、スピキュラおよび石灰化等が挙げられる。

図６は各種病変についての模擬病変の病変画像を示す図である。図６に示すように、模擬病変の病変画像としては、実際の病変の形状と同様のものが用意される。具体的には、腫瘤の病変画像として、球体または楕円体、多角形、分葉型および不整形のものが用意される。また、スピキュラの病変画像としては、スピキュラを伴う腫瘤および構築の乱れが用意される。構築の乱れとは、腫瘤を伴っていない状態を示す。また、石灰化の病変画像としては、球形、多角形および線状・分葉状のもののが用意される。

なお、模擬病変の病変画像は、実際の病変が含まれる乳房を放射線撮影することにより取得されたものであってもよく、コンピュータグラフィックス等により人工的に生成されたものであってもよい。本実施形態においては、コンピュータグラフィックスにより生成された病変画像を用いるものとする。

合成部３２は、第１の投影画像Ｇｉに病変画像を合成するに際し、マンモグラフィ撮影装置１がトモシンセシス撮影を行った際の複数の線源位置および乳房Ｍに仮想的に配置した病変の位置の幾何学的関係に基づいて、まず、第１の投影画像Ｇｉに対する病変画像の合成位置を導出する。図７は、第１の実施形態における病変画像の合成位置の導出を説明するための図である。図７に示すように、乳房Ｍ内における予め定められた位置に模擬病変４０が仮想的に配置されたものとする。図７に示すように、各線源位置Ｓ１～Ｓｎ（図７においてはＳ１，Ｓ２，Ｓｃのみを示す）から出射されて乳房Ｍ内の模擬病変４０を透過した放射線は、放射線検出器１５の検出面１５Ａに照射される。この場合、模擬病変４０を透過した放射線が照射される放射線検出器１５の検出面１５Ａ上の位置は、線源位置に応じて異なるものとなる。このため、図８に示すように、線源位置Ｓ１，Ｓ２，Ｓｃにおいて取得される第１の投影画像Ｇ１，Ｇ２，Ｇｃに含まれる模擬病変４０の病変画像４２の位置は、線源位置毎に異なるものとなる。

ここで、各線源位置Ｓ１～Ｓｎ、乳房Ｍ内に仮想的に配置した模擬病変４０の配置位置、放射線検出器１５の検出面１５Ａの位置は既知である。このため、合成部３２は、乳房Ｍ内に仮想的に模擬病変４０を配置してトモシンセシス撮影を行った場合における、各線源位置Ｓ１～Ｓｎ、模擬病変４０の乳房Ｍ内における配置位置、および放射線検出器１５の検出面１５Ａの位置の幾何学的関係から、第１の投影画像Ｇｉにおいて病変画像４２が合成される合成位置を導出する。

一方、トモシンセシス撮影を行う際に放射線源１６から出射される放射線は、放射線源１６と圧迫板１７との間に存在する空気、圧迫板１７、乳房Ｍおよび撮影台１３の天板１３Ａを透過して、放射線検出器１５に照射される。このため、放射線源１６から出射された放射線は、空気、圧迫板１７、乳房Ｍおよび天板１３Ａにより減弱されて放射線検出器１５に照射され、第１の投影画像Ｇｉとして検出される。

上述したように、乳房Ｍ内に模擬病変４０を配置した場合、模擬病変４０を透過して放射線検出器１５に照射される放射線の透過シミュレーションを行うと、放射線は、圧迫板１７の上の空気、圧迫板１７、模擬病変４０および撮影台１３の天板１３Ａを透過して、放射線検出器１５に照射されることとなる。

このため、本実施形態においては、合成部３２は、第１の投影画像Ｇｉの上記合成位置に模擬病変４０の病変画像４２を合成する際に、模擬病変４０を透過する放射線の減弱を表す放射線減弱係数を導出し、第１の投影画像Ｇｉに模擬病変４０の病変画像４２を、放射線減弱係数に基づいて合成位置に合成することにより、第２の投影画像ＣＧｉを導出する。以下、模擬病変４０の放射線減弱係数の導出について説明する。

なお、第１の投影画像Ｇｉを取得した際の放射線発生条件（すなわちターゲットおよびフィルタ、並びに管電圧）は既知であり、コンソール２から取得することができる。本実施形態においては、合成部３２は、放射線発生条件から第１の投影画像Ｇｉを取得した際の放射線の照射スペクトルＰ０を取得する。なお、本実施形態においては、各種放射線発生条件と照射スペクトルＰ０との関係を規定したテーブルが予め用意されてストレージ２３に保存されている。合成部３２は、ストレージ２３に保存されたテーブルを参照して、コンソール２から取得した放射線発生条件から第１の投影画像Ｇｉを取得した際の放射線の照射スペクトルＰ０を取得する。

また、放射線の減弱は、いずれの線源位置Ｓｉにおいても同様に生じる。このため、本実施形態においては、以下、基準線源位置Ｓｃに基づいて、模擬病変４０の放射線減弱係数を導出するものとするが、これに限定されるものではない。

ここで、模擬病変４０の乳房Ｍ内の配置位置およびサイズは既知である。このため、合成部３２は、基準線源位置Ｓｃから出射されて模擬病変４０に入射した放射線の、模擬病変４０を透過する際の経路長を、模擬病変４０の厚さｔ１として導出する。

また、放射線のエネルギー毎の模擬病変４０の放射線減弱係数μ１は、病変の種類毎に既知である。このため、合成部３２は、照射スペクトルＰ０、放射線のエネルギー毎の模擬病変４０の放射線減弱係数μ１、および模擬病変４０の厚さｔ１から、下記の式（１）により模擬病変４０を透過後の照射スペクトルＰ１を導出する。
Ｐ１＝Ｐ０・ｅｘｐ（－μ１・ｔ１） （１）

そして、合成部３２は、放射線のエネルギー毎の放射線スペクトルＰ０および放射線スペクトルＰ１から、下記の式（２）により、放射線の全エネルギー域に亘る模擬病変４０の放射線減弱係数μｍを導出する。

合成部３２は、上述したように導出した模擬病変４０の放射線減弱係数μｍを用いて、上述したように導出した第１の投影画像Ｇｉにおける合成位置に病変画像４２を合成して、第２の投影画像ＣＧｉを導出する。具体的には下記の式（３）により、合成位置（ｘ，ｙ）における投影画像ＣＧｉの画素値を導出することにより、第２の投影画像ＣＧｉを導出する。なお、式（３）において、Ｇ（ｘ，ｙ）は第１の投影画像Ｇｉにおける合成位置、ＣＧ（ｘ，ｙ）は第２の投影画像ＣＧｉにおける合成位置、ｌ（ｘ，ｙ）は合成位置（ｘ，ｙ）における模擬病変４０を透過する放射線の透過長である。
ＣＧ（ｘ，ｙ）＝Ｇ（ｘ，ｙ）－μｍ・ｌ（ｘ，ｙ） （３）

図９は第１の投影画像Ｇｉおよび第２の投影画像ＣＧｉを示す図である。図９に示すように、第２の投影画像ＣＧｉにおいては、第１の投影画像Ｇｉにおける合成位置４１に模擬病変４０の病変画像４２が含まれたものとなっている。

なお、本実施形態においては、合成部３２は、図６に示すように各種形状を有する各種種類の模擬病変についての病変画像を含む第２の投影画像ＣＧｉを生成する。

再構成部３３は、第２の投影画像ＣＧｉを再構成することにより、模擬病変４０の病変画像４２が含まれる、乳房Ｍの所望とする断層面を強調した断層画像を生成する。具体的には、再構成部３３は、単純逆投影法あるいはフィルタ逆投影法等の周知の逆投影法等を用いて複数の第２の投影画像ＣＧｉを再構成して、図１０に示すように、乳房Ｍの複数の断層面のそれぞれにおける複数の断層画像Ｄａｊ（ｊ＝１～ｍ）を生成する。この際、乳房Ｍを含む３次元空間における３次元の座標位置が設定され、設定された３次元の座標位置に対して、複数の第２の投影画像ＣＧｉの対応する画素位置の画素値が再構成されて、その座標位置の画素値が算出される。なお、再構成により生成された複数の断層画像Ｄａｊにより、乳房Ｍの３次元画像が構成される。また、生成された断層画像Ｄａｊには、図１１に示すように、第２の投影画像ＣＧｉを生成した際に、乳房Ｍ内に仮想的に配置された模擬病変４０の断層像４３が含まれるものがある。図１１においては、断層画像Ｄａ２，Ｄａ３，Ｄａ４に亘って模擬病変４０の断層像４３が含まれる。以降の説明においては、模擬病変４０が含まれる断層画像Ｄａｊを異常画像と称するものとする。また、以降の説明においては、異常画像として参照符号Ｄａｊを用いる場合があるものとする。

教師データ生成部３４は、上述したように生成された異常画像（すなわち模擬病変４０の断層像４３を含む断層画像Ｄａｊ）と、各異常画像Ｄａｊに含まれる断層像４３の位置を表すデータ（以下、正解データとする）とを含む教師データＴｊを生成する。図１２は第１の実施形態において生成される教師データを模式的に示す図である。図１２に示すように，教師データＴｊは、模擬病変４０の断層像４３を含む異常画像Ｄａｊおよび異常画像Ｄａｊにおける模擬病変４０の断層像４３の位置を表す正解データＣｊとからなる。なお、教師データは異常画像Ｄａｊ毎に生成される。教師データ生成部３４が生成した教師データＴｊはストレージ２３に保存される。

なお、生成された異常画像Ｄａｊは、表示制御部３７がディスプレイ２４に表示するようにしてもよい。また、通信部３８は、教師データＴｊを画像保存システム３に送信する。画像保存システム３は、受信した教師データＴｊを保存する。

学習部３５は、異常画像についての教師データＴｊを第１の教師データとして、病変を含まない医用画像についての教師データを第２の教師データとしてそれぞれ用いて、入力された対象画像における病変の領域を判別するように、機械学習モデルを学習することによって、検出部３６が有する学習モデル３６Ａを構築する。第１および第２の教師データは複数用意される。このため、機械学習モデルの学習に際しては、画像取得部３１が、ストレージ２３または画像保存システム３から複数の第１および第２の教師データを取得する。

学習モデル３６Ａを構築するための機械学習モデルの一例として、ニューラルネットワークモデルが挙げられる。ニューラルネットワークモデルとしては、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、学習モデル３６Ａを構築するための機械学習モデル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。

学習モデル３６Ａは、教師データに含まれる異常画像Ｄａｊが入力されると、異常画像Ｄａｊの各画素が病変の領域であることの確率（尤度）を出力するように、機械学習モデルを学習することによって構築される。学習モデル３６Ａが出力した、確率が予め定められたしきい値以上となる画素からなる領域が病変の領域となる。学習部３５は、異常画像を機械学習モデルに入力し、異常画像の各画素について病変の領域となる確率を出力させる。そして、機械学習モデルが出力した、予め定められたしきい値以上となる確率となる画素からなる領域と、教師データに含まれる正解データにより表される領域との相違を損失として導出する。そして、損失に基づいて機械学習モデルを学習する。具体的には、損失を小さくするように、畳み込みニューラルネットワークにおけるカーネルの係数およびニューラルネットワークの結合の重み等を導出する。学習部３５は、損失が予め定められたしきい値以下となるまで学習を繰り返す。これによって、入力された対象画像に含まれる病変の領域について、予め定められたしきい値以上の高い確率を出力することにより、入力された対象画像に含まれる病変の領域を抽出するように、学習モデル３６Ａが構築される。

検出部３６は、学習部３５により構築された学習モデル３６Ａが適用されてなる。検出部３６に対象画像が入力されると、検出部３６は、対象画像に含まれる病変の領域を学習モデル３６Ａに検出させることにより、病変の領域を検出する。なお、検出部３６が対象画像から病変の領域を検出するに際しては、画像取得部３１がマンモグラフィ撮影装置１または画像保存システム３から、対象画像となる投影画像（対象投影画像とする）を取得する。そして、再構成部３３が、対象投影画像を再構成することにより、対象断層画像を生成する。検出部３６は、対象断層画像から病変の領域を検出する。なお、マンモグラフィ撮影装置１のコンソール２において、対象投影画像から対象断層画像を生成するようにしてもよく、この場合、画像取得部３１はコンソール２から対象断層画像を取得する。また、画像保存システム３に対象投影画像から生成された対象断層画像が保存されている場合には、画像取得部３１は、画像保存システム３から対象断層画像を取得するようにしてもよい。

図１３は対象断層画像および病変の領域の検出結果を示す図である。図１３に示すように、検出部３６は、例えば、６枚の対象断層画像ＤＴ１～ＤＴ６から病変の領域を検出して、検出結果Ｒ１～Ｒ６を出力する。

表示制御部３７は、検出部３６が対象断層画像から検出した病変の領域を強調して、対象断層画像をディスプレイ２４に表示する。図１４は第１の実施形態における対象断層画像の検出結果の表示画面を示す図である。図１４に示すように、表示画面５０には図１３に示す６枚の対象断層画像ＤＴ１～ＤＴ６のうちの１枚目の対象断層画像ＤＴ１が表示されている。表示される対象断層画像は、入力デバイス２５からの操作により切り替え可能である。表示制御部３７は、対象断層画像ＤＴ１に含まれる病変の領域５２を矩形の枠５３で囲むことにより、対象断層画像ＤＴ１における病変の領域５２を強調する。なお、図１４においては矩形の枠５３は白抜きにて示しているが、色を付与してもよい。なお、矩形の枠５３の付与に代えて、病変の領域付近に矢印および星印等のマークを付与することにより、病変の領域を強調してもよい。

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１５は第１の実施形態において行われる画像生成処理のフローチャートである。まず、画像取得部３１が、複数の第１の投影画像Ｇｉを取得する（ステップＳＴ１）。次いで、合成部３２が、マンモグラフィ撮影装置１がトモシンセシス撮影を行った際の複数の線源位置および乳房Ｍに仮想的に配置した模擬病変の位置の幾何学的関係に基づいて、第１の投影画像Ｇｉに病変画像４２を合成して複数の第２の投影画像ＣＧｉを導出する（ステップＳＴ２）。

次いで、再構成部３３が複数の第２の投影画像ＣＧｉを再構成することにより、模擬病変４０の断層像４３が含まれる、乳房Ｍの所望とする断層面を強調した断層画像を異常画像Ｄａｊとして生成する（異常画像生成：ステップＳＴ３）。そして、教師データ生成部３４が、上述したように生成された異常画像Ｄａｊと各異常画像Ｄａｊに含まれる模擬病変４０の断層像４３の位置を表す正解データＣｊとを含む教師データＴｊを生成し（ステップＳＴ４）、処理を終了する。生成された教師データＴｊは、ストレージ２３に保存され、さらに通信部３８により画像保存システム３に送信される。

次いで、第１の実施形態における学習処理について説明する。図１６は第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である。まず，画像取得部３１が第１および第２の教師データを取得し（ステップＳＴ１１）、学習部３５が、検出部３６の学習モデル３６Ａを構築するための機械学習モデルに第１および第２の教師データを入力して病変の領域の抽出結果を取得し、正解データとの相違に基づく損失を用いて機械学習モデルを学習し（ステップＳＴ１２）、ステップＳＴ１１にリターンする。そして、学習部３５は、損失が予め定められたしきい値となるまで、ステップＳＴ１１，ＳＴ１２の処理を繰り返し、機械学習モデルの学習を終了する。これにより、学習モデル３６Ａが構築される。なお、学習部３５は、予め定められた回数学習を繰り返すことにより、学習を終了するものであってもよい。

次いで、第１の実施形態における病変の領域の検出処理について説明する。図１７は第１の実施形態において行われる検出処理のフローチャートである。画像取得部３１が、検出対象となる対象画像（対象断層画像ＤＴｊ）を取得し（ステップＳＴ２１）、検出部３６が、対象画像から病変の領域を検出する（ステップＳＴ２２）。そして、表示制御部３７が、病変の領域を強調した対象画像をディスプレイ２４に表示し（ステップＳＴ２３）、処理を終了する。

ここで、学習モデル３６Ａを構築するための機械学習モデルの学習に必要な、病変を含む異常画像を大量に収集することは困難である。本実施形態においては、第１の投影画像Ｇｉに模擬病変４０の病変画像４２を合成することにより生成した第２の投影画像ＣＧｉを用いて、模擬病変４０の断層像４３を含む断層画像Ｄａｊを異常画像として生成するようにした。このため、模擬病変４０の種類を種々変更したり、模擬病変４０が設置される位置を種々変更したりすることにより、様々な位置に様々な種類の病変が含まれる断層画像を異常画像として生成することができる。したがって、学習モデル３６Ａを構築するための機械学習モデルの学習のために、十分な数および十分なバリエーションの異常画像を用意することができる。

また、異常画像および異常画像における病変画像の位置を表す情報を含むデータからなる第１の教師データを用いて、入力された対象画像から病変の領域を判別する学習モデル３６Ａを機械学習によって構築するようにした。ここで、本実施形態においては、学習モデル３６Ａを構築するための機械学習モデルの学習のために、十分な数および十分なバリエーションの異常画像、さらには第１の教師データを用意することができる。したがって、本実施形態によれば、病変の検出精度が高い学習モデル３６Ａを構築することができる。

また、模擬病変４０の放射線減弱係数μｍにも基づいて、第２の投影画像ＣＧｉを導出しているため、実際に病変を含む乳房Ｍを撮影した場合と同様の第２の投影画像ＣＧｉを取得することができる。このため、病変の検出精度が高い学習モデル３６Ａを構築することができる。

次いで、本開示の第２の実施形態について説明する。なお、第２の実施形態による画像処理装置の構成は、上記第１の実施形態による画像処理装置４の構成と同一であり、行われる処理のみが異なるため、ここでは装置についての詳細な説明は省略する。上記第１の実施形態においては、トモシンセシス撮影により取得された第１の投影画像Ｇｉに模擬病変４０の病変画像４２を合成して、第２の投影画像ＣＧｉを生成し、第２の投影画像ＣＧｉから断層画像を異常画像として生成していた。第２の実施形態においては、単純撮影により取得された放射線画像に、模擬病変４０の病変画像４２を合成した画像を、異常画像として生成するようにした点が第１の実施形態と異なる。

なお、第２の実施形態による画像処理装置は、第１の実施形態における再構成部３３は不要であるため、第２の実施形態による画像処理装置は、再構成部３３を備えないものとしてもよい。

第２の実施形態においては、マンモグラフィ撮影装置１において、基準線源位置Ｓｃからのみ乳房Ｍに放射線を照射する単純撮影を行うことにより、乳房Ｍの放射線画像Ｈ０を取得する。画像取得部３１は、単純撮影による乳房Ｍの放射線画像Ｈ０を取得する。

合成部３２は、放射線画像Ｈ０の合成位置に模擬病変４０の病変画像４２を合成する。図１８は第２の実施形態における模擬病変４０の病変画像４２の合成位置を説明するための図である。第２の実施形態においては、基準線源位置Ｓｃにおいてのみ乳房Ｍの撮影が行われる。このため、合成部３２は、基準線源位置Ｓｃ、乳房Ｍ内に仮想的に配置した模擬病変４０の配置位置および放射線検出器１５の検出面１５Ａの位置との幾何学的関係に基づいて、放射線画像Ｈ０において病変画像４２が合成される合成位置を導出する。

そして、合成部３２は、上記第１の実施形態と同様に、放射線減弱のシミュレーションを行うことにより、模擬病変４０の放射線減弱係数μｍを導出し、放射線減弱係数μｍを用いて、上述したように導出した放射線画像Ｈ０における合成位置に病変画像４２を合成して、異常画像Ｈ１を生成する。

教師データ生成部３４は、上述したように生成された異常画像Ｈ１と、異常画像Ｈ１に含まれる病変画像の位置を表すデータ（正解データとする）を含む教師データＨＴを生成する。図１９は第２の実施形態において生成される教師データを模式的に示す図である。図１９に示すように、教師データＨＴは、模擬病変４０の病変画像４４を含む異常画像Ｈ１および異常画像Ｈ１における模擬病変４０の病変画像４４の位置を表す正解データＨＣとからなる。教師データ生成部３４が生成した教師データＨＴはストレージ２３に保存される。

なお、生成された異常画像Ｈ１は、表示制御部３７がディスプレイ２４に表示するようにしてもよい。また、通信部３８は、教師データＨＴを画像保存システム３に送信する。画像保存システム３は、受信した教師データＨＴを保存する。

また、第２の実施形態においては、学習部３５は、異常画像Ｈ１についての教師データＨＴを第１の教師データとして、病変を含まない医用画像についての教師データを第２の教師データとしてそれぞれ用いて、入力された単純撮影により取得された対象画像における病変の領域を判別するように、機械学習モデルを学習することによって、検出部３６が有する学習モデル３６Ａを構築する。第１および第２の教師データは複数用意される。このため、機械学習モデルの学習に際しては、画像取得部３１が、ストレージ２３または画像保存システム３から複数の第１および第２の教師データを取得する。なお、学習部３５が行う学習の処理は、教師データが断層画像である点を除いて第１の実施形態と同一であるため、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、検出部３６は、単純撮影により取得された対象画像が入力されると、対象画像に含まれる病変の領域を学習モデル３６Ａに検出させることにより、病変の領域を検出する。

第２の実施形態において、表示制御部３７は、検出部３６が対象画像から検出した病変の領域を強調して、対象画像をディスプレイ２４に表示する。図２０は第２の実施形態における対象画像の検出結果の表示画面を示す図である。図２０に示すように、表示画面６０には対象画像６１が表示されている。表示制御部３７は、対象画像６１に含まれる病変の領域６２を矩形の枠６３で囲むことにより、対象画像６１における病変の領域６２を強調している。

次いで、第２の実施形態において行われる処理について説明する。図２１は第２の実施形態において行われる画像生成処理のフローチャートである。まず、画像取得部３１が、異常画像を生成するための放射線画像Ｈ０を取得する（ステップＳＴ３１）。次いで、合成部３２が、マンモグラフィ撮影装置１が撮影を行った際の線源位置および乳房Ｍに仮想的に配置した模擬病変の位置の幾何学的関係に基づいて、放射線画像Ｈ０に病変画像を合成して異常画像Ｈ１を生成する（ステップＳＴ３２）。

次いで、教師データ生成部３４が、異常画像Ｈ１と異常画像Ｈ１に含まれる病変画像の位置を表す正解データを含む教師データを生成し（ステップＳＴ３３）、処理を終了する。生成された教師データは、ストレージ２３に保存され、さらに通信部３８により画像保存システム３に送信される。

なお、第２の実施形態における学習処理については、教師データが異常画像Ｈ１と正解データとからなる点を除いて第１の実施形態と同一である。また、第２の実施形態における病変の検出処理は、対象画像が単純撮影により取得された放射線画像である点を除いて第１の実施形態と同一である。このため、第２の実施形態における学習処理および病変の検出処理については、詳細な説明は省略する。

また、上記第１の実施形態においては、複数の断層画像に模擬病変４０の病変画像４２を合成して、模擬病変４０の断層像４３を含む異常画像Ｄａｊを生成している。このため、複数の異常画像Ｄａｊを用いて、合成２次元画像を生成するようにしてもよい。合成２次元画像は、異常画像を含む複数の断層画像を、加算法、平均法、最大値投影法または最小値投影法等によって合成することにより、単純２次元画像に相当する擬似的な２次元画像である（特開２０１４－１２８７１６号公報参照）。

図２２は、合成２次元画像の生成を説明するための図である。なお、合成２次元画像の生成は合成部３２が行ってもよく、合成２次元画像を生成するための合成２次元画像生成部を設け、合成２次元画像生成部において行うようにしてもよい。合成部３２は、図２２に示すように、複数の異常画像Ｄａｊを積層した状態で、基準線源位置Ｓｃからの放射線検出器１５へ向かう視点方向、すなわち図５に示す光軸Ｘ０に沿って、異常画像を含む複数の断層画像の対応する画素位置の画素値を合成して、合成２次元画像ＧＧ０を生成する。

このように合成２次元画像ＧＧ０を生成した場合、教師データ生成部３４は、合成２次元画像ＧＧ０と合成２次元画像ＧＧ０に含まれる模擬病変４０の病変画像の位置を表すデータとから教師データを生成する。学習部３５は、合成２次元画像が入力されると、合成２次元画像に含まれる病変を検出するように、教師データを用いて機械学習モデルを学習することによって、検出部３６における学習モデル３６Ａを構築する。このように構築された学習モデル３６Ａを用いることにより、検出部３６に合成２次元画像が対象画像として入力されると、合成２次元画像である対象画像から病変を検出することが可能となる。

なお、合成２次元画像の生成の手法は上記手法に限定されるものではない。例えば、米国特許第８９８３１５６号明細書に記載された手法のように、異常画像Ｄａｊに含まれる断層像のみを予め用意された任意の断層画像に合成することにより、合成２次元画像を生成してもよい。また、米国特許第９７９２７０３号明細書に記載されたように、異常画像Ｄａｊに含まれる断層像のみを平均化することによって合成することにより、合成２次元画像を生成するようにしてもよい。

なお、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線等を適用することができる。

また、上記各実施形態においては、被写体を乳房Ｍとしているが、これに限定されるものではない。乳房Ｍの他に、心臓、肝臓、脳、および四肢等の人体の任意の部位を被写体とすることができる。この場合、模擬病変は被写体に応じた種類のものを用意すればよい。また、検出部３６の学習モデル３６Ａは被写体に応じた病変の検出を行うものが用意され、生成された異常画像を含む教師データにより学習がなされ、検出部３６により被写体に応じた病変の検出が行われる。

また、上記実施形態において、例えば、画像取得部３１、合成部３２、再構成部３３、教師データ生成部３４、学習部３５、検出部３６、表示制御部３７および通信部３８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。

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。

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。

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。

１ マンモグラフィ撮影装置
２ コンソール
３ 画像保存システム
４ 画像処理装置
１１ 回転軸
１２ アーム部
１３ 撮影台
１３Ａ 天板
１４ 放射線照射部
１５ 放射線検出器
１５Ａ 検出面
１６ 放射線源
１７ 圧迫板
２１ ＣＰＵ
２２Ａ 画像生成プログラム
２２Ｂ 学習プログラム
２２Ｃ 画像処理プログラム
２３ ストレージ
２４ ディスプレイ
２５ 入力デバイス
２６ メモリ
２７ ネットワークＩ／Ｆ
２８ バス
３１ 画像取得部
３２ 合成部
３３ 再構成部
３４ 教師データ生成部
３５ 学習部
３６ 検出部
３６Ａ 学習モデル
３７ 表示制御部
３８ 通信部
４０ 模擬病変
４１ 合成位置
４２，４４ 病変画像
４３ 断層像
５０，６０ 表示画面
６１ 対象画像
５２，６２ 病変
５３，６３ 矩形の枠
１００ 放射線画像撮影システム
Ｃｊ 正解データ
Ｄａｊ（ｊ＝１～ｍ） 異常画像
ＤＴ１～ＤＴ６ 対象断層画像
Ｇｉ（ｉ＝１～ｎ） 投影画像
ＧＧ０ 合成２次元画像
Ｈ０ 放射線画像
Ｈ１ 異常画像
ＨＣ 正解データ
ＨＴ 教師データ
Ｍ 乳房
Ｓｉ（ｉ＝１～ｎ） 線源位置
Ｓｃ 基準線源位置
Ｔｊ 教師データ
Ｘ０ 光軸

Claims (10)

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、
   被写体を、トモシンセシス撮影方式により複数の線源位置で撮影することにより取得された複数の第１の投影画像を取得し、
   病変を表す病変画像を取得し、
   前記被写体に仮想的に配置した前記病変についての放射線減弱係数を導出し、
   前記放射線減弱係数、並びに前記複数の線源位置および前記被写体に仮想的に配置した前記病変の位置の幾何学的関係に基づいて、前記複数の第１の投影画像に前記病変画像を合成した複数の第２の投影画像を導出し、
   前記複数の第２の投影画像を再構成することにより、前記病変を含む断層画像を生成し、
   前記病変を含む断層画像と前記病変を含む断層画像における病変の位置を表すデータとを含み、対象画像が入力されると該対象画像に含まれる病変を検出するモデルを機械学習するための教師データを生成する
   ように構成される画像生成装置。
2. 少なくとも１つのプロセッサを備え、
   前記プロセッサは、
   被写体を放射線撮影することにより取得された画像を取得し、
   病変を表す病変画像を取得し、
   前記被写体を放射線撮影した際の放射線発生条件と、前記被写体の厚さと、放射線のエネルギー毎の前記病変の放射線減弱係数と、に基づいて、前記被写体に仮想的に配置した前記病変についての放射線の全エネルギー域に亘る放射線減弱係数を導出し、
   前記放射線減弱係数、前記放射線撮影を行った際の線源位置および前記被写体に仮想的に配置した前記病変の位置の幾何学的関係に基づいて、前記画像に前記病変画像を合成した画像を生成し、
   前記病変画像を合成した画像と前記病変画像を合成した画像における病変の位置を表すデータとを含み、対象画像が入力されると該対象画像に含まれる病変を検出するモデルを機械学習するための教師データを生成する
   ように構成される画像生成装置。
3. 前記病変は腫瘤、スピキュラおよび石灰化の少なくとも１つである請求項１または請求項２に記載の画像生成装置。
4. 少なくとも１つのプロセッサを備え、
   前記プロセッサは、
   請求項１または請求項２に記載の画像生成装置により生成された教師データである第１の教師データおよび前記病変を含まない画像である第２の教師データを使用し、対象画像が入力されると該対象画像に含まれる病変を検出するモデルを、機械学習によって構築するように構成される学習装置。
5. 少なくとも１つのプロセッサと、
   請求項４に記載の学習装置により構築されたモデルとを備え、
   前記プロセッサは、
   対象画像を取得し、
   前記モデルを用いて、前記対象画像に含まれる病変を検出するように構成される画像処理装置。
6. 前記プロセッサは、前記病変の検出結果を表示するように構成される請求項５に記載の画像処理装置。
7. 被写体を、トモシンセシス撮影方式により複数の線源位置で撮影することにより取得された複数の第１の投影画像を取得する手順と、
   病変を表す病変画像を取得する手順と、
   前記被写体に仮想的に配置した前記病変についての放射線減弱係数を導出する手順と、
   前記放射線減弱係数、並びに前記複数の線源位置および前記被写体に仮想的に配置した前記病変の位置の幾何学的関係に基づいて、前記複数の第１の投影画像に前記病変画像を合成した複数の第２の投影画像を導出する手順と、
   前記複数の第２の投影画像を再構成することにより、前記病変を含む断層画像を生成する手順と、
   前記病変を含む断層画像と前記病変を含む断層画像における病変の位置を表すデータとを含み、対象画像が入力されると該対象画像に含まれる病変を検出するモデルを機械学習するための教師データを生成する手順と、
   をコンピュータに実行させる画像生成プログラムを記録したコンピュータ読み取り可能な記録媒体。
8. 被写体を放射線撮影することにより取得された画像を取得する手順と、
   病変を表す病変画像を取得する手順と、
   前記被写体を放射線撮影した際の放射線発生条件と、前記被写体の厚さと、放射線のエネルギー毎の前記病変の放射線減弱係数と、に基づいて、前記被写体に仮想的に配置した前記病変についての放射線の全エネルギー域に亘る放射線減弱係数を導出する手順と、
   前記放射線減弱係数、前記放射線撮影を行った際の線源位置および前記被写体に仮想的に配置した前記病変の位置の幾何学的関係に基づいて、前記画像に前記病変画像を合成した画像を生成する手順と、
   前記病変画像を合成した画像と前記病変画像を合成した画像における病変の位置を表すデータとを含み、対象画像が入力されると該対象画像に含まれる病変を検出するモデルを機械学習するための教師データを生成する手順と、
   をコンピュータに実行させる画像生成プログラム。
9. 請求項１または請求項２に記載の画像生成装置により生成された教師データである第１の教師データおよび前記病変を含まない画像である第２の教師データを使用し、対象画像が入力されると該対象画像に含まれる病変を検出するモデルを、機械学習によって構築する手順をコンピュータに実行させる学習プログラム。
10. 対象画像を取得する手順と、
    請求項４に記載の学習装置により構築されたモデルを用いて、前記対象画像に含まれる病変を検出する手順とをコンピュータに実行させる画像処理プログラム。