[go: up one dir, main page]

WO2019208037A1 - 画像解析方法、セグメンテーション方法、骨密度測定方法、学習モデル作成方法および画像作成装置 - Google Patents

画像解析方法、セグメンテーション方法、骨密度測定方法、学習モデル作成方法および画像作成装置 Download PDF

Info

Publication number
WO2019208037A1
WO2019208037A1 PCT/JP2019/011773 JP2019011773W WO2019208037A1 WO 2019208037 A1 WO2019208037 A1 WO 2019208037A1 JP 2019011773 W JP2019011773 W JP 2019011773W WO 2019208037 A1 WO2019208037 A1 WO 2019208037A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
organ
ray
drr
subject
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/JP2019/011773
Other languages
English (en)
French (fr)
Inventor
▲高▼橋　渉
翔太 押川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shimadzu Corp
Original Assignee
Shimadzu Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shimadzu Corp filed Critical Shimadzu Corp
Priority to CN201980035078.8A priority Critical patent/CN112165900B/zh
Priority to JP2020516112A priority patent/JP7092190B2/ja
Priority to KR1020207032563A priority patent/KR102527440B1/ko
Publication of WO2019208037A1 publication Critical patent/WO2019208037A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone

Definitions

  • the present invention relates to an image analysis method, a segmentation method, a bone density measurement method, a learning model creation method, and an image creation device.
  • Patent Document 1 discloses collimating only a means for generating radiation, a single crystal lattice irradiated with the radiation, and radiation having a predetermined two reflection angles out of the radiation reflected by the crystal lattice.
  • radiation detection means By means of simultaneously irradiating the subject with radiation of different energies, radiation detection means through which the radiation of these two energies passes through the subject, and analyzing the pulse height of the output of the radiation detection means, respectively
  • An apparatus for quantitatively analyzing bone mineral which comprises a pulse height analyzing means for separating transmission data relating to radiation of different energy, and a means for calculating bone density by processing the separated data.
  • This measurement of bone density is targeted at the bone density of the lumbar vertebrae and femur, which requires clinical attention.
  • the femur has a large individual difference in shape, and in order to perform stable follow-up observation, it is important to specify the bone region of the subject.
  • the operator manually specifies the region, which is not only complicated, but also has a problem that the region specified by the operator varies.
  • the present invention has been made to solve the above problems, and an image analysis method capable of creating an image in which an organ region is accurately extracted from an X-ray image of a region including a subject's organ.
  • An object of the present invention is to provide a segmentation method, a bone density measurement method, a learning model creation method, and an image creation device.
  • the invention according to claim 1 is an image analysis method for performing segmentation for identifying a region of the organ by analyzing an image of the region including the organ of the subject, and machine learning is used as the segmentation technique. And a modified image creating step of creating a modified image in which the density of the region of the organ in the image including the organ of the subject is changed, and an image including the organ of the subject and the modified image creating step And a learning model creation step of creating a machine learning learning model by a learning process using the corrected image created in the above.
  • the invention according to claim 2 is the learning model according to claim 1, wherein the learning model is used for an X-ray image of a region including the subject's organ obtained by X-ray imaging of the subject.
  • An image representing the organ is created by performing conversion using the learning model created in the creation step.
  • the invention according to claim 3 is the invention according to claim 1, wherein the image of the region including the organ of the subject is a DRR image created from CT image data of the subject, and the correction In the image creating step, the density of the CT image data is changed using the region where the CT value of the CT image data is a predetermined value as the region of the organ.
  • a parameter including at least one of a projection coordinate and an angle of the geometric condition is changed, or an image is rotated.
  • Image processing including at least one of deformation and enlargement / reduction is performed to create a plurality of DRR images.
  • At least one of contrast change, noise addition, and edge enhancement is performed on the created DRR image.
  • the invention according to claim 6 is the invention according to claim 1, wherein the image of the region including the organ of the subject is an X-ray image created by X-ray imaging of the subject.
  • the density of the organ region is changed using the X-ray image and the image of the organ obtained by using dual energy subtraction.
  • an X-ray image of a region including the subject's organ obtained by X-raying the subject and the learning model creating step The image representing the organ obtained by performing the conversion using the learning model created in the above is used for learning of the learning model by the learning unit.
  • the invention according to claim 8 is the invention according to claim 1, wherein the organ has a symmetrical shape with respect to the body axis of the subject, and in the pre-learning model creation step, the right organ A machine learning learning model is created collectively for the left and right organ images by horizontally flipping either the left image or the left organ image.
  • the region of the bone part is segmented using the image analysis method according to the first aspect, wherein the organ is the bone part of the subject.
  • the bone density is measured for the bone region segmented by the segmentation method described in claim 9.
  • the invention according to claim 11 is a learning model used when performing segmentation for specifying the region of the organ by analyzing an image of the region including the organ of the subject using machine learning.
  • An image including the subject's organ and a modified image generated by changing the density of the region of the organ in the image including the subject's organ. Used to create a learning model by executing machine learning.
  • the invention according to claim 12 is an image creation device for creating an image obtained by extracting an area of the organ from an X-ray image of the area including the organ of the subject, and X-rays the area including the organ.
  • An X-ray image storage unit that stores a plurality of X-ray images obtained in this manner, a plurality of X-ray image teacher images for machine learning, and a DRR image generation unit that generates a DRR image of an area including the bone part
  • a DRR image that stores a plurality of DRR images created by the DRR image creation unit and a plurality of machine learning DRR image teacher images created based on the DRR image created by the DRR image creation unit
  • Machine learning is performed using the storage unit, the plurality of X-ray images stored in the X-ray image storage unit, and the plurality of X-ray image teacher images, and is stored in the DRR image storage unit.
  • the plurality of DRR images X-rays of a region including the organ of the subject using a learning model for recognizing the organ, which is created in advance by performing machine learning using the plurality of teacher images for DRR images
  • an image creation unit that creates an image representing the organ by performing conversion on the image.
  • the DRR image creation unit may include a part of the plurality of DRR images as a part of the region including the bone part. Created as a DRR image in which the density of the region is changed.
  • the invention described in claim 14 is the invention described in claim 11, wherein a part of the plurality of X-ray images stored in the X-ray image storage unit uses dual energy subtraction.
  • This is an X-ray image in which the density of the organ region of the region including the organ is changed.
  • the corrected image in which the density of the organ region of the subject is changed is used for machine learning, it can be applied to a subject having a low organ density. It is possible to create a learning model. For this reason, it becomes possible to improve the detection accuracy of an organ.
  • the parameters including the projection coordinates and angles of the geometric perspective conditions are changed, or image processing including rotation, deformation, and enlargement / reduction of the image is performed.
  • image processing including rotation, deformation, and enlargement / reduction of the image.
  • the fifth aspect of the present invention since contrast change, noise addition, and edge enhancement are performed on the created DRR image, even when there is a difference in image quality between the DRR image and the X-ray image. In addition, the position of the bone part can be accurately detected.
  • the seventh aspect of the present invention by reusing a plurality of X-ray images and an image representing an organ obtained by performing conversion using a learned learned model for learning of a learning model, It is possible to create a learning model with higher accuracy by expanding the learning image.
  • the corrected image in which the density of the organ region of the subject is changed is used for machine learning, a learning model corresponding to the subject having a low organ density is also provided. It becomes possible to create.
  • FIG. 1 is a schematic front view of a bone image creating apparatus according to an embodiment of the present invention that also functions as an X-ray imaging apparatus.
  • 1 is a schematic side view of a bone image creating apparatus according to an embodiment of the present invention that also functions as an X-ray imaging apparatus.
  • It is a block diagram which shows the control system of the bone part image creation apparatus which concerns on embodiment of this invention.
  • It is a schematic diagram for demonstrating the process of producing the bone part image of a subject using machine learning with the bone part image creation apparatus which concerns on embodiment of this invention.
  • FIG. 3 is a schematic diagram of an X-ray image 101 created by an X-ray image creation unit 81.
  • FIG. FIG. 6 is a schematic diagram of a teacher bone image for X-ray image 102 created by an X-ray image creation unit 81. It is explanatory drawing which shows typically the state which produces a DRR image by the virtual projection which simulated the geometric condition of the X-ray irradiation part 11 and the X-ray detection part 12 which are shown in FIG.
  • FIG. 6 is a schematic diagram of a DRR image 103 created by a DRR image creation unit 83.
  • FIG. FIG. 10 is a schematic diagram of a DRR image 104 in which the density of the bone region created by the DRR image creating unit 83 is changed to a small value.
  • 6 is a schematic diagram of a DRR image teacher bone image 105 created by a DRR image creation unit 83.
  • FIG. 3 is a schematic diagram of an X-ray image 106 created by an X-ray image creation unit 81.
  • FIG. 6 is a schematic diagram of a DRR image 107 created by a DRR image creation unit 83.
  • FIG. 1 is a schematic front view of a bone image creating apparatus according to an embodiment of the present invention that also functions as an X-ray imaging apparatus
  • FIG. 2 is a schematic side view thereof.
  • the present invention is applied to a bone image creating apparatus that creates an image of a bone part of a subject among organs such as a bone part and an organ.
  • This bone image creating apparatus that also functions as an X-ray imaging apparatus is also referred to as an X-ray fluoroscopic imaging table, and includes a top plate 13, an X-ray tube holding member 15, and an X-ray tube holding member 15.
  • X-ray irradiation unit 11 disposed at the tip, and X-rays such as a flat panel detector and an image intensifier (II) disposed on the opposite side of the X-ray irradiation unit 11 with respect to the top plate 13
  • an X-ray detection unit 12 having a detector.
  • the top plate 13, the X-ray tube holding member 15, the X-ray irradiation unit 11, and the X-ray detection unit 12 are shown in FIG. 1 and FIG. 2 by the action of a rotation mechanism 16 incorporating a motor (not shown). It is possible to rotate between a recumbent position where the surface of 13 faces the horizontal direction and a standing position where the surface of the top plate 13 faces the vertical direction. Further, the rotation mechanism 16 itself can be moved up and down with respect to the main column 17 erected on the base plate 18.
  • top 13 When the top 13 is in the prone position, X-ray imaging is performed on the subject in the prone position. At this time, the subject is placed on the top board 13. When the top 13 is in the standing position, X-ray imaging is performed on the subject in the standing position. At this time, the subject stands up in front of the top board 13.
  • FIG. 3 is a block diagram showing a control system of the bone image creating apparatus according to the embodiment of the present invention.
  • This bone part image creating apparatus is for creating a bone part image obtained by extracting a bone region from an X-ray image of a region including a bone part of a subject, and a CPU as a processor for executing a logical operation And a ROM that stores an operation program necessary for controlling the apparatus, a RAM that temporarily stores data and the like during control, and a control unit 80 that controls the entire apparatus.
  • the control unit 80 includes an X-ray image creation unit 81 for creating an X-ray image, and a plurality of X-ray images obtained by X-ray imaging of a region including a bone part such as a subject.
  • X-ray image storage unit 82 that stores a plurality of X-ray image teacher bone images for machine learning, and X-ray imaging of a subject with respect to CT image data of a region including the bone portion
  • DRR image creation unit 83 a plurality of DRR images created by DRR image creation unit 83, and a plurality of machines created based on the DRR image created by DRR image creation unit 83
  • a DRR image storage unit 84 for storing a training DRR image teacher bone image, a plurality of X-ray images and a plurality of X-ray image teacher bone images stored in the X-ray image storage unit 82 are used.
  • Machine learning and recognizing a bone part by executing machine learning using a plurality of DRR images and a plurality of DRR image teacher bone images stored in the DRR image storage unit 84.
  • a bone image creating unit 86 for creating The control unit 80 is composed of a computer in which software is installed. The functions of each unit included in the control unit 80 are realized by executing software installed in the computer.
  • the learning unit 85 may perform machine learning at the stage before delivery of the device and store the result in advance, and additionally machine learning after delivery of the device to a medical institution or the like. May be executed. At this time, the learning unit 85 creates a discriminator by various learnings using arbitrary methods such as FCN (Fully Convolutional Networks), a neural machine network, a support vector machine (SVM), and boosting.
  • FCN Full Convolutional Networks
  • SVM support vector machine
  • the control unit 80 is connected to the X-ray irradiation unit 11 and the X-ray detection unit 12 described above.
  • the control unit 80 is connected to a display unit 21 configured by a liquid crystal display panel or the like and displaying various images including an X-ray image, and an operation unit 22 having various input means such as a keyboard and a mouse. Yes.
  • the control unit 80 is connected online or offline to a CT image storage unit 70 that stores a CT image obtained by CT imaging of the subject.
  • the CT image storage unit 70 may be included in a CT imaging apparatus, or may be included in a treatment planning apparatus that creates a treatment plan for a subject.
  • FIG. 4 is a schematic diagram for explaining a process of creating a bone image of a subject using machine learning by the bone image creating apparatus according to the embodiment of the present invention.
  • a learning model is created.
  • an X-ray image and a DRR image of a region including a bone part are used as an input layer
  • an X-ray image teacher bone image indicating a bone part and a DRR image teacher bone part image are used as an output layer
  • a convolutional layer used as a learning model is learned by machine learning.
  • a bone part image is created.
  • An image showing a partial image is created.
  • FIG. 5 is a flowchart showing an operation of creating a bone portion image obtained by extracting a bone region from an X-ray image of a region including a bone portion of a subject by the bone portion image creating apparatus according to the embodiment of the present invention. .
  • an X-ray image creating step is executed (step S1).
  • an X-ray image of the subject on the top 13 is obtained by using the X-ray irradiation unit 11 and the X-ray detection unit 12 shown in FIG. 1 by the X-ray image creation unit 81 shown in FIG.
  • a plurality of X-ray images are created.
  • an X-ray image may be obtained by taking an image taken by another X-ray imaging apparatus, or may be created by taking an X-ray image of a phantom instead of the subject.
  • the created X-ray image is stored in the X-ray image storage unit 82 shown in FIG. 3 (step S2).
  • a teacher bone image for X-ray image used for machine learning is created (step S3).
  • This X-ray image teacher bone part image is created by the X-ray image creation part 81 by trimming the region of the bone part of the subject with respect to the previously created X-ray image. Further, when the X-ray image teacher bone image is created, an image obtained by slightly translating, rotating, deforming, and enlarging / reducing the trimmed X-ray image is also created.
  • An image obtained by translating, rotating, transforming, and enlarging / reducing the trimmed X-ray image is also used for learning because the subject moves during X-ray imaging described later, or the X-ray irradiation unit 11 and the X-ray detection unit This is to cope with a case where 12 moves.
  • the created X-ray image teacher bone image is stored in the X-ray image storage unit 82 shown in FIG. 3 (step S4).
  • FIG. 6 is a schematic diagram of the X-ray image 101 created by the X-ray image creation unit 81
  • FIG. 7 is a schematic diagram of the teacher bone image 102 for the X-ray image created by the X-ray image creation unit 81. It is.
  • a femur 51, a pelvis 52, and a soft part region 53 are displayed. Further, the femur 51 and the pelvis 52 are displayed in the teacher bone image 102 for X-ray images.
  • step S5 a plurality of DRR images showing the region including the bone part are created (step S5), and the DRR image is stored in the DRR image storage unit 84 (step S6).
  • step S7 A plurality of teacher bone part images for DRR images showing a region including the image are created (step S7), and the teacher bone part images for DRR images are stored in the DRR image storage unit 84 (step S8).
  • a DRR image teacher bone image is created with a region having a CT value equal to or greater than a certain value as a bone region.
  • a DRR image teacher bone image is created by identifying a region having a CT value of 200 HU (Hounsfield Unit) or more as a bone region.
  • FIG. 8 is an explanatory diagram schematically showing a state in which a DRR image is created by virtual projection simulating the geometric conditions of the X-ray irradiation unit 11 and the X-ray detection unit 12 shown in FIG.
  • reference numeral 300 indicates CT image data.
  • the CT image data 300 is three-dimensional voxel data that is a set of a plurality of two-dimensional CT image data.
  • the CT image data 300 has a structure in which, for example, about 200 two-dimensional images of 512 ⁇ 512 pixels are stacked in a direction crossing the subject (direction along the line segment L1 or L2 shown in FIG. 8). .
  • the DRR image creating unit 83 When the DRR image creating unit 83 creates a DRR image, it virtually projects the CT image data 300. At this time, the three-dimensional CT image data 300 is arranged on the computer. Then, the geometry which is the geometric arrangement of the X-ray imaging system is reproduced on the computer. In this embodiment, the X-ray irradiation unit 11 and the X-ray detection unit 12 are disposed on both sides of the CT image data 300.
  • the arrangement of the CT image data 300, the X-ray irradiation unit 11, and the X-ray detection unit 12 is such that the subject when performing X-ray imaging, the X-ray irradiation unit 11, and the X-ray detection unit 12 are arranged. It has the same geometry as the arrangement.
  • the term “geometry” means a geometric arrangement relationship between the imaging target, the X-ray irradiation unit 11 and the X-ray detection unit 12.
  • a large number of line segments L connecting the X-ray irradiation unit 11 and each pixel of the X-ray detection unit 12 via each pixel of the CT image data 300 are set.
  • two line segments L1 and L2 are shown for convenience of explanation.
  • a plurality of calculation points are set on the line segment L, and the CT value of each calculation point is calculated.
  • interpolation is performed using the CT value in CT data voxels around the calculation point.
  • the CT values of the calculation points on the line segment L are accumulated. This accumulated value is converted into a line integral of a line attenuation coefficient, and a DRR image is created by calculating attenuation of X-rays.
  • the DRR image is created by changing the parameters for creating the DRR image including at least one of the projection coordinates and the angle with respect to the CT image data 300.
  • image processing including at least one of slight translation, rotation, deformation, and enlargement / reduction is executed.
  • the parallel movement, rotation, deformation, and enlargement / reduction are executed in order to correspond to the case where the subject moves during the X-ray imaging described later, or the X-ray irradiation unit 11 and the X-ray detection unit 12 move. It is.
  • contrast change is executed on the created DRR image.
  • This contrast change, noise addition, and edge enhancement are performed in order to absorb the difference in image quality between the DRR image and the X-ray image and to more reliably recognize the bone region.
  • the parameters including the projection coordinates and angle of the geometric perspective condition are changed under the same conditions, or the image is rotated, deformed, or enlarged. Image processing including reduction is performed under the same conditions.
  • the DRR image creation part 83 selects a part of the DRR images from the plurality of DRR images as a bone in the region including the bone part. It is created as a DRR image in which the density of the partial area is changed. More specifically, the CT value of the bone region where the CT value is a certain value or more is set to a value smaller than the actual CT value. Thereby, it is possible to obtain a DRR image simulating a bone part having a reduced bone density.
  • FIG. 9 is a schematic diagram of the DRR image 103 created by the DRR image creation unit 83.
  • FIG. 10 shows a DRR image 104 in which the density of the bone region created by the DRR image creation unit 83 is changed to a small value.
  • FIG. 11 is a schematic diagram of the DRR image teacher bone part image 105 created by the DRR image creation unit 83.
  • the femur 51, the pelvis 52, and the soft part region 53 are displayed. Further, the femur 51 and the pelvis 52 are displayed in the DRR image teacher bone part image 105.
  • the learning unit 85 executes machine learning using the X-ray image 101 shown in FIG. 6 as an input layer and the X-ray image teacher bone image 102 shown in FIG. 7 as an output layer.
  • a learning model for recognizing the bone part (the femur 51 and the pelvis 52) is created (step S9).
  • FCN is used for this machine learning.
  • the convolutional neural network used in the FCN is configured as shown in FIG. That is, when creating a learning model, the input layer is an X-ray image 101 and DRR images 103 and 104, and the output layer is an X-ray image teacher bone image 102 and a DRR image teacher bone image 105.
  • step S10 X-ray imaging is performed on the subject.
  • step S11 the bone part image creation unit 86 converts the captured X-ray image by using the learning model (convolution layer) created earlier, thereby executing segmentation, and the bone part (femur) 51 and the pelvis 52) are created (step S11). That is, the learning model created previously is used for an X-ray image obtained by X-ray imaging, and an image representing a bone part is created as an output layer. Then, the bone density is measured by various methods using the bone region specified by the segmentation.
  • segmentation is a concept including a process of specifying an outline of a bone or the like or a process of specifying an outline of a bone or the like in addition to the process of specifying a region such as a bone in this embodiment. is there.
  • the operator corrects the created bone part image as necessary. Then, the corrected bone image and the original X-ray image are used for creating a learning model by the learning unit 85 or for re-learning. As a result, it is possible to create a learning model with higher accuracy by expanding learning images including failure examples.
  • the extraction accuracy can be improved by extracting the bone region by machine learning.
  • machine learning is performed using both the X-ray image and the DRR image
  • the learning image can be expanded, and the collection of learning clinical data can be easily performed.
  • a DRR image in which the density of the bone region is changed it is possible to perform machine learning with a DRR image simulating a bone portion having a reduced bone density, resulting in a decrease in bone density and osteoporosis. Bone extraction accuracy can be improved for patients including patients.
  • the X-ray image may be input to the learning model after being blurred by a Gaussian filter or the like.
  • a DRR image is created from a low-resolution CT image, it has a lower resolution than an X-ray image. For this reason, it is possible to more reliably identify bone parts by blurring the X-ray image, reducing noise in the X-ray image, and setting the resolution to be equivalent to that of the DRR image at the time of learning.
  • the DRR image and the X-ray image input to the learning model may be input after performing contrast normalization in advance. Further, a local contrast normalization layer or a local response normalization layer may be added to the intermediate layer.
  • the bone density is reduced by creating a part of the plurality of DRR images as a DRR image in which the density of the bone region of the region including the bone portion is changed.
  • a DRR image simulating the bone part is created and used for machine learning.
  • an X-ray image (high-voltage image) obtained by imaging a part of the plurality of X-ray images with a high voltage applied to the X-ray tube;
  • dual energy subtraction that performs subtraction processing on an X-ray image (low-pressure image) taken with a low voltage applied to the X-ray tube, the bone region of the region including the bone portion
  • An X-ray image having a changed density is used.
  • an X-ray image taken with a high voltage applied to the X-ray tube and a low voltage applied to the X-ray tube A configuration is adopted in which bone density is measured by dual energy subtraction for performing subtraction processing on the X-ray image. Even at the time of specifying the bone part image, this dual energy subtraction was used to capture an X-ray image taken with a high voltage applied to the X-ray tube and a low voltage applied to the X-ray tube. After weighting the X-ray image, a differential energy subtraction image representing the bone part is created by taking the difference between them.
  • an X-ray image used for machine learning either a high pressure image, a low pressure image, or a dual energy subtraction image may be used, or an image obtained by connecting these images in the channel direction may be used. Good.
  • parameter adjustment is performed on the dual energy subtraction image, thereby simulating the bone portion having a reduced bone density. May be obtained.
  • FIG. 12 is a schematic diagram of the X-ray image 106 created by the X-ray image creation unit 81
  • FIG. 13 is a schematic diagram of the DRR image 107 created by the DRR image creation unit 83.
  • FIG. 6 described above is a schematic diagram of the X-ray image 101 near the subject's right foot
  • FIG. 9 is a schematic diagram of the DRR image 103 near the subject's right foot
  • FIG. 12 is a schematic diagram of an X-ray image 106 near the left foot of the subject
  • FIG. 13 is a schematic diagram of a DRR image 107 near the left foot of the subject.
  • the learning unit 85 performs an image of the right bone part on the left side.
  • the machine learning is executed on the left and right bone images collectively by flipping one of the two bone images horizontally.
  • the X-ray image 106 near the subject's left foot shown in FIG. 12 is reversed left and right, and used together with the X-ray image 101 near the subject's right foot shown in FIG. 6 for machine learning.
  • the DRR image 107 near the subject's left foot shown in FIG. 13 is reversed left and right to be used together with the DRR image 103 near the subject's right foot shown in FIG. 9 for machine learning.
  • machine learning is performed using both X-ray images and DRR images.
  • machine learning may be performed using either one of the X-ray image and the DRR image.
  • a bone part is targeted as an organ, but an organ such as an organ may be targeted.
  • an organ such as an organ may be targeted.
  • the concentration of the organ region is low during X-ray imaging. According to the present invention, even in such a case, it is possible to create a learning model corresponding to a subject whose organ concentration is low. For this reason, it becomes possible to improve the detection accuracy of an organ.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Animal Behavior & Ethology (AREA)
  • Optics & Photonics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Quality & Reliability (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Pulmonology (AREA)
  • Evolutionary Computation (AREA)
  • Dentistry (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

制御部（８０）は、Ｘ線画像作成部（８１）と、Ｘ線画像とＸ線画像用教師骨部画像とを記憶するＸ線画像記憶部（８２）と、骨部を含む領域のＤＲＲ画像を作成するＤＲＲ画像作成部（８３）と、ＤＲＲ画像と機械学習用のＤＲＲ画像用教師骨部画像とを記憶するＤＲＲ画像記憶部（８４）と、Ｘ線画像とＸ線画像用教師骨部画像とを使用して機械学習を実行するとともにＤＲＲ画像とＤＲＲ画像用教師骨部画像とを使用して機械学習を実行することにより骨部を認識するための学習モデルを作成する学習部（８５）と、被検者の骨部を含む領域のＸ線画像に対して学習部（８５）で作成した学習済みモデルを利用して変換を行うことにより骨部を表す画像を作成する骨部画像作成部（８６）と、を備える。

Description

画像解析方法、セグメンテーション方法、骨密度測定方法、学習モデル作成方法および画像作成装置
　この発明は、画像解析方法、セグメンテーション方法、骨密度測定方法、学習モデル作成方法および画像作成装置に関する。
　近年、骨粗鬆症の診断のため、被検者の骨密度を測定する骨密度測定装置が使用されている。特許文献１には、放射線を発生する手段と、この放射線が照射される１枚の結晶格子と、この結晶格子で反射した放射線のうち所定の２つの反射角度のもののみをコリメートして２つの異なるエネルギーの放射線を被検体に対して同時に照射する手段と、これら２つのエネルギーの放射線が被検体を透過して入射する放射線検出手段と、該放射線検出手段の出力の波高分析を行うことによりそれぞれのエネルギーの放射線に関する透過データを分離する波高分析手段と、該分離されたデータを演算処理して骨密度算出する手段とからなる骨塩定量分析装置が開示されている。
特許第２６３８８７５号公報
　このような骨密度の測定は、臨床上の注意が必要となる腰椎や大腿骨の骨密度が対象となる。この時、大腿骨は形状に個人差が大きく、安定した経過観察を実施するには、被検者の骨部の領域の特定が重要となる。この骨部の領域を特定するためには、オペレータが手動で領域の特定を行っており、作業が煩雑であるばかりではなく、作業者により特定される領域にバラツキが生ずるという問題がある。
　被検者の骨部を含む画像から骨部の領域を抽出するためのセグメンテーションを自動的に実行するため、ヒストグラムの閾値処理によるアルゴリズムを利用することも考えられるが、特に形状の個人差の大きい大腿骨のセグメンテーションに関しては、骨部の領域を正確に特定することは困難であった。このため、最終的な骨密度の測定結果の精度が悪化するという問題が生じている。
　この発明は上記課題を解決するためになされたものであり、被検者の器官を含む領域のＸ線画像から、正確に器官の領域を抽出した画像を作成することが可能な画像解析方法、セグメンテーション方法、骨密度測定方法、学習モデル作成方法および画像作成装置を提供することを目的とする。
　請求項１に記載の発明は、被検者の器官を含む領域の画像を解析することにより前記器官の領域を特定するためのセグメンテーションを行う画像解析方法であって、前記セグメンテーションの手法として機械学習を用いるとともに、前記被検者の器官を含む画像における前記器官の領域の濃度を変化させた修正画像を作成する修正画像作成工程と、前記被検者の器官を含む画像と前記修正画像作成工程で作成した修正画像とを用いた学習処理により機械学習の学習モデルを作成する学習モデル作成工程と、を含むことを特徴とする。
　請求項２に記載の発明は、請求項１に記載の発明において、前記被検者をＸ線撮影して得た前記被検者の器官を含む領域のＸ線画像に対して、前記学習モデル作成工程で作成した学習モデルを利用して変換を行うことにより、前記器官を表す画像を作成する。
　請求項３に記載の発明は、請求項１に記載の発明において、前記被検者の器官を含む領域の画像は、前記被検者のＣＴ画像データから作成されたＤＲＲ画像であり、前記修正画像作成工程においては、前記ＣＴ画像データのＣＴ値が所定の値となる領域を前記器官の領域としてその濃度を変化させる。
　請求項４に記載の発明は、請求項３に記載の発明において、ＤＲＲ画像の作成時に、前記幾何学的条件の投影座標および角度の少なくとも一方を含むパラメータを変化させ、あるいは、画像の回転、変形および拡大縮小の少なくとも１つを含む画像処理を施して、複数のＤＲＲ画像を作成する。
　請求項５に記載の発明は、請求項３に記載の発明において、作成後のＤＲＲ画像に対して、コントラスト変化、ノイズ付加およびエッジ強調の少なくとも１つを実行する。
　請求項６に記載の発明は、請求項１に記載の発明において、前記被検者の器官を含む領域の画像は、前記被検者をＸ線撮影することにより作成されたＸ線画像であり、前記修正画像作成工程においては、前記Ｘ線画像と、デュアルエナジーサブトラクションを利用して得られた前記器官の画像とを利用して前記器官の領域の濃度を変化させる。
　請求項７に記載の発明は、請求項２に記載の発明において、前記被検者をＸ線撮影して得た前記被検者の器官を含む領域のＸ線画像と、前記学習モデル作成工程で作成した学習モデルを利用して変換を行うことにより得た前記器官を表す画像とを、前記学習部による学習モデルの学習に利用する。
　請求項８に記載の発明は、請求項１に記載の発明において、前記器官は前記被検者の体軸に対して左右対称の形状を有し、前学習モデル作成工程においては、右側の器官の画像と左側の器官の画像のいずれか一方を左右反転することにより、左右の器官の画像に対して一括して機械学習の学習モデルを作成する。
　請求項９に記載の発明は、前記器官は前記被検者の骨部である、請求項１に記載の画像解析方法を利用して前記骨部の領域をセグメンテーションする。
　請求項１０に記載の発明は、請求項９に記載のセグメンテーション方法によりセグメンテーションされた骨部の領域に対して骨密度を測定する。
　請求項１１に記載の発明は、被検者の器官を含む領域の画像を、機械学習を利用して解析することにより、前記器官の領域を特定するためのセグメンテーションを行うときに用いられる学習モデルを作成する学習モデル作成方法であって、前記被検者の器官を含む画像と、前記被検者の器官を含む画像における前記器官の領域の濃度を変化させることにより作成された修正画像とを用い、機械学習の学習を実行して学習モデルを作成することを特徴とする。
　請求項１２に記載の発明は、被検者の器官を含む領域のＸ線画像から前記器官の領域を抽出した画像を作成する画像作成装置であって、前記器官を含む領域をＸ線撮影して得た複数のＸ線画像と、機械学習用の複数のＸ線画像用教師画像とを記憶するＸ線画像記憶部と、前記骨部を含む領域のＤＲＲ画像を作成するＤＲＲ画像作成部と、前記ＤＲＲ画像作成部により作成された複数のＤＲＲ画像と、前記ＤＲＲ画像作成部により作成されたＤＲＲ画像に基づいて作成された複数の機械学習用のＤＲＲ画像用教師画像とを記憶するＤＲＲ画像記憶部と、前記Ｘ線画像記憶部に記憶された前記複数のＸ線画像と前記複数のＸ線画像用教師画像とを使用して機械学習を実行するとともに、前記ＤＲＲ画像記憶部に記憶された前記複数のＤＲＲ画像と前記複数のＤＲＲ画像用教師画像とを使用して機械学習を実行することによって予め作成された前記器官を認識するための学習モデルを使用して、前記被検者の器官を含む領域のＸ線画像に対して変換を行うことにより、前記器官を表す画像を作成する画像作成部と、を備えたことを特徴とする。
　請求項１３に記載の発明は、請求項１１に記載の発明において、前記ＤＲＲ画像作成部は、前記複数のＤＲＲ画像のうちの一部のＤＲＲ画像を、前記骨部を含む領域のうちの器官領域の濃度を変化させたＤＲＲ画像として作成する。
請求項１４に記載の発明は、請求項１１に記載の発明において、前記Ｘ線画像記憶部に記憶される複数のＸ線画像のうちの一部のＸ線画像は、デユアルエナジーサブトラクションを利用することにより、前記器官を含む領域のうちの器官領域の濃度を変化させたＸ線画像である。
　請求項１から請求項８に記載の発明によれば、被検者の器官の領域の濃度を変化させた修正画像を機械学習に利用することから、器官の濃度が低い被検者にも対応した学習モデルを作成することが可能となる。このため、器官の検出精度を向上させることが可能となる。
　請求項４に記載の発明によれば、幾何学的透視条件の投影座標および角度を含むパラメータを変化させ、あるいは、画像の回転、変形、拡大縮小を含む画像処理を施すことから、被検者の位置や姿勢、あるいは、Ｘ線撮影時の撮影系の位置がわずかに偏向された場合においても、骨部の位置を正確に検出することが可能となる。そして、大量のＤＲＲ画像を作成することができることから、各患者に対応したオーダーメイドの識別器を学習することができ、さらには、低フレームレートのＤＲＲ画像を使用する場合においても、骨部の位置を正確に検出することが可能となる。
　請求項５に記載の発明によれば、作成後のＤＲＲ画像に対して、コントラスト変化、ノイズ付加、エッジ強調を実行することから、ＤＲＲ画像とＸ線画像に画質の差異が生じた場合においても、骨部の位置を正確に検出することが可能となる。
　請求項７に記載の発明によれば、複数のＸ線画像と学習した学習済みモデルを利用して変換を行うことにより得た器官を表す画像とを学習モデルの学習に再度利用することで、学習画像を拡充させてより精度の高い学習モデルを作成することが可能となる。
　請求項８に記載の発明によれば、被検者の体軸に対して左右対称の形状を有する器官に対して、その検出精度を均一なものとすることができる。そして、左右の器官の画像に対して一括して機械学習を実行することから、学習画像を拡充させてより精度の高い学習モデルを作成することが可能となる。
　請求項９に記載の発明によれば、骨部の領域のセグメンテーションを精度よく実行することが可能となる。
　請求項１０に記載の発明によれば、セグメンテーションされた骨部の領域に対して骨密度の測定を実行することが可能となる。
　請求項１１に記載の発明によれば、被検者の器官の領域の濃度を変化させた修正画像を機械学習に利用することから、器官の濃度が低い被検者にも対応した学習モデルを作成することが可能となる。
　請求項１２から請求項１４に記載の発明によれば、器官の領域を機械学習により抽出することで、その抽出精度を向上させることが可能となる。この時、Ｘ線画像とＤＲＲ画像の両方を利用して機械学習を行うことから、学習画像を拡充させることが可能となり、学習用臨床データの収集を容易に実行することが可能となる。
Ｘ線撮影装置としても機能するこの発明の実施形態に係る骨部画像作成装置の正面概要図である。 Ｘ線撮影装置としても機能するこの発明の実施形態に係る骨部画像作成装置の側面概要図である。 この発明の実施形態に係る骨部画像作成装置の制御系を示すブロック図である。 この発明の実施形態に係る骨部画像作成装置により機械学習を利用して被検者の骨部画像を作成する工程を説明するための模式図である。 この発明の実施形態に係る骨部画像作成装置により被検者の骨部を含む領域のＸ線画像から骨部の領域を抽出した骨部画像を作成する動作を示すフローチャートである。 Ｘ線画像作成部８１により作成されたＸ線画像１０１の模式図である。 Ｘ線画像作成部８１により作成されたＸ線画像用教師骨部画像１０２の模式図である。 図１に示すＸ線照射部１１とＸ線検出部１２との幾何学的条件を模擬した仮想的投影によりＤＲＲ画像を作成する状態を模式的に示す説明図である。 ＤＲＲ画像作成部８３により作成されたＤＲＲ画像１０３の模式図である。 ＤＲＲ画像作成部８３により作成された骨部の領域の濃度を小さな値に変更したＤＲＲ画像１０４の模式図である。 ＤＲＲ画像作成部８３により作成されたＤＲＲ画像用教師骨部画像１０５の模式図である。 Ｘ線画像作成部８１により作成されたＸ線画像１０６の模式図である。 ＤＲＲ画像作成部８３により作成されたＤＲＲ画像１０７の模式図である。
　以下、この発明の実施の形態を図面に基づいて説明する。図１は、Ｘ線撮影装置としても機能するこの発明の実施形態に係る骨部画像作成装置の正面概要図であり、図２は、その側面概要図である。なお、この実施形態においては、骨部や臓器等の器官のうち、被検者の骨部の画像を作成する骨部画像作成装置にこの発明を適用した場合について説明する。
　このＸ線撮影装置としても機能する骨部画像作成装置は、Ｘ線透視撮影台とも呼称されるものであり、天板１３と、Ｘ線管保持部材１５と、このＸ線管保持部材１５の先端に配設されたＸ線照射部１１と、天板１３に対してＸ線照射部１１の逆側に配設されたフラットパネルディテクタやイメージインテンシファイア（Ｉ．Ｉ．）等のＸ線検出器を有するＸ線検出部１２とを備える。
　これらの天板１３、Ｘ線管保持部材１５、Ｘ線照射部１１およびＸ線検出部１２は、図示しないモータを内蔵した回動機構１６の作用により、図１および図２に示す、天板１３の表面が水平方向を向く臥位位置と、天板１３の表面が鉛直方向を向く立位位置との間を回動可能となっている。また、回動機構１６自体は、ベースプレート１８上に立設された主支柱１７に対して昇降可能となっている。
　天板１３が臥位位置にあるときには、臥位状態の被検者に対してＸ線撮影が行われる。このときには、被検者は天板１３上に載置される。また、天板１３が立位位置にあるときには、立位状態の被検者に対してＸ線撮影が行われる。このときには、被検者は天板１３の正面に起立する。
　次に、この発明の実施形態に係る骨部画像測定装置の構成について説明する。図３は、この発明の実施形態に係る骨部画像作成装置の制御系を示すブロック図である。
　この骨部画像作成装置は、被検者の骨部を含む領域のＸ線画像から骨部の領域を抽出した骨部画像を作成するためのものであり、論理演算を実行するプロセッサーとしてのＣＰＵ、装置の制御に必要な動作プログラムが格納されたＲＯＭ、制御時にデータ等が一時的にストアされるＲＡＭ等を備え、装置全体を制御する制御部８０を備える。
　この制御部８０は、機能的構成として、Ｘ線画像を作成するためのＸ線画像作成部８１と、被検者等の骨部を含む領域をＸ線撮影して得た複数のＸ線画像と、機械学習用の複数のＸ線画像用教師骨部画像とを記憶するＸ線画像記憶部８２と、骨部を含む領域のＣＴ画像データに対して、被検者をＸ線撮影するときのＸ線照射部１１とＸ線検出部１２の幾何学的条件を模擬した仮想的投影を行うことにより、骨部を含む領域のＤＲＲ（Ｄｉｇｉｔａｌｌｙ　Ｒｅｃｏｎｓｔｒｕｃｔｅｄ　Ｒａｄｉｏｇｒａｐｈ：デジタル再構成シミュレーション画像）画像を作成するＤＲＲ画像作成部８３と、ＤＲＲ画像作成部８３により作成された複数のＤＲＲ画像と、ＤＲＲ画像作成部８３により作成されたＤＲＲ画像に基づいて作成された複数の機械学習用のＤＲＲ画像用教師骨部画像とを記憶するＤＲＲ画像記憶部８４と、Ｘ線画像記憶部８２に記憶された複数のＸ線画像と複数のＸ線画像用教師骨部画像とを使用して機械学習を実行するとともに、ＤＲＲ画像記憶部８４に記憶された複数のＤＲＲ画像と複数のＤＲＲ画像用教師骨部画像とを使用して機械学習を実行することにより、骨部を認識するための学習モデルを作成する学習部８５と、被検者の骨部を含む領域のＸ線画像に対して学習部８５で学習した学習済みモデルを利用して変換を行うことにより骨部を表す画像を作成する骨部画像作成部８６と、を備える。この制御部８０は、ソフトウエアがインストールされたコンピュータから構成される。この制御部８０に含まれる各部の機能は、コンピュータにインストールされているソフトウエアを実行することで実現される。
　なお、上述した構成において、ＤＲＲ画像用教師骨部画像とＸ線画像用とがラベル画像である場合、両者は同一の画像となることもある。
　また、上述した構成において、学習部８５は、装置の納入前の段階で機械学習を実行してその結果を予め記憶しておいてもよく、医療機関等への装置の納入後に追加で機械学習を実行してもよい。この時、学習部８５は、ＦＣＮ（Ｆｕｌｌｙ　Ｃｏｎｖｏｌｕｔｉｏｎａｌ　Ｎｅｔｗｏｒｋｓ）、ニューラルマシンネットワーク、サポートベクターマシン（ＳＶＭ）、ブースティング等の任意の手法を用いた各種の学習により識別器を作成する。
　この制御部８０は、上述したＸ線照射部１１およびＸ線検出部１２と接続されている。また、この制御部８０は、液晶表示パネル等から構成されＸ線画像を含む各種の画像を表示する表示部２１と、キーボードやマウス等の各種の入力手段を備えた操作部２２と接続されている。さらに、この制御部８０は、被検者をＣＴ撮影して得たＣＴ画像を記憶するＣＴ画像記憶部７０と、オンラインまたはオフラインにて接続されている。このＣＴ画像記憶部７０は、ＣＴ撮影装置に含まれるものであってもよく、被検者の治療計画を作成する治療計画装置に含まれるものであってもよい。
　次に、以上のような構成を有する骨部画像作成装置を使用することにより、被検者の骨部を含む領域のＸ線画像から骨部の領域を抽出した骨部画像を作成する動作について説明する。
　最初に、骨部画像を作成するための基本的な考え方について説明する。図４は、この発明の実施形態に係る骨部画像作成装置により機械学習を利用して被検者の骨部画像を作成する工程を説明するための模式図である。
　機械学習を利用して骨部の位置を特定するためには、最初に、学習モデルを作成する。この学習モデル作成工程においては、骨部を含む領域のＸ線画像およびＤＲＲ画像を入力層とし、骨部を示すＸ線画像用教師骨部画像およびＤＲＲ画像用教師骨部画像を出力層として、機械学習により、学習モデルとして使用する畳み込み層を学習する。次に、骨部画像を作成する。この骨部画像作成工程においては、撮影されたＸ線透視画像を入力層とし、先に学習された学習モデルを利用して変換を行うことにより、出力層としての骨部の領域を抽出した骨部画像を示す画像を作成する。
　次に、このような工程による骨部画像の作成動作について詳細に説明する。図５は、この発明の実施形態に係る骨部画像作成装置により被検者の骨部を含む領域のＸ線画像から骨部の領域を抽出した骨部画像を作成する動作を示すフローチャートである。
　この発明の実施形態に係る骨部画像作成装置により骨部画像を作成するときには、最初に、Ｘ線画像作成工程を実行する（ステップＳ１）。この画像作成工程においては、図３に示すＸ線画像作成部８１により図１に示すＸ線照射部１１とＸ線検出部１２とを使用して天板１３上の被検者をＸ線撮影することによって、複数のＸ線画像を作成する。なお、Ｘ線画像は、その他のＸ線撮影装置により撮影されたものを取得してもよく、また、被検者に変えてファントムをＸ線撮影することにより作成してもよい。作成されたＸ線画像は、図３に示すＸ線画像記憶部８２に記憶される（ステップＳ２）。
　次に、機械学習に使用されるＸ線画像用教師骨部画像を作成する（ステップＳ３）。このＸ線画像用教師骨部画像は、Ｘ線画像作成部８１により、先に作成されたＸ線画像に対して被検者の骨部の領域をトリミングすることにより作成される。また、このＸ線画像用教師骨部画像の作成時には、トリミング後のＸ線画像をわずかに平行移動、回転、変形、拡大縮小した画像も作成される。トリミングしたＸ線画像を平行移動、回転、変形、拡大縮小した画像も学習に使用するのは、後述するＸ線撮影時に被検者が移動し、あるいは、Ｘ線照射部１１とＸ線検出部１２が移動した場合に対応するためである。作成されたＸ線画像用教師骨部画像は、図３に示すＸ線画像記憶部８２に記憶される（ステップＳ４）。
　なお、この時には、Ｘ線画像とＸ線画像用教師骨部画像の両方に対して、平行移動、回転、変形、拡大縮小を同一条件で実行する。
　図６は、Ｘ線画像作成部８１により作成されたＸ線画像１０１の模式図であり、図７は、Ｘ線画像作成部８１により作成されたＸ線画像用教師骨部画像１０２の模式図である。
　Ｘ線画像１０１には、大腿骨５１と、骨盤５２と、軟部領域５３とが表示されている。また、Ｘ線画像用教師骨部画像１０２には、大腿骨５１と、骨盤５２とが表示されている。
　次に、図３に示すＤＲＲ画像作成部８３により、ＣＴ画像記憶部７０から取得したＣＴ画像データに対して、図１に示すＸ線照射部１１とＸ線検出部１２との幾何学的条件を模擬した仮想的投影を行うことにより、骨部を含む領域を示す複数のＤＲＲ画像を作成し（ステップＳ５）、このＤＲＲ画像をＤＲＲ画像記憶部８４に記憶するとともに（ステップＳ６）、骨部を含む領域を示す複数のＤＲＲ画像用教師骨部画像を作成し（ステップＳ７）、このＤＲＲ画像用教師骨部画像をＤＲＲ画像記憶部８４に記憶する（ステップＳ８）。ここで、骨部を示すＤＲＲ画像用教師骨部画像を作成するときには、ＣＴ値が一定以上の値となる領域を骨部の領域としてＤＲＲ画像用教師骨部画像を作成する。例えば、ＣＴ値が２００ＨＵ（Ｈｏｕｎｓｆｉｅｌｄ　Ｕｎｉｔ）以上の領域を骨部の領域と認定してＤＲＲ画像用教師骨部画像を作成する。
　図８は、図１に示すＸ線照射部１１とＸ線検出部１２との幾何学的条件を模擬した仮想的投影によりＤＲＲ画像を作成する状態を模式的に示す説明図である。
　この図において、符号３００はＣＴ画像データを示している。このＣＴ画像データ３００は、複数の２次元のＣＴ画像データの集合である３次元のボクセルデータである。このＣＴ画像データ３００は、例えば、５１２×５１２ピクセルの２次元画像が被検者を横断する方向（図８に示す線分Ｌ１またはＬ２に沿った方向）に２００枚程度積層された構造を有する。
　ＤＲＲ画像作成部８３によりＤＲＲ画像を作成する時には、ＣＴ画像データ３００に対して仮想的に投影を行う。このときには、コンピュータ上に３次元のＣＴ画像データ３００を配置する。そして、コンピュータ上にＸ線撮影系の幾何学的配置であるジオメトリを再現する。この実施形態においては、ＣＴ画像データ３００を挟んで、両側に、Ｘ線照射部１１とＸ線検出部１２を配置する。これらのＣＴ画像データ３００と、Ｘ線照射部１１とＸ線検出部１２の配置は、Ｘ線撮影を実行するときの被検者と、Ｘ線照射部１１と、Ｘ線検出部１２との配置と同じジオメトリとなっている。ここで、ジオメトリとは、撮影対象とＸ線照射部１１とＸ線検出部１２の幾何学的配置関係を意味する。
　この状態で、Ｘ線照射部１１と、ＣＴ画像データ３００の各画素を介してＸ線検出部１２の各画素とを結ぶ多数の線分Ｌを設定する。なお、図８においては、説明の便宜上、２本の線分Ｌ１、Ｌ２を図示している。そして、この線分Ｌ上に、各々、複数の計算点を設定し、各計算点のＣＴ値を演算する。このＣＴ値の演算時には、計算点の周囲のＣＴデータボクセルにおけるＣＴ値を利用した補間が実行される。しかる後、線分Ｌ上の各計算点のＣＴ値を累積する。この累積値が、線減弱係数の線積分に変換されて、Ｘ線の減弱を算出することにより、ＤＲＲ画像が作成される。
　このＤＲＲ画像の作成時には、ＣＴ画像データ３００に対して投影座標および角度の少なくとも一方を含むＤＲＲ画像作成のためのパラメータを変化させてＤＲＲ画像を作成する。あるいは、わずかな平行移動、回転、変形及び拡大縮小の少なくとも１つを含む画像処理を実行する。この平行移動、回転、変形、拡大縮小を実行するのは、後述するＸ線撮影時に被検者が移動し、あるいは、Ｘ線照射部１１とＸ線検出部１２が移動した場合に対応するためである。
　また、作成されたＤＲＲ画像にコントラスト変化、ノイズ付加及びエッジ強調の少なくとも１つを実行する。このコントラスト変化、ノイズ付加、エッジ強調を実行するのは、ＤＲＲ画像とＸ線画像の画質の違いを吸収し、骨部の領域をより確実に認識できるようにするためである。
　上述した、投影座標や角度などのＤＲＲ画像作成のためのパラメータの変化、または、コントラスト変化、ノイズ付加、エッジ強調は、所定の範囲内でランダムに、あるいは、等間隔で様々に変化を与える態様で実施される。これにより、被検者一人のＣＴ画像データ３００から、多量のＤＲＲ画像を作成することができる。このため、このようにして作成された多量のＤＲＲ画像を使用して、各患者に対応したオーダーメイドの学習モデルを作成することが可能となる。なお、多数の患者のＤＲＲ画像を利用して学習モデルの作成を行うことも可能である。
　なお、ＤＲＲ画像の作成時とＤＲＲ画像用教師骨部画像の作成時においては、幾何学的透視条件の投影座標および角度を含むパラメータを同一条件で変化させ、あるいは、画像の回転、変形、拡大縮小を含む画像処理を同一条件で施す。
　また、ＤＲＲ画像とＤＲＲ画像用教師骨部画像のうちＤＲＲ画像の作成時には、ＤＲＲ画像作成部８３は、複数のＤＲＲ画像のうちの一部のＤＲＲ画像を、骨部を含む領域のうちの骨部領域の濃度を変化させたＤＲＲ画像として作成する。より具体的には、ＣＴ値が一定以上の値となる骨部の領域のＣＴ値を、実際のＣＴ値より小さな値に設定する。これにより、骨密度が低下した骨部を模擬したＤＲＲ画像を得ることができる。従って、骨密度が低下した骨部を模擬したＤＲＲ画像により機械学習を行うことができ、骨密度が低下して骨粗鬆症に至った患者を含む患者に対して骨部の抽出精度を向上させることが可能となる。
　図９は、ＤＲＲ画像作成部８３により作成されたＤＲＲ画像１０３の模式図であり、図１０は、ＤＲＲ画像作成部８３により作成された骨部の領域の濃度を小さな値に変更したＤＲＲ画像１０４の模式図であり、図１１は、ＤＲＲ画像作成部８３により作成されたＤＲＲ画像用教師骨部画像１０５の模式図である。
　ＤＲＲ画像１０３、１０４には、大腿骨５１と、骨盤５２と、軟部領域５３とが表示されている。また、ＤＲＲ画像用教師骨部画像１０５には、大腿骨５１と、骨盤５２とが表示されている。
　以上の工程が終了すれば、学習部８５により、図６に示すＸ線画像１０１を入力層とし、図７に示すＸ線画像用教師骨部画像１０２を出力層として機械学習を実行するとともに、図９に示すＤＲＲ画像１０３および図１０に示す骨部の領域の濃度を小さな値に変更したＤＲＲ画像１０４を入力層とし、図１１に示すＤＲＲ画像用教師骨部画像１０５を出力層として機械学習を実行することにより、骨部（大腿骨５１および骨盤５２）を認識するための学習モデルを作成する（ステップＳ９）。この機械学習時には、例えば、ＦＣＮが使用される。ＦＣＮで用いる畳み込みニューラルネットワークは、上述した図４のような構成となる。すなわち、学習モデルを作成する場合においては、入力層はＸ線画像１０１およびＤＲＲ画像１０３、１０４で、出力層はＸ線画像用教師骨部画像１０２およびＤＲＲ画像用教師骨部画像１０５である。
　以上の工程により学習モデルが作成されれば、次に、被検者に対してＸ線撮影を実行する（ステップＳ１０）。そして、撮影されたＸ線画像に対して、骨部画像作成部８６により、先に作成した学習モデル（畳み込み層）を利用して変換を行うことにより、セグメンテーションを実行し、骨部（大腿骨５１および骨盤５２）の画像を作成する（ステップＳ１１）。すなわち、Ｘ線撮影で得られるＸ線画像に対して、先に作成した学習モデルを使用し、出力層として骨部を表す画像を作成する。そして、セグメンテーションにより特定された骨部の領域を利用して、各種の手法により骨密度の測定が実行される。
　なお、この明細書等において、「セグメンテーション」とは、この実施形態における骨部等の領域を特定するプロセスに加え、骨部等の輪郭あるいは骨部等の外形を特定するプロセスをも含む概念である。
　以上の工程により骨部画像の作成が完了すれば、作成された骨部画像を、オペレータが必要に応じ修正する。そして、修正後の骨部画像と、その元になったＸ線画像とを、学習部８５による学習モデルの作成、あるいは再学習に利用する。これにより、失敗例を含む学習画像を拡充させてより精度の高い学習モデルを作成することが可能となる。
　以上のように、この発明の実施形態に係る骨部画像作成装置によれば、骨部の領域を機械学習により抽出することで、その抽出精度を向上させることが可能となる。この時、Ｘ線画像とＤＲＲ画像の両方を利用して機械学習を行うことから、学習画像を拡充させることが可能となり、学習用臨床データの収集を容易に実行することが可能となる。また、骨部領域の濃度を変化させたＤＲＲ画像を利用することにより、骨密度が低下した骨部を模擬したＤＲＲ画像により機械学習を行うことができ、骨密度が低下して骨粗鬆症に至った患者を含む患者に対して骨部の抽出精度を向上させることが可能となる。
　なお、上述した実施形態において、Ｘ線画像をガウスフィルタなどでぼかした後に学習モデルに入力してもよい。一般的に、ＤＲＲ画像は低解像度のＣＴ画像から作成されているため、Ｘ線画像と比べると低解像度である。このため、Ｘ線画像をぼかして、Ｘ線画像を、ノイズを低減し、また、学習時のＤＲＲ画像と同等の解像度とすることにより、より確実に骨部を識別することが可能となる。また、上述した実施形態において、学習モデルに入力するＤＲＲ画像およびＸ線画像はあらかじめコントラスト正規化を行った上で入力してもよい。また、中間層に局所コントラスト正規化層または局所応答正規化層を加えてもよい。
　次に、この発明の他の実施形態について説明する。
　上述した実施形態においては、複数のＤＲＲ画像のうちの一部のＤＲＲ画像を、骨部を含む領域のうちの骨部領域の濃度を変化させたＤＲＲ画像として作成することにより、骨密度が低下した骨部を模擬したＤＲＲ画像を作成し、これを機械学習に利用している。これに対して、この実施形態においては、複数のＸ線画像のうちの一部のＸ線画像を、Ｘ線管に高電圧を付与した状態で撮影されたＸ線画像（高圧画像）と、Ｘ線管に低電圧を付与した状態で撮影されたＸ線画像（低圧画像）とに対してサブトラクション処理を行うデユアルエナジーサブトラクションを利用することにより、骨部を含む領域のうちの骨部領域の濃度を変化させたＸ線画像とする。
　すなわち、骨粗鬆症の診断のため、被検者の骨密度を測定するときには、Ｘ線管に高電圧を付与した状態で撮影されたＸ線画像と、Ｘ線管に低電圧を付与した状態で撮影されたＸ線画像とに対してサブトラクション処理を行うデユアルエナジーサブトラクションにより骨密度の測定を行う構成が採用されている。骨部画像の特定時においても、このデユアルエナジーサブトラクションを利用し、Ｘ線管に高電圧を付与した状態で撮影されたＸ線画像と、Ｘ線管に低電圧を付与した状態で撮影されたＸ線画像とに対し、重みづけを行った後、これらの差分をとることにより、骨部を表すデユアルエナジーサブトラクション画像を作成する。そして、Ｘ線画像（高圧画像または低圧画像）からデユアルエナジーサブトラクション画像を減算することにより骨部を含む領域のうち骨部の領域の濃度を低くした画像（骨密度が低下した状態の骨部のＸ線画像に相当する画像）を得る。この骨部の領域の濃度が低いＸ線画像を機械学習に利用することにより、骨密度が低下した骨部を模擬したＸ線画像により機械学習を行うことができ、骨粗鬆症の患者を含む患者に対して骨部の抽出精度を向上させることが可能となる。
　この時には、機械学習に使用するＸ線画像としては、高圧画像、低圧画像あるいは、デユアルエナジーサブトラクション画像のいずれかを使用してもよく、これらの画像をチャンネル方向に連結した画像を使用してもよい。また、Ｘ線画像（高圧画像または低圧画像）からデユアルエナジーサブトラクション画像を減算するかわりに、デユアルエナジーサブトラクション画像に対してパラメータ調整を行うことにより、骨密度が低下した骨部を模擬したＸ線画像を得るようにしてもよい。
　次に、この発明のさらに他の実施形態について説明する。図１２は、Ｘ線画像作成部８１により作成されたＸ線画像１０６の模式図であり、図１３は、ＤＲＲ画像作成部８３により作成されたＤＲＲ画像１０７の模式図である。
　この実施形態は、大腿骨等の被検者の体軸に対して左右対称の形状を有する骨部に対して骨部画像を作成するときに利用されるものである。先に説明した図６は被検者の右足付近のＸ線画像１０１の模式図であり、図９は被検者の右足付近のＤＲＲ画像１０３の模式図である。これに対して、図１２は被検者の左足付近のＸ線画像１０６の模式図であり、図１３は被検者の左足付近のＤＲＲ画像１０７の模式図となっている。
　このように、被検者の体軸に対して左右対称の形状を有する骨部（大腿骨５１および骨盤５２）が対象となる場合においては、学習部８５が、右側の骨部の画像と左側の骨部の画像のいずれか一方を左右反転することにより、左右の骨部の画像に対して一括して機械学習を実行する。例えば、図１２に示す被検者の左足付近のＸ線画像１０６を左右反転することにより、図６に示す被検者の右足付近のＸ線画像１０１と一括して機械学習に利用する。また、同様に、図１３に示す被検者の左足付近のＤＲＲ画像１０７を左右反転することにより、図９に示す被検者の右足付近のＤＲＲ画像１０３と一括して機械学習に利用する。
　このような構成を採用することにより、被検者の体軸に対して左右対称の形状を有する骨部に対して、その検出精度を均一なものとすることができる。そして、左右の骨部の画像に対して一括して機械学習を実行することから、学習画像を拡充させてより精度の高い学習モデルを作成することが可能となる。
　なお、上述した実施形態においては、Ｘ線画像とＤＲＲ画像の両方を利用して機械学習を行っている。しかしながら、Ｘ線画像とＤＲＲ画像のいずれか一方を利用して機械学習を行うようにしてもよい。
　また、上述した実施形態においては、器官として骨部を対象としているが、例えば、臓器等の器官を対象としてもよい。例えば、被検者の内臓脂肪が多い場合においては、Ｘ線撮影時においては、臓器領域の濃度が低くなる。この発明によれば、このような場合においても、臓器の濃度が低くなる被検者にも対応した学習モデルを作成することが可能となる。このため、臓器の検出精度を向上させることが可能となる。
　１１　　　Ｘ線照射部
　１２　　　Ｘ線検出部
　１３　　　天板
　１４　　　支柱
　１５　　　Ｘ線管保持部材
　１６　　　回転機構
　１７　　　主支柱
　１８　　　ベースプレート
　２１　　　表示部
　２２　　　操作部
　７０　　　ＣＴ画像記憶部
　８０　　　制御部
　８１　　　Ｘ線画像作成部
　８２　　　Ｘ線画像記憶部
　８３　　　ＤＲＲ画像作成部
　８４　　　ＤＲＲ画像記憶部
　８５　　　学習部
　８６　　　骨部画像作成部
　３００　　ＣＴ画像データ 
 

Claims (14)

  1. 　被検者の器官を含む領域の画像を解析することにより前記器官の領域を特定するためのセグメンテーションを行う画像解析方法であって、
    　前記セグメンテーションの手法として機械学習を用いるとともに、
    　前記被検者の器官を含む画像における前記器官の領域の濃度を変化させた修正画像を作成する修正画像作成工程と、
    　前記被検者の器官を含む画像と前記修正画像作成工程で作成した修正画像とを用いた学習処理により機械学習の学習モデルを作成する学習モデル作成工程と、
    　を含むことを特徴とする画像解析方法。
  2. 　請求項１に記載の画像解析方法において、
    　前記被検者をＸ線撮影して得た前記被検者の器官を含む領域のＸ線画像に対して、前記学習モデル作成工程で作成した学習モデルを利用して変換を行うことにより、前記器官を表す画像を作成する画像解析方法。
  3. 　請求項１に記載の画像解析方法において、
    　前記被検者の器官を含む領域の画像は、前記被検者のＣＴ画像データから作成されたＤＲＲ画像であり、
    　前記修正画像作成工程においては、前記ＣＴ画像データのＣＴ値が所定の値となる領域を前記器官の領域としてその濃度を変化させる画像解析方法。
  4. 　請求項３に記載の画像解析方法において、
    　ＤＲＲ画像の作成時に、前記幾何学的条件の投影座標および角度の少なくとも一方を含むパラメータを変化させ、あるいは、画像の回転、変形および拡大縮小の少なくとも１つを含む画像処理を施して、複数のＤＲＲ画像を作成する画像解析方法。
  5. 　請求項３に記載の画像解析方法において、
    　作成後のＤＲＲ画像に対して、コントラスト変化、ノイズ付加およびエッジ強調の少なくとも１つを実行する画像解析方法。
  6. 　請求項１に記載の画像解析方法において、
    　前記被検者の器官を含む領域の画像は、前記被検者をＸ線撮影することにより作成されたＸ線画像であり、
    　前記修正画像作成工程においては、前記Ｘ線画像と、デュアルエナジーサブトラクションを利用して得られた前記器官の画像とを利用して前記器官の領域の濃度を変化させる画像解析方法。
  7. 　請求項２に記載の画像解析方法において、
    　前記被検者をＸ線撮影して得た前記被検者の器官を含む領域のＸ線画像と、前記学習モデル作成工程で作成した学習モデルを利用して変換を行うことにより得た前記器官を表す画像とを、前記学習部による学習モデルの学習に利用する画像解析方法。
  8. 　請求項１に記載の画像解析方法において、
    　前記器官は前記被検者の体軸に対して左右対称の形状を有し、前学習モデル作成工程においては、右側の器官の画像と左側の器官の画像のいずれか一方を左右反転することにより、左右の器官の画像に対して一括して機械学習の学習モデルを作成する画像解析方法。
  9. 　前記器官は前記被検者の骨部である、請求項１に記載の画像解析方法を利用して前記骨部の領域をセグメンテーションするセグメンテーション方法。
  10. 　請求項９に記載のセグメンテーション方法によりセグメンテーションされた骨部の領域に対して骨密度を測定する骨密度測定方法。
  11. 　被検者の器官を含む領域の画像を、機械学習を利用して解析することにより、前記器官の領域を特定するためのセグメンテーションを行うときに用いられる学習モデルを作成する学習モデル作成方法であって、
    　前記被検者の器官を含む画像と、前記被検者の器官を含む画像における前記器官の領域の濃度を変化させることにより作成された修正画像とを用い、機械学習の学習を実行して学習モデルを作成することを特徴とする学習モデル作成方法。
  12. 　被検者の器官を含む領域のＸ線画像から前記器官の領域を抽出した画像を作成する画像作成装置であって、
    　前記器官を含む領域をＸ線撮影して得た複数のＸ線画像と、機械学習用の複数のＸ線画像用教師画像とを記憶するＸ線画像記憶部と、
    　前記骨部を含む領域のＤＲＲ画像を作成するＤＲＲ画像作成部と、
    　前記ＤＲＲ画像作成部により作成された複数のＤＲＲ画像と、前記ＤＲＲ画像作成部により作成されたＤＲＲ画像に基づいて作成された複数の機械学習用のＤＲＲ画像用教師画像とを記憶するＤＲＲ画像記憶部と、
    　前記Ｘ線画像記憶部に記憶された前記複数のＸ線画像と前記複数のＸ線画像用教師画像とを使用して機械学習を実行するとともに、前記ＤＲＲ画像記憶部に記憶された前記複数のＤＲＲ画像と前記複数のＤＲＲ画像用教師画像とを使用して機械学習を実行することによって予め作成された前記器官を認識するための学習モデルを使用して、前記被検者の器官を含む領域のＸ線画像に対して変換を行うことにより、前記器官を表す画像を作成する画像作成部と、
    　を備えたことを特徴とする画像作成装置。
  13. 　請求項１１に記載の画像作成装置において、
    　前記ＤＲＲ画像作成部は、前記複数のＤＲＲ画像のうちの一部のＤＲＲ画像を、前記骨部を含む領域のうちの器官領域の濃度を変化させたＤＲＲ画像として作成する画像作成装置。
  14. 　請求項１１に記載の画像作成装置において、
    　前記Ｘ線画像記憶部に記憶される複数のＸ線画像のうちの一部のＸ線画像は、デユアルエナジーサブトラクションを利用することにより、前記器官を含む領域のうちの器官領域の濃度を変化させたＸ線画像である画像作成装置。 
PCT/JP2019/011773 2018-04-24 2019-03-20 画像解析方法、セグメンテーション方法、骨密度測定方法、学習モデル作成方法および画像作成装置 Ceased WO2019208037A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201980035078.8A CN112165900B (zh) 2018-04-24 2019-03-20 图像解析方法、分割方法、骨密度测量方法、学习模型生成方法和图像生成装置
JP2020516112A JP7092190B2 (ja) 2018-04-24 2019-03-20 画像解析方法、セグメンテーション方法、骨密度測定方法、学習モデル作成方法および画像作成装置
KR1020207032563A KR102527440B1 (ko) 2018-04-24 2019-03-20 화상 해석 방법, 세그먼테이션 방법, 골밀도 측정 방법, 학습 모델 작성 방법 및 화상 작성 장치

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018083340 2018-04-24
JP2018-083340 2018-04-24

Publications (1)

Publication Number Publication Date
WO2019208037A1 true WO2019208037A1 (ja) 2019-10-31

Family

ID=68293538

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/011773 Ceased WO2019208037A1 (ja) 2018-04-24 2019-03-20 画像解析方法、セグメンテーション方法、骨密度測定方法、学習モデル作成方法および画像作成装置

Country Status (4)

Country Link
JP (1) JP7092190B2 (ja)
KR (1) KR102527440B1 (ja)
CN (1) CN112165900B (ja)
WO (1) WO2019208037A1 (ja)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113496494A (zh) * 2021-06-17 2021-10-12 北京理工大学 基于drr模拟数据生成的二维骨骼分割方法及装置
EP4056120A1 (en) * 2021-03-12 2022-09-14 FUJI-FILM Corporation Estimation device, estimation method, and estimation program
US20220287663A1 (en) * 2021-03-11 2022-09-15 Fujifilm Corporation Estimation device, estimation method, and estimation program
JP2022139212A (ja) * 2021-03-11 2022-09-26 富士フイルム株式会社 推定装置、方法およびプログラム
JP2022163614A (ja) * 2021-04-14 2022-10-26 富士フイルム株式会社 推定装置、方法およびプログラム
WO2022224558A1 (ja) * 2021-04-22 2022-10-27 日本装置開発株式会社 Ｘ線検査装置
WO2022244495A1 (ja) * 2021-05-17 2022-11-24 キヤノン株式会社 放射線撮像装置および放射線撮像システム
JP2022176882A (ja) * 2021-05-17 2022-11-30 キヤノン株式会社 放射線撮像装置および放射線撮像システム
JP2023047911A (ja) * 2021-09-27 2023-04-06 富士フイルム株式会社 画像処理装置、方法およびプログラム
JP2023065028A (ja) * 2021-10-27 2023-05-12 堺化学工業株式会社 教師データ生成方法、画像解析モデル生成方法、画像解析方法、教師データ生成プログラム、画像解析プログラムおよび教師データ生成装置
EP4233000A1 (en) * 2022-01-13 2023-08-30 Brainlab AG Detection of image structures via dimensionality-reducing projections
WO2023224022A1 (ja) * 2022-05-20 2023-11-23 国立大学法人大阪大学 プログラム、情報処理方法、及び情報処理装置
US11963810B2 (en) 2021-03-12 2024-04-23 Fujifilm Corporation Estimation device, estimation method, and estimation program
JP2025041498A (ja) * 2023-09-13 2025-03-26 京セラ株式会社 情報処理システム、情報処理方法、画像生成装置および画像生成プログラム
WO2025164645A1 (ja) * 2024-01-31 2025-08-07 京セラ株式会社 生成方法、学習方法、推定方法、生成装置、推定装置、制御プログラムおよび記録媒体

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102705884B1 (ko) * 2022-03-22 2024-09-11 사회복지법인 삼성생명공익재단 대퇴골 x-레이 영상을 이용한 학습 모델 기반의 종양 분류 방법 및 분석장치

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05184562A (ja) * 1992-01-17 1993-07-27 Fuji Photo Film Co Ltd 放射線画像の撮影方向認識方法
JP2002236910A (ja) * 2001-02-09 2002-08-23 Hitachi Medical Corp ３次元画像作成方法
JP2007044485A (ja) * 2005-08-05 2007-02-22 Ge Medical Systems Global Technology Co Llc 脳内出血部位セグメンテーション方法および装置
JP2008167949A (ja) * 2007-01-12 2008-07-24 Fujifilm Corp 放射線画像処理方法および装置ならびにプログラム
JP2014158628A (ja) * 2013-02-20 2014-09-04 Univ Of Tokushima 画像処理装置、画像処理方法、制御プログラム、および記録媒体
US20150094564A1 (en) * 2012-05-03 2015-04-02 University Of Pittsburgh - Of The Commonwealth System Of Higher Education Intelligent algorithms for tracking three-dimensional skeletal movement from radiographic image sequences
JP2017185007A (ja) * 2016-04-05 2017-10-12 株式会社島津製作所 放射線撮影装置、放射線画像の対象物検出プログラムおよび放射線画像における対象物検出方法
US20170323444A1 (en) * 2016-05-09 2017-11-09 Siemens Healthcare Gmbh Method and apparatus for atlas/model-based segmentation of magnetic resonance images with weakly supervised examination-dependent learning

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2638875B2 (ja) 1988-01-31 1997-08-06 株式会社島津製作所 骨塩定量分析装置
JP2008011901A (ja) * 2006-07-03 2008-01-24 Fujifilm Corp 画像種類判別装置および方法並びにプログラム
JP2010246883A (ja) * 2009-03-27 2010-11-04 Mitsubishi Electric Corp 患者位置決めシステム
JP6430238B2 (ja) * 2014-12-24 2018-11-28 好民 村山 放射線撮影装置
JP6815586B2 (ja) * 2015-06-02 2021-01-20 東芝エネルギーシステムズ株式会社 医用画像処理装置、および治療システム
KR101928984B1 (ko) * 2016-09-12 2018-12-13 주식회사 뷰노 골밀도 추정 방법 및 장치

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05184562A (ja) * 1992-01-17 1993-07-27 Fuji Photo Film Co Ltd 放射線画像の撮影方向認識方法
JP2002236910A (ja) * 2001-02-09 2002-08-23 Hitachi Medical Corp ３次元画像作成方法
JP2007044485A (ja) * 2005-08-05 2007-02-22 Ge Medical Systems Global Technology Co Llc 脳内出血部位セグメンテーション方法および装置
JP2008167949A (ja) * 2007-01-12 2008-07-24 Fujifilm Corp 放射線画像処理方法および装置ならびにプログラム
US20150094564A1 (en) * 2012-05-03 2015-04-02 University Of Pittsburgh - Of The Commonwealth System Of Higher Education Intelligent algorithms for tracking three-dimensional skeletal movement from radiographic image sequences
JP2014158628A (ja) * 2013-02-20 2014-09-04 Univ Of Tokushima 画像処理装置、画像処理方法、制御プログラム、および記録媒体
JP2017185007A (ja) * 2016-04-05 2017-10-12 株式会社島津製作所 放射線撮影装置、放射線画像の対象物検出プログラムおよび放射線画像における対象物検出方法
US20170323444A1 (en) * 2016-05-09 2017-11-09 Siemens Healthcare Gmbh Method and apparatus for atlas/model-based segmentation of magnetic resonance images with weakly supervised examination-dependent learning

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12138092B2 (en) 2021-03-11 2024-11-12 Fujifilm Corporation Estimation device, estimation method, and estimation program
JP7746507B2 (ja) 2021-03-11 2025-09-30 富士フイルム株式会社 推定装置、方法およびプログラム
US20220287663A1 (en) * 2021-03-11 2022-09-15 Fujifilm Corporation Estimation device, estimation method, and estimation program
JP7628031B2 (ja) 2021-03-11 2025-02-07 富士フイルム株式会社 推定装置、方法およびプログラム
JP2022139211A (ja) * 2021-03-11 2022-09-26 富士フイルム株式会社 推定装置、方法およびプログラム
JP2022139212A (ja) * 2021-03-11 2022-09-26 富士フイルム株式会社 推定装置、方法およびプログラム
JP2025014050A (ja) * 2021-03-11 2025-01-28 富士フイルム株式会社 推定装置、方法およびプログラム
US12161495B2 (en) * 2021-03-11 2024-12-10 Fujifilm Corporation Estimation device, estimation method, and estimation program
JP7582884B2 (ja) 2021-03-11 2024-11-13 富士フイルム株式会社 推定装置、方法およびプログラム
US11963810B2 (en) 2021-03-12 2024-04-23 Fujifilm Corporation Estimation device, estimation method, and estimation program
JP7758830B2 (ja) 2021-03-12 2025-10-22 富士フイルム株式会社 推定装置、方法およびプログラム
EP4056120A1 (en) * 2021-03-12 2022-09-14 FUJI-FILM Corporation Estimation device, estimation method, and estimation program
JP2022140050A (ja) * 2021-03-12 2022-09-26 富士フイルム株式会社 推定装置、方法およびプログラム
JP2025010394A (ja) * 2021-03-12 2025-01-20 富士フイルム株式会社 推定装置、方法およびプログラム
US12133752B2 (en) 2021-03-12 2024-11-05 Fujifilm Corporation Estimation device, estimation method, and estimation program
US12148156B2 (en) 2021-04-14 2024-11-19 Fujifilm Corporation Estimation device, estimation method, and estimation program
JP7686430B2 (ja) 2021-04-14 2025-06-02 富士フイルム株式会社 推定装置、方法およびプログラム
JP2022163614A (ja) * 2021-04-14 2022-10-26 富士フイルム株式会社 推定装置、方法およびプログラム
WO2022224558A1 (ja) * 2021-04-22 2022-10-27 日本装置開発株式会社 Ｘ線検査装置
JP2022167132A (ja) * 2021-04-22 2022-11-04 日本装置開発株式会社 Ｘ線検査装置
US20240069222A1 (en) * 2021-05-17 2024-02-29 Canon Kabushiki Kaisha Radiation imaging apparatus and radiation imaging system
WO2022244495A1 (ja) * 2021-05-17 2022-11-24 キヤノン株式会社 放射線撮像装置および放射線撮像システム
JP2022176882A (ja) * 2021-05-17 2022-11-30 キヤノン株式会社 放射線撮像装置および放射線撮像システム
CN113496494A (zh) * 2021-06-17 2021-10-12 北京理工大学 基于drr模拟数据生成的二维骨骼分割方法及装置
JP7728680B2 (ja) 2021-09-27 2025-08-25 富士フイルム株式会社 画像処理装置、方法およびプログラム
JP2023047911A (ja) * 2021-09-27 2023-04-06 富士フイルム株式会社 画像処理装置、方法およびプログラム
JP2023065028A (ja) * 2021-10-27 2023-05-12 堺化学工業株式会社 教師データ生成方法、画像解析モデル生成方法、画像解析方法、教師データ生成プログラム、画像解析プログラムおよび教師データ生成装置
EP4233000A1 (en) * 2022-01-13 2023-08-30 Brainlab AG Detection of image structures via dimensionality-reducing projections
WO2023224022A1 (ja) * 2022-05-20 2023-11-23 国立大学法人大阪大学 プログラム、情報処理方法、及び情報処理装置
JP2025041498A (ja) * 2023-09-13 2025-03-26 京セラ株式会社 情報処理システム、情報処理方法、画像生成装置および画像生成プログラム
JP7664438B2 (ja) 2023-09-13 2025-04-17 京セラ株式会社 情報処理システム、情報処理方法、画像生成装置および画像生成プログラム
WO2025164645A1 (ja) * 2024-01-31 2025-08-07 京セラ株式会社 生成方法、学習方法、推定方法、生成装置、推定装置、制御プログラムおよび記録媒体

Also Published As

Publication number Publication date
KR20200142057A (ko) 2020-12-21
JPWO2019208037A1 (ja) 2021-04-01
CN112165900A (zh) 2021-01-01
KR102527440B1 (ko) 2023-05-02
JP7092190B2 (ja) 2022-06-28
CN112165900B (zh) 2024-12-27

Similar Documents

Publication Publication Date Title
JP7092190B2 (ja) 画像解析方法、セグメンテーション方法、骨密度測定方法、学習モデル作成方法および画像作成装置
JP6881611B2 (ja) 画像作成装置及び学習済モデルの生成方法
EP2056255B1 (en) Method for reconstruction of a three-dimensional model of an osteo-articular structure
CN112308788B (zh) 图像处理装置、图像处理方法以及x射线ct装置
US8660329B2 (en) Method for reconstruction of a three-dimensional model of a body structure
US12217430B2 (en) Systems and methods for processing x-ray images
CN109419526A (zh) 用于数字乳房断层合成中的运动评估和校正的方法和系统
EP4284253B1 (en) Adaptive collimation for interventional x-ray
KR20110115762A (ko) 환자 맞춤형 3차원 인체 뼈 모델 재구성 방법
US11963812B2 (en) Method and device for producing a panoramic tomographic image of an object to be recorded
EP3725227B1 (en) Method of calibrating x-ray projection geometry in x-ray cone beam computed tomography
EP4354395A1 (en) Artificial intelligence-based dual energy x-ray image motion correction training method and system
JP4416823B2 (ja) 画像処理装置、画像処理方法、及びコンピュータプログラム
JP2020127600A (ja) 医用画像処理装置、ｘ線診断装置及び医用情報処理システム
CN118628432A (zh) 医用图像处理方法、x射线诊断装置及训练完成模型的生成方法
EP4368109A1 (en) Method for training a scatter correction model for use in an x-ray imaging system
EP4428808A1 (en) Medical image processing method, x-ray diagnosis apparatus, and generation method of trained model
CN119497875A (zh) 锥形束伪影减少

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19793450

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020516112

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 20207032563

Country of ref document: KR

Kind code of ref document: A

122 Ep: pct application non-entry in european phase

Ref document number: 19793450

Country of ref document: EP

Kind code of ref document: A1

WWG Wipo information: grant in national office

Ref document number: 201980035078.8

Country of ref document: CN