CN114903504A - 运动器官疾病预测装置、方法及存储介质、学习装置、方法及存储介质及学习完成神经网络 - Google Patents
运动器官疾病预测装置、方法及存储介质、学习装置、方法及存储介质及学习完成神经网络 Download PDFInfo
- Publication number
- CN114903504A CN114903504A CN202210103994.4A CN202210103994A CN114903504A CN 114903504 A CN114903504 A CN 114903504A CN 202210103994 A CN202210103994 A CN 202210103994A CN 114903504 A CN114903504 A CN 114903504A
- Authority
- CN
- China
- Prior art keywords
- bone
- target bone
- target
- shape information
- disease
- 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.)
- Pending
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 108
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 108
- 210000000056 organ Anatomy 0.000 title claims abstract description 97
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003860 storage Methods 0.000 title claims description 12
- 210000000988 bone and bone Anatomy 0.000 claims abstract description 384
- 230000005855 radiation Effects 0.000 claims abstract description 135
- 210000003205 muscle Anatomy 0.000 claims abstract description 132
- 150000003839 salts Chemical class 0.000 claims abstract description 68
- 238000003384 imaging method Methods 0.000 claims abstract description 32
- 238000009826 distribution Methods 0.000 claims abstract description 23
- 208000019430 Motor disease Diseases 0.000 claims abstract description 21
- 210000000689 upper leg Anatomy 0.000 claims description 22
- 230000003137 locomotive effect Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 28
- 208000010392 Bone Fractures Diseases 0.000 description 24
- 206010017076 Fracture Diseases 0.000 description 23
- 229910052500 inorganic mineral Inorganic materials 0.000 description 21
- 239000011707 mineral Substances 0.000 description 21
- 238000009795 derivation Methods 0.000 description 13
- 210000004197 pelvis Anatomy 0.000 description 12
- 210000001519 tissue Anatomy 0.000 description 12
- 239000003814 drug Substances 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 5
- 101100021996 Arabidopsis thaliana CYP97C1 gene Proteins 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 229940079593 drug Drugs 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 210000004872 soft tissue Anatomy 0.000 description 4
- 210000004369 blood Anatomy 0.000 description 3
- 239000008280 blood Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 210000004394 hip joint Anatomy 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 208000001132 Osteoporosis Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001054 cortical effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000001678 irradiating effect Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 206010010214 Compression fracture Diseases 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000008924 Femoral Fractures Diseases 0.000 description 1
- 206010023204 Joint dislocation Diseases 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 230000037182 bone density Effects 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000013861 fat-free Nutrition 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 210000000629 knee joint Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 210000004705 lumbosacral region Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 210000002303 tibia Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/50—Clinical applications
- A61B6/505—Clinical applications involving diagnosis of bone
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/22—Ergometry; Measuring muscular strength or the force of a muscular blow
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
- A61B5/4504—Bones
- A61B5/4509—Bone density determination
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4836—Diagnosis combined with treatment in closed-loop systems or methods
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/742—Details of notification to user or communication with user or patient ; user input means using visual displays
- A61B5/743—Displaying an image simultaneously with additional graphical information, e.g. symbols, charts, function plots
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/42—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with arrangements for detecting radiation specially adapted for radiation diagnosis
- A61B6/4208—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. 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
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Optics & Photonics (AREA)
- High Energy & Nuclear Physics (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Physical Education & Sports Medicine (AREA)
- Rheumatology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明的课题在于使得在运动器官疾病预测装置、方法及程序、学习装置、方法及程序以及学习完成神经网络中能够以高精度预测运动器官的疾病。本发明的运动器官疾病预测装置具备至少一个处理器,处理器根据通过利用能量分布不同的放射线拍摄包含骨部及软部的被摄体而获取的第1放射线图像及第2放射线图像来导出被摄体中所包含的骨之中对象骨的骨盐量、对象骨周围的肌肉量、表示对象骨的形状的形状信息及表示与对象骨相邻的骨的形状的形状信息。处理器根据对象骨的骨盐量、对象骨周围的肌肉量、对象骨的形状信息及与对象骨相邻的骨的形状信息来导出发生与对象骨有关的运动器官疾病的概率。
Description
技术领域
本发明涉及一种运动器官疾病预测装置、方法及程序、学习装置、方法及程序以及学习完成神经网络。
背景技术
与骨、关节及肌肉等运动器官有关的骨折及脱臼等疾病导致患者卧床不起的状态。尤其,股关节的脱臼以及股骨及椎骨的骨折导致患者卧床不起的可能性高。已知卧床不起的情况下的5年生存率低于癌症的5年生存率。因此,提出了用于评价运动器官的疾病,尤其骨折风险的各种方法。
例如,在专利文献1中提出了以下方法:根据放射线图像获取骨量和骨结构,并使用神经网络计算未来的骨折风险。并且,在专利文献2中提出了以下方法:使用神经网络,根据放射线图像推算骨密度,并使用推算结果和表示骨折概率的算术表达式来进行骨折预测。并且,在专利文献3中提出了以下方法:按放射线图像的每个像素计算骨盐量及肌肉量,根据骨盐量及肌肉量来计算与被摄体有关的统计值,并根据统计值来评价骨折风险。
专利文献1:日本特表平09-508813号公报
专利文献2:日本再公表2020-054738号公报
专利文献3:国际公开第2020/166561号说明书
然而,期望以进一步高精度预测运动器官的疾病。
发明内容
本发明是鉴于上述情况而完成的,其目的在于能够以高精度预测运动器官的疾病。
根据本发明的运动器官疾病预测装置具备至少一个处理器,
处理器根据通过利用能量分布不同的放射线拍摄包含骨部及软部的被摄体而获取的第1放射线图像及第2放射线图像来导出被摄体中所包含的骨之中对象骨的骨盐量、对象骨周围的肌肉量、表示对象骨的形状的形状信息及表示与对象骨相邻的骨的形状的形状信息,
根据对象骨的骨盐量、对象骨周围的肌肉量、对象骨的形状信息及与对象骨相邻的骨的形状信息来导出发生与对象骨相关的运动器官疾病的概率。
另外,在根据本发明的运动器官疾病预测装置中,处理器可以作为学习完成神经网络发挥作用,该学习完成神经网络将人体中所包含的骨之中对象骨的骨盐量、对象骨周围的肌肉量、表示对象骨的形状的形状信息及表示与对象骨相邻的骨的形状的形状信息以及表示发生与对象骨相关的运动器官疾病的概率的正解数据用作教师数据(teachingdata)进行了机器学习。
另外,在根据本发明的运动器官疾病预测装置中,处理器可以将导出的运动器官疾病的发生概率显示于显示器。
并且,在根据本发明的运动器官疾病预测装置中,处理器可以显示表示骨盐量及肌肉量中的至少一个与运动器官疾病的发生概率的关系的图表,
在图表上还显示表示导出的运动器官疾病的发生概率的标绘图(plot)和表示使发生概率或骨盐量及肌肉量中的至少一个改变而得的值的标绘图。
并且,在根据本发明的运动器官疾病预测装置中,改变而得的值可以为骨盐量及肌肉量中的至少一个的目标值或运动器官疾病的发生概率的目标值。
并且,在根据本发明的运动器官疾病预测装置中,处理器还可以显示用于使骨盐量及肌肉量中的至少一个达到目标值的医疗干预的选项或用于使运动器官疾病达到目标值的医疗干预的选项。
并且,在根据本发明的运动器官疾病预测装置中,医疗干预可以为用于锻炼与对象骨相关的肌肉的运动方法。
并且,在根据本发明的运动器官疾病预测装置中,对象骨可以为股骨。
并且,在根据本发明的运动器官疾病预测装置中,对象骨可以为椎骨。
并且,在根据本发明的运动器官疾病预测装置中,运动器官疾病可以为骨折及脱臼中的至少一个。
根据本发明的学习装置具备至少一个处理器,
处理器通过将人体中所包含的骨之中对象骨的骨盐量、对象骨周围的肌肉量、表示对象骨的形状的形状信息及表示与对象骨相邻的骨的形状的形状信息以及表示发生与对象骨相关的运动器官疾病的概率的正解数据用作教师数据对神经网络进行机器学习,来构建如下学习完成神经网络,该学习完成神经网络若输入对象骨的骨盐量、对象骨周围的肌肉量、对象骨的形状信息及与对象骨相邻的骨的形状信息,则输出发生运动器官疾病的概率。
在根据本发明的运动器官疾病预测方法中,根据通过利用能量分布不同的放射线拍摄包含骨部及软部的被摄体而获取的第1放射线图像及第2放射线图像来导出被摄体中所包含的骨之中对象骨的骨盐量、对象骨周围的肌肉量、表示对象骨的形状的形状信息及表示与对象骨相邻的骨的形状的形状信息,
根据对象骨的骨盐量、对象骨周围的肌肉量、对象骨的形状信息及与对象骨相邻的骨的形状信息来导出发生与对象骨相关的运动器官疾病的概率。
在根据本发明的学习方法中,通过将人体中所包含的骨之中对象骨的骨盐量、对象骨周围的肌肉量、表示对象骨的形状的形状信息及表示与对象骨相邻的骨的形状的形状信息以及表示发生与对象骨相关的运动器官疾病的概率的正解数据用作教师数据对神经网络进行机器学习,来构建如下学习完成神经网络,该学习完成神经网络若输入对象骨的骨盐量、对象骨周围的肌肉量、对象骨的形状信息及与对象骨相邻的骨的形状信息,则输出发生运动器官疾病的概率。
另外,可以将根据本发明的运动器官疾病预测方法及学习方法作为用于使计算机执行的程序来提供。
在根据本发明的学习完成神经网络中,若输入人体中所包含的骨之中对象骨的骨盐量、对象骨周围的肌肉量、表示对象骨的形状的形状信息及表示与对象骨相邻的骨的形状的形状信息,则输出发生与对象骨相关的运动器官疾病的概率。
发明效果
根据本发明,能够以高精度预测运动器官的疾病。
附图说明
图1是表示适用了根据本发明的实施方式的运动器官疾病预测装置及学习装置的放射线图像摄影系统的结构的概略框图。
图2是表示根据本发明的实施方式的运动器官疾病预测装置及学习装置的概略结构的图。
图3是表示根据本发明的实施方式的运动器官疾病预测装置及学习装置的功能性结构的图。
图4是表示信息导出部的功能性结构的图。
图5是表示骨部图像的图。
图6是表示软部图像的图。
图7是表示分割(segmentation)的结果的图。
图8是用于说明包含股骨的关节部分的区域及包含骨盆的关节部分的区域的设定的图。
图9是表示对象骨的形状信息及与对象骨相邻的骨的形状信息的图。
图10是表示骨部与软部的对比度相对于被摄体的体厚的关系的图。
图11是表示查找表的一例的图。
图12是表示透射肌肉组织后的放射线与透射脂肪组织后的放射线的能谱的一例的图。
图13是用于说明肌肉图像中的股骨周边的区域的设定的图。
图14是表示在本实施方式中使用的神经网络的概略结构的图。
图15是表示教师数据的图。
图16是用于说明神经网络的学习的图。
图17是表示显示画面的图。
图18是表示显示画面的图。
图19是在本实施方式中进行的学习处理的流程图。
图20是在本实施方式中进行的运动器官疾病预测处理的流程图。
图21是表示适用了根据本发明的另一实施方式的运动器官疾病预测装置及学习装置的放射线图像摄影系统的结构的概略框图。
具体实施方式
以下,参考附图对本发明的实施方式进行说明。图1是表示适用了根据本发明的实施方式的运动器官疾病预测装置及学习装置的放射线图像摄影系统的结构的概略框图。如图1所示,根据本实施方式的放射线图像摄影系统具备摄影装置1和根据本实施方式的运动器官疾病预测装置及学习装置(以下,有时以运动器官疾病预测装置为代表)10。
摄影装置1为用于通过将从放射线源3发射并透射了被摄体H的X射线等放射线分别改变能量而向第1放射线检测器5及第2放射线检测器6照射的所谓的一次照射法(one-shot method)来进行能量减影的摄影装置。在拍摄时,如图1所示,从靠近放射线源3的一侧依次配置第1放射线检测器5、由铜板等构成的放射线能量转换滤波器7及第2放射线检测器6来驱动放射线源3。另外,第1放射线检测器5及第2放射线检测器6与放射线能量转换滤波器7紧贴。
由此,在第1放射线检测器5中,获取由还包括所谓的软线的低能量的放射线形成的被摄体H的第1放射线图像G1。并且,在第2放射线检测器6中,获取由去除了软线的高能量的放射线形成的被摄体H的第2放射线图像G2。第1放射线图像G1及第2放射线图像G2输入到运动器官疾病预测装置10中。第1放射线图像G1及第2放射线图像G2均为包含被摄体H的胯部周边的正面图像。
第1放射线检测器5及第2放射线检测器6为能够重复进行放射线图像的记录及读出的放射线检测器,可以使用直接接受放射线的照射而产生电荷的所谓的直接型的放射线检测器,也可以使用将放射线暂时转换为可见光,再将该可见光转换为电荷信号的所谓的间接型的放射线检测器。并且,作为放射线图像信号的读出方式,优选使用通过接通或断开TFT(thin film transistor:薄膜晶体管)开关来读出放射线图像信号的所谓的TFT读出方式或通过照射读取光来读出放射线图像信号的所谓的光读出方式,但并不限于此,也可以使用其他方式。
另外,运动器官疾病预测装置10经由未图示的网络与图像保存系统9连接。
图像保存系统9为保存由摄影装置1拍摄的放射线图像的图像数据的系统。图像保存系统9从所保存的放射线图像中取出与来自运动器官疾病预测装置10的请求相对应的图像,并发送到请求源的装置。作为图像保存系统9的具体例,可以举出PACS(PictureArchiving and Communication Systems:影像存档与通信系统)。
接着,对本实施方式所涉及的运动器官疾病预测装置进行说明。首先,参考图2对本实施方式所涉及的运动器官疾病预测装置的硬件结构进行说明。如图2所示,运动器官疾病预测装置10为工作站、服务器计算机及个人电脑等计算机,具备CPU(CentralProcessing Unit:中央处理器)11、非易失性存储器13及作为临时存储区域的内部存储器(memory)16。并且,运动器官疾病预测装置10具备液晶显示器等显示器14、键盘及鼠标等输入器件15以及连接于未图示的网络的网络I/F(InterFace:接口)17。CPU11、存储器13、显示器14、输入器件15、内部存储器16及网络I/F17连接于总线18。另外,CP U11为本发明中的处理器的一例。
存储器13通过HDD(Hard Disk Drive:硬盘驱动器)、SSD(Solid Stat e Drive:固态驱动器)及闪存等来实现。在作为存储介质的存储器13中存储安装在运动器官疾病预测装置10中的运动器官疾病预测程序12A及学习程序12B。CPU11从存储器13中读出运动器官疾病预测程序12A及学习程序12B并展开在内部存储器16中,并且执行展开的运动器官疾病预测程序12A及学习程序12B。
另外,运动器官疾病预测程序12A及学习程序12B以能够从外部访问的状态存储于与网络连接的服务器计算机的存储装置或网络存储器中,根据请求下载并安装在构成运动器官疾病预测装置10的计算机中。或者,记录在DVD(Digital Versatile Disc:数字多功能光盘)、CD-ROM(Compact Disc Read Only Memory:光盘只读存储器)等记录介质中而分发,从该记录介质安装在构成运动器官疾病预测装置10的计算机中。
接着,对根据本实施方式的运动器官疾病预测装置及学习装置的功能性结构进行说明。图3是表示根据本实施方式的运动器官疾病预测装置及学习装置的功能性结构的图。如图3所示,运动器官疾病预测装置10具备图像获取部21、信息获取部22、信息导出部23、概率导出部24、学习部25及显示控制部26。而且,CPU11通过执行运动器官疾病预测程序12A而作为图像获取部21、信息获取部22、信息导出部23、概率导出部24及显示控制部26发挥作用,进而作为后述的学习完成神经网络24A发挥作用。并且,CPU11通过执行学习程序12B而作为学习部25发挥作用。
图像获取部21通过使摄影装置1进行被摄体H的拍摄而从第1放射线检测器5及第2放射线检测器6获取被摄体H的胯部附近的正面图像即第1放射线图像G1及第2放射线图像G2。在获取第1放射线图像G1及第2放射线图像G2时,设定摄影剂量、管电压、放射线源3与第1放射线检测器5及第2放射线检测器6的表面的距离即SID(Source Image receptorDistance:射线源-影像受体距离)、放射线源3与被摄体H的表面的距离即SOD(SourceObject Distance:射线源-物体距离)以及散射线去除栅格的有无等摄影条件。
关于SOD及SID,如后述,用于体厚分布的计算。关于SOD,例如优选用T OF(Time OfFlight:飞行时间)相机获取。关于SID,例如优选用电位计、超声波测距仪及激光测距仪等获取。
摄影条件通过由操作者从输入器件15输入来设定即可。所设定的摄影条件保存于存储器13中。另外,在本实施方式中,可以通过与运动器官疾病预测程序12A单独的程序获取第1放射线图像G1及第2放射线图像G2并保存于存储器13中。在该情况下,图像获取部21为了进行处理而从存储器13中读出保存于存储器13中的第1放射线图像G1及第2放射线图像G2来获取这些放射线图像。
信息获取部22从图像保存系统9经由网络I/F17获取用于对后述的神经网络进行学习的教师数据。
信息导出部23导出被摄体H中所包含的骨之中对象骨的骨盐量、对象骨周围的肌肉量、表示对象骨的形状的形状信息及表示与对象骨相邻的骨的形状的形状信息。在本实施方式中,将对象骨设为股骨。
图4是表示信息导出部23的结构的概略框图。如图4所示,信息导出部23具备散射线去除部31、图像导出部32、分割部33、骨盐量导出部34及肌肉量导出部35。CPU11通过执行运动器官疾病预测程序12A而作为散射线去除部31、图像导出部32、分割部33、骨盐量导出部34及肌肉量导出部35发挥作用。
在此,第1放射线图像G1及第2放射线图像G2各自中除了透射了被摄体H的放射线的初级射线成分以外,还包含基于在被摄体H内散射的放射线的散射线成分。因此,散射线去除部31从第1放射线图像G1及第2放射线图像G2中去除散射线成分。例如,散射线去除部31可以适用日本特开2015-043959号公报中所记载的方法来从第1放射线图像G1及第2放射线图像G2中去除散射线成分。在使用日本特开2015-043959号公报中所记载的方法等时,同时进行被摄体H的体厚分布的导出及用于去除散射线成分的散射线成分的导出。
以下,对散射线成分从第1放射线图像G1中的去除进行说明,但从散射线成分从第2放射线图像G2中的除去也能够同样进行。首先,散射线去除部31获取具有初始体厚分布T0(x,y)的被摄体H的虚拟模型K。虚拟模型K为虚拟地表示按照初始体厚分布T0(x,y)的体厚与第1放射线图像G1的各像素的坐标位置建立有对应关系的被摄体H的数据。另外,具有初始体厚分布T0(x,y)的被摄体H的虚拟模型K可以预先存储于存储器13中。并且,也可以根据摄影条件中所包含的SID和SOD来计算被摄体H的体厚分布T(x,y)。在该情况下,体厚分布能够通过从SID减去SOD来求出。
接着,散射线去除部31根据虚拟模型K生成如下图像来作为推算通过被摄体H的拍摄而得到的第1放射线图像G1的推算图像,该图像是将推算通过虚拟模型K的拍摄而得到的初级射线图像的推算初级射线图像和推算通过虚拟模型K的拍摄而得到的散射线图像的推算散射线图像合成而成的。
接着,散射线去除部31以使推算图像与第1放射线图像G1的差异变小的是修正虚拟模型K的初始体厚分布T0(x,y)。散射线去除部31重复进行推算图像的生成及体厚分布的修正,直至推算图像与第1放射线图像G1的差异满足预先规定的结束条件。散射线去除部31导出满足结束条件时的体厚分布来作为被摄体H的体厚分布T(x,y)。并且,散射线去除部31通过从第1放射线图像G1中减去满足结束条件时的散射线成分来去除第1放射线图像G1中所包含的散射线成分。
图像导出部32通过进行能量减影处理而根据第1放射线图像G1及第2放射线图像G2导出被摄体H的骨部被提取的骨部图像Gb及软部被提取的软部图像Gs。另外,以后的处理中的第1放射线图像G1及第2放射线图像G2为去除了散射线成分的放射线图像。在导出骨部图像Gb时,图像导出部32对第1放射线图像G1及第2放射线图像G2如下述式(1)所示分别进行对应的像素之间的权重的减法运算,由此,如图5所示,生成各放射线图像G1、G2中所包含的被摄体H的骨部被提取的骨部图像Gb。式(1)中,β1为权重系数。另外,骨部图像Gb中的骨部区域内的各像素的像素值成为骨部像素值。
Gb(x,y)=G1(x,y)-β31×G2(x,y) (1)
另一方面,在导出软部图像Gs时,图像导出部32对第1放射线图像G1及第2放射线图像G2如下述式(2)所示分别进行对应的像素之间的运算例如权重的减法运算,由此,如图6所示,生成只有各放射线图像G1、G2中所包含的被摄体H的软部被提取的软部图像Gs(能量减影)。式(2)中,β2为权重系数。
Gs(x,y)=G1(x,y)-β2×G2(x,y) (2)
另外,软部图像Gs表示由被摄体H的软组织形成的软部区域。在本实施方式中,被摄体H的“软组织”是指骨部组织以外的组织,具体而言,包含肌肉组织、脂肪组织、血液及水分。
分割部33将骨部图像Gb分割为作为对象骨的股骨区域、骨盆区域及椎骨区域。分割通过使用以从骨部图像Gb中分别提取股骨、骨盆及椎骨的方式进行了机器学习的提取模型来进行即可。并且,也可以将分别表示股骨、骨盆及椎骨的模板预先存储于存储器13中,通过进行这些模板与骨部图像Gb的模板匹配来进行分割。
图7是表示由分割部33进行分割的结果的图。如图7所示,骨部图像Gb中的骨部区域被分割为股骨区域A1、骨盆区域A2及椎骨区域A3。另外,在图7中,通过对股骨区域A1、骨盆区域A2及椎骨区域A3分别赋予不同的阴影线来示出分割结果。
另一方面,关于椎骨,在骨部图像Gb中仅包含荐椎及腰椎。腰椎从骨盆侧朝向颈部在解剖学上分类为L5、L4、L3、L2、L1。因此,分割部33优选将荐椎及5个腰椎分别分割为不同的区域。
并且,如图8所示,分割部33在骨部图像Gb中设定包含股骨的关节部分的区域R1及包含骨盆的关节部分的区域R2。另外,在图8中,仅在被摄体H的左侧设定了区域R1、R2,但在右侧也同样进行设定。而且,通过对区域R1内的股骨区域A1和其以外的区域进行二值化,如图9所示,导出表示作为对象骨的股骨的形状的形状信息S1。并且,通过对区域R2内的骨盆区域A2和其以外的区域进行二值化,如图9所示,导出表示作为与对象骨相邻的骨部的骨盆的形状的形状信息S2。
骨盐量导出部34按骨部图像Gb的每个像素导出骨盐量。在本实施方式中,骨盐量导出部34通过将骨部图像Gb的各像素值转换为利用基准摄影条件获取时的骨部图像的像素值来导出骨盐量B。更具体而言,骨盐量导出部34通过使用从后述的查找表获取的校正系数校正骨部图像Gb的各像素值来导出骨盐量。
在此,放射线源3中的管电压越高,且从放射线源3放射的放射线越为高能量,放射线图像中的软部与骨部的对比度变得越小。并且,在放射线透射被摄体H的过程中,会产生放射线的低能量成分被被摄体H吸收而放射线高能量化的射束硬化。被摄体H的体厚越大,由射束硬化引起的放射线的高能量化变得越大。
图10是表示骨部与软部的对比度相对于被摄体H的体厚的关系的图。另外,在图10中,示出80kV、90kY及100kV这3个管电压下的、骨部与软部的对比度相对于被摄体H的体厚的关系。如图10所示,管电压越高,对比度变得越低。并且,若被摄体H的体厚超出一定值,则体厚越大,对比度变得越低。另外,骨部图像Gb中的骨部区域的像素值越大,骨部与软部的对比度变得越大。因此,骨部图像Gb中的骨部区域的像素值越大,图10所示的关系越向高对比度侧位移。
在本实施方式中,骨部图像Gb中的与拍摄时的管电压相对应的对比度的差异及用于获取用于校正由射束硬化的影响引起的对比度的下降的校正系数的查找表存储于存储器13中。校正系数为用于校正骨部图像Gb的各像素值的系数。
图11是表示存储于存储器13中的查找表的一例的图。在图11中,例示出将基准摄影条件设定为管电压90kY的查找表LUT1。如图11所示,在查找表LUT1中,管电压越大且被摄体H的体厚越大,设定越大的校正系数。在图11所示的例子中,基准摄影条件为管电压90kY,因此在管电压为90kY且体厚为0时,校正系数成为1。另外,在图11中,二维地示出查找表LUT1,但校正系数根据骨部区域的像素值而不同。因此,查找表LUT1实际上成为添加了表示骨部区域的像素值的轴的三维表。
骨盐量导出部34从查找表LUT1中提取被摄体H的体厚分布T(x,y)及存储于存储器13中的与包括管电压的设定值的摄影条件相对应的每个像素的校正系数CO(x,y)。而且,如下述式(3)所示,骨盐量导出部34通过对骨部图像Gb中的骨部区域的各像素(x,y)乘上校正系数CO(x,y)来导出骨部图像Gb的每个像素的骨盐量B(x,y)(g/cm2)。如此导出的骨盐量B(x,y)表示通过利用作为基准摄影条件的90kV的管电压拍摄被摄体H而获取且射束硬化的影响被去除的放射线图像中所包含的骨部区域的像素值的骨盐量。
B(x,y)=CO(x,y)×Gb(x,y) (3)
另外,在本实施方式中,对象骨为股骨。因此,骨盐量导出部34可以仅对骨部图像Gb中的股骨区域A1导出骨盐量。
肌肉量导出部35按软部图像Gs中的软部区域的每个像素,根据像素值导出肌肉量。如上所述,软组织包含肌肉组织、脂肪组织、血液及水分。在本实施方式的肌肉量导出部35中,将软组织中的脂肪组织以外的组织视为肌肉组织。即,在本实施方式的肌肉量导出部35中,将肌肉组织还包括血液及水分在内的非脂肪组织作为肌肉组织进行处理。
肌肉量导出部35利用肌肉组织及脂肪组织的能量特性的差异从软部图像G s分离肌肉和脂肪。如图12所示,与入射到作为人体的被摄体H前的放射线相比,透射被摄体H后的放射线的线量降低。并且,肌肉组织和脂肪组织吸收的能量不同,且衰减系数不同,因此透射被摄体H后的放射线之中透射肌肉组织后的放射线和透射脂肪组织后的放射线的能谱不同。如图12所示,透射被摄体H分别照射到第1放射线检测器5及第2放射线检测器6的放射线的能谱依赖于被摄体H的身体组成,具体而言,依赖于肌肉组织与脂肪组织的比例。脂肪组织比肌肉组织更容易透射放射线,因此与脂肪组织相比,肌肉组织的比例多时,透射人体后的放射线的剂量变少。
因此,肌肉量导出部35利用上述肌肉组织及脂肪组织的能量特性的差异从软部图像Gs中分离肌肉和脂肪。即,肌肉量导出部35从软部图像Gs生成肌肉图像和脂肪图像。并且,肌肉量导出部35根据肌肉图像的像素值来导出各像素的肌肉量。
另外,肌肉量导出部35从软部图像Gs中分离肌肉和脂肪的具体方法并不受限定,作为一例,本实施方式的肌肉量导出部35利用下述式(4)及式(5)从软部图像Gs生成肌肉图像。具体而言,首先,肌肉量导出部35利用式(4)导出软部图像Gs内的各像素位置(x,y)处的肌肉率rm(x,y)。另外,式(4)中的μm为与肌肉组织的衰减系数相对应的权重系数,μf为与脂肪组织的衰减系数相对应的权重系数。并且,Δ(x,y)表示浓度差分布。浓度差分布是指从通过在放射线未透射被摄体H的情况下到达第1放射线检测器5及第2放射线检测器6而得到的浓度观察到的浓度变化在图像上的分布。浓度变化在图像上的分布通过从软部图像Gs中的放射线直接照射到第1放射线检测器5及第2放射线检测器6而得到的直接曝光区域中的浓度减去被摄体H的区域中的各像素的浓度来计算。
rm(x,y)={μf-Δ(x,y)/T(x,y)}/(μf-μm) (4)
另外,肌肉量导出部35利用下述式(5)从软部图像Gs生成肌肉图像Gm。另外,式(5)中的x、y为肌肉图像Gm的各像素的坐标。
Gm(x,y)=rm(x,y)×Gs(x,y) (5)
而且,如下述式(6)所示,肌肉量导出部35通过对肌肉图像Gm的各像素(x,y)乘上预先规定的表示像素值与肌肉量的关系的系数C1(x,y)来导出肌肉图像Gm的每个像素的肌肉量M(x,y)(g/cm2)。
M(x,y)=C1(x,y)×Gm(x,y) (6)
另外,在本实施方式中,对象骨为股骨,因此如图13所示,可以仅在肌肉图像Gm中的股骨周边的区域R3中导出肌肉量M。
并且,肌肉量的导出并不限定于上述方法,例如如专利文献3中所记载,也可以根据体厚分布及软部图像Gs的像素值来求出肌肉量。
概率导出部24根据对象骨的骨盐量、对象骨周围的肌肉量、对象骨的形状信息及与对象骨相邻的骨的形状信息来导出发生与对象骨相关的运动器官疾病的概率。因此,若输入对象骨的骨盐量、对象骨周围的肌肉量、对象骨的形状信息及与对象骨相邻的骨的形状信息,则概率导出部24使用输出发生与对象骨相关的运动器官疾病的概率的学习完成神经网络24A来导出发生与对象骨相关的运动器官疾病的概率。
学习部25通过将人体中所包含的骨之中对象骨的骨盐量、对象骨周围的肌肉量、表示对象骨的形状的形状信息及表示与对象骨相邻的骨的形状的形状信息以及表示发生与对象骨相关的运动器官疾病的概率的正解数据用作教师数据对神经网络进行机器学习来构建学习完成神经网络24A。
作为神经网络,可以举出简单感知器、多层感知器、深度神经网络、卷积神经网络、深度信念网络、循环神经网络及概率神经网络等。在本实施方式中,作为神经网络,使用卷积神经网络。
图14是表示在本实施方式中使用的神经网络的图。如图14所示,神经网络60具备输入层61、中间层62及输出层63。中间层62例如具备多个卷积层65、多个池化层66及全连接层67。在神经网络60中,全连接层67存在于输出层63的前段。而且,在神经网络60中,卷积层65和池化层66交替地配置于输入层61与全连接层67之间。
另外,神经网络60的结构并不限定于图14的例子。例如,神经网络60也可以在输入层61与全连接层67之间具备一个卷积层65和一个池化层66。
图15是表示神经网络的学习中使用的教师数据的例子的图。如图15所示,教师数据40由学习用数据41和正解数据42构成。学习用数据41由对象骨的骨盐量(骨盐量)43、对象骨周围的肌肉量(肌肉量)44、对象骨的形状信息45及与对象骨相邻的骨的形状信息46构成。正解数据42由作为运动器官疾病的骨折的发生概率47及脱臼(股关节脱臼)的发生概率48构成。
关于多个患者,教师数据通过对患者的骨盐量、肌肉量、对象骨的形状信息及与对象骨相邻的骨的形状信息记录发生了骨折及脱臼时的统计来导出,并保存于图像保存系统9中。教师数据40中的正解数据42即发生骨折及脱臼的概率能够通过对骨盐量、肌肉量、对象骨的形状信息及与对象骨相邻的骨的形状信息类似的多个患者求出经过预先规定的年数(例如,1年、2年或5年等)后发生了骨折及脱臼的病例数,并将求出的病例数除以患者数来计算。
学习部25使用多个教师数据40对神经网络进行学习。图16是用于说明神经网络60的学习的图。在进行神经网络60的学习时,学习部25向神经网络60的输入层61输入学习用数据41。然后,学习部25从神经网络60的输出层63输出运动器官疾病即骨折及脱臼的发生概率作为输出数据70。然后,学习部25导出与输出数据70和正解数据42中所包含的发生概率的差异作为损失L0。
学习部25根据损失L0对神经网络60进行学习。具体而言,学习部25以使损失L0变小的方式调整卷积层65中的核(kernel)系数、各层之间的连接权重(connection weight)及全连接层67中的连接权重等(以下,称为参数71)。作为参数71的调整方法,例如能够使用误差反向传播法。学习部25重复参数71的调整,直至损失L0成为预先规定的阈值以下。由此,在输入了骨盐量、肌肉量、对象骨的形状信息及与对象骨相邻的骨的形状信息时,调整参数71以便输出发生骨折及脱臼的更准确的概率,来构建学习完成神经网络24A。构建的学习完成神经网络24A存储于存储器13中。
若向如此构建的学习完成神经网络24A中输入患者的骨盐量、肌肉量、对象骨的形状信息及与对象骨相邻的骨的形状信息,则学习完成神经网络24A关于该患者输出股骨骨折的发生概率及股关节脱臼的发生概率。
另外,关于学习用数据41中所包含的骨盐量及肌肉量,在学习时其值输入到神经网络60中。例如,关于骨盐量,输入图8所示的包含股骨的关节部分的区域R1中的股骨区域内的骨盐量的代表值。代表值能够设为平均值、最大值、最小值及中间值等。并且,可以输入区域R1中的股骨区域内的骨盐量的所有值,也可以输入区域R1中的股骨区域内预先规定的多个点处的骨盐量。另外,在概率导出部24导出运动器官疾病的发生概率时,与对神经网络60进行了学习的情况相同的骨盐量输入到学习完成神经网络24A中。
并且,关于肌肉量,在学习时图13所示的包含股骨的关节部分的区域R3中的股骨周围的肌肉量的代表值输入到神经网络60中。代表值能够设为平均值、最大值、最小值及中间值等。并且,可以输入股骨周边的区域R3内的肌肉量的所有值,也可以输入区域R3中预先规定的多个点处的肌肉量。在该情况下,在概率导出部24导出运动器官疾病的发生概率时,与对神经网络60进行了学习的情况相同的肌肉量输入到学习完成神经网络24A中。
关于对象骨的形状信息及与对象骨相邻的骨的形状信息,表示形状信息的二值图像输入到学习完成神经网络24A中。
显示控制部26将概率导出部24所导出的运动器官疾病的发生概率显示于显示器14。
图17是表示运动器官疾病的发生概率的显示画面的图。如图17所示,在显示画面50上显示表示平均骨盐量与骨折发生概率的关系的第1图表51及表示平均肌肉量与脱臼发生概率的关系的第2图表52。在第1图表51中,横轴表示平均骨盐量,纵轴表示骨折发生概率,平均骨盐量越小,骨折发生概率越高。并且,在第1图表51中,赋予有概率导出部24所导出的表示当前的骨折发生概率的白色圆圈的标绘图51A和表示发生概率的目标值的星形记号的标绘图51B。目标值为使概率导出部24所导出的运动器官疾病的发生概率减半的概率。
并且,在第1图表51的右侧显示用于使骨盐量达到目标值的医疗干预的选项53。在图17中,显示有“供给药剂A”及“实施运动B”作为选项。药剂A为用于使骨盐量达到目标值的药的名称。运动B为用于锻炼与对象骨相关的肌肉的运动。具体而言,是锻炼股关节周边的肌肉的深蹲等。
并且,在第2图表52中,横轴表示平均肌肉量,纵轴表示脱臼发生概率,平均肌肉量越小,脱臼发生概率越高。并且,在第2图表52中,赋予有表示当前的脱臼发生概率的白色圆圈标绘图52A和表示改变肌肉量时的目标发生概率的星形记号的标绘图52B。目标值为使概率导出部24所导出的运动器官疾病的发生概率减半的概率。
并且,在第2图表52的右侧显示用于使肌肉量达到目标值的医疗干预的选项54。在图17中,显示有“供给药剂C”及“实施运动D”作为选项。药剂C为用于使肌肉量达到目标值的药的名称。运动D也是用于锻炼与对象骨相关的肌肉的运动。具体而言,是锻炼股关节周边的肌肉的深蹲等。
另外,在本实施方式中,根据作为被摄体H的患者的年龄、性别、身高、体重及骨折史等患者信息来规定了平均骨盐量和/或平均肌肉量与运动器官疾病的发生概率的关系的表保存于存储器13中。显示控制部26参考该表显示第1图表51及第2图表52。
并且,也可以除了第1图表51及第2图表52以外或代替这些图表,显示表示相对于平均肌肉量的骨折发生概率的图表及相对于平均骨盐量的脱臼发生概率的图表。
并且,显示控制部26可以在显示画面50上以能够通过点击来选择显示于选项53、54的“实施运动B”及“实施运动D”的方式进行显示。在该情况下,若操作者选择“实施运动B”或“实施运动D”,则如图18所示,显示控制部26可以利用另一个窗口56显示用于锻炼与对象骨相关的肌肉的运动的动态图像。
接着,对在本实施方式中进行的处理进行说明。图19是表示在本实施方式中进行的学习处理的流程图。首先,信息获取部22从图像保存系统9中获取教师数据(步骤ST1),学习部25将教师数据40中所包含的学习用数据41输入到神经网络60中并输出运动器官疾病的发生概率,使用基于与正解数据42的差异的损失L0对神经网络60进行学习(步骤ST2),并且返回到步骤ST1。然后,学习部25重复步骤ST1、ST2的处理,直至损失L0成为预先规定的阈值,并且结束学习。另外,学习部25也可以通过将学习重复预先规定的次数来结束学习。由此,学习部25构建学习完成神经网络24A。
接着,对本实施方式中的运动器官疾病预测处理进行说明。图20是表示本实施方式中的运动器官疾病预测处理的流程图。另外,第1放射线图像G1及第2放射线图像G2通过拍摄而获取并保存于存储器13中。若从输入器件15输入开始处理的指示,则图像获取部21从存储器13中获取第1放射线图像G1及第2放射线图像G2(获取放射线图像;步骤ST11)。接着,信息导出部23的散射线去除部31从第1放射线图像G1及第2放射线图像G2中去除散射线成分(步骤ST12)。并且,图像导出部32从第1放射线图像G1及第2放射线图像G2导出被摄体H的骨部被提取的骨部图像Gb及软部被提取的软部图像Gs(步骤ST13)。另外,分割部33将骨部图像Gb分割为作为对象骨的股骨区域、骨盆区域及椎骨区域(步骤ST14)。
接着,骨盐量导出部34按骨部图像Gb的每个像素导出骨盐量(步骤ST15),肌肉量导出部35从软部图像Gs导出肌肉图像Gm,并按肌肉图像Gm的每个像素导出肌肉量(步骤ST16)。
另外,概率导出部24使用学习完成神经网络24A,根据对象骨的骨盐量、对象骨周围的肌肉量、对象骨的形状信息及与对象骨相邻的骨的形状信息来导出发生与对象骨有关的运动器官疾病的概率(步骤ST17)。然后,显示控制部26将概率导出部24所导出的运动器官疾病的发生概率显示于显示器14(步骤ST18),并且结束处理。
如此,在本实施方式中,根据对象骨的骨盐量、对象骨周围的肌肉量、对象骨的形状信息及与对象骨相邻的骨的形状信息来导出发生与对象骨有关的运动器官疾病的概率。在此,股骨的骨折及股关节脱臼容易因骨盐量的下降及肌肉量的下降而发生,但也容易因股关节由正常状态变形而发生。在本实施方式中,还使用作为对象骨的股骨的形状信息及与对象骨相邻的骨盆的形状信息来导出运动器官疾病的发生概率,因此能够以更高的精度预测运动器官疾病的发生。
并且,通过显示运动器官疾病的发生概率,能够容易识别当前状况下的运动器官疾病的发生概率。尤其,通过还显示骨盐量及肌肉量成为目标值时的运动器官疾病的发生概率,能够容易识别骨盐量及肌肉量应该增加多少。
并且,通过还显示用于使骨盐量及肌肉量达到目标值的医疗干预的选项,能够容易得知对患者应供给哪种药剂,或者应推荐给患者的运动。
另外,在上述实施方式中,作为运动器官疾病的发生概率,导出了骨折及脱臼的发生概率,但也可以导出骨折及脱臼中的任一个的发生概率。
并且,在上述实施方式中,作为对象骨,使用了股骨,但并不限定于此。也可以将椎骨、尤其腰椎作为对象骨。与椎骨相邻的椎骨能够设为与作为对象骨的椎骨的上侧相邻的椎骨、与下侧相邻的椎骨及上下相邻的椎骨。
椎骨尤其因骨质疏松症的发生而骨盐量变少,若骨质疏松症恶化,则椎骨在人体的上下方向上被压缩而发生变形,进而导致压缩性骨折。另外,在将椎骨作为对象骨时,难以想到脱臼。因此,在对象骨设为椎骨时,通过使用成为对象骨的椎骨的形状信息及与对象骨相邻的椎骨的形状信息,能够更加精度良好地预测骨折的发生概率。并且,在对象骨设为椎骨时,作为要显示的医疗干预,优选显示锻炼背肌的运动。
并且,在本实施方式中,除了股骨及椎骨以外,也能够将膝关节周边的股骨及胫骨等任意的骨作为对象骨。
并且,在上述实施方式中,使用第1放射线图像G1及第2放射线图像G2其本身来导出了骨盐量及肌肉量,但并不限定于此。也可以对第1放射线图像G1及第2放射线图像G2的各像素计算与周围像素的移动平均,并使用将移动平均作为各像素的像素值的第1放射线图像G1及第2放射线图像G2来导出骨盐量及肌肉量。在此,在判定骨盐量时皮质骨成为重要的信息,因此以保持能够辨识皮质骨的分辨率,例如以被摄体的实际尺寸计2mm以下的分辨率的方式,对各像素计算与周围像素的移动平均即可。在该情况下,可以根据放射线源3、被摄体H及放射线检测器5、6的相互间距离的信息以及放射线检测器5、6的像素尺寸的信息等来适当确定移动平均中使用的像素即可。
并且,在上述实施方式中,在进行能量减影处理时,通过一次照射法获取了第1放射线图像G1及第2放射线图像G2,但并不限定于此。如图21所示,也可以通过仅使用一个放射线检测器进行两次拍摄的所谓的两次照射法来获取第1放射线图像G1及第2放射线图像G2。在两次照射法的情况下,第1放射线图像G1及第2放射线图像G2中所包含的被摄体H的位置可能因被摄体H的身体移动而发生偏移。因此,在第1放射线图像G1及第2放射线图像G2中,优选在进行被摄体的对位之后进行本实施方式的处理。作为对位处理,例如能够使用日本特开2011-255060号公报中所记载的方法。在日本特开2011-255060号公报中所记载的方法中,生成分别关于第1放射线图像G1及第2放射线图像G2的、表示频带不同的结构物的多个第1带域图像及多个第2带域图像,并获取对应频带的第1带域图像及第2带域图像中的相互对应的位置的位置偏移量,根据位置偏移量来进行第1放射线图像G1与第2放射线图像G2的对位。
并且,在上述实施方式中,使用在利用第1放射线检测器5及第2放射线检测器6拍摄被摄体H的第1放射线图像G1及第2放射线图像G2的系统中获取的放射线图像来进行了运动器官疾病预测处理,但本发明的技术当然也能够适用于代替放射线检测器而使用蓄积性荧光体片来获取第1放射线图像G1及第2放射线图像G2的情况。在该情况下,重叠两片蓄积性荧光体片,并照射透射了被摄体H的放射线,将被摄体H的放射线图像信息蓄积记录在各蓄积性荧光体片中,通过从各蓄积性荧光体片中光电性地读取放射线图像信息来获取第1放射线图像G1及第2放射线图像G2即可。另外,在使用蓄积性荧光体片来获取第1放射线图像G1及第2放射线图像G2的情况下,也可以使用二次照射法。
并且,在上述实施方式中,在运动器官疾病的发生概率的显示画面上,将骨盐量及肌肉量的目标值标绘在第1图表51及第2图表52上,但并不限定于此。也可以将在从此不进行任何治疗的情况下骨盐量及肌肉量下降时例如骨盐量及肌肉量下降到1/4时的运动器官疾病的发生概率标绘在第1图表51及第2图表52上。由此,能够让患者持有治疗及运动动机。
并且,上述实施方式中的放射线并不受特别限定,除了X射线以外,还能够使用d射线或γ射线等。
并且,在上述实施方式中,例如作为图像获取部21、信息获取部22、信息导出部23、概率导出部24、学习部25及显示控制部26之类的执行各种处理的处理部(ProcessingUnit)的硬件结构,能够使用以下所示的各种处理器(Processor)。上述各种处理器中除了包括如上所述的执行软件(程序)来作为各种处理部发挥作用的通用的处理器即CPU以外,还包括FPGA(Field Programmable Gate Array:现场可编程阵列)等在制造后能够变更电路结构的处理器即可编程逻辑器件(Programmable Logic Device:PLD)、ASIC(Application Specific Integrated Circuit:专用集成电路)等具有为了执行特定的处理而专门设计的电路结构的处理器即专用电路等。
一个处理部可以由这些各种处理器中的一个构成,也可以由相同种类或不同种类的两个以上的处理器的组合(例如,多个FPGA的组合或CPU与FPGA的组合)构成。并且,也可以由一个处理器构成多个处理部。
作为由一个处理器构成多个处理部的例子,第1,有如下方式:如以用户端及服务器等计算机为代表那样,以一个以上的CPU与软件的组合构成一个处理器,且该处理器作为多个处理部发挥作用。第2,有如下方式:如片上系统(System On Chip:SoC)等为代表那样,使用以一个IC(Integrated Circui t:集成电路)芯片实现包括多个处理部的系统整体的功能的处理器。如此,各种处理部作为硬件结构使用上述各种处理器中的一个以上而构成。
另外,作为这些各种处理器的硬件结构,更具体而言,能够使用将半导体元件等电路元件组合而成的电路(Circuitry)。
符号说明
1-摄影装置,3-放射线源,5、6-放射线检测器,7-放射线能量转换滤波器,9-图像保存系统,10-运动器官疾病预测装置,11-CPU,12A-运动器官疾病预测处理程序,12B-学习程序,13-存储器,14-显示器,15-输入器件,16-内部存储器,17-网络I/F,18-总线,21-图像获取部,22-信息获取部,23-信息导出部,24-概率导出部,24A-学习完成神经网络,25-学习部,26-显示控制部,31-散射线去除部,32-图像导出部,33-分割部,40-教师数据,41-学习用数据,42-正解数据,43-对象骨的骨盐量,44-对象骨周围的肌肉量,45-对象骨的形状信息,46-与对象骨相邻的骨的形状信息,47-骨折的发生概率,48-脱臼的发生概率,50-显示画面,51-第1图表,51A、51B、52A、52B-标绘图,52-第2图表,53、54-医疗干预的选项,56-窗,60-神经网络,61-输入层,62-中间层,63-输出层,65-卷积层,66-池化层,67-全连接层,70-输出数据,71-参数,A1-股骨区域,A2-骨盆区域,A3-椎骨区域,G1-第1放射线图像,G2-第2放射线图像,Gb-骨部图像,Gs-软部图像,LUT1-查找表,S1、S2-形状信息。
Claims (16)
1.一种运动器官疾病预测装置,其具备至少一个处理器,
所述处理器根据通过利用能量分布不同的放射线拍摄包含骨部及软部的被摄体而获取的第1放射线图像及第2放射线图像来导出所述被摄体中所包含的骨之中对象骨的骨盐量、所述对象骨周围的肌肉量、表示所述对象骨的形状的形状信息及表示与所述对象骨相邻的骨的形状的形状信息,
根据所述对象骨的骨盐量、所述对象骨周围的肌肉量、所述对象骨的形状信息及与所述对象骨相邻的骨的形状信息来导出发生与所述对象骨相关的运动器官疾病的概率。
2.根据权利要求1所述的运动器官疾病预测装置,其中,
所述处理器作为学习完成神经网络发挥作用,所述学习完成神经网络将人体中所包含的骨之中所述对象骨的骨盐量、所述对象骨周围的肌肉量、表示所述对象骨的形状的形状信息及表示与所述对象骨相邻的骨的形状的形状信息以及表示发生与所述对象骨有关的运动器官疾病的概率的正解数据用作教师数据而进行了机器学习。
3.根据权利要求1或2所述的运动器官疾病预测装置,其中,
所述处理器将所导出的所述运动器官疾病的发生概率显示于显示器。
4.根据权利要求3所述的运动器官疾病预测装置,其中,
所述处理器显示表示骨盐量及肌肉量中的至少一个与运动器官疾病的发生概率的关系的图表,
在所述图表上还显示表示所导出的所述运动器官疾病的发生概率的标绘图和表示使发生概率或骨盐量及肌肉量中的至少一个改变而得的值的标绘图。
5.根据权利要求4所述的运动器官疾病预测装置,其中,
改变而得的所述值为所述骨盐量及所述肌肉量中的至少一个的目标值或所述运动器官疾病的发生概率的目标值。
6.根据权利要求5所述的运动器官疾病预测装置,其中,
所述处理器还显示用于使所述骨盐量及所述肌肉量中的至少一个达到所述目标值的医疗干预的选项或用于使所述运动器官疾病达到所述目标值的医疗干预的选项。
7.根据权利要求6所述的运动器官疾病预测装置,其中,
所述医疗干预为用于锻炼与所述对象骨相关的肌肉的运动方法。
8.根据权利要求1或2所述的运动器官疾病预测装置,其中,
所述对象骨为股骨。
9.根据权利要求1或2所述的运动器官疾病预测装置,其中,
所述对象骨为椎骨。
10.根据权利要求1或2所述的运动器官疾病预测装置,其中,
所述运动器官疾病为骨折及脱臼中的至少一种。
11.一种学习装置,其具备至少一个处理器,
所述处理器通过将人体中所包含的骨之中对象骨的骨盐量、所述对象骨周围的肌肉量、表示所述对象骨的形状的形状信息及表示与所述对象骨相邻的骨的形状的形状信息以及表示发生与所述对象骨相关的运动器官疾病的概率的正解数据用作教师数据对神经网络进行机器学习,来构建如下学习完成神经网络,该学习完成神经网络若输入所述对象骨的骨盐量、所述对象骨周围的肌肉量、所述对象骨的形状信息及与所述对象骨相邻的骨的形状信息,则输出发生所述运动器官疾病的概率。
12.一种运动器官疾病预测方法,其中,
根据通过利用能量分布不同的放射线拍摄包含骨部及软部的被摄体而获取的第1放射线图像及第2放射线图像来导出所述被摄体中所包含的骨之中对象骨的骨盐量、所述对象骨周围的肌肉量、表示所述对象骨的形状的形状信息及表示与所述对象骨相邻的骨的形状的形状信息,
根据所述对象骨的骨盐量、所述对象骨周围的肌肉量、所述对象骨的形状信息及与所述对象骨相邻的骨的形状信息来导出发生与所述对象骨相关的运动器官疾病的概率。
13.一种学习方法,其中,
通过将人体中所包含的骨之中对象骨的骨盐量、所述对象骨周围的肌肉量、表示所述对象骨的形状的形状信息及表示与所述对象骨相邻的骨的形状的形状信息以及表示发生与所述对象骨相关的运动器官疾病的概率的正解数据用作教师数据对神经网络进行机器学习,来构建如下学习完成神经网络,该学习完成神经网络若输入所述对象骨的骨盐量、所述对象骨周围的肌肉量、所述对象骨的形状信息及与所述对象骨相邻的骨的形状信息,则输出发生所述运动器官疾病的概率。
14.一种存储有运动器官疾病预测程序的计算机可读存储介质,所述运动器官疾病预测程序用于使计算机执行如下处理:
根据通过利用能量分布不同的放射线拍摄包含骨部及软部的被摄体而获取的第1放射线图像及第2放射线图像来导出所述被摄体中所包含的骨之中对象骨的骨盐量、所述对象骨周围的肌肉量、表示所述对象骨的形状的形状信息及表示与所述对象骨相邻的骨的形状的形状信息;及
根据所述对象骨的骨盐量、所述对象骨周围的肌肉量、所述对象骨的形状信息及与所述对象骨相邻的骨的形状信息来导出发生与所述对象骨相关的运动器官疾病的概率。
15.一种存储有学习程序的计算机可读存储介质,所述学习程序用于使计算机执行如下处理:
通过将人体中所包含的骨之中对象骨的骨盐量、所述对象骨周围的肌肉量、表示所述对象骨的形状的形状信息及表示与所述对象骨相邻的骨的形状的形状信息以及表示发生与所述对象骨相关的运动器官疾病的概率的正解数据用作教师数据对神经网络进行机器学习,来构建如下学习完成神经网络,该学习完成神经网络若输入所述对象骨的骨盐量、所述对象骨周围的肌肉量、所述对象骨的形状信息及与所述对象骨相邻的骨的形状信息,则输出发生所述运动器官疾病的概率。
16.一种学习完成神经网络,其中,
若输入人体中所包含的骨之中对象骨的骨盐量、所述对象骨周围的肌肉量、表示所述对象骨的形状的形状信息及表示与所述对象骨相邻的骨的形状的形状信息,则输出发生与所述对象骨相关的运动器官疾病的概率。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021-019232 | 2021-02-09 | ||
JP2021019232A JP2022122131A (ja) | 2021-02-09 | 2021-02-09 | 運動器疾患予測装置、方法およびプログラム、学習装置、方法およびプログラム並びに学習済みニューラルネットワーク |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114903504A true CN114903504A (zh) | 2022-08-16 |
Family
ID=82703415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210103994.4A Pending CN114903504A (zh) | 2021-02-09 | 2022-01-27 | 运动器官疾病预测装置、方法及存储介质、学习装置、方法及存储介质及学习完成神经网络 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220249013A1 (zh) |
JP (1) | JP2022122131A (zh) |
CN (1) | CN114903504A (zh) |
-
2021
- 2021-02-09 JP JP2021019232A patent/JP2022122131A/ja active Pending
-
2022
- 2022-01-17 US US17/577,345 patent/US20220249013A1/en active Pending
- 2022-01-27 CN CN202210103994.4A patent/CN114903504A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220249013A1 (en) | 2022-08-11 |
JP2022122131A (ja) | 2022-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10916011B2 (en) | Bone mineral information acquisition apparatus, bone mineral information acquisition method, and bone mineral information acquisition program | |
CN117393146A (zh) | 推定装置、系统以及推定方法 | |
EP4056120B1 (en) | Estimation device, estimation method, and estimation program | |
US10973482B2 (en) | Bone mineral information acquisition apparatus, bone mineral information acquisition method, and bone mineral information acquisition program | |
Bagheri et al. | Reliability of three-dimensional spinal modeling of patients with idiopathic scoliosis using EOS system | |
JP7016294B2 (ja) | 骨塩情報取得装置、方法およびプログラム | |
US20220287663A1 (en) | Estimation device, estimation method, and estimation program | |
CN114903504A (zh) | 运动器官疾病预测装置、方法及存储介质、学习装置、方法及存储介质及学习完成神经网络 | |
JP7187421B2 (ja) | 画像処理装置、画像処理方法、及び画像処理プログラム | |
Choisne et al. | A new method to determine volumetric bone mineral density from bi-planar dual energy radiographs using a finite element model: an ex-vivo study | |
CN115474952A (zh) | 动态品质管理装置、计算机可读取的存储介质以及动态品质管理方法 | |
WO2023054287A1 (ja) | 骨疾患予測装置、方法およびプログラム、学習装置、方法およびプログラム並びに学習済みニューラルネットワーク | |
CN118043908A (zh) | 骨疾病预测装置、方法及程序、学习装置、方法及程序、以及学习完成神经网络 | |
JP7342140B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
US20230172576A1 (en) | Radiation image processing device, radiation image processing method, and radiation image processing program | |
US20220335605A1 (en) | Estimation device, estimation method, and estimation program | |
US20230096694A1 (en) | Image processing device, image processing method, and image processing program | |
JP7241000B2 (ja) | 情報処理装置、情報処理方法、及び情報処理プログラム | |
US20240081761A1 (en) | Image processing device, image processing method, and image processing program | |
US20230017704A1 (en) | Estimation device, estimation method, and estimation program | |
JP7301792B2 (ja) | 放射線画像処理装置、方法およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |