CN117393146A - 推定装置、系统以及推定方法 - Google Patents

推定装置、系统以及推定方法 Download PDF

Info

Publication number
CN117393146A
CN117393146A CN202311399597.7A CN202311399597A CN117393146A CN 117393146 A CN117393146 A CN 117393146A CN 202311399597 A CN202311399597 A CN 202311399597A CN 117393146 A CN117393146 A CN 117393146A
Authority
CN
China
Prior art keywords
image
bone
learning
estimation
data
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
Application number
CN202311399597.7A
Other languages
English (en)
Inventor
渡边健一
京本政之
本多信太郎
茂吕彻
田中荣
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.)
Kyocera Corp
University of Tokyo NUC
Original Assignee
Kyocera Corp
University of Tokyo NUC
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 Kyocera Corp, University of Tokyo NUC filed Critical Kyocera Corp
Publication of CN117393146A publication Critical patent/CN117393146A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • 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
    • 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
    • A61B6/48—Diagnostic techniques
    • A61B6/482—Diagnostic techniques involving multiple energy imaging
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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; CALCULATING OR 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; CALCULATING OR 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; CALCULATING OR 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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
    • G06T2207/30096—Tumor; Lesion

Landscapes

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

Abstract

提供一种推定装置、系统以及推定方法。推定装置具备输入部以及近似器。输入部输入具有拍摄到骨头的图像的输入信息。近似器能够根据输入到输入部的输入信息，推定与骨头的骨密度关联的推定结果。近似器具有用于根据输入信息来求得与骨头的骨密度关联的推定结果的学习完成的参数。

Description

推定装置、系统以及推定方法
本申请是申请日为2019年9月10日、申请号为201980058486.5、发明名称为“推定装置、推定系统以及记录推定程序的计算机可读取的非暂时性记录介质”的发明专利申请的分案申请。
关联申请的相互参照
本申请主张日本专利申请2018-168502号(2018年9月10日申请)以及日本国申请2018-220401号(2018年11月26日申请)的优先权，为了参照而将该申请的公开整体援引于此。
技术领域
本公开涉及骨密度的推定。
背景技术
在专利文献1中，记载了判定骨质疏松症的技术。在专利文献2中，记载了推定骨头的强度的技术。
在先技术文献
专利文献
专利文献1：日本特开2008-36068号公报
专利文献2：日本特表2002-523204号公报
发明内容
公开了推定装置、推定系统以及推定程序。在一个实施方式中，推定装置具备：输入部，输入具有拍摄到骨头的图像的输入信息；近似器，能够根据输入到所述输入部的输入信息，推定与所述骨头的骨密度关联的推定结果；和输出部，输出由所述近似器推定出的推定结果，所述近似器具有用于根据所述输入信息来求得与所述骨头的骨密度关联的推定结果的学习完成的参数。
此外，在一个实施方式中，推定系统具备：输入部，输入具有拍摄到骨头的图像的输入信息；和近似器，具有用于根据所述输入信息求得与所述骨头的骨密度关联的推定结果的学习完成的参数，并且能够根据输入到所述输入部的输入信息，推定与所述骨头的骨密度关联的推定结果，在向所述输入部输入输入信息时，由所述近似器进行所述输入信息的运算处理。
此外，在一个实施方式中，推定程序是用于使装置作为神经网络而发挥功能的推定程序，所述神经网络进行基于学习完成的参数的运算，并输出在所述图像中拍摄到的骨头的骨密度的推定值，所述学习完成的参数用于根据具有拍摄到骨头的图像的输入信息来求得与所述骨头的骨密度关联的推定结果。
附图说明
图1是示出计算机装置(推定装置)的结构的一个例子的图。
图2是用于说明推定装置的动作的图。
图3是示出神经网络的结构的一个例子的图。
图4是示出学习用图像数据以及基准骨密度被互相建立进行的样子的一个例子的图。
图5是用于说明推定装置的动作的图。
图6是示出推定系统的一个例子的图。
图7是示出推定装置的结构的一个例子的图。
图8是示出推定装置的结构的一个例子的图。
图9是示出推定装置的结构的一个例子的图。
图10是示出推定装置的结构的一个例子的图。
图11是示出推定装置的结构的一个例子的图。
图12是示出推定装置的结构的一个例子的图。
图13是示意性地示出推定系统的结构的概念图。
图14是示意性地示出推定系统的一部分的结构的概念图。
图15是示意性地示出推定系统的一部分的结构的概念图。
图16是示意性地示出推定系统的一部分的结构的概念图。
图17是示意性地示出推定系统的一部分的结构的概念图。
图18是示意性地示出推定系统的另一实施方式的一部分的结构的概念图。
符号说明
1：计算机装置(推定装置)；
20：存储部；
100：控制程序；
110、910、960：学习完成的参数；
120：推定用数据；
130：学习用数据；
140：训练数据；
200：神经网络；
210：输入层；
230：输出层；
280、832：近似器；
500：处理装置；
600：骨密度推定系统；
801：推定系统；
802：终端装置；
803：推定装置；
831：输入部；
833：输出部；
834：控制部；
835：存储部；
900、8322：第2神经网络；
930：判定部；
950：第3神经网络；
980：骨折预测部；
8321：第1神经网络；
O：推定结果；
I：输入信息；
E：编码部；
D：解码部；
C：变换部。
具体实施方式
实施方式1.
图1是示出本实施方式1涉及的计算机装置1的结构的一个例子的框图。计算机装置1作为推定骨密度的推定装置而发挥功能。之后，有时将计算机装置1称为“推定装置1”。
如图1所示，推定装置1例如具备控制部10、存储部20、通信部30、显示部40以及输入部50。控制部10、存储部20、通信部30、显示部40以及输入部50例如通过总线60而被互相电连接。
控制部10能够通过控制推定装置1的其他结构要素，从而统一地管理推定装置1的动作。控制部10也被称为控制装置或者控制电路。如以下进一步详细地描述的那样，控制部10为了提供用于执行各种功能的控制以及处理能力，包括至少1个处理器。
根据各种实施方式，至少1个处理器也可以作为单一的集成电路(IC)或作为多个能够通信地连接的集成电路(IC)以及/或者分立电路(discrete circuits)而执行。至少1个处理器能够根据各种已知的技术而执行。
在1个实施方式中，处理器例如包括构成为通过执行存储在关联的存储器的指示来执行1个以上的数据计算程序或处理的1个以上的电路或单元。在另一实施方式中，处理器也可以是构成为执行1个以上的数据计算程序或处理的固件(例如，分立逻辑元件)。
根据各种实施方式，处理器也可以包括1个以上的处理器、控制器、微处理器、微控制器、面向特定用途的集成电路(ASIC)、数字信号处理装置、可编程逻辑器件、现场可编程逻辑器件、或这些器件或结构的任意的组合、或其他已知的器件以及结构的组合，并执行以下说明的功能。在本例中，控制部10例如具备CPU(Central Processing Unit，中央处理单元)。
存储部20包括ROM(Read Only Memory，只读存储器)以及RAM(Random AccessMemory，随机存取存储器)等、控制部10的CPU能够读取的非暂时性存储介质。在存储部20中存储用于控制推定装置1的控制程序100。控制部10的各种功能通过控制部10的CPU执行存储部20内的控制程序100来实现。也可以说控制程序100是用于使计算机装置1作为推定装置而发挥功能的骨密度推定程序。在本例中，通过控制部10执行存储部20内的控制程序100，从而如图2所示，在控制部10形成能够输出骨密度的推定值300的近似器280。近似器280例如具备神经网络200。控制程序100也可以说是用于使计算机装置1作为神经网络200而发挥功能的程序。之后，有时将骨密度的推定值称为“骨密度推定值”。另外，对于神经网络200的结构例，在之后详细地进行说明。
除控制程序100以外，在存储部20中还存储有与神经网络200相关的学习完成的参数110、推定用数据120(以下，也称为“输入信息”)、学习用数据130以及训练数据140。学习用数据130以及训练数据140是在使神经网络200学习时使用的数据。学习完成的参数110以及推定用数据120是学习完成的神经网络200在推定骨密度的情况下使用的数据。
学习用数据130是在神经网络200的学习时，被输入到神经网络200的输入层210的数据。学习用数据130也被称为学习数据。训练数据140是表示骨密度的正确的值的数据。训练数据140在神经网络200的学习时，与从神经网络200的输出层230输出的输出数据进行比较。学习用数据130以及训练数据140有时被总称为附有训练的学习数据。
推定用数据120是在学习完成的神经网络200推定骨密度的情况下，被输入到其输入层210的数据。学习完成的参数110是神经网络200内的已学习的参数。学习完成的参数110也可称为通过神经网络200的学习而被调整了的参数。在学习完成的参数110中，包括表示人工神经元间的连接的权重的加权系数。学习完成的神经网络200如图2所示，针对输入到输入层210的推定用数据120而进行基于学习完成的参数110的运算，并从输出层230输出骨密度推定值300。
另外，输入到输入层210的数据既可以经由输入部50输入到输入层210，也可以直接输入到输入层210。在直接输入到输入层210的情况下，输入层210也可以被设为输入部50的一部分或全部。之后，有时将骨密度推定值300称为推定结果300。
通信部30通过有线或者无线与包括互联网等的通信网络连接。通信部30能够通过通信网络与云服务器以及网络服务器等其他装置通信。通信部30能够将从通信网络接收到的信息输入到控制部10。此外，通信部30能够向通信网络输出从控制部10接收到的信息。
显示部40例如是液晶显示器或者有机EL显示器。显示部40能够通过由控制部10控制，从而显示文字、符号、图形等各种信息。
输入部50能够接受针对推定装置1的来自用户的输入。输入部50例如具备键盘以及鼠标。输入部50也可以具备能够检测用户针对显示部40的显示面的操作的触摸屏。
另外，推定装置1的结构不限于上述的例子。例如，控制部10也可以具备多个CPU。此外，控制部10也可以具备至少一个DSP。此外，控制部10的所有功能或者控制部10的一部分的功能也可以通过在其功能的实现中不需要软件的硬件电路来实现。此外，存储部20也可以具备ROM以及RAM以外的计算机能够读取的非暂时性存储介质。存储部20例如也可以具备小型的硬盘驱动器以及SSD(Solid State Drive，固态驱动器)等。此外，存储部20也可以具备相对于推定装置1能够插拔的USB(Universal Serial Bus，通用串行总线)存储器等存储器。之后，有时将相对于推定装置1能够插拔的存储器称为“插拔式存储器”。
<神经网络的结构例>
图3是示出神经网络200的结构的一个例子的图。在本例中，神经网络200例如是卷积神经网络(CNN(Convolutional Neural Network))。如图3所示，神经网络200例如具备输入层210、隐藏层220和输出层230。隐藏层220也被称为中间层。隐藏层220例如具备多个卷积层240、多个池化层250和全连接层260。在神经网络200中，在输出层230的前级存在全连接层260。而且，在神经网络200中，卷积层240和池化层250在输入层210与全连接层260之间交替地配置。
另外，神经网络200的结构不限于图3的例子。例如，神经网络200也可以在输入层210与全连接层260之间具备1个卷积层240和1个池化层250。此外，神经网络200也可以是卷积神经网络以外的神经网络。
<推定用数据、学习用数据以及训练数据的一个例子>
推定用数据120包括拍摄到骨密度的推定对象的骨头的单纯X射线图像的图像数据。骨密度的推定对象例如是人。因此，可以说推定用数据120包括拍摄到人的骨头的单纯X射线图像的图像数据。在学习用数据130中，包括拍摄到人的骨头的多个单纯X射线图像的图像数据。单纯X射线图像也被称为二维图像、一般X射线图像或者伦琴图像。另外，骨密度的推定对象也可以是人以外。例如，骨密度的推定对象也可以是狗、猫或者马等动物。此外，设为对象的骨头主要是来自生物体的皮质骨以及海绵骨，但在设为对象的骨头中，也可以包括以磷酸钙为主成分的人工骨头或者通过再生医疗等人工制造的再生骨头。
之后，有时将推定用数据120所包括的图像数据称为“推定用图像数据”。此外，有时将推定用数据120所包括的图像数据表示的单纯X射线图像称为“推定用单纯X射线图像”。此外，有时将学习用数据130所包括的图像数据称为“学习用图像数据”。此外，有时将学习用数据130所包括的图像数据表示的单纯X射线图像称为“学习用单纯X射线图像”。在学习用数据130中，包括分别表示多个学习用单纯X射线图像的多个学习用X射线图像数据。
作为推定用单纯X射线图像的拍摄部位，例如可采用头部、颈部、胸部、腰部、髋关节、膝关节、脚关节、脚部、脚趾、肩关节、肘关节、手关节、手部、手指或者颚关节。换言之，作为推定用数据120，可采用：相对于头部照射X射线而获得的单纯X射线图像的图像数据，相对于颈部照射X射线而获得的单纯X射线图像的图像数据，相对于胸部照射X射线而获得的单纯X射线图像的图像数据，相对于部照射X射线而获得的单纯X射线图像的图像数据，相对于髋关节照射X射线而获得的单纯X射线图像的图像数据，相对于膝关节照射X射线而获得的单纯X射线图像的图像数据，相对于脚关节照射X射线而获得的单纯X射线图像的图像数据，相对于脚部照射X射线而获得的单纯X射线图像的图像数据，相对于脚趾照射X射线而获得的单纯X射线图像的图像数据，相对于肩关节照射X射线而获得的单纯X射线图像的图像数据，相对于肘关节照射X射线而获得的单纯X射线图像的图像数据，相对于手关节照射X射线而获得的单纯X射线图像的图像数据，相对于手部照射X射线而获得的单纯X射线图像的图像数据，相对于手指照射X射线而获得的单纯X射线图像的图像数据或者相对于颚关节照射X射线而获得的单纯X射线图像的图像数据。在相对于胸部照射X射线而获得的单纯X射线图像中，包括拍摄到肺的单纯X射线图像和拍摄到胸椎的单纯X射线图像。另外，推定用单纯X射线图像的拍摄部位的种类不限于此。此外，推定用单纯X射线图像既可以是从正面拍摄到对象部位的正面图像，也可以是从侧面拍摄到对象部位的侧面图像。
在学习用数据130所包括的多个学习用图像数据分别表示的多个学习用单纯X射线图像的拍摄部位中，例如包括头部、颈部、胸部、腰部、髋关节、膝关节、脚关节、脚部、脚趾、肩关节、肘关节、手关节、手部、手指以及颚关节的至少1种。换言之，在学习用数据130中，包括：相对于头部照射X射线而获得的单纯X射线图像的图像数据，相对于颈部照射X射线而获得的单纯X射线图像的图像数据，相对于胸部照射X射线而获得的单纯X射线图像的图像数据，相对于腰部照射X射线而获得的单纯X射线图像的图像数据，相对于髋关节照射X射线而获得的单纯X射线图像的图像数据，相对于膝关节照射X射线而获得的单纯X射线图像的图像数据，相对于脚关节照射X射线而获得的单纯X射线图像的图像数据，相对于脚部照射X射线而获得的单纯X射线图像的图像数据，相对于脚趾照射X射线而获得的单纯X射线图像的图像数据，相对于肩关节照射X射线而获得的单纯X射线图像的图像数据，相对于肘关节照射X射线而获得的单纯X射线图像的图像数据，相对于手关节照射X射线而获得的单纯X射线图像的图像数据，相对于手部照射X射线而获得的单纯X射线图像的图像数据，相对于手指照射X射线而获得的单纯X射线图像的图像数据以及相对于颚关节照射X射线而获得的单纯X射线图像的图像数据的15种图像数据中的至少1种。在学习用数据130中，既可以包括15种图像数据中的一部分的种类的图像数据，也可以包括所有种类的图像数据。另外，学习用单纯X射线图像的拍摄部位的种类不限于此。此外，在多个学习用单纯X射线图像中，既可以包括正面图像，也可以包括侧面图像。此外，在多个学习用单纯X射线图像中，也可以包括相同拍摄部位的正面图像以及侧面图像这两者。
在训练数据140中，对于学习用数据130所包括的多个学习用图像数据的每一个，包括具有在该学习用图像数据表示的学习用单纯X射线图像中拍摄到的骨头的人的骨头密度的测定值。在训练数据140所包括的多个骨密度的测定值中，例如包括相对于腰椎照射X射线而测定的骨密度的测定值、相对于大腿骨近位部照射X射线而测定的骨密度、相对于桡骨照射X射线而测定的骨密度、相对于掌骨照射X射线而测定的骨密度、相对于腕部施加超声波而测定的骨密度以及相对于脚后跟施加超声波而测定的骨密度的至少1种。之后，有时将训练数据140所包括的骨密度的测定值称为“基准骨密度”。
在此，作为骨密度的测定方法，已知DEXA(dual-energy X-ray absorptiometry，双能x线吸收计量法)法。在使用DEXA法来测定骨密度的DEXA装置中，在测定腰椎的骨密度的情况下，针对腰椎从其正面照射X射线(具体的地，2种X射线)。此外，在DEXA装置中，在测定大腿骨近位部的骨密度的情况下，针对大腿骨近位部从其正面照射X射线。
在训练数据140中，既可以包括由DEXA装置测定的腰椎的骨密度，也可以包括由DEXA装置测定的大腿骨近位部的骨密度。另外，在训练数据140中，也可以包括相对于对象部位从其侧面照射X射线而测定的骨密度。例如，在训练数据140中，也可以包括相对于腰椎从其侧面照射X射线而测定的骨密度。
此外，作为骨密度的另一测定方法，已知超声波法。在使用超声波法来测定骨密度的装置中，例如相对于腕部施加超声波从而测定该腕部的骨密度、相对于脚后跟施加超声波从而测定该脚后跟的骨密度。在训练数据140中，也可以包括由超声波法测定的骨密度。
在学习用数据130所包括的多个学习用图像数据表示的多个学习用单纯X射线图像中，拍摄到互相不同的多人的骨头。而且，如图4所示，在存储部20中，针对学习用数据130所包括的多个学习用图像数据的每一个，与具有在该学习用图像数据表示的学习用单纯X射线图像中拍摄到的骨头的人的基准骨密度建立对应。也可以说针对在神经网络200的学习中使用的多个学习用单纯X射线图像的每一个，与具有在该学习用单纯X射线图像中拍摄到的骨头的人的基准骨密度建立对应。与学习用图像数据建立对应的基准骨密度是在与拍摄该学习用图像数据表示的学习用单纯X射线图像的时期几乎相同的时期，针对与具有在该学习用单纯X射线图像中拍摄到的骨头的人相同的人测定的骨密度。
在学习用图像数据表示的学习用单纯X射线图像中拍摄到的部位(换言之，学习用单纯X射线图像的拍摄部位)中，既可以包括、也可以不包括被测定了与该学习用图像数据对应的基准骨密度的部位(即骨头)。换言之，在学习用单纯X射线图像中拍摄到的部位中，既可以包括、也可以不包括被测定了与该学习用单纯X射线图像对应的基准骨密度的部位。作为前者的例子，考虑对表示拍摄到腰部的学习用单纯X射线图像的学习用图像数据、和腰椎的基准骨密度建立对应的情况。作为另一例子，考虑对拍摄到髋关节的学习用图像数据、和大腿骨近位部的基准骨密度建立对应的情况。另一方面，作为后者的例子，考虑对拍摄到胸部的学习用图像数据、和腰椎的基准骨密度建立对应的情况。作为另一例子，考虑对拍摄到膝关节的学习用图像数据、和脚后跟的基准骨密度建立对应的情况。
此外，在学习用图像数据表示的单纯X射线图像中拍摄到的部位的朝向、和X射线相对于与该学习用图像数据对应的基准骨密度的测定中的对象部位的照射的朝向既可以相同，也可以不同。换言之，在学习用单纯X射线图像中拍摄到的部位的朝向、和X射线相对于与该学习用单纯X射线图像对应的基准骨密度的测定中的对象部位的照射的朝向既可以相同，也可以不同。作为前者的例子，考虑对表示从正面拍摄到胸部的单纯X射线图像(之后，有时称为“胸部正面单纯X射线图像”)的学习用图像数据、和相对于腰椎从其正面照射X射线而测定的基准骨密度建立对应的情况。作为另一例子，考虑对表示从正面拍摄到腰部的单纯X射线图像(之后，有时称为“腰部正面单纯X射线图像”)的学习用图像数据、和相对于大腿骨近位部从其正面照射X射线而测定的基准骨密度建立对应的情况。另一方面，作为后者的例子，考虑对表示从侧面拍摄到腰部的单纯X射线图像(之后，有时称为“腰部侧面单纯X射线图像”)的学习用图像数据、和相对于腰椎从其正面照射X射线而测定的基准骨密度建立对应的情况。作为另一例子，考虑对表示从侧面拍摄到膝关节的单纯X射线图像(之后，有时称为“膝侧面单纯X射线图像”)的学习用图像数据、和相对于大腿骨近位部从其正面照射X射线而测定的基准骨密度建立对应的情况。
此外，在学习用数据130所包括的多个学习用图像数据分别表示的多个学习用单纯X射线图像中，既可以包括拍摄到与推定用单纯X射线图像相同种类的部位的单纯X射线图像，也可以包括拍摄到与推定用单纯X射线图像不同的种类的部位的单纯X射线图像。作为前者的例子，考虑在推定用单纯X射线图像是胸部正面单纯X射线图像的情况下，在多个学习用单纯X射线图像中包括胸部正面单纯X射线图像的情况。作为另一例子，考虑在推定用单纯X射线图像是从正面拍摄到膝关节的单纯X射线图像(之后，有时称为“膝正面单纯X射线图像”)的情况下，在多个学习用单纯X射线图像中包括膝侧面单纯X射线图像的情况。另一方面，作为后者的例子，考虑在推定用单纯X射线图像是腰部正面单纯X射线图像的情况下，在多个学习用单纯X射线图像中包括胸部正面单纯X射线图像的情况。作为另一例子，考虑在推定用单纯X射线图像是腰部侧面单纯X射线图像的情况下，在多个学习用单纯X射线图像中包括膝正面单纯X射线图像的情况。
此外，在多个学习用单纯X射线图像中，既可以包括拍摄到与推定用单纯X射线图像相同朝向的部位的单纯X射线图像，也可以包括拍摄到与推定用单纯X射线图像不同的朝向的部位的单纯X射线图像。作为前者的例子，考虑在推定用单纯X射线图像是腰椎正面单纯X射线图像的情况下，在多个学习用单纯X射线图像中包括腰部正面单纯X射线图像的情况。作为另一例子，考虑在推定用单纯X射线图像是膝正面单纯X射线图像的情况下，在多个学习用单纯X射线图像中包括胸部正面单纯X射线图像的情况。另一方面，作为后者的例子，考虑在推定用单纯X射线图像是膝侧面单纯X射线图像的情况下，在多个学习用单纯X射线图像中包括膝正面单纯X射线图像的情况。作为另一例子，考虑在推定用单纯X射线图像是腰部侧面单纯X射线图像的情况下，在多个学习用单纯X射线图像中包括胸部正面单纯X射线图像的情况。
此外，在训练数据140中，也可以包括从在推定用单纯X射线图像中拍摄到的部位所包括的部位(骨头)测定的基准骨密度，也可以包括从不包括于在推定用单纯X射线图像中拍摄到的部位的部位(骨)测定的基准骨密度。作为前者的例子，考虑在推定用单纯X射线图像是腰部正面单纯X射线图像的情况下，在训练数据140中包括腰椎的基准骨密度的情况。另一方面，作为后者的例子，考虑在推定用单纯X射线图像是胸部正面单纯X射线图像的情况下，在训练数据140中包括掌骨头的基准骨密度的情况。
此外，在训练数据140中，既可以包括通过从与在推定用单纯X射线图像中拍摄到的部位的朝向相同朝向向对象部位照射X射线而测定的基准骨密度，也可以包括通过从与在推定用单纯X射线图像中拍摄到的部位的朝向不同的朝向向对象部位照射X射线而测定的基准骨密度。作为前者的例子，考虑在推定用单纯X射线图像是腰部正面单纯X射线图像的情况下，在训练数据140中包括相对于腰椎从其正面照射X射线而测定的基准骨密度的情况。另一方面，作为后者的例子，考虑在推定用单纯X射线图像是腰部侧面单纯X射线图像的情况下，在训练数据140中包括相对于大腿骨近位部从其正面照射X射线而测定的基准骨密度的情况。
在本例中，将对由单纯X射线拍摄装置(换言之，一般X射线拍摄装置或者伦琴拍摄装置)获得的表示单纯X射线图像的灰阶的图像数据进行压缩，并且使其灰阶数下降而得到的图像数据作为学习用图像数据以及推定用图像数据而使用。例如，在构成由单纯X射线拍摄装置获得的图像数据的多个像素数据的数量多于(1024×640)个且其像素数据的位数为16位的情况下。在该情况下，将构成由单纯X射线拍摄装置获得的图像数据的多个像素数据的数量例如压缩到(256×256)个、(1024×512)个或者(1024×640)个为止，并将其像素数据的位数降低到8位为止，从而作为学习用图像数据以及推定用图像数据而使用。在该情况下，学习用单纯X射线图像以及推定用单纯X射线图像的每一个包括(256×256)个、(1024×512)个或者(1024×640)个像素，该像素的值用8位来表达。
对于学习用图像数据以及推定用图像数据，既可以由推定装置1的控制部10根据通过单纯X射线拍摄装置获得的图像数据来生成，也可以由推定装置1以外的装置根据通过单纯X射线拍摄装置获得的图像数据来生成。在前者的情况下，对于通过单纯X射线拍摄装置获得的图像数据，既可以由通信部30通过通信网络而接收，也可以存储在存储部20所包括的插拔式存储器。在后者的情况下，也可以是，通信部30通过通信网络从其他装置接收学习用图像数据以及推定用图像数据，控制部10将由通信部30接收到的学习用图像数据以及推定用图像数据存储在存储部20。或者，也可以将由其他装置生成的学习用图像数据以及推定用图像数据存储在存储部20所包括的插拔式存储器。此外，对于训练数据140，也可以是，通信部30通过通信网络来接收，并且控制部10将由通信部30接收到的训练数据140存储在存储部20。或者，也可以将训练数据140存储在存储部20所包括的插拔式存储器。另外，学习用图像数据以及推定用图像数据的像素数据的数量以及位数不限于上述。
<神经网络的学习例>
图5是用于说明神经网络200的学习的一个例子的图。在控制部10进行神经网络200的学习的情况下，如图5所示，向神经网络200的输入层210输入学习用数据130。然后，控制部10调整神经网络200内的可变的参数110a，以使得针对从神经网络200的输出层230输出的输出数据400的相对于训练数据140的误差较小。更详细地，控制部10向输入层210输入存储部20内的各学习用图像数据。在向输入层210输入学习用图像数据的情况下，控制部10将构成该学习用图像数据的多个像素数据分别输入到构成输入层210的多个人工神经元。然后，控制部10在向输入层210输入了学习用图像数据的情况下，调整参数110a，以使得针对从输出层230输出的输出数据400的相对于与该学习用图像数据对应的基准骨密度的误差较小。作为参数110a的调整方法，例如可采用误差反向传播法。调整后的参数110a成为学习完成的参数110，存储在存储部20。在参数110a中，例如包括隐藏层220中使用的参数。具体地，在参数110a中包括卷积层240中使用的过滤器系数和全连接层260中使用的加权系数。另外，参数110a的调整方法、换言之参数110a的学习方法不限于此。
像这样，在存储部20中，存储使用神经网络200对包括多个学习用单纯X射线图像的图像数据的学习用数据130、和作为训练数据140的骨密度的测定值的关系进行了学习的学习完成的参数110。
在上述的例子中，推定装置1进行了神经网络200的学习，但其他装置也可以进行神经网络200的学习。在该情况下，在推定装置1的存储部20存储其他装置生成的学习完成的参数110。此外，变得不需要在存储部20存储学习用数据130以及训练数据140。对于其他装置生成的学习完成的参数110，也可以由通信部30通过通信网络来接收，并且控制部10将由通信部30接收的学习完成的参数110存储在存储部20。或者，也可以在存储部20所包括的插拔式存储器中，存储其他装置生成的学习完成的参数110。
在如以上那样学习的神经网络200中，多个学习用单纯X射线图像的图像数据作为学习用数据130而输入到输入层210，并且包括使用基准骨密度作为训练数据140而学习的学习完成的参数110a。如上述的图2所示，神经网络200针对输入到输入层210的推定用数据120，进行基于学习完成的参数110a的运算，并从输出层230输出骨密度推定值300。在将作为推定用数据120的推定用图像数据输入到输入层210的情况下，将构成该推定用图像数据的多个像素数据分别输入到构成输入层210的多个人工神经元。然后，卷积层240进行使用学习完成的参数110a所包括的过滤器系数的运算，全连接层260进行使用学习完成的参数110a所包括的加权系数的运算。
例如，在将表示胸部正面单纯X射线图像的推定用图像数据输入到输入层210的情况下，具有在该推定用图像数据表示的胸部正面单纯X射线图像中拍摄到的胸部的骨头的人的骨头密度的推定值300从输出层230输出。此外，在将表示腰部正面单纯X射线图像的推定用图像数据输入到输入层210的情况下，具有在该推定用图像数据表示的腰部正面单纯X射线图像中拍摄到的腰部所包括的腰椎的人的骨头密度的推定值300从输出层230输出。此外，在将表示腰部侧面单纯X射线图像的推定用图像数据输入到输入层210的情况下，具有在该推定用图像数据表示的腰部侧面单纯X射线图像中拍摄到的腰部所包括的腰椎的人的骨头密度的推定值300从输出层230输出。此外，在将表示膝正面单纯X射线图像的推定用图像数据输入到输入层210的情况下，具有在该推定用图像数据表示的膝正面单纯X射线图像中拍摄到的膝关节的骨头的人的骨头密度的推定值300从输出层230输出。此外，在将表示膝侧面单纯X射线图像的推定用图像数据输入到输入层210的情况下，具有在该推定用图像数据表示的膝侧面单纯X射线图像中拍摄到的膝关节的骨头的人的骨头密度的推定值300从输出层230输出。
从输出层230输出的推定值300可以利用每单位面积的骨矿物质密度(g/cm2)、每单位体积的骨矿物质密度(g/cm3)、YAM、T分数以及Z分数的至少1种来表示。YAM是“YoungAdult Mean”的缩写，有时被称为年轻人成人平均百分比。例如，从输出层230，既可以输出表示为每单位面积的骨矿物质密度(g/cm2)的推定值300和表示为YAM的推定值300，也可以输出表示为YAM的推定值300、表示为T分数的推定值300和表示为Z分数的推定值300。
另外，存储部20也可以存储多个推定用数据120。在该情况下，在存储部20内的多个推定用数据120分别表示的多个推定用单纯X射线图像中，既可以包括拍摄到相同种类的部位的多个单纯X射线图像，也可以包括拍摄到互相不同的种类的部位的多个单纯X射线图像。此外，在多个推定用单纯X射线图像中，既可以包括从相同方向拍摄到部位的多个单纯X射线图像，也可以包括从不同的方向拍摄到部位的多个单纯X射线图像。换言之，在多个推定用单纯X射线图像中，既可以包括在其中拍摄到的部位的朝向相同的多个单纯X射线图像，也可以包括在其中拍摄到的部位的朝向不同的多个单纯X射线图像。控制部10将存储部20内的多个推定用数据120的每一个输入到神经网络200的输入层210，并从神经网络200的输出层230输出与各推定用数据120对应的骨密度推定值300。
如以上那样，在本例中，使用单纯X射线图像的图像数据来进行神经网络200的学习和神经网络200中的骨密度的推定。对于单纯X射线图像的图像数据、换言之伦琴像的图像数据，因为在许多医院中在形形色色的诊察等利用，所以能够容易地入手。因此，能够不使用如DEXA装置那样的昂贵的装置而简单地推定骨密度。
此外，通过将为了诊察等而拍摄的单纯X射线图像的图像数据作为推定用图像数据来使用，能够利用该诊察等机会来简单地推定骨密度。由此，通过利用推定装置1，能够提高针对医院利用者的服务。
此外，在胸部等正面单纯X射线图像中，可能受到脏器的影响，从而变得难以拍摄到骨头。另一方面，在许多医院中拍摄正面单纯X射线图像的可能性较高。在本例中，即使在将可能变得难以拍摄到骨头的正面单纯X射线图像作为推定用单纯X射线图像或者学习用单纯X射线图像来使用的情况下，也能够推定骨密度。因此，能够使用容易入手的正面单纯X射线图像的图像数据来简单地推定骨密度。此外，对于胸部正面单纯X射线图像，多在健康诊断等中被拍摄，可以说是特别容易入手的单纯X射线图像。通过作为推定用单纯X射线图像或者学习用单纯X射线图像而使用胸部正面单纯X射线图像，能够进一步简单地推定骨密度。
此外，在本例中，即使在多个学习用单纯X射线图像中包括拍摄到与推定用单纯X射线图像不同的种类的部位的单纯X射线图像的情况下，也能够根据推定用单纯X射线图像的图像数据推定骨密度。由此，能够使推定装置1(换言之计算机装置1)的方便性提高。
此外，在本例中，在多个学习用单纯X射线图像中包括拍摄到与推定用单纯X射线图像不同的朝向的部位的单纯X射线图像的情况下，也能够根据推定用单纯X射线图像的图像数据推定骨密度。由此，能够使推定装置1的方便性提高。
此外，在本例中，即使在学习用单纯X射线图像中拍摄到的部位中不包括被测定了与该学习用单纯X射线图像对应的基准骨密度的部位(骨)的情况下，神经网络200也能够基于学习完成的参数110推定骨密度。由此，能够使推定装置1的方便性提高。
此外，在本例中，即使在在学习用单纯X射线图像中拍摄到的部位的朝向、和与该学习用单纯X射线图像对应的基准骨密度的测定中的对象部位的X射线的照射的朝向互相不同的情况下，神经网络200也能够基于学习完成的参数110推定骨密度。由此，能够使推定装置1的方便性提高。
此外，在本例中，即使在训练数据140中包括从不包括于在推定用单纯X射线图像中拍摄到的部位的部位测定的基准骨密度的情况下，也能够根据推定用单纯X射线图像的图像数据推定骨密度。由此，能够使推定装置1的方便性提高。
另外，由推定装置1获得的骨密度推定值300也可以由显示部40显示。此外，由推定装置1获得的骨密度推定值300也可以由其他装置使用。
图6是示出具备推定装置1、和进行使用由推定装置1获得的骨密度推定值300的处理的处理装置500的骨密度推定系统600的一个例子的图。在图6的例子中，推定装置1和处理装置500能够通过通信网络700互相通信。在通信网络700中例如包括无线网络以及有线网络的至少一者。在通信网络700中，例如包括无线LAN(Local Area Network，局域网)以及互联网等。
在推定装置1中，通信网络700与通信部30连接。控制部10使通信部30向处理装置500发送骨密度推定值300。处理装置500进行使用了通过通信网络700从推定装置1接收的骨密度推定值300处理。例如，处理装置500是液晶显示装置等显示装置，显示骨密度推定值300。此时，处理装置500也可以将骨密度推定值300制成表而显示，也可以制成曲线图而显示。此外，在多个推定装置1与通信网络700连接的情况下，处理装置500也可以显示由该多个推定装置1获得的骨密度推定值300。处理装置500的结构既可以与图1所示的推定装置1的结构相同，也可以与推定装置1的结构不同。
另外，处理装置500执行的使用骨密度推定值300的处理不限于上述的例子。此外，处理装置500也可以不经由通信网络700与推定装置1直接地通过无线或者有线而通信。
<推定用数据以及学习用数据的其他例子>
<第1其他例子>
在本例中，在学习用数据130中，对于各学习用图像数据，包括与具有在该学习用图像数据表示的学习用单纯X射线图像中拍摄到的骨头的人的健康状态相关的信息。换言之，在学习用数据130中，对于各学习用图像数据，包括与该学习用图像数据表示的学习用单纯X射线图像的被摄体(被检体)的健康状态相关的信息。之后，有时将与学习用单纯X射线图像的被摄体的健康状态相关的信息称为“学习用健康关联信息”。此外，有时将与学习用图像数据表示的学习用单纯X射线图像的被摄体的健康状态相关的信息称为与该学习用图像数据对应的学习用健康关联信息。
学习用健康关联信息例如包括年龄信息、性别信息、身高信息、体重信息、饮酒习惯信息、抽烟习惯信息以及骨折历史的有无信息的至少1种。学习用健康关联信息按照每个人而被数据库化，并被生成为CSV(Comma-Separated Value，逗号分割值)形式文件或者文本形式文件。年龄信息、身高信息以及体重信息的每一个例如被表示为多个位的数值数据。此外，关于性别信息，例如将“男性”或者“女性”表示为1位的数据，关于饮酒习惯信息，将“有饮酒习惯”或者“无饮酒习惯”表示为1位的数据。此外，关于抽烟习惯信息，作为“有抽烟习惯”或者“无抽烟习惯”而表示1位的数据，关于骨折历史的有无信息，将“有骨折”或者“无骨折”表示为1位的数据。此外，学习用健康关联信息也可以包括被检者的体脂率或皮下脂肪率。
在学习用数据130中包括学习用图像数据和与其对应的学习用健康关联信息的情况下，与学习用图像数据对应的基准骨密度(参照图4)相对于与该学习用图像数据对应的学习用健康关联信息被进行对应。即，相对于表示拍摄到某个人的骨头的学习用单纯X射线图像的学习用图像数据、和与该某个人的健康状态相关的信息(学习用健康关联信息)，该某个人的骨头密度的测定值(基准骨密度)被进行对应。然后，在神经网络200的学习中，相对于输入层210，同时输入学习用图像数据和与其对应的学习用健康关联信息。具体地，向构成输入层210的多个人工神经元的一部分输入学习用图像数据，并向该多个人工神经元的其他部分输入学习用健康关联信息。然后，在相对于输入层210输入了学习用图像数据和与其对应的学习用健康关联信息时，对从输出层230输出的输出数据400、和与该学习用图像数据以及该学习用健康关联信息对应的基准骨密度进行比较。
此外在本例中，在推定用数据120中，包括推定用图像数据、和与具有在该推定用图像数据表示的推定用单纯X射线图像中拍摄到的骨头的人的健康状态相关的信息。换言之，在推定用数据120中，包括推定用图像数据、和与该推定用图像数据表示的推定用单纯X射线图像的被摄体的健康状态相关的信息。之后，有时将与推定用单纯X射线图像的被摄体的健康状态相关的信息称为“推定用健康关联信息(以下，在另一实施方式中，有时也称为“个体数据”。)”。此外，有时将与推定用图像数据表示的推定用单纯X射线图像的被摄体的健康状态相关的信息称为与该推定用图像数据对应的推定用健康关联信息。
推定用健康关联信息与学习用健康关联信息同样地，例如包括年龄信息、性别信息、身高信息、体重信息、饮酒习惯信息、抽烟习惯信息以及骨折历史的有无信息的至少1种。在推定用健康关联信息中，包括与学习用健康关联信息相同种类的信息。此外，推定用健康关联信息也可以与学习用健康关联信息同样地包括被检者的体脂率或皮下脂肪率。
在本例中，在进行骨密度的推定的情况下，相对于输入层210，同时输入推定用图像数据、和与其对应的推定用健康关联信息。具体地，向构成输入层210的多个人工神经元的一部分输入推定用图像数据，并向该多个人工神经元的其他部分输入推定用健康关联信息。如果相对于输入层210，输入针对某个人的推定用图像数据以及推定用健康关联信息，则从输出层230输出该某个人的骨头密度的推定值。
像这样，通过不仅使用单纯X射线图像的图像数据，还使用与该单纯X射线图像的被摄体的健康状态相关的信息，从而能够使骨密度的推定精度提高。
<其他第2例>
在本例中，在学习用数据130中，包括拍摄到同一人具有的部位且在其中拍摄到的部位的朝向互相不同的N个(N≥2)的学习用单纯X射线图像的图像数据。之后，有时将该N个学习用单纯X射线图像统称为“学习用单纯X射线图像组”。
在学习用单纯X射线图像组中，例如包括针对同一人的正面图像以及侧面图像。在学习用单纯X射线图像组中，例如包括某个人的胸部正面单纯X射线图像以及腰部侧面单纯X射线图像。学习用单纯X射线图像组所包括的正面图像以及侧面图像的图像尺寸也可以互相不同。例如，侧面图像的图像尺寸的横向宽度也可以小于正面图像的图像尺寸的横向宽度。之后，有时将学习用单纯X射线图像组的各学习用单纯X射线图像的图像数据统称为“学习用图像数据组”。
在学习用数据130中，包括针对互相不同的多人的学习用图像数据组。由此，在学习用数据130中包括多个学习用图像数据组。而且，相对于一个学习用图像数据组，与一个基准骨密度建立对应。即，相对于针对某个人的学习用图像数据组，与该某个人的骨头密度的测定值(基准骨密度)建立对应。
在本例的神经网络200的学习中，相对于输入层210，输入各学习用图像数据组。在相对于输入层210输入一个学习用图像数据组的情况下，构成该一个学习用图像数据组的N个学习用图像数据被同时输入到输入层210。例如，设学习用图像数据组包括第1学习用图像数据和第2学习用图像数据。在该情况下，向构成输入层210的多个人工神经元的一部分输入第1学习用图像数据(例如，胸部正面单纯X射线图像的图像数据)，并向该多个人工神经元的另一部分输入第2学习用图像数据(例如，腰部侧面单纯X射线图像的图像数据)。然后，在相对于输入层210输入学习用图像数据组时，对从输出层230输出的输出数据400、和与该学习用图像数据组对应的基准骨密度进行比较。
此外，在本例中，在推定用数据120中，包括拍摄到同一人具有的部位且在其中拍摄到的部位的朝向互相不同的N个推定用单纯X射线图像的图像数据。之后，有时将该N个推定用单纯X射线图像统称为“推定用单纯X射线图像组”。
在推定用单纯X射线图像组中，例如包括针对同一人的正面图像以及侧面图像。在推定用单纯X射线图像组中，例如包括某个人的腰部正面单纯X射线图像以及膝侧面单纯X射线图像。推定用单纯X射线图像组所包括的正面图像以及侧面图像的图像尺寸也可以互相不同。例如，侧面图像的图像尺寸的横向宽度也可以小于正面图像的图像尺寸的横向宽度。之后，有时将推定用单纯X射线图像组的各推定用单纯X射线图像的图像数据统称为“推定用图像数据组”。
在本例中，在使用推定用数据120来进行骨密度的推定的情况下，相对于输入层210，同时输入构成推定用图像数据组的N个推定用图像数据。例如，设推定用图像数据组包括第1推定用图像数据和第2推定用图像数据。在该情况下，向构成输入层210的多个人工神经元的一部分输入第1推定用图像数据，并向该多个人工神经元的另一部分输入第2推定用图像数据。如果向输入层210输入针对某个人的推定用图像数据组，则从输出层230推定该某个人的骨头密度的推定值。
像这样，能够通过使用拍摄到同一被摄体具有的部位且在其中拍摄到的部位的朝向互相不同的多个单纯X射线图像的图像数据，从而使骨密度的推定精度提高。
另外，在学习用数据130中，也可以包括学习用图像数据组以及学习用健康关联信息。在该情况下，在神经网络200的学习中，相对于输入层210，同时输入针对相同的人的学习用图像数据组以及学习用健康关联信息。同样地，在推定用数据120中，也可以包括推定用图像数据组以及推定用健康关联信息。在该情况下，相对于输入层210，同时输入推定用图像数据组以及推定用健康关联信息。
在上述的各例中，与在推定用图像数据表示的X射线图像中拍摄到的骨头的种类无关地，使用了相同的学习完成的参数110，但也可以使用与在推定用图像数据表示的X射线图像中拍摄到的骨头的种类相应的学习完成的参数110。在该情况下，神经网络200具有分别与多种骨头相应的多个学习完成的参数110。神经网络200使用与在输入的推定用图像数据表示的X射线图像中拍摄到的骨头的种类相应的学习完成的参数110，来推定骨密度。例如，在输入的推定用图像数据表示的X射线图像中拍摄到腰椎的情况下，神经网络200使用腰椎的骨密度推定用的学习参数110来推定骨密度。此外，在输入的推定用图像数据表示的X射线图像中拍摄到大腿骨近位部的情况下，神经网络200使用大腿骨近位部的骨密度推定用的学习参数110，来推定骨密度。神经网络200使用多个学习完成的参数110中的例如通过输入部50从用户指示的学习完成的参数110。在该情况下，用户根据在向神经网络200输入的推定用图像数据表示的X射线图像中拍摄到的骨头的种类，指示神经网络200使用的学习完成的参数110。
在神经网络200的学习中，使用分别表示拍摄到相同种类的骨头的多个X射线图像的多个学习用图像数据，来生成与该骨头的种类相应的学习完成的参数110。
如以上那样，对推定装置1以及骨密度推定系统600详细地进行了说明，但上述的说明在所有方式中均为例示，本公开不限定于此。此外，上述的各种例子只要不相互矛盾就能够组合而应用。而且，未例示的无数的例子可解释为在不脱离本公开的范围的情况下进行设想而获得的例子。
实施方式2.
图7是示出本实施方式涉及的推定装置1A的结构的一个例子的图。在推定装置1A中，近似器280还具有第2神经网络900。第2神经网络900能够基于学习完成的参数910来感知骨折。另外，本实施方式涉及的推定装置1A具有与第1实施方式涉及的推定装置1等同的结构，对于等同的结构，省略说明。此外，为了方便说明，将上述的例子中记载的神经网络200称为第1神经网络200。第2神经网络900例如具有与第1神经网络200等同的结构。
第2神经网络900能够基于与输入到第1神经网络200的推定用数据120所包括的推定用图像数据相同的推定用图像数据来感知骨折。即，能够根据1个推定用图像数据，在第1神经网络200中推定骨密度，并在第2神经网络900中感知骨折。另外，第2神经网络900的感知结果920只要与上述的例子同样地从第2神经网络900的输出层230输出即可。
在第2神经网络900的学习中，使用拍摄到未骨折的骨头的学习用图像数据和拍摄到骨折了的骨头的学习用图像数据来对参数进行学习。此外，在训练数据中，相对于各学习用图像数据，对针对拍摄到该学习用图像数据的骨头的表示当前有无骨折的信息以及表示骨折部位的信息建立对应。此外，训练数据也可以包括表示过去的骨折历史的信息以及表示过去的骨折部位的信息。其结果是，第2神经网络900能够基于推定用图像数据，来感知针对拍摄到该推定用图像数据的骨头的骨折的有无和位置，并输出该感知结果920。
此外，本实施方式涉及的推定装置1A也可以如图8所示，具有判定被摄体是否是骨质疏松症的判定部930。判定部930能够对第1神经网络200的推定结果300和第2神经网络900的感知结果920进行比较研究，从而判定被摄体是否是骨质疏松症。
判定部900例如也可以基于特有基准或已经公知的准则等来判定骨质疏松症。具体地，判定部900也可以在感知结果920表示在椎体或大腿骨近位部处的骨折的情况下，判定是骨质疏松症。此外，在第1神经网络200输出的骨密度推定值300表示YAM的情况下，判定部900也可以在YAM是小于80％的值且感知结果920表示椎体以及大腿骨近位部以外的骨折的情况下，判定是骨质疏松症。此外，判定部900也可以在骨密度推定值300表示的YAM表示70％以下的值的情况下，判定是骨质疏松症。
此外，在本实施方式涉及的推定装置1A中，近似器280也可以如图9所示，还具有第3神经网络950。第3神经网络950能够基于学习完成的参数960，根据推定用数据120所包括的推定用图像数据来对被摄体的骨头进行划分。
第3神经网络950针对输入的推定用图像数据的各像素数据，输出表示该像素数据所表示的骨头的部位的部位信息。由此，能够对在推定用图像数据表示的X射线图像中拍摄到的骨进行划分。有时将部位信息称为片段数据。
例如，在输入的推定用图像数据表示的X射线图像中拍摄到腰椎的情况下，第3神经网络950针对该推定用图像数据的各像素数据，输出表示该像素数据指示腰椎的L1～L5中的哪一部位的部位信息。例如，第3神经网络950在推定用图像数据的某像素数据表示腰椎的L1的情况下，输出表示L1的部位信息来作为与该像素数据对应的部位信息。
第3神经网络950使用与在推定用图像数据表示的X射线图像中拍摄到的骨头的种类相应的学习完成的参数960。第3神经网络950具有分别与多种骨头相应的多个学习完成的参数960。第3神经网络950使用与在输入的推定用图像数据表示的X射线图像中拍摄到的骨头的种类相应的学习完成的参数960，来对在推定用图像数据表示的X射线图像中拍摄到的骨头进行划分。例如，在输入的推定用图像数据表示的X射线图像中拍摄到腰椎的情况下，第3神经网络950使用与腰椎相应的学习参数960来将腰椎划分为L1～L5。第3神经网络950使用多个学习完成的参数960中的例如通过输入部50从用户指示的学习完成的参数960。在该情况下，用户根据在输入到第3神经网络950的推定用图像数据表示的X射线图像中拍摄到的骨头的种类，指示第3神经网络950使用的学习完成的参数960。
第3神经网络950也可以将在输入的推定用图像数据表示的X射线图像中拍摄到的骨头划分为埋入有植入体的第1部位、有肿瘤的第2部位以及有骨折的第3部位。在该情况下，第3神经网络950针对推定用图像数据的各像素数据，输出表示该像素数据指示第1部位、第2部位以及第3部位中哪个部位的部位信息。第3神经网络950在像素数据指示第1部位、第2部位以及第3部位以外的部位的情况下，输出表示该像素数据指示第1部位、第2部位以及第3部位以外的部位的部位信息。在第3神经网络950将在推定用图像数据表示的X射线图像中拍摄到的骨头划分为第1部位、第2部位以及第3部位的情况下，也可说第3神经网络950感知到埋入于在推定用图像数据表示的X射线图像中拍摄到的骨头的植入体、该骨头的骨折以及该骨头的肿瘤。
在第3神经网络950的学习中，使用分别表示拍摄到相同种类的骨头的多个X射线图像的多个学习用图像数据，来生成与该骨头的种类相应的学习完成的参数960。在第3神经网络950将在输入的推定用图像数据表示的X射线图像中拍摄到的骨头划分为第1部位、第2部位以及第3部位的情况下，在多个学习用图像数据中，包括表示拍摄到埋入有植入体的病例的X射线图像的学习用图像数据、表示拍摄到在骨头中有肿瘤的病例的X射线图像的学习用图像数据、和表示拍摄到有骨折的病例的X射线图像的学习用图像数据。此外，在训练数据中，对于各学习用图像数据，包括该学习用图像数据表示的骨头的划分用的注释信息。在注释信息中，对于与其对应的学习用图像数据的各像素数据，包括指示该像素数据表示的骨头的部位的部位信息。
另外，第1神经网络200也可以按照在第3神经网络950中划分出的每个部位来推定骨密度。在该情况下，如图10所示，向第1神经网络200输入推定用图像数据121、和第3神经网络950基于该推定用图像数据121输出的与该推定用图像数据121的各像素数据相应的部位信息965。第1神经网络200基于与在推定用图像数据121表示的X射线图像中拍摄到的骨头的种类相应的学习完成的参数110，按照在第3神经网络中划分出的每个部位，输出该部位的骨密度推定值300。例如，在第3神经网络950将在推定用图像数据)21表示的X射线图像中拍摄到的颈椎划分为L1～L5的情况下，第1神经网络200分开地输出L1的骨密度推定值300、L2的骨密度推定值300、L3的骨密度推定值300、L4的骨密度推定值300和L5的骨密度推定值300。
在第1神经网络200的学习中，使用分别表示拍摄到相同种类的骨头的多个X射线图像的多个学习用图像数据，生成与该骨头的种类相应的学习完成的参数110。此外，在训练数据中，对于各学习用图像数据，包括该学习用图像数据表示的骨头的各部位的基准骨密度。
第1神经网络200使用多个学习完成的参数110中的例如通过输入部50从用户指示的学习完成的参数110。在该情况下，用户根据在向第1神经网络200输入的推定用图像数据表示的X射线图像中拍摄到的骨头的种类，指示第1神经网络200使用的学习完成的参数110。
在第3神经网络950将在推定用图像数据表示的X射线图像中拍摄到的骨头划分为埋入有植入体的第1部位、有肿瘤的第2部位以及有骨折的第3部位的情况下，也可以对推定用图像数据中的表示第1部位的第1部分图像数据、表示有肿瘤的第2部位的第2部分图像数据、和表示第3部位的第3部分图像数据的亮度进行调整。图11是表示在该情况下的结构例的图。
如图11所示，向调整部968输入推定用图像数据121和第3神经网络950基于该推定用图像数据121而输出的与该推定用图像数据121的各像素数据相应的部位信息965。调整部968基于部位信息965来确定推定用图像数据121所包括的第1部分图像数据、第2部分图像数据以及第3部分图像数据。然后，调整部968对确定出的第1部分图像数据、第2部分图像数据以及第3部分图像数据的亮度进行调整。
调整部968例如将在一般的X射线图像中拍摄到的第1部位的亮度作为第1基准亮度来存储。此外，调整部968将在一般的X射线图像中拍摄到的第2部位的亮度作为第2基准亮度来存储。而且，调整部968将在一般的X射线图像中拍摄到的第3部位的亮度作为第3基准亮度来存储。调整部968从第1部分图像数据的亮度中减去第1基准亮度，从而对第1部分图像数据的亮度进行调整。此外，调整部968从第2部分图像数据的亮度中减去第2基准亮度，从而对第2部分图像数据的亮度进行调整。而且，调整部968从第3部分图像数据的亮度减去第3基准亮度，从而对第3部分图像数据的亮度进行调整。调整部968将在推定用图像数据中对第1部分图像数据、第2部分图像数据以及第3部分图像数据的亮度进行了调整的推定用图像数据作为亮度调整后的推定用图像数据而输入到第1神经网络200。第1神经网络200基于亮度调整后的推定用图像数据，推定在该推定用图像数据表示的X射线图像中拍摄到的骨头的骨密度。
在此，根据埋入有植入体的第1部位、有肿瘤的第2部位以及有骨折的第3部位正确地推定骨密度并不容易。通过如上述那样，对表示第1部位的第1部分图像数据、表示第2部位的第2部分图像数据以及表示第3部位的第3部分图像数据的亮度进行调整以使其变小，从而能够正确地推定在推定用图像数据表示的X射线图像中拍摄到的骨头的骨密度。
另外，调整部968也可以将第1部分图像数据、第2部分图像数据以及第3部分图像数据的亮度被强制性地设定为零的推定用图像数据作为亮度调整后的推定用图像数据而输入到第1神经网络200。
此外，第3神经网络950也可以只感知植入体、骨折以及肿瘤中的1个。此外，第3神经网络950也可以只感知植入体、骨折以及肿瘤中的2个。即，第3神经网络950也可以感知植入体、骨折以及肿瘤中的至少1个。
此外，推定装置1A也可以不具备第2神经网络900，而具备第1神经网络200以及第3神经网络950。此外，推定装置1A也可以不具备第1神经网络200，而具备第2神经网络900以及第3神经网络950的至少一者。
如以上那样，对推定装置1A详细地进行了说明，但上述的说明在所有方式中均是例示，本公开不限定于此。此外，上述的各种例子只要不相互矛盾就能够组合而应用。而且，未例示的无数的例子可解释为在不脱离本公开的范围的情况下进行设想而获得的例子。
实施方式3.
图12是示出本实施方式涉及的推定装置1B的结构的一个例子的图。推定装置1B具有骨折预测部980。骨折预测部980例如能够基于实施方式1涉及的推定装置)的神经网络200的推定结果300，来预测骨折的概率。具体地，例如根据过去的文献等求得表示与骨密度关联的推定结果(例如骨密度等)和骨折的概率的关系的运算式990。骨折预测部980存储运算式990。骨折预测部980能够基于输入的推定结果300和存储的运算式990，来预测骨折的概率。
此外，运算式990也可以是表示与骨密度关联的推定结果和骨钉埋入后的骨折的概率的关系的运算式。其结果是，能够进行是否埋入骨钉以及包括施药的治疗计划的研究。
另外，推定装置1B也可以具备第2神经网络900。此外，推定装置1B也可以具备第3神经网络950。
如以上那样，对推定装置1B详细地进行了说明，但上述的说明在所有方式中均是例示，本公开不限定于此。此外，上述的各种例子只要不相互矛盾就能够组合而应用。而且，未例示的无数的例子可解释为在不脱离本公开的范围的情况下进行设想而获得的例子。
实施方式4.
在图13中，示出本实施方式的推定系统801的结构的概念。
本公开的推定系统801例如能够根据X射线图像等拍摄到被摄体的骨头的图像等，来推定被摄体的将来的骨量。本公开的推定系统801具有终端装置802和推定装置803。另外，所谓骨量，是与骨密度关联的指标，是包括骨密度的概念。
终端装置802能够获取用于向推定装置803输入的输入信息I。输入信息I例如只要是X射线图像等即可。在该情况下，终端装置802只要是用于医生等对被摄体的X射线图像进行拍摄的装置即可。例如，终端装置802只要是单纯X射线拍摄装置(换言之，一般X射线拍摄装置或者伦琴拍摄装置)即可。
另外，终端装置802不限于单纯X射线拍摄装置。终端装置802例如也可以是X射线透视拍摄装置、CT(Computed Tomography，计算机断层扫描)、MRI(Magnetic ResonanceImaging，磁共振成像)、SPECT(Single Photon Emission Computed Tomography，单光子发射计算机断层扫描)-CT或断层合成等。在该情况下，输入信息I例如只要是X射线透视图像、CT(Computed Tomography，计算机断层扫描)图像、MRI(Magnetic Resonance Imaging，磁共振成像)图像、骨闪烁照相法图像或断层合成图像即可。
推定系统801例如可使用于去医院的患者的骨质疏松症等的诊断。本公开的推定系统801例如使用设置在伦琴室的终端装置802，从而拍摄患者的伦琴照片。然后，从终端装置802向推定装置803传输图像数据，并经由推定装置803，从而不仅能够推定当前时间点的患者的骨量或骨密度，还能够推定比拍摄时更靠将来的患者的骨量或骨密度。
另外，终端装置802也可以不直接向推定装置803传输输入信息I。在该情况下，例如也可以将由终端装置802获取到的输入信息I存储在存储介质，并经由存储介质向推定装置803输入输入信息I。
在图14中，示出本实施方式涉及的推定装置803的结构的概念。
推定装置803能够基于由终端装置802获取到的输入信息I，推定被摄体的将来的骨量或骨密度。在推定装置803中，能够根据终端装置802获取的图像数据，推定被摄体的将来的骨量或骨密度，并输出该推定结果O。
推定装置803具有输入部831、近似器832和输出部833。输入部831从终端装置802输入输入信息I。近似器832能够基于输入信息I，推定将来的骨量或骨密度。输出部833能够输出近似器832预测出的推定结果O。
推定装置803具有各种电子部件以及电路。其结果是，推定装置803能够形成各结构要素。例如，推定装置803能够进行将多个半导体元件集成以形成至少1个集成电路(例如IC：Integrated Circuit(集成电路)或LSI：Large Scale Integration(大尺寸集成电路))等、或进一步将多个集成电路集成以形成至少1个单元等，从而构成推定装置803的各功能部等。
多个电子部件例如只要是晶体管或二极管等主动元件、或者电容器等被动元件即可。另外，多个电子部件以及将它们集成而形成的集成电路等能够通过以往公知的方法来形成。
输入部831输入在推定装置803中使用的信息。向输入部831输入例如利用终端装置802获取到的具有X射线图像的输入信息I。输入部831具有通信部，利用终端装置802获取到的输入信息I从终端装置802直接输入。此外，输入部831也可以具备能够输入输入信息I或其他信息的输入装置。输入装置例如只要是键盘、触摸屏或鼠标等即可。
近似器832基于输入到输入部831的信息，推定被摄体的将来的骨量或骨密度。近似器832具有AI(Artificial Intelligence，人工智能)。近似器832具有作为AI而发挥功能的程序、和用于执行该程序的各种电子部件以及电路。近似器832具有神经网络。
近似器832预先针对输入输出的关系进行学习处理。即，能够使用学习数据以及训练数据对近似器832应用机器学习，从而近似器832能够根据输入信息I计算推定结果O。另外，学习数据或训练数据只要是输入到推定装置803的输入信息I和与从推定装置803输出的推定结果O对应的数据即可。
图15示出本公开的近似器832的结构的概念。
近似器832具有第1神经网络8321和第2神经网络8322。第1神经网络8321只要是适合对时序信息进行处理的神经网络即可。例如，第1神经网络8321只要是组合了LSTM(Longshort-term memory，长短期记忆)和CNN(Convolutional Neural Network，卷积神经网络)的ConvLSTM网络等即可。第2神经网络8322例如只要是利用CNN构成的卷积神经网络等即可。
第1神经网络8321具有编码部E和解码部D。编码部E能够提取输入信息I的时间变化以及位置信息的特征量。解码部D能够基于利用编码部E提取的特征量、输入信息I的时间变化以及初始值，来计算新的特征量。
图16示出本公开的第1神经网络8321的结构的概念。
编码部E具有多个ConvL S TM(Convolutional Long short-term memory，卷积长短期记忆)层E1。解码部D具有多个ConvLSTM(Convolutional Long short-term memory，卷积长短期记忆)层D1。编码部E以及解码部D的每一个也可以具有3个以上的ConvLSTM层E1、D1。此外，多个ConvLSTM层E1和多个ConvLSTM层D1的数量也可以是相同数量。
另外，多个ConvLSTM层E1分别学习的内容也可以不同。多个ConvLSTM层D1分别学习的内容也可以不同。例如，对于某个ConvLTSM层，对1个像素1个像素的变化之类的细微的内容进行学习，对于另外的ConvLSTM层，对整体图像的变化之类的粗略的内容进行学习。
图17示出第2神经网络8322的结构的概念。
第2神经网络8322具有变换部C。变换部C能够将由第1神经网络8321的解码部D计算出的特征量变换为骨量或骨密度。变换部C具有多个卷积层C1、多个池化层C2和全连接层C3。全连接层C3位于输出部33的前级。而且，在变换部C中，卷积层C1和池化层C2在第1神经网络8321与全连接层C3之间交替地配置。
另外，学习数据在近似器832的学习时，被输入到近似器832的编码部E。训练数据在近似器832的学习时被与从近似器832的变换部C输出的输出数据进行比较。训练数据是表示使用以往的骨密度测定装置测定的值的数据。
输出部833能够显示推定结果O。输出部833例如是液晶显示器或者有机EL显示器。输出部833能够显示文字、符号、图形等各种信息。输出部833例如能够显示数字或图像等。
本公开的推定装置803还具有控制部834和存储部835。控制部834能够通过控制推定装置803的其他结构要素，来统一管理推定装置803的动作。
控制部834例如具有处理器。处理器例如可以包括1个以上的处理器、控制器、微处理器、微控制器、面向特定用途的集成电路(ASIC：Application Specific IntegratedCircuit，专用集成电路)、数字信号处理装置、可编程逻辑器件、或这些器件或者任意的校准的组合、或其他基础的器件或者校准的组合。控制部834例如具备CPU。
存储部835例如包括RAM(Random Access Memory，随机存取存储器)或ROM(Read-Only Memory，只读存储器)等、控制部834的CPU能够读取的非暂时性存储介质。在存储部835存储有用于控制固件等推定装置803的控制程序。此外，也可以在存储部835存储输入的输入信息I、学习的学习数据以及训练数据。
控制部834的处理器能够按照存储部835的控制程序，执行1个以上的数据计算程序或处理。控制部834的各种功能通过控制部834的CPU执行存储部835内的控制程序来实现。
另外，控制部834也可以根据需要，作为计算处理的预处理而进行其他处理。
<输入信息、学习数据以及训练数据的一个例子>
输入信息(以下，也称为第1输入信息I1)具有拍摄到骨量或骨密度的推定对象的骨头的图像数据。图像数据例如只要是单纯X射线图像即可。骨量或骨密度的推定对象例如是人。在该情况下，可以说第1输入信息I1是拍摄到人的骨头的单纯X射线图像的图像数据。单纯X射线图像是二维图像，也被称为一般X射线图像或者伦琴图像。
第1输入信息I1优选设为入手比较容易的单纯X射线图像，但不限定于此。例如，存在能够通过将X射线透视图像、CT(Computed Tomography，计算机断层扫描)图像、MRI(Magnetic Resonance Imaging，核磁共振成像)图像、骨闪烁照相法图像或断层合成图像使用为输入信息，从而更正确地推定骨量或骨密度的情况。
另外，骨量或骨密度的推定对象也可以是人以外。例如，骨量或骨密度的推定对象也可以是狗、猫或者马等动物。此外，设为对象的骨头主要是生物体来源的皮质骨以及海绵骨，但在设为对象的骨头中，也可以包括以磷酸钙为主成分的人工骨头、或者通过再生医疗等而人工制造的再生骨头。
作为X射线图像的拍摄部位，例如只要是颈部、胸部、腰部、大腿骨近位部、膝关节、脚踝关节、肩关节、肘关节、腕关节、指关节或颚关节即可。另外，也可以在X射线图像中拍摄到骨头以外的部位。例如，在胸部单纯X射线图像的情况下，也可以包括拍摄到肺的图像和拍摄到胸椎的图像。X射线图像既可以是从正面拍摄到对象部位的正面图像，也可以是从侧面拍摄到对象部位的侧面图像。
学习数据或训练数据只要是与输入到推定装置803的输入信息I和从推定装置803输出的推定结果O对应的数据即可。
学习数据具有与第1输入信息I1同种的信息。例如，如果第1输入信息I1是单纯X射线图像，则学习数据也只要具有单纯X射线图像即可。进一步地，在第1输入信息I1是胸部单纯X射线图像的情况下，学习数据也只要具有胸部单纯X射线图像即可。
在学习数据中包括拍摄到骨头的多个单纯X射线图像的学习用图像数据。在多个学习用图像数据的拍摄部位中，例如包括颈部、胸部、腰部、大腿骨近位部、膝关节、脚踝关节、肩关节、肘关节、腕关节、指关节以及颚关节的至少1种。在学习数据中，既可以包括11种图像数据中的一部分的种类的图像数据，也可以包括所有种类的图像数据。此外，在多个学习用图像数据中，既可以包括正面图像，也可以包括侧面图像。
在学习数据中，分别拍摄到互相不同的多个人的骨头。相对于多个学习用图像数据的每一个，作为训练数据，各个学习用图像数据的被摄体的骨量或骨密度的实测值被建立对应。骨量或骨密度的实测值是在与拍摄到学习用图像数据的时期几乎相同的时期测定的实测值。
此外，学习数据的学习用图像数据也可以是对同一人进行拍摄的时间轴不同的一连串数据。即，学习用图像数据是具有骨头的X射线图像的第1学习数据和与第1学习数据同一人物的图像，也可以包括具有在第1学习数据之后被拍摄到的X射线图像的第2学习数据。
此外，学习数据的学习用图像数据也可以是对他人的同一部位进行拍摄且年龄等不同的数据组。此外，学习数据的学习用图像数据也可以是对同一人、同一部分位进行拍摄的时间轴不同的一连串数据。
学习数据以及第1输入信息I1也可以使用对表示由单纯X射线拍摄装置(换言之，一般X射线拍摄装置或者伦琴拍摄装置)拍摄的单纯X射线图像的灰阶的图像数据进行压缩，并且使其灰阶数下降了的输入信息。例如，考虑图像数据的像素数据的数量多于(1024×640)个，并且该像素数据的位数是16位的情况。在该情况下，使用将像素数据的数量压缩到例如(256×256)个、(1024×512)个或者(1024×640)个为止，并将该像素数据的位数降低到8位为止的输入信息来作为第1输入信息I1以及学习数据。
在训练数据中，对于学习数据所包括的多个学习用图像数据的每一个，包括具有在学习用图像数据表示的学习用单纯X射线图像中拍摄到的骨头的骨量或骨密度的测定值。骨量或骨密度例如只要通过DEXA(dual-energy X-ray absorptiometry，双能X射线吸收计量法)法或超声波法来测定即可。
<神经网络的学习例>
控制部834针对近似器832执行使用学习数据和训练数据的机器学习，以使得近似器832能够根据输入信息I来计算与骨量或骨密度相关的推定结果O。近似器832通过使用训练数据的公知的机器学习而被最优化。近似器832根据输入到编码部E的学习数据进行运算，对近似器832内的可变的参数进行调整，以使得从变换部C输出的伪推定结果与训练数据之差较小。
具体地，控制部834将存储部835内的学习数据输入到编码部E。控制部834在向编码部E输入学习数据的情况下，将构成学习用图像数据的多个像素数据分别输入到构成编码部E的多个人工神经元。然后，控制部834在向编码部E输入了学习用图像数据的情况下，对参数进行调整，以使得针对从变换部C输出的推定结果O相对于与该学习用图像数据对应的骨量或骨密度实测值的误差变小。调整后的参数成为学习完成的参数，被存储在存储部835。
作为参数的调整方法，例如可采用误差反向传播法。在参数中，例如包括由编码部E、解码部D、变换部C使用的参数。具体地，在参数中，包括由编码部E和解码部D的ConvLSTM层、和变换部C的卷积层以及全连接层使用的加权系数。
其结果是，近似器832针对输入到编码部E的输入信息I进行基于学习完成的参数的运算，并从变换部C输出推定结果O。在作为输入信息I的X射线图像数据被输入到编码部E的情况下，构成该图像数据的多个像素数据分别被输入到构成输入部831的多个人工神经元。然后，ConvLSTM层、卷积层、全连接层能够进行使用学习完成的参数所包括的加权系数的运算，从而输出推定结果O。
如以上那样，在推定系统801中，使用单纯X射线图像的图像数据，进行近似器832的学习、和近似器832中的骨量或骨密度的推定。因此，能够向推定系统801输入输入信息I，并输出将来的骨量或骨密度以作为推定结果O。
推定系统801的推定结果O只要是相比于输入信息I的获取日更靠未来的某日的推定结果即可。例如，推定系统1能够推定拍摄时的3个月后到50年后为止、更优选为6个月后到10年后为止的骨量或骨密度。
推定结果O只要可作为值而输出即可。例如，可以通过YAM(Young Adult Mean，年轻人成人平均值)、T分数以及Z分数的至少1种来表示。例如，从输出部833既可以输出表示为YAM的推定值，也可以输出表示为YAM的推定值、表示为T分数的推定值和表示为Z分数的推定值。
此外，推定结果O也可以作为图像而输出。在推定结果O是图像的情况下，例如只要可显示仿X射线图像的图像即可。另外，所谓仿X射线图像的图像，是模仿X射线图像的图像。此外，在使用ConvLSTM对同一人、同一部分位进行拍摄且时间轴不同的一连串数据进行学习的情况下，能够预测图像的时间变化。由此，能够根据另外的患者的1个时间点的X射线图像，生成未来的图像。
在学习数据以及输入信息I中，除骨头之外，还可以拍摄到内脏、肌肉、脂肪或血管。即使在该情况下，也能够进行精度高的推定。
第1输入信息I1也可以具有被检者的个体数据(第1个体数据)。所谓第1个体数据，例如只要是年龄信息、性别信息、身高信息、体重信息或骨折历史等即可。其结果是，能够进行精度高的推定。
第1输入信息I1也可以具有被检者的第2个体数据。所谓第2个体数据，例如也可以包括血压、脂质、胆固醇、中性脂肪、血糖值的信息。其结果是，能够进行精度高的推定。
第1输入信息I1也可以具有被检者的生活习惯信息。所谓生活习惯信息，只要是饮酒习惯、抽烟习惯、运动习惯或饮食习惯等信息即可。其结果是，能够进行精度高的推定。
第1输入信息I1也可以具有被检者的骨代谢信息。所谓骨代谢信息，例如只要是骨吸收能力或骨形成能力即可。它们例如能够通过作为骨吸收标记的I型胶原交联N-端肽(NTX)、I型胶原交联C-端肽(CTX)、耐酒石酸酸性磷酸酶(TRACP-5b)、脱氧吡啶啉(DPD)、作为骨形成标记的骨型骨碱性磷酸酶(BAP)、I型胶原交联N-前肽(P1NP)、作为骨关联矩阵标记的低羧基骨钙素(ucOC)的至少1种来测定。骨吸收标记好可以将血清或尿作为检测体来测定。
在推定系统801中，也可以作为输入信息I，进一步输入与被摄体的将来的预定行动相关的第2输入信息I2。所谓第2输入信息I2，例如只要是与预定要改善或者改善后的个体数据或预定要改善或改善后的生活习惯、运动习惯、饮食习惯相关的信息即可。具体地，第2输入信息I2只要是体重数据、饮酒习惯、抽烟习惯、晒太阳的时间、每1日的步数或步行距离、乳制品的摄取量、或改善后的鱼、菌菇类等包含维生素D较多的食品的摄取量等信息即可。其结果是，推定系统801能够表示将来的骨量或骨密度改善了的推定结果O。
此外，第2输入信息I2例如也可以是与预计改差的生活习惯相关的信息。其结果是，推定系统能够表示将来的骨量或骨密度的改差的推定结果O。
在推定系统801中，作为输入信息I，进一步地也可以输入与针对被摄体的疗法相关的第3输入信息I3。所谓第3输入信息I3，例如是与理学疗法或药物疗法相关的信息。具体地，第3输入信息I3只要是钙片、女性荷尔蒙药、维生素药、双膦酸盐药、SERM(SelectiveEstrogen Receptor Modulator)药、降钙素药、甲状腺荷尔蒙药、地诺单抗药的至少1种即可。
在推定系统801中，推定结果O也可以输出仅基于第1输入信息I1的第1结果O1、和基于第1输入信息I1以及第2、第3输入信息I2、I3的至少1个信息的第2结果O2。其结果是，能够对针对将来的预定行动的效果进行比较。
在推定系统801中，推定结果O不仅输出将来的骨量或骨密度，还可以输出现状的结果。其结果是，能够对随时间的骨量或骨密度的变化进行比较。
图18示出推定系统1的另一实施方式的近似器832的结构的概念。
推定系统801的推定装置803也可以具有第1近似器832a和第2近似器832b。即，除上述的近似器832(第1近似器832a)之外，还可以具有第2近似器832b。第2近似器832b例如只要是CNN即可。
在该情况下，在推定系统801中，第1近似器832a作为第1推定结果O1将第1图像以及第1值输出到第1输出部833a。进一步地，第2近似器832b根据来自第1输出部833a的第1图像，作为第2推定结果O2将第2值输出到第2输出部833b。其结果是，能够作为将来的骨量或骨密度的推定结果O，对第1值和第2值进行比较。
推定系统801也可以输出基于第1值以及第2值的第3值，以作为推定结果O。其结果是，例如能够将基于第2值对第1值进行了校准的结果(第3值)设为推定结果O。
如以上那样，对推定系统801详细地进行了说明，但上述的说明在所有方式中均为例示，本公开不限定于此。此外，上述的各种例子只要不相互矛盾就能够组合而应用。而且，未例示的无数的例子可解释为在不脱离本公开的范围的情况下进行设想而获得的例子。

Claims (32)

1.一种推定装置，具备：
推定部，根据具有人的骨骼的单纯X射线图像的正面图像的第1图像的输入信息，基于学习完成的参数来推定骨头的骨密度。
2.根据权利要求1所述的推定装置，其中，
所述学习完成的参数是基于包含人的骨骼的第2图像的学习数据、和包含具有在所述第2图像中拍摄到的骨头的人的骨密度的训练数据而设定的。
3.根据权利要求2所述的推定装置，其中，
所述训练数据包含针对人的骨骼从其正面照射X射线而测定的骨密度。
4.根据权利要求2或者3所述的推定装置，其中，
所述训练数据包含所述第1图像中拍摄到的骨骼的部位中不包含的部位的骨密度。
5.根据权利要求2或者3所述的推定装置，其中，
所述输入信息具有由同一人具有的骨骼的多个第1图像、即在其中拍摄到的骨骼的部位的朝向互相不同的多个第1图像构成的第1图像组，
向所述推定部并行地输入构成所述第1图像组的多个第1图像，
所述学习数据包含由同一人具有的骨骼的多个第2图像、即在其中拍摄到的骨骼的部位的朝向互相不同的多个第2图像构成的第2图像组。
6.根据权利要求5所述的推定装置，其中，
所述第1图像组包含至少一个正面图像和至少一个侧面图像。
7.根据权利要求2或者3所述的推定装置，其中，
所述学习完成的参数是基于包含与在所述第1图像中拍摄到的骨骼不同的部位的骨骼的第2图像的学习数据而设定的。
8.根据权利要求2或者3所述的推定装置，其中，
所述学习完成的参数是基于包含与在所述第1图像中拍摄到的骨骼相同的部位的骨骼的第2图像的学习数据而设定的。
9.根据权利要求2或者3所述的推定装置，其中，
所述第2图像是单纯X射线图像。
10.根据权利要求2或者3所述的推定装置，其中，
所述学习完成的参数是基于包含人的骨骼的第2图像的学习数据、和包含在所述第2图像中拍摄到的骨头的骨密度的训练数据而设定的。
11.根据权利要求2或者3所述的推定装置，其中，
所述学习完成的参数是基于包含人的骨头的骨密度的训练数据、和包含具有在所述训练数据中包含骨密度的骨头的人的骨骼的多个第2图像的学习数据而设定的。
12.根据权利要求2或者3所述的推定装置，其中，
所述学习完成的参数是基于包含人的骨骼的第2图像的学习数据、和包含具有在所述第2图像中拍摄到的骨头的人的骨骼的多个部位的骨密度的训练数据而设定的。
13.根据权利要求2或者3所述的推定装置，其中，
所述学习完成的参数是基于包含人的骨骼的第2图像的学习数据、和包含具有在所述第2图像中拍摄到的骨头的人的骨头的骨密度的训练数据而设定的，
所述学习数据和所述训练数据是在相同的时期被获取的。
14.根据权利要求2或者3所述的推定装置，其中，
所述学习完成的参数是基于包含与在所述第1图像中拍摄到的骨骼相同的部位的骨骼的第2图像的学习数据而设定的，
在所述第1图像中拍摄到的骨骼的朝向与在所述第2图像中拍摄到的骨骼的朝向不同。
15.根据权利要求2或者3所述的推定装置，其中，
所述学习完成的参数是基于包含与在所述第1图像中拍摄到的骨骼相同的部位的骨骼的第2图像的学习数据而设定的，
在所述第1图像中拍摄到的骨骼的朝向与在所述第2图像中拍摄到的骨骼的朝向相同。
16.根据权利要求2或者3所述的推定装置，其中，
所述学习完成的参数是基于包含人的骨骼的第2图像、和与具有所述第2图像中拍摄的骨头的人的健康状态有关的信息的学习数据而设定的。
17.根据权利要求16所述的推定装置，其中，
与所述健康状态有关的信息包含饮酒习惯信息、吸烟习惯信息以及骨折历史的有无信息的至少1种。
18.根据权利要求2或者3所述的推定装置，其中，
所述学习完成的参数是基于人的骨骼的多个第2图像、即从不同的朝向拍摄人的骨骼的多个第2图像而设定的。
19.根据权利要求2或者3所述的推定装置，其中，
所述学习完成的参数是基于包含拍摄同一人的时间轴的不同的多个第2图像的学习数据而设定的。
20.根据权利要求2或者3所述的推定装置，其中，
所述学习完成的参数是基于包含分别不同的人的骨骼的多个第2图像的学习数据而设定的。
21.根据权利要求2或者3所述的推定装置，其中，
所述训练数据具有腰椎、大腿骨近位部、桡骨、手骨、胫骨以及脚后跟骨之中的至少一个的骨密度。
22.根据权利要求2或者3所述的推定装置，其中，
所述训练数据具有基于双能X射线吸收计量法以及超声波法之中的至少一者而测定的骨密度。
23.根据权利要求2或者3所述的推定装置，其中，
所述学习完成的参数是基于包含人的骨骼的单纯X射线图像即第2图像的学习数据、和包含所述骨骼的通过双能X射线吸收计量法而测定的骨密度的训练数据而设定的，
所述第2图像的拍摄时的X射线的照射朝向与所述骨密度的测定时的X射线的照射朝向不同。
24.根据权利要求2或者3所述的推定装置，其中，
所述学习完成的参数是基于包含人的骨骼的单纯X射线图像即第2图像的学习数据、和包含所述骨骼的通过双能X射线吸收计量法而测定的骨密度的训练数据而设定的，
所述第2图像的拍摄时的X射线的照射朝向与所述骨密度的测定时的X射线的照射朝向相同。
25.根据权利要求2或者3所述的推定装置，其中，
所述训练数据包含腰椎的骨密度。
26.根据权利要求2或者3所述的推定装置，其中，
所述训练数据包含大腿骨近位部的骨密度。
27.根据权利要求1～3的任一项所述的推定装置，其中，
所述第1图像包含腰椎或胸部的正面图像。
28.根据权利要求1～3的任一项所述的推定装置，其中，
所述第1图像包含膝关节图像。
29.根据权利要求1～3的任一项所述的推定装置，其中，
所述第1图像是通过单纯X射线拍摄装置得到的图像被缩小的图像。
30.根据权利要求1～3的任一项所述的推定装置，其中，
所述第1图像是通过单纯X射线拍摄装置得到的图像的灰阶数下降的图像。
31.一种系统，具备：
权利要求1～3的任一项所述的推定装置；和
显示装置，显示通过所述推定装置而得到的骨密度的推定结果。
32.一种推定方法，是通过推定装置的推定方法，
根据具有人的骨骼的单纯X射线图像的正面图像的第1图像的输入信息，基于学习完成的参数来推定骨头的骨密度。
CN202311399597.7A 2018-09-10 2019-09-10 推定装置、系统以及推定方法 Pending CN117393146A (zh)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
JP2018168502 2018-09-10
JP2018-168502 2018-09-10
JP2018220401 2018-11-26
JP2018-220401 2018-11-26
PCT/JP2019/035594 WO2020054738A1 (ja) 2018-09-10 2019-09-10 推定装置、推定システム及び推定プログラム
CN201980058486.5A CN112654291A (zh) 2018-09-10 2019-09-10 推定装置、推定系统以及推定程序

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201980058486.5A Division CN112654291A (zh) 2018-09-10 2019-09-10 推定装置、推定系统以及推定程序

Publications (1)

Publication Number Publication Date
CN117393146A true CN117393146A (zh) 2024-01-12

Family

ID=69777881

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202311399597.7A Pending CN117393146A (zh) 2018-09-10 2019-09-10 推定装置、系统以及推定方法
CN201980058486.5A Pending CN112654291A (zh) 2018-09-10 2019-09-10 推定装置、推定系统以及推定程序

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN201980058486.5A Pending CN112654291A (zh) 2018-09-10 2019-09-10 推定装置、推定系统以及推定程序

Country Status (6)

Country Link
US (1) US20220051398A1 (zh)
EP (2) EP3851048A4 (zh)
JP (16) JP6744614B1 (zh)
CN (2) CN117393146A (zh)
AU (3) AU2019339090B2 (zh)
WO (1) WO2020054738A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11741694B2 (en) * 2020-06-09 2023-08-29 Merative Us L.P. Spinal fracture detection in x-ray images
KR102573893B1 (ko) * 2020-09-09 2023-09-01 프로메디우스 주식회사 의료영상 처리 장치 및 의료영상 처리 방법
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
KR102654088B1 (ko) * 2021-07-05 2024-04-04 순천향대학교 산학협력단 Ai를 기반으로 하는 골밀도 변화 예측 장치 및 그 방법
JP7418018B2 (ja) * 2021-11-12 2024-01-19 ｉＳｕｒｇｅｒｙ株式会社 診断支援装置、およびコンピュータプログラム
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
JP7322262B1 (ja) 2022-08-30 2023-08-07 ジーイー・プレシジョン・ヘルスケア・エルエルシー 仮想単色ｘ線画像を推論する装置、ｃｔシステム、学習済みニューラルネットワークの作成方法、および記憶媒体
JP7383770B1 (ja) 2022-08-31 2023-11-20 ジーイー・プレシジョン・ヘルスケア・エルエルシー 物質密度画像を推論する装置、ｃｔシステム、記憶媒体、および学習済みニューラルネットワークの作成方法

Family Cites Families (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5259384A (en) * 1992-07-30 1993-11-09 Kaufman Jonathan J Ultrasonic bone-assessment apparatus and method
US5931780A (en) * 1993-11-29 1999-08-03 Arch Development Corporation Method and system for the computerized radiographic analysis of bone
JPH07289597A (ja) * 1994-04-22 1995-11-07 Kiyotoshi Oshiro 寝たきり患者の骨粗鬆症治療装置
CA2158033A1 (en) * 1995-02-13 1996-08-14 Joseph P. Bisek Method for periprosthetic bone mineral density measurement
EP0842475B1 (en) * 1995-07-25 2000-11-08 Horus Therapeutics, Inc. Computer assisted methods and apparatus for diagnosing diseases
JPH09248292A (ja) * 1996-03-15 1997-09-22 Asahi Chem Ind Co Ltd 骨粗しょう症診断装置および骨粗しょう症診断方法
US6064716A (en) * 1997-09-05 2000-05-16 Cyberlogic, Inc. Plain x-ray bone densitometry apparatus and method
JP3182558B2 (ja) * 1998-01-06 2001-07-03 株式会社センサ 超音波計測による骨塩量評価法
US6442287B1 (en) * 1998-08-28 2002-08-27 Arch Development Corporation Method and system for the computerized analysis of bone mass and structure
JP2000217874A (ja) * 1999-01-28 2000-08-08 Yaskawa Electric Corp 関節駆動装置
US6430427B1 (en) * 1999-02-25 2002-08-06 Electronics And Telecommunications Research Institute Method for obtaining trabecular index using trabecular pattern and method for estimating bone mineral density using trabecular indices
US6173038B1 (en) * 1999-12-01 2001-01-09 Cyberlogic, Inc. Plain x-ray bone densitometry apparatus and method
JP2002238904A (ja) * 2001-02-19 2002-08-27 Tanita Corp 骨密度推定方法および骨密度推定装置
US6570955B1 (en) * 2002-01-08 2003-05-27 Cyberlogic, Inc. Digital x-ray material testing and bone densitometry apparatus and method
FR2836818B1 (fr) 2002-03-05 2004-07-02 Eurosurgical Procede de visualisation et de controle de l'equilibre d'une colonne vertebrale
EP1357480A1 (en) * 2002-04-17 2003-10-29 Agfa-Gevaert Osteoporosis screening method
CA2519187A1 (en) * 2003-03-25 2004-10-14 Imaging Therapeutics, Inc. Methods for the compensation of imaging technique in the processing of radiographic images
US8290564B2 (en) * 2003-09-19 2012-10-16 Imatx, Inc. Method for bone structure prognosis and simulated bone remodeling
US7545965B2 (en) 2003-11-10 2009-06-09 The University Of Chicago Image modification and detection using massive training artificial neural networks (MTANN)
KR20040058150A (ko) * 2004-06-11 2004-07-03 (주)엠텍 골 충실도를 이용한 골밀도 측정 방법 및 장치
EP1657681B1 (en) 2004-11-10 2009-01-21 Agfa HealthCare NV Method of performing measurements on digital images
US8634629B2 (en) * 2005-11-11 2014-01-21 Hologic, Inc. Estimating risk of future bone fracture utilizing three-dimensional bone density model
US7746976B2 (en) * 2005-12-30 2010-06-29 Carestream Health, Inc. Bone mineral density assessment using mammography system
JP2008036068A (ja) * 2006-08-04 2008-02-21 Hiroshima Univ 骨粗鬆症診断支援装置および方法、骨粗鬆症診断支援プログラム、骨粗鬆症診断支援プログラムを記録したコンピュータ読み取り可能な記録媒体、骨粗鬆症診断支援用ｌｓｉ
US20090285467A1 (en) * 2008-05-15 2009-11-19 New Medical Co., Ltd. Method for assessing bone status
JP2009285356A (ja) 2008-05-30 2009-12-10 Institute Of National Colleges Of Technology Japan 医療用撮影システム、画像処理装置、画像処理方法、およびプログラム
US8126249B2 (en) * 2008-05-30 2012-02-28 Optasia Medical Limited Methods of and system for detection and tracking of osteoporosis
WO2010117575A2 (en) * 2009-04-07 2010-10-14 Virginia Commonwealth University Accurate pelvic fracture detection for x-ray and ct images
ES2433433T3 (es) * 2009-09-17 2013-12-11 Danone, S.A. Procedimiento para preparar un producto lácteo pasterizado y fermentado complementado con calcio y vitamina D
JP5827801B2 (ja) * 2010-12-29 2015-12-02 日立アロカメディカル株式会社 医療用測定装置
JP2013085631A (ja) 2011-10-17 2013-05-13 Konica Minolta Medical & Graphic Inc 関節撮影装置
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
US10039513B2 (en) * 2014-07-21 2018-08-07 Zebra Medical Vision Ltd. Systems and methods for emulating DEXA scores based on CT images
JP6129145B2 (ja) 2014-12-03 2017-05-17 株式会社日立製作所 医療用ｘ線測定装置
JP6515936B2 (ja) * 2015-02-13 2019-05-22 株式会社島津製作所 骨解析装置
WO2016194161A1 (ja) * 2015-06-03 2016-12-08 株式会社日立製作所 超音波診断装置、及び画像処理方法
JP6280676B2 (ja) * 2016-02-15 2018-02-14 学校法人慶應義塾 脊柱配列推定装置、脊柱配列推定方法及び脊柱配列推定プログラム
JP2018005520A (ja) * 2016-06-30 2018-01-11 クラリオン株式会社 物体検出装置及び物体検出方法
US10163040B2 (en) * 2016-07-21 2018-12-25 Toshiba Medical Systems Corporation Classification method and apparatus
JP7057959B2 (ja) * 2016-08-09 2022-04-21 住友ゴム工業株式会社 動作解析装置
KR101928984B1 (ko) * 2016-09-12 2018-12-13 주식회사 뷰노 골밀도 추정 방법 및 장치
GB201702080D0 (en) * 2017-02-08 2017-03-22 Sheffield Hallam Univ Apparatus and method for quantitative determination of bone density
CN107485405B (zh) * 2017-08-18 2021-02-19 浙江康源医疗器械有限公司 一种利用参考模块测量骨密度的装置
JP6585869B1 (ja) * 2018-05-09 2019-10-02 威久 山本 将来の骨量を予測する方法、情報処理装置、及びコンピュータプログラム
JP7016293B2 (ja) 2018-06-08 2022-02-04 富士フイルム株式会社 骨塩情報取得装置、方法およびプログラム
JP2022156223A (ja) * 2021-03-31 2022-10-14 エドワーズ株式会社 真空ポンプ

Also Published As

Publication number Publication date
AU2022241515B2 (en) 2023-11-09
JP7266230B2 (ja) 2023-04-28
JP2022180590A (ja) 2022-12-06
JP7264364B2 (ja) 2023-04-25
JP2023089024A (ja) 2023-06-27
JP2023085344A (ja) 2023-06-20
WO2020054738A1 (ja) 2020-03-19
JP7157425B2 (ja) 2022-10-20
JP7385228B2 (ja) 2023-11-22
EP3851048A4 (en) 2022-09-14
JP2023056029A (ja) 2023-04-18
JP2023089021A (ja) 2023-06-27
JP2023082022A (ja) 2023-06-13
EP4276753A3 (en) 2024-02-07
JP6744614B1 (ja) 2020-08-19
JP7385229B2 (ja) 2023-11-22
AU2019339090B2 (en) 2022-09-01
JP2022106895A (ja) 2022-07-20
CN112654291A (zh) 2021-04-13
JP7260886B2 (ja) 2023-04-19
JP7292667B1 (ja) 2023-06-19
JP2023056028A (ja) 2023-04-18
JP2023056026A (ja) 2023-04-18
JP7283673B1 (ja) 2023-05-30
JP2022106894A (ja) 2022-07-20
JP2023002781A (ja) 2023-01-10
JP2023089022A (ja) 2023-06-27
JP2023062093A (ja) 2023-05-02
EP3851048A1 (en) 2021-07-21
AU2022241515A1 (en) 2022-10-27
US20220051398A1 (en) 2022-02-17
AU2023285899A1 (en) 2024-01-18
JP7452825B2 (ja) 2024-03-19
JP7283672B1 (ja) 2023-05-30
JP7157426B2 (ja) 2022-10-20
JP2022180589A (ja) 2022-12-06
EP4276753A2 (en) 2023-11-15
JP7260887B2 (ja) 2023-04-19
JPWO2020054738A1 (ja) 2020-10-22
JP2020171785A (ja) 2020-10-22
JP7217906B2 (ja) 2023-02-06
AU2019339090A1 (en) 2021-04-01

Similar Documents

Publication Publication Date Title
JP6744614B1 (ja) 推定装置、推定システム及び推定プログラム
US20220082574A1 (en) Disease predicting system
Magnússon et al. Gait analysis, bone and muscle density assessment for patients undergoing total hip arthroplasty
CN116724360A (zh) 预测系统、控制方法以及控制程序
CN116887756A (zh) 判定系统、判定系统的控制方法以及控制程序

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