CN117710284A - 图像处理装置、方法及记录介质 - Google Patents

Abstract

本发明的课题在于使得在图像处理装置、方法及记录介质中能够正确地评价骨的状态。处理器进行如下处理：在被摄体的至少骨成分被提取的骨部图像中，排除骨折及人工物而确定成为评价对象的对象骨，并根据对象骨导出表示被摄体的骨的状态的评价结果。

Description

图像处理装置、方法及记录介质

技术领域

本发明涉及一种图像处理装置、方法及记录介质。

背景技术

骨质疏松症等骨骼系统疾病无法从外观发现，发生骨折后才被发现。尤其常见骨质疏松症的股骨及椎骨的骨折使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，期望在发生骨折之前找到需要治疗的骨质疏松症患者。

另一方面，在骨骼系统统疾病中，作为用于诊断骨密度的代表性的骨盐定量方法之一，已知有I)XA法(Dual X-ray Absorptiometry：双能X射线吸收测定法)。并且，提出有如下方法：通过能量减影处理获取表示被摄体的骨部的骨部图像及表示软部的软部图像，从骨部图像中导出骨盐量即骨密度，从软部图像中导出肌肉量，并根据骨盐量及肌肉量评价被摄体的骨折风险(参考专利文献1)。并且，还提出有如下方法：根据受检体的骨密度及对由骨小梁构成的海绵状结构的特性进行数值化所得的结构参数来计算出表示受检体的骨折风险的评价值(参考专利文献2)。

专利文献1：国际公开第2020/166561号

专利文献2：国际公开第2016/129682号

在使用骨部图像评价为了判定骨折风险所需要的骨密度时，若包含照有已发生了骨折的骨或用于治疗骨折的螺杆等人工物的区域，则无法计算出患者本来的准确的骨密度。例如，已发生了压缩性骨折的区域因被压垮，从而表观的骨密度变大。并且，在很多情况下，人工物由比骨高密度的材料制成，因此例如在求出某一区域的骨密度的平均值时，若在该区域中包含人工物，则骨密度会被过高地评价。如此，若无法正确地评价骨的状态，则无法正确地判定骨折风险以及针对在骨质疏松症的治疗中使用的药的药效等。

发明内容

本发明是鉴于上述情况而完成的，其目的在于使得能够正确地评价骨的状态。

基于本发明的图像处理装置具备至少一个处理器，处理器进行如下处理：

在被摄体的至少骨成分被提取的骨部图像中，排除骨折及人工物而确定成为评价对象的对象骨；

根据对象骨导出表示被摄体的骨的状态的评价结果。

“至少骨成分被提取的骨部图像”是指除了骨部以外，放射线的衰减与骨部相同程度的物体也被提取的图像。作为放射线的衰减与骨部相同程度的物体，例如可以举出被埋入骨部的金属等人工物。

另外，在基于本发明的图像处理装置中，处理器可以从通过利用能量分布不同的放射线拍摄被摄体而获取的第1放射线图像及第2放射线图像中导出骨部图像。

并且，在基于本发明的图像处理装置中，处理器导出对象骨的骨密度、对象骨的微细结构的信息、与和对象骨相邻的骨之间的相关性中的至少一个作为表示骨的状态的指标，并根据指标导出评价结果。

并且，在基于本发明的图像处理装置中，处理器可以导出对象骨中的骨密度的代表值作为指标。

在该情况下，处理器可以按对象骨中的预先规定的方向上的多个线中的每一个导出骨密度的代表值，并导出每个线的代表值的代表值作为指标。

并且，在基于本发明的图像处理装置中，处理器可以显示对象骨被强调的骨部图像及评价结果。

基于本发明的图像处理方法，在被摄体的至少骨成分被提取的骨部图像中，排除骨折及人工物而确定成为评价对象的对象骨；

根据对象骨导出表示被摄体的骨的状态的评价结果。

基于本发明的计算机可读取的记录介质，存储有图像处理程序，该图像处理程序使计算机执行如下步骤：

在被摄体的至少骨成分被提取的骨部图像中，排除骨折及人工物而确定成为评价对象的对象骨；及

根据对象骨导出表示被摄体的骨的状态的评价结果。

发明效果

根据本发明，能够正确地评价骨的状态。

附图说明

图1是表示适用了基于本发明的实施方式的图像处理装置的放射线图像摄影系统的结构的概略框图。

图2是表示基于本实施方式的图像处理装置的概略结构的图。

图3是表示基于本实施方式的图像处理装置的功能结构的图。

图4是表示骨部图像的图。

图5是表示在本实施方式中使用的神经网络的例子的图。

图6是表示包含发生了压缩性骨折的第2腰椎的骨部图像的图。

图7是表示包含人工物的骨部图像的图。

图8是表示在学习完成模型23A的学习中使用的教师数据的图。

图9是表示包含发生了压缩性骨折的第3腰椎的骨部图像的图。

图10是表示在学习完成模型24A的学习中使用的教师数据的图。

图11是表示骨部与软部的对比度相对于体厚的关系的图。

图12是表示用于获取校正系数的查找表的图。

图13是用于说明每个线的骨密度的代表值的导出的图。

图14是用于说明骨的位置关系的评价结果的导出的图。

图15是表示评价结果的显示画面的图。

图16是表示在本实施方式中进行的处理的流程图。

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，10-图像处理装置，11-CPU，12-图像处理程序，13-存储器，14-显示器，15-输入器件，16-内存，17-网络I/F，18-总线，21-图像获取部，22-骨部图像导出部，23-对象骨确定部，24-评价部，25-显示控制部，30-神经网络，31-输入层，32-中间层，33-输出层，35-卷积层，36-池化层，38-螺栓的图像，40-教师数据，41-学习用数据，42-正解数据，51-第1教师数据，52-第2教师数据，60-评价结果的显示画面，61-骨密度图像，62-评价结果，G1-第1放射线图像，G2-第2放射线图像，Gb-骨部图像，g3、g4-重心，H-被摄体。

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是表示适用了基于本发明的实施方式的图像处理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，基于本实施方式的放射线图像摄影系统具备摄影装置1和基于本实施方式的图像处理装置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放射线图像及第2放射线图像被输入到图像处理装置10中。

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读出方式或者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。

接着，对本实施方式所涉及的图像处理装置进行说明。首先，参考图2对本实施方式所涉及的图像处理装置的硬件结构进行说明。如图2所示，图像处理装置10为工作站、服务器计算机及个人电脑等计算机，具备CPU(Central Processing 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存(memory)16。并且，图像装置装置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、内存16及网络I/F17连接于总线18。另外，CPU11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 State Drive：固态驱动器)及闪存等来实现。作为存储介质的存储器13中存储有安装于图像处理装置10中的图像处理程序12。CPU11从存储器13中读出图像处理程序12并将其展开到内存16中，并且执行所展开的图像处理程序12。

另外，图像处理程序12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到构成图像处理装置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 DiscRead Only Memory：光盘只读存储器)等记录介质中而被分发，并从该记录介质安装到构成图像处理装置10的计算机中。

接着，对基于本实施方式的图像处理装置的功能结构进行说明。图3是表示基于本实施方式的图像处理装置的功能结构的图。如图3所示，图像处理装置10具备图像获取部21、骨部图像导出部22、对象骨确定部23、评价部24及显示控制部25。而且，CPU11通过执行图像处理程序12而作为图像获取部21、骨部图像导出部22、对象骨确定部23、评价部24及显示控制部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的能量减影摄影而从第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、线质、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 reeeptor Distance：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(Source ObjectDistance：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，用于计算体厚分布。关于SOD，例如优选用TOF(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。

骨部图像导出部22从图像获取部21所获取的第1放射线图像G1及第2放射线图像G2中导出被摄体H的骨部区域被提取的骨部图像Gb。在图4中示出骨部图像导出部22所导出的骨部图像Gb的一例。另外，在骨密度的测定中一般使用股骨颈及腰椎。因此，图4所示的骨部图像Gb表示由以包含被摄体H的股骨颈及腰椎的一部分的方式进行拍摄而得到的第1放射线图像G1及第2放射线图像G2生成的骨部图像Gb。

骨部图像导出部22对第1放射线图像G1及第2放射线图像G2如下述式(1)所示那样在相对应的像素之间进行加权减法运算，由此生成第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的仅骨部被提取的骨部图像Gb。另外，下述式(1)中的μb为根据软部及骨部的衰减系数决定的加权系数，x、y为骨部图像Gb的各像素的坐标。另外，在由式(1)导出的骨部图像Gb中不仅包含骨部，还包含衰减系数为与骨部相同程度的物体。作为衰减系数为与骨部相同程度的物体，例如可以举出为了骨折等的治疗而被埋入骨部的金属。

Gb(x，y)＝G1(x，y)-μb×G2(x，y) (1)

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内被散射的放射线的散射线成分。因此，优选从第1放射线图像G1及第2放射线图像G2中去除散射线成分。去除散射线成分的方法并不受特别限定，例如可以适用日本特开2015-043959号公报中所记载的方法，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。当使用日本特开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，散射线成分从第2放射线图像G2中的去除也能够同样地进行。首先，骨部图像导出部22获取具有初始体厚分布T0(x，y)的被摄体H的虚拟模型。虚拟模型为按照初始体厚分布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联的、虚拟地表示被摄体H的数据。另外，具有初始体厚分布T0(x，y)的被摄体H的虚拟模型可以预先存储于图像处理装置10的存储器13中。并且，骨部图像导出部22可以根据摄影条件中所包含的SID和SOD来计算出被摄体H的体厚分布T(x，y)。在该情况下，初始体厚分布T0(x，y)能够通过从SID减去SOD来求出。

接着，骨部图像导出部22根据虚拟模型生成如下图像来作为估计通过被摄体H的拍摄而得到的第1放射线图像G1的估计图像，该图像是将估计通过虚拟模型的拍摄而得到的初级射线图像的估计初级射线图像和估计通过虚拟模型的拍摄而得到的散射线图像的估计散射线图像合成而成的。

接着，骨部图像导出部22修正虚拟模型的初始体厚分布T0(x，y)，以使估计图像与第1放射线图像G1的差异变小。骨部图像导出部22重复进行估计图像的生成及体厚分布的修正，直至估计图像与第1放射线图像G1的差异满足预先规定的结束条件。骨部图像导出部22导出满足结束条件时的体厚分布作为被摄体H的体厚分布T(x，y)。并且，骨部图像导出部22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。然后，骨部图像导出部22使用散射线成分被去除的第1放射线图像G1及第2放射线图像G2；来导出骨部图像Gb。

对象骨确定部23确定成为评价对象的对象骨。在本实施方式中，对象骨确定部23在骨部图像Gb中排除骨折及人工物而确定对象骨。在本实施方式中，对象骨确定部23将腰椎确定为对象骨。因此，在本实施方式中，使用以提取不包含骨折及人工物的正常腰椎的方式使神经网络进行机器学习而构建的学习完成模型23A。另外，在将对象骨设为股骨的情况下，也只要使用以提取不包含骨折及人工物的正常股骨的方式使神经网络进行机器学习而构建的学习完成模型即可。并且，骨折是指发生了骨折的部分，即骨折部，“排除骨折”包括排除骨部图像Gb中的发生了骨折的部分、排除包含发生了骨折的部分的区域、或者排除包含发生了骨折的部分的骨本身。

作为构建在本实施方式中使用的学习完成模型23A的神经网络，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、递归神经网络及概率神经网络等。例如，在本实施方式中，作为神经网络，使用卷积神经网络。

图5是表示在本实施方式中使用的神经网络的例子的图。如图5所示，神经网络30具备输入层31、中间层32及输出层33。中间层32例如具备多个卷积层35、多个池化层36及全连接层37。在神经网络30中，全连接层37存在于输出层33的前段。而且，在神经网络30中，卷积层35和池化层36交替地配置于输入层31与全连接层37之间。

另外，神经网络30的结构并不限定于图5的例子。例如，神经网络30也可以在输入层31与全连接层37之间具备一个卷积层35和一个池化层36。

为了检测出骨折及人工物，通过将仅包含正常骨的腰椎的图像用作教师数据使神经网络进行机器学习来构建学习完成模型23A。

例如，如图6所示，在第2腰椎L2发生了压缩性骨折的情况下，第2腰椎L2在体轴方向上变形为较小，进而骨密度上升，从而与正常骨相比，亮度变高。并且，当如图7所示那样在第3腰椎L3中包含螺栓时，由于螺栓为金属，因此螺栓的图像38的亮度比正常骨变高。

学习完成模型23A通过学习正常骨的特征而从骨部图像Gb中提取正常腰椎。图8是表示在学习完成模型23A的学习中使用的教师数据的图。如图8所示，教师数据40由学习用数据41及正解数据42构成。学习用数据41为仅包含正常腰椎的骨部图像。正解数据42为遮蔽(mask)学习用数据41中的正常腰椎的区域所得的图像。而且，通过使用多个这种教师数据40使神经网络进行机器学习，以输入骨部图像时提取正常腰椎的方式构建学习完成模型23A。

在使用这种学习完成模型23A从骨部图像Gb中提取了腰椎的情况下，所提取的骨成为既不包含骨折也不包含人工物的正常骨。即，通过使用这种学习完成模型23A，提取图6所示的骨部图像Gb中除第2腰椎L2以外的腰椎。并且，提取图7所示的骨部图像Gb中除包含人工物的第3腰椎L3以外的腰椎。因此，对象骨确定部23将从骨部图像Gb中提取的腰椎中由学习完成模型23A检测出的腰椎确定为不包含骨折及人工物的对象骨。

另外，也可以以提取骨折或提取包含人工物的腰椎的方式构建学习完成模型。在该情况下，对象骨确定部23使用如此构建的学习完成模型来确定骨部图像Gb中的包含骨折或人工物的腰椎，并将除此以外的腰椎确定为对象骨。并且，也可以以从第1放射线图像G1或第2放射线图像G2中仅检测出人工物的方式构建学习完成模型。在该情况下，在生成骨部图像Gb之前确定好存在人工物的区域，在生成骨部图像Gb之后，排除确定好的区域或者排除包含所确定的区域的骨而确定对象骨即可。

并且，对象骨确定部23可以根据腰椎的形状确定对象骨。例如，从正面观察腰椎时，是相对于体轴方向上的中心线左右对称的形状，但如图9所示，在第3腰椎L3发生了压缩性骨折的情况下，会失去左右对称性。因此，对象骨确定部23可以对从骨部图像Gb中提取的腰椎导出表示左右对称性的指标，根据指标确定失去了左右对称性的腰椎，将除所确定的腰椎以外的腰椎确定为对象骨。在此，能够导出所提取的腰椎的体轴方向上的中心线至腰椎的左右的外侧轮廓为止的距离，并将从中心线起右方向的距离与左方向的距离的差分用作表示左右对称性的指标。当表示左右对称性的指标大于预先规定的阈值时，该腰椎发生了骨折的可能性高，因此能够避免将其确定为对象骨。另外，作为表示左右对称性的指标，也可以使用体轴方向上的中心线的左右骨区域面积的差分等。

并且，对象骨确定部23也可以对从骨部图像Gb中提取的腰椎分别导出与上侧及下侧腰椎中的至少一个的面积的差分，并根据差分确定对象骨。在此，骨部图像Gb中所包含的腰椎的大小与上下相邻的腰椎的大小大致相同。另一方面，在发生了压缩性骨折的情况下，该腰椎的高度小于上下相邻的腰椎的高度。因此，对象骨确定部23可以对从骨部图像Gb中提取的腰椎例如分别导出与上侧腰椎的面积的差分，当差分成为预先规定的阈值以下时，将该腰椎作为发生了压缩性骨折的腰椎而避免将其确定为对象骨。

并且，对象骨确定部23也可以对从骨部图像Gb中提取的腰椎分别导出高度与宽度的比率，并根据与对上侧及下侧腰椎导出的高度与宽度的比率的比较结果来确定对象骨。在此，骨部图像Gb中所包含的腰椎的大小与上下相邻的腰椎的大小大致相同。另一方面，如图6所示，在发生了压缩性骨折的情况下，该腰椎的高度与宽度的比率和正常腰椎的高度与宽度的比率大不相同。因此，对象骨确定部23可以对从骨部图像Gb中提取的腰椎例如分别导出与上侧腰椎的比率的差分，当差分成为预先规定的阈值以上时，将该腰椎作为发生了压缩性骨折的腰椎而避免将其确定为对象骨。

评价部24根据对象骨导出表示被摄体H的骨的状态的评价结果。在本实施方式中，评价部24具有输入骨部图像Gb中的对象骨的区域的图像即对象骨的像素值的分布时输出表示骨质疏松症可能性的评价值的学习完成模型24A。将从非骨质疏松症的患者的骨部图像中提取的腰椎的图像(以下称为正常腰椎的图像)及骨质疏松症患者的腰椎的图像用作教师数据使神经网络进行机器学习来构建学习完成模型24A。图10是表示使学习完成模型24A学习的教师数据的例子的图。如图10所示，作为用于使学习完成模型24A学习的教师数据，使用表示正常腰椎的第1教师数据51及表示骨质疏松症的腰椎的第2教师数据52。正常腰椎的骨小梁的微细结构致密，但骨质疏松症的腰椎的骨小梁的微细结构比正常腰椎疏松。

神经网络以输入第1教师数据51时的输出成为0的方式进行机器学习，且以输入第2教师数据52时的输出成为1的方式进行机器学习。由此，以所输入的腰椎的图像为骨质疏松症时输出接近1的值的评价值的方式构建学习完成模型24A。在该情况下，神经网络学习腰椎的图像的像素值的分布及骨小梁的微细结构，由此，以根据腰椎的图像的像素值的分布及微细结构输出表示骨质疏松症可能性的评价值的方式构建学习完成模型24A。

另外，评价部24可以将学习完成模型24A所输出的评价值其本身用作评价结果，也可以通过将评价值与阈值进行比较来将骨质疏松症的有无用作评价结果。

并且，评价部24也可以导出针对对象骨的骨密度并根据骨密度导出评价结果。在该情况下，评价部24通过将骨部图像Gb中的对象骨的区域的各像素值Gb(x，y)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与各像素对应的骨密度B(x，y)。具体而言，评价部24通过使用从后述的查找表(省略图示)中获取的校正系数校正骨部图像b中的对象骨的区域的各像素值Gb(x，y)来导出每个像素的骨密度B(x，y)。

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，则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，则由射束硬化引起的放射线的高能量化变得越大。

图11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11中，示出80kV、90kV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11所示，管电压越高，则对比度变得越低。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Gb(x，y)越大，则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Gb(x，y)越大，则图11所示的关系越向高对比度侧位移。

在本实施方式中，用于获取校正系数的查找表(省略图示)存储于存储器13中，该校正系数用于校正骨部图像Gb中的与拍摄时的管电压相对应的对比度的差异及由射束硬化的影响引起的对比度的下降。校正系数为用于校正骨部图像Gb的各像素值Gb(x，y)的系数。

图12是表示存储于存储器13中的查找表的一例的图。在图12中，例示出将基准摄影条件设定为管电压90kV的查找表LUT1。如图12所示，在查找表LUT1中，管电压越大且被摄体的体厚越大，则设定越大的校正系数。在图12所示的例子中，基准摄影条件为管电压90kV，因此当管电压为90kV且体厚为0时，校正系数成为1。另外，在图12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。

评价部24从查找表LUT1中提取被摄体H的体厚分布T(x，y)及与包括存储于存储器13中的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C0(x，y)。然后，如下述式(2)所示，评价部24通过对骨部图像Gb中的对象骨的区域的各像素值Gb(x，y)乘以校正系数C0(x，y)来导出对象骨的区域的每个像素的骨密度B(x，y)。由此，导出将骨密度B(x，y)作为像素值的骨密度图像B。如此导出的骨密度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骨部的像素值的骨密度。

B(x，y)＝C0(x，y)×Gb(x，y) (2)

另外，评价部24也可以导出骨部图像Gb的各像素的低频成分并根据低频成分导出骨密度B(x，y)。

然后，评价部24导出对象骨区域的各像素的骨密度B(x，y)的代表值作为评价结果。作为代表值，能够使用合计值、平均值、中间值、最大值或最小值。并且，当存在多个对象骨时，可以按每个对象骨导出评价结果，并导出每个对象骨的代表值的代表值作为评价结果。另外，代表值为表示骨的状态的指标的一例。

并且，也可以将使用骨密度的代表值判别骨质疏松症的有无的结果用作评价结果。在该情况下，在骨密度的代表值为预先规定的阈值以下时，评价部24判别为骨质疏松症即可。在此，当骨密度为YAM值(Young Adult Mean；青年平均值)的70％以下时，判定为骨质疏松症。因此，作为阈值，使用相当于YAM值的70％的值即可。

在此，在导出了对象骨区域的各像素的骨密度的总和作为对象骨的评价结果的情况下，评价结果相当于该对象骨的骨量。然而，若对象骨的局部轮廓偏离原来的轮廓，则骨密度的总和发生变动。另一方面，在导出了对象骨区域的各像素的骨密度的平均的情况下，即使对象骨的局部轮廓偏离原来的轮廓，对评价结果的影响也小。然而，若拍摄时的定位偏离而在摄影方向上腰椎围绕体轴方向上的中心轴进行旋转，则骨部图像Gb中的腰椎的面积会发生变动或者像素值会发生变动，因此平均值会发生变动。

因此，评价部24也可以在对象骨区域中导出骨密度的x方向或y方向上的每个线的代表值，并导出每个线的代表值的代表值作为评价结果。例如，如图13所示，可以在第3腰椎L3的x方向上，为了减少由体轴方向即y方向的定位偏离引起的面积变动的影响而导出骨密度的总和，在y方向上，为了减少轮廓偏离的影响而导出骨密度的总和的平均，并将其用作评价结果。另外，当导出每个线的骨密度的总和的平均时，可以排除大幅偏离各线的骨密度的总和的偏离值。并且，当每个线的骨密度的总和过大或过小时，对象骨有可能未被正确地检测出，因此例如可以将每个线的骨密度的总和的上下20％从平均的计算中排除。

并且，在构建上述的学习完成模型24A时，可以使用骨密度图像作为教师数据。在该情况下，以通过输入对象骨区域的骨密度图像来输出表示骨质疏松症可能性的评价值的方式构建学习完成模型24A即可。

并且，评价部24也可以提取骨密度图像中的对象骨的海绵骨区域，并导出海绵骨区域中的骨密度的分散值作为评价结果。在此，海绵骨区域中的骨密度的分散值成为表示骨小梁的微细结构的疏密程度的评价值。骨密度的分散值为表示骨的状态的指标的一例。

并且，评价部24也可以导出对象骨与和对象骨相邻的骨之间的位置关系作为评价结果。例如，如图14所示，关于脊柱侧弯的患者的骨部图像Gb，将对象骨设为腰椎L3。然后，评价部24导出腰椎L3的重心g3及腰椎L3的上侧腰椎L4的重心g4，并导出重心g3、g4在x方向上的位置的差分值。然后，当位置的差分值为预先规定的阈值以上时，力不会从位于对象骨的上部的椎骨均匀地施加，因此可以输出骨折风险高的评价结果。并且，也可以将差分值其本身用作位置关系的评价结果。差分值为表示骨的状态的指标的一例。

并且，评价部24也可以根据骨密度的代表值、骨密度的分散值及位置关系的评价结果(即，上述的重心g3、g4在x方向上的位置的差分值)来导出表示骨质疏松症可能性的评价值作为评价结果。在该情况下，能够使用如下方法：将骨密度的代表值、骨密度的分散值及位置关系的评价结果用作多维向量，通过机器学习来设定区分是否为骨质疏松症的多维平面上的边界。在该情况下，通过将骨质疏松症时的骨密度的代表值、骨密度的分散值及位置关系的评价结果以及正常时的骨密度的代表值、骨密度的分散值及位置关系的评价结果用作教师数据来使神经网络进行机器学习，能够构建用于根据上述多维向量判别是否为骨质疏松症的学习完成模型。

显示控制部25将评价部24所导出的评价结果显示于显示器14。图15是表示评价结果的显示画面的图。如图15所示，在显示画面60上显示有骨密度图像61及评价结果62。也可以显示骨部图像Gb来代替骨密度图像61。另外，作为评价结果62，显示有骨质疏松症的有无及针对对象骨的骨密度的代表值(单位为g/cm²)。

如图15所示，在骨密度图像61中导出了评价结果的对象骨被强调。即，除发生了压缩性骨折的第2腰椎L2以外的腰椎被强调。另外，在图15中，通过对对象骨赋予阴影线来强调对象骨，但并不限定于此。也可以用线包围对象骨或者赋予颜色等来强调对象骨。

接着，对在本实施方式中进行的处理进行说明。图16是表示在本实施方式中进行的处理的流程图。首先，图像获取部21使摄影装置1进行拍摄来获取能量分布互不相同的第1放射线图像G1及第2放射线图像G2(步骤ST1)。接着，骨部图像导出部22从图像获取部21所获取的第1放射线图像G1及第2放射线图像G2中导出表示被摄体H的骨部区域的骨部图像Gb(步骤ST2)。

随后，对象骨确定部23在骨部图像Gb中排除骨折及人工物而确定成为评价对象的对象骨(步骤ST3)。然后，评价部24根据对象骨导出表示被摄体H的骨的状态的评价结果(步骤ST4)。进而，显示控制部25显示评价结果(步骤ST5)，并结束处理。

如此，在本实施方式中，排除骨折及人工物而确定对象骨，并根据对象骨导出了表示被摄体H的骨的状态的评价结果。因此，不会受到骨折及人工物的影响而能够正确地评价被摄体H的骨的状态。

另外，评价部24也可以随时间评价针对相同被摄体的评价结果。例如，针对为了治疗骨质疏松症而接受给药的患者，可以通过比较过去的评价结果与最新的评价结果来评价药效。

并且，评价部24也可以进一步导出骨折风险作为评价结果。在该情况下，例如能够使用如日本特表平09-508813号公报中所记载那样使用学习完成模型导出骨折风险的方法。并且，能够使用如国际公开第2020/054738号中所记载那样使用运算式导出骨折概率的方法等。

另外，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。也可以通过仅使用一个放射线检测器进行两次摄影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的位置可能会因被摄体H的身体移动而发生偏离。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。

并且，在上述实施方式中，利用使用第1放射线检测器5及第2放射线检测器6拍摄被摄体H的系统中获取的第1放射线图像及第2放射线图像导出了内脏脂肪量分布，但也可以利用代替放射线检测器而使用蓄积性荧光体片获取的第1放射线图像G1及第2放射线图像G2来导出内脏脂肪量分布。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，也可以使用两次照射法。

并且，上述实施方式中的放射线并不受特别限定，除了能够使用X射线以外，还能够使用α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、骨部图像导出部22、对象骨确定部23、评价部24及显示控制部25之类的执行各种处理的处理部(Processing Unit)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：现场可编程门阵列)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(ApplicationSpecific 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 Circuit：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。

此外，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)。

以下，记载本发明的附记项。

(附记项1)

一种图像处理装置，其具备至少一个处理器，

所述处理器进行如下处理：

在被摄体的至少骨成分被提取的骨部图像中，排除骨折及人工物而确定成为评价对象的对象骨；

根据所述对象骨导出表示所述被摄体的骨的状态的评价结果。

(附记项2)

根据附记项1所述的图像处理装置，其中，

所述处理器从通过利用能量分布不同的放射线拍摄所述被摄体而获取的第1放射线图像及第2放射线图像中导出所述骨部图像。

(附记项3)

根据附记项1或2所述的图像处理装置，其中，

所述处理器导出所述对象骨的骨密度、所述对象骨的微细结构的信息、与和所述对象骨相邻的骨之间的相关性中的至少一个作为表示所述骨的状态的指标，并根据所述指标导出所述评价结果。

(附记项4)

根据附记项3所述的图像处理装置，其中，

所述处理器导出所述对象骨中的所述骨密度的代表值作为所述指标。

(附记项5)

根据附记项4所述的图像处理装置，其中，

所述处理器按所述对象骨中的预先规定的方向上的多个线中的每一个导出所述骨密度的所述代表值，并导出每个所述线的所述代表值的代表值作为所述指标。

(附记项6)

根据附记项1至5中任一项所述的图像处理装置，其中，

所述处理器显示所述对象骨被强调的所述骨部图像及所述评价结果。

(附记项7)

一种图像处理方法，其中，

在被摄体的至少骨成分被提取的骨部图像中，排除骨折及人工物而确定成为评价对象的对象骨；

根据所述对象骨导出表示所述被摄体的骨的状态的评价结果。

(附记项8)

一种图像处理程序，其使计算机执行如下步骤：

在被摄体的至少骨成分被提取的骨部图像中，排除骨折及人工物而确定成为评价对象的对象骨；及

根据所述对象骨导出表示所述被摄体的骨的状态的评价结果。

Claims (8)

1.一种图像处理装置，其具备至少一个处理器，

所述处理器进行如下处理：

在被摄体的至少骨成分被提取的骨部图像中，排除骨折及人工物而确定成为评价对象的对象骨；

根据所述对象骨导出表示所述被摄体的骨的状态的评价结果。

2.根据权利要求1所述的图像处理装置，其中，

所述处理器从通过利用能量分布不同的放射线拍摄所述被摄体而获取的第1放射线图像及第2放射线图像中导出所述骨部图像。

3.根据权利要求1所述的图像处理装置，其中，

所述处理器导出所述对象骨的骨密度、所述对象骨的微细结构的信息、与和所述对象骨相邻的骨之间的相关性中的至少一个作为表示所述骨的状态的指标，并根据所述指标导出所述评价结果。

4.根据权利要求3所述的图像处理装置，其中，

所述处理器导出所述对象骨中的所述骨密度的代表值作为所述指标。

5.根据权利要求4所述的图像处理装置，其中，

所述处理器按所述对象骨中的预先规定的方向上的多个线中的每一个导出所述骨密度的所述代表值，并导出每个所述线的所述代表值的代表值作为所述指标。

6.根据权利要求1所述的图像处理装置，其中，

所述处理器显示所述对象骨被强调的所述骨部图像及所述评价结果。

7.一种图像处理方法，其中，

在被摄体的至少骨成分被提取的骨部图像中，排除骨折及人工物而确定成为评价对象的对象骨；

根据所述对象骨导出表示所述被摄体的骨的状态的评价结果。

8.一种计算机可读取的记录介质，记录有图像处理程序，该图像处理程序使计算机执行如下步骤：

在被摄体的至少骨成分被提取的骨部图像中，排除骨折及人工物而确定成为评价对象的对象骨；及

根据所述对象骨导出表示所述被摄体的骨的状态的评价结果。