JP2019202087A - 医用情報処理システム、医用情報処理装置、放射線診断装置、超音波診断装置、学習用データの生産方法及びプログラム - Google Patents

医用情報処理システム、医用情報処理装置、放射線診断装置、超音波診断装置、学習用データの生産方法及びプログラム Download PDF

Info

Publication number
JP2019202087A
JP2019202087A JP2018101025A JP2018101025A JP2019202087A JP 2019202087 A JP2019202087 A JP 2019202087A JP 2018101025 A JP2018101025 A JP 2018101025A JP 2018101025 A JP2018101025 A JP 2018101025A JP 2019202087 A JP2019202087 A JP 2019202087A
Authority
JP
Japan
Prior art keywords
medical
image data
function
learning data
imaging
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.)
Granted
Application number
JP2018101025A
Other languages
English (en)
Other versions
JP7262933B2 (ja
Inventor
翔 佐々木
Sho Sasaki
翔 佐々木
亮一 長江
Ryoichi Nagae
亮一 長江
智生 藤戸
Tomoki Fujito
智生 藤戸
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.)
Canon Medical Systems Corp
Original Assignee
Canon Medical Systems Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Canon Medical Systems Corp filed Critical Canon Medical Systems Corp
Priority to JP2018101025A priority Critical patent/JP7262933B2/ja
Publication of JP2019202087A publication Critical patent/JP2019202087A/ja
Application granted granted Critical
Publication of JP7262933B2 publication Critical patent/JP7262933B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Apparatus For Radiation Diagnosis (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

【課題】医用画像に関する学習用データ不足を解消すること。【解決手段】実施形態の医用情報処理装置は、取得部と、特定部とを備える。取得部は、医用画像を取得する。特定部は、前記取得部により取得される医用画像のうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像方向が略一致する医用画像を組として含む学習用データを特定する。【選択図】図１

Description

本発明の実施形態は、医用情報処理システム、医用情報処理装置、放射線診断装置、超音波診断装置、学習用データの生産方法及びプログラムに関する。
機械学習を用いた画像処理技術が知られている。この技術では、例えば、ノイズの多寡が異なり、かつ、同一の領域を撮像した画像の組を学習用データとして用いることにより、画像中のノイズを除去する処理に組み込まれる学習済みモデルを生成する。ここで、機械学習を用いた画像処理技術を医用画像に適用することが考えられるが、医用画像に関する学習用データの収集は容易でない。
特開２０１６−０６２５２４号公報
本発明が解決しようとする課題は、医用画像に関する学習用データ不足を解消することである。
実施形態の医用情報処理装置は、取得部と、特定部とを備える。取得部は、医用画像を取得する。特定部は、前記取得部により取得される医用画像のうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像方向が略一致する医用画像を組として含む学習用データを特定する。
図１は、第１の実施形態に係る医用情報処理システムの構成の一例を示すブロック図である。 図２は、第１の実施形態に係るＸ線診断装置の構成の一例を示すブロック図である。 図３は、第１の実施形態に係る撮像方向について説明するための図である。 図４は、第１の実施形態に係る撮像方向について説明するための図である。 図５は、第１の実施形態に係る処理回路による処理について説明するための図である。 図６は、第１の実施形態に係る学習済みモデルの生成処理について説明するための図である。 図７は、第１の実施形態に係る学習済みモデルの生成処理について説明するための図である。 図８は、第１の実施形態に係る学習済みモデルの生成処理について説明するための図である。 図９は、第１の実施形態に係る学習済みモデルの生成処理について説明するための図である。 図１０は、第１の実施形態に係る変換処理について説明するための図である。 図１１は、第１の実施形態に係る医用情報処理装置の処理の一連の流れを説明するためのフローチャートである。 図１２は、第２の実施形態に係るＸ線診断装置の構成の一例を示すブロック図である。 図１３は、第４の実施形態に係る超音波診断装置の構成の一例を示すブロック図である。
以下、図面を参照して、医用情報処理システム、医用情報処理装置、放射線診断装置、超音波診断装置、学習用データの生産方法及びプログラムの実施形態について詳細に説明する。
（第１の実施形態）
まず、第１の実施形態について説明する。第１の実施形態では、医用情報処理装置３０を含んだ医用情報処理システム１を一例として説明する。
図１に示すように、第１の実施形態に係る医用情報処理システム１は、医用画像診断装置１０と、画像保管装置２０と、医用情報処理装置３０とを備える。なお、図１は、第１の実施形態に係る医用情報処理システム１の構成の一例を示すブロック図である。図１に示すように、医用画像診断装置１０、画像保管装置２０及び医用情報処理装置３０は、ネットワークＮＷを介して相互に接続される。
医用画像診断装置１０は、被検体から医用画像を収集する装置である。なお、データとして処理される医用画像については、医用画像データとも記載する。例えば、医用画像診断装置１０は、被検体から医用画像データを収集し、収集した医用画像データを画像保管装置２０及び医用情報処理装置３０に送信する。例えば、医用画像診断装置１０は、Ｘ線診断装置やＸ線ＣＴ（Computed Tomography）装置、ＳＰＥＣＴ（Single Photon Emission Computed Tomography）装置、ＳＰＥＣＴ装置とＸ線ＣＴ装置とが一体化されたＳＰＥＣＴ−ＣＴ装置、超音波診断装置等である。
画像保管装置２０は、医用画像診断装置１０によって収集された医用画像データを保管する装置である。例えば、画像保管装置２０は、ネットワークＮＷを介して医用画像診断装置１０から医用画像データを取得し、取得した医用画像データを装置内又は装置外に設けられたメモリに記憶させる。例えば、画像保管装置２０は、サーバ装置等のコンピュータ機器によって実現される。
医用情報処理装置３０は、ネットワークＮＷを介して医用画像データを取得し、取得した医用画像データを用いた種々の処理を実行する。例えば、医用情報処理装置３０は、ネットワークＮＷを介して、医用画像診断装置１０又は画像保管装置２０から医用画像データを取得する。また、医用情報処理装置３０は、取得した医用画像データのうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像方向が略一致する医用画像データを組として含む学習用データを特定する。例えば、医用情報処理装置３０は、ワークステーション等のコンピュータ機器によって実現される。
なお、ネットワークＮＷを介して接続可能であれば、医用画像診断装置１０、画像保管装置２０及び医用情報処理装置３０が設置される場所は任意である。例えば、医用情報処理装置３０は、医用画像診断装置１０と異なる病院に設置されてもよい。即ち、ネットワークＮＷは、院内で閉じたローカルネットワークにより構成されてもよいし、インターネットを介したネットワークでもよい。また、図１においては医用画像診断装置１０を１つ示すが、医用情報処理システム１は、複数の医用画像診断装置１０を含んでもよい。
図１に示すように、医用情報処理装置３０は、入力インターフェース３１と、ディスプレイ３２と、メモリ３３と、処理回路３４とを有する。
入力インターフェース３１は、操作者からの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路３４に出力する。例えば、入力インターフェース３１は、マウスやキーボード、トラックボール、スイッチ、ボタン、ジョイスティック、操作面へ触れることで入力操作を行なうタッチパッド、表示画面とタッチパッドとが一体化されたタッチスクリーン、光学センサを用いた非接触入力回路、音声入力回路等により実現される。なお、入力インターフェース３１は、医用情報処理装置３０本体と無線通信可能なタブレット端末等で構成されることにしても構わない。また、入力インターフェース３１は、マウスやキーボード等の物理的な操作部品を備えるものだけに限られない。例えば、医用情報処理装置３０とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を処理回路３４へ出力する電気信号の処理回路も入力インターフェース３１の例に含まれる。
ディスプレイ３２は、各種の情報を表示する。例えば、ディスプレイ３２は、処理回路３４による制御の下、医用画像診断装置１０又は画像保管装置２０から処理回路３４が取得した医用画像や、処理回路３４による変換処理後の医用画像を表示する。また、ディスプレイ３２は、入力インターフェース３１を介して操作者から各種指示や各種設定等を受け付けるためのＧＵＩ（Graphical User Interface）を表示する。例えば、ディスプレイ３２は、液晶ディスプレイやＣＲＴ（Cathode Ray Tube）ディスプレイである。ディスプレイ３２は、デスクトップ型でもよいし、医用情報処理装置３０本体と無線通信可能なタブレット端末等で構成されることにしても構わない。
メモリ３３は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスク等により実現される。例えば、メモリ３３は、医用画像診断装置１０又は画像保管装置２０から取得した医用画像データを記憶する。また、例えば、メモリ３３は、処理回路３４が生成した学習用データセットや学習済みモデルを記憶する。また、例えば、メモリ３３は、医用情報処理装置３０に含まれる回路がその機能を実現するためのプログラムを記憶する。なお、メモリ３３は、医用情報処理装置３０とネットワークＮＷを介して接続されたサーバ群（クラウド）により実現されることとしてもよい。
処理回路３４は、取得機能３４ａ、特定機能３４ｂ、学習用データセット生成機能３４ｃ、モデル生成機能３４ｄ、変換機能３４ｅ、出力機能３４ｆ及び制御機能３４ｇを実行することで、医用情報処理装置３０全体の動作を制御する。ここで、取得機能３４ａは、取得部の一例である。また、特定機能３４ｂは、特定部の一例である。また、学習用データセット生成機能３４ｃは、学習用データセット生成部の一例である。また、モデル生成機能３４ｄは、モデル生成部の一例である。また、変換機能３４ｅは、変換部の一例である。また、制御機能３４ｇは、制御部の一例である。
例えば、処理回路３４は、取得機能３４ａに対応するプログラムをメモリ３３から読み出して実行することにより、医用画像診断装置１０又は画像保管装置２０から、医用画像データを取得する。また、例えば、処理回路３４は、特定機能３４ｂに対応するプログラムをメモリ３３から読み出して実行することにより、取得機能３４ａにより取得される医用画像データのうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像方向が略一致する医用画像データを組として含む学習用データを特定する。
また、例えば、処理回路３４は、学習用データセット生成機能３４ｃに対応するプログラムをメモリ３３から読み出して実行することにより、特定機能３４ｂにより特定された複数の学習用データを含む学習用データセットを生成する。また、例えば、処理回路３４は、モデル生成機能３４ｄに対応するプログラムをメモリ３３から読み出して実行することにより、学習用データセットに基づいて、入力される医用画像データを、撮像の条件及び被検体の条件のうち少なくとも一方が異なる医用画像データに相当する医用画像データに変換する処理に組み込まれる学習済みモデルを生成する。
また、例えば、処理回路３４は、変換機能３４ｅに対応するプログラムをメモリ３３から読み出して実行することにより、学習済みモデルに基づいて、入力される医用画像データを、撮像の条件及び被検体の条件のうち少なくとも一方が異なる医用画像データに相当する医用画像データに変換する変換処理を実行する。また、例えば、処理回路３４は、出力機能３４ｆに対応するプログラムをメモリ３３から読み出して実行することにより、取得機能３４ａが取得した医用画像や変換機能３４ｅによる変換処理後の医用画像をディスプレイ３２に表示させたり、種々のデータ（学習用データ、学習用データセット、学習済みモデル、変換処理後の医用画像データ等）を外部装置に出力したりする。また、例えば、処理回路３４は、制御機能３４ｇに対応するプログラムをメモリ３３から読み出して実行することにより、入力インターフェース３１を介して操作者から受け付けた入力操作に基づいて、処理回路３４の各種機能を制御する。
図１に示す医用情報処理装置３０においては、各処理機能がコンピュータによって実行可能なプログラムの形態でメモリ３３へ記憶されている。処理回路３４は、メモリ３３からプログラムを読み出して実行することで各プログラムに対応する機能を実現するプロセッサである。換言すると、各プログラムを読み出した状態の処理回路３４は、読み出したプログラムに対応する機能を有することとなる。なお、図１においては単一の処理回路３４にて、取得機能３４ａ、特定機能３４ｂ、学習用データセット生成機能３４ｃ、モデル生成機能３４ｄ、変換機能３４ｅ、出力機能３４ｆ及び制御機能３４ｇが実現するものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路３４を構成し、各プロセッサが各プログラムを実行することにより各処理機能を実現するものとしても構わない。また、処理回路３４が有する各処理機能は、単一又は複数の処理回路に適宜に分散又は統合されて実現されてもよい。
次に、医用画像データを収集する医用画像診断装置１０について説明する。本実施形態では、医用画像診断装置１０の一例として、図２に示すＸ線診断装置１００について説明する。図２は、第１の実施形態に係るＸ線診断装置１００の構成の一例を示すブロック図である。また、本実施形態では、医用画像データの一例として、２次元のＸ線画像データについて説明する。
図２に示すように、Ｘ線診断装置１００は、Ｘ線高電圧装置１０１と、Ｘ線管１０２と、コリメータ１０３と、フィルタ１０４と、天板１０５と、Ｃアーム１０６と、Ｘ線検出器１０７と、メモリ１０８と、ディスプレイ１０９と、入力インターフェース１１０と、処理回路１１１とを備える。
Ｘ線高電圧装置１０１は、処理回路１１１による制御の下、Ｘ線管１０２に高電圧を供給する。例えば、Ｘ線高電圧装置１０１は、変圧器（トランス）及び整流器等の電気回路を有し、Ｘ線管１０２に印加する高電圧を発生する高電圧発生装置と、Ｘ線管１０２が照射するＸ線に応じた出力電圧の制御を行なうＸ線制御装置とを有する。なお、高電圧発生装置は、変圧器方式であってもよいし、インバータ方式であってもよい。
Ｘ線管１０２は、熱電子を発生する陰極（フィラメント）と、熱電子の衝突を受けてＸ線を発生する陽極（ターゲット）とを有する真空管である。Ｘ線管１０２は、Ｘ線高電圧装置１０１から供給される高電圧を用いて、陰極から陽極に向けて熱電子を照射することにより、Ｘ線を発生する。
コリメータ（Ｘ線絞り装置ともいう）１０３は、例えば、スライド可能な４枚の絞り羽根を有する。コリメータ１０３は、絞り羽根をスライドさせることで、Ｘ線管１０２が発生したＸ線を絞り込んで被検体Ｐ１に照射させる。ここで、絞り羽根は、鉛等で構成された板状部材であり、Ｘ線の照射範囲を調整するためにＸ線管１０２のＸ線照射口付近に設けられる。例えば、コリメータ１０３は、モータ及びアクチュエータ等の駆動機構を有し、後述する処理回路１１１による制御の下、Ｘ線の照射範囲を制御する。例えば、コリメータ１０３は、処理回路１１１から受け付けた制御信号に応じて駆動電圧を駆動機構に付加することにより、絞り羽根の開度を調整して、被検体Ｐ１に対して照射されるＸ線の照射範囲を制御する。
フィルタ１０４は、被検体Ｐ１に対する被ばく線量の低減とＸ線画像データの画質向上を目的として、その材質や厚みによって透過するＸ線の線質を変化させ、被検体Ｐ１に吸収されやすい軟線成分を低減したり、Ｘ線画像データのコントラスト低下を招く高エネルギー成分を低減したりする。また、フィルタ１０４は、その材質や厚み、位置等によってＸ線の線量及び照射範囲を変化させ、Ｘ線管１０２から被検体Ｐ１へ照射されるＸ線が予め定められた分布になるようにＸ線を減衰させる。例えば、フィルタ１０４は、モータ及びアクチュエータ等の駆動機構を有し、後述する処理回路１１１による制御の下、駆動機構を動作させることにより移動する。例えば、フィルタ１０４は、処理回路１１１から受け付けた制御信号に応じて駆動電圧を駆動機構に付加することによりその位置を調整して、被検体Ｐ１に対して照射されるＸ線の線量の分布を制御する。
天板１０５は、被検体Ｐ１を載せるベッドであり、図示しない寝台の上に配置される。なお、被検体Ｐ１は、Ｘ線診断装置１００に含まれない。例えば、寝台は、モータ及びアクチュエータ等の駆動機構を有し、後述する処理回路１１１による制御の下、駆動機構を動作させることにより、天板１０５の移動・傾斜を制御する。例えば、寝台は、処理回路１１１から受け付けた制御信号に応じて駆動電圧を駆動機構に付加することにより、天板１０５を移動させたり、傾斜させたりする。
Ｃアーム１０６は、Ｘ線管１０２、コリメータ１０３及びフィルタ１０４と、Ｘ線検出器１０７とを、被検体Ｐ１を挟んで対向するように保持する。例えば、Ｃアーム１０６は、モータ及びアクチュエータ等の駆動機構を有し、後述する処理回路１１１による制御の下、駆動機構を動作させることにより、回転したり移動したりする。例えば、Ｃアーム１０６は、処理回路１１１から受け付けた制御信号に応じて駆動電圧を駆動機構に付加することにより、Ｘ線管１０２、コリメータ１０３及びフィルタ１０４と、Ｘ線検出器１０７とを被検体Ｐ１に対して回転・移動させ、Ｘ線の照射位置や照射角度を制御する。なお、図２では、Ｘ線診断装置１００がシングルプレーンの場合を例に挙げて説明しているが、実施形態はこれに限定されるものではなく、バイプレーンの場合であってもよい。また、図２では、Ｘ線診断装置１００が循環器診断用のＸ線診断装置である場合を例に挙げて説明しているが、実施形態はこれに限定されるものではない。例えば、Ｘ線診断装置１００は、一般Ｘ線診断装置、消化器用Ｘ線ＴＶ装置、マンモグラフィ装置等、種々のＸ線診断装置であってもよい。Ｃアーム１０６は、Ｘ線管およびＸ線検出器のうち少なくとも一方を保持する保持部、保持機構および保持装置の一例である。
Ｘ線検出器１０７は、例えば、マトリクス状に配列された検出素子を有するＸ線平面検出器（Flat Panel Detector：ＦＰＤ）である。Ｘ線検出器１０７は、Ｘ線管１０２から照射されて被検体Ｐ１を透過したＸ線を検出して、検出したＸ線量に対応した検出信号を処理回路１１１へと出力する。なお、Ｘ線検出器１０７は、グリッド、シンチレータアレイ及び光センサアレイを有する間接変換型の検出器であってもよいし、入射したＸ線を電気信号に変換する半導体素子を有する直接変換型の検出器であっても構わない。また、Ｘ線検出器１０７は、検出面に垂直な軸を回転軸として、回転可能に構成されてもよい。即ち、Ｘ線検出器１０７は、検出面内で回転可能に構成されてもよい。以下では、検出面内でのＸ線検出器１０７の回転角を、面内回転角とも記載する。なお、Ｘ線検出器１０７は、検出器の一例である。
メモリ１０８は、例えば、ＲＡＭ、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスク等により実現される。例えば、メモリ１０８は、処理回路１１１によって収集されたＸ線画像データを受け付けて記憶する。また、メモリ１０８は、処理回路１１１によって読み出されて実行される各種機能に対応するプログラムを記憶する。なお、メモリ１０８は、Ｘ線診断装置１００とネットワークＮＷを介して接続されたサーバ群（クラウド）により実現されることとしてもよい。
ディスプレイ１０９は、各種の情報を表示する。例えば、ディスプレイ１０９は、処理回路１１１による制御の下、操作者の指示を受け付けるためのＧＵＩや、各種のＸ線画像を表示する。例えば、ディスプレイ１０９は、液晶ディスプレイやＣＲＴディスプレイである。なお、ディスプレイ１０９はデスクトップ型でもよいし、処理回路１１１と無線通信可能なタブレット端末等で構成されることにしても構わない。
入力インターフェース１１０は、操作者からの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路１１１に出力する。例えば、入力インターフェース１１０は、マウスやキーボード、トラックボール、スイッチ、ボタン、ジョイスティック、操作面へ触れることで入力操作を行なうタッチパッド、表示画面とタッチパッドとが一体化されたタッチスクリーン、光学センサを用いた非接触入力回路、音声入力回路等により実現される。なお、入力インターフェース１１０は、処理回路１１１と無線通信可能なタブレット端末等で構成されることにしても構わない。また、入力インターフェース１１０は、マウスやキーボード等の物理的な操作部品を備えるものだけに限られない。例えば、Ｘ線診断装置１００とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を処理回路１１１へ出力する電気信号の処理回路も入力インターフェース１１０の例に含まれる。
処理回路１１１は、収集機能１１１ａ、出力機能１１１ｂ及び制御機能１１１ｃを実行することで、Ｘ線診断装置１００全体の動作を制御する。
例えば、処理回路１１１は、メモリ１０８から収集機能１１１ａに相当するプログラムを読み出して実行することにより、Ｘ線画像データを収集する。例えば、収集機能１１１ａは、Ｘ線高電圧装置１０１を制御し、Ｘ線管１０２に供給する電圧を調整することで、被検体Ｐ１に対して照射されるＸ線量やオン／オフを制御する。
また、収集機能１１１ａは、撮像対象領域や撮像方向を制御する。ここで、本実施形態において、撮像対象領域とは、被検体Ｐ１の部位のうちＸ線画像により描出される部分を指し、撮像方向とは、被検体Ｐ１に対するＸ線照射に関する方向を指す。例えば、収集機能１１１ａは、コリメータ１０３を制御し、絞り羽根の開度を調整することで、被検体Ｐ１に対して照射されるＸ線の照射範囲を制御する。また、収集機能１１１ａは、フィルタ１０４を制御し、フィルタ１０４の位置を調整することで、Ｘ線の線量の分布を制御する。また、収集機能１１１ａは、Ｃアーム１０６の動作を制御することで、Ｃアーム１０６を回転させたり、移動させたりする。また、例えば、収集機能１１１ａは、寝台の動作を制御することで、天板１０５を移動させたり、傾斜させたりする。
以下では、医用画像診断装置１０において撮像に用いられる機構を、撮像部とも記載する。例えば、Ｘ線診断装置１００の撮像部は、Ｘ線管１０２、コリメータ１０３、フィルタ１０４、天板１０５、Ｃアーム１０６及びＸ線検出器１０７を含む。収集機能１１１ａは、撮像部の一部又は全部を制御することにより、撮像対象領域や撮像方向を制御する。
また、収集機能１１１ａは、Ｘ線検出器１０７から受信した検出信号に基づいてＸ線画像データを生成し、生成したＸ線画像データをメモリ１０８に格納する。この際、収集機能１１１ａは、生成したＸ線画像データの付帯情報に、撮像対象領域や撮像方向、患者ＩＤ、検査種別、検査日時、Ｘ線検出器１０７の面内回転角等を記録することとしてもよい。
例えば、収集機能１１１ａは、Ｘ線管１０２の向きに応じて撮像方向を特定し、Ｘ線画像データの付帯情報に記録する。例えば、収集機能１１１ａは、まず、被検体Ｐを基準とした方向を定義する。一例を挙げると、収集機能１１１ａは、被検体Ｐ１の体軸方向（被検体Ｐ１の横断面に垂直な方向）をＴ方向として定義する。また、収集機能１１１ａは、被検体Ｐ１の左右方向（被検体Ｐ１のサジタル面に垂直な方向）をＳ方向として定義する。また、収集機能１１１ａは、被検体Ｐ１の前後方向（被検体Ｐ１のコロナル面に垂直な方向）をＣ方向として定義する。なお、以下では、Ｔ方向、Ｓ方向及びＣ方向が相互に直交するものとして説明する。
例えば、被検体Ｐ１は、天板１０５の長手方向に沿って仰向けに載置される。この場合、収集機能１１１ａは、天板１０５の傾斜情報を用いて、図３の左図に示すように、天板１０５の長手方向をＴ方向として定義し、天板１０５の短手方向をＳ方向として定義し、天板１０５に垂直な方向をＣ方向として定義する。また、収集機能１１１ａは、図３の左図に示すように、撮像方向を特定する。具体的には、収集機能１１１ａは、Ｔ方向、Ｓ方向及びＣ方向を基準とし、Ｘ線管１０２の向きを撮像方向として特定する。なお、図３は、第１の実施形態に係る撮像方向について説明するための図である。
ここで、図３の左図に示すように、収集機能１１１ａがＣアーム１０６の回転動作を行なうことによって、被検体Ｐに対するＸ線管１０２の向きは変化する。即ち、Ｃアーム１０６の回転動作により、撮像方向は変化する。この場合、収集機能１１１ａは、図３の右図に示すように、Ｔ方向、Ｓ方向及びＣ方向を基準として、回転動作後のＸ線管１０２の向きを撮像方向として特定する。
また、収集機能１１１ａは、天板１０５の傾斜（チルト）を考慮して、撮像方向を特定してもよい。即ち、図４の左図に示すように、収集機能１１１ａが天板１０５を傾斜（チルト）させることによって、Ｘ線管１０２に対する被検体Ｐの向きは変化する。この場合、収集機能１１１ａは、チルト後の天板１０５の傾斜情報を用いて、Ｔ方向、Ｓ方向及びＣ方向を再度定義する。そして、収集機能１１１ａは、図４の右図に示すように、再度定義したＴ方向、Ｓ方向及びＣ方向を基準とし、Ｘ線管１０２の向きを撮像方向として特定する。なお、図４は、第１の実施形態に係る撮像方向について説明するための図である。
なお、収集機能１１１ａは、撮像方向として、臨床角を特定してもよいし、撮像方向を示す値を特定してもよい。例えば、心臓の検査において収集されたＸ線画像データについて、収集機能１１１ａは、ＣＲＡ、ＣＡＵ、ＬＡＯ、ＲＡＯ等の臨床角を撮像方向として特定し、Ｘ線画像データの付帯情報に記録する。また、例えば、収集機能１１１ａは、Ｔ方向、Ｓ方向及びＣ方向から成るＴＳＣ座標系を定義し、この座標系における単位ベクトルを撮像方向として特定する。一例を挙げると、撮像方向がＣ方向に一致する場合、収集機能１１１ａは、ＴＳＣ座標系において（０，０，１）を撮像方向として特定し、Ｘ線画像データの付帯情報に記録する。
また、収集機能１１１ａは、Ｃアーム１０６の位置やコリメータ１０３における絞り羽根の開度等に応じて撮像対象領域を特定し、Ｘ線画像データの付帯情報に記録する。例えば、収集機能１１１ａは、まず、被検体Ｐを基準とした方向及び基準位置を定義する。一例を挙げると、収集機能１１１ａは、Ｔ方向、Ｓ方向及びＣ方向から成るＴＳＣ座標系を定義し、Ｔ座標、Ｓ座標及びＣ座標を用いて、撮像対象領域を特定する。
例えば、収集機能１１１ａは、まず、Ｃアーム１０６の位置に基づいて、アイソセンタ（Ｃアーム１０６の回転中心）を特定する。次に、収集機能１１１ａは、アイソセンタを通り、かつ、撮像方向に平行な直線を特定する。そして、収集機能１１１ａは、コリメータ１０３における絞り羽根の開度に基づき、特定した直線を軸とする柱状領域又は錐状領域として、撮像対象領域を特定する。一例を挙げると、コリメータ１０３が４枚の絞り羽根を有する場合、収集機能１１１ａは、Ｘ線焦点を頂点とし、特定した直線を軸とする四角錐状の領域を、撮像対象領域として特定する。
以下では、＋Ｔ方向が被検体Ｐの上側（頭側）の方向であり、−Ｔ方向が被検体Ｐの下側（足側）の方向であるものとして説明する。例えば、Ｃアーム１０６が＋Ｔ方向に平行移動する場合、撮像対象領域は、＋Ｔ方向に平行移動する。また、コリメータ１０３における絞り羽根の動作を制御する場合、撮像対象領域は、絞り羽根の開度に応じて、拡大または縮小する。例えば、収集機能１１１ａは、Ｃアーム１０６の位置、及び、コリメータ１０３における絞り羽根の開度に基づいて、撮像対象領域を特定することができる。
また、収集機能１１１ａは、天板１０５の平行移動（スライド）を考慮して、撮像対象領域を特定してもよい。即ち、収集機能１１１ａが天板１０５をスライドさせることによって、天板１０５とＣアーム１０６との相対的な位置関係は変化し、撮像対象領域も変化する。例えば、天板１０５が＋Ｔ方向に平行移動する場合、撮像対象領域は、−Ｔ方向に平行移動する。この場合、収集機能１１１ａは、例えば、天板１０５とＣアーム１０６との相対的な位置関係、及び、コリメータ１０３における絞り羽根の開度に基づいて、撮像対象領域を特定する。
なお、収集機能１１１ａは、撮像対象領域として、撮像対象部位を特定してもよいし、撮像対象領域を示す値を特定してもよい。例えば、収集機能１１１ａは、「心臓」、「右肺」、「頭部」等の撮像対象部位を撮像対象領域として特定し、Ｘ線画像データの付帯情報に記録する。また、例えば、収集機能１１１ａは、Ｔ方向、Ｓ方向及びＣ方向から成るＴＳＣ座標系を定義し、この座標系における３次元領域を撮像対象領域として特定して、Ｘ線画像データの付帯情報に記録する。
また、収集機能１１１ａは、メモリ１０８が記憶するＸ線画像データに対して各種画像処理を行なってもよい。例えば、収集機能１１１ａは、Ｘ線画像データに対して、画像処理フィルタによるノイズ低減処理や、散乱線補正を実行する。
また、処理回路１１１は、メモリ１０８から出力機能１１１ｂに相当するプログラムを読み出して実行することにより、ディスプレイ１０９にＧＵＩやＸ線画像を表示させる。また、出力機能１１１ｂは、Ｘ線画像データを、画像保管装置２０や医用情報処理装置３０に出力する。また、処理回路１１１は、メモリ１０８から制御機能１１１ｃに相当するプログラムを読み出して実行することにより、入力インターフェース１１０を介して操作者から受け付けた入力操作に基づいて、処理回路１１１の各種機能を制御する。
図２に示すＸ線診断装置１００においては、各処理機能がコンピュータによって実行可能なプログラムの形態でメモリ１０８へ記憶されている。処理回路１１１は、メモリ１０８からプログラムを読み出して実行することで各プログラムに対応する機能を実現するプロセッサである。換言すると、各プログラムを読み出した状態の処理回路１１１は、読み出したプログラムに対応する機能を有することとなる。なお、図２においては、収集機能１１１ａ、出力機能１１１ｂ及び制御機能１１１ｃの各処理機能が単一の処理回路１１１によって実現される場合を示したが、実施形態はこれに限られるものではない。例えば、処理回路１１１は、複数の独立したプロセッサを組み合わせて構成され、各プロセッサが各プログラムを実行することにより各処理機能を実現するものとしても構わない。また、処理回路１１１が有する各処理機能は、単一又は複数の処理回路に適宜に分散又は統合されて実現されてもよい。
上記説明において用いた「プロセッサ」という文言は、例えば、ＣＰＵ、ＧＰＵ（Graphics Processing Unit）、あるいは、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ））等の回路を意味する。プロセッサはメモリ３３又はメモリ１０８に保存されたプログラムを読み出し実行することで機能を実現する。
なお、図１及び図２においては、単一のメモリ３３又はメモリ１０８が各処理機能に対応するプログラムを記憶するものとして説明した。しかしながら、複数のメモリ３３を分散して配置し、処理回路３４は、個別のメモリ３３から対応するプログラムを読み出す構成としても構わない。同様に、複数のメモリ１０８を分散して配置し、処理回路１１１は、個別のメモリ１０８から対応するプログラムを読み出す構成としても構わない。また、メモリ３３及びメモリ１０８にプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むよう構成しても構わない。この場合、プロセッサは回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。
また、処理回路３４及び処理回路１１１は、ネットワークＮＷを介して接続された外部装置のプロセッサを利用して、機能を実現することとしてもよい。例えば、処理回路３４は、メモリ３３から各機能に対応するプログラムを読み出して実行するとともに、医用情報処理装置３０とネットワークＮＷを介して接続されたサーバ群（クラウド）を計算資源として利用することにより、図１に示す各機能を実現する。また、例えば、処理回路３４は、メモリ３３から各機能に対応するプログラムを読み出して実行するとともに、処理回路１１１を計算資源として利用することにより、図１に示す各機能を実現する。
以上、医用情報処理システム１の構成の一例について説明した。かかる構成の下、医用情報処理システム１における医用情報処理装置３０は、医用画像に関する学習用データ不足を解消する。具体的には、医用情報処理装置３０は、以下詳細に説明する処理回路３４による処理によってＸ線画像データを取得し、取得したＸ線画像データのうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像方向が略一致するＸ線画像データを組として含む学習用データを特定することで、医用画像に関する学習用データ不足を解消する。以下、第１の実施形態に係る医用情報処理装置３０が行なう処理について詳細に説明する。
まず、取得機能３４ａは、Ｘ線診断装置１００又は画像保管装置２０からＸ線画像データを取得する。例えば、取得機能３４ａは、図５に示すように、Ｘ線診断装置１００から、Ｘ線画像データＩ１及びＸ線画像データＩ２を含む複数のＸ線画像データを取得する。なお、図５は、第１の実施形態に係る処理回路３４による処理について説明するための図である。
ここで、取得機能３４ａは、メモリ１０８に記憶されたＸ線画像データを取得してもよいし、収集機能１１１ａにより収集されたＸ線画像データをメモリ１０８を介すことなく取得してもよい。また、取得機能３４ａは、画像保管装置２０に記憶されたＸ線画像データを取得する場合であってもよい。また、取得機能３４ａは、取得したＸ線画像データをメモリ３３に記憶させることとしてもよい。
次に、特定機能３４ｂは、取得機能３４ａにより取得されたＸ線画像データのうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像方向が略一致するＸ線画像データを組として含む学習用データを特定する。
例えば、特定機能３４ｂは、まず、取得機能３４ａにより取得されたＸ線画像データのうち、同一検査内で収集されたＸ線画像データの組を特定する。一例を挙げると、特定機能３４ｂは、撮像対象となった被検体及び検査種別が同一であり、かつ、同日に収集されたＸ線画像データの組を特定する。
例えば、特定機能３４ｂは、各Ｘ線画像データの付帯情報に基づいて、各Ｘ線画像データの撮像対象となった被検体の情報を取得し、撮像対象となった被検体が同一であるＸ線画像データの組を特定する。一例を挙げると、Ｘ線画像データがＤＩＣＯＭ（Digital Imaging and Communications in Medicine）形式である場合、特定機能３４ｂは、タグ「(0010,0020) Patient ID」に記録された患者ＩＤに基づいて、撮像対象となった被検体が同一であるＸ線画像データの組を特定する。
次に、特定機能３４ｂは、撮像対象となった被検体が同一であるＸ線画像データの組のうち、検査種別が同一であるＸ線画像データの組を特定する。一例を挙げると、特定機能３４ｂは、各Ｘ線画像データの付帯情報に基づいて、各Ｘ線画像データに関する検査が通常検査であるか緊急検査であるか等の検査種別を取得する。そして、特定機能３４ｂは、各Ｘ線画像データの検査種別を比較することで、検査種別が同一であるＸ線画像データの組を特定する。
更に、特定機能３４ｂは、撮像対象となった被検体及び検査種別が同一であるＸ線画像データの組のうち、同日に収集されたＸ線画像データの組を特定する。一例を挙げると、特定機能３４ｂは、各Ｘ線画像データの付帯情報に基づいて、各Ｘ線画像データに関する検査が実行された検査日時を取得する。そして、特定機能３４ｂは、各Ｘ線画像データの検査日時を比較することで、同日に収集されたＸ線画像データの組を特定する。即ち、特定機能３４ｂは、撮像対象となった被検体及び検査種別が同一であるＸ線画像データの組のうち、同日に収集されたＸ線画像データの組を、同一検査内で収集されたＸ線画像データの組として特定する。
次に、特定機能３４ｂは、同一検査内で収集されたＸ線画像データの組のうち、撮像方向が略一致するＸ線画像データの組を特定する。例えば、特定機能３４ｂは、同一検査内で収集されたＸ線画像データの組のうち、撮像対象領域の少なくとも一部が重複し、かつ、撮像方向が略一致するＸ線画像データの組を特定する。ここで、特定機能３４ｂは、各Ｘ線画像データの撮像対象領域及び撮像方向を、各Ｘ線画像データの付帯情報に基づいて取得することができる。
例えば、特定機能３４ｂは、まず、同一検査内で収集されたＸ線画像データの組の間で、撮像方向が略一致しているか否かを判定する。一例を挙げると、心臓の検査において収集された各Ｘ線画像データについて、収集機能１１１ａは、ＣＲＡ、ＣＡＵ、ＬＡＯ、ＲＡＯ等の臨床角を撮像方向として特定し、各Ｘ線画像データの付帯情報に記録する。この場合、特定機能３４ｂは、各Ｘ線画像データの付帯情報から取得した臨床角を相互に比較し、臨床角が一致している場合、撮像方向が略一致していると判定する。別の例を挙げると、収集機能１１１ａは、各Ｘ線画像データの撮像方向として、撮像方向を示す単位ベクトルを特定する。この場合、特定機能３４ｂは、各Ｘ線画像データの付帯情報から取得した単位ベクトルについて内積を算出し、内積が閾値以上である場合に、撮像方向が略一致していると判定する。
上述したように、収集機能１１１ａは、Ｘ線管１０２の向きや天板１０５の傾斜情報等、撮像部の配置に基づいて撮像方向を特定し、Ｘ線画像データの付帯情報に撮像方向を記録する。そして、特定機能３４ｂは、Ｘ線画像データの付帯情報から取得した撮像方向に基づいて、撮像方向が略一致するＸ線画像データの組の特定を行なう。即ち、特定機能３４ｂは、撮像部の配置に基づいて、撮像方向が略一致するＸ線画像データの組の特定を行なう。
また、例えば、特定機能３４ｂは、撮像方向が略一致していると判定したＸ線画像データの組の間で、撮像対象領域の少なくとも一部が重複しているか否かを判定する。一例を挙げると、各Ｘ線画像データについて、収集機能１１１ａは、ＴＳＣ座標系において特定した３次元領域を、撮像対象領域としてＸ線画像データの付帯情報に記録する。この場合、特定機能３４ｂは、各Ｘ線画像データの付帯情報から取得した３次元領域を相互に比較し、３次元領域の少なくとも一部が重複している場合、撮像対象領域の少なくとも一部が重複していると判定する。別の例を挙げると、収集機能１１１ａは、各Ｘ線画像データについて、アイソセンタの位置情報をＸ線画像データの付帯情報に記録する。この場合、特定機能３４ｂは、各Ｘ線画像データの付帯情報から取得したアイソセンタの位置間の距離が閾値以下である場合に、撮像対象領域の少なくとも一部が重複していると判定する。
上述したように、収集機能１１１ａは、天板１０５とＣアーム１０６との位置関係や、コリメータ１０３における絞り羽根の開度等、撮像部の配置に基づいて撮像対象領域を取得し、Ｘ線画像データの付帯情報に記録する。或いは、収集機能１１１ａは、天板１０５とＣアーム１０６との位置関係等、撮像部の配置に基づいてアイソセンタの位置情報を取得し、Ｘ線画像データの付帯情報に記録する。そして、特定機能３４ｂは、Ｘ線画像データの付帯情報から取得した撮像対象領域、又は、アイソセンタの位置情報に基づいて、撮像対象領域の少なくとも一部が重複するＸ線画像データの組の特定を行なう。即ち、特定機能３４ｂは、撮像部の配置に基づいて、撮像対象領域の少なくとも一部が重複するＸ線画像データの組の特定を行なう。
ここで、特定機能３４ｂは、撮像対象領域の一部が重複し、かつ、撮像対象領域の全部が重複していないＸ線画像データの組について、Ｘ線画像データ間の位置合わせを行なうこととしてもよい。例えば、特定機能３４ｂは、撮像対象領域の一部が重複するＸ線画像データの組において、各Ｘ線画像データから解剖学的特徴点（ランドマーク）を抽出する。次に、特定機能３４ｂは、平行移動、拡大／縮小等の処理によって、Ｘ線画像データ間の解剖学的特徴点が重なるように位置合わせを行なう。そして、特定機能３４ｂは、位置合わせしたＸ線画像データの組を学習用データとして特定する。なお、特定機能３４ｂは、撮像対象領域の全部が重複するＸ線画像データの組については、位置合わせを実行せず、そのまま学習用データとして特定する。
また、特定機能３４ｂは、撮像方向が略一致し、かつ、撮像方向が同一でないＸ線画像データの組について、Ｘ線画像データ間の角度補正を行なうこととしてもよい。例えば、特定機能３４ｂは、撮像方向が略一致し、かつ、撮像方向が同一でないＸ線画像データの組において、Ｘ線画像データ間の撮像方向の差に基づく台形補正や、各Ｘ線画像データから抽出した解剖学的特徴点に基づく変形処理等の角度補正を行なう。そして、特定機能３４ｂは、角度補正したＸ線画像データの組を学習用データとして特定する。なお、特定機能３４ｂは、撮像方向が同一であるＸ線画像データの組については、角度補正を実行せず、そのまま学習用データとして特定する。
また、特定機能３４ｂは、Ｘ線画像データの撮像時におけるＸ線検出器１０７の面内回転角に基づいて、Ｘ線画像データの回転補正を行なうこととしてもよい。例えば、収集機能１１１ａは、Ｘ線検出器１０７の基準状態（面内回転角が０°である状態）を定義し、基準状態からのＸ線検出器１０７の回転量を面内回転角として取得し、Ｘ線画像データの付帯情報に記録する。一例を挙げると、Ｘ線画像データがＤＩＣＯＭ形式である場合、収集機能１１１ａは、ＤＩＣＯＭのプライベートタグに面内回転角を記録する。
例えば、特定機能３４ｂは、撮像対象領域の少なくとも一部が重複し、かつ、撮像方向が略一致するＸ線画像データの組における少なくとも一方のＸ線画像データについて、回転補正を実行する。一例を挙げると、特定機能３４ｂは、面内回転角（基準状態からのＸ線検出器１０７の回転量）を相殺するように、各Ｘ線画像データの回転補正を実行する。
これにより、特定機能３４ｂは、各Ｘ線画像データの向きを揃えることができる。そして、特定機能３４ｂは、向きが揃った状態のＸ線画像データの組を、学習用データとして特定する。
或いは、特定機能３４ｂは、まず、同一検査内で収集されたＸ線画像データの組における少なくとも一方のＸ線画像データについて、回転補正を実行する。次に、特定機能３４ｂは、回転補正後のＸ線画像データの組から、撮像対象領域の少なくとも一部が重複し、かつ、撮像方向が略一致するＸ線画像データの組を特定する。これにより、特定機能３４ｂは、向きが揃った状態のＸ線画像データの組を、学習用データとして特定する。
次に、特定機能３４ｂは、撮像対象領域の少なくとも一部が重複し、かつ、撮像方向が略一致するＸ線画像データの組のうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なるＸ線画像データの組から成る学習用データを特定する。
ここで、Ｘ線画像データについて撮像の条件とは、例えば、Ｘ線の照射に関する条件やＸ線の検出に関する条件等である。なお、Ｘ線の照射に関する条件の例としては、管電流値、管電圧値、照射時間等が挙げられる。また、Ｘ線の検出に関する条件の例としては、Ｘ線検出器１０７が備える検出素子の数、Ｘ線検出器１０７のビニング数、Ｘ線検出器１０７の種類（間接変換型／直接変換型）等が挙げられる。
また、Ｘ線画像データについて被検体の条件とは、例えば、造影条件等である。なお、造影条件の例としては、被検体の血管や消化器等に注入された造影剤の種類及び量、造影剤注入後の経過時間等が挙げられる。例えば、被検体の血管に注入される造影剤の種類には、被検体の周辺組織よりＸ線減弱係数の大きな陽性造影剤（ヨードや硫酸バリウムを主成分とする造影剤等）と、被検体の周辺組織よりＸ線減弱係数の小さな陰性造影剤（二酸化炭素や酸素、窒素、空気を主成分とする気体造影剤等）とがある。
以下では一例として、図５に示すＸ線画像データＩ１に係る管電流値が、Ｘ線画像データＩ２に係る管電流値よりも小さい場合について説明する。即ち、以下では、Ｘ線画像データＩ１とＸ線画像データＩ２との撮像の条件が異なる場合について説明する。また、図５に示すように、Ｘ線画像データＩ１とＸ線画像データＩ２とは、撮像対象領域が略重複し、かつ、撮像方向が略一致するＸ線画像データの組である。従って、特定機能３４ｂは、撮像の条件が異なるＸ線画像データＩ１とＸ線画像データＩ２との組を、学習用データとして特定する。
ここで、Ｘ線画像データＩ２よりも小さい管電流値（低線量）で撮像されたＸ線画像データＩ１は、Ｘ線画像データＩ２よりも多くのノイズを含んでいる。即ち、Ｘ線画像データＩ１とＸ線画像データＩ２との組は、ノイズの程度が異なる医用画像の組の一例である。
なお、特定機能３４ｂは、Ｘ線画像データの組について、学習用データとして特定するか否かを判定してもよい。例えば、特定機能３４ｂは、撮像方向が略一致し、かつ、撮像方向が同一でないＸ線画像データの組についてＸ線画像データ間の角度補正を行なった場合に、角度補正したＸ線画像データの組を学習用データとして特定するか否かを判定してもよい。例えば、特定機能３４ｂは、まず、角度補正したＸ線画像データの組について、画像間の比較を行なう。
例えば、特定機能３４ｂは、角度補正したＸ線画像データの組について、各Ｘ線画像データから特徴点を抽出し、画像間で特徴点の位置が一致するか否かを判定する。一例を挙げると、特定機能３４ｂは、メモリ３３から、被検体Ｐ１の年齢、成人／子供、男性／女性、体重、身長等の種々のパラメータに応じて、仮想患者画像データを取得する。ここで、仮想患者画像データは、複数の解剖学的特徴点の位置が、それぞれの解剖学的特徴の識別コードとともに定義されたデータである。例えば、特定機能３４ｂは、パターン認識等の画像処理によりＸ線画像データから複数の特徴点を抽出するとともに、仮想患者画像データに基づいて、抽出した複数の特徴点それぞれの識別コードを特定する。そして、特定機能３４ｂは、識別コードごとに、各Ｘ線画像データから抽出した特徴点の位置が画像間で一致するか否かを判定する。ここで、特徴点の位置が一致する場合、特定機能３４ｂは、角度補正したＸ線画像データの組を学習用データとして特定する。一方で、特徴点の位置が一致しない場合、特定機能３４ｂは、角度補正したＸ線画像データの組を、学習用データとして特定しないと判定する。
別の例を挙げると、特定機能３４ｂは、角度補正したＸ線画像データの組について、各Ｘ線画像データから特徴領域を抽出し、画像間で特徴領域が一致するか否かを判定する。例えば、特定機能３４ｂは、各Ｘ線画像データにおいて骨や臓器等を特徴領域として抽出し、抽出した領域の輪郭線を抽出する。ここで、輪郭線が画像間で一致する場合、特定機能３４ｂは、角度補正したＸ線画像データの組を学習用データとして特定する。一方で、輪郭線が一致しない場合、特定機能３４ｂは、角度補正したＸ線画像データの組を、学習用データとして特定しないと判定する。
別の例を挙げると、特定機能３４ｂは、角度補正したＸ線画像データの組について、画像間の類似度を算出する。例えば、特定機能３４ｂは、画素ごとに、画像間での画素値の差を算出する。次に、特定機能３４ｂは、画素ごとに算出した差をそれぞれ二乗した後、合算する。そして、特定機能３４ｂは、算出した合算値に基づいて、類似度を算出する。また、例えば、特定機能３４ｂは、各Ｘ線画像データをハッシュ関数に入力して、ハッシュ値を算出する。そして、特定機能３４ｂは、画像間でのハッシュ値の差に基づいて、類似度を算出する。
なお、特定機能３４ｂは、各Ｘ線画像データのＳＮ比（信号対雑音比）が異なる場合、コントラストを補正してから、類似度を算出してもよい。例えば、特定機能３４ｂは、角度補正したＸ線画像データの組のうちＳＮ比が低い方のＸ線画像データについて、平滑化フィルタを用いた画像処理を実行する。これにより、特定機能３４ｂは、ＳＮ比が低い方のＸ線画像データについて、他方のＸ線画像データと同程度までＳＮ比を上昇させる。そして、特定機能３４ｂは、同程度のＳＮ比を有するＸ線画像データの組について、画像間の類似度を算出する。
ここで、類似度が閾値よりも高い場合、特定機能３４ｂは、角度補正したＸ線画像データの組を学習用データとして特定する。なお、ＳＮ比が低い方のＸ線画像データについて画像処理を実行していた場合、特定機能３４ｂは、画像処理を実行する前のＸ線画像データと他方のＸ線画像データとの組を、学習用データとして特定する。一方で、類似度が閾値よりも低い場合、特定機能３４ｂは、角度補正したＸ線画像データの組を、学習用データとして特定しないと判定する。
また、特定機能３４ｂは、学習用データの特定に先立って、Ｘ線画像データの各々を学習用データの特定に使用するか否か判定してもよい。即ち、特定機能３４ｂは、取得機能３４ａにより取得されたＸ線画像データについて、学習用データの特定に使用するか否かを判定し、使用すると判定したＸ線画像データを用いて、学習用データを特定することとしてもよい。
例えば、特定機能３４ｂは、取得機能３４ａにより取得されたＸ線画像データのうち、類似するＸ線画像データが複数ある場合、その一部のみを使用すると判定する。ここで、類似するＸ線画像データが複数ある場合とは、例えば、Ｘ線透視が実行された場合や、撮像対象領域及び撮像方向を変更することなく、条件を微調整しながらＸ線画像データの撮像が繰り返し行われた場合等である。なお、Ｘ線透視は、リアルタイムでの観察に用いられる撮像及び観察の方法であり、例えば、比較的低線量のＸ線を用いて時系列の複数のＸ線画像データの撮像を行ない、撮像と並行してディスプレイ１０９に表示する方法である。Ｘ線透視によって得られるＸ線画像を透視画像ともいう。
一例を挙げると、特定機能３４ｂは、まず、取得機能３４ａにより取得されたＸ線画像データの各々について、撮像の条件及び被検体の条件が略一致し、かつ、撮像対象領域及び撮像方向が略一致する他のＸ線画像データ（類似するＸ線画像データ）があるか否かを判定する。そして、特定機能３４ｂは、類似するＸ線画像データがないＸ線画像データについては、学習用データの特定に使用すると判定する。
一方で、特定機能３４ｂは、撮像の条件及び被検体の条件が略一致し、かつ、撮像対象領域及び撮像方向が略一致する複数のＸ線画像データについては、その一部を学習用データの特定に使用すると判定する。即ち、特定機能３４ｂは、類似する複数のＸ線画像データについては、その一部を学習用データの特定に使用すると判定する。例えば、特定機能３４ｂは、類似する複数のＸ線画像データのうち、画質の良いＸ線画像データを学習用データの特定に使用すると判定する。一例を挙げると、特定機能３４ｂは、複数のＸ線画像データの各々についてＳＮ比を算出し、ＳＮ比が最も高いＸ線画像データを、学習用データの特定に使用すると判定する。
また、例えば、特定機能３４ｂは、取得機能３４ａにより取得されたＸ線画像データのうち、時系列の複数のＸ線画像データについては、階調の安定性に関する条件及び残像に関する条件の少なくとも一方を満たすＸ線画像データを学習用データの特定に使用すると判定する。
例えば、特定機能３４ｂは、時系列の複数のＸ線画像データのうち、連続するＸ線画像データの間で画素値の平均値の差を算出する。そして、特定機能３４ｂは、算出した差が閾値よりも小さい場合は階調の安定性に関する条件を満たすと判定し、算出した差が閾値以上である場合は階調の安定性に関する条件を満たさないと判定する。なお、階調の安定性に関する条件を満たさない場合としては、例えば、Ｘ線管１０２がＸ線の発生を開始した後、Ｘ線強度が安定するまでの間にＸ線画像データが収集された場合等が該当する。
また、例えば、特定機能３４ｂは、時系列の複数のＸ線画像データについて、リカーシブフィルタや加算平均処理等の画像処理を実行し、処理後のＸ線画像データと処理前のＸ線画像データとを差分することで残像成分を抽出する。そして、特定機能３４ｂは、残像成分の抽出量が閾値よりも小さい場合は残像に関する条件を満たすと判定し、残像成分の抽出量が閾値以上である場合は残像に関する条件を満たさないと判定する。なお、残像に関する条件を満たさない場合としては、例えば、撮像時に被検体の体動があった場合等が該当する。
次に、学習用データセット生成機能３４ｃは、特定機能３４ｂにより特定された複数の学習用データを含む学習用データセットを生成する。例えば、学習用データセット生成機能３４ｃは、特定機能３４ｂにより特定された学習用データから、Ｘ線画像データの組の間で異なっている条件（撮像の条件及び被検体の条件）が共通する学習用データを抽出する。
一例を挙げると、学習用データセット生成機能３４ｃは、特定機能３４ｂにより特定された学習用データから、Ｘ線画像データの組の間で管電流値の条件が異なっている学習用データ（Ｘ線画像データＩ１とＸ線画像データＩ２との組から成る学習用データ等）を複数抽出する。即ち、学習用データセット生成機能３４ｃは、ノイズの程度が異なるＸ線画像データの組から成る学習用データを複数抽出する。次に、学習用データセット生成機能３４ｃは、抽出した複数の学習用データを含む学習用データセットを生成する。そして、学習用データセット生成機能３４ｃは、生成した学習用データセットをメモリ３３に格納する。なお、以下では、ノイズの程度が異なるＸ線画像データの組から成る複数の学習用データを含む学習用データセットを、学習用データセットＤ１とも記載する。
ここで、学習用データセット生成機能３４ｃは、被検体の部位ごとに学習用データセットを生成することとしてもよい。例えば、学習用データセット生成機能３４ｃは、まず、特定機能３４ｂにより特定された学習用データから、ノイズの程度が異なるＸ線画像データの組から成る学習用データを複数抽出する。次に、学習用データセット生成機能３４ｃは、抽出した学習用データから、被検体の部位ごとに学習用データを抽出する。
例えば、学習用データセット生成機能３４ｃは、「腹部」のＸ線画像データの組から成る学習用データを抽出し、「腹部」についての学習用データセットＤ１１を生成する。また、例えば、学習用データセット生成機能３４ｃは、「肝臓」のＸ線画像データの組から成る学習用データを抽出し、「肝臓」についての学習用データセットＤ１２を生成する。ここで、学習用データセット生成機能３４ｃは、同一の学習用データを、「腹部」のＸ線画像データの組から成る学習用データとして抽出するとともに、「肝臓」のＸ線画像データの組から成る学習用データとして抽出しても構わない。そして、学習用データセット生成機能３４ｃは、生成した学習用データセットＤ１１及び学習用データセットＤ１２をメモリ３３に格納する。なお、学習用データセットＤ１１及び学習用データセットＤ１２は、学習用データセットＤ１の一例である。
次に、モデル生成機能３４ｄは、図５に示すように、メモリ３３から学習用データセットを読み出して、学習済みモデルを生成する。具体的には、モデル生成機能３４ｄは、入力されるＸ線画像データを、撮像の条件及び被検体の条件のうち少なくとも一方が異なるＸ線画像データに相当するＸ線画像データに変換する処理に組み込まれる学習済みモデルを生成する。ここで、本実施形態における学習済みモデルは、例えば、多層のニューラルネットワークにより構成することができる。
本実施形態に係る多層のニューラルネットワークの典型的な構成について、以下説明する。ここで、多層のニューラルネットワークとは、層状に並べた隣接層間のみ結合した構造を持ち、情報が入力層側から出力層側に一方向に伝播するネットワークである。本実施形態に係る多層のニューラルネットワークは、図６に示す様に、入力層（ｌ＝１）、中間層（ｌ＝２，３，・・・，Ｌ−１）、出力層（ｌ＝Ｌ）のＬ個の層から構成されるものとする。なお、図６は、第１の実施形態に係る学習済みモデルの生成処理について説明するための図である。以下の説明は一例であり、多層のニューラルネットワークの構成は以下の説明に限定されない。
第ｌ層でのユニット数をＩ個とし、第ｌ層への入力ｕ(l)を下記の式（１−１）、第ｌ層からの出力ｚ(l)を下記の式（ｌ−２）の様にそれぞれ表記すると、第ｌ層への入力と第ｌ層からの出力との関係は、下記の式（１−３）によって表すことができる。
式（１−１）、式（１−２）及び式（１−３）において、右上の添字（ｌ）は層の番号を示す。また、式（１−３）におけるｆ（ｕ）は、活性化関数であり、ロジスティックシグモイド関数（ロジスティック関数）、双曲線正接関数、正規化線形関数（ＲｅＬＵ：Rectified Liner Unit)、線形写像、恒等写像、マックスアウト関数等、目的に応じて種々の関数を選択することができる。
第ｌ＋１層でのユニット数をＪ個とし、第ｌ層と第ｌ＋１層との間の重み付行列Ｗ(l+1)を下記の式（２−１）、第ｌ＋１層におけるバイアスｂ(l+1)を下記の式（２−２）の様にそれぞれ表記すると、第ｌ＋１層への入力ｕ(l+1)、第ｌ＋１層からの出力ｚ(l+1)は、それぞれ、下記の式（２−３）、式（２−４）によって表すことができる。
本実施形態に係る多層のニューラルネットワークにおいて、入力層（ｌ＝１）には、下記の式（３−１）で表現される信号が入力される。また、当該入力層においては、入力データｘがそのまま出力データｚ(1)となるため、下記の式（３−２）の関係が成立する。
ここで、入力信号ｘについては、例えば、各成分ｘp（ｐ＝１，２，・・・，Ｎ）を、入力側の医用画像を構成する画素の画素値とする。
入力層に続く中間層（ｌ＝２，３，・・・，Ｌ−１）層においては、上記の式（２−３）、式（２−４）に従う計算を順次実行することで、各層の出力ｚ(2)，・・・ｚ(L-1)を計算することができる。
出力層（第Ｌ層）の出力ｚ(L)を以下の式（４−１）の様に表記する。本実施形態に係る多層のニューラルネットワークは、入力層に入力された画像データｘが、入力層側から出力層側に向かって隣接層間でのみ結合しながら伝播する順伝播型ネットワークである。この様な順伝播型ネットワークは、以下の式（４−２）の様な合成関数として表現することができる。
式（４−２）によって定義される合成関数は、式（２−３）、式（２−４）より、重み付行列Ｗ(l+1)を用いた各層間の線形関係、各層における活性化関数ｆ（ｕ(l+1)）を用いた非線形関係（又は線形関係）、バイアスｂ(l+1)の組み合わせとして定義される。特に、重み付行列Ｗ(l+1)、バイアスｂ(l+1)はネットワークのパラメータｐと呼ばれる。式（４−２）によって定義される合成関数は、パラメータｐをどのように選ぶかで、関数としての形を変える。従って、本実施形態に係る多層のニューラルネットワークは、式（４−２）を構成するパラメータｐを適切に選ぶことで、出力層が好ましい結果ｙを出力することができる関数として、定義することができる。
パラメータｐを適切に選ぶためには、学習用データセットと誤差関数を用いた学習を実行する。ここで、学習用データセットとは、入力ｘnに対する望ましい出力（正解出力）をｄnとすると、下記の式（５−１）のように表現される学習用データ（ｘn，ｄn）の集合Ｄ（ｎ＝１，・・・，S）である。即ち、学習用データセットとは、下記の式（５−２）のように表現される学習用データの集合Ｄである。
また、誤差関数とは、ｘnを入力した多層のニューラルネットワークからの出力と学習用データｄnとの近さを表す関数である。誤差関数の代表例としては、二乗誤差関数、最尤度推定関数、交差エントロピー関数等を挙げることができる。どのような関数を誤差関数に選択するかは、多層化ネットワークが取り扱う問題（例えば、回帰問題、二値問題、多クラス分類問題等）に依存する。
誤差関数をＥ（ｐ）と表記し、一つの学習用データ（ｘn，ｄn）のみを使用して計算される誤差関数をＥn（ｐ）と表記する。現在のパラメータｐ(t)は、勾配降下法に従う場合には誤差関数Ｅ（ｐ）の勾配ベクトルを用いた式（６−１）、確率的勾配降下法に従う場合には誤差関数Ｅn（ｐ）の勾配ベクトルを用いた式（６−３）によって、新たなパラメータｐ(t+1)に更新される。
ここで、εはパラメータｐの更新量の大きさを定める学習係数である。式（６−１）又は式（６−３）に従って、現在のｐを負の勾配方向に少し動かし、これを逐次繰り返すことで、誤差関数Ｅ（ｐ）を極小にするパラメータｐを決定することができる。
なお、式（６−１）又は式（６−３）を計算するためには、式（６−２）で示されるＥ（ｐ）の勾配ベクトル、又は式（６−４）で示されるＥｎ（ｐ）の勾配ベクトルを計算する必要がある。誤差関数が二乗誤差関数である場合を例とすれば、下記の式（７−１）に示される誤差関数について、各層の重み係数と各ユニットのバイアスとで微分する必要がある。
一方、最終出力ｙが式（４−２）で表される合成関数であることから、Ｅ（ｐ）又はＥn（ｐ）の勾配ベクトルの計算は複雑であり、その計算量も膨大なものとなる。
この様な勾配計算における不具合は、誤差逆伝播法によって解決することができる。例えば、第ｌ−１層の第ｉユニットと第ｌ層の第ｊユニットとを繋ぐ重みｗji (l)についての誤差関数の微分は、以下の式（８−１）の様に表すことができる。
ｌ層の第ｊユニットへの入力ｕj (l)がＥnに与える変化量は、当該第ｊユニットからの出力ｚj (l)を通じて第ｌ＋１層の各ユニットｋへの各入力ｕk (l+1)を変化させることのみを介して生じるものである。このことから、式（８−１）の右辺第１項は、微分の連鎖則を用いて、次の式（９−１）の様に表すことができる。
ここで、式（９−１）の左辺をδj (l)とおくと、下記の式（１０−１）、式（１０−２）の関係を使って、式（９−１）は式（１０−３）の様に書き直すことができる。
式（１０−３）より、左辺のδj (l)は、δk (l+1)（ｋ＝１，２，・・・・）から計算できることがわかる。すなわち、一つ上位の出力層側に存在する第ｌ＋１層の第ｋユニットに関するδk (l+1)が与えられれば、第ｌ層についてのδj (l)を計算することができる。さらに、第ｌ＋１層の第ｋユニットに関するδk (l+1)についても、その一つ上位の出力層側に存在する第ｌ＋２層の第ｋユニットに関するδk (l+2)が与えられれば、計算することができる。このことを逐次繰り返して最上位層である出力層まで辿ることができる。
最初に第Ｌ層である出力層の第ｋユニットに関するδk (L)が取得されていれば、式（１０−３）を用いて下位側（すなわち入力層側）に向かって逐次計算を繰り返すことにより（逆伝播）、任意層におけるδk (l+1)を計算することができる。
一方、式（８−１）の右辺第２項については、式（２−３）を第ｌ層について成分で表現した式（１１−１）を用いて、式（１１−２）の様に計算することができる。
従って、第ｌ−１層の第ｉユニットと第ｌ層の第ｊユニットとを繋ぐ重みｗji (l)についての誤差関数の微分は、式（８−１）、式（１０−３）によるδj (l)、式（１１−２）を用いて、以下の式（１２−１）の様に表現することができる。
式（１２−１）から、第ｌ−１層の第ｉユニットと第ｌ層の第ｊユニットとを繋ぐ重みｗji (l)についての誤差関数の微分は、第ｊユニットに関するδj (l)と、第ｉユニットからの出力であるｚi (l-1)との積で与えらえることがわかる。なお、δj (l)についての計算は、上述した様に、式（１０−３）を用いて逆伝播により求めることができ、また、逆伝播の最初の値、すなわち、第Ｌ層である出力層に関するδj (L)は、以下の式（１３−１）の様に計算することができる。
以上の手順により、本実施形態に係る多層化ネットワークについて、ある学習サンプル（ｘn，ｄn）を用いた学習を実現することができる。なお、複数の学習サンプルに対する誤差の総和Ｅ＝ΣnＥnに関する勾配ベクトルについては、上述した手順を学習サンプル（ｘn，ｄn）毎に並列的に繰り返し、以下の式（１４−１）に示す和を計算することで、取得することができる。
例えば、モデル生成機能３４ｄは、まず、メモリ３３から学習用データセットＤ１を読み出す。次に、モデル生成機能３４ｄは、学習用データセットＤ１に基づいて、ノイズの多いＸ線画像データ（Ｘ線画像データＩ１等）から、ノイズの少ないＸ線画像データ（Ｘ線画像データＩ２等）を復元するように、モデルを学習させる。例えば、モデル生成機能３４ｄは、ノイズの多いＸ線画像データを入力側データ、ノイズの少ないＸ線画像データを出力側データとしてモデルのパラメータを調整することにより、ノイズを除去する関数を近似した学習済みモデルを生成する。生成する学習済みモデルがニューラルネットワークによる学習済みモデルである場合、調整するパラメータは、例えば、重みとバイアスとのうち少なくとも一方である。なお、以下では、学習用データセットＤ１に基づいて生成された学習済みモデルを、学習済みモデルＭ１とも記載する。そして、モデル生成機能３４ｄは、生成した学習済みモデルＭ１をメモリ３３に格納する。
なお、モデル生成機能３４ｄは、学習用データを入力側データとして用いてもよいし、学習用データに基づくデータを入力側データとして用いてもよい。例えば、モデル生成機能３４ｄは、図７に示すように、ノイズの多いＸ線画像データ（Ｘ線画像データＩ１等）に対する前処理（例えば、空間フィルタやコンボリューションフィルタを用いた画像処理等）を実行し、前処理後の画像データを入力側データとする。なお、図７は、第１の実施形態に係る学習済みモデルの生成処理について説明するための図である。
また、モデル生成機能３４ｄは、学習用データを出力側データとして用いてもよいし、学習用データに基づくデータを出力側データとして用いてもよい。例えば、図７に示すように、モデル生成機能３４ｄは、ノイズの少ないＸ線画像データ（Ｘ線画像データＩ２等）に対する後処理の実行前の画像データを、出力側データとする。例えば、モデル生成機能３４ｄは、出力側データに対する後処理後の画像データとノイズの少ないＸ線画像データとが近似するようにモデルのパラメータを調整して、ノイズを除去する関数を近似した学習済みモデルＭ１を生成する。この場合、学習済みモデルＭ１は、ノイズの多いＸ線画像データをノイズの少ないＸ線画像データに変換する処理に対して、他の処理（前処理、後処理等）と共に組み込まれて使用される。即ち、モデル生成機能３４ｄは、Ｘ線画像データの変換処理に他の処理と共に組み込まれる学習済みモデルＭ１を生成することができる。
また、モデル生成機能３４ｄによって生成される学習済みモデルにおけるニューラルネットワークの出力は、画像データの画素値そのものでなくても良い。例えば、モデル生成機能３４ｄは、ニューラルネットワークの出力を、各種画像処理フィルタのパラメータ（強度等）の組み合わせとしてもよい。
この場合において、モデル生成機能３４ｄは、画像処理フィルタのパラメータの組み合わせごとに、Ｘ線画像データの組のうちのノイズの多いＸ線画像データ（Ｘ線画像データＩ１等）に対するフィルタ処理を実行する。また、モデル生成機能３４ｄは、図８に示すように、ノイズの多いＸ線画像データに対するフィルタ処理後の画像データと、ノイズの少ないＸ線画像データ（Ｘ線画像データＩ２等）との類似度をパラメータの組み合わせごとに算出し、類似度が高くなるパラメータの組み合わせ（ｋ1, ｋ2・・・, ｋM）を特定する。そして、モデル生成機能３４ｄは、図８に示すように、ノイズの多いＸ線画像データを入力側のデータとし、特定したパラメータの組み合わせを出力側のデータとして、ニューラルネットワークを学習させる。なお、図８は、第１の実施形態に係る学習済みモデルの生成処理について説明するための図である。
これにより、ノイズの多いＸ線画像データを入力画像として、ノイズの少ないＸ線画像データに変換するための画像処理フィルタのパラメータの組み合わせ（ｋ1, ｋ2・・・, ｋM）を出力するニューラルネットワークを得ることができる。従って、図９のように、当該ニューラルネットワークにより得られるフィルタのパラメータの組み合わせ（ｋ1, ｋ2・・・, ｋM）でノイズの多いＸ線画像データに対してフィルタ処理を行うようにすることにより、ノイズの多いＸ線画像データをノイズの少ないＸ線画像データに変換する学習済みモデルＭ１を構成することができる。なお、図９は、第１の実施形態に係る学習済みモデルの生成処理について説明するための図である。
なお、画像処理フィルタの種類としては、例えば、移動平均（平滑化）フィルタ、ガウシアンフィルタ、メディアンフィルタ、リカーシブフィルタ、バンドパスフィルタ等が挙げられる。また、画像処理フィルタのパラメータとしては、例えば、各フィルタの強度、移動平均（平滑化）フィルタ、ガウシアンフィルタ及びメディアンフィルタの縦方向及び横方向のサイズ、リカーシブフィルタにおいて使用するフレーム数及び各フレームに対する重み、バンドパスフィルタにおける周波数の設定等が挙げられる。
また、多層のニューラルネットワーク以外の機械学習手法による学習済みモデルを生成してもよい。例えば、ＳＶＭ（サポートベクターマシン）等のデータの分類を行う機械学習手法によって、入力された医用画像データに対して適切な画像処理フィルタを選択する学習済みモデルを生成してもよい。具体的な手法としては、例えば、分類先のクラスを画像処理フィルタの種類とし、入力された医用画像データの特徴量をモデルの入力データとし、そして、学習用データの入力側データに対する出力結果と学習用データの出力側データとの類似度が高くなるフィルタを選択するように、モデルの学習を行えばよい。
また、モデル生成機能３４ｄが学習済みモデルを生成する処理を実行する時間については、検査情報に基づいて設定されることとしてもよい。例えば、モデル生成機能３４ｄは、検査情報に基づいて、Ｘ線診断装置１００によるＸ線画像データの収集が行われない時間（深夜等）を取得し、取得した時間を、学習済みモデルを生成する時間として設定する。このように設定された時間において、Ｘ線診断装置１００のプロセッサ（処理回路１１１等）は使用されないことが多く、モデル生成機能３４ｄは、Ｘ線診断装置１００のプロセッサを計算資源として利用することができる。特に、Ｘ線診断装置１００はＧＰＵを有している場合も多いため、モデル生成機能３４ｄは、設定された時間において、学習済みモデルを生成する処理を高速で実現することができる。
モデル生成機能３４ｄが学習済みモデルを生成した後、新たにＸ線画像データが収集された場合、取得機能３４ａは、新たに収集されたＸ線画像データを取得する。例えば、図１０に示すように、Ｘ線診断装置１００によって新たにＸ線画像データＩ３が収集された場合、取得機能３４ａは、新たに収集されたＸ線画像データＩ３を取得する。なお、図１０は、第１の実施形態に係る変換処理について説明するための図である。
そして、変換機能３４ｅは、学習済みモデルに基づいて、Ｘ線画像データＩ３に対する変換処理を実行する。具体的には、変換機能３４ｅは、学習済みモデルに基づいて、入力されるＸ線画像データＩ３を、Ｘ線画像データＩ３と撮像の条件及び被検体の条件のうち少なくとも一方が異なるＸ線画像データに相当するＸ線画像データに変換する変換処理を実行する。
一例を挙げると、変換機能３４ｅは、まず、メモリ３３から学習済みモデルＭ１を読み出す。次に、変換機能３４ｅは、Ｘ線画像データＩ３を学習済みモデルＭ１に入力し、Ｘ線画像データＩ３よりもノイズが少ないＸ線画像データに相当するＸ線画像データＩ３’に変換する変換処理を実行する。換言すると、変換機能３４ｅは、Ｘ線画像データＩ３を、Ｘ線画像データＩ３よりも大きい管電流値（高線量）で撮像されたＸ線画像データに相当するＸ線画像データＩ３’に変換して、Ｘ線画像データＩ３のノイズを除去する。
そして、出力機能３４ｆは、変換処理後のＸ線画像データＩ３’ を出力する。例えば、出力機能３４ｆは、Ｘ線画像データＩ３’に基づいて表示用のＸ線画像を生成し、生成したＸ線画像をディスプレイ３２に表示させる。これにより、出力機能３４ｆは、医用情報処理装置３０の操作者に、ノイズが低減されたＸ線画像を提供することができる。また、例えば、出力機能３４ｆは、Ｘ線画像データＩ３’ を、医用情報処理装置３０とネットワークＮＷを介して接続された外部装置に出力する。この場合、外部装置は、Ｘ線画像データＩ３’に基づく表示用のＸ線画像を、外部装置が有するディスプレイに表示させることができる。即ち、出力機能３４ｆは、外部装置の操作者に、ノイズが低減されたＸ線画像を提供することができる。
ここで、特定機能３４ｂは、新たに取得されたＸ線画像データの組、又は、新たに取得されたＸ線画像データとメモリ３３に記憶されたＸ線画像データとの組であって、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像方向が略一致するものを、学習用データとして新たに特定することができる。また、新たに学習用データが特定された場合、学習用データセット生成機能３４ｃは、新たに特定された学習用データを含む学習用データセットを新たに生成し、モデル生成機能３４ｄは、新たに生成された学習用データセットに基づいて学習済みモデルを新たに生成する。
なお、制御機能３４ｇは、変換機能３４ｅが変換処理を実行するか否かを切り替える入力操作を受け付けることとしてもよい。例えば、制御機能３４ｇは、入力インターフェース３１を介して操作者からの入力操作を受け付けることにより、変換機能３４ｅが変換処理を実行するモードと、変換機能３４ｅが変換処理を実行しないモードとを切り替える。
例えば、変換機能３４ｅが変換処理を実行しないモードにおいてＸ線診断装置１００がＸ線画像データの収集を行なった場合、取得機能３４ａは、収集されたＸ線画像データを取得し、特定機能３４ｂは、学習用データを特定する。一方で、変換機能３４ｅが変換処理を実行するモードにおいてＸ線診断装置１００がＸ線画像データの収集を行なった場合、取得機能３４ａは、新たに収集されたＸ線画像データを取得してメモリ３３に記憶させ、変換機能３４ｅは、メモリ３３から読み出したＸ線画像データに対する変換処理を実行する。その後、特定機能３４ｂは、変換機能３４ｅが変換処理を実行しないモードに切り替えられた際、メモリ３３からＸ線画像データを読み出して学習用データを特定する。
これまで、学習用データの例として、ノイズの程度が異なるＸ線画像データの組から成る学習用データについて説明した。しかしながら、実施形態はこれに限定されるものではない。
一例を挙げると、特定機能３４ｂは、解像度が異なるＸ線画像データの組から成る学習用データを特定する。具体的には、特定機能３４ｂは、取得機能３４ａが取得したＸ線画像データのうち、撮像方向が略一致するＸ線画像データの組であって、解像度が異なるものを特定する。例えば、特定機能３４ｂは、取得機能３４ａが取得したＸ線画像データのうち、同一検査内で収集されたＸ線画像データの組を特定する。次に、特定機能３４ｂは、同一検査内で収集されたＸ線画像データの組のうち、撮像対象領域の少なくとも一部が重複し、かつ、撮像方向が略一致するＸ線画像データの組を特定する。そして、特定機能３４ｂは、撮像対象領域の少なくとも一部が重複し、かつ、撮像方向が略一致するＸ線画像データの組であって、解像度が異なるものを特定する。
ここで、解像度が異なるＸ線画像データの組とは、例えば、検出素子の数（密度）が異なるＸ線検出器１０７を用いて撮像されたことにより、画素数（ピクセル数）が異なっているＸ線画像データの組である。また、例えば、解像度が異なるＸ線画像データの組とは、少なくとも一方のＸ線画像データを撮像する際に、検出信号の束ね処理が行われたことにより、画素数が異なっているＸ線画像データの組である。
なお、特定機能３４ｂは、解像度が異なるＸ線画像データの組について学習用データとして特定するか否かを判定してもよい。例えば、特定機能３４ｂは、撮像方向が略一致し、かつ、撮像方向が同一でなく、かつ、解像度が異なるＸ線画像データの組についてＸ線画像データ間の角度補正を行なった場合に、角度補正したＸ線画像データの組を学習用データとして特定するか否かを判定する。例えば、特定機能３４ｂは、まず、角度補正したＸ線画像データの組について、画像間の比較を行なう。
例えば、特定機能３４ｂは、角度補正したＸ線画像データの組について、各Ｘ線画像データから特徴点を抽出し、画像間で特徴点の位置が一致するか否かを判定する。一例を挙げると、特定機能３４ｂは、パターン認識等の画像処理によりＸ線画像データから複数の特徴点を抽出するとともに、仮想患者画像データに基づいて、抽出した複数の特徴点それぞれの識別コードを特定する。そして、特定機能３４ｂは、識別コードごとに、各Ｘ線画像データから抽出した特徴点の位置が一致するか否かを判定する。ここで、特徴点の位置が一致する場合、特定機能３４ｂは、角度補正したＸ線画像データの組を学習用データとして特定する。一方で、特徴点の位置が一致しない場合、特定機能３４ｂは、角度補正したＸ線画像データの組を、学習用データとして特定しないと判定する。
別の例を挙げると、特定機能３４ｂは、角度補正したＸ線画像データの組について、各Ｘ線画像データから特徴領域を抽出し、画像間で特徴領域が一致するか否かを判定する。例えば、特定機能３４ｂは、各Ｘ線画像データにおいて骨や臓器等を特徴領域として抽出し、抽出した領域の輪郭線を抽出する。ここで、輪郭線が画像間で一致する場合、特定機能３４ｂは、角度補正したＸ線画像データの組を学習用データとして特定する。一方で、輪郭線が一致しない場合、特定機能３４ｂは、角度補正したＸ線画像データの組を、学習用データとして特定しないと判定する。
別の例を挙げると、特定機能３４ｂは、角度補正したＸ線画像データの組について、画像間の類似度を算出する。例えば、特定機能３４ｂは、画素ごとに画像間での画素値の差を算出し、算出した差をそれぞれ二乗した後に合算する。そして、特定機能３４ｂは、算出した合算値に基づいて、類似度を算出する。また、例えば、特定機能３４ｂは、各Ｘ線画像データをハッシュ関数に入力してハッシュ値を算出し、画像間でのハッシュ値の差に基づいて、類似度を算出する。
なお、特定機能３４ｂは、Ｘ線画像データの解像度を補正してから、類似度を算出してもよい。例えば、特定機能３４ｂは、角度補正したＸ線画像データの組において解像度が高い方のＸ線画像データについて、画素の束ね処理を実行する。これにより、特定機能３４ｂは、解像度が高い方のＸ線画像データについて、他方のＸ線画像データと同程度まで解像度を低下させる。そして、特定機能３４ｂは、同程度の解像度を有するＸ線画像データの組について、画像間の類似度を算出する。
また、特定機能３４ｂは、各Ｘ線画像データのＳＮ比が異なる場合、コントラストを補正してから、類似度を算出してもよい。例えば、特定機能３４ｂは、角度補正したＸ線画像データの組のうちＳＮ比が低い方のＸ線画像データについて、平滑化フィルタを用いた画像処理を実行する。これにより、特定機能３４ｂは、ＳＮ比が低い方のＸ線画像データについて、他方のＸ線画像データと同程度までＳＮ比を上昇させる。そして、特定機能３４ｂは、同程度のＳＮ比を有するＸ線画像データの組について、画像間の類似度を算出する。
ここで、類似度が閾値よりも高い場合、特定機能３４ｂは、角度補正したＸ線画像データの組を学習用データとして特定する。なお、解像度が高い方のＸ線画像データについて画素の束ね処理を実行していた場合、特定機能３４ｂは、画素の束ね処理を実行する前のＸ線画像データと他方のＸ線画像データとの組を学習用データとして特定する。また、ＳＮ比が低い方のＸ線画像データについて画像処理を実行していた場合、特定機能３４ｂは、画像処理を実行する前のＸ線画像データと他方のＸ線画像データとの組を学習用データとして特定する。一方で、類似度が閾値よりも低い場合、特定機能３４ｂは、角度補正したＸ線画像データの組を、学習用データとして特定しないと判定する。
次に、学習用データセット生成機能３４ｃは、特定機能３４ｂにより特定された学習用データから、解像度が異なるＸ線画像データの組から成る学習用データを抽出し、抽出した複数の学習用データを含む学習用データセットを生成する。なお、以下では、解像度が異なるＸ線画像データの組から成る複数の学習用データを含む学習用データセットを、学習用データセットＤ２とも記載する。
次に、モデル生成機能３４ｄは、学習用データセットＤ２に基づいて、入力されるＸ線画像データを、より解像度が高いＸ線画像データに相当するＸ線画像データに変換する処理に組み込まれる学習済みモデルを生成する。なお、以下では、学習用データセットＤ２に基づいて生成された学習済みモデルを、学習済みモデルＭ２とも記載する。
モデル生成機能３４ｄが学習済みモデルＭ２を生成した後、新たにＸ線画像データＩ４が収集された場合、取得機能３４ａは、Ｘ線画像データＩ４を取得する。そして、変換機能３４ｅは、学習済みモデルＭ２に基づいて、Ｘ線画像データＩ４に対する変換処理を実行する。具体的には、変換機能３４ｅは、学習済みモデルＭ２に基づいて、入力されるＸ線画像データＩ４を、より解像度が高いＸ線画像データに相当するＸ線画像データＩ４’に変換する変換処理を実行する。例えば、変換機能３４ｅは、新たに収集されたＸ線画像データＩ４を、より高精細なＸ線検出器１０７を用いて撮像されたＸ線画像データに相当するＸ線画像データＩ４’に変換して、高解像度化する。
そして、出力機能３４ｆは、変換処理後のＸ線画像データＩ４’ を出力する。例えば、出力機能３４ｆは、Ｘ線画像データＩ４’に基づいて表示用のＸ線画像を生成し、生成したＸ線画像をディスプレイ３２に表示させる。これにより、出力機能３４ｆは、医用情報処理装置３０の操作者に、高解像度のＸ線画像を提供することができる。また、例えば、出力機能３４ｆは、Ｘ線画像データＩ４’を、医用情報処理装置３０とネットワークＮＷを介して接続された外部装置に出力する。この場合、外部装置は、Ｘ線画像データＩ４’に基づく表示用のＸ線画像を、外部装置が有するディスプレイに表示させることができる。即ち、出力機能３４ｆは、外部装置の操作者に、高解像度のＸ線画像を提供することができる。
別の例を挙げると、特定機能３４ｂは、コントラスト画像とマスク像との組から成る学習用データを特定する。具体的には、特定機能３４ｂは、取得機能３４ａが取得したＸ線画像データのうち、撮像対象領域の少なくとも一部が重複し、かつ、撮像方向が略一致するＸ線画像データの組であって、コントラスト画像とマスク像との組を特定する。
ここで、コントラスト画像は、例えば、被検体Ｐ１の血管内に造影剤が注入された状態で撮像されたＸ線画像データである。コントラスト画像においては、血管内に注入された造影剤と、背景成分（被検体Ｐ１の骨や軟組織等）とが描出される。即ち、コントラスト画像には血管と背景成分とが描出される。また、マスク像は、例えば、被検体Ｐ１の血管内に造影剤が注入されていない状態で撮像されたＸ線画像データ（非造影画像）と、コントラスト画像との差分画像である。即ち、マスク像は、コントラスト画像から背景成分を除去した血管像である。
次に、学習用データセット生成機能３４ｃは、特定機能３４ｂにより特定された学習用データから、コントラスト画像とマスク像との組から成る学習用データを抽出し、抽出した複数の学習用データを含む学習用データセットを生成する。なお、以下では、コントラスト画像とマスク像との組から成る複数の学習用データを含む学習用データセットを、学習用データセットＤ３とも記載する。
次に、モデル生成機能３４ｄは、学習用データセットＤ３に基づいて、入力されるＸ線画像データを、背景成分を除去したＸ線画像データに相当するＸ線画像データに変換する処理に組み込まれる学習済みモデルを生成する。即ち、モデル生成機能３４ｄは、学習用データセットＤ３に基づいて、入力されるコントラスト画像を、マスク像に相当するＸ線画像データに変換する処理に組み込まれる学習済みモデルを生成する。なお、以下では、学習用データセットＤ３に基づいて生成された学習済みモデルを、学習済みモデルＭ３とも記載する。
モデル生成機能３４ｄが学習済みモデルＭ３を生成した後、血管内に造影剤が注入された状態の被検体Ｐ１からＸ線画像データＩ５（コントラスト画像）が収集された場合、取得機能３４ａは、Ｘ線画像データＩ５を取得する。そして、変換機能３４ｅは、学習済みモデルＭ３に基づいて、Ｘ線画像データＩ５に対する変換処理を実行する。具体的には、変換機能３４ｅは、学習済みモデルＭ３に基づいて、コントラスト画像であるＸ線画像データＩ５を、マスク像に相当するＸ線画像データＩ５’に変換する変換処理を実行する。即ち、変換機能３４ｅは、Ｘ線画像データＩ５における背景成分を除去し、血管像を生成する。
そして、出力機能３４ｆは、変換処理後のＸ線画像データＩ５’ を出力する。例えば、出力機能３４ｆは、Ｘ線画像データＩ５’に基づいて表示用のＸ線画像を生成し、生成したＸ線画像をディスプレイ３２に表示させる。また、例えば、出力機能３４ｆは、Ｘ線画像データＩ５’ を、医用情報処理装置３０とネットワークＮＷを介して接続された外部装置に出力する。この場合、外部装置は、Ｘ線画像データＩ５’に基づく表示用のＸ線画像を、外部装置が有するディスプレイに表示させることができる。
次に、医用情報処理装置３０による処理の手順の一例を、図１１を用いて説明する。図１１は、第１の実施形態に係る医用情報処理装置３０の処理の一連の流れを説明するためのフローチャートである。ステップＳ１０１及びステップＳ１０８は、取得機能３４ａに対応するステップである。ステップＳ１０２及びステップＳ１０３は、特定機能３４ｂに対応するステップである。ステップＳ１０４及びステップＳ１０５は、学習用データセット生成機能３４ｃに対応するステップである。ステップＳ１０６及びステップＳ１０７は、モデル生成機能３４ｄに対応するステップである。ステップＳ１０９及びステップＳ１１０は、変換機能３４ｅに対応するステップである。ステップＳ１１１は、出力機能３４ｆに対応するステップである。
まず、処理回路３４は、Ｘ線診断装置１００又は画像保管装置２０から、Ｘ線画像データを取得する（ステップＳ１０１）。次に、処理回路３４は、取得したＸ線画像データについて、学習用データの特定に使用するか否かを判定し（ステップＳ１０２）、使用すると判定したＸ線画像データから学習用データを特定する（ステップＳ１０３）。次に、処理回路３４は、特定した複数の学習用データを含む学習用データセットを生成し（ステップＳ１０４）、生成した学習用データセットをメモリ３３に格納する（ステップＳ１０５）。
ここで、処理回路３４は、検査情報に基づいて設定された時間であるか否かを判定する（ステップＳ１０６）。設定された時間である場合（ステップＳ１０６肯定）、処理回路３４は、学習用データセットに基づいて学習済みモデルを生成する（ステップＳ１０７）。一方で、設定された時間でない場合（ステップＳ１０６否定）、又は、ステップＳ１０７の後、処理回路３４は、新たにＸ線画像データを取得したか否かを判定する（ステップＳ１０８）。
新たにＸ線画像データを取得した場合（ステップＳ１０８肯定）、処理回路３４は、変換処理を実行するか否かを判定する（ステップＳ１０９）。ここで、変換処理を実行すると判定した場合（ステップＳ１０９肯定）、処理回路３４は、ステップＳ１０８において新たに取得したＸ線画像データに対して変換処理を実行し（ステップＳ１１０）、変換処理後のＸ線画像データを出力する（ステップＳ１１１）。なお、処理回路３４は、ステップＳ１１０において、最後に生成された学習済みモデルに基づいて変換処理を実行する。
変換処理を実行しないと判定した場合（ステップＳ１０９否定）、又は、ステップＳ１１１の後、処理回路３４は、再度ステップＳ１０２に移行する。また、新たにＸ線画像データを取得しない場合（ステップＳ１０８否定）、処理回路３４は、処理を終了する。
上述したように、第１の実施形態によれば、取得機能３４ａは、Ｘ線画像データを取得する。また、特定機能３４ｂは、取得機能３４ａにより取得されるＸ線画像データのうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像方向が略一致するＸ線画像データの組から成る学習用データを特定する。従って、第１の実施形態に係る医用情報処理装置３０は、学習用データ不足を解消することができる。
また、上述したように、学習用データセット生成機能３４ｃは、特定機能３４ｂが特定した複数の学習用データを含む学習用データセットを生成する。また、モデル生成機能３４ｄは、入力されるＸ線画像データを、撮像の条件及び被検体の条件のうち少なくとも一方が異なるＸ線画像データに相当するＸ線画像データに変換する処理に組み込まれる学習済みモデルを生成する。
例えば、モデル生成機能３４ｄは、学習用データセットＤ１に基づいて、入力されるＸ線画像データを、よりノイズが少ないＸ線画像データに相当するＸ線画像データに変換する処理に組み込まれる学習済みモデルＭ１を生成する。従って、第１の実施形態に係る医用情報処理装置３０は、Ｘ線画像データにおけるノイズを低減することができる。これにより、医用情報処理装置３０は、撮像に使用されるＸ線を低線量化して、Ｘ線管１０２の寿命を延長するとともに、被検体の被ばく線量を低減することもできる。
また、例えば、モデル生成機能３４ｄは、学習用データセットＤ２に基づいて、入力されるＸ線画像データを、より解像度が高いＸ線画像データに相当するＸ線画像データに変換する処理に組み込まれる学習済みモデルＭ２を生成する。従って、第１の実施形態に係る医用情報処理装置３０は、Ｘ線画像データの解像度を向上させることができる。これにより、医用情報処理装置３０は、撮像に使用されるＸ線を低線量化して、Ｘ線管１０２の寿命を延長するとともに、被検体の被ばく線量を低減することもできる。
また、例えば、モデル生成機能３４ｄは、学習用データセットＤ３に基づいて、入力されるコントラスト画像を、マスク像に相当するＸ線画像データに変換する処理に組み込まれる学習済みモデルＭ３を生成する。従って、第１の実施形態に係る医用情報処理装置３０は、非造影画像を用いずともコントラスト画像の背景成分を除去し、血管像を生成することができる。ひいては、医用情報処理装置３０は、非造影画像の撮像を省略し、被検体Ｐ１の被爆量を低減することができる。
また、上述したように、第１の実施形態に係る医用情報処理装置３０は、新たにＸ線画像データが撮像される度に学習用データを自動的に特定する。従って、医用情報処理装置３０は、撮像が行われるほど多くの学習用データを蓄積し、学習用データ不足を解消することができる。ひいては、医用情報処理装置３０は、次第に蓄積される学習用データから学習用データセットを生成し、生成した学習用データセットに基づいて学習済みモデルを生成することで、変換処理の精度を次第に向上させることができる。
また、上述したように、第１の実施形態に係る特定機能３４ｂは、取得機能３４ａにより取得されるＸ線画像データについて、学習用データの特定に使用するか否かを判定し、使用すると判定したＸ線画像データから学習用データを特定する。従って、第１の実施形態に係る医用情報処理装置３０は、学習用データの質を向上させることができる。
例えば、特定機能３４ｂは、取得機能３４ａにより取得されるＸ線画像データのうち、撮像の条件及び被検体の条件が略一致し、かつ、撮像対象領域及び撮像方向が略一致する複数のＸ線画像データについては、その一部を学習用データの特定に使用すると判定する。これにより、特定機能３４ｂは、略同一の学習用データが大量に登録されるといった事態を防止し、データの偏りを防ぐことができる。
また、例えば、特定機能３４ｂは、取得機能３４ａにより取得されるＸ線画像データのうち、時系列の複数のＸ線画像データについては、階調の安定性に関する条件及び残像に関する条件の少なくとも一方を満たすＸ線画像データを学習用データの特定に使用すると判定する。これにより、特定機能３４ｂは、階調が不安定なＸ線画像データや、残像の多いＸ線画像データから成る学習用データが登録される事態を防止し、学習用データの質を向上させることができる。
また、上述したように、第１の実施形態に係る制御機能３４ｇは、変換機能３４ｅが変換処理を実行するか否かを切り替える入力操作を受け付ける。これにより、医用情報処理装置３０は、変換機能３４ｅによる変換処理と、特定機能３４ｂによる学習用データの特定処理とを異なるタイミングで実行し、処理負荷を時間的に分散させることができる。ひいては、医用情報処理装置３０は、各処理について十分な計算資源を担保し、各処理を高速化することができる。
なお、図１においては、医用情報処理装置３０の処理回路３４にて、取得機能３４ａ、特定機能３４ｂ、学習用データセット生成機能３４ｃ、モデル生成機能３４ｄ、変換機能３４ｅ、出力機能３４ｆ及び制御機能３４ｇが実現するものとして説明したが、複数のプロセッサを組み合わせて処理回路３４を構成し、各プロセッサが各プログラムを実行することにより各処理機能を実現するものとしても構わない。また、処理回路３４は、異なる装置のプロセッサを組み合わせて構成されることとしてもよい。
例えば、医用情報処理システム１は、複数の医用情報処理装置３０を備え、医用情報処理装置３０のそれぞれが有するプロセッサを組み合わせることにより、処理回路３４を構成することとしてもよい。一例を挙げると、医用情報処理システム１は、取得機能３４ａ及び特定機能３４ｂを実現するプロセッサを有する医用情報処理装置３０（第１の医用情報処理装置）と、学習用データセット生成機能３４ｃ及びモデル生成機能３４ｄを実現するプロセッサを有する医用情報処理装置３０（第２の医用情報処理装置）とを備える。また、例えば、医用情報処理装置３０が有するプロセッサ（処理回路３４等）と、医用画像診断装置１０のプロセッサ（処理回路１１１等）とを組み合わせることにより、処理回路３４を構成することとしてもよい。
一例を挙げると、第１の医用情報処理装置の処理回路は、取得機能３４ａと、特定機能３４ｂと、送信機能３４ｈ（図示せず）とを有する。また、第２の医用情報処理装置の処理回路は、学習用データセット生成機能３４ｃと、モデル生成機能３４ｄと、受信機能３４ｉ（図示せず）とを有する。なお、送信機能３４ｈは、送信部の一例である。また、受信機能３４ｉは、受信部の一例である。この場合、第１の医用情報処理装置における送信機能３４ｈは、第２の医用情報処理装置に対して、特定機能３４ｂにより特定された学習用データを送信する。また、第２の医用情報処理装置における受信機能３４ｉは、第１の医用情報処理装置により送信された学習用データを受信する。また、学習用データセット生成機能３４ｃは、受信機能３４ｉが受信した学習用データを含む学習用データセットを生成する。そして、モデル生成機能３４ｄは、学習用データセット生成機能３４ｃが生成した学習用データセットに基づいて、学習済みモデルを生成する。
例えば、第２の医用情報処理装置におけるモデル生成機能３４ｄは、受信機能３４ｉが受信した学習用データの数が閾値を超えた時に、学習済みモデルを生成する。或いは、モデル生成機能３４ｄは、検査情報に基づいてＸ線診断装置１００によるＸ線画像データの収集が行われない時間を取得し、取得した時間において、Ｘ線診断装置１００が有するＧＰＵ等を利用して、学習済みモデルを生成する。或いは、モデル生成機能３４ｄは、学習用データセット生成機能３４ｃが学習用データセットを生成し次第、学習済みモデルを生成する。
また、上述した実施形態では、学習用データの例として、Ｘ線画像データの組から成る学習用データについて説明した。しかしながら、実施形態はこれに限定されるものではない。例えば、特定機能３４ｂは、Ｘ線画像データの組と、他のデータとから成る学習用データを特定してもよい。ここで、他のデータの例としては、例えば、特定機能３４ｂが学習用データを特定した日時の情報が挙げられる。即ち、特定機能３４ｂは、少なくともＸ線画像データを組として含む学習用データを特定する。
同様に、学習用データセット生成機能３４ｃは、複数の学習用データと、他のデータとを含む学習用データセットを生成してもよい。ここで、他のデータの例としては、例えば、学習用データセット生成機能３４ｃが学習用データセットを生成した日時の情報が挙げられる。即ち、学習用データセット生成機能３４ｃは、少なくとも複数の学習用データを含む学習用データセットを生成する。
（第２の実施形態）
上述した第１の実施形態では、処理回路３４が、取得機能３４ａ、特定機能３４ｂ、学習用データセット生成機能３４ｃ、モデル生成機能３４ｄ、変換機能３４ｅ、出力機能３４ｆ及び制御機能３４ｇを有する場合について説明した。これに対し、第２の実施形態では、処理回路１１１が、取得機能３４ａ、特定機能３４ｂ、学習用データセット生成機能３４ｃ、モデル生成機能３４ｄ、変換機能３４ｅ、出力機能３４ｆ及び制御機能３４ｇに相当する機能を有する場合について説明する。
第２の実施形態に係るＸ線診断装置１００は、図２に示した第１の実施形態に係るＸ線診断装置１００と同様の構成を有し、処理回路１１１が、取得機能１１１ｄ、特定機能１１１ｅ、学習用データセット生成機能１１１ｆ、モデル生成機能１１１ｇ及び変換機能１１１ｈを更に有する点で相異する。そこで、第１の実施形態において説明した構成と同様の構成を有する点については、図２と同一の符号を付し、説明を省略する。
以下、図１２を用いて、第２の実施形態に係るＸ線診断装置１００について説明する。図１２は、第２の実施形態に係るＸ線診断装置１００の構成の一例を示すブロック図である。図１２に示すように、Ｘ線診断装置１００は、Ｘ線高電圧装置１０１と、Ｘ線管１０２と、コリメータ１０３と、フィルタ１０４と、天板１０５と、Ｃアーム１０６と、Ｘ線検出器１０７と、メモリ１０８と、ディスプレイ１０９と、入力インターフェース１１０と、処理回路１１１とを備える。
また、処理回路１１１は、収集機能１１１ａ、出力機能１１１ｂ、制御機能１１１ｃを実行することで、Ｘ線診断装置１００全体の動作を制御する。更に、処理回路１１１は、取得機能３４ａに対応する取得機能１１１ｄを実行する。また、処理回路１１１は、特定機能３４ｂに対応する特定機能１１１ｅを実行する。また、処理回路１１１は、学習用データセット生成機能３４ｃに対応する学習用データセット生成機能１１１ｆを実行する。また、処理回路１１１は、モデル生成機能３４ｄに対応するモデル生成機能１１１ｇを実行する。また、処理回路１１１は、変換機能３４ｅに対応する変換機能１１１ｈを実行する。
以上、第２の実施形態に係るＸ線診断装置１００の構成の一例について説明した。かかる構成の下、Ｘ線診断装置１００は、Ｘ線画像データに関する学習用データ不足を解消する。
具体的には、収集機能１１１ａは、まず、Ｘ線画像データを収集する。例えば、収集機能１１１ａは、Ｘ線高電圧装置１０１を制御することで、Ｘ線管１０２から被検体Ｐ１に対してＸ線を照射させる。この際、Ｘ線検出器１０７は、被検体Ｐ１を透過したＸ線を検出して検出信号を出力する。そして、収集機能１１１ａは、Ｘ線検出器１０７から受信した検出信号に基づいてＸ線画像データを生成し、生成したＸ線画像データをメモリ１０８に格納する。ここで、出力機能１１１ｂは、Ｘ線画像データを画像保管装置２０に出力し、記憶させることとしてもよい。
次に、取得機能１１１ｄは、収集機能１１１ａにより収集されたＸ線画像データを取得する。なお、取得機能１１１ｄは、メモリ１０８に記憶されたＸ線画像データを取得してもよいし、収集機能１１１ａにより収集されたＸ線画像データをメモリ１０８を介すことなく取得してもよい。また、取得機能１１１ｄは、画像保管装置２０に記憶されたＸ線画像データを取得する場合であってもよい。
次に、特定機能１１１ｅは、取得機能１１１ｄにより取得されるＸ線画像データのうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像方向が略一致するＸ線画像データを組として含む学習用データを特定する。例えば、特定機能１１１ｅは、取得機能１１１ｄにより取得されるＸ線画像データのうち、同一検査内で収集されたＸ線画像データの組を特定する。次に、特定機能１１１ｅは、同一検査内で収集されたＸ線画像データの組のうち、撮像対象領域の少なくとも一部が重複し、かつ、撮像方向が略一致するＸ線画像データの組を特定する。そして、特定機能１１１ｅは、撮像対象領域の少なくとも一部が重複し、かつ、撮像方向が略一致するＸ線画像データの組であって、撮像の条件及び被検体の条件のうち少なくとも一方が異なるものを特定する。次に、学習用データセット生成機能１１１ｆは、特定機能１１１ｅにより特定された複数の学習用データを含む学習用データセットを生成する。
次に、モデル生成機能１１１ｇは、学習用データセットに基づいて、入力されるＸ線画像データを、撮像の条件及び被検体の条件のうち少なくとも一方が異なるＸ線画像データに相当するＸ線画像データに変換する処理に組み込まれる学習済みモデルを生成する。例えば、モデル生成機能１１１ｇは、検査情報に基づいて、収集機能１１１ａがＸ線画像データの収集を行わない時間を取得し、取得した時間を、学習済みモデルを生成する時間として設定する。そして、モデル生成機能１１１ｇは、設定された時間に学習済みモデルを生成する。
モデル生成機能１１１ｇが学習済みモデルを生成した後、収集機能１１１ａが新たにＸ線画像データを収集した場合、取得機能１１１ｄは、新たに収集されたＸ線画像データを取得する。ここで、変換機能１１１ｈは、学習済みモデルに基づいて、新たに収集されたＸ線画像データに対する変換処理を実行する。そして、出力機能１１１ｂは、変換処理後のＸ線画像データを出力する。例えば、出力機能１１１ｂは、変換処理後のＸ線画像データに基づいて表示用のＸ線画像を生成し、生成したＸ線画像をディスプレイ１０９に表示させる。また、例えば、出力機能１１１ｂは、変換処理後のＸ線画像データを、Ｘ線診断装置１００とネットワークＮＷを介して接続された外部装置に出力する。
上述したように、第２の実施形態によれば、Ｘ線検出器１０７は、Ｘ線を検出して検出信号を出力する。また、収集機能１１１ａは、検出信号に基づくＸ線画像データを収集する。また、取得機能１１１ｄは、収集機能１１１ａにより収集されるＸ線画像データを取得する。また、特定機能１１１ｅは、取得機能１１１ｄにより取得されるＸ線画像データのうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像方向が略一致するＸ線画像データを組として含む学習用データを特定する。従って、第２の実施形態に係るＸ線診断装置１００は、学習用データ不足を解消することができる。
なお、Ｘ線診断装置１００における取得機能１１１ｄは、収集機能１１１ａにより収集されるＸ線画像データのみならず、Ｘ線診断装置１００以外のＸ線診断装置により収集されたＸ線画像データを取得してもよい。この場合、Ｘ線診断装置１００は、より多くの学習用データを特定して、学習用データ不足を解消することができる。
（第３の実施形態）
上述した第１〜第２の実施形態では、医用画像診断装置１０の例として、Ｘ線診断装置１００について説明した。これに対し、第３の実施形態では、医用画像診断装置１０の例として、Ｘ線診断装置１００以外の放射線診断装置について説明する。
第３の実施形態に係る医用情報処理システム１は、図１に示した第１の実施形態に係る医用情報処理システム１と同様の構成を有し、Ｘ線診断装置１００に代えて、又は、Ｘ線診断装置１００に加えて、Ｘ線ＣＴ装置やＳＰＥＣＴ装置を有する点で相異する。また、第３の実施形態に係る医用情報処理装置３０は、図１に示した第１の実施形態に係る医用情報処理装置３０と同様の構成を有し、出力機能３４ｆによる処理の一部が相違する。そこで、第１の実施形態において説明した構成と同様の構成を有する点については、図１と同一の符号を付し、説明を省略する。
例えば、医用情報処理システム１がＸ線ＣＴ装置を備える場合、Ｘ線ＣＴ装置は、架台装置と、寝台装置と、コンソール装置とを有する。寝台装置は、被検体が載置される天板を含む。天板は、コンソール装置による制御の下、移動したり、傾斜したりする。架台装置は、Ｘ線管とＸ線検出器とを支持する回転フレームを含む。なお、架台装置は、傾斜可能に構成されてもよい。この場合、架台装置と天板との相対的な角度の変更は、天板の傾斜によって行われてもよいし、架台装置の傾斜によって行われてもよいし、これらの複合によって行われてもよい。また、架台装置は、移動可能に構成されてもよい。この場合、架台装置と天板との位置関係の相対的な変更は、天板の移動によって行われてもよいし、架台装置の走行によって行われてもよいし、これらの複合によって行われてもよい。なお、上記のＸ線管やＸ線検出器、回転フレーム、天板等は、Ｘ線ＣＴ装置の撮像部に含まれる。
例えば、Ｘ線ＣＴ装置は、被検体を挟んで対向した状態でＸ線管とＸ線検出器とを支持する回転フレームを回転させながら、被検体に対してＸ線管からＸ線を照射させる。この際、Ｘ線検出器は、被検体を透過したＸ線を検出して、検出信号をデータ収集回路に対して出力する。なお、Ｘ線ＣＴ装置が備えるＸ線検出器は、検出器の一例である。
データ収集回路は、検出器から入力された検出信号に対して、増幅処理及びＡ／Ｄ変換処理を実行することで検出データを生成するＤＡＳ（Data Acquisition System）である。更に、データ収集回路は、生成した検出データをＸ線ＣＴ装置の処理回路に出力する。処理回路は、検出データに対して対数変換処理やオフセット補正処理、チャネル間の感度補正処理、ビームハードニング補正等の前処理を施したデータを生成する。
ここで、取得機能３４ａは、医用画像データとして、Ｘ線ＣＴ装置により生成された前処理前のデータ（検出データ）、又は、前処理後のデータを取得する。以下、前処理前のデータ（検出データ）および前処理後のデータを総称して投影データとも記載する。更に、特定機能３４ｂは、取得機能３４ａにより取得される投影データのうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像方向が略一致する投影データを組として含む学習用データを特定する。
例えば、特定機能３４ｂは、まず、取得機能３４ａにより取得された投影データのうち、同一検査内で収集された投影データの組を特定する。次に、特定機能３４ｂは、同一検査内で収集された投影データの組のうち、撮像方向が略一致する投影データの組を特定する。例えば、特定機能３４ｂは、撮像部の全部または一部の配置に基づいて、撮像対象領域の少なくとも一部が重複し、かつ、撮像方向が略一致する投影データの組を特定する。
一例を挙げると、Ｘ線ＣＴ装置のコンソール装置は、各投影データの付帯情報に、撮像時におけるＸ線管の位置（管球位置）や、架台装置に対する天板の位置を記憶させる。この場合、特定機能３４ｂは、付帯情報に基づいて各投影データの管球位置を比較することにより、同一検査内で収集された投影データの組の間で、撮像方向が略一致しているか否かを判定することができる。また、特定機能３４ｂは、付帯情報に基づいて、各投影データが撮像された時点での天板位置を比較することにより、撮像方向が略一致していると判定した投影データの組の間で、撮像対象領域の少なくとも一部が重複しているか否かを判定することができる。即ち、特定機能３４ｂは、管球位置や天板位置等、撮像部の配置に基づいて、投影データの組の特定を行なう。そして、特定機能３４ｂは、撮像対象領域の少なくとも一部が重複し、かつ、撮像方向が略一致する投影データの組のうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なるＸ線画像データを組として含む学習用データを特定する。
次に、学習用データセット生成機能３４ｃは、特定機能３４ｂにより特定された複数の学習用データを含む学習用データセットを生成する。例えば、学習用データセット生成機能３４ｃは、特定機能３４ｂにより特定された学習用データから、管電流値の条件が異なっている学習用データ（ノイズの程度が異なる投影データを組として含む学習用データ）を複数抽出し、抽出した複数の学習用データを含む学習用データセットを生成する。なお、以下では、ノイズの程度が異なる投影データを組として含む複数の学習用データを含む学習用データセットを、学習用データセットＤ４とも記載する。次に、モデル生成機能３４ｄは、学習用データセットＤ４に基づいて、入力される投影データを、よりノイズが少ない投影データに相当する投影データに変換する処理に組み込まれる学習済みモデルＭ４を生成する。
モデル生成機能３４ｄが学習済みモデルを生成した後、Ｘ線ＣＴ装置によって新たに投影データが収集された場合、取得機能３４ａは、新たに収集された投影データを取得する。そして、変換機能３４ｅは、学習済みモデルに基づいて、新たに収集された投影データに対する変換処理を実行する。例えば、変換機能３４ｅは、学習済みモデルＭ４に基づいて、新たに収集された投影データを、よりノイズが少ない投影データに相当する投影データに変換する変換処理を実行する。
次に、出力機能３４ｆは、変換処理後の投影データを出力する。例えば、出力機能３４ｆは、変換処理後の投影データを、Ｘ線ＣＴ装置の処理回路に出力する。また、Ｘ線ＣＴ装置の処理回路は、変換処理後の投影データに対して、フィルタ補正逆投影法や逐次近似再構成法等を用いた再構成処理を行なうことにより、ＣＴ画像データ（ボリュームデータ）を生成する。また、例えば、Ｘ線ＣＴ装置の処理回路は、変換処理後の投影データから複数の断層画像データを生成し、複数の断層画像データを公知の方法により変換することで、ＣＴ画像データを生成する。更に、Ｘ線ＣＴ装置の処理回路は、生成したＣＴ画像データに基づいて、ボリュームレンダリング画像等の表示画像を生成し、生成した表示画像を表示させる。
また、例えば、医用情報処理システム１がＳＰＥＣＴ装置を備える場合、ＳＰＥＣＴ装置は、被検体に投与され、被検体の生体組織に選択的に取り込まれた放射性医薬品（トレーサ）の核種（ＲＩ：Radio Isotope）から放射される放射線（ガンマ線）をガンマカメラにより検出し、検出信号を出力する。なお、ガンマカメラは、検出器の一例である。
具体的には、ガンマカメラは、放射性医薬品から放出されたガンマ線の強度分布を２次元的に検出し、検出した強度分布を示すデータに対して、増幅処理やＡ／Ｄ変換処理を施すことで検出信号を生成する。例えば、ガンマカメラは、シンチレータと、光電子増倍管（ＰＭＴ：Photomultiplier Tube）とを有するフォトンカウンティング方式の放射線検出器である。シンチレータは、ガンマ線を紫外領域にピークを持つ光に変換する。ＰＭＴは、シンチレータからの発光を電気信号に変換し、その電流値を増倍させる。なお、ガンマカメラには、入射方向を制限するコリメータが取り付けられている。ガンマカメラは、コリメータにより制限された入射方向で入射したガンマ線を検出する。 そして、ガンマカメラは、生成した検出信号をデータ収集回路に送信する。データ収集回路は、ガンマカメラから入力された検出信号を収集し、収集した検出信号それぞれに対して、オフセット補正、感度補正等の補正処理を行なって投影データを生成する。
ここで、取得機能３４ａは、医用画像データとして、ＳＰＥＣＴ装置により生成された投影データを取得する。更に、特定機能３４ｂは、取得機能３４ａにより取得される投影データのうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像方向が略一致する投影データを組として含む学習用データを特定する。
例えば、特定機能３４ｂは、まず、取得機能３４ａにより取得された投影データのうち、同一検査内で収集された投影データの組を特定する。次に、特定機能３４ｂは、同一検査内で収集された投影データの組のうち、撮像対象領域の少なくとも一部が重複し、かつ、撮像方向が略一致する投影データの組を特定する。例えば、特定機能３４ｂは、ＳＰＥＣＴ装置の撮像部の一部または全部の配置に基づいて、投影データの組の特定を行なう。なお、ＳＰＥＣＴ装置の撮像部には、例えば、ガンマカメラや、ガンマカメラに取り付けられたコリメータ、被検体を載置する天板等が含まれる。例えば、特定機能３４ｂは、撮像方向を、各投影データが撮像された時のガンマカメラの位置と、コリメータが制限する入射方向とに基づいて取得することができる。
そして、特定機能３４ｂは、撮像対象領域の少なくとも一部が重複し、かつ、撮像方向が略一致する投影データの組のうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なる投影データを組として含む学習用データを特定する。
ここで、ＳＰＥＣＴ装置が収集する投影データについて撮像の条件とは、例えば、ガンマ線の検出に関する条件等である。なお、ガンマ線の検出に関する条件の例としては、ガンマカメラが備えるＰＭＴの数や、ガンマカメラに取り付けられたコリメータのスリット間隔等が挙げられる。ＳＰＥＣＴ装置が収集する投影データについて被検体の条件とは、例えば、ガンマ線の放射に関する条件等である。なお、ガンマ線の放射に関する条件の例としては、例えば、被検体に注入される放射性医薬品の種類や量等が挙げられる。
次に、学習用データセット生成機能３４ｃは、特定機能３４ｂにより特定された複数の学習用データを含む学習用データセットを生成する。例えば、学習用データセット生成機能３４ｃは、特定機能３４ｂにより特定された学習用データから、被検体に注入された放射性医薬品の量が異なっている学習用データ（ノイズの程度が異なる投影データを組として含む学習用データ）を複数抽出し、抽出した複数の学習用データを含む学習用データセットを生成する。なお、以下では、ノイズの程度が異なる投影データを組として含む複数の学習用データを含む学習用データセットを、学習用データセットＤ５とも記載する。次に、モデル生成機能３４ｄは、学習用データセットＤ５に基づいて、入力される投影データを、よりノイズが少ない投影データに相当する投影データに変換する処理に組み込まれる学習済みモデルＭ５を生成する。
モデル生成機能３４ｄが学習済みモデルを生成した後、ＳＰＥＣＴ装置によって新たに投影データが収集された場合、取得機能３４ａは、新たに収集された投影データを取得する。そして、変換機能３４ｅは、学習済みモデルに基づいて、新たに収集された投影データに対する変換処理を実行する。例えば、変換機能３４ｅは、学習済みモデルＭ５に基づいて、新たに収集された投影データを、よりノイズが少ない投影データに相当する投影データに変換する変換処理を実行する。
次に、出力機能３４ｆは、変換処理後の投影データを出力する。例えば、出力機能３４ｆは、変換処理後の投影データを、ＳＰＥＣＴ装置の処理回路に出力する。また、ＳＰＥＣＴ装置の処理回路は、変換処理後の投影データに対して、フィルタ補正逆投影法や逐次近似再構成法等を用いた再構成処理を行なうことにより、被検体内の放射性医薬品の分布を示すＳＰＥＣＴ画像データを生成する。更に、ＳＰＥＣＴ装置の処理回路は、生成したＳＰＥＣＴ画像データに対する種々の画像処理を行なって表示画像を生成し、生成した表示画像を表示させる。
上述したように、第３の実施形態によれば、取得機能３４ａは、投影データを取得する。また、特定機能３４ｂは、取得機能３４ａにより取得される投影データのうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像方向が略一致する投影データを組として含む学習用データを特定する。従って、第３の実施形態に係る医用情報処理装置３０は、投影データに関する学習用データ不足を解消することができる。
また、上述したように、学習用データセット生成機能３４ｃは、特定機能３４ｂが特定した複数の学習用データを含む学習用データセットを生成する。また、モデル生成機能３４ｄは、入力される投影データを、撮像の条件及び被検体の条件のうち少なくとも一方が異なる投影データに相当する投影データに変換する処理に組み込まれる学習済みモデルを生成する。
例えば、モデル生成機能３４ｄは、学習用データセットＤ４に基づいて、Ｘ線ＣＴ装置により収集された投影データを、よりノイズが少ない投影データに相当する投影データに変換する処理に組み込まれる学習済みモデルＭ４を生成する。従って、第３の実施形態に係る医用情報処理装置３０は、投影データにおけるノイズを低減することができる。ひいては、医用情報処理装置３０は、ＣＴスキャンにおいて使用するＸ線を低線量化して、Ｘ線管１０２の寿命を延長するとともに、被検体の被ばく線量を低減することができる。
また、例えば、モデル生成機能３４ｄは、学習用データセットＤ５に基づいて、ＳＰＥＣＴ装置により収集された投影データを、よりノイズが少ない投影データに相当する投影データに変換する処理に組み込まれる学習済みモデルＭ５を生成する。従って、第３の実施形態に係る医用情報処理装置３０は、投影データにおけるノイズを低減することができる。ひいては、医用情報処理装置３０は、ＳＰＥＣＴスキャンにおいて使用するガンマ線を低線量化して、放射性医薬品に起因する被検体の被ばく線量を低減することができる。
なお、処理回路３４は、単一のプロセッサにより構成してもよいし、複数のプロセッサを組み合わせて構成してもよい。また、処理回路３４は、異なる装置のプロセッサを組み合わせて構成されることとしてもよい。例えば、医用情報処理システム１は、複数の医用情報処理装置３０を備え、医用情報処理装置３０のそれぞれが有するプロセッサを組み合わせることにより、処理回路３４を構成することとしてもよい。また、例えば、医用情報処理装置３０が有するプロセッサと、Ｘ線ＣＴ装置が有するプロセッサや、ＳＰＥＣＴ装置が有するプロセッサとを組み合わせることにより、処理回路３４を構成することとしてもよい。あるいは、Ｘ線ＣＴ装置又はＳＰＥＣＴ装置の処理回路が、取得機能３４ａ、特定機能３４ｂ、学習用データセット生成機能３４ｃ、モデル生成機能３４ｄ、変換機能３４ｅ、出力機能３４ｆ及び制御機能３４ｇに相当する機能を有する場合であってもよい。
（第４の実施形態）
上述した第１〜第３の実施形態では、医用画像診断装置１０の例として、Ｘ線診断装置１００やＸ線ＣＴ装置、ＳＰＥＣＴ装置等の放射線診断装置について説明した。これに対し、第４の実施形態では、医用画像診断装置１０の例として、超音波診断装置について説明する。
第４の実施形態に係る医用情報処理システム１は、図１に示した第１の実施形態に係る医用情報処理システム１と同様の構成を有し、放射線診断装置に代えて、又は、放射線診断装置に加えて、超音波診断装置を有する点で相異する。そこで、第１の実施形態において説明した構成と同様の構成を有する点については、図１と同一の符号を付し、説明を省略する。
本実施形態では、処理回路３４が取得機能３４ａ、特定機能３４ｂ、学習用データセット生成機能３４ｃ、モデル生成機能３４ｄ及び変換機能３４ｅを有していてもよいし、超音波診断装置の処理回路が、取得機能３４ａ、特定機能３４ｂ、学習用データセット生成機能３４ｃ、モデル生成機能３４ｄ及び変換機能３４ｅに相当する機能を有する場合であってもよい。以下では一例として、図１３に示すように、超音波診断装置２００の処理回路２２４が、取得機能３４ａ、特定機能３４ｂ、学習用データセット生成機能３４ｃ、モデル生成機能３４ｄ及び変換機能３４ｅに相当する取得機能２２４ｄ、特定機能２２４ｅ、学習用データセット生成機能２２４ｆ、モデル生成機能２２４ｇ及び変換機能２２４ｈを有する場合について説明する。なお、図１３は、第４の実施形態に係る超音波診断装置２００の構成の一例を示すブロック図である。
図１３に示すように、超音波診断装置２００は、超音波プローブ２１０と、装置本体２２０と、ディスプレイ２３０と、入力インターフェース２４０とを備える。超音波プローブ２１０、ディスプレイ２３０及び入力インターフェース２４０は、それぞれ装置本体２２０に接続される。
超音波プローブ２１０は、被検体Ｐ２の体表面に接触され、超音波の送受信（超音波走査）を行なう。例えば、超音波プローブ２１０は、複数の圧電振動子を有する。これら複数の圧電振動子は、送信回路２２１から供給される駆動信号に基づいて、超音波を発生させる。発生した超音波は、被検体内の音響インピーダンスの不整合面で反射され、反射波信号として複数の圧電振動子にて受信される。超音波プローブ２１０は、複数の圧電振動子にて受信した反射波信号を、送信回路２２１へ送る。なお、超音波プローブ２１０は、超音波診断装置２００の撮像部の一例である。
ディスプレイ２３０は、各種の情報を表示する。例えば、ディスプレイ２３０は、処理回路２２４による制御の下、操作者の指示を受け付けるためのＧＵＩや、各種の超音波画像を表示する。例えば、ディスプレイ２３０は、液晶ディスプレイやＣＲＴディスプレイである。なお、ディスプレイ２３０はデスクトップ型でもよいし、処理回路２２４と無線通信可能なタブレット端末等で構成されることにしても構わない。
入力インターフェース２４０は、操作者からの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路２２４に出力する。例えば、入力インターフェース２４０は、マウスやキーボード、トラックボール、スイッチ、ボタン、ジョイスティック、操作面へ触れることで入力操作を行なうタッチパッド、表示画面とタッチパッドとが一体化されたタッチスクリーン、光学センサを用いた非接触入力回路、音声入力回路等により実現される。なお、入力インターフェース２４０は、処理回路２２４と無線通信可能なタブレット端末等で構成されることにしても構わない。また、入力インターフェース２４０は、マウスやキーボード等の物理的な操作部品を備えるものだけに限られない。例えば、超音波診断装置２００とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を処理回路２２４へ出力する電気信号の処理回路も入力インターフェース２４０の例に含まれる。
装置本体２２０は、超音波プローブ２１０が受信した反射波信号に基づいて、超音波画像データを生成する装置である。図１３に示すように、装置本体２２０は、例えば、送信回路２２１と、受信回路２２２と、メモリ２２３と、処理回路２２４とを有する。
送信回路２２１は、超音波プローブ２１０による超音波の送信を制御する。例えば、送信回路２２１は、処理回路２２４による制御の下、振動子ごとに所定の送信遅延時間が付与されたタイミングで超音波プローブ２１０に駆動信号（駆動パルス）を印加する。これにより、送信回路２２１は、超音波がビーム状に集束された超音波ビームを送信させる。
受信回路２２２は、送信超音波が体内組織で反射された反射波信号の受信を制御する。例えば、受信回路２２２は、処理回路２２４による制御の下、超音波プローブ２１０が受信した反射波信号に所定の遅延時間を与えて加算処理を行なう。これにより、反射波信号の受信指向性に応じた方向からの反射成分が強調される。そして、受信回路２２２は、加算処理後の反射波信号をベースバンド帯域の同相信号（Ｉ信号、Ｉ：In-phase）と直交信号（Ｑ信号、Ｑ：Quadrature-phase）とに変換する。そして、受信回路２２２は、Ｉ信号及びＱ信号（以下、ＩＱ信号と記載する）を反射波データとして、処理回路２２４へ送る。なお、受信回路２２２は、加算処理後の反射波信号を、ＲＦ（Radio Frequency）信号に変換した上で、処理回路２２４へ送ってもよい。ＩＱ信号や、ＲＦ信号は、位相情報が含まれる信号（反射波データ）となる。
メモリ２２３は、例えば、ＲＡＭ、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスク等により実現される。例えば、メモリ２２３は、処理回路２２４によって収集された超音波画像データを受け付けて記憶する。また、メモリ２２３は、処理回路２２４によって読み出されて実行される各種機能に対応するプログラムを記憶する。なお、メモリ２２３は、超音波診断装置２００とネットワークＮＷを介して接続されたサーバ群（クラウド）により実現されることとしてもよい。
処理回路２２４は、収集機能２２４ａ、出力機能２２４ｂ、制御機能２２４ｃを実行することで、超音波診断装置２００全体の動作を制御する。
例えば、処理回路２２４は、メモリ２２３から収集機能２２４ａに相当するプログラムを読み出して実行することにより、超音波画像データを収集する。例えば、収集機能２２４ａは、受信回路２２２が反射波信号から生成した反射波データに対して対数増幅、包絡線検波処理等を行なって、複数のサンプル点（観測点）それぞれの信号強度が輝度の明るさで表現されるデータ（Ｂモードデータ）を生成する。
なお、超音波プローブ２１０の収集モードについては、様々な収集モードを選択可能である。例えば、超音波プローブ２１０は、被検体Ｐ２に対する位置を固定して収集を行う２Ｄモードによりデータ収集を行い、２次元データを得る。この場合、収集機能２２４ａは、収集されたデータに基づいて、２次元の超音波画像データを生成することができる。
また、例えば、超音波プローブ２１０は、被検体Ｐ２に対する位置情報を位置センサにより検出しつつ、移動しながらデータ収集を行う３Ｄモードによりデータ収集を行い、３次元データを得る。この場合、収集機能２２４ａは、収集されたデータに対して、位置センサにより検出された位置情報を用いた位置補正を実行して、３次元の超音波画像データを生成することができる。なお、超音波プローブ２１０が位置センサを有しない場合、収集機能２２４ａは、フレーム（超音波走査面）間隔が一定、またはフレーム間の角度が一定であるという前提を用いることにより、３次元の超音波画像データを生成することができる。
また、例えば、超音波プローブ２１０は、機械的に搖動しながらデータ収集を行うメカ４Ｄモードによりデータ収集を行い、３次元データを得る。また、例えば、超音波プローブ２１０は、２次元アレープローブを用いて電子的に３次元走査する２次元アレー３Ｄモードによりデータ収集を行い、３次元データを得る。この場合、収集機能２２４ａは、収集されたデータに基づいて、３次元の超音波画像データを生成することができる。
また、例えば、処理回路２２４は、メモリ２２３から出力機能２２４ｂに相当するプログラムを読み出して実行することにより、超音波画像データを、表示用のデータ形式に変換（スキャンコンバート）することで超音波画像を生成し、生成した超音波画像をディスプレイ２３０に表示させる。また、例えば、処理回路２２４は、制御機能２２４ｃに対応するプログラムをメモリ２２３から読み出して実行することにより、入力インターフェース２４０を介して操作者から受け付けた入力操作に基づいて、処理回路２２４の各種機能を制御する。
更に、処理回路２２４は、取得機能３４ａに対応する取得機能２２４ｄを実行する。また、処理回路２２４は、特定機能３４ｂに対応する特定機能２２４ｅを実行する。また、処理回路２２４は、学習用データセット生成機能３４ｃに対応する学習用データセット生成機能２２４ｆを実行する。また、処理回路２２４は、モデル生成機能３４ｄに対応するモデル生成機能２２４ｇを実行する。また、処理回路２２４は、変換機能３４ｅに対応する変換機能２２４ｈを実行する。
以上、第４の実施形態に係る超音波診断装置２００の構成の一例について説明した。かかる構成の下、超音波診断装置２００は、超音波画像データに関する学習用データ不足を解消する。
具体的には、収集機能２２４ａは、まず、２次元又は３次元の超音波画像データを収集する。例えば、収集機能２２４ａは、送信回路２２１及び受信回路２２２を制御し、超音波プローブ２１０により被検体Ｐ２を走査することで、反射波データを収集する。更に、収集機能２２４ａは、反射波データに基づいて、Ｂモードデータ等の超音波画像データを収集し、収集した超音波画像データをメモリ２２３に格納する。この際、収集機能２２４ａは、収集した超音波画像データの付帯情報に、撮像対象領域や撮像方向、患者ＩＤ、検査種別、検査日時等を記録する。ここで、出力機能２２４ｂは、超音波画像データを画像保管装置２０に出力し、記憶させることとしてもよい。なお、２次元又は３次元の超音波画像データは、医用画像データの一例である。
例えば、収集機能２２４ａは、各超音波画像データの撮像時における超音波プローブ２１０の配置を取得する。例えば、超音波プローブ２１０がセンサを備える場合、収集機能２２４ａは、センサからの出力に基づいて超音波プローブ２１０の配置を取得する。一例を挙げると、収集機能２２４ａは、被検体Ｐ２の体軸方向（Ｔ方向）、被検体Ｐ２の左右方向（Ｓ方向）、及び、被検体Ｐ２の前後方向（Ｃ方向）を基準としてＴＳＣ座標系を定義し、ＴＳＣ座標系における位置センサ（磁気センサ等）の位置を、超音波プローブ２１０の位置として取得する。また、超音波プローブ２１０が複数の位置センサを備える場合、収集機能２２４ａは、ＴＳＣ座標系における位置センサ間の位置関係に基づいて超音波プローブ２１０の配向を取得する。或いは、超音波プローブ２１０がジャイロセンサを備える場合、収集機能２２４ａは、ジャイロセンサの出力に基づいてＴＳＣ座標系における超音波プローブ２１０の配向を取得する。
別の例を挙げると、超音波プローブ２１０がアームにより支持される場合、収集機能２２４ａは、アームに関する情報から超音波プローブ２１０の配置を取得する。例えば、超音波プローブ２１０がロボットアームにより支持される場合、収集機能２２４ａは、ロボットアームを駆動させることにより、被検体Ｐ２に対する超音波プローブ２１０の配置を変更する。この場合、収集機能２２４ａは、ロボットアームの駆動情報に基づいて、ＴＳＣ座標系における超音波プローブ２１０の配置を取得する。
別の例を挙げると、超音波診断装置２００以外の医用画像診断装置１０（以下、他の装置）により超音波プローブ２１０が撮像される場合、収集機能２２４ａは、他の装置により撮像された医用画像データに描出された超音波プローブ２１０の像に基づいて、超音波プローブ２１０の配置を取得する。
ここで、一例として、他の装置がＸ線診断装置であり、超音波プローブ２１０が食道心エコー図検査（ＴＥＥ：Trans-Esophageal Echocardiograms）プローブである場合を例として説明する。この場合、Ｘ線診断装置は、まず、超音波プローブ２１０が挿入された状態の被検体Ｐ２からＸ線画像データを収集する。次に、Ｘ線診断装置は、Ｘ線画像データに描出された超音波プローブ２１０の像に基づいて、Ｘ線画像データにおける超音波プローブ２１０の配置を取得する。例えば、Ｘ線診断装置は、超音波プローブ２１０を示す３ＤモデルをＸ線画像データに対してマッチングすることで、Ｘ線画像データにおける超音波プローブ２１０の位置及び配向を取得する。また、Ｘ線診断装置は、Ｘ線診断装置の撮像部（Ｘ線管、コリメータ、天板、Ｃアーム、Ｘ線検出器等）の配置に基づいて、被検体Ｐ２を基準とした座標系（ＴＳＣ座標系等）に対するＸ線画像データの撮像方向及び撮像対象領域を特定する。これにより、Ｘ線診断装置は、被検体Ｐ２を基準とした座標系とＸ線画像データとを位置合わせして、被検体Ｐ２を基準とした座標系に対する超音波プローブ２１０の配置を取得する。そして、収集機能２２４ａは、Ｘ線診断装置から、超音波画像データの撮像時における超音波プローブ２１０の配置を取得する。
更に、収集機能２２４ａは、超音波プローブ２１０の配置に基づいて各超音波画像データの撮像方向及び撮像対象領域を特定し、超音波画像データの付帯情報に記録する。例えば、収集機能２２４ａは、臨床角や、撮像方向を示す単位ベクトルを撮像方向として特定し、超音波画像データの付帯情報に記録する。また、例えば、収集機能２２４ａは、撮像対象部位や、ＴＳＣ座標系において特定した３次元領域を、撮像対象領域として超音波画像データの付帯情報に記録する。
次に、取得機能２２４ｄは、収集機能２２４ａにより収集された超音波画像データを取得する。なお、取得機能２２４ｄは、メモリ２２３に記憶された超音波画像データを取得してもよいし、収集機能２２４ａにより収集された超音波画像データをメモリ２２３を介すことなく取得してもよい。また、取得機能２２４ｄは、画像保管装置２０に記憶された超音波画像データを取得する場合であってもよい。
次に、特定機能２２４ｅは、取得機能２２４ｄにより取得される超音波画像データのうち、撮像対象領域の少なくとも一部が重複し、かつ、撮像方向が略一致する超音波画像データの組を特定する。例えば、特定機能２２４ｅは、まず、超音波画像データの付帯情報から患者ＩＤ、検査種別、検査日時等を取得して比較することにより、同一検査内で収集された超音波画像データの組を特定する。
次に、特定機能２２４ｅは、超音波画像データの付帯情報から撮像方向を取得し、同一検査内で収集された超音波画像データの組の間で、撮像方向が略一致しているか否かを判定する。例えば、各超音波画像データの撮像方向として臨床角が特定されていた場合、特定機能２２４ｅは、各超音波画像データの付帯情報から取得した臨床角を相互に比較し、臨床角が一致している場合、撮像方向が略一致していると判定する。別の例を挙げると、各超音波画像データの撮像方向として撮像方向を示す単位ベクトルが特定されていた場合、特定機能２２４ｅは、各超音波画像データの付帯情報から取得した単位ベクトルについて内積を算出し、内積が閾値以上である場合に、撮像方向が略一致していると判定する。
上述したように、収集機能２２４ａは、超音波プローブ２１０（撮像部）の配置に基づいて撮像方向を取得し、超音波画像データの付帯情報に記録する。そして、特定機能２２４ｅは、超音波画像データの付帯情報から取得した撮像方向に基づいて、撮像方向が略一致する超音波画像データの組の特定を行なう。即ち、特定機能２２４ｅは、撮像部の配置に基づいて、撮像方向が略一致する超音波画像データの組の特定を行なう。
また、例えば、特定機能２２４ｅは、撮像方向が略一致していると判定した超音波画像データの組の間で、撮像対象領域の少なくとも一部が重複しているか否かを判定する。一例を挙げると、各超音波画像データについて、収集機能２２４ａは、ＴＳＣ座標系において特定した３次元領域を、撮像対象領域として超音波画像データの付帯情報に記録する。この場合、特定機能２２４ｅは、各超音波画像データの付帯情報から取得した３次元領域を相互に比較し、３次元領域の少なくとも一部が重複している場合、撮像対象領域の少なくとも一部が重複していると判定する。
上述したように、収集機能２２４ａは、超音波プローブ２１０（撮像部）の配置に基づいて撮像対象領域を取得し、超音波画像データの付帯情報に撮像対象領域を記録する。そして、特定機能２２４ｅは、超音波画像データの付帯情報から取得した撮像対象領域に基づいて、撮像対象領域の少なくとも一部が重複する超音波画像データの組の特定を行なう。即ち、特定機能２２４ｅは、撮像部の配置に基づいて、撮像対象領域の少なくとも一部が重複する超音波画像データの組の特定を行なう。
次に、特定機能２２４ｅは、撮像対象領域の少なくとも一部が重複し、かつ、撮像方向が略一致する超音波画像データの組のうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なる超音波画像データの組を、学習用データとして特定する。ここで、超音波画像データについて撮像の条件とは、例えば、走査に用いる超音波の周波数や走査線の密度等である。
次に、学習用データセット生成機能２２４ｆは、特定機能２２４ｅにより特定された複数の学習用データを含む学習用データセットを生成する。一例を挙げると、学習用データセット生成機能２２４ｆは、特定機能２２４ｅにより特定された学習用データから、超音波画像データの組の間で超音波の周波数が異なっている学習用データを複数抽出する。ここで、走査に用いる超音波の周波数が大きいほど、走査可能な深度は浅くなる一方、空間分解能は向上するため、超音波画像データの解像度は高くなる。即ち、学習用データセット生成機能２２４ｆは、解像度が異なる超音波画像データを組として含む学習用データを複数抽出する。
別の例を挙げると、学習用データセット生成機能２２４ｆは、特定機能２２４ｅにより特定された学習用データから、超音波画像データの組の間で走査線の密度が異なっている学習用データを複数抽出する。ここで、走査に用いる超音波の周波数が大きいほど、収集可能なフレームレートは低下する一方、空間分解能は向上するため、超音波画像データの解像度は高くなる。即ち、学習用データセット生成機能２２４ｆは、解像度が異なる超音波画像データを組として含む学習用データを複数抽出する。
次に、学習用データセット生成機能２２４ｆは、抽出した複数の学習用データを含む学習用データセットを生成する。そして、学習用データセット生成機能２２４ｆは、生成した学習用データセットをメモリ２２３に格納する。なお、以下では、解像度が異なる超音波画像データを組として含む複数の学習用データを含む学習用データセットを、学習用データセットＤ６とも記載する。
次に、モデル生成機能２２４ｇは、学習用データセットに基づいて、入力される超音波画像データを、撮像の条件及び被検体の条件のうち少なくとも一方が異なる超音波画像データに相当する超音波画像データに変換する処理に組み込まれる学習済みモデルを生成する。例えば、モデル生成機能２２４ｇは、学習用データセットＤ６に基づいて、入力される超音波画像データを、より解像度が高い超音波画像データに相当する超音波画像データに変換する処理に組み込まれる学習済みモデルＭ６を生成する。そして、モデル生成機能２２４ｇは、生成した学習済みモデルＭ６をメモリ２２３に格納する。
モデル生成機能２２４ｇが学習済みモデルを生成した後、収集機能２２４ａが新たに超音波画像データを収集した場合、取得機能２２４ｄは、新たに収集された超音波画像データを取得する。ここで、変換機能２２４ｈは、学習済みモデルに基づいて、新たに収集された超音波画像データに対する変換処理を実行する。例えば、変換機能２２４ｈは、学習済みモデルＭ６に基づいて、新たに収集された超音波画像データを、より解像度が高い超音波画像データに相当する超音波画像データに変換する変換処理を実行する。
そして、出力機能２２４ｂは、変換処理後の超音波画像データを出力する。例えば、出力機能２２４ｂは、変換処理後の超音波画像データに基づいて表示用の超音波画像を生成し、生成した超音波画像をディスプレイ２３０に表示させる。また、例えば、出力機能２２４ｂは、変換処理後の超音波画像データを、超音波診断装置２００とネットワークＮＷを介して接続された外部装置に出力する。
上述したように、第４の実施形態によれば、収集機能２２４ａは、超音波を送受信する超音波プローブ２１０により被検体を走査することで、超音波画像データを収集する。また、取得機能２２４ｄは、収集機能２２４ａにより収集される超音波画像データを取得する。また、特定機能２２４ｅは、取得機能２２４ｄにより取得される超音波画像データのうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像対象領域の少なくとも一部が重複し、かつ、撮像方向が略一致する超音波画像データを組として含む学習用データを特定する。従って、第４の実施形態に係る超音波診断装置２００は、学習用データ不足を解消することができる。
なお、超音波診断装置２００における取得機能２２４ｄは、収集機能２２４ａにより収集される超音波画像データのみならず、超音波診断装置２００以外の超音波診断装置により収集された超音波画像データを取得してもよい。この場合、超音波診断装置２００は、より多くの学習用データを特定して、学習用データ不足を解消することができる。
また、上述したように、学習用データセット生成機能２２４ｆは、特定機能２２４ｅが特定した複数の学習用データを含む学習用データセットを生成する。また、モデル生成機能２２４ｇは、入力される超音波画像データを、撮像の条件及び被検体の条件のうち少なくとも一方が異なる超音波画像データに相当する超音波画像データに変換する処理に組み込まれる学習済みモデルを生成する。例えば、モデル生成機能２２４ｇは、学習用データセットＤ６に基づいて、入力される超音波画像データを、より解像度が高い超音波画像データに相当する超音波画像データに変換する処理に組み込まれる学習済みモデルＭ６を生成する。従って、第４の実施形態に係る超音波診断装置２００は、超音波画像データの解像度を向上させることができる。
上述した実施形態に係る各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。即ち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部又は一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的又は物理的に分散・統合して構成することができる。更に、各装置にて行われる各処理機能は、その全部又は任意の一部が、ＣＰＵ及び当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現されうる。
また、上述した実施形態で説明した学習用データの生産方法は、予め用意されたプログラムをパーソナルコンピュータやワークステーション等のコンピュータで実行することによって実現することができる。このプログラムは、インターネット等のネットワークを介して配布することができる。また、このプログラムは、ハードディスク、フレキシブルディスク（ＦＤ）、ＣＤ−ＲＯＭ、ＭＯ、ＤＶＤ等のコンピュータで読み取り可能な非一過性の記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行することもできる。
以上説明した少なくとも１つの実施形態によれば、医用画像に関する学習用データ不足を解消することができる。
本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行なうことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。
１ 医用情報処理システム
３０ 医用情報処理装置
３４ 処理回路
３４ａ 取得機能
３４ｂ 特定機能
３４ｃ 学習用データセット生成機能
３４ｄ モデル生成機能
３４ｅ 変換機能
３４ｆ 出力機能
３４ｇ 制御機能

Claims (24)

  1. 医用画像を取得する取得部と、
    前記取得部により取得される医用画像のうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像方向が略一致する医用画像を組として含む学習用データを特定する特定部と、
    を備える、医用情報処理システム。
  2. 前記特定部は、前記医用画像の撮像に用いられた医用画像診断装置の撮像部の一部又は全部の配置に基づいて、医用画像の組の特定を行なう、請求項１に記載の医用情報処理システム。
  3. 前記特定部は、前記取得部により取得される医用画像のうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像対象領域の少なくとも一部が重複し、かつ、撮像方向が略一致する医用画像を組として含む前記学習用データを特定する、請求項１又は２に記載の医用情報処理システム。
  4. 前記特定部により特定された複数の前記学習用データを含む学習用データセットを生成する学習用データセット生成部を更に備える、請求項１乃至３のいずれか一項に記載の医用情報処理システム。
  5. 前記学習用データセット生成部は、被検体の部位ごとに前記学習用データセットを生成する、請求項４に記載の医用情報処理システム。
  6. 前記学習用データセットに基づいて、入力される医用画像を当該医用画像と撮像の条件及び被検体の条件のうち少なくとも一方が異なる医用画像に相当する医用画像に変換する処理に組み込まれる学習済みモデルを生成するモデル生成部を更に備える、請求項４又は５に記載の医用情報処理システム。
  7. 前記特定部は、ノイズの程度が異なる医用画像を組として含む前記学習用データを特定し、
    前記モデル生成部は、前記学習用データセットに基づいて、入力される医用画像を当該医用画像よりもノイズが少ない医用画像に相当する医用画像に変換する処理に組み込まれる学習済みモデルを生成する、請求項６に記載の医用情報処理システム。
  8. 前記特定部は、解像度が異なる医用画像を組として含む前記学習用データを特定し、
    前記モデル生成部は、前記学習用データセットに基づいて、入力される医用画像を当該医用画像よりも解像度が高い医用画像に相当する医用画像に変換する処理に組み込まれる学習済みモデルを生成する、請求項６に記載の医用情報処理システム。
  9. 前記特定部は、コントラスト画像とマスク像とを組として含む前記学習用データを特定し、
    前記モデル生成部は、前記学習用データセットに基づいて、入力される医用画像を当該医用画像から背景成分を除去した医用画像に相当する医用画像に変換する処理に組み込まれる学習済みモデルを生成する、請求項６に記載の医用情報処理システム。
  10. 前記モデル生成部は、検査情報に基づいて設定された時間に前記学習済みモデルを生成する、請求項６乃至９のいずれか一項に記載の医用情報処理システム。
  11. 前記学習済みモデルに基づいて、入力される医用画像を当該医用画像と撮像の条件及び被検体の条件のうち少なくとも一方が異なる医用画像に相当する医用画像に変換する変換処理を実行する変換部と、
    前記変換部が前記変換処理を実行するか否かを切り替える入力操作を受け付ける制御部とを更に備える、請求項６乃至１０のいずれか一項に記載の医用情報処理システム。
  12. 前記特定部は、前記取得部により取得される医用画像のうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像方向が略一致する医用画像の組のうちの一部を特定される前記学習用データとする、請求項１乃至１０のいずれか一項に記載の医用情報処理システム。
  13. 前記特定部は、前記取得部により取得される医用画像について前記学習用データの特定に使用するか否かを判定し、使用すると判定した医用画像を用いて、前記学習用データを特定する、請求項１乃至１０のいずれか一項に記載の医用情報処理システム。
  14. 前記特定部は、前記取得部により取得される医用画像のうち類似する複数の医用画像については、当該複数の医用画像の一部を前記学習用データの特定に使用すると判定する、請求項１３に記載の医用情報処理システム。
  15. 前記特定部は、前記取得部により取得される医用画像のうち、時系列の複数の医用画像については、階調の安定性に関する条件及び残像に関する条件の少なくとも一方を満たす医用画像を前記学習用データの特定に使用すると判定する、請求項１３に記載の医用情報処理システム。
  16. 前記特定部は、前記取得部により取得される医用画像のうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像対象領域の一部が重複し、かつ、撮像方向が略一致する医用画像の組について医用画像間の位置合わせを行ない、位置合わせした医用画像の組を前記学習用データとして特定する、請求項１乃至１５のいずれか一項に記載の医用情報処理システム。
  17. 前記特定部は、前記取得部により取得される医用画像のうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像対象領域の少なくとも一部が重複し、かつ、撮像方向が略一致し、かつ、撮像方向が同一でない医用画像の組について医用画像間の角度補正を行ない、角度補正した医用画像の組を前記学習用データとして特定する、請求項１乃至１６のいずれか一項に記載の医用情報処理システム。
  18. 医用画像を取得する取得部と、
    前記取得部により取得される医用画像のうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像方向が略一致する医用画像を組として含む学習用データを特定する特定部と、
    を備える、医用情報処理装置。
  19. 第１の医用情報処理装置と第２の医用情報処理装置とを備える医用情報処理システムであって、
    前記第１の医用情報処理装置は、
    医用画像を取得する取得部と、
    前記取得部により取得される医用画像のうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像方向が略一致する医用画像を組として含む学習用データを特定する特定部と、
    前記学習用データを送信する送信部とを備え、
    前記第２の医用情報処理装置は、
    前記第１の医用情報処理装置により送信された前記学習用データを受信する受信部と、
    受信した前記学習用データを含む学習用データセットを生成する学習用データセット生成部と、
    前記学習用データセットに基づいて、入力される医用画像を当該医用画像と撮像の条件及び被検体の条件のうち少なくとも一方が異なる医用画像に相当する医用画像に変換する処理に組み込まれる学習済みモデルを生成するモデル生成部とを備える、
    医用情報処理システム。
  20. 前記モデル生成部は、前記受信部が受信した前記学習用データの数が閾値を超えた時に、前記学習済みモデルを生成する、請求項１９に記載の医用情報処理システム。
  21. 放射線を検出して検出信号を出力する検出器と、
    前記検出信号に基づく医用画像を収集する収集部と、
    前記収集部により収集される医用画像を取得する取得部と、
    前記取得部により取得される医用画像のうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像方向が略一致する医用画像を組として含む学習用データを特定する特定部と、
    を備える、放射線診断装置。
  22. 超音波を送受信する超音波プローブにより被検体を走査することで医用画像を収集する収集部と、
    前記収集部により収集される医用画像を取得する取得部と、
    前記取得部により取得される医用画像のうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像方向が略一致する医用画像を組として含む学習用データを特定する特定部と、
    を備える、超音波診断装置。
  23. 医用画像を取得し、
    取得した医用画像のうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像方向が略一致する医用画像を組として含む学習用データを特定する、
    ことを含む、学習用データの生産方法。
  24. 医用画像を取得し、
    取得した医用画像のうち、撮像の条件及び被検体の条件のうち少なくとも一方が異なり、かつ、撮像方向が略一致する医用画像を組として含む学習用データを特定する
    各処理をコンピュータに実行させる、プログラム。
JP2018101025A 2018-05-25 2018-05-25 医用情報処理システム、医用情報処理装置、放射線診断装置、超音波診断装置、学習用データの生産方法及びプログラム Active JP7262933B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2018101025A JP7262933B2 (ja) 2018-05-25 2018-05-25 医用情報処理システム、医用情報処理装置、放射線診断装置、超音波診断装置、学習用データの生産方法及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018101025A JP7262933B2 (ja) 2018-05-25 2018-05-25 医用情報処理システム、医用情報処理装置、放射線診断装置、超音波診断装置、学習用データの生産方法及びプログラム

Publications (2)

Publication Number Publication Date
JP2019202087A true JP2019202087A (ja) 2019-11-28
JP7262933B2 JP7262933B2 (ja) 2023-04-24

Family

ID=68725550

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018101025A Active JP7262933B2 (ja) 2018-05-25 2018-05-25 医用情報処理システム、医用情報処理装置、放射線診断装置、超音波診断装置、学習用データの生産方法及びプログラム

Country Status (1)

Country Link
JP (1) JP7262933B2 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020162296A1 (ja) * 2019-02-07 2020-08-13 浜松ホトニクス株式会社 画像処理装置および画像処理方法
JP2021104194A (ja) * 2019-12-26 2021-07-26 キヤノンメディカルシステムズ株式会社 学習装置及び学習方法
JP7100783B1 (ja) 2021-09-09 2022-07-14 株式会社ツバサファクトリー 学習装置及び推論装置
JP7451239B2 (ja) 2020-03-12 2024-03-18 富士フイルムヘルスケア株式会社 画像処理装置、ｘ線撮像装置及び画像処理方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08153194A (ja) * 1994-11-29 1996-06-11 Hitachi Medical Corp 画像処理装置
JP2000057349A (ja) * 1998-08-10 2000-02-25 Hitachi Ltd 欠陥の分類方法およびその装置並びに教示用データ作成方法
JP2008119195A (ja) * 2006-11-10 2008-05-29 Hitachi Medical Corp Ｘ線透視撮影装置
US20150196265A1 (en) * 2014-01-15 2015-07-16 Alara Systems, Inc Converting low-dose to higher dose mammographic images through machine-learning processes
JP2017205334A (ja) * 2016-05-19 2017-11-24 東芝メディカルシステムズ株式会社 医用画像処理装置
JP2018005841A (ja) * 2016-07-08 2018-01-11 株式会社トプコン 医用画像処理方法及び医用画像処理装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08153194A (ja) * 1994-11-29 1996-06-11 Hitachi Medical Corp 画像処理装置
JP2000057349A (ja) * 1998-08-10 2000-02-25 Hitachi Ltd 欠陥の分類方法およびその装置並びに教示用データ作成方法
JP2008119195A (ja) * 2006-11-10 2008-05-29 Hitachi Medical Corp Ｘ線透視撮影装置
US20150196265A1 (en) * 2014-01-15 2015-07-16 Alara Systems, Inc Converting low-dose to higher dose mammographic images through machine-learning processes
JP2017205334A (ja) * 2016-05-19 2017-11-24 東芝メディカルシステムズ株式会社 医用画像処理装置
JP2018005841A (ja) * 2016-07-08 2018-01-11 株式会社トプコン 医用画像処理方法及び医用画像処理装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020162296A1 (ja) * 2019-02-07 2020-08-13 浜松ホトニクス株式会社 画像処理装置および画像処理方法
US11893660B2 (en) 2019-02-07 2024-02-06 Hamamatsu Photonics K.K. Image processing device and image processing method
JP2021104194A (ja) * 2019-12-26 2021-07-26 キヤノンメディカルシステムズ株式会社 学習装置及び学習方法
JP7433901B2 (ja) 2019-12-26 2024-02-20 キヤノンメディカルシステムズ株式会社 学習装置及び学習方法
JP7451239B2 (ja) 2020-03-12 2024-03-18 富士フイルムヘルスケア株式会社 画像処理装置、ｘ線撮像装置及び画像処理方法
JP7100783B1 (ja) 2021-09-09 2022-07-14 株式会社ツバサファクトリー 学習装置及び推論装置
JP2023039499A (ja) * 2021-09-09 2023-03-22 株式会社ツバサファクトリー 学習装置及び推論装置

Also Published As

Publication number Publication date
JP7262933B2 (ja) 2023-04-24

Similar Documents

Publication Publication Date Title
US11278213B2 (en) Medical data processing apparatus, magnetic resonance imaging apparatus, and learned model generating method
US9717474B2 (en) Image processing apparatus, ultrasound diagnosis apparatus, and image processing method
JP2022016591A (ja) Ｘ線コンピュータ断層撮影装置、スキャン計画設定支援装置、医用画像診断システム、制御方法及び制御プログラム
JP7262933B2 (ja) 医用情報処理システム、医用情報処理装置、放射線診断装置、超音波診断装置、学習用データの生産方法及びプログラム
US20210052247A1 (en) Medical information processing system and medical information processing method
US20180160993A9 (en) X-ray imaging apparatus and method for controlling the same
JP7242284B2 (ja) 医用画像処理装置、ｘ線診断装置及び医用画像処理プログラム
JP7313818B2 (ja) 医用画像処理装置、医用画像診断装置、及び医用画像処理方法
JP7483361B2 (ja) 医用画像処理装置、医用画像診断装置および医用画像処理プログラム
JP7233874B2 (ja) 医用情報処理装置、ｘ線診断装置及び医用情報処理プログラム
US11266377B2 (en) Support apparatus and support method
JP2022013679A (ja) 医用画像処理方法、医用画像処理装置及びｘ線ｃｔ装置
US20230148985A1 (en) X-ray diagnosis apparatus and x-ray condition setting method
US20220292655A1 (en) Medical image processing apparatus, x-ray diagnostic apparatus, and method of medical image processing
US20240062371A1 (en) Information processing method, medical image diagnostic apparatus, and information processing system including deep learning for optimal cardiac phase selection
JP7334034B2 (ja) 医用画像処理装置、ｘ線診断装置及び医用画像処理プログラム
JP7341667B2 (ja) 医用画像処理装置、ｘ線診断装置及び医用情報処理システム
WO2024048374A1 (ja) 画像処理装置、撮影システム、画像処理方法、及びプログラム
JP7426310B2 (ja) Ｘ線コンピュータ断層撮像装置
WO2024062894A1 (ja) 医用画像処理装置およびその制御方法、医用画像処理プログラム
JP2017205482A (ja) 支援装置及び支援方法
JP2022141591A (ja) 医用画像処理装置、ｘ線診断装置及び医用画像処理方法
JP2022172743A (ja) 医用画像処理装置、医用画像処理方法及びプログラム
JP2022172850A (ja) 医用画像診断装置、医用イメージング条件の決定方法、及びプログラム
JP2023074958A (ja) 医用画像処理装置、医用画像処理方法及びプログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210312

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220225

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220308

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220509

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220927

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221128

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230314

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230412

R150 Certificate of patent or registration of utility model

Ref document number: 7262933

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150