JP2021037164A - 画像解析方法、画像処理装置、骨密度測定装置および学習モデルの作成方法 - Google Patents

画像解析方法、画像処理装置、骨密度測定装置および学習モデルの作成方法 Download PDF

Info

Publication number
JP2021037164A
JP2021037164A JP2019161502A JP2019161502A JP2021037164A JP 2021037164 A JP2021037164 A JP 2021037164A JP 2019161502 A JP2019161502 A JP 2019161502A JP 2019161502 A JP2019161502 A JP 2019161502A JP 2021037164 A JP2021037164 A JP 2021037164A
Authority
JP
Japan
Prior art keywords
region
femur
image
subject
neck
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
JP2019161502A
Other languages
English (en)
Other versions
JP7226199B2 (ja
Inventor
尓重 胡
Er Zhong Hu
尓重 胡
知宏 中矢
Tomohiro Nakaya
知宏 中矢
大介 能登原
Daisuke Notohara
大介 能登原
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shimadzu Corp
Original Assignee
Shimadzu Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shimadzu Corp filed Critical Shimadzu Corp
Priority to JP2019161502A priority Critical patent/JP7226199B2/ja
Priority to KR1020200075197A priority patent/KR20210028559A/ko
Priority to CN202010772414.1A priority patent/CN112438745A/zh
Publication of JP2021037164A publication Critical patent/JP2021037164A/ja
Application granted granted Critical
Publication of JP7226199B2 publication Critical patent/JP7226199B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
    • A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B23/00—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes
    • G09B23/28—Models for scientific, medical, or mathematical purposes, e.g. full-sized devices for demonstration purposes for medicine
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G06—COMPUTING; 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Pathology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optics & Photonics (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • High Energy & Nuclear Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Dentistry (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Physiology (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Medicinal Chemistry (AREA)
  • Mathematical Optimization (AREA)

Abstract

【課題】大腿骨の頸部を精度よく検出することが可能であるとともに、ユーザの手間を省くことが可能な画像解析方法を提供する。【解決手段】この画像解析方法は、被検体の大腿骨を含む領域の画像を解析することにより被検体の大腿骨の頸部領域を特定するためのセグメンテーションを行う画像解析方法であって、セグメンテーションの手段として機械学習を用いるとともに、被検体の大腿骨を含む領域の画像において、少なくとも大腿骨の頸部領域と背景領域とを識別可能なラベルを付した教師用画像を作成する工程と、被検体の大腿骨を含む領域の画像と作成した教師用画像とを用いた学習処理により機械学習の学習モデルを作成する工程とを含む。【選択図】図６

Description

本発明は、画像解析方法、画像処理装置、骨密度測定装置および学習モデルの作成方法に関する。
従来、骨密度の測定のためにサブトラクション画像を利用して骨解析を行う放射線撮影装置が知られている（たとえば、特許文献１参照）。
上記特許文献１の放射線撮影装置は、高電圧および低電圧条件に係る放射線画像の差分に相当するサブトラクション画像を生成するサブトラクション画像生成手段と、サブトラクション画像に映り込んでいる被検体の骨像の一部に画像処理を施して、骨の状態（骨密度）を評価する評価値を算出する骨解析手段とを備えている。
特開２０１６−１１９９５４号公報
上記特許文献１では、ユーザが、骨の状態（骨密度）の評価を取得したい箇所(関心領域)をサブトラクション画像から選択することにより、骨解析手段により評価値を算出している。そのため、ユーザは、サブトラクション画像から骨密度を測定したい箇所を選択する必要がある。
また、上記特許文献１には開示されていないが、従来、関心領域が、大腿骨の頸部の場合、関心領域である大腿骨の頸部を自動的に検出する画像解析方法が知られている。この従来の画像解析方法は、大腿骨を含む画像を画像解析し、大腿骨のくびれている部分（幅が小さい部分）を大腿骨の頸部領域として自動的に検出する方法である。しかしながら、大腿骨の頸部の大きさ、形状および位置は、被検体により大きく異なるため、従来の画像解析方法を用いた場合に、頸部領域以外の部分が大腿骨の頸部領域として誤検出される場合がある。そのため、従来の画像解析方法は、大腿骨の頸部領域の検出精度が低く、関心領域の位置または大きさをユーザが修正する必要があるためユーザの手間がかかるという問題点がある
この発明は、上記のような課題を解決するためになされたものであり、この発明の１つの目的は、大腿骨の頸部を精度よく検出することが可能であるとともに、ユーザの手間を省くことが可能な画像解析方法、画像処理装置、骨密度測定装置および学習モデルの作成方法を提供することにある。
上記目的を達成するために、この発明の第１の局面における画像解析方法は、被検体の大腿骨を含む領域の画像を解析することにより被検体の大腿骨の頸部領域を特定するためのセグメンテーションを行う画像解析方法であって、セグメンテーションの手段として機械学習を用いるとともに、被検体の大腿骨を含む領域の画像において、少なくとも大腿骨の頸部領域と背景領域とを識別可能なラベルを付した教師用画像を作成する工程と、被検体の大腿骨を含む領域の画像と作成した教師用画像とを用いた学習処理により機械学習の学習モデルを作成する工程とを含む。なお、セグメンテーションは、画像を複数の領域（たとえば、大腿骨を含む画像を、大腿骨が含まれる領域、それ以外の骨が含まれる領域、背景が含まれる領域）に分けることを意味する。
上記目的を達成するために、この発明の第２の局面における画像処理装置は、被検体の大腿骨を含む学習用の入力画像と、被検体の大腿骨の頸部領域と背景領域とを識別するラベルを付した教師用画像とを用いた機械学習により学習された学習モデルに基づいて大腿骨の頸部領域をセグメンテーションし、被検体の大腿骨を含む分析用の分析画像から被検体の大腿骨の頸部領域を取得するとともに、被検体の大腿骨の頸部領域に基づいて関心領域を取得する制御を行う制御部と、学習モデルに基づいて取得された関心領域と、分析画像とを重畳した画像を関心領域の範囲を変更可能に表示する表示部とを備える。
上記目的を達成するために、この発明の第３の局面における骨密度測定装置は、被検体の大腿骨を含む学習用の入力画像と、被検体の大腿骨の頸部領域と背景領域とを識別するラベルを付した教師用画像とを用いた機械学習により学習された学習モデルに基づいて大腿骨の頸部領域をセグメンテーションし、被検体の大腿骨を含む骨密度を測定するための分析画像から被検体の大腿骨の頸部領域を取得するとともに、被検体の大腿骨の頸部領域に基づいて関心領域を取得し、取得した関心領域に基づいて骨密度を測定する制御を行う制御部と、学習モデルに基づいて取得された関心領域と、分析画像とを重畳した画像を関心領域の範囲を変更可能に表示する表示部とを備える。
上記目的を達成するために、この発明の第４の局面における学習モデルの作成方法は、被検体の大腿骨を含む学習用の入力画像を取得する工程と、入力画像に基づいて被検体の大腿骨の頸部領域と背景領域とを識別するラベルを付した教師用画像を取得する工程と、入力画像と教師用画像とに基づいて機械学習により大腿骨の頸部領域を特定するための学習モデルを取得する工程とを備える。
第１の局面によれば、上記のように、被検体の大腿骨を含む領域の画像において、少なくとも大腿骨の頸部領域と背景領域とを識別可能なラベルを付した教師用画像を作成する工程と、被検体の大腿骨を含む領域の画像と教師用画像を作成する工程で作成した教師用画像とを用いた学習処理により機械学習の学習モデルを作成する工程とを含む。これにより、少なくとも大腿骨の頸部領域と背景領域とを識別可能なラベルを付した教師用画像と、被検体の大腿骨を含む領域の画像とを用いた学習処理により機械学習の学習モデルを作成する工程を含むため、得られた学習モデルに基づいて大腿骨の頸部領域と背景領域とを識別することができる。その結果、大腿骨の頸部領域を精度よく検出することができる。また、第２の局面および第３の局面によれば、上記のように、被検体の大腿骨を含む学習用の入力画像と、被検体の大腿骨の頸部領域と背景領域とを識別するラベルを付した教師用画像とを用いた機械学習により学習された学習モデルに基づいて、被検体の大腿骨を含む分析用の分析画像から被検体の大腿骨の頸部領域を取得するとともに、被検体の大腿骨の頸部領域に基づいて関心領域を取得する。これにより、機械学習によって得られた学習モデルに基づいて大腿骨の頸部領域と背景領域とを識別することができるため、大腿骨の頸部領域を精度よく検出することができる。さらに、大腿骨の頸部を精度よく検出することができるため、関心領域の位置または大きさを修正するユーザの手間を省くことができる。また、第４の局面によれば、被検体の大腿骨の頸部領域と背景領域とを識別するラベルを付した教師用画像を用いて学習モデルを取得することにより、取得した学習モデルを用いることによって、容易に大腿骨の頸部領域を精度よく検出することができる。
骨密度測定装置の構成を示すブロック図である。 関心領域を示す図である。 大腿骨の頸部を説明するための図である。 入力画像の一例を示す図である。 分析画像の一例を示す図である。 制御部の制御フローを示す図である。 学習モデルの作成方法を示すフローチャートである。 教師用画像の一例を示す図である。 後処理フェーズのフローチャートである。 後処理フェーズを模式的に示した図である。
以下、本発明を具体化した実施形態を図面に基づいて説明する。
〔骨密度測定装置の構成〕
図１に示すように、本実施形態における骨密度測定装置１００は、撮影部１と、制御部２と、表示部３とを備える。なお、骨密度測定装置１００は、特許請求の範囲の「画像処理装置」の一例である。
骨密度測定装置１００は、骨粗鬆症などの骨疾患を診断するための装置である。本実施形態の骨密度測定装置１００は、ＤＸＡ（Ｄｕａｌ ｅｎｅｒｇｙ Ｘ−ｒａｙ Ａｂｓｏｒｐｔｉｏｍｅｔｒｙ）法を用いて骨密度を測定する装置である。ＤＸＡ法とは、２種類の異なるエネルギーのＸ線を照射し、骨と骨以外の軟部組織とのＸ線の吸収率の差により吸収されなかったＸ線量を算出し、骨密度を測定する方法である。骨密度（Ｂｏｎｅ Ｍｉｎｅｒａｌ Ｄｅｎｓｉｔｙ）は、１平方センチメートルあたりの骨量でありｇ／ｃｍ２で表される。
図２および図３に示すように、本実施形態の骨密度測定装置１００は、人体である被検体９０の大腿骨５０の頸部領域５３を測定の対象である関心領域４として骨密度を測定する。なお、関心領域４は、請求項に記載した「被検体の大腿骨の頸部領域を表す情報」の一例である。
大腿骨５０は、足の付け根から膝までの間の腿に位置する骨である。大腿骨５０の部位は、足の付け根から膝にかけて、骨頭５１と、頸部５２と、転子部（図示せず）と、転子下（図示せず）と、骨幹部（図示せず）と、遠位端（図示せず）とに分けられる。骨頭５１は、足の付け根側に位置し、骨盤６０と股関節を介して接触する部分である。頸部５２は、骨頭５１よりも膝側に位置し、骨頭５１に隣接する括れた部分である。
図３に示すように、本実施形態において頸部領域５３は、頸部５２が含まれる領域であり、骨密度を正確に測定するために好ましくは、頸部５２だけが含まれる領域である。大腿骨５０の頸部５２以外の部分を含む大腿骨領域５４は、大腿骨５０の頸部５２以外の骨頭５１、転子部などの部分を含む領域である。なお、図３では、ハッチングを示した部分が被検体９０の腿を示し、ハッチングで囲まれた領域のうち白い部分が頸部領域５３を示し、黒い部分が大腿骨５０の頸部５２以外の部分の大腿骨領域５４を示す。なお、大腿骨領域５４は、大腿骨５０の頸部５２以外の部分だけの場合と、画像上に含まれる大腿骨以外の骨（たとえば、骨盤６０）も含む場合とがある。
図１に示すように、撮影部１は、Ｘ線照射部１１とＸ線検出部１２とを含む。Ｘ線照射部１１は、制御部２により異なるエネルギーのＸ線を照射するように制御される。Ｘ線検出部１２は、たとえば、ＦＰＤ（Ｆｌａｔ Ｐａｎｅｌ Ｄｅｔｅｃｔｏｒ）により構成される。
撮影部１では、被検体９０が載置される載置台を挟んでＸ線照射部１１とＸ線検出部１２とが配置される。Ｘ線照射部１１から照射されたＸ線のうち、載置台の上に載置された被検体９０を透過したＸ線がＸ線検出部１２において検出される。撮影部１は、Ｘ線検出部１２において検出されたＸ線に基づいてＸ線画像を取得する。本実施形態では、撮影部１は、高エネルギーのＸ線を照射して得られたＸ線画像と、低エネルギーのＸ線を照射して得られたＸ線画像とを差分することにより骨が明確なＸ線画像を得る。
制御部２は、たとえば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）である。制御部２は、撮影部１で取得された被検体９０の大腿骨５０を含むＤＸＡ法で撮影されたＸ線画像を入力画像５（図４参照）、または分析画像６（図５参照）として取得する制御を行う。
図４に示すように、入力画像５は、学習モデル７を作成するために用いられる学習用の画像である。
図５に示すように、分析画像６は、作成された学習モデル７により大腿骨５０の頸部領域５３を取得し、取得した大腿骨５０の頸部領域５３に基づいて関心領域４を取得するために用いられるとともに、骨密度の測定に用いられる分析用の画像である。なお、図４および図５では、便宜上、分析画像６と、入力画像５とを同じ画像にしているが、通常は、別の画像である。
制御部２は、画像解析の制御を行うように構成されている。制御部２は、画像解析方法として、被検体９０の大腿骨５０を含む領域の画像を解析することにより被検体９０の大腿骨５０の頸部領域５３を特定するためのセグメンテーションを行う。また、制御部２は、セグメンテーションの手段として、機械学習を用いるように制御する。画像解析方法は、後述する。
表示部３は、たとえば液晶ディスプレイなどのモニタである。制御部２は、分析画像６と関心領域４とを重畳した重畳画像７０を表示部３に表示させる制御を行う（図１０参照）。
図６に基づいて、制御部２の画像解析の制御について説明する。制御部２の制御としては、機械学習により得られた学習モデル７を用いて分析画像６から骨領域マップ画像９を取得する学習・推論フェーズと、骨領域マップ画像９から大腿骨５０の頸部領域５３を取得し、関心領域４を取得する後処理フェーズとがある。
〔学習・推論フェーズ〕
学習・推論フェーズでは、まず、制御部２は、学習モデル７を作成する制御を行う。
図７および図８に基づいて、学習モデル７の作成方法について説明する。ステップ２０として、制御部２は、被検体９０の大腿骨５０を含む入力画像５を取得する制御を行う。制御部２が取得する入力画像５は、ＤＸＡ法で取得されたＸ線画像である。
ステップ２１として、制御部２は、教師用画像８（正解画像）を作成する制御を行う。図８に示すように、教師用画像８は、複数のラベルが付された入力画像５である。ラベルは、機械学習を行う場合に答えとなる分類を表す。本実施形態では、複数のラベルは、大腿骨５０の頸部領域５３を表すラベルと、大腿骨５０の頸部領域５３以外の大腿骨領域５４を表すラベルと、背景領域５５とを識別可能なラベルとが含まれる。図８では、大腿骨５０の頸部領域５３は白で示し、大腿骨５０の頸部５２以外の大腿骨領域５４はハッチングで示し、背景領域５５は黒で示す。
ラベルの付し方としては、たとえば、骨密度測定装置１００が備える自動抽出機能と修正機能とを用いる。自動抽出機能は、特定の部位の位置を自動的に抽出する機能である。修正機能は、抽出された位置が正しくない場合に、ユーザの入力により調整する機能である。自動抽出機能の一例は、幅方向の長さが短い大腿骨５０の部分を検出し、頸部領域５３を抽出する機能である。ユーザは、自動抽出機能により抽出された大腿骨５０の頸部領域５３を修正機能により修正し、色などを塗ることにより大腿骨５０の頸部領域５３にラベルを付す。また、ユーザは、大腿骨５０の頸部５２以外の部分の大腿骨領域５４を選択し、塗ることにより大腿骨５０の頸部５２以外の部分の大腿骨領域５４のラベルを付す。さらに、背景領域５５については、ユーザは、背景としてラベルを付す。教師用画像８は、多いほどより正確な学習モデル７が作成される。なお、ステップ２０およびステップ２１は、特許請求の範囲に記載した「教師用画像を作成する工程」の一例である。
ステップ２２では、制御部２は、入力画像５から教師用画像８を出力するように学習する機械学習により大腿骨５０の頸部領域５３を特定するための学習モデル７を作成する制御を行う。機械学習法として、全層畳み込みニューラルネットワーク（ＦｕｌｌｙＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｔｗｏｒｋｓ；ＦＣＮ）、ニューラルネットワーク、サポートベクターマシン（ＳＶＭ）、ブースティング等の任意の手法を用いることができる。なお、ステップ２２は、特許請求の範囲に記載した「機械学習の学習モデルを作成する工程」の一例である。
ステップ２３では、制御部２は、機械学習により取得された学習モデル７を記憶させる制御を行う。学習モデル７の記憶先は、骨密度測定装置１００が備える記憶部、骨密度測定装置１００に接続された外部の記憶装置などとすることができる。以上が学習モデル７を作成する方法である。
制御部２は、学習モデル７が作成された後、撮影されたＸ線画像を分析画像６として取得する制御を行う。制御部２は、取得した分析画像６を学習モデル７に入力し、骨領域マップ画像９を取得する制御を行う。
骨領域マップ画像９は、分析画像６に画像処理が施された画像であるとともに、教師用画像８と同じように、被検体９０の大腿骨５０の頸部領域５３と、被検体９０の大腿骨５０の頸部５２以外の部分の大腿骨領域５４と、背景領域５５をそれぞれ識別するラベルを付した画像である（図１０参照）。
〔後処理フェーズ〕
図９および図１０をもとに後処理フェーズを説明する。ステップ３０として、制御部２は、骨領域マップ画像９から大腿骨５０の頸部領域５３を取得する制御を行う。制御部２は、大腿骨５０の頸部領域５３を示すラベルが付された領域を分離することにより大腿骨５０の頸部領域５３を取得する制御を行う。なお、ステップ３０は、特許請求の範囲に記載した「大腿骨の頸部領域を取得する工程」の一例である。
制御部２は、分離した被検体９０の大腿骨５０の頸部領域５３に基づいて、関心領域４を取得し、設定する。関心領域４は、骨密度測定を行う範囲である。制御部２は、分離された頸部領域５３に接する最小の矩形を、関心領域４として取得して、設定する制御を行う。図１０では、関心領域４を破線で示しているが、実線で示してもよい。
ステップ３１として、制御部２は、関心領域４を、分析画像６の対応する位置に重畳させる制御を行う。関心領域４は、大きさ、形状または位置などの範囲が変更可能に構成されている。関心領域４の変更は、ユーザの入力を受け付けることにより行われる。ユーザの入力は、図示しない操作パネルなどで行われる。関心領域４と重畳させる分析画像６は、関心領域４を取得するために用いられた分析画像６である。なお、ステップ３１は、特許請求の範囲に記載した「頸部領域を取得する工程で取得した被検体の大腿骨の頸部領域を表す情報を、分析画像の対応する位置に重畳する工程」の一例である。
関心領域４は、操作パネルを介してユーザにより最終決定がされる。最終決定された関心領域４の範囲で、骨密度測定装置１００は、骨密度のデータを取得する。骨密度のデータは、表示部３に表示されてもよい。
ステップ３２として、制御部２は、ステップ３１で得られた重畳画像７０を表示部３に表示させる制御を行う。ステップ３２は、特許請求の範囲に記載した「重畳する工程により得られる重畳画像を表示する工程」の一例である。
（本実施形態の効果）
本実施形態では、以下のような効果を得ることができる。
本実施形態では、画像解析方法は、被検体９０の大腿骨５０を含む領域の画像を解析することにより被検体９０の大腿骨５０の頸部領域５３を特定するためのセグメンテーションを行う画像解析方法であって、セグメンテーションの手段として機械学習を用いるとともに、被検体９０の大腿骨５０を含む領域の画像において、少なくとも大腿骨５０の頸部領域５３と背景領域５５とを識別可能なラベルを付した教師用画像８を作成する工程と、被検体９０の大腿骨５０を含む領域の画像と教師用画像８を作成する工程で作成した教師用画像８とを用いた学習処理により機械学習の学習モデル７を作成する工程とを含む。これにより、少なくとも大腿骨５０の頸部領域５３と背景領域５５とを識別可能なラベルを付した教師用画像８と、被検体９０の大腿骨５０を含む領域の画像とを用いた学習処理により機械学習の学習モデル７を作成する工程を含むため、得られた学習モデル７に基づいて大腿骨５０の頸部領域５３と背景領域５５とを識別することができる。その結果、大腿骨５０の頸部領域５３を精度よく検出することができる。
また、本実施形態では、教師用画像８は、大腿骨５０の頸部領域５３と、大腿骨５０の頸部領域５３を除く大腿骨領域５４と、背景領域５５とを識別可能なラベルが付されている。このように構成すれば、大腿骨５０の頸部領域５３と、大腿骨５０の頸部５２以外の部分の大腿骨領域５４とを識別するラベルが含まれているため、大腿骨５０の頸部領域５３と大腿骨５０の頸部５２以外の部分の大腿骨領域５４との境界がより明確となり、精度よく頸部領域５３を抽出することができる。
また、本実施形態では、被検体９０の大腿骨５０を含む分析用の分析画像６を学習モデル７に入力することにより被検体９０の大腿骨５０の頸部領域５３を取得する工程と、頸部領域５３を取得する工程で取得した被検体９０の大腿骨５０の頸部領域５３を表す情報を、分析画像６の対応する位置に重畳する工程と、重畳する工程により得られる重畳画像７０を表示する工程と、をさらに備える。このように構成すれば、頸部領域５３を取得したい任意の分析画像６に基づいて、ユーザは、大腿骨領域５４を取得することができる。また、被検体９０の大腿骨５０の頸部領域５３を表す情報が表示されることにより、ユーザが、大腿骨５０の頸部領域５３を正確に取得できたか否かを確認することができる。
また、本実施形態では、被検体９０の大腿骨５０の頸部領域５３を表す情報は、頸部領域５３を取得する工程で取得した被検体９０の大腿骨５０の頸部領域５３に基づいて取得される関心領域４を含む。このように構成すれば、頸部領域５３が関心領域４として設定されたか否かをユーザが確認することができる。
また、本実施形態では、大腿骨５０の頸部領域５３における関心領域４の範囲は変更可能に構成されている。このように構成すれば、ユーザが、関心領域４の範囲を調整することができるため、頸部領域５３の被検体９０による個体差に合わせて関心領域４を設定することができる。
また、本実施形態では、上記のように、大腿骨５０の頸部領域５３を取得する工程は、少なくとも被検体９０の大腿骨５０の頸部領域５３と、背景領域５５とをそれぞれ識別するラベルを付した教師用画像８を用いて学習した学習モデル７に基づいて、少なくとも被検体９０の大腿骨５０の頸部領域５３と、背景領域５５とをそれぞれ識別するラベルを付した骨領域マップ画像９を取得し、取得した骨領域マップ画像９に基づいて被検体９０の大腿骨５０の頸部領域５３を取得するように構成されている。これにより、大腿骨５０の頸部領域５３と背景領域５５との境界が明確な骨領域マップ画像９を用いてセグメントすることにより、頸部領域５３を精度よく抽出することができる。
また、本実施形態では、上記のように、大腿骨５０の頸部領域５３を取得する工程は、取得した骨領域マップ画像９から被検体９０の大腿骨５０の頸部領域５３を分離する制御を行うように構成されている。これにより、分離された被検体９０の大腿骨５０の頸部領域５３に基づいて関心領域４を設定することにより、大腿骨５０の頸部領域５３を精度よく関心領域４として設定することができる。
また、本実施形態では、大腿骨５０の頸部領域５３を取得する工程は、取得した骨領域マップ画像９から分離した被検体９０の大腿骨５０の頸部領域５３に基づいて関心領域４を取得するように構成されている。このように構成すれば、分離された被検体９０の大腿骨５０の頸部領域５３に基づいて関心領域４を設定することにより、大腿骨５０の頸部領域５３を精度よく関心領域４として設定することができる。
また、本実施形態では、被検体９０の大腿骨５０の頸部領域５３を表す情報を、分析画像６の対応する位置に重畳する工程は、被検体９０の頸部領域５３を取得した分析画像６に対して、骨領域マップ画像９から取得された被検体９０の頸部領域５３に基づいて取得された関心領域４を重畳するように構成されている。このように構成すれば、分離された被検体９０の大腿骨５０の頸部領域５３に基づいて関心領域４を設定することにより、大腿骨５０の頸部領域５３を精度よく関心領域４として設定することができるとともに、ユーザが関心領域４の位置を確認することができる。
また、本実施形態では、上記のように分析画像６は、骨密度の測定に用いられる。これにより、任意の分析画像６を用いて頸部領域５３の骨密度を測定することができる。
また、本実施形態では、骨密度測定装置１００は、上記のように、被検体９０の大腿骨５０を含む学習用の入力画像５と、被検体９０の大腿骨５０の頸部領域５３と背景領域５５とを識別するラベルを付した教師用画像８とを用いた機械学習により学習された学習モデル７に基づいて大腿骨５０の頸部領域５３をセグメンテーションし、被検体９０の大腿骨５０を含む分析用の分析画像６から被検体９０の大腿骨５０の頸部領域５３を取得するとともに、被検体９０の大腿骨５０の頸部領域５３に基づいて関心領域４を取得する制御を行う制御部２と、学習モデル７に基づいて取得された関心領域４と、分析画像６とを重畳した画像を関心領域４の範囲を変更可能に表示する表示部３と、を備える。これにより、機械学習によって得られた学習モデル７に基づいて大腿骨５０の頸部領域５３と背景領域５５とを識別することができるため、大腿骨５０の頸部領域５３を精度よく検出することができる。さらに、大腿骨５０の頸部領域５３を精度よく検出することができるため、関心領域４の位置または大きさを修正するユーザの手間を省くことができる。
また、本実施形態では、上記のように、学習モデル７の作成方法は、被検体９０の大腿骨５０を含む学習用の入力画像５を取得する工程と、入力画像５に基づいて被検体９０の大腿骨５０の頸部領域５３と背景領域５５とを識別するラベルを付した教師用画像８を取得する工程と、入力画像５と教師用画像８とに基づいて機械学習により大腿骨５０の頸部領域５３を特定するための学習モデル７を取得する工程とを備える。これにより、被検体９０の大腿骨５０の頸部領域５３と背景領域５５とを識別するラベルを付した教師用画像８を用いて学習モデル７を取得することにより、取得した学習モデル７を用いることによって、容易に大腿骨５０の頸部領域５３を精度よく取得することができる。
（変形例）
なお、今回開示された実施形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した実施形態の説明ではなく特許請求の範囲によって示され、さらに特許請求の範囲と均等の意味および範囲内でのすべての変更（変形例）が含まれる。
たとえば、上記実施形態では、画像処理装置は、骨密度測定装置である例を示したが、本発明はこれに限られない。本発明では、たとえば、画像処理装置は、Ｘ線治療装置であってもよい。
また、上記実施形態では、骨密度測定装置（画像処理装置）は、制御部と表示部とを備える例を示したが、本発明はこれに限られない、たとえば、制御部および表示部以外に、画像処理部を備え、画像処理部が、制御部による制御に基づいて分析画像から大腿骨の頸部領域を取得するとともに、大腿骨の頸部領域に基づいて関心領域を取得してもよい。
また、上記実施形態では、骨密度測定装置が表示部を備える例を示したが、本発明はこれに限られない、たとえば、表示部は外付けされたモニタ（外部表示装置）であってもよい。
また、上記実施形態では、骨密度測定装置（画像処理装置）が、学習モデルを作成する例を示したが、本発明はこれに限られない、たとえば、学習モデルが保存されているパーソナルコンピュータから学習モデルを読み込んでもよい。
また、上記実施形態では、制御部は、骨領域マップ画像から被検体の大腿骨の頸部領域を分離する制御を行う例を示したが、本発明はこれに限られない、たとえば、大腿骨の頸部領域を分離せずに、関心領域を設定してもよい。
また、上記実施形態では、骨領域マップが、大腿骨の頸部と頸部以外の部分の領域とを識別するラベルを付した画像である例を示したが、本発明はこれに限られない。たとえば、骨領域マップが、大腿骨の頸部領域と背景領域とを識別するラベルのみが付されている画像でもよい。
また、上記実施形態では、骨領域マップを取得する例を示したが、本発明はこれに限られない。たとえば、大腿骨の頸部領域を取得できれば、必ずしも骨領域マップを取得しなくともよい。
また、上記実施形態では、関心領域と重畳させる分析画像は、関心領域を取得するために用いられた分析画像である例を示したが、本発明はこれに限られない。たとえば、関心領域と重畳させる分析画像は、関心領域を取得するために用いられた分析画像と異なっていてもよい。
また、上記実施形態では、被検体の大腿骨の頸部領域を表す情報は、関心領域である例を示したが、本発明はこれに限られない。たとえば、被検体の大腿骨の頸部領域を表す情報は、頸部領域取得工程で取得した頸部領域であってもよい。
［態様］
上記した例示的な実施形態は、以下の態様の具体例であることが当業者により理解される。
（項目１）
被検体の大腿骨を含む領域の画像を解析することにより前記被検体の前記大腿骨の頸部領域を特定するためのセグメンテーションを行う画像解析方法であって、
前記セグメンテーションの手段として機械学習を用いるとともに、
前記被検体の前記大腿骨を含む領域の画像において、少なくとも前記大腿骨の頸部領域と背景領域とを識別可能なラベルを付した教師用画像を作成する工程と、
前記被検体の前記大腿骨を含む領域の画像と作成した前記教師用画像とを用いた学習処理により機械学習の学習モデルを作成する工程とを含む、画像解析方法。
（項目２）
前記教師用画像は、前記大腿骨の頸部領域と、前記大腿骨の頸部領域を除く大腿骨領域と、背景領域とを識別可能なラベルが付されている、項目１に記載の画像解析方法。
（項目３）
前記被検体の前記大腿骨を含む分析用の分析画像を前記学習モデル７に入力することにより前記被検体の前記大腿骨の頸部領域を取得する工程と、
前記大腿骨の頸部領域を取得する工程で取得した前記被検体の前記大腿骨の頸部領域５を表す情報を、前記分析画像の対応する位置に重畳する工程と、
重畳する工程により得られる重畳画像を表示する工程と、をさらに備える、項目１または２に記載の画像解析方法。
（項目４）
前記被検体の前記大腿骨の頸部領域を表す情報は、前記大腿骨の頸部領域を取得する工程で取得した前記被検体の前記大腿骨の頸部領域に基づいて取得される関心領域を含む、項目３に記載の画像解析方法。
（項目５）
前記大腿骨の頸部領域における前記関心領域の範囲は変更可能に構成されている、項目４に記載の画像解析方法。
（項目６）
前記大腿骨の頸部領域を取得する工程は、前記被検体の前記大腿骨の頸部領域と、前記大腿骨領域とをそれぞれ識別するラベルを付した前記教師用画像を用いて学習した前記学習モデルに基づいて、少なくとも前記被検体の前記大腿骨の頸部領域と、前記背景領域とをそれぞれ識別するラベルを付した骨領域マップ画像を取得し、取得した前記骨領域マップ画像に基づいて前記被検体の前記大腿骨の頸部領域を取得するように構成されている、項目５に記載の画像解析方法。
（項目７）
前記大腿骨の頸部領域を取得する工程は、取得した前記骨領域マップ画像から前記被検体の前記大腿骨の頸部領域を分離する制御を行うように構成されている、項目６に記載の画像解析方法。
（項目８）
前記大腿骨の頸部領域を取得する工程は、取得した前記骨領域マップ画像から分離した前記被検体の前記大腿骨の頸部領域に基づいて前記被検体の前記大腿骨の頸部領域を表す情報を取得するように構成されている、項目７に記載の画像解析方法。
（項目９）
前記被検体の前記大腿骨の頸部領域を表す情報を、前記分析画像の対応する位置に重畳する工程は、前記被検体の頸部領域を取得した前記分析画像に対して、前記骨領域マップ画像から取得された前記被検体の頸部領域に基づいて取得された前記被検体の前記大腿骨の頸部領域を表す情報を重畳するように構成されている、項目６〜８のいずれか１項に記載の画像解析方法。
（項目１０）
前記分析画像は、骨密度の測定に用いられる、項目３〜９のいずれか１項に記載の画像解析方法。
（項目１１）
被検体の大腿骨を含む学習用の入力画５と、前記被検体の前記大腿骨の頸部領域と背景領域とを識別するラベルを付した教師用画像とを用いた機械学習により学習された学習モデル７に基づいて前記大腿骨の頸部領域をセグメンテーションし、前記被検体の前記大腿骨を含む分析用の分析画像から前記被検体の前記大腿骨の頸部領域を取得するとともに、前記被検体の前記大腿骨の頸部領域に基づいて関心領域を取得する制御を行う制御部と、
前記学習モデルに基づいて取得された前記関心領域と、前記分析画像とを重畳した画像を前記関心領域の範囲を変更可能に表示する表示部とを備える、画像処理装置。
（項目１２）
被検体の大腿骨を含む学習用の入力画像と、前記被検体の前記大腿骨の頸部領域と背景領域とを識別するラベルを付した教師用画像とを用いた機械学習により学習された学習モデルに基づいて前記大腿骨の頸部領域をセグメンテーションし、前記被検体の前記大腿骨を含む骨密度を測定するための分析画像から前記被検体の前記大腿骨の頸部領域を取得するとともに、前記被検体の前記大腿骨の頸部領域に基づいて関心領域を取得し、取得した前記関心領域に基づいて骨密度を測定する制御を行う制御部と、
前記学習モデルに基づいて取得された前記関心領域と、前記分析画像とを重畳した画像を前記関心領域の範囲を変更可能に表示する表示部とを備える、骨密度測定装置。
（項目１３）
被検体の大腿骨を含む学習用の入力画像を取得する工程と、
前記入力画像に基づいて前記被検体の前記大腿骨の頸部領域と背景領域とを識別するラベルを付した教師用画像を取得する工程と、
前記入力画像と前記教師用画像とに基づいて機械学習により前記大腿骨の頸部領域を特定するための学習モデルを取得する工程とを備える、学習モデルの作成方法
２ 制御部
３ 表示部
４ 関心領域
５ 入力画像
６ 分析画像
７ 学習モデル
８ 教師用画像
９ 骨領域マップ画像
５０ 大腿骨
５２ 頸部
５３ 頸部領域
５４ 頸部以外の部分の領域
５５ 背景領域
９０ 被検体
１００ 骨密度測定装置（画像処理装置）

Claims (13)

  1. 被検体の大腿骨を含む領域の画像を解析することにより前記被検体の前記大腿骨の頸部領域を特定するためのセグメンテーションを行う画像解析方法であって、
    前記セグメンテーションの手段として機械学習を用いるとともに、
    前記被検体の前記大腿骨を含む領域の画像において、少なくとも前記大腿骨の頸部領域と背景領域とを識別可能なラベルを付した教師用画像を作成する工程と、
    前記被検体の前記大腿骨を含む領域の画像と作成した前記教師用画像とを用いた学習処理により機械学習の学習モデルを作成する工程とを含む、画像解析方法。
  2. 前記教師用画像は、前記大腿骨の頸部領域と、前記大腿骨の頸部領域を除く大腿骨領域と、背景領域とを識別可能なラベルが付されている、請求項１に記載の画像解析方法。
  3. 前記被検体の前記大腿骨を含む分析用の分析画像を前記学習モデルに入力することにより前記被検体の前記大腿骨の頸部領域を取得する工程と、
    前記大腿骨の頸部領域を取得する工程で取得した前記被検体の前記大腿骨の頸部領域を表す情報を、前記分析画像の対応する位置に重畳する工程と、
    重畳する工程により得られる重畳画像を表示する工程と、をさらに備える、請求項１または２に記載の画像解析方法。
  4. 前記被検体の前記大腿骨の頸部領域を表す情報は、前記大腿骨の頸部領域を取得する工程で取得した前記被検体の前記大腿骨の頸部領域に基づいて取得される関心領域を含む、請求項３に記載の画像解析方法。
  5. 前記大腿骨の頸部領域における前記関心領域の範囲は変更可能に構成されている、請求項４に記載の画像解析方法。
  6. 前記大腿骨の頸部領域を取得する工程は、少なくとも前記被検体の前記大腿骨の頸部領域と、前記背景領域とをそれぞれ識別するラベルを付した前記教師用画像を用いて学習した前記学習モデルに基づいて、少なくとも前記被検体の前記大腿骨の頸部領域と、前記背景領域とをそれぞれ識別するラベルを付した骨領域マップ画像を取得し、取得した前記骨領域マップ画像に基づいて前記被検体の前記大腿骨の頸部領域を取得するように構成されている、請求項５に記載の画像解析方法。
  7. 前記大腿骨の頸部領域を取得する工程は、取得した前記骨領域マップ画像から前記被検体の前記大腿骨の頸部領域を分離する制御を行うように構成されている、請求項６に記載の画像解析方法。
  8. 前記大腿骨の頸部領域を取得する工程は、取得した前記骨領域マップ画像から分離した前記被検体の前記大腿骨の頸部領域に基づいて前記被検体の前記大腿骨の頸部領域を表す情報を取得するように構成されている、請求項７に記載の画像解析方法。
  9. 前記被検体の前記大腿骨の頸部領域を表す情報を、前記分析画像の対応する位置に重畳する工程は、前記被検体の頸部領域を取得した前記分析画像に対して、前記骨領域マップ画像から取得された前記被検体の頸部領域に基づいて取得された前記被検体の前記大腿骨の頸部領域を表す情報を重畳するように構成されている、請求項６〜８のいずれか１項に記載の画像解析方法。
  10. 前記分析画像は、骨密度の測定に用いられる、請求項３〜９のいずれか１項に記載の画像解析方法。
  11. 被検体の大腿骨を含む学習用の入力画像と、前記被検体の前記大腿骨の頸部領域と背景領域とを識別するラベルを付した教師用画像とを用いた機械学習により学習された学習モデルに基づいて前記大腿骨の頸部領域をセグメンテーションし、前記被検体の前記大腿骨を含む分析用の分析画像から前記被検体の前記大腿骨の頸部領域を取得するとともに、前記被検体の前記大腿骨の頸部領域に基づいて関心領域を取得する制御を行う制御部と、
    前記学習モデルに基づいて取得された前記関心領域と、前記分析画像とを重畳した画像を前記関心領域の範囲を変更可能に表示する表示部とを備える、画像処理装置。
  12. 被検体の大腿骨を含む学習用の入力画像と、前記被検体の前記大腿骨の頸部領域と背景領域とを識別するラベルを付した教師用画像とを用いた機械学習により学習された学習モデルに基づいて前記大腿骨の頸部領域をセグメンテーションし、前記被検体の前記大腿骨を含む骨密度を測定するための分析画像から前記被検体の前記大腿骨の頸部領域を取得するとともに、前記被検体の前記大腿骨の頸部領域に基づいて関心領域を取得し、取得した前記関心領域に基づいて骨密度を測定する制御を行う制御部と、
    前記学習モデルに基づいて取得された前記関心領域と、前記分析画像とを重畳した画像を前記関心領域の範囲を変更可能に表示する表示部とを備える、骨密度測定装置。
  13. 被検体の大腿骨を含む学習用の入力画像を取得する工程と、
    前記入力画像に基づいて前記被検体の前記大腿骨の頸部領域と背景領域とを識別するラベルを付した教師用画像を取得する工程と、
    前記入力画像と前記教師用画像とに基づいて機械学習により前記大腿骨の頸部領域を特定するための学習モデルを取得する工程とを備える、学習モデルの作成方法。
JP2019161502A 2019-09-04 2019-09-04 画像解析方法、画像処理装置および骨密度測定装置 Active JP7226199B2 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2019161502A JP7226199B2 (ja) 2019-09-04 2019-09-04 画像解析方法、画像処理装置および骨密度測定装置
KR1020200075197A KR20210028559A (ko) 2019-09-04 2020-06-19 화상 해석 방법, 화상 처리 장치, 골밀도 측정 장치 및 학습 모델의 작성 방법
CN202010772414.1A CN112438745A (zh) 2019-09-04 2020-08-04 图像解析方法、处理装置、测定装置及学习模型制作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019161502A JP7226199B2 (ja) 2019-09-04 2019-09-04 画像解析方法、画像処理装置および骨密度測定装置

Publications (2)

Publication Number Publication Date
JP2021037164A true JP2021037164A (ja) 2021-03-11
JP7226199B2 JP7226199B2 (ja) 2023-02-21

Family

ID=74733475

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019161502A Active JP7226199B2 (ja) 2019-09-04 2019-09-04 画像解析方法、画像処理装置および骨密度測定装置

Country Status (3)

Country Link
JP (1) JP7226199B2 (ja)
KR (1) KR20210028559A (ja)
CN (1) CN112438745A (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023095245A1 (ja) * 2021-11-25 2023-06-01 株式会社島津製作所 Ｘ線撮影装置

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102414601B1 (ko) * 2021-10-12 2022-07-04 에이아이다이콤 (주) 기계학습 기반 고관절 골절 진단을 위한 골밀도 도출 방법 및 이를 이용한 골밀도 도출 프로그램
KR102578943B1 (ko) * 2023-04-12 2023-09-15 에이아이다이콤 (주) 엑스레이(X-ray) 촬영된 고관절 방사선 이미지를 이용한 기계학습 기반 골밀도 도출방법

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017217227A (ja) * 2016-06-08 2017-12-14 株式会社日立製作所 Ｘ線画像診断装置及び骨密度測定方法
WO2019003474A1 (ja) * 2017-06-30 2019-01-03 株式会社島津製作所 放射線治療用追跡装置、位置検出装置および動体追跡方法
US20190122330A1 (en) * 2015-12-18 2019-04-25 Orthogrid Systems Inc. Method of providing surgical guidance

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107895367B (zh) * 2017-11-14 2021-11-30 中国科学院深圳先进技术研究院 一种骨龄识别方法、系统及电子设备
CN108764241A (zh) * 2018-04-20 2018-11-06 平安科技（深圳）有限公司 分割股骨近端的方法、装置、计算机设备和存储介质
CN109285154A (zh) * 2018-09-30 2019-01-29 杭州依图医疗技术有限公司 一种检测骨龄的方法及装置
CN109523523B (zh) * 2018-11-01 2020-05-05 郑宇铄 基于fcn神经网络和对抗学习的椎体定位识别分割方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190122330A1 (en) * 2015-12-18 2019-04-25 Orthogrid Systems Inc. Method of providing surgical guidance
JP2017217227A (ja) * 2016-06-08 2017-12-14 株式会社日立製作所 Ｘ線画像診断装置及び骨密度測定方法
WO2019003474A1 (ja) * 2017-06-30 2019-01-03 株式会社島津製作所 放射線治療用追跡装置、位置検出装置および動体追跡方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023095245A1 (ja) * 2021-11-25 2023-06-01 株式会社島津製作所 Ｘ線撮影装置

Also Published As

Publication number Publication date
KR20210028559A (ko) 2021-03-12
JP7226199B2 (ja) 2023-02-21
CN112438745A (zh) 2021-03-05

Similar Documents

Publication Publication Date Title
US8705695B2 (en) Region of interest determination for X-ray imaging
JP7226199B2 (ja) 画像解析方法、画像処理装置および骨密度測定装置
US8295570B2 (en) Methods and apparatus for measuring body circumference
US8300911B1 (en) Methods and apparatus for measuring visceral fat mass
JP7092190B2 (ja) 画像解析方法、セグメンテーション方法、骨密度測定方法、学習モデル作成方法および画像作成装置
JP2009101157A (ja) 画像誘導による定量的二重エネルギ・データの取得
CN107257660A (zh) 身体扫描中的生理状态确定方法
US20110060247A1 (en) Methods and apparatus for measuring bone lengths
US20160180520A1 (en) Quantitative method for 3-d joint characterization
CN111526795B (zh) 放射线摄像装置、图像处理装置及图像确定方法
US20170273652A1 (en) Image processing device, radiographic imaging system, image processing method, and non-transitory computer readable medium
CN104080404B (zh) 骨密度测量装置
TWI526195B (zh) 醫療裝置
CN116421207B (zh) 医用x射线成像方法及医用x射线成像装置
US10089728B2 (en) Radiation-image processing device and method
US10083503B2 (en) Image area specification device and method, and X-ray image processing device and method
CN113610744A (zh) X光图像质量控制系统
US11553891B2 (en) Automatic radiography exposure control using rapid probe exposure and learned scene analysis
JPH09294740A (ja) 骨計測方法
JP7173338B2 (ja) 骨部画像解析方法および学習方法
US10475180B2 (en) Radiation-image processing device and method
WO2024096039A1 (ja) 情報処理装置、放射線撮影システム、情報処理方法、及びプログラム
US20220296197A1 (en) System and method for indication and selection of region of interest for x-ray dose adjustment
JP2024063537A (ja) 情報処理装置及びその制御方法、放射線撮影システム、プログラム
JP2022121578A (ja) 放射線画像処理装置及びプログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20211220

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20221031

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221101

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221226

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: 20230110

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230123

R151 Written notification of patent or utility model registration

Ref document number: 7226199

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151