JP2021194450A - Ｘ線画像の生成方法、学習モデルの学習方法、および、ｘ線位相画像撮影装置 - Google Patents

Abstract

【課題】特定部位とその他の部位とを識別することが可能なＸ線画像の生成方法を提供する。【解決手段】このＸ線画像の生成方法は、検出されたＸ線に基づいて生成された吸収像２０を取得するステップと、複数の格子を通過した後に検出されたＸ線に基づいて生成された位相コントラスト画像２１を取得するステップと、第１学習済みモデル５１を用いて、吸収像２０および位相コントラスト画像２１のうちの一方画像から他方画像を推定することにより推定画像２２を生成するステップと、他方画像と推定画像２２とに基づいて被写体９０の特定部位４０を抽出するステップと、を備える。【選択図】図１

Description

この発明は、Ｘ線画像の生成方法、学習モデルの学習方法、および、Ｘ線位相画像撮影装置に関する。

従来、Ｘ線画像から画像処理により被写体の特定部位を検出する技術が知られている（たとえば、非特許文献１参照）。

上記非特許文献１では、マンモグラフィによるＸ線画像を学習させたＡＩ（ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ）を用いて、Ｘ線画像中の早期がんを同定する技術が開示されている。マンモグラフィによって取得されるＸ線画像は、被写体のＸ線吸収量の違いによって画像化された画像である。

McKinney,S.M., Sieniek,M., Godbole,V. et al.、「International evaluation of an AI system for breast cancer screening」、Nature、Vol. 577, 89-94 (2020)、https://doi.org/10.1038/s41586-019-1799-6

上記非特許文献１に用いられるＸ線画像は、被写体のＸ線吸収量に応じてコントラストが生じる。そのため、被写体中の特定部位と、特定部位以外の他の部位とでＸ線吸収量の差異が小さい場合、画像処理による特定部位の検出を精度良く行うことが困難になる。この問題は、他の部位と特定部位とがＸ線画像において重なって写る場合に特に顕著になる。

また、画像処理による特定部位の検出を精度良く行うことが困難になるという問題は、上記非特許文献１のようにがんを検出する用途のみならず、たとえば非破壊検査における試料中の特定部位とその他の部位との間で、Ｘ線吸収量の差異が小さい場合などでも生じる。

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、Ｘ線吸収量の差異が小さい特定部位とその他の部位とであっても、特定部位とその他の部位とを識別することが可能なＸ線画像の生成方法、学習モデルの学習方法、および、Ｘ線位相画像撮影装置を提供することである。

上記目的を達成するために、本願発明者らは、複数の格子を透過したＸ線の干渉（いわゆるタルボ効果）を利用したＸ線位相イメージング装置によれば、被写体によるＸ線の吸収だけでなく、被写体によるＸ線の屈折や、被写体によるＸ線の散乱といった、異なる物理現象に基づく各種の画像を生成できることに着目した。本願発明者らが鋭意検討した結果、このような複数種類の画像を用いた特有の機械学習により、他の部位とのＸ線吸収量の差異が小さい特定部位が含まれる画像から、特定部位が含まれていない画像を用いて学習させた学習モデルにて推定した画像を用いて、特定部位とその他の部位とを識別することができる発明をするに至った。すなわち、この発明の第１の局面によるＸ線画像の生成方法は、Ｘ線源から照射されたＸ線を受ける複数の格子を通過したＸ線に基づくＸ線画像の生成方法であって、検出されたＸ線に基づいて生成された吸収像を取得するステップと、複数の格子を通過した後に検出されたＸ線に基づいて生成された位相コントラスト画像を取得するステップと、学習済みモデルを用いて、吸収像および位相コントラスト画像のうちの一方画像から他方画像を推定することにより推定画像を生成するステップと、他方画像と推定画像とに基づいて被写体の特定部位を抽出するステップと、を備える。

また、上記目的を達成するために、この発明の第２の局面による学習モデルの学習方法は、Ｘ線源から照射されたＸ線を受ける複数の格子を通過したＸ線に基づいて生成されたＸ線画像を用いた学習モデルの学習方法であって、Ｘ線を検出する検出器に到達したＸ線に基づいて生成された被写体の吸収像を取得するステップと、複数の格子を通過した後に検出器に到達したＸ線に基づいて生成された被写体の位相コントラスト画像を取得するステップと、吸収像と位相コントラスト画像とを教師データとして、吸収像から推定することにより位相コントラスト推定画像を生成するか、または、位相コントラスト画像から推定することにより吸収推定像を生成するように学習モデルを学習させるステップと、を含む。

また、上記目的を達成するために、この発明の第３の局面によるＸ線位相画像撮影装置は、Ｘ線源と、Ｘ線源から照射されたＸ線を受ける複数の格子と、Ｘ線源から照射されたＸ線を検出する検出器と、検出器によって検出されたＸ線に基づいて被写体の吸収像を生成するとともに、複数の格子を通過した後に検出器によって検出されたＸ線に基づいて被写体の位相コントラスト画像を生成する画像処理部と、を備え、画像処理部は、教師用吸収像と教師用位相コントラスト画像とを教師データとして学習した学習済みモデルを用いて、吸収像および位相コントラスト画像の一方画像から他方画像を推定し推定画像を生成するとともに、他方画像と推定画像とに基づいて被写体の特定部位を抽出するように構成されている。

上記第１の局面におけるＸ線画像撮影装置では、上記のように、吸収像および位相コントラスト画像のうちの一方画像から他方画像を推定することにより推定画像を生成するステップと、他方画像と推定画像とに基づいて被写体の特定部位を抽出するステップと、を備える。これにより、位相コントラスト画像および推定画像によって特定部位が抽出されることによって、吸収像では識別が困難である特定部位と非特定部位とを識別することができる。その結果、Ｘ線吸収量の差異が小さい特定部位とその他の部位とであっても、特定部位とその他の部位とを識別することが可能なＸ線画像の生成方法を提供することができる。

また、上記第２の局面における学習モデルの学習方法では、上記のように、吸収像と位相コントラスト画像とを教師データとして、吸収像から推定することにより位相コントラスト推定画像を生成するか、または、位相コントラスト画像から推定することにより吸収推定像を生成するように学習モデルを学習させるステップと、を含む。これにより、吸収像から推定することにより位相コントラスト推定画像を生成するように学習された学習モデルを用いることにより、被写体に特定部位が含まれる場合であっても、特定部位が識別できない位相コントラスト推定画像が生成される。また、位相コントラスト画像から推定することにより吸収推定像を生成するように学習された学習モデルを用いることにより、特定部位が識別可能な吸収像が生成される。そのため、上記学習方法によって学習された学習済みモデルを用いて推定された推定画像と、実際に撮像した画像とにおいて、特定部位にコントラストの差がついた特定部位抽出画像を生成することができる。その結果、学習済みモデルを用いて推定された推定画像と、実際に撮像した画像とに基づいて、特定部位とその他の部位とを識別可能なＸ線画像を生成することができる。

また、上記第３の局面におけるＸ線位相画像撮影装置では、学習済みモデルを用いて、吸収像および位相コントラスト画像の一方画像から他方画像を推定し推定画像を生成するとともに、他方画像と推定画像とに基づいて被写体の特定部位を抽出するように構成された画像処理部を備える。これにより、上記第１の局面によるＸ線画像の生成方法と同様に、Ｘ線吸収量の差異が小さい特定部位とその他の部位とであっても、特定部位とその他の部位とを識別することが可能なＸ線位相画像撮影装置を提供することができる。

一実施形態によるＸ線画像撮影装置の全体構成を示した模式図である。 一実施形態によるＸ線画像撮影装置の格子の配置を説明するための模式図である。 一実施形態による画像処理部が、複数の第１Ｘ線画像に基づいて、吸収像を生成する構成を説明するための模式図である。 一実施形態による画像処理部が、複数の第１Ｘ線画像に基づいて、第１断層画像を生成する構成を説明するための模式図である。 一実施形態による画像処理部が、複数の第２Ｘ線画像および複数の第３Ｘ線画像に基づいて、位相コントラスト画像を生成する構成を説明するための模式図である。 一実施形態による画像処理部が、複数の第２Ｘ線画像に基づいて、第２断層画像を生成する構成を説明するための模式図である。 一実施形態による画像処理部が、特定部位抽出画像を生成する構成を説明するための模式図である。 一実施形態における画像処理部が特定部位抽出画像を生成する処理を説明するためのフローチャートである。 一実施形態による学習モデルの学習方法と、学習済みの学習モデルを用いて特定部位抽出画像を生成する構成を説明するための模式図である。 一実施形態による学習モデルの学習方法を説明するための模式図である。 一実施形態における学習モデルを学習させる処理を説明するためのフローチャートである。 第１変形例による学習モデルの学習方法を説明するための模式図である。 第２変形例による検出器の構成を説明するための模式図である。 第１吸収像を説明するための模式図（Ａ）、および、第２吸収像を説明するための模式図（Ｂ）である。 第２変形例による画像処理部が、第１吸収像と第２吸収像とに基づいて、第３吸収像を生成する構成を説明するための模式図である。 第２変形例による学習モデルの学習方法を説明するための模式図である。 第３変形例による学習モデルの学習方法と、学習済みの学習モデルを用いて特定部位抽出画像を生成する構成を説明するための模式図である。 第３変形例による学習モデルを学習させる処理を説明するためのフローチャートである。

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。

図１および図２を参照して、一実施形態によるＸ線画像撮影装置１００の構成について説明する。なお、Ｘ線画像撮影装置１００は、マンモグラフィにおける乳がんの診断に用いることが可能な撮影装置である。また、Ｘ線画像撮影装置１００は、乳がん以外の医用検査における診断や非破壊検査における評価等にも用いることが可能な撮影装置である。

（Ｘ線画像撮影装置の構成）
Ｘ線画像撮影装置１００は、図１に示すように、Ｘ線源１と、検出器２と、複数の格子と、画像処理部３と、制御部４と、記憶部５と、相対位置移動部６と、コリメータ１３と、を備える。

Ｘ線画像撮影装置１００では、Ｘ線源１と、コリメータ１３と、複数の格子と、検出器２とが、Ｘ線の照射軸７０方向（光軸方向、Ｚ方向）に、この順に並んで配置されている。なお、本明細書において、Ｘ線の光軸方向（Ｚ方向）は、水平方向である。また、Ｘ線の光軸方向と直交する水平方向および鉛直方向を、それぞれ、Ｘ方向およびＹ方向とする。

Ｘ線源１は、高電圧が印加されることにより、Ｘ線を発生させる。Ｘ線源１で発生されたＸ線は、検出器２が配置された方向（Ｚ２方向）に照射されるように構成されている。図１に示す例では、Ｘ線源１は、直線７１および直線７２で囲まれた領域にＸ線を照射する。

検出器２は、Ｘ線源１から照射されたＸ線を検出するとともに、検出されたＸ線を電気信号に変換する。検出器２は、複数の格子を通過して到達したＸ線を検出する第１検出領域７６と、複数の格子を通過せずに到達したＸ線を検出する第２検出領域７７と、を含む。図１に示すように、第１検出領域７６と第２検出領域７７とは、Ｘ線の照射軸７０方向と交差する所定の方向に並んで配置されている。本実施形態では、所定の方向は、Ｘ方向である。検出器２は、たとえば、ＦＰＤ（Ｆｌａｔ Ｐａｎｅｌ Ｄｅｔｅｃｔｏｒ）である。検出器２は、Ｘ線源１側（Ｚ１側）の検出面上に配置された複数の変換素子（図示せず）と、複数の変換素子上に配置された画素電極（図示せず）とにより構成されている。複数の変換素子および画素電極は、所定の周期（画素ピッチ）で、Ｘ方向およびＹ方向に並んで配置されている。検出器２の検出信号（画像信号）は、画像処理部３へと送られる。

画像処理部３は、検出器２から送られた検出信号に基づいて、吸収像２０（図３参照）および位相コントラスト画像２１（図５参照）を生成するように構成されている。画像処理部３は、たとえば、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、または、画像処理用に構成されたＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）などのプロセッサを含む。画像処理部３が、吸収像２０、および、位相コントラスト画像２１を生成する構成の詳細については、後述する。

制御部４は、相対位置移動部６の動作を制御するように構成されている。制御部４は、たとえば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）およびＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などを含む。

記憶部５は、第１学習済みモデル５１が記憶されている。記憶部５は、たとえば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、または、不揮発性メモリなどを含む。第１学習済みモデル５１を生成する方法の詳細については、後述する。

複数の格子は、第１格子群と、第２格子群とを含む。第１格子群は、第１格子７と第２格子８と線源格子９とを含む。第２格子群は、第３格子１０と、第４格子１１と、線源格子１２とを含む。第１格子群では、各格子は、Ｘ線源１から検出器２に向かう方向（Ｚ１側からＺ２側に向かう方向）において、線源格子９、第１格子７、および、第２格子８の順で並んでいる。また、第２格子群では、各格子は、Ｘ線源１から検出器２に向かう方向において、線源格子１２、第３格子１０、および、第４格子１１の順で並んでいる。各格子の構成の詳細については、後述する。

相対位置移動部６は、被写体９０に対する第１検出領域７６および第２検出領域７７の相対位置を移動させるように構成されている。本実施形態では、相対位置移動部６は、図１の太線矢印で示すように、制御部４の制御の下、被写体９０を所定の方向（Ｘ方向）に移動させるように構成されている。すなわち、本実施形態では、相対位置移動部６は、被写体９０を移動させることにより、被写体９０に対する第１検出領域７６および第２検出領域７７の相対位置を移動させるように構成されている。

コリメータ１３は、第１格子７および第３格子１０と線源格子９および線源格子１２との間に配置されている。コリメータ１３は、Ｘ線を遮蔽する遮蔽部材により構成されており、開閉自在に構成されたコリメータ孔１３ａおよびコリメータ孔１３ｂが形成されている。コリメータ孔１３ａを通過したＸ線は、直線７３および直線７４で囲まれた領域に照射される。コリメータ孔１３ａは、Ｘ線源１から照射されたＸ線の内、第１格子群および第２格子群を通過して検出器２に照射されるＸ線の照射範囲を調整することが可能である。コリメータ孔１３ｂを通過したＸ線は、直線７５および直線７６で囲まれた領域に照射される。コリメータ孔１３ｂは、第１格子群および第２格子群を通過せずに検出器２に照射されるＸ線の範囲を調整することが可能である。図１に示すように、コリメータ孔１３ａを通過して検出器２に到達したＸ線が検出される領域が、第１検出領域７６である。また、コリメータ孔１３ｂを通過して検出器２に到達したＸ線が検出される領域が、第２検出領域７７である。

（複数の格子の構成）
図２に示すように、第１格子７は、Ｘ線源１から照射されたＸ線を回折、または、照射されたＸ線の一部を遮蔽するように第１格子パターンが形成されている。本実施形態では、第１格子７は、Ｘ線源１から照射されたＸ線を回折するように格子パターンが形成されている。具体的には、第１格子７は、通過するＸ線の位相を変化させる回折格子（位相格子）として構成されている。第１格子７は、図２に示すように、略Ｙ方向に所定の周期（格子ピッチ）７ｃで配列されるスリット７ａおよびＸ線吸収部７ｂを有している。各スリット７ａおよびＸ線吸収部７ｂは、略Ｘ方向に延びるように形成されている。

第１格子７は、Ｘ線源１と第２格子８との間に配置されており、Ｘ線源１から照射されたＸ線により（タルボ効果によって）自己像を形成するために設けられている。なお、タルボ効果とは、可干渉性を有するＸ線が、スリットが形成された格子を通過すると、格子から所定の距離（タルボ距離）離れた位置に、格子の像（自己像）が形成されることを意味する。

第２格子８は、第１格子７と同様に、略Ｙ方向に所定の周期（格子ピッチ）８ｃで配列される複数のスリット８ａおよびＸ線吸収部８ｂを有している。各スリット８ａおよびＸ線吸収部８ｂは、略Ｘ方向に延びるように形成されている。

第２格子８は、第１格子７と検出器２との間に配置されており、第１格子７により形成された自己像と干渉させるために設けられている。第２格子８は、自己像と第２格子８とを干渉させるために、第１格子７からタルボ距離だけ離れた位置に配置されている。なお、第１格子７により形成された自己像と第２格子８とが干渉することにより、検出面上には、自己像の格子ピッチよりも大きい周期を有するモアレ（図示せず）が形成される。

線源格子９は、Ｘ線源１と第１格子７との間に配置されている。線源格子９は、略Ｙ方向に所定の周期（格子ピッチ）９ｃで配列される複数のスリット９ａおよびＸ線吸収部９ｂを有している。各スリット９ａおよびＸ線吸収部９ｂは、略Ｘ方向に延びるように形成されている。線源格子９は、Ｘ線源１から照射されたＸ線を微小焦点化することが可能な格子（マルチスリット）として構成されている。言い換えると、線源格子９は、Ｘ線源１から照射されるＸ線の可干渉性を向上させるように構成されている。

また、図２に示すように、第３格子１０は、Ｘ線源１から照射されたＸ線を回折、または、照射されたＸ線の一部を遮蔽するように第２格子パターンが形成されている。本実施形態では、第３格子１０は、Ｘ線源１から照射されたＸ線を回折するように格子パターンが形成されている。具体的には、第３格子１０は、通過するＸ線の位相を変化させる回折格子（位相格子）として構成されている。第３格子１０は、図２に示すように、略Ｘ方向に所定の周期（格子ピッチ）１０ｃで配列されるスリット１０ａおよびＸ線吸収部１０ｂを有している。各スリット１０ａおよびＸ線吸収部１０ｂは、略Ｙ方向に延びるように形成されている。すなわち、第３格子１０は、第２格子パターンの方向が、第１格子パターンの方向と直交する方向となるように配置されている。

第３格子１０は、Ｘ線源１と第４格子１１との間に配置されており、Ｘ線源１から照射されたＸ線により（タルボ効果によって）自己像を形成するために設けられている。

第４格子１１は、第３格子１０と同様に、略Ｘ方向に所定の周期（格子ピッチ）１１ｃで配列される複数のスリット１１ａおよびＸ線吸収部１１ｂを有している。各スリット１１ａおよびＸ線吸収部１１ｂは、略Ｙ方向に延びるように形成されている。

第４格子１１は、第３格子１０と検出器２との間に配置されており、第３格子１０により形成された自己像と干渉させるために設けられている。第４格子１１は、自己像と第４格子１１とを干渉させるために、第３格子１０からタルボ距離だけ離れた位置に配置されている。なお、第３格子１０により形成された自己像と第４格子１１とが干渉することにより、検出面上には、自己像の格子ピッチよりも大きい周期を有するモアレ（図示せず）が形成される。

線源格子１２は、Ｘ線源１と第３格子１０との間に配置されている。線源格子１２は、略Ｙ方向に所定の周期（格子ピッチ）１２ｃで配列される複数のスリット１２ａおよびＸ線吸収部１２ｂを有している。各スリット１２ａおよびＸ線吸収部１２ｂは、略Ｘ方向に延びるように形成されている。線源格子１２は、Ｘ線源１から照射されたＸ線を微小焦点化することが可能な格子（マルチスリット）として構成されている。言い換えると、線源格子１２は、Ｘ線源１から照射されるＸ線の可干渉性を向上させるように構成されている。

ここで、位相コントラスト画像２１では、格子パターンと直交する方向におけるＸ線の変化に対して感度を有しているため、被写体９０のうち、格子パターンと直交する方向に延びる部分が画像化され、格子パターンに沿った方向に延びる部分は画像化されない。そこで、本実施形態では、第１格子群における格子パターンの方向と、第２格子群における格子パターンの方向とが、互いに直交する方向となるように、第１格子群に含まれる各格子、および、第２格子群に含まれる各格子を配置する。

（画像処理部が生成する画像）
次に、図３〜図６を参照して、画像処理部３が生成する画像について説明する。

本実施形態では、図３に示すように、画像処理部３は、検出器２によって検出されたＸ線に基づいて、吸収像２０を生成する。具体的には、画像処理部３は、複数の格子を通過せずに検出されたＸ線に基づいて、吸収像２０を生成する。本実施形態では、画像処理部３は、被写体９０と、Ｘ線を検出する検出器２のうちの複数の格子を通過せずに到達したＸ線を検出する領域である第１検出領域７６との相対位置を変化させて取得された複数の第１Ｘ線画像２４に基づいて、吸収像２０を生成する。本実施形態では、画像処理部３は、複数の第１Ｘ線画像２４として、第１Ｘ線画像２４ａ〜第１Ｘ線画像２４ｄの４枚の画像を用いて、吸収像２０を生成する。第１検出領域７６のＸ方向における大きさが被写体９０のＸ方向における大きさよりも小さい場合、各第１Ｘ線画像２４には、被写体９０の全体が写らない。そこで、画像処理部３は、各第１Ｘ線画像２４を合成することにより、被写体９０の全体が写る吸収像２０を生成する。なお、図３に示す例では、便宜上、画像処理部３が４枚の第１Ｘ線画像２４を用いて吸収像２０を生成する例を示しているが、実際には、４枚以上の第１Ｘ線画像２４を用いて、吸収像２０を生成する。たとえば、画像処理部３は、６００枚程度の第１Ｘ線画像２４を用いて、吸収像２０を生成する。

被写体９０には、特定部位４０と、非特定部位４１とが含まれる。特定部位４０と、非特定部位４１とは、互いにＸ線の吸収特性が略等しい場合、吸収像２０において識別することが困難である。なお、図３に示す例では、特定部位４０および非特定部位４１が互いにＸ線の吸収感度が略等しい場合であり、互いに破線で図示することにより、識別が困難な状況を示している。本実施形態では、被写体９０は、被験者の乳房であり、特定部位４０は、乳がんである。また、非特定部位４１は、乳腺である。

また、本実施形態では、図４に示すように、画像処理部３は、複数の第１Ｘ線画像２４に基づいて第１断層画像２５を生成する。複数の第１Ｘ線画像２４は、第１検出領域７６において、被写体９０をＸ方向に移動させながら撮影された画像である。そのため、画像処理部３は、複数の第１Ｘ線画像２４を用いることにより、いわゆるトモシンセシスによる手法と同様に、第１断層画像２５を生成する。

また、図５に示すように、画像処理部３は、被写体９０と、検出器２のうちの複数の格子を通過して到達したＸ線を検出する領域である第２検出領域７７との相対位置を変化させて取得された複数の第２Ｘ線画像２６に基づいて、位相コントラスト画像２１を生成する。具体的には、画像処理部３は、複数の第２Ｘ線画像２６と、第２検出領域７７において、被写体９０を配置していない状態で撮影された複数の第３Ｘ線画像２７とに基づいて、位相コントラスト画像２１を生成する。

図５に示すように、複数の第２Ｘ線画像２６は、第２Ｘ線画像２６ａ〜第２Ｘ線画像２６ｄを含む。また、複数の第３Ｘ線画像２７は、第３Ｘ線画像２７ａ〜第３Ｘ線画像２７ｄを含む。画像処理部３は、第２Ｘ線画像２６ａ〜第２Ｘ線画像２６ｄに基づいて、第１強度信号曲線を取得する。また、画像処理部３は、第３Ｘ線画像２７ａ〜第３Ｘ線画像２７ｄに基づいて、第２強度信号曲線を取得する。画像処理部３は、第１強度信号曲線と第２強度信号曲線とに基づいて、位相コントラスト画像２１を生成する。

位相コントラスト画像２１は、Ｘ線の位相差を画像化した画像である。そのため、Ｘ線の吸収感度が略等しい特定部位４０と、非特定部位４１とにおいて、Ｘ線の位相差が異なる場合、図５に示すように、位相コントラスト画像２１において、特定部位４０と、非特定部位４１とが識別可能に写る。

また、図６に示すように、画像処理部３は、複数の第１Ｘ線画像２４とは異なる相対位置において撮像された複数の第２Ｘ線画像２６に基づいて第２断層画像２８を生成する。画像処理部３は、第２断層画像２８についても、いわゆるトモシンセシスと同様の手法で、第２断層画像２８を生成する。

（特定部位抽出画像生成）
次に、図７を参照して、本実施形態による画像処理部３、特定部位抽出画像２３を生成する構成について説明する。

本実施形態では、画像処理部３は、第１学習済みモデル５１（図１参照）を用いて、吸収像２０および位相コントラスト画像２１の一方画像から他方画像を推定し推定画像２２を生成する。第１学習済みモデル５１は、第１学習モデル５０を、教師用吸収像３０（図９参照）と教師用位相コントラスト画像３１（図９参照）とを教師データとして学習することにより取得される。また、画像処理部３は、他方画像と推定画像２２とに基づいて被写体９０の特定部位４０を抽出する。また、画像処理部３は、特定部位４０が識別可能に表示された特定部位抽出画像２３を生成するように構成されている。本実施形態では、画像処理部３は、吸収像２０から位相コントラスト画像２１を推定することにより、推定画像２２を生成する。すなわち、本実施形態では、一方画像は、吸収像２０であり、他方画像は、位相コントラスト画像２１である。一方画像が吸収像２０である場合、推定画像２２は、被写体９０に特定部位４０が含まれている場合でも、推定画像２２においては、特定部位４０が画像化されない。すなわち、特定部位４０が画像化されない点が推定画像２２と位相コントラスト画像２１との相違点である。その他の部位（非特定部位４１）に関しては、推定画像２２においても位相コントラスト画像２１においても画像化される。

本実施形態では、画像処理部３は、他方画像と推定画像２２とにおける、特定部位４０のコントラストの差異に基づいて、特定部位４０を抽出する。具体的には、画像処理部３は、位相コントラスト画像２１と推定画像２２とに基づいて、特定部位抽出画像２３を生成する。

なお、吸収像２０および位相コントラスト画像２１には、生成する際のノイズが生じる場合がある。そこで、本実施形態では、画像処理部３は、吸収像２０および位相コントラスト画像２１のノイズを除去するように構成されている。また、画像処理部３は、ノイズを除去した後の吸収像２０に基づいて推定画像２２を生成するように構成されていている。また、画像処理部３は、ノイズを除去した後の位相コントラスト画像２１と、ノイズを除去した後の吸収像２０に基づいて生成された推定画像２２とに基づいて特定部位４０を抽出するように構成されていている。

また、本実施形態では、画像処理部３は、被写体９０を移動させながら撮影された複数の第１Ｘ線画像２４に基づいて生成された吸収像２０と、被写体９０を移動させながら撮影された複数の第２Ｘ線画像２６に基づいて生成された位相コントラスト画像２１とに基づいて、特定部位抽出画像２３を生成する。被写体９０を移動させながら撮影するため、複数の第１Ｘ線画像２４および複数の第２Ｘ線画像２６の各々が撮影された際の、被写体９０とＸ線源１との相対位置が異なる。そのため、第１Ｘ線画像２４に写る被写体９０の形状と、第２Ｘ線画像２６に写る被写体９０の形状とが、互いに異なる場合がある。

そこで、本実施形態では、画像処理部３は、第１断層画像２５および第２断層画像２８に基づいて、吸収像２０に写る被写体９０の形状と、位相コントラスト画像２１に写る被写体９０の形状とのうち、いずれかの画像に写る被写体９０の形状を、他方の画像に写る被写体９０の形状に整合させる補正を行うように構成されている。本実施形態では、画像処理部３は、位相コントラスト画像２１に写る被写体９０の形状を、吸収像２０に写る被写体９０の形状と整合させる補正を行う。具体的には、画像処理部３は、第１断層画像２５のスライス画像を取得する。また、画像処理部３は、第２断層画像２８のスライス画像を取得する。そして、画像処理部３は、第１断層画像２５のスライス画像と、第２断層画像２８のスライス画像とを比較し、吸収像２０に写る被写体９０の形状と位相コントラスト画像２１に写る被写体９０の形状との差異を取得する。画像処理部３は、取得した被写体９０の形状の差異に基づいて、位相コントラスト画像２１に写る被写体９０の形状を補正する。

本実施形態では、図７に示すように、画像処理部３は、ノイズが除去された吸収像２０から推定された推定画像２２と、被写体９０の形状が補正された補正後の位相コントラスト画像２１ａとに基づいて、特定部位抽出画像２３を生成する。本実施形態では、画像処理部３は、たとえば、補正後の位相コントラスト画像２１ａを推定画像２２によって除算することにより、特定部位抽出画像２３を生成する。

推定画像２２においては、特定部位４０が画像化されない。一方、補正後の位相コントラスト画像２１ａでは、特定部位４０が画像化されている。したがって、補正後の位相コントラスト画像２１ａを推定画像２２によって除算することにより、特定部位４０のコントラストが鮮明となるため、特定部位抽出画像２３において、特定部位４０を非特定部位４１と識別することができる。

図７に示すように、特定部位抽出画像２３では、特定部位４０と、非特定部位４１とが、互いに識別可能に表示されている。なお、図７に示す例では、特定部位４０を実線で図示し、非特定部位４１を破線で図示することにより、特定部位４０と、非特定部位４１とが、互いに識別可能な状態であることを示している。

次に、図８を参照して、Ｘ線画像の生成方法１０１の処理について説明する。

図８に示すように、Ｘ線画像の生成方法１０１は、第１学習モデル５０を教師用吸収像３０と教師用位相コントラスト画像３１とを教師データとして学習することにより、第１学習済みモデル５１を取得するステップ１０１ａと、吸収像２０を取得するステップ１０１ｂと、位相コントラスト画像２１を取得するステップ１０１ｃと、第１断層画像２５を取得するステップ１０１ｄと、第２断層画像２８を取得するステップ１０１ｅと、被写体９０の形状を整合させるステップ１０１ｆと、吸収像２０および位相コントラスト画像２１のノイズを除去するステップ１０１ｇと、被写体９０の表面形状の情報６０を取得するステップ１０１ｈと、推定画像２２を生成するステップ１０１ｉと、特定部位４０を抽出するステップ１０１ｊと、特定部位抽出画像２３を生成するステップ１０１ｋとを含む。

ステップ１０１ａにおいて、画像処理部３は、第１学習済みモデル５１を取得する。なお、ステップ１０１ａの処理は、特定部位抽出画像２３を生成する前に、予め行われている。第１学習済みモデル５１を取得する構成の詳細については、後述する。

ステップ１０１ｂにおいて、画像処理部３は、複数の格子を通過せずに検出されたＸ線に基づいて生成された吸収像２０を取得する。

ステップ１０１ｃにおいて、画像処理部３は、複数の格子を通過した後に検出されたＸ線に基づいて生成された位相コントラスト画像２１を取得する。

ステップ１０１ｄにおいて、画像処理部３は、複数の第１Ｘ線画像２４に基づいて第１断層画像２５を取得する。

ステップ１０１ｅにおいて、画像処理部３は、複数の第１Ｘ線画像２４とは異なる相対位置において撮像された複数の第２Ｘ線画像２６に基づいて第２断層画像２８を取得する。

ステップ１０１ｆにおいて、画像処理部３は、第１断層画像２５および第２断層画像２８に基づいて、吸収像２０に写る被写体９０の形状と、位相コントラスト画像２１に写る被写体９０の形状とのうち、いずれかの画像に写る被写体９０の形状を、他方の画像に写る被写体９０の形状に整合させる補正を行う。

ステップ１０１ｇにおいて、画像処理部３は、吸収像２０および位相コントラスト画像２１のノイズを除去する。

ステップ１０１ｈにおいて、画像処理部３は、被写体９０の表面形状の情報６０を取得する。

ステップ１０１ｉでは、教師用吸収像３０と教師用位相コントラスト画像３１とを教師データとして学習した第１学習済みモデル５１を用いて、吸収像２０および位相コントラスト画像２１のうちの一方画像から他方画像を推定することにより推定画像２２を生成する。具体的には、画像処理部３は、吸収像２０を第１学習済みモデル５１に入力し、吸収像２０から位相コントラスト画像２１を推定することにより、推定画像２２を生成する。また、画像処理部３は、特定部位抽出画像２３を生成する際には、予めノイズを除去した後の吸収像２０に基づいて推定画像２２を生成する。

ステップ１０１ｊにおいて、画像処理部３は、他方画像と推定画像２２とに基づいて被写体９０の特定部位４０を抽出する。具体的には、画像処理部３は、他方画像と推定画像２２とにおける、特定部位４０のコントラストの差異に基づいて、特定部位４０を抽出する。また、画像処理部３は、特定部位４０を抽出する際には、ノイズを除去した後の位相コントラスト画像２１と、ノイズを除去した後の吸収像２０に基づいて生成された推定画像２２とに基づいて特定部位４０を抽出する。また、画像処理部３は、特定部位４０を抽出する際には、被写体９０の形状を整合させる補正を行った後の位相コントラスト画像２１ａと推定画像２２とに基づいて特定部位４０を抽出する。

ステップ１０１ｋにおいて、画像処理部３は特定部位４０が識別可能に表示された特定部位抽出画像２３を生成する。具体的には、画像処理部３は、位相コントラスト画像２１と推定画像２２とに基づいて、特定部位抽出画像２３を生成する。

本実施形態におけるＸ線画像の生成方法１０１は、ステップ１０１ｂ〜ステップ１０１ｊの処理を行うことにより、吸収像２０および位相コントラスト画像２１から、特定部位抽出画像２３を生成する。

（画像処理方法）
図９は、本実施形態による画像処理方法の流れを示したブロック図である。図９に示すように、本実施形態では、画像処理方法は、大きく分けて、Ｘ線画像の生成方法１０１と、第１学習モデル５０の学習方法２０１と、を含む。

図９に示すように、本実施形態によるＸ線画像の生成方法１０１では、吸収像２０、位相コントラスト画像２１と、第１学習済みモデル５１とを用いて、特定部位抽出画像２３を生成する。

また、図９に示すように、本実施形態による第１学習モデル５０の学習方法２０１では、教師用吸収像３０と、教師用位相コントラスト画像３１と、被写体９０の表面形状の情報６０とに基づいて、教師用吸収像３０から、推定画像３２を推定する方法を、第１学習モデル５０に学習させることにより、第１学習済みモデル５１を生成する。なお、教師用吸収像３０は、吸収像２０と同様の方法で生成された画像である。また、教師用位相コントラスト画像３１は、位相コントラスト画像２１と同様の方法で生成された画像である。第１学習モデル５０の種類は特に限定されない。第１学習モデル５０は、たとえば、図９に示す畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ＣＮＮ）であるか、畳み込みニューラルネットワークを一部に含む。

（学習済みモデル生成）
図１０に示すように、本実施形態による第１学習モデル５０の学習方法２０１は、Ｘ線源１から照射されたＸ線を受ける複数の格子を通過したＸ線に基づいて生成されたＸ線画像を用いた学習モデルの学習方法である。

具体的には、第１学習モデル５０の学習方法２０１において、教師用吸収像３０と教師用位相コントラスト画像３１とを教師データとして、第１学習モデル５０に学習させる。本実施形態では、教師用吸収像３０から推定することにより位相コントラスト推定画像を生成するか、または、教師用位相コントラスト画像３１から推定することにより吸収推定像を生成することを、第１学習モデル５０に学習させる。すなわち、本実施形態では、第１学習モデル５０の学習方法２０１では、教師用吸収像３０が入力された際に、教師用位相コントラスト画像３１を出力するように、第１学習モデル５０を学習させる。教師用吸収像３０および教師用位相コントラスト画像３１の生成方法は、上記吸収像２０および上記位相コントラスト画像２１の生成方法と同様であるため、詳細な説明は省略する。

図１０に示す例では、教師用吸収像３０から、位相コントラスト推定画像（教師用位相コントラスト画像３１）を生成することを第１学習モデル５０に学習させる。

また、本実施形態では、図１０に示すように、教師データとして、検出部位４２および検出部位４２の周辺部分を含む範囲を撮像した、吸収像２０および／または位相コントラスト画像２１を用いて、第１学習モデル５０を学習させる。なお、本実施形態では、吸収像２０および位相コントラスト画像２１を用いて、第１学習モデル５０を学習させる。検出部位４２は、乳腺である。また、教師用吸収像３０および教師用位相コントラスト画像３１は、被写体９０として、被験者の乳房が写る画像である。また、検出部位４２の周辺部分を含む範囲とは、検出部位４２の周囲にある組織などを含む範囲である。本実施形態では、被写体９０が乳房であるため、検出部位４２の周辺部分を含む範囲とは、乳房全体が写る範囲である。

なお、教師用吸収像３０および教師用位相コントラスト画像３１は、特定部位４０が含まれていない被写体９０を撮影することにより得られた画像である。したがって、教師用吸収像３０および教師用位相コントラスト画像３１には、特定部位４０は写っておらず、検出部位４２が写っている。本実施形態では、特定部位４０が写っていない教師用データを用いて第１学習モデル５０を学習させた第１学習済みモデル５１を用いて、吸収像２０から推定画像２２を生成する。したがって、吸収像２０に特定部位４０が含まれている場合でも、推定画像２２には、特定部位４０が写らない。

本実施形態では、位相コントラスト画像２１に写る特定部位４０と、推定画像２２に写らない特定部位４０とに基づいて、特定部位４０が識別可能な特定部位抽出画像２３を生成する。したがって、第１学習モデル５０を学習させるために用いる教師用データには、特定部位４０が写っていなくてもよい。すなわち、第１学習モデル５０を学習させるために、特定部位４０が写る教師用データを入力しなくてもよい。また、第１学習モデル５０を学習させるために、特定部位４０のラベル画像を準備する必要もないため、大量の教師用データを容易に準備することができる。

次に、図１１を参照して、第１学習モデル５０を学習させる処理について説明する。

図１１に示すように、第１学習モデル５０の学習方法２０１は、教師用吸収像３０を取得するステップ２０１ａと、教師用位相コントラスト画像３１を取得するステップ２０１ｂと、被写体９０の表面形状の情報６０を取得するステップ２０１ｃと、第１学習モデル５０を学習させるステップ２０１ｄとを含む。

ステップ２０１ａでは、Ｘ線を検出する検出器２に到達したＸ線に基づいて生成された被写体９０の教師用吸収像３０を取得する。具体的には、ステップ２０１ａでは、複数の格子を通過せずにＸ線を検出する検出器２に到達したＸ線に基づいて生成された被写体９０の教師用吸収像３０を取得する。

ステップ２０１ｂでは、複数の格子を通過した後に検出器２に到達したＸ線に基づいて生成された被写体９０の教師用位相コントラスト画像３１を取得する。

ステップ２０１ｄでは、教師用吸収像３０と教師用位相コントラスト画像３１とを教師データとして、教師用吸収像３０から推定することにより位相コントラスト推定画像を生成するか、または、位相コントラスト画像２１から推定することにより吸収推定像を生成するように第１学習モデル５０を学習させる。また、ステップ２０１ｄにおいて第１学習モデル５０を学習させる際には、教師データとして、検出部位４２および検出部位４２の周辺部分を含む範囲を撮像した、教師用吸収像３０および教師用位相コントラスト画像３１を用いて、第１学習モデル５０を学習させる。また、ステップ２０１ｄにおいて第１学習モデル５０を学習させる際には、教師データとして、教師用吸収像３０および教師用位相コントラスト画像３１とともに、被写体９０の表面形状の情報６０を用いて、第１学習モデル５０を学習させる。

ステップ２０１ａ〜ステップ２０１ｄの処理が繰り返し行うことにより、第１学習モデル５０を学習させ、第１学習済みモデル５１を生成する。

（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、上記のように、Ｘ線画像の生成方法は、Ｘ線源１から照射されたＸ線を受ける複数の格子を通過したＸ線に基づくＸ線画像の生成方法であって、検出されたＸ線に基づいて生成された吸収像２０を取得するステップと、複数の格子を通過した後に検出されたＸ線に基づいて生成された位相コントラスト画像２１を取得するステップと、第１学習済みモデル５１を用いて、吸収像２０および位相コントラスト画像２１のうちの一方画像から他方画像を推定することにより推定画像２２を生成するステップと、他方画像と推定画像２２とに基づいて被写体９０の特定部位４０を抽出するステップと、を備える。

これにより、位相コントラスト画像２１および推定画像２２によって特定部位４０が抽出されることによって、吸収像２０では識別が困難である特定部位４０と非特定部位４１とを識別することができる。その結果、Ｘ線吸収量の差異が小さい特定部位４０とその他の部位とであっても、特定部位４０とその他の部位とを識別することが可能なＸ線画像（特定部位抽出画像２３）の生成方法を提供することができる。

また、本実施形態では、上記のように、第１学習モデル５０の学習方法は、Ｘ線源１から照射されたＸ線を受ける複数の格子を通過したＸ線に基づいて生成されたＸ線画像を用いた学習モデルの学習方法であって、Ｘ線を検出する検出器２に到達したＸ線に基づいて生成された被写体９０の吸収像２０を取得するステップと、複数の格子を通過した後に検出器２に到達したＸ線に基づいて生成された被写体９０の位相コントラスト画像２１を取得するステップと、吸収像２０と位相コントラスト画像２１とを教師データとして、吸収像２０から推定することにより位相コントラスト推定画像を生成するか、または、位相コントラスト画像２１から推定することにより吸収推定像を生成するように第１学習モデル５０を学習させるステップと、を含む。

これにより、吸収像（教師用吸収像３０）から推定することにより位相コントラスト推定画像（教師用位相コントラスト画像３１）を生成するように学習された学習モデル（第１学習モデル５０）を用いることにより、被写体９０に特定部位４０が含まれる場合であっても、特定部位４０が識別できない位相コントラスト推定画像（位相コントラスト画像２１）が生成される。また、位相コントラスト画像（教師用位相コントラスト画像３１）から推定することにより吸収推定像（教師用吸収像３０）を生成するように学習された学習モデルを用いることにより、特定部位４０が識別可能な吸収像が生成される。そのため、上記学習方法によって学習された学習済みモデル（第１学習済みモデル５１）を用いて推定された推定画像２２と、実際に撮像した画像（位相コントラスト画像２１）とにおいて、特定部位４０にコントラストの差がついた特定部位抽出画像２３を生成することができる。その結果、学習済みモデルを用いて推定された推定画像２２と、実際に撮像した画像とに基づいて、特定部位４０とその他の部位（非特定部位４１）とを識別することが可能なＸ線画像（特定部位抽出画像２３）を生成することができる。

また、本実施形態では、上記のように、Ｘ線位相画像撮影装置１００は、Ｘ線源１と、Ｘ線源１から照射されたＸ線を受ける複数の格子と、Ｘ線源１から照射されたＸ線を検出する検出器２と、検出器２によって検出されたＸ線に基づいて被写体９０の吸収像２０を生成するとともに、複数の格子を通過した後に検出器２によって検出されたＸ線に基づいて被写体９０の位相コントラスト画像２１を生成する画像処理部３と、を備え、画像処理部３は、教師用吸収像３０と教師用位相コントラスト画像３１とを教師データとして学習した第１学習済みモデル５１を用いて、吸収像２０および位相コントラスト画像２１の一方画像から他方画像を推定し推定画像２２を生成するとともに、他方画像と推定画像２２とに基づいて被写体９０の特定部位４０を抽出するように構成されている。

これにより、上記第１の局面によるＸ線画像の生成方法と同様に、Ｘ線吸収量の差異が小さい特定部位とその他の部位とであっても、特定部位とその他の部位とを識別することが可能なＸ線位相画像撮影装置を提供することができる。

また、上記実施形態では、以下のように構成したことによって、下記のような更なる効果が得られる。

すなわち、本実施形態では、上記のように、第１学習モデル５０を教師用吸収像３０と教師用位相コントラスト画像３１とを教師データとして学習することにより、第１学習済みモデル５１を取得するステップを含む。これにより、教師用吸収像３０と教師用位相コントラスト画像３１とによって学習された第１学習済みモデル５１を用いて吸収像２０および位相コントラスト画像２１の一方画像から他方画像を容易に推定することができる。

また、特定部位４０を抽出するステップにおいて、他方画像と推定画像２２とにおける、特定部位４０のコントラストの差異に基づいて、特定部位４０を抽出する。これにより、他方画像と推定画像２２とに基づいて、容易に特定部位４０を抽出することができる。その結果、特定部位４０を抽出した特定部位抽出画像２３を容易に生成することができる。

また、本実施形態では、上記のように、推定画像２２を生成するステップにおいて、吸収像２０から位相コントラスト画像２１を推定することにより、推定画像２２を生成し、特定部位４０を抽出するステップにおいて、位相コントラスト画像２１と推定画像２２とに基づいて、特定部位４０を抽出する。これにより、特定部位４０および非特定部位４１の識別が困難な吸収像２０から、位相コントラスト画像２１を推定することにより、特定部位４０および非特定部位４１が識別されていない推定画像２２を生成することができる。その結果、特定部位４０および非特定部位４１が識別されていない推定画像２２と特定部位４０および非特定部位４１が識別されている位相コントラスト画像２１とに基づいて、特定部位４０を抽出することにより、特定部位４０および非特定部位４１の識別が困難な吸収像２０から特定部位４０を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、吸収像２０および位相コントラスト画像２１のノイズを除去するステップをさらに含み、推定画像２２を生成するステップにおいて、ノイズを除去した後の吸収像２０に基づいて推定画像２２を生成し、特定部位４０を抽出するステップにおいて、ノイズを除去した後の位相コントラスト画像２１と、ノイズを除去した後の吸収像２０に基づいて生成された推定画像２２とに基づいて特定部位４０を抽出する。これにより、推定画像２２を生成する際に、吸収像２０および位相コントラスト画像２１のノイズによって、特定部位４０の抽出精度が低下することを抑制することができる。

また、本実施形態では、上記のように、吸収像２０を取得するステップは、複数の格子を通過せずに検出されたＸ線に基づいて、吸収像２０を生成する。ここで、格子を通過せずに到達したＸ線を用いて生成された吸収像２０は、格子を通過した後に到達したＸ線を用いて検出された吸収像よりも、コントラストが鮮明となる。したがって、上記のように構成することにより、特定部位４０および非特定部位４１のコントラストが向上した吸収像２０を生成することができる。そのため、吸収像から位相コントラスト画像２１を推定した推定画像２２を生成する際に、特定部位４０および非特定部位４１のコントラストが向上した推定画像２２を生成することができる。その結果、特定部位４０および非特定部位４１のコントラストが向上した推定画像２２を用いて特定部位４０を抽出することが可能となるため、特定部位４０の抽出精度を向上させることができる。

また、本実施形態では、上記のように、吸収像２０は、被写体９０と、Ｘ線を検出する検出器２のうちの複数の格子を通過せずに到達したＸ線を検出する領域である第１検出領域７６との相対位置を変化させて取得された複数の第１Ｘ線画像２４に基づいて生成され、位相コントラスト画像２１は、被写体９０と、検出器２のうちの複数の格子を通過して到達したＸ線を検出する領域である第２検出領域７７との相対位置を変化させて取得された複数の第２Ｘ線画像２６に基づいて生成される。これにより、複数の格子を配置した状態のままで、被写体９０と第１検出領域７６との相対位置を変化させて行う撮影と、被写体９０と第２検出領域７７との相対位置を変化させて行う撮影とを行うことにより、複数の格子を配置した状態のままで、複数の第１Ｘ線画像２４および複数の第２Ｘ線画像２６を取得することができる。その結果、操作者が複数の格子を配置した状態において複数の第２Ｘ線画像２６を撮影した後、操作者が複数の格子を退避させることにより複数の第１Ｘ線画像２４を撮影する構成と比較して、操作者の負担が増加することを抑制することができる。

また、本実施形態では、上記のように、複数の第１Ｘ線画像２４に基づいて第１断層画像２５を取得するステップと、複数の第１Ｘ線画像２４とは異なる相対位置において撮像された複数の第２Ｘ線画像２６に基づいて第２断層画像２８を取得するステップと、第１断層画像２５および第２断層画像２８に基づいて、吸収像２０に写る被写体９０の形状と、位相コントラスト画像２１に写る被写体９０の形状とのうち、いずれかの画像に写る被写体９０の形状を、他方の画像に写る被写体９０の形状に整合させる補正を行うステップと、をさらに含み、特定部位抽出画像２３を生成するステップにおいて、被写体９０の形状を整合させる補正を行った後の位相コントラスト画像２１ａと推定画像２２とに基づいて特定部位４０を抽出する。これにより、吸収像２０と位相コントラスト画像２１とにおいて被写体９０の形状が異なることを抑制することができるので、推定画像２２を生成する際に、精度よく推定画像２２を生成することができる。

また、本実施形態では、上記のように、特定部位４０が識別可能に表示された特定部位抽出画像２３を生成するステップをさらに含む。これにより、特定部位４０が識別可能に表示された特定部位抽出画像２３を表示させることが可能となるので、操作者が特定部位抽出画像２３を確認することにより、特定部位４０と非特定部位４１とを容易に識別することができる。

また、本実施形態では、上記のように、被写体９０は、被験者の乳房であり、特定部位４０は、乳がんである。これにより、乳がんと乳房とを識別することが可能な特定部位抽出画像２３を生成することができる。その結果、乳がんの診断制度を向上させることができる。

また、本実施形態では、上記のように、第１学習モデル５０を学習させるステップにおいて、教師データとして、検出部位４２および検出部位４２の周辺部分を含む範囲を撮像した、吸収像（教師用吸収像３０）および／または位相コントラスト画像（教師用位相コントラスト画像３１）を用いて、第１学習モデル５０を学習させる。これにより、教師データとして用いる吸収像および位相コントラスト画像において、検出部位４２および検出部位４２の周辺部分を含む範囲が写るので、検出部位４２と、検出部位４２以外の部位との位置関係を含めて第１学習モデル５０を学習させることができる。その結果、第１学習モデル５０に学習させる情報を増加させることが可能となるので、第１学習済みモデル５１によって吸収像から位相コントラスト画像を推定する際の推定精度を向上させることができる。

また、本実施形態では、上記のように、第１学習モデル５０を学習させるステップにおいて、教師データとして、吸収像（教師用吸収像３０）および位相コントラスト画像（教師用位相コントラスト画像３１）とともに、被写体９０の表面形状の情報６０を用いて、第１学習モデル５０を学習させる。ここで、位相コントラスト画像２１は、被写体９０によるＸ線の位相の差に基づいて画像化された画像である。そのため、位相コントラスト画像２１では、被写体９０の特定部位４０および非特定部位４１のみならず、被写体９０の表面においてもＸ線の位相差が生じる。そこで、上記のように構成することにより、第１学習モデル５０に対して、被写体９０の表面形状の情報６０に基づいて、位相コントラスト画像２１に写る被写体９０の表面形状を併せて学習させることができる。その結果、被写体９０における特定部位４０、非特定部位４１、および、被写体９０と背景との境界部分を学習させることが可能となるので、第１学習済みモデル５１によって吸収像から位相コントラスト画像を推定する際の推定精度を向上させることができるとともに、第１学習済みモデル５１によって生成される特定部位抽出画像２３における特定部位４０の検出精度を向上させることができる。

［変形例］
今回開示された実施形態は、全ての点で例示であり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全ての変更（変形例）が含まれる。

たとえば、上記実施形態では、教師用データとして、検出部位４２および検出部位４２の周辺部分を含む範囲を撮像した、教師用吸収像３０および教師用位相コントラスト画像３１を用いて、第１学習モデル５０を学習させる構成の例を示したが、本発明はこれに限られない。たとえば、図１２に示す第１変形例のように、教師データとして、教師用吸収像３０の一部であり、かつ、少なくとも被写体９０の検出部位４２が写る第１領域８０と、教師用位相コントラスト画像３１の一部であり、かつ、第１領域８０と同様に検出部位４２が写る第２領域８１とを用いて、第１学習モデル５０を学習させてもよい。すなわち、上記実施形態における第１学習モデル５０を学習させるステップ２０１ｄの代わりに、教師データとして、吸収像２０の一部であり、かつ、少なくとも被写体９０の検出部位４２が写る第１領域８０と、位相コントラスト画像２１の一部であり、かつ、第１領域８０と同様に検出部位４２が写る第２領域８１とを用いて、第１学習モデル５０を学習させてもよい。

第１変形例では、上記のように、第１学習モデル５０を学習させるステップにおいて、教師データとして、吸収像２０（教師用吸収像３０）の一部であり、かつ、少なくとも被写体９０の検出部位４２が写る第１領域８０と、位相コントラスト画像（教師用位相コントラスト画像３１）の一部であり、かつ、第１領域８０と同様に検出部位４２が写る第２領域８１とを用いて、第１学習モデル５０を学習させる。これにより、吸収像２０（教師用吸収像３０）の全体と、位相コントラスト画像（教師用位相コントラスト画像３１）の全体とを用いて第１学習モデル５０を学習させる場合と比較して、学習の際の処理負荷を低減することができる。

また、上記実施形態では、吸収像２０と位相コントラスト画像２１と被写体９０の表面形状の情報６０とを用いて、第１学習モデル５０を学習させる構成の例を示したが、本発明はこれに限られない。たとえば、第２変形例では、吸収像２０の代わりに、第１吸収像２０ａ（図１４参照）と、第２吸収像２０ｂ（図１４参照）とを用いて、第１学習モデル５０を学習させる。

図１３に示すように、第２変形例による検出器２は、第１検出部２ａと、第２検出部２ｂとを含む。第１検出部２ａと第２検出部２ｂとは、Ｘ線の照射軸７０方向（Ｚ方向）に積層されている。第２吸収像２０ｂは、第１検出部２ａとはＸ線の吸収感度が異なる。第１検出部２ａは、たとえば、ＣｓＩ（ヨウ化セシウム）を含む。また、第２検出部２ｂは、たとえば、ＧＯＳ（ガドリニウムオキサイドサルファ）を含む。

図１４に示すように、第１吸収像２０ａは、検出器２の第１検出部２ａ（図１３参照）に到達したＸ線に基づいて画像化された吸収像である。また、第２吸収像２０ｂは、第１検出部２ａとはＸ線の吸収感度が異なる第２検出部２ｂ（図１３参照）に到達したＸ線に基づいて画像化された吸収像である。

第１吸収像２０ａと、第２吸収像２０ｂとは、Ｘ線の吸収感度が異なる検出部によって検出されたＸ線によって画像化されているため、第１吸収像２０ａでは、検出部位４２および第２非特定部位４３が写っているが、第２吸収像２０ｂでは、検出部位４２が写っておらず、第２非特定部位４３が写っている。第２非特定部位４３は、たとえば、乳腺が石灰化した部位である。乳腺の石灰化は、乳腺にカルシウムが沈着することにより生じる。また、乳腺の石灰化は、乳がんの初期においても生じる。本願発明者らが鋭意検討を行った結果、第１学習モデル５０の学習方法では、石灰化した部分を除去した吸収像を用いて学習させることが好ましいという知見を得た。

そこで、第２変形例では、図１５に示すように、第１吸収像２０ａと、第２吸収像２０ｂとに基づいて、第１吸収像２０ａから第２非特定部位４３を除去した第３吸収像２０ｃを生成する。画像処理部３は、たとえば、第１吸収像２０ａを第２吸収像２０ｂで除算することにより、第３吸収像２０ｃを生成する。第２変形例では、第２非特定部位４３を除去した第３吸収像２０ｃを用いて、第１学習モデル５０を学習させる。

具体的には、図１６に示すように、教師用吸収像３０ａ（第１吸収像２０ａ）を、第２吸収像２０ｂで補正することにより、補正後の教師用吸収像３０ｂ（第３吸収像２０ｃ）を生成する。そして、補正後の教師用吸収像３０ｂと、教師用位相コントラスト画像３１と、被写体９０の表面形状の情報６０とを用いて、第１学習モデル５０を学習させる。教師用吸収像３０の代わりに、補正後の教師用吸収像３０ｂを用いること以外は、上記実施形態による第１学習モデル５０の学習方法と同様であるため、詳細な説明は省略する。なお、第２変形例のその他の構成は、上記実施形態の構成と同様である。

第２変形例では、上記のように、第１学習モデル５０を学習させるステップにおいて、教師データとしての吸収像２０として、検出器２の第１検出部２ａに到達したＸ線に基づいて画像化された第１吸収像２０ａと、第１検出部２ａとはＸ線の吸収感度が異なる第２検出部２ｂに到達したＸ線に基づいて画像化された第２吸収像２０ｂとを用いて、第１学習モデル５０を学習させる。これにより、被写体９０において、Ｘ線の吸収感度が異なる部位が写る第１吸収と第２吸収像とを用いることによって、特定部位４０と似た性質を持つ部位（第２非特定部位４３）を削除した吸収像を生成することができる。したがって、第１学習モデル５０に学習させる際に、特定部位４０と似た性質を持つ部位（第２非特定部位４３）を削除した吸収像を用いて学習させることが可能となるので、第１学習済みモデル５１によって生成した推定画像２２において、特定部位４０と似た性質を持つ部位も画像化されなくなる。その結果、第１学習済みモデル５１によって特定部位抽出画像２３を生成することにより、特定部位４０とともに、特定部位４０と似た性質を持つ部分も他の部位（非特定部位４１）と識別可能な特定部位抽出画像２３を生成することができる。なお、第２変形例のその他の効果は、上記実施形態の効果と同様である。

また、画像処理部３が位相コントラスト画像２１を推定画像２２によって除算することにより特定部位抽出画像２３を生成する上記実施形態とは異なり、第３変形例では、図１７に示すように、第２学習済みモデル５３を用いて、位相コントラスト画像２１と推定画像２２とから、特定部位抽出画像２３を生成するように構成されている。なお、第２学習済みモデル５３は、上記実施形態において画像処理部３が行っていた推定画像２２と位相コントラスト画像２１とから、特定部位抽出画像２３を生成することを学習させたモデルである。したがって、第２学習済みモデル５３に対して推定画像２２と位相コントラスト画像２１とを入力することにより、特定部位抽出画像２３が生成される。

図１７に示すように、第３変形例による画像処理方法は、Ｘ線画像の生成方法１０２と、第２学習モデル５２の学習方法２０２とを含む。

Ｘ線画像の生成方法１０２は、第２学習済みモデル５３を用いて特定部位抽出画像２３を生成する構成以外は、上記実施形態によるＸ線画像の生成方法１０１と同様であるため、詳細な説明は省略する。

また、図１７に示すように、第３変形例では、第２学習モデル５２の学習方法２０２は、第２学習モデル５２を学習させることにより、第２学習済みモデル５３を生成する。

図１８に示すように、第３変形例による第２学習モデル５２の学習方法２０２では、推定画像３２を生成するステップ２０２ａと、教師用位相コントラスト画像３１を取得するステップ２０２ｂと、病理検査結果６１を取得するステップ２０２ｃと、第２学習モデル５２を学習させるステップ２０２ｄとを含む。

ステップ２０２ａでは、学習済みの第１学習モデル５０を用いて吸収像２０から位相コントラスト画像２１を推定することにより推定画像３２を生成する。

ステップ２０２ｂでは、教師データとして、第２教師用位相コントラスト画像３３を取得する。第２教師用位相コントラスト画像３３は、上記実施形態による教師用位相コントラスト画像３１とは異なり、被写体９０に特定部位４０が含まれる場合がある。

ステップ２０２ｃでは、教師データとして、病理検査結果６１を取得する。病理検査結果６１は、たとえば「特定部位あり／なし」といった２値情報でもよいし、検出した特定部位４０が写る座標情報でもよいし、検出した特定部位４０を識別可能に示す画像であってもよい。

ステップ２０２ｄでは、教師データとして、推定画像３２と第２教師用位相コントラスト画像３３とともに、病理検査結果６１を用いて、被写体９０の特定部位４０を抽出することにより特定部位４０が識別可能に表示された特定部位抽出画像３４を生成するように第２学習モデル５２を学習させる。具体的には、推定画像３２と第２教師用位相コントラスト画像３３とが入力データであり、特定部位抽出画像３４が出力データである。なお、特定部位抽出画像３４は、上記実施形態における画像処理部３によって、推定画像２２と位相コントラスト画像２１とを第１学習済みモデル５１に入力することにより、生成された画像である。また、病理検査結果６１は、ラベルとして特定部位４０の検出結果が正しいかどうかの判定の際のラベルとして用いられる。これにより、第１学習モデル５０の学習制度を向上させることができる。

第３変形例による第２学習モデル５２の学習方法２０２では、上記ステップ２０２ａ〜ステップ２０２ｄを繰り返し行うことにより、第２学習済みモデル５３を生成する。なお、第３変形例によるその他の構成は、上記実施形態による構成と同様である。

第３変形例では、上記のように、学習済みの第１学習モデル５０を用いて吸収像２０から位相コントラスト画像２１を推定することにより推定画像２２を生成するステップと、教師データとして、推定画像３２と第２教師用位相コントラスト画像３３とともに、病理検査結果６１を用いて、被写体９０の特定部位４０を抽出するステップと、をさらに備える。これにより、推定画像３２と、第２教師用位相コントラスト画像３３と、病理検査結果６１とを用いて、被写体９０の特定部位４０を推定することが可能となるので、第２学習モデル５２によって特定部位４０を検出する際の検出精度を向上させることができる。また、第２学習モデル５２の特定部位４０を検出する際の検出精度を向上させることが可能となるので、第２学習済みモデル５３によって生成された特定部位抽出画像２３において、特定部位４０をより容易に識別することができる。

また、上記実施形態では、画像処理部３が、特定部位抽出画像２３を生成する構成の例を示したが、本発明はこれに限られない。たとえば、画像処理部３は、特定部位４０を抽出すれば、特定部位抽出画像２３を生成しなくてもよい。

また、上記実施形態では、吸収像２０から推定画像２２を生成することを第１学習モデル５０に学習させる構成の例を示したが、本発明はこれに限られない。たとえば、位相コントラスト画像２１とから推定画像２２を生成することを第１学習モデル５０に学習させてもよい。

また、上記実施形態では、吸収像２０および位相コントラスト画像２１を用いて、第１学習モデル５０を学習させる構成の例を示したが、本発明はこれに限られない。たとえば、吸収像２０または位相コントラスト画像２１を用いて、第１学習モデル５０を学習させてもよい。

また、上記実施形態では、相対位置移動部６が、被写体９０を移動させることにより、被写体９０に対する第１検出領域７６および第２検出領域７７の相対位置を変更させた例を示したが、本発明はこれに限られない。本発明では、相対位置移動部６は、Ｘ線源１と、複数の格子と、検出器２とを含む撮像系を、を移動させることにより、被写体９０に対する第１検出領域７６および第２検出領域７７の相対位置を変更してもよい。

また、上記実施形態では、被写体９０として被験者の乳房が写る画像を用いる構成の例を示したが、本発明はこれに限られない。たとえば、被写体９０として、被験者の乳房から生検などによって採取された組織（切片）が写る画像を用いてもよい。

また、上記実施形態では、複数の格子が、第１格子群および第２格子群の両方を含む構成の例を示したが、本発明はこれに限られない。たとえば、複数の格子は、第１格子群および第２格子群のいずれか一方のみを含む構成であってもよい。

また、上記実施形態では、線源格子９および線源格子１２を備える例を示したが、本発明はこれに限られない。本発明では、Ｘ線画像撮影装置１００は、線源格子９および線源格子１２を備えない構成としてもよい。その場合、線源格子９および線源格子１２によるＸ線の微小焦点化ができないため、Ｘ線源１は、可干渉性の高いＸ線を照射することが可能な構成であることが好ましい。

また、上記実施形態では、第１格子７および第３格子１０として、Ｘ線を回折する格子を用いた例を示したが、本発明はこれに限られない。本発明では、第１格子７および第３格子１０として、Ｘ線を遮蔽する格子を用いてもよい。

また、上記実施形態では、位相コントラスト画像２１を生成する際に、タルボ光効果を利用して生じる自己像と吸収格子とを干渉させる手法を示したが、本発明はこれに限られない。本発明では、微細な画素を有する検出器を用いて自己像を直接検知する手法を用いてもよいし、格子状のシンチレータを有する検出器を用いて自己像と干渉させる手法を用いてもよい。また、縞模様の放射線ビームと縞模様の吸収格子同士の干渉を利用するエッジイルミネーションによって、位相コントラスト画像を生成してもよい。

また、上記実施形態では、第１学習モデル５０を学習させる際に、被写体９０の表面形状の情報６０を用いる構成の例を示したが、本発明はこれに限られない。たとえば、第１学習モデル５０を学習させる際に、被写体９０の表面形状の情報６０を用いなくてもよい。

また、上記実施形態では、画像処理部３が、複数の第２Ｘ線画像２６として、４枚の画像を取得する構成の例を示したが、本発明はこれに限られない。たとえば、画像処理部３は、８枚の第２Ｘ線画像２６を取得するように構成されていてもよい。画像処理部３が取得する複数の第２Ｘ線画像２６の枚数は、４枚以上であれば、どのような枚数であってもよい。

［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）
Ｘ線源から照射されたＸ線を受ける複数の格子を通過したＸ線に基づくＸ線画像の生成方法であって、
検出されたＸ線に基づいて生成された吸収像を取得するステップと、
前記複数の格子を通過した後に検出されたＸ線に基づいて生成された位相コントラスト画像を取得するステップと、
学習済みモデルを用いて、前記吸収像および前記位相コントラスト画像のうちの一方画像から他方画像を推定することにより推定画像を生成するステップと、
前記他方画像と前記推定画像とに基づいて被写体の特定部位を抽出するステップと、を備える、Ｘ線画像の生成方法。

（項目２）
学習モデルを教師用吸収像と教師用位相コントラスト画像とを教師データとして学習することにより、前記学習済みモデルを取得するステップを含む、項目１に記載のＸ線画像の生成方法。

（項目３）
前記特定部位を抽出するステップにおいて、前記他方画像と前記推定画像とにおける、前記特定部位のコントラストの差異に基づいて、前記特定部位を抽出する、項目１または２に記載のＸ線画像の生成方法。

（項目４）
前記推定画像を生成するステップにおいて、前記吸収像から前記位相コントラスト画像を推定することにより、前記推定画像を生成し、
前記特定部位を抽出するステップにおいて、前記位相コントラスト画像と前記推定画像とに基づいて、前記特定部位抽出画像を生成する、項目１〜３のいずれか１項に記載のＸ線画像の生成方法。

（項目５）
前記吸収像および前記位相コントラスト画像のノイズを除去するステップをさらに含み、
前記推定画像を生成するステップにおいて、ノイズを除去した後の前記吸収像に基づいて前記推定画像を生成し、
前記特定部位を抽出するステップにおいて、ノイズを除去した後の前記位相コントラスト画像と、ノイズを除去した後の前記吸収像に基づいて生成された前記推定画像とに基づいて前記特定部位を抽出する、項目４に記載のＸ線画像の生成方法。

（項目６）
前記吸収像を取得するステップは、前記複数の格子を通過せずに検出されたＸ線に基づいて、前記吸収像を生成する、項目１〜４のいずれか１項に記載のＸ線画像の生成方法。

（項目７）
前記吸収像は、前記被写体と、Ｘ線を検出する検出器のうちの前記複数の格子を通過せずに到達したＸ線を検出する領域である第１検出領域との相対位置を変化させて取得された複数の第１Ｘ線画像に基づいて生成され、
前記位相コントラスト画像は、前記被写体と、前記検出器のうちの前記複数の格子を通過して到達したＸ線を検出する領域である第２検出領域との相対位置を変化させて取得された複数の第２Ｘ線画像に基づいて生成される、項目１〜６のいずれか１項に記載のＸ線画像の生成方法。

（項目８）
前記複数の第１Ｘ線画像に基づいて第１断層画像を取得するステップと、
前記複数の第１Ｘ線画像とは異なる相対位置において撮像された前記複数の第２Ｘ線画像に基づいて第２断層画像を取得するステップと、
前記第１断層画像および前記第２断層画像に基づいて、前記吸収像に写る被写体の形状と、前記位相コントラスト画像に写る被写体の形状とのうち、いずれかの画像に写る被写体の形状を、他方の画像に写る被写体の形状に整合させる補正を行うステップと、をさらに含み、
前記特定部位を抽出するステップにおいて、被写体の形状を整合させる補正を行った後の前記位相コントラスト画像と前記推定画像とに基づいて前記特定部位を抽出する、項目７に記載のＸ線画像の生成方法。

（項目９）
前記特定部位が識別可能に表示された特定部位抽出画像を生成するステップをさらに含む、項目１〜８のいずれか１項に記載のＸ線画像の生成方法。

（項目１０）
前記被写体は、被験者の乳房であり、
前記特定部位は、乳がんである、項目１〜９のいずれか１項に記載のＸ線画像の生成方法。

（項目１１）
Ｘ線源から照射されたＸ線を受ける複数の格子を通過したＸ線に基づいて生成されたＸ線画像を用いた学習モデルの学習方法であって、
Ｘ線を検出する検出器に到達したＸ線に基づいて生成された被写体の吸収像を取得するステップと、
前記複数の格子を通過した後に前記検出器に到達したＸ線に基づいて生成された前記被写体の位相コントラスト画像を取得するステップと、
前記吸収像と前記位相コントラスト画像とを教師データとして、前記吸収像から推定することにより位相コントラスト推定画像を生成するか、または、前記位相コントラスト画像から推定することにより吸収推定像を生成するように学習モデルを学習させるステップと、を含む、学習モデルの学習方法。

（項目１２）
前記学習モデルを学習させるステップにおいて、前記教師データとして、前記吸収像の一部であり、かつ、少なくとも被写体の検出部位が写る第１領域と、前記位相コントラスト画像の一部であり、かつ、前記第１領域と同様に前記検出部位が写る第２領域とを用いて、前記学習モデルを学習させる、項目１１に記載の学習モデルの学習方法。

（項目１３）
前記学習モデルを学習させるステップにおいて、前記教師データとして、前記特定部位および／または前記特定部位の周辺部分を含む範囲を撮像した、前記吸収像および前記位相コントラスト画像を用いて、前記学習モデルを学習させる、項目１２に記載の学習モデルの学習方法。

（項目１４）
前記学習モデルを学習させるステップにおいて、前記教師データとしての前記吸収像として、前記検出器の第１検出領域に到達したＸ線に基づいて画像化された第１吸収像と、前記第１検出領域とはＸ線の吸収感度が異なる第２検出領域に到達したＸ線に基づいて画像化された第２吸収像とを用いて、前記学習モデルを学習させる、項目１１〜１３のいずれか１項に記載の学習モデルの学習方法。

（項目１５）
前記学習モデルを学習させるステップにおいて、前記教師データとして、前記吸収像および前記位相コントラスト画像とともに、被写体の表面形状の情報を用いて、前記学習モデルを学習させる、項目１１〜１４のいずれか１項に記載の学習モデルの学習方法。

（項目１６）
学習済みの前記学習モデルを用いて前記吸収像から前記位相コントラスト画像を推定することにより推定画像を生成するステップと、
教師データとして、前記推定画像と前記位相コントラスト画像とともに、病理検査結果を用いて、被写体の特定部位を抽出するように第２学習モデルを学習させるステップと、をさらに備える、項目１１〜１５のいずれか１項に記載の学習モデルの学習方法。

（項目１７）
Ｘ線源と、
前記Ｘ線源から照射されたＸ線を受ける複数の格子と、
前記Ｘ線源から照射されたＸ線を検出する検出器と、
前記検出器によって検出されたＸ線に基づいて被写体の吸収像を生成するとともに、前記複数の格子を通過した後に前記検出器によって検出されたＸ線に基づいて前記被写体の位相コントラスト画像を生成する画像処理部と、を備え、
前記画像処理部は、教師用吸収像と教師用位相コントラスト画像とを教師データとして学習した学習済みモデルを用いて、前記吸収像および前記位相コントラスト画像の一方画像から他方画像を推定し推定画像を生成するとともに、前記他方画像と前記推定画像とに基づいて前記被写体の特定部位を抽出するように構成されている、Ｘ線位相画像撮影装置。

１ Ｘ線源
２ 検出器
２ａ 第１検出部
２ｂ 第２検出部
３ 画像処理部
４ 画像処理部
２０ 吸収像
２１ 位相コントラスト画像
２２ 第１吸収像
２３ 特定部位抽出画像
２４、２４ａ、２４ｂ、２４ｃ、２４ｄ 第１Ｘ線吸収像
２５ 第１断層画像
２６、２６ａ、２６ｂ、２６ｃ、２６ｄ 第２Ｘ線吸収像
２７ 第２断層画像
３０ 教師用吸収像（教師用データとしての吸収像）
３１ 教師用位相コントラスト画像（教師用データとしての位相コントラスト画像）
３２ 推定画像
４０ 特定部位
４２ 検出部位
５０ 第１学習モデル
５１ 第１学習済みモデル
５２ 第２学習モデル
５３ 第２学習済みモデル
６０ 被写体の表面形状の情報
６１ 病理検査結果
７６ 第１検出領域
７７ 第２検出領域
８０ 第１領域
８１ 第２領域
９０ 被写体
１００ Ｘ線画像撮影装置

Claims (17)

1. Ｘ線源から照射されたＸ線を受ける複数の格子を通過したＸ線に基づくＸ線画像の生成方法であって、
   検出されたＸ線に基づいて生成された吸収像を取得するステップと、
   前記複数の格子を通過した後に検出されたＸ線に基づいて生成された位相コントラスト画像を取得するステップと、
   学習済みモデルを用いて、前記吸収像および前記位相コントラスト画像のうちの一方画像から他方画像を推定することにより推定画像を生成するステップと、
   前記他方画像と前記推定画像とに基づいて被写体の特定部位を抽出するステップと、を備える、Ｘ線画像の生成方法。
2. 学習モデルを教師用吸収像と教師用位相コントラスト画像とを教師データとして学習することにより、前記学習済みモデルを取得するステップを含む、請求項１に記載のＸ線画像の生成方法。
3. 前記特定部位を抽出するステップにおいて、前記他方画像と前記推定画像とにおける、前記特定部位のコントラストの差異に基づいて、前記特定部位を抽出する、請求項１または２に記載のＸ線画像の生成方法。
4. 前記推定画像を生成するステップにおいて、前記吸収像から前記位相コントラスト画像を推定することにより、前記推定画像を生成し、
   前記特定部位を抽出するステップにおいて、前記位相コントラスト画像と前記推定画像とに基づいて、前記特定部位を抽出する、請求項１〜３のいずれか１項に記載のＸ線画像の生成方法。
5. 前記吸収像および前記位相コントラスト画像のノイズを除去するステップをさらに含み、
   前記推定画像を生成するステップにおいて、ノイズを除去した後の前記吸収像に基づいて前記推定画像を生成し、
   前記特定部位を抽出するステップにおいて、ノイズを除去した後の前記位相コントラスト画像と、ノイズを除去した後の前記吸収像に基づいて生成された前記推定画像とに基づいて前記特定部位を抽出する、請求項４に記載のＸ線画像の生成方法。
6. 前記吸収像を取得するステップは、前記複数の格子を通過せずに検出されたＸ線に基づいて、前記吸収像を生成する、請求項１〜４のいずれか１項に記載のＸ線画像の生成方法。
7. 前記吸収像は、前記被写体と、Ｘ線を検出する検出器のうちの前記複数の格子を通過せずに到達したＸ線を検出する領域である第１検出領域との相対位置を変化させて取得された複数の第１Ｘ線画像に基づいて生成され、
   前記位相コントラスト画像は、前記被写体と、前記検出器のうちの前記複数の格子を通過して到達したＸ線を検出する領域である第２検出領域との相対位置を変化させて取得された複数の第２Ｘ線画像に基づいて生成される、請求項１〜６のいずれか１項に記載のＸ線画像の生成方法。
8. 前記複数の第１Ｘ線画像に基づいて第１断層画像を取得するステップと、
   前記複数の第１Ｘ線画像とは異なる相対位置において撮像された前記複数の第２Ｘ線画像に基づいて第２断層画像を取得するステップと、
   前記第１断層画像および前記第２断層画像に基づいて、前記吸収像に写る被写体の形状と、前記位相コントラスト画像に写る被写体の形状とのうち、いずれかの画像に写る被写体の形状を、他方の画像に写る被写体の形状に整合させる補正を行うステップと、をさらに含み、
   前記特定部位を抽出するステップにおいて、被写体の形状を整合させる補正を行った後の前記位相コントラスト画像と前記推定画像とに基づいて前記特定部位を抽出する、請求項７に記載のＸ線画像の生成方法。
9. 前記特定部位が識別可能に表示された特定部位抽出画像を生成するステップをさらに含む、請求項１〜８のいずれか１項に記載のＸ線画像の生成方法。
10. 前記被写体は、被験者の乳房であり、
    前記特定部位は、乳がんである、請求項１〜９のいずれか１項に記載のＸ線画像の生成方法。
11. Ｘ線源から照射されたＸ線を受ける複数の格子を通過したＸ線に基づいて生成されたＸ線画像を用いた学習モデルの学習方法であって、
    Ｘ線を検出する検出器に到達したＸ線に基づいて生成された被写体の吸収像を取得するステップと、
    前記複数の格子を通過した後に前記検出器に到達したＸ線に基づいて生成された前記被写体の位相コントラスト画像を取得するステップと、
    前記吸収像と前記位相コントラスト画像とを教師データとして、前記吸収像から推定することにより位相コントラスト推定画像を生成するか、または、前記位相コントラスト画像から推定することにより吸収推定像を生成するように第１学習モデルを学習させるステップと、を含む、学習モデルの学習方法。
12. 前記第１学習モデルを学習させるステップにおいて、前記教師データとして、前記吸収像の一部であり、かつ、少なくとも被写体の検出部位が写る第１領域と、前記位相コントラスト画像の一部であり、かつ、前記第１領域と同様に前記検出部位が写る第２領域とを用いて、前記第１学習モデルを学習させる、請求項１１に記載の学習モデルの学習方法。
13. 前記第１学習モデルを学習させるステップにおいて、前記教師データとして、前記検出部位および前記検出部位の周辺部分を含む範囲を撮像した、前記吸収像および／または前記位相コントラスト画像を用いて、前記第１学習モデルを学習させる、請求項１２に記載の学習モデルの学習方法。
14. 前記第１学習モデルを学習させるステップにおいて、前記教師データとしての前記吸収像として、前記検出器の第１検出領域に到達したＸ線に基づいて画像化された第１吸収像と、前記第１検出領域とはＸ線の吸収感度が異なる第２検出領域に到達したＸ線に基づいて画像化された第２吸収像とを用いて、前記第１学習モデルを学習させる、請求項１１〜１３のいずれか１項に記載の学習モデルの学習方法。
15. 前記第１学習モデルを学習させるステップにおいて、前記教師データとして、前記吸収像および前記位相コントラスト画像とともに、被写体の表面形状の情報を用いて、前記第１学習モデルを学習させる、請求項１１〜１４のいずれか１項に記載の学習モデルの学習方法。
16. 学習済みの前記第１学習モデルを用いて前記吸収像から前記位相コントラスト画像を推定することにより推定画像を生成するステップと、
    教師データとして、前記推定画像と前記位相コントラスト画像とともに、病理検査結果を用いて、被写体の特定部位を抽出するように第２学習モデルを学習させるステップと、をさらに備える、請求項１１〜１５のいずれか１項に記載の学習モデルの学習方法。
17. Ｘ線源と、
    前記Ｘ線源から照射されたＸ線を受ける複数の格子と、
    前記Ｘ線源から照射されたＸ線を検出する検出器と、
    前記検出器によって検出されたＸ線に基づいて被写体の吸収像を生成するとともに、前記複数の格子を通過した後に前記検出器によって検出されたＸ線に基づいて前記被写体の位相コントラスト画像を生成する画像処理部と、を備え、
    前記画像処理部は、教師用吸収像と教師用位相コントラスト画像とを教師データとして学習した学習済みモデルを用いて、前記吸収像および前記位相コントラスト画像の一方画像から他方画像を推定し推定画像を生成するとともに、前記他方画像と前記推定画像とに基づいて前記被写体の特定部位を抽出するように構成されている、Ｘ線位相画像撮影装置。

Images