JP2022140050A - 推定装置、方法およびプログラム - Google Patents

推定装置、方法およびプログラム Download PDF

Info

Publication number
JP2022140050A
JP2022140050A JP2021040686A JP2021040686A JP2022140050A JP 2022140050 A JP2022140050 A JP 2022140050A JP 2021040686 A JP2021040686 A JP 2021040686A JP 2021040686 A JP2021040686 A JP 2021040686A JP 2022140050 A JP2022140050 A JP 2022140050A
Authority
JP
Japan
Prior art keywords
image
bone
bone density
subject
dxa
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2021040686A
Other languages
English (en)
Inventor
伴子 瀧
Tomoko Taki
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.)
Fujifilm Corp
Original Assignee
Fujifilm 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 Fujifilm Corp filed Critical Fujifilm Corp
Priority to JP2021040686A priority Critical patent/JP2022140050A/ja
Priority to US17/591,616 priority patent/US20220287665A1/en
Priority to CN202210213756.9A priority patent/CN115067976A/zh
Priority to EP22161114.8A priority patent/EP4056120B1/en
Publication of JP2022140050A publication Critical patent/JP2022140050A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/482—Diagnostic techniques involving multiple energy imaging
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/505—Clinical applications involving diagnosis of bone
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/483—Diagnostic techniques involving scattered radiation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • 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 for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5223—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data generating planar views from image data, e.g. extracting a coronal view from a 3D image
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • 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
    • A61B6/5235—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 combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • G06V10/7792—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors the supervisor being an automated module, e.g. "intelligent oracle"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • G06V2201/033—Recognition of patterns in medical or anatomical images of skeletal patterns

Abstract

Figure 2022140050000001
【課題】推定装置、方法およびプログラムにおいて、運動器の疾患を高精度で予測できるようにする。
【解決手段】少なくとも１つのプロセッサを備え、プロセッサは、骨部を含む被写体を単純撮影することにより取得した単純放射線画像または被写体をＤＸＡ法により撮影することにより取得したＤＸＡ走査画像から、骨部の骨密度に関連する推定結果を導出する学習済みニューラルネットワークとして機能する。学習済みニューラルネットワークは、被写体の３次元のＣＴ画像を合成することにより導出された被写体を表す合成２次元画像と被写体の骨密度に関連する情報とを教師データとして用いて学習されてなる。
【選択図】図３

Description

本開示は、推定装置、方法およびプログラムに関する。
骨粗鬆症等の骨系疾患において、骨密度の診断に用いられる代表的な骨塩定量方法の１つにＤＸＡ法（Dual X-ray Absorptiometry）が知られている。ＤＸＡ法は、人体に入射し透過する放射線が、人体を構成する物質（例えば骨）に依存する減弱係数μ（ｃｍ2／ｇ）とその密度ρ(ｇ／ｃｍ3)および厚さｔ(ｃｍ)によって特徴付けされる減弱を受けることを利用し、２種類のエネルギーの放射線で撮影して得られた放射線画像のピクセル値から、骨塩量を算出する手法である。
また、被写体を撮影することにより取得された放射線画像を用いて、骨密度を評価するための各種手法が提案されている。例えば特許文献１，２には、ニューラルネットワークを学習することにより構築された学習済みニューラルネットワークを用いることにより、骨が写っている画像から骨密度に関する情報を推定する手法が提案されている。特許文献１に記載された手法においては、単純撮影により取得された骨が写っている画像および骨密度を教師データとしてニューラルネットワークの学習が行われる。また、特許文献１に記載された手法においては、単純撮影により取得された骨が写っている画像、骨密度および骨密度に関連する情報（例えば年齢、性別、体重、飲酒習慣、喫煙習慣、骨折歴、体脂肪率および皮下脂肪率等）を教師データとして用いて、ニューラルネットワークの学習が行われる。
なお、単純撮影とは、被写体に１回放射線を照射して、被写体の透過像である１枚の２次元画像を取得する撮影方法である。以降の説明においては、単純撮影により取得した放射線画像を単純放射線画像と称するものとする。
米国特許第６０６４７１６号明細書 国際公開第２０２０／０５４７３８号
しかしながら、さらに高精度で骨密度を推定することが望まれている。
本開示は上記事情に鑑みなされたものであり、骨密度を高精度で推定できるようにすることを目的とする。
本開示による推定装置は、少なくとも１つのプロセッサを備え、
プロセッサは、骨部を含む被写体を単純撮影することにより取得した単純放射線画像または被写体をＤＸＡ法により撮影することにより取得したＤＸＡ走査画像から骨部の骨密度に関連する推定結果を導出する学習済みニューラルネットワークとして機能し、
学習済みニューラルネットワークは、被写体の３次元のＣＴ画像を合成することにより導出された被写体を表す合成２次元画像と被写体の骨密度に関連する情報とを教師データとして用いて学習されてなる。
なお、本開示による推定装置においては、合成２次元画像は、３次元空間上の各位置における組成についての放射線の減弱係数を導出し、減弱係数に基づいてあらかじめ定められた方向にＣＴ画像を投影することにより導出されるものであってもよい。
また、本開示による推定装置においては、骨密度に関連する情報は、ＣＴ画像における骨部領域を特定し、骨部領域における放射線の減弱係数を導出し、放射線の減弱係数および骨部領域における質量減弱係数に基づいて導出された、骨部領域の各位置における骨密度に基づいて導出されるものであってもよい。
また、本開示による推定装置においては、骨密度に関連する情報は、骨部領域の各位置における骨密度をあらかじめ定められた方向に投影することにより導出されるものであってもよい。
また、本開示による推定装置においては、骨密度に関連する情報は、単位面積当たりの骨密度、単位体積当たりの骨密度、被写体の骨折リスクの評価値、骨部の治療後の治癒状態を表す情報の少なくとも１つを含むものであってもよい。
また、本開示による推定装置においては、前記プロセッサは、前記ＤＸＡ走査画像から前記骨部の骨密度に関連する推定結果を導出する学習済みニューラルネットワークとして機能し、
前記学習済みニューラルネットワークは、前記合成２次元画像に解像度を低下させる処理を施した低解像度合成２次元画像と前記被写体の骨密度に関連する情報とを教師データとして用いて学習されてなるものであってもよい。
また、本開示による推定装置においては、低解像度合成２次元画像は、前記合成２次元画像の隣接する複数画素の画素値の平均値を前記隣接する複数画素の画素値とする画像であり、前記隣接する複数画素のサイズは前記ＤＸＡ走査画像の１つの画素サイズに対応するものであってもよい。
また、本開示による推定装置においては、低解像度合成２次元画像は、前記合成２次元画像の一方向に対して移動平均処理を施された画像であり、前記一方向は前記ＤＸＡ走査画像の走査方向に対応するものであってもよい。
また、本開示による推定装置においては、低解像度合成２次元画像は、前記合成２次元画像の隣接する複数画素の画素値の平均値を、前記隣接する複数画素の画素値とする第１の低解像度画像を生成し、前記第１の低解像度画像に対して一方向に移動平均処理をされて生成された画像であり、前記隣接する複数画素のサイズは前記ＤＸＡ走査画像の１つの画素サイズに対応し、前記一方向は前記ＤＸＡ走査画像の走査方向に対応するものであってもよい。
本開示による推定方法は、骨部を含む被写体を単純撮影することにより取得した単純放射線画像または被写体をＤＸＡ法により撮影することにより取得したＤＸＡ走査画像から骨部の骨密度に関連する推定結果を導出する学習済みニューラルネットワークを用いて、単純放射線画像またはＤＸＡ走査画像から骨密度に関連する推定結果を導出する推定方法であって、
学習済みニューラルネットワークは、被写体の３次元のＣＴ画像を合成することにより導出された被写体を表す合成２次元画像と前記被写体の骨密度に関連する情報とを教師データとして用いて学習されてなる。
なお、本開示による推定方法を、コンピュータに実行させるためのプログラムとして提供してもよい。
本開示によれば、骨密度を高精度で推定できる。
本開示の第１の実施形態による推定装置を適用した放射線画像撮影システムの構成を示す概略ブロック図 第１の実施形態による推定装置の概略構成を示す図 第１の実施形態による推定装置の機能的な構成を示す図 本実施形態において用いられるニューラルネットワークの概略構成を示す図 教師データを示す図 第１の実施形態による情報導出装置の概略構成を示す図 第１の実施形態による情報導出装置の機能的な構成を示す図 合成２次元画像の導出を説明するための図 合成２次元画像の導出を説明するための図 ＣＴ値を説明するための図 放射線エネルギーと質量減弱係数との関係を示す図 ニューラルネットワークの学習を説明するための図 学習済みニューラルネットワークが行う処理の概念図 推定結果の表示画面を示す図 第１の実施形態において行われる学習処理のフローチャート 第１の実施形態において行われる推定処理のフローチャート 教師データの他の例を示す図 第２の実施形態による情報導出装置の機能的な構成を示す図 統計値と１０年以内の骨折発症確率との関係を示すグラフ 教師データの他の例を示す図 第３の実施形態による情報導出装置の機能的な構成を示す図 被写体の骨部に埋め込まれた人工骨の一例を示す図 術後の各段階における、大腿骨内部におけるステムからの距離と骨塩量との関係の一例を示すグラフ 人間の骨の断面構造の一例を示す断面図 教師データの他の例を示す図 推定結果の表示画面の他の例を示す図
以下、図面を参照して本開示の実施形態について説明する。図１は本開示の第１の実施形態による推定装置を適用した放射線画像撮影システムの構成を示す概略ブロック図である。図１に示すように、第１の実施形態による放射線画像撮影システムは、撮影装置１と、ＣＴ装置７と、画像保存システム９と、第１の実施形態による推定装置１０と、情報導出装置５０とを備える。撮影装置１、ＣＴ(Computed Tomography)装置７、推定装置１０および情報導出装置５０は、不図示のネットワークを介して画像保存システム９と接続されている。
撮影装置１は、放射線検出器５に、放射線源３から発せられ、被写体Ｈを透過したＸ線等の放射線を照射することにより、被写体Ｈの単純放射線画像Ｇ０を取得することが可能な撮影装置である。取得された単純放射線画像Ｇ０は、推定装置１０に入力される。単純放射線画像Ｇ０は例えば被写体Ｈの股間周辺を含む正面像である。
放射線検出器５は、放射線画像の記録および読み出しを繰り返して行うことができるものであり、放射線の照射を直接受けて電荷を発生する、いわゆる直接型の放射線検出器を用いてもよいし、放射線を一旦可視光に変換し、その可視光を電荷信号に変換する、いわゆる間接型の放射線検出器を用いるようにしてもよい。また、放射線画像信号の読出方式としては、ＴＦＴ（thin film transistor）スイッチをオン・オフさせることによって放射線画像信号が読み出される、いわゆるＴＦＴ読出方式のもの、または読取り光を照射することによって放射線画像信号が読み出される、いわゆる光読出方式のものを用いることが望ましいが、これに限らずその他のものを用いるようにしてもよい。
ＣＴ装置７は、被写体Ｈにおける複数の断層面を表す複数の断層画像を３次元のＣＴ画像Ｖ０として取得する。ＣＴ画像における各画素（ボクセル）のＣＴ値は、人体を構成する組成における放射線の吸収率を数値化したものである。ＣＴ値については後述する。
画像保存システム９は、撮影装置１により取得された放射線画像の画像データおよびＣＴ装置７により取得されたＣＴ画像の画像データを保存するシステムである。画像保存システム９は、保存している放射線画像およびＣＴ画像から、推定装置１０および情報導出装置５０からの要求に応じた画像を取り出して、要求元の装置に送信する。画像保存システム９の具体例としては、ＰＡＣＳ（Picture Archiving and Communication Systems）が挙げられる。なお、本実施形態においては、画像保存システム９には、後述するニューラルネットワークを学習するための多数の教師データが保存されている。
次いで、第１の実施形態に係る推定装置について説明する。まず、図２を参照して、第１の実施形態に係る推定装置のハードウェア構成を説明する。図２に示すように、推定装置１０は、ワークステーション、サーバコンピュータおよびパーソナルコンピュータ等のコンピュータであり、ＣＰＵ（Central Processing Unit）１１、不揮発性のストレージ１３、および一時記憶領域としてのメモリ１６を備える。また、推定装置１０は、液晶ディスプレイ等のディスプレイ１４、キーボードおよびマウス等の入力デバイス１５、並びに不図示のネットワークに接続されるネットワークＩ／Ｆ（InterFace）１７を備える。ＣＰＵ１１、ストレージ１３、ディスプレイ１４、入力デバイス１５、メモリ１６およびネットワークＩ／Ｆ１７は、バス１８に接続される。なお、ＣＰＵ１１は、本開示におけるプロセッサの一例である。
ストレージ１３は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、およびフラッシュメモリ等によって実現される。記憶媒体としてのストレージ１３には、推定装置１０にインストールされた推定プログラム１２Ａおよび学習プログラム１２Ｂが記憶される。ＣＰＵ１１は、ストレージ１３から推定プログラム１２Ａおよび学習プログラム１２Ｂを読み出してメモリ１６に展開し、展開した推定プログラム１２Ａおよび学習プログラム１２Ｂを実行する。
なお、推定プログラム１２Ａおよび学習プログラム１２Ｂは、ネットワークに接続されたサーバコンピュータの記憶装置、あるいはネットワークストレージに、外部からアクセス可能な状態で記憶され、要求に応じて推定装置１０を構成するコンピュータにダウンロードされ、インストールされる。または、ＤＶＤ（Digital Versatile Disc）、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）等の記録媒体に記録されて配布され、その記録媒体から推定装置１０を構成するコンピュータにインストールされる。
次いで、第１の実施形態による推定装置の機能的な構成を説明する。図３は、第１の実施形態による推定装置の機能的な構成を示す図である。図３に示すように、推定装置１０は、画像取得部２１、情報取得部２２、推定部２３、学習部２４および表示制御部２５を備える。そして、ＣＰＵ１１は、推定プログラム１２Ａを実行することにより、画像取得部２１、情報取得部２２、推定部２３および表示制御部２５として機能する。また、ＣＰＵ１１は、学習プログラム１２Ｂを実行することにより、学習部２４として機能する。
画像取得部２１は、撮影装置１に被写体Ｈの単純撮影を行わせることにより、放射線検出器５から、例えば被写体Ｈの股間付近の正面像である単純放射線画像Ｇ０を取得する。単純放射線画像Ｇ０の取得に際しては、撮影線量、線質、菅電圧、放射線源３と放射線検出器５の表面との距離であるＳＩＤ（Source Image receptor Distance）、放射線源３と被写体Ｈの表面との距離であるＳＯＤ（Source Object Distance）、および散乱線除去グリッドの有無等の撮影条件が設定される。
撮影条件は、操作者による入力デバイス１５からの入力により設定すればよい。設定された撮影条件は、ストレージ１３に記憶される。単純放射線画像Ｇ０および撮影条件は画像保存システム９にも送信されて保存される。
なお、本実施形態においては、推定プログラム１２Ａとは別個のプログラムにより単純放射線画像Ｇ０を取得してストレージ１３に記憶するようにしてもよい。この場合、画像取得部２１は、ストレージ１３に記憶された単純放射線画像Ｇ０を処理のためにストレージ１３から読み出すことにより取得する。
情報取得部２２は、画像保存システム９からネットワークＩ／Ｆ１７を介して、後述するニューラルネットワークを学習するための教師データを取得する。
推定部２３は、単純放射線画像Ｇ０から被写体Ｈに含まれる骨部の骨密度に関連する推定結果を導出する。本実施形態においては、骨密度に関連する推定結果として単純放射線画像Ｇ０に含まれる骨部領域のうちの対象骨についての骨密度の推定結果を導出するものとする。このために、推定部２３は、単純放射線画像Ｇ０が入力されると骨密度を出力する学習済みニューラルネットワーク２３Ａを用いて骨密度に関連する推定結果を導出する。
学習部２４は、教師データを用いてニューラルネットワークを機械学習することにより、学習済みニューラルネットワーク２３Ａを構築する。ニューラルネットワークとしては、単純パーセプトロン、多層パーセプトロン、ディープニューラルネットワーク、畳み込みニューラルネットワーク、ディープビリーフネットワーク、リカレントニューラルネットワーク、および確率的ニューラルネットワーク等が挙げられる。本実施形態においては、ニューラルネットワークとして畳み込みニューラルネットワークを用いるものとする。
図４は、本実施形態において用いられるニューラルネットワークを示す図である。図４に示すように、ニューラルネットワーク３０は、入力層３１、中間層３２および出力層３３を備える。中間層３２は、例えば、複数の畳み込み層３５、複数のプーリング層３６および全結合層３７を備える。ニューラルネットワーク３０では、出力層３３の前段に全結合層３７が存在している。そして、ニューラルネットワーク３０では、入力層３１と全結合層３７との間において、畳み込み層３５とプーリング層３６とが交互に配置されている。
なお、ニューラルネットワーク３０の構成は図４の例に限定されるものではない。例えば、ニューラルネットワーク３０は、入力層３１と全結合層３７との間に、１つの畳み込み層３５と１つのプーリング層３６とを備えるものであってもよい。
図５はニューラルネットワークの学習に使用する教師データの例を示す図である。図５に示すように、教師データ４０は、学習用データ４１と正解データ４２とからなる。本実施形態においては、骨密度の推定結果を得るために学習済みニューラルネットワーク２３Ａに入力されるデータは単純放射線画像Ｇ０であるが、学習用データ４１は、ＣＴ画像Ｖ０を合成することにより導出された被写体Ｈを表す合成２次元画像Ｃ０を含む。
正解データ４２は、学習用データ４１を取得した被写体の対象骨（すなわち大腿骨）についての骨密度である。なお、本実施形態においては、２次元の単純放射線画像Ｇ０から単位面積当たりの骨密度を推定するものであるため、骨密度の単位は（ｇ／ｃｍ2）である。学習用データ４１である合成２次元画像Ｃ０および正解データ４２である骨密度は、情報導出装置５０により導出される。なお、正解データ４２となる骨密度が被写体の骨部の骨密度に関連する情報の一例である。以下、情報導出装置５０について説明する。
図６は第１の実施形態による情報導出装置の構成を示す概略ブロック図である。図６に示すように第１の実施形態による情報導出装置５０は、ワークステーション、サーバコンピュータおよびパーソナルコンピュータ等のコンピュータであり、ＣＰＵ５１、不揮発性のストレージ５３、および一時記憶領域としてのメモリ５６を含む。また、情報導出装置５０は、液晶ディスプレイ等のディスプレイ５４、キーボードおよびマウス等のポインティングデバイス等からなる入力デバイス５５、並びに不図示のネットワークに接続されるネットワークＩ／Ｆ５７を含む。ＣＰＵ５１、ストレージ５３、ディスプレイ５４、入力デバイス５５、メモリ５６およびネットワークＩ／Ｆ５７は、バス５８に接続される。
ストレージ５３は、ストレージ１３と同様に、ＨＤＤ、ＳＳＤ、およびフラッシュメモリ等によって実現される。記憶媒体としてのストレージ５３には、情報導出プログラム５２が記憶される。ＣＰＵ５１は、ストレージ５３から情報導出プログラム５２を読み出してメモリ５６に展開し、展開した情報導出プログラム５２を実行する。
次いで、第１の実施形態による情報導出装置の機能的な構成を説明する。図７は、第１の実施形態による情報導出装置の機能的な構成を示す図である。図７に示すように第１の実施形態による情報導出装置５０は、画像取得部６１、合成部６２および骨密度導出部６３を備える。そして、ＣＰＵ５１が情報導出プログラム５２を実行することにより、ＣＰＵ５１は、画像取得部６１、合成部６２および骨密度導出部６３として機能する。
画像取得部６１は、学習用データ４１を導出するためのＣＴ画像Ｖ０を画像保存システム９から取得する。なお、画像取得部６１は、推定装置１０の画像取得部２１と同様にＣＴ装置７に被写体Ｈの撮影を行わせることにより、ＣＴ画像Ｖ０を取得するものであってもよい。
合成部６２は、ＣＴ画像Ｖ０を合成することにより被写体Ｈを表す合成２次元画像Ｃ０を導出する。図８は合成２次元画像Ｃ０の導出を説明するための図である。なお、図８においては説明のために３次元のＣＴ画像Ｖ０を２次元で示している。図８に示すようにＣＴ画像Ｖ０により表される３次元空間に被写体Ｈが含まれている。被写体Ｈは、骨部、脂肪、筋肉および内臓の複数の組成からなる。
ここで、ＣＴ画像Ｖ０の各画素におけるＣＴ値Ｖ０（ｘ，ｙ，ｚ）は、その画素における組成の減弱係数μiと水の減弱係数μwとを用いて、下記の式（１）により表すことができる。（ｘ，ｙ，ｚ）はＣＴ画像Ｖ０の画素位置を表す座標である。なお、以降の説明において、減弱係数は特に断りがない限り線源弱係数を意味するものとする。減弱係数は吸収または散乱等によって放射線が減弱する程度（割合）を表す。減弱係数は、放射線が透過する構造物の具体的な組成（密度等）および厚さ（質量）によって異なる。
Ｖ０（ｘ，ｙ，ｚ）＝（μi－μw）／μw×１０００ （１）
水の減弱係数μwは既知である。したがって、式（１）をμiについて解くことにより、下記の式（２）に示すように各組成の減弱係数μiを算出することができる。
μi＝Ｖ０（ｘ，ｙ，ｚ）×μw／１０００＋μw （２）
合成部６２は、図８に示すように、被写体Ｈに照射線量Ｉ０の放射線を仮想的に照射し、仮想的な平面６４に設置された放射線検出器（不図示）により被写体Ｈを透過した放射線を仮想的に検出した合成２次元画像Ｃ０を導出する。なお、仮想的な放射線の照射線量Ｉ０および放射線エネルギーは、あらかじめ定められた撮影条件に応じて設定される。具体的には、入射線量Ｉ０は、管電圧、ｍＡｓ値およびＳＩＤ等の撮影条件に対応したテーブルを用意しておき、このテーブルを参照して設定すればよい。また、放射線エネルギーは管電圧に応じたテーブルを用意しておき、このテーブルを参照して設定すればよい。この際、合成２次元画像Ｃ０の各画素についての到達線量Ｉ１（ｘ，ｙ）は、被写体Ｈ内の１以上の組成を透過する。このため、到達線量Ｉ１（ｘ，ｙ）は、照射線量Ｉ０の放射線が透過する１以上の組成の減弱係数μiを用いて下記の式（３）により導出することができる。なお、到達線量Ｉ１（ｘ，ｙ）が合成２次元画像Ｃ０の各画素の画素値となる。
Ｉ１（ｘ，ｙ）＝Ｉ０×ｅｘｐ（－∫μi・ｄｔ） （３）
なお、照射する放射線源を面光源と仮定した場合、式（３）に用いる減弱係数μiは図８に示す上下方向に並ぶ各画素のＣＴ値から式（２）により導出したものを用いればよい。また、照射する光源の面光源を点光源と仮定した場合、図９に示すように、点光源と仮想的な平面６４上の各位置との幾何学的な位置関係に基づいて、各画素に到達する放射線の経路上にある画素を特定し、特定した画素のＣＴ値から式（２）により導出した減弱係数μiを用いればよい。
骨密度導出部６３は、ＣＴ画像Ｖ０を用いて、合成２次元画像Ｃ０の画素毎に被写体Ｈの骨密度を導出する。ここで、ＣＴ値について説明する。図１０はＣＴ値を説明するための図である。ＣＴ値は、人体におけるＸ線の吸収率を数値化したものである。具体的には、図１０に示すように、水は０、空気のＣＴ値は－１０００（単位はＨＵ）というように、人体を構成する組成に応じてＣＴ値が定められている。
骨密度導出部６３は、まずＣＴ画像Ｖ０のＣＴ値に基づいてＣＴ画像Ｖ０における骨部領域を特定する。具体的にはしきい値処理によりＣＴ値が１００～１０００となる画素からなる領域を骨部領域に特定する。なお、しきい値処理に代えて、ＣＴ画像Ｖ０から骨部領域を検出するように学習がなされた学習済みニューラルネットワークを用いて骨部領域を特定してもよい。また、ＣＴ画像Ｖ０をディスプレイ５４に表示し、表示したＣＴ画像Ｖ０においてマニュアル操作による骨部領域の指定を受け付けることにより、骨部領域を特定するようにしてもよい。
ここで、ＣＴ画像の各画素における組成の単位体積当たりの密度ρ［ｇ／ｃｍ3］は、組成の減弱係数μi［１／ｃｍ」とその組成の質量減弱係数μe「ｃｍ2／ｇ］とから下記の式（４）により導出することができる。
ρ＝μi／μe （４）
図１１は人体の各種組成における放射線エネルギーと質量減弱係数との関係を示す図である。図１１には、骨部、筋肉等および脂肪についての放射線エネルギーと質量減弱係数との関係を示している。なお、筋肉等とは筋肉、血液および水を意味する。本実施形態においては、図１１に示す放射線エネルギーと質量減弱係数との関係がテーブルとしてストレージ５３に記憶されている。本実施形態においては、骨部の質量減弱係数が必要であることから、仮想的な放射線エネルギーに基づいて図１１に示すテーブルにおける骨部についての関係を参照して、骨部の質量減弱係数を取得する。また、骨部領域の各画素における減弱係数μbを上記式（２）により導出する。そして、上記式（４）により、ＣＴ画像Ｖ０に含まれる骨部領域の各画素における単位体積当たりの骨密度ρを導出する。
なお、ＣＴ画像Ｖ０は３次元画像であるため、上記式（４）により導出される単位体積当たりの骨密度の単位は［ｇ／ｃｍ3］である。本実施形態においては、骨密度導出部６３は、合成２次元画像Ｃ０の各画素についての単位面積当たりの骨密度を導出する。このため、骨密度導出部６３は、上記式（４）により導出した単位体積当たりの骨密度ρを、合成２次元画像Ｃ０を導出した際と同様に仮想的な平面６４に投影することにより、合成２次元画像Ｃ０の各画素についての単位面積当たりの骨密度Ｂ［ｇ／ｃｍ2］を導出する。
なお、投影の際には、仮想的な放射線源から合成２次元画像Ｃ０の各画素に到達する経路上にあるＣＴ画像Ｖ０の各画素の骨密度の代表値を導出すればよい。代表値としては、積算値、平均値、最大値、中央値および最小値等を用いることができる。さらに、本実施形態においては、骨密度導出部６３は、対象骨についてのみ骨密度の代表値を導出すればよい。例えば、対象骨が大腿骨である場合、骨密度導出部６３は、合成２次元画像Ｃ０における大腿骨の領域における各画素の骨密度の代表値を導出することにより、大腿骨の領域の骨密度の代表値を導出する。代表値としては、平均値、中央値、最小値および最大値等を用いることができる。本実施形態においては、対象骨である大腿骨の骨密度の代表値を正解データ４２として用いる。
正解データ４２として用いられる骨密度は、学習用データ４１を取得した時期と同一時期に導出され、画像保存システム９に送信される。画像保存システム９においては、学習用データ４１と正解データ４２とが対応付けられて教師データ４０として保存される。なお、学習のロバスト性向上のために、同一の画像に対して拡大縮小、コントラストの変更、移動、面内の回転、反転およびノイズ付与等の少なくとも１つを行った画像を学習用データ４１として含む教師データ４０を追加で作成して保存するようにしてもよい。
推定装置１０に戻り、学習部２４は、多数の教師データ４０を用いてニューラルネットワークを学習する。図１２は、ニューラルネットワーク３０の学習を説明するための図である。ニューラルネットワーク３０の学習を行うに際し、学習部２４は、ニューラルネットワーク３０の入力層３１に学習用データ４１すなわち合成２次元画像Ｃ０を入力する。そして、学習部２４は、ニューラルネットワーク３０の出力層３３から、対象骨の骨密度を出力データ４７として出力させる。そして、学習部２４は、出力データ４７と正解データ４２との相違を損失Ｌ０として導出する。
学習部２４は、損失Ｌ０に基づいてニューラルネットワーク３０を学習する。具体的には、学習部２４は、損失Ｌ０を小さくするように、畳み込み層３５におけるカーネルの係数、各層間の結合の重み、および全結合層３７における結合の重み等（以下パラメータ４８とする）を調整する。パラメータ４８の調整方法としては、例えば、誤差逆伝播法を用いることができる。学習部２４は、損失Ｌ０が予め定められたしきい値以下となるまでパラメータ４８の調整を繰り返す。これによって、単純放射線画像Ｇ０が入力された場合に、対象骨の骨密度を出力するようにパラメータ４８が調整されて、学習済みニューラルネットワーク２３Ａが構築される。構築された学習済みニューラルネットワーク２３Ａはストレージ１３に記憶される。
図１３は学習済みニューラルネットワーク２３Ａが行う処理の概念図である。図１３に示すように、上記のようにして構築された学習済みニューラルネットワーク２３Ａに、患者の単純放射線画像Ｇ０が入力されると、学習済みニューラルネットワーク２３Ａは入力された単純放射線画像Ｇ０に含まれる対象骨（すなわち大腿骨）についての骨密度を出力するようになる。
表示制御部２５は、推定部２３が推定した骨密度の推定結果をディスプレイ１４に表示する。図１４は推定結果の表示画面を示す図である。図１４に示すように表示画面７０は、画像表示領域７１と骨密度表示領域７２とを有する。画像表示領域７１には被写体Ｈの単純放射線画像Ｇ０が表示される。また、骨密度表示領域７２には、推定部２３が推定した骨密度における大腿骨の関節周辺の骨密度の代表値が表示される。
次いで、第１の実施形態において行われる処理について説明する。図１５は第１の実施形態において行われる学習処理を示すフローチャートである。まず、情報取得部２２が画像保存システム９から教師データ４０を取得し（ステップＳＴ１）、学習部２４が、教師データ４０に含まれる学習用データ４１をニューラルネットワーク３０に入力して骨密度を出力させ、正解データ４２との相違に基づく損失Ｌ０を用いてニューラルネットワーク３０を学習し（ステップＳＴ２）、ステップＳＴ１にリターンする。そして、学習部２４は、損失Ｌ０が予め定められたしきい値となるまで、ステップＳＴ１，ＳＴ２の処理を繰り返し、学習処理を終了する。なお、学習部２４は、学習を予め定められた回数繰り返すことにより、学習処理を終了するものであってもよい。これにより、学習部２４は、学習済みニューラルネットワーク２３Ａを構築する。
次いで、第１の実施形態における推定処理について説明する。図１６は第１の実施形態における推定処理を示すフローチャートである。なお、単純放射線画像Ｇ０は、撮影により取得されてストレージ１３に記憶されているものとする。処理を開始する指示が入力デバイス１５から入力されると、画像取得部２１が、単純放射線画像Ｇ０をストレージ１３から取得する（ステップＳＴ１１）。次いで、推定部２３が単純放射線画像Ｇ０から骨密度に関連する推定結果を導出する（ステップＳＴ１２）。そして、表示制御部２５が、推定部２３が導出した骨密度に関連する推定結果を単純放射線画像Ｇ０と併せてディスプレイ１４に表示し（ステップＳＴ１３）、処理を終了する。
このように、本実施形態においては、ＣＴ画像Ｖ０から導出した合成２次元画像Ｃ０およびＣＴ画像Ｖ０から導出した骨密度を教師データとして学習がなされることにより構築された学習済みニューラルネットワーク２３Ａを用いて、単純放射線画像Ｇ０に含まれる被写体Ｈの骨密度に関連する推定結果を導出するようにした。ここで、本実施形態においては、ニューラルネットワークの学習にＣＴ画像Ｖ０から導出した合成２次元画像Ｃ０とＣＴ画像Ｖ０から導出した骨密度を用いている。このため、１つの放射線画像と放射線画像から導出した骨密度に関連する情報とを教師データとして用いる場合と比較して、学習済みニューラルネットワーク２３Ａは、単純放射線画像Ｇ０からより精度よく骨密度に関連する推定結果を導出可能なものとなっている。したがって、本実施形態によればより精度よく骨密度に関する推定結果を導出することができる。
なお、上記第１の実施形態においては、正解データ４２として単位面積当たりの骨密度を導出しているが、これに限定されるものではない。上記第１の実施形態において単位面積当たりの骨密度を導出過程において得られる単体積当たりの骨密度を正解データとして導出してもよい。単位体積当たりの骨密度はＣＴ画像Ｖ０の対象骨の領域内の画素における骨密度の代表値を用いればよい。代表値としては、平均値、中央値、最小値および最大値等を用いることができる。この場合の、教師データを図１７に示す。図１７に示すように、教師データ４０Ａは、合成２次元画像Ｃ０を含む学習用データ４１と、単位体積当たりの骨密度である正解データ４２Ａとからなる。
図１７に示す教師データ４０Ａを用いてニューラルネットワークを学習することにより、単純放射線画像Ｇ０が入力されると単位体積当たりの骨密度を骨密度に関連する推定結果として出力する学習済みニューラルネットワーク２３Ａを構築することができる。
また、上記各実施形態においては、骨密度に関連する情報として単純放射線画像Ｇ０の単位面積当たりまたは単位体積当たりの骨密度を推定しているが、これに限定されるものではない。例えば、骨折リスクの評価値を骨密度に関連する推定結果として導出するようにしてもよい。以下、これを第２の実施形態として説明する。
図１８は第２の実施形態による情報導出装置の機能的な構成を示す図である。なお、図１８において図７と同一の構成については同一の参照番号を付与し、詳細な説明は省略する。本開示の第２の実施形態においては、骨密度の導出に代えて、骨折リスクの評価値を正解データ４２として導出するようにしたものである。このために、図１８に示すように、第２の実施形態による情報導出装置５０Ａは、第１の実施形態による情報導出装置５０に対して筋肉密度導出部６５、統計値導出部６６および評価値導出部６７をさらに備える。
筋肉密度導出部６５は、ＣＴ画像Ｖ０におけるＣＴ値に基づいて筋肉領域を特定する。具体的にはしきい値処理によりＣＴ値が６０～７０となる画素からなる領域を筋肉領域に特定する。なお、しきい値処理に代えて、ＣＴ画像Ｖ０から筋肉領域を検出するように学習がなされた学習済みニューラルネットワークを用いて筋肉領域を検出してもよい。また、ＣＴ画像Ｖ０をディスプレイ５４に表示し、表示したＣＴ画像Ｖ０においてマニュアル操作による筋肉領域の指定を受け付けることにより筋肉領域を特定するようにしてもよい。
さらに筋肉密度導出部６５は、上記式（２）により筋肉の減弱係数μmを算出する。そして、図１１に示すテーブルを参照して、筋肉の質量減弱係数を取得する。そして、上記式（４）により、単位体積当たりの筋肉の密度ρmを導出する。
統計値導出部６６は、骨密度導出部６３が導出した骨密度および筋肉密度導出部６５が導出した筋肉密度に基づいて、被写体Ｈに関する統計値を求める。統計値は、後述するように、骨折リスクを評価するための骨折リスク評価値の算出に用いられる。具体的には、統計値導出部６６は、下記式（５）に示すように、骨密度の空間的な分布に関する骨密度分布指標値Ｂｄ、および、筋肉量に関する空間的な分布に関する筋肉量分布指標値Ｍｄに基づいて、統計値Ｑを導出する。
Ｑ＝Ｗ１×Ｂｄ＋Ｗ２×Ｍｄ （５）
式（５）のＷ１、Ｗ２は、それぞれ重み係数であり、大量の骨密度分布指標値および筋肉密度分布指標値を集めて回帰分析に従って定める。
骨密度分布指標値は、骨密度の値がどのように広がっているかを表す値である。骨密度分布指標値としては、例えば、骨密度の単位面積または単位体積当たりの値、平均値、中間値、最大値、および最小値等がある。筋肉密度分布指標値は、筋肉密度の値がどのように広がっているかを表す値である。筋肉密度分布指標値としては、例えば、筋肉密度の単位面積または単位体積当たりの値、平均値、中間値、最大値、および最小値等がある。
また、統計値導出部６６は、骨密度および筋肉密度に加えて、被写体の身長、体重、年齢、および骨折歴等のうち少なくともいずれかに基づいて、統計値Ｑを求めるようにしてもよい。例えば、骨密度、筋肉密度、および年齢に基づいて統計値を求める場合には、骨密度分布指標値Ｂｄ、筋肉量分布指標値Ｍｄ、および年齢Ｙに基づいて、下記式（６）により、統計値Ｑが算出される。
Ｑ＝Ｗ１×Ｂｄ＋Ｗ２×Ｍｄ＋Ｗ３×Ｙ （６）
式（６）のＷ１、Ｗ２、Ｗ３は、それぞれ重み係数であり、骨密度分布指標値および筋肉密度分布指標値とそれら指標値に対応する被写体の年齢に関するデータを大量に集め、それらデータに基づく回帰分析に従って、重み係数Ｗ１、Ｗ２、Ｗ３を定める。なお、年齢の他、被写体の身長、体重、および骨折歴等を加えて統計値を求める場合においても、重み係数を掛け合わせて加算することが好ましい。
評価値導出部６７は、統計値Ｑに基づいて、被写体Ｈの骨折リスクを評価するための骨折リスク評価値を算出する。統計値Ｑと骨折リスク評価値との関係は、大量の診断データから得られていることから、評価値導出部６７では、この関係を用いて、骨折リスク評価値を算出する。統計値Ｑと骨折リスク評価値との関係は予め導出してテーブルとしてストレージ５３に記憶しておけばよい。
例えば、骨折リスク評価値としては、被写体Ｈの診断時（単純放射線画像Ｇ０の取得時）から１０年以内の骨折発症確率がある。そして、上記のように、統計値Ｑの算出に式（６）を使用した場合には、「１０年以内の骨折発症確率」と「統計値Ｑ」との関係は、図１９に示すように、統計値Ｑが大きくなるほど、骨折発症確率が低くなるように表される。
第２の実施形態においては、情報導出装置５０Ａが導出した骨折リスク評価値が教師データの正解データとして用いられる。図２０は第２の実施形態において導出される教師データを示す図である。図２０に示すように教師データ４０Ｂは、合成２次元画像Ｃ０を含む学習用データ４１と、骨折リスク評価値である正解データ４２Ｂとからなる。
図２０に示す教師データ４０Ｂを用いてニューラルネットワークを学習することにより、単純放射線画像Ｇ０が入力されると骨折リスク評価値を骨密度に関連する推定結果として出力する学習済みニューラルネットワーク２３Ａを構築することができる。
次いで、本開示の第３の実施形態について説明する。図２１は第３の実施形態による情報導出装置の機能的な構成を示す図である。なお、図２１において図７と同一の構成については同一の参照番号を付与し、詳細な説明は省略する。本開示の第３の実施形態においては、骨密度の導出に代えて、治療後の骨部の治癒状態を表す情報を正解データ４２として導出するようにしたものである。このために、図２１に示すように、第３の実施形態による情報導出装置５０Ｂは、第１の実施形態による情報導出装置５０に対して治癒情報導出部６８をさらに備える。なお、第３の実施形態においては、骨部の治療として、骨部に人工骨等の人工物を埋め込む手術を行ったものとする。
治癒情報導出部６８は、被写体Ｈの骨部に埋め込まれた人工骨等の人工物の周辺の骨密度に基づいて、人工物が被写体Ｈの骨部に埋め込まれた後の被写体の骨部の状態を示す情報を、治癒情報として導出する。人工骨等の人工物は、粉砕骨折や腫瘍等により失われた骨を代替するため、外科的手術により生体内に埋め込まれる。
図２２は、被写体の骨部に埋め込まれた人工骨の一例を示す図である。図２２には、人工股関節置換術が施された被写体Ｈの骨部が例示されており、被写体Ｈの大腿骨８０に人工関節のステム８１が埋め込まれている。
ステム８１を固定する方法として、直接固定法（セメントレス固定）および間接固定法（セメント固定）が知られている。直接固定法においては、セメントを使用することなく、ステム８１を大腿骨８０の内部の空洞に挿入する。大腿骨８０の内部の空洞は、ステム８１がフィットするように、予め形状が整えられる。ステム８１の表面は粗面化されており、骨組織がステム８１の内部に向かって浸透するように成長していく。すなわち、ステム８１を大腿骨８０に埋め込んだ直後においては、ステム８１と大腿骨８０との間には空洞が存在しているが、大腿骨８０が回復すると、骨組織の成長に伴って空洞は縮小して消滅する。したがって、ステム８１の周辺の骨密度を取得することで、術後における大腿骨８０の回復の程度を把握することが可能である。
図２３は、術後の各段階における、大腿骨８０内部におけるステム８１からの距離と骨密度との関係の一例を示すグラフである。図２３に示すグラフの横軸は、図２２における直線Ｌに沿った位置である。図２３において、実線はステム８１を大腿骨８０に埋め込んだ直後の初期段階に対応し、点線は回復途中の段階に対応し、一点鎖線は完治段階に対応する。図２３に示すように、術後の初期段階では、大腿骨８０とステム８１とは密着しておらず、ステム８１の近傍における骨密度は極めて少ない。回復に伴って、骨組織がステム８１の内部に向かって浸透するように成長していくことで、ステム８１の近傍における骨密度は増加する。一方、ステム８１から遠方位置における骨密度は、術後の各段階において略一定である。完治段階においては、ステム８１の近傍における骨密度と遠方位置における骨密度とは、略同等となる。
以下において、治癒情報導出部６８が、治癒情報を導出する態様について、図２２に示す人工股関節置換術が施された場合を例に説明する。治癒情報導出部６８は、ステム８１からの距離が相対的に近い位置ＬAにおける骨密度ＢAと、ステム８１からの距離が相対的に遠い位置ＸBにおける骨密度ＢBとの差異に応じた数値ΔＢを、治癒情報として導出する。例えば、治癒情報導出部６８は、骨密度の差（ΔＢ＝ＢB－ＢA）を治癒情報として導出してもよい。この場合、治癒情報として導出される数値は、回復に伴って小さくなり、０に近づいていく。また、治癒情報導出部６８は、骨密度の比（ΔＢ＝ＢA／ＢB）を治癒情報として導出してもよい。この場合、治癒情報として導出される数値ΔＢは、骨部の回復に伴って大きくなり、１に近づいていく。すなわち、骨密度ＢAとＢBとの差異に応じた数値ΔＢは、術後における骨部の回復の度合いを示す数値であるといえる。したがって、治癒情報として数値ΔＢを導出することで、術後における大腿骨８０の回復の程度を定量的に把握することが可能である。
なお、治癒情報導出部６８は、骨密度導出部６３によって導出された合成２次元画像Ｃ０の各画素における単位面積当たりの骨密度を用いて治癒情報を導出してもよいが、ＣＴ画像Ｖ０の各画素における単位体積当たりの骨密度を用いて治癒情報を導出してもよい。また、合成２次元画像Ｃ０においても、ステム８１の画素値は骨部領域における画素値とは顕著に異なっているので、合成２次元画像Ｃ０においてステム８１が存在する領域を特定することが可能である。したがって、治癒情報導出部６８は、合成２次元画像Ｃ０に基づいて、ステム８１からの距離を特定することが可能である。
図２４は、人間の骨の断面構造の一例を示す断面図である。図２４に示すように、人間の骨は、海綿骨９０と、海綿骨９０の外側を覆う皮質骨９１と、を含んで構成されている。皮質骨９１は、海綿骨９０よりも硬く、緻密である。海綿骨９０は、骨髄腔内に広がる骨梁と呼ばれる小さな骨の柱の集合体である。骨梁の形態には、板状と棒状構造があり、互いに連結している。海綿骨９０の骨密度と、皮質骨９１の骨密度とは顕著に異なるため、ＣＴ画像Ｖ０において皮質骨９１と海綿骨９０とを区別することが可能である。とくに、導出した骨密度が単体積当たりの骨密度である場合、単位面積当たりの骨密度と比較して、海綿骨９０の骨密度と皮質骨９１の骨密度とを明確に区別することができる。
海綿骨９０に人工物が埋め込まれている場合には、治癒情報導出部６８は、ＣＴ画像Ｖ０の各画素のＣＴ値に基づいて海綿骨９０の領域を特定し、人工物の周辺における海綿骨９０の骨密度に基づいて治癒情報を導出してもよい。具体的には、治癒情報導出部６８は、人工物からの距離が相対的に近い海綿骨９０内の位置ＸAにおける骨密度ＢAと、人工物からの距離が相対的に遠い海綿骨９０内の位置ＸBにおける骨密度ＢBとの差異に応じた数値ΔＢを治癒情報として導出してもよい。
一方、皮質骨９１に人工物が埋め込まれている場合には、治癒情報導出部６８は、ＣＴ画像Ｖ０の各画素のＣＴ値に基づいて皮質骨９１の領域を特定し、人工物の周辺における皮質骨９１の骨密度に基づいて治癒情報を導出することが好ましい。具体的には、治癒情報導出部６８は、人工物からの距離が相対的に近い皮質骨９１内の位置ＸAにおける骨密度ＢAと、人工物からの距離が相対的に遠い皮質骨９１内の位置ＸBにおける骨密度ＢBとの差異に応じた数値ΔＢを治癒情報として導出してもよい。
また、被写体Ｈの骨部に埋め込まれた人工物が海綿骨９０および皮質骨９１の双方に及んでいる場合、ＣＴ画像Ｖ０の各画素のＣＴ値に基づいて、海綿骨９０および皮質骨９１の領域を特定し、人工物の周辺における海綿骨９０および皮質骨９１の双方の骨密度に基づいて、治癒情報を導出してもよい。具体的には、治癒情報導出部６８は、人工物からの距離が相対的に近い海綿骨９０内の位置ＬA1における骨密度ＢA1と、人工物からの距離が相対的に遠い海綿骨９０内の位置ＬB1における骨密度ＢB1との差異に応じた数値ΔＢ１を治癒情報として導出するとともに、人工物からの距離が相対的に近い皮質骨９１内の位置ＬA2における骨密度ＢA2と、人工物からの距離が相対的に遠い皮質骨９１内の位置ＬB2における骨密度ＢB2との差異に応じた数値ΔＢ２を治癒情報として導出してもよい。なお、被写体Ｈの骨部に埋め込まれた人工物が海綿骨９０および皮質骨９１の双方に及んでいる場合、人工物の周辺における海綿骨９０および皮質骨９１のうちの一方の骨密度に基づいて、治癒情報を導出してもよい。すなわち、数値ΔＢ１および数値ΔＢ２のうちの一方を治癒情報として導出してもよい。
第３の実施形態においては、情報導出装置５０Ｂが導出した治癒情報が教師データの正解データとして用いられる。図２５は第３の実施形態において導出される教師データを示す図である。図２５に示すように教師データ４０Ｃは、合成２次元画像Ｃ０を含む学習用データ４１と、治癒情報の数値である正解データ４２Ｃとからなる。
図２５に示す教師データ４０Ｃを用いてニューラルネットワークを学習することにより、単純放射線画像Ｇ０が入力されると治癒状況を表す情報を治癒情報として出力する学習済みニューラルネットワーク２３Ａを構築することができる。
また、上記各実施形態において、教師データ４０の正解データ４２として、骨密度導出部６３が導出した単位面積当たりまたは単位体積当たりの骨密度を画素値とする骨密度画像を用いてもよい。この場合、推定装置１０の推定部２３は、単純放射線画像Ｇ０から骨密度画像を骨密度に関連する推定結果として導出するものとなる。このように、骨密度画像を導出した場合、表示画面には骨密度画像を表示するようにしてもよい。
図２６は推定結果の表示画面の他の例を示す図である。図２６に示すように表示画面７０Ａは、図１４に示す表示画面７０と同様の画像表示領域７１を有する。画像表示領域７１には被写体Ｈの単純放射線画像Ｇ０における骨密度の推定結果である骨密度画像Ｇｄが表示される。骨密度画像Ｇｄにおいては骨密度に応じて骨部領域に模様が付与されている。なお、図２６においては説明を簡単なものとするために、大腿骨についてのみ骨塩量を表す模様が付与されている。画像表示領域７１の下方には、付与された模様についての骨塩量の大小を示すリファレンス７３が表示されている。操作者はリファレンス７３を参照しつつ骨密度画像Ｇｄを読影することにより、患者の骨密度を容易に認識することができる。なお、模様に代えて、骨密度に応じて異なる色を骨密度画像Ｇｄに付与するようにしてもよい。
また、上記各実施形態においては、股関節付近の大腿骨についての骨密度に関連する情報を推定しているが、対象となる骨は大腿骨に限定されるものではない。膝関節付近の大腿骨および脛骨、腰椎等の椎骨、踵骨並びに中手骨等の任意の骨部についての骨密度に関連する情報を推定するに際しても、本開示の技術を適用できる。
また、上記各実施形態においては、単純放射線画像Ｇ０から骨密度に関連する推定結果を導出しているが、これに限定されるものではない。例えば、特開平９－１０８２０６号公報および特開２００６－２７１４３７号公報等に記載されたＤＸＡ撮影装置により被写体を撮影することにより取得したＤＸＡ走査画像から骨密度に関連する推定結果を導出する場合にも、本開示の技術を適用することができる。ＤＸＡ走査画像とは、細くコリメートされた高エネルギー放射線ビームおよび低エネルギー放射線ビームを切り替えながら、かつ走査しながら被写体に照射し、放射線検出器で撮像された放射線画像をいう。細くコリメートされた放射線ビームとは、例えば、放射線源と被写体との間にあるコリメータを使って、ペンシルビーム、狭ファンビームまたは広ファンビーム等に形成された放射線ビームである。低エネルギー放射線とは、高エネルギー放射線より相対的に低いエネルギーの放射線のことをいう。
この場合、ＤＸＡ走査画像を撮像する検出器の画素サイズ、撮像時の走査方向および走査速度、Ｘ線源と被写体と検出器との相互の距離、並びに放射線のエネルギー分布（管電圧、ターゲットおよびフィルタで決まる）等の各条件に従って、合成２次元画像Ｃ０からＤＸＡ走査画像を模擬した画像を生成し、生成したＤＸＡ走査画像を模擬した画像を学習用データ４１として使用して学習済みニューラルネットワーク２３Ａを構築してもよい。
ＤＸＡ走査画像を模擬した画像は、例えば、合成２次元画像Ｃ０に対して、ＤＸＡ走査画像の撮影に使用する検出器の画素サイズ、走査方向および走査速度等に応じて解像度を低下させる処理を施すことにより生成すればよい。なお、ＤＸＡ走査画像を模擬した画像が、低解像度合成２次元画像の一例である。
具体的には、以下のようにしてＤＸＡ走査画像を模擬した画像を生成する。Ｌ、Ｍ、Ｎを自然数とし、被写体Ｈの実際のサイズのＬｍｍ×Ｌｍｍに対し、合成２次元画像Ｃ０のＭ×Ｍ個の画素が対応し、ＤＸＡ走査画像の学習用画像のＮ×Ｎ個の画素が対応する場合を想定する。このとき、合成２次元画像Ｃ０の（Ｍ／Ｎ）×（Ｍ／Ｎ）個の画素、すなわち、隣接する複数画素が、ＤＸＡ走査画像の学習用画像の１個の画素に対応するように、合成２次元画像Ｃ０の（Ｍ／Ｎ）×（Ｍ／Ｎ）個の画素の画素値の平均値を、合成２次元画像Ｃ０の（Ｍ／Ｎ）×（Ｍ／Ｎ）個の全ての画素値とすることにより合成２次元画像Ｃ０を低解像度化する。そして、合成２次元画像Ｃ０のＤＸＡ走査画像に対応する全ての領域でこのような低解像度化処理を行うことにより、ＤＸＡ走査画像を模擬した画像を生成する。Ｍ／Ｎが自然数にならない場合は、Ｍ／Ｎの前後の自然数で、適宜、合成２次元画像Ｃ０とＤＸＡ走査画像の学習用画像との対応する画素の位置を調整して、合成２次元画像Ｃ０からＤＸＡ走査画像を模擬した画像を生成すればよい。
さらに、走査によるぼけを模擬するための低解像度化処理として、走査方向に対応する一方向への移動平均処理を行うことによりＤＸＡ走査画像を模擬した画像を生成してもよい。
また、合成２次元画像Ｃ０に対して移動平均処理を行うことにより、ＤＸＡ走査画像を模擬した画像を生成してもよい。移動平均処理は、ＤＸＡ走査画像を撮影時の走査方向、走査速度、検出器の画素サイズおよびＸ線源と被写体と検出器との相互の距離等から、移動平均の計算に使用するフィルタのサイズおよびフィルタの強度分布を適宜決定すればよい。例えば、走査速度が相対的に速いほど、相対的に低解像度になるのでフィルタのサイズを相対的に大きく設定すればよい。この場合、Ｌ＝１０に設定した場合、Ｍ＝２００、Ｎ＝５程度となる。
また、上記各実施形態においては、ニューラルネットワークを学習するための教師データに含まれる正解データとして、骨密度、骨折リスクおよび治癒情報を用いている。このため、推定部２３が単純放射線画像Ｇ０から推定する骨密度に関連する情報は、単純放射線画像Ｇ０における骨密度、骨折リスクおよび治癒情報となるが、これらに限定されるものではない。ＹＡＭ、ＴスコアまたはＺスコアを正解データとして学習済みニューラルネットワーク２３Ａを構築し、単純放射線画像Ｇ０から骨密度に関連する情報として、ＹＡＭ、ＴスコアおよびＺスコアを推定するようにしてもよい。また、推定部２３において、推定する骨密度に関連する情報として、骨折の有無、腫瘍の有無、インプラントの有無の検知結果を用いてもよく、骨粗鬆症の判定結果を用いてもよい。また、多発性骨髄腫、リウマチ、関節症および軟骨の硬化等、骨密度に関連する骨の疾患のを骨密度に関連する情報として推定するようにしてもよい。この場合、正解データとしてこれらの骨密度に関連する情報を含む教師データを用いて学習済みニューラルネットワーク２３Ａを構築するようにすればよい。
なお、上記各実施形態においては、推定装置１０においてニューラルネットワークの学習を行って学習済みニューラルネットワーク２３Ａを構築しているが、これに限定されるものではない。推定装置１０以外の他の装置において構築された学習済みニューラルネットワーク２３Ａを、本実施形態における推定装置１０の推定部２３に用いるようにしてもよい。
また、上記各実施形態においては、放射線検出器５を用いて被写体Ｈを撮影するシステムにおいて取得した放射線画像を用いて骨密度に関連する情報の推定処理を行っているが、放射線検出器に代えて、蓄積性蛍光体シートを用いて放射線画像を取得する場合にも、本開示の技術を適用できることはもちろんである。
また、上記実施形態における放射線は、とくに限定されるものではなく、Ｘ線の他、α線またはγ線等を用いることができる。
また、上記実施形態において、例えば、推定装置１０の画像取得部２１、情報取得部２２、推定部２３、学習部２４および表示制御部２５、並びに情報導出装置５０等の画像取得部６１、合成部６２および骨密度導出部６３等といった各種の処理を実行する処理部（Processing Unit）のハードウェア的な構造としては、次に示す各種のプロセッサ（Processor）を用いることができる。上記各種のプロセッサには、上述したように、ソフトウェア（プログラム）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵに加えて、ＦＰＧＡ（Field Programmable Gate Array）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device :PLD）、ＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。
１つの処理部は、これらの各種のプロセッサのうちの１つで構成されてもよいし、同種または異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせまたはＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。
複数の処理部を１つのプロセッサで構成する例としては、第１に、クライアントおよびサーバ等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアとの組み合わせで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（System On Chip:SoC）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサの１つ以上を用いて構成される。
さらに、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子等の回路素子を組み合わせた電気回路（Circuitry）を用いることができる。
１ 撮影装置
３ 放射線源
５ 放射線検出器
７ ＣＴ装置
９ 画像保存システム
１０ 推定装置
１１、５１ ＣＰＵ
１２ 推定処理プログラム
１２Ｂ 学習プログラム
１３、５３ ストレージ
１４、５４ ディスプレイ
１５、５５ 入力デバイス
１６、５６ メモリ
１７、５７ ネットワークＩ／Ｆ
１８、５８ バス
２１ 画像取得部
２２ 情報取得部
２３ 推定部
２３Ａ 学習済みニューラルネットワーク
２４ 学習部
２５ 表示制御部
３０ ニューラルネットワーク
３１ 入力層
３２ 中間層
３３ 出力層
３５ 畳み込み層
３６ プーリング層
３７ 全結合層
４０、４０Ａ、４０Ｂ、４０Ｃ 教師データ
４１ 学習用データ
４２、４２Ａ、４２Ｂ、４２Ｃ 正解データ
４７ 出力データ
４８ パラメータ
５０、５０Ａ、５０Ｂ 情報導出装置
５２ 情報導出プログラム
６１ 画像取得部
６２ 合成部
６３ 骨密度導出部
６４ 平面
６５ 筋肉密度導出部
６６ 統計値導出部
６７ 評価値導出部
６８ 治癒情報導出部
７０、７０Ａ 表示画面
７１ 画像表示領域
７２ 骨密度表示領域
７３ リファレンス
８０ 大腿骨
８１ ステム
９０ 海綿骨
９１ 皮質骨
Ｃ０ 合成２次元画像
Ｇ０ 単純放射線画像
Ｇｄ 骨密度画像
Ｌ 距離
Ｑ 統計値
Ｖ０ ＣＴ画像

Claims (11)

  1. 少なくとも１つのプロセッサを備え、
    前記プロセッサは、
    骨部を含む被写体を単純撮影することにより取得した単純放射線画像または前記被写体をＤＸＡ法により撮影することにより取得したＤＸＡ走査画像から前記骨部の骨密度に関連する推定結果を導出する学習済みニューラルネットワークとして機能し、
    前記学習済みニューラルネットワークは、前記被写体の３次元のＣＴ画像を合成することにより導出された前記被写体を表す合成２次元画像と前記被写体の骨密度に関連する情報とを教師データとして用いて学習されてなる、推定装置。
  2. 前記合成２次元画像は、３次元空間上の各位置における組成についての放射線の減弱係数を導出し、前記減弱係数に基づいてあらかじめ定められた方向に前記ＣＴ画像を投影することにより導出される請求項１に記載の推定装置。
  3. 前記骨密度に関連する情報は、前記ＣＴ画像における骨部領域を特定し、前記骨部領域における放射線の減弱係数を導出し、前記放射線の減弱係数および前記骨部領域における質量減弱係数に基づいて導出された、前記骨部領域の各位置における骨密度に基づいて導出される請求項１または２に記載の推定装置。
  4. 前記骨密度に関連する情報は、前記骨部領域の各位置における骨密度をあらかじめ定められた方向に投影することにより導出される請求項３に記載の推定装置。
  5. 前記骨密度に関連する情報は、単位面積当たりの骨密度、単位体積当たりの骨密度、前記被写体の骨折リスクの評価値、前記骨部の治療後の治癒状態を表す情報の少なくとも１つを含む請求項１から４のいずれか１項に記載の推定装置。
  6. 前記プロセッサは、前記ＤＸＡ走査画像から前記骨部の骨密度に関連する推定結果を導出する学習済みニューラルネットワークとして機能し、
    前記学習済みニューラルネットワークは、前記合成２次元画像に解像度を低下させる処理を施した低解像度合成２次元画像と前記被写体の骨密度に関連する情報とを教師データとして用いて学習されてなる、請求項１から５のいずれか１項に記載の推定装置。
  7. 前記低解像度合成２次元画像は、前記合成２次元画像の隣接する複数画素の画素値の平均値を前記隣接する複数画素の画素値とする画像であり、前記隣接する複数画素のサイズは前記ＤＸＡ走査画像の１つの画素サイズに対応する請求項６に記載の推定装置。
  8. 前記低解像度合成２次元画像は、前記合成２次元画像の一方向に対して移動平均処理を施された画像であり、前記一方向は前記ＤＸＡ走査画像の走査方向に対応する請求項６に記載の推定装置。
  9. 前記低解像度合成２次元画像は、前記合成２次元画像の隣接する複数画素の画素値の平均値を、前記隣接する複数画素の画素値とする第１の低解像度画像を生成し、前記第１の低解像度画像に対して一方向に移動平均処理をされて生成された画像であり、前記隣接する複数画素のサイズは前記ＤＸＡ走査画像の１つの画素サイズに対応し、前記一方向は前記ＤＸＡ走査画像の走査方向に対応する請求項６に記載の推定装置。
  10. 骨部を含む被写体を単純撮影することにより取得した単純放射線画像または前記被写体をＤＸＡ法により撮影することにより取得したＤＸＡ走査画像から前記骨部の骨密度に関連する推定結果を導出する学習済みニューラルネットワークを用いて、前記単純放射線画像または前記ＤＸＡ走査画像から前記骨密度に関連する推定結果を導出する推定方法であって、
    前記学習済みニューラルネットワークは、前記被写体の３次元のＣＴ画像を合成することにより導出された前記被写体を表す合成２次元画像と前記被写体の骨密度に関連する情報とを教師データとして用いて学習されてなる、推定方法。
  11. 骨部を含む被写体を単純撮影することにより取得した単純放射線画像または前記被写体をＤＸＡ法により撮影することにより取得したＤＸＡ走査画像から前記骨部の骨密度に関連する推定結果を導出する学習済みニューラルネットワークを用いて、前記単純放射線画像または前記ＤＸＡ走査画像から前記骨密度に関連する推定結果を導出する手順をコンピュータに実行させるための推定プログラムであって、
    前記学習済みニューラルネットワークは、前記被写体の３次元のＣＴ画像を合成することにより導出された前記被写体を表す合成２次元画像と前記被写体の骨密度に関連する情報とを教師データとして用いて学習されてなる、推定プログラム。
JP2021040686A 2021-03-12 2021-03-12 推定装置、方法およびプログラム Pending JP2022140050A (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2021040686A JP2022140050A (ja) 2021-03-12 2021-03-12 推定装置、方法およびプログラム
US17/591,616 US20220287665A1 (en) 2021-03-12 2022-02-03 Estimation device, estimation method, and estimation program
CN202210213756.9A CN115067976A (zh) 2021-03-12 2022-03-03 推定装置、方法及计算机可读存储介质
EP22161114.8A EP4056120B1 (en) 2021-03-12 2022-03-09 Estimation device, estimation method, and estimation program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021040686A JP2022140050A (ja) 2021-03-12 2021-03-12 推定装置、方法およびプログラム

Publications (1)

Publication Number Publication Date
JP2022140050A true JP2022140050A (ja) 2022-09-26

Family

ID=80685161

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021040686A Pending JP2022140050A (ja) 2021-03-12 2021-03-12 推定装置、方法およびプログラム

Country Status (4)

Country Link
US (1) US20220287665A1 (ja)
EP (1) EP4056120B1 (ja)
JP (1) JP2022140050A (ja)
CN (1) CN115067976A (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024090050A1 (ja) * 2022-10-27 2024-05-02 富士フイルム株式会社 画像処理装置、方法およびプログラム、並びに学習装置、方法およびプログラム

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114663363B (zh) * 2022-03-03 2023-11-17 四川大学 一种基于深度学习的髋关节医学图像处理方法和装置
CN116458909B (zh) * 2023-04-10 2024-05-07 清华大学 使用锥形束dr设备测量三维骨密度分布的方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2178395A1 (en) 1995-06-07 1996-12-08 Donald Barry X-ray bone densitometry apparatus
US6064716A (en) 1997-09-05 2000-05-16 Cyberlogic, Inc. Plain x-ray bone densitometry apparatus and method
JP4499593B2 (ja) 2005-03-28 2010-07-07 アロカ株式会社 Ｘ線骨密度測定装置
KR102527440B1 (ko) * 2018-04-24 2023-05-02 가부시키가이샤 시마쓰세사쿠쇼 화상 해석 방법, 세그먼테이션 방법, 골밀도 측정 방법, 학습 모델 작성 방법 및 화상 작성 장치
EP4276753A3 (en) * 2018-09-10 2024-02-07 Kyocera Corporation Estimation device, estimation system, and estimation program

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024090050A1 (ja) * 2022-10-27 2024-05-02 富士フイルム株式会社 画像処理装置、方法およびプログラム、並びに学習装置、方法およびプログラム

Also Published As

Publication number Publication date
EP4056120A1 (en) 2022-09-14
CN115067976A (zh) 2022-09-20
EP4056120B1 (en) 2024-04-17
US20220287665A1 (en) 2022-09-15

Similar Documents

Publication Publication Date Title
JP2022140050A (ja) 推定装置、方法およびプログラム
KR20180044421A (ko) 교정 수술 계획에 사용하기 위해 의료용 임플란트를 가진 환자의 의료 영상화를 위한 시스템 및 방법
US11096645B2 (en) Bone mineral information acquisition apparatus, bone mineral information acquisition method, and bone mineral information acquisition program
US10089728B2 (en) Radiation-image processing device and method
US20220287663A1 (en) Estimation device, estimation method, and estimation program
Zhao et al. Slot‐scan dual‐energy bone densitometry using motorized X‐ray systems
Dendere et al. Dual-energy X-ray absorptiometry for measurement of phalangeal bone mineral density on a slot-scanning digital radiography system
Choisne et al. A new method to determine volumetric bone mineral density from bi-planar dual energy radiographs using a finite element model: an ex-vivo study
JP7342140B2 (ja) 情報処理装置、情報処理方法およびプログラム
JP2022163614A (ja) 推定装置、方法およびプログラム
US20230017704A1 (en) Estimation device, estimation method, and estimation program
WO2024090050A1 (ja) 画像処理装置、方法およびプログラム、並びに学習装置、方法およびプログラム
WO2023054287A1 (ja) 骨疾患予測装置、方法およびプログラム、学習装置、方法およびプログラム並びに学習済みニューラルネットワーク
US20230172576A1 (en) Radiation image processing device, radiation image processing method, and radiation image processing program
US11963810B2 (en) Estimation device, estimation method, and estimation program
JP2022122131A (ja) 運動器疾患予測装置、方法およびプログラム、学習装置、方法およびプログラム並びに学習済みニューラルネットワーク
US20230096694A1 (en) Image processing device, image processing method, and image processing program
US20240081761A1 (en) Image processing device, image processing method, and image processing program
JP7346668B2 (ja) 放射線画像処理装置及びプログラム
TWI830036B (zh) 骨骼特徵值估計方法
JP7241000B2 (ja) 情報処理装置、情報処理方法、及び情報処理プログラム
CN118043908A (en) Bone disease prediction device, bone disease prediction method, bone disease prediction program, learning device, bone disease prediction method, learning program, and learning completion neural network
Yeni et al. Bone health assessment via digital wrist tomosynthesis in the mammography setting
Subramanian METHODS FOR QUANTITATIVE ANALYSIS OF IN-VIVO BONE MICROSTRUCTURE USING COMPUTED TOMOGRAPHY
JP2024042609A (ja) 放射線画像処理装置、その作動方法、及び放射線画像処理プログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20231207