JP2022163614A - 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 PDFInfo
- Publication number
- JP2022163614A JP2022163614A JP2021068641A JP2021068641A JP2022163614A JP 2022163614 A JP2022163614 A JP 2022163614A JP 2021068641 A JP2021068641 A JP 2021068641A JP 2021068641 A JP2021068641 A JP 2021068641A JP 2022163614 A JP2022163614 A JP 2022163614A
- Authority
- JP
- Japan
- Prior art keywords
- image
- subject
- soft tissue
- disease
- muscle mass
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000005855 radiation Effects 0.000 claims abstract description 150
- 210000004872 soft tissue Anatomy 0.000 claims abstract description 109
- 238000013528 artificial neural network Methods 0.000 claims abstract description 83
- 239000000203 mixture Substances 0.000 claims abstract description 74
- 238000003384 imaging method Methods 0.000 claims abstract description 64
- 238000009826 distribution Methods 0.000 claims abstract description 29
- 239000002131 composite material Substances 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims abstract description 10
- 210000003205 muscle Anatomy 0.000 claims description 216
- 210000000988 bone and bone Anatomy 0.000 claims description 103
- 201000010099 disease Diseases 0.000 claims description 93
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 93
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 59
- 239000011707 mineral Substances 0.000 claims description 59
- 238000012545 processing Methods 0.000 claims description 45
- 210000001217 buttock Anatomy 0.000 claims description 11
- 206010012601 diabetes mellitus Diseases 0.000 claims description 8
- 210000003141 lower extremity Anatomy 0.000 claims description 7
- 208000001076 sarcopenia Diseases 0.000 claims description 7
- 210000003414 extremity Anatomy 0.000 claims description 6
- 230000002194 synthesizing effect Effects 0.000 claims description 6
- 238000009795 derivation Methods 0.000 description 107
- 238000002591 computed tomography Methods 0.000 description 73
- 238000010586 diagram Methods 0.000 description 63
- 238000003860 storage Methods 0.000 description 43
- 210000001519 tissue Anatomy 0.000 description 13
- 238000012937 correction Methods 0.000 description 11
- 210000000577 adipose tissue Anatomy 0.000 description 8
- 210000002414 leg Anatomy 0.000 description 7
- 101100021996 Arabidopsis thaliana CYP97C1 gene Proteins 0.000 description 6
- 210000004369 blood Anatomy 0.000 description 6
- 239000008280 blood Substances 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000001678 irradiating effect Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 210000001015 abdomen Anatomy 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 235000013861 fat-free Nutrition 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 210000000689 upper leg Anatomy 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 241000489861 Maximus Species 0.000 description 1
- 208000001132 Osteoporosis Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 244000309466 calf Species 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000004197 pelvis Anatomy 0.000 description 1
- 238000009546 plain radiography Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000002027 skeletal muscle Anatomy 0.000 description 1
- 230000000391 smoking effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000004003 subcutaneous fat Anatomy 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 210000001835 viscera Anatomy 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- 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
- A61B6/48—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 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
- A61B6/52—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
- 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]
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Public Health (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- High Energy & Nuclear Physics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pulmonology (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Physiology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
【課題】推定装置、方法およびプログラムにおいて、被写体の軟部組織の組成を高精度で推定できるようにする。【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、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、被写体の軟部組織の組成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、エネルギー分布が異なる放射線により被写体を撮影することにより取得された２つの放射線画像、被写体の放射線画像および被写体の軟部組織を表す軟部画像、または被写体の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、被写体の軟部組織の組成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、骨塩量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）に依存する質量減弱係数μ（ｃｍ2／ｇ）とその密度ρ(ｇ／ｃｍ3)および厚さｔ(ｃｍ)によって特徴づ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、ＤＸＡ画像における各ピクセルの脂肪組織および赤身組織各々の割合を導出する技術が知られている（特許文献１参照）。特許文献１に記載の技術では、低エネルギーおよび高エネルギーのＤＸＡ画像の組み合わせを解析することにより、脂肪組織割合および赤身組織（筋肉、非脂肪、および非ミネラル組織）割合を測定する。
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、骨塩量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２，３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塩量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２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塩量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３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、骨塩量および骨塩量に関連する情報（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。
一方、被写体の筋肉および脂肪等の軟部組織の組成を高精度で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、被写体の軟部組織の組成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、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、被写体の軟部組織の組成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、（ｉ）エネルギー分布が異なる放射線により被写体を撮影することにより取得された２つの放射線画像、（ｉｉ）被写体の放射線画像および被写体の軟部組織を表す軟部画像、または（ｉｉｉ）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、被写体の軟部組織の組成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。
プロセッサは、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、被写体の軟部組織の組成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、（ｉ）エネルギー分布が異なる放射線により被写体を撮影することにより取得された２つの放射線画像、（ｉｉ）被写体の放射線画像および被写体の軟部組織を表す軟部画像、または（ｉｉｉ）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、被写体の軟部組織の組成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、軟部組織の組成に関連する情報は、エネルギー分布が異なる放射線により被写体を撮影することにより取得された２つの放射線画像から導出された軟部画像における軟部領域の画素値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、軟部組織の組成に関連する情報は、ＣＴ画像における軟部領域を特定し、軟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軟部領域における質量減弱係数に基づいて導出された、軟部組織の組成の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、軟部組織の組成に関連する情報は、軟部領域の各位置における組成の密度を予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、軟部組織の組成に関連する情報は、単位面積当たりの筋肉量、単位体積当たりの筋肉量、単位面積当たりの脂肪量、単位体積当たりの脂肪量、予め定められた疾患の罹患リスクまたは予め定められた疾患の疾患レベルを表す疾患情報、および転倒率の少なくとも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、疾患情報は、被写体の予め定められた部位の筋肉量を導出し、
予め定められた疾患の罹患リスクまたは予め定められた疾患の疾患レベルを表す疾患情報と予め定められた部位の筋肉量との対応関係を表す対応関係情報、および筋肉量に基づいて疾患情報を特定することにより導出されるものであってもよい。
予め定められた疾患の罹患リスクまたは予め定められた疾患の疾患レベルを表す疾患情報と予め定められた部位の筋肉量との対応関係を表す対応関係情報、および筋肉量に基づいて疾患情報を特定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、疾患情報は、被写体の予め定められた部位の筋肉量および骨塩量を導出し、
予め定められた疾患の罹患リスクまたは予め定められた疾患の疾患レベルを表す疾患情報と予め定められた部位の筋肉量との対応関係を表す対応関係情報、筋肉量、および骨塩量に基づいて疾患情報を特定することにより導出されるものであってもよい。
予め定められた疾患の罹患リスクまたは予め定められた疾患の疾患レベルを表す疾患情報と予め定められた部位の筋肉量との対応関係を表す対応関係情報、筋肉量、および骨塩量に基づいて疾患情報を特定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、予め定められた部位は下肢であり、
予め定められた疾患は糖尿病であり、
疾患情報は糖尿病の罹患リスクであってもよい。
予め定められた疾患は糖尿病であり、
疾患情報は糖尿病の罹患リスクであってもよい。
また、本開示による推定装置においては、予め定められた部位は四肢または全身であり、
予め定められた疾患はサルコペニアであり、
疾患情報はサルコペニアの疾患レベルであってもよい。
予め定められた疾患はサルコペニアであり、
疾患情報はサルコペニアの疾患レベルであってもよい。
また、本開示による推定装置においては、転倒率は、被写体の予め定められた部位の筋肉量を導出し、
予め定められた部位の筋肉量または予め定められた部位の筋肉量に応じた筋力である筋肉情報と被写体の転倒率との対応関係を表す対応関係情報、および筋肉量に基づいて、転倒率を特定することにより導出されるものであってもよい。
予め定められた部位の筋肉量または予め定められた部位の筋肉量に応じた筋力である筋肉情報と被写体の転倒率との対応関係を表す対応関係情報、および筋肉量に基づいて、転倒率を特定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、転倒率は、被写体の予め定められた部位の筋肉量および骨塩量を導出し、
予め定められた部位の筋肉量または予め定められた部位の筋肉量に応じた筋力である筋肉情報と被写体の転倒率との対応関係を表す対応関係情報、筋肉量、および骨塩量に基づいて、転倒率を特定することにより導出されるものであってもよい。
予め定められた部位の筋肉量または予め定められた部位の筋肉量に応じた筋力である筋肉情報と被写体の転倒率との対応関係を表す対応関係情報、筋肉量、および骨塩量に基づいて、転倒率を特定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、予め定められた部位は下肢および臀部の少なくとも一方であってもよい。
また、本開示による推定装置においては、プロセッサは、ＤＸＡ走査画像から軟部組織の組成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、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次元画像と被写体の軟部組織の組成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。
学習済みニューラルネットワークは、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次元画像と被写体の軟部組織の組成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、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隣接する複数画素の画素値とする画像であり、隣接する複数画素のサイズは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、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、一方向は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、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、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、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、隣接する複数画素のサイズはＤＸＡ走査画像の１つの画素サイズに対応し、一方向は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、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、被写体の軟部組織の組成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走査画像から軟部組織の組成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、（ｉ）エネルギー分布が異なる放射線により被写体を撮影することにより取得された２つの放射線画像、（ｉｉ）被写体の放射線画像および被写体の軟部組織を表す軟部画像、または（ｉｉｉ）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、被写体の軟部組織の組成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。
学習済みニューラルネットワークは、（ｉ）エネルギー分布が異なる放射線により被写体を撮影することにより取得された２つの放射線画像、（ｉｉ）被写体の放射線画像および被写体の軟部組織を表す軟部画像、または（ｉｉｉ）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、被写体の軟部組織の組成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、被写体の軟部組織の組成を高精度で推定できる。
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(Computed Tomography)装置４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装置４、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、第１の放射線検出器５および第２の放射線検出器６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、それぞれエネルギーを変えて照射するいわゆる１ショット法によるエネルギーサブトラクションを行うことが可能な撮影装置である。撮影時においては、図１に示すように、放射線源３に近い側から順に、第１の放射線検出器５、銅板等からなる放射線エネルギー変換フィルタ７、および第２の放射線検出器６を配置して、放射線源３を駆動させる。なお、第１および第２の放射線検出器５，６と放射線エネルギー変換フィルタ７とは密着されている。
これにより、第１の放射線検出器５においては、いわゆる軟線も含む低エネルギーの放射線による被写体Ｈの第１の放射線画像Ｇ１が取得される。また、第２の放射線検出器６においては、軟線が除かれた高エネルギーの放射線による被写体Ｈの第２の放射線画像Ｇ２が取得される。したがって、第１の放射線画像Ｇ１と第２の放射線画像Ｇ２とは、エネルギー分布が異なる放射線により被写体Ｈを撮影することにより取得されたものとなる。第１および第２の放射線画像Ｇ１，Ｇ２は、画像保存システム９に送信される。第１の放射線画像Ｇ１および第２の放射線画像Ｇ２のいずれも、被写体Ｈの臀部および下肢の上部を含む正面像である。
第１および第２の放射線検出器５，６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。
また、撮影装置１は第１の放射線検出器５のみを用いて被写体Ｈの単純撮影を行うことにより、被写体Ｈの単純２次元画像である単純放射線画像Ｇ０を取得することも可能である。上記第１および第２の放射線画像Ｇ１，Ｇ２を取得する撮影を単純撮影と区別するためにエネルギーサブトラクション撮影と称する。本実施形態においては、エネルギーサブトラクション撮影により取得された第１および第２の放射線画像Ｇ１，Ｇ２は、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の導出に使用される。また、単純撮影により取得された単純放射線画像Ｇ０は、後述するように軟部組織の組成に関連する推定結果の導出に使用される。
ＣＴ装置４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。また、本実施形態においては、ＣＴ装置４は後述する教師データの導出に用いられる。
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４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のエネルギーサブトラクション撮影を行わせることにより、第１および第２の放射線検出器５，６から、例えば被写体Ｈの股間付近の正面像である第１の放射線画像Ｇ１および第２の放射線画像Ｇ２を取得する。第１の放射線画像Ｇ１および第２の放射線画像Ｇ２の取得に際しては、撮影線量、線質、管電圧、放射線源３と第１および第２の放射線検出器５，６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）、並びに散乱線除去グリッドの有無等の撮影条件が設定される。
ＳＯＤおよびＳＩＤについては、後述するように体厚分布の算出に用いられる。ＳＯＤについては、例えば、ＴＯＦ（Time Of Flight）カメラで取得することが好ましい。ＳＩＤについては、例えば、ポテンショメーター、超音波距離計およびレーザー距離計等で取得することが好ましい。
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、エネルギーサブトラクション撮影により取得された第１および第２の放射線画像Ｇ１，Ｇ２と併せて画像保存システム９に送信されて保存される。
また、画像取得部２１は、第１の放射線検出器５のみを用いて撮影装置１に被写体Ｈの単純撮影を行わせることにより、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は、ストレージ１３に保存される。
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第１および第２の放射線画像Ｇ１，Ｇ２、並びに単純放射線画像Ｇ０を取得するようにしてもよい。
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の軟部組織の組成に関連する推定結果を導出する。本実施形態においては、軟部組織の組成に関連する推定結果として単純放射線画像Ｇ０に含まれる軟部領域のうちの予め定められた部位についての筋肉量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が入力されると筋肉量を出力する学習済みニューラルネットワーク２３Ａを用いて軟部組織の組成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、軟部組織の組成に関連する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、上記のエネルギーサブトラクション撮影により取得された第１の放射線画像Ｇ１および第２の放射線画像Ｇ２の２つの放射線画像を含む。
正解データ４２は、学習用データ４１を取得した被写体の予め定められた部位についての筋肉量である。なお、本実施形態においては、予め定められた部位は臀部および下肢の上部である。また、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筋肉量を推定するものであるため、筋肉量の単位は（ｇ／ｃｍ2）である。なお、本実施形態においては、単位体積当たりの筋肉量を推定するようにしてもよい。この場合、筋肉量の単位は（ｇ／ｃｍ3）である。正解データ４２である筋肉量は情報導出装置５０により導出される。なお、正解データ４２となる筋肉量が被写体の軟部組織の組成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、散乱線除去部６２、サブトラクション部６３および筋肉量導出部６４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、散乱線除去部６２、サブトラクション部６３および筋肉量導出部６４として機能する。
画像取得部６１は、画像保存システム９に保存された学習用データ４１となる第１放射線画像Ｇ１および第２の放射線画像Ｇ２を取得する。なお、画像取得部６１は、推定装置１０の画像取得部２１と同様に撮影装置１に被写体Ｈの撮影を行わせることにより、第１の放射線画像Ｇ１および第２の放射線画像Ｇ２を取得するものであってもよい。
また、画像取得部６１は、画像保存システム９に保存された、第１の放射線画像Ｇ１および第２の放射線画像Ｇ２を取得した際の撮影条件も取得する。撮影条件は、第１の放射線画像Ｇ１および第２の放射線画像Ｇ２を取得した際の撮影線量、管電圧、ＳＩＤ、ＳＯＤ並びに散乱線除去グリッドの有無等である。
ここで、第１の放射線画像Ｇ１および第２の放射線画像Ｇ２の各々には、被写体Ｈを透過した放射線の一次線成分以外に、被写体Ｈ内において散乱された放射線に基づく散乱線成分が含まれる。このため、散乱線除去部６２は、第１の放射線画像Ｇ１および第２の放射線画像Ｇ２から散乱線成分を除去する。例えば、散乱線除去部６２は、特開２０１５－０４３９５９号公報に記載された方法を適用して、第１の放射線画像Ｇ１および第２の放射線画像Ｇ２から散乱線成分を除去してもよい。特開２０１５－０４３９５９号公報に記載された手法等を用いる場合、被写体Ｈの体厚分布の導出および散乱線成分を除去するための散乱線成分の導出が同時に行われる。
以下、第１の放射線画像Ｇ１からの散乱線成分の除去について説明するが、第２の放射線画像Ｇ２からの散乱線成分の除去も同様に行うことができる。まず、散乱線除去部６２は、初期体厚分布Ｔ０（ｘ，ｙ）を有する被写体Ｈの仮想モデルを取得する。仮想モデルは、初期体厚分布Ｔ０（ｘ，ｙ）に従った体厚が、第１の放射線画像Ｇ１の各画素の座標位置に対応付けられた、被写体Ｈを仮想的に表すデータである。なお、初期体厚分布Ｔ０（ｘ，ｙ）を有する被写体Ｈの仮想モデルは、情報導出装置５０のストレージ５３に予め記憶されていてもよい。また、散乱線除去部６２は、撮影条件に含まれるＳＩＤとＳＯＤに基づいて、被写体Ｈの体厚分布Ｔ（ｘ、ｙ）を算出してもよい。この場合、初期体厚分布Ｔ０（ｘ，ｙ）は、ＳＩＤからＳＯＤを減算することにより求めることができる。
次に、散乱線除去部６２は、仮想モデルに基づいて、仮想モデルの撮影により得られる一次線画像を推定した推定一次線画像と、仮想モデルの撮影により得られる散乱線画像を推定した推定散乱線画像とを合成した画像を、被写体Ｈの撮影により得られた第１の放射線画像Ｇ１を推定した推定画像として生成する。
次に、散乱線除去部６２は、推定画像と第１の放射線画像Ｇ１との違いが小さくなるように仮想モデルの初期体厚分布Ｔ０（ｘ，ｙ）を修正する。散乱線除去部６２は、推定画像と第１の放射線画像Ｇ１との違いが予め定められた終了条件を満たすまで推定画像の生成および体厚分布の修正を繰り返し行う。散乱線除去部６２は、終了条件を満たした際の体厚分布を、被写体Ｈの体厚分布Ｔ（ｘ，ｙ）として導出する。また、散乱線除去部６２は、終了条件を満たした際の散乱線成分を第１の放射線画像Ｇ１から減算することにより、第１の放射線画像Ｇ１に含まれる散乱線成分を除去する。
サブトラクション部６３は、エネルギーサブトラクション処理を行うことにより、第１および第２の放射線画像Ｇ１，Ｇ２から、被写体Ｈの軟部が抽出された軟部画像Ｇｓを導出する。なお、以降の処理における第１および第２の放射線画像Ｇ１，Ｇ２は散乱線成分が除去されたものである。軟部画像Ｇｓを導出する場合には、サブトラクション部６３は、第１および第２の放射線画像Ｇ１，Ｇ２に対して、下記の式（１）に示すように、それぞれ対応する画素間での重み付け減算を行うことにより、図８に示すように、各放射線画像Ｇ１，Ｇ２に含まれる被写体Ｈの軟部が抽出された軟部画像Ｇｓを生成する。式（１）において、αは重み係数である。
Ｇｓ（ｘ、ｙ）＝Ｇ１（ｘ、ｙ）－α×Ｇ２（ｘ、ｙ） （１）
Ｇｓ（ｘ、ｙ）＝Ｇ１（ｘ、ｙ）－α×Ｇ２（ｘ、ｙ） （１）
筋肉量導出部６４は、軟部画像Ｇｓにおける軟部領域の画素毎に、画素値に基づいて筋肉量を導出する。軟部組織は、筋肉組織、脂肪組織、血液、および水分を含む。第１の実施形態の筋肉量導出部６４では、軟部組織における脂肪組織以外の組織を、筋肉組織とみなす。すなわち、第１の実施形態の筋肉量導出部６４では、筋肉組織に、血液および水分も含めた非脂肪組織を筋肉組織として扱うものとする。
筋肉量導出部６４は、軟部画像Ｇｓから、筋肉組織および脂肪組織のエネルギー特性の差を利用して、筋肉と脂肪とを分離する。図９に示すように、人体である被写体Ｈに入射前の放射線に比べて、被写体Ｈを透過後の放射線の線量は低くなる。また、筋肉組織と脂肪組織とは吸収するエネルギーが異なり、減弱係数が異なるため、被写体Ｈを透過後の放射線のうち、筋肉組織を透過後の放射線と、脂肪組織を透過後の放射線とではエネルギースペクトルが異なる。図９に示すように、被写体Ｈを透過して、第１の放射線検出器５および第２の放射線検出器６の各々に照射される放射線のエネルギースペクトルは、被写体Ｈの体組成、具体的には、筋肉組織と脂肪組織との割合に依存する。筋肉組織よりも脂肪組織の方が放射線を透過しやすいため、脂肪組織に比べて筋肉組織の割合が多い方が、人体を透過後の放射線の線量が少なくなる。
このため、筋肉量導出部６４は、軟部画像Ｇｓから、上述した筋肉組織および脂肪組織のエネルギー特性の差を利用して、筋肉と脂肪とを分離する。すなわち、筋肉量導出部６４は、軟部画像Ｇｓから筋肉画像を生成する。また、筋肉量導出部６４は、筋肉画像の画素値に基づいて各画素の筋肉量を導出する。
なお、筋肉量導出部６４が、軟部画像Ｇｓから筋肉と脂肪とを分離する具体的な方法は限定されないが、一例として、第１の実施形態の筋肉量導出部６４は、下記の式（２）および式（３）により、軟部画像Ｇｓから筋肉画像を生成する。具体的には、まず、筋肉量導出部６４は、式（２）により、軟部画像Ｇｓ内の各画素位置（ｘ，ｙ）における筋肉率ｒｍ（ｘ，ｙ）を導出する。なお、式（２）におけるμｍは筋肉組織の減弱係数に応じた重み係数であり、μｆは脂肪組織の減弱係数に応じた重み係数である。また、Δ（ｘ，ｙ）は、濃度差分布を表す。濃度差分布とは、放射線が被写体Ｈを透過することなく第１の放射線検出器５および第２の放射線検出器６に到達することにより得られる濃度から見た濃度変化の画像上の分布である。濃度変化の画像上の分布は、軟部画像Ｇｓにおける放射線が直接、第１の放射線検出器５および第２の放射線検出器６に照射することにより得られる素抜け領域における濃度から被写体Ｈの領域における各画素の濃度を減算することにより算出される。
rm（x，y）={μf-Δ（x，y）/T（x，y）}/(μf-μm) （２）
rm（x，y）={μf-Δ（x，y）/T（x，y）}/(μf-μm) （２）
さらに、筋肉量導出部６４は、下記式（３）により、軟部画像Ｇｓから筋肉画像Ｇｍを生成する。なお、式（３）における、ｘ、ｙは筋肉画像Ｇｍの各画素の座標である。
Ｇｍ（ｘ，ｙ）＝ｒｍ（ｘ，ｙ）×Ｇｓ（ｘ，ｙ） （３）
Ｇｍ（ｘ，ｙ）＝ｒｍ（ｘ，ｙ）×Ｇｓ（ｘ，ｙ） （３）
筋肉量導出部６４は、筋肉画像Ｇｍの画素値を画素毎の筋肉量として導出すればよい。一方、画素毎の筋肉率ｒｍを筋肉量として導出してもよい。また、筋肉量導出部６４は、下記式（４）に示すように、筋肉画像Ｇｍの各画素（ｘ，ｙ）に対して、予め定められた画素値と筋肉量との関係を表す係数Ｋ１（ｘ，ｙ）を乗算することにより、筋肉画像Ｇｍの画素毎の筋肉量Ｍ（ｘ，ｙ）（ｇ／ｃｍ2）を導出してもよい。
Ｍ（ｘ，ｙ）＝Ｋ１（ｘ，ｙ）×Ｇｍ（ｘ，ｙ） （４）
Ｍ（ｘ，ｙ）＝Ｋ１（ｘ，ｙ）×Ｇｍ（ｘ，ｙ） （４）
また、第１の実施形態においては、筋肉量導出部６４は、予め定められた部位の筋肉量を導出する。本実施形態において、予め定められた部位の筋肉量とは、軟部画像Ｇｓにおける、予め定められた部位に相当する領域の画素毎の筋肉量の代表値のことをいう。本実施形態においては、予め定められた部位は臀部および下肢の上部であるため、軟部画像Ｇｓにおける臀部および下肢の上部に該当する領域の画素毎の筋肉量の代表値を、臀部および下肢の上部の筋肉量として扱う。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、予め定められた部位の筋肉量の代表値を正解データ４２として用いる。
正解データ４２として用いられる筋肉量は、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１０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すなわち第１および第２の放射線画像Ｇ１，Ｇ２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、予め定められた部位の筋肉量を出力データ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、予め定められた部位の筋肉量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１１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１１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に含まれる予め定められた部位の筋肉量を出力するようになる。
表示制御部２５は、推定部２３が推定した筋肉量の推定結果をディスプレイ１４に表示する。図１２は推定結果の表示画面を示す図である。図１２に示すように表示画面７０は、画像表示領域７１と筋肉量表示領域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、筋肉量表示領域７２には、推定部２３が推定した単純放射線画像Ｇ０の各画素についての筋肉量から導出された、予め定められた部位の筋肉量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１３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に入力して筋肉量を出力させ、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１４は第１の実施形態において行われ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から軟部組織の組成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が導出した軟部組織の組成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、第１および第２の放射線画像Ｇ１，Ｇ２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の軟部組織の組成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第１および第２の放射線画像Ｇ１，Ｇ２という２つの放射線画像を用いている。このため、１つの放射線画像と軟部組織の組成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からより精度よく軟部組織の組成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軟部組織の組成に関連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として筋肉量を導出しているが、これに限定されるものではない。予め定められた疾患の罹患リスクまたは予め定められた疾患の疾患レベルを表す疾患情報を正解データ４２として導出してもよい。以下、これを第２の実施形態として説明する。
図１５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１５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。図１５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に対して特定部６５をさらに備えたものである。
特定部６５は、筋肉量導出部６４が導出した予め定められた部位の筋肉量と、対応関係情報とに基づいて、予め定められた疾患の罹患リスクまたは予め定められた疾患の疾患レベルを表す疾患情報を特定する。
対応関係情報とは、予め定められた疾患の罹患リスクまたは予め定められた疾患の疾患レベルを表す疾患情報と、予め定められた部位の筋肉量との対応関係を表す情報である。
一般に、筋肉量と罹患リスクとの間に関係があることが知られている疾患がある。例えば、筋肉は、血液中のブドウ糖の一部を取り込み、血糖値の調整を行うことが知られている。このため、筋肉量が減少すると、血糖値が上昇し、糖尿病の罹患リスクが高くなる。とくに下肢の筋肉量の減少が糖尿病の罹患リスクに対応する傾向がある。このため、糖尿病については、予め定められた部位として下肢の上部の部位である太腿の筋肉量と、糖尿病の罹患リスクとの対応関係を表す情報を対応関係情報とする。具体例としては、年齢毎に、太腿の筋肉量の平均値を基準値とし、基準値よりも少なくかつ基準値からの乖離量が高くなるほど、高い罹患リスクが対応付けられた対応関係情報が挙げられる。
また例えば、サルコペニアの場合、病気が進行すると、すなわち疾患レベルが高くなると、筋肉量、とくに四肢の筋肉量が低下する傾向があることが知られている。このため、サルコペニアについては、予め定められた部位として四肢の筋肉量と、サルコペニアの疾患レベル（進行程度）との対応関係を表す情報を対応関係情報とする。具体的には、年齢毎に、四肢の筋肉量の平均値を基準値とし、基準値よりも少なくかつ基準値からの乖離量が高くなるほど、高い疾患レベルが対応付けられた対応関係情報が挙げられる。
なお、情報導出装置５０Ａは、このように複数種類の疾患に応じた対応関係情報をストレージ５３に記憶させておいてもよいし、特定の疾患用の対応関係情報をストレージ５３に記憶させておいてもよい。
このように第２の実施形態の特定部６５は、第１放射線画像Ｇ１および第２放射線画像Ｇ２に写る被写体の部位（撮影部位）に応じた対応関係情報を用いて、予め定められた疾患の罹患リスク、または予め定められた疾患の疾患レベルを表す疾患情報を特定する。
第２の実施形態においては、情報導出装置５０Ａが導出した疾患情報が教師データの正解データとして用いられる。図１６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１６に示すように教師データ４０Ａは、第１および第２の放射線画像Ｇ１，Ｇ２を含む学習用データ４１Ａと、疾患情報である正解データ４２Ａとからなる。
図１６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が入力されると疾患情報を軟部組織の組成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。
なお、上記第１の実施形態においては、正解データ４２として筋肉量を導出しているが、これに限定されるものではない。転倒率を正解データ４２として導出してもよい。以下、これを第３の実施形態として説明する。
図１７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１７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。図１７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、骨塩量導出部６６および特定部６７をさらに備えたものである。
なお、第３の実施形態においては、サブトラクション部６３は、エネルギーサブトラクション処理を行うことにより、第１および第２の放射線画像Ｇ１，Ｇ２から、被写体Ｈの骨部が抽出された骨部画像Ｇｂを導出する。なお、以降の処理における第１および第２の放射線画像Ｇ１，Ｇ２は散乱線成分が除去されたものである。骨部画像Ｇｂを導出する場合には、サブトラクション部６３は、第１および第２の放射線画像Ｇ１，Ｇ２に対して、下記の式（５）に示すように、それぞれ対応する画素間での重み付け減算を行うことにより、図１８に示すように、各放射線画像Ｇ１，Ｇ２に含まれる被写体Ｈの骨部が抽出された骨部画像Ｇｂを生成する。式（５）において、βは重み係数である。
Ｇｂ（ｘ，ｙ）＝β・Ｇ２（ｘ，ｙ）－Ｇ１（ｘ，ｙ） （５）
Ｇｂ（ｘ，ｙ）＝β・Ｇ２（ｘ，ｙ）－Ｇ１（ｘ，ｙ） （５）
骨塩量導出部６６は、骨部画像Ｇｂの画素毎に骨塩量を導出する。第３の実施形態において、骨塩量導出部６６は、骨部画像Ｇｂの各画素値を、基準撮影条件により取得した場合の骨画像の画素値に変換することにより骨塩量Ｂを導出する。具体的には、骨塩量導出部６６は、後述するルックアップテーブルから取得される補正係数を用いて、骨部画像Ｇｂの各画素値を補正することにより骨塩量を導出する。
ここで、放射線源３における管電圧が高く、放射線源３から放射される放射線が高エネルギーであるほど、放射線画像における軟部と骨部とのコントラストが小さくなる。また、放射線が被写体Ｈを透過する過程において、放射線の低エネルギー成分が被写体Ｈに吸収され、放射線が高エネルギー化するビームハードニングが生じる。ビームハードニングによる放射線の高エネルギー化は、被写体Ｈの体厚が大きいほど大きくなる。
図１９は被写体Ｈの体厚に対する骨部と軟部とのコントラストの関係を示す図である。なお、図１９においては、８０ｋＶ、９０ｋＶおよび１００ｋＶの３つの管電圧における、被写体Ｈの体厚に対する骨部と軟部とのコントラストの関係を示している。図１９に示すように、管電圧が高いほどコントラストは低くなる。また、被写体Ｈの体厚がある値を超えると、体厚が大きいほどコントラストは低くなる。なお、骨部画像Ｇｂにおける骨部領域の画素値が大きいほど、骨部と軟部とのコントラストは大きくなる。このため、図１９に示す関係は、骨部画像Ｇｂにおける骨部領域の画素値が大きいほど、高コントラスト側にシフトすることとなる。
第３の実施形態において、骨部画像Ｇｂにおける、撮影時の管電圧に応じたコントラストの相違、およびビームハードニングの影響によるコントラストの低下を補正するための補正係数を取得するためのルックアップテーブルが、情報導出装置５０のストレージ５３に記憶されている。補正係数は、骨部画像Ｇｂの各画素値を補正するための係数である。
図２０は補正係数を取得するためのルックアップテーブルの一例を示す図である。図２０において、基準撮影条件を、管電圧９０ｋＶに設定したルックアップテーブル（以下、単にテーブルとする）ＬＵＴ１が例示されている。図２０に示すようにテーブルＬＵＴ１において、管電圧が大きいほど、かつ被写体Ｈの体厚が大きいほど、大きい補正係数が設定されている。図２０に示す例において、基準撮影条件が管電圧９０ｋＶであるため、管電圧が９０ｋＶで体厚が０の場合に、補正係数が１となっている。なお、図２０において、テーブルＬＵＴ１を２次元で示しているが、補正係数は骨部領域の画素値に応じて異なる。このため、テーブルＬＵＴ１は、実際には骨部領域の画素値を表す軸が加わった３次元のテーブルとなる。
骨塩量導出部６６は、被写体Ｈの体厚分布Ｔ（ｘ，ｙ）およびストレージ１３に記憶された管電圧の設定値を含む撮影条件に応じた画素毎の補正係数Ｋ０（ｘ，ｙ）を、テーブルＬＵＴ１から抽出する。なお、体厚分布Ｔ（ｘ，ｙ）は、散乱線除去部６２が行う散乱線除去処理において、終了条件を満たした際の体厚分布を用いればよい。そして、骨塩量導出部６６は、下記式（６）に示すように、骨部画像Ｇｂにおける骨部領域の各画素（ｘ，ｙ）に対して、補正係数Ｋ０（ｘ，ｙ）を乗算することにより、骨部画像Ｇｂの画素毎の骨塩量Ｂ（ｘ，ｙ）（ｇ／ｃｍ2）を導出する。このようにして導出された骨塩量Ｂ（ｘ，ｙ）は、基準撮影条件である９０ｋＶの管電圧により被写体Ｈを撮影することにより取得され、かつビームハードニングの影響が除去された放射線画像に含まれる骨部領域の画素値を表すものとなる。このため、導出される骨塩量を各画素の画素値とする骨塩量画像が骨塩量導出部６６により導出されることとなる。
Ｂ（ｘ，ｙ）＝Ｋ０（ｘ，ｙ）×Ｇｂ（ｘ，ｙ） （６）
Ｂ（ｘ，ｙ）＝Ｋ０（ｘ，ｙ）×Ｇｂ（ｘ，ｙ） （６）
第３の実施形態の特定部６７には、筋肉量導出部６４から筋肉量を表す情報が入力され、骨塩量導出部６６から骨塩量を表す情報が入力される。特定部６７は、筋肉量導出部６４が導出した予め定められた部位の筋肉量と、骨塩量導出部６６が導出した骨塩量と、対応関係情報とに基づいて、被写体の転倒率（転倒発生率）を特定する。
一般に人間が転倒する確率と、筋肉もしくは筋力とには、相関関係があることが知られている。とくに、下肢の部位であるふくらはぎの筋肉（ヒラメ筋）および、骨盤を支える臀部の筋肉（大臀筋および中臀筋）の量もしくはこれらの筋肉による筋力と相関関係があることが知られている。
一例として、図２１には、年齢毎に、筋肉量と転倒率との間の相関関係を表す対応関係情報９０が示されている。図２１に示す対応関係情報９０では、いずれの年齢においても筋肉量が少ないほど転倒率は高くなる。なお、同じ筋肉量であっても、骨塩量が少ないほど転倒率は高くなり、また、転倒した場合における骨折する確率が高くなる。このため、第３の実施形態の情報導出装置５０Ｂでは、骨塩量毎に、図２１に示したような年齢毎の対応関係情報９０を有しており、複数の対応関係情報９０がストレージ５３に記憶されている。
なお、筋肉の質にもよるが、筋肉量が多いほど筋力が大きい傾向がある。このため、筋肉量に代えて、転倒率を特定するための筋力をパラメータとして用いてもよい。
このように第３の実施形態の特定部６７は、第１放射線画像Ｇ１および第２放射線画像Ｇ２に含まれる被写体Ｈの部位（撮影部位）に応じた対応関係情報を用いて、被写体の転倒率を特定する。
第３の実施形態においては、情報導出装置５０Ｂが導出した転倒率が教師データの正解データとして用いられる。図２２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２２に示すように教師データ４０Ｂは、第１および第２の放射線画像Ｇ１，Ｇ２を含む学習用データ４１Ｂと、転倒率である正解データ４２Ｂとからなる。
図２２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が入力されると転倒率を軟部組織の組成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。
なお、上記第１から第３の実施形態に限定されず、例えば上記第１から第３の実施形態を組み合わせてもよい。例えば、第３の実施形態による特定部６７が、筋肉量導出部６４が導出した予め定められた部位の筋肉量と、骨塩量導出部６６が導出した骨塩量と、対応関係情報とに基づいて、予め定められた疾患の罹患リスク、または予め定められた疾患の疾患レベルを疾患情報として特定して教師データとして用いる形態としてもよい。また、第２の実施形態による特定部６５が、筋肉量導出部６４が導出した予め定められた部位の筋肉量と、対応関係情報９０とに基づいて、転倒率を特定して教師データとして用いる形態としてもよい。
また、筋肉量、疾患情報および転倒率のすべて、あるいはこれらのうちの複数を特定して教師データとして用いる形態としてもよい。このような教師データを用いて学習を行う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は、単純放射線画像Ｇ０の入力により、筋肉量、疾患情報および転倒率のすべて、あるいはこれらのうちの複数を、軟部組織の組成に関連する推定結果として出力するものとなる。
また、上記第１から第３の実施形態における筋肉量の導出、および第３の実施形態における骨塩量の導出に用いる画像は縮小画像であってもよい。例えば、筋肉量導出部６４は、軟部画像Ｇｓを縮小した縮小画像の画素毎に筋肉量を導出してもよい。また例えば、骨塩量導出部６６は、骨部画像Ｇｂを縮小した縮小画像の画素毎の骨塩量を導出してもよい。このように縮小画像を用いた場合、ノイズを低減させてＳＮ比（Signal to Noise ratio)を向上させることができるため、導出精度を向上させることができる。
また、上記第１から第３の実施形態においては、第１および第２の放射線画像Ｇ１，Ｇ２から教師データを導出しているが、ＣＴ装置４により取得されたＣＴ画像から教師データを導出してもよい。以下これを第４の実施形態として説明する。
図２３は第４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２３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。図２３に示すように、第４の実施形態による情報導出装置５０Ｃは、第１の実施形態による情報導出装置５０の散乱線除去部６２、サブトラクション部６３および筋肉量導出部６４に代えて、合成部６８および筋肉量導出部６９を備える。
第４の実施形態においては、画像取得部６１は、学習用データを導出するための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４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６８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２４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２４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２４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（７）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、減弱係数はとくに断りがない限り線減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 （７）
Ｖ０（ｘ，ｙ，ｚ）＝（μi－μw）／μw×１０００ （７）
水の減弱係数μwは既知である。したがって、式（７）をμiについて解くことにより、下記の式（８）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 （８）
μi＝Ｖ０（ｘ，ｙ，ｚ）×μw／１０００＋μw （８）
合成部６８は、図２４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８０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、予め定められた撮影条件に応じて設定される。具体的には、照射線量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（９）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） （９）
Ｉ１（ｘ，ｙ）＝Ｉ０×ｅｘｐ（－∫μi・ｄｔ） （９）
なお、照射する放射線源を面光源と仮定した場合、式（９）に用いる減弱係数μiは図２４に示す上下方向に並ぶ各画素のＣＴ値から式（８）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２５に示すように、点光源と仮想的な平面８０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（８）により導出した減弱係数μiを用いればよい。
筋肉量導出部６９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の筋肉量を導出する。ここで、ＣＴ値について説明する。図２６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２６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。
筋肉量導出部６９は、まずＣＴ画像Ｖ０のＣＴ値に基づいてＣＴ画像Ｖ０における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。
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（１０）により導出することができる。
ρ＝μi／μe （１０）
ρ＝μi／μe （１０）
図２７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２７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２７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、筋肉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２７に示すテーブルにおける筋肉等についての関係を参照して、筋肉の質量減弱係数を取得する。また、筋肉領域の各画素における減弱係数μmを上記式（８）により導出する。そして、上記式（１０）により、ＣＴ画像Ｖ０に含まれる筋肉領域の各画素における単位体積当たりの筋肉密度ρmを筋肉量として導出する。
なお、ＣＴ画像Ｖ０は３次元画像であるため、上記式（１０）により導出される単位体積当たりの筋肉量の単位は［ｇ／ｃｍ3］である。本実施形態においては、筋肉量導出部６９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筋肉量を導出する。このため、筋肉量導出部６９は、上記式（１０）により導出した単位体積当たりの筋肉密度ρm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８０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筋肉量Ｍ［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の各画素の筋肉量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、筋肉量導出部６９は、予め定められた部位についての筋肉量の代表値を導出すればよい。例えば、予め定められた部位が臀部および下肢の上部である場合、筋肉量導出部６９は、合成２次元画像Ｃ０における臀部および下肢の上部の領域における各画素の筋肉量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、予め定められた部位である臀部および下肢の上部の筋肉量の代表値を正解データとして用いる。
第４の実施形態においては、情報導出装置５０Ｃが導出した筋肉量が教師データの正解データとして用いられる。図２８は第４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２８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４１Ｃと、筋肉量である正解データ４２Ｃとからなる。
図２８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、第１の実施形態と同様に、単純放射線画像Ｇ０が入力されると筋肉量を軟部組織の組成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。
なお、上記第４の実施形態においては、正解データとしてＣＴ画像Ｖ０から筋肉量を導出しているが、これに限定されるものではない。第２の実施形態と同様に、予め定められた疾患の罹患リスクまたは予め定められた疾患の疾患レベルを表す疾患情報を正解データとして導出してもよい。以下、これを第５の実施形態として説明する。
図２９は第５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２９において図２３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。図２９に示すように、第５の実施形態による情報導出装置５０Ｄは、第４の実施形態による情報導出装置５０Ｃに対して、第２の実施形態による情報導出装置５０Ａの特定部６５と同様の処理を行う特定部６５Ａをさらに備える。
第５の実施形態においては、特定部６５Ａは、筋肉量導出部６９がＣＴ画像Ｖ０から導出した予め定められた部位の筋肉量と対応関係情報とに基づいて、予め定められた疾患の罹患リスクまたは予め定められた疾患の疾患レベルを表す疾患情報を特定する。
第５の実施形態においては、情報導出装置５０Ｄが導出した疾患情報が教師データの正解データとして用いられる。図３０は第５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３０に示すように教師データ４０Ｄは、合成２次元画像Ｃ０を含む学習用データ４１Ｄと、疾患情報である正解データ４２Ｄとからなる。
図３０に示す教師データ４０Ｄ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、第２の実施形態と同様に、単純放射線画像Ｇ０が入力されると疾患情報を軟部組織の組成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。
なお、上記第４の実施形態においては、正解データとしてＣＴ画像Ｖ０から筋肉量を導出しているが、これに限定されるものではない。第３の実施形態と同様に、転倒率を正解データとして導出してもよい。以下、これを第６の実施形態として説明する。
図３１は第６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３１において図２３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。図３１に示すように、第６の実施形態による情報導出装置５０Ｅは、第４の実施形態による情報導出装置５０Ｃに対して、骨塩量導出部８１および第３の実施形態による情報導出装置５０Ｂの特定部６７と同様の処理を行う特定部６７Ａをさらに備える。
骨塩量導出部８１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の骨塩量を導出する。すなわち、骨塩量導出部８１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。
第６の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２７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（８）により導出する。そして、上記式（１０）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塩量ρb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（１０）により導出される単位体積当たりの骨塩量の単位は［ｇ／ｃｍ3］である。第６の実施形態においては、骨塩量導出部８１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塩量を導出する。このため、骨塩量導出部８１は、上記式（１０）により導出した単位体積当たりの骨塩量ρb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８０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塩量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の各画素の骨塩量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、第６の実施形態においては、骨塩量導出部８１は、予め定められた部位についてのみ骨塩量の代表値を導出すればよい。本実施形態においては、予め定められた部位は臀部および下肢の上部であるため、骨塩量導出部８１は、合成２次元画像Ｃ０における臀部および下肢の上部の領域における各画素の骨塩量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。
第６の実施形態においては、特定部６７Ａは、筋肉量導出部６９がＣＴ画像Ｖ０から導出した予め定められた部位の筋肉量と、骨塩量導出部８１が導出した予め定められた部位の骨塩量と、図２１に示す対応関係情報９０とに基づいて、転倒率を特定する。
第６の実施形態においては、情報導出装置５０Ｅが導出した転倒率が教師データの正解データとして用いられる。図３２は第６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３２に示すように教師データ４０Ｅは、合成２次元画像Ｃ０を含む学習用データ４１Ｅと、転倒率である正解データ４２Ｅとからなる。
図３２に示す教師データ４０Ｅ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が入力されると転倒率を軟部組織の組成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。
なお、上記第４から第６の実施形態に限定されず、例えば上記第４から第６の実施形態を組み合わせてもよい。例えば、第６の実施形態による特定部６７Ａが、筋肉量導出部６９が導出した予め定められた部位の筋肉量と、骨塩量導出部８１が導出した予め定められた部位の骨塩量と、対応関係情報とに基づいて、予め定められた疾患の罹患リスク、または予め定められた疾患の疾患レベルを表す疾患情報を特定して教師データとして用いる形態としてもよい。また、第５の実施形態による特定部６５Ａが、筋肉量導出部６９が導出した予め定められた部位の筋肉量と、対応関係情報９０とに基づいて、転倒率を特定して教師データとして用いる形態としてもよい。
また、筋肉量、疾患情報および転倒率のすべて、あるいはこれらのうちの複数を特定して教師データとして用いる形態としてもよい。このような教師データを用いて学習を行う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は、単純放射線画像Ｇ０の入力により、筋肉量、疾患情報および転倒率のすべて、あるいはこれらのうちの複数を、軟部組織の組成に関連する推定結果として出力するものとなる。
また、上記第１の実施形態においては、正解データとして筋肉量を導出しているが、これに限定されるものではない。脂肪量を正解データとして導出してもよい。以下、これを第７の実施形態として説明する。
図３３は第７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３３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。図３３に示すように、第７の実施形態による情報導出装置５０Ｆは、第１の実施形態による情報導出装置５０に含まれる筋肉量導出部６４に代えて、脂肪量導出部８２を備えたものである。
脂肪量導出部８２は、軟部画像Ｇｓから、上述した筋肉組織および脂肪組織のエネルギー特性の差を利用して、筋肉と脂肪とを分離する。すなわち、第１の実施形態における筋肉量導出部６４が軟部画像Ｇｓから筋肉画像を導出しているのに対して、脂肪量導出部８２は、軟部画像Ｇｓから脂肪画像を生成する。また、脂肪量導出部８２は、脂肪画像の画素値に基づいて各画素の脂肪量を導出する。
脂肪量導出部８２は、まず第１の実施形態における筋肉量導出部６４と同様に、上記式（２）により軟部画像Ｇｓ内の各画素位置（ｘ，ｙ）における筋肉率ｒｍ（ｘ，ｙ）を導出する。そして、筋肉率ｒｍ（ｘ，ｙ）を１から減算することにより、脂肪率ｒｆ（ｘ，ｙ）（＝１－ｒｍ（ｘ，ｙ））を導出する。
さらに、脂肪量導出部８２は、下記式（１１）により、軟部画像Ｇｓから脂肪画像Ｇｆを生成する。なお、式（１１）における、ｘ、ｙは脂肪画像Ｇｆの各画素の座標である。
Ｇｆ（ｘ，ｙ）＝ｒｆ（ｘ，ｙ）×Ｇｓ（ｘ，ｙ） （１１）
Ｇｆ（ｘ，ｙ）＝ｒｆ（ｘ，ｙ）×Ｇｓ（ｘ，ｙ） （１１）
脂肪量導出部８２は、脂肪画像Ｇｆの画素値を画素毎の脂肪量として導出すればよい。一方、画素毎の脂肪率ｒｆを脂肪量として導出してもよい。また、脂肪画像Ｇｆは、下記式（１２）に示すように、脂肪画像Ｇｆの各画素（ｘ，ｙ）に対して、予め定められた画素値と脂肪量との関係を表す係数Ｋ２（ｘ，ｙ）を乗算することにより、脂肪画像Ｇｆの画素毎の脂肪量Ｆ（ｘ，ｙ）（ｇ／ｃｍ2）を導出してもよい。この場合、脂肪量は単位面積当たりの脂肪量となるが、単位体積当たりの脂肪量を導出するようにしてもよい。
Ｆ（ｘ，ｙ）＝Ｋ２（ｘ，ｙ）×Ｇｆ（ｘ，ｙ） （１２）
Ｆ（ｘ，ｙ）＝Ｋ２（ｘ，ｙ）×Ｇｆ（ｘ，ｙ） （１２）
第７の実施形態においては、情報導出装置５０Ｆが導出した脂肪量が教師データの正解データとして用いられる。図３４は第７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３４に示すように教師データ４０Ｆは、第１および第２の放射線画像Ｇ１，Ｇ２を含む学習用データ４１Ｆと、脂肪量である正解データ４２Ｆとからなる。
図３４に示す教師データ４０Ｆ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が入力されると脂肪量を軟部組織の組成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、上記第４の実施形態においては、正解データとして筋肉量を導出しているが、これに限定されるものではない。脂肪量を正解データとして導出してもよい。以下、これを第８の実施形態として説明する。
図３５は第８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３５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。図３５に示すように、第８の実施形態による情報導出装置５０Ｇは、第４の実施形態による情報導出装置５０Ｃに含まれる筋肉量導出部６９に代えて、脂肪量導出部８３を備えたものである。
脂肪量導出部８３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の脂肪量を導出する。すなわち、脂肪量導出部８３は、まずＣＴ画像Ｖ０のＣＴ値に基づいてＣＴ画像Ｖ０における脂肪領域を特定する。具体的にはしきい値処理によりＣＴ値が－１００程度、例えばＣＴ値が－１００±１０となる画素からなる領域を脂肪領域に特定する。なお、しきい値処理に代えて、ＣＴ画像Ｖ０から脂肪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脂肪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脂肪領域の指定を受け付けることにより、脂肪領域を特定するようにしてもよい。
そして、脂肪量導出部８３は、図２７に示す脂肪についての関係を参照して、脂肪の質量減弱係数を取得する。また、脂肪領域の各画素における減弱係数μfを上記式（８）により導出する。そして、上記式（１０）により、ＣＴ画像Ｖ０に含まれる脂肪領域の各画素における単位体積当たりの脂肪密度ρfを脂肪量として導出する。
なお、ＣＴ画像Ｖ０は３次元画像であるため、上記式（１０）により導出される単位体積当たりの脂肪量の単位は［ｇ／ｃｍ3］である。本実施形態においては、脂肪量導出部８３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脂肪量を導出する。このため、脂肪量導出部８３は、上記式（１０）により導出した単位体積当たりの脂肪密度ρf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８０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脂肪量Ｆ［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の各画素の脂肪量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、脂肪量導出部８３は、予め定められた部位についての脂肪量の代表値を導出すればよい。例えば、予め定められた部位が腹部である場合、脂肪量導出部８３は、合成２次元画像Ｃ０における腹部の領域における各画素の脂肪量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。
第８の実施形態においては、情報導出装置５０Ｇが導出した脂肪量が教師データの正解データとして用いられる。図３６は第８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３６に示すように教師データ４０Ｇは、合成２次元画像Ｃ０を含む学習用データ４１Ｇと、脂肪量である正解データ４２Ｇとからなる。
図３６に示す教師データ４０Ｇ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、第７の実施形態と同様に、単純放射線画像Ｇ０が入力されると脂肪量を軟部組織の組成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、単純放射線画像Ｇ０から軟部組織の組成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走査画像から軟部組織の組成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、第４から第６の実施形態における合成部６８が導出した合成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。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。
なお、上記各実施形態においては、予め定められた部位を、臀部、下肢および四肢等としているが、これらに限定されるものではない。本実施形態においては、任意の部位を対象として軟部組織の組成に関連する推定結果を導出することが可能である。
また、上記第１から第３および第７の実施形態においては、教師データ４０の学習用データ４１として、第１および第２の放射線画像Ｇ１，Ｇ２を用いているが、これに限定されるものではない。図３７の教師データ４０Ｈに示すように、第２の放射線画像Ｇ２に代えて、サブトラクション部６３が導出した軟部画像Ｇｓを学習用データ４１Ｈとして用いるようにしてもよい。なお、図３７においては正解データ４２Ｈは筋肉量である。
また、上記第１から第３および第７の実施形態においては、正解データとしての筋肉量を導出する際に、第１の放射線画像Ｇ１および第２の放射線画像Ｇ２そのものを用いているが、これに限定されるものではない。第１の放射線画像Ｇ１および第２の放射線画像Ｇ２の各画素について、周囲の画素との移動平均を算出し、移動平均を各画素の画素値とする第１の放射線画像Ｇ１および第２の放射線画像Ｇ２を用いて筋肉量を導出してもよい。この場合、放射線源３、被写体Ｈおよび放射線検出器５，６の相互の距離の情報、並びに放射線検出器５，６の画素サイズの情報等から、移動平均に使用する画素を適宜決定すればよい。
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、上記第１から第３および第７の実施形態においては、筋肉量を導出するためのエネルギーサブトラクション処理を行うに際し、１ショット法により第１および第２の放射線画像Ｇ１，Ｇ２を取得しているが、これに限定されるものではない。１つの放射線検出器のみ用いて撮影を２回行う、いわゆる２ショット法により第１および第２の放射線画像Ｇ１，Ｇ２を取得してもよい。２ショット法の場合、被写体Ｈの体動により、第１の放射線画像Ｇ１および第２の放射線画像Ｇ２に含まれる被写体Ｈの位置がずれる可能性がある。このため、第１の放射線画像Ｇ１および第２の放射線画像Ｇ２において、被写体の位置合わせを行った上で、本実施形態の処理を行うことが好ましい。
位置合わせの処理としては、例えば特開２０１１－２５５０６０号公報に記載された手法を用いることができる。特開２０１１－２５５０６０号公報に記載された手法は、第１および第２の放射線画像Ｇ１，Ｇ２のそれぞれについての、周波数帯域が異なる構造物を表す複数の第１の帯域画像および複数の第２の帯域画像を生成し、対応する周波数帯域の第１の帯域画像および第２の帯域画像における、互いに対応する位置の位置ずれ量を取得し、位置ずれ量に基づいて第１の放射線画像Ｇ１と第２の放射線画像Ｇ２との位置合わせを行うようにしたものである。
また、上記各実施形態においては、第１および第２の放射線検出器５，６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、教師データの正解データとしての軟部組織の組成に関連する情報を導出しているが、放射線検出器に代えて、蓄積性蛍光体シートを用いて取得した第１および第２の放射線画像Ｇ１，Ｇ２から正解データとしての軟部組織の組成に関連する情報を導出するようにしてもよい。この場合、２枚の蓄積性蛍光体シートを重ねて被写体Ｈを透過した放射線を照射して、被写体Ｈの放射線画像情報を各蓄積性蛍光体シートに蓄積記録し、各蓄積性蛍光体シートから放射線画像情報を光電的に読み取ることにより第１および第２の放射線画像Ｇ１，Ｇ２を取得すればよい。なお、蓄積性蛍光体シートを用いて第１および第２の放射線画像Ｇ１，Ｇ２を取得する場合にも、２ショット法を用いるようにしてもよい。
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、散乱線除去部６２、サブトラクション部６３および筋肉量導出部６４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
４ ＣＴ装置
５、６ 放射線検出器
７ 放射線エネルギー変換フィルタ
９ 画像保存システム
１０ 推定装置
１１、５１ ＣＰＵ
１２Ａ 推定プログラム
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、４０Ｄ、４０Ｅ、４０Ｆ、４０Ｇ、４０Ｈ 教師データ
４１、４１Ａ、４１Ｂ、４１Ｃ、４１Ｄ、４１Ｅ、４１Ｆ、４１Ｇ、４１Ｈ 学習用データ
４２、４２Ａ、４２Ｂ、４２Ｃ、４２Ｄ、４２Ｅ、４２Ｆ、４２Ｇ、４２Ｈ 正解データ
４７ 出力データ
４８ パラメータ
５０，５０Ａ、５０Ｂ、５０Ｃ、５０Ｄ、５０Ｅ、５０Ｆ、５０Ｇ 情報導出装置
５２ 情報導出プログラム
６１ 画像取得部
６２ 散乱線除去部
６３ サブトラクション部
６４ 筋肉量導出部
６５、６５Ａ 特定部
６６ 骨塩量導出部
６７、６７Ａ 特定部
６８ 合成部
６９ 筋肉量導出部
７０ 表示画面
７１ 画像表示領域
７２ 筋肉量表示領域
７３ リファレンス
８０ 平面
８１ 骨塩量導出部
８２、８３ 脂肪量導出部
９０ 対応関係情報
Ｃ０ 合成２次元画像
Ｇ０ 単純放射線画像
Ｇ１、Ｇ２ 放射線画像
Ｇｂ 骨部画像
Ｇｓ 軟部画像
ＬＵＴ１ テーブル
３ 放射線源
４ ＣＴ装置
５、６ 放射線検出器
７ 放射線エネルギー変換フィルタ
９ 画像保存システム
１０ 推定装置
１１、５１ ＣＰＵ
１２Ａ 推定プログラム
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、４０Ｄ、４０Ｅ、４０Ｆ、４０Ｇ、４０Ｈ 教師データ
４１、４１Ａ、４１Ｂ、４１Ｃ、４１Ｄ、４１Ｅ、４１Ｆ、４１Ｇ、４１Ｈ 学習用データ
４２、４２Ａ、４２Ｂ、４２Ｃ、４２Ｄ、４２Ｅ、４２Ｆ、４２Ｇ、４２Ｈ 正解データ
４７ 出力データ
４８ パラメータ
５０，５０Ａ、５０Ｂ、５０Ｃ、５０Ｄ、５０Ｅ、５０Ｆ、５０Ｇ 情報導出装置
５２ 情報導出プログラム
６１ 画像取得部
６２ 散乱線除去部
６３ サブトラクション部
６４ 筋肉量導出部
６５、６５Ａ 特定部
６６ 骨塩量導出部
６７、６７Ａ 特定部
６８ 合成部
６９ 筋肉量導出部
７０ 表示画面
７１ 画像表示領域
７２ 筋肉量表示領域
７３ リファレンス
８０ 平面
８１ 骨塩量導出部
８２、８３ 脂肪量導出部
９０ 対応関係情報
Ｃ０ 合成２次元画像
Ｇ０ 単純放射線画像
Ｇ１、Ｇ２ 放射線画像
Ｇｂ 骨部画像
Ｇｓ 軟部画像
ＬＵＴ１ テーブル
Claims (18)
- 少なくとも１つのプロセッサを備え、
前記プロセッサは、
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、前記被写体の軟部組織の組成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、（ｉ）エネルギー分布が異なる放射線により被写体を撮影することにより取得された２つの放射線画像、（ｉｉ）前記被写体の放射線画像および前記被写体の前記軟部組織を表す軟部画像、または（ｉｉｉ）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、前記被写体の軟部組織の組成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。 - 前記軟部組織の組成に関連する情報は、エネルギー分布が異なる放射線により被写体を撮影することにより取得された２つの放射線画像から導出された軟部画像における軟部領域の画素値に基づいて導出される請求項１に記載の推定装置。
- 前記軟部組織の組成に関連する情報は、前記ＣＴ画像における軟部領域を特定し、前記軟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軟部領域における質量減弱係数に基づいて導出された、前記軟部組織の組成の密度に基づいて導出される請求項１に記載の推定装置。
- 前記軟部組織の組成に関連する情報は、前記軟部領域の各位置における組成の密度を予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。
- 前記軟部組織の組成に関連する情報は、単位面積当たりの筋肉量、単位体積当たりの筋肉量、単位面積当たりの脂肪量、単位体積当たりの脂肪量、予め定められた疾患の罹患リスクまたは予め定められた疾患の疾患レベルを表す疾患情報、および転倒率の少なくとも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。
- 前記疾患情報は、前記被写体の予め定められた部位の前記筋肉量を導出し、
予め定められた疾患の罹患リスクまたは予め定められた疾患の疾患レベルを表す疾患情報と前記予め定められた部位の筋肉量との対応関係を表す対応関係情報、および前記筋肉量に基づいて前記疾患情報を特定することにより導出される請求項５に記載の推定装置。 - 前記疾患情報は、前記被写体の予め定められた部位の前記筋肉量および骨塩量を導出し、
予め定められた疾患の罹患リスクまたは予め定められた疾患の疾患レベルを表す疾患情報と前記予め定められた部位の筋肉量との対応関係を表す対応関係情報、前記筋肉量、および前記骨塩量に基づいて前記疾患情報を特定することにより導出される請求項５に記載の推定装置。 - 前記予め定められた部位は下肢であり、
前記予め定められた疾患は糖尿病であり、
前記疾患情報は前記糖尿病の前記罹患リスクである請求項６または請求項７に記載の推定装置。 - 前記予め定められた部位は四肢または全身であり、
前記予め定められた疾患はサルコペニアであり、
前記疾患情報は前記サルコペニアの前記疾患レベルである請求項６または請求項７に記載の推定装置。 - 前記転倒率は、前記被写体の予め定められた部位の前記筋肉量を導出し、
前記予め定められた部位の筋肉量または前記予め定められた部位の筋肉量に応じた筋力である筋肉情報と被写体の転倒率との対応関係を表す対応関係情報、および前記筋肉量に基づいて、前記転倒率を特定することにより導出される請求項５に記載の推定装置。 - 前記転倒率は、前記被写体の予め定められた部位の前記筋肉量および骨塩量を導出し、
前記予め定められた部位の筋肉量または前記予め定められた部位の筋肉量に応じた筋力である筋肉情報と被写体の転倒率との対応関係を表す対応関係情報、前記筋肉量、および前記骨塩量に基づいて、前記転倒率を特定することにより導出される、請求項５に記載の推定装置。 - 前記予め定められた部位は下肢および臀部の少なくとも一方である請求項１０または請求項１１に記載の推定装置。
- 前記プロセッサは、前記ＤＸＡ走査画像から前記軟部組織の組成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軟部組織の組成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１２のいずれか１項に記載の推定装置。 - 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１３に記載の推定装置。
- 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１３に記載の推定装置。
- 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１３に記載の推定装置。
- 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、前記被写体の軟部組織の組成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走査画像から前記軟部組織の組成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、（ｉ）エネルギー分布が異なる放射線により被写体を撮影することにより取得された２つの放射線画像、（ｉｉ）前記被写体の放射線画像および前記被写体の前記軟部組織を表す軟部画像、または（ｉｉｉ）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、前記被写体の軟部組織の組成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。 - 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、前記被写体の軟部組織の組成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走査画像から前記軟部組織の組成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、（ｉ）エネルギー分布が異なる放射線により被写体を撮影することにより取得された２つの放射線画像、（ｉｉ）前記被写体の放射線画像および前記被写体の前記軟部組織を表す軟部画像、または（ｉｉｉ）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、前記被写体の軟部組織の組成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。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021068641A JP2022163614A (ja) | 2021-04-14 | 2021-04-14 | 推定装置、方法およびプログラム |
| US17/717,215 US20220335605A1 (en) | 2021-04-14 | 2022-04-11 | Estimation device, estimation method, and estimation program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021068641A JP2022163614A (ja) | 2021-04-14 | 2021-04-14 | 推定装置、方法およびプログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2022163614A true JP2022163614A (ja) | 2022-10-26 |
Family
ID=83602536
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021068641A Pending JP2022163614A (ja) | 2021-04-14 | 2021-04-14 | 推定装置、方法およびプログラム |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20220335605A1 (ja) |
| JP (1) | JP2022163614A (ja) |
-
2021
- 2021-04-14 JP JP2021068641A patent/JP2022163614A/ja active Pending
-
2022
- 2022-04-11 US US17/717,215 patent/US20220335605A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20220335605A1 (en) | 2022-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6704374B2 (ja) | 体脂肪率測定装置、方法およびプログラム | |
| JP2022140050A (ja) | 推定装置、方法およびプログラム | |
| JP2017225525A (ja) | 放射線画像処理装置、方法およびプログラム | |
| JP7093233B2 (ja) | 放射線撮影装置、放射線撮影方法およびプログラム | |
| US20220287663A1 (en) | Estimation device, estimation method, and estimation program | |
| US20220323032A1 (en) | Learning device, learning method, and learning program, radiation image processing device, radiation image processing method, and radiation image processing program | |
| Zhao et al. | Slot‐scan dual‐energy bone densitometry using motorized X‐ray systems | |
| US20220079543A1 (en) | Radiation image processing device and radiation image processing method | |
| JP2022163614A (ja) | 推定装置、方法およびプログラム | |
| Dendere et al. | Dual-energy X-ray absorptiometry for measurement of phalangeal bone mineral density on a slot-scanning digital radiography system | |
| JP2023012763A (ja) | 推定装置、方法およびプログラム | |
| 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 | |
| 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 | |
| WO2021095447A1 (ja) | 画像処理装置、放射線撮影装置、画像処理方法及びプログラム | |
| US20230172576A1 (en) | Radiation image processing device, radiation image processing method, and radiation image processing program | |
| US11963810B2 (en) | Estimation device, estimation method, and estimation program | |
| JP7254963B2 (ja) | 放射線画像処理装置、方法およびプログラム | |
| JP2023047910A (ja) | 脂肪量導出装置、方法およびプログラム | |
| US20220249013A1 (en) | Motor organ disease prediction device, motor organ disease prediction method, motor organ disease prediction program, learning device, learning method, learning program, and learned neural network | |
| US20230096694A1 (en) | Image processing device, image processing method, and image processing program | |
| US20240090861A1 (en) | Radiation image processing apparatus, operation method of radiation image processing apparatus, and non-transitory computer readable medium | |
| JP2024040945A (ja) | 画像処理装置、方法およびプログラム | |
| CN118043908A (zh) | 骨疾病预测装置、方法及程序、学习装置、方法及程序、以及学习完成神经网络 | |
| JP2024000885A (ja) | 放射線画像処理装置、方法およびプログラム |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240111 |