JP2023103359A - 学習装置、ｘ線画像処理システム、および、学習モデルの生成方法 - Google Patents

Abstract

【課題】Ｘ線画像と２次元投影画像とにおいて、画像に含まれる構成物が異なる場合においても、機械学習によって生成された学習モデルを用いて、特定部分の抽出または除去の精度が低下することを抑制することが可能な学習装置、Ｘ線画像処理システム、および、学習モデルの生成方法を提供することである。【解決手段】このＸ線画像処理システム１００は、特定部分Ｑを抽出するか、または、特定部分Ｑを除去するための第１学習モデルＭ１を生成する。Ｘ線画像処理システム１００は、ＤＲＲ画像Ｄに対して、物体形状画像Ｂが合成された画像を少なくとも含む入力教師画像Ｔ１と、入力教師画像Ｔ１と同じ領域における特定部分Ｑを示すまたは特定部分Ｑが除去された出力教師画像Ｔ２と、を用いて、機械学習を行うことにより第１学習モデルＭ１を生成する。【選択図】図１

Description

本発明は、学習装置、Ｘ線画像処理システム、および、学習モデルの生成方法に関する。

従来、被検者の特定部位を含むＸ線透視画像から特定部位の位置を検出し、特定部位に対して治療ビームを照射するために、特定部位の動きを追跡する放射線治療用追跡装置が知られている（たとえば、特許文献１参照）。

上記特許文献１には、ＤＲＲ（Ｄｉｇｉｔａｌｌｙ Ｒｅｃｏｎｓｔｒｕｃｔｅｄ Ｒａｄｉｏｇｒａｐｈｙ）画像作成部と、識別器学習部と、特定部位領域検出部とを備える放射線治療用追跡装置が開示されている。ＤＲＲ画像作成部は、治療計画時に作成された特定部位を含む領域のＣＴ画像データに対して仮想的透視投影を行うことによって、特定部位を含むＤＲＲ画像を作成する。識別器学習部は、ＤＲＲ画像を入力とし、特定部位の領域を示す教師ラベル画像を出力として、機械学習を実行することにより、特定部位の領域を認識するための識別器を学習する。特定部位領域検出部は、特定部位を含むＸ線透視画像に対して、学習された識別器を使用して識別を行うことによって、特定部位の領域を検出する。上記特許文献１に記載の放射線治療用追跡装置は、上記の構成によって、予めＤＲＲ画像と教師ラベル画像とを機械学習することによって識別器を学習し、この識別器とＸ線透視画像とを利用して識別を実行することにより、特定部位の位置を検出する。そして、上記特許文献１に記載の放射線治療用追跡装置は、特定部位に対して治療ビームを照射するために、特定部位の動きを追跡する。

国際公開第２０１９／００３４３４号

しかしながら、上記特許文献１に記載の放射線治療用追跡装置において、Ｘ線透視画像に含まれる構造物または部材（Ｘ線透視画像に含まれる構成物）が、ＣＴ画像データ（３次元データ）に基づいて生成されたＤＲＲ画像には含まれていない場合がある。構造物は、たとえば、被検体が載置される天板の一部とＸ線検出器のカバーとを含む。また、部材は、たとえば、被検体の体内に留置されるガイドワイヤおよびカテーテルを含む。また、被検体の体内に留置されているマーカーの位置または個数が、ＤＲＲ画像を生成した時点とＸ線透視画像が撮影された時点とでは変化している場合がある。これらの場合では、Ｘ線透視画像とＤＲＲ画像とにおいて画像に含まれる構成物が異なることに起因して、ＤＲＲ画像に基づく機械学習によって生成された識別器を用いてＸ線透視画像を識別する際に、識別の精度が低下する場合があると考えられる。そのため、Ｘ線透視画像（Ｘ線画像）とＤＲＲ画像（２次元投影画像）とにおいて、画像に含まれる構成物が異なる場合においても、機械学習によって生成された識別器（学習モデル）を用いて特定部位（特定部分）の抽出または除去の精度が低下することを抑制することが可能な医用画像処理装置、Ｘ線画像処理システム、および、学習モデルの生成方法の開発が望まれている。

この発明は、上記のような課題を解決するためになされたものであり、この発明の１つの目的は、Ｘ線画像と２次元投影画像とにおいて、画像に含まれる構成物が異なる場合においても、機械学習によって生成された学習モデルを用いて、特定部分の抽出または除去の精度が低下することを抑制することが可能な学習装置、Ｘ線画像処理システム、および、学習モデルの生成方法を提供することである。

上記目的を達成するために、この発明の第１の局面における学習装置は、Ｘ線画像における特定部分を抽出するか、または、Ｘ線画像における特定部分を除去するための第１学習モデルを生成する学習装置であって、３次元における画素値データを有する３次元データを取得する３次元データ取得部と、特定部分を含み、３次元データに対する投影処理に基づいて生成される２次元投影画像に、３次元データには含まれない特定部分とは別個の所定の物体の画像である物体形状画像が合成された画像を、少なくとも含む入力教師画像を生成する入力教師画像生成部と、３次元データに対する投影処理に基づいて、入力教師画像と同じ領域における特定部分を示すまたは特定部分が除去された出力教師画像を生成する出力教師画像生成部と、入力教師画像および出力教師画像を用いて、機械学習を行うことにより、第１学習モデルを生成する学習モデル生成部と、を備える。

この発明の第２の局面における、Ｘ線画像処理システムは、Ｘ線撮影によって特定部分を含むＸ線画像を取得するＸ線撮影部と、Ｘ線画像における特定部分を抽出するか、または、Ｘ線画像における特定部分を除去するための第１学習モデルを生成する学習装置と、学習装置により学習済みの第１学習モデルに基づいて、Ｘ線撮影部によって撮影された特定部分を含むＸ線画像に対して、特定部分を抽出する処理と、特定部分を除去する処理とのいずれか一方を行う特定部分処理部と、を備え、学習装置は、３次元における画素値データを有する３次元データを取得する３次元データ取得部と、特定部分を含み、３次元データに対する投影処理に基づいて生成される２次元投影画像に、３次元データには含まれない特定部分とは別個の所定の物体の画像である物体形状画像が合成された画像を、少なくとも含む入力教師画像を生成する入力教師画像生成部と、３次元データに対する投影処理に基づいて、入力教師画像と同じ領域における特定部分を示すまたは特定部分が除去された出力教師画像を生成する出力教師画像生成部と、入力教師画像および出力教師画像を用いて、機械学習を行うことにより、第１学習モデルを生成する学習モデル生成部と、を含む。

この発明の第３の局面における、学習モデルの生成方法は、Ｘ線画像における特定部分を抽出するか、または、Ｘ線画像における特定部分を除去するための第１学習モデルを生成する学習モデルの生成方法であって、３次元における画素値データを有する３次元データを取得するステップと、特定部分を含み、３次元データに対する投影処理に基づいて生成される２次元投影画像に、３次元データには含まれない特定部分とは別個の所定の物体の画像である物体形状画像が合成された画像を、少なくとも含む入力教師画像を生成するステップと、３次元データに対する投影処理に基づいて、入力教師画像と同じ領域における特定部分を示すまたは特定部分が除去された出力教師画像を生成するステップと、入力教師画像および出力教師画像を用いて、機械学習を行うことにより、第１学習モデルを生成するステップと、を備える。

上記第１の局面における学習装置と、上記第２の局面におけるＸ線画像処理システムとでは、２次元投影画像に対して上記物体形状画像を合成するので、Ｘ線画像に含まれる構成物に対応するように２次元投影画像に含まれる構成物を変更することができる。つまり、２次元投影画像に含まれる構成物とＸ線画像に含まれる構成物との間に差異がある場合においても対応可能な学習モデルを生成することができる。たとえば、２次元投影画像に対してＸ線画像にのみ含まれる構成物を疑似的に含ませた画像（物体形状画像を含んだ画像）を入力教師画像として、機械学習を行うことによって学習モデルを生成することができる。このため、Ｘ線画像と２次元投影画像とにおいて、画像に含まれる構成物が異なる場合においても、機械学習によって生成された学習モデルを用いて、特定部分の抽出、または、特定部分の除去の精度が低下することを抑制することができる。

また、この発明の上記第３の局面における学習モデルの生成方法では、２次元投影画像に対して上記物体形状画像を合成するので、Ｘ線画像に含まれる構成物に対応するように２次元投影画像に含まれる構成物を変更することができる。つまり、２次元投影画像に含まれる構成物とＸ線画像に含まれる構成物との間に差異がある場合においても対応可能な学習モデルを生成することができる。たとえば、Ｘ線画像に含まれる構成物を疑似的に含ませた状態（物体形状画像を含んだ状態）の２次元投影画像を入力教師画像として、機械学習を行うことができる。その結果、Ｘ線画像と２次元投影画像とにおいて、画像に含まれる構成物が異なる場合においても、特定部分の抽出または除去の精度が低下することを抑制することが可能な学習モデルを提供することができる。

第１実施形態によるＸ線画像処理システムの全体構成を説明するためのブロック図である。 第１実施形態による放射線治療時におけるＸ線画像処理システムの構成を説明するための図である。 第１実施形態によるＣＴ画像データを説明するための図である。 第１実施形態による第１制御部および第２制御部の機能的構成を示すブロック図である。 第１学習モデルによる特定部分の抽出に関して説明するための図である。 ＤＲＲ画像の生成について説明するための図である。 ＤＲＲ画像とＸ線画像との構成の差について説明するための図である。 ＦＰＤカバーを模した場合の物体形状画像について説明するための図である。 Ｘ線透視画像に生じる横線状のノイズを説明するための図である。 マーカーを模した場合の物体形状画像について説明するための図である。 第２学習モデルによる特定部分の抽出に関して説明するための図である。 第１学習モデルの生成方法を説明するためのフローチャートである。 第１実施形態によるＸ線画像処理システムの制御を説明するためのフローチャートである。 第１実施形態によるＸ線画像処理システムの使用例を説明するためのフローチャートである。 第２実施形態によるＸ線画像処理システムの全体構成を説明するためのブロック図である。 第２実施形態による血管造影におけるＸ線画像処理システムの構成を説明するための図である。 第２実施形態によるＤＲＲ画像を説明するための図である。 第２実施形態による第１制御部および第２制御部の機能的構成を示すためのブロック図である。 第２実施形態による入力教師画像と出力教師画像を説明するための図である。 第３学習モデルによる骨部の除去に関して説明するための図である。 第２実施形態によるＸ線画像処理システムの制御を説明するためのフローチャートである。

以下、本発明を具体化した実施形態を図面に基づいて説明する。

［第１実施形態］
図１～図１１を参照して、本発明の第１実施形態によるＸ線画像処理システム１００の構成について説明する。

（Ｘ線画像処理システムの構成）
図１に示すように、Ｘ線画像処理システム１００は、放射線治療装置１と、治療計画装置２と、学習装置３と、Ｘ線撮影部４と、Ｘ線画像処理装置５と、を備える。なお、学習装置３およびＸ線画像処理装置５は、特許請求の範囲の「医用画像処理装置」の一例である。

Ｘ線画像処理システム１００は、放射線治療装置１によって、がんなどの腫瘍を含む特定部分Ｑを治療する際に、被検体Ｐの呼吸などによって位置が変化する特定部分Ｑを追跡する追跡装置として構成されている。

図２に示すように、放射線治療装置１は、天板１１、ガントリー１２、基台１３、および、ヘッド１４を備える。天板１１は、放射線を照射される被検体Ｐが載置される。ガントリー１２は、床面に配置されている基台１３に対して移動可能に構成されている。ヘッド１４は、ガントリー１２に配置されており、被検体Ｐに対して治療ビームを照射する。そして、放射線治療装置１は、ガントリー１２が基台１３に対して回動することによって、ヘッド１４から照射する治療ビームの被検体Ｐに対する照射方向を変更可能なように構成されている。

また、放射線治療装置１は、後述するＸ線画像処理装置５からの信号に基づいて、治療ビームを照射する位置および照射するタイミングを制御するように構成されている。具体的には、被検体Ｐの特定部分Ｑに治療ビームを照射する際に、被検体Ｐの呼吸などによって、特定部分Ｑの位置が変化する。放射線治療装置１は、Ｘ線画像処理装置５によって取得された特定部分Ｑの位置に基づく信号によって、特定部分Ｑに放射線（治療ビーム）を照射することが可能なように構成されている。

治療計画装置２は、医師が被検体Ｐに対する放射線治療の計画を行うための装置である。すなわち、図示しないＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ：コンピュータ断層撮影）装置によって、特定部分Ｑを含む領域についての３次元のＣＴ画像データＣが生成される。そして、治療計画装置２において、３次元のＣＴ画像データＣと被検体Ｐに関する診察情報とに基づいて、治療の計画が行われる。つまり、治療計画装置２は、３次元のＣＴ画像データＣと被検体Ｐに関する診察情報に基づいて、治療計画データを生成する。ＣＴ画像データＣは、３次元における画素値データ（ＣＴ値）を有する３次元データである。ＣＴ値は、Ｘ線の透過しやすさを数値で表したものである。ＣＴ画像は、図３に示すように、被検体Ｐの体内についてのＣＴ値の大小を濃淡で表した画像である。ここで、ＣＴ画像データＣは、複数の２次元のＣＴ画像に基づいて生成された３次元のボクセルデータである。また、治療計画装置２において、ＣＴ画像データＣ上の特定部分Ｑに対応する画素部分（ボクセル）が、医師によって特定部分Ｑとして指定される。そして、治療計画装置２は、指定された特定部分Ｑについての情報を含んだ状態のＣＴ画像データＣを記憶する。なお、ＣＴ画像データＣは、特許請求の範囲の「３次元データ」の一例である。

図１に示すように、学習装置３は、第１制御部３０を含む。第１制御部３０は、たとえば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を有する。学習装置３は、ハードウェア的な構成として、たとえば、ＣＰＵ、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、および、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などを有する。また、学習装置３は、記憶部として、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）または不揮発性のメモリなどを含んでいる。

図４に示すように、第１制御部３０は、機能的な構成として、ＤＲＲ画像生成部３１、教師画像生成部３２、および、学習モデル生成部３３を含む。ＤＲＲ画像生成部３１、教師画像生成部３２、および、学習モデル生成部３３は、プログラム（ソフトウェア）として構成されている。すなわち、第１制御部３０が、プログラム（ソフトウェア）を実行することによって、ＤＲＲ画像生成部３１、教師画像生成部３２、および、学習モデル生成部３３として機能するように構成されている。なお、ＤＲＲ画像生成部３１および教師画像生成部３２は、特許請求の範囲の「学習画像生成部」の一例である。

また、第１制御部３０は、図５に示すように、治療計画装置２によって取得されたＣＴ画像データＣに基づいて、入力教師画像Ｔ１および出力教師画像Ｔ２を生成する処理を行うとともに、機械学習を行うことによって、特定部分Ｑを抽出するための第１学習モデルＭ１とマーカーＥを抽出するための第２学習モデルＭ２（図１１参照）とを生成する処理を行う。なお、第１学習モデルＭ１および第２学習モデルＭ２についての詳細は後述する。

Ｘ線撮影部４は、図２に示すように、Ｘ線撮影によって被検体Ｐの特定部分Ｑを含むＸ線透視画像Ａを取得する。Ｘ線撮影部４は、Ｘ線照射部４１と、Ｘ線検出部４２とを含む。Ｘ線照射部４１は、第１Ｘ線管４１ａ、第２Ｘ線管４１ｂ、第３Ｘ線管４１ｃ、および、第４Ｘ線管４１ｄを有する。また、Ｘ線検出部４２は、第１Ｘ線検出器４２ａ、第２Ｘ線検出器４２ｂ、第３Ｘ線検出器４２ｃ、および、第４Ｘ線検出器４２ｄを有する。第１～第４Ｘ線検出器４２ａ～４２ｄは、それぞれ、たとえば、ＦＰＤ（Ｆｌａｔ Ｐａｎｅｌ Ｄｅｔｅｃｔｏｒ）を有する。第１Ｘ線検出器４２ａは、第１Ｘ線管４１ａより照射されたＸ線を検出する。第１Ｘ線管４１ａと第１Ｘ線検出器４２ａとは、第１Ｘ線撮影系を構成する。同様に、第２Ｘ線検出器４２ｂは、第２Ｘ線管４１ｂより照射されたＸ線を検出する。第２Ｘ線管４１ｂと第２Ｘ線検出器４２ｂとは、第２Ｘ線撮影系を構成する。同様に、第３Ｘ線検出器４２ｃは、第３Ｘ線管４１ｃより照射されたＸ線を検出する。第３Ｘ線管４１ｃと第３Ｘ線検出器４２ｃとは、第３Ｘ線撮影系を構成する。同様に、第４Ｘ線検出器４２ｄは、第４Ｘ線管４１ｄより照射されたＸ線を検出する。第４Ｘ線管４１ｄと第４Ｘ線検出器４２ｄとは、第４Ｘ線撮影系を構成する。なお、Ｘ線透視画像Ａは、特許請求の範囲の「Ｘ線画像」の一例である。

なお、放射線治療を行うために被検体Ｐの特定部分Ｑを含む領域をＸ線撮影する際には、第１～第４Ｘ線撮影系の４つの撮影系のうちから２つの撮影系が選択されてＸ線撮影部４として使用される。

図１に示すように、Ｘ線画像処理装置５は、第２制御部５０および操作部５３を含む。第２制御部５０は、たとえば、ＣＰＵを有する。Ｘ線画像処理装置５は、ハードウェア的な構成として、たとえば、ＣＰＵ、ＧＰＵ、ＲＯＭ、および、ＲＡＭなどを有する。また、Ｘ線画像処理装置５は、記憶部として、ＨＤＤまたは不揮発性のメモリなどを含んでいる。

図４に示すように、第２制御部５０は、機能的な構成として、特定部分処理部５１、および、マーカー処理部５２を含む。特定部分処理部５１、および、マーカー処理部５２は、プログラム（ソフトウェア）によって構成されている。すなわち、第２制御部５０は、プログラム（ソフトウェア）を実行することによって、特定部分処理部５１、および、マーカー処理部５２として機能するように構成されている。

Ｘ線画像処理装置５は、図５に示すように、学習装置３によって生成された第１学習モデルＭ１および第２学習モデルＭ２（図１１参照）に基づいて、Ｘ線撮影部４によって撮影されたＸ線画像であるＸ線透視画像Ａに対して、特定部分Ｑを抽出する処理を行う。Ｘ線透視は、一般Ｘ線撮影に比べて少ない量のＸ線を連続的に照射することによって、被ばく量の増加を抑制しながら、被検体Ｐの体内の様子を動画像として取得する方法である。Ｘ線画像処理装置５は、Ｘ線撮影部４によって撮影されたＸ線透視画像Ａを入力データとして、学習装置３において機械学習によって生成された第１学習モデルＭ１および第２学習モデルＭ２を用いることによって、特定部分Ｑの位置を追跡するための出力画像Ａαを取得する。そして、Ｘ線画像処理装置５は、取得した特定部分Ｑの位置に関する情報に基づいて、放射線治療装置１が治療ビームを照射する位置と、治療ビームを照射するタイミングとを制御するための信号を、放射線治療装置１に対して送信する。

特定部分処理部５１は、学習済みの第１学習モデルＭ１に基づいて、Ｘ線撮影によって取得された被検体Ｐの特定部分Ｑを含むＸ線透視画像Ａに対して、特定部分Ｑを抽出する処理を行う。

マーカー処理部５２は、学習済みの第２学習モデルＭ２に基づいて、Ｘ線撮影によって取得された被検体Ｐの特定部分Ｑを含むＸ線透視画像Ａに対して、マーカーＥを抽出することによって特定部分Ｑを抽出する処理を行う。

操作部５３は、特定部分処理部５１とマーカー処理部５２とのいずれによって、処理を行うかを選択するための入力操作を受け付ける。具体的には、被検体Ｐの体内に留置されているマーカーＥの位置および個数の少なくとも一方が、ＣＴ画像データＣとＸ線透視画像Ａとで変化している場合には、マーカーＥの位置および個数によらず特定部分Ｑを抽出するために特定部分処理部５１による処理が選択される。また、被検体Ｐの体内に留置されているマーカーＥの位置および個数の両方が、ＣＴ画像データＣとＸ線透視画像Ａとで変化していない場合には、マーカーＥを抽出するためにマーカー処理部５２による処理が選択される。操作部５３は、たとえば、マウスおよびキーボードを含む。

（第１実施形態における第１学習モデルの生成に関して）
ここで、本実施形態では、ＤＲＲ画像生成部３１によって、ＣＴ画像データＣに基づいて、被検体Ｐの特定部分Ｑを含む領域についてのＤＲＲ画像Ｄが生成され取得される。そして、教師画像生成部３２によって、取得されたＤＲＲ画像Ｄに対して、被検体Ｐとは別個の所定の物体に関する画像を含む物体形状画像Ｂが加えられている画像と、ＤＲＲ画像Ｄに対して物体形状画像Ｂが減じられている画像との少なくとも一方を含む入力教師画像Ｔ１が生成される。また、教師画像生成部３２によって、入力教師画像Ｔ１と同じ領域における特定部分Ｑを示す画像である出力教師画像Ｔ２が生成される。そして、学習モデル生成部３３によって、入力教師画像Ｔ１および出力教師画像Ｔ２を用いて、機械学習を行うことにより、特定部分Ｑの抽出を行うための第１学習モデルＭ１を生成する。

＜ＤＲＲ画像の生成に関して＞
ＤＲＲ画像生成部３１は、図６に示すように、コンピュータ断層撮影による３次元データであるＣＴ画像データＣに基づいて、デジタル再構成シミュレーションによって特定部分Ｑを含むＤＲＲ画像Ｄを生成する。なお、ＤＲＲ画像Ｄは、特許請求の範囲における「２次元投影画像」の一例である。

ＤＲＲ画像生成部３１は、ＤＲＲ画像Ｄを生成するにあたって、３次元仮想空間上において、仮想的なＸ線管４１αと仮想的なＸ線検出器４２αとを、ＣＴ画像データＣに対してＸ線撮影を行うように配置することによって、仮想的なＸ線撮影系の３次元空間的配置（撮影ジオメトリ）を生成する。これらのＣＴ画像データＣと、ＣＴ画像データＣに対する仮想的なＸ線撮影系の配置は、図２に示す実際の被検体ＰとＸ線照射部４１とＸ線検出部４２との配置と同一の撮影ジオメトリとなっている。ここで、撮影ジオメトリとは、被検体ＰとＸ線照射部４１およびＸ線検出部４２との３次元空間における幾何学的な配置関係を意味する。

そして、ＤＲＲ画像生成部３１は、仮想的なＸ線管４１αから仮想的なＸ線検出器４２αに対してＸ線を照射することによって、ＣＴ画像データＣを仮想的にＸ線撮影する。このとき、ＤＲＲ画像生成部３１は、Ｘ線管４１αから照射されたＸ線が仮想的なＸ線検出器４２αに到達するまでに通過した画素部分（ボクセル）におけるＣＴ値の合計を加算することによってＤＲＲ画像Ｄにおける各画素値を計算する。

上記のようにして、ＤＲＲ画像生成部３１は、３次元における画素値データであるＣＴ画像データＣに対して、Ｘ線撮影部４によって取得される被検体ＰのＸ線透視画像Ａと同一領域を同一角度から撮影したものとなるように、仮想的にＸ線撮影が行われたものとして２次元に投影することによってＤＲＲ画像Ｄを生成する。

＜入力教師画像および出力教師画像の生成に関して＞
ＣＴ画像データＣに基づいて生成されたＤＲＲ画像Ｄと、Ｘ線撮影部４によって撮影されたＸ線透視画像Ａとでは、画像に含まれる構成物が異なる場合がある。たとえば、図７に示すように、Ｘ線検出部４２に含まれるＦＰＤのカバーＦは、ＣＴ画像データＣに基づいて生成されるＤＲＲ画像Ｄには含まれないが、Ｘ線透視画像Ａには含まれる場合がある。このように、ＤＲＲ画像Ｄに含まれる構成物とＸ線透視画像Ａに含まれる構成物との間に差異がある場合、学習モデルを用いた特定部分Ｑの抽出の精度が低下する場合がある。そのため、ＤＲＲ画像Ｄに含まれる構成物とＸ線透視画像Ａに含まれる構成物との間に差異がある場合においても特定部分Ｑの抽出が精度よく行われるように、教師画像生成部３２によって、ＤＲＲ画像Ｄに対して処理を行う。言い換えると、ＤＲＲ画像Ｄに含まれる構成物をＸ線透視画像Ａに含まれる構成物に対応させた状態のＤＲＲ画像Ｄを入力教師画像Ｔ１として機械学習を行う。

具体的には、教師画像生成部３２は、図８に示すように、生成されたＤＲＲ画像Ｄに対して被検体Ｐとは別個の所定の物体に関する画像を含む物体形状画像Ｂが加えられている画像と、生成されたＤＲＲ画像Ｄに対して物体形状画像Ｂが減じられている画像との少なくとも一方を含む入力教師画像Ｔ１を生成する。教師画像生成部３２は、生成されたＤＲＲ画像Ｄに対して２次元の物体形状画像Ｂを加えることと、生成されたＤＲＲ画像Ｄに対して２次元の物体形状画像Ｂを減じることとの少なくとも一方を行うことによって、入力教師画像Ｔ１を生成するように構成されている。

物体形状画像Ｂは、Ｘ線透視画像Ａに含まれる構成物を模した画像とＸ線透視画像Ａに含まれる構成物を撮影した画像との少なくとも一方を含む。物体形状画像Ｂは、被検体Ｐとは別個の所定の物体として、Ｘ線を検出するための検出器（第１～第４Ｘ線検出器４２ａ～４２ｄ）および被検体Ｐが載置されている天板１１の少なくとも一方を含む構造物と、マーカーＥ、カテーテル、および、ステントの少なくとも１つを含む被検体Ｐの体内に留置される部材との少なくとも一方を含む。すなわち、物体形状画像Ｂは、ＤＲＲ画像Ｄには含まれていないが、Ｘ線透視画像Ａには含まれている構成物を含む画像である。また、物体形状画像Ｂは、前述した構造物および部材に限られず、放射線照射装置による治療ビームの散乱によるノイズを模した図形も含む。

たとえば、Ｘ線透視画像Ａに被検体Ｐとは別個の物体である構造物としてＸ線検出部４２の一部であるＦＰＤのカバーＦが映りこむ場合、ＤＲＲ画像Ｄに対してＦＰＤのカバーＦを模した物体形状画像Ｂを加えた画像を入力教師画像Ｔ１として機械学習を行う。この場合、物体形状画像Ｂは、ＦＰＤのカバーＦを模した直線状の画像として表される。また、図９に示すように、放射線治療を行う際には、放射線治療装置１による治療ビームによる散乱線の影響で、Ｘ線透視画像Ａに横線状のノイズが生じる場合がある。この場合は、直線状の画像である物体形状画像Ｂを横線としてＤＲＲ画像Ｄに加えることによって、治療ビームによるノイズを模すことができる。

また、たとえば、図１０に示すように、被検体Ｐの体内に金属で構成されたマーカーＥが留置されている場合は、Ｘ線透視画像ＡとＤＲＲ画像Ｄとの両方にマーカーＥが映りこむ。なお、マーカーＥは、放射線治療を行う際に、被検体Ｐの特定部分Ｑの位置を特定するための印として、ＣＴ画像データＣを取得する前に被検体Ｐの体内に穿刺などによって留置されるものである。しかし、ＣＴ画像データＣを取得した時点から、放射線治療を行う時点までの間に、被検体Ｐの体内に留置していたマーカーＥが脱落すること、および、マーカーＥの位置が移動することなど、が起こる場合がある。そうした場合、ＣＴ画像データＣに基づいて生成されたＤＲＲ画像Ｄに含まれるマーカーＥの位置および個数と、Ｘ線透視画像Ａに含まれるマーカーＥの位置および個数と、に変化が現れることとなる。この変化がある場合には、学習モデルを用いた特定部分Ｑの抽出の精度が低下することがある。そのため、学習モデルを生成する際に、予めマーカーＥの位置および個数が変更された複数のＤＲＲ画像Ｄを入力教師画像Ｔ１として、機械学習を行うことによってマーカーＥの個数が変化している場合においても特定部分Ｑの抽出が可能な学習モデルを生成する。この場合、物体形状画像Ｂは、マーカーＥを模した円形の画像で表される。そして、ＤＲＲ画像Ｄに対してマーカーＥを模した円形の画像を加えた入力教師画像Ｔ１を生成する。

このようにして、教師画像生成部３２は、生成されたＤＲＲ画像Ｄに対して２次元の物体形状画像Ｂを加えることと、生成されたＤＲＲ画像Ｄに対して２次元の物体形状画像Ｂを減じることとの少なくとも一方を行うことによって、入力教師画像Ｔ１を生成するように構成されている。

また、２次元の物体形状画像Ｂを用いる場合とは別に、３次元の画素値データを有するＣＴ画像データＣに３次元的に処理を行うことによって、Ｘ線透視画像Ａに含まれる構成物に、ＤＲＲ画像Ｄを対応させた状態で入力教師画像Ｔ１を生成する場合も考えられる。すなわち、教師画像生成部３２は、コンピュータ断層撮影による３次元データであるＣＴ画像データＣに対して、３次元の物体形状画素値データを加えることと、３次元データに対して３次元の物体形状画素値データを減じることとの少なくとも一方を行った状態で、デジタル再構成シミュレーションにより２次元に投影することによって、入力教師画像Ｔ１を生成するように構成されている。

たとえば、マーカーＥが脱落および移動したＸ線透視画像Ａを模したＤＲＲ画像Ｄを入力教師画像Ｔ１として生成する場合について考える。ＣＴ画像データＣにおいて、被検体Ｐの体内に留置されたマーカーＥは、金属であるため、被検体Ｐの体組織と比べて非常に高いＣＴ値を示す。そのため、ＣＴ値に基づいて、体内にマーカーＥを留置された状態で取得された被検体ＰについてのＣＴ画像データＣのうちからマーカーＥを表す画素部分（ボクセル）を指定することが可能である。つまり、ある値（たとえば、ＣＴ値が１０００）よりも大きい画素部分（ボクセル）をマーカーＥとして指定する。そこで、指定されたマーカーＥを示す画素部分（ボクセル）を除去することと、ＣＴ画像データ中の適当な位置にマーカーＥと同じ値のＣＴ値を加えることとを行う。このように、教師画像生成部３２は、３次元データであるＣＴ画像データＣにおいて、物体形状画素値データ（マーカーＥについてのＣＴ値）を加えることと、物体形状画素値データを減じることとを行い、ＣＴ画像データＣ上で、仮想的にマーカーＥの位置および個数を自由に変更させることが可能となる。そして、教師画像生成部３２は、マーカーＥの位置および個数を変更させた状態において、デジタル再構築シミュレーションによって、マーカーＥの位置および個数が変更された複数の入力教師画像Ｔ１を生成する。

また、教師画像生成部３２は、入力教師画像Ｔ１を生成する際、ＤＲＲ画像Ｄに対して被検体Ｐとは別個の所定の物体に関する画像を含む物体形状画像Ｂを、ランダムな位置にランダムな大きさで加えることと、ＤＲＲ画像Ｄに対して物体形状画像Ｂをランダムな位置にランダムな大きさで減じることと、の少なくとも一方を行うように構成されている。たとえば、直線で表された物体形状画像Ｂについて、位置、角度、線の太さ、画素値、および、本数などをランダムに変更させながらＤＲＲ画像Ｄに加えることによって入力教師画像Ｔ１を生成する。また、円形である物体形状画像Ｂについて、位置、大きさ（半径）、画素値、および、個数をランダムに変更させながらＤＲＲ画像Ｄに加えることによって入力教師画像Ｔ１を生成する。また、ＤＲＲ画像Ｄに含まれるマーカーＥの数をランダムに減少させることによって入力教師画像Ｔ１を生成する。

上記のように、教師画像生成部３２は、生成されたＤＲＲ画像Ｄのランダムな位置にランダムな大きさの２次元での物体形状画像Ｂを加えることと、２次元での物体形状画像Ｂを減じることと、３次元のＣＴ画像データＣに対して、３次元の物体形状画素値データを加えることと、３次元の物体形状データを減じることとを、それぞれ、ランダムに組み合わせることによって、複数のパターンの入力教師画像Ｔ１を生成する。

図５に示すように、教師画像生成部３２は、入力教師画像Ｔ１と同様に、ＤＲＲ画像Ｄに基づいて出力教師画像Ｔ２を生成する。具体的には、ＣＴ画像データＣのうちの医師によって登録された特定部分Ｑに関する画素部分（ボクセル）についてのみのＤＲＲ画像Ｄを生成する。すなわち、ＣＴ画像データＣ全体ではなく、特定部分Ｑのみに対して、仮想的なＸ線撮影を行う。その結果、得られた特定部分ＱについてのＤＲＲ画像Ｄを、特定部分Ｑを含む領域と特定部分Ｑを含まない領域との２つの領域に区分して、２値化した出力教師画像Ｔ２を生成する。なお、複数のＤＲＲ画像Ｄに基づいて複数の入力教師画像Ｔ１を生成する場合には、複数の入力教師画像Ｔ１のそれぞれに対応する複数の出力教師画像Ｔ２を生成する。すなわち、複数の入力教師画像Ｔ１の各々における撮影ジオメトリと同一の撮影ジオメトリを用いて、出力教師画像Ｔ２を生成する。言い換えると、複数の入力教師画像Ｔ１の各々に対して、入力教師画像Ｔ１と同じ領域における特定部分Ｑを示す画像を出力教師画像Ｔ２として生成する。

＜第１学習モデルの生成に関して＞
学習モデル生成部３３は、図５に示すように、教師画像生成部３２によって生成された入力教師画像Ｔ１を入力層として取得する。そして、学習モデル生成部３３は、治療計画装置２において登録された特定部分Ｑの領域を表すように教師画像生成部３２によって生成された２チャンネルのラベル画像である出力教師画像Ｔ２を出力層として取得する。そして、学習モデル生成部３３は、入力層および出力層を用いて、機械学習を行う。学習モデル生成部３３は、学習モデルとして使用する畳み込み層を学習することによって、第１学習モデルＭ１を生成する。そして、特定部分処理部５１は、生成された第１学習モデルＭ１を用いて、Ｘ線透視画像Ａにおける特定部分Ｑの領域を抽出する。Ｘ線透視画像Ａを入力層として、学習モデル生成部３３によって生成された第１学習モデルＭ１を用いることにより、出力層として２チャンネルのラベル画像である出力画像Ａαを生成する。

画像処理において、たとえば、画像内の各々の画素をクラスに分類する（ラベル付けする）手法であるセマンティック・セグメンテーションを用いて特定部分Ｑを抽出する。セマンティック・セグメンテーションの手法として、ＦＣＮ（Ｆｕｌｌｙ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ：全層畳み込みネットワーク）が用いられる。ＦＣＮにおいて用いられる畳み込みニューラルネットワークは、たとえば、図５のような構成となる。そして、中間層は、畳み込み層のみで構成されており、機械学習によってパラメータが決定される。

（第２学習モデルによるマーカーの抽出に関して）
続いて、図１１を参照して、第２学習モデルＭ２に関して説明する。特定部分Ｑを抽出するために用いられた第１学習モデルＭ１と異なり、第２学習モデルＭ２は、被検体Ｐの体内に留置されたマーカーＥを抽出するために用いられる。

第２学習モデルＭ２は、図１１に示すように、特定部分Ｑを示すためのマーカーＥが被検体Ｐの体内に留置された状態で生成された入力教師画像Ｔ１であるマーカー抽出用入力教師画像Ｔ１１と、マーカーＥの位置を示す画像であるマーカー抽出用出力教師画像Ｔ３を用いて、学習モデル生成部３３によって機械学習を行うことにより生成される。

教師画像生成部３２は、入力教師画像Ｔ１と同様に、ＤＲＲ画像Ｄに基づいてマーカー抽出用出力教師画像Ｔ３を生成する。具体的には、ＣＴ画像データＣのうちのマーカーＥに対応する画素部分に対して、仮想的なＸ線管４１αと仮想的なＸ線検出器４２αによって、マーカーＥを投影するように仮想的なＸ線撮影を行う。その結果、得られた画像を、マーカーＥとマーカーＥ以外との２つの領域に区分して、２値化したマーカー抽出用出力教師画像Ｔ３を生成する。なお、複数のＤＲＲ画像Ｄに基づいて複数のマーカー抽出用入力教師画像Ｔ１１を生成する場合には、出力教師画像Ｔ２と同様に、複数のマーカー抽出用入力教師画像Ｔ１１のそれぞれに対応する複数のマーカー抽出用出力教師画像Ｔ３を生成する。

学習モデル生成部３３は、第１学習モデルＭ１の生成と同様に、マーカー抽出用入力教師画像Ｔ１１を入力層として、マーカー抽出用出力教師画像Ｔ３を出力層として機械学習を行うことによってマーカーＥを抽出するための第２学習モデルＭ２を生成する。なお、第２学習モデルＭ２を生成する際のアルゴリズムは、第１学習モデルＭ１と同様である。

上記のようにして生成された、第１学習モデルＭ１および第２学習モデルＭ２に基づいて、特定部分Ｑが抽出される。そして、抽出された特定部分Ｑの位置に基づいて、放射線治療装置１に対して、放射線を照射する位置および放射線を照射するタイミングを制御するための信号が送られる。

（第１学習モデルの生成方法に関して）
次に、図１２を参照して、学習装置３による第１学習モデルＭ１の生成方法について説明する。

まず、ステップ１０１において、ＣＴ画像データＣが取得される。

次に、ステップ１０２において、ＣＴ画像データＣに基づいて取得された被検体Ｐの特定部分Ｑを含む領域についてのＤＲＲ画像Ｄに対して、被検体Ｐとは別個の所定の物体に関する物体形状画像Ｂが加えられている画像と、ＤＲＲ画像Ｄに対して物体形状画像Ｂが減じられている画像と、の少なくとも一方を含む入力教師画像Ｔ１が生成される。

次に、ステップ１０３において、ＣＴ画像データＣに基づいて、上記ＤＲＲ画像Ｄと同じ領域における特定部分Ｑを示す画像である出力教師画像Ｔ２が生成される。

次に、ステップ１０４において、入力教師画像Ｔ１および、出力教師画像Ｔ２を用いて、機械学習を行うことにより、特定部分Ｑを抽出するための第１学習モデルＭ１が生成される。

（放射線治療時における特定部分抽出についての処理）
次に、図１３を参照して、第１実施形態によるＸ線画像処理システム１００による制御処理フローについて説明する。

まず、ステップ１１１において、学習装置３によって、治療計画装置２によって生成されたＣＴ画像データＣが取得される。

次に、ステップ１１２において、ＤＲＲ画像生成部３１によってＤＲＲ画像Ｄが生成される。

次に、ステップ１１３において、教師画像生成部３２において、入力教師画像Ｔ１およびマーカー抽出用入力教師画像Ｔ１１と、出力教師画像Ｔ２およびマーカー抽出用出力教師画像Ｔ３とが生成される。

次に、ステップ１１４において、学習モデル生成部３３において、第１学習モデルＭ１および第２学習モデルＭ２が生成される。

次に、ステップ１１５において、Ｘ線撮影部４において、Ｘ線透視画像Ａが撮影される。

次に、ステップ１１６において、Ｘ線透視画像Ａと第１学習モデルＭ１および第２学習モデルＭ２とに基づいて、特定部分Ｑが抽出される。

次に、ステップ１１７において、抽出された特定部分Ｑの位置情報にもとづいて、放射線治療装置１に対して、信号が送られる。

次に、ステップ１１８において、放射線治療装置１によって、放射線が照射される。

（Ｘ線画像処理システムの使用例）
次に、図１４を参照して、第１実施形態におけるＸ線画像処理システム１００の使用例について説明する。本発明の第１実施形態によるＸ線画像処理システム１００が用いられる放射線治療は、がんなどの腫瘍に対して放射線（たとえば、高エネルギーのＸ線）を照射することによって、がんなどの腫瘍を治療する方法である。

はじめに、放射線治療を行うための、治療計画および事前準備が行われる。まず、ステップ１２１において、医師により、治療を施す患部である特定部分Ｑの位置を示すための印となるマーカーＥが、被検体Ｐの体内に穿刺などによって留置される。次に、ステップ１２２において、ＣＴ装置によって被検体ＰのＣＴ画像データＣが取得される。そして、ステップ１２３において、医師により、ＣＴ画像データＣと、被検体Ｐの臨床検査および診察とに基づいて、治療計画装置２において治療の計画が行われる。そして、ステップ１２４において、学習装置３によって、取得されたＣＴ画像データＣに基づいて、Ｘ線透視画像Ａにおける特定部分Ｑを抽出するための学習モデルが機械学習によって生成される。このようにして、治療計画および事前準備が行われる。

次に、実際に放射線治療を行う。まず、ステップ１２５において、放射線治療装置１に備え付けられた診察台の天板１１に載置された被検体Ｐに対して、Ｘ線撮影部４によってＸ線撮影が行われ、Ｘ線透視画像Ａが取得される。次に、ステップ１２６において、取得されたＸ線透視画像Ａに対して前述の学習モデルを用いることによって、Ｘ線画像処理装置５によって特定部分Ｑが抽出される。そして、ステップ１２７において、抽出された特定部分Ｑの位置に基づいて、放射線を照射することによって、放射線治療が行われる。

（第１実施形態の効果）
第１実施形態では、以下のような効果を得ることができる。

第１実施形態のＸ線画像処理システム１００は、上記のように、学習画像生成部（ＤＲＲ画像生成部３１および教師画像生成部３２）を、３次元における画素値データを有する３次元データ（ＣＴ画像データＣ）に基づいて取得された被検体Ｐの特定部分Ｑを含む領域についての２次元投影画像（ＤＲＲ画像Ｄ）に対して、被検体Ｐとは別個の所定の物体に関する画像を含む物体形状画像Ｂが加えられている画像と、ＤＲＲ画像Ｄに対して上記物体形状画像Ｂが減じられている画像と、の少なくとも一方を含む入力教師画像Ｔ１と、入力教師画像Ｔ１と同じ領域における特定部分Ｑを示す画像または特定部分Ｑを除く画像である出力教師画像Ｔ２と、を生成するように構成する。そして、学習モデル生成部３３を、上記入力教師画像Ｔ１および出力教師画像Ｔ２を用いて、機械学習を行うことにより、特定部分Ｑを抽出するか、または、特定部分Ｑを除去するための第１学習モデルＭ１を生成するように構成する。これにより、ＤＲＲ画像Ｄに対して物体形状画像Ｂを加えることと減じることとの少なくとも一方を行うので、Ｘ線透視画像Ａに含まれる構成物に対応するようにＤＲＲ画像Ｄに含まれる構成物を変更することができる。つまり、ＤＲＲ画像Ｄに含まれる構成物とＸ線透視画像Ａに含まれる構成物との間に差異がある場合においても対応可能な第１学習モデルＭ１を生成することができる。たとえば、ＤＲＲ画像Ｄに対してＸ線透視画像Ａにのみ含まれる構成物を疑似的に含ませた画像（物体形状画像Ｂを含んだ画像）を入力教師画像Ｔ１として、機械学習を行うことによって第１学習モデルＭ１を生成することができる。このため、Ｘ線透視画像ＡとＤＲＲ画像Ｄとにおいて、画像に含まれる構成物が異なる場合においても、機械学習によって生成された第１学習モデルＭ１を用いて、特定部分Ｑの抽出、または、特定部分Ｑの除去の精度が低下することを抑制することができる。

また、第１実施形態では、以下のように構成したことによって、更なる効果が得られる。

また、第１実施形態では、物体形状画像Ｂは、所定の物体として、Ｘ線を検出するための検出器（第１～第４Ｘ線検出器４２ａ～４２ｄ）および被検体Ｐが載置される天板１１の少なくとも一方を含む構造物と、所定の物体として、マーカーＥ、ガイドワイヤ、および、カテーテルの少なくとも１つを含む被検体Ｐの体内に留置される部材と、の少なくとも一方を模した画像と、構造物と部材との少なくとも一方を撮影した画像と、の少なくとも一方を含む。このように構成すれば、たとえば、Ｘ線を検出するための検出器（第１～第４Ｘ線検出器４２ａ～４２ｄ）および被検体Ｐが載置される天板１１の少なくとも一方を含む構造物と、マーカーＥ、ガイドワイヤ、および、カテーテルの少なくとも１つを含む被検体Ｐの体内に留置される部材との少なくとも一方がＸ線画像（Ｘ線透視画像Ａ）に含まれている場合においても、２次元投影画像（ＤＲＲ画像Ｄ）に上記構造物および上記部材の少なくとも一方を加えることによって、Ｘ線透視画像Ａに含まれる構成物に対応させるように入力教師画像Ｔ１を生成することができる。その結果、Ｘ線透視画像Ａと、３次元データ（ＣＴ画像データＣ）に基づいて作成されたＤＲＲ画像Ｄとにおいて、画像に含まれる構成物が異なる場合においても、機械学習によって生成された第１学習モデルＭ１または第２学習モデルＭ２を用いて、特定部分Ｑを抽出すること、または、特定部分Ｑを除去することができる。

また、第１実施形態では、特定部分Ｑを示すためのマーカーＥが被検体Ｐの体内に留置された状態で生成された入力教師画像Ｔ１であるマーカー抽出用入力教師画像Ｔ１１と、マーカーＥの位置を示す画像であるマーカー抽出用出力教師画像Ｔ３とを用いて、学習モデル生成部３３によって機械学習を行うことにより生成された、第２学習モデルＭ２に基づいて、Ｘ線撮影によって取得された被検体Ｐの特定部分Ｑを含むＸ線画像（Ｘ線透視画像Ａ）に対して、マーカーＥを抽出することによって特定部分Ｑを抽出する処理と、特定部分Ｑを除去する処理とのいずれか一方を行うマーカー処理部５２をさらに備え、特定部分処理部５１とマーカー処理部５２とのいずれによって、処理を行うかが選択可能なように構成されている。このように構成すれば、画像処理によってマーカーＥを抽出することによって特定部分Ｑを抽出することと、画像処理によって直接的に特定部分Ｑを抽出することとのいずれの処理を行うかを選択することができる。その結果、マーカーＥが脱落するなどしてマーカーＥを抽出することができなくなった場合においても、直接的に特定部分Ｑを抽出することと特定部分Ｑを除去することとのいずれか一方を行うことができる。

また、第１実施形態では、入力操作を受け付ける操作部５３をさらに備え、操作部５３に対する操作の入力を受け付けたことに基づいて、特定部分処理部５１とマーカー処理部５２とのいずれによって処理を行うかが選択可能なように構成されている。このように構成すれば、操作者が特定部分処理部５１とマーカー処理部５２とのいずれを用いるかということを操作部５３に対する入力操作によって選択することができる。その結果、特定部分処理部５１による出力結果とマーカー処理部５２による出力結果とのいずれを用いるかを選択する際に、容易に選択することができる。

また、第１実施形態では、学習画像生成部（ＤＲＲ画像生成部３１および教師画像生成部３２）と学習モデル生成部３３とを含む第１制御部３０と、特定部分処理部５１を含む第２制御部５０（２５０）と、をさらに備える。これにより、第１学習モデルＭ１および第２学習モデルＭ２を生成する処理と、特定部分Ｑを抽出することと特定部分Ｑを除去することとの少なくとも一方を行う処理と、を別個の制御部によって行うことができる。その結果、被検体Ｐに対して放射線治療を行う時点よりも前の時点において、予め学習モデルの生成を行うことができるので、放射線治療に要する時間の増大を抑制できる。

また、第１実施形態では、学習画像生成部（ＤＲＲ画像生成部３１および教師画像生成部３２）は、入力教師画像Ｔ１を生成する際、２次元投影画像（ＤＲＲ画像Ｄ）に対して被検体Ｐとは別個の所定の物体に関する画像を含む物体形状画像Ｂを、ランダムな位置にランダムな大きさで加えることと、ＤＲＲ画像Ｄに対して物体形状画像Ｂをランダムな位置にランダムな大きさで減じることと、の少なくとも一方を行うように構成されている。このように構成すれば、Ｘ線透視画像Ａに含まれる構造物および部材について、位置および大きさがどのような構成であっても、Ｘ線透視画像Ａに対応させるようにＤＲＲ画像Ｄを構成することができる。その結果、入力教師画像Ｔ１に基づいて第１学習モデルＭ１を生成する際に、様々な構成のＸ線透視画像Ａに対応させるように第１学習モデルＭ１を生成することができるため、Ｘ線透視画像Ａに含まれる構成物の構成によらず、機械学習によって生成された第１学習モデルＭ１を用いて特定部分Ｑを精度よく抽出することと、特定部分Ｑを精度よく除去することとができる。

また、第１実施形態では、学習画像生成部（ＤＲＲ画像生成部３１および教師画像生成部３２）は、コンピュータ断層撮影による３次元データ（ＣＴ画像データＣ）に基づいて、２次元投影画像（ＤＲＲ画像Ｄ）をデジタル再構成シミュレーションにより生成するとともに、生成されたＤＲＲ画像Ｄに対して２次元の物体形状画像Ｂを加えることと、生成されたＤＲＲ画像Ｄに対して２次元の物体形状画像Ｂを減じることと、の少なくとも一方を行うことによって、入力教師画像Ｔ１を生成するように構成されている。このように構成すれば、Ｘ線透視画像Ａに含まれる構成物を模した２次元の物体形状画像Ｂに基づいて入力教師画像Ｔ１を生成する場合において、物体形状画像Ｂを直線状、曲線状、および、円状などの簡易な形状によって表すことができる。このため、ＤＲＲ画像ＤをＸ線透視画像Ａの構成に対応させることによって入力教師画像Ｔ１を生成する際に、容易に入力教師画像Ｔ１を生成することができる。その結果、ＤＲＲ画像Ｄに基づく機械学習によって生成された第１学習モデルＭ１および第２学習モデルＭ２を用いて、特定部分Ｑを抽出する際および特定部分Ｑを除去する際の精度の低下を容易に抑制することができる。

また、第１実施形態では、学習画像生成部（ＤＲＲ画像生成部３１および教師画像生成部３２）は、コンピュータ断層撮影による３次元データ（ＣＴ画像データＣ）に対して、３次元の物体形状画素値データを加えることと、ＣＴ画像データＣに対して３次元の物体形状画素値データを減じることとの少なくとも一方を行った状態で、デジタル再構成シミュレーションにより２次元に投影することによって、入力教師画像Ｔ１を生成するように構成されている。このように構成すれば、ＣＴ画像データＣにおいて、被検体Ｐの体内に留置される立体物を模した３次元モデルを、ＣＴ画像データＣ上の被検体Ｐの体内に加えた状態で、２次元投影画像（ＤＲＲ画像Ｄ）を生成することによって入力教師画像Ｔ１を生成することができる。このため、治療時に、実際に被検体Ｐの体内に立体物（部材）を留置する場合に得られるＸ線透視画像Ａに、より対応した入力教師画像Ｔ１を生成することができる。その結果、機械学習によって生成された第１学習モデルＭ１および第２学習モデルＭ２を用いて特定部分Ｑを抽出する際、または、特定部分Ｑを除去する際の精度の低下をより抑制することができる。

［第２実施形態］
図１５～図２０を参照して、第２実施形態によるＸ線画像処理システム２００の構成について説明する。この第２実施形態は、放射線治療において特定部分Ｑを抽出（追跡）するように構成した第１実施形態とは異なり、血管造影において、骨部Ｈである特定部分ＱをＸ線画像Ａ２上から除去して表示するように構成されている。なお、図中において、上記第１実施形態と同様の構成の部分には、同一の符号を付して図示するとともに説明を省略する。ここで、第２実施形態では、特定部分Ｑは骨部Ｈを含む。

（第２実施形態によるＸ線画像処理システムの構成）
図１５および図１６に示すように、本発明の第２実施形態によるＸ線画像処理システム２００は、表示装置２０１、ＣＴ装置２０２、学習装置２０３、Ｘ線撮影部２０４、および、Ｘ線画像処理装置２０５を備える。図１７に示すように、Ｘ線画像処理システム２００は、血管造影の際に、ＤＲＲ画像Ｄ２０１およびＤＲＲ画像Ｄ２０２を用いた機械学習によってＸ線画像Ａ２から骨部Ｈを除去するように学習された第３学習モデルＭ３に基づいて、Ｘ線画像Ａ２から骨部Ｈを除去するように構成されている。また、Ｘ線画像処理システム２００は、ＤＲＲ画像Ｄ２０１およびＤＲＲ画像Ｄ２０２に含まれる構成物とＸ線画像Ａ２に含まれる構成物との間に差異がある場合においても、精度よく骨部Ｈを除去することが可能な第３学習モデルＭ３を生成するように構成されている。なお、第３学習モデルＭ３は、特許請求の範囲の「第１学習モデル」の一例である。

表示装置２０１は、Ｘ線画像処理装置２０５によって生成された血管造影画像Ｋを表示するように構成されている。

ＣＴ装置２０２は、被検体ＰについてのＣＴ画像を生成する。

図１５に示すように、学習装置２０３は、第１制御部２３０を含む。第１制御部２３０は、たとえば、ＣＰＵを有する。学習装置２０３は、ハードウェア的な構成として、たとえば、ＣＰＵ、ＧＰＵ、ＲＯＭ、および、ＲＡＭなどを有する。また、学習装置２０３は、記憶部として、ＨＤＤまたは不揮発性のメモリなどを含んでいる。学習装置２０３は、ＣＴ装置２０２によって生成された２次元のＣＴ画像に基づいて３次元のＣＴ画像データＣを生成する。そして、学習装置２０３は、生成されたＣＴ画像データＣに基づいて、第３学習モデルＭ３を生成する。

図１８に示すように、第１制御部２３０は、機能的な構成として、ＤＲＲ画像生成部２３１、教師画像生成部２３２、および、学習モデル生成部２３３を含む。ＤＲＲ画像生成部２３１、教師画像生成部２３２、および、学習モデル生成部２３３は、第１実施形態と同様に、プログラム（ソフトウェア）として構成されている。すなわち、第１制御部２３０が、プログラム（ソフトウェア）を実行することによって、ＤＲＲ画像生成部２３１、教師画像生成部２３２、および、学習モデル生成部２３３として機能するように構成されている。なお、ＤＲＲ画像生成部２３１および教師画像生成部２３２は、特許請求の範囲の「学習画像生成部」の一例である。

ＤＲＲ画像生成部２３１は、図１７に示すように、第１実施形態と同様にＣＴ装置２０２において取得されたＣＴ画像によって生成された３次元のＣＴ画像データＣに基づいて、ＤＲＲ画像Ｄ２０１を生成する。すなわち、血管造影を行う際に被検体Ｐに行われるＸ線撮影と同一の撮影ジオメトリによってＣＴ画像データＣに対して仮想的なＸ線撮影を行うことによって、ＤＲＲ画像Ｄ２０１を生成する。また、ＤＲＲ画像Ｄ２０１を生成した際と同一の撮影ジオメトリにおいて、ＣＴ画像データＣを構成する画素部分（ボクセル）のうち骨部Ｈに対応する部分を除いた状態でＤＲＲ画像Ｄ２０２を生成する。たとえば、ＤＲＲ画像Ｄ２０２を生成する際に、ＣＴ値が１００を超えるボクセルを骨部Ｈであるとして、骨部Ｈを除くようにＤＲＲ画像Ｄ２０２を生成する。

教師画像生成部２３２は、図１９に示すように、第１実施形態と同様に、生成されたＤＲＲ画像Ｄ２０１に対して被検体Ｐとは別個の所定の物体に関する画像を含む物体形状画像Ｂが加えられている画像である入力教師画像Ｔ２０１を生成する。また、入力教師画像Ｔ２０１と同じ領域における骨部Ｈを含む特定部分Ｑを除くように生成されたＤＲＲ画像Ｄ２０２に対して、入力教師画像Ｔ２０１と同じ位置に同じ大きさの物体形状画像Ｂが加えられている画像である出力教師画像Ｔ２０２を生成する。つまり、ＤＲＲ画像生成部２３１によって、同一の領域について、同一の撮影ジオメトリによって取得された生成されたＤＲＲ画像Ｄ２０１およびＤＲＲ画像Ｄ２０２に対して、同じ位置に同じ大きさの物体形状画像Ｂが加えられている画像を、それぞれ、入力教師画像Ｔ２０１および出力教師画像Ｔ２０２として生成する。

学習モデル生成部２３３は、図２０に示すように、入力教師画像Ｔ２０１を入力層とするとともに、出力教師画像Ｔ２０２を出力層として、機械学習を行い、第３学習モデルＭ３を生成する。また、この際、学習モデル生成部２３３は、物体形状画像Ｂの種類、個数、大きさ、画素値、濃度などをランダムに加えた複数の入力教師画像Ｔ２０１および出力教師画像Ｔ２０２によって機械学習を行う。

Ｘ線撮影部２０４は、図１６に示すように、Ｘ線照射部２４１と、Ｘ線検出部２４２と、天板２４３と、を含む。Ｘ線照射部２４１は、天板２４３に載置されている被検体Ｐに対してＸ線を照射する。Ｘ線検出部２４２は、Ｘ線照射部２４１によって照射されたＸ線を検出する。Ｘ線検出部２４２は、ＦＰＤを有する。天板２４３は、Ｘ線撮影が行われる被検体Ｐが載置される。

図１５に示すように、Ｘ線画像処理装置２０５は、第２制御部２５０を含む。第２制御部２５０は、たとえば、ＣＰＵを有する。Ｘ線画像処理装置２０５は、ハードウェア的な構成として、たとえば、ＣＰＵ、ＧＰＵ、ＲＯＭ、および、ＲＡＭなどを有する。また、Ｘ線画像処理装置２０５は、記憶部として、ＨＤＤまたは不揮発性のメモリなどを含んでいる。

図１８に示すように、第２制御部２５０は、機能的な構成として、骨部処理部２５１を含む。骨部処理部２５１は、プログラム（ソフトウェア）によって構成されている。すなわち、第２制御部２５０は、プログラム（ソフトウェア）を実行することによって、骨部処理部２５１として機能するように構成されている。

Ｘ線画像処理装置２０５は、機械学習によって学習済みの第３学習モデルＭ３を学習装置２０３より取得する。そして、骨部処理部２５１は、取得した第３学習モデルＭ３に基づいて、Ｘ線撮影部２０４によって撮影されたＸ線画像Ａ２から骨部Ｈを除去した出力画像Ａβ（図２０参照）を生成するように構成されている。そして、Ｘ線画像処理装置２０５は、撮影された出力画像Ａβを用いて、血管造影を行うことによって、骨部Ｈが除去された状態で血管造影を行うとともに、血管造影の結果である血管造影画像Ｋを表示装置２０１に表示させる。なお、骨部処理部２５１は、特許請求の範囲の「特定部分処理部」の一例である。

なお、第２実施形態のその他の構成については、第１実施形態と同様である。

（第２実施形態のＸ線画像処理システム２００による制御処理）
次に、図２１を参照して、第２実施形態によるＸ線画像処理システム２００による制御処理フローについて説明する。

まず、ステップ２１１において、ＣＴ装置２０２よりＣＴ画像が取得される。そして、ＤＲＲ画像生成部２３１によって３次元のＣＴ画像データＣが生成される。

次に、ステップ２１２において、ＤＲＲ画像生成部２３１によってＤＲＲ画像Ｄ２０１およびＤＲＲ画像Ｄ２０２が生成される。

次に、ステップ２１３において、入力教師画像Ｔ２０１および出力教師画像Ｔ２０２が生成される。

次に、ステップ２１４において、第３学習モデルＭ３が生成される。

次に、ステップ２１５において、Ｘ線撮影部２０４によって、Ｘ線画像Ａ２が撮影される。

次に、ステップ２１６において、Ｘ線画像処理装置２０５によって、撮影されたＸ線画像Ａ２において骨部Ｈが除去される。

次に、ステップ２１７において、骨部Ｈが除去されたＸ線画像Ａ２を用いて血管造影が行われ、血管造影を行った結果である血管造影画像Ｋが表示装置２０１に表示される。

（第２実施形態の効果）
第２実施形態では、以下のような効果を得ることができる。

第２実施形態では、上記のように、特定部分Ｑは、骨部Ｈを含み、学習画像生成部（ＤＲＲ画像生成部２３１および教師画像生成部２３２）は、入力教師画像Ｔ２０１と同じ領域における骨部Ｈを含む特定部分Ｑを除くように生成された２次元投影画像（ＤＲＲ画像Ｄ２０１およびＤＲＲ画像Ｄ２０２）に対して、入力教師画像Ｔ２０１と同じ位置に同じ大きさの物体形状画像Ｂが加えられている画像と、骨部Ｈを含む特定部分Ｑを除くように生成されたＤＲＲ画像Ｄ２０１およびＤＲＲ画像Ｄ２０２に対して、同じ位置に同じ大きさの物体形状画像Ｂが減じられている画像と、の少なくとも一方を含むように出力教師画像Ｔ２０２を生成するように構成されている。このように構成すれば、入力教師画像Ｔ２０１と出力教師画像Ｔ２０２との両方に３次元データ（ＣＴ画像データＣ）に基づくＤＲＲ画像Ｄ２０１およびＤＲＲ画像Ｄ２０２を用いる場合でも、Ｘ線画像Ａ２の構成に対応可能なように第３学習モデルＭ３を生成することができる。その結果、入力教師画像Ｔ２０１と出力教師画像Ｔ２０２との両方にＣＴ画像データＣに基づく２次元投影画像であるＤＲＲ画像Ｄ２０１およびＤＲＲ画像Ｄ２０２を用いる場合でも、入力教師画像Ｔ２０１の構成をＸ線画像Ａ２の構成に対応させることによって、特定部分Ｑ（骨部Ｈ）を抽出する際および特定部分Ｑ（骨部Ｈ）を除去する際の精度が低下することを抑制することができる。

なお、第２実施形態のその他の効果は、上記第１実施形態と同様である。

［変形例］
なお、今回開示された実施形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した実施形態の説明ではなく特許請求の範囲によって示され、さらに特許請求の範囲と均等の意味および範囲内でのすべての変更（変形例）が含まれる。

たとえば、上記第１実施形態では、Ｘ線画像処理システム１００は、放射線治療装置１と、治療計画装置２とを備える例を示したが、本発明はこれに限られない。たとえば、放射線治療装置１と、治療計画装置２との少なくとも一方を備えないように構成されていてもよい。同様に、上記第２実施形態では、Ｘ線画像処理システム２００は、ＣＴ装置２０２を備える例を示したが、本発明はこれに限られない。たとえば、ＣＴ装置２０２をＸ線画像処理システム２００には備えずに、予め生成されたＣＴ画像を取得するように構成してもよい。

また、上記第２実施形態では、入力教師画像Ｔ２０１と出力教師画像Ｔ２０２との両方において、同じ位置に同じ大きさの物体形状画像Ｂが加えられている例を示したが、本発明はこれに限られない。たとえば、入力教師画像Ｔ２０１と出力教師画像Ｔ２０２との両方に対して、同じ位置に同じ大きさの物体形状画像Ｂが減じられていてもよい。すなわち、あらかじめ被検体Ｐの体内にカテーテルなどが留置されている状態でＣＴ撮影を行った場合、ＤＲＲ画像Ｄ２０１およびＤ２０２に含まれるカテーテルを表す画像をＤＲＲ画像Ｄ２０１およびＤ２０２から減じるようにして、入力教師画像Ｔ２０１および出力教師画像Ｔ２０２を生成してもよい。また、入力教師画像Ｔ２０１および出力教師画像Ｔ２０２を生成する際に、物体形状画像Ｂを加える処理と物体形状画像Ｂを減じる処理との両方を行ってもよい。

また、上記第２実施形態では、マーカー処理部５２および操作部５３を備えない例を示したが、本発明はこれに限られない。たとえば、第２実施形態におけるＸ線画像処理システム２００においても、被検体Ｐの体内にマーカーＥを留置するとともに、マーカー処理部５２および操作部５３を備えるように構成してもよい。

また、上記第１および第２実施形態では、ＤＲＲ画像Ｄ（Ｄ２０１、Ｄ２０２）の生成を、学習装置３（２０３）において行う例を示したが、本発明はこれに限られない。たとえば、治療計画装置２などにおいて、ＤＲＲ画像Ｄ（Ｄ２０１、Ｄ２０２）を生成するように構成されていてもよい。

また、上記第１および第２実施形態では、物体形状画像Ｂは、所定の物体として、Ｘ線を検出するための検出器（第１～第４Ｘ線検出器４２ａ～４２ｄ）および被検体Ｐが載置される天板１１（２４３）の少なくとも一方を含む構造物と、所定の物体として、マーカーＥ、ガイドワイヤ、および、カテーテルの少なくとも１つを含む被検体Ｐの体内に留置される部材と、の少なくとも一方を模した画像と、構造物と部材との少なくとも一方を撮影した画像と、の少なくとも一方を含む例を示したが、本発明はこれに限られない。たとえば、物体形状画像Ｂが、Ｘ線画像Ａ２（Ｘ線透視画像Ａ）にのみ含まれるノイズを模した画像となるように構成してもよい。

また、上記第１実施形態では、特定部分Ｑを示すためのマーカーＥが被検体Ｐの体内に留置された状態で生成された入力教師画像Ｔ１であるマーカー抽出用入力教師画像Ｔ１１と、マーカーＥの位置を示す画像であるマーカー抽出用出力教師画像Ｔ３とを用いて、学習モデル生成部３３によって機械学習を行うことにより生成された、第２学習モデルＭ２に基づいて、Ｘ線撮影によって取得された被検体Ｐの特定部分Ｑを含むＸ線画像（Ｘ線透視画像Ａ）に対して、マーカーＥを抽出することによって特定部分Ｑを抽出する処理と、特定部分Ｑを除去する処理とのいずれか一方を行うマーカー処理部５２をさらに備え、特定部分処理部５１とマーカー処理部５２とのいずれによって、処理を行うかが選択可能なように構成されている例を示したが、本発明はこれに限られない。たとえば、被検体ＰにマーカーＥを留置しない状態で行われたＣＴ撮影に基づいてＤＲＲ画像Ｄを生成するようにしてもよい。すなわち、マーカー処理部５２を備えず、特定部分処理部５１による処理のみによって、特定部分Ｑを抽出または除去するように構成されていてもよい。

また、上記第１実施形態では、入力操作を受け付ける操作部５３をさらに備え、操作部５３に対する操作の入力を受け付けたことに基づいて、特定部分処理部５１とマーカー処理部５２とのいずれによって処理を行うかが選択可能なように構成されている例を示したが、本発明はこれに限られない。たとえば、操作部５３を備えずに、ＤＲＲ画像ＤとＸ線透視画像Ａ（Ｘ線画像）との両方において、同じ位置に同じ個数のマーカーＥが含まれていることを検出した場合は、マーカー処理部５２において処理を行うことを選択するとともに、同じ位置に同じ個数のマーカーＥが検出されなかった場合は、特定部分処理部５１において処理を行うことを選択するように自動的に制御可能なように構成していてもよい。

また、上記第１および第２実施形態では、学習画像生成部（ＤＲＲ画像生成部３１、２３１および教師画像生成部３２、２３２）と学習モデル生成部３３（２３３）とを含む第１制御部３０（２３０）と、特定部分処理部５１（骨部処理部２５１）を含む第２制御部５０（２５０）と、をさらに備える例を示したが、本発明はこれに限られない。たとえば、１つの制御部がＤＲＲ画像生成部３１（２３１）、教師画像生成部３２（２３２）、学習モデル生成部３３（２３３）、および、特定部分処理部５１（骨部処理部２５１）を備えるように構成してもよい。つまり、１つの制御部において、第１～第３学習モデルＭ１～Ｍ３の生成および特定部分Ｑの抽出または除去を行うように構成してもよい。また、ＤＲＲ画像生成部３１（２３１）、教師画像生成部３２（２３２）、学習モデル生成部３３（２３３）、および、特定部分処理部５１（骨部処理部２５１）の機能ごとに個別にハードウェアを構成してもよい。

また、上記第１および第２実施形態では、学習画像生成部（ＤＲＲ画像生成部３１、２３１および教師画像生成部３２、２３２）は、入力教師画像Ｔ１（Ｔ２０１）を生成する際、２次元投影画像（ＤＲＲ画像Ｄ、Ｄ２０１、Ｄ２０２）に対して被検体Ｐとは別個の所定の物体に関する画像を含む物体形状画像Ｂを、ランダムな位置にランダムな大きさで加えることと、ＤＲＲ画像Ｄ（Ｄ２０１、Ｄ２０２）に対して物体形状画像Ｂをランダムな位置にランダムな大きさで減じることと、の少なくとも一方を行うように構成されている例を示したが、本発明はこれに限られない。たとえば、Ｘ線画像Ａ２（Ｘ線透視画像Ａ）に含まれる構成物について、予め位置を特定しておくことによってＤＲＲ画像Ｄ（Ｄ２０１、Ｄ２０２）の対応する場所に物体形状画像Ｂを加えることと、物体形状画像Ｂを減じることとを行うように構成してもよい。

また、上記第２実施形態では、特定部分Ｑは、骨部Ｈを含み、学習画像生成部（ＤＲＲ画像生成部２３１および教師画像生成部２３２）は、入力教師画像Ｔ２０１と同じ領域における骨部Ｈを含む特定部分Ｑを除くように生成された２次元投影画像（ＤＲＲ画像Ｄ２０１、Ｄ２０２）に対して、入力教師画像Ｔ２０１と同じ位置に同じ大きさの物体形状画像Ｂが加えられている画像と、骨部Ｈを含む特定部分Ｑを除くように生成されたＤＲＲ画像Ｄ２０１（Ｄ２０２）に対して、同じ位置に同じ大きさの物体形状画像Ｂが減じられている画像と、の少なくとも一方を含むように出力教師画像Ｔ２０２を生成するように構成されている例を示したが、本発明はこれに限られない。たとえば、特定部分Ｑに骨部Ｈを含まないように構成されていてもよい。すなわち、被検体Ｐの腫瘍などを特定部分Ｑとして、入力教師画像Ｔ２０１と出力教師画像Ｔ２０２との両方に同じ位置に同じ大きさの物体形状画像Ｂを加えることによって、特定部分Ｑを抽出するように構成してもよい。

また、上記第１および第２実施形態では、学習画像生成部（ＤＲＲ画像生成部３１、２３１および教師画像生成部３２、２３２）は、コンピュータ断層撮影による３次元データ（ＣＴ画像データＣ）に基づいて、２次元投影画像（ＤＲＲ画像Ｄ、Ｄ２０１、Ｄ２０２）をデジタル再構成シミュレーションにより生成するとともに、生成されたＤＲＲ画像Ｄ（Ｄ２０１、Ｄ２０２）に対して２次元の物体形状画像Ｂを加えることと、生成されたＤＲＲ画像Ｄ（Ｄ２０１、Ｄ２０２）に対して２次元の物体形状画像Ｂを減じることと、の少なくとも一方を行うことによって、入力教師画像Ｔ１（Ｔ２０１）を生成するように構成されている例を示したが、本発明はこれに限られない。コンピュータ断層撮影によるＣＴ画像データＣに基づいてＤＲＲ画像Ｄ（Ｄ２０１、Ｄ２０２）を生成するのではなく、ＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ ｉｍａｇｉｎｇ：核磁気共鳴画像方）によって取得された被検体Ｐの体内画像から３次元モデルを取得し、取得された３次元モデルに基づいて２次元投影画像を生成するように構成してもよい。

また、上記第１および第２実施形態では、学習画像生成部（ＤＲＲ画像生成部３１、２３１および教師画像生成部３２、２３２）は、コンピュータ断層撮影による３次元データ（ＣＴ画像データＣ）に対して、３次元の物体形状画素値データを加えることと、ＣＴ画像データＣに対して３次元の物体形状画素値データを減じることとの少なくとも一方を行った状態で、デジタル再構成シミュレーションにより２次元に投影することによって、入力教師画像Ｔ１（Ｔ２０１）を生成するように構成されている例を示したが、本発明はこれに限られない。たとえば、ＣＴ画像を撮影する時点において、Ｘ線透視画像Ａ（Ｘ線画像Ａ２）に含まれる構成物を模した物体を被検体Ｐと同時に撮影することによって、ＣＴ画像データＣに初めから物体形状画素値データが含まれるように構成してもよい。また、生成されたＤＲＲ画像Ｄ（Ｄ２０１、Ｄ２０２）に対して、２次元の物体形状画像Ｂを加えることと２次元の物体形状画像Ｂを減じることとを行う処理と、ＣＴ画像データＣに対して、３次元の物体形状画素値データを加えることと３次元の物体形状画素値データを減じることとを行う処理と、の両方を行った状態で入力教師画像Ｔ１（Ｔ２０１）を生成するようにしてもよい。
［態様］
上記した例示的な実施形態は、以下の態様の具体例であることが当業者により理解される。

（項目１）
３次元における画素値データを有する３次元データに基づいて取得された被検体の特定部分を含む領域についての２次元投影画像に対して、前記被検体とは別個の所定の物体に関する画像を含む物体形状画像が加えられている画像と、前記２次元投影画像に対して前記物体形状画像が減じられている画像と、の少なくとも一方を含む入力教師画像と、前記入力教師画像と同じ領域における前記特定部分を示す画像または前記特定部分を除く画像である出力教師画像と、を生成する学習画像生成部と、
前記入力教師画像および前記出力教師画像を用いて、機械学習を行うことにより、前記特定部分を抽出するか、または、前記特定部分を除去するための第１学習モデルを生成する学習モデル生成部と、
学習済みの前記第１学習モデルに基づいて、Ｘ線撮影によって取得された前記被検体の前記特定部分を含むＸ線画像に対して、前記特定部分を抽出する処理と、前記特定部分を除去する処理とのいずれか一方を行う特定部分処理部と、を備える、医用画像処理装置。

（項目２）
前記物体形状画像は、前記所定の物体として、Ｘ線を検出するための検出器および前記被検体が載置される天板の少なくとも一方を含む構造物と、前記所定の物体として、マーカー、ガイドワイヤ、および、カテーテルの少なくとも１つを含む前記被検体の体内に留置される部材と、の少なくとも一方を模した画像と、前記構造物と前記部材との少なくとも一方を撮影した画像と、の少なくとも一方を含む、項目１に記載の医用画像処理装置。

（項目３）
前記特定部分を示すためのマーカーが前記被検体の体内に留置された状態で生成された前記入力教師画像であるマーカー抽出用入力教師画像と、前記マーカーの位置を示す画像であるマーカー抽出用出力教師画像とを用いて、前記学習モデル生成部によって機械学習を行うことにより生成された、第２学習モデルに基づいて、Ｘ線撮影によって取得された前記被検体の前記特定部分を含むＸ線画像に対して、前記マーカーを抽出することによって前記特定部分を抽出する処理と、前記特定部分を除去する処理とのいずれか一方を行うマーカー処理部をさらに備え、
前記特定部分処理部と前記マーカー処理部とのいずれによって、処理を行うかが選択可能なように構成されている、項目１または２のいずれか１項に記載の医用画像処理装置。

（項目４）
入力操作を受け付ける操作部をさらに備え、
前記操作部に対する操作の入力を受け付けたことに基づいて、前記特定部分処理部と前記マーカー処理部とのいずれによって処理を行うかが選択可能なように構成されている、項目３に記載の医用画像処理装置。

（項目５）
前記学習画像生成部と前記学習モデル生成部とを含む第１制御部と、
前記特定部分処理部を含む第２制御部と、をさらに備える、項目１～４のいずれか１項に記載の医用画像処理装置。

（項目６）
前記学習画像生成部は、前記入力教師画像を生成する際、前記２次元投影画像に対して前記被検体とは別個の前記所定の物体に関する画像を含む前記物体形状画像を、ランダムな位置にランダムな大きさで加えることと、前記２次元投影画像に対して前記物体形状画像をランダムな位置にランダムな大きさで減じることと、の少なくとも一方を行うように構成されている、項目１～５のいずれか１項に記載の医用画像処理装置。

（項目７）
前記特定部分は、骨部を含み、
前記学習画像生成部は、前記入力教師画像と同じ領域における前記骨部を含む前記特定部分を除くように生成された前記２次元投影画像に対して、前記入力教師画像と同じ位置に同じ大きさの前記物体形状画像が加えられている画像と、前記骨部を含む前記特定部分を除くように生成された前記２次元投影画像に対して、同じ位置に同じ大きさの前記物体形状画像が減じられている画像と、の少なくとも一方を含むように前記出力教師画像を生成するように構成されている、項目１～６のいずれか１項に記載の医用画像処理装置。

（項目８）
前記学習画像生成部は、コンピュータ断層撮影による前記３次元データに基づいて、前記２次元投影画像をデジタル再構成シミュレーションにより生成するとともに、生成された前記２次元投影画像に対して２次元の前記物体形状画像を加えることと、前記生成された２次元投影画像に対して２次元の前記物体形状画像を減じることと、の少なくとも一方を行うことによって、前記入力教師画像を生成するように構成されている、項目１～７のいずれか１項に記載の医用画像処理装置。

（項目９）
前記学習画像生成部は、コンピュータ断層撮影による前記３次元データに対して、３次元の物体形状画素値データを加えることと、前記３次元データに対して３次元の前記物体形状画素値データを減じることとの少なくとも一方を行った状態で、デジタル再構成シミュレーションにより２次元に投影することによって、前記入力教師画像を生成するように構成されている、項目１～８のいずれか１項に記載の医用画像処理装置。

（項目１０）
３次元における画素値データを有する３次元データに基づいて取得された被検体の特定部分を含む領域についての２次元投影画像に対して、前記被検体とは別個の所定の物体に関する画像を含む物体形状画像が加えられている画像と、前記２次元投影画像に対して前記物体形状画像が減じられている画像と、の少なくとも一方を含む入力教師画像と、前記入力教師画像と同じ領域における前記特定部分を示す画像または前記特定部分を除く画像である出力教師画像と、を生成する学習画像生成部と、
前記入力教師画像および前記出力教師画像を用いて、機械学習を行うことにより、前記特定部分を抽出するか、または、前記特定部分を除去するための第１学習モデルを生成する学習モデル生成部と、
Ｘ線撮影によって前記被検体の前記特定部分を含むＸ線画像を取得するＸ線撮影部と、
学習済みの前記第１学習モデルに基づいて、前記Ｘ線撮影部によって撮影された前記特定部分を含む前記Ｘ線画像に対して、前記特定部分を抽出する処理と、前記特定部分を除去する処理とのいずれか一方を行う特定部分処理部と、を備える、Ｘ線画像処理システム。

（項目１１）
３次元における画素値データを有する３次元データに基づいて取得された被検体の特定部分を含む領域についての２次元投影画像に対して、前記被検体とは別個の所定の物体に関する画像を含む物体形状画像が加えられている画像と、前記２次元投影画像に対して前記物体形状画像が減じられている画像と、の少なくとも一方を含む入力教師画像を生成するステップと、
前記３次元データに基づいて、前記入力教師画像と同じ領域における前記特定部分を示す画像または前記特定部分を除く画像である出力教師画像を生成するステップと、
前記入力教師画像および前記出力教師画像を用いて、機械学習を行うことにより、前記特定部分を抽出するか、または、前記特定部分を除去するための第１学習モデルを生成するステップと、を備える、学習モデルの生成方法。

１００、２００ Ｘ線画像処理システム
１ 放射線照射装置
２ 治療計画装置
３、２０３ 学習装置（医用画像処理装置）
４、２０４ Ｘ線撮影部
５、２０５ Ｘ線画像処理装置（医用画像処理装置）
１１、２４３ 天板
３０、２３０ 第１制御部
３１、２３１ ＤＲＲ画像生成部（学習画像生成部）
３２、２３２ 教師画像生成部（学習画像生成部）
３３、２３３ 学習モデル生成部
５０、２５０ 第２制御部
５１ 特定部分処理部
５２ マーカー処理部
５３ 操作部
２５１ 骨部処理部（特定部分処理部）

Claims (8)

1. Ｘ線画像における特定部分を抽出するか、または、前記Ｘ線画像における前記特定部分を除去するための第１学習モデルを生成する学習装置であって、
   ３次元における画素値データを有する３次元データを取得する３次元データ取得部と、
   前記特定部分を含み、前記３次元データに対する投影処理に基づいて生成される２次元投影画像に、前記３次元データには含まれない前記特定部分とは別個の所定の物体の画像である物体形状画像が合成された画像を、少なくとも含む入力教師画像を生成する入力教師画像生成部と、
   前記３次元データに対する投影処理に基づいて、前記入力教師画像と同じ領域における前記特定部分を示すまたは前記特定部分が除去された出力教師画像を生成する出力教師画像生成部と、
   前記入力教師画像および前記出力教師画像を用いて、機械学習を行うことにより、前記第１学習モデルを生成する学習モデル生成部と、を備える、学習装置。
2. 前記物体形状画像は、前記所定の物体として、Ｘ線を検出するための検出器および被検体が載置される天板の少なくとも一方を含む構造物と、前記所定の物体として、マーカー、ガイドワイヤ、および、カテーテルの少なくとも１つを含む前記被検体の体内に留置される部材と、の少なくとも一方を模した画像と、前記構造物と前記部材との少なくとも一方を撮影した画像と、の少なくとも一方を含む、請求項１に記載の学習装置。
3. 前記入力教師画像生成部は、前記入力教師画像を生成する際、前記２次元投影画像に対して前記物体形状画像を、ランダムな位置にランダムな大きさで合成することを少なくとも行うように構成されている、請求項１または２に記載の学習装置。
4. 前記特定部分は、骨部を含み、
   前記出力教師画像生成部は、前記入力教師画像と同じ領域における前記骨部を含む前記特定部分を除くように生成された前記２次元投影画像に対して、前記入力教師画像と同じ位置に同じ大きさの前記物体形状画像が加えられている画像と、前記骨部を含む前記特定部分を除くように生成された前記２次元投影画像に対して、同じ位置に同じ大きさの前記物体形状画像が減じられている画像と、の少なくとも一方を含むように前記出力教師画像を生成するように構成されている、請求項１または２に記載の学習装置。
5. 前記入力教師画像生成部は、コンピュータ断層撮影による前記３次元データに基づいて、前記２次元投影画像をデジタル再構成シミュレーションにより生成するとともに、生成された前記２次元投影画像に対して２次元の前記物体形状画像を合成することを少なくとも行うことによって、前記入力教師画像を生成するように構成されている、請求項１または２に記載の学習装置。
6. 前記入力教師画像生成部は、コンピュータ断層撮影による前記３次元データに対して、３次元の物体形状画素値データを合成することを少なくとも行った状態で、デジタル再構成シミュレーションにより２次元に投影することによって、前記入力教師画像を生成するように構成されている、請求項１または２に記載の学習装置。
7. Ｘ線撮影によって特定部分を含むＸ線画像を取得するＸ線撮影部と、
   前記Ｘ線画像における前記特定部分を抽出するか、または、前記Ｘ線画像における前記特定部分を除去するための第１学習モデルを生成する学習装置と、
   前記学習装置により学習済みの前記第１学習モデルに基づいて、前記Ｘ線撮影部によって撮影された前記特定部分を含む前記Ｘ線画像に対して、前記特定部分を抽出する処理と、前記特定部分を除去する処理とのいずれか一方を行う特定部分処理部と、を備え、
   前記学習装置は、
   ３次元における画素値データを有する３次元データを取得する３次元データ取得部と、
   前記特定部分を含み、前記３次元データに対する投影処理に基づいて生成される２次元投影画像に、前記３次元データには含まれない前記特定部分とは別個の所定の物体の画像である物体形状画像が合成された画像を、少なくとも含む入力教師画像を生成する入力教師画像生成部と、
   前記３次元データに対する投影処理に基づいて、前記入力教師画像と同じ領域における前記特定部分を示すまたは前記特定部分が除去された出力教師画像を生成する出力教師画像生成部と、
   前記入力教師画像および前記出力教師画像を用いて、機械学習を行うことにより、前記第１学習モデルを生成する学習モデル生成部と、を含む、Ｘ線画像処理システム。
8. Ｘ線画像における特定部分を抽出するか、または、前記Ｘ線画像における前記特定部分を除去するための第１学習モデルを生成する学習モデルの生成方法であって、
   ３次元における画素値データを有する３次元データを取得するステップと、
   前記特定部分を含み、前記３次元データに対する投影処理に基づいて生成される２次元投影画像に、前記３次元データには含まれない前記特定部分とは別個の所定の物体の画像である物体形状画像が合成された画像を、少なくとも含む入力教師画像を生成するステップと、
   前記３次元データに対する投影処理に基づいて、前記入力教師画像と同じ領域における前記特定部分を示すまたは前記特定部分が除去された出力教師画像を生成するステップと、
   前記入力教師画像および前記出力教師画像を用いて、機械学習を行うことにより、前記第１学習モデルを生成するステップと、を備える、学習モデルの生成方法。

Images