JP7125700B2 - Ｘ線透視装置およびｘ線透視方法 - Google Patents

Description

この発明は、Ｘ線管から照射され被検者を通過したＸ線をＸ線検出器により検出して被検者の特定部位を含む画像を取得し、この被検者の特定部位を含む画像から特定部位の位置を検出し、特定部位の動きを追跡するＸ線透視装置およびＸ線透視方法に関する。

腫瘍などの患部に対してＸ線や陽子線等の放射線を治療ビームとして照射する放射線治療においては、放射線を患部に正確に照射する必要がある。しかしながら、被検者が体を動かしてしまう場合があるばかりではなく、患部自体に動きが生ずる場合がある。例えば、肺の近くの腫瘍は呼吸に基づき大きく移動する。このため、腫瘍のそばに球形状を有する金製のマーカを留置し、このマーカの位置をＸ線透視装置により検出して、治療放射線の照射を制御する構成を有する放射線治療装置が提案されている（特許文献１参照）。

このような放射線治療装置においては、第１Ｘ線管と第１Ｘ線検出器から成る第１Ｘ線透視機構と、第２Ｘ線管と第２Ｘ線検出器から成る第２Ｘ線透視機構とを使用して体内に留置されたマーカを撮影し、第１Ｘ線透視機構による二次元の透視画像と第２Ｘ線透視機構による二次元の透視画像を利用して三次元の位置情報を得る。そして、連続してＸ線透視を行い、リアルタイムでマーカの三次元の位置情報を演算することで、移動を伴う部位のマーカを高精度で検出する。そして、検出されたマーカの位置情報に基づいて治療放射線の照射を制御することで、腫瘍の動きに応じた高精度の放射線照射を実行することが可能となる。このマーカの位置情報を得るときには、テンプレートを利用したテンプレートマッチングが実行される。

ところで、上述したようにマーカを利用して腫瘍の動きを検出するためには、被検者の体内に、予めマーカを留置する必要がある。一方、近年、患者の腫瘍の領域などの特定部位をマーカのかわりに使用することで、マーカの留置を省略するマーカレストラッキングと呼称される方法も提案されている。

特許第３０５３３８９号公報

このＸ線透視装置は、球状以外の形状を有するマーカや特定部位をも検出し得るものではあるが、特に特定部位を検出するときに、検出精度をさらに向上させることが要請されている。また、多数のテンプレートを利用して類似度の評価を行う場合には、計算コストが大きくなり、リアルタイムでの処理が困難となるという問題が生ずる。

この発明は上記課題を解決するためになされたものであり、特定部位の検出精度をさらに向上させ、また、被検者の特定部位の画像を使用してテンプレートマッチングを実行するときにも、より容易に計算を実行してリアルタイムで特定部位の位置を検出することが可能なＸ線透視方法およびＸ線透視装置を提供することを第１の目的とする。

また、被検者の特定部位を球状のマーカのかわりに使用するマーカレストラッキングにおいては、被検者の呼吸位相により特定部位の認識される形状が異なることから、特定部位を単一の呼吸位相から撮影した画像を利用してテンプレートを作成しても、これだけでは正確なテンプレートマッチングは実行し得ない。このため、被検者の呼吸位相により特定部位の認識される形状が異なることに対応するため、放射線治療の直前に異なる呼吸位相で撮影された特定部位を含む画像をテンプレートとして複数記憶するとともに、一定時間毎に撮影される画像に対して、予め記憶された複数のテンプレートを利用してテンプレートマッチングを行う必要がある。

このように複数のテンプレートを使用するときには、オペレータが放射線治療の直前に被検者をＸ線透視し、Ｘ線画像を見ながら呼吸位相毎の腫瘍の位置を指定してテンプレートを作成する必要がある。このため、複数のテンプレートを作成するために時間がかかり、患者にとって苦痛であるばかりではなく、治療のためのスループットの低下をもたらすという問題が生ずる。

この発明は上記課題を解決するためになされたものであり、放射線治療に先だって、予めＣＴ画像データに基づいて作成されたＤＲＲ画像を利用して機械学習を実行することにより、放射線治療の直前にテンプレートの作成に要していた時間をなくして、速やかに動体追跡を実行するとともに、より正確に特定部位の位置を検出することが可能なＸ線透視装置およびＸ線透視方法を提供することを第２の目的とする。

また、画像認識により特定部位の位置を検出するときに、特定部位が骨部付近に配置されているときには、骨部のコントラストが特定部位のコントラストより大きいことから、機械学習を実行するときには、特定部位よりも骨部が学習されてしまい、特定部位の位置を正確に検出できないという問題が生ずる。

この発明は上記課題を解決するためになされたものであり、特定部位が骨部付近に存在したとしても、正確に特定部位の位置を検出することが可能なＸ線透視装置およびＸ線透視方法を提供することを第３の目的とする。

さらに、放射線治療においては、特定部位の位置が所定の位置にあるだけではなく、被検者の呼吸位相が特定の位相であるときにのみ治療ビームを照射することが好ましい。すなわち、被検者に対する治療計画は、被検者の呼吸位相が特定の位相であることを条件として作成されることから、特定部位の位置が所定の位置にあったとしても、呼吸位相が治療計画時とは異なった場合には、治療計画通りの照射線量とならないためである。ここで、特定部位は呼吸以外の蠕動運動等でも移動することから、特定部位が所定の位置に配置されたとしても、呼吸位相が同一であるという保証はない。

この発明は上記課題を解決するためになされたものであり、測定部位の位置とともに被検者の呼吸位相をも特定することにより、特定部位が所定の位置にあり、かつ、被検者の呼吸位相が特定の位相となったときに治療ビームを照射することが可能なＸ線透視装置およびＸ線透視方法を提供することを第４の目的とする。

第１の発明は、Ｘ線管と、前記Ｘ線管から照射され被検者を通過したＸ線を検出するＸ線検出器とを備え、前記被検者の特定部位を含む画像を収集することにより、前記特定部位の位置を検出し、前記特定部位の動きを追跡するＸ線透視装置であって、前記被検者の特定部位を含む画像に基づいて作成されたテンプレートマッチング用のテンプレートと、前記被検者の特定部位を含む画像に基づいて作成された機械学習用の正解画像とを記憶する画像記憶部と、前記画像記憶部に記憶された正解画像に基づいて、前記機械学習により識別器を作成する学習部と、前記被検者の特定部位を含む領域を透視して得た画像に対して、前記テンプレートを利用してテンプレートマッチングを実行するとともに、前記識別器を利用して識別を実行することにより、前記特定部位の位置を検出する位置検出部と、を備えたことを特徴とする。

第２の発明は、前記位置検出部は、前記テンプレートマッチングと前記識別器を利用した識別とのいずれか一方を実行した後に他方を実行し、あるいは、両方を同時に実行する。

第３の発明は、Ｘ線管と、前記Ｘ線管から照射され被検者を通過したＸ線を検出するＸ線検出器とを備え、前記被検者の特定部位を含む画像を収集することにより、前記特定部位の位置を検出し、前記特定部位の動きを追跡するＸ線透視装置であって、前記被検者の特定部位を含む画像に基づいて作成されたテンプレートマッチング用のテンプレートと、機械学習用の正解画像とを記憶する画像記憶部と、前記画像記憶部に記憶された正解画像に基づいて、前記機械学習により識別器を作成する学習部と、前記Ｘ線管と前記Ｘ線検出器により収集された画像を使用して、前記識別器を利用した識別により特定部位候補位置を選択する候補位置選択部と、前記候補位置選択部により選択された特定部位を含む領域に対して、前記画像記憶部に記憶されたテンプレートを利用してテンプレートマッチングを実行することにより、前記特定部位の位置を検出する位置検出部と、を備えたことを特徴とする。

第４の発明は、前記機械学習は、ＳＶＭ、Ｂｏｏｓｔｉｎｇまたはニューラルネットワークである。

第５の発明は、前記テンプレートと前記正解画像とは、各々、前記特定部位を含む同一の画像に基づいて作成される。

第６の発明は、Ｘ線管から照射され被検者を通過したＸ線をＸ線検出器により検出し、前記被検者の特定部位を含む画像を収集することにより、前記特定部位の位置を検出し、前記特定部位の動きを追跡するＸ線透視方法であって、前記被検者の特定部位を含む画像に基づいて作成されたテンプレートマッチング用のテンプレートと、前記被検者の特定部位を含む画像に基づいて作成された機械学習用の正解画像とを記憶する記憶工程と、前記記憶工程で記憶された正解画像に基づいて、前記機械学習により識別器を作成する学習工程と、前記Ｘ線管から照射され前記被検者を通過したＸ線を前記Ｘ線検出器により検出し、前記被検者の特定部位を含む画像を収集する透視工程と、前記透視工程で得た画像に対して、前記テンプレートを利用したテンプレートマッチングを実行するとともに、前記識別器を利用した識別を実行することにより、前記特定部位の位置を検出する位置検出工程と、を含むことを特徴とする。

第７の発明は、Ｘ線管から照射され被検者を通過したＸ線をＸ線検出器により検出し、前記被検者の特定部位を含む画像を収集することにより、前記特定部位の位置を検出し、前記特定部位の動きを追跡するＸ線透視方法であって、前記被検者の特定部位を含む画像に基づいて作成されたテンプレートマッチング用のテンプレートと、機械学習用の正解画像とを記憶する画像記憶工程と、前記画像記憶工程で記憶された複数の正解画像に基づいて、前記機械学習により識別器を作成する学習工程と、前記Ｘ線管から照射され前記被検者を通過したＸ線を前記Ｘ線検出器により検出し、前記被検者の特定部位を含む画像を収集する透視工程と、前記透視工程で得た画像を使用して、前記識別器を利用した識別により前記特定部位の候補位置を選択する候補位置選択工程と、前記候補位置選択工程で選択された特定部位の候補位置に対して、前記画像記憶工程で記憶されたテンプレートを利用してテンプレートマッチングを実行することにより、前記特定部位の位置を検出する位置検出工程と、を含むことを特徴とする。

第８の発明は、Ｘ線管から照射され被検者を通過したＸ線をＸ線検出器により検出して被検者の特定部位を含む画像を取得し、前記被検者の特定部位を含む画像から前記特定部位の位置を検出し、前記特定部位の動きを追跡するＸ線透視装置であって、治療計画記憶時に作成されたＣＴ画像データに対して、前記被検者に対する前記Ｘ線管と前記Ｘ線検出器との幾何学的透視条件を模擬した仮想的透視投影を行うことにより、前記特定部位を含む複数のＤＲＲ画像を作成するＤＲＲ画像作成部と、前記ＤＲＲ画像作成部で作成されたＤＲＲ画像に対して機械学習を実行することにより、前記特定部位を認識するための識別器を作成する識別器作成部と、前記Ｘ線管から照射され前記被検者を通過したＸ線を前記Ｘ線検出器により検出して得た前記被検者の特定部位を含む画像に対して前記識別器作成部で作成された識別器を使用して識別を行うことにより、前記特定部位の位置を検出する位置検出部と、を備えることを特徴とする。

第９の発明は、前記ＤＲＲ画像作成部は、前記幾何学的透視条件の投影座標および角度の少なくとも一方を含むパラメータを変化させ、あるいは、画像の回転、変形及び拡大縮小の少なくとも１つを含む画像処理を施して前記ＤＲＲ画像を作成する。

第１０の発明は、前記ＤＲＲ画像作成部は、作成後のＤＲＲ画像に対して、コントラスト変化、ノイズ付加及びエッジ強調の少なくとも１つを実行する。

第１１の発明は、前記ＤＲＲ画像作成部は、治療計画記憶時に作成された連続する複数の呼吸位相における前記特定部位を含む領域の３次元のＣＴ画像データ群からなる４次元ＣＴ画像データに基づいて、前記特定部位を含む複数のＤＲＲ画像を作成する。

第１２の発明は、前記ＤＲＲ画像作成部は、治療計画記憶時に作成された連続する複数の呼吸位相における前記特定部位を含む領域の３次元のＣＴ画像データ群からなる４次元ＣＴ画像データのうち、前記被検者に治療ビームが照射される呼吸位相を含む複数の呼吸位相のＣＴ画像データに基づいて、前記特定部位を含む複数のＤＲＲ画像を作成する。

第１３の発明は、前記ＤＲＲ画像作成部は、治療計画記憶時に作成されたＣＴ画像データに基づいて、前記特定部位を含み、かつ、前記被検者の骨部が除去されたＤＲＲ画像を作成する。

第１４の発明は、前記ＤＲＲ画像作成部は、治療計画記憶時に作成されたＣＴ画像データにおけるＣＴ値に基づいて前記被検者の骨部が除去されたＣＴ画像データを作成し、この骨部が除去されたＣＴ画像データに基づいて、前記特定部位を含み、かつ、前記被検者の骨部が除去されたＤＲＲ画像を作成する。

第１５の発明は、前記ＤＲＲ画像作成部は、治療計画記憶時に作成されたＣＴ画像データにおけるボクセル値を線積分してＤＲＲ画像を作成するときに、このボクセル値に基づいて、前記特定部位を含み、かつ、前記被検者の骨部が除去されたＤＲＲ画像を作成する。

第１６の発明は、前記Ｘ線管から照射され前記被検者を通過したＸ線を前記Ｘ線検出器により検出し、前記被検者の特定部位を含む画像を収集することにより、前記特定部位を含む複数のＸ線画像を作成するＸ線画像作成部と、前記Ｘ線画像作成部により作成されたＸ線画像を利用して、前記識別器作成部において作成した識別器を補正する補正部と、をさらに備える。

第１７の発明は、前記Ｘ線管から照射され前記被検者を通過したＸ線を前記Ｘ線検出器により検出し、前記被検者の特定部位を含む画像を収集することにより、前記特定部位を含む複数のＸ線画像を作成するＸ線画像作成部をさらに備え、前記識別器作成部は、前記ＤＲＲ画像作成部で作成されたＤＲＲ画像と前記Ｘ線画像作成部で作成されたＸ線画像とに対して機械学習を実行することにより、前記特定部位を認識するための識別器を作成する。

第１８の発明は、前記識別器は、前記特定部位を前記被検者の呼吸位相毎に認識するための多クラス識別器であり、前記位置検出部は、前記Ｘ線管から照射され前記被検者を通過したＸ線を前記Ｘ線検出器により検出して得た前記被検者の特定部位を含む画像に対して前記識別器作成部で作成された多クラス識別器を使用して多クラス識別を行うことにより、前記特定部位の位置と前記被検者の呼吸位相とを検出する。

第１９の発明は、Ｘ線管から照射され被検者を通過したＸ線をＸ線検出器により検出して被検者の特定部位を含む画像を取得し、前記被検者の特定部位を含む画像から前記特定部位の位置を検出し、前記特定部位の動きを追跡するＸ線透視方法であって、治療計画記憶時に作成されたＣＴ画像データに基づいて、前記特定部位を含む複数のＤＲＲ画像を作成するＤＲＲ画像作成工程と、前記ＤＲＲ画像作成工程において作成されたＤＲＲ画像に対して機械学習を実行することにより、前記特定部位を認識するための識別器を作成する識別器作成工程と、前記Ｘ線管から照射され前記被検者を通過したＸ線を前記Ｘ線検出器により検出し、前記被検者の特定部位を含む画像を得る透視工程と、前記透視工程において得た画像に対して前記識別器作成工程で作成された識別器を使用して識別を行うことにより、前記特定部位の位置を検出する位置検出工程と、を含むことを特徴とする。

第１から第７の発明によれば、テンプレートマッチングと機械学習とを併用することにより、特定部位の検出精度を向上させることが可能となる。

第３および第７の発明によれば、被検者の特定部位を含む画像に基づいて作成されたテンプレートを利用したテンプレートマッチングを実行するときにも、より容易に計算を実行してリアルタイムで特定部位の位置を検出することが可能となる。

第４の発明によれば、機械学習をより迅速に実行することが可能となる。

第５の発明によれば、複数のテンプレートと正解画像とを、単一の工程により効率的に作成することが可能となる。

第８から第１９の発明によれば、放射線治療に先だって、予めＣＴ画像データに基づいて作成されたＤＲＲ画像を利用して機械学習を実行することにより、従来放射線治療の直前にテンプレートの作成に要していた時間をなくすことができ、速やかに動体追跡を実行することが可能となる。

第９の発明によれば、幾何学的透視条件の投影座標および角度を含むパラメータを変化させ、あるいは、画像の回転、変形、拡大縮小を含む画像処理を施すことから、特定部位が再現性なく移動または変形した場合においても、特定部位の位置を正確に検出することが可能となる。そして、大量のＤＲＲ画像を作成することができることから、各患者に対応したオーダーメイドの識別器を学習することができ、さらには、低フレームレートのＤＲＲ画像を使用する場合においても、また、特定部位に対して背景が映り込んだ場合においても、特定部位の位置を正確に検出することが可能となる。

第１０の発明によれば、作成後のＤＲＲ画像に対して、コントラスト変化、ノイズ付加、エッジ強調を実行することから、ＤＲＲ画像とＸ線画像に画質の差異が生じた場合においても、特定部位の位置を正確に検出することが可能となる。

第１１および第１２の発明によれば、連続する複数の呼吸位相における前記特定部位を含む領域の３次元のＣＴ画像データ群からなる４次元ＣＴ画像データに基づいて特定部位を含む複数のＤＲＲ画像を作成することから、被検者の特定部位とともに移動しない部位を除外して機械学習を実行することが可能となり、正確な動体追跡を実行することが可能となる。

第１３から第１５の発明によれば、被検者の骨部が除外されたＤＲＲ画像を作成することから、被検者の骨部を除外して機械学習を実行することが可能となり、正確な動体追跡を実行することが可能となる。

第１６の発明によれば、Ｘ線画像を利用して識別器作成部において作成した識別器を補正することから、多量のＸ線画像を使用することなく識別器を迅速に補正するとともに、より正確に特定部位の位置を検出することが可能となる。

第１７の発明によれば、ＣＴ画像データに基づいて作成されたＤＲＲ画像とＸ線撮影により作成されたＸ線画像とに対して機械学習を実行することにより、多量のＸ線画像を使用することなく識別器を迅速に作成するとともに、より正確に特定部位の位置を検出することが可能となる。

第１８の発明によれば、測定部位の位置とともに、そのときの被検者の呼吸位相をも特定することができる。このため、特定部位が所定の位置にあり、かつ、被検者の呼吸位相が特定の位相となったときに、治療ビームを照射することが可能となる。

この発明に係るＸ線透視装置を、放射線照射装置９０とともに示す斜視図である。 この発明に係るＸ線透視装置の主要な制御系を示すブロック図である。 この発明に係るＸ線透視装置を使用した動体追跡動作を示すフローチャートである。 テンプレートと正解画像の作成工程を示す説明図である。 被検者Ｍに対するＸ線透視領域Ｅ１と候補位置Ｅ２とを模式的に示す説明図である。 この発明の第２実施形態に係るＸ線透視装置を使用した動体追跡動作を示すフローチャートである。 この発明の第３実施形態に係るＸ線透視装置の主要な制御系を示すブロック図である。 この発明の第３実施形態に係るＸ線透視装置を使用した動体追跡動作を示すフローチャートである。 この発明の第４実施形態に係るＸ線透視装置によるＤＲＲ作成工程を示すフローチャートである。 この発明の第５実施形態に係るＸ線透視装置によるＤＲＲ作成工程を示すフローチャートである。 この発明の第６実施形態に係るＸ線透視装置の主要な制御系を示すブロック図である。 この発明の第６実施形態に係るＸ線透視装置を使用した動体追跡動作を示すフローチャートである。 この発明の第７実施形態に係るＸ線透視装置の主要な制御系を示すブロック図である。 この発明の第７実施形態に係るＸ線透視装置を使用した動体追跡動作を示すフローチャートである。 この発明の第８実施形態に係るＸ線透視装置の主要な制御系を示すブロック図である。 この発明の第８実施形態に係るＸ線透視装置を使用した動体追跡動作を示すフローチャートである。 畳み込みニューラルネットワークの概念を説明するための説明図である。 補間に使用可能な周期関数を示すグラフである。 畳み込みニューラルネットワークを利用して特定部位の位置を認定する動作を示す模式図である。 畳み込みニューラルネットワークを利用して特定部位の位置を認定する動作を示す模式図である。

以下、この発明の実施の形態を図面に基づいて説明する。図１は、この発明に係るＸ線透視装置を、放射線照射装置９０とともに示す斜視図である。これらのＸ線透視装置と放射線照射装置９０とにより、放射線治療装置が構成される。

放射線照射装置９０は、カウチとも呼称される検診台２９上の被検者に対して放射線照射を行うものであり、治療室の床面に設置された基台９１に対して揺動可能に設置されたガントリー９２と、このガントリー９２に配設された治療ビームを出射するヘッド９３とを備える。この放射線照射装置９０によれば、ガントリー９２が基台９１に対して揺動することにより、ヘッド９３から照射される治療ビームの照射方向を変更することができる。このため、被検者における腫瘍等の患部に対して様々な方向から治療ビームを照射することが可能となる。

この放射線照射装置９０とともに使用されるＸ線透視装置は、被検者の患部の位置を特定する動体追跡を行うためのＸ線透視を実行するものである。すなわち、上述した放射線照射装置９０を使用した放射線治療時においては、放射線を被検者の体動に伴って移動する患部に正確に照射する必要がある。このため、被検者における腫瘍等の特定の形状を有する部位を特定部位として予め登録し、この特定部位を連続的にＸ線透視して、特定部位の三次元の位置情報を演算することで、特定部位を高精度で検出する、所謂、動体追跡を行う構成となっている。このように、従来の被検者における患部付近にマーカを留置する代わりに、被検者における腫瘍等の特定部位の画像をマーカとして使用する動体追跡の手法は、マーカレストラッキングと呼称されている。

このＸ線透視装置は、第１Ｘ線管１１ａ、第２Ｘ線管１１ｂと、第１フラットパネルディテクタ２１ａ、第２フラットパネルディテクタ２１ｂとを備える。第１Ｘ線管１１ａから照射されたＸ線は、検診台２９上の被検者を透過した後、第１フラットパネルディテクタ２１ａにより検出される。第１Ｘ線管１１ａと第１フラットパネルディテクタ２１ａとは、第１Ｘ線撮影系を構成する。第２Ｘ線管１１ｂから照射されたＸ線は、検診台２９上の被検者を透過した後、第２フラットパネルディテクタ２１ｂにより検出される。第２Ｘ線管１１ｂと第２フラットパネルディテクタ２１ｂとは、第２Ｘ線撮影系を構成する。

図２は、この発明に係るＸ線透視装置の主要な制御系を示すブロック図である。

このＸ線透視装置は、論理演算を実行するプロセッサーとしてのＣＰＵ、装置の制御に必要な動作プログラムが格納されたＲＯＭ、制御時にデータ等が一時的にストアされるＲＡＭ等を備え、装置全体を制御する制御部３０を備える。この制御部３０は、上述した第１Ｘ線管１１ａ、第２Ｘ線管１１ｂと、第１フラットパネルディテクタ２１ａ、第２フラットパネルディテクタ２１ｂとに接続されている。

この制御部３０は、被検者の特定部位を含む画像に基づいて作成されたテンプレートマッチング用の１または複数のテンプレートを記憶する第１画像記憶部３２と、被検者の特定部位を含む画像に基づいて作成された機械学習用の１または複数の正解画像を記憶する第２画像記憶部３３とから構成される画像記憶部３１を備える。また、この制御部３０は、第２画像記憶部３３に記憶した正解画像に基づいて機械学習により識別器（後述）を作成する学習部３４と、被検者の特定部位を含む画像を所定のフレームレートで収集した複数の画像を使用して識別器を利用した機械学習により特定部位の１または複数の候補位置を選択する候補位置選択部３５と、候補位置選択部３５により選択された１または複数の候補位置に対して第１画像記憶部３２に記憶した複数のテンプレートを利用してテンプレートマッチングを実行することにより特定部位の位置を検出する位置検出部３６と、を備える。

次に、以上のような構成を有するＸ線透視装置を使用することにより、被検者の体動に伴って移動する特定部位の位置を検出する動体追跡を実行する動作について説明する。図３は、この発明に係るＸ線透視装置を使用した動体追跡動作を示すフローチャートである。以下の動作は、２つのＸ線撮影系に対して同様に実行される。

この発明に係るＸ線透視装置により動体追跡を実行するときには、最初に、画像記憶工程を実行する（ステップＳ１）。この画像記憶工程においては、上述した第１Ｘ線撮影系、第２Ｘ線撮影系を使用して、検診台２９上に載置した被検者の特定部位を含む画像を撮影する。そして、この撮影により得たＸ線画像に基づいて、予め、テンプレートマッチング用の１または複数のテンプレートと、機械学習用の１または複数の正解画像とを作成する。作成されたテンプレートマッチング用の複数のテンプレートは、図２に示す画像記憶部３１における第１画像記憶部３２に記憶される。また、機械学習用の複数の正解画像は、図２に示す画像記憶部３１における第２画像記憶部３３に記憶される。また、画像記憶部３１における第２画像記憶部３３には、機械学習に使用される不正解画像も記憶される。

図４は、テンプレートと正解画像の作成工程を示す説明図である。

なお、この図においては、例えば、腫瘍等の被検者の特定部位Ｃを含む画像１００、１０１、１０２を３枚連続で撮影した状態を示している。実際には、これらの画像は、所定のフレームレートでより多くの枚数が撮影される。オペレータは、これらの画像１００、１０１、１０２から特定部位Ｃ部分をトリミングする。このようにオペレータがトリミングを行うかわりに、治療計画に用いる４ＤＣＴ（経時的に撮影された３次元のＣＴ画像データ群からなる４次元ＣＴ画像データ）における特定部位の位置から各位相の特定部位Ｃの投影位置を取得し、画像１００、１０１、１０２と４ＤＣＴの対応関係から、特定部位Ｃの位置を認識して自動的にトリミングを実行するようにしてもよい。また、４ＤＣＴを利用して特定部位Ｃのおおよその位置を取得し、オペレータがこれを修正するようにしてもよい。

図４に示すトリミング後の画像１０５、１０６、１０７の各々が、マルチテンプレートマッチングに使用されるテンプレートとなり、第１画像記憶部３２に登録される。また、図４に示すトリミング後の画像１０５、１０６、１０７、および／または、これらのトリミング後の画像１０５、１０６、１０７を自動的にわずかに平行移動、回転（例えば、約１０度）、変形、拡大縮小した画像が機械学習のための正解画像として生成され、第２画像記憶部３３に登録される。トリミングした画像１０５、１０６、１０７を平行移動、回転、変形、拡大縮小した画像も正解画像として使用するのは、腫瘍等の被検者の特定部位Ｃが被検者の体内で移動または変形した際にも特定部位Ｃをより確実に追跡できるようにするためである。さらに、画像１００のうち、トリミング後の画像１０５、１０６、１０７以外の領域の任意の領域の画像が自動的に抽出されて、不正解画像として生成され、第２画像記憶部３３に登録される。なお、不正解画像をその都度作成する代わりに、予め記憶されている不正解画像を使用してもよい。

上記の通り、複数のテンプレートと複数の正解画像とは、各々、同一の画像に基づいて作成された画像が使用される。すなわち、各テンプレートと各正解画像とは、特定部位Ｃを含む同一の画像がからトリミングされたものが使用される。これにより、複数のテンプレートと複数の正解画像とを、単一の工程により効率的に作成することが可能となる。

次に、機械学習における学習工程を実行する（ステップＳ２）。この学習工程においては、第２画像記憶部３３に記憶された複数の正解画像を利用して学習を実行することにより、機械学習のための一つの識別器を作成する。識別器は、計算式とパラメータとから構成されるものであり、機械学習を使用した特定部位Ｃの位置の追跡に使用される指標である。識別器は、第２画像記憶部３３に記憶されている複数の正解画像および複数の不正解画像を使用して機械学習により作成される。計算式は機械学習の種別（後述）によって決まっているが、計算式自体は周知技術であるので、ここでは説明を省略する。この学習工程には、一定の時間が必要である。しかしながら、予め被検者における特定部位Ｃを含む画像の撮影が完了した後、実際に放射線治療を実行するまでの間の時間に、この学習工程を実行することにより、被検者に負担をかける必要はない。なお、特定部位Ｃを含む画像の撮影は、後述する放射線治療の直前に実行してもよく、それに先立ち、事前に実行してもよい。

なお、上述した機械学習の種別としては、例えば、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ／サポートベクターマシン）を利用することができる。このＳＶＭは、パターン認識を実行するときに、多くの手法の中でも最も迅速性に優れ、かつ、認識性能の高い学習モデルの一つである。また、迅速性に優れた機械学習として、ＳＶＭにかえて、Ｈａａｒ‐ｌｉｋｅ特徴量などによるＢｏｏｓｔｉｎｇ（ブースティング）や、Ｄｅｅｐ Ｌｅａｒｎｉｎｇ（深層学習）などのニューラルネットワークを利用してもよい。

以上の準備工程が完了すれば、被検者を、再度、検診台２９上に載置し、この発明に係るＸ線透視装置によりＸ線透視による動体追跡を行うとともに、放射線照射装置９０から放射線を照射して放射線治療を開始する。

放射線治療を開始するときには、最初に、Ｘ線透視を行う（ステップＳ３）。このＸ線透視は、例えば３０ｆｐｓ（ｆｒａｍｅ ｐｅｒ ｓｅｃｏｎｄ）程度の、所定のフレームレートで実行される。そして、所定のフレームレートで取得された複数のＸ線画像を使用して、予め機械学習により作成された識別器を利用した識別により特定部位Ｃの１または複数の候補位置を選択する（ステップＳ４）。

図５は、被検者Ｍに対するＸ線透視領域Ｅ１と、特定部位Ｃの候補位置Ｅ２とを模式的に示す説明図である。

候補位置選択工程（ステップＳ４）においては、機械学習に基づく識別により、被検者Ｍに対するＸ線透視領域Ｅ１のうちから、特定部位Ｃの１または複数の候補位置Ｅ２を識別する第１判定を実行する。具体的には、Ｘ線透視領域Ｅ１の画像の全域を順番に識別器と比較を行い、識別器との類似度に応じて○（正解）か×（不正解）かを判定し、正解の位置を特定部位Ｃの候補位置と識別する。一般的には、１つのＸ線透視領域Ｅ１の中で特定部位Ｃの候補位置は２～３個が識別される。なお、識別器との比較において○（正解）か×（不正解）かの２値ではなく、スコア値で結果が出力される場合には、スコア値の閾値を設定しておき、閾値以上のスコア値の位置を特定部位の候補位置とすることができる。

次に、候補位置選択工程で選択された特定部位Ｃの１または複数の候補位置Ｅ２に対して、画像記憶工程（ステップＳ１）で記憶された複数のテンプレートを利用してテンプレートマッチングを実行し、特定部位Ｃについての第２判定を実行することにより、特定部位Ｃの１または複数の候補位置の中から特定部位Ｃの位置を一つ検出する（ステップＳ５）。マルチテンプレートマッチングでは、例えば、Ｘ線透視領域Ｅ１のうちの特定部位Ｃの候補位置Ｅ２の画像と、第１画像記憶部３２に記憶されている複数のテンプレートとを比較して、その類似を求め、類似度が所定の閾値以上の位置が特定部位Ｃの位置と判定される。この特定部位の位置の検出は、透視のフレームレートに一致するタイミングで実行される。このように、Ｘ線透視領域Ｅ１の全域ではなく、位置候補選択工程で選択された１または複数の候補位置Ｅ２に対してのみ、複数のテンプレートを利用したマルチテンプレートマッチングを実行すればよいことから、従来のように、計算コストが過度に大きくなり、リアルタイムでの処理が困難となるという問題が生ずることを防止することが可能となる。

そして、特定部位Ｃの位置が検出できたら、その位置情報に基づいて、放射線照射装置９０から被検者Ｍの患部（腫瘍である特定部位Ｃ）に対して放射線を照射する。すなわち、患部の位置が所定の範囲内にあるときに、放射線照射装置９０のゲーティングをＯＮとして被検者に放射線を照射する。この特定部位Ｃの位置の検出と放射線の照射とは、治療が終了するまで繰り返される（ステップＳ６）。

以上のように、上述したＸ線透視装置によれば、機械学習に基づく識別を利用して特定部位Ｃの候補位置Ｅ２を判定し、次に、候補位置Ｅ２の中からマルチテンプレートマッチングを利用して特定部位の位置を検出することから、マーカのかわりに被検者Ｍの特定部位Ｃの画像を使用して複数のテンプレートを利用したテンプレートマッチングを実行するときにも、より容易に計算を実行してリアルタイムで特定部位Ｃの位置を検出することが可能となる。

次に、この発明の他の実施形態について説明する。図６は、この発明の第２実施形態に係るＸ線透視装置を使用した動体追跡動作を示すフローチャートである。

上述した実施形態においては、機械学習を利用して特定部位Ｃの候補位置Ｅ２を判定し、次に、候補位置Ｅ２の中からマルチテンプレートマッチングを利用して特定部位Ｃの位置を検出する構成を採用している。これに対して、この第２実施形態においては、テンプレートマッチングと機械学習に基づく識別との両方を利用して、特定部位Ｃの位置をより正確に検出するようにしている。

すなわち、テンプレートマッチングは、探索範囲内の最も類似度が高いところを特定部位Ｃとして検出する構成であることから、特定部位Ｃが画像の範囲外に配置されていたとしても、類似度が高い部分を特定部位Ｃとして検出してしまうことがある。これに対して、機械学習では特定部位Ｃ以外を検出する可能性は低い。このため、マルチテンプレートマッチングと機械学習との結果を合わせ、両者とも同じ部分を特定部位Ｃと判定した場合にのみ、それが正しい特定部位Ｃの位置であると最終的に判定することにより、検出精度を向上させることが可能となる。

この発明の第２実施形態に係るＸ線透視装置により動体追跡を実行するときには、最初に、画像記憶工程を実行する（ステップＳ１１）。この画像記憶工程において、テンプレートマッチング用の複数のテンプレートは、図２に示す画像記憶部３１における第１画像記憶部３２に記憶される。また、機械学習用の複数の正解画像は、図２に示す画像記憶部３１における第２画像記憶部３３に記憶される。また、画像記憶部３１における第２画像記憶部３３には、機械学習に使用される不正解画像も記憶される。

次に、機械学習における学習工程を実行する（ステップＳ１２）。この学習工程においては、第２画像記憶部３３に記憶された複数の正解画像を利用して学習を実行することにより、機械学習のための識別器を作成する。

以上の準備工程が完了すれば、Ｘ線透視装置によりＸ線透視を実行する（ステップＳ１３）ことにより動体追跡を行うとともに、放射線照射装置９０から放射線を照射して放射線治療を開始する。

このときには、画像記憶工程（ステップＳ１１）で記憶された複数のテンプレートを利用してテンプレートマッチングを実行し（ステップＳ１４）、特定部位Ｃの位置を検出する（ステップＳ１５）。また、これと並行して、予め機械学習によって作成された識別器を利用した識別を実行することにより（ステップＳ１６）により、特定部位Ｃの位置を検出する（ステップＳ１７）。なお、識別器を利用した識別の手法は先の実施形態と同様である。

そして、マルチテンプレートマッチングにより検出された特定部位Ｃの位置と機械学習に基づく識別により検出された特定部位Ｃの位置とが一致するか否かを判断する（ステップＳ１８）。マルチテンプレートマッチングにより検出された特定部位Ｃの位置と機械学習に基づく識別により検出された特定部位Ｃの位置とが一致した場合には、その位置が特定部位Ｃの位置であると判定してゲーティングをＯＮとする（ステップＳ１９）。一方、マルチテンプレートマッチングにより検出された特定部位Ｃの位置と機械学習に基づく識別により検出された特定部位Ｃの位置とが一致しない場合には、特定部位Ｃの位置の判定は行わずゲーティングをＯＦＦとする（ステップＳ２０）。この特定部位Ｃの位置の検出と放射線の照射とは、治療が終了するまで繰り返される（ステップＳ２１）。

なお、図６に示す実施形態においては、テンプレートマッチング（ステップＳ１４、ステップＳ１５）と機械学習による位置検出（ステップＳ１６、ステップＳ１７）とを並行して実行している。しかしながら、テンプレートマッチング（ステップＳ１４、ステップＳ１５）を実行した後に、機械学習による位置検出（ステップＳ１６、ステップＳ１７）を実行するようにしてもよい。また、上述した第１実施形態のように、機械学習による位置検出（ステップＳ１６、ステップＳ１７）を実行した後に、テンプレートマッチング（ステップＳ１４、ステップＳ１５）を実行するようにしてもよい。また、マルチテンプレートマッチングと機械学習との双方で、特定部位Ｃとの類似度に相当するスコア値を算出し、マルチテンプレートマッチングにより検出されたスコア値と機械学習により検出されたスコア値との和または積が所定の閾値以上のときに特定部位Ｃの位置と特定するようにしてもよい。上記の実施形態では複数のテンプレートを用いたマルチテンプレートマッチングを行っているが、１つのテンプレートを用いてテンプレートマッチングを行ってもよい。

次に、この発明のさらに他の実施形態について説明する。図７は、この発明の第３実施形態に係るＸ線透視装置の主要な制御系を示すブロック図である。

このＸ線透視装置は、論理演算を実行するプロセッサーとしてのＣＰＵ、装置の制御に必要な動作プログラムが格納されたＲＯＭ、制御時にデータ等が一時的にストアされるＲＡＭ等を備え、装置全体を制御する制御部３０を備える。この制御部３０は、上述した第１Ｘ線管１１ａおよび第２Ｘ線管１１ｂと、第１フラットパネルディテクタ２１ａおよび第２フラットパネルディテクタ２１ｂとに接続されている。そして、この制御部３０は、後述するＤＲＲ画像作成部４１と、識別器作成部４２と、位置検出部４３とを備える。

また、この制御部３０は、上述した放射線照射装置９０と、治療計画装置９９とに接続されている。なお、制御部３０と治療計画装置９９とは、病院内の被検者管理システムの院内通信である放射線科情報システム（ＲＩＳ）を介して接続されてもよい。ここで、治療計画装置９９は、放射線治療を行うに先だって、治療計画を作成するためのものである。この治療計画装置においては、ＣＴ撮影装置により被検者の３次元ＣＴ撮影を連続して複数回行うことにより得た、被検者の連続する複数の呼吸位相における特定部位を含む領域の３次元のＣＴ画像データ群からなる４次元ＣＴ画像データを記憶している。そして、この４次元ＣＴ画像データと被検者のその他のデータとに基づいて、被検者の治療計画が作成される。

次に、以上のような構成を有するＸ線透視装置を使用することにより、被検者の体動に伴って移動する特定部位の位置を検出する動体追跡を実行する動作について説明する。図８は、この発明の第３実施形態に係るＸ線透視装置を使用した動体追跡動作を示すフローチャートである。

Ｘ線透視を実行するときには、最初に、図７に示すＤＲＲ画像作成部４１により、治療計画記憶時に作成された４次元ＣＴ画像データに基づいて、特定部位を含む複数のＤＲＲ画像を作成する（ステップＳ３１）。このＤＲＲ画像の作成時には、被検者に対するＸ線管１１ａ、１１ｂとフラットパネルディテクタ２１ａ、２１ｂとの幾何学的透視条件を模擬した仮想的透視投影を行う。ここで、治療計画時に作成される４次元ＣＴデータとは、治療計画記憶時において、連続する複数の呼吸位相において、経時的に連続して撮影される特定部位を含む領域の３次元のＣＴ画像データ群である。

このＤＲＲ画像作成工程においては、治療計画時に作成される４次元ＣＴデータの全てのＣＴ画像データに基づいて、あるいは、治療計画時に作成される４次元ＣＴデータのうち、少なくとも被検者に放射線照射装置９０から治療ビームが照射される呼吸位相を含む複数の呼吸位相のＣＴ画像データに基づいて、特定部位を含む複数のＤＲＲ画像が作成される。

そして、ＤＲＲ画像作成部４１により作成された複数のＤＲＲ画像を使用して、図７に示す識別器作成部４２により、機械学習を利用して特定部位を認識するための識別器を作成する（ステップＳ３２）。このときには、４次元ＣＴ画像データにおいて、投影座標や角度などのＤＲＲ画像作成のためのパラメータを変化させて大量の正解画像を作成する。このとき、必要に応じ、治療計画で登録された４次元ＣＴ画像データにおける特定部位の位置と大きさから、ＤＲＲ画像上の特定部位の位置と大きさを認識して自動的にトリミングを実行するようにしてもよい。

この正解画像作成のためのＤＲＲ画像の作成時には、４次元ＣＴ画像データに対して投影座標及び角度の少なくとも一方を含むＤＲＲ画像作成のためのパラメータを変化させてＤＲＲ画像を作成する。あるいは、わずかな平行移動、回転、変形及び拡大縮小の少なくとも１つを含む画像処理を実行する。この平行移動、回転、変形、拡大縮小を実行するのは、腫瘍等の被検者の特定部位が被検者の体内で４次元ＣＴ画像データに対して再現性のない移動し、または、変形が生じたときにも特定部位をより確実に追跡できるようにするためである。

ここで、ＤＲＲ画像のもとになる４次元ＣＴ画像データのフレームレートはＸ線透視画像のフレームレートより小さいが、ＤＲＲ画像作成のためのパラメータを変化させることにより、ＤＲＲ画像におけるフレーム間の特定部位を模擬することが可能となる。また、Ｘ線透視画像は透過像であるため、特定部位の領域に骨部や横隔膜などの特定部位より高コントラストな背景が重畳して写り込むことになる。これに対して、上述したようにパラメータを変化させると、特定部位に対する背景の重なり方が様々に変化するので、それを学習することで、背景の重なりの影響を防止することが可能となる。

また、作成されたＤＲＲ画像にコントラスト変化、ノイズ付加及びエッジ強調の少なくとも１つを実行する。このコントラスト変化、ノイズ付加、エッジ強調を実行するのは、ＤＲＲ画像とＸ線画像の画質の違いを吸収し、特定部位をより確実に追跡できるようにするためである。

上述した、投影座標や角度などのＤＲＲ画像作成のためのパラメータの変化、または、コントラスト変化、ノイズ付加、エッジ強調は、所定の範囲内でランダムに、あるいは、等間隔で様々に変化を与える態様で実施される。これにより、患者一人の４次元ＣＴ画像データから、多量のＤＲＲ画像を作成することができる。このため、このようにして作成された多量のＤＲＲ画像を使用して、各患者に対応したオーダーメイドの識別器を学習することが可能となる。なお、多数の患者のＤＲＲ画像を利用して識別器の学習を行うことも可能である。

正解画像とともに使用される不正解画像は、例えば、以下の方法により作成される。すなわち、不正解画像を作成するときには、ＤＲＲ画像作成部４１により作成された特定部位を含むＤＲＲ画像から、特定部位を避けたランダムな位置、すなわち、特定画像の背景となる位置において、複数回のトリミングを行うことで、不正解画像が作成される。また、不正解画像を作成するときには、さらに、特定部位を含まないＤＲＲ画像を使用して不正解画像が作成される。

上述した機械学習作業は、放射線治療に先だって、予め実行しておくことが可能となる。このため、放射線治療の直前にテンプレートを作成する場合のように、被検者を時間的に拘束することなく、また、放射線治療のスループットを向上させることが可能となる。

この識別器作成工程で利用される機械学習としては、例えば、ＳＶＭ (Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ／サポートベクターマシン）を利用することができる。このＳＶＭは、パターン認識を実行するときに、多くの手法の中でも最も迅速性に優れ、かつ、認識性能の高い学習モデルの一つである。また、認識性能に優れた機械学習として、ＳＶＭにかえて、Ｈａａｒ‐ｌｉｋｅ特徴量などによるＢｏｏｓｔｉｎｇ（ブースティング）や、Ｄｅｅｐ Ｌｅａｒｎｉｎｇ（深層学習）などのニューラルネットワークを利用してもよい。

以上のような工程により識別器が作成されれば、上述した第１Ｘ線撮影系および第２Ｘ線撮影系を使用してＸ線透視を実行する（ステップＳ３３）。そして、図７に示す位置検出部４３により、先に作成された識別器を使用して識別を行うことにより、特定部位の位置を検出する（ステップＳ３４）。このＸ線透視と特定部位の位置の検出を連続して実行することにより、特定部位の位置を追跡する動体追跡が実行される。

そして、この状態において、放射線照射装置９０により治療ビームを照射する（ステップＳ３５）。すなわち、特定部位の位置が特定の位置となったときにのみ、治療ビームを照射して、放射線治療を行う。

この第３実施形態に係るＸ線透視装置によれば、機械学習作業を放射線治療に先だって予め実行しておくことができることから、被検者の位置決め後に直ちに放射線治療を実行することが可能となる。

また、この第３実施形態に係るＸ線透視装置によれば、Ｘ線画像ではなくＤＲＲ画像を使用して機械学習を実行することから、機械学習自体を効率的かつ迅速に実行することが可能となる。すなわち、機械学習においては、一般的に、１００００枚以上の学習画像がないと実用的な識別精度とならない。しかしながら、Ｘ線画像を取得するためには治療直前にＸ線透視が必要となり時間を要するばかりではなく、正解画像を作成するときにオペレータによる手動トリミングが必要となって多量の正解画像を用意することは困難となる。この第３実施形態によれば、ＤＲＲ画像を利用することにより、このような問題を解消することが可能となる。

また、この第３実施形態に係るＸ線透視装置によれば、治療計画時に作成される４次元ＣＴデータの全てのＣＴ画像データに基づいて、あるいは、治療計画時に作成される４次元ＣＴデータのうち、少なくとも被検者に放射線照射装置９０から治療ビームが照射される呼吸位相を含む複数の呼吸位相のＣＴ画像データに基づいて、特定部位を含む複数のＤＲＲ画像が作成される。このため、これらのＣＴ画像に共通して存在する特定部位に対して学習ができるとともに、共通して存在しない背景を学習させないようにすることができる。従って、その学習結果に基づいて識別を行うことにより、被検者の特定部位とは異なった動きをする被検者の骨部等が認識されることを防止することが可能となる。また、これらのＣＴ画像データに共通して存在する被検者の特定部位と同じ動きをする背景を学習することができることから、例えば、特定部位のコントラストが極端に小さい場合であっても、特定部位に替えて特定部位と同じ動きをする背景を追跡することが可能となる。このため、この背景を追跡することで、正確な位置に治療ビームを照射して放射線治療を実行することが可能となる。

次に、この発明のさらに他の実施形態について説明する。図９は、この発明の第４実施形態に係るＸ線透視装置によるＤＲＲ作成工程を示すフローチャートである。

この第４実施形態は、上述した第３実施形態におけるＤＲＲ画像作成工程（ステップＳ３１）のみが異なっている。すなわち、この第４実施形態においては、ＤＲＲ画像作成部４１は、治療計画記憶時に作成されたＣＴ画像データに基づいて、被検者の特定部位を含み、かつ、被検者の骨部が除去されたＤＲＲ画像を作成する。

この第４実施形態におけるＤＲＲ画像作成工程（ステップＳ３１）においては、最初に、ＣＴ画像データが読み出される（ステップＳ３１１）。このＣＴ画像データは、上述した第３実施形態同様、４次元ＣＴデータであってもよく、また、３次元ＣＴデータであってもよい。

次に、読み出されたＣＴ画像データにおけるＣＴ値が補正される（ステップＳ３１２）。すなわち、ＣＴ画像においては、被検者の骨部に相当する領域のＣＴ値は１０００から１５００程度であり、軟部組織に相当する領域のＣＴ値は０から２００程度である。このため、ＣＴ画像データにおけるＣＴ値が１０００以上の領域は骨部領域であると認識し、その領域のＣＴ値に対してその周辺の軟部組織のＣＴ値を外挿することにより、その領域のＣＴ値を軟部組織のＣＴ値に変換する。なお、外挿に替えて、その領域のＣＴ値を代表的な軟部組織のＣＴ値である２００に変換してもよい。そして、ＣＴ値を補正した後のＣＴ画像データを保存する（ステップＳ３１３）。

しかる後、ＤＲＲ画像を作成する（ステップＳ３１４）。このときには、被検者の骨部領域のＣＴ値がＣＴ画像データから除外されていることから、被検者の骨部の情報は、作成されたＤＲＲ画像から除外されていることになる。このため、後段の識別器作成工程（ステップＳ３２）において、被検者の特定部位に着目した機械学習により、より正確な識別器を作成することが可能となる。

次に、この発明のさらに他の実施形態について説明する。図１０は、この発明の第５実施形態に係るＸ線透視装置によるＤＲＲ作成工程を示すフローチャートである。

この第５実施形態は、上述した第４実施形態と同様、第３実施形態におけるＤＲＲ画像作成工程（ステップＳ３１）のみが異なっている。すなわち、この第５実施形態においても、ＤＲＲ画像作成部４１は、治療計画記憶時に作成されたＣＴ画像データに基づいて、被検者の特定部位を含み、かつ、被検者の骨部が除去されたＤＲＲ画像を作成する。

この第５実施形態におけるＤＲＲ画像作成工程（ステップＳ３１）においては、最初に、ＣＴ画像データが読み出される（ステップＳ３１５）。このＣＴ画像データは、上述した第３実施形態同様、４次元ＣＴデータであってもよく、また、３次元ＣＴデータであってもよい。

次に、読み出されたＣＴ画像データに対して仮想的な投影が実行され、ＣＴ画像データにおけるボクセル値が線積分される（ステップＳ３１６）。このボクセル値の線積分時に、ＣＴ画像データにおけるＣＴ値が１０００以上の領域は骨部領域であると認識し、その領域のＣＴ値に対してその周辺の軟部組織のＣＴ値を外挿することにより、その領域のＣＴ値を軟部組織のＣＴ値に変換して線積分する。なお、外挿に替えて、その領域のＣＴ値を代表的な軟部組織のＣＴ値である２００に変換して線積分してもよい。

そして、線積分の結果から、ＤＲＲ画像を作成する（ステップＳ３１７）。このときには、上述した第４実施形態の場合と同様、被検者の骨部の情報は、作成されたＤＲＲ画像から除外されていることになる。このため、後段の識別器作成工程（ステップＳ３２）において、被検者の特定部位に着目した機械学習により、より正確な識別器を作成することが可能となる。

次に、この発明のさらに他の実施形態について説明する。図１１は、この発明の第６実施形態に係るＸ線透視装置の主要な制御系を示すブロック図である。また、図１２は、この発明の第６実施形態に係るＸ線透視装置を使用した動体追跡動作を示すフローチャートである。なお、上述した第３実施形態と同様の部材については、同一の符号を付して詳細な説明を省略する。

この第６実施形態に係るＸ線透視装置における制御部３０は、図１１に示すように、ＤＲＲ画像作成部４１と、Ｘ線画像作成部４４と、識別器作成部４２と、補正部４５と、位置検出部４３とを備える。そして、この第６実施形態に係るＸ線透視装置においては、補正部４５が、Ｘ線画像作成部４４により作成されたＸ線画像を利用して、識別器作成部４２において作成した識別器を補正する構成を採用している。

この第６実施形態に係るＸ線透視装置においては、上述した第３実施形態の場合と同様に、ＤＲＲ画像作成部４１によりＤＲＲ画像を作成した後に（ステップＳ４１）、識別器作成部４２により機械学習を利用して識別器を作成する（ステップＳ４２）。この作業は、上述した第３実施形態と同様に、放射線治療に先だって予め実行される。

次に、図１１に示すＸ線画像作成部４４により、被検者の特定部位を含む画像を収集することにより、特定部位を含む複数のＸ線画像を作成する（ステップＳ４３）。このときには、上述した第１Ｘ線撮影系および第２Ｘ線撮影系が使用される。Ｘ線撮影系により撮影されたＸ線画像は、必要に応じ、特定部位の領域のみトリミングがなされる。

そして、ＤＲＲ画像の場合と同様の手法により、特定部位のＸ線画像から機械学習に使用される正解画像が作成される。また、ＤＲＲ画像の場合と同様、特定部位を含むＸ線画像のうち特定部位を避けたランダムな位置、すなわち、特定画像の背景となる位置において複数回のトリミングを行うことや、特定部位を含まない画像を使用することで不正解画像が作成される。

しかる後、図１１に示す補正部４５により、先に作成された識別器が補正される（ステップＳ４４）。これにより、より精度の高い識別器を作成することが可能となる。このときには、機械学習としてＳＶＭを利用した場合には、Ｘ線画像で機械学習を行って新たな識別器を作成し、先に作成した識別器と併用する形で新たな識別器を追加する。または、先に作成した識別器と新たな識別器の分離超平面パラメータを合成し、識別器自体を補正する。また、機械学習としてＢｏｏｓｔｉｎｇを利用した場合には、Ｘ線画像で機械学習を行って新たな弱識別器を作成し、先に作成した弱識別器の集合である識別器に新たな弱識別器を追加する。また、機械学習としてＤｅｅｐ Ｌｅａｒｎｉｎｇなどのニューラルネットワークを利用した場合には、先に作成した識別器のパラメータを初期値として、さらにＸ線画像で機械学習を行い、識別器自体を補正する。この明細書における識別器の補正とは、上述した識別器への新たな識別器の追加と、識別器自体の補正の両方を含む概念である。

以上のような工程により識別器が補正されれば、Ｘ線透視を実行する（ステップＳ４５）。そして、図１１に示す位置検出部４３により識別を行うことにより、特定部位の位置を検出する（ステップＳ４６）。このＸ線透視と特定部位の位置の検出を連続して実行することにより、特定部位の位置を追跡する動体追跡が実行される。そして、この状態において、放射線照射装置９０により治療ビームを照射する（ステップＳ４７）。

この第６実施形態に係るＸ線透視装置によれば、Ｘ線画像を利用して識別器作成部４２において作成した識別器を補正することから、より正確に特定部位の位置を検出することが可能となる。このとき、予めＤＲＲ画像に基づく機械学習を実行していることから、多量のＸ線画像を使用することなく識別器を補正することが可能となる。このため、上述したような煩雑なオペレータによる手動トリミング作業等を減少させることが可能となり、識別器の補正のための手間と時間を小さなものとすることが可能となる。

次に、この発明のさらに他の実施形態について説明する。図１３は、この発明の第７実施形態に係るＸ線透視装置の主要な制御系を示すブロック図である。また、図１４は、この発明の第７実施形態に係るＸ線透視装置を使用した動体追跡動作を示すフローチャートである。なお、上述した第３実施形態および第６実施形態と同様の部材については、同一の符号を付して詳細な説明を省略する。

この第７実施形態に係るＸ線透視装置における制御部３０は、図１３に示すように、ＤＲＲ画像作成部４１と、Ｘ線画像作成部４４と、識別器作成部４２と、位置検出部４３とを備える。そして、この第６実施形態に係るＸ線透視装置においては、識別器作成部４２が、ＤＲＲ画像作成部４１で作成されたＤＲＲ画像とＸ線画像作成部４４で作成されたＸ線画像とに対して機械学習を実行することにより、特定部位を認識するための識別器を作成する構成を採用している。

この第７実施形態に係るＸ線透視装置においては、上述した第３実施形態および第６実施形態の場合と同様に、ＤＲＲ画像作成部４１によりＤＲＲ画像を作成する（ステップＳ５１）。また、図１３に示すＸ線画像作成部４４により、被検者の特定部位を含む画像を収集することにより、特定部位を含む複数のＸ線画像を作成する（ステップＳ５２）。

そして、図１３に示す識別器作成部４２により機械学習を利用して識別器を作成する（ステップＳ５３）。このときには、第１、第６実施形態の場合と同様に、ＤＲＲ画像に基づいて作成された正解画像と不正解画像とを利用するとともに、Ｘ線画像に基づいて作成された正解画像と不正解画像とを利用して、ＤＲＲ画像の機械学習とＸ線画像の機械学習を同時に実行することにより、識別器が作成される。

このように、この第７実施形態においては、ＤＲＲ画像作成部４１で作成されたＤＲＲ画像とＸ線画像作成部４４で作成されたＸ線画像とに対して機械学習を実行することにより、特定部位を認識するための識別器が作成される。このため、識別器の精度を高いものとすることが可能となる。また、上述したように、機械学習においては多量の学習画像が必要となるが、Ｘ線画像を利用した機械学習用のＸ線画像を取得するためには治療直前にＸ線透視が必要となり時間を要するばかりではなく、正解画像を作成するときにオペレータによる手動トリミングが必要となって多量の正解画像を用意することは困難となるという問題が生ずる。この第７実施形態によれば、ＤＲＲ画像を利用することにより、必要となるＸ線画像を少量とすることができ、識別器の作成をより効率的に実行することが可能となる。

なお、上述した説明においては、ＤＲＲ画像を作成した後にＸ線画像を作成しているが、この順序は逆であってもよい。また、ＤＲＲ画像の作成とＸ線画像の作成とを同時に実行してもよい。

以上のような工程により識別器が作成されれば、Ｘ線透視を実行する（ステップＳ５４）。そして、図１３に示す位置検出部４３により識別を行うことにより、特定部位の位置を検出する（ステップＳ５５）。このＸ線透視と特定部位の位置の検出を連続して実行することにより、特定部位の位置を追跡する動体追跡が実行される。そして、この状態において、放射線照射装置９０により治療ビームを照射する（ステップＳ５６）。

この第７実施形態に係るＸ線透視装置によれば、４次元ＣＴ画像データに基づいて作成されたＤＲＲ画像とＸ線撮影により作成されたＸ線画像とに対して機械学習を実行することにより、より正確に特定部位の位置を検出することが可能となる。このとき、ＤＲＲ画像に基づく機械学習とＸ線画像に基づく機械学習とを併用することから、多量のＸ線画像を使用することなく識別器を迅速に作成することが可能となる。

次に、この発明のさらに他の実施形態について説明する。図１５は、この発明の第８実施形態に係るＸ線透視装置の主要な制御系を示すブロック図である。なお、上述した第３実施形態と同様の構成については、同一の符号を付して詳細な説明を省略する。

上述した第３実施形態から第７実施形態においては、機械学習を利用して特定部位を認識するための識別器として２クラス識別器を使用しているのに対し、この第８実施形態においては、特定部位を呼吸位相毎に識別するための多クラス識別器を使用している。すなわち、この第８実施形態においては、上述した第３実施形態における識別器作成部４２にとして、特に、多クラス識別器作成部４６を採用し、この多クラス識別器作成部４６により、特定部位を呼吸位相毎に識別するための多クラスの識別器を作成している。また、この第８実施形態においては、上述した第３実施形態における位置検出部４３として位置・位相検出部４７を採用し、特定部位の位置と位相とを検出する構成を採用している。

図１６は、この発明の第８実施形態に係るＸ線透視装置を使用した動体追跡動作を示すフローチャートである。

Ｘ線透視を実行するときには、上述した第３実施形態の場合と同様、最初に、図１５に示すＤＲＲ画像作成部４１により、治療計画記憶時に作成された４次元ＣＴ画像データに基づいて、特定部位を含む複数のＤＲＲ画像を作成する（ステップＳ６１）。このＤＲＲ画像作成工程においては、治療計画時に作成される４次元ＣＴデータの全てのＣＴ画像データに基づいて、あるいは、治療計画時に作成される４次元ＣＴデータのうち、少なくとも被検者に放射線照射装置９０から治療ビームが照射される呼吸位相を含む複数の呼吸位相のＣＴ画像データに基づいて、特定部位を含む複数のＤＲＲ画像が作成される。

そして、ＤＲＲ画像作成部４１により作成された複数のＤＲＲ画像を使用して、図１５に示す多クラス識別器作成部４６により、機械学習を利用して、特定部位の位置と呼吸位相とを認識するための多クラス識別器を作成する（ステップＳ６２）。このときには、４次元ＣＴ画像データにおいて、投影座標や角度などのＤＲＲ画像作成のためのパラメータを変化させて、呼吸位相毎に、大量の正解画像を作成する。

このときには、上述した第３実施形態の場合と同様に作成した多数の正解画像と不正解画像とを利用して、機械学習により多クラス識別器を作成する。この機械学習作業は、放射線治療に先だって、予め実行しておくことが可能となる。このため、放射線治療の直前にテンプレートを作成する場合のように、被検者を時間的に拘束することなく、また、放射線治療のスループットを向上させることが可能となる。

この多クラス識別器作成工程で利用される機械学習としては、例えば、畳み込みニューラルネットワーク（ＣＮＮ／Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）に代表されるＤｅｅｐ Ｌｅａｒｎｉｎｇ（深層学習）を利用することができる。この畳み込みニューラルネットワークは、パターン認識を実行するときに、多くの手法の中でも最も認識性能の高い学習モデルの一つである。

図１７は、畳み込みニューラルネットワークの概念を説明するための説明図である。

畳み込みニューラルネットワークは、Ｘ線透視画像から構成される入力層ＩＮと，複数のノードから成る出力層ＯＵＴとの間に、中間層としての畳み込み層（ｃｏｎｖｏｌｕｔｉｏｎ ｌａｙｅｒ）ＣＬと全結合層（ｆｕｌｌｙ ｃｏｎｎｅｃｔｅｄ ｌａｙｅｒ）ＦＬとが配置された構成を有する。この畳み込みニューラルネットワークは、ニューラルネットワークに相当する全結合層ＦＬに対して畳み込み処理が行われる畳み込み層ＣＬを追加した構成を有する。

出力層ＯＵＴは、図１７に示すように、被検者の呼吸位相に対応したｎ個のノードＰ１～Ｐｎと、背景に対応したノードＢｋとから構成され、ソフトマックス関数により全ノードの値の合計値が１になるように規格化されている。すなわち、各ノードは入力画像が各クラスに属する確率に相当する値となる。畳み込み層ＣＬと全結合層ＦＬにおいては、学習によってパラメータが決定される。この学習時において、呼吸位相ｍ（ｍは１以上ｎ以下の整数）の正解画像を入力した時は、出力値の正解を呼吸位相ｍのノードＰｍｎの値を１、それ以外のノードの値を０とする。また、不正解画像を入力した時は、背景のノードＢｋの値を１、それ以外のノードの値を０とする。これにより、機械学習が実行される。

以上のような工程により識別器が作成されれば、上述した第１Ｘ線撮影系および第２Ｘ線撮影系を使用してＸ線透視を実行する（ステップＳ６３）。そして、図１５に示す位置・位相検出部４７により、先に作成された識別器を使用して識別を行うことにより、特定部位の位置とそのときの被検者の呼吸位相とを検出する（ステップＳ６４）。

この特定部位の検出時には、Ｘ線透視画像をサーチした検出窓の画像を入力し、そのときの出力値（確率）の最も大きいノードを検出する。すなわち、背景のノードの値が最大であつた場合は、特定部位を検出していないと判断し、また、呼吸位相ｎのノードＰｎの値が最大であった場合は、特定部位を検出し、かつ、そのときの呼吸位相はｎであると判断する。

上述したＸ線透視と、特定部位の位置および被検者の呼吸位相の検出とを連続して実行することにより、特定部位の位置とそのときの被検者の呼吸位相とを追跡する動体追跡が実行される。そして、この状態において、放射線照射装置９０により治療ビームを照射する（ステップＳ６５）。すなわち、特定部位の位置が特定の位置となり、かつ、そのときの被検者の呼吸位相が治療計画時に計画された呼吸位相に一致したときにのみ、治療ビームを照射して、放射線治療を行う。

なお、被検者の呼吸位相は連続して変化することから、この呼吸位相は、厳密には、出力値が最も大きいノードと２番目に大きいノードとの間の呼吸位相となる。したがって、両者のノード値に基づいて重みづけを行い、呼吸位相を補間してもよい。予めＤＲＲ画像上の特定部位の位置を呼吸位相で補間して求めておけば、補間した呼吸位相から予想される特定部位の位置が取得できる。

図１８は、このような補間に使用可能な周期関数を示すグラフである。なお、このグラフは、被検者の呼吸の１サイクルの間に、一定時間毎に１０フレームのＤＲＲ画像が作成された場合を想定したものである。このグラフにおいては、縦軸は被検者の呼吸位相が最大呼気相となったときの特定部位の位置を基準としたＤＲＲ画像上での特定部位のＹ方向の位置（ｃｍ）を示し、横軸は呼吸位相（４次元ＣＴ画像データに基づいて作成されたＤＲＲ画像のフレーム番号）を示している。ここで、Ｙ方向とは、特定部位の主要な移動方向である。特定部位は、ＤＲＲ画像上でＸ、Ｙ方向に移動するが、図１８においては、各ＤＲＲ画像におけるＹ方向の位置を示している。Ｘ方向の位置についても、これと同様である。

被検者の呼吸位相に伴う特定部位の位置は、図１８に示すような被検者の呼吸位相を模擬した周期関数の回帰により、高精度で補間することが可能となる。

なお、呼吸位相から予想される特定部位の位置と検出された特定部位の位置を比較し、それらの間に大幅に乖離がある場合は誤検出と判断するなど、これを治療ビームの誤照射防止に使用することも可能である。また、両者の特定部位の位置を合成して、最終的な特定部位の位置を算出してもよい。

また、第一の識別器を、上述した第３実施形態と同様の特定部位と背景の２クラス分類とした機械学習とし、特定部位が検出された場合は、第二の識別として畳み込みニューラルネットワークによる多クラス分類を利用して呼吸位相を検出してもよい。一般に畳み込みニューラルネットワークは計算コストが大きいので、計算コストの小さい機械学習で特定部位の探索を行い、これにより検出された特定部位に対してのみ、またはその周辺のみ、畳み込みニューラルネットワークを行うことで、高速に特定部位の位置と呼吸位相とを検出することが可能となる。また、２クラス分類を複数回繰り返すことにより、多クラス分類を実施する構成としてもよい。

図１９および図２０は、畳み込みニューラルネットワークを利用して特定部位の位置を認定する動作を示す模式図である。なお、図１９における符号Ｓは探索窓を示し、符号ＣはＸ線透視画像における特定部位の領域を示している。

図１９に示すように、Ｘ線透視画像１００に対して検出窓Ｓを走査させることにより、特定部位を探索する。そして、図２０に示すように、特定部位である確率、すなわち、全ての呼吸位相のノードの値の和のマップＰを作成する。このマップＰは、特定部位が存在する画素周辺で確率が大きくなるので、特定部位である確率分布（確率密度関数）に相当する。この確率密度関数が最大値となる位置が、特定部位を検出した位置となる。確率密度関数が最大値となる位置は、ミーンシフト法などのカーネル密度推定によりサブピクセルで高精度に算出することができる。また、確率を重みとしたマップＰの重心位置を、特定部位Ｃを検出した位置としてもよい。

この第８実施形態に係るＸ線透視装置によれば、測定部位の位置とともに、そのときの被検者の呼吸位相をも特定することができることから、特定部位が所定の位置にあり、かつ、被検者の呼吸位相が特定の位相となったときに、治療ビームを照射することが可能となる。従って、治療計画に即した放射線照射を実行することが可能となる。

１１ａ 第１Ｘ線管
１１ｂ 第２Ｘ線管
２１ａ 第１フラットパネルディテクタ
２１ｂ 第２フラットパネルディテクタ
２９ 検診台
３０ 制御部
３１ 画像記憶部
３２ 第１画像記憶部
３３ 第２画像記憶部
３４ 学習部
３５ 候補位置選択部
３６ 位置検出部
４１ ＤＲＲ画像作成部
４２ 識別器作成部
４３ 位置検出部
４４ Ｘ線画像作成部
４５ 補正部
４６ 多クラス識別器作成部
４７ 位置・位相検出部
９０ 放射線照射装置
９９ 治療計画装置
Ｅ１ Ｘ線透視領域
Ｅ２ 選択領域
Ｃ 特定部位
Ｍ 被検者

Claims (4)

1. Ｘ線管と、前記Ｘ線管から照射され被検者を通過したＸ線を検出するＸ線検出器とを備え、前記被検者の特定部位を含む画像を収集することにより、前記特定部位の位置を検出し、前記特定部位の動きを追跡するＸ線透視装置であって、
   前記被検者の特定部位を含む画像に基づいて作成されたテンプレートマッチング用のテンプレートと、機械学習用の正解画像とを記憶する画像記憶部と、
   前記画像記憶部に記憶された正解画像に基づいて、前記機械学習により識別器を作成する学習部と、
   前記Ｘ線管と前記Ｘ線検出器により収集された画像を使用して、前記識別器を利用した識別により前記特定部位に関する複数の候補位置を選択する候補位置選択部と、
   前記複数の候補位置をそれぞれ含む領域に対して、前記画像記憶部に記憶されたテンプレートを利用してテンプレートマッチングを実行することにより、前記特定部位の位置を検出する位置検出部と、
   を備えたことを特徴とするＸ線透視装置。
2. 請求項１に記載のＸ線透視装置において、
   前記機械学習は、ＳＶＭ、ＢｏｏｓｔｉｎｇまたはニューラルネットワークであるＸ線透視装置。
3. 請求項１又は請求項２に記載のＸ線透視装置において、
   前記テンプレートと前記正解画像とは、各々、前記特定部位を含む同一の画像に基づいて作成されるＸ線透視装置。
4. Ｘ線管から照射され被検者を通過したＸ線をＸ線検出器により検出し、前記被検者の特定部位を含む画像を収集することにより、前記特定部位の位置を検出し、前記特定部位の動きを追跡するＸ線透視方法であって、
   前記被検者の特定部位を含む画像に基づいて作成されたテンプレートマッチング用のテンプレートと、機械学習用の正解画像とを記憶する画像記憶工程と、
   前記画像記憶工程で記憶された複数の正解画像に基づいて、前記機械学習により識別器を作成する学習工程と、
   前記Ｘ線管から照射され前記被検者を通過したＸ線を前記Ｘ線検出器により検出し、前記被検者の特定部位を含む画像を収集する透視工程と、
   前記透視工程で得た画像を使用して、前記識別器を利用した識別により前記特定部位に関する複数の候補位置を選択する候補位置選択工程と、
   前記複数の候補位置をそれぞれ含む領域に対して、前記画像記憶工程で記憶されたテンプレートを利用してテンプレートマッチングを実行することにより、前記特定部位の位置を検出する位置検出工程と、
   を含むことを特徴とするＸ線透視方法。

Images