JP7152455B2 - セグメンテーション装置および学習モデルの生成方法 - Google Patents

Description

本開示は、セグメンテーション装置および学習モデルの生成方法に関する。

Ｘ線ＣＴ撮影（たとえば特許文献１を参照）によって得られる画像等に対してセグメンテーションを行うことが知られている。

特開平８―２１５１９２号公報

従来、医用画像における生体組織のセグメンテーションは、ＣＴ値や濃度値などに基づいて数学的に行われていた。この場合、ＣＴ値や濃度値等が近接する組織間のセグメンテーションが困難であるという問題がある。また、撮影時の状態や個体差等のばらつきの影響を考慮したセグメンテーションのために、人の介入（判断）を必要としていた。したがって、人の介入を必要とせずにセグメンテーション精度を向上させる要望がある。

本開示は、セグメンテーション精度を向上させることが可能なセグメンテーション装置および学習モデルの生成方法を提供することを目的とする。

本開示の一側面に係るセグメンテーション装置は、顎顔面領域の少なくとも一部である顎顔面構成領域のデータが入力される入力部と、入力部に入力された顎顔面構成領域のデータと、予め生成された学習モデルとを用いて、顎顔面構成領域に含まれる生体的特徴領域および人工的特徴領域の少なくとも一方である特徴領域のセグメンテーションを行う実行部と、実行部の実行結果を出力する出力部と、を備え、学習モデルは、Ｘ線ＣＴ撮影またはＭＲＩ撮影によって取得されるプロジェクションデータおよび再構成データの少なくとも一方のデータ、または当該データに由来するデータが入力されると、特徴領域のセグメンテーションデータを出力するように、教師データを用いて生成されたモデルである。

上記のセグメンテーション装置によれば、顎顔面領域構成領域と、予め生成された学習モデルとを用いて、特徴領域のセグメンテーションが行われる。学習モデルは、Ｘ線ＣＴ撮影またはＭＲＩ撮影によって取得されるプロジェクションデータおよび再構成データの少なくとも一方のデータ、または当該データに由来するデータが入力されると、特徴領域のセグメンテーションデータを出力するように、教師データを用いて生成されたモデルである。したがって、Ｘ線ＣＴ撮影またはＭＲＩ撮影によって取得されるプロジェクションデータ、再構成データ等から、特徴領域をセグメンテーションすることができる。このように学習モデルを用いてセグメンテーションを行うことにより、たとえばＣＴ値や濃度値等に基づいて数学的にセグメンテーションを行う場合よりも、セグメンテーション精度を向上できる可能性が高まる。特に互いの位置およびＣＴ値がともに近い組織間のセグメンテーションに有用である。精度が向上することで、人の介入を不要にできる可能性も高まる。

入力部に入力される顎顔面構成領域のデータが、歯領域のデータ、または、歯領域およびその周囲領域を含む領域のデータであってよい。これにより、顎顔面構成領域から、歯領域、または、歯領域およびその周辺領域を含む領域をセグメンテーションすることができる。

学習モデルが出力するセグメンテーションデータが、歯、エナメル質、象牙質、歯髄、歯髄腔、セメント質、皮質骨、海面骨、神経管、血管、顎骨およびＸ線高吸収体の少なくとも一つのセグメンテーションデータであってよい。これにより、歯、エナメル質、象牙質、歯髄、歯髄腔、セメント質、皮質骨、海面骨、神経管、血管、顎骨等の組織（組成）およびＸ線高吸収体をセグメンテーションすることができる。たとえば皮質骨、象牙質および海綿骨のようにＣＴ値が近い（重複しうる）組織のセグメンテーションに有用である。

教師データは、顎顔面構成領域のデータと、Ｘ線高吸収体のセグメンテーションデータと、を対応づけた教師データを含んでよい。この場合、学習モデルは、顎顔面構成領域から、Ｘ線高吸収体をセグメンテーションすることができる。

教師データは、顎顔面構成領域のデータと、歯領域のセグメンテーションデータと、を対応づけた教師データを含んでよい。この場合、学習モデルは、顎顔面構成領域から、歯領域をセグメンテーションすることができる。

教師データは、顎顔面構成領域中の少なくとも歯領域からなる領域のデータと、歯領域中の複数の生体的特徴領域の各領域のセグメンテーションデータと、を対応づけた教師データを含んでよい。この場合、学習モデルは、顎顔面構成領域中の少なくとも歯領域からなる領域から、歯領域中の複数の生体的特徴領域の各領域をセグメンテーションすることができる。

上述の教師データは、少なくとも歯領域からなる領域のデータと、歯領域中のエナメル質、象牙質および歯髄の各領域のセグメンテーションデータと、を対応づけた教師データであってよい。この場合、学習モデルは、少なくとも歯領域からなる領域から、歯領域中のエナメル質、象牙質および歯髄の各領域をセグメンテーションすることができる。

教師データは、顎顔面構成領域のデータと、皮質骨および歯槽骨のセグメンテーションデータと、を対応づけた教師データを含んでよい。この場合、学習モデルは、顎顔面構成領域から、皮質骨および歯槽骨をセグメンテーションすることができる。互いにＣＴ値の近い皮質骨および歯槽骨のセグメンテーションができれば、残りの組織のセグメンテーションが行いやすくなる。

学習モデルは、顎顔面構成領域のデータが入力されると、Ｘ線高吸収体のセグメンテーションデータを出力するように教師データを用いて生成されたモデルであってよい。これにより、顎顔面構成領域から、Ｘ線吸高収体をセグメンテーションすることができる。

学習モデルは、顎顔面構成領域のデータが入力されると、顎顔面構成領域中の歯領域のセグメンテーションデータを出力するように教師データを用いて生成されたモデルであってよい。これにより、顎顔面構成領域から、顎顔面構成領域中の歯領域をセグメンテーションすることができる。

学習モデルは、顎顔面構成領域中の少なくとも歯領域からなる領域のデータが入力されると、歯領域中の複数の生体的特徴領域の各領域のセグメンテーションデータを出力するように教師データを用いて生成されたモデルであってよい。これにより、顎顔面構成領域中の少なくとも歯領域からなる領域から、歯領域中の複数の生体的特徴領域の各領域をセグメンテーションすることができる。

学習モデルは、顎顔面構成領域のデータが入力されると、皮質骨および歯槽骨のセグメンテーションデータを出力するように教師データを用いて生成されたモデルであってよい。これにより、顎顔面構成領域から、皮質骨および歯槽骨をセグメンテーションすることができる。

教師データが、顎顔面構成領域のデータと、Ｘ線高吸収体のセグメンテーションデータと、を対応づけた第１の教師データ、顎顔面構成領域のデータと、歯領域のセグメンテーションデータと、を対応づけた第２の教師データ、顎顔面構成領域中の少なくとも歯領域からなる領域のデータと、歯領域中の複数の生体的特徴領域の各領域のセグメンテーションデータと、を対応づけた第３の教師データ、および、顎顔面構成領域のデータと、皮質骨および歯槽骨のセグメンテーションデータと、を対応づけた第４の教師データ、の少なくとも一つを含んでよい。教師データが第１の教師データを含む場合、学習モデルは、顎顔面構成領域から、Ｘ線高吸収体をセグメンテーションすることができる。教師データが第２の教師データを含む場合、学習モデルは、顎顔面構成領域から、歯領域をセグメンテーションすることができる。教師データが第３の教師データを含む場合、学習モデルは、顎顔面構成領域中の少なくとも歯領域からなる領域から、歯領域中の複数の生体的特徴領域の各領域をセグメンテーションすることができる。教師データが第４の教師データを含む場合、学習モデルは、顎顔面構成領域から、皮質骨および歯槽骨をセグメンテーションすることができる。

学習モデルが、顎顔面構成領域のデータが入力されると、Ｘ線高吸収体のセグメンテーションデータを出力するように第１の教師データを用いて生成された第１の学習モデル、顎顔面構成領域のデータが入力されると、歯領域のセグメンテーションデータを出力するように第２の教師データを用いて生成された第２の学習モデル、顎顔面構成領域中の少なくとも歯領域からなる領域のデータが入力されると、歯領域中の複数の生体的特徴領域の各領域のセグメンテーションデータを出力するように第３の教師データを用いて生成された第３の学習モデル、および、顎顔面構成領域のデータが入力されると、皮質骨および歯槽骨のセグメンテーションデータを出力するように第４の教師データを用いて生成された第４の学習モデル、の少なくとも一つを含んでよい。学習モデルが第１の学習モデルを含む場合、学習モデルは、顎顔面構成領域から、Ｘ線高吸収体をセグメンテーションすることができる。学習モデルが第２の学習モデルを含む場合、学習モデルは、顎顔面構成領域から、歯領域をセグメンテーションすることができる。学習モデルが第３の学習モデルを含む場合、学習モデルは、顎顔面構成領域中の少なくとも歯領域からなる領域から、歯領域中の複数の生体的特徴の各領域をセグメンテーションすることができる。学習モデルが第４の学習モデルを含む場合、学習モデルは、顎顔面構成領域から、皮質骨および歯槽骨をセグメンテーションすることができる。

学習モデルが、第１の学習モデルおよび第２の学習モデルを含み、実行部が、顎顔面構成領域のデータを第１の学習モデルに入力することにより、Ｘ線高吸収体のセグメンテーションデータを取得し、取得されたセグメンテーションデータを用いて、Ｘ線高吸収体に起因するアーチファクトが除去または低減されたアーチファクトリダクションデータを生成し、生成されたアーチファクトリダクションデータを第２の学習モデルに入力することにより歯領域のセグメンテーションを行ってもよい。このような順に第１の学習モデルおよび第２の学習モデルを組み合わせて用いることで、それらの学習モデルを単独で用いる場合よりも、セグメンテーション精度を向上できる可能性がさらに高まる。特にアーチファクトの影響が抑制される分、セグメンテーション精度が向上する。

学習モデルが、第２の学習モデルおよび第３の学習モデルを含み、実行部が、顎顔面構成領域のデータを第２の学習モデルに入力することにより、歯領域のセグメンテーションデータを取得し、取得されたセグメンテーションデータを用いて歯領域のデータを生成し、生成された歯領域のデータを第３の学習モデルに入力することにより、エナメル質、象牙質および歯髄のセグメンテーションデータを取得して特徴領域のセグメンテーションを行ってもよい。このように第２の学習モデルおよび第３の学習モデルをこの順に組み合わせて用いることで、それらの学習モデルを単独で用いる場合よりも、セグメンテーション精度を向上できる可能性がさらに高まる。特に歯領域にフォーカスしてセグメンテーションを行う分、他の領域（たとえば皮質骨、歯槽骨等）と併せてセグメンテーションを行う場合よりも、セグメンテーション精度が向上する。

学習モデルが、第２の学習モデルおよび第４の学習モデルを含み、実行部が、顎顔面構成領域のデータを第２の学習モデルに入力することにより、歯領域のセグメンテーションデータを取得し、取得されたセグメンテーションデータを用いて顎顔面構成領域中の歯領域と歯領域ではない領域とを区分する区分処理を行い、区分処理が実行された顎顔面構成領域のデータを第４の学習モデルに入力することにより、歯領域ではない領域中の皮質骨および歯槽骨のセグメンテーションデータを取得して特徴領域のセグメンテーションを行ってもよい。このように第２の学習モデルおよび第４の学習モデルを組み合わせてこの順に用いることで、それらの学習モデルを単独で用いる場合よりも、セグメンテーション精度を向上できる可能性がさらに高まる。特に歯領域ではない領域にフォーカスしてセグメンテーションを行う分、歯領域と併せてセグメンテーションを行う場合よりも、セグメンテーション精度が向上する。

本開示の一側面に係る方法は、上述のセグメンテーション装置の学習モデルの生成方法であって、教師データが第１の教師データを含む場合の、第１の教師データを用いた学習モデルの生成、教師データが第２の教師データを含む場合の、第２の教師データを用いた学習モデルの生成、教師データが第３の教師データを含む場合の、第３の教師データを用いた学習モデルの生成、および、教師データが第４の教師データを含む場合の、第４の教師データを用いた学習モデルの生成、の少なくとも一つを行う。

上記の学習モデルの生成方法によれば、先に説明した第１の教師データ、第２の教師データ、第３の教師データおよび第４の教師データの少なくとも一つを用いて生成された学習モデルを得ることができる。

学習モデルの生成方法は、教師データが、第２の教師データ、第３の教師データおよび第４の教師データを含む場合に、顎顔面構成領域のデータを学習モデルに入力することによって取得されたセグメンテーションデータを用いて、第２の教師データを準備するステップと、準備された第２の教師データを用いて、学習モデルの学習を行うステップと、学習済みの学習モデルに顎顔面構成領域のデータを入力することによって歯領域のセグメンテーションデータを取得するステップとを含み、さらに、次の（ａ）、（ｂ）および（ｃ）のいずれかを含んでもよい。
（ａ）歯領域のセグメンテーションデータを用いて、第３の教師データを準備するステップ、および、準備された第３の教師データを用いて、学習モデルの学習を行うステップ
（ｂ）歯領域のセグメンテーションデータを用いて、第４の教師データを準備するステップ、および、準備された第４の教師データを用いて、学習モデルの学習を行うステップ
（ｃ）歯領域のセグメンテーションデータを用いて、第３の教師データを準備するステップ、準備された第３の教師データを用いて、学習モデルの学習を行うステップ、学習済みの学習モデルに顎顔面構成領域のデータを入力することによって取得されたセグメンテーションデータを用いて、第４の教師データを準備するステップ、および、準備された第４の教師データを用いて、学習モデルの学習を行うステップ
このように、第２の教師データを用いた学習、第３の教師データを用いた学習、および、第４の教師データを用いた学習をさまざまに組み合わせて行うことで、それらの学習を単独で行う場合よりも、セグメンテーション精度を向上できる可能性がさらに高まる。

学習モデルの生成方法は、第２の教師データを準備するステップよりも前に、第１の教師データを準備するステップと、第２の教師データを準備するステップよりも前に、準備された第１の教師データを用いて第１の学習モデルの学習を行うステップと、を含み、第２の教師データを準備するステップ、第３の教師データを準備するステップおよび第４の教師データを準備するステップは、少なくとも歯領域からなる領域のデータを学習モデルに入力することによって取得されたセグメンテーションデータを用いて、Ｘ線高吸収体に起因するアーチファクトが除去または低減された教師データを準備してよい。この場合、学習モデルは、アーチファクトが除去または低減されたデータから、特徴領域をセグメンテーションすることができる。このような学習モデルをアーチファクトが除去または低減されたデータに対して用いることにより、アーチファクトの影響が抑制される分、セグメンテーション精度を向上できる可能性がさらに高まる。

学習モデルの生成方法は、第１の教師データ、第２の教師データ、第３の教師データおよび第４の教師データを準備するステップと、準備された第１の教師データ、第２の教師データ、第３の教師データおよび第４の教師データをそれぞれ重みづけして用いて、学習モデルの学習を行うステップと、を含んでよい。これにより、セグメンテーション精度をさらに向上できる可能性が高まる。

先に説明したセグメンテーション装置において、実行部は、入力部に入力された顎顔面構成領域のデータと、学習モデルと、を用いて、エナメル質、セメント質、象牙質および歯槽骨のセグメンテーションデータを取得し、取得されたセグメンテーションデータに基づいて歯槽骨の吸収度を算出してよい。これにより、歯槽骨の吸収度の測定が可能になる。

実行部は、取得されたエナメル質、セメント質、象牙質および歯槽骨のセグメンテーションデータに示されるエナメル質と象牙質との境界から歯槽骨の根尖までの第１の距離に対する、境界から歯槽骨頂までの第２の距離の割合に基づいて、歯槽骨の吸収度を算出してよい。このようにして歯槽骨の吸収度を算出することができる。

本開示によれば、セグメンテーション精度を向上させることが可能なセグメンテーション装置および学習モデルの生成方法が提供される。

セグメンテーション装置の概要を示す図である。 セグメンテーションの例を示す図である。 セグメンテーションの例を示す図である。 セグメンテーションの例を示す図である。 セグメンテーションの例を示す図である。 セグメンテーション装置の機能ブロックの例を示す図である。 セグメンテーション装置の機能ブロックの例を示す図である。 教師データの例を示す図である。 教師データの例を示す図である。 教師データの例を示す図である。 教師データの例を示す図である。 教師データの例を示す図である。 教師データの例を示す図である。 セグメンテーション装置において実行される処理の例を示すフローチャートである。 セグメンテーション装置において実行される処理の例を示すフローチャートである。 セグメンテーション装置において実行される処理の例を示すフローチャートである。 セグメンテーション装置において実行される処理の例を示すフローチャートである。 学習モデルの生成方法の例を示すフローチャートである。 学習モデルの生成方法の例を示すフローチャートである。 学習装置の機能ブロックの例を示す図である。 全体像の例を示す推論フローである。 全体像の例を示す推論フローである。 歯槽骨の吸収度の測定の例を示す図である。 歯槽骨の吸収度の測定の例を示す図である。

以下、図面を参照しながら、本開示の実施形態について説明する。図において同一の要素には同一の符号を付し、重複する説明は繰り返さない。

図１は、実施形態に係るセグメンテーション装置の概要を示す図である。この例では、セグメンテーション装置は、セグメンテーションシステムの構成要素である。セグメンテーションシステム１は、撮影装置２と、セグメンテーション装置３と、を含む。撮影装置２のユーザを、ユーザＵ２と称し図示する。セグメンテーション装置３のユーザを、ユーザＵ３と称し図示する。撮影装置２によって取得されたデータがセグメンテーション装置３で利用できるように、撮影装置２およびセグメンテーション装置３が構成される。そのようなデータの利用は、撮影装置２からセグメンテーション装置３への単方向通信、撮影装置２およびセグメンテーション装置３の間の双方向通信等によって実現されてよい。

撮影装置２の例は、Ｘ線ＣＴ装置、ＭＲＩ装置等である。撮影装置２がＸ線ＣＴ撮影装置である場合、撮影装置２は、ユーザＵ２に対してＸ線ＣＴ撮影を行う。撮影装置２がＭＲＩ装置である場合、撮影装置２は、ユーザＵ２に対してＭＲＩ撮影を行う。撮影対象は、ユーザＵ２の顎顔面構成領域である。顎顔面構成領域は、顎顔面領域または顎顔面の一部領域である。顎顔面領域は、上下の歯領域および口を含む顎領域である。顎顔面の一部領域は、顎顔面領域の一部の領域である。顎顔面の一部領域は、たとえば前記の上下の歯領域、歯を支持する役割を果たす顎領域等である。撮影を通して、撮影装置２は、顎顔面構成領域のデータを取得する。撮影装置２によって取得されたデータは、セグメンテーション装置３に送られる（入力される）。

撮影装置２によって取得されてセグメンテーション装置３に入力されるデータは、プロジェクションデータであってよい。他にも、再構成データ、スライス画像データ、ボリュームレンダリング画像データ等がセグメンテーション装置３に入力されてよい。再構成データ、スライス画像データ、およびボリュームレンダリング画像データは、プロジェクションデータを加工したものであってよい。これらのデータは、Ｘ線ＣＴ撮影またはＭＲＩ撮影から得られたデータ（画像データ）である。本実施形態においては、Ｘ線ＣＴ撮影またはＭＲＩ撮影から得られた画像データを、撮影画像データと称することもある。

本実施形態においては、撮影装置２等によってＸ線ＣＴ撮影またはＭＲＩ撮影で得られた一次的画像データを撮影生画像データと称する。また、撮影生画像データを加工して得られたデータを撮影加工画像データと称する。たとえば、撮影生画像データがプロジェクションデータである場合、プロジェクションデータを加工して得られた３次元画像データ、再構成データ、スライス画像データ、ボリュームレンダリング画像データ等は、撮影加工画像データの例である。プロジェクションデータを前処理して、前処理された画像データをさらに３次元画像データ、再構成データ、スライス画像データ、ボリュームレンダリング画像データ等に加工する場合もある。この場合の前処理画像データも撮影加工画像データの例である。撮影画像データは、このような撮影生画像データおよび撮影加工画像データを含み得る。

撮影画像データは、必ずしも撮影装置２で撮影されたデータでなくてもよい。、撮影画像データは、セグメンテーション装置３において処理可能なデータであればよく、他の撮影装置で撮影されたデータであってもよい。すなわち、記録媒体に格納された他の撮影装置で撮影されたデータが、撮影画像データとしてセグメンテーション装置３にインプットされるように構成されてもよい。

撮影画像データは、撮影生画像データであってもよいし、撮影生画像データに由来する画像データであってもよい。また、撮影画像データは、撮影加工画像データであってもよいし、撮影加工画像データに由来する画像データであってもよい。

撮影生画像データの加工の全部または一部は、撮影装置２によって実行されてもよいし、セグメンテーション装置３によって実行されてもよい。また、撮影生画像データの加工の全部または一部は、撮影装置２とセグメンテーション装置３とによって分担されてもよい。

撮影加工画像データのさらなる加工の全部または一部は、撮影装置２によって実行されてもよいし、セグメンテーション装置３によって実行されてもよい。また、撮影加工画像データのさらなる加工の全部または一部は、撮影装置２とセグメンテーション装置３とによって分担されてもよい。

再構成データには、プロジェクションデータを加工して被写体の被撮影領域の現状の再現を行うデータが含まれる。このデータは２次元画像データであってもよいし、３次元画像データであってもよい。２次元画像データの例はスライス画像データである。３次元画像データの例はボリュームデータやボリュームレンダリング画像データである。再構成データは、たとえば、ボクセルごとの測定値を示す。測定値の例は、ＣＴ値である。スライス画像データは、複数のスライス画像（スライス画像群）であってよい。再構成データは、たとえば公知の手法により、プロジェクションデータを利用して作られる。セグメンテーション装置３に入力されるデータフォーマットの例は、ＤＩＣＯＭ（Digital Imaging and COmmunications in Medicine）である。なお、プロジェクションデータ、再構成データ、スライス画像等の任意の組み合わせが、セグメンテーション装置３に入力されてもよい。

セグメンテーション装置３は、撮影装置２によって取得された顎顔面構成領域のデータに対してセグメンテーションを行う。セグメンテーションは、顎顔面構成領域に含まれる特徴領域を分別、特定等することを含む。セグメンテーションは、「クラスタリング」、「ラベリング」等とも称される。たとえば再構成データにおけるセグメンテーションでは、各ボクセルが顎顔面構成領域中のどの組織に対応するのか、が特定される。この場合のセグメンテーション結果は、各ボクセル（ボクセルの番号またはＸＹＺ座標値等）と、組織を特定する情報（たとえばエナメル質、象牙質、歯髄等）と、を対応づけたデータであってよい。セグメンテーション結果は、たとえば画像の態様で、ユーザＵ３に提示される。ユーザＵ３に提示されるセグメンテーション結果の例を、図２（ａ）～図５（ｂ）を参照して説明する。

セグメンテーション装置３は、図２（ａ）および図２（ｂ）に示される画像を提示してよい。図２（ａ）は、略鉛直方向からみたときの、ユーザＵ２の歯領域およびその周辺領域を含む画像である。図２（ｂ）は、図２（ａ）の画像に対するセグメンテーション結果である。この例では、セグメンテーション結果は、図２（ａ）の画像中の歯領域をマスキングした画像である。マスキング部分以外の画像は取り除かれている。この例では、取り除かれた部分は、黒色に対応するデータ（所定のＣＴ値等）で表現されている。

セグメンテーション結果としてマスキングした画像を表示することは、視覚的、直感的な領域の確認を可能とするため、有効である。セグメンテーション結果の表示は、該当領域を境界線および色彩の少なくともいずれかで区分表示することで行ってよい。色彩による区分表示には、モノクロームの明度別の区分表示、原画の該当領域を色彩領域に置き換える処理、および透明性を有する色彩との重畳または合成を含み得る。

セグメンテーション装置３は、図３（ａ）および図３（ｂ）に示される画像を提示してよい。図３（ａ）は、略鉛直方向からみたときの、ユーザＵ２の歯領域およびその周辺領域を含む画像である。図３（ｂ）は、図３（ａ）の画像に対するセグメンテーション結果である。この例では、セグメンテーション結果は、図３（ａ）の画像中の歯領域中の、エナメル質、象牙質および歯髄の各領域をマスキングした画像である。エナメル質、象牙質および歯髄の各領域が異なる色でマスキングされている。

セグメンテーション装置３は、図４（ａ）および図４（ｂ）に示される画像を提示してよい。図４（ａ）は、略鉛直方向からみたときの、ユーザＵ２の歯領域およびその周辺領域を含む画像である。図４（ｂ）は、図４（ａ）の画像に対するセグメンテーション結果である。この例では、セグメンテーション結果は、図４（ａ）の画像中の歯領域をマスキングした画像である。当該セグメンテーション結果において、歯領域ではない領域（特に、歯槽骨および皮質骨）が見やすくなっている。

セグメンテーション装置３は、図５（ａ）および図５（ｂ）に示される画像を提示してよい。図５（ａ）は、略鉛直方向からみたときの、ユーザＵ２の歯領域およびその周辺領域を含む画像である。図５（ｂ）は、図５（ａ）の画像に対するセグメンテーション結果である。この例では、セグメンテーション結果は、図４（ａ）の画像中のＸ線高吸収体のみを残した画像である。

以上説明した図２（ａ）～図５（ｂ）は、セグメンテーションの対象が、略鉛直方向からみたときの歯領域およびその周辺領域の画像である場合の例示である。ただし、セグメンテーションの対象はこの例に限定されない。たとえば、セグメンテーションの対象は、略鉛直方向以外の方向からみたときの画像であってよいし、歯領域のみの画像であってもよい。セグメンテーションの対象は、映像であってもよい。例えば、セグメンテーション結果は、医者又は観察者のようなユーザＵ３を支援することができ、また、診断のためにユーザＵ３を支援することもできる。歯または複数の歯のセグメンテーション結果を表示するだけでも、ユーザＵ３に、歯または複数の歯の構造、あるいは組織または組織の配置などを理解させるために役立てることできる。セグメンテーションの対象は、たとえばＣＴ撮影中に取得されたプロジェクションデータであってもよい。詳しくは図８（ａ）～図８（ｅ）を参照して後述する。

図１に戻り、セグメンテーション装置３は、プロセッサ（ＣＰＵ等）、メモリ（ＲＯＭ、ＲＡＭ等）等を備えるコンピュータ装置であってよい。コンピュータ装置は、撮影装置２からのデータを直接または間接的に受け取ったり、ユーザＵ３の操作を受け付けたりするための入力インタフェースと、ユーザＵ３にセグメンテーション結果等の情報を提示するための出力インタフェースと、を備え得る。図１に示される例では、セグメンテーション装置３を構成するコンピュータ装置１８０の本体１８２が、プロセッサ、メモリ等を備える。コンピュータ装置１８０のキーボード１８９や、本体１８２における撮影装置２からの通信ケーブルの接続部分が、入力インタフェースに相当する。コンピュータ装置１８０のディスプレイ１８８が、出力インタフェースに相当する。

図６は、セグメンテーション装置の機能ブロックの例を示す図である。セグメンテーション装置３は、入力部３２と、実行部３４と、学習モデル３６と、出力部３８と、を含む。

入力部３２は、顎顔面構成領域のデータが入力される部分（入力手段）である。入力部３２は、たとえば上述の入力インタフェースとしての機能を備えるように構成されてよい。キーボードやマウスなどのユーザの物理的な操作を受け付ける入力インターフェースを「物理インタフェース」と呼んでもよい。

実行部３４は、入力部３２に入力されたデータと、学習モデル３６と、を用いて、特徴領域のセグメンテーションを行う部分（実行手段）である。特徴領域は、顎顔面構成領域に含まれる生体的特徴領域および人工的特徴領域の少なくとも一方である。生体的特徴領域は、人工的特徴領域以外の領域である。生体的特徴領域の例は、歯、エナメル質、象牙質、歯髄、歯髄腔、セメント質、皮質骨、海面骨、神経管、血管、顎骨等の組織の領域である。人工的特徴領域の例は、Ｘ線高吸収体の領域である。Ｘ線高吸収体の例は、金属補綴物である。

実行部３４は、学習モデル３６にデータを入力する。学習モデル３６に入力されるデータは、入力部３２に入力された顎顔面構成領域のデータそのものであってもよいし、入力部３２に入力された顎顔面構成領域のデータに由来するデータであってもよい。由来するデータは、前処理が施されたデータであってよい。前処理の例は、畳み込み、プーリング、トリミング等である。由来するデータは、一回以上、学習モデル３６に入力されて学習モデル３６から出力されたデータであってもよい。

セグメンテーション装置３には、顎顔面構成領域の撮影画像データの入力を受けて学習モデル３６に顎顔面構成領域の撮影画像データを送る学習モデル入力部３６１が設けられてもよい。また、学習モデル３６は、学習モデル入力部３６１に接続されてもよい。入力部３２が学習モデル入力部３６１を兼ねていてもよい。或いは、学習モデル入力部３６１と入力部３２とは、それぞれ別個に設けられてもよい。学習モデル入力部３６１と入力部３２とをそれぞれ別個に設ける場合、たとえば、入力部３２に入力されたデータは、加工されずに学習モデル入力部３６１に自動的に入力されるように構成されてもよい。或いは、実行部３４が、入力部３２に入力された撮影画像データを加工した上で学習モデル入力部３６１に自動的に入力するように構成されてもよい。

たとえば、撮影装置２によって取得されたプロジェクションデータがセグメンテーション装置３の入力部３２に入力されてもよい。そして、実行部３４が当該プロジェクションデータを加工して再構成データ、スライス画像データ、ボリュームレンダリング画像データ等の加工画像データを生成してもよい。そして、この加工画像データが、学習モデル入力部３６１を介して学習モデル３６に自動的に入力されてもよい。入力部３２に入力される撮影画像データは、撮影生画像データであってもよいし、撮影加工画像データであってもよい。学習モデル入力部３６１に入力される撮影画像データは、撮影生画像データであってもよいし、撮影加工画像データであってもよい。

入力部３２又は学習モデル入力部３６１に入力されるデータは、たとえば、撮影時の管電流や管電圧等の撮影画像データの付随情報データを含んでもよい。

学習モデル３６は、予め生成された学習モデルである。セグメンテーション装置３の製造時以降にアップデートされた学習モデル３６も、予め生成された学習モデルの一態様である。学習モデル３６は、撮影装置２のＸ線ＣＴ撮影またはＭＲＩ撮影によって取得されるプロジェクションデータおよび再構成データの少なくとも一方のデータ、または当該データに由来するデータが入力されると、上述の特徴領域のセグメンテーションデータを出力するように、教師データを用いて生成（学習）される。

学習モデル３６の学習は、教師データを用いた機械学習（訓練）であってよい。機械学習は、ＳＶＭ、ニューラルネットワーク、ディープラーニング等の様々な手法を含み得る。学習モデル３６がニューラルネットワークによって構成される場合、学習モデル３６は、教師データによってチューニングされたニューラルネットワークの中間層のパラメータを含む学習済みモデルであってよい。このように学習モデル３６がニューラルネットワークによって構成される場合、ニューラルネットワークは、入力層、隠れ層、および出力層を含む多層パーセプトロンで構成されてもよい。

教師データは、第１の教師データを含んでよい。第１の教師データは、顎顔面構成領域のデータと、Ｘ線高吸収体のセグメンテーションデータと、を対応づけた教師データである。第１の教師データを用いて学習モデル３６の学習を行うことで、学習モデル３６は、少なくとも、顎顔面構成領域のデータが入力されると、Ｘ線高吸収体のセグメンテーションデータを出力するようになる。

教師データは、第２の教師データを含んでよい。第２の教師データは、顎顔面構成領域のデータと、歯領域のセグメンテーションデータと、を対応付けた教師データである。第２の教師データを用いて学習モデル３６の学習を行うことで、学習モデル３６は、少なくとも、顎顔面構成領域のデータが入力されると、歯領域のセグメンテーションデータを出力するようになる。

第２の教師データにおける顎顔面構成領域のデータは、顎顔面構成領域全域のデータであってもよいし、顎顔面構成領域の一部領域のデータでもよい。顎顔面構成領域中の一部の領域、とりわけ歯列弓中の一部の歯とその周囲の近辺領域のみを局所撮影する局所Ｘ線ＣＴ撮影が行われる場合もある。その場合、顎顔面構成領域の一部領域のデータと、歯領域のセグメンテーションデータと、が対応付けられる。現実の局所Ｘ線ＣＴ撮影においては、殆どの場合に被写体の位置付けは成功するので、上記顎顔面構成領域のデータは、顎顔面構成領域に含まれる少なくとも歯領域からなる領域に限定されてもよい。ただし、位置付けが失敗して、顎顔面構成領域の一部領域のデータに歯領域が含まれない可能性もある。よって、その場合を考慮して、歯領域が含まれない場合に“歯領域ゼロ”を示すセグメンテーション結果を出力するように構成されてもよい。

また、顎顔面構成領域全域のデータと、歯領域全域（歯列弓全域）の歯領域のセグメンテーションデータと、が対応付けられてもよい。

第２の教師データを用いた学習モデル３６の訓練において、局所領域内をセグメンテーションする場合、対象局所領域が顎顔面領域中のどの領域であるかを学習モデル３６に予め教えて訓練し、結果的に局所領域の場所の情報が無くとも正しい認識ができるようにされてもよい。

教師データは、第３の教師データを含んでよい。第３の教師データは、顎顔面構成領域中の少なくとも歯領域からなる領域のデータと、歯領域中の複数の生体的特徴領域の各領域のセグメンテーションデータと、を対応づけた教師データであってよい。第３の教師データを用いて学習モデル３６の学習を行うことで、学習モデル３６は、少なくとも、顎顔面構成領域中の少なくとも歯領域からなる領域のデータが入力されると、歯領域中の複数の生体的特徴領域の各領域のセグメンテーションデータを出力するようになる。

第３の教師データは、より具体的には、少なくとも歯領域からなる領域のデータと、歯領域中のエナメル質、象牙質および歯髄の各領域のセグメンテーションデータと、を対応づけた教師データであってよい。この場合、第３の教師データを用いて学習モデル３６の学習を行うことで、学習モデル３６は、少なくとも、少なくとも歯領域からなる領域のデータが入力されると、歯領域中のエナメル質、象牙質および歯髄の各領域のセグメンテーションデータを出力するようになる。歯領域中の複数の生体的特徴領域のセグメンテーションは、エナメル質、象牙質、歯髄の領域のセグメンテーションだけでなく、セメント質の領域のセグメンテーションを含んでもよい。

第３の教師データを構成する「少なくとも歯領域からなる領域」は、たとえば歯領域以外の領域も含んだ顎顔面構成領域であってもよい。歯のみの領域のデータが与えられて、その内部を各生体的特徴領域に分類する構成の方が、負担が小さいという利点があるが、必ずしも一旦歯のみの領域のデータを生成する必要はなく、顎顔面構成領域中の歯領域中の各生体的特徴領域を抽出する構成にしてもよい。

顎顔面構成領域に存するエナメル質、象牙質、歯髄のセグメンテーションの結果、エナメル質、象牙質、歯髄領域のセグメンテーションデータを寄せ集めた総体を、歯領域のセグメンテーションデータとすることもできる。この場合は、第３の教師データが、上述の第２の教師データの役割を兼ねることとなる。対象領域は、エナメル質、象牙質、歯髄のほかにセメント質を含んでもよい。

教師データは、第４の教師データを含んでよい。基本的には、歯根を支持する顎骨は、歯根膜を介して歯を支持する生体領域といえる。歯を支持する生体領域には、皮質骨、歯槽骨のように、歯を支持する生体的特徴領域が含まれる。第４の教師データは、顎顔面構成領域のデータと、歯を支持する生体領域に含まれる生体的特徴領域の各領域のセグメンテーションデータと、を対応づけた教師データであってよい。第４の教師データを用いて学習モデル３６の学習を行うことで、学習モデル３６は、少なくとも、顎顔面構成領域のデータが入力されると、顎顔面構成領域中の歯を支持する生体的特徴領域の各領域のセグメンテーションデータを出力するようになる。

第４の教師データは、より具体的には、顎顔面構成領域のデータと、顎顔面構成領域中の歯を支持する生体的特徴領域のセグメンテーションデータと、を対応づけた教師データであってよい。この場合、第４の教師データを用いて学習モデル３６の学習を行うことで、学習モデル３６は、少なくとも顎顔面構成領域のデータが入力されると、顎顔面構成領域中の歯を支持する生体的特徴領域のセグメンテーションデータを出力するようになる。歯を支持する生体的特徴領域は、歯を支持する生体的特徴領域の各領域であってもよい。第４の教師データは、顎顔面構成領域のデータと、顎顔面構成領域中の皮質骨、歯槽骨の各領域のセグメンテーションデータと、を対応づけた教師データであってもよい。この場合、第４の教師データを用いて学習モデル３６の学習を行うことで、学習モデル３６は、少なくとも顎顔面構成領域のデータが入力されると、顎顔面構成領域中の皮質骨、歯槽骨の各領域のセグメンテーションデータを出力するようになる。

第４の教師データは、顎顔面構成領域中の歯を支持する生体領域のデータと、顎顔面構成領域中の歯を支持する生体領域に含まれる皮質骨、歯槽骨の各領域のセグメンテーションデータと、を対応づけた教師データであってもよい。この場合、第４の教師データを用いて学習モデル３６の学習を行うことで、学習モデル３６は、少なくとも顎顔面構成領域中の歯を支持する生体領域のデータが入力されると、歯を支持する生体領域に含まれる皮質骨、歯槽骨の各領域のセグメンテーションデータを出力するようになる。

複数の教師データを用いて学習モデル３６の学習を行う場合、一つの学習モデルだけを準備し、同じ学習モデルに対して異なる複数の教師データを用いた学習を行ってよい。あるいは、各教師データに対応する複数の学習モデルを準備し、各学習モデルに対して対応する教師データを用いた学習を行ってもよい。後者について、図７（ａ）及び図７（ｂ）を参照して説明する。

図７（ａ）に示される学習モデル３６Ａは、学習モデルＬＭ１、学習モデルＬＭ２、学習モデルＬＭ３および学習モデルＬＭ４を含む。

学習モデルＬＭ１は、顎顔面構成領域のデータが入力されると、Ｘ線高吸収体のセグメンテーションデータを出力するように、第１の教師データを用いて生成された第１の学習モデルである。顎顔面構成領域のデータは、入力部３２または学習モデル入力部３６１に入力されたものであってよい。

学習モデルＬＭ２は、顎顔面構成領域のデータが入力されると、顎顔面構成領域中の歯領域のセグメンテーションデータを出力するように、第２の教師データを用いて生成された第２の学習モデルである。顎顔面構成領域のデータは、入力部３２または学習モデル入力部３６１に入力されたものであってよい。

学習モデルＬＭ３は、顎顔面構成領域中の少なくとも歯領域からなる領域のデータが入力されると、歯領域中の複数の生体的特徴領域の各領域のセグメンテーションデータを出力するように、第３の教師データを用いて生成された第３の学習モデルである。学習モデルＬＭ３は、少なくとも歯領域からなる領域のデータが入力されると、歯領域中のエナメル質、象牙質および歯髄の各領域のセグメンテーションデータを出力するように、第３の教師データを用いて生成されてもよい。学習モデルＬＭ３により出力されるセグメンテーションデータは、セメント質の領域のセグメンテーションデータも含んでよい。

学習モデルＬＭ４は、顎顔面構成領域のデータが入力されると、顎顔面構成領域中の歯を支持する生体的特徴領域のセグメンテーションデータを出力するように、第４の教師データを用いて生成された第４の学習モデルである。顎顔面構成領域のデータは、入力部３２または学習モデル入力部３６１に入力されたものであってよい。さらに具体的には、学習モデルＬＭ４は、顎顔面構成領域のデータが入力されると、顎顔面構成領域中の皮質骨、歯槽骨の各領域のセグメンテーションデータを出力するように、第４の教師データを用いて生成されてもよい。また、学習モデルＬＭ４は、顎顔面構成領域中の歯を支持する生体領域のデータが入力されると、顎顔面構成領域中の歯を支持する生体領域に含まれる皮質骨、歯槽骨の各領域のセグメンテーションデータを出力するように、第４の教師データを用いて生成されてもよい。

学習モデルは、セグメンテーションのための学習モデルのほか、セグメンテーションではない処理のための学習モデルを備えてもよい。

図７（ｂ）に示される例では、学習モデル３６は、セグメンテーションを主処理とする、すなわちセグメンテーション系処理を行うセグメンテーション系学習モデルＳＭのほか、セグメンテーションではない処理を主処理とする、すなわち非セグメンテーション系処理を行う非セグメンテーション系学習モデルＡＳＭを含んでよい。

上述の第１から第４の学習モデルＬＭ１～ＬＭ４は、セグメンテーション系学習モデルＳＭの例である。非セグメンテーション系学習モデルＡＳＭの例は後述する。

第１から第４の教師データの例について、図８（ａ）～図１１（ｃ）を参照して説明する。

図８（ａ）～図８（ｅ）に例示される第１の教師データでは、図８（ａ）および図８（ｂ）に示される画像が互いに対応付けられている。図８（ａ）は、Ｘ線ＣＴ撮影時に被写体をある方向からＸ線照射したときのフレーム画像、すなわちプロジェクションデータである。図８（ａ）のフレーム画像は、顎顔面領域を側方からＸ線照射したタイミングで得られたものである。図８（ｂ）は、図８（ａ）の画像中のＸ線高吸収体のみを残した画像である。Ｘ線高吸収体は、たとえば補綴物等として用いられる金属等である。このＸ線高吸収体領域の抽出によって、その位置が特定されるので、アーチファクト低減処理が可能となる。アーチファクト低減処理は、たとえば、図８（ｃ）に示したように、Ｘ線高吸収体領域以外の領域を参照し、プロジェクションデータ中のＸ線高吸収体領域の濃度をアーチファクトが発生しない（またはアーチファクトを低減できる）適宜の濃度に置き換える処理を含み得る。

Ｘ線高吸収体領域の抽出のために、ＣＴ画像のような再構成画像が利用されてもよい。図８（ｄ）は、略鉛直方向からみたときの、歯領域およびその周辺領域のＣＴ画像である。Ｘ線ＣＴ撮影で得られたプロジェクションデータから、一旦ＣＴ画像を再構成し、図８（ｄ）のようなＣＴ画像を生成する。図８（ｄ）の画像中のＸ線高吸収体のみを抽出することにより、図８（ｅ）のような画像が得られる。抽出されたＸ線高吸収体領域の位置情報は、図８（ａ）中のＸ線高吸収体領域の特定のために利用され得る。

図９（ａ）および図９（ｂ）に例示される第１の教師データでは、図９（ａ）および図９（ｂ）に示される画像が互いに対応付けられている。図９（ａ）は、略水平方向からみたときの、歯領域およびその周辺領域の画像である。図９（ｂ）は、図９（ａ）の画像中の金属領域のみをマスキングして残した（アノテーションした）画像である。ここでは一例として、Ｘ線高吸収体の代表例として金属を説明しているが、金属以外のＸ線高吸収体であっても同様である。

図８（ａ）～図８（ｅ）並びに図９（ａ）および図９（ｂ）に例示される第１の教師データは、Ｘ線高吸収体を含む実測データに基づいて準備されたものである。ただし、第１の教師データは、Ｘ線高吸収体を含まない実測データに基づいて準備されてもよい。たとえば、実測データにＸ線高吸収体のデータを付加して得られたシミュレーションデータに基づいて、第１の教師データが準備されてよい。

図１０（ａ）～図１０（ｃ）に例示される第２の教師データでは、図１０（ａ）および図１０（ｂ）に示される画像が互いに対応付けられている。図１０（ａ）は、略鉛直方向からみたときの、歯領域およびその周辺領域の画像である。図１０（ａ）はＣＴ画像の例である。図１０（ｂ）は、図１０（ａ）の画像中の歯領域（歯全体）をマスキングした画像である。歯領域以外の部分の画像は取り除かれている。上述したように歯領域以外の部分の画像を取り除く処理に代えて、歯領域以外の部分を単一色に置き換える処理が実行されてもよい。このことは、以下の説明においても同様である。第２の教師データにおいて、図１０（ｃ）に示されるようなプロジェクションデータが、図１０（ａ）および図１０（ｂ）に示される画像にさらに対応付けられていてもよい。

顎顔面構成領域のデータが再構成画像のデータであり、再構成画像のデータがＣＴやＭＲＩのボリュームデータ等の３次元データであり、３次元データ中の歯領域の３次元的、立体的なロケーション認識をする場合、咬合面がボリュームデータ中のどの座標に設定されるか認識し、それから、咬合面と平行または略平行な断面の画像を生成するようにしてもよい。または、上顎歯と下顎歯の分離を行うようにしてもよい。

セグメンテーションについては、咬合面と平行または略平行な断面のスライス画像中でセグメンテーションを行うようにしてもよいし、３次元的、立体的な歯領域のセグメンテーションを行ってからスライス画像の切り出しを行うようにしてもよい。

図１１（ａ）～図１１（ｃ）に例示される第３の教師データでは、図１１（ａ）および図１１（ｂ）に示される画像が互いに対応付けられている。図１１（ａ）は、ＣＴ画像の例である。図１１（ａ）は、略鉛直方向からみたときの、歯領域およびその周辺領域の画像である。図１１（ｂ）は、図１１（ａ）の画像中のエナメル質、象牙質および歯髄をそれぞれ異なる色でマスキングした画像である。エナメル質、象牙質および歯髄以外の画像は取り除かれている。画像中のエナメル質、象牙質、歯髄およびセメント質をそれぞれ異なる色でマスキングし、エナメル質、象牙質、歯髄およびセメント質以外の画像を取り除くようにしてもよい。第３の教師データにおいて、図１１（ｃ）に示されるようなプロジェクションデータが図１１（ａ）および図１１（ｂ）に示される画像にさらに対応付けられていてよい。

図１２（ａ）～図１２（ｃ）に例示される第３の教師データでは、図１２（ａ）および図１２（ｂ）に示される画像が互いに対応付けられている。図１２（ａ）は、略鉛直方向からみたときの、歯領域の画像である。この画像は、歯領域の周辺領域の画像を含まない点において、先に説明した図１１（ａ）の画像と相違する。すなわち、図１２（ａ）の画像では、歯領域の周辺領域の画像が取り除かれている。図１２（ｂ）は、図１２（ａ）の画像において、エナメル質、象牙質および歯髄をマスキングした画像である。このような第３の教師データにおいても、図１２（ｃ）に示されるようなプロジェクションデータが図１２（ａ）および図１２（ｂ）に示される画像にさらに対応付けられていてよい。

第２の学習モデルによって歯領域のセグメンテーションデータを生成する工程では、歯領域のみの画像のデータ（歯のみの画像のデータ）を抽出し、第３の学習モデルにおいて、この歯領域のみの画像のデータをセグメンテーションして、エナメル質、象牙質、歯髄の各領域のセグメンテーションまたはエナメル質、象牙質、歯髄、セメント質の各領域のセグメンテーションを行うようにしてもよい。歯領域のみの画像のデータの位置情報を参照するようにしてもよい。

図１３（ａ）および図１３（ｂ）に例示される第４の教師データでは、図１３（ａ）および図１３（ｂ）に示される画像が互いに対応付けられている。図１３（ａ）は、略鉛直方向からみたときの、歯領域および周辺領域の画像である。なお、この画像では、歯領域の画像が取り除かれている。歯領域の周辺領域は、顎顔面構成領域中の歯を支持する生体領域でもある。図１３（ｂ）は、図１３（ａ）の画像において、皮質骨および歯槽骨をセグメンテーションした画像である。皮質骨および歯槽骨以外の画像は取り除かれている。図１０（ａ）に示される画像および図１３（ｂ）に示される画像の基データが共通のものである場合、図１０（ａ）に示される画像および図１３（ｂ）に示される画像は、互いに対応付けられてもよい。

第２の学習モデルによって歯領域のセグメンテーションデータを生成する工程では、歯領域のみの画像のデータ（歯のみの画像のデータ）を抽出し、第４の学習モデルおいて、歯領域のみの画像のデータの位置情報を参照するようにしてもよい。

図６に戻り、出力部３８は、実行部３４の実行結果を出力する部分（実行手段）である。出力部３８は、たとえば上述の出力インタフェースとしての機能を備えるように構成されてよい。出力インタフェースは、先に図２（ａ）～図５（ｂ）を参照して説明した態様で、セグメンテーション結果をユーザＵ３に提示するディスプレイ（たとえば図１のディスプレイ１８８）等を含みうる。

図１４は、セグメンテーション装置において実行される処理の例を示すフローチャートである。

ステップＳ１において、セグメンテーション装置３の入力部３２に、撮影装置２によって取得された顎顔面構成領域のデータが入力される。たとえば、先に説明した図２（ａ）、図３（ａ）、図４（ａ）および図５（ａ）に示されるような画像が、入力部３２に入力される。

ステップＳ２において、実行部３４が、先のステップＳ１で入力された顎顔面構成領域のデータと、学習モデル３６または学習モデル３６Ａと、を用いて、特徴領域のセグメンテーションを行う。具体的には、実行部３４は、入力された顎顔面構成領域のデータを、学習モデル３６または学習モデル３６Ａに入力することによって、特徴領域のセグメンテーションデータを取得する。セグメンテーション結果の例は、先に説明した図２（ｂ）、図３（ｂ）、図４（ｂ）および図５（ｂ）に示されるような画像である。セグメンテーション結果は、図２（ａ）、図３（ａ）、図４（ａ）または図５（ａ）に示される画像と、対応する図２（ｂ）、図３（ｂ）、図４（ｂ）または図５（ｂ）に示される画像とが組み合わされた（たとえば各画像が並べられた）画像であってもよい。学習モデル３６Ａを用いる場合のいくつかの具体例を、図１５～１８を参照して説明する。

図１５に示されるステップＳ２ａは、学習モデル３６Ａが学習モデルＬＭ１および学習モデルＬＭ２を含む場合に、図１４のステップＳ２として実行されてよい。

ステップＳ２ａ１において、実行部３４は、先のステップＳ１（図１４参照）で入力された顎顔面構成領域のデータを学習モデルＬＭ１に入力することによって、Ｘ線高吸収体のセグメンテーションデータを取得する。

ステップＳ２ａ２において、実行部３４は、アーチファクトリダクションデータを生成する。アーチファクトリダクションデータは、アーチファクトが除去または低減された再構成データである。アーチファクトリダクションデータは、先のステップＳ２ａ１で取得されたＸ線高吸収体のセグメンテーションデータに基づいて、先に図８（ｃ）を参照して説明したような手法やその他の公知の手法により得られる。なお、アーチファクトは、例えば、プロジェクションデータから再構成データを作る際に、Ｘ線高吸収体の存在によってＸ線高吸収体およびその近傍の測定値（ＣＴ値等）の整合性が得られないことによって生じる。アーチファクトリダクションの処理として、ＮＭＡＲ（Normalized Metal Artifact Reduction）などの手法を利用可能である。また、次のような例も利用可能である。図８（ｅ）のような画像より抽出したＸ線高吸収体の位置情報を基に、Ｘ線ＣＴ撮影で取得したプロジェクションデータにおけるＸ線高吸収体の位置を特定する。プロジェクションデータにおけるＸ線高吸収体領域の値を、Ｘ線高吸収体領域の周辺領域の値から算出される値に置き換える。プロジェクションデータをサイノグラム化し、Ｘ線高吸収体領域のサインカーブを抽出して、サインカーブの値を非Ｘ線高吸収体領域の値より算出した調整値と置き換えるようにしてもよい。置き換えの後にプロジェクションデータの再構成演算を行うことでアーチファクトリダクションデータが得られる。このアーチファクトリダクションデータに抽出したＸ線高吸収体領域の画像（例えば図８（ｅ）のような画像）を埋め込む処理を行うことで、アーチファクトが除去または低減された顎顔面構成領域のＣＴ画像を生成してもよい。

アーチファクトの除去・低減の処理についても学習モデルに学習させてもよい。このようなアーチファクト除去・低減の処理の学習モデルは、図７（ｂ）の非セグメンテーション系学習モデルＡＳＭの例である。

ステップＳ２ａ３において、実行部３４は、先のステップＳ２ａ２で生成されたアーチファクトリダクションデータを学習モデルＬＭ２に入力することにより、歯領域のセグメンテーションデータを取得する。

図１６に示されるステップＳ２ｂは、学習モデル３６Ａが学習モデルＬＭ２および学習モデルＬＭ３を含む場合に、図１４のステップＳ２として実行されてよい。

ステップＳ２ｂ１において、実行部３４は、先のステップＳ１（図１４参照）で入力された顎顔面構成領域のデータを学習モデルＬＭ２に入力することによって、歯領域のセグメンテーションデータを取得する。

ステップＳ２ｂ２において、実行部３４は、歯領域のデータを生成する。たとえば、先のステップＳ１で入力された顎顔面構成領域のデータから、先のステップＳ２ｂ１で取得された歯領域のセグメンテーションデータに対応する部分のデータを抽出することによって、歯領域のデータが生成される。

歯領域のデータは、図１０（ｂ）のようなセグメンテーションデータの情報から抽出できる。たとえば図１０（ａ）の画像中の図１０（ｂ）でマスキングした領域に該当する領域を抽出することで、歯領域のデータを抽出することができる。このような歯のみの画像の生成についても学習モデルに学習させてもよい。

このような歯のみの画像生成の処理の学習モデルは、図７（ｂ）の非セグメンテーション系学習モデルＡＳＭの例である。

非セグメンテーション系処理の一部または全部をセグメンテーション系学習モデルに分担させてもよい。たとえば、第１の学習モデルＬＭ１、第２の学習モデルＬＭ２、第３の学習モデルＬＭ３の少なくともいずれかにアーチファクトの除去・低減の処理の学習を分担させ、アーチファクトを除去・低減させた再構成画像を出力させてもよい。また、第２の学習モデルＬＭ２、第３の学習モデルＬＭ３の少なくともいずれかに歯のみの画像の生成を分担させ、歯のみの画像を出力させてもよい。

ステップＳ２ｂ３において、実行部３４は、先のステップＳ２ｂ２で生成された歯領域のデータを学習モデルＬＭ３に入力することによって、エナメル質、象牙質および歯髄のセグメンテーションデータまたはエナメル質、象牙質、歯髄およびセメント質のセグメンテーションデータを取得する。

ステップＳ２ａ２のアーチファクトリダクションデータの生成からステップＳ２ｂ３につながるようにして、アーチファクトリダクションデータ中のエナメル質、象牙質および歯髄のセグメンテーションデータまたはエナメル質、象牙質、歯髄およびセメント質のセグメンテーションデータを取得するようにしてもよい。

図１７に示されるステップＳ２ｃは、学習モデル３６Ａが学習モデルＬＭ２および学習モデルＬＭ４を含む場合に、図１４のステップＳ２として実行されてよい。

ステップＳ２ｃ１において、実行部３４は、先のステップＳ１で入力された顎顔面構成領域のデータを学習モデルＬＭ２に入力することによって、歯領域のセグメンテーションデータを取得する。

ステップＳ２ｃ２において、実行部３４は、歯領域と歯領域ではない領域を区分する区分処理を行う。たとえば、先のステップＳ１で入力された顎顔面構成領域のデータから、先のステップＳ２ｃ１で取得した歯領域のセグメンテーションデータに対応する部分と、それ以外の部分とを分けて抽出することで、歯領域と歯領域ではない領域とを区分する。

ステップＳ２ｃ３において、実行部３４は、先のステップＳ２ｃ２で区分された、歯領域ではない領域のデータを学習モデルＬＭ４に入力することによって、皮質骨および歯槽骨のセグメンテーションデータを取得する。

ステップＳ２ａ２のアーチファクトリダクションデータの生成からステップＳ２ｃ３につながるようにして、当該アーチファクトリダクションデータ中の皮質骨および歯槽骨のセグメンテーションデータを取得するようにしてもよい。

図１４に戻り、ステップＳ３において、出力部３８がセグメンテーション結果を出力する。たとえば、先に説明した図２（ｂ）、図３（ｂ）、図４（ｂ）および図５（ｂ）に示されるような画像が、出力部３８によって提示される。

以上説明したセグメンテーション装置３は、たとえば次のように特定される。すなわち、セグメンテーション装置３は、入力部３２と、実行部３４と、学習モデル３６と、出力部３８とを含む。入力部３２には、顎顔面領域または顎顔面の一部領域である顎顔面構成領域のデータが入力される（ステップＳ１）。実行部３４は、入力部３２に入力された顎顔面構成領域のデータと、予め生成された学習モデル３６または学習モデル３６Ａと、を用いて、顎顔面構成領域に含まれる生体的特徴領域および人工的特徴領域の少なくとも一方の領域である特徴領域のセグメンテーションを行う（ステップＳ２）。出力部３８は、実行部３４の実行結果を出力する（ステップＳ３）。学習モデル３６または学習モデル３６Ａは、撮影装置２によって取得されるプロジェクションデータおよび再構成データの少なくとも一方のデータ、または当該データに由来するデータが入力されると、特徴領域のセグメンテーションデータを出力するように、教師データを用いて生成された学習モデルである。

上記のセグメンテーション装置３によれば、顎顔面領域構成領域と、予め生成された学習モデル３６または学習モデル３６Ａと、を用いて、特徴領域のセグメンテーションが行われる。学習モデル３６または学習モデル３６Ａは、Ｘ線ＣＴ撮影またはＭＲＩ撮影によって取得されるプロジェクションデータおよび再構成データの少なくとも一方のデータ、または当該データに由来するデータが入力されると、特徴領域のセグメンテーションデータを出力するように、教師データを用いて生成された学習モデルである。したがって、Ｘ線ＣＴ撮影またはＭＲＩ撮影によって取得されるプロジェクションデータ、再構成データ等から、特徴領域をセグメンテーションすることができる。このように学習モデル３６または学習モデル３６Ａを用いてセグメンテーションを行うことにより、たとえばＣＴ値や濃度値等に基づいて数学的にセグメンテーションを行う場合よりも、セグメンテーション精度を向上できる可能性が高まる。特に互いの位置およびＣＴ値がともに近い組織間のセグメンテーションに有用である。精度が向上することで、人の介入を不要にできる可能性も高まる。

入力部３２に入力される顎顔面構成領域のデータが、歯領域のデータ、または、歯領域およびその周囲領域を含む領域のデータであってよい。これにより、顎顔面構成領域から、歯領域、または、歯領域およびその周辺領域を含む領域をセグメンテーションすることができる。

学習モデル３６または学習モデル３６Ａが出力するセグメンテーションデータが、歯、エナメル質、象牙質、歯髄、歯髄腔、セメント質、皮質骨、海面骨、神経管、血管、顎骨およびＸ線高吸収体の少なくとも一つのセグメンテーションデータであってよい。これにより、歯、エナメル質、象牙質、歯髄、歯髄腔、セメント質、皮質骨、海面骨、神経管、血管、顎骨等の組織およびＸ線高吸収体をセグメンテーションすることができる。たとえば皮質骨、象牙質および海綿骨のようにＣＴ値が近い（重複しうる）組織のセグメンテーションに有用である。

教師データは、顎顔面構成領域のデータと、Ｘ線高吸収体のセグメンテーションデータと、を対応づけた教師データ（図８（ａ）～図８（ｅ）および図９（ａ）、図９（ｂ）等参照）を含んでよい。この場合、学習モデル３６または学習モデル３６Ａは、顎顔面構成領域から、Ｘ線高吸収体をセグメンテーションすることができる（図５（ａ）および図５（ｂ）等参照）。

教師データは、顎顔面構成領域のデータと、歯領域のセグメンテーションデータと、を対応づけた教師データ（図１０（ａ）、図１０（ｂ）および図１０（ｃ）等参照）を含んでよい。この場合、学習モデル３６または学習モデル３６Ａは、顎顔面構成領域から、歯領域をセグメンテーションすることができる（図２（ａ）および図２（ｂ）等参照）。

教師データは、顎顔面構成領域中の少なくとも歯領域からなる領域のデータと、歯領域中の複数の生体的特徴領域の各領域のセグメンテーションデータと、を対応づけた教師データ（図１１（ａ）～図１１（ｃ）および図１２（ａ）～図１２（ｃ）等参照）を含んでよい。この場合、学習モデル３６または学習モデル３６Ａは、顎顔面構成領域中の少なくとも歯領域からなる領域から、歯領域中の複数の生体的特徴領域の各領域をセグメンテーションすることができる（図３（ａ）および図３（ｂ）等参照）。

上述の教師データは、少なくとも歯領域からなる領域のデータと、歯領域中のエナメル質、象牙質および歯髄の各領域のセグメンテーションデータと、を対応づけた教師データ（図１１（ａ）～図１１（ｃ）および図１２（ａ）～図１２（ｃ）等参照）であってよい。この場合、学習モデルは、少なくとも歯領域からなる領域から、歯領域中のエナメル質、象牙質および歯髄の各領域をセグメンテーションすることができる（図３（ａ）および図３（ｂ）等参照）。

教師データは、顎顔面構成領域のデータと、皮質骨および歯槽骨のセグメンテーションデータと、を対応づけた教師データ（図１３（ａ）および図１３（ｂ）等参照）を含んでよい。この場合、学習モデルは、顎顔面構成領域から、皮質骨および歯槽骨をセグメンテーションすることができる（図４（ａ）および図４（ｂ）等参照）。互いにＣＴ値の近い皮質骨および歯槽骨のセグメンテーションができれば、残りの組織のセグメンテーションが行いやすくなる。

学習モデル３６または学習モデル３６Ａは、顎顔面構成領域のデータが入力されると、Ｘ線高吸収体のセグメンテーションデータを出力するように（図５（ａ）および図５（ｂ）等参照）の教師データ（図８（ａ）～図８（ｅ）および図９（ａ）～図９（ｂ）等参照）を用いて生成されてよい。これにより、顎顔面構成領域から、Ｘ線高吸収体をセグメンテーションすることができる（図５（ａ）および図５（ｂ）等参照）。

学習モデル３６または学習モデル３６Ａは、顎顔面構成領域のデータが入力されると、顎顔面構成領域中の歯領域のセグメンテーションデータを出力するように（図２（ａ）および図２（ｂ）等参照）の教師データ（図１０（ａ）～図１０（ｃ）等参照）を用いて生成されてよい。これにより、顎顔面構成領域から、顎顔面構成領域中の歯領域をセグメンテーションすることができる（図２（ａ）および図２（ｂ）等参照）。

学習モデル３６または学習モデル３６Ａは、顎顔面構成領域中の少なくとも歯領域からなる領域のデータが入力されると、歯領域中の複数の生体的特徴領域の各領域のセグメンテーションデータを出力するように（図３（ａ）および図３（ｂ）等参照）の教師データ（図１１（ａ）～図１１（ｃ）および図１２（ａ）～図１２（ｃ）等参照）を用いて生成されてよい。これにより、顎顔面構成領域中の少なくとも歯領域からなる領域から、歯領域中の複数の生体的特徴領域の各領域をセグメンテーションすることができる（図３（ａ）および図３（ｂ）等参照）。

学習モデル３６または学習モデル３６Ａは、顎顔面構成領域のデータが入力されると、皮質骨および歯槽骨のセグメンテーションデータを出力するように（図４（ａ）および図４（ｂ）等参照）の教師データ（図１３（ａ）および図１３（ｂ）等参照）を用いて生成されてよい。これにより、顎顔面構成領域から、皮質骨および歯槽骨をセグメンテーションすることができる（図４（ａ）および図４（ｂ）等参照）。

教師データが第１の教師データ（図８（ａ）～図８（ｅ）および図９（ａ）～図９（ｂ）等参照）を含む場合、学習モデル３６または学習モデル３６Ａは、顎顔面構成領域から、Ｘ線高吸収体をセグメンテーションすることができる（図５（ａ）および図５（ｂ）等参照）。教師データが第２の教師データ（図１０（ａ）～図１０（ｃ）等参照）を含む場合、学習モデル３６または学習モデル３６Ａは、顎顔面構成領域から、歯領域をセグメンテーションすることができる（図２（ａ）および図２（ｂ）等参照）。教師データが第３の教師データ（図１１（ａ）～図１１（ｃ）および図１２（ａ）～図１２（ｃ）等参照）を含む場合、学習モデルは、顎顔面構成領域中の少なくとも歯領域からなる領域から、歯領域中の複数の生体的特徴領域の各領域をセグメンテーションすることができる（図３（ａ）および図３（ｂ）等参照）。教師データが第４の教師データ（図１３（ａ）および図１３（ｂ）等参照）を含む場合、学習モデル３６または学習モデル３６Ａは、顎顔面構成領域から、皮質骨および歯槽骨をセグメンテーションすることができる（図４（ａ）および図４（ｂ）等参照）。

学習モデル３６Ａは、学習モデルＬＭ１、学習モデルＬＭ２、学習モデルＬＭ３および学習モデルＬＭ４の少なくとも一つの学習モデルを含んでよい。学習モデル３６Ａが学習モデルＬＭ１を含む場合、学習モデル３６Ａは、顎顔面構成領域から、Ｘ線高吸収体をセグメンテーションすることができる（図５（ａ）および図５（ｂ）等参照）。学習モデル３６Ａが学習モデルＬＭ２を含む場合、学習モデル３６Ａは、顎顔面構成領域から、歯領域をセグメンテーションすることができる（図２（ａ）および図２（ｂ）等参照）。学習モデル３６Ａが学習モデルＬＭ３を含む場合、学習モデル３６Ａは、顎顔面構成領域中の少なくとも歯領域からなる領域から、歯領域中の複数の生体的特徴の各領域をセグメンテーションすることができる（図３（ａ）および図３（ｂ）等参照）。学習モデル３６Ａが学習モデルＬＭ４を含む場合、学習モデル３６Ａは、顎顔面構成領域から、皮質骨および歯槽骨をセグメンテーションすることができる（図４（ａ）および図４（ｂ）等参照）。

学習モデル３６Ａが、学習モデルＬＭ１および学習モデルＬＭ２を含み、実行部３４が、顎顔面構成領域のデータを学習モデルＬＭ１に入力することにより、Ｘ線高吸収体のセグメンテーションデータを取得し（ステップＳ２ａ１）、取得されたセグメンテーションデータを用いて、Ｘ線高吸収体に起因するアーチファクトが除去または低減されたアーチファクトリダクションデータを生成し（ステップＳ２ａ２）、生成されたアーチファクトリダクションデータを学習モデルＬＭ２に入力することにより歯領域のセグメンテーションを行ってもよい（ステップＳ２ａ３）。このような順に学習モデルＬＭ１および学習モデルＬＭ２を組み合わせて用いることで、それらの学習モデルを単独で用いる場合よりも、セグメンテーション精度を向上できる可能性がさらに高まる。特にアーチファクトの影響が抑制される分、セグメンテーション精度が向上する。

学習モデル３６Ａが、学習モデルＬＭ２および学習モデルＬＭ３を含み、実行部３４が、顎顔面構成領域のデータを学習モデルＬＭ２に入力することにより、歯領域のセグメンテーションデータを取得し（ステップＳ２ｂ１）、取得されたセグメンテーションデータを用いて歯領域のデータを生成し（ステップＳ２ｂ２）、生成された歯領域のデータを学習モデルＬＭ３に入力することにより、エナメル質、象牙質および歯髄のセグメンテーションデータを取得して特徴領域のセグメンテーションを行ってもよい（ステップＳ２ｂ３）。このような順に学習モデルＬＭ２および学習モデルＬＭ３を組み合わせて用いることで、それらの学習モデルを単独で用いる場合よりも、セグメンテーション精度を向上できる可能性がさらに高まる。特に歯領域にフォーカスしてセグメンテーションを行う分、他の領域（たとえば皮質骨、歯槽骨等）と併せてセグメンテーションを行う場合よりも、セグメンテーション精度が向上する。

学習モデル３６Ａが、学習モデルＬＭ２および学習モデルＬＭ４を含み、実行部３４が、顎顔面構成領域のデータを学習モデルＬＭ２に入力することにより、歯領域のセグメンテーションデータを取得し（ステップＳ２ｃ１）、取得されたセグメンテーションデータを用いて顎顔面構成領域中の歯領域と歯領域ではない領域とを区分する区分処理を行い（ステップＳ２ｃ２）、区分処理が実行された顎顔面構成領域のデータを学習モデルＬＭ４に入力することにより、歯領域ではない領域中の皮質骨および歯槽骨のセグメンテーションデータを取得して特徴領域のセグメンテーションを行ってもよい（ステップＳ２ｃ３）。このような順に学習モデルＬＭ２および学習モデルＬＭ４を組み合わせて用いることで、それらの学習モデルを単独で用いる場合よりも、セグメンテーション精度を向上できる可能性がさらに高まる。特に歯領域ではない領域にフォーカスしてセグメンテーションを行う分、歯領域と併せてセグメンテーションを行う場合よりも、セグメンテーション精度が向上する。

なお、学習モデル３６（図６および図７（ｂ）参照）または学習モデル３６Ａ（図７（ａ）参照）は、セグメンテーション装置３の外部に設けられていてもよい。たとえば、外部サーバ（不図示）に学習モデル３６または学習モデル３６Ａが設けられている場合には、セグメンテーション装置３は、当該外部サーバと通信可能に構成されてよい。セグメンテーション装置３の実行部３４は、通信によって、外部サーバ内の学習モデル３６または学習モデル３６Ａを用いてよい。

図１８は、実施形態に係る学習モデルの生成方法の例を示すフローチャートである。

ステップＳ４１において、第１の教師データ（図８（ａ）～図８（ｅ）および図９（ａ）～図９（ｂ）等参照）を準備する。第１の教師データは、実測データであってもよいし、実測データを加工して得られるデータであってもよい。また、教師データの準備には、人の作業が介在してもよい。たとえば、専門家による教師データの作成等の作業が含まれてよい。準備に関するこれらの点は、後述の第２から第４の教師データについても同様であってよい。実測データを加工して得られる第１の教師データの例は、先に説明したような、実測データ上にＸ線高吸収体のデータを付加して得られたシミュレーションデータである。

ステップＳ４２において、先のステップＳ４１で準備された第１の教師データを用いた学習モデルの生成を行う。これにより、学習モデルは、顎顔面構成領域のデータが入力されると、Ｘ線高吸収体のセグメンテーションデータを出力するようになる。このように生成された学習モデルは、先に説明した学習モデル３６または学習モデル３６Ａ（より具体的には学習モデルＬＭ１）として用いられてよい。

ステップＳ４３において、第２の教師データ（図１０（ａ）～図１０（ｃ）等参照）を準備する。第２の教師データは、顎顔面構成領域のデータを一度学習モデルに入力することによって取得されたセグメンテーションデータを用いることにより準備されてよい。たとえば、先のステップＳ４２で生成された学習済みの学習モデルに顎顔面構成領域のデータを入力することによって取得されたセグメンテーションデータを用いて、Ｘ線高吸収体に起因するアーチファクトが除去または低減された教師データを、第２の教師データとして準備してよい。

ステップＳ４４において、先のステップＳ４３で準備された第２の教師データを用いた学習モデルの生成を行う。これにより、学習モデルは、顎顔面構成領域のデータが入力されると、歯領域のセグメンテーションデータを出力するようになる。このように生成された学習モデルは、先に説明した学習モデル３６または学習モデル３６Ａ（より具体的には学習モデルＬＭ２）として用いられてよい。

ステップＳ４５において、第３の教師データ（図１１（ａ）～図１１（ｃ）および図１２（ａ）～図１２（ｃ）等参照）を準備する。第３の教師データは、歯領域のセグメンテーションデータを用いることにより準備されてよい。歯領域のセグメンテーションデータは、先のステップＳ４４で生成された学習済みの学習モデルに顎顔面構成領域のデータを入力することによって取得されてよい。また、少なくとも歯領域からなる領域のデータを先のステップＳ４２で生成された学習済みの学習モデルに入力することによって取得されたセグメンテーションデータを用いて、Ｘ線高吸収体に起因するアーチファクトが除去または低減された教師データを、第３の教師データとして準備してもよい。

ステップＳ４６において、先のステップＳ４５で準備された第３の教師データを用いた学習モデルの生成を行う。これにより、学習モデルは、少なくとも、顎顔面構成領域中の少なくとも歯領域からなる領域のデータが入力されると、歯領域中の複数の生体的特徴領域の各領域のセグメンテーションデータを出力するようになる。このように生成された学習モデルは、先に説明した学習モデル３６または学習モデル３６Ａ（より具体的には学習モデルＬＭ３）として用いられてよい。

ステップＳ４７において、第４の教師データ（図１３（ａ）および図１３（ｂ）等参照）を準備する。第４の教師データは、歯領域のセグメンテーションデータを用いることにより準備されてよい。歯領域のセグメンテーションデータは、先のステップＳ４４で生成された学習済みの学習モデルに顎顔面構成領域のデータを入力することによって取得されてよい。また、顎顔面構成領域のデータを先のステップＳ４２で生成された学習済みの学習モデルに入力することによって取得されたセグメンテーションデータを用いて、Ｘ線高吸収体に起因するアーチファクトが除去または低減された教師データを、第４の教師データとして準備してよい。

ステップＳ４８において、先のステップＳ４７で準備された第４の教師データを用いた学習モデルの生成を行う。これにより、学習モデルは、少なくとも、顎顔面構成領域のデータが入力されると、皮質骨および歯槽骨のセグメンテーションデータを出力するようになる。このように生成された学習モデルは、先に説明した学習モデル３６または学習モデル３６Ａ（より具体的には学習モデルＬＭ４）として用いられてよい。

なお、上述のステップＳ４１～４８のすべての処理が実行される必要はない。たとえば、教師データに第１の教師データを含めない場合は、ステップＳ４１およびステップＳ４２の処理はスキップされてよい。教師データに第２の教師データを含めない場合は、ステップＳ４３およびステップＳ４４の処理はスキップされてよい。教師データに第３の教師データを含めない場合は、ステップＳ４５およびステップＳ４６の処理はスキップされてよい。教師データに第４の教師データを含めない場合は、ステップＳ４７およびステップＳ４８の処理はスキップされてよい。

以上説明した学習モデルの生成方法は、たとえば次のように特定される。すなわち、学習モデルの生成方法は、第１の教師データ（図８（ａ）～図８（ｅ）および図９（ａ）～図９（ｂ）等参照）を用いた学習モデルの生成（ステップＳ４２）、第２の教師データ（図１０（ａ）～図１０（ｃ）等参照）を用いた学習モデルの生成（ステップＳ４４）、第３の教師データ（図１１（ａ）～図１１（ｃ）および図１２（ａ）～図１２（ｃ）等参照）を用いた学習モデルの生成（ステップＳ４６）、および、第４の教師データ（図１３（ａ）および図１３（ｂ）等参照）を用いた学習モデルの生成（ステップＳ４８）、の少なくとも一つを行う。

上記の学習モデルの生成方法によれば、第１の教師データ（図８（ａ）～図８（ｅ）および図９（ａ）～図９（ｂ）等参照）、第２の教師データ（図１０（ａ）～図１０（ｃ）等参照）、第３の教師データ（図１１（ａ）～図１１（ｃ）および図１２（ａ）～図１２（ｃ）等参照）および第４の教師データ（図１３（ａ）および図１３（ｂ）等参照）の少なくとも一つを用いて生成された学習モデル３６または学習モデル３６Ａを得ることができる。

学習モデルの生成方法は、教師データが、第２の教師データ（図１０（ａ）～図１０（ｃ）等参照）、第３の教師データ（図１１（ａ）～図１１（ｃ）および図１２（ａ）～図１２（ｃ）等参照）および第４の教師データ（図１３（ａ）および図１３（ｂ）等参照）を含む場合に、顎顔面構成領域のデータを学習モデルに入力することによって取得されたセグメンテーションデータを用いて、第２の教師データ（図１０（ａ）～図１０（ｃ）等参照）を準備するステップ（ステップＳ４３）と、準備された第２の教師データ（図１０（ａ）～図１０（ｃ）等参照）を用いて、学習モデルの学習を行うステップ（ステップＳ４４）と、第２の教師データ（図１０（ａ）～図１０（ｃ）等参照）による学習済みの学習モデルに顎顔面構成領域のデータを入力することによって歯領域のセグメンテーションデータを取得するステップ（ステップＳ４５、Ｓ４７）と、を含み、さらに、次の（ａ）、（ｂ）および（ｃ）のいずれかを含んでもよい。
（ａ）歯領域のセグメンテーションデータを用いて、第３の教師データ（図１１（ａ）～図１１（ｃ）および図１２（ａ）～図１２（ｃ）等参照）を準備するステップ（ステップＳ４５）、および、準備された第３の教師データ（図１１（ａ）～図１１（ｃ）および図１２（ａ）～図１２（ｃ）等参照）を用いて、学習モデルの学習を行うステップ（ステップＳ４６）
（ｂ）歯領域のセグメンテーションデータを用いて、第４の教師データ（図１３（ａ）および図１３（ｂ）等参照）を準備するステップ（ステップＳ４７）、および、準備された第４の教師データ（図１３（ａ）および図１３（ｂ）等参照）を用いて、学習モデルの学習を行うステップ（ステップＳ４８）
（ｃ）歯領域のセグメンテーションデータを用いて、第３の教師データ（図１１（ａ）～図１１（ｃ）および図１２（ａ）～図１２（ｃ）等参照）を準備するステップ（ステップＳ４５）、準備された第３の教師データ（図１１（ａ）～図１１（ｃ）および図１２（ａ）～図１２（ｃ）等参照）を用いて、学習モデルの学習を行うステップ（ステップＳ４６）、第３の教師データ（図１１（ａ）～図１１（ｃ）および図１２（ａ）～図１２（ｃ）等参照）による学習済みの学習モデルに顎顔面構成領域のデータを入力することによって取得されたセグメンテーションデータを用いて、第４の教師データ（図１３（ａ）および図１３（ｂ）等参照）を準備するステップ（ステップＳ４７）、および、準備された第４の教師データ（図１３（ａ）および図１３（ｂ）等参照）を用いて、学習モデルの学習を行うステップ（ステップＳ４８）
このように、第２の教師データ（図１０（ａ）～図１０（ｃ）等参照）を用いた学習、第３の教師データ（図１１（ａ）～図１１（ｃ）および図１２（ａ）～図１２（ｃ）等参照）を用いた学習、および、第４の教師データ（図１３（ａ）および図１３（ｂ）等参照）を用いた学習をさまざまに組み合わせて行うことで、それらの学習を単独で行う場合よりも、セグメンテーション精度を向上できる可能性がさらに高まる。

学習モデルの生成方法は、第２の教師データ（図１０（ａ）～図１０（ｃ）等参照）を準備するステップ（ステップＳ４３）よりも前に、第１の教師データ（図８（ａ）～図８（ｅ）および図９（ａ）～図９（ｂ）等参照）を準備するステップ（ステップＳ４１）と、第２の教師データ（図１０（ａ）～図１０（ｃ）等参照）を準備するステップ（ステップＳ４３）よりも前に、準備された第１の教師データ（図８（ａ）～図８（ｅ）および図９（ａ）～図９（ｂ）等参照）を用いて学習モデルの学習を行うステップ（ステップＳ４２）と、を含んでもよい。第２の教師データ（図１０（ａ）～図１０（ｃ）等参照）を準備するステップ（ステップＳ４３）、第３の教師データ（図１１（ａ）～図１１（ｃ）および図１２（ａ）～図１２（ｃ）等参照）を準備するステップ（ステップＳ４５）および第４の教師データ（図１３（ａ）および図１３（ｂ）等参照）を準備するステップ（ステップＳ４７）は、少なくとも歯領域からなる領域のデータを学習モデルに入力することによって取得されたセグメンテーションデータを用いて、Ｘ線高吸収体に起因するアーチファクトが除去または低減された教師データを準備してよい。この場合、学習モデルは、アーチファクトが除去または低減されたデータから、特徴領域をセグメンテーションすることができる。このような学習モデルをアーチファクトが除去または低減されたデータに対して用いることにより、アーチファクトの影響が抑制される分、セグメンテーション精度を向上できる可能性がさらに高まる。

複数の教師データを用いて学習モデルを生成する場合、各教師データによる学習に対して重みづけがなされてもよい。図１９は、そのような学習モデルの生成方法の例を示すフローチャートである。

ステップＳ５１において、複数の教師データを準備する。複数の教師データの例は、これまで説明した第１の教師データ（図８（ａ）～図８（ｅ）および図９（ａ）～図９（ｂ）等参照）、第２の教師データ（図１０（ａ）～図１０（ｃ）等参照）、第３の教師データ（図１１（ａ）～図１１（ｃ）および図１２（ａ）～図１２（ｃ）等参照）、および、第４の教師データ（図１３（ａ）および図１３（ｂ）等参照）のうち、少なくとも２つの教師データである。

ステップＳ５２において、先のステップＳ５２で複数の教師データをそれぞれ重みづけして用いて、学習モデルの学習を行う。学習においては、たとえば、Ｘ線高吸収体のセグメンテーションが重視される場合には、第１の学習モデルの出力と第１の教師データとの間の相違に基づく損失が他の学習モデルの出力と教師データとの間の相違に基づく損失よりも大きくなるように重みづけがなされ、前者の相違が小さくなるように学習がなされる。

他の場合も同様で、一つのセグメンテーションが重視される場合、対応する一つの学習モデルの出力と前記一つの学習モデルに対応する一つの教師データとの間の相違に基づく損失が他の学習モデルの出力と対応する教師データとの間の相違に基づく損失よりも大きくなるように重みづけがなされ、前者の相違が小さくなるように学習がなされる。

上述の学習モデルの生成方法は、第１の教師データ、第２の教師データ、第３の教師データおよび第４の教師データを準備するステップ（ステップＳ５１）と、準備された第１の教師データ、第２の教師データ、第３の教師データおよび第４の教師データをそれぞれ重みづけして用いて、学習モデルの学習を行うステップ（ステップＳ５２）と、を含む。重みづけにより、重視するセグメンテーション領域に特に適した学習モデルを生成することができる。たとえば、第１の学習モデルの出力と第１の教師データとの間の相違に基づく損失が他の学習モデルの出力と教師データとの間の相違に基づく損失よりも大きくなるよう重みづけがなされ、前者の相違が小さくなるように学習がなされるようにすることで、特にＸ線高吸収体のセグメンテーション精度が向上された学習モデルを生成することができる。第２の学習モデルの出力と第２の教師データとの間の相違に基づく損失が他の学習モデルの出力と教師データとの間の相違に基づく損失よりも大きくなるよう重みづけがなされ、前者の相違が小さくなるように学習がなされるようにすることで、特に歯領域のセグメンテーション精度が向上された学習モデルを生成することができる。第３の学習モデルの出力と第３の教師データとの間の相違に基づく損失が他の学習モデルの出力と教師データとの間の相違に基づく損失よりも大きくなるように重みづけがなされ、前者の相違が小さくなるように学習がなされるようにすることで、特に歯領域中の、複数の生体的特徴領域の各領域、より具体的には、歯領域中のエナメル質、象牙質および歯髄の各領域のセグメンテーション精度が向上された学習モデルを生成することができる。第４の学習モデルの出力と第４の教師データとの間の相違に基づく損失が他の学習モデルの出力と教師データとの間の相違に基づく損失よりも大きくなるように重みづけがなされ、前者の相違が小さくなるように学習がなされるようにすることで、特に皮質骨および歯槽骨のセグメンテーション精度が向上された学習モデルを生成することができる。

以上説明した重みづけの処理は、先に図１８を参照して説明した学習モデルの生成方法における学習に組み入れられてもよい。

学習モデルの生成は、たとえば学習装置を用いて行うことができる。学習装置は、プロセッサ（ＣＰＵ等）、メモリ（ＲＯＭ、ＲＡＭ等）等を備えるコンピュータ装置であってよい。図２０に示される例では、学習装置４は、その機能ブロックとして、入力部４２と、学習部４４と、学習モデル４６と、出力部４８と、を含む。学習部４４は、入力部４２に入力された教師データを用いて、学習モデル４６の学習を行う。学習モデル４６は、出力部４８から出力される。

たとえば、先に説明した図１８のステップＳ４２では、第１の教師データ（図８（ａ）～図８（ｅ）および図９（ａ）～図９（ｂ）等参照）が、入力部４２に入力される。学習部４４は、入力部４２に入力された第1の教師データ（図８（ａ）～図８（ｅ）および図９（ａ）～図９（ｂ）等参照）を用いて学習モデル４６の学習を行う。学習モデル４６は、出力部４８から出力される（取り出される）。出力された学習モデル４６は、学習モデル３６または３６Ａ（より具体的には学習モデルＬＭ１）としてセグメンテーション装置３に実装されてよい。ステップＳ４３では、出力部４８から出力された（取り出された）上述の学習後の学習モデル４６を用いて、第２の教師データ（図１０（ａ）～図１０（ｃ）等参照）が準備されてよい。

先に説明した図１８のステップＳ４４では、第２の教師データ（図１０（ａ）～図１０（ｃ）等参照）が、入力部４２に入力される。学習部４４は、入力部４２に入力された第２の教師データ（図１０（ａ）～図１０（ｃ）等参照）を用いて学習モデル４６の学習を行う。学習モデル４６は、出力部４８から出力される。出力された学習モデル４６は、学習モデル３６または学習モデル３６Ａ（より具体的には学習モデルＬＭ２）としてセグメンテーション装置３に実装されてよい。ステップＳ４５では、出力部４８から出力された上述の学習後の学習モデル４６を用いて、第３の教師データ（図１１（ａ）～図１１（ｃ）および図１２（ａ）～図１２（ｃ）等参照）が準備されてよい。

先に説明した図１８のステップＳ４６では、第３の教師データ（図１１（ａ）～図１１（ｃ）および図１２（ａ）～図１２（ｃ）等参照）が、入力部４２に入力される。学習部４４は、入力部４２に入力された第３の教師データ（図１１（ａ）～図１１（ｃ）および図１２（ａ）～図１２（ｃ）等参照）を用いて学習モデル４６の学習を行う。学習モデル４６は、出力部４８から出力される。出力された学習モデル４６は、学習モデル３６または３６Ａ（より具体的には学習モデルＬＭ３）としてセグメンテーション装置３に実装されてよい。ステップＳ４７では、出力部４８から出力された上述の学習後の学習モデル４６を用いて、第４の教師データ（図１３（ａ）および図１３（ｂ）等参照）が準備されてよい。

先に説明した図１８のステップＳ４８では、第４の教師データ（図１３（ａ）および図１３（ｂ）等参照）が、入力部４２に入力される。学習部４４は、入力部４２に入力された第４の教師データ（図１３（ａ）および図１３（ｂ）等参照）を用いて学習モデル４６の学習を行う。学習モデル４６は、出力部４８から出力される。出力された学習モデル４６は、学習モデル３６または学習モデル３６Ａ（より具体的にはＬＭ４）としてセグメンテーション装置３に実装されてよい。

以上、本開示のいくつかの実施形態を説明したが、本開示は上記実施形態に限定されない。たとえば、学習モデルを用いた処理のいくつかは、アルゴリズムを用いた処理に置き換えられてよい。ここでのアルゴリズムは、学習モデルを用いないアルゴリズムを意味する。アルゴリズムには、用途に応じた種々の公知のアルゴリズムが用いられてよい。一方で、アルゴリズムを用いた処理のいくつかは、学習モデルを用いた処理に置き換えられてよい。さまざまなバリエーションを含む全体像の例を、図２１および図２２を参照して説明する。なお、図２１および図２２では、これまで説明したような機械学習を用いて生成された学習モデル、さらには、その学習モデルの生成に行われる学習を、「機械学習」と称し図示している。すなわち、図２１および図２２中の「機械学習」は、学習モデル自体および学習行為のいずれをも含み得る概念で用いられる。

図２１に示される推論フローの例において、フローＦ１は、プロジェクションデータの取得を示す。たとえば、先に説明した撮影装置２によって取得されたプロジェクションデータが、セグメンテーション装置３の入力部３２に入力される。

フローＦ２は、フローＦ１で取得されたプロジェクションデータに基づく再構成画像を示す。再構成画像は、再構成データの任意の箇所（断層面等）を指定することによって得られる。再構成データは、先に説明したように、プロジェクションデータを利用して作られる。再構成画像の例は、図２（ａ）、図３（ａ）、図４（ａ）および図５（ａ）に示されるような画像である。

フローＦ３は、フローＦ１で取得されたプロジェクションデータを用いる機械学習またはアルゴリズムを示す。フローＦ３において、さらにフローＦ２で得られた再構成画像を利用して機械学習を行ってもよい。たとえば、フローＦ１で得られたプロジェクションデータでは金属部分の判定が困難であり、フローＦ２で得た再構成画像では金属部分を判明しやすい場合がある。この場合、再構成画像から得られる金属部分の位置情報をプロジェクションデータの中の金属部分特定に利用することができる。また、フローＦ３において、フローＦ２で行った再構成画像のアーチファクト発生の程度に基づいて、金属部分セグメンテーションの要否の判断をして後述のフローＦ５に送るようにしてもよい。この機械学習またはアルゴリズムは、金属部分の抽出やアノテーションを行うように構成されている。機械学習には、たとえば、少なくとも先に説明した第１の教師データ（図８（ａ）～図８（ｅ）および図９（ａ）～図９（ｂ）等参照）が用いられる。上記アルゴリズムとしては、種々の公知のアルゴリズムが用いられてよい。

フローＦ４は、フローＦ３の機械学習またはアルゴリズムを用いた金属部分のセグメンテーションを示す。フローＦ１で取得されたプロジェクションデータを対象にして、フローＦ２の機械学習またはアルゴリズムを利用して金属部分のセグメンテーションを実行する。金属部分のセグメンテーションにより、たとえば、図８（ｂ）および図９（ｂ）に示されるような画像が得られる。

フローＦ５は、フローＦ４の金属部分セグメンテーションを用いた機械学習またはアルゴリズムを示す。この機械学習またはアルゴリズムは、アーチファクトを除去・低減するように構成されている。この場合の機械学習には、フローＦ１で得られたプロジェクションデータに対して、フローＦ４の金属部分セグメンテーションを利用した画像処理を行うことで、アーチファクトを除去または低減した再構成画像を生成するように、金属部分と、金属以外の部分と、施すべき画像処理と、を対応づけた教師データが用いられてよい。画像処理の具体的としては、金属部分がアーチファクト発生の原因とならないように、金属以外の部分を参照して適宜の濃度に置き換える処理が挙げられる。上記アルゴリズムとしては、種々の公知のアルゴリズムが用いられてよい。

フローＦ６は、アーチファクトが除去・低減された再構成画像の取得を示す。フローＦ２の再構成画像において、アーチファクトが無いあるいは十分に小さい場合には、フローＦ２の再構成画像そのものが、フローＦ６で取得される再構成画像であってよい。そうでない場合、フローＦ２の再構成画像と、フローＦ５の機械学習またはアルゴリズムと、を用いることにより、アーチファクトが除去・低減された再構成画像が取得される。

フローＦ７は、フローＦ６で取得されたアーチファクト除去・低減された再構成画像を用いる機械学習を示す。この機械学習は、歯のセグメンテーションを行うように構成されている。機械学習には、たとえば、少なくとも先に説明した第２の教師データ（図１０（ａ）～図１０（ｃ）等参照）が用いられてよい。

フローＦ８は、フローＦ７の機械学習を用いた歯のセグメンテーションを示す。歯のセグメンテーションにより、たとえば、図１０（ｂ）に示されるような画像が得られる。

フローＦ９は、フローＦ８の歯のセグメンテーションを用いた機械学習またはアルゴリズムを示す。この機械学習またはアルゴリズムは、フローＦ６のアーチファクトが除去・低減された再構成画像と、フローＦ８の歯のセグメンテーション結果とに基づいて歯のみの画像を生成するように構成されている。たとえば、フローＦ６の再構成画像から、フローＦ８の歯のセグメンテーション結果に示される歯の部分を抽出することによって、歯のみの画像を得る。

フローＦ１０は、フローＦ９の機械学習またはアルゴリズムを用いた歯のみの画像の取得を示す。

フローＦ１１は、フローＦ６のアーチファクト除去・低減再構成データ、または、フローＦ１０の歯のみの画像を用いる機械学習またはアルゴリズムを示す。この機械学習またはアルゴリズムは、エナメル質・象牙質・歯髄のセグメンテーションを行うように構成されている。機械学習には、たとえば、少なくとも先に説明した第３の教師データ（図１１（ａ）～図１１（ｃ）および図１２（ａ）～図１２（ｃ）等参照）が用いられてよい。アルゴリズムには、種々の公知のアルゴリズムが用いられてよい。セグメンテーション対象にセメント質が含まれてもよいことは、上述した通りであるため、詳述は略する。

フローＦ１２は、フローＦ１１の機械学習またはアルゴリズムを用いたエナメル質・象牙質・歯髄のセグメンテーションを示す。エナメル質・象牙質・歯髄のセグメンテーションにより、たとえば、図１１（ｂ）および図１２（ｂ）に示されるような画像が得られる。セグメンテーション対象にセメント質が含まれてもよいことは、上述した通りであるため、詳述は略する。

フローＦ１３は、フローＦ６のアーチファクト除去・低減再構成画像、または、フローＦ１０の歯のみの画像を用いる機械学習またはアルゴリズムである。この機械学習またはアルゴリズムは、皮質骨・歯槽骨のセグメンテーションを行うように構成されている。機械学習には、たとえば、少なくとも先に説明した第４の教師データ（図１３（ａ）および図１３（ｂ）等参照）が用いられてよい。アルゴリズムには、種々の公知のアルゴリズムが用いられてよい。

フローＦ１４は、フローＦ１３の機械学習またはアルゴリズムを用いた皮質骨・歯槽骨のセグメンテーションを示す。皮質骨・歯槽骨のセグメンテーションにより、たとえば、図１３（ｂ）に示されるような画像が得られる。

図２２に示される推論フローの別の例について説明する。フローＦ２１は、先に説明したフローＦ１（図２１参照）と同じである。すなわち、フローＦ２１はプロジェクションデータの取得を示す。

フローＦ２２は、先に説明したフローＦ３（図２１参照）と同じである。すなわち、フローＦ２２は、フローＦ２１で取得されたプロジェクションデータに基づく再構成画像を示す。

フローＦ２３は、フローＦ２１で取得されたプロジェクションデータ、または、フローＦ２２の再構成画像を用いる機械学習を示す。この機械学習は、歯のセグメンテーションおよび金属のセグメンテーションを行うように構成されている。機械学習には、たとえば、少なくとも先に説明した第1の教師データ（図８（ａ）～図８（ｅ）および図９（ａ）～図９（ｂ）等参照）および第２の教師データ（図１０（ａ）～図１０（ｃ）等参照）が用いられてよい。フローＦ１のプロジェクションデータのうちのどのプロジェクションデータを用いるか（インプット候補とするか）は、適宜定められてよい。

フローＦ２４は、フローＦ２３の機械学習またはアルゴリズムを用いた金属部分のセグメンテーションを示す。金属部分のセグメンテーションにより、たとえば、図８（ｂ）および図９（ｂ）に示されるような画像が得られる。

フローＦ２５は、フローＦ２３の機械学習を用いた歯のセグメンテーションを示す。歯のセグメンテーションにより、たとえば図１０（ｂ）に示されるような画像が得られる。

フローＦ２６は、フローＦ２４、Ｆ２５の結果を用いた機械学習またはアルゴリズムを示す。この機械学習またはアルゴリズムは、フローＦ２１のプロジェクションデータの画像再構成処理において、フローＦ２４における金属部分のセグメンテーションデータを用いたアーチファクトの除去・低減と、フローＦ２５の歯のセグメンテーションデータを用いた歯のみの画像の生成と、を行うように構成されている。

フローＦ２７は、フローＦ２６の機械学習またはアルゴリズムを用いた歯のみの画像の取得を示す。

フローＦ２８は、先に説明したフローＦ１１（図２１参照）と同じである。すなわち、フローＦ２８は、フローＦ１０の歯のみの画像を用いる機械学習またはアルゴリズムと同等の機械学習またはアルゴリズムを示す。

フローＦ２９は、先に説明したフローＦ１２（図２１参照）と同じである。すなわち、フローＦ２９は、フローＦ２８の機械学習またはアルゴリズムを用いたエナメル質・象牙質・歯髄のセグメンテーションを示す。

フローＦ３０は、フローＦ２１のプロジェクションデータの画像再構成処理において、フローＦ２４の金属部分のセグメンテーションデータを用いたアーチファクトの除去・低減とフローＦ２５の歯のセグメンテーションデータまたは、フローＦ２７の歯のみの画像を利用する機械学習またはアルゴリズムである。この機械学習またはアルゴリズムは、皮質骨・歯槽骨のセグメンテーションを行うように構成されている。機械学習には、たとえば、少なくとも先に説明した第４の教師データ（図１３（ａ）および図１３（ｂ）等参照）が用いられてよい。上記アルゴリズムとしては、種々の公知のアルゴリズムが用いられてよい。

フローＦ３１は、フローＦ３０の機械学習またはアルゴリズムを用いた皮質骨・歯槽骨のセグメンテーションを示す。皮質骨・歯槽骨のセグメンテーションにより、たとえば、図１３（ｂ）に示されるような画像が得られる。

セグメンテーション装置３に関するさらなる実施形態を説明する。先に図６等を参照して説明した実行部３４が、学習モデル３６または学習モデル３６Ａ（図７（ａ）および図７（ｂ）参照）を用いて歯の構成（エナメル質、象牙質、歯髄）のセグメンテーションおよび顎骨の歯槽骨（皮質骨、海綿骨）のセグメンテーションを行う場合、実行部３４は、歯槽骨の吸収度を測定してもよい。歯槽骨の吸収度の測定結果は、たとえば歯周病診断支援に供される。

歯槽骨の吸収度の測定手法について、図２３を参照して説明する。図２３は歯およびその周囲の断面（歯列弓の湾曲に交差する方向からみた断面）を模式的に示す図である。エナメル質を、エナメル質５１と称し図示する。象牙質を、象牙質５２と称し図示する。歯髄を、歯髄５３と称し図示する。セメント質を、セメント質５４と称し図示する。皮質骨を、皮質骨５５と称し図示する。海綿骨を、海綿骨５６と称し図示する。海綿骨５６は歯槽骨を構成する。エナメル質５１と象牙質５２との境界を、境界６１と称し図示する。歯槽骨の根尖（歯根先端）を、根尖６２と称し図示する。歯槽骨頂を、歯槽骨頂６３と称し図示する。これらの要素の位置情報は、上述のセグメンテーションによって取得される。なお、図２３には、歯根膜領域５７および歯肉領域５８も示される。

各要素の位置情報に基づいて、実行部３４は、各要素間の距離を求める。具体的には、実行部３４は、境界６１と根尖６２との間の距離Ｄ１（第１の距離）、および、境界６１と歯槽骨頂６３との間の距離Ｄ２（第２の距離）を求める。そして、実行部３４は、距離Ｄ１に対する距離Ｄ２の割合に基づいて、歯槽骨の吸収度を算出する。この例では、距離Ｄ１および距離Ｄ２は鉛直方向における長さである。実行部３４は、距離Ｄ２を距離Ｄ１で除算した値を割合Ｒとして算出する。すなわち、Ｒ＝Ｄ２／Ｄ１として求められる。算出された割合Ｒが大きいほど、歯槽骨の吸収（骨組織が無くなる状態）が進んでいることを意味している。このようにして、歯槽骨の吸収度が測定される。測定された歯槽骨の吸収度あるいはこれに関する種々の情報を、出力部３８が提示してよい。

たとえば、図２３に示されるような画像にヒートマップを組み合わせた画像が、出力部３８によって提示されてよい。図２４（ａ）に示される例では、Ｒ＝Ｄ２ａ／Ｄ１ａであり、歯槽骨の吸収の進んでいる箇所Ｈａがヒートマップ的に示される。図２４（ｂ）に示される例では、Ｒ＝Ｄ２ｂ／Ｄ１ｂであり、歯槽骨の吸収の進んでいる箇所Ｈｂがヒートマップ的に示される。図２４（ｂ）の箇所Ｈｂの方が、図２４（ａ）の箇所Ｈａよりも歯槽骨の吸収度が進んでいる（Ｒが大きい）。この場合、箇所Ｈｂを示すヒートマップは、箇所Ｈａのヒートマップよりも強調表示（たとえばより濃い赤色で表示）されてよい。このようにして、歯槽骨の吸収の進み具合（危険度）を警告することもできる。

なお、上述のような歯槽骨の吸収度の測定を行う場合は、境界６１と根尖６２との距離Ｄ１、および境界６１と歯槽骨頂６３との距離Ｄ２が解る断面を見つける必要がある。このような断面は、たとえば、歯列弓の湾曲に交差する方向からの断面を見るとともに、近遠心方向に断面をずらして観察することで見つけることができる。断面を見つけるための学習を、学習モデル３６または学習モデル３６Ａに対して行ってもよい。この場合の機械学習には、ＣＴ撮影やＭＲＩ撮影で取得した３次元のボリュームデータと、断面（スライス）位置とを対応づけた教師データが用いられてよい。

上記の歯槽骨の吸収度の測定をすべての歯について行えば、すべての歯の歯槽骨の吸収度の測定が正確かつ自動的に行われる。これにより、軽度歯周炎から重度歯周炎までを、吸収度やヒートマップなどで容易に診断支援することが可能になる。また、教師データとしてこれら歯周病のデータを用いてトレーニングしたニューラルネットワーク（たとえば学習モデル３６または学習モデル３６Ａの学習を行って得られた学習モデル）を用いて、診断支援してもよい。

すなわち、上述したセグメンテーション装置３では、実行部３４は、入力部３２に入力された顎顔面構成領域のデータと、学習モデル３６または学習モデル３６Ａとを用いて、エナメル質５１、象牙質５２および歯槽骨（海綿骨５６）のセグメンテーションデータを取得し、取得したセグメンテーションデータに基づいて歯槽骨の吸収度を算出する。これにより、歯槽骨の吸収度の測定が可能になる。

実行部３４は、取得したエナメル質５１、象牙質５２および歯槽骨（海綿骨５６）のセグメンテーションデータに示されるエナメル質５１と象牙質５２との境界６１から歯槽骨の根尖６２までの距離Ｄ１に対する、境界６１から歯槽骨頂６３までの距離Ｄ２の割合Ｒに基づいて、歯槽骨の吸収度を算出してよい。このようにして歯槽骨の吸収度を算出することができる。

１…セグメンテーションシステム、２…撮影装置、３…セグメンテーション装置、４…学習装置、３２…入力部、３４…実行部、３６、３６Ａ、ＬＭ１、ＬＭ２、ＬＭ３、ＬＭ４、４６…学習モデル、３８…出力部、４２…入力部、４４…学習部、５１…エナメル質、５２…象牙質、５３…歯髄、５４…セメント質、５５…皮質骨、５６…海綿骨、５７…歯根膜領域、５８…歯肉領域、６１…境界、６２…根尖、６３…歯槽骨頂、３６１…学習モデル入力部、Ｕ２、Ｕ３…ユーザ。

Claims (20)

1. 顎顔面領域の少なくとも一部である顎顔面構成領域のデータが入力される入力部と、
   前記入力部に入力された顎顔面構成領域のデータと、予め生成された学習モデルと、を用いて、前記顎顔面構成領域に含まれる生体的特徴領域および人工的特徴領域の少なくとも一方である特徴領域のセグメンテーションを行う実行部と、
   前記実行部の実行結果を出力する出力部と、
   を備え、
   前記学習モデルは、Ｘ線ＣＴ撮影またはＭＲＩ撮影によって取得されるプロジェクションデータおよび再構成データの少なくとも一方のデータ、または当該データに由来するデータが入力されると、前記特徴領域のセグメンテーションデータを出力するように、教師データを用いて生成されたモデルであり、
   前記教師データが、
   前記顎顔面構成領域のデータと、Ｘ線高吸収体のセグメンテーションデータと、を対応づけた第１の教師データ、
   前記顎顔面構成領域のデータと、歯領域のセグメンテーションデータと、を対応づけた第２の教師データ、
   前記顎顔面構成領域中の少なくとも歯領域からなる領域のデータと、前記歯領域中の複数の前記生体的特徴領域の各領域のセグメンテーションデータと、を対応づけた第３の教師データ、および、
   前記顎顔面構成領域のデータと、歯を支持する生体的特徴領域のセグメンテーションデータと、を対応づけた第４の教師データ、
   の少なくとも２つの教師データを含み、
   前記学習モデルは、前記少なくとも２つの教師データをそれぞれ重みづけして用いた学習によって生成されたモデルである、
   セグメンテーション装置。
2. 前記学習モデルが、
   前記顎顔面構成領域のデータが入力されると、Ｘ線高吸収体のセグメンテーションデータを出力するように前記第１の教師データを用いて生成された第１の学習モデル、
   前記顎顔面構成領域のデータが入力されると、歯領域のセグメンテーションデータを出力するように前記第２の教師データを用いて生成された第２の学習モデル、
   前記顎顔面構成領域中の少なくとも歯領域からなる領域のデータが入力されると、前記歯領域中の複数の前記生体的特徴領域の各領域のセグメンテーションデータを出力するように前記第３の教師データを用いて生成された第３の学習モデル、および、
   前記顎顔面構成領域のデータが入力されると、前記歯を支持する生体的特徴領域のセグメンテーションデータを出力するように前記第４の教師データを用いて生成された第４の学習モデル、
   の少なくとも２つを含む、
   請求項１に記載のセグメンテーション装置。
3. 前記学習モデルが、前記第１の学習モデルおよび第２の学習モデルを含み、
   前記実行部が、
   前記顎顔面構成領域のデータを前記第１の学習モデルに入力することにより、前記Ｘ線高吸収体のセグメンテーションデータを取得し、
   前記取得されたセグメンテーションデータを用いて、Ｘ線高吸収体に起因するアーチファクトが除去または低減されたアーチファクトリダクションデータを生成し、
   前記生成されたアーチファクトリダクションデータを前記第２の学習モデルに入力することにより歯領域のセグメンテーションを行う、
   請求項２に記載のセグメンテーション装置。
4. 前記学習モデルが、前記第２の学習モデルおよび第３の学習モデルを含み、
   前記実行部が、
   前記顎顔面構成領域のデータを前記第２の学習モデルに入力することにより、歯領域のセグメンテーションデータを取得し、
   前記取得されたセグメンテーションデータを用いて歯領域のデータを生成し、
   前記生成された前記歯領域のデータを前記第３の学習モデルに入力することにより、エナメル質、象牙質および歯髄のセグメンテーションデータを取得して前記特徴領域のセグメンテーションを行う、
   請求項２に記載のセグメンテーション装置。
5. 前記学習モデルが、前記第２の学習モデルおよび第４の学習モデルを含み、
   前記実行部が、
   前記顎顔面構成領域のデータを前記第２の学習モデルに入力することにより、歯領域のセグメンテーションデータを取得し、
   前記取得されたセグメンテーションデータを用いて前記顎顔面構成領域中の前記歯領域と前記歯領域ではない領域とを区分する区分処理を行い、
   前記区分処理が実行された前記顎顔面構成領域のデータを前記第４の学習モデルに入力することにより、前記歯領域ではない領域中の前記歯を支持する生体的特徴領域のセグメンテーションデータを取得して前記特徴領域のセグメンテーションを行う、
   請求項２に記載のセグメンテーション装置。
6. 前記入力部に入力される前記顎顔面構成領域のデータが、歯領域のデータ、または、歯領域およびその周囲領域を含む領域のデータである、
   請求項１～５のいずれか１項に記載のセグメンテーション装置。
7. 前記学習モデルが出力するセグメンテーションデータが、歯、エナメル質、象牙質、歯髄、歯髄腔、セメント質、皮質骨、海面骨、神経管、血管、顎骨およびＸ線高吸収体の少なくとも一つのセグメンテーションデータである、
   請求項１～６のいずれか１項に記載のセグメンテーション装置。
8. 前記教師データは、前記第１の教師データを含む、
   請求項１～７のいずれか１項に記載のセグメンテーション装置。
9. 前記教師データは、前記第２の教師データを含む、
   請求項１～８のいずれか１項に記載のセグメンテーション装置。
10. 前記教師データは、前記第３の教師データを含む、
    請求項１～９のいずれか１項に記載のセグメンテーション装置。
11. 前記第３の教師データは、前記少なくとも歯領域からなる領域のデータと、前記歯領域中のエナメル質、象牙質および歯髄の各領域のセグメンテーションデータと、を対応づけた教師データである、
    請求項１０に記載のセグメンテーション装置。
12. 前記教師データは、前記第４の教師データを含む、
    請求項１～１１のいずれか１項に記載のセグメンテーション装置。
13. 前記学習モデルは、前記顎顔面構成領域のデータが入力されると、Ｘ線高吸収体のセグメンテーションデータを出力するように前記教師データを用いて生成されたモデルを含む、
    請求項８に記載のセグメンテーション装置。
14. 前記学習モデルは、前記顎顔面構成領域のデータが入力されると、前記顎顔面構成領域中の歯領域のセグメンテーションデータを出力するように前記教師データを用いて生成されたモデルである、
    請求項９に記載のセグメンテーション装置。
15. 前記学習モデルは、顎顔面構成領域中の少なくとも歯領域からなる領域のデータが入力されると、前記歯領域中の複数の前記生体的特徴領域の各領域のセグメンテーションデータを出力するように前記教師データを用いて生成されたモデルである、
    請求項１０に記載のセグメンテーション装置。
16. 前記学習モデルは、前記顎顔面構成領域のデータが入力されると、前記歯を支持する生体的特徴領域のセグメンテーションデータを出力するように前記教師データを用いて生成されたモデルである、
    請求項１２に記載のセグメンテーション装置。
17. 前記実行部は、前記入力部に入力された前記顎顔面構成領域のデータと、前記学習モデルと、を用いて、エナメル質、セメント質、象牙質および歯槽骨のセグメンテーションデータを取得し、前記取得されたセグメンテーションデータに基づいて歯槽骨の吸収度を算出する、
    請求項１～１６のいずれか１項に記載のセグメンテーション装置。
18. 前記実行部は、前記取得されたエナメル質、セメント質、象牙質および歯槽骨のセグメンテーションデータに示されるエナメル質と象牙質との境界から歯槽骨の根尖までの第１の距離に対する、前記境界から歯槽骨頂までの第２の距離の割合に基づいて、歯槽骨の吸収度を算出する、
    請求項１７に記載のセグメンテーション装置。
19. セグメンテーション装置の学習モデルの生成方法であって、
    前記セグメンテーション装置は、
    顎顔面領域の少なくとも一部である顎顔面構成領域のデータが入力される入力部と、
    前記入力部に入力された顎顔面構成領域のデータと、予め生成された学習モデルと、を用いて、前記顎顔面構成領域に含まれる生体的特徴領域および人工的特徴領域の少なくとも一方である特徴領域のセグメンテーションを行う実行部と、
    前記実行部の実行結果を出力する出力部と、
    を備え、
    前記学習モデルは、Ｘ線ＣＴ撮影またはＭＲＩ撮影によって取得されるプロジェクションデータおよび再構成データの少なくとも一方のデータ、または当該データに由来するデータが入力されると、前記特徴領域のセグメンテーションデータを出力するように、教師データを用いて生成されたモデルであり、
    前記教師データが、
    前記顎顔面構成領域のデータと、Ｘ線高吸収体のセグメンテーションデータと、を対応づけた第１の教師データ、
    前記顎顔面構成領域のデータと、歯領域のセグメンテーションデータと、を対応づけた第２の教師データ、
    前記顎顔面構成領域中の少なくとも歯領域からなる領域のデータと、前記歯領域中の複数の前記生体的特徴領域の各領域のセグメンテーションデータと、を対応づけた第３の教師データ、および、
    前記顎顔面構成領域のデータと、歯を支持する生体的特徴領域のセグメンテーションデータと、を対応づけた第４の教師データ、
    の少なくとも一つを含み、
    前記学習モデルが、
    前記顎顔面構成領域のデータが入力されると、Ｘ線高吸収体のセグメンテーションデータを出力するように前記第１の教師データを用いて生成された第１の学習モデル、
    前記顎顔面構成領域のデータが入力されると、歯領域のセグメンテーションデータを出力するように前記第２の教師データを用いて生成された第２の学習モデル、
    前記顎顔面構成領域中の少なくとも歯領域からなる領域のデータが入力されると、前記歯領域中の複数の前記生体的特徴領域の各領域のセグメンテーションデータを出力するように前記第３の教師データを用いて生成された第３の学習モデル、および、
    前記顎顔面構成領域のデータが入力されると、前記歯を支持する生体的特徴領域のセグメンテーションデータを出力するように前記第４の教師データを用いて生成された第４の学習モデル、
    の少なくとも一つを含み、
    前記生成方法は、
    前記第２の教師データを準備するステップよりも前に、前記第１の教師データを準備するステップと、
    前記第２の教師データを準備するステップよりも前に、前記準備された前記第１の教師データを用いて前記学習モデルの学習を行うステップと、
    を含み、
    前記第２の教師データを準備するステップ、前記第３の教師データを準備するステップおよび前記第４の教師データを準備するステップは、少なくとも歯領域からなる領域のデータを前記学習モデルに入力することによって取得されたセグメンテーションデータを用いて、Ｘ線高吸収体に起因するアーチファクトが除去または低減された教師データを準備する、
    学習モデルの生成方法。
20. セグメンテーション装置の学習モデルの生成方法であって、
    前記セグメンテーション装置は、
    顎顔面領域の少なくとも一部である顎顔面構成領域のデータが入力される入力部と、
    前記入力部に入力された顎顔面構成領域のデータと、予め生成された学習モデルと、を用いて、前記顎顔面構成領域に含まれる生体的特徴領域および人工的特徴領域の少なくとも一方である特徴領域のセグメンテーションを行う実行部と、
    前記実行部の実行結果を出力する出力部と、
    を備え、
    前記学習モデルは、Ｘ線ＣＴ撮影またはＭＲＩ撮影によって取得されるプロジェクションデータおよび再構成データの少なくとも一方のデータ、または当該データに由来するデータが入力されると、前記特徴領域のセグメンテーションデータを出力するように、教師データを用いて生成されたモデルであり、
    前記教師データが、
    前記顎顔面構成領域のデータと、Ｘ線高吸収体のセグメンテーションデータと、を対応づけた第１の教師データ、
    前記顎顔面構成領域のデータと、歯領域のセグメンテーションデータと、を対応づけた第２の教師データ、
    前記顎顔面構成領域中の少なくとも歯領域からなる領域のデータと、前記歯領域中の複数の前記生体的特徴領域の各領域のセグメンテーションデータと、を対応づけた第３の教師データ、および、
    前記顎顔面構成領域のデータと、歯を支持する生体的特徴領域のセグメンテーションデータと、を対応づけた第４の教師データ、
    の少なくとも一つを含み、
    前記生成方法は、
    前記第１の教師データ、前記第２の教師データ、前記第３の教師データおよび前記第４の教師データを準備するステップと、
    前記準備された前記第１の教師データ、前記第２の教師データ、前記第３の教師データおよび前記第４の教師データをそれぞれ重みづけして用いて、前記学習モデルの学習を行うステップと、
    を含む、
    学習モデルの生成方法。

Images