JP7173338B2 - 骨部画像解析方法および学習方法 - Google Patents

Description

この発明は、骨部画像解析方法および学習方法に関し、特に、被験者の所定の骨部領域の解析を行うための骨部画像解析方法および学習方法に関する。

従来、被験者の所定の骨部領域の解析を行うための骨部画像解析方法および学習方法が知られている。このような骨部画像解析方法は、たとえば、特許第２６３８８７５号公報に開示されている。

特許第２６３８８７５号公報には、放射線を発生する手段と、この放射線が照射される１枚の結晶格子と、を備える骨塩定量分析装置が開示されている。また、骨塩定量分析装置には、上記結晶格子において反射された放射線のうち所定の２つの反射角度の放射線のみをコリメート（互いの放射線が並進するように調整）することにより、２つの異なるエネルギの放射線を被験者に対して同時に照射する手段を備える。骨塩定量分析装置は、２つの異なるエネルギの放射線により被験者を同時にスキャンすることにより、各々のＸ線に対応する透過データを用いて、被験者の骨塩定量分析（骨密度の測定）を行うように構成されている。

特許第２６３８８７５号公報

上記のような骨密度の測定は、一般的に、腰椎や大腿骨の骨密度が対象となる。ここで、大腿骨は形状に個人差が大きく、安定した経過観察を実施するには、被験者の骨部の領域の特定が重要となる。そこで、従来、骨部等の骨部領域（骨部画像）をより正確に特定（抽出）するために、機械学習の学習結果に基づいて骨部領域の特定（抽出）を行うことが考えられている。

しかし、従来の手法では、骨部よりも輝度値が大きい金属からなる医療用の部材等が所定の骨部領域に設けられている被験者を撮影した撮影画像から、機械学習の学習結果に基づいて所定の骨部領域の抽出を行った場合に、上記医療用の部材の周囲の骨部を抽出することができない場合があるという不都合がある。これは、所定の骨部領域に上記医療用の部材が設けられているような症例の画像を学習のために十分な数だけ準備することが困難であることに起因して、上記症例の画像を用いた機械学習が十分に行われていないことが原因である。したがって、従来の手法では、骨部よりも輝度値が大きい上記部材が所定の骨部領域に設けられている被験者の撮影画像から骨部の抽出が困難であるため、上記撮影画像上において骨部の解析を行うことが困難であるという問題点がある。

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、骨部よりも輝度値が大きい部材が所定の骨部領域に設けられている被験者の撮影画像上において骨部の解析を行うのを容易化することが可能な骨部画像解析方法および学習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の局面における骨部画像解析方法は、所定の骨部領域が表示された複数の骨部領域画像を取得するステップと、複数の骨部領域画像のうちの一部の骨部領域画像に、骨部よりも輝度値が大きい所定の部材を模擬した第１模擬部材画像を付加することにより、第１学習用入力画像を取得するステップと、第１学習用入力画像において所定の骨部領域および第１模擬部材画像が表示される位置の第１正解情報を含む第１ラベル画像を取得するステップと、第１学習用入力画像と第１ラベル画像とを用いて、Ｘ線撮影装置により撮影され、所定の骨部領域および所定の部材が表示された撮影画像上において所定の骨部領域および所定の部材を抽出するための機械学習を実施するステップと、機械学習の学習結果に基づいて、撮影画像上において、所定の骨部領域および所定の部材を抽出するステップと、を備える。

また、この発明の第２の局面による学習方法は、所定の骨部領域が表示された複数の骨部領域画像を取得するステップと、複数の骨部領域画像のうちの一部の骨部領域画像に、骨部よりも輝度値が大きい所定の部材を模擬した模擬部材画像を付加することにより、学習用入力画像を取得するステップと、学習用入力画像において所定の骨部領域および模擬部材画像が表示される位置の正解情報を含むラベル画像を取得するステップと、学習用入力画像とラベル画像とを用いて、Ｘ線撮影装置により撮影され、所定の骨部領域および所定の部材が表示された撮影画像上において、所定の骨部領域および所定の部材を抽出するための機械学習を実施するステップと、を備える。

本発明によれば、上記のように、骨部よりも輝度値が大きい所定の部材を模擬した模擬部材画像が骨部領域画像に付加された第１学習用入力画像（学習用入力画像）を用いて機械学習が実施されている。これにより、所定の骨部領域に上記所定の部材が実際に設けられているような模擬的な第１学習用入力画像（学習用入力画像）を用いて機械学習を実施することができる。その結果、症例が少ないことに起因して所定の骨部領域に上記所定の部材が実際に設けられている画像が準備できなくても、上記の模擬的な第１学習用入力画像（学習用入力画像）を用いることにより、所定の骨部領域および所定の部材を抽出するための機械学習を実施することができる。これにより、骨部よりも輝度値が大きい所定の部材が所定の骨部領域に設けられている被験者の撮影画像から、所定の骨部領域（および所定の部材）を適切に抽出することができる。その結果、骨部よりも輝度値が大きい所定の部材が所定の骨部領域に設けられている被験者の撮影画像上において骨部の解析を行うのを容易化することができる。

第１実施形態によるＸ線撮影装置および学習装置を示した図である。 第１および第２実施形態による撮影画像（金属の部材なし）を示した図である。 第１および第２実施形態による撮影画像（金属の部材あり）を示した図である。 第１実施形態による骨部画像解析方法および学習方法を示したフロー図である。 第１および第２実施形態による骨部領域画像の取得方法を説明するための図である。 第１および第２実施形態による学習用入力画像の取得方法を説明するための図である。 第１実施形態による模擬部材画像が付加された学習用入力画像に対応するラベル画像の取得方法を説明するための図である。 第１実施形態による模擬部材画像が付加されていない学習用入力画像に対応するラベル画像の取得方法を説明するための図である。 第１および第２実施形態による再学習に用いる学習用入力画像の取得方法を説明するための図である。 第１実施形態による再学習に用いる学習用入力画像に対応するラベル画像の取得方法を説明するための図である。 第１実施形態による模擬部材画像を用いた機械学習に基づく抽出結果と、模擬部材画像を用いない機械学習（比較例）に基づく抽出結果とを比較した図である。 第２実施形態によるＸ線撮影装置および学習装置を示した図である。 第２実施形態による骨部画像解析方法および学習方法を示したフロー図である。 第２実施形態による学習用入力画像に対応するラベル画像の取得方法を説明するための図である。 第２実施形態による模擬部材画像を用いた機械学習に基づく抽出結果を示す図である。

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］
（Ｘ線撮影装置の構成）
図１に示すように、Ｘ線撮影装置１００は、Ｘ線照射部１と、Ｘ線検出部２と、画像処理部３と、制御部４とを備えている。また、Ｘ線撮影装置１００は、画像処理部３に処理された画像を表示する表示部５を備えている。

Ｘ線照射部１は、被験者ＴにＸ線を照射する。Ｘ線検出部２は、Ｘ線照射部１から被験者Ｔに照射されたＸ線を検出する。Ｘ線撮影装置１００は、たとえば、被験者Ｔの骨部領域Ａ（図２参照）の骨密度の算出（測定）に用いられる。骨密度の測定においては、たとえば、Ｘ線照射部１から２種類のエネルギのＸ線を被験者Ｔの測定部位に照射することにより、骨成分と他の組織とを区別するＤＥＸＡ（Ｄｕａｌ－Ｅｎｅｒｇｙ Ｘ－ｒａｙ Ａｂｓｏｒｐｔｉｏｍｅｔｒｙ）法が用いられる。なお、第１実施形態では、一例として、骨部領域Ａを大腿骨と骨盤とを含む領域とする。すなわち、骨部領域Ａは、被験者Ｔの左半身および右半身の各々に存在する。なお、骨部領域Ａは、請求の範囲の「所定の骨部領域」の一例である。

Ｘ線照射部１は、Ｘ線源１ａを含んでいる。Ｘ線源１ａは、図示しない高電圧発生部に接続されており、高電圧が印加されることによりＸ線を発生させるＸ線管である。Ｘ線源１ａは、Ｘ線出射方向をＸ線検出部２の検出面に向けて配置されている。

Ｘ線検出部２は、Ｘ線照射部１から照射され、被験者Ｔを透過したＸ線を検出し、検出したＸ線強度に応じた検出信号を出力する。なお、Ｘ線検出部２は、たとえば、ＦＰＤ（Ｆｌａｔ Ｐａｎｅｌ Ｄｅｔｅｃｔｏｒ）により構成されている。

画像処理部３は、画像取得部３ａと、機械学習ベース領域抽出部３ｂと、解析部３ｃと、を含む。なお、画像取得部３ａ、機械学習ベース領域抽出部３ｂ、および、解析部３ｃの各々は、画像処理部３の中のソフトウェアとしての機能ブロックである。すなわち、画像取得部３ａ、機械学習ベース領域抽出部３ｂ、および、解析部３ｃの各々は、制御部４の指令信号に基づき機能するように構成されている。

画像取得部３ａは、Ｘ線検出部２により検出されたＸ線に基づいて被験者Ｔの撮影画像１０（図２参照）を取得する。たとえば、撮影画像１０は、異なる２つのエネルギのＸ線を用いて取得された各々の画像の差分を算出することにより取得されるエネルギ・サブトラクション画像である。なお、撮影画像１０は、Ｘ線画像、または、被験者ＴのＣＴ画像データから作成されたＤＲＲ（Ｄｉｇｉｔａｌｌｙ Ｒｅｃｏｎｓｔｒｕｃｔｅｄ Ｒａｄｉｏｇｒａｐｈ）画像であってもよい。

機械学習ベース領域抽出部３ｂは、Ｘ線検出部２により検出されたＸ線に基づいて取得された撮影画像１０において、学習装置２００における機械学習の学習結果に基づいて、撮影画像１０上における所定の領域を抽出するように構成されている。具体的には、第１実施形態では、機械学習として、深層学習が用いられる。

解析部３ｃは、撮影画像１０において技師により指定された領域の、円形度の算出、および、骨密度の算出等を行うように構成されている。

（学習装置の構成）
学習装置２００は、骨部領域Ａ（図２参照）が表示された撮影画像１０（図２参照）上において、骨部領域Ａを抽出するための機械学習を実施するように構成されている。また、学習装置２００は、骨部領域Ａおよび部材３００が表示されている撮影画像１０（図３参照）上において、骨部領域Ａおよび部材３００を抽出するための機械学習を実施するように構成されている。なお、部材３００は、請求の範囲の「所定の部材」の一例である。

具体的には、部材３００とは、骨部よりも輝度値が大きい部材である。詳細には、部材３００は、少なくとも一部が骨部領域Ａの内部に配置された金属を含む。たとえば、部材３００は、人工関節、固定用プレート、および、スクリュー等の、整形手術において使用される金属製留置物が考えられる。

（骨部画像解析方法および学習方法）
次に、図４～図１１を参照して、Ｘ線撮影装置１００における骨部画像解析方法、および、学習装置２００における学習方法について説明する。

図４に示すように、骨部画像解析方法（学習方法）は、ステップ１０１において行われる、複数（たとえば１００枚）の骨部領域画像２０（図５参照）を取得するステップを備える。複数の骨部領域画像２０は、骨部領域Ａが表示された画像である。複数の骨部領域画像２０は、Ｘ線撮影装置１００により取得された画像であっても、その他の装置により取得された画像であってもよい。また、骨部領域画像２０は、エネルギ・サブトラクション画像、Ｘ線画像、および、ＤＲＲ画像のいずれであってもよい。なお、ＤＲＲ画像の場合は、骨部のみのＤＲＲ画像でもよい。また、Ｘ線画像の場合は、低圧および高圧などの異なる管電圧で撮影された画像を含んでいてもよい。

具体的には、図５に示すように、骨部領域画像２０を取得するステップは、左右のうちの一方（第１実施形態では一例として右側とする）の骨部領域Ａが表示された右側骨部領域画像２１を骨部領域画像２０として取得するステップを含む。また、骨部領域画像２０を取得するステップは、左右のうちの他方（すなわち左側）の骨部領域Ａが表示された左側骨部領域画像２２が左右反転された反転後骨部領域画像２３を、骨部領域画像２０として取得するステップを含む。すなわち、左側の骨部領域Ａが表示された左側骨部領域画像２２は、左右反転されることにより、右側の骨部領域Ａが表示されているように模擬された反転後骨部領域画像２３に変換される。たとえば、右側骨部領域画像２１および反転後骨部領域画像２３は、それぞれ５０枚ずつ取得される。なお、右側骨部領域画像２１は、請求の範囲の「一方側骨部画像」の一例である。また、左側骨部領域画像２２および反転後骨部領域画像２３は、それぞれ、請求の範囲の「他方側骨部反転前画像」および「他方側骨部反転後画像」の一例である。

次に、図４に示すように、骨部画像解析方法（学習方法）は、ステップ１０２において行われる、複数の学習用入力画像３０（図６参照）を取得するステップを備える。なお、学習用入力画像３０は、請求の範囲の「第１学習用入力画像」の一例である。

ここで、第１実施形態では、図６に示すように、ステップ１０２では、複数の骨部領域画像２０のうちの一部の骨部領域画像２０に、部材３００を模擬した模擬部材画像３００ａを付加することにより、学習用入力画像３０が取得される。具体的には、学習用入力画像３０を取得するステップは、複数の骨部領域画像２０のうちの一部の骨部領域画像２０に、少なくとも一部が骨部領域Ａの内部に配置された金属を模擬した模擬部材画像３００ａを付加するステップを含む。なお、模擬部材画像３００ａは、複数の骨部領域画像２０のうちのたとえば約３０％の骨部領域画像２０の各々に付加される。なお、３０％という割合は一例であり、これに限られない。また、図６に示した模擬部材画像３００ａの形状は一例であり、たとえば円形形状または三角形形状などでもよい。なお、模擬部材画像３００ａは、請求の範囲の「第１模擬部材画像」の一例である。

また、金属を模擬した模擬部材画像３００ａを付加するステップは、金属の輝度値と略等しい輝度値を有する模擬部材画像３００ａを、骨部領域画像２０に付加するステップを含む。具体的には、模擬部材画像３００ａの輝度値は、金属として考えられる所定の輝度値の範囲の中からランダムに選択（設定）される。

詳細には、ステップ１０２では、右側骨部領域画像２１に模擬部材画像３００ａが付加された右側学習用入力画像３１と、反転後骨部領域画像２３に模擬部材画像３００ａが付加された左側学習用入力画像３２とが、複数の学習用入力画像３０として取得される。すなわち、骨部領域Ａの向きが全て揃っている複数の学習用入力画像３０（３１、３２）の各々に、模擬部材画像３００ａが付加されている。なお、模擬部材画像３００ａが付加される骨部領域画像２０が、右側骨部領域画像２１のみであっても、反転後骨部領域画像２３のみであってもよい。なお、右側学習用入力画像３１および左側学習用入力画像３２は、それぞれ、請求の範囲の「一方側学習用画像」および「他方側学習用画像」の一例である。

なお、以下では、右側骨部領域画像２１と反転後骨部領域画像２３とを区別せず骨部領域画像２０として説明する。また、右側学習用入力画像３１と左側学習用入力画像３２とを区別せず学習用入力画像３０として説明する。

第１実施形態では、学習用入力画像３０を取得するステップは、模擬部材画像３００ａが付加される複数の骨部領域画像２０ごとに、模擬部材画像３００ａの輝度値、形状、位置、および、数のうちの少なくとも１つが互いに異なるように、複数の骨部領域画像２０の各々に模擬部材画像３００ａを付加することによって、複数の学習用入力画像３０を取得するステップを含む。具体的には、複数の骨部領域画像２０ごとに、付加される模擬部材画像３００ａの輝度値、形状、位置、および、数が、画像処理部３（画像取得部３ａ）によりランダムに設定される。この際、付加される模擬部材画像３００ａの輝度値、形状、位置、および、数のうちの少なくとも１つが、骨部領域画像２０同士で互いに異なるように画像処理部３（画像取得部３ａ）により設定（調整）される。たとえば図６の右側学習用入力画像３１と左側学習用入力画像３２とでは、模擬部材画像３００ａの形状および数が異なっている。

次に、図４に示すように、骨部画像解析方法（学習方法）は、ステップ１０３において行われる、ラベル画像４０（図７参照）を取得するステップを備える。ラベル画像４０は、学習用入力画像３０において骨部領域Ａおよび模擬部材画像３００ａが表示される位置の正解情報４００を含む。なお、ラベル画像４０は、複数の学習用入力画像３０の各々に基づいて、技師により手動で生成（取得）される画像である。なお、ラベル画像４０および正解情報４００は、それぞれ、請求の範囲の「第１ラベル画像」および「第１正解情報」の一例である。

また、ラベル画像４０を取得するステップは、ラベル画像４０上において骨部領域Ａおよび模擬部材画像３００ａに対応する位置に共通の正解値が付与されたラベル画像４０を取得するステップを含む。具体的には、学習用入力画像３０上における骨部領域Ａおよび模擬部材画像３００ａに対応するラベル画像４０上の位置（座標）の各々に、共通の正解値１が与えられる。なお、ラベル画像４０における残りの部分（背景部分）は値０の状態である。すなわち、ラベル画像４０は、骨部領域Ａおよび模擬部材画像３００ａに対応する領域と、残りの部分（背景部分）に対応する領域とで区分されるように２値化されている。

また、第１実施形態では、図４に示すように、骨部画像解析方法（学習方法）は、ステップ１０３において行われる、複数の骨部領域画像２０のうちの模擬部材画像３００ａが付加されない骨部領域画像２０において、骨部領域Ａが表示される位置の正解情報４１０（図８参照）を含むラベル画像４１（図８参照）を取得するステップを備える。なお、模擬部材画像３００ａが付加されない骨部領域画像２０は、全ての骨部領域画像２０のうちの約７０％である。また、ラベル画像４１および正解情報４１０は、それぞれ、請求の範囲の「第３ラベル画像」および「第３正解情報」の一例である。

具体的には、（模擬部材画像３００ａが付加されない）骨部領域画像２０上における骨部領域Ａに対応するラベル画像４１上の位置（座標）に正解値１が与えられる。なお、ラベル画像４１における残りの部分（背景部分）は値０の状態である。すなわち、ラベル画像４１は、骨部領域Ａに対応する領域と、残りの部分（背景部分）に対応する領域とで区分されるように２値化されている。

次に、図４に示すように、骨部画像解析方法（学習方法）は、ステップ１０４において行われる、機械学習を実施するステップを備える。

第１実施形態では、このステップ１０４における機械学習は、学習用入力画像３０とラベル画像４０とを用いて、骨部領域Ａおよび部材３００が表示された撮影画像１０（図３参照）上において骨部領域Ａおよび部材３００を抽出するための機械学習を実施するステップである。言い換えると、この機械学習は、互いに対応する学習用入力画像３０とラベル画像４０との複数の組を学習用のデータとして用いることにより実施される。なお、互いに対応する学習用入力画像３０とラベル画像４０との組とは、１つの学習用入力画像３０と、上記１つの学習用入力画像３０から生成（取得）されたラベル画像４０とにより構成される組を意味する。また、撮影画像１０は、Ｘ線撮影装置１００により撮影された画像である。

また、この機械学習を実施するステップは、学習用入力画像３０とラベル画像４０との組、および、模擬部材画像３００ａが付加されない骨部領域画像２０とラベル画像４１との組を用いて機械学習を実施するステップを含む。すなわち、模擬部材画像３００ａが付加されている骨部領域画像２０（学習用入力画像３０）、および、模擬部材画像３００ａが付加されていない骨部領域画像２０の両方が、機械学習用の入力データとして用いられている。なお、学習用入力画像３０とラベル画像４０との組と、模擬部材画像３００ａが付加されない骨部領域画像２０とラベル画像４１との組との比は、たとえば３：７程度である。

次に、図４に示すように、機械学習を実施するステップ１０４は、再学習を実施するステップを備える。上記再学習では、学習用入力画像３０の元となった骨部領域画像２０に、学習用入力画像３０の模擬部材画像３００ａ（図６参照）とは輝度値、形状、位置、および、数のうちの少なくとも１つが異なる、部材３００を模擬した模擬部材画像３００ｂ（図９参照）が付加された学習用入力画像５０（図９参照）が用いられる。また、上記再学習では、学習用入力画像５０において骨部領域Ａおよび模擬部材画像３００ｂが表示される位置の正解情報６００を含むラベル画像６０（図１０参照）が用いられる。学習用入力画像５０とラベル画像６０とを用いた再学習は、学習用入力画像３０（図７参照）とラベル画像４０（図７参照）とを用いた機械学習の後に行われる。なお、ラベル画像６０および学習用入力画像５０は、それぞれ、請求の範囲の「第２ラベル画像」および「第２学習用入力画像」の一例である。また、正解情報６００および模擬部材画像３００ｂは、それぞれ、請求の範囲の「第２正解情報」および「第２模擬部材画像」の一例である。

なお、ラベル画像４０（図７参照）と同様に、学習用入力画像５０上における骨部領域Ａおよび模擬部材画像３００ｂに対応するラベル画像６０上の位置（座標）の各々に、共通の正解値１が与えられる。なお、ラベル画像６０における残りの部分（背景部分）は値０の状態である。すなわち、ラベル画像６０は、骨部領域Ａおよび模擬部材画像３００ｂに対応する領域と、残りの部分（背景部分）に対応する領域とで区分されるように２値化されている。

また、上記再学習は、学習用入力画像３０（図７参照）とラベル画像４０（図７参照）とを用いた機械学習（およびラベル画像４１を用いた学習）の後に数千回繰り返して行われる。模擬部材画像３００ｂが付加される複数の骨部領域画像２０の各々において、模擬部材画像３００ｂの輝度値、形状、位置、および、数のうちの少なくとも１つが数千回の再学習の中で毎回変更されるように画像処理部３（画像取得部３ａ）により調整されている。

次に、図４に示すように、骨部画像解析方法は、ステップ１０５において行われる、画像抽出（セグメンテーション）の対象の画像を取得するステップを備える。具体的には、Ｘ線撮影装置１００により被験者Ｔの撮影を行うことにより撮影画像１０（図２および図３参照）を取得する。なお、左側の骨部領域Ａが表示された撮影画像１０が取得された場合は、上記左側の骨部領域Ａが表示された撮影画像１０を左右反転させることにより右側の骨部領域Ａが表示されているように模した画像を取得する。これにより、画像抽出（セグメンテーション）の対象の画像における骨部領域Ａの向きを、機械学習に用いられた学習用の画像（図７および図８参照）における骨部領域Ａの向きと揃えることが可能である。

ここで、第１実施形態では、図４に示すように、骨部画像解析方法は、ステップ１０６において行われる、ステップ１０４の機械学習の学習結果に基づいて、撮影画像１０上において、骨部領域Ａおよび部材３００を抽出（セグメンテーション）するステップを備える。すなわち、数千回の再学習の学習結果に基づいて、撮影画像１０上において骨部領域Ａおよび部材３００が抽出（セグメンテーション）される。

具体的には、図１１に示すように、骨部領域Ａおよび部材３００を抽出するステップは、機械学習（再学習を含む）の学習結果に基づいて、撮影画像１０上において、骨部領域Ａおよび部材３００を一体的に抽出するステップを含む。すなわち、骨部領域Ａおよび部材３００は互いに区別されることなく、撮影画像１０上の骨部領域Ａおよび部材３００に対応する領域（図１１の（ａ）の黒塗りの部分）が抽出される。これにより、撮影画像１０上において、骨部領域Ａおよび部材３００に対応する領域と、残りの領域（背景部分）に対応する領域（図１１の（ａ）の白塗りの部分）とが区別される。なお、図１１の（ｂ）の比較例に図示しているように、従来の方法（骨部のみを学習する方法）では、部材３００、および、部材３００から離間した骨部は抽出されているが、部材３００の周りの骨部が抽出されていない。

そして、図４に示すように、骨部画像解析方法は、ステップ１０７において行われる、画像の解析を行うステップを備える。具体的には、ステップ１０６において抽出された骨部領域Ａにおいて任意の領域が画像上で選択され、この選択結果が画像処理部３により受け付けられる。そして、選択された解析領域において、骨密度の測定（算出）、および、円形度の測定（算出）等が行われる。なお、骨部領域Ａと部材３００とを区別して解析を行う場合は、画像抽出（セグメンテーション）された領域内において、たとえば輝度値に基づいたルールベースを用いた抽出を行うことによって、骨部領域Ａだけを抽出することが可能である。

（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実施形態では、上記のように、骨部画像解析方法は、骨部領域Ａが表示された複数の骨部領域画像２０を取得するステップと、複数の骨部領域画像２０のうちの一部の骨部領域画像２０に、骨部よりも輝度値が大きい部材３００を模擬した模擬部材画像３００ａを付加することにより、学習用入力画像３０を取得するステップと、を備える。また、骨部画像解析方法は、学習用入力画像３０において骨部領域Ａおよび模擬部材画像３００ａが表示される位置の正解情報４００を含むラベル画像４０を取得するステップを備える。また、骨部画像解析方法は、学習用入力画像３０とラベル画像４０とを用いて、Ｘ線撮影装置１００により撮影され、骨部領域Ａおよび部材３００が表示された撮影画像１０上において骨部領域Ａおよび部材３００を抽出するための機械学習を実施するステップを備える。また、骨部画像解析方法は、機械学習の学習結果に基づいて、撮影画像１０上において、骨部領域Ａおよび部材３００を抽出するステップを備える。これにより、骨部領域Ａに部材３００が実際に設けられているような模擬的な画像（学習用入力画像３０）を用いて機械学習を実施することができる。その結果、症例が少ないことに起因して骨部領域Ａに部材３００が実際に設けられている画像が準備できなくても、上記の模擬的な学習用入力画像３０を用いることにより、骨部領域Ａおよび部材３００を抽出するための機械学習を実施することができる。これにより、骨部よりも輝度値が大きい部材３００が骨部領域Ａに設けられている被験者Ｔの撮影画像１０から、骨部領域Ａ（および部材３００）を適切に抽出することができる。その結果、骨部よりも輝度値が大きい部材３００が骨部領域Ａに設けられている被験者Ｔの撮影画像１０上において骨部の解析を行うのを容易化することができる。

また、第１実施形態では、上記のように、学習用入力画像３０を取得するステップは、複数の骨部領域画像２０のうちの一部の骨部領域画像２０に、少なくとも一部が骨部領域Ａの内部に配置された金属を模擬した模擬部材画像３００ａを付加するステップを含む。これにより、骨部領域Ａに金属が配置された撮影画像１０から、骨部領域Ａ（および金属）を適切に抽出することができる。

また、第１実施形態では、上記のように、金属を模擬した模擬部材画像３００ａを付加するステップは、金属の輝度値と略等しい輝度値を有する模擬部材画像３００ａを、骨部領域画像２０に付加するステップを含む。これにより、実際に金属が骨部領域Ａに配置されている場合に近い条件の学習用入力画像３０により機械学習を実施することができる。その結果、骨部領域Ａに金属が配置された撮影画像１０から、骨部領域Ａ（および金属）をより適切に抽出することができる。

また、第１実施形態では、上記のように、学習用入力画像３０を取得するステップは、複数の骨部領域画像２０の各々に模擬部材画像３００ａを付加する場合に、模擬部材画像３００ａが付加される複数の骨部領域画像２０ごとに、模擬部材画像３００ａの輝度値、形状、位置、および、数のうちの少なくとも１つが互いに異なるように、複数の骨部領域画像２０の各々に模擬部材画像３００ａを付加することによって、複数の学習用入力画像３０を取得するステップを含む。これにより、互いに異なった学習用入力画像３０を用いて機械学習を実施することができるので、機械学習に用いられる学習用入力画像３０に多様性を持たせることができる。その結果、より多くの種類の学習用入力画像３０を用いて機械学習を実施することができるとともに機械学習の精度を向上させることができるので、部材３００が骨部領域Ａに設けられている撮影画像１０から、骨部領域Ａ（および部材３００）をより適切に抽出することができる。

また、第１実施形態では、上記のように、ラベル画像４０を取得するステップは、ラベル画像４０上において骨部領域Ａおよび模擬部材画像３００ａに対応する位置に共通の正解値が付与されたラベル画像４０を取得するステップを含む。また、骨部領域Ａおよび部材３００を抽出するステップは、機械学習の学習結果に基づいて、撮影画像１０上において、骨部領域Ａおよび部材３００を一体的に抽出するステップを含む。これにより、骨部領域Ａおよび模擬部材画像３００ａに互いに異なる正解値を付与する場合に比べて、より少ない正解値に基づいて機械学習を実施することができる。その結果、学習装置２００における機械学習を比較的簡易化することができる。

また、第１実施形態では、上記のように、機械学習を実施するステップは、学習用入力画像３０の元となった骨部領域画像２０に、学習用入力画像３０の模擬部材画像３００ａとは輝度値、形状、位置、および、数のうちの少なくとも１つが異なる、部材３００を模擬した模擬部材画像３００ｂが付加された学習用入力画像５０と、学習用入力画像５０において骨部領域Ａおよび模擬部材画像３００ｂが表示される位置の正解情報６００を含むラベル画像６０とを用いて、学習用入力画像３０とラベル画像４０とを用いた学習の後に再学習するステップを含む。また、機械学習の学習結果に基づいて骨部領域Ａおよび部材３００を抽出するステップは、再学習された学習結果に基づいて、撮影画像１０上において、骨部領域Ａおよび部材３００を抽出するステップを含む。これにより、学習用入力画像３０およびラベル画像４０とは異なる学習用入力画像５０およびラベル画像６０を用いて再学習をすることによって、学習用入力画像３０およびラベル画像４０を用いた学習のみを行う場合に比べてより多くの学習を行うことができるので、撮影画像１０から骨部領域Ａ（および部材３００）をより一層適切に抽出することができる。また、学習用入力画像３０の元となった骨部領域画像２０を再学習において用いることによって、より多く骨部領域画像２０を一度に学習する場合に比べて、予め準備（記憶）しておく骨部領域画像２０の数が増大するのを抑制することができる。

また、第１実施形態では、上記のように、骨部画像解析方法は、複数の骨部領域画像２０のうちの模擬部材画像３００ａが付加されない骨部領域画像２０において、骨部領域Ａが表示される位置の正解情報４１０を含むラベル画像４１を取得するステップを備える。また、機械学習を実施するステップは、学習用入力画像３０とラベル画像４０との組、および、模擬部材画像３００ａが付加されない骨部領域画像２０とラベル画像４１との組を用いて機械学習を実施するステップを含む。これにより、部材３００が骨部領域Ａに設けられている撮影画像１０から骨部領域Ａ（および部材３００）を抽出することができるとともに、骨部領域Ａのみが表示されている撮影画像１０から骨部領域Ａを抽出することができる。

また、第１実施形態では、上記のように、複数の骨部領域画像２０を取得するステップは、骨部領域Ａが被験者Ｔの左半身および右半身の各々に存在する場合に、左右のうちの一方の骨部領域Ａが表示された右側骨部領域画像２１に模擬部材画像３００ａが付加された右側学習用入力画像３１と、左右のうちの他方の骨部領域Ａが表示された左側骨部領域画像２２が左右反転された反転後骨部領域画像２３に模擬部材画像３００ａが付加された左側学習用入力画像３２とを、学習用入力画像３０として取得するステップを含む。これにより、左側骨部領域画像２２を左右反転させることにより、右側の骨部領域Ａが表示されているように模擬された左側学習用入力画像３２を取得することによって、右側学習用入力画像３１および左側学習用入力画像３２の各々における骨部領域Ａの向きを揃えることができる。その結果、表示される骨部領域Ａの左右の向きが揃えられていない場合と異なり、向きが統一された（すなわち学習の条件が統一された）学習データ（学習用入力画像３０）に基づいて学習を行うことができるので、左右別々に学習する場合と比べて機械学習の学習効率をより高くすることができる。

また、第１実施形態では、上記のように、機械学習は、深層学習を含む。これにより、深層学習による抽出対象領域の抽出精度は比較的高いので、撮影画像１０上において骨部領域Ａ（および部材３００）を精度良く抽出することができる。

また、第１実施形態では、上記のように、学習方法は、骨部領域Ａが表示された複数の骨部領域画像２０を取得するステップと、複数の骨部領域画像２０のうちの一部の骨部領域画像２０に、骨部よりも輝度値が大きい部材３００を模擬した模擬部材画像３００ａを付加することにより、学習用入力画像３０を取得するステップと、を備える。また、学習方法は、学習用入力画像３０において骨部領域Ａおよび模擬部材画像３００ａが表示される位置の正解情報４００を含むラベル画像４０を取得するステップを備える。また、学習方法は、学習用入力画像３０とラベル画像４０とを用いて、Ｘ線撮影装置１００により撮影され、骨部領域Ａおよび部材３００が表示された撮影画像１０上において、骨部領域Ａおよび部材３００を抽出するための機械学習を実施するステップを備える。これにより、骨部領域Ａに部材３００が実際に設けられているような模擬的な画像（学習用入力画像３０）を用いて機械学習を実施することができる。その結果、症例が少ないことに起因して骨部領域Ａに部材３００が実際に設けられている画像が準備できなくても、上記の模擬的な学習用入力画像３０を用いることにより、骨部領域Ａおよび部材３００を抽出するための機械学習を実施することができる。これにより、骨部よりも輝度値が大きい部材３００が骨部領域Ａに設けられている被験者Ｔの撮影画像１０から、骨部領域Ａ（および部材３００）を適切に抽出することができる。その結果、骨部よりも輝度値が大きい部材３００が骨部領域Ａに設けられている被験者Ｔの撮影画像１０上において骨部の解析を行うのを容易化することが可能な学習方法を提供することができる。

［第２実施形態］
次に、図１２～図１５を参照して、第２実施形態による骨部画像解析方法（学習方法）の構成について説明する。第２実施形態の骨部画像解析方法（学習方法）では、骨部領域Ａと部材３００とを区別せずに抽出を行う上記第１実施形態とは異なり、骨部領域Ａと部材３００とを区別して抽出が行われる。なお、上記第１実施形態と同様の構成は、第１実施形態と同じ符号を付して図示するとともに説明を省略する。

（Ｘ線撮影装置の構成）
図１２に示すように、第２実施形態では、機械学習ベース領域抽出部３ｂは、Ｘ線検出部２により検出されたＸ線に基づいて取得された撮影画像１０において、学習装置２１０における機械学習の学習結果に基づいて、撮影画像１０上における所定の領域を抽出するように構成されている。

（骨部画像解析方法および学習方法）
次に、図１３～図１５を参照して、Ｘ線撮影装置１００における骨部画像解析方法、および、学習装置２１０における学習方法について説明する。

図１３に示すように、骨部画像解析方法は、ステップ１１３において行われる、ラベル画像７０（図１４参照）を取得するステップを備える。ラベル画像７０は、学習用入力画像３０において骨部領域Ａおよび模擬部材画像３００ａが表示される位置の正解情報７００（図１４参照）を含む。なお、ラベル画像７０および正解情報７００は、それぞれ、請求の範囲の「第１ラベル画像」および「第１正解情報」の一例である。

ここで、第２実施形態では、図１４に示すように、ラベル画像７０を取得するステップは、ラベル画像７０上において骨部領域Ａおよび模擬部材画像３００ａに対応する位置に互いに異なる正解値が付与されたラベル画像７０を取得するステップを含む。具体的には、学習用入力画像３０上における骨部領域Ａに対応するラベル画像７０上の位置（座標）に正解値１が与えられるとともに、学習用入力画像３０上における模擬部材画像３００ａに対応するラベル画像７０上の位置（座標）に正解値２が与えられる。すなわち、正解情報７００は、学習用入力画像３０において骨部領域Ａが表示される位置の正解情報７００ａと、学習用入力画像３０において模擬部材画像３００ａが表示される位置の正解情報７００ｂとを含む。なお、ラベル画像７０における残りの部分（背景部分）は値０の状態である。すなわち、ラベル画像７０は、骨部領域Ａに対応する領域と、模擬部材画像３００ａに対応する領域と、残りの部分（背景部分）に対応する領域とで区分されるように３値化されている。なお、正解情報７００ａおよび正解情報７００ｂは、請求の範囲の「第１正解情報」の一例である。

なお、詳細な説明は省略するが、再学習においても、骨部領域Ａおよび模擬部材画像３００ａに対応する位置に互いに異なる正解値が付与されたラベル画像（図示せず）に基づいて機械学習が行われる。

また、図１５に示すように、ステップ１１６の骨部領域Ａおよび部材３００を抽出するステップは、機械学習（再学習を含む）の学習結果に基づいて、撮影画像１０上において、骨部領域Ａおよび部材３００を個別に抽出するステップを含む。すなわち、骨部領域Ａおよび部材３００は互いに区別され、撮影画像１０上の骨部領域Ａに対応する領域（図１５の（ａ）の左下がり斜線の部分）および部材３００に対応する領域（図１５の（ａ）の右下がり斜線の部分）の各々が個別に抽出される。これにより、撮影画像１０上において、骨部領域Ａに対応する領域と、部材３００に対応する領域と、残りの領域（背景部分）に対応する領域（図１５の（ａ）の白塗りの部分）とが区別（互いに個別に抽出）される。

そして、図１３に示すように、骨部画像解析方法は、ステップ１１７において行われる、画像の解析を行うステップを備える。すなわち、骨部領域Ａに対応する領域と、部材３００に対応する領域と、残りの領域（背景部分）に対応する領域とが区別された画像上において、骨部領域Ａの任意の領域が選択され、この選択結果が画像処理部３により受け付けられる。そして、選択された解析領域において、骨密度の測定（算出）、および、円形度の測定（算出）等が行われる。

なお、第２実施形態のその他の構成は、上記第１実施形態と同様である。

（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。

また、第２実施形態では、上記のように、ラベル画像７０を取得するステップは、ラベル画像７０上において骨部領域Ａおよび模擬部材画像３００ａに対応する位置に互いに異なる正解値が付与されたラベル画像７０を取得するステップを含む。また、骨部領域Ａおよび部材３００を抽出するステップは、機械学習の学習結果に基づいて、撮影画像１０上において、骨部領域Ａおよび部材３００を個別に抽出するステップを含む。これにより、骨部領域Ａと部材３００との境界を抽出することができるので、骨部領域Ａおよび部材３００が個別に抽出された画像上において、骨部のみを選択して解析する作業を容易化することができる。また、骨部領域Ａと部材３００とを区別するために機械学習の学習結果に基づいた抽出以外の抽出（画素の輝度値の差に基づいた抽出法であるルールベースの抽出など）を行う必要がないので、骨部領域Ａと部材３００とを区別して抽出するための作業を簡易化することができる。

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請求の範囲によって示され、さらに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、上第１および第２記実施形態では、骨部領域Ａ（所定の骨部領域）の内部に配置された金属を模擬した模擬部材画像３００ａ（第１模擬部材画像）を用いる例を示したが、本発明はこれに限られない。たとえば、骨部領域Ａ（所定の骨部領域）の外部に配置された金属（すなわち骨の内部に埋め込まれていない金属）を模擬した模擬部材画像を用いてもよい。

また、上記第１および第２記実施形態では、金属を模擬した模擬部材画像３００ａ（第１模擬部材画像）を用いる例を示したが、本発明はこれに限られない。金属以外の部材（たとえばセラミック）を模擬した模擬部材画像を用いてもよい。この場合、上記金属以外の部材の輝度値と略等しい輝度値を有する模擬部材画像を骨部領域画像２０に付加する。

また、上第１および第２記実施形態では、再学習を複数回行う例を示したが、本発明はこれに限られない。たとえば、１回の機械学習に用いる学習用入力画像３０（第１学習用入力画像）とラベル画像４０（第１ラベル画像）との組の数を、再学習を行う場合よりも増加させて機械学習を１回のみ実施してもよい。

また、上記第１および第２記実施形態では、左側の骨部領域Ａ（所定の骨部領域）が表示された左側骨部領域画像２２（他方側骨部反転前画像）を左右反転させる例を示したが、本発明はこれに限られない。右側の骨部領域Ａ（所定の骨部領域）が表示された右側骨部領域画像２１（一方側骨部画像）を左右反転させてもよい。

また、上記第１および第２記実施形態では、左側の骨部領域Ａ（所定の骨部領域）が表示された左側骨部領域画像２２（他方側骨部反転前画像）を左右反転させた反転後骨部領域画像２３（他方側骨部反転後画像）に模擬部材画像３００ａ（第１模擬部材画像）を付加する例を示したが、本発明はこれに限られない。左側の骨部領域Ａ（所定の骨部領域）が表示された左側骨部領域画像２２（他方側骨部反転前画像）に模擬部材画像３００ａ（第１模擬部材画像）を付加した画像を左右反転させてもよい。

また、上記第１および第２記実施形態では、学習用入力画像３０（第１学習用入力画像）の元となった骨部領域画像２０に模擬部材画像３００ｂ（第２模擬部材画像）を付加する例を示したが、本発明はこれに限られない。たとえば、複数の骨部領域画像２０のうちの模擬部材画像３００ａが付加されなかった骨部領域画像２０の少なくとも一部に模擬部材画像３００ｂ（第２模擬部材画像）を付加してもよい。

また、上記第２記実施形態では、骨部領域Ａ（所定の骨部領域）と、部材３００（所定の部材）と、残りの部分（背景部分）とを個別に抽出する例を示したが、本発明はこれに限られない。たとえば、部材３００（所定の部材）と背景部分とは区別せず、骨部領域Ａ（所定の骨部領域）と、部材３００（所定の部材）および背景部分とを、個別に抽出してもよい。

また、上記第１および第２実施形態では、骨部領域Ａ（所定の骨部領域）が大腿骨を含む領域である例を示したが、本発明はこれに限られない。たとえば、骨部領域Ａ（所定の骨部領域）が大腿骨以外の骨部の領域であってもよい。

また、上記第１および第２実施形態では、機械学習として、深層学習（ＡＩ）が用いられる例を示したが、本発明はこれに限られない。たとえば、機械学習として、深層学習以外の機械学習を用いてもよい。

［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）
所定の骨部領域が表示された複数の骨部領域画像を取得するステップと、
前記複数の骨部領域画像のうちの一部の前記骨部領域画像に、骨部よりも輝度値が大きい所定の部材を模擬した第１模擬部材画像を付加することにより、第１学習用入力画像を取得するステップと、
前記第１学習用入力画像において前記所定の骨部領域および前記第１模擬部材画像が表示される位置の第１正解情報を含む第１ラベル画像を取得するステップと、
前記第１学習用入力画像と前記第１ラベル画像とを用いて、Ｘ線撮影装置により撮影され、前記所定の骨部領域および前記所定の部材が表示された撮影画像上において前記所定の骨部領域および前記所定の部材を抽出するための機械学習を実施するステップと、
前記機械学習の学習結果に基づいて、前記撮影画像上において、前記所定の骨部領域および前記所定の部材を抽出するステップと、を備える、骨部画像解析方法。

（項目２）
前記第１学習用入力画像を取得するステップは、前記複数の骨部領域画像のうちの一部の前記骨部領域画像に、少なくとも一部が前記所定の骨部領域の内部に配置された金属を模擬した前記第１模擬部材画像を付加するステップを含む、項目１に記載の骨部画像解析方法。

（項目３）
前記金属を模擬した前記第１模擬部材画像を付加するステップは、前記金属の輝度値と略等しい輝度値を有する前記第１模擬部材画像を、前記骨部領域画像に付加するステップを含む、項目２に記載の骨部画像解析方法。

（項目４）
前記第１学習用入力画像を取得するステップは、複数の前記骨部領域画像の各々に前記第１模擬部材画像を付加する場合に、前記第１模擬部材画像が付加される前記複数の骨部領域画像ごとに、前記第１模擬部材画像の輝度値、形状、位置、および、数のうちの少なくとも１つが互いに異なるように、前記複数の骨部領域画像の各々に前記第１模擬部材画像を付加することによって、複数の前記第１学習用入力画像を取得するステップを含む、項目１～３のいずれか１項に記載の骨部画像解析方法。

（項目５）
前記第１ラベル画像を取得するステップは、前記第１ラベル画像上において前記所定の骨部領域および前記第１模擬部材画像に対応する位置に共通の正解値が付与された前記第１ラベル画像を取得するステップを含み、
前記所定の骨部領域および前記所定の部材を抽出するステップは、前記機械学習の学習結果に基づいて、前記撮影画像上において、前記所定の骨部領域および前記所定の部材を一体的に抽出するステップを含む、項目１～３のいずれか１項に記載の骨部画像解析方法。

（項目６）
前記第１ラベル画像を取得するステップは、前記第１ラベル画像上において前記所定の骨部領域および前記第１模擬部材画像に対応する位置に互いに異なる正解値が付与された前記第１ラベル画像を取得するステップを含み、
前記所定の骨部領域および前記所定の部材を抽出するステップは、前記機械学習の学習結果に基づいて、前記撮影画像上において、前記所定の骨部領域および前記所定の部材を個別に抽出するステップを含む、項目１～３のいずれか１項に記載の骨部画像解析方法。

（項目７）
前記機械学習を実施するステップは、前記第１学習用入力画像の元となった前記骨部領域画像に、前記第１学習用入力画像の前記第１模擬部材画像とは輝度値、形状、位置、および、数のうちの少なくとも１つが異なる、前記所定の部材を模擬した第２模擬部材画像が付加された第２学習用入力画像と、前記第２学習用入力画像において前記所定の骨部領域および前記第２模擬部材画像が表示される位置の第２正解情報を含む第２ラベル画像とを用いて、前記第１学習用入力画像と前記第１ラベル画像とを用いた学習の後に再学習するステップをさらに含み、
前記機械学習の学習結果に基づいて前記所定の骨部領域および前記所定の部材を抽出するステップは、再学習された学習結果に基づいて、前記撮影画像上において、前記所定の骨部領域および前記所定の部材を抽出するステップを含む、項目１～３のいずれか１項に記載の骨部画像解析方法。

（項目８）
前記複数の骨部領域画像のうちの前記第１模擬部材画像が付加されない前記骨部領域画像において、前記所定の骨部領域が表示される位置の第３正解情報を含む第３ラベル画像を取得するステップをさらに備え、
前記機械学習を実施するステップは、前記第１学習用入力画像と前記第１ラベル画像との組、および、前記第１模擬部材画像が付加されない前記骨部領域画像と前記第３ラベル画像との組を用いて前記機械学習を実施するステップを含む、項目１～３のいずれか１項に記載の骨部画像解析方法。

（項目９）
前記第１学習用入力画像を取得するステップは、前記所定の骨部領域が被験者の左半身および右半身の各々に存在する場合に、左右のうちの一方の前記所定の骨部領域が表示された一方側骨部画像に前記第１模擬部材画像が付加された一方側学習用画像と、左右のうちの他方の前記所定の骨部領域が表示された他方側学習用画像が左右反転された他方側骨部反転後画像に前記第１模擬部材画像が付加された他方側学習用画像とを、前記第１学習用入力画像として取得するステップを含む、項目１～３のいずれか１項に記載の骨部画像解析方法。

（項目１０）
前記機械学習は、深層学習を含む、項目１～３のいずれか１項に記載の骨部画像解析方法。

（項目１１）
所定の骨部領域が表示された複数の骨部領域画像を取得するステップと、
前記複数の骨部領域画像のうちの一部の前記骨部領域画像に、骨部よりも輝度値が大きい所定の部材を模擬した模擬部材画像を付加することにより、学習用入力画像を取得するステップと、
前記学習用入力画像において前記所定の骨部領域および前記模擬部材画像が表示される位置の正解情報を含むラベル画像を取得するステップと、
前記学習用入力画像と前記ラベル画像とを用いて、Ｘ線撮影装置により撮影され、前記所定の骨部領域および前記所定の部材が表示された撮影画像上において、前記所定の骨部領域および前記所定の部材を抽出するための機械学習を実施するステップと、を備える、学習方法。

１０ 撮影画像
２０ 骨部領域画像
２１ 右側骨部領域画像（一方側骨部画像）
２２ 左側骨部領域画像（他方側骨部反転前画像）
２３ 反転後骨部領域画像（他方側骨部反転後画像）
３０ 学習用入力画像（第１学習用入力画像）
３１ 右側学習用入力画像（一方側学習用画像）
３２ 左側学習用入力画像（他方側学習用画像）
４０、７０ ラベル画像（第１ラベル画像）
４１ ラベル画像（第３ラベル画像）
５０ 学習用入力画像（第２学習用入力画像）
６０ ラベル画像（第２ラベル画像）
１００ Ｘ線撮影装置
３００ 部材（所定の部材）
３００ａ 模擬部材画像（第１模擬部材画像）
３００ｂ 模擬部材画像（第２模擬部材画像）
４００、７００、７００ａ、７００ｂ 正解情報（第１正解情報）
４１０ 正解情報（第３正解情報）
６００ 正解情報（第２正解情報）
Ａ 骨部領域（所定の骨部領域）
Ｔ 被験者

Claims (11)

1. 所定の骨部領域が表示された複数の骨部領域画像を取得するステップと、
   前記複数の骨部領域画像のうちの一部の前記骨部領域画像に、骨部よりも輝度値が大きい所定の部材を模擬した第１模擬部材画像を付加することにより、第１学習用入力画像を取得するステップと、
   前記第１学習用入力画像において前記所定の骨部領域および前記第１模擬部材画像が表示される位置の第１正解情報を含む第１ラベル画像を取得するステップと、
   前記第１学習用入力画像と前記第１ラベル画像とを用いて、Ｘ線撮影装置により撮影され、前記所定の骨部領域および前記所定の部材が表示された撮影画像上において前記所定の骨部領域および前記所定の部材を抽出するための機械学習を実施するステップと、
   前記機械学習の学習結果に基づいて、前記撮影画像上において、前記所定の骨部領域および前記所定の部材を抽出するステップと、を備える、骨部画像解析方法。
2. 前記第１学習用入力画像を取得するステップは、前記複数の骨部領域画像のうちの一部の前記骨部領域画像に、少なくとも一部が前記所定の骨部領域の内部に配置された金属を模擬した前記第１模擬部材画像を付加するステップを含む、請求項１に記載の骨部画像解析方法。
3. 前記金属を模擬した前記第１模擬部材画像を付加するステップは、前記金属の輝度値と略等しい輝度値を有する前記第１模擬部材画像を、前記骨部領域画像に付加するステップを含む、請求項２に記載の骨部画像解析方法。
4. 前記第１学習用入力画像を取得するステップは、複数の前記骨部領域画像の各々に前記第１模擬部材画像を付加する場合に、前記第１模擬部材画像が付加される前記複数の骨部領域画像ごとに、前記第１模擬部材画像の輝度値、形状、位置、および、数のうちの少なくとも１つが互いに異なるように、前記複数の骨部領域画像の各々に前記第１模擬部材画像を付加することによって、複数の前記第１学習用入力画像を取得するステップを含む、請求項１～３のいずれか１項に記載の骨部画像解析方法。
5. 前記第１ラベル画像を取得するステップは、前記第１ラベル画像上において前記所定の骨部領域および前記第１模擬部材画像に対応する位置に共通の正解値が付与された前記第１ラベル画像を取得するステップを含み、
   前記所定の骨部領域および前記所定の部材を抽出するステップは、前記機械学習の学習結果に基づいて、前記撮影画像上において、前記所定の骨部領域および前記所定の部材を一体的に抽出するステップを含む、請求項１～３のいずれか１項に記載の骨部画像解析方法。
6. 前記第１ラベル画像を取得するステップは、前記第１ラベル画像上において前記所定の骨部領域および前記第１模擬部材画像に対応する位置に互いに異なる正解値が付与された前記第１ラベル画像を取得するステップを含み、
   前記所定の骨部領域および前記所定の部材を抽出するステップは、前記機械学習の学習結果に基づいて、前記撮影画像上において、前記所定の骨部領域および前記所定の部材を個別に抽出するステップを含む、請求項１～３のいずれか１項に記載の骨部画像解析方法。
7. 前記機械学習を実施するステップは、前記第１学習用入力画像の元となった前記骨部領域画像に、前記第１学習用入力画像の前記第１模擬部材画像とは輝度値、形状、位置、および、数のうちの少なくとも１つが異なる、前記所定の部材を模擬した第２模擬部材画像が付加された第２学習用入力画像と、前記第２学習用入力画像において前記所定の骨部領域および前記第２模擬部材画像が表示される位置の第２正解情報を含む第２ラベル画像とを用いて、前記第１学習用入力画像と前記第１ラベル画像とを用いた学習の後に再学習するステップをさらに含み、
   前記機械学習の学習結果に基づいて前記所定の骨部領域および前記所定の部材を抽出するステップは、再学習された学習結果に基づいて、前記撮影画像上において、前記所定の骨部領域および前記所定の部材を抽出するステップを含む、請求項１～３のいずれか１項に記載の骨部画像解析方法。
8. 前記複数の骨部領域画像のうちの前記第１模擬部材画像が付加されない前記骨部領域画像において、前記所定の骨部領域が表示される位置の第３正解情報を含む第３ラベル画像を取得するステップをさらに備え、
   前記機械学習を実施するステップは、前記第１学習用入力画像と前記第１ラベル画像との組、および、前記第１模擬部材画像が付加されない前記骨部領域画像と前記第３ラベル画像との組を用いて前記機械学習を実施するステップを含む、請求項１～３のいずれか１項に記載の骨部画像解析方法。
9. 前記第１学習用入力画像を取得するステップは、前記所定の骨部領域が被験者の左半身および右半身の各々に存在する場合に、左右のうちの一方の前記所定の骨部領域が表示された一方側骨部画像に前記第１模擬部材画像が付加された一方側学習用画像と、左右のうちの他方の前記所定の骨部領域が表示された他方側骨部反転前画像が左右反転された他方側骨部反転後画像に前記第１模擬部材画像が付加された他方側学習用画像とを、前記第１学習用入力画像として取得するステップを含む、請求項１～３のいずれか１項に記載の骨部画像解析方法。
10. 前記機械学習は、深層学習を含む、請求項１～３のいずれか１項に記載の骨部画像解析方法。
11. 所定の骨部領域が表示された複数の骨部領域画像を取得するステップと、
    前記複数の骨部領域画像のうちの一部の前記骨部領域画像に、骨部よりも輝度値が大きい所定の部材を模擬した模擬部材画像を付加することにより、学習用入力画像を取得するステップと、
    前記学習用入力画像において前記所定の骨部領域および前記模擬部材画像が表示される位置の正解情報を含むラベル画像を取得するステップと、
    前記学習用入力画像と前記ラベル画像とを用いて、Ｘ線撮影装置により撮影され、前記所定の骨部領域および前記所定の部材が表示された撮影画像上において、前記所定の骨部領域および前記所定の部材を抽出するための機械学習を実施するステップと、を備える、学習方法。

Images