JP7182488B2 - Ｘ線照射制御装置、ｘ線診断装置、およびｘ線照射制御プログラム - Google Patents

Description

本発明の実施形態は、Ｘ線照射制御装置、Ｘ線診断装置、およびＸ線照射制御プログラムに関する。

Ｘ線診断装置により生成される被検体の医用画像は、撮影時間を長くするほどノイズが低下して高画質となり診断精度が向上する。一方で、撮影時間が長くなると、撮影対象となる被検体の被ばく量が増えてしまう。

ところで、近年、医用画像、または医用画像のもととなる投影データまたはサイノグラム、データ（以下、医用画像データという）にもとづいて、被検体の病変に関する医用診断結果を出力する機械学習モデルや、医用画像データにもとづいて画像処理して処理結果画像を出力する機械学習モデルなど、種々の機械学習モデルが開発されている。これらの機械学習モデルの出力結果を用いることにより、効率的な診断が可能となる。しかし、機械学習モデルの出力の精度は、入力される医用画像データのノイズに大きく影響されてしまう。

米国特許出願公開第２０１８／０１５３４９５号明細書

本発明が解決しようとする課題は、機械学習モデルの出力の精度の指標値にもとづいて被検体に対するＸ線照射を停止することである。

実施形態に係るＸ線照射制御装置は、照射制御部を備える。照射制御部は、Ｘ線撮影装置により収集される被検体に関する医用画像データを、Ｘ線撮影装置のＸ線源から被検体に対してＸ線を照射中に取得する。また、照射制御部は、医用画像データにもとづいて医用データを出力する学習済みモデルに対して医用画像データを入力した場合の、学習済みモデルの出力の精度の指標値にもとづいて、Ｘ線源からのＸ線の照射を停止させる。

一実施形態に係るＸ線照射制御装置を含むＸ線診断装置の一構成例を示すブロック図。 従来のＸ線照射制御方法について説明するための図。 診断機能の学習時におけるデータフローの一例を示す説明図。 診断機能の運用時におけるデータフローの一例を示す説明図。 診断用学習済みモデルを用いた第１のＸ線照射制御方法について説明するための図。 判定機能の学習時におけるデータフローの一例を示す説明図。 判定機能の運用時におけるデータフローの一例を示す説明図。 判定用学習済みモデル４０Ｂを用いた第２のＸ線照射制御方法について説明するための図。 （ａ）はデノイズ機能の運用時におけるデータフローの一例を示す説明図、（ｂ）はデノイズ機能が出力する医用画像データ８２の画質と照射時間との関係の一例を示す説明図。 指標値出力機能のセグメンテーション機能を用いたセグメンテーションを説明するための図。 残時間出力機能の学習時におけるデータフローの一例を示す説明図。 残時間出力機能の運用時におけるデータフローの一例を示す説明図。 残時間用学習済みモデルを用いた第７のＸ線照射制御方法について説明するための図。

以下、図面を参照しながら、Ｘ線照射制御装置、Ｘ線診断装置、およびＸ線照射制御プログラムの実施形態について詳細に説明する。

一実施形態に係るＸ線照射制御装置は、Ｘ線源を備えたモダリティであれば適用可能であり、たとえばＸ線ＣＴ（Computed Tomography）装置やＸ線診断装置などに適用することができる。以下の説明では、一実施形態に係るＸ線照射制御装置をＸ線診断装置に用いる場合の例を示す。

（構成）
図１は、一実施形態に係るＸ線照射制御装置を含むＸ線診断装置１０の一構成例を示すブロック図である。

Ｘ線診断装置１０は、図１に示すように撮影装置２０およびコンソール３０を有する。

撮影装置２０は、通常は検査室に設置され、被検体Ｐに関する医用画像データを生成するよう構成される。コンソール３０は、検査室に隣接する操作室に設置され、医用画像データにもとづくＸ線画像を生成して表示を行なう。なお、Ｘ線診断装置１０は、撮影装置２０が設置される検査室に設置されてもよいし、撮影装置２０とネットワークを介して接続されて検査室と離れた遠隔地に設置されてもよい。

撮影装置２０は、Ｘ線源２１、ＦＰＤ２２、自動露出制御（ＡＥＣ：Automatic Exposure Control）を行うための検出器（以下、ＡＥＣディテクタという）２３、天板２４、高電圧電源２５、ＡＥＣ判定回路２６、およびＸ線照射制御装置の一例としてのコントローラ２７を有する。撮影装置２０は、Ｘ線撮影装置の一例である。

Ｘ線源２１は、高電圧電源２５により電圧を印加されてＸ線を発生する。

ＦＰＤ２２は、複数のＸ線検出素子を有するフラットパネルディテクタ（平面検出器、ＦＰＤ：Flat Panel Detector）により構成され、ＦＰＤ２２に照射されたＸ線を検出し、この検出したＸ線にもとづく医用画像データを出力する。この医用画像データはコンソール３０に与えられる。より具体的にはＦＰＤ２２は、Ｘ線の入射量に応じた信号電荷を蓄積する半導体素子により構成されたＸ線検出素子を複数有する。複数のＸ線検出素子はマトリクス状に配列される。ＦＰＤ２２としては、たとえばＣＭＯＳ－ＦＰＤを用いることができる。

ＦＰＤ２２は、破壊読み出しおよび非破壊読み出しのいずれも可能に構成されるとよい。破壊読み出し方式は、フォトダイオードなどの半導体素子により構成されたＸ線検出素子に蓄積された信号を、信号線を介して積分アンプに転送し、積分アンプで積分された信号に応じた出力信号を読み出す方式である。この方式は、信号の転送によって半導体素子内の信号が空になるため、破壊読み出しと呼ばれる。一方、非破壊読み出し方式は、信号を出力信号に変換するアンプが半導体素子ごとに設けられており、Ｘ線検出素子に信号を保持したまま、蓄積された信号に応じた出力信号を読み出す方式である。この方式は、読み出し後においてもＸ線検出素子に蓄積された信号が空にならずに保持されるため、非破壊読み出しと呼ばれる。

ＡＥＣディテクタ２３は、被検体Ｐを透過したＸ線を検出し、検出したＸ線の強度に応じた信号を出力する。

Ｘ線源２１とＦＰＤ２２は、天板２４に載置された被検体Ｐを挟んで対向配置されればよい。たとえば、Ｘ線源２１とＦＰＤ２２２、被検体Ｐを挟んで対向配置されるようにＣアームの両端部にそれぞれ支持されてもよい。また、Ｘ線源２１とＦＰＤ２２は、それぞれが独立な支持部材に支持されてもよい。

ＡＥＣディテクタ２３は、たとえば図１に示すようにＦＰＤ２２と被検体Ｐの間に設けられる。この場合、ＡＥＣディテクタ２３を薄型に形成すると、ＡＥＣディテクタ２３によるＸ線の減衰をわずかなものとすることができ、被検体Ｐを透過したＸ線のほとんどをＦＰＤ２２に入射させることができる。

天板２４は、寝台の上部に設けられ、被検体Ｐを載置する。

高電圧電源２５は、Ｘ線源２１に印加する高電圧を発生する機能を有する高電圧発生装置と、Ｘ線源２１が照射するＸ線に応じた出力電圧の制御を行うＸ線制御装置とを有する。高電圧発生装置は、変圧器方式であってもよいし、インバータ方式であってもよい。

また、高電圧電源２５は、Ｘ線の照射停止指示をコントローラ２７から受けると、Ｘ線源２１に対する高電圧出力を停止する。

ＡＥＣ判定回路２６は、ＡＥＣディテクタ２３の出力信号を増幅する増幅器と、増幅された信号を積算する積分器を有する。また、積分器による積算値が設定値を超えると、その旨の情報をコントローラ２７に与える。この設定値は、Ｘ線撮影ごとにコントローラ２７により設定されてもよい。

コントローラ２７は、プロセッサおよび記憶回路を少なくとも有する。コントローラ２７は、この記憶回路に記憶されたプログラムに従ってコンソール３０により制御されて、撮影装置２０の各コンポーネントを統括制御する。たとえば、コンソール３０から撮影装置２０に対して撮影開始指示があると、コントローラ２７は、高電圧電源２５に対して管電圧を出力してＸ線源２１に印加するよう指示する。Ｘ線源２１は、高電圧電源２５から管電圧を印加されてＸ線を発生する。Ｘ線源２１の放射口から照射されたＸ線は、被検体Ｐを透過し、ＡＥＣディテクタ２３に入射するとともに、ＡＥＣディテクタ２３を透過してＦＰＤ２２に入射する。コントローラ２７の記憶回路の記憶媒体内のプログラムおよびデータの一部または全部は、電子ネットワークを介した通信によりダウンロードされてもよいし、光ディスクなどの可搬型記憶媒体を介して記憶回路に与えられてもよい。

また、コントローラ２７のプロセッサは、記憶回路に記憶されたＸ線照射制御プログラムを読み出して実行することにより、Ｘ線照射中にＦＰＤ２２から医用画像データを取得し、当該医用画像データを機械学習モデルに対して入力した場合の機械学習モデルの出力の精度の指標値にもとづいて、Ｘ線源２１からのＸ線の照射を停止させるための処理を実行する。図１に示すように、コントローラ２７のプロセッサは、照射制御機能２７１および指標値出力機能２７２を実現する。これらの各機能は、それぞれプログラムの形態で記憶回路に記憶されている。コントローラ２７は、照射制御装置の一例である。

機械学習としては、ＳＶＭ（サポートベクターマシン）を利用した機械学習を用いてもよいし、ＣＮＮ（畳み込みニューラルネットワーク）や畳み込み深層信念ネットワーク（ＣＤＢＮ：Convolutional Deep Belief Network）などの、多層のニューラルネットワークを用いた深層学習を用いてもよい。以下の説明では、機械学習がニューラルネットワークを用いた深層学習であり、機械学習モデルが深層学習を用いた学習済みモデルである場合の例を示す。

照射制御機能２７１は、撮影装置２０により収集される被検体Ｐに関する医用画像データを、被検体Ｐに対するＸ線照射中に、ＦＰＤ２２から取得する。本実施形態において、Ｘ線照射中に医用画像データをＦＰＤ２２から取得する方法としては、非破壊読み出しする方法や、ユーザ所望のフレームレートより高いフレームレート（たとえば２倍、４倍など）で医用画像データを収集して所望のフレームレートにダウンサンプリングすることで画質を向上させる方法などが利用されうる。

また、照射制御機能２７１は、医用画像データにもとづいて医用データを出力する学習済みモデルに対してＸ線照射中に取得した医用画像データを入力した場合の、学習済みモデルの出力の精度の指標値にもとづいて、Ｘ線源２１からのＸ線の照射を停止させる。照射制御機能２７１は、照射制御部の一例である。

また、照射制御機能２７１は、上記指標値に対し、ＡＥＣディテクタ２３の信号積算値と撮影条件との少なくとも一方を組み合わせて用いてＸ線源２１からのＸ線の照射を停止させてもよい。

指標値出力機能２７２は、医用画像データにもとづいて医用データを出力する学習済みモデルに対してＸ線照射中に取得した医用画像データを入力した場合の、学習済みモデルの出力の精度の指標値を出力する。指標値出力機能２７２は、この指標値に変えてＸ線停止予測時間を出力してもよい。指標値出力機能２７２は、指標値出力部の一例である。

一方、コンソール３０は、ディスプレイ３１、入力インターフェース３２、記憶回路３３、および処理回路３４を有する。

ディスプレイ３１は、たとえば液晶ディスプレイやＯＬＥＤ（Organic Light Emitting Diode）ディスプレイなどの一般的な表示出力装置により構成され、処理回路３４の制御に従って医用画像などの各種情報を表示する。

入力インターフェース３２は、たとえばトラックボール、スイッチ、ボタン、マウス、キーボード、操作面へ触れることで入力操作を行なうタッチパッド、光学センサを用いた非接触入力回路、および音声入力回路等などの一般的な入力装置により実現され、ユーザの操作に対応した操作入力信号を処理回路３４に出力する。

記憶回路３３は、磁気的もしくは光学的記録媒体または半導体メモリなどの、プロセッサにより読み取り可能な記録媒体を含んだ構成を有する。記憶回路３３の記憶媒体内のプログラムおよびデータの一部または全部は電子ネットワークを介した通信によりダウンロードされてもよいし、光ディスクなどの可搬型記憶媒体を介して記憶回路３３に与えられてもよい。

処理回路３４は、Ｘ線診断装置１０を統括制御する機能を実現する。処理回路３４のプロセッサは、図１に示すように、撮影制御機能３４１および画像生成機能３４２を実現する。これらの各機能はそれぞれプログラムの形態で記憶回路３３に記憶されている。

撮影制御機能３４１は、撮影条件に従って撮影装置２０を制御することにより、被検体ＰのＸ線撮影の実行を制御する。撮影条件は、例えばユーザにより入力インターフェース３２を介して設定される。

画像生成機能３４２は、撮影装置２０から取得した医用画像データにもとづいて医用画像を生成し、ディスプレイ３１に表示させる。

図２は、従来のＸ線照射制御方法について説明するための図である。

一般に、Ｘ線の照射時間は、撮影条件にもとづいて、必要に応じてルックアップテーブルを参照して、決定される。また、ＡＥＣディテクタ２３の出力信号を利用可能な場合は、ＡＥＣディテクタ２３の出力信号の積算値にもとづいてＸ線の照射時間を決定してもよい。ＡＥＣディテクタ２３の信号積算値は、図２に示すように、照射時間に対して比例して増加する。また、ＡＥＣディテクタ２３の信号積算値は、ＦＰＤ２２に対する入射フォトン数に比例する。このため、撮影条件に応じて閾値を設定しておき、ＡＥＣディテクタ２３の信号積算値が所定の閾値を超えたときにＸ線を停止することで、撮影目的に沿った読影に十分な画質の医用画像データを的確に生成することができる。

一方、近年、医用画像データにもとづいて、種々の医用データの出力を行なう機械学習モデルが開発されてきている。この種の機械学習モデルの出力の精度は、入力される医用画像データのノイズに大きく影響されてしまう。また、被検体Ｐによって体厚、アナトミカルノイズ、材質などが異なるため、ＡＥＣディテクタ２３の信号積算値が同じであっても、被検体Ｐが異なると、医用画像データのノイズは異なってしまう。

たとえば、胸部単純Ｘ線画像データにもとづいて肺がんの診断結果を出力する診断用学習済みモデルＭを利用する場合を考える。この場合、診断用学習済みモデルＭが出力する診断結果の精度が所望の精度以上となる、適切に診断するために必要なＡＥＣディテクタ２３の信号積算値は、患者Ａの場合は所定の閾値よりも多い積算値Ａである一方、患者Ｂの場合は所定の閾値よりも小さい積算値Ｂとなる場合がある。すなわち、ＡＥＣディテクタ２３の信号積算値が所定の閾値を超えたときにＸ線を停止する従来の方法では、機械学習モデルから所望の精度の出力を得るという観点において、被検体Ｐによって、照射線量が不足し、あるいは照射線量が過剰となる。

そこで、本実施形態に係るＸ線照射制御装置を含むＸ線診断装置１０は、Ｘ線照射中に医用画像データを取得し、当該医用画像データを学習済みモデルに対して入力した場合の学習済みモデルの出力の精度の指標値にもとづいて、Ｘ線源２１からのＸ線の照射を停止させる。このため、Ｘ線の照射を停止したときにＦＰＤ２２から取得される医用画像データを学習済みモデルに入力すれば、当然に、当該学習済みモデルから所望の精度の出力を得ることができる。

（Ｘ線照射制御装置の動作）
次に、Ｘ線照射制御装置としてのコントローラ２７の動作について説明する。

（第１のＸ線照射制御方法（診断用学習済みモデル））
まず、第１のＸ線照射制御方法について説明する。第１のＸ線照射制御方法は、診断用学習済みモデルが生成する確度にもとづいてＸ線源２１からのＸ線の照射を停止させる方法である。第１のＸ線照射制御方法において、指標値出力機能２７２は診断機能２７２Ａとしての機能を含む。

図３は、診断機能２７２Ａの学習時におけるデータフローの一例を示す説明図である。診断機能２７２Ａは、トレーニングデータを多数入力されて深層学習を行うことにより、パラメータデータ４２Ａを逐次的に更新する。

トレーニングデータ（学習用データ）は、トレーニング入力データ群５１を構成する医用画像データ５１１、５１２、５１３、・・・、と、各医用画像データに対応する確定診断結果５２１、５２２、５２３、・・・、により構成された教師データ群５２と、の組みからなる。確定診断結果５２１、５２２、５２３、・・・、は、それぞれ、対応する医用画像データ５１１、５１２、５１３、・・・、の撮影対象者から組織を取り出して診断することで確定した病変に関する確定診断結果であるとよい。

診断機能２７２Ａは、トレーニングデータが与えられるごとに、医用画像データ５１１、５１２、５１３、・・・、をニューラルネットワーク４１Ａで処理した結果が確定診断結果５２１、５２２、５２３、・・・、に近づくようにパラメータデータ４２Ａを更新していく、いわゆる学習を行う。一般に、パラメータデータ４２Ａの変化割合が閾値以内に収束すると、学習は終了と判断される。以下、学習後のパラメータデータ４２Ａを特に学習済みパラメータデータ４２Ａｔという。

なお、トレーニング入力データの種類と図４に示す運用時の入力データの種類は一致させるべきことに注意する。たとえば、トレーニング入力データの医用画像データとして投影データを用いる場合は、運用時の入力データにも投影データを用いる。

図４は、診断機能２７２Ａの運用時におけるデータフローの一例を示す説明図である。運用時には、診断機能２７２Ａは、被検体Ｐに対するＸ線照射中に、ＦＰＤ２２から医用画像データ６１が取得されるごとに、診断用学習済みモデル４０Ａを用いて診断結果（病変に関する医用診断結果データ）６２と、診断結果６２の確度（予測スコア、コンフィデンススコア、確信度とも呼ばれる）６３とを生成する。確度６３は、診断用学習済みモデル４０Ａの出力の精度の指標値であり、診断用学習済みモデル４０Ａ自身によって診断結果６２に付随して出力される。

なお、ニューラルネットワーク４１Ａと学習済みパラメータデータ４２Ａｔは、診断用学習済みモデル４０Ａを構成する。ニューラルネットワーク４１Ａは、プログラムの形態でコントローラ２７の記憶回路に記憶される。学習済みパラメータデータ４２Ａｔは、コントローラ２７の記憶回路に記憶されてもよいし、ネットワークを介してコントローラ２７と接続された記憶媒体に記憶されてもよい。診断用学習済みモデル４０Ａ（ニューラルネットワーク４１Ａと学習済みパラメータデータ４２Ａｔ）がコントローラ２７の記憶回路に記憶される場合、コントローラ２７のプロセッサにより実現される、指標値出力機能２７２の診断機能２７２Ａは、コントローラ２７の記憶回路から診断用学習済みモデル４０Ａを読み出して実行することで、被検体Ｐに対するＸ線照射中に取得された医用画像データにもとづいて、診断結果６２と診断結果６２の確度６３とを生成する。

なお、診断用学習済みモデル４０Ａは、診断対象となる病変が複数ある場合は、診断対象となる病変ごとに用意されるとよい。たとえば、入力される医用画像データが胸部単純Ｘ線画像の画像データの場合は、肺がんの診断用学習済みモデル４０Ａと、肺炎の診断用学習済みモデル４０Ａとを、別々に用意しておくとよい。この場合、一度の撮影で得られた同一の医用画像データをそれぞれの診断用学習済みモデル４０Ａに入力することで、肺がんの診断結果およびその確度と、肺炎の診断結果およびその確度と、の両者を得ることができる。

図５は、診断用学習済みモデル４０Ａを用いた第１のＸ線照射制御方法について説明するための図である。図５には確度６３の閾値が０．８０に設定された場合の例を示した。

被検体に対するＸ線照射が開始されると、被検体Ｐに対するＸ線照射中に、順次医用画像データ６１が取得される。診断機能２７２Ａは、医用画像データ６１が取得されるごとに、診断用学習済みモデル４０Ａを用いて、当該医用画像データ６１にもとづいて診断結果６２と診断結果６２の確度６３とを出力する。

照射時間が経過すると、医用画像データ６１に含まれるノイズが減少していく。このため、確度６３は、照射時間の経過とともに上昇していく。

照射制御機能２７１は、指標値としての確度６３があらかじめ設定された閾値を超えると、Ｘ線源２１からのＸ線の照射を停止させる。

確度６３についてあらかじめ設定される閾値は、たとえば、診断用学習済みモデル４０ＡのＲＯＣ（Receiver Operating Characteristic、受診者操作特性）カーブにもとづいて決定される陽性判定閾値と一致させるとよい。ＲＯＣカーブは、横軸を偽陽性（False Positive Rate、１－特異度（Specificitｙ））、縦軸を真陽性率（True Positive Rate、敏感度（Sensitivity））とし、カットオフスコアを変化したときに描かれる曲線である。この場合、確度６３が陽性判定閾値を超えるときだけでなく、陽性判定閾値と一致するときに撮影が停止されてもよい。

また、照射制御機能２７１は、指標値としての確度６３に対し、ＡＥＣディテクタ２３の信号積算値にもとづいてＡＥＣ判定回路２６から出力される当該積算値が設定値を超えた旨の情報と撮影条件との少なくとも一方を組み合わせて用いてＸ線源２１からのＸ線の照射を停止させてもよい。この場合、確度６３が閾値を超えない場合にＸ線が照射され続けてしまう不具合を未然に防ぐことができる。なお、確度６３が閾値を超えるタイミングを優先したいときは、ＡＥＣディテクタ２３の信号積算値の設定値をやや高めに設定し、当該積算値が設定値を超えた旨の情報がＡＥＣ判定回路２６から出力されるタイミングを遅らせても良い。

また、照射制御機能２７１は、医用画像データ６１が取得されるごとに診断機能２７２Ａから順次出力される確度６３の時間変化にもとづいて変化曲線をフィッティングし、外挿により閾値に到達するタイミング（Ｘ線の停止タイミング）を予測してもよい。

第１のＸ線照射制御方法によれば、ＡＥＣディテクタ２３の信号積算値と撮影条件のみによりＸ線照射時間を決定する方法に比べ、医用画像データ６１を入力して利用する診断用学習済みモデル４０Ａの出力精度に適応的に照射時間を決定することができる。このため、医用画像データ６１を入力して利用する診断用学習済みモデル４０Ａにとって、過不足のない画質の医用画像データ６１を、容易かつ的確に得ることができる。したがって、線量過剰による被検体Ｐの過被ばくを未然に防ぐことができ、また、線量不足による再撮影にさらされることによる不都合を未然に防ぐことができる。

（第２のＸ線照射制御方法（診断用学習済みモデルに対応する判定用学習済みモデル））
次に、第２のＸ線照射制御方法について説明する。第２のＸ線照射制御方法は、判定用学習済みモデルが生成する確度にもとづいてＸ線源２１からのＸ線の照射を停止させる方法である。第２のＸ線照射制御方法において、指標値出力機能２７２は判定機能２７２Ｂとしての機能を含む。

診断用学習済みモデル４０Ａは、診断結果６２を出力するための演算負荷によっては、理想的なＸ線照射時間内に十分な演算時間を確保できない可能性がある。そこで、第２のＸ線照射制御方法では、診断用学習済みモデル４０Ａよりも小規模な学習済みモデルを用いて診断用学習済みモデル４０Ａの確度６３を予測する。判定用学習済みモデルは、診断用学習済みモデル４０Ａが生成する確度６３を予測する。

図６は、判定機能２７２Ｂの学習時におけるデータフローの一例を示す説明図である。この場合、トレーニングデータのトレーニング入力データは診断用学習済みモデル４０Ａに対する入力医用画像データ６１を用い、教師データは当該医用画像データ６１にもとづいて診断用学習済みモデル４０Ａから出力された確度６３を用いる。判定機能２７２Ｂは、医用画像データ６１と確度６３の組をトレーニングデータとして多数入力されて深層学習を行うことにより、パラメータデータ４２Ｂを逐次的に更新する。以下、学習後のパラメータデータ４２Ｂを学習済みパラメータデータ４２Ｂｔという。

また、診断用学習済みモデル４０Ａの入力医用画像データ６１が医用画像である場合であっても、判定機能２７２Ｂのトレーニング入力データとしての医用画像データ６１は、当該医用画像のもととなった投影データやサイノグラムであってもよい。

医用画像に代えて投影データやサイノグラム、ｋ空間データなどを用いることにより、医用画像を用いる場合よりも再構成等の手間が省けるため、処理時間を大幅に短縮することができる。

なお、トレーニング入力データの種類と図７に示す運用時の入力データの種類は一致させるべきことに注意する。たとえば、トレーニング入力データの医用画像データとして投影データを用いる場合は、運用時の入力データにも投影データを用いる。

図７は、判定機能２７２Ｂの運用時におけるデータフローの一例を示す説明図である。運用時には、判定機能２７２Ｂは、被検体Ｐに対するＸ線照射中に、ＦＰＤ２２から医用画像データ７１が取得されるごとに、判定用学習済みモデル４０Ｂを用いて、当該医用画像データ７１を診断用学習済みモデル４０Ａに対して入力したと仮定した場合に診断用学習済みモデル４０Ａが出力すると推定される確度７２を出力する。

なお、ニューラルネットワーク４１Ｂと学習済みパラメータデータ４２Ｂｔは、判定用学習済みモデル４０Ｂを構成する。判定用学習済みモデル４０Ｂの記憶箇所については、診断用学習済みモデル４０Ａと同様であるため説明を省略する。

図８は、判定用学習済みモデル４０Ｂを用いた第２のＸ線照射制御方法について説明するための図である。

第２のＸ線照射制御方法では、判定機能２７２Ｂは、医用画像データ７１が取得されるごとに、判定用学習済みモデル４０Ｂを用いて、当該医用画像データ７１を診断用学習済みモデル４０Ａに対して入力したと仮定した場合に診断用学習済みモデル４０Ａが出力すると推定される確度７２を出力する。

照射制御機能２７１は、指標値としての確度７２があらかじめ設定された閾値を超えると、Ｘ線源２１からのＸ線の照射を停止させる。この閾値は、第１の照射制御方法において設定される確度６３の閾値と同様に、判定用学習済みモデル４０Ｂに対応する診断用学習済みモデル４０Ａの陽性判定閾値と一致させるとよい。

なお、診断用学習済みモデル４０Ａが複数ある場合は、判定用学習済みモデル４０Ｂは、診断用学習済みモデル４０Ａごとに構築することができる。肺がんの診断用学習済みモデル４０Ａと、肺炎の診断用学習済みモデル４０Ａとが用意されており、肺がんの診断用学習済みモデル４０Ａに対応する判定用学習済みモデル４０Ｂをさらに用意している場合を考える。この場合は、指標値出力機能２７２は、肺がんの診断用学習済みモデル４０Ａと肺炎の診断用学習済みモデル４０Ａとを用いてもよいし、肺がんの診断用学習済みモデル４０Ａに代えて肺がんの判定用学習済みモデル４０Ｂを用いてもよい。

また、第１の照射制御方法と同様に、照射制御機能２７１は、指標値としての確度７２に対して、ＡＥＣディテクタ２３の信号積算値にもとづいてＡＥＣ判定回路２６から出力される当該積算値が設定値を超えた旨の情報と撮影条件との少なくとも一方を組み合わせて用いてＸ線源２１からのＸ線の照射を停止させてもよい。また、照射制御機能２７１は、医用画像データ７１が取得されるごとに診断機能２７２Ａから順次出力される確度７２の時間変化にもとづいて変化曲線をフィッティングし、外挿により閾値に到達するタイミング（Ｘ線の停止タイミング）を予測してもよい。

第２のＸ線照射制御方法によっても、第１のＸ線照射制御方法と同様の効果を奏する。また、第２のＸ線照射制御方法では、診断用学習済みモデル４０Ａよりも小規模な判定用学習済みモデル４０Ｂを用いるため、処理速度が高く、確実にリアルタイムに確度７２（確度６３の推定値）を出力することができる。

（第３のＸ線照射制御方法（第１の画像処理用学習済みモデル））
第３のＸ線照射制御方法は、デノイズ処理を行なう画像処理用学習済みモデル（以下、デノイズ用学習済みモデルという）の出力の変化量にもとづいて、Ｘ線源２１からのＸ線の照射を停止させる方法である。第３のＸ線照射制御方法において、指標値出力機能２７２はデノイズ機能２７２Ｃとしての機能を含む。

図９（ａ）はデノイズ機能２７２Ｃの運用時におけるデータフローの一例を示す説明図であり、（ｂ）はデノイズ機能２７２Ｃが出力する医用画像データ８２の画質と照射時間ｔとの関係の一例を示す説明図である。デノイズ機能２７２Ｃの学習時のデータフローの説明は省略する。

運用時には、デノイズ機能２７２Ｃは、被検体Ｐに対するＸ線照射中に、ＦＰＤ２２から医用画像データ８１が取得されるごとに、デノイズ用学習済みモデル４０Ｃを用いてノイズが軽減された医用画像データ８２を生成し、照射制御機能２７１に与える。なお、ニューラルネットワーク４１Ｃと学習済みパラメータデータ４２Ｃｔは、デノイズ用学習済みモデル４０Ｃを構成する。デノイズ用学習済みモデル４０Ｃの記憶箇所については、診断用学習済みモデル４０Ａと同様であるため説明を省略する。

照射時間ｔが増えると、総照射線量は線形に増加し（図９（ｂ）の実線参照）、Ｘ線照射中にＦＰＤ２２から順次取得される医用画像データ８１のＳＮ比は、総照射線量の平方根で除した値に改善していく。一方、デノイズ用学習済みモデル４０Ｃを用いて医用画像データ８１にもとづいて生成された医用画像データ８２は、デノイズ用学習済みモデル４０Ｃによる処理を受けて、画質が大幅に改善していく（図９（ｂ）の一点鎖線参照）。

そこで、指標値出力機能２７２は、デノイズ用学習済みモデル４０Ｃに対して前回入力された医用画像データ８１にもとづいて生成された医用画像データ８２と、今回入力された医用画像データ８１にもとづいて生成された医用画像データ８２と、の変化量８３を求め、この変化量を、デノイズ用学習済みモデル４０Ｃの出力の精度の指標値として出力して照射制御機能２７１に与える。前回の医用画像データ８２と今回の医用画像データ８２との変化量が小さいほど、デノイズ用学習済みモデル４０Ｃが出力する医用画像データ８２の画質が上限に近づき高精細な画像が出力されていることを意味する。ここで、変化量としては、画素ごとの画素値の差分を所定領域（たとえば関心領域）で積分したものなどを用いることができる。

照射制御機能２７１は、指標値としての変化量８３があらかじめ設定された閾値以下となると（図９（ｂ）のｔ＝ｔ１参照）、Ｘ線源２１からのＸ線の照射を停止させる。この閾値は、ユーザによって設定されてもよい。

第３のＸ線照射制御方法によれば、ＡＥＣディテクタ２３の信号積算値と撮影条件のみによりＸ線照射時間を決定する方法に比べ、医用画像データ８１を入力して利用するデノイズ用学習済みモデル４０Ｃの出力精度に適応的に照射時間を決定することができる。このため、線量過剰による被検体Ｐの過被ばくを未然に防ぐことができ、また、線量不足による再撮影にさらされることによる不都合を未然に防ぐことができる。

なお、照射制御機能２７１は、医用画像データ８１が取得されるごとにデノイズ機能２７２Ｃから順次出力される変化量８３の時間変化にもとづいて変化曲線をフィッティングし、外挿により閾値に到達するタイミング（Ｘ線の停止タイミング）を予測してもよい。

（第４のＸ線照射制御方法（第２の画像処理用学習済みモデル））
第４のＸ線照射制御方法は、セグメンテーション処理を行なう画像処理用学習済みモデル（以下、セグメンテーション用学習済みモデルという）の出力の変化量にもとづいて、Ｘ線源２１からのＸ線の照射を停止させる方法である。第４のＸ線照射制御方法において、指標値出力機能２７２はセグメンテーション機能としての機能を含む。

図１０は、指標値出力機能２７２のセグメンテーション機能を用いたセグメンテーションを説明するための図である。図１０には、セグメンテーション用学習済みモデルが胸部Ｘ線画像にもとづいて肺野のセグメンテーションを行う場合の例を示した。

セグメンテーション機能は、セグメンテーション用学習済みモデルを用いて、被検体Ｐに対するＸ線照射中に、ＦＰＤ２２から医用画像データが取得されるごとに、肺野のセグメンテーションを行なう。

セグメンテーション機能は、たとえば肺野などの臓器の体積や面積を測定する目的で利用される。たとえば、左肺と右肺のそれぞれの面積は、呼吸に応じた時間変化する。両肺が正常であれば両肺の面積とも同様の時間変化を示すが、いずれかの肺の機能が劣化している場合は時間変化曲線の形状が異なってしまう。このため、左肺と右肺のそれぞれの面積の時間変化曲線から、肺機能劣化を検出することができる。

左肺と右肺のそれぞれの面積の時間変化曲線を求める場合、所定のサンプリング間隔（たとえば１５ｆｐｓ）で医用画像データを生成し、各医用画像データからセグメンテーション機能を利用して肺野を抽出して面積を算出する。各医用画像データは、サンプリング間隔よりも短いＸ線照射時間で収集される。

第４のＸ線照射制御方法は、セグメンテーション用学習済みモデルによって精度良く肺野を抽出するのに十分な画質の医用画像データを収集するために適切な照射時間を設定する方法である。

具体的には、第３のＸ線照射制御方法と同様に、指標値出力機能２７２は、セグメンテーション用学習済みモデルに対して前回入力された医用画像データにもとづいて生成されたセグメンテーション結果と、今回入力された医用画像データにもとづいて生成されたセグメンテーション結果と、の変化量（差分）を求め、この変化量を、セグメンテーション用学習済みモデルの出力の精度の指標値として出力して照射制御機能２７１に与える。前回のセグメンテーション結果と今回のセグメンテーション結果との変化量が小さいほど、セグメンテーション用学習済みモデルが出力するセグメンテーション結果が正確であることを意味する。

ここで、変化量としては、セグメンテーション機能がセグメンテーション領域に属する画素を色付けする場合は、画素ごとの画素値の差分を所定領域（たとえば関心領域）で積分したものを用いることができる。

照射制御機能２７１は、指標値としての変化量があらかじめ設定された閾値以下となると、Ｘ線源２１からのＸ線の照射を停止させる。上記この閾値は、ユーザによって設定されてもよい。たとえば、左肺と右肺のそれぞれの面積の時間変化曲線を求める上記の例では、各サンプリングタイミングにおけるＸ線照射時間をセグメンテーション用学習済みモデルの出力精度に適応的に決定できる。

第４のＸ線照射制御方法によれば、ＡＥＣディテクタ２３の信号積算値と撮影条件のみによりＸ線照射時間を決定する方法に比べ、医用画像データを入力して利用するセグメンテーション用学習済みモデルの出力精度に適応的に照射時間を決定することができる。このため、線量過剰による被検体Ｐの過被ばくを未然に防ぐことができ、また、線量不足による再撮影にさらされることによる不都合を未然に防ぐことができる。

なお、照射制御機能２７１は、医用画像データが取得されるごとにセグメンテーション機能から順次出力される変化量の時間変化にもとづいて変化曲線をフィッティングし、外挿により閾値に到達するタイミング（Ｘ線の停止タイミング）を予測してもよい。

また、画素値の変化量に代えて、セグメンテーション機能が各画素に付与する確度（当該画素がセグメンテーション領域に属する確度）の集計を利用してもよい。この種の集計方法としては従来各種のものが知られており、これらのうち任意のものを使用することが可能である。

（第５のＸ線照射制御方法（第３の画像処理用学習済みモデル））
第５のＸ線照射制御方法は、解像度向上処理を行なう画像処理用学習済みモデル（以下、解像度向上用学習済みモデルという）の出力の変化量にもとづいて、Ｘ線源２１からのＸ線の照射を停止させる方法である。第５のＸ線照射制御方法において、指標値出力機能２７２は解像度向上機能としての機能を含む。

解像度向上機能は、解像度向上用学習済みモデルを用いて、被検体Ｐに対するＸ線照射中に、ＦＰＤ２２から医用画像データが取得されるごとに、医用画像データの解像度を向上させた医用画像データを出力する。

一般に、Ｘ線検出素子から信号を読み出す時間を短縮する方法として、ビニング読み出しを利用する方法が知られている。たとえば、２×２ビニング読み出しでは、２×２個のＸ線検出素子からなる領域が１画素として読み出される。しかし、この方法では、フレームレートを向上させることはできるものの、見かけの画素数が大幅に減少してしまうため、画像の解像度は低下してしまう。

指標値出力機能２７２の解像度向上機能は、解像度向上用学習済みモデルに対して、たとえばビニング読み出しした低解像度の医用画像データを入力することで、たとえば１画素として読み出された領域を２×２画素に戻した高解像度の医用画像データを生成することができる。入力画像データの解像度と出力画像データの解像度の関係は解像度向上用学習済みモデルの学習時に決定される。

第５のＸ線照射制御方法においても、第３、第４のＸ線照射制御方法と同様に、指標値出力機能２７２は、解像度向上用学習済みモデルに対して前回入力された医用画像データにもとづいて生成された高解像度医用画像データと、今回入力された医用画像データにもとづいて生成された高解像度医用画像データと、の変化量（差分）を求め、この変化量を、解像度向上用学習済みモデルの出力の精度の指標値として出力して照射制御機能２７１に与える。前回のセグメンテーション結果と今回のセグメンテーション結果との変化量が小さいほど、解像度向上用学習済みモデルが出力する医用画像データの解像度向上効果が上限に近づいていることを意味する。ここで、変化量としては、画素ごとの画素値の差分を所定領域（たとえば関心領域）で積分したものなどを用いることができる。

照射制御機能２７１は、指標値としての変化量があらかじめ設定された閾値以下となると、Ｘ線源２１からのＸ線の照射を停止させる。この閾値は、ユーザによって設定されてもよい。

第５のＸ線照射制御方法によれば、ＡＥＣディテクタ２３の信号積算値と撮影条件のみによりＸ線照射時間を決定する方法に比べ、医用画像データを入力して利用する解像度向上用学習済みモデルの出力精度に適応的に照射時間を決定することができる。このため、線量過剰による被検体Ｐの過被ばくを未然に防ぐことができ、また、線量不足による再撮影にさらされることによる不都合を未然に防ぐことができる。

なお、照射制御機能２７１は、医用画像データが取得されるごとに解像度向上機能から順次出力される変化量の時間変化にもとづいて変化曲線をフィッティングし、外挿により閾値に到達するタイミング（Ｘ線の停止タイミング）を予測してもよい。

（第６のＸ線照射制御方法（第４の画像処理用学習済みモデル））
第６のＸ線照射制御方法は、フレーム補間処理を行なう画像処理用学習済みモデル（以下、フレーム補間用学習済みモデルという）の出力の変化量にもとづいて、Ｘ線源２１からのＸ線の照射を停止させる方法である。第６のＸ線照射制御方法において、指標値出力機能２７２はフレーム補間機能としての機能を含む。

フレーム補間用学習済みモデルは、前回フレームの医用画像データと、今回フレームの医用画像データと、を入力され、中間フレームを出力する。

フレーム補間機能は、フレーム補間用学習済みモデルを用いて、被検体Ｐに対するＸ線照射中に、ＦＰＤ２２から所定のフレームレートで医用画像データが取得されるごとに、前回フレームの医用画像データと今回フレームの医用画像データとにもとづいて、中間フレームを生成する。

たとえば、所定のサンプリング間隔（たとえば１５ｆｐｓ）で医用画像データが取得される場合、第４のＸ線照射制御方法と同様に、各フレームの医用画像データは、サンプリング間隔よりも短いＸ線照射時間で収集される。

第６のＸ線照射制御方法は、フレーム補間用学習済みモデルによって十分な画質の中間フレームの医用画像データを生成するために必要な、今回フレームの医用画像データを収集するために適切な照射時間を設定する方法である。第６のＸ線照射制御方法は、今回フレームのＸ線照射時間を短縮するために用いられる。

フレーム補間用学習済みモデルに入力される前回フレームの医用画像データは、すでに収集が完了しているため変化しない。一方、フレーム補間用学習済みモデルに入力される今回フレームの医用画像データは、被検体Ｐに対するＸ線照射中であるため、照射時間とともにノイズが減少していく。

第４のＸ線照射制御方法と同様に、指標値出力機能２７２は、今回フレームの医用画像データの照射期間内に今回フレームの医用画像を逐次取得するごとに、フレーム補間用学習済みモデルが出力する中間フレームの変化量（差分）を求め、この変化量をフレーム補間用学習済みモデルの出力の精度の指標値として出力して照射制御機能２７１に与える。

照射制御機能２７１は、指標値としての変化量があらかじめ設定された閾値以下となると、今回フレームにおけるＸ線源２１からのＸ線の照射を停止させ、次回フレームの照射時間までＸ線照射を待機させる。この閾値は、ユーザによって設定されてもよい。

第６のＸ線照射制御方法によれば、ＡＥＣディテクタ２３の信号積算値と撮影条件のみによりＸ線照射時間を決定する方法に比べ、フレーム補間用学習済みモデルの出力精度に適応的に、各フレームの照射時間を決定することができる。このため、十分な画質の中間フレームをリアルタイムに生成しつつ、線量過剰による被検体Ｐの過被ばくを未然に防ぐことができ、また、線量不足による再撮影にさらされることによる不都合を未然に防ぐことができる。

なお、照射制御機能２７１は、回フレームの医用画像データの照射期間内に今回フレームの医用画像データが取得されるごとにフレーム補間機能から順次出力される変化量の時間変化にもとづいて変化曲線をフィッティングし、外挿により閾値に到達するタイミング（Ｘ線の停止タイミング）を予測してもよい。

（第７のＸ線照射制御方法（残時間用学習済みモデル））
第７のＸ線照射制御方法は、他の学習済みモデルに対応する残時間用学習済みモデルが出力する残時間にもとづいてＸ線源２１からのＸ線の照射を停止させる方法である。第７のＸ線照射制御方法において、指標値出力機能２７２は残時間出力機能２７２Ｄとしての機能を含む。

上記の第１から第６のＸ線照射制御方法で説明した学習済みモデルは、いずれも同一の医用画像データを入力として用いることが可能である。また、いずれの学習済みモデルを用いた場合も、照射制御機能２７１は指標値にもとづいてＸ線源２１からのＸ線の照射を停止させる。

そこで、第６のＸ線照射制御方法では、上記学習済みモデルのうち対応する学習済みモデルを用いたと仮定した場合に予測されるＸ線照射終了までの残り時間を推定する。

以下、診断用学習済みモデル４０Ａに対応する残時間用学習済みモデル４０Ｄについて具体的に説明する。

図１１は、残時間出力機能２７２Ｄの学習時におけるデータフローの一例を示す説明図である。

診断用学習済みモデル４０Ａに対応する残時間用学習済みモデル４０Ｄを用意する場合、トレーニングデータのトレーニング入力データは、診断用学習済みモデル４０Ａに対する入力医用画像データ６１１、６１２、６１３、・・・、を用い、教師データは当該医用画像データ６１１、６１２、６１３、・・・、が撮影装置２０により収集されてから照射制御機能２７１によりＸ線の照射が停止されるまでに要した時間（残時間）９１１、９１２、９１３、・・・、を用いる。

第１のＸ線照射制御方法の説明で用いた図５に示すように、医用画像データ６１が収集されるタイミングと、このタイミングからＸ線の照射が停止されるまでの残時間とは、一対一に対応する。なお、残時間は、診断用学習済みモデル４０Ａを用いてＸ線の照射が終了するタイミング（図５の確度６３が０．８０となるタイミング参照）まで確定しないため、トレーニングデータは、同タイミングではじめて得ることができることに注意する。

残時間出力機能２７２Ｄは、医用画像データ６１１、６１２、６１３、・・・、と残時間９１１、９１２、９１３、・・・、の組をトレーニングデータとして多数入力されて深層学習を行うことにより、パラメータデータ４２Ｄを逐次的に更新する。以下、学習後のパラメータデータ４２Ｄを学習済みパラメータデータ４２Ｄｔという。

また、診断用学習済みモデル４０Ａの入力医用画像データ６１が医用画像である場合であっても、残時間出力機能２７２Ｄのトレーニング入力データとしての医用画像データ６１は、当該医用画像のもととなった投影データやサイノグラムであってもよい点は、第２のＸ線照射制御方法に係る判定用学習済みモデル４０Ｂと同様である。また、トレーニング入力データの種類と図１２に示す運用時の入力データの種類は一致させるべきことに注意する。たとえば、トレーニング入力データの医用画像データとして投影データを用いる場合は、運用時の入力データにも投影データを用いる。

図１２は、残時間出力機能２７２Ｄの運用時におけるデータフローの一例を示す説明図である。運用時には、残時間出力機能２７２Ｄは、被検体Ｐに対するＸ線照射中に、ＦＰＤ２２から医用画像データ６１が取得されると、残時間用学習済みモデル４０Ｄを用いて、当該医用画像データ６１を診断用学習済みモデル４０Ａに対して入力したと仮定した場合に、照射制御機能２７１がＸ線の照射を停止するまでに要すると推定される推定時間（残時間）９２を出力する。

なお、ニューラルネットワーク４１Ｄと学習済みパラメータデータ４２Ｄｔは、残時間用学習済みモデル４０Ｄを構成する。判定用学習済みモデル４０Ｄの記憶箇所については、診断用学習済みモデル４０Ａと同様であるため説明を省略する。

図１３は、残時間用学習済みモデル４０Ｄを用いた第７のＸ線照射制御方法について説明するための図である。

第７のＸ線照射制御方法では、残時間出力機能２７２Ｄは、医用画像データ６１が取得されると、残時間用学習済みモデル４０Ｄを用いて、当該医用画像データ６１を診断用学習済みモデル４０Ａに対して入力したと仮定した場合に、照射制御機能２７１がＸ線の照射を停止するまでに要すると推定される残時間９２（図１３に示す例では時間Ｔ）を出力する。

照射制御機能２７１は、残時間９２が経過すると、Ｘ線源２１からのＸ線の照射を停止させる。

なお、残時間用学習済みモデル４０Ｄは、学習済みモデルごとに用意することができる。肺がんの診断用学習済みモデル４０Ａと、肺炎の診断用学習済みモデル４０Ａとが用意されており、肺がんの診断用学習済みモデル４０Ａに対応する判定用学習済みモデル４０Ｂをさらに用意しており、肺炎の診断用学習済みモデル４０Ａに対応する残時間用学習済みモデル４０Ｄをさらに用意している場合を考える。この場合は、指標値出力機能２７２は、肺がんの診断用学習済みモデル４０Ａに代えて肺がんの判定用学習済みモデル４０Ｂを用いるとともに、肺炎の診断用学習済みモデル４０Ａに代えて肺炎の残時間用学習済みモデル４０Ｄを用いてもよい。

また、第１の照射制御方法と同様に、照射制御機能２７１は、残時間９２に対して、ＡＥＣディテクタ２３の信号積算値にもとづいてＡＥＣ判定回路２６から出力される当該積算値が設定値を超えた旨の情報と撮影条件との少なくとも一方を組み合わせて用いてＸ線源２１からのＸ線の照射を停止させてもよい。

第７のＸ線照射制御方法によっても、第１のＸ線照射制御方法と同様の効果を奏する。また、第２のＸ線照射制御方法では、診断用学習済みモデル４０Ａよりも小規模な判定用学習済みモデル４０Ｂを用いるため、処理速度が高く、確実にリアルタイムに確度７２（確度６３の推定値）を出力することができる。また、第７のＸ線照射制御方法では、対応する学習済みモデルよりも小規模な残時間用学習済みモデル４０Ｄを用いるため、処理速度が高く、確実にリアルタイムに、対応する学習済みモデルの出力精度に適応的に、残時間９２を出力することができる。また、残時間用学習済みモデル４０Ｄは、医用画像データ６１を一度入力するだけで残時間９２を出力することができるため、第７のＸ線照射制御方法によれば、非常に簡便に適切なＸ線照射時間を設定することができる。

（上記方法の組み合わせ）
また、上記の第１から第７のＸ線照射制御方法は、任意に組み合わせることができる。たとえば、指標値出力機能２７２は、複数の病変のそれぞれに対応する診断機能２７２Ａ、これらの診断機能２７２Ａの少なくとも１つに対応して診断機能２７２Ａを代替する判定機能２７２Ｂ、デノイズ機能２７２Ｃ、セグメンテーション機能、解像度向上機能、フレーム補間機能、およびこれらの少なくとも１つに対応し代替する残時間出力機能２７２Ｄ、のすべてを含んでもよい。好ましくは、検査目的ごとに、複数の機能とそれぞれの機能に対応する学習済みモデルが用意されるとよい。

複数の学習済みモデルを利用する場合、一度のＸ線照射によって、複数の学習済みモデルの出力を利用することができる。

なお、複数の学習済みモデルを利用する場合は、照射制御機能２７１は、学習済みモデルごとに優先度を設定することができる。たとえば、５つの学習済みモデルが用意される場合、特定の２つの学習済みモデルを優先し、この２つの出力する指標値がそれぞれの閾値を満たすまではＸ線を停止しない、といった設定が可能である。この設定は、たとえば検査オーダに応じて自動的に設定されてもよいし、ユーザにより設定されてもよい。

以上説明した少なくとも１つの実施形態によれば、機械学習モデルの出力の精度の指標値にもとづいて被検体に対するＸ線照射を停止することができる。

なお、上記実施形態において、「プロセッサ」という文言は、たとえば、専用または汎用のＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、または、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、プログラマブル論理デバイス（たとえば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、およびＦＰＧＡ）等の回路を意味するものとする。プロセッサは、記憶媒体に保存されたプログラムを読み出して実行することにより、各種機能を実現する。

また、上記実施形態では処理回路の単一のプロセッサが各機能を実現する場合の例について示したが、複数の独立したプロセッサを組み合わせて処理回路を構成し、各プロセッサが各機能を実現してもよい。この場合、たとえば指標値出力機能２７２の診断機能２７２Ａ、判定機能２７２Ｂ、デノイズ機能２７２Ｃ、セグメンテーション機能、解像度向上機能、フレーム補間機能、および残時間出力機能２７２Ｄは、互いに異なるプロセッサにより実現されてもよい。また、プロセッサが複数設けられる場合、プログラムを記憶する記憶媒体は、プロセッサごとに個別に設けられてもよいし、１つの記憶媒体が全てのプロセッサの機能に対応するプログラムを一括して記憶してもよい。

なお、本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１０ Ｘ線診断装置
２０ 撮影装置
２１ Ｘ線源
２３ ＡＥＣディテクタ
２７ コントローラ
４０Ａ 診断用学習済みモデル
４０Ｂ 判定用学習済みモデル
４０Ｃ デノイズ用学習済みモデル
４０Ｄ 残時間用学習済みモデル
６１、７１、８１、８２ 医用画像データ
６２ 診断結果
６３、７２ 確度
８３ デノイズ機能の出力画像データ間の変化量
９２ 残時間
２７１ 照射制御機能
２７２ 指標値出力機能
２７２Ａ 診断機能
２７２Ｂ 判定機能

Claims (11)

1. Ｘ線撮影装置により収集される被検体に関する医用画像データを、前記Ｘ線撮影装置のＸ線源から前記被検体に対してＸ線を照射中に取得し、前記医用画像データにもとづいて医用データを出力する学習済みモデルに対して前記医用画像データを入力した場合の、前記学習済みモデルの出力の精度の指標値にもとづいて、前記Ｘ線源からのＸ線の照射を停止させる照射制御部、
   を備えたＸ線照射制御装置。
2. 前記学習済みモデルは、
   前記医用画像データにもとづいて、前記被検体の病変に関する医用診断結果データと、前記指標値としての当該医用診断結果データの予測スコアと、を生成する診断用学習済みモデルである、
   請求項１記載のＸ線照射制御装置。
3. 前記診断用学習済みモデルに対して前記医用画像データを入力することで前記予測スコアを生成し、この予測スコアを前記指標値として出力して前記照射制御部に与える指標値出力部、
   をさらに備え、
   前記照射制御部は、
   前記予測スコアが閾値を超えると、前記Ｘ線源からのＸ線の照射を停止させる、
   請求項２記載のＸ線照射制御装置。
4. 前記医用画像データと、前記医用画像データにもとづいて前記診断用学習済みモデルが生成した前記予測スコアと、を学習用データとして用いて構築された判定用学習済みモデル、
   をあらかじめ用意し、
   前記医用画像データにもとづいて前記診断用学習済みモデルの前記予測スコアを生成する判定用学習済みモデルに対して、前記医用画像データを入力することで前記予測スコアを生成し、この予測スコアを前記指標値として出力して前記照射制御部に与える指標値出力部、
   をさらに備え、
   前記照射制御部は、
   前記予測スコアが閾値を超えると、前記Ｘ線源からのＸ線の照射を停止させる、
   請求項２記載のＸ線照射制御装置。
5. 前記学習済みモデルは、
   前記医用画像データにもとづいて、第２の医用画像データを生成する画像処理用学習済みモデルであり、
   前記画像処理用学習済みモデルに対して前回入力された医用画像データにもとづいて生成された第２の医用画像データと、前記画像処理用学習済みモデルに対して今回入力された医用画像データにもとづいて生成された第２の医用画像データと、の変化量を前記指標値として出力して前記照射制御部に与える指標値出力部、
   をさらに備え、
   前記照射制御部は、
   前記変化量が閾値以下となると、前記Ｘ線源からのＸ線の照射を停止させる、
   請求項１記載のＸ線照射制御装置。
6. 前記医用画像データと、前記医用画像データが前記Ｘ線撮影装置により収集されてから前記照射制御部により前記被検体に対するＸ線の照射が停止されるまでに要した時間と、を学習用データとして用いて構築された残時間用学習済みモデル、
   をあらかじめ、前記学習済みモデルごとに用意し、
   前記指標値出力部は、
   前記残時間用学習済みモデルに対して前記医用画像データを入力することで、前記残時間用学習済みモデルに対応する前記学習済みモデルを用いた場合に当該入力からＸ線の照射停止までに要する推定時間を生成し、前記照射制御部に与え、
   前記照射制御部は、
   前記推定時間が経過すると、前記Ｘ線源からのＸ線の照射を停止させる、
   請求項３ないし５のいずれか１項に記載のＸ線照射制御装置。
7. 前記学習済みモデルは、検査目的に応じて複数用意され、
   前記指標値出力部は、
   複数の前記学習済みモデルのそれぞれに対して前記医用画像データを入力することで、前記指標値または前記推定時間を生成して前記照射制御部に与える、
   請求項６記載のＸ線照射制御装置。
8. 前記照射制御部は、
   さらに、前記被検体を透過したＸ線の強度に応じた信号を出力するＡＥＣ検出器の出力信号の積算値にもとづいて前記被検体に対するＸ線の照射を停止させる、
   請求項１ないし７のいずれか１項に記載のＸ線照射制御装置。
9. 前記照射制御部は、
   さらに、撮影条件にもとづいて取得されるＸ線照射時間にもとづいて前記被検体に対するＸ線の照射を停止させる、
   請求項１ないし８のいずれか１項に記載のＸ線照射制御装置。
10. 前記Ｘ線撮影装置と、
    請求項１ないし９のいずれか１項に記載のＸ線照射制御装置と、
    を備えたＸ線診断装置。
11. コンピュータに、
    Ｘ線撮影装置により収集される被検体に関する医用画像データを、前記Ｘ線撮影装置のＸ線源から前記被検体に対してＸ線を照射中に取得するステップと、
    前記医用画像データにもとづいて医用データを出力する学習済みモデルに対して前記医用画像データを入力した場合の、前記学習済みモデルの出力の精度の指標値にもとづいて、前記Ｘ線源からのＸ線の照射を停止するステップと、
    を実行させるためのＸ線照射制御プログラム。

Images