JP7213412B2 - 医用画像抽出装置、医用画像抽出方法、及び、コンピュータプログラム - Google Patents

Description

本開示は、医用画像抽出装置、医用画像抽出方法、及び、コンピュータプログラムに関する。

生体の内部は、Ｘ線や磁気などを利用して外部から撮影し、コンピュータ処理することでＣＴ（Computed Tomography）やＭＲＩ（Magnetic Resonance Imaging）などの撮影画像が得られる。また、この撮影画像情報からコンピュータ画像解析技術を用いて処理することで、特定の臓器や構造のみを自動で抽出することが可能になる。

しかしながら、抽出したい生体内の構造が小さかったり薄かったりした場合には、撮影画像に占める面積が小さいため、抽出が難しい。また、抽出したい部分とその周囲のＸ線吸収値や信号強度の差が小さいなど様々な原因で、撮影画像上で認識できない場合もある。このような場合、その構造を撮影画像上で認識できない箇所を含めて抽出することは難しい。

ある実施の形態に従うと、医用画像抽出装置は、撮影画像から、撮影画像上認識できる第１の部分と、撮影画像上認識できない第２の部分と、からなる生体構造を抽出する画像抽出処理を実行するプロセッサを備え、画像抽出処理は、撮影画像から第１の部分を抽出する第１の抽出処理と、抽出された第１の部分を示す画像が補間された生体構造を生成する第２の抽出処理と、を含む。

他の実施の形態に従うと、医用画像抽出方法は、撮影画像から、撮影画像上認識できる第１の部分と、撮影画像上認識できない第２の部分と、からなる生体構造を抽出する方法であって、撮影画像から第１の部分を抽出するステップと、抽出された第１の部分が補間された生体構造を生成するステップと、を備える。

他の実施の形態に従うと、コンピュータプログラムは撮影画像から、撮影画像上認識できる第１の部分と、撮影画像上認識できない第２の部分と、からなる生体構造を抽出する画像抽出処理をコンピュータに実行させるコンピュータプログラムであって、画像抽出処理は、撮影画像から第１の部分を抽出する第１の抽出処理と、抽出された第１の部分が補間された生体構造を生成する第２の抽出処理と、を含む。

図１は、実施の形態にかかる医用画像抽出装置（以下、画像抽出装置）のブロック図である。 図２Ａは画像抽出装置に入力される撮影画像の一例であり、図２Ｂは画像抽出装置で抽出される部分画像の一例である。 図３は、第１抽出処理及び第２抽出処理の流れを表した図である。 図４は、心外膜下脂肪抽出処理の流れを表した図である。 図５は、実験１を説明するための図である。 図６は、実験１の結果を示した図である。 図７は、第２の実施の形態に係る第２抽出処理を説明するための図である。 図８は、実験２の結果を示した図である。 図９は、実験３の結果を示した図である。

［１．医用画像抽出装置、医用画像抽出方法、及び、コンピュータプログラムの概要］
（１）本実施の形態に含まれる医用画像抽出装置は、撮影画像から、撮影画像上認識できる第１の部分と、撮影画像上認識できない第２の部分と、からなる生体構造を抽出する画像抽出処理を実行するプロセッサを備え、画像抽出処理は、撮影構造から第１の部分を抽出する第１の抽出処理と、抽出された第１の部分が補間された生体構造を生成する第２抽出処理と、を含む。画像抽出処理を第１の抽出処理及び第２の抽出処理の２ステップで実行することによって、撮影画像から、現れていない第１の部分を含む生体構造を抽出することができる。

（２）好ましくは、第１の抽出処理では、撮影画像と当該撮影画像上認識できる第１の部分との組み合せを用いて機械学習することによって得られた機械学習モデルを用いる。これにより、撮影画像から精度よく第１の部分が抽出できる。

（３）好ましくは、第２の抽出処理では、第１の部分と当該第１の部分を含む生体構造との組み合せを用いて機械学習することによって得られた機械学習モデルを用いる。これにより、第１の部分から精度よく生体構造が生成できる。

（４）好ましくは、撮影画像は生体外部から撮影した心臓断面撮影画像であり、生体構造は心外膜である。これにより、この医用画像抽出装置を用いると、心臓断面撮影画像から心外膜領域を抽出できる。

（５）好ましくは、第２の抽出処理では、心臓断面撮影画像と、第１画素値を持つ第１領域と第２画素値を持つ第２領域との境界によって心外膜が表現された画像と、の組み合わせを用いて機械学習することによって得られた機械学習モデルを用いる。これにより、より精度よく心臓断面撮影画像から心外膜領域を抽出できる。

（６）好ましくは、画像抽出処理は、心臓断面撮影画像である撮影画像から抽出された脂肪領域のうちの、抽出された心外膜領域の内部領域を心外膜下脂肪領域として抽出する心外膜下脂肪抽出処理をさらに含む。これにより、心臓断面撮影画像から精度よく心外膜下脂肪領域を抽出できる。心臓断面撮影画像から心外膜下脂肪を示す画像が抽出されることによって、心臓の3次元ＣＴ画像を構成する複数の2次元断面撮影画像それぞれから心外膜下脂肪の領域を抽出することで、心臓の心外膜下脂肪量を算出することができる。

（７）本実施の形態に含まれる医用画像抽出方法は、撮影画像から、撮影画像上認識できる第１の部分と、撮影画像上認識できない第２の部分と、からなる生体構造を抽出する方法であって、撮影画像から第１の部分を抽出するステップと、抽出された第１の部分が補間された生体構造を生成するステップと、を備える。この医用画像抽出方法は、（１）～（６）に記載の医用画像抽出装置における医用画像抽出方法であるため、これら医用画像抽出装置と同様の効果を奏する。

（８）本実施の形態に含まれるコンピュータプログラムは、撮影画像から、撮影画像上認識できる第１の部分と、撮影画像上認識できない第２の部分と、からなる生体構造を抽出する画像抽出処理をコンピュータに実行させるコンピュータプログラムであって、画像抽出処理は、撮影画像から第１の部分を抽出する第１の抽出処理と、抽出された第１の部分が補間された生体構造を生成する第２の抽出処理と、を含む。このコンピュータプログラムは、コンピュータに（１）～（６）に記載の医用画像抽出装置での画像抽出処理を実行させるコンピュータプログラムであるため、これら医用画像抽出装置と同様の効果を奏する。

［２．医用画像抽出装置、医用画像抽出方法、及び、コンピュータプログラムの例］
［第１の実施の形態］
＜システムの構成＞
図１に示している通り、本実施の形態に係る医用画像抽出装置（以下、画像抽出装置と略する）１は、プロセッサ１０と、メモリ１１と、ディスプレイ１３と、を含む、一般的なコンピュータによって構成される。プロセッサ１０は、例えば、ＣＰＵ（Central Processing Unit）である。

ディスプレイ１３は、例えば、ＬＣＤ（液晶ディスプレイ：Liquid Crystal Display）やＯＥＤ（有機ＥＬディスプレイ：Organic Electro Luminescence Display）などである。

メモリ１１は、フラッシュメモリ、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）、ＲＯＭ、ＲＡＭ（Random Access Memory）などを含む。メモリ１１は、１又は複数のプログラムからなる演算プログラム１１１を記憶する。プロセッサ１０は、メモリ１１に記憶された演算プログラム１１１を読み出して画像抽出処理Ｓ１００を実行する演算部１０１として機能する。

演算プログラム１１１は、ＣＤ－ＲＯＭや（Compact Disc Read only memory）やＤＶＤ－ＲＯＭ（Digital Versatile Disk ROM）などの記録媒体に記録した状態で譲渡することもできるし、サーバコンピュータなどのコンピュータ装置からのダウンロードによって譲渡することもできる。演算プログラム１１１は、ウェブブラウザ上で動作するいわゆるウェブアプリケーションであってもよいし、プロセッサ１０でのみ動作するいわゆる専用アプリケーションであってもよい。

また、メモリ１１は、画像抽出処理Ｓ１００で用いられる第１モデル１１２及び第２モデル１１３をさらに記憶する。第１モデル１１２及び第２モデル１１３については後述する。

また、メモリ１１は、図示しない制御プログラムをさらに記憶する。プロセッサ１０は、メモリ１１に記憶された制御プログラムを読み出して、ディスプレイ１３での表示を制御する表示制御部１０２として機能する。表示制御部１０２は画像抽出処理Ｓ１００の結果をディスプレイ１３に表示する表示処理を実行する。

画像抽出装置１は、さらに、画像入力部１２を有する。画像入力部１２は、演算部１０１での演算処理の対象となる撮影画像ＩＭ１をプロセッサ１０に入力する。画像入力部１２は、図示しないカメラ等の撮影装置と通信する機能を有し、撮影装置と通信することによって撮影画像ＩＭ１をプロセッサ１０に入力するものであってもよい。または、画像入力部１２は、記録媒体から記録されたデータを読み出す装置であって、記録媒体から、記録されている撮影画像ＩＭ１を読み出してプロセッサ１０に入力してもよい。

＜画像抽出処理＞
画像抽出処理Ｓ１００は、図２（Ａ）に示された撮影画像ＩＭ１から図２（Ｂ）に示された画像ＩＭ３を生成する処理である。撮影画像ＩＭ１は、生体を外部から撮影して得られる断面画像である。撮影は、Ｘ線を利用したもの、磁気を利用したもの、などである。画像ＩＭ３は、撮影画像ＩＭ１から抽出された生体を構成する一部分（以下、生体構造と称する）Ａを示す画像である。撮影画像ＩＭ１は、生体構造Ａの一部である第１の部分である一部領域Ａ１を含む領域Ｘ１と、生体構造Ａをまったく含まない領域Ｘ２と、を有する。撮影画像ＩＭ１が領域Ｘ１を有することで、生体構造Ａの一部領域Ａ１は撮影画像ＩＭ１に現れている。撮影画像ＩＭ１が領域Ｘ２を有することで、生体構造Ａの一部領域Ａ１以外の領域（第２の部分）は撮影画像ＩＭ１に現れていない。生体構造Ａ図２の例では、撮影画像ＩＭ１は、例えば、心臓ＣＴ画像であり、画像ＩＭ３は、例えば、心外膜画像である。

図１及び図３に示されるように、画像抽出処理Ｓ１００は、第１抽出処理Ｓ１０及び第２抽出処理Ｓ２０の２段階の処理を有する。図３を参照して、第１段階目の処理である第１抽出処理Ｓ１０は、撮影画像ＩＭ１の領域Ｘ１から、領域Ｘ１に現れている生体構造Ａの一部領域Ａ１を抽出する処理である。第２段階目の処理である第２抽出処理Ｓ２０は、第１抽出処理Ｓ１０によって得られた一部領域Ａ１を補間するなどによって領域Ｘ１に現れていない部分を抽出して生体構造Ａを得、生体構造Ａを示す画像ＩＭ３を得る処理である。

第１抽出処理Ｓ１０及び第２抽出処理Ｓ２０の少なくとも一方の処理には、機械学習によって得られたモデルが用いられる。好ましくは、第１抽出処理Ｓ１０及び第２抽出処理Ｓ２０の両方の処理に用いられる。すなわち、第１抽出処理Ｓ１０では、撮影画像ＩＭ１に第１モデル１１２を適用することによって、撮影画像ＩＭ１の領域Ｘ１から抽出された一部領域Ａ１が示された画像ＩＭ２が生成される。第２抽出処理Ｓ２０では、画像ＩＭ２に対して第２モデル１１３を適用することで一部領域Ａ１が補間された生体構造Ａを示す画像ＩＭ３が得られる。

第１モデル１１２は、撮影画像と一部領域Ａ１との組み合わせを用いて機械学習を実行することによって得られた機械学習モデルである。第１モデル１１２は、上記組み合わせを用いて深層学習を実行することにより得られた深層学習モデルであってもよい。第１モデル１１２は、例えば、Ｕ－Ｎｅｔと呼ばれる、領域抽出に用いられる学習モデルであってよい。Ｕ－Ｎｅｔは医用画像においてセグメンテーションを高精度にできる。

第２モデル１１３は、生体構造Ａを正解画像として一部領域Ａ１との組み合わせを用いて機械学習を実行することによって得られた機械学習モデルである。第２モデル１１３は、上記組み合わせを用いて深層学習を実行することにより得られた深層学習モデルであってもよい。第２モデル１１３は、例えば、２画像との組み合わせを用いた学習で得られた関係性を適用して、入力画像から画像を生成する学習モデルである。第２モデル１１３は、ＧＡＮ（Generative Adversarial Network）に基づくネットワークであるＧｅｎｅｒａｔｏｒで画像を生成後、Ｄｉｓｃｒｉｍｉｎａｔｏｒで識別し、誤差を伝播する機構を導入している。

図１に示されるように、好ましくは、演算部１０１は、さらに、心外膜下脂肪抽出処理Ｓ３０を実行する。心外膜下脂肪抽出処理Ｓ３０は、撮影画像ＩＭ１から特徴部分画像ＩＭ５を生成する処理である。特徴部分画像ＩＭ５は、生体構造Ａによって区分される生体の領域Ｂ１を示す画像である。図４の例では、特徴部分画像ＩＭ５は、心外膜下脂肪画像である。

図４に示されるように、心外膜下脂肪抽出処理Ｓ３０は、撮影画像ＩＭ１から領域Ｂを抽出して領域Ｂを示す特徴画像ＩＭ４を生成する抽出処理Ｓ３１と、第１抽出処理Ｓ１０及び第２抽出処理によって撮影画像ＩＭ１から得られた画像ＩＭ３と特徴画像ＩＭ４とから、特徴部分画像ＩＭ５を生成する生成処理Ｓ３３と、を含む。

特徴画像ＩＭ４は、生体構造Ａによって区分される生体領域Ｂ１及びＢ２からなる生体領域Ｂを示す。生体領域Ｂは、画素値に所定の特徴を有する画素から構成される。画素値の所定の特徴は、例えば、明度、濃度、輝度などが所定以上であること、などである。そのため、抽出処理Ｓ３１は、例えば、閾値法、最尤法などを利用した抽出処理である。図４の例では、生体領域Ｂは、図２（Ａ）の心臓ＣＴ画像である撮影画像ＩＭ１から得られた脂肪領域である。

脂肪領域のうち、心外膜下に存在する脂肪領域が心外膜下脂肪領域である。そのため、生成処理Ｓ３３は、特徴画像ＩＭ４に画像ＩＭ３を重ね、生体領域Ｂから、画像ＩＭ３に現れる生体構造Ａによって区分される生体領域Ｂ２を除く生体領域Ｂ１を抽出する処理を含む。

＜実施の形態の効果＞
例えば心外膜などの生体を示す画像を得るためには、生体を外部から撮影して得られた断面画像である撮影画像から生体構造を抽出する必要がある。しかしながら、心外膜などの生体構造は必ずしもすべての範囲が撮影画像上認識できず、撮影画像上認識できる部分と認識できない部分とがある。また、生体構造が心外膜などの撮影画像における面積が小さい場合、生体構造外の領域とのコントラストが小さくなり、画像処理では抽出されにくい。

この点、図５に示されるように、撮影画像ＩＭ１とその撮影画像から得られる心外膜画像ＩＭ３との組を用いて機械学習させたモデル１１２Ａを利用して、撮影画像ＩＭＡから心外膜画像ＩＭＢを生成することが考えられる。そこで、本願発明者らは、実験１として、７組の画像を用いて生成されたモデル１１２Ａを用いて、４つの撮影画像ＩＭＡからそれぞれ心外膜画像ＩＭＢを生成した。

図６を参照して、実験１によって生成された心外膜画像ＩＭＢと、撮影画像ＩＭＡから医師等の専門家による手動によって得られる真の心外膜画像ＩＭＴとを比較すると、いずれの撮影画像ＩＭＡからも正確な心外膜画像ＩＭＴが得られていないことがわかる。実験１において、心外膜画像ＩＭＴに対する心外膜画像ＩＭＢの類似性を表すＤｉｃｅ係数は０．３４と算出された。従って、実験１より、２段階での画像抽出処理Ｓ１００を行うことなく撮影画像ＩＭ１から画像ＩＭ３を直接抽出することは、抽出精度が極めて低いことが検証された。

これに対して、本実施の形態にかかる画像抽出装置１では、撮影画像ＩＭ１から撮影画像ＩＭ１に現れている生体構造Ａの一部領域Ａ１を抽出する第１抽出処理Ｓ１０と、一部領域Ａ１を補間することで撮影画像上認識できない生体構造を抽出して生体構造Ａを得る第２抽出処理Ｓ２０と、の２段階で画像抽出処理Ｓ１００を実行する。これにより、撮影画像ＩＭ１から生体構造Ａが抽出され、生体構造Ａを示す画像ＩＭ３が得られる。

第１抽出処理Ｓ１０では、撮影画像ＩＭ１と撮影画像ＩＭ１上認識できる一部領域Ａ１との組を用いて機械学習された第１モデル１１２を利用する。そのため、撮影画像上認識できない部分を含む生体構造Ａとの組を用いて機械学習されたモデルより、モデル自体の精度を向上させることができる。その結果、一部領域Ａ１の抽出精度を向上させることができる。また、一部領域Ａ１の抽出精度が向上することによって、一部領域Ａ１を補間して得られる生体構造Ａの精度を向上させることができる。

［第２の実施の形態］
心外膜のように、生体構造Ａの撮影画像に対する割合が小さくなるほど、一部領域Ａ１と生体構造Ａとの差異が小さくなる。すなわち、モデルの機械学習に用いられる入力画像と正解画像との組み合せの差異が小さくなる。入力画像と正解画像との差異が小さいと、これら画像の差異の傾向がとらえにくくなる。そのため、第１の実施の形態に係る画像抽出装置１では精度よく生体構造Ａを抽出できる場合もあるものの、これら画像の組み合せを用いて機械学習することで得られる第２モデル１１３を用いるため、生体構造Ａの抽出精度が低下する場合もある。

そこで、第２の実施の形態に係る画像抽出装置１では、図７に示されたように、生体構造Ａの内外で画素値の異なる画像を正解画像として機械学習された第２モデル１１３Ａを用いる。生体構造Ａの内外で画素値の異なる画像は、生体構造Ａより内側の第１領域をすべて第１の画素値（ここでは白画素）とし、外側の第２領域をすべて第２の画素値（ここでは黒画素）とし、第１領域と第２領域との境界によって生体構造Ａが表現された画像である。この場合、第２抽出処理Ｓ２０によって、画像ＩＭ２から生体構造Ａの内外で画素値を異なる画像ＩＭ３Ａが得られる。第２の実施の形態に係る画像抽出装置１では、第２抽出処理Ｓ２０によって得られた画像ＩＭ３Ａから第１領域と第２領域との境界を抽出する処理をさらに実行することによって、画像ＩＭ３Ａから生体構造Ａを抽出する。

＜実施の形態の効果＞
生体構造Ａの内外で画素値の異なる画像を正解画像として用いることで、学習に用いる画像の組の間での差異を大きくすることができる。これにより、入力画像と正解画像との差異の傾向を顕著化できる。その結果、この組み合わせを用いて機械学習することで得られる第２モデル１１３Ａの精度を向上させることができる。

なお、本願発明者らは、第２の実施の形態にかかる画像抽出装置１についても、撮影画像ＩＭＡから心外膜画像ＩＭＢを生成する実験２を行った。実験２では、生体構造Ａの内外で画素値を異ならせた画像を正解画像とした７組の画像を用いて第２モデル１１３Ａを生成し、４つの撮影画像ＩＭＡからそれぞれ心外膜画像ＩＭＢを生成した。

図８を参照して、実験２によって生成された心外膜画像ＩＭＢと、撮影画像ＩＭＡから医師等の専門家による手動によって得られる真の心外膜画像ＩＭＴとを比較した。その結果、Ｄｉｃｅ係数は実験１で得られた画像のＤｉｃｅ係数よりは大きいものの、実験１と同様に、いずれの撮影画像ＩＭＡからも正確な心外膜画像ＩＭＴが得られていないことがわかった。従って、実験２からも、２段階での画像抽出処理Ｓ１００を行うことなく撮影画像ＩＭ１から画像ＩＭ３を直接抽出することは、抽出精度が極めて低いことが検証された。

撮影画像ＩＭ１から生体構造Ａが精度よく抽出されると、心外膜下脂肪抽出処理Ｓ３０での特徴部分画像ＩＭ５の抽出精度が向上する。そこで、発明者らは、実験３として、撮影画像ＩＭ１から、従来の抽出方法（閾値法）と、第２の実施の形態に係る画像抽出装置１（提案法）での画像抽出処理Ｓ１００とで、それぞれ心外膜下脂肪領域を抽出し、抽出された領域から心外膜下脂肪量を算出した。これらを比較するために、算出された心外膜下脂肪量の真の心外膜下脂肪量に対する誤差を算出した。実験３では、Ａ～Ｅを被験者とした。被験者Ａ，Ｂは脂肪量が多く、被験者Ｃは普通の脂肪量、被験者Ｄ，Ｅは脂肪量が少ない。

実験３では、被験者Ａ～Ｅから心臓ＣＴ画像を得、閾値法によって脂肪領域を抽出した。また、第２の実施の形態に係る画像抽出装置１のプロセッサ１０は、第１抽出処理Ｓ１０及び第２抽出処理Ｓ２０によって心外膜画像を生成した。画像抽出装置１のプロセッサ１０は、心外膜下脂肪抽出処理Ｓ３０において、生成された心外膜画像を閾値法によって抽出された脂肪領域に適用することで、心外膜下脂肪領域を抽出した（提案法）。

同一の被験者について、所定距離をあけて撮影して得られる複数の心臓ＣＴ画像を用いる。同一の被験者について、各心臓ＣＴ画像から閾値法によって脂肪領域、及び、提案法によって心外膜下脂肪を抽出した。同一の被験者についての複数の心臓ＣＴ画像それぞれから閾値法によって得られた脂肪領域を加算することで、閾値法による脂肪量が算出される。また、同一の被験者についての複数の心臓ＣＴ画像それぞれから提案法によって得られた心外膜下脂肪を加算することで、提案法による脂肪量が算出される。脂肪領域を加算することは脂肪量の算出方法の一例であって、その他、積分などの手法を採用してもよい。

図９を参照して、閾値法では、撮影画像ＩＭ１から心外膜領域が正確に抽出されないため、心外膜に対して内外の脂肪とも心外膜下脂肪量として算出されていた。そのため、閾値法によって算出された心外膜下脂肪量は、真の心外膜下脂肪量に対する誤差が大きい。

これに対して、提案法では、高精度の心外膜下脂肪領域が抽出される。そのため、閾値法によって抽出された脂肪領域から算出される心外膜の上下の脂肪量から高精度で心外膜下の脂肪量を抽出することができる。

実験３の結果より、本実施の形態に係る画像抽出装置１では、撮影画像ＩＭ１から生体構造Ａを示す画像ＩＭ３を高精度に抽出できることが検証された。また、第２抽出処理Ｓ２０において、撮影画像ＩＭ１全体に対して生体構造Ａが小さい場合に、生体構造Ａの内外で区分けされる画像を正解画像として機械学習に用いたモデルを利用することで、より精度よく画像ＩＭ３が抽出される。

なお、画像抽出装置１で抽出された心外膜領域は、心外膜下脂肪量の算出の他、心房内腔の容積や心筋の体積の同定に用いることもできる。

本発明は、上記実施形態に限定されるものではなく、様々な変形が可能である。

１ ：医用画像抽出装置（画像抽出装置）
１０ ：プロセッサ
１１ ：メモリ
１２ ：画像入力部
１３ ：ディスプレイ
１０１ ：演算部
１０２ ：表示制御部
１１１ ：演算プログラム
１１２ ：第１モデル
１１２Ａ ：モデル
１１３ ：第２モデル
１１３Ａ ：第２モデル
Ａ ：生体構造
Ａ１ ：一部領域
Ｂ ：生体領域
Ｂ１ ：生体領域
ＩＭ１ ：撮影画像
ＩＭ２ ：画像
ＩＭ３ ：画像
ＩＭ３Ａ ：画像
ＩＭ４ ：特徴画像
ＩＭ５ ：特徴部分画像
ＩＭＡ ：撮影画像
ＩＭＢ ：心外膜画像
ＩＭＴ ：心外膜画像
Ｓ１０ ：第１抽出処理
Ｓ２０ ：第２抽出処理
Ｓ３０ ：心外膜下脂肪抽出処理
Ｓ３１ ：抽出処理
Ｓ３３ ：生成処理
Ｓ１００ ：画像抽出処理
Ｘ１ ：領域
Ｘ２ ：領域

Claims (6)

1. 撮影画像から、前記撮影画像上認識できる第１の部分と、前記撮影画像上認識できない第２の部分と、からなる生体構造を抽出する画像抽出処理を実行するプロセッサを備え、
   前記画像抽出処理は、
   撮影画像と当該撮影画像に現れている第１の部分との組み合せを用いて機械学習することによって得られた第１の機械学習モデルを用いて、前記撮影画像から前記第１の部分を抽出する第１の抽出処理と、
   第１の部分と当該第１の部分を含む生体構造との組み合せを用いて機械学習することによって得られた第２の機械学習モデルを用いて、抽出された前記第１の部分が補間された前記生体構造を生成する第２の抽出処理と、を含む
   医用画像抽出装置。
2. 前記撮影画像は生体外部から撮影した心臓断面撮影画像であり、
   前記生体構造は心外膜である
   請求項１に記載の医用画像抽出装置。
3. 前記第２の機械学習モデルは、心臓断面撮影画像と、第１画素値を持つ第１領域と第２画素値を持つ第２領域との境界によって心外膜が表現された画像と、の組み合わせを用いて機械学習することによって得られた機械学習モデルである
   請求項２に記載の医用画像抽出装置。
4. 前記画像抽出処理は、心臓断面撮影画像から抽出された脂肪領域のうちの、抽出された心外膜領域の内部領域を心外膜下脂肪領域として抽出する心外膜下脂肪抽出処理をさらに含む
   請求項２または３に記載の医用画像抽出装置。
5. 撮影画像から、前記撮影画像上認識できる第１の部分と、前記撮影画像上認識できない第２の部分と、からなる生体構造を抽出する方法であって、
   撮影画像と当該撮影画像に現れている第１の部分との組み合せを用いて機械学習することによって得られた第１の機械学習モデルを用いて、前記撮影画像から前記第１の部分を抽出するステップと、
   第１の部分と当該第１の部分を含む生体構造との組み合せを用いて機械学習することによって得られた第２の機械学習モデルを用いて、抽出された前記第１の部分が補間された前記生体構造を生成するステップと、を備える
   医用画像抽出方法。
6. 撮影画像から、前記撮影画像上認識できる第１の部分と、前記撮影画像上認識できない第２の部分と、からなる生体構造を抽出する画像抽出処理をコンピュータに実行させるコンピュータプログラムであって、
   前記画像抽出処理は、
   撮影画像と当該撮影画像に現れている第１の部分との組み合せを用いて機械学習することによって得られた第１の機械学習モデルを用いて、前記撮影画像から前記第１の部分を示す画像を抽出する第１の抽出処理と、
   第１の部分と当該第１の部分を含む生体構造との組み合せを用いて機械学習することによって得られた第２の機械学習モデルを用いて、抽出された前記第１の部分を示す画像が補間された前記生体構造を生成する第２の抽出処理と、を含む
   コンピュータプログラム。

Images