JP7226207B2 - 医用画像処理装置、ｘ線画像処理システム、および、学習モデルの生成方法 - Google Patents

医用画像処理装置、ｘ線画像処理システム、および、学習モデルの生成方法 Download PDF

Info

Publication number
JP7226207B2
JP7226207B2 JP2019167628A JP2019167628A JP7226207B2 JP 7226207 B2 JP7226207 B2 JP 7226207B2 JP 2019167628 A JP2019167628 A JP 2019167628A JP 2019167628 A JP2019167628 A JP 2019167628A JP 7226207 B2 JP7226207 B2 JP 7226207B2
Authority
JP
Japan
Prior art keywords
image
specific portion
ray
teacher
bone
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2019167628A
Other languages
English (en)
Other versions
JP2021041090A (ja
Inventor
翔太 押川
渉 ▲高▼橋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shimadzu Corp
Original Assignee
Shimadzu Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shimadzu Corp filed Critical Shimadzu Corp
Priority to JP2019167628A priority Critical patent/JP7226207B2/ja
Publication of JP2021041090A publication Critical patent/JP2021041090A/ja
Application granted granted Critical
Publication of JP7226207B2 publication Critical patent/JP7226207B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Description

本発明は、医用画像処理装置、Ｘ線画像処理システム、および、学習モデルの生成方法に関する。
従来、被検者の特定部位を含むＸ線透視画像から特定部位の位置を検出し、特定部位に対して治療ビームを照射するために、特定部位の動きを追跡する放射線治療用追跡装置が知られている（たとえば、特許文献１参照）。
上記特許文献１には、ＤＲＲ（Ｄｉｇｉｔａｌｌｙ Ｒｅｃｏｎｓｔｒｕｃｔｅｄ Ｒａｄｉｏｇｒａｐｈｙ）画像作成部と、識別器学習部と、特定部位領域検出部とを備える放射線治療用追跡装置が開示されている。ＤＲＲ画像作成部は、治療計画時に作成された特定部位を含む領域のＣＴ画像データに対して仮想的透視投影を行うことによって、特定部位を含むＤＲＲ画像を作成する。識別器学習部は、ＤＲＲ画像を入力とし、特定部位の領域を示す教師ラベル画像を出力として、機械学習を実行することにより、特定部位の領域を認識するための識別器を学習する。特定部位領域検出部は、特定部位を含むＸ線透視画像に対して、学習された識別器を使用して識別を行うことによって、特定部位の領域を検出する。また、上記特許文献１に記載の放射線治療用追跡装置は、ＤＲＲ画像とＸ線透視画像との違いを吸収し、特定部位をより確実に追跡するために、生成されたＤＲＲ画像全体に対してコントラストの変更を行う。上記の構成によって、予めＤＲＲ画像と教師ラベル画像とを機械学習することによって識別器を学習し、この識別器とＸ線透視画像とを利用して識別を実行することにより、特定部位の位置を検出する。そして、上記特許文献１に記載の放射線治療用追跡装置は、特定部位に対して治療ビームを照射するために、特定部位の動きを追跡する。
国際公開第２０１９／００３４３４号
しかしながら、上記特許文献１に記載の放射線治療用追跡装置において、Ｘ線透視画像に含まれる骨部の画素値と骨部以外の部分の画素値との差（相対値）と、ＤＲＲ画像に含まれる骨部の画素値と骨部以外の部分の画素値との差（相対値）と、が異なる値となる場合がある。つまり、Ｘ線透視画像では、たとえば、横隔膜および臓器などによって骨部の写り方が薄くなるのに対して、ＤＲＲ画像では、ＣＴ値に基づいて生成された３次元データを２次元に投影するためＸ線透視画像に比べて骨部の写り方が明瞭になる場合がある。この場合、上記特許文献１に記載の放射線治療用追跡装置のように、ＤＲＲ画像全体に対してコントラストの変更を行ったとしても、骨部以外のコントラストも変化するため、Ｘ線透視画像を正確に模擬することができないと考えられる。そのため、上記特許文献１に記載の放射線治療用追跡装置のように、コントラストの変更を全体に行ったＤＲＲ画像を入力とした機械学習によって生成された識別器（学習モデル）を用いて、Ｘ線透視画像を識別する際に、Ｘ線透視画像とＤＲＲ画像とにおいて骨部の写り方が異なる場合には、識別の精度が低下すると考えられる。このため、ＤＲＲ画像（２次元投影画像）とＸ線透視画像（Ｘ線画像）とにおいて、骨部（特定部分）の写り方（画素値）が異なる場合にも、特定部位（抽出対象部分）の抽出または骨部（特定部分）の除去の精度が低下することを抑制することが可能な医用画像処理装置、Ｘ線画像処理システム、および、学習モデルの生成方法の開発が望まれている。
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、２次元投影画像とＸ線画像とにおいて、特定部分の写り方（画素値）が異なる場合にも、抽出対象部分の抽出または特定部分の除去の精度が低下することを抑制することが可能な医用画像処理装置、Ｘ線画像処理システム、および、学習モデルの生成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の局面における医用画像処理装置は、３次元における画素値データを有する３次元データに基づいて取得された被検体の特定部分を含む領域についての２次元投影画像に対して、特定部分の画素値が特定部分以外の部分の画素値に対して相対的に変更されている画像を含む入力教師画像と、入力教師画像と同じ領域における抽出対象部分を示す画像または特定部分を除く画像である出力教師画像と、を生成する学習画像生成部と、入力教師画像および出力教師画像を用いて、機械学習を行うことにより、抽出対象部分を抽出するか、または、特定部分を除去するための学習モデルを生成する学習モデル生成部と、学習済みの学習モデルに基づいて、Ｘ線撮影によって取得された被検体の特定部分を含むＸ線画像に対して、抽出対象部分を抽出する処理と、特定部分を除去する処理とのいずれか一方を行う画像処理部と、を備え、学習画像生成部は、特定部分と特定部分以外の部分とを含む２次元投影画像と、特定部分を除くように生成された２次元投影画像である合成用投影画像とを、２次元投影画像と合成用投影画像との画素値の割合を変更しながら合成することによって、特定部分の画素値が複数種類に変更された複数の入力教師画像を生成するように構成されている。なお、「Ｘ線画像」とは、Ｘ線透視画像およびＸ線撮影画像を含む。
この発明の第２の局面における、Ｘ線画像処理システムは、３次元における画素値データを有する３次元データに基づいて取得された被検体の特定部分を含む領域についての２次元投影画像に対して、特定部分の画素値が特定部分以外の部分の画素値に対して相対的に変更されている画像を含む入力教師画像と、入力教師画像と同じ領域における抽出対象部分を示す画像または特定部分を除く画像である出力教師画像と、を生成する学習画像生成部と、入力教師画像および出力教師画像を用いて、機械学習を行うことにより、抽出対象部分を抽出するか、または、特定部分を除去するための学習モデルを生成する学習モデル生成部と、Ｘ線撮影によって被検体の特定部分を含むＸ線画像を取得するＸ線撮影部と、学習済みの学習モデルに基づいて、Ｘ線撮影部によって撮影されたＸ線画像に対して、抽出対象部分を抽出する処理と、特定部分を除去する処理とのいずれか一方を行う画像処理部と、を備え、学習画像生成部は、特定部分と特定部分以外の部分とを含む２次元投影画像と、特定部分を除くように生成された２次元投影画像である合成用投影画像とを、２次元投影画像と合成用投影画像との画素値の割合を変更しながら合成することによって、特定部分の画素値が複数種類に変更された複数の入力教師画像を生成するように構成されている。
この発明の第３の局面における、学習モデルの生成方法は、３次元における画素値データを有する３次元データに基づいて取得された被検体の特定部分を含む領域についての２次元投影画像に対して、特定部分の画素値が特定部分以外の部分の画素値に対して相対的に変更されている画像を含む入力教師画像を生成するステップと、入力教師画像と同じ領域における抽出対象部分を示す画像または特定部分を除く画像である出力教師画像を生成するステップと、入力教師画像および出力教師画像を用いて、機械学習を行うことにより、抽出対象部分を抽出するか、または、特定部分を除去するための学習モデルを生成するステップと、を備え、入力教師画像を生成するステップは、特定部分と特定部分以外の部分とを含む２次元投影画像と、特定部分を除くように生成された２次元投影画像である合成用投影画像とを、２次元投影画像と合成用投影画像との画素値の割合を変更しながら合成することによって、特定部分の画素値が複数種類に変更された複数の入力教師画像を生成するステップを含む。
上記第１の局面における医用画像処理装置と、上記第２の局面におけるＸ線画像処理システムとでは、３次元における画素値データを有する３次元データに基づいて取得された被検体の特定部分を含む領域についての２次元投影画像に対して、特定部分の画素値が特定部分以外の部分の画素値に対して相対的に変更されている画像を含む入力教師画像と、入力教師画像と同じ領域における抽出対象部分を示す画像または特定部分を除く画像である出力教師画像と、を生成するように、学習画像生成部を構成する。そして、上記入力教師画像および出力教師画像を用いて、機械学習を行うことにより、抽出対象部分を抽出するか、または、特定部分を除去するための学習モデルを生成するように、学習モデル生成部を構成する。これにより、２次元投影画像の特定部分の画素値が特定部分以外の部分の画素値に対して相対的に変更されているため、Ｘ線画像における特定部分の写り方に対応させるように、２次元投影画像における特定部分の写り方のみを変更することができる。すなわち、Ｘ線画像における特定部分の写り方（画素値）を模擬した２次元投影画像を入力教師画像として機械学習を行うことによって、Ｘ線画像における特定部分の写り方に対応した学習モデルを生成することができる。その結果、２次元投影画像とＸ線画像とにおいて、特定部分の写り方（画素値）が異なる場合にも、抽出対象部分の抽出または特定部分の除去の精度が低下することを抑制することができる。
また、上記第３の局面における学習モデルの生成方法では、３次元における画素値データを有する３次元データに基づいて取得された被検体の特定部分を含む領域についての２次元投影画像に対して、特定部分の画素値が特定部分以外の部分の画素値に対して相対的に変更されている画像を含む入力教師画像を生成するステップと、入力教師画像と同じ領域における抽出対象部分を示す画像または特定領域を除く画像である出力教師画像を生成するステップと、を備える。これにより、２次元投影画像の特定部分の画素値が特定部分以外の部分の画素値に対して相対的に変更されているため、Ｘ線画像における特定部分の写り方に対応させるように、２次元投影画像における骨部の写り方を変更することができる。つまり、２次元投影画像における特定部分の写り方（画素値）とＸ線画像における特定部分の写り方（画素値）が異なる場合においても対応可能な学習モデルを生成することができる。すなわち、Ｘ線画像における特定部分の写り方（画素値）を疑似的に模擬した２次元投影画像を入力教師画像として、機械学習を行うことによって、Ｘ線画像における特定部分の写り方に対応するように学習することができる。その結果、２次元投影画像とＸ線画像とにおいて、特定部分の写り方（画素値）が異なる場合にも、抽出対象部分の抽出または特定部分の除去の精度が低下することを抑制することが可能な学習モデルを提供することができる。
第１実施形態によるＸ線画像処理システムの全体構成を説明するためのブロック図である。 第１実施形態による放射線治療時におけるＸ線画像処理システムの構成を説明するための図である。 第１実施形態によるＣＴ画像データを説明するための図である。 第１実施形態による第１制御部および第２制御部の機能的構成を示すブロック図である。 第１実施形態における学習モデルによる抽出対象部分の抽出に関して説明するための図である。 ＤＲＲ画像の生成について説明するための図である。 ＤＲＲ画像とＸ線画像との骨部の写り方について説明するための図である。 ＤＲＲ画像と合成用ＤＲＲ画像とについて説明するための図である。 ＤＲＲ画像と合成用ＤＲＲ画像との合成について説明するための図である。 第１学習モデルの生成方法を説明するためのフローチャートである。 第１実施形態によるＸ線画像処理システムの制御を説明するためのフローチャートである。 第１実施形態によるＸ線画像処理システムの使用例を説明するためのフローチャートである。 参考例によるＸ線画像処理システムの全体構成を説明するためのブロック図である。 参考例による第１制御部および第２制御部の機能的構成を示すブロック図である。 参考例における学習モデルによる抽出対象部分の抽出に関して説明するための図である。 参考例によるＸ線画像処理システムの制御を説明するためのフローチャートである。 第２実施形態によるＸ線画像処理システムの全体構成を説明するためのブロック図である。 第２実施形態によるＸ線画像処理システムの構成を説明するための図である。 第２実施形態によるＤＲＲ画像を説明するための図である。 第２実施形態による第１制御部および第２制御部の機能的構成を示すためのブロック図である。 第２実施形態による入力教師画像と出力教師画像とを説明するための図である。 第２実施形態における学習モデルによる骨部の除去に関して説明するための図である。 第２実施形態によるＸ線画像処理システムの制御を説明するためのフローチャートである。 第３実施形態によるＸ線画像処理システムの構成を説明するための図である。 第３実施形態によるＤＲＲ画像を説明するための図である。 第３実施形態による第１制御部および第２制御部の機能的構成を示すためのブロック図である。 第３実施形態による入力教師画像と出力教師画像とを説明するための図である。 第３実施形態における学習モデルによる骨部の除去に関して説明するための図である。 第３実施形態による血管造影用Ｘ線画像の生成について説明するための図である。 第３実施形態によるＸ線画像処理システムの制御を説明するためのフローチャートである。 第１変形例による、マーカー抽出用学習モデルを用いたマーカーの抽出について説明するための図である。
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線画像処理システムの構成）
図１～図９を参照して、本発明の第１実施形態によるＸ線画像処理システム１００の構成について説明する。
図１に示すように、Ｘ線画像処理システム１００は、放射線治療装置１と、治療計画装置２と、学習装置３と、Ｘ線撮影部４と、Ｘ線画像処理装置５と、を備える。なお、学習装置３およびＸ線画像処理装置５は、特許請求の範囲の「医用画像処理装置」の一例である。
Ｘ線画像処理システム１００は、放射線治療装置１によって、がんなどの腫瘍を含む抽出対象部分Ｑを治療する際に、被検体Ｐの呼吸などによって位置が変化する抽出対象部分Ｑを追跡する追跡装置として構成されている。
図２に示すように、放射線治療装置１は、天板１１、ガントリー１２、基台１３、および、ヘッド１４を備える。天板１１は、放射線を照射される被検体Ｐが載置される。ガントリー１２は、床面に配置されている基台１３に対して移動可能に構成されている。ヘッド１４は、ガントリー１２に配置されており、被検体Ｐに対して治療ビームを照射する。そして、放射線治療装置１は、ガントリー１２が基台１３に対して回動することによって、ヘッド１４から照射する治療ビームの被検体Ｐに対する照射方向を変更可能なように構成されている。
また、放射線治療装置１は、後述するＸ線画像処理装置５からの信号に基づいて、治療ビームを照射する位置および照射するタイミングを制御するように構成されている。具体的には、被検体Ｐの抽出対象部分Ｑに治療ビームを照射する際に、被検体Ｐの呼吸などによって、抽出対象部分Ｑの位置が変化する。放射線治療装置１は、Ｘ線画像処理装置５によって取得された抽出対象部分Ｑの位置に基づく信号によって、抽出対象部分Ｑに放射線（治療ビーム）を照射することが可能なように構成されている。
治療計画装置２は、医師が被検体Ｐに対する放射線治療の計画を行うための装置である。すなわち、図示しないＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ：コンピュータ断層撮影）装置によって、抽出対象部分Ｑを含む領域についての３次元のＣＴ画像データＣが生成される。そして、治療計画装置２において、３次元のＣＴ画像データＣと被検体Ｐに関する診察情報とに基づいて、治療の計画が行われる。つまり、治療計画装置２は、３次元のＣＴ画像データＣと被検体Ｐに関する診察情報に基づいて、治療計画データを生成する。ＣＴ画像データＣは、３次元における画素値データ（ＣＴ値）を有する３次元データである。ＣＴ値は、Ｘ線の透過しやすさを数値で表したものである。ＣＴ画像は、図３に示すように、被検体Ｐの体内についてのＣＴ値の大小を濃淡で表した画像である。ここで、ＣＴ画像データＣは、複数の２次元のＣＴ画像に基づいて生成された３次元のボクセルデータである。また、治療計画装置２において、ＣＴ画像データＣ上の抽出対象部分Ｑに対応する画素部分（ボクセル）が、医師によって抽出対象部分Ｑとして指定される。そして、治療計画装置２は、指定された抽出対象部分Ｑについての情報を含んだ状態のＣＴ画像データＣを記憶する。なお、ＣＴ画像データＣは、特許請求の範囲の「３次元データ」の一例である。
図１に示すように、学習装置３は、第１制御部３０を含む。第１制御部３０は、たとえば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を有する。学習装置３は、ハードウェア的な構成として、たとえば、ＣＰＵ、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、および、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などを有する。また、学習装置３は、記憶部として、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）または不揮発性のメモリなどを含んでいる。
図４に示すように、第１制御部３０は、機能的な構成として、ＤＲＲ画像生成部３１、教師画像生成部３２、および、学習モデル生成部３３を含む。ＤＲＲ画像生成部３１、教師画像生成部３２、および、学習モデル生成部３３は、プログラム（ソフトウェア）として構成されている。すなわち、第１制御部３０が、プログラム（ソフトウェア）を実行することによって、ＤＲＲ画像生成部３１、教師画像生成部３２、および、学習モデル生成部３３として機能するように構成されている。なお、ＤＲＲ画像生成部３１および教師画像生成部３２は、特許請求の範囲の「学習画像生成部」の一例である。
また、第１制御部３０は、図５に示すように、治療計画装置２によって取得されたＣＴ画像データＣに基づいて、入力教師画像Ｔ１および出力教師画像Ｔ２を生成する処理を行うとともに、機械学習を行うことによって、抽出対象部分Ｑを抽出するための学習モデルＭを生成する処理を行う。なお、学習モデルＭについての詳細は後述する。
Ｘ線撮影部４は、図２に示すように、Ｘ線撮影によって被検体Ｐの骨部Ｈおよび骨部Ｈとは異なる抽出対象部分Ｑを含むＸ線透視画像Ａを取得する。Ｘ線撮影部４は、Ｘ線照射部４１と、Ｘ線検出部４２とを含む。Ｘ線照射部４１は、第１Ｘ線管４１ａ、第２Ｘ線管４１ｂ、第３Ｘ線管４１ｃ、および、第４Ｘ線管４１ｄを有する。また、Ｘ線検出部４２は、第１Ｘ線検出器４２ａ、第２Ｘ線検出器４２ｂ、第３Ｘ線検出器４２ｃ、および、第４Ｘ線検出器４２ｄを有する。第１～第４Ｘ線検出器４２ａ～４２ｄは、それぞれ、たとえば、ＦＰＤ（Ｆｌａｔ Ｐａｎｅｌ Ｄｅｔｅｃｔｏｒ）を有する。第１Ｘ線検出器４２ａは、第１Ｘ線管４１ａより照射されたＸ線を検出する。第１Ｘ線管４１ａと第１Ｘ線検出器４２ａとは、第１Ｘ線撮影系を構成する。同様に、第２Ｘ線検出器４２ｂは、第２Ｘ線管４１ｂより照射されたＸ線を検出する。第２Ｘ線管４１ｂと第２Ｘ線検出器４２ｂとは、第２Ｘ線撮影系を構成する。同様に、第３Ｘ線検出器４２ｃは、第３Ｘ線管４１ｃより照射されたＸ線を検出する。第３Ｘ線管４１ｃと第３Ｘ線検出器４２ｃとは、第３Ｘ線撮影系を構成する。同様に、第４Ｘ線検出器４２ｄは、第４Ｘ線管４１ｄより照射されたＸ線を検出する。第４Ｘ線管４１ｄと第４Ｘ線検出器４２ｄとは、第４Ｘ線撮影系を構成する。なお、骨部Ｈは、特許請求の範囲の「特定部分」の一例である。また、Ｘ線透視画像Ａは、特許請求の範囲の「Ｘ線画像」の一例である。
なお、放射線治療を行うために被検体Ｐの骨部Ｈおよび骨部Ｈとは異なる抽出対象部分Ｑを含む領域をＸ線撮影する際には、第１～第４Ｘ線撮影系の４つの撮影系のうちから２つの撮影系が選択されてＸ線撮影部４として使用される。
図１に示すように、Ｘ線画像処理装置５は、第２制御部５０を含む。第２制御部５０は、たとえば、ＣＰＵを有する。Ｘ線画像処理装置５は、ハードウェア的な構成として、たとえば、ＣＰＵ、ＧＰＵ、ＲＯＭ、および、ＲＡＭなどを有する。また、Ｘ線画像処理装置５は、記憶部として、ＨＤＤまたは不揮発性のメモリなどを含んでいる。
図４に示すように、第２制御部５０は、機能的な構成として、画像処理部５１を含む。画像処理部５１は、プログラム（ソフトウェア）によって構成されている。すなわち、第２制御部５０は、プログラム（ソフトウェア）を実行することによって、画像処理部５１として機能するように構成されている。
Ｘ線画像処理装置５は、図５に示すように、学習装置３によって生成された学習モデルＭに基づいて、Ｘ線撮影部４によって撮影されたＸ線画像であるＸ線透視画像Ａに対して、抽出対象部分Ｑを抽出する処理を行う。Ｘ線透視は、一般Ｘ線撮影に比べて少ない量のＸ線を連続的に照射することによって、被ばく量の増加を抑制しながら、被検体Ｐの体内の様子を動画像として取得する方法である。Ｘ線画像処理装置５は、Ｘ線撮影部４によって撮影されたＸ線透視画像Ａを入力データとして、学習装置３において機械学習によって生成された学習モデルＭを用いることによって、抽出対象部分Ｑの位置を追跡するための出力画像Ａαを取得する。そして、Ｘ線画像処理装置５は、取得した抽出対象部分Ｑの位置に関する情報に基づいて、放射線治療装置１が治療ビームを照射する位置と、治療ビームを照射するタイミングとを制御するための信号を、放射線治療装置１に対して送信する。
画像処理部５１は、学習済みの学習モデルＭに基づいて、Ｘ線撮影によって取得された被検体Ｐの骨部Ｈおよび抽出対象部分Ｑを含むＸ線透視画像Ａに対して、抽出対象部分Ｑを抽出する処理を行う。
（第１実施形態における第１学習モデルの生成に関して）
ここで、本実施形態では、ＤＲＲ画像生成部３１によって、ＣＴ画像データＣに基づいて、被検体Ｐの骨部Ｈおよび骨部Ｈとは異なる抽出対象部分Ｑを含む領域についてのＤＲＲ画像Ｄが生成され取得される。そして、教師画像生成部３２によって、取得されたＤＲＲ画像Ｄに対して、骨部Ｈの画素値が骨部Ｈ以外の部分の画素値に対して相対的に変更されている画像を含む入力教師画像Ｔ１が生成される。また、教師画像生成部３２によって、入力教師画像Ｔ１と同じ領域における抽出対象部分Ｑを示す画像である出力教師画像Ｔ２が生成される。そして、学習モデル生成部３３によって、入力教師画像Ｔ１および出力教師画像Ｔ２を用いて、機械学習を行うことにより、抽出対象部分Ｑを抽出するための学習モデルＭを生成する。
〈ＤＲＲ画像の生成に関して〉
ＤＲＲ画像生成部３１は、図６に示すように、コンピュータ断層撮影による３次元データであるＣＴ画像データＣに基づいて、デジタル再構成シミュレーションによって被検体Ｐの骨部Ｈおよび骨部Ｈとは異なる抽出対象部分Ｑを含む領域についてのＤＲＲ画像Ｄを生成する。なお、ＤＲＲ画像Ｄは、特許請求の範囲における「２次元投影画像」の一例である。
ＤＲＲ画像生成部３１は、ＤＲＲ画像Ｄを生成するにあたって、３次元仮想空間上において、仮想的なＸ線管４１αと仮想的なＸ線検出器４２αとを、ＣＴ画像データＣに対してＸ線撮影を行うように配置することによって、仮想的なＸ線撮影系の３次元空間的配置（撮影ジオメトリ）を生成する。これらのＣＴ画像データＣと、ＣＴ画像データＣに対する仮想的なＸ線撮像系の配置は、図２に示す実際の被検体ＰとＸ線照射部４１とＸ線検出部４２との配置と同一の撮影ジオメトリとなっている。ここで、撮影ジオメトリとは、被検体ＰとＸ線照射部４１およびＸ線検出部４２との３次元空間における幾何学的な配置関係を意味する。
そして、ＤＲＲ画像生成部３１は、仮想的なＸ線管４１αから仮想的なＸ線検出器４２αに対してＸ線を照射することによって、ＣＴ画像データＣを仮想的にＸ線撮影する。このとき、ＤＲＲ画像生成部３１は、Ｘ線管４１αから照射されたＸ線が仮想的なＸ線検出器４２αに到達するまでに通過した画素部分（ボクセル）におけるＣＴ値の合計を加算することによってＤＲＲ画像Ｄにおける各画素値を計算する。
上記のようにして、ＤＲＲ画像生成部３１は、３次元における画素値データであるＣＴ画像データＣに対して、Ｘ線撮影部４によって取得される被検体ＰのＸ線透視画像Ａと同一領域を同一角度から撮影したものとなるように、仮想的にＸ線撮影が行われたものとして２次元に投影することによってＤＲＲ画像Ｄを生成する。
〈入力教師画像および出力教師画像の生成に関して〉
ＣＴ画像データＣに基づいて生成されたＤＲＲ画像Ｄと、Ｘ線撮影部４によって撮影されたＸ線透視画像Ａとでは、骨部Ｈの写り方が異なる場合がある。たとえば、図７に示すように、ＤＲＲ画像Ｄに比べてＸ線透視画像Ａでは骨部Ｈの写り方が薄くなる場合がある。第１制御部３０は、こうしたＤＲＲ画像ＤとＸ線透視画像Ａとにおける骨部Ｈの写り方の差異に対応可能な学習モデルＭを生成する。すなわち、第１制御部３０は、Ｘ線透視画像Ａに対応させるように、骨部Ｈの写り方を多様に変更させた入力教師画像Ｔ１を生成する。
本実施形態では、図８に示すように、教師画像生成部３２は、骨部Ｈを含むＤＲＲ画像Ｄと、骨部Ｈを除くように生成されたＤＲＲ画像Ｄである合成用ＤＲＲ画像Ｅとに基づいて、骨部Ｈの画素値が骨部Ｈ以外の部分の画素値に対して相対的に変更されている画像を含む入力教師画像Ｔ１を生成する。また、ＤＲＲ画像生成部３１は、ＣＴ画像データＣを構成する３次元画素部分（ボクセル）のうちから骨部Ｈに対応する３次元画素部分（ボクセル）を除去することによって合成用ＤＲＲ画像Ｅを生成する。
ＣＴ画像データＣを構成する画素部分（ボクセル）は、それぞれ、画素値データとしてＣＴ値を有する。たとえば、ＣＴ値が１００以上の値である３次元画素部分を骨部Ｈに対応する３次元画素部分であると指定することによって、ＣＴ画像データＣを構成する３次元画素部分のうちから骨部Ｈに対応する３次元画素部分を特定する。ＤＲＲ画像生成部３１によってＣＴ画像データＣを仮想的にＸ線撮影する際に、骨部Ｈに対応する３次元画素部分であると特定されたものを除去した状態で投影することによって、骨部Ｈを除くように合成用ＤＲＲ画像Ｅを生成する。また、合成用ＤＲＲ画像Ｅを生成する際の撮影ジオメトリは、合成用ＤＲＲ画像Ｅと合成するＤＲＲ画像Ｄとが同一の撮影ジオメトリとなるようにする。
また、本実施形態では、教師画像生成部３２は、骨部Ｈの画素値がランダムな値に変更されている画像を含むように複数の入力教師画像Ｔ１を生成する。そして、図９に示すように、教師画像生成部３２は、ＤＲＲ画像Ｄと合成用ＤＲＲ画像Ｅとを合成する際に、ＤＲＲ画像Ｄと合成用ＤＲＲ画像Ｅとを合成する際の画素値の割合を変更した状態で合成を行う。つまり、教師画像生成部３２は、画素値の割合がランダムに変更されたＤＲＲ画像Ｄと合成用ＤＲＲ画像Ｅとを合成することによって、複数の入力教師画像Ｔ１を生成する。
具体的には、教師画像生成部３２は、複数の入力教師画像Ｔ１を生成するために、合成する割合をランダムにしながらアルファブレンディングを行うことによって、ＤＲＲ画像Ｄと合成用ＤＲＲ画像Ｅとを合成する。ＤＲＲ画像Ｄの画素値をＸ１、合成用ＤＲＲ画像Ｅの画素値をＸ２、合成する際の割合を示す係数をα（０≦α≦１）、合成後の入力教師画像Ｔ１の画素値をＹとすると、アルファブレンディングの計算は式（１）のように表される。
Ｙ＝αＸ１＋（１－α）Ｘ２・・・（１）
ここで、教師画像生成部３２は、係数αの値をランダムな値とすることによって、ランダムな割合にＤＲＲ画像Ｄと合成用ＤＲＲ画像Ｅとを合成する。そして、教師画像生成部３２は、ランダムな割合にＤＲＲ画像Ｄと合成用ＤＲＲ画像Ｅとを合成することによって、骨部Ｈの写り方が様々な複数の入力教師画像Ｔ１を生成する。なお、図９は、様々な割合において（様々なαの値を用いて）複数の入力教師画像Ｔ１を生成する例を示している。なお、画像の合成は、式（１）の計算方法に限らず、加算および乗算などを用いて計算してもよい。
図５に示すように、教師画像生成部３２は、入力教師画像Ｔ１と同様に、ＤＲＲ画像Ｄに基づいて出力教師画像Ｔ２を生成する。具体的には、ＣＴ画像データＣのうちの医師によって登録された抽出対象部分Ｑに関する画素部分（ボクセル）についてのみのＤＲＲ画像Ｄを生成する。すなわち、ＣＴ画像データＣ全体ではなく、抽出対象部分Ｑのみに対して、仮想的なＸ線撮影を行う。その結果、得られた抽出対象部分ＱについてのＤＲＲ画像Ｄを、抽出対象部分Ｑを含む領域と抽出対象部分Ｑを含まない領域との２つの領域に区分して、２値化した出力教師画像Ｔ２を生成する。なお、複数のＤＲＲ画像Ｄに基づいて複数の入力教師画像Ｔ１を生成する場合には、複数の入力教師画像Ｔ１のそれぞれに対応する複数の出力教師画像Ｔ２を生成する。すなわち、複数の入力教師画像Ｔ１の各々における撮影ジオメトリと同一の撮影ジオメトリを用いて、出力教師画像Ｔ２を生成する。言い換えると、複数の入力教師画像Ｔ１の各々に対して、入力教師画像Ｔ１と同じ領域における抽出対象部分Ｑを示す画像を出力教師画像Ｔ２として生成する。
〈学習モデルの生成に関して〉
学習モデル生成部３３は、図５に示すように、教師画像生成部３２によって生成された入力教師画像Ｔ１を入力層として取得する。そして、学習モデル生成部３３は、治療計画装置２において登録された抽出対象部分Ｑの領域を表すように教師画像生成部３２によって生成された２チャンネルのラベル画像である出力教師画像Ｔ２を出力層として取得する。そして、学習モデル生成部３３は、入力層および出力層を用いて、機械学習を行う。学習モデル生成部３３は、学習モデルとして使用する畳み込み層を学習することによって、学習モデルＭを生成する。そして、画像処理部５１は、生成された学習モデルＭを用いて、Ｘ線透視画像Ａにおける抽出対象部分Ｑの領域を抽出する。Ｘ線透視画像Ａを入力層として、学習モデル生成部３３によって生成された学習モデルＭを用いることにより、出力層として２チャンネルのラベル画像である出力画像Ａαを生成する。
画像処理において、たとえば、画像内の各々の画素をクラスに分類する（ラベル付けする）手法であるセマンティック・セグメンテーションを用いて抽出対象部分Ｑを抽出する。セマンティック・セグメンテーションの手法として、ＦＣＮ（Ｆｕｌｌｙ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ：全層畳み込みネットワーク）が用いられる。ＦＣＮにおいて用いられる畳み込みニューラルネットワークは、たとえば、図５のような構成となる。そして、中間層は、畳み込み層のみで構成されており、機械学習によってパラメータが決定される。
上記のようにして生成された。学習モデルＭに基づいて、抽出対象部分Ｑが抽出される。そして、抽出された抽出対象部分Ｑの位置に基づいて、放射線治療装置１に対して、放射線を照射する位置および放射線を照射するタイミングを制御するための信号が送られる。
（学習モデルの生成方法に関して）
次に、図１０を参照して、学習装置３による学習モデルＭの生成方法について説明する。
まず、ステップ１０１において、ＣＴ画像データＣが取得される。
次に、ステップ１０２において、ＣＴ画像データＣに基づいて取得された被検体Ｐの骨部Ｈおよび骨部Ｈとは異なる抽出対象部分Ｑを含む領域についてのＤＲＲ画像Ｄに対して、骨部Ｈの画素値が骨部Ｈ以外の部分の画素値に対して相対的に変更されている画像を含む入力教師画像Ｔ１が生成される。
次に、ステップ１０３において、ＣＴ画像データＣに基づいて、上記ＤＲＲ画像Ｄと同じ領域における抽出対象部分Ｑを示す画像である出力教師画像Ｔ２が生成される。
次に、ステップ１０４において、入力教師画像Ｔ１および、出力教師画像Ｔ２を用いて、機械学習を行うことにより、抽出対象部分Ｑを抽出するための学習モデルＭが生成される。
（放射線治療時における抽出対象部分の抽出についての処理）
次に、図１１を参照して、第１実施形態によるＸ線画像処理システム１００による制御処理フローについて説明する。
まず、ステップ１１１において、学習装置３によって、治療計画装置２によって生成されたＣＴ画像データＣが取得される。
次に、ステップ１１２において、ＤＲＲ画像生成部３１によってＤＲＲ画像Ｄが生成される。
次に、ステップ１１３において、教師画像生成部３２によって、入力教師画像Ｔ１および出力教師画像Ｔ２が生成される。
次に、ステップ１１４において、学習モデル生成部３３によって、学習モデルＭが生成される。
次に、ステップ１１５において、Ｘ線撮影部４によって、Ｘ線透視画像Ａが撮影される。
次に、ステップ１１６において、Ｘ線透視画像Ａと学習モデルＭに基づいて、抽出対象部分Ｑが抽出される。
次に、ステップ１１７において、抽出された抽出対象部分Ｑの位置情報に基づいて、放射線治療装置１に対して、信号が送られる。
次に、ステップ１１８において、放射線治療装置１によって、放射線が照射される。
（Ｘ線画像処理システムの使用例）
次に、図１２を参照して、第１実施形態におけるＸ線画像処理システム１００の使用例について説明する。本発明の第１実施形態によるＸ線画像処理システム１００が用いられる放射線治療は、がんなどの腫瘍に対して放射線（たとえば、高エネルギーのＸ線）を照射することによって、がんなどの腫瘍を治療する方法である。
はじめに、放射線治療を行うための、治療計画および事前準備が行われる。まず、ステップ１２１において、ＣＴ装置によって被検体ＰのＣＴ画像データＣが取得される。そして、ステップ１２２において、医師により、ＣＴ画像データＣと、被検体Ｐの臨床検査および診察とに基づいて、治療計画装置２において治療の計画が行われる。そして、ステップ１２３において、学習装置３によって、取得されたＣＴ画像データＣに基づいて、Ｘ線透視画像Ａにおける抽出対象部分Ｑを抽出するための学習モデルＭが機械学習によって生成される。このようにして、治療計画および事前準備が行われる。
次に、実際に放射線治療を行う。まず、ステップ１２４において、放射線治療装置１に備え付けられた診察台の天板１１に載置された被検体Ｐに対して、Ｘ線撮影部４によってＸ線撮影が行われ、Ｘ線透視画像Ａが取得される。次に、ステップ１２５において、取得されたＸ線透視画像Ａに対して前述の学習モデルＭを用いることによって、Ｘ線画像処理装置５によって抽出対象部分Ｑが抽出される。そして、ステップ１２６において、抽出された抽出対象部分Ｑの位置に基づいて、放射線を照射することによって、放射線治療が行われる。
（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実施形態のＸ線画像処理システム１００は、上記のように、３次元における画素値データを有する３次元データ（ＣＴ画像データＣ）に基づいて取得された被検体Ｐの特定部分（骨部Ｈ）を含む領域についての２次元投影画像（ＤＲＲ画像Ｄ）に対して、骨部Ｈの画素値が骨部Ｈ以外の部分の画素値に対して相対的に変更されている画像を含む入力教師画像Ｔ１と、入力教師画像Ｔ１と同じ領域における被検体Ｐの抽出対象部分Ｑを示す画像である出力教師画像Ｔ２と、を生成する学習画像生成部（ＤＲＲ画像生成部３１および教師画像生成部３２）を備える。そして、上記入力教師画像Ｔ１および出力教師画像Ｔ２を用いて、機械学習を行うことにより、抽出対象部分Ｑを抽出するための学習モデルＭを生成する学習モデル生成部３３を備える。これにより、ＤＲＲ画像Ｄの骨部Ｈの画素値が骨部Ｈ以外の部分の画素値に対して相対的に変更されているため、Ｘ線画像（Ｘ線透視画像Ａ）における骨部Ｈの写り方に対応させるように、ＤＲＲ画像Ｄにおける骨部Ｈの写り方のみを変更することができる。すなわち、Ｘ線透視画像Ａにおける骨部Ｈの写り方（画素値）を模擬したＤＲＲ画像Ｄを入力教師画像Ｔ１として機械学習を行うことによって、Ｘ線透視画像Ａにおける骨部Ｈの写り方に対応した学習モデルＭを生成することができる。その結果、ＤＲＲ画像ＤとＸ線透視画像Ａとにおいて、骨部Ｈの写り方（画素値）が異なる場合にも、抽出対象部分Ｑの抽出の精度が低下することを抑制することができる。
また、第１実施形態では、以下のように構成したことによって、更なる効果が得られる。
すなわち、第１実施形態では、学習画像生成部（ＤＲＲ画像生成部３１および教師画像生成部３２）は、コンピュータ断層撮影による３次元データ（ＣＴ画像データＣ）に基づいて、デジタル再構成シミュレーションにより生成された２次元投影画像（ＤＲＲ画像Ｄ）に対して、骨部Ｈ（特定部分）の画素値が骨部Ｈ以外の部分の画素値に対して相対的に変更されている画像を含む入力教師画像Ｔ１と、入力教師画像Ｔ１と同じ領域における抽出対象部分Ｑを示す画像である出力教師画像Ｔ２と、を生成するように構成されている。ここで、コンピュータ断層撮影（ＣＴ撮影）によって生成されたＣＴ画像データＣにおいて、骨部ＨのＣＴ値は骨部Ｈ以外の部分のＣＴ値よりも高い値となるため、たとえば、ＣＴ値に閾値を用いることによって骨部Ｈを容易に特定することができる。この点に着目して、第１実施形態のように、ＣＴ画像データＣに基づいて生成されたＤＲＲ画像Ｄに対して、骨部Ｈの画素値が骨部Ｈ以外の部分の画素値に対して相対的に変更されている画像を含む入力教師画像Ｔ１を生成するように、教師画像生成部３２を構成すれば、骨部Ｈと骨部Ｈ以外とを区別して骨部Ｈのみの画素値を変更する際に、骨部Ｈのみを容易に特定することができる。その結果、入力教師画像Ｔ１を生成する際に、ＤＲＲ画像Ｄに対して骨部Ｈのみの画素値を骨部Ｈ以外の部分の画素値に対して相対的に変更する処理を容易に行うことができるため、ＤＲＲ画像ＤとＸ線透視画像Ａにおいて骨部Ｈの写り方（画素値）が異なる場合にも、骨部Ｈの写り方が異なることに対応可能な学習モデルＭを容易に生成することができる。
また、第１実施形態では、学習画像生成部（ＤＲＲ画像生成部３１および教師画像生成部３２）は、特定部分（骨部Ｈ）の画素値がランダムな値に変更されている画像を含むように複数の入力教師画像Ｔ１を生成するように構成されている。このように構成すれば、骨部Ｈの画素値がランダムな値に変更されている複数の入力教師画像Ｔ１を生成することができる。つまり、Ｘ線透視画像Ａにおける骨部Ｈの画素値が、骨部Ｈ以外の部分の画素値に対して相対的に様々な値をとる場合にも、骨部Ｈの様々な画素値に対応可能な学習モデルＭを生成することができる。その結果、骨部Ｈが様々な写り方（画素値）を有するＸ線透視画像Ａに対して、抽出対象部分Ｑを精度よく抽出することができる。
また、第１実施形態では、学習画像生成部（ＤＲＲ画像生成部３１および教師画像生成部３２）と学習モデル生成部３３とを含む第１制御部３０と、画像処理部５１を含む第２制御部５０と、をさらに備える。このように構成すれば、学習モデルＭを生成する処理と、抽出対象部分Ｑを抽出する処理と、を別個の制御部（第１制御部３０および第２制御部５０）によって行うことができる。すなわち、第２制御部５０による、被検体Ｐに対する抽出対象部分Ｑを抽出する処理と、第１制御部３０による、被検体Ｐとは別個の被検体Ｐαについての学習モデルＭαを生成する処理と、を同一のタイミングにおいて行うことができる。その結果、放射線治療に要する時間の増大を抑制することができる。
また、第１実施形態では、学習画像生成部（ＤＲＲ画像生成部３１および教師画像生成部３２）は、特定部分（骨部Ｈ）を含む２次元投影画像（ＤＲＲ画像Ｄ）と、骨部Ｈを除くように生成されたＤＲＲ画像Ｄである合成用投影画像（合成用ＤＲＲ画像Ｅ）とに基づいて、骨部Ｈの画素値が骨部Ｈ以外の部分の画素値に対して相対的に変更されている画像を含む入力教師画像Ｔ１を生成するように構成されている。このように構成すれば、ＤＲＲ画像Ｄと合成用ＤＲＲ画像Ｅとを合成することよって入力教師画像Ｔ１を生成することができるので、入力教師画像Ｔ１における骨部Ｈの写り方（画素値）を容易に変更することができる。その結果、骨部Ｈの画素値が変更された複数の入力教師画像Ｔ１を容易に生成することができるので、Ｘ線透視画像Ａにおける骨部Ｈの写り方（画素値）が、様々な形態である場合においても対応可能な学習モデルＭを容易に生成することができる。
また、第１実施形態では、学習画像生成部（ＤＲＲ画像生成部３１および教師画像生成部３２）は、３次元データ（ＣＴ画像データＣ）を構成する３次元画素部分のうちから特定部分（骨部Ｈ）に対応する３次元画素部分を除去することによって合成用投影画像（合成用ＤＲＲ画像Ｅ）を生成するように構成されている。このように構成すれば、ＣＴ値に基づいて骨部Ｈに対応する３次元画素部分（ボクセル）を指定し、骨部Ｈであると指定された３次元画素部分を除外して２次元に投影することによって、骨部Ｈを除外したＤＲＲ画像Ｄを容易に生成することができる。
また、第１実施形態では、学習画像生成部（ＤＲＲ画像生成部３１および教師画像生成部３２）は、２次元投影画像（ＤＲＲ画像Ｄ）と合成用投影画像（合成用ＤＲＲ画像Ｅ）とを合成する際の画素値の割合を変更して、合成する画素値の割合が変更されたＤＲＲ画像Ｄと合成用ＤＲＲ画像Ｅとを合成することによって入力教師画像Ｔ１を生成するように構成されている。このように構成すれば、合成する際の画素値の割合を変更して、アルファブレンディングによってＤＲＲ画像Ｄと合成用ＤＲＲ画像Ｅとを合成するため、ＤＲＲ画像Ｄにおける骨部Ｈを透過させて合成することができる。その結果、ＤＲＲ画像Ｄと合成用ＤＲＲ画像Ｅとを合成する際に、骨部Ｈ以外の部分の画素値を変更せず、骨部Ｈの画素値のみを変更して合成することができる。その結果、Ｘ線透視画像Ａにおける骨部Ｈの写り方を模擬することができるので、ＤＲＲ画像ＤとＸ線透視画像Ａとを比べた際に、骨部Ｈの写り方（画素値）が異なる場合においても、抽出対象部分Ｑの抽出の精度が低下することを抑制することができる。
［参考例］
図１３～図１５を参照して、参考例によるＸ線画像処理システム２００の構成について説明する。この参考例は、ＤＲＲ画像生成部３１によって生成された２次元のＤＲＲ画像Ｄと２次元の合成用ＤＲＲ画像Ｅとに基づいて、教師画像生成部３２が入力教師画像Ｔ１を生成するように構成した第１実施形態とは異なり、教師画像生成部２３２によって３次元のＣＴ画像データＣを処理することによって、骨部Ｈの写り方が変更されるように投影された画像を入力教師画像Ｔ１とするように構成されている。なお、図中において、上記第１実施形態と同様の構成の部分には、同一の符号を付して図示するとともに説明を省略する。
（参考例によるＸ線検査装置の構成）
図１３に示すように、本発明の参考例によるＸ線画像処理システム２００は、学習装置２０３を備えるように構成されている。学習装置２０３は、第１制御部２３０を含む。第１制御部２３０は、たとえば、ＣＰＵを有する。学習装置２０３は、ハードウェア的な構成として、たとえば、ＣＰＵ、ＧＰＵ、ＲＯＭ、および、ＲＡＭなどを有する。また、学習装置２０３は、記憶部として、ＨＤＤまたは不揮発性のメモリなどを含んでいる。
図１４に示すように、第１制御部２３０は、機能的な構成として、ＤＲＲ画像生成部２３１、教師画像生成部２３２、および、学習モデル生成部２３３を含む。ＤＲＲ画像生成部２３１、教師画像生成部２３２、および、学習モデル生成部２３３は、プログラム（ソフトウェア）によって構成されている。すなわち、第１制御部２３０は、プログラム（ソフトウェア）を実行することによって、ＤＲＲ画像生成部２３１、教師画像生成部２３２、および、学習モデル生成部２３３として機能するように構成されている。
教師画像生成部２３２は、ＣＴ画像データＣを構成する３次元画素部分のうちから、骨部Ｈに対応する３次元画素部分のＣＴ値を、骨部Ｈ以外の部分に対応する３次元画素部分のＣＴ値に対して相対的に変更する。具体的には、ＣＴ値が１００以上の値である３次元画素部分を骨部Ｈに対応する３次元画素部分であると特定する。そして、骨部Ｈであると特定された３次元画素部分に対してのみ、ＣＴ値に処理を行う。すなわち、骨部Ｈ以外の部分に対応する３次元画素部分に対して相対的に、骨部Ｈに対応する３次元画素部分のＣＴ値が小さくなるように処理を行う。なお、骨部Ｈに対応する３次元画素部分のＣＴ値はランダムに変更される。
ＤＲＲ画像生成部２３１は、図１５に示すように、教師画像生成部２３２によって骨部Ｈに対応する３次元画素部分のＣＴ値が変更された状態のＣＴ画像データＣに対して、第１実施形態と同様に、仮想的にＸ線撮影を行うことによって、２次元に投影されたＤＲＲ画像Ｄである入力教師画像Ｔ２０１を生成する。また、ＤＲＲ画像生成部２３１は、第１実施形態と同様に、入力教師画像Ｔ２０１と同じ領域における抽出対象部分Ｑを示す画像である出力教師画像Ｔ２を生成する。
学習モデル生成部２３３は、第１実施形態と同様に、入力教師画像Ｔ２０１を入力層、出力教師画像Ｔ２を出力層として、機械学習を行い、学習モデルＭを生成する。
なお、参考例のその他の構成については、第１実施形態と同様である。
（参考例のＸ線画像処理システムによる制御処理）
次に、図１６を参照して、参考例によるＸ線画像処理システム２００によるＸ線撮影に関する制御処理フローについて説明する。
まず、ステップ１１１において、第１実施形態と同様に、学習装置３によって、治療計画装置２によって生成されたＣＴ画像データＣが取得される。
次に、ステップ２１２において、教師画像生成部２３２によって、ＣＴ画像データＣにおける骨部Ｈに対応する３次元画素部分のＣＴ値を変更する。
次に、ステップ２１３において、ＤＲＲ画像生成部２３１によって、ＤＲＲ画像Ｄが生成される。
なお、ステップ１１４～ステップ１１８において、第１実施形態と同様の処理が行われる。
（参考例の効果）
参考例では、以下のような効果を得ることができる。
参考例では、学習画像生成部（ＤＲＲ画像生成部２３１および教師画像生成部２３２）は、３次元データ（ＣＴ画像データＣ）を構成する３次元画素部分のうちから、特定部分（骨部Ｈ）に対応する３次元画素部分の画素値データ（ＣＴ値）を、骨部Ｈ以外の部分に対応する３次元画素部分の画素値データ（ＣＴ値）に対して相対的に変更した状態で２次元に投影することによって、入力教師画像Ｔ２０１を生成するように構成されている。このように構成すれば、３次元データであるＣＴ画像データＣにおいて、骨部Ｈに対応する３次元画素部分のＣＴ値を変更するため、骨部ＨのＣＴ値が変更されているＣＴ画像データＣに対して、デジタル再構成シミュレーションにより２次元に投影した入力教師画像Ｔ２０１を生成することができる。したがって、骨部Ｈ以外の部分については、画素値の変更が行われず、骨部Ｈのみの画素値が変更された入力教師画像Ｔ２０１を生成することができる。すなわち、骨部Ｈ以外の部分の画素値が変更されないので、骨部Ｈ以外の部分の写り方は変更されず、骨部Ｈの部分のみの写り方が変更されるように入力教師画像Ｔ２０１が生成される。その結果、Ｘ線透視画像Ａにおいて、骨部Ｈ以外の部分に対する骨部Ｈの相対的な写り方が、ＤＲＲ画像Ｄと異なる場合においても、抽出対象部分Ｑの抽出精度の低下を抑制することができる。
なお、参考例のその他の効果は、上記第１実施形態と同様である。
［第２実施形態］
図１７～図２２を参照して、第２実施形態によるＸ線画像処理システム３００の構成について説明する。この第２実施形態は、放射線治療において、抽出対象部分Ｑを抽出（追跡）するように構成した第１実施形態とは異なり、血管造影において、骨部Ｈである特定部分をＸ線画像上から除去して表示するように構成されている。なお、図中において、上記第１実施形態と同様の構成の部分には、同一の符号を付して図示するとともに説明を省略する。
（第２実施形態によるＸ線画像処理システムの構成）
図１７および図１８に示すように、本発明の第２実施形態によるＸ線画像処理システム３００は、表示装置３０１、ＣＴ装置３０２、学習装置３０３、Ｘ線撮影部３０４、および、Ｘ線画像処理装置３０５を備える。図１９に示すように、Ｘ線画像処理システム３００は、血管造影の際に、ＤＲＲ画像Ｄ３０１およびＤＲＲ画像Ｄ３０２を用いた機械学習によってＸ線画像Ａ３００から骨部Ｈを除去するように学習された学習モデルＭ３００に基づいて、Ｘ線画像Ａ３００から骨部Ｈを除去するように構成されている。なお、Ｘ線画像Ａ３００は、Ｘ線撮影画像またはＸ線透視画像を含む。また、骨部Ｈは特許請求の範囲における「特定部分」の一例である。
表示装置３０１は、Ｘ線画像処理装置３０５によって生成された血管造影画像Ｋを表示するように構成されている。
ＣＴ装置３０２は、被検体ＰについてのＣＴ画像を生成する。
図１７に示すように、学習装置３０３は、第１制御部３３０を含む。第１制御部３３０は、たとえば、ＣＰＵを有する。学習装置３０３は、ハードウェア的な構成として、たとえば、ＣＰＵ、ＧＰＵ、ＲＯＭ、および、ＲＡＭなどを有する。また、学習装置３０３は、記憶部として、ＨＤＤまたは不揮発性のメモリなどを含んでいる。学習装置３０３は、ＣＴ装置３０２によって生成された２次元のＣＴ画像に基づいて３次元のＣＴ画像データＣを生成する。そして、学習装置３０３は、生成されたＣＴ画像データＣに基づいて、学習モデルＭ３００を生成する。
図２０に示すように、第１制御部３３０は、機能的な構成として、ＤＲＲ画像生成部３３１、教師画像生成部３３２、および、学習モデル生成部３３３を含む。ＤＲＲ画像生成部３３１、教師画像生成部３３２、および、学習モデル生成部３３３は、第１実施形態と同様に、プログラム（ソフトウェア）として構成されている。すなわち、第１制御部３３０が、プログラム（ソフトウェア）を実行することによって、ＤＲＲ画像生成部３３１、教師画像生成部３３２、および、学習モデル生成部３３３として機能するように構成されている。なお、ＤＲＲ画像生成部３３１および教師画像生成部３３２は、特許請求の範囲の「学習画像生成部」の一例である。
ＤＲＲ画像生成部３３１は、図１９に示すように、第１実施形態と同様にＣＴ装置３０２において取得されたＣＴ画像によって生成された３次元のＣＴ画像データＣに基づいて、デジタル再構成シミュレーションによりＤＲＲ画像Ｄ３０１を生成する。すなわち、血管造影を行う際に被検体Ｐに行われるＸ線撮影と同一の撮影ジオメトリによってＣＴ画像データＣに対して仮想的なＸ線撮影を行うことによって、ＤＲＲ画像Ｄ３０１を生成する。また、ＤＲＲ画像Ｄ３０１を生成した際と同一の撮影ジオメトリにおいて、ＣＴ画像データＣを構成する画素部分（ボクセル）のうち骨部Ｈに対応する部分を除いた状態でＤＲＲ画像Ｄ３０２を生成する。たとえば、第１実施形態における合成用ＤＲＲ画像Ｅの生成と同様に、ＤＲＲ画像Ｄ３０２を生成する際に、ＣＴ値が１００を超えるボクセルを骨部Ｈであるとして、骨部Ｈを除くようにＤＲＲ画像Ｄ３０２を生成する。
教師画像生成部３３２は、図２１に示すように、第１実施形態と同様に、生成されたＤＲＲ画像Ｄ３０１に対して骨部Ｈの画素値が骨部Ｈ以外の部分の画素値に対して相対的に変更されている画像を含む入力教師画像Ｔ３０１を生成する。また、入力教師画像Ｔ３０１と同じ領域における骨部Ｈを除くように生成されたＤＲＲ画像Ｄ３０２である出力教師画像Ｔ３０２を生成する。つまり、ＤＲＲ画像生成部３３１によって、同一の領域について、同一の撮影ジオメトリによって取得された生成されたＤＲＲ画像Ｄ３０１およびＤＲＲ画像Ｄ３０２に基づいて、教師画像生成部３３２は、入力教師画像Ｔ３０１および出力教師画像Ｔ３０２を生成する。
学習モデル生成部３３３は、図２２に示すように、入力教師画像Ｔ３０１を入力層とするとともに、出力教師画像Ｔ３０２を出力層として、機械学習を行い、骨部Ｈを除去するための学習モデルＭ３００を生成する。また、この際、学習モデル生成部３３３は、第１実施形態と同様に骨部Ｈの画素値がランダムな値に変更された複数の入力教師画像Ｔ３０１と、複数の出力教師画像Ｔ３０２によって機械学習を行う。
Ｘ線撮影部３０４は、図１８に示すように、Ｘ線照射部３４１と、Ｘ線検出部３４２と、天板３４３と、を含む。Ｘ線照射部３４１は、天板３４３に載置されている被検体Ｐに対してＸ線を照射する。Ｘ線検出部３４２は、Ｘ線照射部３４１によって照射されたＸ線を検出する。Ｘ線検出部３４２は、ＦＰＤを有する。天板３４３は、Ｘ線撮影が行われる被検体Ｐが載置される。
図１７に示すように、Ｘ線画像処理装置３０５は、第２制御部３５０を含む。第２制御部３５０は、たとえば、ＣＰＵを有する。Ｘ線画像処理装置３０５は、ハードウェア的な構成として、たとえば、ＣＰＵ、ＧＰＵ、ＲＯＭ、および、ＲＡＭなどを有する。また、Ｘ線画像処理装置３０５は、記憶部として、ＨＤＤまたは不揮発性のメモリなどを含んでいる。
図２０に示すように、第２制御部３５０は、機能的な構成として、画像処理部３５１を含む。画像処理部３５１は、プログラム（ソフトウェア）によって構成されている。すなわち、第２制御部３５０は、プログラム（ソフトウェア）を実行することによって、画像処理部３５１として機能するように構成されている。
Ｘ線画像処理装置３０５は、機械学習によって学習済みの学習モデルＭ３００を学習装置３０３より取得する。そして、画像処理部３５１は、取得した学習モデルＭ３００に基づいて、Ｘ線撮影部３０４によって撮影されたＸ線画像Ａ３００から骨部Ｈを除去した出力画像Ａβ（図２２参照）を生成するように構成されている。そして、Ｘ線画像処理装置３０５は、撮影された出力画像Ａβを用いて、血管造影を行うことによって、骨部Ｈが除去された状態で血管造影を行うとともに、血管造影の結果である血管造影画像Ｋを表示装置３０１に表示させる。
なお、第２実施形態のその他の構成については、第１実施形態と同様である。
（第２実施形態のＸ線画像処理システムによる制御処理）
次に、図２３を参照して、第２実施形態によるＸ線画像処理システム３００による制御処理フローについて説明する。
まず、ステップ３１１において、ＣＴ装置３０２よりＣＴ画像が取得される。そして、ＤＲＲ画像生成部３３１によって３次元のＣＴ画像データＣが生成される。
次に、ステップ３１２において、ＤＲＲ画像生成部３３１によってＤＲＲ画像Ｄ３０１およびＤＲＲ画像Ｄ３０２が生成される。
次に、ステップ３１３において、入力教師画像Ｔ３０１および出力教師画像Ｔ３０２が生成される。
次に、ステップ３１４において、学習モデルＭ３００が生成される。
次に、ステップ３１５において、Ｘ線撮影部３０４によって、Ｘ線画像Ａ３００が撮影される。
次に、ステップ３１６において、Ｘ線画像処理装置３０５によって、撮影されたＸ線画像Ａ３００において骨部Ｈが除去される。
次に、ステップ３１７において、骨部Ｈが除去されたＸ線画像Ａ３００を用いて血管造影が行われ、血管造影を行った結果である血管造影画像Ｋが表示装置３０１に表示される。
（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。
第２実施形態では、上記のように、３次元における画素値データを有する３次元データ（ＣＴ画像データＣ）に基づいて取得された被検体Ｐの特定部分（骨部Ｈ）を含む領域についての２次元投影画像（ＤＲＲ画像Ｄ）に対して、骨部Ｈの画素値が骨部Ｈ以外の部分の画素値に対して相対的に変更されている画像を含む入力教師画像Ｔ１と、入力教師画像Ｔ１と同じ領域における骨部Ｈを除く画像である出力教師画像Ｔ２と、を生成する学習画像生成部（ＤＲＲ画像生成部３３１および教師画像生成部３３２）を備える。そして、上記入力教師画像Ｔ１および出力教師画像Ｔ２を用いて、機械学習を行うことにより、骨部Ｈを除去するための学習モデルＭ３００を生成する学習モデル生成部３３３を備える。そして、学習済みの学習モデルＭ３００に基づいて、Ｘ線撮影によって取得された被検体Ｐの骨部Ｈを含むＸ線画像Ａ３００に対して、骨部Ｈを除去する処理を行う画像処理部３５１を備える。これにより、ＤＲＲ画像Ｄ３０１の骨部Ｈの画素値が骨部Ｈ以外の部分の画素値に対して相対的に変更されているため、Ｘ線画像Ａ３００における骨部Ｈの写り方に対応させるように、ＤＲＲ画像Ｄ３０１における骨部Ｈの写り方のみを変更することができる。すなわち、Ｘ線画像Ａ３００における骨部Ｈの写り方（画素値）を模擬したＤＲＲ画像Ｄ３０１を入力教師画像Ｔ３０１として機械学習を行うことによって、Ｘ線画像Ａ３００における骨部Ｈの写り方に対応した学習モデルＭ３００を生成することができる。その結果、ＤＲＲ画像Ｄ３０１とＸ線画像Ａ３００とにおいて、骨部Ｈの写り方（画素値）が異なる場合にも、骨部Ｈの除去の精度が低下することを抑制することができる。
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。
［第３実施形態］
図２４～図２９を参照して、第３実施形態によるＸ線画像処理システム４００の構成について説明する。この第３実施形態は、学習モデルを用いて、骨部ＨをＸ線画像上から除去するように構成された第２実施形態とは異なり、学習モデルを用いて、骨部ＨをＸ線画像上から抽出するように構成されている。なお、図中において、上記第２実施形態とは同様の構成の部分には、同一の符号を付して図示するとともに説明を省略する。
（第３実施形態によるＸ線画像処理システムの構成）
図２４に示すように、本発明の第３実施形態によるＸ線画像処理システム４００は、学習装置４０３、Ｘ線画像処理装置４０５を備える。図２５に示すように、Ｘ線画像処理システム４００は、血管造影の際に、ＤＲＲ画像Ｄ４０１およびＤＲＲ画像Ｄ４０２を用いた機械学習によってＸ線画像Ａ３００から骨部Ｈ以外の部分を除去するように学習された学習モデルＭ４００に基づいて、Ｘ線画像Ａ３００から骨部Ｈ以外の部分を除去するように構成されている。そして、この第３実施形態によるＸ線画像処理システム４００では、Ｘ線画像Ａ３００から骨部Ｈ以外の部分が除去された画像とＸ線画像Ａ３００とで差分をとることによって、Ｘ線画像Ａ３００から骨部Ｈを除いた画像が取得される。そして、骨部Ｈが除かれたＸ線画像Ａ３００を用いて血管造影を行うように構成されている。なお、Ｘ線画像Ａ３００は、Ｘ線撮影画像またはＸ線透視画像を含む。また、「骨部Ｈ以外の部分」は特許請求の範囲における「特定部分」の一例である。
図２４に示すように、学習装置４０３は、第１制御部４３０を含む。第１制御部４３０は、たとえば、ＣＰＵを有する。学習装置４０３は、ハードウェア的な構成として、たとえば、ＣＰＵ、ＧＰＵ、ＲＯＭ、および、ＲＡＭなどを有する。また、学習装置４０３は、記憶部として、ＨＤＤまたは不揮発性のメモリなどを含んでいる。学習装置４０３は、ＣＴ装置３０２によって生成された２次元のＣＴ画像に基づいて３次元のＣＴ画像データＣを生成する。そして、学習装置４０３は、生成されたＣＴ画像データＣに基づいて、学習モデルＭ４００を生成する。
図２６に示すように、第１制御部４３０は、機能的な構成として、ＤＲＲ画像生成部４３１、教師画像生成部４３２、および、学習モデル生成部４３３を含む。ＤＲＲ画像生成部４３１、教師画像生成部４３２、および、学習モデル生成部４３３は、第１および第２実施形態と同様に、プログラム（ソフトウェア）として構成されている。すなわち、第１制御部４３０が、プログラム（ソフトウェア）を実行することによって、ＤＲＲ画像生成部４３１、教師画像生成部４３２、および、学習モデル生成部４３３として機能するように構成されている。なお、ＤＲＲ画像生成部４３１および教師画像生成部４３２は、特許請求の範囲の「学習画像生成部」の一例である。
ＤＲＲ画像生成部４３１は、図２５に示すように、第１および第２実施形態と同様にＣＴ装置３０２において取得されたＣＴ画像によって生成された３次元のＣＴ画像データＣに基づいて、デジタル再構成シミュレーションによりＤＲＲ画像Ｄ４０１を生成する。すなわち、血管造影を行う際に被検体Ｐに行われるＸ線撮影と同一の撮影ジオメトリによってＣＴ画像データＣに対して仮想的なＸ線撮影を行うことによって、ＤＲＲ画像Ｄ４０１を生成する。また、ＤＲＲ画像Ｄ４０１を生成した際と同一の撮影ジオメトリにおいて、ＣＴ画像データＣを構成する画素部分（ボクセル）のうち骨部Ｈ以外の部分に対応する部分を除いた状態でＤＲＲ画像Ｄ４０２を生成する。たとえば、ＤＲＲ画像Ｄ４０２を生成する際に、ＣＴ値が１００よりも小さい値であるボクセルを骨部Ｈ以外の部分であると特定して、骨部Ｈ以外の部分を除くようにＤＲＲ画像Ｄ４０２を生成する。
教師画像生成部４３２は、図２７に示すように、生成されたＤＲＲ画像Ｄ４０１に対して骨部Ｈ以外の部分の画素値が骨部Ｈの画素値に対して相対的に変更されている画像を含む入力教師画像Ｔ４０１を生成する。本実施形態では、特定部分は、骨部Ｈ以外の部分を含む。したがって、本実施形態における骨部Ｈは、特許請求の範囲における「特定部分以外の部分」の一例である。そして、教師画像生成部４３２は、骨部Ｈの画素値を変更することによって、骨部Ｈ以外の部分の画素値が骨部Ｈの画素値に対して相対的に変更されるようにして、入力教師画像Ｔ４０１を生成するように構成されている。また、入力教師画像Ｔ４０１と同じ領域における骨部Ｈ以外の部分を除くように生成されたＤＲＲ画像Ｄ４０２である出力教師画像Ｔ４０２を生成する。つまり、ＤＲＲ画像生成部４３１によって、同一の領域について、同一の撮影ジオメトリによって取得された生成されたＤＲＲ画像Ｄ４０１およびＤＲＲ画像Ｄ４０２に基づいて、教師画像生成部４３２は、入力教師画像Ｔ４０１および出力教師画像Ｔ４０２を生成する。
学習モデル生成部４３３は、図２８に示すように、入力教師画像Ｔ４０１を入力層とするとともに、出力教師画像Ｔ４０２を出力層として、機械学習を行い、骨部Ｈ以外の部分を除去するための学習モデルＭ４００を生成する。また、この際、学習モデル生成部４３３は、第２実施形態と同様に骨部Ｈの画素値がランダムな値に変更されることによって、相対的に骨部Ｈ以外の部分の画素値がランダムに変更される複数の入力教師画像Ｔ４０１と、複数の出力教師画像Ｔ４０２によって機械学習を行う。
図２４に示すように、Ｘ線画像処理装置４０５は、第２制御部４５０を含む。第２制御部４５０は、たとえば、ＣＰＵを有する。Ｘ線画像処理装置４０５は、ハードウェア的な構成として、たとえば、ＣＰＵ、ＧＰＵ、ＲＯＭ、および、ＲＡＭなどを有する。また、Ｘ線画像処理装置４０５は、記憶部として、ＨＤＤまたは不揮発性のメモリなどを含んでいる。
図２６に示すように、第２制御部４５０は、機能的な構成として、画像処理部４５１を含む。画像処理部４５１は、プログラム（ソフトウェア）によって構成されている。すなわち、第２制御部４５０は、プログラム（ソフトウェア）を実行することによって、画像処理部４５１として機能するように構成されている。
Ｘ線画像処理装置４０５は、機械学習によって学習済みの学習モデルＭ４００を学習装置４０３より取得する。そして、画像処理部４５１は、取得した学習モデルＭ４００に基づいて、Ｘ線撮影部３０４によって撮影されたＸ線画像Ａ３００から骨部Ｈ以外の部分を除去した出力画像Ａγ（図２８参照）を生成するように構成されている。そして、Ｘ線画像処理装置３０５は、図２９に示すように、取得された出力画像Ａγと撮影されたＸ線画像Ａ３００とを用いて差分を取ることにより、骨部Ｈが除かれたＸ線画像Ａ３００である血管造影用Ｘ線画像Ａδを生成する。そして、Ｘ線画像処理装置４０５は、血管造影用Ｘ線画像Ａδを用いて、血管造影を行うことによって、骨部Ｈが除去された状態で血管造影を行うとともに、血管造影の結果である血管造影画像Ｋを表示装置３０１に表示させる。
なお、第３実施形態のその他の構成については、第２実施形態と同様である。
（第３実施形態のＸ線画像処理システムによる制御処理）
次に、図３０を参照して、第３実施形態によるＸ線画像処理システム４００による制御処理フローについて説明する。
まず、ステップ４１１において、ＣＴ装置３０２よりＣＴ画像が取得される。そして、ＤＲＲ画像生成部４３１によって３次元のＣＴ画像データＣが生成される。
次に、ステップ４１２において、ＤＲＲ画像生成部４３１によってＤＲＲ画像Ｄ４０１およびＤＲＲ画像Ｄ４０２が生成される。
次に、ステップ４１３において、入力教師画像Ｔ４０１および出力教師画像Ｔ４０２が生成される。
次に、ステップ４１４において、学習モデルＭ４００が生成される。
次に、ステップ４１５において、Ｘ線撮影部３０４によって、Ｘ線画像Ａ３００が撮影される。
次に、ステップ４１６において、Ｘ線画像処理装置４０５によって、撮影されたＸ線画像Ａ３００において骨部Ｈ以外の部分が除去され出力画像Ａγが生成される。
次に、ステップ４１７において、出力画像ＡγとＸ線画像Ａ３００を用いて、差分をとることによって、骨部Ｈが除去されたＸ線画像Ａ３００である血管造影用Ｘ線画像Ａδが生成される。
次に、ステップ４１８において、血管造影用Ｘ線画像Ａδを用いて血管造影が行われ、血管造影を行った結果である血管造影画像Ｋが表示装置３０１に表示される。
（第３実施形態の効果）
第３実施形態では、以下のような効果を得ることができる。
第３実施形態では、上記のように、特定部分は、骨部Ｈ以外の部分を含み、学習画像生成部（ＤＲＲ画像生成部４３１および教師画像生成部４３２）は、コンピュータ断層撮影による３次元データ（ＣＴ画像データＣ）に基づいて、デジタル再構成シミュレーションにより生成された２次元投影画像（ＤＲＲ画像Ｄ４０１）に対して、特定部分（骨部Ｈ以外の部分）の画素値が特定部分（骨部Ｈ以外の部分）以外の部分の画素値に対して相対的に変更されている画像を含む入力教師画像Ｔ４０１と、入力教師画像Ｔ４０１と同じ領域における骨部Ｈ以外の部分を除く画像である出力教師画像Ｔ４０２と、を生成するように構成されている。これにより、Ｘ線画像Ａ３００から骨部Ｈを抽出することによって、出力画像Ａγを生成し、出力画像ＡγとＸ線画像Ａ３００との差分をとることによって、Ｘ線画像Ａ３００から骨部Ｈを除去した画像である血管造影用Ｘ線画像Ａδを生成することができる。その結果、Ｘ線画像Ａ３００において、骨部Ｈ以外の部分には、画像処理がなされずに骨部Ｈの部分のみが画像処理をなされることになるため、骨部Ｈ以外の被検体Ｐの病変部位に対して画像処理が行われない。したがって、被検体Ｐの病変部位について正確に診察することができる。
なお、第３実施形態のその他の効果は、上記第２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特許請求の範囲によって示され、さらに特許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。
（第１変形例）
たとえば、上記第１実施形態では、学習モデルＭに基づいて、被検体Ｐの抽出対象部分Ｑを直接的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、抽出対象部分Ｑの位置を示すための印として、被検体Ｐの体内にマーカーＲを留置するようにして、マーカーＲの位置を抽出することによって抽出対象部分Ｑを抽出するようにしてもよい。
具体的には、図３１に示すように、ＣＴ画像データＣを取得する時点より前に、被検体Ｐの体内に穿刺などによってマーカーＲを留置する。そして、ＣＴ画像データＣを構成する３次元画素部分のうちからマーカーＲに対応する３次元画素部分を特定した状態でＤＲＲ画像Ｄを生成する。生成されたＤＲＲ画像Ｄに基づいて、マーカーＲを含む領域についての入力教師画像Ｔ１であるマーカー抽出用入力教師画像Ｔ１１を生成する。また、生成されたＤＲＲ画像Ｄに基づいて、マーカーＲを示すことによって抽出対象部分Ｑを示す画像であるマーカー抽出用出力教師画像Ｔ３を生成する。マーカー抽出用入力教師画像Ｔ１１およびマーカー抽出用出力教師画像Ｔ３を用いて、マーカー抽出用学習モデルＭβを生成する。そして、マーカー抽出用学習モデルＭβに基づいて、Ｘ線透視画像Ａに対してマーカーＲを抽出することによって抽出対象部分Ｑを抽出する。
（その他の変形例）
また、上記第１および第２実施形態では、特定部分は骨部Ｈを含み、学習画像生成部（ＤＲＲ画像生成部３１、２３１、３３１および教師画像生成部３２、２３２、３３２）を、コンピュータ断層撮影による３次元データ（ＣＴ画像データＣ）に基づいて、デジタル再構成シミュレーションにより生成された２次元投影画像（ＤＲＲ画像Ｄ）に対して、骨部Ｈの画素値が骨部Ｈ以外の部分の画素値に対して相対的に変更されている画像を含む入力教師画像Ｔ１（Ｔ２０１、Ｔ３０１）と、入力教師画像Ｔ１（Ｔ２０１、Ｔ３０１）と同じ領域における抽出対象部分Ｑを示す画像または骨部Ｈを除く画像である出力教師画像Ｔ２（Ｔ３０２）と、を生成するように構成する例を示したが、本発明はこれに限られない。たとえば、骨部Ｈ以外の部分を特定部分とするようにしてもよい。すなわち、予め、骨部Ｈ以外の腫瘍部分に対応する３次元画素部分をＣＴ画像データＣにおいて指定することによって、腫瘍部分の画素値が変更されている画像を入力教師画像Ｔ１（Ｔ２０１、Ｔ３０１）として、学習モデルＭ（Ｍ３００）を生成するように構成されていてもよい。
また、上記第１および第２実施形態では、学習画像生成部（ＤＲＲ画像生成部３１、２３１、３３１および教師画像生成部３２、２３２、３３２）を、特定部分（骨部Ｈ）の画素値がランダムな値に変更されている画像を含むように複数の入力教師画像Ｔ１（Ｔ２０１、Ｔ３０１）を生成するように構成する例を示したが、本発明はこれに限られない。たとえば、ある一定の間隔の値で、骨部Ｈの画素値を変更するようにしてもよい。
また、上記第１～第３実施形態では、学習画像生成部（ＤＲＲ画像生成部３１、２３１、３３１、４３１および教師画像生成部３２、２３２、３３２、４３２）と学習モデル生成部３３（２３３、３３３、４３３）とを含む第１制御部３０（２３０、３３０、４３０）と、画像処理部５１（３５１、４５１）を含む第２制御部５０（３５０、４５０）と、をさらに備える例を示したが、本発明はこれに限られない。たとえば、１つの制御部が、学習画像生成部（ＤＲＲ画像生成部３１、２３１、３３１、４３１および教師画像生成部３２、２３２、３３２、４３２）と、学習モデル生成部３３（２３３、３３３、４３３）と、画像処理部５１（３５１、４５１）とを備えるようにしてもよい。また、ＤＲＲ画像生成部３１（２３１、３３１、４３１）と、教師画像生成部３２（２３２、３３２、４３２）と、学習モデル生成部３３（２３３、３３３、４３３）と、画像処理部５１（３５１、４５１）とが、それぞれ、別個の制御部（ハードウェア）によって構成されていてもよい。また、第１制御部３０（２３０、３３０、４３０）および第２制御部５０（３５０、４５０）が、ＤＲＲ画像生成部３１（２３１、３３１、４３１）を備えないようにしてもよい。たとえば、クラウド上に保存されているＤＲＲ画像Ｄ（Ｄ３０１、Ｄ４０１）を、ネットワークを介して取得するようにしてもよい。
また、上記第１実施形態では、学習画像生成部（ＤＲＲ画像生成部３１および教師画像生成部３２）を、特定部分（骨部Ｈ）を含む２次元投影画像（ＤＲＲ画像Ｄ）と、骨部Ｈを除くように生成されたＤＲＲ画像Ｄである合成用投影画像（合成用ＤＲＲ画像Ｅ）とに基づいて、骨部Ｈの画素値が骨部Ｈ以外の部分の画素値に対して相対的に変更されている画像を含む入力教師画像Ｔ１を生成するように構成する例を示したが、本発明はこれに限られない。たとえば、ＤＲＲ画像Ｄに含まれる画素（ピクセル）のうち、骨部Ｈに対応する部分を抽出するとともに、抽出された骨部Ｈに対応する画素の画素値を変更することによって入力教師画像Ｔ１を生成するようにしてもよい。
また、上記第１実施形態では、学習画像生成部（ＤＲＲ画像生成部３１および教師画像生成部３２）を、３次元データ（ＣＴ画像データＣ）を構成する３次元画素部分のうちから特定部分（骨部Ｈ）に対応する３次元画素部分を除去することによって合成用投影画像（合成用ＤＲＲ画像Ｅ）を生成するように構成する例を示したが、本発明はこれに限られない。たとえば、２次元に投影されたＤＲＲ画像Ｄに対して、画像処理を施すことによって、合成用投影画像Ｅを生成するようにしてもよい。また、骨部Ｈに対応する３次元画素部分のみを抽出した状態で、合成用ＤＲＲ画像Ｅを生成するようにしてもよい。
また、上記第１実施形態では、学習画像生成部（ＤＲＲ画像生成部３１および教師画像生成部３２）を、２次元投影画像（ＤＲＲ画像Ｄ）と合成用投影画像（合成用ＤＲＲ画像Ｅ）とを合成する際の画素値の割合を変更して、合成する画素値の割合が変更されたＤＲＲ画像Ｄと合成用ＤＲＲ画像Ｅとを合成することによって入力教師画像Ｔ１を生成するように構成する例を示したが、本発明はこれに限られない。たとえば、ＤＲＲ画像Ｄについては、画素値の割合を変更せずに、合成用ＤＲＲ画像Ｅのみについて画素値を変更するようにしてもよい。また、アルファブレンディングを用いず、画素値を加算することによってＤＲＲ画像Ｄと合成用ＤＲＲ画像Ｅとを合成するようにしてもよい。
また、上記参考例では、学習画像生成部（ＤＲＲ画像生成部２３１および教師画像生成部２３２）を、３次元データ（ＣＴ画像データＣ）を構成する３次元画素部分のうちから、特定部分（骨部Ｈ）に対応する３次元画素部分の画素値データ（ＣＴ値）を、骨部Ｈ以外の部分に対応する３次元画素部分の画素値データ（ＣＴ値）に対して相対的に変更した状態で２次元に投影することによって、入力教師画像Ｔ２０１を生成するように構成する例を示したが、本発明の参考例はこれに限られない。たとえば、骨部Ｈに対応する３次元画素部分のうちから、一定の割合の３次元画素部分を除外した状態で、２次元に投影することによって入力教師画像Ｔ２０１を生成するようにしてもよい。
また、上記第３実施形態では、特定部分は、骨部Ｈ以外の部分を含み、学習画像生成部（ＤＲＲ画像生成部４３１および教師画像生成部４３２）を、コンピュータ断層撮影による３次元データ（ＣＴ画像データＣ）に基づいて、デジタル再構成シミュレーションにより生成された２次元投影画像（ＤＲＲ画像Ｄ４０１）に対して、特定部分（骨部Ｈ以外の部分）の画素値が特定部分（骨部Ｈ以外の部分）以外の部分の画素値に対して相対的に変更されている画像を含む入力教師画像Ｔ４０１と、入力教師画像Ｔ４０１と同じ領域における特定部分（骨部Ｈ以外の部分）を除く画像である出力教師画像Ｔ４０２と、を生成するように構成する例を示したが、本発明はこれに限られない。たとえば、骨部Ｈ以外の部分の画素値を変更することによって入力教師画像Ｔ４０１を生成するように構成してもよい。
また、上記第１～第３実施形態では、放射線治療または血管造影において、Ｘ線画像に対して抽出対象部分Ｑを抽出する処理または特定部分（骨部Ｈまたは骨部Ｈ以外の部分）を除去する処理を行う例を示したが、本発明はこれに限られない。たとえば、一般Ｘ線撮影によって取得されたＸ線撮影画像に対して、抽出対象部分Ｑを抽出する処理、または、特定部分を除く処理を行うようにしてもよい。
［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）
３次元における画素値データを有する３次元データに基づいて取得された被検体の特定部分を含む領域についての２次元投影画像に対して、前記特定部分の画素値が前記特定部分以外の部分の画素値に対して相対的に変更されている画像を含む入力教師画像と、前記入力教師画像と同じ領域における前記被検体の抽出対象部分を示す画像または前記特定部分を除く画像である出力教師画像と、を生成する学習画像生成部と、
前記入力教師画像および前記出力教師画像を用いて、機械学習を行うことにより、前記抽出対象部分を抽出するか、または、前記特定部分を除去するための学習モデルを生成する学習モデル生成部と、
学習済みの前記学習モデルに基づいて、Ｘ線撮影によって取得された前記被検体の前記特定部分を含むＸ線画像に対して、前記抽出対象部分を抽出する処理と、前記特定部分を除去する処理とのいずれか一方を行う画像処理部と、を備える、医用画像処理装置。
（項目２）
前記特定部分は骨部を含み、
前記学習画像生成部は、コンピュータ断層撮影による前記３次元データに基づいて、デジタル再構成シミュレーションにより生成された前記２次元投影画像に対して、前記特定部分の画素値が前記特定部分以外の部分の画素値に対して相対的に変更されている画像を含む前記入力教師画像と、前記入力教師画像と同じ領域における前記抽出対象部分を示す画像または前記特定部分を除く画像である前記出力教師画像と、を生成するように構成されている、項目１に記載の医用画像処理装置。
（項目３）
前記学習画像生成部は、前記特定部分の画素値がランダムな値に変更されている画像を含むように複数の前記入力教師画像を生成するように構成されている、項目１または２に記載の医用画像処理装置。
（項目４）
前記学習画像生成部と前記学習モデル生成部とを含む第１制御部と、
前記画像処理部を含む第２制御部と、をさらに備える、項目１～３のいずれか１項に記載の医用画像処理装置。
（項目５）
前記学習画像生成部は、前記特定部分を含む前記２次元投影画像と、前記特定部分を除くように生成された前記２次元投影画像である合成用投影画像とに基づいて、前記特定部分の画素値が前記特定部分以外の部分の画素値に対して相対的に変更されている画像を含む前記入力教師画像を生成するように構成されている、項目１～４のいずれか１項に記載の医用画像処理装置。
（項目６）
前記学習画像生成部は、前記３次元データを構成する３次元画素部分のうちから前記特定部分に対応する前記３次元画素部分を除去することによって前記合成用投影画像を生成するように構成されている、項目５に記載の医用画像処理装置。
（項目７）
前記学習画像生成部は、前記２次元投影画像と前記合成用投影画像とを合成する際の画素値の割合を変更して、前記合成する画素値の割合が変更された前記２次元投影画像と前記合成用投影画像とを合成することによって前記入力教師画像を生成するように構成されている、項目５または６に記載の医用画像処理装置。
（項目８）
前記学習画像生成部は、前記３次元データを構成する３次元画素部分のうちから、前記特定部分に対応する前記３次元画素部分の前記画素値データを、前記特定部分以外の部分に対応する前記３次元画素部分の前記画素値データに対して相対的に変更した状態で２次元に投影することによって、前記入力教師画像を生成するように構成されている、項目１～４のいずれか１項に記載の医用画像処理装置。
（項目９）
前記特定部分は、骨部以外の部分を含み、
前記学習画像生成部は、コンピュータ断層撮影による前記３次元データに基づいて、デジタル再構成シミュレーションにより生成された前記２次元投影画像に対して、前記特定部分の画素値が前記特定部分以外の部分の画素値に対して相対的に変更されている画像を含む前記入力教師画像と、前記入力教師画像と同じ領域における前記特定部分を除く画像である前記出力教師画像と、を生成するように構成されている、項目１に記載の医用画像処理装置。
（項目１０）
３次元における画素値データを有する３次元データに基づいて取得された被検体の特定部分を含む領域についての２次元投影画像に対して、前記特定部分の画素値が前記特定部分以外の部分の画素値に対して相対的に変更されている画像を含む入力教師画像と、前記入力教師画像と同じ領域における前記被検体の抽出対象部分を示す画像または前記特定部分を除く画像である出力教師画像と、を生成する学習画像生成部と、
前記入力教師画像および前記出力教師画像を用いて、機械学習を行うことにより、前記抽出対象部分を抽出するか、または、前記特定部分を除去するための学習モデルを生成する学習モデル生成部と、
Ｘ線撮影によって前記被検体の前記特定部分を含むＸ線画像を取得するＸ線撮影部と、
学習済みの前記学習モデルに基づいて、前記Ｘ線撮影部によって撮影された前記Ｘ線画像に対して、前記抽出対象部分を抽出する処理と、前記特定部分を除去する処理とのいずれか一方を行う画像処理部と、を備える、Ｘ線画像処理システム。
（項目１１）
３次元における画素値データを有する３次元データに基づいて取得された被検体の特定部分を含む領域についての２次元投影画像に対して、前記特定部分の画素値が前記特定部分以外の部分の画素値に対して相対的に変更されている画像を含む入力教師画像を生成するステップと、
前記入力教師画像と同じ領域における前記被検体の抽出対象部分を示す画像または前記特定部分を除く画像である出力教師画像を生成するステップと、
前記入力教師画像および前記出力教師画像を用いて、機械学習を行うことにより、前記抽出対象部分を抽出するか、または、前記特定部分を除去するための学習モデルを生成するステップと、を備える、学習モデルの生成方法。
１００、２００、３００、４００ Ｘ線画像処理システム
１ 放射線照射装置
２ 治療計画装置
３、２０３、３０３、４０３ 学習装置（医用画像処理装置）
４、３０４ Ｘ線撮影部
５、２０５、３０５、４０５ Ｘ線画像処理装置（医用画像処理装置）
１１、３４３ 天板
３０、２３０、３３０、４３０ 第１制御部
３１、２３１、３３１、４３１ ＤＲＲ画像生成部（学習画像生成部）
３２、２３２、３３２、４３２ 教師画像生成部（学習画像生成部）
３３、２３３、３３３、４３３ 学習モデル生成部
５０、３５０、４５０ 第２制御部
５１、３５１、４５１ 画像処理部

Claims (8)

  1. ３次元における画素値データを有する３次元データに基づいて取得された被検体の特定部分を含む領域についての２次元投影画像に対して、前記特定部分の画素値が前記特定部分以外の部分の画素値に対して相対的に変更されている画像を含む入力教師画像と、前記入力教師画像と同じ領域における抽出対象部分を示す画像または前記特定部分を除く画像である出力教師画像と、を生成する学習画像生成部と、
    前記入力教師画像および前記出力教師画像を用いて、機械学習を行うことにより、前記抽出対象部分を抽出するか、または、前記特定部分を除去するための学習モデルを生成する学習モデル生成部と、
    学習済みの前記学習モデルに基づいて、Ｘ線撮影によって取得された前記被検体の前記特定部分を含むＸ線画像に対して、前記抽出対象部分を抽出する処理と、前記特定部分を除去する処理とのいずれか一方を行う画像処理部と、を備え、
    前記学習画像生成部は、前記特定部分と前記特定部分以外の部分とを含む前記２次元投影画像と、前記特定部分を除くように生成された前記２次元投影画像である合成用投影画像とを、前記２次元投影画像と前記合成用投影画像との画素値の割合を変更しながら合成することによって、前記特定部分の画素値が複数種類に変更された複数の前記入力教師画像を生成するように構成されている、医用画像処理装置。
  2. 前記特定部分は骨部を含み、
    前記学習画像生成部は、コンピュータ断層撮影による前記３次元データに基づいて、デジタル再構成シミュレーションにより生成された前記２次元投影画像に対して、前記特定部分の画素値が前記特定部分以外の部分の画素値に対して相対的に変更されている画像を含む前記入力教師画像と、前記入力教師画像と同じ領域における前記抽出対象部分を示す画像または前記特定部分を除く画像である前記出力教師画像と、を生成するように構成されている、請求項１に記載の医用画像処理装置。
  3. 前記学習画像生成部は、前記特定部分の画素値がランダムな値に変更されている画像を含むように複数の前記入力教師画像を生成するように構成されている、請求項１または２に記載の医用画像処理装置。
  4. 前記学習画像生成部と前記学習モデル生成部とを含む第１制御部と、
    前記画像処理部を含む第２制御部と、をさらに備える、請求項１～３のいずれか１項に記載の医用画像処理装置。
  5. 前記学習画像生成部は、前記３次元データを構成する３次元画素部分のうちから前記特定部分に対応する前記３次元画素部分を除去することによって前記合成用投影画像を生成するように構成されている、請求項１～４のいずれか１項に記載の医用画像処理装置。
  6. 前記特定部分は、骨部以外の部分を含み、
    前記学習画像生成部は、コンピュータ断層撮影による前記３次元データに基づいて、デジタル再構成シミュレーションにより生成された前記２次元投影画像に対して、前記特定部分の画素値が前記特定部分以外の部分の画素値に対して相対的に変更されている画像を含む前記入力教師画像と、前記入力教師画像と同じ領域における前記特定部分を除く画像である前記出力教師画像と、を生成するように構成されている、請求項１に記載の医用画像処理装置。
  7. ３次元における画素値データを有する３次元データに基づいて取得された被検体の特定部分を含む領域についての２次元投影画像に対して、前記特定部分の画素値が前記特定部分以外の部分の画素値に対して相対的に変更されている画像を含む入力教師画像と、前記入力教師画像と同じ領域における抽出対象部分を示す画像または前記特定部分を除く画像である出力教師画像と、を生成する学習画像生成部と、
    前記入力教師画像および前記出力教師画像を用いて、機械学習を行うことにより、前記抽出対象部分を抽出するか、または、前記特定部分を除去するための学習モデルを生成する学習モデル生成部と、
    Ｘ線撮影によって前記被検体の前記特定部分を含むＸ線画像を取得するＸ線撮影部と、
    学習済みの前記学習モデルに基づいて、前記Ｘ線撮影部によって撮影された前記Ｘ線画像に対して、前記抽出対象部分を抽出する処理と、前記特定部分を除去する処理とのいずれか一方を行う画像処理部と、を備え、
    前記学習画像生成部は、前記特定部分と前記特定部分以外の部分とを含む前記２次元投影画像と、前記特定部分を除くように生成された前記２次元投影画像である合成用投影画像とを、前記２次元投影画像と前記合成用投影画像との画素値の割合を変更しながら合成することによって、前記特定部分の画素値が複数種類に変更された複数の前記入力教師画像を生成するように構成されている、Ｘ線画像処理システム。
  8. ３次元における画素値データを有する３次元データに基づいて取得された被検体の特定部分を含む領域についての２次元投影画像に対して、前記特定部分の画素値が前記特定部分以外の部分の画素値に対して相対的に変更されている画像を含む入力教師画像を生成するステップと、
    前記入力教師画像と同じ領域における抽出対象部分を示す画像または前記特定部分を除く画像である出力教師画像を生成するステップと、
    前記入力教師画像および前記出力教師画像を用いて、機械学習を行うことにより、前記抽出対象部分を抽出するか、または、前記特定部分を除去するための学習モデルを生成するステップと、を備え、
    前記入力教師画像を生成するステップは、前記特定部分と前記特定部分以外の部分とを含む前記２次元投影画像と、前記特定部分を除くように生成された前記２次元投影画像である合成用投影画像とを、前記２次元投影画像と前記合成用投影画像との画素値の割合を変更しながら合成することによって、前記特定部分の画素値が複数種類に変更された複数の前記入力教師画像を生成するステップを含む、学習モデルの生成方法。
JP2019167628A 2019-09-13 2019-09-13 医用画像処理装置、ｘ線画像処理システム、および、学習モデルの生成方法 Active JP7226207B2 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2019167628A JP7226207B2 (ja) 2019-09-13 2019-09-13 医用画像処理装置、ｘ線画像処理システム、および、学習モデルの生成方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019167628A JP7226207B2 (ja) 2019-09-13 2019-09-13 医用画像処理装置、ｘ線画像処理システム、および、学習モデルの生成方法

Publications (2)

Publication Number Publication Date
JP2021041090A JP2021041090A (ja) 2021-03-18
JP7226207B2 true JP7226207B2 (ja) 2023-02-21

Family

ID=74861818

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019167628A Active JP7226207B2 (ja) 2019-09-13 2019-09-13 医用画像処理装置、ｘ線画像処理システム、および、学習モデルの生成方法

Country Status (1)

Country Link
JP (1) JP7226207B2 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117615713A (zh) * 2021-07-20 2024-02-27 株式会社岛津制作所 X射线拍摄系统及图像处理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018083844A1 (ja) 2016-11-02 2018-05-11 株式会社島津製作所 Ｘ線透視装置およびｘ線透視方法
WO2018159775A1 (ja) 2017-03-03 2018-09-07 国立大学法人筑波大学 対象追跡装置
WO2019003474A1 (ja) 2017-06-30 2019-01-03 株式会社島津製作所 放射線治療用追跡装置、位置検出装置および動体追跡方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6785485B2 (ja) * 2016-12-01 2020-11-18 株式会社島津製作所 Ｘ線透視装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018083844A1 (ja) 2016-11-02 2018-05-11 株式会社島津製作所 Ｘ線透視装置およびｘ線透視方法
WO2018159775A1 (ja) 2017-03-03 2018-09-07 国立大学法人筑波大学 対象追跡装置
WO2019003474A1 (ja) 2017-06-30 2019-01-03 株式会社島津製作所 放射線治療用追跡装置、位置検出装置および動体追跡方法

Also Published As

Publication number Publication date
JP2021041090A (ja) 2021-03-18

Similar Documents

Publication Publication Date Title
KR102070714B1 (ko) 오브젝트 위치 결정 장치, 오브젝트 위치 결정 방법, 오브젝트 위치 결정 프로그램, 및 방사선 치료 시스템
JP5345947B2 (ja) 対象物を撮像する撮像システム及び撮像方法
JP3896188B2 (ja) 放射線治療計画のための画像処理装置
KR102579039B1 (ko) 의료용 화상 처리 장치, 치료 시스템, 및 의료용 화상 처리 프로그램
US8126224B2 (en) Method and apparatus for instrument tracking on a scrolling series of 2D fluoroscopic images
US20120121064A1 (en) Procedure for processing patient radiological images
WO2021171394A1 (ja) 学習済みモデルの作成方法、画像生成方法および画像処理装置
TWI688373B (zh) 醫用畫像處理裝置、治療系統及醫用畫像處理程式
KR102283934B1 (ko) Pet 영상에 기반한 가상 ct 영상 및 감쇠보정 pet 영상 생성 방법 및 시스템
JP7226207B2 (ja) 医用画像処理装置、ｘ線画像処理システム、および、学習モデルの生成方法
WO2020230642A1 (ja) 医用画像処理装置、医用画像処理プログラム、医用装置、および治療システム
JP7323128B2 (ja) 医用画像処理装置、医用装置、治療システム、医用画像処理方法、およびプログラム
US8358874B2 (en) Method for displaying computed-tomography scans, and a computed-tomography system or computed-tomography system assembly for carrying out this method
JP6797555B2 (ja) 医用情報処理装置
JP2023103359A (ja) 学習装置、ｘ線画像処理システム、および、学習モデルの生成方法
WO2022190846A1 (ja) 医用画像処理装置、医用画像処理方法、医用画像処理プログラム、および放射線治療装置
WO2024070093A1 (ja) 照射位置確認支援装置、照射位置確認支援方法、および照射位置確認支援プログラム
JP2019180799A (ja) 医用画像処理装置、医用画像処理方法、およびプログラム
WO2024117129A1 (ja) 医用画像処理装置、治療システム、医用画像処理方法、およびプログラム
JP6855173B2 (ja) Ｘ線ｃｔ装置
KR20230166023A (ko) Ar 영상 제공 방법 및 ar 영상 제공 장치
JP2021013741A (ja) アパーチャ制御を用いる低線量ｃｔ透視のシステムおよび方法
KR20230151364A (ko) 의료 영상 기반의 시술 시뮬레이션 제공 방법 및 장치
KR20220098740A (ko) X선 영상 획득 방법
JP2009050413A (ja) 記憶媒体及びｘ線ｃｔシステム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220112

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221018

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221216

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230110

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230123

R151 Written notification of patent or utility model registration

Ref document number: 7226207

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151