JP7408381B2 - 画像処理装置、プログラム及び方法 - Google Patents

Description

本発明の実施形態は、画像処理装置、プログラム及び方法に関する。

被検体の部位の解析を行う画像処理装置及び医用画像診断装置がある。例えば、複数の時相の画像データであって心筋の輪郭が描出された画像データに基づいて、造影剤が投入された被検体の心臓の心筋内の血流量を得るための心筋パフュージョンを実行する画像処理装置及びＸ線ＣＴ（Computed Tomography）装置がある。心筋パフュージョンは、心筋領域内の画素毎又は局所毎に造影剤に関する時間濃度曲線（time-density curve）を生成し、造影剤が流入してから流出するまでの期間に移動する血流の量を、時間濃度曲線に基づいて、画素毎又は局所毎に算出する解析である。このような心筋パフュージョンを含む様々な解析では、解析を精度良く行うために、解析において用いられる解析対象の部位の輪郭の位置及び形状の精度が良好であることが望まれる。すなわち、解析を精度良く行うために、精度の良い輪郭を示す情報を得ることが望まれる。

特開２０１６－１１６８４３号公報 特開２０１０－２２０７４２号公報 特開２０１８－２０２１５８号公報

本発明が解決しようとする課題は、精度の良い輪郭を示す情報を得ることである。

実施形態の画像処理装置は、記憶部と、出力部とを備える。記憶部は、検出対象物の対象位置の第１の画像データの、検出対象物の輝度値に基づいてウィンドウ条件を加工した第２の画像データが入力されることで、検出対象物の輪郭を示す情報を出力する学習済みモデルを記憶する。出力部は、学習済みモデルを使用して、第２の画像データを基に、検出対象物の輪郭を示す情報を出力する。

図１は、第１の実施形態に係る医用処理システムの構成の一例を示す図である。 図２は、第１の実施形態に係るＸ線ＣＴ装置が送信するデータの一例を説明するための図である。 図３は、第１の実施形態に係るＸ線ＣＴ装置が送信するデータの一例を説明するための図である。 図４は、第１の実施形態に係るＣＴ画像データの一例を示す図である。 図５は、第１の実施形態に係る学習用データセット生成機能により実行される処理の一例を説明するための図である。 図６は、第１の実施形態に係る学習用データセット生成機能により実行される処理の一例を説明するための図である。 図７は、第１の実施形態に係るウィンドウ条件の一例を示す図である。 図８は、第１の実施形態に係る学習用データセット生成機能により実行される処理の一例を説明するための図である。 図９は、第１の実施形態に係る学習済みモデル生成機能が実行する処理の一例を説明するための図である。 図１０は、第１の実施形態に係る推定機能が実行する処理の一例について説明するための図である。 図１１は、第１の実施形態に係る画像処理装置が学習時に実行する処理の流れの一例を示すフローチャートである。 図１２は、第１の実施形態に係る画像処理装置が運用時に実行する処理の流れの一例を示すフローチャートである。 図１３は、第１の実施形態の変形例１に係る学習済みモデル生成機能が実行する処理の一例を説明するための図である。 図１４は、第１の実施形態の変形例１に係る推定機能が実行する処理の一例について説明するための図である。 図１５は、第１の実施形態の変形例２に係る画像処理装置が実行する処理の一例を説明するための図である。 図１６は、第１の実施形態の変形例２に係る画像処理装置が実行する処理の一例を説明するための図である。 図１７は、第１の実施形態の変形例２に係る学習用データセット生成機能が実行する処理の一例を説明するための図である。 図１８は、第１の実施形態の変形例２に係る学習用データセット生成機能が実行する処理の一例を説明するための図である。 図１９は、第１の実施形態の変形例２に係る学習用データセット生成機能が実行する処理の一例を説明するための図である。 図２０は、第１の実施形態の変形例２に係る学習用データセット生成機能が実行する処理の一例を説明するための図である。 図２１は、第１の実施形態の変形例２に係る推定機能が実行する処理の一例について説明するための図である。 図２２は、第１の実施形態の変形例２に係るデータベースのデータ構造の一例を示す図である。 図２３は、第１の実施形態の変形例３に係る学習用データセット生成機能が実行する処理の一例を説明するための図である。 図２４は、第２の実施形態に係る医用処理システムの構成の一例を示す図である。 図２５は、第２の実施形態に係る学習用データセット生成機能２３５ｃが運用時に実行する処理の一例を説明するための図である。 図２６は、第２の実施形態に係る学習済みモデル生成機能が実行する処理の一例を説明するための図である。 図２７は、第２の実施形態に係る推定機能が実行する処理の一例について説明するための図である。 図２８は、第２の実施形態に係る画像処理装置が学習時に実行する処理の流れの一例を示すフローチャートである。 図２９は、第２の実施形態に係る画像処理装置が運用時に実行する処理の流れの一例を示すフローチャートである。 図３０は、第２の実施形態の変形例１に係る学習済みモデル生成機能が実行する処理の一例を説明するための図である。 図３１は、第２の実施形態の変形例１に係る推定機能が実行する処理の一例について説明するための図である。 図３２は、第２の実施形態の変形例２に係る画像処理装置が実行する処理の一例を説明するための図である。 図３３は、第２の実施形態の変形例２に係る推定機能が実行する処理の一例について説明するための図である。 図３４は、第２の実施形態の変形例３に係る画像処理装置が実行する処理の一例を説明するための図である。 図３５は、第２の実施形態の変形例３に係る推定機能が実行する処理の一例について説明するための図である。 図３６は、第２の実施形態の変形例４に係る画像処理装置が実行する処理の一例を説明するための図である。 図３７は、第２の実施形態の変形例４に係る推定機能が実行する処理の一例について説明するための図である。 図３８は、解析対象の他の一例について説明するための図である。

以下、図面を参照しながら、画像処理装置、プログラム及び方法の実施形態を詳細に説明する。なお、本願に係る画像処理装置、プログラム及び方法は、以下に示す実施形態によって限定されるものではない。

（第１の実施形態）
図１は、第１の実施形態に係る医用処理システム１の構成の一例を示す図である。図１に示すように、医用処理システム１は、Ｘ線ＣＴ装置１１０と、端末装置１２０と、画像処理装置１３０とを備える。ここで、Ｘ線ＣＴ装置１１０と、端末装置１２０と、画像処理装置１３０とは、ネットワーク２００を介して通信可能に接続されている。

医用処理システム１では、学習済みモデルを生成する学習時の段階と、学習済みモデルを用いて処理を行う運用時の段階とがある。

Ｘ線ＣＴ装置１１０は、被検体を撮像してＣＴ画像を示すＣＴ画像データを生成する。例えば、Ｘ線ＣＴ装置１１０は、Ｘ線管、Ｘ線検出器、ＤＡＳ（Data Acquisition System）及び処理回路を有する。例えば、Ｘ線管は、被検体に対して照射するＸ線を発生する。検出器は、被検体を通過したＸ線を検出し、検出したＸ線量に対応する電気信号をＤＡＳに出力する。ＤＡＳは、検出器から出力された電気信号を増幅させ、アナログ信号である増幅された電気信号をデジタル信号に変換することにより、検出データを生成し、生成した検出データを処理回路に出力する。処理回路は、検出データに対して、対数変換処理、オフセット補正処理、チャネル間の感度補正処理及びビームハードニング補正処理等の前処理を施す。前処理が施された検出データは、生データと称される。そして、処理回路は、生データに対して、フィルタ補正逆投影法や逐次近似再構成法等を用いた再構成処理を行って３次元のＣＴ画像データを生成する。ＣＴ画像データの複数の画素（ボクセル）のそれぞれには、ＣＴ値が設定されている。例えば、ＣＴ値は、「－１０００」以上「１０００」以下の範囲内の値である。

そして、Ｘ線ＣＴ装置１１０は、各種のデータを画像処理装置１３０に送信する。図２及び図３は、第１の実施形態に係るＸ線ＣＴ装置１１０が送信するデータの一例を説明するための図である。例えば、Ｘ線ＣＴ装置１１０は、画像処理装置１３０が学習済みモデルを生成する学習時には、図２に示すように、学習時用のＣＴ画像データ１１を画像処理装置１３０へ送信する。これにより、画像処理装置１３０は、ＣＴ画像データ１１を用いて学習済みモデルを生成する。

また、Ｘ線ＣＴ装置１１０は、画像処理装置１３０が学習済みモデルを用いて画像データを推定する処理を実行する運用時には、図３に示すように、運用時用のＣＴ画像データ１２を画像処理装置１３０へ送信する。これにより、画像処理装置１３０は、ＣＴ画像データ１２及び学習済みモデルを用いて処理を実行する。

なお、ＣＴ画像データ１１を生成する際に撮像された被検体と、ＣＴ画像データ１２を生成する際に撮像された被検体とは異なっていてもよいし、同一であってもよい。ただし、ＣＴ画像データ１１を生成する際に撮像された部位と、ＣＴ画像データ１２を生成する際に撮像された部位とは同一である。すなわち、ＣＴ画像データ１１に描出された部位と、ＣＴ画像データ１２に描出された部位とは同一である。また、例えば、ＣＴ画像データ１１を生成する際に撮像された被検体、及び、ＣＴ画像データ１２を生成する際に撮像された被検体には、造影剤が投与されている。画像処理装置１３０が実行する学習時の学習済みモデルを生成する処理、及び、運用時の学習済みモデルを用いた処理の具体例については後述する。

図１の説明に戻る。端末装置１２０は、病院内に勤務する医師や検査技師等のユーザに画像を閲覧させるための装置である。例えば、端末装置１２０は、ユーザにより操作されるパーソナルコンピュータ（ＰＣ：Personal Computer）、タブレット式ＰＣ、ＰＤＡ（Personal Digital Assistant）又は携帯電話等によって実現される。例えば、端末装置１２０は、Ｘ線ＣＴ装置１１０又は画像処理装置１３０から送信された各種の画像データを受信する。そして、端末装置１２０は、受信した画像データに基づく画像を端末装置１２０が備えるディスプレイに表示させるとともに、端末装置１２０が備える入力インターフェースを介して画像に対する各種操作を受け付ける。

画像処理装置１３０は、Ｘ線ＣＴ装置１１０から各種のデータを取得し、取得したデータを用いて各種の処理を実行する。例えば、画像処理装置１３０は、サーバ、ワークステーション、パーソナルコンピュータ、タブレット端末等のコンピュータ機器によって実現される。

画像処理装置１３０は、通信インターフェース１３１と、メモリ１３２と、入力インターフェース１３３と、ディスプレイ１３４と、処理回路１３５とを備える。

通信インターフェース１３１は、処理回路１３５に接続されており、画像処理装置１３０とＸ線ＣＴ装置１１０との間で行われる通信、及び、画像処理装置１３０と端末装置１２０との間で行われる通信を制御する。具体例を挙げて説明すると、通信インターフェース１３１は、Ｘ線ＣＴ装置１１０及び端末装置１２０から各種のデータや情報を受信し、受信したデータや情報を処理回路１３５に送信する。例えば、通信インターフェース１３１は、ネットワークカード、ネットワークアダプタ又はＮＩＣ（Network Interface Controller）等によって実現される。

メモリ１３２は、処理回路１３５に接続されており、各種のデータや情報を記憶する。例えば、メモリ１３２は、Ｘ線ＣＴ装置１１０から送信されたＣＴ画像データ１１及びＣＴ画像データ１２を記憶する。

また、メモリ１３２は、処理回路１３５が各種機能を実現するためのプログラムを記憶する。例えば、メモリ１３２は、フラッシュメモリ等の半導体メモリ素子、ハードディスク又は光ディスク等によって実現される。メモリ１３２は、記憶部の一例である。

入力インターフェース１３３は、処理回路１３５に接続されており、ユーザからの各種の指示、要求及び情報の入力操作を受け付ける。例えば、入力インターフェース１３３は、ユーザから受け付けた入力操作を電気信号へ変換し、この電気信号を処理回路１３５に送信する。例えば、入力インターフェース１３３は、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うタッチパッド、表示画面とタッチパッドとが一体化されたタッチスクリーン、光学センサを用いた非接触入力回路、及び、音声入力回路等によって実現される。なお、本明細書において、入力インターフェース１３３は、マウス、キーボード等の物理的な操作部品を備えるものだけに限られない。例えば、装置とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を処理回路１３５へ送信する電気信号の処理回路も入力インターフェース１３３の例に含まれる。

ディスプレイ１３４は、処理回路１３５に接続されており、各種の情報及び画像を表示する。例えば、ディスプレイ１３４は、処理回路１３５から送信される情報及びデータを表示用の電気信号に変換して出力する。例えば、ディスプレイ１３４は、液晶モニタやＣＲＴ（Cathode Ray Tube）モニタ、タッチパネル等によって実現される。

処理回路１３５は、入力インターフェース１３３を介してユーザから受け付けた入力操作に応じて、画像処理装置１３０の動作を制御する。例えば、処理回路１３５は、プロセッサによって実現される。

以上、本実施形態に係る医用処理システム１の構成の一例について説明した。例えば、医用処理システム１に含まれる画像処理装置１３０は、病院や医院等の医療機関に設置され、医療機関に入院又は通院する患者等を被検体として、Ｘ線ＣＴ装置１１０によって生成されるＣＴ画像データを用いた各種の画像診断に利用される。本実施形態では、画像処理装置１３０は、精度の良い、解析対象の部位の輪郭（例えば、精度の良い輪郭の位置及び形状）を得ることができるように、以下に説明する各種の処理を実行する。

以下、本実施形態に係る画像処理装置１３０の詳細について説明する。図１に示すように、画像処理装置１３０の処理回路１３５は、制御機能１３５ａ、取得機能１３５ｂ、学習用データセット生成機能１３５ｃ、学習済みモデル生成機能１３５ｄ、推定機能１３５ｅ、解析機能１３５ｆ及び出力機能１３５ｇを実行する。

ここで、例えば、処理回路１３５が有する各処理機能は、コンピュータによって実行可能なプログラムの形態でメモリ１３２に記憶される。図１に示す処理回路１３５の構成要素である制御機能１３５ａ、取得機能１３５ｂ、学習用データセット生成機能１３５ｃ、学習済みモデル生成機能１３５ｄ、推定機能１３５ｅ、解析機能１３５ｆ及び出力機能１３５ｇの各処理機能は、コンピュータによって実行可能なプログラムの形態でメモリ１３２に記憶されている。処理回路１３５は、各プログラムをメモリ１３２から読み出し、読み出された各プログラムを実行することで、各プログラムに対応する機能を実現する。換言すると、各プログラムを読み出した状態の処理回路１３５は、図１の処理回路１３５内に示された各機能を有することとなる。

制御機能１３５ａは、入力インターフェース１３３を介して入力された各種指示及び各種要求に応じた処理を実行するように、画像処理装置１３０の通信インターフェース１３１、メモリ１３２、ディスプレイ１３４、及び、各機能１３５ｂ～１３５ｇを制御する。例えば、制御機能１３５ａは、通信インターフェース１３１を介した各種データ及び各種情報の送受信、メモリ１３２へのデータ及び情報の格納、ディスプレイ１３４に対する各種画像の表示等を制御する。

例えば、制御機能１３５ａは、学習時にＸ線ＣＴ装置１１０から送信されたＣＴ画像データ１１をメモリ１３２に格納する。また、制御機能１３５ａは、運用時にＸ線ＣＴ装置１１０から送信されたＣＴ画像データ１２をメモリ１３２に格納する。

取得機能１３５ｂは、各種のデータを取得する。例えば、取得機能１３５ｂは、学習時に、メモリ１３２に記憶されたＣＴ画像データ１１を取得する。また、取得機能１３５ｂは、運用時に、メモリ１３２に記憶されたＣＴ画像データ１２を取得する。

図４は、第１の実施形態に係るＣＴ画像データ１１の一例を示す図である。ＣＴ画像データ１１は、被検体の心臓の左心室を含む３次元の領域を撮像することによりＸ線ＣＴ装置１１０により得られたデータである。ＣＴ画像データ１１は、３次元のＣＴ画像データである。

図４に示すように、ＣＴ画像データ１１には、被検体の心臓の左心室１４の心筋が描出されている。以下の説明では、解析対象の部位が左心室１４の心筋であり、画像処理装置１３０が、左心室１４の心筋が描出されたＣＴ画像データ１１を用いて学習済みモデルを生成する場合を例に挙げて説明する。ただし、解析対象の部位が左心室の心筋以外の部位である場合、画像処理装置１３０は、左心室の心筋以外の部位が描出されたＣＴ画像データを用いて、以下に説明する処理と同様の処理を行って、以下に説明する学習済みモデルと同様の学習済みモデルを生成することができる。なお、解析対象の部位は、例えば、検出対象物の一例である。

学習用データセット生成機能１３５ｃは、学習済みモデルを生成する際に用いられる学習用データのセットを学習時に生成する。以下、学習用データセット生成機能１３５ｃによる学習用データのセットを生成する方法の一例について説明する。

学習用データセット生成機能１３５ｃは、ＣＴ画像データ１１に基づいて、所定のウィンドウ条件で、短軸断面画像データを生成する。なお、ウィンドウ条件には、ウィンドウ幅（window width）及びウィンドウレベル（window level）が含まれる。

例えば、学習時に、ユーザは、左心室１４における解析対象の部位である心筋が描出される短軸断面画像の断面の位置（心筋の断面位置）を、入力インターフェース１３３を介して処理回路１３５に入力する。これにより、処理回路１３５の学習用データセット生成機能１３５ｃに、心筋の断面位置が入力される。ここで、短軸断面画像とは、例えば、左心室１４の長軸に直交する断面を示す画像である。

図５及び図６は、第１の実施形態に係る学習用データセット生成機能１３５ｃにより実行される処理の一例を説明するための図である。図５に示すように、学習用データセット生成機能１３５ｃは、心筋の断面位置により特定される断面１５ａを特定する。断面１５ａは、例えば、左心室１４の長軸に直交する断面である。そして、図６に示すように、学習用データセット生成機能１３５ｃは、ＣＴ画像データ１１に基づいて、特定された断面１５ａを示す短軸断面画像データ１５を生成する。例えば、ユーザが、ＣＴ画像データ１１に対して複数の心筋の断面位置を処理回路１３５に入力した場合には、学習用データセット生成機能１３５ｃは、複数の心筋の断面位置に対応する複数の短軸断面画像データ１５を生成する。この場合、複数の短軸断面画像データ１５のそれぞれが、以下で説明する処理に用いられる。

なお、断面１５ａの位置は、例えば、対象位置の一例である。

なお、学習用データセット生成機能１３５ｃは、ユーザからの心筋の断面位置を受け付けずに、自動的に、短軸断面画像データを生成してもよい。例えば、学習用データセット生成機能１３５ｃは、左心室１４の長軸を検出し、長軸に沿って複数の短軸断面画像データ１５を生成してもよい。この場合、複数の短軸断面画像データ１５のそれぞれが、以下で説明する処理に用いられる。

図６に示すように、短軸断面画像データ１５には、解析対象の部位である心筋１６と、左心室１４の内腔１７と、背景１８とが描出されている。また、短軸断面画像データ１５には、心筋１６の外壁の輪郭１６ａ、及び、心筋１６の内壁の輪郭１６ｂが描出されている。

短軸断面画像データ１５の複数の画素（ピクセル）のそれぞれには、輝度値が設定されている。例えば、輝度値は、「０」以上「２５５」以下の範囲内の値である。

ここで、同一の被検体の同一の部位を撮像した場合であっても、撮像時のＸ線管の管電圧、再構成条件、及び、時間の経過とともに変化する被検体内における造影剤の濃度等が異なれば、ＣＴ画像データ１１を構成する各ボクセルのＣＴ値が異なる場合がある。なお、同一被検体であっても異なる部位を撮像した場合には、造影剤の濃度は異なる。また、異なる被検体の同一部位を撮像した場合にも、造影剤の濃度は異なる。撮像時のＸ線管の管電圧、再構成条件、及び、被検体内における造影剤の濃度は、ＣＴ値を相違させる要因である。このため、以下の説明では、撮像時のＸ線管の管電圧、再構成条件、及び、被検体内における造影剤の濃度等を「相違要因」と称する場合がある。このため、同一の被検体の同一の部位を撮像した場合であっても、相違要因が異なれば、短軸断面画像データ１５を構成する各ピクセルの輝度値も異なる場合がある。したがって、相違要因が異なれば、輪郭１６ａ，１６ｂを構成する各ピクセルの輝度値も異なる場合がある。よって、仮に、画像処理装置１３０が短軸断面画像データ１５に対して心筋パフューム等の解析を実行した場合には、同一の被検体の同一の部位であっても、解析により得られる解析結果が、相違要因に応じて異なる結果となることがある。すなわち、相違要因が異なれば、同一の被検体の同一の心筋であっても、解析結果が異なる場合がある。

そして、仮に、画像処理装置１３０が、短軸断面画像データ１５のみを入力データとし、教師データとして心筋の輪郭が精度良く描出された画像データを用いて学習済みモデルを生成する場合について説明する。この場合、同一の被検体の同一の心筋であっても、相違要因が異なれば、学習済みモデルによって推定される画像データにおける心筋の輪郭の位置及び形状は異なることがある。したがって、この場合、画像処理装置１３０は、輪郭に関する精度（例えば、輪郭の位置及び形状の精度）が良い学習済みモデルを生成することができない。

そこで、画像処理装置１３０は、輪郭に関する精度が良い学習済みモデルを生成するために、以下の処理を行う。例えば、学習用データセット生成機能１３５ｃは、短軸断面画像データ１５に基づく短軸断面画像をディスプレイ１３４に表示させた上で、ユーザから心筋の位置を受け付ける。例えば、ユーザが、入力インターフェース１３３を介して、ディスプレイ１３４に表示された短軸断面画像に描出された心筋１６の１点を指定した場合について説明する。この場合、学習用データセット生成機能１３５ｃは、図６に示すように、短軸断面画像データ１５における心筋１６の位置１９を受け付ける。心筋１６の位置１９は、ユーザにより指定された心筋１６の１点に対応する。

そして、学習用データセット生成機能１３５ｃは、短軸断面画像データ１５における心筋１６の位置１９に対応するピクセルを特定する。そして、学習用データセット生成機能１３５ｃは、特定したピクセルの輝度値を特定する。そして、学習用データセット生成機能１３５ｃは、特定した輝度値に対応するＣＴ値（ＣＴ画像データ１１におけるＣＴ値）を特定する。例えば、学習用データセット生成機能１３５ｃは、短軸断面画像データ１５を生成した際に用いたウィンドウ条件に基づいて、特定した輝度値に対応するＣＴ値を特定する。なお、例えば、学習用データセット生成機能１３５ｃは、特定したピクセルに対応するＣＴ画像データ１１のボクセルを特定し、特定したボクセルのＣＴ値を特定してもよい。以下の説明では、学習用データセット生成機能１３５ｃが特定したＣＴ値を「α」として説明する。

そして、学習用データセット生成機能１３５ｃは、ウィンドウ幅及びウィンドウレベルを含むウィンドウ条件を決定する。例えば、学習用データセット生成機能１３５ｃは、以下の式（１）により、ウィンドウ幅を決定する。

window_width＝ｋ×α （１）

ただし、式（１）において、「window_width」は、ウィンドウ幅を示す。また、式（１）において、「ｋ」は、係数を示す。例えば、「ｋ」は、０よりも大きく１未満の係数である。また、式（１）において、「×」は、乗算を示す演算子である。以下の式においても同様である。

そして、学習用データセット生成機能１３５ｃは、以下の式（２）により、ウィンドウレベルを決定する。

window_level＝window_width／２ （２）

ただし、式（２）において、「window_level」は、ウィンドウレベルを示す。また、式（２）において、「／」は、除算を示す演算子である。以下の式においても同様である。

そして、学習用データセット生成機能１３５ｃは、上記の式（１）により決定されたウィンドウ幅が所定の第１の閾値よりも小さいか否かを判定する。学習用データセット生成機能１３５ｃは、決定されたウィンドウ幅が所定の第１の閾値以上であると判定した場合には、上記の式（２）により決定されたウィンドウレベルが所定の第２の閾値よりも小さいか否かを判定する。

そして、学習用データセット生成機能１３５ｃは、決定されたウィンドウ幅が所定の第１の閾値よりも小さいと判定した場合には、第１の閾値をウィンドウ幅とし、第２の閾値をウィンドウレベルとするウィンドウ条件を、以下の処理で用いるウィンドウ条件として決定する。同様に、学習用データセット生成機能１３５ｃは、決定されたウィンドウレベルが所定の第２の閾値よりも小さいと判定した場合にも、第１の閾値をウィンドウ幅とし、第２の閾値をウィンドウレベルとするウィンドウ条件を、以下の処理で用いるウィンドウ条件として決定する。

一方、学習用データセット生成機能１３５ｃは、決定されたウィンドウ幅が所定の第１の閾値以上であると判定し、決定されたウィンドウレベルが所定の第２の閾値以上であると判定した場合には、決定されたウィンドウ幅及び決定されたウィンドウレベルを含むウィンドウ条件を、以下の処理で用いるウィンドウ条件として決定する。

図７は、第１の実施形態に係るウィンドウ条件２０の一例を示す図である。図７において、横軸は、ＣＴ画像データ１１のボクセルのＣＴ値を示し、縦軸は、輝度値を示す。図７には、学習用データセット生成機能１３５ｃが、ウィンドウ幅Ｗ及びウィンドウレベルＬを含むウィンドウ条件２０を決定した場合が示されている。

図７の例に示される場合では、ＣＴ値「－１０００」に対応する輝度値は「０」である。また、「－１０００＋Ｗ」以上のＣＴ値に対応する輝度値は「２５５」である。また、「－１０００」よりも大きく、かつ、「－１０００＋Ｗ」よりも小さいＣＴ値Ｖｃに対応する輝度値Ｖｂは、以下の式（３）により示される。

Ｖｂ＝（２５５／Ｗ）×Ｖｃ （３）

図８は、第１の実施形態に係る学習用データセット生成機能１３５ｃにより実行される処理の一例を説明するための図である。学習用データセット生成機能１３５ｃは、決定されたウィンドウ条件に基づいて、ＣＴ画像データ１１から、短軸断面画像データ１５が示す断面と同一の断面を示す短軸断面画像データ２５を生成する。

ここで、式（１）における係数ｋは、解析対象の部位の輪郭に対応するＣＴ値がウィンドウ幅Ｗ内に含まれるように、実験又はシミュレーションにより求められた係数である。すなわち、係数ｋは、輪郭を構成するピクセル（画像データのピクセル）に設定された輝度値に対応するＣＴ値が、ウィンドウ幅Ｗ内に含まれるように求められた係数である。

例えば、係数ｋは、左心室の心筋の外壁の輪郭に対応するＣＴ値及び内壁の輪郭に対応するＣＴ値の２つのＣＴ値が、ウィンドウ幅Ｗ内に含まれるように求められる。これにより、図８に示すように、短軸断面画像データ２５には、心筋１６と内腔１７との境界、及び、心筋１６と背景１８との境界が明瞭に描出される。すなわち、短軸断面画像データ２５では、心筋１６を構成するピクセルの輝度値の平均値と、内腔１７を構成するピクセルの輝度値の平均値との差が所定値以上となる。また、短軸断面画像データ２５では、心筋１６を構成するピクセルの輝度値の平均値と、背景１８を構成するピクセルの輝度値の平均値との差も所定値以上となる。このように、短軸断面画像データ２５は、相違要因に関わらず、心筋１６と内腔１７との境界、及び、心筋１６と背景１８との境界が明瞭に描出された画像データである。

このように、学習用データセット生成機能１３５ｃは、短軸断面画像データ１５を生成する際に用いられた上記の所定のウィンドウ条件を用いずに、新たにウィンドウ条件を決定し、新たに決定されたウィンドウ条件を用いて、短軸断面画像データ２５を生成する。すなわち、学習用データセット生成機能１３５ｃは、心筋１６の断面１５ａの位置の短軸断面画像データ１５の、心筋１６の輝度値に基づいてウィンドウ条件を加工した短軸断面画像データ２５を生成する。

なお、係数ｋは、左心室の心筋の外壁の輪郭及び内壁の輪郭のうちの少なくとも一方の輪郭に対応するＣＴ値がウィンドウ幅Ｗ内に含まれるように求められてもよい。

短軸断面画像データ１５及び短軸断面画像データ２５は、学習済みモデル生成機能１３５ｄにより学習済みモデルを生成する際に入力データ（入力画像）として用いられる。

また、学習用データセット生成機能１３５ｃは、学習済みモデルを生成する際に教師データとして用いられる輪郭画像データを生成する。輪郭画像データは、短軸断面画像データ１５が示す断面における心筋の外壁の輪郭及び内壁の輪郭が精度良く描出された画像データである。輪郭画像データを生成する方法の一例について説明する。

例えば、学習用データセット生成機能１３５ｃは、短軸断面画像データ１５に基づく短軸断面画像をディスプレイ１３４に表示させた上で、ユーザから、表示された輪郭１６ａ及び輪郭１６ｂの正確な位置及び形状を示す輪郭情報を受け付ける。具体例を挙げて説明すると、ユーザは、表示された輪郭１６ａ,１６ｂを確認しながら、入力インターフェース１３３を操作して、輪郭１６ａ，１６ｂの正確な位置及び形状を示す輪郭情報を、処理回路１３５に入力する。

学習用データセット生成機能１３５ｃは、輪郭情報を受け付けた場合には、輪郭情報に基づいて、輪郭１６ａ，１６ｂが、正確な位置に正確な形状で描出された輪郭画像データ２６を生成する。

学習済みモデル生成機能１３５ｄは、学習時に、学習済みモデルを生成する。図９は、第１の実施形態に係る学習済みモデル生成機能１３５ｄが実行する処理の一例を説明するための図である。図９には、第１の実施形態の学習時における学習済みモデル２８の生成方法の一例が示されている。図９に示すように、学習時には、学習済みモデル生成機能１３５ｄは、短軸断面画像データ１５及び短軸断面画像データ２５の組と、輪郭画像データ２６との関係を学習することによって学習済みモデル２８を生成する。

このように、学習済みモデル生成機能１３５ｄは、短軸断面画像データ１５及び短軸断面画像データ２５の組と、輪郭画像データ２６とを対応付けて学習することによって学習済みモデル２８を生成する。例えば、学習時には、画像処理装置１３０は、複数のＣＴ画像データ１１を受信する。そして、学習用データセット生成機能１３５ｃは、ＣＴ画像データ１１毎に、短軸断面画像データ１５、短軸断面画像データ２５及び輪郭画像データ２６の組を１つ生成する。すなわち、学習用データセット生成機能１３５ｃは、複数のＣＴ画像データ１１について複数の組を生成する。そして、学習済みモデル生成機能１３５ｄは、複数の組を用いて学習済みモデル２８を生成する。

例えば、学習済みモデル生成機能１３５ｄは、短軸断面画像データ１５及び短軸断面画像データ２５を入力データとし、輪郭画像データ２６を教師データとして機械エンジンに入力することによって、機械学習を行う。例えば、機械学習エンジンは、ディープラーニング（Deep Learning）、ニューラルネットワーク（Neural Network）、ロジスティック（Logistic）回帰分析、非線形判別分析、サポートベクターマシン（Support Vector Machine：ＳＶＭ）、ランダムフォレスト（Random Forest）、ナイーブベイズ（Naive Bays）等の各種のアルゴリムを用いて、機械学習を行う。

学習済みモデル生成機能１３５ｄは、このような機械学習の結果として学習済みモデル２８を生成する。学習済みモデル２８は、短軸断面画像データ１５に相当する画像データ及び短軸断面画像データ２５に相当する画像データの組が入力されることで、輪郭画像データ２６に相当する画像データを推定（生成）し、出力する。

そして、学習済みモデル生成機能１３５ｄは、生成した学習済みモデル２８をメモリ１３２に記憶させる。

推定機能１３５ｅは、学習済みモデル２８を用いて、運用時に、解析対象の部位の輪郭に関する精度が高い画像データを推定し、推定した画像データを出力する。図１０を参照して、推定機能１３５ｅが実行する処理の一例について説明する。図１０は、第１の実施形態に係る推定機能１３５ｅが実行する処理の一例について説明するための図である。図１０には、第１の実施形態の運用時における輪郭画像データ３２の推定方法の一例が示されている。

推定機能１３５ｅは、運用時に取得機能１３５ｂにより取得されたＣＴ画像データ１２を用いて、図１０に示す短軸断面画像データ３０を生成する。例えば、推定機能１３５ｅは、学習用データセット生成機能１３５ｃが学習時にＣＴ画像データ１１を用いて短軸断面画像データ１５を生成した方法と同様の方法で、ＣＴ画像データ１２を用いて短軸断面画像データ３０を生成する。例えば、１つのＣＴ画像データ１２から１つ又は複数の短軸断面画像データ３０が生成される。複数の短軸断面画像データ３０が生成された場合には、複数の短軸断面画像データ３０のそれぞれが、以下に説明する処理に用いられる。

短軸断面画像データ３０には、例えば、短軸断面画像データ１５と同様に、解析対象の部位である心筋、左心室の内腔、及び、背景が描出されている。短軸断面画像データ３０は、短軸断面画像データ１５に相当する画像データである。短軸断面画像データ３０は、解析対象の部位である心筋１６の断面１５ａの位置の画像データである。短軸断面画像データ３０は、例えば、第１の画像データの一例である。

そして、推定機能１３５ｅは、短軸断面画像データ３０を用いて、図１０に示す短軸断面画像データ３１を生成する。例えば、推定機能１３５ｅは、学習用データセット生成機能１３５ｃが学習時に短軸断面画像データ１５を用いて短軸断面画像データ２５を生成した方法と同様の方法で、短軸断面画像データ３０を用いて短軸断面画像データ３１を生成する。

短軸断面画像データ３１では、例えば、短軸断面画像データ２５と同様に、心筋を構成するピクセルの輝度値の平均値と、心筋以外の部分を構成するピクセルの輝度値の平均値との差が所定値以上となる。短軸断面画像データ３１は、短軸断面画像データ２５に相当する画像データである。短軸断面画像データ３１は、心筋１６の断面１５ａの位置の短軸断面画像データ３０の、心筋１６の輝度値に基づいてウィンドウ条件を加工した短軸断面画像データである。短軸断面画像データ３１は、例えば、第２の画像データの一例である。

そして、図１０に示すように、推定機能１３５ｅは、短軸断面画像データ３０及び短軸断面画像データ３１を学習済みモデル２８に入力することで、学習済みモデル２８に輪郭画像データ３２を推定させて出力させる。すなわち、推定機能１３５ｅは、学習済みモデル２８を使用して、短軸断面画像データ３０及び短軸断面画像データ３１を基に、輪郭画像データ３２を推定し出力する。例えば、推定機能１３５ｅは、輪郭画像データ３２を解析機能１３５ｆに出力する。輪郭画像データ３２は、輪郭画像データ２６に相当する画像データである。輪郭画像データ３２は、例えば、心筋１６の輪郭１６ａ及び輪郭１６ｂを示す情報の一例である。推定機能１３５ｅは、出力部の一例である。

ここで、短軸断面画像データ３１は、相違要因に関わらず、心筋と心筋以外の部分との境界が明瞭に描出された画像データである。また、輪郭画像データ３２における心筋の輪郭に関する精度は、短軸断面画像データ３０における心筋の輪郭に関する精度よりも高い。

したがって、第１の実施形態に係る学習済みモデル２８は、相違要因に関わらず、解析対象の部位である心筋の輪郭が精度良く描出された輪郭画像データ３２を推定し出力することができる。すなわち、第１の実施形態によれば、相違要因に関わらず、精度の良い解析対象の部位の輪郭を示す情報を得ることができる。

解析機能１３５ｆは、学習済みモデルから出力された画像データを用いて、様々な解析を行う。例えば、解析機能１３５ｆは、輪郭画像データ３２に描出された解析対象の心筋の輪郭を用いて解析を行う。かかる解析の一例としては、複数の時相の輪郭画像データ３２に基づいて実行される心筋パフュージョンが挙げられる。

出力機能１３５ｇは、各種の画像データに基づく画像や、解析機能１３５ｆによる解析により得られた解析結果等をディスプレイ１３４に表示させる。

図１１は、第１の実施形態に係る画像処理装置１３０が学習時に実行する処理の流れの一例を示すフローチャートである。図１１に示す処理は、例えば、ユーザが入力インターフェース１３３を介して学習済みモデル２８を生成する処理を実行するための指示を処理回路１３５に入力した場合に実行される。

図１１に示すように、取得機能１３５ｂは、メモリ１３２に記憶されたＣＴ画像データ１１を取得する（ステップＳ１０１）。そして、学習用データセット生成機能１３５ｃは、ＣＴ画像データ１１に基づいて短軸断面画像データ１５を生成する（ステップＳ１０２）。

そして、学習用データセット生成機能１３５ｃは、短軸断面画像データ１５に基づく短軸断面画像をディスプレイ１３４に表示させる（ステップＳ１０３）。そして、学習用データセット生成機能１３５ｃは、ユーザから心筋１６の位置１９を受け付けたか否かを判定する（ステップＳ１０４）。学習用データセット生成機能１３５ｃは、心筋１６の位置１９を受け付けていないと判定した場合（ステップＳ１０４：Ｎｏ）には、再び、ステップＳ１０４の判定を行う。

学習用データセット生成機能１３５ｃは、心筋１６の位置１９を受け付けたと判定した場合（ステップＳ１０４：Ｙｅｓ）には、短軸断面画像データ１５における心筋１６の位置１９のピクセルの輝度値を特定する（ステップＳ１０５）。そして、学習用データセット生成機能１３５ｃは、特定した輝度値に対応するＣＴ画像データ１１におけるＣＴ値「α」を特定する（ステップＳ１０６）。

そして、学習用データセット生成機能１３５ｃは、上記の式（１）及び式（２）並びに第１の閾値及び第２の閾値を用いて、ウィンドウ幅Ｗ及びウィンドウレベルＬを含むウィンドウ条件を決定する（ステップＳ１０７）。

そして、学習用データセット生成機能１３５ｃは、決定されたウィンドウ条件に基づいて、ＣＴ画像データ１１から、短軸断面画像データ１５が示す断面と同一の断面を示す短軸断面画像データ２５を生成する（ステップＳ１０８）。

そして、学習用データセット生成機能１３５ｃは、ユーザから、輪郭情報を受け付けたか否かを判定する（ステップＳ１０９）。学習用データセット生成機能１３５ｃは、輪郭情報を受け付けていないと判定した場合（ステップＳ１０９：Ｎｏ）には、再び、ステップＳ１０９の判定を行う。

学習用データセット生成機能１３５ｃは、輪郭情報を受け付けたと判定した場合（ステップＳ１０９：Ｙｅｓ）には、輪郭情報に基づいて、輪郭１６ａ，１６ｂが、正確な位置に正確な形状で描出された輪郭画像データ２６を生成する（ステップＳ１１０）。

そして、学習済みモデル生成機能１３５ｄは、短軸断面画像データ１５及び短軸断面画像データ２５の組と、輪郭画像データ２６とを対応付けて学習することによって学習済みモデル２８を生成する（ステップＳ１１１）。そして、学習済みモデル生成機能１３５ｄは、生成した学習済みモデル２８をメモリ１３２に記憶させ（ステップＳ１１２）、処理を終了する。

図１２は、第１の実施形態に係る画像処理装置１３０が運用時に実行する処理の流れの一例を示すフローチャートである。図１２に示す処理は、例えば、ユーザが入力インターフェース１３３を介して、解析機能１３５ｆによる解析を実行するための指示を処理回路１３５に入力した場合に実行される。

図１２に示すように、取得機能１３５ｂは、メモリ１３２に記憶されたＣＴ画像データ１２を取得する（ステップＳ２０１）。そして、推定機能１３５ｅは、ＣＴ画像データ１２を用いて短軸断面画像データ３０を生成する（ステップＳ２０２）。

そして、推定機能１３５ｅは、短軸断面画像データ３０を用いて短軸断面画像データ３１を生成する（ステップＳ２０３）。

そして、推定機能１３５ｅは、学習済みモデル２８を用いて、短軸断面画像データ３０及び短軸断面画像データ３１を基に、輪郭画像データ３２を推定し出力する（ステップＳ２０４）。

そして、解析機能１３５ｆは、輪郭画像データ３２に描出された解析対象の心筋の輪郭を用いて解析を行う（ステップＳ２０５）。そして、出力機能１３５ｇは、解析結果をディスプレイ１３４に表示させ（ステップＳ２０６）、処理を終了する。

以上、第１の実施形態について説明した。第１の実施形態によれば、上述したように、精度の良い解析対象の部位の輪郭を示す情報を得ることができる。

（第１の実施形態の変形例１）
なお、第１の実施形態では、学習済みモデル生成機能１３５ｄが学習済みモデル２８を生成する場合について説明した。しかしながら、学習済みモデル生成機能１３５ｄは、学習済みモデル２８に代えて、他の学習済みモデルを生成してもよい。そこで、このような変形例を第１の実施形態の変形例１として説明する。以下の変形例１の説明では、第１の実施形態と異なる点を主に説明し、第１の実施形態と同様の点については説明を省略する場合がある。また、第１の実施形態と同様の構成については、同一の符号を付し、説明を省略する場合がある。

図１３は、第１の実施形態の変形例１に係る学習済みモデル生成機能１３５ｄが実行する処理の一例を説明するための図である。図１３には、変形例１の学習時における学習済みモデル２８ａの生成方法の一例が示されている。図１３に示すように、学習時には、学習済みモデル生成機能１３５ｄは、短軸断面画像データ２５と、輪郭画像データ２６との関係を学習することによって学習済みモデル２８ａを生成する。

このように、学習済みモデル生成機能１３５ｄは、短軸断面画像データ２５と、輪郭画像データ２６とを対応付けて学習することによって学習済みモデル２８ａを生成する。例えば、学習時には、学習用データセット生成機能１３５ｃは、短軸断面画像データ２５及び輪郭画像データ２６の組を複数生成する。そして、学習済みモデル生成機能１３５ｄは、生成した複数の組を用いて学習済みモデル２８ａを生成する。

例えば、学習済みモデル生成機能１３５ｄは、短軸断面画像データ２５を入力データとし、輪郭画像データ２６を教師データとして機械エンジンに入力することによって、機械学習を行う。学習済みモデル生成機能１３５ｄは、このような機械学習の結果として学習済みモデル２８ａを生成する。

学習済みモデル２８ａは、短軸断面画像データ２５に相当する画像データが入力されることで、輪郭画像データ２６に相当する画像データを推定（生成）し、出力する。

そして、学習済みモデル生成機能１３５ｄは、生成した学習済みモデル２８ａをメモリ１３２に記憶させる。

変形例１に係る推定機能１３５ｅは、運用時に、学習済みモデル２８ａを用いて、解析対象の部位の輪郭に関する精度が高い画像データを推定し、推定した画像データを出力する。図１４を参照して、推定機能１３５ｅが実行する処理の一例について説明する。図１４は、第１の実施形態の変形例１に係る推定機能１３５ｅが実行する処理の一例について説明するための図である。図１４には、変形例１の運用時における輪郭画像データ３２ａの推定方法の一例が示されている。

推定機能１３５ｅは、運用時に取得機能１３５ｂにより取得されたＣＴ画像データ１２を用いて、第１の実施形態と同様に、短軸断面画像データ３０（図１０参照）を生成する。そして、推定機能１３５ｅは、短軸断面画像データ３０を用いて、第１の実施形態と同様に、短軸断面画像データ３１を生成する。短軸断面画像データ３１は、短軸断面画像データ２５に相当する画像データである。

そして、図１４に示すように、推定機能１３５ｅは、短軸断面画像データ３１を学習済みモデル２８ａに入力することで、学習済みモデル２８ａに輪郭画像データ３２ａを推定させて出力させる。すなわち、推定機能１３５ｅは、学習済みモデル２８ａを使用して、短軸断面画像データ３１を基に、輪郭画像データ３２ａを推定し出力する。輪郭画像データ３２ａは、輪郭画像データ２６に相当する画像データである。輪郭画像データ３２ａは、例えば、心筋１６の輪郭１６ａ及び輪郭１６ｂを示す情報の一例である。

ここで、短軸断面画像データ３１は、相違要因に関わらず、心筋と心筋以外の部分との境界が明瞭に描出された画像データである。また、輪郭画像データ３２ａにおける心筋の輪郭に関する精度は、短軸断面画像データ３１における心筋の輪郭に関する精度よりも高い。

したがって、変形例１に係る学習済みモデル２８ａは、相違要因に関わらず、解析対象の部位である心筋の輪郭が精度良く描出された輪郭画像データ３２ａを推定し出力することができる。すなわち、変形例１によれば、相違要因に関わらず、精度の良い解析対象の部位の輪郭を示す情報を得ることができる。

以上、変形例１について説明した。変形例１によれば、上述したように、第１の実施形態と同様に、相違要因に関わらず、精度の良い解析対象の部位の輪郭を示す情報を得ることができる。

また、上述した第１の実施形態では、学習済みモデル２８を生成する際に入力データとして短軸断面画像データ１５及び短軸断面画像データ２５が用いられる。これに対して、変形例１では、学習済みモデル２８ａを生成する際に入力データとして短軸断面画像データ２５が用いられる。したがって、変形例１の方が、第１の実施形態よりも、学習済みモデルを生成する際に入力データとして用いられる画像データの数及びデータ量が少ない。したがって、変形例１によれば、学習済みモデルを生成する際の機械学習の収束を早めることができる。

また、短軸断面画像データ１５が、何らかの原因で画像処理装置１３０から削除されてしまう場合が考えられる。しかしながら、変形例１によれば、このような場合であっても、短軸断面画像データ２５が画像処理装置１３０に保存（保持、記憶）されていれば、学習済みモデル２８ａを生成することができる。

同様に、短軸断面画像データ３０が、何らかの原因で画像処理装置１３０から削除されてしまう場合が考えられる。変形例１によれば、このような場合であっても、短軸断面画像データ３１が画像処理装置１３０に保存されていれば、輪郭画像データ３２ａを推定し、出力することができる。

（第１の実施形態の変形例２）
第１の実施形態では、画像処理装置１３０が、心筋１６の輪郭１６ａ，１６ｂが明瞭に描出された短軸断面画像データ２５を用いて、学習済みモデル２８を生成する場合について説明した。しかしながら、画像処理装置１３０は、短軸断面画像データ２５に代えて、他の画像データを用いて、学習済みモデルを生成してもよい。そこで、このような変形例を第１の実施形態の変形例２として説明する。以下の変形例２の説明では、第１の実施形態と異なる点を主に説明し、第１の実施形態と同様の点については説明を省略する場合がある。また、第１の実施形態と同様の構成については、同一の符号を付し、説明を省略する場合がある。

図１５は、第１の実施形態の変形例２に係る画像処理装置１３０が実行する処理の一例を説明するための図である。図１５には、変形例２の学習時における学習済みモデル２８ｂの生成方法の一例が示されている。変形例２に係る学習用データセット生成機能１３５ｃは、図１５に示すカラー画像データ３５を生成する。カラー画像データ３５を構成する複数のピクセルのそれぞれには、ＲＧＢ値が設定されている。

Ｒ（Ｒ値）は赤色に対応し、Ｇ（Ｇ値）は緑色に対応し、Ｂ（Ｂ値）は青色に対応する。例えば、各ピクセルに設定されるＲＧＢ値は、「（Ｒ，Ｇ，Ｂ）」で表される。Ｒ、Ｇ、Ｂのそれぞれは、例えば、「０」以上「２５５」以下の範囲内の値である。

カラー画像データ３５のピクセルに設定されるＧの決定方法の一例について説明する。図１６は、第１の実施形態の変形例２に係る画像処理装置１３０が実行する処理の一例を説明するための図である。例えば、学習用データセット生成機能１３５ｃは、短軸断面画像データ１５に基づく短軸断面画像をディスプレイ１３４に表示させた上で、図１６に示すように、ユーザから心筋１６の位置４０を受け付ける。更に、学習用データセット生成機能１３５ｃは、ユーザから内腔１７の位置４１及び背景１８の位置４２を受け付ける。

例えば、ユーザが、入力インターフェース１３３を介して、短軸断面画像に描出された心筋１６の１点、内腔１７の１点及び背景１８の１点を指定した場合について説明する。この場合、学習用データセット生成機能１３５ｃは、図１６に示すように、短軸断面画像データ１５における心筋１６の位置４０、内腔１７の位置４１及び背景１８の位置４２を受け付ける。心筋１６の位置４０は、指定された心筋１６の１点に対応する。内腔１７の位置４１は、指定された内腔１７の１点に対応する。背景１８の位置４２は、指定された背景１８の１点に対応する。

そして、学習用データセット生成機能１３５ｃは、短軸断面画像データ１５における心筋１６の位置４０に対応するピクセルを特定する。そして、学習用データセット生成機能１３５ｃは、特定したピクセルの輝度値を特定する。そして、学習用データセット生成機能１３５ｃは、特定した輝度値に対応するＣＴ値（ＣＴ画像データ１１におけるＣＴ値）を特定する。例えば、学習用データセット生成機能１３５ｃは、短軸断面画像データ１５を生成した際に用いたウィンドウ条件に基づいて、特定した輝度値に対応するＣＴ値を特定する。なお、例えば、学習用データセット生成機能１３５ｃは、特定したピクセルに対応するＣＴ画像データ１１のボクセルを特定し、特定したボクセルのＣＴ値を特定してもよい。このようにして、学習用データセット生成機能１３５ｃは、心筋１６の位置４０に対応するＣＴ値を特定する。以下の説明では、心筋１６の位置４０に対応するＣＴ値を「β」として説明する。

また、学習用データセット生成機能１３５ｃは、心筋１６の位置４０に対応するＣＴ値「β」を特定した方法と同様の方法で、内腔１７の位置４１に対応するＣＴ値、及び、背景１８の位置４２に対応するＣＴ値を特定する。以下の説明では、内腔１７の位置４１に対応するＣＴ値を「γ」として説明し、背景１８の位置４２に対応するＣＴ値を「δ」として説明する。

そして、学習用データセット生成機能１３５ｃは、カラー画像データ３５のピクセルに設定されるＧを決定するために、次のようなウィンドウ条件を決定する。例えば、学習用データセット生成機能１３５ｃは、ＣＴ値「β」を含む所定範囲のＣＴ値に輝度値「２５５」が対応し、ＣＴ値「γ」を含む所定範囲のＣＴ値に輝度値「０」が対応し、ＣＴ値「δ」を含む所定範囲のＣＴ値に輝度値「０」が対応するウィンドウ条件を決定する。

図１７は、第１の実施形態の変形例２に係る学習用データセット生成機能１３５ｃが実行する処理の一例を説明するための図である。例えば、学習用データセット生成機能１３５ｃは、カラー画像データ３５のピクセルに設定されるＧを決定するために、図１７に示すウィンドウ条件２０ａを決定する。図１７において、横軸は、ＣＴ画像データ１１のボクセルのＣＴ値を示し、縦軸は、Ｇ値を示す。

ウィンドウ条件２０ａは、折れ線４５により示される。折れ線４５は、線分４５ａ、線分４５ｂ、線分４５ｃ、線分４５ｄ及び線分４５ｅにより構成される。なお、図１７において、横軸と線分４５ｂ，４５ｃが重なっているが、線分４５ｂの一端から他端までの範囲は、符号「４５ｂ＿１」が示す範囲である。また、線分４５ｃの一端から他端までの範囲は、符号「４５ｃ＿１」が示す範囲である。

線分４５ａは、ＣＴ値「β」を含む所定範囲のＣＴ値にＧ値「２５５」が対応することを示す。また、線分４５ｂは、ＣＴ値「γ」を含む所定範囲のＣＴ値にＧ値「０」が対応することを示す。また、線分４５ｃは、ＣＴ値「δ」を含む所定範囲のＣＴ値にＧ値「０」が対応することを示す。

また、線分４５ｄは、線分４５ａの両端のうちＣＴ値が大きい側の端と、線分４５ｂの両端のうちＣＴ値が小さい側の端とを結ぶ線分である。線分４５ｄは、線分４５ｄに対応するＣＴ値の範囲内では、ＣＴ値が増加するとＧ値が減少するというＣＴ値とＧ値との関係を示す。

また、線分４５ｅは、線分４５ａの両端のうちＣＴ値が小さい側の端と、線分４５ｃの両端のうちＣＴ値が大きい側の端とを結ぶ線分である。線分４５ｅは、線分４５ｅに対応するＣＴ値の範囲内では、ＣＴ値が増加するとＧ値も増加するというＣＴ値とＧ値との関係を示す。

図１８は、第１の実施形態の変形例２に係る学習用データセット生成機能１３５ｃが実行する処理の一例を説明するための図である。図１８に示すように、学習用データセット生成機能１３５ｃは、ウィンドウ条件２０ａに基づいて、ＣＴ画像データ１１から、短軸断面画像データ１５が示す断面と同一の断面を示すカラー画像データ４６を生成する。カラー画像データ４６を構成する複数のピクセル４６ａのそれぞれには、ＲＧＢ値が設定される。

ただし、図１８に示すように、カラー画像データ４６の各ピクセル４６ａに設定されるＲ値及びＢ値は「０」である。また、カラー画像データ４６の各ピクセル４６ａに設定されるＧ値は、ウィンドウ条件２０ａに基づく値である。すなわち、図１８に示すように、各ピクセル４６ａに設定されるＲＧＢ値は、（０，Ｇ，０）で表される。

ここで、ウィンドウ条件２０ａに基づいて生成されたカラー画像データ４６では、心筋１６に対応するピクセル４６ａにＧ値「２５５」が設定され、内腔１７及び背景１８に対応するピクセル４６ａにＧ値「０」が設定される。このため、カラー画像データ４６は、心筋１６の特徴を示す画像データであるといえる。より具体的には、カラー画像データ４６の各ピクセル４６ａに設定されるＧ値が、心筋１６の特徴を示すといえる。

次に、カラー画像データ３５のピクセルに設定されるＲの決定方法の一例について説明する。学習用データセット生成機能１３５ｃは、心筋１６の位置４０を用いてカラー画像データ３５の各ピクセルに設定されるＧ値を決定した方法と同様の方法で、内腔１７の位置４１を用いてカラー画像データ３５の各ピクセルに設定されるＲ値を決定する。例えば、学習用データセット生成機能１３５ｃは、心筋１６の位置４０を用いてＣＴ値とＧ値との関係を示すウィンドウ条件２０ａを決定する方法と同様の方法で、内腔１７の位置４１を用いて、ＣＴ値とＲ値との関係を示すウィンドウ条件を決定する。

図１９は、第１の実施形態の変形例２に係る学習用データセット生成機能１３５ｃが実行する処理の一例を説明するための図である。学習用データセット生成機能１３５ｃは、ＣＴ値とＧ値との関係を示すウィンドウ条件２０ａに基づいてカラー画像データ４６を生成する方法と同様の方法で、ＣＴ値とＲ値との関係を示すウィンドウ条件に基づいて、図１９に示すカラー画像データ４７を生成する。

カラー画像データ４７を構成する複数のピクセル４７ａのそれぞれには、ＲＧＢ値が設定される。ただし、図１９に示すように、カラー画像データ４７の各ピクセル４７ａに設定されるＧ値及びＢ値は「０」である。また、カラー画像データ４７の各ピクセル４７ａに設定されるＲ値は、ＣＴ値とＲ値との関係を示すウィンドウ条件に基づく値である。すなわち、図１９に示すように、各ピクセル４７ａに設定されるＲＧＢ値は、（Ｒ，０，０）で表される。

ここで、ＣＴ値とＲ値との関係を示すウィンドウ条件に基づいて生成されたカラー画像データ４７では、内腔１７に対応するピクセル４７ａにＲ値「２５５」が設定され、心筋１６及び背景１８に対応するピクセル４７ａにＲ値「０」が設定される。このため、カラー画像データ４７は、内腔１７の特徴を示す画像データであるといえる。より具体的には、カラー画像データ４７の各ピクセル４７ａに設定されるＲ値が、内腔１７の特徴を示すといえる。

次に、カラー画像データ３５のピクセルに設定されるＢの決定方法の一例について説明する。学習用データセット生成機能１３５ｃは、心筋１６の位置４０を用いてカラー画像データ３５の各ピクセルに設定されるＧ値を決定した方法と同様の方法で、背景１８の位置４２を用いてカラー画像データ３５の各ピクセルに設定されるＢ値を決定する。例えば、学習用データセット生成機能１３５ｃは、心筋１６の位置４０を用いてＣＴ値とＧ値との関係を示すウィンドウ条件２０ａを決定する方法と同様の方法で、背景１８の位置４２を用いて、ＣＴ値とＢ値との関係を示すウィンドウ条件を決定する。

図２０は、第１の実施形態の変形例２に係る学習用データセット生成機能１３５ｃが実行する処理の一例を説明するための図である。学習用データセット生成機能１３５ｃは、ＣＴ値とＧ値との関係を示すウィンドウ条件２０ａに基づいてカラー画像データ４６を生成する方法と同様の方法で、ＣＴ値とＢ値との関係を示すウィンドウ条件に基づいて、図２０に示すカラー画像データ４８を生成する。

カラー画像データ４８を構成する複数のピクセル４８ａのそれぞれには、ＲＧＢ値が設定される。ただし、図２０に示すように、カラー画像データ４８の各ピクセル４８ａに設定されるＲ値及びＧ値は「０」である。また、カラー画像データ４８の各ピクセル４８ａに設定されるＢ値は、ＣＴ値とＢ値との関係を示すウィンドウ条件に基づく値である。すなわち、図２０に示すように、各ピクセル４８ａに設定されるＲＧＢ値は、（０，０，Ｂ）で表される。

ここで、ＣＴ値とＢ値との関係を示すウィンドウ条件に基づいて生成されたカラー画像データ４８では、背景１８に対応するピクセル４８ａにＢ値「２５５」が設定され、心筋１６及び内腔１７に対応するピクセル４８ａにＢ値「０」が設定される。このため、カラー画像データ４８は、背景１８の特徴を示す画像データであるといえる。より具体的には、カラー画像データ４８の各ピクセル４８ａに設定されるＢ値が、背景１８の特徴を示すといえる。

そして、学習用データセット生成機能１３５ｃは、カラー画像データ４６と、カラー画像データ４７と、カラー画像データ４８とを合成することにより、カラー画像データ３５を生成する。これにより、カラー画像データ４６の各ピクセル４６ａに設定されたＧ値が、カラー画像データ３５の対応する各ピクセルに設定される。また、カラー画像データ４７の各ピクセル４７ａに設定されたＲ値が、カラー画像データ３５の対応する各ピクセルに設定される。また、カラー画像データ４８の各ピクセル４８ａに設定されたＢ値が、カラー画像データ３５の対応する各ピクセルに設定される。

したがって、カラー画像データ３５は、心筋１６の特徴、内腔１７の特徴及び背景１８の特徴を示す画像データであるといえる。

図１５の説明に戻り、学習時には、学習済みモデル生成機能１３５ｄは、短軸断面画像データ１５とカラー画像データ３５との組と、輪郭画像データ２６との関係を学習することによって学習済みモデル２８ｂを生成する。

このように、学習済みモデル生成機能１３５ｄは、短軸断面画像データ１５とカラー画像データ３５と輪郭画像データ２６とを対応付けて学習することによって学習済みモデル２８ｂを生成する。例えば、学習時には、学習用データセット生成機能１３５ｃは、短軸断面画像データ１５、カラー画像データ３５及び輪郭画像データ２６の組を複数生成する。そして、学習済みモデル生成機能１３５ｄは、生成した複数の組を用いて学習済みモデル２８ｂを生成する。

例えば、学習済みモデル生成機能１３５ｄは、短軸断面画像データ１５及びカラー画像データ３５を入力データとし、輪郭画像データ２６を教師データとして機械エンジンに入力することによって、機械学習を行う。学習済みモデル生成機能１３５ｄは、このような機械学習の結果として学習済みモデル２８ｂを生成する。

このように、学習済みモデル生成機能１３５ｄは、心筋１６の特徴、内腔１７の特徴及び背景１８の特徴を示すカラー画像データ３５を用いて学習済みモデル２８ｂを生成する。このため、学習済みモデル生成機能１３５ｄは、より精度良く、心筋１６と内腔１７とを判別するとともに、心筋１６と背景１８とを判別することが可能な学習済みモデル２８ｂを生成することができる。

学習済みモデル２８ｂは、短軸断面画像データ１５に相当する画像データ、及び、カラー画像データ３５に相当する画像データが入力されることで、輪郭画像データ２６に相当する画像データを推定（生成）し、出力する。

そして、学習済みモデル生成機能１３５ｄは、生成した学習済みモデル２８ｂをメモリ１３２に記憶させる。

変形例２に係る推定機能１３５ｅは、運用時に、学習済みモデル２８ｂを用いて、解析対象の部位の輪郭に関する精度が高い画像データを推定し、推定した画像データを出力する。図２１を参照して、推定機能１３５ｅが実行する処理の一例について説明する。図２１は、第１の実施形態の変形例２に係る推定機能１３５ｅが実行する処理の一例について説明するための図である。図２１には、変形例２の運用時における輪郭画像データ５０の推定方法の一例が示されている。

推定機能１３５ｅは、運用時に取得機能１３５ｂにより取得されたＣＴ画像データ１２を用いて、第１の実施形態と同様に、短軸断面画像データ３０（図１０参照）を生成する。そして、推定機能１３５ｅは、学習用データセット生成機能１３５ｃが短軸断面画像データ１５を用いてカラー画像データ３５を生成した方法と同様の方法で、短軸断面画像データ３０を用いてカラー画像データ４９を生成する。カラー画像データ４９は、カラー画像データ３５に相当する画像データである。

そして、図２１に示すように、推定機能１３５ｅは、短軸断面画像データ３０及びカラー画像データ４９を学習済みモデル２８ｂに入力することで、学習済みモデル２８ｂに輪郭画像データ５０を推定させて出力させる。すなわち、推定機能１３５ｅは、学習済みモデル２８ｂを用いて、短軸断面画像データ３０及びカラー画像データ４９を基に、輪郭画像データ５０を推定し出力する。輪郭画像データ５０は、輪郭画像データ２６に相当する画像データである。輪郭画像データ５０は、例えば、心筋１６の輪郭１６ａ及び輪郭１６ｂを示す情報の一例である。

ここで、推定機能１３５ｅは、心筋の特徴、内腔の特徴及び背景の特徴を示すカラー画像データ４９を学習済みモデル２８ｂに入力する。このため、推定機能１３５ｅは、より精度良く、心筋と内腔とが判別されるとともに、心筋と背景とが判別された輪郭画像データ５０を出力することができる。したがって、変形例２によれば、精度の良い心筋の輪郭を示す情報を得ることができる。

以上、変形例２について説明した。変形例２によれば、上述したように、精度の良い解析対象の部位の輪郭を示す情報を得ることができる。

なお、変形例２において、学習用データセット生成機能１３５ｃは、短軸断面画像データ１５を生成した際に用いたウィンドウ条件に基づいて、心筋１６に対応するＣＴ値「β」、内腔１７に対応するＣＴ値「γ」及び背景１８に対応するＣＴ値「δ」を特定する場合について説明した。また、学習用データセット生成機能１３５ｃは、特定したピクセルに対応するＣＴ画像データ１１のボクセルを特定し、特定したボクセルのＣＴ値「β」、「γ」及び「δ」を特定する場合について説明した。しかしながら、学習用データセット生成機能１３５ｃは、他の方法によっても、心筋１６に対応するＣＴ値、内腔１７に対応するＣＴ値及び背景１８に対応するＣＴ値を特定してもよい。そこで、以下、学習用データセット生成機能１３５ｃが、他の方法により、心筋１６に対応するＣＴ値、内腔１７に対応するＣＴ値及び背景１８に対応するＣＴ値を特定する処理の一例について説明する。

図２２は、第１の実施形態の変形例２に係るデータベース５１のデータ構造の一例を示す図である。図２２に示すデータベース５１は、メモリ１３２に記憶されている。データベース５１には、複数のレコードが登録されている。各レコードは、「対象」の項目及び「ＣＴ値」の項目を有する。

「対象」の項目には、画像処理装置１３０がＣＴ値を得ようとする対象の識別子（ＩＤ（Identification））が登録されている。例えば、図２２に示すように、「対象」の項目には、このような対象として、心筋１６を示す識別子「ＩＤ１」、内腔１７を示す識別子「ＩＤ２」及び背景１８を示す識別子「ＩＤ３」が登録されている。

「ＣＴ値」の項目には、「対象」の項目に登録されている識別子が示す対象の一般的なＣＴ値が登録されている。例えば、図２２に示すように、「ＣＴ値」の項目には、心筋１６のＣＴ値「ＡＡ」、内腔１７のＣＴ値「ＢＢ」及び背景１８のＣＴ値「ＣＣ」が登録されている。

変形例２に係る学習用データセット生成機能１３５ｃは、データベース５１を用いて、心筋１６に対応するＣＴ値、内腔１７に対応するＣＴ値及び背景１８に対応するＣＴ値を特定する。具体的には、例えば、学習用データセット生成機能１３５ｃは、データベース５１に登録されている全レコードの中から、心筋１６を示す識別子「ＩＤ１」が「対象」の項目に登録されているレコードを検索する。

そして、学習用データセット生成機能１３５ｃは、検索の結果得られたレコードの「ＣＴ値」の項目に登録されたＣＴ値「ＡＡ」を取得する。このようにして、学習用データセット生成機能１３５ｃは、心筋１６に対応するＣＴ値「ＡＡ」を特定する。学習用データセット生成機能１３５ｃは、同様の方法により、内腔１７に対応するＣＴ値「ＢＢ」及び背景１８に対応するＣＴ値「ＣＣ」を特定する。

上述したような方法によれば、ユーザが心筋１６の位置、内腔１７の位置及び背景１８の位置を指定することなく、心筋１６に対応するＣＴ値、内腔１７に対応するＣＴ値及び背景１８に対応するＣＴ値が特定される。したがって、ユーザが煩雑な手動操作を行うことなく、心筋１６に対応するＣＴ値、内腔１７に対応するＣＴ値及び背景１８に対応するＣＴ値を特定することができる。なお、第１の実施形態及び変形例１においても、学習用データセット生成機能１３５ｃは、同様の方法により、心筋１６に対応するＣＴ値「ＡＡ」を特定してもよい。

（第１の実施形態の変形例３）
なお、第１の実施形態及び変形例１では、画像処理装置１３０が、短軸断面画像データ２５を用いて学習済みモデル２８，２８ａを生成した。しかしながら、画像処理装置１３０が、短軸断面画像データ２５に代えて、複数の時相の短軸断面画像データ２５の加算平均画像データを用いて学習済みモデルを生成してもよい。そこで、このような変形例を第１の実施形態の変形例３として説明する。以下の変形例３の説明では、第１の実施形態及び変形例１と異なる点を主に説明し、第１の実施形態及び変形例１と同様の点については説明を省略する場合がある。また、第１の実施形態及び変形例１と同様の構成については、同一の符号を付し、説明を省略する場合がある。

図２３は、第１の実施形態の変形例３に係る学習用データセット生成機能１３５ｃが実行する処理の一例を説明するための図である。図２３には、複数の時相の短軸断面画像データ２５が示されている。例えば、図２３において、一番左側に示された短軸断面画像データ２５は、時相ｔ１の画像データである。また、図２３において、中央に示された短軸断面画像データ２５は、時相ｔ２の画像データである。また、図２３において、一番右側に示された短軸断面画像データ２５は、時相ｔ３の画像データである。時相ｔ１と、時相ｔ２と、時相ｔ３は、異なる時相である。

そして、学習用データセット生成機能１３５ｃは、複数の時相の短軸断面画像データ２５に対して加算平均処理を実行することにより、複数の時相の短軸断面画像データ２５の加算平均画像データ５２を生成する。

そして、学習済みモデル生成機能１３５ｄは、短軸断面画像データ２５に代えて加算平均画像データ５２を用いて学習済みモデルを生成する。例えば、学習済みモデル生成機能１３５ｄは、第１の実施形態において短軸断面画像データ２５を用いて学習済みモデル２８を生成した方法と同様の方法で、加算平均画像データ５２を用いて学習済みモデルを生成する。

又は、学習済みモデル生成機能１３５ｄは、変形例１において短軸断面画像データ２５を用いて学習済みモデル２８ａを生成した方法と同様の方法で、加算平均画像データ５２を用いて学習済みモデルを生成する。そして、変形例３に係る処理回路１３５は、運用時に変形例３において生成された学習済みモデルを用いて、第１の実施形態において学習済みモデル２８を用いて行われた運用時の処理と同様の処理を行う。

以上、変形例３について説明した。変形例３によれば、複数の時相の情報に基づいて学習済みモデルが生成されるので、更に精度の良い輪郭を出力することが可能な学習済みモデルを生成することができる。

（第２の実施形態）
次に、第２の実施形態に係る画像処理装置について説明する。以下の第２の実施形態の説明では、第１の実施形態と異なる点を主に説明し、第１の実施形態と同様の点については説明を省略する場合がある。また、第１の実施形態と同様の構成については、同一の符号を付し、説明を省略する場合がある。

図２４は、第２の実施形態に係る医用処理システム１ａの構成の一例を示す図である。図２４に示す医用処理システム１ａは、画像処理装置１３０に代えて画像処理装置１３０ａを備える点が、図１に示す医用処理システム１と異なる。図２４に示す画像処理装置１３０ａは、処理回路１３５に代えて処理回路２３５を備える点が、図１に示す画像処理装置１３０と異なる。処理回路２３５は、例えば、プロセッサにより実現される。処理回路２３５は、学習用データセット生成機能１３５ｃ、学習済みモデル生成機能１３５ｄ及び推定機能１３５ｅに代えて、学習用データセット生成機能２３５ｃ、学習済みモデル生成機能２３５ｄ及び推定機能２３５ｅを備える点が、図１に示す処理回路１３５と異なる。

以下、学習用データセット生成機能２３５ｃ、学習済みモデル生成機能２３５ｄ及び推定機能２３５ｅが実行する処理のうち、学習用データセット生成機能１３５ｃ、学習済みモデル生成機能１３５ｄ及び推定機能１３５ｅが実行する処理と異なる点を主に説明する。図２５は、第２の実施形態に係る学習用データセット生成機能２３５ｃが運用時に実行する処理の一例を説明するための図である。

図２５に示すように、学習用データセット生成機能２３５ｃは、ＣＴ画像データ１１に描出された左心室１４の長軸１４ａを検出する。そして、学習用データセット生成機能２３５ｃは、第１の実施形態と同様に、ＣＴ画像データ１１に基づいて断面１５ａを示す短軸断面画像データ１５を生成する。

また、学習用データセット生成機能２３５ｃは、長軸１４ａに沿って断面１５ａから心臓の心基部に向かう方向に、断面１５ａから所定距離離れた断面１５ｂを特定する。また、学習用データセット生成機能２３５ｃは、長軸１４ａに沿って断面１５ａから左心室の心尖に向かう方向に、断面１５ａから所定距離離れた断面１５ｃを特定する。断面１５ｂ及び断面１５ｃは、断面１５ａと同様に、長軸１４ａに直交する断面である。また、断面１５ａ、断面１５ｂ及び断面１５ｃのそれぞれは、異なる位置の断面である。

そして、学習用データセット生成機能２３５ｃは、ＣＴ画像データ１１に基づいて断面１５ｂを示す短軸断面画像データ５５を生成する。ＣＴ画像データ１１に基づいて断面１５ｃを示す短軸断面画像データ５６を生成する。

短軸断面画像データ５５，５６には、短軸断面画像データ１５と同様に、解析対象の部位である心筋１６と、左心室の内腔１７と、背景１８とが描出されている。また、短軸断面画像データ５５，５６には、短軸断面画像データ１５と同様に、心筋１６の外壁の輪郭１６ａ、及び、心筋１６の内壁の輪郭１６ｂが描出されている。

第２の実施形態では、短軸断面画像データ１５、短軸断面画像データ５５及び短軸断面画像データ５６は、学習済みモデルを生成する際に、入力データとして用いられる。

学習済みモデル生成機能２３５ｄは、学習時に、学習済みモデルを生成する。図２６は、第２の実施形態に係る学習済みモデル生成機能２３５ｄが実行する処理の一例を説明するための図である。図２６には、第２の実施形態の学習時における学習済みモデル５８の生成方法の一例が示されている。図２６に示すように、学習時には、学習済みモデル生成機能２３５ｄは、短軸断面画像データ１５、短軸断面画像データ５５及び短軸断面画像データ５６の組と、輪郭画像データ２６との関係を学習することによって学習済みモデル５８を生成する。

このように、学習済みモデル生成機能２３５ｄは、短軸断面画像データ１５、短軸断面画像データ５５及び短軸断面画像データ５６の組と、輪郭画像データ２６とを対応付けて学習することによって学習済みモデル５８を生成する。例えば、学習時には、学習用データセット生成機能２３５ｃは、短軸断面画像データ１５、短軸断面画像データ５５、短軸断面画像データ５６及び輪郭画像データ２６の組を複数生成する。そして、学習済みモデル生成機能２３５ｄは、生成した複数の組を用いて学習済みモデル５８を生成する。

例えば、学習済みモデル生成機能２３５ｄは、短軸断面画像データ１５、短軸断面画像データ５５及び短軸断面画像データ５６を入力データとし、輪郭画像データ２６を教師データとして機械エンジンに入力することによって、機械学習を行う。

学習済みモデル生成機能２３５ｄは、このような機械学習の結果として学習済みモデル５８を生成する。学習済みモデル５８は、短軸断面画像データ１５に相当する画像データ、短軸断面画像データ５５に相当する画像データ及び短軸断面画像データ５６に相当する画像データの組が入力されることで、輪郭画像データ２６に相当する画像データを推定（生成）し、出力する。

そして、学習済みモデル生成機能２３５ｄは、生成した学習済みモデル５８をメモリ１３２に記憶させる。

ここで、解析対象の部位（例えば、心筋）は、２次元の構造ではなく３次元の構造である。第２の実施形態では、学習済みモデル生成機能２３５ｄは、短軸断面画像データ１５が示す断面１５ａに関する２次元的な情報ではなく、断面１５ａ、断面１５ｂ及び断面１５ｃの３つの断面の解析対象の部位に関する３次元的な情報を用いて機械学習を行う。そのため、第２の実施形態によれば、２次元的な情報を用いて機械学習を行う場合と比較して、学習精度及び学習の収束速度を向上させることができる。

推定機能２３５ｅは、学習済みモデル５８を用いて、運用時に、解析対象の部位の輪郭に関する精度が高い画像データを推定し、推定した画像データを出力する。図２７を参照して、推定機能２３５ｅが実行する処理の一例について説明する。図２７は、第２の実施形態に係る推定機能２３５ｅが実行する処理の一例について説明するための図である。図２７には、第２の実施形態の運用時における輪郭画像データ６２の推定方法の一例が示されている。

推定機能２３５ｅは、運用時に取得機能１３５ｂにより取得されたＣＴ画像データ１２を用いて、図２７に示す短軸断面画像データ３０を生成する。例えば、推定機能２３５ｅは、学習用データセット生成機能２３５ｃが学習時にＣＴ画像データ１１を用いて短軸断面画像データ１５を生成した方法と同様の方法で、ＣＴ画像データ１２を用いて短軸断面画像データ３０を生成する。

また、推定機能２３５ｅは、ＣＴ画像データ１２を用いて、図２７に示す短軸断面画像データ６０を生成する。例えば、推定機能２３５ｅは、学習用データセット生成機能２３５ｃが学習時にＣＴ画像データ１１を用いて短軸断面画像データ５５を生成した方法と同様の方法で、ＣＴ画像データ１２を用いて短軸断面画像データ６０を生成する。

また、推定機能２３５ｅは、ＣＴ画像データ１２を用いて、図２７に示す短軸断面画像データ６１を生成する。例えば、推定機能２３５ｅは、学習用データセット生成機能２３５ｃが学習時にＣＴ画像データ１１を用いて短軸断面画像データ５６を生成した方法と同様の方法で、ＣＴ画像データ１２を用いて短軸断面画像データ６１を生成する。

短軸断面画像データ６０，６１は、例えば、短軸断面画像データ１５と同様に、解析対象の部位である心筋、左心室の内腔、及び、背景が描出されている。短軸断面画像データ３０は、短軸断面画像データ１５に相当する画像データである。短軸断面画像データ６０は、短軸断面画像データ５５に相当する画像データである。短軸断面画像データ６１は、短軸断面画像データ５６に相当する画像データである。短軸断面画像データ３０、短軸断面画像データ６０及び短軸断面画像データ６１は、第１の画像データの一例である。

そして、図２７に示すように、推定機能２３５ｅは、短軸断面画像データ３０、短軸断面画像データ６０及び短軸断面画像データ６１を学習済みモデル５８に入力することで、学習済みモデル５８に輪郭画像データ６２を推定させて出力させる。すなわち、推定機能２３５ｅは、学習済みモデル５８を用いて、短軸断面画像データ３０、短軸断面画像データ６０及び短軸断面画像データ６１を基に、輪郭画像データ６２を推定し出力する。例えば、推定機能２３５ｅは、輪郭画像データ６２を解析機能１３５ｆに出力する。輪郭画像データ６２は、輪郭画像データ２６に相当する画像データである。推定機能２３５ｅは、出力部の一例である。輪郭画像データ６２は、例えば、心筋１６の輪郭１６ａ及び輪郭１６ｂを示す情報の一例である。

第２の実施形態に係る学習済みモデル５８は、解析対象の部位である心筋の輪郭が精度良く描出された輪郭画像データ６２を推定し出力することができる。すなわち、第２の実施形態によれば、精度の良い解析対象の部位の輪郭を示す情報を得ることができる。

図２８は、第２の実施形態に係る画像処理装置１３０ａが学習時に実行する処理の流れの一例を示すフローチャートである。図２８に示す処理は、例えば、ユーザが入力インターフェース１３３を介して学習済みモデル５８を生成する処理を実行するための指示を処理回路２３５に入力した場合に実行される。

図２８に示すように、取得機能１３５ｂは、メモリ１３２に記憶されたＣＴ画像データ１１を取得する（ステップＳ３０１）。そして、学習用データセット生成機能２３５ｃは、ＣＴ画像データ１１に基づいて短軸断面画像データ１５を生成する（ステップＳ３０２）。

そして、学習用データセット生成機能２３５ｃは、ＣＴ画像データ１１に基づいて短軸断面画像データ５５を生成する（ステップＳ３０３）。そして、学習用データセット生成機能２３５ｃは、ＣＴ画像データ１１に基づいて短軸断面画像データ５６を生成する（ステップＳ３０４）。

そして、学習済みモデル生成機能２３５ｄは、短軸断面画像データ１５、短軸断面画像データ５５及び短軸断面画像データ５６の組と、輪郭画像データ２６とを対応付けて機械学習することによって学習済みモデル５８を生成する（ステップＳ３０５）。そして、学習済みモデル生成機能２３５ｄは、生成した学習済みモデル５８をメモリ１３２に記憶させ（ステップＳ３０６）、処理を終了する。

図２９は、第２の実施形態に係る画像処理装置１３０ａが運用時に実行する処理の流れの一例を示すフローチャートである。図２９に示す処理は、例えば、ユーザが入力インターフェース１３３を介して、解析機能１３５ｆによる解析を実行するための指示を処理回路２３５に入力した場合に実行される。

図２９に示すように、取得機能１３５ｂは、メモリ１３２に記憶されたＣＴ画像データ１２を取得する（ステップＳ４０１）。そして、推定機能２３５ｅは、ＣＴ画像データ１２を用いて短軸断面画像データ３０を生成する（ステップＳ４０２）。

そして、推定機能２３５ｅは、ＣＴ画像データ１２に基づいて短軸断面画像データ６０を生成する（ステップＳ４０３）。そして、推定機能２３５ｅは、ＣＴ画像データ１２に基づいて短軸断面画像データ６１を生成する（ステップＳ４０４）。

そして、推定機能２３５ｅは、学習済みモデル５８を用いて、短軸断面画像データ３０、短軸断面画像データ６０及び短軸断面画像データ６１を基に、輪郭画像データ６２を推定し出力する（ステップＳ４０５）。

そして、解析機能１３５ｆは、輪郭画像データ６２に描出された解析対象の心筋の輪郭を用いて解析を行う（ステップＳ４０６）。そして、出力機能１３５ｇは、解析結果をディスプレイ１３４に表示させ（ステップＳ４０７）、処理を終了する。

以上、第２の実施形態について説明した。第２の実施形態によれば、上述したように、精度の良い解析対象の部位の輪郭を示す情報を得ることができる。

（第２の実施形態の変形例１）
なお、第２の実施形態では、学習済みモデル生成機能２３５ｄが学習済みモデル５８を生成する場合について説明した。しかしながら、学習済みモデル生成機能２３５ｄは、学習済みモデル５８に代えて、他の学習済みモデルを生成してもよい。そこで、このような変形例を第２の実施形態の変形例１として説明する。以下の変形例１の説明では、第２の実施形態と異なる点を主に説明し、第２の実施形態と同様の点については説明を省略する場合がある。また、第２の実施形態と同様の構成については、同一の符号を付し、説明を省略する場合がある。

図３０は、第２の実施形態の変形例１に係る学習済みモデル生成機能２３５ｄが実行する処理の一例を説明するための図である。図３０には、変形例１の学習時における学習済みモデル６５の生成方法の一例が示されている。図３０に示すように、学習時には、学習済みモデル生成機能２３５ｄは、短軸断面画像データ５５及び短軸断面画像データ５６の組と、輪郭画像データ２６との関係を学習することによって学習済みモデル６５を生成する。

このように、学習済みモデル生成機能２３５ｄは、短軸断面画像データ５５及び短軸断面画像データ５６の組と、輪郭画像データ２６とを対応付けて学習することによって学習済みモデル６５を生成する。例えば、学習時には、学習用データセット生成機能２３５ｃは、短軸断面画像データ５５、短軸断面画像データ５６及び輪郭画像データ２６の組を複数生成する。そして、学習済みモデル生成機能２３５ｄは、生成した複数の組を用いて学習済みモデル６５を生成する。

例えば、学習済みモデル生成機能２３５ｄは、短軸断面画像データ５５及び短軸断面画像データ５６を入力データとし、輪郭画像データ２６を教師データとして機械エンジンに入力することによって、機械学習を行う。学習済みモデル生成機能２３５ｄは、このような機械学習の結果として学習済みモデル６５を生成する。

学習済みモデル６５は、短軸断面画像データ５５に相当する画像データ及び短軸断面画像データ５６に相当する画像データが入力されることで、輪郭画像データ２６に相当する画像データを推定（生成）し、出力する。

そして、学習済みモデル生成機能２３５ｄは、生成した学習済みモデル６５をメモリ１３２に記憶させる。

変形例１に係る推定機能２３５ｅは、運用時に、学習済みモデル６５を用いて、解析対象の部位の輪郭に関する精度が高い画像データを推定し、推定した画像データを出力する。図３１を参照して、推定機能２３５ｅが実行する処理の一例について説明する。図３１は、第２の実施形態の変形例１に係る推定機能２３５ｅが実行する処理の一例について説明するための図である。図３１には、変形例１の運用時における輪郭画像データ６６の推定方法の一例が示されている。

推定機能２３５ｅは、運用時に取得機能２３５ｂにより取得されたＣＴ画像データ１２を用いて、第２の実施形態と同様に、短軸断面画像データ６０を生成する。また、推定機能２３５ｅは、ＣＴ画像データ１２を用いて、第２の実施形態と同様に、短軸断面画像データ６１を生成する。短軸断面画像データ６０は、短軸断面画像データ５５に相当する画像データである。短軸断面画像データ６１は、短軸断面画像データ５６に相当する画像データである。

そして、図３１に示すように、推定機能２３５ｅは、短軸断面画像データ６０及び短軸断面画像データ６１を学習済みモデル６５に入力することで、学習済みモデル６５に輪郭画像データ６６を推定させて出力させる。すなわち、推定機能２３５ｅは、学習済みモデル６５を用いて、短軸断面画像データ６０及び短軸断面画像データ６１を基に、輪郭画像データ６６を推定し出力する。輪郭画像データ６６は、輪郭画像データ２６に相当する画像データである。

変形例１に係る学習済みモデル６５は、第２の実施形態に係る学習済みモデル５８と同様に、解析対象の部位である心筋の輪郭が精度良く描出された輪郭画像データ６６を推定し出力することができる。すなわち、変形例１によれば、精度の良い解析対象の部位の輪郭を示す情報を得ることができる。

以上、第２の実施形態の変形例１について説明した。変形例１によれば、上述したように、第２の実施形態と同様に、精度の良い解析対象の部位の輪郭を示す情報を得ることができる。

また、上述した第２の実施形態では、学習済みモデル５８を生成する際に入力データとして短軸断面画像データ１５、短軸断面画像データ５５及び短軸断面画像データ５６が用いられる。これに対して、変形例１では、学習済みモデル６５を生成する際に入力データとして短軸断面画像データ５５及び短軸断面画像データ５６が用いられる。したがって、変形例１の方が、第２の実施形態よりも、学習済みモデルを生成する際に入力データとして用いられる画像データの数及びデータ量が少ない。したがって、変形例１によれば、学習済みモデルを生成する際の機械学習の収束を早めることができる。

また、短軸断面画像データ１５が、何らかの原因で画像処理装置１３０ａから削除されてしまう場合が考えられる。しかしながら、変形例１によれば、このような場合であっても、短軸断面画像データ５５及び短軸断面画像データ５６が画像処理装置１３０ａに保存されていれば、学習済みモデル６５を生成することができる。

同様に、短軸断面画像データ３０が、何らかの原因で画像処理装置１３０ａから削除されてしまう場合が考えられる。しかしながら、変形例１によれば、このような場合であっても、短軸断面画像データ６０及び短軸断面画像データ６１が画像処理装置１３０ａに保存されていれば、輪郭画像データ６６を推定し、出力することができる。

（第２の実施形態の変形例２）
第２の実施形態では、画像処理装置１３０ａが、短軸断面画像データ１５、短軸断面画像データ５５及び短軸断面画像データ５６を用いて、学習済みモデル５８を生成する場合について説明した。しかしながら、画像処理装置１３０ａは、短軸断面画像データ１５、短軸断面画像データ５５及び短軸断面画像データ５６が１つに纏められたカラー画像データを用いて、学習済みモデルを生成してもよい。そこで、このような変形例を第２の実施形態の変形例２として説明する。以下の変形例２の説明では、第２の実施形態と異なる点を主に説明し、第２の実施形態と同様の点については説明を省略する場合がある。また、第２の実施形態と同様の構成については、同一の符号を付し、説明を省略する場合がある。

図３２は、第２の実施形態の変形例２に係る画像処理装置１３０ａが実行する処理の一例を説明するための図である。図３２には、変形例２の学習時における学習済みモデル７１の生成方法の一例が示されている。変形例２に係る学習用データセット生成機能２３５ｃは、図３２に示すカラー画像データ７０を生成する。カラー画像データ７０を構成する複数のピクセルのそれぞれには、ＲＧＢ値が設定されている。

なお、カラー画像データ７０を構成する複数のピクセルは、短軸断面画像データ１５を構成する複数のピクセルに対応する。また、カラー画像データ７０を構成する複数のピクセルは、短軸断面画像データ５５を構成する複数のピクセルにも対応する。また、カラー画像データ７０を構成する複数のピクセルは、短軸断面画像データ５６を構成する複数のピクセルにも対応する。

カラー画像データ７０の生成方法の一例について説明する。例えば、学習用データセット生成機能２３５ｃは、短軸断面画像データ１５の各ピクセルに設定された輝度値をＧ値として、カラー画像データ７０の対応する各ピクセルに設定する。また、学習用データセット生成機能２３５ｃは、短軸断面画像データ５５の各ピクセルに設定された輝度値をＲ値として、カラー画像データ７０の対応する各ピクセルに設定する。また、学習用データセット生成機能２３５ｃは、短軸断面画像データ５６の各ピクセルに設定された輝度値をＢ値として、カラー画像データ７０の対応する各ピクセルに設定する。このようにして、学習用データセット生成機能２３５ｃは、各ピクセルにＲＧＢ値が設定されたカラー画像データ７０を生成する。

ここで、カラー画像データ７０の各ピクセルに設定されたＧ値は、断面１５ａの特徴を示す。また、カラー画像データ７０の各ピクセルに設定されたＲ値は、断面１５ａよりも心基部側の断面１５ｂの特徴を示す。また、カラー画像データ７０の各ピクセルに設定されたＢ値は、断面１５ａよりも心尖部側の断面１５ｃの特徴を示す。したがって、カラー画像データ７０は、断面１５ａの特徴、断面１５ｂの特徴及び断面１５ｃの特徴を示す画像データであるといえる。すなわち、カラー画像データ７０は、左心室１４の心筋１６の複数の位置（断面１５ａの位置、断面１５ｂの位置及び断面１５ｃの位置）における左心室１４の心筋１６を示す。

図３２の説明に戻り、学習時には、学習済みモデル生成機能２３５ｄは、カラー画像データ７０と、輪郭画像データ２６との関係を学習することによって学習済みモデル７１を生成する。

このように、学習済みモデル生成機能２３５ｄは、カラー画像データ７０と輪郭画像データ２６とを対応付けて学習することによって学習済みモデル７１を生成する。例えば、学習時には、学習用データセット生成機能２３５ｃは、カラー画像データ７０及び輪郭画像データ２６の組を複数生成する。そして、学習済みモデル生成機能２３５ｄは、生成した複数の組を用いて学習済みモデル７１を生成する。

例えば、学習済みモデル生成機能２３５ｄは、カラー画像データ７０を入力データとし、輪郭画像データ２６を教師データとして機械エンジンに入力することによって、機械学習を行う。学習済みモデル生成機能２３５ｄは、このような機械学習の結果として学習済みモデル７１を生成する。

変形例２では、学習済みモデル生成機能２３５ｄは、カラー画像データ７０が示す断面１５ａ、断面１５ｂ及び断面１５ｃの３つの断面の解析対象の部位に関する３次元的な情報を用いて機械学習を行う。そのため、変形例２によれば、２次元的な情報を用いて機械学習を行う場合と比較して、学習精度及び学習の収束速度を向上させることができる。

学習済みモデル７１は、カラー画像データ７０に相当する画像データが入力されることで、輪郭画像データ２６に相当する画像データを推定（生成）し、出力する。

そして、学習済みモデル生成機能２３５ｄは、生成した学習済みモデル７１をメモリ１３２に記憶させる。

変形例２に係る推定機能２３５ｅは、運用時に、学習済みモデル７１を用いて、解析対象の部位の輪郭に関する精度が高い画像データを推定し、推定した画像データを出力する。図３３を参照して、推定機能２３５ｅが実行する処理の一例について説明する。図３３は、第２の実施形態の変形例２に係る推定機能２３５ｅが実行する処理の一例について説明するための図である。図３３には、変形例２の運用時における輪郭画像データ７３の推定方法の一例が示されている。

推定機能２３５ｅは、学習用データセット生成機能２３５ｃがＣＴ画像データ１１を用いてカラー画像データ７０を生成した方法と同様の方法で、ＣＴ画像データ１２を用いて、図３３に示すカラー画像データ７２を生成する。カラー画像データ７２は、カラー画像データ７０に相当する画像データである。したがって、カラー画像データ７２は、断面１５ａの特徴、断面１５ｂの特徴及び断面１５ｃの特徴を示す画像データであるといえる。すなわち、カラー画像データ７２は、左心室１４の心筋１６の複数の位置（断面１５ａの位置、断面１５ｂの位置及び断面１５ｃの位置）における左心室１４の心筋１６を示す。カラー画像データ７２は、例えば、第１の画像データ及び第５の画像データの一例である。

そして、図３３に示すように、推定機能２３５ｅは、カラー画像データ７２を学習済みモデル７１に入力することで、学習済みモデル７１に輪郭画像データ７３を推定させて出力させる。すなわち、推定機能２３５ｅは、学習済みモデル７１を用いて、カラー画像データ７２を基に、輪郭画像データ７３を推定し出力する。輪郭画像データ７３は、輪郭画像データ２６に相当する画像データである。

以上、変形例２について説明した。変形例２に係る学習済みモデル７１は、解析対象の部位である心筋の輪郭が精度良く描出された輪郭画像データ７３を推定し出力することができる。したがって、変形例２によれば、精度の良い解析対象の部位の輪郭を示す情報を得ることができる。

なお、変形例２において、学習済みモデル生成機能２３５ｄは、カラー画像データ７０と、短軸断面画像データ２５とを用いて学習済みモデルを生成してもよい。この場合、推定機能２３５ｅは、カラー画像データ７２と、短軸断面画像データ３１とを学習済みモデルに入力することにより、輪郭画像データを出力すればよい。この輪郭画像データは、例えば、心筋１６の輪郭１６ａ及び輪郭１６ｂを示す情報の一例である。

（第２の実施形態の変形例３）
第２の実施形態では、画像処理装置１３０ａが、短軸断面画像データ１５、短軸断面画像データ５５、短軸断面画像データ５６及び輪郭画像データ２６を用いて、学習済みモデル５８を生成する場合について説明した。しかしながら、画像処理装置１３０ａは、短軸断面画像データ１５に代えて、短軸断面画像データ２５を用いて、学習済みモデルを生成してもよい。そこで、このような変形例を第２の実施形態の変形例３として説明する。以下の変形例３の説明では、第２の実施形態と異なる点を主に説明し、第２の実施形態と同様の点については説明を省略する場合がある。また、第２の実施形態と同様の構成については、同一の符号を付し、説明を省略する場合がある。

図３４は、第２の実施形態の変形例３に係る画像処理装置１３０ａが実行する処理の一例を説明するための図である。図３４には、変形例３の学習時における学習済みモデル８５の生成方法の一例が示されている。

学習時に、学習済みモデル生成機能２３５ｄは、短軸断面画像データ２５と短軸断面画像データ５５と短軸断面画像データ５６との組と、輪郭画像データ２６との関係を学習することによって学習済みモデル８５を生成する。

このように、学習済みモデル生成機能２３５ｄは、短軸断面画像データ２５と短軸断面画像データ５５と短軸断面画像データ５６との組と、輪郭画像データ２６とを対応付けて学習することによって学習済みモデル８５を生成する。例えば、学習時には、学習用データセット生成機能２３５ｃは、短軸断面画像データ２５、短軸断面画像データ５５、短軸断面画像データ５６及び輪郭画像データ２６の組を複数生成する。そして、学習済みモデル生成機能２３５ｄは、生成した複数の組を用いて学習済みモデル８５を生成する。

例えば、学習済みモデル生成機能２３５ｄは、短軸断面画像データ２５、短軸断面画像データ５５及び短軸断面画像データ５６を入力データとし、輪郭画像データ２６を教師データとして機械エンジンに入力することによって、機械学習を行う。学習済みモデル生成機能２３５ｄは、このような機械学習の結果として学習済みモデル８５を生成する。

短軸断面画像データ２５は、断面１５ａの特徴を示す。したがって、変形例３では、第２の実施形態と同様に、断面１５ａ、断面１５ｂ及び断面１５ｃの３つの断面の解析対象の部位に関する３次元的な情報を用いて機械学習を行う。そのため、変形例３によれば、２次元的な情報を用いて機械学習を行う場合と比較して、学習精度及び学習の収束速度を向上させることができる。

学習済みモデル８５は、短軸断面画像データ２５に相当する画像データ、短軸断面画像データ５５に相当する画像データ及び短軸断面画像データ５６に相当する画像データが入力されることで、輪郭画像データ２６に相当する画像データを推定（生成）し、出力する。

そして、学習済みモデル生成機能２３５ｄは、生成した学習済みモデル８５をメモリ１３２に記憶させる。

変形例３に係る推定機能２３５ｅは、運用時に、学習済みモデル８５を用いて、解析対象の部位の輪郭に関する精度が高い画像データを推定し、推定した画像データを出力する。図３５を参照して、推定機能２３５ｅが実行する処理の一例について説明する。図３５は、第２の実施形態の変形例３に係る推定機能２３５ｅが実行する処理の一例について説明するための図である。図３５には、変形例３の運用時における輪郭画像データ８６の推定方法の一例が示されている。

図３５に示すように、推定機能２３５ｅは、短軸断面画像データ３１、短軸断面画像データ６０及び短軸断面画像データ６１を学習済みモデル８５に入力することで、学習済みモデル８５に輪郭画像データ８６を推定させて出力させる。すなわち、推定機能２３５ｅは、学習済みモデル８５を使用して、短軸断面画像データ３１、短軸断面画像データ６０及び短軸断面画像データ６１を基に、輪郭画像データ８６を推定し出力する。輪郭画像データ８６は、輪郭画像データ２６に相当する画像データである。輪郭画像データ８６は、例えば、心筋１６の輪郭１６ａ及び輪郭１６ｂを示す情報の一例である。短軸断面画像データ６０及び短軸断面画像データ６１は、例えば、第３の画像データの一例である。

以上、変形例３について説明した。変形例３に係る学習済みモデル８５は、解析対象の部位である心筋の輪郭が精度良く描出された輪郭画像データ８６を推定し出力することができる。したがって、変形例３によれば、精度の良い解析対象の部位の輪郭を示す情報を得ることができる。

なお、変形例３において、学習済みモデル生成機能２３５ｄは、短軸断面画像データ５５及び短軸断面画像データ５６のうち少なくとも１つの短軸断面画像データと、短軸断面画像データ２５と、輪郭画像データ２６とを用いて学習済みモデルを生成すればよい。この場合、推定機能２３５ｅは、短軸断面画像データ６０及び短軸断面画像データ６１のうち少なくとも１つの短軸断面画像データと、短軸断面画像データ３１とを学習済みモデルに入力することにより、輪郭画像データを出力すればよい。この輪郭画像データは、例えば、心筋１６の輪郭１６ａ及び輪郭１６ｂを示す情報の一例である。

（第２の実施形態の変形例４）
第２の実施形態の変形例３では、画像処理装置１３０ａが、短軸断面画像データ２５、短軸断面画像データ５５、短軸断面画像データ５６及び輪郭画像データ２６を用いて、学習済みモデル８５を生成する場合について説明した。しかしながら、画像処理装置１３０ａは、短軸断面画像データ５５及び短軸断面画像データ５６に代えて、輪郭画像データを用いて、学習済みモデルを生成してもよい。そこで、このような変形例を第２の実施形態の変形例４として説明する。以下の変形例４の説明では、第２の実施形態と異なる点を主に説明し、第２の実施形態と同様の点については説明を省略する場合がある。また、第２の実施形態と同様の構成については、同一の符号を付し、説明を省略する場合がある。

図３６は、第２の実施形態の変形例４に係る画像処理装置１３０ａが実行する処理の一例を説明するための図である。図３６には、変形例４の学習時における学習済みモデル９０の生成方法の一例が示されている。

変形例４に係る学習用データセット生成機能２３５ｃは、図３６に示す輪郭画像データ７５及び輪郭画像データ７６を生成する。輪郭画像データ７５は、断面１５ｂにおける心筋１６の輪郭１６ａ及び輪郭１６ｂが描出された画像データである。また、輪郭画像データ７６は、断面１５ｃにおける心筋１６の輪郭１６ａ及び輪郭１６ｂが描出された画像データである。

輪郭画像データ７５の生成方法の一例について説明する。例えば、学習用データセット生成機能２３５ｃは、短軸断面画像データ５５を用いて、心筋１６の輪郭１６ａ及び輪郭１６ｂを検出し、検出した輪郭１６ａ及び輪郭１６ｂが描出された輪郭画像データ７５を生成する。例えば、学習用データセット生成機能２３５ｃは、短軸断面画像データ５５を用いて、公知の技術により、心筋１６の輪郭１６ａ及び輪郭１６ｂを検出する。

例えば、学習用データセット生成機能２３５ｃは、短軸断面画像データ５５のピクセルに設定された輝度値の分布を利用して輪郭１６ｂを検出する。具体例を挙げて説明すると、被検体に造影剤が投与された場合、造影剤の影響により、心臓の左心室の内腔に対応する輝度値は、左心室の心筋に対応する輝度値よりも高くなる傾向がある。そこで、学習用データセット生成機能２３５ｃは、短軸断面画像データ５５における心筋１６の中心を始点として、始点に対応するピクセルに設定された輝度値と同一又は略同一の輝度値を有するピクセルを探索する。なお、ここでいう心筋１６の中心とは、例えば、心筋１６により囲まれた領域の中心であり、内腔１７の１点を指す。そして、学習用データセット生成機能２３５ｃは、このような探索の結果、内腔１７の領域を得る。そして、学習用データセット生成機能２３５ｃは、内腔１７の領域の端部を、心筋１６の内壁の輪郭１６ｂとして検出する。

また、学習用データセット生成機能２３５ｃは、短軸断面画像データ５５を用いて輪郭画像データ７５を生成する方法と同様の方法で、短軸断面画像データ５６を用いて輪郭画像データ７６を生成する。

なお、輪郭画像データ７５及び輪郭画像データ７６は、画像処理装置１３０ａにより生成されるのではなく、ユーザにより生成されてもよい。

また、後述するように、運用時には、学習済みモデル９０により長軸４０ａに沿った複数の位置で輪郭画像データ９２が推定される。このため、学習済みモデル９０により、既に、断面１５ｂを示す輪郭画像データ９２が推定されている場合には、学習用データセット生成機能２３５ｃは、断面１５ｂを示す輪郭画像データ９２を輪郭画像データ７５として扱ってもよい。同様に、学習済みモデル９０により、既に、断面１５ｃを示す輪郭画像データ９２が推定されている場合には、学習用データセット生成機能２３５ｃは、断面１５ｃを示す輪郭画像データ９２を輪郭画像データ７６として扱ってもよい。

学習時に、学習済みモデル生成機能２３５ｄは、短軸断面画像データ２５と輪郭画像データ７５と輪郭画像データ７６との組と、輪郭画像データ２６との関係を学習することによって学習済みモデル９０を生成する。

このように、学習済みモデル生成機能２３５ｄは、短軸断面画像データ２５と輪郭画像データ７５と輪郭画像データ７６との組と、輪郭画像データ２６とを対応付けて学習することによって学習済みモデル９０を生成する。例えば、学習時には、学習用データセット生成機能２３５ｃは、短軸断面画像データ２５、輪郭画像データ７５、輪郭画像データ７６及び輪郭画像データ２６の組を複数生成する。そして、学習済みモデル生成機能２３５ｄは、生成した複数の組を用いて学習済みモデル９０を生成する。

例えば、学習済みモデル生成機能２３５ｄは、短軸断面画像データ２５、輪郭画像データ７５及び輪郭画像データ７６を入力データとし、輪郭画像データ２６を教師データとして機械エンジンに入力することによって、機械学習を行う。学習済みモデル生成機能２３５ｄは、このような機械学習の結果として学習済みモデル９０を生成する。

ここで、短軸断面画像データ２５は、断面１５ａの特徴を示す。例えば、短軸断面画像データ２５は、断面１５ａにおける輪郭１６ａ及び輪郭１６ｂの特徴を示す。また、輪郭画像データ７５は、断面１５ｂにおける輪郭１６ａ及び輪郭１６ｂの特徴を示す。また、輪郭画像データ７６は、断面１５ｃにおける輪郭１６ａ及び輪郭１６ｂの特徴を示す。したがって、変形例４では、第２の実施形態と同様に、断面１５ａ、断面１５ｂ及び断面１５ｃの３つの断面の解析対象の部位に関する３次元的な情報を用いて機械学習を行う。そのため、変形例４によれば、２次元的な情報を用いて機械学習を行う場合と比較して、学習精度及び学習の収束速度を向上させることができる。

学習済みモデル９０は、短軸断面画像データ２５に相当する画像データ、輪郭画像データ７５に相当する画像データ及び輪郭画像データ７６に相当する画像データが入力されることで、輪郭画像データ２６に相当する画像データを推定（生成）し、出力する。

そして、学習済みモデル生成機能２３５ｄは、生成した学習済みモデル９０をメモリ１３２に記憶させる。

変形例４に係る推定機能２３５ｅは、運用時に、学習済みモデル９０を用いて、解析対象の部位の輪郭に関する精度が高い画像データを推定し、推定した画像データを出力する。図３７を参照して、推定機能２３５ｅが実行する処理の一例について説明する。図３７は、第２の実施形態の変形例４に係る推定機能２３５ｅが実行する処理の一例について説明するための図である。図３７には、変形例４の運用時における輪郭画像データ９１の推定方法の一例が示されている。

画像処理装置１３０ａは、学習時において、輪郭画像データ７５を得た方法と同様の方法で、図３７に示す輪郭画像データ８１を得る。例えば、推定機能２３５ｅは、学習用データセット生成機能２３５ｃが短軸断面画像データ５５を用いて輪郭画像データ７５を生成する方法と同様の方法で、短軸断面画像データ６０を用いて輪郭画像データ８１を生成する。輪郭画像データ８１は、輪郭画像データ７５に相当する画像データである。

また、画像処理装置１３０ａは、学習時において、輪郭画像データ７６を得た方法と同様の方法で、図３７に示す輪郭画像データ８２を得る。例えば、推定機能２３５ｅは、学習用データセット生成機能２３５ｃが短軸断面画像データ５６を用いて輪郭画像データ７６を生成する方法と同様の方法で、短軸断面画像データ６１を用いて輪郭画像データ８２を生成する。輪郭画像データ８２は、輪郭画像データ７６に相当する画像データである。

輪郭画像データ８１及び輪郭画像データ８２は、例えば、第１の画像データ及び第４の画像データの一例である。

図３７に示すように、推定機能２３５ｅは、短軸断面画像データ３１、輪郭画像データ８１及び輪郭画像データ８２を学習済みモデル９０に入力することで、学習済みモデル９０に輪郭画像データ９１を推定させて出力させる。すなわち、推定機能２３５ｅは、学習済みモデル９０を用いて、短軸断面画像データ３１、輪郭画像データ８１及び輪郭画像データ８２を基に、輪郭画像データ９１を推定し出力する。輪郭画像データ９１は、輪郭画像データ２６に相当する画像データである。輪郭画像データ９１は、例えば、心筋１６の輪郭１６ａ及び輪郭１６ｂを示す情報の一例である。

以上、変形例４について説明した。変形例４に係る学習済みモデル９０は、解析対象の部位である心筋の輪郭が精度良く描出された輪郭画像データ９１を推定し出力することができる。したがって、変形例４によれば、精度の良い解析対象の部位の輪郭を示す情報を得ることができる。

なお、変形例４において、学習済みモデル生成機能２３５ｄは、輪郭画像データ７５及び輪郭画像データ７６のうち少なくとも１つの輪郭画像データと、短軸断面画像データ２５と、輪郭画像データ２６とを用いて学習済みモデルを生成すればよい。この場合、推定機能２３５ｅは、輪郭画像データ８１及び輪郭画像データ８２のうち少なくとも１つの輪郭画像データと、短軸断面画像データ３１とを学習済みモデルに入力することにより、輪郭画像データを出力すればよい。この輪郭画像データは、例えば、心筋１６の輪郭１６ａ及び輪郭１６ｂを示す情報の一例である。

また、変形例４において、学習済みモデル生成機能２３５ｄは、短軸断面画像データ２５を用いずに、学習済みモデルを生成してもよい。すなわち、学習済みモデル生成機能２３５ｄは、輪郭画像データ７５及び輪郭画像データ７６の組と、輪郭画像データ２６との関係を学習することにより学習済みモデルを生成してもよい。この場合、推定機能２３５ｅは、短軸断面画像データ３１を学習済みモデルに入力せずに輪郭画像データを推定する。すなわち、推定機能２３５ｅは、輪郭画像データ８１及び輪郭画像データ８２を学習済みモデルに入力することで、輪郭画像データを推定する。この輪郭画像データは、例えば、心筋１６の輪郭１６ａ及び輪郭１６ｂを示す情報の一例である。

また、上述した各実施形態及び各変形例では、解析対象の部位が心筋１６である場合について説明した。しかしながら、解析対象の部位は、これに限られない。図３８は、解析対象の他の一例について説明するための図である。例えば、解析対象の部位は、図３８に示すように、血管（例えば、大動脈又は冠動脈）等の管状構造物９５であってもよい。解析対象の部位が管状構造物９５である場合、長軸１４ａに代えて芯線が用いられる。また、心基部側の断面１５ｂに代えて、例えば、血流方向の上流側の断面が用いられる。また、心尖部側の断面１５ｃに代えて、例えば、血流方向の下流側の断面が用いられる。

上記説明において用いた「プロセッサ」という文言は、例えば、ＣＰＵ、ＧＰＵ（Graphics Processing Unit）、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、又は、プログラマブル論理デバイス（例えば、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）、若しくは、フィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ））等の回路を意味する。プロセッサはメモリ１３２に保存されたプログラムを読み出し実行することで機能を実現する。

なお、図１及び図２４においては、単一のメモリ１３２が各処理機能に対応する各プログラムを記憶するものとして説明した。しかしながら、複数のメモリ１３２を分散して配置し、処理回路１３５，２３５は、個別のメモリ１３２から対応するプログラムを読み出す構成としても構わない。また、メモリ１３２にプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むよう構成しても構わない。この場合、プロセッサは回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。

以上説明した少なくとも１つの実施形態又は変形例によれば、精度の良い輪郭を示す情報を得ることができる。

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。

１３２ メモリ
１３５ｅ，２３５ｅ 推定機能

Claims (6)

1. 検出対象物の対象位置の第１の画像データの、前記検出対象物の輝度値に基づいて、前記検出対象物の輝度値と前記検出対象物以外の部位の輝度値との差が所定値以上となるようにウィンドウ条件を加工した第２の画像データが入力されることで、前記検出対象物の輪郭を示す情報を出力する学習済みモデルを記憶する記憶部と、
   前記学習済みモデルを使用して、前記第２の画像データを基に、前記検出対象物の輪郭を示す情報を出力する出力部と、
   を備え、
   前記学習済みモデルは、更に、前記第１の画像データが入力されることで、前記輪郭を示す情報を出力し、
   前記出力部は、前記学習済みモデルを使用して、前記第１の画像データ及び前記第２の画像データを基に、前記検出対象物の輪郭を示す情報を出力する、
   画像処理装置。
2. コンピュータに、
   検出対象物の対象位置の第１の画像データの、前記検出対象物の輝度値に基づいて、前記検出対象物の輝度値と前記検出対象物以外の部位の輝度値との差が所定値以上となるようにウィンドウ条件を加工した第２の画像データが入力されることで、前記検出対象物の輪郭を示す情報を出力する学習済みモデルが記憶された記憶部から前記学習済みモデルを取得し、
   取得された前記学習済みモデルを使用して、前記第２の画像データを基に、前記検出対象物の輪郭を示す情報を出力する、
   処理を実行させるためのプログラムであって、
   前記学習済みモデルは、更に、前記第１の画像データが入力されることで、前記輪郭を示す情報を出力し、
   前記検出対象物の輪郭を示す情報を出力する処理は、前記学習済みモデルを使用して、前記第１の画像データ及び前記第２の画像データを基に、前記検出対象物の輪郭を示す情報を出力することを含む、
   プログラム。
3. コンピュータが、
   検出対象物の対象位置の第１の画像データの、前記検出対象物の輝度値に基づいて、前記検出対象物の輝度値と前記検出対象物以外の部位の輝度値との差が所定値以上となるようにウィンドウ条件を加工した第２の画像データが入力されることで、前記検出対象物の輪郭を示す情報を出力する学習済みモデルが記憶された記憶部から前記学習済みモデルを取得し、
   取得された前記学習済みモデルを使用して、前記第２の画像データを基に、前記検出対象物の輪郭を示す情報を出力する、
   処理を実行する方法であって、
   前記学習済みモデルは、更に、前記第１の画像データが入力されることで、前記輪郭を示す情報を出力し、
   前記検出対象物の輪郭を示す情報を出力する処理は、前記学習済みモデルを使用して、前記第１の画像データ及び前記第２の画像データを基に、前記検出対象物の輪郭を示す情報を出力することを含む、
   方法。
4. 検出対象物の対象位置の第１の画像データの、前記検出対象物の輝度値に基づいて、前記検出対象物の輝度値と前記検出対象物以外の部位の輝度値との差が所定値以上となるようにウィンドウ条件を加工した第２の画像データが入力されることで、前記検出対象物の輪郭を示す情報を出力する学習済みモデルを記憶する記憶部と、
   前記学習済みモデルを使用して、前記第２の画像データを基に、前記検出対象物の輪郭を示す情報を出力する出力部と、
   を備え、
   前記学習済みモデルは、更に、前記検出対象物の前記対象位置とは異なる少なくとも１つの位置における前記検出対象物の輪郭が描出された第４の画像データが入力されることで、前記検出対象物の輪郭を示す情報を出力し、
   前記出力部は、前記学習済みモデルを使用して、前記第２の画像データ及び前記第４の画像データを基に、前記検出対象物の輪郭を示す情報を出力する、
   画像処理装置。
5. コンピュータに、
   検出対象物の対象位置の第１の画像データの、前記検出対象物の輝度値に基づいて、前記検出対象物の輝度値と前記検出対象物以外の部位の輝度値との差が所定値以上となるようにウィンドウ条件を加工した第２の画像データが入力されることで、前記検出対象物の輪郭を示す情報を出力する学習済みモデルが記憶された記憶部から前記学習済みモデルを取得し、
   取得された前記学習済みモデルを使用して、前記第２の画像データを基に、前記検出対象物の輪郭を示す情報を出力する、
   処理を実行させるためのプログラムであって、
   前記学習済みモデルは、更に、前記検出対象物の前記対象位置とは異なる少なくとも１つの位置における前記検出対象物の輪郭が描出された第４の画像データが入力されることで、前記検出対象物の輪郭を示す情報を出力し、
   前記検出対象物の輪郭を示す情報を出力する処理は、前記学習済みモデルを使用して、前記第２の画像データ及び前記第４の画像データを基に、前記検出対象物の輪郭を示す情報を出力することを含む、
   プログラム。
6. コンピュータが、
   検出対象物の対象位置の第１の画像データの、前記検出対象物の輝度値に基づいて、前記検出対象物の輝度値と前記検出対象物以外の部位の輝度値との差が所定値以上となるようにウィンドウ条件を加工した第２の画像データが入力されることで、前記検出対象物の輪郭を示す情報を出力する学習済みモデルが記憶された記憶部から前記学習済みモデルを取得し、
   取得された前記学習済みモデルを使用して、前記第２の画像データを基に、前記検出対象物の輪郭を示す情報を出力する、
   処理を実行する方法であって、
   前記学習済みモデルは、更に、前記検出対象物の前記対象位置とは異なる少なくとも１つの位置における前記検出対象物の輪郭が描出された第４の画像データが入力されることで、前記検出対象物の輪郭を示す情報を出力し、
   前記検出対象物の輪郭を示す情報を出力する処理は、前記学習済みモデルを使用して、前記第２の画像データ及び前記第４の画像データを基に、前記検出対象物の輪郭を示す情報を出力することを含む、
   方法。
   

Images