JP7412191B2 - 撮影条件出力装置及び放射線治療装置 - Google Patents

Description

本発明の実施形態は、撮影条件出力装置及び放射線治療装置に関する。

放射線治療の分野においては、寝台上に搭載された患者に放射線を照射する医用線形加速器と、放射線を照射する前に、患者の位置合わせに用いられる画像撮影装置とを備えた放射線治療装置が広く知られている。この種の放射線治療装置は、操作者に設定されたコーンビームＣＴ（Cone-Beam Computed Tomography）撮影条件（以下、ＣＢＣＴ撮影条件ともいう）に基づいて、画像撮影装置が患者のコーンビームＣＴ画像（以下、ＣＢＣＴ画像ともいう）を撮影する。撮影されたＣＢＣＴ画像は、治療計画用のＣＴ画像である計画ＣＴ画像と比較される。比較の結果、適宜、画像撮影装置と寝台との位置関係が調整され、患者の位置合わせが行われる。

このようなＣＢＣＴ画像は、位置合わせの精度を向上させる観点から、計画ＣＴ画像と同様に、高画質を有することが好ましい。一般的に、ＣＢＣＴ画像の画質を改善する方法としては、ニューラルネットワークなどのアルゴリズムを用いてノイズ低減などを行う画像処理の技術が知られている。例えば、画像処理の際に、ノイズによる低画質のＣＢＣＴ画像をニューラルネットワークに入力し、ノイズを低減したＣＢＣＴ画像をニューラルネットワークから出力する。このようなニューラルネットワークは、予め低画質のＣＢＣＴ画像と、ノイズが低減されたＣＢＣＴ画像とを含む学習用データを機械学習させることで、実現可能となっている。

しかしながら、この種の画像処理の技術は、通常は特に問題ないが、本発明者の検討によれば、次のような不都合がある。例えば、学習用データを構成するＣＢＣＴ画像の撮影条件を操作者が決める手間がかかる一方、適切な撮影条件が操作者に分からない。また、撮影条件によるノイズや散乱線の発生の傾向が学習用データに潜在しており、撮影条件が学習用データに反映されていない。

特表２０１９－５０６２０８号公報

イアン・グッドフェロー（Ｉａｎ Ｇｏｏｄｆｅｌｌｏｗ）、外２名、「第９章 畳み込みネットワーク（Ｃｈａｐｔｅｒ ９ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋｓ）」、ディープラーニング（Ｄｅｅｐ ｌｅａｒｎｉｎｇ）、エムアイティー・プレス（ＭＩＴ ｐｒｅｓｓ）、２０１６年、ｐ．３３０－３７２、インターネット＜ＵＲＬ：http://www.deeplearningbook.org＞

本発明が解決しようとする課題は、撮影条件を学習用データに反映でき、適切な撮影条件を操作者が決める手間を減らすことである。

実施形態に係る撮影条件出力装置は、取得部及び条件出力部を具備する。
前記取得部は、放射線治療における被写体に関する被写体情報を取得する。
前記条件出力部は、前記被写体情報に基づいて、前記被写体の位置合わせに用いるコーンビームＣＴ画像の撮影条件を出力するための学習済みモデルに対して、前記被写体情報を入力することで、前記撮影条件を出力する。

図１は、本実施形態に係る放射線治療システムの構成を示すブロック図である。 図２は、本実施形態に係る撮影条件出力装置の構成を示すブロック図である。 図３は、本実施形態に係る処理回路及び評価機能を説明するための模式図である。 図４は、本実施形態に係る撮影関連情報及び学習用データを説明するための模式図である。 図５は、本実施形態に係るＣＢＣＴ撮影条件を説明するための模式図である。 図６は、本実施形態に係る学習用データ及び学習済みモデルを説明するための模式図である。 図７は、本実施形態に係る学習用データ及び学習済みモデルを説明するための模式図である。 図８は、本実施形態に係る学習用データ及び学習済みモデルを説明するための模式図である。 図９は、本実施形態における学習段階の動作を説明するためのフローチャートである。 図１０は、本実施形態におけるステップＳＴ２０の動作を説明するための模式図である。 図１１は、本実施形態における運用段階の動作を説明するためのフローチャートである。 図１２は、本実施形態の第１変形例に係る学習用データ及び学習済みモデルを説明するための模式図である。 図１３は、本実施形態の第３変形例に係る強化学習を説明するための模式図である。

以下、図面を参照しながら実施形態について説明する。なお、以下の説明中、コーンビームＣＴ撮影（以下、ＣＢＣＴ撮影ともいう）の際の患者を被写体と呼ぶが、これに限らず、当該被写体を患者と呼んでもよい。同様に、患者情報のうちのＣＢＣＴ撮影に影響する情報を被写体情報と呼ぶが、これに限らず、当該被写体情報を患者情報と呼んでもよい。また、「コーンビームＣＴ」の用語は、「ＣＢＣＴ」とも表記する。

図１に示すように、放射線治療システム１００は、画像保管装置１、撮影条件出力装置２、治療計画用ＣＴ装置３、治療計画装置４、放射線治療装置５を有する。放射線治療装置５は、画像撮影装置５１を含んでいる。画像保管装置１、撮影条件出力装置２、治療計画用ＣＴ装置３、治療計画装置４及び放射線治療装置５は、互いにネットワークを介して通信可能に接続されている。

画像保管装置１は、互いに異なる撮影条件をもつ過去の複数のＣＢＣＴ画像を保管する。また、画像保管装置１は、撮影条件出力装置２からの要求に基づき、当該過去の複数のＣＢＣＴ画像を撮影条件出力装置２に送信する。

撮影条件出力装置２は、例えば、放射線治療装置５や治療前の画像撮影装置５１に対して、被写体情報に基づいて、被写体の位置合わせに用いるコーンビームＣＴ画像の撮影条件を出力する装置である。補足すると、照射位置を撮影し確認するための画像撮影装置５１において、治療の精度に影響する重要な要素としては、コーンビームＣＴ画像の画質と、当該画質に影響する撮影条件とがある。よって、撮影条件出力装置２は、画像撮影装置５１の最適な撮影条件を支援するために、被写体情報とＣＢＣＴ撮影条件の組み合わせによって学習させた学習済みモデルを用いている。なお、撮影条件出力装置２は、学習済みモデルを生成してもよく、学習済みモデルを外部からインストールしてもよい。但し、撮影条件出力装置２は、これらの例に限定されない。例えば、撮影条件出力装置２は、放射線治療装置５に接続された外部装置に限らず、放射線治療装置５が備える装置として設けてもよい。撮影条件出力装置２の構成等については後述する。

治療計画用ＣＴ装置３は、治療対象の患者にＣＴ撮像を施して、治療計画に使用するＣＴ画像を生成する。以下、治療計画に使用するためのＣＴ画像を計画ＣＴ画像と呼ぶ。計画ＣＴ画像は、２次元状に配列されたピクセルにより構成される２次元画像でもよいし、３次元状に配列されたボクセルにより構成される３次元画像でもよい。治療計画用ＣＴ装置３は、計画ＣＴ画像を生成可能な如何なるモダリティ装置であってもよい。モダリティ装置としては、例えば、Ｘ線コンピュータ断層撮影装置、コーンビームＣＴ装置、Ｘ線診断装置等が挙げられる。計画ＣＴ画像のデータは、例えば、治療計画装置４に送信される。

治療計画装置４は、ＣＰＵ（Central Processing Unit）及びＧＰＵ（Graphics Processing Unit）等のプロセッサ、ＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）等のメモリ、ディスプレイ、入力インタフェース、通信インタフェースを含むコンピュータを有する。治療計画装置４は、計画ＣＴ画像を利用して治療対象の患者の治療計画を作成する。治療計画に含まれるパラメータとしては、フィールド数（照射野数）やフィールド角度（照射角度）、放射線強度、コリメータ開度等が含まれる。治療計画装置４は、計画ＣＴ画像に基づいて腫瘍や臓器の位置及び形状を特定し、各種の治療計画パラメータを決定する。この際、腫瘍に照射する線量はできる限り多く、正常組織への線量はできる限り小さくなるような治療計画が作成される。治療計画のデータは、撮影条件出力装置２を介して放射線治療装置５に供給される。

放射線治療装置５は、治療計画装置４により作成された治療計画に従い患者に放射線を照射して患者を治療する。放射線治療装置５は、治療室に設けられた医用線形加速器と、画像撮影装置５１と、治療寝台とを有する。治療寝台は、患者の治療部位がアイソセンタに略一致するように天板を移動する。医用線形加速器は、回転軸回りに回転可能に照射ヘッド部を支持する治療架台を備えている。照射ヘッド部は、治療計画装置４により作成された治療計画に従い放射線を照射する。具体的には、照射ヘッド部は、多分割絞り（マルチリーフコリメータ）により照射野を形成し、当該照射野により正常組織への照射を抑える。治療部位に放射線が照射されることにより当該治療部位が消滅又は縮小する。画像撮影装置５１は治療架台に搭載されている。画像撮影装置５１は、放射線治療時の位置確認のため患者の体内情報を収集するためのものである。例えば、画像撮影装置５１は、回転軸を挟んで対向配置されたＸ線管とＸ線検出器とを有する。この構成により画像撮影装置５１は、コーンビームＣＴを実現し、患者の体内の形態を描出する３次元のＣＴ画像データを生成可能である。また、放射線治療装置５は、放射線を被写体に照射する照射部と、当該被写体の位置合わせに用いるコーンビームＣＴ画像の撮影条件を出力する撮影条件出力装置２とを備えてもよい。照射ヘッド部は、照射部の一例である。

図２に示すように、撮影条件出力装置２は、処理回路２１、メモリ２２、入力インタフェース２３、通信インタフェース２４及びディスプレイ２５を有する。

処理回路２１は、ＣＰＵ及びＧＰＵ等のプロセッサを有する。当該プロセッサがメモリ２２等にインストールされたプログラムを起動することにより、当該プロセッサは、取得機能２１ａ、評価機能２１ｂ、学習機能２１ｃ、条件出力機能２１ｄ及び表示制御機能２１ｅを実現する。なお、各機能２１ａ乃至２１ｅは単一の処理回路で実現される場合に限らない。複数の独立したプロセッサを組み合わせて処理回路を構成し、各プロセッサがプログラムを実行することにより各機能２１ａ乃至２１ｅを分散して実現するものとしても構わない。

取得機能２１ａの実現により処理回路２１は、種々のデータを取得する。例えば、処理回路２１は、通信インタフェース２４を介して治療計画装置４から受信された治療計画のデータと患者情報とを取得する。また例えば、処理回路２１は、操作者による入力インタフェース２３の操作に応じて患者情報及び治療計画データから選択された情報として、放射線治療における被写体に関する被写体情報を取得する。被写体情報は、患者情報及び治療計画データのうちのコーンビームＣＴ撮影条件に影響する情報であるが、これに限らず、コーンビームＣＴ撮影条件に影響しない情報を含んでいてもよい。具体的には例えば、被写体情報は、被写体の治療部位、固定具情報及び体格情報を含んでいる。体格情報は、被写体の体重又は体厚を含んでおり、更に、身長、年齢及び性別を含んでもよい。また、体格情報は、被写体の身長と体重から算出されるＢＭＩ（Body Mass Index）の如き、体格の指標を含んでもよい。固定具情報は、被写体を寝台に固定する固定具を表す情報であり、例えば固定具の製品名であってもよい。固定具は、ＣＢＣＴ画像を撮影するためのＸ線のパス上に位置してもよい。また、被写体情報としては、更に、治療体位、病歴及び体内組織構造などを適宜、含んでもよい。また例えば、処理回路２１は、通信インタフェース２４を介して画像保管装置１から受信された過去の複数のＣＢＣＴ画像を取得してもよい。過去の複数のＣＢＣＴ画像は、互いに異なる撮影条件で撮影された画像である。また例えば、処理回路２１は、通信インタフェース２４を介して治療計画装置４から受信された、被写体の計画ＣＴ画像を取得してもよい。また例えば、処理回路２１は、通信インタフェース２４を介して治療計画装置４から受信された、被写体の計画ＣＴ画像の撮影条件を取得してもよい。取得機能２１ａ及び処理回路２１は、取得部の一例である。

評価機能２１ｂの実現により処理回路２１は、コーンビームＣＴ画像の良否の評価結果を求める。この場合、処理回路２１は、図３に示すように、計画ＣＴ画像ｄ２を正解データとして、過去の複数のＣＢＣＴ画像ｄ１の各々の評価結果ｄ３を求めてもよい。この場合、処理回路２１は、例えば、計画ＣＴ画像ｄ２の特徴量と、ＣＢＣＴ画像ｄ１の特徴量との類似度や、各ＣＴ画像のコントラストを反映するヒストグラムなどから評価値を算出し、評価値から評価結果を判定してもよい。ここで、計画ＣＴ画像ｄ２の特徴量と、ＣＢＣＴ画像ｄ１の特徴量とは、例えば、放射線治療の対象である腫瘍領域の画像データ、画素値、画素値の統計値及び形態的特徴量のうちの少なくとも１つである。画素値の統計値としては、腫瘍領域を構成する複数の画素の画素値の平均値、最大値、最小値、中間値、標準偏差及び分散値等の統計に関する特徴量の少なくとも１つである。形態的特徴量は、腫瘍領域の体積や表面積、空洞数、形状度等の形態に関する特徴量の少なくとも１つである。形状度は、腫瘍領域の円形度や尖鋭度、凹凸数等の形状に関する特徴量の少なくとも１つである。

また、処理回路２１は、操作者による入力インタフェース２３の操作に応じて、複数のコーンビームＣＴ画像ｄ１の各々の評価結果ｄ３を求めてもよい。評価機能２１ｂ及び処理回路２１は、評価部の一例である。

学習機能２１ｃの実現により処理回路２１は、図４に示すように、撮影関連情報ｄ０から学習用データｄ１０を作成する。撮影関連情報ｄ０は、複数のＣＢＣＴ画像ｄ１、計画ＣＴ画像ｄ２、複数の評価結果ｄ３、被写体情報ｄ４及び複数のＣＢＣＴ撮影条件ｄ５を含んでいる。学習用データｄ１０は、撮影関連情報ｄ０のうち、被写体情報ｄ４と、正解データであるＣＢＣＴ撮影条件ｄ５とを含んでいる。但し、これに限らず、学習用データｄ１０としては、更に、計画ＣＴ画像ｄ２や、評価結果ｄ３を含んでもよい。また、計画ＣＴ画像ｄ２に代えて、計画ＣＴ画像ｄ２の撮影条件を学習用データｄ１０に含めてもよい。また、図４中、複数の情報に関する表記“（１，・・・，ｎ）”を付したＣＢＣＴ画像ｄ１、評価結果ｄ３及びＣＢＣＴ撮影条件ｄ５は、１つの被写体情報あたり、それぞれｎ個あることを示している。撮影関連情報ｄ０は、被写体情報ｄ４毎に存在するので、ＣＢＣＴ画像ｄ１、評価結果ｄ３及びＣＢＣＴ撮影条件ｄ５についても、被写体情報ｄ４毎に複数個が存在する。学習用データｄ１０は複数の被写体情報について作成されるので、図４に示す如き、学習用データｄ１０が複数作成される。これら複数の学習用データｄ１０は、学習段階で用いられる。このような複数の学習用データｄ１０は、学習用データセットと呼んでもよい。

ここで、図４に示す各種データは、以下の内容である。

ｎ個のＣＢＣＴ画像ｄ１：撮影条件を変えたＣＢＣＴ画像。
計画ＣＴ画像ｄ２：治療計画時に治療部位を治療体位で撮影した画像（正解に近いデータ）。
ｎ個の評価結果ｄ３：生成されたＣＢＣＴ画像の良否を示す結果。評価結果は、良好（ＯＫ）／不良（ＮＧ）などの二者択一で表現してもよく、１０段階等の複数段階の値などの定量的な数値で表現してもよい。また、評価結果は、各画像のコントラストや臓器の形状などの評価をする観点ごとに求めてもよい。
被写体情報ｄ４：治療部位、治療体位、病歴、体内組織構造、固定具情報、体格情報。
ｎ個のＣＢＣＴ撮影条件ｄ５：架台角度、回転範囲、回転方向、絞りの種類、フィルターの種類、撮影範囲（ＦＯＶの大きさ）、管電圧、管電流（又は管電流時間積）、フレームレート、検出器までの距離（画像撮影装置５１は固定）、寝台の位置、などの撮影条件。なお、ＣＢＣＴ撮影条件ｄ５は、図５に示すように、各々の条件の組合せが各々のプロトコルとして使用可能となっている。この場合、ＣＢＣＴ撮影条件ｄ５の組合せの個数は、使用可能なプロトコルの個数以下である。また、ＣＢＣＴ撮影条件ｄ５に含まれる要素は、画像撮影装置５１に用いられる条件であるので、必ずしもＣＢＣＴ画像の画質に影響する要素に限定されない。例えば、ＣＢＣＴ撮影条件ｄ５に含まれる回転範囲及び回転方向は、画像撮影装置５１の制約条件であり、ＣＢＣＴ画像の画質には影響しない。

また、ｎ個のＣＢＣＴ撮影条件ｄ５のうち、正解データを定めるには、例えば、評価結果が良を示すＣＢＣＴ画像の撮影条件を正解データとする方式がある。また、ＣＢＣＴ画像撮影条件ｄ５を正解データとするための評価結果としては、例えば、コントラストが良く臓器の形状が判別しやすい旨の評価結果や、ノイズや散乱線の影響が少ない旨の評価結果などが適宜、使用可能となっている。

また、学習機能２１ｃの実現により処理回路２１は、図６に示すように、作成した学習用データｄ１０を用いて機械学習モデルＭ１に機械学習を施すことにより、機械学習モデルＭ１から学習済みモデルＭ２を作成する。図６中、学習用データｄ１０は、被写体情報ｄ４を入力データに含み、ＣＢＣＴ撮影条件ｄ５を出力データに含んでいる。但し、これに限らず、学習用データｄ１０としては、被写体情報ｄ４を入力データに含み、ＣＢＣＴ撮影条件ｄ５を出力データに含んでいれば、他のデータが付加されていてもよい。例えば、学習用データｄ１０としては、図６に示した構成に比べ、図７に示すように、評価結果ｄ３を更に出力データに含んでいてもよい。なお、評価結果ｄ３は、学習用データｄ１０の出力データに限らず、学習用データｄ１０の入力データに含んでもよい。また例えば、学習用データｄ１０としては、図６に示した構成に比べ、図８に示すように、計画ＣＴ画像撮影条件ｄ２ａを更に入力データに含んでもよい。あるいは、学習用データｄ１０としては、図６に示した構成に比べ、計画ＣＴ画像ｄ２を更に入力データに含んでもよい。またあるいは、図６に示した構成に比べ、計画ＣＴ画像撮影条件ｄ２ａや計画ＣＴ画像ｄ２を更に入力データに含む学習用データｄ１０に対し、更に評価結果ｄ３を入力データ又は出力データに含めてもよい。

このように各々の学習用データｄ１０は、入力データ及び出力データを有する。入力データは、学習用データｄ１０のうち、機械学習モデルＭ１の入力層に入力されるデータである。出力データは、学習用データｄ１０のうち、入力データ以外のデータである。

機械学習モデルＭ１は、当該入力データを入力とし、当該出力データを出力する、複数の関数が合成されたパラメータ付き合成関数である。パラメータ付き合成関数は、複数の調整可能な関数及びパラメータの組合せにより定義される。本実施形態に係る機械学習モデルＭ１は、上記の要請を満たす如何なるパラメータ付き合成関数であっても良いが、多層のネットワークモデル（以下、多層化ネットワークと呼ぶ）であるとする。多層化ネットワークを用いる学習済みモデルＭ２は、少なくとも被写体情報ｄ４を入力する入力層と、ＣＢＣＴ画像の撮影条件ｄ５を出力する出力層と、入力層と出力層との間に設けられる少なくとも１層の中間層とを有する。なお、入力層としては、被写体情報ｄ４の入力に並列して、評価結果ｄ３、計画ＣＴ画像ｄ２、計画ＣＴ画像の撮影条件ｄ２ａの入力を受け付けてもよい。これら評価結果ｄ３、計画ＣＴ画像ｄ２、計画ＣＴ画像の撮影条件ｄ２ａは、ＣＢＣＴ撮影に関連する情報であるが、必須ではなく、任意の付加的事項である。このような多層化ネットワークとしては、例えば、深層学習（Ｄｅｅｐ Ｌｅａｒｎｉｎｇ）の対象となる多層ニューラルネットワークである深層ニューラルネットワーク（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＤＮＮ）を用いている。ＤＮＮとしては、例えば、畳込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ：ＣＮＮ）を用いてもよい。この種のＣＮＮは、ＤＣＮＮ（Ｄｅｅｐ ＣＮＮ）ともいう。本実施形態では、学習済みモデルとしてＤＣＮＮを用いている。ＣＮＮについては、例えば、「イアン・グッドフェロー（Ｉａｎ Ｇｏｏｄｆｅｌｌｏｗ）、外２名、「第９章 畳み込みネットワーク（Ｃｈａｐｔｅｒ ９ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋｓ）」、ディープラーニング（Ｄｅｅｐ ｌｅａｒｎｉｎｇ）、エムアイティー・プレス（ＭＩＴ ｐｒｅｓｓ）、２０１６年、ｐ．３３０－３７２、インターネット ＜ＵＲＬ：http://www.deeplearningbook.org＞」に記載されている。以上の当該多層化ネットワークに関する説明は、以下の全ての機械学習モデル及び学習済みモデルにも該当する。

条件出力機能２１ｄの実現により処理回路２１は、被写体情報ｄ４に基づいて、被写体の位置合わせに用いるＣＢＣＴ画像の撮影条件ｄ５を出力するための学習済みモデルＭ２に対して、被写体情報ｄ４を入力することで、撮影条件ｄ５を出力する。ここで、処理回路２１は、被写体情報ｄ４に基づいて、評価結果ｄ３が良を示すＣＢＣＴ画像の撮影条件ｄ５を出力する学習済みモデルＭ２に対して、被写体情報ｄ４を入力することで、撮影条件ｄ５を出力してもよい。また、処理回路２１は、被写体情報ｄ４及び計画ＣＴ画像撮影条件ｄ２ａに基づいて、ＣＢＣＴ画像の撮影条件ｄ５を出力する学習済みモデルＭ２に対して、被写体情報ｄ４及び計画ＣＴ画像撮影条件ｄ２ａを入力することで、撮影条件ｄ５を出力してもよい。また、処理回路２１は、被写体情報ｄ４及び計画ＣＴ画像ｄ２に基づいて、ＣＢＣＴ画像の撮影条件ｄ５を出力する学習済みモデルＭ２に対して、被写体情報ｄ４及び計画ＣＴ画像ｄ２を入力することで、撮影条件ｄ５を出力してもよい。条件出力機能２１ｄ及び処理回路２１は、条件出力部の一例である。

表示制御機能２１ｅの実現により処理回路２１は、種々の情報をディスプレイ２５に表示する。例えば、処理回路２１は、前述した撮影関連情報や学習用データなどを表示するようにディスプレイ２５を表示制御する。表示制御機能２１ｅ及び処理回路２１は、表示制御部の一例である。

メモリ２２は、種々の情報を記憶するＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、集積回路記憶装置等の記憶装置である。メモリ２２は、上記記憶装置以外にも、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、フラッシュメモリ等の可搬型記憶媒体や、半導体メモリ素子等との間で種々の情報を読み書きする駆動装置であってもよい。また、メモリ２２は、撮影条件出力装置２にネットワークを介して接続された他のコンピュータ内にあってもよい。また、メモリ２２は、プログラム、被写体情報、治療計画、撮影関連情報、学習用データ、機械学習モデル、学習済みモデル、各種テーブル等のデータを記憶する。

補足すると、メモリ２２は、前述した通り、機械学習モデルＭ１及び学習済みモデルＭ２を記憶する。但し、条件出力機能２１ｄを実現した処理回路２１が学習済みモデルＭ２を用いる場合でも、機械学習モデルＭ１の記憶とその学習機能２１ｃは、必須ではなく省略してもよい。これは、学習済みモデルＭ２を用いる場合、撮影条件出力装置２が機械学習モデルＭ１の学習により学習済みモデルＭ２を生成する必要はなく、外部から取得した学習済みモデルを用いてもよいからである。例えば、メモリ２２は、撮影条件出力装置２の工場出荷前に予め学習済みモデルを記憶してもよく、あるいは撮影条件出力装置２の工場出荷後に、図示しないサーバ装置などから取得した学習済みモデルを記憶してもよい。これらは、放射線治療装置５が撮影条件出力装置２を備えた場合でも同様である。メモリ２２は、記憶部の一例である。

入力インタフェース２３は、オペレータからの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路２１に出力する。具体的には、入力インタフェース２３は、マウス、キーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパッド及びタッチパネルディスプレイ等の入力機器に接続されている。入力インタフェース２３は、当該入力機器への入力操作に応じた電気信号を処理回路２１へ出力する。また、入力インタフェース２３に接続される入力機器は、ネットワーク等を介して接続された他のコンピュータに設けられた入力機器でもよい。

通信インタフェース２４は、放射線治療システム１００に含まれる他の装置との間でデータ通信するためのインタフェースである。例えば、通信インタフェース２４は、治療計画装置４からネットワークを介して、患者情報、治療計画及び計画ＣＴ画像のデータを受信する。また例えば、通信インタフェース２４は、画像保管装置１からネットワークを介して、過去のＣＢＣＴ画像のデータを受信する。

ディスプレイ２５は、処理回路２１の表示制御機能２１ｅに従い種々の情報を表示する。例えば、ディスプレイ２５は、ＣＢＣＴ画像の評価画面を表示する。ディスプレイ２５としては、例えば、液晶ディスプレイ（ＬＣＤ：Liquid Crystal Display）、ＣＲＴ（Cathode Ray Tube）ディスプレイ、有機ＥＬディスプレイ（ＯＥＬＤ：Organic Electro Luminescence Display）、プラズマディスプレイ又は他の任意のディスプレイが適宜使用可能である。ディスプレイ２５は、表示部の一例である。

次に、以上のように構成された撮影条件出力装置２の動作について図９乃至図１１の図面を参照しながら説明する。詳しくは、学習段階の動作について図９のフローチャート及び図１０の模式図を用いて説明し、運用段階の動作について図１１のフローチャートを用いて述べる。

［学習段階の動作］
放射線治療の前のＣＢＣＴ撮影毎に、処理回路２１は、図９に示すように、入力インタフェース２３に対する操作者の操作に応じて、過去のＣＢＣＴ画像を通信インタフェース２４を介して画像保管装置１に保管しておく（ステップＳＴ１０）。このとき、ＣＢＣＴ撮像条件は、例えば、付帯情報としてＣＢＣＴ画像と共に保管される。

ステップＳＴ１０の後、処理回路２１は、入力インタフェース２３に対する操作者の操作に応じて、過去の複数のＣＢＣＴ画像を通信インタフェース２４を介して画像保管装置１から読み出す。なお、各々のＣＢＣＴ撮像条件は、付帯情報として複数のＣＢＣＴ画像と共に読み出される。

しかる後、処理回路２１は、過去の複数のＣＢＣＴ画像の各々を評価し、各々のＣＢＣＴ画像の評価結果を得る（ステップＳＴ２０）。ステップＳＴ２０の評価の際には、例えば図１０に示すように、評価結果ｄ３の入力画面をディスプレイ２５に表示させてもよい。具体的には例えば、過去のＣＢＣＴ画像ｄ１の識別番号ｄ１ａと、識別番号ｄ１ａに応じたＣＢＣＴ画像ｄ１と、識別番号ｄ１ａの減少ボタンｂｔ１及び増加ボタンｂｔ２と、評価結果ｄ３とを含む入力画面を表示させてもよい。このような入力画面の表示中、処理回路２１は、入力インタフェース２３に対する操作者の操作に応じて、各々のＣＢＣＴ画像ｄ１の評価結果ｄ３を入力する。

あるいは、ステップＳＴ２０の評価の際には、処理回路２１は、例えば、計画ＣＴ画像ｄ２の特徴量と、ＣＢＣＴ画像ｄ１の特徴量とを用いた演算処理により評価値を算出し、評価値を複数段階に分類してＣＢＣＴ画像の評価結果を得るようにしてもよい。いずれにしても、各々のＣＢＣＴ画像の評価結果を得ることにより、ステップＳＴ２０を終了する。

ステップＳＴ２０の後、処理回路２１は、入力インタフェース２３に対する操作者の操作に応じて、学習用データｄ１０を作成する（ステップＳＴ３０）。なお、学習用データｄ１０は、図４、図６、図７及び図８に例示したように、被写体情報ｄ４及びＣＢＣＴ撮影条件ｄ５を含んでおり、さらに、評価結果ｄ３、計画ＣＴ画像ｄ２、計画ＣＴ画像の撮影条件ｄ２ａ、などを適宜、含んだものとして作成される。なお、学習用データｄ１０が評価結果ｄ３を含まない場合、前述したステップＳＴ２０は省略可能である。また、ステップＳＴ３０では、同一の患者に対応する被写体情報ｄ４に限らず、多数の患者に対応する多数の被写体情報ｄ４に関して、多数の学習用データｄ１０が作成される。

ステップＳＴ３０の後、処理回路２１は、ステップＳＴ３０で作成した多数の学習用データｄ１０を機械学習モデルＭ１に機械学習させる。機械学習の終了により、処理回路２１は、学習用データｄ１０の入力データに基づいて、学習用データｄ１０の出力データを出力するための学習済みモデルＭ２を生成する（ステップＳＴ４０）。

ステップＳＴ４０の終了により、学習段階の動作が終了する。

［運用段階の動作］
放射線治療の前に、処理回路２１は、入力インタフェース２３に対する操作者の操作に応じて、放射線治療対象患者に関する患者情報と治療計画データとを選択する。患者情報と治療計画データとは、例えば、治療計画装置４内の患者情報と治療計画データから選択して取得することが可能である。しかる後、処理回路２１は、患者情報及び治療計画データに基づき、患者情報及び治療計画データのうち、ＣＢＣＴ撮影条件に影響する被写体情報を入力する（ステップＳＴ５０）。被写体情報は、例えば、被写体の治療部位、固定具情報及び体格情報を含んでいる。これに限らず，被写体情報としては、更に、被写体の治療体位、病歴及び体内組織構造を含んでもよい。

ステップＳＴ５０の後、処理回路２１は、当該被写体情報ｄ４を学習済みモデルＭ２に入力することで、当該被写体情報ｄ４に基づいて、被写体の位置合わせに用いるＣＢＣＴ画像の撮影条件ｄ５を出力する（ステップＳＴ６０）。

ステップＳＴ６０の後、処理回路２１は、出力した撮影条件ｄ５を表示するようにディスプレイ２５を表示制御する。これにより、処理回路２１は、操作者に撮影条件ｄ５の確認を促す（ステップＳＴ７０）。

ステップＳＴ７０の後、処理回路２１は、入力インタフェース２３に対する操作者の操作に応じて、表示中の撮影条件ｄ５を用いてＣＢＣＴ画像を撮影するか否かを判定する（ステップＳＴ８０）。否の場合には（ＳＴ８０：Ｎｏ）、入力インタフェース２３に対する操作者の操作に応じて、表示中の撮影条件ｄ５を修正し、ステップＳＴ９０に移行する。

ステップＳＴ８０又はＳＴ８１の後、処理回路２１は、確認された撮影条件ｄ５を放射線治療装置５に出力する。これにより、撮影条件出力装置２の運用段階の動作が終了する。

以下、放射線治療装置５においては、撮影条件出力装置から受けた撮影条件ｄ５に基づいて、画像撮影装置５１がコーンビームＣＴ画像を撮影する（ステップＳＴ９０）。撮影されたコーンビームＣＴ画像は、治療計画用のＣＴ画像である計画ＣＴ画像と比較される。比較の結果、適宜、画像撮影装置５１と寝台との位置関係が調整され、被写体の位置合わせが行われる。位置合わせの後、放射線治療装置５による放射線治療が被写体に施される。放射線治療が終了した場合には、放射線治療装置５の処理を終了する。

上述したように本実施形態によれば、放射線治療における被写体に関する被写体情報を取得する。また、被写体情報に基づいて、被写体の位置合わせに用いるコーンビームＣＴ画像の撮影条件を出力するための学習済みモデルに対して、当該被写体情報を入力することで、当該撮影条件を出力する。これにより、被写体情報を入力するだけで、学習済モデルから適切な撮影条件が出力される。従って、撮影条件を学習用データに反映でき、適切な撮影条件を操作者が決める手間を減らすことができる。また、高画質且つ低線量の撮影条件を学習させて学習済みモデルを生成することにより、高画質と被ばく線量の低減を両立したコーンビームＣＴ画像の撮影条件を適用させることができる。

また、本実施形態によれば、被写体情報が、被写体の治療部位、固定具情報及び体格情報を含んでいてもよい。この場合、前述した効果に加え、コーンビームＣＴ画像の撮影条件に影響する被写体情報を用いるので、学習済みモデルから出力される撮影条件の適切さを確保することができる。

また、本実施形態によれば、体格情報が、被写体の体重又は体厚を含んでいてもよい。この場合、前述した効果に加え、様々な体格情報の中でもコーンビームＣＴ画像の撮影条件に影響する体格情報を用いるので、学習済みモデルから出力される撮影条件の適切さをより一層、確保することができる。

また、本実施形態によれば、固定具情報が、被写体を寝台に固定する固定具を表す情報であってもよい。当該固定具が、コーンビームＣＴ画像を撮影するためのＸ線のパス上に位置する、ようにしてもよい。この場合、前述した効果に加え、様々な固定具情報の中でもコーンビームＣＴ画像を撮影するためのＸ線のパス上に位置する固定具を表す情報を用いるので、学習済みモデルから出力される撮影条件の適切さをより一層、確保することができる。

また、本実施形態によれば、コーンビームＣＴ画像の良否の評価結果を求めてもよい。また、被写体情報に基づいて、評価結果が良を示すコーンビームＣＴ画像の撮影条件を出力する学習済みモデルに対して、被写体情報を入力することで、撮影条件を出力する、ようにしてもよい。この場合、前述した効果に加え、コーンビームＣＴ画像の評価結果が良を示す撮影条件を出力するので、出力される撮影条件に対する信頼性を向上させることができる。

また、本実施形態によれば、互いに異なる撮影条件をもつ過去の複数のコーンビームＣＴ画像と、被写体の計画ＣＴ画像とを更に取得してもよい。また、当該計画ＣＴ画像を正解データとして、複数のコーンビームＣＴ画像の各々の評価結果を求める、ようにしてもよい。この場合、前述した効果に加え、計画ＣＴ画像を正解データとするので、計画ＣＴ画像のような高画質をもつコーンビームＣＴ画像の撮影条件を出力することが期待できる。

また、本実施形態によれば、被写体の計画ＣＴ画像の撮影条件を示す計画ＣＴ画像撮影条件を更に取得してもよい。また、被写体情報及び計画ＣＴ画像撮影条件に基づいて、コーンビームＣＴ画像の撮影条件を出力する学習済みモデルに対して、被写体情報及び計画ＣＴ画像撮影条件を入力することで、撮影条件を出力する、ようにしてもよい。この場合、前述した効果に加え、学習済みモデルへの入力に計画ＣＴ画像撮影条件が加わるので、学習済みモデルの生成が容易になり、出力される撮影条件が計画ＣＴ画像の如き高画質なコーンビームＣＴ画像に対応することを期待できる。補足すると、入力側の計画ＣＴ画像撮影条件と、出力側のコーンビームＣＴ画像の撮像条件とがある程度関連するので、入力側に計画ＣＴ画像撮影条件が無い場合に比べ、学習済みモデルの生成が容易になると推測される。同様に、入力側の計画ＣＴ画像撮影条件と、出力側のコーンビームＣＴ画像の撮像条件とがある程度関連するので、出力される撮像条件が高画質なコーンビームＣＴ画像に対応すると推測される。

また、本実施形態によれば、被写体の計画ＣＴ画像を更に取得してもよい。また、被写体情報及び計画ＣＴ画像に基づいて、コーンビームＣＴ画像の撮影条件を出力する学習済みモデルに対して、被写体情報及び計画ＣＴ画像を入力することで、撮影条件を出力する、ようにしてもよい。この場合、前述した効果に加え、学習済みモデルへの入力に計画ＣＴ画像が加わるので、学習済みモデルの生成が容易になり、出力される撮影条件が計画ＣＴ画像の如き高画質なコーンビームＣＴ画像に対応することを期待できる。

［第１変形例］
次に、本実施形態の第１変形例について説明する。第１変形例は、コーンビームＣＴ撮影の複数の観点を個別に優先した複数の撮影条件を出力する形態である。

具体的には例えば、図１２に示すように、ＣＢＣＴ画像の撮影条件ｄ５は、高画質を優先した場合の第１撮影条件と、高画質よりも低線量を優先した場合の第２撮影条件とを含む複数の撮影条件ｄ５である。なお、図１２中、「ＣＢＣＴ撮影条件（画質優先）」が第１撮影条件に対応し、「ＣＢＣＴ撮影条件（線量優先）」が第２撮影条件に対応する。これに伴い、条件出力機能２１ｄの実現により処理回路２１は、被写体情報ｄ４に基づいて、当該複数の撮影条件ｄ５を出力するための学習済みモデルＭ２に対して、被写体情報ｄ４を入力することで、複数の撮影条件ｄ５を出力する。また、第２撮影条件は、必ずしも第１撮像条件よりも画質が低い場合に限らず、第１撮像条件と同等の画質であって、第１撮像条件よりも低線量の場合を包含する。他の構成は、本実施形態と同様である。

従って、以上のような第１変形例によれば、前述した効果に加え、高画質を優先した場合の第１撮影条件と、高画質よりも低線量を優先した場合の第２撮影条件とを出力することができる。また、操作者が第１撮影条件又は第２撮影条件を選択することにより、選択した撮影条件に基づいてコーンビームＣＴ撮影を行うことができる。例えば、第１変形例によれば、最適な撮影条件を複数表示し、同程度に高画質な撮影条件のうち、より被ばく線量を抑えられるような撮影条件を操作者が選択することができる。従って、第１の変形例によれば、操作者の選択により、高画質と被ばく線量の低減を両立したコーンビームＣＴ画像の撮影条件を適用することができる。

なお、第１撮影条件を出力する第１の学習済みモデルＭ２と、第２撮影条件を出力する第２の学習済みモデルＭ２とを作成しておき、いずれかの学習済みモデルＭ２を選択することにより、選択した学習済みモデルＭ２からの撮影条件を出力してもよい。

［第２変形例］
次に、本実施形態の第２変形例について説明する。第２変形例は、被写体の体重の変化に追従して、被写体情報を更新する形態である。

具体的には例えば、被写体の重量を測定する重量測定部（体重計）を寝台に備え、処理回路２１は、当該測定された重量に基づいて、被写体情報を更新する。これに伴い、条件出力機能２１ｄの実現により処理回路２１は、学習済みモデルＭ２に対して、当該更新された被写体情報ｄ４を入力することで、更新された撮影条件ｄ５を出力する。他の構成は、本実施形態と同様である。

従って、以上のような第２変形例によれば、前述した効果に加え、３０日位の放射線治療日程の中で被写体の体格が変化したとしても、体格の変化を撮影条件ｄ５に反映できるので、適切な撮影条件を維持することができる。

［第３変形例］
次に、本実施形態の第３変形例について説明する。第３変形例は、図１３に示すように、処理回路２１が機械学習モデルＭ１に強化学習を行う形態である。なお、強化学習においては、エージェントが環境２１ｃ１に行動を行い、その行動に応じて環境２１ｃ１が状態と報酬をエージェントに返す。この繰り返しにより、エージェントが、環境から受ける報酬を最大化するように行動すること（方策）を学習する。このような強化学習については詳細な理論が既知であるため、ここでは第３変形例との対応関係についてのみ述べる。第３変形例では、エージェントが機械学習モデルＭ１に対応し、環境２１ｃ１が学習機能２１ｃの強化学習機能に対応し、行動がＣＢＣＴ撮影条件の出力に対応し、状態が被写体情報ｄ４に対応し、報酬が評価結果ｄ３に対応する。エージェント及び環境２１ｃ１の各々は、処理回路２１が各プログラムを実行することにより実現される。

具体的には例えば、取得機能２１ａの実現により処理回路２１は、放射線治療における被写体に関する被写体情報ｄ４と、被写体の位置合わせに用いるコーンビームＣＴ画像の撮影条件ｄ５と、コーンビームＣＴ画像の良否の評価結果ｄ３とを取得する。

また、学習機能２１ｃの実現により処理回路２１は、被写体情報ｄ４を示す状態に基づいて、撮影条件ｄ５を更新出力する行動に対する報酬としての評価結果ｄ３が良を示すように、当該撮影条件ｄ５を更新出力する強化学習を機械学習モデルＭ１に行う。強化学習においては、機械学習モデルＭ１が環境２１ｃ１にＣＢＣＴ撮影条件ｄ５を出力する行動を行い、その行動に応じて環境２１ｃ１が、被写体情報ｄ４を示す状態と評価結果ｄ３を示す報酬とを機械学習モデルＭ１に返す。この繰り返しにより、機械学習モデルＭ１が、環境２１ｃ１から受ける評価結果ｄ３を最大化（最適化）するように行動すること（方策）を学習する。これにより、処理回路２１は、被写体情報ｄ４に基づいて、評価結果ｄ３が良を示す撮影条件ｄ５を出力するための学習済みモデルＭ２を生成する。すなわち、強化学習が完了した機械学習モデルＭ１を学習済みモデルＭ２とする。学習機能２１ｃ及び処理回路２１は、学習部の一例である。他の構成は、本実施形態と同様である。

以上のような第３変形例によれば、前述した効果に加え、良好な評価結果をもつＣＢＣＴ撮影条件ｄ５を十分な数だけ準備できない場合でも、良好な評価結果と悪い評価結果とを報酬にした強化学習により、学習済みモデルを生成できる。また、良好な評価結果に加え、悪い評価結果を学習用データに用いることができるので、学習用データの数を増やすことができ、もって、機械学習の精度向上を図ることができる。

なお、第３変形例は、コーンビームＣＴ画像を更に状態として用いるように変形してもよい。すなわち、第３変形例の変形例では、状態が被写体情報ｄ４及びコーンビームＣＴ画像ｄ１に対応する。他の対応関係は、第３変形例と同様である。

この場合、取得機能２１ａの実現により処理回路２１は、被写体に関する被写体情報ｄ４と、被写体の位置合わせに用いるコーンビームＣＴ画像ｄ１と、当該コーンビームＣＴ画像の撮影条件ｄ５と、コーンビームＣＴ画像の良否の評価結果ｄ３とを取得する。

また、学習機能２１ｃの実現により処理回路２１は、強化学習を機械学習モデルＭ１に行う。具体的には、処理回路２１は、被写体情報ｄ４及びコーンビームＣＴ画像ｄ１を示す状態に基づいて、撮影条件ｄ５を更新出力する行動に対する報酬としての評価結果ｄ３が良を示すように、撮影条件ｄ５を更新出力する強化学習を機械学習モデルＭ１に行う。強化学習においては、機械学習モデルＭ１が環境２１ｃ１にＣＢＣＴ撮影条件ｄ５を出力する行動を行い、その行動に応じて環境２１ｃ１が、被写体情報ｄ４及びコーンビームＣＴ画像ｄ１を示す状態と評価結果ｄ３を示す報酬とを機械学習モデルＭ１に返す。この繰り返しにより、機械学習モデルＭ１が、環境２１ｃ１から受ける評価結果ｄ３を最大化（最適化）するように行動すること（方策）を学習する。これにより、処理回路２１は、被写体情報ｄ４及び被写体の計画ＣＴ画像ｄ２に基づいて、評価結果ｄ３が良を示す撮影条件ｄ５を出力するための学習済みモデルＭ２を生成する。このとき、処理回路２１は、強化学習が完了した機械学習モデルＭ１を学習済みモデルＭ２とする。なお、学習段階では、過去のコーンビームＣＴ画像ｄ１を機械学習モデルＭ１に入力するが、運用段階では、被写体のコーンビームＣＴ画像がないので、被写体の計画ＣＴ画像を学習済みモデルＭ２に入力する。補足すると、運用段階は、被写体のコーンビームＣＴ画像の撮影前に、コーンビームＣＴ画像撮影条件を出力するための学習済みモデルＭ２を用いる段階なので、被写体のコーンビームＣＴ画像が存在しない。他の構成は、本実施形態と同様である。

以上のような第３変形例の変形例によれば、第３変形例の効果に加え、コーンビームＣＴ画像ｄ１の状態が変化するので、強化学習の効率の向上を図ることができる。

以上説明した少なくとも一つの実施形態によれば、撮影条件を学習用データに反映でき、適切な撮影条件を操作者が決める手間を減らすことができる。

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、或いは、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、プログラマブル論理デバイス等の回路を意味する。プログラマブル論理デバイスとしては、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）、及びフィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ）等の回路が適宜、使用可能となっている。プロセッサはメモリ２２等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、メモリ２２等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。また、プログラムを実行するのではなく、論理回路の組合せにより当該プログラムに対応する機能を実現しても良い。なお、本実施形態の各プロセッサは、プロセッサごとに単一の回路として構成される場合に限らず、複数の独立した回路を組み合わせて１つのプロセッサとして構成し、その機能を実現するようにしてもよい。さらに、図１又は図２における複数の構成要素を１つのプロセッサへ統合してその機能を実現するようにしてもよい。

また、以上のような撮影条件出力装置又は放射線治療装置は、以下の［１］～［４］に示すように、表現してもよい。

［１］被写体情報とコーンビームＣＴ撮影条件の組合せによって学習させた学習済みモデルを生成し、当該学習済みモデルを用いて画像撮影装置の最適な撮影を支援する撮影条件出力装置。

［２］評価を行う観点に従い、コーンビームＣＴ画像の自動判別または手動判別を行う上記［１］記載の装置。

［３］上記学習済みモデルに被写体情報が入力された後、当該学習済みモデルの出力として提示された複数の最適なコーンビームＣＴ撮影条件から、当該画像撮影装置に用いるコーンビームＣＴ撮影条件を操作者が選択できる、上記［１］又は［２］記載の装置。

［４］上記［１］乃至［３］のいずれかに記載の撮影条件出力装置を備えた放射線治療装置。

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。

１ 画像保管装置
２ 撮影条件出力装置
２１ 処理回路
２１ａ 取得機能
２１ｂ 評価機能
２１ｃ 学習機能
２１ｄ 条件出力機能
２１ｅ 表示制御機能
２２ メモリ
２３ 入力インタフェース
２４ 通信インタフェース
２５ ディスプレイ
３ 治療計画用ＣＴ装置
４ 治療計画装置
５ 放射線治療装置
５１ 画像撮影装置
１００ 放射線治療システム

Claims (9)

1. 放射線治療における被写体に関する被写体情報を取得する取得部と、
   前記被写体情報に基づいて、前記被写体の位置合わせに用いるコーンビームＣＴ画像の撮影条件を出力するための学習済みモデルに対して、前記被写体情報を入力することで、前記撮影条件を出力する条件出力部と、
   前記コーンビームＣＴ画像の良否の評価結果を求める評価部と
   を具備し、
   前記条件出力部は、前記被写体情報に基づいて、前記評価結果が良を示すコーンビームＣＴ画像の撮影条件を出力する前記学習済みモデルに対して、前記被写体情報を入力することで、前記撮影条件を出力し、
   前記取得部は、互いに異なる撮影条件をもつ過去の複数のコーンビームＣＴ画像と、前記被写体の計画ＣＴ画像と、を更に取得し、
   前記評価部は、前記計画ＣＴ画像を正解データとして、前記複数のコーンビームＣＴ画像の各々の評価結果を求める、
   撮影条件出力装置。
2. 放射線治療における被写体に関する被写体情報を取得する取得部と、
   前記被写体情報に基づいて、前記被写体の位置合わせに用いるコーンビームＣＴ画像の撮影条件を出力するための学習済みモデルに対して、前記被写体情報を入力することで、前記撮影条件を出力する条件出力部と
   を具備し、
   前記取得部は、前記被写体の計画ＣＴ画像の撮影条件を示す計画ＣＴ画像撮影条件を更に取得し、
   前記条件出力部は、前記被写体情報及び前記計画ＣＴ画像撮影条件に基づいて、前記コーンビームＣＴ画像の撮影条件を出力する前記学習済みモデルに対して、前記被写体情報及び前記計画ＣＴ画像撮影条件を入力することで、前記撮影条件を出力する、
   撮影条件出力装置。
3. 放射線治療における被写体に関する被写体情報を取得する取得部と、
   前記被写体情報に基づいて、前記被写体の位置合わせに用いるコーンビームＣＴ画像の撮影条件を出力するための学習済みモデルに対して、前記被写体情報を入力することで、前記撮影条件を出力する条件出力部と
   を具備し、
   前記取得部は、前記被写体の計画ＣＴ画像を更に取得し、
   前記条件出力部は、前記被写体情報及び前記計画ＣＴ画像に基づいて、前記コーンビームＣＴ画像の撮影条件を出力する前記学習済みモデルに対して、前記被写体情報及び前記計画ＣＴ画像を入力することで、前記撮影条件を出力する、
   撮影条件出力装置。
4. 放射線治療における被写体に関する被写体情報を取得する取得部と、
   前記被写体情報に基づいて、前記被写体の位置合わせに用いるコーンビームＣＴ画像の撮影条件を出力するための学習済みモデルに対して、前記被写体情報を入力することで、前記撮影条件を出力する条件出力部と、
   前記コーンビームＣＴ画像の良否の評価結果を求める評価部と
   を具備し、
   前記条件出力部は、前記被写体情報に基づいて、前記評価結果が良を示すコーンビームＣＴ画像の撮影条件を出力する前記学習済みモデルに対して、前記被写体情報を入力することで、前記撮影条件を出力し、
   前記取得部は、互いに異なる撮影条件をもつ過去の複数のコーンビームＣＴ画像と、前記被写体の計画ＣＴ画像と、を更に取得し、
   前記評価部は、前記計画ＣＴ画像の特徴量と、前記コーンビームＣＴ画像の特徴量とを用いた演算処理により評価値を算出し、前記評価値を複数段階に分類することにより、前記複数のコーンビームＣＴ画像の各々の評価結果を求める、
   撮影条件出力装置。
5. 前記演算処理は、前記計画ＣＴ画像の特徴量と、前記コーンビームＣＴ画像の特徴量との類似度を計算する処理である、請求項４記載の撮影条件出力装置。
6. 前記被写体情報は、前記被写体の治療部位、固定具情報及び体格情報を含んでいる、
   請求項１乃至５のいずれか一項に記載の撮影条件出力装置。
7. 前記体格情報は、前記被写体の体重又は体厚を含んでいる、
   請求項６記載の撮影条件出力装置。
8. 前記固定具情報は、前記被写体を寝台に固定する固定具を表す情報であり、
   前記固定具は、前記コーンビームＣＴ画像を撮影するためのＸ線のパス上に位置する、
   請求項６又は７記載の撮影条件出力装置。
9. 放射線を照射する照射部と、
   放射線治療における被写体に関する被写体情報を取得する取得部と、
   前記被写体情報に基づいて、前記被写体の位置合わせに用いるコーンビームＣＴ画像の撮影条件を出力するための学習済みモデルに対して、前記被写体情報を入力することで、前記撮影条件を出力する条件出力部と、
   前記コーンビームＣＴ画像の良否の評価結果を求める評価部と
   を具備し、
   前記条件出力部は、前記被写体情報に基づいて、前記評価結果が良を示すコーンビームＣＴ画像の撮影条件を出力する前記学習済みモデルに対して、前記被写体情報を入力することで、前記撮影条件を出力し、
   前記取得部は、互いに異なる撮影条件をもつ過去の複数のコーンビームＣＴ画像と、前記被写体の計画ＣＴ画像と、を更に取得し、
   前記評価部は、前記計画ＣＴ画像を正解データとして、前記複数のコーンビームＣＴ画像の各々の評価結果を求める、
   放射線治療装置。