JP7494678B2 - 医用画像処理装置、医用画像処理方法、および、学習モデルの学習方法 - Google Patents

Description

この発明は、医用画像処理装置、医用画像処理方法、および、学習モデルの学習方法に関し、特に、Ｘ線画像から被写体の椎体を検出する医用画像処理装置、医用画像処理方法、および、学習モデルの学習方法に関する。

従来、Ｘ線画像から被写体の椎体を検出する医用画像処理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、機械学習によって学習された学習済み学習モデルによって、椎体が写るＸ線画像から椎体を検出する構成が開示されている。上記特許文献１において椎体の検出に用いられる学習済みモデルは、骨（椎体）の領域と、骨以外（椎体以外）の領域とを判別することにより、椎体の検出を行う。

特開２０１９－２０９０２８号公報

ここで、椎体の画像は、たとえば、骨粗鬆症の診断などに用いられる。骨粗鬆症の診断では、椎体の１つ１つについて、骨密度を測定する。したがって、椎体が写るＸ線画像から、個々の椎体を検出することが望まれる。しかしながら、上記特許文献１において椎体の検出に用いられる学習済みモデルのように、骨（椎体）の領域と、骨以外（椎体以外）の領域とを判別することにより、椎体の検出を行う構成では、複数の椎体の全てを１つの塊として検出するため、検出された画像において、複数の椎体を個々に検出することが困難であるという問題点がある。

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、複数の椎体を個々に判別可能な画像を生成することが可能な医用画像処理装置、医用画像処理方法、および、学習モデルの学習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の局面による医用画像処理装置は、複数の椎体が写るＸ線画像を取得する画像取得部と、Ｘ線画像中の複数の椎体を個別に識別可能な椎体識別画像を生成する画像処理部と、を備え、画像処理部は、複数の椎体が写る教師用Ｘ線画像と、教師用Ｘ線画像の複数の椎体に、互いに異なるラベルが付与されたラベル画像とを教師データとして学習された学習済みモデルを用いて、Ｘ線画像から複数の椎体領域を個別に推定する椎体領域推定部と、椎体領域推定部によって推定された椎体領域に基づいて、椎体識別画像を生成する画像生成部と、を含み、椎体領域推定部は、学習済みモデルを用いてＸ線画像から複数の椎体候補領域を推定し、画像処理部は、学習済みモデルによって出力される複数の椎体候補領域の各々の椎体である可能性を示す推定精度と、複数の椎体候補領域の各々の位置とに基づいて、推定された複数の椎体候補領域のうち、椎体である可能性が高い椎体候補領域を椎体領域として決定する椎体領域決定部を含む。

また、上記目的を達成するために、この発明の第２の局面による医用画像処理方法は、Ｘ線画像から椎体を識別可能な椎体識別画像を生成する医用画像処理方法であって、複数の椎体が写るＸ線画像を取得するステップと、複数の椎体が写る教師用Ｘ線画像と、教師用Ｘ線画像に写る複数の椎体に、互いに異なるラベルが付与されたラベル画像とを教師データとして、教師用Ｘ線画像から複数の椎体領域を個別に推定するように学習された学習済みモデルを用いて、Ｘ線画像から複数の椎体領域を個別に推定するステップと、推定された複数の椎体領域に基づいて、複数の椎体を個別に識別可能な椎体識別画像を生成するステップと、を含み、複数の椎体領域を個別に推定するステップにおいて、学習済みモデルを用いてＸ線画像から複数の椎体候補領域を推定し、椎体識別画像を生成するステップにおいて、学習済みモデルによって出力される複数の椎体候補領域の各々の椎体である可能性を示す推定精度と、複数の椎体候補領域の各々の位置とに基づいて、推定された複数の椎体候補領域のうち、椎体である可能性が高い椎体候補領域を椎体領域として決定する。

上記第１の局面におけるＸ線画像撮影装置では、上記のように、複数の椎体が写る教師用Ｘ線画像と、教師用Ｘ線画像の複数の椎体に、互いに異なるラベルが付与されたラベル画像とを教師データとして学習された学習済みモデルを用いて、Ｘ線画像から複数の椎体領域を個別に推定する椎体領域推定部と、椎体領域推定部によって推定された椎体領域に基づいて、椎体識別画像を生成する画像生成部とを含む画像処理部を備える。また、椎体領域推定部は、学習済みモデルを用いてＸ線画像から複数の椎体候補領域を推定し、画像処理部は、学習済みモデルによって出力される複数の椎体候補領域の各々の椎体である可能性を示す推定精度と、複数の椎体候補領域の各々の位置とに基づいて、推定された複数の椎体候補領域のうち、椎体である可能性が高い椎体候補領域を椎体領域として決定する椎体領域決定部を含む。これにより、互いに異なるラベルが付与されたラベル画像を用いて学習された学習済みモデルを用いて個別に推定された椎体領域に基づいて椎体識別画像が生成されるので、椎体識別画像によって、複数の椎体を個別に識別することができる。その結果、複数の椎体を個々に判別可能な画像を生成することが可能な医用画像処理装置を提供することができる。

また、上記第２の局面における医用画像処理方法では、上記のように、複数の椎体が写る教師用Ｘ線画像と、教師用Ｘ線画像に写る複数の椎体に、互いに異なるラベルが付与されたラベル画像とを教師データとして、教師用Ｘ線画像から複数の椎体領域を個別に推定するように学習された学習済みモデルを用いて、Ｘ線画像から複数の椎体領域を個別に推定するステップと、推定された複数の椎体領域に基づいて、複数の椎体を個別に識別可能な椎体識別画像を生成するステップと、を含み、複数の椎体領域を個別に推定するステップにおいて、学習済みモデルによって出力される複数の椎体候補領域の各々の椎体である可能性を示す推定精度と、複数の椎体候補領域の各々の位置とに基づいて、学習済みモデルを用いてＸ線画像から複数の椎体候補領域を推定し、椎体識別画像を生成するステップにおいて、推定された複数の椎体候補領域のうち、椎体である可能性が高い椎体候補領域を椎体領域として決定する。これにより、上記第１の局面による医用画像処理装置と同様に、複数の椎体を個々に判別可能な画像を生成することが可能な医用画像処理方法を提供することができる。

一実施形態による医用画像処理装置の全体構成を示した模式図である。 Ｘ線画像撮影装置の構成を説明するための模式図である。 一実施形態による学習モデルの学習方法と、学習済みの学習モデルを用いて椎体領域を推定し、椎体識別画像を生成する方法とを説明するための模式図である。 複数の椎体が写るＸ線画像を説明するための模式図である。 一実施形態による学習済みモデルを生成する際に、教師用データとして用いるラベル画像を説明するための模式図である。 一実施形態による椎体領域推定部が、学習済みモデルを用いて推定した椎体候補領域が写る椎体推定画像を説明するための模式図である。 一実施形態による椎体領域決定部が、最も推定精度が高いものを椎体領域として決定する構成を説明するための模式図である。 一実施形態における椎体領域決定部が、決定済みの椎体領域と、椎体候補領域との相対位置に基づいて、椎体領域を決定する構成を説明するための模式図である。 一実施形態による椎体領域決定部が、椎体候補領域と決定済みの椎体領域との重なり度合いに基づいて、椎体領域であるか否かの判定を行う構成を説明するための模式図である。 一実施形態による椎体領域決定部が、椎体候補領域と決定済みの椎体領域との水平方向の位置に基づいて、椎体領域であるか否かの判定を行う構成を説明するための模式図である。 一実施形態における椎体領域決定部が決定した椎体領域を説明するための模式図である。 一実施形態による境界線取得部が、椎間候補点を取得する構成を説明するための模式図である。 一実施形態による境界線取得部が、椎間候補点を取得する構成を説明するためのグラフである。 一実施形態による境界線取得部が、境界線を取得する構成を説明するための模式図である。 一実施形態による境界線取得部が、椎体領域が重なっている場合に、椎間候補点を取得する構成を説明するための模式図である。 一実施形態による境界線取得部が、椎体領域が重なっている場合に、椎間候補点を取得する構成を説明するためのグラフである。 一実施形態による画像生成部が生成する椎体と境界線とが写る椎体識別画像を説明するための模式図である。 一実施形態による学習モデルを学習させる処理を説明するためのフローチャートである。 一実施形態による画像処理部が椎体識別画像を生成する処理を説明するためのフローチャートである。 一実施形態による椎体領域決定部が椎体領域を決定する処理を説明するためのフローチャートである。 一実施形態による境界線取得部が境界線を取得する処理を説明するためのフローチャートである。

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。

図１および図２を参照して、一実施形態による医用画像処理装置１００の構成について説明する。なお、医用画像処理装置１００は、被検者８０（図２参照）の骨粗鬆症の診断に用いることが可能な撮影装置である。

（医用画像処理装置の構成）
医用画像処理装置１００は、図１に示すように、画像取得部１と、画像処理部２と、記憶部３とを備える。

画像取得部１は、複数の椎体４０（図４参照）が写るＸ線画像１０を取得するように構成されている。本実施形態では、画像取得部１は、たとえば、Ｘ線画像撮像装置２００からＸ線画像１０を取得するように構成されている。画像取得部１は、たとえば、入出力インターフェースを含む。

画像処理部２は、Ｘ線画像１０中の複数の椎体４０を個別に識別可能な椎体識別画像１１を生成するように構成されている。画像処理部２は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、および、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）などを含んで構成されたコンピュータである。また、ハードウェアとしてのＣＰＵなどからなる画像処理部２は、ソフトウェア（プログラム）の機能ブロックとして、椎体領域推定部２０と、画像生成部２１と、椎体領域決定部２２と、境界線取得部２３とを含む。画像処理部２は、記憶部３に記憶されたプログラムを実行することにより、椎体領域推定部２０、画像生成部２１、椎体領域決定部２２、および、境界線取得部２３として機能する。画像処理部２の各機能ブロックの詳細については、後述する。

記憶部３は、複数の椎体４０が写る教師用Ｘ線画像１２（図３参照）と、教師用Ｘ線画像１２の複数の椎体４０に、互いに異なるラベルが付与されたラベル画像１３（図３参照）とを教師データとして学習された学習済みモデル３１を記憶するように構成されている。また、記憶部３は、画像処理部２が実行するプログラムが記憶されている。記憶部３は、たとえば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、または、不揮発性のメモリなどを含む。

（Ｘ線画像撮影装置の構成）
図２に示すように、Ｘ線画像撮像装置２００は、Ｘ線源５０と、Ｘ線検出部５１と、撮像装置制御部５２と、撮像装置画像処理部５３と、を備える。撮像装置制御部５２は、Ｘ線源５０、および、撮像装置画像処理部５３と、電気的に接続されている。また、Ｘ線検出部５１は、撮像装置画像処理部５３と電気的に接続している。Ｘ線画像撮像装置２００は、被検者８０を撮像することにより、複数の椎体４０が写るＸ線画像１０を生成する。また、Ｘ線画像撮像装置２００は、生成したＸ線画像１０を医用画像処理装置１００へと送る。なお、図２に示す例では、電気的な接続を破線で図示し、情報の入出力を実線の矢印で図示している。

Ｘ線源５０は、高電圧が印加されることにより、Ｘ線を発生させる。Ｘ線源５０で発生されたＸ線は、Ｘ線検出部５１が配置された方向に照射されるように構成されている。

Ｘ線検出部５１は、Ｘ線源５０から照射されたＸ線を検出するとともに、検出されたＸ線を電気信号に変換する。Ｘ線検出部５１は、たとえば、ＦＰＤ（Ｆｌａｔ Ｐａｎｅｌ Ｄｅｔｅｃｔｏｒ）である。Ｘ線検出部５１の検出信号（画像信号）は、撮像装置画像処理部５３へと送られる。

撮像装置制御部５２は、Ｘ線画像撮像装置２００を制御するように構成されている。撮像装置制御部５２は、たとえば、ＣＰＵ、ＲＯＭおよびＲＡＭなどを含む。

撮像装置画像処理部５３は、Ｘ線検出部５１から送られた検出信号に基づいて、Ｘ線画像１０を生成するように構成されている。撮像装置画像処理部５３は、たとえば、ＧＰＵ、または、画像処理用に構成されたＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）などのプロセッサを含む。

撮像装置画像処理部５３において生成されたＸ線画像１０は、医用画像処理装置１００へと送られる。

（画像処理方法）
次に、図３～１５を参照して、本実施形態による画像処理方法によって、椎体識別画像１１を生成するについて説明する。

図３は、本実施形態による画像処理の流れを示したブロック図である。図３に示すように、本実施形態では、画像処理方法は、大きく分けて、学習モデル３０の学習方法１０１と、医用画像処理方法２０１と、を含む。

（学習モデル生成）
本実施形態による学習モデル３０の学習方法１０１は、教師用Ｘ線画像１２から椎体４０を推定することを学習させる学習方法である。本実施形態による学習モデル３０の学習方法１０１は、教師用Ｘ線画像１２を取得するステップ１１０と、ラベル画像１３を取得するステップ１１１と、教師用Ｘ線画像１２とラベル画像１３とを教師データとして教師用Ｘ線画像１２から複数の椎体領域４１（図１１参照）を個別に推定するように、学習モデル３０を学習させるステップ１１２と、を含む。学習モデル３０は、たとえば、図３に示す畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ＣＮＮ）であるか、畳み込みニューラルネットワークを一部に含む。学習モデル３０の学習方法１０１の各ステップの詳細な処理については、後述する。なお、教師用Ｘ線画像１２は、特許請求の範囲の「Ｘ線画像」の一例である。

また、本実施形態による医用画像処理方法２０１は、Ｘ線画像１０から椎体４０（図４参照）を識別可能な椎体識別画像１１を生成する医用画像処理方法である。本実施形態による医用画像処理方法２０１は、Ｘ線画像１０を取得するステップ２１０と、教師用Ｘ線画像１２とラベル画像１３とを教師データとして、教師用Ｘ線画像１２から複数の椎体領域４１を個別に推定するように学習された学習済みモデル３１を用いて、Ｘ線画像１０から複数の椎体領域４１（図１１参照）を個別に推定するステップ２１１と、推定された複数の椎体領域４１に基づいて、複数の椎体４０を個別に識別可能な椎体識別画像１１を生成するステップ２１４と、を含む。学習済みモデル３１は、椎体候補領域４２が写る椎体推定画像１４と、椎体候補領域４２の各々の椎体４０である可能性を示す推定精度３２とを出力するように構成されている。画像生成部２１は、学習済みモデル３１によって出力された椎体推定画像１４と推定精度３２とに基づいて、椎体識別画像１１を生成する。医用画像処理方法２０１の各ステップの詳細な処理については、後述する。

本実施形態では、図３に示すように、椎体領域推定部２０は、複数の椎体４０が写る教師用Ｘ線画像１２と、教師用Ｘ線画像１２の複数の椎体４０に、互いに異なるラベルが付与されたラベル画像１３とを教師データとして学習された学習済みモデル３１を用いて、Ｘ線画像１０から複数の椎体領域４１を個別に推定するように構成されている。本実施形態では、椎体領域推定部２０が、Ｘ線画像１０から、椎体４０を個別に推定することにより、椎体候補領域４２を取得する。次に、椎体領域決定部２２は、椎体領域推定部２０が取得した椎体候補領域４２に基づいて、椎体領域４１を決定する。次に、境界線取得部２３は、椎体領域決定部２２が決定した椎体領域４１の境界線４３を取得する。そして、画像生成部２１は、椎体領域決定部２２が決定した椎体領域４１と、境界線取得部２３が取得した境界線４３とに基づいて、椎体識別画像１１を生成する。椎体領域推定部２０、画像生成部２１、椎体領域決定部２２、および、境界線取得部２３の構成の詳細については、後述する。

（Ｘ線画像およびラベル画像）
図４に示すように、Ｘ線画像１０には、複数の椎体４０が写る。図４に示すＸ線画像１０は、被検者８０の腰部を正面から撮像して得られる画像であり、椎体４０として、腰椎が写る。図４に示す例では、Ｘ線画像１０には、第１椎体４０ａ、第２椎体４０ｂ、第３椎体４０ｃ、第４椎体４０ｄ、第５椎体４０ｅ、および、第６椎体４０ｆが写る。本実施形態では、教師用Ｘ線画像１２（図３参照）においても、Ｘ線画像１０と同様に、複数の椎体４０が写る。

図５に示すように、ラベル画像１３は、複数の椎体４０に、互いに異なるラベルが付与されることにより生成される。図５に示す例では、ラベルの違いを、異なるハッチングを付すことにより表している。ラベル画像１３は、技師などが、各椎体４０に個別にラベルを付すことにより生成される。

（椎体識別画像の生成）
次に、図６～図１７を参照して、本実施形態による画像処理部２が、椎体識別画像１１（図１参照）を生成する構成について説明する。

（椎体領域の決定）
まず、図６～図１１を参照して、椎体領域推定部２０および椎体領域決定部２２が椎体領域４１（図１１参照）を決定する構成について説明する。

本実施形態では、椎体領域推定部２０は、学習済みモデル３１を用いてＸ線画像１０からラベルの個数以上の複数の椎体候補領域４２（図３参照）を推定する。具体的には、本実施形態では、ラベル画像１３（図５参照）において、６個のラベルを用いているので、椎体領域推定部２０は、６個以上の椎体候補領域４２を推定する。

図６は、椎体領域推定部２０が、９個の椎体候補領域４２を推定した例を示している。なお、本実施形態では、椎体領域推定部２０は、推定した１つの椎体候補領域４２が写る椎体推定画像１４を生成する。具体的には、椎体領域推定部２０は、第１椎体推定画像１４ａ、第２椎体推定画像１４ｂ、第３椎体推定画像１４ｃ、第４椎体推定画像１４ｄ、第５椎体推定画像１４ｅ、第６椎体推定画像１４ｆ、第７椎体推定画像１４ｇ、第８椎体推定画像１４ｈ、および、第９椎体推定画像１４ｉを生成する。

第１椎体推定画像１４ａには、第１椎体候補領域４２ａが写る。第２椎体推定画像１４ｂには、第２椎体候補領域４２ｂが写る。第３椎体推定画像１４ｃには、第３椎体候補領域４２ｃが写る。第４椎体推定画像１４ｄには、第４椎体候補領域４２ｄが写る。第５椎体推定画像１４ｅには、第５椎体候補領域４２ｅが写る。第６椎体推定画像１４ｆには、第６椎体候補領域４２ｆが写る。第７椎体推定画像１４ｇには、第７椎体候補領域４２ｇが写る。第８椎体推定画像１４ｈには、第８椎体候補領域４２ｈが写る。第９椎体推定画像１４ｉには、第９椎体候補領域４２ｉが写る。

また、図６に示すように、学習済みモデル３１は、複数の椎体候補領域４２の各々の椎体４０である可能性を示す推定精度３２を出力する。図６に示す例では、第１椎体領域４１ａの推定精度３２が最も高く、第２椎体領域４１ｂ～第９椎体候補領域４２ｉの順番に推定精度３２が低くなっている。

椎体領域決定部２２は、推定された複数の椎体候補領域４２（図３参照）のうち、椎体４０である可能性が高い椎体候補領域４２を椎体領域４１として決定するように構成されている。具体的には、椎体領域決定部２２は、学習済みモデル３１によって出力される複数の椎体候補領域４２の各々の椎体４０である可能性を示す推定精度３２と、複数の椎体候補領域４２の各々の位置とに基づいて、椎体領域４１を決定するように構成されている。

図７に示すように、本実施形態では、椎体領域決定部２２は、複数の椎体候補領域４２のうち、推定精度３２が最も高い椎体候補領域４２を椎体領域４１に決定する。図７に示す例では、第１椎体候補領域４２ａ～第９椎体候補領域４２ｉのうち、第１椎体候補領域４２ａが最も推定精度３２が高くなっている。したがって、椎体領域決定部２２は、第１椎体候補領域４２ａを、第１椎体領域４１ａとして決定する。なお、本実施形態では、図７に示すように、椎体領域決定部２２は、第１椎体領域４１ａが写る椎体領域画像１５を生成する。

本実施形態では、椎体領域決定部２２は、決定済みの椎体領域４１と、複数の椎体候補領域４２のうち、椎体領域４１であるか否かの判定を行う椎体候補領域４２との相対位置に基づき、椎体領域４１を決定するように構成されている。

具体的には、図８に示すように、椎体領域決定部２２は、決定済みの椎体領域４１が写る椎体領域画像１５において、次に椎体領域４１であるか否かの判定を行う椎体候補領域４２を位置合わせした状態において、椎体候補領域４２が椎体領域４１であるか否かの判定を行う。図８に示す椎体領域画像１５では、第１椎体領域４１ａと第２椎体候補領域４２ｂとを図示している。

本実施形態では、図８に示すように、椎体領域決定部２２は、複数の椎体候補領域４２のうち、いずれか２つの椎体候補領域４２の上下方向における重なり度合いに基づいて、椎体領域４１であるか否かを判定するように構成されている。具体的には、椎体領域決定部２２は、重なり度合いが閾値以下であるか否かを判定することにより、椎体候補領域４２が椎体領域４１であるか否かの判定を行う。図８に示す例では、第１椎体領域４１ａ（第１椎体候補領域４２ａ）と、第２椎体候補領域４２ｂとが重なっていない。すなわち、第１椎体領域４１ａと第２椎体候補領域４２ｂとの重なり度合いが閾値以下であるため、椎体領域決定部２２は、第２椎体候補領域４２ｂを第２椎体領域４１ｂとして決定する。なお、椎体領域４１と椎体候補領域４２とが重なるとは、椎体領域４１と、椎体候補領域４２とが、画像中における共通の画素を含む状態を意味する。

本実施形態では、椎体領域決定部２２は、統計値を取得することにより重なり度合いを取得する。統計値としては、たとえば、ＩｏＵ（Ｉｎｔｅｒｓｅｃｔｉｏｎ ｏｖｅｒ Ｕｎｉｏｎ）、または、Ｓｉｍｐｓｏｎ係数などを用いる。

図９に示す例は、第１椎体領域４１ａと第２椎体領域４１ｂとが決定された後、第８椎体候補領域４２ｈが椎体領域４１であるか否かの判定を行う場合の椎体領域画像１５である。

図９に示すように、第８椎体候補領域４２ｈは、第１椎体領域４１ａおよび第２椎体領域４１ｂに対して、重なった位置に推定された椎体候補領域４２である。図９に示す例では、第８椎体候補領域４２ｈは、第１椎体領域４１ａと重なる領域９０、および、第２椎体領域４１ｂと重なる領域９１を含む。第８椎体候補領域４２ｈと第１椎体領域４１ａとが重なる領域９０の重なり度合い、および、第８椎体候補領域４２ｈと第２椎体領域４１ｂとが重なる領域９１の重なり度合いの両方が、閾値よりも大きくなる場合を示している。このような場合には椎体領域決定部２２は、椎体候補領域４２（第８椎体候補領域４２ｈ）を、椎体領域４１ではないと判定し、椎体候補領域４２から除外する。

図１０に示す例は、第１椎体領域４１ａが決定された後、第７椎体候補領域４２ｇが椎体領域４１であるか否かの判定を行う場合の椎体領域画像１５である。第７椎体候補領域４２ｇは、第１椎体領域４１ａと重なっていないため、重なり度合いは閾値以下である。しかしながら、第７椎体候補領域４２ｇは、椎体領域画像１５の上下方向において、第１椎体領域４１ａとオーバーラップしていない。すなわち、第７椎体候補領域４２ｇは、人体の構造にそぐわない位置にあると考えられる。このような椎体候補領域４２（第７椎体候補領域４２ｇ）を椎体領域４１として決定した場合、人体の構造にそぐわない椎体４０が写る椎体識別画像１１が生成される。なお、上下方向においてオーバーラップするとは、椎体領域４１と椎体候補領域４２とが、椎体領域画像１５の横方向において共通の位置座標を含むことを意味する。

そこで、本実施形態では、椎体領域決定部２２は、椎体候補領域４２のうち、重なり度合いが閾値以下の場合で、かつ、決定済みの椎体領域４１に対するＸ線画像１０の水平方向の位置が所定の範囲６０内である場合に、椎体領域４１であると決定するように構成されている。所定の範囲６０は、椎体領域画像１５の横方向における所定の長さ（閾値）にマージンを持たせた幅に設定される。所定の範囲６０は、各椎体領域４１を並べた際に、人体の構造に適する並びとなる範囲に設定される。なお、所定の長さ（閾値）は、一般的な椎体４０の長さに基づいて設定される。

また、本実施形態では、椎体領域決定部２２は、推定精度３２が高い椎体候補領域４２から順番に、複数の椎体候補領域４２の各々について、椎体領域４１であるか否かの判定を繰り返し行うように構成されている。すなわち、本実施形態では、椎体領域決定部２２は、第１椎体候補領域４２ａ～第９椎体候補領域４２ｉについて椎体領域４１であるか否かの判定を、１つずつ推定精度３２が高い順に行い、図１１に示すような椎体領域画像１５を生成する。

図１１に示す椎体領域画像１５には、第１椎体候補領域４２ａ～第９椎体候補領域４２ｉのうち、椎体領域４１であると決定された第１椎体領域４１ａ、第２椎体領域４１ｂ、第３椎体領域４１ｃ、第４椎体領域４１ｄ、第５椎体領域４１ｅ、および、第６椎体領域４１ｆが写る。図１１に示す椎体領域画像１５では、各椎体領域４１が個別に写る。しかしながら、図１１に示す第５椎体領域４１ｅおよび第６椎体領域４１ｆのように、上下方向における椎体領域４１間の距離が小さい場合、医師などが一見して椎体領域４１の境界を把握しづらい場合がある。また、隣り合う椎体領域４１の間には通常、椎間板の領域が存在するが、個人差、被検者８０の姿勢、被検者８０に対するＸ線画像１０の撮影角度などによっては、隣り合う椎体領域４１が部分的に重なって写るようなケースも発生し得る。

そこで、本実施形態では、境界線取得部２３は、椎体領域４１間の境界線４３（図１４）を取得するように構成されている。

（境界線の取得）
図１２に示すように、境界線取得部２３は、Ｘ線画像１０の上下方向において隣り合う２つの椎体領域４１のうち、上側の椎体領域４１（第１椎体領域４１ａ）と下側の椎体領域４１（第２椎体領域４１ｂ）とが、上下方向においてオーバーラップする領域である椎体重複領域６１に基づいて、境界線４３を取得するように構成されている。具体的には、境界線取得部２３は、上側の椎体領域４１（第１椎体領域４１ａ）の下端部４４ａと下側の椎体領域４１（第２椎体領域４１ｂ）の上端部４４ｂとを取得し、下端部４４ａと上端部４４ｂとの間に椎間候補点４５を取得することにより、境界線４３を取得するように構成されている。

図１３は、椎体重複領域６１のうち、所定の位置６１ａの上下方向における画素値の変化を示したグラフ７０である。グラフ７０は、横軸が画素値であり、縦軸が画素の位置である。

グラフ７０は、椎体領域画像１５を二値化することにより得られた二値化画像（図示せず）のうち、所定の位置６１ａの上下方向における画素値の変化を示すものである。椎体領域画像１５の二値化は、学習済みモデル３１によって出力される椎体領域画像１５における椎体領域４１らしさを表す数値に基づいて行う。具体的には、椎体領域４１らしさの数値が、閾値以上であるか否かによって、椎体領域画像１５の二値化が行われる。椎体領域４１らしさの数値が閾値以上の領域の画素値を１とし、椎体領域４１らしさの数値が閾値よりも小さい領域の画素値を０（ゼロ）とする。すなわち、グラフ７０において、画素値が０（ゼロ）の位置は、椎体領域４１以外の部分であり、画素値が１となる位置は、椎体領域４１の部分である。図１２に示す椎体領域画像１５のように、上側の椎体領域４１と下側の椎体領域４１とが重なっていない場合には、境界線取得部２３は、グラフ７０の画素値が１から０に変化する位置のうち、上側の位置を、上側の椎体領域４１（第１椎体領域４１ａ）の下端部４４ａとして取得する。また、境界線取得部２３は、図１３に示すように、グラフ７０の画素値が０から１に変化する位置のうち、下側の位置を、下側の椎体領域４１（第２椎体領域４１ｂ）の上端部４４ｂとして取得する。

境界線取得部２３は、図１４に示すように、椎体重複領域６１内の水平方向において複数の椎間候補点４５を取得し、取得した複数の椎間候補点４５をつないだ線、または、取得した複数の椎間候補点４５の近似線を境界線４３をとして取得するように構成されている。なお、図１４に示す例は、境界線取得部２３は、取得した複数の椎間候補点４５の近似線を境界線４３をとして取得している。図１４に示す例では、境界線取得部２３は、直線近似を行うことにより、境界線４３を取得している。また、図１４に示す例では、境界線取得部２３は、複数の椎間候補点４５として、４つの椎間候補点４５を取得しているが、椎間候補点４５の数は４つ以外の個数でもよい。たとえば、椎体重複領域６１の大きさが大きい場合には、たとえば、境界線取得部２３は、２０個の椎間候補点４５を取得してもよい。

また、境界線取得部２３は、図１５に示すように、第１椎体領域４１ａおよび第２椎体領域４１ｂが上下方向において重なっている場合においても、第１椎体領域４１ａおよび第２椎体領域４１ｂの間の境界線４３を取得する。

上下方向において重なっている第１椎体領域４１ａおよび第２椎体領域４１ｂの間の境界線４３を取得する場合、境界線取得部２３は、上側の第１椎体領域４１ａの下端部４４ａと、下側の第２椎体領域４１ｂの上端部４４ｂとを、個別に取得し、個別に取得した上側の第１椎体領域４１ａの下端部４４ａと、下側の第２椎体領域４１ｂの上端部４４ｂとの間に、椎間候補点４５を設定する。

図１６に示すグラフ７１は、上下方向において重なっている第１椎体領域４１ａおよび第２椎体領域４１ｂの椎体重複領域６１のうち、所定の位置６１ｂの上下方向における第１椎体領域４１ａの画素値の変化を示したグラフである。また、グラフ７２は、上下方向において重なっている第１椎体領域４１ａおよび第２椎体領域４１ｂの椎体重複領域６１のうち、所定の位置６１ｂの上下方向における第２椎体領域４１ｂの画素値の変化を示したグラフである。グラフ７１およびグラフ７２は、横軸が画素値であり、縦軸が画素の位置である。なお、図１６に示す例では、グラフ７２の線の太さを、グラフ７１の線の太さよりも太くすることにより、グラフ７１とグラフ７２とを識別可能に表示している。

境界線取得部２３は、グラフ７１およびグラフ７２を個別に取得した後、図１６に示すように、グラフ７１およびグラフ７２を重ねて表示することにより、椎体重複領域６１のうち、所定の位置６１ｂの上下方向における第１椎体領域４１ａの下端部４４ａの位置と、第２椎体領域４１ｂの上端部４４ｂの位置とを取得する。したがって、境界線取得部２３は、第１椎体領域４１ａの下端部４４ａと第２椎体領域４１ｂの上端部４４ｂとの中間点を椎間候補点４５として取得する。

本実施形態では、画像生成部２１は、椎体領域推定部２０によって推定された椎体領域４１に基づいて、椎体識別画像１１を生成するように構成されている。具体的には、図１７に示すように、画像生成部２１は、決定された椎体領域４１と、境界線取得部２３によって取得された境界線４３とが写る画像を、椎体識別画像１１として生成するように構成されている。

次に、図１８を参照して、本実施形態による学習モデル３０の学習方法１０１について説明する。学習モデル３０の学習方法１０１は、教師用Ｘ線画像１２を取得するステップ１１０と、ラベル画像１３を取得するステップ１１１と、学習モデル３０を学習させるステップ１１２とを含む。

ステップ１１０では、複数の椎体４０が写るＸ線画像１０を教師用Ｘ線画像１２として取得する。

ステップ１１１では、Ｘ線画像１０（教師用Ｘ線画像１２）中の複数の椎体４０に、互いに異なるラベルが付与されたラベル画像１３を取得する。

ステップ１１２では、Ｘ線画像１０（教師用Ｘ線画像１２）とラベル画像１３とを教師データとしてＸ線画像１０から複数の椎体領域４１を個別に推定するように、学習モデル３０を学習させる。

ステップ１１０～ステップ１１２の処理を繰り返し行うことにより、学習モデル３０を学習させ、学習済みモデル３１を生成する。

次に、図１９を参照して、本実施形態による医用画像処理方法２０１について説明する。図１９に示すように、医用画像処理方法２０１は、Ｘ線画像１０を取得するステップ２１０と、学習済みモデル３１を用いて、Ｘ線画像１０から複数の椎体領域４１を個別に推定するステップ２１１と、椎体領域４１を決定するステップ２１２と、境界線４３を取得するステップ２１３と、椎体識別画像１１を生成するステップ２１４と、を含む。

ステップ２１０において、画像取得部１は、複数の椎体４０が写るＸ線画像１０を取得する。

ステップ２１１において、椎体領域推定部２０（画像処理部２）は、学習済みモデル３１を用いて、Ｘ線画像１０から複数の椎体領域４１を個別に推定する。学習済みモデル３１は、複数の椎体４０が写る教師用Ｘ線画像１２と、教師用Ｘ線画像１２に写る複数の椎体４０に、互いに異なるラベルが付与されたラベル画像１３とを教師データとして、教師用Ｘ線画像１２から複数の椎体領域４１を個別に推定するように学習されることにより取得される。

ステップ２１２において、椎体領域決定部２２（画像処理部２）は、複数の椎体候補領域４２から椎体領域４１を決定する。

ステップ２１３において、境界線取得部２３（画像処理部２）は、椎体領域４１間の境界線４３を取得する。

ステップ２１４において、画像生成部２１（画像処理部２）は、推定された複数の椎体領域４１に基づいて、複数の椎体４０を個別に識別可能な椎体識別画像１１を生成する。なお、ステップ２１４の処理では、画像生成部２１は、決定された椎体領域４１と、境界線取得部２３によって取得された境界線４３とが写る画像を、椎体識別画像１１として生成する。

本実施形態における医用画像処理方法２０１は、ステップ２１０～ステップ２１４の処理を行うことにより、椎体識別画像１１を生成する。

次に、図２０を参照して、椎体領域決定部２２（画像処理部２）が椎体領域４１を決定する処理について説明する。

ステップ２１２ａにおいて、椎体領域決定部２２（画像処理部２）は、椎体領域推定部２０によって推定された複数の椎体候補領域４２を取得する。

ステップ２１２ｂにおいて、椎体領域決定部２２（画像処理部２）は、推定精度３２が高い椎体候補領域４２を椎体領域４１に決定する。

ステップ２１２ｃにおいて、椎体領域決定部２２（画像処理部２）は、椎体候補領域４２を選択する。具体的には、椎体領域決定部２２（画像処理部２）は、椎体候補領域４２のうち、推定精度３２が最も高いものを選択する。

ステップ２１２ｄにおいて、椎体領域決定部２２（画像処理部２）は、選択された椎体候補領域４２を椎体領域４１に当てはめる。具体的には、椎体領域決定部２２は、椎体領域画像１５に対して、椎体領域４１であるか否かの判定を行う椎体候補領域４２を位置合わせすることにより、椎体候補領域４２を椎体領域４１に当てはめる。

ステップ２１２ｅにおいて、椎体領域決定部２２（画像処理部２）は、椎体領域４１と椎体候補領域４２との重なり度合いを取得する。

ステップ２１２ｆにおいて、椎体領域決定部２２（画像処理部２）は、取得した重なり度合いが、閾値以下であるか否かの判定を行う。重なり度合いが閾値以下の場合、処理は、ステップ２１２ｇへ進む。重なり度合いが閾値よりも大きい場合、処理は、ステップ２１２ｉへ進む。

ステップ２１２ｇにおいて、椎体領域決定部２２（画像処理部２）は、椎体候補領域４２の水平方向の位置が、所定の範囲６０内か否かを判定する。椎体候補領域４２の水平方向の位置が、所定の範囲６０内の場合、処理は、ステップ２１２ｈへ進む。椎体候補領域４２の水平方向の位置が、所定の範囲６０内でない場合、処理は、ステップ２１２ｉへ進む。

ステップ２１２ｈにおいて、椎体領域決定部２２（画像処理部２）は、椎体候補領域４２を椎体領域４１に決定する。

ステップ２１２ｉにおいて、椎体領域決定部２２（画像処理部２）は、全ての椎体候補領域４２について、椎体領域４１であるか否かの判定を行ったか否かを判定する。全ての椎体候補領域４２について、椎体領域４１であるか否かの判定を行っていた場合、処理は、終了する。椎体領域４１であるか否かの判定を行ってない場合、処理は、ステップ２１２ｃへ進む。

次に、図２１を参照して、境界線取得部２３（画像処理部２）が境界線４３を取得する処理について説明する。

ステップ２１３ａにおいて、境界線取得部２３（画像処理部２）は、椎体重複領域６１を取得する。

ステップ２１３ｂにおいて、境界線取得部２３（画像処理部２）は、上側の椎体領域４１の下端部４４ａと、下側の椎体領域４１の上端部４４ｂとを取得する。なお、ステップ２１３ｂの処理では、境界線取得部２３（画像処理部２）は、椎体重複領域６１内の複数の箇所で、上側の椎体領域４１の下端部４４ａと、下側の椎体領域４１の上端部４４ｂとを取得する。

ステップ２１３ｃにおいて、境界線取得部２３（画像処理部２）は、上側の椎体領域４１の下端部４４ａと、下側の椎体領域４１の上端部４４ｂとに基づいて、椎間候補点４５を取得する。具体的には、境界線取得部２３（画像処理部２）は、上側の椎体領域４１の下端部４４ａと、下側の椎体領域４１の上端部４４ｂとの中間点を椎間候補点４５として取得する。また、ステップ２１３ｃの処理では、境界線取得部２３（画像処理部２）は、複数の椎間候補点４５を取得する。

ステップ２１３ｄにおいて、境界線取得部２３（画像処理部２）は、複数の椎間候補点４５に基づいて、境界線４３を取得する。本実施形態では、境界線取得部２３（画像処理部２）は、複数の椎間候補点４５の近似線を、境界線４３として取得する。

ステップ２１３ｅにおいて、境界線取得部２３（画像処理部２）は、全ての椎体領域４１間において境界線４３を取得したか否かを判定する。全ての椎体領域４１間において境界線４３を取得した場合、処理は、終了する。全ての椎体領域４１間において境界線４３を取得していない場合、処理は、ステップ２１３ａへ進む。

（本実施形態の効果）
本実施形態では、以下のような効果を得ることができる。

本実施形態では、上記のように、医用画像処理装置１００は、複数の椎体４０が写るＸ線画像１０を取得する画像取得部１と、Ｘ線画像１０中の複数の椎体４０を個別に識別可能な椎体識別画像１１を生成する画像処理部２と、を備え、画像処理部２は、複数の椎体４０が写る教師用Ｘ線画像１２と、教師用Ｘ線画像１２の複数の椎体４０に、互いに異なるラベルが付与されたラベル画像１３とを教師データとして学習された学習済みモデル３１を用いて、Ｘ線画像１０から複数の椎体領域４１を個別に推定する椎体領域推定部２０と、椎体領域推定部２０によって推定された椎体領域４１に基づいて、椎体識別画像１１を生成する画像生成部２１と、を含む。これにより、互いに異なるラベルが付与されたラベル画像１３を用いて学習された学習済みモデル３１を用いて個別に推定された椎体領域４１に基づいて椎体識別画像１１が生成されるので、椎体識別画像１１によって、複数の椎体４０を個別に識別することができる。その結果、複数の椎体４０を個々に判別可能な画像（椎体識別画像１１）を生成することが可能な医用画像処理装置１００を提供することができる。

また、本実施形態では、上記のように、医用画像処理方法２０１は、Ｘ線画像１０から椎体４０を識別可能な椎体識別画像１１を生成する医用画像処理方法であって、複数の椎体４０が写るＸ線画像１０を取得するステップ２１０と、複数の椎体４０が写る教師用Ｘ線画像１２と、教師用Ｘ線画像１２に写る複数の椎体４０に、互いに異なるラベルが付与されたラベル画像１３とを教師データとして、教師用Ｘ線画像１２から複数の椎体領域４１を個別に推定するように学習された学習済みモデル３１を用いて、Ｘ線画像１０から複数の椎体領域４１を個別に推定するステップ２１１と、推定された複数の椎体領域４１に基づいて、複数の椎体４０を個別に識別可能な椎体識別画像１１を生成するステップ２１４と、を含む。これにより、上記実施形態による医用画像処理装置１００と同様に、複数の椎体４０を個々に判別可能な画像（椎体識別画像１１）を生成することが可能な医用画像処理方法を提供することができる。

また、本実施形態では、上記のように、学習モデル３０の学習方法１０１は、教師用Ｘ線画像１２から椎体４０を推定する学習モデル３０の学習方法であって、複数の椎体４０が写る教師用Ｘ線画像１２を取得するステップ１１０と、教師用Ｘ線画像１２中の複数の椎体４０に、互いに異なるラベルが付与されたラベル画像１３を取得するステップ１１１と、教師用Ｘ線画像１２とラベル画像１３とを教師データとしてＸ線画像１０から複数の椎体領域４１を個別に推定するように、学習モデル３０を学習させるステップ１１２と、を含む。これにより、複数の椎体４０に互いに異なるラベルが付与されたラベル画像１３を教師データとして学習させることにより、複数の椎体４０が写る教師用Ｘ線画像１２において、個々の椎体４０をラベルごとに区別して学習させることができる。その結果、上記学習方法によって学習された学習済みモデル３１を用いることにより、複数の椎体４０が写るＸ線画像１０から、個々の椎体４０を推定することができる。

また、上記実施形態では、以下のように構成したことによって、下記のような更なる効果が得られる。

すなわち、本実施形態では、上記のように、椎体領域推定部２０は、学習済みモデル３１を用いてＸ線画像１０からラベルの個数以上の複数の椎体候補領域４２を推定し、画像処理部２は、推定された複数の椎体候補領域４２のうち、椎体４０である可能性が高い椎体候補領域４２を椎体領域４１として決定する椎体領域決定部２２を含む。これにより、少なくとも、ラベルの個数以上の椎体候補領域４２から椎体領域４１が推定されるので、複数の椎体候補領域４２のうち、椎体４０の可能性が高い椎体候補領域４２を椎体領域４１として決定した場合でも、ラベルの個数よりも少ない数の領域が椎体領域４１として決定されることを抑制することができる。その結果、決定された椎体領域４１の個数が少なく、人体の構造にそぐわない領域を椎体領域４１として決定することを抑制することができる。

また、本実施形態では、上記のように、椎体領域決定部２２は、学習済みモデル３１によって出力される複数の椎体候補領域４２の各々の椎体４０である可能性を示す推定精度３２と、複数の椎体候補領域４２の各々の位置とに基づいて、椎体領域４１を決定するように構成されている。これにより、人体の構造にそぐわない位置にあるが、推定精度３２が高い椎体候補領域４２を、椎体領域４１として決定することを抑制することができる。その結果、推定精度３２のみによって椎体領域４１を決定する構成と比較して、人体の構造にそぐわない位置にある椎体候補領域４２を椎体領域４１として決定することを抑制することが可能となるので、椎体領域４１の決定精度を向上させることができる。

また、本実施形態では、上記のように、椎体領域決定部２２は、複数の椎体候補領域４２のうち、推定精度３２が最も高い椎体候補領域４２を椎体領域４１に決定し、決定済みの椎体領域４１と、複数の椎体候補領域４２のうち、椎体領域４１であるか否かの判定を行う椎体候補領域４２との相対位置に基づき、椎体領域４１を決定するように構成されている。これにより、最も推定精度３２が高い椎体候補領域４２を決定済みの椎体領域４１とすることにより、最も推定精度３２が高い椎体候補領域４２を基準として、残りの椎体候補領域４２が椎体領域４１であるか否かの判定を行うことができる。その結果、推定精度３２とともに、椎体候補領域４２の位置にも基づいて椎体領域４１を決定する際に、推定精度３２が高い椎体候補領域４２の位置を基準として椎体領域４１を決定することが可能となるので、椎体領域４１を位置精度よく決定することができる。

また、本実施形態では、上記のように、椎体領域決定部２２は、推定精度３２が高い椎体候補領域４２から順番に、複数の椎体候補領域４２の各々について、椎体領域４１であるか否かの判定を繰り返し行うように構成されている。これにより、推定精度３２が高い椎体候補領域４２から順番に椎体領域４１であるか否かの判定が行われるので、より椎体領域４１らしい椎体候補領域４２から順に椎体領域４１であるか否かの判定を行うことができる。その結果、推定精度３２が低い椎体候補領域４２から順番に椎体領域４１を決定する構成と比較して、椎体領域４１を決定する処理に誤りが生じることを抑制することができる。

また、本実施形態では、上記のように、椎体領域決定部２２は、複数の椎体候補領域４２のうち、いずれか２つの椎体候補領域４２の上下方向における重なり度合いに基づいて、椎体領域４１であるか否かを判定するように構成されている。これにより、たとえば、椎体４０のくびれなどに起因して、椎体４０と椎体４０との間の領域が椎体候補領域４２であると誤って推定された場合は、重なり度合いが大きくなるので、椎体領域４１ではないと容易に判定することができる。

また、本実施形態では、上記のように、椎体領域決定部２２は、椎体候補領域４２のうち、重なり度合いが閾値以下の場合で、かつ、決定済みの椎体領域４１に対するＸ線画像１０の水平方向の位置が所定の範囲６０内である場合に、椎体領域４１であると決定するように構成されている。これにより、重なり度合いが閾値以下であれば、椎体領域４１として決定されるので、たとえば、椎間板がない場合など、椎体４０同士が重なる場合でも、椎体領域４１を決定することができる。また、重なり度合いのみならず、椎体候補領域４２の水平方向における位置にも基づいて椎体領域４１を決定することが可能となるので、椎体領域４１の決定精度をより向上させることができる。

また、本実施形態では、上記のように、画像処理部２は、椎体領域４１間の境界線４３を取得する境界線取得部２３を含み、画像生成部２１は、決定された椎体領域４１と、境界線取得部２３によって取得された境界線４３とが写る画像を、椎体識別画像１１として生成するように構成されている。これにより、椎体識別画像１１において、椎体領域４１とともに、境界線４３が写るので、椎体識別画像１１を確認する際に、ユーザが各椎体４０を容易に識別することができる。

また、本実施形態では、上記のように、境界線取得部２３は、Ｘ線画像１０の上下方向において隣り合う２つの椎体領域４１のうち、上側の椎体領域４１と下側の椎体領域４１とが、上下方向においてオーバーラップする領域である椎体重複領域６１に基づいて、境界線４３を取得するように構成されている。これにより、椎体重複領域６１以外の椎体領域４１同士が重ならない領域に起因して、曲がった状態の線を境界線４３として取得することを抑制することができる。その結果、境界線４３を精度よく取得することができる。

また、本実施形態では、上記のように、境界線取得部２３は、上側の椎体領域４１の下端部４４ａと下側の椎体領域４１の上端部４４ｂとを取得し、下端部４４ａと上端部４４ｂとの間に椎間候補点４５を取得することにより、境界線４３を取得するように構成されている。これにより、上側の椎体領域４１の下端部４４ａと、下側の椎体領域４１の上端部４４ｂとが個別に取得されるので、たとえば、上側の椎体領域４１と下側の椎体領域４１とが、上下方向において重なっている場合でも、椎間候補点４５を取得することができる。その結果、上側の椎体領域４１と下側の椎体領域４１とが、上下方向において重なっている場合でも、取得した椎間候補点４５に基づいて、境界線４３を取得することができる。

また、本実施形態では、上記のように、境界線取得部２３は、椎体重複領域６１内の水平方向において複数の椎間候補点４５を取得し、取得した複数の椎間候補点４５をつないだ線、または、取得した複数の椎間候補点４５の近似線を境界線４３をとして取得するように構成されている。これにより、たとえば、椎体重複領域６１が大きい場合には、複数の椎間候補点４５をつないだ線を境界線４３として取得することにより、境界線４３を精度よく取得することができる。また、椎体重複領域６１が小さい場合には、複数の椎間候補点４５の近似線を境界線４３として取得することにより、椎体領域４１同士が重ならない部分に起因して曲がった状態の線を境界線４３として取得することを抑制することができる。これらの結果、椎体重複領域６１内の大きさにかかわらず、境界線４３を精度よく取得することができる。

［変形例］
今回開示された実施形態は、全ての点で例示であり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全ての変更（変形例）が含まれる。

たとえば、上記実施形態では、互いに異なるラベルが付された複数の椎体４０が写る画像をラベル画像１３として用いる構成の例を示したが、本発明はこれに限られない。たとえば、互いに異なるラベルが付与された複数の椎体４０のうち、いずれか１つの椎体４０が写る画像をラベル画像として用いてもよい。ラベル画像として１つの椎体４０が写る画像を用いる場合、ラベルの個数分のラベル画像を生成し、学習モデル３０の学習に用いればよい。

また、上記実施形態では、椎体領域推定部２０が、椎体推定画像１４を生成する構成の例を示したが、本発明はこれに限られない。椎体領域推定部２０は、椎体候補領域４２を推定すればよく、必ずしも椎体推定画像１４を生成しなくてもよい。

また、上記実施形態では、椎体領域決定部２２が、椎体領域画像１５を生成する構成の例を示したが、本発明はこれに限られない。椎体領域決定部２２は、椎体領域４１を決定すればよく、必ずしも椎体領域４１を生成しなくてもよい。

また、上記実施形態では、画像生成部２１が、決定された椎体領域４１とともに、境界線４３が写る画像を椎体識別画像１１として生成する構成の例を示した、本発明はこれに限られない。たとえば、画像生成部２１は、椎体４０（椎体領域４１）が個別に識別可能であれば、境界線４３が写らない画像を椎体識別画像１１として生成してもよい。しかしながら、境界線４３が写る画像のほうが、一見して容易に椎体４０を個別に識別することが可能となるので、画像生成部２１は、椎体領域４１とともに、境界線４３が写る画像を椎体識別画像１１として生成するように構成されていることが好ましい。

また、上記実施形態では、ラベル画像１３として、６つのラベルが付された画像を用いる構成の例を示したが、本発明はこれに限られない。ラベルの数は、６個よりも多くてもよいし、６個よりも少なくてもよい。ラベルの数は、たとえば、５個でもよいし、７個でもよい。ラベルの数は、ユーザが所望する数であれば、どのような数でもよい。

また、上記実施形態では、椎体領域推定部２０が、９個の椎体候補領域４２を推定する構成の例を示したが、本発明はこれに限られない。ラベルの個数以上であれば、椎体領域推定部２０が推定する椎体候補領域４２の数は、いくつでもよい。

また、上記実施形態では、境界線取得部２３が、複数の椎間候補点４５の近似線を境界線４３として取得する構成の例を示したが、本発明はこれに限られない。たとえば、境界線取得部２３は、複数の椎間候補点４５をつないだ線を、境界線４３として取得してもよい。

また、上記実施形態では、医用画像処理装置１００は、Ｘ線画像撮像装置２００からＸ線画像１０を取得する構成の例を示したが、本発明はこれに限られない。たとえば、医用画像処理装置１００は、Ｘ線画像撮像装置２００によって予め撮像され、サーバなどに記憶されたＸ線画像１０を取得するように構成されていてもよい。

また、上記実施形態では、画像取得部１が、複数の椎体４０が写るＸ線画像１０として、複数の腰椎が写るＸ線画像１０を取得する構成の例を示したが、本発明はこれに限られない。たとえば、画像取得部１は、複数の椎体として、胸椎、または、頚椎が写るＸ線画像を取得するように構成されていてもよい。

［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）
複数の椎体が写るＸ線画像を取得する画像取得部と、
前記Ｘ線画像中の前記複数の椎体を個別に識別可能な椎体識別画像を生成する画像処理部と、を備え、
前記画像処理部は、
複数の椎体が写る教師用Ｘ線画像と、前記教師用Ｘ線画像の複数の椎体に、互いに異なるラベルが付与されたラベル画像とを教師データとして学習された学習済みモデルを用いて、前記Ｘ線画像から複数の椎体領域を個別に推定する椎体領域推定部と、
前記椎体領域推定部によって推定された前記椎体領域に基づいて、前記椎体識別画像を生成する画像生成部と、を含む、医用画像処理装置。

（項目２）
前記椎体領域推定部は、前記学習済みモデルを用いて前記Ｘ線画像から前記ラベルの個数以上の複数の椎体候補領域を推定し、
前記画像処理部は、推定された前記複数の椎体候補領域のうち、椎体である可能性が高い椎体候補領域を前記椎体領域として決定する椎体領域決定部を含む、項目１に記載の医用画像処理装置。

（項目３）
前記椎体領域決定部は、前記学習済みモデルによって出力される前記複数の椎体候補領域の各々の椎体である可能性を示す推定精度と、前記複数の椎体候補領域の各々の位置とに基づいて、前記椎体領域を決定するように構成されている、項目２に記載の医用画像処理装置。

（項目４）
前記椎体領域決定部は、前記複数の椎体候補領域のうち、前記推定精度が最も高い椎体候補領域を前記椎体領域に決定し、決定済みの前記椎体領域と、前記複数の椎体候補領域のうち、前記椎体領域であるか否かの判定を行う椎体候補領域との相対位置に基づき、前記椎体領域を決定するように構成されている、項目３に記載の医用画像処理装置。
（項目５）
前記椎体領域決定部は、前記推定精度が高い椎体候補領域から順番に、前記複数の椎体候補領域の各々について、前記椎体領域であるか否かの判定を繰り返し行うように構成されている、項目３または４に記載の医用画像処理装置。

（項目６）
前記椎体領域決定部は、前記複数の椎体候補領域のうち、いずれか２つの椎体候補領域の前記上下方向における重なり度合いに基づいて、前記椎体領域であるか否かを判定するように構成されている、項目２～４のいずれか１項に記載の医用画像処理装置。

（項目７）
前記椎体領域決定部は、前記椎体候補領域のうち、前記重なり度合いが閾値以下の場合で、かつ、決定済みの前記椎体領域に対する前記Ｘ線画像の水平方向の位置が所定の範囲内である場合に、前記椎体領域であると決定するように構成されている、項目６に記載の医用画像処理装置。

（項目８）
前記画像処理部は、前記椎体領域間の境界線を取得する境界線取得部を含み、
前記画像生成部は、決定された前記椎体領域と、前記境界線取得部によって取得された前記境界線とが写る画像を、前記椎体識別画像として生成するように構成されている、項目１～７のいずれか１項に記載の医用画像処理装置。

（項目９）
前記境界線取得部は、前記Ｘ線画像の上下方向において隣り合う２つの前記椎体領域のうち、上側の前記椎体領域と下側の前記椎体領域とが、前記上下方向においてオーバーラップする領域である椎体重複領域に基づいて、前記境界線を取得するように構成されている、項目８に記載の医用画像処理装置。

（項目１０）
前記境界線取得部は、上側の前記椎体領域の下端部と下側の前記椎体領域の上端部とを取得し、前記下端部と前記上端部との間に椎間候補点を取得することにより、前記境界線を取得するように構成されている、項目９に記載の医用画像処理装置。

（項目１１）
前記境界線取得部は、前記椎体重複領域内の水平方向において複数の前記椎間候補点を取得し、取得した複数の前記椎間候補点をつないだ線、または、取得した複数の前記椎間候補点の近似線を前記境界線をとして取得するように構成されている、項目１０に記載の医用画像処理装置。

（項目１２）
Ｘ線画像から椎体を識別可能な椎体識別画像を生成する医用画像処理方法であって、
複数の椎体が写る前記Ｘ線画像を取得するステップと、
複数の椎体が写る教師用Ｘ線画像と、前記教師用Ｘ線画像に写る複数の椎体に、互いに異なるラベルが付与されたラベル画像とを教師データとして、前記教師用Ｘ線画像から複数の椎体領域を個別に推定するように学習された学習済みモデルを用いて、前記Ｘ線画像から複数の椎体領域を個別に推定するステップと、
推定された前記複数の椎体領域に基づいて、前記複数の椎体を個別に識別可能な椎体識別画像を生成するステップと、を含む、医用画像処理方法。

（項目１３）
Ｘ線画像から椎体を推定する学習モデルの学習方法であって、
複数の椎体が写る前記Ｘ線画像を取得するステップと、
前記Ｘ線画像中の前記複数の椎体に、互いに異なるラベルが付与されたラベル画像を取得するステップと、
前記Ｘ線画像と前記ラベル画像とを教師データとして前記Ｘ線画像から複数の椎体領域を個別に推定するように、学習モデルを学習させるステップと、を含む、学習モデルの学習方法。

１ 画像取得部
２ 画像処理部
１０ Ｘ線画像
１１ 椎体識別画像
１２ 教師用Ｘ線画像
１３ ラベル画像
２０ 椎体領域推定部
２１ 画像生成部
２２ 椎体領域決定部
２３ 境界線取得部
３０ 学習モデル
３１ 学習済みモデル
３２ 推定精度
４０、４０ａ、４０ｂ、４０ｃ、４０ｄ、４０ｅ、４０ｆ 椎体
４１、４１ａ、４１ｂ、４１ｃ、４１ｄ、４１ｅ、４１ｆ 椎体領域
４２、４２ａ、４２ｂ、４２ｃ、４２ｄ、４２ｅ、４２ｆ、４２ｇ、４２ｈ、４２ｉ 椎体候補領域
４３ 境界線
４４ａ 上側の椎体領域の下端部
４４ｂ 下側の椎体領域の上端部
４５ 椎間候補点
６０ Ｘ線画像の水平方向の位置の所定の範囲
６１ 椎体重複領域
１００ 医用画像処理装置

Claims (11)

1. 複数の椎体が写るＸ線画像を取得する画像取得部と、
   前記Ｘ線画像中の前記複数の椎体を個別に識別可能な椎体識別画像を生成する画像処理部と、を備え、
   前記画像処理部は、
   複数の椎体が写る教師用Ｘ線画像と、前記教師用Ｘ線画像の複数の椎体に、互いに異なるラベルが付与されたラベル画像とを教師データとして学習された学習済みモデルを用いて、前記Ｘ線画像から複数の椎体領域を個別に推定する椎体領域推定部と、
   前記椎体領域推定部によって推定された前記椎体領域に基づいて、前記椎体識別画像を生成する画像生成部と、を含み、
   前記椎体領域推定部は、前記学習済みモデルを用いて前記Ｘ線画像から複数の椎体候補領域を推定し、
   前記画像処理部は、前記学習済みモデルによって出力される前記複数の椎体候補領域の各々の椎体である可能性を示す推定精度と、前記複数の椎体候補領域の各々の位置とに基づいて、推定された前記複数の椎体候補領域のうち、椎体である可能性が高い椎体候補領域を前記椎体領域として決定する椎体領域決定部を含む、医用画像処理装置。
2. 前記椎体領域推定部は、前記学習済みモデルを用いて前記Ｘ線画像から前記ラベルの個数以上の前記複数の椎体候補領域を出力する、請求項１に記載の医用画像処理装置。
3. 前記椎体領域決定部は、前記複数の椎体候補領域のうち、前記推定精度が最も高い椎体候補領域を前記椎体領域に決定し、決定済みの前記椎体領域と、前記複数の椎体候補領域のうち、前記椎体領域であるか否かの判定を行う椎体候補領域との相対位置に基づき、前記椎体領域を決定するように構成されている、請求項２に記載の医用画像処理装置。
4. 前記椎体領域決定部は、前記推定精度が高い椎体候補領域から順番に、前記複数の椎体候補領域の各々について、前記椎体領域であるか否かの判定を繰り返し行うように構成されている、請求項２または３に記載の医用画像処理装置。
5. 前記椎体領域決定部は、前記複数の椎体候補領域のうち、いずれか２つの椎体候補領域の上下方向における重なり度合いに基づいて、前記椎体領域であるか否かを判定するように構成されている、請求項２または３に記載の医用画像処理装置。
6. 前記椎体領域決定部は、前記椎体候補領域のうち、前記重なり度合いが閾値以下の場合で、かつ、決定済みの前記椎体領域に対する前記Ｘ線画像の水平方向の位置が所定の範囲内である場合に、前記椎体領域であると決定するように構成されている、請求項５に記載の医用画像処理装置。
7. 前記画像処理部は、前記椎体領域間の境界線を取得する境界線取得部を含み、
   前記画像生成部は、決定された前記椎体領域と、前記境界線取得部によって取得された前記境界線とが写る画像を、前記椎体識別画像として生成するように構成されている、請求項１～６のいずれか１項に記載の医用画像処理装置。
8. 前記境界線取得部は、前記Ｘ線画像の上下方向において隣り合う２つの前記椎体領域のうち、上側の前記椎体領域と下側の前記椎体領域とが、前記上下方向においてオーバーラップする領域である椎体重複領域に基づいて、前記境界線を取得するように構成されている、請求項７に記載の医用画像処理装置。
9. 前記境界線取得部は、上側の前記椎体領域の下端部と下側の前記椎体領域の上端部とを取得し、前記下端部と前記上端部との間に椎間候補点を取得することにより、前記境界線を取得するように構成されている、請求項８に記載の医用画像処理装置。
10. 前記境界線取得部は、前記椎体重複領域内の水平方向において複数の前記椎間候補点を取得し、取得した複数の前記椎間候補点をつないだ線、または、取得した複数の前記椎間候補点の近似線を前記境界線をとして取得するように構成されている、請求項９に記載の医用画像処理装置。
11. Ｘ線画像から椎体を識別可能な椎体識別画像を生成する医用画像処理方法であって、
    複数の椎体が写る前記Ｘ線画像を取得するステップと、
    複数の椎体が写る教師用Ｘ線画像と、前記教師用Ｘ線画像に写る複数の椎体に、互いに異なるラベルが付与されたラベル画像とを教師データとして、前記教師用Ｘ線画像から複数の椎体領域を個別に推定するように学習された学習済みモデルを用いて、前記Ｘ線画像から複数の椎体領域を個別に推定するステップと、
    推定された前記複数の椎体領域に基づいて、前記複数の椎体を個別に識別可能な前記椎体識別画像を生成するステップと、を含み、
    前記複数の椎体領域を個別に推定するステップにおいて、前記学習済みモデルを用いて前記Ｘ線画像から複数の椎体候補領域を推定し、
    前記椎体識別画像を生成するステップにおいて、前記学習済みモデルによって出力される前記複数の椎体候補領域の各々の椎体である可能性を示す推定精度と、前記複数の椎体候補領域の各々の位置とに基づいて、推定された前記複数の椎体候補領域のうち、椎体である可能性が高い椎体候補領域を前記椎体領域として決定する、医用画像処理方法。

Images