KR20210068490A - X 선 촬상 장치 - Google Patents
X 선 촬상 장치 Download PDFInfo
- Publication number
- KR20210068490A KR20210068490A KR1020217012342A KR20217012342A KR20210068490A KR 20210068490 A KR20210068490 A KR 20210068490A KR 1020217012342 A KR1020217012342 A KR 1020217012342A KR 20217012342 A KR20217012342 A KR 20217012342A KR 20210068490 A KR20210068490 A KR 20210068490A
- Authority
- KR
- South Korea
- Prior art keywords
- subject
- image
- region
- machine learning
- extracted
- Prior art date
Links
- 238000003384 imaging method Methods 0.000 title claims abstract description 29
- 238000010801 machine learning Methods 0.000 claims abstract description 102
- 210000000988 bone and bone Anatomy 0.000 claims description 112
- 238000000605 extraction Methods 0.000 claims description 46
- 230000005484 gravity Effects 0.000 claims description 22
- 238000013135 deep learning Methods 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 210000000689 upper leg Anatomy 0.000 claims description 11
- 239000000284 extract Substances 0.000 claims description 7
- 230000001678 irradiating effect Effects 0.000 claims description 3
- 230000037182 bone density Effects 0.000 description 18
- 238000012937 correction Methods 0.000 description 8
- 238000001739 density measurement Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 210000004705 lumbosacral region Anatomy 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 210000000115 thoracic cavity Anatomy 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004846 x-ray emission Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
- A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/46—Arrangements for interfacing with the operator or the patient
- A61B6/461—Displaying means of special interest
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Pathology (AREA)
- Optics & Photonics (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Epidemiology (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Dentistry (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Physiology (AREA)
- Human Computer Interaction (AREA)
- Databases & Information Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
X 선 촬상 장치 (100) 에 있어서, 제어부 (4) 는, 기계 학습에 기초하여 추출된 피사체 (T) 의 골 영역 (A) 이 적절하지 않다고 판정한 경우, 소정의 룰에 기초하여 피사체 (T) 의 골 영역 (A) 이 추출된 화상 (Ir) 을 표시시키는 제어를 실시하도록 구성되어 있다.
Description
본 발명은, X 선 촬상 장치에 관한 것이며, 특히, 피사체가 촬상된 화상으로부터 기계 학습에 기초하여, 피사체의 골 (骨) 영역을 추출하는 화상 처리부를 구비하는 X 선 촬상 장치에 관한 것이다.
종래, 피사체가 촬상된 화상으로부터 기계 학습에 기초하여, 척주 배열 (척주 형상) 을 추정하는 척주 배열 추정 장치가 알려져 있다. 이와 같은 척주 배열 추정 장치는, 예를 들어, 국제 공개 제2017/141958호에 개시되어 있다.
국제 공개 제2017/141958호에 기재된 척주 배열 추정 장치에서는, 먼저, 동일 인물에 대해 촬상된, 인체의 등부의 입체 형상을 나타내는 무아레 무늬를 포함하는 무아레 화상과, 인체의 등부의 골 영역이 촬상된 X 선 화상의 데이터 세트가 다수 준비된다. 다음으로, 기계 학습에 사용되는 데이터 세트 (정해 데이터) 의 라벨 부여가 실시된다. 예를 들어, X 선 화상에 비치는 흉추 및 요추의 무게 중심이 곡선에 의해 근사된다. 그 후, 무아레 화상과 X 선 화상을 위치 맞춤하여, 무아레 화상의 좌표와 X 선 화상의 좌표가 위치 맞춤된다. 그리고, 무아레 화상 상의 흉추 및 요추의 무게 중심의 좌표가 학습용의 정해 데이터가 된다. 그리고, 입력된 무아레 화상에 기초하여, 척주 요소의 배열 정보 (흉추 및 요추의 무게 중심의 좌표) 가 출력되도록 학습이 실시된다. 또한, 학습으로서, 예를 들어, 심층 학습이 사용된다.
그리고, 국제 공개 제2017/141958호에 기재된 척주 배열 추정 장치에서는, 학습된 결과 (식별기) 에 기초하여, 촬상 장치에 의해 촬상된 미지 (척주 요소의 배열 정보가 미지) 의 무아레 화상으로부터 척주 요소의 배열 정보가 추정된다. 또, 추정된 척주 요소의 배열 정보가, 무아레 화상 상에 중첩된 상태로 표시부에 표시된다.
또, 국제 공개 제2017/141958호에는 기재되어 있지 않지만, 종래, 요추나 대퇴골 등의 골밀도 측정에서는, 2 종류의 서로 상이한 에너지의 X 선을 피사체에 조사함으로써 촬상된 화상에 있어서, 골 성분과 다른 조직을 구별하여 골밀도의 측정이 실시되고 있다. 이 경우, 촬상된 화상에 있어서 요추나 대퇴골 등의 골밀도의 측정을 실시하는 영역을 정확하게 추출 (지정) 할 필요가 있다. 종래에는, 사용자의 부담을 경감하기 위해서, 골 영역의 추출을, 기계 학습을 사용하여 실시하는 것 (자동 세그멘테이션) 이 실시되고 있다. 또, 자동 세그멘테이션의 정밀도 향상을 위해서, 기계 학습으로서, 국제 공개 제2017/141958호와 같이, 심층 학습이 사용되고 있다. 심층 학습에서는, 요추나 대퇴골 등의 골밀도의 측정이 실시되는 부위가 촬상된 화상 (정해 데이터) 이 학습됨과 함께 학습된 결과 (식별기) 에 기초하여, 미지의 화상으로부터 골 영역이 추출된다. 또, 추출된 골 영역이 실제의 골 영역과 어긋나 있던 경우에는, 사용자에 의해 골 영역이 수정된다.
여기서, 심층 학습 등의 기계 학습을 사용한 골 영역의 자동 세그멘테이션의 정밀도는 비교적 높은 한편, 기계 학습에 사용된 화상 (정해 데이터) 과는 괴리한 미지의 화상이 입력된 경우, 자동 세그멘테이션 (골 영역의 추출) 이 크게 실패한다는 문제가 있다. 이 경우, 기계 학습에 기초하여 추출된 골 영역에 대해 사용자가 비교적 큰 수정을 실시할 필요가 있기 때문에, 사용자의 부담이 증가한다는 문제점이 있다.
본 발명은, 상기와 같은 과제를 해결하기 위해서 이루어진 것으로, 본 발명의 하나의 목적은, 기계 학습에 사용된 화상 (정해 데이터) 과는 괴리한 미지의 화상이 입력된 경우여도, 추출된 골 영역의 수정에 대한 사용자의 부담이 커지는 것을 억제하는 것이 가능한 X 선 촬상 장치를 제공하는 것이다.
상기 목적을 달성하기 위해서, 본 발명의 하나의 국면에 있어서의 X 선 촬상 장치는, 피사체에 X 선을 조사하는 X 선 조사부와, X 선 조사부로부터 피사체에 조사된 X 선을 검출하는 X 선 검출부와, X 선 검출부에 의해 검출된 X 선에 기초하여 취득된 취득 화상에 있어서, 기계 학습에 기초하여, 피사체의 골 영역을 추출함과 함께, 소정의 경우에, 취득 화상에 있어서, 소정의 룰에 기초하여, 피사체의 골 영역을 추출하는 화상 처리부와, 화상 처리부에서 처리된 화상을 표시하는 표시부와, 기계 학습에 기초하여 추출된 피사체의 골 영역이 적절한지 여부를 판정하는 제어부를 구비하고, 제어부는, 기계 학습에 기초하여 추출된 피사체의 골 영역이 적절하다고 판정한 경우, 기계 학습에 기초하여 피사체의 골 영역이 추출된 화상을 표시부에 표시시키고, 기계 학습에 기초하여 추출된 피사체의 골 영역이 적절하지 않다고 판정한 경우, 소정의 룰에 기초하여 피사체의 골 영역이 추출된 화상을 표시시키는 제어를 실시하도록 구성되어 있다.
본 발명의 하나의 국면에 있어서의 X 선 촬상 장치에서는, 상기와 같이, 제어부는, 기계 학습에 기초하여 추출된 피사체의 골 영역이 적절하다고 판정한 경우, 기계 학습에 기초하여 피사체의 골 영역이 추출된 화상을 표시부에 표시시키고, 기계 학습에 기초하여 추출된 피사체의 골 영역이 적절하지 않다고 판정한 경우, 소정의 룰에 기초하여 피사체의 골 영역이 추출된 화상을 표시시키는 제어를 실시하도록 구성되어 있다. 이로써, 예를 들어, 기계 학습에 사용된 화상 (정해 데이터) 과는 괴리한 미지의 화상이 입력된 경우 등에 있어, 기계 학습에 기초하여 추출된 피사체의 골 영역이 적절하지 않은 경우여도, 소정의 룰에 기초하여 피사체의 골 영역이 추출된 화상이 표시된다. 또한, 일반적으로는, 소정의 룰에 기초한 골 영역의 추출의 정밀도는, 기계 학습에 기초한 골 영역의 추출의 정밀도보다 낮은 한편, 비교적 간단한 룰에 기초하여 골 영역의 추출이 실시되므로, 기계 학습으로는 적절히 골 영역의 추출을 실시할 수 없는 화상이어도 어느 정도의 정밀도로 골 영역의 추출을 실시할 수 있다. 이로써, 적절히 추출되어 있지 않은 기계 학습에 기초한 골 영역을 수정하는 경우에 비해, 소정의 룰에 기초하여 추출된 골 영역을 수정하는 편이, 수정량이 적다. 그 결과, 기계 학습에 사용된 화상 (정해 데이터) 과는 괴리한 미지의 화상이 입력된 경우여도, 추출된 골 영역의 수정에 대한 사용자의 부담이 커지는 것을 억제할 수 있다.
상기 하나의 국면에 의한 X 선 촬상 장치에 있어서, 바람직하게는, 제어부는, 취득 화상에 있어서, 추출된 피사체의 골 영역의 면적과, 추출된 피사체의 골 영역의 무게 중심 중 적어도 일방에 기초하여, 기계 학습에 기초하여 추출된 피사체의 골 영역이 적절한지 여부를 판정하도록 구성되어 있다. 이와 같이 구성하면, 기계 학습에 의해 추출된 피사체의 골 영역의 면적과 무게 중심 중 적어도 일방과, 전형적인 피사체의 골 영역의 면적과 무게 중심 중 적어도 일방을 비교하면, 용이하게, 기계 학습에 기초하여 추출된 피사체의 골 영역이 적절한지 여부를 판정할 수 있다.
상기 하나의 국면에 의한 X 선 촬상 장치에 있어서, 바람직하게는, 제어부는, 취득 화상에, 기계 학습에 기초한 피사체의 골 영역의 추출을 적절히 실시할 수 없게 되는 소정의 추출 부적절 화상이 포함되어 있는 경우, 기계 학습에 기초한 피사체의 골 영역의 추출은 실시하지 않고, 소정의 룰에 기초하여 피사체의 골 영역의 추출을 실시하도록 제어하도록 구성되어 있다. 이와 같이 구성하면, 피사체의 골 영역의 추출을 적절히 실시할 수 없게 되는 것이 기지인 경우에, 기계 학습에 기초한 피사체의 골 영역의 추출은 실시되지 않기 때문에, 화상 처리부의 부담을 경감할 수 있다.
상기 하나의 국면에 의한 X 선 촬상 장치에 있어서, 바람직하게는, 표시부에 표시되는, 기계 학습에 기초하여 피사체의 골 영역이 추출된 화상과, 소정의 룰에 기초하여 피사체의 골 영역이 추출된 화상을 전환하는 전환 조작부를 추가로 구비한다. 이와 같이 구성하면, 기계 학습에 기초하여 피사체의 골 영역이 추출된 화상과, 소정의 룰에 기초하여 피사체의 골 영역이 추출된 화상을 전환하여 비교할 수 있다.
이 경우, 바람직하게는, 전환 조작부는, 표시부에 표시되는 표시 화상 상의 버튼을 포함한다. 이와 같이 구성하면, 사용자가 버튼을 조작하는 것만으로, 용이하게, 기계 학습에 기초하여 피사체의 골 영역이 추출된 화상과, 소정의 룰에 기초하여 피사체의 골 영역이 추출된 화상을 전환할 수 있다.
상기 하나의 국면에 의한 X 선 촬상 장치에 있어서, 바람직하게는, 피사체의 골 영역은, 대퇴골의 골 영역을 포함한다. 이와 같이 구성하면, 대퇴골의 골밀도 측정에 있어서, 기계 학습에 사용된 화상 (정해 데이터) 과는 괴리한 미지의 화상이 입력된 경우여도, 추출된 골 영역의 수정에 대한 사용자의 부담이 커지는 것을 억제할 수 있다.
상기 하나의 국면에 의한 X 선 촬상 장치에 있어서, 바람직하게는, 기계 학습은, 심층 학습을 포함한다. 이와 같이 구성하면, 심층 학습의 골 영역의 추출 정밀도는 비교적 높기 때문에, 대부분의 피사체에 있어서 적절히 골 영역을 추출할 수 있는 한편, 심층 학습으로도 적절히 골 영역의 추출을 할 수 없는 미지의 화상에 대해, 백업으로서, 소정의 룰에 기초하여 피사체의 골 영역이 추출된 화상을 표시할 수 있다.
상기 하나의 국면에 의한 X 선 촬상 장치에 있어서, 바람직하게는, 소정의 룰은, 취득 화상에 있어서의 화소값에 기초하여 피사체의 골 영역을 추출하는 것, 및, 이웃하는 화소의 화소값의 구배에 기초하여 피사체의 골 영역을 추출하는 것 중 적어도 일방을 포함한다. 이와 같이 구성하면, 화소값에 기초하여, 용이하게, 피사체의 골 영역을 추출할 수 있다.
본 발명에 의하면, 상기와 같이, 기계 학습에 사용된 화상 (정해 데이터) 과는 괴리한 미지의 화상이 입력된 경우여도, 추출된 골 영역의 수정에 대한 사용자의 부담이 커지는 것을 억제할 수 있다.
도 1 은 일 실시형태에 의한 X 선 촬상 장치의 구성을 나타낸 도면이다.
도 2 는 심층 학습 (U-net) 을 설명하기 위한 도면이다.
도 3 은 심층 학습에 의한 골 영역의 추출을 설명하기 위한 도면이다.
도 4 는 소정의 룰에 기초하여 추출된 골 영역을 나타내는 도면이다.
도 5 는 기계 학습에 기초한 골 영역의 추출을 적절히 실시할 수 없게 되는 소정의 화상 (패턴) 이 포함되는 화상을 나타내는 도면이다.
도 6 은 표시부에 표시된 표시 화상을 나타내는 도면이다.
도 7 은 사용자에 의해 보정된 골 영역을 나타내는 도면이다.
도 8 은 일 실시형태에 의한 X 선 촬상 장치의 동작을 나타내는 플로도이다.
도 2 는 심층 학습 (U-net) 을 설명하기 위한 도면이다.
도 3 은 심층 학습에 의한 골 영역의 추출을 설명하기 위한 도면이다.
도 4 는 소정의 룰에 기초하여 추출된 골 영역을 나타내는 도면이다.
도 5 는 기계 학습에 기초한 골 영역의 추출을 적절히 실시할 수 없게 되는 소정의 화상 (패턴) 이 포함되는 화상을 나타내는 도면이다.
도 6 은 표시부에 표시된 표시 화상을 나타내는 도면이다.
도 7 은 사용자에 의해 보정된 골 영역을 나타내는 도면이다.
도 8 은 일 실시형태에 의한 X 선 촬상 장치의 동작을 나타내는 플로도이다.
이하, 본 발명을 구체화한 실시형태를 도면에 기초하여 설명한다.
도 1 ~ 도 7 을 참조하여, 본 실시형태에 의한 X 선 촬상 장치 (100) 의 구성에 대해 설명한다.
(X 선 촬상 장치의 구성)
도 1 에 나타내는 바와 같이, X 선 촬상 장치 (100) 는, X 선 조사부 (1) 와, X 선 검출부 (2) 와, 화상 처리부 (3) 와, 제어부 (4) 를 구비하고 있다. 또, X 선 촬상 장치 (100) 는, 화상 처리부 (3) 에서 처리된 화상을 표시하는 표시부 (5) 를 구비하고 있다.
X 선 조사부 (1) 는, 피사체 (T) 에 X 선을 조사한다. X 선 검출부 (2) 는, X 선 조사부 (1) 로부터 피사체 (T) 에 조사된 X 선을 검출한다. X 선 촬상 장치 (100) 는, 예를 들어, 피사체 (T) 의 골밀도의 측정에 사용된다. 골밀도의 측정에 있어서는, 예를 들어, X 선 조사부 (1) 로부터 2 종류의 에너지의 X 선을 피사체 (T) 의 측정 부위에 조사함으로써, 골 성분과 다른 조직을 구별하는 DEXA (Dual-Energy X-ray Absorptiometry) 법이 사용된다.
X 선 조사부 (1) 는, X 선원 (1a) 을 포함하고 있다. X 선원 (1a) 은, 도시되지 않은 고전압 발생부에 접속되어 있고, 고전압이 인가됨으로써 X 선을 발생시키는 X 선관이다. X 선원 (1a) 은, X 선 출사 방향을 X 선 검출부 (2) 의 검출면을 향하게 하여 배치되어 있다.
X 선 검출부 (2) 는, X 선 조사부 (1) 로부터 조사되고, 피사체 (T) 를 투과한 X 선을 검출하고, 검출한 X 선 강도에 따른 검출 신호를 출력한다. 또한, X 선 검출부 (2) 는, 예를 들어, FPD (Flat Panel Detector) 에 의해 구성되어 있다.
화상 처리부 (3) 는, 화상 취득부 (31) 와, 기계 학습 베이스 영역 추출부 (32) 와, 룰 베이스 영역 추출부 (33) 와, 골밀도 측정부 (34) 를 포함한다. 또한, 화상 취득부 (31), 기계 학습 베이스 영역 추출부 (32), 룰 베이스 영역 추출부 (33), 및, 골밀도 측정부 (34) 의 각각은, 화상 처리부 (3) 중의 소프트웨어로서의 기능 블록이다. 즉, 화상 취득부 (31), 기계 학습 베이스 영역 추출부 (32), 룰 베이스 영역 추출부 (33), 및, 골밀도 측정부 (34) 의 각각은, 제어부 (4) 의 지령 신호에 기초하여 기능하도록 구성되어 있다.
화상 취득부 (31) 는, X 선 검출부 (2) 에 의해 검출된 X 선에 기초하여 피사체 (T) 의 화상 (I) (도 3 참조) 을 취득한다. 구체적으로는, 화상 취득부 (31) 는, X 선 검출부 (2) 로부터 출력되는 소정의 해상도의 X 선 검출 신호에 기초하여 화상 (I) (X 선 화상) 을 취득한다. 또한, 화상 (I) 은, 특허 청구 범위의 「취득 화상」의 일례이다.
기계 학습 베이스 영역 추출부 (32) 는, X 선 검출부 (2) 에 의해 검출된 X 선에 기초하여 취득된 화상 (I) 에 있어서, 기계 학습에 기초하여, 피사체 (T) 의 골 영역 (A) (도 3 참조) 을 추출하도록 구성되어 있다. 구체적으로는, 본 실시형태에서는, 기계 학습으로서, 심층 학습이 사용된다. 또, 골 영역 (A) 은, 대퇴골의 골 영역 (A) 을 포함한다.
심층 학습에 의한 시맨틱·세그먼테이션에서는, 종래의 화상 세그먼테이션과 달리, 딥 뉴럴 네트워크를 대표로 하는 심층 학습 기술을 사용하여, 픽셀 레벨로 화상을 이해하고, 화상의 각 픽셀에 오브젝트의 클래스가 할당된다. 예를 들어, 도 2 에 나타내는 바와 같이, 심층 학습으로서, U-net 에 기초한 심층 학습이 사용된다. U-net 에서는, U 자형의 합성곱 네트워크를 사용하여, 화상 중에 「무엇이, 어디에, 어떻게」비치고 있는가라는 영역 추출이 실시된다. U-net 의 좌측에 배치된 encoder 의 각 합성곱층 (Conv) 의 출력이, 우측의 decoder 의 각 합성곱층 (Deconv) 에 직접 결합되어, 데이터를 채널 방향으로 연결 (concat) 하도록 구성되어 있다. 이로써, 보다 저차원의 특징량이 스킵되어, 종래대로 특징을 추출하면서 위치 정보를 유지하는 것이 가능하게 된다. 그 결과, 출력 화상의 열화를 억제할 수 있다.
또, 다중 해상도로 골 영역 (A) 을 판정하기 위해, 입력 화상을 최초의 합성곱층에 입력하기 전에, 다중 해상도의 국소 콘트라스트 정규화 (LCN : Local Contrast Normalization) 가 실시된다. 그 후, 순차, 합성곱층에 입력된다. 또, 활성화 함수로서, 출력층 이외의 모든 층에, 가장 일반적인 ReLu 함수가 사용된다. 또, 학습의 수속을 고속화 및 안정화하기 위해서, 각 합성곱층의 활성화 함수의 후에 있어서 배치 정규화가 실시된다. 또, 손실 함수로서, 교차 엔트로피 오차가 사용된다.
도 1 에 나타내는 바와 같이, 룰 베이스 영역 추출부 (33) 는, X 선 검출부 (2) 에 의해 검출된 X 선에 기초하여 취득된 화상 (I) (도 3 참조) 에 있어서, 소정의 룰에 기초하여, 피사체 (T) 의 골 영역 (A) 을 추출 (도 4 참조) 한다. 예를 들어, 룰 베이스 영역 추출부 (33) 는, 화상 (I) 에 있어서의 화소값이나, 이웃하는 화소의 화소값의 구배가 임계값 이상인지 여부에 기초하여, 피사체 (T) 의 골 영역 (A) 을 추출한다. 요컨대, 화상 (I) 에 있어서, 피사체 (T) 의 골 영역 (A) 의 경계가 소정의 룰에 기초하여 구해진다.
제어부 (4) 는, 기계 학습에 기초하여 추출된 피사체 (T) 의 골 영역 (A) 이 적절한지 여부를 판정하도록 구성되어 있다. 여기서, 본 실시형태에서는, 제어부 (4) 는, 기계 학습에 기초하여 추출된 피사체 (T) 의 골 영역 (A) 이 적절하다고 판정한 경우, 기계 학습에 기초하여 피사체 (T) 의 골 영역 (A) 이 추출된 화상 (화상 (Im), 도 3 참조) 을 표시부 (5) 에 표시시키는 제어를 실시한다. 한편, 제어부 (4) 는, 기계 학습에 기초하여 추출된 피사체 (T) 의 골 영역 (A) 이 적절하지 않다고 판정한 경우, 소정의 룰에 기초하여 피사체 (T) 의 골 영역 (A) 이 추출된 화상 (화상 (Ir), 도 4 참조) 을 표시시키는 제어를 실시한다. 또한, 기계 학습에 기초하여 추출된 피사체 (T) 의 골 영역 (A) 이 적절하지 않은 경우란, 예를 들어, 기계 학습에 사용된 화상 (I) (정해 데이터) 이 촬상되었을 때의 피사체 (T) 의 자세와, 미지의 화상 (I) (추정용의 화상 (I)) 이 촬상되었을 때의 피사체 (T) 의 자세가 크게 상이한 경우 등이다.
또, 본 실시형태에서는, 도 3 에 나타내는 바와 같이, 제어부 (4) 는, 화상 (I) 에 있어서, 추출된 피사체 (T) 의 골 영역 (A) 의 면적 (S) 과, 추출된 피사체 (T) 의 골 영역 (A) 의 무게 중심 (G) 중 적어도 일방에 기초하여, 기계 학습에 기초하여 추출된 피사체 (T) 의 골 영역 (A) 이 적절한지 여부를 판정하도록 구성되어 있다. 구체적으로는, 추출된 피사체 (T) 의 골 영역 (A) 의 면적 (S) 이, 전형적인 골 영역 (A) 의 면적 (S) 과 비교된다. 그리고, 추출된 피사체 (T) 의 골 영역 (A) 의 면적 (S) 과, 전형적인 골 영역 (A) 의 면적 (S) 의 차가 소정의 면적 임계값보다 크면, 기계 학습에 기초하여 추출된 피사체 (T) 의 골 영역 (A) 이 적절하지 않다고 판정된다. 또, 추출된 피사체 (T) 의 골 영역 (A) 의 무게 중심 (G) 이, 전형적인 골 영역 (A) 의 무게 중심 (G) 과 비교된다. 그리고, 추출된 피사체 (T) 의 골 영역 (A) 의 무게 중심 (G) 의 좌표와, 전형적인 골 영역 (A) 의 무게 중심 (G) 의 좌표의 차가 소정의 무게 중심 임계값보다 크면, 기계 학습에 기초하여 추출된 피사체 (T) 의 골 영역 (A) 이 적절하지 않다고 판정된다. 또한, 면적 (S) 또는 무게 중심 (G) 의 일방에만 기초하여 골 영역 (A) 이 적절한지 여부를 판정해도 되고, 면적 (S) 및 무게 중심 (G) 의 양방에 기초하여 골 영역 (A) 이 적절한지 여부를 판정해도 된다.
또, 본 실시형태에서는, 도 5 에 나타내는 바와 같이, 제어부 (4) 는, 화상 (I) 에, 기계 학습에 기초한 피사체 (T) 의 골 영역 (A) 의 추출을 적절히 실시할 수 없게 되는 소정의 화상 (P) 가 포함되어 있는 경우, 기계 학습에 기초한 피사체 (T) 의 골 영역 (A) 의 추출은 실시하지 않고, 소정의 룰에 기초하여 피사체 (T) 의 골 영역 (A) 의 추출을 실시하도록 제어한다. 예를 들어, 화상 (I) 에 금속 (볼트) 등의 화상 (P) 이 포함되어 있는 경우, 기계 학습에 기초한 피사체 (T) 의 골 영역 (A) 의 추출이 부적절하게 되는 것이 미리 기지라고 한다. 이 경우, 기계 학습에 기초한 피사체 (T) 의 골 영역 (A) 의 추출은 실시하지 않고, 소정의 룰에 기초하여 피사체 (T) 의 골 영역 (A) 의 추출을 실시한다. 또한, 소정의 룰에 기초한 추출에서는, 비교적 간단한 룰에 기초하여 골 영역 (A) 의 추출이 실시되므로, 기계 학습으로는 적절히 골 영역 (A) 의 추출을 실시할 수 없는 화상이어도 어느 정도의 정밀도로 골 영역 (A) 의 추출을 실시하는 것이 가능하다. 또한, 화상 (P) 은, 특허 청구 범위의 「추출 부적절 화상」의 일례이다.
또, 본 실시형태에서는, 도 6 에 나타내는 바와 같이, 표시부 (5) 에 표시되는, 기계 학습에 기초하여 피사체 (T) 의 골 영역 (A) 이 추출된 화상 (화상 (Im)) 과, 소정의 룰에 기초하여 피사체 (T) 의 골 영역 (A) 이 추출된 화상 (화상 (Ir)) 을 전환하는, 표시부 (5) 에 표시되는 표시 화상 (5a) 상의 버튼 (5b) 이 형성되어 있다. 버튼 (5b) 은, 예를 들어, 풀다운 메뉴에 의해 구성되어 있다. 사용자가 마우스에 의해 버튼 (5b) 을 클릭함으로써, 풀다운 메뉴에 포함되는 기계 학습에 기초한 화상 (Im) 과, 소정의 룰에 기초한 화상 (Ir) 을 선택하는 (전환하는) 것이 가능하다. 또, 풀다운 메뉴에는, 전회 (前回) 의 골밀도 측정 시에 사용된 화상도 포함된다. 또한, 버튼 (5b) 은, 특허 청구 범위의 「전환 조작부」의 일례이다.
또, 도 7 에 나타내는 바와 같이, 표시부 (5) 에 표시된 화상 (Ir) (또는 화상 (Im)) 에 있어서, 골 영역 (A) 의 수정이 필요한 경우에는, 사용자에 의해 골 영역 (A) 의 수정이 실시된다. 골 영역 (A) 의 수정은, 예를 들어, 사용자가 마우스를 조작함으로써, 골 영역 (A) 을 전부 칠하도록 (또는 지우도록), 골 영역 (A) 의 수정이 실시된다. 또한, 도 7 의 점선으로 나타내는 영역은, 도 4 에 나타내는 소정의 룰에 기초하여 추출된 피사체 (T) 의 골 영역 (A) 을 나타내고 있다.
또, 도 1 에 나타내는 바와 같이, 골밀도 측정부 (34) 는, 추출된 피사체 (T) 의 골 영역 (A) (골 영역 (A) 이 수정된 경우에는, 수정 후의 골 영역 (A)) 에 있어서, 골밀도를 측정한다. 또한, 도 6 의 점선으로 나타내는 영역에 있어서, 골밀도의 측정이 실시된다.
(X 선 촬상 장치의 동작)
다음으로, 도 8 을 참조하여, 본 실시형태의 X 선 촬상 장치 (100) 의 동작에 대해 설명한다. 또한, 화상 처리부 (3) 에 있어서 기계 학습에 의한 학습은 이미 실시되어 있다고 한다.
먼저, 스텝 S1 에 있어서, 화상 처리부 (3) 에 미지의 X 선 화상으로 이루어지는 화상 (I) (화상 데이터) 이 입력된다.
다음으로, 스텝 S2 에 있어서, 미지의 화상 (I) 에, 기계 학습에 기초한 피사체 (T) 의 골 영역 (A) 의 추출을 적절히 실시할 수 없게 되는 소정의 화상 (P) (도 5 참조) 이 포함되어 있는지 여부가 판정된다. 또한, 이 판정은, 예를 들어, 일반적인 화상 인식 기술을 사용하여 제어부 (4) 에 의해 실시된다. 스텝 S2 에 있어서, 화상 (P) 이 포함되어 있지 않다고 판정된 경우, 스텝 S3 으로 진행된다. 한편, 스텝 S2 에 있어서, 화상 (P) 이 포함되어 있다고 판정된 경우, 스텝 S6 으로 진행된다.
다음으로, 스텝 S3 에 있어서, X 선 검출부 (2) 에 의해 검출된 X 선에 기초하여 취득된 화상 (I) 에 있어서, 기계 학습에 기초하여 피사체 (T) 의 골 영역 (A) 이 추출된다. 구체적으로는, 미리 기계 학습에 의한 학습에 의해 생성된 식별기 (모델, 도 3 참조) 에 화상 (I) 이 입력됨과 함께, 식별기에 의해, 피사체 (T) 의 골 영역 (A) 이 추출된다.
다음으로, 스텝 S4 에 있어서, 제어부 (4) 에 의해, 기계 학습에 기초하여 추출된 피사체 (T) 의 골 영역 (A) 이, 적절한지 여부가 판정된다. 스텝 S4 에 있어서, 추출된 피사체 (T) 의 골 영역 (A) 이 적절하다고 판정된 경우, 스텝 S5 로 진행되고, 기계 학습에 기초하여 피사체 (T) 의 골 영역 (A) 이 추출된 화상 (Im) 이 표시부 (5) 에 표시된다. 또한, 필요하면, 사용자에 의해 표시부 (5) 에 표시된 골 영역 (A) 이 수정된다.
스텝 S4 에 있어서, 추출된 피사체 (T) 의 골 영역 (A) 이 적절하지 않다고 판정된 경우, 스텝 S6 으로 진행된다. 스텝 S6 에서는, 소정의 룰에 기초하여 피사체 (T) 의 골 영역 (A) 이 추출된다. 그리고, 스텝 S5 로 진행되고, 소정의 룰에 기초하여 피사체 (T) 의 골 영역 (A) 이 추출된 화상 (Ir) 이 표시부 (5) 에 표시된다.
그리고, 스텝 S7 에 있어서, 골밀도 측정부 (34) 에 의해 골밀도가 측정된다.
(본 실시형태의 효과)
본 실시형태에서는, 이하와 같은 효과를 얻을 수 있다.
본 실시형태에서는, 상기와 같이, 제어부 (4) 는, 기계 학습에 기초하여 추출된 피사체 (T) 의 골 영역 (A) 이 적절하다고 판정한 경우, 기계 학습에 기초하여 피사체 (T) 의 골 영역 (A) 이 추출된 화상 (Im) 을 표시부 (5) 에 표시시키고, 기계 학습에 기초하여 추출된 피사체 (T) 의 골 영역 (A) 이 적절하지 않다고 판정한 경우, 소정의 룰에 기초하여 피사체 (T) 의 골 영역 (A) 이 추출된 화상 (Ir) 을 표시시키는 제어를 실시하도록 구성되어 있다. 이로써, 예를 들어, 기계 학습에 사용된 화상 (I) (정해 데이터) 과는 괴리한 미지의 화상 (I) 이 입력된 경우 등에 있어서, 기계 학습에 기초하여 추출된 피사체 (T) 의 골 영역 (A) 이 적절하지 않은 경우여도, 소정의 룰에 기초하여 피사체 (T) 의 골 영역 (A) 이 추출된 화상 (Ir) 이 표시된다. 또한, 일반적으로는, 소정의 룰에 기초한 골 영역 (A) 의 추출의 정밀도는, 기계 학습에 기초한 골 영역 (A) 의 추출의 정밀도보다 낮은 한편, 비교적 간단한 룰에 기초하여 골 영역 (A) 의 추출이 실시되므로, 기계 학습으로는 적절히 골 영역 (A) 의 추출을 실시할 수 없는 화상 (I) 이어도 어느 정도의 정밀도로 골 영역 (A) 의 추출을 실시할 수 있다. 이로써, 적절히 추출되어 있지 않은 기계 학습에 기초한 골 영역 (A) 을 수정하는 경우에 비해, 소정의 룰에 기초하여 추출된 골 영역 (A) 을 수정하는 편이, 수정량이 적다. 그 결과, 기계 학습에 사용된 화상 (I) (정해 데이터) 과는 괴리한 미지의 화상 (I) 이 입력된 경우여도, 추출된 골 영역 (A) 의 수정에 대한 사용자의 부담이 커지는 것을 억제할 수 있다.
또, 본 실시형태에서는, 상기와 같이, 제어부 (4) 는, 화상 (Im) 에 있어서, 추출된 피사체 (T) 의 골 영역 (A) 의 면적 (S) 과, 추출된 피사체 (T) 의 골 영역 (A) 의 무게 중심 (G) 중 적어도 일방에 기초하여, 기계 학습에 기초하여 추출된 피사체 (T) 의 골 영역 (A) 이 적절한지 여부를 판정한다. 이로써, 기계 학습에 의해 추출된 피사체 (T) 의 골 영역 (A) 의 면적 (S) 과 무게 중심 (G) 중 적어도 일방과, 전형적인 피사체 (T) 의 골 영역 (A) 의 면적 (S) 과 무게 중심 (G) 중 적어도 일방을 비교하면, 용이하게, 기계 학습에 기초하여 추출된 피사체 (T) 의 골 영역 (A) 이 적절한지 여부를 판정할 수 있다.
또, 본 실시형태에서는, 상기와 같이, 제어부 (4) 는, 화상 (I) 에, 기계 학습에 기초한 피사체 (T) 의 골 영역 (A) 의 추출을 적절히 실시할 수 없게 되는 소정의 화상 (P) 이 포함되어 있는 경우, 기계 학습에 기초한 피사체 (T) 의 골 영역 (A) 의 추출은 실시하지 않고, 소정의 룰에 기초하여 피사체 (T) 의 골 영역 (A) 의 추출을 실시하도록 제어한다. 이로써, 피사체 (T) 의 골 영역 (A) 의 추출을 적절히 실시할 수 없게 되는 것이 기지인 경우에, 기계 학습에 기초한 피사체 (T) 의 골 영역 (A) 의 추출은 실시되지 않기 때문에, 화상 처리부 (3) 의 부담을 경감할 수 있다.
또, 본 실시형태에서는, 상기와 같이, 표시부 (5) 에 표시되는, 기계 학습에 기초하여 피사체 (T) 의 골 영역 (A) 이 추출된 화상 (Im) 과, 소정의 룰에 기초하여 피사체 (T) 의 골 영역 (A) 이 추출된 화상 (Ir) 을 전환하는 버튼 (5b) 이 형성되어 있다. 이로써, 기계 학습에 기초하여 피사체 (T) 의 골 영역 (A) 이 추출된 화상 (Im) 과, 소정의 룰에 기초하여 피사체 (T) 의 골 영역 (A) 이 추출된 화상 (Ir) 을 전환하여 비교할 수 있다.
또, 본 실시형태에서는, 상기와 같이, 버튼 (5b) 은, 표시부 (5) 에 표시되는 표시 화상 상의 버튼 (5b) 이다. 이로써, 사용자가 버튼 (5b) 을 조작하는 것만으로, 용이하게, 기계 학습에 기초하여 피사체 (T) 의 골 영역 (A) 이 추출된 화상 (Im) 과, 소정의 룰에 기초하여 피사체 (T) 의 골 영역 (A) 이 추출된 화상 (Ir) 을 전환할 수 있다.
또, 본 실시형태에서는, 상기와 같이, 피사체 (T) 의 골 영역 (A) 은, 대퇴골의 골 영역 (A) 을 포함한다. 이로써, 대퇴골의 골밀도 측정에 있어서, 기계 학습에 사용된 화상 (I) (정해 데이터) 과는 괴리한 미지의 화상 (I) 이 입력된 경우여도, 추출된 골 영역 (A) 의 수정에 대한 사용자의 부담이 커지는 것을 억제할 수 있다.
또, 본 실시형태에서는, 상기와 같이, 기계 학습은, 심층 학습이다. 이로써, 심층 학습의 골 영역 (A) 의 추출 정밀도는 비교적 높기 때문에, 대부분의 피사체 (T) 에 있어서 적절히 골 영역 (A) 을 추출할 수 있는 한편, 심층 학습으로도 적절히 골 영역 (A) 의 추출을 할 수 없는 미지의 화상 (I) 에 대해, 백업으로서, 소정의 룰에 기초하여 피사체 (T) 의 골 영역 (A) 이 추출된 화상 (Ir) 을 표시할 수 있다.
또, 본 실시형태에서는, 상기와 같이, 소정의 룰은, 화상 (I) 에 있어서의 화소값에 기초하여 피사체의 골 영역을 추출하는 것, 및, 이웃하는 화소의 화소값의 구배에 기초하여 피사체 (T) 의 골 영역 (A) 을 추출하는 것 중 적어도 일방을 포함한다. 이로써, 화소값에 기초하여, 용이하게, 피사체 (T) 의 골 영역 (A) 을 추출할 수 있다.
[변형예]
또한, 금회 개시된 실시형태는, 모든 점에서 예시이고 제한적인 것은 아니라고 생각되어야 한다. 본 발명의 범위는, 상기한 실시형태의 설명은 아니고 특허 청구 범위에 의해 나타나고, 또한 특허 청구 범위와 균등의 의미 및 범위 내에서의 모든 변경 (변형예) 이 포함된다.
예를 들어, 상기 실시형태에서는, 기계 학습으로서 심층 학습이 사용되는 예를 나타냈지만, 본 발명은 이것에 한정되지 않는다. 본 발명에서는, 심층 학습 이외의 기계 학습을 사용하는 것도 가능하다.
또, 상기 실시형태에서는, 추출된 피사체의 골 영역의 면적과, 추출된 피사체의 골 영역의 무게 중심 중 적어도 일방에 기초하여, 기계 학습에 기초하여 추출된 피사체의 골 영역이, 적절한지 여부가 판정되는 예를 나타냈지만, 본 발명은 이것에 한정되지 않는다. 본 발명에서는, 골 영역의 면적 및 무게 중심 이외의 기준에 기초하여, 기계 학습에 기초하여 추출된 피사체의 골 영역이 적절한지 여부를 판정해도 된다.
또, 상기 실시형태에서는, 기계 학습에 기초하여 피사체의 골 영역이 추출된 화상과, 소정의 룰에 기초하여 피사체의 골 영역이 추출된 화상이 전환 가능하게 구성되어 있는 예를 나타냈지만, 본 발명은 이것에 한정되지 않는다. 예를 들어, 기계 학습에 기초하여 피사체의 골 영역이 추출된 화상과, 소정의 룰에 기초하여 피사체의 골 영역이 추출된 화상을, 병렬한 상태로 표시부에 표시해도 된다.
또, 상기 실시형태에서는, 표시 화상 상의 버튼에 의해, 기계 학습에 기초하여 피사체의 골 영역이 추출된 화상과, 소정의 룰에 기초하여 피사체의 골 영역이 추출된 화상을 전환하는 예를 나타냈지만, 본 발명은 이것에 한정되지 않는다. 예를 들어, 표시 화상 상의 버튼 이외 방법 (물리적인 스위치 등) 에 의해 화상을 전환해도 된다.
또, 상기 실시형태에서는, 피사체의 대퇴골의 골 영역을 추출하는 예를 나타냈지만, 본 발명은 이것에 한정되지 않는다. 예를 들어, 피사체의 대퇴골 이외 (요추 등) 의 골 영역을 추출해도 된다.
또, 상기 실시형태에서는, 제어부가 기계 학습에 기초하여 추출된 피사체의 골 영역이 적절하지 않다고 판정한 경우에, 소정의 룰에 기초하여 피사체의 골 영역이 추출된 화상이 표시되는 예를 나타냈지만, 본 발명은 이것에 한정되지 않는다. 예를 들어, 제어부가 기계 학습에 기초하여 추출된 피사체의 골 영역이 적절하다고 판정하고 표시한 경우여도, 사용자가, 기계 학습에 기초하여 추출된 피사체의 골 영역이 적절하지 않다고 판정한 경우, 소정의 룰에 기초하여 피사체의 골 영역을 추출함과 함께 추출한 피사체의 골 영역을 표시해도 된다.
1 : X 선 조사부
2 : X 선 검출부
3 : 화상 처리부
4 : 제어부
5 : 표시부
5b : 버튼 (전환 조작부)
100 : X 선 촬상 장치
A : 골 영역
G : 무게 중심
I : 화상 (취득 화상)
P : 화상 (추출 부적절 화상)
S : 면적
T : 피사체
2 : X 선 검출부
3 : 화상 처리부
4 : 제어부
5 : 표시부
5b : 버튼 (전환 조작부)
100 : X 선 촬상 장치
A : 골 영역
G : 무게 중심
I : 화상 (취득 화상)
P : 화상 (추출 부적절 화상)
S : 면적
T : 피사체
Claims (8)
- 피사체에 X 선을 조사하는 X 선 조사부와,
상기 X 선 조사부로부터 상기 피사체에 조사된 X 선을 검출하는 X 선 검출부와,
상기 X 선 검출부에 의해 검출된 X 선에 기초하여 취득된 취득 화상에 있어서, 기계 학습에 기초하여, 상기 피사체의 골 영역을 추출함과 함께, 소정의 경우에, 상기 취득 화상에 있어서, 소정의 룰에 기초하여, 상기 피사체의 골 영역을 추출하는 화상 처리부와,
상기 화상 처리부에서 처리된 화상을 표시하는 표시부와,
상기 기계 학습에 기초하여 추출된 상기 피사체의 골 영역이 적절한지 여부를 판정하는 제어부를 구비하고,
상기 제어부는, 상기 기계 학습에 기초하여 추출된 상기 피사체의 골 영역이 적절하다고 판정한 경우, 상기 기계 학습에 기초하여 상기 피사체의 골 영역이 추출된 화상을 상기 표시부에 표시시키고, 상기 기계 학습에 기초하여 추출된 상기 피사체의 골 영역이 적절하지 않다고 판정한 경우, 상기 소정의 룰에 기초하여 상기 피사체의 골 영역이 추출된 화상을 표시시키는 제어를 실시하도록 구성되어 있는, X 선 촬상 장치. - 제 1 항에 있어서,
상기 제어부는, 상기 취득 화상에 있어서, 추출된 상기 피사체의 골 영역의 면적과, 추출된 상기 피사체의 골 영역의 무게 중심 중 적어도 일방에 기초하여, 상기 기계 학습에 기초하여 추출된 상기 피사체의 골 영역이 적절한지 여부를 판정하도록 구성되어 있는, X 선 촬상 장치. - 제 1 항 또는 제 2 항에 있어서,
상기 제어부는, 상기 취득 화상에, 상기 기계 학습에 기초한 상기 피사체의 골 영역의 추출을 적절히 실시할 수 없게 되는 소정의 추출 부적절 화상이 포함되어 있는 경우, 상기 기계 학습에 기초한 상기 피사체의 골 영역의 추출은 실시하지 않고, 상기 소정의 룰에 기초하여 상기 피사체의 골 영역의 추출을 실시하도록 제어하도록 구성되어 있는, X 선 촬상 장치. - 제 1 항 또는 제 2 항에 있어서,
상기 표시부에 표시되는, 상기 기계 학습에 기초하여 상기 피사체의 골 영역이 추출된 화상과, 상기 소정의 룰에 기초하여 상기 피사체의 골 영역이 추출된 화상을 전환하는 전환 조작부를 추가로 구비하는, X 선 촬상 장치. - 제 4 항에 있어서,
상기 전환 조작부는, 상기 표시부에 표시되는 표시 화상 상의 버튼을 포함하는, X 선 촬상 장치. - 제 1 항 또는 제 2 항에 있어서,
상기 피사체의 골 영역은, 대퇴골의 골 영역을 포함하는, X 선 촬상 장치. - 제 1 항 또는 제 2 항에 있어서,
상기 기계 학습은, 심층 학습을 포함하는, X 선 촬상 장치. - 제 1 항 또는 제 2 항에 있어서,
상기 소정의 룰은, 상기 취득 화상에 있어서의 화소값에 기초하여 상기 피사체의 골 영역을 추출하는 것, 및, 이웃하는 화소의 화소값의 구배에 기초하여 상기 피사체의 골 영역을 추출하는 것 중 적어도 일방을 포함하는, X 선 촬상 장치.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2018/040975 WO2020095343A1 (ja) | 2018-11-05 | 2018-11-05 | X線撮像装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20210068490A true KR20210068490A (ko) | 2021-06-09 |
Family
ID=70610864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020217012342A KR20210068490A (ko) | 2018-11-05 | 2018-11-05 | X 선 촬상 장치 |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP7188450B2 (ko) |
KR (1) | KR20210068490A (ko) |
CN (1) | CN112996440A (ko) |
WO (1) | WO2020095343A1 (ko) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017141958A1 (ja) | 2016-02-15 | 2017-08-24 | 学校法人慶應義塾 | 脊柱配列推定装置、脊柱配列推定方法及び脊柱配列推定プログラム |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06233761A (ja) * | 1993-02-09 | 1994-08-23 | Hitachi Medical Corp | 医用画像診断装置 |
JP4201939B2 (ja) * | 1999-10-22 | 2008-12-24 | 三菱電機株式会社 | 画像処理装置及び放射線治療計画システム |
JP3712234B2 (ja) * | 2002-03-19 | 2005-11-02 | 株式会社日立製作所 | 関心領域抽出方法及び画像処理サーバ |
JP2007135858A (ja) * | 2005-11-18 | 2007-06-07 | Hitachi Medical Corp | 画像処理装置 |
EP2072013A4 (en) * | 2006-10-10 | 2014-12-03 | Hitachi Medical Corp | MEDICAL PICTURE DIAGNOSTIC DEVICE, MEDICAL IMAGING METHOD AND MEDICAL PICTURE MEASUREMENT PROGRAM |
JP5300569B2 (ja) * | 2009-04-14 | 2013-09-25 | 株式会社日立メディコ | 画像処理装置 |
US8437521B2 (en) * | 2009-09-10 | 2013-05-07 | Siemens Medical Solutions Usa, Inc. | Systems and methods for automatic vertebra edge detection, segmentation and identification in 3D imaging |
WO2012021861A2 (en) * | 2010-08-13 | 2012-02-16 | Mckinnon, Brian William | Detection of anatomical landmarks |
US20150110369A1 (en) * | 2012-01-10 | 2015-04-23 | Koninklijke Philips N.V. | Image processing apparatus |
US9495752B2 (en) * | 2012-09-27 | 2016-11-15 | Siemens Product Lifecycle Management Software Inc. | Multi-bone segmentation for 3D computed tomography |
US9646229B2 (en) * | 2012-09-28 | 2017-05-09 | Siemens Medical Solutions Usa, Inc. | Method and system for bone segmentation and landmark detection for joint replacement surgery |
US10039513B2 (en) * | 2014-07-21 | 2018-08-07 | Zebra Medical Vision Ltd. | Systems and methods for emulating DEXA scores based on CT images |
US10565711B2 (en) * | 2015-05-18 | 2020-02-18 | Koninklijke Philips N.V. | Self-aware image segmentation methods and systems |
CN106228561B (zh) * | 2016-07-29 | 2019-04-23 | 上海联影医疗科技有限公司 | 血管提取方法 |
-
2018
- 2018-11-05 JP JP2020556372A patent/JP7188450B2/ja active Active
- 2018-11-05 KR KR1020217012342A patent/KR20210068490A/ko not_active Application Discontinuation
- 2018-11-05 WO PCT/JP2018/040975 patent/WO2020095343A1/ja active Application Filing
- 2018-11-05 CN CN201880099224.9A patent/CN112996440A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017141958A1 (ja) | 2016-02-15 | 2017-08-24 | 学校法人慶應義塾 | 脊柱配列推定装置、脊柱配列推定方法及び脊柱配列推定プログラム |
Also Published As
Publication number | Publication date |
---|---|
JPWO2020095343A1 (ja) | 2021-09-24 |
WO2020095343A1 (ja) | 2020-05-14 |
JP7188450B2 (ja) | 2022-12-13 |
CN112996440A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1400203B1 (en) | Computer assisted bone densitometer | |
US8705695B2 (en) | Region of interest determination for X-ray imaging | |
JP6264589B2 (ja) | X線撮影装置 | |
US8391442B2 (en) | Radiographic apparatus and imaging method thereof | |
JP6255245B2 (ja) | X線ct装置及び体位判定方法 | |
CN112165900A (zh) | 图像解析方法、分割方法、骨密度测量方法、学习模型生成方法和图像生成装置 | |
JPH06261894A (ja) | 骨塩定量方法 | |
EP2721581B1 (en) | Method to detect and indicate inaccuracies in long length imaging | |
CN112438745A (zh) | 图像解析方法、处理装置、测定装置及学习模型制作方法 | |
CN107007294A (zh) | X射线图像诊断装置以及骨密度测量方法 | |
US11576638B2 (en) | X-ray imaging apparatus and X-ray image processing method | |
US10299752B2 (en) | Medical image processing apparatus, X-ray CT apparatus, and image processing method | |
JP4416823B2 (ja) | 画像処理装置、画像処理方法、及びコンピュータプログラム | |
EP2823465A1 (en) | Stereo x-ray tube based suppression of outside body high contrast objects | |
KR20210068490A (ko) | X 선 촬상 장치 | |
CN108778136A (zh) | 用于断层融合图像重建的装置 | |
KR101890154B1 (ko) | 체형 사전 감지를 이용한 덱사 방식의 골밀도 및 신체조성 측정장치 | |
KR102321820B1 (ko) | X 선 촬상 장치 | |
KR101769856B1 (ko) | 체형 사전 감지를 이용한 덱사 방식의 골밀도 및 신체조성 측정장치 | |
WO2024122340A1 (ja) | 画像処理装置、画像処理装置の作動方法、およびプログラム | |
EP3968215A1 (en) | Determining target object type and position | |
JP2005167773A (ja) | 画像処理方法及び装置 | |
JP2024082942A (ja) | 画像処理装置、画像処理装置の作動方法、およびプログラム | |
JP2022122126A5 (ja) | 情報処理装置、放射線撮影システム、情報処理方法およびプログラム | |
JP2001056854A (ja) | 医用ディジタル画像のダイナミック・レンジを決定するための方法および装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
WITB | Written withdrawal of application |