WO2020054738A1 - 推定装置、推定システム及び推定プログラム - Google Patents

推定装置、推定システム及び推定プログラム Download PDF

Info

Publication number
WO2020054738A1
WO2020054738A1 PCT/JP2019/035594 JP2019035594W WO2020054738A1 WO 2020054738 A1 WO2020054738 A1 WO 2020054738A1 JP 2019035594 W JP2019035594 W JP 2019035594W WO 2020054738 A1 WO2020054738 A1 WO 2020054738A1
Authority
WO
WIPO (PCT)
Prior art keywords
estimation
input
image
bone
learning
Prior art date
Application number
PCT/JP2019/035594
Other languages
English (en)
French (fr)
Inventor
渡辺　健一
京本　政之
信太郎 本多
徹 茂呂
田中　栄
Original Assignee
京セラ株式会社
国立大学法人 東京大学
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 京セラ株式会社, 国立大学法人 東京大学 filed Critical 京セラ株式会社
Priority to EP19858846.9A priority Critical patent/EP3851048A4/en
Priority to JP2019563116A priority patent/JP6744614B1/ja
Priority to EP23200806.0A priority patent/EP4276753A3/en
Priority to AU2019339090A priority patent/AU2019339090B2/en
Priority to US17/274,757 priority patent/US20220051398A1/en
Priority to CN202311399597.7A priority patent/CN117393146A/zh
Priority to CN201980058486.5A priority patent/CN112654291A/zh
Publication of WO2020054738A1 publication Critical patent/WO2020054738A1/ja
Priority to AU2022241515A priority patent/AU2022241515B2/en
Priority to AU2023285899A priority patent/AU2023285899A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/50—Clinical applications
    • A61B6/505—Clinical applications involving diagnosis of bone
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/482—Diagnostic techniques involving multiple energy imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30008—Bone
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30096—Tumor; Lesion

Definitions

  • This disclosure relates to estimating bone density.
  • Patent Document 1 describes a technique for determining osteoporosis.
  • Patent Literature 2 discloses a technique for estimating bone strength.
  • the estimating apparatus includes: an input unit to which input information including an image of a bone is input; and an estimation unit related to the bone density of the bone, based on the input information input to the input unit.
  • An approximator capable of estimating a result, and an output unit that outputs an estimation result estimated by the approximator, wherein the approximator obtains an estimation result related to the bone density of the bone from the input information.
  • the estimation system includes an input unit to which input information including an image of a bone is input, and an estimation unit for determining an estimation result related to the bone density of the bone from the input information.
  • An approximater having a learned parameter and capable of estimating an estimation result related to the bone density of the bone from the input information input to the input unit, when an input information is input to the input unit.
  • the input information is processed by the approximator.
  • the estimation program performs a calculation based on learned parameters for obtaining an estimation result related to the bone density of the bone from input information including an image in which the bone is captured, and This is an estimation program for causing the device to function as a neural network that outputs an estimated value of the bone density of the bone shown in FIG.
  • FIG. 3 is a diagram illustrating an example of a configuration of a computer device (estimation device). It is a figure for explaining operation of an estimation device. It is a figure showing an example of composition of a neural network. It is a figure which shows an example of a mode that the image data for learning and the reference
  • FIG. 1 is a block diagram showing an example of a configuration of a computer device 1 according to the first embodiment.
  • the computer device 1 functions as an estimating device that estimates bone density.
  • the computer device 1 may be referred to as an “estimating device 1”.
  • the estimation device 1 includes, for example, a control unit 10, a storage unit 20, a communication unit 30, a display unit 40, and an input unit 50.
  • the control unit 10, the storage unit 20, the communication unit 30, the display unit 40, and the input unit 50 are electrically connected to each other by, for example, a bus 60.
  • the control unit 10 can control the operation of the estimating apparatus 1 by controlling other components of the estimating apparatus 1.
  • the control unit 10 can be said to be a control device or a control circuit.
  • the controller 10 includes at least one processor to provide control and processing power to perform various functions, as described in further detail below.
  • At least one processor is implemented as a single integrated circuit (IC) or as a plurality of communicatively connected integrated circuits (ICs) and / or discrete circuits. You may. At least one processor may be implemented according to various known techniques.
  • a processor includes one or more circuits or units configured to perform one or more data calculation procedures or processes, for example, by executing instructions stored in an associated memory.
  • the processor may be firmware (eg, a discrete logic component) configured to perform one or more data calculation procedures or processes.
  • the processor is one or more processors, controllers, microprocessors, microcontrollers, application specific integrated circuits (ASICs), digital signal processors, programmable logic devices, field programmable gate arrays, or a combination thereof. It may include any combination of devices or configurations, or combinations of other known devices and configurations, and perform the functions described below.
  • the control unit 10 includes, for example, a CPU (Central Processing Unit).
  • the storage unit 20 includes a non-temporary recording medium readable by the CPU of the control unit 10, such as a ROM (Read Only Memory) and a RAM (Random Access Memory).
  • the storage unit 20 stores a control program 100 for controlling the estimation device 1.
  • Various functions of the control unit 10 are realized by the CPU of the control unit 10 executing the control program 100 in the storage unit 20. It can be said that the control program 100 is a bone density estimation program for causing the computer device 1 to function as an estimation device.
  • the control unit 10 executes the control program 100 in the storage unit 20 to provide the control unit 10 with an approximate value capable of outputting the estimated value 300 of the bone density, as shown in FIG.
  • a vessel 280 is formed.
  • the approximator 280 includes the neural network 200, for example.
  • the control program 100 can be said to be a program for causing the computer device 1 to function as the neural network 200.
  • the estimated value of the bone density may be referred to as “bone density estimated value”.
  • a configuration example of the neural network 200 will be described later in detail.
  • the storage unit 20 stores, besides the control program 100, learned parameters 110 related to the neural network 200, estimation data 120 (hereinafter also referred to as “input information”), learning data 130, and teacher data 140. .
  • the learning data 130 and the teacher data 140 are data used when learning the neural network 200.
  • the learned parameter 110 and the estimation data 120 are data used when the learned neural network 200 estimates the bone density.
  • the learning data 130 is data input to the input layer 210 of the neural network 200 when learning the neural network 200.
  • the learning data 130 is also called learning data.
  • the teacher data 140 is data indicating a correct value of the bone density.
  • the teacher data 140 is compared with output data output from the output layer 230 of the neural network 200 when learning the neural network 200.
  • the learning data 130 and the teacher data 140 may be collectively referred to as supervised learning data.
  • the estimation data 120 is data that is input to the input layer 210 when the learned neural network 200 estimates bone density.
  • the learned parameter 110 is a learned parameter in the neural network 200.
  • the learned parameter 110 can be said to be a parameter adjusted by learning of the neural network 200.
  • the learned parameter 110 includes a weighting coefficient indicating the weight of the connection between the artificial neurons.
  • the learned neural network 200 performs an operation based on the learned parameters 110 on the estimation data 120 input to the input layer 210, and outputs a bone density estimated value 300 from the output layer 230. Is output.
  • the data input to the input layer 210 may be input to the input layer 210 via the input unit 50, or may be input directly to the input layer 210. In the case where the input is directly input to the input layer 210, the input layer 210 may be part or all of the input unit 50.
  • the bone density estimation value 300 may be referred to as an estimation result 300.
  • the communication unit 30 is connected to a communication network including the Internet or the like by wire or wirelessly.
  • the communication unit 30 can communicate with other devices such as a cloud server and a web server via a communication network.
  • the communication unit 30 can input the information received from the communication network to the control unit 10.
  • the communication unit 30 can output the information received from the control unit 10 to a communication network.
  • the display unit 40 is, for example, a liquid crystal display or an organic EL display.
  • the display unit 40 can display various information such as characters, symbols, and graphics under the control of the control unit 10.
  • the input unit 50 can receive an input from the user to the estimation device 1.
  • the input unit 50 includes, for example, a keyboard and a mouse.
  • the input unit 50 may include a touch panel capable of detecting a user operation on the display surface of the display unit 40.
  • the configuration of the estimation device 1 is not limited to the above example.
  • the control unit 10 may include a plurality of CPUs. Further, the control unit 10 may include at least one DSP. Further, all functions of the control unit 10 or some functions of the control unit 10 may be realized by a hardware circuit that does not require software for realizing the functions.
  • the storage unit 20 may include a non-transitory computer-readable recording medium other than the ROM and the RAM.
  • the storage unit 20 may include, for example, a small hard disk drive and a solid state drive (SSD).
  • the storage unit 20 may include a memory such as a USB (Universal Serial Bus) memory that is detachable from the estimation device 1.
  • USB Universal Serial Bus
  • FIG. 3 is a diagram illustrating an example of the configuration of the neural network 200.
  • the neural network 200 is, for example, a convolutional neural network (CNN).
  • CNN convolutional neural network
  • the neural network 200 includes, for example, an input layer 210, a hidden layer 220, and an output layer 230.
  • the hidden layer 220 is also called an intermediate layer.
  • the hidden layer 220 includes, for example, a plurality of convolutional layers 240, a plurality of pooling layers 250, and a fully connected layer 260.
  • a fully connected layer 260 exists before the output layer 230.
  • the convolutional layers 240 and the pooling layers 250 are alternately arranged between the input layer 210 and the fully connected layer 260.
  • the configuration of the neural network 200 is not limited to the example of FIG.
  • the neural network 200 may include one convolutional layer 240 and one pooling layer 250 between the input layer 210 and the fully connected layer 260.
  • the neural network 200 may be a neural network other than the convolutional neural network.
  • the estimation data 120 includes image data of a simple X-ray image showing a bone whose bone density is to be estimated.
  • the estimation target of the bone density is, for example, a person. Therefore, it can be said that the estimation data 120 includes image data of a simple X-ray image showing a human bone.
  • the learning data 130 includes image data of a plurality of simple X-ray images showing human bones.
  • a simple X-ray image is a two-dimensional image, and is also called a general X-ray image or an X-ray image.
  • the estimation target of the bone density may be other than a person.
  • the target for estimating the bone density may be an animal such as a dog, cat or horse.
  • the target bones are mainly cortical bones and cancellous bones derived from living organisms, and the target bones are replaced with artificial bones containing calcium phosphate as a main component or regenerated artificially produced by regenerative medicine or the like. Bone may be included.
  • the image data included in the estimation data 120 may be referred to as “estimation image data”.
  • the simple X-ray image indicated by the image data included in the estimation data 120 may be referred to as “simple X-ray image for estimation”.
  • the image data included in the learning data 130 may be referred to as “learning image data”.
  • the simple X-ray image indicated by the image data included in the learning data 130 may be referred to as “simple X-ray image for learning”.
  • the learning data 130 includes a plurality of learning X-ray image data respectively indicating a plurality of simple X-ray images for learning.
  • the imaging site of the estimation simple X-ray image examples include a head, a neck, a chest, a waist, a hip, a knee, a foot, a foot, a toe, a shoulder, an elbow, a wrist, a hand, and a finger.
  • a temporomandibular joint is employed.
  • the estimation data 120 includes image data of a simple X-ray image obtained by irradiating the head with X-rays, and image data of a simple X-ray image obtained by irradiating the neck with X-rays.
  • Image data image data of a simple X-ray image obtained by irradiating the chest with X-rays, image data of a simple X-ray image obtained by irradiating the hips with X-rays, X-ray image of the hip joint Image data of a simple X-ray image obtained by irradiating a ray, image data of a simple X-ray image obtained by irradiating a knee joint with X-ray, image data of a simple joint obtained by irradiating an ankle joint Image data of a simple X-ray image obtained, image data of a simple X-ray image obtained by irradiating a foot with X-rays, simple X-ray image obtained by irradiating a toe with X-rays Image data, image data of a simple X-ray image obtained by irradiating the shoulder joint with X-rays, X-ray image of the elbow joint Image data of a simple X-ray image obtained by ir
  • Simple X-ray images obtained by irradiating the chest with X-rays include a simple X-ray image showing a lung and a simple X-ray image showing a thoracic vertebra.
  • the type of the imaging part of the estimation simple X-ray image is not limited to this.
  • the simple X-ray image for estimation may be a front image in which the target part is seen from the front, or a side image in which the target part is seen from the side.
  • the head, neck, chest, waist, hip, knee, ankle, foot, and the like may be included in the imaging regions of the plurality of simple X-ray images for learning indicated by the plurality of image data for learning included in the learning data 130.
  • At least one of a part, a toe, a shoulder joint, an elbow joint, a wrist joint, a hand part, a finger, and a jaw joint is included.
  • the learning data 130 includes image data of a simple X-ray image obtained by irradiating the head with X-rays, and image data of a simple X-ray image obtained by irradiating the neck with X-rays.
  • Image data image data of a simple X-ray image obtained by irradiating the chest with X-rays, image data of a simple X-ray image obtained by irradiating the hips with X-rays, X-ray image of the hip joint Image data of a simple X-ray image obtained by irradiating a ray, image data of a simple X-ray image obtained by irradiating a knee joint with X-ray, image data of a simple joint obtained by irradiating an ankle joint Image data of a simple X-ray image obtained, image data of a simple X-ray image obtained by irradiating a foot with X-rays, simple X-ray image obtained by irradiating a toe with X-rays Image data, image data of a simple X-ray image obtained by irradiating the shoulder joint with X-rays, X-ray Image data of a simple X-ray image obtained by irradiation, image data
  • the learning data 130 may include some types of image data among the 15 types of image data, or may include all types of image data. Note that the type of the imaging part of the learning simple X-ray image is not limited to this. Further, the plurality of simple X-ray images for learning may include a front image or a side image. Further, the plurality of simple X-ray images for learning may include both a front image and a side image of the same imaging region.
  • the teacher data 140 includes, for each of the plurality of learning image data included in the learning data 130, a measured value of a bone density of a person having a bone that appears in the learning simple X-ray image indicated by the learning image data. It is.
  • the plurality of measured values of the bone density included in the teacher data 140 include, for example, the measured values of the bone density measured by irradiating the lumbar spine with X-rays and the X-rays of the proximal femur.
  • Bone density measured by X-ray irradiation to the radius, bone density measured by X-ray irradiation to the metacarpal bone, and ultrasonic irradiation to the arm At least one of the bone density measured and measured and the bone density measured by applying ultrasonic waves to the heel is included.
  • the measured value of the bone density included in the teacher data 140 may be referred to as “reference bone density”.
  • a DEXA (dual-energy X-ray absorptiometry) method is known as a method for measuring bone density.
  • the DEXA apparatus for measuring bone density using the DEXA method when the bone density of the lumbar vertebra is measured, the lumbar vertebra is irradiated with X-rays (specifically, two types of X-rays) from the front thereof. .
  • the DEXA apparatus when the bone density of the proximal part of the femur is measured, the proximal part of the femur is irradiated with X-rays from the front.
  • the teacher data 140 may include the bone density of the lumbar vertebra measured by the DEXA device, or may include the bone density of the proximal femur measured by the DEXA device.
  • the teacher data 140 may include a bone density measured by irradiating the target site with X-rays from the side surface.
  • the teacher data 140 may include the bone density measured by irradiating the lumbar spine with X-rays from the side.
  • an ultrasonic method is known.
  • an ultrasonic wave is applied to an arm to measure the bone density of the arm, or an ultrasonic wave is applied to a heel to apply the heel to the heel.
  • the bone mineral density is measured.
  • the teacher data 140 may include the bone density measured by the ultrasonic method.
  • the plurality of learning simple X-ray images indicated by the plurality of learning image data included in the learning data 130 include a plurality of different human bones, respectively. Then, as shown in FIG. 4, in the storage unit 20, for each of the plurality of learning image data included in the learning data 130, the bones appearing in the learning simple X-ray image indicated by the learning image data are stored. Is associated with the reference bone density of a person having It can be said that the reference bone density of a person having a bone shown in the learning simple X-ray image is associated with each of the plurality of learning simple X-ray images used in the learning of the neural network 200.
  • the reference bone density associated with the learning image data is obtained by calculating, at substantially the same time as when the learning simple X-ray image indicated by the learning image data was captured, the bones appearing in the learning simple X-ray image. Bone density measured for the same person as the person having the bone.
  • the part where the reference bone density corresponding to the learning image data is measured may or may not be included.
  • the part shown in the simple X-ray image for learning may or may not include a part where the reference bone density corresponding to the simple X-ray image for learning is measured.
  • the former a case is considered in which learning image data indicating a simple X-ray image for learning showing a lumbar region is associated with a reference bone density of a lumbar spine.
  • the learning image data showing the hip joint is associated with the reference bone density of the proximal part of the femur.
  • a case is considered where learning image data in which the chest is captured is associated with the reference bone density of the lumbar spine.
  • a case may be considered in which learning image data of a knee joint is associated with the reference bone density of the heel.
  • the direction of the part shown in the simple X-ray image indicated by the learning image data is the same as the direction of X-ray irradiation to the target part in the measurement of the reference bone density corresponding to the learning image data. Or different. In other words, even if the direction of the part shown in the learning simple X-ray image and the direction of X-ray irradiation on the target part in the measurement of the reference bone density corresponding to the learning simple X-ray image are the same. Good or different.
  • learning image data showing a simple X-ray image showing the chest from the front (hereinafter sometimes referred to as “chest front simple X-ray image”) and X-rays from the front of the lumbar vertebrae
  • chest front simple X-ray image X-ray image showing the chest from the front
  • lumbar front simple X-ray image a simple X-ray image showing the waist from the front
  • a reference bone density measured by irradiating X-rays with the reference bone density is associated.
  • learning image data showing a simple X-ray image in which the lumbar region is seen from the side (hereinafter sometimes referred to as “lumbar side simple X-ray image”), It is conceivable that X-rays are associated with the reference bone density measured.
  • learning image data showing a simple X-ray image showing the knee joint from the side (hereinafter sometimes referred to as a “knee-side simple X-ray image”), and the learning image data for the proximal part of the femur. It is conceivable that X-rays are radiated from the front and are associated with reference bone densities measured.
  • the plurality of learning simple X-ray images indicated by the plurality of learning image data included in the learning data 130 include a simple X-ray image in which a portion of the same type as the estimation simple X-ray image is captured.
  • a simple X-ray image in which a part of a type different from that of the estimation simple X-ray image may be included.
  • the simple X-ray image for estimation is a chest front simple X-ray image
  • a case where a plurality of learning simple X-ray images include a chest front simple X-ray image is considered.
  • the simple X-ray image for estimation is a simple X-ray image in which the knee joint is seen from the front (hereinafter, sometimes referred to as a “knee front simple X-ray image”)
  • a plurality of simple X-ray images for learning are used.
  • the X-ray image includes a knee-side simple X-ray image.
  • the estimation simple X-ray image is a waist front simple X-ray image
  • a case where the chest front simple X-ray image is included in a plurality of learning simple X-ray images can be considered.
  • the estimation simple X-ray image is the waist side simple X-ray image
  • the case where the plurality of learning simple X-ray images include the knee front simple X-ray image may be considered.
  • the plurality of learning simple X-ray images may include a simple X-ray image in which a part in the same direction as the estimation simple X-ray image is captured, or a part in a different direction from the estimation simple X-ray image. May be included.
  • the simple X-ray image for estimation is a front lumbar simple X-ray image
  • a case where a plurality of simple X-ray images for learning include a front lumbar simple X-ray image is considered.
  • the estimation simple X-ray image is a knee front simple X-ray image
  • the simple X-ray image for estimation is a knee-side simple X-ray image
  • a case where a plurality of learning simple X-ray images include a knee front simple X-ray image is considered.
  • the estimation simple X-ray image is a waist side simple X-ray image
  • a case where the plurality of learning simple X-ray images include a chest front simple X-ray image may be considered.
  • the teacher data 140 may include a reference bone density measured from a part (bone) included in a part shown in the estimation simple X-ray image, or may be included in a part shown in the estimation simple X-ray image.
  • a reference bone density measured from a part (bone) that does not exist may be included.
  • the teacher data 140 may include the reference bone density of the lumbar spine.
  • the estimation simple X-ray image is a chest front simple X-ray image
  • the reference bone density of the metacarpal bone is included in the teacher data 140 is considered.
  • the teacher data 140 may include a reference bone density measured by irradiating the target site with X-rays from the same direction as the direction of the site shown in the simple X-ray image for estimation.
  • the reference bone density measured by irradiating the target site with X-rays from a direction different from the direction of the site shown in the simple X-ray image may be included.
  • the teacher data 140 when the simple X-ray image for estimation is a lumbar front simple X-ray image, the teacher data 140 includes a reference bone density measured by irradiating the lumbar spine with X-rays from the front thereof. The case is conceivable.
  • the teacher data 140 is measured by irradiating the proximal part of the femur with X-rays from the front thereof.
  • the reference bone density is included.
  • grayscale image data representing a simple X-ray image obtained by a simple X-ray imaging apparatus is reduced, and the number of gradations is reduced.
  • learning image data and estimation image data are used as learning image data and estimation image data. For example, consider a case where the number of a plurality of pixel data constituting image data obtained by a simple X-ray imaging apparatus is larger than (1024 ⁇ 640) and the number of bits of the pixel data is 16 bits.
  • the number of a plurality of pixel data constituting the image data obtained by the simple X-ray imaging apparatus is reduced to, for example, (256 ⁇ 256), (1024 ⁇ 512) or (1024 ⁇ 640),
  • the reduced number of bits of the pixel data to 8 bits is used as learning image data and estimation image data.
  • each of the learning simple X-ray image and the estimation simple X-ray image is composed of (256 ⁇ 256), (1024 ⁇ 512), or (1024 ⁇ 640) pixels, and the value of the pixel Is represented by 8 bits.
  • the learning image data and the estimation image data may be generated by the control unit 10 of the estimation device 1 from image data obtained by a simple X-ray imaging device, or a device other than the estimation device 1 may be generated by a simple X-ray imaging device. It may be generated from image data obtained by the device.
  • the image data obtained by the simple X-ray imaging apparatus may be received by the communication unit 30 through a communication network, or may be stored in a removable memory included in the storage unit 20.
  • the communication unit 30 receives the learning image data and the estimation image data from another device through the communication network, and the control unit 10 transmits the learning image data and the estimation image data received by the communication unit 30.
  • the data may be stored in the storage unit 20.
  • learning image data and estimation image data generated by another device may be stored in a removable memory included in the storage unit 20.
  • the communication unit 30 may receive the teacher data 140 via the communication network, and the control unit 10 may store the teacher data 140 received by the communication unit 30 in the storage unit 20.
  • the teacher data 140 may be stored in a removable memory included in the storage unit 20. Note that the number and the number of bits of the pixel data of the learning image data and the estimation image data are not limited to the above.
  • FIG. 5 is a diagram for describing an example of learning of the neural network 200.
  • the control unit 10 inputs the learning data 130 to the input layer 210 of the neural network 200 as shown in FIG. Then, the control unit 10 adjusts the variable parameter 110a in the neural network 200 such that an error of the output data 400 output from the output layer 230 of the neural network 200 with respect to the teacher data 140 is reduced. More specifically, the control unit 10 inputs each learning image data in the storage unit 20 to the input layer 210.
  • the control unit 10 inputs a plurality of pixel data constituting the learning image data to a plurality of artificial neurons constituting the input layer 210, respectively.
  • the control unit 10 reduces the error of the output data 400 output from the output layer 230 when the learning image data is input to the input layer 210 with respect to the reference bone density corresponding to the learning image data.
  • the parameter 110a is adjusted.
  • a method for adjusting the parameter 110a for example, an error back propagation method is adopted.
  • the adjusted parameter 110a becomes the learned parameter 110 and is stored in the storage unit 20.
  • the parameters 110a include, for example, parameters used in the hidden layer 220.
  • the parameters 110a include a filter coefficient used in the convolutional layer 240 and a weighting coefficient used in the fully connected layer 260.
  • the method of adjusting the parameter 110a in other words, the method of learning the parameter 110a is not limited to this.
  • the relationship between the learning data 130 including the image data of the plurality of simple X-ray images for learning and the measured value of the bone density as the teacher data 140 is stored in the storage unit 20 using the neural network 200.
  • the learned parameters 110 that have been learned are stored.
  • the estimation device 1 learns the neural network 200, but another device may learn the neural network 200.
  • the storage unit 20 of the estimation device 1 stores the learned parameter 110 generated by another device. Further, it is unnecessary for the storage unit 20 to store the learning data 130 and the teacher data 140.
  • the communication unit 30 may receive the learned parameter 110 generated by another device via a communication network, and the control unit 10 may store the learned parameter 110 received by the communication unit 30 in the storage unit 20.
  • the learned parameter 110 generated by another device may be stored in the removable memory included in the storage unit 20.
  • image data of a plurality of simple X-ray images for learning is input to the input layer 210 as learning data 130, and the reference bone density is used as teacher data 140.
  • the learned parameter 110a that has been learned is included.
  • the neural network 200 performs an operation based on the learned parameter 110 a on the estimation data 120 input to the input layer 210, and obtains the bone density estimated value 300 from the output layer 230. Output.
  • the estimation image data as the estimation data 120 is input to the input layer 210, a plurality of pixel data constituting the estimation image data are respectively input to a plurality of artificial neurons constituting the input layer 210.
  • the convolutional layer 240 performs an operation using the filter coefficient included in the learned parameter 110a
  • the fully connected layer 260 performs an operation using the weighting coefficient included in the learned parameter 110a.
  • the estimation image data indicating the chest front simple X-ray image is input to the input layer 210
  • the bone density of a person having a chest bone reflected in the chest front simple X-ray image indicated by the estimation image data Is output from the output layer 230.
  • the estimation image data indicating the waist front simple X-ray image is input to the input layer 210
  • the person having the lumbar vertebra included in the waist portion, which is included in the waist front simple X-ray image indicated by the estimation image data is displayed.
  • the estimated value 300 of the bone density is output from the output layer 230.
  • the estimation image data indicating the waist side simple X-ray image is input to the input layer 210
  • the person having the lumbar vertebra included in the waist portion, which is included in the waist side simple X-ray image indicated by the estimation image data is displayed.
  • the estimated value 300 of the bone density is output from the output layer 230.
  • estimation image data indicating a knee front simple X-ray image is input to the input layer 210
  • the density estimation value 300 is output from the output layer 230.
  • the estimation image data indicating the knee-side simple X-ray image is input to the input layer 210, the human bone having the knee joint bone reflected in the knee-side simple X-ray image indicated by the estimation image data
  • the density estimation value 300 is output from the output layer 230.
  • the estimated value 300 output from the output layer 230 is at least one of a bone mineral density per unit area (g / cm 2 ), a bone mineral density per unit volume (g / cm 3 ), YAM, T score, and Z score. It may be represented by type. YAM is an abbreviation for “Young Adult Mean” and is sometimes referred to as the average percentage of young adults.
  • the output layer 230 may output an estimated value 300 expressed in bone mineral density per unit area (g / cm 2 ) and an estimated value 300 expressed in YAM, or may be expressed in YAM.
  • the estimated value 300, the estimated value 300 represented by the T score, and the estimated value 300 represented by the Z score may be output.
  • the storage unit 20 may store a plurality of estimation data 120.
  • the plurality of simple X-ray images for estimation indicated by the plurality of estimation data 120 in the storage unit 20 may include a plurality of simple X-ray images showing the same type of part, or may be different from each other. A plurality of simple X-ray images showing types of parts may be included. Further, the plurality of simple X-ray images for estimation may include a plurality of simple X-ray images in which a part is seen from the same direction, or a plurality of simple X-ray images in which a part is seen from a different direction. Good.
  • the plurality of simple X-ray images for estimation may include a plurality of simple X-ray images in which the directions of the parts shown therein are the same, or include a plurality of simple X-ray images in which the directions of the parts shown therein are different. It may be.
  • the control unit 10 inputs each of the plurality of estimation data 120 in the storage unit 20 to the input layer 210 of the neural network 200, and outputs the bone mineral density corresponding to each estimation data 120 from the output layer 230 of the neural network 200.
  • An estimate 300 is output.
  • the learning of the neural network 200 and the estimation of the bone density in the neural network 200 are performed using the image data of the simple X-ray image.
  • Image data of a simple X-ray image in other words, image data of an X-ray image, can be easily obtained because they are used in various medical examinations at many hospitals. Therefore, the bone density can be easily estimated without using an expensive device such as the DEXA device.
  • image data of a simple X-ray image taken for a medical examination or the like as image data for estimation, it is possible to easily estimate the bone density by using the opportunity of the medical examination or the like. Therefore, by using the estimation device 1, the service for the hospital user can be improved.
  • the front simple X-ray image of the chest or the like bones may not be easily captured due to the influence of organs.
  • a front simple X-ray image is likely to be taken in many hospitals.
  • the chest front simple X-ray image is often taken during a medical examination or the like, and can be said to be a particularly easily available simple X-ray image. By using the chest front simple X-ray image as the estimation simple X-ray image or the learning simple X-ray image, the bone density can be more easily estimated.
  • the simple X-ray image for estimation can be estimated from the image data. Therefore, the convenience of the estimation device 1 (in other words, the computer device 1) can be improved.
  • the simple X-ray image for estimation can be estimated from the image data. Therefore, the convenience of the estimation device 1 can be improved.
  • the neural network The network 200 can estimate the bone density based on the learned parameters 110. Therefore, the convenience of the estimation device 1 can be improved.
  • the direction of the part shown in the learning simple X-ray image is different from the direction of X-ray irradiation of the target part in the measurement of the reference bone density corresponding to the learning simple X-ray image.
  • the neural network 200 can estimate the bone density based on the learned parameters 110. Therefore, the convenience of the estimation device 1 can be improved.
  • the image data of the simple X-ray image for estimation is used. Can be used to estimate the bone density. Therefore, the convenience of the estimation device 1 can be improved.
  • the bone density estimation value 300 obtained by the estimation device 1 may be displayed on the display unit 40. Further, the bone density estimation value 300 obtained by the estimation device 1 may be used by another device.
  • FIG. 6 is a diagram illustrating an example of a bone density estimation system 600 including the estimation device 1 and a processing device 500 that performs a process using the bone density estimation value 300 obtained by the estimation device 1.
  • the estimation device 1 and the processing device 500 can communicate with each other via the communication network 700.
  • the communication network 700 includes, for example, at least one of a wireless network and a wired network.
  • the communication network 700 includes, for example, a wireless LAN (Local Area Network) and the Internet.
  • LAN Local Area Network
  • the communication network 700 is connected to the communication unit 30.
  • the control unit 10 causes the communication unit 30 to transmit the bone density estimation value 300 to the processing device 500.
  • the processing device 500 performs a process using the bone density estimated value 300 received from the estimation device 1 through the communication network 700.
  • the processing device 500 is a display device such as a liquid crystal display device, and displays the estimated bone density value 300.
  • the processing device 500 may display the estimated bone density 300 in a table or a graph.
  • the processing apparatus 500 may display the bone density estimated value 300 obtained by the plurality of estimating apparatuses 1.
  • the configuration of the processing device 500 may be the same as the configuration of the estimation device 1 shown in FIG. 1, or may be different from the configuration of the estimation device 1.
  • the processing performed by the processing device 500 using the estimated bone density value 300 is not limited to the above example. Further, the processing device 500 may directly communicate with the estimation device 1 wirelessly or by wire without passing through the communication network 700.
  • the learning data 130 includes, for each learning image data, information on the health condition of a person having a bone that appears in the learning simple X-ray image indicated by the learning image data.
  • the learning data 130 includes, for each learning image data, information on the health condition of the subject (subject) of the learning simple X-ray image indicated by the learning image data.
  • learning health-related information information on the health condition of the subject in the learning simple X-ray image
  • learning health-related information information on the health state of the subject in the learning simple X-ray image indicated by the learning image data
  • learning health-related information corresponding to the learning image data may be referred to as learning health-related information corresponding to the learning image data.
  • the health-related information for learning includes, for example, at least one of age information, gender information, height information, weight information, drinking habit information, smoking habit information, and fracture history information.
  • the learning-related health-related information is compiled into a database for each person and is generated as a CSV (Comma-Separated $ Value) format file or a text format file.
  • Each of the age information, the height information, and the weight information is represented as, for example, numerical data of a plurality of bits.
  • gender information for example, "male” or “female” is represented by 1-bit data
  • the drinking habit information "having a drinking habit” or "no drinking habit” is represented by 1-bit data.
  • 1-bit data is represented by “having a smoking habit” or “no smoking habit”, and in the information on the presence or absence of a fracture history, “with a fracture” or “without a fracture” is represented by 1-bit data.
  • the learning-related health information may include a body fat percentage or a subcutaneous fat percentage of the subject.
  • the reference bone density (see FIG. 4) corresponding to the learning image data is used as the learning image data.
  • the learning image data indicating a simple X-ray image for learning in which a bone of a certain person is captured and the information on the health state of the certain person (health-related information for learning) are compared with the bone density of the certain person.
  • the measured value (reference bone density) is associated.
  • the learning image data and the corresponding learning health-related information are simultaneously input to the input layer 210.
  • learning image data is input to a part of the plurality of artificial neurons forming the input layer 210, and learning health-related information is input to the other part of the plurality of artificial neurons. Then, when the learning image data and the corresponding learning health-related information are input to the input layer 210, the output data 400 output from the output layer 230, the learning image data and the learning data are output. The reference bone density corresponding to the health related information is compared.
  • the estimation data 120 includes the estimation image data and information on the health condition of a person having a bone that appears in the estimation simple X-ray image indicated by the estimation image data.
  • the estimation data 120 includes estimation image data and information on the health state of the subject of the estimation simple X-ray image indicated by the estimation image data.
  • the information on the health condition of the subject in the simple X-ray image for estimation may be referred to as “health-related information for estimation (hereinafter, also referred to as“ individual data ”in other embodiments)”.
  • information on the health state of the subject in the simple X-ray image for estimation indicated by the image data for estimation may be referred to as health-related information for estimation corresponding to the image data for estimation.
  • the health-related information for estimation includes at least one of age information, gender information, height information, weight information, drinking habit information, smoking habit information, and fracture history information.
  • the estimation-related health-related information includes the same type of information as the learning-related health-related information.
  • the estimation-related health-related information may include the body fat percentage or the subcutaneous fat percentage of the subject, similarly to the learning-related health information.
  • the image data for estimation and the health-related information for estimation corresponding thereto are simultaneously input to the input layer 210.
  • estimation image data is input to a part of the plurality of artificial neurons forming the input layer 210
  • estimation-related health-related information is input to other parts of the plurality of artificial neurons.
  • the output layer 230 outputs an estimated value of the bone density of the certain person.
  • the learning data 130 includes image data of N (N ⁇ 2) learning simple X-ray images in which portions of the same person are captured and the directions of the captured portions are different from each other.
  • N learning simple X-ray images may be collectively referred to as a “learning simple X-ray image set”.
  • the simple X-ray image set for learning includes, for example, a front image and a side image of the same person.
  • the learning simple X-ray image set includes, for example, a chest front simple X-ray image and a waist side simple X-ray image of a certain person.
  • the image sizes of the front image and the side image included in the learning simple X-ray image set may be different from each other.
  • the width of the image size of the side image may be smaller than the width of the image size of the front image.
  • the image data of each learning simple X-ray image of the learning simple X-ray image set may be collectively referred to as a “learning image data set”.
  • the learning data 130 includes a learning image data set for a plurality of persons different from each other. Accordingly, the learning data 130 includes a plurality of learning image data sets. Then, one reference bone density is associated with one learning image data set. In other words, a measurement value (reference bone density) of the bone density of the certain person is associated with the learning image data set of the certain person.
  • each learning image data set is input to the input layer 210.
  • N pieces of learning image data constituting the one learning image data set are simultaneously input to the input layer 210.
  • the learning image data set includes first learning image data and second learning image data.
  • first learning image data for example, image data of a chest front simple X-ray image
  • second learning image data for example, image data of a waist side simple X-ray image
  • the output data 400 output from the output layer 230 is compared with the reference bone density corresponding to the learning image data set.
  • the estimation data 120 includes image data of N simple X-ray images for estimation, in which parts of the same person are photographed and the directions of the parts appearing in the persons are different from each other.
  • the N simple X-ray images for estimation may be collectively referred to as a “set of simple X-ray images for estimation”.
  • the simple X-ray image set for estimation includes, for example, a front image and a side image of the same person.
  • the estimation simple X-ray image set includes, for example, a waist front simple X-ray image and a knee side simple X-ray image of a certain person.
  • the image sizes of the front image and the side image included in the estimation simple X-ray image set may be different from each other.
  • the width of the image size of the side image may be smaller than the width of the image size of the front image.
  • the image data of each simple X-ray image for estimation of the simple X-ray image set for estimation may be collectively referred to as an “image data set for estimation”.
  • the estimation data 120 when used to estimate the bone density, N pieces of estimation image data constituting the estimation image data set are simultaneously input to the input layer 210.
  • the estimation image data set includes first estimation image data and second estimation image data.
  • the first estimation image data is input to a part of the plurality of artificial neurons constituting the input layer 210
  • the second estimation image data is input to the other part of the plurality of artificial neurons.
  • the accuracy of estimating the bone density can be improved by using the image data of a plurality of simple X-ray images in which the portions of the same subject are captured and the directions of the captured portions are different from each other.
  • the learning data 130 may include a learning image data set and learning health-related information.
  • the learning image data set and the learning-related health-related information of the same person are simultaneously input to the input layer 210.
  • the estimation data 120 may include an estimation image data set and estimation health-related information. In this case, the image data set for estimation and the health-related information for estimation are simultaneously input to the input layer 210.
  • the same learned parameter 110 is used irrespective of the type of bone shown in the X-ray image indicated by the estimation image data, but the type of bone shown in the X-ray image indicated by the estimation image data is used. May be used.
  • the neural network 200 has a plurality of learned parameters 110 respectively corresponding to a plurality of types of bones.
  • the neural network 200 estimates the bone density by using the learned parameter 110 corresponding to the type of bone appearing in the X-ray image indicated by the input estimation image data. For example, when the lumbar vertebra is captured in the X-ray image indicated by the input estimation image data, the neural network 200 estimates the bone density by using the lumbar vertebra bone density estimation learning parameter 110.
  • the neural network 200 uses the learning parameter 110 for estimating the bone density of the proximal part of the femur, Estimate bone density.
  • the neural network 200 uses, for example, the learned parameter 110 specified by the user through the input unit 50 among the plurality of learned parameters 110. In this case, the user instructs the learned parameters 110 used by the neural network 200 according to the type of bone shown in the X-ray image indicated by the estimation image data input to the neural network 200.
  • a plurality of learning image data each showing a plurality of X-ray images showing the same type of bone is used, and a learned parameter 110 corresponding to the type of the bone is generated.
  • the estimating apparatus 1 and the bone density estimating system 600 have been described in detail. However, the above description is an example in all aspects, and the present disclosure is not limited thereto. The various examples described above can be applied in combination as long as they do not conflict with each other. And it is understood that countless examples that are not illustrated can be assumed without departing from the scope of the present disclosure.
  • FIG. 7 is a diagram illustrating an example of a configuration of the estimation device 1A according to the present embodiment.
  • the approximator 280 further has a second neural network 900.
  • the second neural network 900 can detect a fracture based on the learned parameters 910.
  • the estimation device 1A according to the present embodiment has the same configuration as the estimation device 1 according to the first embodiment, and a description of the same configuration will be omitted.
  • the neural network 200 described in the above example is referred to as a first neural network 200.
  • the second neural network 900 has a configuration equivalent to the first neural network 200, for example.
  • the second neural network 900 can detect a fracture based on the same estimation image data as the estimation image data included in the estimation data 120 input to the first neural network 200. That is, from one estimation image data, the first neural network 200 can estimate the bone density, and the second neural network 900 can detect the fracture. Note that the detection result 920 of the second neural network 900 may be output from the output layer 230 of the second neural network 900 as in the above example.
  • the learning of the second neural network 900 parameters are learned by using learning image data in which a bone without a fracture is captured and learning image data in which a bone with a fracture is captured. Further, in the teacher data, information indicating the presence or absence of a current fracture and information indicating the location of the fracture are associated with each of the learning image data for the bones shown in the learning image data. Further, the teacher data may include information indicating a past fracture history and information indicating a past fracture location. As a result, the second neural network 900 can detect, based on the image data for estimation, the presence / absence and location of a bone fracture in the image data for estimation, and output the detection result 920.
  • the estimation device 1A may include a determination unit 930 that determines whether the subject has osteoporosis.
  • the determination unit 930 can compare and evaluate the estimation result 300 of the first neural network 200 and the detection result 920 of the second neural network 900 to determine whether or not the subject has osteoporosis.
  • the determination unit 900 may determine osteoporosis based on, for example, an original standard or a known guideline. Specifically, when the detection result 920 indicates a fracture in the vertebral body or the proximal part of the femur, the determination unit 900 may determine that the patient has osteoporosis. When the estimated bone density value 300 output by the first neural network 200 indicates YAM, the determination unit 900 determines that the YAM is less than 80% and that the detection result 920 indicates that the vertebral body and the femur are near. If a fracture other than the position is indicated, it may be determined that the patient has osteoporosis. In addition, when YAM indicated by bone density estimated value 300 indicates a value of 70% or less, determination unit 900 may determine that the patient has osteoporosis.
  • the approximator 28 may further include a third neural network 950, as shown in FIG.
  • the third neural network 950 can classify the bones of the subject from the estimation image data included in the estimation data 120 based on the learned parameters 960.
  • the third neural network 950 outputs, for each pixel data of the input estimation image data, site information indicating a bone site indicated by the pixel data. Thereby, the bones appearing in the X-ray image indicated by the image data for estimation can be classified.
  • the site information may be called segmentation data.
  • the third neural network 950 determines that the pixel data for each pixel data of the estimation image data is L1 to L5 of the lumbar vertebra. Of these, part information indicating which part is indicated is output. For example, when certain pixel data of the image data for estimation indicates L1 of the lumbar vertebra, the third neural network 950 outputs part information indicating L1 as part information corresponding to the pixel data.
  • the third neural network 950 uses the learned parameter 960 according to the type of bone shown in the X-ray image indicated by the image data for estimation.
  • the third neural network 950 has a plurality of learned parameters 960 corresponding to a plurality of types of bones, respectively.
  • the third neural network 950 uses the learned parameters 960 corresponding to the types of bones appearing in the X-ray image indicated by the input estimation image data, and extracts the bones appearing in the X-ray image indicated by the estimation image data. Classify. For example, when the lumbar vertebra is captured in the X-ray image indicated by the input image data for estimation, the third neural network 950 divides the lumbar vertebra into L1 to L5 using a learning parameter 960 corresponding to the lumbar vertebra. .
  • the third neural network 950 uses, for example, the learned parameter 960 instructed by the user through the input unit 50 among the plurality of learned parameters 960.
  • the user instructs the learned parameter 960 used by the third neural network 950 according to the type of bone shown in the X-ray image indicated by the estimation image data input to the third neural network 950. .
  • the third neural network 950 converts the bones shown in the X-ray image indicated by the input estimation image data into the first site where the implant is embedded, the second site where the tumor is located, and the third site where the fracture is present. It may be divided. In this case, the third neural network 950 outputs, for each pixel data of the image data for estimation, site information indicating which of the first site, the second site, and the third site the pixel data indicates. I do. When the pixel data indicates a part other than the first part, the second part, and the third part, the third neural network 950 determines that the pixel data is not a part other than the first part, the second part, and the third part. The part information indicating the part is output.
  • the third neural network 950 divides a bone appearing in the X-ray image indicated by the image data for estimation into a first part, a second part, and a third part, the third neural network 950 performs the estimation. It can also be said that an implant embedded in a bone, a fracture of the bone, and a tumor of the bone are detected in the X-ray image indicated by the image data.
  • a plurality of learning image data each showing a plurality of X-ray images showing the same type of bone is used, and a learned parameter 960 corresponding to the type of bone is generated.
  • the third neural network 950 divides a bone appearing in the X-ray image indicated by the input estimation image data into a first part, a second part, and a third part, the bones are divided into a plurality of learning image data.
  • learning image data showing an X-ray image showing a case in which an implant is embedded learning image data showing an X-ray image showing a case with a tumor in a bone, and an X-ray image showing a case with a fracture.
  • image data for learning indicating an image is
  • the teacher data includes, for each piece of learning image data, annotation information for dividing a bone indicated by the learning image data.
  • annotation information includes, for each pixel data of the corresponding learning image data, site information indicating a bone site indicated by the pixel data.
  • the first neural network 200 may estimate the bone density for each of the sections divided in the third neural network 950.
  • the first neural network 200 includes estimation image data 121 and the estimation image output from the third neural network 950 based on the estimation image data 121. Part information 965 corresponding to each pixel data of the data 121 is input. Based on the learned parameters 110 corresponding to the types of bones appearing in the X-ray image indicated by the estimation image data 121, the first neural network 200 divides each part divided in the third neural network into The estimated bone density value 300 is output.
  • the first neural network 200 calculates the bone density estimated value 300 of L1 and L2 ,
  • the bone density estimation value 300 of L3, the bone density estimation value 300 of L4, and the bone density estimation value 300 of L5 are individually output.
  • the teacher data includes, for each learning image data, the reference bone density of each part of the bone indicated by the learning image data.
  • the first neural network 200 uses, for example, the learned parameters 110 specified by the user through the input unit 50 among the plurality of learned parameters 110.
  • the user indicates the learned parameter 110 used by the first neural network 200 according to the type of bone shown in the X-ray image indicated by the estimation image data input to the first neural network 200. .
  • the third neural network 950 divides the bones shown in the X-ray image indicated by the image data for estimation into a first part where the implant is embedded, a second part where the tumor is located, and a third part where the fracture is present.
  • the luminance of the first partial image data indicating the first part, the second partial image data indicating the second part where the tumor is present, and the luminance of the third partial image data indicating the third part are It may be adjusted.
  • FIG. 11 is a diagram showing a configuration example in this case.
  • the adjustment unit 968 includes the estimation image data 121 and each pixel data of the estimation image data 121 output by the third neural network 950 based on the estimation image data 121. Is input.
  • the adjustment unit 968 specifies the first partial image data, the second partial image data, and the third partial image data included in the estimation image data 121 based on the part information 965. Then, the adjustment unit 968 adjusts the luminance of the specified first partial image data, second partial image data, and third partial image data.
  • the adjustment unit 968 stores, for example, the luminance of the first portion in a general X-ray image as the first reference luminance. In addition, the adjustment unit 968 stores the luminance of the second portion shown in the general X-ray image as the second reference luminance. Then, the adjustment unit 968 stores the luminance of the third portion shown in the general X-ray image as the third reference luminance. The adjustment unit 968 adjusts the luminance of the first partial image data by subtracting the first reference luminance from the luminance of the first partial image data. In addition, the adjustment unit 976 adjusts the luminance of the second partial image data by subtracting the second reference luminance from the luminance of the second partial image data.
  • the adjusting unit 978 adjusts the luminance of the third partial image data by subtracting the third reference luminance from the luminance of the third partial image data.
  • the adjustment unit 968 adjusts the luminance of the first partial image data, the second partial image data, and the third partial image data in the estimation image data as the first neural network as luminance-adjusted estimation image data. Enter 200.
  • the first neural network 200 estimates the bone density of the bone appearing in the X-ray image indicated by the estimation image data, based on the estimation image data after the brightness adjustment.
  • the luminance of the first partial image data indicating the first part, the second partial image data indicating the second part, and the third partial image data indicating the third part are adjusted to be small, so that the estimation is performed. It is possible to more accurately estimate the bone density of the bone shown in the X-ray image indicated by the image data.
  • the adjusting unit 968 uses the estimation image data in which the luminance of the first partial image data, the second partial image data, and the third partial image data is forcibly set to zero as the estimation image data after the luminance adjustment. It may be input to one neural network 200.
  • the third neural network 950 may detect only one of an implant, a fracture, and a tumor. Further, the third neural network 950 may detect only two of the implant, the fracture, and the tumor. That is, the third neural network 950 may detect at least one of an implant, a fracture, and a tumor.
  • the estimation device 1A may include the first neural network 200 and the third neural network 950 without including the second neural network 900. Further, the estimation device 1A may include at least one of the second neural network 900 and the third neural network 950 without including the first neural network 200.
  • the estimation device 1A has been described in detail. However, the above description is an example in all aspects, and the disclosure is not limited thereto. The various examples described above can be applied in combination as long as they do not conflict with each other. And it is understood that countless examples that are not illustrated can be assumed without departing from the scope of the present disclosure.
  • FIG. 12 is a diagram illustrating an example of a configuration of the estimation device 1B according to the present embodiment.
  • the estimation device 1B has a fracture prediction unit 980.
  • the fracture prediction unit 980 can predict the probability of a fracture based on the estimation result 300 of the neural network 200 of the estimation device 1 according to the first embodiment, for example.
  • an arithmetic expression 990 showing the relationship between the estimation result (for example, bone density) related to bone density and the probability of fracture is obtained from past literature.
  • the fracture prediction unit 980 stores an arithmetic expression 990.
  • the fracture prediction unit 980 can predict the probability of a fracture based on the input estimation result 300 and the stored arithmetic expression 990.
  • the arithmetic expression 990 may be an arithmetic expression that indicates a relationship between the estimation result related to the bone density and the probability of a fracture after bone screw implantation.
  • the estimating device 1B may include the second neural network 900. In addition, the estimation device 1B may include a third neural network 950.
  • the estimating apparatus 1B has been described in detail, but the above description is an example in all aspects, and the present disclosure is not limited thereto.
  • the various examples described above can be applied in combination as long as they do not conflict with each other. And it is understood that countless examples that are not illustrated can be assumed without departing from the scope of the present disclosure.
  • FIG. 13 illustrates a concept of the configuration of the estimation system 801 according to the present embodiment.
  • the estimation system 801 of the present disclosure can estimate the future bone mass of a subject from an image of the subject such as an X-ray image, for example.
  • the estimation system 801 of the present disclosure includes a terminal device 802 and an estimation device 803.
  • the bone mass is an index related to the bone density, and is a concept including the bone density.
  • the terminal device 802 can acquire the input information I to be input to the estimation device 803.
  • the input information I may be, for example, an X-ray image.
  • the terminal device 802 may be any device that allows a doctor or the like to capture an X-ray image of a subject.
  • the terminal device 802 may be a simple X-ray imaging device (in other words, a general X-ray imaging device or an X-ray imaging device).
  • the terminal device 802 is not limited to a simple X-ray imaging device.
  • the terminal device 802 may be, for example, an X-ray fluoroscope, CT (Computed Tomography), MRI (Magnetic Resonance Imaging), SPECT (Single Photon Emission Computed Tomography) -CT, or tomosynthesis.
  • the input information I may be, for example, an X-ray fluoroscopic image, a CT (Computed @ Tomography) image, an MRI (Magnetic @ Resonance @ Imaging) image, a bone scintigraphy image, or a tomosynthesis image.
  • the estimation system 801 is used, for example, for diagnosing osteoporosis of a patient who goes to a hospital.
  • the estimation system 801 of the present disclosure captures a radiograph of a patient using, for example, a terminal device 802 installed in an X-ray room. Then, the image data is transferred from the terminal device 802 to the estimating device 803. Through the estimating device 803, not only the bone mass or the bone density of the patient at the present time but also the future bone mass or the bone density of the patient from the time of imaging is obtained. Can be estimated.
  • the terminal device 802 does not have to directly transfer the input information I to the estimation device 803.
  • the input information I acquired by the terminal device 802 may be stored in a storage medium, and the input information I may be input to the estimation device 803 via the storage medium.
  • FIG. 14 illustrates the concept of the configuration of the estimation device 803 according to the present embodiment.
  • the estimation device 803 can estimate the future bone mass or bone density of the subject based on the input information I acquired by the terminal device 802.
  • the estimation device 803 can estimate the future bone mass or bone density of the subject from the image data acquired by the terminal device 802, and output the estimation result O.
  • the estimation device 803 includes an input unit 831, an approximator 832, and an output unit 833.
  • the input unit 831 is for inputting the input information I from the terminal device 802.
  • the approximator 832 can estimate a future bone mass or bone density based on the input information I.
  • the output unit 833 can output the estimation result O predicted by the approximator 832.
  • the estimation device 803 has various electronic components and circuits. As a result, the estimation device 803 can form each component. For example, the estimation device 803 integrates a plurality of semiconductor elements to form at least one integrated circuit (for example, IC: Integrated Circuit or LSI: Large Scale Integration) or the like, or further integrates a plurality of integrated circuits. Each functional unit of the estimation device 803 can be configured by forming at least one unit.
  • the plurality of electronic components may be, for example, active elements such as transistors or diodes or passive elements such as capacitors. Note that a plurality of electronic components and an integrated circuit formed by integrating them can be formed by a conventionally known method.
  • the input unit 831 is for inputting information used in the estimation device 803. For example, input information I having an X-ray image acquired by the terminal device 802 is input to the input unit 831.
  • the input unit 831 has a communication unit, and the input information I acquired by the terminal device 802 is directly input from the terminal device 802. Further, the input unit 831 may include an input device capable of inputting the input information I or other information.
  • the input device may be, for example, a keyboard, a touch panel, a mouse, or the like.
  • the approximator 832 estimates the future bone mass or bone density of the subject based on the information input to the input unit 831.
  • the approximator 832 has AI (Artificial @ Intelligence).
  • the approximator 832 has a program functioning as an AI, and various electronic components and circuits for executing the program.
  • the approximator 832 has a neural network.
  • the approximator 832 has learned in advance the relationship between input and output. That is, by applying machine learning to the approximator 832 using the learning data and the teacher data, the approximator 832 can calculate the estimation result O from the input information I.
  • the learning data or the teacher data may be data corresponding to the input information I input to the estimation device 803 and the estimation result O output from the estimation device 803.
  • FIG. 15 illustrates the concept of the configuration of the approximator 832 of the present disclosure.
  • the approximator 832 has a first neural network 8321 and a second neural network 8322.
  • the first neural network 8321 may be any neural network suitable for handling time-series information.
  • the first neural network 8321 may be a ConvLSTM network that combines LSTM (Long Short-Term Memory) and CNN (Convolutional Neural Network).
  • the second neural network 8322 may be, for example, a convolutional neural network configured by a CNN.
  • the first neural network 8321 has an encoding unit E and a decoding unit D.
  • the encoding unit E can extract a temporal change of the input information I and a feature amount of the position information.
  • the decoding unit D can calculate a new feature amount based on the feature amount extracted by the encoding unit E, the time change of the input information I, and the initial value.
  • FIG. 16 illustrates the concept of the configuration of the first neural network 8321 of the present disclosure.
  • the encoding unit E has a plurality of ConvLSTM layers (Convolutional Long short-term memory) E1.
  • the decoding unit D has a plurality of ConvLSTM layers (Convolutional Long Short-Term Memory) D1.
  • Each of the encoding unit E and the decoding unit D may include three or more ConvLSTM layers E1 and D1. Further, the number of the plurality of ConvLSTM layers E1 and the number of the plurality of ConvLSTM layers D1 may be the same.
  • the plurality of ConvLSTM layers E1 may have different learning contents.
  • the plurality of ConvLSTM layers D1 may have different learning contents. For example, one ConvLTSM layer learns detailed contents such as a change of one pixel, and another ConvLSTM layer learns general contents such as a change of an entire image.
  • FIG. 17 shows the concept of the configuration of the second neural network 8322.
  • the second neural network 8322 has a conversion unit C.
  • the conversion unit C can convert the feature amount calculated by the decoding unit D of the first neural network 8321 into a bone mass or a bone density.
  • the conversion unit C has a plurality of convolutional layers C1, a plurality of pooling layers C2, and a fully connected layer C3.
  • the all-coupling layer C3 is located before the output unit 33.
  • the convolutional layers C1 and the pooling layers C2 are alternately arranged between the first neural network 8311 and the fully connected layer C3.
  • the learning data is input to the encoding unit E of the approximator 832 when the approximator 832 learns.
  • the teacher data is compared with output data output from the conversion unit C of the approximator 832 when the approximator 832 learns.
  • the teacher data is data indicating a value measured using a conventional bone density measuring device.
  • the output unit 833 can display the estimation result O.
  • the output unit 833 is, for example, a liquid crystal display or an organic EL display.
  • the output unit 833 can display various information such as characters, symbols, and graphics.
  • the output unit 833 can display, for example, numbers or images.
  • the estimation device 803 of the present disclosure further includes a control unit 834 and a storage unit 835.
  • the control unit 834 can manage the operation of the estimating device 803 in an integrated manner by controlling other components of the estimating device 803.
  • the control unit 834 includes, for example, a processor.
  • the processor may be, for example, one or more processors, controllers, microprocessors, microcontrollers, application specific integrated circuits (ASICs), digital signal processors, programmable logic devices, or any of these devices or any of the calibrations. Combinations, or combinations of other base devices or calibrations.
  • the control unit 834 includes, for example, a CPU.
  • the storage unit 835 includes a non-transitory recording medium readable by the CPU of the control unit 834, such as a RAM (Random Access Memory) or a ROM (Read-Only Memory).
  • the storage unit 835 stores a control program for controlling the estimation device 803 such as firmware.
  • the storage unit 835 may store input information I to be input, learning data to be learned, and teacher data.
  • the processor of the control unit 834 can execute one or more data calculation procedures or processes according to the control program of the storage unit 835.
  • Various functions of the control unit 834 are realized by the CPU of the control unit 834 executing a control program in the storage unit 11.
  • the control unit 834 may perform other processing as preprocessing of the calculation processing as necessary.
  • the input information (hereinafter, also referred to as first input information I1) includes image data in which a bone whose bone mass or bone density is to be estimated is captured.
  • the image data may be a simple X-ray image, for example.
  • the estimation target of the bone mass or the bone density is, for example, a human.
  • the first input information I1 is image data of a simple X-ray image showing a human bone.
  • a simple X-ray image is a two-dimensional image, and is also called a general X-ray image or an X-ray image.
  • the first input information I1 is preferably a simple X-ray image which is relatively easy to obtain, but is not limited thereto.
  • a CT Computed @ Tomography
  • MRI Magnetic @ Resonance @ Imaging
  • a bone scintigraphy image or a tomosynthesis image as input information, it may be possible to more accurately estimate the bone mass or the bone density. is there.
  • the target of estimating bone mass or bone density may be other than human.
  • the target for estimating bone mass or bone density may be an animal such as a dog, cat or horse.
  • the target bones are mainly cortical bones and cancellous bones of biological origin, and the target bones are artificial bones containing calcium phosphate as a main component or regenerated artificially produced by regenerative medicine or the like. Bone may be included.
  • the imaging site of the X-ray image may be, for example, the neck, chest, waist, proximal femur, knee, ankle, shoulder, elbow, wrist, finger, or jaw joint.
  • the X-ray image may include a part other than the bone.
  • a chest simple X-ray image it may include an image of a lung and an image of a thoracic vertebra.
  • the X-ray image may be a front image in which the target portion is seen from the front, or a side image in which the target portion is seen from the side.
  • the learning data or the teacher data may be data corresponding to the input information I input to the estimation device 3 and the estimation result O output from the estimation device 3.
  • the learning data has the same type of information as the first input information I1. For example, if the first input information I1 is a simple X-ray image, the learning data only needs to have a simple X-ray image. Further, when the first input information I1 is a chest simple X-ray image, the learning data only needs to have a chest simple X-ray image.
  • the learning data includes learning image data of a plurality of simple X-ray images showing bones. For example, at least one of a neck, a chest, a waist, a proximal femur, a knee joint, an ankle joint, a shoulder joint, an elbow joint, a wrist joint, a finger joint, and a jaw joint are included in the imaging region of the plurality of learning image data. Is included.
  • the learning data may include some types of image data among the 11 types of image data, or may include all types of image data.
  • the plurality of learning image data may include a front image or a side image.
  • the learning data shows the bones of different people.
  • an actual measured value of the bone mass or the bone density of the subject in each of the learning image data is associated as teacher data.
  • the actual measurement value of the bone mass or the bone density is measured at substantially the same time as when the learning image data was captured.
  • the learning image data of the learning data may be a series of data having different time axes of the same person.
  • the learning image data is a first learning data having an X-ray image of a bone and an image of the same person as the first learning data, and has an X-ray image taken after the first learning data.
  • Second learning data may be included.
  • the learning image data of the learning data may be a data group in which the same part of another person is photographed and whose age is different. Further, the learning image data of the learning data may be a series of data having different time axes when the same person and the same part are imaged.
  • the learning data and the first input information I1 reduce grayscale image data representing a simple X-ray image captured by a simple X-ray imaging device (in other words, a general X-ray imaging device or an X-ray imaging device), and A device with a reduced number of gradations may be used.
  • a simple X-ray imaging device in other words, a general X-ray imaging device or an X-ray imaging device
  • a device with a reduced number of gradations may be used. For example, consider a case where the number of pixel data of the image data is larger than (1024 ⁇ 640) and the number of bits of the pixel data is 16 bits. In this case, the number of pixel data is reduced to, for example, (256 ⁇ 256), (1024 ⁇ 512) or (1024 ⁇ 640) and the number of bits of the pixel data is reduced to 8 bits, It is used as the first input information I1 and learning data.
  • the teacher data includes, for each of the plurality of learning image data included in the learning data, a measured value of a bone mass or a bone density having a bone shown in the learning simple X-ray image indicated by the learning image data.
  • the bone mass or the bone density may be measured by, for example, a DEXA (dual-energy X-ray absorptiometry) method or an ultrasonic method.
  • the control unit 834 executes machine learning using the learning data and the teacher data for the approximator 832 so that the approximator 832 can calculate the estimation result O regarding the bone mass or the bone density from the input information I.
  • the approximator 832 is optimized by known machine learning using teacher data.
  • the approximator 832 calculates a variable parameter in the approximator 832 so that the difference between the pseudo estimation result calculated from the learning data input to the encoding unit E and output from the conversion unit C and the teacher data is reduced. adjust.
  • the control unit 834 inputs the learning data in the storage unit 835 to the encoding unit E.
  • the control unit 834 inputs a plurality of pixel data constituting the learning image data to a plurality of artificial neurons constituting the encoding unit E, respectively.
  • the control unit 834 determines the error of the estimation result O output from the conversion unit C when the learning image data is input to the encoding unit E with respect to the bone mass or bone density measured value corresponding to the learning image data. Is adjusted so that is smaller.
  • the adjusted parameter becomes a learned parameter and is stored in the storage unit 835.
  • the parameters include, for example, parameters used in the encoding unit E, the decoding unit D, and the conversion unit C.
  • the parameters include the ConvLSTM layers of the encoding unit E and the decoding unit D, and the weighting coefficients used in the convolutional layer and the fully connected layer of the conversion unit C.
  • the approximator 832 performs an operation based on the learned parameters for the input information I input to the encoding unit E, and outputs the estimation result O from the conversion unit C.
  • the X-ray image data as the input information I is input to the encoding unit E
  • a plurality of pixel data configuring the image data is input to a plurality of artificial neurons configuring the input unit 831.
  • the ConvLSTM layer, the convolutional layer, and the fully connected layer can perform an operation using the weighting coefficient included in the learned parameter, and output the estimation result O.
  • the estimation system 801 learning of the approximator 832 and estimation of the bone mass or the bone density by the approximator 832 are performed using the image data of the simple X-ray image. Therefore, the input information I can be input to the estimation system 801 and the future bone mass or bone density can be output as the estimation result O.
  • the estimation result O of the estimation system 801 may be an estimation result of a certain day in the future with respect to the acquisition date of the input information I.
  • the estimation system 1 can estimate the bone mass or the bone density from 3 months to 50 years after imaging, more preferably from 6 months to 10 years after imaging.
  • the estimation result O may be output as a value.
  • it may be represented by at least one of YAM (Young ⁇ Adult ⁇ Mean), T score, and Z score.
  • the output unit 833 may output an estimated value represented by YAM, an estimated value represented by YAM, an estimated value represented by a T score, and an estimated value represented by a Z score. May be output.
  • the estimation result O may be output as an image.
  • an X-ray image-like image may be displayed.
  • the X-ray image-like image is an image imitating an X-ray image.
  • a temporal change of the image can be predicted. Thereby, a future image can be generated from an X-ray image of another patient at one time.
  • the learning data and the input information I may include an image of a visceral organ, a muscle, a fat, or a blood vessel in addition to the bone. Even in that case, highly accurate estimation can be performed.
  • the first input information I1 may include the individual data (first individual data) of the subject.
  • the first individual data may be, for example, age information, gender information, height information, weight information, or fracture history. As a result, highly accurate estimation can be performed.
  • the first input information I1 may include the second individual data of the subject.
  • the second individual data may include, for example, information on blood pressure, lipid, cholesterol, neutral fat, and blood sugar level. As a result, highly accurate estimation can be performed.
  • the first input information I1 may include lifestyle information of the subject.
  • the lifestyle information may be information such as drinking habits, smoking habits, exercise habits, and eating habits. As a result, highly accurate estimation can be performed.
  • the first input information I1 may include bone metabolism information of the subject.
  • the bone metabolism information may be, for example, bone resorption ability or bone formation ability.
  • These include, for example, type I collagen cross-linked N-telopeptide (NTX), type I collagen cross-linked C-telopeptide (CTX), tartrate-resistant acid phosphatase (TRACP-5b), deoxypyridinoline ( DPD), bone formation alkaline phosphatase (BAP), a bone formation marker, collagen type I cross-linked N-propeptide (P1NP), and bone-related matrix marker, undercarboxylated osteocalcin (ucOC). is there.
  • the bone resorption marker may be measured using serum or urine as a specimen.
  • second input information I2 relating to the future scheduled behavior of the subject may be further input as the input information I.
  • the second input information I2 may be, for example, individual data that is scheduled to be improved or has been improved, or information on lifestyle habits, exercise habits, and eating habits that have been planned or improved.
  • the second input information I2 includes weight data, drinking habits, smoking habits, hours of sun exposure, steps or walking distance per day, intake of dairy products, or vitamins such as fish and mushrooms after improvement. Information such as the intake amount of a food containing a large amount of D may be used.
  • the estimation system 801 can indicate the estimation result O with an improved future bone mass or bone density.
  • the second input information I2 may be, for example, information on a lifestyle that is scheduled to deteriorate.
  • the estimation system can indicate the estimation result O with the deteriorated future bone mass or bone density.
  • third input information I3 relating to therapy for a subject may be further input as input information I.
  • the third input information I3 is, for example, information on physical therapy or pharmacotherapy. Specifically, if the third input information I3 is at least one of a calcium drug, a female hormone drug, a vitamin drug, a bisphosphonate drug, a SERM (Selective Estrogen Receptor Modulator) drug, a calcitonin drug, a thyroid hormone drug, and a denosumab drug Good.
  • the estimation result O is based on the first result O1 based on only the first input information I1, and at least one of the first input information I1 and the second and third input information I2 and I3.
  • the second result O2 may be output.
  • the estimation result O may output not only the future bone mass or bone density but also the current result. As a result, changes in bone mass or bone density over time can be compared.
  • FIG. 18 illustrates the concept of the configuration of an approximator 832 according to another embodiment of the estimation system 1.
  • the estimation device 803 of the estimation system 801 may include a first approximator 832a and a second approximator 832b. That is, a second approximator 832b may be provided in addition to the above-described approximator 832 (first approximator 832a).
  • the second approximator 832b may be, for example, a CNN.
  • the first approximator 832a outputs the first image and the first value to the first output unit 833a as the first estimation result O1.
  • the second approximator 832b outputs a second value from the first image from the first output unit 833a as a second estimation result O2 to the second output unit 833b.
  • the first value and the second value can be compared as the estimation result O of the future bone mass or bone density.
  • the estimation system 801 may output a third value based on the first value and the second value as the estimation result O.
  • a result for example, a result (third value) obtained by correcting the first value based on the second value can be used as the estimation result O.
  • the estimation system 801 has been described in detail, but the above description is an example in all aspects, and the present disclosure is not limited thereto.
  • the various examples described above can be applied in combination as long as they do not conflict with each other. And it is understood that countless examples that are not illustrated can be assumed without departing from the scope of the present disclosure.
  • Reference Signs List 20 storage unit 100 control program 110, 910, 960 learned parameter 120 estimation data 130 learning data 140 teacher data 200 neural network 210 input layer 230 output layer 280, 832 approximator 500 processing unit 600 bone density estimation system 801 estimation system 802 Terminal device 803 Estimation device 831 Input unit 833 Output unit 834 Control unit 835 Storage unit 900, 8322 Second neural network 930 Judgment unit 950 Third neural network 980 Fracture prediction unit 8321 First neural network O Estimation result I Input Information E Encoding section D Decoding section C Conversion section

Abstract

推定装置は、入力部及び推定装置を備える。入力部は、骨が写っている画像を有した入力情報が入力される。近似器は、入力部に入力された入力情報から、骨の骨密度に関連する推定結果を推定可能である。近似器は、骨の骨密度に関連する推定結果を入力情報から求めるための学習済みパラメータを有する。

Description

推定装置、推定システム及び推定プログラム 関連出願の相互参照
　本出願は、日本国出願２０１８－１６８５０２号（２０１８年９月１０日出願）及び日本国出願２０１８－２２０４０１号（２０１８年１１月２６日出願）の優先権を主張するものであり、当該出願の開示全体を、ここに参照のために取り込む。
　本開示は、骨密度の推定に関する。
　特許文献１には、骨粗鬆症を判定する技術が記載されている。特許文献２には、骨の強度を推定する技術が記載されている。
特開２００８－３６０６８号公報 特表２００２－５２３２０４号公報
　推定装置、推定システム及び推定プログラムが開示される。一の実施の形態では、推定装置は、骨が写っている画像を有した入力情報が入力される入力部と、前記入力部に入力された入力情報から、前記骨の骨密度に関連する推定結果を推定可能な近似器と、前記近似器で推定された推定結果を出力する出力部と、を備え、前記近似器は、前記骨の骨密度に関連する推定結果を前記入力情報から求めるための学習済みパラメータを有する、推定装置。
　また、一の実施の形態では、推定システムは、骨が写っている画像を有した入力情報が入力される入力部と、前記骨の骨密度に関連する推定結果を前記入力情報から求めるための学習済みパラメータを有し、前記入力部に入力された入力情報から前記骨の骨密度に関連する推定結果を推定可能な近似器と、を備え、前記入力部に入力情報が入力されたときに、前記近似器で前記入力情報の演算処理を行なう。
　また、一の実施の形態では、推定プログラムは、骨が写っている画像を有した入力情報から前記骨の骨密度に関連する推定結果を求めるための学習済みパラメータに基づく演算を行い、前記画像に写る骨の骨密度の推定値を出力するニューラルネットワークとして、装置を機能させるための推定プログラムである。
コンピュータ装置（推定装置）の構成の一例を示す図である。 推定装置の動作を説明するための図である。 ニューラルネットワークの構成の一例を示す図である。 学習用画像データ及び基準骨密度が互いに対応付けられている様子の一例を示す図である。 推定装置の動作を説明するための図である。 推定システムの一例を示す図である。 推定装置の構成の一例を示す図である。 推定装置の構成の一例を示す図である。 推定装置の構成の一例を示す図である。 推定装置の構成の一例を示す図である。 推定装置の構成の一例を示す図である。 推定装置の構成の一例を示す図である。 推定システムの構成を模式的に示す概念図である。 推定システムの一部の構成を模式的に示す概念図である。 推定システムの一部の構成を模式的に示す概念図である。 推定システムの一部の構成を模式的に示す概念図である。 推定システムの一部の構成を模式的に示す概念図である。 推定システムの他の実施形態の一部の構成を模式的に示す概念図である。
　実施の形態１．
　図１は本実施の形態１に係るコンピュータ装置１の構成の一例を示すブロック図である。コンピュータ装置１は、骨密度を推定する推定装置として機能する。以後、コンピュータ装置１を「推定装置１」と呼ぶことがある。
　図１に示されるように、推定装置１は、例えば、制御部１０、記憶部２０、通信部３０、表示部４０及び入力部５０を備える。制御部１０、記憶部２０、通信部３０、表示部４０及び入力部５０は、例えば、バス６０で互いに電気的に接続されている。
　制御部１０は、推定装置１の他の構成要素を制御することによって、推定装置１の動作を統括的に管理することが可能である。制御部１０は制御装置あるいは制御回路とも言える。制御部１０は、以下にさらに詳細に述べられるように、種々の機能を実行するための制御及び処理能力を提供するために、少なくとも１つのプロセッサを含む。
　種々の実施形態によれば、少なくとも１つのプロセッサは、単一の集積回路（ＩＣ）として、または複数の通信可能に接続された集積回路（ＩＣ）及び／またはディスクリート回路（discrete circuits）として実行されてもよい。少なくとも１つのプロセッサは、種々の既知の技術に従って実行されることが可能である。
　１つの実施形態において、プロセッサは、例えば、関連するメモリに記憶された指示を実行することによって１以上のデータ計算手続又は処理を実行するように構成された１以上の回路又はユニットを含む。他の実施形態において、プロセッサは、１以上のデータ計算手続き又は処理を実行するように構成されたファームウェア（例えば、ディスクリートロジックコンポーネント）であってもよい。
　種々の実施形態によれば、プロセッサは、１以上のプロセッサ、コントローラ、マイクロプロセッサ、マイクロコントローラ、特定用途向け集積回路（ＡＳＩＣ）、デジタル信号処理装置、プログラマブルロジックデバイス、フィールドプログラマブルゲートアレイ、またはこれらのデバイス若しくは構成の任意の組み合わせ、または他の既知のデバイス及び構成の組み合わせを含み、以下に説明される機能を実行してもよい。本例では、制御部１０は、例えばＣＰＵ（Central Processing Unit）を備えている。
　記憶部２０は、ＲＯＭ（Read Only Memory）及びＲＡＭ（Random Access Memory）などの、制御部１０のＣＰＵが読み取り可能な非一時的な記録媒体を含む。記憶部２０には、推定装置１を制御するための制御プログラム１００が記憶されている。制御部１０の各種機能は、制御部１０のＣＰＵが記憶部２０内の制御プログラム１００を実行することによって実現される。制御プログラム１００は、コンピュータ装置１を推定装置として機能させるための骨密度推定プログラムであるとも言える。本例では、制御部１０が記憶部２０内の制御プログラム１００を実行することによって、制御部１０には、図２に示されるように、骨密度の推定値３００を出力することが可能な近似器２８０が形成される。近似器２８０は、例えば、ニューラルネットワーク２００を備える。制御プログラム１００は、コンピュータ装置１をニューラルネットワーク２００として機能させるためのプログラムであるとも言える。以後、骨密度の推定値を「骨密度推定値」と呼ぶことがある。なお、ニューラルネットワーク２００の構成例については後で詳細に説明する。
　記憶部２０には、制御プログラム１００以外にも、ニューラルネットワーク２００に関する学習済みパラメータ１１０、推定用データ１２０（以下、「入力情報」ともいう）、学習用データ１３０及び教師データ１４０が記憶されている。学習用データ１３０及び教師データ１４０は、ニューラルネットワーク２００を学習させる際に使用されるデータである。学習済みパラメータ１１０及び推定用データ１２０は、学習済みのニューラルネットワーク２００が骨密度を推定する場合に使用するデータである。
　学習用データ１３０は、ニューラルネットワーク２００の学習時に、ニューラルネットワーク２００の入力層２１０に入力されるデータである。学習用データ１３０は、学習データとも呼ばれる。教師データ１４０は、骨密度の正しい値を示すデータである。教師データ１４０は、ニューラルネットワーク２００の学習時に、ニューラルネットワーク２００の出力層２３０から出力される出力データと比較される。学習用データ１３０及び教師データ１４０はまとめて教師付き学習データと呼ばれることがある。
　推定用データ１２０は、学習済みのニューラルネットワーク２００が骨密度を推定する場合に、その入力層２１０に入力されるデータである。学習済みパラメータ１１０は、ニューラルネットワーク２００内の学習されたパラメータである。学習済みパラメータ１１０は、ニューラルネットワーク２００の学習で調整されたパラメータであると言える。学習済みパラメータ１１０には、人工ニューロン間の結合の重みを示す重み付け係数が含まれる。学習済みのニューラルネットワーク２００は、図２に示されるように、入力層２１０に入力される推定用データ１２０に対して学習済みパラメータ１１０に基づく演算を行って、出力層２３０から骨密度推定値３００を出力する。
　なお、入力層２１０に入力されるデータは、入力部５０を介して入力層２１０に入力されてもよいし、入力層２１０に直接入力されてもよい。入力層２１０に直接入力される場合には、入力層２１０は、入力部５０の一部または全部とされてもよい。以後、骨密度推定値３００を推定結果３００と呼ぶことがある。
　通信部３０は、有線あるいは無線で、インターネット等を含む通信ネットワークに接続されている。通信部３０は、通信ネットワークを通じて、クラウドサーバ及びウェブサーバ等の他の装置と通信することが可能である。通信部３０は、通信ネットワークから受け取った情報を制御部１０に入力することが可能である。また通信部３０は、制御部１０から受け取った情報を通信ネットワークに出力することが可能である。
　表示部４０は、例えば、液晶表示ディスプレイあるいは有機ＥＬディスプレイである。表示部４０は、制御部１０によって制御されることによって、文字、記号、図形などの各種情報を表示することが可能である。
　入力部５０は、推定装置１に対するユーザからの入力を受け付けることが可能である。入力部５０は、例えば、キーボード及びマウスを備える。入力部５０は、表示部４０の表示面に対するユーザの操作を検出することが可能なタッチパネルを備えてもよい。
　なお、推定装置１の構成は上記の例に限られない。例えば、制御部１０は、複数のＣＰＵを備えてもよい。また制御部１０は、少なくとも一つのＤＳＰを備えてもよい。また、制御部１０の全ての機能あるいは制御部１０の一部の機能は、その機能の実現にソフトウェアが不要なハードウェア回路によって実現されてもよい。また記憶部２０は、ＲＯＭ及びＲＡＭ以外の、コンピュータが読み取り可能な非一時的な記録媒体を備えていてもよい。記憶部２０は、例えば、小型のハードディスクドライブ及びＳＳＤ（Solid State Drive）などを備えてもよい。また記憶部２０は、推定装置１に対して着脱可能な、ＵＳＢ（Universal Serial Bus）メモリ等のメモリを備えてもよい。以後、推定装置１に対して着脱可能なメモリを「着脱式メモリ」と呼ぶことがある。
　＜ニューラルネットワークの構成例＞
　図３は、ニューラルネットワーク２００の構成の一例を示す図である。本例では、ニューラルネットワーク２００は、例えば、畳み込みニューラルネットワーク（ＣＮＮ（Convolutional Neural Network））である。図３に示されるように、ニューラルネットワーク２００は、例えば、入力層２１０と、隠れ層２２０と、出力層２３０とを備える。隠れ層２２０は中間層とも呼ばれる。隠れ層２２０は、例えば、複数の畳み込み層２４０と、複数のプーリング層２５０と、全結合層２６０とを備える。ニューラルネットワーク２００では、出力層２３０の前段に全結合層２６０が存在している。そして、ニューラルネットワーク２００では、入力層２１０と全結合層２６０との間において、畳み込み層２４０とプーリング層２５０とが交互に配置されている。
　なお、ニューラルネットワーク２００の構成は図３の例には限られない。例えば、ニューラルネットワーク２００は、入力層２１０と全結合層２６０との間に、１つの畳み込み層２４０と１つのプーリング層２５０とを備えてもよい。また、ニューラルネットワーク２００は、畳み込みニューラルネットワーク以外のニューラルネットワークであってもよい。
　＜推定用データ、学習用データ及び教師データの一例＞
　推定用データ１２０は、骨密度の推定対象の骨が写る単純Ｘ線像の画像データを含む。骨密度の推定対象は、例えば人である。したがって、推定用データ１２０は、人の骨が写る単純Ｘ線像の画像データを含むと言える。学習用データ１３０には、人の骨が写る複数の単純Ｘ線像の画像データが含まれる。単純Ｘ線像は、２次元像であって、一般Ｘ線像あるいはレントゲン像とも呼ばれる。なお、骨密度の推定対象は人以外であってもよい。例えば、骨密度の推定対象は、イヌ、ネコあるいはウマ等の動物であってもよい。また、対象とする骨は、主に、生物由来の皮質骨及び海綿骨であるが、対象とする骨に、リン酸カルシウムを主成分とする人工骨、あるいは再生医療等によって人工的に製造された再生骨が含まれてもよい。
　以後、推定用データ１２０に含まれる画像データを「推定用画像データ」と呼ぶことがある。また、推定用データ１２０に含まれる画像データが示す単純Ｘ線像を「推定用単純Ｘ線像」と呼ぶことがある。また、学習用データ１３０に含まれる画像データを「学習用画像データ」と呼ぶことがある。また、学習用データ１３０に含まれる画像データが示す単純Ｘ線像を「学習用単純Ｘ線像」と呼ぶことがある。学習用データ１３０には、複数の学習用単純Ｘ線像をそれぞれ示す複数の学習用Ｘ線画像データが含まれる。
　推定用単純Ｘ線像の撮影部位としては、例えば、頭部、頚部、胸部、腰部、股関節、膝関節、足関節、足部、足趾、肩関節、肘関節、手関節、手部、手指あるいは顎関節が採用される。言い換えれば、推定用データ１２０としては、頭部に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、頚部に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、胸部に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、腰部に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、股関節に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、膝関節に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、足関節に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、足部に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、足趾に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、肩関節に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、肘関節に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、手関節に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、手部に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、手指に対してＸ線が照射されて得られた単純Ｘ線像の画像データあるいは顎関節に対してＸ線が照射されて得られた単純Ｘ線像の画像データが採用される。胸部に対してＸ線が照射されて得られた単純Ｘ線像には、肺が写る単純Ｘ線像と、胸椎が写る単純Ｘ線像とが含まれる。なお、推定用単純Ｘ線像の撮影部位の種類はこの限りではない。また、推定用単純Ｘ線像は、対象部位が正面から写る正面像であってもよいし、対象部位が側面から写る側面像であってもよい。
　学習用データ１３０に含まれる複数の学習用画像データがそれぞれ示す複数の学習用単純Ｘ線像の撮影部位には、例えば、頭部、頚部、胸部、腰部、股関節、膝関節、足関節、足部、足趾、肩関節、肘関節、手関節、手部、手指及び顎関節の少なくとも１種類が含まれる。言い換えれば、学習用データ１３０には、頭部に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、頚部に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、胸部に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、腰部に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、股関節に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、膝関節に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、足関節に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、足部に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、足趾に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、肩関節に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、肘関節に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、手関節に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、手部に対してＸ線が照射されて得られた単純Ｘ線像の画像データ、手指に対してＸ線が照射されて得られた単純Ｘ線像の画像データ及び顎関節に対してＸ線が照射されて得られた単純Ｘ線像の画像データの１５種類の画像データのうちの少なくとも１種類が含まれる。学習用データ１３０には、１５種類の画像データのうちの一部の種類の画像データが含まれてもよいし、全ての種類の画像データが含まれてもよい。なお、学習用単純Ｘ線像の撮影部位の種類はこの限りではない。また、複数の学習用単純Ｘ線像には、正面像が含まれてもよいし、側面像が含まれてもよい。また、複数の学習用単純Ｘ線像には、同じ撮影部位の正面像及び側面像の両方が含まれてもよい。
　教師データ１４０には、学習用データ１３０に含まれる複数の学習用画像データのそれぞれについて、当該学習用画像データが示す学習用単純Ｘ線像に写る骨を有する人の骨密度の測定値が含まれる。教師データ１４０に含まれる複数の骨密度の測定値には、例えば、腰椎に対してＸ線が照射されて測定された骨密度の測定値、大腿骨近位部に対してＸ線が照射されて測定された骨密度、橈骨に対してＸ線が照射されて測定された骨密度、中手骨に対してＸ線が照射されて測定された骨密度、腕部に対して超音波が当てられて測定された骨密度及び踵に対して超音波が当てられて測定された骨密度の少なくとも１種類が含まれる。以後、教師データ１４０に含まれる骨密度の測定値を「基準骨密度」と呼ぶことがある。
　ここで、骨密度の測定方法として、ＤＥＸＡ（dual-energy X-ray absorptiometry）法が知られている。ＤＥＸＡ法を用いて骨密度を測定するＤＥＸＡ装置では、腰椎の骨密度が測定される場合には、腰椎に対してその正面からＸ線（具体的には２種類のＸ線）が照射される。また、ＤＥＸＡ装置では、大腿骨近位部の骨密度が測定される場合には、大腿骨近位部に対してその正面からＸ線が照射される。
　教師データ１４０には、ＤＥＸＡ装置で測定された腰椎の骨密度が含まれてもよいし、ＤＥＸＡ装置で測定された大腿骨近位部の骨密度が含まれてもよい。なお、教師データ１４０には、対象部位に対してその側面からＸ線が照射されて測定された骨密度が含まれてもよい。例えば、教師データ１４０には、腰椎に対してその側面からＸ線が照射されて測定された骨密度が含まれてもよい。
　また、骨密度の他の測定方法として、超音波法が知られている。超音波法を用いて骨密度を測定する装置では、例えば、腕部に対して超音波が当てられて当該腕部の骨密度が測定されたり、踵に対して超音波が当てられて当該踵の骨密度が測定されたりする。教師データ１４０には、超音波法で測定された骨密度が含まれてもよい。
　学習用データ１３０に含まれる複数の学習用画像データが示す複数の学習用単純Ｘ線像には、互いに異なる複数の人の骨がそれぞれ写っている。そして、図４に示されるように、記憶部２０では、学習用データ１３０に含まれる複数の学習用画像データのそれぞれに対して、当該学習用画像データが示す学習用単純Ｘ線像に写る骨を有する人の基準骨密度が対応付けられている。ニューラルネットワーク２００の学習で使用される複数の学習用単純Ｘ線像のそれぞれに対して、当該学習用単純Ｘ線像に写る骨を有する人の基準骨密度が対応付けられているとも言える。学習用画像データに対応付けられている基準骨密度は、当該学習用画像データが示す学習用単純Ｘ線像が撮影された時期とほぼ同じ時期において、当該学習用単純Ｘ線像に写る骨を有する人と同じ人について測定された骨密度である。
　学習用画像データが示す学習用単純Ｘ線像に写る部位（言い換えれば、学習用単純Ｘ線像の撮影部位）には、当該学習用画像データに対応する基準骨密度が測定された部位（つまり骨）が含まれてもよいし、含まれなくてもよい。言い換えれば、学習用単純Ｘ線像に写る部位には、当該学習用単純Ｘ線像に対応する基準骨密度が測定された部位が含まれてもよいし、含まれなくてもよい。前者の例としては、腰部が写る学習用単純Ｘ線像を示す学習用画像データと、腰椎の基準骨密度とが対応付けられている場合が考えられる。他の例として、股関節が写る学習用画像データと、大腿骨近位部の基準骨密度とが対応付けられている場合が考えられる。一方で、後者の例としては、胸部が写る学習用画像データと、腰椎の基準骨密度とが対応付けられている場合が考えられる。他の例としては、膝関節が写る学習用画像データと、踵の基準骨密度とが対応付けられている場合が考えられる。
　また、学習用画像データが示す単純Ｘ線像に写る部位の向きと、当該学習用画像データに対応する基準骨密度の測定での対象部位に対するＸ線の照射の向きとは、同じであってもよいし、異なっていてもよい。言い換えれば、学習用単純Ｘ線像に写る部位の向きと、当該学習用単純Ｘ線像に対応する基準骨密度の測定での対象部位に対するＸ線の照射の向きとは、同じであってもよいし、異なっていてもよい。前者の例としては、胸部が正面から写る単純Ｘ線像（以後、「胸部正面単純Ｘ線像」と呼ぶことがある）を示す学習用画像データと、腰椎に対してその正面からＸ線が照射されて測定された基準骨密度とが対応付けられている場合が考えられる。他の例としては、腰部が正面から写る単純Ｘ線像（以後、「腰部正面単純Ｘ線像」と呼ぶことがある）を示す学習用画像データと、大腿骨近位部に対してその正面からＸ線が照射されて測定された基準骨密度とが対応付けられている場合が考えられる。一方で、後者の例としては、腰部が側面から写る単純Ｘ線像（以後、「腰部側面単純Ｘ線像」と呼ぶことがある）を示す学習用画像データと、腰椎に対してその正面からＸ線が照射されて測定された基準骨密度とが対応付けられている場合が考えられる。他の例としては、膝関節が側面から写る単純Ｘ線像（以後、「膝側面単純Ｘ線像」と呼ぶことがある）を示す学習用画像データと、大腿骨近位部に対してその正面からＸ線が照射されて測定された基準骨密度とが対応付けられている場合が考えられる。
　また、学習用データ１３０に含まれる複数の学習用画像データがそれぞれ示す複数の学習用単純Ｘ線像には、推定用単純Ｘ線像と同じ種類の部位が写る単純Ｘ線像が含まれてもよいし、推定用単純Ｘ線像とは異なる種類の部位が写る単純Ｘ線像が含まれてもよい。前者の例としては、推定用単純Ｘ線像が胸部正面単純Ｘ線像である場合、複数の学習用単純Ｘ線像に胸部正面単純Ｘ線像が含まれる場合が考えられる。他の例としては、推定用単純Ｘ線像が、膝関節が正面から写る単純Ｘ線像（以後、「膝正面単純Ｘ線像」と呼ぶことがある）である場合、複数の学習用単純Ｘ線像に膝側面単純Ｘ線像が含まれる場合が考えられる。一方で、後者の例としては、推定用単純Ｘ線像が腰部正面単純Ｘ線像である場合、複数の学習用単純Ｘ線像に胸部正面単純Ｘ線像が含まれる場合が考えられる。他の例としては、推定用単純Ｘ線像が腰部側面単純Ｘ線像である場合、複数の学習用単純Ｘ線像に膝正面単純Ｘ線像が含まれる場合が考えられる。
　また、複数の学習用単純Ｘ線像には、推定用単純Ｘ線像と同じ向きの部位が写る単純Ｘ線像が含まれてもよいし、推定用単純Ｘ線像とは異なる向きの部位が写る単純Ｘ線像が含まれてもよい。前者の例としては、推定用単純Ｘ線像が腰椎正面単純Ｘ線像である場合、複数の学習用単純Ｘ線像に腰部正面単純Ｘ線像が含まれる場合が考えられる。他の例としては、推定用単純Ｘ線像が膝正面単純Ｘ線像である場合、複数の学習用単純Ｘ線像に胸部正面単純Ｘ線像が含まれる場合が考えられる。一方で、後者の例としては、推定用単純Ｘ線像が膝側面単純Ｘ線像である場合、複数の学習用単純Ｘ線像に膝正面単純Ｘ線像が含まれる場合が考えられる。他の例としては、推定用単純Ｘ線像が腰部側面単純Ｘ線像である場合、複数の学習用単純Ｘ線像に胸部正面単純Ｘ線像が含まれる場合が考えられる。
　また、教師データ１４０には、推定用単純Ｘ線像に写る部位に含まれる部位（骨）から測定された基準骨密度が含まれてもよいし、推定用単純Ｘ線像に写る部位に含まれない部位（骨）から測定された基準骨密度が含まれてもよい。前者の例としては、推定用単純Ｘ線像が腰部正面単純Ｘ線像である場合、教師データ１４０に腰椎の基準骨密度が含まれる場合が考えられる。一方で、後者の例としては、推定用単純Ｘ線像が胸部正面単純Ｘ線像である場合、教師データ１４０に中手骨の基準骨密度が含まれる場合が考えられる。
　また、教師データ１４０には、推定用単純Ｘ線像に写る部位の向きと同じ向きからＸ線が対象部位に照射されることによって測定された基準骨密度が含まれてもよいし、推定用単純Ｘ線像に写る部位の向きとは異なる向きからＸ線が対象部位に照射されることによって測定された基準骨密度が含まれてもよい。前者の例としては、推定用単純Ｘ線像が腰部正面単純Ｘ線像である場合、教師データ１４０に、腰椎に対してその正面からＸ線が照射されて測定された基準骨密度が含まれる場合が考えられる。一方で、後者の例としては、推定用単純Ｘ線像が腰部側面単純Ｘ線像である場合、教師データ１４０に、大腿骨近位部に対してその正面からＸ線が照射されて測定された基準骨密度が含まれる場合が考えられる。
　本例では、単純Ｘ線撮影装置（言い換えれば、一般Ｘ線撮影装置あるいはレントゲン撮影装置）で得られる、単純Ｘ線像を示すグレースケールの画像データを縮小し、かつその階調数を低下させたものを、学習用画像データ及び推定用画像データとして使用する。例えば、単純Ｘ線撮影装置で得られる画像データを構成する複数の画素データの数が（１０２４×６４０）個よりも多く、その画素データのビット数が１６ビットの場合を考える。この場合、単純Ｘ線撮影装置で得られる画像データを構成する複数の画素データの数を、例えば、（２５６×２５６）個、（１０２４×５１２）個あるいは（１０２４×６４０）個まで縮小し、その画素データのビット数を８ビットまで低減したものを、学習用画像データ及び推定用画像データとして使用する。この場合、学習用単純Ｘ線像及び推定用単純Ｘ線像のそれぞれは、（２５６×２５６）個、（１０２４×５１２）個あるいは（１０２４×６４０）個の画素で構成され、当該画素の値は８ビットで表現される。
　学習用画像データ及び推定用画像データについては、推定装置１の制御部１０が、単純Ｘ線撮影装置で得られる画像データから生成してもよいし、推定装置１以外の装置が単純Ｘ線撮影装置で得られる画像データから生成してもよい。前者の場合、単純Ｘ線撮影装置で得られる画像データについては、通信部３０が通信ネットワークを通じて受信してもよいし、記憶部２０に含まれる着脱式メモリに記憶されてもよい。後者の場合には、通信ネットワークを通じて通信部３０が他の装置から学習用画像データ及び推定用画像データを受信し、制御部１０が、通信部３０で受信された学習用画像データ及び推定用画像データを記憶部２０に記憶してもよい。あるいは、記憶部２０に含まれる着脱式メモリに、他の装置で生成された学習用画像データ及び推定用画像データが記憶されてもよい。また、教師データ１４０については、通信部３０が通信ネットワークを通じて受信し、制御部１０が、通信部３０で受信された教師データ１４０を記憶部２０に記憶してもよい。あるいは、記憶部２０に含まれる着脱式メモリに教師データ１４０が記憶されてもよい。なお、学習用画像データ及び推定用画像データの画素データの数及びビット数は上記の限りではない。
　＜ニューラルネットワークの学習例＞
　図５は、ニューラルネットワーク２００の学習の一例を説明するための図である。制御部１０は、ニューラルネットワーク２００の学習を行う場合には、図５に示されるように、ニューラルネットワーク２００の入力層２１０に学習用データ１３０を入力する。そして、制御部１０は、ニューラルネットワーク２００の出力層２３０から出力される出力データ４００についての教師データ１４０に対する誤差が小さくなるように、ニューラルネットワーク２００内の可変のパラメータ１１０ａを調整する。より詳細には、制御部１０は、記憶部２０内の各学習用画像データを入力層２１０に入力する。制御部１０は、入力層２１０に学習用画像データを入力する場合には、当該学習用画像データを構成する複数の画素データを、入力層２１０を構成する複数の人工ニューロンにそれぞれ入力する。そして、制御部１０は、入力層２１０に学習用画像データを入力した場合に出力層２３０から出力される出力データ４００についての、当該学習用画像データに対応する基準骨密度に対する誤差が小さくなるように、パラメータ１１０ａを調整する。パラメータ１１０ａの調整方法としては、例えば、誤差逆伝播法が採用される。調整後のパラメータ１１０ａが学習済みパラメータ１１０となり、記憶部２０に記憶される。パラメータ１１０ａには、例えば、隠れ層２２０で使用されるパラメータが含まれる。具体的には、パラメータ１１０ａには、畳み込み層２４０で使用されるフィルタ係数と、全結合層２６０で使用される重み付け係数とが含まれる。なお、パラメータ１１０ａの調整方法、言い換えればパラメータ１１０ａの学習方法は、この限りではない。
　このようにして、記憶部２０には、複数の学習用単純Ｘ線像の画像データを含む学習用データ１３０と、教師データ１４０としての骨密度の測定値との関係をニューラルネットワーク２００を用いて学習させた学習済みパラメータ１１０が記憶される。
　上記の例では、推定装置１が、ニューラルネットワーク２００の学習を行っているが、他の装置がニューラルネットワーク２００の学習を行ってもよい。この場合、推定装置１の記憶部２０には、他の装置が生成した学習済みパラメータ１１０が記憶される。また、記憶部２０が学習用データ１３０及び教師データ１４０を記憶することは不要になる。他の装置が生成した学習済みパラメータ１１０については、通信部３０が通信ネットワークを通じて受信し、制御部１０が、通信部３０で受信された学習済みパラメータ１１０を記憶部２０に記憶してもよい。あるいは、記憶部２０に含まれる着脱式メモリに、他の装置が生成した学習済みパラメータ１１０が記憶されてもよい。
　以上のようにして学習されたニューラルネットワーク２００には、複数の学習用単純Ｘ線像の画像データが学習用データ１３０として入力層２１０に入力され、かつ教師データ１４０として基準骨密度が使用されて学習された学習済みパラメータ１１０ａが含まれる。上述の図２に示されるように、ニューラルネットワーク２００は、入力層２１０に入力される推定用データ１２０に対して学習済みパラメータ１１０ａに基づく演算を行って、出力層２３０から骨密度推定値３００を出力する。推定用データ１２０としての推定用画像データが入力層２１０に入力される場合には、当該推定用画像データを構成する複数の画素データが、入力層２１０を構成する複数の人工ニューロンにそれぞれ入力される。そして、畳み込み層２４０は、学習済みパラメータ１１０ａに含まれるフィルタ係数を用いた演算を行い、全結合層２６０は、学習済みパラメータ１１０ａに含まれる重み付け係数を用いた演算を行う。
　例えば、胸部正面単純Ｘ線像を示す推定用画像データが入力層２１０に入力される場合には、当該推定用画像データが示す胸部正面単純Ｘ線像に写る胸部の骨を有する人の骨密度の推定値３００が出力層２３０から出力される。また、腰部正面単純Ｘ線像を示す推定用画像データが入力層２１０に入力される場合には、当該推定用画像データが示す腰部正面単純Ｘ線像に写る腰部に含まれる腰椎を有する人の骨密度の推定値３００が出力層２３０から出力される。また、腰部側面単純Ｘ線像を示す推定用画像データが入力層２１０に入力される場合には、当該推定用画像データが示す腰部側面単純Ｘ線像に写る腰部に含まれる腰椎を有する人の骨密度の推定値３００が出力層２３０から出力される。また、膝正面単純Ｘ線像を示す推定用画像データが入力層２１０に入力される場合には、当該推定用画像データが示す膝正面単純Ｘ線像に写る膝関節の骨を有する人の骨密度の推定値３００が出力層２３０から出力される。また、膝側面単純Ｘ線像を示す推定用画像データが入力層２１０に入力される場合には、当該推定用画像データが示す膝側面単純Ｘ線像に写る膝関節の骨を有する人の骨密度の推定値３００が出力層２３０から出力される。
　出力層２３０から出力される推定値３００は、単位面積当りの骨ミネラル密度（ｇ／ｃｍ２）、単位体積当りの骨ミネラル密度（ｇ／ｃｍ３）、ＹＡＭ、Ｔスコア及びＺスコアの少なくとも１種類によって表されてよい。ＹＡＭは、“Young Adult Mean”の略であって、若年成人平均パーセントと呼ばれることがある。例えば、出力層２３０からは、単位面積当りの骨ミネラル密度（ｇ／ｃｍ２）で表された推定値３００と、ＹＡＭで表された推定値３００とが出力されてもよいし、ＹＡＭで表された推定値３００と、Ｔスコアで表された推定値３００と、Ｚスコアで表された推定値３００とが出力されてもよい。
　なお記憶部２０は、複数の推定用データ１２０を記憶してもよい。この場合、記憶部２０内の複数の推定用データ１２０がそれぞれ示す複数の推定用単純Ｘ線像には、同じ種類の部位が写る複数の単純Ｘ線像が含まれてもよいし、互いに異なる種類の部位が写る複数の単純Ｘ線像が含まれてもよい。また、複数の推定用単純Ｘ線像には、部位が同じ方向から写る複数の単純Ｘ線像が含まれてもよいし、部位が異なる方向から写る複数の単純Ｘ線像が含まれてもよい。言い換えれば、複数の推定用単純Ｘ線像には、それに写る部位の向きが同じ複数の単純Ｘ線像が含まれてもよいし、それに写る部位の向きが異なる複数の単純Ｘ線像が含まれてもよい。制御部１０は、記憶部２０内の複数の推定用データ１２０のそれぞれをニューラルネットワーク２００の入力層２１０に入力し、ニューラルネットワーク２００の出力層２３０からは、各推定用データ１２０に対応する骨密度推定値３００が出力される。
　以上のように、本例では、単純Ｘ線像の画像データが使用されて、ニューラルネットワーク２００の学習と、ニューラルネットワーク２００での骨密度の推定とが行われる。単純Ｘ線像の画像データ、言い換えれば、レントゲン像の画像データについては、多くの病院において色々な診察等で利用されていることから、容易に入手することが可能である。よって、ＤＥＸＡ装置のような高価な装置を使用せずに、骨密度を簡単に推定することができる。
　また、診察等のために撮影した単純Ｘ線像の画像データを推定用画像データとして使用することによって、その診察等の機会を利用して骨密度を簡単に推定することも可能である。よって、推定装置１を利用することによって、病院利用者に対するサービスを向上することができる。
　また、胸部等の正面単純Ｘ線像では、臓器の影響を受けて、骨が写りにくくなる可能性がある。一方で、正面単純Ｘ線像は、多くの病院において撮影される可能性が高い。本例では、骨が写りにくくなる可能性がある正面単純Ｘ線像が、推定用単純Ｘ線像あるいは学習用単純Ｘ線像として使用される場合であっても、骨密度を推定することができる。したがって、入手しやすい正面単純Ｘ線像の画像データを使用して骨密度を簡単に推定することができる。また、胸部正面単純Ｘ線像については、健康診断等において撮影されることが多く、特に入手し易い単純Ｘ線像であると言える。推定用単純Ｘ線像あるいは学習用単純Ｘ線像として胸部正面単純Ｘ線像を使用することによって、骨密度をさらに簡単に推定することができる。
　また、本例では、複数の学習用単純Ｘ線像に、推定用単純Ｘ線像とは異なる種類の部位が写る単純Ｘ線像が含まれる場合であっても、推定用単純Ｘ線像の画像データから骨密度を推定することができる。よって、推定装置１（言い換えればコンピュータ装置１）の利便性を向上させることができる。
　また、本例では、複数の学習用単純Ｘ線像に、推定用単純Ｘ線像とは異なる向きの部位が写る単純Ｘ線像が含まれる場合であっても、推定用単純Ｘ線像の画像データから骨密度を推定することができる。よって、推定装置１の利便性を向上させることができる。
　また、本例では、学習用単純Ｘ線像に写る部位に、当該学習用単純Ｘ線像に対応する基準骨密度が測定された部位（骨）が含まれていない場合であっても、ニューラルネットワーク２００は、学習済みパラメータ１１０に基づいて骨密度を推定することができる。よって、推定装置１の利便性を向上させることができる。
　また、本例では、学習用単純Ｘ線像に写る部位の向きと、当該学習用単純Ｘ線像に対応する基準骨密度の測定での対象部位のＸ線の照射の向きとが互いに異なる場合であっても、ニューラルネットワーク２００は、学習済みパラメータ１１０に基づいて骨密度を推定することができる。よって、推定装置１の利便性を向上させることができる。
　また、本例では、教師データ１４０に、推定用単純Ｘ線像に写る部位に含まれない部位から測定された基準骨密度が含まれる場合であっても、推定用単純Ｘ線像の画像データから骨密度を推定することができる。よって、推定装置１の利便性を向上させることができる。
　なお、推定装置１で得られる骨密度推定値３００は、表示部４０で表示されてもよい。また、推定装置１で得られる骨密度推定値３００は、他の装置で用いられてもよい。
　図６は、推定装置１と、推定装置１で得られる骨密度推定値３００を用いた処理を行う処理装置５００とを備える骨密度推定システム６００の一例を示す図である。図６の例では、推定装置１と処理装置５００とは、通信ネットワーク７００を通じて、互いに通信することが可能である。通信ネットワーク７００には、例えば、無線ネットワーク及び有線ネットワークの少なくとも一方が含まれる。通信ネットワーク７００には、例えば、無線ＬＡＮ（Local Area Network）及びインターネット等が含まれる。
　推定装置１では、通信部３０に通信ネットワーク７００が接続されている。制御部１０は、通信部３０に、骨密度推定値３００を処理装置５００へ送信させる。処理装置５００は、通信ネットワーク７００を通じて推定装置１から受け取る骨密度推定値３００を用いた処理を行う。例えば、処理装置５００は、液晶表示装置等の表示装置であって、骨密度推定値３００を表示する。このとき、処理装置５００は、骨密度推定値３００を表にして表示してもよいし、グラフにして表示してもよい。また、通信ネットワーク７００に複数の推定装置１が接続されている場合には、当該複数の推定装置１で得られる骨密度推定値３００を処理装置５００は表示してもよい。処理装置５００の構成は、図１に示される推定装置１の構成と同じであってもよいし、推定装置１の構成と異なっていてもよい。
　なお、処理装置５００が実行する、骨密度推定値３００を用いた処理は、上記の例に限られない。また、処理装置５００は、推定装置１と、通信ネットワーク７００を介さずに直接的に無線あるいは有線で通信してもよい。
　＜推定用データ及び学習用データの他の例＞
　＜第１の他の例＞
　本例では、学習用データ１３０には、各学習用画像データについて、当該学習用画像データが示す学習用単純Ｘ線像に写る骨を有する人の健康状態に関する情報が含まれる。言い換えれば、学習用データ１３０には、各学習用画像データについて、当該学習用画像データが示す学習用単純Ｘ線像の被写体（被検体）の健康状態に関する情報が含まれる。以後、学習用単純Ｘ線像の被写体の健康状態に関する情報を「学習用健康関連情報」と呼ぶことがある。また、学習用画像データが示す学習用単純Ｘ線像の被写体の健康状態に関する情報を、当該学習用画像データに対応する学習用健康関連情報と呼ぶことがある。
　学習用健康関連情報は、例えば、年齢情報、性別情報、身長情報、体重情報、飲酒習慣情報、喫煙習慣情報及び骨折歴の有無情報の少なくとも１種類を含む。学習用健康関連情報は、人ごとにデータベース化され、ＣＳＶ（Comma-Separated Value）形式ファイルあるいはテキスト形式ファイルとして生成される。年齢情報、身長情報及び体重情報のそれぞれは、例えば、複数ビットの数値データとして表される。また、性別情報では、例えば「男性」あるいは「女性」が１ビットデータで表され、飲酒習慣情報では、「飲酒習慣あり」あるいは「飲酒習慣なし」が1ビットデータで表される。また、喫煙習慣情報では、「喫煙習慣あり」あるいは「喫煙習慣なし」で１ビットデータが表され、骨折歴の有無情報では、「骨折あり」あるいは「骨折なし」が１ビットのデータで表される。また、学習用健康関連情報は、被検者の体脂肪率または皮下脂肪率が含まれていてもよい。
　学習用データ１３０に、学習用画像データと、それに対応する学習用健康関連情報とが含まれる場合には、学習用画像データに対応する基準骨密度（図４参照）が、当該学習用画像データに対応する学習用健康関連情報に対しても対応付けられる。つまり、ある人の骨が写る学習用単純Ｘ線像を示す学習用画像データと、当該ある人の健康状態に関する情報（学習用健康関連情報）とに対しては、当該ある人の骨密度の測定値（基準骨密度）が対応付けられる。そして、ニューラルネットワーク２００の学習では、入力層２１０に対して、学習用画像データと、それに対応する学習用健康関連情報とが同時に入力される。具体的には、入力層２１０を構成する複数の人工ニューロンの一部に学習用画像データが入力され、当該複数の人工ニューロンの他の部分に学習用健康関連情報が入力される。そして、入力層２１０に対して、学習用画像データと、それに対応する学習用健康関連情報とが入力されたときに出力層２３０から出力される出力データ４００と、当該学習用画像データ及び当該学習用健康関連情報に対応する基準骨密度とが比較される。
　また本例では、推定用データ１２０には、推定用画像データと、当該推定用画像データが示す推定用単純Ｘ線像に写る骨を有する人の健康状態に関する情報とが含まれる。言い換えれば、推定用データ１２０には、推定用画像データと、当該推定用画像データが示す推定用単純Ｘ線像の被写体の健康状態に関する情報とが含まれる。以後、推定用単純Ｘ線像の被写体の健康状態に関する情報を「推定用健康関連情報（以下では、他の実施形態では、「個体データ」ということもある。）」と呼ぶことがある。また、推定用画像データが示す推定用単純Ｘ線像の被写体の健康状態に関する情報を、当該推定用画像データに対応する推定用健康関連情報と呼ぶことがある。
　推定用健康関連情報は、学習用健康関連情報と同様に、例えば、年齢情報、性別情報、身長情報、体重情報、飲酒習慣情報、喫煙習慣情報及び骨折歴の有無情報の少なくとも１種類を含む。推定用健康関連情報には、学習用健康関連情報と同じ種類の情報が含まれる。また、推定用健康関連情報は、学習用健康関連情報と同様に、被検者の体脂肪率または皮下脂肪率が含まれていてもよい。
　本例では、骨密度の推定が行われる場合、入力層２１０に対して、推定用画像データと、それに対応する推定用健康関連情報とが同時に入力される。具体的には、入力層２１０を構成する複数の人工ニューロンの一部に推定用画像データが入力され、当該複数の人工ニューロンの他の部分に推定用健康関連情報が入力される。入力層２１０に対して、ある人についての推定用画像データ及び推定用健康関連情報が入力されると、出力層２３０からは、当該ある人の骨密度の推定値が出力される。
　このように、単純Ｘ線像の画像データだけではなく、当該単純Ｘ線像の被写体の健康状態に関する情報を使用することによって、骨密度の推定精度を向上させることができる。
　＜他の第２の例＞
　本例では、学習用データ１３０には、同一の人が有する部位が写り、それらに写る部位の向きが互いに異なるＮ個（Ｎ≧２）の学習用単純Ｘ線像の画像データが含まれる。以後、当該Ｎ個の学習用単純Ｘ線像をまとめて「学習用単純Ｘ線像セット」と呼ぶことがある。
　学習用単純Ｘ線像セットには、例えば、同一の人についての正面像及び側面像が含まれる。学習用単純Ｘ線像セットには、例えば、ある人の胸部正面単純Ｘ線像及び腰部側面単純Ｘ線像が含まれる。学習用単純Ｘ線像セットに含まれる正面像及び側面像の画像サイズは互いに異なってもよい。例えば、側面像の画像サイズの横幅は、正面像の画像サイズの横幅よりも小さくてもよい。以後、学習用単純Ｘ線像セットの各学習用単純Ｘ線像の画像データをまとめて「学習用画像データセット」と呼ぶことがある。
　学習用データ１３０には、互いに異なる複数の人についての学習用画像データセットが含まれる。これにより、学習用データ１３０には複数の学習用画像データセットが含まれる。そして、一つの学習用画像データセットに対しては、一つの基準骨密度が対応付けられる。つまり、ある人についての学習用画像データセットに対しては、当該ある人の骨密度の測定値（基準骨密度）が対応付けられる。
　本例のニューラルネットワーク２００の学習では、入力層２１０に対して、各学習用画像データセットが入力される。入力層２１０に対して一つの学習用画像データセットが入力される場合には、当該一つの学習用画像データセットを構成するＮ個の学習用画像データが入力層２１０に同時に入力される。例えば、学習用画像データセットが、第１の学習用画像データと第２の学習用画像データとで構成されているとする。この場合、入力層２１０を構成する複数の人工ニューロンの一部に第１の学習用画像データ（例えば、胸部正面単純Ｘ線像の画像データ）が入力され、当該複数の人工ニューロンの他の部分に第２の学習用画像データ（例えば、腰部側面単純Ｘ線像の画像データ）が入力される。そして、入力層２１０に対して学習用画像データセットが入力されたときに出力層２３０から出力される出力データ４００と、当該学習用画像データセットに対応する基準骨密度とが比較される。
　また本例では、推定用データ１２０には、同一の人が有する部位が写り、それらに写る部位の向きが互いに異なるＮ個の推定用単純Ｘ線像の画像データが含まれる。以後、当該Ｎ個の推定用単純Ｘ線像をまとめて「推定用単純Ｘ線像セット」と呼ぶことがある。
　推定用単純Ｘ線像セットには、例えば、同一の人についての正面像及び側面像が含まれる。推定用単純Ｘ線像セットには、例えば、ある人の腰部正面単純Ｘ線像及び膝側面単純Ｘ線像が含まれる。推定用単純Ｘ線像セットに含まれる正面像及び側面像の画像サイズは互いに異なってもよい。例えば、側面像の画像サイズの横幅は、正面像の画像サイズの横幅よりも小さくてもよい。以後、推定用単純Ｘ線像セットの各推定用単純Ｘ線像の画像データをまとめて「推定用画像データセット」と呼ぶことがある。
　本例では、推定用データ１２０が使用されて骨密度の推定が行われる場合、入力層２１０に対して、推定用画像データセットを構成するＮ個の推定用画像データが同時に入力される。例えば、推定用画像データセットが、第１の推定用画像データと第２の推定用画像データとで構成されているとする。この場合、入力層２１０を構成する複数の人工ニューロンの一部に第１の推定用画像データが入力され、当該複数の人工ニューロンの他の部分に第２の推定用画像データが入力される。入力層２１０に、ある人についての推定用画像データセットが入力されると、出力層２３０からは、当該ある人の骨密度の推定値が推定される。
　このように、同一の被写体が有する部位が写り、それらに写る部位の向きが互いに異なる複数の単純Ｘ線像の画像データが使用されることによって、骨密度の推定精度を向上させることができる。
　なお、学習用データ１３０には、学習用画像データセット及び学習用健康関連情報が含まれてもよい。この場合、ニューラルネットワーク２００の学習では、入力層２１０に対して、同じ人についての学習用画像データセット及び学習用健康関連情報が同時に入力される。同様に、推定用データ１２０には、推定用画像データセット及び推定用健康関連情報が含まれてもよい。この場合、入力層２１０に対して、推定用画像データセット及び推定用健康関連情報が同時に入力される。
　上記の各例では、推定用画像データが示すＸ線像に写る骨の種類にかかわらず、同じ学習済みパラメータ１１０が使用されているが、推定用画像データが示すＸ線像に写る骨の種類に応じた学習済みパラメータ１１０が使用されてもよい。この場合には、ニューラルネットワーク２００は、複数種類の骨にそれぞれ応じた複数の学習済みパラメータ１１０を有する。ニューラルネットワーク２００は、入力される推定用画像データが示すＸ線像に写る骨の種類に応じた学習済みパラメータ１１０を使用して骨密度を推定する。例えば、ニューラルネットワーク２００は、入力される推定用画像データが示すＸ線像に腰椎が写る場合には、腰椎の骨密度推定用の学習パラメータ１１０を使用して、骨密度を推定する。また、ニューラルネットワーク２００は、入力される推定用画像データが示すＸ線像に大腿骨近位部が写る場合には、大腿骨近位部の骨密度推定用の学習パラメータ１１０を使用して、骨密度を推定する。ニューラルネットワーク２００は、複数の学習済みパラメータ１１０のうち、例えば、入力部５０を通じてユーザから指示される学習済みパラメータ１１０を使用する。この場合、ユーザは、ニューラルネットワーク２００に入力される推定用画像データが示すＸ線像に写る骨の種類に応じて、ニューラルネットワーク２００が使用する学習済みパラメータ１１０を指示する。
　ニューラルネットワーク２００の学習では、同じ種類の骨が写る複数のＸ線像をそれぞれ示す複数の学習用画像データが使用されて、その骨の種類に応じた学習済みパラメータ１１０が生成される。
　以上のように、推定装置１及び骨密度推定システム６００は詳細に説明されたが、上記した説明は、全ての局面において例示であって、この開示がそれに限定されるものではない。また、上述した各種例は、相互に矛盾しない限り組み合わせて適用可能である。そして、例示されていない無数の例が、この開示の範囲から外れることなく想定され得るものと解される。
　実施の形態２．
　図７は、本実施の形態に係る推定装置１Ａの構成の一例を示す図である。推定装置１Ａでは、近似器２８０が、さらに第２のニューラルネットワーク９００を有している。第２のニューラルネットワーク９００は、学習済みパラメータ９１０に基づいて骨折を検知することができる。なお、本実施の形態に係る推定装置１Ａは、第１の実施形態に係る推定装置１と同等の構成を有しており、同等の構成については説明を省略する。また、説明の便宜上、上記の例に記載のニューラルネットワーク２００を第１のニューラルネットワーク２００という。第２のニューラルネットワーク９００は、例えば、第１のニューラルネットワーク２００と同等の構成を有している。
　第２のニューラルネットワーク９００は、第１のニューラルネットワーク２００に入力する推定用データ１２０に含まれる推定用画像データと同じ推定用画像データに基づいて骨折を検知することができる。すなわち、１つの推定用画像データから、第１のニューラルネットワーク２００では骨密度を推定し、第２のニューラルネットワーク９００では骨折を検知することができる。なお、第２のニューラルネットワーク９００の検知結果９２０は、上記の例と同様に、第２のニューラルネットワーク９００の出力層２３０から出力されればよい。
　第２のニューラルネットワーク９００の学習では、骨折していない骨が写る学習用画像データと、骨折している骨が写る学習用画像データとが使用されてパラメータが学習される。また、教師データでは、各学習用画像データに対して、当該学習用画像データに写る骨についての、現在の骨折の有無を示す情報および骨折箇所を示す情報が対応付けられている。また教師データは、過去の骨折歴を示す情報および過去の骨折箇所を示す情報を含んでいてもよい。その結果、第２のニューラルネットワーク９００は、推定用画像データに基づいて、当該推定用画像データに写る骨についての骨折の有無と場所を検知し、その検知結果９２０を出力することができる。
　また、本実施の形態に係る推定装置１Ａは、図８に示されるように、被写体が骨粗鬆症であるか否かを判定する判定部９３０を有していてもよい。判定部９３０は、第１のニューラルネットワーク２００の推定結果３００と、第２のニューラルネットワーク９００の検知結果９２０とを比較検討して、被写体が骨粗鬆症であるか否かを判定することができる。
　判定部９００は、例えば、独自基準または既に周知のガイドラインなどに基づいて骨粗鬆症を判定してもよい。具体的には、判定部９００は、検知結果９２０が椎体または大腿骨近位部において骨折を示す場合、骨粗鬆症であると判定してもよい。また、第１のニューラルネットワーク２００が出力する骨密度推定値３００がＹＡＭを示す場合には、判定部９００は、ＹＡＭが８０％未満の値であり、かつ検知結果９２０が椎体および大腿骨近位部以外の骨折を示す場合、骨粗鬆症であると判定してもよい。また、判定部９００は、骨密度推定値３００が示すＹＡＭが７０％以下の値を示す場合には、骨粗鬆症であると判定してもよい。
　また、本実施形態に係る推定装置１Ａでは、近似器２８は、図９に示されるように、第３のニューラルネットワーク９５０をさらに有していてもよい。第３のニューラルネットワーク９５０は、学習済みパラメータ９６０に基づいて、推定用データ１２０に含まれる推定用画像データから被写体の骨を区分けすることができる。
　第３のニューラルネットワーク９５０は、入力される推定用画像データの各画素データについて、当該画素データが示す骨の部位を示す部位情報を出力する。これにより、推定用画像データが示すＸ線像に写る骨を区分けすることができる。部位情報はセグメンテーションデータと呼ばれることがある。
　例えば、第３のニューラルネットワーク９５０は、入力される推定用画像データが示すＸ線像に腰椎が写る場合、当該推定用画像データの各画素データについて、当該画素データが、腰椎のＬ１～Ｌ５のうち、どの部位を示すかを表す部位情報を出力する。例えば、第３のニューラルネットワーク９５０は、推定用画像データのある画素データが腰椎のＬ１を示す場合、当該画素データに対応する部位情報として、Ｌ１を示す部位情報を出力する。
　第３のニューラルネットワーク９５０は、推定用画像データが示すＸ線像に写る骨の種類に応じた学習済みパラメータ９６０を使用する。第３のニューラルネットワーク９５０は、複数種類の骨にそれぞれ応じた複数の学習済みパラメータ９６０を有する。第３のニューラルネットワーク９５０は、入力される推定用画像データが示すＸ線像に写る骨の種類に応じた学習済みパラメータ９６０を使用して、推定用画像データが示すＸ線像に写る骨を区分けする。例えば、第３のニューラルネットワーク９５０は、入力される推定用画像データが示すＸ線像に腰椎が写る場合には、腰椎に応じた学習パラメータ９６０を使用して、腰椎をＬ１～Ｌ５に区分けする。第３のニューラルネットワーク９５０は、複数の学習済みパラメータ９６０のうち、例えば、入力部５０を通じてユーザから指示される学習済みパラメータ９６０を使用する。この場合、ユーザは、第３のニューラルネットワーク９５０に入力される推定用画像データが示すＸ線像に写る骨の種類に応じて、第３のニューラルネットワーク９５０が使用する学習済みパラメータ９６０を指示する。
　第３のニューラルネットワーク９５０は、入力される推定用画像データが示すＸ線像に写る骨を、インプラントが埋入されている第１部位、腫瘍がある第２部位及び骨折がある第３部位に区分けしてもよい。この場合、第３のニューラルネットワーク９５０は、推定用画像データの各画素データについて、当該画素データが、第１部位、第２部位及び第３部位のいずれの部位を示すかを表す部位情報を出力する。第３のニューラルネットワーク９５０は、画素データが、第１部位、第２部位及び第３部位以外の部位を示す場合には、当該画素データが、第１部位、第２部位及び第３部位以外の部位を示すことを表す部位情報を出力する。第３のニューラルネットワーク９５０が、推定用画像データが示すＸ線像に写る骨を、第１部位、第２部位及び第３部位に区分けする場合には、第３のニューラルネットワーク９５０は、推定用画像データが示すＸ線像に写る骨に埋入されたインプラント、当該骨の骨折及び当該骨の腫瘍を検知するとも言える。
　第３のニューラルネットワーク９５０の学習では、同じ種類の骨が写る複数のＸ線像をそれぞれ示す複数の学習用画像データが使用されて、その骨の種類に応じた学習済みパラメータ９６０が生成される。第３のニューラルネットワーク９５０が、入力される推定用画像データが示すＸ線像に写る骨を、第１部位、第２部位及び第３部位に区分けする場合には、複数の学習用画像データには、インプラントが埋入されている症例が写るＸ線像を示す学習用画像データと、骨に腫瘍がある症例が写るＸ線像を示す学習用画像データと、骨折がある症例が写るＸ線像を示す学習用画像データとが含まれる。また、教師データには、各学習用画像データについて、当該学習用画像データが示す骨の区分け用のアノテーション情報が含まれる。アノテーション情報には、それに対応する学習用画像データの各画素データについて、当該画素データが示す骨の部位を示す部位情報が含まれる。
　なお、第１のニューラルネットワーク２００は、第３のニューラルネットワーク９５０において区分けされた部位ごとに骨密度を推定してもよい。この場合、図１０に示されるように、第１のニューラルネットワーク２００には、推定用画像データ１２１と、当該推定用画像データ１２１に基づいて第３のニューラルネットワーク９５０が出力する、当該推定用画像データ１２１の各画素データに応じた部位情報９６５とが入力される。第１のニューラルネットワーク２００は、推定用画像データ１２１が示すＸ線像に写る骨の種類に応じた学習済みパラメータ１１０に基づいて、第３のニューラルネットワークにおいて区分けされた部位ごとに、当該部位の骨密度推定値３００を出力する。例えば、第３のニューラルネットワーク９５０は、推定用画像データ１２１が示すＸ線像に写る頸椎をＬ１～Ｌ５に区分した場合、第１のニューラルネットワーク２００は、Ｌ１の骨密度推定値３００と、Ｌ２の骨密度推定値３００と、Ｌ３の骨密度推定値３００と、Ｌ４の骨密度推定値３００と、Ｌ５の骨密度推定値３００とを個別に出力する。
　第１のニューラルネットワーク２００の学習では、同じ種類の骨が写る複数のＸ線像をそれぞれ示す複数の学習用画像データが使用されて、その骨の種類に応じた学習済みパラメータ１１０が生成される。また、教師データには、各学習用画像データについて、当該学習用画像データが示す骨の各部位の基準骨密度が含まれる。
　第１のニューラルネットワーク２００は、複数の学習済みパラメータ１１０のうち、例えば、入力部５０を通じてユーザから指示される学習済みパラメータ１１０を使用する。この場合、ユーザは、第１のニューラルネットワーク２００に入力される推定用画像データが示すＸ線像に写る骨の種類に応じて、第１のニューラルネットワーク２００が使用する学習済みパラメータ１１０を指示する。
　第３のニューラルネットワーク９５０が、推定用画像データが示すＸ線像に写る骨を、インプラントが埋入されている第１部位、腫瘍がある第２部位及び骨折がある第３部位に区分けする場合には、推定用画像データのうち、第１部位を示す第１部分画像データと、腫瘍がある第２部位を示す第２部分画像データと、第３部位を示す第３部分画像データの輝度が調整されてもよい。図１１は、この場合の構成例を示す図である。
　図１１に示されるように、調整部９６８には、推定用画像データ１２１と、当該推定用画像データ１２１に基づいて第３のニューラルネットワーク９５０が出力する、当該推定用画像データ１２１の各画素データに応じた部位情報９６５とが入力される。調整部９６８は、部位情報９６５に基づいて、推定用画像データ１２１に含まれる、第１部分画像データ、第２部分画像データ及び第３部分画像データを特定する。そして、調整部９６８は、特定した第１部分画像データ、第２部分画像データ及び第３部分画像データの輝度を調整する。
　調整部９６８は、例えば、一般的なＸ線像に写る第１部位の輝度を第１基準輝度として記憶する。また、調整部９６８は、一般的なＸ線像に写る第２部位の輝度を第２基準輝度として記憶する。そして、調整部９６８は、一般的なＸ線像に写る第３部位の輝度を第３基準輝度として記憶する。調整部９６８は、第１部分画像データの輝度から第１基準輝度を差し引いて、第１部分画像データの輝度を調整する。また、調整部９７６は、第２部分画像データの輝度から第２基準輝度を差し引いて、第２部分画像データの輝度を調整する。そして、調整部９７８は、第３部分画像データの輝度から第３基準輝度を差し引いて、第３部分画像データの輝度を調整する。調整部９６８は、推定用画像データにおいて、第１部分画像データ、第２部分画像データ及び第３部分画像データの輝度を調整したものを、輝度調整後の推定用画像データとして第１のニューラルネットワーク２００に入力する。第１のニューラルネットワーク２００は、輝度調整後の推定用画像データに基づいて、当該推定用画像データが示すＸ線像に写る骨の骨密度を推定する。
　ここで、インプラントが埋入されている第１部位、腫瘍がある第２部位及び骨折がある第３部位から、骨密度を正しく推定することは容易ではない。上記のように、第１部位を示す第１部分画像データ、第２部位を示す第２部分画像データ及び第３部位を示す第３部分画像データの輝度を調整して小さくすることによって、推定用画像データが示すＸ線像に写る骨の骨密度をより正しく推定することができる。
　なお、調整部９６８は、第１部分画像データ、第２部分画像データ及び第３部分画像データの輝度を強制的に零に設定した推定用画像データを、輝度調整後の推定用画像データとして第１のニューラルネットワーク２００に入力してもよい。
　また、第３のニューラルネットワーク９５０は、インプラント、骨折及び腫瘍のうちの１つだけを検知してもよい。また、第３のニューラルネットワーク９５０は、インプラント、骨折及び腫瘍のうちの２つだけを検知してもよい。つまり、第３のニューラルネットワーク９５０は、インプラント、骨折及び腫瘍のうちの少なくも１つを検知してもよい。
　また、推定装置１Ａは、第２のニューラルネットワーク９００を備えずに、第１のニューラルネットワーク２００及び第３のニューラルネットワーク９５０を備えてもよい。また、推定装置１Ａは、第１のニューラルネットワーク２００を備えずに、第２のニューラルネットワーク９００及び第３のニューラルネットワーク９５０の少なくとも一方を備えてもよい。
　以上のように、推定装置１Ａは詳細に説明されたが、上記した説明は、全ての局面において例示であって、この開示がそれに限定されるものではない。また、上述した各種例は、相互に矛盾しない限り組み合わせて適用可能である。そして、例示されていない無数の例が、この開示の範囲から外れることなく想定され得るものと解される。
　実施の形態３．
　図１２は、本実施の形態に係る推定装置１Ｂの構成の一例を示す図である。推定装置１Ｂは骨折予測部９８０を有する。骨折予測部９８０は、例えば、実施形態１に係る推定装置１のニューラルネットワーク２００の推定結果３００に基づいて、骨折する確率を予測することができる。具体的には、例えば、過去の文献などから、骨密度に関連する推定結果（例えば骨密度など）と骨折する確率との関係を示す演算式９９０が求められる。骨折予測部９８０は演算式９９０を記憶している。骨折予測部９８０は、入力される推定結果３００と、記憶する演算式９９０とに基づいて、骨折の確率を予測することができる。
　また、演算式９９０は、骨密度に関連する推定結果と、骨スクリュー埋入後の骨折の確率との関係を示す演算式であってもよい。その結果、骨スクリュー埋入の是非および薬剤投与を含めた治療計画の検討が可能になる。
　なお、推定装置１Ｂは、第２のニューラルネットワーク９００を備えてもよい。また、推定装置１Ｂは、第３のニューラルネットワーク９５０を備えてもよい。
　以上のように、推定装置１Ｂは詳細に説明されたが、上記した説明は、全ての局面において例示であって、この開示がそれに限定されるものではない。また、上述した各種例は、相互に矛盾しない限り組み合わせて適用可能である。そして、例示されていない無数の例が、この開示の範囲から外れることなく想定され得るものと解される。
　実施の形態４．
　図１３に、本実施の形態の推定システム８０１の構成の概念を示す。
　本開示の推定システム８０１は、例えばＸ線画像などの被写体の骨が写っている画像などから、被写体の将来の骨量を推定することができる。本開示の推定システム８０１は、端末装置８０２と、推定装置８０３と、を有している。なお、骨量とは、骨密度に関連する指標であり、骨密度を含む概念である。
　端末装置８０２は、推定装置８０３に入力するための入力情報Ｉを取得することができる。入力情報Ｉは、例えば、Ｘ線画像などであればよい。この場合、端末装置８０２は、医師などが被写体のＸ線画像を撮影するための装置であればよい。例えば、端末装置８０２は、単純Ｘ線撮影装置（言い換えれば、一般Ｘ線撮影装置あるいはレントゲン撮影装置）であればよい。
　なお、端末装置８０２は、単純Ｘ線撮影装置には限られない。端末装置８０２は、例えば、Ｘ線透視撮影装置、ＣＴ（Computed Tomography）、ＭＲＩ（Magnetic Resonance Imaging）、ＳＰＥＣＴ（Single Photon Emission Computed Tomography)－ＣＴまたはトモシンセシスなどであってもよい。この場合、入力情報Ｉは、例えば、Ｘ線透視画像、ＣＴ（Computed Tomography）画像、ＭＲＩ（Magnetic Resonance Imaging）画像、骨シンチグラフィー画像またはトモシンセシス画像であればよい。
　推定システム８０１は、例えば、病院に通院する患者の骨粗鬆症などの診断に使用される。本開示の推定システム８０１は、例えばレントゲン室に設置された端末装置８０２を用いて、患者のレントゲン写真を撮影する。そして、端末装置８０２から推定装置８０３に画像データを転送し、推定装置８０３を介して、現時点での患者の骨量または骨密度だけではなく、撮影時より将来の患者の骨量または骨密度を推定することができる。
　なお、端末装置８０２は、入力情報Ｉを推定装置８０３に直接転送しなくてもよい。この場合、例えば端末装置８０２で取得された入力情報Ｉが、記憶媒体に記憶されて、記憶媒体を介して、推定装置８０３に入力情報Ｉが入力されてもよい。
　図１４に、本実施の形態に係る推定装置８０３の構成の概念を示す。
　推定装置８０３は、端末装置８０２で取得された入力情報Ｉに基づいて、被写体の将来の骨量または骨密度を推定することができる。推定装置８０３では、端末装置８０２が取得した画像データから、被写体の将来の骨量または骨密度を推定し、その推定結果Ｏを出力することができる。
　推定装置８０３は、入力部８３１と、近似器８３２と、出力部８３３と、を有している。入力部８３１は、端末装置８０２から入力情報Ｉが入力されるものである。近似器８３２は、入力情報Ｉに基づいて、将来の骨量または骨密度を推定することができる。出力部８３３は、近似器８３２の予測した推定結果Ｏを出力することができる。
　推定装置８０３は、種々の電子部品および回路を有している。その結果、推定装置８０３は、各構成要素を形成することができる。例えば、推定装置８０３は、複数の半導体素子を集積して、少なくとも１つの集積回路（例えばＩＣ：Integrated CircuitまたはＬＳＩ：Large Scale Integration）などを形成したり、または複数の集積回路をさらに集積して少なくとも１つのユニットを形成したりなどして、推定装置８０３の各機能部などを構成することができる。
　複数の電子部品は、例えば、トランジスタまたはダイオードなどの能動素子、あるいはコンデンサなどの受動素子であればよい。なお、複数の電子部品、およびそれらを集積して形成した集積回路などは、従来周知の方法によって形成することができる。
　入力部８３１は、推定装置８０３で使用する情報が入力されるものである。入力部８３１には、例えば端末装置８０２で取得したＸ線画像を有した入力情報Ｉが入力される。入力部８３１は、通信部を有しており、端末装置８０２で取得した入力情報Ｉが、端末装置８０２から直接入力される。また、入力部８３１は、入力情報Ｉまたは他の情報を入力可能な入力装置を備えていてもよい。入力装置は、例えば、キーボード、タッチパネル、またはマウスなどであればよい。
　近似器８３２は、入力部８３１に入力された情報に基づいて、被写体の将来の骨量または骨密度を推定するものである。近似器８３２は、ＡＩ（Artificial Intelligence）を有している。近似器８３２は、ＡＩとして機能するプログラムと、そのプログラムを実行するための種々の電子部品および回路を有している。近似器８３２は、ニューラルネットワークを有している。
　近似器８３２は、予め入出力の関係について学習処理されている。すなわち、学習データおよび教師データを用いて、近似器８３２に機械学習を適用することによって、近似器８３２は、入力情報Ｉから推定結果Ｏを算出することができる。なお、学習データまたは教師データは、推定装置８０３に入力する入力情報Ｉと、推定装置８０３から出力する推定結果Ｏに対応したデータであればよい。
　図１５は、本開示の近似器８３２の構成の概念を示す。
　近似器８３２は、第１のニューラルネットワーク８３２１と、第２のニューラルネットワーク８３２２を有している。第１のニューラルネットワーク８３２１は、時系列情報を扱うことに適したニューラルネットワークであればよい。例えば、第１のニューラルネットワーク８３２１は、ＬＳＴＭ（Long short-term memory）とＣＮＮ（Convolutional Neural Network）を組み合わせたＣｏｎｖＬＳＴＭネットワークなどであればよい。第２のニューラルネットワーク８３２２は、例えば、ＣＮＮで構成された畳み込みニューラルネットワークなどであればよい。
　第１のニューラルネットワーク８３２１は、エンコード部Ｅと、デコード部Ｄとを有している。エンコード部Ｅは、入力情報Ｉの時間変化および位置情報の特徴量を抽出することができる。デコード部Ｄは、エンコード部Ｅで抽出した特徴量、入力情報Ｉの時間変化および初期値に基づいて、新たな特徴量を算出することができる。
　図１６は、本開示の第１のニューラルネットワーク８３２１の構成の概念を示す。
　エンコード部Ｅは、複数のＣｏｎｖＬＳＴＭ層（Convolutional Long short-term memory）Ｅ１を有している。デコード部Ｄは、複数のＣｏｎｖＬＳＴＭ層（Convolutional Long short-term memory）Ｄ１を有している。エンコード部Ｅおよびデコード部Ｄのそれぞれは、３つ以上のＣｏｎｖＬＳＴＭ層Ｅ１，Ｄ１を有していてもよい。また、複数のＣｏｎｖＬＳＴＭ層Ｅ１と複数のＣｏｎｖＬＳＴＭ層Ｄ１の数は、同数でもよい。
　なお、複数のＣｏｎｖＬＳＴＭ層Ｅ１は、それぞれ学習する内容が異なっていてもよい。複数のＣｏｎｖＬＳＴＭ層Ｄ１は、それぞれ学習する内容が異なっていてもよい。例えば、あるＣｏｎｖＬＴＳＭ層では１画素１画素の変化といった細かな内容を、別のＣｏｎｖＬＳＴＭ層では全体像の変化といった大まかな内容を学習する。
　図１７は、第２のニューラルネットワーク８３２２の構成の概念を示す。
　第２のニューラルネットワーク８３２２は、変換部Ｃを有している。変換部Ｃは、第１のニューラルネットワーク８３２１のデコード部Ｄで算出された特徴量を骨量または骨密度に変換することができる。変換部Ｃは、複数の畳み込み層Ｃ１と、複数のプーリング層Ｃ２と、全結合層Ｃ３と、を有している。全結合層Ｃ３は、出力部３３の前段に位置している。そして、変換部Ｃでは、第１のニューラルネットワーク８３１１と全結合層Ｃ３との間において、畳み込み層Ｃ１とプーリング層Ｃ２とが交互に配置されている。
　なお、学習データは、近似器８３２の学習時に、近似器８３２のエンコード部Ｅに入力される。教師データは、近似器８３２の学習時に、近似器８３２の変換部Ｃから出力される出力データと比較される。教師データは、従来の骨密度測定装置を用いて測定された値を示すデータである。
　出力部８３３は、推定結果Ｏを表示することができる。出力部８３３は、例えば、液晶表示ディスプレイあるいは有機ＥＬディスプレイである。出力部８３３は、文字、記号、図形などの各種情報を表示することが可能である。出力部８３３は、例えば、数字または画像などを表示することができる。
　本開示の推定装置８０３は、制御部８３４と、記憶部８３５とをさらに有している。制御部８３４は、推定装置８０３の他の構成要素を制御することによって、推定装置８０３の動作を統括的に管理することができる。
　制御部８３４は、例えば、プロセッサを有している。プロセッサは、例えば、１以上のプロセッサ、コントローラ、マイクロプロセッサ、マイクロコントローラ、特定用途向け集積回路（ＡＳＩＣ：Application Specific Integrated Circuit）、デジタル信号処理装置、プログラマブルロジックデバイス、又はこれらのデバイスもしくは任意の校正の組み合わせ、または他の基地のデバイスもしくは校正の組み合わせを含んでよい。制御部８３４は例えばＣＰＵを備える。
　記憶部８３５は、例えば、ＲＡＭ（Random Access Memory）またはＲＯＭ（Read-Only Memory）などの制御部８３４のＣＰＵが読み取り可能な非一時的な記録媒体を含む。記憶部８３５には、ファームウェアなどの推定装置８０３を制御するための制御プログラムが記憶されている。また、記憶部８３５には、入力される入力情報Ｉ、学習される学習データおよび教師データが記憶されてもよい。
　制御部８３４のプロセッサは、記憶部８３５の制御プログラムに従って、１以上のデータ計算手続き又は処理を実行することができる。制御部８３４の各種機能は、制御部８３４のＣＰＵが記憶部１１内の制御プログラムを実行することによって実現される。
　なお、制御部８３４は、必要に応じて、計算処理の前処理として、その他の処理を行なってもよい。
　＜入力情報、学習データおよび教師データの一例＞
　入力情報（以下、第１入力情報Ｉ１ともいう）は、骨量または骨密度の推定対象の骨が写る画像データを有している。画像データは、例えば単純Ｘ線像であればよい。骨量または骨密度の推定対象は、例えば人である。この場合、第１入力情報Ｉ１は、人の骨が写る単純Ｘ線像の画像データであると言える。単純Ｘ線像は、２次元像であって、一般Ｘ線像あるいはレントゲン像とも呼ばれる。
　第１入力情報Ｉ１は、入手が比較的容易である単純Ｘ線画像であると好ましいが、それに限定されるものではない。例えば、Ｘ線透視画像、ＣＴ（Computed Tomography）画像、ＭＲＩ（Magnetic Resonance Imaging）画像、骨シンチグラフィー画像またはトモシンセシス画像を入力情報に用いることによって、より正確に骨量または骨密度を推定できる場合がある。
　なお、骨量または骨密度の推定対象は人以外であってもよい。例えば、骨量または骨密度の推定対象は、イヌ、ネコあるいはウマ等の動物であってもよい。また、対象とする骨は、主に、生物由来の皮質骨および海綿骨であるが、対象とする骨に、リン酸カルシウムを主成分とする人工骨、あるいは再生医療等によって人工的に製造された再生骨が含まれてもよい。
　Ｘ線画像の撮影部位としては、例えば、頚部、胸部、腰部、大腿骨近位部、膝関節、足首関節、肩関節、肘関節、手首関節、指関節または顎関節であればよい。なお、Ｘ線画像には、骨以外の部位が写っていてもよい。例えば、胸部単純Ｘ線像の場合には、肺を撮影したものと、胸椎を撮影したものを含んでいてもよい。Ｘ線画像は、対象部位が正面から写る正面像であってもよいし、対象部位が側面から写る側面像であってもよい。
　学習データまたは教師データは、推定装置３に入力する入力情報Ｉと、推定装置３から出力する推定結果Ｏに対応したデータであればよい。
　学習データは、第１入力情報Ｉ１と同種の情報を有している。例えば、第１入力情報Ｉ１が単純Ｘ線像であれば、学習データも単純Ｘ線像を有していればよい。さらには、第１入力情報Ｉ１が胸部単純Ｘ線像の場合、学習データも胸部単純Ｘ線像を有していればよい。
　学習データには、骨が写る複数の単純Ｘ線像の学習用画像データが含まれる。複数の学習用画像データの撮影部位には、例えば、頚部、胸部、腰部、大腿骨近位部、膝関節、足首関節、肩関節、肘関節、手首関節、指関節および顎関節の少なくとも１種類が含まれる。学習データには、１１種類の画像データのうちの一部の種類の画像データが含まれてもよいし、全ての種類の画像データが含まれてもよい。また、複数の学習用画像データには、正面像が含まれてもよいし、側面像が含まれてもよい。
　学習データには、互いに異なる複数の人の骨がそれぞれ写っている。複数の学習用画像データのそれぞれに対して、教師データとして、それぞれの学習用画像データの被写体の骨量または骨密度の実測値が対応付けられている。骨量または骨密度の実測値は、学習用画像データが撮影された時期とほぼ同じ時期に測定されたものである。
　また、学習データの学習用画像データは、同一人を撮影した時間軸の異なる一連のデータであってもよい。すなわち、学習用画像データは、骨のＸ線画像を有した第１学習データと、第１学習データと同一人物の画像であり、第１学習データよりも後に撮影されたＸ線画像を有した第２学習データとを含んでもよい。
　また、学習データの学習用画像データは、他人の同一部位を撮影し、年齢等の異なるデータ群であってもよい。また、学習データの学習用画像データは、同一人、同一部位を撮影した時間軸の異なる一連のデータであってもよい。
　学習データおよび第１入力情報Ｉ１は、単純Ｘ線撮影装置（言い換えれば、一般Ｘ線撮影装置あるいはレントゲン撮影装置）で撮影された単純Ｘ線像を示すグレースケールの画像データを縮小し、かつその階調数を低下させたものを使用してもよい。例えば、画像データの画素データの数が（１０２４×６４０）個よりも多く、その画素データのビット数が１６ビットの場合を考える。この場合、画素データの数を、例えば、（２５６×２５６）個、（１０２４×５１２）個あるいは（１０２４×６４０）個まで縮小し、その画素データのビット数を８ビットまで低減したものを、第１入力情報Ｉ１および学習データとして使用する。
　教師データには、学習データに含まれる複数の学習用画像データのそれぞれについて、学習用画像データが示す学習用単純Ｘ線像に写る骨を有する骨量または骨密度の測定値が含まれる。骨量または骨密度は、例えば、ＤＥＸＡ（dual-energy X-ray absorptiometry）法または超音波法によって測定されていればよい。
　＜ニューラルネットワークの学習例＞
　制御部８３４は、近似器８３２が、入力情報Ｉから骨量または骨密度に関する推定結果Ｏを算出可能なように、近似器８３２に対して学習データと教師データを用いた機械学習を実行する。近似器８３２は、教師データを用いた公知の機械学習により、最適化される。近似器８３２は、エンコード部Ｅに入力された学習データから演算されて変換部Ｃから出力された疑似推定結果と、教師データとの差が小さくなるように、近似器８３２内の可変のパラメータを調整する。
　具体的には、制御部８３４は、記憶部８３５内の学習データをエンコード部Ｅに入力する。制御部８３４は、エンコード部Ｅに学習データを入力する場合には、学習用画像データを構成する複数の画素データを、エンコード部Ｅを構成する複数の人工ニューロンにそれぞれ入力する。そして、制御部８３４は、エンコード部Ｅに学習用画像データを入力した場合に変換部Ｃから出力される推定結果Ｏについての、当該学習用画像データに対応する骨量または骨密度実測値に対する誤差が小さくなるように、パラメータを調整する。調整後のパラメータは、学習済みパラメータとなり、記憶部８３５に記憶される。
　パラメータの調整方法としては、例えば、誤差逆伝播法が採用される。パラメータには、例えば、エンコード部Ｅ、デコード部Ｄ、変換部Ｃで使用されるパラメータが含まれる。具体的には、パラメータには、エンコード部Ｅとデコード部ＤのＣｏｎｖＬＳＴＭ層と、変換部Ｃの畳み込み層および全結合層で使用される重み付け係数とが含まれる。
　その結果、近似器８３２は、エンコード部Ｅに入力される入力情報Ｉに対して学習済みパラメータに基づく演算を行って、変換部Ｃから推定結果Ｏを出力する。入力情報ＩとしてのＸ線画像データがエンコード部Ｅに入力される場合には、この画像データを構成する複数の画素データが、入力部８３１を構成する複数の人工ニューロンにそれぞれ入力される。そして、ＣｏｎｖＬＳＴＭ層、畳み込み層、全結合層は、学習済みパラメータに含まれる重み付け係数を用いた演算を行ない、推定結果Ｏを出力することができる。
　以上のように、推定システム８０１では、単純Ｘ線像の画像データが使用されて、近似器８３２の学習と、近似器８３２での骨量または骨密度の推定とが行われる。したがって、推定システム８０１に入力情報Ｉを入力して、将来の骨量または骨密度を推定結果Ｏとして出力することができる。
　推定システム８０１の推定結果Ｏは、入力情報Ｉの取得日よりも未来のある日の推定結果であればよい。例えば、推定システム１は、撮影時の３ヶ月後から５０年後まで、より好ましくは、６ヶ月後から１０年後まで、の骨量または骨密度を推定することができる。
　推定結果Ｏは、値として出力されればよい。例えば、ＹＡＭ（Young Adult Mean）、ＴスコアおよびＺスコアの少なくとも１種類によって表されてよい。例えば、出力部８３３からは、ＹＡＭで表された推定値が出力されてもよいし、ＹＡＭで表された推定値と、Ｔスコアで表された推定値と、Ｚスコアで表された推定値とが出力されてもよい。
　また、推定結果Ｏは、画像として出力されてもよい。推定結果Ｏが画像の場合、例えばＸ線像様画像が表示されればよい。なお、Ｘ線像様画像とは、Ｘ線像を模した画像である。また、同一人、同一部位を撮影し、時間軸の異なる一連のデータを、ＣｏｎｖＬＳＴＭを用いて学習した場合、画像の時間変化を予測することができる。これにより、別の患者の１時点のＸ線画像から、未来の画像を生成することができる。
　学習データおよび入力情報Ｉには、骨の他にも、内臓、筋肉、脂肪または血管が撮影されていてもよい。その場合であっても、精度の高い推定を行なうことができる。
　第１入力情報Ｉ１は、被検者の個体データ（第１個体データ）を有していてもよい。第１個体データとは、例えば、年齢情報、性別情報、身長情報、体重情報または骨折歴などであればよい。その結果、精度の高い推定を行なうことができる。
　第１入力情報Ｉ１は、被検者の第２個体データを有していてもよい。第２個体データとは、例えば、血圧、脂質、コレステロール、中性脂肪、血糖値の情報を含んでもよい。その結果、精度の高い推定を行なうことができる。
　第１入力情報Ｉ１は、被検者の生活習慣情報を有していてもよい。生活習慣情報とは、飲酒習慣、喫煙習慣、運動習慣または食事習慣などの情報であればよい。その結果、精度の高い推定を行なうことができる。
　第１入力情報Ｉ１は、被検者の骨代謝情報を有していてもよい。骨代謝情報とは、例えば、骨吸収能力または骨形成能力であればよい。これらは、例えば、骨吸収マーカーであるＩ型コラーゲン架橋Ｎ－テロペプチド（ＮＴＸ）、Ｉ型コラーゲン架橋Ｃ-テロペプチド（ＣＴＸ）、酒石酸抵抗性酸ホスファターゼ（ＴＲＡＣＰ－５ｂ）、デオキシピリジノリン（ＤＰＤ）、骨形成マーカーである骨型アルカリホスファターゼ（ＢＡＰ）、Ｉ型コラーゲン架橋Ｎ-プロペプチド（Ｐ１ＮＰ）、骨関連マトリックスマーカーである低カルボキシル化オステオカルシン（ｕｃＯＣ）の少なくとも１種によって、測定可能である。骨吸収マーカーは、血清または尿を検体として測定されてもよい。
　推定システム８０１において、入力情報Ｉとして、さらに被写体の将来の予定行動に関する第２入力情報Ｉ２を入力してもよい。第２入力情報Ｉ２とは、例えば、改善予定または改善後の個体データまたは改善予定または改善後の生活習慣、運動習慣、食事習慣に関する情報であればよい。具体的には、第２入力情報Ｉ２は、体重データ、飲酒習慣、喫煙習慣、陽に当たる時間、１日あたりの歩数または歩行距離、乳製品の摂取量、または改善後の魚、キノコ類などビタミンＤを多く含む食品の摂取量などの情報であればよい。その結果、推定システム８０１は、将来の骨量または骨密度の改善した推定結果Ｏを示すことができる。
　また、第２入力情報Ｉ２は、例えば、改悪予定の生活習慣に関する情報であってもよい。その結果、推定システムは、将来の骨量または骨密度の改悪した推定結果Ｏを示すことができる。
　推定システム８０１において、入力情報Ｉとして、さらに被写体に対する療法に関する第３入力情報Ｉ３を入力してもよい。第３入力情報Ｉ３とは、例えば、理学療法または薬物療法に関する情報である。具体的には、第３入力情報Ｉ３は、カルシウム薬、女性ホルモン薬、ビタミン薬、ビスホスホネート薬、ＳＥＲＭ（Selective Estrogen Receptor Modulator）薬、カルシトニン薬、甲状腺ホルモン薬、デノスマブ薬の少なくとも１種であればよい。
　推定システム８０１において、推定結果Ｏは、第１入力情報Ｉ１のみに基づいた第１結果Ｏ１と、第１入力情報Ｉ１、および第２，第３入力情報Ｉ２，Ｉ３の少なくとも１つの情報に基づいた第２結果Ｏ２とを出力してもよい。その結果、将来の予定行動に対する効果を比較することができる。
　推定システム８０１において、推定結果Ｏは、将来の骨量または骨密度だけではなく、現状の結果を出力してもよい。その結果、経時の骨量または骨密度の変化を比較することができる。
　図１８は、推定システム１の他の実施形態の近似器８３２の構成の概念を示す。
　推定システム８０１の推定装置８０３は、第１近似器８３２ａと第２近似器８３２ｂを有していてもよい。すなわち、上記の近似器８３２（第１近似器８３２ａ）の他に、第２近似器８３２ｂを有していてもよい。第２近似器８３２ｂは、例えば、ＣＮＮであればよい。
　この場合、推定システム８０１において、第１近似器８３２ａは、第１推定結果Ｏ１として、第１画像および第１の値を第１出力部８３３ａに出力するものである。さらに、第２近似器８３２ｂは、第１出力部８３３ａからの第１画像から、第２推定結果Ｏ２として、第２の値を第２出力部８３３ｂに出力するものである。その結果、将来の骨量または骨密度の推定結果Ｏとして、第１の値と第２の値を比較することができる。
　推定システム８０１は、推定結果Ｏとして、第１の値および第２の値に基づいた第３の値を出力してもよい。その結果、例えば、第２の値に基づいて第１の値を補正した結果（第３の値）を、推定結果Ｏとすることができる。
　以上のように、推定システム８０１は詳細に説明されたが、上記した説明は、全ての局面において例示であって、この開示がそれに限定されるものではない。また、上述した各種例は、相互に矛盾しない限り組み合わせて適用可能である。そして、例示されていない無数の例が、この開示の範囲から外れることなく想定され得るものと解される。
　１　コンピュータ装置（推定装置）
　２０　記憶部
　１００　制御プログラム
　１１０，９１０，９６０　学習済みパラメータ
　１２０　推定用データ
　１３０　学習用データ
　１４０　教師データ
　２００　ニューラルネットワーク
　２１０　入力層
　２３０　出力層
　２８０，８３２　近似器
　５００　処理装置
　６００　骨密度推定システム
　８０１　推定システム
　８０２　端末装置
　８０３　推定装置
　８３１　入力部
　８３３　出力部
　８３４　制御部
　８３５　記憶部
　９００，８３２２　第２のニューラルネットワーク
　９３０　判定部
　９５０　第３のニューラルネットワーク
　９８０　骨折予測部
　８３２１　第１のニューラルネットワーク
　Ｏ　推定結果
　Ｉ　入力情報
　Ｅ　エンコード部
　Ｄ　デコード部
　Ｃ　変換部

Claims (20)

  1. 　骨が写っている画像を有した入力情報が入力される入力部と、
    　前記入力部に入力された入力情報から、前記骨の骨密度に関連する推定結果を推定可能な近似器と、
    を備え、
    　前記近似器は、
    　　前記骨の骨密度に関連する推定結果を前記入力情報から求めるための学習済みパラメータを有する、推定装置。
  2. 　請求項１に記載の推定装置であって、
    　前記入力情報は、第１の単純Ｘ線像を有している、推定装置。
  3. 　請求項１または２に記載の推定装置であって、
    　前記推定結果は、単位面積当りの骨ミネラル密度（ｇ／ｃｍ２）、単位体積当りの骨ミネラル密度（ｇ／ｃｍ３）、ＹＡＭ、Ｔスコア、Ｚスコアの少なくとも１種類によって表される、推定装置。
  4. 　請求項１～３のいずれかに一つに記載の推定装置であって
    　前記近似器は、骨密度に関連する将来の推定結果を推定可能である、推定装置。
  5. 　請求項４に記載の推定装置であって、
    　前記近似器は、前記入力情報の時間変化および位置情報の特徴量を抽出するエンコード部と、前記特徴量、前記入力情報の時間変化および初期値をもとに新たな特徴量を算出するデコード部と、前記新たな特徴量を骨密度に変換する変換部を有している、推定装置。
  6. 　請求項１～５のいずれか一つに記載の推定装置であって、
    　前記推定結果は、画像を有している、推定装置。
  7. 　請求項６に記載の推定装置であって、
    　前記画像は、Ｘ線像様画像を有している、推定装置。
  8. 　請求項６または７に記載の推定装置であって、
    　前記近似器は、前記推定結果として前記画像および第１の値を推定可能な第１近似器と、前記画像から前記推定結果として第２の値を推定可能な第２近似器と、を有している、推定装置。
  9. 　請求項８に記載の推定装置であって、
    　前記推定結果として、前記第１の値および前記第２の値に基づいて第３の値を出力する、推定装置。
  10. 　請求項１～９のいずれか一つに記載の推定装置であって、
    　前記入力情報は、被写体の個体データをさらに有している、推定装置。
  11. 　請求項４～１０のいずれか一つに記載の推定装置であって、
    　前記入力部には、前記入力情報を第１入力情報としたときに、被写体の将来の予定行動に関する第２入力情報がさらに入力される、推定装置。
  12. 　請求項４～１１のいずれか一つに記載の推定装置であって、
    　前記入力部には、被写体に対する療法に関する第３入力情報がさらに入力される、推定装置。
  13. 　請求項１１または１２に記載の推定装置であって、
    　前記推定結果は、前記第１入力情報のみに基づく第１結果と、前記第１入力情報と前記第２及び第３入力情報の少なくとも１つとに基づく第２結果とを有している、推定装置。
  14. 　請求項４～１３のいずれか一つに記載の推定装置であって、
    　前記近似器は、前記画像を有した第１学習データと、前記第１学習データと同一人物の画像であり、前記第１学習データよりも後に撮影された前記画像を有した第２学習データと、を用いて学習処理されている、推定装置。
  15. 　請求項１～１４のいずれかに一つに記載の推定装置であって、
    　前記近似器は、前記入力部に入力された入力情報から、前記骨の骨折、腫瘍、インプラントのうち少なくとも１つを検知可能な第３近似器を、さらに有しており、
    　前記第３近似器は、
    　　前記骨の骨折、腫瘍、インプラントのうち少なくとも１つの検知を前記入力情報から求めるための学習済みパラメータを有する、推定装置。
  16. 　請求項１～１５に記載の推定装置であって、
    　前記近似器での推定結果に基づいて、被写体が骨粗鬆症であるか否かを判定する、判定部を、さらに備える、推定装置。
  17. 　請求項１～１６に記載の推定装置であって、
    　前記近似器での推定結果に基づいて、前記骨の骨折を予測する骨折予測部をさらに備える、推定装置。
  18. 　請求項１～１７に記載の推定装置であって、
    　前記近似器は、前記画像に写る骨を区分けした上で、区分けした骨ごとに骨密度を推定する、推定装置。
  19. 　骨が写っている画像を有した入力情報が入力される入力部と、
    　前記骨の骨密度に関連する推定結果を前記入力情報から求めるための学習済みパラメータを有し、前記入力部に入力された入力情報から前記骨の骨密度に関連する推定結果を推定可能な近似器と、
    を備え、
    　前記入力部に入力情報が入力されたときに、前記近似器で前記入力情報の演算処理を行なう、推定システム。
  20. 　骨が写っている画像を有した入力情報から前記骨の骨密度に関連する推定結果を求めるための学習済みパラメータに基づく演算を行い、前記画像に写る骨の骨密度の推定値を出力するニューラルネットワークとして、装置を機能させるための推定プログラム。
PCT/JP2019/035594 2018-09-10 2019-09-10 推定装置、推定システム及び推定プログラム WO2020054738A1 (ja)

Priority Applications (9)

Application Number Priority Date Filing Date Title
EP19858846.9A EP3851048A4 (en) 2018-09-10 2019-09-10 ESTIMATING DEVICE, ESTIMATING SYSTEM, AND ESTIMATING PROGRAM
JP2019563116A JP6744614B1 (ja) 2018-09-10 2019-09-10 推定装置、推定システム及び推定プログラム
EP23200806.0A EP4276753A3 (en) 2018-09-10 2019-09-10 Estimation device, estimation system, and estimation program
AU2019339090A AU2019339090B2 (en) 2018-09-10 2019-09-10 Estimation apparatus, estimation system, and estimation program
US17/274,757 US20220051398A1 (en) 2018-09-10 2019-09-10 Estimation apparatus, estimation system, and computer-readable non-transitory medium storing estimation program
CN202311399597.7A CN117393146A (zh) 2018-09-10 2019-09-10 推定装置、系统以及推定方法
CN201980058486.5A CN112654291A (zh) 2018-09-10 2019-09-10 推定装置、推定系统以及推定程序
AU2022241515A AU2022241515B2 (en) 2018-09-10 2022-09-28 Estimation apparatus, estimation system, and estimation program
AU2023285899A AU2023285899A1 (en) 2018-09-10 2023-12-21 Estimation apparatus, estimation system, and estimation program

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2018-168502 2018-09-10
JP2018168502 2018-09-10
JP2018-220401 2018-11-26
JP2018220401 2018-11-26

Publications (1)

Publication Number Publication Date
WO2020054738A1 true WO2020054738A1 (ja) 2020-03-19

Family

ID=69777881

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/035594 WO2020054738A1 (ja) 2018-09-10 2019-09-10 推定装置、推定システム及び推定プログラム

Country Status (6)

Country Link
US (1) US20220051398A1 (ja)
EP (2) EP4276753A3 (ja)
JP (16) JP6744614B1 (ja)
CN (2) CN117393146A (ja)
AU (3) AU2019339090B2 (ja)
WO (1) WO2020054738A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220033373A (ko) * 2020-09-09 2022-03-16 울산대학교 산학협력단 의료영상 처리 장치와 그 의료영상 학습 방법 및 의료영상 처리 방법
EP4056120A1 (en) 2021-03-12 2022-09-14 FUJI-FILM Corporation Estimation device, estimation method, and estimation program
KR20230007090A (ko) * 2021-07-05 2023-01-12 순천향대학교 산학협력단 Ai를 기반으로 하는 골밀도 변화 예측 장치 및 그 방법
WO2023224022A1 (ja) * 2022-05-20 2023-11-23 国立大学法人大阪大学 プログラム、情報処理方法、及び情報処理装置

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11741694B2 (en) * 2020-06-09 2023-08-29 Merative Us L.P. Spinal fracture detection in x-ray images
JP7418018B2 (ja) * 2021-11-12 2024-01-19 ｉＳｕｒｇｅｒｙ株式会社 診断支援装置、およびコンピュータプログラム
JP7322262B1 (ja) 2022-08-30 2023-08-07 ジーイー・プレシジョン・ヘルスケア・エルエルシー 仮想単色ｘ線画像を推論する装置、ｃｔシステム、学習済みニューラルネットワークの作成方法、および記憶媒体
JP7383770B1 (ja) 2022-08-31 2023-11-20 ジーイー・プレシジョン・ヘルスケア・エルエルシー 物質密度画像を推論する装置、ｃｔシステム、記憶媒体、および学習済みニューラルネットワークの作成方法
WO2024090050A1 (ja) * 2022-10-27 2024-05-02 富士フイルム株式会社 画像処理装置、方法およびプログラム、並びに学習装置、方法およびプログラム
WO2024090584A1 (ja) * 2022-10-28 2024-05-02 京セラ株式会社 画像生成装置、画像生成方法、表示装置、画像生成プログラム及び記録媒体

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09508813A (ja) * 1993-11-29 1997-09-09 アーチ ディヴェロプメント コーポレイション コンピュータによる骨のｘ線写真解析の方法およびシステム
US20010002925A1 (en) * 1999-12-01 2001-06-07 Cyberlogic, Inc., Plain x-ray bone densitometry apparatus and method
JP2002523204A (ja) 1998-08-28 2002-07-30 アーチ・デベロップメント・コーポレーション 骨質量・構造のコンピュータ依拠分析方法および装置
US6570955B1 (en) * 2002-01-08 2003-05-27 Cyberlogic, Inc. Digital x-ray material testing and bone densitometry apparatus and method
JP2007052774A (ja) * 1995-07-25 2007-03-01 Ortho-Clinical Diagnostics Inc コンピュータ援用疾病診断方法
JP2008036068A (ja) 2006-08-04 2008-02-21 Hiroshima Univ 骨粗鬆症診断支援装置および方法、骨粗鬆症診断支援プログラム、骨粗鬆症診断支援プログラムを記録したコンピュータ読み取り可能な記録媒体、骨粗鬆症診断支援用ｌｓｉ
US20160015347A1 (en) * 2014-07-21 2016-01-21 Zebra Medical Vision Ltd. Systems and methods for emulating dexa scores based on ct images
JP2018011958A (ja) * 2016-07-21 2018-01-25 東芝メディカルシステムズ株式会社 医用画像処理装置及び医用画像処理プログラム
KR20180029476A (ko) * 2016-09-12 2018-03-21 주식회사 뷰노 골밀도 추정 방법 및 장치

Family Cites Families (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5259384A (en) * 1992-07-30 1993-11-09 Kaufman Jonathan J Ultrasonic bone-assessment apparatus and method
JPH07289597A (ja) * 1994-04-22 1995-11-07 Kiyotoshi Oshiro 寝たきり患者の骨粗鬆症治療装置
CA2158033A1 (en) * 1995-02-13 1996-08-14 Joseph P. Bisek Method for periprosthetic bone mineral density measurement
JPH09248292A (ja) * 1996-03-15 1997-09-22 Asahi Chem Ind Co Ltd 骨粗しょう症診断装置および骨粗しょう症診断方法
US6064716A (en) * 1997-09-05 2000-05-16 Cyberlogic, Inc. Plain x-ray bone densitometry apparatus and method
JP3182558B2 (ja) * 1998-01-06 2001-07-03 株式会社センサ 超音波計測による骨塩量評価法
JP2000217874A (ja) 1999-01-28 2000-08-08 Yaskawa Electric Corp 関節駆動装置
US6430427B1 (en) 1999-02-25 2002-08-06 Electronics And Telecommunications Research Institute Method for obtaining trabecular index using trabecular pattern and method for estimating bone mineral density using trabecular indices
US6246745B1 (en) * 1999-10-29 2001-06-12 Compumed, Inc. Method and apparatus for determining bone mineral density
JP2002238904A (ja) 2001-02-19 2002-08-27 Tanita Corp 骨密度推定方法および骨密度推定装置
FR2836818B1 (fr) * 2002-03-05 2004-07-02 Eurosurgical Procede de visualisation et de controle de l'equilibre d'une colonne vertebrale
EP1357480A1 (en) 2002-04-17 2003-10-29 Agfa-Gevaert Osteoporosis screening method
EP1605824A2 (en) * 2003-03-25 2005-12-21 Imaging Therapeutics, Inc. Methods for the compensation of imaging technique in the processing of radiographic images
US8290564B2 (en) * 2003-09-19 2012-10-16 Imatx, Inc. Method for bone structure prognosis and simulated bone remodeling
US7545965B2 (en) * 2003-11-10 2009-06-09 The University Of Chicago Image modification and detection using massive training artificial neural networks (MTANN)
KR20040058150A (ko) * 2004-06-11 2004-07-03 (주)엠텍 골 충실도를 이용한 골밀도 측정 방법 및 장치
DE602004029211D1 (de) * 2004-11-10 2010-10-28 Agfa Healthcare Verfahren zum Vornehmen von Messungen an digitalen Bildern
JP5426170B2 (ja) * 2005-11-11 2014-02-26 ホロジック， インコーポレイテッド 三次元骨密度モデルを使用して将来の骨折の危険性の推定
US7746976B2 (en) 2005-12-30 2010-06-29 Carestream Health, Inc. Bone mineral density assessment using mammography system
US20090285467A1 (en) 2008-05-15 2009-11-19 New Medical Co., Ltd. Method for assessing bone status
US8126249B2 (en) * 2008-05-30 2012-02-28 Optasia Medical Limited Methods of and system for detection and tracking of osteoporosis
JP2009285356A (ja) * 2008-05-30 2009-12-10 Institute Of National Colleges Of Technology Japan 医療用撮影システム、画像処理装置、画像処理方法、およびプログラム
WO2010117575A2 (en) * 2009-04-07 2010-10-14 Virginia Commonwealth University Accurate pelvic fracture detection for x-ray and ct images
EP2477503B1 (en) 2009-09-17 2013-07-31 Danone, S.A. Process for preparing a pasteurised and fermented dairy product supplemented with calcium and vitamin d
JP5827801B2 (ja) 2010-12-29 2015-12-02 日立アロカメディカル株式会社 医療用測定装置
JP2013085631A (ja) * 2011-10-17 2013-05-13 Konica Minolta Medical & Graphic Inc 関節撮影装置
JP2014158628A (ja) * 2013-02-20 2014-09-04 Univ Of Tokushima 画像処理装置、画像処理方法、制御プログラム、および記録媒体
JP6129145B2 (ja) * 2014-12-03 2017-05-17 株式会社日立製作所 医療用ｘ線測定装置
WO2016129682A1 (ja) * 2015-02-13 2016-08-18 株式会社島津製作所 骨解析装置
FR3035785B1 (fr) * 2015-05-07 2017-06-02 Arts Procede d'estimation de la repartition de la densite minerale osseuse dans au moins une partie de squelette d'un individu
WO2016194161A1 (ja) * 2015-06-03 2016-12-08 株式会社日立製作所 超音波診断装置、及び画像処理方法
JP6280676B2 (ja) * 2016-02-15 2018-02-14 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
JP2018005520A (ja) 2016-06-30 2018-01-11 クラリオン株式会社 物体検出装置及び物体検出方法
JP7057959B2 (ja) 2016-08-09 2022-04-21 住友ゴム工業株式会社 動作解析装置
GB201702080D0 (en) 2017-02-08 2017-03-22 Sheffield Hallam Univ Apparatus and method for quantitative determination of bone density
CN107485405B (zh) * 2017-08-18 2021-02-19 浙江康源医疗器械有限公司 一种利用参考模块测量骨密度的装置
JP6585869B1 (ja) 2018-05-09 2019-10-02 威久 山本 将来の骨量を予測する方法、情報処理装置、及びコンピュータプログラム
JP7016293B2 (ja) * 2018-06-08 2022-02-04 富士フイルム株式会社 骨塩情報取得装置、方法およびプログラム
JP2022156223A (ja) * 2021-03-31 2022-10-14 エドワーズ株式会社 真空ポンプ

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09508813A (ja) * 1993-11-29 1997-09-09 アーチ ディヴェロプメント コーポレイション コンピュータによる骨のｘ線写真解析の方法およびシステム
JP2007052774A (ja) * 1995-07-25 2007-03-01 Ortho-Clinical Diagnostics Inc コンピュータ援用疾病診断方法
JP2002523204A (ja) 1998-08-28 2002-07-30 アーチ・デベロップメント・コーポレーション 骨質量・構造のコンピュータ依拠分析方法および装置
US20010002925A1 (en) * 1999-12-01 2001-06-07 Cyberlogic, Inc., Plain x-ray bone densitometry apparatus and method
US6570955B1 (en) * 2002-01-08 2003-05-27 Cyberlogic, Inc. Digital x-ray material testing and bone densitometry apparatus and method
JP2008036068A (ja) 2006-08-04 2008-02-21 Hiroshima Univ 骨粗鬆症診断支援装置および方法、骨粗鬆症診断支援プログラム、骨粗鬆症診断支援プログラムを記録したコンピュータ読み取り可能な記録媒体、骨粗鬆症診断支援用ｌｓｉ
US20160015347A1 (en) * 2014-07-21 2016-01-21 Zebra Medical Vision Ltd. Systems and methods for emulating dexa scores based on ct images
JP2018011958A (ja) * 2016-07-21 2018-01-25 東芝メディカルシステムズ株式会社 医用画像処理装置及び医用画像処理プログラム
KR20180029476A (ko) * 2016-09-12 2018-03-21 주식회사 뷰노 골밀도 추정 방법 및 장치

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220033373A (ko) * 2020-09-09 2022-03-16 울산대학교 산학협력단 의료영상 처리 장치와 그 의료영상 학습 방법 및 의료영상 처리 방법
KR102573893B1 (ko) * 2020-09-09 2023-09-01 프로메디우스 주식회사 의료영상 처리 장치 및 의료영상 처리 방법
EP4056120A1 (en) 2021-03-12 2022-09-14 FUJI-FILM Corporation Estimation device, estimation method, and estimation program
KR20230007090A (ko) * 2021-07-05 2023-01-12 순천향대학교 산학협력단 Ai를 기반으로 하는 골밀도 변화 예측 장치 및 그 방법
KR102654088B1 (ko) * 2021-07-05 2024-04-04 순천향대학교 산학협력단 Ai를 기반으로 하는 골밀도 변화 예측 장치 및 그 방법
WO2023224022A1 (ja) * 2022-05-20 2023-11-23 国立大学法人大阪大学 プログラム、情報処理方法、及び情報処理装置

Also Published As

Publication number Publication date
JP7385228B2 (ja) 2023-11-22
JP2023056026A (ja) 2023-04-18
CN117393146A (zh) 2024-01-12
JP7264364B2 (ja) 2023-04-25
JP7283673B1 (ja) 2023-05-30
JP2023056029A (ja) 2023-04-18
JP7385229B2 (ja) 2023-11-22
JP2023089022A (ja) 2023-06-27
JP6744614B1 (ja) 2020-08-19
JP2022180589A (ja) 2022-12-06
JP7283672B1 (ja) 2023-05-30
CN112654291A (zh) 2021-04-13
AU2022241515B2 (en) 2023-11-09
JP2022106895A (ja) 2022-07-20
AU2019339090B2 (en) 2022-09-01
JP2022106894A (ja) 2022-07-20
JP2023002781A (ja) 2023-01-10
EP4276753A2 (en) 2023-11-15
JP2023085344A (ja) 2023-06-20
JP2020171785A (ja) 2020-10-22
JP7260887B2 (ja) 2023-04-19
JP7157426B2 (ja) 2022-10-20
JP2023056028A (ja) 2023-04-18
JP7260886B2 (ja) 2023-04-19
JP7292667B1 (ja) 2023-06-19
JPWO2020054738A1 (ja) 2020-10-22
EP3851048A4 (en) 2022-09-14
AU2022241515A1 (en) 2022-10-27
JP2022180590A (ja) 2022-12-06
JP7452825B2 (ja) 2024-03-19
EP4276753A3 (en) 2024-02-07
EP3851048A1 (en) 2021-07-21
JP7266230B2 (ja) 2023-04-28
JP7157425B2 (ja) 2022-10-20
JP2023089024A (ja) 2023-06-27
JP2023082022A (ja) 2023-06-13
AU2023285899A1 (en) 2024-01-18
JP2023062093A (ja) 2023-05-02
JP7217906B2 (ja) 2023-02-06
JP2023089021A (ja) 2023-06-27
AU2019339090A1 (en) 2021-04-01
US20220051398A1 (en) 2022-02-17

Similar Documents

Publication Publication Date Title
JP6744614B1 (ja) 推定装置、推定システム及び推定プログラム
WO2020138085A1 (ja) 疾患予測システム
JP2024063171A (ja) 推定システム、推定方法、推定装置、プログラム及び記録媒体
JP7479648B1 (ja) 予測装置、予測システム、予測方法、制御プログラム、および記録媒体
WO2023224022A1 (ja) プログラム、情報処理方法、及び情報処理装置
Ramos PRECISION STUDY OF STOCHASTIC PREDICTORS FOR DXA SCANS

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2019563116

Country of ref document: JP

Kind code of ref document: A

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19858846

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2019339090

Country of ref document: AU

Date of ref document: 20190910

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 2019858846

Country of ref document: EP

Effective date: 20210412