WO2023074880A1

WO2023074880A1 - 椎体推定モデル学習装置、椎体推定装置、固定条件推定装置、椎体推定モデル学習方法、椎体推定方法、固定条件推定方法及びプログラム

Info

Publication number: WO2023074880A1
Application number: PCT/JP2022/040539
Authority: WO
Inventors: 航太渡邉; 武雄名倉; 祥宏前田; 哲佐次田; 敦之古山; 大造林田; 晋堀川; 直小関
Original assignee: Jsr株式会社; 慶應義塾
Priority date: 2021-10-29
Filing date: 2022-10-28
Publication date: 2023-05-04

Abstract

椎体が写る２次元画像である椎体２次元画像の画像データに基づき前記椎体の各頂点の位置と前記頂点ごとのベクトルであって前記頂点から前記椎体の中心に向かうベクトルとを推定する数理モデルである椎体推定モデル、を実行することで、推定対象の椎体２次元画像の画像データに写る椎体の頂点の位置と前記頂点ごとの前記ベクトルとを推定する椎体推定モデル実行部と、前記椎体推定モデル実行部による推定の結果に基づき、前記椎体推定モデルを更新する更新部と、を備える椎体推定モデル学習装置。

Description

椎体推定モデル学習装置、椎体推定装置、固定条件推定装置、椎体推定モデル学習方法、椎体推定方法、固定条件推定方法及びプログラム

　本発明は、椎体推定モデル学習装置、椎体推定装置、固定条件推定装置、椎体推定モデル学習方法、椎体推定方法、固定条件推定方法及びプログラムに関する。
　本願は、２０２１年１０月２９日に日本に出願された特願２０２１－１７８２７０号に基づき優先権を主張し、その内容をここに援用する。

　椎体に係る身体の異常を治療する技術がある。このような技術では、椎体を撮影し、その撮影結果に基づいて治療方針が決定される場合がある。具体的には、放射線技師等の撮影結果から椎体の状態を推定する者（医師等）が撮影結果から椎体の状態を読み取り、読み取った結果に基づいて治療方針が決定される。そのため、撮影結果から椎体の状態を推定する者は、撮影結果から椎体の状態を読み取る必要があった。

米国特許第１０２９２７７０号明細書特表２０１９－５１４５４８号公報

　しかしながら、撮影結果から椎体の状態を読み取ることは必ずしも容易ではなく、医師等の椎体の位置を読み取る者の技量に依存する場合や、負担が大きい場合もあった。その結果、治療の方針を決定することも容易ではなく、治療方針の決定の負担が大きい場合もあった。

　上記事情に鑑み、本発明は、椎体に係る身体の異常を治療する際の治療方針の決定に要する負担を軽減する技術を提供することを目的としている。

　本発明の一態様は、椎体が写る２次元画像である椎体２次元画像の画像データに基づき、前記椎体の各頂点の位置、前記椎体の中心の位置及び前記頂点ごとのベクトルであって前記頂点から前記椎体の中心に向かうベクトルを推定する数理モデルである椎体推定モデルを実行することで、推定対象の椎体２次元画像に写る椎体の頂点の位置及び前記頂点ごとの前記ベクトルを推定する椎体推定モデル実行部と、前記椎体推定モデル実行部による推定の結果並びに前記椎体の各頂点の位置、中心の位置及び前記頂点から前記椎体の中心に向かうベクトルの正解値の対である訓練データに基づき、前記椎体推定モデルを更新する更新部と、を備える椎体推定モデル学習装置である。

　本発明の一態様は、椎体が写る２次元画像である椎体２次元画像の画像データを取得する対象データ取得部と、椎体が写る２次元画像である椎体２次元画像の画像データに基づき、前記椎体の各頂点の位置、前記椎体の中心の位置及び前記頂点ごとのベクトルであって前記頂点から前記椎体の中心に向かうベクトルを推定する数理モデルである椎体推定モデルを実行することで、推定対象の椎体２次元画像に写る椎体の頂点の位置及び前記頂点ごとの前記ベクトルを推定する椎体推定モデル実行部と、前記椎体推定モデル実行部による推定の結果並びに前記椎体の各頂点の位置、中心の位置及び前記頂点から前記椎体の中心に向かうベクトルの正解値の対である訓練データに基づき、前記椎体推定モデルを更新する更新部と、を備える椎体推定モデル学習装置によって所定の終了条件が満たされるまで更新された前記椎体推定モデルを用いて、前記対象データ取得部が取得した前記画像データに基づき、前記画像データが示す画像に写る前記椎体の各頂点の位置と、前記頂点ごとの前記ベクトルと、を推定する椎体推定部と、を備える椎体推定装置である。

　本発明の一態様は、椎体が写る画像である椎体画像の画像データを取得する対象データ取得部と、椎体画像の画像データに基づき前記椎体画像に写る像の各位置を示す座標系の情報と前記椎体に設置する脊椎内固定器具のサイズと設置の位置とを推定する数理モデルである固定条件推定モデル、を実行することで、推定対象の椎体画像の画像データに写る像の各位置を示す座標系の情報と、前記椎体に設置する脊椎内固定器具のサイズと設置の位置と、を推定する固定条件推定モデル実行部と、前記固定条件推定モデル実行部による推定の結果に基づき、前記固定条件推定モデルを更新する更新部と、を備える固定条件推定モデル学習装置によって、所定の終了条件が満たされるまで更新された前記固定条件推定モデルを用いて、前記対象データ取得部が取得した前記画像データに基づき、前記画像データに写る像の各位置を示す座標系の情報と、前記画像データの画像に写る椎体に設置する脊椎内固定器具のサイズと設置の位置と、を推定する固定条件推定部と、を備え、前記椎体画像は椎体が写る３次元画像であり、前記椎体画像の画像データは、椎体が写る２次元画像である椎体２次元画像の画像データに基づき、前記椎体の各頂点の位置、前記椎体の中心の位置及び前記頂点ごとのベクトルであって前記頂点から前記椎体の中心に向かうベクトルを推定する数理モデルである椎体推定モデル、を実行することで、推定対象の椎体２次元画像に写る椎体の頂点の位置及び前記頂点ごとの前記ベクトルを推定する椎体推定モデル実行部と、前記椎体推定モデル実行部による推定の結果並びに前記椎体の各頂点の位置、中心の位置及び前記頂点から前記椎体の中心に向かうベクトルの正解値の対である訓練データに基づき、前記椎体推定モデルを更新する更新部と、を備える椎体推定モデル学習装置によって所定の終了条件が満たされるまで更新された前記椎体推定モデルが複数の椎体２次元画像に対して実行された結果を用いて、得られた画像データである、固定条件推定装置である。

　本発明の一態様は、椎体が写る２次元画像である椎体２次元画像の画像データに基づき前記椎体の各頂点の位置と前記頂点ごとのベクトルであって前記頂点から前記椎体の中心に向かうベクトルとを推定する数理モデルである椎体推定モデル、を実行することで、推定対象の椎体２次元画像の画像データに写る椎体の頂点の位置と前記頂点ごとの前記ベクトルとを推定する椎体推定モデル実行ステップと、前記椎体推定モデル実行ステップによる推定の結果に基づき、前記椎体推定モデルを更新する更新ステップと、を有する椎体推定モデル学習方法である。

　本発明の一態様は、椎体が写る２次元画像である椎体２次元画像の画像データを取得する対象データ取得ステップと、椎体が写る２次元画像である椎体２次元画像の画像データに基づき前記椎体の各頂点の位置と前記頂点ごとのベクトルであって前記頂点から前記椎体の中心に向かうベクトルとを推定する数理モデルである椎体推定モデル、を実行することで、推定対象の椎体２次元画像の画像データに写る椎体の頂点の位置と前記頂点ごとの前記ベクトルとを推定する椎体推定モデル実行部と、前記椎体推定モデル実行部による推定の結果に基づき、前記椎体推定モデルを更新する更新部と、を備える椎体推定モデル学習装置によって所定の終了条件が満たされるまで更新された前記椎体推定モデルを用いて、前記対象データ取得ステップで取得した前記画像データに基づき、前記画像データが示す画像に写る前記椎体の各頂点の位置と、前記頂点ごとの前記ベクトルと、を推定する椎体推定ステップと、を有する椎体推定方法である。

　本発明の一態様は、椎体が写る画像である椎体画像の画像データを取得する対象データ取得ステップと、椎体画像の画像データに基づき前記椎体画像に写る像の各位置を示す座標系の情報と前記椎体に設置する脊椎内固定器具のサイズと設置の位置とを推定する数理モデルである固定条件推定モデル、を実行することで、推定対象の椎体画像の画像データに写る像の各位置を示す座標系の情報と、前記椎体に設置する脊椎内固定器具のサイズと設置の位置と、を推定する固定条件推定モデル実行部と、前記固定条件推定モデル実行部による推定の結果に基づき、前記固定条件推定モデルを更新する更新部と、を備える固定条件推定モデル学習装置によって、所定の終了条件が満たされるまで更新された前記固定条件推定モデルを用いて、前記対象データ取得ステップで取得した前記画像データに基づき、前記画像データに写る像の各位置を示す座標系の情報と、前記画像データの画像に写る椎体に設置する脊椎内固定器具のサイズと設置の位置と、を推定する固定条件推定ステップと、を有する固定条件推定方法である。

　本発明の一態様は、上記の椎体推定モデル学習装置としてコンピュータを機能させるためのプログラムである。

　本発明の一態様は、上記の椎体推定装置としてコンピュータを機能させるためのプログラムである。

　本発明により、椎体に係る身体の異常を治療する際の治療方針の決定に要する負担を軽減することが可能となる。

第１実施形態の椎体推定モデル学習装置の概要を説明する説明図。第１実施形態における椎体推定モデル学習装置のハードウェア構成の一例を示す図。第１実施形態における椎体推定モデル学習装置が備える制御部の構成の一例を示す図。第１実施形態における椎体推定モデル学習装置が実行する処理の流れの一例を示すフローチャート。第１実施形態における椎体推定装置のハードウェア構成の一例を示す図。第１実施形態における椎体推定装置が備える制御部の構成の一例を示す図。第１実施形態における椎体推定装置が実行する処理の流れの一例を示すフローチャート。第１実施形態の第４変形例における椎体推定装置が備える制御部の構成の一例を示す図。第１実施形態の第２変形例における椎体推定装置が備える制御部の構成の一例を示す図。第１実施形態の第２変形例における制御部の実行する処理の流れの一例を示すフローチャート。第２実施形態における正解座標系情報の示す座標系の一例を説明する第１の図。第２実施形態における正解座標系情報の示す座標系の一例を説明する第２の図。第２実施形態における固定条件推定モデル学習装置のハードウェア構成の一例を示す図。第２実施形態における固定条件推定モデル学習装置が備える制御部の構成の一例を示す図。第２実施形態における固定条件推定モデル学習装置が実行する処理の流れの一例を示すフローチャート。第２実施形態における固定条件推定装置のハードウェア構成の一例を示す図。第２実施形態における固定条件推定装置が備える制御部の構成の一例を示す図。第２実施形態における固定条件推定装置が実行する処理の流れの一例を示すフローチャート。第２実施形態の第１変形例における固定条件推定モデル学習装置の備える制御部の構成の一例を示す図。第２実施形態の第２変形例における固定条件推定装置の備える制御部の構成の一例を示す図。

（第１実施形態）
　図１は、第１実施形態の椎体推定モデル学習装置１の概要を説明する説明図である。椎体推定モデル学習装置１は、人又は動物の椎体の位置を推定する数理モデルを、機械学習の方法を用いて得る。

　人又は動物の椎体の位置を推定する数理モデルの取得に際して、椎体推定モデル学習装置１は、椎体推定モデルの学習を行う。椎体推定モデルは、入力された椎体２次元画像データに基づき、その椎体２次元画像データの画像に写る椎体頂点の各位置と中心指向ベクトルとを推定する数理モデルである。椎体２次元画像データは、椎体が写る２次元画像の画像データである。椎体頂点は、椎体の各頂点である。中心指向ベクトルは、椎体頂点ごとのベクトルであって各椎体頂点から椎体の中心に向かうベクトルである。中心は、例えば重心である。中心は、例えば４つの椎体頂点が構成する四角形の対角線の交点であってもよい。以下、椎体２次元画像データが示す画像を椎体２次元画像という。

　図１における画像Ｇ１は、椎体２次元画像の一例である。なお、画像Ｇ１は、冠状面画像である。画像Ｇ１には３つの椎体が写る。図１における画像Ｇ２は、画像Ｇ１に写る椎体頂点を示す画像である。より具体的には、画像Ｇ２の点Ｐ１～Ｐ１２がそれぞれ椎体頂点の一例である。画像Ｇ２において椎体頂点Ｐ１～Ｐ４は３つの椎体の１つに属する４つの頂点である。画像Ｇ２において椎体頂点Ｐ５～Ｐ８は３つの椎体の他の１つの椎体に属する４つの頂点である。画像Ｇ２において椎体頂点Ｐ９～Ｐ１２は３つの椎体の最後の１つの椎体に属する４つの頂点である。

　図１における画像Ｇ２は、中心指向ベクトルの例として、画像Ｇ１に写る椎体頂点のうちの３つについて中心指向ベクトルを示す。画像Ｇ２におけるベクトルＶ１、ベクトルＶ２及びベクトルＶ３はいずれも、中心指向ベクトルの一例である。ベクトルＶ１は、椎体頂点Ｐ３における中心指向ベクトルである。ベクトルＶ２は、椎体頂点Ｐ７における中心指向ベクトルである。ベクトルＶ３は、椎体頂点Ｐ１１における中心指向ベクトルである。このように、中心指向ベクトルは、椎体の各頂点の位置、その椎体の中心の位置及び頂点ごとのベクトルであって頂点から椎体の中心に向かうベクトル、である。

　なお、数理モデルは、実行される条件と順番と（以下「実行規則」という。）が予め定められた１又は複数の処理を含む集合である。学習とは、機械学習の方法による数理モデルの更新を意味する。数理モデルの更新とは、数理モデルにおけるパラメータの値を好適に調整することを意味する。また、数理モデルの実行とは、数理モデルが含む各処理を実行規則にしたがって実行することを意味する。なお、数理モデルが含む処理は、他の数理モデルを実行する処理を含んでもよい。

　学習による数理モデルの更新は、学習に関する所定の終了条件（以下「学習終了条件」という。）が満たされるまで行われる。学習終了条件は、例えば所定の回数の学習が行われた、という条件である。

　なお、椎体２次元画像データは、３次元ＣＴ（Computed Tomography）画像から得られた２次元画像の画像データであってもよいし、ＭＲＩ（Magnetic Resonance Imaging）を用いて得られた２次元の画像の画像データであってもよいし、レントゲン撮影で得られたＸ線写真の画像データであってもよい。３次元ＣＴ画像から椎体２次元画像データを取得する場合、例えばDigitally Reconstructed Radiograph（ＤＲＲ)が用いられる。

　椎体２次元画像データは画像内に椎体が写る画像の画像データであればどのようなものであってもよいが、椎体推定モデルの精度の向上の観点や、椎体２次元画像データの取得に要する負担の軽減のためには工夫された技術が実行されることが望ましい。このような技術の例については変形例にて説明する。

＜椎体推定モデルの学習の詳細＞
　椎体推定モデルの学習では、椎体２次元画像データと、正解頂点情報と、正解ベクトル情報と、の組が訓練データとして用いられる。正解頂点情報は、同じ組に属する椎体２次元画像データが示す画像に写る椎体頂点の各位置を示す情報である。正解ベクトル情報は、同じ組に属する椎体２次元画像データが示す画像に写る椎体頂点ごとの中心指向ベクトルを示す情報である。学習では１回の試行ごとに１つの訓練データが用いられる。学習では１回の試行ごとに椎体推定モデルが更新される。なお、正解データが示す椎体頂点の位置は、例えば医師が診断により手動で特定した椎体頂点の位置であってもよい。

　より具体的に椎体推定モデルの学習を説明する。椎体推定モデルの学習では、訓練データの含む椎体２次元画像データに対して椎体推定モデルが実行される。椎体推定モデルの学習では、椎体推定モデルの実行により得られた推定の結果と、正解頂点情報が示す椎体頂点の各位置と各中心指向ベクトルと、の違いを小さくするように、椎体推定モデルの更新が行われる。すなわち、正解頂点情報及び正解ベクトル情報は椎体推定モデルの学習における正解データである。なお、違いを表す損失関数は、例えば二乗誤差関数であってもよい。

　図２は、第１実施形態における椎体推定モデル学習装置１のハードウェア構成の一例を示す図である。椎体推定モデル学習装置１は、バスで接続されたＣＰＵ（Central Processing Unit）等のプロセッサ９１とメモリ９２とを備える制御部１１を備え、プログラムを実行する。椎体推定モデル学習装置１は、プログラムの実行によって制御部１１、入力部１２、通信部１３、記憶部１４及び出力部１５を備える装置として機能する。

　より具体的には、プロセッサ９１が記憶部１４に記憶されているプログラムを読み出し、読み出したプログラムをメモリ９２に記憶させる。プロセッサ９１が、メモリ９２に記憶させたプログラムを実行することによって、椎体推定モデル学習装置１は、制御部１１、入力部１２、通信部１３、記憶部１４及び出力部１５を備える装置として機能する。

　制御部１１は、椎体推定モデル学習装置１が備える各種機能部の動作を制御する。制御部１１は、椎体推定モデルを実行する。制御部１１は、例えば出力部１５の動作を制御し、出力部１５に椎体推定モデルの実行結果を出力させる。制御部１１は、例えば椎体推定モデルの実行により生じた各種情報を記憶部１４に記録する。記憶部１４が記憶する各種情報は、例えば椎体推定モデルの学習結果を含む。

　入力部１２は、マウスやキーボード、タッチパネル等の入力装置を含んで構成される。入力部１２は、これらの入力装置を椎体推定モデル学習装置１に接続するインタフェースとして構成されてもよい。入力部１２は、椎体推定モデル学習装置１に対する各種情報の入力を受け付ける。入力部１２には、例えば椎体推定モデルの学習に用いられる訓練データが入力される。

　通信部１３は、椎体推定モデル学習装置１を外部装置に接続するための通信インタフェースを含んで構成される。通信部１３は、有線又は無線を介して外部装置と通信する。外部装置は、例えば椎体推定モデルの学習に用いられる訓練データの送信元の装置である。通信部１３は、椎体推定モデルの学習に用いられる訓練データの送信元との通信によって椎体推定モデルの学習に用いられる訓練データを椎体推定モデルの学習に用いられる訓練データの送信元から受信する。外部装置は、例えば学習済みの椎体推定モデルを実行する装置である。通信部１３は、学習済みの椎体推定モデルを実行する装置との通信によって学習済みの椎体推定モデルを学習済みの椎体推定モデルを実行する装置に送信する。

　記憶部１４は、磁気ハードディスク装置や半導体記憶装置などのコンピュータ読み出し可能な記憶媒体装置を用いて構成される。記憶部１４は椎体推定モデル学習装置１に関する各種情報を記憶する。記憶部１４は、例えば入力部１２又は通信部１３を介して入力された情報を記憶する。記憶部１４は、例えば椎体推定モデルを予め記憶する。記憶部１４は、例えば椎体推定モデルの実行により生じた各種情報を記憶する。

　出力部１５は、各種情報を出力する。出力部１５は、例えばＣＲＴ（Ｃａｔｈｏｄｅ　Ｒａｙ　Ｔｕｂｅ）ディスプレイや液晶ディスプレイ、有機ＥＬ（Ｅｌｅｃｔｒｏ－Ｌｕｍｉｎｅｓｃｅｎｃｅ）ディスプレイ等の表示装置を含んで構成される。出力部１５は、これらの表示装置を椎体推定モデル学習装置１に接続するインタフェースとして構成されてもよい。出力部１５は、例えば入力部１２又は通信部１３に入力された情報を出力する。出力部１５は、例えば椎体推定モデルの実行結果を表示してもよい。

　図３は、第１実施形態における椎体推定モデル学習装置１が備える制御部１１の構成の一例を示す図である。制御部１１は、訓練データ取得部１１１、学習部１１２、記憶制御部１１３及び出力制御部１１４を備える。

　訓練データ取得部１１１は、訓練データを取得する。訓練データ取得部１１１は、例えば入力部１２又は通信部１３に入力された訓練データを取得する。訓練データ取得部１１１は、予め記憶部１４に記憶済みの訓練データを読み出すことで訓練データを取得してもよい。

　学習部１１２は、椎体推定モデルの学習を実行する。学習部１１２は、椎体推定モデル実行部１２１及び更新部１２２を備える。椎体推定モデル実行部１２１は、訓練データ取得部１１１の取得した訓練データに含まれる椎体２次元画像データに対して椎体推定モデルを実行する。椎体推定モデル実行部１２１は、椎体推定モデルの実行により、実行対象の椎体２次元画像データの示す画像に写る椎体頂点の各位置と中心指向ベクトルとを推定する。なお、実行対象とは、処理又は数理モデルの実行の対象を意味する。したがって、椎体推定モデルの実行対象とは、椎体推定モデル実行部１２１の推定の推定対象である。

　椎体推定モデル実行部１２１は、具体的には椎体推定モデルを表現するニューラルネットワークである。したがって椎体推定モデル実行部１２１による椎体推定モデルの実行とは、椎体推定モデルを表現するニューラルネットワークが動作することを意味する。

　更新部１２２は、椎体推定モデル実行部１２１の推定結果と、訓練データに含まれる正解データとに基づき、推定結果と正解データとの違いを小さくするように、椎体推定モデルを更新する。

　記憶制御部１１３は各種情報を記憶部１４に記録する。出力制御部１１４は出力部１５の動作を制御する。

　図４は、第１実施形態における椎体推定モデル学習装置１が実行する処理の流れの一例を示すフローチャートである。訓練データ取得部１１１が訓練データを取得する（ステップＳ１０１）。次に、椎体推定モデル実行部１２１が、ステップＳ１０１で取得された訓練データに含まれる椎体２次元画像データに対して椎体推定モデルを実行する（ステップＳ１０２）。椎体推定モデルの実行により、実行対象の椎体２次元画像データの示す画像に写る椎体頂点の各位置と中心指向ベクトルとが推定される。

　次に更新部１２２が、ステップＳ１０２の実行により得られた推定の結果と、ステップＳ１０１で取得された訓練データに含まれる正解頂点情報及び正解ベクトル情報に基づき、椎体推定モデルを更新する（ステップＳ１０３）。次に、更新部１２２は、学習終了条件が満たされたか否かを判定する（ステップＳ１０４）。学習終了条件が満たされた場合（ステップＳ１０４：ＹＥＳ）、処理が終了する。一方、学習終了条件が満たされない場合（ステップＳ１０４：ＮＯ）、ステップＳ１０１の処理に戻る。

　このようにして得られた学習済みの椎体推定モデルは、入力された画像データの画像であって推定対象の画像に写る椎体頂点の各位置と各中心指向ベクトルとを推定する処理、に用いられる。このような処理を実行するものの一例が、これから説明する椎体推定装置２である。椎体推定装置２は、学習済みの椎体推定モデルを、例えば通信によって椎体推定モデル学習装置１から取得することで、学習済みの椎体推定モデルの実行前に予め取得する。椎体推定装置２は、学習済みの椎体推定モデルを、例えば学習済みの椎体推定モデルを表現するニューラルネットワークが備え付けられることで、学習済みの椎体推定モデルの実行前に予め取得してもよい。

　椎体推定装置２は、椎体推定モデル学習装置１の得た学習済みの椎体推定モデルを用いて、推定対象の画像に写る椎体頂点の各位置と各中心指向ベクトルとを推定する。

　図５は、第１実施形態における椎体推定装置２のハードウェア構成の一例を示す図である。椎体推定装置２は、バスで接続されたＣＰＵ等のプロセッサ９３とメモリ９４とを備える制御部２１を備え、プログラムを実行する。椎体推定装置２は、プログラムの実行によって制御部２１、入力部２２、通信部２３、記憶部２４及び出力部２５を備える装置として機能する。

　より具体的には、プロセッサ９３が記憶部２４に記憶されているプログラムを読み出し、読み出したプログラムをメモリ９４に記憶させる。プロセッサ９３が、メモリ９４に記憶させたプログラムを実行することによって、椎体推定装置２は、制御部２１、入力部２２、通信部２３、記憶部２４及び出力部２５を備える装置として機能する。

　制御部２１は、椎体推定装置２が備える各種機能部の動作を制御する。制御部２１は、学習済みの椎体推定モデルを実行する。制御部２１は、例えば出力部２５の動作を制御し、出力部２５に学習済みの椎体推定モデルの実行結果を出力させる。制御部２１は、例えば学習済みの椎体推定モデルの実行により生じた各種情報を記憶部２４に記録する。記憶部２４が記憶する各種情報は、例えば学習済みの椎体推定モデルの実行結果を含む。

　入力部２２は、マウスやキーボード、タッチパネル等の入力装置を含んで構成される。入力部２２は、これらの入力装置を椎体推定装置２に接続するインタフェースとして構成されてもよい。入力部２２は、椎体推定装置２に対する各種情報の入力を受け付ける。入力部２２には、例えば推定対象の画像の画像データが入力される。

　通信部２３は、椎体推定装置２を外部装置に接続するための通信インタフェースを含んで構成される。通信部２３は、有線又は無線を介して外部装置と通信する。外部装置は、例えば推定対象の画像の画像データの送信元の装置である。通信部２３は、推定対象の画像の画像データの送信元の装置との通信によって推定対象の画像の画像データを推定対象の画像の画像データの送信元の装置から受信してもよい。外部装置は、例えば椎体推定モデル学習装置１である。通信部２３は、椎体推定モデル学習装置１との通信によって学習済みの椎体推定モデルを椎体推定モデル学習装置１から受信してもよい。

　記憶部２４は、磁気ハードディスク装置や半導体記憶装置などのコンピュータ読み出し可能な記憶媒体装置を用いて構成される。記憶部２４は椎体推定装置２に関する各種情報を記憶する。記憶部２４は、例えば入力部２２又は通信部２３を介して入力された情報を記憶する。記憶部２４は、例えば学習済みの椎体推定モデルを学習済みの椎体推定モデルの実行前に予め記憶する。記憶部２４は、例えば学習済みの椎体推定モデルの実行により生じた各種情報を記憶する。

　出力部２５は、各種情報を出力する。出力部２５は、例えばＣＲＴディスプレイや液晶ディスプレイ、有機ＥＬディスプレイ等の表示装置を含んで構成される。出力部２５は、これらの表示装置を椎体推定装置２に接続するインタフェースとして構成されてもよい。出力部２５は、例えば入力部２２又は通信部２３に入力された情報を出力する。出力部２５は、例えば学習済みの椎体推定モデルの実行結果を出力してもよい。

　図６は、第１実施形態における椎体推定装置２が備える制御部２１の構成の一例を示す図である。制御部２１は、対象データ取得部２１１、椎体推定部２１２、記憶制御部２１３及び出力制御部２１４を備える。

　対象データ取得部２１１は、学習済みの椎体推定モデルの実行対象の椎体２次元画像データを取得する。対象データ取得部２１１の取得する椎体２次元画像データが、推定対象の画像の画像データである。対象データ取得部２１１は、例えば入力部２２又は通信部２３を介して入力された椎体２次元画像データを学習済みの椎体推定モデルの実行対象の椎体２次元画像データとして取得する。

　椎体推定部２１２は、対象データ取得部２１１の取得した椎体２次元画像データに対して学習済みの椎体推定モデルを実行する。椎体推定部２１２は、椎体推定モデルの実行により、実行対象の椎体２次元画像データの示す画像に写る椎体頂点の各位置と中心指向ベクトルとを推定する。

　記憶制御部２１３は各種情報を記憶部１４に記録する。出力制御部２１４は出力部１５の動作を制御する。

　図７は、第１実施形態における椎体推定装置２が実行する処理の流れの一例を示すフローチャートである。対象データ取得部２１１が、推定対象の画像の画像データを取得する（ステップＳ２０１）。次に、椎体推定部２１２が、対象データ取得部２１１の取得した画像データに対して学習済みの椎体推定モデルを実行することで、推定対象の画像に写る椎体頂点の各位置と中心指向ベクトルとを推定する（ステップＳ２０２）。次に、出力制御部２１４が出力部２５の動作を制御して、ステップＳ２０２で得られた推定の結果を、出力部２５に出力させる（ステップＳ２０３）。出力の方法は、例えば表示である。

　このように構成された第１実施形態の椎体推定モデル学習装置１は、画像中の椎体の頂点と頂点から中心に向かうベクトルとを推定する数理モデルを得る。椎体に係る身体の異常を治療する治療方針の決定に際しては画像から椎体の位置を読み取ることが行われるが、読み取りは難しい場合や医師等の椎体の位置を読み取る者の技量に依存する場合がある。しかし、椎体の頂点と頂点から中心に向かうベクトルとを椎体の位置を読み取る者が知れば、ベクトルの終点が互いに近い位置にある頂点は同じ椎体の頂点であろうと、椎体の位置を読み取る者は推定でき、椎体の位置の読み取りに要する負担が軽減される。したがって、椎体に係る身体の異常を治療する際の治療方針の決定に要する椎体の位置を読み取る者の負担が軽減される。そのため、椎体の頂点と頂点から中心に向かうベクトルとを推定する数理モデルを学習により得る椎体推定モデル学習装置１は、椎体に係る身体の異常を治療する際の治療方針の決定に要する負担を軽減することができる。

　このように構成された第１実施形態の椎体推定装置２は、学習済みの椎体推定モデルを用いて、椎体の頂点と頂点から中心に向かうベクトルとを推定する。そのため、椎体推定装置２は、椎体に係る身体の異常を治療する際の治療方針の決定に要する負担を軽減することができる。

（第１実施形態の第１変形例）
　椎体推定モデルの推定する椎体頂点の位置は、例えば、椎体頂点の位置である可能性の高さの画像内の分布を示す情報（以下「ヒートマップ情報」という。）によって示されてもよい。ヒートマップ情報は、例えば等高線で示される。なお、椎体推定モデルの推定する椎体頂点の位置がヒートマップ情報によって示される場合、学習済みの椎体推定モデルも椎体頂点の位置をヒートマップ情報によって示す。

（第１実施形態の第２変形例）
　椎体推定モデルには、例えば１／４の解像度の椎体２次元画像等の解像度の下げられた椎体２次元画像が入力されてもよい。このような解像度の下げられた画像が椎体２次元画像に入力されることで、演算量が軽減される。なお、椎体推定モデルに解像度の下げられた椎体２次元画像が入力される場合、学習済みの椎体推定モデルにも解像度の下げられた椎体２次元画像が入力される。

（第１実施形態の第３変形例）
　椎体推定モデルに解像度の下げられた椎体２次元画像が入力される場合、椎体推定モデルによる椎体頂点の位置の推定の精度も、解像度の低下に応じた度合だけ低下してしまう。そこで、椎体推定モデルの学習では、解像度の下げられた椎体２次元画像上の椎体頂点の位置を示す情報の推定だけではなく、低下された解像度を元に戻した場合における椎体頂点の位置を示す情報も椎体推定モデルが推定するように学習が行われてもよい。以下、低下された解像度を元に戻した場合における椎体頂点の位置を示す情報を、オリジナル位置指示情報という。オリジナル位置指示情報は、例えば、解像度の下げられた椎体２次元画像上の椎体頂点の位置を示す情報を始点とし、低下された解像度を元に戻した場合における椎体頂点の位置を終点とする位置ベクトルで示される。

　このような、オリジナル位置指示情報を推定する椎体推定モデルの学習では、訓練データの含む正解データに、低下された解像度を元に戻した場合における椎体頂点の位置を示す情報も含めて学習が行われる。

　椎体推定装置２がこのような、オリジナル位置指示情報を推定するように学習が行われた学習済みの椎体推定モデルを用いる場合には、椎体推定装置２は、学習済みの椎体推定モデルの実行により、推定対象の椎体２次元画像についてオリジナル位置指示情報も推定する。

（第１実施形態の第４変形例）
　椎体推定装置２は、学習済みの椎体推定モデルの実行により得られた推定の結果に基づき、推定対象の画像に写る各椎体を区別する。すなわち、椎体推定装置２は、学習済みの椎体推定モデルの実行により得られた推定の結果に基づき、推定対象の画像に写る各椎体をそれぞれ他の椎体と異なる椎体であると判定する。以下、推定対象の画像に写る各椎体をそれぞれ他の椎体と異なる椎体であると判定する処理を、椎体判定処理という。

　椎体判定処理は、椎体中心推定処理とグルーピング処理とを含む。椎体中心推定処理は、学習済みの椎体推定モデルの実行により得られた推定の結果に基づき、推定対象の画像に写る各椎体の中心を推定する処理である。

　椎体の中心は１つの椎体に１つであるので、椎体を識別する情報でもある。そこで、椎体の中心を用いて、推定対象の画像に写る各椎体頂点と各中心指向ベクトルとを分類することが可能である。具体的には、推定対象の画像に写る各椎体頂点と各中心指向ベクトルとがいずれの椎体に属するかという判定の処理を、推定対象の画像に写る各椎体頂点と各中心指向ベクトルとがいずれの椎体の中心に属するかという判定の処理で代替可能である。

　グルーピング処理は、推定対象に写る各椎体頂点と各中心指向ベクトルとについて、いずれの椎体の中心に属するかを判定する処理である。グルーピング処理における分類は、具体的には、椎体中心推定処理によって推定された各椎体の中心を示す情報と、学習済みの椎体推定モデルの実行により得られた椎体頂点の各位置と各中心指向ベクトルと、に基づいて行われる。グルーピング処理の実行により、推定対象に写る椎体頂点と中心指向ベクトルと椎体の中心とが、同じ椎体に属するもの同士で分類される。椎体の中心とは各椎体に１つであるから、椎体の中心とは椎体の識別子の役割を果たす。したがってグルーピング処理とは、言い換えれば、椎体の各頂点の位置と頂点ごとの中心指向ベクトルとを椎体ごとにグルーピングする処理である。

　グルーピング処理では、中心指向ベクトルの終点と椎体中心推定処理で推定されたいずれか１つの中心との距離が所定の閾値よりも短い場合に、その中心と、その中心指向ベクトルと、その中心指向ベクトルの始点の椎体頂点とが同じ椎体に属すると判定される。このようにして、グルーピング処理は、推定対象に写る各椎体頂点と各中心指向ベクトルとについて、いずれの椎体の中心に属するかを判定する。

　なお、椎体２次元画像には、椎体が正面から撮影された場合には１つの椎体に４つの頂点が写ることが期待される。しかしながら、椎体が曲がった状態で撮影されるなどの椎体の撮影時の状況によっては、推定対象の椎体２次元画像に３つ以下の椎体頂点しか映っていない椎体が存在する場合がある。そのため、椎体判定処理では、３つ以下の椎体頂点と３つ以下の中心指向ベクトルが属する椎体が推定される場合があってもよい。

　出力制御部２１４は、出力部２５の動作を制御して、出力部２５に椎体判定処理の実行により得られた推定の結果を出力させる。出力の方法は、例えば表示である。

　図８は、第１実施形態の第４変形例における椎体推定装置２が備える制御部２１ａの構成の一例を示す図である。以下説明の簡単のため、制御部２１と同様の機能を有するものについては、図６と同じ符号を付すことで説明を省略する。制御部２１ａは、椎体判定部２１５を備える点で、第１実施形態の制御部２１と異なる。椎体判定部２１５は、椎体判定処理を実行する。

（第１実施形態の第５変形例）
　椎体推定装置２は、椎体判定処理の実行により得られた推定の結果に基づき、推定対象の画像に写る脊椎のコブ角を推定してもよい。なお、コブ角とは側弯の度合を示す量である。コブ角の値は、コブ法によって算出される。以下、椎体判定処理の実行により得られた推定の結果に基づき推定対象の画像に写る脊椎のコブ角を算出する処理、をコブ角算出処理という。なお、椎体推定モデルの推定する各椎体頂点の位置がそれぞれヒートマップ情報によって示される場合、コブ角算出処理における椎体頂点の各位置は、椎体頂点位置ごとのヒートマップ情報が示す極大値の位置である。

　図９は、第１実施形態の第２変形例における椎体推定装置２が備える制御部２１ｂの構成の一例を示す図である。以下説明の簡単のため、制御部２１と同様の機能を有するものについては、図６と同じ符号を付すことで説明を省略する。制御部２１ｂは、コブ角算出部２１６を備える点で、第１実施形態の第４変形例の制御部２１ａと異なる。コブ角算出部２１６は、図１０を用いて説明するコブ角算出処理を実行する。

　図１０は、第１実施形態の第２変形例における制御部２１ｂの実行する処理の流れの一例を示すフローチャートである。コブ角算出処理は、椎体判定処理の実行後に実行される。そして、椎体判定処理は、例えばステップＳ２０２の処理の実行後に実行される。椎体判定部２１５が、ステップＳ２０２で推定された推定の結果を取得する。すなわち、椎体判定部２１５が、椎体推定部２１２による推定の結果を取得する（ステップＳ３０１）。次に、椎体判定部２１５が、椎体判定処理の実行により推定対象の画像に写る各椎体を区別する（ステップＳ３０２）。

　次に、コブ角算出部２１６が、隣接椎体対を判定する（ステップＳ３０３）。以下説明の簡単のため、傾きが０の方向を、矢状面と冠状面とが交わる線に垂直な軸であって冠状面に平行な軸に平行な方向として制御部２１ｂの実行する処理の流れの一例を説明する。隣接椎体対は、互いに隣接する椎体の対であって、所定の方向を基準として、一方の椎体の傾きの符号と他方の椎体の傾きの符号が逆になる（異なる）、対である。所定の方向は、例えば人の正面から椎体を撮影した結果における水平方向である。なお所定の方向を基準とするとは、所定の方向を角度０とすることを意味する。例えば、隣接椎体対は、一方の椎体の傾きから他方の椎体の傾きに変化する際に、隣接する椎体間の傾きの符号が反転する、対であってもよい。したがって極値点椎体対は、例えば、脊椎の首に近い側を上と定義し脊椎の腰椎に近い側を下と定義した場合に、上の椎体の上縁が形成する脊椎角の符号と、下の椎体の下縁が形成する脊椎角の符号とが異なる、互いに隣接する椎体の対である。脊椎角は、首から腰椎に向かう直線に対する角度であってもよい。

　ステップＳ３０３において具体的には、コブ角算出部２１６はまず、ステップＳ３０２で区別された椎体ごとに、各椎体の各頂点の位置に基づいて、椎体の上縁及び下縁の傾きをそれぞれ算出する。次に、コブ角算出部２１６は、隣接する２つの椎体の対ごとに、互いに隣接しないという条件を満たす上縁と下縁との組の上縁の傾きの符号と下縁の傾きの符号が反転するか否かを判定する。コブ角算出部２１６は、各対についての判定結果に基づき、椎体の傾きの変化量の符号が反転する対を判定する。このようにして、コブ角算出部２１６は、隣接椎体対を判定する。

　なお、ステップＳ３０３の処理において、隣接椎体対は複数存在する。次に、記憶制御部２１３が、隣接椎体対と判定された椎体の対のうち上側の椎体を示す情報を、極値点椎体（extremum vertebral body）として記憶部２４等の所定の記憶装置に記録する（ステップＳ３０４）。すなわち、極値点椎体とは、隣接椎体対と判定された椎体の対のうち上側の椎体である。以下、所定の記憶装置が記憶部２４である場合を例に、コブ角算出処理を説明する。

　次に、記憶制御部２１３が、複数存在する極値点椎体のうち互いに最も近い２つの極値点椎体の組み合わせを記録する（ステップＳ３０５）。たとえば、検出された極値点椎体が椎体Ｔ１と椎体Ｌ５の２つであった場合、記憶制御部２１３は、記憶部２４に椎体Ｔ１及び椎体Ｌ５を記録する。なお、Ｔ１は第一胸椎、Ｌ５は第五腰椎を表す。次に、コブ角算出部２１６は、記憶部２４に記憶されている極値点椎体の組み合わせについて、上側の椎体の上縁が形成する脊椎角と、下側の椎体の下縁が形成する脊椎角の傾きの差の絶対値をコブ角として算出する（ステップＳ３０６）。たとえば上記の例では、椎体Ｔ１の上縁が形成する脊椎角と、椎体Ｌ５の下縁が形成する脊椎角の差の絶対値をコブ角として算出する。このとき、ノイズ除去のため、一定の傾き条件を閾値として設定し、これ以下の値はコブ角の算出対象に含めないこととしてもよい。一定の傾き条件とは、たとえば絶対値で５度である。

　なお、ステップＳ３０３からステップＳ３０７の処理が、コブ角算出処理の一例である。なお、コブ角算出部２１６はコブ角算出処理においてステップＳ３０７の次に、ステップＳ３０７の処理で得られた各コブ角のうち大きいものから順に、Ｍａｊｏｒ，Ｍｉｎｏｒ１、Ｍｉｎｏｒ２と判定してもよい。

（第１実施形態の第６変形例）
　上述したように、椎体２次元画像データは画像内に椎体が写る画像の画像データであればどのようなものであってもよいが、椎体推定モデルの精度の向上の観点や、椎体２次元画像データの取得に要する負担の軽減のためには工夫された技術が実行されることが望ましい。そこで、ここでは、そのような工夫された技術の一例を説明する。

　椎体２次元画像データは、例えばＲＯＩ推定処理の実行により得られる。ＲＯＩ推定処理は、２次元画像データを実行対象とする処理である。ＲＯＩ推定処理は、実行対象の２次元画像データが示す画像内の関心領域（ＲＯＩ：Region of Interest）を推定する処理である。このような場合、椎体２次元画像データは、ＲＯＩ推定処理の実行対象の２次元画像データの画像からＲＯＩ推定処理によって推定された関心領域を除く領域の像が消された画像の画像データである。

　ＲＯＩ推定処理は、より具体的には、実行対象の２次元画像データが示す画像内の関心領域を推定する数理モデルであって２次元画像データと関心領域を示す正解データとの対を用いた学習により得られた数理モデル（以下「ＲＯＩモデル」という。）を実行する処理である。

　このようにＲＯＩモデルは学習により得られた数理モデルである。ＲＯＩモデルの学習では関心領域を示す情報が正解データとして用いられる。学習では、訓練データの含む２次元画像データに対するＲＯＩモデルの実行結果と正解データとの違いを小さくするようにＲＯＩモデルが更新される。学習に際して用いられる訓練データの含む２次元画像データには、椎体の像を写す２次元画像の画像データが用いられ、正解データは椎体を写す領域を関心領域として示す。なお、用いられる正解データが示す椎体頂点の位置は、例えば医師が診断により手動で特定した椎体頂点の位置であってもよい。このようにして、実行対象の２次元画像データから椎体を写す関心領域を推定するＲＯＩモデルが得られる。

　なお、ＲＯＩモデルの学習における訓練データの一部は椎体の像の写らない２次元画像データを含む訓練データであってもよい。このような場合、正解データは関心領域が無いことを示す。また、ＲＯＩモデルの学習における訓練データの含む２次元画像データには椎体の像が写る２次元画像データのみが用いられてもよい。そしてこのような場合、正解データは必ず、椎体の像の写る領域を関心領域として示してもよい。また、訓練データの含む正解データは、ＲＯＩモデルの実行対象の２次元画像データの画像の一部の領域であって、椎体の像を写すという条件を満たすランダムに選択された領域、を関心領域として示してもよい。したがって例えば訓練データの含む正解データは、ＲＯＩモデルの実行対象の２次元画像データの画像内の複数の領域であって少なくとも一つの椎体の像が写っている各領域それぞれを関心領域として示してもよい。

　脊椎の撮影は、さまざまな環境で行われ得る。そのため、撮影の状況に応じて画像にばらつきが生じてしまう。ＲＯＩ推定処理の実行により得られた椎体２次元画像データが用いられれば、このような撮影時のばらつきが軽減された画像データを用いて、椎体頂点の各位置と中心指向ベクトルとが推定される。そのため、椎体推定モデルの学習の効率も向上するし、学習済みの椎体推定モデルによる推定の精度も向上する。学習において上述したような関心領域のランダムな選択が行われる場合、学習済みの椎体推定モデルによる推定の精度が向上する。その理由を説明する。

＜関心領域のランダムな選択が行われることで推定の精度が向上する理由＞
　学習に用いられるデータセットは、多くが画像の左右に大きく余白があるような画像の画像データであり、少量は余白がほとんどない画像の画像データである、というデータセットである場合がある。このようなデータセットをそのまま学習に用いると、画像の左右に大きく余白があるような画像の画像データに対する推定の精度は高いものの、それ以外の画像データについては推定の精度が低いために、過学習が生じてしまう可能性がある。過学習した学習済みの数理モデルをアプリケーションに組み込んだ場合、学習時に用いられた画像の撮影の状況と異なる状況で得られた画像の画像データに対して、推定精度が低い場合がある。

　そのため、学習では学習データセットの偏りを軽減した学習が行われることが望ましい。関心領域のランダムな選択は、学習に用いるデータをランダムに選ぶために、このような学習データセットの偏りを軽減することができる。より具体的には、関心領域をランダムに選択することで、大多数の余白が多いデータから少数派の余白の少ないデータに近いデータを一定確率で生成することができ、余白の少ないデータの相対的な割合が増える。そのため、関心領域のランダムな選択は、学習に用いるデータをランダムに選ぶために、このような学習データセットの偏りを軽減することができる。したがって、関心領域のランダムな選択が行われることで過学習を防ぐことができ、学習済みの椎体推定モデルによる推定の精度が向上する。ここまでで関心領域のランダムな選択が行われることで推定の精度が向上する理由の説明を終了する。

　ＲＯＩ推定処理は、例えば訓練データ取得部１１１が実行する。椎体推定モデル学習装置１に２次元画像データと正解データとの対が入力された場合、訓練データ取得部１１１は、ＲＯＩ推定処理の実行により、入力された２次元画像データから椎体２次元画像データを生成する。訓練データ取得部１１１は、生成した椎体２次元画像データと入力された正解データとの対を訓練データとして取得する。

　ＲＯＩ推定処理は、例えば対象データ取得部２１１が実行する。椎体推定装置２に２次元画像データが入力された場合、対象データ取得部２１１は、ＲＯＩ推定処理の実行により、入力された２次元画像データから椎体２次元画像データを生成する。対象データ取得部２１１は、生成した椎体２次元画像データを学習済みの椎体推定モデルの実行対象として取得する。

（第１実施形態の第７変形例）
　椎体推定モデルの学習では、複数の椎体２次元画像が用いられてもよい。このような場合、複数の椎体２次元画像の一部は、左右を反転させた椎体２次元画像であってもよいし、白黒の反転等の色の反転が行われた椎体２次元画像であってもよいし、上下を反転させた椎体２次元画像であってもよい。すなわち、椎体推定モデルの実行対象の２次元画像の画像データの集合は、色、上下又は左右が反転した２次元画像の画像データを含む集合であってもよい。

　椎体推定モデルの学習では、色及び左右の反転が行われていない椎体２次元画像と、色の反転が行われ左右の反転が行われていない椎体２次元画像と、色の反転は行われず左右の反転が行われた椎体２次元画像と、色及び左右の反転が行われた椎体２次元画像との４つそれぞれについて、椎体推定モデルの実行が行われてもよい。このような場合、各画像に対する椎体推定モデルの推定結果に基づき、各推定結果の差が小さくなるように椎体推定モデルが更新されてもよい。

　このような４種類の椎体２次元画像の画像データを用いて学習された学習済みの椎体推定モデルを椎体推定装置２が用いる場合には、上記の４種類の画像の画像データに対して学習済みの椎体推定モデルが実行されてもよい。このような場合、４つの推定のうちの１つ以上３つ以下の推定においてのみ頂点の位置と中心指向ベクトルとが推定される椎体が生じる場合がある。このように、４つ全てではなくても少なくとも１つで頂点の位置と中心指向ベクトルとが推定されれば、ユーザはその結果を、実際に椎体が存在する、と受け取ってもよい。

　実験では、１種類の椎体２次元画像データだけを用いた場合には検出されなかった椎体が、このような４種類の椎体２次元画像の画像データを用いることで、１７回の試行で連続して検出された、という結果が一例として得られている。

　このように、色又は左右が反転した椎体２次元画像の画像データも用いた椎体推定モデルの学習は、推定の精度を上げる効果を奏する。また、このように、色又は左右が反転した椎体２次元画像の画像データも用いた推定の結果であって学習済みの椎体推定モデルの実行で得られる推定の結果は、色及び左右の反転の無い１種類の椎体２次元画像データに基づく推定よりも、推定の精度が高いという効果を奏する。左右と上下とは、画像のどちらを右と定義するか、という定義の問題である。したがって、色、上下又は左右が反転した椎体２次元画像の画像データも用いた推定の結果であって学習済みの椎体推定モデルの実行で得られる推定の結果についても、色、上下及び左右の反転の無い１種類の椎体２次元画像データに基づく推定よりも、推定の精度が高いという効果を奏する。

（第１実施形態の第８の変形例）
　なお、椎体推定モデル学習装置１は、ネットワークを介して通信可能に接続された複数台の情報処理装置を用いて実装されてもよい。この場合、椎体推定モデル学習装置１が備える各機能部は、複数の情報処理装置に分散して実装されてもよい。

　なお、椎体推定装置２は、ネットワークを介して通信可能に接続された複数台の情報処理装置を用いて実装されてもよい。この場合、椎体推定装置２が備える各機能部は、複数の情報処理装置に分散して実装されてもよい。

　なお、椎体推定モデル学習装置１及び椎体推定装置２は、必ずしも異なる装置として実装される必要は無い。椎体推定モデル学習装置１及び椎体推定装置２は、例えば両者の機能を併せ持つ１つの装置として実装されてもよい。

（第２実施形態）
　第２実施形態の固定条件推定モデル学習装置５を説明する。固定条件推定モデル学習装置５は、人又は動物の椎体に設置する脊椎内固定器具のサイズと設置の位置とを推定する数理モデルを、機械学習の方法を用いて得る。

　固定条件推定モデル学習装置５は、椎体の３次元画像の画像データ（以下「椎体３次元画像データ」という。）を用いて学習を行う。椎体の３次元の画像データはどのように得られたものであってもよい。例えば学習では、シミュレーション等によって得られた仮想の椎体の３次元の画像データが用いられてもよい。また、既存の医療現場で取得可能な形式の画像データを用いて生成された椎体３次元画像データが用いられてもよい。そこで、固定条件推定モデル学習装置５の説明にあたり、まずは学習に用いられる椎体３次元画像データの生成の処理（以下「椎体３次元画像データ生成処理」という。）の一例を説明し、次に学習について説明する。

＜椎体３次元画像データの生成＞
　椎体３次元画像データ生成処理では次元変換処理が実行される。次元変換処理は、３次元ＣＴ画等の撮影によって得られた３次元画像の画像データを複数の２次元画像の画像データに変換する処理である。次元変換処理によって生成される複数の２次元画像は、具体的には３次元画像に写る像の所定の一軸（以下「断面垂直軸」という。）上の複数の点における断面の画像であって、断面垂直軸に垂直な断面の画像である。すなわち、次元変換処理は、３次元画像の画像データから、その３次元画像に写る像の断面垂直軸上の複数の点における断面の画像であって断面垂直軸に垂直な断面の画像の集合を生成する処理である。次元変換処理は、例えばDigitally Reconstructed Radiograph（ＤＲＲ)である。

　次元変換処理の実行対象の３次元画像は、椎体の撮影結果の３次元画像である。したがって、次元変換処理の実行対象の３次元画像には椎体の像を含む像が写る。次元変換処理の実行対象の３次元画像に椎体が写る為、次元変換処理で生成された複数の２次元画像には椎体の断面が写る。以下、椎体の断面の２次元画像を、椎体断面画像という。

　椎体３次元画像データ生成処理では、得られた各椎体断面画像に対して椎体検出処理が実行される。椎体検出処理は、実行対象の椎体断面画像に写る椎体を検出する処理である。椎体断面画像に写る椎体を検出するとは、具体的には、椎体断面画像を構成する画素のうちの椎体を写す画素を示す情報を、後述する記憶部５４や記憶部６４等の所定の記憶装置に記録することを意味する。このように、椎体検出処理とは、椎体断面画像における画像内の椎体の位置の情報を取得する処理である。

　椎体の位置は、例えば椎体の４頂点の位置であってもよいし、椎体の中心の位置であってもよいし、椎体の輪郭の位置であってもよい。椎体検出処理は、例えば学習済みの椎体推定モデルと、椎体判定処理と、を実行する処理である。椎体検出処理では、例えば学習済みの椎体推定モデルと、椎体判定処理とに加えてさらにＲＯＩ推定処理が実行されてもよい。

　なお、椎体３次元画像データ生成処理では、各椎体断面画像の位置関係を示す情報（以下「断面位置関係情報」という。）が用いられる。なお、断面位置関係情報は、予め記憶部５４や記憶部６４等の所定の記憶装置に記憶済みであってもよいし、次元変換処理の実行の結果の１つとして次元変換処理の実行後に記憶部５４や記憶部６４等の所定の記憶装置に記録されてもよい。

　次に、椎体３次元画像データ生成処理では３次元化処理が実行される。３次元化処理は、椎体断面画像と、断面位置関係情報と、椎体検出処理の結果と、に基づき椎体の３次元画像の画像データを生成する処理である。断面位置関係情報は、各椎体断面画像の位置関係を示す情報である。断面位置関係情報は、予め記憶部５４や記憶部６４等の所定の記憶装置に記憶済みのものであってもよいし、次元変換処理の実行の結果の１つとして得られてもよい。

　断面位置関係情報によって椎体断面画像の３次元空間における位置関係が示され、椎体検出処理の結果として各椎体断面画像内における椎体の位置が示される。そのため、断面位置関係情報と椎体検出処理の結果とによって、３次元空間における椎体の位置が示される。

　したがって３次元化処理は、断面位置関係情報と椎体検出処理の結果とが示す情報であって３次元空間における椎体の位置を示す情報（以下「３次元空間内椎体位置情報」という。）に基づき、椎体の３次元画像の画像データを生成する処理である。３次元化処理では、例えば３次元空間内椎体位置情報に基づき内挿を行うことでより一層滑らかな３次元画像の画像データを生成することが行われてもよい。

　なお、椎体３次元画像データ生成処理では、椎体検出処理と３次元化処理との間に、閾値処理等の各種の画像処理が行われてもよい。

　なお、ここまで椎体断面画像は次元変換処理で得られるものとして説明を行ってきたが、椎体３次元画像データ生成処理は、椎体の３次元画像の画像データを得ることができれば、必ずしも次元変換処理を含む必要は無い。例えば、断面位置関係情報と複数の椎体断面画像とが予め得られていれば、椎体３次元画像データ生成処理として検体抽出処理と３次元化処理とを実行し、次元変換処理を実行せずに、椎体３次元画像データを得てもよい。またこのような場合、椎体断面画像は次元変換処理によって得られたものである必要は無い。このように、椎体の３次元画像の画像データは、検体抽出処理が複数の椎体２次元画像に対して実行された結果を用いて生成された画像データである。

　椎体３次元画像データ生成処理は、固定条件推定モデル学習装置５が実行してもよいし、他の装置が実行してもよい。以下、椎体３次元画像データ生成処理については固定条件推定モデル学習装置５と異なる他の装置が行うとしてまずは説明を行う。すなわち固定条件推定モデル学習装置５については、椎体３次元画像データ生成処理を実行しない装置としてまずは説明を行う。また、学習済みの固定条件推定モデルを実行する装置（すなわち、後述する固定条件推定装置６）についても、椎体３次元画像データ生成処理を実行しない装置としてまずは説明を行う。椎体３次元画像データ生成処理を実行する固定条件推定モデル学習装置５については変形例にて説明する。学習済みの固定条件推定モデルを実行する装置についても同様に、椎体３次元画像データ生成処理を実行する場合については変形例にて説明する。

＜固定条件推定モデルの学習について＞
　人又は動物の椎体に設置する脊椎内固定器具のサイズと設置の位置とを推定する数理モデルの取得に際して、固定条件推定モデル学習装置５は、固定条件推定モデルの学習を行う。固定条件推定モデルは、入力された椎体３次元画像データに基づき、座標系情報と、脊椎内固定器具固定条件とを推定する数理モデルである。座標系情報は、椎体３次元画像データが示す画像（以下「椎体３次元画像」という。）に写る像の各位置を示す座標系の情報である。脊椎内固定器具固定条件は、椎体３次元画像データの画像に写る各椎体に設置する脊椎内固定器具の各サイズと固定の各位置とを示す情報である。

　なお、椎体３次元画像データは、３次元ＣＴ（Computed Tomography）画像に対する椎体３次元画像データ生成処理の実行により得られてもよいし、ＭＲＩ（Magnetic Resonance Imaging）を用いて得られた２次元の画像の画像データを椎体断面画像とする椎体３次元画像データ生成処理の実行により得られてもよい。レントゲン撮影で得られたＸ線写真の画像データを椎体断面画像とする椎体３次元画像データ生成処理の実行により得られてもよい。

　固定条件推定モデルの学習では、椎体３次元画像データと、正解座標系情報と、正解脊椎内固定器具固定条件と、の組が訓練データとして用いられる。正解座標系情報は、同じ組に属する椎体３次元画像データが示す画像に写る像の各位置を示す座標系の情報である。正解脊椎内固定器具固定条件は、同じ組に属する椎体３次元画像データが示す画像に写る各椎体に設置する脊椎内固定器具のサイズと設置の位置と、を示す情報である。学習では１回の試行ごとに１つの訓練データが用いられる。学習では１回の試行ごとに固定条件推定モデルが更新される。

　より具体的に固定条件推定モデルの学習を説明する。固定条件推定モデルの学習では、訓練データの含む椎体３次元画像データに対して固定条件推定モデルが実行される。固定条件推定モデルの学習では、座標系違いと、固定条件違いとを小さくするように固定条件推定モデルの更新が行われる。座標系違いは、固定条件推定モデルの実行により推定された座標系情報と正解座標系情報が示す座標系の情報との違いである。固定条件違いは、固定条件推定モデルの実行により推定された脊椎内固定器具固定条件と正解脊椎内固定器具固定条件との違いである。すなわち、正解座標系情報及び正解脊椎内固定器具固定条件は固定条件推定モデルの学習における正解データである。なお、違いを表す損失関数は、例えば交差エントロピーであってもよいし、二乗誤差関数であってもよい。

＜正解座標系情報の示す座標系について＞
　ここで正解座標系情報の示す座標系について図１１及び図１２を用いて一例を説明する。図１１は、第２実施形態における正解座標系情報の示す座標系の一例を説明する第１の図である。図１２は、第２実施形態における正解座標系情報の示す座標系の一例を説明する第２の図である。図１１の画像Ｇ３は、椎骨の横断面（Ａｘｉａｌ面）上断面の輪郭の画像である。図１２の画像Ｇ５は、画像Ｇ３の背景色を反転した画像である。

　正解座標系情報の示す座標系は３次元の直交座標系である。正解座標系情報の示す座標系は、各軸が以下の幾何学的な処理で定義される座標系である。

＜正解座標系情報の示す座標系の各軸を定義する処理＞
　椎骨のＡｘｉａｌ面上断面において、左右椎弓根の最狭部の各中心点を端点とした線を軸１と定義する。軸１と交わりＡｘｉａｌ面にて椎体前縁と椎孔前縁とを結ぶ線であって、椎体上縁と略平行な線を軸２と定義する。軸２は、図１１の画像Ｇ４と図１２の画像Ｇ６とに示された線分Ｊ１である。軸１と軸２が張る面において軸２と直交し軸１の端点の片方を含む線分を軸３と定義する。このようにして定義された軸２が正解座標系情報の示す座標系のＹ軸であり、軸３が正解座標系情報の示す座標系のＸ軸であり、軸２と軸３とに直交する軸がＺ軸である。正解座標系情報の示す座標系の原点は、Ｘ軸とＹ軸の交点である。

　図１３は、第２実施形態における固定条件推定モデル学習装置５のハードウェア構成の一例を示す図である。固定条件推定モデル学習装置５は、バスで接続されたＣＰＵ等のプロセッサ９５とメモリ９６とを備える制御部５１を備え、プログラムを実行する。固定条件推定モデル学習装置５は、プログラムの実行によって制御部５１、入力部５２、通信部５３、記憶部５４及び出力部５５を備える装置として機能する。

　より具体的には、プロセッサ９５が記憶部５４に記憶されているプログラムを読み出し、読み出したプログラムをメモリ９６に記憶させる。プロセッサ９５が、メモリ９６に記憶させたプログラムを実行することによって、固定条件推定モデル学習装置５は、制御部５１、入力部５２、通信部５３、記憶部５４及び出力部５５を備える装置として機能する。

　制御部５１は、固定条件推定モデル学習装置５が備える各種機能部の動作を制御する。制御部５１は、固定条件推定モデルを実行する。制御部１１は、例えば出力部５５の動作を制御し、出力部５５に固定条件推定モデルの実行結果を出力させる。制御部５１は、例えば固定条件推定モデルの実行により生じた各種情報を記憶部５４に記録する。記憶部５４が記憶する各種情報は、例えば固定条件推定モデルの学習結果を含む。

　入力部５２は、マウスやキーボード、タッチパネル等の入力装置を含んで構成される。入力部５２は、これらの入力装置を固定条件推定モデル学習装置５に接続するインタフェースとして構成されてもよい。入力部５２は、固定条件推定モデル学習装置５に対する各種情報の入力を受け付ける。入力部５２には、例えば椎体３次元画像データが入力される。

　通信部５３は、固定条件推定モデル学習装置５を外部装置に接続するための通信インタフェースを含んで構成される。通信部５３は、有線又は無線を介して外部装置と通信する。外部装置は、例えば固定条件推定モデルの学習に用いられる訓練データの送信元の装置である。通信部５３は、固定条件推定モデルの学習に用いられる訓練データの送信元の装置との通信によって固定条件推定モデルの学習に用いられる訓練データを受信する。固定条件推定モデルの学習に用いられる訓練データの送信元の装置の１つは、椎体３次元画像データの送信元の装置である。外部装置は、例えば例えば学習済みの固定条件推定モデルを実行する装置である。通信部５３は、学習済みの固定条件推定モデルを実行する装置との通信によって、学習済みの固定条件推定モデルを学習済みの固定条件推定モデルを実行する装置に送信する。

　記憶部５４は、磁気ハードディスク装置や半導体記憶装置などのコンピュータ読み出し可能な記憶媒体装置を用いて構成される。記憶部５４は固定条件推定モデル学習装置５に関する各種情報を記憶する。記憶部５４は、例えば入力部５２又は通信部５３を介して入力された情報を記憶する。記憶部５４は、例えば固定条件推定モデルを予め記憶する。記憶部５４は、例えば固定条件推定モデルの実行により生じた各種情報を記憶する。

　出力部５５は、各種情報を出力する。出力部５５は、例えばＣＲＴディスプレイや液晶ディスプレイ、有機ＥＬディスプレイ等の表示装置を含んで構成される。出力部５５は、これらの表示装置を固定条件推定モデル学習装置５に接続するインタフェースとして構成されてもよい。出力部５５は、例えば入力部５２又は通信部５３に入力された情報を出力する。出力部５５は、例えば固定条件推定モデルの実行結果を表示してもよい。

　図１４は、第２実施形態における固定条件推定モデル学習装置５が備える制御部５１の構成の一例を示す図である。制御部５１は、訓練データ取得部５１１、学習部５１２、記憶制御部５１３及び出力制御部５１４を備える。

　訓練データ取得部５１１は、訓練データを取得する。訓練データ取得部５１１は、例えば入力部５２又は通信部５３に入力された訓練データを取得する。訓練データ取得部５１１は、予め記憶部５４に記憶済みの訓練データを読み出すことで訓練データを取得してもよい。なお、訓練データ取得部５１１の取得する訓練データは、椎体３次元画像データと、正解座標系情報と、正解脊椎内固定器具固定条件と、の組である。

　学習部５１２は、固定条件推定モデルの学習を実行する。学習部５１２は、固定条件推定モデル実行部５２１及び更新部５２２を備える。固定条件推定モデル実行部５２１は、訓練データ取得部５１１の取得した訓練データに含まれる椎体３次元画像データに対して固定条件推定モデルを実行する。固定条件推定モデル実行部５２１は固定条件推定モデルの実行により、実行対象の椎体３次元画像データが示す画像に写る各椎体に設置する脊椎内固定器具の各サイズと固定の各位置と、その画像に写る各像の各位置を示す座標系の情報と、を推定する。

　固定条件推定モデル実行部５２１は、具体的には固定条件推定モデルを表現するニューラルネットワークである。したがって固定条件推定モデル実行部５２１による固定条件推定モデルの実行とは、固定条件推定モデルを表現するニューラルネットワークが動作することを意味する。

　更新部５２２は、固定条件推定モデル実行部５２１の推定結果と、訓練データに含まれる正解データとに基づき、推定結果と正解データとの違いを小さくするように、固定条件推定モデルを更新する。正解データとは、たとえば実際に脊椎内固定器具が設置された椎骨の画像のデータと、設置された脊椎内固定器具の各サイズおよび位置と、その画像に写る各像の各位置を示す座標系の情報とのセットである。

　記憶制御部５１３は各種情報を記憶部５４に記録する。出力制御部５１４は出力部５５の動作を制御する。

　図１５は、第２実施形態における固定条件推定モデル学習装置５が実行する処理の流れの一例を示すフローチャートである。訓練データ取得部５１１が訓練データを取得する（ステップＳ４０１）。次に、固定条件推定モデル実行部５２１が、ステップＳ４０１で取得された訓練データに含まれる椎体３次元画像データに対して固定条件推定モデルを実行する（ステップＳ４０２）。固定条件推定モデルの実行により、実行対象の椎体３次元画像データが示す画像に写る各椎体に設置する脊椎内固定器具の各サイズと固定の各位置と、その画像に写る各像の各位置を示す座標系の情報と、が推定される。

　次に更新部５２２が、ステップＳ４０２の実行により得られた推定の結果と、ステップＳ４０１で取得された訓練データに含まれる正解データとに基づき、固定条件推定モデルを更新する（ステップＳ４０３）。次に、更新部５２２は、学習終了条件が満たされたか否かを判定する（ステップＳ４０４）。学習終了条件が満たされた場合（ステップＳ４０４：ＹＥＳ）、処理が終了する。一方、学習終了条件が満たされない場合（ステップＳ４０４：ＮＯ）、ステップＳ４０１の処理に戻る。

　このようにして得られた学習済みの固定条件推定モデルは、入力された画像データの画像であって推定対象の画像に写る各椎体に設置する脊椎内固定器具の各サイズと固定の各位置と、その画像に写る各像の各位置を示す座標系の情報との推定に用いられる。このような処理を実行するものの一例が、これから説明する固定条件推定装置６である。固定条件推定装置６は、学習済みの固定条件推定モデルを、例えば通信によって固定条件推定モデル学習装置５から取得することで、学習済みの固定条件推定モデルの実行前に予め取得する。固定条件推定装置６は、学習済みの固定条件推定モデルを、例えば学習済みの固定条件推定モデルを表現するニューラルネットワークが備え付けられることで、学習済みの固定条件推定モデルの実行前に予め取得してもよい。

　固定条件推定装置６は、固定条件推定モデル学習装置５の得た学習済みの固定条件推定モデルを用いて、推定対象の画像データの画像に写る各椎体に設置する脊椎内固定器具の各サイズと固定の各位置と、その画像に写る各像の各位置を示す座標系の情報とを推定する。

　図１６は、第２実施形態における固定条件推定装置６のハードウェア構成の一例を示す図である。固定条件推定装置６は、バスで接続されたＣＰＵ等のプロセッサ９７とメモリ９８とを備える制御部６１を備え、プログラムを実行する。固定条件推定装置６は、プログラムの実行によって制御部６１、入力部６２、通信部６３、記憶部６４及び出力部６５を備える装置として機能する。

　より具体的には、プロセッサ９７が記憶部６４に記憶されているプログラムを読み出し、読み出したプログラムをメモリ９８に記憶させる。プロセッサ９７が、メモリ９８に記憶させたプログラムを実行することによって、固定条件推定装置６は、制御部６１、入力部６２、通信部６３、記憶部６４及び出力部６５を備える装置として機能する。

　制御部６１は、固定条件推定装置６が備える各種機能部の動作を制御する。制御部６１は、学習済みの固定条件推定モデルを実行する。制御部６１は、例えば出力部６５の動作を制御し、出力部６５に学習済みの固定条件推定モデルの実行結果を出力させる。制御部６１は、例えば学習済みの固定条件推定モデルの実行により生じた各種情報を記憶部６４に記録する。記憶部６４が記憶する各種情報は、例えば学習済みの固定条件推定モデルの実行結果を含む。

　入力部６２は、マウスやキーボード、タッチパネル等の入力装置を含んで構成される。入力部６２は、これらの入力装置を固定条件推定装置６に接続するインタフェースとして構成されてもよい。入力部６２は、固定条件推定装置６に対する各種情報の入力を受け付ける。入力部６２には、例えば推定対象の椎体３次元画像データが入力される。

　通信部６３は、固定条件推定装置６を外部装置に接続するための通信インタフェースを含んで構成される。通信部６３は、有線又は無線を介して外部装置と通信する。外部装置は、例えば推定対象の椎体３次元画像データの送信元の装置である。通信部６３は、推定対象の椎体３次元画像データの送信元の装置との通信によって推定対象の椎体３次元画像データの送信元の装置から推定対象の椎体３次元画像データを受信してもよい。外部装置は、例えば固定条件推定モデル学習装置５である。通信部６３は、固定条件推定モデル学習装置５との通信によって学習済みの椎体推定モデルを固定条件推定モデル学習装置５から受信してもよい。

　記憶部６４は、磁気ハードディスク装置や半導体記憶装置などのコンピュータ読み出し可能な記憶媒体装置を用いて構成される。記憶部６４は固定条件推定装置６に関する各種情報を記憶する。記憶部６４は、例えば入力部６２又は通信部６３を介して入力された情報を記憶する。記憶部６４は、例えば学習済みの固定条件推定モデルを学習済みの固定条件推定モデルの実行前に予め記憶する。記憶部６４は、例えば学習済みの固定条件推定モデルの実行により生じた各種情報を記憶する。

　出力部６５は、各種情報を出力する。出力部６５は、例えばＣＲＴディスプレイや液晶ディスプレイ、有機ＥＬディスプレイ等の表示装置を含んで構成される。出力部６５は、これらの表示装置を固定条件推定装置６に接続するインタフェースとして構成されてもよい。出力部６５は、例えば入力部６２又は通信部６３に入力された情報を出力する。出力部６５は、例えば学習済みの固定条件推定モデルの実行結果を出力してもよい。

　図１７は、第２実施形態における固定条件推定装置６が備える制御部６１の構成の一例を示す図である。制御部６１は、対象データ取得部６１１、固定条件推定部６１２、記憶制御部６１３及び出力制御部６１４を備える。

　対象データ取得部６１１は、学習済みの固定条件推定モデルの実行対象の椎体３次元画像データを取得する。対象データ取得部６１１の取得する椎体３次元画像データが、推定対象の３次元画像の画像データである。対象データ取得部６１１は、例えば入力部６２又は通信部６３を介して入力された椎体３次元画像データを学習済みの固定条件推定モデルの実行対象の椎体３次元画像データとして取得する。

　固定条件推定部６１２は、対象データ取得部６１１の取得した椎体３次元画像データに対して学習済みの固定条件推定モデルを実行する。固定条件推定部６１２は、固定条件推定モデルの実行により、実行対象の画像データの画像に写る各椎体に設置する脊椎内固定器具の各サイズと固定の各位置と、その画像に写る各像の各位置を示す座標系の情報とを推定する。

　記憶制御部６１３は各種情報を記憶部６４に記録する。出力制御部６１４は出力部６５の動作を制御する。

　図１８は、第２実施形態における固定条件推定装置６が実行する処理の流れの一例を示すフローチャートである。対象データ取得部６１１が、推定対象の画像の画像データを取得する（ステップＳ５０１）。次に、固定条件推定部６１２が、対象データ取得部６１１の取得した画像データに対して学習済みの固定条件推定モデルを実行する（ステップＳ５０２）。学習済みの固定条件推定モデルの実行により、実行対象の画像データの画像に写る各椎体に設置する脊椎内固定器具の各サイズと固定の各位置が推定される。また、学習済みの固定条件推定モデルの実行により、実行対象の画像データの画像に写る各像の各位置を示す座標系の情報も推定される。

　次に、出力制御部６１４が出力部６５の動作を制御して、ステップＳ５０２で得られた推定の結果を、出力部６５に出力させる（ステップＳ５０３）。出力の方法は、例えば表示である。

　このように構成された第２実施形態の固定条件推定モデル学習装置５は、脊椎内固定器具のサイズと設置の位置とを推定する数理モデルを得る。脊椎内固定器具のサイズと設置の位置とを決定することは、椎体に係る身体の異常を治療する際の治療方針の決定で決定される事項の１つである。そのため、脊椎内固定器具のサイズと設置の位置とを推定する数理モデルを学習により得る固定条件推定モデル学習装置５は、椎体に係る身体の異常を治療する際の治療方針の決定に要する負担を軽減することができる。

　このように構成された第２実施形態の固定条件推定装置６は、固定条件推定モデル学習装置５が得た学習済みの固定条件推定モデルを用いて、脊椎内固定器具のサイズと設置の位置とを決定する。そのため、固定条件推定装置６は、椎体に係る身体の異常を治療する際の治療方針の決定に要する負担を軽減することができる。

（第２実施形態の第１変形例）
　固定条件推定モデル学習装置５は、椎体３次元画像データ生成処理を実行してもよい。固定条件推定モデル学習装置５が椎体３次元画像データ生成処理を実行する場合、入力部５２又は通信部５３には、椎体３次元画像データに代えて椎体３次元画像データ生成処理の実行対象の画像データが入力される。椎体３次元画像データ生成処理の実行対象の画像データは、固定条件推定モデル学習装置５の実行する椎体３次元画像データ生成処理の内容に依存する。

　固定条件推定モデル学習装置５の実行する椎体３次元画像データ生成処理が次元変換処理を含む場合には、椎体３次元画像データ生成処理の実行対象の画像データは３次元ＣＴ画等の撮影によって得られた３次元画像である。固定条件推定モデル学習装置５の実行する椎体３次元画像データ生成処理が次元変換処理を含まない場合には、椎体３次元画像データ生成処理の実行対象の画像データは複数の椎体断面画像である。

　図１９は、第２実施形態の第１変形例における固定条件推定モデル学習装置５の備える制御部５１ａの構成の一例を示す図である。以下説明の簡単のため、制御部５１と同様の機能を有するものについては、図１４と同じ符号を付すことで説明を省略する。制御部５１ａは、訓練データ取得部５１１に代えて訓練データ取得部５１１ａを備える点で、第２実施形態の制御部５１と異なる。

　訓練データ取得部５１１ａは、入力部５２又は通信部５３に入力された正解座標系情報と、正解脊椎内固定器具固定条件とを取得する。訓練データ取得部５１１ａは、入力部５２又は通信部５３に入力された椎体３次元画像データ生成処理の実行対象の画像データに対して、椎体３次元画像データ生成処理を実行する。訓練データ取得部５１１ａは、椎体３次元画像データ生成処理の実行により、椎体３次元画像データを取得する。このようにして、訓練データ取得部５１１ａは、訓練データを取得する。

（第２実施形態の第２変形例）
　固定条件推定装置６は、椎体３次元画像データ生成処理を実行してもよい。固定条件推定装置６が椎体３次元画像データ生成処理を実行する場合、入力部６２又は通信部６３には、椎体３次元画像データに代えて椎体３次元画像データ生成処理の実行対象の画像データが入力される。椎体３次元画像データ生成処理の実行対象の画像データは、固定条件推定装置６の実行する椎体３次元画像データ生成処理の内容に依存する。

　固定条件推定装置６の実行する椎体３次元画像データ生成処理が次元変換処理を含む場合には、椎体３次元画像データ生成処理の実行対象の画像データは３次元ＣＴ画等の撮影によって得られた３次元画像である。固定条件推定装置６の実行する椎体３次元画像データ生成処理が次元変換処理を含まない場合には、椎体３次元画像データ生成処理の実行対象の画像データは複数の椎体断面画像である。

　図２０は、第２実施形態の第２変形例における固定条件推定装置６の備える制御部６１ａの構成の一例を示す図である。以下説明の簡単のため、制御部６１と同様の機能を有するものについては、図１７と同じ符号を付すことで説明を省略する。制御部６１ａは、対象データ取得部６１１に代えて対象データ取得部６１１ａを備える点で、第２実施形態の制御部６１と異なる。

　対象データ取得部６１１ａは、入力部６２又は通信部６３に入力された椎体３次元画像データ生成処理の実行対象の画像データに対して、椎体３次元画像データ生成処理を実行する。対象データ取得部６１１ａは、椎体３次元画像データ生成処理の実行により、椎体３次元画像データを取得する。

（第２実施形態の第３変形例）
　なお、固定条件推定モデル学習装置５及び固定条件推定装置６は、２次元画像の画像データに対して処理を実行してもよい。したがって、固定条件推定モデル学習装置５及び固定条件推定装置６は、Ｎ次元画像（Ｎは２又は３）の画像データに対して処理を実行してもよい。すなわち、椎体３次元画像に代えて椎体Ｎ次元画像であり椎体３次元画像データに代えて椎体Ｎ次元画像データであってもよい。そしてこのような場合、固定条件推定モデルの学習に用いられる正解座標系情報は直交するＮ次元座標系である。

（第２実施形態の第４変形例）
　なお、固定条件推定モデル学習装置５は、ネットワークを介して通信可能に接続された複数台の情報処理装置を用いて実装されてもよい。この場合、固定条件推定モデル学習装置５が備える各機能部は、複数の情報処理装置に分散して実装されてもよい。

　なお、固定条件推定装置６は、ネットワークを介して通信可能に接続された複数台の情報処理装置を用いて実装されてもよい。この場合、固定条件推定装置６が備える各機能部は、複数の情報処理装置に分散して実装されてもよい。

　なお、固定条件推定モデル学習装置５及び固定条件推定装置６は、必ずしも異なる装置として実装される必要は無い。固定条件推定モデル学習装置５及び固定条件推定装置６は、例えば両者の機能を併せ持つ１つの装置として実装されてもよい。

（その他の変形例）
　なお、椎体推定モデル学習装置１と、椎体推定装置２と、固定条件推定モデル学習装置５と、固定条件推定装置６との各機能の全て又は一部は、ＡＳＩＣ（Application Specific Integrated Circuit）やＰＬＤ（Programmable Logic Device）やＦＰＧＡ（Field Programmable Gate Array）等のハードウェアを用いて実現されてもよい。プログラムは、コンピュータ読み取り可能な記録媒体に記録されてもよい。コンピュータ読み取り可能な記録媒体とは、例えばフレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置である。プログラムは、電気通信回線を介して送信されてもよい。

　各実施形態は、組み合わされてもよい。

　なお、椎体２次元画像と椎体３次元画像とはそれぞれ椎体画像の一例である。

　以上、この発明の実施形態について図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。

（付記１）
　椎体が写る画像である椎体画像の画像データに基づき前記画像に写る像の各位置を示す座標系の情報と前記椎体に設置する脊椎内固定器具のサイズと設置の位置とを推定する数理モデルである固定条件推定モデル、を実行することで、推定対象の椎体画像に写る像の各位置を示す座標系の情報と、前記椎体に設置する脊椎内固定器具のサイズと設置の位置と、を推定する固定条件推定モデル実行部と、
　前記固定条件推定モデル実行部による推定の結果に基づき、前記固定条件推定モデルを更新する更新部と、
　を備える固定条件推定モデル学習装置。

（付記２）
　前記椎体画像は椎体が写る３次元画像であり、
　前記椎体画像の画像データは、椎体が写る２次元画像である椎体２次元画像の画像データに基づき前記椎体の隅の各頂点の位置と前記頂点ごとのベクトルであって前記頂点から前記椎体の中心に向かうベクトルとを推定する数理モデルである椎体推定モデル、を実行することで、推定対象の椎体２次元画像の画像データに写る椎体の隅の頂点の位置と前記頂点ごとの前記ベクトルとを推定する椎体推定モデル実行部と、前記椎体推定モデル実行部による推定の結果に基づき、前記椎体推定モデルを更新する更新部と、を備える椎体推定モデル学習装置によって所定の終了条件が満たされるまで更新された前記椎体推定モデルが複数の椎体２次元画像に対して実行された結果を用いて、得られた画像データである、
　付記１に記載の固定条件推定モデル学習装置。

（付記３）
　椎体が写る画像である椎体画像の画像データを取得する対象データ取得部と、
　椎体画像の画像データに基づき前記椎体画像に写る像の各位置を示す座標系の情報と前記椎体に設置する脊椎内固定器具のサイズと設置の位置とを推定する数理モデルである固定条件推定モデル、を実行することで、推定対象の椎体画像の画像データに写る像の各位置を示す座標系の情報と、前記椎体に設置する脊椎内固定器具のサイズと設置の位置と、を推定する固定条件推定モデル実行部と、前記固定条件推定モデル実行部による推定の結果に基づき、前記固定条件推定モデルを更新する更新部と、を備える固定条件推定モデル学習装置によって、所定の終了条件が満たされるまで更新された前記固定条件推定モデルを用いて、前記対象データ取得部が取得した前記画像データに基づき、前記画像データに写る像の各位置を示す座標系の情報と、前記画像データの画像に写る椎体に設置する脊椎内固定器具のサイズと設置の位置と、を推定する固定条件推定部と、
　を備える固定条件推定装置。

（付記４）
　椎体が写る画像である椎体画像の画像データに基づき前記画像に写る像の各位置を示す座標系の情報と前記椎体に設置する脊椎内固定器具のサイズと設置の位置とを推定する数理モデルである固定条件推定モデル、を実行することで、推定対象の椎体画像に写る像の各位置を示す座標系の情報と、前記椎体に設置する脊椎内固定器具のサイズと設置の位置と、を推定する固定条件推定モデル実行ステップと、
　前記固定条件推定モデル実行ステップによる推定の結果に基づき、前記固定条件推定モデルを更新する更新ステップと、
　を有する固定条件推定モデル学習方法。

（付記５）
　上記の固定条件推定モデル学習装置としてコンピュータを機能させるためのプログラム。

（付記６）
　上記の固定条件推定装置としてコンピュータを機能させるためのプログラム。

　１…椎体推定モデル学習装置、　１１…制御部、　１２…入力部、　１３…通信部、　１４…記憶部、　１５…出力部、　１１１…訓練データ取得部、　１１２…学習部、　１１３…記憶制御部、　１１４…出力制御部、　１２１…椎体推定モデル実行部、　１２２…更新部、　２…椎体推定装置、　２１、２１ａ、２１ｂ…制御部、　２２…入力部、　２３…通信部、　２４…記憶部、　２５…出力部、　２１１…対象データ取得部、　２１２…椎体推定部、　２１３…記憶制御部、　２１４…出力制御部、　２１５…椎体判定部、　２１６…コブ角算出部、　５…固定条件推定モデル学習装置、　５１、５１ａ…制御部、　５２…入力部、　５３…通信部、　５４…記憶部、　５５…出力部、　５１１、５１１ａ…訓練データ取得部、　５１２…学習部、　５１３…記憶制御部、　５１４…出力制御部、　５２１…固定条件推定モデル実行部、　５２２…更新部、　６１、６１ａ…制御部、　６２…入力部、　６３…通信部、　６４…記憶部、　６５…出力部、　６１１、６１１ａ…対象データ取得部、　６１２…固定条件推定部、　６１３…記憶制御部、　６１４…出力制御部、　９１…プロセッサ、　９２…メモリ、　９３…プロセッサ、　９４…メモリ、　９５…プロセッサ、　９６…メモリ、　９７…プロセッサ、　９８…メモリ

Claims

　椎体が写る２次元画像である椎体２次元画像の画像データに基づき、前記椎体の各頂点の位置、前記椎体の中心の位置及び前記頂点ごとのベクトルであって前記頂点から前記椎体の中心に向かうベクトルを推定する数理モデルである椎体推定モデルを実行することで、推定対象の椎体２次元画像に写る椎体の頂点の位置及び前記頂点ごとの前記ベクトルを推定する椎体推定モデル実行部と、
　前記椎体推定モデル実行部による推定の結果並びに前記椎体の各頂点の位置、中心の位置及び前記頂点から前記椎体の中心に向かうベクトルの正解値の対である訓練データに基づき、前記椎体推定モデルを更新する更新部と、
　を備える椎体推定モデル学習装置。
　前記推定対象の椎体２次元画像の画像データの集合は、色、上下及び左右のうち一つ以上が反転した椎体２次元画像の画像データを含む、
　請求項１に記載の椎体推定モデル学習装置。
　前記椎体２次元画像の画像データは、実行対象の２次元画像データが示す画像内の関心領域を推定する数理モデルであって２次元画像データと関心領域を示す正解データとの対を用いた学習により得られた数理モデルであるＲＯＩモデルを用いて、得られた画像データである、
　請求項１又は２に記載の椎体推定モデル学習装置。
　前記ＲＯＩモデルの学習における関心領域は、前記ＲＯＩモデルの実行対象の２次元画像データの画像の一部の領域であって、椎体の像を写すという条件を満たすランダムに選択された領域、である、
　請求項３に記載の椎体推定モデル学習装置。
　椎体が写る２次元画像である椎体２次元画像の画像データを取得する対象データ取得部と、
　椎体が写る２次元画像である椎体２次元画像の画像データに基づき、前記椎体の各頂点の位置、前記椎体の中心の位置及び前記頂点ごとのベクトルであって前記頂点から前記椎体の中心に向かうベクトルを推定する数理モデルである椎体推定モデルを実行することで、推定対象の椎体２次元画像に写る椎体の頂点の位置及び前記頂点ごとの前記ベクトルを推定する椎体推定モデル実行部と、前記椎体推定モデル実行部による推定の結果並びに前記椎体の各頂点の位置、中心の位置及び前記頂点から前記椎体の中心に向かうベクトルの正解値の対である訓練データに基づき、前記椎体推定モデルを更新する更新部と、を備える椎体推定モデル学習装置によって所定の終了条件が満たされるまで更新された前記椎体推定モデルを用いて、前記対象データ取得部が取得した前記画像データに基づき、前記画像データが示す画像に写る前記椎体の各頂点の位置と、前記頂点ごとの前記ベクトルと、を推定する椎体推定部と、
　を備える椎体推定装置。
　前記椎体推定部は、椎体推定モデル学習装置によって所定の終了条件が満たされるまで更新された椎体推定モデルを用いた推定の結果である前記椎体の各頂点の位置と前記頂点ごとの前記ベクトルとを椎体ごとにグルーピングする、
　請求項５に記載の椎体推定装置。
　前記椎体推定部の推定の結果に基づき、コブ角を算出するコブ角算出部、
　を備える請求項６に記載の椎体推定装置。
　前記対象データ取得部の取得する前記椎体２次元画像の画像データは、実行対象の２次元画像データが示す画像内の関心領域を推定する数理モデルであって２次元画像データと関心領域を示す正解データとの対を用いた学習により得られた数理モデルであるＲＯＩモデルを用いて、得られた画像データである、
　請求項５から７のいずれか一項に記載の椎体推定装置。
　前記ＲＯＩモデルの学習における関心領域は、前記ＲＯＩモデルの実行対象の２次元画像データの画像の一部の領域であって、椎体の像を写すという条件を満たすランダムに選択された領域、である、
　請求項８に記載の椎体推定装置。
　椎体が写る画像である椎体画像の画像データを取得する対象データ取得部と、
　椎体画像の画像データに基づき前記椎体画像に写る像の各位置を示す座標系の情報と前記椎体に設置する脊椎内固定器具のサイズと設置の位置とを推定する数理モデルである固定条件推定モデル、を実行することで、推定対象の椎体画像の画像データに写る像の各位置を示す座標系の情報と、前記椎体に設置する脊椎内固定器具のサイズと設置の位置と、を推定する固定条件推定モデル実行部と、前記固定条件推定モデル実行部による推定の結果に基づき、前記固定条件推定モデルを更新する更新部と、を備える固定条件推定モデル学習装置によって、所定の終了条件が満たされるまで更新された前記固定条件推定モデルを用いて、前記対象データ取得部が取得した前記画像データに基づき、前記画像データに写る像の各位置を示す座標系の情報と、前記画像データの画像に写る椎体に設置する脊椎内固定器具のサイズと設置の位置と、を推定する固定条件推定部と、
　を備え、
　前記椎体画像は椎体が写る３次元画像であり、
　前記椎体画像の画像データは、椎体が写る２次元画像である椎体２次元画像の画像データに基づき、前記椎体の各頂点の位置、前記椎体の中心の位置及び前記頂点ごとのベクトルであって前記頂点から前記椎体の中心に向かうベクトルを推定する数理モデルである椎体推定モデル、を実行することで、推定対象の椎体２次元画像に写る椎体の頂点の位置及び前記頂点ごとの前記ベクトルを推定する椎体推定モデル実行部と、前記椎体推定モデル実行部による推定の結果並びに前記椎体の各頂点の位置、中心の位置及び前記頂点から前記椎体の中心に向かうベクトルの正解値の対である訓練データに基づき、前記椎体推定モデルを更新する更新部と、を備える椎体推定モデル学習装置によって所定の終了条件が満たされるまで更新された前記椎体推定モデルが複数の椎体２次元画像に対して実行された結果を用いて、得られた画像データである、
　固定条件推定装置。
　椎体が写る２次元画像である椎体２次元画像の画像データに基づき前記椎体の各頂点の位置と前記頂点ごとのベクトルであって前記頂点から前記椎体の中心に向かうベクトルとを推定する数理モデルである椎体推定モデル、を実行することで、推定対象の椎体２次元画像の画像データに写る椎体の頂点の位置と前記頂点ごとの前記ベクトルとを推定する椎体推定モデル実行ステップと、
　前記椎体推定モデル実行ステップによる推定の結果に基づき、前記椎体推定モデルを更新する更新ステップと、
　を有する椎体推定モデル学習方法。
　椎体が写る２次元画像である椎体２次元画像の画像データを取得する対象データ取得ステップと、
　椎体が写る２次元画像である椎体２次元画像の画像データに基づき前記椎体の各頂点の位置と前記頂点ごとのベクトルであって前記頂点から前記椎体の中心に向かうベクトルとを推定する数理モデルである椎体推定モデル、を実行することで、推定対象の椎体２次元画像の画像データに写る椎体の頂点の位置と前記頂点ごとの前記ベクトルとを推定する椎体推定モデル実行部と、前記椎体推定モデル実行部による推定の結果に基づき、前記椎体推定モデルを更新する更新部と、を備える椎体推定モデル学習装置によって所定の終了条件が満たされるまで更新された前記椎体推定モデルを用いて、前記対象データ取得ステップで取得した前記画像データに基づき、前記画像データが示す画像に写る前記椎体の各頂点の位置と、前記頂点ごとの前記ベクトルと、を推定する椎体推定ステップと、
　を有する椎体推定方法。
　椎体が写る画像である椎体画像の画像データを取得する対象データ取得ステップと、
　椎体画像の画像データに基づき前記椎体画像に写る像の各位置を示す座標系の情報と前記椎体に設置する脊椎内固定器具のサイズと設置の位置とを推定する数理モデルである固定条件推定モデル、を実行することで、推定対象の椎体画像の画像データに写る像の各位置を示す座標系の情報と、前記椎体に設置する脊椎内固定器具のサイズと設置の位置と、を推定する固定条件推定モデル実行部と、前記固定条件推定モデル実行部による推定の結果に基づき、前記固定条件推定モデルを更新する更新部と、を備える固定条件推定モデル学習装置によって、所定の終了条件が満たされるまで更新された前記固定条件推定モデルを用いて、前記対象データ取得ステップで取得した前記画像データに基づき、前記画像データに写る像の各位置を示す座標系の情報と、前記画像データの画像に写る椎体に設置する脊椎内固定器具のサイズと設置の位置と、を推定する固定条件推定ステップと、
　を有する固定条件推定方法。
　請求項１又は２に記載の椎体推定モデル学習装置としてコンピュータを機能させるためのプログラム。
　請求項５から７のいずれか一項に記載の椎体推定装置としてコンピュータを機能させるためのプログラム。