WO2024090050A1

WO2024090050A1 - 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

Info

Publication number: WO2024090050A1
Application number: PCT/JP2023/032691
Authority: WO
Inventors: 隆浩川村
Original assignee: Fujifilm Corp
Current assignee: Fujifilm Corp
Priority date: 2022-10-27
Filing date: 2023-09-07
Publication date: 2024-05-02
Anticipated expiration: 2025-04-27
Also published as: US20250248646A1; EP4609791A1; EP4609791A4; JPWO2024090050A1

Abstract

プロセッサは、被写体の少なくとも１つの放射線画像に基づいて、被写体内の少なくとも１つの構造物を表す構造物画像を取得し、構造物画像の入力により、構造物画像に含まれる構造物についての基準位置に対する放射線のずれ角および構造物の基準位置における組成情報の推定結果を出力する学習済みモデルを用いることにより、構造物画像に含まれる構造物の基準位置に対するずれ角および構造物の基準位置における組成情報を導出する。

Description

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

　本発明は、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

　従来より、被写体を構成する物質によって透過した放射線の減衰量が異なることを利用して、エネルギー分布が異なる２種類の放射線を被写体に照射して得られた２枚の放射線画像を用いたエネルギーサブトラクション処理が知られている。また、エネルギーサブトラクション処理により、骨密度、軟部の厚さ、脂肪の厚さおよび筋肉の厚さ等の人体の組成情報を導出するための各種手法も提案されている（例えば、国際公開第２０２０／１６６５６１号参照）。

　このような組成情報を用いた被写体の診断を有効に行うためには、撮影時における放射線の透過経路に対する被写体のポジショニングの関係が重要となる。例えば、被写体の正面から放射線を照射する場合において、被写体が旋回することにより被写体のポジションが変化すると、被写体に対する放射線の入射角が基準となる入射角からずれ、その結果、放射線の透過経路上における被写体の厚さが変化する。このように被写体の厚さが変化すると、異なったポジションで撮影された放射線画像同士で組成情報の比較を正確に行うことができない。また、撮影時において被写体のポジショニングを正確に行おうとすると、撮影に時間を要する。

　本開示は上記事情に鑑みなされたものであり、被写体のポジショニングに拘わらず組成を精度よく導出できるようにすることを目的とする。

　本開示による画像処理装置は、少なくとも１つのプロセッサを備え、
　プロセッサは、被写体の少なくとも１つの放射線画像に基づいて、被写体内の少なくとも１つの構造物を表す構造物画像を取得し、
　構造物画像の入力により、構造物画像に含まれる構造物についての基準位置に対する放射線のずれ角および構造物の基準位置における組成情報の推定結果を出力する学習済みモデルを用いることにより、構造物画像に含まれる構造物の基準位置に対するずれ角および構造物の基準位置における組成情報を導出する。

　なお、本開示による画像処理装置においては、プロセッサは、エネルギー分布が異なる放射線により骨部および軟部を含む被写体を撮影することにより取得された第１の放射線画像および第２の放射線画像を取得し、
　第１の放射線画像および第２の放射線画像を重み付け減算することにより、構造物画像を導出するものであってもよい。

　また、本開示による画像処理装置においては、プロセッサは、第１の放射線画像および第２の放射線画像の散乱線成分を除去して第１の一次線画像および第２の一次線画像を導
出し、
　第１の一次線画像および第２の一次線画像に基づいて、構造物画像を導出するものであってもよい。

　また、本開示による画像処理装置においては、構造物は被写体に含まれる骨部であり、
　組成情報は骨密度であってもよい。

　この場合、骨部は大腿骨であってもよく、椎骨、とくに腰椎であってもよい。

　また、本開示による画像処理装置においては、構造物は、被写体に含まれる軟部であり、
　組成情報は軟部の厚さであってもよい。

　本開示による学習装置は、少なくとも１つのプロセッサを備え、
　プロセッサは、被写体内の少なくとも１つの構造物を含む学習用構造物画像、学習用構造物画像に含まれる構造物についての基準位置に対する放射線のずれ角、学習用構造物画像に含まれる構造物の基準位置における組成情報を含む教師データを用いてニューラルネットワークを学習し、
　学習により、被写体内の少なくとも１つの構造物を含む構造物画像の入力により、構造物画像に含まれる構造物についての基準位置に対する放射線のずれ角および構造物の基準位置における組成情報の推定結果を出力する学習済みモデルを構築する。

　なお、本開示による学習装置においては、プロセッサは、被写体の３次元画像に含まれる構造物を基準位置に対するずれ角に基づいて投影することにより学習用構造物画像を導出し、
　３次元画像に含まれる構造物を構造物が基準位置となる基準方向に投影した場合における構造物の組成情報を、構造物の基準位置における組成情報として導出することにより、教師データを導出するものであってもよい。

　また、本開示による学習装置においては、構造物は骨部であり、
　プロセッサは、３次元画像に含まれる骨部の３次元的な骨密度を導出し、
　３次元的な骨密度に骨部の基準方向における厚さを乗算することにより、骨部の２次元的な骨密度を構造物の基準位置における組成情報として導出するものであってもよい。

　本開示による画像処理方法は、被写体の少なくとも１つの放射線画像に基づいて、被写体内の少なくとも１つの構造物を表す構造物画像を取得し、
　構造物画像の入力により、構造物画像に含まれる構造物についての基準位置に対する放射線のずれ角および構造物の基準位置における組成情報の推定結果を出力する学習済みモデルを用いることにより、構造物画像に含まれる構造物の基準位置に対するずれ角および構造物の基準位置における組成情報を導出する。

　本開示による学習方法は、被写体内の少なくとも１つの構造物を含む学習用構造物画像、学習用構造物画像に含まれる構造物についての基準位置に対する放射線のずれ角、学習用構造物画像に含まれる構造物の基準位置における組成情報を含む教師データを用いてニューラルネットワークを学習し、
　学習により、被写体内の少なくとも１つの構造物を含む構造物画像の入力により、構造物画像に含まれる構造物についての基準位置に対する放射線のずれ角および構造物の基準位置における組成情報の推定結果を出力する学習済みモデルを構築する。

　本開示による画像処理プログラムは、被写体の少なくとも１つの放射線画像に基づいて、被写体内の少なくとも１つの構造物を表す構造物画像を取得する手順と、
　構造物画像の入力により、構造物画像に含まれる構造物についての基準位置に対する放射線のずれ角および構造物の基準位置における組成情報の推定結果を出力する学習済みモデルを用いることにより、構造物画像に含まれる構造物の基準位置に対するずれ角および構造物の基準位置における組成情報を導出する手順とをコンピュータに実行させる。

　本開示による学習プログラムは、被写体内の少なくとも１つの構造物を含む学習用構造物画像、学習用構造物画像に含まれる構造物についての基準位置に対する放射線のずれ角、学習用構造物画像に含まれる構造物の基準位置における組成情報を含む教師データを用いてニューラルネットワークを学習する手順と、
　学習により、被写体内の少なくとも１つの構造物を含む構造物画像の入力により、構造物画像に含まれる構造物についての基準位置に対する放射線のずれ角および構造物の基準位置における組成情報の推定結果を出力する学習済みモデルを構築する手順とをコンピュータに実行させる。

　本開示によれば、被写体のポジショニングに拘わらず組成を精度よく導出できる。

本開示の実施形態による画像処理装置および学習装置を適用した放射線画像撮影システムの構成を示す概略ブロック図本開示の実施形態による画像処理装置および学習装置の概略構成を示す図本開示の実施形態による画像処理装置および学習装置の機能的な構成を示す図骨部画像を示す図大腿骨に対する放射線のずれ角を説明するための図被写体の体厚に対する骨部と軟部とのコントラストの関係を示す図ルックアップテーブルの一例を示す図大腿骨に対する放射線のずれ角Ｔと骨密度との関係を示すグラフ学習済みモデルの例を示す図教師データを示す図ニューラルネットワークの学習を説明するための図教師データの導出を説明するための図ＣＴ値と体積骨密度との換算テーブルを示す図投影面の設定を説明するための図表示画面を示す図本実施形態において行われる学習処理のフローチャート本実施形態において行われる画像処理のフローチャート学習済みモデルの他の例を示す図構造物画像導出の第１の実施形態において行われる処理を模式的に示す図構造物画像導出の第１の実施形態において行われる処理を示すフローチャート構造物画像導出の第２の実施形態による放射線画像処理装置において行われる処理を模式的に示す図構造物画像導出の第３の実施形態による放射線画像処理装置において行われる処理を模式的に示す図脂肪および筋肉の減弱係数を示す図高エネルギー画像および低エネルギー画像における骨部の厚さおよび軟部の厚さに応じた減弱量を示す図構造物画像導出の第３の実施形態において行われる処理を示すフローチャート構造物画像導出の第４の実施形態による放射線画像処理装置において行われる処理を模式的に示す図

　以下、図面を参照して本開示の実施形態について説明する。図１は本開示の実施形態による画像処理装置および学習装置を適用した放射線画像撮影システムの構成を示す概略ブロック図である。図１に示すように、本実施形態による放射線画像撮影システムは、撮影装置１と、本実施形態による画像処理装置および学習装置（以下、画像処理装置で代表させる場合があるものとする）１０とを備える。

　撮影装置１は、第１の放射線検出器５および第２の放射線検出器６に、放射線源３から発せられ、被写体Ｈを透過したＸ線等の放射線を、それぞれエネルギーを変えて照射するいわゆる１ショット法によるエネルギーサブトラクションを行うための撮影装置である。撮影時においては、図１に示すように、放射線源３に近い側から順に、第１の放射線検出器５、銅板等からなる放射線エネルギー変換フィルタ７、および第２の放射線検出器６を配置して、放射線源３を駆動させる。なお、第１および第２の放射線検出器５，６と放射線エネルギー変換フィルタ７とは密着されている。

　これにより、第１の放射線検出器５においては、いわゆる軟線も含む低エネルギーの放射線による被写体Ｈの第１の放射線画像Ｇ１が取得される。また、第２の放射線検出器６においては、軟線が除かれた高エネルギーの放射線による被写体Ｈの第２の放射線画像Ｇ２が取得される。なお、第１および第２の放射線画像Ｇ１，Ｇ２は、いずれも被写体Ｈに１回放射線を照射する単純撮影により取得された被写体の透過像である２次元画像である。このため、第１および第２の放射線画像Ｇ１，Ｇ２はいずれも単純放射線画像である。第１および第２の放射線画像は、画像処理装置１０に入力される。

　第１および第２の放射線検出器５，６は、放射線画像の記録および読み出しを繰り返して行うことができるものであり、放射線の照射を直接受けて電荷を発生する、いわゆる直接型の放射線検出器を用いてもよいし、放射線を一旦可視光に変換し、その可視光を電荷信号に変換する、いわゆる間接型の放射線検出器を用いるようにしてもよい。また、放射線画像信号の読出方式としては、ＴＦＴ（thin film transistor）スイッチをオン・オフさせることによって放射線画像信号が読み出される、いわゆるＴＦＴ読出方式のもの、または読取り光を照射することによって放射線画像信号が読み出される、いわゆる光読出方式のものを用いることが望ましいが、これに限らずその他のものを用いるようにしてもよい。

　なお、画像処理装置１０は、不図示のネットワークを介して画像保存システム９と接続されている。

　画像保存システム９は、撮影装置１により撮影された放射線画像の画像データを保存するシステムである。画像保存システム９は、保存している放射線画像から、画像処理装置１０からの要求に応じた画像を取り出して、要求元の装置に送信する。画像保存システム９の具体例としては、ＰＡＣＳ（Picture Archiving and Communication Systems）が挙げられる。本実施形態においては、画像保存システム９には、後述するように教師データを導出するための被写体の３次元画像Ｖ０が保存されている。３次元画像Ｖ０は、ＣＴ（Computed Tomography）装置およびＭＲＩ（Magnetic Resonance Imaging）装置等により取得することができる。本実施形態においては、３次元画像Ｖ０としてＣＴ画像が保存されているものとする。なお、画像保存システム９は、後述するように導出された教師データを保存するものであってもよい。

　次いで、本実施形態に係る画像処理装置について説明する。まず、図２を参照して、本実施形態に係る画像処理装置のハードウェア構成を説明する。図２に示すように、画像処理装置１０は、ワークステーション、サーバコンピュータおよびパーソナルコンピュータ等のコンピュータであり、ＣＰＵ（Central Processing Unit）１１、不揮発性のストレージ１３、および一時記憶領域としてのメモリ１６を備える。また、画像処理装置１０は、液晶ディスプレイ等のディスプレイ１４、キーボードおよびマウス等の入力デバイス１５、並びに不図示のネットワークに接続されるネットワークＩ／Ｆ（InterFace）１７を備える。ＣＰＵ１１、ストレージ１３、ディスプレイ１４、入力デバイス１５、メモリ１６およびネットワークＩ／Ｆ１７は、バス１８に接続される。なお、ＣＰＵ１１は、本開示におけるプロセッサの一例である。

　ストレージ１３は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、およびフラッシュメモリ等によって実現される。記憶媒体としてのストレージ１３には、画像処理装置１０にインストールされた画像処理プログラム１２Ａおよび学習プログラム１２Ｂが記憶される。ＣＰＵ１１は、ストレージ１３から画像処理プログラム１２Ａおよび学習プログラム１２Ｂを読み出してメモリ１６に展開し、展開した画像処理プログラム１２Ａおよび学習プログラム１２Ｂを実行する。

　なお、画像処理プログラム１２Ａおよび学習プログラム１２Ｂは、ネットワークに接続されたサーバコンピュータの記憶装置、あるいはネットワークストレージに、外部からアクセス可能な状態で記憶され、要求に応じて画像処理装置１０を構成するコンピュータにダウンロードされ、インストールされる。または、ＤＶＤ（Digital Versatile Disc）、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）等の記録媒体に記録されて配布され、その記録媒体から画像処理装置１０を構成するコンピュータにインストールされる。

　次いで、本実施形態による画像処理装置および学習装置の機能的な構成を説明する。図３は、本実施形態による画像処理装置および学習装置の機能的な構成を示す図である。図３に示すように、画像処理装置１０は、情報取得部２１、散乱線除去部２２、画像導出部２３、情報導出部２４、学習部２５、教師データ導出部２６および表示制御部２７を備える。そして、ＣＰＵ１１は、画像処理プログラム１２Ａを実行することにより、情報取得部２１、散乱線除去部２２、画像導出部２３、情報導出部２４および表示制御部２７として機能する。また、ＣＰＵ１１は、学習プログラム１２Ｂを実行することにより、学習部２５および教師データ導出部２６として機能する。

　情報取得部２１は、撮影装置１に被写体Ｈの撮影を行わせることにより、第１および第２の放射線検出器５，６から、例えば被写体Ｈの股間付近の正面像である第１の放射線画像Ｇ１および第２の放射線画像Ｇ２を取得する。第１の放射線画像Ｇ１および第２の放射線画像Ｇ２の取得に際しては、撮影線量、菅電圧、放射線源３と第１および第２の放射線検出器５，６の表面との距離であるＳＩＤ（Source Image receptor Distance）、放射線源３と被写体Ｈの表面との距離であるＳＯＤ（Source Object Distance）、並びに散乱線除去グリッドの有無などの撮影条件が設定される。

　ＳＯＤおよびＳＩＤについては、後述するように体厚分布の算出に用いられる。ＳＯＤについては、例えば、ＴＯＦ（Time Of Flight）カメラで取得することが好ましい。ＳＩＤについては、例えば、ポテンショメーター、超音波距離計およびレーザー距離計等で取得することが好ましい。

　撮影条件は、操作者による入力デバイス１５からの入力により設定すればよい。設定された撮影条件は、ストレージ１３に保存される。

　なお、本実施形態においては、画像処理プログラム１２Ａとは別個のプログラムにより第１および第２の放射線画像Ｇ１，Ｇ２を取得してストレージ１３に保存するようにしてもよい。この場合、情報取得部２１は、ストレージ１３に保存された第１および第２の放射線画像Ｇ１，Ｇ２を処理のためにストレージ１３から読み出すことにより取得する。

　また、情報取得部２１は、画像保存システム９からネットワークＩ／Ｆ１７を介して、後述するニューラルネットワークを学習するための教師データを取得する。また、後述するように教師データを導出するための３次元画像Ｖ０を取得する。

　ここで、第１の放射線画像Ｇ１および第２の放射線画像Ｇ２の各々には、被写体Ｈを透過した放射線の一次線成分以外に、被写体Ｈ内において散乱された放射線に基づく散乱線成分が含まれる。散乱線除去部２２は、第１の放射線画像Ｇ１および第２の放射線画像Ｇ２から散乱線成分を除去する。例えば、散乱線除去部２２は、特開２０１５－０４３９５９号公報に記載された手法を適用して、第１の放射線画像Ｇ１および第２の放射線画像Ｇ２から散乱線成分を除去してもよい。特開２０１５－０４３９５９号公報に記載された手法等を用いる場合、被写体Ｈの体厚分布の導出および散乱線成分を除去するための散乱線成分の導出が同時に行われる。

　以下、第１の放射線画像Ｇ１からの散乱線成分の除去について説明するが、第２の放射線画像Ｇ２からの散乱線成分の除去も同様に行うことができる。まず、散乱線除去部２２は、初期体厚分布Ｔ０（ｘ，ｙ）を有する被写体Ｈの仮想モデルＫを取得する。仮想モデルＫは、初期体厚分布Ｔ０（ｘ，ｙ）に従った体厚が、第１の放射線画像Ｇ１の各画素の座標位置に対応付けられた、被写体Ｈを仮想的に表すデータである。なお、初期体厚分布Ｔ０（ｘ，ｙ）を有する被写体Ｈの仮想モデルＫは、ストレージ１３に予め記憶されていてもよい。また、撮影条件に含まれるＳＩＤとＳＯＤに基づいて、被写体Ｈの初期体厚分布Ｔ０（ｘ、ｙ）を算出してもよい。この場合、体厚分布は、ＳＩＤからＳＯＤを減算することにより求めることができる。

　次に、散乱線除去部２２は、仮想モデルＫに基づいて、仮想モデルＫの撮影により得られる一次線画像を推定した推定一次線画像と、仮想モデルＫの撮影により得られる散乱線画像を推定した推定散乱線画像とを合成した画像を、被写体Ｈの撮影により得られた第１の放射線画像Ｇ１を推定した推定画像として生成する。

　次に、散乱線除去部２２は、推定画像と第１の放射線画像Ｇ１との違いが小さくなるように仮想モデルＫの初期体厚分布Ｔ０（ｘ，ｙ）を修正する。散乱線除去部２２は、推定画像と第１の放射線画像Ｇ１との違いが予め定められた終了条件を満たすまで推定画像の生成および体厚分布の修正を繰り返し行う。散乱線除去部２２は、終了条件を満たした際の体厚分布を、被写体Ｈの体厚分布Ｔ（ｘ，ｙ）として導出する。また、散乱線除去部２２は、終了条件を満たした際の散乱線成分を第１の放射線画像Ｇ１から減算することにより、第１の放射線画像Ｇ１に含まれる散乱線成分を除去する。なお、以降の処理における第１および第２の放射線画像Ｇ１，Ｇ２は散乱線成分が除去されたものである。

　画像導出部２３は、エネルギーサブトラクション処理を行うことにより、第１および第２の放射線画像Ｇ１，Ｇ２から、被写体Ｈの骨部が抽出された骨部画像を導出する。骨部が本開示の構造物の一例であり、骨部画像が本開示の構造物画像の一例である。骨部画像Ｇｂを導出する場合には、画像導出部２３は、第１および第２の放射線画像Ｇ１，Ｇ２に対して、下記の式（１）に示すように、それぞれ対応する画素間での重み付け減算を行うことにより、図４に示すように、各放射線画像Ｇ１，Ｇ２に含まれる被写体Ｈの骨部が抽出された骨部画像Ｇｂを導出する。式（１）においてβ１は重み付け係数である。
　Ｇｂ（ｘ、ｙ）＝Ｇ１（ｘ、ｙ）－β１×Ｇ２（ｘ、ｙ）　　（１）

　情報導出部２４は、学習済みモデル２４Ａを用いて骨部画像Ｇｂに含まれる骨部の基準位置に対するずれ角および骨部の基準位置における組成情報を導出する。本実施形態においては、骨部は大腿骨であり、組成情報は大腿骨の骨密度とする。また、本実施形態において、左右どちらか片側の大腿骨を正面仰臥位前後で撮影する場合に、一般的に好ましいとされるポジショニングを基準位置とする。例えば、骨盤前額面を水平にし、撮影する側の股関節部を放射線検出器５，６の受像面中心に合わせ、下肢は伸展位で軽度内旋位にしたポジショニングを基準位置とする。そして基準位置にポジショニングされた被写体Ｈを撮影した際、被写体Ｈに入射する放射線の入射角を基準入射角とする。本実施形態において、基準入射角は０度とする。

　基準位置に対するずれ角とは、被写体Ｈの撮影時に実際に被写体Ｈに入射した放射線の入射角の基準入射角に対する角度のずれをいう。ずれ角は、天頂角および方位角の２方向により表されるが、本実施形態においては、ずれ角とは、大腿骨の長軸周りの角度のずれを意味するものとする。

　ここで、骨部に対する放射線の入射角が基準入射角からずれると、骨部が基準位置から回旋した状態で放射線画像に含まれることとなる。例えば、大腿骨の場合、下肢が回旋して、大腿骨が基準位置よりも内旋または外旋した状態で放射線画像に含まれることとなる。

　図５は大腿骨に対する放射線のずれ角を説明するための図である。本実施形態においては、図５（Ｂ）に示すように、基準位置にポジショニングされた被写体Ｈの大腿骨３０に対する放射線の入射角が基準入射角である。この場合、ずれ角は０度である。

　図５（Ａ）に示すように、大腿骨３０に対する放射線の入射角が基準入射角からずれると、放射線画像においては大腿骨３０が内旋した状態で含まれる。この状態においてはずれ角として負の値を用いる。例えば、図５（Ａ）に示すずれ角は－２０度である。また、図５（Ａ）に示す方向とは逆の方向に放射線の入射角が基準入射角からずれると、放射線画像においては大腿骨３０が外旋した状態で含まれる。この状態においてはずれ角として正の値を用いる。例えば、図５（Ｃ）に示すずれ角は＋２０度である。

　骨密度は骨塩量と同じものを意味し、単位はｇ／ｃｍ²である。骨密度は骨部画像Ｇｂ
の画素値に基づいて導出される。ここで、放射線源３における管電圧が高く、放射線源３から放射される放射線が高エネルギーであるほど、放射線画像における軟部と骨部とのコントラストが小さくなる。また、放射線が被写体Ｈを透過する過程において、放射線の低エネルギー成分が被写体Ｈに吸収され、放射線が高エネルギー化するビームハードニングが生じる。ビームハードニングによる放射線の高エネルギー化は、被写体Ｈの体厚が大きいほど大きくなる。

　図６は被写体Ｈの体厚に対する骨部と軟部とのコントラストの関係を示す図である。なお、図６においては、８０ｋＶ、９０ｋＶおよび１００ｋＶの３つの管電圧における、被写体Ｈの体厚に対する骨部と軟部とのコントラストの関係を示している。図６に示すように、管電圧が高いほどコントラストは低くなる。また、被写体Ｈの体厚がある値を超えると、体厚が大きいほどコントラストは低くなる。なお、骨部画像Ｇｂにおける骨部領域の画素値が大きいほど、骨部と軟部とのコントラストは大きくなる。このため、図６に示す関係は、骨部画像Ｇｂにおける骨部領域の画素値が大きいほど、高コントラスト側にシフトすることとなる。

　骨密度は、骨部画像Ｇｂの画素値を補正係数を用いて補正することにより導出することができる。補正係数は、骨部画像Ｇｂにおける、撮影時の管電圧に応じたコントラストの相違、およびビームハードニングの影響によるコントラストの低下を補正するための係数である。

　図７は、体厚と補正係数との関係を規定したルックアップテーブルを示す図である。図７において、基準撮影条件を、管電圧９０ｋＶに設定したルックアップテーブルＬＵＴ１が例示されている。図７に示すようにルックアップテーブルＬＵＴ１において、管電圧が大きいほど、かつ被写体Ｈの体厚が大きいほど、大きい補正係数が設定されている。図７に示す例において、基準撮影条件が管電圧９０ｋＶであるため、管電圧が９０ｋＶで体厚が０の場合に、補正係数が１となっている。なお、図７において、ルックアップテーブルＬＵＴ１を２次元で示しているが、補正係数は骨部領域の画素値に応じて異なる。このため、ルックアップテーブルＬＵＴ１は、実際には骨部領域の画素値を表す軸が加わった３次元のテーブルとなる。

　骨密度を導出する際には、被写体Ｈの体厚分布Ｔ（ｘ，ｙ）および撮影時の管電圧の設定値を含む撮影条件に応じた画素毎の補正係数Ｋ０（ｘ，ｙ）を、ルックアップテーブルＬＵＴ１から抽出する。そして、下記の式（２）に示すように、骨部画像Ｇｂにおける骨部の各画素（ｘ，ｙ）に対して、補正係数Ｋ０（ｘ，ｙ）を乗算することにより、骨密度Ｄ（ｘ，ｙ）（ｇ／ｃｍ²）を導出する。このようにして導出された骨密度Ｄ（ｘ，ｙ）
は、基準撮影条件である９０ｋＶの管電圧により被写体Ｈを撮影することにより取得され、かつビームハードニングの影響が除去された放射線画像に含まれる骨部領域の画素値を表すものとなる。
　Ｄ（ｘ，ｙ）＝Ｋ０（ｘ，ｙ）×Ｇｂ（ｘ，ｙ）　（２）

　ここで、被写体Ｈを撮影する際には、大腿骨が基準位置となるようにポジショニングするが、ポジショニング後に被写体Ｈが移動してしまう場合がある。被写体Ｈが移動すると被写体Ｈに対する放射線の入射角が基準入射角から変動し、大腿骨に照射される放射線の基準位置からのずれ角が０度から外れて正または負の値となる。その結果、放射線の透過経路上における大腿骨の厚さが変化する。このように大腿骨の厚さが変化すると、骨部画像Ｇｂから導出される骨密度が変化する。

　図８は、ずれ角と骨密度との関係を示すグラフである。図８に示すグラフ３５は、放射線画像を用いて実測したずれ角と骨密度との関係を示している。実測に際しては、同じ大腿骨について、ずれ角を所定の複数の値に変える以外は同じ条件にて取得した複数の骨部画像Ｇｂについて、それぞれ画素毎に画素値に基づいて変換した骨密度を導出している。グラフ３５において、縦軸は骨密度であり、横軸はずれ角である。なお、グラフ３５において、マイナスは大腿骨が内旋した状態で放射線画像に含まれる方向のずれ角、プラスは大腿骨が外旋した状態で放射線画像に含まれる方向のずれ角である。図８に示すように、ずれ角が変化すると骨密度が変化する。

　このように基準位置に対するずれ角が放射線画像の撮影毎に変化すると、骨密度が変化するため、放射線画像同士で骨密度の比較が正確にできなくなるおそれがある。また、撮影時において被写体のポジショニングを正確に行おうとすると、撮影に時間を要することとなる。

　このため、本実施形態においては、情報導出部２４が、学習済みモデル２４Ａを用いて骨部画像Ｇｂに含まれる骨部についての撮影時に照射された放射線の基準位置に対するずれ角および骨部の基準位置における組成情報すなわち骨密度を導出する。

　図９は学習済みモデル２４Ａが行う処理を模式的に示す図である。学習済みモデル２４Ａには、骨部画像Ｇｂが入力される。学習済みモデル２４Ａは骨部画像Ｇｂが入力されると、ずれ角α０および骨密度Ｄ０を出力する。

　学習済みモデル２４Ａは、学習部２５が教師データを用いてニューラルネットワークを学習することにより構築される。図１０は学習済みモデル２４Ａの構築に使用される教師データを示す図である。図１０に示すように教師データ４０は、学習用骨部画像４１および正解データ４２を含む、正解データ４２は、学習用骨部画像４１に含まれる大腿骨について、撮影時に照射された放射線の基準位置に対するずれ角４３、および学習用骨部画像４１に含まれる骨部の基準位置における骨密度４４を含む。学習用骨部画像４１が学習用構造物画像の一例である。

　学習部２５は、多数の教師データ４０を用いてニューラルネットワークを学習する。図１１は、ニューラルネットワーク５０の学習を説明するための図である。図１１に示すようにニューラルネットワーク５０は、例えば入力層５１、中間層５２および出力層５３を含む。中間層５２は複数の層構造を有するものであってもよい。ニューラルネットワーク５０の学習を行うに際し、学習部２５は、ニューラルネットワーク５０の入力層５１に学習用骨部画像４１を入力する。そして、学習部２５は、ニューラルネットワーク５０の出力層５３から、ずれ角５５Ａおよび骨密度５５Ｂを出力データ５５として出力させる。そして、学習部２５は、出力データ５５に含まれるずれ角５５Ａおよび骨密度５５Ｂと、正解データ４２に含まれるずれ角４３および骨密度４４との相違をそれぞれ損失Ｌ１，Ｌ２として導出する。

　学習部２５は、損失Ｌ１，Ｌ２に基づいてニューラルネットワーク５０を学習する。具体的には、学習部２５は、損失Ｌ１，Ｌ２を小さくするように、中間層５２に含まれるカーネルの係数、各層間の結合の重み等（以下パラメータ５６とする）を調整する。パラメータ５６の調整方法としては、例えば、誤差逆伝播法を用いることができる。学習部２５は、損失Ｌ１，Ｌ２が予め定められたしきい値以下となるまでパラメータ５６の調整を繰り返す。これにより、骨部画像Ｇｂが入力された場合に、より正確なずれ角および骨密度を出力するようにパラメータ５６が調整されて、学習済みモデル２４Ａが構築される。

　このようにして構築された学習済みモデル２４Ａに、被写体Ｈの骨部画像Ｇｂが入力されると、図１０に示すように、学習済みモデル２４Ａはずれ角α０および骨密度Ｄ０を出力するようになる。

　ここで、本実施形態においては、学習済みモデル２４Ａを構築するための教師データ４０は、教師データ導出部２６が３次元画像Ｖ０を用いて導出する。以下、教師データ４０の導出について説明する。図１２は、教師データの導出を説明するための図である。なお、図１２においては説明のために３次元画像Ｖ０には大腿骨６０のみが含まれている。また、図１２においては、大腿骨６０の長軸ｙ０がｙ軸方向に延びるように３次元画像Ｖ０に含まれている。また、ｚ軸方向に３次元画像Ｖ０を投影して、すなわちｘｙ平面に３次元画像Ｖ０を投影して大腿骨の投影画像を導出した際に、大腿骨が基準位置にポジショニングされたものとなるように３次元画像Ｖ０を配置している。図１２においてｚ軸方向となる投影方向をｚ０で示している。この場合のずれ角は０度である。

　教師データ導出部２６は、３次元画像Ｖ０を骨部および軟部にセグメンテーションする。本実施形態においては３次元画像Ｖ０はＣＴ画像であり、骨部と軟部とではＣＴ値が大きく異なることから、しきい値処理等により骨部および軟部をセグメンテーションすることができる。

　ここで、３次元画像Ｖ０に含まれる大腿骨６０を、ある投影方向に垂直な平面に投影することを考える。投影方向にＮ個のボクセルが並んでいる場合、大腿骨の厚さｔｄ（ｘ，ｙ）は、以下の式（３）となる。式（３）において、ｓは３次元画像Ｖ０のボクセルのサイズである。

　教師データ導出部２６は、骨部すなわち大腿骨６０がｘｙ平面に投影された投影画像（以下、基準投影画像Ｐｂとする）の各画素において大腿骨６０の厚さを上記式（３）により導出する。次に教師データ導出部２６は、大腿骨６０の投影方向の平均ＣＴ値ＣＴｍから体積骨密度（単位はｇ／ｃｍ³）を導出する。投影方向の平均ＣＴ値ＣＴｍ（ｘ，ｙ）
は下位の式（４）により導出できる。式（４）においてＣＴｉは投影方向に並ぶボクセルのＣＴ値である。また、式（４）において投影画像の画素位置を表す（ｘ，ｙ）は省略している。

　ここで、ＣＴ値は水の放射線減弱係数に対する相対値であり、骨による放射線の減弱から骨密度を導出することができる。ＣＴ画像は３次元画像であるため、ＣＴ画像から求められる骨密度は体積骨密度となる。また、体積骨密度はＣＴ値とほぼ比例関係にある。このため、予め体積骨密度が既知の骨試料を用いて、図１３に示す換算テーブルを作成しておき、平均ＣＴ値（単位はＨ．Ｕ．）を体積骨密度Ｄｔ（ｇ／ｃｍ³）に変換する。そし
て、教師データ導出部２６は、導出した体積骨密度Ｄｔに厚さｔｄを乗算することにより、基準投影画像における面積骨密度Ｄｓ（＝Ｄｔ×ｔｄ、単位はｇ／ｃｍ²）を導出する。導出した面積骨密度Ｄｓが教師データ４０の正解データ４２に含まれる骨密度４４となる。

　一方、教師データ導出部２６は、図１４に示すように、基準投影画像を導出した投影面（基準投影面６１、すなわちｘｙ平面）をｙ軸の回りに角度β回転した投影面６２を設定する。そして、投影面６２に３次元画像Ｖ０に含まれる大腿骨６０を投影することにより学習用骨部画像４１を導出する。この場合の３次元画像Ｖ０の投影方向は図１２に示すｚ１方向となる。また、角度βが正解データ４２に含まれるずれ角４３となる。

　このように教師データ導出部２６は、学習用骨部画像４１、ずれ角４３および骨密度４４を導出する。なお、異なる年齢、性別、体格および骨密度となる被写体の３次元画像Ｖ０を使用し、かつ角度βを種々変更することにより、多数の教師データ４０を導出すること可能である。

　なお、教師データ導出部２６は、第１および第２の放射線画像Ｇ１，Ｇ２から導出した骨部画像Ｇｂについて、大腿骨の回旋角度をずれ角として計測し、かつ上述した式（２）により骨密度を導出することにより教師データ４０を導出するようにしてもよい。

　表示制御部２７は、情報導出部２４が導出したずれ角α０および骨密度Ｄ０をディスプレイ１４に表示する。図１５はずれ角および骨密度の表示画面を示す図である。図１５に示すように、表示画面７０は画像表示領域７１を含む。画像表示領域には骨部画像Ｇｂが表示される。また、表示画面７０には、画像表示領域７１の右側に、ずれ角７２（Ａ度）および骨密度７３（Ｂｇ／ｃｍ²）が表示される。

　次いで、本実施形態において行われる処理について説明する。図１６は本実施形態において行われる学習処理を示すフローチャートである。まず、情報取得部２１が画像保存システム９から３次元画像Ｖ０を取得し（ステップＳＴ１）、教師データ導出部２６が３次元画像Ｖ０から教師データ４０を導出する（ステップＳＴ２）。そして学習部２５が、教師データ４０に含まれる学習用骨部画像４１をニューラルネットワーク５０に入力してずれ角および骨密度を出力させ、正解データ４２との相違に基づく損失Ｌ１，Ｌ２を用いてニューラルネットワーク５０を学習し（ステップＳＴ３）、ステップＳＴ１にリターンする。学習部２５は、さらに損失Ｌ１，Ｌ２が予め定められたしきい値となるまで、ステップＳＴ１～ＳＴ３の処理を繰り返し、学習を終了する。なお、学習部２５は、予め定められた回数の学習を繰り返すことにより、学習を終了するものであってもよい。これにより、学習部２５は、学習済みモデル２４Ａを構築する。

　次いで、本実施形態における画像処理について説明する。図１７は本実施形態における画像処理を示すフローチャートである。なお、第１および第２の放射線画像Ｇ１，Ｇ２は、撮影により取得されてストレージ１３に保存されているものとする。処理を開始する指示が入力デバイス１５から入力されると、情報取得部２１が、第１および第２の放射線画像Ｇ１，Ｇ２をストレージ１３から取得する（放射線画像取得；ステップＳＴ１１）。次いで、散乱線除去部２２が、第１および第２の放射線画像Ｇ１，Ｇ２から散乱線成分を除去する（ステップＳＴ１２）。また、画像導出部２３が、第１および第２の放射線画像Ｇ１，Ｇ２から、被写体Ｈの骨部が抽出された骨部画像Ｇｂを導出する（ステップＳＴ１３）。

　続いて、情報導出部２４が骨部画像Ｇｂからずれ角および基準位置における骨密度を導出する（ステップＳＴ１４）。そして表示制御部２７が導出されたずれ角および骨密度を表示し（ステップＳＴ１５）、処理を終了する。

　このように、本実施形態においては、骨部画像Ｇｂの入力により、骨部画像Ｇｂに含まれる骨部についての撮影時に照射された放射線の基準位置に対するずれ角および骨部の基準位置における骨密度の推定結果を出力する学習済みモデル２４Ａを用いることにより、骨部画像Ｇｂに含まれる骨部の基準位置に対するずれ角および骨部の基準位置における骨密度を導出するようにした。このため、被写体のポジショニングに拘わらずずれ角および骨密度を精度よく導出できる。

　なお、上記実施形態においては、骨部として大腿骨を用いているが、これに限定されるものではない。例えば椎骨あるいは椎骨の家の腰椎を対象として椎骨あるいは腰椎の基準位置に対するずれ角および基準位置における骨密度を導出するようにしてもよい。

　また、上記実施形態においては構造物として骨部を対象として基準位置に対するずれ角および組成情報を導出しているが、これに限定されるものではない。被写体内の軟部、軟部に含まれる脂肪、軟部に含まれる筋肉、および人体内に埋め込まれたチタン等の金属のような人体に含まれる様々な構造物について、基準位置に対するずれ角および基準位置における組成情報を導出するようにしてもよい。なお、組成情報としては、構造物の密度の他、厚さを導出するようにしてもよい。また、密度および厚さの双方を組成情報として導出するようにしてもよい。

　とくに軟部を構造物とする場合の処理について以下に説明する。軟部を構造物とする場合、軟部画像から軟部の基準位置に対するずれ角および軟部の厚さを組成情報として出力するように学習済みモデルを構築すればよい。しかしながら、人体の軟部組織は剛体ではないため、骨部とは異なり、ずれ角を精度よく求めることは困難である。

　一方で、軟部に対する放射線のずれ角は骨部に対する放射線のずれ角と等しい。このため、軟部のずれ角および組成情報（厚さ）を求めるためには、軟部画像Ｇｓおよび骨部画像Ｇｂの双方を導出し、骨部画像Ｇｂから導出されるずれ角を軟部についてのずれ角として導出するように学習済みモデルを構築する。図１８は軟部画像および骨部画像から軟部についてのずれ角および厚さを導出するように構築された学習済みモデルを示す図である。図１８に示すように、学習済みモデル２４Ｂは、軟部画像Ｇｓおよび骨部画像Ｇｂが入力されると、軟部についてのずれ角α１および軟部の厚さＤ１を導出するものとなる。

　また、上記実施形態においては、散乱線除去部２２により第１および第２の放射線画像Ｇ１，Ｇ２から散乱線成分を除去しているが、これに限定されるものではない。散乱線成分を除去することなく、骨部画像Ｇｂを導出するようにしてもよい。この場合、散乱線除去部２２は不用となる。

　また、上記実施形態においては、画像処理装置を学習装置を含むものとしているが、これに限定されるものではない。画像処理装置と学習装置とを別個に設け、学習装置により構築された学習済みモデルを画像処理装置に適用するようにしてもよい。

　また、上記実施形態においては、エネルギーサブトラクション処理を行うに際し、１ショット法により第１および第２の放射線画像Ｇ１，Ｇ２を取得しているが、これに限定されるものではない。１つの放射線検出器のみ用いて撮影を２回行う、いわゆる２ショット法により第１および第２の放射線画像Ｇ１，Ｇ２を取得してもよい。２ショット法の場合、被写体Ｈの体動により、第１の放射線画像Ｇ１および第２の放射線画像Ｇ２に含まれる被写体Ｈの位置がずれる可能性がある。このため、第１の放射線画像Ｇ１および第２の放射線画像Ｇ２において、被写体の位置合わせを行った上で、本実施形態の処理を行うことが好ましい。

　また、上記実施形態においては、第１および第２の放射線検出器５，６を用いて被写体Ｈの第１および第２の放射線画像Ｇ１，Ｇ２を撮影するシステムにおいて取得した放射線画像を用いて画像処理を行っているが、放射線検出器に代えて、蓄積性蛍光体シートを用いて第１および第２の放射線画像Ｇ１，Ｇ２を取得する場合にも、本開示の技術を適用できることはもちろんである。この場合、２枚の蓄積性蛍光体シートを重ねて被写体Ｈを透過した放射線を照射して、被写体Ｈの放射線画像情報を各蓄積性蛍光体シートに蓄積記録し、各蓄積性蛍光体シートから放射線画像情報を光電的に読み取ることにより第１および第２の放射線画像Ｇ１，Ｇ２を取得すればよい。なお、蓄積性蛍光体シートを用いて第１および第２の放射線画像Ｇ１，Ｇ２を取得する場合にも、２ショット法を用いるようにしてもよい。

　また、上記実施形態においては、エネルギーサブトラクション処理により骨部画像Ｇｂおよび軟部画像Ｇｓを導出しているが、これに限定されるものではない。例えば、１つの放射線検出器のみを用いて取得した１つの放射線画像において骨部を強調することにより骨部画像Ｇｂを導出するようにしてもよい。

　また、以下の手法により骨部画像Ｇｂおよび軟部画像Ｇｓを導出してもよい。以下、構造物画像導出の他の実施形態について説明する。画像取得部２１が取得する第１および第２放射線画像Ｇ１，Ｇ２には、被写体Ｈの領域と、放射線が放射線検出器５，６に直接照射することにより得られる直接放射線領域とが含まれる。被写体Ｈの領域には、軟部領域および骨部領域が含まれる。人体の軟部成分は筋肉、脂肪、血液、および水分を含む。ここでは、血液および水分も含めた非脂肪組織を筋肉として扱うものとする。

　第１および第２放射線画像Ｇ１，Ｇ２の軟部領域は、被写体Ｈの軟部成分のみを含む。第１および第２放射線画像Ｇ１，Ｇ２の骨部領域は、実際には骨部成分と軟部成分とが混ざり合った領域である。

　以下、構造物画像導出の第１の他の実施形態について説明する。以下、構造物画像導出の４つの他の実施形態について説明するが、それぞれ第１から第４の実施形態と称するものとする。図１９は構造物画像導出の第１の実施形態による放射線画像処理装置において行われる処理を模式的に示す図である。なお、図１９においては、説明を簡単なものとするために、第１放射線画像Ｇ１および第２放射線画像Ｇ２は、直接放射線領域を含まず、軟部領域に矩形の骨部領域が含まれるものとしている。

　構造物画像導出の第１の実施形態において、画像導出部２３は、第１放射線画像Ｇ１または第２放射線画像Ｇ２における骨部領域および軟部領域を特定する。このために、画像導出部２３は、第１放射線画像Ｇ１または第２放射線画像Ｇ２の少なくとも被写体Ｈの領域において放射線の減弱に関する減弱特性を導出し、被写体Ｈの領域における減弱特性に基づいて、軟部領域および骨部領域を特定する。構造物画像導出の第１の実施形態においては、画像導出部２３は、第１放射線画像Ｇ１および第２放射線画像Ｇ２のそれぞれから被写体Ｈによる放射線の減弱量を表す第１減弱画像ＣＬおよび第２減弱画像ＣＨを導出し、第１減弱画像ＣＬおよび第２減弱画像ＣＨの対応する画素間での比率である減弱比を減弱特性として導出する。

　ここで、第１減弱画像ＣＬの画素値は、被写体Ｈによる低エネルギーの放射線の減弱量を表し、第２減弱画像ＣＨの画素値は、被写体Ｈによる高エネルギーの放射線の減弱量を表す。第１減弱画像ＣＬおよび第２減弱画像ＣＨは、第１の放射線画像Ｇ１および第２の放射線画像Ｇ２から下記の式（５）、（６）により導出される。式（５）においてＧｄ１は第１放射線画像Ｇ１における直接放射線領域の画素値、式（６）においてＧｄ２は第２放射線画像Ｇ２における直接放射線領域の画素値である。
　ＣＬ（ｘ，ｙ）＝Ｇｄ１－Ｇ１（ｘ，ｙ）　　　（５）
　ＣＨ（ｘ，ｙ）＝Ｇｄ２－Ｇ２（ｘ，ｙ）　　　（６）

　次に画像導出部２３は、第１放射線画像Ｇ１と第２放射線画像Ｇ２との放射線の減弱比を表す減弱比マップを導出する。具体的には、第１減弱画像ＣＬと第２減弱画像ＣＨとの対応する画素間での比率を、下記の式（７）により導出することにより減弱比マップＭ１を導出する。
　Ｍ１（ｘ，ｙ）＝ＣＬ（ｘ，ｙ）／ＣＨ（ｘ，ｙ）　　　（７）

　ここで、第１放射線画像Ｇ１および第２の放射線画像Ｇ２において、軟部成分のみを含む領域の減弱比は骨部成分を含む領域の減弱比よりも小さい。このため、画像導出部２３は、減弱比マップＭ１の各画素の減弱比を比較し、減弱比が予め定められたしきい値よりも大きい画素からなる領域を骨部領域に特定し、骨部領域以外の領域を軟部領域に特定する。なお、画像導出部２３は、減弱比マップＭ１の各画素とその周囲の画素との減弱比を比較し、周囲の画素と比較して減弱比が大きい画素を骨部領域の画素に特定するようにしてもよい。

　画像導出部２３は、第１放射線画像Ｇ１または第２放射線画像Ｇ２の第１成分のみを含む第１成分領域、すなわち軟部領域において、第１放射線画像Ｇ１および第２放射線画像Ｇ２に基づいて、放射線の減弱に関する第１成分の特性を導出する。また、画像導出部２３は、第２成分領域すなわち骨部領域における第１成分の特性を、骨部領域の周囲にある軟部領域において導出した第１成分の特性に基づいて導出する。本実施形態においては、画像導出部２３は、第１放射線画像Ｇ１と第２放射線画像Ｇ２との減弱比を第１の成分の特性として導出する。

　一方、骨部領域については、骨部領域の周囲にある軟部領域の減弱比を補間することにより、骨部領域についての第１成分の特性、すなわち減弱比を導出する。なお、補間に代えて、減弱比マップＭ１における軟部領域の減弱比の中央値、平均値あるいは減弱比が小さい側から予め定められた割合となる値を、骨部領域についての減弱比として導出するようにしてもよい。

　これにより、画像導出部２３は、第１放射線画像Ｇ１または第２放射線画像Ｇ２の被写体Ｈの領域についての第１成分の特性を導出する。第１の実施形態においては、第１成分の特性は軟部領域の減弱比である。第１の実施形態においては、導出した第１成分の特性を、骨部画像を導出する際に軟部を消去する軟部消去係数Ｋ１として用いる。

　画像導出部２３は、第１放射線画像Ｇ１または第２放射線画像Ｇ２の被写体Ｈの領域における第１成分の特性に基づいて、第１成分が強調された第１成分画像および第２成分が強調された第２成分画像を導出する。具体的には、画像導出部２３は、軟部成分が強調された軟部画像Ｇｓおよび骨部成分が強調された骨部画像Ｇｂを導出する。

　構造物画像導出の第１の実施形態においては、画像導出部２３は、まず第１減弱画像ＣＬ、第２減弱画像ＣＨおよび第１成分の特性である軟部消去係数Ｋ１に基づいて、第２成分が強調された初期第２成分減弱画像、すなわち骨部が強調された初期骨部減弱画像を導出する。具体的には、画像導出部２３は、下記の式（８）により、初期骨部減弱画像Ｃｂ０を導出する。
　Ｃｂ０（ｘ，ｙ）＝ＣＬ（ｘ，ｙ）－ＣＨ（ｘ，ｙ）×Ｋ１（ｘ，ｙ）　　　（８）

　ここで、上述したように導出された初期骨部減弱画像Ｃｂ０の骨部領域の画素値は、骨部の厚さに相当する軟部が存在すると仮定することによって骨部の減弱量を軟部の減弱量に置き換えたものと、実際の骨部の減弱量との差分を表すものとなっている。このため、本来導出したい骨部減弱画像に対してコントラストが低い画像となっている。このようにコントラストが低い骨部減弱画像を用いると、後述するように第１減弱画像ＣＬまたは第２減弱画像ＣＨから骨部減弱画像を減算して軟部減弱画像を導出した場合に、骨部成分を良好に除去することができない。

　このため、第１の実施形態においては、画像導出部２３は、初期骨部減弱画像Ｃｂ０のコントラストを、第１減弱画像ＣＬまたは第２減弱画像ＣＨのコントラストと一致させることにより、骨部減弱画像Ｃｂ１を導出する。第１の実施形態においては、初期骨部減弱画像Ｃｂ０のコントラストを、第１減弱画像ＣＬのコントラストと一致させるものとする。このため、画像導出部２３は、初期骨部減弱画像Ｃｂ０にコントラスト変換係数を乗算して初期骨部減弱画像Ｃｂ０のコントラストを変換する。そして、コントラスト変換後の初期骨部減弱画像Ｃｂ０を第１減弱画像ＣＬから減算することにより導出される差分値ΔＣＬと、初期骨部減弱画像Ｃｂ０との相関を導出する。そして相関が最小となるように、コントラスト変換係数を決定し、決定したコントラスト変換係数を初期骨部減弱画像Ｃｂ０に乗算することにより、骨部減弱画像Ｃｂ１を導出する。

　なお、初期骨部減弱画像Ｃｂ０のコントラストと体厚とを関連付けたコントラスト変換係数を表すテーブルを予め作成しておくようにしてもよい。この場合、被写体Ｈの体厚を計測する等によって導出し、初期骨部減弱画像Ｃｂ０のコントラストと体厚とからテーブルを参照してコントラスト変換係数を導出し、導出したコントラスト変換係数により初期骨部減弱画像Ｃｂ０を変換することにより、骨部減弱画像Ｃｂ１を導出するようにしてもよい。

　そして、画像導出部２３は、下記の式（９）により、第１減弱画像ＣＬから骨部減弱画像Ｃｂ１を減算することにより軟部減弱画像Ｃｓ１を導出する。
　Ｃｓ１（ｘ，ｙ）＝ＣＬ（ｘ，ｙ）－Ｃｂ１（ｘ，ｙ）　　　（９）

　さらに、画像導出部２３は、下記の式（１０）、（１１）により骨部画像Ｇｂおよび軟部画像Ｇｓを導出する。
　Ｇｂ（ｘ，ｙ）＝Ｇｄ１（ｘ，ｙ）－Ｃｂ１（ｘ，ｙ）　　　（１０）
　Ｇｓ（ｘ，ｙ）＝Ｇｄ２（ｘ，ｙ）－Ｃｓ１（ｘ，ｙ）　　　（１１）

　次いで、構造物画像導出の第１の実施形態において行われる処理について説明する。図２０は構造物画像導出の第１の実施形態において行われる処理を示すフローチャートである。なお、第１および第２の放射線画像は情報取得部２１により取得され、散乱線除去部２２により散乱線成分が除去されているものとする。まず、画像導出部２３は、第１放射線画像Ｇ１および第２放射線画像Ｇ２から第１減弱画像ＣＬおよび第２減弱画像ＣＨを導出し（減弱画像導出：ステップＳＴ２１）、第１減弱画像ＣＬまたは第２減弱画像ＣＨにおける軟部成分のみを含む軟部領域および骨部を含む骨部領域を特定する（ステップＳＴ２２）。次に、画像導出部２３は、軟部領域において放射線画像の減弱に関する軟部成分の特性（減弱比）を導出する（ステップＳＴ２３）。続いて、画像導出部２３は、骨部領域において軟部成分の特性を導出する（ステップＳＴ２４）。

　次いで、画像導出部２３は初期骨部減弱画像Ｃｂ０を導出し（ステップＳＴ２５）、初期骨部減弱画像Ｃｂ０のコントラストを変換することにより骨部減弱画像Ｃｂ１を導出する（ステップＳＴ２６）。さらに、画像導出部２３は、第１減弱画像ＣＬから骨部減弱画像Ｃｂ１を減算することにより軟部減弱画像Ｃｓ１を導出する（ステップＳＴ２７）。続いて、画像導出部２３は、上述した式（１０）、（１１）により骨部画像Ｇｂおよび軟部画像Ｇｓを導出し（ステップＳＴ２８）、処理を終了する。

　このように、構造物画像導出の第１の実施形態においては、第１放射線画像Ｇ１または第２放射線画像Ｇ２の骨部成分を含む骨部領域における減弱比を、骨部領域の周囲にある軟部領域において導出した軟部成分の減弱比に基づいて導出するようにした。そして、第１放射線画像Ｇ１または第２放射線画像Ｇ２の少なくとも被写体Ｈの領域における減弱比に基づいて、軟部成分が強調された軟部画像Ｇｓおよび骨部成分が強調された骨部画像Ｇｂを導出するようにした。このため、骨部領域において軟部成分の減弱比を精度よく導出することができ、その結果、軟部成分および骨部成分が精度よく分離された軟部画像Ｇｓおよび骨部画像Ｇｂを導出することができる。

　また、構造物画像導出の第１の実施形態においては、第１放射線画像Ｇ１および第２放射線画像Ｇ２から放射線の減弱量を表す第１減弱画像ＣＬおよび第２減弱画像ＣＨを導出し、第１減弱画像ＣＬおよび第２減弱画像ＣＨを用いて軟部画像Ｇｓおよび骨部画像Ｇｂを導出するようにしている。このため、導出した減弱量を軟部成分を消去するための軟部消去係数Ｋ１として用いた場合において、上記式（８）により軟部成分を良好に消去することができる。したがって、軟部成分および骨部成分が精度よく分離された軟部画像Ｇｓおよび骨部画像Ｇｂを導出することができる。

　次いで、構造物画像導出の第２の実施形態について説明する。図２１は構造物画像導出の第２の実施形態において行われる処理を模式的に示す図である。図２１に示すように、画像導出部２３は、第１減弱画像ＣＬまたは第２減弱画像ＣＨから骨部領域を検出する。なお、第１放射線画像Ｇ１または第２放射線画像Ｇ２から骨部領域を検出するようにしてもよい。このために、第２の実施形態においては、画像導出部２３は、放射線画像または減弱画像から骨部領域を検出するようにニューラルネットワークを機械学習することにより構築された学習済みモデルを用いる。この場合、学習済みモデルは、放射線画像または減弱画像の画素値に基づいて骨部領域を学習することにより、骨部領域を検出するように構築される。

　一方、放射線画像または減弱画像においては、骨部領域の画素値と軟部成分のみを含む軟部領域の画素値とは大きく異なる。このため、放射線画像または減弱画像をしきい値処理することにより放射線画像または減弱画像から骨部領域を検出するようにしてもよい。また、放射線画像または減弱画像においては、骨部領域の画素値と軟部成分のみを含む軟部領域の画素値との相違により骨部領域の形状が特定されている。このため、放射線画像または減弱画像に含まれる被写体Ｈの部位に応じた骨部領域の形状を用いたテンプレートマッチングにより、放射線画像または減弱画像から骨部領域を検出するようにしてもよい。

　そして、第２の実施形態においては、画像導出部２３が、上述したように放射線画像または減弱画像の画素値に基づいて特定した骨部領域における軟部成分の減弱比を導出する。骨部領域における軟部成分の減弱比を導出した以降の処理は上記構造物画像導出の第１の実施形態と同様であるため、ここでは詳細な説明は省略する。

　なお、上記構造物画像導出の第１および第２の実施形態においては、第１減弱画像ＣＬ、第２減弱画像ＣＨおよび軟部消去係数Ｋ１を用いて、初期骨部減弱画像Ｃｂ０、骨部減弱画像Ｃｂ１および軟部減弱画像Ｃｓ１を導出した上で、骨部画像Ｇｂおよび軟部画像Ｇｓを導出しているが、これに限定されるものではない。第１放射線画像Ｇ１、第２放射線画像Ｇ２および軟部消去係数Ｋ１を用いて下記の式（１２）、（１３）により骨部画像Ｇｂおよび軟部画像Ｇｓを導出するようにしてもよい。
　Ｇｂ（ｘ，ｙ）＝Ｇ１（ｘ，ｙ）－Ｋ１（ｘ，ｙ）×Ｇ２（ｘ，ｙ）　　（１２）
　Ｇｓ（ｘ，ｙ）＝Ｇ１（ｘ，ｙ）－Ｇｂ（ｘ，ｙ）　　　　　　　　　　（１３）

　次いで、構造物画像導出の第３の実施形態について説明する。上記構造物画像導出の第１の実施形態においては、軟部成分の減弱比を第１成分の特性として導出しているが、第３の実施形態においては、低エネルギー放射線および高エネルギー放射線の軟部成分による減弱係数である軟部減弱係数を第１成分の特性として導出するようにした点が第１の実施形態と異なる。

　図２２は構造物画像導出の第３の実施形態において行われる処理を模式的に示す図である。第３の実施形態においては、画像導出部２３が第１減弱画像ＣＬおよび第２減弱画像ＣＨを導出するまでの処理は上記第１および第２の実施形態と同一であるため、ここでは詳細な説明は省略する。

　第３の実施形態においては、画像導出部２３は、高エネルギーの放射線および低エネルギーの放射線のそれぞれについての脂肪および筋肉の減弱係数を使用して、第１および第２放射線画像Ｇ１，Ｇ２の各画素位置における脂肪の割合を導出する。そして、画像導出部２３は、導出した脂肪の割合に基づいて骨部領域および軟部領域を特定する。

　ここで、被写体Ｈによる放射線の減弱量は、軟部および骨部の厚さおよび線質（高エネルギーか低エネルギーか）に依存して決まる。このため、単位厚さあたりの減弱率を表す減弱係数をμとすると、低エネルギー画像および高エネルギー画像のそれぞれにおける各画素位置の放射線の減弱量ＣＬ０，ＣＨ０は、下記の式（１４）、（１５）により表すことができる。式（１４）、（１５）において、ｔｓは軟部の厚さ、ｔｂは骨部の厚さ、μＬｓは低エネルギー放射線の軟部減弱係数、μＬｂは低エネルギー放射線の骨部減弱係数、μＨＳは高エネルギー放射線の軟部減弱係数、μＨＢは高エネルギー放射線の骨部減弱係数である。
　CL0=μLs(ts,tb)×ts+μLb(ts,tb)×tb　　（１４）
　CH0=μHs(ts,tb)×ts+μHb(ts,tb)×tb　　（１５）

　式（１４）、（１５）における低エネルギー画像の減弱量ＣＬ０は第１減弱画像ＣＬの画素値に相当し、高エネルギー画像の減弱量ＣＨ０は第２減弱画像ＣＨの画素値に相当する。したがって、式（１４）、（１５）は下記の式（１６）、（１７）により表される。なお、式（１４）～（１７）はいずれも第１減弱画像ＣＬおよび第２減弱画像ＣＨの各画素における関係を表しているが、画素位置を表す（ｘ，ｙ）を省略している。
　CL=μLs(ts,tb)×ts+μLb(ts,tb)×tb　　（１６）
　CH=μHs(ts,tb)×ts+μHb(ts,tb)×tb　　（１７）

　軟部の厚さｔｓおよび骨部の厚さｔｂを変数として式（１６）、（１７）を解くことにより、軟部の厚さｔｓおよび骨部の厚さｔｂを導出することができる。式（１６）、（１７）を解くためには、低エネルギー放射線および高エネルギー放射線のそれぞれについての軟部減弱係数μＬｓ，μＨｓおよび骨部減弱係数μＬｂ，μＨｂが必要である。ここで、骨部は被写体Ｈに応じた組成の差がないため、軟部の厚さｔｓおよび骨部の厚さｔｂに応じた骨部減弱係数μＬｂ，μＨｂは予め用意することができる。

　一方、軟部は筋肉および脂肪が複雑に混じり合っており、かつ被写体Ｈに応じて筋肉および脂肪の割合が異なるため、予め用意することができない。このため、構造物画像導出の第３の実施形態においては、画像導出部２３は、第１減弱画像ＣＬおよび第２減弱画像ＣＨを用いて、低エネルギー放射線についての軟部減弱係数μＬｓおよび高エネルギー放射線についての軟部減弱係数μＨｓを導出する。以下、軟部減弱係数μＬｓ，μＨｓの導出について説明する。

　構造物画像導出の第３実施形態においては、軟部を構成する組成のうち、最も高密度の組成を筋肉、低密度の組成を脂肪とし、脂肪と筋肉とが混じり合った混合組成は、両者の減弱係数の中間の値となるという前提で軟部減弱係数を導出する。まず、画像導出部２３は、各画素位置における脂肪の割合をＮ％とし、Ｎを０から順次増加させつつ、脂肪の減弱係数と筋肉の減弱係数とをＮ：１００－Ｎの割合で重み付け加算することにより、低エネルギー放射線および高エネルギー放射線のそれぞれについての仮の軟部減弱係数μ０Ｌｓ，μ０Ｈｓを算出する。なお、脂肪と筋肉とが重なっている場合、放射線源３の側に存在する成分（通常は脂肪）の線質硬化の影響を受けて減弱係数が変化するが、本実施形態においては、線質硬化の影響は考慮しないものとする。このため、本実施形態において使用する脂肪の割合であるＮ％は被写体Ｈの実際の体脂肪率とは一致しない。実際の軟部減弱係数は、図２３に示す脂肪の減弱係数と筋肉の減弱係数との間の値となるとの仮定に基づく処理となる。

　次に画像導出部２３は、第１減弱画像ＣＬの画素値と低エネルギー画像についての仮の軟部減弱係数μ０Ｌｓとから下記の式（１８）により、脂肪の割合がＮ％の場合の体厚ＴＮを算出する。この際、骨部を含む画素も軟部のみで構成されていると仮定して体厚ＴＮを算出する。
　ＴＮ（ｘ，ｙ）＝ＣＬ（ｘ，ｙ）／μ０Ｌｓ（ｘ，ｙ）　　　（１８）

　次いで画像導出部２３は、式（１８）により算出した体厚ＴＮと、高エネルギー放射線についての仮の軟部減弱係数μ０Ｈｓとから、下記の式（１９）により高エネルギー放射線の減弱量ＣＨＮ１を算出する。そして、下記の式（２０）により減弱量ＣＨＮ１から第２減弱画像ＣＨを減算して差分値ΔＣＨを算出する。
　ＣＨＮ１（ｘ，ｙ）＝ＴＮ（ｘ，ｙ）×μ０Ｈｓ（ｘ，ｙ）　　（１９）
　ΔＣＨ（ｘ，ｙ）＝ＣＨＮ１（ｘ，ｙ）－ＣＨ（ｘ，ｙ）　　　（２０）

　差分値ΔＣＨが負である場合は、仮の軟部減弱係数μ０Ｌｓ，μ０Ｈｓが正解の軟部減弱係数より小さい、すなわち、より脂肪に近いことを表す。差分値ΔＣＨが正である場合は、仮の軟部減弱係数μ０Ｌｓ，μ０Ｈｓがより筋肉に近いことを表す。画像導出部２３は、第１減弱画像ＣＬおよび第２減弱画像ＣＨの全画素について、上記差分値ΔＣＨが０に近づくようにＮを変更しつつ仮の軟部減弱係数μ０Ｌｓ，μ０Ｈｓを算出する。そして、差分値ΔＣＨが０あるいは予め定められたしきい値以下となったときのＮを、その画素についての脂肪の割合に決定する。また、画像導出部２３は、決定された脂肪の割合Ｎを算出した際の仮の軟部減弱係数μ０Ｌｓ，μ０Ｈｓを軟部減弱係数μＬｓ，μＨｓに決定する。なお、差分値ΔＣＨが負の場合には脂肪の割合Ｎを大きくし、差分値ΔＣＨが正の場合には脂肪の割合Ｎを小さくするように変更すればよい。

　ここで、第１放射線画像Ｇ１および第２放射線画像Ｇ２における、骨部成分を含む領域の画素においては、脂肪の割合が０に近い値、または負の値となる。被写体Ｈが人間である場合、脂肪の割合が０となったり負となったりすることはあり得ない。このため、画像導出部２３は、第１放射線画像Ｇ１および第２放射線画像Ｇ２における脂肪の割合Ｎが０に近い値（例えば、予め定められたしきい値未満の値）、または負の値となる画素からなる領域を第１放射線画像Ｇ１および第２放射線画像Ｇ２における骨部領域に特定する。また、画像導出部２３は、第１放射線画像Ｇ１および第２放射線画像Ｇ２における骨部領域以外の領域を軟部領域に特定する。

　第３の実施形態において、画像導出部２３は、軟部減弱係数μＬｓ，μＨｓを第１の成分の特性として導出する。一方、画像導出部２３は、骨部領域における軟部減弱係数μＬｓ，μＨｓを、骨部領域の周囲にある軟部領域の軟部減弱係数を補間することにより導出する。なお、補間に代えて、軟部領域における軟部減弱係数μＬｓ，μＨｓの中央値、平均値あるいは減弱係数が小さい側から予め定められた割合となる値を，骨部領域についての軟部減弱係数μＬｓ，μＨｓとして導出するようにしてもよい。これにより、画像導出部２３は、第１放射線画像Ｇ１または第２放射線画像Ｇ２の少なくとも被写体Ｈの領域についての第１成分の特性を導出する。

　第３の実施形態において、画像導出部２３は、軟部成分が強調された軟部画像Ｇｓおよび骨部成分が強調された骨部画像Ｇｂを導出する。第３の実施形態においては、画像導出部２３が導出した軟部減弱係数μＬｓ，μＨｓと、予め導出された骨部減弱係数μＬｂ，μＨｂとに基づいて、軟部の厚さｔｓおよび骨部の厚さｔｂを導出し、導出した軟部の厚さｔｓおよび骨部の厚さｔｂに基づいて、軟部画像Ｇｓおよび骨部画像Ｇｂを導出する。

　軟部の厚さｔｓおよび骨部の厚さｔｂの導出には、上記式（１６）、（１７）を用いる。画像導出部２３は、上述したように、軟部の厚さｔｓおよび骨部の厚さｔｂを変数として式（１６）、（１７）を解くことにより、軟部の厚さｔｓおよび骨部の厚さｔｂを導出する。なお、導出される軟部の厚さｔｓおよび骨部の厚さｔｂは、第１減弱画像ＣＬおよび第２減弱画像ＣＨの各画素において導出されるが、以降の説明においては画素位置を表す（ｘ，ｙ）を省略している。

　画像導出部２３は、まず式（１７）により、骨部の厚さｔｂ＝０とした場合の軟部の厚さｔｓ０を算出する。ｔｂ＝０、ｔｓ＝ｔｓ０の場合、CH=μHs(ts,0)×ts0+μHb(ts0,0)×0=μHs(ts0,0)×ts0であるから、ｔｓ０は下記の式（２１）により算出される。また、画像導出部２３は、式（１７）により、軟部の厚さｔｓ＝０とした場合の骨部の厚さｔｂ
０を算出する。ｔｓ＝０、ｔｂ＝ｔｂ０の場合、CH=μHs(0,tb0)×0+μHb(0,tb0)×tb0であるから、ｔｓｂは下記の式（２２）により算出される。なお、式（２１）、（２２）においては画素位置を表す（ｘ，ｙ）は省略している。
　ｔｓ０＝ＣＨ／μＨＳ（ｔｓ０，０）　　　（２１）
　ｔｂ０＝ＣＨ／μＨｂ（ｔｂ０，０）　　　（２２）

　図２４は骨部の厚さおよび軟部の厚さに応じた減弱量の関係を示す図である。図２４において減弱量８３は、実際に被写体を撮影することにより導出される低エネルギー画像の画素値である減弱量および高エネルギー画像の画素値である減弱量を示す。説明のために、減弱量８３において、低エネルギー画像の画素値である減弱量および高エネルギー画像の画素値である減弱量には、それぞれ第１減弱画像および第２減弱画像と同一の符号ＣＬ、ＣＨを付与している。ここで、低エネルギー画像の減弱量および高エネルギー画像との減弱量は、組成が高密度であるほど大きくなる。このため、ｔｂ＝０、ｔｓ＝ｔｓ０とした場合の組成は、実際の骨部の厚さおよび軟部の厚さに基づく組成よりも密度が低くなる。したがって、ｔｂ＝０、ｔｓ＝ｔｓ０とした場合式（１６）により導出される第１減弱画像（ここでは仮の第１減弱画像ＣＬ′とする）の画素値すなわち減弱量は、図２４の減弱量８４に示すように、実際の骨部の厚さおよび軟部の厚さにより導出される第１減弱画像ＣＬの画素値よりも小さくなる（すなわちＣＬ＞ＣＬ′）。

　一方、ｔｂ＝ｔｂ０、ｔｓ＝０とした場合の組成は、実際の骨部の厚さおよび軟部の厚さに基づく組成よりも密度が高くなる。このため、ｔｂ＝ｔｂ０、ｔｓ＝０とした場合式（１６）により導出される仮の第１減弱画像ＣＬ′の画素値すなわち減弱量は、図２４の減弱量８５に示すように、実際の骨部の厚さおよび軟部の厚さにより導出される第１減弱画像ＣＬの画素値よりも小さくなる（すなわちＣＬ＜ＣＬ′）。

　なお、実際の骨部の厚さおよび軟部の厚さを用いて式（１６）により導出される仮の第１減弱画像ＣＬ′の画素値すなわち減弱量は，図２４の減弱量８６に示すように第１減弱画像ＣＬの画素値と同一となる。このことを利用して、画像導出部２３は、以下のようにして骨部の厚さｔｂおよび軟部の厚さｔｓを導出する。

　（ステップ１）
　まず、式（１７）において、第２減弱画像ＣＨの画素値および各画素において導出された軟部減弱係数μＨｓを用いて、仮の軟部の厚さｔｓｋを算出する。なお、仮の骨部の厚さｔｂｋの初期値としては０を用いる。

　（ステップ２）
　次いで、算出した仮の軟部の厚さｔｓｋ、仮の骨部の厚さｔｂｋ、低エネルギー放射線についての軟部減弱係数μＬｓおよび骨部減弱係数μＬｂを用いて上記式（１６）により、仮の第１減弱画像ＣＬ′を算出する。

　（ステップ３）
　次いで、仮の第１減弱画像ＣＬ′と第１減弱画像ＣＬとの差分値ΔＣＬを算出する。差分値ΔＣＬを、放射線が骨により減弱された分の画素値と仮定して、仮の骨部の厚さｔｂｋを更新する。

　（ステップ４）
　次いで、更新された仮の骨部の厚さｔｓｋおよび仮の軟部の厚さｔｂｋを用いて上記式（１７）により、仮の第２減弱画像ＣＨ′を算出する。

　（ステップ５）
　次いで、仮の第２減弱画像ＣＨ′と第２減弱画像ＣＨとの差分値ΔＣＨを算出する。差分値ΔＣＨを、放射線が軟部により減弱された分の画素値と仮定して、仮の軟部の厚さｔｓｋを更新する。

　そして、差分値ΔＣＬ，ΔＣＨの絶対値が予め定められたしきい値未満となるまでステップ１～５の処理を繰り返すことにより、軟部の厚さｔｓおよび骨部の厚さｔｂを導出する。なお、ステップ１～５の処理を予め定められた回数繰り返すことにより、軟部の厚さｔｓおよび骨部の厚さｔｂを導出するようにしてもよい。

　そして、画像導出部２３は、導出された軟部の厚さｔｓに基づいて軟部画像Ｇｓを導出し、導出された骨部の厚さｔｂに基づいて骨部画像Ｇｂを導出する。ここで、軟部画像Ｇｓは軟部の厚さｔｓに応じた大きさの画素値を有し、骨部画像Ｇｂは骨部の厚さｔｂに応じた大きさの画素値を有するものとなる。

　次いで、構造物画像導出の第３の実施形態において行われる処理について説明する。図２５は構造物画像導出の第３の実施形態において行われる処理を示すフローチャートである。なお、第１および第２の放射線画像は情報取得部２１により取得され、散乱線除去部２２により散乱線成分が除去されているものとする。まず、画像導出部２３は、第１放射線画像Ｇ１および第２放射線画像Ｇ２から第１減弱画像ＣＬおよび第２減弱画像ＣＨを導出し（減弱画像導出：ステップＳＴ３１）、第１減弱画像ＣＬまたは第２減弱画像ＣＨにおける軟部成分のみを含む軟部領域および骨部を含む骨部領域を特定する（ステップＳＴ３２）。次に、画像導出部２３は、軟部領域において放射線画像の減弱に関する軟部成分の特性（軟部減弱係数）を導出する（ステップＳＴ３３）。続いて、画像導出部２３は、骨部領域において軟部成分の特性を導出する（ステップＳＴ３４）。

　次いで、画像導出部２３は、軟部の厚さｔｓおよび骨部の厚さｔｂを導出し（ステップＳＴ３５）、軟部の厚さｔｓおよび骨部の厚さｔｂから骨部画像Ｇｂおよび軟部画像Ｇｓを導出し（ステップＳＴ３６）、処理を終了する。

　このように、構造物画像導出の第３の実施形態においては、第１放射線画像Ｇ１または第２放射線画像Ｇ２の骨部成分を含む骨部領域において、骨部領域の周囲にある軟部領域において導出した軟部成分の特性、すなわち軟部減弱係数に基づいて軟部減弱係数を導出するようにした。そして、第１放射線画像Ｇ１または第２放射線画像Ｇ２の少なくとも被写体Ｈの領域における軟部減弱係数に基づいて、軟部成分が強調された軟部画像Ｇｓおよび骨部成分が強調された骨部画像Ｇｂを導出するようにした。このため、骨部領域において軟部減弱係数を精度よく導出することができ、その結果、軟部成分および骨部成分が精度よく分離された軟部画像Ｇｓおよび骨部画像Ｇｂを導出することができる。

　次いで、構造物画像導出の第４の実施形態について説明する。図２６は構造物画像導出の第４の実施形態において行われる処理を模式的に示す図である。図２６に示すように、画像導出部２３は、第１減弱画像ＣＬまたは第２減弱画像ＣＨから骨部領域を検出する。なお、第１放射線画像Ｇ１または第２放射線画像Ｇ２から骨部領域を検出するようにしてもよい。このために、第４の実施形態においては、画像導出部２３は、第２の実施形態と同様に、放射線画像または減弱画像から骨部領域を検出するようにニューラルネットワークを機械学習することにより構築された学習済みモデルを用いる。この場合、学習済みモデルは、放射線画像または減弱画像の画素値に基づいて骨部領域を学習することにより、骨部領域を検出するように構築される。

　一方、放射線画像または減弱画像においては、骨部領域の画素値と軟部成分のみを含む軟部領域との画素値は大きく異なる。このため、放射線画像または減弱画像をしきい値処理することにより放射線画像または減弱画像から骨部領域を検出するようにしてもよい。また、放射線画像または減弱画像においては、骨部領域の画素値と軟部成分のみを含む軟部領域の画素値との相違により骨部領域の形状が特定されている。このため、放射線画像または減弱画像に含まれる被写体Ｈの部位に応じた骨部領域の形状を用いたテンプレートマッチングにより、放射線画像または減弱画像から骨部領域を検出するようにしてもよい。

　そして、構造物画像導出の第４の実施形態においては、画像導出部２３が、上述したように放射線画像または減弱画像の画素値に基づいて特定した骨部領域における軟部減弱係数を導出する。骨部領域における軟部減弱係数を導出した以降の処理は上記構造物画像導出の第３の実施形態と同様であるため、ここでは詳細な説明は省略する。

　なお、上記構造物画像導出の第３および第４の実施形態においては、第１減弱画像ＣＬ、第２減弱画像ＣＨを用いて軟部減弱係数を導出して骨部画像Ｇｂおよび軟部画像Ｇｓを導出しているが、これに限定されるものではない。第１放射線画像Ｇ１および第２放射線画像Ｇ２から軟部減弱係数を導出し、骨部の厚さおよび軟部の厚さを導出して骨部画像Ｇｂおよび軟部画像Ｇｓを導出するようにしてもよい。

　また、上記実施形態における放射線は、とくに限定されるものではなく、Ｘ線の他、α線またはγ線等を用いることができる。

　また、上記実施形態において、例えば、情報取得部２１、散乱線除去部２２、画像導出部２３、情報導出部２４、学習部２５、教師データ導出部２６、および表示制御部２７といった各種の処理を実行する処理部（Processing Unit）のハードウェア的な構造としては、次に示す各種のプロセッサ（Processor）を用いることができる。上記各種のプロセッサには、上述したように、ソフトウェア（プログラム）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵに加えて、ＦＰＧＡ（Field　Programmable Gate Array）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device :PLD）、ＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。

　１つの処理部は、これらの各種のプロセッサのうちの１つで構成されてもよいし、同種または異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせまたはＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。

　複数の処理部を１つのプロセッサで構成する例としては、第１に、クライアントおよびサーバ等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアとの組み合わせで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（System On Chip:SoC）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサの１つ以上を用いて構成される。

　さらに、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子等の回路素子を組み合わせた電気回路（Circuitry）を用いることができる。

　以下、本開示の付記項を記載する。
（付記項１）
　少なくとも１つのプロセッサを備え、
　前記プロセッサは、
　被写体の少なくとも１つの放射線画像に基づいて、前記被写体内の少なくとも１つの構造物を表す構造物画像を取得し、
　前記構造物画像の入力により、前記構造物画像に含まれる前記構造物についての基準位置に対する放射線のずれ角および前記構造物の前記基準位置における組成情報の推定結果を出力する学習済みモデルを用いることにより、前記構造物画像に含まれる前記構造物の基準位置に対するずれ角および前記構造物の前記基準位置における組成情報を導出する画像処理装置。
（付記項２）
　前記プロセッサは、エネルギー分布が異なる放射線により骨部および軟部を含む被写体を撮影することにより取得された第１の放射線画像および第２の放射線画像を取得し、
　前記第１の放射線画像および前記第２の放射線画像を重み付け減算することにより、前記構造物画像を導出する付記項１に記載の画像処理装置。
（付記項３）
　前記プロセッサは、前記第１の放射線画像および前記第２の放射線画像の散乱線成分を除去して第１の一次線画像および第２の一次線画像を導出し、
　前記第１の一次線画像および前記第２の一次線画像に基づいて、前記構造物画像を導出する付記項２に記載の画像処理装置。
（付記項４）
　前記構造物は前記被写体に含まれる骨部であり、
　前記組成情報は骨密度である付記項１から３のいずれか１項に記載の画像処理装置。
（付記項５）
　前記骨部は大腿骨である付記項４に記載の画像処理装置。
（付記項６）
　前記骨部は椎骨である付記項４に記載の画像処理装置。
（付記項７）
　前記構造物は、前記被写体に含まれる軟部であり、
　前記組成情報は前記軟部の厚さである付記項１から６のいずれか１項に記載の画像処理装置。
（付記項８）
　少なくとも１つのプロセッサを備え、
　前記プロセッサは、
　被写体内の少なくとも１つの構造物を含む学習用構造物画像、前記学習用構造物画像に含まれる前記構造物についての基準位置に対する放射線のずれ角、前記学習用構造物画像に含まれる前記構造物の基準位置における組成情報を含む教師データを用いてニューラルネットワークを学習し、
　前記学習により、被写体内の少なくとも１つの構造物を含む構造物画像の入力により、前記構造物画像に含まれる前記構造物についての基準位置に対する放射線のずれ角および前記構造物の前記基準位置における組成情報の推定結果を出力する学習済みモデルを構築する学習装置。
（付記項９）
　前記プロセッサは、前記被写体の３次元画像に含まれる前記構造物を前記基準位置に対するずれ角に基づいて投影することにより前記学習用構造物画像を導出し、
　前記３次元画像に含まれる前記構造物を前記構造物が基準位置となる基準方向に投影した場合における前記構造物の組成情報を、前記構造物の前記基準位置における組成情報として導出することにより、前記教師データを導出する付記項８に記載の学習装置。
（付記項１０）
　前記構造物は骨部であり、
　前記プロセッサは、前記３次元画像に含まれる前記骨部の３次元的な骨密度を導出し、
　前記３次元的な骨密度に前記骨部の前記基準方向における厚さを乗算することにより、
前記骨部の２次元的な骨密度を前記構造物の前記基準位置における組成情報として導出する付記項９に記載の学習装置。
（付記項１１）
　被写体の少なくとも１つの放射線画像に基づいて、前記被写体内の少なくとも１つの構造物を表す構造物画像を取得し、
　前記構造物画像の入力により、前記構造物画像に含まれる前記構造物についての基準位置に対する放射線のずれ角および前記構造物の前記基準位置における組成情報の推定結果を出力する学習済みモデルを用いることにより、前記構造物画像に含まれる前記構造物の基準位置に対するずれ角および前記構造物の前記基準位置における組成情報を導出する画像処理方法。
（付記項１２）
　被写体内の少なくとも１つの構造物を含む学習用構造物画像、前記学習用構造物画像に含まれる前記構造物についての基準位置に対する放射線のずれ角、前記学習用構造物画像に含まれる前記構造物の基準位置における組成情報を含む教師データを用いてニューラルネットワークを学習し、
　前記学習により、被写体内の少なくとも１つの構造物を含む構造物画像の入力により、前記構造物画像に含まれる前記構造物についての基準位置に対する放射線のずれ角および前記構造物の前記基準位置における組成情報の推定結果を出力する学習済みモデルを構築する学習方法。
（付記項１３）
　被写体の少なくとも１つの放射線画像に基づいて、前記被写体内の少なくとも１つの構造物を表す構造物画像を取得する手順と、
　前記構造物画像の入力により、前記構造物画像に含まれる前記構造物についての基準位置に対する放射線のずれ角および前記構造物の前記基準位置における組成情報の推定結果を出力する学習済みモデルを用いることにより、前記構造物画像に含まれる前記構造物の基準位置に対するずれ角および前記構造物の前記基準位置における組成情報を導出する手順とをコンピュータに実行させる画像処理プログラム。
（付記項１４）
　被写体内の少なくとも１つの構造物を含む学習用構造物画像、前記学習用構造物画像に含まれる前記構造物についての基準位置に対する放射線のずれ角、前記学習用構造物画像に含まれる前記構造物の基準位置における組成情報を含む教師データを用いてニューラルネットワークを学習する手順と、
　前記学習により、被写体内の少なくとも１つの構造物を含む構造物画像の入力により、前記構造物画像に含まれる前記構造物についての基準位置に対する放射線のずれ角および前記構造物の前記基準位置における組成情報の推定結果を出力する学習済みモデルを構築する手順とをコンピュータに実行させる学習プログラム。

　　　１　　撮影装置
　　　３　　放射線源
　　　５，６　放射線検出器
　　　７　　放射線エネルギー変換フィルタ
　　　９　　画像保存システム
　　　１０　　画像処理装置
　　　１１　　ＣＰＵ
　　　１２Ａ　　画像処理プログラム
　　　１２Ｂ　　学習プログラム
　　　１３　　ストレージ
　　　１４　　ディスプレイ
　　　１５　　入力デバイス
　　　１６　　メモリ
　　　１７　　ネットワークＩ／Ｆ
　　　１８　　バス
　　　２１　　情報取得部
　　　２２　　散乱線除去部
　　　２３　　画像導出部
　　　２４　　情報導出部
　　　２４Ａ，２４Ｂ　　学習済みモデル
　　　２５　　学習部
　　　２６　　教師データ導出部
　　　２７　　表示制御部
　　　３０　　大腿骨
　　　３５　　グラフ
　　　４０　　教師データ
　　　４１　　学習用骨部画像
　　　４２　　正解データ
　　　４３　　ずれ角
　　　４４　　骨密度
　　　５０　　ニューラルネットワーク
　　　５１　　入力層
　　　５２　　中間層
　　　５３　　出力層
　　　５５　　出力データ
　　　５５Ａ　　ずれ角
　　　５５Ｂ　　骨密度
　　　５６　　パラメータ
　　　６０　　大腿骨
　　　６１　　基準投影面
　　　６２　　投影面
　　　７０　　表示画面
　　　７１　　画像表示領域
　　　７２　　ずれ角
　　　７３　　骨密度
　　　８３～８６　　減弱量
　　　Ｄ０，Ｄ１　　骨密度
　　　Ｇｂ　　骨部画像
　　　Ｇｓ　　軟部画像
　　　Ｌ１，Ｌ２　　損失
　　　ＬＵＴ１　　ルックアップテーブル
　　　α０，α１　　ずれ角

Claims

　少なくとも１つのプロセッサを備え、
　前記プロセッサは、
　被写体の少なくとも１つの放射線画像に基づいて、前記被写体内の少なくとも１つの構造物を表す構造物画像を取得し、
　前記構造物画像の入力により、前記構造物画像に含まれる前記構造物についての基準位置に対する放射線のずれ角および前記構造物の前記基準位置における組成情報の推定結果を出力する学習済みモデルを用いることにより、前記構造物画像に含まれる前記構造物の基準位置に対するずれ角および前記構造物の前記基準位置における組成情報を導出する画像処理装置。
　前記プロセッサは、エネルギー分布が異なる放射線により骨部および軟部を含む被写体を撮影することにより取得された第１の放射線画像および第２の放射線画像を取得し、
　前記第１の放射線画像および前記第２の放射線画像を重み付け減算することにより、前記構造物画像を導出する請求項１に記載の画像処理装置。
　前記プロセッサは、前記第１の放射線画像および前記第２の放射線画像の散乱線成分を除去して第１の一次線画像および第２の一次線画像を導出し、
　前記第１の一次線画像および前記第２の一次線画像に基づいて、前記構造物画像を導出する請求項２に記載の画像処理装置。
　前記構造物は前記被写体に含まれる骨部であり、
　前記組成情報は骨密度である請求項１から３のいずれか１項に記載の画像処理装置。
　前記骨部は大腿骨である請求項４に記載の画像処理装置。
　前記骨部は椎骨である請求項４に記載の画像処理装置。
　前記構造物は、前記被写体に含まれる軟部であり、
　前記組成情報は前記軟部の厚さである請求項１に記載の画像処理装置。
　少なくとも１つのプロセッサを備え、
　前記プロセッサは、
　被写体内の少なくとも１つの構造物を含む学習用構造物画像、前記学習用構造物画像に含まれる前記構造物についての基準位置に対する放射線のずれ角、前記学習用構造物画像に含まれる前記構造物の基準位置における組成情報を含む教師データを用いてニューラルネットワークを学習し、
　前記学習により、被写体内の少なくとも１つの構造物を含む構造物画像の入力により、前記構造物画像に含まれる前記構造物についての基準位置に対する放射線のずれ角および前記構造物の前記基準位置における組成情報の推定結果を出力する学習済みモデルを構築する学習装置。
　前記プロセッサは、前記被写体の３次元画像に含まれる前記構造物を前記基準位置に対するずれ角に基づいて投影することにより前記学習用構造物画像を導出し、
　前記３次元画像に含まれる前記構造物を前記構造物が基準位置となる基準方向に投影した場合における前記構造物の組成情報を、前記構造物の前記基準位置における組成情報として導出することにより、前記教師データを導出する請求項８に記載の学習装置。
　前記構造物は骨部であり、
　前記プロセッサは、前記３次元画像に含まれる前記骨部の３次元的な骨密度を導出し、
　前記３次元的な骨密度に前記骨部の前記基準方向における厚さを乗算することにより、前記骨部の２次元的な骨密度を前記構造物の前記基準位置における組成情報として導出する請求項９に記載の学習装置。
　被写体の少なくとも１つの放射線画像に基づいて、前記被写体内の少なくとも１つの構造物を表す構造物画像を取得し、
　前記構造物画像の入力により、前記構造物画像に含まれる前記構造物についての基準位置に対する放射線のずれ角および前記構造物の前記基準位置における組成情報の推定結果を出力する学習済みモデルを用いることにより、前記構造物画像に含まれる前記構造物の基準位置に対するずれ角および前記構造物の前記基準位置における組成情報を導出する画像処理方法。
　被写体内の少なくとも１つの構造物を含む学習用構造物画像、前記学習用構造物画像に含まれる前記構造物についての基準位置に対する放射線のずれ角、前記学習用構造物画像に含まれる前記構造物の基準位置における組成情報を含む教師データを用いてニューラルネットワークを学習し、
　前記学習により、被写体内の少なくとも１つの構造物を含む構造物画像の入力により、前記構造物画像に含まれる前記構造物についての基準位置に対する放射線のずれ角および前記構造物の前記基準位置における組成情報の推定結果を出力する学習済みモデルを構築する学習方法。
　被写体の少なくとも１つの放射線画像に基づいて、前記被写体内の少なくとも１つの構造物を表す構造物画像を取得する手順と、
　前記構造物画像の入力により、前記構造物画像に含まれる前記構造物についての基準位置に対する放射線のずれ角および前記構造物の前記基準位置における組成情報の推定結果を出力する学習済みモデルを用いることにより、前記構造物画像に含まれる前記構造物の基準位置に対するずれ角および前記構造物の前記基準位置における組成情報を導出する手順とをコンピュータに実行させる画像処理プログラム。
　被写体内の少なくとも１つの構造物を含む学習用構造物画像、前記学習用構造物画像に含まれる前記構造物についての基準位置に対する放射線のずれ角、前記学習用構造物画像に含まれる前記構造物の基準位置における組成情報を含む教師データを用いてニューラルネットワークを学習する手順と、
　前記学習により、被写体内の少なくとも１つの構造物を含む構造物画像の入力により、前記構造物画像に含まれる前記構造物についての基準位置に対する放射線のずれ角および前記構造物の前記基準位置における組成情報の推定結果を出力する学習済みモデルを構築する手順とをコンピュータに実行させる学習プログラム。