JP2020168200A - 医用画像処理装置 - Google Patents

Abstract

【課題】複数の医用データに関する被検体の同定精度を向上させること。【解決手段】実施形態に係る医用画像処理装置は、予測部と判定部とを備える。予測部は、第１被検体に関して第１年齢で取得された第１医用データを学習済み予測モデルに入力し、第２年齢までの撮影対象部位の経時変化を前記第１医用データに反映させた予測データを出力させる。判定部は、前記第２年齢において取得された第２医用データと前記予測データとを学習済み判定モデルに入力し、前記第２医用データに関する第２被検体と前記第１被検体とが同一であるか否かの判定結果を出力させる。【選択図】 図１

Description

本発明の実施形態は、医用画像処理装置に関する。

近年、医療情報の地域連携が進んでいる。かかる場合、例えば、地域連携を行っている医療機関同士で、医用画像を含む医用データの共有が行われる。しかし、医療機関ごとに同一の患者に対して異なる患者ＩＤが割り振られている場合、複数の医用画像に対する被検体の同定が重要になる。被検体の取り違えが生じると、誤診や被検体への不要な被曝が生じるリスクがある。

この問題を解決するため、現在の被検体画像から抽出される解剖学的ランドマークと、データベースに保存されている過去の被検体画像から抽出されるランドマークとの類似度を算出して、同一患者か否かの同定を行う技術が知られている。このような技術では、被検体の経時変化が考慮されていない。このため、被検体の経時変化に左右されず、高い精度で被検体の同定を行う技術が求められている。

特開２０１７−１６７９６５号公報

クリストファー M. ビショップ（Christopher M. Bishop）著、「パターン認識と機械学習（Pattern recognition and machine learning）」、（米国）、第１版、スプリンガー（Springer）、2006年、P.225-290

本発明が解決しようとする課題は、複数の医用データに関する被検体の同定の精度を向上させることである。

実施形態に係る医用画像処理装置は、予測部と、判定部とを備える。
前記予測部は、第１被検体の撮影対象部位に関して第１年齢で取得された第１医用データを受け付け、前記第１年齢から前記第１年齢とは異なる第２年齢までの前記撮影対象部位の経時変化を前記第１医用データに反映させた予測データを出力する学習済み予測モデルに前記第１医用データを入力し、前記学習済み予測モデルに前記予測データを出力させる。
前記判定部は、前記第２年齢において前記撮影対象部位に関して取得された第２医用データと前記予測データとを受け付けて前記第２医用データに関する第２被検体と前記第１被検体とが同一であるか否かの判定結果を出力する学習済み判定モデルに前記第２医用データと前記予測データとを入力し、前記学習済み判定モデルに前記判定結果を出力させる。

図１は、第１の実施形態に係るＸ線診断装置の構成を例示する図である。 図２は、第１の実施形態に係るＸ線診断装置による学習済み予測モデルにおける入力と出力との組み合わせの一例を例示する図である。 図３は、第１の実施形態に係るＸ線診断装置による学習済み判定モデルにおける入力と出力との組み合わせの一例を例示する図である。 図４は、第１の実施形態に係るＸ線診断装置による被検体同定処理の処理手順を例示するフローチャートである。 図５は、第１の実施形態の第１の変形例に係るＸ線診断装置の構成を例示する図である。 図６は、第１の実施形態の第１の変形例に係るＸ線診断装置による予測処理及び判定処理におけるデータの流れを例示する図である。 図７は、第１の実施形態の第１の変形例に係るＸ線診断装置による被検体同定処理の処理手順を例示するフローチャートである。 図８は、第１の実施形態の第２の変形例に係るＸ線診断装置の構成を例示する図である。 図９は、第１の実施形態の第２の変形例に係るＸ線診断装置の記憶部に記憶された学習済み予測モデル及び学習済み判定モデルを例示する図である。 図１０は、第１の実施形態の第２の変形例に係るＸ線診断装置による被検体同定処理の処理手順を例示するフローチャートである。 図１１は、第１の実施形態の第３の変形例に係るＸ線診断装置による学習済み予測モデルにおける入力と出力との組み合わせの一例を例示する図である。 図１２は、第１の実施形態の第３の変形例に係るＸ線診断装置による学習済み判定モデルにおける入力と出力との組み合わせの一例を例示する図である。 図１３は、第１の実施形態に係る学習済み予測モデルの生成に用いられる学習用データの一例を示す図である。 図１４は、第１の実施形態に係る学習済み判定モデルの生成に用いられる学習用データの一例を示す図である。 図１５は、第１の実施形態の第１の変形例に係る学習済み非病変予測モデルの生成に用いられる学習用データの一例を示す図である。 図１６は、第１の実施形態の第１の変形例に係る学習済み病変予測モデルの生成に用いられる学習用データの一例を示す図である。 図１７は、第１の実施形態の第１の変形例に係る学習済み判定モデルの生成に用いられる学習用データの一例を示す図である。 図１８は、モデル学習装置の構成を例示する図である。 図１９は、モデル学習装置による予測モデル生成処理の処理手順を例示するフローチャートである。

以下、図面を参照しながら、医用画像処理装置を搭載した医用画像診断装置の実施形態について詳細に説明する。以下の説明において、略同一の機能及び構成を有する構成要素については、同一符号を付し、重複説明は必要な場合にのみ行う。以下の実施形態では、医用画像診断装置としてＸ線診断装置を用いた例について説明する。なお、以下の実施形態に係る医用画像診断装置は、例えば、Ｘ線診断装置等の単一モダリティ装置であっても良いし、ＰＥＴ（Positron Emission Tomography）／ＣＴ装置、ＳＰＥＣＴ（Single Photon Emission CT）／ＣＴ装置等の複合モダリティ装置であっても良い。医用画像診断装置は、被検体に対し、モダリティ装置種に応じた撮影原理の医用撮影を施し、当該被検体に関する医用データを収集する。医用データは、例えば、医用画像診断装置がＸ線コンピュータ断層撮影装置である場合における投影データ、サイノグラムデータ又は再構成画像、医用画像診断装置がＰＥＴ装置である場合におけるコインシデンスデータ又はサイノグラムデータなどである。

（第１の実施形態）
図１は、第１の実施形態に係るＸ線診断装置１の構成例を示す図である。図１に示すように、Ｘ線診断装置１は、撮影装置１０、寝台装置３０及びコンソール装置４０を備えている。撮影装置１０は、高電圧発生装置１１、Ｘ線発生部１２、Ｘ線検出器１３、Ｃアーム１４、及びＣアーム駆動装置１４２を備えている。

高電圧発生装置１１は、Ｘ線管の陰極から発生する熱電子を加速するために、陽極と陰極の間に印加する高電圧を発生させてＸ線管へ出力する。

Ｘ線発生部１２は、被検体Ｐに対してＸ線を照射するＸ線管と、照射Ｘ線量を減衰或いは低減させる機能を有するＲＯＩ（Region Of Interest）フィルタ及びＸ線絞りを備えている。

Ｘ線管は、Ｘ線を発生させる真空管である。Ｘ線管は、陰極（フィラメント）より放出された熱電子を高電圧によって加速させる。Ｘ線管は、この加速電子をタングステン陽極に衝突させることでＸ線を発生させる。

ＲＯＩフィルタはＸ線管とＸ線絞りの間に位置し、銅やアルミニウム等の金属板で構成される。ＲＯＩフィルタは少なくとも一部、例えば中央部に開口領域を有し、開口領域外のＸ線を減衰させる。このため、ＲＯＩフィルタは、開口領域のＸ線通過領域ではＸ線を全透過させ、それ以外の領域のＸ線を減衰して透過させる。ＲＯＩフィルタは、操作者が入力インターフェース４３から入力した関心領域に応じて、図示しない駆動装置により駆動される。

Ｘ線絞りは、Ｘ線管とＸ線検出器１３の間に位置し、金属板としての鉛板で構成される。Ｘ線絞りは、開口領域外のＸ線を遮蔽することにより、Ｘ線管が発生したＸ線を、被検体Ｐの関心領域にのみ照射されるように絞り込む。例えば、Ｘ線絞りは４枚の絞り羽根を有し、これらの絞り羽根をスライドさせることで、Ｘ線の遮蔽される領域を任意のサイズに調節する。Ｘ線絞りの絞り羽根は、操作者が入力インターフェース４３から入力した関心領域に応じて、図示しない駆動装置により駆動される。

Ｘ線検出器１３は、被検体Ｐを透過したＸ線を検出する。このようなＸ線検出器１３としては、Ｘ線を直接電荷に変換するものと、光に変換した後、電荷に変換するものとが使用可能であり、ここでは前者を例に説明するが後者であっても構わない。すなわち、Ｘ線検出器１３は、例えば、被検体Ｐを透過したＸ線を電荷に変換して蓄積する平面状のＦＰＤ（Flat Panel Detector）と、このＦＰＤに蓄積された電荷を読み出すための駆動パルスを生成するゲートドライバとを備えている。ＦＰＤの大きさは、例えば８〜１２インチである。ＦＰＤは微小な検出素子を列方向及びライン方向に２次元的に配列して構成される。各々の検出素子はＸ線を感知し、入射Ｘ線量に応じて電荷を生成する光電膜と、この光電膜に発生した電荷を蓄積する電荷蓄積コンデンサと、電荷蓄積コンデンサに蓄積された電荷を所定のタイミングで出力するＴＦＴ（薄膜トランジスタ）を備えている。蓄積された電荷はゲートドライバが供給する駆動パルスによって順次読み出される。

Ｃアーム１４は、Ｘ線発生部１２とＸ線検出器１３とを被検体Ｐ及び天板３３を挟んで対向するように保持することで、天板３３上の被検体ＰのＸ線撮影を行うことができる構成を有する。Ｃアーム１４は、スライド可能、かつ、複数の回転軸のそれぞれを中心に回転可能に支持される。Ｃアーム１４は、スライド及び回転に係る動作を実現するための複数の動力源が該当する適当な箇所に備えられている。これらの動力源はＣアーム駆動装置１４２を構成する。Ｃアーム駆動装置１４２は、駆動制御機能４４２からの駆動信号を読み込んでＣアーム１４をスライド運動、回転運動、直線運動させる。

寝台装置３０は、被検体Ｐを載置、移動させる装置であり、基台３１と、寝台駆動装置３２と、天板３３と、支持フレーム３４とを備えている。

基台３１は、床面に設置され、支持フレーム３４を鉛直方向（Ｚ方向）に移動可能に支持する筐体である。

寝台駆動装置３２は、寝台装置３０の筐体内に収容され、被検体Ｐが載置された天板３３を天板３３の長手方向（Ｙ方向）に移動するモータあるいはアクチュエータである。寝台駆動装置３２は、駆動制御機能４４２からの駆動信号を読み込んで、天板３３を床面に対して水平方向や垂直方向に移動させる。Ｃアーム１４または天板３３が移動することにより、被検体Ｐに対する撮影軸の位置関係が変化する。なお、寝台駆動装置３２は、天板３３に加え、支持フレーム３４を天板３３の長手方向に移動してもよい。

天板３３は、支持フレーム３４の上面に設けられ、被検体Ｐが載置される板である。

支持フレーム３４は、基台３１の上部に設けられ、天板３３をその長手方向に沿ってスライド可能に支持する。

なお、寝台装置３０は、天板３３が支持フレーム３４に対して移動可能であってもよいし、天板３３と支持フレーム３４とが一緒に、基台３１に対して移動可能であってもよい。

コンソール装置４０は、メモリ４１、ディスプレイ４２、入力インターフェース４３及び処理回路４４を備えている。なお、コンソール装置４０は撮影装置１０とは別体として説明するが、撮影装置１０にコンソール装置４０又はコンソール装置４０の各構成要素の一部が含まれてもよい。コンソール装置４０は、例えば、医用画像処理装置に相当する。

なお、以下、コンソール装置４０は、単一のコンソールにて複数の機能を実行するものとして説明するが、複数の機能を別々のコンソールが実行することにしても構わない。例えば、後述の画像生成機能４４４等の処理回路４４の機能は、異なるコンソール装置に分散して搭載されても構わない。

メモリ４１は、種々の情報を記憶するＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、集積回路等の記憶装置である。また、メモリ４１は、ＨＤＤやＳＳＤ等以外にも、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）、フラッシュメモリ等の可搬性記憶媒体であってもよい。なお、メモリ４１は、フラッシュメモリ、ＲＡＭ（Random Access Memory）等の半導体メモリ素子等との間で種々の情報を読み書きする駆動装置であってもよい。また、メモリ４１の保存領域は、Ｘ線診断装置１内にあってもよいし、ネットワークで接続された外部記憶装置内にあってもよい。

メモリ４１は、例えば、Ｘ線画像、処理回路４４によって実行されるプログラム、処理回路４４の処理に用いられる学習済みモデル、及び処理回路４４の処理に用いられる各種データなどを記憶する。また、メモリ４１は、Ｘ線画像データに付帯させて撮影条件を記憶する。メモリ４１は、記憶部の一例である。

撮影条件は、例えば、Ｘ線条件（管電流、管電圧及びＸ線曝射継続時間等）、検出器空間分解能、撮影対象部位、撮影対象の種類、撮影時の年月日、及び被検体情報等のうち少なくとも１つを含む。被検体情報は、例えば、被検体の性別、被検体の人種、被検体の生年月日、及び被検体の年齢情報などのうち少なくとも１つを含む患者情報に相当する。被検体の年齢情報は、例えば、撮影時における被検体の年齢である。

ここで、年齢は、被検体の生誕日から撮影時までの経過期間を示す数値として定義される。年齢は、例えば、０歳、１歳、１０歳、８０歳などの年単位の数値であってもよく、例えば、生後４０日、生後４月、生後１年６月などのように、日単位の数値、月単位の数値、及び年単位の数値の組み合わせであってもよい。

メモリ４１には、学習済み予測モデルＭ１と学習済み判定モデルＭ２とが記憶されている。学習済み予測モデルＭ１及び学習済み判定モデルＭ２のそれぞれは、学習済みの機械学習モデルであり、複数の関数が合成されたパラメータ付き合成関数である。パラメータ付き合成関数は、複数の調整可能な関数及びパラメータの組合せにより定義される。

学習済み予測モデルＭ１及び学習済み判定モデルＭ２のそれぞれは、例えば、クリストファー M. ビショップ（Christopher M. Bishop）著、「パターン認識と機械学習（Pattern recognition and machine learning）」、（米国）、第１版、スプリンガー（Springer）、2006年、P.225-290に記載のニューラルネットワークによって実現される。学習済み予測モデルＭ１と学習済み判定モデルＭ２のそれぞれは、上記の要請を満たす如何なるパラメータ付き合成関数であっても良い。

以下の説明において学習済みの機械学習モデルは、入力データに基づいて対応する出力データを出力できるように各パラメータが学習された多層のネットワークモデルである。なお、学習済みの機械学習モデルは、メモリ４１に学習済みモデルなどのプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むよう構成されていても構わない。すなわち、学習済みの機械学習モデルは、処理回路４４におけるＡＳＩＣ（Application Specific Integrated Circuit）、或いはプログラマブル論理デバイスにプリセットされてもよい。換言すれば、学習済みモデルは、ＡＳＩＣ、或いはプログラマブル論理デバイスで作りこまれていてもよい。

また、以下の説明において多層のネットワークモデルは、生物の脳の神経回路を模した深層ニューラルネットワーク（ＤＮＮ：Deep Neural Network）であるとする。なお、多層のネットワークモデルは、ＤＮＮに限定されず、例えば、コンボリューションニューラルネットワーク（ＣＮＮ：Convolution Neural Network）が多層のネットワークモデルとして用いられてもよい。

図２は、学習済み予測モデルＭ１への入力と出力との一例を例示する図である。図２に示すように、学習済み予測モデルＭ１は、過去Ｘ線画像、過去年齢、及び現在年齢を受け付け、予測Ｘ線画像を出力する。

過去Ｘ線画像は、被検体の撮影対象部位を過去に撮影することにより取得されたＸ線画像である。過去Ｘ線画像は、第１医用データに相当する。過去Ｘ線画像に関する被検体は、第１被検体と称されてもよい。

過去年齢は、過去Ｘ線画像に関する撮影が実施された時点における被検体の年齢である。過去年齢は、第１年齢と称されてもよい。

現在年齢は、過去年齢とは異なる。現在年齢は、現在における被検体の年齢である。現在年齢は、第２年齢と称されてもよい。

予測Ｘ線画像は、過去年齢から現在年齢までの撮影対象部位の経時変化を過去Ｘ線画像に反映させたＸ線画像である。予測Ｘ線画像に関する被検体は、過去Ｘ線画像に関する被検体、すなわち、第１被検体と同一である。予測Ｘ線画像は、予測データに相当する。

すなわち、学習済み予測モデルＭ１は、第１医用データ、第１年齢及び第２年齢を受け付け、予測データを出力する。

図３は、学習済み判定モデルＭ２への入力と出力との一例を示す図である。図３に示すように、学習済み判定モデルＭ２は、現在Ｘ線画像と予測Ｘ線画像とを受け付け、現在Ｘ線画像に関する被検体と予測Ｘ線画像に関する被検体とが同一であるか否かの判定結果を出力する。

現在Ｘ線画像は、過去Ｘ線画像に関する撮影対象部位と同一の撮影対象部位を現在で撮影することにより取得されたＸ線画像である。現在Ｘ線画像は、例えば、医用データを共有する複数の医療機関において、過去Ｘ線画像が撮影された医療機関とは異なる医療機関で撮影された医用データである。現在Ｘ線画像は、第２医用データに相当する。以下、現在Ｘ線画像に関する被検体を、第２被検体と呼ぶ。

すなわち、学習済み判定モデルＭ２は、第２医用データと予測データとを受け付け、第２被検体と第１被検体とが同一であるか否かの判定結果を出力する。また、第１医用データは、第２医用データより過去において取得された医用データである。

図１に戻り、ディスプレイ４２は、各種の情報を表示する。例えば、ディスプレイ４２は、処理回路４４によって生成された医用画像（Ｘ線画像）や、操作者からの各種操作を受け付けるためのＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）等を出力する。例えば、ディスプレイ４２は、液晶ディスプレイやＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）ディスプレイである。また、ディスプレイ４２は、表示部の一例である。また、ディスプレイ４２は、撮影装置１０に設けられてもよい。また、ディスプレイ４２は、デスクトップ型でもよいし、コンソール装置４０本体と無線通信可能なタブレット端末等で構成されることにしても構わない。

入力インターフェース４３は、操作者からの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路４４に出力する。例えば、入力インターフェース４３は、被検体情報、撮影条件、各種コマンド信号の入力等を操作者から受け付ける。例えば、入力インターフェース４３は、Ｃアーム１４の移動指示及び関心領域（ＲＯＩ）の設定などを行うためのトラックボール、マウスやキーボード、トラックボール、スイッチ、ボタン、ジョイスティック、操作面へ触れることで入力操作を行うタッチパッド、及び表示画面とタッチパッドとが一体化されたタッチパネルディスプレイ等により実現される。また、入力インターフェース４３は、入力部の一例である。また、入力インターフェース４３は、撮影装置１０に設けられてもよい。また、入力インターフェース４３は、コンソール装置４０本体と無線通信可能なタブレット端末等で構成されることにしても構わない。なお、入力インターフェース４３はマウス、キーボードなどの物理的な操作部品を備えるものだけに限られない。例えば、装置とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を処理回路４４へ出力する電気信号の処理回路も入力インターフェース４３の例に含まれる。

処理回路４４は、Ｘ線診断装置１全体の動作を制御する。処理回路４４は、メモリ４１内のプログラムを呼び出し実行することにより、システム制御機能４４１、駆動制御機能４４２、Ｘ線制御機能４４３、画像生成機能４４４、表示制御機能４４５、予測機能４４６及び判定機能４４７を実行するプロセッサである。

なお、図１においては、単一の処理回路４４にてシステム制御機能４４１、駆動制御機能４４２、Ｘ線制御機能４４３、画像生成機能４４４、表示制御機能４４５、予測機能４４６及び判定機能４４７が実現されるものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路を構成し、各プロセッサがプログラムを実行することにより各機能を実現するものとしても構わない。また、システム制御機能４４１、駆動制御機能４４２、Ｘ線制御機能４４３、画像生成機能４４４、表示制御機能４４５、予測機能４４６及び判定機能４４７は、それぞれシステム制御回路、駆動制御回路、Ｘ線制御回路、画像処理回路、表示制御回路、予測回路及び判定回路と呼んでもよく、個別のハードウェア回路として実装してもよい。

上記説明において用いた「プロセッサ」という文言は、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、或いは、ＡＳＩＣ、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ）等の回路を意味する。プロセッサは記憶回路に保存されたプログラムを読み出し実行することで機能を実現する。なお、記憶回路にプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むよう構成しても構わない。この場合、プロセッサは回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。なお、本実施形態の各プロセッサは、プロセッサごとに単一の回路として構成される場合に限らず、複数の独立した回路を組み合わせて１つのプロセッサとして構成し、その機能を実現するようにしてもよい。さらに、図１における複数の構成要素を１つのプロセッサへ統合してその機能を実現するようにしてもよい。

処理回路４４は、システム制御機能４４１により、入力インターフェース４３を介して操作者から受け付けた入力操作に基づいて、Ｘ線診断装置１における複数の構成要素各々を制御する。例えば、処理回路４４は、撮影条件に従って、撮影装置１０における各種構成要素を制御する。システム制御機能４４１を実現する処理回路４４は、システム制御部の一例である。

処理回路４４は、駆動制御機能４４２により、例えば、入力インターフェース４３から入力されたＣアーム１４や天板３３の駆動に関する情報に基づいて、Ｃアーム駆動装置１４２及び寝台駆動装置３２の制御を行う。駆動制御機能４４２を実現する処理回路４４は、駆動制御部の一例である。

処理回路４４は、Ｘ線制御機能４４３により、例えば、システム制御機能４４１からの情報を読み込んで、高電圧発生装置１１における管電流、管電圧、照射時間等のＸ線照射条件の制御を行う。Ｘ線制御機能４４３を実現する処理回路４４は、Ｘ線制御部の一例である。

処理回路４４は、画像生成機能４４４により、例えば、Ｘ線検出器１３から出力されたデータに基づいてＸ線画像を生成する。なお、処理回路４４は、生成されたＸ線画像に対して各種合成処理や減算（サブトラクション）処理等を行なってもよい。Ｘ線画像は、医用データの一例である。画像生成機能４４４を実現する処理回路４４は、画像生成部の一例である。

処理回路４４は、表示制御機能４４５により、例えば、システム制御機能４４１からの信号を読み込んで、メモリ４１から所望のＸ線画像を取得してディスプレイ４２に表示する。表示制御機能４４５を実現する処理回路４４は、表示制御部の一例である。

処理回路４４は、予測機能４４６により、学習済み予測モデルＭ１に過去Ｘ線画像、過去年齢、及び現在年齢を入力し、学習済み予測モデルＭ１に予測Ｘ線画像を出力させる。予測機能４４６を実現する処理回路４４は、予測部の一例である。

処理回路４４は、判定機能４４７により、学習済み判定モデルＭ２に現在Ｘ線画像と予測Ｘ線画像とを入力し、学習済み判定モデルＭ２から、予測Ｘ線画像に関する第１被検体と現在Ｘ線画像に関する第２被検体とが同一であるか否かの判定結果を出力させる。判定機能４４７を実現する処理回路４４は、判定部の一例である。処理回路４４は、判定機能４４７により、第１被検体と第２被検体とが同一である場合、現在Ｘ線画像と過去Ｘ線画像とを関連付ける。具体的には、処理回路４４は、現在Ｘ線画像を、過去Ｘ線画像と同一被検体のＸ線画像として、メモリ４１に保存する。

処理回路４４は、判定機能４４７により、第１被検体と第２被検体とが同一でない場合、操作者への警告を行う。具体的には、処理回路４４は、第１被検体と第２被検体とが異なることを示す警告表示をディスプレイ４２に表示させる。

次に、Ｘ線診断装置１により実行される被検体同定処理の動作について説明する。被検体同定処理とは、撮影条件及び過去画像に基づいて予測Ｘ線画像を生成し、Ｘ線撮影を行うことにより現在Ｘ線画像を生成し、予測Ｘ線画像に関する第１被検体と現在Ｘ線画像に関する第２被検体とが同一である否かを判定し、同一である場合に現在画像と過去画像とを関連付けて保存する処理である。

なお、以下で説明する被検体同定処理における処理手順は一例に過ぎず、各処理は可能な限り適宜変更可能である。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。

図４は、本実施形態に係る被検体同定処理の手順の一例を示すフローチャートである。処理回路４４は、例えば、入力インターフェース４３において被検体の撮影を開始させる操作が入力されたことに基づいて、被検体同定処理を開始する。

（被検体同定処理）
（ステップＳ１０１）
処理回路４４は、予測機能４４６を実行する。処理回路４４は、予測機能４４６により、メモリ４１に記憶された被検体情報から過去Ｘ線画像及び過去年齢を読み出す。また、処理回路４４は、メモリ４１に記憶された撮影情報に基づいて現在年齢を読み出す。処理回路４４は、過去Ｘ線画像、過去年齢及び現在年齢を学習済み予測モデルＭ１に入力し、学習済み予測モデルＭ１に予測Ｘ線画像を生成させる。処理回路４４は、生成された予測Ｘ線画像をメモリ４１に記憶する。

（ステップＳ１０２）
処理回路４４は、システム制御機能４４１と、駆動制御機能４４２と、Ｘ線制御機能４４３と、画像生成機能４４４とを実行することにより、Ｘ線撮影を行い、現在Ｘ線画像を生成する。処理回路４４は、画像生成機能４４４により、生成された現在Ｘ線画像をメモリ４１に記憶する。このとき、処理回路４４は、表示制御機能４４５により現在Ｘ線画像をディスプレイ４２に表示させてもよい。

（ステップＳ１０３）
処理回路４４は、判定機能４４７を実行する。処理回路４４は、判定機能４４７により、ステップＳ１０１の処理において生成された予測Ｘ線画像と、ステップＳ１０２の処理において生成された現在Ｘ線画像とを、メモリ４１から読み出す。そして、処理回路４４は、予測Ｘ線画像と現在Ｘ線画像とを、学習済み判定モデルＭ２に入力する。処理回路４４は、予測Ｘ線画像と現在Ｘ線画像とが入力された学習済み判定モデルＭ２から、第１被検体と第２被検体とが同一であるか否かを示す判定結果を出力させる。処理回路４４は、出力された判定結果をメモリ４１に記憶する。

前述のように、第１被検体は、過去Ｘ線画像に関する被検体と同一である。したがって、処理回路４４は、判定機能４４７により、判定結果に基づいて、過去Ｘ線画像に関する第１被検体と現在Ｘ線画像に関する第２被検体とが同一であるか否かを判断する。

（ステップＳ１０４）
ステップＳ１０３の処理において第1被検体と第２被検体とが同一であると判断された場合、すなわち、学習済み判定モデルＭ２から出力された判定結果において第１被検体と第２被検体とが同一である場合（Ｓ１０４−Ｙｅｓ）、ステップＳ１０５の処理が実行される。また、第1被検体と第２被検体とが同一でないと判断された場合、すなわち、学習済み判定モデルＭ２から出力された判定結果において第１被検体と第２被検体とが異なる場合（Ｓ１０４−Ｎｏ）、ステップＳ１０６の処理が実行される。

（ステップＳ１０５）
処理回路４４は、判定機能４４７により、現在Ｘ線画像と過去Ｘ線画像とを関連付ける。例えば、処理回路４４は、患者情報において、現在Ｘ線画像に関する第２被検体を過去Ｘ線画像に関する第１被検体として設定する。処理回路４４は、過去Ｘ線画像と同一の被検体を撮影したＸ線画像として現在Ｘ線画像をメモリ４１に記憶し、当該被検体同定処理を終了する。

（ステップＳ１０６）
処理回路４４は、判定機能４４７により、現在Ｘ線画像に関する第２被検体と過去Ｘ線画像に関する第１被検体とが異なることを操作者に報知する。例えば、処理回路４４は、現在Ｘ線画像に関する第２被検体と過去Ｘ線画像に関する第１被検体とが異なることを示す警告表示を、ディスプレイ４２に表示させ、当該被検体同定処理を終了する。

なお、予測機能４４６に関する処理は、判定機能４４７の前に実行されていればよく、例えば、ステップＳ１０３の処理の後に実行されてもよい。

以下、本実施形態に係る医用画像処理装置を搭載したＸ線診断装置１の効果について説明する。

本実施形態のＸ線診断装置１は、第１年齢において第１被検体の撮影対象部位に関して取得された第１医用データと第１年齢と第１年齢とは異なる第２年齢とを受け付け、第１年齢から第２年齢までの撮影対象部位の経時変化を第１医用データに反映させた予測データを出力する学習済み予測モデルに第１医用データと第１年齢と第２年齢とを入力し、学習済み予測モデルに予測データを出力させ、第２年齢において撮影対象部位に関して取得された第２医用データと予測データとを受け付け、第２医用データに関する第２被検体と第１被検体とが同一であるか否かの判定結果を出力する学習済み判定モデルに第２医用データと予測データとを入力し、学習済み判定モデルに判定結果を出力させることができる。また、本実施形態のＸ線診断装置１において、第１医用データは、第２医用データより過去において取得された医用データである。

すなわち、上記の構成及び動作により、本実施形態のＸ線診断装置１によれば、過去のＸ線画像の撮影時から現在までの撮影対象部位の経時変化が過去Ｘ線画像に反映されたＸ線画像を用いて、被検体の同定を行うことができる。撮影対象部位の経時変化が反映されたＸ線画像を用いて被検体の同定を行うことにより、被検体の経時変化に左右されずに、被検体の同定の精度を向上させることができる。被検体の同定の精度が向上することにより、例えば、Ｘ線診断装置１を用いたＸ線撮影により取得した現在のＸ線画像と他の医療機関から取得した過去のＸ線画像とを同一患者を撮影したＸ線画像として関連付ける場合において、同一の患者に対して医療機関ごとに異なる患者ＩＤが割り振られた場合であっても、患者の取り違いを高い精度で防止することができる。

また、本実施形態では、処理回路４４は、過去Ｘ線画像に関する撮影情報から過去年齢を取得し、現在Ｘ線画像に関する撮影情報から現在年齢を取得する。そして、処理回路４４は、過去年齢及び現在年齢を学習済み予測モデルＭ１に入力することにより、取得された過去年齢及び現在年齢に対応した予測Ｘ線画像を生成することができる。

このため、本実施形態のＸ線診断装置１によれば、過去年齢がいくつであっても、すなわち、過去Ｘ線画像の撮影時がいつであっても、過去年齢から現在年齢までの撮影対象部位の経時変化を過去Ｘ線画像に反映させた予測Ｘ線画像を生成することができる。

また、本実施形態では、処理回路４４は、被検体を同定する処理を、学習済みの機械学習モデルである学習済み判定モデルＭ２を用いて行う。このため、本実施形態のＸ線診断装置１によれば、ランドマーク等を用いて被検者の同定を行う場合に比べて、被検体を同定する処理を高速化することができる。

（第１の変形例）
本実施形態の第１の変形例について、図５乃至図７を参照して説明する。本変形例は、第１の実施形態の構成を以下の通りに変形したものである。図５は、本変形例に係るＸ線診断装置１の構成例を示す図である。図５と図１との違いは、メモリ４１が学習済み予測モデルＭ１及び学習済み判定モデルＭ２の代わりに学習済み非病変予測モデルＭ３と学習済み病変予測モデルＭ４と学習済み判定モデルＭ５とを記憶し、処理回路４４が予測機能４４６及び判定機能４４７の代わりに抽出機能４４６Ａと非病変予測機能４４６Ｂと病変予測機能４４６Ｃと合成機能４４６Ｄと判定機能４４７Ａとをさらに有することにある。

メモリ４１には、学習済み非病変予測モデルＭ３と、学習済み病変予測モデルＭ４と、学習済み判定モデルＭ５とが、記憶されている。学習済み非病変予測モデルＭ３、学習済み病変予測モデルＭ４、及び、学習済み判定モデルＭ５のそれぞれは、学習済みの機械学習モデルであり、複数の関数が合成されたパラメータ付き合成関数である。

図６は、学習済み非病変予測モデルＭ３、学習済み病変予測モデルＭ４、及び学習済み判定モデルＭ５における、入力と出力との一例を例示する図である。

学習済み非病変予測モデルＭ３は、非病変画像、過去年齢、及び現在年齢を受け付け、過去年齢から現在年齢までの非病変領域の経時変化を非病変画像に反映させた非病変予測画像を出力する。

非病変画像は、過去Ｘ線画像から病変でない領域（以下、非病変領域と呼ぶ）を抽出して生成されたＸ線画像である。すなわち、非病変画像は、第１被検体を過去に撮影することにより取得されたＸ線画像のうち、非病変領域により構成されるＸ線画像である。非病変画像は、非病変データに相当する。

非病変予測画像は、過去年齢から現在年齢までの非病変領域の経時変化を非病変予測画像に反映させたＸ線画像である。非病変予測画像に関する被検体は、非病変画像に関する被検体と同一である。非病変予測画像は、非病変予測データに相当する。

学習済み病変予測モデルＭ４は、病変画像、過去年齢、及び現在年齢を受け付け、過去年齢から現在年齢までの病変の領域（以下、病変領域と呼ぶ）の経時変化を病変画像に反映させた病変予測画像を出力する。

病変画像は、過去Ｘ線画像から病変領域を抽出して生成されたＸ線画像である。すなわち、病変画像は、被検体を過去に撮影することにより取得されたＸ線画像のうち、病変領域により構成されるＸ線画像である。病変画像は、病変データに相当する。

病変予測画像は、過去年齢から現在年齢までの病変領域の経時変化を病変予測画像に反映させたＸ線画像である。病変予測画像は、病変予測データに相当する。

非病変画像に関する被検体、非病変予測画像に関する被検体、病変画像に関する被検体、及び病変予測画像に関する被検体は、過去Ｘ線画像に関する被検体、すなわち、第１被検体と同じである。

学習済み判定モデルＭ５は、現在Ｘ線画像と合成画像とを受け付け、現在Ｘ線画像に関する被検体と合成画像に関する被検体とが同一であるか否かの判定結果を出力する。合成画像は、過去年齢から現在年齢までの非病変領域の経時変化と過去年齢から現在年齢までの病変領域の経時変化との両方を、過去Ｘ線画像に反映させたＸ線画像である。合成画像は、非病変予測画像と病変予測画像とを位置合わせして合成することにより、生成される。合成画像は、合成データに相当する。合成画像に関する被検体は、過去Ｘ線画像に関する被検体、非病変予測画像に関する被検体、及び、病変予測画像に関する被検体と同一である。すなわち、合成画像に関する被検体は、第１被検体に相当する。

図５に戻り、処理回路４４は、メモリ４１内のプログラムを呼び出し実行することにより、システム制御機能４４１、駆動制御機能４４２、Ｘ線制御機能４４３、画像生成機能４４４、表示制御機能４４５、抽出機能４４６Ａ、非病変予測機能４４６Ｂ、病変予測機能４４６Ｃ、合成機能４４６Ｄ、及び、判定機能４４７を実行するプロセッサである。

処理回路４４は、抽出機能４４６Ａにより、例えば病変領域に関するセグメンテーション処理を過去Ｘ線画像に適用することにより、過去Ｘ線画像から病変領域を示す病変画像を抽出する。また、処理回路４４は、過去Ｘ線画像から病変画像を差分することにより、非病変画像を抽出する。なお、処理回路４４は、非病変領域に関するセグメンテーション処理を過去Ｘ線画像に適用することにより、過去Ｘ線画像から非病変画像を抽出してもよい。抽出機能４４６Ａを実現する処理回路４４は、抽出部の一例である。

処理回路４４は、非病変予測機能４４６Ｂにより、学習済み非病変予測モデルＭ３に非病変画像、過去年齢、及び現在年齢を入力し、学習済み非病変予測モデルＭ３に非病変予測画像を出力させる。非病変予測機能４４６Ｂを実現する処理回路４４は、非病変予測部の一例である。

処理回路４４は、病変予測機能４４６Ｃにより、学習済み病変予測モデルＭ４に病変画像、過去年齢、及び現在年齢を入力し、学習済み病変予測モデルＭ４に病変予測画像を出力させる。病変予測機能４４６Ｃを実現する処理回路４４は、病変予測部の一例である。

処理回路４４は、合成機能４４６Ｄにより、非病変予測画像と病変予測画像との位置合わせを実行する。例えば、処理回路４４は、非病変予測画像と病変予測画像とにおける解剖学的標識点を用いて、当該位置合わせを実行する。次いで、処理回路４４は、位置合わせが実行された非病変予測画像と病変予測画像とを合成することにより、合成画像を生成する。なお、処理回路４４は、位置合わせ後の非病変予測画像に病変予測画像を重畳させることにより、合成画像を生成してもよい。合成機能４４６Ｄを実現する処理回路４４は、合成部の一例である。

処理回路４４は、判定機能４４７Ａにより、学習済み判定モデルＭ５に現在Ｘ線画像と合成画像とを入力し、学習済み判定モデルＭ５に現在Ｘ線画像に関する第２被検体と合成画像に関する第１被検体とが同一であるか否かの判定結果を出力させる。判定機能４４７Ａを実現する処理回路４４は、判定部の一例である。処理回路４４は、判定機能４４７Ａにより、第１被検体と第２被検体とが同一である場合、現在Ｘ線画像と過去Ｘ線画像とを関連付ける。処理回路４４は、判定機能４４７Ａにより、学習済み判定モデルＭ５から出力された判定結果において第１被検体と合成画像に関する第２被検体とが同一でない場合、操作者への警告を行う。

他の構成は、第１の実施形態と同様である。

次に、Ｘ線診断装置１により実行される被検体同定処理の動作について説明する。図７は、本実施形態に係る被検体同定処理の手順の一例を示すフローチャートである。図７におけるステップＳ１１５の処理は、第１の実施形態におけるステップＳ１０２の処理と同様のため、説明を省略する。

（被検体同定処理）
（ステップＳ１１１）
処理回路４４は、抽出機能４４６Ａを実行する。処理回路４４は、抽出機能４４６Ａにより、メモリ４１から過去Ｘ線画像を読み出す。処理回路４４は、過去Ｘ線画像から過去Ｘ線画像における病変領域を示す病変画像を抽出する。そして、処理回路４４は、過去Ｘ線画像から病変画像を差分することにより、非病変領域を示す非病変画像を抽出する。処理回路４４は、抽出された非病変画像及び病変画像をメモリ４１に記憶する。

（ステップＳ１１２）
処理回路４４は、非病変予測機能４４６Ｂを実行する。処理回路４４は、非病変予測機能４４６Ｂにより、メモリ４１に記憶された被検体情報から非病変画像及び過去年齢を読み出す。また、処理回路４４は、メモリ４１に記憶された撮影情報に基づいて現在年齢を読み出す。処理回路４４は、非病変予測機能４４６Ｂにより、非病変画像、過去年齢及び現在年齢を学習済み非病変予測モデルＭ３に入力し、学習済み非病変予測モデルＭ３に非病変予測画像を生成させる。処理回路４４は、生成された非病変予測画像をメモリ４１に記憶する。

（ステップＳ１１３）
処理回路４４は、病変予測機能４４６Ｃを実行する。処理回路４４は、病変予測機能４４６Ｃにより、メモリ４１に記憶された被検体情報から病変画像及び過去年齢を読み出す。また、処理回路４４は、メモリ４１に記憶された撮影情報に基づいて現在年齢を読み出す。処理回路４４は、病変予測機能４４６Ｃにより、病変画像、過去年齢及び現在年齢を学習済み病変予測モデルＭ４に入力し、学習済み病変予測モデルＭ４に病変予測画像を生成させる。処理回路４４は、生成された病変予測画像をメモリ４１に記憶する。

（ステップＳ１１４）
処理回路４４は、合成機能４４６Ｄを実行する。処理回路４４は、合成機能４４６Ｄにより、メモリ４１に記憶された非病変予測画像と病変予測画像とを読み出す。処理回路４４は、非病変予測画像と病変予測画像とを合成することにより、合成画像を生成する。例えば、処理回路４４は、非病変予測画像において、過去Ｘ線画像における病変領域の抽出位置と同様の位置に、病変画像を合成する。処理回路４４は、生成された合成画像をメモリ４１に記憶される。

（ステップＳ１１６）
処理回路４４は、判定機能４４７Ａを実行する。処理回路４４は、判定機能４４７Ａにより、ステップＳ１１４の処理において生成された合成画像と、ステップＳ１１５の処理において生成された現在Ｘ線画像とを、メモリ４１から読み出す。そして、処理回路４４は、合成画像と現在Ｘ線画像とを、学習済み判定モデルＭ５に入力する。処理回路４４は、判定機能４４７Ａにより、合成画像と現在Ｘ線画像とが入力された学習済み判定モデルＭ５から、合成画像に関する第１被検体と現在Ｘ線画像に関する第２被検体とが同一であるか否かを示す判定結果を出力させる。処理回路４４は、出力された判定結果をメモリ４１に記憶する。

（ステップＳ１１７）
ステップＳ１１６の処理において合成画像に関する第１被検体と現在Ｘ線画像に関する第２被検体とが同一であると判断された場合、すなわち、学習済み判定モデルＭ５から出力された判定結果において第１被検体と第２被検体とが同一である場合（Ｓ１１７−Ｙｅｓ）、ステップＳ１１８の処理が実行される。また、合成画像に関する第１被検体と現在Ｘ線画像に関する第２被検体とが同一でないと判断された場合、すなわち、学習済み判定モデルＭ５から出力された判定結果において、第１被検体と第２被検体とが異なる場合（Ｓ１１７−Ｎｏ）、ステップＳ１１９の処理が実行される。

（ステップＳ１１８）
処理回路４４は、判定機能４４７Ａにより、現在Ｘ線画像と過去Ｘ線画像とを関連付ける。他の処理は、ステップＳ１０５と同様なため、説明は省略する。

（ステップＳ１１９）
処理回路４４は、判定機能４４７Ａにより、現在Ｘ線画像に関する被検体と過去Ｘ線画像に関する被検体とが異なることを操作者に報知する。他の処理は、ステップＳ１０６と同様なため、説明は省略する。

以下、本変形例に係る医用画像処理装置を搭載したＸ線診断装置１の効果について説明する。

本変形例のＸ線診断装置１は、第１被検体の撮影対象部位に関して第１年齢で取得された第１医用データから第１医用データにおける病変領域を示す病変データを抽出し、第１医用データから病変データを差分することにより非病変領域を示す非病変データを抽出し、非病変データを受け付け、第１年齢から第１年齢とは異なる第２年齢までの非病変領域の経時変化を非病変データに反映させた非病変予測データを出力する学習済み非病変予測モデルＭ３に非病変データを入力し、学習済み非病変予測モデルＭ３に非病変予測データを出力させ、病変データを受け付け、第１年齢から第２年齢までの病変領域の経時変化を病変データに反映させた病変予測データを出力する学習済み病変予測モデルＭ４に病変データを入力し、学習済み病変予測モデルＭ４に病変予測データを出力させ、非病変予測データと病変予測データとを合成することにより、合成データを生成し、第２年齢において撮影対象部位に関して取得された第２医用データと合成データとを受け付け、第２医用データに関する第２被検体と第１被検体とが同一であるか否かの判定結果を出力する学習済み判定モデルＭ５に第２医用データと合成データとを入力し、学習済み判定モデルＭ５に判定結果を出力させることができる。また、本変形例のＸ線診断装置１においても、第１医用データは、第２医用データより過去において取得された医用データである。

すなわち、上記の構成及び動作により、本変形例のＸ線診断装置１によれば、病変領域の経時変化の予測に特化した学習済みモデルを用いて、過去年齢から現在年齢までの非病変領域の経時変化と過去年齢から現在年齢までの病変領域の経時変化との両方が反映されたＸ線画像を生成することができる。そして、非病変領域の経時変化と病変領域の経時変化との両方が反映されたＸ線画像を用いて被検体の同定を行うことができる。これにより、被検体が病変を有する場合であっても、被検体の同定の精度を向上させることができる。

なお、非病変予測機能４４６Ｂの代わりに、第１の実施形態の予測機能４４６が用いられてもよい。この場合、メモリ４１には、学習済み非病変予測モデルＭ３の代わりに、実施形態１の学習済み予測モデルＭ１が記憶される。このとき、処理回路４４は、合成機能４４６Ｄの代わりに、学習済み予測モデルＭ１から出力された予測Ｘ線画像に、学習済み病変予測モデルＭ４から出力された病変予測画像を重畳した合成画像を生成する重畳機能を有する。重畳画像に関する被検体は、過去Ｘ線画像に関する被検体、病変予測画像に関する被検体と同じである。また、処理回路４４は、判定機能４４７により、重畳画像に関する被検体と現在画像に関する被検体とが同一であるか否かを判断する。

（第２の変形例）
本実施形態の第２の変形例について、図８乃至図１０を参照して説明する。本変形例は、第１の実施形態の構成を以下の通りに変形したものである。図８は、本変形例に係るＸ線診断装置１の構成例を示す図である。図８と図１との相違は、処理回路４４がモデル特定機能４４８をさらに有することにある。

図９は、本変形例のメモリ４１に記憶される学習済み予測モデル及び学習済み判定モデルを説明するための図である。図９に示すように、メモリ４１には、対応する撮影対象部位が異なる複数の学習済み予測モデル（Ｍ１１〜Ｍ１３など）が記憶されている。同様に、メモリ４１には、対応する撮影対象部位が異なる複数の学習済み判定モデル（Ｍ２１〜Ｍ２３など）が記憶されている。

頭部用学習済み予測モデルＭ１１は、撮影対象部位が頭部である場合の撮像対象部位の経時変化の予測に特化した学習済み予測モデルである。胸部用学習済み予測モデルＭ１２は、撮影対象部位が胸部である場合の撮像対象部位の経時変化の予測に特化した学習済み予測モデルである。腹部用学習済み予測モデルＭ１３は、撮影対象部位が腹部である場合の撮像対象部位の経時変化の予測に特化した学習済み予測モデルである。

また、頭部用学習済み判定モデルＭ２１は、撮影対象部位が頭部である場合の撮像対象部位の経時変化の予測に特化した学習済み判定モデルである。胸部用学習済み判定モデルＭ２２は、撮影対象部位が胸部である場合の撮像対象部位の経時変化の予測に特化した学習済み判定モデルである。腹部用学習済み判定モデルＭ２３は、撮影対象部位が腹部である場合の撮像対象部位の経時変化の予測に特化した学習済み判定モデルである。

図８に戻り、処理回路４４は、メモリ４１内のプログラムを呼び出し実行することにより、システム制御機能４４１、駆動制御機能４４２、Ｘ線制御機能４４３、画像生成機能４４４、表示制御機能４４５、予測機能４４６、判定機能４４７、及び、モデル特定機能４４８を実行するプロセッサである。

処理回路４４は、モデル特定機能４４８により、過去Ｘ線画像に関する撮像対象部位に基づいて、複数の学習済み予測モデル（Ｍ１１〜Ｍ１３など）の中から、過去Ｘ線画像の撮像対象部位に対応する学習済み予測モデルを特定する。また、処理回路４４は、モデル特定機能４４８により、過去Ｘ線画像の撮像対象部位に関する情報に基づいて、複数の学習済み判定モデル（Ｍ２１〜Ｍ２３など）の中から、過去Ｘ線画像の撮像対象部位に対応する学習済み判定モデルを特定する。過去Ｘ線画像に関する撮像対象部位は、例えば、第１医用データに付帯される付帯情報に含まれる。モデル特定機能４４８を実現する処理回路４４は、モデル特定部の一例である。

他の構成は、第１の実施形態と同様である。

次に、Ｘ線診断装置１により実行される被検体同定処理の動作について説明する。図１０は、本実施形態に係る被検体同定処理の手順の一例を示すフローチャートである。図１０におけるステップＳ１２３、ステップＳ１２５〜ステップＳ１２７の処理は、それぞれ、第１の実施形態におけるステップＳ１０２、ステップＳ１０４〜ステップＳ１０６の処理と同様のため、説明を省略する。

（被検体同定処理）
（ステップＳ１２１）
処理回路４４は、モデル特定機能４４８により、メモリ４１に記憶された撮影条件から撮像対象部位を取得する。処理回路４４は、モデル特定機能４４８により、メモリ４１に記憶された複数の学習済み予測モデル（Ｍ１１〜Ｍ１３など）の中から、取得された撮像対象部位に対応する学習済み予測モデルを特定する。また、処理回路４４は、モデル特定機能４４８により、メモリ４１に記憶された複数の学習済み判定モデル（Ｍ２１〜Ｍ２３など）の中から、取得された撮像対象部位に対応する学習済み判定モデルを特定する。

（ステップＳ１２２）
処理回路４４は、予測機能４４６により、ステップＳ１２１の処理により特定された学習済み予測モデルを読み出す。処理回路４４は、ステップＳ１２１の処理により特定された学習済み予測モデルに過去Ｘ線画像、過去年齢及び現在年齢を入力し、Ｓ１２１の処理により特定された学習済み予測モデルＭ１に予測Ｘ線画像を生成させる。処理回路４４は、生成された予測Ｘ線画像をメモリ４１に記憶する。

（ステップＳ１２４）
処理回路４４は、判定機能４４７により、ステップＳ１２１の処理により特定された学習済み判定モデルに予測Ｘ線画像と現在Ｘ線画像とを入力し、ステップＳ１２１の処理により特定された学習済み判定モデルに第１被検体と第２被検体とが同一であるか否かを示す判定結果を出力させる。処理回路４４は、出力された判定結果をメモリ４１に記憶する。

例えば、撮像対象部位が「胸部」である場合、ステップＳ１２１の処理において、撮像対象部位に対応する学習済み予測モデルとして「胸部用学習済み予測モデルＭ１２」が特定され、撮像対象部位に対応する学習済み判定モデルとして「胸部用学習済み判定モデルＭ２２」が特定される。そして、ステップＳ１２２の処理において、胸部用学習済み予測モデルＭ１２が用いられ、ステップＳ１２４の処理において、胸部用学習済み判定モデルＭ２２が用いられる。

以下、本変形例に係る医用画像処理装置を搭載したＸ線診断装置１の効果について説明する。

本変形例のＸ線診断装置１は、複数の学習済み予測モデル（Ｍ１１〜Ｍ１３など）の中から第１医用データに関する付帯情報に対応する学習済み予測モデルを特定し、複数の学習済み判定モデル（Ｍ２１〜Ｍ２３など）の中から付帯情報に対応する学習済み判定モデルを特定し、予測部は、特定された学習済み予測モデルに対して第１医用データを入力し、特定された学習済み予測モデルに予測データを出力させ、判定部は、特定された学習済み判定モデルに対して第２医用データを入力し、特定された学習済み判定モデルに判定結果を出力させることができる。また、本変形例のＸ線診断装置１においても、第１医用データは、第２医用データより過去において取得された医用データである。

上記の構成及び動作により、本変形例のＸ線診断装置１によれば、第１の実施形態の効果に加えて、撮像対象部位に特化した学習済みモデルを用いて予測Ｘ線画像を生成することができる。

なお、撮影対象部位とは異なる撮影条件に含まれる複数の項目について、複数の項目にそれぞれ対応する複数の学習済み予測モデルが用意されてもよい。このとき、処理回路４４は、モデル特定機能４４８により、過去Ｘ線画像の撮影条件における項目に対応する学習済み予測モデルを特定する。例えば、メモリ４１には、被検体の性別、被検体の人種などについて、これらの項目のそれぞれに対応する複数の学習済み予測モデルが記憶される。学習済み判定モデルについても、同様に、メモリ４１には、これらの項目のそれぞれに対応する複数の学習済み判定モデルが記憶される。このとき、処理回路４４は、モデル特定機能４４８により、過去Ｘ線画像の撮影条件における項目に対応する学習済み判定モデルを特定する。

（第３の変形例）
本実施形態の第３の変形例について、図１１及び図１２を参照して説明する。本変形例は、第１の実施形態の構成を以下の通りに変形したものである。本変形例では、メモリ４１には、学習済み予測モデルＭ６と学習済み判定モデルＭ７とが記憶されている。

図１１は、学習済み予測モデルＭ６への入力と出力との一例を例示する図である。図１１に示すように、学習済み予測モデルＭ６は、現在Ｘ線画像、現在年齢、及び過去年齢を受け付け、現在年齢から過去年齢までの撮影対象部位の経時変化を現在画像に反映させた予測Ｘ線画像を出力する。

予測Ｘ線画像は、現在年齢から過去年齢までの撮影対象部位の経時変化を現在Ｘ線画像に反映させたＸ線画像である。予測Ｘ線画像は、予測データに相当する。

図１２は、学習済み判定モデルＭ７への入力と出力との一例を示す図である。図１２に示すように、学習済み判定モデルＭ７は、過去Ｘ線画像と予測Ｘ線画像とを受け付け、過去Ｘ線画像に関する被検体と予測Ｘ線画像に関する被検体とが同一であるか否かの判定結果を出力する。

本変形例では、現在Ｘ線画像が第１医用データに相当し、過去Ｘ線画像が第２医用データに相当する。また、現在Ｘ線画像に関する被検体が第１被検体に相当し、過去Ｘ線画像に関する被検体が第２被検体に相当する。

処理回路４４は、予測機能４４６により、学習済み予測モデルＭ６に現在Ｘ線画像、現在年齢、及び過去年齢を入力し、学習済み予測モデルＭ６に予測Ｘ線画像を出力させる。

処理回路４４は、判定機能４４７により、学習済み判定モデルＭ７に過去Ｘ線画像と予測Ｘ線画像とを入力し、学習済み判定モデルＭ７に過去Ｘ線画像に関する第２被検体と予測Ｘ線画像に関する第１被検体とが同一であるか否かの判定結果を出力させる。

処理回路４４は、判定機能４４７により、学習済み判定モデルＭ７から出力された判定結果において第１被検体と第２被検体とが同一である場合、現在Ｘ線画像と過去Ｘ線画像とを関連付ける。処理回路４４は、判定機能４４７により、学習済み判定モデルＭ２から出力された判定結果において第１被検体と第２被検体とが同一でない場合、操作者への警告を行う。

他の構成は、第１の実施形態と同様である。

以下、本変形例に係る医用画像処理装置を搭載したＸ線診断装置１の効果について説明する。

本変形例において、第２医用データは、第１医用データより過去において取得された医用データである。

本変形例のＸ線診断装置１によれば、過去のＸ線画像の撮影時から現在までの撮影対象部位の経時変化が現在Ｘ線画像に反映されたＸ線画像と、過去のＸ線画像とを用いて、被検体の同定を行うことができる。このため、本変形例においても、第１の実施形態と同様に、撮影対象部位の経時変化が反映されたＸ線画像を用いて被検体の同定を行うことにより、被検体の経時変化に左右されずに、被検体の同定の精度を向上させることができる。

なお、過去年齢及び現在年齢とは異なる所望の基準年齢を設定し、過去年齢から基準年齢までの撮影対象部位の経時変化が過去Ｘ線画像に反映された第１予測Ｘ線画像と、現在年齢から基準年齢までの撮影対象部位の経時変化が現在Ｘ線画像に反映された第２予測Ｘ線画像とを用いて、被検体同定処理を行ってもよい。この場合、例えば、過去年齢が第１年齢に相当し、基準年齢が第２年齢に相当し、第１予測Ｘ線画像が予測データに相当し、第２予測Ｘ線画像が第２医用データに相当する。他の効果については第１の実施形態と同様なため、説明は省略する。

（第４の変形例）
本実施形態の第４の変形例について、説明する。本変形例は、第１の実施形態の構成を以下の通りに変形したものである。

処理回路４４は、予測機能４４６において、過去Ｘ線画像に関する被検体に対応するＸ線画像がメモリ４１に複数記憶されていた場合、複数のＸ線画像のうち、現在に最も近い時点で撮影されたＸ線画像を、過去Ｘ線画像として学習済み予測モデルＭ１に入力する。すなわち、処理回路４４は、予測機能４４６により、直近のＸ線画像を、過去Ｘ線画像として学習済み予測モデルＭ１に入力する。

他の構成は、第１の実施形態と同様である。

本変形例のＸ線診断装置１は、第１の実施形態に加えて、第１被検体の撮影対象部位に関して取得された複数の医用データのうち第２医用データに最も近い時点で取得された医用データを、第１医用データとして学習済み予測モデルに入力することができる。

以下、本変形例に係る医用画像処理装置を搭載したＸ線診断装置１の効果について説明する。

本変形例のＸ線診断装置１によれば、過去に取得された複数のＸ線画像のうち、現在Ｘ線画像に対する撮影対象部位の経時変化が最も小さいＸ線画像が、過去Ｘ線画像として用いられる。このため、予測する経時変化の大きさを小さくすることができ、被検体の同定の精度をさらに向上させることができる。

また、本実施形態及び本実施形態の各変形例の技術的思想を医用画像処理装置で実現する場合には、医用画像処理装置は、例えば、コンソール装置４０に記載の構成要素を有する。この場合、駆動制御機能４４２及びＸ線制御機能４４３などは不要となる。このとき、メモリ４１には、予測機能４４６及び判定機能４４７において用いられる各種データが記憶されてもよいし、これらの各種データは、ネットワークを介して医用画像処理装置に取り込まれてもよい。このとき、医用画像処理装置は、第１年齢において第１被検体の撮影対象部位に関して取得された第１医用データと第１年齢と第１年齢とは異なる第２年齢とを受け付け、第１年齢から第２年齢までの撮影対象部位の経時変化を第１医用データに反映させた予測データを出力する学習済み予測モデルに第１医用データと第１年齢と第２年齢とを入力し、学習済み予測モデルに予測データを出力させ、第２年齢において撮影対象部位に関して取得された第２医用データと予測データとを受け付け、第２医用データに関する第２被検体と第１被検体とが同一であるか否かの判定結果を出力する学習済み判定モデルに第２医用データと予測データとを入力し、学習済み判定モデルに判定結果を出力させることができる。

本実施形態及び本実施形態の各変形例の技術的思想は、例えば、表示制御機能４４５、予測機能４４６及び判定機能４４７の各々に関するプログラムをワークステーション等のコンピュータにインストールし、これらをメモリ上で展開することによっても実現することができる。このとき、コンピュータは、例えば、医用画像処理装置、クラウド上の統合サーバ等に搭載される。なお、コンピュータにおけるメモリ４１には、予測機能４４６及び判定機能４４７において用いられる各種データが記憶されてもよいし、これらの各種データは、ネットワークを介してコンピュータに取り込まれてもよい。

具体的に、予測処理を実行するプログラムは、コンピュータに、過去Ｘ線画像、過去年齢、及び現在年齢を受け付け過去年齢から現在年齢までの撮影対象部位の経時変化を過去画像に反映させた予測Ｘ線画像を出力するように機能づけられた学習済み予測モデルＭ１を記憶し、学習済み予測モデルＭ１に対して過去Ｘ線画像、過去年齢、及び現在年齢を入力することで予測Ｘ線画像を出力すること、を実現させる。

具体的に、判定処理を実行するプログラムは、コンピュータに、現在Ｘ線画像と予測Ｘ線画像とを受け付け現在Ｘ線画像に関する被検体と予測Ｘ線画像に関する被検体とが同一であるか否かの判定結果を出力するように機能づけられた学習済み判定モデルＭ２を記憶し、学習済み判定モデルＭ２に対して現在Ｘ線画像及び予測Ｘ線画像を入力することで判定結果を出力すること、を実現させる。

（学習用データについて）
以下、これまでに説明した学習済み予測モデル、学習済み判定モデル、学習済み非病変予測モデル及び学習済み病変予測モデルの各々における、学習時に用いられる学習用データについて説明する。

図１３は、第１の実施形態に係る学習済み予測モデルＭ１の学習に用いられる学習用データ（以下、予測モデル学習用データと呼ぶ）の一例を示す。予測モデル学習用データは、複数の学習サンプルを含む。複数の学習サンプルのそれぞれは、第１Ｘ線画像と、第１年齢情報と、第２Ｘ線画像と、第２年齢情報とを１つずつ含む。第１Ｘ線画像、第１年齢情報、及び第２年齢情報は、学習済み予測モデルＭ１の学習時における訓練データに相当する。第２Ｘ線画像は、学習済み予測モデルＭ１の学習時における教師データに相当する。

第１Ｘ線画像及び第２Ｘ線画像は、同一の被検体を対象とする異なる時点での撮影により取得されたＸ線画像である。第１Ｘ線画像に関する被検体と、第２Ｘ線画像に関する被検体とは、同じである。

第１年齢情報は、第１Ｘ線画像に関する撮影が実施された時点における被検体の年齢を示す情報である。第２年齢情報は、第２Ｘ線画像に関する撮影が実施された時点における被検体の年齢を示す情報である。第２年齢は、第１年齢とは異なる。第２Ｘ線画像は、第１年齢から第２年齢までの撮影対象部位の経時変化が第１Ｘ線画像に反映されたＸ線画像である。

図１４は、第１の実施形態に係る学習済み判定モデルＭ２の学習に用いられる学習用データ（以下、判定モデル学習用データと呼ぶ）の一例を示す。判定モデル学習用データは、複数の学習サンプルを含む。複数の学習サンプルのそれぞれは、予測Ｘ線画像と、現在Ｘ線画像と、判定結果とを１つずつ含む。予測Ｘ線画像及び現在Ｘ線画像は、学習済み判定モデルＭ２の学習時における訓練データに相当する。判定情報は、学習済み判定モデルＭ２の学習時における教師データに相当する。

予測Ｘ線画像は、過去Ｘ線画像の撮影時から現在までの被検体の撮像対象部位の経時変化が過去Ｘ線画像に反映されたＸ線画像である。予測Ｘ線画像には、学習済み予測モデルＭ１に実際に出力させたものを用いてもよく、過去画像に対する画像処理によって生成されたものを用いてもよい。

判定情報は、予測Ｘ線画像に関する被検体と現在Ｘ線画像に関する被検体とが同一であるか否かを示す情報である。

図１５は、第１の実施形態の第１の変形例に係る学習済み非病変予測モデルＭ３の学習に用いられる学習用データ（以下、非病変予測モデル学習用データと呼ぶ）の一例を示す。非病変予測モデル学習用データは、複数の学習サンプルを含む。複数の学習サンプルのそれぞれは、第１非病変画像と、第１年齢情報と、第２非病変画像と、第２年齢情報とを１つずつ含む。第１非病変画像、第１年齢情報、及び第２年齢情報は、学習済み非病変予測モデルＭ３の学習時における訓練データに相当する。第２非病変画像は、学習済み非病変予測モデルＭ３の学習時における教師データに相当する。

第１非病変画像及び第２非病変画像は、撮影対象部位を撮影して得られたＸ線画像から病変領域が除かれたＸ線画像である。第１非病変画像及び第２非病変画像は、同一の被検体を対象とする異なる時点での撮影により取得されたＸ線画像である。第１非病変画像に関する被検体と、第２非病変画像に関する被検体とは、同じである。

第１年齢情報は、第１非病変画像に関する撮影が実施された時点における被検体の年齢を示す情報である。第２年齢情報は、第２非病変画像に関する撮影が実施された時点における被検体の年齢を示す情報である。第２年齢は、第１年齢とは異なる。第２非病変画像は、第１年齢から第２年齢までの病変領域を除く撮影対象部位の経時変化が第１非病変画像に反映されたＸ線画像である。

図１６は、第１の実施形態の第１の変形例に係る学習済み病変予測モデルＭ４の学習に用いられる学習用データ（以下、非病変予測モデル学習用データと呼ぶ）の一例を示す。非病変予測モデル学習用データは、複数の学習サンプルを含む。複数の学習サンプルのそれぞれは、第１病変画像と、第１年齢情報と、第２病変画像と、第２年齢情報とを１つずつ含む。第１病変画像、第１年齢情報、及び第２年齢情報は、学習済み病変予測モデルＭ４の学習時における訓練データに相当する。第２病変画像は、学習済み病変予測モデルＭ４の学習時における教師データに相当する。

第１病変画像及び第２病変画像は、撮影対象部位を撮影して得られたＸ線画像から病変領域を抽出して生成されたＸ線画像である。第１病変画像及び第２病変画像は、同一の被検体を対象とする異なる時点での撮影により取得されたＸ線画像である。第１病変画像に関する被検体と、第２病変画像に関する被検体とは、同じである。

第１年齢情報は、第１病変画像に関する撮影が実施された時点における被検体の年齢を示す情報である。第２年齢情報は、第２病変画像に関する撮影が実施された時点における被検体の年齢を示す情報である。第２年齢は、第１年齢とは異なる。第２病変画像は、第１年齢から第２年齢までの病変領域の経時変化が第１病変画像に反映されたＸ線画像である。

図１７は、第１の実施形態の第１の変形例に係る学習済み判定モデルＭ５の学習に用いられる学習用データ（以下、判定モデル学習用データと呼ぶ）の一例を示す。判定モデル学習用データは、複数の学習サンプルを含む。複数の学習サンプルのそれぞれは、合成画像と、現在Ｘ線画像と、判定結果とを１つずつ含む。合成画像及び現在Ｘ線画像は、学習済み判定モデルＭ５の学習時における訓練データに相当する。判定情報は、学習済み判定モデルＭ５の学習時における教師データに相当する。

合成画像には、第１の実施形態の第１の変形例の合成機能４４６Ｄにより実際に生成させたものを用いてもよく、画像処理によって生成されたものを用いてもよい。

判定情報は、合成画像に関する被検体と現在Ｘ線画像に関する被検体とが同一であるか否かを示す情報である。

以下、第１の実施形態及び第１の実施形態の各変形例において用いられる学習済みモデルの生成方法の一例について説明する。不図示の学習済みモデル生成装置に搭載された処理回路は、学習済みモデルを生成する学習済みモデル生成機能により、学習用データを多層のネットワークモデル（学習用プログラム）に学習させることで、学習済みモデルを生成する。学習済みモデル生成機能は、モデル学習プログラムに相当し、処理回路において実行される。例えば、処理回路は、訓練データと教師データとの差分（誤差）を用いた誤差逆伝播法に従って多層のネットワークモデルにおけるパラメータ（重み）を計算することで、学習済みモデルを生成する。学習済みモデル生成装置は、生成された学習済みモデルを、各種記憶媒体、ネットワーク等を介して医用画像処理装置に出力する。

（モデル生成処理）
以下、敵対的生成ネットワーク（ＧＡＮ：Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ）を応用して第１の実施形態において用いられる学習済み予測モデルを生成するモデル学習装置の一例を、図１８及び図１９を参照して説明する。

図１８は、モデル学習装置６０の構成例を示す図である。モデル学習装置６０は、例えば、不図示の処理回路とメモリとを有する。メモリは、生成器（ジェネレータ）６１と、識別器（ディスクリミネータ）６２と、識別器訓練機能６３と、生成器訓練機能６４とをそれぞれ実現させる複数のプログラムを記憶する。処理回路は、複数のプログラムの各々をメモリから読み出すことより、生成器（ジェネレータ）６１と、識別器（ディスクリミネータ）６２と、識別器訓練機能６３と、生成器訓練機能６４とを実行する。生成器６１及び識別器６２のそれぞれは、学習済みの機械学習モデルであり、複数の関数が合成されたパラメータ付き合成関数である。

モデル学習装置６０は、第１医用データ、第１年齢及び第２年齢の入力を受け付け、第１年齢から第２年齢までの撮影対象部位の経時変化を第１医用データに反映させた予測データを出力する学習済み予測モデルを、予測データが実際の撮影により得られた医用データであるか否かを判断する識別器６２を用いた敵対的な訓練処理を繰り返すことにより、生成する。

モデル学習装置６０が備える各ネットワークモデル及び各機能は、ＣＰＵ等を有する処理回路により実現されてもよく、ＡＳＩＣあるいはプログラマブル論理デバイス（例えば、ＳＰＬＤ、ＣＰＬＤおよびＦＰＧＡ）などにより実現されてもよい。

また、モデル学習装置６０が備える各ネットワークモデル及び各機能は、メモリに保存されたプログラムであってもよく、プロセッサの回路内にプログラムを直接組み込むよう構成されてもよい。すなわち、モデル学習装置６０が備える各ネットワークモデル及び各機能は、処理回路におけるＡＳＩＣ、或いはプログラマブル論理デバイスにプリセットされてもよい。換言すれば、モデル学習装置６０が備える各ネットワークモデル及び各機能は、ＡＳＩＣ、或いはプログラマブル論理デバイスで作りこまれていてもよい。

また、モデル学習装置６０が備える各ネットワークモデル及び各機能は、第１の実施形態で説明したＸ線診断装置１などの医用画像処理装置に組み込まれてもよい。

以下、一例として、第１の実施形態において用いられる学習済み予測モデルＭ１の生成方法について、説明する。

生成器６１は、過去Ｘ線画像、過去年齢及び現在年齢を受け付け、予測Ｘ線画像を出力する。

識別器６２は、予測Ｘ線画像と現在Ｘ線画像とを受け付け、予測Ｘ線画像が実際の撮影により得られたものであるか否かを判断する。具体的には、識別器６２は、まず、生成器６１から出力された予測Ｘ線画像（偽物）と、実際の撮影により生成された現在Ｘ線画像（本物）とを取得する。そして、識別器６２は、予測Ｘ線画像と現在Ｘ線画像のうち、どちらが実際の撮影により得られたデータ（本物）であるか、及び、どちらが生成器６１によって生成された計算上のデータ（偽物）であるかを判断（識別）し、判断結果を出力する。例えば、識別器６２は、生成器６１から出力された予測Ｘ線画像が本物であると判断した場合、「０」を出力し、現在Ｘ線画像が本物であると判断した場合、「１」を出力する。

モデル学習装置６０における処理回路は、識別器訓練機能６３及び生成器訓練機能６４を、交互に又は相互に繰り返し実行することにより、識別器６２及び生成器６１を交互に訓練する。識別器訓練機能６３及び生成器訓練機能６４が規定の回数以上実行されると、モデル学習装置６０は、識別器６２及び生成器６１の訓練を終了する。訓練後の生成器６１は、例えば、第１の実施形態等における学習済み予測モデルとして用いられる。

以下、モデル生成処理の手順について、図１９を参照して説明する。図１９は、学習済み予測モデルＭ１を生成する処理（以下、予測モデル生成処理と呼ぶ）の流れの一例を示すフローチャートである。

（予測モデル生成処理）
（ステップＳ２０１）
モデル学習装置６０は、識別器訓練機能６３により、識別器６２を訓練する。モデル学習装置６０における処理回路は、識別器訓練機能６３を実行することにより、識別器６２が正しい判断結果を出力する割合（以下、識別器６２の判断の成功度と呼ぶ）が大きくなるように、識別器６２を訓練する。この際、モデル学習装置６０は、例えば、識別器６２から出力された判断結果と、その判断において用いられた予測Ｘ線画像に関する撮影情報と現在Ｘ線画像に関する被検者情報とを取得し、識別器６２の判断結果が正しいか否かを判断する。その後、モデル学習装置６０は、判断結果に基づいて、正しい判断結果を出力するように識別器６２の各パラメータを更新する。これにより、識別器６２は、判断の成功度が大きくなるように、訓練（学習）される。

（ステップＳ２０２）
モデル学習装置６０は、生成器訓練機能６４により、生成器６１を訓練する。モデル学習装置６０における処理回路は、生成器訓練機能６４を実行することにより、識別器６２の判断の成功度を小さくする予測Ｘ線画像を出力するように、生成器６１を訓練する。この際、モデル学習装置６０は、識別器６２の判断結果が誤った際に識別器６２へ入力された予測Ｘ線画像と、この予測Ｘ線画像を生成器６１が出力した際に生成器６１に入力した過去Ｘ線画像とを学習させることにより、識別器６２が誤った判断結果を出力するような予測Ｘ線画像を出力するように、生成器６１の各パラメータを更新する。これにより、生成器６１は、識別器６２の判断の成功度を小さくする予測Ｘ線画像を出力するように、訓練（学習）される。

（ステップＳ２０３）
モデル学習装置６０は、識別器訓練機能６３及び生成器訓練機能６４の実行回数が規定の回数以上であるか否かを判断する。すなわち、処理回路は、識別器訓練機能６３及び生成器訓練機能６４のそれぞれが規定の回数以上実行されたか否かを判断する。規定の回数は、例えば、１万回である。

識別器訓練機能６３及び生成器訓練機能６４の実行回数が規定の回数以上である場合（ステップＳ２０３−Ｙｅｓ）、処理はステップＳ２０４に進む。識別器訓練機能６３及び生成器訓練機能６４の実行回数が規定の回数未満である場合（ステップＳ２０３−Ｎｏ）、処理はステップＳ２０１に戻り、モデル学習装置６０は、識別器訓練機能６３及び生成器訓練機能６４のそれぞれが規定の回数以上実行されるまで、ステップＳ２０１及びステップＳ２０２の処理を繰り返し実行する。これにより、識別器訓練機能６３及び生成器訓練機能６４が交互に繰り返し実行される。

（ステップＳ２０４）
識別器訓練機能６３及び生成器訓練機能６４が規定の回数以上実行されると、モデル学習装置６０は、生成器６１及び識別器６２の訓練を終了する。訓練後の生成器６１は、学習済みモデルとして用いられる。

本応用例では、互いに競合する２つの多層のネットワークモデルである生成器６１と識別器６２とを用いて、生成器６１及び識別器６２の訓練が繰り返し行われる。これにより、生成器６１と識別器６２の精度が互いに競い合うように向上する。これにより、精度の高い生成器６１（学習済み予測モデル）を生成することができる。

なお、本応用例では、識別器６２は、２つの入力画像の入力を受け付ける２チャンネル識別器であるが、これに限るものではない。識別器６２は、生成器６１から出力された補正後投影データ（偽物）のみを取得する１チャンネル識別器であってもよい。この場合、識別器６２は、生成器６１から出力された予測Ｘ線画像が本物であるか否かを判断する。また、識別器６２は、１つの予測Ｘ線画像（偽物）と、複数の現在Ｘ線画像（本物）とを取得する多重チャンネル識別器であってもよい。この場合、識別器６２は、取得した３つ以上のＸ線画像のうち、どのＸ線画像が偽物であるかを判断する。

以上説明した少なくとも１つの実施形態によれば、複数の医用データに関する被検体の同定精度を向上させることができる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１…Ｘ線診断装置
１０…撮影装置
１１…高電圧発生装置
１２…Ｘ線発生部
１３…Ｘ線検出器
１４…Ｃアーム
１４２…Ｃアーム駆動装置
３０…寝台装置
３１…基台
３２…寝台駆動装置
３３…天板
３４…支持フレーム
４０…コンソール装置
４１…メモリ
４２…ディスプレイ
４３…入力インターフェース
４４…処理回路
４４１…システム制御機能
４４２…駆動制御機能
４４３…Ｘ線制御機能
４４４…画像生成機能
４４５…表示制御機能
４４６…予測機能
４４６Ａ…抽出機能
４４６Ｂ…非病変予測機能
４４６Ｃ…病変予測機能
４４６Ｄ…合成機能
４４７…判定機能
４４７Ａ…判定機能
４４８…モデル特定機能
６０…モデル学習装置
６１…生成器
６２…識別器
６３…識別器訓練機能
６４…生成器訓練機能
Ｍ１，Ｍ６…学習済み予測モデル
Ｍ１１…頭部用学習済み予測モデル
Ｍ１２…胸部用学習済み予測モデル
Ｍ１３…腹部用学習済み予測モデル
Ｍ２，Ｍ５，Ｍ７…学習済み判定モデル
Ｍ２１…頭部用学習済み判定モデル
Ｍ２２…胸部用学習済み判定モデル
Ｍ２３…腹部用学習済み判定モデル
Ｍ３…学習済み非病変予測モデル
Ｍ４…学習済み病変予測モデル

Claims (10)

1. 第１年齢において第１被検体の撮影対象部位に関して取得された第１医用データと前記第１年齢と前記第１年齢とは異なる第２年齢とを受け付け、前記第１年齢から前記第２年齢までの前記撮影対象部位の経時変化を前記第１医用データに反映させた予測データを出力する学習済み予測モデルに前記第１医用データと前記第１年齢と前記第２年齢とを入力し、前記学習済み予測モデルに前記予測データを出力させる予測部と、
   前記第２年齢において前記撮影対象部位に関して取得された第２医用データと前記予測データとを受け付け、前記第２医用データに関する第２被検体と前記第１被検体とが同一であるか否かの判定結果を出力する学習済み判定モデルに前記第２医用データと前記予測データとを入力し、前記学習済み判定モデルに前記判定結果を出力させる判定部と、
   を備える、医用画像処理装置。
2. 前記判定部は、前記判定結果において前記第２被検体と前記第１被検体とが同一である場合、前記第１医用データと前記第２医用データとを関連付ける、
   請求項１に記載の医用画像処理装置。
3. 前記第１医用データと前記第２医用データとは、Ｘ線画像又は再構成画像である、
   請求項１又は２に記載の医用画像処理装置。
4. 前記第１医用データから前記第１医用データにおける病変領域を示す病変データを抽出する抽出部と、
   前記第１年齢から前記第２年齢までの前記病変領域の経時変化を前記病変データに反映させた病変予測データを出力する学習済み病変予測モデルに前記病変データを入力し、前記学習済み病変予測モデルに前記病変予測データを出力させる病変予測部と、
   前記予測データに前記病変予測データが重畳された合成データを生成する合成部と、
   をさらに備え、
   前記判定部は、前記第２医用データと前記合成データとを受け付け、前記第２被検体と前記第１被検体とが同一であるか否かの判定結果を出力する学習済み判定モデルに前記第２医用データと前記合成データとを入力し、前記学習済み判定モデルに前記判定結果を出力させる、
   請求項１乃至３のうちいずれか一項に記載の医用画像処理装置。
5. 複数の前記学習済み予測モデルの中から前記第１医用データに関する付帯情報に対応する学習済み予測モデルを特定し、複数の前記学習済み判定モデルの中から前記付帯情報に対応する学習済み判定モデルを特定するモデル特定部をさらに備え、
   前記予測部は、前記特定された学習済み予測モデルに対して前記第１医用データを入力し、前記特定された学習済み予測モデルに前記予測データを出力させ、
   前記判定部は、前記特定された学習済み判定モデルに対して前記第２医用データを入力し、前記特定された学習済み判定モデルに前記判定結果を出力させる、
   請求項１乃至４のうちいずれか一項に記載の医用画像処理装置。
6. 前記付帯情報は、被検体の性別、被検体の人種、及び、撮影対象部位のうちの少なくとも１つである、
   請求項５に記載の医用画像処理装置。
7. 前記第１医用データは、前記第２医用データより過去において取得された医用データである、
   請求項１乃至６のうちいずれか一項に記載の医用画像処理装置。
8. 前記予測部は、前記第１被検体の前記撮影対象部位に関して取得された複数の医用データのうち前記第２医用データに最も近い時点で取得された医用データを、前記第１医用データとして前記学習済み予測モデルに入力する、
   請求項７に記載の医用画像処理装置。
9. 前記第２医用データは、前記第１医用データより過去において取得された医用データである、
   請求項１乃至６のうちいずれか一項に記載の医用画像処理装置。
10. 第１被検体の撮影対象部位に関して第１年齢で取得された第１医用データから前記第１医用データにおける病変領域を示す病変データを抽出し、前記第１医用データから前記病変データを差分することにより非病変領域を示す非病変データを抽出する抽出部と、
    前記非病変データを受け付け、前記第１年齢から前記第１年齢とは異なる第２年齢までの前記非病変領域の経時変化を前記非病変データに反映させた非病変予測データを出力する学習済み非病変予測モデルに前記非病変データを入力し、前記学習済み非病変予測モデルに前記非病変予測データを出力させる非病変予測部と、
    前記病変データを受け付け、前記第１年齢から前記第２年齢までの前記病変領域の経時変化を前記病変データに反映させた病変予測データを出力する学習済み病変予測モデルに前記病変データを入力し、前記学習済み病変予測モデルに前記病変予測データを出力させる病変予測部と、
    前記非病変予測データと前記病変予測データとを合成することにより、合成データを生成する合成部と、
    前記第２年齢において前記撮影対象部位に関して取得された第２医用データと前記合成データとを受け付け、前記第２医用データに関する第２被検体と前記第１被検体とが同一であるか否かの判定結果を出力する学習済み判定モデルに前記第２医用データと前記合成データとを入力し、前記学習済み判定モデルに前記判定結果を出力させる判定部と、
    を備える、医用画像処理装置。