JP2022064763A - Ｘ線撮影装置、画像処理方法、および、学習済みモデルの生成方法 - Google Patents

Abstract

【課題】被検体の体内に取り残された異物が強調された強調画像を生成することによって異物の確認を行う場合に、Ｘ線画像に含まれる異物を容易に識別することが可能なＸ線撮影装置、画像処理方法、および、学習済みモデルの生成方法を提供することである。【解決手段】このＸ線撮影装置１００は、Ｘ線照射部１と、Ｘ線検出部２と、Ｘ線画像生成部３と、制御部６と、を備え、制御部６は、Ｘ線画像１０と、機械学習によって生成された学習済みモデル５１によってＸ線画像１０から異物２００が除去された除去画像２０とに基づいて、異物２００が強調された強調画像３０を生成する強調画像生成部６２と、強調画像３０に基づいて、強調された異物２００に対応する部分を色付けすることによって、異物２００を識別するための識別画像４０を生成する識別画像生成部６３と、識別画像４０を出力する画像出力部６４と、を含む。【選択図】図２

Description

本発明は、Ｘ線撮影装置、画像処理方法、および、学習済みモデルの生成方法に関し、特に、手術後の被検体の体内に取り残された異物を識別するためにＸ線撮影を行うＸ線撮影装置、画像処理方法、および、学習済みモデルの生成方法に関する。

従来、開腹手術の後に止血用ガーゼ（異物）の有無を確認するための確認用の放射線検査（Ｘ線撮影）を行う放射線撮影システム（Ｘ線撮影装置）が知られている（たとえば、特許文献１参照）。

上記特許文献１に記載されている放射線撮影システムは、検査目的に応じて、予め設定された処理手順に従って放射線画像の処理を行う。たとえば、開腹手術の後に止血用ガーゼの有無を確認するための処理手順が設定されている場合には、撮影された撮影画像に対して異物強調処理が実行される。そして、上記特許文献１に記載の放射線撮影システムは、被検者の体内の異物（ガーゼ）が見やすいように異物強調処理が実行された腹部画像を表示する。

特開２０１９－１８０６０５号公報

ここで、上記特許文献１には明記されていないが、上記特許文献１の放射線撮影システムのように、手術後に被検者（被検体）の体内に取り残されている止血用ガーゼ（手術用ガーゼ）などの異物の有無を医師などの作業者が確認するために、撮影されたＸ線画像に異物強調処理を実行する場合には、異物強調処理として、エッジ検出などの画像処理を実行して強調画像を生成することが考えられる。しかしながら、撮影されたＸ線画像にエッジ検出などの異物強調処理を実行した場合には、異物のみならず被検体の骨などの構造の輪郭までもが強調される。これにより、強調画像における異物の視認性が低下するため、撮影されたＸ線画像に含まれる異物を確認することが困難となる。

この発明は、上記のような課題を解決するためになされたものであり、この発明の１つの目的は、被検体の体内に取り残された異物が強調された強調画像を生成することによって異物の確認を行う場合に、Ｘ線画像に含まれる異物を容易に識別することが可能なＸ線撮影装置、画像処理方法、および、学習済みモデルの生成方法を提供することである。

上記目的を達成するために、この発明の第１の局面におけるＸ線撮影装置は、手術後の被検体の体内に取り残された異物を識別するためにＸ線撮影を行うＸ線撮影装置であって、被検体にＸ線を照射するＸ線照射部と、Ｘ線照射部から照射されたＸ線を検出するＸ線検出部と、Ｘ線検出部によって検出されたＸ線の検出信号に基づいてＸ線画像を生成するＸ線画像生成部と、制御部と、を備え、制御部は、Ｘ線画像と、機械学習によって生成された学習済みモデルによってＸ線画像からＸ線画像に含まれる異物が除去された除去画像とに基づいて、Ｘ線画像に含まれる異物が強調された強調画像を生成する強調画像生成部と、強調画像生成部によって生成された強調画像に基づいて、強調された異物に対応する部分を色付けすることによって、異物を識別するための識別画像を生成する識別画像生成部と、識別画像生成部によって生成された識別画像を出力する画像出力部と、を含む。

この発明の第２の局面における画像処理方法では、手術後の被検体の体内に取り残された異物を識別するために被検体にＸ線を照射するステップと、照射されたＸ線を検出するステップと、検出されたＸ線の検出信号に基づいてＸ線画像を生成するステップと、Ｘ線画像と、機械学習によって生成された学習済みモデルによってＸ線画像からＸ線画像に含まれる異物が除去された除去画像とに基づいて、Ｘ線画像に含まれる異物が強調された強調画像を生成するステップと、生成された強調画像に基づいて、強調された異物に対応する部分を色付けすることによって、異物を識別するための識別画像を生成するステップと、生成された識別画像を出力するステップと、を備える。

この発明の第３の局面における学習済みモデルの生成方法では、体内に異物が取り残されている手術後の被検体にＸ線を照射することによって生成されたＸ線画像を模擬するように生成された教師入力用Ｘ線画像を取得するステップと、教師入力用Ｘ線画像から異物が除去された教師出力用除去画像を取得するステップと、異物に対応する部分を色付けすることによって異物を識別するための識別画像を生成するために、教師入力用Ｘ線画像と教師出力用除去画像とに基づいて、機械学習によって、Ｘ線画像からＸ線画像に含まれる異物が除去された除去画像を出力する学習済みモデルを生成するステップと、を備える。

上記第１の局面におけるＸ線撮影装置および上記第２の局面における画像処理方法では、Ｘ線画像と、機械学習によって生成された学習済みモデルによってＸ線画像からＸ線画像に含まれる異物が除去された除去画像とに基づいて、Ｘ線画像に含まれる異物が強調された強調画像を生成する。そして、生成された強調画像に基づいて、強調された異物に対応する部分を色付けすることによって、異物を識別するための識別画像を生成する。これにより、強調画像において、エッジ検出などの異物強調処理によって被検体の骨などの構造と被検体に含まれる異物との両方が強調される場合と異なり、異物が含まれるＸ線画像と異物が除去された除去画像とに基づいて異物を抽出することによって、被検体の骨などの構造を強調させずに異物を強調させることができる。そのため、異物が強調された強調画像に基づいて異物を識別するための識別画像を生成する場合に、識別画像における異物を効果的に抽出して色付けすることができる。そのため、強調された異物に対応する部分が効果的に色付けされた識別画像を視認することによって、色付けされた異物を容易に識別することができる。その結果、被検体の体内に取り残された異物が強調された強調画像を生成することによって異物の確認を行う場合に、Ｘ線画像に含まれる異物を容易に識別することができる。

また、上記第３の局面における学習済みモデルの生成方法では、異物に対応する部分を色付けすることによって異物を識別するための識別画像を生成するために、教師入力用Ｘ線画像と教師出力用除去画像とに基づいて、Ｘ線画像からＸ線画像に含まれる異物が除去された除去画像を出力する学習済みモデルを生成する。これにより、機械学習によって生成された学習済みモデルに基づいて異物が除去された除去画像を生成することができるので、異物が含まれるＸ線画像と異物が除去された除去画像とに基づいてＸ線画像における異物を抽出することができるので、被検体の骨などの構造に対する強調を抑制しながら異物が強調された強調画像を生成することができる。そのため、強調された異物に対応する部分を色付けすることによって異物を識別するための識別画像を容易に生成することができる。その結果、識別画像を視認することによって色付けされた異物に対応する部分を容易に識別することができるので、Ｘ線画像に含まれる異物を容易に識別することが可能な学習済みモデルの生成方法を提供することができる。

一実施形態によるＸ線撮影装置の構成を説明するための図である。 一実施形態によるＸ線撮影装置の構成を説明するためのブロック図である。 一実施形態による体内に異物が取り残された被検体のＸ線画像の一例を示す図である。 一実施形態による除去画像の生成について説明するための図である。 一実施形態による除去画像生成部によるＸ線画像の切り分けについて説明するための図である。 一実施形態による学習済みモデルの生成について説明するための図である。 一実施形態による強調画像の生成について説明するための図である。 一実施形態による識別画像の生成について説明するための図である。 一実施形態による表示部の表示について説明するための図である。 一実施形態による学習済みモデルの生成方法について説明するためのフローチャート図である。 一実施形態による画像処理方法について説明するためのフローチャート図である。

以下、本発明を具体化した実施形態を図面に基づいて説明する。

（Ｘ線撮影装置の全体構成）
図１～図９を参照して、本発明の一実施形態によるＸ線撮影装置１００について説明する。

図１に示すように、Ｘ線撮影装置１００は、手術後の被検体１０１の体内に取り残された異物２００を識別するためにＸ線撮影を行う。Ｘ線撮影装置１００は、手術室内において開腹手術が行われた被検体１０１に対して、異物２００が体内に取り残されているか否かを確認するためのＸ線撮影を行う。Ｘ線撮影装置１００は、たとえば、装置全体が移動可能な回診用Ｘ線撮影装置である。異物２００は、たとえば、手術用ガーゼ、縫合針、および、鉗子（止血鉗子など）を含む。

一般に、開腹手術などの外科手術が行われた場合には、医師などの作業者は、閉創後に手術用ガーゼ、縫合針、および、鉗子などの異物２００が被検体１０１の体内に取り残される（残留する）ことがないように、被検体１０１に対して確認のためのＸ線撮影を行う。医師などの作業者は、撮影されたＸ線画像１０（図３参照）を視認することによって、被検体１０１の体内に異物２００が取り残されていないことを確認する。

〈Ｘ線撮影装置について〉
図２に示すように、Ｘ線撮影装置１００は、Ｘ線照射部１、Ｘ線検出部２、Ｘ線画像生成部３、表示部４、記憶部５、および、制御部６を備える。

Ｘ線照射部１は、手術後の被検体１０１にＸ線を照射する。Ｘ線照射部１は、電圧が印加されることによってＸ線を照射するＸ線管を含む。

Ｘ線検出部２は、被検体１０１を透過したＸ線を検出する。そして、Ｘ線検出部２は、検出されたＸ線に基づいて検出信号を出力する。Ｘ線検出部２は、たとえば、ＦＰＤ（Ｆｌａｔ Ｐａｎｅｌ Ｄｅｔｅｃｔｏｒ）を含む。また、Ｘ線検出部２は、ワイヤレスタイプのＸ線検出器として構成されており、無線信号としての検出信号を出力する。具体的には、Ｘ線検出部２は、無線ＬＡＮなどによる無線接続によって、後述するＸ線画像生成部３と通信可能に構成されており、Ｘ線画像生成部３に対して無線信号としての検出信号を出力する。

Ｘ線画像生成部３は、図３に示すように、Ｘ線照射部１およびＸ線検出部２を制御することによって、Ｘ線撮影の制御を行う。そして、Ｘ線画像生成部３は、Ｘ線検出部２によって検出されたＸ線の検出信号に基づいてＸ線画像１０を生成する。Ｘ線画像生成部３は、無線ＬＡＮなどによる無線接続によってＸ線検出部２と通信可能に構成されている。Ｘ線画像生成部３は、たとえば、ＦＰＧＡ（ｆｉｅｌｄ－ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）などのプロセッサを含む。そして、Ｘ線画像生成部３は、後述する制御部６に対して生成されたＸ線画像１０を出力する。

Ｘ線画像１０は、手術後の被検体１０１の腹部をＸ線撮影することにより取得された画像である。たとえば、Ｘ線画像１０には、異物２００として手術用ガーゼが含まれる。なお、手術用ガーゼは、手術後のＸ線撮影によるＸ線画像１０において視認可能なようにＸ線を透過させにくい造影糸が織り込まれている。

表示部４は、たとえば、タッチパネル式の液晶ディスプレイを含む。そして、表示部４は、撮影されたＸ線画像１０を表示する。また、表示部４は、後述する画像出力部６４によって出力された識別画像４０（図８参照）を表示する。また、表示部４は、タッチパネルに対する操作に基づいて、医師などの作業者によるＸ線撮影装置１００を操作するための入力操作を受け付けるように構成されている。

記憶部５は、たとえば、ハードディスクドライブなどの記憶装置により構成されている。記憶部５は、Ｘ線画像生成部３によって生成されたＸ線画像１０、および、後述する制御部６によって生成された識別画像４０（図８参照）などの画像データを記憶する。また、記憶部５は、Ｘ線撮影装置１００を動作させる各種の設定値を記憶するように構成されている。また、記憶部５は、制御部６によるＸ線撮影装置１００の制御の処理に用いられるプログラムを記憶する。また、記憶部５は、後述する学習済みモデル５１を記憶する。

制御部６は、たとえば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、および、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などを含んで構成されたコンピュータである。制御部６は、機能的な構成として、除去画像生成部６１、強調画像生成部６２、識別画像生成部６３、および、画像出力部６４を含む。すなわち、制御部６は、所定の制御プログラムを実行することにより、除去画像生成部６１、強調画像生成部６２、識別画像生成部６３、および、画像出力部６４として機能する。また、除去画像生成部６１、強調画像生成部６２、識別画像生成部６３、および、画像出力部６４は、制御部６の中のソフトウェアとしての機能ブロックであり、ハードウェアとしての制御部６の指令信号に基づいて機能するように構成されている。

（除去画像の生成について）
図４に示すように、本実施形態では、除去画像生成部６１（制御部６）は、機械学習によって生成された学習済みモデル５１に基づいて、Ｘ線画像１０から、Ｘ線画像１０に含まれる異物２００が除去された除去画像２０を生成する。学習済みモデル５１は、深層学習を用いた機械学習によって生成される。学習済みモデル５１は、たとえば、全層畳み込みネットワーク（Ｆｕｌｌｙ Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｔｗｏｒｋ：ＦＣＮ）の１種類であるＵ－Ｎｅｔをベースとして生成される。学習済みモデル５１は、入力であるＸ線画像１０の各画素のうちから、異物２００であると推定される画素を変換することによって、Ｘ線画像１０から異物２００であると推定された部分を除去する画像変換（画像再構成）を実行するように学習させることによって生成される。

また、図５に示すように、本実施形態では、除去画像生成部６１（制御部６）は、Ｘ線画像１０を複数の領域に切り分けるとともに、機械学習によって生成された学習済みモデル５１に基づいて、複数の領域に切り分けられた状態のＸ線画像１０から除去画像２０を生成するように構成されている。具体的には、除去画像生成部６１は、Ｘ線画像１０に含まれる異物２００に対応する大きさにＸ線画像１０を切り分ける。

たとえば、除去画像生成部６１は、異物２００が手術用ガーゼである場合には、切り分けられた１つのＸ線画像１０が、Ｘ線画像１０に含まれる異物２００（手術用ガーゼ）の標準的な大きさよりも少し大きい大きさとなるように、Ｘ線画像１０を切り分ける。具体的には、除去画像生成部６１は、Ｘ線画像生成部３によって生成されたＸ線画像１０をダウンサンプリング（サイズ変更）した後に、たてに５等分、よこに４等分に切り分けることによって、１辺が３２０ピクセルの２０個の正方形の領域に切り分ける。そして、除去画像生成部６１は、切り分けられた正方形の領域ごとに、機械学習によって生成された学習済みモデル５１に基づいて、それぞれ異物２００を除去する処理を実行する。除去画像生成部６１は、切り分けられた２０個の正方形の領域の各々に対して異物２００を除去する処理を実行した後に、切り分ける前のＸ線画像１０と対応するように異物２００が除去された２０個の正方形の領域を合成することによって、Ｘ線画像１０から異物２００が除去された除去画像２０を生成する。なお、除去画像生成部６１によるＸ線画像１０の切り分けは、正方形ではなく長方形でもよい。また、除去画像生成部６１によるＸ線画像１０の切り分けは、異物２００の大きさに拘らず所定の大きさに切り分けるようにしてもよい。

（学習済みモデルの生成について）
図６に示すように、本実施形態では、学習済みモデル５１は、Ｘ線画像１０から手術用ガーゼ、縫合針、および、鉗子を含む異物２００を除去するように機械学習によって生成される。学習済みモデル５１は、Ｘ線撮影装置１００とは別個の学習装置３００によって予め生成される。学習装置３００は、たとえば、ＣＰＵ、ＧＰＵ、ＲＯＭ、および、ＲＡＭなどを含んで構成されたコンピュータである。学習済みモデル５１は、教師入力用Ｘ線画像３１０と教師出力用除去画像３２０とに基づいて、深層学習を用いた機械学習によって生成される。

教師入力用Ｘ線画像３１０は、体内に異物２００が取り残された被検体１０１を撮影したＸ線画像１０を模擬するように学習装置３００によって生成される。学習装置３００は、たとえば、人体を模した人体ファントムにＸ線を照射することによって生成された模擬Ｘ線画像と、医療用ガーゼ、縫合針、および、鉗子などの異物２００をＸ線撮影することによって生成された異物画像とを取得する。

そして、学習装置３００は、教師入力用Ｘ線画像３１０を生成するために、Ｘ線撮影装置１００の制御部６の除去画像生成部６１によるＸ線画像１０の切り分けと同様に、取得した模擬Ｘ線画像を切り分ける。たとえば、除去画像生成部６１がＸ線画像１０を３２０ピクセル四方の正方形に切り分ける場合には、学習装置３００も同様に模擬Ｘ線画像を３２０ピクセル四方の正方形に切り分ける。そして、学習装置３００は、切り分けられた模擬Ｘ線画像と異物画像とを合成することによって教師入力用Ｘ線画像３１０を生成する。学習装置３００は、模擬Ｘ線画像と異物画像とを合成する場合のパラメータ（角度、濃度、大きさなど）を複数の条件に変更させることによって、複数の教師入力用Ｘ線画像３１０を生成する。

すなわち、学習済みモデル５１を生成するための機械学習において入力に用いられる教師入力用Ｘ線画像３１０は、学習済みモデル５１を用いた推論において入力に用いられるＸ線画像１０と、同様の条件（大きさ）となるように学習装置３００によって生成される。なお、教師入力用Ｘ線画像３１０は、異物２００が含まれていない（異物画像が合成されていない）模擬Ｘ線画像を含んでいてもよい。また、模擬Ｘ線画像に替えて、実際に人体をＸ線撮影した画像を用いて教師入力用Ｘ線画像３１０を生成してもよい。

教師出力用除去画像３２０は、生成された複数の教師入力用Ｘ線画像３１０のうちから異物２００が除去された画像である。たとえば、学習装置３００は、教師入力用Ｘ線画像３１０を生成する場合に用いられる異物画像が合成される前の模擬Ｘ線画像を教師出力用除去画像３２０として取得する。すなわち、教師出力用除去画像３２０は、教師入力用Ｘ線画像３１０と同様に、切り分けられた状態の画像として取得される。

学習装置３００は、教師入力用Ｘ線画像３１０を入力として、教師出力用除去画像３２０を出力として、機械学習によって学習を行い、学習済みモデル５１を生成する。すなわち、学習装置３００は、教師入力用Ｘ線画像３１０と教師出力用除去画像３２０とを教師データ（トレーニングセット）として、機械学習によって学習済みモデル５１を生成する。学習装置３００は、複数の教師入力用Ｘ線画像３１０と複数の教師出力用除去画像３２０とを用いて学習を行うことによって、学習済みモデル５１を生成する。

生成された学習済みモデル５１は、Ｘ線撮影を行う前に予めＸ線撮影装置１００の記憶部５に記憶される。学習済みモデル５１は、ネットワークを介して学習装置３００からＸ線撮影装置１００の記憶部５に記憶されてもよいし、フラッシュメモリなどの記憶媒体を介して記憶部５に記憶されてもよい。

（強調画像の生成について）
図７に示すように、本実施形態では、強調画像生成部６２（制御部６）は、Ｘ線画像１０と、機械学習によって生成された学習済みモデル５１によってＸ線画像１０からＸ線画像１０に含まれる異物２００が除去された除去画像２０とに基づいて、Ｘ線画像１０に含まれる異物２００が強調された強調画像３０を生成する。具体的には、強調画像生成部６２は、Ｘ線画像１０と除去画像２０との差分を取得することによって、Ｘ線画像１０に含まれる異物２００が強調された強調画像３０を生成するように構成されている。

詳細には、強調画像生成部６２は、Ｘ線画像１０から除去画像２０を減算することによって、強調画像３０を生成する。すなわち、強調画像生成部６２は、Ｘ線画像１０に含まれる画素の各々の画素値から、除去画像２０の対応する画素の各々の画素値を減算することによって、強調画像３０を生成する。強調画像３０は、Ｘ線画像１０に含まれる異物２００が強調されるとともに、Ｘ線画像１０における異物２００以外の構造（被検体１０１の骨など）の強調が抑制された画像となる。

（識別画像の生成について）
図８に示すように、本実施形態では、識別画像生成部６３（制御部６）は、強調画像生成部６２（制御部６）によって生成された強調画像３０に基づいて、強調された異物２００に対応する部分を色付けすることによって、異物２００を識別するための識別画像４０を生成する。

具体的には、本実施形態では、識別画像生成部６３（制御部６）は、強調画像３０のうちから異物２００の線状の構造（形状）を識別するとともに、識別された線状の構造に基づいて色付けすることによって、識別画像４０を生成するように構成されている。詳細には、識別画像生成部６３は、強調画像３０のうちから識別した異物２００の線状の構造が配置される部位を含む所定の領域における密度を取得するとともに、密度に応じて変化するように色付けされたヒートマップ画像（カラーマップ画像）として識別画像４０を生成するように構成されている。

たとえば、識別画像生成部６３は、生成された強調画像３０を２値化処理する。そして、識別画像生成部６３は、２値化処理された強調画像３０において、線状の構造の密度を検出することによって、線状の構造が含まれる部分（画素）を識別する。具体的には、識別画像生成部６３は、２値化された強調画像３０に対して、強調画像３０のうちから特徴量を抽出することによってパターン認識を実行して線状の構造を識別する。

たとえば、識別画像生成部６３は、高次局所自己相関（ＨＬＡＣ：Ｈｉｇｈｅｒ－ｏｒｄｅｒ Ｌｏｃａｌ ＡｕｔｏＣｏｒｒｅｌａｔｉｏｎ）特徴を特徴量として抽出する。識別画像生成部６３は、たとえば、強調画像３０の１つの画素を参照点として取得する。そして、識別画像生成部６３は、参照点を含む（中心とする）所定の領域の局所自己相関特徴による特徴量を抽出する。そして、識別画像生成部６３は、抽出した特徴量と、予め設定されている線状の構造（形状）の特徴量との一致度を測定することによって、参照点を含む所定の領域における線状の構造を識別（検出）する。識別画像生成部６３は、参照点を含む所定の領域における線状の構造の検出値を、参照点における線状の構造の所定の領域における密度として取得する。識別画像生成部６３は、強調画像３０の画素の各々を参照点として局所自己相関特徴量を取得することによって、強調画像３０の画素の各々において線状の構造の密度（検出値）を取得する。ここで、参照点を含む所定の領域の大きさは、たとえば、３×３ピクセルの領域であってもよいし、３×３ピクセルよりも大きい９×９ピクセルなどの大きさの領域であってもよい。

そして、識別画像生成部６３は、強調画像３０の画素ごとに取得された線状の構造の密度（検出値）に基づいて、画素ごとに色付けすることによって識別画像４０を生成する。識別画像４０は、各々の画素において、たとえば、赤色を基準として、対応する密度の値が大きいほど輝度が高く、密度の値が小さいほど輝度が低くなるように色付けされる。すなわち、値が大きいほど色が薄く白くなり、値が小さいほど色が濃く黒くなるように識別画像４０が生成される。たとえば、識別画像４０における色の輝度は、０以上２５５以下の２５６段階の値によって設定される。識別画像生成部６３は、取得された線状の構造の密度（検出値）の０．０以上４．０以下の値の範囲を、２５６段階の輝度に対応付けるようにして、識別画像４０における色を設定する。なお、密度（検出値）が４．０より大きい場合には、４．０と同様の色（輝度値が最大となる色）が設定される。なお、図８では、色の違いをハッチングの違いによって表している。図８では、識別画像４０において、密度（検出値）の値の１．０ごとに段階的に色（ハッチング）が変化するように表しているが、段階的（離散的）な色の変化ではなく、徐々に色が変化するようにして識別画像４０を生成するようにしてもよい。

識別画像生成部６３は、上記のようにして、表示される色によって、各画素（各領域）における特徴量が、異物２００に対応する線状の構造の特徴量とどの程度一致しているかということが識別可能な識別画像４０を生成する。なお、識別画像４０における色の変化は、２５６段階の連続的な色（輝度値）の変化ではなく、しきい値を設けることによって、４または５段階ほどの色の変化（離散的な色の変化）によって表すようにしてもよい。また、識別画像４０を生成する場合における線状の構造（形状）の識別（抽出）は、高次局所自己相関特徴以外の特徴量の抽出方法を用いたパターン認識によって所定の領域ごとに特徴量を取得するとともに、線状の構造（形状）の密度（パターンの該当の程度）を識別（検出）して色付けされるようにしてもよい。また、上記では、異物２００として手術用ガーゼを識別する例について説明したが、異物２００が縫合針または鉗子などである場合にも、同様に、強調画像３０から線状の構造（形状）を識別することによって、識別画像４０が生成される。

（表示部の表示について）
図９に示すように、本実施形態では、画像出力部６４（制御部６）は、識別画像生成部６３によって生成された識別画像４０を出力する。具体的には、画像出力部６４は、Ｘ線画像１０と識別画像４０とを表示部４に表示させるように構成されている。本実施形態では、画像出力部６４は、Ｘ線画像１０に識別画像４０を重畳させて表示部４に表示させるように構成されている。

画像出力部６４は、たとえば、識別画像４０の透過度を５０％にする画像処理を行う。そして、画像出力部６４は、透過度が５０％の識別画像４０を、Ｘ線画像１０に重畳させて表示部４に表示させる。すなわち、画像出力部６４は、Ｘ線画像１０に、透過処理がされた識別画像４０を重畳させて表示部４に表示させる。画像出力部６４は、Ｘ線画像１０における異物２００が色付けされた状態で視認可能なように、Ｘ線画像１０に識別画像４０を重畳させて表示部４に表示させる。

なお、画像出力部６４は、表示部４のタッチパネルに対する入力操作に基づいて、識別画像４０をＸ線画像１０に重畳して表示させることと、識別画像４０を表示せずＸ線画像１０のみを表示させることとを切り替えるように構成されていてもよい。また、画像出力部６４は、識別画像４０とＸ線画像１０とに加えて、強調画像３０を表示部４に表示させるように構成されていてもよい。

（本実施形態による学習済みモデルの生成方法について）
次に、図１０を参照して、本実施形態による学習済みモデルの生成方法について説明する。なお、学習済みモデルの生成方法は、学習装置３００によって実施される。

まず、ステップ４０１において、人体ファントムをＸ線撮影した模擬Ｘ線画像と、異物２００をＸ線撮影した異物画像とが取得される。

次に、ステップ４０２において、体内に異物２００が取り残されている手術後の被検体１０１にＸ線を照射することによって生成されたＸ線画像１０を模擬するように生成された教師入力用Ｘ線画像３１０が取得される。具体的には、複数の模擬Ｘ線画像が切り分けられる。そして、切り分けられた模擬Ｘ線画像と、複数の異物画像とが、パラメータ（濃度、角度、および、大きさなど）を変更しながら合成されることによって生成された教師入力用Ｘ線画像３１０が取得される。

次に、ステップ４０３において、教師入力用Ｘ線画像３１０から異物２００が除去された教師出力用除去画像３２０が取得される。具体的には、ステップ４０２において切り分けられた複数の模擬Ｘ線画像が、教師入力用Ｘ線画像３１０に対応するように教師出力用除去画像３２０として取得される。

次に、ステップ４０４において、異物２００に対応する部分を色付けすることによって異物２００を識別するための識別画像４０を生成するために、教師入力用Ｘ線画像３１０と教師出力用除去画像３２０とに基づいて、機械学習によって、Ｘ線画像１０からＸ線画像１０に含まれる異物２００が除去された除去画像２０を出力する学習済みモデル５１が生成される。具体的には、教師入力用Ｘ線画像３１０を入力として、教師出力用除去画像３２０を出力として、深層学習による機械学習によって学習が行われ、除去画像２０を生成するための学習済みモデル５１が生成される。

（本実施形態による画像処理方法について）
次に、図１１を参照して、本実施形態による画像処理方法に関する制御処理フローについて説明する。また、ステップ５０１～ステップ５０３は、Ｘ線画像生成部３による制御処理を示し、ステップ５０４～ステップ５０６は、制御部６による制御処理を示す。

まず、ステップ５０１において、手術後の被検体１０１の体内に取り残された異物２００を識別するために被検体１０１にＸ線が照射される。次に、ステップ５０２において、照射されたＸ線が検出される。次に、ステップ５０３において、検出されたＸ線の検出信号に基づいてＸ線画像１０が生成される。

次に、ステップ５０４において、Ｘ線画像１０と、機械学習によって生成された学習済みモデル５１によってＸ線画像１０からＸ線画像１０に含まれる異物２００が除去された除去画像２０とに基づいて、Ｘ線画像１０に含まれる異物２００が強調された強調画像３０が生成される。具体的には、Ｘ線画像１０が複数の領域に切り分けられ、学習済みモデル５１に基づいて、複数の領域に切り分けられた状態のＸ線画像１０から、異物２００が除去された除去画像２０が生成される。そして、Ｘ線画像１０と除去画像２０との差分を取得することによって、異物２００が強調された強調画像３０が生成される。

次に、ステップ５０５において、生成された強調画像３０に基づいて、強調された異物２００に対応する部分を色付けすることによって、異物２００を識別するための識別画像４０が生成される。具体的には、強調画像３０のうちから異物２００の線状の構造（形状）を識別（検出）するとともに、識別された線状の構造が配置される部位を含む所定の領域における密度（検出値）に基づいて色付けすることによって、識別画像４０が生成される。

次に、ステップ５０６において、生成された識別画像４０が出力される。具体的には、Ｘ線画像１０に識別画像４０が重畳させられて表示部４に表示させられる。

［本実施形態の効果］
本実施形態では、以下のような効果を得ることができる。

本実施形態のＸ線撮影装置１００では、上記のように、Ｘ線画像１０と、機械学習によって生成された学習済みモデル５１によってＸ線画像１０からＸ線画像１０に含まれる異物２００が除去された除去画像２０とに基づいて、Ｘ線画像１０に含まれる異物２００が強調された強調画像３０を生成する。そして、生成された強調画像３０に基づいて、強調された異物２００に対応する部分を色付けすることによって、異物２００を識別するための識別画像４０を生成する。これにより、強調画像３０において、エッジ検出などの異物強調処理によって被検体１０１の骨などの構造と被検体１０１に含まれる異物２００との両方が強調される場合と異なり、異物２００が含まれるＸ線画像１０と異物２００が除去された除去画像２０とに基づいて異物２００を抽出することによって、被検体１０１の骨などの構造を強調させずに異物２００を強調させることができる。そのため、異物２００が強調された強調画像３０に基づいて異物２００を識別するための識別画像４０を生成する場合に、識別画像４０における異物２００を効果的に抽出して色付けすることができる。そのため、強調された異物２００に対応する部分が効果的に色付けされた識別画像４０を視認することによって、色付けされた異物２００を容易に識別することができる。その結果、被検体１０１の体内に取り残された異物２００が強調された強調画像３０を生成することによって異物２００の確認を行う場合に、Ｘ線画像１０に含まれる異物２００を容易に識別することができる。

また、上記実施形態では、以下のように構成したことによって、下記のような更なる効果が得られる。

すなわち、本実施形態では、上記のように、識別画像生成部６３（制御部６）は、強調画像３０のうちから異物２００の線状の構造を識別するとともに、識別された線状の構造に基づいて色付けすることによって、識別画像４０を生成するように構成されている。このように構成すれば、強調画像３０に含まれる異物２００は線状の構造を有しているため、強調画像３０のうちから線状の構造を識別することによって、異物２００に対応する部分を容易に識別することができる。そのため、異物２００に対応する部分が色付けされた識別画像４０を容易に生成することができるので、生成された識別画像４０を参照することによってＸ線画像１０に含まれる異物２００を容易に識別することができる。

また、本実施形態では、上記のように、識別画像生成部６３（制御部６）は、強調画像３０のうちから識別した異物２００の線状の構造が配置される部位を含む所定の領域における密度を取得するとともに、密度に応じて変化するように色付けされたヒートマップ画像として識別画像４０を生成するように構成されている。このように構成すれば、異物２００の線状の構造が配置される部位を含む所定の領域における密度に応じて識別画像４０が色付けされるため、密度の高い部分をより強調した識別画像４０を生成することができる。そのため、異物２００を強調するように生成された強調画像３０では、異物２００に対応する部分において線状の構造の密度が高くなるため、識別画像４０における異物２００に対応する部分をより強調させて色付けすることができる。その結果、識別画像４０を視認することによって、Ｘ線画像１０に含まれる異物２００をより容易に識別することができる。

また、本実施形態では、上記のように、制御部６は、機械学習によって生成された学習済みモデル５１に基づいて、Ｘ線画像１０から、Ｘ線画像１０に含まれる異物２００が除去された除去画像２０を生成する除去画像生成部６１をさらに含み、除去画像生成部６１（制御部６）は、Ｘ線画像１０を複数の領域に切り分けるとともに、機械学習によって生成された学習済みモデル５１に基づいて、複数の領域に切り分けられた状態のＸ線画像１０から除去画像２０を生成するように構成されており、識別画像生成部６３（制御部６）は、Ｘ線画像１０と複数の領域に切り分けられた状態のＸ線画像１０から生成された除去画像２０とに基づいて生成された強調画像３０のうちから、異物２００の線状の構造を識別するとともに、識別された線状の構造に基づいて色付けすることによって、識別画像４０を生成するように構成されている。このように構成すれば、切り分けられたＸ線画像１０を入力として学習済みモデル５１を用いて異物２００を除去する処理を実行するため、切り分けずに１つのＸ線画像１０を入力として異物２００を除去する処理を実行する場合に比べて、入力の画像全体に占める異物２００の割合を大きくすることができる。そのため、切り分けられたＸ線画像１０を入力とすることによって異物２００の除去の精度を高くすることができる。その結果、強調画像３０におけて異物２００をより精度よく強調することができるため、複数の領域に切り分けられた状態のＸ線画像１０から除去画像２０を生成することによって、医師などの作業者は、異物２００をより効果的に識別することができる。

また、本実施形態では、上記のように、強調画像生成部６２（制御部６）は、Ｘ線画像１０と除去画像２０との差分を取得することによって、Ｘ線画像１０に含まれる異物２００が強調された強調画像３０を生成するように構成されており、識別画像生成部６３（制御部６）は、除去画像２０とＸ線画像１０との差分を取得することによって生成された強調画像３０のうちから、異物２００の線状の構造を識別するとともに、識別された線状の構造に基づいて色付けすることによって、識別画像４０を生成するように構成されている。このように構成すれば、異物２００が含まれるＸ線画像１０と異物２００が含まれない除去画像２０との差分を取得することによって、骨などの構造のエッジが除去されているため効果的に異物２００を強調（抽出）した強調画像３０を生成することができる。そのため、強調画像３０のうちから異物２００の線状の構造を識別する場合に、異物２００に対応する部分を精度よく識別することができる。その結果、異物２００に対応する部分を精度よく色付けすることができるので、異物２００に対応する部分をより効果的に識別可能なように識別画像４０を生成することができる。

また、本実施形態では、上記のように、異物２００は、手術用ガーゼ、縫合針、および、鉗子を含み、識別画像生成部６３（制御部６）は、強調画像生成部６２（制御部６）によって生成された強調画像３０のうちから、手術用ガーゼ、縫合針、および、鉗子に対応する線状の構造を識別するとともに、識別された線状の構造に基づいて色付けすることによって、識別画像４０を生成するように構成されている。このように構成すれば、手術後の被検体１０１の体内に取り残されやすい手術用ガーゼ、縫合針、および、鉗子を、識別画像４０において、容易に識別可能なように色付けすることができる。その結果、医師などの作業者は、識別画像４０を視認することによって、手術後の被検体１０１の体内に取り残されやすい手術用ガーゼ、縫合針、および、鉗子を効果的に識別することができる。

また、本実施形態では、上記のように、画像出力部６４（制御部６）によって出力された画像を表示する表示部４をさらに備え、画像出力部６４は、Ｘ線画像１０と識別画像４０とを表示部４に表示させるように構成されている。このように構成すれば、医師などの作業者は、表示部４に表示されたＸ線画像１０と識別画像４０との両方を視認することによって、識別画像４０において色付けされた異物２００の部分と、色付けされた異物２００の部分に対応するＸ線画像１０の位置（領域）とを容易に見比べることができる。そのため、医師などの作業者は、Ｘ線画像１０における異物２００と識別された部分を容易に認識することができる。

また、本実施形態では、上記のように、画像出力部６４（制御部６）は、Ｘ線画像１０に識別画像４０を重畳させて表示部４に表示させるように構成されている。このように構成すれば、異物２００と識別された部分が色付けされた識別画像４０をＸ線画像１０に重畳させるため、Ｘ線画像１０と識別画像４０とが並べて表示されている場合と異なり、Ｘ線画像１０と識別画像４０との間で視点を移動させることなくＸ線画像１０における異物２００と識別された領域を確認することができる。その結果、医師などの作業者は、Ｘ線画像１０における異物２００と識別された部分をより容易に認識することができる。

［本実施形態による画像処理方法の効果］
本実施形態のＸ線撮影装置１００による画像処理方法では、以下のような効果を得ることができる。

本実施形態の画像処理方法では、上記のように構成することにより、Ｘ線画像１０と、機械学習によって生成された学習済みモデル５１によってＸ線画像１０からＸ線画像１０に含まれる異物２００が除去された除去画像２０とに基づいて、Ｘ線画像１０に含まれる異物２００が強調された強調画像３０を生成する。そして、生成された強調画像３０に基づいて、強調された異物２００に対応する部分を色付けすることによって、異物２００を識別するための識別画像４０を生成する。これにより、強調画像３０において、エッジ検出などの異物強調処理によって被検体１０１の骨などの構造と被検体１０１に含まれる異物２００との両方が強調される場合と異なり、異物２００が含まれるＸ線画像１０と異物２００が除去された除去画像２０とに基づいて異物２００を抽出することによって、被検体１０１の骨などの構造を強調させずに異物２００を強調させることができる。そのため、異物２００が強調された強調画像３０に基づいて異物２００を識別するための識別画像４０を生成する場合に、識別画像４０における異物２００を効果的に抽出して色付けすることができる。そのため、強調された異物２００に対応する部分が効果的に色付けされた識別画像４０を視認することによって、色付けされた異物２００を容易に識別することができる。その結果、被検体１０１の体内に取り残された異物２００が強調された強調画像３０を生成することによって異物２００の確認を行う場合に、Ｘ線画像１０に含まれる異物２００を容易に識別することが可能な画像処理方法を提供することができる。

［本実施形態による学習済みモデルの生成方法の効果］
本実施形態の学習済みモデルの生成方法では、以下のような効果を得ることができる。

本実施形態の学習済みモデルの生成方法では、上記のように、異物２００に対応する部分を色付けすることによって異物２００を識別するための識別画像４０を生成するために、教師入力用Ｘ線画像３１０と教師出力用除去画像３２０とに基づいて、Ｘ線画像１０からＸ線画像１０に含まれる異物２００が除去された除去画像２０を出力する学習済みモデル５１を生成する。これにより、機械学習によって生成された学習済みモデル５１に基づいて異物２００が除去された除去画像２０を生成することができるので、異物２００が含まれるＸ線画像１０と異物２００が除去された除去画像２０とに基づいてＸ線画像１０における異物２００を抽出することができるので、被検体１０１の骨などの構造に対する強調を抑制しながら異物２００が強調された強調画像３０を生成することができる。そのため、強調された異物２００に対応する部分を色付けすることによって異物２００を識別するための識別画像４０を容易に生成することができる。その結果、識別画像４０を視認することによって色付けされた異物２００に対応する部分を容易に識別することができるので、Ｘ線画像１０に含まれる異物２００を容易に識別することが可能な学習済みモデルの生成方法を提供することができる。

［変形例］
なお、今回開示された実施形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した実施形態の説明ではなく特許請求の範囲によって示され、さらに特許請求の範囲と均等の意味および範囲内でのすべての変更（変形例）が含まれる。

すなわち、上記実施形態では、識別画像生成部６３（制御部６）は、強調画像３０のうちから異物２００の線状の構造を識別するとともに、識別された線状の構造に基づいて色付けすることによって、識別画像４０を生成するように構成されている例を示したが、本発明はこれに限られない。たとえば、線状の構造（形状）のパターン認識ではなく、強調画像３０の画素値に基づいて色付けすることによって識別画像４０を生成するようにしてもよい。すなわち、強調画像３０の所定の領域における画素値の濃度に基づいて、識別画像４０を色付けするようにしてもよい。

また、上記実施形態では、識別画像生成部６３（制御部６）は、異物２００の線状の構造が配置される部位を含む所定の領域における密度に応じて変化するように色付けされたヒートマップ画像として識別画像４０を生成するように構成されている例を示したが、本発明はこれに限られない。たとえば、色を変化させずに、線状の構造の密度（検出値）にしきい値を設けることによって、しきい値より大きい部分（領域）が１つの色によって色付けされた識別画像４０を生成するようにしてもよい。

また、上記実施形態では、除去画像生成部６１（制御部６）は、Ｘ線画像１０を複数の領域に切り分けるとともに、機械学習によって生成された学習済みモデル５１に基づいて、複数の領域に切り分けられた状態のＸ線画像１０から除去画像２０を生成するように構成されている例を示したが、本発明はこれに限られない。たとえば、Ｘ線画像１０を切り分けずに、１つのＸ線画像１０から除去画像２０を生成するようにしてもよい。

また、上記実施形態では、強調画像生成部６２（制御部６）は、Ｘ線画像１０と除去画像２０との差分を取得する（減算処理をする）ことによって、Ｘ線画像１０に含まれる異物２００が強調された強調画像３０を生成するように構成されている例を示したが、本発明はこれに限られない。たとえば、減算処理ではなく、Ｘ線画像１０から除去画像２０を除算処理することによって強調画像３０を生成するようにしてもよい。

また、上記実施形態では、異物２００は、手術用ガーゼ、縫合針、および、鉗子を含む例を示したが、本発明はこれに限られない。たとえば、異物２００は、ボルト、および、固定用のクリップなどを含んでいてもよい。

また、上記実施形態では、画像出力部６４（制御部６）によって出力された画像を表示する表示部４をさらに備える例を示したが、本発明はこれに限られない。たとえば、Ｘ線撮影装置１００とは別個に設けられた外部モニタなどの表示装置にＸ線画像１０および識別画像４０などの画像出力部６４によって出力された画像を表示するようにしてもよい。

また、上記実施形態では、画像出力部６４（制御部６）は、Ｘ線画像１０に識別画像４０を重畳させて表示部４に表示させるように構成されている例を示したが、本発明はこれに限られない。たとえば、Ｘ線画像１０と識別画像４０とを並べて表示部４に表示するようにしてもよい。

また、上記実施形態では、赤色を基準として、輝度の差異によって、線状の構造（形状）の密度（検出値）を識別可能なように識別画像４０を生成する例を示したが、本発明はこれに限られない。たとえば、色相を異ならせることによって線状形状の検出値の分布を識別可能なように識別画像４０を生成するようにしてもよい。すなわち、検出値が大きい場合は赤色を表示させ、赤、黄、緑、青の順で、検出値の変化を表すようにしてもよい。

また、上記実施形態では、別個のハードウェアとして構成されたＸ線画像生成部３と、制御部６とによって、Ｘ線画像１０の生成についての制御処理と、識別画像４０の生成についての制御処理とがそれぞれ行われる例を示したが、本発明はこれに限られない。たとえば、共通の１つの制御部（ハードウェア）によって、Ｘ線画像１０の生成および識別画像４０の生成が行われるように構成されていてもよい。

また、上記実施形態では、除去画像生成部６１、強調画像生成部６２、識別画像生成部６３、および、画像出力部６４が、１つのハードウェア（制御部６）における機能ブロック（ソフトウェア）として構成されている例を示したが、本発明はこれに限られない。たとえば、除去画像生成部６１、強調画像生成部６２、識別画像生成部６３、および、画像出力部６４が、それぞれ別個のハードウェア（演算回路）によって構成されていてもよい。

また、上記実施形態では、Ｘ線撮影装置１００とは別個の学習装置３００によって学習済みモデル５１が生成される例を示したが、本発明はこれに限られない。たとえば、Ｘ線撮影装置１００によって学習済みモデル５１が生成されてもよい。

また、上記実施形態では、学習済みモデル５１は、全層畳み込みネットワーク（Ｆｕｌｌｙ Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｔｗｏｒｋ：ＦＣＮ）の１種類であるＵ－Ｎｅｔをベースとして生成される例を示したが本発明はこれに限られない。たとえば、学習済みモデル５１は、全結合層を含むＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）をベースとして生成されてもよい。また、学習済みモデル５１は、ＳｅｇＮｅｔまたはＰＳＰＮｅｔなどのＵ－Ｎｅｔ以外のＥｎｃｏｄｅｒ－Ｄｅｃｏｄｅｒモデルをベースとして生成されてもよい。

［態様］
上記した例示的な実施形態は、以下の態様の具体例であることが当業者により理解される。

（項目１）
手術後の被検体の体内に取り残された異物を識別するためにＸ線撮影を行うＸ線撮影装置であって、
前記被検体にＸ線を照射するＸ線照射部と、
前記Ｘ線照射部から照射されたＸ線を検出するＸ線検出部と、
前記Ｘ線検出部によって検出されたＸ線の検出信号に基づいてＸ線画像を生成するＸ線画像生成部と、
制御部と、を備え、
前記制御部は、
前記Ｘ線画像と、機械学習によって生成された学習済みモデルによって前記Ｘ線画像から前記Ｘ線画像に含まれる前記異物が除去された除去画像とに基づいて、前記Ｘ線画像に含まれる前記異物が強調された強調画像を生成する強調画像生成部と、
前記強調画像生成部によって生成された前記強調画像に基づいて、強調された前記異物に対応する部分を色付けすることによって、前記異物を識別するための識別画像を生成する識別画像生成部と、
前記識別画像生成部によって生成された前記識別画像を出力する画像出力部と、を含む、Ｘ線撮影装置。

（項目２）
前記識別画像生成部は、前記強調画像のうちから前記異物の線状の構造を識別するとともに、識別された線状の構造に基づいて色付けすることによって、前記識別画像を生成するように構成されている、項目１に記載のＸ線撮影装置。

（項目３）
前記識別画像生成部は、前記強調画像のうちから識別した前記異物の線状の構造が配置される部位を含む所定の領域における密度を取得するとともに、前記密度に応じて変化するように色付けされたヒートマップ画像として前記識別画像を生成するように構成されている、項目２に記載のＸ線撮影装置。

（項目４）
前記制御部は、機械学習によって生成された前記学習済みモデルに基づいて、前記Ｘ線画像から、前記Ｘ線画像に含まれる前記異物が除去された前記除去画像を生成する除去画像生成部をさらに含み、
前記除去画像生成部は、前記Ｘ線画像を複数の領域に切り分けるとともに、機械学習によって生成された前記学習済みモデルに基づいて、複数の領域に切り分けられた状態の前記Ｘ線画像から前記除去画像を生成するように構成されており、
前記識別画像生成部は、前記Ｘ線画像と複数の領域に切り分けられた状態の前記Ｘ線画像から生成された前記除去画像とに基づいて生成された前記強調画像のうちから、前記異物の線状の構造を識別するとともに、識別された線状の構造に基づいて色付けすることによって、前記識別画像を生成するように構成されている、項目２または３に記載のＸ線撮影装置。

（項目５）
前記強調画像生成部は、前記Ｘ線画像と前記除去画像との差分を取得することによって、前記Ｘ線画像に含まれる前記異物が強調された前記強調画像を生成するように構成されており、
前記識別画像生成部は、前記除去画像と前記Ｘ線画像との差分を取得することによって生成された前記強調画像のうちから、前記異物の線状の構造を識別するとともに、識別された線状の構造に基づいて色付けすることによって、前記識別画像を生成するように構成されている、項目２～４のいずれか１項に記載のＸ線撮影装置。

（項目６）
前記異物は、手術用ガーゼ、縫合針、および、鉗子を含み、
前記識別画像生成部は、前記強調画像生成部によって生成された前記強調画像のうちから、前記手術用ガーゼ、前記縫合針、および、前記鉗子に対応する線状の構造を識別するとともに、識別された線状の構造に基づいて色付けすることによって、前記識別画像を生成するように構成されている、項目２～５のいずれか１項に記載のＸ線撮影装置。

（項目７）
前記画像出力部によって出力された画像を表示する表示部をさらに備え、
前記画像出力部は、前記Ｘ線画像と前記識別画像とを前記表示部に表示させるように構成されている、項目１～６のいずれか１項に記載のＸ線撮影装置。

（項目８）
前記画像出力部は、前記Ｘ線画像に前記識別画像を重畳させて前記表示部に表示させるように構成されている、項目７に記載のＸ線撮影装置。

（項目９）
手術後の被検体の体内に取り残された異物を識別するために前記被検体にＸ線を照射するステップと、
照射されたＸ線を検出するステップと、
検出されたＸ線の検出信号に基づいてＸ線画像を生成するステップと、
前記Ｘ線画像と、機械学習によって生成された学習済みモデルによって前記Ｘ線画像から前記Ｘ線画像に含まれる前記異物が除去された除去画像とに基づいて、前記Ｘ線画像に含まれる前記異物が強調された強調画像を生成するステップと、
生成された前記強調画像に基づいて、強調された前記異物に対応する部分を色付けすることによって、前記異物を識別するための識別画像を生成するステップと、
生成された前記識別画像を出力するステップと、を備える、画像処理方法。

（項目１０）
体内に異物が取り残されている手術後の被検体にＸ線を照射することによって生成されたＸ線画像を模擬するように生成された教師入力用Ｘ線画像を取得するステップと、
前記教師入力用Ｘ線画像から前記異物が除去された教師出力用除去画像を取得するステップと、
前記異物に対応する部分を色付けすることによって前記異物を識別するための識別画像を生成するために、前記教師入力用Ｘ線画像と前記教師出力用除去画像とに基づいて、機械学習によって、前記Ｘ線画像から前記Ｘ線画像に含まれる前記異物が除去された除去画像を出力する学習済みモデルを生成するステップと、を備える、学習済みモデルの生成方法。

１ Ｘ線照射部
２ Ｘ線検出部
３ Ｘ線画像生成部
４ 表示部
６ 制御部
１０ Ｘ線画像
２０ 除去画像
３０ 強調画像
４０ 識別画像
５１ 学習済みモデル
６１ 除去画像生成部
６２ 強調画像生成部
６３ 識別画像生成部
６４ 画像出力部
１００ Ｘ線撮影装置
１０１ 被検体
２００ 異物
３１０ 教師入力用Ｘ線画像
３２０ 教師出力用除去画像

Claims (10)

1. 手術後の被検体の体内に取り残された異物を識別するためにＸ線撮影を行うＸ線撮影装置であって、
   前記被検体にＸ線を照射するＸ線照射部と、
   前記Ｘ線照射部から照射されたＸ線を検出するＸ線検出部と、
   前記Ｘ線検出部によって検出されたＸ線の検出信号に基づいてＸ線画像を生成するＸ線画像生成部と、
   制御部と、を備え、
   前記制御部は、
   前記Ｘ線画像と、機械学習によって生成された学習済みモデルによって前記Ｘ線画像から前記Ｘ線画像に含まれる前記異物が除去された除去画像とに基づいて、前記Ｘ線画像に含まれる前記異物が強調された強調画像を生成する強調画像生成部と、
   前記強調画像生成部によって生成された前記強調画像に基づいて、強調された前記異物に対応する部分を色付けすることによって、前記異物を識別するための識別画像を生成する識別画像生成部と、
   前記識別画像生成部によって生成された前記識別画像を出力する画像出力部と、を含む、Ｘ線撮影装置。
2. 前記識別画像生成部は、前記強調画像のうちから前記異物の線状の構造を識別するとともに、識別された線状の構造に基づいて色付けすることによって、前記識別画像を生成するように構成されている、請求項１に記載のＸ線撮影装置。
3. 前記識別画像生成部は、前記強調画像のうちから識別した前記異物の線状の構造が配置される部位を含む所定の領域における密度を取得するとともに、前記密度に応じて変化するように色付けされたヒートマップ画像として前記識別画像を生成するように構成されている、請求項２に記載のＸ線撮影装置。
4. 前記制御部は、機械学習によって生成された前記学習済みモデルに基づいて、前記Ｘ線画像から、前記Ｘ線画像に含まれる前記異物が除去された前記除去画像を生成する除去画像生成部をさらに含み、
   前記除去画像生成部は、前記Ｘ線画像を複数の領域に切り分けるとともに、機械学習によって生成された前記学習済みモデルに基づいて、複数の領域に切り分けられた状態の前記Ｘ線画像から前記除去画像を生成するように構成されており、
   前記識別画像生成部は、前記Ｘ線画像と複数の領域に切り分けられた状態の前記Ｘ線画像から生成された前記除去画像とに基づいて生成された前記強調画像のうちから、前記異物の線状の構造を識別するとともに、識別された線状の構造に基づいて色付けすることによって、前記識別画像を生成するように構成されている、請求項２または３に記載のＸ線撮影装置。
5. 前記強調画像生成部は、前記Ｘ線画像と前記除去画像との差分を取得することによって、前記Ｘ線画像に含まれる前記異物が強調された前記強調画像を生成するように構成されており、
   前記識別画像生成部は、前記除去画像と前記Ｘ線画像との差分を取得することによって生成された前記強調画像のうちから、前記異物の線状の構造を識別するとともに、識別された線状の構造に基づいて色付けすることによって、前記識別画像を生成するように構成されている、請求項２～４のいずれか１項に記載のＸ線撮影装置。
6. 前記異物は、手術用ガーゼ、縫合針、および、鉗子を含み、
   前記識別画像生成部は、前記強調画像生成部によって生成された前記強調画像のうちから、前記手術用ガーゼ、前記縫合針、および、前記鉗子に対応する線状の構造を識別するとともに、識別された線状の構造に基づいて色付けすることによって、前記識別画像を生成するように構成されている、請求項２～５のいずれか１項に記載のＸ線撮影装置。
7. 前記画像出力部によって出力された画像を表示する表示部をさらに備え、
   前記画像出力部は、前記Ｘ線画像と前記識別画像とを前記表示部に表示させるように構成されている、請求項１～６のいずれか１項に記載のＸ線撮影装置。
8. 前記画像出力部は、前記Ｘ線画像に前記識別画像を重畳させて前記表示部に表示させるように構成されている、請求項７に記載のＸ線撮影装置。
9. 手術後の被検体の体内に取り残された異物を識別するために前記被検体にＸ線を照射するステップと、
   照射されたＸ線を検出するステップと、
   検出されたＸ線の検出信号に基づいてＸ線画像を生成するステップと、
   前記Ｘ線画像と、機械学習によって生成された学習済みモデルによって前記Ｘ線画像から前記Ｘ線画像に含まれる前記異物が除去された除去画像とに基づいて、前記Ｘ線画像に含まれる前記異物が強調された強調画像を生成するステップと、
   生成された前記強調画像に基づいて、強調された前記異物に対応する部分を色付けすることによって、前記異物を識別するための識別画像を生成するステップと、
   生成された前記識別画像を出力するステップと、を備える、画像処理方法。
10. 体内に異物が取り残されている手術後の被検体にＸ線を照射することによって生成されたＸ線画像を模擬するように生成された教師入力用Ｘ線画像を取得するステップと、
    前記教師入力用Ｘ線画像から前記異物が除去された教師出力用除去画像を取得するステップと、
    前記異物に対応する部分を色付けすることによって前記異物を識別するための識別画像を生成するために、前記教師入力用Ｘ線画像と前記教師出力用除去画像とに基づいて、機械学習によって、前記Ｘ線画像から前記Ｘ線画像に含まれる前記異物が除去された除去画像を出力する学習済みモデルを生成するステップと、を備える、学習済みモデルの生成方法。

Images