JP7167241B1 - 学習済みモデル生成方法、処理装置、および記憶媒体 - Google Patents

学習済みモデル生成方法、処理装置、および記憶媒体 Download PDF

Info

Publication number
JP7167241B1
JP7167241B1 JP2021076887A JP2021076887A JP7167241B1 JP 7167241 B1 JP7167241 B1 JP 7167241B1 JP 2021076887 A JP2021076887 A JP 2021076887A JP 2021076887 A JP2021076887 A JP 2021076887A JP 7167241 B1 JP7167241 B1 JP 7167241B1
Authority
JP
Japan
Prior art keywords
image
weight
patient
learning
person
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2021076887A
Other languages
English (en)
Other versions
JP2022172418A (ja
Inventor
章太郎 渕辺
陽太郎 石原
Original Assignee
ジーイー・プレシジョン・ヘルスケア・エルエルシー
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ジーイー・プレシジョン・ヘルスケア・エルエルシー filed Critical ジーイー・プレシジョン・ヘルスケア・エルエルシー
Priority to JP2021076887A priority Critical patent/JP7167241B1/ja
Priority to CN202210319612.1A priority patent/CN115245344A/zh
Priority to US17/731,368 priority patent/US20220346710A1/en
Application granted granted Critical
Publication of JP7167241B1 publication Critical patent/JP7167241B1/ja
Publication of JP2022172418A publication Critical patent/JP2022172418A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
    • A61B5/1072—Measuring physical dimensions, e.g. size of the entire body or parts thereof measuring distances on the body, e.g. measuring length, height or thickness
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4869—Determining body composition
    • A61B5/4872—Body fat
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
    • A61B5/0037—Performing a preliminary scan, e.g. a prescan for identifying a region of interest
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
    • A61B5/1114—Tracking parts of the body
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/70—Means for positioning the patient in relation to the detecting, measuring or recording means
    • A61B5/704—Tables
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/40—Arrangements for generating radiation specially adapted for radiation diagnosis
    • A61B6/4064—Arrangements for generating radiation specially adapted for radiation diagnosis specially adapted for producing a particular type of beam
    • A61B6/4078—Fan-beams
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/40—Arrangements for generating radiation specially adapted for radiation diagnosis
    • A61B6/4064—Arrangements for generating radiation specially adapted for radiation diagnosis specially adapted for producing a particular type of beam
    • A61B6/4085—Cone-beams
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/44—Constructional features of apparatus for radiation diagnosis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • A61B6/542—Control of apparatus or devices for radiation diagnosis involving control of exposure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30196—Human being; Person
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Theoretical Computer Science (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Physiology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Databases & Information Systems (AREA)
  • Pulmonology (AREA)
  • Fuzzy Systems (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)

Abstract

【課題】患者の体重情報を容易に取得することができる技術を提供する。【解決手段】Ｘ線ＣＴ装置のテーブルに寝ている患者のカメラ画像に基づいて、患者の体重を推論する処理部であって、カメラ画像に基づいて入力画像を生成する生成部と、入力画像を学習済みモデル９１ａに入力することにより、患者の体重を推論する推論部とを含み、学習済みモデル９１ａは、ニューラルネットワーク９１が、（１）複数のカメラ画像に基づいて生成された複数の学習用画像Ｃ１～Ｃｎ、および（２）複数の学習用画像Ｃ１～Ｃｎに対応する複数の正解データＧ１～Ｇｎであって、複数の正解データＧ１～Ｇｎの各々が、対応する学習用画像に含まれる人間の体重を表す、複数の正解データＧ１～Ｇｎ、を用いた学習を実行することにより生成されている。【選択図】図６

Description

本発明は、体重を推論するための学習済みモデルを生成する方法、テーブルに寝ている撮影対象者の体重を求める処理を実行する処理装置、体重を求める処理をプロセッサに実行させるための命令が格納された記憶媒体に関する。
患者の体内の画像を非侵襲的に撮影する医用装置として、Ｘ線ＣＴ装置が知られている。Ｘ線ＣＴ装置は、撮影部位を短時間で撮影することができるので、病院等の医療施設に普及している。
一方、ＣＴ装置はＸ線を用いて患者の検査を行うので、ＣＴ装置の普及に伴って、検査時の患者の被ばくに関する関心が高まっている。このため、Ｘ線による患者の被ばく線量を極力低減するなどの観点から、患者の被ばく線量を管理することが重要となっている。そこで、線量を管理する技術が開発されている。例えば、特許文献１には、線量管理システムが開示されている。
特開２０１５－１７３８８９号公報
近年、厚生労働省ガイドラインに基づき線量管理の厳格化が進んでおり、このガイドラインには、診断参考レベル（Diagnostic Reference Level :ＤＲＬ)に基づいて、線量管理をするように記載されている。診断参考レベルのガイドラインを参考に線量管理をする必要がある。また、患者によって体格も異なっているので、患者ごとに線量管理をする上では、ＣＴ検査時に患者が受ける被ばく線量だけでなく、患者の体重情報も管理することが重要となる。したがって、医療機関は、各患者の体重情報を取得し、ＲＩＳ（放射線科情報システム）に記録している。
医療機関では、患者の体重情報を取得するために、例えば、ＣＴ検査の前に患者の体重を体重計で計測することが行われている。患者の体重を計測したら、計測した体重がＲＩＳに記録される。しかし、ＣＴ検査のたびに必ずしも患者の体重を体重計で計測することができるわけではない。そのため、ＲＩＳに記録されている体重情報が古いものになってしまう恐れがあるが、このような古い体重情報で線量を管理することは望ましいことではない。また、患者が車椅子やストレッチャーを利用している場合、体重を計測すること自体が容易なことではないという問題もある。
したがって、患者の体重情報を容易に取得することができる技術が望まれている。
本発明の第１の観点は、医用装置のテーブルに寝ている撮影対象者の入力画像が入力されることにより前記撮影対象者の体重を出力する学習済みモデルを生成する学習済みモデル生成方法であって、
ニューラルネットワークが、
（１）医用装置のテーブルに寝ている人間の複数のカメラ画像に基づいて生成された複数の学習用画像、および
（２）前記複数の学習用画像に対応する複数の正解データであって、前記複数の正解データの各々が、対応する学習用画像に含まれる人間の体重を表す、複数の正解データ、
を用いた学習を実行することにより、前記学習済みモデルを生成する、学習済みモデル生成方法である。
本発明の第２の観点は、医用装置のテーブルに寝ている撮影対象者のカメラ画像に基づいて、前記撮影対象者の体重を求める処理を実行する処理装置である。
本発明の第３の観点は、1つ以上のプロセッサによる実行が可能な１つ以上の命令が格納された、1つ以上の非一時的でコンピュータ読取可能な記録媒体であって、前記１つ以上の命令は、前記1つ以上のプロセッサに、
医用装置のテーブルに寝ている撮影対象者のカメラ画像に基づいて、前記撮影対象者の体重を求める処理を実行させる、記憶媒体である。
本発明の第４の観点は、テーブルに寝ている撮影対象者のカメラ画像に基づいて、前記撮影対象者の体重を求める処理を実行する医用装置である。
本発明の第５の観点は、医用装置のテーブルに寝ている撮影対象者の入力画像が入力されることにより前記撮影対象者の体重を出力する学習済みモデルであって、
前記学習済みモデルは、
ニューラルネットワークが、
（１）医用装置のテーブルに寝ている人間の複数のカメラ画像に基づいて生成された複数の学習用画像、および
（２）前記複数の学習用画像に対応する複数の正解データであって、前記複数の正解データの各々が、対応する学習用画像に含まれる人間の体重を表す、複数の正解データ、
を用いた学習を実行することにより生成される、学習済みモデル。
本発明の第６の観点は、医用装置のテーブルに寝ている撮影対象者の入力画像が入力されることにより前記撮影対象者の体重を出力する学習済みモデルを生成する学習済みモデル生成装置であって、
ニューラルネットワークが、
（１）医用装置のテーブルに寝ている人間の複数のカメラ画像に基づいて生成された複数の学習用画像、および
（２）前記複数の学習用画像に対応する複数の正解データであって、前記複数の正解データの各々が、対応する学習用画像に含まれる人間の体重を表す、複数の正解データ、
を用いた学習を実行することにより、前記学習済みモデルを生成する、学習済みモデル生成装置である。
人間の体格と体重はある程度の相関がある。したがって、人間が映ったカメラ画像に基づいて学習用画像を生成し、学習用画像に、正解データとして人間の体重をラベリングしておき、ニューラルネットワークが、学習用画像と正解データとを用いた学習を実行することにより、体重を推論することができる学習済みモデルを生成することができる。また、医用装置には、ＣＴ装置、ＭＲＩ装置などのように、患者をテーブルに寝かせてスキャンを行う医用装置がある。したがって、テーブルに寝た患者のカメラ画像を取得するためのカメラを用意しておけば、患者を含むカメラ画像を取得することができるので、この取得したカメラ画像に基づいて、学習済みモデルに入力する入力画像を生成し、この入力画像を学習済みモデルに入力することにより、患者の体重を推論することができる。
したがって、検査のたびに患者の体重を計測しなくても、患者の体重が推論されるので、検査時における患者の体重を管理することができる。
また、ＢＭＩと身長が分かれば、体重を計算することができる。そこで、体重ではなく身長を推論し、推論した身長とＢＭＩに基づいて体重を計算することにより、体重情報を取得することもできる。
病院のネットワークシステムの説明図である。病院のネットワークシステムの説明図である。 Ｘ線ＣＴ装置の概略図である。 ガントリ２、テーブル４、および操作コンソール８の説明図である。 処理部８４の主な機能ブロックを示す図である。 学習フェーズのフローチャートを示す図である。 学習フェーズの説明図である。 検査フローを示す図である。 生成された入力画像６１の概略図を示す図である。 推論フェーズの説明図である。 入力画像６１１を示す図である。 体重を更新するか否かをオペレータに確認する方法の説明図である。 ＰＡＣＳ１１に送信される各種データの一例の説明図である。 第２の形態における処理部８４の主な機能ブロックを示す図である。 学習用画像ＣＩ１～ＣＩｎを概略的に示す図である。 第２の形態における検査フローを示す図である。 入力画像６２の概略図を示す図である。 患者４０の身長を推論する推論フェーズの説明図である。 体重と身長を更新するか否かを確認する方法の説明図である。 姿勢（１）～（４）に対して用意された学習用画像および正解データの説明図である。 ステップＳＴ２の説明図である。 入力画像６４の概略図を示す図である。 患者４０の体重を推論する推論フェーズの説明図である。 第４の形態における処理部８４の主な機能ブロックを示す図である。 ステップＳＴ２の説明図である。 第４の形態における患者４０の検査フローを示す図である。 体重を推論する推論フェーズの説明図である。
以下、発明を実施するための形態について説明するが、本発明は、以下の形態に限定されることはない。
図１は、病院のネットワークシステムの説明図である。
ネットワークシステム１０は、複数のモダリティＱ１～Ｑａを含んでいる。複数のモダリティＱ１～Ｑａの各々は、患者の診断や治療などを行うモダリティである。
各モダリティは、医用装置と操作コンソールとを有する医用システムである。医用装置は患者からデータを収集する装置であり、操作コンソールは、医用装置に接続されており、医用装置の操作に使用されるものである。医用装置は、患者からデータを収集する装置であり、医用装置としては、例えば、単純Ｘ線撮影装置、Ｘ線ＣＴ装置、ＰＥＴ－ＣＴ装置、ＭＲＩ装置、ＭＲＩ－ＰＥＴ装置、マンモグイラフィ装置など、様々な装置を使用することができる。尚、図１では、システム１０は複数のモダリティを含んでいるが、複数のモダリティの代わりに、１つのモダリティを含んでいてもよい。
また、システム１０は、ＰＡＣＳ（Picture Archiving and Communication Systems）１１を有している。ＰＡＣＳ１１は、各モダリティで得られた画像などのデータを通信網１２を介して受信し、受信したデータを保管する。また、ＰＡＣＳ１１は、必要に応じて、通信網１２を介して保管したデータを転送する。
更に、システム１０は、複数のワークステーションＷ１～Ｗｂを有している。これらのワークステーションＷ１～Ｗｂには、例えば、病院情報システム（ＨＩＳ）、放射線科情報システム（ＲＩＳ）、臨床情報システム（ＣＩＳ）、心血管情報システ ム（ＣＶＩＳ）、図書館情報システム（ＬＩＳ）、電子カルテ（ＥＭＲ）システム、および／又は他の画像及び情報管理システム等で使用されるワークステーション、読影医の検像作業に使用されるワークステーションが含まれている。
ネットワークシステム１０は上記のように構成されている。次に、モダリティの一例であるＸ線ＣＴ装置の構成の一例について説明する。
図２は、Ｘ線ＣＴ装置の概略図である。
図２に示すように、Ｘ線ＣＴ装置１は、ガントリ（gantry）２、テーブル（table）４、カメラ（camera）６、及び操作コンソール（console）８を備えている。
スキャンルーム１００には、ガントリ２及びテーブル４が設置されている。ガントリ２は表示パネル２０を有している。オペレータは、表示パネル２０から、ガントリ２およびテーブル４を操作するための操作信号を入力することができる。スキャンルーム１００の天井１０１にはカメラ６が設置されている。操作ルーム２００には、操作コンソール８が設置されている。
カメラ６の撮影視野は、テーブル４およびその周囲を含むように設定されている。したがって、撮影対象である患者４０がテーブル４に寝ると、カメラ６によって、患者４０を含むカメラ画像を取得することができる。
次に、ガントリ２、テーブル４、および操作コンソール８について、図３を参照しながら説明する。
図３は、ガントリ２、テーブル４、および操作コンソール８の説明図である。
ガントリ２は、患者４０が移動可能な空間であるボア２１を画定する内壁を有している。
また、ガントリ２は、Ｘ線管２２、アパーチャ（aperture）２３、コリメータ２４、Ｘ線検出器２５、データ収集部（data acquisition system）２６、回転部２７、高電圧電源２８、アパーチャ駆動装置２９、回転部駆動装置３０、ＧＴ（Gantry Table）制御部３１などを有している。
Ｘ線管２２、アパーチャ２３、コリメータ２４、Ｘ線検出器２５、およびデータ収集部２６は、回転部２７に搭載されている。
Ｘ線管２２は患者４０にＸ線を照射する。Ｘ線検出器２５は、Ｘ線管２２から照射されたＸ線を検出する。Ｘ線検出器２５は、ボア２１に対してＸ線管２２とは反対側に設けられている。
アパーチャ２３は、Ｘ線管２２とボア２１との間に配置されている。アパーチャ２３は、Ｘ線管２２のＸ線焦点からＸ線検出器２５に向けて放射されるＸ線をファンビーム（fan beam）やコーンビーム（cone beam）に成形する。
Ｘ線検出器２５は、患者４０を透過したＸ線を検出する。
コリメータ２４は、Ｘ線検出器２５に対してＸ線入射側に配置されており、散乱Ｘ線を除去する。
高電圧電源２８は、Ｘ線管２２に高電圧及び電流を供給する。
アパーチャ駆動装置２９はアパーチャ２３を駆動しその開口を変形させる。
回転部駆動装置３０は回転部２７を回転駆動する。
テーブル４は、クレードル（cradle）４１、クレードル支持台４２、および駆動装置４３を有している。クレードル４１は撮影対象者である患者４０を支持するものである。クレードル支持台４２は、クレードル４１をｙ方向およびｚ方向に移動可能に支持するものである。駆動装置４３は、クレードル４１およびクレードル支持台４２を駆動するものである。尚、ここでは、クレードル４１の長手方向をｚ方向、テーブル４の高さ方向をｙ方向、ｚ方向およびｙ方向に垂直な水平方向をｘ方向とする。
ＧＴ制御部３１は、ガントリ２内の各装置・各部、およびテーブル４の駆動装置４３等を制御する。
操作コンソール８は、入力部８１、表示部８２、記憶部８３、処理部８４、コンソール制御部８５などを有している。
入力部８１は、オペレータからの指示や情報の入力を受け付けたり、各種の操作を行うためのキーボード（keyboard）およびポインティングデバイス（pointing device）などを含んでいる。表示部８２は、スキャン条件を設定するための設定画面、カメラ画像、ＣＴ画像などを表示するものであり、例えば、ＬＣＤ（Liquid Crystal Display）や有機ＥＬ（Electro-Luminescence）ディスプレイなどである。
記憶部８３は、プロセッサで各種処理を実行させるためのプログラムが記憶されている。また、記憶部８３は、各種データや各種ファイルなども記憶する。記憶部８３は、ＨＤＤ（Hard Disk Drive：ハードディスクドライブ）、ＳＳＤ（Solid State Drive：ソリッドステートドライブ）、ＤＲＡＭ（Dynamic Random Access Memory）、およびＲＯＭ（Read Only Memory）等を有している。また、記憶部８３は、ＣＤ（Compact Disk）やＤＶＤ（Digital Versatile Disk）などの可搬性の記憶媒体９０を含んでいてもよい。
処理部８４は、ガントリ２により取得された患者４０のデータ（data）に基づいて画像再構成処理を行ったり、その他の各種の演算を行う。処理部８４は一つ以上のプロセッサを有しており、一つ以上のプロセッサが、記憶部８３に記憶されているプログラムに記述されている各種処理を実行する。
図４は、処理部８４の主な機能ブロックを示す図である。
処理部８４は、生成部８４１、推論部８４２、確認部８４３、および再構成部８４４を有している。
生成部８４１は、カメラ画像に基づいて、学習済みモデルに入力される入力画像を生成する。
推論部８４２は、入力画像を学習済みモデルに入力し、患者の体重を推論する。
確認部８４３は、推論された体重を更新するか否かをオペレータに確認する。
再構成部８４４は、スキャンにより得られた投影データに基づいてＣＴ画像を再構成する。
尚、生成部８４１、推論部８４２、確認部８４３、および再構成部８４４の詳細については、後述する検査フロー（図７参照）の各ステップの中で説明する。
記憶部８３には、上記の機能を実行するためのプログラムが記憶されている。処理部８４は、プログラムを実行することにより、上記の機能を実現する。記憶部８３には、1つ以上のプロセッサによる実行が可能な１つ以上の命令が格納されている。この一つ以上の命令は、1つ以上のプロセッサに、以下の動作（ａ１）－（ａ４）を実行させる。
（ａ１）カメラ画像に基づいて、学習済みモデルに入力される入力画像を生成すること（生成部８４１）
（ａ２）入力画像を学習済みモデルに入力し、患者の体重を推論すること（推論部８４２）
（ａ３）体重を更新するか否かをオペレータに確認すること（確認部８４３）
（ａ４）投影データに基づいてＣＴ画像を再構成すること（再構成部８４４）
コンソール８の処理部８４は、記憶部８３に格納されているプログラムを読み出し、上記の動作（ａ１）－（ａ４）を実行することができる。
コンソール制御部８５は、入力部８１からの入力に基づいて、表示部８２を制御したり、処理部８４を制御する。
Ｘ線ＣＴ装置１は上記のように構成されている。
図３には、モダリティの例としてＣＴ装置が示されているが、病院内には、ＭＲＩ装置、ＰＥＴ装置など、ＣＴ装置以外の医用装置も設置されている。
近年、ＣＴ検査など、Ｘ線を使用する検査を実行する場合、患者の被ばく線量を厳格に管理することが要求されている。医療機関では、患者の体重情報を取得するために、例えば、ＣＴ検査の前に患者の体重を体重計で計測することが行われている。患者の体重を計測したら、計測した体重がＲＩＳに記録される。しかし、ＣＴ検査のたびに必ずしも患者の体重を体重計で計測することができるわけではない。そのため、ＲＩＳに記録されている体重情報が古いものになってしまう恐れがあるが、このような古い体重情報で線量を管理することは望ましいことではない。また、患者が車椅子やストレッチャーを利用している場合、体重を計測すること自体が容易なことではないという問題もある。そこで、本形態では、この問題に対処するために、ＤＬ（深層学習）を利用して患者の体重を推論することができる学習済みモデルを生成している。
以下に、学習済みモデルの生成するための学習フェーズについて、図５および図６を参照しながら説明する。
図５は学習フェーズのフローチャートを示す図、図６は学習フェーズの説明図である。
ステップＳＴ１では、学習フェーズで使用される複数の学習用画像を用意する。図６に、学習用画像Ｃ１～Ｃｎを概略的に示す。各学習用画像Ｃｉ（１≦ｉ≦ｎ）は、テーブルに仰臥位の姿勢で寝かせた人間を、テーブルの上からカメラで撮影することによりカメラ画像を取得し、このカメラ画像に対して所定の画像処理を実行することにより用意することができる。学習用画像Ｃ１～Ｃｎは、ヘッドファースト（head first）の状態で仰臥位の姿勢をとる人間の画像と、フィートファースト（feet first）の状態で仰臥位の姿勢をとる人間の画像が含まれている。
尚、カメラ画像に対して実行される所定の画像処理としては、例えば、画像を切り出しする処理、標準化処理、正規化処理などがある。また、学習用画像Ｃ１～Ｃｎには、上記のように、ヘッドファーストの状態で仰臥位の姿勢をとる人間の画像と、フィートファーストの状態で仰臥位の姿勢をとる人間の画像が含まれている。しかし、フィートファーストの人間の頭尾方向は、ヘッドファーストの人間の頭尾方向とは反対である。そこで、第１の形態では、人間の頭尾方向を一致させるために、所定の画像処理は、画像を１８０°回転させる処理も含んでいる。図６を参照すると、学習用画像Ｃ１はヘッドファーストであるが、学習用画像Ｃｎはフィートファーストである。そこで、学習用画像Ｃｎの人間の頭尾方向が、学習用画像Ｃ１の人間の頭尾方向に一致するように、学習用画像Ｃｎを１８０°回転させている。このようにして、学習用画像Ｃ１～Ｃｎは、人間の頭尾方向が一致するように設定されている。
また、複数の正解データＧ１～Ｇｎも用意する。各正解データＧｉ（１≦ｉ≦ｎ）は、複数の学習用画像Ｃ１～Ｃｎのうちの対応する学習用画像Ｃｉに含まれる人間の体重を表すデータである。各正解データＧｉは、複数の学習用画像Ｃ１～Ｃｎのうちの対応する学習用画像Ｃｉにラベリングされている。
学習用画像および正解データを用意した後、ステップＳＴ２に進む。
ステップＳＴ２では、コンピュータ（学習済みモデル生成装置）を用いて、図６に示すように、ニューラルネットワーク（ＮＮ）９１に、学習用画像Ｃ１～Ｃｎおよび正解データＧ１～Ｇｎを用いた学習を実行させる。これによって、ニューラルネットワーク（ＮＮ）９１が、学習用画像Ｃ１～Ｃｎおよび正解データＧ１～Ｇｎを用いた学習を実行する。その結果、学習済みモデル９１ａを生成することができる。
このようにして生成された学習済みモデル９１ａは、記憶部（例えば、ＣＴ装置の記憶部、又はＣＴ装置に接続されている外部装置の記憶部）に記憶される。
上記の学習フェーズにより得られた学習済みモデル９１ａは、患者４０の検査時に患者４０の体重を推論するために使用される。以下に、患者４０の検査フローについて説明する。
図７は、検査フローを示す図である。
ステップＳＴ１１では、オペレータが撮影対象者である患者４０をスキャンルーム１００に案内し、図２に示すように、患者４０を仰臥位の姿勢でテーブル４に寝かせる。
カメラ６は、スキャンルーム内部のカメラ画像を取得し、このカメラ画像をコンソール８に出力する。コンソール８は、カメラ６から受け取ったカメラ画像に対して、必要に応じて所定のデータ処理を行い、ガントリ２の表示パネル２０に出力する。表示パネル２０は、カメラ６が撮影しているスキャンルーム内のカメラ画像を表示することができる。
患者４０をテーブル４に寝かせた後、ステップＳＴ１２に進む。
ステップＳＴ１２では、学習済みモデル９１ａを用いて患者４０の体重を推論する。以下、患者４０の体重を推論する方法について具体的に説明する。
先ず、推論の前処理として、学習済みモデル９１ａに入力する入力画像を生成する。
生成部８４１（図４参照）は、カメラ６によって得られたカメラ画像に対して所定の画像処理を実行することにより、体重の推論に使用される入力画像を生成する。所定の画像処理は、例えば、画像を切り出しする処理、標準化処理、正規化処理などがある。図８に、生成された入力画像６１の概略図を示す。
尚、患者４０がテーブル４に寝る場合、患者４０はテーブル４上で姿勢を調整しながらテーブル４に乗り、撮影用の姿勢である仰臥位の姿勢になる。したがって、入力画像６１を生成する場合、この入力画像６１の生成に使用されるカメラ画像に映っている患者４０の姿勢が仰臥位であるか否かを判断する必要がある。患者４０の姿勢が仰臥位であるか否かは、所定の画像処理技術を用いて判断することができる。
入力画像６１を生成した後、推論部８４２（図４参照）が、入力画像６１に基づいて、患者４０の体重を推論する。図９は、推論フェーズの説明図である。
推論部８４２は、入力画像６１を学習済みモデル９１ａに入力する。
尚、学習フェーズ（図６参照）ではフィートファーストの学習用画像は１８０°回転させているので、推論フェーズにおいて、フィートファーストの入力画像が生成される場合は、入力画像を１８０°回転させる必要がある。本形態では、患者４０の方向は、フィートファーストではなく、ヘッドファーストであるので、推論部８４２は、入力画像を１８０°回転させる必要はないと判定する。したがって、推論部８４２は、入力画像６１を１８０°回転させずに学習済みモデル９１ａに入力する。
一方、患者４０の方向がフィートファーストの場合、図１０に示すような入力画像６１１が得られる。この場合は、入力画像６１１を１８０°回転させた後の入力画像６１２を、学習済みモデル９１ａに入力する。このように、患者４０の方向に基づいて、入力画像を１８０°回転させるか否かを判断することにより、推論フェーズにおける患者４０の頭尾方向を学習フェーズにおける人間の頭尾方向に一致させることができるので、推論精度を向上させることができる。
尚、入力画像を１８０°回転させるか否かを判断する場合、患者４０の方向がヘッドファーストなのかフィートファーストなのかを特定する必要がある。この特定方法としては、例えば、ＲＩＳの情報に基づいて実行することができる。ＲＩＳには、検査時の患者４０の方向が含まれているので、生成部８４１は、ＲＩＳから、患者の方向を特定することができる。したがって、生成部８４１は、患者４０の方向に基づいて、入力画像を１８０°回転させるか否かを判断することができる。
学習済みモデル９１ａに入力画像６１が入力されると、学習済みモデル９１ａは入力画像６１の患者４０の体重を推論して出力する。体重を推論した後、ステップＳＴ１３に進む。
ステップＳＴ１３では、確認部８４３（図４参照）が、ステップＳＴ１２で推論された体重を更新するか否かをオペレータに確認する。図１１は、体重を更新するか否かをオペレータに確認する方法の説明図である。
確認部８４３は、表示部８２（図３参照）に、患者情報７０を表示させるとともにウインドウ７１も表示させる。ウインドウ７１は、ステップＳＴ１２で推論された体重を更新するか否かをオペレータに確認させるためのウインドウである。このウインドウ７１が表示されたら、ステップＳＴ１４に進む。
ステップＳＴ１４では、オペレータが、体重を更新するか否かを判断する。オペレータは、体重を更新しない場合はウインドウ７１のＮｏボタンをクリックし、一方、体重を更新する場合は、ウインドウ７１のＹｅｓボタンをクリックする。Ｎｏボタンがクリックされると、確認部８４３は、患者４０の体重は更新されないと判断し、過去の体重がそのまま保存される。一方、Ｙｅｓボタンがクリックされると、確認部８４３は患者４０の体重が更新されると判断する。患者４０の体重が更新された場合、ＲＩＳは更新後の体重を患者４０の体重として管理する。
体重の更新（または更新のキャンセル）が終了したら、ステップＳＴ１５に進む。
ステップＳＴ１５では、患者４０をボア２１内に移動させスカウトスキャンを実行する。
スカウトスキャンが実行されると、再構成部８４４（図４参照）は、スカウトスキャンにより得られた投影データに基づいて、スカウト画像を再構成する。オペレータはスカウト画像に基づいてスキャン範囲を設定する。そして、ステップＳＴ１６に進み、患者４０の診断に使用される種々のＣＴ画像を取得するための診断スキャンが実行される。再構成部８４４は、診断スキャンにより得られた投影データに基づいて、診断用のＣＴ画像を再構成する。診断スキャンが終了したら、ステップＳＴ１７に進む。
ステップＳＴ１７では、オペレータは、検査終了操作を行う。検査終了操作が行われると、ＰＡＣＳ１１（図１参照）に送信されるべき各種データが生成される。
図１２は、ＰＡＣＳ１１に送信される各種データの一例の説明図である。
Ｘ線ＣＴ装置はＤＩＣＯＭファイルＦＳ１～ＦＳａおよびＦＤ１～ＦＤｂを作成する。
ＤＩＣＯＭファイルＦＳ１～ＦＳａはスカウトスキャンで取得されたスカウト画像を格納し、ＤＩＣＯＭファイルＦＤ１～ＦＤｂは診断スキャンで取得されたＣＴ画像を格納する。
ＤＩＣＯＭファイルＦＳ１～ＦＳａには、スカウト画像のピクセルデータと、付帯情報とが格納されている。尚、ＤＩＣＯＭファイルＦＳ１～ＦＳａには、互いに異なるスライスのスカウト画像のピクセルデータが格納されている。
また、ＤＩＣＯＭファイルＦＳ１～ＦＳａには、付帯情報のデータエレメントとして、検査リストに記述された患者情報、スカウトスキャンの撮影条件を示す撮影条件情報などが格納される。患者情報には、更新された体重などが含まれる。更に、ＤＩＣＯＭファイルＦＳ１～ＦＳａには、付帯情報のデータエレメントとして、入力画像６１（図９参照）およびプロトコルデータなども格納される。
一方、ＤＩＣＯＭファイルＦＤ１～ＦＤｂには、診断スキャンで得られたＣＴ画像のピクセルデータと、付帯情報とが格納されている。尚、ＤＩＣＯＭファイルＦＤ１～ＦＤｂには、互いに異なるスライスのＣＴ画像のピクセルデータが格納されている。
また、ＤＩＣＯＭファイルＦＤ１～ＦＤｂには、付帯情報として、診断スキャンにおける撮影条件を示す撮影条件情報、線量情報、検査リストに記述された患者情報などが格納される。患者情報には、更新された体重などが含まれる。また、ＤＩＣＯＭファイルＦＤ１～ＦＤｂには、ＤＩＣＯＭファイルＦＳ１～ＦＳａと同様に、付帯情報として、入力画像６１およびプロトコルデータも格納される。
Ｘ線ＣＴ装置１（図２参照）は、上記の構造のＤＩＣＯＭファイルＦＳ１～ＦＳａおよびＦＤ１～ＦＤｂをＰＡＣＳ１１（図１参照）に送信する。
また、オペレータは、患者４０に検査が終了したことを伝えて、患者４０をテーブル４から降ろす。このようにして、患者４０の検査が終了する。
本形態では、テーブル４に寝ている患者４０のカメラ画像に基づいて入力画像６１を生成し、この入力画像６１を学習済みモデル９１ａに入力することにより、患者４０の体重を推論する。したがって、体重計などの患者４０の体重を計測する計測器を使用しなくても、患者４０の検査時の体重情報を得ることができるので、患者４０の線量情報を患者４０の検査時の体重と対応付けて管理することが可能となる。また、患者４０がテーブル４に寝ている間に取得されたカメラ画像に基づいて体重を推論するので、技師や看護師などの病院のスタッフが体重計で患者４０の体重を計測する作業が不要となるので、スタッフの作業を軽減することもできる。
第１の形態では、患者４０が仰臥位の姿勢で検査を受ける例について説明されている。しかし、本発明は、患者４０が仰臥位とは別の姿勢で検査を受ける場合にも適用することができる。例えば、患者４０が右側臥位の姿勢で検査を受けることを想定している場合は、ニューラルネットワークに右側臥位の姿勢の学習用画像を学習させて、右側臥位用の学習済みモデルを用意し、この学習済みモデルを使用して、右側臥位の姿勢の患者４０の体重を推定することができる。
第１の形態では、オペレータに体重を更新するか否かを確認させている（ステップＳＴ１３）。しかし、この確認ステップを省略し、推論した体重を自動的に更新してもよい。
尚、第１の形態では、システム１０がＰＡＣＳ１１を含んでいるが、ＰＡＣＳ１１の代わりに、患者データや患者画像を管理する別の管理システムを使用してもよい。
（第２の形態）
第１の形態では体重を推論したが、第２の形態では、身長を推論し、推論した身長とＢＭＩとから体重を計算する方法について説明する。
図１３は、第２の形態における処理部８４の主な機能ブロックを示す図である。
処理部８４は、生成部９４０、推論部９４１、計算部９４２、確認部９４３、および再構成部９４４を有している。
生成部９４０は、カメラ画像に基づいて、学習済みモデルに入力される入力画像を生成する。
推論部９４１は、入力画像を学習済みモデルに入力し、患者の身長を推論する。
計算部９４２は、ＢＭＩと推論された身長とに基づいて、患者の体重を計算する。
確認部９４３は、計算された体重を更新するか否かをオペレータに確認する。
再構成部９４４は、スキャンにより得られた投影データに基づいてＣＴ画像を再構成する。
また、記憶部８３には、1つ以上のプロセッサによる実行が可能な１つ以上の命令が格納されている。この一つ以上の命令は、1つ以上のプロセッサに、以下の動作（ｂ１）－（ｂ５）を実行させる。
（ｂ１）カメラ画像に基づいて、学習済みモデルに入力される入力画像を生成すること（生成部９４０）
（ｂ２）入力画像を学習済みモデルに入力し、患者の身長を推論すること（推論部９４１）
（ｂ３）ＢＭＩと推論された身長とに基づいて、患者の体重を計算すること（計算部９４２）
（ｂ４）体重を更新するか否かをオペレータに確認すること（確認部９４３）
（ｂ５）投影データに基づいてＣＴ画像を再構成すること（再構成部９４４）
コンソール８の処理部８４は、記憶部８３に格納されているプログラムを読み出し、上記の動作（ｂ１）－（ｂ５）を実行することができる。
先ず、第２の形態における学習フェーズについて説明する。尚、第２の形態における学習フェーズも、第１の形態と同様に、図５に示すフローを参照しながら説明する。
ステップＳＴ１では、学習フェーズで使用される複数の学習用画像を用意する。図１４に、学習用画像ＣＩ１～ＣＩｎを概略的に示す。各学習用画像ＣＩｉ（１≦ｉ＜ｎ）は、テーブルに仰臥位で寝ている人間を、テーブルの上からカメラで撮影することによりカメラ画像を取得し、このカメラ画像に対して所定の画像処理を実行することにより用意することができる。第２の形態では、第１の形態のステップＳＴ１で使用した学習用画像Ｃ１～Ｃｎ（図６参照）を、学習用画像ＣＩ１～ＣＩｎとして使用することができる。
また、複数の正解データＧＩ１～ＧＩｎも用意する。各正解データＧＩｉ（１≦ｉ≦ｎ）は、複数の学習用画像ＣＩ１～ＣＩｎのうちの対応する学習用画像ＣＩｉに含まれる人間の身長を表すデータである。各正解データＧＩｉは、複数の学習用画像ＣＩ１～ＣＩｎのうちの対応する学習用画像ＧＩｉにラベリングされている。
学習用画像および正解データを用意した後、ステップＳＴ２に進む。
ステップＳＴ２では、学習済みモデルを生成する。
具体的には、図１４に示すように、コンピュータを用いて、ニューラルネットワーク（ＮＮ）９２に、学習用画像ＣＩ１～ＣＩｎおよび正解データＧＩ１～ＧＩｎを用いた学習を実行させる。これによって、ニューラルネットワーク（ＮＮ）９２が、学習用画像ＣＩ１～ＣＩｎおよび正解データＧＩ１～ＧＩｎを用いた学習を実行する。その結果、学習済みモデル９２ａを生成することができる。
このようにして生成された学習済みモデル９２ａは、記憶部（例えば、ＣＴ装置の記憶部、又はＣＴ装置に接続されている外部装置の記憶部）に記憶される。
上記の学習フェーズにより得られた学習済みモデル９２ａは、患者４０の検査時に患者４０の身長を推論するために使用される。以下に、患者４０の検査フローについて説明する。
図１５は、第２の形態における検査フローを示す図である。
ステップＳＴ２１では、オペレータが患者４０をスキャンルームへと案内し、患者４０をテーブル４に寝かせる。また、カメラ６は、スキャンルーム内のカメラ画像を取得する。
患者４０をテーブル４に寝かせた後、ステップＳＴ３０およびステップＳＴ２２に進む。
ステップＳＴ３０では、スキャン条件を設定し、スカウトスキャンを実行する。スカウトスキャンが実行されると、再構成部９４４（図１３参照）は、スカウトスキャンにより得られた投影データに基づいて、スカウト画像を再構成する。
ステップＳＴ３０が実行される一方でステップＳＴ２２が実行される。
ステップＳＴ２２では、患者４０の体重を求める、以下に、患者４０の体重を求める方法について説明する。尚、ステップＳＴ２２は、ステップＳＴ２２１、ＳＴ２２２、ＳＴ２２３を有しているので、以下、各ステップＳＴ２２１、ＳＴ２２２、ＳＴ２２３について順に説明する。
ステップＳＴ２２１では、先ず、生成部９４０（図１３参照）が、患者４０の身長を推論するために学習済みモデルに入力される入力画像を生成する。第２の形態では、第１の形態と同様に、患者４０の姿勢は仰臥位である。したがって、生成部９４０は、仰臥位でテーブル４に寝ている患者４０のカメラ画像に対して所定の画像処理を実行することにより、身長の推論に使用される入力画像を生成する。図１６に、生成された入力画像６２の概略図を示す。
次に、推論部９４１（図１３参照）が、入力画像６２に基づいて、患者４０の身長を推論する。
図１７は、患者４０の身長を推論する推論フェーズの説明図である。
推論部９４１は、入力画像６２を学習済みモデル９２ａに入力する。学習済みモデル９２ａは入力画像６２に含まれている患者４０の身長を推論して出力する。したがって、患者４０の身長を推論することができる。患者４０の身長を推論したら、ステップＳＴ２２２に進む。
ステップＳＴ２２２では、計算部９４２（図１３参照）が患者４０のＢＭＩ（Body Mass Index）を計算する。ＢＭＩはＣＴ画像に基づいて、既知の方法で計算することができる。ＢＭＩの計算方法としては、例えば、Menke J., “Comparison of Different Body Size Parameters for Individual Dose Adaptation in Body CT of Adults.” Radiology 2005; 236:565-571に記載されている方法を使用することができる。第２の形態では、ステップＳＴ３０において、ＣＴ画像であるスカウト画像が取得されるので、計算部９４２は、ステップＳＴ３０においてスカウト画像が取得されたら、スカウト画像に基づいてＢＭＩを計算することができる。
次に、ステップＳＴ２２３では、計算部９４２が、ステップＳＴ２２２で計算したＢＭＩと、ステップＳＴ２２１で推論した身長とに基づいて、患者４０の体重を計算する。ＢＭＩ、身長、および体重の間には、以下の関係式（１）が成り立つ。
ＢＭＩ＝体重÷（身長２） ・・・（１）
上記のように、ＢＭＩおよび身長は既知であるので、上記の式（１）から、体重を計算することができる。体重を計算した後、ステップＳＴ２３に進む。
ステップＳＴ２３では、確認部９４３が、ステップＳＴ２２で計算した体重を更新するか否かをオペレータに確認する。第２の形態では、オペレータに体重を確認させるために、第１の形態と同様に、表示部８２に、ウインドウ７１（図１１参照）を表示させる。
ステップＳＴ２４では、オペレータが、体重を更新するか否かを判断する。オペレータは、体重を更新しない場合はウインドウ７１のＮｏボタンをクリックし、一方、体重を更新する場合は、ウインドウ７１のＹｅｓボタンをクリックする。Ｎｏボタンがクリックされると、確認部８４３は、患者４０の体重は更新されないと判断し、過去の体重がそのまま保存される。一方、Ｙｅｓボタンがクリックされると、確認部８４３は患者４０の体重が更新されると判断する。患者４０の体重が更新された場合、ＲＩＳは更新後の体重を患者４０の体重として管理する。
尚、ステップＳＴ２３において、図１８に示すように、体重だけでなく、身長も更新するか否かを確認するようにしてもよい。オペレータは、身長を更新する場合Ｙｅｓボタンをクリックし、身長を更新しない場合Ｎｏボタンをクリックする。したがって、体重と身長との両方の患者情報を管理することが可能となる。
このようにして、体重の更新処理のフローが終了する。
また、体重を更新する一方で、ステップＳＴ３１およびＳＴ３２が実行される。ステップＳＴ３１およびＳＴ３２は、第１の形態のステップＳＴ１６およびＳＴ１７と同じであるので説明は省略する。
このようにして、図１５に示すフローが終了する。
第２の形態では、体重の代わりに身長を推論し、推論した身長に基づいて、体重を計算している。このように、身長を推論し、ＢＭＩの式から体重を計算してもよい。
（第３の形態）
第１および第２の形態では、患者４０の姿勢が仰臥位であることが前提になっている。しかし、患者４０が受ける検査によっては、患者４０の姿勢を仰臥位とは別の姿勢（例えば、右側臥位）にしなければならないこともある。そこで、第３の形態では、患者４０が受ける検査によって、患者４０の姿勢が異なる場合であっても、十分な精度で患者４０の体重を推論することができる方法について説明する。
尚、第３の形態における処理部８４は、第１の形態と同様に、図４に示す機能ブロックを参照しながら説明することにする。
第３の形態では、撮影時の患者の姿勢として以下の４つの姿勢（１）～（４）を考えることにするが、姿勢（１）～（４）とは別の姿勢を含むようにしてもよい。
（１）仰臥位
（２）伏臥位
（３）左側臥位
（４）右側臥位
以下、第３の形態における学習フェーズについて説明する。尚、第３の形態における学習フェーズも、第１の形態と同様に、図５に示すフローを参照しながら説明する。
ステップＳＴ１では、学習フェーズで使用する学習用画像および正解データを用意する。
第３の形態では、上記の姿勢（１）～（４）のそれぞれについて、学習フェーズで使用される複数の学習用画像および正解データを用意する。図１９は、上記の姿勢（１）～（４）に対して用意された学習用画像および正解データの説明図である。各姿勢に対して用意された学習用画像および正解データは、以下の通りである。
[（１）姿勢：仰臥位について]
仰臥位に対応した学習用画像として、ｎ１枚の学習用画像ＣＡ１～ＣＡｎ１が用意される。各学習用画像ＣＡｉ（１≦ｉ≦ｎ１）は、テーブルに仰臥位に寝かせた人間を、テーブルの上からカメラで撮影することによりカメラ画像を取得し、このカメラ画像に対して所定の画像処理を実行することにより用意することができる。学習用画像ＣＡ１～ＣＡｎ１は、ヘッドファーストの状態で仰臥位の姿勢をとる人間の画像と、フィートファーストの状態で仰臥位の姿勢をとる人間の画像が含まれている。
カメラ画像に対して実行される所定の画像処理は、例えば、画像を切り出しする処理、標準化処理、正規化処理などがある。また、上記のように、学習用画像ＣＡ１～ＣＡｎ１は、ヘッドファーストの状態で仰臥位の姿勢をとる人間の画像と、フィートファーストの状態で仰臥位の姿勢をとる人間の画像が含まれている。そこで、人間の頭尾方向を一致させるために、所定の画像処理は、学習用画像を１８０°回転させる処理も含んでいる。例えば、学習用画像ＣＡ１はヘッドファーストであるが、学習用画像ＣＡｎ１はフィートファーストである。そこで、学習用画像ＣＡｎ１の人間の頭尾方向が、学習用画像ＣＡ１の人間の頭尾方向に一致するように、学習用画像ＣＡｎ１を１８０°回転させている。このようにして、学習用画像ＣＡ１～ＣＡｎ１は、人間の頭尾方向が一致するように設定されている。
また、正解データＧＡ１～ＧＡｎ１も用意する。各正解データＧＡｉ（１≦ｉ≦ｎ１）は、複数の学習用画像ＣＡ１～ＣＡｎ１のうちの対応する学習用画像ＣＡｉに含まれる人間の体重を表すデータである。各正解データＧＡｉは、複数の学習用画像ＣＡ１～ＣＡｎ１のうちの対応する学習用画像にラベリングされている。
[（２）姿勢：伏臥位について]
伏臥位に対応した学習用画像として、ｎ２枚の学習用画像ＣＢ１～ＣＢｎ２が用意される。各学習用画像ＣＢｉ（１≦ｉ≦ｎ２）は、テーブルに伏臥位の状態で寝かせた人間を、テーブルの上からカメラで撮影することによりカメラ画像を取得し、このカメラ画像に対して所定の画像処理を実行することにより用意することができる。学習用画像ＣＢ１～ＣＢｎ１は、ヘッドファーストの状態で伏臥位の姿勢をとる人間の画像と、フィートファーストの状態で伏臥位の姿勢をとる人間の画像が含まれている。
カメラ画像に対して実行される所定の画像処理は、例えば、画像を切り出しする処理、標準化処理、正規化処理などがある。また、上記のように、学習用画像ＣＢ１～ＣＢｎ２は、ヘッドファーストの状態で伏臥位の姿勢をとる人間の画像と、フィートファーストの状態で伏臥位の姿勢をとる人間の画像が含まれている。そこで、人間の頭尾方向を一致させるために、所定の画像処理は、学習用画像を１８０°回転させる処理も含んでいる。例えば、学習用画像ＣＢ１はヘッドファーストであるが、学習用画像ＣＢｎ２はフィートファーストであるので、学習用画像ＣＢｎ２の人間の頭尾方向が、学習用画像ＣＢ１の人間の頭尾方向に一致するように、学習用画像ＣＢｎ２を１８０°回転させている。
また、正解データＧＢ１～ＧＢｎ２も用意する。各正解データＧＢｉ（１≦ｉ≦ｎ２）は、複数の学習用画像ＣＢ１～ＣＢｎ２のうちの対応する学習用画像ＣＢｉに含まれる人間の体重を表すデータである。各正解データＧＢｉは、複数の学習用画像ＣＢ１～ＣＢｎ２のうちの対応する学習用画像にラベリングされている。
[（３）姿勢：左側臥位について]
左側臥位に対応した学習用画像として、ｎ３枚の学習用画像ＣＣ１～ＣＣｎ３が用意される。各学習用画像ＣＣｉ（１≦ｉ≦ｎ３）は、テーブルに左側臥位の姿勢で寝かせた人間を、テーブルの上からカメラで撮影することによりカメラ画像を取得し、このカメラ画像に対して所定の画像処理を実行することにより用意することができる。学習用画像ＣＣ１～ＣＣｎ３は、ヘッドファーストの状態で左側臥位の姿勢をとる人間の画像と、フィートファーストの状態で左側臥位の姿勢をとる人間の画像が含まれている。
カメラ画像に対して実行される所定の画像処理は、例えば、画像を切り出しする処理、標準化処理、正規化処理などがある。また、上記のように、学習用画像ＣＣ１～ＣＣｎ３は、ヘッドファーストの状態で左側臥位の姿勢をとる人間の画像と、フィートファーストの状態で左側臥位の姿勢をとる人間の画像が含まれている。そこで、人間の頭尾方向を一致させるために、所定の画像処理は、学習用画像を１８０°回転させる処理も含んでいる。例えば、学習用画像ＣＣ１はヘッドファーストであるが、学習用画像ＣＣｎ３はフィートファーストであるので、学習用画像ＣＣｎ３の人間の頭尾方向が、学習用画像ＣＣ１の人間の頭尾方向に一致するように、学習用画像ＣＣｎ３を１８０°回転させている。
また、正解データＧＣ１～ＧＣｎ３も用意する。各正解データＧＣｉ（１≦ｉ≦ｎ３）は、複数の学習用画像ＣＣ１～ＣＣｎ３のうちの対応する学習用画像ＣＣｉに含まれる人間の体重を表すデータである。各正解データＧＣｉは、複数の学習用画像ＣＣ１～ＣＣｎ３のうちの対応する学習用画像にラベリングされている。
[（４）姿勢：右側臥位について]
右側臥位に対応した学習用画像として、ｎ４枚の学習用画像ＣＤ１～ＣＤｎ４が用意される。各学習用画像ＣＤｉ（１≦ｉ≦ｎ４）は、テーブルに右側臥位の姿勢で寝かせた人間を、テーブルの上からカメラで撮影することによりカメラ画像を取得し、このカメラ画像に対して所定の画像処理を実行することにより用意することができる。学習用画像ＣＤ１～ＣＤｎ４は、ヘッドファーストの状態で右側臥位の姿勢をとる人間の画像と、フィートファーストの状態で右側臥位の姿勢をとる人間の画像が含まれている。
カメラ画像に対して実行される所定の画像処理は、例えば、画像を切り出しする処理、標準化処理、正規化処理などがある。また、上記のように、学習用画像ＣＤ１～ＣＤｎ４は、ヘッドファーストの状態で右側臥位の姿勢をとる人間の画像と、フィートファーストの状態で右側臥位の姿勢をとる人間の画像が含まれている。そこで、人間の頭尾方向を一致させるために、所定の画像処理は、画像を１８０°回転させる処理も含んでいる。例えば、学習用画像ＣＤ１はヘッドファーストであるが、学習用画像ＣＤｎ４はフィートファーストであるので、学習用画像ＣＤｎ４の人間の頭尾方向が、学習用画像ＣＤ１の人間の頭尾方向に一致するように、学習用画像ＣＤｎ４を１８０°回転させている。
また、正解データＧＤ１～ＧＤｎ４も用意する。各正解データＧＤｉ（１≦ｉ≦ｎ４）は、複数の学習用画像ＣＤ１～ＣＤｎ４のうちの対応する学習用画像ＣＤｉに含まれる人間の体重を表すデータである。各正解データＧＤｉは、複数の学習用画像ＣＤ１～ＣＤｎ４のうちの対応する学習用画像にラベリングされている。
上記の学習用画像および正解データを用意したら、ステップＳＴ２に進む。
図２０はステップＳＴ２の説明図である。
ステップＳＴ２では、コンピュータを用いて、ニューラルネットワーク（ＮＮ）９３に、上記の姿勢（１）～（４）における学習用画像および正解データ（図１９参照）を用いた学習を実行させる。これによって、ニューラルネットワーク（ＮＮ）９３が、上記の姿勢（１）～（４）における学習用画像および正解データを用いた学習を実行する。この結果、学習済みモデル９３ａを生成することができる。
このようにして生成された学習済みモデル９３ａは、記憶部（例えば、ＣＴ装置の記憶部、又はＣＴ装置に接続されている外部装置の記憶部）に記憶される。
上記の学習フェーズにより得られた学習済みモデル９３ａは、患者４０の検査時に患者４０の体重を推論するために使用される。以下に、患者の姿勢が右側臥位である場合を例にして、患者４０の検査フローを説明する。尚、第３の形態における患者４０の検査フローについても、第１の形態と同様に、図７に示すフローを参照しながら説明する。
ステップＳＴ１１では、オペレータが患者４０をスキャンルームへと案内し、患者４０をテーブル４に寝かせる。ガントリ２の表示パネル２０には、患者４０のカメラ画像が表示される。
患者４０をテーブル４に寝かせた後、ステップＳＴ１２に進む。
ステップＳＴ１２では、学習済みモデル９３ａを用いて患者４０の体重を推論する。以下、患者４０の体重を推論する方法について具体的に説明する。
先ず、学習済みモデル９３ａに入力する入力画像を生成する。
生成部８４１は、カメラ６によって得られたカメラ画像に対して所定の画像処理を実行することにより、体重の推論に使用される入力画像を生成する。所定の画像処理は、例えば、画像を切り出しする処理、標準化処理、正規化処理などがある。図２１に、生成された入力画像６４の概略図を示す。
入力画像６４を生成した後、推論部８４２（図４参照）が、入力画像６４に基づいて、患者４０の体重を推論する。図２２は、患者４０の体重を推論する推論フェーズの説明図である。
推論部８４２は、入力画像を学習済みモデル９３ａに入力する。
尚、学習フェーズ（図１９参照）ではフィートファーストの学習用画像は１８０°回転させているので、推論フェーズにおいて、フィートファーストの入力画像が生成される場合は、入力画像を１８０°回転させる必要がある。本形態では、患者４０の方向は、フィートファーストであるので、推論部８４２は、入力画像６４を１８０°回転し、１１８０°回転させた後の入力画像６４１を、学習済みモデル９３ａに入力する。学習済みモデル９３ａは入力画像６４１の患者４０の体重を推論して出力する。体重を推論した後、ステップＳＴ１３に進む。
ステップＳＴ１３では、確認部８４３が、ステップＳＴ１２で推論された体重を更新するか否かをオペレータに確認し（図１１参照）、ステップＳＴ１４では、オペレータが、体重を更新するか否かを判断し、ステップＳＴ１５に進む。
ステップＳＴ１５では、患者４０をボア２１内に移動させスカウトスキャンを実行する。スカウトスキャンが実行されると、再構成部８４４は、スカウトスキャンにより得られた投影データに基づいて、スカウト画像を再構成する。オペレータはスカウト画像に基づいてスキャン範囲を設定する。そして、ステップＳＴ１６に進み、患者４０の診断に使用される種々のＣＴ画像を取得するための診断スキャンが実行される。診断スキャンが終了したら、ステップＳＴ１７に進み、検査終了操作を行い、患者４０の検査が終了する。
第３の形態では、患者の姿勢として、姿勢（１）～（４）を考えて、各姿勢に対応した学習用画像および正解データを用意し、学習済みモデル９３ａを生成している（図２０参照）。したがって、検査ごとに患者４０の姿勢が異なる場合であっても、患者４０の体重を推論することができる。
第３の形態では、４つの姿勢に対応した学習用画像および正解データを用いて学習済みモデル９３ａを生成している。しかし、上記の４つの姿勢のうちの一部の姿勢（例えば、仰臥位および左側臥位）に対応した学習用画像および正解データを用いて学習済みモデルを生成してもよい。
尚、第３の形態では、正解データとして体重を使用して学習済みモデルを生成している。しかし、体重の代わりに、身長を正解データとして、身長を推論する学習済みモデルを生成してもよい。この学習済みモデルを使用すると、検査ごとに患者４０の姿勢が異なる場合であっても、患者４０の身長を推論することができるので、上記の式（１）から、患者４０の体重を計算することができる。
（第４の形態）
第３の形態では、ニューラルネットワーク９３が、姿勢（１）～（４）の学習用画像および正解データを用いた学習を実行することで、学習済みモデルを生成する例を示した。第４の形態では、姿勢ごとに学習済みモデルを生成する例について説明する。
第４の形態では、処理部８４は、以下の機能ブロックを有している。
図２３は、第４の形態における処理部８４の主な機能ブロックを示す図である。
第４の形態の処理部８４は、主な機能ブロックとして、生成部８４１、選択部８４１１、推論部８４２１、確認部８４３、および再構成部８４４を有している。これらの機能ブロックのうち、生成部８４１、確認部８４３、および再構成部８４４については、第１の形態と同じであるので説明は省略し、選択部８４１１および推論部８４２１について説明する。
選択部８４１１は、複数の学習済みモデルの中から、患者の体重を推論するために使用される学習済みモデルを選択する。
推論部８４２１は、選択部８４１１で選択された学習済みモデルに、生成部８４１で生成された入力画像を入力して、患者の体重を推論する。
また、記憶部８３には、1つ以上のプロセッサによる実行が可能な１つ以上の命令が格納されている。この一つ以上の命令は、1つ以上のプロセッサに、以下の動作（ｃ１）－（ｃ５）を実行させる。
（ｃ１）カメラ画像に基づいて、学習済みモデルに入力される入力画像を生成すること（生成部８４１）
（ｃ２）複数の学習済みモデルの中から、患者の体重を推論するために使用される学習済みモデルを選択すること（選択部８４１１）
（ｃ３）入力画像を、選択された学習済みモデルに入力し、患者の体重を推論すること（推論部８４２１）
（ｃ４）体重を更新するか否かをオペレータに確認すること（確認部８４３）
（ｃ５）投影データに基づいてＣＴ画像を再構成する（再構成部８４４）
コンソール８の処理部８４は、記憶部８３に格納されているプログラムを読み出し、上記の動作（ｃ１）－（ｃ５）を実行することができる。
以下、第４の形態における学習フェーズについて説明する。尚、第４の形態における学習フェーズも、第３の形態と同様に、図５に示すフローを参照しながら説明する。
ステップＳＴ１では、学習フェーズで使用する学習用画像および正解データを用意する。
尚、第４の形態でも、第３の形態と同様に、患者の姿勢として、図１９に示す姿勢（１）～（４）を考えている。したがって、第４の形態でも、図１９に示す学習用画像および正解データを用意する。
図１９に示す学習用画像および正解データを用意したら、ステップＳＴ２に進む。
図２４はステップＳＴ２の説明図である。
ステップＳＴ２では、コンピュータを用いて、ニューラルネットワーク（ＮＮ）９４１～９４４に、それぞれ、上記の姿勢（１）～（４）における学習用画像および正解データ（図１９参照）を用いた学習を実行させる。これによって、ニューラルネットワーク（ＮＮ）９４１～９４４が、それぞれ、上記の姿勢（１）～（４）における学習用画像および正解データ（図１９参照）を用いた学習を実行する。その結果、上記の４つの姿勢に対応した学習済みモデル９４１ａ～９４４ａを生成することができる。
このようにして生成された学習済みモデル９４１ａ～９４４ａは、記憶部（例えば、ＣＴ装置の記憶部、又はＣＴ装置に接続されている外部装置の記憶部）に記憶される。
上記の学習フェーズにより得られた学習済みモデル９４１ａ～９４４ａは、患者４０の検査時に患者４０の体重を推論するために使用される。以下に、患者４０の検査フローについて説明する。
図２５は、第４の形態における患者４０の検査フローを示す図である。
ステップＳＴ５１では、オペレータが患者４０をスキャンルームへと案内し、患者４０をテーブル４に寝かせる。
患者４０をテーブル４に寝かせた後、ステップＳＴ５２に進む。
ステップＳＴ５２では、選択部８４１１（図２３参照）が、学習済みモデル９４１ａ～９４４ａの中から、患者４０の体重を推論するために使用する学習済みモデルを選択する。
ここでは、患者４０の姿勢が右側臥位であるとする。したがって、選択部８４１１は、学習済みモデル９４１ａ～９４４ａの中から、右側臥位に対応する学習済みモデル９４４ａ（図２４参照）を選択する。
尚、学習済みモデル９４１ａ～９４４ａの中から、学習済みモデル９４４ａを選択するためには、患者の姿勢が右側臥位であることを特定する必要がある。この特定方法としては、例えば、ＲＩＳの情報に基づいて実行することができる。ＲＩＳには、検査時の患者４０の姿勢が含まれているので、選択部８４１１は、ＲＩＳから、患者の方向および患者の姿勢を特定することができる。したがって、選択部８４１１は、学習済みモデル９４１ａ～９４４ａの中から、学習済みモデル９４４ａを選択することができる。
学習済みモデル９４４ａを選択した後、ステップＳＴ５３に進む。
ステップＳＴ５３では、学習済みモデルを用いて患者４０の体重を推論する。以下、患者４０の体重を推論する方法について具体的に説明する。
先ず、学習済みモデル９４４ａに入力する入力画像を生成する。生成部８４１は、カメラ６によって得られたカメラ画像に対して所定の画像処理を実行することにより、体重の推論に使用される入力画像を生成する。尚、第４の形態では、第３の形態と同様に、患者４０の姿勢が右伏臥位であるので、生成部８４１は、右側臥位でテーブル４に寝ている患者４０のカメラ画像に基づいて、学習済みモデル９４４ａに入力する入力画像６４（図２１参照）を生成する。
入力画像６４を生成した後、推論部８４２（図２３参照）が、入力画像６４に基づいて、患者４０の体重を推論する。図２６は、体重を推論する推論フェーズの説明図である。
推論部８４２は、入力画像６４を１８０°回転させた後の入力画像６４１を、ステップＳＴ５２で選択された学習済みモデル９４４ａに入力して患者４０の体重を推論する。患者４０の体重を推論したら、ステップＳＴ５４に進む。ステップＳＴ５４～ＳＴ５８は第１の形態におけるステップＳＴ１３～ＳＴ１７と同じであるので、説明は省略する。
このように、患者の姿勢ごとに学習済みモデルを用意し、検査時の患者の方向および患者の姿勢に対応した学習済みモデルを選択するようにしてもよい。
尚、第４の形態では、正解データとして体重を使用して学習済みモデルを生成している。しかし、体重の代わりに、身長を正解データとし、姿勢ごとに、身長を推論する学習済みモデルを生成してもよい。この場合、患者４０の姿勢に対応する学習済みモデルを選択することにより、検査ごとに患者４０の姿勢が異なる場合であっても、患者４０の身長を推論することができるので、上記の式（１）から、患者４０の体重を計算することができる。
尚、第１～第４の形態では、ニューラルネットワークが、人間の全身が映った学習用画像を用いた学習を実行することにより、学習済みモデルが生成されている。しかし、人間の体の一部のみを含む学習用画像を用いた学習を実行することにより学習済みモデルを生成してもよいし、人間の体の一部のみを含む学習用画像と人間の全身を含む学習用画像とを用いた学習を実行することにより学習済みモデルを生成してもよい。
第１～第４の形態では、Ｘ線ＣＴ装置で撮影される患者４０の体重を管理する方法について説明したが、本発明は、Ｘ線ＣＴ装置以外の装置（例えば、ＭＲＩ装置）で撮影される患者の体重を管理する場合にも適用することができる。
第１～第４の形態では、推論はＣＴ装置によって実行されている。しかし、ＣＴ装置がネットワークを通じてアクセス可能な外部コンピュータで推論を実行してもよい。
尚、第１～第４の形態では、ＤＬ（深層学習）により学習済みモデルを作成し、この学習済みモデルを用いて患者の体重又は身長を推論したが、ＤＬ以外の他の機械学習を用いて患者の体重又は身長を推論してもよい。更に、統計学的手法でカメラ画像を解析し、患者の体重又は身長を求めてもよい。
１ ＣＴ装置
２ ガントリ
４ テーブル
６ カメラ
８ 操作コンソール
１０ ネットワークシステム
１１ ＰＡＣＳ
１２ 通信網
２０ 表示パネル
２１ ボア
２２ Ｘ線管
２３ アパーチャ
２４ コリメータ
２５ Ｘ線検出器
２６ データ収集部
２７ 回転部
２８ 高電圧電源
２９ アパーチャ駆動装置
３０ 回転部駆動装置
３１ ＧＴ制御部
４０ 患者
４１ クレードル
４２ クレードル支持台
４３ 駆動装置
６１、６２、６４、６１１、６１２、６４１ 入力画像
７０ 患者情報
７１ ウインドウ
８１ 入力部
８２ 表示部
８３ 記憶部
８４ 処理部
８５ コンソール制御部
９０ 記憶媒体
９１ａ、９２ａ、９３ａ、９４４ａ 学習済みモデル
９１、９２、９３ ニューラルネットワーク
１００ スキャンルーム
１０１ 天井
２００ 操作ルーム
８４１、９４０ 生成部
８４２、９４１、８４２１ 推論部
８４３、９４３ 確認部
８４４、９４４ 構成部
９４２ 計算部
８４１１ 選択部

Claims (16)

  1. 医用装置のテーブルに寝ている撮影対象者のカメラ画像に基づいて、前記撮影対象者の体重を求める処理を実行する処理装置であって、
    撮影時の前記撮影対象者の姿勢として考えられる複数の姿勢に対応する複数の学習済みモデルの中から、前記撮影対象者の体重を推論するために使用される学習済みモデルを選択する選択部と
    前記カメラ画像に基づいて入力画像を生成する生成部と、
    前記入力画像を、選択された前記学習済みモデルに入力することにより、前記撮影対象者の体重を推論する推論部と
    を含む、処理装置。
  2. 前記複数の学習済みモデルの各々は、ニューラルネットワークが、
    （１）医用装置のテーブルに寝ている人間の複数のカメラ画像に基づいて生成された複数の学習用画像、および
    （２）前記複数の学習用画像に対応する複数の正解データであって、前記複数の正解データの各々が、対応する学習用画像に含まれる人間の体重を表す、複数の正解データ、を用いた学習を実行することにより生成されている、請求項１に記載の処理装置。
  3. 前記複数の学習用画像が、ヘッドファーストの状態でテーブルに寝ている人間の画像と、フィートファーストの状態でテーブルに寝ている人間の画像とを含む、請求項２に記載の処理装置。
  4. 前記複数の姿勢が、仰臥位、伏臥位、左側臥位、および右側臥位のうちの少なくとも２つの姿勢を含む、請求項１～３のうちのいずれか一項に記載の処理装置。
  5. 推論された体重を更新するか否かをオペレータに確認するための確認部を有する、請求項１～４のうちのいずれか一項に記載の処理装置。
  6. 医用装置のテーブルに寝ている撮影対象者のカメラ画像に基づいて、前記撮影対象者の体重を求める処理を実行する処理装置であって、
    撮影時の前記撮影対象者の姿勢として考えられる複数の姿勢に対応する複数の学習済みモデルの中から、前記撮影対象者の身長を推論するために使用される学習済みモデルを選択する選択部と、
    前記カメラ画像に基づいて入力画像を生成する生成部と、
    前記入力画像を、選択された学習済みモデルに入力することにより、前記撮影対象者の身長を推論する推論部と、
    前記撮影対象者のＢＭＩと、前記推論された身長とに基づいて、前記撮影対象者の体重を計算する計算部と
    を含む、処理装置。
  7. 前記複数の学習済みモデルの各々は、ニューラルネットワークが、
    （１）医用装置のテーブルに寝ている人間の複数のカメラ画像に基づいて生成された複数の学習用画像、および
    （２）前記複数の学習用画像に対応する複数の正解データであって、前記複数の正解データの各々が、対応する学習用画像に含まれる人間の身長を表す、複数の正解データ、
    を用いた学習を実行することにより生成されている、請求項６に記載の処理装置。
  8. 前記撮影対象者をスカウトスキャンすることにより得られたスカウト画像を再構成する再構成部を含み、
    前記計算部が、前記スカウト画像に基づいて、前記ＢＭＩを計算する、請求項６又は７に記載の処理装置。
  9. １つ以上のプロセッサによる実行が可能な１つ以上の命令が格納された、１つ以上の非一時的でコンピュータ読取可能な記録媒体であって、前記１つ以上の命令は、前記１つ以上のプロセッサに、
    撮影時の撮影対象者の姿勢として考えられる複数の姿勢に対応する複数の学習済みモデルの中から、前記撮影対象者の体重を推論するために使用される学習済みモデルを選択させること、
    前記撮影対象者のカメラ画像に基づいて入力画像を生成させること、
    前記入力画像を、選択された前記学習済みモデルに入力することにより、前記撮影対象者の体重を推論させること
    を含む処理を実行させる、記憶媒体。
  10. 前記複数の学習済みモデルの各々は、ニューラルネットワークが、
    （１）医用装置のテーブルに寝ている人間の複数のカメラ画像に基づいて生成された複数の学習用画像、および
    （２）前記複数の学習用画像に対応する複数の正解データであって、前記複数の正解データの各々が、対応する学習用画像に含まれる人間の体重を表す、複数の正解データ、
    を用いた学習を実行することにより生成されている、請求項９に記載の記憶媒体。
  11. 前記複数の学習用画像が、ヘッドファーストの状態でテーブルに寝ている人間の画像と、フィートファーストの状態でテーブルに寝ている人間の画像とを含む、請求項１０に記載の記憶媒体。
  12. 前記複数の姿勢が、仰臥位、伏臥位、左側臥位、および右側臥位のうちの少なくとも２つの姿勢を含む、請求項９～１１のうちのいずれか一項に記載の記憶媒体。
  13. １つ以上のプロセッサによる実行が可能な１つ以上の命令が格納された、１つ以上の非一時的でコンピュータ読取可能な記録媒体であって、前記１つ以上の命令は、前記１つ以上のプロセッサに、
    撮影時の前記撮影対象者の姿勢として考えられる複数の姿勢に対応する複数の学習済みモデルの中から、前記撮影対象者の身長を推論するために使用される学習済みモデルを選択させること、
    前記カメラ画像に基づいて入力画像を生成させること、
    前記入力画像を、選択された学習済みモデルに入力することにより、前記撮影対象者の身長を推論させること、および
    前記撮影対象者のＢＭＩと、前記推論された身長とに基づいて、前記撮影対象者の体重を計算させること、
    を含む処理を実行させる、記憶媒体。
  14. 前記複数の学習済みモデルの各々は、ニューラルネットワークが、
    （１）医用装置のテーブルに寝ている人間の複数のカメラ画像に基づいて生成された複数の学習用画像、および
    （２）前記複数の学習用画像に対応する複数の正解データであって、前記複数の正解データの各々が、対応する学習用画像に含まれる人間の身長を表す、複数の正解データ、
    を用いた学習を実行することにより生成されている、請求項１３に記載の記憶媒体。
  15. 前記複数の学習用画像が、ヘッドファーストの状態でテーブルに寝ている人間の画像と、フィートファーストの状態でテーブルに寝ている人間の画像とを含む、請求項１４に記載の記憶媒体。
  16. 前記１つ以上の命令は、前記１つ以上のプロセッサに、
    前記撮影対象者をスカウトスキャンすることにより得られたスカウト画像を再構成させること、および
    前記スカウト画像に基づいて前記ＢＭＩを計算させること、
    を含む処理を実行させる、請求項１３～１５のうちのいずれか一項に記載の記憶媒体。
JP2021076887A 2021-04-28 2021-04-28 学習済みモデル生成方法、処理装置、および記憶媒体 Active JP7167241B1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2021076887A JP7167241B1 (ja) 2021-04-28 2021-04-28 学習済みモデル生成方法、処理装置、および記憶媒体
CN202210319612.1A CN115245344A (zh) 2021-04-28 2022-03-29 学习模型生成方法、处理设备和存储介质
US17/731,368 US20220346710A1 (en) 2021-04-28 2022-04-28 Learned model generating method, processing device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021076887A JP7167241B1 (ja) 2021-04-28 2021-04-28 学習済みモデル生成方法、処理装置、および記憶媒体

Publications (2)

Publication Number Publication Date
JP7167241B1 true JP7167241B1 (ja) 2022-11-08
JP2022172418A JP2022172418A (ja) 2022-11-16

Family

ID=83698361

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021076887A Active JP7167241B1 (ja) 2021-04-28 2021-04-28 学習済みモデル生成方法、処理装置、および記憶媒体

Country Status (3)

Country Link
US (1) US20220346710A1 (ja)
JP (1) JP7167241B1 (ja)
CN (1) CN115245344A (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012231816A (ja) * 2011-04-28 2012-11-29 Ge Medical Systems Global Technology Co Llc 造影パラメータ決定方法、ｘ線ｃｔ装置およびインジェクタ
US20190357844A1 (en) * 2018-05-23 2019-11-28 Siemens Healthcare Gmbh Method and apparatus for determining a patient weight and/or a body mass index
JP2020522285A (ja) * 2018-04-20 2020-07-30 ボディグラム、インコーポレイテッド 全身測定値抽出のためのシステムおよび方法
US20200271507A1 (en) * 2019-02-25 2020-08-27 Siemens Healthcare Gmbh Patient Weight Estimation from Surface Data using a Patient Model
US20200297237A1 (en) * 2019-03-22 2020-09-24 Siemens Healthcare Gmbh Multi-Task Progressive Networks for Patient Modeling for Medical Scans
CN112017231A (zh) * 2020-08-27 2020-12-01 中国平安财产保险股份有限公司 基于单目摄像头的人体体重识别方法、装置及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012231816A (ja) * 2011-04-28 2012-11-29 Ge Medical Systems Global Technology Co Llc 造影パラメータ決定方法、ｘ線ｃｔ装置およびインジェクタ
JP2020522285A (ja) * 2018-04-20 2020-07-30 ボディグラム、インコーポレイテッド 全身測定値抽出のためのシステムおよび方法
US20190357844A1 (en) * 2018-05-23 2019-11-28 Siemens Healthcare Gmbh Method and apparatus for determining a patient weight and/or a body mass index
US20200271507A1 (en) * 2019-02-25 2020-08-27 Siemens Healthcare Gmbh Patient Weight Estimation from Surface Data using a Patient Model
US20200297237A1 (en) * 2019-03-22 2020-09-24 Siemens Healthcare Gmbh Multi-Task Progressive Networks for Patient Modeling for Medical Scans
CN112017231A (zh) * 2020-08-27 2020-12-01 中国平安财产保险股份有限公司 基于单目摄像头的人体体重识别方法、装置及存储介质

Also Published As

Publication number Publication date
JP2022172418A (ja) 2022-11-16
CN115245344A (zh) 2022-10-28
US20220346710A1 (en) 2022-11-03

Similar Documents

Publication Publication Date Title
JP4786246B2 (ja) 画像処理装置及び画像処理システム
US20180190379A1 (en) Method and apparatus for setting imaging environment by using signals transmitted by plurality of clients
JP4942024B2 (ja) 医用画像撮影方法及び医用画像撮影装置
US8934687B2 (en) Image processing device, method and program including processing of tomographic images
JP2004329926A (ja) 検査経過および／または治療経過の監視方法ならびに医療システム
US20030139944A1 (en) System and method for the processing of patient data
JP2021039742A (ja) ワークフロー管理のための方法およびシステム
Bommu Advancements in Healthcare Information Technology: A Comprehensive Review
US10765321B2 (en) Image-assisted diagnostic evaluation
JP2020058777A (ja) 医用画像取得装置を動作させるための方法、画像取得装置、コンピュータプログラムおよび電子的に読取可能なデータ媒体
JP2006102353A (ja) 関節動作解析装置、関節動作解析方法及び関節動作解析プログラム
CN110459298A (zh) 用于求出结果值的方法和设备、诊断站和成像***
WO2008038559A1 (fr) Procédé de sélection d'un dessin anatomique, dispositif de sélection d'un dessin anatomique, et système de réseau médical
JP2023504026A (ja) 医用イメージング・システムにおける自動式プロトコル指定
JP7167241B1 (ja) 学習済みモデル生成方法、処理装置、および記憶媒体
JP5363962B2 (ja) 診断支援システム、診断支援プログラムおよび診断支援方法
JP2010264234A (ja) 医療情報の利用促進システムおよび方法
JP2021058569A (ja) 画像処理装置及びプログラム
JP7144129B2 (ja) 医用画像診断装置及び医用情報管理装置
JP6959612B2 (ja) 診断画像システム
JP2016209267A (ja) 医用画像処理装置及びプログラム
CN111919264A (zh) 用于使成像***和边缘计算***同步的***和方法
US20200082931A1 (en) Diagnostic support apparatus
JP6956514B2 (ja) Ｘ線ｃｔ装置及び医用情報管理装置
US11672494B2 (en) Imaged-range defining apparatus, medical apparatus, and program

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210514

RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20210526

RD04 Notification of resignation of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7424

Effective date: 20210528

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220608

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220908

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220928

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20221026

R150 Certificate of patent or registration of utility model

Ref document number: 7167241

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150