具体实施方式

下面，基于附图来说明将本发明具体化了的实施方式。

参照图1～图8来说明本发明的一个实施方式所涉及的图像制作装置100的结构、一个实施方式的图像制作方法、一个实施方式的学习完毕模型的制作方法。

(图像处理装置的结构)

首先，参照图1来说明第一实施方式所涉及的图像制作装置100的结构。

图像制作装置100构成为：使用通过机器学习而学习完毕的学习模型，来制作提取出或去除了进行X射线摄影所得到的图像的特定部分的图像。如图1所示，图像制作装置100具备学习图像生成部1、噪声施加部2、学习部3以及图像制作部4。另外，图像制作装置100构成为：能够从CT摄影装置10获取CT图像。另外，图像制作装置100构成为：能够从X射线摄影装置20获取X射线摄影图像。另外，图像制作装置100构成为：能够向显示装置30发送所制作的图像。

图像制作装置100具备通信部，以从CT摄影装置10或X射线摄影装置20获取数据、以及向显示装置30发送数据。通信部例如包括HDMI(注册商标)(High-DefinitionMultimedia Interface：高清多媒体接口)、Display Port(显示器端口)、USB端口等输入输出接口。

另外，图像制作装置100例如包括CPU(Central Processing Unit：中央处理单元)、GPU(Graphics Processing Unit：图形处理器)、ROM(Read Only Memory：只读存储器)以及RAM(Random Access Memory：随机存取存储器)等作为硬件结构。另外，图像制作装置100包括HDD(Hard Disk Drive：硬盘驱动器)或非易失性的存储器等作为存储部。

如图2所示，X射线摄影装置20包括顶板21、X射线照射部22以及FPD(Flat PanelDetector：平板探测器)23。顶板21构成为支承被检体O(人)。X射线照射部22构成为朝向被检体O照射X射线。FPD 23构成为检测从X射线照射部22照射并透过了被检体O的X射线。

图像制作装置100的学习图像生成部1构成为：生成用于通过学习部3对学习模型进行学习的教师输入图像和教师输出图像。具体地说，学习图像生成部1基于具有三维的像素值数据的三维数据来生成教师输入图像和教师输出图像，该教师输入图像是包括被检体O的特定部分的区域的二维的图像，该教师输出图像是与教师输入图像相同的视角下的、示出特定部分的图像或除去特定部分的图像。详细地说，学习图像生成部1基于拍摄被检体O所得到的计算机断层摄影图像(CT图像)来获取三维数据(具有三维的体素值的数据)。而且，学习图像生成部1构成为：基于三维数据，通过数字重建模拟(DRR)来生成教师输入图像和教师输出图像。

另外，学习图像生成部1构成为：根据一个三维数据(CT图像数据)来生成多组的教师输入图像和教师输出图像。例如，学习图像生成部1构成为：根据一个三维数据来生成大致10万组的教师输入图像和教师输出图像。学习图像生成部1构成为：使数字重建模拟的投影角度、投影坐标、用于生成DRR图像的参数、对比度、边缘增强等互不相同，来生成多组的教师输入图像和教师输出图像。

如图4所示，学习图像生成部1在通过数字重建模拟来生成图像的情况下，虚拟地配置三维数据11、X射线源12以及投影面13，对三维数据11虚拟地进行投影。而且，学习图像生成部1基于三维数据11进行计算，来生成向投影面13投影的图像14。

学习图像生成部1在生成教师输入图像的情况下，从X射线源12向三维数据11的包括特定部分的部分虚拟地照射X射线，对通过的CT值(体素值)进行加法运算来计算二维的图像14的各像素值。

另外，学习图像生成部1在生成教师输出图像的情况下，从X射线源12向三维数据11的包括特定部分的部分虚拟地照射X射线，仅对特定部分的CT值(体素值)进行加法运算或者对排除了特定部分的CT值(体素值)的CT值进行加法运算来计算二维的图像14的各像素值。例如，在提取特定部分的情况下，仅对与特定部分对应的范围的CT值(体素值)进行加法运算来计算二维的图像14的各像素值。另外，在提取CT上的特定部分时，可以使用公知的3D分割技术，也可以从由治疗计划装置制作出的治疗计划数据获取特定部分区域。另外，在排除特定部分的情况下，对排除了与特定部分对应的范围的CT值(体素值)的CT值进行加法运算来计算二维的图像14的各像素值。

另外，学习图像生成部1构成为：在将血管等的运动(跳动)设为特定部分的情况下，基于在三维空间的基础上还包括时间的四维的数据来生成教师输入图像和教师输出图像。由此，即使是伴随时间经过而运动的对象，也能够高精度地进行学习。

噪声施加部2构成为：对通过学习图像生成部1生成的教师输入图像和教师输出图像施加噪声。在此，在本实施方式中，噪声施加部2构成为：对教师输入图像和教师输出图像施加相同的噪声。另外，噪声施加部2构成为：对教师输入图像和教师输出图像施加基于拍摄图像所得到的摄影结果的噪声进行了调整的噪声。也就是说，噪声施加部2构成为：施加基于通过X射线摄影装置20进行了X射线摄影的情况下包括的噪声进行了调整的噪声。关于X射线摄影装置20进行的X射线摄影的噪声，例如通过在X射线照射部22与FPD 23之间配置均匀的物质(X射线透过率大致相等的物质(例如空气、水等))来进行X射线摄影，由此进行测定。

另外，噪声施加部2构成为施加高斯噪声。另外，噪声施加部2构成为：对教师输入图像和教师输出图像施加被调整为与拍摄图像所得到的摄影结果的噪声的标准偏差σ对应的标准偏差σ的高斯噪声。也就是说，噪声施加部2构成为：施加基于通过X射线摄影装置20进行了X射线摄影的情况下包括的噪声被调整为同等的标准偏差σ的高斯噪声。

另外，噪声施加部2构成为：对通过相同条件而生成的教师输入图像和教师输出图像的组施加相同的噪声。另一方面，噪声施加部2构成为：对生成的教师输入图像和教师输出图像的每个组施加互不相同的噪声。另外，例如噪声施加部2构成为：对生成的教师输入图像和教师输出图像的每个组以使参数随机变化的方式施加噪声。

另外，在本实施方式中，如图3所示，学习部3构成为：基于被施加了噪声的教师输入图像和被施加了噪声的教师输出图像来进行机器学习，由此对用于提取或除去特定部分的学习模型进行学习。学习部3构成为：通过AI(人工知能)，基于被施加了噪声的教师输入图像和被施加了噪声的教师输出图像来进行图像分析。另外，学习部3构成为使用卷积层来进行学习。另外，学习部3构成为通过深度学习来进行学习。另外，学习部3构成为使用神经网络来进行学习。

此外，通过学习部3对学习模型进行的学习可以针对每个被检体O进行，也可以针对每个X射线摄影装置20进行。另外，可以定期地进行学习。另外，可以制作汇总了不同的被检体O的学习数据的学习模型。

另外，在本实施方式中，如图3所示，图像制作部4构成为：根据拍摄到的包括特定部分的图像，使用学习完毕的学习模型来制作提取出或除去了特定部分的图像。也就是说，图像制作部4构成为：根据通过X射线摄影装置20拍摄到的包括特定部分的二维的X射线图像，使用通过学习部3进行了学习的学习模型来制作提取出或除去了特定部分的二维的图像。另外，图像制作部4构成为：根据通过X射线摄影装置20拍摄到的实时的二维图像来制作提取出或除去了特定部分的图像。例如，在被检体O的治疗等过程中，图像制作部4根据使用X射线摄影装置20透视到的图像，来制作除去了骨头、提取出血管或提取出支架等器具后的图像。另外，图像制作部4将制作出的图像发送至显示装置30。由此，使显示装置30显示提取出或除去了特定部分的图像。

参照图5对特定部分为骨头的例子进行说明。如图5所示，通过学习图像生成部1来生成包括作为特定部分的被检体O的骨头的区域的二维的教师输入图像。另外，通过学习图像生成部1来生成除去了作为特定部分的被检体O的骨头的二维的教师输出图像。而且，通过噪声施加部2对二维的教师输入图像和教师输出图像施加相同的噪声。通过学习部3，根据被施加了相同的噪声的教师输入图像和教师输出图像，通过机器学习来对用于除去骨头的学习模型进行学习。而且，使用用于除去该骨头的学习模型，通过图像制作部4来制作从通过X射线摄影装置20拍摄到的被检体O的X射线图像中除去了骨头的图像。

参照图6对特定部分为血管的例子进行说明。如图6所示，通过学习图像生成部1来生成包括作为特定部分的被检体O的血管的区域的二维的教师输入图像。另外，通过学习图像生成部1来生成提取出作为特定部分的被检体O的血管的二维的教师输出图像。而且，通过噪声施加部2对二维的教师输入图像和教师输出图像施加相同的噪声。通过学习部3，根据被施加了相同的噪声的教师输入图像和教师输出图像，通过机器学习来对用于提取血管的学习模型进行学习。而且，使用用于提取该血管的学习模型，通过图像制作部4来制作从通过X射线摄影装置20拍摄到的被检体O的X射线图像中提取出血管的图像。

(学习模型学习处理)

接着，参照图7来说明通过图像制作装置100进行的学习模型学习处理。

在步骤S1中，获取通过CT摄影装置10制作出的CT图像(三维数据)。在步骤S2中，根据CT图像来生成多组的教师输入图像和教师输出图像。

在步骤S3中，对生成的同组的教师输入图像和教师输出图像施加相同的噪声。在步骤S4中，对学习模型进行学习。由此，生成用于提取或除去特定部分的学习完毕模型。

(图像制作处理)

接着，参照图8来说明通过图像制作装置100进行的图像制作处理。

在步骤S11中，获取通过X射线摄影装置20得到的被检体O的摄影结果(二维的X射线图像)。在步骤S12中，根据获取到的X射线图像，使用学习完毕模型来制作提取出或除去了特定部分的图像。

(本实施方式的效果)

在本实施方式中，能够得到如以下那样的效果。

在本实施方式中，如上述那样设置有：噪声施加部2，其对教师输入图像和教师输出图像施加相同的噪声；以及学习部3，其基于被施加了上述噪声的教师输入图像和被施加了上述噪声的教师输出图像来进行机器学习，由此对用于提取或除去特定部分的学习模型进行学习。由此，由于对教师输入图像和教师输出图像这两方施加相同的噪声，因此能够对如提取或除去教师输入图像和教师输出图像的特定部分这样的图像处理进行学习，所述特定部分是除噪声成分以外的差异。由此，不对使噪声平滑化的滤波器进行学习，因此能够抑制制作出的图像模糊。

另外，在本实施方式中，如上述那样将学习图像生成部1构成为：基于拍摄被检体O所得到的计算机断层摄影图像来获取三维数据，通过数字重建模拟来生成教师输入图像和教师输出图像。由此，能够根据计算机断层摄影图像，通过数字重建模拟容易地生成多组的教师输入图像和教师输出图像，因此能够使用多组的图像来进行机器学习。由此，能够使学习模型的学习精度提高。

另外，在本实施方式中，如上述那样将噪声施加部2构成为：对教师输入图像和教师输出图像施加基于拍摄图像所得到的摄影结果的噪声进行了调整的噪声。由此，能够对教师输入图像和教师输出图像施加与实际进行摄影的情况下的噪声相应的噪声来进行机器学习，因此能够在根据拍摄到的包括特定部分的图像、使用学习完毕的学习模型来制作图像的情况下，有效地抑制噪声的影响，能够提取或除去特定部分。

另外，在本实施方式中，如上述那样将噪声施加部2构成为施加高斯噪声，并且构成为：对教师输入图像和教师输出图像施加被调整为与拍摄图像所得到的摄影结果的噪声的标准偏差对应的标准偏差的高斯噪声。由此，能够使施加的高斯噪声的标准偏差与实际进行摄影的图像的噪声一致，因此能够更有效地抑制噪声对图像的制作产生影响，能够提取或除去特定部分。

另外，在本实施方式中，如上述那样将学习图像生成部1构成为：生成包括被检体O的骨头的区域的二维的教师输入图像以及除去被检体的骨头的教师输出图像。另外，将学习部3构成为：基于被施加了噪声的教师输入图像和被施加了噪声的教师输出图像来进行机器学习，由此对用于除去骨头的学习模型进行学习。另外，将图像制作部4构成为：根据拍摄到的包括骨头的图像，使用学习完毕的学习模型来制作除去了骨头的图像。由此，能够对不极力除去噪声成分且仅除去骨头的学习模型进行学习，因此，通过使用学习模型来制作图像，能够输出抑制了模糊的骨抑制图像。

另外，在本实施方式中，如上述那样将学习图像生成部1构成为：生成包括被检体O的血管的区域的二维的教师输入图像以及示出被检体的血管的教师输出图像。另外，将学习部3构成为：基于被施加了噪声的教师输入图像和被施加了噪声的教师输出图像来进行机器学习，由此对用于提取血管的学习模型进行学习。另外，将图像制作部4构成为：根据拍摄到的包括血管的图像，使用学习完毕的学习模型来提取血管并制作图像。由此，能够对如不极力除去噪声成分且提取血管这样的学习模型进行学习，因此，通过使用学习模型来制作图像，能够输出抑制了模糊的血管图像。

(变形例)

此外，应当认为本次公开的实施方式在所有方面均为例示，而非限制性的。本发明的范围不由上述的实施方式的说明示出，而由权利要求书示出，还包括与权利要求书同等的含义和范围内的所有变更(变形例)。

例如，在上述一个实施方式中，示出了进行机器学习的装置和进行图像制作的装置是同一装置的例子，但本发明不限于此。在本发明中，进行机器学习的装置和进行图像制作的装置也可以为不同的装置。例如如图9所示，可以通过设置有学习图像生成部1、噪声施加部2以及学习部3的图像学习装置200来进行机器学习。另外，也可以通过设置有图像制作部4的图像制作装置300来进行图像制作。在该情况下，图像学习装置200可以配置于与图像制作装置300分离的部位。另外，图像学习装置200也可以由设置于云上的服务器计算机来构成。

另外，在上述一个实施方式中示出了对用于从X射线摄影装置的摄影结果中提取或除去特定部分的学习模型进行学习的结构的例子，但本发明不限于此。在本发明中，也可以为对用于从X射线摄影装置以外的摄影装置的摄影结果中提取或除去特定部分的学习模型进行学习的结构。另外，本发明一般可以广泛地应用于学习时的教师输出图像并非标签图像而是与教师输入图像相同方式的图像的情况。

另外，在上述一个实施方式中示出了制作从摄影结果中提取出或除去了特定部分的图像的结构的例子，但本发明不限于此。在本发明中，也可以制作从提取出或除去了特定部分的图像中进一步除去了噪声的图像。

另外，在上述一个实施方式中示出了被检体为人的例子，但本发明不限于此。在本发明中，被检体也可以为人以外的生物体，也可以为非生物体。

另外，在上述一个实施方式中示出了特定部分为血管或骨头的例子，但本发明不限于此。在本发明中，特定部分也可以为血管和骨头以外的部分。

另外，在上述一个实施方式中示出了施加于教师输入图像和教师输出图像的噪声为高斯噪声的例子，但本发明不限于此。在本发明中，施加于教师输入图像和教师输出图像的噪声也可以为高斯噪声以外的噪声。

另外，在上述一个实施方式中，为了方便说明，示出了使用按照处理流程依次进行处理的流程驱动型的流程图来说明图像制作装置的处理的例子，但本发明并不限于此。在本发明中，也可以通过以事件单位执行处理的事件驱动型(event-driven)的处理来进行图像制作装置的处理。在该情况下，可以基于以完全的事件驱动型来进行处理，也可以将事件驱动和流程驱动组合来进行处理。

附图标记说明

1：学习图像生成部；2：噪声施加部；3：学习部；4：图像制作部；100：图像制作装置；O：被检体。