X射线摄像装置的制作方法

本发明涉及一种x射线摄像装置，特别是涉及一种具备图像处理部的x射线摄像装置，该图像处理部基于机器学习从拍摄被摄体所得到的图像中提取被摄体的骨区域。

背景技术：

以往，已知一种基于机器学习并根据拍摄被摄体所得到的图像来推断脊柱排列(脊柱形状)的脊柱排列推断装置。例如，在国际公开第2017/141958号中公开了这种脊柱排列推断装置。

在国际公开第2017/141958号所记载的脊柱排列推断装置中，首先准备许多对同一人物进行拍摄所得到的莫尔条纹图像和x射线图像的数据集，其中，该莫尔条纹图像包含表示人体的背部的立体形状的莫尔条纹，该x射线图像是拍摄人体的背部的骨区域所得到的图像。接着，对使用于机器学习的数据集(正确答案数据)进行加标注。例如，通过曲线对拍进x射线图像中的胸椎和腰椎的重心进行近似。之后，将莫尔条纹图像与x射线图像进行位置对准，来使莫尔条纹图像的坐标与x射线图像的坐标进行位置对准。然后，将莫尔条纹图像上的胸椎和腰椎的重心的坐标设为学习用的正确答案数据。然后，基于所输入的莫尔条纹图像，以输出脊柱元素的排列信息(胸椎和腰椎的重心的坐标)的方式进行学习。此外，作为学习，例如采用深度学习。

而且，在国际公开第2017/141958号所记载的脊柱排列推断装置中，基于进行学习所得到的结果(识别器)，根据由摄像装置拍摄到的未知(脊柱元素的排列信息未知)的莫尔条纹图像来推断脊柱元素的排列信息。另外，推断出的脊柱元素的排列信息以重叠在莫尔条纹图像上的状态显示于显示部。

另外，虽然在国际公开第2017/141958号中没有记载，但以往在腰椎、大腿骨等的骨密度测定中，在通过向被摄体照射互不相同的两种能量的x射线而拍摄到的图像中，将骨成分与其它组织进行区分来进行骨密度的测定。在该情况下，需要在拍摄到的图像中准确地提取(指定)腰椎、大腿骨等要进行骨密度的测定的区域。以往，为了减轻用户的负担，采用机器学习来进行骨区域的提取(自动分割)。另外，为了提高自动分割的精度，作为机器学习，如国际公开第2017/141958号那样采用了深度学习。在深度学习中，对拍摄腰椎、大腿骨等要进行骨密度测定的部位所得到的图像进行学习，并且基于进行学习所得到的结果(识别器)来从未知的图像中提取骨区域。另外，在提取出的骨区域与实际的骨区域存在偏差的情况下，由用户修正骨区域。

现有技术文献

专利文献

专利文献1：国际公开第2017/141958号

技术实现要素：

发明要解决的问题

在此，采用深度学习等机器学习进行的骨区域的自动分割的精度比较高，但另一方面，在被输入了与使用于机器学习的图像(正确答案数据)偏离的未知的图像的情况下，存在自动分割(骨区域的提取)严重失败这样的不良情况。在该情况下，用户需要对基于机器学习提取出的骨区域实施较大幅度的修正，因此存在用户的负担增加这样的问题。

本发明是为了解决如上所述的问题而完成的，本发明的一个目的在于提供如下一种x射线摄像装置：即使在被输入了与使用于机器学习的图像(正确答案数据)偏离的未知的图像的情况下，也能够抑制用户对提取出的骨区域进行修正的负担变大。

用于解决问题的方案

为了达成上述目的，本发明的一个方面的x射线摄像装置具备：x射线照射部，其向被摄体照射x射线；x射线检测部，其检测从x射线照射部照射到被摄体的x射线；图像处理部，其基于机器学习在基于由x射线检测部检测出的x射线获取到的获取图像中提取被摄体的骨区域，并且在规定的情况下，基于规定的规则在获取图像中提取被摄体的骨区域；显示部，其显示由图像处理部进行处理所得到的图像；以及控制部，其判定基于机器学习提取出的被摄体的骨区域是否恰当，其中，控制部构成为进行以下控制：在判定为基于机器学习提取出的被摄体的骨区域恰当的情况下，使基于机器学习提取被摄体的骨区域后所得到的图像显示于显示部，在判定为基于机器学习提取出的被摄体的骨区域不恰当的情况下，使得显示基于规定的规则提取被摄体的骨区域后所得到的图像。

在本发明的一个方面的x射线摄像装置中，如上所述，控制部构成为进行以下控制：在判定为基于机器学习提取出的被摄体的骨区域恰当的情况下，使基于机器学习提取被摄体的骨区域后所得到的图像显示于显示部，在判定为基于机器学习提取出的被摄体的骨区域不恰当的情况下，使得显示基于规定的规则提取被摄体的骨区域后所得到的图像。由此，例如在被输入了与使用于机器学习的图像(正确答案数据)偏离的未知的图像等情况下，即使在基于机器学习提取出的被摄体的骨区域不恰当的情况下，也能够显示基于规定的规则提取被摄体的骨区域后所得到的图像。此外，一般来说，虽然基于规定的规则提取骨区域的精度比基于机器学习提取骨区域的精度低，但另一方面，由于是基于比较简单的规则来进行骨区域的提取，因此即使对于在机器学习中无法恰当地进行骨区域的提取的图像也能够以某种程度的精度进行骨区域的提取。由此，与修正基于机器学习没有被恰当地提取的骨区域的情况相比，修正基于规定的规则提取出的骨区域的情况下的修正量少。其结果，即使在被输入了与使用于机器学习的图像(正确答案数据)偏离的未知的图像的情况下，也能够抑制用户对提取出的骨区域进行修正的负担变大。

在上述一个方面的x射线摄像装置中，优选的是，控制部构成为：基于在获取图像中提取出的被摄体的骨区域的面积和提取出的被摄体的骨区域的重心中的至少一方，来判定基于机器学习提取出的被摄体的骨区域是否恰当。根据这样的结构，如果将基于机器学习提取出的被摄体的骨区域的面积和重心中的至少一方与典型的被摄体的骨区域的面积和重心中的至少一方进行比较，则能够容易地判定基于机器学习提取出的被摄体的骨区域是否恰当。

在上述一个方面的x射线摄像装置中，优选的是，控制部构成为进行以下控制：在获取图像中包含基于机器学习无法恰当地进行被摄体的骨区域的提取的规定的提取不恰当图像的情况下，不基于机器学习来进行被摄体的骨区域的提取，基于规定的规则来进行被摄体的骨区域的提取。如果像这样构成，则在已知无法恰当地进行被摄体的骨区域的提取的情况下，不基于机器学习来进行被摄体的骨区域的提取，因此能够减轻图像处理部的负担。

在上述一个方面的x射线摄像装置中，优选的是，还具备切换操作部，所述切换操作部在基于机器学习提取被摄体的骨区域后所得到的图像与基于规定的规则提取被摄体的骨区域后所得到的图像之间切换显示于显示部的图像。如果像这样构成，则能够在基于机器学习提取被摄体的骨区域后所得到的图像与基于规定的规则提取被摄体的骨区域后所得到的图像之间进行切换并进行比较。

在该情况下，优选的是，切换操作部包括显示于显示部的显示图像上的按钮。如果像这样构成，则用户仅通过操作按钮就能够容易地在基于机器学习提取被摄体的骨区域后所得到的图像与基于规定的规则提取被摄体的骨区域后所得到的图像之间进行切换。

在上述一个方面的x射线摄像装置中，优选的是，被摄体的骨区域包括大腿骨的骨区域。如果像这样构成，则即使在大腿骨的骨密度测定中被输入了与使用于机器学习的图像(正确答案数据)偏离的未知的图像的情况下，也能够抑制用户对提取出的骨区域进行修正的负担变大。

在上述一个方面的x射线摄像装置中，优选的是，机器学习包括深度学习。如果像这样构成，则由于深度学习的骨区域的提取精度较高，因此能够在大部分的被摄体中恰当地提取骨区域，另一方面，对于即使通过深度学习也无法恰当地提取骨区域的未知图像，能够显示基于规定的规则提取被摄体的骨区域后所得到的图像来作为备份。

在上述一个方面的x射线摄像装置中，优选的是，规定的规则包括基于获取图像中的像素值来提取被摄体的骨区域的规则和基于相邻像素的像素值的梯度来提取被摄体的骨区域的规则中的至少一方。如果像这样构成，则能够基于像素值容易地提取被摄体的骨区域。

发明的效果

根据本发明，如上所述，即使在被输入了与使用于机器学习的图像(正确答案数据)偏离的未知的图像的情况下，也能够抑制用户对提取出的骨区域进行修正的负担变大。

附图说明

图1是示出一个实施方式的x射线摄像装置的结构的图。

图2是用于说明深度学习(u-net)的图。

图3是用于说明通过深度学习进行的骨区域的提取的图。

图4是示出基于规定的规则提取出的骨区域的图。

图5是示出包含基于机器学习无法恰当地进行骨区域的提取的规定的图像(图案)的图像的图。

图6是示出在显示部中显示的显示图像的图。

图7是示出由用户进行了校正的骨区域的图。

图8是示出一个实施方式的x射线摄像装置的动作的流程图。

具体实施方式

下面，基于附图来说明将本发明具体化的实施方式。

参照图1～图7对本实施方式的x射线摄像装置100的结构进行说明。

(x射线摄像装置的结构)

如图1所示，x射线摄像装置100具备x射线照射部1、x射线检测部2、图像处理部3以及控制部4。另外，x射线摄像装置100还具备显示由图像处理部3进行处理所得到的图像的显示部5。

x射线照射部1向被摄体t照射x射线。x射线检测部2检测从x射线照射部1照射到被摄体t的x射线。x射线摄像装置100例如用于测定被摄体t的骨密度。在骨密度的测定中，例如使用dexa(dual-energyx-rayabsorptiometry：双能x线吸收测量法)法，在该方法中，通过从x射线照射部1向被摄体t的测定部位照射两种能量的x射线来将骨成分与其它组织进行区分。

x射线照射部1包括x射线源1a。x射线源1a与未图示的高电压产生部连接，是通过被施加高电压来产生x射线的x射线管。x射线源1a以使x射线射出方向朝向x射线检测部2的检测面的方式配置。

x射线检测部2检测从x射线照射部1照射出并透过了被摄体t的x射线，并输出与检测出的x射线强度相应的检测信号。此外，x射线检测部2例如由fpd(flatpaneldetector：平板检测器)构成。

图像处理部3包括图像获取部31、基于机器学习的区域提取部32、基于规则的区域提取部33以及骨密度测定部34。此外，图像获取部31、基于机器学习的区域提取部32、基于规则的区域提取部33以及骨密度测定部34分别是图像处理部3中的作为软件的功能块。即，图像获取部31、基于机器学习的区域提取部32、基于规则的区域提取部33以及骨密度测定部34分别构成为基于控制部4的指令信号来发挥功能。

图像获取部31基于由x射线检测部2检测出的x射线来获取被摄体t的图像i(参照图3)。具体地说，图像获取部31基于从x射线检测部2输出的规定的分辨率的x射线检测信号来获取图像i(x射线图像)。此外，图像i是权利要求书的“获取图像”的一例。

基于机器学习的区域提取部32构成为：基于机器学习在基于由x射线检测部2检测出的x射线获取到的图像i中提取被摄体t的骨区域a(参照图3)。具体地说，在本实施方式中，作为机器学习，采用深度学习。另外，骨区域a包括大腿骨的骨区域a。

在基于深度学习的语义分割(semanticsegmentation)中，与以往的图像分割不同，使用以深度神经网络为代表的深度学习技术，以像素级别来理解图像，对图像的各像素分配对象类别。例如，如图2所示，作为深度学习，采用基于u-net的深度学习。在u-net中，使用u型的卷积网络来进行如下的区域提取：“什么在何处以何种方式”被拍进图像中。并且构成为：配置在u-net的左侧的编码器(encoder)的各卷积层(conv)的输出直接与右侧的解码器(decoder)的各卷积层(deconv)耦合，将数据沿信道方向拼接(concat)。由此，能够跳过更低维度的特征量，在提取如以往那样的特征的同时保持位置信息。其结果，能够抑制输出图像的劣化。

另外，由于以多重分辨率判定骨区域a，因此在将输入图像向最初的卷积层输入之前，进行多重分辨率的局部对比度归一化(lcn：localcontrastnormalization)。之后，依次向卷积层进行输入。另外，作为激活函数，对除输出层以外的所有层使用最常见的relu函数。另外，为了使学习的收敛高速化和稳定化，在各卷积层的激活函数之后进行批量归一化。另外，作为损失函数，使用交叉熵误差。

如图1所示，基于规则的区域提取部33基于规定的规则在基于由x射线检测部2检测出的x射线获取到的图像i(参照图3)中提取被摄体t的骨区域a(参照图4)。例如，基于规则的区域提取部33基于图像i中的像素值、相邻像素的像素值的梯度是否为阈值以上，来提取被摄体t的骨区域a。也就是说，在图像i中，基于规定的规则求出被摄体t的骨区域a的边界。

控制部4构成为：判定基于机器学习提取出的被摄体t的骨区域a是否恰当。在此，在本实施方式中，控制部4进行以下控制：在判定为基于机器学习提取出的被摄体t的骨区域a恰当的情况下，使基于机器学习提取被摄体t的骨区域a后所得到的图像(图像im，参照图3)显示于显示部5。另一方面，控制部4进行以下控制：在判定为基于机器学习提取出的被摄体t的骨区域a不恰当的情况下，使得显示基于规定的规则提取被摄体t的骨区域a后所得到的图像(图像ir，参照图4)。此外，基于机器学习提取出的被摄体t的骨区域a不恰当的情况例如是拍摄到使用于机器学习的图像i(正确答案数据)时的被摄体t的姿势与拍摄到未知的图像i(使用于估计的图像i)时的被摄体t的姿势有很大不同的情况等。

另外，在本实施方式中，如图3所示，控制部4构成为：基于在图像i中提取出的被摄体t的骨区域a的面积s和提取出的被摄体t的骨区域a的重心g中的至少一方来判定基于机器学习提取出的被摄体t的骨区域a是否恰当。具体来说，将提取出的被摄体t的骨区域a的面积s与典型的骨区域a的面积s进行比较。而且，如果提取出的被摄体t的骨区域a的面积s与典型的骨区域a的面积s之差大于规定的面积阈值，则判定为基于机器学习提取出的被摄体t的骨区域a不恰当。另外，将提取出的被摄体t的骨区域a的重心g与典型的骨区域a的重心g进行比较。而且，如果提取出的被摄体t的骨区域a的重心g的坐标与典型的骨区域a的重心g的坐标之差大于规定的重心阈值，则判定为基于机器学习提取出的被摄体t的骨区域a不恰当。此外，既可以仅基于面积s和重心g中的一方来判定骨区域a是否恰当，也可以基于面积s和重心g这两方来判定骨区域a是否恰当。

另外，本实施方式中，如图5所示，控制部4进行如下控制：在图像i中包含基于机器学习无法恰当地进行被摄体t的骨区域a的提取的规定的图像p的情况下，不基于机器学习来进行被摄体t的骨区域a的提取，基于规定的规则来进行被摄体t的骨区域a的提取。例如，设以下内容为预先已知的：在图像i中包含金属(螺栓)等的图像p的情况下，基于机器学习进行的被摄体t的骨区域a的提取不恰当。在该情况下，不基于机器学习来进行被摄体t的骨区域a的提取，基于规定的规则来进行被摄体t的骨区域a的提取。此外，在基于规定的规则进行的提取中，由于基于比较简单的规则来进行骨区域a的提取，因此即使是在机器学习中无法恰当地进行骨区域a的提取的图像，也能够以某种程度的精度进行骨区域a的提取。此外，图像p是权利要求书的“提取不恰当图像”的一例。

另外，在本实施方式中，如图6所示，设置有显示于显示部5的显示图像5a上的按钮5b，该按钮5b用于在基于机器学习提取被摄体t的骨区域a后所得到的图像(图像im)与基于规定的规则提取被摄体t的骨区域a后所得到的图像(图像ir)之间切换显示于显示部5的图像。按钮5b例如由下拉菜单构成。用户通过用鼠标点击按钮5b，能够在下拉菜单中包括的基于机器学习得到的图像im与基于规定的规则得到的图像ir之间进行选择(切换)。另外，在下拉菜单中也包括在上次进行骨密度测定时使用的图像。此外，按钮5b是权利要求书的“切换操作部”的一例。

另外，如图7所示，在需要在显示于显示部5的图像ir(或者图像im)中进行骨区域a的修正的情况下，由用户进行骨区域a的修正。关于骨区域a的修正，例如用户通过操作鼠标来以填充(或者擦除)骨区域a的方式进行骨区域a的修正。此外，图7的用虚线表示的区域示出图4所示的基于规定的规则提取出的被摄体t的骨区域a。

另外，如图1所示，骨密度测定部34在提取出的被摄体t的骨区域a(在修正了骨区域a的情况下为修正后的骨区域a)中测定骨密度。此外，在图6的用虚线表示的区域中进行骨密度的测定。

(x射线摄像装置的动作)

接者，参照图8对本实施方式的x射线摄像装置100的动作进行说明。此外，设为在图像处理部3中已经基于机器学习进行了学习。

首先，在步骤s1中，向图像处理部3输入包含未知的x射线图像的图像i(图像数据)。

接着，在步骤s2中，判定在未知的图像i中是否包含基于机器学习无法恰当地进行被摄体t的骨区域a的提取的规定的图像p(参照图5)。此外，例如通过控制部4使用一般的图像识别技术来进行该判定。在步骤s2中判定为不包括图像p的情况下，进入步骤s3。另一方面，在步骤s2中判定为包含图像p的情况下，进入步骤s6。

接着，在步骤s3中，基于机器学习在基于由x射线检测部2检测出的x射线获取到的图像i中提取被摄体t的骨区域a。具体来说，向预先通过基于机器学习的学习生成的识别器(模型，参照图3)输入图像i，并且通过识别器来提取被摄体t的骨区域a。

接着，在步骤s4中，通过控制部4来判定基于机器学习提取出的被摄体t的骨区域a是否恰当。在步骤s4中判定为提取出的被摄体t的骨区域a恰当的情况下，进入步骤s5，使基于机器学习提取被摄体t的骨区域a后所得到的图像im显示于显示部5。此外，如果需要，则由用户修正显示于显示部5的骨区域a。

在步骤s4中判定为提取出的被摄体t的骨区域a不恰当的情况下，进入步骤s6。在步骤s6中，基于规定的规则来提取被摄体t的骨区域a。然后，进入步骤s5，使得基于规定的规则提取被摄体t的骨区域a后所得到的图像ir显示于显示部5。

然后，在步骤s7中，通过骨密度测定部34来测定骨密度。

(本实施方式的效果)

在本实施方式中，能够获得如以下那样的效果。

在本实施方式中，如上所述，控制部4构成为进行以下控制：在判定为基于机器学习提取出的被摄体t的骨区域a恰当的情况下，使基于机器学习提取被摄体t的骨区域a后所得到的图像im显示于显示部5，在判定为基于机器学习提取出的被摄体t的骨区域a不恰当的情况下，使得显示基于规定的规则提取被摄体t的骨区域a后所得到的图像ir。由此，例如在被输入了与使用于机器学习的图像i(正确答案数据)偏离的未知的图像i等情况下，即使在基于机器学习提取出的被摄体t的骨区域a不恰当的情况下，也能够显示基于规定的规则提取被摄体t的骨区域a后所得到的图像ir。此外，一般来说，虽然基于规定的规则来提取骨区域a的精度比基于机器学习来提取骨区域a的精度低，但另一方面，由于基于比较简单的规则来进行骨区域a的提取，因此即使是在机器学习中无法恰当地进行骨区域a的提取的图像i，也能够以某种程度的精度进行骨区域a的提取。由此，与修正基于机器学习没有被恰当地提取的骨区域a的情况相比，修正基于规定的规则提取出的骨区域a的情况下的修正量少。其结果，即使在被输入了与使用于机器学习的图像i(正确答案数据)偏离的未知的图像i的情况下，也能够抑制用户对提取出的骨区域a进行修正的负担变大。

另外，在本实施方式中，如上所述，控制部4基于在图像im中提取出的被摄体t的骨区域a的面积s和提取出的被摄体t的骨区域a的重心g中的至少一方，来判定基于机器学习提取出的被摄体t的骨区域a是否恰当。由此，如果将基于机器学习提取出的被摄体t的骨区域a的面积s和重心g中的至少一方与典型的被摄体t的骨区域a的面积s和重心g中的至少一方进行比较，则能够容易地判定基于机器学习提取出的被摄体t的骨区域a是否恰当。

另外，在本实施方式中，如上所述，控制部4进行如下控制：在图像i中包含基于机器学习无法恰当地进行被摄体t的骨区域a的提取的规定的图像p的情况下，不基于机器学习来进行被摄体t的骨区域a的提取，基于规定的规则来进行被摄体t的骨区域a的提取。由此，在已知无法恰当地进行被摄体t的骨区域a的提取的情况下，不基于机器学习来进行被摄体t的骨区域a的提取，因此能够减轻图像处理部3的负担。

另外，在本实施方式中，如上所述那样设置有按钮5b，该按钮5b用于在基于机器学习提取被摄体t的骨区域a后所得到的图像im与基于规定的规则提取被摄体t的骨区域a后所得到的图像ir之间切换显示于显示部5的图像。由此，能够在基于机器学习提取被摄体t的骨区域a后所得到的图像im与基于规定的规则提取被摄体t的骨区域a后所得到的图像ir之间进行切换并进行比较。

另外，在本实施方式中，如上所述，按钮5b是显示于显示部5的显示图像上的按钮5b。由此，用户仅通过操作按钮5b就能够容易地在基于机器学习提取被摄体t的骨区域a后所得到的图像im与基于规定的规则提取被摄体t的骨区域a后所得到的图像ir之间进行切换。

另外，在本实施方式中，如上所述，被摄体t的骨区域a包括大腿骨的骨区域a。由此，在大腿骨的骨密度测定中，即使在被输入了与使用于机器学习的图像i(正确答案数据)偏离的未知的图像i的情况下，也能够抑制用户对提取出的骨区域a进行修正的负担增加。

另外，在本实施方式中，如上所述，机器学习是深度学习。由此，由于深度学习的骨区域a的提取精度较高，因此能够在大部分被摄体t中恰当地提取骨区域a，另一方面，对于即使通过深度学习也无法恰当地提取骨区域a的未知的图像i，能够显示基于规定的规则提取被摄体t的骨区域a后所得到的图像ir来作为备份。

另外，在本实施方式中，如上所述，规定的规则包括基于图像i中的像素值来提取被摄体的骨区域的规则和基于相邻像素的像素值的梯度来提取被摄体t的骨区域a的规则中的至少一方。由此，能够基于像素值容易地提取被摄体t的骨区域a。

[变形例]

此外，应该认为此次公开的实施方式在所有方面均为例示，而非限制性的内容。本发明的范围并非通过上述实施方式的说明来示出，而是通过权利要求书来示出，并且包含与权利要求书等同的意义和范围内的所有变更(变形例)。

例如，在上述实施方式中，示出了将深度学习用作机器学习的例子，但本发明不限于此。在本发明中，也能够采用深度学习以外的机器学习。

另外，在上述实施方式中，示出了基于提取出的被摄体的骨区域的面积和提取出的被摄体的骨区域的重心中的至少一方来判定基于机器学习提取出的被摄体的骨区域是否恰当的例子，但本发明不限于此。在本发明中，也可以基于除骨区域的面积和重心以外的基准来判定基于机器学习提取出的被摄体的骨区域是否恰当。

另外，在上述实施方式中，示出了构成为能够在基于机器学习提取被摄体的骨区域后所得到的图像与基于规定的规则提取被摄体的骨区域后所得到的图像之间进行切换的例子，但本发明不限于此。例如，也可以将基于机器学习提取被摄体的骨区域后所得到的图像和基于规定的规则提取被摄体的骨区域后所得到的图像以并列的状态显示于显示部。

另外，在上述实施方式中，示出了利用显示图像上的按钮在基于机器学习提取被摄体的骨区域后所得到的图像与基于规定的规则提取被摄体的骨区域后所得到的图像之间进行切换的例子，但本发明不限于此。例如也可以通过显示图像上的按钮以外的方法(物理开关等)来切换图像。

另外，在上述实施方式中，示出了提取被摄体的大腿骨的骨区域的例子，但本发明不限于此。例如也可以提取被摄体的大腿骨以外(腰椎等)的骨区域。

另外，在上述实施方式中，示出了在控制部判定为基于机器学习提取出的被摄体的骨区域不恰当的情况下显示基于规定的规则提取被摄体的骨区域后所得到的图像的例子，但本发明不限于此。例如也可以是，即使在控制部判定为基于机器学习提取出的被摄体的骨区域恰当并进行了显示的情况下也是，在用户判定为基于机器学习提取出的被摄体的骨区域不恰当的情况下基于规定的规则来提取被摄体的骨区域并显示提取出的被摄体的骨区域。

附图标记说明

1：x射线照射部；2：x射线检测部；3：图像处理部；4：控制部；5：显示部；5b：按钮(切换操作部)；100：x射线摄像装置；a：骨区域；g：重心；i：图像(获取图像)；p：图像(提取不恰当图像)；s：面积；t：被摄体。