X射线摄影装置、学习完毕模型的生成方法以及图像处理方法与流程

x射线摄影装置、学习完毕模型的生成方法以及图像处理方法
技术领域
1.本发明涉及一种x射线摄影装置、学习完毕模型的生成方法以及图像处理方法。


背景技术：

2.以往，已知一种使用机器学习从放射线图像中检测标记的放射线摄影装置。例如在日本特开2017-185007号公报中公开了这样的放射线摄影装置。
3.上述日本特开2017-185007号公报所记载的放射线摄影装置是在冠状动脉介入治疗中通过照射放射线来拍摄用于将被检体内进行图像化的放射线图像的装置。该放射线摄影装置基于学习结果数据通过图像识别来从放射线图像中检测放射线图像用的标记的位置及范围。标记被设置为被导管插入到被检体内的支架的记号。另外，预先通过使用了使包括标记的图像旋转多个角度而得到的多个旋转图像的机器学习，来获取学习结果数据。而且，上述日本特开2017-185007号公报所记载的放射线摄影装置基于所检测出的标记的位置来增强地显示放射线图像的支架。
4.现有技术文献
5.专利文献
6.专利文献1：日本特开2017-185007号公报


技术实现要素：

7.发明要解决的问题
8.在此，虽然在上述日本特开2017-185007号公报中没有记载，但考虑在放射线图像(x射线图像)中检测未设置作为记号的标记的导管和导丝等医疗用的设备。在该情况下，考虑基于通过机器学习而生成的学习完毕模型来检测x射线图像中的设备。
9.然而，留置在体内的导管和导丝等医疗用的设备会由于被检体的体内的心脏的跳动等运动而不规则地移动。例如，在对包括留置在冠状动脉中的导管、导丝等医疗用的设备的多个x射线图像进行了拍摄的情况下，由于冠状动脉随着心脏的跳动而不规则地移动(变形)，因此导管、导丝等医疗用设备的位置及形状也随着心脏的跳动而不规则地变化。具体地说，在心脏扩张得最大的时间点和心脏收缩得最小的时间点，冠状动脉的移动速度小(大致为零)，因此设备的位置及形状的变化小。另外，在心脏扩张得最大的时间点与心脏收缩得最小的时间点之间，冠状动脉的移动速度根据心脏的容积的变化率而变大，因此设备的位置及形状的变化变大。
10.像这样，由于体内的设备的移动(变形)不是固定的(是不规则的)，因此拍摄到的x射线图像中的设备包括多种大小的抖动。因此，为了基于学习完毕模型来检测x射线图像中的设备，需要使学习完毕模型以与多种抖动对应的方式进行学习。即，需要使用大量的训练图像以与多种抖动对应的方式进行机器学习。在该情况下，有时机器学习不收敛，并且即使收敛了，基于通过机器学习而生成的学习完毕模型来检测设备的检测精度也低。
11.本发明是为了解决上述那样的课题而完成的，本发明的目的之一在于提供一种能
够基于通过机器学习而生成的学习完毕模型来高精度地检测x射线图像中的留置在被检体的体内的医疗用设备的x射线摄影装置、学习完毕模型的生成方法以及图像处理方法。
12.用于解决问题的方案
13.为了实现上述目的，本发明的第一方面的x射线摄影装置具备：x射线照射部，其向在体内留置有医疗用的设备的被检体照射x射线；x射线检测部，其对透过被检体后的x射线进行检测；脉冲宽度设定部，其设定从x射线照射部照射的x射线的脉冲宽度；x射线照射控制部，其使x射线照射部照射由脉冲宽度设定部设定的脉冲宽度的x射线；x射线图像生成部，其基于由x射线检测部检测出的脉冲宽度的x射线来生成x射线图像；以及设备检测部，其基于通过机器学习而生成的学习完毕模型，从由所述x射线图像生成部生成的基于脉冲宽度的x射线得到的x射线图像中检测x射线图像中的设备，其中，脉冲宽度为使基于学习完毕模型来检测设备的检测精度成为最大的脉冲宽度以下的抖动抑制脉冲宽度。
14.本发明的第二方面的学习完毕模型的生成方法包括以下步骤：以与基于抖动抑制脉冲宽度的x射线得到的x射线图像对应的方式获取训练输入用x射线图像，所述抖动抑制脉冲宽度为使留置在被检体的体内的医疗用的设备的检测精度成为最大的脉冲宽度以下，所述训练输入用x射线图像是以模拟基于抖动抑制脉冲宽度的x射线得到的x射线图像中的、被检体的体内的设备的方式生成的图像；获取表示训练输入用x射线图像中的设备的位置或形状的训练输出用信息；以及根据训练输入用x射线图像和训练输出用信息，通过机器学习来生成学习完毕模型。
15.本发明的第三方面的图像处理方法包括以下步骤：基于通过机器学习而生成的学习完毕模型，将为了生成x射线图像而照射的x射线的脉冲宽度设定为抖动抑制脉冲宽度，所述抖动抑制脉冲宽度为使从所生成的x射线图像中检测被留置在被检体的体内的医疗用的设备的检测精度成为最大的脉冲宽度以下；向在体内留置有设备的被检体照射所设定的抖动抑制脉冲宽度的x射线；对透过被检体后的x射线进行检测；基于所检测出的抖动抑制脉冲宽度的x射线，来生成x射线图像；以及基于学习完毕模型，来从所生成的基于抖动抑制脉冲宽度的x射线得到的x射线图像中检测x射线图像中的设备。
16.发明的效果
17.根据上述第一方面的x射线摄影装置和上述第三方面的图像处理方法，由于将为了生成x射线图像而照射的x射线的脉冲宽度设定为使从所生成的x射线图像中检测被留置在被检体的体内的医疗用的设备的检测精度成为最大的脉冲宽度以下的抖动抑制脉冲宽度，因此能够基于机器学习来从基于抖动抑制脉冲宽度的x射线得到的x射线图像中检测设备。因此，由于通过使设备的检测精度成为最大的脉冲宽度以下的比较小的脉冲宽度即抖动抑制脉冲宽度的x射线来拍摄x射线图像，因此即使在被检体的体内的设备由于体内的不规则的运动而不规则地移动了的情况下，也能够抑制所拍摄的x射线图像中的设备的抖动的种类变为多种。由此，即使在被检体的体内的设备不规则地移动的情况下，x射线图像中的设备的抖动也被抑制为小于固定的大小，因此能够抑制基于学习完毕模型来检测设备的检测精度下降。其结果是，能够基于通过机器学习而生成的学习完毕模型来高精度地检测x射线图像中的留置在被检体的体内的医疗用的设备。
18.另外，在将用于生成x射线图像的x射线的脉冲宽度设为比使设备的检测精度成为最大的脉冲宽度大的情况下，x射线图像中的设备的检测精度变低。另外，在增大了脉冲宽
度的情况下，照射于被检体的x射线的剂量也增多。与此相对地，在本发明中，通过抖动抑制脉冲宽度的x射线来生成x射线图像，该抖动抑制脉冲宽度为使设备的检测精度成为最大的脉冲宽度以下的脉冲宽度。因此，由于通过脉冲宽度比较小的抖动抑制脉冲宽度的x射线来生成x射线图像，因此能够有效地抑制设备的检测精度变低，并且能够抑制照射于被检体的x射线的剂量变多。其结果是，能够进一步高精度地检测设备，并且能够减少向被检体照射的x射线的剂量。
19.另外，根据上述第二方面的学习完毕模型的生成方法，通过获取训练输入用x射线图像，能够抑制抖动的种类变为多种，该训练输入用x射线图像是以模拟基于抖动抑制脉冲宽度的x射线得到的x射线图像中的被检体的体内的设备的方式生成的图像。因此，能够抑制为了应对设备的多种抖动而获取大量的训练输入用x射线图像。在此，在使用大量的训练输入用x射线图像进行机器学习以应对具有多种抖动的x射线图像的情况下，学习难以收敛，另外，即使在学习收敛了的情况下，学习完毕模型的检测精度也变低。与此相对地，在本发明中，获取以模拟基于抖动抑制脉冲宽度的x射线得到的x射线图像中的被检体的体内的设备的方式生成的训练输入用x射线图像。通过像这样构成，与不限制脉冲宽度而使得图像中的设备的抖动变为多种的情况相比，通过抖动抑制脉冲宽度的x射线使得x射线图像的抖动的种类减少，因此能够减少作为训练图像获取的图像的抖动的种类。由此，能够减少训练输入用x射线图像的种类，因此，与设备的抖动为多种的情况相比，学习容易收敛，并且能够生成能够高精度地检测设备的学习完毕模型。其结果是，能够提供一种能够高精度地检测x射线图像中的留置在被检体的体内的医疗用的设备的学习完毕模型的生成方法。
附图说明
20.图1是示出一个实施方式的x射线摄影装置的结构的示意图。
21.图2是示出一个实施方式的x射线摄影装置的结构的框图。
22.图3是用于说明一个实施方式的控制部的功能性结构的图。
23.图4是用于说明脉冲宽度大的x射线图像的图。
24.图5是用于说明脉冲宽度小的x射线图像的图。
25.图6是用于说明增强图像的生成的图。
26.图7是用于说明显示部的显示的图。
27.图8是用于说明学习完毕模型的生成的图。
28.图9是用于说明训练输入用x射线图像的生成的图。
29.图10是用于说明x射线的脉冲宽度与导管的检测精度之间的关系的图。
30.图11是用于说明x射线的脉冲宽度与导丝的检测精度之间的关系的图。
31.图12是用于说明一个实施方式的学习完毕模型的生成方法的流程图。
32.图13是用于说明一个实施方式的图像处理方法的流程图。
具体实施方式
33.下面，基于附图来说明将本发明进行了具体化的实施方式。
34.参照图1～图11来说明一个实施方式的x射线摄影装置100的结构、一个实施方式的图像处理方法以及一个实施方式的学习完毕模型的生成方法。
35.(x射线摄影装置的结构)
36.首先，参照图1和图2来说明x射线摄影装置100的结构。
37.如图1所示，x射线摄影装置100向体内被插入有医疗用的设备200的被检体101照射x射线。而且，x射线摄影装置100通过对透过被检体101后的x射线进行检测，来进行x射线摄影。例如在进行经皮冠状动脉介入术(pci：percutaneous coronary intervention)时，x射线摄影装置100生成用于确认被检体101的体内的情形的图像。经皮冠状动脉介入术是针对由于心脏的冠状动脉的狭窄以及堵塞引起的疾病即心绞痛及心肌梗塞等，使用设备200来消除血管的狭窄以及堵塞的治疗。
38.《关于设备》
39.设备200被留置在被检体101的体内。设备200例如包括被留置在被检体101的心脏附近的血管中的导管或导丝。设备200由能够以插入人体的血管内的方式移动的、具有柔性的材料构成。即，一边使设备200根据被检体101的血管的形状来改变形状，一边将该设备200插入被检体101的血管中。而且，设备200会由于因被检体101的体内的运动所引起的血管的运动而变形。被检体101的体内的运动例如包括心脏的跳动和由血流引起的血管的变形等。即，由于心脏的跳动，设备200在心脏附近的血管内三维地大幅且不规则地移动。在此，“心脏附近的血管”不仅包括心脏旁边的血管，还包括心脏自身的血管(冠状动脉等)。
40.另外，在经皮冠状动脉介入术中，设备200用于将留置在被检体101的血管(冠状动脉)内的狭窄部位的支架等治疗器具配置于血管内的目标位置。设备200从手腕或大腿等的血管(桡动脉或股动脉等)插入到冠状动脉的狭窄部位。在经皮冠状动脉介入术中，通过被插入到血管内的设备200来将支架配置于冠状动脉的狭窄部位。而且，通过使支架扩张来针对血管的狭窄进行治疗。
41.《关于x射线摄影装置》
42.如图2所示，x射线摄影装置100具备顶板1、x射线照射部2、x射线检测部3、移动部4、显示部5、操作部6、控制部7以及存储部8。
43.要被照射x射线的被检体101被载置于顶板1。被检体101在载置于顶板1的状态下被插入设备200，并被进行x射线摄影。另外，顶板1构成为：能够基于控制部7的控制，通过未图示的顶板移动部进行移动。
44.x射线照射部2向体内留置有医疗用的设备200的被检体101照射(放射)x射线。x射线照射部2包括通过被施加电压来照射x射线的x射线管21。x射线管21构成为：通过控制部7来控制对x射线管21施加的电压，由此控制x射线管21所照射的x射线。x射线照射部2对被检体101内的设备200进行一次或多次x射线的照射。
45.x射线检测部3对透过被检体101后的x射线进行检测。而且，x射线检测部3基于所检测出的x射线输出检测信号。x射线检测部3例如包括fpd(flat panel detector：平板探测器)。
46.移动部4将x射线照射部2和x射线检测部3以能够移动的方式保持。具体地说，移动部4将x射线照射部2和x射线检测部3以隔着用于载置被检体101的顶板1地相向的方式支承。而且，移动部4以能够变更x射线照射部2及x射线检测部3相对于被检体101的位置及角度的方式进行支承。另外，移动部4以能够变更x射线照射部2与x射线检测部3之间的距离的方式进行支承。即，移动部4使x射线照射部2和x射线检测部3移动，以从各种位置和各种角
度对被检体101进行x射线摄影。
47.显示部5例如是液晶显示器等监视器。而且，显示部5用于显示由控制部7生成的图像(静止图像和运动图像)。
48.操作部6构成为接受用于操作x射线摄影装置100的输入操作。操作部6例如接受使顶板1和移动部4移动的操作。另外，在对被检体101进行x射线摄影的情况下，操作部6接受用于照射x射线的操作。另外，操作部6接受用于执行控制部7的控制的输入操作。
49.控制部7是包括cpu(central processing unit：中央处理单元)、gpu(graphics processing unit：图形处理单元)、rom(read only memory：只读存储器)以及ram(random access memory：随机存取存储器)等的计算机。控制部7通过cpu执行规定的控制程序来进行x射线摄影装置100的各部的控制、生成x射线图像10的控制、以及针对所生成的x射线图像10的图像处理的控制。具体地说，如图3所示，作为功能性的结构，控制部7包括x射线照射控制部71、脉冲宽度设定部72、x射线图像生成部73、设备检测部74、图像处理部75以及显示控制部76。即，控制部7通过cpu执行规定的控制程序来作为x射线照射控制部71、脉冲宽度设定部72、x射线图像生成部73、设备检测部74、图像处理部75以及显示控制部76发挥功能。另外，在后文中叙述控制部7进行的控制的详情。
50.存储部8例如由硬盘驱动器等存储装置构成。存储部8构成为存储图像数据、摄影条件以及各种设定值。另外，存储部8存储有用于使控制部7发挥功能的程序。而且，存储部8存储有预先通过机器学习而生成的学习完毕模型80(参照图8)。
51.(关于通过控制部进行的x射线摄影装置的控制)
52.控制部7的x射线照射控制部71控制x射线照射部2和x射线检测部3来进行x射线摄影。x射线照射控制部71控制通过x射线照射部2进行的x射线的照射。具体地说，x射线照射控制部71使x射线照射部2照射脉冲宽度为由后述的脉冲宽度设定部72设定的脉冲宽度的x射线。详细地说，x射线照射控制部71通过控制对x射线管21施加的电压，来控制从x射线管21照射的x射线的脉冲宽度。脉冲宽度是指为了拍摄一个x射线图像10而向被检体101照射x射线的照射时间(曝光时间)。另外，x射线照射控制部71进行使移动部4移动的控制。另外，x射线照射控制部71获取基于由操作部6接受到的输入操作的操作信号，并且基于所获取到的操作信号来控制x射线摄影装置100的各部。例如，x射线照射控制部71基于针对操作部6的输入操作来控制移动部4，由此使用于进行x射线摄影的x射线照射部2及x射线检测部3的位置移动。
53.脉冲宽度设定部72设定从x射线照射部2对被检体101照射的x射线的脉冲宽度。在本实施方式中，脉冲宽度设定部72将要照射的x射线的脉冲宽度设定为抖动抑制脉冲宽度，该抖动抑制脉冲宽度为使基于后述的学习完毕模型80来检测设备200的检测精度成为最大的脉冲宽度以下。脉冲宽度设定部72可以基于针对操作部6的输入操作来设定脉冲宽度，也可以基于预先存储于存储部8的脉冲宽度设定值来设定脉冲宽度。此外，在后文中叙述抖动抑制脉冲宽度的详情。
54.如图4和图5所示，控制部7的x射线图像生成部73通过进行x射线摄影来生成x射线图像10。在本实施方式中，x射线图像生成部73基于由x射线检测部3检测出的x射线来生成x射线图像10。具体地说，x射线图像生成部73基于来自x射线检测部3的检测信号，来生成基于抖动抑制脉冲宽度的x射线得到的x射线图像10。
55.在此，图4所示的x射线图像10是通过脉冲宽度比较大的x射线拍摄到的x射线图像10。而且，图5所示的x射线图像10是通过脉冲宽度比较小的x射线拍摄到的x射线图像10。像这样，在基于脉冲宽度比较大的x射线得到的x射线图像10中，x射线图像10中包括的设备200在被检体101的体内的运动大的情况下包含大的抖动，在被检体101的体内的运动小的情况下包含小的抖动。即，在基于脉冲宽度比较大的x射线得到的x射线图像10中，设备200包含多种抖动。另一方面，在基于脉冲宽度比较小的x射线得到的x射线图像10中，在被检体101的体内的运动大和被检体101的体内的运动小这两种情况下，x射线图像10中包括的设备200所包含的抖动都小。即，无论被检体101的体内的运动的移动量(移动速度)如何，抖动的大小都变小(固定)。例如，在对留置在被检体101的心脏附近的血管中的导管或导丝进行了拍摄的情况下，生成的x射线图像10中的导管或导丝由于被检体101的心脏的跳动而不规则地移动(变形)。如图4所示，由于被检体101的体内的心脏的跳动等运动不是固定的，因此通过脉冲宽度比较大的x射线拍摄到的x射线图像10成为包含多种抖动的图像。另一方面，如图5所示，在通过脉冲宽度比较小的x射线拍摄到的x射线图像10中，即使被检体101的体内如心脏的跳动那样不规则地移动(变形)，抖动的种类(大小)也减少。
56.在本实施方式中，为了抑制所生成的x射线图像10中的、包括导管或导丝的设备200的抖动变为多种，x射线照射控制部71使x射线照射部2照射规定的阈值以下的脉冲宽度即抖动抑制脉冲宽度的x射线。即，用于生成一个x射线图像10的一次x射线照射是规定的阈值以下的脉冲宽度(曝光时间)的x射线的照射。另外，基于抖动抑制脉冲宽度的x射线得到的x射线图像10由于脉冲宽度小而成为剂量少的x射线图像10。另外，基于抖动抑制脉冲宽度的x射线得到的x射线图像10成为抖动的种类少的图像。此外，在后文中叙述规定的阈值和抖动抑制脉冲宽度的详情。
57.(关于通过控制部进行的增强图像的生成)
58.控制部7的设备检测部74构成为基于学习完毕模型80来从基于抖动抑制脉冲宽度的x射线得到的x射线图像10中检测设备200，该学习完毕模型80是通过将以与抖动抑制脉冲宽度对应的方式生成的图像作为训练图像的机器学习而生成的模型。而且，控制部7的图像处理部75通过进行用于使在x射线图像10中检测出的设备200增强的图像处理，来生成设备200被增强后的增强图像11。即，如图6所示，控制部7(设备检测部74和图像处理部75)基于设备200为低分辨率的x射线图像10来生成设备200为高分辨率的增强图像11。
59.学习完毕模型80预先存储于存储部8中。学习完毕模型80是预先通过机器学习来生成的，该机器学习是学习从所输入的x射线图像10中检测设备200的位置的处理的机器学习。在后文中叙述关于学习完毕模型80的生成的详情。
60.控制部7的设备检测部74基于学习完毕模型80来从所生成的x射线图像10中检测x射线图像10中的设备200的位置，由此获取x射线图像10中包括的设备200的位置信息(坐标)。而且，设备检测部74基于所获取到的位置信息来从x射线图像10中判别设备200的区域和不是设备200的背景的区域。另外，控制部7的图像处理部75针对x射线图像10中的被判别为是设备200的区域进行使浓度变浓的图像处理。另外，图像处理部75针对x射线图像10中的被判别为不是设备200而是背景的区域进行使浓度变淡的图像处理。通过这样，控制部7(设备检测部74和图像处理部75)基于学习完毕模型80来获取设备200的位置信息，并且基于所获取到的位置信息来生成设备200被增强后的增强图像11。
61.如图7所示，控制部7的显示控制部76控制显示部5的显示。具体地说，显示控制部76使显示部5显示所生成的增强图像11。控制部7例如通过x射线照射控制部71来使x射线照射部2在1秒期间照射15次x射线，由此通过x射线图像生成部73在1秒内生成15张x射线图像10。而且，通过控制部7的图像处理部75，在1秒内基于所生成的x射线图像10来生成15张增强图像11。而且，显示控制部76使显示部5显示实时地生成的增强图像11，来作为15fps(frames per second：每秒帧数)的运动图像。此外，也可以是，控制部7(显示控制部76)使显示部5显示一张作为静止图像的增强图像11。
62.(关于学习完毕模型的生成)
63.如图8所示，通过机器学习来生成学习完毕模型80，该机器学习是使用了与基于抖动抑制脉冲宽度的x射线得到的x射线图像10对应的训练图像的机器学习。具体地说，通过机器学习，根据训练输入用x射线图像81和训练输出用信息82来生成学习完毕模型80，其中，训练输入用x射线图像81是以模拟基于抖动抑制脉冲宽度的x射线得到的x射线图像10中的、被检体101的体内的设备200的方式生成的图像，训练输出用信息82表示训练输入用x射线图像81中包括的设备200的位置(坐标)。另外，基于利用抖动抑制脉冲宽度的x射线生成的模拟x射线图像，以模拟被检体101的体内的设备200的方式生成训练输入用x射线图像81。学习完毕模型80由与x射线摄影装置100相独立的学习装置110预先生成。
64.学习装置110例如是包括cpu、gpu、rom以及ram等的机器学习用的计算机。
65.如图9所示，学习装置110获取通过与在x射线摄影装置100中生成x射线图像10的情况下的脉冲宽度同等的脉冲宽度即抖动抑制脉冲宽度的x射线对被检体101和留置在被检体101的体内的设备200模拟地进行拍摄所得到的模拟x射线图像。模拟x射线图像例如包括通过抖动抑制脉冲宽度的x射线对模拟被检体101的人体模型进行x射线摄影所得到的模拟人体图像81a、以及通过抖动抑制脉冲宽度的x射线对留置在被检体101的体内的设备200进行拍摄所得到的模拟设备图像81b。
66.学习装置110通过对获取到的模拟x射线图像(模拟人体图像81a和模拟设备图像81b)进行图像处理，来模拟被检体101内的设备200的运动。具体地说，学习装置110通过将多个模拟设备图像81b与获取到的模拟人体图像81a进行合成，来以模拟x射线图像10中的、被检体101的体内的设备200的方式生成多个训练输入用x射线图像81，所述多个模拟设备图像81b是通过以模拟被检体101的体内的设备200的运动的方式进行图像处理而得到的图像。详细地说，学习装置110通过针对一个模拟设备图像81b一边变更多个参数一边进行图像处理来进行模拟，由此生成进行图像处理后的多个模拟设备图像81b。而且，学习装置110将模拟人体图像81a和通过一边变更多个参数一边进行图像处理而得到的多个模拟设备图像81b进行合成，由此生成多个训练输入用x射线图像81。多个参数包括规定的阈值以下的期间(与抖动抑制脉冲宽度的x射线的照射时间对应的期间)的被检体101的身体的运动(心脏的跳动等)、作为被照射x射线的对象的人体的部位、以及照射x射线的角度等。另外，学习装置110一边在规定的阈值以下的范围(抖动抑制脉冲宽度的范围)内变更x射线的脉冲宽度，一边获取多个模拟设备图像81b和多个模拟人体图像81a，并且通过针对获取到的多个模拟设备图像81b和多个模拟人体图像81a一边变更多个参数一边进行图像处理来进行模拟，由此生成与被检体101的各种部位及各种摄影条件对应的多个训练输入用x射线图像81。即，基于比规定的阈值大的脉冲宽度的x射线得到的图像不包括在训练输入用x射线图
像81中。
67.另外，学习装置110从获取到的模拟设备图像81b中检测设备200的位置(设备200所位于的区域)来作为位置信息，由此获取对应的训练输入用x射线图像81中的设备200的位置信息来作为训练输出用信息82。位置信息例如包括构成训练输入用x射线图像81的像素(pixel)中的、与设备200对应的像素的坐标。
68.学习装置110将将训练输入用x射线图像81作为输入，将训练输出用信息82作为输出，通过机器学习进行学习来生成学习完毕模型80。即，学习装置110将训练输入用x射线图像81和训练输出用信息82作为训练数据(训练集)，通过机器学习使学习完毕模型80进行学习。学习装置110使用根据多种模拟x射线图像生成的训练输入用x射线图像81来生成学习完毕模型80。作为机器学习法，使用利用多层神经网络的机器学习即深度学习。机器学习法例如是利用了全卷积神经网络(fully convolutional networks：fcn)的深度学习。
69.制作出的学习完毕模型80经由网络或以记录于闪存等记录介质中的方式提供给x射线摄影装置100。
70.(关于抖动抑制脉冲宽度)
71.在此，如图10和图11所示，基于学习完毕模型80得到的设备200的检测精度(iou：intersection over union：交并比)为根据用于拍摄x射线图像10的x射线的脉冲宽度而不同的值。即，随着脉冲宽度变大，由于被检体101的体内的运动(心脏的跳动等)，拍摄到的图像中的设备200的图像的抖动的大小的种类变多。另一方面，随着x射线的脉冲宽度减小，照射的x射线的剂量变少，因此拍摄到的图像变得不清晰。因此，在x射线的脉冲宽度过大和过小这两种情况下，使用学习完毕模型80来检测设备200的检测精度均下降。因而，基于学习完毕模型80来检测设备200的检测精度具有随着脉冲宽度的增加而向上凸的变化。例如，在学习完毕模型80中，在基于脉冲宽度为8毫秒(ms)的x射线得到的x射线图像10中，设备200的检测精度最高。
72.例如如图10所示，在通过学习完毕模型80来检测x射线图像10中包括的作为设备200的导管的情况下，在脉冲宽度为8毫秒(ms)的情况下，导管(设备200)的检测精度最高。另外，如图11所示，在通过学习完毕模型80来检测x射线图像10中包括的作为设备200的导丝的情况下，同样地，在脉冲宽度为8毫秒(ms)的情况下，导丝(设备200)的检测精度最高。
73.此外，基于学习完毕模型80来检测设备200的检测精度(iou：intersection over union：交并比)以比例表示出在针对在学习装置110中生成的学习完毕模型80输入了训练输入用x射线图像81的情况下输出的设备200的位置信息与所对应的训练输出用信息82之间的一致度。
74.在x射线摄影装置100中拍摄x射线图像10的情况下的x射线的抖动抑制脉冲宽度是根据基于学习完毕模型80来检测设备200的检测精度而决定的。在本实施方式中，抖动抑制脉冲宽度是使基于学习完毕模型80得到的、x射线图像10中的设备200的检测精度成为最大的脉冲宽度以下的脉冲宽度。例如，规定的阈值是8毫秒。即，抖动抑制脉冲宽度是8毫秒以下的脉冲宽度。
75.例如，在为了进行被检体101的x射线摄影而将5毫秒的脉冲宽度决定为抖动抑制脉冲宽度的情况下，x射线摄影装置100通过向被检体101照射5毫秒的脉冲宽度的x射线来生成x射线图像10。另外，x射线摄影装置100基于使用多个模拟x射线图像(模拟人体图像
81a和模拟设备图像81b)而生成的学习完毕模型80，根据所生成的x射线图像10来生成增强图像11，所述多个模拟x射线图像(模拟人体图像81a和模拟设备图像81b)是基于8毫秒以下的范围内的脉冲宽度的x射线得到的图像。此外，关于抖动抑制脉冲宽度的x射线，能够在8毫秒以下(规定的值以下)的范围内适当地变更照射时间(脉冲宽度)。
76.如上所述，本实施方式中的x射线摄影装置100将使基于学习完毕模型80来检测x射线图像10中的设备200的检测精度成为最高的脉冲宽度设为规定的阈值，照射规定的阈值以下的脉冲宽度即抖动抑制脉冲宽度的x射线，由此基于抖动抑制脉冲宽度的x射线来生成x射线图像10。而且，x射线摄影装置100基于学习完毕模型80来从所生成的x射线图像10中获取设备200的位置信息(区域)，该学习完毕模型80是通过使用了模拟人体图像81a和模拟设备图像81b的机器学习以与抖动抑制脉冲宽度对应的方式生成的模型，其中，所述模拟人体图像81a是通过抖动抑制脉冲宽度的x射线进行拍摄所到的图像，所述模拟设备图像81b是通过抖动抑制脉冲宽度的x射线进行拍摄所到的图像。
77.(关于本实施方式的学习完毕模型的生成方法)
78.接着，参照图12来说明本实施方式的学习完毕模型的生成方法。此外，学习完毕模型的生成方法由学习装置110来实施。
79.首先，在步骤301中，获取通过抖动抑制脉冲宽度的x射线生成的模拟x射线图像。即，获取包括模拟人体图像81a和模拟设备图像81b的模拟x射线图像，所述模拟人体图像81a是通过抖动抑制脉冲宽度的x射线对模拟被检体101的人体模型进行x射线摄影所得到的图像，所述模拟设备图像81b是通过抖动抑制脉冲宽度的x射线对留置在被检体101的体内的设备200进行拍摄所得到的图像。
80.接着，在步骤302中，对获取到的模拟设备图像81b进行图像处理。而且，将进行图像处理后的模拟设备图像81b与获取到的模拟人体图像81a进行合成。即，通过对获取到的模拟x射线图像进行图像处理，来获取多个训练输入用x射线图像81，所述多个训练输入用x射线图像81是以模拟基于抖动抑制脉冲宽度的x射线得到的x射线图像10中的、被检体101的体内的设备200的方式生成的图像。即，基于所获取到的模拟x射线图像(模拟人体图像81a和模拟设备图像81b)，来获取以与基于抖动抑制脉冲宽度的x射线得到的x射线图像10对应的方式生成多个训练输入用x射线图像81，该抖动抑制脉冲宽度的大小为使留置在被检体101的体内的医疗用的设备200的检测精度成为最大的脉冲宽度以下。
81.接着，在步骤303中，基于获取到的模拟x射线图像来获取表示训练输入用x射线图像81中的设备200的位置的训练输出用信息82。
82.接着，在步骤304中，将训练输入用x射线图像81作为输入，将训练输出用信息82作为输出，通过机器学习来生成(学习出)学习完毕模型80。
83.此外，可以先进行基于步骤302的获取训练输入用x射线图像81的步骤和基于步骤303的获取训练输出用信息82的步骤中的任一步骤。
84.(关于本实施方式的图像处理方法)
85.接着，参照图13来说明本实施方式的图像处理方法。图像处理方法由x射线摄影装置100的控制部7进行。
86.首先，在步骤401中，基于通过机器学习而生成的学习完毕模型80，将为了生成x射线图像10而要照射的x射线的脉冲宽度设定为抖动抑制脉冲宽度，该抖动抑制脉冲宽度为
使从所生成的x射线图像10中检测被留置在被检体101的体内的医疗用的设备200的检测精度成为最大的脉冲宽度以下。具体地说，通过脉冲宽度设定部72来将从x射线照射部2照射的x射线的脉冲宽度设定为抖动抑制脉冲宽度，以照射出抖动抑制脉冲宽度的x射线。
87.接着，在步骤402中，通过x射线照射部2对体内留置有医疗用的设备200的被检体101照射所设定的抖动抑制脉冲宽度的x射线。
88.接着，在步骤403中，通过x射线检测部3来对透过被检体101后的抖动抑制脉冲宽度的x射线进行检测。
89.接着，在步骤404中，基于所检测出的抖动抑制脉冲宽度的x射线来生成x射线图像10。
90.接着，在步骤405中，基于学习完毕模型80来从所生成的基于抖动抑制脉冲宽度的x射线得到的x射线图像10中检测x射线图像10中的设备200。即，基于学习完毕模型80来从x射线图像10中检测表示设备200的位置的坐标(区域)。
91.接着，在步骤406中，基于检测出的设备200的位置(坐标)来对x射线图像10进行图像处理，由此生成设备200被增强后的增强图像11。
92.接着，在步骤407中，在显示部5中显示所生成的增强图像11。
93.(本实施方式的效果)
94.在本实施方式中，能够得到如下那样的效果。
95.根据本实施方式的x射线摄影装置100和图像处理方法，将为了生成x射线图像10而照射的x射线的脉冲宽度设定为抖动抑制脉冲宽度，该抖动抑制脉冲宽度为使从所生成的x射线图像10中检测被留置在被检体101的体内的医疗用的设备200的检测精度成为最大的脉冲宽度以下，因此，能够基于机器学习来从基于抖动抑制脉冲宽度的x射线得到的x射线图像10中检测设备200。因此，通过使设备200的检测精度成为最大的脉冲宽度以下的比较小的脉冲宽度即抖动抑制脉冲宽度的x射线来拍摄x射线图像10，因此，即使在体内的设备200正由于被检体101的体内的不规则的运动而不规则进行移动的情况下，也能够抑制所拍摄到的x射线图像10中的设备200的抖动的种类变为多种。由此，即使在被检体101的体内的设备200不规则地移动的情况下，x射线图像10中的设备200的抖动也被抑制为小于固定的大小，因此能够抑制基于学习完毕模型80来检测设备200的检测精度下降。其结果是，能够基于通过机器学而习生成的学习完毕模型80来高精度地检测x射线图像10中的、留置在被检体101的体内的医疗用的设备200。
96.另外，在使用于生成x射线图像10的x射线的脉冲宽度比使设备200的检测精度成为最大的脉冲宽度大的情况下，x射线图像10中的设备200的检测精度变低。另外，在增大了脉冲宽度的情况下，照射于被检体101的x射线的剂量也增多。与此相对地，在本实施方式中，通过使设备200的检测精度成为最大的脉冲宽度以下的脉冲宽度即抖动抑制脉冲宽度的x射线来生成x射线图像10。因此，由于利用比较小的脉冲宽度即抖动抑制脉冲宽度的x射线来生成x射线图像10，因此能够有效地抑制设备200的检测精度变低，并且能够抑制被照射于被检体101的x射线的剂量变多。其结果是，能够进一步高精度地检测设备200，并且能够减少被照射于被检体101的x射线的剂量。
97.另外，在上述实施方式的例子中，通过如以下那样地构成，能够得到进一步的效果。
98.即，在本实施方式中，设备检测部74构成为：基于通过使用了训练图像的机器学习而生成的学习完毕模型80，来从基于抖动抑制脉冲宽度的x射线得到的x射线图像10中检测设备200，其中，所述训练图像是与基于抖动抑制脉冲宽度的x射线得到的x射线图像10对应的图像。如果像这样构成，则由于利用通过使用了与基于抖动抑制脉冲宽度的x射线得到的x射线图像10对应的训练图像的机器学习而生成的学习完毕模型80，因此能够进一步高精度地检测基于抖动抑制脉冲宽度的x射线得到的x射线图像10中的设备200。
99.另外，在本实施方式中，设备检测部74构成为：基于根据训练输入用x射线图像81和训练输出用信息82通过机器学习而生成的学习完毕模型80，来从基于抖动抑制脉冲宽度的x射线得到的x射线图像10中检测设备200，其中，所述训练输入用x射线图像81是以模拟基于抖动抑制脉冲宽度的x射线得到的x射线图像10中的、被检体101的体内的设备200的方式生成的图像，所述训练输出用信息82表示训练输入用x射线图像81中包括的设备200的位置或形状。如果像这样构成，则由于利用使用模拟基于抖动抑制脉冲宽度的x射线得到的x射线图像10中的设备200所得到的训练输入用x射线图像81来进行学习而得到的学习完毕模型80，因此能够进一步提高基于学习完毕模型80来检测设备200的检测精度。因此，能够进一步高精度地检测基于抖动抑制脉冲宽度的x射线得到的x射线图像10中的设备200。
100.另外，在本实施方式中，设备检测部74构成为：基于根据训练输入用x射线图像81和训练输出用信息82通过机器学习而生成的学习完毕模型80，来从基于抖动抑制脉冲宽度的x射线得到的x射线图像10中检测设备200，其中，所述训练输入用x射线图像81是基于通过抖动抑制脉冲宽度的x射线生成的模拟x射线图像来以模拟x射线图像10中的被检体101的体内的设备200的方式生成的图像，所述训练输出用信息82表示训练输入用x射线图像81中包括的设备200的位置或形状。如果像这样构成，则能够基于学习完毕模型80来检测基于抖动抑制脉冲宽度的x射线得到的x射线图像10中的设备200，所述学习完毕模型80是使用基于模拟x射线图像的训练输入用x射线图像81来进行学习而得到的模型，该模拟x射线图像是通过抖动抑制脉冲宽度的x射线生成的图像。即，能够将在用于生成学习完毕模型80的学习中用作输入的训练输入用x射线图像81和在基于学习完毕模型80的推断中用作输入的x射线图像10这两方设为通过抖动抑制脉冲宽度的x射线生成的图像。因此，由于能够将学习完毕模型80的学习中的输入和学习完毕模型80的推断中的输入设为基于同样条件的x射线得到的图像，因此能够进一步提高基于学习完毕模型80得到的设备200的检测的精度。
101.另外，在本实施方式中，设备200包括留置在被检体101的心脏附近的血管中的导管或导丝，设备检测部74构成为：基于根据训练输入用x射线图像81和训练输出用信息82通过机器学习而生成的学习完毕模型80，来从基于抖动抑制脉冲宽度的x射线得到的x射线图像10中检测导管或导丝，其中，所述训练输入用x射线图像81是以模拟x射线图像10中的、留置在被检体101的心脏附近的血管中的导管或导丝的方式生成的图像，所述训练输出用信息82表示训练输入用x射线图像81中包括的导管或导丝的位置或形状。在此，心脏附近的血管由于心脏的跳动而三维地大幅且不规则地移动。由此，配置于心脏附近的血管中的导管或导丝也由于心脏的跳动而三维地不规则地移动，因此认为x射线图像10会成为图像中不规则地存在多种抖动的图像。因此，如上述实施方式那样，如果通过使x射线照射部2照射规定的阈值以下的脉冲宽度即抖动抑制脉冲宽度的x射线来获取x射线图像10，则即使在配置于会由于心脏的跳动而大幅且不规则地移动的血管中的导管或导丝处，也能够减少x射线
图像10中的抖动的种类。而且，由于能够从基于抖动抑制脉冲宽度的x射线得到的x射线图像10中检测导管或导丝，因此即使在导管或导丝配置于如心脏附近的血管那样会大幅且不规则地运动的器官中的情况下，也能够提高导管或导丝的目视确认性。
102.另外，在本实施方式中，抖动抑制脉冲宽度为8毫秒以下的脉冲宽度，设备检测部74构成为：基于学习完毕模型80，来从基于8毫秒以下的脉冲宽度的x射线得到的x射线图像10中检测设备200。如果像这样构成，则能够从通过8毫秒以下的脉冲宽度的x射线抑制了设备200的抖动的种类的x射线图像10中检测设备200。因此，由于根据基于脉冲宽度为8毫秒以下的x射线得到的x射线图像10来检测设备200，因此与脉冲宽度比8毫秒大的情况相比，能够提高设备200的检测精度。
103.另外，在本实施方式中，设备检测部74构成为：基于通过深度学习而生成的学习完毕模型80，来从基于抖动抑制脉冲宽度的x射线得到的x射线图像10中检测设备200，所述深度模型是使用多层神经网络的机器学习。如果像这样构成，则能够基于通过深度学习来自动地构建出适当的特征量和用于获取特征量的算法的学习完毕模型80，来从x射线图像10中检测设备200，因此能够进一步提高设备200的检测精度。
104.另外，在本实施方式中，还具备控制部7，该控制部7包括：脉冲宽度设定部72，其设定从x射线照射部2照射的x射线的脉冲宽度；x射线照射控制部71，其使x射线照射部2照射所设定的脉冲宽度(抖动抑制脉冲宽度)的x射线；x射线图像生成部73，其基于由x射线检测部3检测出的x射线来生成x射线图像10；以及设备检测部74，其基于通过机器学习而生成的学习完毕模型80，从由x射线图像生成部73生成的x射线图像10中检测x射线图像10中的设备200。如果像这样构成，则能够通过由控制部7利用软件进行的控制来容易地进行脉冲宽度的设定、x射线的照射、x射线图像10的生成以及设备200的检测。
105.(本实施方式的学习完毕模型的生成方法的效果)
106.在本实施方式的学习完毕模型的生成方法中，能够得到如下那样的效果。
107.在本实施方式的学习完毕模型的生成方法中，如上所述，通过获取训练输入用x射线图像81，能够抑制抖动的种类变为多种，该训练输入用x射线图像81是以模拟基于抖动抑制脉冲宽度的x射线得到的x射线图像10中的、被检体101的体内的设备200的方式生成的图像。因此，能够抑制为了应对设备200的多种抖动而获取大量的训练输入用x射线图像81。在此，在使用大量的训练输入用x射线图像81来进行机器学习以应对具有多种抖动的x射线图像10的情况下，学习难以收敛，另外，在学习收敛了的情况下，基于学习完毕模型80的检测精度也低。与此相对地，在本实施方式中，获取以模拟基于抖动抑制脉冲宽度的x射线得到的x射线图像10中的、被检体101的体内的设备200的方式生成的训练输入用x射线图像81。通过像这样构成，与不限制脉冲宽度从而图像中的设备200的抖动为多种的情况相比，由于通过抖动抑制脉冲宽度的x射线来减少x射线图像10的抖动的种类，因此能够减少作为训练图像获取的图像的抖动的种类。由此，能够减少训练输入用x射线图像81的种类，因此与设备200的抖动为多种的情况相比，学习容易收敛，并且能够生成能够高精度地检测设备200的学习完毕模型80。其结果是，能够提供一种能够高精度地检测x射线图像10中的留置在被检体101的体内的医疗用的设备200的学习完毕模型的生成方法。
108.另外，在本实施方式中，如上所述，获取训练输入用x射线图像81的步骤包括以下步骤：获取通过抖动抑制脉冲宽度的x射线生成的模拟x射线图像(模拟人体图像81a和模拟
设备图像81b)；以及通过对获取到的模拟x射线图像进行图像处理，来以模拟x射线图像10中的被检体101的体内的设备200的方式生成训练输入用x射线图像81。如果像这样构成，则能够基于学习完毕模型80来检测基于抖动抑制脉冲宽度的x射线得到的x射线图像10中的设备200，所述学习完毕模型80是使用基于通过抖动抑制脉冲宽度的x射线而生成的模拟x射线图像得到的训练输入用x射线图像81进行学习而得到的模型。即，能够将在用于生成学习完毕模型80的学习中用作输入的训练输入用x射线图像81和在基于学习完毕模型80的推断中用作输入的x射线图像10这两方设为通过抖动抑制脉冲宽度的x射线生成的图像。因此，能够将学习完毕模型80的学习中的输入和学习完毕模型80的推断中的输入设为基于同等条件的x射线得到的图像，因此能够进一步提高基于学习完毕模型80得到的设备200的检测的精度。
109.(变形例)
110.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来表示，而是由权利要求书来表示，并且包括与权利要求书等同的含义及范围内的全部变更(变形例)。
111.例如，在上述实施方式中，示出了通过进行使检测出的设备的区域的浓度变浓的图像处理来生成设备被增强后的增强图像的例子，但本发明不限于此。在本发明中，也可以通过对检测出的设备的区域进行着色来使设备增强。另外，也可以通过增强(增加轮廓线的强度)地显示所检测出的设备的区域的轮廓，来增强地显示设备。
112.另外，在上述实施方式中，示出了抖动抑制脉冲宽度能够在8毫秒(规定的阈值)以下的范围内适当地变更的例子，但本发明不限于此。在本发明中，抖动抑制脉冲宽度也可以是规定的阈值以下的固定值。例如，在将抖动抑制脉冲宽度决定为5毫秒的固定值的脉冲宽度的情况下，可以使x射线摄影装置通过5毫秒的固定值的脉冲宽度的x射线来拍摄x射线图像。另外，在通过5毫秒的脉冲宽度的x射线来拍摄x射线图像的情况下，可以基于通过训练输入用x射线图像和训练输出用信息而生成的学习完毕模型来从拍摄到的x射线图像中检测设备，该训练输入用x射线图像是根据基于脉冲宽度为5毫秒的x射线得到的模拟x射线图像而生成的图像。另外，在通过脉冲宽度为5毫秒的x射线拍摄x射线图像的情况下，例如可以基于通过训练输入用x射线图像和训练输出用信息而生成的学习完毕模型来从拍摄到的x射线图像中检测设备，所述训练输入用x射线图像是根据基于脉冲宽度为8毫秒以下的多个x射线得到的模拟x射线图像生成的图像。
113.另外，在上述实施方式中，示出了还具备控制部的例子，该控制部通过软件来进行如下的控制：使x射线照射部照射抖动抑制脉冲宽度的x射线；基于来自x射线检测部的检测信号来生成x射线图像；以及基于通过将以与抖动抑制脉冲宽度对应的方式生成的图像作为教师图像的机器学习而生成的学习完毕模型来从基于抖动抑制脉冲宽度的x射线得到的x射线图像中检测设备，但本发明不限于此。在本发明中，也可以将用于进行使x射线照射部照射x射线的控制的控制部和用于进行从x射线图像中检测设备的控制的控制部相独立地构成。例如，可以与控制部相独立地构成图像生成单元，该图像生成单元由基于检测出的x射线来生成x射线图像的作为硬件的图像处理电路等构成。另外，可以与控制部相独立地具备图像处理模块，该图像处理模块基于通过使用学习完毕模型而获取到的设备的位置或形状，来根据x射线图像生成增强图像。即，可以将脉冲宽度设定部、x射线照射控制部、x射线
图像生成部以及设备检测部相独立地构成。
114.另外，在上述实施方式中，示出了控制部(设备检测部)构成为基于根据训练输入用x射线图像通过机器学习而生成的学习完毕模型来从x射线图像中检测设备的例子，该训练输入用x射线图像是以模拟基于抖动抑制脉冲宽度的x射线得到的x射线图像中的被检体的体内的设备的方式生成的图像，但本发明不限于此。在本发明中，也可以使用不将以模拟设备的方式生成的训练输入用x射线图像而将实际拍摄到的x射线图像作为训练输入数据来进行学习而生成的学习完毕模型。另外，也可以将不使用x射线地模拟地生成的图像作为训练输入用x射线图像。
115.另外，在上述实施方式中，示出了控制部(设备检测部)构成为基于根据训练输入用x射线图像通过机器学习而生成的学习完毕模型来从x射线图像中检测设备的例子，该训练输入用x射线图像是基于通过抖动抑制脉冲宽度的x射线而生成的模拟x射线图像以模拟x射线图像中的、被检体的体内的设备的方式生成的图像，但本发明不限于此。在本发明中，可以使用根据基于模拟x射线图像生成的训练输入用x射线图像通过机器学习而生成的学习完毕模型，该模拟x射线图像是通过与抖动抑制脉冲宽度不同的脉冲宽度的x射线生成的图像。
116.另外，在上述实施方式中，示出了设备包括留置在被检体的心脏附近的血管中的导管或导丝的例子，但本发明不限于此。在本发明中，设备也可以是留置在被检体的心脏附近的血管中的支架和人工瓣膜等。另外，设备也可以是留置在头部的血管中的设备。
117.另外，在上述实施方式中，示出了规定的阈值以下的脉冲宽度为8毫秒以下的脉冲宽度的例子，但本发明不限于此。在本发明中，规定的阈值以下的脉冲宽度也可以是5毫秒以下的脉冲宽度。即，也可以将比使设备的检测精度成为最高的脉冲宽度小的脉冲宽度决定为规定的阈值。由此，通过将比使设备的检测精度成为最高的脉冲宽度小的脉冲宽度决定为规定的阈值，能够进一步减少照射于受检者的x射线的剂量。
118.另外，在上述实施方式中，示出了构成为基于通过使用多层神经网络的机器学习即深度学习而生成的学习完毕模型来从基于抖动抑制脉冲宽度的x射线得到的x射线图像中检测设备的例子，但本发明不限于此。在本发明中，也可以使用深度学习以外的机器学习。例如，也可以使用svm(support vector machine：支持向量机)来从x射线图像中检测设备。
119.另外，在上述实施方式中，示出了基于一个学习完毕模型来从x射线图像中检测设备的例子，但本发明不限于此。在本发明中，也可以基于多个学习完毕模型来从x射线图像中检测设备。
120.另外，在上述实施方式中，示出了使用以检测x射线图像中的设备的位置(坐标)的方式生成的学习完毕模型的例子，但本发明不限于此。本发明也可以使用以检测x射线图像中包括的设备的形状(轮廓)的方式生成的学习完毕模型。即，也可以使用基于表示训练输入用x射线图像中包括的设备的形状(轮廓)的训练输出用信息通过机器学习而生成的学习完毕模型。例如，可以使用将训练输入用x射线图像和训练输出用信息作为训练数据(训练集)来通过机器学习进行学习而得到的学习完毕模型，该训练输入用x射线图像是包括具有与x射线图像的设备对应的形状等形态的物体的图像，该训练输出用信息是通过指定与训练输入用x射线图像中的设备对应的物体的形状而指定出的形状(轮廓)。
121.[方式]
[0122]
本领域技术人员应该理解的是，上述的例示性的实施方式是以下的方式的具体例。
[0123]
(项目1)
[0124]
一种x射线摄影装置，具备：
[0125]
x射线照射部，其向在体内留置有医疗用的设备的被检体照射x射线；
[0126]
x射线检测部，其对透过所述被检体后的x射线进行检测；
[0127]
脉冲宽度设定部，其设定从所述x射线照射部照射的x射线的脉冲宽度；
[0128]
x射线照射控制部，其使所述x射线照射部照射由所述脉冲宽度设定部设定的所述脉冲宽度的x射线；
[0129]
x射线图像生成部，其基于由所述x射线检测部检测出的所述脉冲宽度的x射线来生成x射线图像；以及
[0130]
设备检测部，其基于通过机器学习而生成的学习完毕模型，从由所述x射线图像生成部生成的基于所述脉冲宽度的x射线得到的所述x射线图像中检测所述x射线图像中的所述设备，
[0131]
其中，所述脉冲宽度为使基于所述学习完毕模型来检测所述设备的检测精度成为最大的脉冲宽度以下的抖动抑制脉冲宽度。
[0132]
(项目2)
[0133]
根据项目1所述的x摄像摄影装置，所述设备检测部构成为：基于通过使用了训练图像的机器学习而生成的所述学习完毕模型，来从基于所述抖动抑制脉冲宽度的x射线得到的所述x射线图像中检测所述设备，其中，所述训练图像是与基于所述抖动抑制脉冲宽度的x射线得到的所述x射线图像对应的图像。
[0134]
(项目3)
[0135]
根据项目2所述的x射线摄影装置，所述设备检测部构成为：基于根据训练输入用x射线图像和训练输出用信息通过机器学习而生成的所述学习完毕模型，来从基于所述抖动抑制脉冲宽度的x射线得到的所述x射线图像中检测所述设备，其中，所述训练输入用x射线图像是以模拟基于所述抖动抑制脉冲宽度的x射线得到的所述x射线图像中的、所述被检体的体内的所述设备的方式生成的图像，所述训练输出用信息表示所述训练输入用x射线图像中包括的所述设备的位置或形状。
[0136]
(项目4)
[0137]
根据项目3所述的x射线摄影装置，所述设备检测部构成为：基于根据所述训练输入用x射线图像和所述训练输出用信息通过机器学习而生成的所述学习完毕模型，来从基于所述抖动抑制脉冲宽度的x射线得到的所述x射线图像中检测所述设备，其中，所述训练输入用x射线图像是基于通过所述抖动抑制脉冲宽度的x射线生成的模拟x射线图像来以模拟所述x射线图像中的所述被检体的体内的所述设备的方式生成的图像，所述训练输出用信息表示所述训练输入用x射线图像中包括的所述设备的位置或形状。
[0138]
(项目5)
[0139]
根据项目3所述的x射线摄影装置，所述设备包括留置在所述被检体的心脏附近的血管中的导管或导丝，
[0140]
所述设备检测部构成为：基于根据所述训练输入用x射线图像和所述训练输出用信息通过机器学习而生成的所述学习完毕模型，来从基于所述抖动抑制脉冲宽度的x射线得到的所述x射线图像中检测所述导管或所述导丝，其中，所述训练输入用x射线图像是以模拟所述x射线图像中的、留置在所述被检体的心脏附近的血管中的所述导管或所述导丝的方式生成的图像，所述训练输出用信息表示所述训练输入用x射线图像中包括的所述导管或所述导丝的位置或形状。
[0141]
(项目6)
[0142]
根据项目1所述的x射线摄影装置，所述抖动抑制脉冲宽度为8毫秒以下的脉冲宽度，
[0143]
所述设备检测部构成为：基于所述学习完毕模型，来从基于8毫秒以下的脉冲宽度的x射线得到的所述x射线图像中检测所述设备。
[0144]
(项目7)
[0145]
根据项目1所记载的x射线摄影装置，所述设备检测部构成为：基于通过深度学习而生成的所述学习完毕模型，来从基于所述抖动抑制脉冲宽度的x射线得到的所述x射线图像中检测所述设备，所述深度学习是使用多层神经网络的机器学习。
[0146]
(项目8)
[0147]
根据项目1所述的x射线摄影装置，还具备控制部，所述控制部包括：所述脉冲宽度设定部，其设定从所述x射线照射部照射的x射线的所述脉冲宽度；所述x射线照射控制部，其使所述x射线照射部照射所设定的所述脉冲宽度的x射线；所述x射线图像生成部，其基于由所述x射线检测部检测出的x射线来生成所述x射线图像；以及所述设备检测部，其基于通过机器学习而生成的所述学习完毕模型，从由所述x射线图像生成部生成的所述x射线图像中检测所述x射线图像中的所述设备。
[0148]
(项目9)
[0149]
一种学习完毕模型的生成方法，包括以下步骤：
[0150]
以与基于抖动抑制脉冲宽度的x射线得到的x射线图像对应的方式获取训练输入用x射线图像，所述抖动抑制脉冲宽度为使留置在被检体的体内的医疗用的设备的检测精度成为最大的脉冲宽度以下，所述训练输入用x射线图像是以模拟所述基于抖动抑制脉冲宽度的x射线得到的x射线图像中的、所述被检体的体内的所述设备的方式生成的图像；
[0151]
获取表示所述训练输入用x射线图像中的所述设备的位置或形状的训练输出用信息；以及
[0152]
根据所述训练输入用x射线图像和所述训练输出用信息，通过机器学习来生成学习完毕模型。
[0153]
(项目10)
[0154]
根据项目9所述的学习完毕模型的生成方法，
[0155]
获取所述训练输入用x射线图像的步骤包括以下步骤：
[0156]
获取通过所述抖动抑制脉冲宽度的x射线生成的模拟x射线图像；以及
[0157]
通过对获取到的所述模拟x射线图像进行图像处理，来以模拟所述x射线图像中的、所述被检体的体内的所述设备的方式生成所述训练输入用x射线图像。
[0158]
(项目11)
[0159]
一种图像处理方法，包括以下步骤：
[0160]
基于通过机器学习而生成的学习完毕模型，将为了生成x射线图像而照射的x射线的脉冲宽度设定为抖动抑制脉冲宽度，所述抖动抑制脉冲宽度为使从所生成的所述x射线图像中检测被留置在被检体的体内的医疗用的设备的检测精度成为最大的脉冲宽度以下；
[0161]
向在体内留置有所述设备的所述被检体照射所设定的所述抖动抑制脉冲宽度的x射线；
[0162]
对透过所述被检体后的x射线进行检测；
[0163]
基于所检测出的所述抖动抑制脉冲宽度的x射线，来生成所述x射线图像；以及
[0164]
基于所述学习完毕模型，来从所生成的基于所述抖动抑制脉冲宽度的x射线得到的所述x射线图像中检测所述x射线图像中的所述设备。
[0165]
(其它方式)
[0166]
另外，上述的实施方式也能够是以下的方式的具体例。
[0167]
(项目12)
[0168]
一种改善人体内的可动物体(设备)的短时间曝光x射线的图像质量的方法，所述方法包括：
[0169]
朝向人体内的可动物体放射x射线的一个以上的脉冲(照射)，其中，x射线的一个以上的脉冲包括具有比规定的阈值的曝光期间(脉冲宽度)短的曝光期间的至少一个短的曝光(脉冲宽度)x射线的脉冲；
[0170]
检测x射线的一个以上的脉冲；
[0171]
基于x射线的一个以上的脉冲来生成人体内的可动物体的低分辨率的x射线图像；
[0172]
通过将低分辨率的x射线图像输入到一个以上的机器学习模型(学习完毕模型)，来生成低分辨率的x射线图像内的可动物体的轮廓，其中，一个以上的机器学习模型分别按照训练集(训练数据)来进行训练(学习)，所述训练集包括具有与低分辨率的x射线图像内的可动物体对应的形状及材料的物体的x射线图像(训练输入用x射线图像)、以及x射线图像(训练输入用x射线图像)内的物体的所指定的轮廓(训练输出用信息)；以及
[0173]
通过增加所生成的可动物体的轮廓的强度，基于低分辨率的x射线图像来生成新的x射线图像(增强图像)并输出，其中，新的x射线图像相比于低分辨率的x射线图像而言，可动物体的分辨率高。
[0174]
(项目13)
[0175]
一种改善人体内的可动物体的短时间曝光x射线的图像质量的装置，
[0176]
所述装置具备x射线发生器(x射线照射部)，
[0177]
所述x射线发生器构成为：生成一个以上的x射线脉冲，并朝向人体内的可动物体放射该一个以上的x射线脉冲，
[0178]
其中，x射线的一个以上的脉冲包括具有比规定的阈值曝光期间(脉冲宽度)短的曝光期间的至少一个短曝光(脉冲宽度)x射线的脉冲，
[0179]
所述装置具备：
[0180]
x射线检测器(x射线检测部)，其构成为检测x射线的一个以上的脉冲；
[0181]
图像生成单元，其构成为基于x射线的一个以上的脉冲来生成人体内的可动物体的低分辨率的x射线图像；以及
[0182]
一个以上的学习完毕机器学习系统，其构成为通过将低分辨率的x射线图像输入到一个以上的机器学习模型(学习完毕模型)来生成低分辨率的x射线图像内的可动物体的轮廓，
[0183]
其中，一个以上的机器学习模型分别按照训练集(训练数据)来进行训练(学习)，所述训练集包括具有与低分辨率的x射线图像内的可动物体对应的形状及材料的物体的x射线图像(训练输入用x射线图像)、以及x射线图像(训练输入用x射线图像)内的物体的所指定的轮廓(训练输出用信息)，
[0184]
所述装置还具备图像处理模块，所述图像处理模块构成为通过使所生成的可动物体的轮廓的强度增加，来基于低分辨率的x射线图像生成新的x射线图像(增强图像)并输出，
[0185]
其中，新的x射线图像相比于低分辨率的x射线图像而言，可动物体的分辨率比高。
[0186]
(项目14)
[0187]
一种机器学习模型的训练方法，用于改善可动物体(设备)的短时间曝光x射线的图像质量的机器学习模型(学习完毕模型)的训练(学习)，在所述训练(学习)方法中，
[0188]
获取以具有与可动物体(设备)对应的形状及材料的物体的轮廓(训练输出用信息)描绘出的多个x射线图像(训练输入用x射线图像)，
[0189]
其中，多个x射线图像包括包含以低分辨率描绘出的轮廓的至少一个x射线图像，
[0190]
使用多个x射线图像(训练输入用x射线图像)和轮廓线(训练输出用信息)对一个以上的机器学习模型进行训练，使x射线图像(训练输入用x射线图像)与具有可动物体所对应的形状及材料的物体的轮廓(训练输出用信息)相关。
[0191]
附图标记说明
[0192]
2：x射线照射部；3：x射线检测部；7：控制部；10：x射线图像；71：x射线照射控制部；72：脉冲宽度设定部；73：x射线图像生成部；74：设备检测部；80：学习完毕模型；81：训练输入用x射线图像；82：训练输出用信息；100：x射线摄影装置；101：被检体；200：设备。