JP7164423B2 - 医用画像処理装置、ｘ線ｃｔ装置及び医用画像処理方法 - Google Patents

Description

本発明の実施形態は、医用画像処理装置、Ｘ線ＣＴ（Computed Tomography）装置及び医用画像処理方法に関する。

従来、冠動脈等の各種の血管の腔内をスキャンし、血管の短軸断面画像を示す短軸断面画像データを生成するＩＶＵＳ（（IntraVascular UltraSound）：血管内超音波診断）撮影装置及びＯＣＴ（Optical Coherence Tomography）装置がある。これらのＩＶＵＳ撮影装置及びＯＣＴ装置は、被検体の血管の外壁及び内壁並びに血管内のプラーク及びカルシウム等の血管に関する情報が、精度良く描出された短軸断面画像データを生成することができる。しかしながら、ＩＶＵＳ撮影装置及びＯＣＴ装置による撮影は、ステントが被検体に挿入されるため、侵襲的な撮影である。

また、Ｘ線ＣＴ装置により心臓の冠動脈等の血管を含む３次元領域をＣＴ撮影することにより得られた３次元ＣＴ画像データ（ボリュームデータ）が、被検体の心臓の診断に用いられることがある。この場合の心臓のＣＴ撮影は、非侵襲的である。しかしながら、心臓のＣＴ撮影により得られた３次元ＣＴ画像データには、冠動脈の外壁及び内壁並びに冠動脈内のプラーク及びカルシウム等の血管に関する情報が精度良く描出されないことがある。このため、医師等は、３次元ＣＴ画像データに基づく診断を行う際に、血管に関する詳細な情報を把握することが困難である。

特表２０１３－５４１３９２号公報 特開２００８－５１０５８５号公報 特開２０１６－５２９０５４号公報

本発明が解決しようとする課題は、非侵襲的に得られた空間情報から、精度良く血管に関する情報が描出された空間情報を得ることができる医用画像処理装置、Ｘ線ＣＴ装置及び医用画像処理方法を提供することである。

実施形態に係る医用画像処理装置は、取得部と、第１の生成部とを備える。取得部は、被検体の外部から撮影されることにより得られた被検体の血管に関する第１の空間情報と、被検体内に挿入されて被検体の前記血管腔内を情報化するデバイスにより得られた被検体の血管に関する第２の空間情報とを取得する。第１の生成部は、第１の空間情報と第２の空間情報とを対応付けて学習することにより、第１の空間情報の入力を受けて、第２の空間情報に相当する第３の空間情報を出力する学習済みモデルを生成する。

図１は、第１の実施形態に係る医用画像処理システムの構成例を示す図である。 図２は、第１の実施形態に係る３次元ＣＴ画像データの一例を示す図である。 図３は、第１の実施形態に係る時系列の複数の短軸断面画像データの一例を説明するための図である。 図４は、第１の実施形態に係る分岐箇所を含む短軸断面画像の一例を示す図である。 図５は、第１の実施形態に係る学習用データセット生成機能が実行する処理の一例を説明するための図である。 図６は、第１の実施形態に係る学習用データセット生成機能が実行する処理の一例を説明するための図である。 図７は、第１の実施形態に係る位置合わせの一例を説明するための図である。 図８は、第１の実施形態に係る位置合わせの一例を説明するための図である。 図９は、第１の実施形態に係る学習用データセット生成機能が実行する処理の一例を説明するための図である。 図１０は、第１の実施形態に係る学習時の処理及び運用時の処理の一例を説明するための図である。 図１１は、第１の実施形態に係る学習済みモデルにより推定された画像データの一例を示す図である。 図１２は、第１の実施形態に係る医用画像処理装置による学習時の処理の手順を示すフローチャートである。 図１３は、本実施形態に係る医用画像処理装置による運用時の処理の手順を示すフローチャートである。 図１４は、第２の実施形態に係る学習済みモデル生成機能が実行する処理の一例を説明するための図である。 図１５は、第２の実施形態に係る学習時の処理及び運用時の処理の一例を説明するための図である。 図１６は、第２の実施形態に係る学習済みモデルにより推定された画像データの一例を示す図である。 図１７は、第３の実施形態に係る学習時の処理及び運用時の処理の一例を説明するための図である。 図１８は、第４の実施形態に係る制御機能が実行する処理の一例を説明するための図である。 図１９は、第５の実施形態に係る医用画像処理システムの構成例を示す図である。

以下、図面を参照しながら、医用画像処理装置、Ｘ線ＣＴ装置及び医用画像処理方法の実施形態について詳細に説明する。なお、本願に係る医用画像処理装置、Ｘ線ＣＴ装置及び医用画像処理方法は、以下に示す実施形態によって限定されるものではない。

（第１の実施形態）
図１は、第１の実施形態に係る医用画像処理システムの構成例を示す図である。図１に示すように、本実施形態に係る医用画像処理システム１は、Ｘ線ＣＴ装置１１０と、ＩＶＵＳ撮影装置１２０と、端末装置１３０と、医用画像処理装置１４０とを含む。ここで、各装置は、ネットワーク２００を介して通信可能に接続されている。

Ｘ線ＣＴ装置１１０は、被検体を撮影してＣＴ画像を示すＣＴ画像データを生成する。例えば、Ｘ線ＣＴ装置１１０は、造影剤が投与された被検体の心臓の冠動脈を含む３次元領域を撮影することにより、冠動脈が描出された３次元ＣＴ画像データを生成する。図２は、第１の実施形態に係る３次元ＣＴ画像データの一例を示す図である。例えば、Ｘ線ＣＴ装置１１０は、図２に示すように、冠動脈１１１ａが描出された３次元ＣＴ画像データ１１１を生成する。そして、Ｘ線ＣＴ装置１１０は、生成したＣＴ画像データを端末装置１３０や医用画像処理装置１４０に送信する。例えば、Ｘ線ＣＴ装置１１０は、３次元ＣＴ画像データ１１１を端末装置１３０や医用画像処理装置１４０に送信する。

ＩＶＵＳ撮影装置１２０は、カテーテルを備える。カテーテルの先端部には超音波送受信装置（振動子）が装着されている。ＩＶＵＳ撮影装置１２０は、カテーテルとともに超音波送受信装置が被検体の血管腔内に挿入された状態で、超音波送受信装置が血管腔内を走査（スキャン）することにより得られたエコー信号に基づいて血管の短軸断面画像を示す短軸断面画像データを生成する。ここで、ＩＶＵＳ撮影装置１２０は、所定のフレームレートで短軸断面画像データを生成する。すなわち、ＩＶＵＳ撮影装置１２０は、時系列の複数の短軸断面画像データを生成する。そして、ＩＶＵＳ撮影装置１２０は、生成した短軸断面画像データを端末装置１３０や医用画像処理装置１４０に送信する。なお、短軸断面画像は、ＩＶＵＳ画像とも称され、短軸断面画像データは、ＩＶＵＳ画像データとも称される。

以下の説明では、医用画像処理装置１４０が、ＩＶＵＳ撮影装置１２０により生成された短軸断面画像データを用いて、各種の処理を実行する場合について説明する。しかしながら、医用画像処理装置１４０は、ＯＣＴ装置により生成された短軸断面画像データを用いて、以下で説明する各種の処理を実行してもよい。

ＩＶＵＳ撮影装置１２０は、被検体内に挿入されて被検体の血管腔内を情報化するデバイスの一例である。また、ＩＶＵＳ撮影装置１２０により得られた短軸断面画像データは、被検体の血管に関するデータであり、第２の空間情報の一例である。

ここで、図３を参照して、ＩＶＵＳ撮影装置１２０から送信される時系列の複数の短軸断面画像データの一例について説明する。図３は、第１の実施形態に係る時系列の複数の短軸断面画像データの一例を説明するための図である。

例えば、Ｘ線診断装置（図示せず）は、造影剤が投与された被検体の冠動脈が描出された透視画像データ（アンギオ画像データ）を生成し、透視画像データが示す透視画像（アンギオ画像）をディスプレイ（図示せず）に表示させる。術者は、ディスプレイに表示された透視画像に含まれる冠動脈の位置を確認しながら、冠動脈の内部に、先端部に超音波送受信装置が装着されたステントを挿入する。

そして、超音波送受信装置は、所定の速度で冠動脈内を移動しつつ、エコー信号を出力する。なお、超音波送受信装置は、ステントが術者又はオートプルバックにより引っ張られることにより、所定の速度で移動する。そして、ＩＶＵＳ撮影装置１２０は、超音波送受信装置から出力されるエコー信号に基づいて、図３に示す時系列の複数の短軸断面画像を示す短軸断面画像データ１２１＿１～１２１＿Ｎ（Ｎは、２以上の整数）を生成する。そして、ＩＶＵＳ撮影装置１２０は、短軸断面画像データ１２１＿１～１２１＿Ｎを出力する。ここで、短軸断面画像データ１２１＿１～１２１＿Ｎのそれぞれは、冠動脈内の複数の位置のそれぞれにおいて超音波送受信装置により走査されることにより得られたデータである。すなわち、短軸断面画像データ１２１＿１～１２１＿Ｎは、ＩＶＵＳ撮影装置１２０の超音波送受信装置が複数の位置で血管腔内を情報化することにより得られる複数のデータである。

本実施形態では、時系列において、短軸断面画像データ１２１＿１が最も古いデータであり、短軸断面画像データ１２１＿Ｎが最も新しいデータである。すなわち、短軸断面画像データ１２１＿１～１２１＿Ｎは、短軸断面画像データ１２１＿１に対応する冠動脈内の位置を始点として、この始点から、短軸断面画像データ１２１＿Ｎに対応する冠動脈内の位置（終点）まで、超音波送受信装置が移動した場合のデータ群である。

ここで、短軸断面画像データ１２１＿１～１２１＿Ｎのそれぞれには、冠動脈の外壁及び内壁並びに冠動脈内のプラーク及びカルシウム等の血管に関する情報が、精度良く描出されている。例えば、図３に示す短軸断面画像データ１２１＿１には、冠動脈の外壁１２２＿１及び内壁１２２＿２が精度良く描出されている。また、短軸断面画像データ１２１＿１に対応する走査領域にプラークやカルシウムが含まれている場合には、短軸断面画像データ１２１＿１には、図３に示すように、プラーク１２２＿３及びカルシウム１２２＿４が精度良く描出される。

そして、本実施形態では、ＩＶＵＳ撮影装置１２０は、短軸断面画像データ１２１＿１～１２１＿Ｎのそれぞれについて、始点から超音波送受信装置が移動した距離（移動距離）を求める。例えば、ＩＶＵＳ撮影装置１２０は、短軸断面画像データ１２１＿１～１２１＿Ｎのそれぞれについて、超音波送受信装置の上述した所定の速度と、上述した始点から超音波送受信装置が移動した時間との積により、移動距離を求める。例えば、所定の速度がＶであり、短軸断面画像データ１２１＿Ｍ（１≦Ｍ≦Ｎ）について、始点から超音波送受信装置が移動した時間がＴである場合について説明する。この場合には、ＩＶＵＳ撮影装置１２０は、短軸断面画像データ１２１＿Ｍについて、移動距離ＶＴを求める。

そして、ＩＶＵＳ撮影装置１２０は、短軸断面画像データ１２１＿１～１２１＿Ｎのそれぞれに対して、短軸断面画像データ１２１＿１～１２１＿Ｎのそれぞれに対応する移動距離を付加する。

また、本実施形態では、術者は、ＩＶＵＳ撮影装置１２０のディスプレイに短軸断面画像データ１２１＿１～１２１＿Ｎのそれぞれが示す短軸断面画像のそれぞれを順々に表示させる。そして、術者は、表示された短軸断面画像が、血管が分岐している箇所（分岐箇所）を含む画像であるか否かを判定する。図４は、第１の実施形態に係る分岐箇所を含む短軸断面画像の一例を示す図である。例えば、術者は、図４に示すように、２つの血管１２３ａ，１２３ｂの短軸断面を示す短軸断面画像を、分岐箇所を含む画像として判定する。そして、術者は、ＩＶＵＳ撮影装置１２０の入力インターフェース（例えば、キーボードやマウス等）を介して、後述する位置合わせに用いられるランドマークの種類として「分岐箇所」をＩＶＵＳ撮影装置１２０に入力する。これにより、ＩＶＵＳ撮影装置１２０は、分岐箇所を含む１つの短軸断面画像データ１２１＿Ｋ（１≦Ｋ≦Ｎ）に対して、ランドマークの種類として「分岐箇所」を付加する。

また、術者は、入力インターフェースを介して、後述する位置合わせに用いられる分岐の方向１２５をＩＶＵＳ撮影装置１２０に入力する。例えば、図４に示すように、分岐の方向１２５は、２つの血管１２３ａ，１２３ｂのうち、一方の血管１２３ａの短軸断面画像における中心１２４ａから、他方の血管１２３ｂの短軸断面画像における中心１２４ｂに向かう方向である。このような分岐の方向１２５を、術者が入力インターフェースを介して指定することで、分岐の方向１２５がＩＶＵＳ撮影装置１２０に入力される。これにより、ＩＶＵＳ撮影装置１２０は、短軸断面画像データ１２１＿Ｋに対して、分岐の方向１２５を付加する。

すなわち、本実施形態では、分岐箇所を含む短軸断面画像を示す短軸断面画像データ１２１＿Ｋには、ランドマークの種類「分岐箇所」、及び、分岐の方向１２５が付加される。

そして、ＩＶＵＳ撮影装置１２０は、移動距離が付加された短軸断面画像データ１２１＿１～１２１＿Ｎを端末装置１３０や医用画像処理装置１４０に送信する。ここで、ＩＶＵＳ撮影装置１２０は、短軸断面画像データ１２１＿１～１２１＿Ｎのうち、短軸断面画像データ１２１＿Ｋについては、移動距離に加えて、ランドマークの種類「分岐箇所」、及び、分岐の方向１２５を付加して送信する。

なお、後述する位置合わせに用いられるランドマークの種類は、分岐箇所に限られない。例えば、ランドマークとして、カルシウムが採用されてもよい。この場合には、術者は、入力インターフェースを介して、ランドマークの種類として「カルシウム」をＩＶＵＳ撮影装置１２０に入力する。これにより、ＩＶＵＳ撮影装置１２０は、カルシウムを含む１つの短軸断面画像データ１２１＿Ｋ（１≦Ｋ≦Ｎ）に対して、ランドマークの種類として「カルシウム」を付加する。

また、ランドマークとして、血管が三日月状に凹んでいる箇所等の血管の内壁の構造が変化している箇所が採用されてもよい。この場合は、術者は、入力インターフェースを介して、ランドマークの種類として「内壁の構造変化」をＩＶＵＳ撮影装置１２０に入力する。これにより、ＩＶＵＳ撮影装置１２０は、内壁の構造が変化している箇所を含む１つの短軸断面画像データ１２１＿Ｋ（１≦Ｋ≦Ｎ）に対して、ランドマークの種類として「内壁の構造変化」を付加する。

端末装置１３０は、病院内に勤務する医師や検査技師に医用画像を閲覧させるための装置である。例えば、端末装置１３０は、病院内に勤務する医師や検査技師により操作されるパーソナルコンピュータ（ＰＣ：Personal Computer）やタブレット式ＰＣ、ＰＤＡ（Personal Digital Assistant）、携帯電話等によって実現される。例えば、端末装置１３０は、Ｘ線ＣＴ装置１１０、ＩＶＵＳ撮影装置１２０又は医用画像処理装置１４０から受信した医用画像データが示す医用画像を自装置のディスプレイに表示させるとともに、自装置の入力インターフェースを介して医用画像に対する各種操作を受け付ける。

医用画像処理装置１４０は、Ｘ線ＣＴ装置１１０及びＩＶＵＳ撮影装置１２０から各種のデータを取得し、取得したデータを用いて各種の情報処理を行う。例えば、医用画像処理装置１４０は、サーバやワークステーション、パーソナルコンピュータ、タブレット端末等のコンピュータ機器によって実現される。

図１に示すように、医用画像処理装置１４０は、通信インターフェース１４１と、記憶回路１４２と、入力インターフェース１４３と、ディスプレイ１４４と、処理回路１４５とを有する。

通信インターフェース１４１は、処理回路１４５に接続されており、医用画像処理装置１４０と各装置との間で行われる通信を制御する。具体的には、通信インターフェース１４１は、各装置から各種のデータや情報を受信し、受信したデータや情報を処理回路１４５に出力する。例えば、通信インターフェース１４１は、ネットワークカードやネットワークアダプタ、ＮＩＣ（Network Interface Controller）等によって実現される。

記憶回路１４２は、処理回路１４５に接続されており、各種のデータや情報を記憶する。例えば、記憶回路１４２は、Ｘ線ＣＴ装置１１０から送信された３次元ＣＴ画像データ１１１、及びＩＶＵＳ撮影装置１２０から送信された複数の短軸断面画像データ１２１＿１～１２１＿Ｎ等を記憶する。また、記憶回路１４２は、処理回路１４５が読み出して実行することで各種機能を実現するための種々のプログラムを記憶する。例えば、記憶回路１４２は、フラッシュメモリ等の半導体メモリ素子や、ハードディスク、光ディスク等によって実現される。なお、記憶回路１４２は、記憶部の一例である。

入力インターフェース１４３は、処理回路１４５に接続されており、操作者から各種の指示及び情報の入力操作を受け付ける。具体的には、入力インターフェース１４３は、操作者から受け付けた入力操作を電気信号へ変換して処理回路１４５に出力する。例えば、入力インターフェース１４３は、トラックボール、スイッチボタン、マウス、キーボード、操作面へ触れることで入力操作を行うタッチパッド、表示画面とタッチパッドとが一体化されたタッチスクリーン、光学センサを用いた非接触入力回路、及び音声入力回路等によって実現される。なお、本明細書において、入力インターフェース１４３は、マウス、キーボード等の物理的な操作部品を備えるものだけに限られない。例えば、装置とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を処理回路１４５へ出力する電気信号の処理回路も入力インターフェース１４３の例に含まれる。

ディスプレイ１４４は、処理回路１４５に接続されており、各種の情報及び画像を表示する。具体的には、ディスプレイ１４４は、処理回路１４５から送られる情報及び画像のデータを表示用の電気信号に変換して出力する。例えば、ディスプレイ１４４は、液晶モニタやＣＲＴ（Cathode Ray Tube）モニタ、タッチパネル等によって実現される。

処理回路１４５は、入力インターフェース１４３を介して操作者から受け付けた入力操作に応じて、医用画像処理装置１４０の動作を制御する。例えば、処理回路１４５は、プロセッサによって実現される。

以上、本実施形態に係る医用画像処理システム１の構成について説明した。例えば、本実施形態に係る医用画像処理システム１に含まれる医用画像処理装置１４０は、病院や医院等の医療機関に設置され、医療機関に入院又は通院する患者等を被検体として、Ｘ線ＣＴ装置１１０によって生成されるＣＴ画像データを用いた各種の画像診断に利用される。本実施形形態に係る医用画像処理装置１４０は、非侵襲的に得られたＣＴ画像データから、精度良く血管に関する情報が描出された短軸断面画像データに相当する画像データを推測することができるように、以下に説明する各種の処理を実行する。

以下、本実施形態に係る医用画像処理装置１４０の詳細について説明する。図１に示すように、医用画像処理装置１４０の処理回路１４５は、制御機能１４５ａ、取得機能１４５ｂ、学習用データセット生成機能１４５ｃ、学習済みモデル生成機能１４５ｄ、推定機能１４５ｅ及び出力機能１４５ｆを実行する。制御機能１４５ａは、制御部の一例である。取得機能１４５ｂは、取得部の一例である。学習用データセット生成機能１４５ｃは、第２の生成部の一例である。学習済みモデル生成機能１４５ｄは、第１の生成部の一例である。推定機能１４５ｅは、出力部の一例である。

制御機能１４５ａは、入力インターフェース１４３を介して入力された各種要求に応じた処理を実行するように医用画像処理装置１４０の各インターフェース１４１，１４３、記憶回路１４２、ディスプレイ１４４、各機能１４５ｂ～１４５ｆを制御する。例えば、制御機能１４５ａは、通信インターフェース１４１を介した各種データ及び各種情報の送受信、記憶回路１４２へのデータ及び情報の格納、ディスプレイ１４４に対する各種画像の表示等を制御する。

例えば、制御機能１４５ａは、Ｘ線ＣＴ装置１１０から送信された３次元ＣＴ画像データ１１１を記憶回路１４２に格納する。また、制御機能１４５ａは、ＩＶＵＳ撮影装置１２０から送信された短軸断面画像データ１２１＿１～１２１＿Ｎを記憶回路１４２に格納する。

取得機能１４５ｂは、各種のデータを取得する。例えば、取得機能１４５ｂは、記憶回路１４２に記憶された３次元ＣＴ画像データ１１１を取得する。また、取得機能１４５ｂは、記憶回路１４２に記憶された短軸断面画像データ１２１＿１～１２１＿Ｎを取得する。ここで、本実施形態では、３次元ＣＴ画像データ１１１描出されている冠動脈と、短軸断面画像データ１２１＿１～１２１＿Ｎに描出されている冠動脈とは、同一の被検体の冠動脈である。

学習用データセット生成機能１４５ｃは、後述する学習済みモデルを生成する際に用いられる学習用データのセットを生成する。例えば、学習用データセット生成機能１４５ｃは、取得機能１４５ｂにより取得された３次元ＣＴ画像データ１１１と短軸断面画像データ１２１＿１～１２１＿Ｎとの位置合わせを行った上で、学習用データのセットを生成する。

学習用データセット生成機能１４５ｃにより実行される処理について、具体例を挙げて説明する。例えば、学習用データセット生成機能１４５ｃは、まず、短軸断面画像データ１２１＿１～１２１＿Ｎの中から、分岐箇所を含む短軸断面画像を示す短軸断面画像データ１２１＿Ｋを特定する。このような短軸断面画像データを特定する方法としては、例えば、短軸断面画像データ１２１＿１～１２１＿Ｎの中から、ランドマークの種類「分岐箇所」が付加された短軸画像データを特定する方法が挙げられる。

図５は、第１の実施形態に係る学習用データセット生成機能が実行する処理の一例を説明するための図である。学習用データセット生成機能１４５ｃは、図５に示すように、短軸断面画像データ１２１＿Ｋにおける２つの血管１２３ａ，１２３ｂの中心を、ＩＶＵＳ撮影装置１２０の画像座標系（３次元座標系）における原点Ｏ（０，０，０）とする。以下の説明では、ＩＶＵＳ撮影装置１２０の画像座標系をＩＶＵＳ座標系と称する。

また、学習用データセット生成機能１４５ｃは、短軸断面画像データ１２１＿１～１２１＿Ｎから得られる、ＩＶＵＳ座標系における冠動脈の３次元形状を推定する。例えば、学習用データセット生成機能１４５ｃは、短軸断面画像データ１２１＿１～１２１＿Ｎのそれぞれに描出された外壁１２２＿１を繋げることにより、ＩＶＵＳ座標系における冠動脈の外壁の３次元形状を推定する。また、学習用データセット生成機能１４５ｃは、短軸断面画像データ１２１＿１～１２１＿Ｎのそれぞれに描出された内壁１２２＿２を繋げることにより、ＩＶＵＳ座標系における冠動脈の内壁の３次元形状を推定する。また、学習用データセット生成機能１４５ｃは、短軸断面画像データ１２１＿１～１２１＿Ｎのそれぞれに描出されたプラーク１２２＿３を繋げることにより、ＩＶＵＳ座標系における冠動脈内のプラークの３次元形状を推定する。また、学習用データセット生成機能１４５ｃは、短軸断面画像データ１２１＿１～１２１＿Ｎのそれぞれに描出されたカルシウム１２２＿４を繋げることにより、ＩＶＵＳ座標系における冠動脈内のカルシウムの３次元形状を推定する。

そして、学習用データセット生成機能１４５ｃは、原点Ｏを基準としたＩＶＵＳ座標系において、短軸断面画像データ１２１＿１～１２１＿Ｎのそれぞれについて、短軸断面画像データに描出された冠動脈の断面の中心位置を算出する。例えば、学習用データセット生成機能１４５ｃは、短軸断面画像データ１２１＿１～１２１＿Ｎのそれぞれについて、短軸断面画像データに付加された移動距離に基づいて、３次元形状の冠動脈内の位置を算出する。

例えば、図５に示すように、学習用データセット生成機能１４５ｃは、短軸断面画像データ１２１＿１については、冠動脈の断面の中心位置（ｘ１，ｙ１，ｚ１）を算出する。また、学習用データセット生成機能１４５ｃは、短軸断面画像データ１２１＿Ｎについては、冠動脈の断面の中心位置（ｘＮ，ｙＮ，ｚＮ）を算出する。なお、短軸断面画像データ１２１＿Ｋについては、冠動脈の断面の中心位置は、原点Ｏ（０，０，０）である。このようにして、学習用データセット生成機能１４５ｃは、短軸断面画像データ１２１＿１～１２１＿Ｎのそれぞれについて、ＩＶＵＳ座標系における冠動脈の断面の中心位置を算出する。以下の説明では、短軸断面画像データ１２１＿１～１２１＿Ｎのそれぞれについて算出された冠動脈の断面の中心位置を、中心位置（ｘ１，ｙ１，ｚ１）～（ｘＮ，ｙＮ，ｚＮ）のそれぞれとする。

そして、学習用データセット生成機能１４５ｃは、３次元ＣＴ画像データ１１１に含まれる冠動脈１１１ａ及び冠動脈１１１ａの芯線を抽出する。

そして、術者は、ランドマークとして冠動脈１１１ａの分岐箇所を特定する。本実施形態における冠動脈１１１ａの分岐箇所を特定する方法の一例について説明する。例えば、学習用データセット生成機能１４５ｃは、冠動脈１１１ａの芯線上の複数の位置のそれぞれにおいて、芯線と交差する断面を示すＭＰＲ（multi planar reconstruction）画像データを生成する。このようにして、学習用データセット生成機能１４５ｃは、冠動脈１１１ａの短軸断面を示すＭＰＲ画像データを芯線上の複数の位置において生成する。そして、制御機能１４５ａは、ディスプレイ１４４に、複数のＭＰＲ画像データが示す複数の短軸断面画像（ＭＰＲ画像）を表示させる。このような短軸断面画像を術者が確認することにより、術者は、冠動脈１１１ａの分岐箇所及び分岐の方向を特定する。

詳細な処理の説明を行うと、学習用データセット生成機能１４５ｃにより生成されたＭＰＲ画像データは、制御機能１４５ａにより、一旦、記憶回路１４２に格納される。そして、取得機能１４５ｂは、記憶回路１４２に記憶されたＭＰＲ画像データを取得する。そして、制御機能１４５ａは、取得機能１４５ｂにより取得されたＭＰＲ画像データが示す短軸断面画像（ＭＰＲ画像）をディスプレイ１４４に表示させる。このようなＭＰＲ画像データは、被検体の外部から撮影されることにより得られた被検体の血管に関するデータであり、第１の空間情報の一例である。

そして、術者は、入力インターフェース１４３を介して、３次元ＣＴ画像データ１１１における分岐箇所の位置と、ランドマークの種類「分岐箇所」と、分岐の方向とを処理回路１４５に入力する。なお、３次元ＣＴ画像データ１１１における分岐箇所の位置、及び、分岐の方向は、Ｘ線ＣＴ装置１１０の画像座標系（３次元座標系）における位置である。以下の説明では、Ｘ線ＣＴ装置１１０の画像座標系をＣＴ座標系と称する。これにより、学習用データセット生成機能１４５ｃは、３次元ＣＴ画像データ１１１における分岐箇所の位置と、分岐の方向と、ランドマークの種類「分岐箇所」とを対応付けた対応情報を生成し、生成した対応情報を記憶回路１４２に格納する。

図６は、第１の実施形態に係る学習用データセット生成機能が実行する処理の一例を説明するための図である。学習用データセット生成機能１４５ｃは、記憶回路１４２から対応情報を読み出し、対応情報が示す３次元ＣＴ画像データ１１１における分岐箇所の位置を、図６に示すように、ＣＴ座標系における原点Ｏ（０，０，０）に設定する。

そして、学習用データセット生成機能１４５ｃは、短軸断面画像データ１２１＿１～１２１＿Ｎと３次元ＣＴ画像データ１１１との位置合わせを行う。例えば、学習用データセット生成機能１４５ｃは、ＩＶＵＳ座標系における原点ＯとＣＴ座標系における原点Ｏとが一致し、かつ、分岐の方向１２５と対応情報が示す分岐の方向とが一致するように、３次元ＣＴ画像データ１１１及び短軸断面画像データ１２１＿１～１２１＿Ｎの少なくとも一方を、回転及び変形させることにより、位置合わせを行う。

すなわち、学習用データセット生成機能１４５ｃは、３次元ＣＴ画像データ１１１における血管の分岐箇所（第１のランドマーク）の位置と、複数の短軸断面画像データ１２１＿１～１２１＿Ｎのうちのいずれかの短軸断面画像データにおける第１のランドマークに対応する血管の分岐箇所（第２のランドマーク）の位置とが一致し、かつ、第１のランドマークの向きと第２のランドマークの向きとが一致するように、位置合わせを行う。

なお、仮に、例えば、学習用データセット生成機能１４５ｃが、第１のランドマークの位置と第２のランドマークの位置とを一致させずに、単純に、第１のランドマークの向きと第２のランドマークの向きとが一致するように位置合わせを行う場合について説明する。この場合には、学習用データセット生成機能１４５ｃは、２つの画像（３次元ＣＴ画像データ１１１が示す３次元ＣＴ画像及び短軸断面画像データ１２１＿１～１２１＿Ｎが示す短軸断面画像）の方向を合わせることができる。しかしながら、この場合、学習用データセット生成機能１４５ｃは、２つの画像の縮尺を合わせることができない。また、この場合において、更に、２つの画像のうちの一方の画像に対して他方の画像が奥側又は手前側の方向に回転している場合について説明する。この場合には、学習用データセット生成機能１４５ｃは、見かけ上の第１のランドマークの向きと第２のランドマークの向きとを一致させても、３次元的に、２つの画像の向きが合わない。

一方、第１の実施形態に係る学習用データセット生成機能１４５ｃは、上述したように、第１のランドマークの位置と、第２のランドマークの位置とが一致し、かつ、第１のランドマークの向きと第２のランドマークの向きとが一致するように、位置合わせを行う。このため、第１の実施形態に係る医用画像処理装置１４０によれば、３次元的に、精度良く２つの画像の位置合わせを行うことができる。

位置合わせが行われることで、３次元ＣＴ画像データ１１１及び短軸断面画像データ１２１＿１～１２１＿Ｎの座標系が、共通の３次元座標系となる。例えば、位置合わせにおいて、３次元ＣＴ画像データ１１１及び短軸断面画像データ１２１＿１～１２１＿Ｎのうち、短軸断面画像データ１２１＿１～１２１＿Ｎが回転及び変形した場合について説明する。この場合には、位置合わせによって、ＩＶＵＳ座標系における冠動脈の断面の中心位置（ｘ１，ｙ１，ｚ１）～（ｘＮ，ｙＮ，ｚＮ）は、ＣＴ座標系における冠動脈の断面の中心位置（ｘ１´，ｙ１´，ｚ１´）～（ｘＮ´，ｙＮ´，ｚＮ´）に変更される。図７は、第１の実施形態に係る位置合わせの一例を説明するための図である。短軸断面画像データ１２１＿１～１２１＿Ｎが回転及び変形した場合には、位置合わせにおいて、図７に示すように、短軸断面画像データ１２１＿Ｋは、分岐の方向１２５と対応情報が示す分岐の方向とが一致するように回転される。

図８は、第１の実施形態に係る位置合わせの一例を説明するための図である。そして、学習用データセット生成機能１４５ｃは、位置合わせを行った上で、図８に示すように、３次元ＣＴ画像データ１１１及び短軸断面画像データ１２１＿１～１２１＿Ｎとの対応付け（マッチング）を行う。

例えば、位置合わせにおいて、３次元ＣＴ画像データ１１１及び短軸断面画像データ１２１＿１～１２１＿Ｎのうち、短軸断面画像データ１２１＿１～１２１＿Ｎが回転及び変形した場合について説明する。この場合には、学習用データセット生成機能１４５ｃは、ＣＴ座標系において、冠動脈の断面の中心位置が（ｘ１´，ｙ１´，ｚ１´）となるように、３次元ＣＴ画像データ１１１上に短軸断面画像データ１２１＿１を対応付ける。同様に、学習用データセット生成機能１４５ｃは、ＣＴ座標系において、冠動脈の断面の中心位置が（ｘ２´，ｙ２´，ｚ２´）～（ｘＮ´，ｙＮ´，ｚＮ´）のそれぞれとなるように、３次元ＣＴ画像データ１１１上に短軸断面画像データ１２１＿２～１２１＿Ｎのそれぞれを対応付ける。

このような対応付けを行った上で、学習用データセット生成機能１４５ｃは、３次元ＣＴ画像データ１１１から、短軸断面画像データ１２１＿１～１２１＿Ｎのそれぞれが示す断面のＭＰＲ画像データを生成する。ここで、短軸断面画像データ１２１＿Ｌ（１≦Ｌ≦Ｎ）が示す断面のＭＰＲ画像データを、ＭＰＲ画像データ１１２＿Ｌと表記する。すなわち、学習用データセット生成機能１４５ｃは、図９に示すように、短軸断面画像データ１２１＿１に対応する３次元ＣＴ画像データ１１１のＭＰＲ画像データ１１２＿１を生成する。図９に示すように、ＭＰＲ画像データ１１２＿１には、冠動脈の外壁１１３＿１及び内壁１１３＿２、並びに、冠動脈内のプラーク１１３＿３及びカルシウム１１３＿４等の血管に関する情報が描出されている。しかしながら、ＭＰＲ画像データ１１２＿１に描出されている血管に関する情報の精度は、短軸断面画像データ１２１＿１に描出されている血管に関する情報の精度よりも低い。

同様に、学習用データセット生成機能１４５ｃは、短軸断面画像データ１２１＿２～１２１＿Ｎのそれぞれに対応するＭＰＲ画像データ１１２＿２～１１２＿Ｎのそれぞれを生成する。このようにして、学習用データセット生成機能１４５ｃは、学習用データのセットとして、短軸断面画像データ１２１＿ＬとＭＰＲ画像データ１１２＿Ｌの組をＮ個分生成する。なお、図９は、第１の実施形態に係る学習用データセット生成機能が実行する処理の一例を説明するための図である。

上述したように、学習用データセット生成機能１４５ｃは、複数の短軸断面画像データ１２１＿１～１２１＿Ｎと、ＭＰＲ画像データ１１２＿１～１１２＿Ｎの元となる３次元ＣＴ画像データ１１１との位置合わせを行う。そして、学習用データセット生成機能１４５ｃは、位置合わせが行われた３次元ＣＴ画像データ１１１から複数のＭＰＲ画像データ１１２＿１～１１２＿Ｎを生成する。複数のＭＰＲ画像データ１１２＿１～１１２＿Ｎのそれぞれは、複数の短軸断面画像データ１２１＿１～１２１＿Ｎのそれぞれに対応する。３次元ＣＴ画像データ１１１は、３次元の空間情報である。３次元ＣＴ画像データ１１１は、第４の空間情報の一例である。

図１の説明に戻り、学習済みモデル生成機能１４５ｄは、学習済みモデルを生成する学習時の処理を実行する。また、推定機能１４５ｅは、学習済みモデルを利用して、３次元ＣＴ画像データから得られる冠動脈の短軸断面を示すＭＰＲ画像データから、ＩＶＵＳ撮影装置１２０により生成された短軸断面画像データに相当する画像データを推定し、推定した画像データを出力する運用時の処理を実行する。

図１０は、第１の実施形態に係る学習時の処理及び運用時の処理の一例を説明するための図である。図１０に示すように、学習時には、学習済みモデル生成機能１４５ｄは、ＭＰＲ画像データ１１２＿Ｌと短軸断面画像データ１２１＿Ｌとの関係を学習することによって、学習済みモデルを生成する。この学習済みモデルは、３次元ＣＴ画像データに対してＭＰＲ処理を施すことにより得られる血管の短軸断面を示すＭＰＲ画像データ１１４に基づいて、ＩＶＵＳ撮影装置１２０により生成された短軸断面画像データに相当する画像データ１２７を推定し、推定した画像データ１２７を出力する。

すなわち、学習済みモデル生成機能１４５ｄは、ＭＰＲ画像データ１１２＿Ｌと短軸断面画像データ１２１＿Ｌとを対応付けて学習することにより、学習済みモデルを生成する。学習済みモデルは、ＭＰＲ画像データ１１４の入力を受けて、短軸断面画像データに相当する画像データ１２７を出力する。画像データ１２７は、第３の空間情報の一例である。

例えば、学習済みモデル生成機能１４５ｄは、短軸断面画像データ１２１＿ＬとＭＰＲ画像データ１１２＿Ｌの組を学習用データ（教師データ）として機械学習エンジンに入力することによって、機械学習を行う。

ここで、機械学習エンジンは、例えば、入力された短軸断面画像データ１２１＿Ｌ及びＭＰＲ画像データ１１２＿Ｌに基づいて、記憶回路１４２のデータベースを参照し、画像相関や画像特徴量の比較を行うことで、臨床に最適な短軸断面画像データに相当する画像データを決定する。例えば、機械学習エンジンは、ディープラーニング（Deep Learning）や、ニューラルネットワーク（Neural Network）、ロジスティック（Logistic）回帰分析、非線形判別分析、サポートベクターマシン（Support Vector Machine：ＳＶＭ）、ランダムフォレスト（Random Forest）、ナイーブベイズ（Naive Bayes）等の各種のアルゴリズムを用いて、臨床に最適な短軸断面画像データに相当する画像データを決定する。

このような機械学習の結果として、学習済みモデル生成機能１４５ｄは、ＭＰＲ画像データ１１４の入力に対して、血管に関する情報が精度良く描出された短軸断面画像データに相当する画像データ１２７を出力する学習済みモデルを生成する。そして、学習済みモデル生成機能１４５ｄは、生成した学習済みモデルを記憶回路１４２に記憶させる。なお、このとき、学習済みモデル生成機能１４５ｄは、以前に作成した学習済みモデルが既に記憶回路１４２に記憶されていた場合には、新しく作成した学習済みモデルで、記憶されている学習済みモデルを置き換える。

次に、運用時の処理の一例について説明する。例えば、運用時において、Ｘ線ＣＴ装置１１０は、造影剤が投与された被検体の心臓の冠動脈を含む３次元領域を撮影することにより、冠動脈が描出された３次元ＣＴ画像データを生成する。そして、Ｘ線ＣＴ装置１１０は、３次元ＣＴ画像データを端末装置１３０及び医用画像処理装置１４０に送信する。

そして、制御機能１４５ａは、Ｘ線ＣＴ装置１１０から送信された３次元ＣＴ画像データを記憶回路１４２に格納する。そして、取得機能１４５ｂは、記憶回路１４２に記憶された３次元ＣＴ画像データを取得する。

そして、推定機能１４５ｅは、取得機能１４５ｂにより取得された３次元ＣＴ画像データに含まれる冠動脈及び冠動脈の芯線を抽出する。そして、推定機能１４５ｅは、芯線上の複数の位置のそれぞれにおいて、３次元ＣＴ画像データから、芯線と交差する断面を示すＭＰＲ画像データ１１４を生成する。このようにして、推定機能１４５ｅは、冠動脈の短軸断面を示すＭＰＲ画像データ１１４を芯線上の複数の位置において生成する。そして、推定機能１４５ｅは、図１０に示すように、複数のＭＰＲ画像データ１１４のそれぞれを、記憶回路１４２に記憶されている学習済みモデルに入力することで、ＩＶＵＳ撮影装置１２０により生成された短軸断面画像データに相当する画像データ１２７を、入力されたＭＰＲ画像データ１１４毎に推定し、出力する。

詳細な処理の説明を行うと、推定機能１４５ｅにより生成されたＭＰＲ画像データ１１４は、制御機能１４５ａにより、一旦、記憶回路１４２に格納される。そして、取得機能１４５ｂは、記憶回路１４２に記憶されたＭＰＲ画像データ１１４を取得する。ＭＰＲ画像データ１１４は、被検体の外部から撮影されることにより得られた被検体の血管に関するデータであり、第１の空間情報の一例である。そして、推定機能１４５ｅは、ＭＰＲ画像データ１１４を学習済みモデルに入力することで、ＩＶＵＳ撮影装置１２０により生成された短軸断面画像データに相当する画像データ１２７を推定する。

本実施形態では、上述したように、芯線上の複数の位置に対応する複数の画像データ１２７が推定される。すなわち、推定機能１４５ｅは、学習済みモデルに対して、位置が異なる複数のＭＰＲ画像データ１１４のそれぞれを入力することで、位置が異なる複数の短軸断面画像データのそれぞれに相当する複数の画像データのそれぞれを出力する。

図１１は、第１の実施形態に係る学習済みモデルにより推定された画像データの一例を示す図である。図１１には、学習済みモデルにより推定された画像データ１２７＿１が示されている。画像データ１２７＿１は、ＩＶＵＳ撮影装置１２０により生成された短軸断面画像データに相当する画像データである。このため、図１１に示すように、画像データ１２７＿１には、冠動脈の外壁１２８＿１及び内壁１２８＿２が精度良く描出されている。また、画像データ１２７＿１には、プラーク１２８＿３及びカルシウム１２８＿４も精度良く描出されている。

したがって、本実施形態に係る医用画像処理装置１４０によれば、非侵襲的に得られたＣＴ画像データから、精度良く血管に関する情報が描出された短軸断面画像データに相当する画像データを得ることができる。

図１の説明に戻り、出力機能１４５ｆは、各種の情報を出力するように制御する。例えば、出力機能１４５ｆは、学習済みモデルにより推定された画像データ１２７が示す画像をディスプレイ１４４に表示させる。

以上、医用画像処理装置１４０の処理回路１４５が有する各処理機能について説明した。ここで、前述したように、処理回路１４５がプロセッサによって実現される場合には、処理回路１４５が有する各処理機能は、コンピュータによって実行可能なプログラムの形態で記憶回路１４２に記憶されている。そして、処理回路１４５は、記憶回路１４２から各プログラムを読み出して実行することで、各プログラムに対応する機能を実現する。換言すると、各プログラムを読み出した状態の処理回路１４５は、図１の処理回路１４５に示された各機能を有することとなる。なお、図１では、単一のプロセッサによって各処理機能が実現されるものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路を構成し、各プロセッサがプログラムを実行することにより機能を実現するものとしても構わない。また、処理回路１４５が有する処理機能は、単一又は複数の処理回路に適宜に分散又は統合されて実現されてもよい。また、図１に示す例では、単一の記憶回路１４２が各処理機能に対応するプログラムを記憶するものとして説明したが、複数の記憶回路を分散して配置して、処理回路が個別の記憶回路から対応するプログラムを読み出す構成としても構わない。

次に、医用画像処理装置１４０による処理の手順を説明する。図１２は、第１の実施形態に係る医用画像処理装置による学習時の処理の手順を示すフローチャートである。例えば、学習時の処理は、入力インターフェース１４３を介して、操作者が学習済みモデルを生成するための指示を処理回路１４５に入力した場合に実行される。

ここで、図１２におけるステップＳ１０１，Ｓ１０２は、処理回路１４５が記憶回路１４２から取得機能１４５ｂに対応するプログラムを呼び出して実行することにより、実現されるステップである。また、図１２におけるステップＳ１０３は、処理回路１４５が記憶回路１４２から学習用データセット生成機能１４５ｃに対応するプログラムを呼び出して実行することにより、実現されるステップである。また、図１２におけるステップＳ１０４，Ｓ１０５は、処理回路１４５が記憶回路１４２から学習済みモデル生成機能１４５ｄに対応するプログラムを呼び出して実行することにより、実現されるステップである。

図１２に示すように、取得機能１４５ｂは、記憶回路１４２に記憶された３次元ＣＴ画像データ１１１を取得する（ステップＳ１０１）。また、取得機能１４５ｂは、記憶回路１４２に記憶された短軸断面画像データ１２１＿１～１２１＿Ｎを取得する（ステップＳ１０２）。

学習用データセット生成機能１４５ｃは、３次元ＣＴ画像データ１１１と短軸断面画像データ１２１＿１～１２１＿Ｎとの位置合わせを行った上で、学習用データのセットとして短軸断面画像データ１２１＿ＬとＭＰＲ画像データ１１２＿Ｌの組をＮ個生成する（ステップＳ１０３）。

その後、学習済みモデル生成機能１４５ｄは、ＭＰＲ画像データ１１２＿Ｌと短軸断面画像データ１２１＿Ｌとの関係を学習することによって、学習済みモデルを生成する（ステップＳ１０４）。そして、学習済みモデル生成機能１４５ｄは、生成した学習済みモデルを記憶回路１４２に格納し（ステップＳ１０５）、学習時の処理を終了する。

図１３は、本実施形態に係る医用画像処理装置による運用時の処理の手順を示すフローチャートである。例えば、運用時の処理は、入力インターフェース１４３を介して、操作者が、３次元ＣＴ画像データに基づいて、精度良く血管に関する情報が描出された短軸断面画像データに相当する画像データを推定させる指示を処理回路１４５に入力した場合に実行される。

ここで、図１３におけるステップＳ２０１，Ｓ２０２は、処理回路１４５が記憶回路１４２から推定機能１４５ｅに対応するプログラムを呼び出して実行することにより、実現されるステップである。また、図１３におけるステップＳ２０３は、処理回路１４５が記憶回路１４２から出力機能１４５ｆに対応するプログラムを呼び出して実行することにより、実現されるステップである。

図１３に示すように、推定機能１４５ｅは、冠動脈の短軸断面を示すＭＰＲ画像データ１１４を芯線上の複数の位置において生成する（ステップＳ２０１）。そして、推定機能１４５ｅは、複数のＭＰＲ画像データ１１４のそれぞれを、学習済みモデルに入力することで、ＩＶＵＳ撮影装置１２０により生成された短軸断面画像データに相当する画像データ１２７を、入力されたＭＰＲ画像データ毎に推定する（ステップＳ２０２）。

そして、出力機能１４５ｆは、画像データ１２７が示す画像をディスプレイ１４４に表示させ（ステップＳ２０３）、運用時の処理を終了する。

上述したように、第１の実施形態に係る医用画像処理装置１４０によれば、非侵襲的に得られたＣＴ画像データから、精度良く血管に関する情報が描出された短軸断面画像データに相当する画像データを得ることができる。

（第２の実施形態）
上述した第１の実施形態では、学習済みモデル生成機能１４５ｄが、ＭＰＲ画像データ１１２＿Ｌと短軸断面画像データ１２１＿Ｌとの組を学習用データとして機械学習エンジンに入力することによって、機械学習を行う場合について説明した。しかしながら、学習済みモデル生成機能１４５ｄは、ＭＰＲ画像データ１１２＿Ｌと、短軸断面画像データ１２１＿Ｌから得られる血管の輪郭を示す輪郭画像データとの組を学習用データとして機械学習エンジンに入力することによって、機械学習を行ってもよい。そこで、このような実施形態を第２の実施形態として説明する。以下では、上述した実施形態と異なる点を主に説明することとし、既に説明した内容と共通する点については詳細な説明を省略する。

図１４は、第２の実施形態に係る学習済みモデル生成機能が実行する処理の一例を説明するための図である。

例えば、まず、学習済みモデル生成機能１４５ｄは、短軸断面画像データ１２１＿Ｌに対して、外壁１２２＿１の輪郭、内壁１２２＿２の輪郭、プラーク１２２＿３の輪郭、及び、カルシウム１２２＿４の輪郭を抽出するための画像処理を施す。そして、学習済みモデル生成機能１４５ｄは、画像処理の結果得られた外壁１２２＿１の輪郭、内壁１２２＿２の輪郭、プラーク１２２＿３の輪郭、及び、カルシウム１２２＿４の輪郭を用いて、輪郭画像データ２２１＿Ｌを生成する。輪郭画像データ２２１＿Ｌは、外壁１２２＿１の輪郭、内壁１２２＿２の輪郭、プラーク１２２＿３の輪郭、及び、カルシウム１２２＿４の輪郭を示す画像データである。例えば、図１４に示すように、学習済みモデル生成機能１４５ｄは、外壁の輪郭２２２＿１、内壁の輪郭２２２＿２、プラークの輪郭２２２＿３、及び、カルシウムの輪郭２２２＿４を示す輪郭画像データ２２１＿１を生成する。

輪郭画像データ２２１＿Ｌは、精度よく血管に関する情報が描出されたデータである。輪郭画像データ２２１＿Ｌは、血管の短軸断面を示す短軸断面画像データ１２１＿Ｌに基づいて得られた血管の輪郭を示すデータである。輪郭画像データ２２１＿Ｌは、第２の空間情報の一例である。

詳細な処理の説明を行うと、学習済みモデル生成機能１４５ｄにより生成された輪郭画像データ２２１＿Ｌは、制御機能１４５ａにより、一旦、記憶回路１４２に格納される。そして、取得機能１４５ｂは、記憶回路１４２に記憶された輪郭画像データ２２１＿Ｌを取得する。取得機能１４５ｂにより取得された輪郭画像データ２２１＿Ｌは、学習済みモデル生成機能１４５ｄにより学習済みモデルが生成される際に用いられる。

図１５は、第２の実施形態に係る学習時の処理及び運用時の処理の一例を説明するための図である。図１５に示すように、学習時には、学習済みモデル生成機能１４５ｄは、ＭＰＲ画像データ１１２＿Ｌと輪郭画像データ２２１＿Ｌとの関係を学習することによって、学習済みモデルを生成する。この学習済みモデルは、３次元ＣＴ画像データに対してＭＰＲ処理を施すことにより得られる血管の短軸断面を示すＭＰＲ画像データ１１４に基づいて、輪郭画像データに相当する画像データ２２３を推定し、推定した画像データ２２３を出力する。

すなわち、学習済みモデル生成機能１４５ｄは、ＭＰＲ画像データ１１２＿Ｌと輪郭画像データ２２１＿Ｌとを対応付けて学習することにより、学習済みモデルを生成する。学習済みモデルは、ＭＰＲ画像データ１１４の入力を受けて、精度よく血管に関する情報が描出された輪郭画像データに相当する画像データ２２３を出力する。画像データ２２３は、第３の空間情報の一例である。

例えば、学習済みモデル生成機能１４５ｄは、短軸断面画像データ１２１＿Ｌと輪郭画像データ２２１＿Ｌの組を学習用データ（教師データ）として機械学習エンジンに入力することによって、機械学習を行う。

このような機械学習の結果として、学習済みモデル生成機能１４５ｄは、ＭＰＲ画像データ１１４の入力に対して、血管に関する情報が精度良く描出された輪郭画像データに相当する画像データ２２３を出力する学習済みモデルを生成する。そして、学習済みモデル生成機能１４５ｄは、生成した学習済みモデルを記憶回路１４２に記憶させる。

次に、運用時の処理の一例について説明する。例えば、運用時において、Ｘ線ＣＴ装置１１０は、造影剤が投与された被検体の心臓の冠動脈を含む３次元領域を撮影することにより、冠動脈が描出された３次元ＣＴ画像データを生成する。そして、Ｘ線ＣＴ装置１１０は、３次元ＣＴ画像データを端末装置１３０及び医用画像処理装置１４０に送信する。

そして、制御機能１４５ａは、Ｘ線ＣＴ装置１１０から送信された３次元ＣＴ画像データを記憶回路１４２に格納する。そして、取得機能１４５ｂは、記憶回路１４２に記憶された３次元ＣＴ画像データを取得する。

そして、推定機能１４５ｅは、上述した第１の実施形態と同様の方法で、芯線上の複数の位置のそれぞれにおいて、３次元ＣＴ画像データから、芯線と交差する断面を示すＭＰＲ画像データ１１４を生成する。そして、推定機能１４５ｅは、図１５に示すように、複数のＭＰＲ画像データ１１４のそれぞれを、学習済みモデルに入力することで、輪郭画像データに相当する画像データ２２３を、入力されたＭＰＲ画像データ１１４毎に推定し、出力する。

本実施形態では、上述したように、芯線上の複数の位置に対応する複数の画像データ２２３が推定される。すなわち、推定機能１４５ｅは、学習済みモデルに対して、位置が異なる複数のＭＰＲ画像データ１１４のそれぞれを入力することで、位置が異なる複数の輪郭画像データのそれぞれに相当する複数の画像データ２２３のそれぞれを出力する。

図１６は、第２の実施形態に係る学習済みモデルにより推定された画像データの一例を示す図である。図１６には、学習済みモデルにより推定された画像データ２２３＿１が示されている。画像データ２２３＿１は、ＩＶＵＳ撮影装置１２０により生成された短軸断面画像データから得られた輪郭画像データに相当する画像データである。このため、図１６に示すように、画像データ２２３＿１には、冠動脈の外壁の輪郭２２４＿１及び内壁の輪郭２２４＿２が精度良く描出されている。また、画像データ２２３＿１には、プラークの輪郭２２４＿３及びカルシウムの輪郭２２４＿４も精度良く描出されている。

以上、第２の実施形態に係る医用画像処理装置１４０について説明した。第２の実施形態に係る医用画像処理装置１４０によれば、非侵襲的に得られたＣＴ画像データから、精度良く血管に関する情報が描出された輪郭画像データに相当する画像データを得ることができる。

（第３の実施形態）
上述した第２の実施形態では、学習済みモデル生成機能１４５ｄが、ＭＰＲ画像データ１１２＿Ｌと輪郭画像データ２２１＿Ｌとの組を学習用データとして機械学習エンジンに入力することによって、機械学習を行う場合について説明した。しかしながら、学習済みモデル生成機能１４５ｄは、ＭＰＲ画像データ１１２＿Ｌと、短軸断面画像データ１２１＿Ｌから得られる血管の径の値との組を学習用データとして機械学習エンジンに入力することによって、機械学習を行ってもよい。そこで、このような実施形態を第３の実施形態として説明する。以下では、上述した実施形態と異なる点を主に説明することとし、既に説明した内容と共通する点については詳細な説明を省略する。

図１７は、第３の実施形態に係る学習時の処理及び運用時の処理の一例を説明するための図である。

例えば、第３の実施形態では、学習済みモデル生成機能１４５ｄは、短軸断面画像データ１２１＿Ｌに対して、血管の外壁１２２＿１の径の値（外径）を計測するための画像処理を施す。そして、学習済みモデル生成機能１４５ｄは、画像処理の結果得られた外径２４０＿Ｌを用いて、学習済みモデルを生成する。

外径２４０＿Ｌは、血管の径の値を示す情報である。外径２４０＿Ｌは、血管の短軸断面を示す短軸断面画像データ１２１＿Ｌに基づいて得られた血管に関する情報である。外径２４０＿Ｌは、第２の空間情報の一例である。

詳細な処理の説明を行うと、学習済みモデル生成機能１４５ｄにより生成された外径２４０＿Ｌは、制御機能１４５ａにより、一旦、記憶回路１４２に格納される。そして、取得機能１４５ｂは、記憶回路１４２に記憶された外径２４０＿Ｌを取得する。取得機能１４５ｂにより取得された外径２４０＿Ｌは、学習済みモデル生成機能１４５ｄにより学習済みモデルが生成される際に用いられる。

図１７に示すように、学習時には、学習済みモデル生成機能１４５ｄは、ＭＰＲ画像データ１１２＿Ｌと外径２４０＿Ｌとの関係を学習することによって、学習済みモデルを生成する。この学習済みモデルは、３次元ＣＴ画像データに対してＭＰＲ処理を施すことにより得られる血管の短軸断面を示すＭＰＲ画像データ１１４に基づいて、血管の外径２４１を推定し、推定した血管の外径２４１を出力する。

すなわち、学習済みモデル生成機能１４５ｄは、ＭＰＲ画像データ１１２＿Ｌと外径２４０＿Ｌとを対応付けて学習することにより、学習済みモデルを生成する。学習済みモデルは、ＭＰＲ画像データ１１４の入力を受けて、血管に関する情報を示す血管の外径２４１を出力する。血管の外径２４１は、学習時に用いられた外径２４０＿Ｌに相当する空間情報であり、第３の空間情報の一例である。

例えば、学習済みモデル生成機能１４５ｄは、短軸断面画像データ１２１＿Ｌと外径２４０＿Ｌの組を学習用データ（教師データ）として機械学習エンジンに入力することによって、機械学習を行う。

このような機械学習の結果として、学習済みモデル生成機能１４５ｄは、ＭＰＲ画像データ１１４の入力に対して、外径２４０＿Ｌに相当する外径２４１を出力する学習済みモデルを生成する。そして、学習済みモデル生成機能１４５ｄは、生成した学習済みモデルを記憶回路１４２に記憶させる。

次に、運用時の処理の一例について説明する。例えば、運用時において、Ｘ線ＣＴ装置１１０は、造影剤が投与された被検体の心臓の冠動脈を含む３次元領域を撮影することにより、冠動脈が描出された３次元ＣＴ画像データを生成する。そして、Ｘ線ＣＴ装置１１０は、３次元ＣＴ画像データを端末装置１３０及び医用画像処理装置１４０に送信する。

そして、制御機能１４５ａは、Ｘ線ＣＴ装置１１０から送信された３次元ＣＴ画像データを記憶回路１４２に格納する。そして、取得機能１４５ｂは、記憶回路１４２に記憶された３次元ＣＴ画像データを取得する。

そして、推定機能１４５ｅは、上述した第１の実施形態と同様の方法で、芯線上の複数の位置のそれぞれにおいて、３次元ＣＴ画像データから、芯線と交差する断面を示すＭＰＲ画像データ１１４を生成する。そして、推定機能１４５ｅは、図１７に示すように、複数のＭＰＲ画像データ１１４のそれぞれを、学習済みモデルに入力することで、外径２４０＿Ｌに相当する外径２４１を、入力されたＭＰＲ画像データ１１４毎に推定し、出力する。

本実施形態では、上述したように、芯線上の複数の位置に対応する複数の外径２４１が推定される。すなわち、推定機能１４５ｅは、学習済みモデルに対して、位置が異なる複数のＭＰＲ画像データ１１４のそれぞれを入力することで、位置が異なる複数の外径２４０＿Ｌのそれぞれに相当する複数の外径２４１のそれぞれを出力する。

以上、第３の実施形態に係る医用画像処理装置１４０について説明した。第３の実施形態に係る医用画像処理装置１４０によれば、非侵襲的に得られたＣＴ画像データから、血管に関する情報を示す外径２４０＿Ｌに相当する外径２４１を得ることができる。

（第４の実施形態）
上述した第２の実施形態において、制御機能１４５ａが、推定された複数の画像データ２２３を用いて、３次元の血管の形状を推定してもよい。そして、制御機能１４５ａが、３次元ＣＴ画像データ１１１に、推定した３次元の血管の形状を重畳し、３次元の血管の形状が重畳された３次元ＣＴ画像データ１１１に基づく画像をディスプレイ１４４に表示させてもよい。そこで、このような実施形態を第４の実施形態として説明する。以下では、上述した実施形態と異なる点を主に説明することとし、既に説明した内容と共通する点については詳細な説明を省略する。

図１８は、第４の実施形態に係る制御機能が実行する処理の一例を説明するための図である。制御機能１４５ａは、推定された複数の画像データ２２３から得られる、冠動脈の３次元形状を推定する。例えば、図１８に示すように、制御機能１４５ａは、複数の画像データ２２３のそれぞれに描出された外壁の輪郭２２４＿１を繋げることにより、冠動脈３３０の外壁の３次元形状を推定する。なお、制御機能１４５ａは、複数の画像データ２２３のそれぞれに描出された内壁の輪郭２２４＿２を繋げることにより、冠動脈３３０の内壁の３次元形状を推定してもよい。また、制御機能１４５ａは、複数の画像データ２２３のそれぞれに描出されたプラークの輪郭２２４＿３を繋げることにより、冠動脈３３０内のプラークの３次元形状を推定してもよい。また、制御機能１４５ａは、複数の画像データ２２３のそれぞれに描出されたカルシウムの輪郭２２４＿４を繋げることにより、冠動脈３３０内のカルシウムの３次元形状を推定してもよい。なお、制御機能１４５ａは、冠動脈３３０の外壁及び内壁、並びに、冠動脈３３０内のプラーク及びカルシウムの少なくとも１つの３次元形状を推定すればよい。

そして、制御機能１４５ａは、形状が推定された冠動脈３３０を３次元ＣＴ画像データ１１１に重畳させる。そして、制御機能１４５ａは、冠動脈３３０が重畳された３次元ＣＴ画像データ１１１に対してボリュームレンダリング処理を施して、ボリュームレンダリング画像データを生成する。そして、制御機能１４５ａは、ボリュームレンダリング画像データが示すボリュームレンダリング画像をディスプレイ１４４に表示させる。すなわち、制御機能１４５ａは、冠動脈３３０が重畳された３次元ＣＴ画像データ１１１に基づく画像をディスプレイに表示させる。このような画像は、例えば、３次元ＣＴ画像データ１１１から抽出された冠動脈１１１ａに、画像データ２２３から得られる精度の良い冠動脈３３０が重畳された画像である。したがって、第４の実施形態によれば、互いに異なる種類の画像データから得られた冠動脈３３０及び冠動脈１１１ａを重畳させて表示することができる。

以上、第４の実施形態に係る医用画像処理装置１４０について説明した。第４の実施形態に係る医用画像処理装置１４０によれば、第２の実施形態と同様に、非侵襲的に得られたＣＴ画像データから、精度良く血管に関する情報が描出された輪郭画像データに相当する画像データを得ることができる。

（第５の実施形態）
上述した第４の実施形態では、制御機能１４５ａが、冠動脈３３０の外壁及び内壁、並びに、冠動脈３３０内のプラーク及びカルシウムの少なくとも１つの３次元形状を推定する場合について説明した。ここで、医用画像処理装置１４０は、冠動脈３３０の内壁の３次元形状が推定された場合には、各種の解析を行ってもよい。そこで、このような実施形態を第５の実施形態として説明する。以下では、上述した実施形態と異なる点を主に説明することとし、既に説明した内容と共通する点については詳細な説明を省略する。

図１９は、第５の実施形態に係る医用画像処理システムの構成例を示す図である。第５の実施形態に係る処理回路１４５は、解析機能１４５ｇを備える点が、図１に示す第１の実施形態に係る処理回路１４５と異なる。

処理回路１４５は、記憶回路１４２から、解析機能１４５ｇに対応するプログラムを読み出して実行することで、解析機能１４５ｇを実現する。

解析機能１４５ｇは、例えば、制御機能１４５ａにより推定された冠動脈３３０の内壁の３次元形状に基づいて、流体解析を行い、冠動脈３３０内の各種の流体パラメータを算出してもよい。

また、解析機能１４５ｇは、制御機能１４５ａにより推定された冠動脈３３０内のプラークの３次元形状に基づいて、冠動脈３３０内のプラークの位置を病変部位の位置として推定する。そして、解析機能１４５ｇは、推定した病変部位の位置を通る、冠動脈３３０の短軸断面を特定する。そして、解析機能１４５ｇは、３次元ＣＴ画像データ１１１から、特定した短軸断面を示すＭＰＲ画像データを生成する。そして、制御機能１４５ａは、生成したＭＰＲ画像データが示すＭＰＲ画像をディスプレイ１４４に表示させる。

なお、第５の実施形態において、推定機能１４５ｅは、解析機能１４５ｇにより生成されたＭＰＲ画像データを、学習済みモデルに入力することで、輪郭画像データに相当する画像データ２２３を推定してもよい。そして、制御機能１４５ａは、ＭＰＲ画像とともに、推定された画像データ２２３が示す画像をディスプレイ１４４に表示させてもよい。なお、制御機能１４５ａは、ＭＰＲ画像をディスプレイ１４４に表示させずに、推定された画像データ２２３が示す画像をディスプレイ１４４に表示させてもよい。すなわち、制御機能１４５ａは、ＭＰＲ画像、及び、推定された画像データ２２３が示す画像のうち、少なくとも１つをディスプレイ１４４に表示させればよい。ここで、ＭＰＲ画像、及び、画像データ２２３が示す画像は、冠動脈３３０の短軸断面であって、推定された病変部位の位置を通る短軸断面を示す画像である。これにより、病変部位の断面を操作者に把握させることができる。

以上、第５の実施形態に係る医用画像処理装置１４０について説明した。第５の実施形態に係る医用画像処理装置１４０によれば、第４の実施形態と同様に、非侵襲的に得られたＣＴ画像データから、精度良く血管に関する情報が描出された輪郭画像データに相当する画像データを得ることができる。

（第６の実施形態）
ここで、第１～第５の実施形態において、医用画像処理装置１４０が実行した処理と同様の処理をＸ線ＣＴ装置１１０が実行してもよい。そこで、このような実施形態を第６の実施形態として説明する。なお、第６の実施形態では、ＩＶＵＳ撮影装置１２０は、短軸断面画像データ１２１＿１～１２１＿Ｎを、端末装置１３０及び医用画像処理装置１４０に加えて、Ｘ線ＣＴ装置１１０にも送信する。

例えば、Ｘ線ＣＴ装置１１０は、架台装置、記憶回路及び処理回路を少なくとも備える。架台装置は、第１～第５の実施形態において説明したＭＰＲ画像データを収集する。架台装置は、収集部の一例である。

また、Ｘ線ＣＴ装置１１０の記憶回路は、医用画像処理装置１４０の記憶回路１４２に対応する。また、Ｘ線ＣＴ装置１１０の処理回路は、医用画像処理装置１４０の処理回路１４５に対応する。

Ｘ線ＣＴ装置１１０の処理回路は、例えば、プロセッサにより実現される。処理回路は、制御機能、取得機能、学習用データセット生成機能、学習済みモデル生成機能、推定機能、出力機能及び解析機能を備える。これらの制御機能、取得機能、学習用データセット生成機能、学習済みモデル生成機能、推定機能、出力機能及び解析機能のそれぞれの処理機能は、制御機能１４５ａ、取得機能１４５ｂ、学習用データセット生成機能１４５ｃ、学習済みモデル生成機能１４５ｄ、推定機能１４５ｅ、出力機能１４５ｆ及び解析機能１４５ｇのそれぞれに対応する。したがって、第６の実施形態に係るＸ線ＣＴ装置１１０は、第１～第５の実施形態において、医用画像処理装置１４０が実行した処理と同様の処理を実行することができる。よって、第６の実施形態に係るＸ線ＣＴ装置１１０は、非侵襲的に得られた空間情報から、精度良く血管に関する情報が描出された空間情報を得ることができる。

ここで、制御機能は、制御部の一例である。取得機能は、取得部の一例である。学習用データセット生成機能は、第２の生成部の一例である。学習済みモデル生成機能は、生成部及び第１の生成部の一例である。推定機能は、出力部の一例である。解析機能は、解析部の一例である。

以上、第６の実施形態に係るＸ線ＣＴ装置１１０について説明した。第６の実施形態に係るＸ線ＣＴ装置１１０によれば、上述したように、非侵襲的に得られた空間情報から、精度良く血管に関する情報が描出された空間情報を得ることができる。

なお、上述した説明で用いた「プロセッサ」という文言は、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、或いは、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ））等の回路を意味する。プロセッサは、記憶回路１４２に保存されたプログラムを読み出して実行することで、機能を実現する。なお、記憶回路１４２にプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むように構成しても構わない。この場合は、プロセッサは回路内に組み込まれたプログラムを読み出して実行することで機能を実現する。また、本実施形態のプロセッサは、単一の回路として構成される場合に限らず、複数の独立した回路を組み合わせて一つのプロセッサとして構成され、その機能を実現するようにしてもよい。

ここで、プロセッサによって実行されるプログラム（医用画像処理プログラム）は、ＲＯＭ（Read Only Memory）や記憶回路等に予め組み込まれて提供される。なお、このプログラムは、これらの装置にインストール可能な形式又は実行可能な形式のファイルでＣＤ（Compact Disk）－ＲＯＭ、ＦＤ（Flexible Disk）、ＣＤ－Ｒ（Recordable）、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記憶媒体に記録されて提供されてもよい。また、このプログラムは、インターネット等のネットワークに接続されたコンピュータ上に保存され、ネットワーク経由でダウンロードされることにより提供又は配布されてもよい。例えば、このプログラムは、上述した各機能部を含むモジュールで構成される。実際のハードウェアとしては、ＣＰＵが、ＲＯＭ等の記憶媒体からプログラムを読み出して実行することにより、各モジュールが主記憶装置上にロードされて、主記憶装置上に生成される。

以上説明した少なくとも１つの実施形態によれば、非侵襲的に得られた空間情報から、精度良く血管に関する情報が描出された空間情報を得ることができる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これらの実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これらの実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１ 医用画像処理システム
１４０ 医用画像処理装置
１４２ 記憶回路
１４５ 処理回路
１４５ａ 制御機能
１４５ｂ 取得機能
１４５ｃ 学習用データセット生成機能
１４５ｄ 学習済みモデル生成機能
１４５ｅ 推定機能
１４５ｆ 出力機能
１４５ｇ 解析機能

Claims (12)

1. 被検体の外部から撮影されることにより得られた被検体の血管に関する第１の空間情報と、前記被検体内に挿入されて前記被検体の前記血管腔内を情報化するデバイスにより得られた前記被検体の前記血管に関する第２の空間情報とを取得する取得部と、
   前記第１の空間情報と前記第２の空間情報とを対応付けて学習することにより、第１の空間情報の入力を受けて、第２の空間情報に相当する第３の空間情報を出力する学習済みモデルを生成する第１の生成部と、
   を備える、医用画像処理装置。
2. 前記取得部は、前記デバイスが複数の位置で前記血管腔内を情報化することにより得られる複数の前記第２の空間情報を取得し、
   前記医用画像処理装置は、前記複数の第２の空間情報と、前記第１の空間情報の元となる３次元の第４の空間情報との位置合わせを行い、位置合わせが行われた前記第４の空間情報から前記複数の第２の空間情報のそれぞれに対応する複数の前記第１の空間情報のそれぞれを生成する第２の生成部を備え、
   前記第１の生成部は、前記第２の生成部により生成された第１の空間情報と、当該第１の空間情報に対応する第２の空間情報とを対応付けて学習することにより、前記学習済みモデルを生成する、
   請求項１に記載の医用画像処理装置。
3. 前記第２の生成部は、前記第４の空間情報における第１のランドマークの位置と、前記複数の第２の空間情報のうちのいずれかの第２の空間情報における前記第１のランドマークに対応する第２のランドマークの位置とが一致し、かつ、前記第１のランドマークの向きと前記第２のランドマークの位置とが一致するように、前記第４の空間情報と前記複数の第２の画像情報との前記位置合わせを行う、
   請求項２に記載の医用画像処理装置。
4. 前記第２の生成部は、前記第１のランドマーク及び前記第２のランドマークとして前記血管が分岐している箇所を用いて、前記位置合わせを行う、
   請求項３に記載の医用画像処理装置。
5. 前記取得部は、前記第２の空間情報として、ＩＶＵＳ撮影装置又はＯＣＴ装置により生成され、かつ、前記血管の短軸断面を示す短軸断面画像データを取得する、請求項１～４のいずれか１つに記載の医用画像処理装置。
6. 前記取得部は、前記第２の空間情報として、ＩＶＵＳ撮影装置又はＯＣＴ装置により生成され、かつ、前記血管の短軸断面を示す短軸断面画像データに基づいて得られた前記血管の輪郭を示す輪郭画像データを取得する、請求項１～４のいずれか１つに記載の医用画像処理装置。
7. 前記取得部は、前記第２の空間情報として、ＩＶＵＳ撮影装置又はＯＣＴ装置により生成され、かつ、前記血管の短軸断面を示す短軸断面画像データに基づいて得られた前記血管の径を示す情報を取得する、請求項１～４のいずれか１つに記載の医用画像処理装置。
8. 前記学習済みモデルに対して、位置が異なる複数の前記第１の空間情報のそれぞれを入力することで、位置が異なる複数の前記輪郭画像データに相当する複数の前記第３の空間情報として複数の画像データを出力する出力部と、
   前記複数の画像データが示す血管の輪郭を繋げることで、前記血管の形状を推定し、形状が推定された前記血管を、前記第１の空間情報の元となる３次元の第４の空間情報に重畳させ、当該血管が重畳された前記第４の空間情報に基づく画像をディスプレイに表示させる制御部と、
   を備える、請求項６に記載の医用画像処理装置。
9. 前記制御部は、前記血管の輪郭として当該血管の内壁の輪郭を繋げることで、前記血管の内壁の形状を推定し、
   前記医用画像処理装置は、前記制御部により推定された前記内壁の形状に基づいて、流体解析を行う解析部を備える、
   請求項８に記載の医用画像処理装置。
10. 前記制御部は、更に、前記複数の画像データが示す前記血管内のプラークの輪郭を繋げることで、前記プラークの形状を推定し、
    前記医用画像処理装置は、前記制御部により推定された前記プラークの形状に基づいて、病変部位の位置を推定する解析部を備え、
    更に、前記制御部は、推定された前記病変部位の位置を通る断面を示す画像を前記ディスプレイに表示させる、
    請求項８に記載の医用画像処理装置。
11. 被検体の外部から撮影されることにより得られた被検体の血管に関する第１の空間情報を収集する収集部と、
    前記被検体内に挿入されて前記被検体の前記血管腔内を情報化するデバイスにより得られた前記被検体の前記血管に関する第２の空間情報を取得する取得部と、
    前記第１の空間情報と前記第２の空間情報とを対応付けて学習することにより、第１の空間情報の入力を受けて、第２の空間情報に相当する第３の空間情報を出力する学習済みモデルを生成する生成部と、
    を備える、Ｘ線ＣＴ装置。
12. 被検体の外部から撮影されることにより得られた被検体の血管に関する第１の空間情報と、前記被検体内に挿入されて前記被検体の前記血管腔内を情報化するデバイスにより得られた前記被検体の前記血管に関する第２の空間情報を取得し、
    前記第１の空間情報と前記第２の空間情報とを対応付けて学習することにより、第１の空間情報の入力を受けて、第２の空間情報に相当する第３の空間情報を出力する学習済みモデルを生成する、
    ことを含む、医用画像処理方法。

Images