CN116741352A - 医用数据处理装置、磁共振成像装置及学习完毕模型生成方法 - Google Patents

医用数据处理装置、磁共振成像装置及学习完毕模型生成方法 Download PDF

Info

Publication number
CN116741352A
CN116741352A CN202310728132.5A CN202310728132A CN116741352A CN 116741352 A CN116741352 A CN 116741352A CN 202310728132 A CN202310728132 A CN 202310728132A CN 116741352 A CN116741352 A CN 116741352A
Authority
CN
China
Prior art keywords
data
image
medical
medical data
input
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.)
Pending
Application number
CN202310728132.5A
Other languages
English (en)
Inventor
竹岛秀则
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Canon Medical Systems Corp
Original Assignee
Canon Medical Systems Corp
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 Canon Medical Systems Corp filed Critical Canon Medical Systems Corp
Publication of CN116741352A publication Critical patent/CN116741352A/zh
Pending legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • 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
    • A61B6/42—Arrangements for detecting radiation specially adapted for radiation diagnosis
    • A61B6/4208—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector
    • A61B6/4241—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector using energy resolving detectors, e.g. photon counting
    • 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/543—Control of the operation of the MR system, e.g. setting of acquisition parameters prior to or during MR data acquisition, dynamic shimming, use of one or more scout images for scan plane prescription
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5602—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by filtering or weighting based on different relaxation times within the sample, e.g. T1 weighting using an inversion pulse
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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
    • A61B5/0035—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 adapted for acquisition of images from more than one imaging mode, e.g. combining MRI and optical tomography
    • 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
    • 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]
    • A61B6/037—Emission tomography
    • 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
    • A61B6/42—Arrangements for detecting radiation specially adapted for radiation diagnosis
    • A61B6/4291—Arrangements for detecting radiation specially adapted for radiation diagnosis the detector being combined with a grid or grating
    • 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
    • A61B6/4417—Constructional features of apparatus for radiation diagnosis related to combined acquisition of different diagnostic modalities
    • 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
    • A61B6/48—Diagnostic techniques
    • A61B6/482—Diagnostic techniques involving multiple energy imaging
    • 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
    • A61B6/48—Diagnostic techniques
    • A61B6/486—Diagnostic techniques involving generating temporal series of image data
    • A61B6/487—Diagnostic techniques involving generating temporal series of image data involving fluoroscopy
    • 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
    • A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/48—Diagnostic techniques
    • A61B8/488—Diagnostic techniques involving Doppler signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B8/00—Diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/52—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves
    • A61B8/5207—Devices using data or image processing specially adapted for diagnosis using ultrasonic, sonic or infrasonic waves involving processing of raw data to produce diagnostic data, e.g. for generating an image
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4808—Multimodal MR, e.g. MR combined with positron emission tomography [PET], MR combined with ultrasound or MR combined with computed tomography [CT]
    • G01R33/481—MR combined with positron emission tomography [PET] or single photon emission computed tomography [SPECT]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/483—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy
    • G01R33/4833—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy using spatially selective excitation of the volume of interest, e.g. selecting non-orthogonal or inclined slices
    • G01R33/4835—NMR imaging systems with selection of signals or spectra from particular regions of the volume, e.g. in vivo spectroscopy using spatially selective excitation of the volume of interest, e.g. selecting non-orthogonal or inclined slices of multiple slices
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/561—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution by reduction of the scanning time, i.e. fast acquiring systems, e.g. using echo-planar pulse sequences
    • G01R33/5615—Echo train techniques involving acquiring plural, differently encoded, echo signals after one RF excitation, e.g. using gradient refocusing in echo planar imaging [EPI], RF refocusing in rapid acquisition with relaxation enhancement [RARE] or using both RF and gradient refocusing in gradient and spin echo imaging [GRASE]
    • G01R33/5616—Echo train techniques involving acquiring plural, differently encoded, echo signals after one RF excitation, e.g. using gradient refocusing in echo planar imaging [EPI], RF refocusing in rapid acquisition with relaxation enhancement [RARE] or using both RF and gradient refocusing in gradient and spin echo imaging [GRASE] using gradient refocusing, e.g. EPI
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/563—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution of moving material, e.g. flow contrast angiography
    • G01R33/56341—Diffusion imaging
    • 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
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • 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
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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
    • G06T2207/10104—Positron emission tomography [PET]
    • 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
    • G06T2207/10108—Single photon emission computed tomography [SPECT]
    • 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
    • G06T2207/10132—Ultrasound image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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
    • G06T2207/30004—Biomedical image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Public Health (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Signal Processing (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Optics & Photonics (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

医用数据处理装置具有存储部和处理部。存储部存储具有输入层、输出层及设于上述输入层与上述输出层之间的至少一个中间层的学习完毕模型，该输入层输入第一MR数据、及与上述第一MR数据为同一拍摄对象并且与不同于上述第一MR数据的成像参数有关的第二MR数据，输出层输出将上述第一MR数据的缺失部分复原而得到的第三MR数据。处理部，按照上述学习完毕模型，根据与被检体有关的处理对象的第一MR数据、及与上述被检体有关并且通过与上述处理对象的第一MR数据不同的成像参数所收集到的第二MR数据，生成与上述被检体有关的第三MR数据。

Description

医用数据处理装置、磁共振成像装置及学习完毕模型生成 方法
本申请是本申请人于2018年11月6日提交的中国专利申请号为201880003369.4、发明名称为“医用数据处理装置、磁共振成像装置及学习完毕模型生成方法”这一发明专利申请的分案申请。
技术领域
本发明的实施方式涉及医用数据处理装置、磁共振成像装置及学习完毕模型生成方法。
背景技术
在使用了医用图像数据及其原数据等的医用数据的机器学习中，有为了根据一部分已缺失的医用数据复原出原来的数据，而应用根据很多的学习数据进行学习而得到的深度神经网络(DNN：Deep Neural Network)的方法。例如，在磁共振成像(MRI：MagneticResonance Imaging)中，有如下方法：对欠采样得到的k空间数据应用DNN而生成缺失部分已被复原的k空间数据，并基于复原后的k空间数据，获得复原图像。
现有技术文献
非专利文献
非专利文献1：Yann LeCun，其他2名，“Deep learning”，Nature Vol 521，2015年5月28日
非专利文献2：Jo Schlemper，其他4名，“A Deep Cascade of ConvolutionalNeural Networks for MR Image Reconstruction”arXiv:1703.00555v1[cs.CV],2017年3月1日
发明内容
发明解决的课题
发明解决的课题在于，提供能够提高医用数据的复原精度的医用数据处理装置。
用于解决课题的手段
实施方式所涉及的医用数据处理装置具备：存储部，存储具有输入层、输出层及设于上述输入层与上述输出层之间的至少一个中间层的学习完毕模型，该输入层输入第一MR数据、和与上述第一MR数据为同一拍摄对象并且与不同于上述第一MR数据的成像参数有关的第二MR数据，该输出层输出将上述第一MR数据的缺失部分复原而得到的第三MR数据；以及处理部，按照上述学习完毕模型，根据与被检体有关的处理对象的第一MR数据、和与上述被检体有关并且通过与上述处理对象的第一MR数据不同的成像参数收集到的第二MR数据，生成与上述被检体有关的第三MR数据。
实施方式所涉及的医用数据处理装置，具备：存储部，存储具有输入层、输出层及设于上述输入层与上述输出层之间的至少一个中间层的学习完毕模型，该输入层输入第一医用数据、和与上述第一医用数据为同一拍摄对象并且与不同于上述第一医用数据的成像参数有关的第二医用数据，该输出层输出将上述第一医用数据的缺失部分复原而得到的第三医用数据；以及处理部，按照上述学习完毕模型，根据与被检体有关的处理对象的第一医用数据、和与上述被检体有关并且通过与上述处理对象的第一医用数据不同的成像参数收集到的第二医用数据，生成与上述被检体有关的第三医用数据，上述第一医用数据是与X射线计算机断层摄影有关的第一CT数据或与PET摄影有关的第一PET数据，上述第二医用数据是与X射线计算机断层摄影有关的第二CT数据或与PET摄影有关的第二PET数据，上述第三医用数据是与X射线计算机断层摄影有关的第三CT数据或与PET摄影有关的第三PET数据。
实施方式所涉及的医用图像诊断装置，具备：存储部，存储具有输入层、输出层、及设于上述输入层与上述输出层之间的至少一个中间层的学习完毕模型，该输入层输入第一医用数据、及与上述第一医用数据为同一拍摄对象并且与不同于上述第一医用数据的拍摄参数成像参数有关的第二医用数据，该输出层输出将上述第一医用数据的缺失部分复原而得到的第三医用数据；收集部，对上述被检体实施拍摄，而收集与第一拍摄参数成像参数有关的第一医用数据及与不同于上述第一拍摄参数成像参数的第二拍摄参数成像参数有关的第二医用数据；以及处理部，按照上述学习完毕模型，根据所收集到的上述第一医用数据和所收集到的上述第二医用数据，生成与上述被检体有关的第三医用数据，上述第一医用数据是与X射线计算机断层摄影有关的第一CT数据或与PET摄影有关的第一PET数据，上述第二医用数据是与X射线计算机断层摄影有关的第二CT数据或与PET摄影有关的第二PET数据，上述第三医用数据是与X射线计算机断层摄影有关的第三CT数据或与PET摄影有关的第三PET数据。
实施方式所涉及的学习完毕模型生成方法，具备：对于将多个函数合成而得到的带参数合成函数，应用第一医用数据及与上述第一医用数据为同一摄影对象并且与不同于上述第一医用数据的拍摄参数成像参数有关的第二医用数据，生成估计输出数据的工序；以及以使上述估计输出数据与将上述第一医用数据的缺失部分复原而得到的正确输出数据近似的方式更新上述带参数合成函数的参数，由此生成学习完毕模型的工序。
发明的效果
能够提高医用数据的复原精度。
附图说明
图1是表示本实施方式所涉及的医用数据处理装置所属的医用数据处理系统的构成及处理的概要的图。
图2是表示本实施方式所涉及的多层化网络的构造的图。
图3是表示本实施方式所涉及的医用图像诊断装置的构成的图。
图4是表示本实施方式所涉及的学习完毕模型的输入与输出的组合的一例的图。
图5是表示本实施方式所涉及的学习完毕模型的输入与输出的组合的其他的例子的图。
图6是表示本实施方式所涉及的学习完毕模型的详细的构造的图。
图7是表示图3的医用数据处理装置进行的DNN复原处理的典型的流程的图。
图8是示意地表示本实施方式所涉及的正向传播处理中的学习完毕深度神经网络的输入与输出的关系的图。
图9是示意地表示本实施方式所涉及的正向传播处理中的学习完毕深度神经网络的输入与输出的关系的其他的图。
图10是示意地表示本实施方式所涉及的正向传播处理中的学习完毕深度神经网络的输入与输出的关系的其他的图。
图11是示意地表示本实施方式所涉及的正向传播处理中的学习完毕深度神经网络的输入与输出的关系的其他的图。
图12是示意地表示本实施方式所涉及的正向传播处理中的学习完毕深度神经网络的输入与输出的关系的其他的图。
图13是示意地表示本实施方式所涉及的正向传播处理中的学习完毕深度神经网络的输入与输出的关系的其他的图。
图14是表示本实施方式所涉及的其他的医用数据处理装置的构成的图。
图15是表示图1的模型学习装置的构成的图。
图16是表示图15的模型学习装置的处理电路按照模型学习程序执行的模型学习处理的典型的流程的图。
图17是表示应用例1所涉及的磁共振成像装置的构成的图。
图18是示意地表示图17的医用数据处理装置的处理的图。
图19是表示应用例2所涉及的X射线计算机断层摄影装置的构成的图。
图20是示意地表示图19的医用数据处理装置的处理的图。
图21是表示应用例3所涉及的PET/CT装置的构成的图。
图22是表示图21的医用数据处理装置的处理的典型的流程的图。
图23是示意地表示图21的医用数据处理装置的处理的图。
图24是表示应用例4所涉及的超声波诊断装置的构成的图。
图25是示意地表示图24的医用数据处理装置的处理的图。
图26是示意地表示实施例1所涉及的医用数据处理装置的处理的图。
图27是表示实施例1所涉及的DNN的概要的图。
图28是表示使用了仿真出的径向数据(每1帧21条辐条)的结果的图，是表示基于NUFFT+PI的重构图像的图。
图29是表示使用了仿真出的径向数据(每1帧21条辐条)的结果的图，是表示基于通常重构法(M＝N＝1)的重构图像的图。
图30是表示使用了仿真出的径向数据(每1帧21条辐条)的结果的图，是表示基于实施例所涉及的重构法(M＝5并且N＝3)的重构图像的图。
图31是表示使用了仿真出的径向数据(每1帧21条辐条)的结果的图，是表示真的重构图像的图。
图32是表示实际的星形数据栈(每1帧21条辐条)的结果的图，是表示基于NUFFT+PI的重构图像的图。
图33是表示实际的星形数据栈(每1帧21条辐条)的结果的图，是表示基于通常重构法(M＝N＝1)的重构图像的图。
图34是表示实际的星形数据栈(每1帧21条辐条)的结果的图，是表示基于实施例所涉及的重构法(M＝5并且N＝3)的重构图像的图。
图35是示意地表示实施例2中执行的稠密输入(dense input)的图。
图36是表示实施例2所涉及的利用了稠密输入的DNN重构的一例的图。
图37是表示实施例3所涉及的利用了稠密输入的DNN重构的一例的图。
具体实施方式
以下，参照附图，对本实施方式所涉及的医用数据处理装置、磁共振成像装置及学习完毕模型生成方法进行说明。
图1是表示本实施方式所涉及的医用数据处理装置1所属的医用数据处理系统100的构成及处理的概要的图。如图1所示那样，本实施方式所涉及的医用数据处理系统100，具有医用数据处理装置1、医用拍摄装置3、模型学习装置5及学习数据保管装置7。
学习数据保管装置7存储包括多个学习样本的学习数据。例如，学习数据保管装置7是内置有大容量存储装置的计算机。另外，学习数据保管装置7可以是经由线缆、通信网络以能够通信的方式连接于计算机的大容量存储装置。作为该存储装置，能够适当利用HDD(Hard Disk Drive)、SSD(Solid State Drive)、集成电路存储装置等。
模型学习装置5，基于存储于学习数据保管装置7的学习数据，按照模型学习程序，使机器学习模型进行机器学习，而生成学习完毕的机器学习模型(以下，称为学习完毕模型)。模型学习装置5是具有CPU(Central Processing Unit)及GPU(Graphics ProcessingUnit)等处理器的工作站等的计算机。模型学习装置5与学习数据保管装置7，既可以经由线缆或者通信网络以能够通信的方式连接，也可以是学习数据保管装置7被搭载于模型学习装置5。在此情况下，经由线缆或者通信网络等，从学习数据保管装置7对模型学习装置5供给学习数据。模型学习装置5与学习数据保管装置7也可以不是以能够通信的方式连接。在此情况下，经由存储有学习数据的移动式存储介质，从学习数据保管装置7对模型学习装置5供给学习数据。
本实施方式所涉及的机器学习模型为，将医用数据作为输入并输出将该医用数据的缺失部分复原而得到的医用数据的、合成多个函数而成的带参数合成函数。带参数合成函数通过多个能够调整的函数及参数的组合来定义。本实施方式所涉及的机器学习模型，可以是满足上述要求的任何的带参数合成函数，但设为是多层的网络模型(以下，称为多层化网络)。
医用拍摄装置3生成处理对象的医用数据。本实施方式所涉及的医用数据，在概念上包括通过医用拍摄装置3或者其他的医用拍摄装置对被检体实施医用拍摄而收集到的原数据、对该原数据实施复原处理而生成的医用图像数据。医用拍摄装置3只要能够生成医用数据既可，可以是任何图像设备(Modality)装置。例如，本实施方式所涉及的医用拍摄装置3，既可以是磁共振成像装置(MRI装置)、X射线计算机断层摄影装置(CT装置)、X射线诊断装置、PET(Positron Emission Tomography)装置、SPECT装置(Single Photon Emission CT)装置及超声波诊断装置等的单一图像设备装置，也可以是PET/CT装置、SPECT/CT装置、PET/MRI装置、SPECT/MRI装置等的复合图像设备装置。
医用数据处理装置1，使用通过模型学习装置5按照模型学习程序进行学习而得到的学习完毕模型，生成与通过医用拍摄装置3收集到的处理对象的输入医用数据对应的输出医用数据。医用数据处理装置1与模型学习装置5，既可以经由线缆或者通信网络以能够通信的方式连接，也可以是医用数据处理装置1与模型学习装置5安装于单一的计算机。在此情况下，经由线缆或者通信网络等，从模型学习装置5对医用数据处理装置1供给学习完毕模型。医用数据处理装置1与模型学习装置5，可以不是必须以能够通信的方式连接。在此情况下，经由存储有学习完毕模型的移动式存储介质等，从模型学习装置5对医用数据处理装置1供给学习完毕模型。学习完毕模型的供给，可以在从医用数据处理装置1的制造到向医用设施等的安装的期间的任意的时间点，也可以在维护时，还可以在任意的时间点进行。所供给的学习完毕模型，被存储在医用数据处理装置1中。另外，医用数据处理装置1，既可以是在搭载医用拍摄装置3的医用图像诊断装置中所搭载的计算机，也可以是经由线缆、网络等以能够通信的方式连接于该医用图像诊断装置的计算机，还可以是与该医用图像诊断装置独立的计算机。
以下，对于本实施方式所涉及的多层化网络的典型的构成进行说明。在此，所谓的多层化网络，是具有层状排列的仅邻接层间结合的构造，且信息从输入层侧向输出层侧单方向地传播的网络。本实施方式所涉及的多层化网络设为，如图2所示那样，包括输入层(l＝1)、中间层(l＝2，3，···，L－1)、输出层(l＝L)这L个层的网络。此外，以下对例子进行说明，多层化网络的构成不限定于以下的说明。
在将第l层中的单元数标记为I个，将对第l层的输入u(l)标记为式(1-1)，并将来自第l层的输出z(l)标记为式(l-2)时，对第l层的输入与来自第l层的输出的关系能够通过式(l-3)来表示。
【数式1】
u(l)＝(u1，u2，u3，.......，uI) (1-1)
z(l)＝(z1，z2，z3，.......，zI) (1-2)
z(l)＝f(u(l)) (1-3)
在此，右上的角标(l)表示层的编号。另外，式(1-3)中的f(u)是激活函数，根据目的能够选择logistic-sigmoid函数(logistic函数)、双曲正切函数、修正线性函数(ReLU：Rectified Liner Unit)、线性映射、恒等映射、最大输出函数等各种函数。
在将l+1层中的单元数标记为J个，将第l层与第l+1层之间的加权矩阵W(l+1)标记为式(2-1)，并将第l+1层中的偏置b(l+1)标记为式(2-2)时，对第l+1层的输入u(l+1)及来自第l+1层的输出z(l+1)分别能够通过式(2-3)、式(2-4)来表示。
【数式2】
b(l+1)＝(b1，b2，b3，......，bJ) (2-2)
u(l+1)＝W(l+1)z(l)+b(l+1) (2-3)
z(l+1)＝f(u(l+1)) (2-4)
在本实施方式所涉及的多层化网络中，在输入层(l＝1)，被输入用式(3-1)表现的医用数据。另外，在该输入层中，输入数据x原封不动成为输出数据z(l)，因此式(3-2)的关系成立。
【数式3】
x＝(x1，x2，x3，.......，xN) (3-1)
z(1)＝x (3-2)
在此，如果将对输入层输入的医用数据称为“输入医用数据”，则关于输入医用数据x，能够根据目的选择各种形式。以下，列举出几个典型例。
(1)将输入医用数据x规定为一个图像数据，并将各成分xp(p＝1，2，···，N)规定为构成该一个图像数据的每个位置的值(像素值或者语音元素值)的形式。
(2)将输入医用数据x设为M个图像数据(例如，拍摄条件彼此不同的多个图像数据)，并将各成分xp中的1≤p≤q设为第一个图像数据，将q+1≤p≤r设为第二个图像数据，将r+1≤p≤s设为第三个图像数据，···地、在输入层按每个图像数据分配输入单元的范围的形式。
(3)将输入医用数据x规定为M个图像数据，并将各成分xp规定为将一个图像数据的每个位置的值(像素值或者语音元素值)纵向排列而成的向量的形式。
(4)将输入医用数据x设为k空间数据、投影数据等的原数据(RAW数据)，并采用(1)～(3)等的形式。
(5)将输入医用数据x设为实施了卷积处理后的图像数据或者原数据，并采用(1)～(3)等的形式。
在接着输入层的中间层(l＝2，3，···，L-1)层中，依次执行按照式(2-3)、式(2-4)的计算，从而能够计算各层的输出z(2)，···z(L-1)。
将输出层(第L层)的输出z(L)标记为以下的式(4-1)那样。本实施方式所涉及的多层化网络为，对输入层输入的图像数据x，从输入层侧朝向输出层侧仅在邻接层间结合的同时进行传播的正向传播型网络。这种正向传播型网络能够表现为如式(4-2)那样的合成函数。
【数式4】
z(L)：y＝z(L) (4-1)
y(x)
＝f(u(L))
＝f(W(L)z(L-1)+b(L))
＝f(W(L)f(W(L-1)z(L-2)+b(L-1))+b(L))
＝f(W(L)f(W(L-1)f(.......f(W(l)z(l-1)+b(l))......))+b(L)) (4-2)
用式(4-2)定义的合成函数，被定义为根据式(2-3)、式(2-4)，并使用了加权矩阵W(l+1)的各层间的线性关系、使用了各层中的激活函数f(u(l+1))的非线性关系(或者线性关系)、偏置b(1+1)的组合。特别地，加权矩阵W(l+1)、偏置b(l+1)被称为网络的参数p。用式(4-2)定义的合成函数，根据如何选择参数p，来改变作为函数的形态。因此，本实施方式所涉及的多层化网络，能够通过适当选择构成式(4-2)的参数p，来定义为输出层能够输出优选的结果y的函数。
为了恰当选择参数p，执行使用了学习数据和误差函数的学习。在此，所谓的学习数据，在将对于输入xn的期望的输出(正确输出)设为dn时，是如式(5-1)那样表现的学习样本(xn，dn)的集合D(n＝1，···，S)。
【数式5】
(xn，dn) (5-1)
D＝{(x1，d1)，..........，(xS，dS)} (5-2)
另外，所谓的误差函数，是表示来自输入了xn的多层化网络的输出与学习数据dn的相近度的函数。作为误差函数的代表例，能够举出平方差函数、最大似然估计函数、交叉熵函数等。将怎样的函数选择为误差函数，依赖于多层化网络处理的问题(例如，回归问题、二值问题、多类别分类问题等)。
将误差函数标记为E(p)，将仅使用一个学习样本(xn，dn)计算的误差函数标记为En(p)。当前的参数p(t)，在按照梯度下降法的情况下，通过使用了误差函数E(p)的梯度向量的式(6-1)来更新为新的参数p(t+1)，在按照概率的梯度下降法的情况下，通过使用了误差函数En(p)的梯度向量的式(6-3)来更新为新的参数p(t+1)。
【数式6】
在此，ε是规定参数p的更新量的大小的学习系数。
根据式(6-1)或者式(6-3)，通过将当前的p向负的梯度方向稍微移动并逐次反复这样，从而能够决定使误差函数E(p)成为极小的参数p。
此外，为了计算式(6-1)或者式(6-3)，需要计算以式(6-2)表示的E(p)的梯度向量，或者以式(6-4)表示的En(p)的梯度向量。如果将误差函数是平方差函数的情况作为例子，则需要对于式(7-1)中所示的误差函数，以各层的权重系数和各单元的偏置进行微分。
【数式7】
另一方面，最终输出y是用式(4-2)表示的合成函数，所以E(p)或者En(p)的梯度向量的计算是复杂的，其计算量也变得庞大。
这种梯度计算中的不良，能够通过误差反向传播法来解决。例如，与将第l-1层的第i单元与第l层的第j单元相连的权重wji (l)有关的误差函数的微分，能够如以下的式(8-1)那样表示。
【数式8】
对l层的第j单元的输入uj (l)对En赋予的变化量，是仅通过来自该第j单元的输出zj (l)使对第l+1层的各单元k的各输入uk (l+1)变化的处理而产生的变化量。根据该处理，式(8－1)的右边第1项，能够使用微分的链式法则、如以下的式(9－1)那样表示。
【数式9】
在此，在将式(9－1)的左边设为δj (l)时，使用式(10－1)、式(10－2)的关系，式(9－1)能够改写为式(10－3)那样。
【数式10】
根据式(10－3)可知，左边的δj (l)能够根据δk (l+1)(k＝1，2，····)来计算。即，如果提供与在上一位的输出层侧存在的第l+1层的第k单元有关的δk (l+1)，则能够计算关于第l层的δj (l)。并且，关于与第l+1层的第k单元有关的δk (l+1)，只要提供与在其上一位的输出层侧存在的第l+2层的第k单元有关的δk (l+2)，就能够计算。能够逐次反复该处理直到溯及作为最上位层的输出层为止。
首先，如果取得与作为第L层的输出层的第k单元有关的δk (L)，则使用式(10－3)、朝向下位侧(即输入层侧)反复进行逐次计算(反向传播)，从而能够计算任意层中的δk (l+1)。
另一方面，关于式(8－1)的右边第2项，能够使用关于第l层以成分表现式(2－3)的式(11－1)，并如式(11－2)那样来计算。
【数式11】
因此，与将第l－1层的第i单元与第l层的第j单元相连的权重wji (l)有关的误差函数的微分，能够使用式(8－1)、基于式(10－3)的δj (l)、式(11－2)，如以下的式(12－1)那样表现。
【数式12】
根据式(12－1)可知，与将第l－1层的第i单元与第l层的第j单元相连的权重wji (l)有关的误差函数的微分，能够通过与第j单元有关的δj (l)与来自第i单元的输出即zi (l－1)之积来提供。此外，与δj (l)有关的计算，如上述那样，能够使用式(10－3)通过反向传播而求出，另外，反向传播的最初的值，即与第L层即输出层有关的δj (L)，能够如以下的式(13－1)那样计算。
【数式13】
通过以上的步骤，能够对于本实施方式所涉及的多层化网络，实现使用了某学习样本(xn，dn)的学习。此外，关于与相对于多个学习样本的误差的总和E＝ΣnEn有关的梯度向量，能够通过按每个学习样本(xn，dn)并列地反复上述的步骤，并计算以下的式(14－1)所示的和来取得。
【数式14】
以下，关于使用了本实施方式所涉及的多层化网络的医用数据处理系统100的详细进行说明。在以下的说明中设为，医用数据处理装置1与医用拍摄装置3连接，并与医用拍摄装置3一起装入到医用图像诊断装置中。
图3是表示本实施方式所涉及的医用图像诊断装置9的构成的图。如图3所示那样，医用图像诊断装置9包括医用数据处理装置1和医用拍摄装置3。如果举出一例，医用拍摄装置3对应于架台，医用数据处理装置1对应于与该架台连接的控制台。此外，医用数据处理装置1，既可以设置于医用图像诊断装置9的架台，也可以通过医用图像诊断装置9的既不是控制台也不是架台的别的构成要素来实现。作为该别的构成要素，例如举出医用图像诊断装置9为磁共振成像装置的情况下的、在机械室中所设置的、控制台以外的计算机或者专用的计算装置。
医用拍摄装置3，对于被检体，实施与该医用拍摄装置3的图像设备装置种类对应的拍摄原理的医用拍摄，并收集与该被检体有关的原数据。所收集到的原数据被传输至医用数据处理装置1。例如，关于原数据，在医用拍摄装置3为磁共振成像装置的情况下是k空间数据，在医用拍摄装置3为X射线计算机断层摄影装置的情况下是投影数据或者正弦图数据，在医用拍摄装置3为超声波诊断装置的情况下是回波数据，在医用拍摄装置3为PET装置的情况下为符合(coincidence)数据或者正弦图数据，在医用拍摄装置3为SPECT装置的情况下是投影数据或者正弦图数据。另外，在医用拍摄装置3为X射线诊断装置的情况下，原数据是X射线图像数据。
在医用拍摄装置3为磁共振成像装置的架台的情况下，该架台，反复进行在借助静磁场磁铁的静磁场的施加之下的、借助梯度磁场线圈的梯度磁场的施加和借助发送线圈的RF脉冲的施加。放出由于RF脉冲的施加而从被检体放出的MR信号。所放出的MR信号，通过接收线圈来接收。所接收到的MR信号，通过接收电路被实施A/D变换等的信号处理。A/D变换后的MR信号被称为k空间数据。k空间数据，作为原数据，被传输至医用数据处理装置1。
在医用拍摄装置3为X射线计算机断层摄影装置的架台的情况下，该架台，一边使X射线管和X射线检测器绕被检体旋转一边从X射线管对被检体照射X射线，并通过X射线检测器来检测透射被检体后的X射线。在X射线检测器中产生具有与所检测到的X射线的线量对应的峰值的电信号。该电信号，被数据收集电路实施A/D变换等的信号处理。A/D变换后的电信号被称为投影数据或者正弦图数据。投影数据或者正弦图数据，作为原数据被传输至医用数据处理装置1。
在医用拍摄装置3是超声波诊断装置的超声波探头的情况下，该超声波探头，从多个超声波振子对被检体体内发送超声波束，并经由超声波振子接收从被检体体内反射后的超声波。超声波振子产生具有与接收到的超声波的声压对应的峰值的电信号。该电信号被设置于超声波探头等的A/D变换器实施A/D变换。A/D变换后的电信号被称为回波数据。回波数据作为原数据，被传输至医用数据处理装置1。
在医用拍摄装置3为PET装置的架台的情况下，该架台，用同时计测电路同时计测伴随从在被检体内所蓄积的放射性同位素产生的正电子与在该放射性同位素的周围存在的电子的湮灭而产生的511keV的一对珈玛射线，而生成具有与一对的珈玛射线(LOR(LineOf Response))的能量值和检测位置有关的数字值的数字数据。该数字数据被称为符合数据或者正弦图数据。符合数据或者正弦图数据，作为原数据，被传输至医用数据处理装置1。
在医用拍摄装置3为X射线诊断装置的C形臂的情况下，该C形臂从设置于该C形臂的X射线管产生。通过设置于该C形臂或者独立于该C形臂而设置的FPD(Flat PanelDisplay)等的X射线检测器，接收从X射线管产生并透射被检体后的X射线。X射线检测器产生具有与所检测到的X射线的线量对应的峰值的电信号，并对该电信号实施A/D变换等的信号处理。A/D变换后的电信号被称为X射线图像数据。X射线图像数据作为原数据，被传输至医用数据处理装置1。
如图3所示那样，医用数据处理装置1，具有处理电路11、存储器13、输入接口15、通信接口17及显示器19，作为硬件资源。
处理电路11具有CPU、GPU等的处理器。该处理器通过使安装于存储器13等的程序启动，而执行拍摄控制功能111、通常复原功能112、输入选择功能113、正向传播功能114、图像处理功能115及显示控制功能116等。此外，各功能111～116不限于用单一的处理电路实现的情况。也可以设为将多个独立的处理器组合而构成处理电路，且各处理器执行程序从而实现各功能111～116的情况。
在拍摄控制功能111中，处理电路11按照拍摄条件，控制医用拍摄装置3，并对该被检体实施医用拍摄。本实施方式所涉及的拍摄条件，包括医用拍摄装置3的拍摄原理和各种成像参数。拍摄原理与医用拍摄装置3的种类、具体地为磁共振成像装置、X射线计算机断层摄影装置、PET装置、SPECT装置及超声波诊断装置对应。成像参数包括例如FOV(Field OfView)、拍摄部位、切片位置、帧(医用图像的时态)、时间分辨率、矩阵尺寸、造影剂的有无等。另外，在为磁共振成像的情况下，成像参数还包括例如拍摄序列的类别、TR(Time toRepeat)、TE(Echo Time)、FA(Flip Angle)等的参数、k空间填充轨迹的类别。在为X射线计算机断层摄影的情况下，成像参数还包括X射线条件(管电流、管电压及X射线曝光持续时间等)、扫描种类(非螺旋扫描、螺旋扫描、同步扫描等)、倾角、重构函数、旋转框的每一周的视图数、旋转速度及检测器空间分辨率等。在为超声波诊断的情况下，成像参数还包括焦点位置、增益、发送强度、接收强度、PRF、束扫描方式(扇形扫描、凸面扫描、线性扫描等)及扫描模式(B模式扫描、多普勒扫描、彩色多普勒扫描、M模式扫描、A模式扫描等)。
在通常复原功能112中，处理电路11，对从医用拍摄装置3传输的原数据实施通常的复原处理，将医用图像复原。本实施方式所涉及的通常的复原处理，包含从原数据向原数据的复原、从原数据向图像数据的复原、从图像数据向图像数据的复原中的任一复原。此外，从通过某坐标系定义的原数据向通过其他的坐标系定义的2维图像数据或者3维图像数据的复原处理，也被称为重构处理或者图像重构处理。本实施方式所涉及的通常的复原处理，指降噪式复原、数据误差反馈式复原等的、后述的DNN复原以外的复原处理。例如，作为本实施方式所涉及的通常的复原处理所涉及的图像重构，能够分类为解析学的图像重构和逐次近似图像重构。例如，作为MR图像重构所涉及的解析学的图像重构，有傅里叶变换或者傅里叶逆变换。作为CT图像重构所涉及的解析学的图像重构，有FBP(filtered backprojection)法、CBP(convolution back projection)法或者它们的应用。作为逐次近似图像重构，有EM(expectation maximization)法、ART(algebraic reconstructiontechnique)法或者它们的应用等。
在输入选择功能113中，处理电路11选择对学习完毕模型90的输入医用数据。本实施方式所涉及的输入医用数据，选择处理对象的输入医用数据(以下，称为处理对象输入数据)和用于辅助的输入医用数据(称为辅助输入数据)。作为处理对象输入数据，典型性地、选择产生数据缺失的复原对象的医用数据。本实施方式所涉及的数据缺失，是包括与被检体有关的、实际的医用数据相对于所期望的医用数据的任何差异在内的概念。例如，作为数据缺失，包括由通过各种原因产生的噪声引起的数据劣化、由通过投影数据、k空间数据的间隔剔除收集等得到的医用数据的采样点数的低下引起的数据欠缺、由在A/D变换的过程中产生的从连续值向离散值的变换引起的信息欠缺等。辅助输入数据为，将处理对象输入数据的缺失部分或者与该部分实质上近似的部分提供给学习完毕模型90，并对基于学习完毕模型90的处理对象输入数据的数据缺失部分的复原进行辅助所用的医用数据。为此，辅助输入数据设为，与和处理对象输入数据的被检体为同一被检体有关的医用数据，并且是通过不同的拍摄条件收集到的医用数据。处理对象输入图像与辅助输入图像所涉及的拍摄条件的差异情况，被设定为可视为辅助输入图像与处理对象输入图像实质上近似的程度。通过将辅助输入数据限定为与处理对象输入数据所涉及的被检体为同一被检体的医用数据，能够确保处理对象输出数据的精度及可靠性。辅助输入图像，是1组或者拍摄条件不同的多组医用图像。
在正向传播功能114中，处理电路11受理与被检体有关的处理对象输入数据的输入、及与和该被检体为同一被检体有关的、而且是通过不同于处理对象输入数据的拍摄条件所收集到的辅助输入数据的输入。然后，处理电路11，对处理对象输入数据和辅助输入数据应用学习完毕模型90，生成与处理对象输入数据对应的输出医用数据。输出医用数据是将处理对象输入数据中包含的数据缺失部分复原而得到的医用数据。换言之，学习完毕模型90，是以输入包括数据缺失的处理对象输入数据及补充该数据缺失的辅助输入数据并输出不包括该数据缺失的医用数据的方式学习了参数p的多层化网络。作为学习完毕模型90的输入与输出的组合，例如考虑图4及图5的形态。
图4是表示学习完毕模型90的输入与输出的组合的一例的图。例如，如图4所示那样，学习完毕模型90受理处理对象输入数据即处理对象输入图像的输入及辅助输入数据即辅助输入图像的输入。处理对象输入图像，是与处理对象的被检体有关的医用图像数据。辅助输入图像，是与和处理对象的被检体同一被检体有关的医用图像数据、而且是以不同于处理对象输入图像的拍摄条件拍摄到的医用图像数据。在此情况下，从学习完毕模型90，输出处理对象输出图像。处理对象输出图像，是将处理对象输入图像中包含的数据缺失部分复原而得到的、与该处理对象有关的医用图像数据。
图5是表示学习完毕模型90的输入与输出的组合的其他的例子的图。例如，如图5所示那样，学习完毕模型90受理处理对象输入数据即处理对象输入原数据的输入及辅助输入数据即辅助输入原数据的输入。处理对象输入原数据是与处理对象的被检体有关的原数据。辅助输入原数据是与和处理对象的被检体同一被检体有关的原数据、而且是在不同于处理对象输入原数据的拍摄条件下拍摄到的原数据。在此情况下，从学习完毕模型90，输出处理对象输出原数据。处理对象输出原数据，是将处理对象输入原数据中包含的数据缺失部分复原而得到的、与该处理对象有关的原数据。
此外，本实施方式所涉及的原数据，不仅仅限定于通过医用拍摄装置3收集到的原始的原数据。例如，本实施方式所涉及的原数据，可以是通过对通过通常复原功能112或者正向传播功能114所生成的医用图像实施正投影处理而生成的计算上的原数据。另外，本实施方式所涉及的原数据，也可以是对原始的原数据进行了数据压缩处理、析像度分解处理、数据插补处理、析像度合成处理等的任意的数据处理后的原数据。另外，本实施方式所涉及的原数据，在为3维的原数据的情况下，也可以是仅1轴或者仅2轴被进行了复原处理的复合数据。同样地，本实施方式所涉及的医用图像，不仅仅限于通过通常复原功能112或者正向传播功能114所生成的原始的医用图像。例如，本实施方式所涉及的医用图像也可以是对原始的医用图像进行了图像压缩处理、析像度分解处理、图像插补处理、析像度合成处理等的任意的图像处理后的医用图像。
在图像处理功能115中，处理电路11，对通过通常复原功能112所生成的医用图像、通过正向传播功能114所生成的处理对象输出图像等实施各种图像处理。例如，处理电路11实施体绘制、表面体绘制、像素值投影处理、MPR(Multi-Planer Reconstruction)处理、CPR(Curved MPR)处理等的3维图像处理。另外，处理电路11也可以进行对位处理作为图像处理。
在显示控制功能116中，处理电路11将各种信息显示于显示器19。例如，处理电路11显示通过通常复原功能112所生成的医用图像、通过正向传播功能114所生成的处理对象输出图像、通过图像处理功能115进行图像处理后的医用图像。另外，处理电路44也可以显示通过输入选择功能113所选择的处理对象输入数据及辅助输入数据。
存储器13是存储各种信息的ROM(Read Only Memory)、RAM(Random AccessMemory)、HDD(Hard Disk Drive)、SSD(Solid State Drive)、集成电路存储装置等的存储装置。存储器13例如存储通过模型学习装置5所生成的学习完毕模型。存储器13除了是上述存储装置以外，也可以是CD(Compact Disc)、DVD(Digital Versatile Disc)、闪存存储器等的移动式存储介质、或在其与半导体存储元件等之间读写各种信息的驱动装置。另外，存储器13可以位于经由网络连接于医用数据处理装置1的其他的计算机内。
输入接口15，受理来自用户的各种输入操作，并将所受理的输入操作变换为电信号后输出至处理电路11。具体地，输入接口15与鼠标、键盘、跟踪球、开关、按钮、操纵杆、触控板及触摸板显示器等的输入设备连接。输入接口15将与对该输入设备的输入操作对应的电信号向处理电路11输出。另外，与输入接口15连接的输入设备，也可以是在经由网络等连接的其他的计算机中设置的输入设备。
通信接口17是与医用拍摄装置3、模型学习装置5、学习数据保管装置7、其他的计算机之间进行数据通信所用的接口。
显示器19按照处理电路11的显示控制功能116，显示各种信息。例如，显示器19显示通过通常复原功能112所生成的医用图像、通过正向传播功能114所生成的处理对象输出图像、通过图像处理功能115进行图像处理后的医用图像。另外，显示器19输出用于受理来自用户的各种操作的GUI(Graphical User Interface)等。例如，作为显示器19，能够适当使用液晶显示器(LCD：Liquid Crystal Display)、CRT(Cathode Ray Tube)显示器、有机EL显示器(OELD：Organic Electro Luminescence Display)、等离子体显示器或者其他的任意的显示器。
以下，对医用数据处理装置1的处理进行说明。在以下的说明中，设为医用数据是医用图像。
图6是表示本实施方式所涉及的学习完毕模型90的详细的构造的图。如图6所示那样，本实施方式所涉及的学习完毕模型90具有输入层91、中间层93及输出层95。输入层91输入处理对象输入图像及辅助输入图像。处理对象输入图像与辅助输入图像，通过上述的输入形式(2)、(3)或者(5)来输入。例如，如图6所示那样，采用(2)的形式。在此情况下，处理对象输入图像与辅助输入图像的成分(像素值)，作为单一的输入向量92，被输入至输入层91。在此，在设为处理对象输入图像的像素数为q个，辅助输入图像的像素数为r个，且q+r＝N个时，在输入层91中设置有N个输入单元。输入层91被区分为处理对象输入图像所用的输入单元的范围(以下，称为处理对象范围)921及辅助输入图像所用的输入单元的范围(称为辅助范围)922。处理对象范围921，包括被输入处理对象输入图像的第p个像素值xp(1≤p≤q)的q个输入单元，辅助范围922包括被输入辅助输入图像的第p个像素值xp(1≤p≤r)的r个输入单元。
此外，在将处理对象输入原数据及辅助输入原数据输入到学习完毕模型90的情况下，处理对象输入原数据与辅助输入原数据的成分是数据值。
输出层95输出处理对象输出图像。处理对象输出图像以单一的输出向量96的方式从输出层95被输出。输出向量96包括多个成分y。各成分y是处理对象输出图像的各像素的像素值。输出层95的输出单元的范围961限定于单一的处理对象输出图像所用的范围。成分y的个数M未必限于被设定为与处理对象输入图像的像素数q为相同数量的情况。个数M与像素数q相比，既可以少，也可以多。
处理对象输入图像，始终被输入至处理对象范围921的输入单元，而不被输入至辅助范围922的输入单元。反之，辅助输入图像，始终被输入至辅助范围922的输入单元，而不被输入至处理对象范围921的输入单元。即，输入层91中的被输入处理对象输入图像及辅助输入图像的输入单元的位置，并不按基于学习完毕模型90的每个正向传播而不同，而始终固定。这是由于，学习完毕模型90，将被输入至处理对象范围921的图像识别为处理对象输入图像，将被输入至辅助范围922的图像识别为辅助输入图像。此外，输入层91中的被输入处理对象输入图像及辅助输入图像的输入单元的位置，根据在多层化网络的学习时被输入处理对象输入图像及辅助输入图像的位置来规定。即，在学习时、处理对象输入图像被输入至输入层91的前半的范围、且辅助输入图像被输入至输入层91的后半的范围的情况下，该前半的范围被设定为处理对象输入图像的输入位置，该后半的范围被设定为辅助输入图像的输入位置。
此外，在上述的说明中设为，处理对象输入图像所用的输入单元的处理对象范围921被设定于输入层91的前半，辅助输入图像所用的输入单元的辅助范围922被设定于输入层91的后半。但是，本实施方式不限定于此。也可以是，处理对象输入图像所用的输入单元的处理对象范围921被设定于输入层91的后半，辅助输入图像所用的输入单元的辅助范围922被设定于输入层91的前半。
辅助输入图像也可以是拍摄条件不同的2组以上的医用图像。在此情况下，处理对象输入图像和2个以上的辅助输入图像的成分，作为单一的输入向量92，被输入至输入层91。优选的是，2个以上的辅助输入图像所用的输入单元的范围也不是按每个正向传播而不同，而是始终被固定。例如，在从处理对象输入图像起、1秒后的帧有关的第一辅助输入图像所用的输入单元的范围为q～r，2秒后的帧有关的第二辅助输入图像所用的输入单元的范围为r+1～s的情况下，优选的是，1秒后的帧有关的第一辅助输入图像应当被输入至q～r的范围的输入，且不被输入至r+1～s的范围的输入单元。如果必要的话，1秒后的帧有关的第一辅助输入图像也可以被输入至r+1～s的范围的输入单元。
接下来，对本实施方式所涉及的医用数据处理装置1进行的动作例进行说明。在以下的说明中设为，本实施方式所涉及的多层化网络，是模拟生物的脑的神经电路的多层的网络模型即深度神经网络(DNN：Deep Neural Network)。医用数据处理装置1，基于通过医用拍摄装置3所收集到的原数据，执行DNN复原，生成与该被检体有关的医用图像数据。本实施方式所涉及的DNN复原，表示利用了学习完毕模型90即学习完毕DNN90的、从原数据向医用图像的复原方法。
作为本实施方式所涉及的DNN，可以是任意构造的DNN。例如，作为本实施方式所涉及的DNN，能够利用ResNet(Residual Network)、DenseNet(Dense ConvolutionalNetwork)、U-Net等。
图7是表示医用数据处理装置1进行的DNN复原处理的典型的流程的图。此外，设为，在图7的开始时，通过医用拍摄装置3来收集与被检体有关的处理对象原数据，并传输至医用数据处理装置1。处理对象原数据包含数据缺失。在通过用户经由输入设备等作出了DNN复原处理的开始指示时，处理电路11执行DNN复原程序，开始图7所示的处理。
如图7所示那样，处理电路11执行通常复原功能112(步骤SA1)。在步骤SA1中，处理电路11对处理对象原数据实施通常的重构处理，生成处理对象输入图像。处理对象原数据包含数据缺失，所以处理对象输入图像的画质并不良好。对处理对象原数据实施通常的复原处理所生成的处理对象输入图像也能够称为伪复原图像。
在进行了步骤SA1后，处理电路11执行输入选择功能113(步骤SA2)。在步骤SA2中，处理电路11选择处理对象输入图像和辅助输入图像。例如，处理电路11选择在步骤SA1中所生成的处理对象输入图像，作为输入图像。并且，处理电路11，选择处理对象输入图像所用的辅助输入图像，作为输入图像。辅助输入图像，可选择与和处理对象输入图像的被检体同一被检体有关的医用图像，并且是基于与处理对象输入图像的拍摄条件不同的拍摄条件所收集到的医用图像。处理电路11，既可以按照预先确定的规则，自动地选择辅助输入图像，也可以按照用户经由输入设备等的指示，手动地选择辅助输入图像。
辅助输入图像，可以根据使用的学习完毕DNN90的种类而选择。本实施方式所涉及的学习完毕DNN90，按照与处理对象输入图像的拍摄条件不同的辅助输入图像的每个拍摄条件而生成。例如，在使用将与处理对象输入图像不同的切片的医用图像作为辅助输入图像的学习完毕DNN90的情况下，处理电路11选择与处理对象医用图像不同的切片的医用图像作为辅助输入图像。例如，与处理对象输入图像的切片在物理上(空间上及/或时间上)接近的切片的医用图像，被选择为辅助输入图像。另外，在心电同步扫描的情况下，心相位与处理对象输入图像的切片相同或时间上相近的心相位的切片的医用图像被选择为辅助输入图像。辅助输入图像的候选被预先存储于存储器13。
选择的辅助输入图像的个数，既可以是1个，也可以是多个。选择的辅助输入图像的个数，被设定为在使用的DNN的学习时所输入的辅助输入图像的个数。即，在使用的DNN将1个医用图像作为辅助输入图像进行了学习的情况下，在DNN复原时，作为辅助输入图像，也选择1个医用图像。例如，在DNN的学习时输入了2个医用图像作为辅助输入图像的情况下，在DNN复原时，作为辅助输入图像，也选择2个医用图像。
也可以对选择对象的辅助输入图像施加其他的任意的制约。例如，处理电路11可以限定于与处理对象输入图像的FOV同一FOV的医用图像，选择为辅助输入图像。另外，处理电路11也可以将距处理对象输入图像的摄影日为规定日数(例如，2个月)以上之前的摄影日的医用图像，从辅助输入图像的候选中排除。
在进行了步骤SA2后，处理电路11执行正向传播功能114(步骤SA3)。在步骤SA3中，处理电路11从存储器13中读出使用的学习完毕DNN90。读出对象的学习完毕DNN90，可以经由输入设备通过用户来指定。并且，处理电路11，对在步骤SA2中所选择的处理对象输入图像和辅助输入图像，应用所读出的学习完毕DNN90，生成处理对象输出图像。例如，将处理对象输入图像及辅助输入图像作为式(3－2)的输入x，运算式(4－1)及式(4－2)，由此算出处理对象输出图像y。
学习完毕DNN90可以按照每个拍摄部位而生成，并存储于存储器13。通过按每个拍摄部位生成学习完毕DNN90，由此能够使处理对象输出图像的复原精度提高。处理电路11根据所选择的拍摄部位，切换学习完毕DNN90。拍摄部位可以在DNN复原处理的执行时，通过用户经由输入设备而选择。在此情况下，处理电路11从存储器13读出与所选择的拍摄部位建立关联的学习完毕DNN90。此外，在为了医用拍摄已经选择了拍摄部位的情况下，处理电路11可以从存储器13自动地读出与所选择的拍摄部位建立关联的学习完毕模型90。在医用拍摄装置3根据拍摄部位而使用不同的设备的情况下，可以自动地确定与该设备对应的拍摄部位，并从存储器13自动地读出与所确定的拍摄部位建立关联的学习完毕模型90。例如，在磁共振成像的情况下，头部线圈、腹部线圈等、使用的线圈的类别根据拍摄部位而不同。在此情况下，处理电路11根据线圈的识别符等确定与所使用的线圈的类别对应的拍摄部位，并从存储器13读出与所确定的拍摄部位建立关联的学习完毕模型90。
在进行了步骤SA3后，处理电路11执行显示控制功能116(步骤SA4)。在步骤SA4中，处理电路11将在步骤S3中所生成的处理对象输出图像显示于显示器19。
通过以上，结束图7所示的DNN复原处理的流程的说明。此外，上述的DNN复原处理的流程是一例，本实施方式所涉及的DNN复原处理的流程不限定于此。例如可以是，在医用数据处理装置1与医用图像诊断装置9独立的情况下，处理对象输入图像的候选和辅助输入图像的候选这两者预先被存储于存储器13，并从该候选之中选择处理对象输入图像和辅助输入图像。另外，既可以对原数据进行析像度分解、析像度合成等的前处理，也可以对处理对象输出图像进行体绘制、图像解析等的后处理。另外，处理电路11可以在步骤SA3的正向传播处理的前阶段使处理对象输入图像与辅助输入图像对位。另外，在使用的学习完毕DNN90的读出后，也可以选择处理对象输入图像和辅助输入图像。
此外，处理电路11可以对处理对象输出图像进行管理，以便用户能够知道处理对象输出图像是使用原数据以外的数据而生成的。例如，处理电路11按照DICOM(DigitalImaging and Communications in Medicine)标准进行管理的情况下，将处理对象输出图像与处理对象输入图像及辅助输入图像建立关联，由此将这3个图像作为单一的图像组进行管理。例如，在处理对象输出图像或者处理对象输入图像的图像文件中，将处理对象输出图像，保存处理对象输入图像和辅助输入图像。另外，也可以除了上述方法以外或者与上述方法一并地、处理电路11对处理对象输出图像的DICOM标签分配辅助输入图像的识别信息。通过这些方法，能够将处理对象输出图像使用该辅助输入图像而生成的证据保留于处理对象输出图像。另外，处理电路11也可以对处理对象输入图像的DICOM标签分配处理对象输出图像的识别信息。由此，能够使处理对象输出图像的存在变得明确。
接下来，对DNN复原处理的具体例进行说明。
如上所述，处理对象输入图像与辅助输入图像，涉及与同一被检体有关并且与不同的拍摄条件有关。拍摄条件通过拍摄原理及多种成像参数构成。成像参数被分类为共通参数和个别参数。共通参数是对于处理对象输入图像和辅助输入图像、设定为相同值的成像参数。个别参数是对于处理对象输入图像和辅助输入图像、设定为不同的值的成像参数。此外，对于处理对象输入图像和处理对象输出图像，共通参数和个别参数具有相同值。处理对象输入图像和处理对象输出图像，数据缺失量或者画质不同。即，处理对象输出图像与处理对象输入图像相比，数据缺失量少或者画质高。数据缺失量及画质能够根据图像SD等的画质参数来评价。
图8是示意地表示本实施方式所涉及的正向传播处理中的学习完毕DNN的输入与输出的关系的图。图8所示的学习完毕DNN，将切片位置与处理对象输入图像不同的医用图像，作为辅助输入图像输入。作为处理对象输出图像，输出与和处理对象输入图像同一切片位置有关的、将处理对象输入图像中包含的数据缺失部分复原而得到的医用图像。例如，如图8所示那样，处理对象输入图像的切片是位置sA，辅助输入图像的切片是不同于位置sA的位置sB，处理对象输出图像的切片是位置sA。位置sB相对于位置sA的距离及角度，不特别地限定，但可以是不是按照每个DNN复原而不同而是始终相同的值。在图8的情况下，个别参数是切片位置，共通参数是收集序列的类别、k空间填充轨迹的类别、时间分辨率等。
图9是示意地表示本实施方式所涉及的正向传播处理中的学习完毕DNN的输入与输出的关系的其他的图。图9所示的学习完毕DNN，输入帧与处理对象输入图像不同的医用图像，作为辅助输入图像。本实施方式所涉及的帧，对应于医用图像或者原数据的收集时刻。作为处理对象输出图像，输出与和处理对象输入图像同一帧有关、并将处理对象输入图像中包含的数据缺失部分复原而得到的医用图像。例如，如图9所示那样，处理对象输入图像的帧是时态tA，辅助输入图像的帧是时态tB，处理对象输出图像的帧是时态tA。时态tB相对于时态tA的时间差，不特别地限定，但优选不是按每个DNN复原而不同而是始终为同一值。在图9的情况下，个别参数是帧(收集时刻)，共通参数是切片位置、收集序列的类别、k空间填充轨迹的类别、时间分辨率等。
图10是示意地表示本实施方式所涉及的正向传播处理中的学习完毕DNN的输入与输出的关系的其他的图。图10所示的学习完毕DNN，输入切片位置和帧这两者与处理对象输入图像不同的医用图像，作为辅助输入图像。作为处理对象输出图像，输出与和处理对象输入图像同一切片位置及帧有关、并将处理对象输入图像中包含的数据缺失部分复原而得到的医用图像。例如，如图10所示那样，处理对象输入图像的切片在位置sA并且帧为时态tA，辅助输入图像的切片在位置sB并且帧为时态tB，处理对象输出图像的切片在位置sA并且帧为时态tA。在图10的情况下，个别参数是切片位置及帧中的任一方，共通参数是收集序列的类别、k空间填充轨迹的类别、时间分辨率等。此外，在选择多个图像作为辅助输入图像的情况下，对于多个辅助输入图像，既可以设定为切片位置及帧中的仅任一方不同的值，也可以设定为两方不同的值。
图11是示意地表示本实施方式所涉及的正向传播处理中的学习完毕DNN的输入与输出的关系的其他的图。图11所示的学习完毕DNN，作为辅助输入图像，磁共振成像中的k空间填充轨迹与处理对象输入图像不同。作为处理对象输出图像，输出k空间填充轨迹与处理对象输入图像相同、且将处理对象输入图像中包含的数据缺失部分复原而得到的医用图像。作为k空间填充轨迹，例如有笛卡尔(Cartesian)扫描、径向(Radial)扫描、PROPELLAR(Periodically Rotated Overlapping Parallel Lines with EnhancedReconstruction)、螺旋(Spinal)扫描、星形栈(Stack-of-Stars)。例如，如图11所示那样，处理对象输入图像的k空间填充轨迹是径向扫描，辅助输入图像的k空间填充轨迹是笛卡尔扫描，处理对象输出图像的k空间填充轨迹是径向扫描。此外，本实施方式所涉及的k空间填充轨迹也包含收集线的收集序列。本实施方式所涉及的收集线，对应于笛卡尔扫描中的相位编码步骤、径向扫描中的辐条。作为笛卡尔扫描的收集序列，有中心次序、序列次序。例如，处理对象输入图像的k空间填充轨迹可以是中心次序，辅助输入图像的k空间填充轨迹可以是序列次序。在图11的情况下，个别参数是k空间填充轨迹的类别，共通参数是收集序列的类别、切片位置等。
图12是示意地表示本实施方式所涉及的正向传播处理中的学习完毕DNN的输入与输出的关系的其他的图。图12所示的学习完毕DNN，输入磁共振成像中的收集序列与处理对象输入图像不同的医用图像，作为辅助输入图像。作为处理对象输出图像，输出与和处理对象输入图像同一收集序列有关的、且将处理对象输入图像中包含的数据缺失部分复原而得到的医用图像。作为本实施方式所涉及的收集序列，举出例如梯度回波(GRE：GradientEcho)序列、自旋回波(SE：Spin Echo)序列等的收集序列的种类。另外，对任一脉冲序列，既可以都插入反转恢复(IR：Inversion Recovery)脉冲、脂肪饱和脉冲等的预脉冲，也可以使用平面回波(EPI：Echo Planar Imaging)。另外，作为决定本实施方式所涉及的收集序列的原因，设为，不仅包括收集序列的种类，还包括反复时间TR、回波时间TE、纵向弛豫时间T1、横向弛豫时间T2、b值、倍速率等的收集序列的各种参数。例如，如图12所示那样，处理对象输入图像的收集序列是EPI收集，辅助输入图像的收集序列是T1W收集，处理对象输出图像的收集序列是EPI收集。在图12的情况下，个别参数是收集序列的类别，共通参数是k空间填充轨迹的类别、切片位置、时间分辨率等。
图13是示意地表示本实施方式所涉及的正向传播处理中的学习完毕DNN的输入与输出的关系的其他的图。图13所示的学习完毕DNN为，处理对象输入图像和2种辅助输入图像被输入至学习完毕DNN。作为处理对象输出图像，输出与和处理对象输入图像同一收集序列有关的、将处理对象输入图像中包含的数据缺失部分复原而得到的医用图像。2种辅助输入图像，收集序列分别与处理对象输入图像不同。例如，处理对象输入图像的收集序列是b值＝500的EPI收集，第一辅助输入图像的收集序列是b值＝0的EPI收集，第二辅助输入图像的收集序列是T1W收集。在此情况下，处理对象输出图像的收集序列是b值＝500的EPI收集。在图13的情况下，个别参数是收集序列的类别及b值中的任一方，共通参数是切片位置、k空间填充轨迹的类别、时间分辨率等。此外，在选择多个图像作为辅助输入图像的情况下，关于多个辅助输入图像，既可以设定为收集序列的类别及b值中的仅任一方不同的值，也可以设定为双方不同的值。
此外，上述的处理对象输入图像和辅助输入图像的类型是一例，本实施方式不限定于此。
例如，作为k空间填充轨迹不同的2个输入图像，举出以下的类型。作为处理对象输入图像，是通过随机欠采样(Random Under Sampling)所收集到的MR图像，作为辅助输入图像，是通过规律欠采样(Regular Under Sampling)所收集到的MR图像。规律欠采样是基于笛卡尔扫描的间隔剔除收集。随机欠采样也被称为伪径向扫描，是通过笛卡尔扫描虚拟地沿着径向的收集线收集k空间数据的方法。
此外，在上述实施方式中，设为，医用数据处理装置1是医用图像诊断装置9中包含的计算机。但是，本实施方式所涉及的医用数据处理装置不限定于此。
图14是表示本实施方式所涉及的其他的医用数据处理装置2的构成的图。医用数据处理装置2是正向传播功能114所用的专用的装置。医用数据处理装置2可以通过未包括在医用图像诊断装置9中的计算机来实现。另外，医用图像诊断装置2也可以通过包括或者未包括在医用图像诊断装置9中的、ASIC、FPGA等的集成电路来实现。以下，设为，医用数据处理装置2是ASIC。
如图14所示那样，医用数据处理装置2具有处理电路21、存储器23、输入接口25及输出接口27。处理电路21、存储器23、输入接口25及输出接口27通过总线而互相连接。
处理电路21是为了执行正向传播功能114而设计的电路元件或者逻辑电路的组合。处理电路21对经由输入接口25输入的处理对象输入图像和辅助输入图像应用学习完毕模型，生成处理对象输出图像，并经由输出接口27输出处理对象输出图像。
存储器23是ROM、RAM等的任意的存储信息的电路元件。例如，存储器23存储在正向传播功能114的执行时所获得的计算结果等。
输入接口25是对处理电路21的输入所用的接口。输入接口25例如将处理对象输入图像和辅助输入图像输入至处理电路21。处理对象输入图像和辅助输入图像，例如通过搭载于医用数据处理装置2的计算机来选择。
输出接口27是从处理电路21的输出所用的接口。输出接口27例如将从处理电路21输出的处理对象输出图像输出至计算机、网络或者存储装置等。
通过上述的构成，医用数据处理装置2能够通过医用图像诊断装置9中包含的计算机以外的方式来执行正向传播功能114。此外，图14的医用数据处理装置2的构成是一例，但不限定于此。例如，医用数据处理装置2也可以不具有存储器23。另外，处理电路21中可以搭载正向传播功能114以外的功能。
图15是表示模型学习装置5的构成的图。如图15所示那样，模型学习装置5具有处理电路51、存储器53、输入接口55、通信接口57及显示器59，作为硬件资源。
处理电路51具有CPU、GPU等的处理器。该处理器通过启动在存储器53等中安装的DNN复原程序，执行正向传播功能511、反向传播功能512、更新功能513、判定功能514及显示控制功能515等。此外，各功能511～515不限于用单一的处理电路实现的情况。也可以是将多个独立的处理器组合来构成处理电路，各处理器执行程序从而实现各功能511～515的情况。
在正向传播功能511中，处理电路51在多层化网络中将输入医用数据正向传播，并计算与输入医用数据对应的估计输出数据。
在反向传播功能512中，处理电路51在多层化网络中将误差反向传播，并计算梯度向量。误差被规定为通过正向传播功能511计算出的估计输出数据与正确输出数据的差分。
在更新功能513中，处理电路51基于通过反向传播功能512计算出的梯度向量，更新多层化网络的参数。具体地，处理电路51以使估计输出医用数据与正确输出医用数据近似的方式更新参数。
在判定功能514中，处理电路51判定是否满足学习处理的结束条件。结束条件能够由用户经由输入设备等来任意地设定。
在显示控制功能515中，处理电路51将学习数据、学习结果显示于显示器59。
存储器53是存储各种信息的、ROM、RAM、HDD、SSD、集成电路存储装置等的存储装置。存储器53例如存储多层化网络的学习所用的模型学习程序50。存储器53，除了是上述存储装置以外，也可以是CD、DVD、闪存存储器等的移动式存储介质、或与RAM等的半导体存储元件等之间读写各种信息的驱动装置。另外，存储器53可以处于经由网络连接于模型学习装置5的其他的计算机内。
输入接口5受理来自用户的各种输入操作，将所受理的输入操作变换为电信号并输出至处理电路51。具体地，输入接口15连接于鼠标、键盘、跟踪球、开关、按钮、操纵杆、触控板及触摸板显示器等的输入设备。输入接口55将与对该输入设备的输入操作对应的电信号向处理电路51输出。另外，与输入接口55连接的输入设备，可以是在经由网络等连接的其他的计算机中所设置的输入设备。
通信接口57，是在与医用数据处理装置1、医用拍摄装置3、学习数据保管装置7、其他的计算机之间进行数据通信所用的接口。
显示器59按照处理电路51的显示控制功能515，显示各种信息。例如，显示器59显示学习数据、学习结果。另外，显示器59输出用于受理来自用户的各种操作的GUI等。例如，作为显示器19，能够适当使用液晶显示器、CRT显示器、有机EL显示器、等离子体显示器或者其他的任意的显示器。
接下来，对模型学习装置5的处理电路51按照模型学习程序50执行的模型学习处理进行说明。图16是表示模型学习装置5的处理电路51按照模型学习程序50执行的模型学习处理的典型的流程的图。以由用户等输入了模型学习处理的开始指示为契机，处理电路51执行模型学习程序50，从而开始图16的处理。
首先，处理电路51执行正向传播功能511(步骤SB1)。在步骤SB1中，处理电路51输入包括多个学习样本的学习数据。学习数据从学习数据保管装置7供给。学习样本是主输入数据、辅助输入数据及正确输出数据的组合。主输入数据与辅助输入数据，是与同一被检体有关并通过不同的拍摄条件所收集到的医用数据。主输入数据对应于处理对象输入数据。正确输出数据是输入主输入数据并从DNN输出的优选的输出数据(正确输出或训练数据)。
如上所述，成像参数包括共通参数和个别参数。关于主输入数据和辅助输入数据，共通参数被设定为相同值，但个别参数被设定为不同的值。关于主输入数据和正确输出数据，共通参数和个别参数被设定为相同值。正确输出数据，是与主输入数据相比数据缺失少或者画质高的数据。例如，在成像参数是MRI的成像参数的情况下，主输入数据是基于具有较少的数据量的k空间数据的MR图像，正确输出数据是基于具有比主输入数据多的数据量的k空间数据的MR图像。例如，在主输入数据是通过间隔提出收集(稀疏采样)所收集到的数据的情况下，正确输出数据是通过完全收集(全采样)所收集到的数据为好。辅助输入数据的个别参数和正确输出数据的个别参数被设定为互不相同的值。在有多组辅助输入数据的情况下，关于不同的辅助输入数据，个别参数即可以是相同的值，也可以是不同的值。正确输出数据来源于主输入数据，与辅助输入数据无关。在对DNN输入输出的数据是k空间数据的情况下，典型性地，正确输出k空间数据包含主输入k空间数据，但并不包含辅助输入k空间数据。在对DNN输入输出的数据是图像的情况下，典型性地，正确输出图像的重构中使用的k空间数据，包含在主输入图像的重构中使用的k空间数据，但并不包含在辅助输入图像的重构中使用的k空间数据。
遍及对同一DNN输入的多个学习样本，不同的主输入数据的拍摄条件与辅助输入数据的拍摄条件的组合被确保为相同。更详细而言，不同的主输入数据的拍摄条件与辅助输入数据的拍摄条件的组合，被固定为生成对象的DNN所涉及的主输入数据的拍摄条件与辅助输入数据的拍摄条件的组合。例如，在生成图8的DNN的情况下，相对于主输入医用图像而言切片位置不同的医用图像被选择为辅助输入图像。在生成图9的DNN的情况下，相对于主输入医用图像而言帧不同的医用图像被选择为辅助输入图像。在生成图10的DNN的情况下，相对于主输入医用图像而言切片位置不同的医用图像及帧不同的医用图像被选择为辅助输入图像。在生成图11的DNN的情况下，相对于主输入医用图像而言k空间填充轨迹不同的医用图像被选择为辅助输入图像。在生成图12的DNN的情况下，相对于主输入医用图像而言收集序列不同的医用图像被选择为辅助输入图像。在生成图13的DNN的情况下，相对于主输入医用图像而言收集序列不同的2个医用图像被选择为辅助输入图像。
此外，学习时中的主输入医用图像与辅助输入图像，不限定于对患者进行拍摄所生成的医用图像。例如，作为主输入医用图像和辅助输入图像，可以使用对任意的人体模型进行拍摄所生成的医用图像。
在进行了步骤SB1后，处理电路51通过基于主输入数据和辅助输入数据的DNN的正向传播，生成输出数据(步骤SB2)。将在步骤SB2中生成的输出数据称为估计输出数据。此外，DNN的参数在第1次的正向传播中被设定为初始值。例如，通过将主输入数据和辅助输入数据作为输入，并运算上述的式(4－1)及式(4－2)，由此生成估计输出数据z(L)。此外，为了提高学习效率及学习精度，优选在正向传播的前阶段进行主输入数据与辅助输入数据的对位。
在进行了步骤SB2后，处理电路51执行反向传播功能512(步骤SB3)。在步骤SB3中，处理电路51计算在步骤SB2中所生成的估计输出数据与在步骤SB1中所输入的正确输出数据的误差。具体地，通过从正确输出数据dn减去估计输出数据z(L)，计算通过式(13－1)规定的误差δj (L)。
在进行了步骤SB3后，处理电路51通过基于在步骤SB3中计算出的误差的DNN的反向传播，计算梯度向量(步骤SB4)。具体地，基于误差δj (L)，计算式(6－2)或者式(6－4)的梯度向量。
在进行了步骤SB4后，处理电路51执行更新功能513(步骤SB5)。在步骤SB5中，处理电路51基于在步骤SB4中计算出的梯度向量，更新参数。具体地，基于梯度向量，通过式(6－1)或者式(6－3)，更新参数p。
在进行了步骤SB5后，处理电路51执行判定功能514(步骤SB6)。在步骤SB6中，处理电路51判定是否满足结束条件。结束条件例如可以设定为反复次数达到规定次数。另外，结束条件也可以设定为，梯度向量达到了小于阈值。
在步骤SB6中判定为不满足结束条件的情况下(步骤SB6中为否)，处理电路11使用同一学习样本或者其他的学习样本，反复执行步骤SB1至步骤SB6。
并且，在步骤SB6中判定为满足结束条件的情况下(步骤SB6中为是)，处理电路11将更新后的DNN作为学习完毕DNN90输出(步骤SB7)。学习完毕DNN与辅助输入图像的种类及个数一起，被存储于医用数据处理装置1的存储器13。种类具体地表示与辅助输入图像的拍摄条件中的主输入图像的拍摄条件不同的拍摄条件的种类。例如，在图8的DNN的情况下，种类为切片位置，个数是1个，在图9的DNN的情况下，种类为帧，个数是1个，在图10的DNN的情况下，种类为切片位置及帧，个数是2个，在图11的DNN的情况下，种类为k空间填充轨迹，个数是1个，在图12的DNN的情况下，种类为收集序列，个数是1个，在图13的DNN的情况下，种类为收集序列，个数是2个。
通过以上，使本实施方式所涉及的模型学习装置5进行的模型学习处理的说明结束。此外，上述的学习处理的流程是一例，本实施方式不限定于此。
如上所述，本实施方式所涉及的模型学习程序50使模型学习装置5至少执行正向传播功能511及更新功能513。正向传播功能511为，对于具有输入关于同一对象并且拍摄条件不同的主输入数据和辅助输入数据的输入层、输出与主输入数据对应的输出数据的输出层及设于输入层与输出层之间的至少一个中间层的多层化网络，应用主输入数据和辅助输入数据，生成估计输出数据。更新功能513以使估计输出数据与正确输出数据近似的方式更新多层化网络的参数。
通过上述的构成，本实施方式所涉及的模型学习程序50，为了输出将主输入数据的数据缺失部分复原而得到的输出数据，不仅主输入数据还将辅助输入数据使用于输入数据，学习多层化网络的参数。由此，本实施方式所涉及的模型学习程序50，能够在参数的学习时，利用主输入数据中不包括的、更多的信息。由此，与仅使用主输入数据作为输入数据的情况相比，能够使基于学习完毕模型90的医用数据的复原精度提高。
另外，如上所述，本实施方式所涉及的医用数据处理装置1具有存储器13及处理电路11。存储器13存储学习完毕模型90。学习完毕模型90具有：输入层，输入与同一对象有关并且拍摄条件不同的主输入数据和辅助输入数据；输出层，输出与主输入数据对应的输出数据；及设于输入层与输出层之间的至少一个中间层。处理电路11，对与被检体有关的处理对象输入数据及与和被检体同一被检体有关且拍摄条件与处理对象输入数据不同的辅助输入数据，应用学习完毕模型，生成与被检体有关的处理对象输出数据。
通过上述的构成，本实施方式中，医用数据处理装置1，能够通过辅助输入数据补充处理对象输入数据的缺失部分，所以与仅使用处理对象输入数据作为输入数据的情况相比，能够使基于学习完毕模型90的医用数据的复原精度提高。
此外，模型学习装置5的存储器53中所存储的模型学习程序50，也可以存储于医用数据处理装置1的存储器13。即，作为模型学习装置5的学习功能的、正向传播功能511、反向传播功能512、更新功能513、判定功能514及显示控制功能515，可以通过医用数据处理装置1的处理电路11来实现。
(应用例)
在上述的说明中，关于辅助输入图像的生成定时，未特别地限定。在以下的应用例中设为，在单一的检査中按顺序生成多个医用图像，并从所生成的多个医用图像中依次选择处理对象医用图像和辅助输入图像。以下，设为，从原数据向医用图像数据的复原处理是重构处理。此外，在以下的说明中，对于具有与上述实施方式大致相同的功能的构成要素，标注相同符号，仅在必要的情况下进行重复说明。
应用例1：磁共振成像检査
磁共振成像检査通过磁共振成像装置来进行。在应用例1中设为，医用拍摄装置3是磁共振成像装置的MR架台。
图17是表示应用例1所涉及的磁共振成像装置9－1的构成的图。如图17所示那样，磁共振成像装置9－1具有架台20－1、诊视床31－1、梯度磁场电源21－1、发送电路23－1、接收电路25－1、诊视床驱动装置27－1、序列控制电路29－1及医用数据处理装置1－1。
架台20－1具有静磁场磁铁41－1及梯度磁场线圈43－1。静磁场磁铁41－1与梯度磁场线圈43－1，被收纳于架台20－1的壳体。在架台20－1的壳体中形成有具有中空形状的孔。在架台20－1的孔内，配置发送线圈45－1和接收线圈47－1。
静磁场磁铁41－1具有中空的大致圆筒形状，在大致圆筒内部产生静磁场。作为静磁场磁铁41－1，例如使用永久磁铁、超导磁铁或常导磁铁等。在此，将静磁场磁铁41－1的中心轴规定为Z轴，将相对于Z轴铅垂地正交的轴规定为Y轴，将与Z轴水平地正交的轴规定为X轴。X轴、Y轴及Z轴构成正交3维坐标系。
梯度磁场线圈43－1是安装于静磁场磁铁41－1的内侧、并形成为中空的大致圆筒形状的线圈单元。梯度磁场线圈43－1接受来自梯度磁场电源21－1的电流的供给，产生梯度磁场。更详细而言，梯度磁场线圈43－1具有与互相正交的X轴、Y轴、Z轴对应的3个线圈。该3个线圈形成磁场强度沿着X轴、Y轴、Z轴的各轴而变化的梯度磁场。沿着X轴、Y轴、Z轴的各轴的梯度磁场被合成，而在所期望的方向上形成互相正交的切片选择梯度磁场Gs、相位编码梯度磁场Gp及频率编码梯度磁场Gr。切片选择梯度磁场Gs被利用于任意地决定拍摄截面。相位编码梯度磁场Gp被利用于根据空间的位置使MR信号的相位变化。频率编码梯度磁场Gr被利用于根据空间的位置使MR信号的频率变化。此外，在以下的说明中设为，切片选择梯度磁场Gs的梯度方向为Z轴，相位编码梯度磁场Gp的梯度方向为Y轴，频率编码梯度磁场Gr的梯度方向为X轴。
梯度磁场电源21－1按照来自序列控制电路29－1的序列控制信号，对梯度磁场线圈43－1供给电流。梯度磁场电源21－1对梯度磁场线圈43－1供给电流，由此通过梯度磁场线圈43－1产生沿着X轴、Y轴及Z轴的各轴的梯度磁场。该梯度磁场被叠加于通过静磁场磁铁41－1形成的静磁场并被施加至被检体P。
发送线圈45－1例如配置于梯度磁场线圈43－1的内侧，从发送电路23－1接受电流的供给，产生高频磁场脉冲(以下，称为RF磁场脉冲)。
发送电路23－1，对发送线圈45－1供给电流，以经由发送线圈45－1对被检体P施加用于激发在被检体P内存在的对象质子的RF磁场脉冲。RF磁场脉冲以对象质子固有的共振频率振动，激发对象质子。从被激发的对象质子产生磁共振信号(以下，称为MR信号)，并被接收线圈47－1所检测。发送线圈45－1例如是全身用线圈(WB线圈)。全身用线圈也可以作为收发线圈而使用。
接收线圈47－1，接收受到RF磁场脉冲的作用而从在被检体P内存在的对象质子发出的MR信号。接收线圈47－1具有能够接收MR信号的多个接收线圈单元。所接收到的MR信号，经由有线或者无线被供给至接收电路25－1。在图1中并未图示，但接收线圈47－1具有并列地安装的多个接收通道。接收通道具有接收MR信号的接收线圈单元及将MR信号放大的放大器等。MR信号按每个接收通道输出。接收通道的总数与接收线圈单元的总数，可以相同，接收通道的总数与接收线圈单元的总数相比，既可以多，也可以少。
接收电路25－1经由接收线圈47－1接收从被激发的对象质子产生的MR信号。接收电路25－1对所接收到的MR信号进行信号处理而产生数字的MR信号。数字的MR信号能够以通过空间频率规定的k空间来表现。因此，以下，设为将数字的MR信号称为k空间数据。k空间数据是供图像重构的原数据的一种。k空间数据经由有线或者无线被供给至信号数据处理装置50－1。
此外，上述的发送线圈45－1和接收线圈47－1只不过是一例。也可以代替发送线圈45－1和接收线圈47－1，使用具备发送功能和接收功能的收发线圈。另外，也可以组合发送线圈45－1、接收线圈47－1及收发线圈。
与架台20－1邻接地、设置诊视床31－1。诊视床31－1具有顶板33－1及基座35－1。顶板33－1上载置被检体P。基座35－1将顶板33－1支承为能够分别沿着X轴、Y轴、Z轴滑动。基座35－1上收纳诊视床驱动装置27－1。诊视床驱动装置27－1受来自序列控制电路29－1的控制，在顶板33－1上移动。诊视床驱动装置27－1例如可以包括伺服马达、步进马达等的任意的马达等。
序列控制电路29－1具有CPU或MPU(的处理器和ROM、RAM等的存储器，作为硬件资源。序列控制电路29－1基于通过处理电路11的拍摄控制功能111所决定的拍摄协议，对梯度磁场电源21－1、发送电路23－1及接收电路25－1进行同步控制，执行与该拍摄协议对应的脉冲序列对被检体P进行MR拍摄，收集与被检体P有关的k空间数据。
如图17所示那样，医用数据处理装置1－1是具有处理电路11、存储器13、输入接口15、通信接口17及显示器19的计算机。医用数据处理装置1－1是与上述医用数据处理装置1同样的装置，所以省略说明。
图18是示意地表示应用例1所涉及的医用数据处理装置1－1的处理的图。在图18所示的检査中，首先，进行b值＝0的EPI收集(步骤SP1)。在步骤SP1中，处理电路11，首先执行拍摄控制功能111，使医用拍摄装置(磁共振成像装置的架台)3进行b值＝0的EPI收集。在检查的第1阶段即步骤SP1中，进行k空间数据的完全收集(全收集)。完全收集，是对于k空间的全部收集线，收集k空间数据。在收集k空间数据后，处理电路11执行通常复原功能112。在通常复原功能112中，处理电路11对在步骤SP1中所收集到的k空间数据实施FFT(FastFourier Transfer)，生成与b值＝0有关的FFT重构图像。
进行了步骤SP1后，处理电路11执行拍摄控制功能111，使架台20进行b值＝500的EPI收集(步骤SP2)。在步骤SP2中，进行k空间数据的间隔剔除收集(稀疏收集)。间隔剔除收集是，限定于k空间的全部的收集线中的几个收集线，来收集k空间数据。间隔剔除收集例如通过并行成像、半傅里叶法、压缩感知等进行。通过稀疏收集能够缩短拍摄时间。另外，步骤SP2和步骤SP1中的拍摄部位或者切片位置相同。收集k空间数据时，处理电路11执行通常复原功能112。在通常复原功能112中，处理电路11对在步骤SP2中收集到的k空间数据实施FFT，生成与b值＝500有关的FFT重构图像。步骤SP2的FFT重构图像中包括由b值的上升及间隔剔除收集引起的画质劣化。
在生成了与b值＝500有关的FFT重构图像的情况下，处理电路11执行输入选择功能113。如图18所示那样，在输入选择功能113中，处理电路11选择基于完全收集的与b值＝0有关的FFT重构图像作为辅助输入图像，并选择基于间隔剔除收集的与b值＝500有关的FFT重构图像作为处理对象输入图像。该处理对象输入图像是基于间隔剔除收集的图像，所以与基于完全收集的辅助输入图像相比，数据被间隔剔除。
接下来，处理电路11执行正向传播功能114。在正向传播功能114中，处理电路11首先从存储器13中，读出将基于间隔剔除收集的与b值＝500有关的FFT重构图像作为处理对象输入图像，将基于完全收集的与b值＝0有关的FFT重构图像作为辅助输入图像，并将与b值＝500有关的DNN重构图像作为处理对象输出图像的学习完毕DNN(Forb＝500)。接下来，处理电路11将基于间隔剔除收集的与b值＝500有关的FFT重构图像输入至所读出的学习完毕DNN(Forb＝500)的输入层91的处理对象范围921，并将基于完全收集的与b值＝0有关的FFT重构图像输入至辅助范围922。并且，处理电路11将基于间隔剔除收集的与b值＝500有关的FFT重构图像和基于完全收集的与b值＝0有关的FFT重构图像在学习完毕DNN(Forb＝500)中进行正向传播。由此，生成伴随着b值的上升及间隔剔除收集的画质劣化得以降低的、与b值＝500有关的DNN重构图像。
另外，在进行了步骤SP2后，处理电路11执行拍摄控制功能111，使架台20进行T1W收集(步骤SP3)。在步骤SP3中，也为了缩短拍摄时间，而进行k空间数据的间隔剔除收集(稀疏收集)。另外，步骤SP3与步骤SP1中的拍摄部位或者切片位置相同。收集k空间数据后，处理电路11执行通常复原功能112。在通常复原功能112中，处理电路11对在步骤SP3中收集到的k空间数据实施FFT，生成T1W图像。所生成的T1W图像根据间隔剔除收集到的k空间数据来重构，所以包括画质劣化。
在生成了与T1W有关的FFT重构图像的情况下，处理电路11执行输入选择功能113。如图18所示那样，在输入选择功能113中，处理电路11，选择基于完全收集的与b值＝0有关的FFT重构图像作为辅助输入图像，选择基于间隔剔除收集的与T1W有关的FFT重构图像作为处理对象输入图像。
接下来，处理电路11执行正向传播功能114。在正向传播功能114中，处理电路11首先从存储器13中读出将基于间隔剔除收集的与T1W有关的FFT重构图像作为处理对象输入图像、将基于完全收集的与b值＝0有关的FFT重构图像作为辅助输入图像、并将与T1W有关的DNN重构图像作为处理对象输出图像的学习完毕DNN(ForT1W)。接下来，处理电路11将基于间隔剔除收集的与T1W有关的FFT重构图像，输入至学习完毕DNN(ForT1W)的输入层91的处理对象范围921，将基于完全收集的与b值＝0有关的FFT重构图像输入至辅助范围922。并且，处理电路11将基于间隔剔除收集的与T1W有关的FFT重构图像和基于完全收集的与b值＝0有关的FFT重构图像，在学习完毕DNN(ForT1W)中正向传播。由此，生成了伴随间隔剔除收集的画质劣化得以降低的、与T1W有关的DNN重构图像。
如上所述，根据应用例1，从通过与磁共振成像有关的检査的执行收集的一系列的MR图像之中，选择处理对象输入图像和辅助输入图像。具体地，检査中的第1步骤进行完全收集，第2步骤以后进行间隔剔除收集。将基于完全收集的MR图像作为辅助输入图像，将基于间隔剔除收集的各MR图像作为处理对象输入图像，进行学习完毕DNN的正向传播。由此，能够缩短检査时间，并且能够生成并显示基于间隔剔除收集的高精细的MR图像。另外，即使进行间隔剔除收集，也能够生成高画质的MR图像，所以也能够使k空间数据的间隔剔除率进一步提高，也能够进一步缩短检査时间。另外，根据应用例1，由使用了比较大的b值的拍摄引起的画质劣化等的各收集序列固有的画质劣化，也能够通过使用了主输入数据和辅助输入数据这2个输入数据的学习完毕DNN来降低。
接下来，关于对磁共振成像的动作拍摄的应用进行说明。在磁共振成像中，无论三任意的类别的k空间填充轨迹都能够执行动画拍摄，但在以下的例子中，设为是基于时间分辨率比较优的径向扫描的动画拍摄。MR图像既可以是2维图像，也可以是3维图像。作为基于径向扫描的3维图像的动画拍摄，例如能够应用3维径向扫描、星形栈。
处理电路11，通过拍摄控制功能111的实现，控制序列控制电路29－1，对被检体P执行动画拍摄。在动画拍摄中，处理电路11收集时序的多帧的k空间数据。通过通常复原功能112的实现，处理电路11基于时序的多帧的k空间数据，即时地生成时序的多帧的MR图像。MR图像的重构法可以是任意的方法，但为了提高与MR图像生成有关的快速响应性，优选使用处理时间短的重构法。作为这种重构法，例如能够使用Jackson法、网格化法、使用了AUTOMAP(Bo Zhu et al.Nature 22March 2018,doi:10.1038/nature25988)的重构法。在径向扫描中，在k空间数据中，样本点以非等间隔排列。处理电路11通过Jackson法，将非等间隔的k空间数据复原为等间隔的k空间数据。并且，处理电路11对等间隔的k空间数据应用FFT，生成MR图像。
通过输入选择功能113的实现，处理电路11从时序的多帧的MR图像中选择处理对象输入图像和辅助输入图像。此外，时序的多帧的k空间数据或者MR图像，可以说共通参数是切片位置、k空间填充轨迹的类别(径向扫描)及时间分辨率，且个别参数是收集时刻或者帧。例如，处理电路11选择最新帧的MR图像作为处理对象输入图像，并选择相比最新帧为规定帧之前的MR图像作为辅助输入图像。关于规定帧，既可以是最新帧的前1帧的帧，可以是前2帧以上的帧，不特别地限定。
通过正向传播功能114的实现，处理电路11将所选择的处理对象输入图像(最新帧的MR图像)和辅助输入图像(过去帧的MR图像)，输入至图像的降噪用的学习完毕DNN90，并即时地输出处理对象输出图像(最新帧的DNN重构图像)。最新帧的DNN重构图像通过显示控制功能116的实现而被显示于显示器19。处理电路11，每当生成最新帧的MR图像就执行输入选择功能113和正向传播功能114，生成最新帧的DNN重构图像，并通过显示控制功能116的实现，而显示于显示器19。由此，关于DNN重构图像，也能够即时地进行动画显示。
此外，处理电路11采用使用图像的降噪用的学习完毕DNN90的电路，但也可以使用k空间数据的降噪用的学习完毕DNN90。在此情况下，处理电路11通过输入选择功能113的实现，从时序的多帧的k空间数据中选择处理对象输入k空间数据和辅助输入k空间数据。通过正向传播功能114的实现，处理电路11将所选择的处理对象输入k空间数据(最新帧的k空间数据)和辅助输入k空间数据(过去帧的k空间数据)，输入至k空间数据的降噪用的学习完毕DNN90，并即时地输出处理对象输出k空间数据(最新帧的DNNk空间数据)。之后，处理电路11通过通常复原功能112的实现，对最新帧的DNNk空间数据实施FFT等，生成DNN重构图像，通过显示控制功能116的实现，将DNN重构图像即时地进行动画显示。
应用例2：X射线计算机断层摄影检査
X射线计算机断层摄影装置检査通过X射线计算机断层摄影装置来进行。在应用例2中设为，医用拍摄装置3是X射线计算机断层摄影装置的CT架台。
图19是表示X射线计算机断层摄影装置9－2的构成的图。此外，在图19中为了便于说明而描绘多个CT架台3－2，但典型性地，X射线计算机断层摄影装置9－2所装备的架台3－2为1台。
如图19所示那样，X射线计算机断层摄影装置9－2具有架台3－2、诊视床30－2及医用数据处理装置(控制台)1－2。架台3－2是具有用于对被检体P进行X射线CT摄影的构成的扫描装置。诊视床30－2，是用于载置成为X射线CT摄影的对象的被检体P，并对被检体P进行定位的搬送装置。医用数据处理装置1－2是控制架台3－2的计算机。例如，架台3－2及诊视床30－2被设置于检査室，医用数据处理装置1－2被设置于与检査室邻接的控制室。架台3－2、诊视床30－2及医用数据处理装置1－2以彼此能够通信的方式通过有线或无线而连接。
如图19所示那样，架台3－2具有X射线管21－2、X射线检测器12－2、旋转框13－2、X射线高电压装置24－2、控制装置25－2、楔形过滤器26－2、准直器27－2及数据收集电路(DAS：Data Acquisition System)28－2。
X射线管21－2产生X射线。具体地，X射线管21－2包括产生热电子的阴极、接受从阴极射出的热电子而产生X射线的阳极、及保持阴极和阳极的真空管。X射线管21－2经由高压线缆连接于X射线高电压装置24－2。通过X射线高电压装置24－2对阴极供给灯丝电流。通过灯丝电流的供给，从阴极产生热电子。在阴极与阳极之间，通过X射线高电压装置24－2施加管电压。通过管电压的施加，从阴极朝向阳极射出热电子并与阳极冲突，而产生X射线。所产生的X射线被照射于被检体P。通过从阴极朝向阳极射出热电子，流动管电流。
X射线检测器22－2，检测从X射线管21－2产生并通过了被检体P的X射线，并将与所检测到的X射线的线量对应的电信号输出至DAS28－2。X射线检测器22－2具有将在通道方向排列有多个X射线检测元件而成的X射线检测元件列在切片方向(列方向)上排列多个而成的构造。X射线检测器22－2例如是具有滤线栅、闪烁器阵列及光传感器阵列的间接变换型的检测器。闪烁器阵列具有多个闪烁器。闪烁器输出与入射X射线量对应的光量的光。滤线栅具有配置于闪烁器阵列的X射线入射面侧、且吸收散射X射线的X射线遮蔽板。此外，滤线栅有时也被称为准直器(1维准直器或者2维准直器)。光传感器阵列变换为与来自闪烁器的光的光量对应的电信号。作为光传感器，例如使用光电二极管。
旋转框23－2是将X射线管21－2和X射线检测器22－2以能够绕旋转轴Z旋转的方式支承的圆环状的框。具体地，旋转框23－2，将X射线管21－2与X射线检测器22－2对置支承。旋转框23－2以能够绕旋转轴Z旋转的方式支承于固定框(未图示)。通过控制装置25－2，旋转框23－2绕旋转轴Z旋转，由此使X射线管21－2与X射线检测器22－2绕旋转轴Z旋转。在旋转框23－2的开口部29－2，设定图像视野(FOV：Field Of View)。
此外，在本实施方式中，将非倾斜状态下的旋转框23－2的旋转轴或者诊视床30－2的顶板33－2的长度方向定义为Z方向，将与Z方向正交并相对于地面水平的方向定义为X方向，将与Z方向正交并相对于地面垂直的方向定义为Y方向。
X射线高电压装置24－2具有高电压产生装置和X射线控制装置。高电压产生装置具有变压器(变压器)及整流器等的电气电路，产生对X射线管21－2施加的高电压及对X射线管21－2供给的灯丝电流。X射线控制装置控制对X射线管21－2施加的高电压及对X射线管21－2供给的灯丝电流。高电压产生装置既可以是变压器方式，也可以是变换器方式。X射线高电压装置24－2既可以设置于架台3－2内的旋转框23－2，也可以设置于架台3－2内的固定框(未图示)。
楔形过滤器26－2调节对被检体P照射的X射线的线量。具体地，楔子26－2以使从X射线管11向被检体P照射的X射线的线量成为预先确定的分布的方式使X射线衰减。例如，作为楔子26－2，使用通过对铝等的金属进行加工而形成的金属过滤器。楔形过滤器26－2被加工成具有规定的目标角度、规定的厚度。此外，楔形过滤器26－2也被称为蝶形过滤器(bow-tie filter)。
准直器27－2，限定透射楔形过滤器26－2后的X射线的照射范围。准直器27－2，以能够滑动的方式支承将X射线遮蔽的多个铅板，调节通过多个铅板形成的缝隙的方式。此外，准直器27－2也被称为X射线限制器。
DAS28－2，从X射线检测器22－2读出与通过X射线检测器22－2所检测到的X射线的线量对应的电信号，将所读出的电信号放大，并在视图期间对电信号进行积分，从而收集具有与该视图期间的X射线的线量对应的数字值的检测数据。检测数据也被称为投影数据。DAS28－2例如通过搭载有能够生成投影数据的电路元件的ASIC来实现。通过DAS28－2所生成的投影数据(检测数据)，从设置于旋转框13的具有发光二极管(LED)的发送机、通过光通信向设置于架台3－2的非旋转部(例如，固定框)的具有发光二极管(LED)的接收机发送，并从接收机向医用数据处理装置3－2传输。此外，从旋转框23－2向架台3－2的非旋转部的投影数据的发送方式，不限定于前述的光通信，只要是非接触型的数据传输，可以是任意的方式。
诊视床30－2具备基座35－2及顶板33－2。基座35－2设置于地面。基座35－2是将支承框以相对于地面能够在垂直方向(Y方向)上移动的方式支承的构造体。支承框是设置于基座35－2的上部的框。支承框以沿着中心轴Z能够滑动地方式支承顶板33－2。顶板33－2是载置被检体P的具有柔软性的板状构造体。诊视床驱动装置收纳于诊视床30－2。诊视床驱动装置是产生用于使载置有被检体P的顶板33－2移动的动力的马达或者致动器。诊视床驱动装置，按照由控制装置25－2或者医用数据处理装置1－2等进行的控制而工作。
控制装置25－2为了按照基于处理电路11的摄影控制功能111执行X射线CT摄影，而控制X射线高电压装置24－2、DAS28－2及诊视床30－2。控制装置25－2具有具有CPU等的处理电路和马达及致动器等的驱动装置。处理电路具有CPU等的处理器和ROM、RAM等的存储器，作为硬件资源。控制装置25－2例如按照来自在医用数据处理装置1－2、架台3－2及诊视床30－2等所设置的输入接口15的操作信号，控制架台3－2及诊视床30－2。例如，控制装置25－2对旋转框23－2的旋转、架台3－2的倾斜、顶板33－2及诊视床30－2的动作进行控制。
医用数据处理装置(控制台)1－2是具有处理电路11、存储器13、输入接口15、通信接口17及显示器19的计算机。医用数据处理装置1－2与上述医用数据处理装置1相同，所以省略说明。
图20是示意地表示应用例2所涉及的医用数据处理装置1－2的处理的图。图20所示的检査，是遍及多周地反复进行X射线CT拍摄的时序拍摄。第1周，进行基于高线量的X射线的X射线CT拍摄(步骤SQ1)。处理电路11对在步骤SQ1中所收集到的投影数据实施FBP，生成与第1周有关的FBP重构图像。
如图20所示那样，第2周以后，反复进行基于低线量的X射线的X射线CT拍摄(步骤SQ2及SQ3)。处理电路11在收集到第2周的投影数据的情况下，对该投影数据实施FBP，生成与第2周有关的FBP重构图像。低线量的X射线CT拍摄，既可以通过与第1周相比使管电流降低来进行，也可以通过使X射线间歇地曝光来进行，还可以通过使旋转框高速地旋转来进行，或者可以将前述的低管电流、间歇X射线曝光及高速旋转中的至少1个组合。第2周以后的FBP重构图像通过低线量的X射线CT拍摄来收集，所以与第1周的FBP重构图像相比，包括画质劣化。
在生成了与第2周有关的FBP重构图像的情况下，处理电路11执行输入选择功能113。如图20所示那样，在输入选择功能113中，处理电路11选择基于高线量的与第1周有关的FBP重构图像作为辅助输入图像，并选择基于低线量的与第2周有关的FBP重构图像作为处理对象输入图像。
接下来，处理电路11执行正向传播功能114。在正向传播功能114中，处理电路11首先从存储器13中读出将基于低线量的FBP重构图像作为处理对象输入图像、将基于高线量的FBP重构图像作为辅助输入图像、并将高画质的FBP重构图像作为处理对象输出图像的学习完毕DNN(For低线量)。接下来，处理电路11将基于低线量的与第2周有关的FBP重构图像输入至学习完毕DNN(For低线量)的输入层91的处理对象范围921，将基于高线量的与第1周有关的FBP重构图像输入至辅助范围922。并且，处理电路11，将基于低线量的与第2周有关的FBP重构图像和基于高线量的与第1周有关的FBP重构图像在学习完毕DNN(For低线量)中正向传播。由此，生成由低线量引起的画质劣化得以降低的、与第2周有关的DNN重构图像。
同样地，在收集了第3周的投影数据的情况下，处理电路11对该投影数据实施FBP，生成与第3周有关的FBP重构图像。接下来，处理电路11执行输入选择功能113。如图20所示那样，在输入选择功能113中，处理电路11选择基于高线量的与第1周有关的FBP重构图像作为辅助输入图像，并选择基于低线量的与第3周有关的FBP重构图像作为处理对象输入图像。
接下来，处理电路11执行正向传播功能114。在正向传播功能114中，处理电路11将基于低线量的与第3周有关的FBP重构图像，输入至学习完毕DNN的输入层91的处理对象范围921，将基于高线量的与第1周有关的FBP重构图像输入至学习完毕DNN的输入层91的辅助范围922。并且，处理电路11将基于低线量的与第3周有关的FBP重构图像和基于高线量的与第1周有关的FBP重构图像在学习完毕DNN中正向传播。由此，生成由低线量引起的画质劣化得以降低的、与第3周有关的DNN重构图像。
如上所述，通过应用例2，从通过与X射线计算机断层摄影有关的检査的执行收集的一系列的CT图像中，选择处理对象输入图像和辅助输入图像。具体地，第1周进行高线量的X射线CT拍摄，第2周以后进行低线量的X射线CT拍摄。将高线量的CT图像作为辅助输入图像，并将低线量的各CT图像作为处理对象输入图像，进行学习完毕DNN的正向传播。由此，能够降低照射量，并且能够生成及显示伴随低线量的画质劣化较少的CT图像。另外，即使是低线量的X射线CT拍摄，也能够生成高画质的CT图像，所以能够使X射线线量进一步降低。
应用例3：PET/CT检査
PET/CT检査通过PET/CT装置进行。在应用例3中设为，医用拍摄装置3是PET/CT装置的架台。在此情况下，医用拍摄装置3装备进行X射线CT拍摄的CT架台及进行PET拍摄的PET架台。
图21是表示PET/CT装置9－3的构成的图。如图21所示那样，PET/CT装置9－3具有PET吊架20－3、CT吊架30－3、诊视床40－3及医用数据处理装置1－3。典型性地，PET吊架20－3、CT吊架30－3及诊视床40－3设置于共通的检査室，医用数据处理装置1－3设置于与检査室邻接的控制室。PET吊架20－3是对被检体P进行PET拍摄的拍摄装置。CT吊架30－3是对被检体P进行X射线CT拍摄的拍摄装置。诊视床40－3移动自如地支承用于载置作为拍摄对象的被检体P的顶板43－3。医用数据处理装置1－3是控制PET吊架10、CT吊架30及诊视床50的计算机。
如图21所示那样，PET吊架20－3具有检测器环21－3、信号处理电路23－3及同时计数电路25－3。
检测器环21－3具有在绕中心轴Z的圆周上排列的多个珈玛射线检测器27－3。在检测器环21－3的开口部，设定图像视野(FOV)。以图像视野中包括被检体P的拍摄部位的方式定位被检体P。对被检体P投予通过正电子放出同位素标识过的药剂。从正电子放出同位素放出的正电子与周围的电子的湮灭，产生一对湮灭珈玛射线。珈玛射线检测器27－3检测从被检体P的体内放出的湮灭珈玛射线，生成与所检测到的湮灭珈玛射线的光量对应的电信号。例如，珈玛射线检测器27－3具有多个闪烁器及多个光电子倍增管。闪烁器接受来源于被检体P内的放射性同位元素的湮灭珈玛射线，并产生光。光电子倍增管产生与光的光量对应的电信号。所产生的电信号被供给至信号处理电路23－3。
信号处理电路23－3基于珈玛射线检测器27－3的电信号，生成单粒子(singleevent)数据。具体地，信号处理电路23－3实施检测时刻计测处理、位置计算处理及能量计算处理。信号处理电路23－3通过构成为能够执行检测时刻计测处理、位置计算处理及能量计算处理的处理器来实现。
在检测时刻计测处理中，信号处理电路23－3计测基于珈玛射线检测器27－3的珈玛射线的检测时刻。具体地，信号处理电路23－3监视来自珈玛射线检测器27－3的电信号的峰值，计测峰值超过预先设定的阈值的时刻作为检测时刻。换言之，信号处理电路23－3通过检测峰值超过阈值，来在电气上检测湮灭珈玛射线。在位置计算处理中，信号处理电路23－3基于来自珈玛射线检测器27－3的电信号，计算湮灭珈玛射线的入射位置。湮灭珈玛射线的入射位置对应于湮灭珈玛射线入射的闪烁器的位置坐标。在能量计算处理中，信号处理电路23－3基于来自珈玛射线检测器17的电信号，计算检测到的湮灭珈玛射线的能量值。与单粒子有关的检测时刻的数据和位置坐标的数据和能量值的数据建立关联。与单粒子有关的能量值的数据和位置坐标的数据和检测时刻的数据的组合，被称为单粒子数据。单粒子数据每当检测到湮灭珈玛射线而随后生成。所生成的单粒子数据，被供给至同时计数电路25－3。
同时计数电路25－3，对来自信号处理电路23－3的单粒子数据实施同时计数处理。作为硬件资源，同时计数电路25－3通过构成为能够执行同时计数处理的处理器来实现。在同时计数处理中，同时计数电路25－3，从反复供给的单粒子数据中，反复确定收敛于预先确定的时间框内的与2个单粒子有关的单粒子数据。该对的单粒子，被推定为在来源于从同一湮灭点产生的湮灭珈玛射线。成对的单粒子，总地被称为同时计数粒子。将检测该湮灭珈玛射线的成对的珈玛射线检测器27－3(更详细而言为闪烁器)连接的线，被称为LOR(line of response)。构成LOR的与成对的粒子有关的粒子数据，被称为同时计数粒子数据。同时计数粒子数据与单粒子数据，被传输至医用数据处理装置1－3。此外，在不特别区分同时计数粒子数据和单粒子数据时，称为PET粒子数据。
此外，在上述构成中，设为，在PET吊架20－3中包含信号处理电路23－3及同时计数电路25－3，但并不限定于此。例如，同时计数电路25－3、或者信号处理电路23－3与同时计数电路25－3这双方，也可以包含于与PET吊架20－3分体的装置。另外，同时计数电路25－3，既可以相对于在PET吊架20－3中搭载的多个信号处理电路23－3设置一个，也可以将在PET吊架20－3中搭载的多个信号处理电路23－3划分为多个小组，并对各小组设置一个。
如图21所示那样，CT吊架30－3具有X射线管31－3、X射线检测器32－3、旋转框33－3、X射线高电压装置34－3、CT控制装置35－3、楔形过滤器36－3、准直器37－3及DAS38－3。
X射线管31－3产生X射线。具体地，X射线管31－3包括对产生热电子的阴极及接受从阴极射出的热电子而产生X射线的阳极进行保持的真空管。X射线管31－3经由高压线缆而连接于X射线高电压装置34－3。在阴极与阳极之间，通过X射线高电压装置34－3施加管电压。通过管电压的施加从阴极向阳极射出热电子。通过从阴极向阳极射出热电子，而流动管电流。通过来自X射线高电压装置34－3的高电压的施加及灯丝电流的供给，从阴极朝向阳极射出热电子，热电子与阳极冲突，从而产生X射线。
X射线检测器32－3检测从X射线管31－3产生并通过被检体P后的X射线，并将与所检测到的X射线的线量对应的电信号向DAS38－3输出。X射线检测器32－3具有将在通道方向上排列有多个X射线检测元件而成的X射线检测元件列在切片方向(列方向或者行(row)方向)上排列多个的构造。X射线检测器32－3例如是具有滤线栅、闪烁器阵列及光传感器阵列的间接变换型的检测器。闪烁器阵列具有多个闪烁器。闪烁器输出与入射X射线量对应的光量的光。滤线栅具有配置于闪烁器阵列的X射线入射面侧、吸收散射X射线的X射线遮蔽板。光传感器阵列变换为与来自闪烁器的光的光量对应的电信号。作为光传感器，例如使用光电二极管或者光电子倍增管。此外，X射线检测器32可以是具有将入射X射线变换为电信号的半导体元件的直接变换型的检测器(半导体检测器)。
旋转框33－3是将X射线管31－3和X射线检测器32－3以能够绕旋转轴Z旋转的方式支承的圆环状的框。具体地，旋转框33－3将X射线管31－3和X射线检测器32－3对置支承。旋转框33－3以能够绕旋转轴Z旋转的方式支承于固定框(未图示)。通过CT控制装置35－3，旋转框33－3绕旋转轴Z旋转，由此使X射线管31－3与X射线检测器32－3绕旋转轴Z旋转。旋转框33－3受到来自CT控制装置35－3的驱动机构的动力，而绕旋转轴Z以一定的角速度旋转。在旋转框33－3的开口部，设定图像视野(FOV)。
此外，在本实施方式中，将非倾斜状态下的旋转框33－3的旋转轴或者诊视床40－3的顶板43－3的长度方向定义为Z轴方向，将与Z轴方向正交、且相对于地面为水平的轴方向定义为X轴方向，将与Z轴方向正交、且相对于地面为垂直的轴方向定义为Y轴方向。
X射线高电压装置34－3具有变压器(变压器)及整流器等的电气电路，具有产生对X射线管31－3施加的高电压及对X射线管31－3供给的灯丝电流的高电压产生装置、和进行与X射线管31－3照射的X射线对应的输出电压的控制的X射线控制装置。高电压产生装置既可以是变压器方式，也可以是变换器方式。X射线高电压装置34－3既可以设置于旋转框33－3，也可以设置于CT吊架30－3内的固定框(未图示)。
楔形过滤器36－3调节对被检体P照射的X射线的线量。具体地，楔形过滤器36－3以从X射线管31－3向被检体P照射的X射线的线量为预先确定的分布的方式使X射线衰减。例如，作为楔形过滤器36－3，使用铝等的金属板。楔形过滤器36－3也被称为蝶形过滤器。
准直器37－3限定透射楔形过滤器36－3后的X射线的照射范围。准直器37－3以能够滑动的方式支承将X射线遮蔽的多个铅板，调节通过多个铅板形成的缝隙的方式。
DAS38－3从X射线检测器32读出与通过X射线检测器32－3检测到的X射线的线量对应的电信号，将所读出的电信号以可变的放大率放大，并在视图期间对电信号进行积分，由此收集具有与该视图期间的X射线的线量对应的数字值的CT原数据。DAS38－3例如通过搭载了能够生成CT原数据的电路元件的ASIC来实现。CT原数据经由非接触数据传输装置等向医用数据处理装置1－3传输。
CT控制装置35－3，为了按照医用数据处理装置1－3的处理电路11的拍摄控制功能111执行X射线CT拍摄，而控制X射线高电压装置34－3、DAS38－3。CT控制装置35－3具有：具有CPU等的处理电路、和马达及致动器等的驱动机构。处理电路11具有CPU、MPU等的处理器、和ROM、RAM等的存储器，作为硬件资源。
此外，CT吊架30－3，有X射线产生部和X射线检测部作为一体在被检体的周围旋转的Rotate/Rotate-Type(第3代CT)、固定有环状地排列的多个X射线检测元件且仅X射线产生部在被检体的周围旋转的Stationary/Rotate-Type(第4代CT)等的各种各样的类型，无论哪个类型都能够应用于一个实施方式。
如图21所示那样，诊视床40－3载置扫描对象的被检体P，并使所载置的被检体移动。诊视床40－3在PET吊架20－3与CT吊架30－3间共享。
诊视床40－3具备基座45－3及顶板43－3。基座45－3设置于地面。基座45－3是将支承框以能够沿相对于地面垂直方向(Y轴方向)移动的方式支承的壳体。支承框是在基座45－3的上部设置的框。支承框以能够沿着中心轴Z滑动的方式支承顶板43－3。顶板43－3是载置被检体P的具有柔软性的板。诊视床驱动装置收纳于诊视床40－3的壳体内。诊视床驱动装置是产生用于使载置有被检体P的支承框与顶板43－3移动的动力的马达或者致动器。诊视床驱动装置按照基于医用数据处理装置1－3等的控制而工作。
PET吊架20－3和CT吊架30－3，以PET吊架20－3的开口的中心轴Z与CT吊架30－3的开口的中心轴Z大致一致的方式配置。诊视床40－3被配置为，顶板43－3的长轴与PET吊架20－3及CT吊架30－3的开口的中心轴Z平行。从距诊视床40－3近一方起依次设置CT吊架30－3及PET吊架20－3。
医用数据处理装置(控制台)1－3是具有处理电路11、存储器13、输入接口15、通信接口17及显示器19的计算机。医用数据处理装置1－3与上述医用数据处理装置1相同，所以省略说明。
图22是表示应用例3所涉及的医用数据处理装置1的处理的典型的流程的图。图23是示意地表示应用例3所涉及的医用数据处理装置1的处理的图。
如图22及图23所示那样，首先处理电路11执行拍摄控制功能111(步骤SC1)。在步骤SC1中，处理电路11控制医用拍摄装置3，对被检体执行X射线CT拍摄。与通过医用拍摄装置3所收集到的被检体有关的投影数据，被传输至医用数据处理装置1。
在进行了步骤SC1后，处理电路11执行通常复原功能112(步骤SC2)。在步骤SC2中，处理电路11对在步骤SC1中收集到的投影数据实施FBP等的解析学的图像重构法、逐次近似图像重构法等，重构出与被检体有关的CT图像。
在进行了步骤SC2后，处理电路11执行拍摄控制功能111(步骤SC3)。在步骤SC3中，处理电路11控制医用拍摄装置3，对被检体执行PET拍摄。与通过医用拍摄装置3所收集到的被检体有关的符合数据，被传输至医用数据处理装置1。
在进行了步骤SC3后，处理电路11执行通常复原功能112(步骤SC4)。在步骤SC4中，处理电路11对在步骤SC3中收集到的符合数据，实施FBP等的解析学的图像重构法、逐次近似图像重构法等，重构出与被检体有关的PET图像。PET图像由于基于PET拍摄的珈玛射线检测效率与基于X射线CT拍摄的X射线检测效率相比较低等，因此与CT图像相比画质劣化。
在进行了步骤SC2及SC4后，处理电路11执行图像处理功能115(步骤SC5)。在步骤SC5中，处理电路11对在步骤SB2中重构出的CT图像与在步骤SC4中重构出的PET图像进行对位。对位可以通过刚体对位、非刚体对位等的任意的方法进行。
在进行了步骤SC5后，处理电路11执行输入选择功能113(步骤SC6)。在步骤SC6中，处理电路11选择在步骤SC5中对位后的PET图像作为处理对象输入图像，并选择在步骤SC5中对位后的CT图像作为辅助输入图像(步骤SC6)。
在进行了步骤SCB6后，处理电路11执行正向传播功能114(步骤SC7)。在步骤SC7中，处理电路11对PET图像和CT图像应用学习完毕DNN，生成来源于PET的DNN重构图像。具体地，在正向传播功能114中，处理电路11首先从存储器13中读出将PET图像作为处理对象输入图像、将CT图像作为辅助输入图像、并将被除去了数据缺失的PET图像作为处理对象输出图像的学习完毕DNN(ForPET)。接下来，处理电路11将PET图像输入至学习完毕DNN(ForPET)的输入层91的处理对象范围921，并将CT图像输入至辅助范围922。然后，处理电路11将所输入的PET图像和CT图像在学习完毕DNN(ForPET)中正向传播。由此，生成来源于PET的DNN重构图像。
在进行了步骤SC7后，处理电路11执行显示控制功能116(步骤SC8)。在步骤SC8中，处理电路11将在步骤SC7中所生成的来源于PET的DNN重构图像与在步骤SC5中进行了对位后的CT图像显示于显示器19。例如，处理电路11显示来源于PET/CT的、DNN重构图像与CT图像的合成图像。
通过以上，结束对应用例3所涉及的医用数据处理装置1－3的处理的说明。
此外，图22所示的处理的流程是一例，应用例3所涉及的处理不仅限定于图22所示的流程。例如，也可以将步骤SC1中的X射线CT拍摄和步骤SC3中的PET拍摄的顺序对调。
另外，也可以将步骤SC5的对位处理与步骤SC6的选择处理的顺序对调。另外，设为步骤SC5的对位处理和步骤SC7的正向传播处理是独立的处理，但步骤SC5的对位处理也可以装入到学习完毕学习完毕DNN(ForPET)中。
如上所述，根据应用例3，从通过与PET/CT有关的检査的执行来收集的PET图像及CT图像中选择处理对象输入图像和辅助输入图像。将比较高画质的CT图像作为辅助输入图像，并将比较低画质的PET图像作为处理对象输入图像，进行学习完毕DNN的正向传播。由此，能够利用CT图像，生成及显示高画质的PET像。
应用例4：超声波检査
超声波检査通过超声波诊断装置进行。在应用例4中设为，医用拍摄装置3是超声波诊断装置的超声波探头。
图24是表示应用例4所涉及的超声波诊断装置9－4的构成的图。如图24所示那样，超声波诊断装置9－4具有超声波探头3－4和医用数据处理装置(装置主体)1－4。
超声波探头3－4例如按照医用数据处理装置1－4的拍摄控制功能111，对于患者等的生物体内的扫描区域，执行超声波扫描。超声波探头3－4例如具有多个压电振子、整合层及背衬材料等。在本实施方式中，超声波探头3－4例如具有沿着规定的方向排列的多个超声波振子。超声波探头3－4以装拆自如的方式与装置主体1－4连接。
多个压电振子按照从医用数据处理装置1－4具有的超声波发送电路31－4供给的驱动信号，产生超声波。由此，从超声波探头3－4向生物体发送超声波。在从超声波探头3－4向生物体发送超声波后，所发送的超声波，随后在生物体的体内组织中的声阻抗的不连续面被反射，并作为反射波信号由多个压电振子接收。接收的反射波信号的振幅，依赖于超声波被反射的不连续面中的声阻抗之差。另外，所发送的超声波脉冲在正在移动的血流或者放射线吸收性组织间隔物等的表面被反射的情况下的反射波信号，由于多普勒效应，依赖于移动体的超声波发送方向的速度成分，并受到频率偏移。超声波探头3－4接收来自生物体的反射波信号后变换为电信号。电信号被供给至医用数据处理装置1－4。
图24中所示的医用数据处理装置1－4，是基于通过超声波探头3－4所接收到的反射波信号，生成及显示超声波图像的计算机。医用数据处理装置1－4如图24中所示那样，具有超声波发送电路31－4、超声波接收电路32－4、处理电路11、存储器13、输入接口15、通信接口17及显示器19。
超声波发送电路31－4是对超声波探头3－4供给驱动信号的处理器。超声波发送电路31－4例如通过触发产生电路、延迟电路及脉冲发生器电路等来实现。触发产生电路以规定的速率频率，反复产生用于形成发送超声波的速率脉冲。延迟电路，将从超声波探头3－4产生的超声波会聚为束状来决定发送指向性所必要的每个压电振子的延迟时间，提供给触发产生电路所产生的各速率脉冲。脉冲发生器电路以基于速率脉冲的定时，向设于超声波探头3－4的多个超声波振子施加驱动信号(驱动脉冲)。通过使由延迟电路对各速率脉冲赋予的延迟时间任意地变化，从而任意调整从压电振子面的发送方向。
超声波接收电路32－4是对于超声波探头3－4接收到的反射波信号实施各种处理、生成接收信号的处理器。超声波接收电路32－4例如通过放大器电路、A/D变换器、接收延迟电路及加法器等来实现。放大器电路将超声波探头3－4接收到的反射波信号按每个频道放大并进行增益校正处理。A/D变换器将增益校正后的反射波信号变换为数字信号。接收延迟电路对数字信号赋予决定接收指向性所必要的延迟时间。加法器将被赋予了延迟时间的多个数字信号进行加法运算。通过加法器的加法运算处理，产生来自与接收指向性对应的方向的反射成分被强调的接收信号。
处理电路11例如是作为超声波诊断装置1－4的中枢发挥功能的处理器。处理电路11通过执行存储器13中所存储的程序，来实现与该程序对应的功能。处理电路11例如具有拍摄控制功能111、通常复原功能112、输入选择功能113、正向传播功能114、图像处理功能115、显示控制功能116、B模式处理功能332及多普勒模式处理功能333。
在B模式处理功能332中，处理电路11基于从超声波接收电路31－4接收到的接收信号，生成B模式数据。具体地，处理电路11例如对从超声波接收电路31－4接收到的接收信号实施包络线检波处理及对数放大处理等，生成信号强度以亮度即明亮度来表现的数据(B模式数据)。所生成的B模式数据，作为2维的超声波扫描线(光栅)上的B模式RAW数据，存储于未图示的RAW数据存储器。
在多普勒模式处理功能333中，处理电路11，对从超声波接收电路31－4接收到的接收信号进行频率解析，从而生成提取了基于在扫描区域设定的ROI(Region OfInterest：关心区域)内存在的血流的多普勒效应的运动信息的数据(多普勒数据)。具体地，处理电路11生成在多个样本点分别估计平均速度、均方差值、平均功率值等而得到的多普勒数据，作为血流的运动信息。所生成的多普勒数据，作为2维的超声波扫描线上的多普勒RAW数据，存储于未图示的RAW数据存储器中。
处理电路11，在多普勒模式处理功能333中，能够执行被称为彩色血流成像(CFM：Color Flow Mapping)法的彩色多普勒法。在CFM法中，超声波的收发在多个扫描线上进行多次。处理电路11对于同一位置的数据串施加MTI(Moving Target Indicator)过滤器，从而抑制来源于静止的组织或者运动慢的组织的信号(杂波信号)，提取来源于血流的信号。并且，处理电路11根据所提取到的信号，估计血流的速度、方差或者功率等的信息。
关于存储器13、输入接口15、通信接口17、显示器19、拍摄控制功能111、通常复原功能112、输入选择功能113、正向传播功能114、图像处理功能115及显示控制功能116，省略说明。
图25是示意地表示应用例4所涉及的医用数据处理装置1－4的处理的图。在超声波检査中，处理电路11生成时序的多帧的超声波图像。具体地，处理电路11通过拍摄控制功能11，经由超声波探头3－4执行超声波拍摄，实时地收集时序的多帧的回波数据。接下来，处理电路11执行B模式处理功能332，基于时序的多帧的回波数据，生成时序的多帧的B模式数据。并且，处理电路11执行通常复原功能112，基于时序的多帧的B模式数据，生成时序的多帧的B模式图像IU。时序的多帧的B模式图像IU动态显示于显示器19。
如图25所示那样，设为当前时间点的帧是“t”。通过当前帧t，在显示器19上显示B模式图像IUt。此外，t－n的“n”是表示距当前帧t为前n枚的帧的整数的编号。显示于显示器19的B模式图像IU－n，通过处理电路11的通常复原功能112，例如以扫描转换器的技术生成。因此可以说B模式图像IU－n的画质比较粗。
用户在想要详细地观察的帧被显示的时间点，经由输入接口15按下冻结按钮(静止按钮)。在图25中，设为针对当前帧t按下冻结按钮。以冻结按钮被按下为契机，处理电路11将当前帧t的B模式图像IUt作为静止图像显示于显示器19。
另外，以冻结按钮被按下为契机，处理电路11按顺序执行输入选择功能113和正向传播功能114。在输入选择功能113中，处理电路11，选择当前帧t的B模式图像IUt作为处理对象输入图像，并选择距当前帧t为过去t－n帧的B模式图像IUt－n作为辅助输入图像。作为过去的B模式图像IUt－n，例如优选地选择被估计为方式与当前帧t的B模式图像IUt近似的、且当前帧t的最近的过去的帧t－1的B模式图像IUt－1。另外，作为过去的B模式图像IUt－n，例如可以选择属于与当前帧t的B模式图像IUt同一呼吸相位或者心相位的、过去的帧的B模式图像。此外，选择的过去的B模式图像，也可以选择相比于当前帧t为未来的B模式图像。以下设为，作为辅助输入图像，选择帧t－1的B模式图像IUt－1。
接下来，处理电路11执行正向传播功能114。在正向传播功能114中，处理电路11对当前帧t的B模式图像(处理对象输入图像)IUt和过去的帧t－1的B模式图像(辅助输入图像)IUt－1应用学习完毕DNN，生成当前帧t的DNN重构图像IU0。具体地，处理电路11首先从存储器13中读出将第一帧的B模式图像作为处理对象输入图像、将第二帧的B模式图像作为辅助输入图像、并将数据缺失部分已被复原的B模式图像作为处理对象输出图像的学习完毕DNN(For超声波图像)。接下来，处理电路11将当前帧t的B模式图像IUt输入至学习完毕DNN(For超声波图像)的输入层91的处理对象范围921，将过去的帧t－1的B模式图像IUt－1输入至辅助范围922。并且，处理电路11将所输入的B模式图像IUt和B模式图像IUt－1在学习完毕DNN中正向传播。由此，关于当前帧t，能够生产将数据缺失部分复原而得到的B模式图像IU0。
通过正向传播功能114所生成的B模式图像IU0，作为静止图像显示于显示器19。B模式图像IU0既可以与B模式图像IUt相邻地显示，也可以替换B模式图像IUt进行显示。
再次按下冻结按钮时，处理电路11经由超声波探头30－4对被检体P进行超声波拍摄，由此能够生成时序的多帧的B模式图像，并实时地显示于显示器10。
通过以上，结束对应用例4所涉及的医用数据处理装置1－4的处理的说明。
此外，在上述的说明中，设为超声波图像是B模式图像，但本实施方式不限定于此。例如，超声波图像可以是多普勒模式图像。
如上所述，根据应用例4，从通过超声波检査的执行收集的超声波图像中选择处理对象输入图像和辅助输入图像。方式与处理对象输入图像类似的超声波图像被选择作为辅助输入图像。由此，能够即时地生成及显示比较高画质的超声波图像。
应用例5：X射线透视检査
X射线透视检査通过X射线诊断装置执行。在应用例5中设为，医用拍摄装置3是安装有X射线管和X射线检测器的C形臂。此外，应用例5与应用例4相同。
在X射线透视检査中，处理电路11经由C形臂，生成以高线量进行X射线摄影而得到的摄影图像及以低线量连续地进行X射线摄影而得到的透视图像，并将摄影图像和透视图像显示于显示器19。摄影图像与透视图像相比为高画质。摄影图像与透视图像被相邻地显示、或重叠于宽视野的摄影图像而显示窄视野的透视图像。摄影图像典型性地是静止图像，透视图像典型性地是动画。摄影图像中造影血管以高画质来描绘，所以作为造影血管的路线图发挥功能。透视图像描绘实时的血管。做手术的人等一边观察摄影图像和透视图像，一边使导管等的手术器具到达目标部位。
用户在想要详细地观察的帧的透视图像被显示的时间点，经由输入接口15而按下冻结按钮。以冻结按钮被按下为契机，处理电路11将当前帧的透视图像作为静止图像而显示于显示器19。
另外，以冻结按钮被按下为契机，处理电路11依次执行输入选择功能113和正向传播功能114。在输入选择功能113中，处理电路11选择当前帧的透视图像作为处理对象输入图像，并选择满足规定的基准的过去或者未来的帧的摄影图像作为辅助输入图像。在正向传播功能114中，处理电路11从存储器13读出将透视图像作为处理对象输入图像、将摄影图像作为辅助输入图像、并将数据缺失部分已被复原的DNN透视图像作为处理对象输出图像的学习完毕模型(ForX射线图像)。接下来，处理电路11将当前帧的透视图像输入至学习完毕模型(ForX射线图像)的输入层91的处理对象范围921，并将满足规定的基准的过去或者未来的帧的摄影图像输入至辅助范围922。并且，处理电路11将所输入的透视图像和摄影图像在学习完毕DNN中正向传播。由此，关于当前帧t，能够生成将数据缺失部分复原而得到的DNN透视图像。所生成的DNN透视图像作为静止图像显示于显示器19。
如上所述，根据应用例5，从通过X射线透视检査的执行来收集的透视图像中，选择处理对象输入图像，并选择了方式与处理对象输入图像类似并且画质较高的摄影图像作为辅助输入图像。由此，能够以低线量即时地生成及显示高画质的X射线图像。
(实施例1)
实施例1所涉及的处理电路11，根据以高间隔剔除率进行欠采样而得到的径向k空间数据，重构出动态图像。为了实现空间相关及时间相关和重构时间的延迟的降低，使用显示被援助的相关的、附加的输入图像，学习深度神经网络。实施例的方法的画质，与单输入单输出的通常的DNN重构相比，为高画质。
动态MRI的临床例中，要求高速数据收集和低延迟(low delay)的重构这两者。作为这种方法，有基于包括星形栈轨迹(即，2维黄金角径向轨迹的束)的以高间隔剔除率进行欠采样而得到的k空间数据的图像重构法、具有时间的制约的压缩感知。但是，为了评价时间的制约，要求更多的帧(例如，动态图像的全帧)。该方法不适于低延迟重构。为了低延迟重构，优选基于单一的图像的图像重构法。作为这种方法的例子，使用从单一的输入图像向单一的输出图像的DNN。但是，该方法不使用时间相关，因此与基于时间的制约的方法相比，要求更多条数的辐条。
图26是示意地表示实施例1所涉及的医用数据处理装置1的处理的图。如图26所示那样，实施例1所涉及的处理电路11，为了综合空间相关及时间相关和重构时间的延迟的降低，执行使用将N切片的邻近切片中的连续的M帧作为输入、并将单一的重构得到的图像作为输出的DNN的动态重构法。实施例所涉及的处理电路11按每帧重构图像。各帧仅依赖于(M－1)/2个未来的帧，因此重构延迟时间与基于压缩感知的方法相比得以降低。关于实施例所涉及的方法，考虑使用DNN的通常的重构法的扩张。通常的重构法是M＝N＝1。实施例所涉及的DNN包括多个卷积层、多个ReLU及多个残差网络(Residual Connection)。
图27是表示实施例1所涉及的DNN的概要的图。如图27所示那样，作为前处理步骤，处理电路11在束方向上应用快速傅里叶变换(FFT)。关于各2维径向k空间帧，处理电路11使用不等间隔FFT(NUFFT：Non-Uniform FFT)和并行成像(PI)，重构初始图像。初始图像的重构法不依赖于与其他图像的空间相关及时间相关。空间相关及时间相关被综合于DNN。中间层包括3×3的内核的卷积层和ReLU。残差网络被插入于各个2个被结合的中间层。中间层的数量是10。第1层及最终层分别仅由1×1的内核的卷积层构成。各中间层的通道的数量是128。
从2个志愿者收集了用于学习的数据集。收集了来自1个志愿者的数据集，用于妥当性验证。全部的数据集包括矩阵尺寸为256×160×16的笛卡尔图像。除此以外，妥当性验证数据集包括使用了星形栈轨迹的实际的k空间数据。关于各径向k空间帧，被分配了21条辐条。输入图像的枚数被设定为M＝5，N＝3。为了生成DNN的输入，通过对径向采样进行仿真，根据笛卡尔图像生成10帧。DNN通过具有均方差的误差函数的Adam(Adaptive momentestimation)来学习。
图28、图29、图30及图31表示使用了仿真得到的径向数据(每1帧21条辐条)的结果。图28是表示基于NUFFT+PI的重构图像的图。图29是表示基于通常重构法(M＝N＝1)的重构图像的图。
图30是表示基于实施例1所涉及的重构法(M＝5并且N＝3)的重构图像的图。图31是表示真(Truth)的重构图像的图。图32、图33及图34是表示实际的星形数据栈(每1帧21条辐条)的结果的图。图32是表示基于NUFFT+PI的重构图像的图。图33是表示基于通常重构法(M＝N＝1)的重构图像的图。图34是表示基于实施例1所涉及的重构法(M＝5并且N＝3)的重构图像的图。使用M＝5并且N＝3的重构法进行重构得到的图像的画质，与基于NUFFT+PI的图像、基于M＝N＝1的重构法的图像相比，明显提高。特别地，实际的星形数据栈，通过使用空间相关及时间相关，更明确地描绘肝脏内的构造。
实施例1所涉及的方法，根据有意图地比使用了DNN的投影重构法中的45条辐条少的、每1帧21条辐条，重构动态图像。其结果，根据实际的星形数据栈的图像的画质，比根据仿真得到的径向数据的图像的画质低。为了提高画质，应该在径向采样的仿真中说明MRI系统的采样的不完全性。仿真的提高是今后的课题。
如上所述，实施例1所涉及的方法，在DNN中综合空间相关及时间相关。不同于基于压缩感知的方法，实施例1所涉及的方法，按每帧重构图像，并能够使用于低延迟重构。实验结果示出了，实施例1所涉及的方法对于以高间隔剔除率进行欠采样而得到的径向动态图像的重构是有效的。
(实施例2)
实施例2所涉及的辅助输入图像，是与同一切片位置有关且收集时间及时间分辨率不同的2枚以上的图像。以下，对实施例2所涉及的医用数据处理装置1进行说明。实施例2所涉及的医用数据处理装置1也能够安装于能够执行时序的多帧的拍摄(动画拍摄)的任意的医用图像诊断装置。但是，为了具体地进行以下的说明，设为，医用数据处理装置1被安装于磁共振成像装置9－1。磁共振成像中，动画拍摄无论是任意的种类的k空间填充轨迹都能够执行，但在以下的实施例中，设为是基于时间分辨率比较优的径向扫描的动画拍摄。MR图像既可以是2维图像，也可以是3维图像。作为基于径向扫描的3维图像的动画拍摄，例如能够应用3维径向扫描、星形栈。
实施例2所涉及的处理电路11，在辅助输入图像对DNN的输入中执行稠密输入(Dense Input)。稠密输入是将在处理对象输入图像的帧的时间的周边存在的多帧的图像数据，以阶梯性的时间分辨率对DNN输入的方法。通过稠密输入，期待处理对象输出图像的进一步的高画质化。
图35是示意地表示稠密输入的图。图35的横轴被规定为时间，纵轴被规定为时间分辨率。时间分辨率通过等级来表现。等级1是与1个拍摄帧相当的时间分辨率。1个拍摄帧，是收集在1帧的图像重构中使用的规定量的k空间数据所必要的时间。例如，在径向扫描中1帧为10辐条的情况下，1个拍摄帧是收集10辐条的k空间数据所需要的时间。在图35中设为，时间分辨率的等级被设定为从等级1到等级5。等级2设为等级1的1/2倍的时间分辨率，等级3设为等级1的1/3倍的时间分辨率，等级4设为等级1的1/4倍的时间分辨率，等级5设为等级1的1/5倍的时间分辨率。在对N个拍摄帧(等级1的帧)应用稠密输入的情况下，生成N(N+1)/2个帧。第n等级的帧枚数是N+1－2。时间分辨率越低，则包括更多的k空间数据，所以画质良好。
具体地，通过拍摄控制功能111的实现，处理电路11收集与时序的多个等级1有关的帧FR1－1、FR1－2、FR1－3、FR1－4及FR1－5的k空间数据。通过通常复原功能11的实现，基于时序的多个帧FR1－1、FR1－2、FR1－3、FR1－4及FR1－5的k空间数据，生成帧FR1－1、FR1－2、FR1－3、FR1－4及FR1－5的MR图像。
关于等级2的处理，例如如以下那样进行处理。处理电路11将时间上连续的帧FR1－1的k空间数据和帧FR1－2的k空间数据综合，生成帧FR2－1的k空间数据。同样地，处理电路11将时间上连续的帧FR1－2的k空间数据与帧FR1－3的k空间数据综合，生成帧FR2－2的k空间数据，将时间上连续的帧FR1－3的k空间数据和帧FR1－4的k空间数据综合，生成帧FR2－3的k空间数据，将时间上连续的帧FR1－4的k空间数据和帧FR1－5的k空间数据综合，生成帧FR2－4的k空间数据。
对于等级3、4及5也进行同样地处理。例如，关于等级3，处理电路11将时间上连续的帧FR1－1的k空间数据和帧FR1－2的k空间数据和帧FR1－3的k空间数据综合，生成帧FR3－1的k空间数据。关于等级4，处理电路11例如将时间上连续的帧FR1－1的k空间数据和帧FR1－2的k空间数据和帧FR1－3的k空间数据和帧FR1－4的k空间数据综合，生成帧FR4－1的k空间数据。关于等级5，处理电路11例如将时间上连续的帧FR1－1的k空间数据和帧FR1－2的k空间数据和帧FR1－3的k空间数据和帧FR1－4的k空间数据和帧FR1－5的k空间数据综合，生成帧FR5－1的k空间数据。
此外，上述的帧的综合方法是一例，不限定于此。例如，在上述的例子中设为，将时间上连续的2个以上的帧的k空间数据综合。但是，也可以将时间上不连续的2个以上的帧的k空间数据综合。例如，也可以将帧FR1－1的k空间数据与帧FR1－3的k空间数据综合。另外，在上述的例子中，设为属于同一等级的多个帧在时间上不重复。但是，也可以设定为属于同一等级的多个帧在时间上重复。另外，设为属于同一等级的多个帧是在时间上无间隙地设定的帧，但也可以设定为在时间上相邻的2个帧在时间上隔离。
图36是表示实施例2所涉及的利用了稠密输入的DNN重构的一例的图。如图36所示那样，等级1的时间分辨率是1个拍摄帧的时间分辨率，例如是5秒/f(帧)，等级2的时间分辨率例如是10秒/f，等级3的时间分辨率例如是15秒/f。
图36的处理优选在MR拍摄时实时地执行。处理电路11通过拍摄控制功能111的实现，通过径向扫描等，生成时序的多帧的k空间数据。例如，如图36所示那样，生成时序的多个与等级1有关的帧FR1－1、FR1－2、FR1－3及FR1－4的k空间数据。基于各帧FR1－n(n为整数)的k空间数据，处理电路11即时地生成各帧FR1－n的MR图像。MR图像的重构法可以是任意的方法，但为了提高与MR图像生成有关的快速响应性，优选使用Jackson法(或者网格化法)等的简易的重构法。
另外，每当生成最新的等级1的帧FR1－4的MR图像，处理电路11基于等级1的多个帧FR1－1、FR1－2、FR1－3及FR1－4的k空间数据，生成等级2的帧FR2－1、帧FR2－2及帧FR2－3的MR图像和等级3的帧FR3－1及帧FR3－2的MR图像。并且，处理电路11选择等级1的最新的帧FR1－4的MR图像，作为处理对象输入图像。
接下来，选择辅助输入图像。在实施例2中，预先设定被选择为辅助输入图像的拍摄帧数(以下，称为辅助输入图像枚数)。辅助输入图像枚数既可以以总枚数设定，也可以按每个等级设定枚数。处理电路11从所生成的多个等级及多帧的MR图像中，选择符合条件的最新的帧的MR图像作为辅助输入图像。例如，如图36所示那样，等级1的帧数设定为4，等级2的帧数设定为3，等级3的帧数设定为2。在此情况下，等级1的最新的帧FR1－4以前的4帧FR1－4、FR1－3、FR1－2及FR1－1和基于该4帧的等级2个以上的多个帧FR2－1、FR2－2、FR2－3、FR3－1及FR3－2被选择为辅助输入图像。
这样，作为辅助输入图像，也可以选择与处理对象输入图像为同一等级并且同一帧的MR图像。在没必要的情况下，也可以将与处理对象输入图像为同一等级并且同一帧的MR图像从辅助输入图像中排除。
在选择了处理对象输入图像和辅助输入图像的情况下，处理电路11将所选择的处理对象输入图像和辅助输入图像输入至学习完毕DNN(For稠密输入)，生成处理对象输出图像。例如，如图36所示那样，对学习完毕DNN(For稠密输入)输入当前帧FR1－4的MR图像作为处理对象输入图像，并输入帧FR1－4、FR1－3、FR1－2、FR1－1、FR2－3、FR2－2、FR2－1、FR3－2、FR3－1的MR图像作为辅助输入图像的情况下，输出当前帧FR1－4的MR图像作为处理对象输出图像。根据实施例2，具有阶梯性的时间分辨率的MR图像群作为辅助输入图像被输入至学习完毕DNN。由此，能够对该学习完毕DNN仅取得在当前帧FR1－4的时间的周边存在的数帧的时间连续性。由此，能够进一步提高DNN重构图像的画质。
实施例2所涉及的学习完毕DNN(For稠密输入)，能够使用与上述的实施方式同样的方法，通过模型学习装置5来生成。学习完毕DNN(For稠密输入)被设计为能够输入多帧的MR图像，作为辅助输入图像。按每个辅助输入图像枚数，生成学习完毕DNN(For稠密输入)。正确输出图像只要是与主输入图像为同一被检体、且画质比该主输入图像高的MR图像既可，可以是任意的图像。作为这种正确输出图像，例如优选地选择与主输入图像相比时间分辨率更高的MR图像或者k空间数据量(换言之，辐条数)更多的MR图像。例如，在主输入图像的时间分辨率是等级1的情况下，优选地选择时间分辨率为等级2以上的MR图像，作为正确输出图像。作为辅助输入图像，选择稠密输入所用的MR图像群。即，选择与在主输入图像的帧的时间的周边存在的多帧有关、并且具有阶梯性的时间分辨率的多个MR图像，作为辅助输入图像。
在学习时，处理电路51，由于稠密输入所用的DNN的辅助输入图像枚数比较多，所以优选使用随机丢弃(Drop Out)的方法。随机丢弃为，从DNN中包含的多个单元中随机(或者伪随机)地选择非激活的1个或者2个以上的单元，使用非激活的DNN对所选择的1个或者2个以上的单元进行学习的方法。通过使用随机丢弃的方法，能够正确并且有效地进行学习。
如上所述，在实施例2中，通过稠密输入的方法，对DNN输入在处理对象输入图像(或者主输入图像)的时间的周边存在、且具有阶梯性的时间分辨率的MR图像群，作为辅助输入图像。通过稠密输入，可望实现输出图像的高画质化、DNN的学习效率的提高。另外，辅助输入图像限定于当前帧的过去数帧的MR图像，所以不等待动画拍摄的完毕，就能够准实时地输出MR图像。另外，能够缩短到最初的图像的输出为止的时间。
(实施例3)
实施例3是实施例2的应用。在实施例2中设为，对DNN输入具有与拍摄帧相同的时间分辨率的等级1的帧的MR图像，作为辅助输入图像。但是，本实施方式不限定于此。实施例3所涉及的处理电路11仅将等级2以上的帧的MR图像作为辅助输入图像输入至DNN。
图37是表示实施例3所涉及的利用了稠密输入的DNN重构的一例的图。如图37所示那样，设为，等级1的时间分辨率设为1个拍摄帧的时间分辨率，例如是2.5秒/f(帧)，等级2的时间分辨率例如设为5秒/f，等级3的时间分辨率例如设为7.5秒/f。在实施例3的情况下，等级1的时间分辨率比较高，所以难以以属于等级1的1帧的k空间数据，单独重构图像。单独重构是困难是，是由于1帧中包含的k空间数据量较少，因此未获得适于射线照片解释的画质的状况。即，能够对1帧的k空间数据实施FFT等的重构法，生成MR图像。
如图37所示那样，设为，等级1的帧FR1－1、FR1－2、FR1－3、FR1－4及FR1－5的k空间数据实时地生成。当前帧是帧FR1－5。基于各帧FR1－n(n为整数)的k空间数据，处理电路11通过Jackson法等的简易的重构法即时地生成各帧FR1－n的MR图像。另外，每当生成等级1的最新的帧FR1－5的MR图像，处理电路11基于等级1的当前的帧FR1－5的k空间数据和过去的帧FR1－1、FR1－2、FR1－3及FR1－4的k空间数据，生成等级2的帧FR2－1、帧FR2－2、帧FR2－3及帧FR2－4的MR图像和等级3的帧FR3－1、帧FR3－2及帧FR3－3的MR图像。并且，处理电路11选择等级1的最新的帧FR1－5的MR图像，作为处理对象输入图像。
接下来，选择辅助输入图像。在实施例3中，处理电路11从等级2以上的帧的MR图像中选择与辅助输入图像枚数符合的MR图像，作为辅助输入图像。例如，如图37所示那样，作为辅助输入图像枚数，等级2的帧数设定为4，等级3的帧数设定为4。在此情况下，选择等级1的最新的帧FR1－4以前的4帧FR1－4、FR1－3、FR1－2及FR1－1和等级2以上的多个帧FR2－1、FR2－2、FR2－3、FR3－1及FR3－2，作为辅助输入图像。
在选择了处理对象输入图像和辅助输入图像的情况下，处理电路11将所选择的处理对象输入图像和辅助输入图像输入至学习完毕DNN(For稠密输入)，生成处理对象输出图像。例如，如图37所示那样，对学习完毕DNN(For稠密输入)输入了当前帧FR1－5的MR图像作为处理对象输入图像，并输入了帧FR2－4、FR2－3、FR2－2、FR2－1、FR3－3、FR3－2、FR3－1的MR图像作为辅助输入图像的情况下，输出当前帧FR1－5的DNN重构图像作为处理对象输出图像。
此外，作为辅助输入图像，即可以选择2个以上的任意的等级以上的帧的MR图像，也可以仅选择属于等级2以上的任意等级的帧的MR图像。例如，可以仅选择属于重构等级的帧的MR图像。另外，在上述实施例中，设为选择等级1的当前帧的MR图像作为处理对象输入图像，但并不限定于此。例如，即可以是等级1的过去的帧的MR图像被选择为处理对象输入图像，也可以是等级2以上的任意的帧的MR图像被选择为处理对象输入图像。
实施例3所涉及的学习完毕DNN(For稠密输入)，能够使用与实施例2同样的方法，通过模型学习装置5来生成。例如，在主输入图像的时间分辨率为等级1的情况下，可以选择时间分辨率为等级2以上的MR图像作为正确输出图像。作为辅助输入图像，选择用于稠密输入的MR图像群。即，选择与在主输入图像的帧的时间的周边存在的多帧有关、并且具有阶梯性的时间分辨率的多个MR图像，作为辅助输入图像。
根据实施例3，在等级1的帧的时间分辨率较高而单独重构变得困难的情况下，将等级2以上的帧的MR图像作为辅助输入图像，通过稠密输入的方法输入至学习完毕DNN。由此能够维持高拍摄帧速率，并且能够输出高画质的MR图像。
(其他的实施方式)
在上述的实施方式及其应用例中，记载了通过机器学习的一种方法即深度神经网络导出带参数合成函数的参数的例子，但实施方式并不限定于此。作为机器学习的方法，不限于模拟生物的脑的神经电路的方法，也可以应用其他的方法。另外，实施方式并不限于通过机器学习导出带参数合成函数的参数。例如，也可以不使用机器学习，而通过人适当调整参数来导出。即，医用数据处理装置1使用的学习完毕模型90，不限定于通过模型学习装置5所生成的机器学习模型。例如，医用数据处理装置1，使用按照用户指示设定了参数的机器学习模型作为学习完毕模型90。
根据以上说明的至少一个实施方式，能够提高医用数据的复原精度。
在上述说明中使用的“处理器”这一用语，例如表示CPU、GPU、或者特定用途专用集成电路(Application Specific Integrated Circuit：ASIC)、可编程逻辑器件(例如，简单可编程逻辑器件(Simple Programmable Logic Device：SPLD)、复合可编程逻辑器件(Complex Programmable Logic Device：CPLD)及现场可编程门阵列(Field ProgrammableGate Array：FPGA)等的电路。处理器通过读出并执行保存于存储电路的程序来实现功能。此外，也可以代替在存储电路中保存程序，而采用在处理器的电路内直接装入程序的构成。在此情况下，处理器通过读出并执行电路内装入的程序来实现功能。另外，也可以不是执行程序，而通过逻辑电路的组合来实现与该程序对应的功能。此外，本实施方式的各处理器，不限于按每个处理器构成为单一的电路的情况，也可以将多个独立的电路组合而构成为1个处理器，并实现其功能。并且，也可以将图1、图3、图14、图15、图17、图19、图21及图24中的多个构成要素综合为1个处理器来实现其功能。
以下，对本说明书所公开的各种发明的一部分，附记了宗旨。
[附记1－1]
一种医用数据处理装置，具备：
存储部，存储具有输入层、输出层及设于上述输入层与上述输出层之间的至少一个中间层的学习完毕模型，该输入层输入第一MR数据、和与上述第一MR数据为同一拍摄对象并且与不同于上述第一MR数据的成像参数有关的第二MR数据，该输出层输出将上述第一MR数据的缺失部分复原而得到的第三MR数据；以及
处理部，按照上述学习完毕模型，根据与被检体有关的处理对象的第一MR数据、和与上述被检体有关并且通过与上述处理对象的第一MR数据不同的成像参数收集到的第二MR数据，生成与上述被检体有关的第三MR数据。
[附记1－2]
根据[附记1－1]所述的医用数据处理装置，上述第一MR数据和上述第二MR数据，是k空间数据或者对上述k空间数据实施复原处理而生成的MR图像数据。
[附记1－3]
根据[附记1－2]所述的医用数据处理装置，上述复原处理是降噪式复原或者数据误差反馈式复原。
[附记1－4]
根据[附记1－1]所述的医用数据处理装置，上述成像参数包括切片位置、收集时刻、收集序列、k空间填充轨迹及时间分辨率中的至少一个。
[附记1－5]
根据[附记1－4]所述的医用数据处理装置，上述第一MR数据与上述第二MR数据相比，数据间隔剔除量多，。
[附记1－6]
根据[附记1－1]所述的医用数据处理装置，上述第一MR数据和上述第二MR数据，作为单一的输入向量，被输入至上述学习完毕模型。
[附记1－7]
根据[附记1－6]所述的医用数据处理装置，
上述第一MR数据被设定于上述输入向量的第一范围，
上述第二MR数据被设定于上述输入向量的第二范围，
上述第一范围与上述第二范围的位置被固定。
[附记1－8]
根据[附记1－7]所述的医用数据处理装置，
上述第二MR数据具有成像参数不同的多组MR数据，
上述多组的各组的上述第二MR数据，被设定于上述输入向量的上述第二范围中的被固定的范围。
[附记1－9]
根据[附记1－1]所述的医用数据处理装置，还具备学习部，该学习部对于将多个函数合成而得到的带参数合成函数应用第一MR数据和第二MR数据而生成估计输出数据，并以使得上述估计输出数据与正确输出数据近似的方式将上述带参数合成函数的参数更新，从而生成上述学习完毕模型。
[附记1－10]
根据[附记1－1]所述的医用数据处理装置，
还具备按照用户的指示来选择拍摄部位的选择部，
上述处理部根据所选择的上述拍摄部位，切换学习完毕模型。
[附记1－11]
根据[附记1－1]所述的医用数据处理装置，
上述成像参数包括第一参数和第二参数，
上述第一MR数据与上述第二MR数据，上述第一参数共通，上述第二参数不同，
上述第一MR数据与上述第三MR数据，上述第一参数和上述第二参数共通，
上述第二MR数据与上述第三MR数据，上述第一参数共通，上述第二参数不同，
上述第三MR数据与上述第一MR数据相比，数据缺失少或者画质高。
[附记1－12]
根据[附记1－11]所述的医用数据处理装置，
上述第一参数是切片位置，
上述第二参数是收集时刻、收集序列、k空间填充轨迹及时间分辨率。
[附记1－13]
根据[附记1－11]所述的医用数据处理装置，
上述第一参数是收集序列、k空间填充轨迹及时间分辨率中的至少一个，
上述第二参数是切片位置。
[附记1－14]
根据[附记1－11]所述的医用数据处理装置，
上述第一参数是切片位置、和收集序列中的EPI，
上述第二参数是收集序列中的b值。
[附记1－15]
存储部，存储具有输入层、输出层及设于上述输入层与上述输出层之间的至少一个中间层的学习完毕模型，上述输入层输入第一k空间数据或者第一MR图像数据、及与上述第一k空间数据或者第一MR图像数据为同一拍摄对象并且与不同于上述第一k空间数据或者第一MR图像数据的成像参数有关的第二k空间数据或者第二MR图像数据，该输出层输出将上述第一k空间数据或者第一MR图像数据的缺失部分复原而得到的第三k空间数据或者第三MR图像数据；
收集部，对被检体实施MR拍摄，收集与第一成像参数有关的第一k空间数据及与不同于上述第一成像参数的第二成像参数有关的第二k空间数据；以及
处理部，按照上述学习完毕模型，根据上述所收集到的k空间数据或者基于上述所收集到的k空间数据的MR图像数据以及上述所收集到的第二k空间数据或者基于上述所收集到的k空间数据的MR图像数据，生成与上述被检体有关的第三k空间数据或者第三MR图像数据，
[附记1－16]
根据[附记1－15]所述的磁共振成像装置，
上述收集部收集包括上述第一k空间数据及上述第二k空间数据的时序的多帧的k空间数据，
上述处理部从上述多帧的k空间数据中，选择一个第1帧的k空间数据，作为上述第一k空间数据，并选择一个或者多个第2帧的k空间数据，作为上述第二k空间数据。
[附记1－17]
根据[附记1－15]所述的磁共振成像装置，
上述收集部收集包括上述第一k空间数据及上述第二k空间数据的时序的多帧的k空间数据，
上述处理部从上述多帧的k空间数据中，选择一个第1帧的k空间数据作为上述第一k空间数据，基于上述多帧的k空间数据，生成收集时间及/或时间分辨率不同的多个第2帧的k空间数据，选择上述多个第2帧的k空间数据，作为上述第二k空间数据。
[附记1－18]
根据[附记1－17]所述的磁共振成像装置，
上述处理部，基于上述第1帧的k空间数据，生成上述第1帧的输入MR图像数据，基于上述多帧的k空间数据，生成上述多个第2帧的k空间数据，基于上述多个第2帧的k空间数据，生成多个第2帧的输入MR图像数据，
并按照上述学习完毕模型，根据上述第1帧的输入MR图像数据及上述多个第2帧的输入MR图像数据，生成上述第一帧的输出MR图像数据，作为上述第三MR数据。
[附记1－19]
根据[附记1－17]所述的磁共振成像装置，
上述多个帧与上述第1帧，具有第一时间分辨率等级，
上述多个第2帧具有比上述第一时间分辨率等级低的第二时间分辨率等级。
[附记1－20]
根据[附记1－19]所述的磁共振成像装置，
上述第一时间分辨率等级，具有与1个拍摄帧相当的时间分辨率，
上述第二时间分辨率等级，具有与2个以上的拍摄帧相当的时间分辨率，
上述多个第2帧具有N(N+1)/2个帧，
上述多个第2帧，关于从与N个拍摄帧相当的时间分辨率等级一直到与2个拍摄帧相当的时间分辨率等级为止的各第n时间分辨率等级，具有(N+1－n)个帧。
[附记1－21]
根据[1－16]所述的磁共振成像装置，上述第一MR数据包含于上述第二MR数据中。
[附记1－22]
一种学习完毕模型生成方法，具备：
对于将多个函数合成而得到的带参数合成函数，应用第一MR数据及与上述第一MR数据为同一摄影对象并且与不同于上述第一MR数据的成像参数有关的第二MR数据，生成估计输出数据的工序；以及
以上述估计输出数据与将上述第一MR数据的缺失部分复原而得到的正确输出数据近似的方式更新上述带参数合成函数的参数，从而生成学习完毕模型的工序。
[附记2－1]
一种医用数据处理装置，具备：
存储部，存储具有输入层、输出层以及设于上述输入层与上述输出层之间的至少一个中间层的学习完毕模型，该输入层输入第一CT数据、及与上述第一CT数据为同一拍摄对象并且与不同于上述第一CT数据的成像参数有关的第二CT数据，该输出层输出将上述第一CT数据的缺失部分复原而得到的第三CT数据；以及
处理部，按照上述学习完毕模型，根据与被检体有关的处理对象的第一CT数据及与上述被检体有关并且通过与上述处理对象的第一CT数据不同的成像参数所收集到的第二CT数据，生成与上述被检体有关的第三CT数据。
[附记2－2]
根据[附记2－1]所述的医用数据处理装置，上述第一CT数据和上述第二CT数据，是投影数据或者对上述投影数据实施复原处理而生成的CT图像数据。
[附记2－3]
根据[附记2－2]所述的医用数据处理装置，上述复原处理是降噪式复原或者数据误差反馈式复原。
[附记2－4]
根据[附记2－1]所述的医用数据处理装置，上述成像参数包括切片位置、收集时刻、管电流、管电压、焦点尺寸、检测器空间分辨率、视图数、重构函数、架台旋转速度及时间分辨率中的至少一个。
[附记2－5]
根据[附记2－4]所述的医用数据处理装置，上述第一CT数据与上述第二CT数据相比，数据间隔剔除量多。
[附记2－6]
根据[附记2－1]所述的医用数据处理装置，上述第一CT数据和上述第二CT数据，作为单一的输入向量，被输入至上述学习完毕模型。
[附记2－7]
根据[附记2－6]所述的医用数据处理装置，
上述第一CT数据被设定于上述输入向量的第一范围，
上述第二CT数据被设定于上述输入向量的第二范围，
上述第一范围与上述第二范围的位置被固定。
[附记2－8]
根据[附记2－7]所述的医用数据处理装置，
上述第二CT数据具有成像参数不同的多组CT数据，
上述多组的各组上述第二CT数据，被设定于上述输入向量的上述第二范围中的被固定的范围。
[附记2－9]
根据[附记2－1]所述的医用数据处理装置，还具备学习部，该学习部对于将多个函数合成而得到的带参数合成函数，应用第一CT数据和第二CT数据，生成估计输出数据，以上述估计输出数据与正确输出数据近似的方式将上述带参数合成函数的参数更新，从而生成上述学习完毕模型。
[附记2－10]
根据[附记2－1]所述的医用数据处理装置，
还具备按照用户的指示来选择拍摄部位的选择部，
上述处理部根据所选择的上述拍摄部位，切换学习完毕模型。
[附记2－11]
根据[附记2－1]所述的医用数据处理装置，
上述成像参数包括第一参数和第二参数，
上述第一CT数据和上述第二CT数据，上述第一参数共通，上述第二参数不同，
上述第一CT数据和上述第三CT数据，上述第一参数与上述第二参数共通，
上述第二CT数据和上述第三CT数据，上述第一参数共通，上述第二参数不同，
上述第三CT数据与上述第一CT数据相比，数据缺失少或者画质高。
[附记2－12]
根据[附记2－11]所述的医用数据处理装置，
上述第一参数是切片位置，
上述第二参数是收集时刻及管电流。
[附记2－13]
一种X射线计算机断层摄影装置，具备：
存储部，存储具有输入层、输出层及设于上述输入层与上述输出层之间的至少一个中间层的学习完毕模型，该输入层输入第一投影数据或者第一CT图像数据、及与上述第一投影数据或者第一CT图像数据为同一的拍摄对象并且与不同于上述第一投影数据或者第一CT图像数据的成像参数有关的第二投影数据或者第二CT图像数据，该输出层输出将上述第一投影数据或者第一CT图像数据的缺失部分复原而得到的第三投影数据或者第三CT图像数据；
收集部，对上述被检体实施CT拍摄，收集与第一成像参数有关的第一投影数据及与不同于上述第一成像参数的第二成像参数有关的第二投影数据；以及
处理部，按照上述学习完毕模型，根据所收集到的上述第一投影数据或者第一CT图像数据和所收集到的上述第二投影数据或者第二CT图像数据，生成与上述被检体有关的第三投影数据或者第三CT图像数据。
[附记2－14]
根据[附记2－13]所述的X射线计算机断层摄影装置，
上述收集部取得旋转框的多个回转的投影数据，
上述处理部基于上述多个回转的投影数据中的第1回转的投影数据，生成第1回转的CT图像数据，作为上述第一CT图像数据，基于上述多个回转的投影数据中的第2回转的投影数据，生成第2回转的CT图像数据，作为上述第二CT图像数据。
[附记2－15]
根据[附记2－14]所述的X射线计算机断层摄影装置，
上述第1回转的投影数据通过高线量的CT拍摄生成，
上述第2回转的投影数据通过低线量的CT拍摄生成。
[附记2－16]
一种学习完毕模型生成方法，具备：
对于将多个函数合成而得到的带参数合成函数，应用第一CT数据及与上述第一CT数据为同一摄影对象并且与不同于上述第一CT数据的成像参数有关的第二CT数据，生成估计输出数据的工序；
以上述估计输出数据与将上述第一CT数据的缺失部分复原而得到的正确输出数据近似的方式更新上述带参数合成函数的参数，从而生成学习完毕模型的工序。
[附记3－1]
一种医用数据处理装置，具备：
存储部，存储具有输入层、输出层及设于上述输入层与上述输出层之间的至少一个中间层的学习完毕模型，该输入层输入第一US数据、及与上述第一US数据为同一拍摄对象并且与不同于上述第一US数据的成像参数有关的第二US数据，该输出层输出将上述第一US数据的缺失部分复原而得到的第三US数据；以及
处理部，按照上述学习完毕模型，根据与被检体有关的处理对象的第一US数据及与上述被检体有关并且通过与上述处理对象的第一US数据不同的成像参数所收集到的第二US数据，生成与上述被检体有关的第三US数据。
[附记3－2]
根据[附记3－1]所述的医用数据处理装置，上述第一US数据和上述第二US数据，是US原数据或者对上述US原数据实施复原处理而生成的US图像数据。
[附记3－3]
根据[附记3－2]所述的医用数据处理装置，上述复原处理是降噪式复原或者数据误差反馈式复原。
[附记3－4]
根据[附记3－1]所述的医用数据处理装置，上述成像参数包括切片位置、收集时刻、焦点位置、增益、发送强度、接收强度、PRF、束扫描方式、扫描模式及时间分辨率中的至少一个。
[附记3－5]
根据[附记3－4]所述的医用数据处理装置，上述第一US数据与上述第二US数据相比，数据间隔剔除量多。
[附记3－6]
根据[附记3－1]所述的医用数据处理装置，
上述第一US数据和上述第二US数据，作为单一的输入向量，被输入至上述学习完毕模型。
[附记3－7]
根据[附记3－6]所述的医用数据处理装置，
上述第一US数据被设定于上述输入向量的第一范围，
上述第二US数据被设定于上述输入向量的第二范围，
上述第一范围与上述第二范围的位置被固定。
[附记3－8]
根据[附记3－7]所述的医用数据处理装置，
上述第二US数据具有成像参数不同的多组US数据，
上述多组的各组上述第二US数据，被设定于上述输入向量的上述第二范围中的被固定的范围。
[附记3－9]
根据[附记3－1]所述的医用数据处理装置，还具备学习部，该学习部对于将多个函数合成而得到的带参数合成函数，应用第一US数据和第二US数据，生成估计输出数据，以使得上述估计输出数据与正确输出数据近似的方式将上述带参数合成函数的参数更新，从而生成上述学习完毕模型。
[附记3－10]
根据[附记3－1]所述的医用数据处理装置，
还具备按照用户的指示来选择拍摄部位的选择部，
上述处理部根据所选择的上述拍摄部位，切换学习完毕模型。
[附记3－11]
根据[附记3－1]所述的医用数据处理装置，
上述成像参数包括第一参数和第二参数，
上述第一US数据与上述第二US数据，上述第一参数共通，上述第二参数不同，
上述第一US数据与上述第三US数据，上述第一参数和上述第二参数共通，
上述第二US数据与上述第三US数据，上述第一参数共通，上述第二参数不同，
上述第三US数据与上述第一US数据相比，数据缺失少或者画质高。
[附记3－12]
根据[附记3－11]所述的医用数据处理装置，
上述第一参数是切片位置，
上述第二参数是收集时刻。
[附记3－13]
一种超声波诊断装置，具备：
存储部，存储具有输入层、输出层及设于上述输入层与上述输出层之间的至少一个中间层的学习完毕模型，该输入层输入第一US原数据或者第一US图像数据、及与上述第一US原数据或者第一US图像数据为同一拍摄对象并且与不同于上述第一US原数据或者第一US图像数据的成像参数有关的第二US原数据或者第二US图像数据，该输出层输出将上述第一US原数据或者第一US图像数据的缺失部分复原而得到的第三US原数据或者第三US图像数据；
收集部，对上述被检体实施US拍摄，而收集与第一成像参数有关的第一US原数据及与不同于上述第一成像参数的第二成像参数有关的第二US原数据；以及
处理部，按照上述学习完毕模型，根据所收集到的上述第一US原数据或者基于所收集到的上述第一US原数据的US图像数据、和所收集到的上述第二US原数据或者基于所收集到的上述第二US原数据的US图像数据，生成与上述被检体有关的第三US原数据或者第三US图像数据。
[附记3－14]
根据[附记3－13]所述的超声波诊断装置，
上述收集部收集时序的多帧的US原数据，
上述处理部，从上述多帧的US原数据中，选择一个第1帧的US原数据，作为上述第一US原数据，选择一个或者多个第2帧的US原数据，作为上述第二US原数据。
[附记3－15]
根据[附记3－14]所述的超声波诊断装置，
上述处理部，
基于上述第1帧的US原数据，生成上述第1帧的输入US图像数据，基于上述第2帧的US原数据，生成上述第2帧的输入US图像数据，
按照上述学习完毕模型，根据上述第1帧的输入US图像数据和上述多个第2帧的输入US图像数据，生成上述第一帧的输出US图像数据，作为上述第三US数据。
[附记3－16]
根据[附记3－15]所述的超声波诊断装置，还具备显示部，该显示部将基于上述多帧的US原数据的上述多帧的US图像数据实时地显示，
上述处理部，
在通过用户进行了图像静止指示的情况下，选择在进行了上述图像静止指示的时间点显示于上述显示设备的US波图像数据，作为上述第1帧的US图像数据，
选择距进行了上述图像静止指示的时间点为规定帧之前的帧或者距进行了上述图像静止指示的时间点为规定帧之后的帧的US图像数据，作为上述第2帧的US图像数据。
[附记3－17]
一种学习完毕模型生成方法，具备：
对于将多个函数合成而得到的带参数合成函数，应用第一US数据、及与上述第一US数据为同一摄影对象并且与不同于上述第一US数据的成像参数有关的第二US数据，生成估计输出数据的工序；以及
以使上述估计输出数据与将上述第一US数据的缺失部分复原而得到的正确输出数据近似的方式更新上述带参数合成函数的参数，从而生成学习完毕模型的工序。
[附记4－1]
一种医用数据处理装置，具备：
存储部，存储具有输入层、输出层及设于上述输入层与上述输出层之间的至少一个中间层的学习完毕模型，该输入层输入第一医用数据、及与上述第一医用数据为同一拍摄对象并且与不同于上述第一医用数据的成像参数有关的第二医用数据，该输出层输出将上述第一医用数据的缺失部分复原而得到的第三医用数据；以及
处理部，按照上述学习完毕模型，根据与被检体有关的处理对象的第一医用数据、及与上述被检体有关并且通过不同于上述处理对象的第一医用数据的成像参数所收集到的第二医用数据，生成与上述被检体有关的第三医用数据。
[附记4－2]
根据[附记4－1]所述的医用数据处理装置，上述第一医用数据和上述第二医用数据，是原数据或者对上述原数据实施复原处理而生成的医用图像数据。
[附记4－3]
根据[附记4－2]所述的医用数据处理装置，上述复原处理是降噪式复原或者数据误差反馈式复原。
[附记4－4]
根据[附记4－1]所述的医用数据处理装置，上述成像参数包括切片位置、医用数据的拍摄原理及时间分辨率中的至少一个。
[附记4－5]
根据[附记4－4]所述的医用数据处理装置，上述第一医用数据，与上述第二医用数据相比，数据间隔剔除量多。
[附记4－6]
根据[附记4－1]所述的医用数据处理装置，上述第一医用数据和上述第二医用数据，作为单一的输入向量，被输入至上述学习完毕模型。
[附记4－7]
根据[附记4－6]所述的医用数据处理装置，
上述第一医用数据被设定于上述输入向量的第一范围，
上述第二医用数据被设定于上述输入向量的第二范围，
上述第一范围与上述第二范围的位置被固定。
[附记4－8]
根据[附记4－7]所述的医用数据处理装置，
上述第二医用数据具有成像参数不同的多组医用数据，
上述多组的各组上述第二医用数据，被设定于上述输入向量的上述第二范围中的被固定的范围。
[附记4－9]
根据[附记4－1]所述的医用数据处理装置，还具备学习部，该学习部对于将多个函数合成而得到的带参数合成函数，应用第一医用数据和第二医用数据，生成估计输出数据，以使得上述估计输出数据与正确输出数据近似的方式将上述带参数合成函数的参数更新，从而生成上述学习完毕模型。
[附记4－10]
根据[附记4－1]所述的医用数据处理装置，
还具备按照用户的指示来选择拍摄部位的选择部，
上述处理部根据所选择的上述拍摄部位，切换学习完毕模型。
[附记4－11]
根据[附记4－1]所述的医用数据处理装置，
上述成像参数包括第一参数和第二参数，
上述第一医用数据与上述第二医用数据，上述第一参数共通，上述第二参数不同，
上述第一医用数据与上述第三医用数据，上述第一参数和上述第二参数共通，
上述第二医用数据与上述第三医用数据，上述第一参数共通，上述第二参数不同，
上述第三医用数据，与上述第一医用数据相比，数据缺失少或者画质高。
[附记4－12]
根据[附记4－11]所述的医用数据处理装置，
上述第一参数是切片位置，
上述第二参数是医用数据的拍摄原理。
[附记4－13]
根据[附记4－12]所述的医用数据处理装置，
与上述第一医用数据有关的上述第二参数，作为上述拍摄原理，是PET拍摄，
与上述第二医用数据有关的上述第二参数，作为上述拍摄原理，是X射线CT拍摄。
[附记4－14]
一种医用图像诊断装置，具备：
存储部，存储具有输入层、输出层、及设于上述输入层与上述输出层之间的至少一个中间层的学习完毕模型，该输入层输入第一医用数据、及与上述第一医用数据为同一拍摄对象并且与不同于上述第一医用数据的成像参数有关的第二医用数据，该输出层输出将上述第一医用数据的缺失部分复原而得到的第三医用数据；
收集部，对上述被检体实施拍摄，而收集与第一成像参数有关的第一医用数据及与不同于上述第一成像参数的第二成像参数有关的第二医用数据；以及
处理部，按照上述学习完毕模型，根据所收集到的上述第一医用数据和所收集到的上述第二医用数据，生成与上述被检体有关的第三医用数据。
[附记4－15]
根据[附记4－14]所述的医用图像诊断装置，上述收集部具有对上述被检体实施PET拍摄而收集上述第一医用数据的PET扫描器及对上述被检体实施X射线CT拍摄而收集上述第二医用数据的X射线CT扫描器。
[附记4－16]
一种学习完毕模型生成方法，具备：
对于将多个函数合成而得到的带参数合成函数，应用第一医用数据及与上述第一医用数据为同一摄影对象并且与不同于上述第一医用数据的成像参数有关的第二医用数据，生成估计输出数据的工序；以及
以使上述估计输出数据与将上述第一医用数据的缺失部分复原而得到的正确输出数据近似的方式更新上述带参数合成函数的参数，由此生成学习完毕模型的工序。

Claims (20)

1.一种医用数据处理装置，具备：
存储部，存储具有输入层、输出层及设于上述输入层与上述输出层之间的至少一个中间层的学习完毕模型，该输入层输入第一医用数据、和与上述第一医用数据为同一拍摄对象并且与不同于上述第一医用数据的成像参数有关的第二医用数据，该输出层输出将上述第一医用数据的缺失部分复原而得到的第三医用数据；以及
处理部，按照上述学习完毕模型，根据与被检体有关的处理对象的第一医用数据、和与上述被检体有关并且通过与上述处理对象的第一医用数据不同的成像参数收集到的第二医用数据，生成与上述被检体有关的第三医用数据，
上述第一医用数据是与X射线计算机断层摄影有关的第一CT数据或与PET摄影有关的第一PET数据，
上述第二医用数据是与X射线计算机断层摄影有关的第二CT数据或与PET摄影有关的第二PET数据，
上述第三医用数据是与X射线计算机断层摄影有关的第三CT数据或与PET摄影有关的第三PET数据。
2.如权利要求1所述的医用数据处理装置，
上述第一医用数据是上述第一CT数据，
上述第二医用数据是上述第二CT数据，
上述第三医用数据是上述第三CT数据，
上述第一CT数据和上述第二CT数据是投影数据或对上述投影数据实施复原处理而生成的CT图像数据。
3.如权利要求2所述的医用数据处理装置，
上述复原处理是降噪式复原或者数据误差反馈式复原。
4.如权利要求1所述的医用数据处理装置，
上述成像参数包括切片位置、收集时刻、管电流、管电压、焦点尺寸、检测器空间分辨率、视图数、重构函数、架台旋转速度及时间分辨率中的至少一个。
5.如权利要求1所述的医用数据处理装置，
上述第一医用数据与上述第二医用数据相比，数据间隔剔除量多。
6.如权利要求1所述的医用数据处理装置，
上述第一医用数据和上述第二医用数据，作为单一的输入向量，被输入至上述学习完毕模型。
7.如权利要求6所述的医用数据处理装置，
上述第一医用数据被设定于上述输入向量的第一范围，
上述第二医用数据被设定于上述输入向量的第二范围，
上述第一范围与上述第二范围的位置被固定。
8.如权利要求7所述的医用数据处理装置，
上述第二CT数据具有成像参数不同的多组CT数据，
上述多组的各组的上述第二CT数据，被设定于上述输入向量的上述第二范围中的被固定的范围。
9.如权利要求1所述的医用数据处理装置，
还具备学习部，该学习部对于将多个函数合成而得到的带参数合成函数应用第一CT数据或所述第一PET数据和第二CT数据或所述第二PET数据而生成估计输出数据，并以使得上述估计输出数据与正确输出数据近似的方式将上述带参数合成函数的参数更新，从而生成上述学习完毕模型。
10.如权利要求1所述的医用数据处理装置，
还具备按照用户的指示来选择拍摄部位的选择部，
上述处理部根据所选择的上述拍摄部位，切换学习完毕模型。
11.如权利要求1所述的医用数据处理装置，
上述成像参数包括第一参数和第二参数，
上述第一医用数据与上述第二医用数据，上述第一参数共通，上述第二参数不同，
上述第一医用数据与上述第三医用数据，上述第一参数和上述第二参数共通，
上述第二医用数据与上述第三医用数据，上述第一参数共通，上述第二参数不同，
上述第三医用数据与上述第一医用数据相比，数据缺失少或者画质高。
12.如权利要求11所述的医用数据处理装置，
上述第一参数是切片位置，
上述第二参数是收集时刻及管电流。
13.如权利要求11所述的医用数据处理装置，
与上述第一医用数据有关的上述第二参数，作为上述拍摄原理，是PET拍摄，
与上述第二医用数据有关的上述第二参数，作为上述拍摄原理，是X射线CT拍摄。
14.如权利要求1所述的医用数据处理装置，
上述第一医用数据是上述第一PET数据，
上述第二医用数据是上述第二PET数据，
上述第三医用数据是上述第三PET数据，
上述第一PET数据和上述第二PET数据是对符合数据或正弦图数据实施复原处理而生成的PET图像数据。
15.一种医用图像诊断装置，具备：
存储部，存储具有输入层、输出层、及设于上述输入层与上述输出层之间的至少一个中间层的学习完毕模型，该输入层输入第一医用数据、及与上述第一医用数据为同一拍摄对象并且与不同于上述第一医用数据的拍摄参数成像参数有关的第二医用数据，该输出层输出将上述第一医用数据的缺失部分复原而得到的第三医用数据；
收集部，对上述被检体实施拍摄，而收集与第一拍摄参数成像参数有关的第一医用数据及与不同于上述第一拍摄参数成像参数的第二拍摄参数成像参数有关的第二医用数据；以及
处理部，按照上述学习完毕模型，根据所收集到的上述第一医用数据和所收集到的上述第二医用数据，生成与上述被检体有关的第三医用数据，
上述第一医用数据是与X射线计算机断层摄影有关的第一CT数据或与PET摄影有关的第一PET数据，
上述第二医用数据是与X射线计算机断层摄影有关的第二CT数据或与PET摄影有关的第二PET数据，
上述第三医用数据是与X射线计算机断层摄影有关的第三CT数据或与PET摄影有关的第三PET数据。
16.如权利要求15所述的磁共振成像装置，
上述第一医用数据是上述第一CT数据，
上述第二医用数据是上述第二CT数据，
上述第三医用数据是上述第三CT数据，
上述第一CT数据是第一投影数据或对上述第一投影数据实施复原处理而生成的第一CT图像数据，
上述第二CT数据是第二投影数据或对上述第二投影数据实施复原处理而生成的第二CT图像数据，
上述第三CT数据是第三投影数据或对上述第三投影数据实施复原处理而生成的第三CT图像数据。
17.如权利要求16所述的磁共振成像装置，
上述收集部取得旋转框的多个回转的投影数据，
上述处理部基于上述多个回转的投影数据中的第1回转的投影数据，生成第1回转的CT图像数据，作为上述第一CT图像数据，基于上述多个回转的投影数据中的第2回转的投影数据，生成第2回转的CT图像数据，作为上述第二CT图像数据。
18.如权利要求17所述的磁共振成像装置，
上述第1回转的投影数据通过高线量的CT拍摄生成，
上述第2回转的投影数据通过低线量的CT拍摄生成。
19.如权利要求15所述的磁共振成像装置，
上述收集部具有对上述被检体实施PET拍摄而收集上述第一医用数据的PET扫描器及对上述被检体实施X射线CT拍摄而收集上述第二医用数据的X射线CT扫描器。
20.一种学习完毕模型生成方法，具备：
对于将多个函数合成而得到的带参数合成函数，应用第一医用数据及与上述第一医用数据为同一摄影对象并且与不同于上述第一医用数据的拍摄参数成像参数有关的第二医用数据，生成估计输出数据的工序；以及
以使上述估计输出数据与将上述第一医用数据的缺失部分复原而得到的正确输出数据近似的方式更新上述带参数合成函数的参数，由此生成学习完毕模型的工序，
上述第一医用数据是与X射线计算机断层摄影有关的第一CT数据或与PET摄影有关的第一PET数据，
上述第二医用数据是与X射线计算机断层摄影有关的第二CT数据或与PET摄影有关的第二PET数据。
CN202310728132.5A 2017-11-24 2018-11-06 医用数据处理装置、磁共振成像装置及学习完毕模型生成方法 Pending CN116741352A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2017-226243 2017-11-24
JP2017226243 2017-11-24
PCT/JP2018/041193 WO2019102846A1 (ja) 2017-11-24 2018-11-06 医用データ処理装置、磁気共鳴イメージング装置及び学習済みモデル生成方法
CN201880003369.4A CN110121293B (zh) 2017-11-24 2018-11-06 医用数据处理装置、成像装置及学习完毕模型生成方法

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
CN201880003369.4A Division CN110121293B (zh) 2017-11-24 2018-11-06 医用数据处理装置、成像装置及学习完毕模型生成方法

Publications (1)

Publication Number Publication Date
CN116741352A true CN116741352A (zh) 2023-09-12

Family

ID=66631722

Family Applications (3)

Application Number Title Priority Date Filing Date
CN201880003369.4A Active CN110121293B (zh) 2017-11-24 2018-11-06 医用数据处理装置、成像装置及学习完毕模型生成方法
CN202310728134.4A Pending CN116741353A (zh) 2017-11-24 2018-11-06 医用数据处理装置、磁共振成像装置及学习完毕模型生成方法
CN202310728132.5A Pending CN116741352A (zh) 2017-11-24 2018-11-06 医用数据处理装置、磁共振成像装置及学习完毕模型生成方法

Family Applications Before (2)

Application Number Title Priority Date Filing Date
CN201880003369.4A Active CN110121293B (zh) 2017-11-24 2018-11-06 医用数据处理装置、成像装置及学习完毕模型生成方法
CN202310728134.4A Pending CN116741353A (zh) 2017-11-24 2018-11-06 医用数据处理装置、磁共振成像装置及学习完毕模型生成方法

Country Status (5)

Country Link
US (2) US11278213B2 (zh)
EP (1) EP3714784A4 (zh)
JP (5) JP6545887B2 (zh)
CN (3) CN110121293B (zh)
WO (1) WO2019102846A1 (zh)

Families Citing this family (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6932181B2 (ja) * 2016-07-21 2021-09-08 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 動き補正された圧縮検知磁気共鳴イメージング
US10776925B2 (en) * 2018-04-27 2020-09-15 General Eelectric Company System and method for generating a water-fat seperated image
JP7126864B2 (ja) 2018-05-25 2022-08-29 キヤノンメディカルシステムズ株式会社 医用信号処理装置及び学習プログラム
CN108876783B (zh) 2018-06-27 2021-02-05 上海联影医疗科技股份有限公司 图像融合方法及系统、医疗设备和图像融合终端
US11756691B2 (en) * 2018-08-01 2023-09-12 Martin Reimann Brain health comparison system
JP7206073B2 (ja) * 2018-08-21 2023-01-17 キヤノンメディカルシステムズ株式会社 医用画像処理装置、医用画像生成装置、医用画像処理方法、およびプログラム
DE102018214325A1 (de) * 2018-08-24 2020-02-27 Siemens Healthcare Gmbh Verfahren und Bereitstellungseinheit zum Bereitstellen eines virtuellen tomographischen Schlaganfall-Nachfolgeuntersuchungsbildes
JP7224817B2 (ja) 2018-09-06 2023-02-20 キヤノンメディカルシステムズ株式会社 信号データ処理装置
US11037030B1 (en) * 2018-10-29 2021-06-15 Hrl Laboratories, Llc System and method for direct learning from raw tomographic data
CN109727223B (zh) * 2018-12-27 2021-02-05 上海联影医疗科技股份有限公司 一种医学图像自动融合方法和系统
JP7272818B2 (ja) 2019-02-26 2023-05-12 キヤノンメディカルシステムズ株式会社 データ処理装置、方法及びプログラム
JP7516074B2 (ja) * 2019-03-05 2024-07-16 キヤノンメディカルシステムズ株式会社 医用処理装置
US12002203B2 (en) 2019-03-12 2024-06-04 Bayer Healthcare Llc Systems and methods for assessing a likelihood of CTEPH and identifying characteristics indicative thereof
US11224399B2 (en) * 2019-07-12 2022-01-18 Canon Medical Systems Corporation Apparatus and method using deep learning (DL) to compensate for large focal spot size in x-ray projection imaging
EP3764325B1 (en) * 2019-07-12 2024-05-15 Canon Medical Systems Corporation System and program for avoiding focal spot blurring
US11244443B2 (en) * 2019-07-28 2022-02-08 Advantest Corporation Examination apparatus, examination method, recording medium storing an examination program, learning apparatus, learning method, and recording medium storing a learning program
KR102317337B1 (ko) * 2019-07-30 2021-10-26 한국과학기술원 다양한 센서 조건에서의 초음파 영상 처리 장치 및 그 방법
JPWO2021033291A1 (zh) * 2019-08-21 2021-02-25
WO2021052896A1 (de) 2019-09-18 2021-03-25 Bayer Aktiengesellschaft Vorhersage von mrt-aufnahmen durch ein mittels überwachten lernens trainiertes vorhersagemodell
WO2021053585A1 (en) 2019-09-18 2021-03-25 Bayer Aktiengesellschaft System, method, and computer program product for predicting, anticipating, and/or assessing tissue characteristics
JP7350595B2 (ja) * 2019-10-01 2023-09-26 キヤノンメディカルシステムズ株式会社 画像処理装置、医用画像診断装置及び画像処理プログラム
US12000918B2 (en) * 2019-10-25 2024-06-04 Washington University Systems and methods of reconstructing magnetic resonance images using deep learning
WO2021106961A1 (ja) * 2019-11-27 2021-06-03 株式会社小糸製作所 画像生成装置
JP7337675B2 (ja) 2019-12-04 2023-09-04 キヤノンメディカルシステムズ株式会社 医用データ処理装置
JP6737491B1 (ja) * 2020-01-09 2020-08-12 株式会社アドイン研究所 Ａｉを用いる診断装置、診断システム、及び、プログラム
JP7451239B2 (ja) * 2020-03-12 2024-03-18 富士フイルムヘルスケア株式会社 画像処理装置、ｘ線撮像装置及び画像処理方法
JP7341950B2 (ja) * 2020-06-05 2023-09-11 富士フイルム株式会社 画像処理装置、放射線画像撮影システム、画像処理方法、及び画像処理プログラム
KR102415806B1 (ko) * 2020-09-15 2022-07-05 주식회사 뷰노 전자의료기록으로부터 의료 이벤트를 예측하는 인공 신경망의 기계학습 방법
US12115024B2 (en) * 2020-09-29 2024-10-15 The Board Of Trustees Of The Leland Stanford Junior University Functional ultrasound imaging of the brain using deep learning and sparse data
CN112561918B (zh) * 2020-12-31 2024-09-06 中移（杭州）信息技术有限公司 卷积神经网络的训练方法和病灶分割方法
WO2022202310A1 (ja) * 2021-03-26 2022-09-29 テルモ株式会社 プログラム、画像処理方法及び画像処理装置
JP2022178226A (ja) * 2021-05-19 2022-12-02 富士フイルム株式会社 画像処理装置、移動型の医用画像撮影装置、画像処理方法、及び画像処理プログラム
JP2022189058A (ja) 2021-06-10 2022-12-22 キヤノンメディカルシステムズ株式会社 磁気共鳴イメージング装置及び方法
JP2023044462A (ja) 2021-09-17 2023-03-30 キヤノンメディカルシステムズ株式会社 医用画像処理装置、磁気共鳴イメージング装置、医用画像処理方法、および医用画像処理プログラム
JP2024103312A (ja) * 2023-01-20 2024-08-01 キヤノン株式会社 画像生成装置、画像生成方法、学習方法、並びに、プログラム
CN117094987B (zh) * 2023-10-13 2023-12-22 四川大学 一种优化神经调控物理场方向的方法

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1131214A (ja) * 1997-07-10 1999-02-02 Hitachi Medical Corp 画像処理装置
US7545965B2 (en) * 2003-11-10 2009-06-09 The University Of Chicago Image modification and detection using massive training artificial neural networks (MTANN)
CN101248458B (zh) * 2005-07-08 2012-08-15 威斯康星校友研究基金会 高约束图像重构方法
JP4919408B2 (ja) * 2007-01-12 2012-04-18 富士フイルム株式会社 放射線画像処理方法および装置ならびにプログラム
US8879852B2 (en) * 2010-11-10 2014-11-04 Siemens Aktiengesellschaft Non-contrast-enhanced 4D MRA using compressed sensing reconstruction
US9265441B2 (en) * 2013-07-12 2016-02-23 Siemens Aktiengesellschaft Assessment of traumatic brain injury
US9437016B2 (en) 2013-08-07 2016-09-06 Toshiba Medical Systems Corporation Image domain pansharpening method and system for spectral CT with large pixel energy discriminating detectors
US9730643B2 (en) * 2013-10-17 2017-08-15 Siemens Healthcare Gmbh Method and system for anatomical object detection using marginal space deep neural networks
JP5918200B2 (ja) * 2013-11-29 2016-05-18 日立アロカメディカル株式会社 超音波診断装置
KR101857795B1 (ko) * 2013-12-18 2018-05-14 삼성전자주식회사 자기 공명 영상 장치 및 그 동작방법
JP6181542B2 (ja) * 2013-12-18 2017-08-16 東芝メディカルシステムズ株式会社 超音波診断装置、医用画像診断装置および検査手順発生プログラム
US10331852B2 (en) * 2014-01-17 2019-06-25 Arterys Inc. Medical imaging and efficient sharing of medical imaging information
JP6377378B2 (ja) * 2014-03-17 2018-08-22 キヤノンメディカルシステムズ株式会社 磁気共鳴イメージング装置
US9953246B2 (en) * 2014-12-16 2018-04-24 The Regents Of The University Of California Feature-preserving noise removal
US10755395B2 (en) 2015-11-27 2020-08-25 Canon Medical Systems Corporation Dynamic image denoising using a sparse representation
EP3380859A4 (en) * 2015-11-29 2019-07-31 Arterys Inc. AUTOMATED SEGMENTATION OF CARDIAC VOLUME
US20170337682A1 (en) * 2016-05-18 2017-11-23 Siemens Healthcare Gmbh Method and System for Image Registration Using an Intelligent Artificial Agent
EP3465247A4 (en) * 2016-05-31 2020-02-12 Shanghai United Imaging Healthcare Co., Ltd. SYSTEM AND METHOD FOR ELIMINATING GIBBS ARTIFACTS IN A MEDICAL IMAGING SYSTEM
US10074038B2 (en) * 2016-11-23 2018-09-11 General Electric Company Deep learning medical systems and methods for image reconstruction and quality evaluation
CN106682636B (zh) * 2016-12-31 2020-10-16 上海联影医疗科技有限公司 血管提取方法及其系统
EP3573520A4 (en) * 2017-01-27 2020-11-04 Arterys Inc. AUTOMATED SEGMENTATION USING FULLY CONVOLUTIVE NETWORKS
US10685429B2 (en) * 2017-02-22 2020-06-16 Siemens Healthcare Gmbh Denoising medical images by learning sparse image representations with a deep unfolding approach
US10753997B2 (en) * 2017-08-10 2020-08-25 Siemens Healthcare Gmbh Image standardization using generative adversarial networks
WO2019067524A1 (en) * 2017-09-26 2019-04-04 Rensselaer Polytechnic Institute TD MONOCHROMATIC IMAGE RECONSTRUCTION FROM CURRENT INTEGRATION DATA VIA AUTOMATIC LEARNING
US11517197B2 (en) * 2017-10-06 2022-12-06 Canon Medical Systems Corporation Apparatus and method for medical image reconstruction using deep learning for computed tomography (CT) image noise and artifacts reduction
JP7246903B2 (ja) 2017-12-20 2023-03-28 キヤノンメディカルシステムズ株式会社 医用信号処理装置

Also Published As

Publication number Publication date
JP2024009074A (ja) 2024-01-19
JP2022169790A (ja) 2022-11-09
US11278213B2 (en) 2022-03-22
US20220202306A1 (en) 2022-06-30
EP3714784A1 (en) 2020-09-30
CN116741353A (zh) 2023-09-12
EP3714784A4 (en) 2021-08-04
JP2019093126A (ja) 2019-06-20
JP6545887B2 (ja) 2019-07-17
WO2019102846A1 (ja) 2019-05-31
US12059241B2 (en) 2024-08-13
JP2019181226A (ja) 2019-10-24
CN110121293B (zh) 2023-07-04
JP7386944B2 (ja) 2023-11-27
JP6843924B2 (ja) 2021-03-17
JP7139474B2 (ja) 2022-09-20
US20190336033A1 (en) 2019-11-07
CN110121293A (zh) 2019-08-13
JP2021090825A (ja) 2021-06-17

Similar Documents

Publication Publication Date Title
CN110121293B (zh) 医用数据处理装置、成像装置及学习完毕模型生成方法
JP3800101B2 (ja) 断層像作成装置及び断層像作成方法並びに放射線検査装置
JP2011507640A (ja) 希薄化制約補正を用いた画像復元法
US11615530B2 (en) Medical data processing apparatus for reconstructing a medical image using a neural network
CN105962959A (zh) 对于虚拟x射线量子能量分布产生图像的方法和拍摄装置
JP2019202087A (ja) 医用情報処理システム、医用情報処理装置、放射線診断装置、超音波診断装置、学習用データの生産方法及びプログラム
JP2024001297A (ja) 医用データ処理装置、医用画像診断装置、医用データ処理方法、および医用データ処理プログラム
US11587680B2 (en) Medical data processing apparatus and medical data processing method
US20160066874A1 (en) Attenuation correction of positron emission tomography data using magnetic resonance images depicting bone density variations
CN116090561A (zh) 推理装置及方法、医用图像诊断装置及学习完成神经网络生成方法
CN115908610A (zh) 一种基于单模态pet图像获取衰减校正系数图像的方法
JP7551370B2 (ja) 医用データ処理装置及び方法
JP2019075123A (ja) 画像処理装置及び医用画像撮像装置
JP6184075B2 (ja) Ｐｅｔ−ｃｔ装置及び画像処理装置
JP4333692B2 (ja) 放射線検査装置
Vrbaski Caratterizzazione quantitativa del materiale nella tomografia computerizzata a raggi X spettrale
JP2022186050A (ja) Ｘ線コンピュータ断層撮影装置、学習装置及び超音波診断装置
JP2024078194A (ja) 画像再構成方法及び画像再構成処理システム
JP2024032518A (ja) 画像処理装置、撮影システム、画像処理方法、及びプログラム
JP2007181728A (ja) 放射線検査装置及び陽電子放出型ｃｔ装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination