CN117045269A - X射线ct装置以及高画质图像生成装置 - Google Patents

X射线ct装置以及高画质图像生成装置 Download PDF

Info

Publication number
CN117045269A
CN117045269A CN202310246256.XA CN202310246256A CN117045269A CN 117045269 A CN117045269 A CN 117045269A CN 202310246256 A CN202310246256 A CN 202310246256A CN 117045269 A CN117045269 A CN 117045269A
Authority
CN
China
Prior art keywords
image
learning
data
quality image
ray
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
CN202310246256.XA
Other languages
English (en)
Inventor
小林佳奈
后藤大雅
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.)
Fujifilm Healthcare Corp
Original Assignee
Fujifilm Healthcare 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 Fujifilm Healthcare Corp filed Critical Fujifilm Healthcare Corp
Publication of CN117045269A publication Critical patent/CN117045269A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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]
    • 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
    • A61B6/44—Constructional features of apparatus for radiation diagnosis
    • A61B6/4411—Constructional features of apparatus for radiation diagnosis the apparatus being modular
    • 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
    • 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
    • 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
    • A61B6/54—Control of apparatus or devices for radiation diagnosis
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pulmonology (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供X射线CT装置以及高画质图像生成装置。提供具备学习完毕模型的X射线CT装置，该学习完毕模型是通过在不增加被检者的被辐射的情况下，从1次拍摄取得1组以上的学习数据集，并利用所取得的学习集进行机器学习而生成的。学习完毕模型是将低画质图像作为输入数据且将高画质图像作为示教数据的学习完毕的模型。低画质图像以及高画质图像基于同一学习用测量数据或使学习用测量数据对数变换而得的学习用投影数据来得到。低画质图像是根据将学习用测量数据或学习用投影数据分割而得的一部分数据来重构的CT图像，高画质图像是对学习用投影数据进行重构而得到的CT图像。

Description

X射线CT装置以及高画质图像生成装置
技术领域
本发明涉及具备基于机器学习的学习完毕模型且能显示低噪声化、高画质化的图像的X射线CT装置。
背景技术
X射线CT装置使用通过使对被检体照射X射线的X射线源和将透过被检体的X射线量检测为投影数据的X射线检测器在被检体的周围旋转而得到的来自多角度的投影数据来重构被检体的断层图像(以下称作“CT图像”)，并显示所重构的CT图像。在X射线CT装置中显示的图像描绘被检体中的脏器的形状，在图像诊断中使用。
在X射线CT装置中，由于在拍摄中使用X射线，因此，被检者的被辐射是课题之一。噪声量和被辐射量处于相反关系，若为了提高诊断精度而想要减少噪声，就会有被辐射增加这样的课题。
作为用于在不增加被辐射的情况下减少噪声的技术，自适应滤波器、逐次逼近重构等被产品化。但自适应滤波器存在与噪声减少相伴的被摄体构造的模糊的课题。逐次逼近重构由于是反复处理，因而运算一般需要大量时间，为了解决这一情况而需要高价的运算器。此外，有时针对低对比度体的空间分辨率的降低、噪声纹理变化所引起的画质上的不协调感会成为课题。
因此，近年来，利用了包含深度学习的机器学习的噪声减少技术、画质提高技术受到关注。在此，在进行利用了机器学习的噪声减少的情况下，除了需要要减少噪声的被补正数据以外，至少还需要噪声比被补正数据少的高画质图像(示教数据)。以下，将包含至少1张被补正数据和至少1张示教数据的学习所需的数据集称作1组“学习数据集”。
利用了机器学习的噪声减少能期待高的效果，另一方面，存在难以准备学习数据集这样的课题。
关于取得1组学习数据集的现有方法和课题，以下进行说明。
作为典型的方法之一，有将以低辐射剂量拍摄的图像作为被补正数据且将以高辐射剂量拍摄的图像作为示教数据的方法。此外，在专利文献1中记载了如下方法：重复拍摄同一部位，将进行重合处理前的图像作为被补正数据(低画质图像)，将进行重合处理后的图像作为示教数据(高画质图像)。但这些方法由于对同一被摄体至少拍摄2次以上，因此，在X射线CT装置的情况下，出于被辐射的观点并不优选。此外，一般若实施多次拍摄，则由于被检者的姿势的偏差、呼吸、蠕动运动等体动、X射线焦点位置的偏差、拍摄开始角度的差异、床台位置精度等装置的状况的差异，体表面、体内的骨、脏器、血管、肿瘤等构造物的位置并不完全一致。包含位置偏差的图像不能说是理想的示教数据，在利用了这样的示教数据的机器学习中，有可能做出本来不应存在的构造物，或者使构造物消失或模糊。如此地包含由拍摄定时的偏差引起的位置偏差在内的学习数据集并不优选。
作为其他方法，有将用滤波补正反投影法生成的图像作为被补正数据且将用逐次逼近重构生成的低噪声图像作为示教数据的方法。但逐次逼近重构的图像使噪声的频谱向低频移位，存在相对于低对比度体的空间分辨率降低、噪声纹理发生变化的倾向。如此地，逐次逼近重构的图像不一定能说是理想的，重构方法不同的学习数据集并不优选。
作为其他方法，在专利文献1中记载了如下方法：对同一图像附加通过高斯噪声等模型化的第1噪声分量，来生成被补正数据，附加第2噪声分量来生成示教数据。例如，公开了：在光学相干断层扫描(OCT)装置的情况下，根据未放置模型眼、被检眼的状态下拍摄的数据来推定噪声，在OCT血管造影术(OCTA)装置的情况下，能根据无血管区域(FAZ)的范围内呈现的噪声、对示意地再现了血液的流动的模型眼进行拍摄而得的图像中呈现的噪声，作为噪声模型来使用。
现有技术文献
专利文献
专利文献1：JP特开2020-166813号公报
若要将专利文献1的通过对图像附加模型化的噪声来生成被补正数据以及示教数据的方法运用于CT图像，就需要再现X射线CT装置的数据收集装置所具有的电气电路噪声的影响等，但再现电气电路噪声的影响很困难。另一方面，在对图像附加虚拟地生成的噪声时，极有可能会对实际的噪声进行过小评价或过大评价。因此，难以通过专利文献1的对图像附加模型化的噪声的方法来生成CT图像的被补正数据和示教数据。
如此地，为了进行机器学习而需要准备数千～数十万组左右的学习数据集，但在X射线CT装置的情况下，存在难以准备理想的学习数据集这样的课题。
发明内容
本发明的目的在于，在不增加被检者的被辐射的情况下，从1次拍摄取得1组以上的学习数据集，利用所取得的学习集进行机器学习来生成学习完毕模型，并搭载于X射线CT装置。
为了解决上述课题，本发明的X射线CT装置具有：扫描机架部，其在夹着被检体使X射线源和X射线检测器对置配置的状态下，通过使X射线源和X射线检测器在被检体的周围旋转，从而取得由X射线检测器检测从X射线源照射并透过被检体的X射线而输出的测量数据；图像重构部，其使用测量数据来生成被检体的CT图像；和高画质图像生成部。高画质图像生成部包含学习完毕模型，且构成为通过接受图像重构部所重构的CT图像并输入到学习完毕模型来得到学习完毕模型所输出的高画质化的图像。学习完毕模型是预先生成的、将至少1张低画质图像作为输入数据且将画质比低画质图像高的至少1张高画质图像作为示教数据而学习完毕的模型。低画质图像以及高画质图像基于同一学习用测量数据或使学习用测量数据对数变换而得的学习用投影数据来得到。学习用测量数据是如下那样的数据：在夹着学习用被检体使学习用X射线源和学习用X射线检测器对置配置的状态下，通过使学习用X射线源和学习用X射线检测器在学习用被检体的周围旋转，从而由学习用X射线检测器检测从学习用X射线源照射并透过学习用被检体的X射线而输出的数据。低画质图像是根据将学习用测量数据或学习用投影数据分割而得的一部分数据来重构的CT图像，高画质图像是对学习用投影数据进行重构而得到的CT图像。
发明效果
根据本发明，由于能在不增加被检者的被辐射的情况下从1次拍摄取得1组以上的学习数据集，通过所取得的学习数据集进行机器学习来生成学习完毕模型，因此，能提供能高精度地减少噪声的X射线CT装置。
附图说明
图1是表示实施方式的X射线CT装置的整体结构的框图。
图2是表示实施方式1的学习完毕模型生成装置130、图像重构装置122和高画质图像生成装置137的结构的框图。
图3是表示实施方式1的X射线CT装置的模型的学习时的处理流程的流程图。
图4是表示实施方式1的X射线CT装置的运用时(拍摄时)的处理流程的流程图。
图5是表示实施方式2的学习完毕模型生成装置130、图像重构装置122和高画质图像生成装置137的结构的框图。
图6是表示实施方式2的X射线CT装置的运用时(拍摄时)的第1处理方法的处理流程的流程图。
图7是表示实施方式2的X射线CT装置的运用时(拍摄时)的第2处理方法的处理流程的流程图。
图8是表示实施方式3的X射线CT装置的运用时(拍摄时)的处理流程的流程图。
图9是表示实施方式4的学习完毕模型生成装置130、图像重构装置122和高画质图像生成装置137的结构的框图。
图10是表示实施方式4的X射线CT装置的模型的学习时的处理流程的流程图。
图11是表示实施方式4的X射线CT装置的运用时(拍摄时)的处理流程的流程图。
附图标记说明
1X射线CT装置
100扫描机架部
101X射线源
102旋转圆盘
103准直仪组件
104开口部
105床台
106X射线检测器
107数据收集装置
108机架控制装置
109床台控制装置
110X射线控制装置
120操作台
121输入装置
122图像重构装置
123存储装置
124系统控制装置
125显示装置
130模型生成装置
131投影数据分割部
132低画质图像生成部
133示教图像生成部
134学习完毕模型生成部
135存储部
136学习完毕模型
137高画质图像生成装置
138图像结合部
139差分图像生成部
141投影数据分割部
142低画质图像生成部
143差分图像生成部
具体实施方式
使用附图来说明本发明的一实施方式的X射线CT装置。
《X射线CT装置的结构》
首先，使用附图来说明本实施方式的X射线CT装置。
图1是运用了本发明的X射线CT装置1的整体结构图。X射线CT装置1具备扫描机架部100和操作台120。
扫描机架部100具备X射线源101、旋转圆盘102、准直仪组件103、床台105、X射线检测器106、数据收集装置107、机架控制装置108、床台控制装置109和X射线控制装置110。
旋转圆盘102具备载置于床台105上的被检体所进入的开口部104，并且搭载X射线源101、X射线检测器106和数据收集装置107，使它们在配置被检体的摄像区域的周围旋转。
X射线检测器106与X射线源101对置配置，是通过按每个旋转角度(视角，view)检测透过被检体的X射线来测量透过X射线的空间上的分布的装置。X射线检测器106例如将由闪烁器与光电二极管的组合构成的X射线检测元件群在旋转圆盘102的旋转方向(通道方向)上排列1000个左右，在旋转轴方向(列方向)上排列1～320个左右。
数据收集装置107是收集X射线检测器106中检测到的X射线量，将其变换成数字数据并依次输出到图像重构装置122的装置。机架控制装置108是控制旋转圆盘102的旋转的装置。床台控制装置109是控制床台105的上下左右前后活动的装置。X射线控制装置110是控制输入到X射线源101的电力的装置。
操作台120具备输入装置121、图像重构装置122、高画质图像生成装置137、显示装置125、存储装置123和系统控制装置124。
输入装置121是用于输入被检体姓名、检查日期时间、拍摄条件等的装置，具体是键盘、鼠标等指向设备、各种开关按钮等。输入装置121也可以设为与显示装置125的显示画面一体构成的触控面板式的输入装置。
图像重构装置122是取得从数据收集装置107送出的测量数据并进行运算处理来进行CT图像重构的装置。
显示装置125与系统控制装置124连接，是显示由图像重构装置122重构的CT图像、和由系统控制装置124处理的各种信息的装置。显示装置125具备液晶面板、CRT监视器等显示器装置、和用于与显示器装置协作来执行显示处理的逻辑电路。
存储装置123是存储由数据收集装置107收集的测量数据、及/或后述的投影数据、以及由图像重构装置122作成的CT图像的图像数据的装置。具体地，存储装置123是HDD(Hard Disk Drive，硬盘驱动器)、SSD(Solid State Drive，固态硬盘)等数据记录装置。
系统控制装置124是控制操作台120内的上述装置、以及机架控制装置108、床台控制装置109和X射线控制装置110的装置。系统控制装置124是具备CPU(Central ProcessingUnit，中央处理器)、GPU(Graphics Processing Unit，图形处理器)、ROM(Read OnlyMemory，只读存储器)、RAM(Random Access Memory，随机存取存储器)等的计算机。
关于高画质图像生成装置137的构造，在后述的实施方式1～4中进行说明。
在上述的结构的X射线CT装置中，X射线控制装置110基于从输入装置121输入的拍摄条件、特别是X射线管电压、X射线管电流等，来控制输入到X射线源101的电力。由此，X射线源101将与拍摄条件相应的X射线照射到被检体。X射线检测器106用大量X射线检测元件检测从X射线源101照射而透过被检体的X射线，并测量透过X射线的分布。旋转圆盘102被机架控制装置108控制，基于从输入装置121输入的拍摄条件，例如以每1旋转0.2秒～2秒左右的旋转速度进行旋转。床台105被床台控制装置109控制。作为公知的扫描类型，有在X射线照射中不使床台移动的“轴向扫描”、在X射线照射中使床台移动的“螺旋扫描”等。
通过同旋转圆盘102的旋转一起重复进行来自X射线源101的X射线照射和X射线检测器106对透过X射线分布的测量，从而在数据收集装置107中取得来自各种角度(视角)的测量数据。将测量数据从数据收集装置107发送到图像重构装置122。图像重构装置122对所输入的测量数据进行对数变换，将测量数据变换成“投影数据”。进而，图像重构装置122通过对投影数据进行反投影处理来得到CT图像。
高画质图像生成装置137接受CT图像并将其高画质化。将被高画质化的CT图像显示于显示装置125。
CT图像是1张以上的截面图像的集合，将该截面图像的位置在以下的说明称作“截面位置”。
《实施方式1》
<实施方式1的X射线CT装置的结构>
使用图2来进一步说明本发明的实施方式1的X射线CT装置的结构。
如上述那样，在操作台120内具备图像重构装置122和高画质图像生成装置137。在高画质图像生成装置137内配置存储部135，在存储部135内预先存放学习完毕模型。
图像重构装置122从数据收集装置107接受测量数据，进行对数变换来得到投影数据，通过对投影数据进行反投影处理来生成CT图像。
高画质图像生成装置137接受图像重构装置122所重构的CT图像，将存储于存储部135的学习完毕模型136读出，并输入到学习模型，由此得到学习完毕模型136所输出的图像。学习完毕模型136所输出的图像与所输入的CT图像比较，减少了噪声，并被高画质化。将该图像显示于显示装置125。
模型只要是机器学习模型，就可以是任何模型，例如能使用公知的卷积神经网络(CNN：Convolutional neural network)。CNN具备输入至少1张图像的输入层、中间层、和输出至少1张图像的输出层。
学习完毕模型136通过学习完毕模型生成装置130来生成。学习完毕模型生成装置130使用投影数据分割部131、低画质图像生成部132、示教图像生成部133和学习完毕模型生成部134来生成。
学习完毕模型136是使用预先生成的、将至少1张低画质图像作为输入数据且将画质比低画质图像高的至少1张高画质图像作为示教数据的学习数据集而生成的学习完毕的模型。在模型生成(机器学习)时，使用数千～数十万组左右的学习数据集。
在此，低画质图像以及高画质图像基于同一学习用测量数据或使学习用测量数据对数变换而得的学习用投影数据来得到。学习用测量数据是如下那样的数据：在夹着学习用被检体使学习用X射线源和学习用X射线检测器对置配置的状态下，使学习用X射线源和学习用X射线检测器在学习用被检体的周围旋转，由学习用X射线检测器检测从学习用X射线源照射并透过学习用被检体的X射线，由此得到的数据。
低画质图像是根据将学习用测量数据或学习用投影数据分割而得的一部分数据来重构的CT图像。高画质图像是将多个低画质图像结合而得到的CT图像、或直接重构学习用投影数据而得到的CT图像。低画质图像和高画质图像是同一截面位置的图像。
如此地，在实施方式1中，由于能根据同一学习用测量数据或学习用投影数据来生成低画质图像和高画质图像，因此，能在不增加学习用被检者的被辐射的情况下，容易地从1次拍摄在时间上没有偏差地得到噪声量和伪影不同的学习数据集(低画质图像和高画质图像)。
此外，低画质图像由于是根据将学习用测量数据或学习用投影数据分割而得的一部分数据来重构的图像，因此，与以实质少的采样数取得测量数据并根据进行了对数变换的投影数据来重构的图像同等。因而，低画质图像成为噪声大的图像。另一方面，高画质图像由于是将采样数多的学习用投影数据重构而得到的高画质图像，因此，噪声少。因而，通过将该低画质图像作为输入数据且将高画质图像作为示教数据来使模型进行机器学习而生成的学习完毕模型136具有高的噪声减少效果和采样不足所引起的伪影减少的效果。
学习用投影数据可以使用由存放有该学习完毕模型136的X射线CT装置的扫描机架部100取得的投影数据，也可以使用由其他X射线CT装置取得的投影数据。
以下使用图2以及图3来详细说明重构将学习用投影数据分割而得的数据(以下称作学习用部分投影数据)来得到低画质图像的示例。另外，在将学习用测量数据分割的情况下，能使分割后的学习用测量数据对数变换来得到学习用部分投影数据。
学习完毕模型生成装置130接受由存放有学习完毕模型136的X射线CT装置的扫描机架部100取得的投影数据或由其他X射线CT装置取得的投影数据。
投影数据分割部131将学习用投影数据分割成多个部分投影数据。例如，将学习用投影数据关于学习用X射线检测器的视角方向、列方向以及通道方向的任一者提取一部分数据(学习用部分投影数据)。
低画质图像生成部132通过对学习用部分投影数据进行图像重构，来生成低画质的CT图像(低画质图像)。
在此，低画质图像生成部132关于分割后的多个部分投影数据分别生成低画质图像。由此，生成相同截面位置的多个低画质图像。示教图像生成部133通过将多个低画质图像结合来生成高画质图像(示教图像)。也可以将学习用投影数据直接图像重构来生成高画质图像(示教图像)。其中，如此地，在关于分割后的多个部分投影数据分别生成低画质图像后，通过将多个低画质图像结合，来生成高画质图像(示教图像)，由此，与将未分割的学习用投影数据图像重构来生成高画质图像(示教图像)的情况相比，能在短时间内生成高画质图像(示教图像)与低画质图像的集合。这是因为，投影数据的数据量越多，则图像重构时间越长。
学习完毕模型生成部134使用将低画质图像的任意1者作为被补正数据(输入数据)且将高画质图像(示教图像)作为示教数据的学习数据集，来实施有监督机器学习，由此生成至少1个学习完毕模型136。
另外，学习完毕模型生成装置130内的各部131到134的处理的全部或一部分可以在X射线CT装置1内实施。此外，也可以使用具备CPU、GPU等处理器的个人计算机、云环境等来实施学习完毕模型生成装置130内的各部131到134的处理。另外，学习完毕模型生成部134的机器学习由于运算量多，需要高价的CPU、GPU等计算资源，因此，优选事前在高性能的计算环境中进行机器学习，并将其成果物搭载于X射线CT装置1内。
以下，将由学习完毕模型生成装置130内的各部131到134生成学习完毕模型的过程称作“学习时”，将高画质图像生成装置137使用学习完毕模型136来生成高画质图像的过程设为X射线CT装置的“运用时”。
<实施方式1的学习完毕模型生成装置130的学习时的动作>
关于实施方式1的学习完毕模型生成装置130的学习时的动作，使用图3的流程进行说明。
在实施方式1中，学习完毕模型生成装置130由软件构成。即，学习完毕模型生成装置130具备CPU(Central Processing Unit，中央处理器)、GPU(Graphics ProcessingUnit，图形处理器)等处理器和存储器，CPU通过将存放于存储器的程序读入并执行，来实现学习完毕模型生成装置130的各部的功能。此外，还能将学习完毕模型生成装置130的一部分或全部通过硬件来构成。例如，使用ASIC(Application Specific Integrated Circuit，特定用途集成电路)这样的定制IC、FPGA(Field-Programmable Gate Array，现场可编程门阵列)这样的可编程IC来进行电路设计，以使得实现学习完毕模型生成装置130的各部的功能即可。
(步骤S001)
首先，在步骤S001，投影数据分割部131将X射线CT装置1或其他X射线CT装置中取得的学习用投影数据分割成多个学习用部分投影数据。具体地，例如，投影数据分割部131将在视角编号(旋转角度)、列编号以及通道编号当中的任一者中编号比较接近的学习用投影数据分配给不同的学习用部分投影数据。由此，投影数据分割部131生成多个相同拍摄定时、相同截面位置的多个学习用部分投影数据。
例如在以视角编号进行分割的情况下，考虑将视角数为I、视角编号为i＝0、1、2、…、I-1的学习用投影数据分割成视角数a的第1学习用部分投影数据、视角数b的第2学习用部分投影数据这2者的情况。作为分割方法之一，例如，若取I为偶数的情况为例来表示，则使用分割成i＝0、2、4、…、I-2的偶数的视角编号(视角数a＝I/2)和i＝1、3、5、…、I-1的奇数的视角编号(视角数b＝I/2)的方法。在I为奇数的情况下，偶数的视角编号多了1个视角，但同样地进行分割即可。将如此地划分为偶数视角和奇数视角的分割方法在以下称作“偶奇分割”。
作为其他分割方法，若取视角数I为3的倍数的情况为例来表示，则可以分割成i＝0、3、6、…、I-3的视角编号(视角数a＝I×1/3)、和i＝1、2、4、5、7、8、…、I-2、I-1的视角编号(视角数b＝I×2/3)。由此，能将学习用投影数据分割成以视角数的比为1：2的不均等的第1以及第2学习用分割投影数据。在视角数I不是3的倍数的情况下，其中一者会多1视角的量，但同样地进行分割即可。第1以及第2学习用分割投影数据的视角数的比是2∶1、1∶3、2∶3等任意的比。将如此地不均等地分割学习用投影数据的方法在以下称作“不均等分割”。
此外，在上述例子中，投影数据分割部131将学习用投影数据在视角方向上分割成2部分，但也可以分割成3部分以上。此外，投影数据分割部131也可以在列方向、通道方向上分割学习用投影数据。
(步骤S002)
接下来，在步骤S002，低画质图像生成部132对第1学习用部分投影数据以及第2学习用部分投影数据分别进行图像重构，来生成第1低画质图像以及第2低画质图像。由此，得到2张相同截面位置的低画质图像。作为图像重构，低画质图像生成部132例如使用公知的滤波补正反投影法、卷积补正反投影法。
(步骤S003)
接下来，在步骤S003，将相同截面位置的第1低画质图像以及第2低画质图像结合，来生成示教图像。结合方法能使用将第1低画质图像以及第2低画质图像的对应的位置的像素的像素值例如以方差值或数据量进行加权的加权平均方法。
使用具体的数学式来说明加权平均方法。在滤波补正反投影法等线性处理的图像重构中，数据量和图像的方差值(图像噪声的平方值)处于反比的关系。因此，根据投影数据量的比，某截面位置的第1低画质图像以及第2低画质图像的方差值σ1 2、σ2 2分别以式1、式2来表征。
σ1 2＝(a+b)/a×σ2 (式1)
σ2 2＝(a+b)/b×σ2 (式2)
其中，a是第1学习用部分投影数据的视角数，b是第2学习用部分投影数据的视角数。σ2是使用全视角数I(＝a+b)进行重构的情况下的图像的方差值。
使用这些方差值σ1 2、σ2 2，通过式3～5，来对第1低画质图像以及第2低画质图像的像素值进行加权平均。
(第1低画质图像)×k1+(第2低画质图像)×k2＝(示教图像)
(式3)
其中，
k1＝σ2 2/(σ1 2+σ2 2)＝a/(a+b) (式4)
k2＝σ1 2/(σ1 2+σ2 2)＝b/(a+b) (式5)
如式3～5那样，减小数据量少且方差值高的一方的低画质图像的像素值的权重。在a＝b的情况下，(式3)与算数平均相等。
这时，示教图像的方差值σ3 2用以下的式6表征。
σ3 2＝σ1 2×k1 2+σ2 2×k2 2＝σ2 (式6)。
若比较(式1)、(式2)、(式6)，则通过图像结合而得到的高画质图像(示教图像)的图像噪声比第1低画质图像以及第2低画质图像的图像噪声小。
另外，在此，示出将2个低画质图像图像结合的示例，但在3个以上的低画质图像的情况下，也能同样地结合。
如此地，能容易地得到高画质图像和噪声比其高的低画质图像的集合。在本实施方式中，由于将数据量少的第1以及第2学习用部分投影数据进行重构，来得到第1低画质图像以及第2低画质图像，并通过将它们结合来得到高画质图像，因此，得到高画质图像和低画质图像所花费的重构时间与a+b成正比。在假设根据未分割的学习用投影数据来对高画质图像进行重构的情况下，为了得到高画质图像和低画质图像所花费的重构时间与I+a或I+b成正比，比本实施方式长。因此，在本实施方式中，能在更短的时间内得到示教图像与低画质图像的集合。
进而说明该示教图像所具有的特长。
在X射线CT装置中，已知在视角方向、列方向、通道方向的采样不足的情况下，分别产生条纹伪影、部分容积效应、卷褶伪影。第1学习用部分投影数据、第2学习用部分投影数据能说是通过进行数据量的间除而使得采样不足的状态。根据此而生成的第1低画质图像以及第2低画质图像包含采样不足所引起的伪影。另一方面，示教图像具有足够的数据量，是改善了采样不足所引起的伪影的图像。因此，示教图像是不仅图像噪声低，而且采样不足所引起的伪影减少了的高画质图像。
另外，示教图像也可以通过对未分割的学习用投影数据进行图像重构来得到。
(步骤S004)
接下来，在步骤S004，学习完毕模型生成部134将相同截面位置的低画质图像的任1者作为输入数据，将示教图像作为示教数据，来得到1组学习数据集。
另外，在步骤S001，在投影数据分割部131进行了偶奇分割的情况下，由于第1低画质图像以及第2低画质图像同等，因此，学习完毕模型生成部134将其中一方作为输入数据即可。另一方面，在步骤S001，在投影数据分割部131进行了不均等分割的情况下，通过将第1低画质图像、第2低画质图像当中的图像噪声更大一方的低画质图像作为输入数据，能期待得到具有更高的噪声减少效果的学习完毕模型136。或者，可以将第1低画质图像作为输入数据来生成第1个学习完毕模型136，将第2低画质图像作为输入数据来生成第2个学习完毕模型136，得到多个学习完毕模型136，在运用时区分使用。
学习完毕模型生成部134例如使用公知的卷积神经网络(CNN：Convolutionalneural network)来作为机器学习模型。CNN具备输入至少1张图像的输入层、中间层、和输出至少1张图像的输出层。学习完毕模型生成部134在机器学习模型的输入层输入输入数据(低画质图像)，在输出层输入示教数据(高画质图像)，在中间层构建网络(CNN)，以使得来自输出层的输出图像和示教数据接近，即，输出图像与示教数据的差变小。通过这样的机器学习，能得到将输入数据高画质化的学习完毕模型136。
另外，输入数据(低画质图像)和示教数据(高画质图像)的图像张数并不限于各1张，例如，也可以为了反映体轴方向的特征量而输入3张输入数据(低画质图像)，并输出1张以上的图像。此外，也可以使用以CNN为基础的残差学习(Residual Learning)。
学习完毕模型生成部134将所得到的学习完毕模型136存放到存储装置123。
通常，由于通过学习用被检体的1次X射线CT拍摄(1病例)能得到1～数千张左右的截面图像，因此，根据实施方式1，能从1次X射线CT拍摄得到1～数千组的学习数据集。因而，并不需要为了得到学习数据集而多次拍摄同一学习用被检者。进而，通过增加病例数，能得到机器学习所需的数据数(例如数千～数十万组)的学习数据集。通过准备大量学习数据集，能做出能针对各种病例在减少噪声的情况下输出高画质化图像的学习完毕模型。
另外，机器学习由于一般在学习后进行验证、测试，因此，也可以将学习数据集的一部分用在学习用(Training)中，将一部分用在验证用(Validation)、测试用(Testing)中。
<实施方式1的X射线CT装置的运用时>
使用图4的流程来说明实施方式1的X射线CT装置1的运用时(被检体的摄像时)的动作。
(步骤S012)
首先，在步骤S012，图像重构装置122接受扫描机架部100对被检体照射X射线而得到的被检体的投影数据，进行图像重构，生成被检体的CT图像。图像重构方法例如可以使用公知的滤波补正反投影法，也可以使用公知的逐次逼近重构法。
(步骤S014)
接下来，在步骤S014，高画质图像生成装置137将事前存放于存储装置123的学习完毕模型136读出，在输入层输入步骤S012中生成的被检体的CT图像。由此，学习完毕模型136从输出层输出被检体的CT图像进行了高画质化的高画质化图像。高画质图像生成装置137将高画质化图像显示于显示装置125，并存放到存储装置123。
如上述那样，在实施方式1中，能在不增加学习用被检者的被辐射的情况下，容易地从1次拍摄在时间上没有偏差地得到噪声量和伪影不同的多个学习数据集(低画质图像和高画质图像)。此外，作为输入数据而对学习完毕模型136输入的低画质图像是以实质少的采样数取得的噪声大的图像，作为示教数据而输入的高画质图像是对采样数多的学习用投影数据进行重构而得到的图像。因而，由于这些学习数据集，学习完毕模型136具有高的噪声减少效果和采样不足所引起的伪影减少效果。
《实施方式2》
说明本发明的实施方式2的X射线CT装置。
在实施方式1中是如下结构：在学习完毕模型136的学习时进行投影数据的分割，将低画质图像作为输入数据，与此相对，在运用时，不进行被检体的投影数据分割，而是对被检体的投影数据整体进行重构来得到CT图像，将所得到的CT图像作为学习完毕模型136的输入数据。因此，在运用时对学习完毕模型136输入的CT图像相对于在学习时输入的低画质图像，数据量是2倍(偶奇分割的情况)，在学习时和运用时，输入数据的数据量有很大不同。
在设为学习时和运用时的输入数据的图像中，若在数据量中存在差异，则学习完毕模型136所具有的噪声减少性能、伪影减少性能就有可能在运用时无法充分发挥，或有可能产生设想外的画质劣化。
特别是，条纹伪影会受到投影数据的视角数的影响。例如，若将根据视角数比学习时多的投影数据来重构的CT图像在运用时作为学习完毕模型136的输入数据，就会过强地产生条纹伪影的减少作用，有可能会在学习完毕模型136的输出数据中产生过补正所导致的画质劣化。
因此，在实施方式2中，以在学习时和运用时使输入数据的数据量尽可能一致为目的，在运用时减少输入到学习完毕模型136的CT图像的数据量，使得与学习时的输入数据同等。
具体地，实施方式2的X射线CT装置如图5所示那样，图像重构装置122具备：投影数据分割部141，其对被检体的测量数据或使测量数据对数变换而得的投影数据进行分割；和低画质图像生成部142，其根据由投影数据分割部141进行分割后的一部分数据来重构CT图像(低画质图像)。例如，投影数据分割部141对测量数据或投影数据关于视角方向、列方向以及通道方向的任一者来选择一部分数据。低画质图像生成部142生成对所选择的一部分数据进行了重构的CT图像。
这时，投影数据分割部141优选进行分割，以使得学习完毕模型生成时的学习用部分投影数据的视角数、和运用时的由投影数据分割部141进行分割后的一部分数据的视角数大致相等。具体地，投影数据分割部141在学习完毕模型的学习用的低画质图像的生成时，在与学习用测量数据或学习用投影数据被分割时相同的条件下，分割被检体的测量数据或投影数据。或者，投影数据分割部141分割被检体的测量数据或投影数据，以使得学习完毕模型136的学习用的低画质图像中所含的数据量和低画质图像生成部142所重构的CT图像(低画质图像)中所含的数据量一致。关于这些分割处理，之后详细说明。
高画质图像生成装置137通过将根据投影数据分割部141分割后的一部分数据来重构的CT图像(低画质图像)输入到学习完毕模型136，从而从学习完毕模型136得到高画质化的图像。
另外，即使在运用时不分割测量数据或投影数据，学习时和运用时输入数据的数据量也一致的情况下(例如，在学习时，将2000视角的投影数据进行各1000视角的偶奇分割来进行学习，在运用时，处理1000视角的投影数据的情况等)，由于遵循实施方式1即可，因此省略说明。
以下，在本实施方式中，以在运用时投影数据分割部141进行投影数据的分割为前提来进行说明。此外，将投影数据分割部141进行分割后的投影数据称作部分投影数据。
(实施方式2的X射线CT装置的结构)
在图5示出实施方式2的结构。与实施方式1的不同点在于，图像重构装置122具备投影数据分割部141和低画质图像生成部142。高画质图像生成装置137除了具备存储部135以外，还具备图像结合部138。投影数据分割部141将被检体的投影数据分割成多个部分投影数据。低画质图像生成部142对部分投影数据分别进行图像重构，生成多个低画质图像。图像结合部138通过多个高画质图像的结合，来生成1个图像。
(实施方式2的运用时)
关于实施方式2的运用时的动作，考虑2个处理方法。
<第1处理方法>
使用图6的流程来说明实施方式2的第1处理方法。在图6的流程的处理方法中，使用与学习时相同的投影数据分割方法，来分割被检体的投影数据。
(步骤S011)
在步骤S011，投影数据分割部141利用与学习完毕模型136的学习时相同的投影数据分割方法来分割被检体的投影数据。例如，在学习时进行了偶奇分割的情况下，在运用时也进行偶奇分割，将被检体的投影数据分割成第1部分投影数据和第2投影数据。一般，由于学习时的学习用投影数据的视角数I和运用时的被检体的投影数据的视角数J不一定一致，因此，若将被检体的投影数据的视角数设为J，将视角编号设为j，则分割成j＝0、2、4、…、J-2的偶数的视角编号和j＝1、3、5、…、J-1的奇数的视角编号(偶奇分割)。在此，J设为偶数来表示，但对奇数而言也是同样的。
在学习时的学习用投影数据的视角数I和运用时的被检体的投影数据的视角数J能视作I≈J的情况下，在实施方式2中，与不进行分割的实施方式1相比，能使学习时和运用时的输入数据的数据量接近。
(步骤S012)
在步骤S012，低画质图像生成部142对步骤S011中分割的第1部分投影数据和第2投影数据进行图像重构，得到第1低画质图像和第2低画质图像。
(步骤S014)
在步骤S014，将第1低画质图像和第2低画质图像分别作为学习完毕模型136的输入数据进行输入，得到从学习完毕模型136输出的噪声减少的第1高画质图像和第2高画质图像。
由于作为输入数据对学习时和运用时的学习完毕模型136输入的低画质图像的数据量同等，因此，与学习时同样，能在第1高画质图像和第2高画质图像中得到伪影减少效果。
(步骤S015)
在步骤S015，将第1高画质图像和第2高画质图像结合，来生成第3高画质图像。作为结合方法，例如使用与(式3)～(式5)同样的加权平均。
<第2处理方法>
接下来，使用图7来说明实施方式2的第2处理方法。在第2处理方法中，投影数据分割部141分割被检体的测量数据或投影数据，以使得学习完毕模型136的学习用的低画质图像中所含的数据量和低画质图像生成部142所重构的CT图像(低画质图像)中所含的数据量一致。
(步骤S010)
在X射线CT装置1的存储装置123中预先存放生成学习完毕模型136时的输入数据(低画质图像)的代表性的数据量，例如视角数a。投影数据分割部141取得扫描机架部100所取得的被检体的投影数据的数据量，例如视角数J。
在步骤S010，投影数据分割部141通过下述式来算出分割数N，以使得学习时和运用时的输入数据的数据量一致。
N＝J/a
另外，进行四舍五入等，以使得N成为整数。
(步骤S011)
在步骤S011，投影数据分割部141将被检体的投影数据分割成N个。n＝0、1、...、N-1的部分投影数据例如均等地进行分割，以使得成为jn＝n、N+n、2N+n、…的视角编号。在N成为1以下的情况下，不进行分割而遵循实施方式1即可。图7是N＝2的情况下的示例。
(步骤S012～S014)
步骤S012～S014以后由于与实施方式2的第1个实现方法相同，因此省略说明。
在实施方式2的X射线CT装置中，由于向学习时和运用时的学习完毕模型136的输入数据的数据量同等，因此，能高精度地进行噪声减少、伪影减少。
《实施方式3》
说明实施方式3的X射线CT装置。
在实施方式3中，投影数据分割部141分割被检体的测量数据或投影数据，以使得用在学习完毕模型136的学习中的低画质图像中所含的噪声量和低画质图像生成部142所重构的CT图像(低画质图像)中所含的噪声量一致。
具体地，投影数据分割部141具备预测在对被检体的投影数据(未分割)进行图像重构的情况下得到的噪声量的预测部(未图示)。投影数据分割部141基于预测部所预测的噪声量来决定被检体的测量数据或投影数据的分割数N，以使得所预测的噪声量与用在学习完毕模型136的学习中的低画质图像的噪声量一致。
一般，由于被检体的体格、拍摄部位、被检体内的构造、辐射剂量、切片厚度、重构滤波器等拍摄条件、重构条件的差异，图像噪声会取各种值。若在学习时有足够的计算资源，则也可以设想运用上的所有条件，例如按每个切片厚度、每个重构滤波器来作成数十种类以上的学习完毕模型136，但现实中，由于计算资源的界限而会在机器学习中花费许多处理时间，因此，作成1个到最多数个代表性的条件下的学习完毕模型136才是现实的。因此，有时作成学习完毕模型136时的输入数据的图像噪声和运用时的输入数据的图像噪声会有很大不同。
若学习时和运用时的学习完毕模型136的输入数据的噪声量不同，则有可能在运用时噪声减少性能、伪影减少性能会下降，或产生设想外的画质劣化。因此，在实施方式3中，在学习时和运用时使输入数据的噪声量尽可能一致。
(实施方式3的结构)
实施方式3的X射线CT装置的结构与图5同样。其中，在投影数据分割部141中具备预测在对被检体的投影数据(未分割)进行图像重构的情况下得到的噪声量的预测部(未图示)。
(实施方式3的运用时)
使用图8的流程来说明实施方式3的X射线CT装置的运用时的动作。
(步骤S020)
将生成学习完毕模型136时的输入数据(低画质图像)的代表性的图像噪声量或方差值、例如第1低画质图像的图像噪声量σ1或方差值σ1 2预先存放于X射线CT装置1的存储装置123。
预测部在运用时预测在对被检体的投影数据(未分割)进行图像重构的情况下得到的图像噪声σX或方差值σX 2。在此，预测图像噪声或方差值的预测方法使用公知的CT-AEC(自动曝光机构、Auto Exposure Control)的方法即可，例如使用专利第4731151号记载的方法。
在步骤S020，投影数据分割部141算出分割数N，以使得学习完毕模型136的学习时的输入数据(低画质图像)和在对运用时的被检体的投影数据(未分割)进行图像重构的情况下得到的噪声量一致。具体地，根据σ1 2、σX 2，通过下式来算出分割数N。
N＝σ2 2/σX 2
另外，进行四舍五入等，以使得N成为整数。
(步骤S011～S014)
步骤S011～S014由于与实施方式2同样，因此省略说明。
另外，图8的流程是分割数N＝2的情况的示例。
在实施方式3的X射线CT装置中，由于学习完毕模型136的学习时和运用时的输入数据的噪声量一致，因此能提供能高精度地进行噪声减少、伪影减少的X射线CT装置。
《实施方式4》
说明实施方式4的X射线CT装置。
实施方式4的X射线CT装置是与实施方式2的X射线CT装置同样的结构，但在学习完毕模型136的学习时和运用时，使用低画质图像的差分图像作为追加数据，在这点上与实施方式2不同。
如公知的美国专利第7706497号、专利第6713860号公开的那样，将投影数据偶奇分割，分别进行图像重构，取2个图像的差分，由此能得到除去了信号的噪声图像。
在实施方式4中，通过将该差分图像(噪声图像)作为机器学习的追加数据而输入到模型，来提升学习完毕模型136的噪声减少精度。
(实施方式4的结构)
在图9示出实施方式4的X射线CT装置的结构。实施方式4的X射线CT装置是与实施方式2的装置同样的结构，但在学习完毕模型生成装置130中具备差分图像生成部139，并且在图像重构装置122中配置差分图像生成部143，在这两点上与实施方式4的装置不同。
(实施方式4的X射线CT装置的学习时)
使用图10来说明实施方式4的模型的学习时的动作。
(步骤S001)
在步骤S001，投影数据分割部131进行学习用投影数据的偶奇分割，得到第1部分投影数据、第2部分投影数据。
(步骤S002、S003)
步骤S002、S003与实施方式1同样，低画质图像生成部132根据第1部分投影数据和第2部分投影数据来生成第1低画质图像第2低画质图像。示教图像生成部133将第1低画质图像和第2低画质图像结合，得到高画质图像(示教图像)
(步骤S005)
另一方面，在步骤S005，差分图像生成部139取第1低画质图像与第2低画质图像的差分，生成差分图像。由于第1低画质图像和第2低画质图像中所含的学习用被检体的图像是大致同一截面位置，因此，差分图像成为仅噪声的图像。
(步骤S006)
在步骤S006，将第1以及第2低画质图像的任1者作为输入数据，将示教图像作为示教数据，将差分图像作为追加数据，进行有监督机器学习。在机器学习中，如实施方式1叙述的那样，使用公知的卷积神经网络(CNN：Convolutional neural network)。CNN具备输入至少1张图像的输入层、中间层、和输出至少1张图像的输出层。若输入输入数据、示教数据和差分图像，则中间层就构建网络(学习完毕模型136)，以使得输出图像和示教数据接近，即，输出图像与示教数据的差变小。通过机器学习，能生成可减少图像噪声以及伪影的学习完毕模型136。由于在差分图像中包含每个像素的噪声分布的信息，因此，通过追加差分图像，能得到能在留下信号分量的同时更加精度良好地除去噪声分量的学习完毕模型136。
(实施方式4的X射线CT装置的运用时)
使用图11来说明实施方式4的运用时的动作。
(步骤S006)
在步骤S011，投影数据分割部141进行被检体的投影数据的偶奇分割，得到第1部分投影数据、第2部分投影数据。
(步骤S012)
在步骤S012，低画质图像生成部142对第1部分投影数据和第2部分投影数据分别进行图像重构，得到第1低画质图像、第2低画质图像。
(步骤S023)
在步骤S023，差分图像生成部143取第1低画质图像与第2低画质图像的差分，生成差分图像。
(步骤S024)
在步骤S024，将第1低画质图像和差分图像分别输入到学习完毕模型136来作为输入数据、追加数据，取得减少了噪声的第3高画质图像。同样地，将第2低画质图像和差分图像输入到学习完毕模型136来作为输入数据、追加数据，生成减少了噪声的第4高画质图像。
(步骤S025)
在步骤S025，将第3高画质图像和第4高画质图像结合，来生成第5高画质图像。作为结合方法，例如使用与(式3)～(式5)同样的加权平均。
根据实施方式4，通过加入反映了噪声分量的差分图像来作为机器学习的追加数据，能提供能精度良好地仅减少噪声的X射线CT装置。
以上说明了本发明所涉及的X射线CT装置的适合的实施方式，但本发明并不限定于上述的实施方式。此外，只要是本领域技术人员，就能在本申请公开的技术思想的范畴内想到各种变更例或修正例，这点是明确的，应当了解这些当然也属于本发明的技术范围。

Claims (13)

1.一种X射线CT装置，其特征在于，具有：
扫描机架部，其在夹着被检体使X射线源和X射线检测器对置配置的状态下，通过使所述X射线源和所述X射线检测器在所述被检体的周围旋转，从而取得由所述X射线检测器检测从所述X射线源照射并透过所述被检体的X射线而输出的测量数据；
图像重构部，其使用所述测量数据来生成所述被检体的CT图像；和
高画质图像生成部，
所述高画质图像生成部包含学习完毕模型，且构成为通过接受所述图像重构部所重构的所述CT图像并输入到所述学习完毕模型来得到所述学习完毕模型所输出的高画质化的图像，
所述学习完毕模型是预先生成的、将至少1张低画质图像作为输入数据且将画质比所述低画质图像高的至少1张高画质图像作为示教数据而学习完毕的模型，
所述低画质图像以及所述高画质图像基于同一学习用测量数据或使所述学习用测量数据对数变换而得的学习用投影数据来得到，所述学习用测量数据是如下那样的数据：在夹着学习用被检体使学习用X射线源和学习用X射线检测器对置配置的状态下，通过使所述学习用X射线源和所述学习用X射线检测器在所述学习用被检体的周围旋转，从而由所述学习用X射线检测器检测从所述学习用X射线源照射并透过所述学习用被检体的X射线而输出的数据，
所述低画质图像是根据将所述学习用测量数据或学习用投影数据分割而得的一部分数据来重构的CT图像，
所述高画质图像是对所述学习用投影数据进行重构而得到的CT图像。
2.根据权利要求1所述的X射线CT装置，其特征在于，
所述低画质图像是根据如下数据来重构的CT图像：将所述学习用测量数据或学习用投影数据关于所述学习用X射线检测器的视角方向、列方向以及通道方向的任一者提取一部分数据而得到的数据。
3.根据权利要求2所述的X射线CT装置，其特征在于，
低画质图像是将所述学习用测量数据或学习用投影数据关于视角方向、列方向以及通道方向的任一者选择第偶数个或第奇数个数据并使用这些数据来重构的CT图像。
4.根据权利要求1所述的X射线CT装置，其特征在于，
所述高画质图像是合成多个CT图像而得到的图像，该多个CT图像是对将所述学习用测量数据或学习用投影数据分割成多部分而得的分割后的数据分别进行重构而得到的。
5.根据权利要求1所述的X射线CT装置，其特征在于，
使用所述扫描机架部所取得的测量数据来作为所述学习用测量数据。
6.根据权利要求1所述的X射线CT装置，其特征在于，
所述图像重构部具有对所述测量数据或使所述测量数据对数变换而得的投影数据进行分割的分割部，根据分割后的一部分数据来重构CT图像，
所述高画质图像生成部通过将根据所述分割后的一部分数据来重构的CT图像输入到所述学习完毕模型，从而得到所述学习完毕模型所输出的高画质化的图像。
7.根据权利要求6所述的X射线CT装置，其特征在于，
所述图像重构部将所述测量数据或所述投影数据关于视角方向、列方向以及通道方向的任一者选择一部分数据，并生成对所选择的一部分数据进行重构而得到的CT图像。
8.根据权利要求6所述的X射线CT装置，其特征在于，
在所述学习完毕模型的学习用的所述低画质图像的生成时，在与所述学习用测量数据或学习用投影数据被分割时相同的条件下，分割所述被检体的所述测量数据或所述投影数据。
9.根据权利要求6所述的X射线CT装置，其特征在于，
所述分割部将所述被检体的所述测量数据或投影数据分割，以使得用在所述学习完毕模型的学习中的所述低画质图像中所含的噪声量和所述图像重构部所重构的CT图像中所含的噪声量一致。
10.根据权利要求9所述的X射线CT装置，其特征在于，
所述分割部具备预测所述图像重构部所重构的CT图像中所含的噪声量的预测部，基于所述预测部所预测的噪声量来决定所述被检体的所述测量数据或投影数据的分割数。
11.根据权利要求1所述的X射线CT装置，其特征在于，
所述学习完毕模型除了所述低画质图像以外，还将学习用噪声图像作为输入数据而学习完毕，
所述学习用噪声图像是对将所述学习用测量数据或所述学习用投影数据分割成2部分而得的数据分别进行重构而得到的2个学习用CT图像的差分图像，
所述图像重构部具有根据所述测量数据或投影数据来生成噪声图像的噪声图像生成部，
所述噪声图像生成部对将所述测量数据或使所述测量数据对数变换而得的投影数据分割成2部分而得的数据分别进行重构，并生成所得到的2个CT图像的差分图像来作为所述噪声图像，
所述高画质图像生成部接受所述图像重构部所重构的所述CT图像和所述噪声图像，通过将它们输入到所述学习完毕模型，来得到所述学习完毕模型所输出的高画质化的图像。
12.一种高画质图像生成装置，包含学习完毕模型，通过接受图像并输入到所述学习完毕模型，来得到所述学习完毕模型所输出的高画质化的图像，所述高画质图像生成装置的特征在于，
所述学习完毕模型是预先生成的、将至少1张低画质图像作为输入数据且将画质比所述低画质图像高的至少1张高画质图像作为示教数据而学习完毕的模型，
输入到所述学习完毕模型的图像是被生成为使得噪声量与在所述学习完毕模型的学习时用作输入数据的所述低画质图像的噪声量一致的图像。
13.一种高画质图像生成装置，其特征在于，具有：
分割部，其对X射线CT装置的测量数据或使所述测量数据对数变换而得的投影数据进行分割；
图像重构部，其根据分割后的一部分数据来重构CT图像；和
学习完毕模型，
所述学习完毕模型是预先生成的、将至少1张低画质图像作为输入数据且将画质比所述低画质图像高的至少1张高画质图像作为示教数据而学习完毕的模型，
通过将所述图像重构部根据由所述分割部分割后的所述一部分数据来重构的CT图像输入到所述学习完毕模型，从而得到所述学习完毕模型所输出的高画质化的图像。
CN202310246256.XA 2022-05-11 2023-03-14 X射线ct装置以及高画质图像生成装置 Pending CN117045269A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022078043A JP2023167122A (ja) 2022-05-11 2022-05-11 Ｘ線ｃｔ装置、および、高画質画像生成装置
JP2022-078043 2022-05-11

Publications (1)

Publication Number Publication Date
CN117045269A true CN117045269A (zh) 2023-11-14

Family

ID=88661434

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310246256.XA Pending CN117045269A (zh) 2022-05-11 2023-03-14 X射线ct装置以及高画质图像生成装置

Country Status (3)

Country Link
US (1) US20230363724A1 (zh)
JP (1) JP2023167122A (zh)
CN (1) CN117045269A (zh)

Also Published As

Publication number Publication date
US20230363724A1 (en) 2023-11-16
JP2023167122A (ja) 2023-11-24

Similar Documents

Publication Publication Date Title
Willemink et al. The evolution of image reconstruction for CT—from filtered back projection to artificial intelligence
US9036886B2 (en) System and method for correcting for metal artifacts using multi-energy computed tomography
JP5280450B2 (ja) Ｘ線ｃｔ画像形成方法及びそれを用いたｘ線ｃｔ装置
JP2021502836A (ja) 機械学習を使用した画像生成
JP5918374B2 (ja) Ｘ線ｃｔ装置およびｘ線ｃｔ画像の処理方法
KR101576703B1 (ko) 화상 처리 장치, 화상 처리 방법 및 컴퓨터 판독 가능 저장 매체
US7983462B2 (en) Methods and systems for improving quality of an image
JP6215449B2 (ja) Ｘ線ｃｔ装置、及び処理装置
KR20170025096A (ko) 단층 영상 복원 장치 및 그에 따른 단층 영상 복원 방법
JP5726288B2 (ja) Ｘ線ｃｔ装置、および方法
JP2004181243A (ja) 横方向のフィルタリング処理を用いたトモシンセシス画像を強調する方法及びシステム
WO2007053587A1 (en) Method for increasing the resolution of a ct image during image reconstruction
CN111325678B (zh) 三维体图像数据的伪影校正方法
KR101783964B1 (ko) 단층 촬영 장치 및 그에 따른 단층 영상 복원 방법
US9953440B2 (en) Method for tomographic reconstruction
EP4071720A1 (en) System and method for utilizing a deep learning network to correct for a bad pixel in a computed tomography detector
CN101147683A (zh) 图像处理装置和图像处理方法
CN117045269A (zh) X射线ct装置以及高画质图像生成装置
US20230145920A1 (en) Systems and methods for motion detection in medical images
JP2023004941A (ja) Ｘ線診断装置、医用画像処理方法及び学習済みモデルの生成方法
US11270477B2 (en) Systems and methods for tailored image texture in iterative image reconstruction
EP4235581A1 (en) Medical image processing method, medical image processing apparatus, program, method for producing a trained machine learning model, apparatus for producing a trained machine learning model and computer-readable storage medium
EP4365828A1 (en) System and method for employing residual noise in deep learning denoising for x-ray imaging
EP4167187A1 (en) X-ray diagnostic apparatus and a medical information processing method
WO2024008764A1 (en) Cone beam artifact reduction

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