JP2020065842A - 医用画像処理装置 - Google Patents

Abstract

【課題】Ｘ線コンピュータ断層撮影におけるキャリブレーションを正確に実行すること。【解決手段】実施形態に係る医用画像処理装置は、アーチファクト成分を有する処理対象の投影データと前記処理対象の投影データのキャリブレーションに利用する処理対象のキャリブレーションデータとを取得する取得部と、投影データとキャリブレーションデータとからアーチファクトが低減されたＣＴ画像データを生成するためのキャリブレーションの補正量又はパラメータ値を出力する機械学習モデルに従い、前記処理対象の投影データと前記処理対象のキャリブレーションデータとに基づいて、キャリブレーションの処理対象の補正量又はパラメータ値を決定する処理部と、を具備する。【選択図】 図１

Description

本発明の実施形態は、医用画像処理装置に関する。

Ｘ線コンピュータ断層撮影により再構成されたＣＴ画像は、例えば、ＭＰＲ画像の形態により表示され観察される。ＭＰＲ画像のうちのサジタル画像及びコロナル画像の略中心に柱状のアーチファクト（偽像）が描画される場合がある。このアーチファクトは、主に投影データに対するキャリブレーションの不正確に原因があることが知られている。

米国特許出願公開第US2004/0249314号明細書 米国特許出願公開第US2011/0142316号明細書 米国特許出願公開第US2017/0035308号明細書

本発明が解決しようとする課題は、Ｘ線コンピュータ断層撮影におけるキャリブレーションを正確に実行することである。

実施形態に係る医用画像処理装置は、アーチファクト成分を有する処理対象の投影データと前記処理対象の投影データのキャリブレーションに利用する処理対象のキャリブレーションデータとを取得する取得部と、投影データとキャリブレーションデータとからアーチファクトが低減されたＣＴ画像データを生成するためのキャリブレーションの補正量又はパラメータ値を出力する機械学習モデルに従い、前記処理対象の投影データと前記処理対象のキャリブレーションデータとに基づいて、キャリブレーションの処理対象の補正量又はパラメータ値を決定する処理部と、を具備する。

図１は、Ｘ線コンピュータ断層撮影装置の構成を示す図である。 図２は、学習済モデルの入出力関係を模式的に示す図である。 図３は、キャリブレーションデータの区分単位を示す図である。 図４は、本実施形態のＸ線コンピュータ断層撮影装置の処理回路による、キャリブレーション処理付きの画像再構成処理の典型的な流れを示す図である。 図５は、他の学習済モデルを利用した補正量及び／又はパラメータ値の生成処理を示す図である。 図６は、他の学習済モデルの入出力関係を模式的に示す図である。 図７は、本実施形態に係る学習データ装置の構成を示す図である。 図８は、本実施形態の学習データ生成装置の処理回路による、出力用の補正量及び／又はパラメータ値の決定処理の典型的な流れを示す図である。 図９は、学習データ生成画面の一例を示す図である。

以下、図面を参照しながら本実施形態に係る医用画像処理装置を説明する。

本実施形態に係る医用画像処理装置は、例えば、Ｘ線コンピュータ断層撮影装置により収集されたデータを処理するプロセッサ又は当該プロセッサを含むコンピュータである。当該コンピュータは、Ｘ線コンピュータ断層撮影装置に搭載されたコンピュータであってもよいし、Ｘ線コンピュータ断層撮影装置に有線又は無線を介して接続されたコンピュータでもよいし、スタンド・アローン型のコンピュータであってもよい。以下、医用画像処理装置は、Ｘ線コンピュータ断層撮影装置に搭載されたコンピュータであるとする。

図１は、Ｘ線コンピュータ断層撮影装置１の構成を示す図である。なお、図１には説明の都合のため複数の架台１０が描画されているが、典型的にはＸ線コンピュータ断層撮影装置１が装備する架台１０は１台である。

図１に示すように、Ｘ線コンピュータ断層撮影装置１は、架台１０、寝台３０及びコンソール４０を有する。架台１０は、被検体ＰをＸ線ＣＴ撮影するための構成を有するスキャン装置である。寝台３０は、Ｘ線ＣＴ撮影の対象となる被検体Ｐを載置し、被検体Ｐを位置決めするための搬送装置である。コンソール４０は、架台１０を制御するコンピュータである。例えば、架台１０及び寝台３０は検査室に設置され、コンソール４０は検査室に隣接する操作室に設置される。架台１０、寝台３０及びコンソール４０は互いに通信可能に有線または無線で接続されている。架台１０は、スキャン部の一例である。

図１に示すように、架台１０は、Ｘ線管１１、Ｘ線検出器１２、回転フレーム１３、Ｘ線高電圧装置１４、制御装置１５、ウェッジ１６、コリメータ１７及びデータ収集回路（ＤＡＳ：Data Acquisition System）１８を有する。

Ｘ線管１１は、Ｘ線を発生する。具体的には、Ｘ線管１１は、熱電子を発生する陰極と、陰極から飛翔する熱電子を受けてＸ線を発生する陽極と、陰極と陽極とを保持する真空管とを含む。Ｘ線管１１は、高圧ケーブルを介してＸ線高電圧装置１４に接続されている。陰極には、Ｘ線高電圧装置１４によりフィラメント電流が供給される。フィラメント電流の供給により陰極から熱電子が発生する。陰極と陽極との間には、Ｘ線高電圧装置１４により管電圧が印加される。管電圧の印加により陰極から陽極に向けて熱電子が飛翔して陽極に衝突し、Ｘ線が発生する。発生されたＸ線は、被検体Ｐに照射される。陰極から陽極に向けて熱電子が飛翔することにより管電流が流れる。

Ｘ線検出器１２は、Ｘ線管１１から発生され被検体Ｐを通過したＸ線を検出し、検出されたＸ線の線量に対応した電気信号をＤＡＳ１８に出力する。Ｘ線検出器１２は、チャネル方向に複数のＸ線検出素子が配列されたＸ線検出素子列がスライス方向（列方向）に複数配列された構造を有する。Ｘ線検出器１２は、例えば、グリッド、シンチレータアレイ及び光センサアレイを有する間接変換型の検出器である。シンチレータアレイは、複数のシンチレータを有する。シンチレータは、入射Ｘ線量に応じた光量の光を出力する。グリッドは、シンチレータアレイのＸ線入射面側に配置され、散乱Ｘ線を吸収するＸ線遮蔽板を有する。なお、グリッドは、コリメータ（１次元コリメータ又は２次元コリメータ）と呼ばれることもある。光センサアレイは、シンチレータからの光の光量に応じた電気信号に変換する。光センサとしては、例えば、フォトダイオードが用いられる。

回転フレーム１３は、Ｘ線管１１とＸ線検出器１２とを回転軸Ｚ回りに回転可能に支持する円環状のフレームである。具体的には、回転フレーム１３は、Ｘ線管１１とＸ線検出器１２とを対向支持する。回転フレーム１３は、固定フレーム（図示せず）に回転軸Ｚ回りに回転可能に支持される。制御装置１５により回転フレーム１３が回転軸Ｚ回りに回転することによりＸ線管１１とＸ線検出器１２とを回転軸Ｚ回りに回転させる。回転フレーム１３の開口部１９には、画像視野（ＦＯＶ：Field Of View）が設定される。

なお、本実施形態では、非チルト状態での回転フレーム１３の回転軸又は寝台３０の天板３３の長手方向をＺ方向、Ｚ方向に直交し床面に対し水平である方向をＸ方向、Ｚ方向に直交し床面に対し垂直である方向をＹ方向と定義する。

Ｘ線高電圧装置１４は、高電圧発生装置とＸ線制御装置とを有する。高電圧発生装置は、変圧器（トランス）及び整流器等の電気回路を有し、Ｘ線管１１に印加する高電圧及びＸ線管１１に供給するフィラメント電流を発生する。Ｘ線制御装置は、Ｘ線管１１に印加する高電圧とＸ線管１１に供給フィラメント電流とを制御する。高電圧発生装置は、変圧器方式であってもよいし、インバータ方式であっても構わない。Ｘ線高電圧装置１４は、架台１０内の回転フレーム１３に設けられてもよいし、架台１０内の固定フレーム（図示しない）に設けられても構わない。

ウェッジ１６は、被検体Ｐに照射されるＸ線の線量を調節する。具体的には、ウェッジ１６は、Ｘ線管１１から被検体Ｐへ照射されるＸ線の線量が予め定められた分布になるようにＸ線を減衰する。例えば、ウェッジ１６としては、ウェッジフィルタ（wedge filter）やボウタイフィルタ（bow-tie filter）等、アルミニウム等の金属が加工されることにより形成された金属フィルタである。これらウェッジ１６は、所定のターゲット角度や所定の厚みを有するように加工される。

コリメータ１７は、ウェッジ１６を透過したＸ線の照射範囲を限定する。コリメータ１７は、Ｘ線を遮蔽する複数の鉛板をスライド可能に支持し、複数の鉛板により形成されるスリットの形態を調節する。なお、コリメータ１７は、Ｘ線絞りとも呼ばれる。

ＤＡＳ１８は、Ｘ線検出器１２により検出されたＸ線の線量に応じた電気信号をＸ線検出器１２から読み出し、読み出した電気信号を増幅し、ビュー期間に亘り電気信号を積分することにより当該ビュー期間に亘るＸ線の線量に応じたデジタル値を有する検出データを収集する。検出データは、投影データとも呼ばれる。ＤＡＳ１８は、例えば、投影データを生成可能な回路素子を搭載した特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）により実現される。ＤＡＳ１８により生成された投影データ（検出データ）は、回転フレーム１３に設けられた発光ダイオード（ＬＥＤ）を有する送信機から光通信によって架台１０の非回転部（例えば、固定フレーム）に設けられた発光ダイオード（ＬＥＤ）を有する受信機に送信され、受信機からコンソール４０に伝送される。なお、回転フレーム１３から架台１０の非回転部への投影データの送信方式は、前述の光通信に限定されず、非接触型のデータ伝送であれば如何なる方式であっても良い。

寝台３０は、基台３１、支持フレーム３２、天板３３及び寝台駆動装置３４を備える。基台３１は、床面に設置される。基台３１は、支持フレーム３２を、床面に対して垂直方向（Ｙ方向）に移動可能に支持する構造体である。支持フレーム３２は、基台３１の上部に設けられるフレームである。支持フレーム３２は、天板３３を中心軸Ｚに沿ってスライド可能に支持する。天板３３は、被検体Ｐが載置される柔軟性を有する板状構造体である。

寝台駆動装置３４は、寝台３０に収容される。寝台駆動装置３４は、被検体Ｐが載置された天板３３を移動させるための動力を発生するモータ又はアクチュエータである。寝台駆動装置３４は、コンソール４０等による制御に従い作動する。

制御装置１５は、コンソール４０の処理回路４４による撮影制御機能４４１に従いＸ線ＣＴ撮影を実行するためにＸ線高電圧装置１４、ＤＡＳ１８及び寝台３０を制御する。制御装置１５は、ＣＰＵ（Central Processing Unit）等を有する処理回路と、モータ及びアクチュエータ等の駆動装置とを有する。処理回路は、ハードウェア資源として、ＣＰＵ等のプロセッサとＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）等のメモリとを有する。制御装置１５は、例えば、コンソール４０、架台１０及び寝台３０等に設けられた入力インタフェース４３からの操作信号に従い架台１０及び寝台３０を制御する。例えば、制御装置１５は、回転フレーム１３の回転、架台１０のチルト、天板３３及び寝台３０の動作を制御する。

コンソール４０は、メモリ４１、ディスプレイ４２、入力インタフェース４３及び処理回路４４を有する。メモリ４１とディスプレイ４２と入力インタフェース４３と処理回路４４との間のデータ通信は、バス（BUS）を介して行われる。なお、コンソール４０は、架台１０とは別体であるとして説明するが、架台１０にコンソール４０の全構成要素又は一部の構成要素が含まれても良い。コンソール４０は、本実施形態に係る医用画像処理装置の一例である。

メモリ４１は、種々の情報を記憶するＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）、集積回路記憶装置等の記憶装置である。メモリ４１は、例えば、投影データやキャリブレーションデータ等を記憶する。メモリ４１は、ＨＤＤやＳＳＤ等以外にも、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、フラッシュメモリ等の可搬性記憶媒体や、ＲＡＭ（Random Access Memory）等の半導体メモリ素子等との間で種々の情報を読み書きする駆動装置であってもよい。また、メモリ４１の保存領域は、Ｘ線コンピュータ断層撮影装置１内にあってもよいし、ネットワークで接続された外部記憶装置内にあってもよい。メモリ４１は、例えば、学習済みの機械学習モデル（以下、学習済モデルと呼ぶ）４５を記憶する。

ディスプレイ４２は、各種の情報を表示する。例えば、ディスプレイ４２は、処理回路４４によって生成された医用画像（ＣＴ画像）や、操作者からの各種操作を受け付けるためのＧＵＩ（Graphical User Interface）等を出力する。例えば、ディスプレイ４２としては、例えば、液晶ディスプレイ（ＬＣＤ：Liquid Crystal Display）、ＣＲＴ（Cathode Ray Tube）ディスプレイ、有機ＥＬディスプレイ（ＯＥＬＤ：Organic Electro Luminescence Display）、プラズマディスプレイ又は他の任意のディスプレイが、適宜、使用可能となっている。また、ディスプレイ４２は、架台１０に設けられても良い。また、ディスプレイ４２は、デスクトップ型でも良いし、コンソール４０本体と無線通信可能なタブレット端末等に含まれるタブレット型でも良い。

入力インタフェース４３は、操作者からの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路４４に出力する。入力インタフェース４３としては、例えば、マウス、キーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパッド及びタッチパネルディスプレイ等が適宜使用可能である。なお、本実施形態において入力インタフェース４３は、マウス、キーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパッド及びタッチパネルディスプレイ等の物理的な操作部品を備えるものに限られない。例えば、装置とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を処理回路４４へ出力する電気信号の処理回路も入力インタフェース４３の例に含まれる。また、入力インタフェース４３は、架台１０に設けられても良い。また、入力インタフェース４３は、コンソール４０本体と無線通信可能なタブレット端末等に含まれても良い。

処理回路４４は、入力インタフェース４３から出力される入力操作の電気信号に応じてＸ線コンピュータ断層撮影装置１の動作を制御する。例えば、処理回路４４は、ハードウェア資源として、ＣＰＵやＧＰＵ（Graphics Processing Unit）等のプロセッサとＲＯＭやＲＡＭ等のメモリとを有する。処理回路４４は、メモリに展開されたプログラムを実行することにより、撮影制御機能４４１、前処理機能４４２、再構成機能４４３、画像処理機能４４４、データ取得機能４４５、モデル適用機能４４６、調整機能４４７及び表示制御機能４４８等を実行する。なお、各機能４４１〜４４８は単一の処理回路で実現される場合に限らない。複数の独立したプロセッサを組み合わせて処理回路を構成し、各プロセッサがプログラムを実行することにより各機能４４１〜４４８を実現するものとしても構わない。

撮影制御機能４４１において処理回路４４は、Ｘ線ＣＴ撮影を行うためＸ線高電圧装置１４と制御装置１５とＤＡＳ１８とを制御する。処理回路４４は、スキャン計画等により決定された撮影条件に従いＸ線高電圧装置１４と制御装置１５とＤＡＳ１８とを制御する。

前処理機能４４２において処理回路４４は、ＤＡＳ１８から出力された投影データに種々の前処理を施し、前処理後の投影データを生成する。前処理としては、キャリブレーション（較正）や対数変換処理、オフセット補正処理、チャネル間の感度補正処理、ビームハードニング補正が含まれる。キャリブレーションは、投影データにキャリブレーションデータを適用することにより行われる。キャリブレーションデータは、水ファントム又は空気ファントムを被写体とする投影データである。キャリブレーションデータは、キャリブレーションの補正量及び／又はパラメータ値に従い補正される。補正量とパラメータ値とは、モデル適用機能４４６により決定される。

再構成機能４４３において処理回路４４は、前処理後の投影データに再構成処理を施してＣＴ画像データを再構成する。再構成処理としては、フィルタ補正逆投影法や逐次近似再構成法等が適宜利用可能である。

画像処理機能４４４において処理回路４４は、入力インタフェース４３を介して操作者から受け付けた入力操作に基づいて、ＣＴ画像データに、ＭＰＲ処理やボリュームレンダリング処理、サーフェスレンダリング処理、画素値投影処理等を行う。

データ取得機能４４５において処理回路４４は、アーチファクト成分を有する処理対象の投影データと、処理対象の投影データのキャリブレーションに利用する処理対象のキャリブレーションデータとを取得する。例えば、処理回路４４は、モデル適用機能４４６による学習済モデル４５を用いた補正量及び／又はパラメータ値の決定のため、処理対象の投影データと処理対象のキャリブレーションデータとを、メモリ４１から読み出す。

モデル適用機能４４６において処理回路４４は、学習済モデル４５に従い、処理対象の投影データと処理対象のキャリブレーションデータとに基づいて、処理対象のキャリブレーションの補正量又はパラメータ値を決定する。この際、処理回路４４は、補正量とパラメータ値との両方を決定してもよい。

調整機能４４７において処理回路４４は、モデル適用機能４４６により決定されたキャリブレーションの補正量及び／又はパラメータ値に基づいて、処理対象のキャリブレーションデータを調整する。処理回路４４は、前処理機能４４２の実現により、調整後のキャリブレーションデータを用いて投影データをキャリブレーションする。

表示制御機能４４８において処理回路４４は、種々の情報をディスプレイ４２に表示する。例えば、種々の情報として、再構成機能４４３や画像処理機能４４４等により生成されたＣＴ画像等が表示される。

以下、本実施形態に係るＸ線コンピュータ断層撮影装置１の動作例について説明する。

図２は、学習済モデル４５の入出力関係を模式的に示す図である。図２に示すように、学習済モデル４５は、投影データＤ１とキャリブレーションデータＤ２とを入力とし、キャリブレーションの補正量及び／又はパラメータ値Ｄ３を出力する機械学習モデルである。投影データＤ１は、柱状アーチファクト等のアーチファクト成分を有する投影データである。キャリブレーションデータＤ２は、入力される投影データＤ１のキャリブレーションに用いるキャリブレーションデータである。投影データＤ１とキャリブレーションデータＤ２とはビュー毎に入力される。補正量及びパラメータ値Ｄ３は、アーチファクトが低減されたＣＴ画像データを生成するための、キャリブレーションの補正量及びパラメータ値である。

すなわち、学習済モデル４５は、投影データとキャリブレーションデータとからアーチファクトが低減されたＣＴ画像データを生成するためのキャリブレーションの補正量及び／又はパラメータ値を出力するようにパラメータが学習された機械学習モデルである。機械学習モデルは、複数の調整可能な関数及びパラメータの組合せにより定義されるパラメータ付きの合成関数である。パラメータは、重み付行列とバイアスとの総称である。機械学習モデルは、深層ニューラルネットワーク（ＤＮＮ：Deep Neural Network）等の、上記の要請を満たす如何なるパラメータ付き合成関数であっても良い。

柱状アーチファクトは、ＭＰＲ画像のうちのサジタル画像及びコロナル画像の略中心に柱状のアーチファクト（偽像）として描画される。柱状アーチファクトは、主にキャリブレーションの不正確に原因がある。本実施形態に係る低減対象のアーチファクトは、キャリブレーションの不正確を要因とするアーチファクトであれば、柱状アーチファクトに限定されない。しかしながら、以下の実施形態においては、低減対象のアーチファクトは柱状アーチファクトであるとする。

キャリブレーションは、Ｘ線発生系やＸ線検出系の種々の装置の特性の変動を正すために行われる。キャリブレーション対象の変動としては、Ｘ線検出器１２の感度不均一性やＤＡＳ１８の直線性（リニアリティ）、Ｘ線検出器１２の感度エネルギー特性、Ｘ線管１１のＸ線焦点位置等が挙げられる。これらキャリブレーション対象の変動は、柱状アーチファクトの発生要因と言い換えることも可能である。キャリブレーションの特性を変更する因子としてキャリブレーションデータの補正量及びパラメータ値がある。

補正量は、Ｘ線検出器１２の感度不均一性を正すための因子である。補正量は、Ｘ線検出器１２を構成する複数のＸ線検出素子間の感度のばらつきを低減するために設定される。補正量は、投影データのうちの各Ｘ線検出素子に対応するデータ値に適用される値である。複数のＸ線検出素子間の感度のばらつきを低減するためにＸ線検出素子毎に設定され適用される。補正量はＸ線焦点位置にも応じて調整される。

パラメータ値は、ＤＡＳ１８の直線性、Ｘ線検出器１２の感度エネルギー特性等の変動を正すための因子である。ＤＡＳ１８の直線性は、Ｘ線検出器１２からの入力信号（カウント）とＤＡＳ１８からの出力信号（投影データのデータ値）との間の直線性を意味する。直線性の補正はリニアリティ補正と呼ばれる。リニアリティ補正は、ＤＡＳ１８のカウント値に対するＤＡＳ１８の可変増幅器の増幅率（ゲイン）の関係を規定する関数を、投影データに適用することにより行われる。当該関数の係数がリニアリティ補正のパラメータ値である。Ｘ線検出器１２の感度エネルギー特性は、Ｘ線エネルギーに対するＸ線検出器１２の感度である。感度エネルギー特性の補正は、エネルギー特性補正と呼ばれる。エネルギー特性補正は、Ｘ線エネルギーに対する各Ｘ線検出素子の感度の関係を規定する関数を投影データに適用することにより行われる。当該関数の係数はエネルギー特性補正のパラメータ値である。

学習済モデル４５は、補正量とパラメータ値との両方を出力するように学習されてもよいし、補正量とパラメータ値とのうちの何れか一方を出力するように学習されてもよい。より詳細には、学習済モデル４５は、柱状アーチファクトの種々の発生要因にそれぞれ対応する種々の補正量又はパラメータのうちの一又は複数を出力するように学習されてもよい。例えば、学習済モデル４５は、ＤＡＳ１８のリニアリティ補正のパラメータ値のみを出力するように学習されてもよい。

図３は、キャリブレーションデータの区分単位を示す図である。キャリブレーションデータは、水又は空気を被写体とする投影データ又は当該投影データを加工したデータである。投影データにキャリブレーションデータを適用することによりキャリブレーションが行われる。キャリブレーションデータは、回転フレーム１３、Ｘ線管１１又はＸ線検出器１２の回転角度に対して依存性を有しているため、所定の回転角度範囲毎に収集される。３６０度を所定の回転角度毎に分割することにより回転角度範囲が設定される。投影データとキャリブレーションデータとは、Ｘ線ＣＴガントリに搭載される回転フレームの回転角度範囲に応じて複数のセットに区分される。例えば、図３に示すように、３６０度を８分割することにより８つの回転角度範囲が設定される。互いに同一の回転角度範囲に属する投影データとキャリブレーションデータとを利用してキャリブレーションが行われる。例えば、第１の回転角度範囲（０度−４５度）の投影データに対しては、同一の第１の回転角度範囲のキャリブレーションデータが適用される。なお、本実施形態に係る回転角度範囲の数、すなわち、分割数は、８分割に限定されず、幾つであってもよい。分割する必要がない場合、分割数は、ゼロでもよい。

投影データとキャリブレーションデータとは、回転角度範囲以外にも、回転フレーム１３の回転速度、チルト角、撮影管電圧、撮影管電流、ＦＯＶ及びスライス厚等にも依存性を有する。すなわち、投影データとキャリブレーションデータとは、回転フレー１３ムの回転速度、チルト角、回転角度範囲、撮影管電圧、撮影管電流、ＦＯＶ及びスライス厚の少なくとも一に応じて複数のセットに区分されてもよい。なお、以下の説明において、投影データとキャリブレーションデータとは、回転角度範囲に応じて複数のセットに区分されているものとする。

図４は、本実施形態のＸ線コンピュータ断層撮影装置１の処理回路４４による、キャリブレーション処理付きの画像再構成処理の典型的な流れを示す図である。

図４に示すように、まず処理回路４４は、データ取得機能４４５の実現により、柱状アーチファクト成分を有する投影データＤ１と、キャリブレーションデータＤ２とが取得される。投影データＤ１は、被検体ＰにＸ線ＣＴ撮像を施すことにより生成される。キャリブレーションデータＤ２は、予めキャリブレーションスキャン等により生成される。投影データＤ１とキャリブレーションデータＤ２とは、同一の回転角度範囲に属するものとする。

また、処理回路４４は、モデル適用機能４４６の実現により、キャリブレーションの補正量及び／又はパラメータ値Ｄ３を取得する。具体的には、処理回路４４は、学習済モデル４５に従い、投影データＤ１とキャリブレーションデータＤ２とから補正量及び／又はパラメータ値Ｄ３を生成する。

次に処理回路４４は、調整機能４４７の実現により、調整処理を実行する（ステップＳＡ１）。ステップＳＡ１において処理回路４４は、補正量及び／又はパラメータ値Ｄ３に基づいて、キャリブレーションデータＤ２を調整し、調整後のキャリブレーションデータＤ４を生成する。

ステップＳＡ１が行われると処理回路４４は、調整後のキャリブレーションデータＤ４と投影データＤ１とに基づいて、柱状アーチファクトを有しないＣＴ画像データＤ６を再構成する。具体的には、まず処理回路４４は、前処理機能４４２の実現により、キャリブレーション処理を実行する（ステップＳＡ２）。ステップＳＡ２において処理回路４４は、調整後のキャリブレーションデータＤ４に基づいて投影データＤ１をキャリブレーションし、柱状アーチファクト成分を有しない投影データＤ５を生成する。ステップＳＡ１とステップＳＡ２とは、画像再構成に必要な全ての回転角度範囲の投影データ及びキャリブレーションデータに対して回転角度範囲毎に実行される。これにより、複数の回転角度範囲にそれぞれ対応する複数の補正量及び／又はパラメータ値が決定される。

ステップＳＡ２が行われると処理回路４４は、再構成機能４４３の実現により、再構成処理を実行する（ステップＳＡ３）。ステップＳＡ３において処理回路４４は、画像再構成に必要な全ての回転角度範囲に属する全セットの投影データＤ５に再構成処理を実行して柱状アーチファクトを有しないＣＴ画像データＤ６を生成する。その後、処理回路４４は、表示制御機能４４８の実現により、ＣＴ画像データＤ６をディスプレイ４２等に表示する。例えば、処理回路４４は、ＣＴ画像データＤ６にＭＰＲ処理を施してアキシャル画像、サジタル画像及びコロナル画像を生成し、生成されたアキシャル画像、サジタル画像及びコロナル画像をディスプレイ４２に表示する。アキシャル画像、サジタル画像及びコロナル画像には柱状アーチファクトが含まれないので、ユーザは、正確に画像を観察することが可能になる。

以上により、処理回路４４による、キャリブレーション処理付きの画像再構成処理が終了する。

上記の実施例において学習済モデル４５は、学習済モデル４５は、補正量とパラメータ値との両方を出力するものとした。しかしながら、本実施形態はこれに限定されない。例えば、学習済モデル４５は、複数の補正量又はパラメータをそれぞれ出力する複数の学習済モデル４５を含んでもよい。以下、一例について説明する。

図５は、他の学習済モデル４５を利用した補正量及び／又はパラメータ値の生成処理を示す図である。図５に示すように、学習済モデル４５は、ＤＡＳ１８のリニアリティ補正のパラメータ値Ｄ３−１を出力するように学習された学習済モデル４５−１と、Ｘ線検出器１２のエネルギー特性補正のパラメータ値Ｄ３−２を出力するように学習された学習済モデル４５−２と、焦点位置に応じたキャリブレーションの補正量Ｄ３−３を出力するように学習された学習済モデル４５−３とを有する。

処理回路４４は、モデル適用機能４４６の実現により、学習済モデル４５−１、４５−２及び４５−３を並列的に適用する。具体的には、処理回路４４は、学習済モデル４５−１に従い、柱状アーチファクト成分を有する投影データＤ１とキャリブレーションデータＤ２に基づいてＤＡＳ１８のリニアリティ補正のパラメータ値Ｄ３−１を決定する。同様に、処理回路４４は、学習済モデル４５−２に従い、投影データＤ１とキャリブレーションデータＤ２に基づいてＸ線検出器１２のエネルギー特性補正のパラメータ値Ｄ３−２を決定し、学習済モデル４５−３に従い、投影データＤ１とキャリブレーションデータＤ２に基づいて焦点位置に応じたキャリブレーションの補正量Ｄ３−３を決定する。

次に処理回路４４は、重み付け処理を行う（ステップＳＢ−１、ＳＢ−２、ＳＢ−３）。ステップＳＢ−１において処理回路４４は、患者体格情報に応じた第１の重み値により、パラメータ値Ｄ３−１に重み付けを行う。同様に、ステップＳＢ−２において処理回路４４は、患者体格情報に応じた第２の重み値により、パラメータ値Ｄ３−２に重み付けを行う。ステップＳＢ−３において処理回路４４は、患者体格情報に応じた第３の重み値により、パラメータ値Ｄ３−３に重み付けを行う。

患者体格情報は、Ｘ線ＣＴ撮像の被写体である被検体Ｐの体格に関する情報である。具体的には、患者体格情報は、身長や体重、ＢＭＩ、胸囲、腹囲、ＬＲ長、ＡＰ長又はこれらの組合せ等である。柱状アーチファクト成分の発生要因の中には、ＤＡＳ１８の直線性（リニアリティ）やＸ線検出器１２の感度エネルギー特性等のような、患者体格に影響を受ける因子がある。処理回路４４は、患者体格に大きく影響を受ける発生要因に関するパラメータ値Ｄ３−１，Ｄ３−２には、比較的小さな重み値を乗算し、患者体格に大きく影響を受けない発生要因に関する補正量Ｄ３−３には、比較的大きな重み値を乗算する。これにより、患者体格に大きく影響を受ける発生要因に関する補正量又はパラメータと患者体格に大きく影響を受けない発生要因に関する補正量又はパラメータとを平準化することが可能になる。

なお、学習済モデル４５−１、４５−２及び４５−３の全てを用いる必要はない。例えば、処理回路４４は、学習済モデル４５−１、４５−２及び４５−３のうちの少なくとも２つの学習済モデルを使用すればよい。また、上記の例において重み付けは、学習済モデル４５−１、４５−２及び４５−３の出力に対して行われるとしたが、学習済モデル４５−１、４５−２及び４５−３の入力に対して行われてもよい。

なお、処理回路４４は、被検体の体格以外の情報に基づいて重み付けを実行してもよい。体格以外の情報としては、例えば、被検体Ｐの部位、被検体Ｐの体位、検査内容が利用可能である。検査内容は、造影剤の有無やインプラントの有無等の情報である。すなわち、処理回路４４は、被検体Ｐの体格、被検体Ｐの部位、被検体Ｐの体位及び検査内容の何れか一の情報に基づいて、少なくとも２つの学習済モデルの入力又は出力に重み付けを施すことも可能である。

上記の実施例において処理回路４４は、キャリブレーションの精度を高めるために高精度のキャリブレーションの補正量及び／又はパラメータ値を決定し、これにより柱状アーチファクトの発生を抑制することとした。しかしながら、本実施形態はこれに限定されない。処理回路４４は、ＣＴ画像データに発生した柱状アーチファクトを他の学習済モデルを利用して低減してもよい。

図６は、他の学習済モデル４６の入出力関係を模式的に示す図である。図６に示すように、学習済モデル４６は、柱状アーチファクトを有するＣＴ画像データＤ６を入力とし、柱状アーチファクトを有しないＣＴ画像データＤ９を出力するようにパラメータが学習された機械学習モデルである。学習済モデル４６は予め生成され、メモリ４１に記憶される。ＣＴ画像データＤ６とＣＴ画像データＤ９とは、３次元画像データであるボリュームデータでもよいし、サジタル画像やコロナル画像、アキシャル画像等の２次元画像データでもよい。なお、アキシャル画像には柱状アーチファクトが描出され難いので、ボリュームデータ、サジタル画像又はコロナル画像が好適である。

学習済モデル４６を用いた柱状アーチファクトの低減処理について以下に説明する。まず、処理回路４４は、撮影制御機能４４１の実現により、被検体ＰにＸ線ＣＴ撮影を施して投影データを収集し、前処理機能４４２の実現により前処理後の投影データを生成する。投影データには柱状アーチファクト成分が含まれているものとする。次に処理回路４４は、再構成機能４４３の実現により、柱状アーチファクト成分を有する投影データに再構成処理を施して柱状アーチファクトを有するＣＴ画像データＤ６を生成する。そして処理回路４４は、モデル適用機能４４６の実現により、学習済モデル４６に従い、柱状アーチファクトを有するＣＴ画像データＤ６から柱状アーチファクトを有しないＣＴ画像データＤ９を生成する。その後、処理回路４４は、表示制御機能４４８の実現により、ＣＴ画像データＤ９をディスプレイ４２に表示する。

上記の説明の通り、本実施形態に係る医用画像処理装置は、処理回路４４を有する。処理回路４４は、少なくともデータ取得機能４４５とモデル適用機能４４６とを実現する。データ取得機能４４５は、アーチファクト成分を有する処理対象の投影データと処理対象の投影データのキャリブレーションに利用する処理対象のキャリブレーションデータとを取得する。モデル適用機能４４６は、投影データとキャリブレーションデータとからアーチファクトが低減されたＣＴ画像データを生成するためのキャリブレーションの補正量又はパラメータ値を出力する機械学習モデル４５に従い、処理対象の投影データと処理対象のキャリブレーションデータとに基づいて、キャリブレーションの処理対象の補正量又はパラメータ値を決定する。

上記の構成によれば、処理対象の投影データ及びキャリブレーションデータから、アーチファクトが低減されたＣＴ画像データを生成するための補正量又はパラメータ値を決定することができる。これにより、投影データのキャリブレーションを正確に行うことができ、ひいては、アーチファクトの低減されたＣＴ画像データを生成することが可能になる。

なお、上記の説明において本実施形態に係るＸ線コンピュータ断層撮影装置１は、一管球型であるとしたが、いわゆる多管球型にも適用可能である。

次に、学習済モデル４５の学習に用いられる学習データの生成局面について説明する。学習データは、学習データ生成装置により生成される。学習データ生成装置は、医用画像処理を実行可能に構成されたワークステーション等のコンピュータである。

図７は、本実施形態に係る学習データ生成装置５０の構成を示す図である。図７に示すように、学習データ生成装置５０は、処理回路５１、ディスプレイ５２、メモリ５３、入力インタフェース５４及び通信インタフェース５５を有する。

処理回路５１は、ＣＰＵやＧＰＵ等のプロセッサを有する。当該プロセッサがメモリ５３等にインストールされた各種プログラムを起動することにより、データ取得機能５１１、学習データ生成機能５１２、学習機能５１３及び表示制御機能５１４等を実行する。なお、各機能５１１−５１４は単一の処理回路で実現される場合に限らない。複数の独立したプロセッサを組み合わせて処理回路を構成し、各プロセッサがプログラムを実行することにより各機能５１１−５１４を実現するものとしても構わない。

データ取得機能５１１において処理回路５１は、Ｘ線コンピュータ断層撮影装置１等から、アーチファクト成分を有する投影データを取得する。アーチファクト成分を有する投影データは学習データに用いられる。以下、アーチファクト成分を有する投影データを入力用の投影データと呼ぶこともある。また、処理回路５１は、Ｘ線コンピュータ断層撮影装置１等から、取得した投影データのキャリブレーションに用いるキャリブレーションデータも取得する。

学習データ生成機能５１２において処理回路５１は、アーチファクト成分を有する入力用の投影データに比して、アーチファクト成分が低減された投影データを生成するためのキャリブレーションの補正量及び／又はパラメータ値を決定する。以下、入力用の投影データに比してアーチファクトが低減された投影データを出力用の投影データと呼び、決定された補正量及び／又はパラメータ値を出力用の補正量及び／又はパラメータ値と呼ぶこともある。そして処理回路５１は、入力用の投影データと、出力用の補正量及び／又はパラメータ値との組合せを学習用データとして出力する。なお学習用データの組合せが上記組合せのみに限定されない。処理回路５１は、入力用の投影データと入力用の投影データに基づくＣＴ画像データとのうちの何れか一つと、出力用の投影データと出力用の投影データに基づくＣＴ画像データと出力用の補正量及び又はパラメータ値とのうちの何れか一つとの組合せを学習用データとして出力すればよい。

学習機能５１３において処理回路５１は、学習データに基づいて機械学習モデル５６にパラメータを学習させる。学習機能５１３によるパラメータの学習により、図１に示す学習済モデル４５が生成される。

表示制御機能５１４において処理回路５１は、出力用の補正量及び／又はパラメータ値の決定に用いられる学習データ生成画面をディスプレイ５２に表示する。処理回路５１は、その他、学習データや学習結果等をディスプレイ５２に表示してもよい。

ディスプレイ５２は、処理回路５１の表示制御機能５１４に従い種々の情報を表示する。例えば、ディスプレイ５２は、学習データ生成画面等を表示する。また、ディスプレイ５２は、ユーザからの各種操作を受け付けるためのＧＵＩ等を出力する。例えば、ディスプレイ５２としては、液晶ディスプレイ、ＣＲＴディスプレイ、有機ＥＬディスプレイ、プラズマディスプレイ又は他の任意のディスプレイが適宜使用可能である。

メモリ５３は、種々の情報を記憶するＲＯＭやＲＡＭ、ＨＤＤ、ＳＳＤ、集積回路記憶装置等の記憶装置である。メモリ５３は、例えば、機械学習モデル５６を記憶する。メモリ５３は、上記記憶装置以外にも、ＣＤ、ＤＶＤ、フラッシュメモリ等の可搬型記憶媒体や、ＲＡＭ等の半導体メモリ素子等との間で種々の情報を読み書きする駆動装置であってもよい。また、メモリ５３は、学習データ生成装置５０にネットワークを介して接続された他のコンピュータ内にあってもよい。

入力インタフェース５４は、ユーザからの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路５１に出力する。具体的には、入力インタフェース５４は、マウス、キーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパッド及びタッチパネルディスプレイ等の入力機器に接続されている。入力インタフェース５４は、当該入力機器への入力操作に応じた電気信号を処理回路５１へ出力する。また、入力インタフェース５４に接続される入力機器は、ネットワーク等を介して接続された他のコンピュータに設けられた入力機器でも良い。

通信インタフェース５５は、Ｘ線コンピュータ断層撮影装置１や他のコンピュータとの間でデータ通信するためのインタフェースである。

以下、本実施形態に係る学習データ生成装置５０の動作例について説明する。

図８は、本実施形態の学習データ生成装置５０の処理回路５１による、出力用の補正量及び／又はパラメータ値の決定処理の典型的な流れを示す図である。当該決定処理は、概略的には、柱状アーチファクト成分を有する投影データＤ１１−１と所定のキャリブレーションデータＤ１０−１とに基づく基準画像（柱状アーチファクトを有するＣＴ画像データ）Ｄ１２−１と、投影データＤ１１−２と補正量及び／又はパラメータ値Ｄ１３−２が可変のキャリブレーションデータＤ１０−２とに基づく比較画像（ＣＴ画像データ）Ｄ１２−２との比較に基づいて、柱状アーチファクトが低減された最適な補正量及び／又はパラメータ値Ｄ１４を決定する。

図８に示すように、まず処理回路５１は、データ取得機能５１１の実現により、キャリブレーションデータＤ１０−１を取得する。また、処理回路５１は、キャリブレーション前の投影データを取得するものとする。次に処理回路５１は、学習データ生成機能５１２の実現により、キャリブレーション処理を施す（ステップＳＣ１−１）。ステップＳＣ−１において処理回路５１は、キャリブレーションデータＤ１０−１を用いて、キャリブレーション前の投影データにキャリブレーション処理を実行する。キャリブレーション後の投影データＤ１１−１には柱状アーチファクト成分が含まれる。次に処理回路５１は、再構成処理を実行する（ステップＳＣ２−１）。ステップＳＣ２−１において処理回路５１は、柱状アーチファクト成分を有する投影データＤ１１−１に再構成処理を施して、柱状アーチファクトを有するＣＴ画像データＤ１２−１を生成する。柱状アーチファクトを有するＣＴ画像データＤ１２−１は、この後に行われる比較処理（ステップＳＣ３）における基準画像として機能する。

一方、処理回路５１は、比較処理（ステップＳＣ３）においてＣＴ画像データＤ１２−１に対して比較されるＣＴ画像データ１２−２を生成する。具体的には、まず、処理回路５１は、キャリブレーションデータＤ１０−２を取得する。キャリブレーションデータＤ１０−２は、キャリブレーションデータＤ１０−１の複製であるが、キャリブレーションデータＤ１０−１とは異なる補正量及び又はパラメータ値により調整されている。図８の処理の初回においては、予め設定された補正量及び／又はパラメータ値に基づき調整されたキャリブレーションデータ１０−２が取得される。次に処理回路５１は、キャリブレーション処理を実行する（ステップＳＣ１−２）。ステップＳＣ１−２において処理回路５１は、キャリブレーションデータＤ１０−２を用いて、キャリブレーション前の投影データにキャリブレーション処理を実行する。キャリブレーション前の投影データは、ステップＳＣ１−１のキャリブレーション処理において用いられた投影データの複製である。キャリブレーション後の投影データＤ１１−２には、基本的には柱状アーチファクト成分が含まれるが、補正量及び／又はパラメータ値が適切である場合、柱状アーチファクト成分が含まれない。次に処理回路５１は、再構成処理を実行する（ステップＳＣ２−２）。ステップＳＣ２−２において処理回路５１は、投影データＤ１１−２に再構成処理を施してＣＴ画像データＤ１２−２を生成する。ＣＴ画像データＤ１２−２は、この後に行われる比較処理（ステップＳＣ３）における比較画像として機能する。

ステップＳＣ２−１とステップＳＣ２−２とが行われると処理回路５１は、比較処理を実行する（ステップＳ３）。ステップＳ３において処理回路５１は、基準画像Ｄ１２−１と比較画像Ｄ１２−２との比較に基づき最適な補正量及び／又はパラメータ値を決定するための表示画面を、ディスプレイ５２に表示する。当該表示画面を学習データ生成画面と呼ぶことにする。

図９は、学習データ生成画面Ｉ１の一例を示す図である。図９に示すように、学習データ生成画面Ｉ１には基準画像Ｄ１２−１と比較画像Ｄ１２−２とが並べて表示される。上記の通り、基準画像Ｄ１２−１は、デフォルトの補正量及び／又はパラメータ値のキャリブレーションデータＤ１０−１を利用してキャリブレーションされた投影データＤ１１−１に基づくＣＴ画像データである。比較画像Ｄ１２−１は、変更後の補正量及び／又はパラメータ値のキャリブレーションデータＤ１０−２を利用してキャリブレーションされた投影データＤ１１−２に基づくＣＴ画像データである。基準画像Ｄ１２−１には柱状アーチファクトＤＡ−１が描画され、比較画像Ｄ１２−２には柱状アーチファクトＤＡ−２が描画されているものとする。

学習データ生成画面Ｉ１には基準画像Ｄ１２−１に関する補正量の表示欄ＩＲ１−１とパラメータ値の表示欄ＩＲ２−１とが表示される。表示欄ＩＲ１−１には、キャリブレーションデータＤ１０−１の補正量、換言すれば、デフォルトの補正量が表示される。表示欄ＩＲ２−１には、キャリブレーションデータＤ１０−１のパラメータ値、換言すれば、デフォルトのパラメータ値が表示される。同様に、学習データ生成画面Ｉ１には比較画像Ｄ１２−２に関する補正量の表示欄ＩＲ１−２とパラメータ値の表示欄ＩＲ２−２とが表示される。表示欄ＩＲ１−２には、キャリブレーションデータＤ１０−２の補正量が表示される。表示欄ＩＲ２−２には、キャリブレーションデータＤ１０−２のパラメータ値が表示される。表示欄ＩＲ２−１と表示欄ＩＲ２−２とに表示されている数値は、ユーザにより入力インタフェース５４を介して任意の値に変更可能である。

ユーザは、基準画像Ｄ１２−１と比較画像Ｄ１２−２とを見比べて基準画像Ｄ１２−１の柱状アーチファクトＤＡ−１と比較画像Ｄ１２−２の柱状アーチファクトＤＡ−２とを対比する。これによりユーザは、比較画像Ｄ１２−２の補正量及び／又はパラメータ値が最適か否かを判断する。例えば、ユーザは、基準画像Ｄ１２−１の柱状アーチファクトＤＡ−１に比して比較画像Ｄ１２−２の柱状アーチファクトＤＡ−２が低減されている場合、望ましくは、柱状アーチファクトＤＡ−２が描画されない場合、比較画像Ｄ１２−２の補正量及び／又はパラメータ値が最適であると判断する。最適でないと判断した場合、ユーザは、表示欄ＩＲ１−２及び／又は表示欄ＩＲ２−２に変更後の補正量及び／又はパラメータ値を入力する。そしてユーザは、入力インタフェース５４等を介して反映ボタンＩＢ１を押下する。

反映ボタンＩＢ１が押下された場合、処理回路５１は、補正量及び／又はパラメータ値が最適でないと判定し（ステップＳＣ４：ＮＯ）、変更処理を実行する（ステップＳＣ５）。ステップＳＣ５において処理回路５１は、比較画像Ｄ１２−２の補正量及び／又はパラメータ値を、入力された変更後の補正量及び／又はパラメータ値Ｄ１３−２に変更する。ステップＳＣ５が行われると処理回路５１は、調整処理を実行する（ステップＳＣ６）。ステップＳＣ６において処理回路５１は、変更後の補正量及び／又はパラメータ値Ｄ１３−２に基づいてキャリブレーションデータ１０−２を調整する。

そして処理回路５１は、調整後のキャリブレーションデータ１０−２についてキャリブレーション処理（ＳＣ１−２）及び再構成処理（ＳＣ２−２）を実行し、変更後の補正量及び／又はパラメータ値Ｄ１３−２に基づくＣＴ画像データ（更新後の比較画像）Ｄ１２−２を生成する。処理回路５１は、図９に示す学習データ生成画面Ｉ１に基準画像Ｄ１２−１と更新後の比較画像Ｄ１２−２とを表示し、比較処理（ＳＣ３）及び判断処理（ＳＣ４）を行う。このようにして処理回路５１は、柱状アーチファクトが十分に低減され、ユーザが変更後の補正量及び／又はパラメータ値Ｄ１３−２が最適であると判断するまで、キャリブレーション処理（ＳＣ１−２）、再構成処理（ＳＣ２−２）、比較処理（ＳＣ３）、判断処理（ＳＣ４）、変更処理（ＳＣ５）及び調整処理（ＳＣ６）を繰り返す。

柱状アーチファクトの低減の程度は、特に限定されず、ユーザの主観に基づいて決定されればよい。なお、処理回路５１は、比較画像Ｄ１２−２の画質評価パラメータと閾値との比較に基づいて柱状アーチファクトが低減されたか否かを判定してもよい。画質評価パラメータとしては、画像ＳＤ（Standard Deviation）や柱状アーチファクト領域の面積又は体積等が用いられるとよい。

変更後の補正量及び／又はパラメータ値Ｄ１３−２が最適であると判断した場合、ユーザは、入力インタフェース４３を介して、学習データ生成画面Ｉ１に表示される学習データ出力ボタンＩＢ２を押下する。学習データ出力ボタンＩＢ２が押下された場合、処理回路５１は、補正量及び／又はパラメータ値が最適であると判定し（ステップＳＣ４：ＹＥＳ）、当該補正量及び／又はパラメータ値を最適な補正量及び／又はパラメータ値（出力用の補正量及び／又はパラメータ値）Ｄ１４として出力する。

以上により、出力用の補正量及び／又はパラメータ値の決定処理が終了する。

決定処理が行われた場合、処理回路４４は、入力用の投影データと出力用の補正量及び／又はパラメータ値との組合せを、学習済モデル４５の学習のための学習用サンプルとして出力する。処理回路４４は、複数の入力用の投影データ各々に対して上記決定処理を行い、出力用の補正量及び／又はパラメータ値を決定し、当該入力用の投影データと出力用の補正量及び／又はパラメータ値との組合せを学習サンプルとして出力する。複数の学習サンプルを用意するため、入力用の投影データとして、複数のＸ線検出器又はＸ線コンピュータ断層撮影装置を用いて収集された投影データが用いられるとよい。これにより、Ｘ線検出器又はＸ線コンピュータ断層撮影装置の特性のばらつきを平準化した学習済モデル４５を生成することが可能になる。

なお、上記の図５に示した、ＤＡＳ１８のリニアリティ補正のパラメータ値Ｄ３−１を出力するように学習された学習済モデル４５−１、Ｘ線検出器１２のエネルギー特性補正のパラメータ値Ｄ３−２を出力するように学習された学習済モデル４５−２及び焦点位置に応じたキャリブレーションの補正量Ｄ３−３を出力するように学習された学習済モデル４５−３のための補正量及びパラメータ値を生成する場合についても上記決定処理が利用可能である。

例えば、学習済モデル４５−１のためのパラメータ値を決定する場合について説明する。この場合、補正量及び／又はパラメータ値として、ＤＡＳのリニアリティ補正のパラメータ値Ｄ３−１が決定される。管電流を変調する等のＤＡＳのカウント値に依存して柱状アーチファクトが発生する場合、ＤＡＳのリニアリティ補正が行われる。例えば、ステップＳＣ５の変更処理において、ＤＡＳのカウント値に対するＤＡＳの可変増幅器の増幅率（ゲイン）の関係を規定する曲線（関数）がディスプレイ５２に表示される。当該曲線の形状がパラメータ値Ｄ３−１に対応する。当該曲線の形状を、入力インタフェース５４を介して調整し、比較画像Ｄ１２−２の柱状アーチファクトＤＡ−２を低減することにより、最適なパラメータ値Ｄ３−１が決定される。入力用の投影データと出力用のパラメータ値Ｄ３−１との組合せが学習サンプルとして出力される。

次に、学習済モデル４５−２のためのパラメータ値を決定する場合について説明する。この場合、補正量及び／又はパラメータ値として、エネルギー特性補正のパラメータ値Ｄ３−２が決定される。ファントムサイズや管電圧を変調する等のＸ線のエネルギーに依存して柱状アーチファクトが発生する場合、エネルギー特性補正が行われる。例えば、ステップＳＣ５の変更処理において、Ｘ線エネルギーに対する各Ｘ線検出素子の感度の関係を規定する曲線（関数）がディスプレイ５２に表示される。当該曲線の形状がパラメータ値Ｄ３−２に対応する。当該曲線の形状を、入力インタフェース５４を介して調整し、比較画像Ｄ１２−２の柱状アーチファクトＤＡ−２を低減することにより、最適なパラメータ値Ｄ３−２が決定される。入力用の投影データと出力用のパラメータ値Ｄ３−２との組合せが学習サンプルとして出力される。

次に、学習済モデル４５−３のための補正量を決定する場合について説明する。この場合、補正量及び／又はパラメータ値として、焦点位置に応じたキャリブレーションの補正量Ｄ３−３が決定される。Ｘ線管のＯＬＰ（Over Load Protection）や焦点サイズを変更する等の焦点位置に依存して柱状アーチファクトが発生する場合、キャリブレーションの補正量の調整が行われる。ＯＬＰは、Ｘ線管の負荷が所定レベルに低下するために待ち時間を意味する。例えば、ステップＳＣ５の変更処理において、キャリブレーションの補正量の空間分布がディスプレイ５２に表示される。当該空間分布は、例えば、縦軸がＸ線検出器の列方向に、横軸がＸ線検出器のチャネル方向に規定され、Ｘ線検出素子毎の補正量Ｄ３−３が輝度に設定された分布図である。Ｘ線検出素子毎の輝度を、入力インタフェース５４を介して調整することにより、補正量Ｄ３−３が調整される。入力用の投影データと出力用の補正量Ｄ３−３との組合せが学習サンプルとして出力される。

なお、図８に示す出力用の補正量及び／又はパラメータ値の決定処理の流れは一例であり、これに限定されない。例えば、変更処理ＳＣ５において処理回路５１は、ユーザにより入力された補正量及び／又はパラメータ値を変更後の補正量及び／又はパラメータ値に設定するものとした。しかしながら、本実施形態はこれに限定されない。例えば、学習データ生成画面に変更ボタン（図示せず）が設けられ、変更ボタンが押下された場合、処理回路５１は、変更前の補正量及び／又はパラメータ値を所定値だけ変更してもよい。

上記決定処理により決定された最適な補正量及び／又はパラメータ値は、柱状アーチファクトを有しないＣＴ画像データの生成に用いられてもよい。例えば、処理回路５１は、最適な補正量及び／又はパラメータ値に基づいてキャリブレーションデータを調整し、調整後のキャリブレーションデータに基づいて投影データをキャリブレーションする。キャリブレーション後の投影データは、最適な補正量及び／又はパラメータ値を利用してキャリブレーションされているので、柱状アーチファクト成分が低減されている。その後、処理回路５１は、投影データに基づいてＣＴ画像データを再構成する。再構成されたＣＴ画像データは、柱状アーチファクトが低減されている。柱状アーチファクトが低減されているＣＴ画像データと、柱状アーチファクトが低減されていないＣＴ画像データとの組合せが学習サンプルとして出力されてもよい。当該学習サンプルは、図６に示す、柱状アーチファクトを有するＣＴ画像データＤ６を入力とし、柱状アーチファクトを有しないＣＴ画像データＤ９を出力するようにパラメータが学習された学習済モデル４６の学習に用いられる。

十分な学習サンプルが収集されると処理回路５１は、学習機能５１３の実現により、機械学習処理を実行する。機械学習処理において処理回路５１は、複数の学習サンプルに基づいて機械学習モデル５６のパラメータを学習する。これにより学習済モデルが生成される。

なお、学習機能５１３を実現する処理回路は、学習データ生成装置５０とは別個のコンピュータ（モデル学習装置）に実装されてもよい。この場合、学習データ生成装置５０は、学習データ生成機能５１２により生成された複数の学習サンプルをモデル学習装置に送信され、モデル学習装置は、受信した複数の学習サンプルに基づいて学習済モデルを生成すればよい。

以上説明した少なくとも１つの実施形態によれば、Ｘ線コンピュータ断層撮影におけるキャリブレーションを正確に実行することができる。

上記説明において用いた「プロセッサ」という文言は、例えば、ＣＰＵ、ＧＰＵ、或いは、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ））、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ））等の回路を意味する。プロセッサは記憶回路に保存されたプログラムを読み出し実行することで機能を実現する。なお、記憶回路にプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むよう構成しても構わない。この場合、プロセッサは回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。また、プログラムを実行するのではなく、論理回路の組合せにより当該プログラムに対応する機能を実現しても良い。なお、本実施形態の各プロセッサは、プロセッサごとに単一の回路として構成される場合に限らず、複数の独立した回路を組み合わせて１つのプロセッサとして構成し、その機能を実現するようにしてもよい。さらに、図１及び図７における複数の構成要素を１つのプロセッサへ統合してその機能を実現するようにしてもよい。

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

１ Ｘ線コンピュータ断層撮影装置
１０ 架台
１１ Ｘ線管
１２ Ｘ線検出器
１３ 回転フレーム
１４ Ｘ線高電圧装置
１５ 制御装置
１６ ウェッジ
１７ コリメータ
１８ データ収集回路（ＤＡＳ：Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ Ｓｙｓｔｅｍ）
１９ 開口部
２３ 架台本体
２５ 固定部
３０ 寝台
３１ 基台
３２ 支持フレーム
３３ 天板
３４ 寝台駆動装置
４０ コンソール
４１ メモリ
４２ ディスプレイ
４３ 入力インタフェース
４４ 処理回路
４４１ 撮影制御機能
４４２ 前処理機能
４４３ 再構成機能
４４４ 画像処理機能
４４５ データ取得機能
４４６ モデル適用機能
４４７ 調整機能
４４８ 表示制御機能

Claims (10)

1. アーチファクト成分を有する処理対象の投影データと前記処理対象の投影データのキャリブレーションに利用する処理対象のキャリブレーションデータとを取得する取得部と、
   投影データとキャリブレーションデータとからアーチファクトが低減されたＣＴ画像データを生成するためのキャリブレーションの補正量又はパラメータ値を出力する機械学習モデルに従い、前記処理対象の投影データと前記処理対象のキャリブレーションデータとに基づいて、キャリブレーションの処理対象の補正量又はパラメータ値を決定する処理部と、
   を具備する医用画像処理装置。
2. 前記処理対象の補正量又はパラメータ値に基づいて前記処理対象のキャリブレーションデータを調整する調整部と、
   前記調整後のキャリブレーションデータと前記処理対象の投影データとに基づいてＣＴ画像データを再構成する再構成部と、を更に備える、
   請求項１記載の医用画像処理装置。
3. 前記パラメータ値は、Ｘ線ＣＴガントリに搭載されるＤＡＳのリニアリティ補正のパラメータ値又はＸ線検出器のエネルギー特性補正用のパラメータ値である、請求項１記載の医用画像処理装置。
4. 前記補正量は、焦点サイズに応じて調整される、請求項１記載の医用画像処理装置。
5. 前記機械学習モデルは、
   前記パラメータ値がＸ線ＣＴガントリに搭載されるＤＡＳのリニアリティ補正のパラメータ値である第１の機械学習モデルと、
   前記パラメータ値がＸ線ＣＴガントリに搭載されるＸ線検出器のエネルギー特性補正のパラメータ値である第２の機械学習モデルと、
   前記補正量が焦点位置に基づく補正量である第３の機械学習モデルとのうちの少なくとも２つの機械学習モデルを有する、
   請求項１記載の医用画像処理装置。
6. 前記処理部は、前記処理対象の投影データに関する被検体の部位、体格、体位、検査内容の少なくとも一に応じて前記少なくとも２つの機械学習モデルの入力又は出力に重み付けを施す、請求項５記載の医用画像処理装置。
7. 前記処理部は、前記処理対象の投影データを取得するＸ線コンピュータ断層撮影装置のＤＡＳ又はコンソールに設けられる、請求項１記載の医用画像処理装置。
8. 前記投影データは、Ｘ線ＣＴガントリに搭載される回転フレームの回転速度、チルト角、回転角度範囲、撮影管電圧、撮影管電流、ＦＯＶ及びスライス厚の少なくとも一に応じて複数のセットに区分され、
   前記処理部は、前記処理対象の補正量又はパラメータ値として、複数のセットにそれぞれ対応する複数の補正量又はパラメータ値を決定する、
   請求項１記載の医用画像処理装置。
9. アーチファクト成分を有する第１の投影データを取得する取得部と、
   前記第１の投影データに比して前記アーチファクト成分が低減された第２の投影データを生成するための、キャリブレーションの出力用の補正量又はパラメータ値を決定する決定部と、
   前記第１の投影データと前記第１の投影データに基づく第１のＣＴ画像データとのうちの何れか一つと、前記第２の投影データと前記第２の投影データに基づく第２のＣＴ画像データと前記出力用の補正量又はパラメータ値とのうちの何れか一つとの組合せを、機械学習のための学習用データとして出力する出力部と、
   を具備する医用画像処理装置。
10. 前記決定部は、前記第１の投影データと所定のキャリブレーションデータとに基づく第１のＣＴ画像データと、第２の投影データとキャリブレーションの補正量又はパラメータ値が可変のキャリブレーションデータとに基づく第２のＣＴ画像データとの比較に基づいて、前記出力用の補正量又はパラメータ値を決定する、請求項９記載の医用画像処理装置。