JP2020089594A - 医用画像処理システム、医用画像処理装置及び医用画像処理方法 - Google Patents

Abstract

【課題】照射されるＸ線の線量を低減しつつＣＴ画像の生成を行うこと。【解決手段】実施形態に係る医用画像処理システムは、取得部と記憶部と画像生成部とを有する。取得部は、１８０度＋ファン角よりも狭い第１の角度範囲に関する、処理対象の第１の投影データを取得する。記憶部は、前記第１の角度範囲に関する第１の投影データから１８０度＋ファン角以上の第２の角度範囲に関する第２の投影データ又は当該第２の投影データに基づくＣＴ画像を生成するための学習済モデルを記憶する。画像生成部は、前記学習済モデルを利用して前記処理対象の第１の投影データに基づいて前記処理対象のＣＴ画像を生成する。【選択図】 図２

Description

本発明の実施形態は、医用画像処理システム、医用画像処理装置及び医用画像処理方法に関する。

Ｘ線コンピュータ断層撮影装置は、画像再構成に必要な角度範囲の投影データを収集するため、少なくとも当該角度範囲に亘りＸ線を被検体に照射する必要がある。

米国特許出願公開第US2018/0144243号明細書 米国特許出願公開第US2018/0144466号明細書 米国特許出願公開第US2018/0184997号明細書

本発明が解決しようとする課題は、照射されるＸ線の線量を低減しつつＣＴ画像の生成を行うことである。

実施形態に係る医用画像処理システムは、１８０度＋ファン角よりも狭い第１の角度範囲に関する、処理対象の第１の投影データを取得する取得部と、前記第１の角度範囲に関する第１の投影データから１８０度＋ファン角以上の第２の角度範囲に関する第２の投影データ又は当該第２の投影データに基づくＣＴ画像を生成するための学習済モデルを記憶する記憶部と、前記学習済モデルを利用して前記処理対象の第１の投影データに基づいて前記処理対象のＣＴ画像を生成する画像生成部と、を具備する。

図１は、本実施形態に係る医用画像処理システムの構成を示す図である。 図２は、本実施形態に係る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３は、本実施形態に係る学習済モデルの入出力関係を示す図である。 図４は、図３の学習済モデルの入出力を模式的に示す図である。 図５は、図３の学習済モデルの他の入出力を模式的に示す図である。 図６は、撮影部位に応じた、１８０度＋ファン角未満の角度範囲の設定例を示す図である。 図７は、本実施形態に係るＸ線コンピュータ断層撮影装置によるＣＴ検査の典型的な流れを示す図である。 図８は、図７のステップＳＡ５において生成されたＣＴ画像の表示画面の表示の一例を示す図である。 図９は、学習済モデルＭＡの活用例を示す図である。 図１０は、第１の学習処理の典型的な流れを示す図である。 図１１は、第２の学習処理の典型的な流れを示す図である。 図１２は、変形例１に係る学習済モデルの入出力関係を示す図である。 図１３Ａは、位置決め画像（スキャノ像）と角度範囲（撮影プロトコル）との関係を示す図である。 図１３Ｂは、位置決め画像（スキャノ像）と角度範囲（撮影プロトコル）との関係を示す他の図である。 図１４は、変形例２に係る学習済モデルの入出力関係を示す図である。 図１５は、図１４の学習済モデルの入出力を模式的に示す図である。 図１６は、図１４の学習済モデルの他の入出力を模式的に示す図である。

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システム、医用画像処理装置及び医用画像処理方法を説明する。

図１は、本実施形態に係る医用画像処理システム１００の構成を示す図である。図１に示すように、医用画像処理システム１００は、学習データ保管装置２００、学習装置３００、医用画像診断装置４００及び医用画像処理装置５００を有する。

学習データ保管装置２００は、複数の学習サンプルを含む学習データを記憶する。例えば、学習データ保管装置２００は、大容量記憶装置が内蔵されたコンピュータである。また、学習データ保管装置２００は、コンピュータにケーブルや通信ネットワークを介して通信可能に接続された大容量記憶装置であってもよい。当該記憶装置としては、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、集積回路記憶装置等が適宜利用可能である。

学習装置３００は、学習データ保管装置２００に記憶された学習データに基づいて、モデル学習プログラムに従い機械学習モデルに機械学習を行わせ、学習済みの機械学習モデル（以下、学習済モデルと呼ぶ）を生成する。学習装置３００は、ＣＰＵ（Central Processing Unit）及びＧＰＵ（Graphics Processing Unit）等のプロセッサを有するワークステーション等のコンピュータである。学習装置３００と学習データ保管装置２００とはネットワークを介して通信可能に接続されてもよいし、ケーブル等を介して接続されてもよい。ケーブル又は通信ネットワーク等を介して、学習データ保管装置２００から学習装置３００に学習データが供給される。学習装置３００と学習データ保管装置２００とは通信可能に接続されてなくても良い。この場合、学習データが記憶された可搬型記憶媒体を介して、学習データ保管装置２００から学習装置３００に学習データが供給される。学習データ保管装置２００が学習装置３００に搭載されても良い。

本実施形態に係る機械学習モデルは、入力医用データから、種々の目的に応じた出力医用データを生成するように学習された数学的モデルである。すなわち、機械学習モデルは、複数の関数が合成されたパラメータ付き合成関数である。パラメータ付き合成関数は、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。本実施形態に係る機械学習モデルは、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が、ディープ・ニューラル・ネットワーク（ＤＮＮ：Deep Neural Network）であるとする。ＤＮＮとしては、如何なる型及び構造でもよい。

医用画像診断装置４００は、被検体に医用撮像を施すことにより当該被検体に関する医用データを生成する。医用データは、概念的に、被検体に医用撮像を施すことにより医用画像診断装置４００のハードウェアを介して収集された生データや、当該生データに復元処理を施して生成される医用画像データを含む。医用データは、生データ及び／又は医用画像データに対して種々のデータ処理を施した医用データであってもよい。医用画像診断装置４００により生成された医用データは、例えば、学習データ保管装置２００に学習データ（又は学習サンプル）として保管され、機械学習モデルの学習のために用いられる。あるいは、医用画像診断装置４００により生成された医用データは、医用画像処理装置５００に供給され、処理対象の入力医用データとして、学習済モデルに適用されてもよい。医用画像診断装置４００は、Ｘ線ＣＴスキャンによる医用データを生成可能であれば、如何なるモダリティ装置でも良い。例えば、医用画像診断装置４００は、Ｘ線コンピュータ断層撮影装置（ＣＴ装置）やＸ線診断装置等の単一モダリティ装置であっても良いし、ＰＥＴ（Positron Emission Tomography）／ＣＴ装置、ＳＰＥＣＴ（Single Photon Emission CT）／ＣＴ装置等の複合モダリティ装置であっても良い。

医用画像処理装置５００は、学習装置３００により生成された学習済モデルを利用して、医用画像診断装置４００により生成された入力医用データに対応する出力医用データを生成する。医用画像処理装置５００と学習装置３００とはネットワークを介して通信可能に接続されてもよいし、ケーブルを介して通信可能に接続されてもよい。ケーブル又は通信ネットワーク等を介して、学習装置３００から医用画像処理装置５００に学習済モデルが供給される。医用画像処理装置５００と学習装置３００とは、必ずしも通信可能に接続されてなくても良い。この場合、学習済モデルが記憶された可搬型記憶媒体等を介して、学習装置３００から医用画像処理装置５００に学習済モデルが供給される。学習済モデルの供給は、医用画像処理装置５００の製造から医用施設等への据付の間の任意の時点でも良いし、メンテナンス時でも良く、如何なる時点に行われても良い。供給された学習済モデルは、医用画像処理装置５００に記憶される。また、医用画像処理装置５００は、医用画像診断装置４００に搭載されたコンピュータであっても良いし、医用画像診断装置４００にケーブルやネットワーク等を介して通信可能に接続されたコンピュータであっても良いし、医用画像診断装置４００とは独立のコンピュータであっても良い。医用画像処理装置５００と学習装置３００とが単一のコンピュータに実装されても良い。

以下、本実施形態に係る医用画像診断装置４００は、学習装置３００と医用画像処理装置５００とを兼ねるＸ線コンピュータ断層撮影装置であるとする。

図２は、本実施形態に係る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。図２に示すように、Ｘ線コンピュータ断層撮影装置１は、なお、図２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２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２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、本実施形態に係る学習装置３００及び医用画像処理装置５００の一例である。

メモリ４１は、種々の情報を記憶するＨＤＤやＳＳＤ、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、学習済モデルを記憶する。

図３は、本実施形態に係る学習済モデルＭＡの入出力関係を示す図である。図３に示すように、学習済モデルＭＡは、１８０度＋ファン角未満の角度範囲ＲＡの投影データＰＡを入力とし、１８０度＋ファン角以上の角度範囲ＲＢの投影データＰＢ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。角度範囲は、回転軸Ｚ回りのＸ線管１１の回転角度の範囲を意味する。通常の画像再構成法によりＣＴ画像を生成するためには、最低限、１８０度＋ファン角の角度範囲の投影データが必要である。通常の画像再構成法は、本実施形態に係る学習済モデルＭＡを使用せず、解析学的画像再構成及び／又は逐次近似画像再構成アルゴリズムを使用して、画像再構成に必要な角度範囲の投影データに基づいて画像生成を行う方法である。１８０度＋ファン角未満の角度範囲ＲＡは、通常の画像再構成に必要な角度範囲未満の角度範囲の一例である。角度範囲ＲＡは、必ずしも空間的に連続的な範囲である必要なく、空間的に離散的に配置された複数の範囲であってもよい。離散的に配置された複数の範囲の合計角度が角度範囲ＲＡを構成するものとする。角度範囲ＲＡは、１８０度＋ファン角未満であれば如何なる角度範囲でもよい。１８０度＋ファン角以上の角度範囲ＲＢは、通常の画像再構成に必要な角度範囲の一例である。角度範囲ＲＢは、例えば、１８０度＋ファン角の角度範囲でもよいし、３６０度の角度範囲でもよいし、１８０度＋ファン角と３６０度との間の任意の角度範囲でもよい。

図４は、学習済モデルＭＡの入出力を模式的に示す図である。図４に示すように、３６０度の角度範囲に１８０度＋ファン角未満の角度範囲ＲＡ１が設定される。３６０度の角度範囲のうちの角度範囲ＲＡ１以外の角度範囲ＲＡ２は、投影データが収集されない角度範囲である。角度範囲ＲＡ１は、撮像ボリュームのうちの被検体が占める略全ボクセルに対し、Ｘ線管１１からのＸ線パスが少なくとも一回通過するように設定されるとよい。なお、Ｘ線感受性の高い解剖学的部位が占めるボクセルに対しては必ずしもＸ線パスは通過しなくてもよい。図４の場合、角度範囲ＲＡ１は、離散的に配置された、０度を含む局所範囲と９０度を含む局所範囲とに設定される。２つの角度範囲ＲＡ１の角度幅の合計角度は、１８０度＋ファン角未満になるように設定される。学習済モデルＭＡは、角度範囲ＲＡ１の投影データを入力とし、１８０度＋ファン角以上の角度範囲、例えば、３６０度の角度範囲ＲＢの投影データを出力する。

角度範囲ＲＡ１の入力形式は特に限定されない。例えば、角度範囲ＲＡ１の投影データの実測値のみが学習済モデルＭＡに入力される。他の形式として、角度範囲ＲＡ１の投影データの実測値とゼロ等の所定値で置換された角度範囲ＲＡ２のデータ値とが学習済モデルＭＡに入力されてもよい。

学習済モデルＭＡの出力形式についても特に限定されない。１８０度＋ファン角以上の角度範囲ＲＢの投影データとして、学習済モデルＭＡによる計算値が出力される。具体的には、学習済モデルＭＡは、図４に示すように、角度範囲ＲＡ２だけでなく角度範囲ＲＡ１を含む全角度範囲ＲＢの投影データを計算してもよい。あるいは、学習済モデルＭＡは、図５に示すように、実測値が存在する角度範囲ＲＡ１については当該実測値をそのまま出力し、実測値が存在しない角度範囲ＲＢ２（すなわち、角度範囲ＲＡ２）については計算値を出力してもよい。学習済モデルＭＡは、角度範囲ＲＢ２の投影データの計算値のみを出力してもよい。

上記の通り、角度範囲ＲＡ１は、撮像ボリュームのうちの被検体が占める略全ボクセルに対し、Ｘ線管１１からのＸ線パスが少なくとも一回通過するように設定される。撮像ボリュームのうちの被検体が占めるボクセルは、撮影部位の位置や大きさ等の形態に応じて異なる。よって、学習済モデルＭＡは撮影部位毎に生成されメモリ４１に記憶される。

図６は、撮影部位に応じた、１８０度＋ファン角未満の角度範囲ＲＡの設定例を示す図である。図６に示すように、被検体の複数の撮影部位ＰＳ１、ＰＳ２、ＰＳ３及びＰＳ４を考える。例えば、撮影部位ＰＳ１は頭部、撮影部位ＰＳ２は胸部、撮影部位ＰＳ３は腹部、撮影部位ＰＳ４は下肢であるとする。撮影部位ＰＳ１についての１８０度＋ファン角未満の角度範囲ＲＡ−ＰＳ１、撮影部位ＰＳ２についての１８０度＋ファン角未満の角度範囲ＲＡ−ＰＳ２、撮影部位ＰＳ３についての１８０度＋ファン角未満の角度範囲ＲＡ−ＰＳ３及び撮影部位ＰＳ４についての１８０度＋ファン角未満の角度範囲ＲＡ−ＰＳ４は、異なる角度幅及び角度位置に設定される。撮像視野に占める撮影部位のサイズに応じて角度範囲ＲＡの角度幅が異なるように設定される。例えば、下肢は頭部や胸部、腹部に比して撮像視野に占める撮影部位のサイズが小さいので、角度範囲ＲＡ−ＰＳ４の角度範囲の角度幅が、他の角度範囲ＲＡ−ＰＳ１、角度範囲ＲＡ−ＰＳ２及び角度範囲ＲＡ−ＰＳ３に比して狭くなるように設定される。また、Ｘ線感受性の強い部分を通過するＸ線パスの角度が撮影部位に応じて異なるので、角度範囲ＲＡ−ＰＳ１、角度範囲ＲＡ−ＰＳ２、角度範囲ＲＡ−ＰＳ３及び角度範囲ＲＡ−ＰＳ４の角度位置が互いに異なるように設定される。

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、画像生成機能４４２、画像処理機能４４３、データ取得機能４４４、角度範囲決定機能４４５、学習機能４４６、モデル選択機能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。例えば、１８０度＋ファン角よりも狭い角度範囲ＲＡに亘り被検体に対してＸ線ＣＴスキャンが施され、ＤＡＳ１８を介して当該角度範囲ＲＡに関する投影データが収集される。また、処理回路４４は、Ｘ線高電圧装置１４と制御装置１５とＤＡＳ１８とを制御し、位置決めスキャンをすることも可能である。

画像生成機能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基づいて、被検体に関するＣＴ画像を生成する。ＣＴ画像の生成方法としては、通常の画像再構成法とＤＮＮ再構成法とがある。通常の画像再構成法は、上記の通り、本実施形態に係る学習済モデルＭＡを使用せず、解析学的画像再構成及び／又は逐次近似画像再構成アルゴリズムを使用して、画像再構成に必要な角度範囲の投影データに基づいて画像生成を行う方法である。ＤＮＮ再構成法は、学習済モデルＭＡを使用して、画像再構成に必要な角度範囲よりも狭い角度範囲の投影データに基づいて画像生成を行う方法である。なお、通常の画像再構成法とＤＮＮ再構成法とは相互に一部アルゴリズムを流用してもよい。通常の画像再構成法において処理回路４４は、投影データに対して対数変換処理や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等の前処理を施し、前処理後の投影データに対して、フィルタ補正逆投影法や逐次近似再構成法等を用いた再構成処理を施しＣＴ画像を生成する。ＤＮＮ再構成法において処理回路４４は、学習済モデルＭＡを利用して、１８０度＋ファン角よりも狭い角度範囲ＲＡに関する、処理対象の第１の投影データに基づいて当該処理対象のＣＴ画像を生成する。また、処理回路４４は、位置決めスキャンにより収集された投影データに基づいて位置決め画像を生成してもよい。

画像処理機能４４３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４４４において処理回路４４は、種々の情報を取得する。例えば、処理回路４４は、１８０度＋ファン角よりも狭い角度範囲ＲＡに関する投影データを取得する。より詳細には、処理回路４４は、撮影制御機能４４１により収集された、角度範囲ＲＡに関する投影データを取得する。また、処理回路４４は、１８０度＋ファン角よりも広い角度範囲ＲＢに関する投影データを取得することも可能である。例えば、処理回路４４は、撮影制御機能４４１により収集された、角度範囲ＲＢに関する投影データを取得する。角度範囲ＲＡに関する投影データと角度範囲ＲＢに関する投影データとは、他のＸ線コンピュータ断層撮影装置やＰＡＣＳ等から取得してもよい。

角度範囲決定機能４４５において処理回路４４は、被検体の撮影部位の情報と当該被検体の位置決め画像との少なくとも一方に基づいて、被検体の撮影部位に対応する角度範囲ＲＡを決定する。

学習機能４４６において処理回路４４は、角度範囲ＲＡに関する投影データと角度範囲ＲＢに関する投影データとを含む複数の学習サンプルに基づいて機械学習モデルのパラメータを学習して学習済モデルＭＡを生成する。

モデル選択機能４４７において処理回路４４は、複数の撮影部位に関する複数の学習済モデルＭＡの中から、使用する学習済モデルＭＡを選択する。また、処理回路４４は、一定の条件の下で学習された機械学習モデルの中から、学習済モデルＭＡとして使用する機械学習モデルを選択する。

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、画像生成機能４４２や画像処理機能４４３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による学習済モデルＭＡを利用したＤＮＮ再構成について説明する。

図７は、本実施形態に係るＸ線コンピュータ断層撮影装置１によるＣＴ検査の典型的な流れを示す図である。図７に示すように、まず、処理回路４４は、撮影制御機能４４１の実現により、位置決めスキャンを実行する（ステップＳＡ１）。ステップＳＡ１において処理回路４４は、Ｘ線高電圧装置１４と制御装置１５とＤＡＳ１８とを制御して、天板３３に載置された被検体Ｐに対して位置決めスキャンを実行する。位置決めスキャンは、天板３３をＺ軸に沿って移動しながら、回転フレーム１３の回転角度の固定下、Ｘ線管１１からのＸ線の照射とＸ線検出器１２によるＸ線の検出とを行うことにより行われる。一の回転角度の下でのみ位置決めスキャンが行われてもよいし、二以上の回転角度の下で位置決めスキャンが行われてもよい。位置決めスキャンにおいてＤＡＳ１８により収集された投影データは処理回路４４に供給される。処理回路４４は、供給された投影データに基づいて位置決め画像ＩＡを生成する。

ステップＳＡ１が行われると処理回路４４は、角度範囲決定機能４４５の実現により、本スキャンのための角度範囲ＲＡを決定する（ステップＳＡ２）。ステップＳＡ２において処理回路４４は、本スキャンに関する被検体Ｐの撮影部位ＢＥとステップＳＡ１において収集された位置決め画像との少なくとも一方に基づいて角度範囲ＲＡを決定する。被検体Ｐの撮影部位ＢＥは、例えば、検査オーダ情報から抽出されてもよいし、入力インタフェース４３を介してオペレータ等のユーザにより入力されてもよい。例えば、処理回路４４は、複数の撮影部位ＢＥと複数の角度範囲ＲＡとを関連付けたＬＵＴ（Look Up Table）を利用して、被検体の撮影部位ＢＥに関連付けられた角度範囲ＲＡを決定する。他の例として処理回路４４は、被検体Ｐの撮影部位ＢＥと位置決め画像とに基づく所定のアルゴリズムに従い、当該撮影部位ＢＥと位置決め画像とに最適な角度範囲ＲＡを算出してもよい。角度範囲ＲＡは、Ｘ線照射が行われる角度位置及び範囲長の組合せであり、撮影プロトコルの一要素であるともいえる。

ステップＳＡ２が行われると処理回路４４は、撮影制御機能４４１の実現により、本スキャンを実行する（ステップＳＡ３）。ステップＳＡ３において処理回路４４は、Ｘ線高電圧装置１４と制御装置１５とＤＡＳ１８とを制御して、天板３３に載置された被検体Ｐに対して本スキャンを実行する。本スキャンは、天板３３に載置された被検体Ｐ、回転フレーム１３を回転軸Ｚ回りに高速で回転させながら、Ｘ線管１１からのＸ線の照射とＸ線検出器１２によるＸ線の検出とを繰り返し行うことにより行われる。この際、処理回路４４は、ステップＳＡ２において決定された角度範囲ＲＡに限定してＸ線管１１から被検体ＰにＸ線を照射させ、３６０度のうちの角度範囲ＲＡ以外の角度範囲についてはＸ線管１１から被検体ＰにＸ線を照射させない。例えば、Ｘ線高電圧装置１４による管電圧及び／又は管電流の制御によりＸ線のオンとオフとを切り替えてもよいし、コリメータ１７又は他のＸ線遮蔽板によりＸ線のオンとオフとを切り替えてもよい。このようにＸ線の照射を角度範囲ＲＡに制限することにより、通常の画像再構成に必要な１８０＋ファン角以上の角度範囲に亘りＸ線を照射する場合に比して、被検体に照射されるＸ線の線量を低減することが可能になる。また、角度範囲ＲＡにおいては基準の線量よりも低い線量のＸ線ＣＴスキャンが行われてもよい。基準の線量は、通常の画像再構成法により再構成されるＣＴ画像の画質を保障する線量である。本スキャンにおいてＤＡＳ１８により収集された、角度範囲ＲＡに関する投影データＰＡは処理回路４４に供給される。

ステップＳＡ３が行われると処理回路４４は、画像生成機能４４２の実現により、ＤＮＮ再構成を行う。ＤＮＮ再構成は、投影データの生成処理（ステップＳＡ４）と画像生成処理ＳＡ５（ステップＳＡ５）とを含む。

ステップＳＡ４において処理回路４４は、学習済モデルＭＡを使用して、画像再構成のための角度範囲ＲＢに関する投影データＰＢを生成する。具体的には、まず、処理回路４４は、モデル選択機能４４７の実現により、撮影部位ＢＥ及び本スキャンのための角度範囲ＲＡに対応する学習済モデルＭＡを、メモリ４１に記憶された複数の学習済モデルＭＡの中から選択する。そして処理回路４４は、画像生成機能４４２の実現により、ステップＳＡ３において収集された角度範囲ＲＡに関する投影データＰＡに、選択された学習済モデルＭＡを適用して、通常の画像再構成に必要な１８０＋ファン角以上の角度範囲ＲＢに関する投影データＰＢを生成する。学習済モデルＭＡを利用することにより、実際にはＸ線照射が行われていない角度範囲についても、実際にＸ線照射が行われた角度範囲ＲＡに関する投影データＰＡに基づいて予測することが可能になる。

ステップＳＡ５において処理回路４４は、ステップＳＡ４において生成された角度範囲ＲＢに関する投影データＰＢに通常の画像再構成法のアルゴリズムを適用して、角度範囲ＲＢに関する投影データＰＢに基づくＣＴ画像ＩＢを生成する。通常の画像再構成法としては、解析学的画像再構成法、逐次近似画像再構成法、解析学的画像再構成法及び逐次近似画像再構成を組合せた画像再構成法が適宜利用可能である。デノイズのための学習済モデルを解析学的画像再構成法、逐次近似画像再構成法、解析学的画像再構成法及び逐次近似画像再構成を組合せた画像再構成法に組み込んだ画像再構成法が、通常の画像再構成法として利用されてもよい。

ステップＳＡ５が行われると処理回路４４は、表示制御機能４４８の実現により、ステップＳＡ５において生成されたＣＴ画像ＩＢをディスプレイ４２等に表示する（ステップＳＡ６）。

図８は、ステップＳＡ５において生成されたＣＴ画像ＩＢの表示画面ＩＳ１の表示の一例を示す図である。図８に示すように、表示画面ＩＳ１には、ステップＳＡ５において生成されたＣＴ画像ＩＢが表示される。ＣＴ画像ＩＢは、通常の画像再構成に必要な１８０＋ファン角以上の角度範囲ＲＢに関する投影データＰＢに基づいて生成されているので読影等に適した画質を有する。表示画面ＩＳ１には、ＣＴ画像ＩＢが学習済モデルＭＡを利用したＣＴ画像であることをユーザに知らせるためのメッセージＷ１が表示されてもよい。メッセージＷ１としては、例えば、「ＡＩによる投影データ予測あり」が表示される。また、ＣＴ画像ＩＢには、学習済モデルＭＡを利用して生成されたことを示すメタ情報又はフラグ等が付加されてもよい。

図９は、学習済モデルＭＡの活用例を示す図である。図９に示すように、学習済モデルＭＡは、精密検査の有無を判断するためのスクリーニング検査において使用されることが期待される。例えば、学習済モデルＭＡを用いたＡＩにより最適化された撮影プロトコル（角度範囲ＲＡ）での本スキャン（ＳＡ３）が行われる。角度範囲ＲＡでの本スキャンは、画像再構成に必要な１８０°＋ファン角未満の角度範囲に限定してＸ線照射が行われればよいので、被曝量を低減することができる。本スキャン（ＳＡ３）により生成されたＣＴ画像ＩＢ（断層像）に基づいて腫瘍の疑いの有無が判断される。腫瘍の疑い有りと判断された場合、精密検査が行われる。精密検査においては、画像再構成に角度範囲ＲＢに亘り実測の投影データを収集するため、角度範囲ＲＡ全体にＸ線照射が行われる。角度範囲ＲＢに関する投影データに基づくＣＴ画像（断層像）により腫瘍の有無が詳細に判断される。このように本実施形態によれば、スクリーニング検査における被検体の被曝量を低減することができる。

以上により、本実施形態に係るＸ線コンピュータ断層撮影装置１によるＣＴ検査が終了する。

なお、上記の説明において学習済モデルＭＡは、角度範囲ＲＡに関する投影データから１８０度＋ファン角以上の角度範囲ＲＢに関する投影データを出力するように機能付けられているものとした。しかしながら、本実施形態に係る学習済モデルは、角度範囲ＲＡに関する投影データから１８０度＋ファン角以上の角度範囲ＲＢに関する投影データに基づくＣＴ画像を出力するように機能付けられてもよい。当該学習済モデルに、角度範囲ＲＡに関する投影データを適用することにより、角度範囲ＲＢに関する投影データに基づくＣＴ画像を直接的に生成することが可能になる。当該学習済モデルは撮影部位毎にメモリ４１に記憶される。

次に、学習済モデルＭＡを生成するための処理回路４４による機械学習について説明する。本実施形態に係る学習処理は第１の学習処理と第２の学習処理とに大別される。

図１０は、第１の学習処理の典型的な流れを示す図である。第１の学習処理は、予め決定された一つの角度範囲ＲＡについて所定の出力精度を超えるまで機械学習モデルの学習を行う。

図１０に示すように、処理回路４４は、データ取得機能４４４の実現により、予め決定された角度範囲ＲＡに関する学習サンプルＳｎを取得する（ステップＳＢ１）。ｎは学習サンプルを識別するための整数である。角度範囲ＲＡは、入力インタフェース４３等を介して、任意の角度位置及び範囲長に決定されればよい。各学習サンプルＳｎは、同一被検体の同一撮影部位に関する、角度範囲ＲＡに関する投影データと画像再構成に必要十分な角度範囲に関する投影データとの組合せである。角度範囲ＲＡに関する投影データは入力データとして用いられ、画像再構成に必要十分な角度範囲に関する投影データは正解データとして用いられる。画像再構成に必要十分な角度範囲は、例えば、３６０度であるが、１８０°＋ファン角以上であれば如何なる角度範囲でもよい。以下、画像再構成に必要十分な角度範囲は、３６０度であるとし、フル範囲ＲＦｕｌｌと表記する。学習サンプルＳｎ（角度範囲ＲＡに関する投影データとフル範囲ＲＦｕｌｌに関する投影データ）は様々な被検体の同一撮影部位に対して角度範囲ＲＡとフル範囲ＲＦｕｌｌとに亘りＸ線ＣＴスキャンをすることにより収集される。なお、角度範囲ＲＡに関する投影データは、フル範囲ＲＦｕｌｌに亘りＸ線ＣＴスキャンをすることにより収集された投影データから抽出されてもよい。学習サンプルＳｎの収集のためのＸ線ＣＴスキャンは、Ｘ線コンピュータ断層撮影装置１により行われてもよいし、他のＸ線コンピュータ断層撮影装置により行われてもよい。

ステップＳＢ１が行われると処理回路４４は、学習機能４４６の実現により、学習サンプルＳｎに基づき機械学習モデルのパラメータを学習する（ステップＳＢ２）。ステップＳＢ２において処理回路４４は、角度範囲ＲＡに関する投影データを機械学習モデルに適用して順伝播処理を行い、フル範囲Ｒｆｕｌｌに関する投影データの推定データを出力する。次に処理回路４４は、推定データと正解データとの差分（誤差）を機械学習モデルに適用して逆伝播処理を行い、勾配ベクトルを計算する。次に処理回路４４は、勾配ベクトルに基づいて機械学習モデルの重み付き行列やバイアス等のパラメータを更新する。

ステップＳＢ２が行われると処理回路４４は、推定データと正解データとの差分により評価される出力精度が閾値よりも大きいか否かを判定する（ステップＳＢ３）。閾値は、入力インタフェース４３等を介してユーザ等により任意値に設定されればよい。

ステップＳＢ３において出力精度が閾値よりも大きくないと判定された場合（ステップＳＢ３：ＮＯ）、処理回路４４は、ｎを変更する（ステップＳＢ４）、すなわち、他の学習サンプルについてステップＳＢ１−ＳＢ３が行われ出力精度が閾値よりも大きいか否かが判定される。出力精度が閾値よりも大きいと判定されるまで、学習サンプルを変更しながらステップＳＢ１−ＳＢ３が繰り返される。

ステップＳＢ３において出力精度が閾値よりも大きいと判定された場合（ステップＳＢ３：ＹＥＳ）、処理回路４４は、機械学習モデルを学習済モデルＭＡとして出力する（ステップＳＢ５）。出力された学習済モデルＭＡは撮影部位の情報に関連付けてメモリ４１に記憶される。

以上により第１の学習処理についての説明を終了する。

図１１は、第２の学習処理の典型的な流れを示す図である。第２の学習処理は、角度範囲ＲＡを変更しながら複数の機械学習モデルについて同一学習サンプル数で学習を行い、選択条件を満たす機械学習モデルを選択する。選択条件としては、例えば、「出力精度が最も高い」や「出力精度が一定値以上且つ角度範囲ＲＡの範囲長が最小」等に設定可能である。図１１の選択条件は、「出力精度が一定値以上且つ角度範囲ＲＡの範囲長が最小」である。

図１１に示すように、処理回路４４は、データ取得機能４４４の実現により、１８０＋ファン角未満の角度範囲ＲＡｍに関する所定数の学習サンプルを取得する（ステップＳＣ１）。ｍは角度範囲ＲＡを識別するための整数である。角度範囲ＲＡｍは、入力インタフェース４３等を介して、任意の角度位置及び範囲長に決定されればよい。各学習サンプルは、同一被検体の同一撮影部位に関する、角度範囲ＲＡｍに関する投影データと画像再構成に必要十分な角度範囲に関する投影データとの組合せである。角度範囲ＲＡｍに関する投影データは入力データとして用いられ、画像再構成に必要十分な角度範囲に関する投影データは正解データとして用いられる。画像再構成に必要十分な角度範囲は、例えば、３６０度であるが、１８０°＋ファン角以上であれば如何なる角度範囲でもよい。以下、画像再構成に必要十分な角度範囲は、３６０度であるとし、フル範囲ＲＦｕｌｌと表記する。学習サンプル（角度範囲ＲＡｍに関する投影データとフル範囲ＲＦｕｌｌに関する投影データ）は様々な被検体の同一撮影部位に対して角度範囲ＲＡｍとフル範囲ＲＦｕｌｌとに亘りＸ線ＣＴスキャンをすることにより収集される。なお、角度範囲ＲＡｍに関する投影データは、フル範囲ＲＦｕｌｌに亘りＸ線ＣＴスキャンをすることにより収集された投影データから抽出されてもよい。学習サンプルの収集のためのＸ線ＣＴスキャンは、Ｘ線コンピュータ断層撮影装置１により行われてもよいし、他のＸ線コンピュータ断層撮影装置により行われてもよい。

学習サンプルの所定数は、入力インタフェース４３等を介して、１０００等の任意の値に設定されるとよい。後述のように、ステップＳＣ１からＳＣ３は角度範囲ＲＡｍを変更しながら繰り返し実行される。角度範囲ＲＡｍの範囲長はステップＳＣ１からＳＣ３が反復されるにつれて徐々に狭くなるように設定される。例えば、初めの方の角度範囲ＲＡｍは３６０度に近い範囲長に設定されるとよい。

ステップＳＣ１が行われると処理回路４４は、学習処理４４６の実現により、所定数の学習サンプルに基づき機械学習モデルＮｍのパラメータを学習する（ステップＳＣ２）。ステップＳＣ２において処理回路４４は、角度範囲ＲＡｍに関する投影データを機械学習モデルＮｍに適用して順伝播処理を行い、フル範囲Ｒｆｕｌｌに関する投影データの推定データを出力する。次に処理回路４４は、推定データと正解データとの差分（誤差）を機械学習モデルＮｍに適用して逆伝播処理を行い、勾配ベクトルを計算する。次に処理回路４４は、勾配ベクトルに基づいて機械学習モデルＮｍの重み付き行列やバイアス等のパラメータを更新する。

ステップＳＣ２が行われると処理回路４４は、推定データと正解データとの差分により評価される出力精度が閾値よりも大きいか否かを判定する（ステップＳＣ３）。閾値は、入力インタフェース４３等を介してユーザ等により任意値に設定されればよい。

ステップＳＣ３において出力精度が閾値よりも小さいと判定された場合（ステップＳＣ３：ＮＯ）、処理回路４４は、ｍを変更する（ステップＳＣ４）。所定の長さだけ範囲長を狭めた次の角度範囲ＲＡｍ＋１についてステップＳＣ１−ＳＣ３が繰り返され、出力精度が閾値よりも小さいか否かが判定される。この際、全ての角度範囲ＲＡｍについて学習サンプルの個数は所定数で同一に保たれる。出力精度が閾値よりも小さくないと判定されるまで、角度範囲ＲＡｍを変更しながらステップＳＣ１−ＳＣ３が繰り返される。すなわち、処理回路４４は、複数の角度範囲ＲＡｍに関する複数の機械学習モデルＮｍの各々について、角度範囲ＲＡｍに関する投影データとフル範囲Ｒｆｕｌｌに関する投影データとを含む複数の学習サンプルに基づいてパラメータを学習する。

ステップＳＣ３において出力精度が閾値よりも小さいと判定された場合（ステップＳＣ３：ＹＥＳ）、処理回路４４は、１回前の反復、すなわち、最後の選択条件を満たした機械学習モデルＮｍ−１を学習済モデルＭＡとして出力する（ステップＳＣ５）。これにより、選択条件を満たす機械学習モデルＮｍ−１を学習済モデルＭＡとして選択することができる。例えば、上記の通り選択条件が「出力精度が一定値以上且つ角度範囲ＲＡの範囲長が最小」である場合、ＤＮＮ再構成により生成されるＣＴ画像の画質を満足できるレベルで保持しつつ、被検体の被曝量を最小限に留めることができる。選択条件が「出力精度が最も高い」である場合、ＤＮＮ再構成により生成されるＣＴ画像の画質が最も高いＣＴ画像を得ることができる。出力された学習済モデルＭＡは撮影部位の情報に関連付けてメモリ４１に記憶される。

以上により第２の学習処理についての説明を終了する。

なお、上記の第２の学習処理の流れは一例であり種々の変形が可能である。例えば、上記の説明においてはステップＳＣ１からＳＣ３の反復につれて角度範囲ＲＡｍの範囲長を狭めるものとした。しかしながら、ステップＳＣ１からＳＣ３の反復につれて角度範囲ＲＡｍの範囲長を広げてもよい。この場合、初回の範囲長を、例えば、９０度に設定し、反復するにつれて範囲長が広げられるとよい。また、複数の角度範囲ＲＡｍについて学習サンプル数が同一であるとしたが、全ての角度範囲ＲＡｍに亘り完全に学習サンプル数が同一である必要はない。

上記の通り、第１の学習処理によれば、予め設定された一の角度範囲ＲＡについて出力精度が閾値を満足するまで学習が行われる。一方、第２の学習処理によれば、複数の角度範囲ＲＡｍについて略同一数の学習サンプルにより複数の機械学習モデルの学習が行われる。第１の学習処理は、第２の学習処理に比して必要な学習サンプルの個数が少ないため、学習サンプルを用意する手間が少ない。一方、第２の学習処理は、複数の角度範囲ＲＡｍについて学習が行われるので、学習処理の過程において最適な角度範囲ＲＡｍを探索することができる。

なお、角度範囲ＲＡに関する投影データから１８０度＋ファン角以上の角度範囲ＲＢに関する投影データに基づくＣＴ画像を出力するように機能付けられた学習済モデルＭＡを生成する場合についても、第１の学習処理及び第２の学習処理を利用することが可能である。この場合、正解データである「フル範囲ＲＦｕｌｌに関する投影データ」を「フル範囲ＲＦｕｌｌに関する投影データに基づくＣＴ画像」に置き換えればよい。

（変形例１）
上記図７に示す角度範囲ＲＡの決定処理（ステップＳＡ２）において処理回路４４は、ＬＵＴ又は所定のアルゴリズムにより、ＤＮＮ再構成に必要な角度範囲ＲＡを決定するものとした。変形例１に係る処理回路４４は、学習済モデルＭＢを利用して角度範囲ＲＡを決定する。

図１２は、変形例１に係る学習済モデルＭＢの入出力関係を示す図である。図１２に示すように、学習済モデルＭＢは、撮影部位ＢＥと位置決め画像ＩＡとを入力とし、ＤＮＮ再構成に必要な角度範囲ＲＡ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。位置決め画像ＩＡは、被検体の撮影部位ＢＥに関する位置決め画像である。出力の角度範囲ＲＡは、入力の撮影部位ＢＥと位置決め画像ＩＡとに最適な、ＤＮＮ再構成に必要な角度範囲である。ここで最適な角度範囲とは、被検体の撮影部位ＢＥに関するＣＴ画像を学習済モデルＭＡを利用して生成する場合において、画質が一定値以上且つ被曝量が可能な限り少ない角度範囲ＲＡを意味する。

図１３Ａ及び図１３Ｂは、位置決め画像（スキャノ像）ＩＡと角度範囲（撮影プロトコル）ＲＡとの関係を示す図である。図１３Ａに示す位置決め画像ＩＡ１と図１３Ｂに示す位置決め画像ＩＡ２との撮影部位は胸部である。図１３Ａに示す被検体と図１３Ｂに示す被検体とは異なる人物であるとする。被検体が異なる場合、同一の撮影部位であっても当該撮影部位の形態やＸ線感受性の高い解剖学的部位の形態等が異なる。すなわち、同一の撮影部位であっても被検体が異なれば、最適な撮影プロトコル（角度範囲ＲＡ）も異なる。例えば、図１３Ａに示すように、被検体領域が位置決め画像ＩＡの中央に描出され、図１３Ｂに示すように、被検体領域が位置決め画像ＩＡの上方に描出される。この場合、各被検体の撮影部位である胸部が占める略全てのボクセルに対し、Ｘ線感受性が高い領域の線量が高くなることを回避しつつ、Ｘ線パスを少なくとも一回通過させる事が角度範囲は異なる。よって、学習済モデルＭＢにより、個々の被検体の撮影部位ＢＥと位置決め画像ＩＡとに基づいて、個々の被検体の撮影部位ＢＥに最適な角度範囲ＲＡを決定することが可能になる。

（変形例２）
上記実施形態において処理回路４４は、Ｘ線照射がされない角度範囲に関する投影データを、学習済モデルＭＡに従い計算するものとした。変形例２に係る処理回路４４は、チャネル方向及び列方向により規定される検出器範囲のうちの全範囲よりも狭い部分範囲に関する投影データを、他の学習済モデルに従い計算する。以下、変形例２に係るＸ線コンピュータ断層撮影装置について説明する。なお以下の説明において、本実施形態と略同一の機能を有する構成要素については、同一符号を付し、必要な場合にのみ重複説明する。

図１４は、変形例２に係る学習済モデルＭＤの入出力関係を示す図である。図１４に示すように、学習済モデルＭＤは、部分的な検出器範囲ＲＣに関する投影データＰＣを入力とし、全検出器範囲ＲＤに関する投影データＰＤ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。検出器範囲は、Ｘ線検出器１２のＸ線の検出面の範囲を意味する。検出器範囲は、列（ＲＯＷ）方向とチャネル（ＣＨ）方向とにより２次元的に規定される範囲である。

図１５は、学習済モデルＭＤの入出力を模式的に示す図である。図１５に示すように、全検出器範囲よりも狭い部分的な検出器範囲ＲＣ１が設定される。検出器範囲ＲＣ１は、Ｘ線ＣＴスキャンにより投影データが収集される検出器範囲である。検出器範囲ＲＣ１に限定してＸ線が照射される。全検出器範囲のうちの検出器範囲ＲＣ１以外の検出器範囲ＲＣ２は、Ｘ線ＣＴスキャンにより投影データが収集されない検出器範囲である。検出器範囲ＲＣ２にはＸ線が照射されない。

例えば、図１５に示すように、検出器範囲ＲＣ１は、チャネル方向に関して部分的な検出器範囲である。検出器範囲ＲＣ１は、如何なるチャネルに設定されてもよい。例えば、図１５に示すように、中心チャネルを含む略中央部に位置する複数のチャネルが検出器範囲ＲＣ１に設定される。検出器範囲ＲＣ１は、空間的に連続する複数のチャネルに設定されてもよいし、空間的に離間する複数のチャネルに設定されてもよい。学習済モデルＭＤを検出器範囲ＲＣ１に関する投影データに適用することにより、全検出器範囲ＲＤ１に関する投影データが出力される。

図１６は、学習済モデルＭＤの他の入出力を模式的に示す図である。図１６に示すように、全検出器範囲よりも狭い部分的な検出器範囲ＲＣ３が設定される。検出器範囲ＲＣ３は、Ｘ線ＣＴスキャンにより投影データが収集される検出器範囲である。検出器範囲ＲＣ３に限定してＸ線が照射される。全検出器範囲のうちの検出器範囲ＲＣ３以外の検出器範囲ＲＣ４は、Ｘ線ＣＴスキャンにより投影データが収集されない検出器範囲である。検出器範囲ＲＣ４にはＸ線が照射されない。

例えば、図１６に示すように、検出器範囲ＲＣ３は、列方向に関して部分的な検出器範囲である。検出器範囲ＲＣ３は、如何なる列に設定されてもよい。例えば、図１６に示すように、中心列を含む略中央部に位置する複数の列が検出器範囲ＲＣ３に設定される。検出器範囲ＲＣ３は、空間的に連続する複数の列に設定されてもよいし、空間的に離間する複数の列に設定されてもよい。学習済モデルＭＤを検出器範囲ＲＣ３に関する投影データに適用することにより、全検出器範囲ＲＤ２に関する投影データが出力される。

部分的な検出器範囲ＲＣは、撮像ボリュームのうちの被検体が占める略全ボクセルに対し、Ｘ線管１１からのＸ線パスが少なくとも一回通過するように設定されるとよい。なお、Ｘ線感受性の高い解剖学的部位が占めるボクセルに対しては必ずしもＸ線パスは通過しなくてもよい。典型的には、部分的な検出器範囲ＲＣは、ビュー毎に設定される。すなわち、ビュー毎に検出器範囲ＲＣが異なる検出器範囲に設定されてもよい。ビュー毎に学習済モデルＭＤが検出器範囲ＲＣに関する投影データに適用され、全検出器範囲ＲＤ２に関する投影データが出力される。

部分的な検出器範囲ＲＣは、図１５に示すようなチャネル単位又は図１６に示すような列単位で設定される必要はない。例えば、部分的な検出器範囲ＲＣは、検出素子単位で設定されてもよい。

学習済モデルＭＤについても、学習機能４４６の実現により処理回路４４により生成可能である。学習サンプルは、部分的な検出器範囲ＲＣに関する投影データと全検出器範囲ＲＤに関する投影データとの組合せである。学習サンプルとしての部分的な検出器範囲ＲＣに関する投影データと全検出器範囲ＲＤに関する投影データとは、同一の被検体ＰをＸ線ＣＴスキャンすることにより生成されるとよい。学習サンプルは、様々な被検体Ｐに対するＸ線ＣＴスキャンにより複数生成される。

処理回路４４は、学習処理４４６の実現により、学習サンプルに基づき機械学習モデルのパラメータを学習する。具体的には、処理回路４４は、部分的な検出器範囲ＲＣに関する投影データを機械学習モデルに適用して順伝播処理を行い、全検出器範囲ＲＤに関する投影データの推定データを出力する。次に処理回路４４は、推定データと正解データとの差分（誤差）を機械学習モデルに適用して逆伝播処理を行い、勾配ベクトルを計算する。次に処理回路４４は、勾配ベクトルに基づいて機械学習モデルＮＡの重み付き行列やバイアス等のパラメータを更新する。順伝播処理と逆伝播処理とを出力精度が閾値以上になるまで繰り返し行うことにより学習済モデルＲＤが生成される。

なお、本実施形態と変形例２とは適宜組合せが可能である。すなわち、１８０度＋ファン角未満の角度範囲ＲＡと部分的な検出器範囲ＲＣとが設定される。Ｘ線ＣＴスキャン時においては、角度範囲ＲＡと検出器範囲ＲＣとに限定してＸ線が照射され、角度範囲ＲＡ且つ検出器範囲ＲＣに関する投影データがＤＡＳ１８により収集される。処理回路４４は、角度範囲ＲＡに属するビュー毎に、検出器範囲ＲＣに関する投影データを学習済モデルＲＤに適用して全検出器範囲ＲＤに関する投影データを生成する。次に処理回路４４は、角度範囲ＲＡに関する全検出器範囲ＲＤの投影データを学習済モデルＭＡに適用して、１８０度＋ファン角以上の角度範囲ＲＢに関する全検出器範囲ＲＤの投影データを生成する。そして処理回路４４は、角度範囲ＲＢに関する全検出器範囲ＲＤの投影データに通常の画像再構成処理を施してＣＴ画像を生成することができる。

また、上記実施形態において、Ｘ線コンピュータ断層撮影装置１は、いわゆる第３世代であるとした。すなわち、Ｘ線コンピュータ断層撮影装置１は、Ｘ線管とＸ線検出器とが一体となって回転軸の周囲を回転する回転／回転型（Rotate／Rotate-Type）であるとした。しかしながら、本実施形態に係るＸ線コンピュータ断層撮影装置１は、それのみに限定されない。例えば、Ｘ線コンピュータ断層撮影装置１は、リング状に配列された多数のＸ線検出素子が固定され、Ｘ線管のみが回転軸の周囲を回転する固定／回転型（Stationary／Rotate-Type）でもよい。Ｘ線コンピュータ断層撮影装置１は、リング状に配列された多数のＸ線検出素子が固定され、リング状に陽極が配置され、電磁偏向により電子ビームを陽極にリング状に照射させる第５世代でもよい。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。

以上説明した少なくとも１つの実施形態によれば、照射されるＸ線の線量を低減しつつＣＴ画像の生成を行うことができる。

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２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
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
１００ 医用画像処理システム
２００ 学習データ保管装置
３００ 学習装置
４００ 医用画像診断装置
４４１ 撮影制御機能
４４２ 画像生成機能
４４３ 画像処理機能
４４４ データ取得機能
４４５ 角度範囲決定機能
４４６ 学習機能
４４７ モデル選択機能
４４８ 表示制御機能
５００ 医用画像処理装置

Claims (14)

1. １８０度＋ファン角よりも狭い第１の角度範囲に関する、処理対象の第１の投影データを取得する取得部と、
   前記第１の角度範囲に関する第１の投影データから１８０度＋ファン角以上の第２の角度範囲に関する第２の投影データ又は当該第２の投影データに基づくＣＴ画像を生成するための学習済モデルを記憶する記憶部と、
   前記学習済モデルを利用して前記処理対象の第１の投影データに基づいて前記処理対象のＣＴ画像を生成する画像生成部と、
   を具備する医用画像処理システム。
2. 前記記憶部は、複数の撮影部位の各々について前記学習済モデルを記憶し、
   前記画像生成部は、前記処理対象の撮影部位に対応する前記学習済モデルに従い前記処理対象のＣＴ画像を生成する、
   請求項１記載の医用画像処理システム。
3. 第１の角度範囲に関する第１の投影データと第２の角度範囲に関する第２の投影データ又は前記第２の投影データに基づくＣＴ画像とを含む複数の学習サンプルに基づいて単一の機械学習モデルのパラメータを学習して前記学習済モデルを生成する学習部を更に備え、
   前記学習部は、前記単一の機械学習モデルの出力が所定の精度を有するまで前記単一の機械学習モデルのパラメータを学習する、
   請求項１記載の医用画像処理システム。
4. 学習部と選択部とを更に備え、
   前記学習部は、複数の第１の角度範囲に関する複数の機械学習モデルの各々について、前記第１の角度範囲に関する第１の投影データと前記第２の角度範囲に関する第２の投影データ又は前記第２の投影データに基づくＣＴ画像とを含む複数の学習サンプルに基づいてパラメータを学習し、
   前記複数の学習サンプルの数は、前記複数の機械学習モデルに対して略同一であり、
   前記選択部は、前記複数の機械学習モデルのうちの、出力の精度が最も高い機械学習モデルを前記学習済モデルとして選択する、
   請求項１記載の医用画像処理システム。
5. 学習部と選択部とを更に備え、
   前記学習部は、複数の第１の角度範囲に関する複数の機械学習モデル各々について、前記第１の角度範囲に関する第１の投影データと前記第２の角度範囲に関する第２の投影データ又は前記第２の投影データに基づくＣＴ画像とを含む複数の学習サンプルに基づいてパラメータを学習し、
   前記複数の学習サンプルの数は、前記複数の機械学習モデルに対して略同一であり、
   前記選択部は、前記複数の機械学習モデルのうちの、出力の精度が閾値を上回り且つ第１の角度範囲が最も狭い機械学習モデルを前記学習済モデルとして選択する、
   請求項１記載の医用画像処理システム。
6. 決定部を更に備え、
   前記記憶部は、複数の第１の角度範囲に関する複数の学習済モデルを記憶し、
   前記決定部は、前記処理対象の撮影部位の情報と前記処理対象の位置決め画像との少なくとも一方に基づいて、前記処理対象の撮影部位に対応する第１の角度範囲を決定し、
   前記画像生成部は、前記複数の学習済モデルのうちの前記決定された第１の角度範囲に対応する前記学習済モデルに従い前記処理対象のＣＴ画像を生成する、
   請求項１記載の医用画像処理システム。
7. 前記第１の角度範囲は、離散的に配置された複数の角度範囲により構成され、
   前記複数の角度範囲の合計は、１８０度＋ファン角よりも狭い、
   請求項１記載の医用画像処理システム。
8. 前記画像生成部は、前記第１の角度範囲に関する第１の投影データから１８０度＋ファン角以上の第２の角度範囲に関する第２の投影データを生成するための前記学習済モデルに前記処理対象の第１の投影データを適用して前記処理対象の第２の投影データを決定し、前記処理対象の第２の投影データに画像再構成を行い前記処理対象のＣＴ画像を再構成する、請求項１記載の医用画像処理システム。
9. 前記処理対象の第１の投影データは、基準の線量よりも低い線量のＸ線ＣＴスキャンにより収集され、
   前記基準の線量は、画像再構成演算により再構成されるＣＴ画像の画質を保障する線量である、
   請求項１記載の医用画像処理システム。
10. 前記取得部は、前記処理対象に対し前記第１の角度範囲に亘りＸ線ＣＴスキャンを行い、前記第１の角度範囲に関する前記処理対象の第１の投影データを収集するスキャン部を有する、請求項１記載の医用画像処理システム。
11. １８０度＋ファン角よりも狭い第１の角度範囲に関する、処理対象の第１の投影データを取得する取得部と、
    前記第１の角度範囲に関する第１の投影データから１８０度＋ファン角以上の第２の角度範囲に関する第２の投影データ又は当該第２の投影データに基づくＣＴ画像を生成するための学習済モデルを利用して、前記処理対象の第１の投影データから前記処理対象のＣＴ画像を生成する画像生成部と、
    を具備する医用画像処理装置。
12. １８０度＋ファン角よりも狭い第１の角度範囲に関する、処理対象の第１の投影データを取得する工程と、
    前記第１の角度範囲に関する第１の投影データから１８０度＋ファン角以上の第２の角度範囲に関する第２の投影データ又は当該第２の投影データに基づくＣＴ画像を生成するための学習済モデルを利用して、前記処理対象の第１の投影データから前記処理対象のＣＴ画像を生成する工程と、
    を具備する医用画像処理方法。
13. チャネル方向及び列方向により規定される検出器範囲のうちの全範囲よりも狭い第１の範囲に関する、処理対象の第１の投影データを取得する取得部と、
    前記第１の範囲に関する第１の投影データから前記第１の範囲よりも広い第２の範囲に関する第２の投影データ又は当該第２の投影データに基づくＣＴ画像を生成するための学習済モデルを利用して、前記処理対象の第１の投影データから前記処理対象のＣＴ画像を生成する画像生成部と、
    を具備する医用画像処理装置。
14. 画像再構成に必要な角度範囲よりも狭い角度範囲に関する、処理対象の第１の投影データを取得する取得部と、
    画像再構成に必要な角度範囲よりも狭い角度範囲に関する第１の投影データから画像再構成に必要な角度範囲に関する第２の投影データ又は当該第２の投影データに基づくＣＴ画像を生成するための学習済モデルを記憶する記憶部と、
    前記学習済モデルを利用して前記処理対象の第１の投影データに基づいて前記処理対象のＣＴ画像を生成する画像生成部と、
    を具備する医用画像処理システム。