JP2020179031A - 医用画像処理装置、ｘ線ｃｔ装置及び学習用データの生成方法 - Google Patents

Abstract

【課題】診断時の定量性を向上させることができる。【解決手段】本実施形態に係る医用画像処理装置は、取得部と、生成部とを含む。取得部は、対象物を撮影した入力画像を取得する。生成部は、異なるデータ収集期間で動きのある対象物を撮影した画像を用いて学習した学習済みモデルを用いて、前記入力画像から前記対象物の動きに起因する画像への影響を低減した補正画像を生成する。【選択図】図１

Description

本発明の実施形態は、医用画像処理装置、Ｘ線ＣＴ装置及び学習用データの生成方法に関する。

心臓などの動きがある臓器に対してＣＴ（Computed Tomography）撮影を行う際に問題となるのが、臓器の動きによって生じるモーションアーチファクトである。モーションアーチファクトに対して後処理で補正を行う動き補正技術がある。

しかし、動き補正技術においては、目的の位相の前後の位相に関する動き情報が重要である。この前後の位相に関する動き情報を表す動きベクトルの情報が、目的画像が持っている動きベクトルの情報と異なっている場合、目的画像を適切に補正することができない。

特開２０１８−１０７６０３号公報 特開２０１８−１７５２２７号公報

本発明が解決しようとする課題は、診断時の定量性を向上させることである。

本実施形態に係る医用画像処理装置は、取得部と、生成部とを含む。取得部は、対象物を撮影した入力画像を取得する。生成部は、異なるデータ収集期間で動きのある対象物を撮影した画像を用いて学習した学習済みモデルを用いて、前記入力画像から前記対象物の動きに起因する画像への影響を低減した補正画像を生成する。

図１は、第１の実施形態に係る医用画像処理装置を示すブロック図である。 図２は、学習済みモデルを生成する学習システムを示すブロック図である。 図３は、医用画像処理装置自身で学習済みモデルを生成する場合の医用画像処理装置を示すブロック図である。 図４は、第１の実施形態に係る学習済みモデルの学習時の概念を示す図である。 図５は、ビューの回転角によって、学習用データに関するデータ収集期間の設定方法の概念を示す図である。 図６は、ＥＣＧ信号との比較によって、学習用データに関するデータ収集期間の設定方法の概念を示す図である。 図７は、実施形態に係る学習用データの生成方法を示す図である。 図８は、第１の実施形態に係る学習済みモデルの利用例を示す図である。 図９は、学習済みモデルの利用例として動き指標値の算出処理を示すフローチャートである。 図１０は、図９の動き指標値の算出処理に関する具体例を示す図である。 図１１は、第２の実施形態に係る第１の学習済みモデルの学習時の一例を示す図である。 図１２は、第２の実施形態に係る第２の学習済みモデルの学習時の一例を示す図である。 図１３は、第２の実施形態に係る学習済みモデルの利用時の一例を示す図である。 図１４は、第３の実施形態に係る学習済みモデルの学習時の一例を示す図である。 図１５は、第３の実施形態に係る学習済みモデルの利用時の一例を示す図である。 図１６は、第４の実施形態に係る医用画像処理装置を含むＸ線ＣＴ装置を示すブロック図である。

以下、図面を参照しながら本実施形態に係わる医用画像処理装置、システムおよびプログラムについて説明する。以下の実施形態では、同一の参照符号を付した部分は同様の動作をおこなうものとして、重複する説明を適宜省略する。以下、一実施形態について図面を用いて説明する。

なお、以下の本実施形態に係る医用画像処理装置は、Ｘ線ＣＴ（Computed Tomography）装置またはＭＲＩ（Magnetic Resonance Imaging)装置などの各医用画像診断装置のコンソールに含まれてもよいし、ワークステーションに含まれてもよいし、クラウドサーバなどのサーバに含まれてもよい。以下の第４の実施形態で、Ｘ線ＣＴ装置のコンソールに含まれる場合について説明する。また、以下の本実施形態では、Ｘ線ＣＴ装置により撮影した投影データおよび投影データに基づく再構成画像について処理することを想定する。

（第１の実施形態）
第１の実施形態に係る医用画像処理装置について図１のブロック図を参照して説明する。
第１の実施形態に係る医用画像処理装置１は、メモリ１１と、処理回路１３と、入力インタフェース１５と、通信インタフェース１７とを含む。処理回路１３は、取得機能１３１と、生成機能１３３と、画像処理機能１３５と、表示制御機能１３７とを含む。

メモリ１１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１１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、メモリの保存領域は、医用画像処理装置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１１は、学習済みモデル、各種医用データ（生データ、投影データ、サイノグラムなどの中間データなど）および各種医用画像（再構成画像、ＣＴ画像、ＭＲ画像、超音波画像、ＰＥＴ（positron emission tomography ）画像など）を格納することを想定するが、これらの学習済みモデル、医用データ及び医用画像などは、外部に記憶されていてもよい。

処理回路１３は、例えば、ハードウェア資源として、ＣＰＵ（Central Processing Unit）やＭＰＵ(Micro Processing Unit)、ＧＰＵ（Graphics Processing Unit）等のプロセッサとＲＯＭ（Read Only Memory）やＲＡＭ（Random Access Memory）等のメモリとを含む。また処理回路１３は、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）やフィールド・プログラマブル・ゲート・アレイ（Field Programmable Gate Array：ＦＰＧＡ）、他の複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）により実現されてもよい。処理回路１３は、メモリに展開されたプログラムを実行するプロセッサにより、取得機能１３１、生成機能１３３、画像処理機能１３５および表示制御機能１３７を実行する。なお、各機能（取得機能１３１、生成機能１３３、画像処理機能１３５および表示制御機能１３７）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１３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を実現するものとしても構わない。

取得機能１３１により処理回路１３は、動きのある対象物を撮影した画像（入力画像ともいう）を取得する。動きのある対象物としては、本実施形態では、被検体の心臓、呼吸により上下動する肺野など周期的に動いているものを想定する。なお、心臓や肺のように無意識的に動作するものに加え、一定速度及び一定範囲で手または足を動かすなど、自発的に周期的動作をするものを対象物としてもよい。また、周期的動作に限らず、一定の動きであってもよい。

生成機能１３３により処理回路１３は、学習済みモデルを用いて、入力画像から対象物の動きに起因する画像への影響を低減した補正画像を生成する。学習済みモデルは、動きのある対象物を異なるデータ収集期間で撮影することにより生成された２以上の画像の組を含む学習用データを用いて学習され、画像間における対象物の動き情報（方向と動き量とを含む動きベクトルなど）を学習したモデルである。学習済みモデルは、例えばメモリ１１に格納される学習済みモデルを参照してもよいし、学習済みモデルが医用画像処理装置１の外部に格納され、生成機能１３３が参照可能な構成でもよい。

画像処理機能１３５により処理回路１３は、入力画像または補正画像に対して画像処理を行う。具体的には、画像処理機能１３５は、入力画像または補正画像に対してフィルタ処理やアーチファクト除去処理を行う。また、画像処理機能１３５により処理回路１３は、学習済みモデルの適用前の第１画像に、前処理としてフィルタ処理やアーチファクト除去処理を行ってもよい。

表示制御機能１３７により処理回路１３は、補正画像を、ディスプレイやプロジェクタを介してスクリーンなどに表示させるように画像の出力を制御する。

入力インタフェース１５は、ユーザから各種の入力操作を受け付け、受け付けた入力操作に基づく信号をメモリ１１，処理回路１３、通信インタフェース１７などに出力する。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、使用可能となっている。なお、本実施形態において、入力インタフェース１５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信号を受け取り、この信号を処理回路１３へ出力するような処理回路も入力インタフェース１５の例に含まれる。

通信インタフェース１７は、外部と通信するための無線又は有線のインタフェースであり、一般的なインタフェースを用いればよいため、ここでの説明は省略する。

次に、処理回路１３の生成機能１３３が利用する学習済みモデルを生成する学習システムについて図２を参照して説明する。
図２は、学習済みモデルを生成する学習システムの一例を示すブロック図である。図２に示される医用情報処理システムは、学習用データ生成装置２０、学習用データ保管装置２２と、モデル学習装置２４と、医用画像診断装置２６とを含む。

学習用データ生成装置２０は、各種医用データおよび医用画像に基づいて、同一の対象物に対するデータ収集期間の違う少なくとも２種類の画像データの組を複数生成し、学習用データを生成する。なお、学習用データの生成方法の一例については、図７を参照して後述する。

学習用データ保管装置２２は、学習用データ生成装置３０において生成された学習用データおよび複数の学習サンプルを含む学習用データを記憶する。例えば、学習用データ保管装置２２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、学習用データ保管装置２２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、ＳＳＤ、集積回路記憶装置等が適宜利用可能である。

モデル学習装置２４は、学習用データ保管装置２２に記憶された学習用データに基づいて、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ることで、学習済みモデルを生成する。本実施形態で想定する機械学習としては、ニューラルネットワーク、ディープラーニング、決定木、カーネル回帰等を想定するが、これに限らず、学習用データから何らかの特徴を学習できる手法であれば、他の機械学習アルゴリズムであってもよい。モデル学習装置２４は、ＣＰＵ、ＧＰＵ等の汎用プロセッサ、または機械学習専用に構成された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もよい。

モデル学習装置２４と学習用データ保管装置２２とはケーブル、又は通信ネットワークを介して通信可能に接続されてもよい。また、学習用データ保管装置２２がモデル学習装置２４に搭載されてもよい。これらの場合、学習用データ保管装置２２からモデル学習装置２４へ学習用データが供給される。なお、モデル学習装置２４と学習用データ保管装置２２とは通信可能に接続されてなくてもよい。この場合、学習用データが記憶された可搬型記憶媒体を介して、学習用データ保管装置２２からモデル学習装置２４へ学習用データが供給される。

医用画像診断装置２６は、Ｘ線診断装置、Ｘ線ＣＴ装置、磁気共鳴イメージング装置、超音波診断装置、ＰＥＴ装置、ＳＰＥＣＴ（Single Photon Emission Computed Tomography）装置などのいずれかを想定する。医用画像診断装置２６とモデル学習装置２４とはケーブル、又は通信ネットワークを介して通信可能に接続されてもよい。モデル学習装置２４で生成された学習済みモデルが医用画像診断装置２６へ供給され、学習済みモデルが医用画像処理装置１のメモリ１１に記憶される。なお、医用画像診断装置２６とモデル学習装置２４とは、必ずしも通信可能に接続されてなくてもよい。この場合、学習済みモデルが記憶された可搬型記憶媒体等を介して、モデル学習装置２４から医用画像診断装置２６へ学習済みモデルが供給される。

なお、第１の実施形態に係る学習済みモデルは、機械学習前の多層ネットワーク（単にモデルともいう）をディープニューラルネットワーク（ＤＮＮ）に代表されるニューラルネットワークで機械学習させることで生成される。なお、学習済みモデルは、パラメータ付き合成関数ではなく、ルックアップテーブル（ＬＵＴ）により実現されてもよい。

なお、図２のようにモデル学習装置２４を別途用意せず、医用画像処理装置１が学習済みモデルを生成してもよい。

医用画像処理装置１において学習済みモデルを生成する場合について図３のブロック図を参照して説明する。
医用画像処理装置１に係る処理回路１３は、学習機能１３９をさらに含む。
取得機能１３１により処理回路１３は、学習用データ保管装置２２から学習用データを取得する。
学習機能１３９により処理回路１３は、学習用データを用いて多層ネットワークを学習させて学習済みモデルを生成する。学習済みモデルの生成方法については、図４以降で説明する生成方法を用いればよい。
メモリ１１は、学習機能１３９により生成された学習済みモデルを格納する。

次に、第１の実施形態に係る学習済みモデルの学習時の概念について図４を参照して説明する。図４は、学習前の多層ネットワーク４０と、多層ネットワーク４０に入力される学習用データとを示す。
モデル学習時には、例えば工場出荷時などにおいて、学習用データを用いて多層ネットワーク４０を機械学習させればよい。また、修理時やソフトウェアのアップデート時において学習済みモデルをアップデートできるようにしてもよい。また、モデル学習時において、対象物の動きの種類が異なるものごとに、例えば被検体であれば、心臓、肺などの部位ごとに、学習済みモデルを用意することが望ましい。

多層ネットワーク４０は、例えば、多層ニューラルネットワーク、畳み込みニューラルネットワークを想定するが、畳み込みネットワークから派生したＲｅｓＮｅｔ、ＤｅｎｓｅＮｅｔなど他のネットワーク構成を用いてもよい。また、学習させる多層ネットワーク４０の構成を、ＧＡＮ（Generative Adversarial Network）、ＤＣＧＡＮ（Deep Convolutional GAN）、またはｐｉｘ２ｐｉｘで構成してもよい。

学習用データは、ある対象物に対する第１のデータ収集期間で収集されたデータに基づく再構成画像を入力データとし、同一の対象物に対して第１のデータ収集期間よりも短い第２のデータ収集期間で収集されたデータに基づく再構成画像を正解データとした１組のデータを、複数用意したデータセットである。なお、学習用データとして用いられる画像を、学習画像とも呼ぶ。

図４の例では、第１のデータ収集期間がフルスキャン収集に対応するデータ収集期間（以下、便宜上フルスキャン期間という）である場合、第２のデータ収集期間は、フルスキャンよりも短い、ハーフスキャン収集に対応するデータ収集期間（以下、便宜上ハーフスキャン期間という）とする。フルスキャン収集は３６０度分の投影データを収集する方法であり、ハーフスキャン収集は１８０度＋ファン角分の投影データを収集する方法である。

なお、第１のデータ収集期間と第２のデータ収集期間とは、互いを比較して収集期間に差分があればよいため、フルスキャン収集とハーフスキャン収集との対応関係に限られない。例えば、フルスキャン収集の代わりに２００度分の投影データを収集する方法でもよいし、７２０度分の投影データを収集する方法であってもよい。
例えば、第１のデータ収集期間は第２のデータ収集期間よりも長ければよいため、第２のデータ収集期間がハーフスキャン期間である場合、第１のデータ収集期間として、フルスキャン収集を１００％とすると７０％のデータ収集期間と設定してもよい。同様に、第２のデータ収集期間も第１のデータ収集期間よりも短ければよいため、第１のデータ収集期間がフルスキャン期間であれば、１回転の３０％のデータ収集期間であってもよいし、１回転の７０％のデータ収集期間であってもよい。上述の学習用データで多層ネットワーク４０を学習させることにより、画像に含まれる対象物の動きを学習した学習済みモデル４２を生成することができる。

上述の学習用データを用いることで対象物の動きを学習できる理由は、以下の通りである。動きのある対象物を撮影する場合は、再構成画像にはモーションアーチファクトの影響が存在する。データ収集期間が短ければ、その分モーションアーチファクトの影響は少なくなる。つまり、例えば、データ収集期間が長いフルスキャン期間のデータに基づく再構成画像は、対象物の動き情報を多く保存している。一方、データ収集期間が短いハーフスキャン期間のデータに基づく再構成画像は、フルスキャン期間のデータに基づく再構成画像よりも動きの影響が少ない。
よって、第１の収集期間のデータに基づく再構成画像を入力データ（第１の学習画像）とし、第２の収集期間のデータに基づく再構成画像を正解データ（第２の学習画像）として多層ネットワークを学習させることで、再構成画像における動き情報（動きの差分）を学習させることができる。第１の実施形態では、対象物の動きを学習することができ、モーションアーチファクトの影響を学習させることができる。
なお、動き情報のみを学習できるモデルであれば、第２の学習画像を入力データと子、第１の学習画像を正解データとして多層ネットワークを学習させてもよい。

次に、学習用データに関するデータ収集期間の設定方法の概念について図５及び図６を参照して説明する。
図５は、対象物である被検体Ｐがガントリ内に存在し、第１のデータ収集期間と第２のデータ収集期間との関係を、ガントリの回転量に応じた収集期間（ビューの回転角）で示した図である。実線の矢印は、フルスキャン期間である第１のデータ収集期間５０であり、破線の矢印は、ハーフスキャン期間である第２のデータ収集期間５２である。

学習用データにおける入力に対応する第１のデータ収集期間５０と第２のデータ収集期間５２との組は、再構成画像の対応付けの観点から、データ収集期間に基づく再構成画像を生成する際の心位相の中心位相を揃えたデータを用いることが望ましい。また、フルスキャンのデータ列の中から再構成に使用するデータ列を部分的に抜き出して再構成することができる。その場合、中心位相は抜き出したデータ列の中心となるため、データ列を抜き出す範囲を調整することで中心位相を任意の位置に定めることができる。よって、データ列を抜き出す範囲を調整し、第２のデータ収集期間、例えばハーフスキャン期間の中心位相に合わせればよい。

続いて、図６は、ＥＣＧ（Electrocardiogram）信号とデータ収集期間との関係を示す概念図である。
図６のように、ＥＣＧ信号６０のＲ−Ｒ間隔の６０％〜９０％となる心位相をハーフスキャン収集した場合、Ｒ−Ｒ間隔の７５％を中心位相として、第１のデータ収集期間６２と第２のデータ収集期間６４とが設定される。これにより結果として、学習用データとして適切な再構成画像の組を設定できる。

なお、フルスキャン収集したデータから再構成に使用するデータ列を抜き出す範囲を調整し、ハーフスキャン収集における中心位相と同じ位置をフルスキャン収集における中心位相として指定すればよい。例えば、第１のデータ収集期間としてフルスキャン収集の７０％のデータ収集期間を設定する際に、第２のデータ収集期間と中心位相が揃うように７０％のデータ収集期間６６が抽出されればよい。

次に、本実施形態に係る学習用データの生成方法について図７を参照して説明する。
入力データのデータ収集期間（第１のデータ収集期間）においては、フルスキャン期間からハーフスキャン期間、８０％や７０％のデータ収集期間を部分的に抽出して、中心位相を変えることにより複数の学習用データの組が生成されてもよい。

例えば図７では、中心位相７５を揃えた、フルスキャン収集の７０％のデータ収集期間である第１のデータ収集期間７０−１とハーフスキャン期間である第２のデータ収集期間７２−１との組が抽出され、学習用データに用いられればよい。

続いて、図７（ｂ）では、図７（ａ）に示す第１のデータ収集期間７０−１と第２のデータ収集期間７２−１とからは、データ収集期間を少しずらして、つまり図７（ｂ）では中心位相７５を時計回りに約４５度ずらして第１のデータ収集期間７０−２と第２のデータ収集期間７２−２との組を生成する。同様に、図７（ｃ）では、図７（ｂ）から中心位相７５をずらして第１のデータ収集期間７０−３と第２のデータ収集期間７２−３との組を生成する。なお、各学習用データにおける第１のデータ収集期間と第２のデータ収集期間とは中心位相を揃える点に留意する。

このように、１度フルスキャン収集したデータから、中心位相を変えながら複数の組の学習用データのデータセットをバリエーション的に生成することで、第１のデータ収集期間の撮影および第１のデータ収集期間の撮影をそれぞれ別個に行わなくても、時相が異なる学習用データを容易かつ大量に用意することができる。図７に示すような学習用データは、学習用データ生成装置２０が生成してもよいし、医用画像処理装置１の学習機能１３９が生成してもよい。

次に、第１の実施形態に係る学習済みモデル４２の利用例について図８を参照して説明する。
学習済みモデル４２の利用時には、モーションアーチファクトを含む入力画像が学習済みモデル４２に入力され、モーションアーチファクトが低減された補正画像が出力される。理想的には、モーションアーチファクトを含む入力画像から、モーションアーチファクトの無い静止した補正画像が得られる。なお、学習済みモデル４２の利用時における入力画像のデータ収集期間は、任意の期間でよい。学習済みモデル４２では、動き情報自体が学習されているため、利用時の入力画像のデータ収集期間を、学習時の入力画像のデータ収集期間と同じにするといった制約はなく、どのようなデータ収集期間の入力画像でも当該入力画像に含まれるモーションアーチファクトを低減できる。

図８のように、学習用データ用いて生成された学習済みモデルの利用例では、モーションアーチファクトを低減した画像を出力する例を示したが、これに限らず、動きに関するパラメータとして動き指標値を出力してもよい。

学習済みモデルの利用例として動き指標値を算出する場合について図９のフローチャートを参照して説明する。

ステップＳ９０１では、取得機能１３１および画像処理機能１３５などにより処理回路１３が、１周分のデータ収集をした際に、画像再構成の中心位相の異なる複数の第２のデータ収集期間のデータ（例えば、ハーフスキャン期間のデータ）を抽出し、時系列に沿って中心位相をずらし、各中心位相に対応するデータから再構成画像を生成する。以下便宜上、各時相の画像と呼ぶ。
ステップＳ９０２では、生成機能１３３により処理回路１３が、各時相の画像に学習済みモデルを適用し、モーションアーチファクトが低減された各時相の補正画像を生成する。

ステップＳ９０３では、画像処理機能１３５により処理回路１３が、各時相にて再構成画像と補正画像とを比較する。具体的には、例えば、画素値の差分量の総和を計算することにより、各時相の動き指標値を得る。
ステップＳ９０４では、表示制御機能１３７により処理回路１３が、各時相の動き指標値の変化をグラフ表示する。または、最も指標値の小さい時相を提示する。また、時相の提示とともに、動き指標値を提示してもよい。さらに、動き指標値の小さい時相を再構成中心とした第２のデータ収集期間に基づく画像や、当該第２のデータ収集期間の補正画像を提示してもよい。

次に、図９の動き指標値の算出処理に関する具体例について図１０を参照して説明する。
図１０（ａ）は、学習済みモデルに入力される入力画像の元となるデータ収集期間をビュー期間で模式的に表した図である。図１０（ａ）では、ハーフスキャン期間において、時系列に沿って所定期間ずつ中心位相をずらしたデータを４つ示す。
図１０（ｂ）は、各時相のデータ収集期間に基づいて画像再構成処理が実施されることで生成される入力画像である。

図１０（ｃ）では、図１０（ｂ）に示す各入力画像に対して、学習済みモデルが適用される。
図１０（ｄ）は、各入力画像に対して学習済みモデルが適用された後の、モーションアーチファクトが低減された補正画像を示す。
図１０（ｅ）では、入力画像と補正画像とに基づいて、各時相の動き指標値を算出する。図１０（ｅ）の例では、算出された動き指標値は、横軸を時間、縦軸を動き量としたグラフにプロットされる。なお、プロットされた点を線形回帰などによりフィッティングさせる例を示すが、これに限らず、時間と動き指標値との関係性が表現されればよい。

このように学習済みモデル４２を利用してパラメータとして動き指標値を算出することで、モーションアーチファクトが最も低減されるデータ収集期間を判定することができる。つまり、最良のデータ収集期間を入力画像とすることで、モーションアーチファクトが最も低減された再構成画像を生成することができる。これにより、例えば、画像の位相情報を選択できるため、ステップアンドシュート方式で撮影されたマルチスライスの画像において、モーションアーチファクトを低減させつつ、各スライスで同じ中心位相をとなるような画像を作成することができる。よって、動きのある心臓などの画像についても、スライス間で位置ずれの少ない画像を作成することができる。

なお、学習用データとして、動きの傾向について学習させてもよい。例えば、心臓と、肝臓などの腹部臓器では動きの傾向が異なるため、心臓のデータに特化してデータを学習した心臓用動き補正学習済みモデル、肝臓のデータに特化したモデル、と臓器別に学習し、個別にモデル構築を行ってもよい。心臓も心時相によって動きのパターンが異なるため、心臓の拡張期が中心位相のデータに特化して学習した心臓拡張期用モデル、収縮期モデル、と位相別に学習し、個別にモデルを構築してもよい。
これにより、似た傾向のデータに特化して学習するため、少ない学習用データでも学習済みモデルの推定精度が高く、かつ収束を早くすることができる。

また、学習済みモデル４２の利用時における入力画像の入力状態を、学習時の入力画像の状態に合わせてもよい。例えば、ローパスフィルタをかけたり、メタルアーチファクトを除いたりするなどの前処理後の画像で学習した場合を想定する。学習済みモデルの利用時に、メタルを含む対象物を撮影した再構成画像を入力画像とする場合は、入力画像に対してメタルアーチファクトを除去するフィルタ処理を実施した後に、学習済みモデルを適用しても良い。このようにすることで、学習済みモデルの利用時の入力画像について、より高精度にモーションアーチファクトを低減することができる。

以上に示した第１の実施形態によれば、時間情報が多く保存されるデータ収集期間が長い第１のデータ収集期間に基づくデータと、データ収集期間が短い第２のデータ収集期間に基づくデータとを用いた学習済みモデルによれば、モーションアーチファクトが低減された補正画像を生成することができる。モーションアーチファクトが低減された画像により、ある時間ではどこに血管が存在するかという、時間と位置とをより正確に決定でき、狭窄部位などの血管解析における精度が向上する。結果として、診断時の定量性が向上する。

（第２の実施形態）
第１の実施形態では、画像に含まれるモーションアーチファクトを低減するために、長いデータ収集期間に基づく再構成画像を入力画像とし、短いデータ収集期間に基づく再構成画像を正解画像としている。つまり、フルスキャン収集に基づく再構成画像に対してハーフスキャン収集に基づく再構成画像を正解画像とするため、モーションアーチファクトとの観点では、ハーフスキャン収集の方がモーションアーチファクトの影響が少ないものの、画質の観点ではフルスキャン収集よりも解像度が劣る画像が出力されうる。

よって、このように学習された学習済みモデルを用いた場合、入力画像から生成される補正画像は、画像の明るさ、画像に含まれるノイズ量（またはＳＮ比など）が、入力画像よりも劣化すると考えられる。また、モーションアーチファクトにおける動き量を学習させる場合は、同じデータ収集期間におけるモーションアーチファクト有りの画像とモーションアーチファクト無しの画像とを用いることで、より精度良くモーションアーチファクトの動き量を学習できると考えられる。

そこで第２の実施形態では、２つの学習済みモデルを適用することで、データ収集期間の違いに起因する画質変化を補正し、より高精度にモーションアーチファクトを低減した補正画像を生成する。

まず、第２の実施形態に係る学習済みモデルの学習時の一例について図１１及び図１２を参照して説明する。
図１１は、第１の学習済みモデルの学習時の例である。モデル学習装置２４または学習機能１３９により処理回路１３は、動きのない対象物について第１の収集期間で得られるデータに基づく再構成画像を入力画像とし、同一の対象物について第２の収集期間撮影したデータに基づく再構成画像を正解画像として、多層ネットワーク９０を学習させる。例えば、フルスキャン期間に基づく再構成画像の入力に対し、ハーフスキャン期間に基づく再構成画像を正解とする学習の結果、入力画像と正解画像との間の輝度差、ノイズ量（ＳＮ比）等を学習した第１の学習済みモデル９２が生成される。言い換えれば、画質補償用の学習済みモデル９２が生成される。

次に、図１２は、第２の学習済みモデルの学習時の例である。第２の学習済みモデル生成時において、モデル学習装置２４または学習機能１３９により処理回路１３は、今度は動きのある対象物について第１の収集期間撮影した投影データに基づく再構成画像に第１の学習済みモデル９２を適用した画像（以下、中間画像という）を入力画像とし、同一の対象物について第２の収集期間撮影した投影データに基づく再構成画像を正解データとして、多層ネットワーク９４を学習させる。図１２における第１の収集期間および第２の収集期間は、第１の学習済みモデル９２を生成する際の第１の収集期間および第２の収集期間と同じ長さの期間で設定されればよい。

中間画像の入力に対し、第２の収集期間に基づく再構成画像を正解画像とする学習の結果、モーションアーチファクトにおける動きの方向および動き量などを学習した第２の学習済みモデル９６が生成される。

次に、第２の実施形態に係る学習済みモデルの利用時の一例について図１３を参照して説明する。
図１３に示すように、任意の収集期間のデータに基づく再構成画像が入力画像として第２の学習済みモデル９６に入力され、補正画像が出力される。補正画像は、入力画像からモーションアーチファクトが低減されることに加えて、輝度の低下などの画質の劣化成分も補償される。

以上に示した第２の実施形態によれば、画質補償用の学習済みモデルを生成し、当該第１の学習済みモデルの出力画像である中間画像を入力として動き補償用の第２の学習済みモデルを生成することで、モーションアーチファクトが低減されることに加えて、輝度の低下などの画質の劣化成分も補償した補正画像を生成することができる。

（第３の実施形態）
第３の実施形態では、利用時に１つの学習モデルに入力するのではなく、目的に応じて学習済みモデルを用意して、それぞれの学習済みモデルを適用することで、第２の実施形態と同様にデータ収集期間の違いに起因する画質変化を補正し、所望の画像を生成することができる。

第３の実施形態に係る学習済みモデルの学習時の一例について図１４を参照して説明する。
第３の実施形態では２つの学習済みモデルを生成することを想定する。１つ目は、第１の実施形態と同様の動き補正用の学習済みモデル（第１の学習済みモデルともいう）である。２つ目は、画質補正用の学習済みモデル（第２の学習済みモデルともいう）である。

図１４に示すように、静止した、動きのない対象物をハーフスキャン期間で撮影した投影データに基づく再構成画像を入力画像とし、同一の対象物をフルスキャン期間で撮影した投影データに基づく再構成画像を正解画像として多層ネットワーク９０を学習させる。当該学習では、入力データよりもデータ収集期間が長いフルスキャン収集による再構成画像のほうが解像度が高いため、フルスキャン収集よりも収集期間が短い投影データに基づく再構成画像からフルスキャン収集相当の解像度を有する画像を生成する、画質補正用の第２の学習済みモデル９８を構築することができる。

次に、第３の実施形態に係る学習済みモデルの利用時の一例について図１５を参照して説明する。
図１５に示すように、生成機能１３３により処理回路１３は、フルスキャン収集したモーションアーチファクトを有する再構成画像を入力画像とし、動き補正用の第１の学習済みモデル４２を適用する。その後、当該第１の学習済みモデル４２を適用した後の画像に対して、画質補正用の第２の学習済みモデル９８を適用することで補正画像を生成する。

なお、第１の学習済みモデル４２と第２の学習済みモデル９８とを適用する順序は、順不同であり、第２の学習済みモデル９８を適用した後に、第１の学習済みモデル４２を適用するようにしてもよい。

以上に示した第３の実施形態によれば、動き補正用の学習済みモデルと画質補正用の学習済みモデルとを生成し、入力画像に対して段階的に適用することで、モーションアーチファクトが低減され、かつフルスキャン収集に基づく再構成画像と同様の画質を有する補正画像を生成することができる。

なお、第３の実施形態では、２種類の学習済みモデルを生成することを例に説明したが、３種類以上の学習済みモデルを生成し、各目的の補正効果を生じさせる学習済みモデルを段階的に適用するようにしてもよい。

（第４の実施形態）
第４の実施形態では、医用画像処理装置１を含む医用画像診断装置として、医用画像処理装置１を含むＸ線ＣＴ装置について図１６のブロック図を参照して説明する。図１に示すＸ線ＣＴ装置２は、架台装置１００と、寝台装置３００と、Ｘ線ＣＴ装置の処理を実現するコンソール装置４００とを有する。図１６では説明の都合上、架台装置１００を複数描画している。

なお、本実施形態では、非チルト状態での回転フレーム１３０の回転軸又は寝台装置３００の天板３３０の長手方向をＺ軸方向、Ｚ軸方向に直交し、床面に対し水平である軸方向をＸ軸方向、Ｚ軸方向に直交し、床面に対し垂直である軸方向をＹ軸方向とそれぞれ定義するものとする。

例えば、架台装置１００及び寝台装置３００はＣＴ検査室に設置され、コンソール装置４００はＣＴ検査室に隣接する制御室に設置される。なお、コンソール装置４００は、必ずしも制御室に設置されなくてもよい。例えば、コンソール装置４００は、架台装置１００及び寝台装置３００とともに同一の部屋に設置されてもよい。いずれにしても架台装置１００と、寝台装置３００と、コンソール装置４００とは互いに通信可能に有線または無線で接続されている。

架台装置１００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。架台装置１００は、Ｘ線管１１０と、Ｘ線検出器１２０と、回転フレーム１３０と、Ｘ線高電圧装置１４０と、制御装置１５０と、ウェッジ１６０と、コリメータ１７０と、データ収集装置１８０（以下、ＤＡＳ（Data Acquisition System）１８０ともいう）とを含む。

Ｘ線管１１０は、Ｘ線高電圧装置１４０からの高電圧の印加及びフィラメント電流の供給により、陰極（フィラメント）から陽極（ターゲット）に向けて熱電子を照射することでＸ線を発生する真空管である。具体的には、熱電子がターゲットに衝突することによりＸ線が発生される。例えば、Ｘ線管１１０には回転する陽極に熱電子を照射することでＸ線を発生させる回転陽極型のＸ線管がある。Ｘ線管１１０で発生したＸ線は、例えばコリメータ１７０を介してコーンビーム形に成形され、被検体Ｐに照射される。

Ｘ線検出器１２０が、Ｘ線管１１０から照射され、被検体Ｐを通過したＸ線を検出し、当該Ｘ線量に対応した電気信号をＤＡＳ１８０へと出力する。Ｘ線検出器１２０は、例えば、Ｘ線管１１０の焦点を中心として１つの円弧に沿ってチャネル方向に複数のＸ線検出素子が配列された複数のＸ線検出素子列を有する。Ｘ線検出器１２０は、例えば、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、ｒｏｗ方向）に複数配列された列構造を有する。

Ｘ線検出器１２０は、具体的には、例えば、グリッドと、シンチレータアレイと、光センサアレイとを有する間接変換型の検出器である。Ｘ線検出器１２０は、検出部の一例である。

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線を当該入射Ｘ線の強度に応じた光子量の光を出力するシンチレータ結晶を有する。

グリッドは、シンチレータアレイのＸ線入射側の面に配置され、散乱Ｘ線を吸収する機能を有するＸ線遮蔽板を有する。なお、グリッドはコリメータ（１次元コリメータまたは２次元コリメータ）と呼ばれる場合もある。

光センサアレイは、シンチレータから受けた光を増幅して電気信号に変換する機能を有し、例えば、光電子増倍管（フォトマルチプライヤー：ＰＭＴ）等の光センサを有する。

回転フレーム１３０は、Ｘ線発生部（Ｘ線管１１０，ウェッジ１６０およびコリメータ１７０を含む）とＸ線検出器１２０とを回転軸回りに回転可能に支持する。具体的には、回転フレーム１３０は、Ｘ線管１１０とＸ線検出器１２０とを対向支持し、後述する制御装置１５０によってＸ線管１１０とＸ線検出器１２０とを回転させる円環状のフレームである。回転フレーム１３０は、アルミニウム等の金属により形成された固定フレーム（図示せず）に回転可能に支持される。詳しくは、回転フレーム１３０は、ベアリングを介して固定フレームの縁部に接続されている。回転フレーム１３０は、制御装置１５０の駆動機構からの動力を受けて回転軸Ｚ回りに一定の角速度で回転する。

なお、回転フレーム１３０は、Ｘ線管１１０とＸ線検出器１２０に加えて、Ｘ線高電圧装置１４０やＤＡＳ１８０を更に備えて支持する。このような回転フレーム１３０は、撮影空間をなす開口（ボア）１９０が形成された略円筒形状の筐体に収容されている。開口はＦＯＶに略一致する。開口の中心軸は、回転フレーム１３０の回転軸Ｚに一致する。なお、ＤＡＳ１８０が生成した検出データは、例えば発光ダイオード（ＬＥＤ）を有する送信機から光通信によって架台装置の非回転部分（例えば固定フレーム。図１での図示は省略する。）に設けられた、フォトダイオードを有する受信機（図示せず）に送信され、コンソール装置４００へと転送される。なお、回転フレームから架台装置の非回転部分への検出データの送信方法は、前述の光通信に限らず、非接触型のデータ伝送であれば如何なる方式を採用しても構わない。

Ｘ線高電圧装置１４０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１１０に印加する高電圧及びＸ線管１１０に供給するフィラメント電流を発生する機能を有する高電圧発生装置と、Ｘ線管１１０が照射するＸ線に応じた出力電圧の制御を行うＸ線制御装置とを有する。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。なお、Ｘ線高電圧装置１４０は、後述する回転フレーム１３０に設けられてもよいし、架台装置１００の固定フレーム（図示しない）側に設けられても構わない。

制御装置１５０は、ＣＰＵ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機構とを有する。処理回路は、ハードウェア資源として、ＣＰＵやＭＰＵ（Micro Processing Unit）等のプロセッサとＲＯＭやＲＡＭ等のメモリとを有する。また、制御装置１５０は、特定用途向け集積回路（ＡＳＩＣ）やフィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）、他の複合プログラマブル論理デバイス（ＣＰＬＤ）、単純プログラマブル論理デバイス（ＳＰＬＤ）により実現されてもよい。制御装置１５０は、コンソール装置４００からの指令に従い、Ｘ線高電圧装置１４０及びＤＡＳ１８０等を制御する。前記プロセッサは、前記メモリに保存されたプログラムを読み出して実現することで上記制御を実現する。

また、制御装置１５０は、コンソール装置４００若しくは架台装置１００に取り付けられた、後述する入力インタフェース４３０からの入力信号を受けて、架台装置１００及び寝台装置３００の動作制御を行う機能を有する。例えば、制御装置１５０は、入力信号を受けて回転フレーム１３０を回転させる制御や、架台装置１００をチルトさせる制御、及び寝台装置３００及び天板３３０を動作させる制御を行う。なお、架台装置１００をチルトさせる制御は、架台装置１００に取り付けられた入力インタフェース４３０によって入力される傾斜角度（チルト角度）情報により、制御装置１５０がＸ軸方向に平行な軸を中心に回転フレーム１３０を回転させることによって実現される。また、制御装置１５０は架台装置１００に設けられてもよいし、コンソール装置４００に設けられても構わない。なお、制御装置１５０は、前記メモリにプログラムを保存する代わりに、前記プロセッサの回路内にプログラムを直接組み込むように構成しても構わない。この場合、前記プロセッサは、前記回路内に組み込まれたプログラムを読み出して実行することで上記制御を実現する。

ウェッジ１６０は、Ｘ線管１１０から照射されたＸ線量を調節するためのフィルタである。具体的には、ウェッジ１６０は、Ｘ線管１１０から被検体Ｐへ照射されるＸ線が、予め定められた分布になるように、Ｘ線管１１０から照射されたＸ線を透過して減衰するフィルタである。例えば、ウェッジ１６０（ウェッジフィルタ（wedge filter）、ボウタイフィルタ（bow-tie filter））は、所定のターゲット角度や所定の厚みとなるようにアルミニウムを加工したフィルタである。

コリメータ１７０は、ウェッジ１６０を透過したＸ線の照射範囲を絞り込むための鉛板等であり、複数の鉛板等の組み合わせによってスリットを形成する。なお、コリメータ１７０は、Ｘ線絞りと呼ばれる場合もある。

ＤＡＳ１８０は、例えば、検出データを生成可能な回路素子を搭載したＡＳＩＣ（Application Specific Integrated Circuit）により実現される。ＤＡＳ１８０とＸ線検出器１２０とは検出器ユニットを構成する。

ＤＡＳ１８０は、Ｘ線検出器１２０から電気信号を読み出し、読み出した電気信号に基づいて、Ｘ線検出器１２０により検出されたＸ線の線量に関するデジタルデータである検出データを生成する。検出データは、生成元のＸ線検出素子のチャンネル番号、列番号、収集されたビュー（投影角度ともいう）を示すビュー番号、及び検出されたＸ線の線量の積分値を示すデータのセットである。

例えば、ＤＡＳ１８０は、検出素子各々について前置増幅器、可変増幅器、積分回路及びＡ／Ｄ変換器を含む。前置増幅器は、接続元の検出素子からの電気信号を所定のゲインで増幅する。可変増幅器は、前置増幅器からの電気信号を可変のゲインで増幅する。積分回路は、前置増幅器からの電気信号を、１ビュー期間に亘り積分して積分信号を生成する。積分信号の波高値は、１ビュー期間に亘り接続元の検出素子により検出されたＸ線の線量値に対応する。Ａ／Ｄ変換器は、積分回路からの積分信号をアナログデジタル変換して検出データを生成する。

寝台装置３００は、スキャン対象の被検体Ｐを載置、移動させる装置であり、基台３１０と、寝台駆動装置３２０と、天板３３０と、支持フレーム３４０とを備えている。

基台３１０は、支持フレーム３４０を鉛直方向に移動可能に支持する筐体である。

寝台駆動装置３２０は、被検体Ｐが載置された天板３３０を天板３３０の長軸方向に移動するモータあるいはアクチュエータである。寝台駆動装置３２０は、コンソール装置４００による制御、または制御装置１５０による制御に従い、天板３３０を移動する。例えば、寝台駆動装置３２０は、天板３３０に載置された被検体Ｐの体軸が回転フレーム１３０の開口の中心軸に一致するよう、天板３３０を被検体Ｐに対して直交方向に移動する。また、寝台駆動装置３２０は、架台装置１００を用いて実行されるＸ線ＣＴ撮影に応じて、天板３３０を被検体Ｐの体軸方向に沿って移動してもよい。寝台駆動装置３２０は、制御装置１５０からの駆動信号のデューティ比等に応じた回転速度で駆動することにより動力を発生する。寝台駆動装置３２０は、例えば、ダイレクトドライブモータやサーボモータ等のモータにより実現される。

支持フレーム３４０の上面に設けられた天板３３０は、被検体Ｐが載置される板である。なお、寝台駆動装置３２０は、天板３３０に加え、支持フレーム３４０を天板３３０の長軸方向に移動してもよい。

コンソール装置４００は、メモリ４１０と、ディスプレイ４２０と、入力インタフェース４３０と、処理回路４４０と、上述した第１の実施形態から第３の実施形態に係る医用画像処理装置１を有する。メモリ４１０と、ディスプレイ４２０と、入力インタフェース４３０と、処理回路４４０との間のデータ通信は、バス（BUS）を介して行われる。なお、コンソール装置４００は架台装置１００とは別体として説明するが、架台装置１００にコンソール装置４００またはコンソール装置４００の各構成要素の一部が含まれてもよい。

メモリ４１０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４１０は、例えば、検出データや再構成画像データを記憶する。メモリ４１０は、ＨＤＤやＳＳＤ等以外にも、ＣＤ、ＤＶＤ、フラッシュメモリ等の可搬性記憶媒体や、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４１０の保存領域は、Ｘ線ＣＴ装置２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。例えば、メモリ４１０は、ＣＴ画像や表示画像のデータを記憶する。また、メモリ４１０は、本実施形態に係る制御プログラムを記憶する。

ディスプレイ４２０は、各種の情報を表示する。例えば、ディスプレイ４２０は、処理回路４４０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４２０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４２０は、架台装置１００に設けられてもよい。また、ディスプレイ４２０は、デスクトップ型でもよいし、コンソール装置４００本体と無線通信可能なタブレット端末などで構成されることにしても構わない。

入力インタフェース４３０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４４０に出力する。例えば、入力インタフェース４３０は、検出データを収集する際の収集条件や、ＣＴ画像を再構成する際の再構成条件、ＣＴ画像から後処理画像を生成する際の画像処理条件等を操作者から受け付ける。入力インタフェース４３０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、使用可能となっている。なお、本実施形態において、入力インタフェース４３０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４４０へ出力する電気信号の処理回路も入力インタフェース４３０の例に含まれる。入力インタフェース４３０は、架台装置１００に設けられてもよい。又、入力インタフェース４３０は、コンソール装置４００本体と無線通信可能なタブレット端末などで構成されることにしても構わない。

処理回路４４０は、入力インタフェース４３０から出力される入力操作の電気信号に応じてＸ線ＣＴ装置２全体の動作を制御する。例えば、処理回路４４０は、ハードウェア資源として、ＣＰＵやＭＰＵ、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４４０は、メモリに展開されたプログラムを実行するプロセッサにより、システム制御機能４４１０、前処理機能４４２０、再構成処理機能４４３０および表示制御機能４４４０を実行する。なお、各機能（システム制御機能４４１０、前処理機能４４２０、再構成処理機能４４３０および表示制御機能４４４０）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を実現するものとしても構わない。

システム制御機能４４１０は、入力インタフェース４３０を介して操作者から受け付けた入力操作に基づいて、処理回路４４０の各機能を制御する。具体的には、システム制御機能４４１０は、メモリ４１０に記憶されている制御プログラムを読み出して処理回路４４０内のメモリ上に展開し、展開された制御プログラムに従ってＸ線ＣＴ装置２の各部を制御する。例えば、処理回路４４０は、入力インタフェース４３０を介して操作者から受け付けた入力操作に基づいて、処理回路４４０の各機能を制御する。例えば、システム制御機能４４１０は、スキャン範囲、撮影条件等を決定するための被検体Ｐの２次元の位置決め画像を取得する。なお、位置決め画像は、スキャノ画像またはスカウト画像とも呼ばれる。

前処理機能４４２０は、ＤＡＳ１８０から出力された検出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たデータを生成する。なお、前処理前の生データ（検出データ）及び前処理後のデータを総称して投影データと称する場合もある。

再構成処理機能４４３０は、前処理機能４４２０にて生成された投影データに対して、フィルタ補正逆投影法（ＦＢＰ法：Ｆｉｌｔｅｒｅｄ Ｂａｃｋ Ｐｒｏｊｅｃｔｉｏｎ）や逐次近似再構成法等を用いた再構成処理を行ってＣＴ画像データを生成する。

表示制御機能４４４０は、処理回路４４０の各機能または処理における処理途中又は処理結果の情報を表示するようにディスプレイ４２０を制御する処理である。

なお、処理回路４４０は、スキャン制御処理、画像処理および表示制御処理も行う。
スキャン制御処理は、Ｘ線高電圧装置１４０に高電圧を供給させて、Ｘ線管１１０にＸ線を照射させるなど、Ｘ線スキャンに関する各種動作を制御する処理である。
画像処理は、入力インタフェース４３０を介して操作者から受け付けた入力操作に基づいて、再構成処理機能４４３０によって生成されたＣＴ画像データを、任意断面の断層画像データや３次元画像データに変換する処理である。なお、３次元画像データの生成は、再構成処理機能４４３０が直接行なっても構わない。

処理回路４４０は、コンソール装置４００に含まれる場合に限らず、複数の医用画像診断装置にて取得されたデータに対する処理を一括して行う統合サーバに含まれてもよい。
なお、コンソール装置４００は、単一のコンソールにて複数の機能を実行するものとして説明したが、複数の機能を別々のコンソールが実行することにしても構わない。

なお、上述した実施形態に係る各機能は、当該処理を実行するプログラムをワークステーション等のコンピュータにインストールし、これらをメモリ上で展開することによっても実現することができる。このとき、コンピュータに当該手法を実行させることのできるプログラムは、磁気ディスク（ハードディスクなど）、光ディスク（ＣＤ−ＲＯＭ、ＤＶＤ、Ｂｌｕ−ｒａｙ（登録商標）ディスクなど）、半導体メモリなどの記憶媒体に格納して頒布することも可能である。

上述の第１の実施形態から第３の実施形態に係る医用画像処理装置および第４の実施形態に係るＸ線ＣＴ装置によれば、診断時の定量性を向上させることができる。

なお、本実施形態では、Ｘ線ＣＴ装置により撮影された投影データに基づく再構成画像を処理する場合を例に説明したが、これに限らず、Ｘ線診断装置で撮影されたＸ線画像、超音波診断装置で得られる超音波データから生成された超音波画像に対しても同様に学習済みモデルを生成できる。
具体的には、Ｘ線診断装置で撮影されたＸ線画像の場合は、対象物に対する曝射時間を制御することで、第１のデータ収集期間に基づくＸ線画像と第２のデータ収集期間に基づくＸ線画像とを生成し、上述の学習用データとすればよい。
また、超音波診断装置における超音波画像の場合は、画像一枚当たりのビーム密度の高い画像を第１のデータ収集期間に基づく超音波画像とし、ビーム密度の低い画像を第２のデータ収集期間に基づく超音波画像とした学習用データを生成すればよい。

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 医用画像処理装置
２ Ｘ線ＣＴ装置
１１， ４１０ メモリ
１３，４４０ 処理回路
１５ 入力インタフェース
１７ 通信インタフェース
２０ 学習用データ生成装置
２２ 学習用データ保管装置
２４ モデル学習装置
２６ 医用画像診断装置
４０，９０，９４ 多層ネットワーク
４２，９２，９６，９８ 学習済みモデル
５０，６２，７０−１〜７０−３ 第１のデータ収集期間
５２，６４，７２−１〜７２−３ 第２のデータ収集期間
６０ ＥＣＧ信号
６６ ７０%のデータ収集期間
７５ 中心位相
１００ 架台装置
１１０ Ｘ線管
１２０ Ｘ線検出器
１３０ 回転フレーム
１３１ 取得機能
１３３ 生成機能
１３５ 画像処理機能
１３７，４４４０ 表示制御機能
１３９ 学習機能
１４０ Ｘ線高電圧装置
１５０ 制御装置
１６０ ウェッジ
１７０ コリメータ
１８０ データ収集装置（ＤＡＳ）
１９０ 開口
３００ 寝台装置
３１０ 基台
３２０ 寝台駆動装置
３３０ 天板
３４０ 支持フレーム
４００ コンソール装置
４１１ 学習済みモデル
４２０ ディスプレイ
４３０ 入力インタフェース
４４１０ システム制御機能
４４２０ 前処理機能
４４３０ 再構成処理機能

Claims (9)

1. 対象物を撮影した入力画像を取得する取得部と、
   異なるデータ収集期間で動きのある対象物を撮影した画像を用いて学習した学習済みモデルを用いて、前記入力画像から前記対象物の動きに起因する画像への影響を低減した補正画像を生成する生成部と、
   を具備する医用画像処理装置。
2. 前記学習済みモデルは、前記動きのある対象物を第１のデータ収集期間で撮影した第１の学習画像と、前記動きのある対象物を前記第１のデータ収集期間よりも短い第２のデータ収集期間で撮影した第２の学習画像との組を用いてモデルを学習することで生成される、請求項１に記載の医用画像処理装置。
3. 前記第１の学習画像と前記第２の学習画像との組は、それぞれのデータ収集期間における中心位相が同じである、請求項２に記載の医用画像処理装置。
4. 前記入力画像に対し、前記学習済みモデルの学習に用いた画像に合わせた前処理を実行する画像処理部をさらに具備し、
   前記生成部は、前記学習済みモデルを用いて、前処理後の入力画像から前記補正画像を生成する、請求項１から請求項３のいずれか１項に記載の医用画像処理装置。
5. 前記生成部は、前記入力画像または前記補正画像に対し、データ収集期間の違いに起因する画質変化の補正処理を実行する、請求項１から請求項４のいずれか１項に記載の医用画像処理装置。
6. 前記学習済みモデルは、動きのない対象物を第１のデータ収集期間で撮影した第１の学習画像と、前記動きのない対象物を前記第１のデータ収集期間よりも短い第２のデータ収集期間で撮影した第２の学習画像との組を用いて第１のモデルを学習することで生成される第１の学習済みモデルと、
   前記動きのある対象物を前記第１のデータ収集期間で撮影した第３の学習画像に前記第１の学習済みモデルを適用して生成された中間画像と、前記動きのある対象物を前記第２のデータ収集期間で撮影した第４の学習画像との組を用いて第２のモデルを学習することで生成される第２の学習済みモデルと、を含み、
   前記生成部は、前記第２の学習済みモデルを用いて、前記入力画像から前記補正画像を生成する、請求項１に記載の医用画像処理装置。
7. 前記学習済みモデルは、動きのない対象物を第１のデータ収集期間で撮影した第１の学習画像と、前記動きのない対象物を前記第１のデータ収集期間よりも短い第２のデータ収集期間で撮影した第２の学習画像との組を用いて第１のモデルを学習することで生成される第１の学習済みモデルと、
   前記動きのある対象物を前記第１のデータ収集期間で撮影した第３の学習画像と、前記動きのある対象物を前記第２のデータ収集期間で撮影した第４の学習画像との組を用いて第２のモデルを学習することで生成される第２の学習済みモデルと、を含み、
   前記生成部は、前記第１の学習済みモデルと前記第２の学習済みモデルとをそれぞれ用いて、前記入力画像から前記補正画像を生成する、請求項１に記載の医用画像処理装置。
8. Ｘ線管と、
   前記Ｘ線管から照射されて対象物を透過したＸ線を検出する検出器と、
   前記検出器からの出力に基づいて対象物に関する入力画像を再構成する再構成部と、
   異なるデータ収集期間で動きのある対象物を撮影した画像を用いて学習した学習済みモデルを用いて、前記入力画像から前記対象物の動きに起因する画像への影響を低減した補正画像を生成する生成部と、
   を具備するＸ線ＣＴ装置。
9. 対象物を第１のデータ収集期間撮影することにより得られる第１のデータを取得し、
   前記第１のデータ収集期間よりも短い第２のデータ収集期間に対応する第２のデータについて、画像再構成の中心となる中心位相を変えながら、各時相の第２のデータを抽出し、
   前記時相ごとに、中心位相が同一となる前記第１のデータに基づく再構成画像と前記第２のデータに基づく再構成画像との組を学習用データとして生成する、学習用データの生成方法。