JP2021029402A - Ｘ線撮影装置、医用情報処理装置、ｘ線検出器及びｘ線検出器の補正方法 - Google Patents

Abstract

【課題】過渡応答に起因するＸ線検出器出力の劣化を低減すること。
【解決手段】実施形態に係るＸ線撮影装置は、Ｘ線管と、Ｘ線検出器と、取得部と、処理部とを含む。Ｘ線管は、Ｘ線を発生する。Ｘ線検出器は、前記Ｘ線管から発生され被検体を透過したＸ線を検出する。取得部は、前記Ｘ線検出器の過渡応答による劣化成分を含む、補正対象のデータを取得する。処理部は、過渡応答による劣化成分を含むデータの入力に基づいて過渡応答による劣化成分が低減されたデータを出力するモデルと、前記取得された補正対象のデータとに基づいて、前記Ｘ線検出器の過渡応答による劣化成分が低減された補正済のデータを出力する。
【選択図】 図１

Description

本発明の実施形態は、Ｘ線撮影装置、医用情報処理装置、Ｘ線検出器及びＸ線検出器の補正方法に関する。

フォトンカウンティング型（Photon Counting）検出器などのＸ線検出器の半導体材料として、テルル化カドミウム（Cadmium Telluride：ＣｄＴｅ）やテルル化亜鉛カドミウム（Cadmium Zinc Telluride：ＣｄＺｎＴｅ，ＣＺＴ）等の化合物半導体が用いられる場合がある。これらの化合物半導体を用いたＸ線検出器には、入射Ｘ線の変動に対する応答の不安定性があることが知られている。つまり、これらのＸ線検出器の出力には、オーバーシュートやアンダーシュート等の過渡応答に起因する劣化成分が含まれる場合がある。このような劣化成分を含む検出器出力から画像再構成する場合、再構成画像のＣＴ値が正確な値から変動するという問題がある。

米国特許出願公開第２０１８／０１８０７６５号明細書 米国特許第４３６８５３６号明細書 米国特許第８４５０６９３号明細書

発明が解決しようとする課題は、過渡応答に起因するＸ線検出器出力の劣化を低減することである。

実施形態に係るＸ線撮影装置は、Ｘ線管と、Ｘ線検出器と、取得部と、処理部とを含む。Ｘ線管は、Ｘ線を発生する。Ｘ線検出器は、前記Ｘ線管から発生され被検体を透過したＸ線を検出する。取得部は、前記Ｘ線検出器の過渡応答による劣化成分を含む、補正対象のデータを取得する。処理部は、過渡応答による劣化成分を含むデータの入力に基づいて過渡応答による劣化成分が低減されたデータを出力するモデルと、前記取得された補正対象のデータとに基づいて、前記Ｘ線検出器の過渡応答による劣化成分が低減された補正済のデータを出力する。

図１は、実施形態に係るＸ線コンピュータ断層撮影装置の構成の一例を示す図である。 図２は、図１のＸ線検出器の有する過渡応答特性の一例について説明するための図である。 図３は、実施形態に係る機械学習モデルの一例について説明するための図である。 図４は、図３の機械学習モデルのための学習用データセット生成の流れの一例を示すフローチャートである。 図５は、図３の機械学習モデルを用いる過渡応答補正の流れの一例を示すフローチャートである。 図６は、第４の変形例に係る機械学習モデルの一例について説明するための図である。 図７は、第９の変形例に係る図３の機械学習モデルのための学習用データセットを生成する流れの一例を示すフローチャートである。 図８は、第９の変形例に係る図３の機械学習モデルを用いる過渡応答補正の流れの一例を示すフローチャートである。 図９は、第１０の変形例に係る図３の機械学習モデルを用いる過渡応答補正の流れの一例を示すフローチャートである。 図１０は、第１１の変形例に係る機械学習モデルの学習単位の一例について説明するための図である。

以下、図面を参照しながら実施形態に係るＸ線撮影装置、医用情報処理装置、Ｘ線検出器及びＸ線検出器の補正方法を説明する。なお、以下の説明において、既出の図に関して前述したものと同一又は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。また、同じ部分を表す場合であっても、図面により互いの寸法や比率が異なって表されている場合もある。

本実施形態では、Ｘ線撮影装置の一例としてフォトンカウンティングＣＴ（ＰＣＣＴ）を実行可能なＸ線コンピュータ断層撮影装置を説明する。なお、本実施形態に係る技術は、Ｘ線コンピュータ断層撮影装置に限らず、ＳＰＥＣＴやＸ線診断装置にも適用可能である。

Ｘ線コンピュータ断層撮影装置（ＣＴ装置）には、第３世代ＣＴ、第４世代ＣＴ等様々なタイプがあり、いずれのタイプでも本実施形態へ適用可能である。ここで、第３世代ＣＴは、Ｘ線管と検出器とが一体として被検体の周囲を回転するRotate/Rotate-Typeである。第４世代ＣＴは、リング状にアレイされた多数のＸ線検出素子が固定され、Ｘ線管のみが被検体の周囲を回転するStationary/Rotate-Typeである。

図１は、本実施形態に係るＸ線コンピュータ断層撮影装置１の構成の一例を示す図である。Ｘ線コンピュータ断層撮影装置１は、Ｘ線管１１から被検体Ｐに対してＸ線を照射し、照射されたＸ線をＸ線検出器１２で検出する。Ｘ線コンピュータ断層撮影装置１は、Ｘ線検出器１２からの出力に基づいて被検体Ｐに関するＣＴ画像を生成する。

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。なお、図１では説明の都合上、架台１０が複数描画されている。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ＣＴ検査室に設置され、コンソール４０はＣＴ検査室に隣接する制御室に設置される。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。なお、コンソール４０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４０は、架台１０及び寝台３０とともに同一の部屋に設置されてもよい。また、コンソール４０が架台１０に組み込まれてもよい。

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（Data Acquisition System：ＤＡＳ）１８を有する。

Ｘ線管１１は、Ｘ線を被検体Ｐに照射する。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する。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線高電圧装置１４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）に向けて熱電子が飛翔し、熱電子が陽極に衝突することによりＸ線が発生される。例えば、Ｘ線管１１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。

なお、Ｘ線を発生させるハードウェアはＸ線管１１に限られない。例えば、Ｘ線管１１に代えて、第５世代方式を用いてＸ線を発生させることにしても構わない。第５世代方式は、電子銃から発生した電子ビームを集束させるフォーカスコイルと、電磁偏向させる偏向コイルと、被検体Ｐの半周を囲い偏向した電子ビームが衝突することによってＸ線を発生させるターゲットリングとを含む。

Ｘ線検出器１２は、Ｘ線管１１から発生され被検体Ｐを透過したＸ線フォトンを検出する。Ｘ線検出器１２は、２次元状に配列された複数のＸ線検出素子（画素）を搭載する。Ｘ線検出器１２は、典型的には、直接検出型の半導体検出器により実現される。各Ｘ線検出素子は、Ｘ線管１１からのＸ線フォトンを検出し、検出されたＸ線フォトンのエネルギーに応じた電気パルス（電気信号，検出信号）を生成する。具体的には、Ｘ線検出素子は、半導体の両端に電極が取り付けられてなる半導体ダイオードにより構成される。半導体に入射したＸ線フォトンは、電子・正孔対に変換される。１つのＸ線フォトンの入射により生成される電子・正孔対の数は、入射Ｘ線フォトンのエネルギーに依存する。電子と正孔とは、半導体の両端に形成された一対の電極に互いに引き寄せられる。一対の電極は、電子・正孔対の電荷に応じた波高値を有する電気パルスを発生する。一個の電気パルスは、入射Ｘ線フォトンのエネルギーに応じた波高値を有する。本実施形態に係る半導体材料としては、Ｘ線フォトンを効率良く正孔・電子対に変換可能な比較的原子番号が大きい物質が用いられるとよい。フォトンカウンティングＣＴに好適な半導体材料としては、例えば、テルル化カドミウム（Cadmium Telluride：ＣｄＴｅ）やテルル化亜鉛カドミウム（Cadmium Zinc Telluride：ＣｄＺｎＴｅ，ＣＺＴ）等の化合物半導体が知られている。なお、本実施形態に係るＸ線検出器１２としては直接検出型の半導体検出器に限定されず、間接検出型の検出器であっても良い。間接検出型のＸ線検出器１２としては、シンチレータと光センサとを組み合わせたタイプが適用可能である。

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軸）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とを回転軸回りに回転させる。回転フレーム１３は、制御装置１５の駆動機構からの動力を受けて回転軸回りに一定の角速度で回転する。回転フレーム１３の開口部１９には、画像視野（ＦＯＶ）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軸方向と定義する。

Ｘ線高電圧装置１４は、高電圧発生装置及びＸ線制御装置を有する。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が照射するＸ線に応じた出力電圧の制御を行う。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。

制御装置１５は、コンソール４０の処理回路４４のシステム制御機能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やデータ収集回路１８を制御する。制御装置１５は、Central Processing Unit（ＣＰＵ）あるいはMicro Processing Unit（ＭＰＵ）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機構とを有する。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Read Only Memory（ＲＯＭ）やRandom Access Memory（ＲＡＭ）等のメモリとを有する。制御装置１５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、各種の機能を実行する。

なお、各種の機能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。

また、制御装置１５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）により実現されてもよい。また、制御装置１５は、他の複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）又は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。

制御装置１５は、コンソール４０若しくは架台１０に取り付けられた、後述する入力インターフェース４３からの入力信号を受けて、架台１０及び寝台３０の動作制御を行う機能を有する。例えば、制御装置１５は、入力信号を受けて回転フレーム１３を回転させる制御や、架台１０をチルトさせる制御、及び寝台３０及び天板３３を動作させる制御を行う。なお、架台１０をチルトさせる制御は、架台１０に取り付けられた入力インターフェース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１５がＸ軸方向に平行な軸を中心に回転フレーム１３を回転させることによって実現される。

なお、制御装置１５は架台１０に設けられてもよいし、コンソール４０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）等のアルミニウム等の金属板が用いられる。

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線絞りと呼ばれる場合もある。

データ収集回路１８（計数回路）は、制御装置１５からの制御信号に従って、Ｘ線検出器１２により検出されたＸ線のカウント数を表現する計数データを複数のエネルギー帯域について収集する。データ収集回路１８による計数方式としては、サイノグラムモード方式とリストモード方式が知られている。サイノグラムモード方式においてデータ収集回路１８は、Ｘ線検出器１２からの電気パルス（検出信号）を波高弁別し、予め設定された複数のエネルギー帯域の各々について電気パルス数をＸ線フォトン数とみなしてＸ線検出素子毎に個別に計数する。リストモード方式においてデータ収集回路１８は、Ｘ線検出器１２からの電気パルスを波高弁別し、電気パルスの波高値をＸ線フォトンのエネルギー値とみなして検出時刻に関連付けて記録する。そしてデータ収集回路１８は、当該記録を参照して、予め定められた複数のエネルギー帯域にＸ線フォトンを分類し、当該複数のエネルギー帯域の各々についてＸ線フォトン数をビュー毎に計数する。

以下、データ収集回路１８により計数されたＸ線フォトン数をカウント数と呼ぶことにする。また、カウント数を表現するデジタルデータを計数データ（投影データ）と呼ぶことにする。なおリストモード方式の場合、データ収集回路１８は、架台１０に設けられるとしたが、コンソール４０に設けられてもよい。データ収集回路１８は、例えば、投影データを生成可能な回路素子を搭載したＡＳＩＣにより実現される。投影データは、非接触データ伝送装置等を介してコンソール４０に伝送される。

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軸方向）に移動可能に支持する筐体である。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を回転軸（Ｚ軸）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である。

寝台駆動装置３４は、寝台３０の筐体内に収容される。寝台駆動装置３４は、被検体Ｐが載置された支持フレーム３２と天板３３と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。

コンソール４０は、メモリ４１、ディスプレイ４２、入力インターフェース４３及び処理回路４４を有する。メモリ４１とディスプレイ４２と入力インターフェース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とは別体として説明するが、架台１０にコンソール４０又はコンソール４０の各構成要素の一部が含まれてもよい。

メモリ４１は、種々の情報を記憶するHard Disk Drive（ＨＤＤ）やSolid State Drive（ＳＳＤ）、集積回路記憶装置等の記憶装置である。メモリ４１は、ＨＤＤやＳＳＤ等以外にも、Compact Disc（ＣＤ）、Digital Versatile Disc（ＤＶＤ）、Blu-ray（登録商標） Disc（ＢＤ）、フラッシュメモリ等の可搬性記憶媒体であってもよい。メモリ４１は、フラッシュメモリ、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、投影データや再構成画像データを記憶する。また、メモリ４１は、例えば、機械学習モデル（学習用モデル）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。ディスプレイ４２としては、種々の任意のディスプレイが、適宜、使用可能となっている。例えばディスプレイ４２として、液晶ディスプレイ（Liquid Crystal Display：ＬＣＤ）、Cathode Ray Tube（ＣＲＴ）ディスプレイ、有機ＥＬディスプレイ（Organic Electro Luminescence Display：ＯＥＬＤ）又はプラズマディスプレイが使用可能である。

なお、ディスプレイ４２は、制御室の如何なる場所に設けられてもよい。また、ディスプレイ４２は、架台１０に設けられてもよい。また、ディスプレイ４２は、デスクトップ型でもよいし、コンソール４０の本体と無線通信可能なタブレット端末等で構成されることにしても構わない。また、ディスプレイ４２として、１又は２以上のプロジェクタが用いられてもよい。

入力インターフェース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。例えば、入力インターフェース４３は、投影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。入力インターフェース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、使用可能となっている。

なお、本実施形態において、入力インターフェース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ーフェース４３の例に含まれる。また、入力インターフェース４３は、架台１０に設けられてもよい。また、入力インターフェース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で構成されることにしても構わない。

処理回路４４は、入力インターフェース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全体の動作を制御する。処理回路４４は、ハードウェア資源として、例えば、ＣＰＵやＭＰＵ、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プロセッサにより、システム制御機能４４１、前処理機能４４２、再構成処理機能４４３、画像処理機能４４４、表示制御機能４４５、モデル生成機能４４６、過渡応答補正機能４４７等を実行する。例えば、本実施形態に係る処理回路４４は、モデル生成プログラムにより、モデル生成機能４４６を実行する。例えば、本実施形態に係る処理回路４４は、過渡応答補正プログラムにより、過渡応答補正機能４４７を実行する。

なお、処理回路４４は、ＡＳＩＣやＦＰＧＡ、ＣＰＬＤ、ＳＰＬＤにより実現されてもよい。

なお、各機能４４１〜４４７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４４１〜４４７を実現するものとしても構わない。

システム制御機能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とデータ収集回路１８とを制御する。処理回路４４は、データ収集回路１８から出力された投影データ（計数データ）を取得する。

前処理機能４４２において処理回路４４は、データ収集回路１８から出力された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、チャネル間のゲイン補正処理、パイルアップ補正処理、応答関数補正処理、ビームハードニング補正等の前処理を施す。

再構成処理機能４４３において処理回路４４は、前処理機能４４２による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、機械学習等を用いた再構成処理を行い、ＣＴ画像データを生成する。

ここで、フォトンカウンティングＣＴで得られる計数結果から生成された投影データには、被検体Ｐを透過することで減弱されたＸ線のエネルギーの情報が含まれている。このため、処理回路４４は、全てのビンの情報を画素毎に加算することにより全エネルギー成分のＣＴ画像データを生成してもよいし、特定のエネルギー成分のＣＴ画像データを生成してもよいし、複数のエネルギー成分それぞれのＣＴ画像データを生成してもよい。

また、処理回路４４は、例えば、各エネルギー成分のＣＴ画像データの各画素にエネルギー成分に応じた色調を割り当て、エネルギー成分に応じて色分けされた複数のＣＴ画像データを重畳した画像データを生成することができる。また、処理回路４４は、例えば、物質固有のＫ吸収端を利用して、当該物質の同定が可能となる画像データを生成することができる。処理回路４４が生成する他の画像データとしては、単色Ｘ線画像データや密度画像データ、実効原子番号画像データ等が挙げられる。

また、物質ごとにＸ線の吸収特性が異なることを利用して、被検体Ｐに含まれる物質の種別、存在量、密度等を弁別（物質弁別）する技術がある。例えば、処理回路４４は、投影データに対する物質弁別により得られた物質弁別情報を用いて物質弁別画像を再構成することができる。

画像処理機能４４４において処理回路４４は、再構成処理機能４４３によって生成されたＣＴ画像データを、任意断面の断面画像データや任意視点方向のレンダリング画像データに変換する。変換は、入力インターフェース４３を介して操作者から受け付けた入力操作に基づいて行われる。例えば、処理回路４４は、当該ＣＴ画像データにボリュームレンダリングや、サーフェスレンダリング、画像値投影処理、Multi-Planar Reconstruction（ＭＰＲ）処理、Curved MPR（ＣＰＲ）処理等の３次元画像処理を施して、任意視点方向のレンダリング画像データを生成する。なお、任意視点方向のレンダリング画像データの生成は再構成処理機能４４３が直接行っても構わない。

表示制御機能４４５において処理回路４４は、画像処理機能４４４により生成された各種画像データに基づいて、画像をディスプレイ４２に表示させる。ディスプレイ４２に表示させる画像は、ＣＴ画像データに基づくＣＴ画像、任意断面の断面画像データに基づく断面画像、任意視点方向のレンダリング画像データに基づく任意視点方向のレンダリング画像等を含む。ディスプレイ４２に表示させる画像は、操作画面を表示するための画像を含む。

モデル生成機能４４６において処理回路４４は、Ｘ線検出素子の過渡応答の影響を含む一連の時系列データ、すなわちＸ線検出器１２の過渡応答による劣化成分を含む一連の時系列データを取得する。処理回路４４は、取得された一連の時系列データに基づいて、Ｘ線検出器１２の過渡応答の発生期間を含む期間（第１の期間）に関するデータと、第１の期間の後のＸ線検出器１２の過渡応答が収束した期間（第２の期間）に関するデータとを生成する。つまり、第１の期間に関するデータは、Ｘ線検出器１２の過渡応答による劣化成分を含むデータである。また、第２の期間に関するデータは、Ｘ線検出器１２の過渡応答による劣化成分を含まないデータ又はＸ線検出器１２の過渡応答による劣化成分が十分に小さいデータである。処理回路４４は、第１の期間に関するデータ（入力側の学習用データ）と、第２の期間に関するデータ（出力側の学習用データ）とを対応付けることにより、機械学習モデル（学習用モデル）のための学習用データセットを生成する。また、処理回路４４は、生成された学習用データセットを用いて機械学習モデルを学習及び／又は強化学習する。モデル生成機能４４６を実現する処理回路４４は、取得部、生成部及び処理部の一例である。

なお、学習用データセットの生成や機械学習モデルの学習及び／又は強化学習は、Ｘ線コンピュータ断層撮影装置１の外部に設けられたワークステーション等、処理回路４４の外部で行われてもよい。この場合、学習済みの機械学習モデルがメモリ４１に記憶されていればよい。

過渡応答補正機能４４７において処理回路４４は、補正対象のデータ（入力データ）を取得する。ここで、補正対象のデータは、Ｘ線検出素子の過渡応答の影響を含むデータ、すなわちＸ線検出器１２の過渡応答による劣化成分を含むデータである。処理回路４４は、学習済みの機械学習モデルと、取得された補正対象のデータとに基づいて、当該過渡応答による劣化成分が低減された補正済のデータ（出力データ）を生成する。過渡応答補正機能４４７を実現する処理回路４４は、取得部及び処理部の一例である。

なお、コンソール４０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。例えば、前処理機能４４２や再構成処理機能４４３、モデル生成機能４４６、過渡応答補正機能４４７等の処理回路４４の機能を分散して有しても構わない。

なお、処理回路４４は、コンソール４０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検出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、後処理は、コンソール４０又は外部のワークステーションのどちらで実施することにしても構わない。また、コンソール４０とワークステーションの両方で同時に処理することにしても構わない。

なお、本実施形態に係る技術は、一管球型のＸ線コンピュータ断層撮影装置にも、Ｘ線管と検出器との複数のペアを回転リングに搭載した、いわゆる多管球型のＸ線コンピュータ断層撮影装置にも適用可能である。

なお、本実施形態に係る技術は、デュアルエネルギー方式で撮影できるように構成されたＸ線コンピュータ断層撮影装置１にも適用可能である。このとき、Ｘ線高電圧装置１４は、例えば２種の電圧値の高速スイッチングにより、Ｘ線管１１から射出されるＸ線のエネルギースペクトルを交互に切り替えることができる。つまり、Ｘ線コンピュータ断層撮影装置１は、管電圧変調の制御信号に従うタイミングで管電圧を変調しながら各収集ビューで投影データを収集できるように構成されている。被検体を異なる管電圧で撮影することにより、Ｘ線のエネルギースペクトルごとの物質のエネルギー透過性に基づいて、ＣＴ画像における濃淡のコントラストを向上させることができる。

図２は、図１のＸ線検出器１２の有する過渡応答特性について説明するための図である。図２に示すグラフにおいて、横軸は時間であり、縦軸はカウント値であるとする。Ｘ線検出器１２には、複数のＸ線検出素子（画素）が設けられている。全てのＸ線検出素子に関して、図２に実線で示すように、ステップ状のＸ線入力に対してステップ状の出力が得られることが好ましい。しかしながら、ＣｄＴｅやＣＺＴ等の化合物半導体を用いたＸ線検出器の出力には、過渡応答による劣化成分が含まれる場合がある。例えば、低品質のＸ線検出素子は、図２に破線で示すように、ステップ状のＸ線入力に対してオーバーシュート状の過渡応答を示す場合がある。同様に、低品質のＸ線検出素子は、図２に一点鎖線で示すように、ステップ状のＸ線入力に対してアンダーシュート状の過渡応答を示す場合がある。

過渡応答による劣化成分が含まれるＸ線検出器１２の出力に基づいて画像再構成が行われるとき、再構成画像におけるＣＴ値が正確に算出されていない可能性がある。例えば、０となるべき水のＣＴ値が１０等の不正確な値になる可能性がある。例えば、骨に関して言えば、本来のＣＴ値から小さい値に逸れた場合、再構成画像において、骨が実際より軽い骨に見える可能性がある。例えば、造影剤に関して言えば、本来のＣＴ値から小さい値に逸れた場合、再構成画像において、造影剤の濃度が薄く見える可能性がある。このような中、過渡応答が十分に小さい高品質のＸ線検出素子からなるＸ線検出器１２は、例えば製造コストの観点から実現が困難である。また、過渡応答による劣化成分が含まれるデータを使用しないことや過渡応答が収束した後のスキャンデータをさらに得るためにスキャン時間を延長することは、患者への被曝の観点から困難である。

さらに、複数のＸ線検出素子の各々は、固有の過渡応答特性を有する。また、過渡応答特性は、例えば撮影条件や撮影対象に応じて異なる。このため、複数のＸ線検出素子の各々に関して、様々な撮影条件や撮影対象ごとに補正関数モデルを作成することは困難である。

そこで、本実施形態に係るＸ線コンピュータ断層撮影装置１は、機械学習モデルを用いて、取得された過渡応答による劣化成分を含むデータを補正する。当該機械学習モデルは、過渡応答による劣化成分を含むデータ（入力データ）を入力とし、過渡応答による劣化成分が低減された補正済のデータ（出力データ，生成物）を出力するようにパラメータが学習されたパラメータ付きの合成関数である。パラメータ付きの合成関数は、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。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、例えば深層ニューラルネットワーク（ＤＮＮ：Deep Neural Network）、深層畳み込みニューラルネットワーク（ＤＣＮＮ：Deep Convolutional Neural Network）等のパラメータ付き合成関数である。機械学習モデルは、例えばメモリ４１に記録されている。

ここで、本実施形態に係るＸ線コンピュータ断層撮影装置１の動作について、図面を参照して詳細に説明する。

図３は、本実施形態に係る機械学習モデルについて説明するための図である。図３に示す例では、学習及び／又は強化学習時と、運用時との各々において機械学習モデルに入出力される情報が示されている。図４は、図３の機械学習モデルのための学習用データセットを生成する流れの一例を示すフローチャートである。

なお、本実施形態では、１つの投影データセットから生成される１組の学習用データ（入力側及び出力側の学習用データ）は、１組の再構成画像であるとする。このとき、過渡応答による劣化成分は、例えば再構成画像に含まれるノイズ等である。

なお、ＣｄＴｅやＣＺＴ等の化合物半導体を用いたＸ線検出器１２は、例えばＸ線の検出開始（入射開始）から２００ｍｓ程度までの間など、Ｘ線の検出開始からの短時間の期間に過渡応答を示す。Ｘ線の入射開始タイミングは、例えばメカシャッタが開くタイミングである。このことから、本実施形態では、Ｘ線検出開始から所定の時間（過渡応答の発生期間）が経過するまで（例えば１回転目）のＸ線検出素子の出力には過渡応答の影響（劣化成分）が含まれるとし、所定の時間（過渡応答の発生期間）が経過した後（例えば２回転目）のＸ線検出素子の出力には当該過渡応答の影響が含まれないとする。換言すれば、本実施形態では、１回転目の投影データに基づいて生成された再構成画像は、Ｘ線検出器１２の過渡応答による劣化成分が含まれるデータであり、２回転目の投影データに基づいて生成された再構成画像は、Ｘ線検出器１２の過渡応答による劣化成分が含まれないデータであるとする。

なお、本実施形態では、説明の簡単のために、Ｘ線コンピュータ断層撮影装置１の処理回路４４により学習用データセットが生成されるとする。

ステップＳ１１において、システム制御機能４４１を実現する処理回路４４は、例えばメモリ４１又は外部のデータベースから複数組の投影データセットを取得する。取得される各組の投影データセットは、所定期間（例えば、１回転）に含まれる複数ビューに関する時系列の投影データの集合（一連の時系列データ）である。

各投影データセット（典型的には、１回転目）は、過渡応答の発生期間において収集された投影データである劣化成分と、過渡応答の発生期間以降に収集された投影データである正常成分とを含む。

各投影データセット（典型的には、２回転目）は、過渡応答の発生期間において収集された投影データである劣化成分は含まず、過渡応答の発生期間以降に収集された投影データである正常成分を含む。

以下、各投影データセットは、１回転目に収集された投影データセットと、２回転目に収集された投影データセットとを含むとする。

ステップＳ１２において、再構成処理機能４４３を実現する処理回路４４は、１回転目に収集された投影データセットに基づいて１回転目の再構成画像を生成する。ここで、１回転目の再構成画像は、過渡応答による劣化成分を含む再構成画像である。

ステップＳ１３において、再構成処理機能４４３を実現する処理回路４４は、２回転目に収集された投影データセットに基づいて２回転目の再構成画像を生成する。

ステップＳ１４において、モデル生成機能４４６を実現する処理回路４４は、ステップＳ１１で取得された全投影データセットの各々に関して、ステップＳ１２及びステップＳ１３で再構成画像を生成したか否かを判定する。全投影データセットに関してステップＳ１２及びステップＳ１３の流れが実施された後、ステップＳ１４へ進む。

ステップＳ１５において、モデル生成機能４４６を実現する処理回路４４は、１回転目の再構成画像及び２回転目の再構成画像を、それぞれ入力側の学習用データ及び出力側の学習用データとして投影データセットごとに対応付けることにより、学習用データセットを生成する。

なお、図４の処理の流れは一例に過ぎない。例えば、ステップＳ１２とステップＳ１３との順番やステップＳ１４とステップＳ１５との順番が逆でもよい。

機械学習モデルは、図３に示すように、生成された学習用データセットを用いて学習及び／又は強化学習される。機械学習モデルの学習は、撮影対象（部位）及び／又は撮影条件ごとに実施されるとする。

図５は、図３の機械学習モデルを用いる、過渡応答を含む出力を補正する補正処理の流れの一例を示すフローチャートである。

ステップＳ２１において、システム制御機能４４１を実現する処理回路４４は、ＣＴスキャンを実施する。処理回路４４は、データ収集回路１８から出力された投影データセットを取得する。

ステップＳ２２において、再構成処理機能４４３を実現する処理回路４４は、１回転目に収集された投影データセットに基づいて１回転目の再構成画像を生成する。

ステップＳ２３において、過渡応答補正機能４４７を実現する処理回路４４は、１回転目の再構成画像（補正対象のデータ）を取得する。

ステップＳ２４において、過渡応答補正機能４４７を実現する処理回路４４は、学習済みの機械学習モデルと、ステップＳ２３で取得された１回転目の再構成画像とに基づいて、Ｘ線検出器の過渡応答による劣化成分が低減された再構成画像（補正済のデータ）を出力する。

以上説明したように、本実施形態に係る技術によれば、過渡応答を示すＸ線検出素子を用いた場合であっても、過渡応答に起因するＸ線検出器出力の劣化を低減することができる。また、１組の学習用データは、１つの投影データセットから生成される。このため、学習用データセットを生成する際に、入力側の学習用データと、出力側の学習用データとの間における画素間の対応を考慮する必要がないという効果がある。

［変形例］
以下、図面を参照しながら各変形例に係るＸ線撮影装置、医用情報処理装置、Ｘ線検出器及びＸ線検出器の補正方法を説明する。ここでは、主に実施形態との相違点について説明する。なお、以下の説明において、既出の構成要素と同一又は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。

（第１の変形例）
過渡応答による劣化成分を含むデータの入力に基づいて過渡応答による劣化成分が低減されたデータを出力するモデルとして、機械学習モデルに代えて、ルックアップテーブル（ＬＵＴ）が用いられてもよい。この構成であっても、上述の実施形態と同様の効果が得られる。

（第２の変形例）
過渡応答による劣化成分を含むデータの入力に基づいて過渡応答による劣化成分が低減されたデータを出力するモデルとして、線形回帰や非線形回帰分析など、パラメータフィッティングにより生成されたモデルが用いられてもよい。この構成であっても、上述の実施形態と同様の効果が得られる。

（第３の変形例）
１組の学習用データ（入力側及び出力側の学習用データ）や入力データは、再構成画像に限らず、Ｘ線検出器１２から出力される検出信号や当該検出信号に基づいて生成されたスキャノデータであってもよい。ここでは、学習用データや入力データとして検出信号が用いられる場合を例として説明する。

モデル生成機能４４６を実現する処理回路４４は、データ収集回路１８から計数前のＸ線検出器１２からの検出信号の時系列データ（一連の時系列データ）を取得する。処理回路４４は、取得された検出信号の時系列データごとに１組の学習用データを生成する。過渡応答補正機能４４７を実現する処理回路４４は、データ収集回路１８から計数前のＸ線検出器１２からＸ線検出器１２の過渡応答により劣化成分を含む検出信号の時系列データ（補正対象のデータ）を取得し、機械学習モデルを用いて補正する。データ収集回路１８又は処理回路４４による計数機能は、過渡応答補正機能４４７により補正された検出信号の時系列データに基づいて、計数データ（投影データ）を生成する。

典型的には、入力側の学習用データ及び入力データは、１回転目に得られた検出信号であり、出力側の学習用データは、２回転目に得られた検出信号である。ここで、１回転目に得られた検出信号は、過渡応答の発生期間において収集された検出信号である劣化成分と、過渡応答の発生期間以降に収集された検出信号である正常成分とを含む、Ｘ線検出素子の過渡応答の影響を含むデータである。２回転目に得られた検出信号は、過渡応答の発生期間において収集された検出信号である劣化成分は含まず、過渡応答の発生期間以降に収集された検出信号である正常成分を含む。

この構成であっても、上述の実施形態と同様の効果が得られる。

（第４の変形例）
１組の学習用データ（入力側及び出力側の学習用データ）や入力データは、サイノグラムデータ等、データ収集回路１８から出力される計数データ（投影データ）であってもよい。サイノグラムデータは、横軸がＸ線検出素子の位置、縦軸がビューに規定された、各Ｘ線検出素子の投影データの値を示すマップである。あるいは、注目しているＸ線検出素子の時系列の投影データの値がサイノグラムデータに含まれてもよい。

図６は、本変形例に係る機械学習モデルについて説明するための図である。図６に示す例において、各時系列データ（サイノグラムデータ）は、１回転目のカウント値の時系列データ（実線）と、２回転目のカウント値の時系列データ（破線）とを含む。また、（ａ），（ｂ），（ｃ）の各時系列データは、互いに異なる任意の画素ごとのカウント値の時系列データを示す。図６に示すように、入力側及び出力側の学習用データは、典型的には、それぞれ１回転目及び２回転目に得られたサイノグラムデータである。また、入力データは、典型的には、取得された１回転目のサイノグラムデータ（補正対象のデータ）である。

ここで、１回転目に得られたサイノグラムデータは、過渡応答の発生期間において収集された投影データである劣化成分と、過渡応答の発生期間以降に収集された投影データである正常成分とを含む、Ｘ線検出素子の過渡応答の影響を含むデータである。２回転目に得られたサイノグラムデータは、過渡応答の発生期間において収集された投影データである劣化成分は含まず、過渡応答の発生期間以降に収集された投影データである正常成分を含む。なお、計数データは、前処理機能４４２による前処理後のデータであってもよい。

具体的には、モデル生成機能４４６を実現する処理回路４４は、データ収集回路１８からのサイノグラムデータ（一連の時系列データ）を取得する。処理回路４４は、取得されたサイノグラムデータごとに１組の学習用データを生成する。過渡応答補正機能４４７を実現する処理回路４４は、データ収集回路１８又は前処理機能４４２からＸ線検出器１２の過渡応答により劣化成分を含むサイノグラムデータ（補正対象のデータ）を取得し、機械学習モデルを用いて補正する。再構成処理機能４４３において処理回路４４は、補正されたサイノグラムデータに基づいてＣＴ画像データを生成する。

この構成であっても、上述の実施形態と同様の効果が得られる。

（第５の変形例）
Ｘ線検出器の過渡応答による劣化成分を含むデータは、１回転目のデータである場合に限らず、例えばＸ線の入射開始（検出開始）から所定の経過時間に応じて決定されたデータであってもよい。所定の経過時間は、例えば２００ｍｓ程度である。このとき、入力側の学習用データ及び入力データ（補正対象のデータ）は、例えばＸ線の入射開始（検出開始）から検出開始後２００ｍｓまでに得られた投影データに基づいて生成された再構成画像である。同様に、出力側の学習用データは、例えばＸ線の検出開始から２００ｍｓ以降に得られた投影データに基づいて生成された再構成画像である。入力側の学習用データ、出力側の学習用データ及び入力データは、同一の回転角度及び角度範囲で得られた投影データに基づいて生成されるとする。

なお、所定の経過時間は、Ｘ線検出器１２に使用される半導体等の有する過渡応答特性（過渡応答発生期間）に応じて決定されればよい。

なお、Ｘ線検出器１２の過渡応答による劣化成分を含むデータとして、２回転目以降のデータが用いられる場合もあり得る。いずれのデータを用いるかは、例えば、Ｘ線検出器１２に使用される半導体等の有する過渡応答特性（過渡応答発生期間）や回転速度等に応じて決定されればよい。

なお、例えばＸ線をパルス状に発生させてスキャノデータを得る場合などには、Ｘ線検出器の過渡応答による劣化成分を含むデータは、回転数や時間に限らず、何パルス目であるかに応じて規定されてもよい。

この構成であっても、上述の実施形態と同様の効果が得られる。

（第６の変形例）
出力側の学習用データは、２回転目のデータに限らず、３回転目以降のデータであってもよい。この構成であっても、上述の実施形態と同様の効果が得られる。

（第７の変形例）
出力側の学習用データは、２回転目のデータに加えて、３回転目以降のデータをさらに含んでいてもよい。つまり、出力側の学習用データとして、２回転目以降の複数回の回転中に得られたデータに加算又は平均等の演算が施されたデータが用いられてもよい。この構成であっても、上述の実施形態と同様の効果が得られる。また、２回転目以降のデータが加算される場合には、ノイズ低減の効果がさらに得られる。

（第８の変形例）
入力側の学習用データ及び入力データは、１回転目のデータに加えて、さらに２回転目以降のデータを含んでいてもよい。説明の簡単のために、ＣＴスキャンにおいて、３回転だけ投影データが収集されたとする。また、過渡応答発生期間は、１回転目の期間内であるとする。このとき、入力側の学習用データ及び入力データは、１〜３回転目のデータの合算又は平均に基づいて生成される。一方で、出力側の学習用データは、１回転目を除く、２〜３回転目のデータの合算又は平均に基づいて生成される。この構成であっても、上述の実施形態と同様の効果が得られる。

（第９の変形例）
入力側の学習用データ、出力側の学習用データ及び入力データとしてそれぞれ何回転目のデータを用いるかの判断が行われてもよい。図７は、本変形例に係る図３の機械学習モデルのための学習用データセットを生成する流れの一例を示すフローチャートである。

ステップＳ３１において、システム制御機能４４１を実現する処理回路４４は、図４のステップＳ１１と同様にして、複数組の投影データセットを取得する。複数組の投影データセットの各々は、一連の時系列データの一例である。

ステップＳ３２において、再構成処理機能４４３を実現する処理回路４４は、図４のステップＳ１３と同様にして、２回転目に収集された投影データセットに基づいて２回転目の再構成画像（第２の再構成画像）を生成する。

ステップＳ３３において、表示制御機能４４５を実現する処理回路４４は、ディスプレイ４２にステップＳ３２で生成された第２の再構成画像を表示する。

ステップＳ３４において、モデル生成機能４４６を実現する処理回路４４は、例えばユーザの入力に応じた入力インターフェース４３の出力に基づいて、第２の再構成画像に過渡応答による劣化成分が含まれているか否かを判定する。例えば医師等のユーザは、表示された第２の再構成画像にアーチファクトがあるか否か等に応じて、第２の再構成画像に過渡応答による劣化成分が含まれているか否かの判断の結果を入力する。図７の流れは、第２の再構成画像に過渡応答による劣化成分が含まれていると判定された場合はステップＳ３５へ進み、判定されなかった場合はステップＳ３６へ進む。

ステップＳ３５において、再構成処理機能４４３を実現する処理回路４４は、Ｌ回転目（Ｌ≧３）以降に収集された投影データセットに基づいて、第２の再構成画像を生成する。その後、図７の流れはステップＳ３４へ進み、本ステップで生成された第２の再構成画像に関して過渡応答による劣化成分が含まれているか否かが判断される。

ステップＳ３６において、再構成処理機能４４３を実現する処理回路４４は、Ｍ回転目（Ｍ＜Ｌ）に収集された投影データセットに基づいて再構成画像（第１の再構成画像）を生成する。このとき、第１の再構成画像は、複数組の投影データセットの平均又は加算に基づいて生成されてもよい。

ステップＳ３７において、モデル生成機能４４６を実現する処理回路４４は、図４のステップＳ１４と同様にして、ステップＳ３２乃至ステップＳ３６の流れにより全投影データセットに関して再構成画像を生成したか否かを判定する。

ステップＳ３８において、モデル生成機能４４６を実現する処理回路４４は、図４のステップＳ１５と同様にして、第１の再構成画像（入力側の学習用データ）及び第２の再構成画像（出力側の学習用データ）を投影データセットごとに対応付けることにより学習用データセットを生成する。

なお、モデル生成機能４４６を実現する処理回路４４は、例えば、複数組の投影データセットの各々に関して、過渡応答による劣化成分を含む投影データがあるか否かをさらに判定してもよい。換言すれば、処理回路４４は、複数組の投影データセットの各々に関して、過渡応答発生期間に収集された投影データを含むか否かをさらに判定してもよい。なお、この判定は、再構成画像等に基づいて行われてもよい。投影データセットが過渡応答による劣化成分を含まないと判定されたときには、ステップＳ３８の流れは実施されない。

図８は、本変形例に係る図３の機械学習モデルを用いる過渡応答補正の流れの一例を示すフローチャートである。

ステップＳ４１において、システム制御機能４４１を実現する処理回路４４は、図５のステップＳ２１と同様にして、ＣＴスキャンを実施し、データ収集回路１８から出力された投影データセットを取得する。

ステップＳ４２乃至ステップＳ４６の流れは、それぞれ図７のステップＳ３２乃至ステップＳ３６の流れと同様である。

ステップＳ４７及びステップＳ４８の流れは、それぞれ図５のステップＳ２３及びステップＳ２４と同様である。

なお、過渡応答補正機能４４７を実現する処理回路４４は、例えば、ＣＴスキャンにより得られた投影データセットに関して、過渡応答による劣化成分を含む投影データがあるか否かをさらに判定してもよい。なお、この判定は、再構成画像等に基づいて行われてもよい。過渡応答による劣化成分を含む投影データがないと判定されたときには、ステップＳ４８の流れは実施されない。つまり、この構成によれば、過渡応答を含まない正常なデータが機械学習モデルに入力されないようにできる。

なお、本変形例では、表示された再構成画像に基づいて、ユーザが過渡応答による劣化成分の有無を判断する場合を例として説明したが、これに限らない。ユーザへの表示は、例えば、図６に示すように、１回転目及び２回転目の時系列データを比較可能なグラフ等の表示であってもよい。また、グラフ表示されるデータは、複数の期間に関する検出信号の時系列データ等であってもよい。

このような構成であれば、入力側の学習用データ、出力側の学習用データ及び入力データの各々をより適切に決定できる。つまり、本変形例に係る技術によれば、実施形態で得られる効果に加えて、より補正精度を向上できるという効果が得られる。

（第１０の変形例）
入力側の学習用データ、出力側の学習用データ及び入力データとしてそれぞれ何回転目のデータを用いるかの判断は、第９の変形例のようにユーザにより行われる場合に限らず、処理回路４４により行われてもよい。図９は、本変形例に係る図３の機械学習モデルを用いる過渡応答補正の流れの一例を示すフローチャートである。図９には、入力側の学習用データ、出力側の学習用データ及び入力データとして、第４の変形例と同様にサイノグラムデータが用いられる場合が例として示されている。なお、ここでは過渡応答補正の流れについて説明するが、学習用データセット生成の流れも同様にして実現可能である。

ステップＳ５１において、システム制御機能４４１を実現する処理回路４４は、図５のステップＳ２１や図８のステップＳ４１と同様にして、ＣＴスキャンを実施し、データ収集回路１８から出力された投影データセット（サイノグラムデータ）を取得する。

ステップＳ５２において、過渡応答補正機能４４７を実現する処理回路４４は、２回転目のサイノグラムデータと、３回転目のサイノグラムデータとの間に差があるか否かを判定する。差があると判定されたとき、処理回路４４は、３回転目と４回転目との比較、４回転目と５回転目との比較、のように、差がないと判定されるまで比較を繰り返す。なお、差がないと判定される場合には、所定の閾値より差が小さい場合が含まれる。

ステップＳ５３において、過渡応答補正機能４４７を実現する処理回路４４は、入力データ（補正対象のデータ）とするサイノグラムデータを取得する。具体的には、例えばステップＳ５２において３回転目と４回転目との間に差がないと判定されたとき、処理回路４４は、１回転目及び／又は２回転目のサイノグラムデータを補正対象のデータとして取得する。その後、ステップＳ５４において、処理回路４４は、図５のステップＳ２４や図８のステップＳ４８と同様にして、取得されたサイノグラムデータを補正する。

このような構成であっても、入力側の学習用データ、出力側の学習用データ及び入力データの各々をより適切に決定できる。つまり、本変形例に係る技術によれば、実施形態で得られる効果に加えて、より補正精度を向上できるという効果が得られる。

（第１１の変形例）
機械学習モデルの学習及び／又は強化学習は、撮影条件及び撮影対象ごとに行われる場合に限らず、複数の撮影条件及び複数の撮影対象ごとに行われてもよい。また、機械学習モデルの学習及び／又は強化学習は、エネルギービンごとに行われてもよい。また、機械学習モデルの学習及び／又は強化学習は、Ｘ線検出素子ごとに行われてもよいし、複数のＸ線検出素子のグループごとに行われてもよい。

図１０は、第１１の変形例に係る機械学習モデルの学習単位の一例について説明するための図である。例えば、Ｘ線検出器１２において、化合物半導体１２２の中央部に配置されたＸ線検出素子１２３（画素）と、周辺部に配置されたＸ線検出素子１２３とでは、過渡応答特性が異なる場合がある。このため、図１０に示すように、化合物半導体１２２の中央部に配置されたＸ線検出素子のグループＧ１１と、周辺部に配置されたＸ線検出素子のグループＧ１２とのそれぞれに関して、機械学習モデルの学習が行われてもよい。この場合、中心部と周辺部とは過渡応答特性が異なるため、中心部と周辺部とは、異なる出力側の学習用データが用いられてもよい。例えば、出力側の学習用データとして、入射Ｘ線量が低い中心部に関しては３回転目のデータが用いられ、入射Ｘ線量が高い周辺部に関しては２回転目のデータが用いられる。

機械学習モデルの学習は、複数のＸ線検出素子１２３のうち、コリメータ１２１の影響がないＸ線検出素子のグループＧ２１と、コリメータ１２１の陰になる等、コリメータ１２１の影響があるＸ線検出素子のグループＧ２２とのそれぞれに関して行われてもよい。

また、機械学習モデルの学習は、Ｘ線検出素子１２３の過渡応答特性ごとに行われてもよい。例えば、機械学習モデルは、オーバーシュートするＸ線検出素子のグループと、アンダーシュートするＸ線検出素子のグループとのそれぞれに関して学習されてもよい。このとき、過渡応答の程度に応じてさらにグループ分けされてもよい。

なお、機械学習モデルの学習として、転移学習が行われてもよい。例えば、機械学習モデルは、予め複数の装置のＸ線検出器１２に関するデータで学習された後に、実施形態及び各変形例のようにして個別にさらに学習されてもよい。

これらの構成であれば、実施形態で得られる効果に加えて、過渡応答補正の精度をさらに向上させることができるという効果が得られる。

（第１２の変形例）
入力側の学習用データ、出力側の学習用データ及び入力データとしては、１回転分のデータに限らず、半回転分等のデータが用いられてもよい。この場合、入力側の学習用データと、出力側の学習用データとが対応していればよく、学習用データと入力データとは、異なる角度範囲のデータであってもよい。この構成であっても、上述の実施形態と同様の効果が得られる。

（第１３の変形例）
入力側の学習用データ及び出力側の学習用データとしては、数値ファントムを用いる数値シミュレーション（数値解析）により得られたデータが用いられてもよい。数値シミュレーションにより得られたデータは、入力側及び出力側のいずれか一方の学習用データにだけ用いられてもよい。この場合、他方の学習用データは、同条件で実測して得られたデータが用いられればよい。また、入力側の学習用データと出力側の学習用データとは、他の患者やサンプル（撮影対象）に関して収集されたデータを用いて生成されてもよい。これらの構成であれば、上述の実施形態で得られる効果に加えて、容易に学習用データが収集できるという効果が得られる。

（第１４の変形例）
入力側の学習用データと出力側の学習用データとは、互いに異なる線量の条件で得られたデータであってもよい。例えば、出力側の学習用データとしては、ファントムを高線量で実測したものが用いられてもよい。この構成であれば、上述の実施形態で得られる効果に加えて、ノイズ低減の精度をさらに向上させることができるという効果が得られる。

（第１５の変形例）
機械学習モデルは、取得された補正対象のデータ（過渡応答による劣化成分を含むデータ）と、補正済のデータ（過渡応答による劣化成分が低減されたデータ）とが用いられて強化学習されてもよい。このとき、学習時又は以前の強化学習時に用いられた出力側の学習用データが用いられてもよい。この構成であれば、上述の実施形態で得られる効果に加えて、学習用データの収集や学習用データセットの生成をより容易に実現できるという効果がさらに得られる。

（第１５の変形例）
Ｘ線検出器１２は、機械学習モデルが記憶されたメモリ４１と、過渡応答補正機能を実現する処理回路４４とを備えていてもよい。つまり、Ｘ線検出器１２は、Ｘ線検出素子の過渡応答の影響が補正されたデータを出力するものであってもよい。このとき、処理回路４４は、モデル生成機能４４６をさらに実現可能に構成されていてもよい。また、機械学習モデルが記憶されたメモリ４１はＸ線検出器１２の外部に設けられていてもよい。これらの構成であっても、上述の実施形態と同様の効果が得られる。

以上説明した少なくとも１つの実施形態によれば、過渡応答に起因するＸ線検出器出力の劣化を低減することができる。

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、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（Programmable Logic Device：ＰＬＤ）等の回路を意味する。ＰＬＤは、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）、フィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ）を含む。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。プログラムが保存された記憶回路は、コンピュータ読取可能な非一時的記録媒体である。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よい。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。

なお、処理回路４４は、過渡応答による劣化成分を含むデータを入力して過渡応答による劣化成分が低減されたデータを出力するようにパラメータが学習された実施形態及び／又は各変形例に係る機械学習モデルと同様の機能を実現する回路構成を有していてもよい。当該回路構成は、例えば、ＡＳＩＣやＰＬＤ等の集積回路により実現される。

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）、
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…入力インターフェース、
４４…処理回路、
１２１…コリメータ、
１２２…化合物半導体、
１２３…Ｘ線検出素子、
４４１…システム制御機能、
４４２…前処理機能、
４４３…再構成処理機能、
４４４…画像処理機能、
４４５…表示制御機能、
４４６…モデル生成機能（取得部，生成部，処理部）、
４４７…過渡応答補正機能（取得部，処理部）、
Ｇ１１，Ｇ１２，Ｇ２１，Ｇ２２…Ｘ線検出素子のグループ。

Claims (20)

1. Ｘ線を発生するＸ線管と、
   前記Ｘ線管から発生され被検体を透過したＸ線を検出するＸ線検出器と、
   前記Ｘ線検出器の過渡応答による劣化成分を含む、補正対象のデータを取得する取得部と、
   過渡応答による劣化成分を含むデータの入力に基づいて過渡応答による劣化成分が低減されたデータを出力するモデルと、前記取得された補正対象のデータとに基づいて、前記Ｘ線検出器の過渡応答による劣化成分が低減された補正済のデータを出力する処理部と、
   を具備するＸ線撮影装置。
2. 前記過渡応答による劣化成分を含むデータは、前記過渡応答の発生期間を含む第１の期間に関するデータである、請求項１に記載のＸ線撮影装置。
3. 前記第１の期間は、前記Ｘ線検出器のＸ線検出素子に前記Ｘ線が入射したときから所定の時間が経過するまでの期間である、請求項２に記載のＸ線撮影装置。
4. 前記第１の期間は、１回転目の期間である、請求項２に記載のＸ線撮影装置。
5. 前記データは、前記Ｘ線検出器の出力に基づいて生成された再構成画像である、請求項１に記載のＸ線撮影装置。
6. 前記データは、前記Ｘ線検出器から出力された検出信号の時系列データである、請求項１に記載のＸ線撮影装置。
7. 前記データは、前記Ｘ線検出器の出力に基づいて生成されたサイノグラムデータである、請求項１に記載のＸ線撮影装置。
8. 前記データは、前記Ｘ線検出器の出力に基づいて生成されたスキャノデータである、請求項１に記載のＸ線撮影装置。
9. 前記モデルは、前記Ｘ線検出器の過渡応答の発生期間を含む第１の期間及び前記第１の期間の後の第２の期間に関するデータを、それぞれ入力側及び出力側の学習用データとして用いてパラメータが学習された機械学習モデルである、請求項１に記載のＸ線撮影装置。
10. 前記第１の期間及び前記第２の期間は、それぞれ、１回転目の期間及び２回転目以降の期間である、請求項９に記載のＸ線撮影装置。
11. 前記第２の期間に関するデータは、複数回の回転中に得られたデータの加算又は平均である、請求項９に記載のＸ線撮影装置。
12. 前記機械学習モデルは、エネルギービンごとに前記パラメータが学習される、請求項９に記載のＸ線撮影装置。
13. 前記Ｘ線検出器は、複数のＸ線検出素子を有し、
    前記機械学習モデルは、複数のＸ線検出素子を含むグループごとに前記パラメータが学習される、
    請求項９に記載のＸ線撮影装置。
14. 前記グループは、前記Ｘ線検出器の周辺部に設けられた複数のＸ線検出素子に関するグループと、前記Ｘ線検出器の中央部に設けられた複数のＸ線検出素子に関するグループとを含む、請求項１３に記載のＸ線撮影装置。
15. 前記グループは、前記複数のＸ線検出素子の各々の過渡応答特性に応じて設定される、請求項１３に記載のＸ線撮影装置。
16. 前記機械学習モデルは、複数の撮影条件及び複数の撮影対象ごとに前記パラメータが学習される、請求項９に記載のＸ線撮影装置。
17. 前記学習用データは、数値ファントムを用いて生成されたデータを含む、請求項９に記載のＸ線撮影装置。
18. Ｘ線検出器の過渡応答による劣化成分を含む一連の時系列データを取得する取得部と、
    前記一連の時系列データに基づいて、前記Ｘ線検出器の過渡応答の発生期間を含む第１の期間に関するデータと、前記第１の期間の後の第２の期間に関するデータとを生成する生成部と、
    前記第１の期間に関するデータと、前記第２の期間に関するデータとを、過渡応答による劣化成分を含むデータの入力に基づいて過渡応答による劣化成分が低減されたデータを出力する学習用モデルに使用するための学習用データとして出力する処理部と、
    を具備する医用情報処理装置。
19. Ｘ線管から発生され被検体を透過したＸ線を検出する複数のＸ線検出素子と、
    前記複数のＸ線検出素子の過渡応答による劣化成分を含む、補正対象のデータを取得する取得部と、
    過渡応答による劣化成分を含むデータの入力に基づいて過渡応答による劣化成分が低減されたデータを出力するモデルと、前記取得された補正対象のデータとに基づいて、前記複数のＸ線検出素子の過渡応答による劣化成分が低減された補正済のデータを出力する処理部と、
    を具備するＸ線検出器。
20. Ｘ線検出器の過渡応答による劣化成分を含む、補正対象のデータを取得し、
    過渡応答による劣化成分を含むデータの入力に基づいて過渡応答による劣化成分が低減されたデータを出力するモデルと、前記取得された補正対象のデータとに基づいて、前記Ｘ線検出器の過渡応答による劣化成分が低減された補正済のデータを出力する、
    ことを具備するＸ線検出器の補正方法。