JP2022138816A - 医用画像処理装置、ｘ線ｃｔ装置、医用画像処理方法及びプログラム - Google Patents

Abstract

【課題】医用画像診断の診断能を向上すること。
【解決手段】実施形態に係る医用画像処理装置は、取得部と、特定部とを備える。前記取得部は、第１の医用画像データを取得する。前記特定部は、学習済みモデルと、前記第１の医用画像データとに基づいて、前記第１の医用画像データにおける関心領域を特定する。前記学習済みモデルは、前記第１の医用画像データに対応する第２の医用画像データと、前記第１の医用画像データとは異なる種類であって前記第２の医用画像データと同一の被写体に関する第３の医用画像データとに基づいてトレーニングされる。前記第３の医用画像データの少なくとも一部は、前記第２の医用画像データよりも前記関心領域に対応する前記被写体の領域に関するイメージング感度が高い。
【選択図】図１

Description

本明細書及び図面に開示の実施形態は、医用画像処理装置、Ｘ線ＣＴ装置、医用画像処理方法及びプログラムに関する。

従来、Ｘ線コンピュータ断層撮影（ＣＴ：Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）装置を用いた医用画像診断においては、早期に検出して適切な治療を行うことを目的として、例えば超急性期脳梗塞を検出するために、Ｅａｒｌｙ ＣＴ ｓｉｇｎ（早期虚血サイン）が用いられる場合がある。一般に、Ｘ線ＣＴ装置によれば、ワークフローの観点から、ＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）装置に比して迅速な画像再構成が可能であるため、医用画像診断に要する時間が短い。

しかしながら、Ｅａｒｌｙ ＣＴ サインの検出には高い読影力が要求されるため、Ｅａｒｌｙ ＣＴ サインを用いた医用画像診断には、偽陰性が高いという問題があった。また、ＭＲＩ装置で得られる拡散強調画像（ＤＷＩ）に基づく医用画像診断においては、Ｘ線ＣＴ装置を用いた場合に比して超急性期脳梗塞の検出能が各段に高い一方で、医用画像診断に要する時間が長いという問題があった。

特開２０１９－０１０４１１号公報

本明細書等に開示の実施形態が解決しようとする課題の一つは、医用画像診断の診断能を向上することである。ただし、本明細書及び図面に開示の実施形態が解決しようとする課題は上記課題に限られない。後述する実施形態に示す各構成に対応する課題を他の課題として位置づけることもできる。

実施形態に係る医用画像処理装置は、取得部と、特定部とを備える。前記取得部は、第１の医用画像データを取得する。前記特定部は、学習済みモデルと、前記第１の医用画像データとに基づいて、前記第１の医用画像データにおける関心領域を特定する。前記学習済みモデルは、前記第１の医用画像データに対応する第２の医用画像データと、前記第１の医用画像データとは異なる種類であって前記第２の医用画像データと同一の被写体に関する第３の医用画像データとに基づいてトレーニングされる。前記第３の医用画像データの少なくとも一部は、前記第２の医用画像データよりも前記関心領域に対応する前記被写体の領域に関するイメージング感度が高い。

図１は、実施形態に係る医用画像処理装置が搭載されたＸ線コンピュータ断層撮影（ＣＴ：Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）装置の構成の一例を示す図である。 図２は、実施形態に係るモデルの生データベースの学習について説明するための図である。 図３は、実施形態に係るモデルによる生データベースの推論について説明するための図である。 図４は、実施形態に係る生データベースの学習処理の一例を示すフローチャートである。 図５は、実施形態に係る生データベースの推論処理の一例を示すフローチャートである。 図６は、実施形態に係るモデルの画像ベースの学習について説明するための図である。 図７は、実施形態に係るモデルによる画像ベースの推論について説明するための図である。 図８は、実施形態に係る画像ベースの学習処理の一例を示すフローチャートである。 図９は、実施形態に係る画像ベースの推論処理の一例を示すフローチャートである。 図１０は、実施形態に係る生データベースの処理と画像ベースの処理との組合せ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各実施形態に係る医用画像処理装置、Ｘ線ＣＴ装置、医用画像処理方法及びプログラムを説明する。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。また、例えば図面の視認性を確保する観点から、各図面の説明において主要又は代表的な構成要素だけに参照符号を付し、同一又は略同一の機能を有する構成要素であっても参照符号を付していない場合もある。

以下に説明する各実施形態では、各実施形態に係る医用画像処理装置がＸ線コンピュータ断層撮影（ＣＴ：Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）装置に搭載された場合を例示する。

なお、各実施形態に係る医用画像処理装置は、Ｘ線ＣＴ装置に搭載される場合に限らず、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等のプロセッサと、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）やＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）などのメモリとをハードウェア資源として有するコンピュータにより、独立した装置として実現されていてもよい。この場合、コンピュータに搭載されたプロセッサは、ＲＯＭ等から読み出してＲＡＭにロードしたプログラムを実行することにより、各実施形態に係る各種の機能を実現することができる。

また、各実施形態に係る医用画像処理装置は、Ｘ線ＣＴ装置の他の医用画像診断装置に搭載されて実現されても構わない。この場合、各医用画像診断装置に搭載されたプロセッサは、ＲＯＭ等から読み出してＲＡＭにロードしたプログラムを実行することにより、各実施形態に係る機能を実現することができる。各実施形態に係る各種の機能を実現することができる。他の医用画像診断装置としては、Ｘ線診断装置、ＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）装置、超音波診断装置、ＳＰＥＣＴ（Ｓｉｎｇｌｅ Ｐｈｏｔｏｎ Ｅｍｉｓｓｉｏｎ Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）装置、ＰＥＴ（Ｐｏｓｉｔｒｏｎ Ｅｍｉｓｓｉｏｎ ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）装置、ＳＰＥＣＴ装置とＸ線ＣＴ装置とが一体化されたＳＰＥＣＴ－ＣＴ装置、ＰＥＴ装置とＸ線ＣＴ装置とが一体化されたＰＥＴ－ＣＴ装置などの種々の医用画像診断装置があり得る。

例えばＸ線ＣＴ装置には、第３世代ＣＴ、第４世代ＣＴ等様々なタイプがあるが、いずれのタイプでも各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。

（第１の実施形態）
図１は、図１は、実施形態に係る医用画像処理装置が搭載されたＸ線ＣＴ装置１の構成の一例を示す図である。Ｘ線ＣＴ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ＣＴ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ＣＴ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又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。

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。

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、熱電子を発生する陰極（フィラメント）と、熱電子の衝突を受けてＸ線を発生する陽極（ターゲット）とを有する真空管である。Ｘ線管１１は、Ｘ線高電圧装置１４から供給される高電圧を用いて、陰極から陽極に向けて熱電子を照射することにより、被検体Ｐに対してＸ線を照射する。

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から照射され被検体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、例えば、Ｘ線管１１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Ｘ線検出素子列を有する。Ｘ線検出器１２は、例えば、チャネル方向に複数のＸ線検出素子がスライス方向（列方向，ｒｏｗ方向）に複数配列された構造を有する。また、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線入射面側の面に配置され、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次元コリメータ又は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、シンチレータからの光の光量に応じた電気信号に変換する機能を有する。光センサとしては、例えば、光電子増倍管（フォトマルチプアイヤー：ＰＭＴ）等が用いられる。なお、Ｘ線検出器１２は、入射したＸ線を電気信号に変換する半導体素子を有する直接変換型の検出器であっても構わない。ここで、Ｘ線検出器１２は、検出部の一例である。

回転フレーム１３は、Ｘ線管１１とＸ線検出器１２とを対向支持し、後述する制御装置１５によってＸ線管１１とＸ線検出器１２とを回転させる円環状のフレームである。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。例えば、回転フレーム１３は、アルミニウムを材料とした鋳物である。なお、回転フレーム１３は、Ｘ線管１１及びＸ線検出器１２に加えて、Ｘ線高電圧装置１４やウェッジ１６、コリメータ１７及びＤＡＳ１８等をさらに支持することもできる。また、回転フレーム１３は、図１において図示しない種々の構成をさらに支持することもできる。

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。なお、固定フレームは、回転フレーム１３を回転可能に支持するフレームである。

制御装置１５は、モータ及びアクチュエータ等の駆動機構と、この駆動機構を制御するプロセッサ及びメモリ等を有する処理回路とを含む。制御装置１５は、入力インターフェース４３や架台１０に設けられた入力インターフェース等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。制御装置１５による動作制御としては、例えば、回転フレーム１３を回転させる制御、架台１０をチルトさせる制御及び寝台３０を動作させる制御等がある。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に設けられてもよい。

ウェッジ１６は、Ｘ線管１１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１６は、Ｘ線管１１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１１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１６は、ウェッジフィルタ（ｗｅｄｇｅ ｆｉｌｔｅｒ）やボウタイフィルタ（ｂｏｗ－ｔｉｅ ｆｉｌｔｅｒ）であり、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等を加工して構成される。

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線絞りと呼ばれる場合もある。

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から読み出す。ＤＡＳ１８は、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（加算）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。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。ここで、ＤＡＳ１８は、検出部の一例である。

なお、ＤＡＳ１８が生成した検出データは、回転フレーム１３に設けられた発光ダイオード（Ｌｉｇｈｔ Ｅｍｉｔｔｉｎｇ Ｄｉｏｄｅ： ＬＥＤ）を有する送信機から光通信によって架台１０の非回転部分（例えば固定フレーム。図１での図示は省略している。）に設けられた、フォトダイオードを有する受信機に送信され、コンソール４０へと転送される。なお、回転部分の回転フレーム１３から架台１０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、非接触型のデータ転送であれば如何なる方式を採用しても構わない。

なお、本実施形態では、積分型のＸ線検出器１２が搭載されたＸ線ＣＴ装置１を例として説明するが、本実施形態に係る技術は、光子計数型のＸ線検出器が搭載されたＸ線ＣＴ装置１として実現することもできる。

寝台３０は、スキャン対象の被検体Ｐを載置、移動させる装置である。寝台３０は、基台３１、寝台駆動装置３２、天板３３及び支持フレーム３４を有する。基台３１は、支持フレーム３４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３２は、被検体Ｐが載置された天板３３を、天板３３の長手方向に移動する駆動機構である。寝台駆動装置３２は、モータ及びアクチュエータ等を含む。天板３３は、被検体Ｐが載置される板である。天板３３は、支持フレーム３４の上面に設けられる。天板３３は、被検体Ｐの全身が撮影可能となるように、寝台３０から架台１０側へ突出することが可能である。天板３３は、例えば、Ｘ線の透過性と、剛性及び強度等の物理特性とが良好な炭素繊維強化樹脂（ｃａｒｂｏｎ ｆｉｂｅｒ ｒｅｉｎｆｏｒｃｅｄ ｐｌａｓｔｉｃ；ＣＦＲＰ）により形成される。また、例えば、天板３３の内部は、空洞である。支持フレーム３４は、天板３３を、天板３３の長手方向に移動可能に支持する。なお、寝台駆動装置３２は、天板３３に加え、支持フレーム３４を天板３３の長手方向に移動してもよい。

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、例えば、ＲＯＭ、ＲＡＭ、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスク等により実現される。例えば、メモリ４１は、投影データや再構成画像データを記憶する。また、例えば、メモリ４１は、各種のプログラムを記憶する。また、例えば、メモリ４１は、後述するモデル１００を記憶する。なお、メモリ４１の保存領域は、Ｘ線ＣＴ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。ここで、メモリ４１は、記憶部の一例である。

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）等を表示する。ディスプレイ４２に表示される情報は、実施形態に係るマスク画像やマスク画像が重畳されたＣＴ画像等の各種の医用画像データに基づく画像を含む。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。ここで、ディスプレイ４２は、表示部の一例である。

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。また、例えば、入力インターフェース４３は、ＤＷＩ（拡散強調画像）における関心領域の設定に係る操作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、これら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。ここで、入力インターフェース４３は、入力部の一例である。

処理回路４４は、Ｘ線ＣＴ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、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、メモリにロード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、画像生成機能４４２、画像処理機能４４３、学習データ生成機能４４４、学習機能４４５、推論機能４４６及び表示制御機能４４７等を実行する。ここで、処理回路４４は、処理部の一例である。

システム制御機能４４１において処理回路４４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、処理回路４４の各種機能を制御する。例えば処理回路４４は、架台１０で行なわれるＣＴスキャンを制御する。処理回路４４は、ＣＴスキャンで得られた検出データを取得する。なお、処理回路４４は、Ｘ線ＣＴ装置１の外部から被検体Ｐに関する検出データを取得してもよい。

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。処理回路４４は、生成されたデータをメモリ４１に格納する。なお、前処理前のデータ（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。処理回路４４は、生成された投影データ（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ってＣＴ画像データを生成する。処理回路４４は、生成されたＣＴ画像データをメモリ４１に格納する。

このように、システム制御機能４４１及び画像生成機能４４２は、被検体Ｐに関する投影データを取得する。ここで、システム制御機能４４１及び画像生成機能４４２を実現する処理回路４４は、取得部の一例である。

画像処理機能４４３において処理回路４４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、画像生成機能４４２によって生成されたＣＴ画像データを公知の方法により、任意断面の断層像データや３次元画像データに変換する。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、ＭＰＲ（Ｍｕｌｔｉ－Ｐｌａｎａｒ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ）処理、ＣＰＲ（Ｃｕｒｖｅｄ ＭＰＲ）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等の３次元画像データ、すなわちボリュームデータの生成は、画像生成機能４４２が直接行っても構わない。処理回路４４は、断層像データや３次元画像データをメモリ４１に格納する。

学習データ生成機能４４４において処理回路４４は、モデル１００の学習用データを生成する生成処理を行う。モデル１００の学習用データの生成処理については、後述する。ここで、学習データ生成機能４４４を実現する処理回路４４は、学習データ生成部の一例である。

学習機能４４５において処理回路４４は、学習データ生成機能４４４により生成された学習用データセットを用いて、モデル１００をトレーニングする学習処理を行う。モデル１００の学習処理については、後述する。ここで、学習機能４４５を実現する処理回路４４は、学習部の一例である。

推論機能４４６において処理回路４４は、学習済みのモデル１００と、投影データとに基づいて、投影データにおける関心領域を特定する特定処理を行う。関心領域の特定処理については、後述する。ここで、推論機能４４６を実現する処理回路４４は、特定部の一例である。

表示制御機能４４７において処理回路４４は、画像処理機能４４３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、特定された関心領域が画像上で強調表示された表示画像としての再構成画像を含む。なお、当該表示は、関心領域を示すマスク画像を再構成画像に重畳して表示することにより行われてもよいし、マスク画像データが合成された表示用の再構成画像データに基づいて行われてもよい。また、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。また、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や操作者への通知及び警告を表示するための画像を含む。ここで、表示制御機能４４７を実現する処理回路４４は、表示制御部の一例である。

なお、特定された関心領域が画像上で強調表示された表示画像を示す画像データは、画像処理機能４４３及び表示制御機能４４７のいずれの機能により生成されても構わない。

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４４を構成し、各プロセッサが各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。ここで、各機能４４１～４４７は、単一又は複数の処理回路に適宜に分散又は統合されて実現されてもよい。

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、画像生成機能４４２、画像処理機能４４３、学習データ生成機能４４４、学習機能４４５及び推論機能４４６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の一部又は全部は、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、生成処理、学習処理、特定処理及び表示処理のうちの少なくとも１の処理は、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。ワークステーションとしては、例えば各処理に対応する機能を実現するプロセッサと、ＲＯＭやＲＡＭ等のメモリとをハードウェア資源として有するコンピュータ等が適宜利用可能である。

なお、Ｘ線ＣＴ画像データの再構成においては、フルスキャン再構成方式及びハーフスキャン再構成方式のいずれの再構成方式が適用されてもよい。例えば、画像生成機能４４２において処理回路４４は、フルスキャン再構成方式では、被検体Ｐの周囲一周、３６０度分の投影データを用いる。また、処理回路４４は、ハーフスキャン再構成方式では、１８０度＋ファン角度分の投影データを用いる。以下では、説明の簡単のため、処理回路４４は、被検体Ｐの周囲一周、３６０度分の投影データを用いて再構成するフルスキャン再構成方式を用いるものとする。

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ＣＴ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ＣＴ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。

なお、本実施形態に係るＸ線ＣＴ装置１は、逐次読み出し方式でＸ線検出器１２から電気信号を読み出すように構成されているとする。

なお、本実施形態に係るＸ線ＣＴ装置１は、立位ＣＴとして構成されていても構わない。この場合、天板３３の移動に代えて、立位の被検体Ｐを支持し、架台１０の回転部の回転軸に沿って移動可能に構成された患者支持機構が設けられていればよい。また、本実施形態に係るＸ線ＣＴ装置１は、架台１０及び寝台３０が移動可能な移動型ＣＴとして構成されていても構わない。

ここで、実施形態に係るモデル１００の学習用データの生成処理と、モデル１００の学習処理とについて、図面を参照してより詳細に説明する。図２は、実施形態に係るモデル１００の生データベースの学習について説明するための図である。

処理回路４４は、Ｘ線ＣＴ装置１により得られた投影データＲＣＴと、投影データＲＣＴに基づく画像再構成により得られたＣＴ画像ＩＣＴのデータとを、例えばメモリ４１から取得する。また、処理回路４４は、ＭＲＩ装置により得られた拡散強調画像ＩＤＷＩのデータを例えばメモリ４１から取得する。なお、処理回路４４は、院内ネットワーク等のネットワークを介してＭＲＩ装置やＰＡＣＳから拡散強調画像ＩＤＷＩのデータを取得してもよい。なお、投影データＲＣＴと拡散強調画像ＩＤＷＩのデータとは、同一の被検体の同一部位に関するデータであるとする。ここで、投影データＲＣＴは、第２の医用画像データの一例である。また、拡散強調画像ＩＤＷＩのデータは、第３の医用画像データの一例である。なお、拡散強調画像ＩＤＷＩは、ＣＴ画像ＩＣＴに比して超急性期脳梗塞の検出能が各段に高い画像である。

処理回路４４は、拡散強調画像ＩＤＷＩから、例えば入力インターフェース４３により受け付けた操作者の入力結果に基づいて、拡散強調画像ＩＤＷＩにおける虚血の領域Ｒ０を特定する。処理回路４４は、拡散強調画像ＩＤＷＩとＣＴ画像ＩＣＴとの位置合わせを行う。また、処理回路４４は、ＣＴ画像ＩＣＴの画像上の虚血の領域Ｒ０に対応する領域Ｒ１を抽出することにより、マスク画像ＩＭを生成する。ここで、領域Ｒ１は、関心領域の一例である。

処理回路４４は、マスク画像ＩＭにおいて、領域Ｒ１については、ＣＴ画像ＩＣＴのＣＴ値を保持する。一方で、処理回路４４は、マスク画像ＩＭにおいて、ＣＴ画像ＩＣＴの画像上の領域のうちの領域Ｒ１の他の領域Ｒ２については、ＣＴ画像ＩＣＴのＣＴ値を破棄する。したがって、マスク画像ＩＭにおいては、抽出された領域Ｒ１にだけＣＴ値が存在する。

なお、処理回路４４は、マスク画像ＩＭにおいて、領域Ｒ１については、ＣＴ画像ＩＣＴのＣＴ値を正規化してもよいし、値「１」を与えてもよい。いずれの場合においても、領域Ｒ２については、ＣＴ画像ＩＣＴのＣＴ値は破棄され、値「０」が与えられる。

処理回路４４は、Ｘ線ＣＴ装置１のジオメトリやＸ線の物理的特性を考慮したマスク画像ＩＭに基づく順投影により、サイノグラムＲＭを生成する。図２に示すように、サイノグラムＲＭにおいては、領域Ｒ１に対応する関心領域においては値が存在する。

処理回路４４は、投影データＲＣＴと、生成されたサイノグラムＲＭとを用いてモデル１００をトレーニングする学習処理を行う。具体的には、投影データの入力に応じて虚血の領域Ｒ１、すなわち関心領域において値が存在するサイノグラムを出力するようにモデル１００のパラメータを決定する。つまり、学習済みのモデル１００は、投影データを入力として当該投影データにおける関心領域を示すサイノグラムを出力する、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。

なお、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。このモデル１００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よいが、多層のネットワークモデルであるとする。モデル１００は、一例として、深層ニューラルネットワーク（ＤＮＮ：Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）である。このＤＮＮとしては、如何なる構造のＤＮＮであってもよく、例えばＲｅｓＮｅｔ（Ｒｅｓｉｄｕａｌ Ｎｅｔｗｏｒｋ）やＤｅｎｓｅＮｅｔ（Ｄｅｎｓｅ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｔｗｏｒｋ）、Ｕ－Ｎｅｔ等が利用可能である。モデル１００の構成やパラメータの初期値は、例えば予め定められてメモリ４１等に格納されていればよい。

なお、モデル１００は、例えば病変ごと、医用画像診断装置の種類ごと、被検体の部位ごとに用意され得る。

次に、実施形態に係る関心領域の特定処理について、図面を参照してより詳細に説明する。図３は、実施形態に係るモデル１００による生データベースの推論について説明するための図である。

処理回路４４は、Ｘ線ＣＴ装置１により得られた投影データＲＣＴと、投影データＲＣＴに基づく画像再構成により得られたＣＴ画像ＩＣＴのデータとを、例えばメモリ４１から取得する。ここで、投影データＲＣＴは、第１の医用画像データの一例である。

処理回路４４は、投影データＲＣＴを学習済みのモデル１００に入力する。処理回路４４は、投影データＲＣＴの入力に応じた学習済みのモデル１００からのサイノグラムＲＭを取得する。処理回路４４は、取得されたサイノグラムＲＭに基づく画像再構成によりマスク画像ＩＭを生成する。

処理回路４４は、ＣＴ画像ＩＣＴにマスク画像ＩＭを重畳し、虚血の領域Ｒ０´が強調表示されたＣＴ画像ＩＣＴ´をディスプレイ４２に表示する。処理回路４４は、ＣＴ画像ＩＣＴ´において、虚血の領域Ｒ０´の色を、他の領域とは変えることにより、強調して表示する。

図４は、実施形態に係る生データベースの学習処理の一例を示すフローチャートである。

まず、学習データ生成機能４４４は、同一被検体の超急性期脳梗塞に関するＣＴ画像データ及びＤＷＩ画像データを取得する（Ｓ１０１）。

学習データ生成機能４４４は、マスク画像を生成する（Ｓ１０２）。具体的には、学習データ生成機能４４４は、例えば入力インターフェース４３により受け付けた操作者の入力結果に基づいて、ＤＷＩ画像における虚血の領域を特定する。また、学習データ生成機能４４４は、特定された虚血の領域に対応するＣＴ画像の領域を抽出する。また、学習データ生成機能４４４は、ＣＴ画像データの抽出された領域の他の領域に対応するＣＴ値を削除することにより、マスク画像を生成する。なお、ＣＴ値の削除とは、値「０」でパディングすることを意味する。なお、学習データ生成機能４４４は、ＣＴ画像データの抽出された領域のＣＴ値を正規化してもよいし、値「１」でパディングしてもよい。

学習データ生成機能４４４は、マスク画像に基づく順投影によりサイノグラムを生成する（Ｓ１０３）。このサイノグラムは、虚血の領域、すなわち梗塞の分布を示すＩｎｆａｒｃｔｉｏｎ Ｗｅｉｇｈｔであると表現することもできる。

学習データ生成機能４４４は、ＣＴ画像に対応する投影データ（生データ）と、生成されたサイノグラムとの組を学習用データとして生成する（Ｓ１０４）。

その後、学習機能４４５は、生成された学習用データセットを用いてモデル１００をトレーニングする学習処理を行う（Ｓ１０５）。

図５は、実施形態に係る生データベースの推論処理の一例を示すフローチャートである。

推論機能４４６は、投影データ（生データ）を学習済みのモデル１００に入力する（Ｓ２０１）。また、推論機能４４６は、投影データの入力に応じて学習済みのモデル１００から出力されたサイノグラムを取得する（Ｓ２０２）。

画像生成機能４４２は、取得されたサイノグラムに基づく画像再構成によりマスク画像データを生成する（Ｓ２０３）。また、画像生成機能４４２は、投影データに基づく画像再構成によりＣＴ画像データを生成する（Ｓ２０４）。表示制御機能４４７は、ＣＴ画像にマスク画像を重畳してディスプレイ４２に表示する（Ｓ２０５）。

このように、実施形態に係る医用画像処理装置を搭載するＸ線ＣＴ装置１において、処理回路４４は、システム制御機能４４１、画像生成機能４４２、学習機能４４５及び推論機能４４６を実現可能に構成されている。システム制御機能４４１及び画像生成機能４４２において処理回路４４は、被検体Ｐの投影データを取得する。学習機能４４５は、同一の被検体に関する投影データと、拡散強調画像データとに基づいてモデル１００をトレーニングする。推論機能４４６は、学習済みのモデル１００と、被検体Ｐの投影データとに基づいて、投影データにおける関心領域を特定する。

この構成によれば、Ｘ線ＣＴ装置１において、ＣＴ撮影の迅速性を維持しつつ、ＣＴ画像に比してイメージング感度が高いＭＲＩ画像に準じた確度で超急性期脳梗塞を検出することができる。換言すれば、実施形態に係る技術によれば、医用画像診断の診断能を向上することができる。

また、実施形態に係る医用画像処理装置を搭載するＸ線ＣＴ装置１において、処理回路４４は、表示制御機能４４７をさらに実現可能に構成されている。表示制御機能４４７は、ＣＴ画像にマスク画像を重畳してディスプレイ４２に表示する。この構成によれば、Ｘ線ＣＴ装置１において、例えば色などを変えて虚血の領域が強調表示されたＣＴ画像を表示することができる。換言すれば、実施形態に係る技術によれば、医用画像診断の診断能を向上することができる。

（第２の実施形態）
本実施形態では、主に第１の実施形態との相違点を説明する。

図６は、実施形態に係るモデル１００の画像ベースの学習について説明するための図である。

処理回路４４は、Ｘ線ＣＴ装置１により得られたＣＴ画像ＩＣＴのデータを例えばメモリ４１から取得する。また、処理回路４４は、ＭＲＩ装置により得られた拡散強調画像ＩＤＷＩのデータを例えばメモリ４１から取得する。なお、ＣＴ画像ＩＣＴのデータと、拡散強調画像ＩＤＷＩのデータとは、同一の被検体の同一部位に関するデータであるとする。ここで、ＣＴ画像ＩＣＴのデータは、第２の医用画像データの一例である。また、拡散強調画像ＩＤＷＩのデータは、第３の医用画像データの一例である。

処理回路４４は、拡散強調画像ＩＤＷＩにおける虚血の領域Ｒ０に対応するＣＴ画像ＩＣＴの画像上の領域Ｒ１を抽出することにより、マスク画像ＩＭのデータを生成する。

処理回路４４は、ＣＴ画像ＩＣＴのデータと、生成されたマスク画像ＩＭのデータとを用いてモデル１００をトレーニングする学習処理を行う。具体的には、ＣＴ画像データの入力に応じて虚血の領域Ｒ１、すなわち関心領域において値が存在するマスク画像を出力するようにモデル１００のパラメータを決定する。

図７は、実施形態に係るモデル１００による画像ベースの推論について説明するための図である。

処理回路４４は、Ｘ線ＣＴ装置１により得られたＣＴ画像ＩＣＴのデータを、例えばメモリ４１から取得する。ここで、ＣＴ画像ＩＣＴのデータは、第１の医用画像データの一例である。

処理回路４４は、ＣＴ画像ＩＣＴのデータを学習済みのモデル１００に入力する。処理回路４４は、ＣＴ画像ＩＣＴのデータの入力に応じた学習済みのモデル１００からのマスク画像ＩＭのデータを取得する。

処理回路４４は、ＣＴ画像ＩＣＴにマスク画像ＩＭを重畳し、虚血の領域Ｒ０´が強調表示されたＣＴ画像ＩＣＴ´をディスプレイ４２に表示する。

図８は、実施形態に係る画像ベースの学習処理の一例を示すフローチャートである。

学習データ生成機能４４４は、図４のＳ１０１と同様に、同一被検体の超急性期脳梗塞に関するＣＴ画像データ及びＤＷＩ画像データを取得する（Ｓ３０１）。また、学習データ生成機能４４４は、図４のＳ１０２と同様に、マスク画像を生成する（Ｓ３０２）。

学習データ生成機能４４４は、ＣＴ画像データと、マスク画像データとの組を学習用データとして生成する（Ｓ３０３）。その後、学習機能４４５は、生成された学習用データセットを用いてモデル１００をトレーニングする学習処理を行う（Ｓ３０４）。

図９は、実施形態に係る画像ベースの推論処理の一例を示すフローチャートである。

推論機能４４６は、ＣＴ画像データを学習済みのモデル１００に入力する（Ｓ４０１）。また、推論機能４４６は、ＣＴ画像データの入力に応じて学習済みのモデル１００から出力されたマスク画像データを取得する（Ｓ４０２）。表示制御機能４４７は、図５のＳ２０５と同様に、ＣＴ画像にマスク画像を重畳してディスプレイ４２に表示する（Ｓ４０３）。

このように、実施形態に係る医用画像処理装置を搭載するＸ線ＣＴ装置１において、例えば学習処理や推論処理は、第１の実施形態では生データベースで実施される一方、画像ベースで実施される。この構成であっても、第１の実施形態と同様の効果が得られる。

（第３の実施形態）
第１の実施形態に係る生データベースの処理と、第２の実施形態に係る画像ベースの処理とは、組合せ可能である。図１０は、実施形態に係る生データベースの処理と画像ベースの処理との組合せについて説明するための図である。

第１の実施形態に係る生データベースの推論処理に基づき、図１０に示すように、虚血の領域Ｒ１１が推定されているとする。一方で、第２の実施形態に係る画像ベースの推論処理に基づき、図１０に示すように、虚血の領域Ｒ１２が推定されているとする。

例えば超急性期脳梗塞に関しては、早期に検出して適切な治療を行うことが要求されるため、Ｅａｒｌｙ ＣＴ ｓｉｇｎ（早期虚血サイン）の見逃しなどの偽陰性の発生を抑制することが好ましい。

そこで、本実施形態に係る医用画像処理装置を搭載するＸ線ＣＴ装置１において、虚血の領域Ｒ１は、生データベースの推論処理に基づき推定された虚血の領域Ｒ１１と、画像ベースの推論処理に基づき推定された虚血の領域Ｒ１２との論理和として特定される。換言すれば、本実施形態に係るマスク画像ＩＭは、生データベースの推論処理に基づき推定された虚血の領域Ｒ１１と、画像ベースの推論処理に基づき推定された虚血の領域Ｒ１２とのうちの少なくとも一方を含むように特定された領域Ｒ１を含む。

この構成によれば、上述の各実施形態に比して、偽陰性の発生をさらに抑制することができるという効果が得られる。

なお、上述の各実施形態では、脳梗塞を例示しつつ、ＭＲＩ装置により得られたＤＷＩ画像データに基づいて学習処理や推論処理が行われる場合を説明したが、これに限らない。例えば、ＤＷＩ画像データに代えて、各種の医用画像診断装置で得られる画像データが適宜利用可能である。ＤＷＩ画像データに代えて用いられる画像データとしては、ＣＴ画像とマッピングできる画像データであればよい。一例として、ＤＷＩ画像データに代えて、例えばＰＥＴ装置やＳＰＥＣＴ装置、レントゲン装置、アンギオグラフ装置、超音波診断装置、サーモグラフ装置等の医用画像診断装置で得られる画像データを利用することもできる。

また、撮影に用いた医用画像診断装置に限らず、撮影時のスキャン条件と、適用された再構成条件と、施された画像処理とのうち少なくとも１つの種類が互いに異なる画像データに基づいて、上述の各実施形態に係る学習処理や推論処理が行われてもよい。つまり、ＤＷＩ画像データに代えて、撮影時のスキャン条件と、適用された再構成条件と、施された画像処理とのうち少なくとも１つの種類が互いに異なるＣＴ画像データが用いられる場合もあり得る。

なお、第２の医用画像データの一例としての投影データＲＣＴは、第１の医用画像データの一例としての投影データＲＣＴと同じ種類の画像データであることが好ましい。しかしながら、第１の医用画像データの一例としての投影データＲＣＴと、第２の医用画像データの一例としての投影データＲＣＴとは、例えば撮影時のスキャン条件と、適用された再構成条件と、施された画像処理とのうち少なくとも１つの種類が互いに異なる画像データであってもよい。同様に、第２の医用画像データの一例としてのＣＴ画像ＩＣＴのデータは、第１の医用画像データの一例としてのＣＴ画像ＩＣＴのデータと同じ種類の画像データであることが好ましい。しかしながら、第１の医用画像データの一例としてのＣＴ画像ＩＣＴのデータと、第２の医用画像データの一例としてのＣＴ画像ＩＣＴのデータとは、例えば撮影時のスキャン条件と、適用された再構成条件と、施された画像処理とのうち少なくとも１つの種類が互いに異なる画像データであってもよい。

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（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、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。

以上説明した少なくとも１つの実施形態によれば、医用画像診断の診断能を向上することができる。

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。これら新規な実施形態は、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ともに、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ＣＴ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
１９ 開口部
３０ 寝台
３１ 基台
３２ 寝台駆動装置
３３ 天板
３４ 支持フレーム
４０ コンソール
４１ メモリ
４２ ディスプレイ（表示部）
４３ 入力インターフェース
４４ 処理回路
４４１ システム制御機能（取得部）
４４２ 画像生成機能（取得部）
４４３ 画像処理機能
４４４ 学習データ生成機能（学習データ生成部）
４４５ 学習機能
４４６ 推論機能（特定部）
４４７ 表示制御機能（表示制御部）

Claims (11)

1. 第１の医用画像データを取得する取得部と、
   学習済みモデルと、前記第１の医用画像データとに基づいて、前記第１の医用画像データにおける関心領域を特定する特定部と
   を具備し、
   前記学習済みモデルは、
   前記第１の医用画像データに対応する第２の医用画像データと、
   前記第１の医用画像データとは異なる種類であって前記第２の医用画像データと同一の被写体に関する第３の医用画像データと
   に基づいてトレーニングされ、
   前記第３の医用画像データの少なくとも一部は、前記第２の医用画像データよりも前記関心領域に対応する前記被写体の領域に関するイメージング感度が高い、
   医用画像処理装置。
2. 前記第１の医用画像データ及び前記第２の医用画像データは、同一種類の医用画像診断装置により得られたデータである、請求項１に記載の医用画像処理装置。
3. 前記第２の医用画像データ及び前記第３の医用画像データは、撮影に用いた医用画像診断装置と、撮影時のスキャン条件と、適用された再構成条件と、施された画像処理とのうちの少なくとも１つが互いに異なる、請求項１又は請求項２に記載の医用画像処理装置。
4. 前記第１の医用画像データは、投影データ又は当該投影データに基づく画像再構成により生成される再構成画像データである、請求項１から請求項３のうちのいずれか一項に記載の医用画像処理装置。
5. 前記第１の医用画像データは、再構成画像データであり、
   当該再構成画像データの示す再構成画像の画像上で特定された前記関心領域が強調表示された表示画像を生成する生成部をさらに備える、
   請求項１から請求項３のうちのいずれか一項に記載の医用画像処理装置。
6. 前記第１の医用画像データは、投影データであり、
   当該投影データに基づく画像再構成により得られた再構成画像の画像上で特定された前記関心領域が強調表示された表示画像を生成する生成部をさらに備える、
   請求項１から請求項３のうちのいずれか一項に記載の医用画像処理装置。
7. 前記第１の医用画像データは、投影データ及び当該投影データに基づく画像再構成により生成される再構成画像データであり、
   前記特定部は、
   前記学習済みモデルと、前記投影データとに基づいて、前記投影データにおける第１の関心領域を特定し、
   前記学習済みモデルと、前記再構成画像データとに基づいて、前記再構成画像データにおける第２の関心領域を特定し、
   前記第１の関心領域及び前記第２の関心領域の論理和を前記関心領域として特定する、
   請求項１から請求項３のうちのいずれか一項に記載の医用画像処理装置。
8. 前記第２の医用画像データ及び前記第３の医用画像データは、それぞれ、投影データ又は当該投影データに基づく画像再構成により生成される再構成画像データであり、
   前記第３の医用画像データに対応する再構成画像の画像上で関心領域を特定し、前記第２の医用画像データにおける、当該再構成画像の画像上で特定された関心領域に対応する領域の他の領域のＣＴ値が削除されたマスク画像を生成し、当該マスク画像を示すマスク画像データを用いて前記モデルの学習用データを生成する学習データ生成部をさらに備える、
   請求項１から請求項３のうちのいずれか一項に記載の医用画像処理装置。
9. Ｘ線を発生するＸ線管と、
   被検体を透過した前記Ｘ線管からのＸ線を検出し、投影データを生成する検出部と、
   学習済みモデルと、前記投影データ又は前記投影データに基づき画像再構成された再構成画像データである第１の医用画像データとに基づいて、前記第１の医用画像データにおける関心領域を特定する特定部と
   を具備し、
   前記学習済みモデルは、
   前記第１の医用画像データに対応する第２の医用画像データと、
   前記第１の医用画像データとは異なる種類であって前記第２の医用画像データと同一の被写体に関する第３の医用画像データと
   に基づいてトレーニングされ、
   前記第３の医用画像データの少なくとも一部は、前記第２の医用画像データよりも前記関心領域に対応する前記被写体の領域に関するイメージング感度が高い、
   Ｘ線ＣＴ装置。
10. 第１の医用画像データを取得することと、
    学習済みモデルと、前記第１の医用画像データとに基づいて、前記第１の医用画像データにおける関心領域を特定することと
    を含み、
    前記学習済みモデルは、
    前記第１の医用画像データに対応する第２の医用画像データと、
    前記第１の医用画像データとは異なる種類であって前記第２の医用画像データと同一の被写体に関する第３の医用画像データと
    に基づいてトレーニングされ、
    前記第３の医用画像データの少なくとも一部は、前記第２の医用画像データよりも前記関心領域に対応する前記被写体の領域に関するイメージング感度が高い、
    医用画像処理方法。
11. 第１の医用画像データを取得することと、
    学習済みモデルと、前記第１の医用画像データとに基づいて、前記第１の医用画像データにおける関心領域を特定することと
    をコンピュータに実行させるためのプログラムであって、
    前記学習済みモデルは、
    前記第１の医用画像データに対応する第２の医用画像データと、
    前記第１の医用画像データとは異なる種類であって前記第２の医用画像データと同一の被写体に関する第３の医用画像データと
    に基づいてトレーニングされ、
    前記第３の医用画像データの少なくとも一部は、前記第２の医用画像データよりも前記関心領域に対応する前記被写体の領域に関するイメージング感度が高い、
    プログラム。

Images