JP2022160089A - 医用画像処理装置および医用画像処理方法 - Google Patents

Abstract

【課題】金属アーチファクトを低減するとともに、金属アーチファクトの影響が小さい領域においても画質を維持することが可能な医用画像処理装置および医用画像処理方法を提供する。【解決手段】金属が含まれる被検体の投影データから断層画像を再構成する演算部を備える医用画像処理装置であって、前記演算部は、金属アーチファクトを低減することを機械学習した機械学習エンジンに前記断層画像が入力されたときに出力される機械学習出力画像を取得し、前記機械学習出力画像と前記断層画像を合成して、合成画像を生成することを特徴とする。【選択図】図３

Description

本発明は、Ｘ線ＣＴ（Computed Tomography）装置等の医用画像撮影装置によって得られる医用画像を扱う医用画像処理装置および医用画像処理方法に係り、被検体内に金属が含まれる場合に発生する金属アーチファクトを低減する技術に関する。

医用画像撮影装置の一例であるＸ線ＣＴ装置は、被検体の周囲からＸ線を照射して複数の投影角度における投影データを取得し、投影データを逆投影することによって、画像診断に用いられる被検体の断層画像を再構成する装置である。被検体内に金属、例えば骨の固定に用いられるプレート等が含まれると、金属の影響によるアーチファクトである金属アーチファクトが医用画像に発生し、画像診断の妨げになる。金属アーチファクトを低減する技術は、ＭＡＲ（Metal Artifact Reduction）と呼ばれ、ビーム硬化補正法や線形補間法、ディープラーニング法等の様々な方法が開発されているものの、それぞれに一長一短がある。

非特許文献１では、オリジナル画像と、ビーム硬化補正法及び線形補間法によって金属アーチファクトが低減された画像を入力画像として、ディープラーニング法に適用することにより、各方法のメリットを融合することについて開示している。

Y. Zhang and H. Yu, "Convolutional Neural Network Based Metal Artifact Reduction in X-Ray Computed Tomography," in IEEE Transactions on Medical Imaging, vol. 37, no. 6, pp. 1370-1381, June 2018

しかしながら非特許文献１では、金属アーチファクトは低減されるものの、金属アーチファクトの影響が小さい領域、例えば金属から離れた領域において、画質が低下する場合がある。

そこで本発明の目的は、金属アーチファクトを低減するとともに、金属アーチファクトの影響が小さい領域においても画質を維持することが可能な医用画像処理装置および医用画像処理方法を提供することである。

上記目的を達成するために本発明は、金属が含まれる被検体の投影データから断層画像を再構成する演算部を備える医用画像処理装置であって、前記演算部は、金属アーチファクトを低減することを機械学習した機械学習エンジンに前記断層画像が入力されたときに出力される機械学習出力画像を取得し、前記機械学習出力画像と前記断層画像を合成して、合成画像を生成することを特徴とする。

また本発明は、金属が含まれる被検体の投影データから断層画像を再構成する医用画像処理方法であって、金属アーチファクトを低減することを機械学習した機械学習エンジンに前記断層画像が入力されたときに出力される機械学習出力画像を取得する取得ステップと、前記機械学習出力画像と前記断層画像を合成して、合成画像を生成する生成ステップと、を備えることを特徴とする。

本発明によれば、金属領域内の詳細な構造を失うことなく金属アーチファクトを低減することが可能な医用画像処理装置および医用画像処理方法を提供することができる。

医用画像処理装置の全体構成図 医用画像撮影装置の一例であるＸ線ＣＴ装置の全体構成図 実施例１の処理の流れの一例を示す図 金属アーチファクトの一例を示す図 実施例１のＳ３０３の処理の流れの一例を示す図 実施例１の操作ウィンドウの一例を示す図 実施例２の処理の流れの一例を示す図

以下、添付図面に従って本発明に係る医用画像処理装置及び医用画像処理方法の実施例について説明する。なお、以下の説明及び添付図面において、同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略することにする。

図１は医用画像処理装置１のハードウェア構成を示す図である。医用画像処理装置1は、演算部２、メモリ３、記憶装置４、ネットワークアダプタ５がシステムバス６によって信号送受可能に接続されて構成される。また医用画像処理装置１は、ネットワーク９を介して医用画像撮影装置１０や医用画像データベース１１、機械学習エンジン１２と信号送受可能に接続される。さら医用画像処理装置１には、表示装置７と入力装置８が接続される。ここで、「信号送受可能に」とは、電気的、光学的に有線、無線を問わずに、相互にあるいは一方から他方へ信号送受可能な状態を示す。

演算部２は、各構成要素の動作を制御する装置であり、具体的にはＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processor Unit）等である。演算部２は、記憶装置４に格納されるプログラムやプログラム実行に必要なデータをメモリ３にロードして実行し、医用画像に対して様々な画像処理を施す。メモリ３は、演算部２が実行するプログラムや演算処理の途中経過を記憶するものである。記憶装置４は、演算部２が実行するプログラムやプログラム実行に必要なデータを格納する装置であり、具体的にはＨＤＤ(Hard Disk Drive)やＳＳＤ(Solid State Drive)等である。ネットワークアダプタ５は、医用画像処理装置１をＬＡＮ、電話回線、インターネット等のネットワーク９に接続するためのものである。演算部２が扱う各種データはＬＡＮ(Local Area Network)等のネットワーク９を介して医用画像処理装置１の外部と送受信されても良い。

表示装置７は、医用画像処理装置１の処理結果等を表示する装置であり、具体的には液晶ディスプレイ等である。入力装置８は、操作者が医用画像処理装置１に対して操作指示を行う操作デバイスであり、具体的にはキーボードやマウス、タッチパネル等である。マウスはトラックパッドやトラックボール等の他のポインティングデバイスであっても良い。

医用画像撮影装置１０は、例えば被検体の投影データを取得し、投影データから断層画像を再構成するＸ線ＣＴ（Computed Tomography）装置であり、図２を用いて後述される。医用画像データベース１１は、医用画像撮影装置１０によって取得された投影データや断層画像、断層画像に画像処理が施された補正画像等を記憶するデータベースシステムである。

機械学習エンジン１２は、断層画像に含まれる金属アーチファクトを低減することを機械学習して生成され、例えばＣＮＮ（Convolutional Neural Network）を用いて構成される。機械学習エンジン１２の生成には教師画像として、例えば金属を含まない断層画像が用いられる。また入力画像には、当該教師画像に金属領域を追加した画像を順投影して金属が含まれる投影データを生成し、当該投影データを逆投影して得た金属アーチファクトを含む断層画像が用いられる。

図２を用いて医用画像撮影装置１０の一例であるＸ線ＣＴ装置１００の全体構成を説明する。なお、図２において、横方向をＸ軸、縦方向をＹ軸、紙面に垂直な方向をＺ軸とする。Ｘ線ＣＴ装置１００は、スキャナ２００と操作ユニット２５０を備える。スキャナ２００は、Ｘ線管２１１、検出器２１２、コリメータ２１３、駆動部２１４、中央制御部２１５、Ｘ線制御部２１６、高電圧発生部２１７、スキャナ制御部２１８、寝台制御部２１９、コリメータ制御部２２１、プリアンプ２２２、Ａ/Ｄコンバータ２２３、寝台２４０等を有する。

Ｘ線管２１１は寝台２４０上に載置された被検体２１０にＸ線を照射する装置である。Ｘ線制御部２１６から送信される制御信号に従って高電圧発生部２１７が発生する高電圧がＸ線管２１１に印加されることによりＸ線管２１１から被検体にＸ線が照射される。

コリメータ２１３はＸ線管２１１から照射されるＸ線の照射範囲を制限する装置である。Ｘ線の照射範囲は、コリメータ制御部２２１から送信される制御信号に従って設定される。

検出器２１２は被検体２１０を透過したＸ線を検出することにより透過Ｘ線の空間的な分布を計測する装置である。検出器２１２はＸ線管２１１と対向配置され、Ｘ線管２１１と対向する面内に多数の検出素子が二次元に配列される。検出器２１２で計測された信号はプリアンプ２２２で増幅された後、Ａ／Ｄコンバータ２２３でデジタル信号に変換される。その後、デジタル信号に対して様々な補正処理が行われ、投影データが取得される。

駆動部２１４はスキャナ制御部２１８から送信される制御信号に従って、Ｘ線管２１１と検出器２１２とを被検体２１０の周囲で回転させる。Ｘ線管２１１と検出器２１２の回転とともに、Ｘ線の照射と検出がなされることにより、複数の投影角度からの投影データが取得される。投影角度毎のデータ収集単位はビューと呼ばれる。二次元に配列された検出器２１２の各検出素子の並びは、検出器２１２の回転方向がチャネル、チャネルに直交する方向が列と呼ばれる。投影データはビュー、チャネル、列によって識別される。

寝台制御部２１９は寝台２４０の動作を制御し、Ｘ線の照射と検出がなされる間、寝台２４０を静止させたままにしたり、被検体２１０の体軸方向であるＺ軸方向に等速移動させたりする。寝台２４０を静止させたままのスキャンはアキシャルスキャン、寝台２４０を移動させながらのスキャンはらせんスキャンとそれぞれ呼ばれる。

中央制御部２１５は以上述べたスキャナ２００の動作を、操作ユニット２５０からの指示に従って制御する。次に操作ユニット２５０について説明する。操作ユニット２５０は、再構成処理部２５１、画像処理部２５２、記憶部２５４、表示部２５６、入力部２５８等を有する。

再構成処理部２５１は、スキャナ２００で取得された投影データを逆投影することにより、断層画像を再構成する。画像処理部２５２は断層画像を診断に適した画像にするため、様々な画像処理を行う。記憶部２５４は投影データや断層画像、画像処理後の画像を記憶する。表示部２５６は断層画像や画像処理後の画像を表示する。入力部２５８は投影データの取得条件（管電圧、管電流、スキャン速度等）や断層画像の再構成条件(再構成フィルタ、ＦＯＶサイズ等)を操作者が設定する際に用いられる。

なお、操作ユニット２５０が図１に示した医用画像処理装置１であっても良い。その場合、は、再構成処理部２５１や画像処理部２５２が演算部２に、記憶部２５４が記憶装置４に、表示部２５６が表示装置７に、入力部２５８が入力装置８に、それぞれ相当することになる。

図３を用いて、実施例１で実行される処理の流れの一例についてステップ毎に説明する。

（Ｓ３０１）
演算部２は、金属を含む被検体の断層画像Ｉ＿ＯＲＧを取得する。被検体に金属が含まれるので断層画像Ｉ＿ＯＲＧには金属アーチファクトが含まれる。図４に金属アーチファクトの一例を示す。図４は腹部ファントムを撮影した断層画像であり、肝臓内に存在する２か所の金属領域の間にダークバンドが発生するとともに、各金属領域を起点とするストリークアーファクトが発生している。

（Ｓ３０２）
演算部２は、金属アーチファクトを低減することを機械学習した機械学習エンジン１２に断層画像Ｉ＿ＯＲＧが入力されたときに出力される機械学習出力画像Ｉ＿ＭＡＲを取得する。機械学習出力画像Ｉ＿ＭＡＲでは、金属アーチファクトが低減されるものの、金属アーチファクトの影響が小さい領域、例えば金属から離れた領域において、画質が低下する場合がある。

（Ｓ３０３）
演算部２は、Ｓ３０２で取得された機械学習出力画像Ｉ＿ＭＡＲとＳ３０１で取得された断層画像Ｉ＿ＯＲＧを合成する。機械学習出力画像Ｉ＿ＭＡＲでは金属アーチファクトの影響が小さい領域において画質が低下する場合があるのに対し、断層画像Ｉ＿ＯＲＧでは金属アーチファクトの影響が小さい領域において画質が低下することはない。そこで機械学習出力画像Ｉ＿ＭＡＲと断層画像Ｉ＿ＯＲＧの合成により、金属アーチファクトが低減されるとともに、金属アーチファクトの影響が小さい領域での画質が維持される合成画像を生成する。生成された合成画像は、表示装置７に表示されたり、記憶装置４に格納されたりする。

図５を用いてＳ３０３の処理の流れの一例についてステップ毎に説明する。

（Ｓ５０１）
演算部２は、０以上１以下の実数である重み係数ｗがマッピングされた重みマップを取得する。重みマップＩ＿ｗは、例えば次式によって生成される。

Ｉ＿ｗ＝｜Ｉ＿ＯＲＧ－Ｉ＿ＢＨＣ｜ … （式１）
ここでＩ＿ＢＨＣは断層画像Ｉ＿ＯＲＧに対してビーム硬化補正法を適用して得られるビーム硬化補正画像である。

ビーム硬化補正画像Ｉ＿ＢＨＣは例えば以下の手順によって得られる。まず断層画像Ｉ＿ＯＲＧにおいて金属画素を抽出する。次に断層画像Ｉ＿ＯＲＧの生成に用いられた投影データＰ＿ＯＲＧにおいて、金属画素に対応する投影値を補正することで投影データＰ＿ＢＨＣを得る。金属画素に対応する投影値の補正には、当該投影値に係る投影線での金属画素の長さと当該投影値が用いられる。すなわち投影線での金属画素の長さが長いほど、また投影値が高いほど補正強度が大きくなる。そして投影データＰ＿ＢＨＣを逆投影し、断層画像Ｉ＿ＯＲＧに加算または減算することでビーム硬化補正画像Ｉ＿ＢＨＣが得られる。

また重みマップＩ＿ｗは、次式によって生成されても良い。

Ｉ＿ｗ＝｜Ｉ＿ＯＲＧ－Ｉ＿ＬＩ｜ … （式２）
ここでＩ＿ＬＩは断層画像Ｉ＿ＯＲＧに対して線形補間法を適用して得られる線形補間画像である。

線形補間画像Ｉ＿ＬＩは例えば以下の手順によって得られる。まず断層画像Ｉ＿ＯＲＧにおいて金属画素を抽出する。次に断層画像Ｉ＿ＯＲＧの生成に用いられた投影データＰ＿ＯＲＧにおいて、金属画素に対応する投影値を隣接する投影値で線形補間した投影値で置換することで投影データＰ＿ＬＩを得る。そして投影データＰ＿ＬＩを逆投影するとともに、抽出された金属画素を合成することで線形補間画像Ｉ＿ＬＩが得られる。

ビーム硬化補正画像Ｉ＿ＢＨＣや線形補間画像Ｉ＿ＬＩは金属アーチファクトが低減された画像であるので、（式１）や（式２）によって生成される重みマップＩ＿ｗは金属アーチファクトの存在確率の分布を示すアーチファクトマップでもある。

（Ｓ５０２）
演算部２は、Ｓ５０１で取得された重みマップＩ＿ｗの重み係数ｗを用いて、機械学習出力画像Ｉ＿ＭＡＲと断層画像Ｉ＿ＯＲＧを合成して合成画像Ｉ＿ＣＭＰを生成する。合成画像Ｉ＿ＣＭＰの生成には例えば次式が用いられる。

Ｉ＿ＣＭＰ＝ｗ・Ｉ＿ＭＡＲ＋（１－ｗ）・Ｉ＿ＯＲＧ … （式３）
（式３）によれば、機械学習出力画像Ｉ＿ＭＡＲの各画素値に、重みマップＩ＿ｗの各画素値である重み係数ｗが乗じられたものと、断層画像Ｉ＿ＯＲＧの各画素値に（１－ｗ）が乗じられたものが加算される。すなわち金属アーチファクトが多い領域では機械学習出力画像Ｉ＿ＭＡＲの比率が高められ、金属アーチファクトが少ない領域では断層画像Ｉ＿ＯＲＧの比率が高められる。その結果、合成画像Ｉ＿ＣＭＰでは金属アーチファクトが低減されるとともに、金属アーチファクトの影響が小さい領域において画質が維持される。

ビーム硬化補正画像Ｉ＿ＢＨＣは金属画素に対応する投影値の補正に基づいて得られる画像であるので、（式１）の重みマップＩ＿ｗが用いられる場合、金属画素の影響が大きい領域のアーチファクトをより低減することができる。また線形補間画像Ｉ＿ＬＩは金属画素に対応する投影値を隣接する投影値で線形補間して得られる画像であるので、（式２）の重みマップＩ＿ｗが用いられる場合、金属から直接発生するアーチファクトをより低減することができる。

なお金属アーチファクトは、断層画像Ｉ＿ＯＲＧから抽出される金属画素から離れるに連れて小さくなるので、重み係数ｗは金属画素から離れるに連れて小さくなる。また金属アーチファクトは、金属画素の画素値が大きいほど大きくなるので、重み係数ｗは金属画素の画素値が大きくなるほど大きくなる。

また重み係数ｗは、断層画像Ｉ＿ＯＲＧ、機械学習出力画像Ｉ＿ＭＡＲ、ビーム硬化補正画像Ｉ＿ＢＨＣ、線形補間画像Ｉ＿ＬＩのいずれかを用いて、被検体内の組織や空気等の組織に応じて重みマップＩ＿ｗを調整してもよい。例えば、公知の閾値処理によるセグメンテーションを用いて、断層画像Ｉ＿ＯＲＧを金属、金属以外の被検体、空気の領域に分割し、金属を機械学習出力画像Ｉ＿ＭＡＲ（ｗ＝１）、金属以外の被検体を重みマップＩ＿ｗ、空気を断層画像Ｉ＿ＯＲＧ（ｗ＝０）のように画像の先験情報を用いて、重み係数ｗを調整してもよい。

また重み係数ｗは操作者によって適宜、調整されても良い。例えば、操作者によって設定される調整係数が重み係数ｗの調整に用いられても良い。調整係数は０以上１以下の実数であり、重みマップＩ＿ｗに調整係数が乗じられることによって全ての重み係数ｗが同時に調整される。すなわち重みマップＩ＿ｗに含まれる全ての重み係数ｗには同一の調整係数が乗じられる。

図６を用いて、調整係数の設定に用いられる操作ウィンドウの一例について説明する。図６に例示される操作ウィンドウは、入力画像表示部６０１と合成画像表示部６０２、調整係数設定部６０３を有する。入力画像表示部６０１には、金属アーチファクトを含む断層画像Ｉ＿ＯＲＧと機械学習エンジン１２から出力される機械学習出力画像Ｉ＿ＭＡＲが表示される。なお入力画像表示部６０１は必須ではない。合成画像表示部６０２には、Ｓ５０２で生成される合成画像Ｉ＿ＣＭＰが表示される。調整係数設定部６０３は、重み係数ｗに乗じられる調整係数の設定に用いられ、例えばスライドバーやテキストボックスによって構成される。なお調整係数設定部６０３は、被検体２１０の体軸方向の位置、いわゆるスライス位置毎に調整係数が設定されるように構成されても良い。

操作者は図６に例示される操作画面を用いることにより、調整係数を設定する毎に更新される合成画像Ｉ＿ＣＭＰを確認することができる。また入力画像表示部６０１が表示される場合は、断層画像Ｉ＿ＯＲＧや機械学習出力画像Ｉ＿ＭＡＲと合成画像Ｉ＿ＣＭＰを対比させながら調整係数を設定することができる。

なお金属から発生するアーチファクトに限定したが、金属以外で高いＸ線吸収係数をもつ骨や造影剤等の高吸収体から発生するアーチファクトや、被検体の組織に対して極度に低いＸ線吸収係数をもつ肺野や腸管等の低吸収体から発生するアーチファクトについても、同様な手段で低減することができる。

以上説明した処理の流れにより、金属アーチファクトが低減されるとともに、金属アーチファクトの影響が小さい領域においても画質が維持された合成画像を得ることができる。

実施例１では、断層画像Ｉ＿ＯＲＧと機械学習エンジン１２から出力される機械学習出力画像Ｉ＿ＭＡＲとを合成して、合成画像Ｉ＿ＣＭＰを生成することについて説明した。実施例２では、金属アーチファクトの存在確率の分布を示すアーチファクトマップと断層画像Ｉ＿ＯＲＧを機械学習エンジン１２に入力して、金属アーチファクトが低減された補正画像を取得することについて説明する。なお実施例２の医用画像処理装置１のハードウェア構成は実施例１と同じであるので説明を省略する。

図７を用いて実施例２で実行される処理の流れの一例についてステップ毎に説明する。

（Ｓ７０１）
演算部２は、Ｓ３０１と同様に、金属を含む被検体の断層画像Ｉ＿ＯＲＧを取得する。

（Ｓ７０２）
演算部２は、金属アーチファクトの存在確率の分布を示すアーチファクトマップを取得する。アーチファクトマップは、例えば（式１）や（式２）を用いて生成されてもよい。

（Ｓ７０３）
演算部２は、Ｓ７０２で取得されたアーチファクトマップとＳ７０１で取得された断層画像Ｉ＿ＯＲＧを機械学習エンジン１２に入力する。断層画像Ｉ＿ＯＲＧとともにアーチファクトマップが入力された機械学習エンジン１２は、金属アーチファクトが低減されるとともに、金属アーチファクトの影響が小さい領域において画質が維持される補正画像を出力する。

（Ｓ７０４）
演算部２は、Ｓ７０３で機械学習エンジン１２から出力される補正画像を取得する。取得された補正画像は、表示装置７に表示されたり、記憶装置４に格納されたりする。

以上説明した処理の流れにより、金属アーチファクトが低減されるとともに、金属アーチファクトの影響が小さい領域においても画質が維持された補正画像を得ることができる。なおＳ７０３において、機械学習エンジン１２に対して、ビーム硬化補正画像Ｉ＿ＢＨＣや線形補間画像Ｉ＿ＬＩがさらに入力されても良い。ビーム硬化補正画像Ｉ＿ＢＨＣや線形補間画像Ｉ＿ＬＩがさらに入力されることにより、機械学習エンジン１２から出力される補正画像の金属アーチファクトはさらに低減される。

以上、本発明の複数の実施例について説明した。なお本発明は上記実施例に限定されるものではなく、発明の要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記実施例に開示されている複数の構成要素を適宜組み合わせても良い。さらに、上記実施例に示される全構成要素からいくつかの構成要素を削除しても良い。

１：医用画像処理装置、２：演算部、３：メモリ、４：記憶装置、５：ネットワークアダプタ、６：システムバス、７：表示装置、８：入力装置、１０：医用画像撮影装置、１１：医用画像データベース、１２：機械学習エンジン、１００：Ｘ線ＣＴ装置、２００：スキャナ、２１０：被検体、２１１：Ｘ線管、２１２：検出器、２１３：コリメータ、２１４：駆動部、２１５：中央制御部、２１６：Ｘ線制御部、２１７：高電圧発生部、２１８：スキャナ制御部、２１９：寝台制御部、２２１：コリメータ制御部、２２２：プリアンプ、２２３：Ａ／Ｄコンバータ、２４０：寝台、２５０：操作ユニット、２５１：再構成処理部、２５２：画像処理部、２５４：記憶部、２５６：表示部、２５８：入力部、６０１：入力画像表示部、６０２：合成画像表示部、６０３：調整係数設定部

Claims (11)

1. 金属が含まれる被検体の投影データから断層画像を再構成する演算部を備える医用画像処理装置であって、
   前記演算部は、金属アーチファクトを低減することを機械学習した機械学習エンジンに前記断層画像が入力されたときに出力される機械学習出力画像を取得し、前記機械学習出力画像と前記断層画像を合成して、合成画像を生成することを特徴とする医用画像処理装置。
2. 請求項１に記載の医用画像処理装置であって、
   前記演算部は、重み係数がマッピングされた重みマップを取得し、前記重みマップを用いて前記機械学習出力画像と前記断層画像を合成することを特徴とする医用画像処理装置。
3. 請求項２に記載の医用画像処理装置であって、
   前記重みマップは、前記断層画像に対してビーム硬化補正法を適用して得られるビーム硬化補正画像と前記断層画像との差分の絶対値の分布であることを特徴とする医用画像処理装置。
4. 請求項２に記載の医用画像処理装置であって、
   前記重みマップは、前記断層画像に対して線形補間法を適用して得られる線形補間画像と前記断層画像との差分の絶対値の分布であることを特徴とする医用画像処理装置。
5. 請求項２に記載の医用画像処理装置であって、
   前記重み係数は、前記断層画像から抽出される金属画素から離れるに連れて小さくなることを特徴とする医用画像処理装置。
6. 請求項５に記載の医用画像処理装置であって、
   前記重み係数は、前記金属画素の画素値が大きいほど大きくなることを特徴とする医用画像処理装置。
7. 請求項２に記載の医用画像処理装置であって、
   前記演算部は、調整係数設定部において設定された調整係数を前記重み係数に乗じて得られる値を用いて前記機械学習出力画像と前記断層画像を合成することを特徴とする医用画像処理装置。
8. 請求項７に記載の医用画像処理装置であって、
   前記合成画像は前記調整係数設定部と同一のウィンドウに表示され、前記調整係数設定部において前記調整係数が設定される毎に更新されることを特徴とする医用画像処理装置。
9. 金属が含まれる被検体の投影データから断層画像を再構成する医用画像処理方法であって、
   金属アーチファクトを低減することを機械学習した機械学習エンジンに前記断層画像が入力されたときに出力される機械学習出力画像を取得する取得ステップと、
   前記機械学習出力画像と前記断層画像を合成して、合成画像を生成する生成ステップと、を備えることを特徴とする医用画像処理方法。
10. 金属が含まれる被検体の投影データから断層画像を再構成する演算部を備える医用画像処理装置であって、
    前記演算部は、金属アーチファクトを低減することを機械学習した機械学習エンジンに、前記金属アーチファクトの存在確率の分布を示すアーチファクトマップと前記断層画像を入力することにより、前記金属アーチファクトが低減された補正画像を取得することを特徴とする医用画像処理装置。
11. 請求項１０に記載の医用画像処理装置であって、
    前記演算部は、前記断層画像に対してビーム硬化補正法を適用して得られるビーム硬化補正画像または前記断層画像に対して線形補間法を適用して得られる線形補間画像を前記機械学習エンジンにさらに入力することを特徴とする医用画像処理装置。

Images