JP2022161004A - 医用データ処理方法、モデル生成方法、医用データ処理装置、および医用データ処理プログラム - Google Patents

Abstract

【課題】医用画像における物体の視認性と画質を向上させた医用画像を生成すること。【解決手段】実施形態に係る医用データ処理方法は、医用画像撮像装置により撮像された被検体に関する第１医用データより低ノイズであって前記第１医用データより超解像の第２医用データを前記第１医用データに基づいて生成する学習済みモデルに対して、前記第１医用データを入力することで、前記第２医用データを出力する。【選択図】図１

Description

本明細書及び図面に開示の実施形態は、医用データ処理方法、モデル生成方法、医用データ処理装置、および医用データ処理プログラムに関する。本開示は、一般に医用画像処理および画像診断の分野に関し、特に、深層学習モデルを用いてコンピュータ断層撮影（Ｃｏｍｐｕｔｅｒ Ｔｏｍｏｇｒａｐｈｙ：ＣＴ）画像の空間分解能を向上することに関する。

従来、例えば、Ｘ線コンピュータ断層撮影（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ：ＣＴ）装置によるＣＴ検査において、肺野および骨では緻密な構造を見る必要がある。このため、肺野および骨に関するＣＴ検査において、Ｘ線ＣＴ装置により再構成されたＣＴ画像では、他の部位に比べてより高い空間分解能が求められる。このとき、例えば、ＦＢＰ（ｆｉｌｔｅｒｅｄ ｂａｃｋ ｐｒｏｊｅｃｔｉｏｎ）ベースの再構成法では、高周波を増強する再構成関数を用いることで、再構成されたＣＴ画像における空間分解能を向上させる等の技術がある。また、近年では、Ｄｅｅｐ ｌｅａｒｎｉｎｇを用いた学習済みモデルにおいて、空間分解能の向上を目的とした超解像技術が提案されている。

しかしながら、再構成関数を用いたＦＢＰベースの空間分解能の向上技術では、再構成されたＣＴ画像の全体に亘って高周波成分が強調される。このため、ＦＢＰベースの空間分解能の向上技術では、ノイズも同時に強調され、再構成されたＣＴ画像における解剖学的構造の視認性が悪くなることがある。一方、Ｄｅｅｐ ｌｅａｒｎｉｎｇによる学習済みモデルを用いた超解像のＣＴ画像では、選択的に解剖学的構造の分解能を向上することができ，上記ＦＢＰベースの再構成法の問題点を解決することができる。

また、Ｘ線ＣＴ装置により低線量で投影データが収集された場合、当該投影データにおいては、高線量で収集された投影データに比べて、ノイズが多くなる。このため、上記超解像により分解能向上を行ったとしても、超解像のＣＴ画像ではノイズにより解剖学的構造の視認性が悪くなることがある。

コンピュータ断層撮影用検出器は、撮影範囲と空間分解能において、小型の検出素子の大きさで広い検出範囲を実現するなど、向上を遂げている。広範囲ＣＴ検出システムの長所の一つとして、撮影範囲の拡大が挙げられる。これにより、心臓や脳を含む臓器のより高速なスキャンと動的撮影が可能になる。広範囲ＣＴ検出システムは回転当たりの撮影範囲を延長することによって、スキャン時間を短縮し、複数回のデータ収集を不要にする。広範囲ＣＴ検出システムを用いることにより、ほんの一瞬のたった１回の回転で、心臓全体、新生児の胸部、さらに足や足首のスキャンを、Ｚ軸上の高い均一性とともに少ない放射線量で収集できる可能性がある。

一方、高空間分解能ＣＴシステムは、例えば、腫瘍分類や病気診断等において向上可能な診断画像を提供する。

しかしながら、広範囲超高分解能（ｕｌｔｒａ－ｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎ：ＵＨＲ）ＣＴ検出システムが商業的に入手可能であるとしても、そのシステムコストは高価であり、複雑な信号処理や画像再構成に関連した問題が生じる可能性がある。広範囲超高分解能ＣＴ検出システムには、より広い撮影範囲と高い分解能という利点はあるものの、商業的な環境では高いコストや複雑性という欠点が利点を上回ることもあり得る。

超解像（ｓｕｐｅｒ－ｒｅｓｏｌｕｔｉｏｎ：ＳＲ）技術とは、撮像システムの分解能を向上させる技術である。ＳＲは、撮像システムの分解能を、低解像度画像から高解像度情報を復元することによって向上させる。ＳＲのアルゴリズムには、予測モデルベースモデル、エッジベースモデル、画像統計ベースモデル、例ベースモデルの４つのカテゴリがある。当該技術分野において、従来の方法よりも優れた画質と早い処理速度を実現可能な深層畳み込みニューラルネットワーク（ｄｅｅｐ ｃｏｎｖｏｌｕｔｉｏｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ： ＤＣＮＮ）ベースのＳＲ手法が求められている。

特開２０１９－２１２０５０号公報 米国特許出願公開第２０１３／０５１５１９号明細書

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の一つは、医用画像における解剖学的特徴などの物体の視認性を向上し、かつ画質を向上させた医用画像を生成することである。ただし、本明細書及び図面に開示の実施形態により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よる各効果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データ処理方法は、医用画像撮像装置により撮像された被検体に関する第１医用データより低ノイズであって前記第１医用データより超解像の第２医用データを前記第１医用データに基づいて生成する学習済みモデルに対して、前記第１医用データを入力することで、前記第２医用データを出力する。

図１は、実施形態に係るＸ線ＣＴ装置の構成例を示す図。 図２は、実施形態に係るノイズ低減超解像処理の手順の一例を示すフローチャート。 図３は、実施形態に係り、医用データを用いたノイズ低減超解像処理の概要を示す図。 図４は、実施形態に係り、医用データの一例として投影データを用いたノイズ低減超解像処理の概要を示す図。 図５は、実施形態に係り、医用データの一例として再構成画像を用いたノイズ低減超解像処理の概要を示す図。 図６は、実施形態に係り、ノイズ低減超解像モデルの生成に関する学習装置の構成の一例を示す図。 図７は、実施形態に係り、第１訓練データと第２訓練データとを用いてＤＣＮＮを学習することによりノイズ低減超解像モデルを生成する処理の手順の一例を示すフローチャート。 図８は、実施形態に係り、モデル生成処理の概要を示す図。 図９は、実施形態に係り、ノイズシミュレーションおよび分解能シミュレーションの対象となるデータの組み合わせの一例を示す図。 図１０は、実施形態における図９の（ａ）に係り、学習済みモデルとなるノイズ低減超解像モデルの入出力が投影データとなる場合について、モデル生成処理の概要を示す図。 図１１は、実施形態における図９の（ａ）に係り、学習済みモデルとなるノイズ低減超解像モデルの入出力が画像データ（再構成画像）となる場合について、モデル生成処理の概要を示す図。 図１２は、実施形態における図９の（ｂ）に係るモデル生成処理の概要を示す図。 図１３は、実施形態における図９の（ｃ）に係るモデル生成処理の概要を示す図。 図１４は、実施形態における図９の（ｄ）に係るモデル生成処理の概要を示す図。 図１５Ａは、本開示に例示される実施形態の処理全体の概要を示す図。 図１５Ｂは、本開示の一つ以上の態様に基づき、機械学習モデルの学習段階および推論段階に用いられるハードウェアシステムの概要を示す図。 図１６は、本開示の一つ以上の態様に基づき、学習済み深層機械学習モデル（ＤＣＮＮ）を取得し、微調整するためのデータ作成のワークフローを示す図。 図１７は、本開示の一つ以上の態様に基づき、広範囲ＵＨＲ－ＣＴ画像に近似させるためのフローチャート。 図１８は、本開示の一つ以上の態様に基づき、最適化された学習済みＤＣＮＮモデルを取得するための学習フレームワークを示すブロック図。 図１９Ａは、一実施形態に基づき、フィードフォワード人工ニューラルネットワーク（ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ：ＡＮＮ）であるＤＬネットワークの一例を示す図。 図１９Ｂは、一実施形態に基づき、畳み込みニューラルネットワーク（ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ：ＣＮＮ）であるＤＬネットワークの一例を示す図。 図１９Ｃは、一実施形態に基づき、畳み込み層の一つのニューロン・ノードに畳み込み層を実現する一例を示す図。 図１９Ｄは、一実施形態に基づき、ボリューム画像データ用の３チャネル－ボリューム畳み込み層を実現する一例を示す図。 図２０は、本開示の一つ以上の態様に基づき、広範囲ＵＨＲ－ＣＴ画像に近似させる第２実施形態の手順を示すフローチャート。 図２１は、本開示の一つ以上の態様に基づき、広範囲ＵＨＲ－ＣＴ画像に近似させる第３実施形態の手順を示すフローチャート。 図２２は、本開示の一つ以上の態様に基づき、広範囲ＵＨＲ－ＣＴ画像に近似させる第４実施形態の手順を示すフローチャート。 図２３は、本開示の一つ以上の態様に基づき、学習済み深層機械学習モデル（ＤＣＮＮ）を取得し、微調整するためのデータ作成のワークフローの第５実施形態を示す図。 図２４は、本開示の一つ以上の態様に基づき、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能画像を取得するための第５実施形態のフローチャート。 図２５は、本開示の一つ以上の態様に基づき、モデルを生成し、最適化し、適用することによって、広範囲ＵＨＲ－ＣＴ画像に非常に似たまたは近似するＤＣＮＮ適用可能画像を生成する少なくとも一つの装置、システム、方法および／または記憶媒体の一つ以上の実施形態と共に利用可能なコンピュータの実施形態を示す概略図。 図２６は、本開示の一つ以上の態様に基づき、モデルを生成し、最適化し、適用することによって、広範囲ＵＨＲ－ＣＴ画像に非常に似たまたは近似するＤＣＮＮ適用可能画像を生成する少なくとも一つの装置、システム、方法および／または記憶媒体の一つ以上の実施形態と共に利用可能なコンピュータの実施形態を示す概略図。 図２７は、本開示の別の実施形態に基づき、ＳＲ用学習済みモデルの生成方法を示す図。 図２８は、本開示の別の実施形態に基づき、推論段階の様々な手順を示すフローチャート。 図２９は、本開示の一実施形態に基づくＣＴ撮像装置の概略図。 図３０は、本開示の一実施形態に基づき、中間ネットワークに係わるクライアント－サーバ構成を有する医用画像処理システムの一例を示す図。

以下、図面を参照しながら、医用データ処理方法、モデル生成方法、医用データ処理装置、および医用データ処理プログラムを記憶するコンピュータが読取可能な非不揮発性記憶媒体について説明する。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。また、説明を具体的にするために、実施形態に係る医用データ処理装置は、医用画像撮像装置に搭載されているものとして説明する。なお、実施形態に係る医用データ処理装置は、医用データ処理方法を実現可能なサーバ装置、換言すれば、医用データ処理プログラムを実行可能なサーバ装置などにより実現されてもよい。

医用データ処理装置は、医用画像撮像装置の一例として、Ｘ線コンピュータ断層撮影装置（以下、Ｘ線ＣＴ（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）装置と呼ぶ）に搭載されているものとして説明する。なお、本医用データ処理装置が搭載される医用画像撮像装置はＸ線ＣＴ装置に限定されず、ＰＥＴ（Ｐｏｓｉｔｒｏｎ Ｅｍｉｓｓｉｏｎ Ｔｏｍｏｇｒａｐｈｙ）およびＳＰＥＣＴ（Ｓｉｎｇｌｅ Ｐｈｏｔｏｎ Ｅｍｉｓｓｉｏｎ Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）などの核医学診断装置、磁気共鳴イメージング装置（以下、ＭＲＩ（Ｍａｇｎｅｔｉｃ Ｒｅｓｏｎａｎｃｅ Ｉｍａｇｉｎｇ）装置と呼ぶ）、核医学診断装置とＸ線ＣＴ装置との複合装置、核医学診断装置とＭＲＩ装置との複合装置、Ｘ線アンギオ装置（Ａｎｇｉｏｇｒａｐｈｙ）、Ｘ線診断装置などであってもよい。

本実施形態は医用画像における解剖学的特徴などの物体の視認性を向上し、かつ画質を向上させた医用画像を生成することを目的とする。例えば、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の一つは、医用画像における解剖学的特徴などの物体の視認性を向上し、かつ画質を向上させた医用画像を生成することにある。ただし、本明細書及び図面に開示の実施形態により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よる各効果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。以下の実施形態で説明する医用データ処理方法は、医用画像撮像装置により撮像された被検体に関する第１医用データを取得し、前記第１医用データより低ノイズであって前記第１医用データより超解像の第２医用データを前記第１医用データに基づいて生成する学習済みモデルに対して、前記第１医用データを入力することで、前記第２医用データを出力する。

（実施形態）
図１は、実施形態に係るＸ線ＣＴ装置１の構成例を示す図である。図１に示すように、Ｘ線ＣＴ装置１は、ガントリとも称される架台装置１０と、寝台装置３０と、コンソール装置４０とを有する。本実施形態における医用データ処理装置は、図１に示すコンソール装置４０において、例えば、システム制御機能４４１と前処理機能４４２とを除外した構成に相当する。なお、本実施形態における医用データ処理装置は、図１に示すコンソール装置４０における構成要素から適宜不要な構成を除いたものであってもよい。なお、本実施形態では、非チルト状態での回転フレーム１３の回転軸の長手方向をＺ軸方向、Ｚ軸方向に直交しかつ回転中心から回転フレーム１３を支持する支柱に向かう方向をＸ軸、当該Ｚ軸及びＸ軸と直交する方向をＹ軸とそれぞれ定義するものとする。図１では、説明の都合上、架台装置１０を複数描画しているが、実際のＸ線ＣＴ装置１の構成としては、架台装置１０は、一つである。

架台装置１０及び寝台装置３０は、コンソール装置４０を介した操作者からの操作、或いは架台装置１０、又は寝台装置３０に設けられた操作部を介した操作者からの操作に基づいて動作する。架台装置１０と、寝台装置３０と、コンソール装置４０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１０は、被検体ＰにＸ線を照射し、被検体Ｐを透過したＸ線の検出データから投影データを収集する撮影系を有する装置である。架台装置１０は、Ｘ線管１１と、Ｘ線検出器１２と、回転フレーム１３と、Ｘ線高電圧装置１４と、制御装置１５と、ウェッジ１６と、コリメータ１７と、ＤＡＳ（Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ Ｓｙｓｔｅｍ）１８とを有する。

Ｘ線管１１は、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）に向けて熱電子を照射することでＸ線を発生する真空管である。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。Ｘ線管１１における管球焦点で発生したＸ線は、Ｘ線管１１におけるＸ線放射窓を通過して、コリメータ１７を介して例えばコーンビーム形に成形され、被検体Ｐに照射される。Ｘ線管１１には、例えば、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、当該Ｘ線量に対応した電気信号をＤＡＳ１８へと出力する。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検出素子が配列された複数の検出素子列を有する。Ｘ線検出器１２は、例えば、当該検出素子列がスライス方向（列方向、ｒｏｗ方向）に複数配列された構造を有する。なお、Ｘ線ＣＴ装置１には、例えば、Ｘ線管１１とＸ線検出器１２とが一体として被検体Ｐの周囲を回転するＲｏｔａｔｅ／Ｒｏｔａｔｅ－Ｔｙｐｅ（第３世代ＣＴ）、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１１のみが被検体Ｐの周囲を回転するＳｔａｔｉｏｎａｒｙ／Ｒｏｔａｔｅ－Ｔｙｐｅ（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。

また、Ｘ線検出器１２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。シンチレータアレイは、複数のシンチレータを有し、シンチレータは入射Ｘ線量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量に応じた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。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。また、Ｘ線検出器１２は、光子計数型Ｘ線検出器であってもよい。Ｘ線検出器１２は、Ｘ線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。なお、回転フレーム１３は、Ｘ線管１１とＸ線検出器１２に加えて、Ｘ線高電圧装置１４やＤＡＳ１８を更に備えて支持する。回転フレーム１３は架台装置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）により回転可能に支持される。回転機構は例えば回転駆動力を生ずるモータと、当該回転駆動力を回転フレーム１３に伝達して回転させるベアリングとを含む。モータは例えば当該非回転部分に設けられ、ベアリングは回転フレーム１３及び当該モータと物理的に接続され、モータの回転力に応じて回転フレームが回転する。

回転フレーム１３と非回転部分にはそれぞれ、非接触方式または接触方式の通信回路が設けられ、これにより回転フレーム１３に支持されるユニットと当該非回転部分あるいは架台装置１０の外部装置との通信が行われる。例えば非接触の通信方式として光通信を採用する場合、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（ＬＥＤ）を有する送信機から光通信によって架台装置１０の非回転部分に設けられた、フォトダイオードを有する受信機に送信され、さらに送信器により当該非回転部分からコンソール装置４０へと転送される。なお通信方式としては、この他に容量結合式や電波方式などの非接触型のデータ伝送の他、スリップリングと電極ブラシを使った接触型のデータ伝送方式を採用しても構わない。また、回転フレーム１３は、回転部の一例である。

Ｘ線高電圧装置１４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機能を有する高電圧発生装置と、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１４は、回転フレーム１３に設けられてもよいし、架台装置１０の固定フレーム側に設けられても構わない。また、Ｘ線高電圧装置１４は、Ｘ線高電圧部の一例である。

制御装置１５は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）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。制御装置１５は、コンソール装置４０若しくは架台装置１０に取り付けられた入力インターフェースからの入力信号を受けて、架台装置１０及び寝台装置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、架台装置１０をチルトさせる制御、及び寝台装置３０及び天板３３を動作させる制御を行う。なお、架台装置１０をチルトさせる制御は、架台装置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は架台装置１０に設けられてもよいし、コンソール装置４０に設けられても構わない。なお、制御装置１５は、メモリ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に構成しても構わない。また、制御装置１５は、制御部の一例である。

ウェッジ１６は、Ｘ線管１１から照射されたＸ線の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。ウェッジ１６は、例えば、ウェッジフィルタ（ｗｅｄｇｅ ｆｉｌｔｅｒ）またはボウタイフィルタ（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を加工したフィルタである。

コリメータ１７は、ウェッジ１６を透過したＸ線をＸ線照射範囲に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１７は、Ｘ線絞りと呼ばれる場合もある。

ＤＡＳ１８は、Ｘ線検出器１２の各Ｘ線検出素子から出力される電気信号に対して増幅処理を行う増幅器と、電気信号をデジタル信号に変換するＡ／Ｄ変換器とを有し、検出データを生成する。ＤＡＳ１８が生成した検出データは、処理回路４４へ転送される。検出データは、純生データと称されてもよい。また、ＤＡＳ１８はデータ収集部の一例である。

寝台装置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り、基台３１と、寝台駆動装置３２と、天板３３と、支持フレーム３４とを備えている。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。支持フレーム３４の上面に設けられた天板３３は、被検体Ｐが載置される板である。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の長軸方向に移動してもよい。

コンソール装置４０は、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、例えば、バス（ＢＵＳ）を介して行われる。なお、コンソール装置４０は、架台装置１０とは別体として説明するが、架台装置１０に、コンソール装置４０またはコンソール装置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、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、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、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等により実現される。メモリ４１は、例えば、ＤＡＳ１８から出力された検出データ、前処理機能４４２により生成された投影データ、再構成処理機能４４３により再構成された再構成画像を記憶する。再構成画像は、例えば、３次元的なＣＴ画像データ（ボリュームデータ）、もしくは２次元的なＣＴ画像データなどである。

メモリ４１は、第１医用データより低ノイズであって当該第１医用データより超解像の第２医用データを第１医用データに基づいて生成する学習済みモデルを記憶する。第１医用データおよび第２医用データは、例えば、再構成処理前の投影データ、または再構成画像に対応する。第１医用データは、医用画像撮像装置により撮像された被検体に関するでーたである。学習済みモデルは、入力された医用データに対して、低ノイズ化および高解像度化を実現するモデルであって、例えば、畳み込みニューラルネットワーク（以下、ＤＣＮＮ（Ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）と呼ぶ）に対する学習により生成される。本実施形態における学習済みモデル（以下、ノイズ低減超解像モデルと呼ぶ）の生成、すなわちＤＣＮＮに対する学習は、例えば、学習装置や、各種サーバ装置、医用データ処理装置が搭載された各種モダリティなどにより実現される。生成されたノイズ低減超解像モデルは、例えば、ＤＣＮＮに対する学習を実施した装置から出力されて、メモリ４１に記憶される。ノイズ低減超解像モデルの生成については、後ほど説明する。

メモリ４１は、処理回路４４により実行されるシステム制御機能４４１、前処理機能４４２、再構成処理機能４４３、画像処理機能４４４、データ処理機能４４５各々の実行に関するプログラムを記憶する。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）等を出力する。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、架台装置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、コンソール装置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。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画像データを再構成する際の再構成条件、ＣＴ画像データに対する後処理に関する画像処理条件等を操作者から受け付ける。当該後処理は、コンソール装置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、当該後処理は、コンソール装置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。ここで定義される後処理とは、再構成処理機能４４３によって再構成された画像に対する処理を指す概念である。後処理は、例えば、再構成画像のＭｕｌｔｉ Ｐｌａｎａｒ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ（ＭＰＲ）表示やボリュームデータのレンダリング等を含む。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、入力部の一例である。また、入力インターフェース４３は、架台装置１０に設けられてもよい。また、入力インターフェース４３は、コンソール装置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、例えば、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ＣＴ装置１全体の動作を制御する。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４４は、自身の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、データ処理機能４４５を実行する。なお、各機能４４１～４４５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４４１～４４５を実現するものとしても構わない。

システム制御機能４４１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の各機能を制御する。また、システム制御機能４４１は、メモリ４１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４４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１の各部を制御する。システム制御機能４４１は、制御部の一例である。

前処理機能４４２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投影データを生成する。前処理機能４４２は、前処理部の一例である。

再構成処理機能４４３は、前処理機能４４２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）等を用いた再構成処理を行ってＣＴ画像データ（医用データ）を生成する。再構成処理には、散乱性補正およびビームハードニング補正などの各種補正処理、および再構成条件における再構成関数の適用など、各種処理を有する。なお、再構成処理機能４４３により実行される再構成処理は、ＦＢＰ法に限定されず、逐次近似再構成、投影データの入力により再構成画像を出力するディープニューラルネットワークなど、既知の処理が適宜用いられてもよい。再構成処理機能４４３は、再構成されたＣＴ画像データをメモリ４１に格納する。再構成処理機能４４３は、再構成処理部の一例である。

画像処理機能４４４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、再構成処理機能４４３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。なお、３次元画像データの生成は再構成処理機能４４３が直接行なっても構わない。また、画像処理機能４４４は、画像処理部の一例である。

データ処理機能４４５は、学習済みモデルであるノイズ低減超解像モデルに対して、第１医用データを入力することで、第１医用データに対して低ノイズ化および高解像度化が実現された第２医用データをノイズ低減超解像モデルから出力する。例えば、ノイズ低減超解像モデルへ入力される第１医用データは、医用画像撮像装置（例えば、Ｘ線ＣＴ装置１など）による被検体の撮像により収集された再構成前のデータまたは表示処理前のデータである。医用画像撮像装置が再構成を伴って画像を生成する場合、第１医用データは、再構成前のデータであって、例えば、ｋ空間データ、投影データ、またはリストモードデータなどである。また、医用画像撮像装置がＸ線診断装置である場合、第１医用データは、表示処理前のデータであって、例えば、Ｘ線検出器から出力されたデータに相当する。すなわち、第１医用データは、例えば、ローデータに相当する。医用画像撮像装置がＸ線ＣＴ装置１である場合、データ処理機能４４５は、Ｘ線ＣＴ装置１による被検体の撮像により収集された第１投影データをノイズ低減超解像モデルに入力し、第１投影データに対して低ノイズ化および高解像度化が実現された第２投影データをノイズ低減超解像モデルから出力する。このとき、第２投影データは、再構成処理機能４４３により再構成され、第１投影データに基づいて再構成された再構成画像に比べて低ノイズ化および高解像度化された再構成画像が生成される。

また、例えば、ノイズ低減超解像モデルへの入力（第１医用データ）が医用画像撮像装置による被検体Ｐの撮像により収集されたローデータに基づいて再構成された第１再構成画像である場合、データ処理機能４４５は、第１再構成画像をノイズ低減超解像モデルに入力し、第１再構成画像に対して低ノイズ化および高解像度化が実現された第２再構成画像を、第２医用データとしてノイズ低減超解像モデルから出力する。

以上のように構成された本実施形態に係るＸ線ＣＴ装置１におけるノイズ低減超解像モデルを用いて、第１医用データから第２医用データを生成する処理（以下、ノイズ低減超解像処理と呼ぶ）について、図２乃至図５を用いて説明する。

図２は、ノイズ低減超解像処理の手順の一例を示すフローチャートである。図３は、医用データを用いたノイズ低減超解像処理の概要を示す図である。図４は、医用データの一例として投影データを用いたノイズ低減超解像処理の概要を示す図である。図５は、医用データの一例として再構成画像を用いたノイズ低減超解像処理の概要を示す図である。

（ノイズ低減超解像処理）
（ステップＳ２０１）
処理回路４４は、データ処理機能４４５により、ノイズ低減超解像処理に入力される第１医用データを取得する。第１医用データとして第１投影データが用いられる場合、データ処理機能４４５は、例えば、被検体Ｐに対する低線量でのスキャンにより生成された第１投影データ（低分解能、高ノイズ）を、前処理機能４４２から取得する。また、第１医用データとして第１再構成画像が用いられる場合、データ処理機能４４５は、例えば、被検体Ｐに対する低線量でのスキャンによる第１投影データ（低分解能、高ノイズ）に基づいて再構成された第１再構成画像（低分解能、高ノイズ）を、再構成処理機能４４３から取得する。

なお、ノイズ低減超解像処理の実行がＯＦＦである場合、すなわち学習済みモデル（ノイズ低減超解像モデル）が用いられない場合、再構成処理機能４４３は、例えば、ノイズ低減処理のみを行う既知の深層学習済みＣＮＮ（以下、ノイズ低減モデルと呼ぶ）などにより、医用画像撮像装置による被検体の撮像により収集された収集データ（第１投影データ）に基づいて、第１再構成画像を第１マトリクスサイズで再構成する。第１マトリクスサイズは、例えば、５１２×５１２のマトリクスサイズである。また、ノイズ低減超解像処理がＯＮである場合、すなわち学習済みモデル（ノイズ低減超解像モデル）が用いられる場合、再構成処理機能４４３は、収集データに基づいて、第１再構成画像を、第１マトリクスサイズより大きく第２再構成画像のマトリクスサイズに対応する第２マトリクスサイズで再構成する。第２マトリクスサイズは、例えば、１０２４×１０２４のマトリクスサイズ、または２０４８×２０４８のマトリクスサイズである。このとき、データ処理機能４４５は、学習済みモデルに対して、第２マトリクスサイズを有する第１再構成画像を入力することで、第２再構成画像を出力する。

また、被検体Ｐに対するスキャン時においてノイズ低減超解像処理がＯＦＦの場合、第１マトリクスサイズで、第１再構成画像が生成される。その後、入力インターフェース４３を介した操作者の指示によりノイズ低減超解像処理がＯＮにされると、データ処理機能４４５は、第１再構成画像に関して、第１マトリクスサイズを、第２マトリクスサイズにアップサンプリングする。すなわち、ノイズ低減超解像処理がＯＮにされた時点において、第１マトリクスサイズが第２マトリクスサイズより小さい場合、データ処理機能４４５は、第１マトリクスサイズを、第２マトリクスサイズにアップサンプリングする。このとき、データ処理機能４４５は、第２マトリクスサイズを有する第１再構成画像を学習済みモデルに入力し、第２再構成画像を出力する。また、第１マトリクスサイズで第１再構成画像が生成された後、ノイズ低減超解像処理がＯＮにされると、再構成処理機能４４３は、第１投影データに基づいて、第２マトリクスサイズの第１再構成画像を、第１医用データとして再度再構成してもよい。

また、ノイズ低減超解像処理が医用データ処理装置で実行される場合、データ処理機能４４５は、ノイズ低減超解像処理におけるノイズ低減超解像モデルに入力されるデータを、医用画像撮像装置または画像保存通信システム（Ｐｉｃｔｕｒｅ Ａｒｃｈｉｖｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍｓ：以下、ＰＡＣＳと呼ぶ）などの画像保管サーバから取得する。

（ステップＳ２０２）
データ処理機能４４５は、ノイズ低減超解像モデルをメモリから読み出す。データ処理機能４４５は、第１医用データを、ノイズ低減超解像モデルに入力する。例えば、第１医用データとして第１投影データが用いられる場合、データ処理機能４４５は、第１投影データ（低分解能、高ノイズ）を、ノイズ低減超解像モデルに入力する。また、第１医用データとして第１再構成画像が用いられる場合、データ処理機能４４５は、第１再構成画像（低分解能、高ノイズ）を、ノイズ低減超解像モデルに入力する。

（ステップＳ２０３）
データ処理機能４４５は、ノイズ低減超解像モデルから第２医用データを出力する。例えば、第１医用データとして第１投影データが用いられる場合、データ処理機能４４５は、ノイズ低減超解像モデルから第２投影データ（高分解能、低ノイズ）を、第２医用データとして出力する。このとき、再構成処理機能４４３は、第２投影データに基づいて、医用画像である第２再構成画像（高分解能、低ノイズ）を再構成する。また、第１医用データとして第１再構成画像が用いられる場合、データ処理機能４４５は、第２再構成画像（高分解能、低ノイズ）を、ノイズ低減超解像モデルから、第２医用データとして出力する。

（ステップＳ２０４）
システム制御機能４４１は、第２再構成画像を、ディスプレイ４２に表示する。なお、入力インターフェース４３を介した操作者の指示により、画像処理機能４４４は、第２再構成画像に対して各種画像処理を実行してもよい。このとき、システム制御機能４４１は、画像処理が適用された第２再構成画像を、ディスプレイ４２に表示する。

以上に述べた実施形態に係るＸ線ＣＴ装置１は、医用画像撮像装置により撮像された被検体に関する第１医用データより低ノイズであって第１医用データより超解像の第２医用データを第１医用データに基づいて生成する学習済みモデル（ノイズ低減超解像モデル）に対して、第１医用データを入力することで、第２医用データを出力する。例えば、実施形態に係るＸ線ＣＴ装置１において、第１医用データは、医用画像撮像装置による被検体の撮像により収集された収集データであって、第２医用データに基づいて医用画像を生成する。

また、例えば、実施形態に係るＸ線ＣＴ装置１において、第１医用データは、医用画像撮像装置による被検体の撮像により収集された収集データに基づいて再構成された第１再構成画像であって、第２医用データは、第１再構成画像より低ノイズであって第１再構成画像より超解像の第２再構成画像である。このとき、実施形態に係るＸ線ＣＴ装置１は、学習済みモデル（ノイズ低減超解像モデル）が用いられない場合、医用画像撮像装置による被検体の撮像により収集された収集データに基づいて、第１再構成画像を第１マトリクスサイズで再構成し、ノイズ低減超解像モデルが用いられる場合、収集データに基づいて、第１再構成画像を、第１マトリクスサイズより大きく第２再構成画像のマトリクスサイズに対応する第２マトリクスサイズで再構成し、学習済みモデルに対して、第２マトリクスサイズを有する第１再構成画像を入力することで、第２再構成画像を出力する。

なお、実施形態に係るＸ線ＣＴ装置１は、第１再構成画像の第１マトリクスサイズを、第１マトリクスサイズより大きく前記第２再構成画像のマトリクスサイズに対応する第２マトリクスサイズにアップサンプリングし、第２マトリクスサイズを有する第１再構成画像を前記学習済みモデルに入力し、第２再構成画像を出力してもよい。

これらにより、本実施形態に係るＸ線ＣＴ装置１によれば、低線量で取得された医用データに対して、医用画像における空間分解能の向上（超解像）とノイズの低減とを、一つの学習済みモデル（ノイズ低減超解像モデル）により、同時に実現することができる。このため、本実施形態に係るＸ線ＣＴ装置１によれば、医用画像における解剖学的特徴などの物体の視認性を向上し、かつ画質を向上させた医用画像を生成することができる。以上のことから、本実施形態に係るＸ線ＣＴ装置１によれば被検体Ｐに対する被曝を低減させ、かつ被検体Ｐに関する画像診断のスループットを向上させることができる。

以下、実施形態で用いられる学習済みモデル（ノイズ低減超解像モデル）の生成について説明する。図６は、ノイズ低減超解像モデルの生成に関する学習装置５の構成の一例を示す図である。なお、学習装置５によるＤＣＮＮへの学習を実現する機能は、Ｘ線ＣＴ装置１などの医用画像撮像装置、または医用データ処理装置に搭載されてもよい。

メモリ５１は、処理回路５４における訓練データ生成機能５４３により生成された一対の訓練データのセットを記憶する。また、メモリ５１は、訓練データの生成の元となる元データを記憶する。元データは、例えば、ノイズ低減超解像モデルにおける処理対象のデータに関する医用画像撮像装置から取得される。また、メモリ５１は、学習対象のＤＣＮＮおよび学習済みモデル（ノイズ低減超解像モデル）を記憶する。メモリ５１は、処理回路５４により実行される訓練データ生成機能５４３、モデル生成機能５４４各々の実行に関するプログラムを記憶する。メモリ５１は、学習装置５における記憶部の一例である。また、メモリ５１を実現するハードウェアなどは、実施形態に記載のメモリ４１と同様なため、説明は省略する。

処理回路５４は、自身の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、訓練データ生成機能５４３、モデル生成機能５４４を実行する。処理回路５４を実現するハードウェアなどは、実施形態に記載の処理回路４４と同様なため、説明は省略する。

訓練データ生成機能５４３は、第２医用データのノイズおよび解像度に対応する第１訓練データを取得する。訓練データ生成機能５４３は、当該第１訓練データに対してノイズを付加しかつ解像度を低減することにより、収集データのノイズおよび解像度に対応する第２訓練データを生成する。例えば、訓練データ生成機能５４３は、ノイズシミュレーションを実行することで、第１訓練データに対してノイズを付加する。続いて、訓練データ生成機能５４３は、解像度シミュレーションを実行することで、ノイズが付加された第１訓練データに対して、解像度を低減させる。なお、第１訓練データに対するノイズシミュレーションと解像度シミュレーションとの実行の順序は、上記説明に限定されず、逆であってもよい。また、ノイズシミュレーションと解像度シミュレーションとは、既知の技術が利用可能であるため、説明は省略する。

これらにより、訓練データ生成機能５４３は、第１訓練データと対をなす第２訓練データを取得する。第１訓練データは、第２訓練データに対する教師データ（正解データ）に相当する。訓練データ生成機能５４３は、生成された第１訓練データと第２訓練データとを、メモリ５１に記憶させる。訓練データ生成機能５４３は、上記処理を繰り返すことで、第１訓練データと第２訓練データとを１セットとした複数の訓練データセットを生成し、メモリ５１に記憶させる。

モデル生成機能５４４は、第１訓練データと第２訓練データとを用いて畳み込みニューラルネットワークを訓練することにより、学習済みモデルを生成する。すなわち、モデル生成機能５４４は、第１訓練データと第２訓練データとを学習対象のＤＣＮＮに適用することで、当該ＤＣＮＮを学習し、ノイズ低減超解像モデルを生成する。

図７は、第１訓練データと第２訓練データとを用いてＤＣＮＮを学習することによりノイズ低減超解像モデルを生成する処理（以下、モデル生成処理と呼ぶ）の手順の一例を示すフローチャートである。図８は、モデル生成処理の概要を示す図である。

（モデル生成処理）
（ステップＳ７０１）
訓練データ生成機能５４３は、第１訓練データを取得する。訓練データ生成機能５４３は、例えば、被検体Ｐを撮像可能な通常のＸ線ＣＴ装置よりも高い空間分解能を有する医用データを収集可能な画像撮像装置、例えば、光子計数型（Ｐｈｏｔｏｎ Ｃｏｕｎｔｉｎｇ）Ｘ線ＣＴ装置、産業用マイクロＣＴ装置、または高い空間分解能を有するＸ線検出器（以下、高分解能検出器と呼ぶ）を有する高分解能Ｘ線ＣＴ装置における高分解能モードでの撮像などにより収集されたデータを、第１訓練データとしてこれらの装置から取得する。高分解能モードとは、高分解能検出器における複数のＸ線検出素子各々から、データを収集することに相当する。なお、高分解能Ｘ線ＣＴ装置における第１医用データの収集は、高分解能検出器における複数のＸ線検出素子において、例えば、互いに隣接する４つのＸ線検出素子からの出力の平均を収集することに相当する。訓練データ生成機能５４３は、第１訓練データをメモリ５１に保存する。

（ステップＳ７０２）
訓練データ生成機能５４３は、第１訓練データに対してノイズシミュレーションを実行し、高分解能（Ｈｉｇｈ Ｒｅｓｏｌｕｔｉｏｎ：ＨＲ）であって高ノイズ（Ｈｉｇｈ Ｎｏｉｓｅ：ＨＮ）のデータ（以下、ＨＲ－ＨＮデータと呼ぶ）を生成する。ＨＲ－ＨＮデータは、第１訓練データに対して多くのノイズを有する。換言すれば、第１訓練データは、ＨＲ－ＨＮデータに対して低ノイズ（Ｌｏｗ Ｎｏｉｓｅ：ＬＮ）であるＨＲ－ＬＮデータに相当する。ＨＲ－ＨＮデータにおけるノイズは、例えば、第１医用データにおけるノイズレベルに相当する。

ノイズシミュレーションは、例えば、ガウシアンノイズに代表される所定の統計モデルに基づくノイズを第１訓練データに付加する方法、ＤＡＳ１８および／またはＸ線検出器などの検出系に係り事前に学習されたノイズモデルに基づくノイズを第１訓練データに付加する方法などがある。これらの方法は、既知であるため説明は省略する。なお、ノイズシミュレーションは、上記方法に限定されず他の既知の方法で実現されてもよい。

（ステップＳ７０３）
訓練データ生成機能５４３は、ＨＲ－ＨＮデータに対して分解能シミュレーションを実行し、低分解能（Ｌｏｗ Ｒｅｓｏｌｕｔｉｏｎ：ＬＲ）であって高ノイズ（ＨＮ）のデータ（以下、ＬＲ－ＨＮデータと呼ぶ）を、第２訓練データとして生成する。ＬＲ－ＨＮデータは、第１訓練データに対して低い分解能を有する。第２訓練データに相当するＬＲ－ＨＮデータにおける分解能は、例えば、第１医用データにおける分解能に相当する。

分解能シミュレーションは、例えば、バイキュービック（Ｂｉ－ｃｕｂｉｃ）、バイリニア（Ｂｉ－ｌｉｎｅａｒ）、ボックス（ｂｏｘ）、ネイバー（ｎｅｉｇｈｂｏｒ）などのｄｏｗｎ ｓａｍｐｌｅおよび／または ｕｐ ｓａｍｐｌｅの方法、平滑化フィルタおよび／または先鋭化ファイルを用いた方法、点広がり関数（ＰＳＦ：Ｐｏｉｎｔ Ｓｐｒｅａｄ Ｆｕｎｃｔｉｏｎ）などの事前モデルを用いた方法、高分解能Ｘ線ＣＴ装置における高分解能検出器における複数のＸ線検出素子において例えば互いに隣接する４つのＸ線検出素子からの出力の平均を収集することなどの収集データ系を模擬したｄｏｗｎ ｓａｍｐｌｅなどがある。これらの方法は、既知であるため説明は省略する。なお、分解能シミュレーションは、上記方法に限定されず他の既知の方法で実現されてもよい。

上記説明では、第１訓練データに対してノイズシミュレーションを実行後、分解能シミュレーションを実行する手順として説明しているが、これに限定されない。例えば、訓練データ生成機能５４３は、第１訓練データに対して分解能シミュレーションを実行することにより、低分解能低ノイズのデータ（以下、ＬＲ－ＬＮデータと呼ぶ）を生成し、次いでＬＲ－ＬＮデータに対してノイズシミュレーションを実行して、第２訓練データ（ＬＲ－ＨＮデータ）を生成してもよい。

訓練データ生成機能５４３は、ステップＳ７０１乃至ステップＳ７０３の処理を繰り返すことにより、第１訓練データと第２訓練データとを１セットとした複数の訓練データセットを生成する。訓練データ生成機能５４３は、生成された複数の訓練データセットを、メモリ５１に記憶させる。なお、訓練データの生成は、後段のステップＳ７０４の処理の後に、ＤＣＮＮに対する学習が収束するまで、繰り返し実行されてもよい。

（ステップＳ７０４）
モデル生成機能５４４は、第１訓練データと第２訓練データとを学習対象のＤＣＮＮに適用することで、当該ＤＣＮＮを学習する。複数の訓練データセットを用いたモデル生成機能５４４によるＤＣＮＮの学習過程は、勾配降下法などの既知の方法が適用可能であるため、説明は省略する。モデル生成機能５４４は、ＤＣＮＮに対する学習の収束を契機として、学習されたＤＣＮＮを、ノイズ低減超解像モデルとして、メモリ５１に記憶する。メモリ５１に記憶されたノイズ低減超解像モデルは、例えば、第１訓練データに関する医用画像撮像装置、および／またはノイズ低減超解像モデルを実行する医用データ処理装置などへ、適宜送信される。

以下、ノイズシミュレーションおよび分解能シミュレーションの対象となるデータの一例について説明する。図９は、ノイズシミュレーションおよび分解能シミュレーションの対象となるデータの組み合わせの一例を示す図である。図９における収集データは、医用画像撮像装置などに応じて異なる。収集データは、例えば、Ｘ線ＣＴ装置１およびＸ線診断装置などに関しては投影データ、ＭＲＩ装置に関してはｋ空間データ、ＰＥＴ装置に関しては、サイノグラムデータまたはリストモードデータなどに相当する。以下、説明を具体的にするために収集データは投影データであるものとして説明する。また、図９における画像データは、例えば、再構成画像である。

以下、図９における（ａ）について、図１０および図１１を用いて説明する。図１０は、図９における（ａ）に係り、学習済みモデルとなるノイズ低減超解像モデルの入出力が投影データとなる場合について、モデル生成処理の概要を示す図である。図１１は、図９における（ａ）に係り、学習済みモデルとなるノイズ低減超解像モデルの入出力が画像データ（再構成画像）となる場合について、モデル生成処理の概要を示す図である。図１０および図１１に示すように、ノイズシミュレーションおよび分解能シミュレーションの対象のデータは、収集データである。

訓練データ生成機能５４３は、第１投影データを取得する。第１投影データは、第２再構成画像のノイズおよび解像度に対応する再構成前の第１再構成前データに対応する。図１０および図１１に示すように、第１投影データは、第２医用データに準ずる高分解能および低ノイズの投影データである。図１０および図１１に示すように、訓練データ生成機能５４３は、第１投影データに対してノイズシミュレーションを実行し、高分解能高ノイズ（ＨＲ－ＨＮ）投影データを生成する。次いで、訓練データ生成機能５４３は、ＨＲ－ＨＮ投影データに対して分解能シミュレーションを実行し、低分解能および高ノイズの第２投影データを生成する。第２投影データは、第１再構成画像のノイズおよび解像度に対応し、再構成前の第２再構成前データに対応する。

なお、訓練データ生成機能５４３は、第１投影データに対して分解能シミュレーションを実行し、低分解能低ノイズ（ＬＲ－ＬＮ）投影データを生成してもよい。このとき、訓練データ生成機能５４３は、ＬＲ－ＬＮ投影データに対してノイズシミュレーションを実行し、低分解能および高ノイズの第２投影データを生成する。

図１０において、モデル生成機能５４４は、第１投影データと第２投影データとを用いてＤＣＮＮを学習し、ノイズ低減超解像モデルを生成する。このとき、第１投影データは第１訓練データに対応し、第２投影データは第２訓練データに対応する。また、第１投影データは、ＤＣＮＮに対する学習において、教師データに対応する。図１０では、投影データ（収集データ）のドメインにおいてＤＣＮＮが学習されることとなる。

図１１において、訓練データ生成機能５４３は、第１投影データを再構成することにより、高分解能及び低ノイズの第１訓練画像を生成する。また、訓練データ生成機能５４３は、第２投影データを再構成することにより、低分解能及び高ノイズの第２訓練画像を生成する。第２投影データは、第１再構成前データに対してノイズを付加しかつ解像度を低減することにより生成された再構成前の第２再構成前データに対応する。また、再構成前の第２再構成前データは、第１再構成画像のノイズおよび解像度に対応する。第１訓練画像は第１訓練データに対応し、第２訓練画像は第２訓練データに対応する。また、第１訓練画像は、ＤＣＮＮに対する学習において、教師データに対応する。

図１１において、モデル生成機能５４４は、第１訓練画像と第２訓練画像とを用いてＤＣＮＮを学習し、ノイズ低減超解像モデルを生成する。図１１では、図１０と異なり、画像ドメインにおいてＤＣＮＮが学習されることとなる。

以下、図９における（ｂ）について、図１２を用いて説明する。図１２は、図９における（ｂ）に係るモデル生成処理の概要を示す図である。図９における（ｂ）および図１２に示すように、ノイズシミュレーションの対象データは、収集データであって、分解能シミュレーションの対象のデータは、画像データである。

訓練データ生成機能５４３は、第１投影データを取得する。図１２に示すように、第１投影データは、第２医用データに準ずる高分解能および低ノイズの投影データである。図１２に示すように、訓練データ生成機能５４３は、第１投影データを再構成することにより、第１訓練画像を生成する。訓練データ生成機能５４３は、第１投影データに対してノイズシミュレーションを実行し、ＨＲ－ＨＮ投影データを生成する。次いで、訓練データ生成機能５４３は、ＨＲ－ＨＮ投影データを再構成し、ＨＲ－ＨＮ再構成画像を生成する。すなわち、訓練データ生成機能５４３は、第１再構成前データに対してノイズを付加して再構成することにより、第１再構成画像のノイズに対応するノイズ付加画像（ＨＲ－ＨＮ再構成画像）を生成する。

訓練データ生成機能５４３は、ＨＲ－ＨＮ再構成画像に対して分解能シミュレーションを実行し、低分解能および高ノイズの第２訓練画像を生成する。すなわち、訓練データ生成機能５４３は、ノイズ付加画像に対して解像度を低減することにより、第１再構成画像のノイズおよび解像度に対応する第２訓練画像を生成する。図１１と同様に、モデル生成機能５４４は、第１訓練画像と第２訓練画像とを用いてＤＣＮＮを学習し、ノイズ低減超解像モデルを生成する。

以下、図９における（ｃ）について、図１３を用いて説明する。図１３は、図９における（ｃ）に係るモデル生成処理の概要を示す図である。図９における（ｃ）および図１３に示すように、分解能シミュレーションの対象データは、収集データであって、ノイズシミュレーションの対象のデータは、画像データである。

訓練データ生成機能５４３は、第１投影データを取得する。図１３に示すように、第１投影データは、第２医用データに準ずる高分解能および低ノイズの投影データである。図１３に示すように、訓練データ生成機能５４３は、第１投影データを再構成することにより、第１訓練画像を生成する。訓練データ生成機能５４３は、第１投影データに対して分解能シミュレーションを実行し、ＬＲ－ＬＮ投影データを生成する。次いで、訓練データ生成機能５４３は、ＬＲ－ＬＮ投影データを再構成し、ＬＲ－ＬＮ再構成画像を生成する。すなわち、訓練データ生成機能５４３は、第１再構成前データに対して解像度を低減して再構成することにより、第１再構成画像の解像度に対応する低解像画像（ＬＲ－ＬＮ再構成画像）を生成する。

訓練データ生成機能５４３は、ＬＲ－ＬＮ再構成画像に対してノイズシミュレーションを実行し、低分解能および高ノイズの第２訓練画像を生成する。すなわち、訓練データ生成機能５４３は、低解像画像に対してノイズを付加することにより、第１再構成画像のノイズおよび解像度に対応する第２訓練画像を生成する。図１１および図１２と同様に、モデル生成機能５４４は、図１３に示すように、第１訓練画像と第２訓練画像とを用いてＤＣＮＮを学習し、ノイズ低減超解像モデルを生成する。

以下、図９における（ｄ）について、図１４を用いて説明する。図１４は、図９における（ｄ）に係るモデル生成処理の概要を示す図である。図９における（ｄ）および図１４に示すように、ノイズシミュレーションおよび分解能シミュレーションの対象データは、画像データである。

訓練データ生成機能５４３は、第１投影データを取得する。図１４に示すように、第１投影データは、第２医用データに準ずる高分解能および低ノイズの投影データである。図１４に示すように、訓練データ生成機能５４３は、第１投影データを再構成することにより、第１訓練画像を生成する。訓練データ生成機能５４３は、第１訓練画像に対して分解能シミュレーションとノイズシミュレーションとを順に実行し、低分解能および高ノイズの第２訓練画像を生成する。すなわち、訓練データ生成機能５４３は、第１訓練画像に対して解像度を低減してノイズを付加することにより、第１再構成画像のノイズおよび解像度に対応する第２訓練画像を生成する。

なお、図１４では、分解能シミュレーションに続いてノイズシミュレーションを実行する手順が示されているが、これに限定されない。すなわち、訓練データ生成機能５４３は、第１訓練画像に対してノイズシミュレーションを実行し、次いで分解能シミュレーションを実行して、第２訓練画像を生成してもよい。図１１乃至図１３と同様に、モデル生成機能５４４は、図１４に示すように、第１訓練画像と第２訓練画像とを用いてＤＣＮＮを学習し、ノイズ低減超解像モデルを生成する。

以上に述べた実施形態に係る学習装置５により実現されるモデル生成方法は、第２医用データのノイズおよび解像度に対応する第１訓練データに対してノイズを付加しかつ解像度を低減することにより、収集データのノイズおよび解像度に対応する第２訓練データを生成し、第１訓練データと第２訓練データとを用いて畳み込みニューラルネットワークを訓練することにより、学習済みモデルを生成する。例えば、本モデル生成方法は、第２再構成画像のノイズおよび解像度に対応する再構成前の第１再構成前データに基づいて、第１訓練画像を再構成し、第１再構成前データに対してノイズを付加しかつ解像度を低減することにより、第１再構成画像のノイズおよび解像度に対応し、再構成前の第２再構成前データを生成し、第２再構成前データに基づいて第２訓練画像を再構成し、第１訓練画像と第２訓練画像とを用いて畳み込みニューラルネットワークを訓練することにより、学習済みモデルを生成してもよい。

また、本学習装置５により実現されるモデル生成方法は、第２再構成画像のノイズおよび解像度に対応する再構成前の第１再構成前データに基づいて、第１訓練画像を再構成し、第１再構成前データに対してノイズを付加して再構成することにより、第１再構成画像のノイズに対応するノイズ付加画像を生成し、ノイズ付加画像に対して解像度を低減することにより、第１再構成画像のノイズおよび解像度に対応する前記第２訓練画像を生成し、第１訓練画像と第２訓練画像とを用いて畳み込みニューラルネットワークを訓練することにより、学習済みモデルを生成してもよい。

また、本学習装置５により実現されるモデル生成方法は、第１再構成前データに対して解像度を低減して再構成することにより、第１再構成画像の解像度に対応する低解像画像を生成し、低解像画像に対してノイズを付加することにより、第１再構成画像のノイズおよび解像度に対応する前記第２訓練画像を生成し、第１訓練画像と第２訓練画像とを用いて畳み込みニューラルネットワークを訓練することにより、学習済みモデルを生成してもよい。

また、本学習装置５により実現されるモデル生成方法は、第２再構成画像のノイズおよび解像度に対応する再構成前の第１再構成前データに基づいて、第１訓練画像を再構成し、第１訓練画像に対してノイズを付加して解像度を低減することにより、第１再構成画像のノイズおよび解像度に対応する第２訓練画像を生成し、第１訓練画像と第２訓練画像とを用いて畳み込みニューラルネットワークを訓練することにより、学習済みモデルを生成する。

これらのことから、本学習装置５により実現されるモデル生成方法によれば、低線量で取得された医用データに対して、医用画像における空間分解能の向上（超解像）とノイズの低減と同時に実現可能な一つの学習済みモデル（ノイズ低減超解像モデル）を生成することができる。また、本モデル生成方法によれば、収集データおよび画像データなどの訓練データの種別によらず、ノイズ低減超解像モデルを生成することができる。以上のことから、本モデル生成方法によれば、医用画像における解剖学的特徴などの物体の視認を向上し、かつ画質を向上させた医用画像を生成可能な学習済みモデルを生成することができる。

（変形例）
なお、本実施形態における変形例として、学習装置５は、超解像を実現する学習済みモデル（以下、超解像モデルと呼ぶ）として、ＤＣＮＮを訓練してもよい。このとき、超解像モデルは、ノイズ低減の作用を有さないものとなる。この場合、図８乃至図１４におけるノイズシミュレーションは不要となる。また、本変形例においては、モデル生成機能５４４は、図１１乃至図１４に示すように、画像ドメインにおいて学習を実行する。すなわち、超解像モデルは、医用データ処理装置において、画像ドメインで実行されることとなる。

本変形例における超解像モデルを適用する場合、再構成処理機能４４３は、例えば、１０２４×１０２４のマトリクスサイズで再構成画像を生成する。データ処理機能４４５は、１０２４×１０２４のマトリクスサイズで再構成画像を、超解像モデルに入力することで、当該再構成画像の超解像画像を生成する。また、本変形例における超解像モデルを適用しない場合、再構成処理機能４４３は、例えば、５１２×５１２のマトリクスサイズで再構成画像を生成する。このとき、データ処理機能４４５は、５１２×５１２のマトリクスサイズで再構成画像を、ノイズ低減モデルに入力することで、当該再構成画像のノイズ低減画像を生成してもよい。

実施形態における技術的思想を医用データ処理装置で実現する場合、医用データ処理装置は、医用画像撮像装置により撮像された被検体に関する第１医用データより低ノイズであって第１医用データより超解像の第２医用データを第１医用データに基づいて生成する学習済みモデル（ノイズ低減超解像モデル）に対して、第１医用データを入力することで、第２医用データを出力する処理回路４４を有する。医用データ処理装置により実行されるノイズ低減超解像処理の手順および効果は、実施形態と同様なため、説明は省略する。

本実施形態における技術的思想を医用データ処理プログラムで実現する場合、医用データ処理プログラムは、コンピュータに、医用画像撮像装置により撮像された被検体に関する第１医用データより低ノイズであって第１医用データより超解像の第２医用データを第１医用データに基づいて生成する学習済みモデル（ノイズ低減超解像モデル）に対して、第１医用データを入力することで、第２医用データを出力すること、を実現させる。医用データ処理プログラムは、例えば、コンピュータが読取可能な非不揮発性記憶媒体に記憶される。

例えば、医用データ処理に関する各種サーバ装置（処理装置）に医用データ処理プログラムを非不揮発性記憶媒体からインストールし、これらをメモリ上で展開することによっても、ノイズ低減超解像処理を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。医用データ処理プログラムにおける処理手順および効果は、実施形態と同様なため、説明は省略する。

本開示の目的の一つは、広範囲ＵＨＲ－ＣＴ画像に近似するコンピュータ断層撮影（ＣＴ）画像を取得するためのモデルを生成する方法を含む。一実施形態において、広範囲ＵＨＲ－ＣＴ画像に近似するＣＴ画像を取得するためのモデル生成方法によって、広範囲ＵＨＲ－ＣＴ検出システムを必要とせずに、広範囲超高解像度画像を実現することが可能になる。該方法は、ＣＴ撮像モダリティを用いて撮像対象の物体をスキャンすることによって収集された第一の投影データセットを取得することを含む。第一の投影データセットは、ＵＨＲ－ＣＴスキャナ等の撮像モダリティから取得される超高分解能（ｕｌｔｒａ－ｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎ：ＵＨＲ）ＣＴデータを含んでもよい。該方法は、第一の投影データセットの分解能低減処理を実施して第二の投影データセットを取得することによって継続されてもよい。第二の投影データセットは、通常分解能（ｎｏｒｍａｌ ｒｅｓｏｌｕｔｉｏｎ：ＮＲ）ＣＴデータを含んでもよい。該方法は、第一の投影データセットに基づいて再構成された第一のＣＴ画像と第二の投影データセットに基づいて再構成された第二のＣＴ画像を用いて機械学習モデルを学習させて、広範囲ＵＨＲ－ＣＴ画像に近似するＣＴ画像を生成するためのモデルを取得することによって、継続される。機械学習モデルは、深層畳み込みニューラルネットワーク（ｄｅｅｐ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ：ＤＣＮＮ）モデルであってもよい。第一のＣＴ画像はＵＨＲ－ＣＴ画像を含み、第二のＣＴ画像は通常分解能（ＮＲ）ＣＴ画像を含んでもよい。

本開示の一つ以上の実施形態において、指示を記憶する一つ以上のメモリと、指示を実行して機械学習モデルを適用可能なＣＴ画像を生成する一つ以上のプロセッサを備える医用画像処理装置が提供される。医用画像処理装置は、医用撮像モダリティを用いて検査対象の物体をスキャンすることによって収集された投影データセットを受信することを含む。投影データセットは、物体をスキャンする撮像モダリティとして用いられる広範囲ＣＴ検出器から取得される広範囲ＣＴ検出データを含んでもよい。医用画像処理装置は、投影データセットに基づいて、物体のＣＴ画像を再構成する。再構成された画像は、広範囲ＣＴ検出画像を含んでもよい。医用画像処理装置は、ノイズ低減用の第一の学習済み機械学習モデルと超解像用の第二の学習済み機械学習モデルの一方を指定する。双方のモデルは一つ以上のメモリに保存可能である。指定されたモデルは、ノイズ低減用の深層畳み込みニューラルネットワーク（ＤＣＮＮ）機械学習モデルまたは超解像用のＤＣＮＮ機械学習モデルでもよい。医用画像処理装置は、再構成されたＣＴ画像に指定されたモデルを適用することによって、処理済み画像を取得する。再構成されたＣＴ画像は、広範囲ＣＴ検出画像を含んでもよい。広範囲ＣＴ検出画像に学習済みＤＣＮＮモデルを適用後、処理済み画像が生成される。処理済み画像は、広範囲ＵＨＲ－ＣＴ画像に近似または相似するＤＣＮＮ適用可能画像を含んでもよい。

本開示の一つ以上の実施形態は医用撮像や研究等の臨床用途に利用可能であるが、これに限定されるものではない。

本開示の他の態様に基づいて、広範囲超高解像度ＣＴ画像に近似するＣＴ画像を生成するための深層畳み込みニューラルネットワークを用いる、一つ以上の追加の装置、一つ以上のシステム、一つ以上の方法、一つ以上の記憶媒体を説明する。本開示の更なる特徴は、添付の図面を参照する以下の記載から、理解され、明らかにされる。

本開示の様々な態様を説明するために、図面において、同様な要素は同様な参照符号で示され、理解される程度に単純化された、採用可能な形式で示されるが、本開示は図示される正確な配置や手段によって、または正確な配置や手段に限定されるものではない。本開示の主題の作成や利用について当業者を支援するために、添付の図面を参照する。

本開示において、用語「超高分解能（ｕｌｔｒａ－ｈｉｇｈ ｒｅｓｏｌｕｔｉｏｎ：ＵＨＲ）ＣＴ検出システム」は、ＵＨＲ－ＣＴ検出スキャナまたはＵＨＲ－ＣＴ検出器撮像と相互に言い換え可能である。また、本開示において、用語「広範囲ＣＴ検出システム」は、広範囲ＣＴ検出スキャナまたは広範囲ＣＴ検出器撮像と相互に言い換え可能である。以下に説明する例示的な実施形態において、用語「超高分解能（ＵＨＲ）」および「通常分解能（ｎｏｒｍａｌ ｒｅｓｏｌｕｔｉｏｎ：ＮＲ）」は、特定の分解能を意味するものではない。「ＵＨＲ」の空間分解能は、ＮＲより相対的に高いとして定義され、「ＮＲ」の空間分解能はＵＨＲより低い。また、以下に説明する例示的な実施形態において、用語「広範囲」または「より広範囲」は、特定の範囲や検出器の特定の大きさを意味するものではない。「広範囲」とは、通常撮影範囲の検出器より広い撮影範囲を意味する。また、用語「低放射線量（ｌｏｗ－ｄｏｓｅ：ＬＤ）」、「高放射線量（ｈｉｇｈ－ｄｏｓｅ：ＨＤ）」は特定の放射線量を意味するものではない。「低放射線量（ＬＤ）」とは、「高放射線量（ＨＤ）」より相対的に低い放射線量を意味し、「高放射線量（ＨＤ）」とは、「低放射線量（ＬＤ）」より相対的に高い放射線量を意味する。

本開示は、ＵＨＲ－ＣＴ検出システムを用いて超解像学習モデルを構成して、最適化された学習済み深層畳み込みニューラルネットワーク（ＤＣＮＮ）を取得することに関する。該学習済み深層畳み込みニューラルネットワークは、広範囲ＣＴ検出システムから取得される広範囲ＣＴ検出画像に適用される。臨床の場において、超解像学習は、広範囲ＣＴ検出システムが、最適化された学習済みＤＣＮＮを適用することによって、広範囲ＵＨＲ－ＣＴ画像に相似または近似するＤＣＮＮ適用可能ＣＴ画像を取得することを可能にする。すなわち、ＵＨＲ－ＣＴ検出システムは、機械学習モデルの訓練に用いられるが、臨床環境では必要とされない。その利点は、臨床環境において広範囲ＣＴシステムだけで済むことにある。つまり、本開示は、広範囲ＵＨＲ－ＣＴ検出システムを用いることなく、広範囲ＵＨＲ－ＣＴ画像に近似するＣＴ画像の取得を可能にする。このことは、例えば、広範囲ＵＨＲ－ＣＴ検出システムが利用不可能な場合に特に有利である。

次に、図面の詳細を参照する。図１５Ａは、例示的な実施形態に開示される処理の概要を示す。広範囲ＣＴデータ１０１およびＵＨＲ－ＣＴデータ２０１は広範囲ＵＨＲ－ＣＴ画像３０１の取得に用いられる。ＵＨＲ－ＣＴデータ２０１は、再構成処理の実施されていない投影データセットである。広範囲ＣＴデータ１０１は広範囲ＣＴ検出システム１００から収集されてもよい。ＵＨＲ－ＣＴデータ２０１は、ＵＨＲ－ＣＴ検出システム２００から収集されてもよい。ＵＨＲ－ＣＴデータ２０１は、本開示の一つ以上の態様に基づいて、低解像度ＣＴ画像に適用される学習済みモデルを取得するために学習段階で用いられる。本開示において、学習段階で用いられるＵＨＲ－ＣＴデータ２０１は臨床環境では必要ではない。すなわち、ＵＨＲ－ＣＴ検出システム２００は、現場から離れた場所に置かれて機械学習モデルの訓練用途に用いられてもよい。広範囲ＣＴ検出システム１００は、臨床環境において患者の画像診断に用いられる。本開示の一つ以上の態様に基づき、推論段階において、収集された広範囲ＣＴデータ１０１に対して超解像処理が実施される。本開示の一態様に基づき、広範囲ＣＴ検出システム１００は、広範囲ＵＨＲ－ＣＴ検出システムを必要とすることなく、推論段階において、学習段階で得られた学習済み機械学習モデルを用いて、広範囲ＵＨＲ－ＣＴ検出システムによって収集可能な画像に近似または相似するＣＴ画像を生成する。図１６、１７、２０、２１、２２、２３、２４および２７を参照して、画像ドメインの超解像（ｓｕｐｅｒ ｒｅｓｏｌｕｔｉｏｎ：ＳＲ）について以下に説明する。図２８を参照して、データ（投影）ドメインのＳＲを以下に説明する。

実施形態の一例において、広範囲ＣＴ検出システム１００およびＵＨＲ－ＣＴ検出システム２００はそれぞれ、図２５および２６を参照して以下に説明するように、ネットワークと通信するコンソールまたはコンピュータを備えてもよい。また、広範囲ＣＴ検出システム１００およびＵＨＲ－ＣＴ検出システム２００は、ネットワークを介して、コンピュータ（図２５および２６に示す）に付随するＣＰＵと接続されてもよい。すなわち、本開示に基づき、検出システム（１００、２００）のいずれかまたは双方は、ネットワークを介してコンソールまたはコンピュータに接続されてもよいし、内部にコンピュータを備えてもよい。ＣＴシステムの構成の一例を、図２９を参照して以下に説明する。

機械学習モデルの学習段階および推論段階で用いられるハードウェアシステムを、図１５Ｂを参照して説明する。機械学習モデルの学習は、図２６に示すコンピュータ１２００’と同じ構成要素を有する情報処理装置４００内で実行される。情報処理装置４００は、ＵＨＲ－ＣＴデータ２０１をＵＨＲ－ＣＴ検出システム２００からネットワークＩ／Ｆ１２１２を介して受信する。ＣＰＵまたはＧＰＵは、ＵＨＲ－ＣＴデータ２０１に基づいて機械学習モデルを学習させる。学習プロセスの詳細は後で説明する。学習終了後、情報処理装置４００は超解像（ＳＲ）用学習済みモデル４０１を取得する。ＳＲ用学習済みモデル４０１は、広範囲ＣＴ検出システム１００内の画像処理装置１５０または上述のコンソールに出力される。画像処理装置１５０または該装置１５０のＣＰＵは、学習済みモデル４０１をメモリに保存する。画像処理装置１５０のＣＰＵまたはＧＰＵは、広範囲ＣＴ検出システム１００によって収集された広範囲ＣＴデータ１０１およびＣＴ画像またはＣＴ（投影）データに適用される学習済みモデル４０１に基づいて、広範囲ＵＨＲ－ＣＴ画像３０１を生成する。

別の実施形態では、広範囲ＣＴ画像の代わりに、上述の学習済みモデルを通常範囲ＣＴ検出システムによって収集されたＣＴ画像に適用して、空間分解能を向上させたＣＴ画像を生成する。

図１６は、機械学習モデルを訓練するためのデータ作成と深層畳み込みニューラルネットワーク（ＤＣＮＮ）処理のワークフローを示す。このワークフローは、ステップＳ１００でＵＨＲ－ＣＴデータを取得することによって開始される。ＵＨＲ－ＣＴデータは、超高分解能ＣＴ検出スキャナ２００から収集された再構成前の投影データである。ＵＨＲ－ＣＴ検出スキャナ２００は、現場とは異なる場所または現場から離れた場所に配置されて機械学習モデルを取得する訓練に用いられてもよい。ワークフローの次のステップＳ１０２は、ＵＨＲ－ＮＲシミュレーション（または分解能低減処理）をＵＨＲ－ＣＴデータに対して実施して、通常分解能（ＮＲ）ＣＴデータを取得することを含む。ＵＨＲからＮＲへのシミュレーションの一例として、利用可能なダウンサンプリングが挙げられ、例として４対１の割合のデータドメインのビニングを含む。但し、他の種類の分解能低減処理、例えば、平滑化や他のフィルタリングの利用も本開示の範囲に含まれる。ＵＨＲからＮＲへのシミュレーションによって、通常分解能スキャナ（例えば、４対１画素ビニング）から収集された再構成前ＣＴデータをシミュレーションする。または、ＮＲ－ＣＴ検出システムが利用可能な場合、ＮＲ－ＣＴデータは、ＵＨＲ－ＣＴデータのダウンサンプリングではなく、該ＮＲ－ＣＴ検出システムから直接収集されてもよい。ＮＲ－ＣＴ検出システムをＮＲ－ＣＴデータの取得に用いる場合、ステップＳ１００とＳ１０２を並列にまたは個別に実行してもよい。

ステップＳ１０２において、ステップＳ１００のＵＨＲ－ＣＴデータをＮＲ－ＣＴデータにダウンサンプリングする場合、ダウンサンプリングを行う理由は、従来のＣＴデータに比べてＵＨＲ－ＣＴデータは画素数が多いためである。つまり、超高分解能データと通常分解能データである。一実施形態において、ＵＨＲ－ＣＴデータは従来のＣＴデータ（５１２×５１２）の４倍の画素（１０２４×１０２４）を有し得る。すなわち、ＵＨＲ－ＣＴによる画素は従来のＣＴの４倍小さいため、ＵＨＲ－ＣＴによる画素をダウンサンプリングして、従来ＣＴの画素サイズに一致させる。

次のステップＳ１０４とＳ１０６は、ステップＳ１００と１０２で収集されたデータの再構成を含む。具体的には、ステップＳ１０４において、ＵＨＲ－ＣＴデータはＵＨＲ－ＣＴ画像に再構成される。ステップＳ１０６において、ＮＲ－ＣＴデータはＮＲ－ＣＴ画像に再構成される。ＵＨＲ－ＣＴ画像とは、ＵＨＲ－ＣＴ検出スキャナ２００からの再構成画像であり、ＤＣＮＮの学習対象として用いられる。言い換えると、ＵＨＲ－ＣＴ画像は機械学習モデルの学習対象である。ＮＲ－ＣＴ画像とは、学習対象と一致させるため、小さい画素サイズに画質を落とした（ビニングした）ＵＨＲ－ＣＴデータからの再構成画像である。

画像ドメインのＤＣＮＮは、例えば、Ｕ－ＮＥＴ、Ｖ－ＮＥＴ、およびＥＤＳＲ等の任意の種類のＤＣＮＮ構造を適用可能であるが、本開示に適用可能なＤＣＮＮ構造の種類はこれらに限定されない。ステップＳ１０８において、ＮＲ－ＣＴ画像はＤＣＮＮまたは機械ベース学習モデルの入力として用いられる。ＵＨＲ－ＣＴ画像は、ＤＣＮＮを最適化するためのＤＣＮＮ学習ワークフローの対象として用いられる。最適化の過程で、ＤＣＮＮはステップＳ１０８において処理済みＮＲ－ＣＴ画像を出力する。ステップＳ１１０において、該処理済みＮＲ－ＣＴ画像は、損失関数の取得に用いられる。ステップＳ１１２において、損失関数によって、ＤＣＮＮモデルは最適化される。ステップＳ１１４において、情報処理装置４００は終了基準が満たされているか否かを判断する。処理ループは終了基準が満たされる（ステップＳ１１４の「Ｙ」）まで継続される。終了基準が満たされない場合（ステップＳ１１４の「Ｎ」）、処理ループはステップＳ１０８に戻る。処理済みＮＲ－ＣＴ画像はＵＨＲ－ＣＴ画像（対象）と比較される。処理済みＮＲ－ＣＴ画像は、ＮＲ－ＣＴ画像を入力とするＤＣＮＮ機械学習モデルの学習出力画像である。ＵＨＲ－ＣＴ画像と処理済みＮＲ－ＣＴ画像間の損失関数は、２つの画像の差異を低減することを目的とする。また、ＵＨＲ－ＣＴ画像と処理済みＮＲ－ＣＴ画像間の損失関数は、ＤＣＮＮ機械学習モデルにループバックする各反復処理によって、処理済みＮＲ－ＣＴ画像を高画質にすることを目的とする場合もある。処理済みＮＲ－ＣＴ画像の高画質化は、画像に向上の余地がなくなるまで、または画質を向上させる性能に上昇が見られなくなるまで、最適化される。適用可能なニューラルネットワーク学習の一般的な損失関数の設定は、例えば、平均平方係数（ｍｅａｎ ｓｑｕａｒｅ ｆａｃｔｏｒ：ＭＳＡ）や平均平方誤差（ｍｅａｎ ｓｑｕａｒｅｄ ｅｒｒｏｒ：ＭＡＥ）を含むが、本開示のニューラルネットワーク学習に適合可能な損失関数の種類はこれに限定されない。学習済みＤＣＮＮモデルを最適化する損失関数および最適化処理の詳細については、以下に図１８を参照して説明する。

ＤＣＮＮの学習プロセスは、広範囲ＵＨＲ－ＣＴ画像に非常に似たまたは近似するＤＣＮＮ適用可能なコンピュータ断層撮影（ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ：ＣＴ）画像を生成するための機械学習モデルの作成方法である。該方法は、ＣＴ撮像モダリティによって撮像対象の物体をスキャンし、第一の投影データセット（ＵＨＲ－ＣＴデータ）を取得することを含む。また、該方法は、第一の投影データセットの分解能低減処理によって、第二の投影データセット（ＮＲ－ＣＴデータ）を取得することを含む。次に、第一の投影データセットに基づき再構成された第一のＣＴ画像と第二の投影データセットに基づき再構成された第二のＣＴ画像を用いて、機械学習モデル（ＤＣＮＮ）を訓練することによって、超解像用モデル（学習済みＤＣＮＮ）を取得する。一実施形態において、分解能低減処理を適用する場合、ノイズデータを第一の投影データセットに付加することによって、第二の投影データセットを取得してもよい。ノイズデータの付加は、第二のＣＴ画像のノイズレベルを第一のＣＴ画像のノイズレベルより高くするために行われる。

ノイズデータの付加は、入力ＣＴ画像を学習済み機械学習モデルによって処理する場合に、学習済み機械学習モデルが入力ＣＴ画像をデノイズ（ｄｅｎｏｉｓｅ、ノイズ除去）し、その解像度を向上させるために行われる。他の実施形態において、機械学習モデルの入力は所定のサイズの３次元（３Ｄ）画像データであって、機械学習モデルの出力は所定のサイズの３Ｄ画像データである。

次に図１７のフローチャートを参照する。このフローチャートは広範囲ＣＴ検出システム１００に適用される図１６の学習済みＤＣＮＮを利用する、推論として知られるフレームワークの様々な手順を示す。いくつかの理由から広範囲ＣＴ検出器と学習済みＤＣＮＮとをともに利用することは有利である。一つの理由としては、心臓全体のスキャンまたは他の生物学的スキャンが１回のスキャンで達成できるため、放射線量の削減、スキャン時間の短縮、ハードウェアおよびソフトウェアの複雑性の低減とともにコスト削減に繋がるからである。学習済みＤＣＮＮ機械学習モデルを用いることによって、広範囲ＵＨＲ－ＣＴ検出システムの問題点の一部を有することなく、分解能をＵＨＲ－ＣＴ検出システム２００の分解能に近似させることができる。より多くの時間を要する２回以上のスキャンは、患者の動きにより大きな影響を受けることになり、結果として、理想のスキャンは得られず、ソフトウェアおよびハードウェアの複雑性を増大させることになりかねない。

推論フレームワークは、ステップＳ２００において広範囲ＣＴ検出データを収集することによって開始される。広範囲ＣＴ検出データとは、広範囲ＣＴ検出システム１００から収集されたＣＴ投影データを事前に再構成したものである。推論フレームワークは、撮像モダリティを用いて患者をスキャンして画像診断を行う臨床環境において適用される。また、広範囲ＣＴ検出システム１００の画像処理装置１５０は、収集された広範囲ＣＴデータの再構成条件を読み込む。再構成条件は撮像された体部位または撮像の目的に基づいて決定される。このステップでは、学習済みＤＣＮＮは、撮像された体部位または撮像の目的専用に訓練された複数の学習済みＤＣＮＮから選択される。ワークフローは、ステップＳ２０２Ａの広範囲ＣＴデータに基づき広範囲ＣＴ検出画像を生成する再構成によって継続される。ステップＳ２０４Ａにおいて、学習済みＤＣＮＮを広範囲ＣＴ検出画像に適用することによって、処理済みＣＴ画像を生成する。学習済みＤＣＮＮを広範囲ＣＴ検出画像に適用することにより、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像が得られる。ステップＳ２０６において、処理済みＣＴ画像は出力され、表示モニタに表示されて画質チェックおよび／または診断に用いられる。なお、適用される学習済みＤＣＮＮは、本開示の学習段階においてＵＨＲ－ＣＴ検出システム２００によって生成される。

図１７では、図１６の方法に基づいて訓練された超解像（ｓｕｐｅｒ－ｒｅｓｏｌｕｔｉｏｎ：ＳＲ）ＤＣＮＮモデルのみをＣＴ画像に適用したが、別の実施形態において、ＳＲ－ＤＣＮＮモデルに加えて学習済みデノイズ用ＤＣＮＮモデル（このモデルの生成方法は以下に述べる）を適用してもよい。ＳＲ－ＤＣＮＮの後にデノイズＤＣＮＮを適用する、またはデノイズＤＣＮＮの後にＳＲ－ＤＣＮＮを適用するなど、ＳＲ－ＤＣＮＮとデノイズＤＣＮＮを順番に適用することも可能である。また別の実施形態において、複数のＤＣＮＮを同じＣＴ画像に対して並列に適用し、ＳＲ－ＤＣＮＮが適用されたＣＴ画像とデノイズＤＣＮＮが適用されたＣＴ画像を所定の割合で合成してもよい。また、ＤＣＮＮをデノイズとＳＲ効果の双方を持つように訓練してもよい。これについては以下に図２３または図２７を参照して説明する。

広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像は、広いセグメントをカバーする、高解像度の画像である。すなわち、学習済みＤＣＮＮを適用することによって、広範囲ＣＴ検出データからより高い解像度の画像（ＵＨＲ－ＣＴ画像）を生成することが可能になる。この結果、広範囲ＣＴ検出システム１００を用いる利点（広いスキャン範囲、少ないコスト、複雑性の低い信号処理）と同時に、ＵＨＲ－ＣＴデータからの高解像度および広範囲ＵＨＲ－ＣＴスキャナシステム３００に付随する問題点（狭いスキャン範囲、高いコスト、複雑性の高い処理、放射線量の増加、アーチファクトに対する感受性）のいずれかを最小限にするという利点も得ることができる。

別の実施形態において、一つ以上のメモリと一つ以上のプロセッサを備える医用画像処理装置は、様々な手順を実行することによって、学習済みＤＣＮＮを適用して、処理済み画像（広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像）を生成する。医用画像処理装置は、広範囲ＣＴ検出スキャナ／システムであってもよい。また、医用画像処理装置は、例えば、ＵＨＲ－ＣＴ検出システム２００からデータを受信するように構成され、学習済み機械学習モデルを適用可能な装置でもよい。医用画像処理装置は、医用撮像モダリティを用いて検査対象の物体をスキャンすることによって収集された投影データセットを受信し、該投影データセットに基づいて物体のＣＴ画像を再構成する。ノイズ低減用の第一の学習済み機械学習モデルと超解像用の第二の学習済み機械学習モデルは一つ以上のメモリに保存され、その内一方は指定を受ける。指定されたモデルは再構成ＣＴ画像に適用されて処理済み画像を得る。

医用画像処理装置は、第一の学習済み機械学習モデルが指定された場合は、第一の再構成フィルタを用いてＣＴ画像を再構成し、第二の学習済み機械学習モデルが指定された場合は、第二の再構成フィルタを用いてＣＴ画像を再構成するように構成されてもよい。医用画像処理装置は、処理済み画像と再構成ＣＴ画像を所定の割合で合成可能である。所定の割合は、ユーザ入力に基づき設定される、または１組の撮像条件に従って決定されてもよい。別の実施形態において、医用画像処理装置は、複数の３Ｄ部分画像を再構成ＣＴ画像に基づいて生成し、生成した複数の３Ｄ部分画像を指定されたモデルに入力することによって、指定されたモデルを適用して複数の処理済み画像を取得し、取得した複数の処理済み３Ｄ部分画像を合成して処理済み画像を得るように構成される。ある状況では、３Ｄ部分画像の内少なくとも２つの画像は部分的に重複している。

本開示の別の態様において、医用画像処理装置は、複数の処理済み３Ｄ部分画像の内２つの隣接する処理済み３Ｄ部分画像間の結合部にフィルタをかける。

本開示の少なくとも一つの態様において、深層学習ニューラルネットワークを適用可能な広範囲超高分解能ＣＴの一つの特徴は、ＵＨＲ－ＣＴ検出システム２００から取得される学習済みＤＣＮＮを用いることにある。上記の通り、本開示の学習済みＤＣＮＮの一つの応用として、図１８に概略を示すように、最適化処理を機械学習モデルの学習に利用する。

図１８は、図１６に示した上記ＤＣＮＮの学習フレームワークの過程に適用される最適化処理をより詳細に示す。図１８に示すように、フレームワークは、ステップＳ３００において入力（Ｘ）を用いて開始される。ステップＳ３１０において、ＤＣＮＮの学習プロセスは、学習用入力（Ｘ）を所望の対象（Ｙ）にマッピングするように設計される。入力（Ｘ）を取得後、ステップＳ３０２とＳ３０４のそれぞれにおいて、以下のＤＣＮＮ（ｆ（Ｘ／Θ））アルゴリズムを用いて出力

を求める。

Θは、最適化されるニューラルネットワークのパラメータの組を示し、Ｎは、学習プロセスでの学習事例の総数である。ｆは最適化されるニューラルネットワークを示し、ｘ_ｉは、学習用入力のi番目の要素を示す。ｙ_ｉは、学習対象のｉ番目の要素を示す。この最適化式を解くことによって、ネットワーク出力と対象画像（Ｙ）の差分が最小になるような最適なネットワークパラメータ

が求められる。具体的には、出力

を取得後、ステップＳ３０８で更新された最適なネットワークパラメータを得るために、ターゲット（Ｙ）と比較するステップＳ３０６で損失関数が適用される。ステップＳ３０８に続いて、更新後のオプティマイザは、ステップＳ３０４のネットワーク出力

と対象画像Ｙとの差分が所定の閾値を超えて最小になるまで、またはステップＳ３０６の損失関数に応じた出力の向上が見られなくなるまで、ＤＣＮＮアルゴリズムが実施されるステップＳ３０２を繰り返してもよい。この学習フレームワークによって、推論プロセスで適用される最適化された機械学習モデルが得られる。

図１９Ａ、１９Ｂ、１９Ｃおよび１９Ｄは機械学習モデル４０１（ＤＬネットワーク４０１とも称される）の様々な例を示す。

図１９Ａは、Ｎ個の入力、Ｋ個の隠れ層、３つの出力を有する一般的な人工ニューラルネットワーク（ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ：ＡＮＮ）の一例を示す。各層はノード（ニューロンとも称される）から構成され、各ノードは入力の加重和を行い、この加重和の結果を閾値と比較して出力を生成する。ＡＮＮは関数の類を構成する。この類の項は、閾値、結合の重み、またはノード数および／またはノードの結合性等の構造の詳細を変化させることによって求められる。ＡＮＮのノードはニューロン（またはニューロン・ノード）とも称される。ニューロンはＡＮＮシステムの異なる層間に相互に結合可能である。ＤＬネットワーク４０１は通常４つ以上のニューロン層と入力ニューロンと同数の出力ニューロン

（Ｎは再構成画像の画素数）を有する。シナプス（すなわち、ニューロン間の結合）は、演算においてデータを操作する「重み」（「係数」または「重み係数」と相互に言い換えも可能）と呼ばれる値を記憶する。ＡＮＮの出力は以下の３種のパラメータに依存する。（１）異なるニューロン層間の相互結合パターン、（２）相互結合の重みを更新するための学習プロセス、（３）ニューロンの加重入力を活性化出力に変換する活性化関数。

数学的には、ニューロンのネットワーク関数ｍ（ｘ）は、他の関数ｎ_ｉ（ｘ）の合成として定義される。関数ｎ_ｉ（ｘ）は、さらに他の関数の合成として定義可能である。これは、便宜上ネットワーク構造として表すことが可能である。図１９Ａに、変数間の依存を矢印で示す。例えば、ＡＮＮは、非直線加重和ｍ（ｘ）＝Ｋ（Σ_ｉｗ_ｉｎ_ｉ（ｘ））を利用可能である。Ｋ（一般に活性化関数と称される）は、シグモイド関数、双曲正接関数、正規化線形ユニット（ｒｅｃｔｉｆｉｅｄ ｌｉｎｅａｒ ｕｎｉｔ：ＲｅＬＵ）等の事前に定義された関数である。

図１９Ａ（同様に図１９Ｂ）において、ニューロン（すなわち、ノード）を閾値関数の周囲に丸印で示す。図１９Ａに示す非限定的な例では、入力は直線関数の周囲に丸印で描かれ、矢印はニューロン間の結合方向を示す。ある実施例において、機械学習モデル４０１は、図１９Ａ、１９Ｂに例示されるフィードフォワード・ネットワークである（例として、有向非巡回グラフとして表すことができる）。

機械学習モデル４０１は、一組の観察結果を用いて、学習する関数Ｆの類内を検索することによって、ＣＴ画像の超解像処理等の特定のタスクを達成すべく動作し、特定のタスクを最適に解決する

を求める。例えば、ある実施例では、コスト関数Ｃを、その最適解ｍ^＊に対して

（すなわち、最適解のコスト未満のコストを有する解はない）が成立するように定義することによって達成できる。コスト関数Ｃとは、特定の解が解決すべき課題（例えば、誤差）の最適解からどの程度離れているかを示す尺度である。学習アルゴリズムは解空間内の検索を繰り返しながら、可能な限り最小のコストの関数を求める。ある実施例では、コストはデータのサンプル（すなわち訓練データ）全体に対して最小化される。

図１９Ｂは、機械学習モデル４０１が畳み込みニューラルネットワーク（ＣＮＮ）の場合の非限定的な一例を示す。ＣＮＮは、画像処理に有益な性質を備えるＡＮＮの一種である。そのため、画像のデノイズおよびサイノグラムの復元用途に特に関連がある。ＣＮＮは、ニューロン間の結合パターンにより画像処理の畳み込みを表現可能なフィードフォワードＡＮＮを用いる。例えば、ＣＮＮは、入力画像の受容野と呼ばれる部分を処理する小さなニューロン集合の複数の層を用いることによって、画像処理の最適化に利用可能である。これらの集合の出力は、互いに重複するようにタイル状にされ、元の画像をより適切に表現することができる。この処理パターンを畳み込み層とプーリング層を交互に有する複数層に対して繰り返す。なお、図１９Ｂは、後続する層のノードを先行する層の全てのノードを用いて定義する完全結合型ネットワークの一例を示す。図に示される内容は、厳密にＤＮＮの一例として理解されるべきである。ＣＮＮに関して、先行層のノードの一部を用いて後続層のノードを定義する結合の緩やかな（部分結合）型のネットワーク構成は一般的である。

図１９Ｃは、畳み込み層である第一の隠れ層の二次元画像を表す入力層からの値のマッピングに適用される５×５カーネルの一例を示す。カーネルは５×５の画素領域を第一の隠れ層の対応するニューロンにそれぞれマッピングする。

畳み込み層の後に、ＣＮＮは、畳み込み層においてニューロン・クラスタの出力を結合させる局所的および／または全体的なプーリング層を含むことができる。さらに、ある実施例において、ＣＮＮは、点毎に、非直線的に、各層の最後にまたは各層の後に付加された、畳み込み層と完全結合層の様々な組み合わせを含むことも可能である。

画像処理に関して、ＣＮＮにはいくつかの利点がある。使われないパラメータの数の削減と一般化の向上のために、入力の小領域に対する畳み込み処理が導入される。ＣＮＮのある実施例の重要な利点は、畳み込み層に共通の重みを用いることにある。つまり、同じフィルタ（重みバンク）を層の各画素の係数として用いるのである。これによって、メモリの実装面積の削減と性能の向上が実現される。他の画像処理方法と比較して、ＣＮＮは、相対的に事前処理が少ないことが利点である。すなわち、ネットワークが、従来のアルゴリズムによってマニュアル設計されたフィルタを学習する責任を持つことを意味する。設計特性に関する過去の知識や人間の努力に依存しないで済むことは、ＣＮＮの大きな利点である。

図１９Ｄは、三次元再構成画像の隣接層間の類似性を活用する機械学習モデル４０１の実施例を示す。隣接層内の信号は通常相関性が高いが、ノイズは異なる。つまり、一般にＣＴの三次元ボリューム画像は、より多くの体積特徴を捉えられるため、一断層の水平二次元画像より多くの診断情報を提供することができる。この考えに基づき、本開示に記載の方法の実施例は、ボリュームベースの深層学習アルゴリズムを用いてＣＴ画像を向上させる。

図１９Ｄに示す通り、ある断層画像とそれに隣接する断層画像（すなわち、中央の断層の上下の断層）は、ネットワークの３チャネルの入力として認識される。これら３層に対して、Ｗ×Ｗ×３カーネルをＭ回適用して、畳み込み層のＭ個の値を生成し、次のネットワーク層／階層（例えばプーリング層）に用いる。Ｗ×Ｗ×３カーネルを３つのＷ×Ｗカーネルとみなして、それぞれ３チャネルのカーネルとしてボリューム画像データの３つの断層画像に適用することも可能である。その結果は中央層に対する出力となり、次のネットワーク階層の入力として用いられる。値Ｍは、畳み込み層の所定の断層に対するフィルタ総数を示し、Ｗはカーネルの大きさを示す。

別の実施形態において、上述の３チャネル法の代わりに、異なる方法を（例えば、３Ｄ法）適用してもよい。

本開示の一実施形態において、学習および推論段階の演算コスト削減のため、ＣＴ画像を小さな画像データセットに分割して、機械学習モデルに入力し、学習および推論させることができる。

データの分割、重み付け、および再構築によって、広範囲ＣＴ検出システムは、演算上のパワーやデータをバッファリングして、広範囲ＵＨＲ画像用の超解像３Ｄネットワークのような高度なネットワークを処理することができる。本開示は、その実施に有益なデータの分割、重み付けおよび再構築のデータフローを提案する。例えば、１０２４×１０２４画像を、ＸＹ次元（境界効果防止のため重複を含む）で８１個の１２８×１２８小画像に分解することによって、システムは一回毎に画像の小さなバッチを処理することができる。そして、ネットワークで処理後、画像は元のサイズ（１０２４×１０２４等）に再構築される。重複する画素に対しては重み付けを実施する。Ｚ次元についても同様な手法が適用される。すなわち、超高解像度画像は複数の小さな画像に分割され、分割された画像は広範囲ＣＴ検出システムによって処理され、任意の好適な重み付けおよび再構築のデータフローに基づいて大きな画像に復元される。データの分割、重み付けおよび再構築の手法は種々のサイズの画像に適用可能である。上述の画像は一例にすぎず、該手法を適用可能な種々のサイズを限定するものではない。

次に、本開示の第２実施形態を示す図２０のフローチャートを参照する。本実施形態は、ユーザに出力テクスチャ（弱、標準、強等）の調整を可能にし、自分の好みに応じたＵＨＲ－ＣＴシステム画像またはＮＲ－ＣＴシステム画像の出力を可能にする混合処理を提案する。この実施形態において、学習済みＤＣＮＮは、上述した図１６と同様な方法で取得される。ステップＳ４００において、広範囲ＣＴ検出データを収集することによって、フローチャートは開始される。次にステップＳ４０２において、広範囲ＣＴ検出画像は再構成（より小さい画素サイズ）される。ステップＳ４０４において、広範囲ＣＴ検出画像にＤＣＮＮ学習済み機械学習モデルを適用することによって、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像が出力される。しかしながら、ユーザは１００％のＤＣＮＮ適用可能な広範囲ＵＨＲ－ＣＴ画像のテクスチャーに満足しない場合がある。本実施形態では、広範囲ＣＴ検出システム１００のユーザは、混合ステップＳ４０８において、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像の出力テクスチャーを選択可能である。混合ステップＳ４０８は、例えば、オペレータが選択可能な弱、標準、強などの三つの選択肢を含んでもよい。または、ユーザは、混合ステップにおいて混合率を選択してもよい。例えば、オペレータが５０％を選択した場合、混合によって出力テクスチャーは、元のＮＲ－ＣＴ検出システム画像５０％とＵＨＲ－ＣＴ検出システム画像５０％から成るように調整される。オペレータがＵＨＲ－ＣＴ検出システム画像に近いテクスチャーを好む場合は、ＵＨＲ－ＣＴ検出システム画像７５％と元のＮＲ－ＣＴ検出システム画像２５％を選択してもよい。元のＮＲ－ＣＴ検出システム画像とＵＨＲ－ＣＴ検出システム画像は、ユーザの所望する混合の種類に応じて、ゼロから１００％まで変更可能である。混合ステップ後、ステップＳ４１０において、広範囲ＵＨＲ－ＣＴ画像に近似する最終のＤＣＮＮ適用可能画像は、オペレータの所望の混合に応じて出力され、モニタに表示される。

現在商業的に利用可能な広範囲ＣＴ検出システムを考える。これらのシステムは広範囲ＵＨＲ画像用の高度なネットワーク（例えば、超解像３Ｄネットワーク）を処理するだけの演算上のパワーまたはデータバッファリング性能を持っていない場合がある。図２１のフローチャートに示すように、第３実施形態を提案する。図２１に示す推論プロセスはサイズ変更演算子を含む。通常分解能－広範囲ＣＴ検出システムで適切に処理するために、サイズ変更演算子は、ハードウェアおよび関連するソフトウェア仕様（システム情報など）を読み出し、出力画像のサイズを変更する（例えば、ＸＹまたはＺ次元内のダウンサンプリング）。

図２１に従って、該プロセスは、ステップＳ５００において、広範囲ＣＴ検出システム１００から広範囲ＣＴ検出データを収集することによって開始される。次にステップＳ５０２において、広範囲ＣＴ検出データは広範囲ＣＴ検出画像に再構成される。広範囲ＣＴ検出画像は、ステップＳ５０４で学習済みＤＣＮＮに入力され、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像として出力される。この方法は、特定のシステム仕様等のステップＳ５０８のシステム情報を考慮して、システム情報に基づいて、システムによって処理可能な広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像のサイズを決定することによって、継続されてもよい。このワークフローは、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像の出力後に、システム情報が取得されることを示すが、システム情報は、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像を出力する処理と並行して、または、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像を生成する処理の前に、取得されてもよい。システム情報の取得に続くステップＳ５１０において、サイズ変更演算子を用いて、システム情報から得られた情報に基づいて、広範囲ＵＨＲ－ＣＴ画像に近似する、生成されたＤＣＮＮ適用可能ＣＴ画像のサイズを変更する。これによって、ステップＳ５１２において、通常分解能－広範囲ＣＴ検出システムで適切に処理可能な、広範囲ＵＨＲ－ＣＴ画像に近似する最終のＤＣＮＮ適用可能ＣＴ画像が出力され、モニタに表示される。本開示の一実施形態において、システム情報は広範囲ＣＴ検出システム１００から取得される。

次に本開示の第４実施形態を、図２２を参照して説明する。図２２は、最終のＤＣＮＮ適用可能ＣＴ画像の生成前に、混合およびサイズ変更処理を実施して、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像を生成する、少なくとも一つの実施形態のフローチャートを示す。最初のステップＳ６００は、広範囲ＣＴ検出スキャナ１００から広範囲ＣＴ検出データを収集することを含む。次に、ステップＳ６０２において広範囲ＣＴ検出データは広範囲ＣＴ検出画像に再構成され、ステップＳ６０４において学習済みＤＣＮＮに入力される。学習済みＤＣＮＮは、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像を出力する。Ｓ６０８の混合ステップによって、オペレータは、自分の好みに応じて、広範囲ＣＴ検出画像と広範囲ＵＨＲ－ＣＴ画像に非常に似たＤＣＮＮ適用可能ＣＴ画像の一方により近似するように出力テクスチャーを調整することができる。混合ステップの実行後、ステップＳ６１０において、サイズ変更を適切に行うために、検出システム１００のシステム情報は、ハードウェアおよび関連するソフトウェア仕様（システム情報など）を読み出すことによって取得される。ステップＳ６１２のサイズ変更処理によって、通常分解能－広範囲ＣＴ検出システム１００は出力画像（広範囲ＵＨＲ－ＣＴ画像に近似する最終のＤＣＮＮ適用可能ＣＴ画像）を確実に、適切に処理することができる。サイズ変更ステップ後、ステップＳ６１４において、広範囲ＵＨＲ－ＣＴ画像に近似する最終のＤＣＮＮ適用可能ＣＴ画像は出力され、モニタに表示される。

図２３を参照して、本開示の第５実施形態を説明する。図２３は、ＵＨＲ－ＣＴデータに付随するノイズレベルを最小限に抑えながら、広範囲ＣＴ検出システム１００の超高分解能を達成するためのデノイズタスクを実行する、ＤＣＮＮの学習プロセスのワークフローを示す。本開示のこの実施形態は、ステップＳ７００において、ＵＨＲ低放射線ＣＴデータ（ＬＤ－ＣＴデータ）の収集によって開始される。ＵＨＲ－ＬＤ－ＣＴデータとは、低放射線量に設定された（実際のまたはシミュレーションされた）超高分解能ＣＴスキャナ２００から収集された再構成前のＣＴデータである。ステップＳ７１０において、対象画像が取得される。対象画像とは、ＵＨＲ高放射線（ＨＤ）ＣＴ画像である。ＵＨＲ－ＨＤ－ＣＴ画像とは、ＵＨＲ－ＣＴスキャナ２００からの再構成された高放射線画像であって、学習対象として用いられる画像である。本実施形態において、ＵＨＲ－ＨＤ－ＣＴ画像およびＵＨＲ－ＬＤ－ＣＴ画像は同じＵＨＲ－ＨＤ－ＣＴデータから生成される。別の実施形態では、ＵＨＲ－ＨＤ－ＣＴ画像は、ＵＨＲ－ＬＤ－ＣＴデータが生成されるＣＴデータとは異なるＣＴデータから生成される。

ステップＳ７０２Ａにおいて、上記ステップＳ１０２のＵＨＲ－ＮＲシミュレーションをＵＨＲ－ＬＤ－ＣＴデータに実行して、ＮＲ－ＬＤ－ＣＴデータを取得する。ステップＳ７０２ＡのＮＲ－ＬＤ－ＣＴデータは、通常分解能スキャナシステムから収集された再構成前ＣＴデータをシミュレーションする。次にステップＳ７０４Ａにおいて、ＮＲ－ＬＤ－ＣＴデータはＮＲ－ＬＤ－ＣＴ画像に再構成され、ステップＳ７０６でＤＣＮＮの入力画像として用いられる。ＮＲ－ＬＤ－ＣＴ画像は、学習対象と一致させるため、小さい画素サイズに画質を落とした（ビニングされた）低放射線ＵＨＲ－ＣＴデータからの再構成画像である。ステップＳ７０６において、広範囲ＣＴ検出システム１００内の画像処理装置１５０は、入力画像の一つにＤＣＮＮを適用して、処理済みＮＲ－ＬＤ－ＣＴ画像を出力し、ステップＳ７１２における出力画像（処理済みＮＲ－ＬＤ－ＣＴ画像）と学習対象画像（ＵＨＲ－ＨＤ－ＣＴ画像）間の損失関数分析によって、ステップＳ７１４においてＤＣＮＮ学習を最適化する。ステップＳ７１６において、基準に基づき、最適化ループの継続を判断する。基準が満たされない場合、ステップＳ７０６の最適化ループを継続する。または、ＤＣＮＮの最適化基準が満たされた場合は、最適化ループは終了する。処理済みＮＲ－ＬＤ－ＣＴ画像は、低放射線ＮＲ－ＣＴ画像を入力とするＤＣＮＮの学習出力画像となる。出力画像と対象画像間に適用される損失関数は、図１６および１８を参照して説明したものと同様である。損失関数によって、出力画像と対象画像間の差異が最小化され、推論プロセス内の応用に最適な学習済みＤＣＮＮが得られる。これによって、広範囲ＵＨＲ－ＣＴ検出画像に近似するＤＣＮＮ適用可能ＣＴ画像のノイズ抑制と分解能向上を目的とするＤＣＮＮの学習部分を終了することができる。

次に、学習済みＤＣＮＮの取得後の、ノイズ抑制と分解能向上の推論部分を示す図２４のフローチャートを参照する。該フローチャートは、ステップＳ８００において、低放射線量（ＬＤ）の広範囲ＣＴ検出データを収集することによって開始される。広範囲検出ＣＴデータとは、広範囲ＣＴ検出スキャナ１００から収集される再構成前のＣＴデータである。ステップＳ８０２において、広範囲ＣＴ検出データ（ＬＤ）は広範囲ＣＴ検出ＬＤ画像に再構成される。広範囲ＣＴ検出ＬＤ画像とは、ＵＨＲ－ＣＴデータの画素サイズに対応する小さい画素サイズに再構成されたＣＴ画像である。次に、ステップＳ８０４において、学習済みＤＣＮＮを広範囲ＣＴ検出ＬＤ画像に適用することによって、広範囲ＵＨＲ－ＣＴ画像に近似する、デノイズ済みのＤＣＮＮ適用可能ＣＴ画像を生成する。ステップＳ８０６において、処理済みＣＴ画像（ＤＣＮＮ適用可能ＣＴ画像）が出力され、モニタに表示される。広範ＵＨＲ－ＣＴ画像に相似するＤＣＮＮ適用可能ＣＴ画像（デノイズ後）は、広いセグメント範囲と高い解像度を備えるノイズ低減画像を提供する点で有利である。

本開示の様々な実施形態は、広範囲検出ＣＴデータに関するＵＨＲ－ＣＴ学習済みＤＣＮＮに適用される。このことは、いくつかの理由から有利である。本実施形態は、現在の広範囲ＣＴ検出画像と比較して、ＵＨＲ－ＣＴ学習済みネットワークおよびより微細に再構成された画素サイズから得られる、優れた解像度およびノイズ低減性能を提供する。現在のＵＨＲ－ＣＴ画像と比較して、本実施形態は、寝台位置での一回のスキャンの検出範囲（Ｓ－Ｉ方向）が広いため、放射線量、画像の均一性、時間分解能、より簡易なスキャンワークフロー等の利益をもたらす。また、広範囲のＣＴから得られる収集・検出の大きな画素サイズは、優れたノイズ性能につながる。現在商業的には存在しない広範囲ＵＨＲ－ＣＴシステムと比較して、本実施形態は、ハードウェア、ソフトウェア双方において非常に低いコストと複雑性を著しく軽減した信号処理を提供する。

本開示は、深層学習ニューラルネットワークを適用可能な広範囲－超高分解能ＣＴのためのシステム、方法および／または装置を対象とする。ＤＣＮＮは、既存のＵＨＲ－ＣＴ検出スキャナによって訓練され、広範囲ＣＴ検出システムデータに適用されて、分解能を向上させ、ノイズを低減すると同時に、広範囲スキャンのエッジを維持する。具体的には、本開示は、二つの異なるモダリティ（ＵＨＲ－ＣＴ検出スキャナおよび広範囲ＣＴ検出スキャナ）の利点を組み合わせることによって、商業的に入手不可能な広範囲ＵＨＲ－ＣＴ検出システム３００と比較して、コストとシステムの複雑性における利点をもたらすことが可能である。

次に、図２５および図２６を参照する。少なくとも一つの実施形態において、コンソールやコンピュータ１２００、１２００’などのコンピュータを、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像の生成専用に用いてもよい。

撮像に用いられる電気信号を、下記に説明されるコンピュータ１２００、１２００’等（これに限定されない）の一つ以上のプロセッサに、ケーブルまたは配線１１３等（図２５参照）（これに限定されない）のケーブルまたは配線を介して送信してもよい。

コンピュータシステム１２００の様々な構成要素を図２５に示す。コンピュータシステム１２００は、中央処理装置（ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ：ＣＰＵ）１２０１、ＲＯＭ１２０２、ＲＡＭ１２０３、通信インターフェース１２０５、ハードディスク（および／または他の記憶装置）１２０４、スクリーン（またはモニタ・インターフェース）１２０９、キーボード（または入力インターフェース；キーボードに加えてマウスや他の入力装置を備えてもよい）１２１０、および一つ以上の上記構成要素（例えば、図２５に示される）間を接続するバスや他の接続線（例えば接続線１２１３）を備える。さらに、コンピュータシステム１２００は上記構成要素の内一つ以上を備えてもよい。例えば、コンピュータシステム１２００はＣＰＵ１２０１、ＲＡＭ１２０３、入力／出力（Ｉ／Ｏ）インターフェース（通信インターフェース１２０５等）およびバス（コンピュータシステム１２００の構成要素間の通信システムとしての一つ以上の配線１２１３を含んでもよい）を備えてもよい。一つ以上の実施形態において、コンピュータシステム１２００および少なくともＣＰＵ１２０１は、超高分解能検出スキャナおよび／または広範囲ＣＴ検出スキャナまたは同じ超高分解能検出スキャナ２００、広範囲ＣＴ検出スキャナ１００（これに限定されない）を用いる装置やシステムの一つ以上の上記構成要素と通信してもよい。一つ以上の他のコンピュータシステム１２００は、他の上述した構成要素の一つ以上の組み合わせを備えてもよい。ＣＰＵ１２０１は、記憶媒体に保存されるコンピュータ実行可能な指示を読み出し、実行するように構成される。コンピュータ実行可能な指示は、本開示に記載される方法および／または演算の実行指示を含んでもよい。コンピュータシステム１２００は、ＣＰＵ１２０１に加えて、一つ以上のプロセッサを備えてもよい。ＣＰＵ１２０１を含む該プロセッサを、同じ用途または本開示に記載の広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像を生成するための装置、システムまたは記憶媒体の制御および／または製造に用いてもよい。システム１２００は、さらに、ネットワーク（例えばネットワーク１２０６）を介して接続される一つ以上のプロセッサを備えてもよい。システム１２００によって用いられるＣＰＵ１２０１と追加のプロセッサは、同じ通信ネットワーク上に位置してもよいし、異なる通信ネットワーク上に位置してもよい（例えば、実行、製造、制御および／または技術利用を遠隔で制御可能）。

Ｉ／Ｏまたは通信インターフェース１２０５は、入出力装置に対して通信インターフェースを提供する。該入出力装置は超高分解能検出スキャナ２００、広範囲ＣＴ検出スキャナ１００、通信ケーブルおよびネットワーク（有線または無線）、キーボード１２１０、マウス（図２６のマウス１２１１を参照）、タッチスクリーンまたはスクリーン１２０９、ライトペン等を備えてもよい。モニタ・インターフェースまたはスクリーン１２０９は入出力装置に通信インターフェースを提供する。

本開示の方法および／またはデータ、例えば、同じ用途の装置、システムまたは記憶媒体の利用方法および／または製造方法、および／または本開示に記載の広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像の生成方法等は、コンピュータ読み取り可能な記憶媒体に保存される。コンピュータ読み取りおよび／または書き込み可能な記憶媒体は、以下に共通に利用されるが、これらに限定されるわけではない。一つ以上のハードディスク（ハードディスク１２０４、磁気ディスク等）、フラッシュメモリ、ＣＤ、光ディスク（コンパクトディスク（ＣＤ）、デジタル多用途ディスク（ｄｉｇｉｔａｌ ｖｅｒｓａｔｉｌｅ ｄｉｓｃ：ＤＶＤ）、ブレーレイ（登録商標）ディスク等）、光磁気ディスク、ＲＡＭ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）（ＲＡＭ１２０３等）、ＤＲＡＭ、ＲＯＭ（ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）、分散演算システムの記憶装置、メモリカードなど（例えば、不揮発性メモリカード、固体撮像素子（ｓｏｌｉｄ ｓｔａｔｅ ｄｒｉｖｅ：ＳＳＤ、図２６のＳＳＤ１２０７参照）、ＳＲＡＭ等の他の半導体メモリ、これに限定されない）、これらの任意の組み合わせ、サーバ／データベース等。コンピュータ読み取り／書き込み可能な記憶媒体を、上記コンピュータシステム１２００のプロセッサやＣＰＵ１２０１等のプロセッサに本開示に記載の方法の手順を実行させることに用いてもよい。コンピュータ読み取り可能な記憶媒体は、非一時的なコンピュータ読み取り可能媒体であってもよいし、および／または、一時的な伝搬信号だけを除き、全ての読み取り可能媒体を備えてもよい。コンピュータ読み取り可能な記憶媒体は、情報を所定の、限定的な、または短い時間および／または電力があるときのみ情報を記憶する、ＲＡＭ（ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）、レジスタメモリ、プロセッサ・キャッシュ等（これらに限定されない）の媒体を備えてもよい。また、本開示の実施形態は、記録媒体（より正確には、非一時的なコンピュータ読み取り可能な記憶媒体とも称される）に記録されるコンピュータ実行可能な指示（例として、一つ以上のプログラム）を読み出し、実行して上記実施形態の内の一つ以上の機能を実行するシステムや装置のコンピュータによって実現されてもよいし、および／または一つ以上の回路（特定用途向け集積回路（ＡＳＩＣ））を備えて上記実施形態の内の一つ以上の機能を実行するシステムや装置のコンピュータによって実現されてもよい。本開示の実施形態は、システムや装置のコンピュータが、例えば、コンピュータ実行可能な指示を記憶媒体から読み出して実行することによって、実行される方法および／または上記一つ以上の回路を制御することによって上記実施形態の内の一つ以上の機能を実行させる方法によって実現されてもよい。

本開示の少なくとも一つの態様に基づいて、方法、装置、システム、および上述したコンピュータ１２００のプロセッサ、コンピュータ１２００’のプロセッサ（これらに限定されない）等のプロセッサに関連するコンピュータ読み取り可能な記憶媒体は、図面に示されるような適切なハードウェアを活用して、実現可能である。該ハードウェアは、標準のデジタル回路、ソフトウェアおよび／またはファームウェアプログラムを実行可能な任意の公知のプロセッサ、プログラマブルＲＯＭ（ｐｒｏｇｒａｍｍａｂｌｅ ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ：ＰＲＯＭ）、プログラマブル論理アレイ装置（ｐｒｏｇｒａｍｍａｂｌｅ ａｒｒａｙ ｌｏｇｉｃ：ＰＡＬ）などの一つ以上のプログラマブル・デジタル装置またはシステム等の任意の公知技術を活用することによって、実現可能である。ＣＰＵ１２０１（図２５または２６に示すように）は、一つ以上のマイクロプロセッサ、ナノプロセッサ、一つ以上のＧＰＵ（ｇｒａｐｈｉｃｓ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ：ＶＰＵ（ｖｉｓｕａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）とも称される）、一つ以上のＦＰＧＡ（ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、または他の種類の処理コンポネント（例えば、用途向け集積回路（ａｐｐｌｉｃａｔｉｏｎ－ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔｓ：ＡＳＩＣ））等を備えるおよび／または等から構成されてもよい。さらに、本開示の様々な態様は、適切な記憶媒体（例えばコンピュータ読み取り可能な記憶媒体、ハードドライブ等）や携行可能および／または分散可能な媒体（フロッピー（登録商標）ディスク、メモリチップ等）に保存可能なソフトウェアおよび／またはファームウェアによって実現されてもよい。コンピュータは、コンピュータ実行可能な指示を読み出し実行する個別のコンピュータやプロセッサのネットワークを備えてもよい。コンピュータ実行可能な指示は、例えばネットワークや記憶媒体からコンピュータに与えられてもよい。

上述の通り、コンピュータまたはコンソール１２００’の別の実施形態のハードウェア構造を図２６に示す。コンピュータ１２００’は、中央処理装置（ＣＰＵ）１２０１、ＧＰＵ１２１５，ＲＡＭ１２０３、ネットワークインターフェース１２１２、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）等のオペレーションインターフェース１２１４、ハードディスクドライブや固体撮像素子（ＳＳＤ）１２０７等のメモリを備える。好ましくは、コンピュータまたはコンソール１２００’はディスプレイ１２０９を備える。コンピュータ１２００’は、ネットワークインターフェース１２１２またはオペレーションインターフェース１２１４を介して、超高分解能検出スキャナ２００および／または広範囲ＣＴ検出スキャナ１００および／またはシステムの一つ以上の他の構成要素と接続されてもよい。一つ以上の実施形態において、コンピュータ１２００、１２００’などのコンピュータは、超高分解能検出スキャナ２００および／または広範囲ＣＴ検出スキャナ１００を備えてもよい。オペレーションインターフェース１２１４は、マウス装置１２１１、キーボード１２１０またはタッチパネル装置などの操作部に接続される。コンピュータ１２００’は各構成要素を二つ以上ずつ備えてもよい。または、コンピュータ１２００、１２００’などのコンピュータの設計に応じて、ＣＰＵ１２０１またはＧＰＵ１２１５をＦＰＧＡ（ｆｉｅｌｄ ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）、特定用途向け集積回路 （ＡＳＩＣ）または他の種類の処理部に置き換えてもよい。

コンピュータプログラムはＳＳＤ１２０７に保存される。ＣＰＵ１２０１は、ＲＡＭ１２０３にプログラムを読み込み、プログラム内の指示を実行して、本開示に記載の一つ以上の処理とともに基本的な入力、出力、演算、メモリへの書き込みおよび読み出し処理を実行する。

コンピュータ１２００、１２００’などのコンピュータは、超高分解能検出スキャナ２００および／または広範囲ＣＴ検出スキャナと通信して、撮像を行い、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像を生成する。モニタまたはディスプレイ１２０９は広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像を表示するが、撮像条件や撮像対象の物体に関する他の情報を表示してもよい。モニタ１２０９は、例えば、広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像を生成する際にユーザがシステムを操作するためのグラフィカル・ユーザー・インターフェース（ＧＵＩ）を提供する。動作信号は操作部（例えば、マウス装置１２１１、キーボード１２１０またはタッチパネル装置など、これらに限定されない）からコンピュータ１２００’のオペレーションインターフェース１２１４に入力される。動作信号に応じて、コンピュータ１２００’はシステムに撮像条件の設定または変更と撮像の開始または終了、および／またはＤＣＮＮの学習または広範囲ＵＨＲ－ＣＴ画像に近似するＤＣＮＮ適用可能ＣＴ画像を生成するための推論プロセスの開始または終了を指示する。

図２７を参照して、ＳＲ用学習済みモデルの生成方法の他の例示的な実施形態を説明する。この方法は、図１６に示す、ＵＨＲ－ＣＴ画像とＮＲ－ＣＴ画像の双方をＵＨＲ－ＣＴデータから生成する方法の特徴の一つを含む。また、この方法は、図２３に示す、ＮＲ低放射線ＣＴ画像とＵＨＲ高放射線ＣＴ画像を用いてＳＲ用ＤＣＮＮを訓練する方法と同様である。特に説明しない限り、以下のステップは情報処理装置４００によって実行される。ＣＰＵまたはＧＰＵ（以下、処理回路）は各ステップを実行する。

ステップＳ１３０１において、ＵＨＲ－ＣＴデータすなわち高分解能のＣＴデータが取得される。ステップＳ１３０２において、ＵＨＲ－ＣＴ画像すなわち高解像度のＣＴ画像はＵＨＲ－ＣＴデータに基づいて再構成される。この再構成の方法は、フィルタ逆投影法（ＦＢＰ）より高い解像度の画像を生成可能な反復再構成法の内の一つでよい。ＵＨＲ－ＣＴ画像は学習段階で対象画像として用いられる。ステップＳ１３０３において、処理回路は、ＵＨＲ－ＣＴデータにノイズを付加することにより、ノイズ付加ＵＨＲ－ＣＴデータを生成する。ガウスノイズおよび／またはポワソンノイズを付加することによって、低放射線ＣＴデータをより適切にシミュレーションしてもよい。ステップＳ１３０４において、ノイズ付加ＵＨＲ－ＣＴデータに対して分解能低減処理（ｎ：１ビニング処理、平滑化、他のフィルタリング等）を実施して低い分解能のＣＴデータを生成し、シミュレーションする。ステップＳ１３０５において、低解像度のＣＴ画像は低分解能のＣＴデータに基づいて再構成される。ここで、再構成法はフィルタ逆投影法（ＦＢＰ）や臨床環境で一般に用いられる任意の再構成法でよい。通常、再構成機能およびＦＢＰフィルタには様々な選択肢があるが、ステップＳ１３０５のＦＢＰ再構成では、信号を出来るだけ維持するために、ノイズ低減効果のないまたは少ない再構成機能を選択可能である。また、正規化効果のないまたは少ないフィルタの一つを選択可能である。低解像度のＣＴ画像を入力画像として用いてＳＲ－ＤＣＮＮに学習させる。対応する入力画像とＵＨＲデータから生成された対象画像は互いに関連付けられ、訓練データの対とする。Ｓ１３０１からＳ１３０５までのステップを異なるＵＨＲデータに対して繰り返し実行して、複数対の訓練データを生成する。ステップＳ１３０６において、ＤＣＮＮを入力画像の一つに適用することによって処理済みＣＴ画像を取得する。ステップＳ１３０７において、図１８のステップＳ３０６で説明した損失関数を得る。ステップＳ１３０８において、ＤＣＮＮは最適化され、改善されたＤＣＮＮとして次回のステップＳ１３０６で用いられる。ステップＳ１３０６、Ｓ１３０７、Ｓ１３０８のループは、終了基準が満たされるまで（Ｓ１３０９の「Ｙ」）、超解像処理用ＤＣＮＮを学習させるために継続される。

ステップＳ１３０３のビニング処理は、ある程度のノイズ低減効果はあるが、ステップＳ１３０３のノイズ付加処理および再構成法の差異に起因して、対象画像（高解像度ＣＴ画像）は、入力画像（低解像度ＣＴ画像）より高い空間分解能と高いノイズ特性を有する。学習済みＳＲ－ＤＣＮＮは、ノイズ低減効果とともに超解像効果を発揮する。別の実施形態では、ＣＴデータへのノイズ付加の代わりにまたは付加に加えて、低解像度の再構成ＣＴ画像にノイズを付加して、投影ドメインにおいて入力画像を取得してもよい。上記ＤＣＮＮは、デノイズと超解像の双方の効果を発揮するように訓練され、少なくともある状況では、別々に訓練されたデノイズＤＣＮＮとＳＲ－ＤＣＮＮを両方適用するよりも有益となり得る。ここで推論段階の処理の他の実施形態を説明する。この処理は、他の種類の、ＣＴ画像のデノイズ専用ＤＣＮＮモデルの適用と（１）デノイズＤＣＮＮおよび（２）図２１または図２７を参照する上記方法によって訓練されたＤＣＮＮの一方を選択することを含む。なお、ＤＣＮＮ（以下、ＳＲおよびデノイズＤＣＮＮと呼ぶこともある）はノイズ低減効果および超解像効果を発揮できる。推論段階の実施処理を、広範囲ＣＴ検出システム１００内の画像処理装置１５０、他の種類のＣＴ撮像システムのコンソール、またはＣＴ撮像システム外部の画像処理装置、例えば、病院のワークステーションや医用画像を受信し、医用データを分析し、医用画像を再構成する画像処理サーバ等に組込んでもよい。以下の説明において、各ステップは、画像処理装置、コンソール、ワークステーションまたは画像処理サーバに含まれるＣＰＵまたはＧＰＵである処理回路によって実行される。

複数対の訓練画像を用いてデノイズＤＣＮＮを学習させることができる。一実施形態において、入力画像を低放射線ＣＴ画像とし、対応する対象画像を高放射線ＣＴ画像としてもよい。低放射線ＣＴ画像は検査対象の物体のＣＴスキャンによって収集可能である。同様に、高放射線ＣＴ画像は検査対象の物体のＣＴスキャンによって収集可能である。また、低放射線ＣＴ画像は、ノイズを付加し、低放射線画像をシミュレーションすることによって、ＣＴスキャンで収集された高放射線ＣＴ画像から生成することもできる。高放射線ＣＴ画像は、高放射線画像をシミュレーションする画像処理によって、ＣＴスキャンで収集された低放射線ＣＴ画像から生成可能である。別の実施形態において、対象画像を、検査対象の物体のＣＴスキャンにより収集されたＣＴデータの反復再構成処理によって取得し、入力画像を、ＦＢＰ法に基づきＣＴデータにノイズを付加し、ノイズ付加ＣＴデータを再構成することによって、取得することができる。なお、デノイズモデルは様々な種類のアーチファクトの低減効果を発揮できる。

第一ステップにおいて、ＣＴ撮像システム内で実行される場合は、ＣＴデータはＣＴ検出器から取得される。ワークステーションや画像処理サーバ内で実行される場合は、ＣＴデータはＣＴ撮像システムから取得可能である。また、ＣＴ撮像システム、ワークステーション、または画像処理サーバ内で実行される場合は、ＣＴデータはメモリからも取得可能である。

第二ステップにおいて、処理回路は、デノイズモデル（デノイズＤＣＮＮ）またはＳＲモデル（デノイズおよびＳＲ－ＤＣＮＮ）を得られた画像の再構成処理に適用するか否かを判定する。デノイズモデルを選択した場合、処理回路は第一のＣＴ画像を第一の再構成条件に従って再構成し、第二のＣＴ画像を第二の再構成条件に従って再構成する。第一の再構成条件と比較して、第二の再構成条件は、ＦＢＰ再構成用に選択される、再構成機能および画像情報維持のためノイズ低減効果のないまたは少ないフィルタを含む。また、第二の再構成条件は、再構成領域の画素密度または画素数が第一の再構成条件より大きいため、第二のＣＴ画像のＳＲ処理において解像度をより向上させる。第一および第二のＣＴ画像双方の再構成において特定のノイズ低減処理を実施する場合は、第二のＣＴ画像の画像情報維持のため、第二のＣＴ画像のノイズ低減度を第一のＣＴ画像より低くしてもよい。

次のステップにおいて、デノイズＤＣＮＮを第一のＣＴ画像に適用してデノイズ済みＣＴ画像を得る。次に、ＳＲおよびデノイズＤＣＮＮを第一のＣＴ画像に適用してＳＲ－ＣＴ画像を得る。得られたＣＴ画像は出力され、表示または分析される。得られたＣＴ画像を出力して表示する場合、処理回路は、得られたＣＴ画像を含むグラフィカル・ユーザ・インターフェースを生成し、ディスプレイに送信する。ディスプレイが画像処理装置またはワークステーションに接続されている場合は、処理回路は表示装置に得られたＣＴ画像を表示させる。

上述の処理には、適用されるＤＣＮＮモデルを選択しない場合は含まれていないが、かかる場合、処理回路は第一の再構成条件、または第一および第二の再構成条件とは異なる第三の再構成条件を選択する。

一実施形態において、複数のＳＲ（およびデノイズ）ＤＣＮＮと複数のＤＣＮＮモデルを体部位ベースに作成することができる。すなわち、ＳＲ用、デノイズ用にかかわらず、ＤＣＮＮモデルを、特定の体部位用および／または特定の臨床用途の画像のみを用いることによって、特定の体部位および／または特定の臨床用途に訓練することができる。

複数のＳＲ－ＤＣＮＮがメモリに保存されている場合、処理回路は、撮像された体部位に応じてその内の一つを指定する。

再構成条件およびＤＣＮＮは、スキャン情報に基づいてＣＴデータ取得前または取得後に選択可能である。

図２８を参照して、本開示の別の例示的な実施形態を説明する。この実施形態では、ＤＣＮＮモデルは投影ドメインにおいてＣＴデータ（ＣＴ投影データ）に適用され、画像は再構成される。一実施形態において、ＤＣＮＮを、ＵＨＲ－ＣＴデータである対象データとＮＲ－ＣＴデータである入力データをそれぞれ含む訓練データの複数対を用いて訓練することができる。ＮＲ－ＣＴデータは、ＵＨＲ－ＣＴデータとは異なるスキャンによって収集可能、または上述のＵＨＲ－ＮＲシミュレーションの実行によって生成可能である。別の実施形態において、対象データは、ＨＤ－ＵＨＲ－ＣＴデータであって、入力データはＬＤ－ＮＲ－ＣＴデータである。ＬＤ－ＮＲ－ＣＴデータは、ＨＤ－ＵＨＲ－ＣＴデータとは異なるスキャンによって収集可能である、または図２７を参照して説明したノイズの付加とＵＨＲ－ＮＲシミュレーションの実行によって生成可能である。

以下に示すステップは画像処理装置１５０（処理回路）のＣＰＵまたはＧＰＵによって実行されるが、ワークステーションまたは画像処理サーバの処理回路によっても実行可能である。

ステップＳ１４００において、広範囲ＣＴデータが取得される。別の実施形態では、ＣＴデータは通常範囲ＣＴデータでもよい。ステップＳ１４０２において、学習済みＤＣＮＮを広範囲ＣＴデータに適用して広範囲ＳＲ－ＣＴデータを取得する。ステップＳ１４０４において、広範囲ＳＲ－ＣＴデータに対して再構成処理を実施し、広範囲ＳＲ－ＣＴ画像を取得する。ステップＳ１４０６において、広範囲ＳＲ－ＣＴ画像は出力されて、表示またはさらに分析される。

図２９は、広範囲ＣＴ検出システムに対応するＣＴ撮像システムに含まれるＸ線架台装置の実施形態の一例を示す。図２９に示すとおり、側面から図示されるＸ線架台装置１５００は、Ｘ線管１５０１、円環状フレーム１５０２、および複数列または二次元アレイ型Ｘ線検出器１５０３を備える。Ｘ線管１５０１とＸ線検出器１５０３は円環状フレーム１５０２上の物体ＯＢＪに対して正反対に配置される。円環状フレーム１５０２は回転軸ＲＡの周りに回転可能に支持される。回転部１５０７は、物体ＯＢＪが回転軸ＲＡに沿って図面内にまたは図面外に移動される間、円環状フレーム１５０２を所定の速度で回転させる。コンソールまたは画像処理装置１５５０は再構成装置１５１４、記憶装置１５１２、表示装置１５１６、入力装置１５１５、および前処理装置１５０６を備える。

Ｘ線ＣＴ装置には様々な種類がある。例えば検査対象の物体の周囲をＸ線管とＸ線検出器がともに回転する回転－回転型装置、多くの検出素子がリング状または平面状に並べられ、Ｘ線管のみが検査対象の物体の周囲を回転する静止－回転型装置などが挙げられる。本発明はいずれの型の装置にも適用可能である。ここでは、現在の主流である回転－回転型装置を例示する。

マルチスライスＸ線ＣＴ装置はさらに、管電圧を生成する高電圧生成装置１５０９を備える。管電圧は、Ｘ線管がＸ線を生成するように、スリップリング１５０８を介してＸ線管１５０１に印加される。Ｘ線は物体ＯＢＪに向かって出射される。物体ＯＢＪの断層領域を丸印で示す。例えば、最初のスキャン中のＸ線管の平均Ｘ線エネルギーは２回目のスキャン中の平均Ｘ線エネルギーより少ない。すなわち、２回以上のスキャンは異なるＸ線エネルギーに対応して取得される。Ｘ線検出器１５０３は、物体ＯＢＪに対してＸ線管１５０１の反対側に位置して、出射され、物体ＯＢＪを透過したＸ線を検出する。Ｘ線検出器１５０３は、個別の検出素子または検出ユニットをさらに備える。

ＣＴ装置は、Ｘ線検出器１５０３からの検出信号を処理するための他の装置をさらに備える。データ収集回路またはデータ収集システム（ｄａｔａ ａｃｑｕｉｓｉｔｉｏｎ ｓｙｓｔｅｍ：ＤＡＳ）１５０４は、Ｘ線検出器１５０３から出力された信号をチャネル毎に電圧信号に変換・増幅後、さらにデジタル信号に変換する。Ｘ線検出器１５０３およびＤＡＳ１５０４は回転あたり投影数（ＴＰＰＲ）を処理するように構成される。

上述のデータは、Ｘ線架台装置１５００外にあるコンソールに非接触型データ送信機１５０５を介して収容される前処理装置１５０６に送信される。前処理装置１５０６は、生（ｒａｗ）データに対して感度補正等の所定の補正を行う。メモリ１５１２は、結果として得られたデータ（再構成処理直前段階の投影データとも呼ばれる）を保存する。メモリ１５１２は、再構成装置１５１４、入力装置１５１５、表示装置１５１６とともに、データ／制御バス１５１１を介してシステムコントローラ１５１０に接続される。システムコントローラ１５１０は、ＣＴシステムの駆動に必要なレベルに電流を制限する電流調整装置１５１３を制御する。

ＣＴ撮像装置のこの構成例において、再構成装置１５１４は、図１７、２０、２１、２２、２４、２８に記載の処理および方法を実行する。

検出器は、ＣＴスキャナシステムが様々な生成を行う間、患者に対して回転されるおよび／または静止される。一実施例において、上述のＣＴシステムは第三世代形状のシステムと第四世代形状のシステムの結合システムの一例である。第三世代システムでは、Ｘ線管１５０１とＸ線検出器１５０３は円環状フレーム１５０２上に正反対の位置に設けられ、円環状フレーム１５０２の回転軸ＲＡ周りの回転に応じて回転する。第四世代システムでは、検出器は患者の周囲に固定的に配置され、Ｘ線管は患者の周りを回転する。別の実施形態において、Ｘ線架台装置１５００は、Ｃアームと台に支持される円環状フレーム１５０２上に配置される複数の検出器を備える。

メモリ１５１２は、Ｘ線検出器１５０３におけるＸ線の放射照度を示す測定値を保存可能である。

さらに、再構成装置１５１４は、必要に応じて、ボリュームレンダリング処理、画像差分処理等の再構成前画像処理を実行可能である。

前処理装置１５０６が実行する投影データの再構成前処理は、例えば、検出器キャリブレーション、検出器の非線形性、および極性効果に対する補正を含んでもよい。

再構成装置１５１４が実行する再構成後処理は、必要に応じて、画像のフィルタリングおよび平滑化、ボリュームレンダリング処理、および画像差分処理を含むことが可能である。再構成装置１５１４は、例えば投影データ、再構成画像、キャリブレーション・データ、パラメータ、コンピュータプログラム等をメモリに保存できる。

再構成装置１５１４は、ＣＰＵ（処理回路）を備えることができる。ＣＰＵは、個別論理ゲート、特定用途向け集積回路（ＡＳＩＣ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）や他のコンプレックス・プログラマブルロジックデバイス（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＣＰＬＤ）として実現可能である。ＦＰＧＡやＣＰＬＤの実装は、ＶＨＤＬ、Ｖｅｒｉｌｏｇまたは他のハードウェア記述言語によって暗号化されてもよい。暗号はＦＰＧＡやＣＰＬＤ内の電子メモリに直接保存される、または別の電子メモリに保存されてもよい。さらに、メモリ１５１２はＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、またはフラッシュメモリ等の不揮発性であってもよい。メモリ１５１２は、スタティックまたはダイナミックＲＡＭなどの揮発性でもよい。また、マイクロコントローラ、マイクロプロセッサなどのプロセッサを設けて、電子メモリとともにＦＰＧＡまたはＣＰＬＤとメモリ間の相互の動作を管理することも可能である。

また、再構成装置１５１４のＣＰＵは、本開示に記載の機能を実行する一組のコンピュータ読み取り可能な指示を含むコンピュータプログラムを実行可能である。該コンピュータプログラムは、上述の非一時的な電子メモリおよび／またはハードディスクドライブ、ＣＤ、ＤＶＤ、フラッシュドライブ、または他の公知の記憶媒体に保存される。さらに、コンピュータ読み取り可能な指示は、所定のプロセッサおよび所定のオペレーティングシステムまたは当業者公知の任意のオペレーティングシステムと協働で実行する、ユーティリティ・アプリケーション、バックグラウンドデーモン、オペレーティングシステムのコンポネント、またはその組み合わせとして提供可能である。また、ＣＰＵは、協働で並列に動作して指示を実行する複数のプロセッサとして実現可能である。

一実施例において、再構成画像を表示装置１５１６に表示することができる。表示装置１５１６は、ＬＣＤディスプレイ、ＣＲＴディスプレイ、プラズマディスプレイ、ＯＬＥＤ、ＬＥＤ、または他の公知の表示装置を用いることができる。

メモリ１５１２は、ハードディスクドライブ、ＣＤ－ＲＯＭドライブ、ＤＶＤドライブ、フラッシュドライブ、ＲＡＭ、ＲＯＭ、または他の公知の電子記憶装置を用いることができる。

図３０は、中間ネットワークに係わるクライアント－サーバ構成を有する医用画像処理システムの一例を示す。図３０に示すように、医用画像処理システムは、クライアント側装置として医用画像診断装置１６０１を、ネットワークＮを介して医用画像診断装置１６０１と接続されるサーバ側装置として医用画像処理装置１６１０を備える。

医用画像診断装置１６０１は、一般に、図２９に示されるＸ線ＣＴ装置または図１６に示される広範囲ＣＴ検出システム１００などでよい。

医用画像処理装置１６１０は、送信機／受信機１６１１、メモリ１６１２、および処理回路１６１３を備える。処理回路１６１３は、再構成プロセッサ１６１４１および画像プロセッサ１６１４２を含む再構成装置１６１４を備える。送信機／受信機１６１１はネットワークＮを介して医用画像診断装置１６０１との間でデータを送受信する。メモリ１６１２は、医用画像診断装置１６０１から受信した医用画像データ等の情報と上述の再構成処理やデノイズ処理などを実行するための様々な専用プログラムを保存する。処理回路１６１３は、上述の再構成装置１６１４の機能を実現するプロセッサである。

これらの構成によって、医用画像診断装置１６０１は、図２９の再構成装置１５１４の機能の実現を必要としない。したがって、医用画像診断装置１６０１の処理負荷および医用画像診断装置１６０１に付随するコストを削減することができる。また、再構成処理およびデノイズ処理は、サーバ側である医用画像処理装置１６１０によって統一された方法で実行される。これによって、現場の医用画像診断装置それぞれで再構成処理およびデノイズ処理を行う際の演算子の差異に起因して起こり得る、画質等のばらつきを防ぐことが可能となる。

以上説明した少なくとも１つの実施形態等によれば、医用画像における解剖学的特徴などの物体の視認性を向上し、かつ画質を向上させた医用画像を生成することができる。

いくつかの実施形態を参照して本開示を説明したが、これらの実施形態は、本開示の原理と用途の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、実施形態同士の組み合わせ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。

以上の実施形態等に関し、発明の一側面および選択的な特徴として以下の付記を開示する。
（付記１）
医用画像撮像装置により撮像された被検体に関する第１医用データより低ノイズであって前記第１医用データより超解像の第２医用データを前記第１医用データに基づいて生成する学習済みモデルに対して、前記第１医用データを入力することで、前記第２医用データを出力する、医用データ処理方法。
（付記２）
前記第１医用データは、前記医用画像撮像装置による前記被検体の撮像により収集された再構成前のデータまたは表示処理前のデータであって、前記医用データ処理方法は、前記第２医用データに基づいて医用画像を生成してもよい。
（付記３）
前記第１医用データは、前記医用画像撮像装置による前記被検体の撮像により収集された収集データに基づいて再構成された第１再構成画像であって、前記第２医用データは、前記第１再構成画像より低ノイズであって前記第１再構成画像より超解像の第２再構成画像であってもよい。
（付記４）
前記医用データ処理方法は、前記学習済みモデルが用いられない場合、前記医用画像撮像装置による前記被検体の撮像により収集された収集データに基づいて、前記第１再構成画像を第１マトリクスサイズで再構成し、前記学習済みモデルが用いられる場合、前記収集データに基づいて、前記第１再構成画像を、前記第１マトリクスサイズより大きく前記第２再構成画像のマトリクスサイズに対応する第２マトリクスサイズで再構成し、前記学習済みモデルに対して、前記第２マトリクスサイズを有する前記第１再構成画像を入力することで、前記第２再構成画像を出力してもよい。
（付記５）
前記医用データ処理方法は、前記第１再構成画像の第１マトリクスサイズを、前記第１マトリクスサイズより大きく前記第２再構成画像のマトリクスサイズに対応する第２マトリクスサイズにアップサンプリングし、前記第２マトリクスサイズを有する前記第１再構成画像を前記学習済みモデルに入力し、前記第２再構成画像を出力してもよい。
（付記６）
付記２に記載の医用データ処理方法における前記学習済みモデルを生成するモデル生成方法は、前記第２医用データのノイズおよび解像度に対応する第１訓練データに対してノイズを付加しかつ解像度を低減することにより、収集データのノイズおよび解像度に対応する第２訓練データを生成し、前記第１訓練データと前記第２訓練データとを用いて畳み込みニューラルネットワークを訓練することにより、前記学習済みモデルを生成してもよい。
（付記７）
付記３に記載の医用データ処理方法における前記学習済みモデルを生成するモデル生成方法は、前記第２再構成画像のノイズおよび解像度に対応する再構成前の第１再構成前データに基づいて、第１訓練画像を再構成し、前記第１再構成前データに対してノイズを付加しかつ解像度を低減することにより、前記第１再構成画像のノイズおよび解像度に対応し、再構成前の第２再構成前データを生成し、前記第２再構成前データに基づいて、第２訓練画像を再構成し、前記第１訓練画像と前記第２訓練画像とを用いて畳み込みニューラルネットワークを訓練することにより、前記学習済みモデルを生成してもよい。
（付記８）
付記３に記載の医用データ処理方法における前記学習済みモデルを生成するモデル生成方法は、前記第２再構成画像のノイズおよび解像度に対応する再構成前の第１再構成前データに基づいて、第１訓練画像を再構成し、前記第１再構成前データに対してノイズを付加して再構成することにより、前記第１再構成画像のノイズに対応するノイズ付加画像を生成し、前記ノイズ付加画像に対して解像度を低減することにより、前記第１再構成画像のノイズおよび解像度に対応する第２訓練画像を生成し、前記第１訓練画像と前記第２訓練画像とを用いて畳み込みニューラルネットワークを訓練することにより、前記学習済みモデルを生成してもよい。
（付記９）
付記３に記載の医用データ処理方法における前記学習済みモデルを生成するモデル生成方法は、前記第２再構成画像のノイズおよび解像度に対応する再構成前の第１再構成前データに基づいて、第１訓練画像を再構成し、前記第１再構成前データに対して解像度を低減して再構成することにより、前記第１再構成画像の解像度に対応する低解像画像を生成し、前記低解像画像に対してノイズを付加することにより、前記第１再構成画像のノイズおよび解像度に対応する第２訓練画像を生成し、前記第１訓練画像と前記第２訓練画像とを用いて畳み込みニューラルネットワークを訓練することにより、前記学習済みモデルを生成してもよい。
（付記１０）
付記３に記載の医用データ処理方法における前記学習済みモデルを生成するモデル生成方法は、前記第２再構成画像のノイズおよび解像度に対応する再構成前の第１再構成前データに基づいて、第１訓練画像を再構成し、前記第１訓練画像に対してノイズを付加して解像度を低減することにより、前記第１再構成画像のノイズおよび解像度に対応する第２訓練画像を生成し、前記第１訓練画像と前記第２訓練画像とを用いて畳み込みニューラルネットワークを訓練することにより、前記学習済みモデルを生成してもよい。
（付記１１）
医用画像撮像装置により撮像された被検体に関する第１医用データより低ノイズであって前記第１医用データより超解像の第２医用データを前記第１医用データに基づいて生成する学習済みモデルに対して、前記第１医用データを入力することで、前記第２医用データを出力する処理回路を備えた医用データ処理装置。
（付記１２）
コンピュータに、医用画像撮像装置により撮像された被検体に関する第１医用データより低ノイズであって前記第１医用データより超解像の第２医用データを前記第１医用データに基づいて生成する学習済みモデルに対して、前記第１医用データを入力することで、前記第２医用データを出力すること、を実現させる医用データ処理プログラム。
（付記１３）
第１のピクセルサイズの検出器を有する第１のＣＴ装置で、前記検出器の第１のイメージング領域を用いて被検体に対する第１のＣＴスキャンを実行することより第１の投影データ群を取得し、
前記第１の投影データ群を再構成処理することにより第１の解像度を有する第１のＣＴ画像を取得し、
前記第１のＣＴ画像に解像度を向上させるための機械学習モデルを適用することにより前記第１の解像度よりも解像度が高い処理後ＣＴ画像を取得し、
前記処理後ＣＴ画像を表示または解析処理のために出力し、
前記機械学習モデルは、第１のピクセルサイズよりも小さい第２のピクセルサイズの検出器を有する第２のＣＴ装置で、前記検出器の第１のイメージング領域よりも小さい第２のイメージング領域を用いて被検体に対する第２のＣＴスキャンを実行することより得られる第２の投影データ群に基づく第２のＣＴ画像を用いた機械学習により得られること、
を備える医用画像処理方法。
（付記１４）
前記医用画像処理方法は、前記機械学習モデルを適用する場合には、前記第１の投影データ群を用いて第１のマトリクスサイズで再構成処理をすることにより前記第１のＣＴ画像を生成し、前記機械学習モデルを適用しない場合には、前記第１の投影データ群を用いて第１のマトリクスサイズよりも小さい第２のマトリクスサイズで再構成処理をすることにより他のＣＴ画像を生成してもよい。
（付記１５）
前記第１のマトリクスサイズは、５１２×５１２、１０２４×１０２４、２０４８×２０４８、４０９６×４０９６のうちいずれかであってもよい。
（付記１６）
前記第２のマトリクスサイズは、２５６×２５６、５１２×５１２、１０２４×１０２４、２０４８×２０４８のうちいずれかであってもよい。
（付記１７）
前記第１のマトリクスサイズは、１０２４×１０２４以上であって、前記第２のマトリクスサイズ５１２×５１２以上であってもよい。
（付記１８）
前記医用画像処理方法は、
前記機械学習モデルを適用する場合には、前記第１の投影データ群を用い、第１の再構成関数に基づいて再構成処理をすることにより前記第１のＣＴ画像を生成し、
前記機械学習モデルを適用する代わりに、前記機械学習モデルとは異なる、ノイズを低減させるための他の機械学習モデルを適用する場合には、前記第１の投影データ群を用い、前記第１の再構成関数よりもノイズ低減効果の大きい第２の再構成関数に基づいて再構成処理をすることにより他のＣＴ画像を生成し、前記他のＣＴ画像に前記他の機械学習モデルを適用してもよい。
（付記１９）
前記医用画像処理方法は、前記処理後ＣＴ画像の取得において、前記第１のＣＴ画像と、前記第１のＣＴ画像に前記機械学習モデルを適用して得られる画像とを所定の割合で合成することにより前記処理後ＣＴ画像を取得してもよい。
（付記２０）
前記所定の割合は、ユーザ入力に基づいて得られる、または一組の撮像条件セットから得られてもよい。
（付記２１）
前記医用画像処理方法は、前記機械学習モデルの適用において、
前記第１のＣＴ画像に基づいて複数の３Ｄ部分画像を生成し、
前記機械学習モデルと前記他の機械学習モデルとのうち指定されたモデルに前記複数の３Ｄ部分画像を入力することによって、前記指定されたモデルを適用して、複数の処理済み３Ｄ部分画像を取得し、
前記複数の処理済み３Ｄ部分画像を合成することによって処理済み画像を取得してもよい。
（付記２２）
前記医用画像処理方法は、前記複数の３Ｄ部分画像の生成において、前記複数の３Ｄ部分画像のうち少なくとも２つが部分的に重複するように前記複数の３Ｄ部分画像を生成してもよい。
（付記２３）
前記医用画像処理方法は、前記複数の処理済み３Ｄ部分画像を合成することにおいて、前記複数の処理済み３Ｄ部分画像のうち２つの隣接する処理済み３Ｄ部分画像間の結合部にフィルタ処理を適用して、前記複数の処理済み３Ｄ部分画像を合成してもよい。
（付記２４）
前記機械学習モデルは、前記第１のＣＴ画像に超解像処理を適用するための機械学習モデルであってもよい。
（付記２５）
前記機械学習モデルは、前記第１のＣＴ画像に超解像処理とノイズ低減処理とを適用するための機械学習モデルであってもよい。
（付記２６）
前記医用画像処理方法によれば、前記機械学習モデルの生成では、前記第２のＣＴ画像と、前記第２のＣＴ画像または前記第２の投影データ群にいずれかに基づき生成される、前記第２のＣＴ画像よりも解像度が低く、前記第２のＣＴ画像よりもノイズが大きい第３のＣＴ画像とを訓練画像として、前記訓練画像を用いて前記機械学習モデルは訓練されてもよい。
（付記２７）
前記医用画像処理方法によれば、前記機械学習モデルの生成では、前記第２のＣＴ画像と、前記第２の投影データ群にノイズ付加処理を適用してさらに解像度低減処理を適用することにより得られる第３の投影データ群に基づく第４のＣＴ画像とを訓練画像として、前記訓練画像を用いて前記機械学習モデルは訓練されてもよい。
（付記２８）
第１のピクセルサイズの検出器を有する第１のＣＴ装置で、前記検出器の第１のイメージング領域を用いて被検体に対する第１のＣＴスキャンを実行することより得られる第１の投影データ群を取得する取得部と、
前記第１の投影データ群を再構成処理することにより第１の解像度を有する第１のＣＴ画像を取得し、かつ、前記第１のＣＴ画像に解像度を向上させるための機械学習モデルを適用することにより前記第１の解像度よりも解像度が高い処理後ＣＴ画像を取得する処理部と、
前記処理後ＣＴ画像を表示または解析処理のために出力する出力部と、
を備え、
前記機械学習モデルは、第１のピクセルサイズよりも小さい第２のピクセルサイズの検出器を有する第２のＣＴ装置で、前記検出器の第１のイメージング領域よりも小さい第２のイメージング領域を用いて被検体に対する第２のＣＴスキャンを実行することより得られる第２の投影データ群に基づく第２のＣＴ画像を用いた機械学習により得られる、
医用画像処理装置。
（付記２９）
Ｘ線ＣＴ装置は、付記２８に記載の医用画像処理装置を有していてもよい。
（付記３０）
コンピュータに、
第１のピクセルサイズの検出器を有する第１のＣＴ装置で、前記検出器の第１のイメージング領域を用いて被検体に対する第１のＣＴスキャンを実行することより第１の投影データ群を取得し、
前記第１の投影データ群を再構成処理することにより第１の解像度を有する第１のＣＴ画像を取得し、
前記第１のＣＴ画像に解像度を向上させるための機械学習モデルを適用することにより前記第１の解像度よりも解像度が高い処理後ＣＴ画像を取得し、
前記処理後ＣＴ画像を表示または解析処理のために出力することを実現させ、
前記機械学習モデルは、第１のピクセルサイズよりも小さい第２のピクセルサイズの検出器を有する第２のＣＴ装置で、前記検出器の第１のイメージング領域よりも小さい第２のイメージング領域を用いて被検体に対する第２のＣＴスキャンを実行することより得られる第２の投影データ群に基づく第２のＣＴ画像を用いた機械学習により得られる、
医用画像処理プログラム。

１ Ｘ線ＣＴシステム
５ 学習装置
１０ 架台装置
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 ＤＡＳ（Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ Ｓｙｓｔｅｍ）１８
３０ 寝台装置
３１ 基台
３２ 寝台駆動装置
３３ 天板
３４ 支持フレーム
４０ コンソール装置
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
５１ メモリ
５４ 処理回路
１００ 広範囲ＣＴ検出システム
１０１ 広範囲ＣＴデータ
１１３ ケーブルまたは配線
１５０ 画像処理装置
２００ ＵＨＲ－ＣＴ検出システム
２０１ ＵＨＲ－ＣＴデータ
３０１ 広範囲ＵＨＲ－ＣＴ画像
４００ 情報処理装置
４０１ 超解像（ＳＲ）用学習済みモデル
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 データ処理機能
５４３ 訓練データ生成機能
５４４ モデル生成機能
１２００ コンピュータシステム
１２００’ コンピュータ
１２０１ 中央処理装置（ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ：ＣＰＵ）
１２０２ ＲＯＭ
１２０３ ＲＡＭ
１２０４ ハードディスク（および／または他の記憶装置）
１２０５ 通信インターフェース
１２０７ 固体撮像素子（ＳＳＤ）
１２０９ スクリーン（またはモニタ・インターフェース）、ディスプレイ
１２１０ キーボード（または入力インターフェース；キーボードに加えてマウスや他の入力装置を備えてもよい）
１２１１ マウス装置
１２１２ ネットワークインターフェース
１２１４ オペレーションインターフェース
１２１５ ＧＰＵ
１５００ Ｘ線架台装置
１５０１ Ｘ線管
１５０２ 円環状フレーム
１５０３ 複数列または二次元アレイ型Ｘ線検出器
１５０５ 非接触型データ送信機
１５０６ 前処理装置
１５０７ 回転部
１５０８ スリップリング
１５１０ システムコントローラ
１５１１ 制御バス
１５１２ 記憶装置
１５１３ 電流調整装置
１５１４ 再構成装置
１５１５ 入力装置
１５１６ 表示装置
１５５０ コンソールまたは画像処理装置
１６０１ 医用画像診断装置
１６１０ 医用画像処理装置
１６１１ 送信機／受信機
１６１２ メモリ
１６１３ 処理回路
１６１４ 再構成装置
１６１４１ 再構成プロセッサ
１６１４２ 画像プロセッサ

Claims (12)

1. 医用画像撮像装置により撮像された被検体に関する第１医用データより低ノイズであって前記第１医用データより超解像の第２医用データを前記第１医用データに基づいて生成する学習済みモデルに対して、前記第１医用データを入力することで、前記第２医用データを出力する、
   医用データ処理方法。
2. 前記第１医用データは、前記医用画像撮像装置による前記被検体の撮像により収集された再構成前のデータまたは表示処理前のデータであって、
   前記第２医用データに基づいて医用画像を生成する、
   請求項１に記載の医用データ処理方法。
3. 前記第１医用データは、前記医用画像撮像装置による前記被検体の撮像により収集された収集データに基づいて再構成された第１再構成画像であって、
   前記第２医用データは、前記第１再構成画像より低ノイズであって前記第１再構成画像より超解像の第２再構成画像である、
   請求項１に記載の医用データ処理方法。
4. 前記学習済みモデルが用いられない場合、前記医用画像撮像装置による前記被検体の撮像により収集された収集データに基づいて、前記第１再構成画像を第１マトリクスサイズで再構成し、
   前記学習済みモデルが用いられる場合、前記収集データに基づいて、前記第１再構成画像を、前記第１マトリクスサイズより大きく前記第２再構成画像のマトリクスサイズに対応する第２マトリクスサイズで再構成し、
   前記学習済みモデルに対して、前記第２マトリクスサイズを有する前記第１再構成画像を入力することで、前記第２再構成画像を出力する、
   請求項３に記載の医用データ処理方法。
5. 前記第１再構成画像の第１マトリクスサイズを、前記第１マトリクスサイズより大きく前記第２再構成画像のマトリクスサイズに対応する第２マトリクスサイズにアップサンプリングし、
   前記第２マトリクスサイズを有する前記第１再構成画像を前記学習済みモデルに入力し、前記第２再構成画像を出力する、
   請求項３に記載の医用データ処理方法。
6. 請求項２に記載の医用データ処理方法における前記学習済みモデルを生成するモデル生成方法であって、
   前記第２医用データのノイズおよび解像度に対応する第１訓練データに対してノイズを付加しかつ解像度を低減することにより、収集データのノイズおよび解像度に対応する第２訓練データを生成し、
   前記第１訓練データと前記第２訓練データとを用いて畳み込みニューラルネットワークを訓練することにより、前記学習済みモデルを生成する、
   モデル生成方法。
7. 請求項３に記載の医用データ処理方法における前記学習済みモデルを生成するモデル生成方法であって、
   前記第２再構成画像のノイズおよび解像度に対応する再構成前の第１再構成前データに基づいて、第１訓練画像を再構成し、
   前記第１再構成前データに対してノイズを付加しかつ解像度を低減することにより、前記第１再構成画像のノイズおよび解像度に対応し、再構成前の第２再構成前データを生成し、
   前記第２再構成前データに基づいて、第２訓練画像を再構成し、
   前記第１訓練画像と前記第２訓練画像とを用いて畳み込みニューラルネットワークを訓練することにより、前記学習済みモデルを生成する、
   モデル生成方法。
8. 請求項３に記載の医用データ処理方法における前記学習済みモデルを生成するモデル生成方法であって、
   前記第２再構成画像のノイズおよび解像度に対応する再構成前の第１再構成前データに基づいて、第１訓練画像を再構成し、
   前記第１再構成前データに対してノイズを付加して再構成することにより、前記第１再構成画像のノイズに対応するノイズ付加画像を生成し、
   前記ノイズ付加画像に対して解像度を低減することにより、前記第１再構成画像のノイズおよび解像度に対応する第２訓練画像を生成し、
   前記第１訓練画像と前記第２訓練画像とを用いて畳み込みニューラルネットワークを訓練することにより、前記学習済みモデルを生成する、
   モデル生成方法。
9. 請求項３に記載の医用データ処理方法における前記学習済みモデルを生成するモデル生成方法であって、
   前記第２再構成画像のノイズおよび解像度に対応する再構成前の第１再構成前データに基づいて、第１訓練画像を再構成し、
   前記第１再構成前データに対して解像度を低減して再構成することにより、前記第１再構成画像の解像度に対応する低解像画像を生成し、
   前記低解像画像に対してノイズを付加することにより、前記第１再構成画像のノイズおよび解像度に対応する第２訓練画像を生成し、
   前記第１訓練画像と前記第２訓練画像とを用いて畳み込みニューラルネットワークを訓練することにより、前記学習済みモデルを生成する、
   モデル生成方法。
10. 請求項３に記載の医用データ処理方法における前記学習済みモデルを生成するモデル生成方法であって、
    前記第２再構成画像のノイズおよび解像度に対応する再構成前の第１再構成前データに基づいて、前記第１訓練画像を再構成し、
    前記第１訓練画像に対してノイズを付加して解像度を低減することにより、前記第１再構成画像のノイズおよび解像度に対応する前記第２訓練画像を生成し、
    前記第１訓練画像と前記第２訓練画像とを用いて畳み込みニューラルネットワークを訓練することにより、前記学習済みモデルを生成する、
    モデル生成方法。
11. 医用画像撮像装置により撮像された被検体に関する第１医用データより低ノイズであって前記第１医用データより超解像の第２医用データを前記第１医用データに基づいて生成する学習済みモデルに対して、前記第１医用データを入力することで、前記第２医用データを出力する、
    処理回路を備えた医用データ処理装置。
12. コンピュータに、
    医用画像撮像装置により撮像された被検体に関する第１医用データより低ノイズであって前記第１医用データより超解像の第２医用データを前記第１医用データに基づいて生成する学習済みモデルに対して、前記第１医用データを入力することで、前記第２医用データを出力すること、
    を実現させる医用データ処理プログラム。

Images