JP2022178846A - 医用情報処理方法、医用情報処理装置および医用画像処理装置 - Google Patents

Abstract

【課題】コントラストを向上させた医用画像を生成すること。【解決手段】本実施形態に係る医用情報処理方法は、第１医用画像診断装置により撮影された、関心領域において第１コントラストを有する第１医用画像に対して変換処理を適用することにより、第２医用画像診断装置により得られる第２医用画像よりもコントラストが高い高コントラスト画像を生成する。前記高コントラスト画像に対して画像処理を適用することにより、前記第２医用画像を疑似的に再現した画像であって、前記関心領域において前記第１コントラストよりも低い第２コントラストを有する疑似第２医用画像を生成する。前記疑似第２医用画像を入力データとし、前記高コントラスト画像を教師データとしてモデルを学習し、学習済みモデルを生成する。【選択図】図１

Description

本明細書及び図面に開示の実施形態は、医用情報処理方法、医用情報処理装置および医用画像処理装置に関する。

従前より、脳組織の医用画像診断では、ＣＴ（Computed Tomography）画像およびＭＲ（Magnetic Resonance）画像を用いた診断が普及している。ここで、脳の白質および灰白質の画像上のコントラストは、ＣＴ画像においてノイズ低減およびコントラスト強調処理などの画像処理により改善はされているものの、ＭＲ画像のコントラストには及ばない。特に救急現場などにおいては、撮像に時間を要し、さらには患者に金属が埋め込まれている場合は撮影できないＭＲＩ装置よりも、短時間で撮像が可能なＸ線ＣＴ装置による画像撮影のほうがニーズが高く、組織のコントラストを向上させたＣＴ画像が望まれる。

特開２０１９－２０９０１４号公報 特表２０１６－５０４１６７号公報

本明細書およ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、コントラスト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。

本実施形態に係る医用情報処理方法は、第１医用画像診断装置により撮影された、関心領域において第１コントラストを有する第１医用画像に対して変換処理を適用することにより、第２医用画像診断装置により得られる第２医用画像よりもコントラストが高い高コントラスト画像を生成する。前記高コントラスト画像に対して画像処理を適用することにより、前記第２医用画像を疑似的に再現した画像であって、前記関心領域において前記第１コントラストよりも低い第２コントラストを有する疑似第２医用画像を生成する。前記疑似第２医用画像を入力データとし、前記高コントラスト画像を教師データとしてモデルを学習し、学習済みモデルを生成する。

図１は、第１の実施形態に係る医用情報処理装置を示すブロック図である。 図２は、第１の実施形態に係るモデル学習機能によるモデルの学習時の概念を示す図である。 図３は、第１の実施形態に係るモデル学習機能によるモデルの学習時の具体例を示す図である。 図４は、第１の実施形態に係るモデル実行機能による学習済みモデルの利用時の概念を示す図である。 図５は、第２の実施形態に係る医用画像診断装置の一例となるＸ線ＣＴ装置の構成を示すブロック図である。

以下、図面を参照しながら本実施形態に係る医用情報処理方法、医用情報処理装置および医用画像処理装置について説明する。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行なうものとして、重複する説明を適宜省略する。以下、一実施形態について図面を用いて説明する。

（第１の実施形態）
第１の実施形態に係る医用情報処理装置について図１のブロック図を参照して説明する。
第１の実施形態に係る医用情報処理装置１は、メモリ１１と、処理回路１３と、入力インタフェース１５と、通信インタフェース１７とを含む。

メモリ１１は、種々の情報を記憶するＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）、集積回路記憶装置等の記憶装置である。メモリ１１は、ＨＤＤやＳＳＤ等以外にも、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、フラッシュメモリ等の可搬性記憶媒体や、ＲＡＭ（Random Access Memory）等の半導体メモリ素子等との間で種々の情報を読み書きする駆動装置であってもよい。また、メモリ１１の保存領域は、医用情報処理装置１内にあってもよいし、ネットワークで接続された外部記憶装置内にあってもよい。メモリ１１は、学習用データ、学習済みモデル、各種医用データ（生データ、投影データ、サイノグラムなどの中間データなど）および各種医用画像（再構成画像、ＣＴ（Computed Tomography）画像、ＭＲ（Magnetic Resonance）画像、超音波画像、ＰＥＴ（Positron Emission Tomography）画像、ＳＰＥＣＴ（Single photon emission computed tomography）など）を格納することを想定する。なお、学習用データ、学習済みモデル、医用データ及び医用画像などは、外部に記憶されていてもよい。学習用データ、学習済みモデル、医用データ及び医用画像などが外部に記憶される場合は、処理回路１３が参照可能であればよい。

処理回路１３は、例えば、ハードウェア資源として、ＣＰＵ（Central Processing Unit）やＭＰＵ(Micro Processing Unit)、ＧＰＵ（Graphics Processing Unit）等のプロセッサとＲＯＭ（Read Only Memory）やＲＡＭ等のメモリとを含む。また処理回路１３は、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）やフィールド・プログラマブル・ゲート・アレイ（Field Programmable Gate Array：ＦＰＧＡ）、他の複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）により実現されてもよい。
処理回路１３は、メモリに展開されたプログラムを実行するプロセッサにより、取得機能１３１と、教師画像生成機能１３２と、入力画像生成機能１３３と、モデル学習機能１３４と、モデル実行機能１３５と、表示制御機能１３６とを実行する。なお、各機能（取得機能１３１、教師画像生成機能１３２、入力画像生成機能１３３、モデル学習機能１３４、モデル実行機能１３５および表示制御機能１３６）は単一の処理回路で実現される場合に限らない。複数の独立したプロセッサを組み合わせて処理回路１３を構成し、各プロセッサがプログラムを実行することにより各機能を実現するものとしても構わない。

取得機能１３１により処理回路１３は、第１医用画像診断装置により撮影された、関心領域において第１コントラストを有する第１医用画像を取得する。言い換えれば、第１医用画像は、第１医用画像診断装置で利用する撮像手法である第１イメージングモダリティにより得られる医用画像である。第１コントラストは、第１医用画像に描出される関心領域における組織間のコントラストである。

教師画像生成機能１３２により処理回路１３は、第１医用画像に対して変換処理を適用することにより、第２医用画像診断装置により得られる第２医用画像よりもコントラストが高い高コントラスト画像を生成する。言い換えれば、第１医用画像に対して、第１イメージングモダリティにより得られる画像を、第２医用画像診断装置で利用する撮像手法である第２イメージングモダリティ相当の画像へと変換する変換処理を適用することにより、第２医用画像を得る。教師画像生成機能１３２は、第１生成部の一例である。第２医用画像診断装置は、第１医用画像診断装置よりも、関心領域において組織のコントラストが高い医用画像を撮影できる装置を想定する。

入力画像生成機能１３３により処理回路１３は、高コントラスト画像に対して画像処理を適用することにより、第２医用画像を疑似的に再現した画像であって、関心領域において第１コントラストよりも低い第２コントラストを有する疑似第２医用画像を生成する。
画像処理は、例えば、コントラスト低減処理およびノイズ付加処理といった、少なくとも画像のコントラストを低下（劣化）させる処理を想定する。

モデル学習機能１３４により処理回路１３は、疑似第２医用画像を入力データとし、高コントラスト画像を教師データとして学習用のモデルを学習し（訓練し）、学習済みモデルを生成する。生成された学習済みモデルにより、第２イメージングモダリティにより得られる画像のコントラストを向上させることができる。本実施形態で想定する学習用のモデルとしては、ニューラルネットワーク、ディープニューラルネットワーク、深層畳み込みニューラルネットワーク（ＤＣＮＮ）などを想定する。なお、これに限らず、学習用データから何らかの特徴を学習できるモデルであれば、どのようなモデルでもよい。

モデル実行機能１３５により処理回路１３は、第２医用画像診断装置から取得した第２医用画像に対して学習済みモデルを適用し、第２医用画像のコントラストを向上させた高コントラスト画像を出力する。なお、学習済みモデルは、例えば学習済みモデルがメモリ１１に格納される場合は、当該メモリ１１から学習済みモデルを参照してもよいし、学習済みモデルが外部装置に格納される場合は、モデル実行機能１３５が外部装置を参照すればよい。

表示制御機能１３６により処理回路１３は、高コントラスト画像を、ディスプレイに表示させる、またはプロジェクタを介してスクリーンなどに表示させるように画像の出力を制御する。

入力インタフェース１５は、ユーザから各種の入力操作を受け付け、受け付けた入力操作に基づく信号をメモリ１１、処理回路１３、通信インタフェース１７などに出力する。例えば、マウス、キーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパッド及びタッチパネルディスプレイ等が適宜、使用可能となっている。なお、本実施形態において、入力インタフェース１５は、マウス、キーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパッド及びタッチパネルディスプレイ等の物理的な操作部品を備えるものに限られない。例えば、装置とは別体に設けられた外部の入力機器から入力操作に対応する信号を受け取り、この信号を処理回路１３へ出力するような処理回路も入力インタフェース１５の例に含まれる。
通信インタフェース１７は、外部と通信するための無線又は有線のインタフェースであり、一般的なインタフェースを用いればよいため、ここでの説明は省略する。

なお、メモリ１１と、取得機能１３１と、モデル実行機能１３５と、表示制御機能１３６とを含む処理回路１３と、入力インタフェース１５と、通信インタフェース１７とを含む構成を、医用画像処理装置とも呼ぶ。
第１の実施形態に係る医用情報処理装置１および医用画像処理装置は、ＣＰＵ、ＧＰＵ等の汎用プロセッサ、または機械学習専用に構成されたプロセッサを有するワークステーション等のコンピュータに実装されてもよいし、ＰＡＣＳなどのサーバに搭載されてもよい。または、ＣＴ装置などの各種医用画像診断装置に搭載されてもよい。
また、上述した各機能（取得機能１３１、教師画像生成機能１３２、入力画像生成機能１３３、モデル学習機能１３４、モデル実行機能１３５および表示制御機能１３６）は、それぞれ別体の装置で実行され、各装置が通信可能に接続されることにより上述の処理が実現されてもよい。

次に、モデル学習機能１３４によるモデルの学習時の概念について図２を参照して説明する。モデルの学習時には、学習用データを用いてネットワークモデル２１を学習させる。
図２に示すように、第１医用画像から生成された高コントラスト画像を教師データ（正解データ）とし、高コントラスト画像から生成された疑似第２医用画像を入力データとした学習用データを用いてネットワークモデル２１を学習させ、学習済みモデル２３を生成する。
次にモデル学習機能１３４によるモデル学習時の具体例について図３を参照して説明する。

図３は、学習済みモデルの学習時の具体例として、被検体の頭部のＭＲ画像に関する学習用データを用いて学習済みモデルを生成する場合を示す概念図である。ここでは、第１医用画像診断装置としてＭＲＩ装置を想定し、第２医用画像診断装置としてＸ線ＣＴ装置を想定する。また、ＭＲ画像が第１医用画像であり、疑似ＣＴ画像が疑似第２医用画像である。

ＭＲ画像３１は、脳の白質および灰白質を含む領域を関心領域とした場合のＭＲ画像であり、例えばＦＬＡＩＲ（Fluid attenuated inversion recovery）画像など、白質と灰白質との組織間のコントラストが高い画像を想定する。

ＭＲ画像からＣＴ画像への変換処理を実行することで、ＣＴ画像を模擬した画像ではあるがコントラストはＭＲ画像３１のコントラストをある程度維持しつつ、一般的なＣＴ画像よりも高い高コントラストＣＴ画像３２を生成する。ＭＲ画像からＣＴ画像への変換といった、異なる医用画像診断装置で撮影された医用画像間の画像変換処理は、一般的な画像変換処理を用いればよい。つまり、異なる画像撮像手法である異なるイメージングモダリティで撮像した画像相当に変換可能な画像変換であれば、どのような手法でもよい。
高コントラストＣＴ画像３２は、ＭＲ画像３１よりは白質および灰白質の領域に関するコントラストが低い。一方、高コントラストＣＴ画像３２は、実際にＸ線ＣＴ装置により撮影されたＣＴ画像よりは、コントラストが高くなることを想定する。また、高コントラストＣＴ画像３２とＭＲ画像３１とでは、描画される解剖学的構造の形状は略同一であるとする。
疑似ＣＴ画像３３は、高コントラストＣＴ画像３２に対して画像処理を施すことにより、疑似ＣＴ画像３３を生成する。つまり、一般的なＣＴ画像は、白質および灰白質のコントラストがＭＲ画像のコントラストよりも低いため、より実際のＣＴ画像に近づけるように、ＣＴ画像を模擬した高コントラストＣＴ画像３２への画像処理を行なう。具体的には、入力画像生成機能１３３により処理回路１３は、高コントラストＣＴ画像３２に対して、コントラスト低減処理およびノイズ付加処理を実行する。コントラスト低減処理は、例えば、画像全体のコントラストが低くなるようにフィルタ処理が実行されればよい。また、ノイズ付加処理は、例えば、ＣＴ画像特有の粒状性ノイズを含むようにノイズを付加する処理が実行されればよい。

上述のように、疑似ＣＴ画像３３と高コントラストＣＴ画像３２とをペアとした学習用データを複数用意し、例えばメモリ１１に格納する。モデル学習機能１３４により処理回路１３は、疑似ＣＴ画像３３を入力データとし、高コントラストＣＴ画像３２を教師データとして、ネットワークモデル２１を反復学習させることで、学習済みモデルが生成される。ネットワークモデル２１の学習方法は、ネットワークモデル２１からの出力画像と教師データである高コントラストＣＴ画像３２との誤差を算出し、当該誤差に関する誤差関数が最小となるように誤差逆伝播法を用いてネットワークモデルのパラメータを学習するといった、一般的な機械学習における学習方法を用いればよい。
これにより、ＣＴ画像から、ＭＲ画像並みの関心領域における組織のコントラストを有する高コントラストＣＴ画像が再現されるように、ネットワークモデル２１を学習させることができる。

なお、ＭＲ画像３１が収集されていれば、高コントラストＣＴ画像３２および疑似ＣＴ画像３３への変換は容易である。よって、ＭＲ画像と対応するＣＴ画像とがペアで収集されている必要が無いため、容易かつ効率的に学習用データを用意できる。
また、ＭＲ画像３１から高コントラストＣＴ画像３２および疑似ＣＴ画像３３を生成する場合、複数種類の画像再構成処理を想定した画像を生成し、学習用データとしてもよい。例えば、画像再構成方法としては、フィルタ補正逆投影法（ＦＢＰ法：Filtered Back Projection）や逐次近似再構成法等を用いた画像再構成処理があり、学習済みモデルの利用時には、どのような種類の画像再構成処理が行われたＣＴ画像が入力されるか不明である。
よって、様々な画像再構成処理に対応できるように、例えば、入力画像生成機能１３３により処理回路１３は、１枚の高コントラストＣＴ画像３２から、ＦＢＰ法による画像再構成を想定した疑似ＣＴ画像３３と、逐次近似再構成法による画像再構成を想定した疑似ＣＴ画像３３とを生成する。例えば、逐次近似再構成法の疑似ＣＴ画像３３は、ＦＢＰ法の疑似ＣＴ画像３３と比較してノイズ量やノイズ種などのノイズパターンが異なる。高コントラストＣＴ画像３２に逐次近似再構成用のノイズパターンを付加することにより逐次近似再構成の疑似ＣＴ画像３３を生成し、ＦＢＰ再構成用のノイズパターンを付加することによりＦＢＰ再構成の疑似ＣＴ画像３３を生成することができる。
このように、複数種類の画像再構成処理を想定した疑似ＣＴ画像３３を生成することで、より汎用的な学習済みモデル２３を生成できる。

また、教師データの元となるＭＲ画像３１は、特定種類の疾患のＭＲ画像だけではなく、様々な症例のＭＲ画像および健常者を撮影した正常な状態のＭＲ画像を含めてもよい。これにより、バリエーションに富んだ学習用データを用意することができ、より汎用的な学習済みモデル２３を生成できる。

次に、学習済みモデル２３の利用時の概念について図４を参照して説明する。
学習済みモデル２３の利用時は、Ｘ線ＣＴ装置により実際に撮影されたＣＴ画像に対して、学習済みモデル２３を適用する。すなわち、モデル実行機能１３５により処理回路１３は、学習済みモデル２３に対して実際に撮影されたＣＴ画像を入力することで、学習済みモデル２３から、ＣＴ画像のコントラストが向上した高コントラストＣＴ画像が出力される。

なお、高コントラスト画像として、高い管電流値（ｍＡｓ）を設定してＸ線ＣＴ装置で撮影したＣＴ画像にコントラスト強調処理を行なったコントラスト強調画像を用いてもよい。高い管電流値を設定して撮影したＣＴ画像には、コントラスト強調処理が効果的に作用するため、当該コントラスト強調画像を教師データとして、撮影したＣＴ画像を入力データとした学習用データを用いてもよい。

上述の例では、頭部を撮像対象部位として想定したが、これに限らず、腹部、脊髄、四肢および関節などを撮像対象部位としてもよい。組織のコントラストが高い画像のほうが有意な部位を撮像対象部位とすることで、より実益がある。

なお、複数の撮像対象部位を想定する場合、学習済みモデルは撮像対象部位ごとに生成する。例えば、撮像対象部位が頭部であれば、頭部に関するＭＲ画像から生成された高コントラスト画像および対応する疑似ＣＴ画像を含む学習用データを用いて、学習済みモデルを生成すればよい。また、腹部であれば、腹部に関するＭＲ画像から生成された高コントラスト画像および対応する疑似ＣＴ画像を含む学習用データを用いて、学習済みモデルを生成すればよい。

また、ＭＲ画像に限らず、ＰＥＴ装置で取得されるＰＥＴ画像に基づいて高コントラスト画像を生成してもよい。ＰＥＴ画像は、例えば^１８Ｆ－ＦＤＧ（フルオロデオキシグルコース）などのブドウ糖類似物質を用いて、組織の糖代謝を測定することで腫瘍の有無および良悪についての診断に利用される。よって、腫瘍のコントラストがＣＴ画像よりも高いため、腫瘍部分を関心領域として、ＰＥＴ画像から高コントラスト画像（例えば、ＰＥＴ画像とＣＴ画像とを重畳した融合画像）を生成し、当該高コントラスト画像に対応する疑似ＣＴ画像を生成して学習用データとして用いることで、ＭＲ画像の場合と同様に、学習済みモデルを生成できる。撮影されたＣＴ画像に当該学習済みモデルを適用することで、腫瘍に関するコントラストが向上した融合画像を生成できる。
なお、ＰＥＴ画像に限らず、ＳＰＥＣＴ装置で取得されるＳＰＥＣＴ画像であってもよい。

以上に示した第１の実施形態によれば、コントラストが高い第１医用画像から、第２医用画像よりもコントラストが高い高コントラスト画像を生成し、高コントラスト画像に対して画像処理を行なうことで、第２医用画像を疑似的に再現した画像でありかつ高コントラスト画像よりもコントラストが低い疑似第２医用画像を生成する。疑似第２医用画像を入力データとし、高コントラスト画像を教師データとしてモデルを学習することで学習済みモデルを生成する。実際に撮影された第２医用画像に対して当該学習済みモデルを適用することで、当該第２医用画像よりもコントラストを向上させた医用画像を生成することができる。
（第２の実施形態）
第２の実施形態では、第１の実施形態に係る医用画像処理装置の処理回路１３の機能を含む医用画像診断装置の一例として、Ｘ線ＣＴ装置について説明する。

以下、本実施形態に係るＸ線ＣＴ装置について図５のブロック図を参照して説明する。図５に示すＸ線ＣＴ装置２は、架台装置７０と、寝台装置５０と、Ｘ線ＣＴ装置の処理を実現するコンソール装置４０とを有する。図５では説明の都合上、架台装置７０を複数描画している。

なお、本実施形態に係るＸ線ＣＴ装置２及び制御方法は、臥位型のＸ線ＣＴ装置を例に説明するが、立位型のＸ線ＣＴ装置でも同様に適用できる。また、スキャンモードに応じて立位及び臥位の両方の体位の被検体をスキャン可能なＸ線ＣＴ装置にも同様に適用できる。

本実施形態では、非チルト状態での回転フレーム７３の回転軸の長手方向をＺ軸、Ｚ軸に直交しかつ回転中心から回転フレーム７３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。

例えば、架台装置７０及び寝台装置５０はＣＴ検査室に設置され、コンソール装置４０はＣＴ検査室に隣接する制御室に設置される。なお、コンソール装置４０は、必ずしも制御室に設置されなくてもよい。例えば、コンソール装置４０は、架台装置７０及び寝台装置５０とともに同一の部屋に設置されてもよい。いずれにしても架台装置７０と、寝台装置５０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７０は、被検体ＰをＸ線ＣＴ撮影するための構成を有するスキャン装置である。架台装置７０は、Ｘ線管７１と、Ｘ線検出器７２と、回転フレーム７３と、Ｘ線高電圧装置７４と、制御装置７５と、ウェッジ７６と、コリメータ７７と、データ収集装置７８（以下、ＤＡＳ（Data Acquisition System）７８ともいう）とを含む。

Ｘ線管７１は、Ｘ線高電圧装置７４からの高電圧の印加及びフィラメント電流の供給により、陰極（フィラメント）から陽極（ターゲット）に向けて熱電子を照射することでＸ線を発生する真空管である。具体的には、熱電子がターゲットに衝突することによりＸ線が発生される。例えば、Ｘ線管７１には回転する陽極に熱電子を照射することでＸ線を発生させる回転陽極型のＸ線管がある。Ｘ線管７１で発生したＸ線は、例えばコリメータ７７を介してコーンビーム形に成形され、被検体Ｐに照射される。

Ｘ線検出器７２は、Ｘ線管７１から照射され、被検体Ｐを通過したＸ線を検出する。Ｘ線検出器７２は、例えば、Ｘ線管７１の焦点を中心として１つの円弧に沿ってチャンネル方向に複数のＸ線検出素子が配列された複数のＸ線検出素子列を有する。Ｘ線検出器７２は、例えば、チャンネル方向に複数のＸ線検出素子が配列されたＸ線検出素子列がスライス方向（列方向、ｒｏｗ方向）に複数配列された列構造を有する。

Ｘ線検出器７２は、具体的には、例えば、グリッドと、シンチレータアレイと、光センサアレイとを有する間接変換型の検出器である。Ｘ線検出器７２は、一般的な積分型検出器と、フォトンカウンティング型検出器とのどちらも想定可能である。Ｘ線検出器７２は、検出部の一例である。

Ｘ線検出器７２が、積分型検出器である場合について説明する。
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線量に応じた光子量の光を出力するシンチレータ結晶を有する。
グリッドは、シンチレータアレイのＸ線入射側の面に配置され、散乱Ｘ線を吸収する機能を有するＸ線遮蔽板を有する。なお、グリッドはコリメータ（１次元コリメータまたは２次元コリメータ）と呼ばれる場合もある。
光センサアレイは、シンチレータから受けた光を増幅して電気信号に変換する機能を有し、例えば、光電子増倍管（フォトマルチプライヤー：ＰＭＴ）等の光センサを有する。

次に、Ｘ線検出器７２が、フォトンカウンティング型検出器である場合について説明する。
シンチレータは、入射Ｘ線を、当該入射Ｘ線の強度に応じた個数の光子に変換する。
光センサアレイは、シンチレータから受けた光を増幅して電気信号に変換し、当該入射Ｘ線のエネルギーに応じた波高値を有する出力信号（エネルギー信号）を生成する機能を有する。
なお、Ｘ線検出器７２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。

回転フレーム７３は、Ｘ線管７１とＸ線検出器７２とを対向支持し、後述する制御装置７５によってＸ線管７１とＸ線検出器７２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７３は、Ｘ線管７１とＸ線検出器７２とに加えて、Ｘ線高電圧装置７４やＤＡＳ７８を更に備えて支持する。

回転フレーム７３は、アルミニウム等の金属により形成された固定フレーム（図示せず）に回転可能に支持される。詳しくは、回転フレーム７３は、ベアリングを介して固定フレームの縁部に接続されている。回転フレーム７３は、制御装置７５の駆動機構からの動力を受けて回転軸Ｚ回りに一定の角速度で回転する。

回転フレーム７３は、架台装置の非回転部分（例えば固定フレーム。図１での図示は省略している）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７３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７３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７３と非回転部分にはそれぞれ、非接触方式又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７３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７０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、ＤＡＳ７８が生成した検出データは、回転フレーム７３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、さらに送信機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。

Ｘ線高電圧装置７４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７１に印加する高電圧及びＸ線管７１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７１が照射するＸ線に応じた出力電圧の制御を行なう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７４は、後述する回転フレーム７３に設けられてもよいし、架台装置７０の固定フレーム（図示しない）側に設けられても構わない。

制御装置７５は、ＣＰＵ等を有する処理回路と、モータ及びアクチュエータ等の駆動機構とを有する。処理回路は、ハードウェア資源として、ＣＰＵやＭＰＵ等のプロセッサとＲＯＭやＲＡＭ等のメモリとを有する。
また、制御装置７５は、ＡＳＩＣやＦＰＧＡ、他のＣＰＬＤ、ＳＰＬＤにより実現されてもよい。制御装置７５は、コンソール装置４０からの指令に従い、Ｘ線高電圧装置７４及びＤＡＳ７８等を制御する。プロセッサは、メモリに保存されたプログラムを読み出して実現することで上記制御を実現する。

また、制御装置７５は、コンソール装置４０若しくは架台装置７０に取り付けられた、後述する入力インタフェース４３からの入力信号を受けて、架台装置７０及び寝台装置５０の動作制御を行なう機能を有する。例えば、制御装置７５は、入力信号を受けて回転フレーム７３を回転させる制御や、架台装置７０をチルトさせる制御、及び寝台装置５０及び天板５３を動作させる制御を行なう。なお、架台装置７０をチルトさせる制御は、架台装置７０に取り付けられた入力インタフェース４３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７５がＸ軸方向に平行な軸を中心に回転フレーム７３を回転させることによって実現される。また、制御装置７５は架台装置７０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７５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。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て実行することで上記制御を実現する。

ウェッジ７６は、Ｘ線管７１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７６は、Ｘ線管７１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７１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７６（ウェッジフィルタ（wedge filter）、ボウタイフィルタ（bow-tie filter））は、所定のターゲット角度や所定の厚みとなるようにアルミニウムを加工したフィルタである。

コリメータ７７は、ウェッジ７６を透過したＸ線の照射範囲を絞り込むための複数の絞り羽根（ブレードともいう）であり、複数の絞り羽根の組み合わせによってスリット（開口ともいう）を形成する。絞り羽根は、例えば鉛板などのＸ線の遮蔽能が高い材料で形成される。なお、コリメータ７７は、Ｘ線絞りと呼ばれる場合もある。

ＤＡＳ７８は、Ｘ線検出器７２が積分型検出器である場合、Ｘ線検出器７２から電気信号を読み出し、読み出した電気信号に基づいて、Ｘ線検出器７２により検出されたＸ線の線量に関するデジタルデータ（以下、検出データともいう）を生成する。検出データは、生成元のＸ線検出素子のチャネル番号、列番号、収集されたビュー（投影角度ともいう）を示すビュー番号、及び検出されたＸ線の線量の積分値を示すデータのセットである。

また、ＤＡＳ７８は、Ｘ線検出器７２がフォトンカウンティング型検出器である場合、Ｘ線検出器７２からエネルギー信号を読み出し、読み出したエネルギー信号に基づいて、Ｘ線検出器７２により検出されたＸ線のカウントを示す検出データを、複数のエネルギー帯域（エネルギー・ビン）ごとに生成する。検出データは、生成元の検出器画素のチャネル番号、列番号、収集されたビューを示すビュー番号、及びエネルギー・ビン番号により識別されたカウント値のデータのセットである。ＤＡＳ７８は、例えば、検出データを生成可能な回路素子を搭載したＡＳＩＣ（Application Specific Integrated Circuit）により実現される。

寝台装置５０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５１と、寝台駆動装置５２と、天板５３と、支持フレーム５４とを備えている。
基台５１は、支持フレーム５４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５２は、被検体Ｐが載置された天板５３を天板５３の長軸方向に移動するモータあるいはアクチュエータである。寝台駆動装置５２は、コンソール装置４０による制御、または制御装置７５による制御に従い、天板５３を移動する。例えば、寝台駆動装置５２は、天板５３に載置された被検体Ｐの体軸が回転フレーム７３の開口の中心軸に一致するよう、天板５３を被検体Ｐに対して直交方向に移動する。また、寝台駆動装置５２は、架台装置７０を用いて実行されるＸ線ＣＴ撮影に応じて、天板５３を被検体Ｐの体軸方向に沿って移動してもよい。寝台駆動装置５２は、制御装置７５からの駆動信号のデューティ比等に応じた回転速度で駆動することにより動力を発生する。寝台駆動装置５２は、例えば、ダイレクトドライブモータやサーボモータ等のモータにより実現される。

支持フレーム５４の上面に設けられた天板５３は、被検体Ｐが載置される板である。なお、寝台駆動装置５２は、天板５３に加え、支持フレーム５４を天板５３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、コンソール装置４０は架台装置７０とは別体として説明するが、架台装置７０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、種々の情報を記憶するＨＤＤやＳＳＤ、集積回路記憶装置等の記憶装置である。メモリ４１は、例えば、第１の実施形態に示した撮像対象部位ごとの学習済みモデル、後述する投影データ、および再構成画像データを記憶する。メモリ４１は、ＨＤＤやＳＳＤ等以外にも、ＣＤ、ＤＶＤ、フラッシュメモリ等の可搬性記憶媒体や、ＲＡＭ等の半導体メモリ素子等との間で種々の情報を読み書きする駆動装置であってもよい。また、メモリ４１の保存領域は、Ｘ線ＣＴ装置２内にあってもよいし、ネットワークで接続された外部記憶装置内にあってもよい。例えば、メモリ４１は、ＣＴ画像や表示画像のデータを記憶する。また、メモリ４１は、本実施形態に係る制御プログラムを記憶する。

ディスプレイ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。例えば、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７０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などで構成されることにしても構わない。

入力インタフェース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、入力インタフェース４３は、撮影データを収集する際の収集条件や、ＣＴ画像を再構成する際の再構成条件、ＣＴ画像から後処理画像を生成する際の画像処理条件等を操作者から受け付ける。入力インタフェース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フェース４３の例に含まれる。入力インタフェース４３は、架台装置７０に設けられてもよい。又、入力インタフェース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などで構成されることにしても構わない。

処理回路４４は、入力インタフェース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２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、第１の実施形態に係る処理回路１３と同様に、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、取得機能１３１と、モデル実行機能１３５と、表示制御機能１３６とを実行する。なお、各機能は単一の処理回路で実現される場合に限らない。複数の独立したプロセッサを組み合わせて処理回路を構成し、各プロセッサがプログラムを実行することにより各機能を実現するものとしても構わない。なお、取得機能１３１と、取得機能１３１と、モデル実行機能１３５と、表示制御機能１３６とについては、第１の実施形態と同様の動作を行なうため説明を省略する。

システム制御機能４４１は、入力インタフェース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。具体的には、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２の各部を制御する。例えば、処理回路４４は、入力インタフェース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。例えば、システム制御機能４４１は、スキャン範囲、撮影条件等を決定するための被検体Ｐの２次元の位置決め画像を取得する。

前処理機能４４２は、ＤＡＳ７８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などの前処理を施したデータを生成する。なお、前処理前のデータ（検出データ）および前処理後のデータを総称して投影データとも呼ぶ。

なお、処理回路４４は、スキャン制御処理、画像処理および表示制御処理も行なう。
スキャン制御処理は、Ｘ線高電圧装置７４に高電圧を供給させて、Ｘ線管７１にＸ線を照射させるなど、Ｘ線スキャンに関する各種動作を制御する処理である。
画像処理は、入力インタフェース４３を介して操作者から受け付けた入力操作に基づいてＣＴ画像データを、任意断面の断層画像データや３次元画像データに変換する画像再構成処理である。

処理回路４４は、コンソール装置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データに対する処理を一括して行なう統合サーバに含まれてもよい。
なお、コンソール装置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、取得機能１３１、モデル実行機能１３５などの処理回路４４の機能を分散して有しても構わない。

以上に示した第２の実施形態によれば、Ｘ線ＣＴ装置により撮影したＣＴ画像に学習済みモデルに適用することで、ＣＴ画像よりも関心領域におけるコントラストが高い高コントラスト画像を生成することができる。

なお、Ｘ線ＣＴ装置２には、Ｘ線管と検出器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。

さらに、本実施形態においては、一管球型のＸ線ＣＴ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ＣＴ装置にも適用可能である。

加えて、実施形態に係る各機能は、前記処理を実行するプログラムをワークステーション等のコンピュータにインストールし、これらをメモリ上で展開することによっても実現することができる。このとき、コンピュータに前記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。

以上説明した少なくとも１つの実施形態によれば、コントラストを向上させた医用画像を生成できる。

いくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更、実施形態同士の組み合わせを行なうことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１ 医用情報処理装置
２ Ｘ線ＣＴ装置
１１，４１ メモリ
１３，４４ 処理回路
１５，４３ 入力インタフェース
１７ 通信インタフェース
２３ 学習済みモデル
３１ ＭＲ画像
３２ 高コントラストＣＴ画像
３３疑似ＣＴ画像
４０ コンソール装置
４１ メモリ
４２ ディスプレイ
４４ 処理回路
５０ 寝台装置
５１ 基台
５２ 寝台駆動装置
５３ 天板
５４ 支持フレーム
７０ 架台装置
７１ Ｘ線管
７２ Ｘ線検出器
７３ 回転フレーム
７４ Ｘ線高電圧装置
７５ 制御装置
７６ ウェッジ
７７ コリメータ
７８ データ収集装置
１３１ 取得機能
１３２ 教師画像生成機能
１３３ 入力画像生成機能
１３４ モデル学習機能
１３５ モデル実行機能
１３６ 表示制御機能
４４１ システム制御機能
４４２ 前処理機能

Claims (9)

1. 第１医用画像診断装置により撮影された、関心領域において第１コントラストを有する第１医用画像に対して変換処理を適用することにより、第２医用画像診断装置により得られる第２医用画像よりもコントラストが高い高コントラスト画像を生成し、
   前記高コントラスト画像に対して画像処理を適用することにより、前記第２医用画像を疑似的に再現した画像であって、前記関心領域において前記第１コントラストよりも低い第２コントラストを有する疑似第２医用画像を生成し、
   前記疑似第２医用画像を入力データとし、前記高コントラスト画像を教師データとしてモデルを学習し、学習済みモデルを生成する、医用情報処理方法。
2. 前記第１医用画像は、ＭＲ（Magnetic Resonance）画像またはＰＥＴ（Positron Emission Tomography）画像であり、前記第２医用画像は、ＣＴ（Computed Tomography）画像である、請求項１に記載の医用情報処理方法。
3. 前記画像処理は、前記高コントラスト画像に対するノイズ付加およびコントラスト低減に関する処理である、請求項１または請求項２に記載の医用情報処理方法。
4. 前記高コントラスト画像および前記疑似第２医用画像は、複数種類の画像再構成処理を想定して再現された画像である、請求項１から請求項３のいずれか１項に記載の医用情報処理方法。
5. 前記第１コントラストおよび前記第２コントラストは、前記関心領域に含まれる複数組織間のコントラストである、請求項１から請求項４のいずれか１項に記載の医用情報処理方法。
6. 第１イメージングモダリティにより得られる第１医用画像に対して、前記第１イメージングモダリティにより得られる画像を第２イメージングモダリティ相当の画像へと変換する変換処理を適用することにより、機械学習モデルの訓練に用いられる第２医用画像を得、
   前記第２医用画像に対して画像処理を適用することにより、前記第２医用画像よりも低コントラストでありかつ機械学習モデルの訓練に用いられる第３医用画像を得、
   前記第２医用画像と前記第３医用画像とに基づいて機械学習モデルを訓練することにより、前記第２イメージングモダリティにより得られる画像のコントラストを向上させるための学習済みモデルを生成する、医用情報処理方法。
7. 第１医用画像診断装置により撮影された、関心領域において第１コントラストを有する第１医用画像に対して変換処理を適用することにより、第２医用画像診断装置により得られる第２医用画像よりもコントラストが高い高コントラスト画像を生成する第１生成部と、
   前記高コントラスト画像に対して画像処理を適用することにより、前記第２医用画像を疑似的に再現した画像であって、前記関心領域において前記第１コントラストよりも低い第２コントラストを有する疑似第２医用画像を生成する第２生成部と、
   前記疑似第２医用画像を入力データとし、前記高コントラスト画像を教師データとしてモデルを学習し、学習済みモデルを生成する学習部と、
   を具備する医用情報処理装置。
8. 第１医用画像診断装置により撮影された第１医用画像を取得する取得部と、
   医用画像を入力データとし、前記医用画像の関心領域におけるコントラストが向上した画像を教師データとして学習した学習済みモデルを前記第１医用画像に適用することにより、前記第１医用画像の関心領域における第１コントラストよりもコントラストが高い高コントラスト画像を生成する実行部と、
   を具備する医用画像処理装置。
9. 前記学習済みモデルは、
   前記第１コントラストよりも高い第２コントラストを有する第２医用画像診断装置により撮影された第２医用画像から生成された前記高コントラスト画像を教師データとし、
   前記高コントラスト画像に対して画像処理を行なうことにより、前記第１医用画像を疑似的に再現した画像である疑似第２医用画像を入力データとしてモデルを学習することで生成される、請求項８に記載の医用画像処理装置。
   

Images