JP2022186050A - Ｘ線コンピュータ断層撮影装置、学習装置及び超音波診断装置 - Google Patents

Abstract

【課題】簡易にアーチファクトを低減すること。【解決手段】 実施形態に係るＸ線コンピュータ断層撮影装置は、生成部と表示制御部とを有する。生成部は、金属アーチファクトを低減するように機械学習により訓練された第１の機械学習モデルを利用して、被検体に対する３次元位置決め撮影により収集された第１のサイノグラム又は前記第１のサイノグラムに基づく位置決め画像から、金属アーチファクトが低減された第１の低減画像を生成する。表示制御部は、前記第１の低減画像を表示する。【選択図】 図１

Description

本明細書及び図面に開示の実施形態は、Ｘ線コンピュータ断層撮影装置、学習装置及び超音波診断装置に関する。

撮影対象に金属が含まれる場合、再構成されるＣＴ画像内に金属アーチファクトが発生する。金属アーチファクトは、診断に影響を与える虞があるため、金属アーチファクトを低減する処理（ＭＡＲ：Metal Artifact Reduction）を実行することで診断への影響を抑制した画像を生成する。

撮影対象に金属が含まれる場合、どのようなアーチファクトが発生するか、ＭＡＲ処理を実行した際にどの程度アーチファクトを低減できるか等は、実際に再構成処理およびＭＡＲ処理をしなければ分からない。そのため、ユーザが、ＭＡＲ処理を再構成時に付与すべきかを事前に判断することは難しい。毎回ＭＡＲ処理をするにしても計算コストの問題やＭＡＲ処理による画質劣化の虞もある。

特開2019-10378号公報 特開2018-89301号公報 特開2020-179031号公報 特表2008-505694号公報

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、簡易にアーチファクトを低減することである。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Ｘ線コンピュータ断層撮影装置は、生成部と表示制御部とを有する。生成部は、金属アーチファクトを低減するように機械学習により訓練された第１の機械学習モデルを利用して、被検体に対する３次元位置決め撮影により収集された第１のサイノグラム又は前記第１のサイノグラムに基づく位置決め画像から、金属アーチファクトが低減された第１の低減画像を生成する。表示制御部は、前記第１の低減画像を表示する。

図１は、第１実施形態に係るＸ線コンピュータ断層撮影装置の構成例を示す図である。 図２は、第１実施形態に係る学習装置の構成例を示す図である。 図３は、第１実施形態に係るＤＬ－ＭＡＲモデルの入出力例を示す図である。 図４は、第１実施形態に係る学習装置によるＤＬ－ＭＡＲモデルの第１の生成処理例を模式的に示す図である。 図５は、第１実施形態に係る学習装置によるＤＬ－ＭＡＲモデルの第２の生成処理例を模式的に示す図である。 図６は、第１実施形態に係るＸ線コンピュータ断層撮影装置による第１のＣＴ検査の流れの一例を示す図である。 図７は、ステップＳＣ４において表示されるプレビュー表示確認画面の一例を示す図である。 図８は、ステップＳＣ８において表示されるプレビュー画面の一例を示す図である。 図９は、第１実施形態の第２のＣＴ検査に係るＤＬ－ＭＡＲモデルの入出力例を示す図である。 図１０は、第１実施形態に係るＸ線コンピュータ断層撮影装置による第２のＣＴ検査の流れの一例を示す図である。 図１１は、第２実施形態に係るＸ線コンピュータ断層撮影装置の構成例を示す図である。 図１２は、第２実施形態に係る断面復元モデルの入出力例を示す図である。 図１３は、第２実施形態に係るＤＬ－ＭＡＲモデルの入出力例を示す図である。 図１４は、第２実施形態に係るＸ線コンピュータ断層撮影装置によるＣＴ検査の流れの一例を示す図である。 図１５は、第３実施形態に係る超音波診断装置の構成例を示す図である。 図１６は、第３実施形態に係るアーチファクト低減モデルの入出力例を示す図である。 図１７は、第３実施形態に係る学習装置によるアーチファクト低減モデルの生成処理例を模式的に示す図である。 図１８は、第３実施形態に係る超音波診断装置による超音波検査の流れの一例を示す図である。

以下、図面を参照しながら、Ｘ線コンピュータ断層撮影装置、学習装置及び超音波診断装置の実施形態について詳細に説明する。

以下、図面を参照しながら、Ｘ線コンピュータ断層撮影装置及びＸ線診断装置の実施形態について詳細に説明する。

（第１実施形態）
図１は、第１実施形態に係るＸ線コンピュータ断層撮影装置１の構成例を示す図である。図１に示すように、Ｘ線コンピュータ断層撮影装置１は、架台１０、寝台３０及びコンソール４０を有する。なお、図１では説明の都合上、架台１０が複数描画されているが、実際は一台でもよいし、複数台でもよい。架台１０は、被検体ＰをＸ線ＣＴ撮影するための構成を有するスキャン装置である。寝台３０は、Ｘ線ＣＴ撮影の対象となる被検体Ｐを載置し、被検体Ｐを位置決めするための搬送装置である。コンソール４０は、架台１０を制御するコンピュータである。例えば、架台１０及び寝台３０はＣＴ検査室に設置され、コンソール４０はＣＴ検査室に隣接する制御室に設置される。架台１０、寝台３０及びコンソール４０は互いに通信可能に有線または無線で接続されている。なお、コンソール４０は、必ずしも制御室に設置されなくてもよい。例えば、コンソール４０は、架台１０及び寝台３０とともに同一の部屋に設置されてもよい。また、コンソール４０が架台１０に組み込まれてもよい。

図１に示すように、架台１０は、Ｘ線管１１、Ｘ線検出器１２、回転フレーム１３、Ｘ線高電圧装置１４、制御装置１５、ウェッジ１６、コリメータ１７及びデータ収集回路（Data Acquisition System：ＤＡＳ）１８を有する。

Ｘ線管１１は、Ｘ線を被検体Ｐに照射する。具体的には、Ｘ線管１１は、熱電子を発生する陰極と、陰極から飛翔する熱電子を受けてＸ線を発生する陽極と、陰極と陽極とを保持する真空管とを含む。Ｘ線管１１は、高圧ケーブルを介してＸ線高電圧装置１４に接続されている。陰極と陽極との間には、Ｘ線高電圧装置１４により管電圧が印加される。管電圧の印加により陰極から陽極に向けて熱電子が飛翔する。陰極から陽極に向けて熱電子が飛翔することにより管電流が流れる。熱電子が陽極に衝突することによりＸ線が発生される。

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、検出されたＸ線の線量に対応した電気信号をＤＡＳ１８に出力する。Ｘ線検出器１２は、チャネル方向に複数のＸ線検出素子が配列されたＸ線検出素子列がスライス方向（列方向）に複数配列された構造を有する。Ｘ線検出器１２は、例えば、グリッド、シンチレータアレイ及び光センサアレイを有する間接変換型の検出器である。シンチレータアレイは、複数のシンチレータを有する。シンチレータは、入射Ｘ線量に応じた光量の光を出力する。グリッドは、シンチレータアレイのＸ線入射面側に配置され、散乱Ｘ線を吸収するＸ線遮蔽板を有する。なお、グリッドは、コリメータ（１次元コリメータ又は２次元コリメータ）と呼ばれる場合もある。光センサアレイは、シンチレータからの光の光量に応じた電気信号に変換する。光センサとしては、例えば、フォトダイオードが用いられる。なお、Ｘ線検出器１２は、直接変換型の検出器であってもよい。

回転フレーム１３は、Ｘ線管１１とＸ線検出器１２とを回転軸（Ｚ軸）回りに回転可能に支持する円環状のフレームである。具体的には、回転フレーム１３は、Ｘ線管１１とＸ線検出器１２とを対向支持する。なお、回転フレーム１３は、Ｘ線管１１とＸ線検出器１２とに加えて、Ｘ線高電圧装置１４やＤＡＳ１８を更に支持する。回転フレーム１３は、固定フレーム（図示せず）に回転軸回りに回転可能に支持される。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、固定フレームに設けられ、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１３が回転する。回転フレーム１３が回転軸回りに回転することによりＸ線管１１とＸ線検出器１２とが回転軸回りに回転する。回転フレーム１３は、回転部の一例である。

本実施形態は、臥位ＣＴ及び／又は立位ＣＴに適用可能である。臥位ＣＴの場合、非チルト状態での回転フレーム１３の回転軸又は寝台３０の天板３３の長手方向をＺ軸方向、Ｚ軸方向に直交し床面に対し水平である軸方向をＸ軸方向、Ｚ軸方向に直交し床面に対し垂直である軸方向をＹ軸方向と定義する。立位ＣＴのみ、あるいは臥位ＣＴ及び立位ＣＴの双方に適用可能な場合、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軸方向に直交し且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軸方向、Ｚ軸方向及びＸ軸方向に直交する方向をＹ軸方向と定義する。

Ｘ線高電圧装置１４は、高電圧発生装置及びＸ線制御装置を有する。高電圧発生装置は、変圧器（トランス）及び整流器等の電気回路を有し、Ｘ線管１１に印加する高電圧及びＸ線管１１に供給するフィラメント電流を発生する。Ｘ線制御装置は、Ｘ線管１１が照射するＸ線に応じた出力電圧の制御を行う。高電圧発生装置は、変圧器方式であってもよいし、インバータ方式であっても構わない。Ｘ線高電圧装置１４は、架台１０内の回転フレーム１３に設けられてもよいし、架台１０内の固定フレーム（図示しない）に設けられても構わない。

ウェッジ１６は、被検体Ｐに照射されるＸ線の線量を調節する。具体的には、ウェッジ１６は、Ｘ線管１１から被検体Ｐへ照射されるＸ線の線量が予め定められた分布になるようにＸ線を減衰する。例えば、ウェッジ１６としては、ウェッジフィルタ（wedge filter）やボウタイフィルタ（bow-tie filter）等のアルミニウム等の金属板が用いられる。

コリメータ１７は、ウェッジ１６を透過したＸ線の照射範囲を限定する。コリメータ１７は、Ｘ線を遮蔽する複数の鉛板をスライド可能に支持し、複数の鉛板により形成されるスリットの形態を調節する。なお、コリメータ１７は、Ｘ線絞りと呼ばれる場合もある。

ＤＡＳ１８は、Ｘ線検出器１２により検出されたＸ線の線量に応じた電気信号をＸ線検出器１２から読み出す。ＤＡＳ１８は、読み出した電気信号を増幅し、ビュー期間に亘り電気信号を積分することにより当該ビュー期間に亘るＸ線の線量に応じたデジタル値を有する検出データを収集する。検出データは、投影データとも呼ばれる。ＤＡＳ１８は、例えば、投影データを生成可能な回路素子を搭載した特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）により実現される。投影データは、非接触データ伝送装置等を介してコンソール４０に伝送される。

なお、本実施形態では、積分型のＸ線検出器１２及び積分型のＸ線検出器１２が搭載されたＸ線コンピュータ断層撮影装置１を例として説明するが、本実施形態に係る技術は、光子計数型のＸ線検出器にも適用可能である。

回転フレーム１３と固定フレームとには、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、当該通信回路により回転フレーム１３に支持されるユニットと固定フレーム又は架台１０の外部装置との通信が行われる。例えば、非接触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１０の固定フレームに設けられた、フォトダイオードを有する受信器に送信され、さらに送信機により固定フレームからコンソール４０へ転送される。なお、通信方式としては、この他に、容量結合式や電波方式等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とを使用した接触型のデータ伝送方式を採用しても構わない。

制御装置１５は、コンソール４０の処理回路４４の撮影制御機能４４１に従いＸ線ＣＴ撮影を実行するためにＸ線高電圧装置１４やＤＡＳ１８を制御する。制御装置１５は、Central Processing Unit（ＣＰＵ）あるいはMicro Processing Unit（ＭＰＵ）等を有する処理回路と、モータ及びアクチュエータ等の駆動機構とを有する。処理回路は、ハードウェア資源として、ＣＰＵ等のプロセッサとRead Only Memory（ＲＯＭ）やRandom Access Memory（ＲＡＭ）等のメモリとを有する。制御装置１５は、メモリに展開されたプログラムを実行するプロセッサにより、各種の機能を実行する。なお、各種の機能は単一の処理回路で実現される場合に限らない。複数の独立したプロセッサを組み合わせて処理回路を構成し、各プロセッサがプログラムを実行することにより各機能を実現するものとしても構わない。また、制御装置１５は、ＡＳＩＣやフィールド・プログラマブル・ゲート・アレイ（Field Programmable Gate Array：ＦＰＧＡ）により実現されてもよい。また、制御装置１５は、他の複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）又は単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）により実現されてもよい。

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

寝台３０は、基台３１、支持フレーム３２、天板３３及び寝台駆動装置３４を備える。基台３１は、床面に設置される。基台３１は、支持フレーム３２を、床面に対して垂直方向（Ｙ軸方向）に移動可能に支持する筐体である。支持フレーム３２は、基台３１の上部に設けられるフレームである。支持フレーム３２は、天板３３を回転軸（Ｚ軸）に沿ってスライド可能に支持する。天板３３は、被検体Ｐが載置される柔軟性を有する板である。

寝台駆動装置３４は、寝台３０の筐体内に収容される。寝台駆動装置３４は、被検体Ｐが載置された支持フレーム３２と天板３３とを移動させるための動力を発生するモータ又はアクチュエータである。寝台駆動装置３４は、コンソール４０等による制御に従い作動する。

コンソール４０は、メモリ４１、ディスプレイ４２、入力インターフェース４３及び処理回路４４を有する。メモリ４１とディスプレイ４２と入力インターフェース４３と処理回路４４との間のデータ通信は、バス（BUS）を介して行われる。なお、コンソール４０は架台１０とは別体として説明するが、架台１０にコンソール４０又はコンソール４０の各構成要素の一部が含まれてもよい。

メモリ４１は、種々の情報を記憶するHard Disk Drive（ＨＤＤ）やSolid State Drive（ＳＳＤ）、集積回路記憶装置等の記憶装置である。メモリ４１は、ＨＤＤやＳＳＤ等以外にも、Compact Disc（ＣＤ）、Digital Versatile Disc（ＤＶＤ）、Blu-ray（登録商標） Disc（ＢＤ）、フラッシュメモリ等の可搬性記憶媒体であってもよい。メモリ４１は、フラッシュメモリ、ＲＡＭ等の半導体メモリ素子等との間で種々の情報を読み書きする駆動装置であってもよい。また、メモリ４１の保存領域は、Ｘ線コンピュータ断層撮影装置１内にあってもよいし、ネットワークで接続された外部記憶装置内にあってもよい。

ディスプレイ４２は、各種の情報を表示する。ディスプレイ４２としては、種々の任意のディスプレイが、適宜、使用可能となっている。例えばディスプレイ４２として、液晶ディスプレイ（Liquid Crystal Display：ＬＣＤ）、Cathode Ray Tube（ＣＲＴ）ディスプレイ、有機ＥＬディスプレイ（Organic Electro Luminescence Display：ＯＥＬＤ）又はプラズマディスプレイが使用可能である。なお、ディスプレイ４２は、制御室の如何なる場所に設けられてもよい。また、ディスプレイ４２は、架台１０に設けられてもよい。また、ディスプレイ４２は、デスクトップ型でもよいし、コンソール４０の本体と無線通信可能なタブレット端末等で構成されることにしても構わない。また、ディスプレイ４２として、１又は２以上のプロジェクタが用いられてもよい。

入力インターフェース４３は、操作者からの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路４４に出力する。入力インターフェース４３としては、例えば、マウス、キーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパッド及びタッチパネルディスプレイ等が適宜、使用可能となっている。なお、本実施形態において、入力インターフェース４３は、マウス、キーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパッド及びタッチパネルディスプレイ等の物理的な操作部品を備えるものに限られない。例えば、装置とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を処理回路４４へ出力する電気信号の処理回路も入力インターフェース４３の例に含まれる。また、入力インターフェース４３は、架台１０に設けられてもよい。また、入力インターフェース４３は、コンソール４０本体と無線通信可能なタブレット端末等で構成されることにしても構わない。

処理回路４４は、入力インターフェース４３から出力される入力操作の電気信号に応じてＸ線コンピュータ断層撮影装置１全体の動作を制御する。処理回路４４は、Ｘ線検出器１２から出力された電気信号に基づいて画像データを生成する。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、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、撮影制御機能４４１、サイノグラム取得機能４４２、画像生成機能４４３、金属位置特定機能４４４、金属アーチファクト推定機能４４５、ＤＬ－ＭＡＲ機能４４６、ＭＡＲ機能４４７及び表示制御機能４４８等を実行する。

なお、各機能４４１～４４８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４４１～４４８を実現するものとしても構わない。

撮影制御機能４４１において処理回路４４は、撮影条件に従ってＸ線高電圧装置１４と制御装置１５とＤＡＳ１８とを制御しＸ線ＣＴ撮影を実行する。本実施形態においてはＸ線ＣＴ撮影として、３次元位置決め撮影と本撮影とが行われる。３次元位置決め撮影は、本撮影における被検体Ｐの撮影対象部位を決定するために本撮影の前段に行われる、被検体Ｐの３次元画像（ボリュームデータ）を収集するための低線量撮影である。本撮影は、３次元位置決め撮影よりも線量の高い高線量撮影である。なお、第１実施形態においては、３次元位置決め撮影と本撮影との双方が行われてもよいし、３次元位置決め撮影と本撮影との何れか一方のみが行われてもよい。

サイノグラム取得機能４４２において処理回路４４は、Ｘ線ＣＴ撮影においてＤＡＳ１８を介して収集された投影データを整列してサイノグラムを取得する。サイノグラムは、一例として、横軸がＸ線検出器１２のチャネル方向且つ縦軸がＸ線管１１の回転角度方向（ビュー方向）で表される２次元空間データであり、各点には投影データの値又はそれに基づく値が割り当てられる。サイノグラムは、Ｘ線検出器１２のＸ線検出素子列毎に生成される。なお、サイノグラムの形式としては、種々様々な形式が可能であり、例えば、横軸がチャネル方向、縦軸がビュー方向、奥行き軸が列方向の３次元空間データでもよい。また、横軸がチャネル方向且つ縦軸がビュー方向であり、各点にＸ線検出素子列の投影データ値の統計値が割り当てられた２次元空間データでもよい。

画像生成機能４４３において処理回路４４は、被検体Ｐに関するサイノグラムに再構成処理を施してＣＴ画像を生成する。具体的には、処理回路４４は、サイノグラム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す。処理回路４４は、前処理後のサイノグラムに対して再構成処理を施して被検体Ｐに関するＣＴ画像を生成する。再構成処理としては、フィルタ補正逆投影法や逐次近似再構成法が用いられる。また、再構成処理として、これら手法に、機械学習を用いたデノイズ処理を組み込んだ再構成処理が用いられてもよい。処理回路４４は、ＣＴ画像を、任意断面の断面画像や任意視点方向のレンダリング画像に変換する。変換は、入力インターフェース４３を介して操作者から受け付けた入力操作に基づいて行われる。例えば、処理回路４４は、当該再構成画像データにボリュームレンダリングや、サーフェスボリュームレンダリング、画素値投影処理、ＭＰＲ（Multi-Planer Reconstruction）処理、ＣＰＲ（Curved MPR）処理等の３次元画像処理を施して、任意視点方向のレンダリング画像を生成する。

本実施形態においては、３次元位置決め撮影により収集されたサイノグラムを位置決めサイノグラム、位置決めサイノグラムに基づくＣＴ画像を位置決め画像と呼ぶ。また、本撮影により収集されたサイノグラムを本撮影サイノグラム、本撮影サイノグラムに基づくＣＴ画像を本撮影画像と呼ぶ。

金属位置特定機能４４４において処理回路４４は、位置決め画像に含まれる金属領域を検出する。金属領域は、位置決め画像に含まれる、被検体Ｐに含まれる金属に対応する画像領域である。処理回路４４は、検出された金属領域が存在する位置を特定する。金属領域の位置は、寝台３０のＺ軸方向（スライス方向）の位置により表される。

金属アーチファクト推定機能４４５において処理回路４４は、位置決めサイノグラム又は位置決め画像に基づいて、本撮影により生成されると推定される再構成画像（以下、疑似本撮影画像と呼ぶ）を生成する。疑似本撮影画像は、本撮影により生成される再構成画像に含まれると推定される金属アーチファクトを含む。

ＤＬ－ＭＡＲ機能４４６において処理回路４４は、金属アーチファクトを低減するように機械学習により訓練された機械学習モデル（以下、ＤＬ－ＭＡＲモデルと呼ぶ）を利用して、被検体Ｐに対する３次元位置決め撮影により収集された位置決めサイノグラム又は位置決め画像から、当該位置決め画像に含まれる金属アーチファクトが低減された画像（以下、ＤＬ－ＭＡＲ画像と呼ぶ）を生成する。ＤＬ－ＭＡＲモデルは、後述の学習装置により生成される。例えば、処理回路４４は、金属位置特定機能４４４により金属領域が検出された場合、位置決めサイノグラムからＤＬ－ＭＡＲ画像を生成する。

ＭＡＲ機能４４７において処理回路４４は、ＤＬ－ＭＡＲモデルを利用しない、金属アーチファクトの低減処理（以下、ＭＡＲ処理と呼ぶ）を実行する。例えば、処理回路４４は、本撮影サイノグラム又は本撮影画像にＭＡＲ処理を施して、金属アーチファクトが低減されたＣＴ画像（以下、ＭＡＲ画像）を生成する。

表示制御機能４４８において処理回路４４は、種々の情報をディスプレイ４２に表示する。例えば、位置決めサイノグラム、位置決め画像、本撮影画像、ＤＬ－ＭＡＲ画像、ＭＡＲ画像等がディスプレイ４２に表示される。

なお、コンソール４０は、単一のコンソールにて複数の機能を実行するものとして説明したが、複数の機能を別々のコンソールが実行することにしても構わない。処理回路４４は、コンソール４０に含まれる場合に限らず、複数の医用画像診断装置にて取得された投影データに対する処理を一括して行う統合サーバに含まれてもよい。後処理は、コンソール４０又は外部のワークステーションのどちらで実施することにしても構わない。また、コンソール４０とワークステーションの両方で同時に処理することにしても構わない。

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

図２は、第１実施形態に係る学習装置５の構成例を示す図である。学習装置５は、ＤＬ－ＭＡＲモデルを生成するためのコンピュータである。図２に示すように、学習装置５は、メモリ５１、ディスプレイ５２、入力インターフェース５３、通信インターフェース５４及び処理回路５５を有する。メモリ５１、ディスプレイ５２、入力インターフェース５３、通信インターフェース５４及び処理回路５５の間のデータ通信はＢＵＳを介して行われる。

メモリ５１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５１は、ＨＤＤやＳＳＤ等以外にも、ＣＤ、ＤＶＤ、ＢＤ、フラッシュメモリ等の可搬性記憶媒体であってもよい。メモリ５１は、フラッシュメモリ、ＲＡＭ等の半導体メモリ素子等との間で種々の情報を読み書きする駆動装置であってもよい。また、メモリ５１の保存領域は、学習装置５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。

ディスプレイ５２は、各種の情報を表示する。ディスプレイ５２としては、種々の任意のディスプレイが、適宜、使用可能となっている。例えばディスプレイ５２として、ＬＣＤ、ＣＲＴディスプレイ、ＯＥＬＤ又はプラズマディスプレイが使用可能である。また、ディスプレイ５２として、１又は２以上のプロジェクタが用いられてもよい。

入力インターフェース５３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５５に出力する。入力インターフェース５３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５３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５５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５３の例に含まれる。

通信インターフェース５４は、Ｘ線コンピュータ断層撮影装置１や病院情報システム（ＨＩＳ：Hospital Information System）、放射線情報システム（ＲＩＳ：Radiology Information System）、ＰＡＣＳ（Picture Archiving and Communication System）等の種々の病院情報システムとの間でデータ通信を行う。例えば、ＬＡＮカードやネットワークアダプタ、ネットワークインターフェースカード等が通信インターフェース５４として使用される。

処理回路５５は、入力インターフェース５３から出力される入力操作の電気信号に応じて学習装置５全体の動作を制御する。例えば、処理回路５５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５５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５５１、再構成機能５５２、埋め込み機能５５３、逆再構成機能５５４、ＭＡＲ機能５５５、機械学習機能５５６及び表示制御機能５５７等を実行する。

なお、各機能５５１－５５７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５５１－５５７を実現するものとしても構わない。

取得機能５５１において処理回路５５は、種々の情報を取得する。一例として、処理回路５５は、Ｘ線コンピュータ断層撮影装置１やＨＩＳ、ＲＩＳ、ＰＡＣＳ等からサイノグラム又は当該サイノグラムに基づく再構成画像を取得する。処理回路５５は、種々の被検体のサイノグラム又は再構成画像を取得する。

再構成機能５５２において処理回路５５は、取得機能５５１においてサイノグラムを取得した場合、当該サイノグラムに再構成処理を施して再構成画像を生成する。

埋め込み機能５５３において処理回路５５は、再構成画像に疑似的な金属領域（以下、疑似金属領域と呼ぶ）を埋め込む。以下、疑似金属領域が埋め込まれた再構成画像を疑似金属画像と呼ぶ。

逆再構成機能５５４において処理回路５５は、再構成画像に逆再構成処理を施してサイノグラムを生成する。逆再構成処理は、サイノグラムから再構成画像を生成する再構成処理に対する用語であり、再構成画像からサイノグラムを生成する処理を意味する。一例として、処理回路５５は、疑似金属画像に逆再構成処理を施して金属領域を含むサイノグラムを生成する。以下、再構成画像又は疑似金属画像に対して逆再構成処理を施して生成したサイノグラムを計算サイノグラムと呼ぶ。

ＭＡＲ機能５５５において処理回路５５は、サイノグラムにＭＡＲ処理を施して、金属アーチファクトが低減されたサイノグラムを生成する。

機械学習機能５５６において処理回路５５は、計算サイノグラムを利用して、金属アーチファクトを低減するための機械学習モデル（ＤＬ－ＭＡＲモデル）を訓練する。より詳細には、処理回路５５は、計算サイノグラムと、当該計算サイノグラムに金属アーチファクト低減処理を施して生成されたサイノグラム又は再構成画像の再構成に供されたサイノグラムとを用いた教師有り学習に基づいて、ＤＬ－ＭＡＲモデルを訓練する。

表示制御機能５５７において処理回路５５は、種々の情報をディスプレイ５２に表示する。例えば、再構成画像や疑似金属画像、サイノグラム、計算サイノグラム等がディスプレイ４２に表示される。

次に、学習装置５によるＤＬ－ＭＡＲモデルの生成処理について説明する。

図３は、第１実施形態に係るＤＬ－ＭＡＲモデルの入出力例を示す図である。図３に示すように、ＤＬ－ＭＡＲモデルは、位置決めサイノグラムを入力とし、ＤＬ－ＭＡＲ処理後のサイノグラム（以下、ＤＬ－ＭＡＲサイノグラムと呼ぶ）を出力するように訓練された機械学習モデルである。機械学習モデルとしては、深層ニューラルネットワークが用いられる。位置決めサイノグラム及びＤＬ－ＭＡＲサイノグラムは、３次元空間データであるとする。位置決めサイノグラムは、金属成分を含むサイノグラムである。ＤＬ－ＭＡＲサイノグラムは、金属成分が低減されたサイノグラムである。

図４は、第１実施形態に係る学習装置５によるＤＬ－ＭＡＲモデルの第１の生成処理例を模式的に示す図である。まず、処理回路５５は、Ｘ線コンピュータ断層撮影装置やＨＩＳ、ＲＩＳ、ＰＡＣＳ等の医療画像データベースから、過去撮影において収集されたサイノグラムＧＳ１を取得する。過去撮影は、３次元撮影であれば、位置決め撮影でも本撮影でもよい。撮影部位についても特に限定されない。サイノグラムＧＳ１の撮影対象の被検体には金属が含まれていないものとする。従って、サイノグラムＧＳ１には、金属に由来する投影成分（以下、金属成分と呼ぶ）は含まれていないものとする。サイノグラムＧＳ１が取得されると処理回路５５は、サイノグラムＧＳ１に再構成処理を施して再構成画像ＩＲ１を生成する（ステップＳＡ１）。再構成画像ＩＲ１には金属領域及び金属アーチファクトが含まれていない。

なお、処理回路５５は、再構成画像ＩＲ１を医療画像データベースから取得してもよい。この場合、ステップＳＡ１は省略される。

次に処理回路５５は、再構成画像ＩＲ１に疑似金属領域Ｍ１を埋め込む（ステップＳＡ２）。ステップＳＡ２において処理回路５５は、再構成画像ＩＲ１の任意箇所に疑似金属領域を埋め込む。埋め込みは、再構成画像ＩＲ１における埋め込み対象位置の画素値を、疑似金属相当の任意の画素値に置換することにより行われる。埋め込む位置は、ランダムに決定されてもよい。あるいは、手術等で一般的に金属を埋め込む可能性が高い部位を解剖学的部位抽出アルゴリズム（Anatomical Landmark Detection：ＡＬＤ）等で抽出してもよい。なお、手術で埋め込まれる金属としては、ボルトやステント、インプラント等が挙げられる。例えば、ＡＬＤ等により再構成画像ＩＲ１から血管領域を抽出し、当該血管領域周辺にステント相当の疑似金属領域を埋め込んでもよい。

埋め込む疑似金属領域の形状は、人体に埋め込む一般的な金属（ボルト、ステント、インプラント等）の形状でもよいし、ランダムな形状でもよいし、それらを多少変形させた形状でもよい。疑似金属領域の形状として、市販されている金属の形状を予めデータベースとして記録しておいてもよいし、３Ｄプリンタ用のオブジェクトデータのような形式で任意にインポート可能にしてもよい。埋め込む疑似金属領域の個数は、1個でもよいし複数個でもよい。

ステップＳＡ２が行われると処理回路５５は、疑似金属領域Ｍ１が埋め込まれた再構成画像ＩＲ２に逆再構成処理を施して計算サイノグラムＧＳ２を生成する（ステップＳＡ３）。逆再構成処理では、疑似金属領域に相当する金属が埋め込まれた被検体に対するＣＴ撮影をシミュレート（予測計算）する。シミュレーションでは、再構成画像ＩＲ２に対する順投影処理が行われる。例えば、再構成画像ＩＲ１のＣＴ値、埋め込んだと想定した金属の材質や密度、照射フォトン量、Ｘ線が物質を通過した際のＸ線の減衰や散乱線等がシミュレーション等で考慮される。これにより、当該ＣＴ撮影により得られるであろう計算サイノグラムＧＳ２が推定される。計算サイノグラムＧＳ２には疑似金属領域に基づく金属成分Ｍ２が含まれる。

なお、実際に金属有りの被検体を撮影して得られるサイノグラムと逆再構成した疑似金属有りのサイノグラムとに差異がある場合、すなわち、計算サイノグラムＧＳ２の推定精度が悪い場合、機械学習モデルを利用して計算サイノグラムＧＳ２の精度を高めてもよい。当該機械学習モデルは、逆再構成により生成されたサイノグラムを入力とし、ＣＴ撮影により収集されるサイノグラムを出力するように訓練されたニューラルネットワークである。この場合、処理回路５５は、計算サイノグラムＧＳ２に当該機械学習モデルを適用してサイノグラムを出力する。これにより、計算サイノグラムＧＳ２を、ＣＴ撮影により収集されるサイノグラムの画質に近づけることが可能になる。

ステップＳＡ３が行われると処理回路５５は、計算サイノグラムＧＳ２にＭＡＲ処理を施してＭＡＲ処理後のサイノグラムＧＳ３を生成する（ステップＳＡ３）。ＭＡＲ処理は、金属アーチファクトを低減可能であり且つＤＬ－ＭＡＲモデルを使用しない如何なる画像処理でもよい。このようなＭＡＲ処理としては、閾値処理でもよいし、画像フィルタでもよいし、逐次近似再構成等の再構成処理に組み込まれた金属アーチファクト低減処理でもよい。以下、ＭＡＲ処理は、再構成処理に組み込まれた金属アーチファクト低減処理であるとする。このようなＭＡＲ処理としては、サイノグラムを処理してサイノグラムを生成するもの、サイノグラムを処理して再構成画像を生成するもの、再構成画像を処理して再構成画像を生成するもの、再構成画像を処理してサイノグラムを生成するものがある。以下、ＭＡＲ処理は、サイノグラムを処理してサイノグラムを生成するものであるとする。

ここで、処理回路５５によるＭＡＲ処理について簡単に説明する。まず、（１）金属領域及び金属アーチファクトを含むオリジナルの再構成画像から金属領域を抽出する。次に、（２）当該金属領域を利用して、オリジナルのサイノグラムから金属成分を抽出する。次に、（３）金属成分を利用した補間処理により、オリジナルのサイノグラムから金属成分を除去する。次に、（４）金属成分が除去されたサイノグラムを逆投影して再構成画像を生成し、当該再構成画像に画像処理を施して更に金属アーチファクトを低減する。次に、（５）当該再構成画像を順投影してサイノグラムを生成し、当該サイノグラムに画像処理を施して金属成分を更に除去する。これにより、金属成分が除去されたサイノグラムＧＳ３が生成される。なお、工程（２）においてオリジナルのサイノグラムから金属成分が抽出されたサイノグラムを、金属成分が除去されたサイノグラムＧＳ３として用いられてもよい。

処理回路５５は、上記のステップＳＡ１～ＳＡ４を、種々様々な被検体のサイノグラム又は再構成画像に対して実行し、種々様々な被検体について金属成分Ｍ２を含むサイノグラムＧＳ２と、金属成分Ｍ２を含まないサイノグラムＧＳ３とを収集する。金属成分Ｍ２を含むサイノグラムＧＳ２と金属成分Ｍ２を含まないサイノグラムＧＳ３とは機械学習の学習サンプルとして用いられる。サイノグラムＧＳ２は入力学習サンプルとして用いられ、サイノグラムＧＳ３は出力学習サンプルとして用いられる。ステップＳＡ２の疑似金属領域の埋め込み処理は、１個の再構成画像ＩＲ１に対して無数に実行可能なため、多量の学習サンプルを容易に収集することができる。

処理回路５５は、金属成分Ｍ２を含むサイノグラムＧＳ２を入力学習サンプルと、金属成分Ｍ２を含まないサイノグラムＧＳ３を出力学習サンプルとに基づく教師有り学習に基づいてＤＬ－ＭＡＲモデルを生成する。より詳細には、まず、処理回路５５は、入力学習サンプルに機械学習モデルを適用して順伝播処理を行い、推定サイノグラムを生成する。次に処理回路５５は、出力学習サンプルと推定サイノグラムとの差分（誤差）を評価する機械学習モデルに適用して逆伝播処理を行い、重みやバイアス等の学習パラメータの関数である誤差関数の微分係数である勾配ベクトルを計算する。次に処理回路５５は、勾配ベクトルに基づいて、誤差関数が最小化するように学習パラメータを更新する。これら順伝播処理、逆伝播処理及びパラメータ更新処理を、停止条件が充足されるまで、学習サンプルを変更しながら繰り返す。停止条件は、更新回数が所定回数に到達したこと、誤差関数の値が閾値未満に到達したこと等に設定される。停止条件が充足したときの学習パラメータが割り当てられた機械学習モデルがＤＬ－ＭＡＲモデルである。ＤＬ－ＭＡＲモデルは、Ｘ線コンピュータ断層撮影装置１に供給される。

以上により、ＤＬ－ＭＡＲモデルの第１の生成処理例の説明を終了する。なお、第１の生成処理は種々の変形が可能である。

例えば、上記の実施例において、機械学習に用いる学習サンプルの撮影部位を特に限定しないものとした。この場合、ＤＬ－ＭＡＲモデルが適用可能な撮影部位は限定されないことになる。しかしながら、特定の撮影部位のみの学習サンプルを用いてＤＬ－ＭＡＲモデルを訓練してもよい。これにより、当該特定の撮影部位に特化したＤＬ－ＭＡＲモデルを訓練することが可能になる。この場合、当該特定の撮影部位に関する再構成画像の金属アーチファクトを高精度に低減することが可能になる。

他の例として、金属成分Ｍ２の他に任意のノイズを付加したサイノグラムＧＳ２を入力学習サンプルとして用いてもよい。ノイズは、疑似金属領域が埋め込まれた再構成画像に逆再構成処理を施して生成されたサイノグラムＧＳ２に付与されるとよい。あるいは、疑似金属領域の他に疑似的な金属アーチファクトを再構成画像に付与してもよい。この場合、当該再構成画像に逆再構成処理を施して生成されたサイノグラムが入力学習サンプルとして用いられる。このように任意のノイズを付加することにより、機械学習による推定精度が向上することが期待される。

図５は、第１実施形態に係る学習装置５によるＤＬ－ＭＡＲモデルの第２の生成処理例を模式的に示す図である。なお以下の説明において、第１の生成処理と略同一の機能を有する構成要素については、同一符号を付し、必要な場合にのみ重複説明する。

図５に示すように、第２の生成処理においては、第１の生成処理と同様、疑似金属領域Ｍ１が埋め込まれた再構成画像ＩＲ２に逆再構成処理を施して生成された計算サイノグラムＧＳ２が入力学習サンプルとして用いられる。第２の生成処理においては、第１の生成処理とは異なり、オリジナルのサイノグラムＧＳ１が出力学習サンプルとして用いられる。オリジナルのサイノグラムＧＳ１は、金属を含まない被検体をＣＴ撮影することにより収集されたものであり、金属成分を含まない。処理回路５５は、金属成分Ｍ２を含むサイノグラムＧＳ２を入力学習サンプルとし、金属成分を含まないサイノグラムＧＳ１を出力学習サンプルとする教師有り学習に基づいてＤＬ－ＭＡＲモデルを生成する。なお、入力学習サンプルとしては、再構成画像ＩＲ１に逆再構成処理を施して生成されたサイノグラムが用いられてもよい。

次に、第１実施形態に係るＸ線コンピュータ断層撮影装置１による動作例について説明する。

図６は、第１実施形態に係るＸ線コンピュータ断層撮影装置１による第１のＣＴ検査の流れの一例を示す図である。図６に示すように、処理回路４４は、撮影制御機能４４１の実現により、３次元位置決め撮影を実行して位置決めサイノグラムを収集する（ステップＳＣ１）。ステップＳＣ１における３次元位置決め撮影は、低線量のヘリカルスキャンであるとする。低線量のヘリカルスキャンは、被検体Ｐが載置された天板３３をＺ軸に沿って移動しつつ、回転フレーム１３を回転させながらＸ線管１１による低線量Ｘ線の曝射とＸ線検出器１２によるＸ線の検出とを繰り返することにより、被検体Ｐの全身をＸ線ＣＴ撮影する。Ｘ線の曝射範囲は、被検体Ｐの被曝を低減するため、Ｘ線検出素子一列又は数列分に制限されるとよい。ＤＡＳ１８は、Ｘ線検出器１２を介して投影データを収集し、処理回路４４は、サイノグラム取得機能４４２の実現により、投影データを整列して位置決めサイノグラムを取得する。

ステップＳＣ１が行われると処理回路４４は、画像生成機能４４３の実現により、位置決めサイノグラムに基づき位置決め画像を生成する（ステップＳＣ２）。位置決め画像は、Ｘ線管１１からＸ線検出器１２への投影像であり、被検体Ｐの全身が描画されている。

ステップＳＣ２が行われると処理回路４４は、金属位置特定機能４４４の実現により、ステップＳＣ２において生成された位置決め画像に含まれる金属領域を検出する（ステップＳＣ３）。ステップＳＣ３において処理回路４４は、例えば、位置決め画像に、金属領域を検出するためのＣＴ値を閾値とする閾値処理を施す。閾値を上回るＣＴ値を有する画素の集合が金属領域として検出される。

ステップＳＣ３が行われると処理回路４４は、ＭＡＲ処理結果のプレビュー表示を行うか否かを判定する（ステップＳＣ４）。ステップＳＣ４において処理回路４４は、表示制御機能４４８の実現により、プレビュー表示を行うか否かを指示するためのＧＵＩ画面（以下、プレビュー表示確認画面と呼ぶ）を表示する。プレビュー表示確認画面は、ディスプレイ４２に表示される。

図７は、ステップＳＣ４において表示されるプレビュー表示確認画面Ｉ１の一例を示す図である。図７に示すように、プレビュー表示確認画面Ｉ１には、ステップＳＣ２において生成された位置決め画像Ｉ１１が表示される。位置決め画像Ｉ１１にはステップＳＣ３において検出された金属領域Ｍ３が描画されている。図７に示すように、プレビュー表示確認画面Ｉ１には、選択ウィンドウＩ１２が表示される。選択ウィンドウＩ１２には、ＭＡＲ処理を実行するか否かを選択するためのプルダウンメニューＩ１３とプレビュー表示を指示するためのＧＵＩボタンＩ１４とが表示される。例えば、ユーザは、位置決め画像Ｉ１１に金属領域Ｍ３が含まれていると判断した場合、ＧＵＩボタンＩ１４を押下する。ＧＵＩボタンＩ１４が押下された場合、処理回路４４は、プレビュー表示を実行すると判定する。ＧＵＩボタンＩ１４が押下されず且つＭＡＲ処理の実行が選択された場合、処理回路４４は、ステップＳＣ５～ＳＣ８を省略し、ステップＳＣ９においてＭＡＲ処理を実行すると判定し（ステップＳＣ９：ＹＥＳ）、ステップＳＣ１０に進む。ＧＵＩボタンＩ１４が押下されず且つＭＡＲ処理の非実行が選択された場合、処理回路４４は、ＣＴ検査を終了する。

ステップＳＣ４においてＭＡＲ処理結果のプレビュー表示を行うと判定された場合（ステップＳＣ４：ＹＥＳ）、処理回路４４は、金属位置特定機能４４４の実現により、ステップＳＣ３において検出された金属領域の位置（以下、金属位置と呼ぶ）を特定する（ステップＳＣ５）。金属位置は、Ｚ軸方向、すなわち、スライス方向に関する天板３３の位置により表される。位置決め画像に含まれる金属領域の、Ｚ軸方向の上端と下端との間の範囲が、金属位置として特定される。

ステップＳＣ５が行われると処理回路４４は、金属アーチファクト推定機能４４５の実現により、本撮影により生じると推定される疑似本撮影画像を生成する（ステップＳＣ６）。疑似本撮影画像は、典型的には、再構成画像と同一の断面、すなわち、撮影断面に関するＣＴ画像として生成される。疑似本撮影画像は、本撮影により得られる再構成画像に生じると推定される金属アーチファクトを含んでいる。

疑似本撮影画像の生成方法は、位置決め画像を流用する簡易的な生成方法と機械学習を利用した生成方法とがある。簡易的な生成方法において処理回路４４は、位置決め画像に含まれる金属アーチファクトをそのまま、本撮影により生じると推定される金属アーチファクトとして用いる。すなわち、処理回路４４は、位置決め画像から、金属位置における画像データを抽出し、抽出された画像データを疑似本撮影画像に設定する。抽出された画像データが３次元画像データである場合、当該画像データを列方向に投影することにより疑似本撮影画像が生成されればよい。

機械学習を利用した生成方法においては、機械学習モデルを使用して、本撮影により生じると推定される金属アーチファクトを推定する。機械学習モデルとしては、低線量画像を入力して高線量画像を出力するように訓練されたニューラルネットワークが用いられる。当該機械学習モデルを高線量画像推定モデルと呼ぶ。高線量画像推定モデルの訓練に用いる学習サンプルとしては、例えば、デュアルエナジー撮影等で得られた低線量画像と高線量画像とが用いられてもよいし、低線量の位置決め撮影画像と本撮影で得られた高線量画像とが用いられてもよい。低線量画像が入力学習サンプルとして用いられ、高線量画像が入力学習サンプルとして用いられる。低線量画像を入力学習サンプルとし、高線量画像を出力学習サンプルとする教師有り学習に基づいて機械学習モデルが訓練されることにより高線量画像推定モデルが生成される。

ステップＳＣ１において生成された位置決め画像は、低線量のＣＴ撮影である３次元位置決め撮影により生成されるので、低線量画像である。本撮影は、高線量のＣＴ撮影であるので、本撮影により生成される再構成画像は、高線量画像である。そこで、処理回路４４は、ステップＳＣ１において生成された位置決め画像を、高線量画像推定モデルに適用して、疑似本撮影画像を生成する。疑似本撮影画像には、本撮影により生じると推定される金属アーチファクトが含まれている。

ステップＳＣ６における金属アーチファクトの推定処理の精度向上のため、ステップＳＣ１における位置決め撮影の撮影条件の一部を、本撮影の撮影条件に一致させるとよい。一致させる撮影条件としては、例えば、ヘリカルピッチや管球の位置など、金属アーチファクトの形状に影響を及ぼす、Ｘ線管１１の軌道に関する撮影条件がよい。なお、本撮影が可変ヘリカルピッチを採用する場合においても同様に、軌道に関する撮影条件を位置決め撮影と本撮影とで一致させるとよい。なお、可変ヘリカルピッチは、心臓付近では低速移動、その他の部位では高速移動のように、撮影部位に応じて天板３３の移動速度を変更する撮影技術である。

ステップＳＣ６が行われると処理回路４４は、ＤＬ－ＭＡＲ機能４４６の実現により、ステップＳＣ１において収集された位置決めサイノグラムにＤＬ－ＭＡＲ処理を施してＤＬ－ＭＡＲ画像を生成する（ステップＳＣ７）。ステップＳＣ７において処理回路４４は、ステップＳＣ１において収集された位置決めサイノグラムに、ＤＬ－ＭＡＲモデルを適用して、金属成分が低減されたＤＬ－ＭＡＲ処理後のサイノグラムを生成する。次に処理回路４４は、ＤＬ－ＭＡＲ処理後のサイノグラムに再構成処理を施して、金属領域及び金属アーチファクトが低減された再構成画像（以下、ＤＬ－ＭＡＲ画像と呼ぶ）を生成する。この際、処理回路４４は、ステップＳＣ５において特定された金属位置における撮影断面の再構成に必要なサイノグラム部分を、ＤＬ－ＭＡＲ処理後のサイノグラムから抽出し、抽出されたサイノグラム部分に再構成処理を施して、当該撮影断面のＤＬ－ＭＡＲ画像を生成してもよい。これにより、金属を含む撮影断面のＤＬ－ＭＡＲ画像を生成することが可能になる。なお、処理回路４４は、ＤＬ－ＭＡＲ画像に金属領域を埋め込むとよい。当該金属領域は、ＤＬ－ＭＡＲモデルに入力される位置決めサイノグラムと、ＤＬ－ＭＡＲモデルから出力されるＤＬ－ＭＡＲサイノグラムとを差分して金属成分サイノグラムを抽出し、抽出された金属成分サイノグラムを逆投影することにより生成されるとよい。

ステップＳＣ７が行われると処理回路４４は、表示制御機能４４８の実現により、ステップＳＣ６において生成された疑似本撮影画像とステップＳＣ７において生成されたＤＬ－ＭＡＲ画像とを表示する（ステップＳＣ８）。ステップＳＣ８において処理回路４４は、疑似本撮影画像とＤＬ－ＭＡＲ画像とを含む表示画面（以下、プレビュー画面と呼ぶ）を、ディスプレイ４２に表示する。

図８は、ステップＳＣ８において表示されるプレビュー画面Ｉ２の一例を示す図である。図８に示すように、プレビュー画面Ｉ２には、ステップＳＣ２において生成された位置決め画像Ｉ１１が表示される。位置決め画像Ｉ１１にはステップＳＣ３において検出された金属領域Ｍ３が描画されている。図８に示すように、プレビュー画面Ｉ２には、プレビューウィンドウＩ２１が表示される。プレビューウィンドウＩ２１には、ステップＳＣ６において生成された疑似本撮影画像Ｉ２２とステップＳＣ７において生成されたＤＬ－ＭＡＲ画像Ｉ２３とが並べて表示される。疑似本撮影画像Ｉ２２には、本撮影により生じ得る金属アーチファクトが描画されている。ＤＬ－ＭＡＲ画像Ｉ２３には低減された金属アーチファクトが描画されている。

本実施形態によれば、ＭＡＲ処理に比して低計算コストであるＤＬ－ＭＡＲモデルを使用した金属アーチファクト低減処理を実行して、迅速に金属アーチファクト低減処理の効果を確認することが可能になる。ＤＬ－ＭＡＲモデルの精度が良い場合、金属アーチファクトが除去され、描画されない場合もあり得る。

上記の通り、疑似本撮影画像Ｉ２２とＤＬ－ＭＡＲ画像Ｉ２３と共に位置決め画像Ｉ１１が表示される。プレビューウィンドウＩ２１には、位置決め画像Ｉ１１上の金属領域Ｍ３を指す矢印が引き出されている。この矢印により、疑似本撮影画像Ｉ２２とＤＬ－ＭＡＲ画像Ｉ２３との撮影断面の、位置決め画像Ｉ１１における位置を容易に把握することが可能になる。

プレビューウィンドウＩ２１が表示されることにより、ユーザは、疑似本撮影画像Ｉ２２とＤＬ－ＭＡＲ画像Ｉ２３とを比較して観察することが可能になる。この比較観察等により、ユーザは、本撮影におけるＭＡＲ処理の要否を判断することが可能になる。例えば、ＤＬ－ＭＡＲ画像Ｉ２３の精度が不十分であり、精度の高いＭＡＲ処理で本撮影画像を観察する必要があると判断した場合、ユーザは、本撮影におけるＭＡＲ処理が必要であると判断する。また、疑似本撮影画像Ｉ２２に含まれる金属領域が微小である場合や金属アーチファクトが余り発生していない場合、ユーザは、本撮影におけるＭＡＲ処理が不要であると判断する。

ステップＳＣ８が行われた場合又はステップＳＣ４においてＭＡＲ処理結果のプレビュー表示を行わないと判定された場合（ステップＳＣ４：ＮＯ）、処理回路４４は、ＭＡＲ処理を実行するか否かを判定する（ステップＳＣ９）。

図８に示すように、プレビューウィンドウＩ２１には、選択ボタンＩ２４が表示される。選択ボタンＩ２４は、一例として、本撮影におけるＭＡＲ処理が必要であることを示す「ＯＮ」のラジオボタンと、ＭＡＲ処理が不要であることを示す「ＯＦＦ」のラジオボタンとを含む。また、プレビューウィンドウＩ２１には、ＯＫボタンＩ２５とキャンセルボタンＩ２６とが表示される。キャンセルボタンＩ２６が押下された場合、処理回路４４は、ＣＴ検査を終了する。

「ＯＮ」のラジオボタンが選択された状態でＯＫボタンＩ２５が押下された場合、処理回路４４は、ＭＡＲ処理を実行すると判断する（ステップＳＣ９：ＹＥＳ）。この場合、処理回路４４は、撮影制御機能４４１の実現により、本撮影を実行して本撮影サイノグラムを収集する（ステップＳＣ１０）。ステップＳＣ１０における本撮影は、ステップＳＣ５において特定された金属位置を対象とする、高線量のＣＴ撮影が行われる。本撮影は、天板３３の移動を伴わない３次元スキャン（ボリュームスキャン）でもよいし、天板３３の移動を伴う３次元スキャン（ヘリカルスキャン）でもよい。処理回路４４は、サイノグラム取得機能４４２の実現により、本撮影においてＤＡＳ１８により収集された投影データを整列してサイノグラム（以下、本撮影サイノグラムと呼ぶ）を取得する。

ステップＳＣ１０が行われると処理回路４４は、ＭＡＲ機能４４７の実現により、ＭＡＲ処理を施して、ステップＳＣ１０において収集された本撮影サイノグラムからＭＡＲ画像を生成する（ステップＳＣ１１）。ステップＳ１１において処理回路４４は、ＭＡＲ処理として、逐次近似再構成の過程において金属アーチファクト低減処理を組み込んだ処理を行う。

ここで、ＭＡＲ処理について簡単に説明する。まず、（１）金属領域及び金属アーチファクトを含むオリジナルの再構成画像から金属領域を抽出する。次に、（２）当該金属領域を利用して、オリジナルのサイノグラムから金属成分を抽出する。次に、（３）金属成分を利用した補間処理により、オリジナルのサイノグラムから金属成分を除去する。次に、（４）金属成分が除去されたサイノグラムを逆投影して再構成画像を生成し、当該再構成画像に画像処理を施して更に金属アーチファクトを低減する。次に、（５）当該再構成画像を順投影してサイノグラムを生成し、当該サイノグラムに画像処理を施して金属成分を更に除去する。次に、（６）当該サイノグラムを逆投影して、金属領域及び金属アーチファクトが低減された再構成画像を生成する。最後に、（７）当該再構成画像に金属領域を付加する。これにより、金属アーチファクトが低減され且つ金属領域が付加された再構成画像であるＭＡＲ画像が生成される。

ステップＳＣ１１が行われると処理回路４４は、表示制御機能４４８の実現により、ステップＳＣ１１において生成されたＭＡＲ画像を表示する（ステップＳＣ１２）。処理回路４４は、ＭＡＲ画像をディスプレイ４２に表示する。ＭＡＲ画像では高精度に金属アーチファクトが低減されているので、ユーザは、より精度の高い診断を行うことが可能になる。

ステップＳＣ９において「ＯＦＦ」のラジオボタンが選択された状態でＯＫボタンＩ２５が押下された場合、処理回路４４は、ＭＡＲ処理を実行しないと判断する（ステップＳＣ９：ＮＯ）。この場合、処理回路４４は、本撮影を実行し、ＭＡＲ処理を伴わない再構成処理を行い、通常の再構成画像を生成し、ディスプレイ４２に表示する。このように、ＭＡＲ処理を実行しない場合、簡易的な本撮影が実行される。

以上により、第１実施形態に係るＸ線コンピュータ断層撮影装置１によるＣＴ検査が終了する。

なお、上記の実施例は、その要旨を逸脱しない限りにおいて、種々の変形が可能である。

上記の実施例において、ステップＳＣ４においてプレビュー表示を行うと判定された場合に、ステップＳＣ５～ＳＣ８が行われるものとした。しかしながら、判定をすることなく、ステップＳＣ５～ＳＣ８が行われてもよい。すなわち、処理回路５５は、位置決めサイノグラム又は位置決め画像に金属領域が含まれると否とに拘わらず、位置決めサイノグラムからＤＬ－ＭＡＲ画像を生成してもよい。この判定処理を省略することにより、ＣＴ検査のワークフローを簡潔にすることが可能になる。この場合、ステップＳＣ３において金属領域が検知された場合、自動的にステップＳＣ５からＳＣ７が行われ、ステップＳＣ８において自動的にプレビュー表示が行われることとなる。

上記の実施例においてＤＬ－ＭＡＲモデルは、被検体Ｐに含まれる金属の形状に応じて使い分けされるとよい。このようなＤＬ－ＭＡＲモデルは、埋め込み処理（ステップＳＡ２）において特定の形状を有する疑似金属領域を埋め込むことにより、生成することが可能である。これにより、特定の形状に特化したＤＬ－ＭＡＲモデルを生成することが可能になる。例えば、ボルト用、ステント用、歯科金属用、インプラント用等のＤＬ－ＭＡＲモデルを生成することができる。ＤＬ－ＭＡＲモデルを使用する際、処理回路４４は、検出された金属領域の形状を特定し、特定された形状に対応するＤＬ－ＭＡＲモデルを選択し、選択されたＤＬ－ＭＡＲモデルに位置決めサイノグラムを適用すればよい。当該実施例によれば、埋め込まれた金属の形状に適したＤＬ－ＭＡＲモデルを使用することできるので、金属アーチファクトの低減精度が向上することが期待される。

上記の実施例において、ステップＳＣ６において疑似本撮影画像が生成されるものとしたが、必ずしも疑似本撮影画像が生成される必要はない。疑似本撮影画像を省略することにより、ＣＴ検査のワークフローを簡潔にすることが可能になる。この場合、ステップＳＣ８においては、ＤＬ－ＭＡＲ画像のみが表示されることとなる。

ＤＬ－ＭＡＲモデルの精度が高く、本撮影においてもＤＬ－ＭＡＲモデルを使用したい場合が考えられる。この場合に備え、ステップＳＣ９において、プレビューウィンドウ等に、本撮影においてＤＬ－ＭＡＲ処理を実行することを選択するためのボタンが設けられてもよい。当該ボタンが押下された場合、本撮影サイノグラムに対してＤＬ－ＭＡＲモデルが適用され、金属アーチファクトが低減された本撮影画像を生成することができる。これにより、本撮影画像に対する金属アーチファクト低減処理も低計算コストで簡易に実行することが可能になる。

上記の第１のＣＴ検査によれば、撮影対象に金属が含まれる場合において、本撮影前の位置決め撮影において取得された位置決めサイノグラムに対して、低計算コストである機械学習モデルを利用したＤＬ－ＭＡＲ処理を実行して、金属アーチファクトが低減されたＤＬ－ＭＡＲ画像を生成して提示することができる。これによりユーザは、高計算コストのＭＡＲ処理を実行することなく、簡易的にＭＡＲ処理の処理結果を、本撮影前に知ることができる。これにより、高計算コストのＭＡＲ処理の要否を高い精度で判断することが可能になる。また、本撮影により生じると推定される金属アーチファクトを含む疑似本撮影画像をＤＬ－ＭＡＲ画像と共に提示することにより、ユーザは、疑似本撮影画像とＤＬ－ＭＡＲ画像との比較で、ＭＡＲ処理の要否を更に高い精度で判断することが可能になる。これにより、本当に必要なＭＡＲ処理のみを実行することができるようになるので、ＣＴ検査のワークフローを向上させることが可能になる。

また、ＤＬ－ＭＡＲ処理の精度が向上した場合は、ＤＬ－ＭＡＲ処理そのものをＭＡＲ処理として利用できるため、ＭＡＲ処理を低計算コストで実現できるため、ＣＴ検査のワークフローが更に向上する。

上記の第１のＣＴ検査においては、ＤＬ－ＭＡＲモデルは、サイノグラムを入力としてサイノグラムを出力するものとした。しかしながら、本実施形態に係るＤＬ－ＭＡＲモデルは、これに限定されない。以下、第２のＣＴ検査について説明する。第２のＣＴ検査においては、リアルタイム性が要求される画像に対してＤＬ－ＭＡＲモデルを適用するものとする。

リアルタイム性が要求される画像を撮影するための撮影方法（リアルタイムＣＴ撮影）としては、ボリュームＣＴ透視やモニタリングスキャン、ＴＤＣ（Time Density Curve）スキャン等が挙げられる。ボリュームＣＴ透視は、３次元の撮影領域を天板３３の移動を伴わずに低線量のＸ線で繰り返しＣＴ撮影する撮影方法である。モニタリングスキャンとＴＤＣスキャンとは、ほぼ同義である。モニタリングスキャンとＴＤＣスキャンとは、造影剤注入前に低線量のＸ線で繰り返しＣＴ撮影しながら、関心領域のＣＴ値時間変化曲線（ＴＤＣ）をリアルタイムで生成して造影剤の流入をモニタリングし、ＣＴ値が閾値を超えたら高線量のＸ線による本撮影に移行する撮影方法である。第２のＣＴ検査における撮影方法は、上記の何れの方法にも適用可能であるが、一例として、ボリュームＣＴ透視であるとする。

図９は、第１実施形態の第２のＣＴ検査に係るＤＬ－ＭＡＲモデルの入出力例を示す図である。図９に示すように、第２のＣＴ検査に係るＤＬ－ＭＡＲモデルは、再構成画像を入力とし、ＤＬ－ＭＡＲ処理後の再構成画像（ＤＬ－ＭＡＲ画像）を出力するように訓練された機械学習モデルである。機械学習モデルとしては、深層ニューラルネットワークが用いられる。入力の再構成画像には金属領域及び金属アーチファクトが含まれ、ＤＬ－ＭＡＲ画像には金属領域が含まれ且つ金属アーチファクトが低減されている。第２のＣＴ検査に係るＤＬ－ＭＡＲモデルも、第１のＣＴ検査に係るＤＬ－ＭＡＲモデルと同様、学習装置５により生成される。学習装置５は、金属領域及び金属アーチファクトを含む再構成画像を入力学習サンプルとし、金属領域を含み且つ金属アーチファクトを含まない再構成画像を出力学習サンプルとする教師有り学習に基づき機械学習モデルを訓練することにより、第２のＣＴ検査に係るＤＬ－ＭＡＲモデルを生成するとよい。

図１０は、第１実施形態に係るＸ線コンピュータ断層撮影装置１による第２のＣＴ検査の流れの一例を示す図である。図１０に示すように、処理回路４４は、撮影制御機能４４１の実現により、ボリュームＣＴ透視を開始する（ステップＳＤ１）。ボリュームＣＴ透視においてＤＡＳ１８により被検体Ｐに関する投影データがビュー毎に収集される。

ステップＳＤ１が行われると処理回路４４は、サイノグラム取得機能４４２の実現により、１ボリュームのサイノグラムを揃える（ステップＳＤ２）。具体的には、処理回路４４は、最新ビューから遡って３６０度分の投影データを整列して１ボリュームのサイノグラムを用意する。

ステップＳＤ２が行われると処理回路４４は、画像生成機能４４３の実現により、ステップＳＤ２において揃えられたサイノグラムに基づいてリアルタイム再構成画像を生成する（ステップＳＤ３）。リアルタイム再構成の再構成手法としては、フィルタ補正逆投影法や逐次近似再構成法等の任意の手法が可能であるが、即時性の高い手法が適当である。リアルタイム再構成画像には金属領域及び金属アーチファクトが含まれるものとする。

ステップＳＤ３が行われると処理回路４４は、ＤＬ－ＭＡＲ機能４４６の実現により、ステップＳＤ３において生成されたリアルタイム再構成画像にＤＬ－ＭＡＲ処理を施してＤＬ－ＭＡＲ画像を生成する（ステップＳＤ４）。ステップＳＤ４において処理回路４４は、リアルタイム再構成画像を、第２のＣＴ検査に係るＤＬ－ＭＡＲモデルに適用して、金属アーチファクトが低減されたＤＬ－ＭＡＲ画像を生成する。

ステップＳＤ４が行われると処理回路４４は、表示制御機能４４８の実現により、ステップＳＤ４において生成されたＤＬ－ＭＡＲ画像を表示する（ステップＳＤ５）。ステップＳＤ５において処理回路４４は、ステップＳＤ４において生成されたリアルタイム再構成画像を即時的にディスプレイ４２に表示する。これによりＤＬ－ＭＡＲ画像の動画表示が可能になる。

ステップＳＤ５が行われると処理回路４４は、ボリュームＣＴ透視を終了するか否かを判定する（ステップＳＤ６）。ユーザは、ボリュームＣＴ透視を終了すると判断した場合、架台１０に設けられた撮影終了ボタンやディスプレイ４２に表示された撮影終了ボタンを押下する。撮影終了ボタンが押下された場合、処理回路４４は、ボリュームＣＴ透視を終了すると判定する。撮影終了ボタンが押下されない場合、処理回路４４は、ボリュームＣＴ透視を終了しないと判定する（ステップＳＤ６：ＮＯ）。処理回路４４は、撮影終了ボタンが押下されるまで、ステップＳＤ２～ＳＤ６を繰り返す。

そして、ステップＳＤ６においてボリュームＣＴ透視を終了すると判定した場合（ステップＳＤ６：ＹＥＳ）、処理回路４４は、ボリュームＣＴ透視を終了する（ステップＳＤ７）。

以上により、第２のＣＴ検査の説明が終了する。なお、上記の第２のＣＴ検査は、一例であり、発明の要旨を変更しない限り、種々の変形例が可能である。

一例として、上記の実施例において、ＤＬ－ＭＡＲモデルは、再構成画像を入力して再構成画像を出力するものとしたが、サイノグラムを入力してサイノグラムを出力するものでもよい。この場合、処理回路４４は、ステップＳＤ２において得られたサイノグラムをＤＬ－ＭＡＲモデルに適用して、金属成分が低減されたＤＬ－ＭＡＲサイノグラムを生成し、当該サイノグラムにリアルタイム再構成を施してＤＬ－ＭＡＲ画像を生成すればよい。

第２のＣＴ検査によれば、リアルタイム再構成画像をＤＬ－ＭＡＲモデルに適用して金属アーチファクトが低減されたＤＬ－ＭＡＲ画像を生成することができる。ＤＬ－ＭＡＲモデルによる金属アーチファクトの低減精度が比較的高い場合、ＤＬ－ＭＡＲモデルを、第１のＣＴ検査のような疑似的なＭＡＲ処理の道具としてではなく、簡易的なＭＡＲ処理の道具として用いることが可能になる。よって、ボリュームＣＴ透視のような即時性が要求されるＣＴ検査においても、リアルタイムでＤＬ－ＭＡＲ画像を生成し表示することが可能になる。

上記の説明によれば、第１実施形態に係るＸ線コンピュータ断層撮影装置１は、処理回路４４を有する。処理回路４４は、金属アーチファクトを低減するように機械学習により訓練されたＤＬ－ＭＡＲモデルを利用して、被検体に対するＣＴ撮影により収集されたサイノグラム又は当該サイノグラムに基づくＣＴ画像から、ＣＴ画像に含まれる金属アーチファクトが低減されたＤＬ－ＭＡＲ画像を生成する。処理回路４４は、ＤＬ－ＭＡＲ画像を表示する。

第１のＣＴ検査において「ＣＴ撮影」は３次元位置決め撮影であり、「サイノグラム」は「位置決めサイノグラム」であり、「ＣＴ画像」は位置決め画像である。第２のＣＴ検査において「ＣＴ撮影」はボリュームＣＴ透視等のリアルタイム撮影であり、「サイノグラム」はリアルタイム撮影により収集されたサイノグラムであり、「ＣＴ画像」はリアルタイム再構成画像である。

上記の構成によれば、機械学習モデルを用いないＭＡＲ処理に比して低計算コストである、ＤＬ－ＭＡＲモデルを利用して、金属アーチファクトが低減されたＤＬ－ＭＡＲ画像を生成することが可能になる。よって、第１実施形態によれば、簡易的に金属アーチファクトを低減することが可能になる。

なお、上記の実施形態においては、ＤＬ－ＭＡＲモデルは、第１のＣＴ検査のように、（１）位置決めサイノグラムを入力してＤＬ－ＭＡＲサイノグラムを出力する、の他に、（２）位置決め画像を入力してＤＬ－ＭＡＲ画像を出力する、（３）位置決めサイノグラムを入力してＤＬ－ＭＡＲ画像を出力する、（４）位置決め画像を入力してＤＬ－ＭＡＲサイノグラムを出力する、入出力形式でもよい。（１）の場合、処理回路４４は、位置決めサイノグラムにＤＬ－ＭＡＲモデルを適用してＤＬ－ＭＡＲサイノグラムを生成し、当該ＤＬ－ＭＡＲサイノグラムに再構成処理を施してＤＬ－ＭＡＲ画像を生成する。（２）の場合、処理回路４４は、位置決め画像にＤＬ－ＭＡＲモデルを適用してＤＬ－ＭＡＲ画像を生成する。（３）の場合、処理回路４４は、位置決めサイノグラムにＤＬ－ＭＡＲモデルを適用してＤＬ－ＭＡＲ画像を生成する。（４）の場合、処理回路４４は、位置決め画像にＤＬ－ＭＡＲモデルを適用してＤＬ－ＭＡＲサイノグラムを生成し、当該ＤＬ－ＭＡＲサイノグラムに再構成処理を施してＤＬ－ＭＡＲ画像を生成する。何れの入出力形式であっても、学習装置５による教師有り学習に基づいてＤＬ－ＭＡＲモデルを生成することが可能である。

（第２実施形態）
第２実施形態に係るＸ線コンピュータ断層撮影装置は、３次元位置決め撮影ではなく、２次元位置決め撮影を実行する。以下、第２実施形態に係るＸ線コンピュータ断層撮影装置について説明する。

図１１は、第２実施形態に係るＸ線コンピュータ断層撮影装置２の構成例を示す図である。図１１に示すように、Ｘ線コンピュータ断層撮影装置２の処理回路４４は、撮影制御機能４４１、サイノグラム取得機能４４２、画像生成機能４４３、金属位置特定機能４４４、ＤＬ－ＭＡＲ機能４４６、ＭＡＲ機能４４７、表示制御機能４４８及び断面復元機能４４９を実現する。

金属位置特定機能４４４において処理回路４４は、被検体に対する２次元位置決め撮影により収集された位置決め画像に含まれる金属領域を検出する。

断面復元機能４４９において処理回路４４は、位置決め画像に基づいて、金属領域と当該金属領域に関係する金属アーチファクトとを含む断面画像を復元する。処理回路４４は、機械学習モデルを利用して断面画像を復元する。この機械学習モデルを断面復元モデルと呼び、断面復元モデルを利用して復元された断面画像を復元断面画像と呼ぶ。

ＤＬ－ＭＡＲ機能４４６において処理回路４４は、復元断面画像から、金属アーチファクトを低減するように機械学習により訓練された機械学習モデルを利用して、金属アーチファクトが低減された断面画像（以下、ＤＬ－ＭＡＲ画像と呼ぶ）を生成する。

以下、第２実施形態に係るＸ線コンピュータ断層撮影装置２の動作例について説明する。Ｘ線コンピュータ断層撮影装置２は、断面復元モデルとＤＬ－ＭＡＲモデルとを利用する。

図１２は、第２実施形態に係る断面復元モデルの入出力例を示す図である。図１２に示すように、断面復元モデルは、２次元位置決め画像を入力とし、復元断面画像を出力するように訓練された機械学習モデルである。機械学習モデルとしては、深層ニューラルネットワークが用いられる。

図１３は、第２実施形態に係るＤＬ－ＭＡＲモデルの入出力例を示す図である。図１３に示すように、ＤＬ－ＭＡＲモデルは、復元断面画像を入力とし、ＤＬ－ＭＡＲ画像を出力するように訓練された機械学習モデルである。機械学習モデルとしては、深層ニューラルネットワークが用いられる。

図１４は、第２実施形態に係るＸ線コンピュータ断層撮影装置２によるＣＴ検査例を示す図である。図１４に示すように、処理回路４４は、撮影制御機能４４１の実現により、２次元位置決め撮影を実行して２次元断面画像を収集する（ステップＳＥ１）。ステップＳＥ１における２次元位置決め撮影は、低線量のスキャノ撮影であるとする。低線量のスキャノ撮影は、被検体Ｐが載置された天板３３をＺ軸に沿って移動しつつ、Ｘ線管１１の回転角度を固定したうえで、Ｘ線管１１による低線量Ｘ線の曝射とＸ線検出器１２によるＸ線の検出とを繰り返することにより、被検体Ｐの全身をＸ線撮影する。Ｘ線の曝射範囲は、被検体Ｐの被曝を低減するため、Ｘ線検出素子一列又は数列分に制限されるとよい。Ｘ線管１１の回転角度は、０度や９０度等の任意の角度に設定される。ＤＡＳ１８は、Ｘ線検出器１２を介して投影データを収集し、処理回路４４は、画像生成機能４４３の実現により、被検体Ｐの全身の投影像を表す２次元位置画像を生成する。

ステップＳＥ１が行われると処理回路４４は、金属位置特定機能４４４の実現により、ステップＳＥ１において収集された２次元位置決め画像に含まれる金属領域を検出する（ステップＳＥ２）。ステップＳＥ２において処理回路４４は、例えば、位置決め画像に、金属領域を検出するためのＣＴ値を閾値とする閾値処理を施す。閾値を上回るＣＴ値を有する画素の集合が金属領域として検出される。

ステップＳＥ２が行われると処理回路４４は、ＭＡＲ処理結果のプレビュー表示を行うか否かを判定する（ステップＳＥ３）。ステップＳＥ３は、ステップＳＣ４と同様の方法により行われればよい。

ステップＳＥ３においてＭＡＲ処理結果のプレビュー表示を行うと判定された場合（ステップＳＥ３：ＹＥＳ）、処理回路４４は、金属位置特定機能４４４の実現により、ステップＳＥ２において検出された金属領域の位置を特定する（ステップＳＥ４）。

ステップＳＥ４が行われると処理回路４４は、断面復元機能４４９の実現により、ステップＳＥ１において収集された２次元位置決め画像に断面復元処理を施して、ステップＳＥ４において特定された金属位置に関する復元断面画像を生成する（ステップＳＥ５）。復元断面画像の断面は、金属位置を通る撮影断面である。復元断面画像は、本撮影により得られる再構成画像に生じると推定される金属アーチファクトを含んでいる。

ステップＳＥ５が行われると処理回路４４は、ＤＬ－ＭＡＲ機能４４６の実現により、ステップＳＥ５において生成された復元断面画像にＤＬ－ＭＡＲ処理を施してＤＬ－ＭＡＲ画像を生成する（ステップＳＥ６）。ステップＳＥ６において処理回路４４は、ステップＳＥ５において生成された復元断面画像に、ＤＬ－ＭＡＲモデルを適用して、金属アーチファクトが低減された断面画像であるＤＬ－ＭＡＲ画像を生成する。

ステップＳＥ６が行われると処理回路４４は、表示制御機能４４８の実現により、ステップＳＥ５において生成された復元断面画像とステップＳＥ６において生成されたＤＬ－ＭＡＲ画像とを表示する（ステップＳＥ７）。ステップＳＥ７において処理回路４４は、復元断面画像とＤＬ－ＭＡＲ画像とをディスプレイ４２に表示する。これにより、ユーザは、復元断面画像とＤＬ－ＭＡＲ画像とを比較して観察することが可能になる。この比較観察等により、ユーザは、本撮影におけるＭＡＲ処理の要否を判断することが可能になる。例えば、ＤＬ－ＭＡＲ画像の精度が不十分であり、精度の高いＭＡＲ処理で本撮影画像を観察する必要があると判断した場合、ユーザは、本撮影におけるＭＡＲ処理が必要であると判断する。また、復元断面画像に含まれる金属領域が微小である場合や金属アーチファクトが余り発生していない場合、ユーザは、本撮影におけるＭＡＲ処理が不要であると判断する。

ステップＳＥ７が行われた場合又はステップＳＥ３においてＭＡＲ処理結果のプレビュー表示を行わないと判定された場合（ステップＳＥ３：ＮＯ）、処理回路４４は、ＭＡＲ処理を実行するか否かを判定する（ステップＳＥ８）。ステップＳＥ８の処理は、ステップＳＣ９と同様である。

ＭＡＲ処理を実行すると判定された場合（ステップＳＥ８：ＹＥＳ）、処理回路４４は、撮影制御機能４４１の実現により、本撮影を実行して本撮影サイノグラムを収集する（ステップＳＥ９）。ステップＳＥ９が行われると処理回路４４は、ＭＡＲ機能４４７の実現により、ＭＡＲ処理を施して、ステップＳＥ９において収集された本撮影サイノグラムからＭＡＲ画像を生成する（ステップＳＥ１０）。ステップＳＥ１０が行われると処理回路４４は、表示制御機能４４８の実現により、ステップＳＥ１０において生成されたＭＡＲ画像を表示する（ステップＳＥ１１）。処理回路４４は、ＭＡＲ画像をディスプレイ４２に表示する。ＭＡＲ画像では高精度に金属アーチファクトが低減されているので、ユーザは、より精度の高い診断を行うことが可能になる。

ステップＳＥ８においてＭＡＲ処理を実行しないと判定された場合（ステップＳＥ８：ＮＯ）、処理回路４４は、本撮影を実行し、ＭＡＲ処理を伴わない再構成処理を行い、通常の再構成画像を生成し、ディスプレイ４２に表示する。このように、ＭＡＲ処理を実行しない場合、簡易的な本撮影が実行される。

以上により、第２実施形態に係るＸ線コンピュータ断層撮影装置２によるＣＴ検査が終了する。

上記の説明の通り、第２実施形態に係るＸ線コンピュータ断層撮影装置２は、処理回路４４を有する。処理回路４４は、被検体に対する２次元位置決め撮影により収集された位置決め画像に含まれる金属領域を検出する。処理回路４４は、位置決め画像に基づいて、金属領域と金属領域に関係する金属アーチファクトとを含む断面画像（復元断面画像）を復元する。処理回路４４は、復元断面画像から、金属アーチファクトを低減するように機械学習により訓練されたＤＬ－ＭＡＲモデルを利用して、復元断面画像に含まれる金属アーチファクトが低減されたＤＬ－ＭＡＲ画像を生成する。処理回路４４は、ＤＬ－ＭＡＲ画像を表示する。

上記の構成によれば、第１の実施形態を、２次元位置決め撮影にも利用することが可能になる。よって、２次元位置決め撮影を含むＣＴ検査のワークフローが向上する。

（第３実施形態）
第３実施形態は、第１及び第２実施形態に係るＤＬ－ＭＡＲ処理を超音波診断装置に応用したものである。以下、第３実施形態に係る超音波診断装置について説明する。

図１５は、第３実施形態に係る超音波診断装置７の構成例を示す図である。図１５に示すように、超音波診断装置７は、超音波プローブ７１、送受信回路７２、Ｂモード処理回路７３、ドプラ処理回路７４、画像処理回路７５、ディスプレイ７６、メモリ７７、制御回路７８及び入力インターフェース７９を有する。

超音波プローブ７１は、被検体との間で照射・反射される超音波の送受波を担うデバイス（探触子）であり、電気／機械可逆的変換素子で形成されている。超音波プローブ７１は、例えばアレイ状に配列される複数の素子を先端部に装備したフェーズドアレイタイプのもので構成される。これにより、超音波プローブ７１は、供給される駆動信号のパルス駆動電圧を超音波パルス信号に変換して被検体のスキャン領域内の所望方向に送信し、且つ被検体から反射してきた超音波信号をこれに対応する電圧のエコー信号に変換する。

超音波信号送信に関し、送受信回路７２は、超音波プローブ７１に駆動信号を供給する。具体的には、送受信回路７２は、トリガ発生回路、遅延回路及びパルサ回路等を有する。パルサ回路は、所定のレート周波数で、送信超音波を形成するためのレートパルスを繰り返し発生する。遅延回路は、超音波プローブ７１から発生される超音波をビーム状に集束して送信指向性を決定するために必要な圧電振動子ごとの遅延時間を、パルサ回路が発生する各レートパルスに対し与える。トリガ発生回路は、レートパルスに基づくタイミングで、超音波プローブ７１に駆動信号（駆動パルス）を印加する。すなわち、遅延回路は、各レートパルスに対し与える遅延時間を変化させることで、圧電振動子面からの送信方向を任意に調整する。

なお、送受信回路７２は、制御回路７８の指示に基づいて、所定のスキャンシーケンスを実行するために、送信周波数、送信駆動電圧などを瞬時に変更可能な機能を有している。特に、送信駆動電圧の変更は、瞬間にその値を切り替え可能な発信回路、または、複数の電源ユニットを電気的に切り替える機構によって実現される。

超音波信号受信に関し、送受信回路７２は、超音波プローブ７１が受信した反射波信号に応じたエコー信号に対して各種処理を行なって、当該エコー信号を受信指向性に応じた反射波データに変換する。具体的には、送受信回路７２は、アンプ回路、Ａ／Ｄ変換器及び加算器等を有する。アンプ回路は、反射波信号をチャンネルごとに増幅してゲイン補正処理を行なう。Ａ／Ｄ変換器は、ゲイン補正された反射波信号をＡ／Ｄ変換し、デジタルデータに受信指向性を決定するのに必要な遅延時間を与える。加算器は、Ａ／Ｄ変換器によって処理された反射波信号の加算処理を行なって反射波データを生成する。加算器の加算処理により、反射波信号の受信指向性に応じた方向からの反射成分が強調される。

Ｂモード処理回路７３は、送受信回路７２からの反射波データに対して、対数増幅、包絡線検波処理、対数圧縮等を行い、複数のサンプル点それぞれの信号強度が輝度の明るさで表現されるＢモード情報を生成する。

ドプラ処理回路７４は、送受信回路７２からの反射波データに対して、カラードプラ法を実行し、血流情報すなわちドプラ情報を算出する。カラードプラ法では、超音波の送受信が同一の走査線上で複数回行なわれ、同一位置のデータ列に対してＭＴＩ（Moving Target Indicator）フィルタを掛けることで、静止している組織、或いは、動きの遅い組織に由来する信号（クラッタ信号） を抑制して、血流に由来する信号を抽出する。そしてカラードプラ法では、この血流信号から血流の速度、血流の分散、血流のパワー等のドプラ情報を推定する。

画像処理回路７５は、画像処理を行うプロセッサである。画像処理回路７５は、メモリ７７に記憶されているプログラムを実行することで、当該プログラムに対応する機能を実現する。画像処理回路７５は、例えば、画像生成機能７５１、反射体位置特定機能７５２、アーチファクト低減機能７５３及び表示制御機能７５４を実現する。機能７５１～７５４は、単一の画像処理回路７５により実現される必要はなく、複数の画像処理回路７５により分担して実現されてもよい。機能７５１～７５４は、プログラムとしてではなく、ハードウェアとして実装されてもよい。

画像生成機能７５１において画像処理回路７５は、Ｂモード情報の走査方式を、表示に適した走査方式に変換（スキャン変換）し、被検体に関するＢモード画像を生成する。同様に、画像処理回路７５は、ドプラ情報の走査方式を、表示に適した走査方式にスキャン変換し、被検体に関するドプラ画像を生成する。Ｂモード画像やドプラ画像等の表示画像をまとめて超音波画像と呼ぶ。画像処理回路７５は、各画像情報の合成や並立、表示位置を示す情報、さらに超音波診断装置７の操作を補助するための各種情報や、患者情報などの超音波診断に必要な付帯情報も、超音波画像と共に生成される。本実施形態に係る超音波画像は、２次元画像及び３次元画像の何れであってもよい。

反射体位置特定機能７５２において画像処理回路７５は、超音波画像に含まれる構造物の位置を算出する。構造物は、超音波を反射する性質を有するので反射体と呼ぶことも可能である。

アーチファクト低減機能７５３において画像処理回路７５は、構造物による超音波に対する相互作用に伴うアーチファクトを低減するように機械学習により訓練された機械学習モデルを利用して、当該超音波画像から、アーチファクトが低減された画像（以下、低減画像と呼ぶ）を生成する。当該機械学習モデルを、アーチファクト低減モデルと呼ぶことにする。

表示制御機能７５４において画像処理回路７５は、種々の情報を、ディスプレイ７６を介して出力する。例えば、画像処理回路７５は、アーチファクト低減機能７５３により生成された低減画像をディスプレイ７６に表示する。

ディスプレイ７６は、画像処理回路７５との連携により、画像処理回路７５からの表示情報を視覚的映像情報に変換して表示する表示機器である。ディスプレイ７６としては、例えばＣＲＴディスプレイや、液晶ディスプレイ、有機ＥＬディスプレイ、プラズマディスプレイ等が適用可能である。なお、ディスプレイ７６としてプロジェクタが設けられてもよい。

メモリ７７は、種々の情報を記憶するＲＯＭやＲＡＭ、ＨＤＤ、ＳＳＤ、集積回路記憶装置等の記憶装置である。また、メモリ７７は、ＣＤ－ＲＯＭドライブやＤＶＤドライブ、フラッシュメモリ等の可搬性記憶媒体との間で種々の情報を読み書きする駆動装置等であっても良い。

制御回路７８は、超音波診断装置７の処理全体を制御するプロセッサである。制御回路７８は、メモリ７７に記憶されているプログラムを実行することで、当該プログラムに対応する機能を実現する。具体的には、制御回路７８は、入力インターフェース７９を介した操作者から入力された各種設定要求や、各種制御プログラム及び各種データに基づき、送受信回路７２、Ｂモード処理回路７３、ドプラ処理回路７４及び画像処理回路７５の処理を制御する。

入力インターフェース７９は、タッチパネル、操作パネル上の各種ユーザインターフェースである。操作者は、超音波診断装置７に対する各種操作や指令を入力インターフェース７９により入力することが可能である。なお、ディスプレイ７６と入力インターフェース７９とが分離されている必要はなく、両者が機構的に一体になっていてもよい。

送受信回路７２、Ｂモード処理回路７３、ドプラ処理回路７４、画像処理回路７５、ディスプレイ７６、メモリ７７、制御回路７８及び入力インターフェース７９は、単一の装置本体とも呼ばれる筐体に実装され、超音波プローブ７１は、装置本体にケーブルを介して着脱可能に接続される。なお、超音波診断装置７のハードウェア構成はこれに限定されない。例えば、送受信回路７２、Ｂモード処理回路７３、ドプラ処理回路７４、画像処理回路７５、ディスプレイ７６、メモリ７７、制御回路７８及び入力インターフェース７９の一部機能又は全部機能が超音波プローブ７１に実装されていてもよい。画像処理回路７５、ディスプレイ７６、メモリ７７の一部機能又は全部機能が、装置本体にネットワークを介して接続されたコンピュータに実装されていてもよい。また、画像処理回路７５と制御回路７８とは別々のハードウェアに実装されている必要はなく、単一のハードウェアに実装されてもよい。

次に、超音波診断装置７の動作例について説明する。

まず、超音波診断装置７により使用されるアーチファクト低減モデルについて説明する。

図１６は、第３実施形態に係るアーチファクト低減モデルの入出力例を示す図である。図１６に示すように、アーチファクト低減モデルは、超音波画像を入力とし、アーチファクト低減後の超音波画像である低減画像を出力するように訓練された機械学習モデルである。機械学習モデルとしては、深層ニューラルネットワークが用いられる。入力の超音波画像は、典型的には、Ｂモード画像及びドプラ画像の何れにも適用可能である。以下の説明を具体的に行うため、超音波画像はＢモード画像を想定する。アーチファクト低減モデルは、学習装置５により生成される。

図１７は、第３実施形態に係る学習装置５によるアーチファクト低減モデルの生成処理例を模式的に示す図である。まず、処理回路５５は、超音波診断装置やＨＩＳ、ＲＩＳ、ＰＡＣＳ等の医療画像データベースから、過去の超音波走査において収集された超音波画像ＵＩ１を取得する。超音波画像ＵＩ１は、３次元画像及び２次元画像の何れでもよい。撮影部位についても特に限定されない。超音波画像ＵＩ１の撮影対象の被検体には強反射体及び弱反射体が含まれていないものとする。強反射体は、ほとんど全ての超音波が反射するような構造体である。超音波は強反射体を透過できないので、強反射体よりも深い部分は無エコー域となり、当該無エコー域に対応する画像領域には音響陰影と呼ばれる低輝度のアーチファクトが発生する。弱反射体は、ほとんど全ての超音波が反射又は減衰しない構造体である。弱反射体よりも深い部分は強エコー域となり、当該強エコー域に対応する画像領域には後方エコー増強と呼ばれる高輝度のアーチファクトが発生する。すなわち、強反射体及び弱反射体は、アーチファクトの発生源である。以下、強反射体及び弱反射体に起因するアーチファクトを反射体アーチファクトと呼ぶことにする。

次に処理回路５５は、超音波画像ＵＩ１に疑似的な強反射体領域又は弱反射体領域（以下、強／弱反射体領域と呼ぶ）Ｒ１を埋め込む（ステップＳＦ１）。ステップＳＦ１において処理回路５５は、超音波画像ＵＩ１の任意箇所に強／反射体領域Ｒ１を埋め込む。強／反射体領域Ｒ１として、強反射体領域又は弱反射体領域が埋め込まれてもよいし、強反射体領域及び弱反射体領域の双方が埋め込まれてもよい。埋め込みは、超音波画像ＵＩ１における埋め込み対象位置の画素値を、強反射体及び／又は弱反射体相当の任意の画素値に置換することにより行われる。埋め込む位置は、ランダムに決定されてもよい。

ステップＳＦ１が行われると処理回路５５は、強／弱反射体領域Ｒ１が埋め込まれた超音波画像ＵＩ２にシミュレーションを施して、シミュレーション画像ＵＩ３を生成する（ステップＳＦ２）。シミュレーションでは、強／弱反射体領域Ｒ１に相当する強反射体及び／又は弱反射体が埋め込まれた被検体に対する超音波走査をシミュレートする。シミュレーション画像ＵＩ３には強／弱反射体領域Ｒ１に基づく強／弱反射体領域Ｒ２が含まれ、強／弱反射体に対応する反射体アーチファクトが発生している。すなわち、強反射体領域が埋め込まれた場合、シミュレーション画像ＵＩ３には、反射体アーチファクトとして音響陰影が含まれ、弱反射体領域が埋め込まれた場合、シミュレーション画像ＵＩ３には、反射体アーチファクトとして後方エコー増強が含まれる。

処理回路５５は、上記のステップＳＦ１及びＳＦ２を、種々様々な被検体の超音波画像に対して実行し、種々様々な被検体について強／弱反射体領域Ｒ１を含み且つ反射体アーチファクトを含まない超音波画像ＵＩ２と、強／弱反射体領域Ｒ２を含み且つ反射体アーチファクトを含むシミュレーション画像ＵＩ３とを収集する。超音波画像ＵＩ２とシミュレーション画像ＵＩ３とは機械学習の学習サンプルとして用いられる。シミュレーション画像ＵＩ３は入力学習サンプルとして用いられ、超音波画像ＵＩ２は出力学習サンプルとして用いられる。ステップＳＦ１の疑似的な強／弱反射体領域の埋め込み処理は、１個の超音波画像ＵＩ１に対して無数に実行可能なため、多量の学習サンプルを容易に収集することができる。

処理回路５５は、シミュレーション画像ＵＩ３を入力学習サンプルとし、超音波画像ＵＩ２を出力学習サンプルとする教師有り学習に基づいてアーチファクト低減モデルを生成する。より詳細には、まず、処理回路５５は、入力学習サンプルに機械学習モデルを適用して順伝播処理を行い、推定画像を生成する。次に処理回路５５は、出力学習サンプルと推定画像との差分（誤差）を評価する機械学習モデルに適用して逆伝播処理を行い、重みやバイアス等の学習パラメータの関数である誤差関数の微分係数である勾配ベクトルを計算する。次に処理回路５５は、勾配ベクトルに基づいて、誤差関数が最小化するように学習パラメータを更新する。これら順伝播処理、逆伝播処理及びパラメータ更新処理を、停止条件が充足されるまで、学習サンプルを変更しながら繰り返す。停止条件は、更新回数が所定回数に到達したこと、誤差関数の値が閾値未満に到達したこと等に設定される。停止条件が充足したときの学習パラメータが割り当てられた機械学習モデルがアーチファクト低減モデルである。アーチファクト低減モデルは、超音波診断装置７に供給される。

以上により、アーチファクト低減モデルの生成処理の説明を終了する。なお、当該生成処理は種々の変形が可能である。

図１８は、第３実施形態に係る超音波診断装置７による超音波検査の流れの一例を示す図である。図１８に示すように、制御回路７８は、超音波走査を開始する（ステップＳＧ１）。ステップＳＧ１において制御回路７８は、送受信回路７２を制御して、被検体に対して超音波走査を実行する。超音波走査は、２次元のＢモード走査であるとする。

ステップＳＧ１が行われると画像処理回路７５は、画像生成機能７５１の実現により、１走査面の超音波画像（Ｂモード画像）を生成する（ステップＳＧ２）。生成される超音波画像には、強反射体及び／又は弱反射体が含まれ、強反射体及び／又は弱反射体に由来する反射体アーチファクトが発生しているものとする。

ステップＳＧ２が行われると画像処理回路７５は、アーチファクト低減機能７５３の実現により、ステップＳＧ２において生成された超音波画像にアーチファクト低減処理を施して低減画像を生成する（ステップＳＧ３）。ステップＳＧ３において画像処理回路７５は、超音波画像を、アーチファクト低減モデルに適用して、反射体アーチファクトが低減された低減画像を生成する。

ステップＳＧ３が行われると画像処理回路７５は、表示制御機能７５４の実現により、ステップＳＧ３において生成された低減画像を表示する（ステップＳＧ４）。ステップＳＧ４において画像処理回路７５は、ステップＳＧ３において生成された低減画像を即時的にディスプレイ７６に表示する。これにより低減画像の動画表示が可能になる。

ステップＳＧ４が行われると制御回路７８は、超音波走査を終了するか否かを判定する（ステップＳＧ５）。ユーザは、超音波走査を終了すると判断した場合、超音波診断装置７に設けられた走査終了ボタンやディスプレイ７６に表示された走査終了ボタンを押下する。走査終了ボタンが押下された場合、送受信回路７２は、ボリュームＣＴ透視を終了すると判定する。撮影終了ボタンが押下されない場合、制御回路７８は、超音波走査を終了しないと判定する。走査終了ボタンが押下されるまで、ステップＳＧ２～ＳＧ５が繰り返される。

そして、ステップＳＧ５において超音波走査を終了すると判定した場合（ステップＳＧ５：ＹＥＳ）、制御回路７８は、超音波走査を終了する（ステップＳＧ６）。

以上により、超音波検査が終了する。

なお、第３実施形態は、発明の要旨を逸脱しない限り、種々の変形例が可能である。例えば、以下の変形例が可能である。

上記の実施例において、機械学習に用いる学習サンプルの撮影部位を特に限定しないものとした。この場合、アーチファクト低減モデルが適用可能な撮影部位は限定されないことになる。しかしながら、特定の撮影部位のみの学習サンプルを用いてアーチファクト低減モデルを訓練してもよい。これにより、当該特定の撮影部位に特化したアーチファクト低減モデルを訓練することが可能になる。この場合、当該特定の撮影部位に関する超音波画像の反射体アーチファクトを高精度に低減することが可能になる。

上記の実施例においてアーチファクト低減モデルは、強反射体に由来するアーチファクトと弱反射体に由来するアーチファクトとの双方を処理可能であるとした。しかしながら、アーチファクト低減モデルは、強反射体又は弱反射体に特化した機械学習モデルとして訓練されてもよい。

上記の実施例において超音波画像は２次元画像であるとした。しかしながら、本実施形態に係る超音波画像は３次元画像でもよい。この場合、画像処理回路７５は、ステップＳＧ２において生成された３次元画像に閾値処理等の画像処理を施して強／弱反射体領域を検出し、強／弱反射体領域の位置を算出する。強／弱反射体領域の位置は、例えば、走査面の煽り方向の位置に規定される。そして画像処理回路７５は、強／弱反射体領域の位置に対応する２次元画像を、３次元画像から抽出し、当該２次元画像にアーチファクト低減モデルを適用して低減画像を生成する。これにより、３次元走査においても、アーチファクト低減モデルを利用した反射体アーチファクトの低減処理を行うことができる。

上記の説明によれば、第３実施形態に係る超音波診断装置７は、画像処理回路７５を有する。画像処理回路７５は、超音波プローブ７１を介して収集されたエコー信号に基づいて超音波画像を生成する。画像処理回路７５は、構造物による超音波に対する相互作用に伴う反射体アーチファクトを低減するように機械学習により訓練されたアーチファクト低減モデルを利用して、当該超音波画像から、反射体アーチファクトが低減された低減画像を生成する。画像処理回路７５は、低減画像を表示する。

上記の構成によれば、機械学習を利用した低計算コストの画像処理により、強反射体や弱反射体に由来する反射体アーチファクトを低減することが可能になる。低計算コストであるので、超音波走査時に即時的に生成される超音波画像にも、即時的に反射体アーチファクトの低減処理を施すことが可能になり、反射体アーチファクトが低減された超音波画像（低減画像）を即時的且つ動的に表示することが可能になる。被検体との対面時（超音波走査時）において低減画像を確認できるので、超音波診断の質の向上も期待できる。

以上説明した少なくとも１つの実施形態によれば、簡易にアーチファクトを低減することができる。

上記説明において用いた「プロセッサ」という文言は、例えば、ＣＰＵ、ＧＰＵ、或いは、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ））、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ））等の回路を意味する。プロセッサは記憶回路に保存されたプログラムを読み出し実行することで機能を実現する。なお、記憶回路にプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むよう構成しても構わない。この場合、プロセッサは回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。また、プログラムを実行するのではなく、論理回路の組合せにより当該プログラムに対応する機能を実現しても良い。なお、本実施形態の各プロセッサは、プロセッサごとに単一の回路として構成される場合に限らず、複数の独立した回路を組み合わせて１つのプロセッサとして構成し、その機能を実現するようにしてもよい。さらに、図１、図２、図１１及び図１５における複数の構成要素を１つのプロセッサへ統合してその機能を実現するようにしてもよい。

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。

１，２ Ｘ線コンピュータ断層撮影装置
５ 学習装置
７ 超音波診断装置
１０ 架台
１１ Ｘ線管
１２ Ｘ線検出器
１３ 回転フレーム
１４ Ｘ線高電圧装置
１５ 制御装置
１６ ウェッジ
１７ コリメータ
１８ データ収集回路（Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ Ｓｙｓｔｅｍ：ＤＡＳ）
３０ 寝台
３１ 基台
３２ 支持フレーム
３３ 天板
３４ 寝台駆動装置
４０ コンソール
４１ メモリ
４２ ディスプレイ
４３ 入力インターフェース
４４ 処理回路
５１ メモリ
５２ ディスプレイ
５３ 入力インターフェース
５４ 通信インターフェース
５５ 処理回路
７１ 超音波プローブ
７２ 送受信回路
７３ Ｂモード処理回路
７４ ドプラ処理回路
７５ 画像処理回路
７６ ディスプレイ
７７ メモリ
７８ 制御回路
７９ 入力インターフェース
４４１ 撮影制御機能
４４２ サイノグラム取得機能
４４３ 画像生成機能
４４４ 金属位置特定機能
４４５ 金属アーチファクト推定機能
４４６ ＤＬ－ＭＡＲ機能
４４７ ＭＡＲ機能
４４８ 表示制御機能
４４９ 断面復元機能
５５１ 取得機能
５５２ 再構成機能
５５４ 逆再構成機能
５５５ ＭＡＲ機能
５５６ 機械学習機能
５５７ 表示制御機能
７５１ 画像生成機能
７５２ 反射体位置特定機能
７５３ アーチファクト低減機能
７５４ 表示制御機能

Claims (19)

1. 金属アーチファクトを低減するように機械学習により訓練された第１の機械学習モデルを利用して、被検体に対する３次元位置決め撮影により収集された第１のサイノグラム又は前記第１のサイノグラムに基づく位置決め画像から、金属アーチファクトが低減された第１の低減画像を生成する生成部と、
   前記第１の低減画像を表示する表示制御部と、
   を具備するＸ線コンピュータ断層撮影装置。
2. 前記位置決め画像に含まれる金属領域を検出する金属検出部を更に備え、
   前記生成部は、前記金属領域が検出された場合、前記第１のサイノグラム又は前記位置決め画像から、前記第１の低減画像を生成する、
   請求項１記載のＸ線コンピュータ断層撮影装置。
3. 前記金属検出部は、前記金属領域が存在する位置を特定し、
   前記生成部は、前記第１のサイノグラム又は前記位置決め画像から、前記位置における撮影断面に関する前記第１の低減画像を生成する、
   請求項２記載のＸ線コンピュータ断層撮影装置。
4. 前記第１のサイノグラム又は前記位置決め画像に基づいて、本撮影により生成されると推定される疑似本撮影画像を生成する推定部を更に備え、
   前記表示制御部は、前記疑似本撮影画像と前記第１の低減画像とを表示する、
   請求項１記載のＸ線コンピュータ断層撮影装置。
5. 前記表示制御部は、前記疑似本撮影画像と前記第１の低減画像とを含む表示画面に、前記第１の機械学習モデルを使用しない金属アーチファクト低減処理の実行を指示するためのボタンを表示し、
   前記生成部は、前記ボタンを介して前記金属アーチファクト低減処理の実行が指示された場合、前記被検体に対する本撮影により収集された第２のサイノグラム又は前記第２のサイノグラムに基づく本撮影画像に、前記金属アーチファクト低減処理を実行し、第２の低減画像を生成する、
   請求項４記載のＸ線コンピュータ断層撮影装置。
6. 前記表示制御部は、前記疑似本撮影画像と前記第１の低減画像と共に、前記位置決め画像を表示する、請求項４記載のＸ線コンピュータ断層撮影装置。
7. 前記推定部は、
   前記位置決め画像を前記疑似本撮影画像として用いる、又は、
   前記位置決め画像に、低線量画像から高線量画像を推定するように機械学習により訓練されたモデルを適用して画像を生成し、当該画像を前記疑似本撮影画像として用いる、
   請求項４記載のＸ線コンピュータ断層撮影装置。
8. 前記生成部は、前記第１のサイノグラム又は前記位置決め画像に金属領域が含まれると否とに拘わらず、前記第１のサイノグラム又は前記位置決め画像から、前記第１の低減画像を生成する、請求項１記載のＸ線コンピュータ断層撮影装置。
9. 前記生成部は、
   前記第１のサイノグラムに前記第１の機械学習モデルを適用してサイノグラムを生成し、当該サイノグラムに再構成処理を施して前記第１の低減画像を生成する、
   前記位置決め画像に前記第１の機械学習モデルを適用して前記第１の低減画像を生成する、
   前記第１のサイノグラムに前記第１の機械学習モデルを適用して前記第１の低減画像を生成する、又は、
   前記位置決め画像に前記第１の機械学習モデルを適用してサイノグラムを生成し、当該サイノグラムに再構成処理を施して前記第１の低減画像を生成する、
   請求項１記載のＸ線コンピュータ断層撮影装置。
10. 前記第１の機械学習モデルは、入力学習サンプルと出力学習サンプルとを含む学習サンプルを使用した教師有り学習に基づいて生成され、
    前記入力学習サンプルは、金属成分を含む第３のサイノグラムであり、
    前記出力学習サンプルは、金属成分を含まない第４のサイノグラムである、
    請求項１記載のＸ線コンピュータ断層撮影装置。
11. 前記第３のサイノグラムは、金属成分を含まないオリジナルのサイノグラムに基づく再構成画像に、疑似金属領域が埋め込まれた再構成画像を順投影して生成されたサイノグラムであり、
    前記第４のサイノグラムは、前記第３のサイノグラムに、前記第１の機械学習モデルを使用しない金属アーチファクト低減処理を施して生成されたサイノグラムである、
    請求項１０記載のＸ線コンピュータ断層撮影装置。
12. 前記第３のサイノグラムは、疑似金属領域が埋め込まれた第１の再構成画像に逆再構成処理を施して生成されたサイノグラムであり、
    前記第４のサイノグラムは、金属領域を含まない第２の再構成画像の再構成に供されたサイノグラム又は前記第２の再構成画像に逆再構成処理を施して生成されたサイノグラムである、
    請求項１０記載のＸ線コンピュータ断層撮影装置。
13. 前記第１の機械学習モデルは、入力学習サンプルと出力学習サンプルとを含む学習サンプルを使用した教師有り学習に基づいて生成され、
    前記入力学習サンプルは、金属領域及び金属アーチファクトを含む再構成画像であり、
    前記出力学習サンプルは、金属領域及び金属アーチファクトを含まない再構成画像である、
    請求項１記載のＸ線コンピュータ断層撮影装置。
14. 被検体に対するリアルタイムＣＴ撮影により得られた時系列のサイノグラム又は前記時系列のサイノグラムにリアルタイム再構成を施して得られた時系列のＣＴ画像を取得する取得部と、
    金属アーチファクトを低減するように機械学習により訓練された機械学習モデルを利用して、前記時系列のサイノグラム又は前記時系列のＣＴ画像から、金属アーチファクトが低減された時系列の低減画像を生成する生成部と、
    前記時系列の低減画像を動画表示する表示制御部と、
    を具備するＸ線コンピュータ断層撮影装置。
15. 前記リアルタイムＣＴ撮影は、ボリュームＣＴ透視、モニタリングスキャン又はＴＤＣスキャンである、請求項１４記載のＸ線コンピュータ断層撮影装置。
16. 再構成画像に疑似的な金属領域が埋め込まれた疑似金属画像を生成する埋め込み部と、
    前記疑似金属画像に逆再構成処理を施して第１のサイノグラムを生成する生成部と、
    前記第１のサイノグラムを利用して、金属アーチファクトを低減するための機械学習モデルを訓練する学習部と、
    を具備する学習装置。
17. 前記学習部は、前記第１のサイノグラムと、前記第１のサイノグラムに金属アーチファクト低減処理を施して生成された第２のサイノグラム又は前記再構成画像の再構成に供された第３のサイノグラムとを用いた教師有り学習に基づいて、前記機械学習モデルを訓練する、請求項１６記載の学習装置。
18. 被検体に対する２次元位置決め撮影により収集された位置決め画像に含まれる金属領域を検出する検出部と、
    前記位置決め画像に基づいて、前記金属領域と前記金属領域に関係する金属アーチファクトとを含む断面画像を復元する復元部と、
    前記断面画像から、金属アーチファクトを低減するように機械学習により訓練されたモデルを利用して、前記断面画像に含まれる金属アーチファクトが低減された低減画像を生成する低減部と、
    前記低減画像を表示する表示制御部と、
    を具備するＸ線コンピュータ断層撮影装置。
19. 超音波プローブを介して収集されたエコー信号に基づいて超音波画像を生成する生成部と、
    構造物による超音波に対する相互作用に伴うアーチファクトを低減するように機械学習により訓練されたモデルを利用して、前記超音波画像から、アーチファクトが低減された低減画像を生成する低減部と、
    前記低減画像を表示する表示制御部と、
    を具備する超音波診断装置。
    

Images