JP2023081372A - 医用情報処理方法及び医用情報処理装置 - Google Patents

医用情報処理方法及び医用情報処理装置 Download PDF

Info

Publication number
JP2023081372A
JP2023081372A JP2022191660A JP2022191660A JP2023081372A JP 2023081372 A JP2023081372 A JP 2023081372A JP 2022191660 A JP2022191660 A JP 2022191660A JP 2022191660 A JP2022191660 A JP 2022191660A JP 2023081372 A JP2023081372 A JP 2023081372A
Authority
JP
Japan
Prior art keywords
image
ray
data
forward projection
processing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2022191660A
Other languages
English (en)
Inventor
博基 田口
Hiromoto Taguchi
洋平 湊谷
Yohei Minatoya
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Canon Medical Systems Corp
Original Assignee
Canon Medical Systems Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Canon Medical Systems Corp filed Critical Canon Medical Systems Corp
Publication of JP2023081372A publication Critical patent/JP2023081372A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/46—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with special arrangements for interfacing with the operator or the patient
    • A61B6/461—Displaying means of special interest
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Abstract

Figure 2023081372000001
【課題】撮影時と異なるＸ線のスペクトル情報に対応したＸ線ＣＴ画像の取得を可能とすること。
【解決手段】実施形態の医用情報処理方法は、Ｘ線ＣＴ画像と、当該Ｘ線ＣＴ画像の撮影時のスペクトル情報とを取得し、前記Ｘ線ＣＴ画像を物質ごとにセグメンテーションして当該Ｘ線ＣＴ画像における物質の分布データを取得し、前記スペクトル情報と物質ごとの減弱係数とに基づいて当該分布データについて順投影処理を行なって、前記物質ごとの複数の順投影データを取得し、前記複数の順投影データと前記Ｘ線ＣＴ画像の生成に用いた生データとに基づく機械学習により学習済みモデルを生成することを含む。
【選択図】図３

Description

本明細書及び図面に開示の実施形態は、医用情報処理方法及び医用情報処理装置に関する。
Ｘ線コンピュータ断層撮影（ＣＴ：Computed Tomography）画像は臨床の場において広く使用されている。Ｘ線ＣＴ画像の撮影条件は、読影の目的に応じて適宜調整される。
例えば、Ｘ線ＣＴ画像の撮影条件として、撮影に用いるＸ線のスペクトルを設定することができる。例えば、Ｘ線ＣＴ画像の撮影時においては、設定されたＸ線エネルギーの値に対応したスペクトルを有するＸ線が被検体に対して照射され、Ｘ線の検出結果に基づく投影データを再構成することで、Ｘ線ＣＴ画像を得ることができる。
ここで、Ｘ線ＣＴ画像の取得後において、例えば医師等のユーザが、他のＸ線スペクトルで収集されたＸ線ＣＴ画像の参照を希望する場合がある。例えば、ユーザは、被検体の診断等を目的に、よりコントラストの強い画像や、よりノイズの少ない画像を参照することが好ましいと判断する場合がある。しかしながら、他のＸ線スペクトルでのＸ線ＣＴ画像の収集を再度行なうこととすれば、被検体の被ばく量が増加する。
特開２０２１－１０７２７号公報 特開２００７－２０２７００号公報 特開２０２０－２０１２４４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、撮影時と異なるＸ線のスペクトル情報に対応したＸ線ＣＴ画像の取得を可能とすることである。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。
実施形態の医用情報処理方法は、Ｘ線ＣＴ画像と、当該Ｘ線ＣＴ画像の撮影時のスペクトル情報とを取得し、前記Ｘ線ＣＴ画像を物質ごとにセグメンテーションして当該Ｘ線ＣＴ画像における物質の分布データを取得し、前記スペクトル情報と物質ごとの減弱係数とに基づいて当該分布データについて順投影処理を行なって、前記物質ごとの複数の順投影データを取得し、前記複数の順投影データと前記Ｘ線ＣＴ画像の生成に用いた生データとに基づく機械学習により学習済みモデルを生成することを含む。
図１は、第１の実施形態に係る医用情報処理装置の構成の一例を示すブロック図である。 図２は、第１の実施形態に係る医用情報処理システムの構成の一例を示すブロック図である。 図３は、第１の実施形態に係る学習フェーズについて説明するための図である。 図４は、第１の実施形態に係る利用フェーズについて説明するための図である。 図５Ａは、第１の実施形態に係る医用情報処理装置による学習フェーズの処理について説明するためのフローチャートである。 図５Ｂは、第１の実施形態に係る医用情報処理装置による学習フェーズの処理について説明するためのフローチャートである。 図６は、第１の実施形態に係る医用情報処理装置による利用フェーズの処理について説明するためのフローチャートである。 図７は、第１の実施形態に係る表示例である。 図８は、第３の実施形態に係る学習フェーズについて説明するための図である。 図９は、第３の実施形態に係る利用フェーズについて説明するための図である。 図１０Ａは、第３の実施形態に係る医用情報処理装置による学習フェーズの処理について説明するためのフローチャートである。 図１０Ｂは、第３の実施形態に係る医用情報処理装置による学習フェーズの処理について説明するためのフローチャートである。 図１１は、第４の実施形態に係る学習フェーズについて説明するための図である。 図１２は、第４の実施形態に係る学習データの取得方法の一例を示す図である。 図１３は、第４の実施形態に係る利用フェーズについて説明するための図である。 図１４Ａは、第４の実施形態に係る医用情報処理装置による学習フェーズの処理について説明するためのフローチャートである。 図１４Ｂは、第４の実施形態に係る医用情報処理装置による学習フェーズの処理について説明するためのフローチャートである。 図１５は、第４の実施形態に係る医用情報処理装置による利用フェーズの処理について説明するためのフローチャートである。
以下、添付図面を参照しながら、医用情報処理方法及び医用情報処理装置の実施形態について詳細に説明する。
（第１の実施形態）
まず、図１に示す医用情報処理装置１について説明する。医用情報処理装置１は、後述する学習済みモデルＭ１を生成することで、撮影時と異なるＸ線のスペクトル情報に対応したＸ線ＣＴ画像の取得を可能とする。言い換えると、医用情報処理装置１は、他のＸ線エネルギー（ｋＶｐ）への変換処理のための学習済みモデルＭ１を生成する。医用情報処理装置１は、例えば、処理回路１１及びメモリ１２を備える。
処理回路１１は、取得機能１１１及び学習機能１１２を実行することで、医用情報処理装置１全体の動作を制御する。取得機能１１１は、取得部の一例である。学習機能１１２は、学習部の一例である。
例えば、処理回路１１は、取得機能１１１に対応するプログラムをメモリ１２から読み出して実行することにより、後述する各種の学習データを取得する。また、処理回路１１は、学習機能１１２に対応するプログラムをメモリ１２から読み出して実行することにより、取得機能１１１が取得した学習データを用いた機械学習を実行して、学習済みモデルＭ１を生成する。取得機能１１１及び学習機能１１２による処理の詳細は後述する。
図１に示す医用情報処理装置１においては、各処理機能がコンピュータによって実行可能なプログラムの形態でメモリ１２へ記憶されている。処理回路１１は、メモリ１２からプログラムを読み出して実行することで各プログラムに対応する機能を実現するプロセッサである。換言すると、プログラムを読み出した状態の処理回路１１は、読み出したプログラムに対応する機能を有することとなる。
なお、図１においては単一の処理回路１１にて、取得機能１１１及び学習機能１１２が実現するものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路１１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機能を実現するものとしても構わない。また、処理回路１１が有する各処理機能は、単一又は複数の処理回路に適宜に分散又は統合されて実現されてもよい。
メモリ１２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、光ディスク等により実現される。例えば、メモリ１２は、医用情報処理装置１に含まれる回路がその機能を実現するためのプログラムを記憶する。また、メモリ１２は、後述する各種の学習データを記憶する。
次に、図２に示す医用情報処理システムについて説明する。医用情報処理システムは、例えば、Ｘ線ＣＴ装置２及び医用情報処理装置３を含む。医用情報処理装置３は、Ｘ線ＣＴ装置２によって撮影されたＸ線ＣＴ画像と、医用情報処理装置１によって生成された学習済みモデルＭ１とを用いて、Ｘ線ＣＴ装置２による撮影時と異なるＸ線のスペクトル情報に対応したＸ線ＣＴ画像を取得する。
Ｘ線ＣＴ装置２は、例えば、被検体を挟んで対向する位置に、Ｘ線管とＸ線検出器とを備える。Ｘ線ＣＴ装置２は、Ｘ線管から照射され、被検体を透過したＸ線をＸ線検出器によって検出することにより、投影データ（生データ）を取得する。また、Ｘ線ＣＴ装置２は、Ｘ線照射角度（ビュー）ごとに取得した投影データについて再構成処理を行ない、Ｘ線ＣＴ画像を取得することができる。
医用情報処理装置３は、例えば、メモリ３１、ディスプレイ３２、入力インタフェース３３及び処理回路３４を備える。
メモリ３１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、光ディスク等により実現される。例えば、メモリ３１は、医用情報処理装置３に含まれる回路がその機能を実現するためのプログラムを記憶する。また、メモリ３１は、医用情報処理装置１によって生成された学習済みモデルＭ１を記憶する。
ディスプレイ３２は、各種の情報を表示する。例えば、ディスプレイ３２は、各種のＸ線ＣＴ画像を表示する。また、例えば、ディスプレイ３２は、入力インタフェース３３を介してユーザから各種の指示や設定等を受け付けるためのＧＵＩ（Graphical User Interface）を表示する。例えば、ディスプレイ３２は、液晶ディスプレイやＣＲＴ（Cathode Ray Tube）ディスプレイである。ディスプレイ３２は、デスクトップ型でもよいし、医用情報処理装置３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。
入力インタフェース３３は、ユーザ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３４に出力する。例えば、入力インタフェース３３は、マウスやキーボード、トラックボール、スイッチ、ボタン、ジョイスティック、操作面へ触れることで入力操作を行うタッチパッド、表示画面とタッチパッドとが一体化されたタッチスクリーン、光学センサを用いた非接触入力回路、音声入力回路等により実現される。なお、入力インタフェース３３は、医用情報処理装置３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、入力インタフェース３３は、モーションキャプチャによりユーザからの入力操作を受け付ける回路であっても構わない。一例を挙げると、入力インタフェース３３は、トラッカーを介して取得した信号やユーザについて収集された画像を処理することにより、ユーザの体動や視線等を入力操作として受け付けることができる。また、入力インタフェース３３は、マウスやキーボード等の物理的な操作部品を備えるものだけに限られない。例えば、医用情報処理装置３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３４へ出力する電気信号の処理回路も入力インタフェース３３の例に含まれる。
処理回路３４は、取得機能３４１、画像処理機能３４２及び表示制御機能３４３を実行することで、医用情報処理装置３全体の動作を制御する。
例えば、処理回路３４は、取得機能３４１に対応するプログラムをメモリ３１から読み出して実行することにより、後述する複数の順投影データを取得する。また、処理回路３４は、画像処理機能３４２に対応するプログラムをメモリ３１から読み出して実行することにより、取得機能３４１が取得した複数の順投影データを学習済みモデルＭ１に入力することで、任意のスペクトル情報に対応したデータを取得する。また、処理回路３４は、表示制御機能３４３に対応するプログラムをメモリ３１から読み出して実行することにより、画像処理機能３４２が取得したデータに基づくＸ線ＣＴ画像をディスプレイ３２に表示させる。取得機能３４１、画像処理機能３４２及び表示制御機能３４３による処理の詳細は後述する。
図１に示す医用情報処理装置１においては、各処理機能がコンピュータによって実行可能なプログラムの形態でメモリ３１へ記憶されている。処理回路３４は、メモリ３１からプログラムを読み出して実行することで各プログラムに対応する機能を実現するプロセッサである。換言すると、プログラムを読み出した状態の処理回路３４は、読み出したプログラムに対応する機能を有することとなる。
なお、図１においては単一の処理回路３４にて、取得機能３４１、画像処理機能３４２及び表示制御機能３４３が実現するものとして説明したが、複数の独立したプロセッサを組み合わせて処理回路３４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機能を実現するものとしても構わない。また、処理回路３４が有する各処理機能は、単一又は複数の処理回路に適宜に分散又は統合されて実現されてもよい。
なお、図２に示す通り、Ｘ線ＣＴ装置２及び医用情報処理装置３は、ネットワークＮＷを介して相互に接続される。ネットワークＮＷは、施設内で閉じたローカルネットワークにより構成されてもよいし、インターネットを介したネットワークであってもよい。また、Ｘ線ＣＴ装置２と医用情報処理装置３との間の通信は、画像保管装置等の他の装置を介して行なわれてもよいし、他の装置を介さず直接的に行なわれてもよい。このような画像保管装置の例としては、例えば、ＰＡＣＳ（Picture Archiving and Communication System）のサーバが挙げられる。
以上、医用情報処理装置１と、医用情報処理装置３を含んだ医用情報処理システムとについて説明した。かかる構成の下、医用情報処理装置１は、学習済みモデルＭ１を生成することにより、医用情報処理装置３において、撮影時と異なる任意のＸ線のスペクトル情報に対応したＸ線ＣＴ画像を取得することを可能とする。
医用情報処理装置１による学習済みモデルＭ１の生成処理について、図３を用いて説明する。図３は、第１の実施形態に係る学習フェーズについて説明するための図である。
まず、任意の被検体に対する撮影が実行され、生データＲ１が収集される。生データＲ１は、例えばサイノグラムである。生データＲ１は、図２に示したＸ線ＣＴ装置２によって収集されてもよいし、他のＸ線ＣＴ装置によって収集されてもよい。次に、生データＲ１に基づく再構成処理が実行され、Ｘ線ＣＴ画像Ｉ１が生成される。取得機能１１１は、当該Ｘ線ＣＴ画像Ｉ１を取得する。
Ｘ線ＣＴ画像Ｉ１の再構成処理は、取得機能１１１が行なってもよいし、他の装置において行なわれてもよい。例えば、Ｘ線ＣＴ装置２は、被検体を撮影して生データＲ１を収集するとともに、収集した生データＲ１からＸ線ＣＴ画像Ｉ１を再構成し、取得機能１１１は、Ｘ線ＣＴ装置２によって再構成されたＸ線ＣＴ画像Ｉ１を取得する。或いは、Ｘ線ＣＴ装置２は、被検体を撮影して生データＲ１を収集し、取得機能１１１は、Ｘ線ＣＴ装置２によって収集された生データＲ１から、Ｘ線ＣＴ画像Ｉ１を再構成する。
Ｘ線ＣＴ画像Ｉ１を再構成する手法については特に限定されるものではないが、例としては、ＦＢＰ（Filtered Back Projection）法、逐次近似再構成法、逐次近似応用再構成法等を例示することができる。或いは、Ｘ線ＣＴ画像Ｉ１は、機械学習の手法で再構成することとしてもよい。例えば、Ｘ線ＣＴ画像Ｉ１は、ＤＬＲ（Deep Learning Reconstruction）法によって再構成することとしてもよい。
次に、取得機能１１１は、取得したＸ線ＣＴ画像Ｉ１を物質ごとにセグメンテーションして、Ｘ線ＣＴ画像Ｉ１における物質の分布データを取得する。例えば、取得機能１１１は、Ｘ線ＣＴ画像Ｉ１を、臓器ごとにセグメンテーションする。
セグメンテーションの手法については特に限定されるものではないが、例としては、ＣＴ値に基づく大津の二値化法、領域拡張法、スネーク法、グラフカット法、ミーンシフト法などを例示することができる。或いは、Ｘ線ＣＴ画像Ｉ１を表示させ、各臓器の範囲を指定する操作をユーザから受け付けることにより、マニュアルでのセグメンテーションを行なってもよい。
或いは、取得機能１１１は、Ｘ線ＣＴ画像Ｉ１のセグメンテーションを機械学習の手法で行なってもよい。例えば、任意のＸ線ＣＴ画像を入力側データとし、当該Ｘ線ＣＴ画像について医師等がマニュアルでセグメンテーションした結果を出力側データとして機械学習を行なうことで、入力されたＸ線ＣＴ画像のセグメンテーションを行なうように機能付けられた学習済みモデルを生成することができる。取得機能１１１は、このような学習済みモデルに対してＸ線ＣＴ画像Ｉ１を入力することにより、Ｘ線ＣＴ画像Ｉ１における物質の分布データを取得することができる。
なお、図３においては、Ｘ線ＣＴ画像Ｉ１を物質ごとにセグメンテーションして３つの分布データ（分布データＤ１１、分布データＤ１２及び分布データＤ１３）を取得する場合を示す。但し、図３はあくまで一例であり、セグメンテーションによって取得する分布データの数については任意である。
また、取得機能１１１は、Ｘ線ＣＴ画像Ｉ１の撮影時のスペクトル情報を取得する。例えば、取得機能１１１は、Ｘ線ＣＴ画像Ｉ１を撮影する際に、Ｘ線ＣＴ装置２が備えるＸ線管から照射されたＸ線のスペクトル情報を取得する。スペクトル情報は、例えば、波長（Ｘ線エネルギー）ごとにＸ線強度を対応付けた情報である。スペクトル情報は、Ｘ線ＣＴ画像Ｉ１に付帯情報として付加されてもよい。
より具体的には、スペクトル情報は、Ｘ線ＣＴ画像Ｉ１の撮影時におけるＸ線エネルギーの設定に応じて、Ｘ線管ごとに決定することができる。例えば、Ｘ線エネルギーとして「１２０ｋＶｐ」が設定された場合、「１２０ｋＶｐ」以下の範囲にスペクトルの広がりを有するＸ線が照射される。
また、スペクトルの形状についてはＸ線管ごとの個体差があるところ、各Ｘ線管についてキャリブレーションを行なっておくことにより、スペクトル情報をより精度良く特定することが可能となる。このようなキャリブレーションについては、例えば、分光検出器を用いて実行することができる。即ち、Ｘ線管ごと且つＸ線エネルギーの設定ごとに、分光検出器を用いてＸ線スペクトルを計測しておくことで、Ｘ線ＣＴ画像Ｉ１の撮影時のスペクトル情報をより精度良く特定することが可能となる。このような分光検出器としては、例えば、高純度ゲルマニウムを用いた検出器を用いることができる。
なお、取得機能１１１は、Ｘ線ＣＴ画像やスペクトル情報といった各種のデータを、ネットワークＮＷを介して取得してもよいし、記憶媒体を介して取得してもよい。また、取得機能１１１は、取得したデータをメモリ１２に記憶させる。
次に、取得機能１１１は、Ｘ線ＣＴ画像Ｉ１の撮影時のスペクトル情報と、物質ごとの減弱係数とに基づいて、Ｘ線ＣＴ画像Ｉ１における物質の分布データについて順投影処理を行なって、物質ごとの複数の順投影データを取得する。例えば、図３に示す場合、取得機能１１１は、分布データＤ１１について順投影処理を行なって順投影データＰ１１を取得し、分布データＤ１２について順投影処理を行なって順投影データＰ１２を取得し、分布データＤ１３について順投影処理を行なって順投影データＰ１３を取得する。
即ち、特定の方向から順投影を行なった際、Ｘ線ＣＴ画像Ｉ１における物質の分布データによれば、順投影の経路上に、各物質がどの程度の長さだけ分布しているのかが明らかとなる。即ち、Ｘ線ＣＴ画像Ｉ１における物質の分布データに基づいて、物質ごとのパス長を求めることができる。そして、物質ごとのパス長と、物質ごとの減弱係数とを用いれば、Ｘ線吸収量を求め、順投影データを生成することができる。なお、物質ごとの減弱係数については、例えばＮＩＳＴ（National Institute of Standards and Technology）等の文献値を用いることができる。
より具体的には、分布データはセグメンテーション処理により生成されたものであり、単一物質を仮定したデータとなるため、分布データごとに単一の減弱係数が割り当てられる。例えば、分布データＤ１１に対しては減弱係数μ１が割り当てられ、分布データＤ１２に対しては減弱係数μ２が割り当てられ、分布データＤ１３に対しては減弱係数μ３が割り当てられる。但し、減弱係数はＸ線エネルギーに対する依存性があり、また、Ｘ線管からはスペクトルの広がりを有する多色のＸ線が放射される。従って、取得機能１１１は、減弱係数μ１をＸ線エネルギーの関数として積分するとともに、パス長を乗じることによって、順投影データを取得することができる。
次に、学習機能１１２は、取得機能１１１が取得した各種のデータを学習データとして用いた機械学習を実行する。具体的には、学習機能１１２は、図３に示した複数の順投影データと、Ｘ線ＣＴ画像Ｉ１の生成に用いた生データＲ１とに基づく機械学習により、他のＸ線エネルギー（ｋＶｐ）への変換処理のための学習済みモデルＭ１を生成する。
図３においては、学習済みモデルＭ１がニューラルネットワーク（Neural Network：ＮＮ）により構成されるものとして説明する。ニューラルネットワークは、層状に並べた隣接層間が結合した構造を有し、情報が入力層側から出力層側に伝播するネットワークである。ニューラルネットワークは、例えば、入力層と、複数の中間層（隠れ層）と、出力層とにより構成される。
例えば、学習機能１１２は、Ｘ線ＣＴ画像Ｉ１に基づいて取得機能１１１が取得した複数の順投影データを、入力側データとしてニューラルネットワークに入力する。また、学習機能１１２は、Ｘ線ＣＴ画像Ｉ１の再構成に用いられた生データＲ１を、出力側データとしてニューラルネットワークに入力する。即ち、学習機能１１２は、Ｘ線ＣＴ画像Ｉ１の撮影時において実際に収集された生データＲ１を、正解データとしてニューラルネットワークに入力する。
ここで、入力側データとして入力された複数の順投影データは物質ごとにセグメンテーションされた分布データを、スペクトル情報と物質ごとの減弱係数とに基づいて順投影処理したものである。そして、複数の順投影データの和は、元となった生データＲ１と同様、複数の物質の情報を含んだデータとなる。しかしながら、このような複数の順投影データの和と、生データＲ１との間には、誤差が生じる場合がある。例えば、順投影データの生成時においては、物質ごとの減弱係数を特定の値（文献値等）としたが、物質ごとの減弱係数には、被検体ごとに個人差がある場合がある。また、例えば、ある被検体の肝臓についての減弱係数を特定の値とした場合において、肝臓内の位置ごとに、減弱係数の値にばらつきが生じる場合もある。また、セグメンテーションの精度に起因した誤差も発生する。
学習機能１１２は、入力側データとして入力された複数の順投影データの和と、出力側データとして入力された生データＲ１との間の誤差を最小化するようにニューラルネットワークを学習させることで、学習済みモデルＭ１を生成する。例えば、複数の順投影データの和と、生データＲ１との関係は、下記の式（１）によって表現することができる。下記の式（１）は、サイノグラム上の各点について設けることができる。即ち、式（１）は、順投影のＲａｙ（投影位置及び投影角度）ごとに設けることができる。
Figure 2023081372000002
式（１）において、右辺の（Ｒａｗ Ｄａｔａ）は、生データＲ１上の一点における画素値を示す。また、左辺の「∫μ１（Ｅ）ｄＥ＊Ｌ１’」は、順投影データＰ１１のうち右辺の（Ｒａｗ Ｄａｔａ）に対応した一点における画素値を示す。また、左辺の「∫μ２（Ｅ）ｄＥ＊Ｌ２’」は、順投影データＰ１２のうち右辺の（Ｒａｗ Ｄａｔａ）に対応した一点における画素値を示す。また、左辺の「∫μ３（Ｅ）ｄＥ＊Ｌ３’」は、順投影データＰ１３のうち右辺の（Ｒａｗ Ｄａｔａ）に対応した一点における画素値を示す。
より具体的には、「μ１」は順投影データＰ１１に対応した単一物質の減弱係数であり、「μ２」は順投影データＰ１２に対応した単一物質の減弱係数であり、「μ３」は順投影データＰ１３に対応した単一物質の減弱係数である。上述した通り、これら減弱係数は、Ｘ線エネルギー「Ｅ」の関数として積分される。
「Ｌ１’」は、分布データＤ１１を用いて、単一物質を仮定して順投影した際に得られるパス長である。即ち、「Ｌ１’」は、分布データＤ１１に基づいた既知の値である。同様に、「Ｌ２’」は、分布データＤ１２を用いて、単一物質を仮定して順投影した際に得られるパス長であり、「Ｌ３’」は、分布データＤ１３を用いて、単一物質を仮定して順投影した際に得られるパス長である。
「ｃ１」、「ｃ２」及び「ｃ３」は、式（１）における等号を成立させるため各項に対して乗じられる係数である。即ち、上述した通り、複数の順投影データの和と生データＲ１との間には、減弱係数の設定やセグメンテーション処理等に起因する誤差が生じる。式（１）においては、「ｃ１」、「ｃ２」、「ｃ３」といった係数を乗じることで誤差を吸収し、等式を成立させる。言い換えると、式（１）は、下記の式（２）が成立する場合における仮想的なパス長「Ｌ１」、「Ｌ２」、「Ｌ３」を、それぞれ「Ｌ１’＊ｃ１」、「Ｌ２’＊ｃ２」、「Ｌ３’＊ｃ３」で書き換えたものである。
Figure 2023081372000003
このため、例えば式（１）の左辺における「∫μ１（Ｅ）ｄＥ＊Ｌ１’」、「∫μ２（Ｅ）ｄＥ＊Ｌ２’」、「∫μ３（Ｅ）ｄＥ＊Ｌ３’」の３項を入力側データ、右辺の（Ｒａｗ Ｄａｔａ）を出力側データとしてニューラルネットワークを学習させる場合、ニューラルネットワークは、「ｃ１」、「ｃ２」、「ｃ３」といった係数を学習することができる。なお、式（１）は、サイノグラム上の点ごと多数設けることができる。通常、「ｃ１」、「ｃ２」、「ｃ３」といった係数を一意に定まる解として解くことはできないため、ニューラルネットワークは、多数の式（１）において左辺と右辺との間の誤差を最小化するように、係数を学習することとなる。
上述した機械学習を実行することで、学習機能１１２は、「ｃ１」、「ｃ２」、「ｃ３」といった係数を学習した学習済みモデルＭ１を生成することができる。即ち、学習機能１１２は、複数の順投影データの和と生データＲ１との間の誤差を最小化するよう、各順投影データに対して乗じる係数をニューラルネットワークに学習させることで、学習済みモデルＭ１を生成する。学習機能１１２による学習済みモデルＭ１の生成処理については、オフラインで実行することができる。
なお、式（１）においては、「∫μ１（Ｅ）ｄＥ＊Ｌ１’」、「∫μ２（Ｅ）ｄＥ＊Ｌ２’」、「∫μ３（Ｅ）ｄＥ＊Ｌ３’」の各項に対し、「ｃ１」、「ｃ２」、「ｃ３」といった係数を乗じることで、誤差を吸収させる場合について説明した。しかしながら実施形態はこれに限定されるものではない。即ち、誤差を吸収させるための数学的処理は、係数の乗算に限定されるものではない。
例えば、式（１）の左辺に示した各順投影データに対して係数を乗じる代わりに、指数を設定したり追加の項を加算したりしてもよい。このような任意の数学的処理、或いはそれらの組み合わせによって、複数の順投影データの和と生データＲ１との間の誤差を吸収させることが可能である。この場合、ニューラルネットワークは、誤差を最小化する数学的処理、或いはそれらの組み合わせを学習することとなる。
次に、学習済みモデルＭ１の利用フェーズについて、図４を用いて説明する。まず、任意の被検体に対する撮影が実行され、生データＲ２が収集される。生データＲ２は、生データＲ１と同じ被検体から収集されてもよいし、他の被検体から収集されてもよい。また、生データＲ２は、図２に示したＸ線ＣＴ装置２によって収集されてもよいし、他のＸ線ＣＴ装置によって収集されてもよい。次に、生データＲ２に基づく再構成処理が実行され、Ｘ線ＣＴ画像Ｉ２が生成される。取得機能３４１は、当該Ｘ線ＣＴ画像Ｉ１を取得する。
Ｘ線ＣＴ画像Ｉ２の再構成は、取得機能３４１が行なってもよいし、他の装置において行なわれてもよい。例えば、Ｘ線ＣＴ装置２は、被検体を撮影して投影データを収集するとともに、収集した投影データからＸ線ＣＴ画像Ｉ２を再構成し、取得機能３４１は、Ｘ線ＣＴ装置２によって再構成されたＸ線ＣＴ画像Ｉ２を取得する。また、Ｘ線ＣＴ装置２は、被検体を撮影して投影データを収集し、取得機能３４１は、Ｘ線ＣＴ装置２によって収集された投影データから、Ｘ線ＣＴ画像Ｉ２を再構成する。なお、Ｘ線ＣＴ画像Ｉ２を再構成する手法については特に限定されるものではない。
次に、取得機能３４１は、取得したＸ線ＣＴ画像Ｉ２を物質ごとにセグメンテーションして、Ｘ線ＣＴ画像Ｉ２における物質の分布データを取得する。例えば、取得機能３４１は、Ｘ線ＣＴ画像Ｉ２を、臓器ごとにセグメンテーションする。セグメンテーションの手法については特に限定されるものではなく、機械学習の手法でセグメンテーションを行なってもよい。図４においては、Ｘ線ＣＴ画像Ｉ２を物質ごとにセグメンテーションして３つの分布データ（分布データＤ２１、分布データＤ２２及び分布データＤ２３）を取得する場合を示す。
また、取得機能３４１は、任意のスペクトル情報と物質ごとの減弱係数とに基づいて、Ｘ線ＣＴ画像Ｉ２における物質の分布データについて順投影処理を行なって、物質ごとの複数の順投影データを取得する。例えば、図４に示す場合、取得機能３４１は、分布データＤ２１について順投影処理を行なって順投影データＰ２１を取得し、分布データＤ２２について順投影処理を行なって順投影データＰ２２を取得し、分布データＤ２３について順投影処理を行なって順投影データＰ２３を取得する。
ここで、任意のスペクトル情報は、Ｘ線ＣＴ画像Ｉ２の撮影時のスペクトル情報と異なっていてもよい。例えば、図４において、Ｘ線ＣＴ画像Ｉ２は「１２０ｋＶｐ」のＸ線を用いて撮影されている。これに対し、順投影データを取得するために設定される任意のスペクトル情報は、「１３５ｋＶｐ」となっている。
任意のスペクトル情報については、例えば、ユーザが入力したＸ線エネルギーの値に基づいて設定することができる。例えば、ユーザは、ディスプレイ３２に表示されたＧＵＩを操作し、所望するＸ線エネルギーの値を入力する。例えば、Ｘ線ＣＴ画像Ｉ２の撮影条件が「１２０ｋＶｐ」であり、Ｘ線ＣＴ画像Ｉ２よりもコントラストの高い画像を参照したいと考えた場合、ユーザは、「１２０ｋＶｐ」よりも低いＸ線エネルギーの値を入力することができる。また、Ｘ線ＣＴ画像Ｉ２よりもノイズの少ない画像を参照したいと考えた場合、ユーザは、「１２０ｋＶｐ」よりも高いＸ線エネルギーの値を入力することができる。
そして、画像処理機能３４２は、Ｘ線ＣＴ画像Ｉ２に基づく物質ごとの複数の順投影データを学習済みモデルＭ１に入力することで、生データＲ３を取得する。図３に示す場合、生データＲ３は、任意のスペクトル情報「１３５ｋＶｐ」に対応したものとなる。
例えば、学習済みモデルＭ１においては、式（１）に示した係数「ｃ１」、「ｃ２」、「ｃ３」が学習されている。これらの係数はパス長の係数として捉えられるものであり、Ｘ線エネルギー（ｋＶｐ）への依存性は低い。このため、任意のスペクトル情報が入力された場合においても学習した係数「ｃ１」、「ｃ２」、「ｃ３」を適用し、複数の順投影データから生データＲ３を生成することができる。即ち、学習済みモデルＭ１は、他のＸ線エネルギー（ｋＶｐ）への変換処理を行なうことができる。
更に、画像処理機能３４２は、任意のスペクトル情報に対応した生データＲ３に基づいて、当該任意のスペクトル情報に対応したＸ線ＣＴ画像を生成することもできる。表示制御機能３４３は、当該任意のスペクトル情報に対応したＸ線ＣＴ画像を、ディスプレイ３２に表示させることができる。
画像処理機能３４２は、学習済みモデルＭ１を用いて取得した、複数のスペクトル情報それぞれに対応した複数のＸ線ＣＴ画像を用いて、物質弁別処理を行なうこともできる。以下、学習済みモデルＭ１を用いて、高エネルギーに対応したＸ線ＣＴ画像と、低エネルギーに対応したＸ線ＣＴ画像とを取得した場合について説明する。例えば、画像処理機能３４２は、高エネルギーに対応したＸ線ＣＴ画像と、低エネルギーに対応したＸ線ＣＴ画像とを基準物質ごとに分解して、複数の基準物質それぞれの基準物質画像を生成することができる。更に、画像処理機能３４２は、生成した基準物質画像に基づいて、単色Ｘ線画像や密度画像、実効原子番号画像といった各種画像を更に生成することもできる。
図３で説明した学習フェーズにおける医用情報処理装置１による一連の処理について、図５Ａ及び図５Ｂを用いて説明する。図５Ａ及び図５Ｂは、第１の実施形態に係る医用情報処理装置１による学習フェーズの処理について説明するためのフローチャートである。
まず、取得機能１１１は、生データを取得し（ステップＳ１１１）、当該生データからＸ線ＣＴ画像を再構成する（ステップＳ１１２）。なお、取得機能１１１は、ステップＳ１１１及びステップＳ１１２に代えて、他の装置で再構成されたＸ線ＣＴ画像を取得することとしてもよい。次に、取得機能１１１は、取得したＸ線ＣＴ画像を物質ごとにセグメンテーションして、物質の分布データを取得する（ステップＳ１１３）。次に、取得機能１１１は、物質の分布データについて順投影処理を行ない、物質ごとの複数の順投影データを取得する（ステップＳ１１４）。そして、取得機能１１１は、ステップＳ１１１による生データと、ステップＳ１１４による複数の順投影データとを１セットの学習データとして関連付け、メモリ１２に記憶させる（ステップＳ１１５）。例えば、取得機能１１１は、図３に示した生データＲ１と、複数の順投影データ（順投影データＰ１１、順投影データＰ１２及び順投影データＰ１３）とを１セットの学習データとして関連付け、メモリ１２に記憶させる。
取得機能１１１は、新たな生データが取得されるごとに、図５Ａに示した一連のステップを実行する。これにより、ステップＳ１１５による学習データがメモリ１２に蓄積される。学習機能１１２は、メモリ１２から、ステップＳ１１５による学習データを複数セット取得し（ステップＳ１２１）、当該複数セットの学習データを用いた機械学習を実行することで、学習済みモデルＭ１を生成する（ステップＳ１２２）。
次に、図４で説明した利用フェーズにおける医用情報処理装置３による一連の処理について、図６を用いて説明する。図６は、第１の実施形態に係る医用情報処理装置３による利用フェーズの処理について説明するためのフローチャートである。
まず、取得機能３４１は、生データを取得し（ステップＳ２１１）、当該生データからＸ線ＣＴ画像を再構成する（ステップＳ２１２）。例えば、取得機能３４１は、ステップＳ２１２において、図４に示した生データＲ２からＸ線ＣＴ画像Ｉ２を再構成する。なお、取得機能３４１は、ステップＳ２１１及びステップＳ２１２に代えて、他の装置で再構成されたＸ線ＣＴ画像Ｉ２を取得することとしてもよい。Ｘ線ＣＴ画像Ｉ２は、第１のスペクトル情報に対応したＣＴスキャンを行なうことにより得られる被検体の第１のＣＴ画像の一例である。
次に、取得機能３４１は、取得したＸ線ＣＴ画像（Ｘ線ＣＴ画像Ｉ２等の第１のＣＴ画像）を物質ごとにセグメンテーションして、物質の分布データを取得する（ステップＳ２１３）。即ち、取得機能３４１は、第１のＣＴ画像に対してコンピュータセグメンテーション処理を適用することにより、複数の物質の分布データを得る。
次に、画像処理機能３４２は、任意のスペクトル情報と物質ごとの減弱係数とに基づいて、物質の分布データについて順投影処理を行ない、物質ごとの複数の順投影データを取得する（ステップＳ２１４）。例えば、画像処理機能３４２は、図４に示したように、任意のスペクトル情報「１３５ｋＶｐ」に基づいて、分布データＤ２１について順投影処理を行なって順投影データＰ２１を取得し、分布データＤ２２について順投影処理を行なって順投影データＰ２２を取得し、分布データＤ２３について順投影処理を行なって順投影データＰ２３を取得する。即ち、画像処理機能３４２は、複数の物質の分布データのそれぞれについて第２のスペクトル情報に基づく順投影処理を行なうことにより複数の順投影データを得ることができる。
そして、画像処理機能３４２は、ステップＳ２１４による複数の順投影データを学習済みモデルＭ１に入力することで、任意のスペクトル情報に対応した生データを取得する（ステップＳ２１５）。例えば、画像処理機能３４２は、図４に示した通り、順投影データＰ２１、順投影データＰ２２及び順投影データＰ２３を学習済みモデルＭ１に入力することで、任意のスペクトル情報「１３５ｋＶｐ」に対応した生データＲ３を取得する。即ち、画像処理機能３４２は、複数の順投影データに対して学習済みモデルＭ１を適用することにより、第２のスペクトル情報に対応する生データを得ることができる。
更に、画像処理機能３４２は、ステップＳ２１５で取得した任意のスペクトル情報に対応した生データから、当該任意のスペクトル情報に対応したＸ線ＣＴ画像を生成する（ステップＳ２１６）。即ち、画像処理機能３４２は、ステップＳ２１５で取得した生データに基づいて、第２のスペクトル情報に対応する第２のＣＴ画像を再構成する。当該任意のスペクトル情報に対応したＸ線ＣＴ画像については、表示又は解析のために出力されて、ユーザの利用に供される（ステップＳ２１７）。例えば、表示制御機能３４３は、当該任意のスペクトル情報に対応したＸ線ＣＴ画像をディスプレイ３２に表示させる。また、例えば、当該任意のスペクトル情報に対応したＸ線ＣＴ画像は、ネットワークＮＷを介して任意の表示装置（図示せず）に送信され、当該表示装置において表示される。また、例えば、当該任意のスペクトル情報に対応したＸ線ＣＴ画像に基づく解析結果が、ディスプレイ３２や任意の表示装置において表示される。このような解析結果の例としては、上述した基準物質画像や単色Ｘ線画像、密度画像、実効原子番号画像等を挙げることができる。
図６のステップＳ２１３～Ｓ２１６の処理により、複数の物質の分布データに基づく変換処理が実行される。例えば、図４の例では、「１２０ｋＶｐ」に対応した分布データＤ２１、分布データＤ２２及び分布データＤ２３に基づく変換処理が実行され、「１３５ｋＶｐ」に対応する生データＲ３が生成され、更に当該分布データＤ２１に基づいて「１３５ｋＶｐ」に対応するＸ線ＣＴ画像が再構成される。即ち、医用情報処理装置３は、第１のスペクトル情報に対応したＣＴスキャンを行なうことにより得られる被検体の第１のＣＴ画像を得、第１のＣＴ画像に対してコンピュータセグメンテーション処理を適用することにより複数の物質の分布データを得、複数の物質の分布データに基づいて変換処理を行うことにより第２のスペクトル情報に対応する第２のＣＴ画像を得ることができる。
上述した学習済みモデルＭ１は、種々の条件ごとに生成されてもよい。例えば、学習に用いたＸ線ＣＴ画像Ｉ１における撮影対象部位、年齢や体格等の患者情報などの条件ごとに、学習済みモデルＭ１の生成を行なってもよい。例えば、取得機能１１１は、「頭部」の画像を用いて学習した学習済みモデルＭ１、「胸部」の画像を用いて学習した学習済みモデルＭ１、「腹部」の画像を用いて学習した学習済みモデルＭ１といった複数の学習済みモデルＭ１を生成してもよい。この場合、画像処理機能３４２は、Ｘ線ＣＴ画像Ｉ２における撮影対象部位に応じて取得された学習済みモデルＭ１を用いて、任意のスペクトル情報に対応した生データＲ３を取得する。これにより、学習済みモデルＭ１は、撮影対象部位や患者情報等の影響を考慮し、他のＸ線エネルギー（ｋＶｐ）への変換処理をより精度良く行なうことができる。
或いは、上述した学習済みモデルＭ１の生成処理において、撮影対象部位や患者情報等の情報を学習データとして更に用いることとしてもよい。この場合、画像処理機能３４２は、上述したＸ線ＣＴ画像Ｉ２に基づく複数の順投影データに加え、撮影対象部位や患者情報等の情報を学習済みモデルＭ１に対して更に入力する。これにより、学習済みモデルＭ１は、撮影対象部位や患者情報等の影響を考慮し、他のＸ線エネルギー（ｋＶｐ）への変換処理をより精度良く行なうことができる。
次に、図７を用いて、ステップＳ２１７での表示例について説明する。なお、ステップＳ２１７での表示は、医用情報処理装置３と異なる他の表示装置において行なわれてもよいが、図７では表示制御機能３４３がディスプレイ３２に画像を表示させる例について説明する。また、ディスプレイ３２に表示させる画像は、Ｘ線ＣＴ画像に限らず、当該Ｘ線ＣＴ画像に基づく解析結果（例えば、基準物質画像や単色Ｘ線画像、密度画像、実効原子番号画像等）であってもよいが、図７ではＸ線ＣＴ画像の表示を行なう例について説明する。
例えば、図６のフローチャートによれば、ステップＳ２１２で再構成される第１のスペクトル情報に対応した第１のＣＴ画像と、ステップＳ２１６で再構成される第２のスペクトル情報に対応した第２のＣＴ画像とが得られ、表示制御機能３４３は、これら第１のＣＴ画像と第２のＣＴ画像とをディスプレイ３２に表示させることができる。また、同一の被検体について過去に収集されたＣＴ画像（以下、過去画像と記載する）がある場合、表示制御機能３４３は、第１のＣＴ画像及び第２のＣＴ画像に加えて、過去画像をディスプレイ３２に表示させることもできる。
図７では、第１のＣＴ画像の一例としてＣＴ画像Ｉ１１を示し、過去画像の一例としてＣＴ画像Ｉ１２を示し、第２のＣＴ画像の一例としてＣＴ画像Ｉ１３を示す。なお、レイアウトやＵＩ（User Interface）等の具体的な表示態様については適宜の変更が可能である。例えば、図７では、３つの表示領域を設けて、ＣＴ画像Ｉ１１、ＣＴ画像Ｉ１２及びＣＴ画像Ｉ１３を並べて表示しているが、例えば１つの表示領域において、ＣＴ画像Ｉ１１、ＣＴ画像Ｉ１２及びＣＴ画像Ｉ１３を切り替え表示してもよい。
ＣＴ画像Ｉ１１及びＣＴ画像Ｉ１２は、同一の被検体から異なる日時に収集されたＣＴ画像である。例えば、全身外傷を受けた被検体について検査を行なう場合、広範囲のＣＴスキャンが実行された後、損傷のある部位を含む狭い範囲のＣＴスキャンが再度実行される場合がある。また、治療計画時や治療後の経過観察において、病変の進行度合いや治療効果を評価するため、当該病変を含む範囲に対するＣＴスキャンが繰り返し実行される場合がある。このように、同一の被検体に対して複数回のＣＴスキャンが実行された場合、表示制御機能３４３は、第１のＣＴ画像であるＣＴ画像Ｉ１１に加えて、過去画像であるＣＴ画像Ｉ１２を取得し、ディスプレイ３２に表示させることができる。
ＣＴ画像Ｉ１３は、「１２０ｋＶｐ」に対応するＣＴ画像Ｉ１１に基づく変換処理によって生成された、「１３５ｋＶｐ」に対応するＣＴ画像である。表示制御機能３４３は、ＣＴ画像Ｉ１１やＣＴ画像Ｉ１２のような変換処理を受けていないＣＴ画像と、ＣＴ画像Ｉ１３のような変換処理によるＣＴ画像とを識別可能に表示させてもよい。例えば、表示制御機能３４３は、図７に示すように、変換処理によるＣＴ画像Ｉ１３について「Converted」の表示を付すことができる。これにより、医師等のユーザは、ＣＴ画像Ｉ１３が変換処理によるＣＴ画像であることを認識した上での診断を行なうことができる。例えば、図７では、ＣＴ画像Ｉ１３と同じＸ線エネルギーに対応したＣＴ画像Ｉ１２が表示されており、最新ではあるものの変換処理を受けたＣＴ画像Ｉ１３と、過去画像ではあるものの変換処理を受けていないＣＴ画像Ｉ１２とを参酌した診断を行なうことができる。
図４では、単一の学習済みモデルＭ１（ニューラルネットワークＮＮ）を示したが、複数の学習済みモデルＭ１を用いて変換処理を行なうこととしてもよい。
例えば、医用情報処理装置１は、物質ごとに学習済みモデルＭ１を生成する。例えば、医用情報処理装置１は、減弱係数μ１に対応した学習済みモデルＭ１と、減弱係数μ２に対応した学習済みモデルＭ１と、減弱係数μ３に対応した学習済みモデルＭ１とをそれぞれ生成する。この場合、変換処理では、複数の物質の分布データのそれぞれについて第２のスペクトル情報に基づく順投影処理を行なうことにより複数の順投影データを得、複数の順投影データに対して学習済みモデルを適用することにより、処理後の複数の順投影データを得、当該処理後の複数の投影データセットを合成することにより合成順投影データを得、当該合成順投影データに基づいて、第２のＣＴ画像を再構成することができる。
例えば、画像処理機能３４２は、図４に示した分布データＤ２１～Ｄ２３のそれぞれについて第２のスペクトル情報に基づく順投影処理を行なうことにより、複数の順投影データＰ２１～Ｐ２３を取得する。次に、画像処理機能３４２は、順投影データＰ２１に対して、減弱係数μ１に対応した学習済みモデルＭ１を適用することにより、処理後の順投影データＰ２１を取得する。また、画像処理機能３４２は、順投影データＰ２２に対して、減弱係数μ２に対応した学習済みモデルＭ１を適用することにより、処理後の順投影データＰ２２を取得する。また、画像処理機能３４２は、順投影データＰ２３に対して、減弱係数μ３に対応した学習済みモデルＭ１を適用することにより、処理後の順投影データＰ２３を取得する。次に、画像処理機能３４２は、処理後の順投影データＰ２１と処理後の順投影データＰ２２と処理後の順投影データＰ２３とを合成することにより合成順投影データを取得する。そして、画像処理機能３４２は、当該合成順投影データに基づいて、第２のＣＴ画像を再構成する。
（第２の実施形態）
第２の実施形態では、Ｘ線ＣＴ画像Ｉ１のＸ線エネルギー（ｋＶｐ）に応じて、学習済みモデルＭ１の生成を行なう場合について説明する。
例えば、取得機能１１１は、図３に示した通り、「１２０ｋＶｐ」で撮影されたＸ線ＣＴ画像Ｉ１を取得し、物質ごとの複数の順投影データを取得する。また、学習機能１１２は、当該複数の順投影データと、Ｘ線ＣＴ画像Ｉ１の生成に用いた生データＲ１とに基づく機械学習により、「１２０ｋＶｐ」に対応した学習済みモデルＭ１を生成する。
また、取得機能１１１は、「１００ｋＶｐ」で撮影されたＸ線ＣＴ画像Ｉ１を取得し、物質ごとの複数の順投影データを取得する。また、学習機能１１２は、当該複数の順投影データと、Ｘ線ＣＴ画像Ｉ１の生成に用いた生データＲ１とに基づく機械学習により、「１００ｋＶｐ」に対応した学習済みモデルＭ１を生成する。同様に、学習機能１１２は、様々なＸ線エネルギーに対応した学習済みモデルＭ１をそれぞれ生成する。
そして、Ｘ線ＣＴ画像Ｉ２が取得された後、画像処理機能３４２は、Ｘ線ＣＴ画像Ｉ２の撮影時のスペクトル情報に応じて取得された学習済みモデルＭ１を用いて、任意のスペクトル情報に対応した生データＲ３を取得する。例えば、Ｘ線ＣＴ画像Ｉ２が「１２０ｋＶｐ」で撮影されていた場合、画像処理機能３４２は、「１２０ｋＶｐ」に対応した学習済みモデルＭ１を用いて、生データＲ３を取得する。
上述した通り、学習済みモデルＭ１において学習される係数「ｃ１」、「ｃ２」、「ｃ３」のＸ線エネルギー（ｋＶｐ）への依存性は低いものの、Ｘ線エネルギーの影響を無視できないケースも想定される。これに対し、様々なＸ線エネルギーに対応した学習済みモデルＭ１をそれぞれ生成しておくことで、撮影時におけるＸ線エネルギーの影響を低減し、他のＸ線エネルギー（ｋＶｐ）への変換処理をより精度良く行なうことができる。
なお、様々なＸ線エネルギーに対応した学習済みモデルＭ１をそれぞれ生成することに代えて、Ｘ線ＣＴ画像Ｉ１の撮影時におけるＸ線エネルギーを学習データとして更に用いることとしてもよい。この場合、画像処理機能３４２は、上述したＸ線ＣＴ画像Ｉ２に基づく複数の順投影データに加え、Ｘ線ＣＴ画像Ｉ２の撮影時のＸ線エネルギーを、学習済みモデルＭ１に対して更に入力する。これにより、学習済みモデルＭ１は、撮影時におけるＸ線エネルギーの影響を考慮し、他のＸ線エネルギー（ｋＶｐ）への変換処理をより精度良く行なうことができる。
（第３の実施形態）
上述した第１の実施形態では、物質ごとの複数の順投影データの入力を受け付けて生データを出力する学習済みモデルＭ１により、撮影時と異なるＸ線のスペクトル情報に対応したＸ線ＣＴ画像（第２のＣＴ画像）の取得を実現する例について説明した。これに対し、第３の実施形態では、ＣＴ画像の入力を受け付けて物質ごとの分布データを出力する学習済みモデルＭ２により、第２のＣＴ画像の取得を実現する例について説明する。言い換えると、第３の実施形態では、コンピュータセグメンテーション処理を実行する学習済みモデルＭ２により、第２のＣＴ画像の取得を実現する例について説明する。以下では、上述の実施形態と異なる点について説明し、上述の実施形態と同様の構成の説明については同じ符号を付して説明を省略する。
医用情報処理装置１による学習済みモデルＭ２の生成処理について、図８を用いて説明する。図８は、第３の実施形態に係る学習フェーズについて説明するための図である。
まず、任意の被検体に対する撮影が実行され、生データＲ４が収集される。次に、生データＲ４に基づく再構成処理が実行され、Ｘ線ＣＴ画像Ｉ４が生成される。取得機能１１１は、当該Ｘ線ＣＴ画像Ｉ４を取得する。Ｘ線ＣＴ画像Ｉ４の再構成処理は、取得機能１１１が行なってもよいし、他の装置において行なわれてもよい。
次に、取得機能１１１は、取得したＸ線ＣＴ画像Ｉ４を物質ごとにセグメンテーションして、Ｘ線ＣＴ画像Ｉ４における物質の分布データを取得する。例えば、取得機能１１１は、Ｘ線ＣＴ画像Ｉ４を、臓器ごとにセグメンテーションする。例えば、図８では、取得機能１１１は、Ｘ線ＣＴ画像Ｉ４を物質ごとにセグメンテーションして、分布データＤ４４、分布データＤ４５及び分布データＤ４６を取得する。
ここで、取得機能１１１は、手動乃至は半手動の方法で、Ｘ線ＣＴ画像Ｉ４を精度良くセグメンテーションする。例えば、取得機能１１１は、Ｘ線ＣＴ画像Ｉ４を表示させ、Ｘ線ＣＴ画像Ｉ４を参照した医師等のユーザからの入力操作を受け付けることにより、Ｘ線ＣＴ画像Ｉ４における物質の分布データを取得する。また、例えば、取得機能１１１は、ＣＴ値に基づく大津の二値化法、領域拡張法、スネーク法、グラフカット法、ミーンシフト法などの任意の手法によってＸ線ＣＴ画像Ｉ４をセグメンテーションした後、セグメンテーションの結果をユーザに提示する。そして、取得機能１１１は、セグメンテーションの結果の修正をユーザから受け付けることにより、Ｘ線ＣＴ画像Ｉ４における物質の分布データを取得する。
次に、学習機能１１２は、Ｘ線ＣＴ画像Ｉ４と、分布データＤ４４、分布データＤ４５及び分布データＤ４６との組み合わせからなる学習データを用いた機械学習を実行することにより、学習済みモデルＭ２を生成する。
図８においては、学習済みモデルＭ２の例として、ニューラルネットワークＮＮ１、ニューラルネットワークＮＮ２及びニューラルネットワークＮＮ３を示している。これら複数の学習済みモデルＭ２は、物質ごとに生成される。具体的には、学習機能１１２は、Ｘ線ＣＴ画像Ｉ４と、Ｘ線ＣＴ画像Ｉ４から減弱係数μ１に対応した物質をセグメンテーションした分布データＤ４４との組み合わせからなる学習データを用いた機械学習を実行することにより、ニューラルネットワークＮＮ１を生成する。また、学習機能１１２は、Ｘ線ＣＴ画像Ｉ４と、Ｘ線ＣＴ画像Ｉ４から減弱係数μ２に対応した物質をセグメンテーションした分布データＤ４５との組み合わせからなる学習データを用いた機械学習を実行することにより、ニューラルネットワークＮＮ２を生成する。また、学習機能１１２は、Ｘ線ＣＴ画像Ｉ４と、Ｘ線ＣＴ画像Ｉ４から減弱係数μ３に対応した物質をセグメンテーションした分布データＤ４６との組み合わせからなる学習データを用いた機械学習を実行することにより、ニューラルネットワークＮＮ３を生成する。
次に、学習済みモデルＭ２の利用フェーズについて、図９を用いて説明する。まず、任意の被検体に対する撮影が実行され、生データＲ５が収集される。生データＲ５は、生データＲ４と同じ被検体から収集されてもよいし、他の被検体から収集されてもよい。また、生データＲ５は、図２に示したＸ線ＣＴ装置２によって収集されてもよいし、他のＸ線ＣＴ装置によって収集されてもよい。次に、生データＲ５に基づく再構成処理が実行され、Ｘ線ＣＴ画像Ｉ５が生成される。取得機能３４１は、当該Ｘ線ＣＴ画像Ｉ５を取得する。Ｘ線ＣＴ画像Ｉ５の再構成は、取得機能３４１が行なってもよいし、他の装置において行なわれてもよい。
次に、取得機能３４１は、学習済みモデルＭ２を用いて、取得したＸ線ＣＴ画像Ｉ５を物質ごとにセグメンテーションし、Ｘ線ＣＴ画像Ｉ５における物質の分布データを取得する。例えば、取得機能３４１は、ニューラルネットワークＮＮ１に対してＸ線ＣＴ画像Ｉ４を入力することにより、減弱係数μ１に対応した物質の分布データＤ５１を取得する。また、取得機能３４１は、ニューラルネットワークＮＮ２に対してＸ線ＣＴ画像Ｉ４を入力することにより、減弱係数μ２に対応した物質の分布データＤ５２を取得する。また、取得機能３４１は、ニューラルネットワークＮＮ３に対してＸ線ＣＴ画像Ｉ４を入力することにより、減弱係数μ３に対応した物質の分布データＤ５３を取得する。
次に、画像処理機能３４２は、任意のスペクトル情報と物質ごとの減弱係数とに基づいて、分布データごとに順投影処理を行ない、物質ごとの複数の順投影データを取得する。例えば、図９に示す場合、画像処理機能３４２は、分布データＤ５１について順投影処理を行なって順投影データＰ５１を取得し、分布データＤ５２について順投影処理を行なって順投影データＰ５２を取得し、分布データＤ５３について順投影処理を行なって順投影データＰ５３を取得する。
ここで、任意のスペクトル情報は、Ｘ線ＣＴ画像Ｉ５の撮影時のスペクトル情報と異なっていてもよい。例えば、図９において、Ｘ線ＣＴ画像Ｉ５は「１２０ｋＶｐ」のＸ線を用いて撮影されている。これに対し、順投影データを取得するために設定される任意のスペクトル情報は、「１３５ｋＶｐ」となっている。そして、画像処理機能３４２は、物質ごとの複数の順投影データを合成することで、生データＲ６を取得する。図９に示す場合、生データＲ６は、任意のスペクトル情報「１３５ｋＶｐ」に対応したものとなる。
図９においては、撮影時のスペクトル情報「１２０ｋＶｐ」に対応した各分布データから、任意のスペクトル情報「１３５ｋＶｐ」に対応した順投影データを取得している。ここで、セグメンテーションしていない状態のＸ線ＣＴ画像Ｉ５について順投影処理を行ない、「１３５ｋＶｐ」に対応した生データを取得することも考えられる。しかしながら、この場合、様々な物質が混在したＸ線ＣＴ画像Ｉ５を対象として順投影処理を行なうこととなるため、計算が複雑化する。
これに対し、図９の例では、物質ごとにセグメンテーションをした上で順投影処理を行なうことにより、計算を単純化するとともに、他のＸ線エネルギー（ｋＶｐ）への変換処理の精度を向上させることができる。更に、図９では、学習済みモデルＭ２によってセグメンテーションを精度良く行なうことで、セグメンテーションされた分布データは単一物質であるという前提条件を信頼あるものとし、変換処理の精度を更に向上させることができる。
次に、図８で説明した学習フェーズにおける医用情報処理装置１による一連の処理について、図１０Ａ及び図１０Ｂを用いて説明する。図１０Ａ及び図１０Ｂは、第３の実施形態に係る医用情報処理装置１による学習フェーズの処理について説明するためのフローチャートである。
まず、取得機能１１１は、生データを取得し（ステップＳ３１１）、当該生データからＸ線ＣＴ画像を再構成する（ステップＳ３１２）。なお、取得機能１１１は、ステップＳ３１１及びステップＳ３１２に代えて、他の装置で再構成されたＸ線ＣＴ画像を取得することとしてもよい。次に、取得機能１１１は、取得したＸ線ＣＴ画像を物質ごとにセグメンテーションして、物質ごとの分布データを取得する（ステップＳ３１３）。ここで、取得機能１１１は、手動乃至は半手動の方法で、Ｘ線ＣＴ画像を精度良くセグメンテーションする。そして、取得機能１１１は、ステップＳ３１２によるＸ線ＣＴ画像と、ステップＳ３１３による物質ごとの分布データとを１セットの学習データとして関連付け、メモリ１２に記憶させる（ステップＳ３１４）。
取得機能１１１は、新たな生データが取得されるごとに、図１０Ａに示した一連のステップを実行する。これにより、ステップＳ３１４による学習データがメモリ１２に蓄積される。学習機能１１２は、メモリ１２から、ステップＳ３１４による学習データを複数セット取得し（ステップＳ３２１）、当該複数セットの学習データを用いた機械学習を実行することで、物質ごとに学習済みモデルＭ２を生成する（ステップＳ３２２）。
次に、図９で説明した利用フェーズにおける医用情報処理装置３による一連の処理について説明する。なお、第３の実施形態に係る利用フェーズは、フローチャートとしては、第１の実施形態に係る利用フェーズと同様である。そこで、第３の実施形態に係る利用フェーズについて、図６を用いて説明する。
まず、取得機能３４１は、生データを取得し（ステップＳ２１１）、当該生データからＸ線ＣＴ画像を再構成する（ステップＳ２１２）。例えば、取得機能３４１は、ステップＳ２１２において、図４に示した生データＲ２からＸ線ＣＴ画像Ｉ２を再構成する。なお、取得機能３４１は、ステップＳ２１１及びステップＳ２１２に代えて、他の装置で再構成されたＸ線ＣＴ画像Ｉ２を取得することとしてもよい。
次に、取得機能３４１は、取得したＸ線ＣＴ画像を物質ごとにセグメンテーションして、物質の分布データを取得する（ステップＳ２１３）。即ち、取得機能３４１は、第１のＣＴ画像に対してコンピュータセグメンテーション処理を適用することにより、複数の物質の分布データを得る。ここで、取得機能３４１は、コンピュータセグメンテーション処理を、機械学習による学習済みモデルＭ２に基づき実行する。言い換えると、第３の実施形態に係るコンピュータセグメンテーション処理では、学習済みモデルＭ２に基づいて、第１のＣＴ画像から複数の物質の分布データを得る。
次に、画像処理機能３４２は、任意のスペクトル情報と物質ごとの減弱係数とに基づいて、物質の分布データについて順投影処理を行ない、物質ごとの複数の順投影データを取得する（ステップＳ２１４）。例えば、画像処理機能３４２は、図９に示したように、任意のスペクトル情報「１３５ｋＶｐ」に基づいて、分布データＤ５１について順投影処理を行なって順投影データＰ５１を取得し、分布データＤ５２について順投影処理を行なって順投影データＰ５２を取得し、分布データＤ５３について順投影処理を行なって順投影データＰ５３を取得する。
そして、画像処理機能３４２は、ステップＳ２１４による複数の順投影データを合成することで、任意のスペクトル情報に対応した生データを取得する（ステップＳ２１５）。例えば、画像処理機能３４２は、図９に示した通り、順投影データＰ５１、順投影データＰ５２及び順投影データＰ５３を合成することで、任意のスペクトル情報「１３５ｋＶｐ」に対応した生データＲ６を取得する。
更に、画像処理機能３４２は、ステップＳ２１５で取得した任意のスペクトル情報に対応した生データから、当該任意のスペクトル情報に対応したＸ線ＣＴ画像を生成する（ステップＳ２１６）。当該任意のスペクトル情報に対応したＸ線ＣＴ画像については、表示又は解析のために出力されて、ユーザの利用に供される（ステップＳ２１７）。
なお、学習済みモデルＭ１の場合と同様、撮影対象部位や患者情報といった種々の条件ごとに学習済みモデルＭ２を生成することとしてもよいし、学習済みモデルＭ２の生成処理において、撮影対象部位や患者情報等の情報を学習データとして更に用いることとしてもよい。また、上述の第２の実施形態を本実施形態と組み合わせて実現することも可能である。即ち、Ｘ線エネルギー（ｋＶｐ）ごとに学習済みモデルＭ２を生成してもよいし、学習済みモデルＭ２の生成処理において、Ｘ線エネルギーを学習データとして更に用いることとしてもよい。
（第４の実施形態）
第４の実施形態では、物質ごとの分布データの入力を受け付けて、任意のスペクトル情報に対応した分布データを出力する学習済みモデルＭ３により、撮影時と異なるＸ線のスペクトル情報に対応したＸ線ＣＴ画像（第２のＣＴ画像）の取得を実現する例について説明する。以下では、上述の実施形態と異なる点について説明し、上述の実施形態と同様の構成の説明については同じ符号を付して説明を省略する。
医用情報処理装置１による学習済みモデルＭ３の生成処理について、図１１を用いて説明する。図１１は、第４の実施形態に係る学習フェーズについて説明するための図である。
まず、任意の被検体に対する撮影が実行され、生データＲ７が収集される。次に、生データＲ７に基づく再構成処理が実行され、Ｘ線ＣＴ画像Ｉ７が生成される。取得機能１１１は、当該Ｘ線ＣＴ画像Ｉ７を取得する。Ｘ線ＣＴ画像Ｉ７の再構成処理は、取得機能１１１が行なってもよいし、他の装置において行なわれてもよい。
次に、取得機能１１１は、取得したＸ線ＣＴ画像Ｉ７を物質ごとにセグメンテーションして、Ｘ線ＣＴ画像Ｉ７における物質の分布データを取得する。例えば、図１１では、取得機能１１１は、Ｘ線ＣＴ画像Ｉ７を物質ごとにセグメンテーションして、分布データＤ７１、分布データＤ７２及び分布データＤ７３を取得する。ここで、取得機能１１１は、手動乃至は半手動の方法でセグメンテーションを行なってもよいし、ＣＴ値に基づく大津の二値化法などの手法によって自動でセグメンテーションを行なってもよい。
図１１において、分布データＤ７１～Ｄ７３は、撮影時のＸ線エネルギー「１２０ｋＶｐ」に対応したものである。学習機能１１２は、分布データＤ７１～Ｄ７３と、分布データＤ７１～Ｄ７３とは異なるＸ線エネルギー「１３５ｋＶｐ」に対応した分布データＤ７４～Ｄ７６との組み合わせからなる学習データを用いた機械学習を実行することにより、学習済みモデルＭ３を生成する。
図１１では、学習済みモデルＭ３の例として、ニューラルネットワークＮＮ４～ＮＮ６を示す。図１１に示す場合、ニューラルネットワークＮＮ４は、Ｘ線エネルギー「１２０ｋＶｐ」に対応し且つ減弱係数μ１に対応する物質の分布データの入力を受け付けて、Ｘ線エネルギー「１３５ｋＶｐ」に対応する物質の分布データを出力するように機能付けられる。また、ニューラルネットワークＮＮ５は、Ｘ線エネルギー「１２０ｋＶｐ」に対応し且つ減弱係数μ２に対応する物質の分布データの入力を受け付けて、Ｘ線エネルギー「１３５ｋＶｐ」に対応する物質の分布データを出力するように機能付けられる。また、ニューラルネットワークＮＮ６は、Ｘ線エネルギー「１２０ｋＶｐ」に対応し且つ減弱係数μ３に対応する物質の分布データの入力を受け付けて、Ｘ線エネルギー「１３５ｋＶｐ」に対応する物質の分布データを出力するように機能付けられる。
分布データＤ７４～Ｄ７６は、例えば、図１１のＸ線ＣＴ画像Ｉ７と同じ被検体からＸ線エネルギー「１３５ｋＶｐ」に対応したＣＴスキャンにより収集されたＸ線ＣＴ画像をセグメンテーションすることにより、取得することができる。
分布データＤ７４～Ｄ７６を取得する他の方法について図１２を用いて説明する。図１２は、第４の実施形態に係る学習データの取得方法の一例を示す図である。まず、取得機能１１１は、図１１でも説明した通り、Ｘ線ＣＴ画像Ｉ７を物質ごとにセグメンテーションして、撮影時のＸ線エネルギー「１２０ｋＶｐ」に対応した分布データＤ７１～Ｄ７３を取得する。
次に、取得機能１１１は、撮影時とは異なるスペクトル情報に基づいて順投影処理を行ない、順投影データＰ７１～Ｐ７３を取得する。例えば、図１２では、取得機能１１１は、撮影時とは異なるスペクトル情報「１３５ｋＶｐ」に基づいて、分布データＤ７１について順投影処理を行なって順投影データＰ７１を取得し、分布データＤ７２について順投影処理を行なって順投影データＰ７２を取得し、分布データＤ７３について順投影処理を行なって順投影データＰ７３を取得する。
そして、取得機能１１１は、順投影データＰ７１～Ｐ７３のそれぞれについて再構成処理を行ない、スペクトル情報「１３５ｋＶｐ」に対応した分布データＤ７４～Ｄ７６を取得する。具体的には、図１２では、取得機能１１１は、順投影データＰ７１に基づいて分布データＤ７４を再構成し、順投影データＰ７２に基づいて分布データＤ７５を再構成し、順投影データＰ７３に基づいて分布データＤ７６を再構成する。なお、再構成方法について特に限定されるものではなく、取得機能１１１は、ＦＢＰ法、逐次近似再構成法、逐次近似応用再構成法、ＤＬＲ法等の任意の手法で分布データＤ７４～Ｄ７６を再構成することができる。
次に、学習済みモデルＭ３の利用フェーズについて、図１３を用いて説明する。まず、任意の被検体に対する撮影が実行され、生データＲ８が収集される。生データＲ８は、生データＲ７と同じ被検体から収集されてもよいし、他の被検体から収集されてもよい。また、生データＲ８は、図２に示したＸ線ＣＴ装置２によって収集されてもよいし、他のＸ線ＣＴ装置によって収集されてもよい。次に、生データＲ８に基づく再構成処理が実行され、Ｘ線ＣＴ画像Ｉ８が生成される。取得機能３４１は、当該Ｘ線ＣＴ画像Ｉ８を取得する。Ｘ線ＣＴ画像Ｉ８の再構成は、取得機能３４１が行なってもよいし、他の装置において行なわれてもよい。
次に、取得機能３４１は、取得したＸ線ＣＴ画像Ｉ８を物質ごとにセグメンテーションし、Ｘ線ＣＴ画像Ｉ８における物質の分布データを取得する。例えば、取得機能３４１は、Ｘ線ＣＴ画像Ｉ８を物質ごとにセグメンテーションして、減弱係数μ１に対応した物質の分布データＤ８１、減弱係数μ２に対応した物質の分布データＤ８２及び減弱係数μ３に対応した物質の分布データＤ８３を取得する。
次に、画像処理機能３４２は、撮影時のＸ線エネルギー「１２０ｋＶｐ」に対応する分布データＤ８１～Ｄ８３を、学習済みモデルＭ３に対して入力することで、撮影時と異なるＸ線エネルギー「１３５ｋＶｐ」に対応する分布データＤ９１～Ｄ９３を取得する。具体的には、画像処理機能３４２は、分布データＤ８１をニューラルネットワークＮＮ４に入力することで、分布データＤ９１を取得する。また、画像処理機能３４２は、分布データＤ８２をニューラルネットワークＮＮ５に入力することで、分布データＤ９２を取得する。また、画像処理機能３４２は、分布データＤ８３をニューラルネットワークＮＮ６に入力することで、分布データＤ９３を取得する。
即ち、第４の実施形態に係る変換処理では、分布データＤ８１～Ｄ８３のそれぞれに対して学習済みモデルＭ３を適用することにより、分布データＤ９１～Ｄ９３を得ることができる。分布データＤ９１～Ｄ９３は、第２のスペクトル情報に対応する複数の物質の処理後分布データの一例である。
更に、画像処理機能３４２は、分布データＤ９１～Ｄ９３を合成することで、撮影時と異なるＸ線エネルギー「１３５ｋＶｐ」に対応するＸ線ＣＴ画像Ｉ９を取得する。即ち、複数の物質の処理後分布データを合成することにより、第２のスペクトル情報に対応する第２のＣＴ画像を得ることができる。
なお、Ｘ線エネルギーの異なるＸ線ＣＴ画像の組を学習データとして機械学習を行ない、Ｘ線エネルギー「１２０ｋＶｐ」に対応するＸ線ＣＴ画像からＸ線エネルギー「１３５ｋＶｐ」に対応するＸ線ＣＴ画像へ直接的に変換することも考えられる。しかしながら、この場合、様々な物質が混在したＸ線ＣＴ画像を対象として変換処理を行なうこととなるため、計算が複雑化する。これに対し、図１１～図１３の例では、物質ごとにセグメンテーションをした上で、学習フェーズ及び利用フェーズをそれぞれ行っている。これにより、計算を単純化するとともに、他のＸ線エネルギー（ｋＶｐ）への変換処理の精度を向上させることができる。
次に、図１１で説明した学習フェーズにおける医用情報処理装置１による一連の処理について、図１４Ａ及び図１４Ｂを用いて説明する。図１４Ａ及び図１４Ｂは、第４の実施形態に係る医用情報処理装置１による学習フェーズの処理について説明するためのフローチャートである。なお、図１４Ａ及び図１４Ｂでは、図１２に示した場合と同様、撮影時とは異なるスペクトル情報での順投影処理及び再構成処理を実行することで、１セットの学習データを取得する例について説明する。
まず、取得機能１１１は、生データを取得し（ステップＳ４１１）、当該生データからＸ線ＣＴ画像を再構成する（ステップＳ４１２）。なお、取得機能１１１は、ステップＳ４１１及びステップＳ４１２に代えて、他の装置で再構成されたＸ線ＣＴ画像を取得することとしてもよい。次に、取得機能１１１は、取得したＸ線ＣＴ画像を物質ごとにセグメンテーションして、物質ごとの分布データを取得する（ステップＳ４１３）。次に、取得機能１１１は、ステップＳ４１３で取得した分布データについて、撮影時とは異なるスペクトル情報での順投影処理を行ない（ステップＳ４１４）、更に、取得した順投影データから、撮影時とは異なるスペクトル情報に対応した分布データを再構成する（ステップＳ４１５）。そして、取得機能１１１は、ステップＳ４１３による分布データと、ステップＳ４１５による分布データとを１セットの学習データとして関連付け、メモリ１２に記憶させる（ステップＳ３１４）。
取得機能１１１は、新たな生データが取得されるごとに、図１４Ａに示した一連のステップを実行する。これにより、ステップＳ４１６による学習データがメモリ１２に蓄積される。学習機能１１２は、メモリ１２から、ステップＳ４１６による学習データを複数セット取得し（ステップＳ４２１）、当該複数セットの学習データを用いた機械学習を実行することで、Ｘ線エネルギー（ｋＶｐ）の組み合わせごとに学習済みモデルＭ３を生成する（ステップＳ４２２）。
次に、図１３で説明した利用フェーズにおける医用情報処理装置３による一連の処理について、図１５を用いて説明する。図１５は、第４の実施形態に係る医用情報処理装置３による利用フェーズの処理について説明するためのフローチャートである。
まず、取得機能３４１は、生データを取得し（ステップＳ５１１）、当該生データからＸ線ＣＴ画像を再構成する（ステップＳ５１２）。例えば、取得機能３４１は、ステップＳ５１２において、図１３に示した生データＲ８からＸ線ＣＴ画像Ｉ８を再構成する。なお、取得機能３４１は、ステップＳ５１１及びステップＳ５１２に代えて、他の装置で再構成されたＸ線ＣＴ画像Ｉ８を取得することとしてもよい。次に、取得機能３４１は、取得したＸ線ＣＴ画像を物質ごとにセグメンテーションして、物質の分布データを取得する（ステップＳ５１３）。
次に、画像処理機能３４２は、学習済みモデルＭ３を用いて、ステップＳ５１３で取得した分布データに対する変換処理を実行する（ステップＳ５１４）。例えば、画像処理機能３４２は、図１３に示した通り、ニューラルネットワークＮＮ４～ＮＮ６を用いて、Ｘ線エネルギー「１２０ｋＶｐ」に対応する分布データＤ８１～Ｄ８３を、Ｘ線エネルギー「１３５ｋＶｐ」に対応する分布データＤ９１～Ｄ９３に変換する。
そして、画像処理機能３４２は、ステップＳ５１４による複数の分布データを合成することで、撮影時と異なるＸ線エネルギーに対応したＸ線ＣＴ画像を取得する（ステップＳ５１５）。例えば、画像処理機能３４２は、図１３に示した通り、分布データＤ９１～Ｄ９３を合成して、撮影時と異なるＸ線エネルギー「１３５ｋＶｐ」に対応するＸ線ＣＴ画像Ｉ９を取得する。
なお、学習済みモデルＭ１の場合と同様、撮影対象部位や患者情報といった種々の条件ごとに学習済みモデルＭ３を生成することとしてもよいし、学習済みモデルＭ３の生成処理において、撮影対象部位や患者情報等の情報を学習データとして更に用いることとしてもよい。
（他の実施形態）
図２においては、Ｘ線ＣＴ装置２と医用情報処理装置３とを別体として示したが、これらは統合することとしてもよい。例えば、Ｘ線ＣＴ装置２に含まれるコンソール装置が医用情報処理装置３として機能し、図４に示した利用フェーズを実行することとしても構わない。
また、図１及び図２においては、医用情報処理装置１が学習フェーズを実行し、医用情報処理装置３が利用フェーズを実行するものとして説明したが、学習フェーズ及び利用フェーズは同じ装置で実行されてもよい。即ち、医用情報処理装置３又はＸ線ＣＴ装置２が、図３に示した学習フェーズを実行することとしても構わない。
上記説明において用いた「プロセッサ」という文言は、例えば、ＣＰＵ、ＧＰＵ（Graphics Processing Unit）、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。プロセッサが例えばＣＰＵである場合、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。一方、プロセッサが例えばＡＳＩＣである場合、記憶回路にプログラムを保存する代わりに、当該機能がプロセッサの回路内に論理回路として直接組み込まれる。なお、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、各図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。
また、図１においては、単一のメモリ１２が処理回路１１の各処理機能に対応するプログラムを記憶するものとして説明した。また、図２においては、単一のメモリ３１が処理回路３４の各処理機能に対応するプログラムを記憶するものとして説明した。しかしながら、実施形態はこれに限定されるものではない。例えば、複数のメモリ１２を分散して配置し、処理回路１１は、個別のメモリ１２から対応するプログラムを読み出す構成としても構わない。同様に、複数のメモリ３１を分散して配置し、処理回路３４は、個別のメモリ３１から対応するプログラムを読み出す構成としても構わない。また、メモリ１２又はメモリ３１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。
上述した実施形態に係る各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。即ち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部又は一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的又は物理的に分散・統合して構成することができる。更に、各装置にて行われる各処理機能は、その全部又は任意の一部が、ＣＰＵ及び当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現されうる。
また、上述した実施形態で説明した医用情報処理方法は、予め用意されたプログラムをパーソナルコンピュータやワークステーション等のコンピュータで実行することによって実現することができる。このプログラムは、インターネット等のネットワークを介して配布することができる。また、このプログラムは、ハードディスク、フレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＭＯ、ＤＶＤ等のコンピュータで読み取り可能な非一過性の記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行することもできる。
以上説明した少なくとも１つの実施形態によれば、撮影時と異なるＸ線のスペクトル情報に対応したＸ線ＣＴ画像の取得を可能とすることができる。
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
１１ 処理回路
１１１ 取得機能
１１２ 学習機能
１２ メモリ
２ Ｘ線ＣＴ装置
３ 医用情報処理装置
３１ メモリ
３２ ディスプレイ
３３ 入力インタフェース
３４ 処理回路
３４１ 取得機能
３４２ 画像処理機能
３４３ 表示制御機能

Claims (10)

  1. Ｘ線ＣＴ画像と、当該Ｘ線ＣＴ画像の撮影時のスペクトル情報とを取得し、前記Ｘ線ＣＴ画像を物質ごとにセグメンテーションして当該Ｘ線ＣＴ画像における物質の分布データを取得し、前記スペクトル情報と物質ごとの減弱係数とに基づいて当該分布データについて順投影処理を行なって、前記物質ごとの複数の順投影データを取得し、
    前記複数の順投影データと前記Ｘ線ＣＴ画像の生成に用いた生データとに基づく機械学習により学習済みモデルを生成する
    ことを含む、医用情報処理方法。
  2. 前記複数の順投影データを入力側データとし、前記生データを出力側データとしてニューラルネットワークに入力し、
    前記複数の順投影データの和と、前記生データとの間の誤差を最小化するように前記ニューラルネットワークを学習させることで、前記学習済みモデルを生成する、請求項１に記載の医用情報処理方法。
  3. 前記学習済みモデルと、前記Ｘ線ＣＴ画像と異なる他のＸ線ＣＴ画像と、任意のスペクトル情報とを取得し、前記他のＸ線ＣＴ画像を物質ごとにセグメンテーションして当該他のＸ線ＣＴ画像における物質の分布データを取得し、前記任意のスペクトル情報と物質ごとの減弱係数とに基づいて当該分布データについて順投影処理を行なって、前記物質ごとの複数の順投影データを取得し、
    前記他のＸ線ＣＴ画像に基づく複数の順投影データを前記学習済みモデルに入力することで、前記任意のスペクトル情報に対応した生データを取得することを更に含む、請求項２に記載の医用情報処理方法。
  4. 前記任意のスペクトル情報は、ユーザが入力したＸ線エネルギーの値に基づいて設定される、請求項３に記載の医用情報処理方法。
  5. Ｘ線ＣＴ画像と、当該Ｘ線ＣＴ画像の撮影時のスペクトル情報とを取得し、前記Ｘ線ＣＴ画像を物質ごとにセグメンテーションして当該Ｘ線ＣＴ画像における物質の分布データを取得し、前記スペクトル情報と物質ごとの減弱係数とに基づいて当該分布データについて順投影処理を行なって、前記物質ごとの複数の順投影データを取得する取得部と、
    前記複数の順投影データと前記Ｘ線ＣＴ画像の生成に用いた生データとに基づく機械学習により学習済みモデルを生成する学習部と
    を備える、医用情報処理装置。
  6. 医用情報処理方法であって、
    第１のスペクトル情報に対応したＣＴスキャンを行なうことにより得られる被検体の第１のＣＴ画像を得、前記第１のＣＴ画像に対してコンピュータセグメンテーション処理を適用することにより複数の物質の分布データを得、
    前記複数の物質の分布データに基づいて変換処理を行うことにより、第２のスペクトル情報に対応する第２のＣＴ画像を得、
    前記第２のＣＴ画像を表示又は解析のために出力し、
    前記コンピュータセグメンテーション処理または変換処理のいずれか一方は、機械学習による学習済みモデルに基づき実行される、医用情報処理方法。
  7. 前記コンピュータセグメンテーション処理では、前記学習済みモデルに基づいて前記第１のＣＴ画像から複数の物質の分布データを得る、請求項６に記載の医用情報処理方法。
  8. 前記変換処理では、前記複数の物質の分布データのそれぞれについて第２のスペクトル情報に基づく順投影処理を行なうことにより複数の順投影データを得、
    前記複数の順投影データに対して前記学習済みモデルを適用することにより、処理後の複数の順投影データを得、
    当該処理後の複数の順投影データを合成することにより合成順投影データを得、
    当該合成順投影データに基づいて、前記第２のＣＴ画像を再構成する、請求項６に記載の医用情報処理方法。
  9. 前記変換処理では、前記複数の物質の分布データのそれぞれに対して前記学習済みモデルを適用することにより、前記第２のスペクトル情報に対応する複数の物質の処理後分布データを得、
    当該複数の物質の処理後分布データを合成することにより、前記第２のスペクトル情報に対応する前記第２のＣＴ画像を得る、請求項６に記載の医用情報処理方法。
  10. 前記変換処理では、前記複数の物質の分布データのそれぞれについて第２のスペクトル情報に基づく順投影処理を行なうことにより複数の順投影データを得、
    前記複数の順投影データに対して前記学習済みモデルを適用することにより、第２のスペクトル情報に対応する生データを得、
    当該生データに基づいて、前記第２のＣＴ画像を再構成する、請求項６に記載の医用情報処理方法。
JP2022191660A 2021-11-30 2022-11-30 医用情報処理方法及び医用情報処理装置 Pending JP2023081372A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021194761 2021-11-30
JP2021194761 2021-11-30

Publications (1)

Publication Number Publication Date
JP2023081372A true JP2023081372A (ja) 2023-06-09

Family

ID=86612280

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022191660A Pending JP2023081372A (ja) 2021-11-30 2022-11-30 医用情報処理方法及び医用情報処理装置

Country Status (4)

Country Link
US (1) US20240070862A1 (ja)
JP (1) JP2023081372A (ja)
CN (1) CN117412710A (ja)
WO (1) WO2023100926A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117611750A (zh) * 2023-12-05 2024-02-27 北京思博慧医科技有限公司 三维成像模型的构建方法、装置、电子设备和存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8260023B2 (en) * 2008-11-26 2012-09-04 General Electric Company Forward projection for the generation of computed tomography images at arbitrary spectra
DE102016204709A1 (de) * 2016-03-22 2017-09-28 Siemens Healthcare Gmbh Verfahren zur Bildrekonstruktion
US10937206B2 (en) * 2019-01-18 2021-03-02 Canon Medical Systems Corporation Deep-learning-based scatter estimation and correction for X-ray projection data and computer tomography (CT)
JP7467253B2 (ja) * 2019-07-08 2024-04-15 キヤノンメディカルシステムズ株式会社 Ｘ線ｃｔシステム及び医用処理装置
US20210142480A1 (en) * 2019-11-12 2021-05-13 Canon Medical Systems Corporation Data processing method and apparatus
US11350895B2 (en) * 2019-11-29 2022-06-07 Wisconsin Alumni Research Foundation System and method for spectral computed tomography using single polychromatic x-ray spectrum acquisition

Also Published As

Publication number Publication date
US20240070862A1 (en) 2024-02-29
WO2023100926A1 (ja) 2023-06-08
CN117412710A (zh) 2024-01-16

Similar Documents

Publication Publication Date Title
JP6925868B2 (ja) Ｘ線コンピュータ断層撮影装置及び医用画像処理装置
JP7387270B2 (ja) 医用画像処理装置、学習方法、ｘ線診断装置、医用画像処理方法、およびプログラム
JP7254656B2 (ja) 医用画像処理装置、医用画像診断装置及び核医学診断装置
CN105793894B (zh) 根据图像数据来进行骨骼分割
JP2007330334A (ja) Ｘ線撮影装置及びその方法
JP7348376B2 (ja) 医用処理装置、ｘ線ｃｔシステム及び処理プログラム
US11039807B2 (en) System and method for dark-field-imaging
JP7467253B2 (ja) Ｘ線ｃｔシステム及び医用処理装置
WO2023100926A1 (ja) 医用情報処理方法及び医用情報処理装置
KR20170087320A (ko) 단층 영상 생성 장치 및 그에 따른 단층 영상 복원 방법
WO2019116619A1 (ja) 放射線断層画像処理装置および放射線断層撮影装置
KR20200086919A (ko) 단층 영상 촬영 장치 및 단층 영상 생성 방법
Lyu et al. Dual-energy CT imaging from single-energy CT data with material decomposition convolutional neural network
Gomi et al. Development of a denoising convolutional neural network-based algorithm for metal artifact reduction in digital tomosynthesis for arthroplasty: A phantom study
JP7169853B2 (ja) 画像処理装置、放射線撮影装置、および画像処理方法
WO2024048374A1 (ja) 画像処理装置、撮影システム、画像処理方法、及びプログラム
Melli et al. A sparsity-based iterative algorithm for reconstruction of micro-CT images from highly undersampled projection datasets obtained with a synchrotron X-ray source
Kim et al. Enhanced artificial intelligence-based diagnosis using CBCT with internal denoising: clinical validation for discrimination of fungal ball, sinusitis, and normal cases in the maxillary sinus
US11672498B2 (en) Information processing method, medical image diagnostic apparatus, and information processing system
EP4167187A1 (en) X-ray diagnostic apparatus and a medical information processing method
US20220139006A1 (en) Information processing method, medical image diagnostic apparatus, and information processing system
US20230326596A1 (en) Information processing method, medical image diagnostic apparatus, and information processing system
WO2024062894A1 (ja) 医用画像処理装置およびその制御方法、医用画像処理プログラム
US20240108302A1 (en) Method for identifying interventional object, imaging system, and non-transitory computer-readable medium
US20230363724A1 (en) X-ray ct apparatus and high-quality image generation device