JP2023120851A - 画像処理装置、画像処理方法、及びプログラム - Google Patents

Abstract

【課題】検査に用いる放射線量を抑えながら高画質なエネルギーサブトラクション画像を生成できる画像処理装置を提供する。【解決手段】異なる放射線エネルギーに関する複数の画像を取得する取得部と、放射線を用いて得た第１の画像を高画質化した第２の画像を用いて得た学習済モデルを用いて、複数の画像に基づいてエネルギーサブトラクション画像を生成する生成部とを備える画像処理装置。【選択図】図９

Description

本開示は、画像処理装置、画像処理方法、及びプログラムに関する。

一般に、時分割型スペクトラルイメージングという撮影技術が知られている。時分割型スペクトラルイメージングでは、短時間に平均エネルギーの異なる複数の放射線を被写体に照射し、被写体を透過したそれぞれの平均エネルギーの放射線が放射線計測面へ到達した割合を計測することで被写体の構成物質の弁別を行う。このような時分割型スペクトラルイメージングは、医療用の放射線画像の生成にも用いられている。

特開２０２０－５９１８号公報

時分割型スペクトラルイメージングでは、同一部位を短時間に複数回撮影する必要がある。そのため、通常の撮影と同等の撮影線量で同一部位の撮影を繰り返すと、被検者の被曝量が増大する。必要な画像の枚数は物質弁別の目的により異なるが、時分割型スペクトラルイメージングは最低でも２枚の画像を必要とし、被検者の被曝線量は単純には画像の枚数分増加する。そこで、被検者への被曝線量の増加を抑えるために、放射線の線量を低減して画像一枚あたりの被曝線量を抑制することが考えられる。しかしながら、放射線の線量を低減するとノイズの強度が増加し、各画像の画質が低下する。

特許文献１では、エネルギーの異なる放射線を照射して得られた複数の画像を合成して得られた平均画像の高周波成分と、複数の画像のそれぞれの低周波成分とを合成することでノイズを低減する方法が提案されている。しかしながら、特許文献１に記載の技術では、異なるエネルギー画像を平均化してしまうため、個々のエネルギー画像の本来のノイズを低減することは困難である。

本開示の一実施態様は、検査に用いる放射線量を抑えながら高画質なエネルギーサブトラクション画像を生成できる画像処理装置を提供することを目的とする。

本開示の一実施態様に係る画像処理装置は、異なる放射線エネルギーに関する複数の画像を取得する取得部と、放射線を用いて得た第１の画像を高画質化した第２の画像を用いて得た学習済モデルを用いて、前記複数の画像に基づいてエネルギーサブトラクション画像を生成する生成部とを備える。

本開示の一実施態様によれば、検査に用いる放射線量を抑えながら高画質なエネルギーサブトラクション画像を生成できる。

第１の実施形態に係る放射線撮影システムの全体的な構成例を示す。 第１の実施形態に係る放射線撮影装置の画素の一例の等価回路図である。 放射線撮影動作の一例を示すタイミングチャートである。 放射線撮影動作の一例を示すタイミングチャートである。 第１の実施形態に係る補正処理のブロック図である。 エネルギーサブトラクション処理の信号処理のブロック図である。 高画質化モデルに関するニューラルネットワークの構成の一例を示す。 第１の実施形態に係るエネルギーサブトラクション画像の生成処理の例を示すブロック図である。 放射線フォトンのエネルギーとセンサ出力の関係を示す。 第１の実施形態に係る一連の撮影処理を示すフローチャートである。 仮想単色Ｘ線画像を生成する信号処理のブロック図である。 仮想単色Ｘ線画像からエネルギーサブトラクション画像を生成する処理のブロック図である。 第２の実施形態に係るエネルギーサブトラクション画像の生成処理の例を示すブロック図である。 第２の実施形態に係る一連の撮影処理を示すフローチャートである。 第２の実施形態の変形例に係るエネルギーサブトラクション画像の生成処理の例を示すブロック図である。 第２の実施形態の変形例に係るエネルギーサブトラクション画像の生成処理の例を示すブロック図である。 第３の実施形態に係る放射線撮影システムの全体的な構成例を示す。 第３の実施形態に係る放射線撮影処理の一例を説明するための図である。 第３の実施形態に係る放射線撮影処理の一例を説明するための図である。

以下、本開示を実施するための例示的な実施形態を、図面を参照して詳細に説明する。ただし、以下の実施形態で説明する寸法、材料、形状、及び構成要素の相対的な位置等は任意であり、本開示が適用される装置の構成又は様々な条件に応じて変更できる。また、図面において、同一であるか又は機能的に類似している要素を示すために図面間で同じ参照符号を用いる。

なお、以下の実施形態において、放射線という用語は、Ｘ線の他、例えば、α線、β線、γ線、粒子線、及び宇宙線などを含むことができる。

また、エネルギーサブトラクション処理とは、異なる放射線エネルギーに関する画像（エネルギー画像）を用いて差分を求め、例えば、骨と軟部組織や造影剤と水等の物質弁別画像や実効原子番号と面密度の情報等を得る処理をいう。なお、エネルギーサブトラクション処理には、例えば、前処理となるオフセット補正処理等の補正処理や、後処理となるコントラスト調整処理等の画像処理等が含まれてもよい。

さらに、エネルギーサブトラクション画像という用語は、例えば、エネルギーサブトラクション処理を用いて得られた物質弁別画像や実効原子番号及び面密度を示す画像、並びにそれらの画像を高画質化した画像等を含むことができる。さらに、エネルギーサブトラクション画像という用語は、異なるエネルギーの仮想単色Ｘ線画像から逆変換された物質弁別画像等を含むこともできる。また、以下の実施形態において、エネルギーサブトラクション画像という用語は、上記のようなエネルギーサブトラクション処理を用いて得られた画像や仮想単色Ｘ線画像から逆変換された画像を学習して得た学習済モデルを用いて推論された画像を含むことができる。

また、以下において、機械学習モデルとは、機械学習アルゴリズムによる学習モデルをいう。機械学習の具体的なアルゴリズムとしては、最近傍法、ナイーブベイズ法、決定木、サポートベクターマシンなどが挙げられる。また、ニューラルネットワークを利用して、学習するための特徴量、結合重み付け係数を自ら生成する深層学習（ディープラーニング）も挙げられる。適宜、上記アルゴリズムのうち利用できるものを用いて以下の実施形態及び変形例に適用することができる。また、教師データとは、学習データのことをいい、入力データ及び出力データのペアで構成される。また、正解データとは、学習データ（教師データ）の出力データのことをいう。

また、学習済モデルとは、ディープラーニング等の任意の機械学習アルゴリズムに従った機械学習モデルに対して、事前に適切な教師データ（学習データ）を用いてトレーニング（学習）を行ったモデルをいう。ただし、学習済モデルは、事前に適切な学習データを用いて得ているが、それ以上の学習を行わないものではなく、追加の学習を行うこともできるものとする。追加学習は、装置が使用先に設置された後も行われることができる。なお、学習済モデルによって入力データから出力データを得ることを推論すると表現することもある。

［第１の実施形態］
現在、放射線による医用画像診断や非破壊検査に用いる撮影装置として、半導体材料によって形成された平面検出器（ＦＰＤ：Ｆｌａｔ Ｐａｎｅｌ Ｄｅｔｅｃｔｏｒ）を用いた放射線撮影装置が普及している。このような放射線撮影装置は、例えば医用画像診断においては、一般撮影のような静止画撮影や、透視撮影のような動画撮影を行うデジタル撮影装置として用いられている。一般に、ＦＰＤでは、入射した放射線量子により発生した電荷の総量を計測する、積分型のセンサが放射線の検出に用いられる。この際の画像に出現するノイズは、光子（以下、フォトン）の量の揺らぎによる量子ノイズと信号読み取りに使用する電気回路から発生する電気ノイズに起因する。

時分割型スペクトラルイメージングを行う場合には、検査対象物の同一部位の極めて短時間の連続撮影が必要である。量子ノイズを通常の撮影と同様の強度に抑えるためには、連続撮影した画像それぞれに通常の撮影と同等の放射線量を照射する必要がある。そのため、医用分野では、被検者の被曝線量は撮影枚数に比例して増加する。

ところで、連続して撮影された画像においては、それぞれ平均エネルギーが異なる放射線が照射されているため、被写体における放射線の透過率が物質により異なり、各画像のコントラストはそれぞれ異なる。しかしながら、短期間で撮影されることから、画像における被写体の形状はほぼ同じである。そのため、複数の画像間で被写体の形状が同じであることを利用して、これら複数の画像を用いたエネルギーサブトラクション処理により物質弁別画像等のエネルギーサブトラクション画像を生成することができる。しかしながら、エネルギーサブトラクション処理により物質の弁別（分離）等を行う際にノイズが増えることが知られている。

そこで、本開示の第１の実施形態では、高画質な画像を出力する学習済モデル（高画質化モデル）を用いて、被検者への被曝線量を抑えつつ、ノイズの影響を抑えたエネルギーサブトラクション画像を生成する。以下、図１乃至図１０を参照して、本実施形態に係る放射線撮影システムで用いられる画像処理装置及び画像処理方法について説明する。なお、本実施形態では、検査対象物を人体とした医療用の放射線撮影システムについて述べるが、本実施形態に係る技術は被写体を基盤等とした工業用の放射線撮影システムについても適用できる。

図１は、本実施形態に係る放射線撮影システムの全体的な構成例を示す。本実施形態の放射線撮影システムには、放射線源を含む放射線発生装置１０１、放射線制御装置１０２、制御装置１０３、放射線撮影装置１０４、入力部１５０、及び表示部１２０が設けられている。

放射線発生装置１０１には管球等の放射線源が含まれる。放射線発生装置１０１は、放射線制御装置１０２の制御下で放射線を発生する。放射線制御装置１０２には制御回路やプロセッサ等が含まれる。放射線制御装置１０２は、制御装置１０３の制御に基づいて、被検者Ｓｕ及び放射線撮影装置１０４に向けて放射線を照射するように放射線発生装置１０１を制御する。より具体的には、放射線制御装置１０２は、例えば、放射線発生装置１０１による放射線の照射角、放射線焦点位置、管電圧、及び管電流等の撮影条件を制御することができる。

制御装置１０３には、放射線制御装置１０２、放射線撮影装置１０４、入力部１５０、及び表示部１２０が接続されており、制御装置１０３はこれらの制御を行うことができる。制御装置１０３は、例えば、放射線撮影に関わる各種制御、スペクトラルイメージングのための画像処理などを行うことができる。

制御装置１０３には、取得部１３１、生成部１３２、処理部１３３、表示制御部１３４、及び記憶部１３５が設けられている。取得部１３１は、放射線撮影装置１０４で撮影された画像や生成部１３２で生成された画像を取得することができる。また、取得部１３１は、制御装置１０３にインターネット等のネットワークを介して接続される不図示の外部装置から各種画像を取得することもできる。

生成部１３２は、取得部１３１によって取得された放射線撮影装置１０４で撮影された画像（画像情報）から、放射線画像を生成することができる。生成部１３２は、例えば、異なるエネルギーの放射線を照射して放射線撮影装置１０４で撮影された画像から、異なる放射線エネルギーに関するエネルギー画像（高エネルギー画像及び低エネルギー画像）を生成することができる。エネルギー画像の生成方法については後述する。

処理部１３３は、高画質化モデルを用いて、異なるエネルギーのエネルギー画像に基づいて高画質なエネルギーサブトラクション画像を生成する。なお、高画質化モデル及びエネルギーサブトラクション画像の生成方法については後述する。また、処理部１３３は、生成したエネルギーサブトラクション画像等を用いた画像処理や解析処理等を行うこともできる。さらに、処理部１３３は、高画質化モデルの学習を行う学習部の一例として機能することもできる。

表示制御部１３４は、表示部１２０の表示を制御し、表示部１２０に、例えば、被検者Ｓｕ（検査対象物）の情報や、放射線撮影の情報、取得・生成された各種画像等を表示させることができる。記憶部１３５は、例えば、被検者Ｓｕの情報や、放射線撮影の情報、取得・生成された各種画像を記憶することができる。また、記憶部１３５は、制御装置１０３が各種処理を行うためのプログラム等を含むこともできる。

ここで、制御装置１０３は、プロセッサ及びメモリが設けられたコンピュータによって構成されることができる。なお、制御装置１０３は、一般的なコンピュータによって構成されてもよいし、放射線制御システム専用のコンピュータによって構成されてもよい。また、制御装置１０３は、例えば、パーソナルコンピュータであってもよく、デスクトップＰＣ、ノート型ＰＣ、又はタブレット型ＰＣ（携帯型の情報端末）等が用いられてもよい。さらに、制御装置１０３は、一部の構成要素が外部装置に配置されるようなクラウド型のコンピュータとして構成されてもよい。

また、制御装置１０３の記憶部１３５以外の各構成要素は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等のプロセッサによって実行されるソフトウェアモジュールにより構成されてよい。なお、プロセッサは、例えば、ＧＰＵ（Ｇｒａｐｈｉｃａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等であってもよい。また、当該各構成要素は、ＡＳＩＣ等の特定の機能を果たす回路等によって構成されてもよい。記憶部１３５は、例えば、ハードディスク等の光学ディスクやメモリ等の任意の記憶媒体によって構成されてよい。

表示部１２０は任意のモニタにより構成され、表示制御部１３４の制御に従って、被検者Ｓｕの情報などの各種情報や各種画像、入力部１５０の操作に従ったマウスカーソル等を表示する。入力部１５０は、制御装置１０３への指示を行う入力装置であり、具体的にはキーボードやマウスを含む。なお、表示部１２０はタッチパネル式のディスプレイにより構成されてもよく、この場合には表示部１２０は入力部１５０として兼用されることができる。

放射線撮影装置１０４は、放射線発生装置１０１から照射され、被検者Ｓｕを透過した放射線を検出し、放射線画像を撮影する。放射線撮影装置１０４は、例えば、ＦＰＤとして構成されることができる。放射線撮影装置１０４には、放射線を可視光に変換する蛍光体１４１と、可視光を検出する二次元検出器１４２が設けられている。二次元検出器１４２は、放射線量子を検出する画素２０がＸ列×Ｙ行のアレイ状に配置されたセンサを含み、検出した放射線量に応じた画像情報を出力する。

ここで、図２を参照して画素２０の一例について説明する。図２は、画素２０の一例の等価回路図を示す。画素２０には、光電変換素子２０１と、出力回路部２０２とが設けられている。光電変換素子２０１は、典型的にはフォトダイオードを含むことができる。出力回路部２０２には、増幅回路部２０４、クランプ回路部２０６、サンプルホールド回路部２０７、及び選択回路部２０８が設けられている。

光電変換素子２０１は電荷蓄積部を含み、該電荷蓄積部は、増幅回路部２０４のＭＯＳトランジスタ２０４ａのゲートに接続されている。ＭＯＳトランジスタ２０４ａのソースは、ＭＯＳトランジスタ２０４ｂを介して電流源２０４ｃに接続されている。ＭＯＳトランジスタ２０４ａと電流源２０４ｃとによってソースフォロア回路が構成されている。ＭＯＳトランジスタ２０４ｂは、そのゲートに供給されるイネーブル信号ＥＮがアクティブレベルになるとオン状態になりソースフォロア回路を動作状態にするイネーブルスイッチである。

図２に示す例では、光電変換素子２０１の電荷蓄積部及びＭＯＳトランジスタ２０４ａのゲートが共通のノードを構成している。このノードは、光電変換素子２０１の電荷蓄積部に蓄積された電荷を電圧に変換する電荷電圧変換部として機能する。電荷電圧変換部には、該電荷蓄積部に蓄積された電荷Ｑと電荷電圧変換部が有する容量値Ｃとによって定まる電圧Ｖ（＝Ｑ／Ｃ）が現れる。電荷電圧変換部は、リセットスイッチ２０３を介してリセット電位Ｖｒｅｓに接続されている。リセット信号ＰＲＥＳがアクティブレベルになると、リセットスイッチ２０３がオン状態になり、電荷電圧変換部の電位がリセット電位Ｖｒｅｓにリセットされる。

クランプ回路部２０６は、リセットされた電荷電圧変換部の電位に応じて増幅回路部２０４によって出力されるノイズをクランプ容量２０６ａによってクランプする。つまり、クランプ回路部２０６は、光電変換素子２０１で光電変換により発生した電荷に応じてソースフォロア回路から出力された信号から、上述のノイズをキャンセルするための回路である。このノイズはリセット時のｋＴＣノイズを含む。クランプは、クランプ信号ＰＣＬをアクティブレベルにしてＭＯＳトランジスタ２０６ｂをオン状態にした後に、クランプ信号ＰＣＬを非アクティブレベルにしてＭＯＳトランジスタ２０６ｂをオフ状態にすることによってなされる。クランプ容量２０６ａの出力側は、ＭＯＳトランジスタ２０６ｃのゲートに接続されている。ＭＯＳトランジスタ２０６ｃのソースは、ＭＯＳトランジスタ２０６ｄを介して電流源２０６ｅに接続されている。ＭＯＳトランジスタ２０６ｃと電流源２０６ｅとによってソースフォロア回路が構成されている。ＭＯＳトランジスタ２０６ｄは、そのゲートに供給されるイネーブル信号ＥＮ０がアクティブレベルになるとオン状態となりソースフォロア回路を動作状態にするイネーブルスイッチである。

光電変換素子２０１の光電変換により発生した電荷に応じてクランプ回路部２０６から出力される信号は、光信号サンプリング信号ＴＳがアクティブレベルになることによってスイッチ２０７Ｓａを介して容量２０７Ｓｂに光信号として書き込まれる。電荷電圧変換部の電位をリセットした直後にＭＯＳトランジスタ２０６ｂをオン状態とした際にクランプ回路部２０６から出力される信号は、クランプ電圧である。クランプ電圧は、ノイズサンプリング信号ＴＮがアクティブレベルになることによってスイッチ２０７Ｎａを介して容量２０７Ｎｂにノイズとして書き込まれる。このノイズは、クランプ回路部２０６のオフセット成分を含む。スイッチ２０７Ｓａと容量２０７Ｓｂによって信号サンプルホールド回路２０７Ｓが構成され、スイッチ２０７Ｎａと容量２０７Ｎｂによってノイズサンプルホールド回路２０７Ｎが構成される。サンプルホールド回路部２０７は、信号サンプルホールド回路２０７Ｓとノイズサンプルホールド回路２０７Ｎとを含む。

駆動回路部が行選択信号をアクティブレベルに駆動すると、容量２０７Ｓｂに保持された信号（光信号）がＭＯＳトランジスタ２０８Ｓａ及び行選択スイッチ２０８Ｓｂを介して信号線２１Ｓに出力される。また、同時に、容量２０７Ｎｂに保持された信号（ノイズ）がＭＯＳトランジスタ２０８Ｎａ及び行選択スイッチ２０８Ｎｂを介して信号線２１Ｎに出力される。ＭＯＳトランジスタ２０８Ｓａは、信号線２１Ｓに設けられた不図示の定電流源とともにソースフォロア回路を構成する。同様に、ＭＯＳトランジスタ２０８Ｎａは、信号線２１Ｎに設けられた不図示の定電流源とともにソースフォロア回路を構成する。ＭＯＳトランジスタ２０８Ｓａと行選択スイッチ２０８Ｓｂによって信号用選択回路部２０８Ｓが構成され、ＭＯＳトランジスタ２０８Ｎａと行選択スイッチ２０８Ｎｂによってノイズ用選択回路部２０８Ｎが構成される。選択回路部２０８は、信号用選択回路部２０８Ｓとノイズ用選択回路部２０８Ｎとを含む。

画素２０は、隣接する複数の画素２０の光信号を加算する加算スイッチ２０９Ｓを有してもよい。加算モード時には、加算モード信号ＡＤＤがアクティブレベルになり、加算スイッチ２０９Ｓがオン状態になる。これにより、隣接する画素２０の容量２０７Ｓｂが加算スイッチ２０９Ｓによって相互に接続されて、光信号が平均化される。同様に、画素２０は、隣接する複数の画素２０のノイズを加算する加算スイッチ２０９Ｎを有してもよい。加算スイッチ２０９Ｎがオン状態になると、隣接する画素２０の容量２０７Ｎｂが加算スイッチ２０９Ｎによって相互に接続されて、ノイズが平均化される。加算部２０９は、加算スイッチ２０９Ｓと加算スイッチ２０９Ｎを含む。

また、画素２０は、感度を変更するための感度変更部２０５を有してもよい。画素２０は、例えば、第１感度変更スイッチ２０５ａ及び第２感度変更スイッチ２０５’ａ、並びにそれらに付随する回路素子を含みうる。第１変更信号ＷＩＤＥがアクティブレベルになると、第１感度変更スイッチ２０５ａがオン状態となり、電荷電圧変換部の容量値に第１付加容量２０５ｂの容量値が追加される。これによって画素２０の感度が低下する。第２変更信号ＷＩＤＥ２がアクティブレベルになると、第２感度変更スイッチ２０５’ａがオン状態となり、電荷電圧変換部の容量値に第２付加容量２０５’ｂの容量値が追加される。これによって画素２０の感度が更に低下する。このように画素２０の感度を低下させる機能を追加することによって、より大きな光量を受光することが可能となり、ダイナミックレンジを広げることができる。第１変更信号ＷＩＤＥがアクティブレベルになる場合には、イネーブル信号ＥＮｗをアクティブレベルにして、ＭＯＳトランジスタ２０４ａに変えてＭＯＳトランジスタ２０４’ａをソースフォロア動作させてもよい。

放射線撮影装置１０４は、以上のような画素回路の出力を読出し、不図示のＡＤ変換器でデジタル値（画像情報）に変換する。放射線撮影装置１０４は、デジタル値に変換した画像情報を制御装置１０３に転送する。これにより、制御装置１０３の取得部１３１は、放射線撮影された画像を取得することができる。

次に、図３及び図４を参照して、本実施形態の放射線撮撮影システムの放射線撮影動作について説明する。図３及び図４は、本実施形態に係る放射線撮影システムにおいてエネルギーサブトラクション処理を行うための撮影動作における各種駆動タイミングの例を示す。図３は、管電圧（エネルギー）の切り替えができない、比較的安価な管球を用いた場合の放射線撮影動作の例を示し、図４は、管電圧を切り替えられる管球を用いた場合の放射線撮影動作の例を示す。図中の波形は横軸を時間として、Ｘ線の曝射、同期信号、光電変換素子２０１のリセット、サンプルホールド回路部２０７の駆動、信号線２１からの画像の読み出しのタイミングを示している。なお、図３及び図４において、Ｘ線における波形は管電圧を示している。また、Ｘ線について黒塗りの箇所と白塗りの箇所とを設けているが、これは単にタイミングの見分けを容易にするために描き分けられているものである。

まず、図３で示す例について説明する。この例では、光電変換素子２０１のリセットを行ってから、Ｘ線を曝射する。Ｘ線の管電圧は理想的には矩形波となるが、管電圧の立ち上がりと立ち下がりには有限の時間がかかる。特に、パルスＸ線で曝射時間が短い場合は、管電圧はもはや矩形波とはみなせず、図３のＸ線において示すような波形となる。このため、Ｘ線の立ち上がり期、安定期、及び立ち下がり期でＸ線のエネルギーが異なる。

そこで、立ち上がり期のＸ線３０１が曝射された後に、ノイズサンプルホールド回路２０７Ｎでサンプリングを行い、さらに、安定期のＸ線３０２が曝射された後に、信号サンプルホールド回路２０７Ｓでサンプリングを行う。その後、信号線２１Ｎの信号と信号線２１Ｓの信号の差分を画像として読み出す。このとき、ノイズサンプルホールド回路２０７Ｎには立ち上がり期のＸ線３０１の信号（Ｒ_１）が保持され、信号サンプルホールド回路２０７Ｓには立ち上がり期のＸ線３０１の信号（Ｒ_１）と安定期のＸ線３０２の信号（Ｂ）の和が保持されている。従って、信号線２１Ｎの信号と信号線２１Ｓの信号の差分として、安定期のＸ線３０２の信号（Ｂ）に対応した画像３０４が読み出される。

次に、立ち下がり期のＸ線３０３の曝射と、画像３０４の読み出しとが完了してから、再び信号サンプルホールド回路２０７Ｓでサンプリングを行う。その後、光電変換素子２０１のリセットを行い、再びノイズサンプルホールド回路２０７Ｎでサンプリングを行い、信号線２１Ｎの信号と信号線２１Ｓの信号の差分を画像として読み出す。このとき、ノイズサンプルホールド回路２０７Ｎには、Ｘ線が曝射されていない状態の信号が保持されている。また、信号サンプルホールド回路２０７Ｓには、立ち上がり期のＸ線３０１の信号（Ｒ_１）と安定期のＸ線３０２の信号（Ｂ）と立ち下がり期のＸ線３０３の信号（Ｒ_２）の和が保持されている。従って、信号線２１Ｎの信号と信号線２１Ｓの信号の差分として、立ち上がり期のＸ線３０１の信号（Ｒ_１）と安定期のＸ線３０２の信号（Ｂ）と立ち下がり期のＸ線３０３の信号（Ｒ_２）の和に対応した画像３０６が読み出される。その後、画像３０６と画像３０４の差分を計算することで、立ち上がり期のＸ線３０１の信号（Ｒ_１）と立ち下がり期のＸ線３０３の信号（Ｒ_２）の和に対応した画像３０５が得られる。

サンプルホールド回路部２０７及び光電変換素子２０１のリセットを行うタイミングは、放射線発生装置１０１からＸ線の曝射が開始されたことを示す同期信号３０７を用いて決定する。Ｘ線の曝射開始を検出する方法としては、放射線発生装置１０１の管電流を測定し、電流値が予め設定された閾値を上回るか否かを判定する構成を用いることができる。また、光電変換素子２０１のリセットが完了した後、画素２０の信号を繰り返して読み出し、画素値が予め設定された閾値を上回るか否かを判定する構成を用いることもできる。さらに、放射線撮影装置１０４に二次元検出器１０６とは異なるＸ線検出器を内蔵し、その測定値が予め設定された閾値を上回るか否かを判定する構成を用いることもできる。いずれの方式の場合も、同期信号３０７の入力から予め指定した時間が経過した後に、信号サンプルホールド回路２０７Ｓのサンプリング、ノイズサンプルホールド回路２０７Ｎのサンプリング、及び光電変換素子２０１のリセットを行う。

以上のようにして、パルスＸ線の安定期に対応した画像３０４と、パルスＸ線の立ち上がり期と立ち下がり期の和に対応した画像３０５を得ることができる。これら２枚の画像を生成する際に曝射されたＸ線のエネルギーが異なるため、２枚の画像間で演算を行うことでエネルギーサブトラクション処理を行うことができる。

次に、管電圧を切り替えられる管球を用いた場合の放射線撮影動作の例について図４を参照して説明する。図３で示した例とは、Ｘ線の管電圧を能動的に切り替えている点で異なる。

この例では、まず、光電変換素子２０１のリセットを行ってから、低エネルギーのＸ線４０１を曝射する。その後、ノイズサンプルホールド回路２０７Ｎでサンプリングを行ってから、管電圧を切り替えて高エネルギーのＸ線４０２を曝射する。高エネルギーのＸ線４０２が曝射された後に、信号サンプルホールド回路２０７Ｓでサンプリングを行う。その後、管電圧を切り替えて低エネルギーのＸ線４０３の曝射を行う。さらに、信号線２１Ｎの信号と信号線２１Ｓの信号の差分を画像として読み出す。このとき、ノイズサンプルホールド回路２０７Ｎには低エネルギーのＸ線４０１の信号（Ｒ_１）が保持され、信号サンプルホールド回路２０７Ｓには低エネルギーのＸ線４０１の信号（Ｒ_１）と高エネルギーのＸ線４０２の信号（Ｂ）の和が保持されている。従って、信号線２１Ｎの信号と信号線２１Ｓの信号の差分として、高エネルギーのＸ線４０２の信号（Ｂ）に対応した画像４０４が読み出される。

次に、低エネルギーのＸ線４０３の曝射と、画像４０４の読み出しとが完了してから、再び信号サンプルホールド回路２０７Ｓでサンプリングを行う。その後、光電変換素子２０１のリセットを行い、再びノイズサンプルホールド回路２０７Ｎでサンプリングを行い、信号線２１Ｎの信号と信号線２１Ｓの信号の差分を画像として読み出す。このとき、ノイズサンプルホールド回路２０７ＮにはＸ線が曝射されていない状態の信号が保持されている。また、信号サンプルホールド回路２０７Ｓには低エネルギーのＸ線４０１の信号（Ｒ_１）と高エネルギーのＸ線４０２の信号（Ｂ）と低エネルギーのＸ線４０３の信号（Ｒ_２）の和が保持されている。従って、信号線２１Ｎの信号と信号線２１Ｓの信号の差分として、低エネルギーのＸ線４０１の信号（Ｒ_１）と高エネルギーのＸ線４０２の信号（Ｂ）と低エネルギーのＸ線４０３の信号（Ｒ_２）の和に対応した画像４０６が読み出される。その後、画像４０６と画像４０４の差分を計算することで、低エネルギーのＸ線４０１の信号（Ｒ_１）と低エネルギーのＸ線４０３の信号（Ｒ_２）の和に対応した画像４０５が得られる。

なお、同期信号４０７については、図３に示す例と同様である。このように、管電圧を能動的に切り替えながら画像を取得することで、図３の方法に比べて低エネルギーと高エネルギーの画像の間のエネルギー差をより大きくすることができる。

次に、エネルギーサブトラクション処理の方法について説明する。本実施形態におけるエネルギーサブトラクション処理は、エネルギーサブトラクション処理の信号処理に加えて、前処理となる補正処理と後処理となる画像処理を含む。

まず、図５を参照して、前処理となる補正処理について説明する。図５は、本実施形態に係る補正処理のブロック図である。なお、以下において、本実施形態では、図３に示した例に従った放射線撮影動作を行うものとして説明する。

まず、放射線撮影装置１０４にＸ線を曝射せずに図３に示した駆動により撮影を行い、取得部１３１は撮影された画像を取得する。このとき、画像３０４，３０６に対応する２枚の画像が読み出されるが、１枚目の画像（画像３０４）を画像Ｆ＿Ｏｄｄ、２枚目の画像（画像３０６）を画像Ｆ＿Ｅｖｅｎとする。画像Ｆ＿Ｏｄｄと画像Ｆ＿Ｅｖｅｎは、放射線撮影装置１０４の固定パターンノイズ（ＦＰＮ）に対応する画像である。

次に、被写体がない状態で放射線撮影装置１０４にＸ線を曝射して図３に示した駆動により撮影を行い、取得部１３１は撮影された画像を取得する。このとき、画像３０４，３０６に対応する２枚の画像が読み出されるが、１枚目の画像（画像３０４）を画像Ｗ＿Ｏｄｄ、２枚目の画像（画像３０６）を画像Ｗ＿Ｅｖｅｎとする。画像Ｗ＿Ｏｄｄと画像Ｗ＿Ｅｖｅｎは、放射線撮影装置１０４のＦＰＮとＸ線による信号の和に対応する画像である。

従って、画像Ｗ＿Ｏｄｄから画像Ｆ＿Ｏｄｄを、画像Ｗ＿Ｅｖｅｎから画像Ｆ＿Ｅｖｅｎを減算することで、放射線撮影装置１０４のＦＰＮが除去された画像ＷＦ＿Ｏｄｄと画像ＷＦ＿Ｅｖｅｎが得られる。本実施形態では、このような補正処理をオフセット補正という。

画像ＷＦ＿Ｏｄｄは安定期のＸ線３０２に対応する画像であり、画像ＷＦ＿Ｅｖｅｎは立ち上がり期のＸ線３０１、安定期のＸ線３０２、及び立ち下がり期のＸ線３０３の和に対応する画像である。従って、画像ＷＦ＿Ｅｖｅｎから画像ＷＦ＿Ｏｄｄを減算することで、立ち上がり期のＸ線３０１と立ち下がり期のＸ線３０３の和に対応する画像が得られる。立ち上がり期のＸ線３０１と立ち下がり期のＸ線３０３のエネルギーは、安定期のＸ線３０２のエネルギーに比べて低い。従って、ＷＦ＿ＥｖｅｎからＷＦ＿Ｏｄｄを減算することで、被写体がない場合の低エネルギー画像Ｗ＿Ｌｏｗが得られる。また、ＷＦ＿Ｏｄｄから、被写体がない場合の高エネルギー画像Ｗ＿Ｈｉｇｈが得られる。本実施形態では、このような補正処理を色補正という。

次に、被写体がある状態で放射線撮影装置１０４にＸ線を曝射して図３に示した駆動により撮影を行い、取得部１３１は撮影された画像を取得する。このとき、画像３０４，３０６に対応する２枚の画像が読み出されるが、１枚目の画像（画像３０４）を画像Ｘ＿Ｏｄｄ、２枚目の画像（画像３０６）を画像Ｘ＿Ｅｖｅｎとする。生成部１３２は、これらの画像について、被写体がない場合と同様にオフセット補正と色補正を行うことで、被写体がある場合の低エネルギー画像Ｘ＿Ｌｏｗと、被写体がある場合の高エネルギー画像Ｘ＿Ｈｉｇｈを得ることができる。

ここで、被写体の厚さをｄ、被写体の線減弱係数をμ、被写体がない場合の画素２０の出力をＩ_０、被写体がある場合の画素２０の出力をＩとすると、以下の式（１）が成り立つ。
ここで、式（１）を変形すると、以下の式（２）が得られる。
式（２）の右辺は被写体の減弱率を示す。被写体の減弱率は０～１の間の実数である。

従って、被写体がある場合の低エネルギー画像Ｘ＿Ｌｏｗを、被写体がない場合の低エネルギー画像Ｗ＿Ｌｏｗで除算することで、低エネルギーにおける減弱率の画像（低エネルギー画像Ｉｍ_Ｌ）が得られる。同様に、被写体がある場合の高エネルギー画像Ｘ＿Ｈｉｇｈを、被写体がない場合の高エネルギー画像Ｗ＿Ｈｉｇｈで除算することで、高エネルギーにおける減弱率の画像（高エネルギー画像Ｉｍ_Ｈ）が得られる。本実施形態では、このような補正処理をゲイン補正という。本実施形態では、生成部１３２が上述のようなオフセット補正、色補正、及びゲイン補正を含む補正処理を行うことで、低エネルギー画像Ｉｍ_Ｌ及び高エネルギー画像Ｉｍ_Ｈを生成・取得することができる。

次に、本実施形態に係る高画質化モデルを用いたエネルギーサブトラクション処理を説明する前に、図６を参照して、エネルギーサブトラクション処理の信号処理について説明する。図６は、エネルギーサブトラクション処理の信号処理のブロック図を示す。エネルギーサブトラクション処理の信号処理では、図５を参照して説明した補正処理によって得られた低エネルギー画像Ｉｍ_Ｌと高エネルギー画像Ｉｍ_Ｈから、骨の厚さの画像（骨画像Ｉｍ_Ｂ）と軟部組織の厚さの画像（軟部組織画像Ｉｍ_Ｓ）を求める。

まず、Ｘ線フォトンのエネルギーをＥ、エネルギーＥにおけるフォトン数をＮ（Ｅ）、骨の厚さをＢ、軟部組織の厚さをＳとする。また、エネルギーＥにおける骨の線減弱係数をμ_Ｂ（Ｅ）、エネルギーＥにおける軟部組織の線減弱係数をμ_Ｓ（Ｅ）、減弱率をＩ／Ｉ_０とすると、以下の式（３）が成り立つ。

エネルギーＥにおけるフォトン数Ｎ（Ｅ）は、Ｘ線のスペクトルである。Ｘ線のスペクトルは、シミュレーション又は実測により得られる。また、エネルギーＥにおける骨の線減弱係数μ_Ｂ（Ｅ）とエネルギーＥにおける軟部組織の線減弱係数μ_Ｓ（Ｅ）は、ＮＩＳＴ（アメリカ標準技術研究所）などのデータベースから得られる。このため、式（３）を用いれば、任意の骨の厚さＢ、軟部組織の厚さＳ、及びＸ線のスペクトルＮ（Ｅ）における減弱率Ｉ／Ｉ_０を計算することが可能である。

ここで、低エネルギーのＸ線におけるスペクトルをＮ_Ｌ（Ｅ）、高エネルギーのＸ線におけるスペクトルをＮ_Ｈ（Ｅ）とすると、以下の式（４）が成り立つ。
式（４）の非線形連立方程式を解くことで、骨の厚さＢと軟部組織の厚さＳを求めることができる。

ここでは、非線形連立方程式を解く代表的な方法として、反復解法の一種であるニュートンラフソン法を用いた場合について説明する。まず、ニュートンラフソン法の反復回数をｍ、ｍ回目の反復後の骨の厚さをＢ^ｍ、ｍ回目の反復後の軟部組織の厚さをＳ^ｍとしたとき、ｍ回目の反復後の高エネルギーの減弱率Ｈ^ｍ、及びｍ回目の反復後の低エネルギーの減弱率Ｌ^ｍを、以下の式（５）で表す。
また、厚さが微小に変化したときの減弱率の変化率を、以下の式（６）で表す。

このとき、ｍ＋１回目の反復後の骨の厚さＢ^ｍ＋１と軟部組織の厚さＳ^ｍ＋１を、高エネルギーの減弱率Ｈと低エネルギーの減弱率Ｌを用いて、以下の式（７）で表す。
ここで、２×２の行列の逆行列は、行列式をｄｅｔとすると、クラメルの公式より以下の式で表される。
従って、式（７）に式（８）を代入すると、以下の式（９）が求まる。

このような計算を繰り返すことで、ｍ回目の反復後の高エネルギーの減弱率Ｈ^ｍと実測した高エネルギーの減弱率Ｈの差分が限りなく０に近づいていく。低エネルギーの減弱率Ｌについても同様である。これによって、ｍ回目の反復後の骨の厚さＢ^ｍが骨の厚さＢに収束し、ｍ回目の軟部組織の厚さＳ^ｍが軟部組織の厚さＳに収束する。以上のようにして、式（４）に示した非線形連立方程式を解くことができる。従って、全ての画素について式（４）を計算することで、低エネルギー画像Ｉｍ_Ｌと高エネルギー画像Ｉｍ_Ｈから、骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓを得ることができる。

なお、ここでは説明を簡略化するために、エネルギーサブトラクション処理により骨の厚さＢと軟部組織の厚さＳを算出していたが、本実施形態はこのような形態に限定されない。例えば、エネルギーサブトラクション処理により水の厚さと造影剤の厚さを算出してもよい。この場合、エネルギーＥにおける水の線減弱係数とエネルギーＥにおける造影剤の線減弱係数も、ＮＩＳＴなどのデータベースから得てよい。エネルギーサブトラクション処理によれば、任意の二種類の物質の厚さを算出することができる。

また、上記の説明では、ニュートンラフソン法を用いて非線形連立方程式を解いていた。しかしながら、非線形連立方程式の解法はこのような形態に限定されない。例えば、最小二乗法や二分法などの反復解法を用いてもよい。また、骨の厚さＢと軟部組織の厚さＳを算出する方法は、非線形連立方程式を反復解法で解く形態に限定されない。例えば、様々な組み合わせの高エネルギーの減弱率Ｈと低エネルギーの減弱率Ｌに対する骨の厚さＢや軟部組織の厚さＳを事前に求めてテーブルを生成し、テーブルを参照することで骨の厚さＢや軟部組織の厚さＳを高速に求めてもよい。

上記の説明では、高エネルギー画像Ｉｍ_Ｈ及び低エネルギー画像Ｉｍ_Ｌについてエネルギーサブトラクション処理を行い、骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓを生成する手法について述べた。これに対し、以下、本実施形態に係る、高画質な画像を出力する学習済モデルである高画質化モデルを用いたエネルギーサブトラクション処理について説明する。本実施形態では、処理部１３３が、高画質化モデルを用いて、高エネルギー画像Ｉｍ_Ｈ及び低エネルギー画像Ｉｍ_Ｌに基づいてノイズの低減された高画質なエネルギーサブトラクション画像（骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓ）を生成する。

（高画質化モデル）
以下、本実施形態に係る高画質化モデルについて図７を参照して説明する。なお、本実施形態では高画質化モデルは記憶部１３５に記憶され、処理部１３３が処理に用いる構成とするが、高画質化モデルは制御装置１０３に接続される不図示の外部装置に設けられてもよい。

本実施形態に係る高画質化モデルは、機械学習アルゴリズムに係るトレーニング（学習）を行って得た学習済モデルである。本実施形態では、機械学習アルゴリズムに係る機械学習モデルのトレーニングに、処理対象として想定される特定の撮影条件を持つ低画質画像である入力データと、入力データに対応する高画質画像である出力データのペア群で構成された学習データを用いる。なお、特定の撮影条件には、具体的には、予め決定された撮影部位、撮影方式、Ｘ線の管電圧、及び画像サイズ等が含まれる。

ここで、一般的な学習済モデルについて簡単に説明する。学習済モデルとは、任意の機械学習アルゴリズムに対して、事前に適切な学習データを用いてトレーニング（学習）を行った機械学習モデルである。学習データは、一つ以上の、入力データと出力データ（正解データ）とのペア群で構成される。なお、学習データを構成するペア群の入力データと出力データの形式や組み合わせは、双方が画像であったり、一方が画像で他方が数値であったり、一方が複数の画像群で構成され他方が文字列であったりする等、所望の構成に適したものであってよい。

具体的には、例えば、通常撮影によって取得されたノイズの多い低画質画像と、高線量で撮影した高画質画像とのペア群によって構成されている学習データ（以下、第１の学習データ）等が挙げられる。また、その他の学習データの例として、放射線撮影装置１０４によって取得された画像と、該画像に対応する撮影部位ラベルとのペア群によって構成された学習データ（以下、第２の学習データ）が挙げられる。なお、撮影部位ラベルは部位を表すユニークな数値や文字列である。

このとき、学習済モデルに入力データを入力すると、該学習済モデルの設計に従った出力データが出力される。学習済モデルは、例えば、学習データを用いてトレーニングされた傾向に従って、入力データに対応する可能性の高い出力データを出力する。また、学習済モデルは、例えば、学習データを用いてトレーニングされた傾向に従って、出力データの種類のそれぞれについて、入力データに対応する確からしさ（信頼度、確率）を数値として出力する等を行うこともできる。

具体的には、例えば、第１の学習データでトレーニングされた機械学習モデルに、通常撮影によって取得されたノイズの多い低画質画像を入力すると、機械学習モデルは、高線量で撮影された画像相当の高画質画像を出力する。また、例えば、第２の学習データでトレーニングされた機械学習モデルに撮影により取得された画像を入力すると、機械学習モデルは、該画像に撮影されている撮影部位の撮影部位ラベルを出力したり、撮影部位ラベル毎の確率を出力したりする。なお、機械学習モデルについては、品質保持の観点から、自身が出力した出力データを学習データとして用いないように構成することもできる。

また、機械学習アルゴリズムは、畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）等のディープラーニングに関する手法を含む。ディープラーニングに関する手法においては、ニューラルネットワークを構成する層群やノード群に対するパラメータの設定が異なると、学習データを用いてトレーニングされた傾向を出力データに再現可能な程度が異なる場合がある。例えば、第１の学習データを用いたディープラーニングの機械学習モデルにおいては、より適切なパラメータが設定されていると、より高画質な画像を出力できる場合がある。また、例えば、第２の学習データを用いたディープラーニングの機械学習モデルにおいては、より適切なパラメータが設定されていると、正しい撮影部位ラベルを出力する確率がより高くなる場合がある。

具体的には、ＣＮＮにおけるパラメータは、例えば、畳み込み層に対して設定される、フィルタのカーネルサイズ、フィルタの数、ストライドの値、及びダイレーションの値、並びに全結合層の出力するノードの数等を含むことができる。なお、パラメータ群やトレーニングのエポック数は、学習データに基づいて、学習済モデルの利用形態に好ましい値に設定することができる。例えば、学習データに基づいて、より高画質な画像を出力したり、正しい撮影部位ラベルをより高い確率で出力したりできるパラメータ群やエポック数を設定することができる。

このようなパラメータ群やエポック数の決定方法の一つを例示する。まず、学習データを構成するペア群の７割をトレーニング用とし、残りの３割を評価用としてランダムに設定する。次に、トレーニング用のペア群を用いて機械学習モデルのトレーニングを行い、トレーニングの各エポックの終了時に、評価用のペア群を用いてトレーニング評価値を算出する。トレーニング評価値とは、例えば、各ペアを構成する入力データをトレーニング中の機械学習モデルに入力したときの出力と、入力データに対応する出力データとを損失関数によって評価した値群の平均値である。最後に、最もトレーニング評価値が小さくなったときのパラメータ群及びエポック数を、当該機械学習モデルのパラメータ群やエポック数として決定する。なお、このように、学習データを構成するペア群をトレーニング用と評価用とに分けてエポック数の決定を行うことによって、機械学習モデルがトレーニング用のペア群に対して過学習してしまうことを防ぐことができる。

ここで、本実施形態に係る高画質化モデルは、入力された低画質なエネルギー画像に基づいて、高画質なエネルギーサブトラクション画像を出力するモジュールとして構成される。ここで、本明細書における高画質化とは、入力された画像から画像検査により適した画質の画像を生成することをいい、高画質画像とは、画像検査により適した画質にされた画像をいう。また、低画質画像とは、例えば、Ｘ線撮影やＣＴ等により取得された二次元画像や三次元画像、又は連続撮影したＣＴの三次元動画像等の特に高画質になるような設定をされずに撮影されたものである。具体的には、低画質画像は、例えば、Ｘ線撮影装置やＣＴによる低線量で撮影された画像等を含む。

また、ノイズが少なかったり、高コントラストであったりする高画質画像を、各種解析処理や、ＣＴ等の画像の領域セグメンテーション処理等の画像解析に利用すると、低画質画像を利用するよりも精度よく解析が行えることが多い。そのため、高画質化エンジンによって出力された高画質画像は、画像検査だけでなく、画像解析にも有用である場合がある。

また、画像検査に適した画質の内容は、各種の画像検査で何を検査したいのかということに依存する。そのため一概には言えないが、例えば、画像検査に適した画質は、ノイズが少なかったり、高コントラストであったり、撮影対象を観察しやすい色や階調で示していたり、画像サイズが大きかったり、高解像度であったりする画質を含む。また、画像生成の過程で描画されてしまった実際には存在しないオブジェクトやグラデーションが画像から除去されているような画質を含むことができる。

本実施形態における処理部１３３で実行されるエネルギーサブトラクション処理を構成する画像処理手法では、ディープラーニング等の各種機械学習アルゴリズムを用いた処理を行う。なお、当該画像処理手法では、機械学習アルゴリズムを用いた処理に加えて、各種画像フィルタ処理、類似画像に対応する高画質画像のデータベースを用いたマッチング処理、及び知識ベース画像処理等の既存の任意の処理を行ってもよい。

以下、図７を参照して、本実施形態に係る高画質化モデルに係るＣＮＮの構成例を説明する。図７は、高画質化モデルの構成の一例を示している。図７で示す構成は、入力値群を加工して出力する処理を担う、複数の層群によって構成される。当該構成に含まれる層の種類としては、図７に示すように、畳み込み（Ｃｏｎｖｏｌｕｔｉｏｎ）層、ダウンサンプリング（Ｄｏｗｎｓａｍｐｌｉｎｇ）層、アップサンプリング（Ｕｐｓａｍｐｌｉｎｇ）層、及び合成（Ｍｅｒｇｅｒ）層がある。

畳み込み層は、設定されたフィルタのカーネルサイズ、フィルタの数、ストライドの値、及びダイレーションの値等のパラメータに従い、入力値群に対して畳み込み処理を行う層である。なお、入力される画像の次元数に応じて、フィルタのカーネルサイズの次元数も変更してもよい。

ダウンサンプリング層は、入力値群を間引いたり、合成したりすることによって、出力値群の数を入力値群の数よりも少なくする処理を行う層である。具体的には、このような処理として、例えば、Ｍａｘ Ｐｏｏｌｉｎｇ処理がある。

アップサンプリング層は、入力値群を複製したり、入力値群から補間した値を追加したりすることによって、出力値群の数を入力値群の数よりも多くする処理を行う層である。具体的には、このような処理として、例えば、線形補間処理がある。

合成層は、ある層の出力値群や画像を構成する画素値群といった値群を、複数のソースから入力し、それらを連結したり、加算したりして合成する処理を行う層である。

このような構成では、入力された画像Ｉｍ７１０を構成する画素値群が畳み込み処理ブロックを経て出力された値群と、入力された画像Ｉｍ７１０を構成する画素値群が、合成層で合成される。その後、合成された画素値群は最後の畳み込み層で高画質画像Ｉｍ７２０に成形される。

なお、ニューラルネットワークを構成する層群やノード群に対するパラメータの設定が異なると、学習データからトレーニングされた傾向について、推論時に再現可能な程度が異なる場合があるので注意が必要である。つまり、多くの場合、実施する際の形態に応じて適切なパラメータは異なるので、必要に応じて好ましい値に変更することができる。

また、上述したようなパラメータを変更するという方法だけでなく、ＣＮＮの構成を変更することによって、ＣＮＮがより良い特性を得られる場合がある。より良い特性とは、例えば、より精度良くノイズが低減された放射線画像を出力したり、処理時間が短かったり、機械学習モデルのトレーニングにかかる時間が短かったりする等である。

なお、本実施形態で用いるＣＮＮの構成は、複数のダウンサンプリング層を含む複数の階層からなるエンコーダーの機能と、複数のアップサンプリング層を含む複数の階層からなるデコーダーの機能とを有するＵ－ｎｅｔ型の機械学習モデルである。すなわち、ＣＮＮの構成は、エンコーダー機能とデコーダー機能とを有するＵ字型の構造を含む。Ｕ－ｎｅｔ型の機械学習モデルでは、エンコーダーとして構成される複数の階層において曖昧にされた位置情報（空間情報）を、デコーダーとして構成される複数の階層において、同次元の階層（互いに対応する階層）で用いることができるように（例えば、スキップコネクションを用いて）構成される。

なお、図示はしないが、ＣＮＮの構成の変更例として、例えば、畳み込み層の後にバッチ正規化（Ｂａｔｃｈ Ｎｏｒｍａｌｉｚａｔｉｏｎ）層や、正規化線形関数（Ｒｅｃｔｉｆｉｅｒ Ｌｉｎｅａｒ Ｕｎｉｔ）を用いた活性化層を組み込む等をしてもよい。

ここで、ＧＰＵは、データをより多く並列処理することで効率的な演算を行うことができる。このため、ディープラーニングのような機械学習アルゴリズムを用いて複数回に渡り学習を行う場合には、ＧＰＵで処理を行うことが有効である。そこで、本実施形態では、学習部の一例として機能する処理部１３３による処理には、ＣＰＵに加えてＧＰＵを用いる。具体的には、学習モデルを含む学習プログラムを実行する場合に、ＣＰＵとＧＰＵが協働して演算を行うことで学習を行う。なお、学習部の処理では、ＣＰＵ又はＧＰＵのみにより演算が行われてもよい。また、本実施形態に係るエネルギーサブトラクション処理についても、学習部と同様にＧＰＵを用いて実現してもよい。なお、学習済モデルが外部装置に設けられている場合には、処理部１３３は学習部として機能しなくてもよい。

また、学習部は、不図示の誤差検出部と更新部とを備えてもよい。誤差検出部は、入力層に入力される入力データに応じてニューラルネットワークの出力層から出力される出力データと、正解データとの誤差を得る。誤差検出部は、損失関数を用いて、ニューラルネットワークからの出力データと正解データとの誤差を計算するようにしてもよい。また、更新部は、誤差検出部で得られた誤差に基づいて、その誤差が小さくなるように、ニューラルネットワークのノード間の結合重み付け係数等を更新する。この更新部は、例えば、誤差逆伝播法を用いて、結合重み付け係数等を更新する。誤差逆伝播法は、上記の誤差が小さくなるように、各ニューラルネットワークのノード間の結合重み付け係数等を調整する手法である。

なお、ＣＮＮを用いた画像処理等、一部の画像処理手法を利用する場合には画像サイズについて注意する必要がある。具体的には、高画質画像の周辺部が十分に高画質化されない問題等の対策のため、入力する低画質画像と出力する高画質画像とで異なる画像サイズを要する場合があることに留意すべきである。

明瞭な説明のため、本実施形態において明記はしないが、高画質化モデルに入力される画像と出力される画像とで異なる画像サイズを要する高画質化モデルを採用した場合には、適宜画像サイズを調整しているものとする。具体的には、機械学習モデルをトレーニングするための学習データに用いる画像や、高画質化モデルに入力される画像といった入力画像に対して、パディングを行ったり、該入力画像の周辺の撮影領域を結合したりして、画像サイズを調整する。なお、パディングを行う領域は、効果的に高画質化できるように高画質化手法の特性に合わせて、一定の画素値で埋めたり、近傍画素値で埋めたり、ミラーパディングしたりすることができる。

また、処理部１３３における高画質化処理は、一つの画像処理手法だけで実施されてもよいし、二つ以上の画像処理手法を組み合わせて実施されてもよい。また、複数の高画質化手法群を並列に実施し、複数の高画質画像群を生成した上で、最も高画質な高画質画像を最終的に高画質画像として選択してもよい。なお、最も高画質な高画質画像の選択は、画質評価指数を用いて自動的に行われてもよいし、表示部１２０等に備えられたＵＩ（Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）に複数の高画質画像群を表示して、検者（操作者）の指示に応じて行われてもよい。

なお、高画質化していない画像の方が、画像検査に適している場合もあるので、最終的な画像の選択の対象には高画質化していないエネルギーサブトラクション画像を加えてよい。また、高画質化モデルに対して、低画質画像とともにパラメータを入力してもよい。高画質化モデルに対して、入力画像とともに、例えば、高画質化を行う程度を指定するパラメータや、画像処理手法に用いられる画像フィルタサイズを指定するパラメータを入力してもよい。

（高画質化モデルの学習データ）
次に、本実施形態に係る高画質化モデルの学習データについて説明する。本実施形態に係る学習データの入力データは、放射線撮影装置１０４と同じ機種、放射線撮影装置１０４と同じ設定により取得された低画質なエネルギー画像である。また、高画質化モデルの学習データの出力データは、高線量での撮影条件に関する設定や、例えば重ね合わせ処理等の画像処理を用いて取得された高画質なエネルギーサブトラクション画像である。具体的には、出力データは、例えば、複数回撮影することにより取得したエネルギーサブトラクション画像（元画像）群に対して加算平均等の重ね合わせ処理を行うことにより得られる高画質なエネルギーサブトラクション画像とすることができる。また、学習データの出力データは、例えば、高線量での撮影で取得した高画質なエネルギー画像から算出される高画質なエネルギーサブトラクション画像とすることもできる。さらに、学習データの出力データは、例えば、複数回撮影することにより取得したエネルギー画像群に対して重ね合わせ処理を行うことにより得られる高画質なエネルギー画像から算出される高画質なエネルギーサブトラクション画像とすることもできる。

このように学習を行った高画質化モデルを用いることで、処理部１３３は、低線量撮影で取得されたエネルギー画像を入力した場合に、重ね合わせ処理等によってノイズ低減等が行われたような高画質なエネルギーサブトラクション画像を出力できる。このため、処理部１３３は、入力画像である低画質画像に基づいて、画像検査に適した高画質なエネルギーサブトラクション画像を生成することができる。

なお、ここでは学習データの出力データとして重ね合わせ画像を用いる例について説明したが、高画質化モデルの学習データの出力データはこれに限られない。学習データの出力データは、入力データに対応する高画質画像であればよく、例えば、検査に適するようにコントラスト補正を行った画像、高解像度化した画像等であってもよい。また、入力データである低画質なエネルギー画像に最大事後確率推定（ＭＡＰ推定）処理等の統計処理を用いた画像処理を施した画像から得たエネルギーサブトラクション画像を、学習データの出力データとして用いることもできる。また、低画質なエネルギー画像から生成されたエネルギーサブトラクション画像についてＭＡＰ推定処理等を施した画像を学習データの出力データとしてもよい。なお、高画質画像の生成方法は、公知の任意の手法を用いてよい。

また、高画質化モデルとしては、ノイズ低減やコントラスト調整、さらに高解像度化など種々の高画質化処理をそれぞれ単独で行う複数の高画質化モデルを用意してもよい。また、少なくとも２つの高画質化処理を行うひとつの高画質化モデルを用意してもよい。なお、これらの場合には、学習データの出力データとしては、所望の処理に応じた高画質なエネルギーサブトラクション画像を用いればよい。例えば、ノイズ低減処理等の個々の処理を含む高画質モデルに関しては、ノイズ低減処理等の個々の処理を施した高画質なエネルギーサブトラクション画像を学習データの出力データとすればよい。また、複数の高画質化処理を行う高画質化モデルに関しては、例えば、ノイズ低減処理及びコントラスト補正処理等を施した高画質なエネルギーサブトラクション画像を学習データの出力データとすればよい。

以下、図８（ａ）を参照して、本実施形態に係る処理部１３３が用いる高画質化モデルの学習データについてより具体的に説明する。本実施形態では、図８（ａ）に示すように、低線量で撮影された高エネルギー画像Ｉｍ_Ｈと低エネルギー画像Ｉｍ_Ｌを学習データの入力データとする。そして、高線量で撮影された高画質な高エネルギー画像と低エネルギー画像から得られる高画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓを学習データの出力データとする。なお、複数枚の高エネルギー画像Ｉｍ_Ｈと低エネルギー画像Ｉｍ_Ｌについて、加算平均等の重ね合わせ処理又はＭＡＰ推定処理等の統計処理を行って得られた高画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓを学習データの出力データとしてもよい。

このような学習データを用いることで、撮影の負担を抑制しつつ、管電圧に応じた入力データ（高エネルギー画像Ｉｍ_Ｈと低エネルギー画像Ｉｍ_Ｌ）の組み合わせに対応する学習済モデルを容易に構築することができる。さらに、このように学習済モデルを構築することで、エネルギーサブトラクション処理に含まれている多くの非線形演算処理を、例えば、ディープラーニング等の機械学習アルゴリズムによる推論の中に含めることができる。

なお、本実施形態に係る高画質化モデルは、入力データ及び出力データに応じた２つの入力チャンネルと２つの出力チャンネルを有することができる。ただし、高画質化モデルの入力データ及び出力データのチャンネル数は適宜設定することが可能である。

また、本実施形態に係る処理部１３３は、高画質化モデルから出力された高画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓに対して、後処理となる画像処理を施すことができる。ここで、本実施形態における画像処理とは、エネルギーサブトラクション画像に対して任意の演算を行う処理であってよい。処理部１３３は、高画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓに対する画像処理として、例えば、コントラスト調整や階調調整等の調整処理を行うことができる。また、処理部１３３は、画像処理として、例えば、リカーシブフィルタ等の時間方向のフィルタや、ガウシアンフィルタ等の空間方向のフィルタを、骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓにかけるなどしてよい。さらに、処理部１３３は、画像処理として、高画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓから後述する仮想単色Ｘ線画像を生成してもよい。

また、処理部１３３は、画像処理として、高画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓを用いて、骨や軟部組織のＤＳＡ（Ｄｉｇｉｔａｌ Ｓｕｂｔｒａｃｔｉｏｎ Ａｎｇｉｏｇｒａｐｈｙ）画像を生成してもよい。この場合、処理部１３３は、高画質化モデルを用いて、造影剤を注入する前に撮影した低エネルギー画像Ｉｍ_ＬＭと高エネルギー画像Ｉｍ_ＨＭから骨の厚さのマスク画像Ｉｍ_ＢＭと軟部組織の厚さのマスク画像Ｉｍ_ＳＭを求める。また、処理部１３３は、高画質化モデルを用いて、造影剤を注入した後に撮影した低エネルギー画像Ｉｍ_ＬＬと高エネルギー画像Ｉｍ_ＨＬから、骨の厚さのライブ画像Ｉｍ_ＢＬと軟部組織の厚さのライブ画像Ｉｍ_ＳＬを求める。その後、処理部１３３は、骨の厚さのライブ画像Ｉｍ_ＢＬから骨の厚さのマスク画像Ｉｍ_ＢＭを引くことで骨のＤＳＡ画像を生成でき、骨の厚さのライブ画像Ｉｍ_ＢＬから軟部組織の厚さのマスク画像Ｉｍ_ＳＭを引くことで軟部組織のＤＳＡ画像を生成できる。

なお、学習データの出力データとして、高画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓに対して、後処理となるコントラスト補正等を施した最終的に表示される画像を用いてもよい。

さらに、処理部１３３は、高画質化モデルから出力された高画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓに対して任意の解析処理を施して解析値を生成してもよい。例えば、処理部１３３は、高画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓを用いて骨密度等の解析値を算出することもできる。なお、骨密度等の解析方法は公知の任意の手法を用いてよい。

（高画質化モデルの他の例）
なお、高画質化モデルの入力データと出力データは上記の組み合わせに限られない。本実施形態に係る高画質化モデルは、処理部１３３が高エネルギー画像Ｉｍ_Ｈと低エネルギー画像Ｉｍ_Ｌに基づいて高画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓを生成するために用いられる高画質化モデルであればよい。これに関連して、高画質化モデルの他の例について、図８（ｂ）乃至図８（ｄ）を参照して説明する。

例えば、高画質化モデルとしては、図８（ｂ）及び図８（ｃ）に示すように低画質なエネルギー画像から高画質なエネルギー画像を推論する学習済モデルを構築することも可能である。図８（ｂ）は、低画質な高エネルギー画像Ｉｍ_Ｈと低エネルギー画像Ｉｍ_Ｌから、高画質な高エネルギー画像Ｉｍ_Ｈ’と低エネルギー画像Ｉｍ_Ｌ’を推論する１つの学習済モデルを示している。

この場合には、低画質な高エネルギー画像Ｉｍ_Ｈと低エネルギー画像Ｉｍ_Ｌを学習データの入力データとし、高画質な高エネルギー画像Ｉｍ_Ｈ’と低エネルギー画像Ｉｍ_Ｌ’を学習データの出力データとする。より具体的には、低線量で撮影された高エネルギー画像Ｉｍ_Ｈと低エネルギー画像Ｉｍ_Ｌを学習データの入力データとする。また、高線量で撮影された高エネルギー画像Ｉｍ_Ｈ’と低エネルギー画像Ｉｍ_Ｌ’を学習データの出力データとする。なお、複数枚の高エネルギー画像Ｉｍ_Ｈと低エネルギー画像Ｉｍ_Ｌについて、加算平均等の重ね合わせ処理又はＭＡＰ推定処理等の統計処理を行って得られた高エネルギー画像Ｉｍ_Ｈ’と低エネルギー画像Ｉｍ_Ｌ’を学習データの出力データとしてもよい。

このような高画質化モデルを用いる場合には、処理部１３３は、高画質化モデルから出力される高画質な高エネルギー画像Ｉｍ_Ｈ’と低エネルギー画像Ｉｍ_Ｌ’を上述したようなエネルギーサブトラクション処理の信号処理に用いる。これにより、処理部１３３は、高画質化モデルを用いて、低画質な高エネルギー画像Ｉｍ_Ｈと低エネルギー画像Ｉｍ_Ｌに基づいて高画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓを生成することができる。

また、図８（ｃ）は、エネルギーサブトラクション処理の入力となるエネルギー画像毎に高画質化されたエネルギー画像を推論する２つの学習済モデルを示している。具体的には、低画質な高エネルギー画像Ｉｍ_Ｈから高画質な高エネルギー画像Ｉｍ_Ｈ’を推論する学習済モデルと、低画質な低エネルギー画像Ｉｍ_Ｌから高画質な低エネルギー画像Ｉｍ_Ｌ’を推論する学習済モデルを示している。

この場合には、低画質な高エネルギー画像Ｉｍ_Ｈから高画質な高エネルギー画像Ｉｍ_Ｈ’を推論する学習済モデルの学習データについて、低画質な高エネルギー画像Ｉｍ_Ｈを入力データとし、高画質な高エネルギー画像Ｉｍ_Ｈ’を出力データとする。また、低画質な低エネルギー画像Ｉｍ_Ｌから高画質な低エネルギー画像Ｉｍ_Ｌ’を推論する学習済モデルの学習データについて、低画質な低エネルギー画像Ｉｍ_Ｌを入力データとし、高画質な低エネルギー画像Ｉｍ_Ｌ’を出力データとする。なお、学習データとして用いる低画質な高エネルギー画像Ｉｍ_Ｈ、低エネルギー画像Ｉｍ_Ｌ、高画質な高エネルギー画像Ｉｍ_Ｈ’、及び低エネルギー画像Ｉｍ_Ｌ’は上記の例と同様に生成されてよい。

このような高画質化モデルを用いる場合には、処理部１３３は、それぞれの高画質化モデルから出力される高画質な高エネルギー画像Ｉｍ_Ｈ’と低エネルギー画像Ｉｍ_Ｌ’を上述したようなエネルギーサブトラクション処理の信号処理に用いる。これにより、処理部１３３は、２つの高画質化モデルを用いて、低画質な高エネルギー画像Ｉｍ_Ｈと低エネルギー画像Ｉｍ_Ｌに基づいて高画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓを生成することができる。

また、図８（ｄ）に示すように、低画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓから高画質な骨画像Ｉｍ_Ｂ’と軟部組織画像Ｉｍ_Ｓ’を推論するモデルを構築することもできる。図８（ｄ）は、低画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓから高画質な骨画像Ｉｍ_Ｂ’と軟部組織画像Ｉｍ_Ｓ’を推論する１つの学習済モデルを示している。

この場合には、低画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓを学習データの入力データとし、高画質な骨画像Ｉｍ_Ｂ’と軟部組織画像Ｉｍ_Ｓ’を学習データの出力データとする。より具体的には、低線量で撮影された高エネルギー画像Ｉｍ_Ｈと低エネルギー画像Ｉｍ_Ｌを用いて、上述したようなエネルギーサブトラクション処理の信号処理により生成された低画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓを学習データの入力データとする。また、高線量で撮影された高画質な高エネルギー画像Ｉｍ_Ｈ’と低エネルギー画像Ｉｍ_Ｌ’を用いて、上述したようなエネルギーサブトラクション処理の信号処理により生成された高画質な骨画像Ｉｍ_Ｂ’と軟部組織画像Ｉｍ_Ｓ’を学習データの出力データとする。

なお、重ね合わせ処理等を行って得られた高エネルギー画像Ｉｍ_Ｈ’と低エネルギー画像Ｉｍ_Ｌ’を用いたエネルギーサブトラクション処理の信号処理により生成された高画質な骨画像Ｉｍ_Ｂ’と軟部組織画像Ｉｍ_Ｓ’を学習データの出力データとしてもよい。また、低画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓについて重ね合わせ処理等を行って得られた高画質な骨画像Ｉｍ_Ｂ’と軟部組織画像Ｉｍ_Ｓ’を学習データの出力データとしてもよい。

このような高画質化モデルを用いる場合には、処理部１３３は、低画質な高エネルギー画像Ｉｍ_Ｈと低エネルギー画像Ｉｍ_Ｌから算出した低画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓを高画質化モデルの入力データとして用いる。そして、処理部１３３は、高画質化モデルから出力される高画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓを取得することができる。

このような高画質化モデルでは、低画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓをそれぞれ単独で高画質化するのではなく、低画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓの両方を入力データとして、高画質な骨画像Ｉｍ_Ｂ’と軟部組織画像Ｉｍ_Ｓ’の両方を推論する。ここで、骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓは互いに相関性を有しているため、このような学習済モデルは、低画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓの互いのノイズを低減するようなモデルとなる可能性がある。

また、高画質化モデルとしては、撮影部位毎に学習済モデルを用意してもよいし、１つの学習済モデルにまとめてもよい。撮影部位毎にモデルを分ける場合には、例えば、先に述べた撮影部位を認識する学習済モデルを準備することができる。この場合、処理部１３３は当該撮影部位を認識する学習済モデルを用いて、まず入力画像となるエネルギー画像等から撮影部位を推論する。その後、処理部１３３は、推論した撮影部位に対応する高画質化モデルを用いてエネルギーサブトラクション処理を行うことができる。また、処理部１３３は、撮影時に入力された撮影部位に基づいて、エネルギーサブトラクション処理に用いる高画質化モデルを選択してもよい。

なお、上記の例では、高画質化モデルの学習データに用いる、低画質なエネルギー画像を撮影により取得する構成について述べた。これに対し、高画質なエネルギー画像に対して人工的に生成されたノイズ（人工ノイズ）を加えることで、低画質なエネルギー画像を取得してもよい。ここでは、低画質なエネルギー画像を生成するために高画質なエネルギー画像に加えられる人工ノイズの生成方法について説明する。

図９は、本実施形態に係る放射線フォトンのエネルギーとセンサ出力の関係を示す。放射線撮影装置１０４には、放射線を可視光フォトンに変換する蛍光体層（蛍光体１０５）と、可視光フォトンを電荷に変換する光電変換層（二次元検出器１０６）と、さらにその電荷を電圧に変換し、デジタル値にする出力回路とが設けられている。放射線フォトンが蛍光体層に吸収されると、蛍光体層内で可視光フォトンが発生する。このときに生じる可視光フォトンの数は蛍光体層が吸収した放射線フォトンのエネルギーによって変化する。具体的には、蛍光体層が吸収した放射線フォトンのエネルギーが大きいほど可視光フォトンが多く発生する。また、光電変換層で生じる電荷の数は可視光フォトンの数によって決まる。最終的に出力されるデジタル値は、この電荷量を電圧に変換し、デジタル値にしたものである。

スペクトラルイメージング撮影を行うには放射線撮影装置１０４に放射線を照射して複数の画像を取得する。ここで、複数の画像を取得するための複数回の撮影は短時間で行われ、その間に被写体は動かないものとする。このとき、被写体が均一であったとして、複数の画像における複数の画素を含む任意の範囲を選択する。この場合、選択された範囲内において理想的には画素値は一定となるはずだが、実際にはばらつきが生じる。このばらつきには、電子回路のノイズ（システムノイズ）と、放射線フォトンの蛍光面への到達数の揺らぎ等による量子ノイズが含まれる。以降では、説明を簡略化するため、システムノイズを無視して説明を行う。

蛍光体層に到達する放射線フォトンの数は、ポアソン分布に従った揺らぎをもつ。このポアソン分布の母数をλとすると、放射線フォトン数の平均はλであり、分散もλとなる。放射線フォトンの数が十分に多い場合、母数λのポアソン分布は、平均λ、標準偏差√λのガウス分布で近似できる。また、蛍光体層に到達する放射線フォトンの数と、各画素の信号成分Ｉ（ｘ，ｙ）は比例する。従って、各画素のノイズ成分Ｎ（ｘ，ｙ）は以下の式（１０）により算出できる。
ここで、Ｒａｎｄｏｍは平均値ｍ（＝０）、標準偏差σで発生させたガウス分布に従う乱数である。実際には、ＭＴＦ（変調伝達関数）特性を考慮したＰＳＦ（Ｐｏｉｎｔ Ｓｐｒｅａｄ Ｆｕｎｃｔｉｏｎ）によって周辺画素のノイズ成分を畳み込む処理を以下の式（１１）に示すように加えてもよい。なお、ＰＳＦやσ値は、放射線撮影システムの構成、撮影時の管電圧、管電流、曝射時間、及び距離等に応じたパラメータとしてあらかじめ設定しておけばよい。

このように算出した人工ノイズを、後述する高画質なエネルギー画像Ｉに加算することで、低線量で撮影した低画質なエネルギー画像Ｉ’を以下の式（１２）に従って生成することができる。

このような人工ノイズを用いて低画質なエネルギー画像を生成することで、学習データを生成するために、低画質な画像の撮影を行う必要がなくなる。そのため、被爆量の増加等の関係から多くのデータを生成することが難しい高画質化モデルの学習データを、より容易に生成することができる。

具体的には、高線量での撮影により高画質なエネルギー画像を取得すれば、取得した高画質なエネルギー画像に人工ノイズを加えることで低画質なエネルギー画像を生成することができる。また、取得した高画質なエネルギー画像にエネルギーサブトラクション処理の信号処理を行うことで、高画質なエネルギーサブトラクション画像を生成できる。さらに、人工ノイズを用いて低画質なエネルギー画像を生成する場合、生成した低画質なエネルギー画像についてエネルギーサブトラクション処理の信号処理を行うことで、低画質なエネルギーサブトラクション画像を生成することもできる。

このため、低画質なエネルギー画像を入力データとし、高画質なエネルギーサブトラクション画像を出力データとする高画質化モデルだけでなく、エネルギー画像を高画質化する高画質化モデルについても、学習データの生成を容易にすることができる。同様に、エネルギーサブトラクション画像を高画質化する高画質化モデルについても、学習データの生成を容易にすることができる。

なお、エネルギー画像に関する高画質化を行う高画質化モデルについては、入力データとなる低画質なエネルギー画像に人工ノイズを与え、さらに出力データとなる高画質なエネルギー画像にも異なる人工ノイズを与えることで学習を行ってもよい。このように学習することで、高画質な画像に対するノイズパターンを適切に除去するようなモデルが生成できることが期待される。

次に、図１０を参照して、本実施形態に係る一連の撮影処理について説明する。図１０は、本実施形態に係る一連の撮影処理を示すフローチャートである。まず、操作者の操作に応じて撮影処理が開始されると、処理はステップＳ１００１に移行する。

ステップＳ１００１では、操作者の操作に応じて設定された撮影条件等に基づいて、放射線撮影が行われる。具体的には、制御装置１０３は、入力部１５０を介した操作者の操作に応じて撮影条件を設定する。放射線制御装置１０２は、制御装置１０３によって設定された撮影条件に基づいて放射線発生装置１０１を制御する。放射線発生装置１０１は、放射線制御装置１０２の制御に基づいて、被検者Ｓｕ及び放射線撮影装置１０４に向けて放射線を照射する。放射線撮影装置１０４は、被検者Ｓｕを透過した放射線を検出し、画像情報を制御装置１０３に送信する。制御装置１０３の取得部１３１は、放射線撮影装置１０４から送られた画像情報を取得する。

ステップＳ１００２では、生成部１３２が、取得部１３１で取得された画像情報に基づいて、上述したオフセット補正、色補正、及びゲイン補正を含む補正処理を行い、高エネルギー画像Ｉｍ_Ｈ及び低エネルギー画像Ｉｍ_Ｌを生成する。なお、補正処理に用いられる、被写体を配置しない場合の画像Ｗ＿ｏｄｄ及び画像Ｗ＿Ｅｖｅｎ、及びＸ線を照射しない場合の画像Ｆ＿Ｏｄｄ及び画像Ｆ＿Ｅｖｅｎは、ステップＳ１００１での被検者Ｓｕの画像の撮影に先立って撮影されてよい。また、これらの画像は、所与の撮影条件で予め撮影されて記憶部１３５に記憶されていてもよい。

ステップＳ１００３では、処理部１３３が、学習済モデルである高画質化モデルを用いて、高エネルギー画像Ｉｍ_Ｈ及び低エネルギー画像Ｉｍ_Ｌに基づいて、高画質なエネルギーサブトラクション画像である骨画像Ｉｍ_Ｂ及び軟部組織画像Ｉｍ_Ｓを生成する。具体的には、処理部１３３は、高エネルギー画像Ｉｍ_Ｈ及び低エネルギー画像Ｉｍ_Ｌを高画質化モデルの入力データとして入力することにより、高画質化モデルの出力データとして高画質な骨画像Ｉｍ_Ｂ及び軟部組織画像Ｉｍ_Ｓを取得・生成する。

なお、処理部１３３は、上述のように、エネルギー画像を高画質化する高画質化モデルを用いることもできる。この場合、処理部１３３は、高エネルギー画像Ｉｍ_Ｈ及び低エネルギー画像Ｉｍ_Ｌを高画質化モデルの入力データとして入力することにより、高画質化モデルの出力データとして高画質な高エネルギー画像Ｉｍ_Ｈ’及び低エネルギー画像Ｉｍ_Ｌ’を取得・生成する。その後、処理部１３３は、生成した高画質な高エネルギー画像Ｉｍ_Ｈ’及び低エネルギー画像Ｉｍ_Ｌ’に対してエネルギーサブトラクション処理の信号処理を行い、高画質な骨画像Ｉｍ_Ｂ及び軟部組織画像Ｉｍ_Ｓを生成する。なお、この場合、用いられる高画質化モデルは、高エネルギー画像Ｉｍ_Ｈ及び低エネルギー画像Ｉｍ_Ｌの両方を高画質化する１つの高画質化モデルとすることができる。これに対して、用いられる高画質化モデルは、高エネルギー画像Ｉｍ_Ｈ及び低エネルギー画像Ｉｍ_Ｌのそれぞれを高画質化する２つの高画質化モデルとしてもよい。

また、処理部１３３は、上述のように、エネルギーサブトラクション画像を高画質化する高画質化モデルを用いることもできる。この場合、処理部１３３は、高エネルギー画像Ｉｍ_Ｈ及び低エネルギー画像Ｉｍ_Ｌに対してエネルギーサブトラクション処理を行い骨画像Ｉｍ_Ｂ及び軟部組織画像Ｉｍ_Ｓを生成する。その後、処理部１３３は、骨画像Ｉｍ_Ｂ及び軟部組織画像Ｉｍ_Ｓを高画質化モデルの入力データとして入力することにより、高画質化モデルの出力データとして高画質な骨画像Ｉｍ_Ｂ’及び軟部組織画像Ｉｍ_Ｓ’を取得・生成する。

ステップＳ１００４では、処理部１３３は、ステップＳ１００３で生成した高画質なエネルギーサブトラクション画像である骨画像Ｉｍ_Ｂ及び軟部組織画像Ｉｍ_Ｓについて、コントラストや調整、画像サイズの調整等の画像処理を行う。なお、これらの調整方法としては、公知の任意の方法を用いてよい。また、処理部１３３は、例えば、リカーシブフィルタ等の時間方向のフィルタや、ガウシアンフィルタ等の空間方向のフィルタを、骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓにかけるなどしてよい。さらに、処理部１３３は、骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓから後述する仮想単色Ｘ線画像を生成してもよい。また、処理部１３３は、高画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓを用いて、骨や軟部組織のＤＳＡ画像を生成してもよい。

ステップＳ１００５では、表示制御部１３４が、画像処理が行われた骨画像Ｉｍ_Ｂ及び軟部組織画像Ｉｍ_Ｓ等を表示部１２０に表示させる。なお、表示制御部１３４は、高画質なＩｍ_Ｂ及び軟部組織画像Ｉｍ_Ｓを並べて表示部１２０に表示させてもよいし、それぞれを切り替えて表示させてもよい。また、表示制御部１３４は、高画質な骨画像Ｉｍ_Ｂ及び軟部組織画像Ｉｍ_Ｓと、高エネルギー画像Ｉｍ_Ｈ及び低エネルギー画像Ｉｍ_Ｌに対してエネルギーサブトラクション処理を行って得た低画質な骨画像及び軟部組織画像とを切り替えて表示させてもよい。この場合、表示制御部１３４は、入力部１５０を介した操作者の指示に応じてこれらの画像の表示の切り替えを一括して行ってもよい。また、ステップＳ１００４で仮想単色Ｘ線画像やＤＳＡ画像が生成されている場合には、表示制御部１３４は、生成された仮想単色Ｘ線画像やＤＳＡ画像を表示部１２０に表示させることができる。

ステップＳ１００５での処理が完了すると、本実施形態に係る一連の撮影処理が終了する。なお、本実施形態では、取得部１３１が放射線撮影装置１０４から画像情報を取得し、生成部１３２が補正処理を行い、取得部１３１が生成部１３２で生成された高エネルギー画像Ｉｍ_Ｈ及び低エネルギー画像Ｉｍ_Ｌを取得した。これに対し、取得部１３１は、記憶部１３５に記憶された高エネルギー画像Ｉｍ_Ｈ及び低エネルギー画像Ｉｍ_Ｌを取得してもよいし、制御装置１０３に接続された外部装置から高エネルギー画像Ｉｍ_Ｈ及び低エネルギー画像Ｉｍ_Ｌを取得してもよい。また、取得部１３１は、記憶部１３５や外部装置から、被検者Ｓｕについて撮影された画像情報や補正処理に用いる画像情報を取得してもよい。また、ステップＳ１００４で画像処理を行ったが、ステップＳ１００５では、画像処理を行っていない骨画像Ｉｍ_Ｂ及び軟部組織画像Ｉｍ_Ｓをそのまま表示してもよい。

上記のように、本実施形態に係る制御装置１０３は、取得部１３１と処理部１３３とを備える画像処理装置の一例として機能する。取得部１３１は、異なる放射線エネルギーに関する複数の画像である高エネルギー画像Ｉｍ_Ｈ及び低エネルギー画像Ｉｍ_Ｌを取得する取得部の一例として機能する。処理部１３３は、放射線を用いて得た第１の画像を高画質化した第２の画像を用いて得た学習済モデルである高画質化モデルを用いて、高エネルギー画像Ｉｍ_Ｈ及び低エネルギー画像Ｉｍ_Ｌに基づいてエネルギーサブトラクション画像を生成する生成部の一例として機能する。

より具体的には、処理部１３３は、取得した高エネルギー画像Ｉｍ_Ｈ及び低エネルギー画像Ｉｍ_Ｌを学習済モデルの入力データとして入力することにより、エネルギーサブトラクション画像を高画質化モデルからの出力データとして取得する。なお、エネルギーサブトラクション画像は、例えば、複数の物質を弁別した複数の物質弁別画像を含むことができる。また、複数の物質弁別画像は、例えば、骨の厚さを示す画像と軟部組織の厚さを示す画像であってもよいし、造影剤の厚さを示す画像と水の厚さを示す画像であってもよい。なお、高画質化モデルは、複数の画像がそれぞれ入力される複数の入力チャンネルを有することができる。

また、他の構成例では、処理部１３３は、高エネルギー画像Ｉｍ_Ｈ及び低エネルギー画像Ｉｍ_Ｌを高画質化モデルの入力データとして入力することにより、高エネルギー画像Ｉｍ_Ｈ及び低エネルギー画像Ｉｍ_Ｌよりも高画質な高エネルギー画像Ｉｍ_Ｈ’及び低エネルギー画像Ｉｍ_Ｌ’を高画質化モデルからの出力データとして取得してもよい。この場合、処理部１３３は、高画質な高エネルギー画像Ｉｍ_Ｈ’及び低エネルギー画像Ｉｍ_Ｌ’からエネルギーサブトラクション画像を生成することができる。なお、高画質化モデルは、高画質化モデルの入力データとして用いる高エネルギー画像Ｉｍ_Ｈ及び低エネルギー画像Ｉｍ_Ｌのそれぞれに対応する複数の学習済モデルを含んでもよい。

さらに、他の構成例では、処理部１３３は、高エネルギー画像Ｉｍ_Ｈ及び低エネルギー画像Ｉｍ_Ｌから第１のエネルギーサブトラクション画像を生成してもよい。この場合、処理部１３３は、第１のエネルギーサブトラクション画像を高画質化モデルの入力データとして入力することにより、第１のエネルギーサブトラクション画像より高画質な第２のエネルギーサブトラクション画像を高画質化モデルからの出力データとして取得することができる。

なお、第２の画像は、第１の画像の取得に用いた線量よりも多い線量を用いて取得された画像、及び、第１の画像を用いて重ね合わせ処理又は最大事後確率推定処理を行った画像のうちのいずれかであってよい。また、別の例では、高画質化モデルは、放射線を用いて得た第１の画像に人工的に計算されたノイズが加算された第２の画像を用いて得た学習済モデルであってもよい。

以上のような構成によれば、本実施形態に係る制御装置１０３は、低線量で撮影された異なるエネルギー画像を用いて、高画質なエネルギーサブトラクション画像を生成することができる。このため、検査に用いる放射線量を抑えながら高画質なエネルギーサブトラクション画像を生成できる。

なお、取得部１３１は、エネルギーの異なる放射線を照射して得た複数の第１の画像を取得する取得部の一例として機能してもよい。また、処理部１３３は、高画質化モデルの入力データとして複数の第１の画像を入力することにより、複数の第１の画像より高画質な複数の第２の画像を高画質化モデルからの出力データとして取得し、複数の第２の画像を用いてエネルギーサブトラクション画像を生成する生成部の一例として機能してもよい。この場合も、本実施形態に係る制御装置１０３は、低線量で撮影された異なるエネルギー画像を用いて、高画質なエネルギーサブトラクション画像を生成することができる。このため、検査に用いる放射線量を抑えながら高画質なエネルギーサブトラクション画像を生成できる。

なお、エネルギー画像は、用いられるエネルギーに応じて画像の特徴が変化することが知られている。そのため、本実施形態において、高画質化モデルの入力データをエネルギー画像とする場合には、撮影時の線量すなわち管電圧に応じた高画質化モデルを準備する必要がある。このため、例えば、放射線撮影を行う際の管電圧を予め所定の電圧とし、当該管電圧に応じた学習データで学習を行った高画質化モデルを準備することができる。また、放射線撮影を行う際の管電圧に関して、高エネルギーに対応する高電圧及び低エネルギーに対応する低電圧のペアについていくつかのパターンを用意し、それぞれのパターンに応じた学習データで学習を行った複数の高画質化モデルを準備してもよい。この場合、処理部１３３は、放射線撮影を行う際に選択されたパターンの管電圧に対応する高画質化モデルを選択して用いることができる。

［第２の実施形態］
次に、図１１乃至図１６を参照して、本開示の第２の実施形態に係る高画質化モデルを備える放射線撮影システムについて詳細に説明する。なお、本実施形態に係る画像処理システムの構成は、第１の実施形態に係る画像処理システムの構成と同様であるため、同一の参照番号を用いて説明を省略する。以下、本実施形態に係る画像処理システムについて、第１の実施形態に係る画像処理システムとの違いを中心として説明する。

第１の実施形態では、深層学習を用いた高画質化モデルによって、低画質のエネルギー画像に基づいて高画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓを推論する方法について説明した。これに対して、本実施形態では、低画質なエネルギーサブトラクション画像から仮想単色Ｘ線画像を生成し、仮想単色Ｘ線画像を用いて高画質なエネルギーサブトラクション画像を生成する構成について説明する。

上述のように、高画質化モデルへの入力データをエネルギー画像とする場合には、撮影時の線量すなわち管電圧に応じた学習済モデルを準備する必要がある。これに対して、仮想単色Ｘ線画像は所望のエネルギーについて生成することができる。そのため、仮想単色Ｘ線画像を入力データとする場合には、予め設定した仮想単色Ｘ線のエネルギーＥ_Ｖに対応する高画質化モデルを準備しておけばよく、放射線撮影に用いる管電圧の値に関係なく高画質化モデルを用いることができる。

まず、図１１を参照して、仮想単色Ｘ線画像について説明する。図１１は、本実施形態に係る仮想単色Ｘ線画像を生成する信号処理のブロック図を示す。本実施形態では、エネルギーサブトラクション処理の信号処理によって生成された骨画像Ｉｍ_Ｂ及び軟部組織画像Ｉｍ_Ｓから仮想単色Ｘ線画像を生成する。仮想単色Ｘ線画像とは、単一のエネルギーのＸ線を照射した場合に得られることが想定される画像のことである。仮想単色Ｘ線画像は、エネルギーサブトラクション処理と三次元再構成を組み合わせたＤｕａｌ Ｅｎｅｒｇｙ ＣＴで利用されている。仮想単色Ｘ線画像では、ビームハードニングアーチファクトや金属アーチファクトを抑制することができる。例えば、仮想単色Ｘ線のエネルギーをＥ_Ｖとしたとき、仮想単色Ｘ線画像Ｖは以下の式（１３）で求められる。

なお、仮想単色Ｘ線のエネルギーＥ_Ｖを変更することで、仮想単色Ｘ線画像のＣＮＲ（コントラスト雑音比）を向上させることができる。例えば、骨の線減弱係数μＢ（Ｅ）は、軟部組織の線減弱係数μＳ（Ｅ）に比べて大きい。しかしながら、仮想単色Ｘ線のエネルギーＥ_Ｖが大きくなるほど、骨の線減弱係数μＢ（Ｅ）と軟部組織の線減弱係数μＳ（Ｅ）の差は小さくなる。従って、仮想単色Ｘ線のエネルギーＥ_Ｖを大きく設定することで、骨画像のノイズによる仮想単色Ｘ線画像のノイズ増加が抑制される。一方で、仮想単色Ｘ線のエネルギーＥ_Ｖが小さくなるほど、骨の線減弱係数μＢ（Ｅ）と軟部組織の線減弱係数μＳ（Ｅ）の差が大きくなるため、仮想単色Ｘ線画像のコントラストが大きくなる。このため、仮想単色Ｘ線画像のエネルギーＥ_Ｖを適切な値に設定することで、仮想単色Ｘ線画像のＣＮＲを向上させることができ、例えば、放射線撮影に使用される造影剤の量を低減させることもできる。

なお、複数のエネルギーＥ_Ｖで生成した複数の仮想単色Ｘ線画像を合成することで、合成Ｘ線画像を生成することもできる。合成Ｘ線画像とは、任意のスペクトルのＸ線を照射した場合に得られることが想定される画像のことである。

また、式（１３）によれば、複数の仮想単色Ｘ線画像Ｖ_１，Ｖ_２を骨の厚さＢと軟部組織の厚さＳに逆変換することも可能である。そのため、図１２に示すように、複数の仮想単色Ｘ線画像Ｖ_１，Ｖ_２を用いることで、骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓを生成することができる。そこで、本実施形態では、複数の仮想単色Ｘ線画像と高画質なエネルギーサブトラクション画像を学習データとして学習して得た高画質化モデルを用いて、低画質な複数の仮想単色Ｘ線画像に基づいて高画質なエネルギーサブトラクション画像を生成する。

具体的には、処理部１３３は、低画質なエネルギー画像から骨画像と軟部組織画像を既存の方法で生成し、生成した骨画像と軟部組織画像を異なるエネルギーの少なくとも２つの仮想単色Ｘ線画像Ｖ_Ｈ，Ｖ_Ｌに変換する。その後、処理部１３３は、仮想単色Ｘ線画像Ｖ_Ｈ，Ｖ_Ｌを高画質化モデルの入力データとして入力することにより、高画質化モデルの出力データとして高画質な骨画像Ｉｍ_Ｂ及び軟部組織画像Ｉｍ_Ｓを取得・生成する。なお、このような処理では、仮想単色Ｘ線画像を生成することにより、エネルギーサブトラクションを用いた弁別処理（分離処理）によって増加するノイズを低減することができる。

次に、図１３（ａ）乃至図１３（ｃ）を参照して、本実施形態に係る高画質化モデル及び高画質化モデルのその他の例について説明する。図１３（ａ）乃至図１３（ｃ）は、本実施形態に係る一連の画像処理の流れを示すブロック図である。

まず、本実施形態に係る高画質化モデルでは、図１３（ａ）に示すように、低画質な仮想単色Ｘ線画像Ｖ_Ｈ，Ｖ_Ｌを入力データとし、高画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓを出力データとする。このような高画質化モデルの学習データとしては、低画質な仮想単色Ｘ線画像Ｖ_Ｈ，Ｖ_Ｌを入力データとし、高画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓを出力データとすればよい。

ここで、低画質な仮想単色Ｘ線画像Ｖ_Ｈ，Ｖ_Ｌは、低線量で撮影されたエネルギー画像からエネルギーサブトラクション処理の信号処理により、低画質な骨画像及び軟部組織画像を生成し、低画質な骨画像及び軟部組織画像を変換することで生成されてよい。また、予め高線量で撮影された画像に基づく高画質な仮想単色Ｘ線画像又は重ね合わせ処理等で高画質化した仮想単色Ｘ線画像に、人工ノイズを付加することで低画質の仮想単色Ｘ線画像Ｖ_ＨとＶ_Ｌを取得してもよい。なお、高画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓの生成方法は、第１の実施形態で述べた高画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓの生成方法と同様の方法でよい。

また、高画質化モデルの他の例として、図１３（ｂ）及び図１３（ｃ）に示すように、仮想単色Ｘ線画像Ｖ_Ｈ，Ｖ_Ｌを高画質化する学習済モデルを用いてもよい。図１３（ｂ）は、低画質な仮想単色Ｘ線画像Ｖ_Ｈ，Ｖ_Ｌから、高画質な仮想単色Ｘ線画像Ｖ_Ｈ’，Ｖ_Ｌ’を推論する１つの学習済モデルを示している。

この場合には、低画質な仮想単色Ｘ線画像Ｖ_Ｈ，Ｖ_Ｌを学習データの入力データとし、高画質な仮想単色Ｘ線画像Ｖ_Ｈ’，Ｖ_Ｌ’を学習データの出力データとする。なお、高画質な仮想単色Ｘ線画像Ｖ_Ｈ’，Ｖ_Ｌ’としては、高線量で撮影された高エネルギーと低エネルギー画像を用いて生成された骨画像及び軟部組織画像から変換された高画質な仮想単色Ｘ線画像を用いることができる。また、複数枚の仮想単色Ｘ線画像について、エネルギー毎に加算平均等の重ね合わせ処理又はＭＡＰ推定処理等の統計処理を行って得られた、高画質な仮想単色Ｘ線画像Ｖ_Ｈ’，Ｖ_Ｌ’を学習データの出力データとしてもよい。

このような高画質化モデルを用いる場合には、処理部１３３は、高画質化モデルから出力される高画質な仮想単色Ｘ線画像Ｖ_Ｈ’，Ｖ_Ｌ’に対して上述したような逆変換を行い、高画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓを生成することができる。これにより、処理部１３３は、高画質化モデルを用いて、低画質な仮想単色Ｘ線画像Ｖ_Ｈ，Ｖ_Ｌに基づいて高画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓを生成することができる。

また、図１３（ｃ）は、低画質な仮想単色Ｘ線画像毎に高画質化された仮想単色Ｘ線画像を推論する２つの学習済モデルを示している。具体的には、低画質な仮想単色Ｘ線画像Ｖ_Ｈから高画質な仮想単色Ｘ線画像Ｖ_Ｈ’を推論する学習済モデルと、低画質な仮想単色Ｘ線画像Ｖ_Ｌから高画質な仮想単色Ｘ線画像Ｖ_Ｌ’を推論する学習済モデルを示している。

この場合には、低画質な仮想単色Ｘ線画像Ｖ_Ｈから高画質な仮想単色Ｘ線画像Ｖ_Ｈ’を推論する学習済モデルの学習データについて、低画質な仮想単色Ｘ線画像Ｖ_Ｈを入力データとし、高画質な仮想単色Ｘ線画像Ｖ_Ｈ’を出力データとする。また、低画質な仮想単色Ｘ線画像Ｖ_Ｌから高画質な仮想単色Ｘ線画像Ｖ_Ｌ’を推論する学習済モデルの学習データについて、低画質な仮想単色Ｘ線画像Ｖ_Ｌを入力データとし、高画質な仮想単色Ｘ線画像Ｖ_Ｌ’を出力データとする。なお、学習データとして用いる低画質な仮想単色Ｘ線画像Ｖ_Ｈ，Ｖ_Ｌ、及び高画質な仮想単色Ｘ線画像Ｖ_Ｈ’，Ｖ_Ｌ’は、上記の例と同様に生成されてよい。

このような高画質化モデルを用いる場合には、処理部１３３は、それぞれの高画質化モデルから出力される高画質な仮想単色Ｘ線画像Ｖ_Ｈ’，Ｖ_Ｌ’に対して上述したような逆変換を行い、高画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓを生成することができる。これにより、処理部１３３は、２つの高画質化モデルを用いて、低画質な仮想単色Ｘ線画像Ｖ_Ｈ，Ｖ_Ｌに基づいて高画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓを生成することができる。

なお、図１３（ｂ）及び図１３（ｃ）に示すような仮想単色Ｘ線画像を高画質化する高画質化モデルに関しては、学習時に、入力データと出力データのそれぞれに異なる人工ノイズを付加したデータで学習することも可能である。

このように学習済モデルを構築することによって、撮影時の管電圧の設定に依存しない高画質化モデルを構築することができる。また、仮想単色Ｘ線画像を用いることで、エネルギー画像を骨画像と軟部組織画像に弁別するときに発生するノイズの影響を抑えつつ、高画質な骨画像と軟部組織画像を生成することができる。

次に、図１４を参照して、本実施形態に係る一連の撮影処理について説明する。図１４は、本実施形態に係る一連の撮影処理を示すフローチャートである。なお、本実施形態に係るステップＳ１４０１、ステップＳ１４０２、ステップＳ１４０６、及びステップＳ１４０７の処理は、第１の実施形態に係るステップＳ１００１、ステップＳ１００２、ステップＳ１００４、及びステップＳ１００５と同様である。そのため、以下では、これらのステップについては説明を省略し、本実施形態に係る一連の撮影処理について、第１の実施形態に係る処理との違いを中心に説明する。

本実施形態に係る一連の撮影処理においては、処理が開始され、ステップＳ１４０１及びステップＳ１４０２の処理が完了すると処理はステップＳ１４０３に移行する。ステップＳ１４０３では、処理部１３３が、ステップＳ１４０２で取得した高エネルギー画像Ｉｍ_Ｈ及び低エネルギー画像Ｉｍ_Ｌに対して、既存のエネルギーサブトラクション処理の信号処理を行い、骨画像及び軟部組織画像を生成する。なお、既存のエネルギーサブトラクション処理の信号処理については、式（３）～（９）を用いて説明した処理を用いてよい。

ステップＳ１４０４では、処理部１３３は、ステップＳ１４０３で生成した骨画像及び軟部組織画像を用いて、異なるエネルギーの仮想単色Ｘ線画像Ｖ_Ｈ，Ｖ_Ｌを生成する。なお、仮想単色Ｘ線画像のエネルギーについては、高画質化モデルの学習データとして用いる仮想単色Ｘ線画像のエネルギーに対応するものであればよい。なお、学習データとして用いる仮想単色Ｘ線画像のエネルギーは、任意に設定されていてよい。例えば、仮想単色Ｘ線画像のエネルギーは、仮想単色Ｘ線画像のＣＮＲを考慮して設定されることができる。

ステップＳ１４０５では、処理部１３３は、学習済モデルである高画質化モデルを用いて、ステップＳ１４０４で生成した仮想単色Ｘ線画像Ｖ_Ｈ，Ｖ_Ｌに基づいて高画質なエネルギーサブトラクション画像である骨画像Ｉｍ_Ｂ及び軟部組織画像Ｉｍ_Ｓを生成する。具体的には、処理部１３３は、仮想単色Ｘ線画像Ｖ_Ｈ，Ｖ_Ｌを高画質化モデルの入力データとして入力することにより、高画質化モデルの出力データとして高画質な骨画像Ｉｍ_Ｂ及び軟部組織画像Ｉｍ_Ｓを取得・生成する。

なお、処理部１３３は、上述のように、仮想単色Ｘ線画像を高画質化する高画質化モデルを用いることもできる。この場合、処理部１３３は、仮想単色Ｘ線画像Ｖ_Ｈ，Ｖ_Ｌを高画質化モデルの入力データとして入力することにより、高画質化モデルの出力データとして高画質な仮想単色Ｘ線画像Ｖ_Ｈ’，Ｖ_Ｌ’を取得・生成する。その後、処理部１３３は、生成した高画質な仮想単色Ｘ線画像Ｖ_Ｈ’，Ｖ_Ｌ’に対して逆変換を行い、高画質な骨画像Ｉｍ_Ｂ及び軟部組織画像Ｉｍ_Ｓを生成する。なお、この場合、用いられる高画質化モデルは、仮想単色Ｘ線画像Ｖ_Ｈ，Ｖ_Ｌの両方を高画質化する１つの高画質化モデルとすることができる。これに対して、用いられる高画質化モデルは、仮想単色Ｘ線画像Ｖ_Ｈ，Ｖ_Ｌのそれぞれを高画質化する２つの高画質化モデルとしてもよい。以降の処理は、第１の実施形態に係る一連の撮影処理と同様であるため、説明を省略する。

上記のように、本実施形態に係る処理部１３３は、取得部１３１が取得した複数の画像から第１のエネルギーサブトラクション画像を生成し、第１のエネルギーサブトラクション画像から異なるエネルギーの複数の仮想単色Ｘ線画像Ｖ_Ｈ，Ｖ_Ｌを生成する。また、処理部１３３は、高画質化モデルを用いて、生成した複数の仮想単色Ｘ線画像Ｖ_Ｈ，Ｖ_Ｌに基づいて第１のエネルギーサブトラクション画像よりも高画質な第２のエネルギーサブトラクション画像を生成する。より具体的には、処理部１３３は、複数の仮想単色Ｘ線画像Ｖ_Ｈ，Ｖ_Ｌを高画質化モデルの入力データとして入力することにより、第２のエネルギーサブトラクション画像を高画質化モデルからの出力データとして取得する。なお、高画質化モデルは、入力される複数の仮想単色Ｘ線画像Ｖ_Ｈ，Ｖ_Ｌがそれぞれ入力される複数の入力チャンネルを有することができる。

また、他の構成例では、処理部１３３は、生成した複数の仮想単色Ｘ線画像Ｖ_Ｈ，Ｖ_Ｌを高画質化モデルの入力データとして入力することにより、複数の仮想単色Ｘ線画像Ｖ_Ｈ，Ｖ_Ｌよりも高画質な複数の仮想単色Ｘ線画像Ｖ_Ｈ’，Ｖ_Ｌ’を高画質化モデルからの出力データとして取得してもよい。この場合、処理部１３３は、高画質化モデルからの出力データとして取得した複数の仮想単色Ｘ線画像Ｖ_Ｈ’，Ｖ_Ｌ’から第２のエネルギーサブトラクション画像を生成する。この場合、高画質化モデルは、高画質化モデルの入力データとして用いる複数の仮想単色Ｘ線画像Ｖ_Ｈ，Ｖ_Ｌのそれぞれに対応する複数の学習済モデルを含んでもよい。

上記のような構成であっても、低線量で撮影された異なるエネルギー画像を用いて、高画質なエネルギーサブトラクション画像を生成することができる。このため、検査に用いる放射線量を抑えながら高画質なエネルギーサブトラクション画像を生成できる。また、仮想単色Ｘ線画像を用いることで、エネルギーサブトラクション処理により物質を弁別するときに発生するノイズの影響を抑えつつ、高画質なエネルギーサブトラクション画像を生成することができる。

なお、高画質化モデルの構成は、第１の実施形態及び本実施形態で説明した構成に限定されない。入力画像と出力画像の組み合わせは、適宜変更することが可能である。例えば、図１５（ａ）に示すように、高エネルギー画像Ｉｍ_Ｈと低エネルギー画像Ｉｍ_Ｌと仮想単色Ｘ線画像Ｖとを入力画像として組み合わせて、高画質なエネルギーサブトラクション画像である骨画像Ｉｍ_Ｂ及び軟部組織画像Ｉｍ_Ｓを推論してもよい。

この場合、処理部１３３は、取得部１３１が取得した高エネルギー画像Ｉｍ_Ｈと低エネルギー画像Ｉｍ_Ｌから第１のエネルギーサブトラクション画像を生成する。また、処理部１３３は、第１のエネルギーサブトラクション画像から仮想単色Ｘ線画像Ｖを生成する。処理部１３３は、取得部１３１が取得した高エネルギー画像Ｉｍ_Ｈ及び低エネルギー画像Ｉｍ_Ｌと、生成した仮想単色Ｘ線画像とを高画質化モデルの入力データとして入力することにより、第１のエネルギーサブトラクション画像よりも高画質な第２のエネルギーサブトラクション画像を高画質化モデルからの出力データとして取得することができる。

この場合の学習データは、低線量で撮影された高エネルギー画像Ｉｍ_Ｈと低エネルギー画像Ｉｍ_Ｌと、これらのエネルギー画像についてエネルギーサブトラクション処理の信号処理を行い生成された骨画像及び軟部組織画像を変換した仮想単色Ｘ線画像とを入力データとする。なお、学習データの出力データは、第１の実施形態に係る学習データと同様に生成された高画質な骨画像Ｉｍ_Ｂ及び軟部組織画像Ｉｍ_Ｓを用いればよい。また、学習データの入力データは、高画質なエネルギー画像について人工ノイズを加えることで生成された低画質なエネルギー画像を用いてもよい。同様に、学習データの入力データとして、高画質な仮想単色Ｘ線画像について人工ノイズを加えることで生成された低画質な仮想単色Ｘ線画像を用いてもよい。

また、図１５（ｂ）に示すように、高エネルギー画像Ｉｍ_Ｈと低エネルギー画像Ｉｍ_Ｌと仮想単色Ｘ線画像Ｖとを入力画像として組み合わせて、高画質な高エネルギー画像Ｉｍ_Ｈ’と低エネルギー画像Ｉｍ_Ｌ’を推論してもよい。この場合、処理部１３３は、取得部１３１が取得した高エネルギー画像Ｉｍ_Ｈ及び低エネルギー画像Ｉｍ_Ｌと、生成した仮想単色Ｘ線画像とを高画質化モデルの入力データとして入力することにより、当該複数の画像よりも高画質な高エネルギー画像Ｉｍ_Ｈ’と低エネルギー画像Ｉｍ_Ｌ’を高画質化モデルからの出力データとして取得する。処理部１３３は、高画質化モデルからの出力データとして取得した高エネルギー画像Ｉｍ_Ｈ’と低エネルギー画像Ｉｍ_Ｌ’から第１のエネルギーサブトラクション画像よりも高画質な第２のエネルギーサブトラクション画像を生成することができる。

この場合の学習データの入力データは、図１５（ａ）で示される例と同様であってよい。なお、学習データの出力データは、第１の実施形態に係る学習データと同様に生成された高画質な高エネルギー画像Ｉｍ_Ｈ’と低エネルギー画像Ｉｍ_Ｌ’を用いればよい。

また、第１実施形態で述べたような、低画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓを入力データとし、高画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓを出力データとして推論するモデルについて、仮想単色Ｘ線画像を入力データに加えてもよい。図１６（ａ）は、低画質な骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓと仮想単色Ｘ線画像Ｖとを入力データとして組み合わせて、高画質な骨画像Ｉｍ_Ｂ’と軟部組織画像Ｉｍ_Ｓ’を出力データとして推論する高画質化モデルを示している。この場合、処理部１３３は、生成した第１のエネルギーサブトラクション画像及び生成した仮想単色Ｘ線画像Ｖを高画質化モデルの入力データとして入力することにより、第１のエネルギーサブトラクション画像よりも高画質な第２のエネルギーサブトラクション画像を高画質化モデルからの出力データとして取得する。この場合には、弁別時のノイズを抑えた仮想単色Ｘ線画像を入力データとして加えることで、互いに相関性のある骨画像Ｉｍ_Ｂ、軟部組織画像Ｉｍ_Ｓ及び仮想単色Ｘ線画像に基づいて、より高画質な骨画像Ｉｍ_Ｂ，軟部組織画像Ｉｍ_Ｓを推論できると期待される。

この場合の学習データは、低線量で撮影された高エネルギー画像と低エネルギー画像についてエネルギーサブトラクション処理の信号処理を行い生成された骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓと、これらの画像を変換した仮想単色Ｘ線画像Ｖを入力データとする。なお、学習データの出力データは、第１の実施形態に係る学習データと同様に生成された高画質な骨画像Ｉｍ_Ｂ’及び軟部組織画像Ｉｍ_Ｓ’を用いればよい。なお、学習データの入力データとして、高画質な仮想単色Ｘ線画像について人工ノイズを加えることで生成された低画質な仮想単色Ｘ線画像を用いてもよい。

さらに、図１６（ｂ）は、ｎ枚の仮想単色Ｘ線画像を入力画像として追加して計（ｎ＋２）チャンネルの画像から、（ｍ＋２）チャンネルの画像を推論する高画質化モデルを示している。ｎとｍは必ずしも一致する必要はなく、ｍはゼロでもよい。なお、学習データについては、上述用に生成された上述のように、骨画像Ｉｍ_Ｂと軟部組織画像Ｉｍ_Ｓと、これらの画像を変換した仮想単色Ｘ線画像Ｖ_１～Ｖ_ｎを入力データとする。また、第１の実施形態に係る学習データと同様に生成された高画質な骨画像Ｉｍ_Ｂ’及び軟部組織画像Ｉｍ_Ｓ’と、第２の実施形態に係る学習データと同様生成された高画質な仮想単色Ｘ線画像Ｖ_１’～Ｖ_ｍ’を出力データとして用いればよい。なお、学習データの入力データとして、高画質な仮想単色Ｘ線画像について人工ノイズを加えることで生成された低画質な仮想単色Ｘ線画像を用いてもよい。このような高画質化モデルは、それぞれの画像の相関性に基づいて高画質画像を推論できる学習済モデルとなることが期待される。

なお、第１の実施形態及び本実施形態で述べた高画質化モデル、並びに上述した様々な高画質化モデルに関しては、最終的に推論される出力画像の性能を確認しながら、パラメータや入力データ、出力データ等について種々の変形を行うことも可能である。

［第３の実施形態］
以下、図１７及び図１８を参照して、本開示の第３の実施形態について説明する。第１及び第２の実施形態では、医用画像を撮影する放射線撮影システムについて本開示の技術を適用した。これに対し、本実施形態では、インラインでの自動検査で用いられる放射線撮影システムについて本開示の技術を適用する。

インラインでの自動検査ではＸ線により撮影した複数の投影画像を再構成した断層画像を用いる技術が広く用いられている。例えば、インラインでの自動検査においては、拡大撮影のため、検査対象物（例えば、平板状の形状を有する基板）をＸ線源に近づけた状態で検査を行うことが望まれる。一方、基板の厚さ方向側にＸ線源を近づけた状態で、Ｘ線を照射した場合には、厚さに比べて長尺寸法を有する基板の幅方向へＸ線は透過しにくいため、所望の検査結果が得られない場合が生じ得る。これに関連して、検査対象物に対して斜め方向にＸ線を照射する技術（例えば、斜めＣＴ、ラミノＣＴ、又はプラナーＣＴと呼ばれる手法）が提案されている。検査対象物に対して斜め方向にＸ線を照射する技術ではＸ線源に検査対象物を近づけることができるため、撮影の拡大率の調整が容易になり、検査装置のサイズもコンパクトにすることが可能である。

ここで、このような検査対象物に対して斜め方向にＸ線を照射して撮影された複数の投影画像や該投影画像を再構成した断層画像についても、エネルギーサブトラクション処理により、物質弁別画像等のエネルギーサブトラクション画像を得ることができる。しかしながら、このような場合であっても、上述したような複数回の撮影を行うことによる放射線量の増加や、低線量での撮影に関するノイズの増加などの問題は生じる。

そこで、本実施形態も、検査に用いる放射線量を抑えながら高画質なエネルギーサブトラクション画像を生成できる画像処理装置を提供することを目的とする。これに関連して、本実施形態では、高画質化モデルを用いて、検査対象物に対して斜め方向に放射線を照射して撮影された複数の投影画像や該投影画像を再構成した断層画像に基づいて高画質なエネルギーサブトラクション画像を生成する。

まず、図１７を参照して、本実施形態に係る放射線撮影システムの構成について説明する。図１７は、本実施形態に係る放射線撮影システムの全体な構成例を示す。放射線撮影システム１７００には、制御装置１７１０と、放射線発生装置１７０１と、ステージ１７０６と、放射線撮影装置１７０４と、ロボットアーム１７０５と、撮影装置支持部１７０３とが設けられている。なお、放射線発生装置１７０１及び放射線撮影装置１７０４の構成は、第１の実施形態に係る放射線発生装置１０１及び放射線撮影装置１０４の構成と同様であってよく、説明を省略する。

ここで、放射線撮影装置１７０４は、撮影装置支持部１７０３に支持されており、撮影装置支持部１７０３及びロボットアーム１７０５が移動することにより、放射線撮影装置１７０４も移動可能に構成されている。また、ステージ１７０６には、検査対象物（以下、「ワーク１７０２」ともいう）が配置される。ステージ１７０６は、制御装置１７１０のステージ制御部１７１７の制御信号により、放射線撮影のために指定された位置に移動し、又は、放射線撮影のために指定された所定の位置に停止するように構成されている。

検査対象物には、例えば、人体や種々の物品が含まれることができる。人体を検査対象にする場合、断層撮影による画像診断に適用可能である。種々の物品（例えば、基板）を検査対象にする場合には、基板に電子部品が装着された状態の良否判定や検査対象物の内部における断層位置の算出に適用可能である。

制御装置１７１０には、取得部１７１１、生成部１７１２、処理部１７１３、表示制御部１７１４、記憶部１７１５、撮影装置制御部１７１６、ステージ制御部１７１７、及び放射線制御部１７１８が設けられている。なお、取得部１７１１、表示制御部１７１４、及び記憶部１７１５は、第１の実施形態に係る、取得部１３１、表示制御部１３４、及び記憶部１３５と同様のものであってよく、説明を省略する。

ここで、制御装置１７１０は、プロセッサ及びメモリが設けられたコンピュータによって構成されることができる。なお、制御装置１７１０は、一般的なコンピュータによって構成されてもよいし、放射線制御システム専用のコンピュータによって構成されてもよい。また、制御装置１７１０は、例えば、パーソナルコンピュータであってもよく、デスクトップＰＣ、ノート型ＰＣ、又はタブレット型ＰＣ（携帯型の情報端末）等が用いられてもよい。さらに、制御装置１７１０は、一部の構成要素が外部装置に配置されるようなクラウド型のコンピュータとして構成されてもよい。

また、制御装置１７１０の記憶部１７１５以外の各構成要素は、ＣＰＵやＭＰＵ等のプロセッサによって実行されるソフトウェアモジュールにより構成されてよい。なお、プロセッサは、例えば、ＧＰＵやＦＰＧＡ等であってもよい。また、当該各構成要素は、ＡＳＩＣ等の特定の機能を果たす回路等によって構成されてもよい。記憶部１７１５は、例えば、ハードディスク等の光学ディスクやメモリ等の任意の記憶媒体によって構成されてよい。

また、制御装置１７１０には、表示部１７２０及び入力部１７５０が接続されている。なお、表示部１７２０及び入力部１７５０は、第１の実施形態に係る表示部１２０及び入力部１５０と同様のものであってよく説明を省略する。

放射線制御部１７１８は、第１の実施形態に係る放射線制御装置１０２と同様に機能することができる。放射線制御部１７１８は、入力部１７５０を介した操作者の操作等に基づいて、例えば、放射線発生装置１７０１による放射線の照射角、放射線焦点位置、管電圧、及び管電流等の撮影条件を制御することができる。

放射線発生装置１７０１は、放射線制御部１７１８の制御信号に基づいて、放射線焦点を通る軸を中心軸として放射線を出力する。なお、放射線発生装置１７０１は、例えば、ＸＹＺΦ方向に移動可能な放射線発生装置として構成されることができる。この場合、放射線発生装置１７０１は、例えば、モータ等の駆動部を備え、放射線制御部１７１８の制御信号に基づいて、回転軸（Ｚ軸）に交差する面内（ＸＹ平面内）の任意の位置に移動したり、任意の位置（例えば、回転軸（Ｚ軸）の位置）に停止したりすることができる。放射線発生装置１７０１は、回転軸に交差する面内を移動した状態、又は、回転軸の位置に停止した状態で、回転軸に対して傾斜した方向から放射線を照射する。

図１７において、回転軸とは、紙面の上下方向の軸（Ｚ軸）であり、角度θは回転軸（Ｚ軸）に対する傾斜角を示す。角度Φは、Ｚ軸回りの回転角度を示す。Ｘ方向は、例えば、紙面の左右方向に対応し、Ｙ方向は紙面に対して垂直な方向に対応する。また、Ｚ方向は、例えば、紙面の上下方向に対応するものとする。図１７における座標系の設定は、図１８Ａ及び図１８Ｂにおいても同様である。

放射線発生装置１７０１が回転軸に交差する面内を移動した状態とは、例えば、図１８Ａに示すように、放射線発生装置１７０１が回転軸（Ｚ軸）に交差する面内（ＸＹ平面内）を所定の軌道１８４０で移動した状態を示す。また、放射線発生装置１７０１が回転軸の位置に停止した状態とは、例えば、図１８Ｂに示すように、放射線発生装置１７０１が回転軸（Ｚ軸）の位置に停止した状態を示す。また、回転軸に対して傾斜した方向からの放射線照射とは、例えば、図１８Ａ及び図１８Ｂに示すように、回転軸（Ｚ軸）に対して角度θ傾斜した状態での放射線照射を示す。

図１８Ａに示す放射線撮影システムにおいて、放射線発生装置１７０１は、回転軸（Ｚ軸）に交差する面内（ＸＹ平面内）を移動可能に構成され、回転軸に対して傾斜した方向から放射線を照射する。ワーク１７０２を保持するステージ１７０６（保持部）は、回転軸（Ｚ軸）の位置に停止した状態で、ワーク１７０２を保持する。また、放射線撮影装置１７０４は、回転軸（Ｚ軸）に交差する面内（ＸＹ平面内）を移動可能に構成され、検査対象物を透過した放射線を検出する。図１８Ａにおいて、放射線発生装置１７０１は、放射線制御部１７１８の制御信号に基づいて、放射線発生装置１７０１の放射線焦点の位置１８２０から、放射線焦点を通る軸１８２０Ａを中心軸として放射線を出力する。同様に、放射線発生装置１７０１は、放射線制御部１７１８の制御信号に基づいて、放射線発生装置１７０１の放射線焦点の位置１８２１の位置から、放射線焦点を通る軸１８２１Ａを中心軸として放射線を出力する。ここで、軸１８２０Ａ（軸１８２１Ａ）と回転軸（Ｚ軸）とのなす角度が傾斜角（角度θ）となる。

一方で、図１８Ｂに示す放射線撮影システムでは、放射線発生装置１７０１は、回転軸（Ｚ軸）の位置に停止した状態で、回転軸に対して傾斜した方向から放射線を照射する。ワーク１７０２を保持するステージ１７０６は、回転軸に交差する面内（ＸＹ平面内）を移動可能に構成され、ワーク１７０２を保持する。また、放射線撮影装置１７０４は、回転軸（Ｚ軸）に交差する面内（ＸＹ平面内）を移動可能に構成され、検査対象物を透過した放射線を検出する。図１８Ｂにおいて、放射線発生装置１７０１は、放射線制御部１７１８の制御信号に基づいて、放射線発生装置１７０１の放射線焦点の位置１８２０（回転軸（Ｚ軸）の位置）から、放射線焦点を通る軸１８２０Ｂを中心軸として放射線を出力する。また、放射線発生装置１７０１は、放射線制御部１７１８の制御信号に基づいて放射線の照射角を変更し、放射線発生装置１７０１の放射線焦点の位置１８２０から、放射線焦点を通る軸１８２０Ｃを中心軸として放射線を出力する。ここで、軸１８２０Ｂ（軸１８２１Ｃ）と回転軸（Ｚ軸）とのなす角度が傾斜角（角度θ）となる。

ステージ制御部１７１７は、放射線撮影のために指定された位置までステージ１７０６を移動させたり、放射線撮影のために所定の位置に停止させたりするようにステージ１７０６の位置制御を行う。なお、ステージ制御部１７１７は、所定の撮影動作のためのプログラムや操作者の操作に基づいてステージ１７０６の位置制御を行うことができる。

ステージ１７０６には、検査対象物であるワーク１７０２が保持される。ステージ１７０６は、例えば、ＸＹＺΦ方向に移動可能なステージとして構成される。ステージ１７０６は、例えば、モータ等の駆動部を備え、ステージ制御部１７１７の制御信号に基づいて、回転軸（Ｚ軸）に交差する面内（ＸＹ平面内）の任意の位置に移動したり、任意の位置（例えば、回転軸（Ｚ軸）の位置）に停止したりすることができる。ステージ１７０６はワーク１７０２を保持し、回転軸（Ｚ軸）に交差する面内（ＸＹ平面内）を移動可能に構成された保持部として機能する。

ステージ１７０６は、例えば、回転軸（Ｚ軸）回りのΦ方向の軌道１８６０（図１８Ｂ）やＸＹ平面内における線形軌道に従って移動可能に構成されている。また、ステージ１７０６は、ステージ制御部１７１７の制御信号に基づいて、ＸＹ平面内における所定の位置に位置決めされ、停止可能である。また、他の場合において、ステージ１７０６は、ベルトコンベア等により一方向に移動することで検査のための位置にワーク１７０２を配置するように構成されることができる。

撮影装置制御部１７１６は、放射線撮影装置１７０４の位置及び動作を制御する。また、撮影装置制御部１７１６は、ロボットアーム１７０５及び撮影装置支持部１７０３の移動位置を制御する。ロボットアーム１７０５と撮影装置支持部１７０３は、撮影装置制御部１７１６からの制御信号に基づき所定の位置に移動することにより、放射線撮影装置１７０４を指定された位置に移動させることができる。例えば、ロボットアーム１７０５と撮影装置支持部１７０３とは、ＸＹ方向の自由度及びＺ軸回りの回転方向（Φ）の自由度（ＸＹΦ方向の自由度）で放射線撮影装置１７０４を移動させる動作機構として構成されることができる。

放射線撮影装置１７０４は、撮影装置支持部１７０３の所定の位置に保持されている。撮影装置制御部１７１６は、ロボットアーム１７０５及び撮影装置支持部１７０３の移動位置に基づいて、撮影装置制御部１７１６の位置情報を取得する。撮影装置制御部１７１６は、ロボットアーム１７０５及び撮影装置支持部１７０３の移動位置及び回転角度に基づいて取得した放射線撮影装置１７０４の位置情報及び回転角度情報を生成部１７１２に送信する。

放射線撮影装置１７０４は、放射線発生装置１７０１によって出力されてワーク１７０２を透過した放射線を検出して、ワーク１７０２の投影画像の画像情報を制御装置１７１０に送る。ＸＹΦ方向の自由度を有するロボットアーム１７０５及び撮影装置支持部１７０３の動作により、放射線撮影装置１７０４は、回転軸（Ｚ軸）に交差する面内を移動可能に構成され、検査対象物（ワーク１７０２）を透過した放射線を検出する。ここで、回転軸に交差する面内の移動とは、例えば、図１８Ａ及び図１８Ｂに示すように、放射線撮影装置１７０４が回転軸（Ｚ軸）に交差する面内（ＸＹ平面内）を所定の軌道１８５０で移動した状態を示す。

ここで、図１８Ａ及び図１８Ｂを用いて、本実施形態に係る放射線撮影処理について説明する。本実施形態に係る放射線撮影処理では、検査対象物であるワーク１７０２の三次元画像を生成するため、ワーク１７０２の撮影位置を変更しながら、ワーク１７０２に対して斜めに放射線を照射して複数の投影画像を撮影する。

図１８Ａ及び図１８Ｂは、本実施形態に係る放射線撮影処理の例を説明するための図である。図１８Ａは、放射線発生装置１７０１が回転軸（Ｚ軸）に交差する面内（ＸＹ平面内）を所定の軌道１８４０で移動した状態での放射線撮影処理の例を示す。一方で、図１８Ｂは、放射線発生装置１７０１が回転軸（Ｚ軸）の位置に停止した状態での放射線撮影処理の例を示す。なお、本実施形態に係る放射線撮影処理は、図１８Ａ及び図１８Ｂの構成に限られない。本実施形態に係る放射線撮影処理は、放射線発生装置１７０１、検査対象物を保持するステージ１７０６、及び放射線撮影装置１７０４のうち少なくとも２つが、回転軸に交差する面内を移動可能（例えば連動して回転可能）に構成されていればよい。なお、上記少なくとも２つは、放射線発生装置１７０１から照射された放射線が検査対象物を回転軸に対して傾斜した方向に透過して放射線撮影装置１７０４により検出可能な位置関係を満たすように、回転軸に交差する面内を移動可能に構成されていればよい。例えば、上記位置関係を満たすように、放射線発生装置１７０１と、ステージ１７０６と、放射線撮影装置１７０４とが、回転軸に交差する面内を移動可能に構成されていてもよい。また、例えば、上記位置関係を満たすように、放射線撮影装置１７０４が回転軸の位置に停止した状態で、放射線発生装置１７０１とステージ１７０６とが回転軸に交差する面内を移動可能に構成されてもよい。

次に、本実施形態に係る制御装置１７１０での画像生成処理等について説明する。取得部１７１１は、放射線撮影装置１７０４から送られた画像情報を取得し、生成部１７１２に送る。なお、取得部１７１１は、後述する生成された三次元画像や断層画像を取得することもできる。また、取得部１７１１は制御装置１７１０に接続された外部装置からこれらの画像情報や各種画像を取得してもよい。

生成部１７１２は、取得部１７１１から受け取った画像情報を用いて投影画像を生成する。この際、生成部１７１２は、異なるエネルギーの放射線を用いて撮影された画像情報を用いて、第１及び第２の実施形態に係る生成部１３２と同様に、高エネルギー画像及び低エネルギー画像を生成することができる。なお、異なるエネルギーの放射線を用いた放射線撮影動作については、第１の実施形態において述べたような放射線撮影と同様に行われてよい。ただし、本実施形態に係る放射線撮影動作は、投影画像から三次元画像を再構成するために、上述のように、ワーク１７０２に対して斜めに放射線を照射して、ワーク１７０２の各撮影位置についてそれぞれ行われる。

生成部１７１２は、このように生成された複数の投影画像から三次元画像を再構成することができる。より具体的には、生成部１７１２は、撮影装置制御部１７１６から受け取った放射線撮影装置１７０４の位置情報及び回転角度情報と、放射線撮影装置１７０４により撮影されたワーク１７０２の投影画像とを用いて再構成処理を行い、三次元画像を生成する。なお、生成部１７１２は、上記した異なるエネルギーの放射線に基づいた投影画像を用いて、異なるエネルギーの三次元画像を再構成することができる。

また、生成部１７１２は、生成した三次元画像から任意の断面の断層画像を再構成することができる。なお、三次元画像及び断層画像を再構成する方法としては、公知の任意の方法を用いてよい。ここで、三次元画像から断層画像を切り出す断面については、予め定められた初期設定に基づいて設定されてもよいし、操作者の指示に応じて設定されてもよい。また、当該断面については、制御装置１７１０によって、投影画像や不図示の各種センサからの情報等に基づいて検出された検査対象物の状態の検出結果に基づいて自動的に設定されてもよいし、操作者の操作等に基づく検査目的の選択に応じて自動的に設定されてもよい。なお、本実施形態では、生成部１７１２は、例えば、ＸＹ断面、ＹＺ断面、及びＸＺ断面の三つの断面について断層画像を再構成する。

処理部１７１３は、異なる放射線エネルギーに関する複数の投影画像から、異なる放射線エネルギーに関する複数の断層画像を再構成することができる。また、処理部１７１３は、再構成した異なるエネルギーに対応する複数の断層画像を高画質化モデルの入力データとして入力することで、高画質化モデルの出力として高画質なエネルギーサブトラクション画像を取得できる。なお、再構成した異なるエネルギーに対応する複数の断層画像は、高画質化モデルの入力データの複数のチャンネルにそれぞれ入力されてよい。ここで、ワーク１７０２が、基板等である場合には、エネルギーサブトラクション画像は、はんだ層等の金属の厚さの画像と金属層以外の物体の厚さの画像とすることができる。また、処理部１７１３は、第１の及び第２の実施形態に係る処理部１３３と同様に、各種画像処理を行うこともできる。

ここで、本実施形態に係る高画質化モデルの学習データとしては、異なるエネルギーに対応する複数の断層画像を入力データとし、高画質なエネルギーサブトラクション画像を出力データとすればよい。なお、入力データとして用いる複数の断層画像については、低線量で撮影して得た断層画像を用いることができる。また、高画質な断層画像について人工ノイズを加えて生成された断層画像を入力データとして用いてもよい。なお、高画質な投影画像や三次元画像に人工ノイズを加えたものから再構成された断層画像を入力データとして用いてもよい。高画質なエネルギーサブトラクション画像の生成方法については、第１及び第２の実施形態と同様であってよい。ここで、金属等の線減弱係数も、ＮＩＳＴなどのデータベースから得てよい

さらに、高画質化モデルの構成は断層画像を入力データとし、高画質なエネルギーサブトラクション画像を出力データとする構成に限られない。第１及び第２の実施形態で述べた高画質化モデルの例と同様に、低画質な断層画像を入力データとし、高画質な断層画像を出力データとしてもよい。この場合、処理部１７１３は、高画質化モデルから出力された高画質な断層画像にエネルギーサブトラクション処理の信号処理を行うことで、高画質なエネルギーサブトラクション画像を生成することができる。なお、処理部１７１３は、１つの高画質化モデルを用いて異なるエネルギーに対応する断層画像を高画質化してもよいし、異なるエネルギーに対応する複数の断層画像のそれぞれについて１つずつの高画質化モデルを用いて高画質化してもよい。

この場合、学習データも低画質な断層画像を入力データとし、高画質な断層画像を出力データとすればよい。なお、高画質な断層画像としては、高線量で撮影して再構成された断層画像を用いてもよいし、重ね合わせ処理等により高画質化された断層画像を用いてもよい。また、高画質な断層画像としては、重ね合わせ処理等により高画質化された投影画像や三次元画像を用いて生成された断層画像を用いてもよい。低画質な断層画像については、上記の例と同様に生成されてよい。

また、第１及び第２の実施形態で述べた高画質化モデルの例と同様に、高画質化モデルは、低画質な断層画像から生成されたエネルギーサブトラクション画像を入力データとし、高画質なエネルギーサブトラクション画像を出力データとしてもよい。この場合、処理部１７１３は、生成した断層画像からエネルギーサブトラクション画像を生成する。処理部１７１３は、生成したエネルギーサブトラクション画像を高画質化モデルの入力データとして入力することで、高画質なエネルギーサブトラクション画像を高画質化モデルの出力データとして取得することができる。なお、学習データも低画質なエネルギーサブトラクション画像を入力データとし、高画質な断層画像を出力データとすればよい。低画質なエネルギーサブトラクション画像は、上述した低画質な断層画像にエネルギーサブトラクション処理の信号処理を行い生成すればよい。また、高画質なエネルギーサブトラクション画像については、上記の例と同様に生成されてよい。

さらに、第２の実施形態で述べた高画質化モデルの例と同様に、高画質化モデルは、低画質な断層画像から生成されたエネルギーサブトラクション画像を変換した仮想単色Ｘ線画像を入力データとしてもよい。この場合、処理部１７１３は、生成した断層画像からエネルギーサブトラクション画像を生成し、生成したエネルギーサブトラクション画像を異なるエネルギーの複数の仮想単色Ｘ線画像に変換する。処理部１７１３は、複数の仮想単色Ｘ線画像を高画質化モデルの入力データとして入力することで、高画質なエネルギーサブトラクション画像を高画質化モデルの出力データとして取得することができる。なお、高画質化モデルの出力データは、第２の実施形態で述べた高画質化モデルの例と同様に、高画質なエネルギーサブトラクション画像であってもよいし、高画質な仮想単色Ｘ線画像であってもよい。

また、第２の実施形態で述べた高画質化モデルの例と同様に、仮想単色Ｘ線画像と、低画質な断層画像やエネルギーサブトラクション画像と組み合わせて入力データとしてもよい。この場合、処理部１７１３は、生成した断層画像からエネルギーサブトラクション画像を生成し、生成したエネルギーサブトラクション画像を異なるエネルギーの複数の仮想単色Ｘ線画像に変換する。処理部１７１３は、断層画像又はエネルギーサブトラクション画像と複数の仮想単色Ｘ線画像とを高画質化モデルの入力データとして入力することで、高画質なエネルギーサブトラクション画像を高画質化モデルの出力データとして取得することができる。また、処理部１７１３は、断層画像又はエネルギーサブトラクション画像と複数の仮想単色Ｘ線画像とを高画質化モデルの入力データとして入力することで、高画質な断層画像を高画質化モデルの出力データとして取得することもできる。この場合には、処理部１７１３は、取得した高画質な断層画像にエネルギーサブトラクション処理の信号処理を行うことで、高画質なエネルギーサブトラクション画像を生成することができる。

なお、高画質化モデルの入力データは、第２の実施形態で述べた高画質化モデルの例と同様に、低画質な断層画像やエネルギーサブトラクション画像とすることができる。また、高画質化モデルの出力データは、第２の実施形態で述べた高画質化モデルの例と同様に、高画質な断層画像やエネルギーサブトラクション画像とすることができる。なお、仮想単色Ｘ線画像については、断層画像から生成されたエネルギーサブトラクション画像を変換して得る点を除き、第２の実施形態で述べた方法と同様の方法で生成されてよい。また、低画質な仮想単色Ｘ線画像及び高画質な仮想単色Ｘ線画像は、第２の実施形態に係る学習データについて述べた方法と同様の方法で生成されてよい。

表示制御部１７１４は、処理部１７１３によって生成された高画質なエネルギーサブトラクション画像等を表示部１７２０に表示させることができる。なお、表示制御部１７１４は、複数の断面についての断層画像について高画質なエネルギーサブトラクション画像が生成されている場合、表示部１７２０にこれらの画像を並べて表示させたり、切り替えて表示させたりすることができる。また、表示制御部１７１４は、高画質なエネルギーサブトラクション画像と、元の異なるエネルギーの断層画像に対してエネルギーサブトラクション処理を行って得た低画質なエネルギーサブトラクション画像とを切り替えて表示させてもよい。この場合、表示制御部１７１４は、入力部１７５０を介した操作者の指示に応じてこれらの画像の表示の切り替えを一括して行ってもよい。また、画像処理により、仮想単色Ｘ線画像やＤＳＡ画像が生成されている場合には、表示制御部１７１４は、生成された仮想単色Ｘ線画像やＤＳＡ画像を表示部１７２０に表示させることができる。

なお、本実施形態に係る一連の撮影処理に関しては、第１の実施形態や第２の実施形態に係る一連の撮影処理と同様であるため省略する。ただし、本実施形態では放射線撮影が上記のようにワーク１７０２の撮影位置を変更しながら、ワーク１７０２に対して斜めに放射線を照射して複数の投影画像を撮影することに留意されたい。また、本実施形態では、エネルギーサブトラクション画像の生成に異なるエネルギーに対応する断層画像が用いられることにも留意されたい。

上記のように本実施形態に係る取得部１７１１は、検査対象物に対して傾斜した方向に異なるエネルギーの放射線を照射して得た複数の画像を取得する取得部の一例として機能する。また、当該複数の画像は、複数の投影画像から再構成された複数の断層画像を含む。このような構成であっても、低線量で撮影された異なるエネルギー画像を用いて、高画質なエネルギーサブトラクション画像を生成することができる。このため、検査に用いる放射線量を抑えながら高画質なエネルギーサブトラクション画像を生成できる。

また、本実施形態に係る制御装置１７１０は、処理部１７１３によって生成されたエネルギーサブトラクション画像を表示部１７２０に表示させる表示制御部１７１４を更に備える。さらに、処理部１７１３は、高画質化モデルを用いて、検査対象物の少なくとも２つの断面に対応する複数の断層画像に基づいて複数のエネルギーサブトラクション画像を生成する。表示制御部１７１４は、生成された複数のエネルギーサブトラクション画像を並べて表示部１７２０に表示させることができる。この場合、複数の断面に関するエネルギーサブトラクション画像を確認することができ、検査対象物に関する検査をより効率的に行うことができる。

さらに、表示制御部１７１４は、操作者の指示に応じて、高画質化モデルを用いずに少なくとも２つの断面に対応する複数の断層画像から生成されたエネルギーサブトラクション画像と、高画質化モデルを用いて生成された複数のエネルギーサブトラクション画像とを一括して切り替えて表示部１７２０に表示させることができる。この場合、高画質化モデルを用いた処理により、アーチファクト等が生じていないか、及び異常が生じていると考えられる部位について実際に撮影された画像ではどのように示されているかを容易に確認することができる。そのため、検査対象物に関する検査をより効率的に行うことができる。

なお、複数の断層画像に関する断面は、初期設定、操作者の指示、検査対象の状態の検出結果、及び検査目的の選択の少なくとも一つに応じて設定されることができる。このため、所望の設定に応じた断面の断層画像が生成され、当該断層画像に対応する高画質なエネルギーサブトラクション画像が生成されることができる。これにより、検査対象物に関する検査をより効率的に行うことができる。

なお、取得部１７１１は、検査対象物に対して傾斜した方向に放射線を照射して得た第１の画像を取得する取得部の一例として機能してもよい。また、処理部１７１３は、高画質化モデルの入力データとして当該第１の画像を入力することにより、当該第１の画像より高画質な第２の画像を高画質化モデルからの出力データとして取得し、第２の画像を用いてエネルギーサブトラクション画像を生成する生成部の一例として機能してもよい。このような構成であっても、低線量で撮影された異なるエネルギー画像を用いて、高画質なエネルギーサブトラクション画像を生成することができる。このため、検査に用いる放射線量を抑えながら高画質なエネルギーサブトラクション画像を生成できる。

なお、本実施形態では、処理部１７１３が、高画質化モデルを用いて、異なるエネルギーに対応する複数の断層画像に基づいて高画質なエネルギーサブトラクション画像を生成した。これに対して、処理部１７１３は、異なるエネルギーの投影画像又は三次元画像に基づいて、高画質なエネルギーサブトラクション画像を生成してもよい。この場合には、高画質化モデルの学習データの入力データとして、異なるエネルギーの投影画像又は三次元画像を用いればよい。また、学習データの出力データとしては、異なるエネルギーの投影画像又は三次元画像に対応するエネルギーサブトラクション画像を用いればよい。なお、学習データの入力データとして、異なるエネルギーの三次元画像を用いる場合には、学習データの出力データとして、所定の断面の断層画像に対応する高画質なエネルギーサブトラクション画像を用いてもよい。また、高画質化モデルの上記の他の例に関しても、断層画像の代わりに、投影画像又は三次元画像を用いてもよい。

［変形例１］
第１及び第２の実施形態では、エネルギーサブトラクション画像として骨の厚さの画像と軟部組織の厚さの画像について説明した。これに対して、エネルギーサブトラクション画像として、低エネルギー画像Ｉｍ_Ｌと高エネルギー画像Ｉｍ_Ｈから、実効原子番号Ｚの画像と面密度Ｄの画像を求めてもよい。ここで、実効原子番号Ｚとは混合物の等価的な原子番号のことであり、面密度Ｄとは被写体の密度［ｇ／ｃｍ３］と被写体の厚さ［ｃｍ］の積である。

まず、放射線フォトンのエネルギーをＥ、エネルギーＥにおけるフォトン数をＮ（Ｅ）、実効原子番号をＺ、面密度をＤ、実効原子番号ＺかつエネルギーＥにおける質量減弱係数をμ（Ｚ，Ｅ）、減弱率をＩ／Ｉ_０とすると、以下の式（１４）が成り立つ。

エネルギーＥにおけるフォトン数Ｎ（Ｅ）は、放射線のスペクトルである。放射線のスペクトルは、シミュレーション又は実測により得られる。また、実効原子番号ＺかつエネルギーＥにおける質量減弱係数μ（Ｚ，Ｅ）は、ＮＩＳＴなどのデータベースから得られる。そのため、任意の実効原子番号Ｚ、面密度Ｄ、放射線のスペクトルＮ（Ｅ）における減弱率Ｉ／Ｉ_０が算出可能である。

低エネルギーのＸ線におけるスペクトルをＮＬ（Ｅ）とし、高エネルギーのＸ線におけるスペクトルをＨＨ（Ｅ）とすると、以下の式（１５）が成り立つ。

式（１５）は非線形の連立方程式である。制御装置１０３は、これをニュートンラフソン法などで解くことによって、低エネルギー画像Ｉｍ_Ｌと高エネルギー画像Ｉｍ_Ｈとから、実効原子番号Ｚを表す画像と面密度Ｄを表す画像とを算出できる。なお、実効原子番号Ｚと面密度Ｄを算出してから、実効原子番号Ｚと面密度Ｄを用いて仮想単色Ｘ線画像を生成することもできる。

このようなエネルギーサブトラクション処理の信号処理によれば、エネルギーサブトラクション画像として、低エネルギー画像Ｉｍ_Ｌと高エネルギー画像Ｉｍ_Ｈから、実効原子番号Ｚの画像と面密度Ｄの画像を求めることができる。従って、このような実効原子番号Ｚの画像と面密度Ｄの画像を、エネルギーサブトラクション画像として学習データ、及び高画質化モデルへの入力データや出力データとして用いることができる。この場合には、上述した実施形態に関して、骨画像及び軟部組織画像に替えて、実効原子番号Ｚの画像と面密度Ｄの画像をエネルギーサブトラクション画像として生成・取得することができる。また、高画質なエネルギー画像について当該エネルギーサブトラクション処理を行うことで、高画質な実効原子番号Ｚの画像と面密度Ｄの画像を求めることができる。

［変形例２］
上記第１乃至第３の実施形態では、放射線撮影装置１０４は蛍光体を用いた間接型のＸ線センサとした。しかしながら、本開示はこのような形態に限定されない。例えばＣｄＴｅ等の直接変換材料を用いた直接型のＸ線センサを用いてもよい。

また、上記第１乃至第３の実施形態では、放射線発生装置１０１の管電圧を変化させる等により異なるエネルギーの放射線画像を取得した。しかしながら、本開示はこのような形態に限定されない。放射線発生装置１０１のフィルタを時間的に切り替えるなどして、放射線撮影装置１０４に曝射されるＸ線のエネルギーを変化させてもよい。また、複数の蛍光体１０５及び二次元検出器１０６を重ねることで、Ｘ線の入射方向に対して前段の二次元検出器と後段の二次元検出器から、異なるエネルギーの画像を得る構成としてもよい。さらに、異なる複数の蛍光体１０５と二次元検出器１０６を用いて、一回の撮影から異なるエネルギーの画像を得る構成としてもよい。また、二次元検出器１０６の一部に遮光部を設け、一回の撮影から異なるエネルギーの画像を得る構成としてもよい。

また、上記第１乃至第３の実施形態では、図２に示す画素２０を備えた放射線撮影装置１０４，１７０４を用いる構成について説明した。しかしながら、放射線撮影装置１０４，１７０４の画素の構成はこれに限られず、所望の構成に応じて任意に設計されてよい。

［変形例３］
さらに、上記第１乃至第３の実施形態及び変形例に係る学習済モデルの学習データは、実際の撮影を行う放射線撮影装置自体を用いて得たデータに限られない。当該画像データは、所望の構成に応じて、同型の放射線撮影装置を用いて得たデータや、同種の放射線撮影装置を用いて得たデータ等であってもよい。

また、上記第１乃至第３の実施形態及び変形例では、複数の入力画像を高画質化モデルの複数の入力チャンネルにそれぞれ入力した。これに対し、複数の入力画像を結合して１つの画像とし、高画質化モデルの１つのチャンネルに入力してもよい。この場合には、高画質化モデルの学習データについても、同様に、入力画像を結合した１つの画像を入力データとして用いればよい。

なお、上述した上記第１乃至第３の実施形態及び変形例に係る学習済モデルでは、入力データの画像の輝度値の大小、明部と暗部の順番や傾き、位置、分布、連続性等を特徴量の一部として抽出して、推論処理に用いているものと考えらえる。

また、上述した第１乃至第３の実施形態及び変形例に係る各種学習済モデルは制御装置１０３，１７１０に設けられることができる。学習済モデルは、例えば、ＣＰＵや、ＭＰＵ、ＧＰＵ、ＦＰＧＡ等のプロセッサによって実行されるソフトウェアモジュール等で構成されてもよいし、ＡＳＩＣ等の特定の機能を果たす回路等によって構成されてもよい。また、学習済モデルは、制御装置１０３，１７１０と接続される別のサーバの装置等に設けられてもよい。この場合には、制御装置１０３，１７１０は、インターネット等の任意のネットワークを介して学習済モデルを備えるサーバ等に接続することで、学習済モデルを用いることができる。ここで、学習済モデルを備えるサーバは、例えば、クラウドサーバや、フォグサーバ、エッジサーバ等であってよい。なお、施設内や、施設が含まれる敷地内、複数の施設が含まれる地域内等のネットワークを無線通信可能に構成する場合には、例えば、施設や、敷地、地域等に限定で割り当てられた専用の波長帯域の電波を用いるように構成することで、ネットワークの信頼性を向上させてもよい。また、高速や、大容量、低遅延、多数同時接続が可能な無線通信によりネットワークが構成されてもよい。

［その他の実施形態］
また、本発明は上述の実施形態の１以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける１つ以上のプロセッサがプログラムを読出し実行する処理でも実現可能である。例えば、取得した画像を医療用のＰＡＣＳを介して別のパソコンに転送して処理を実行することが考えられる。また、１以上の機能を実現する回路（例えば、ＡＳＩＣ）によっても実現可能である。コンピュータは、１つ又は複数のプロセッサ若しくは回路を有し、コンピュータ実行可能命令を読み出し実行するために、分離した複数のコンピュータ又は分離した複数のプロセッサ若しくは回路のネットワークを含みうる。

プロセッサ又は回路は、中央演算処理装置（ＣＰＵ）、マイクロプロセッシングユニット（ＭＰＵ）、グラフィクスプロセッシングユニット（ＧＰＵ）、特定用途向け集積回路（ＡＳＩＣ）、又はフィールドプログラマブルゲートウェイ（ＦＰＧＡ）を含みうる。また、プロセッサ又は回路は、デジタルシグナルプロセッサ（ＤＳＰ）、データフロープロセッサ（ＤＦＰ）、又はニューラルプロセッシングユニット（ＮＰＵ）を含みうる。

以上、実施形態及び変形例を参照して本発明について説明したが、本発明は上記実施形態及び変形例に限定されるものではない。本発明の趣旨に反しない範囲で変更された発明、及び本発明と均等な発明も本発明に含まれる。また、上述の実施形態及び各変形例は、本発明の趣旨に反しない範囲で適宜組み合わせることができる。

１０３，１７１０：制御装置（画像処理装置）、１３１，１７１１：取得部、１３３，１７１３：処理部（生成部）

Claims (31)

1. 異なる放射線エネルギーに関する複数の画像を取得する取得部と、
   放射線を用いて得た第１の画像を高画質化した第２の画像を用いて得た学習済モデルを用いて、前記複数の画像に基づいてエネルギーサブトラクション画像を生成する生成部と、
   を備える画像処理装置。
2. 前記第２の画像は、前記第１の画像の取得に用いた線量よりも多い線量を用いて取得された画像、及び、前記第１の画像を用いて重ね合わせ処理又は最大事後確率推定処理を行った画像のうちのいずれかである、請求項１に記載の画像処理装置。
3. 異なる放射線エネルギーに関する複数の画像を取得する取得部と、
   放射線を用いて得た第１の画像に人工的に計算されたノイズが加算された第２の画像を用いて得た学習済モデルを用いて、前記複数の画像に基づいてエネルギーサブトラクション画像を生成する生成部と、
   を備える画像処理装置。
4. 前記生成部は、前記複数の画像を前記学習済モデルの入力データとして入力することにより、前記エネルギーサブトラクション画像を前記学習済モデルからの出力データとして取得する、請求項１乃至３のいずれか一項に記載の画像処理装置。
5. 異なる放射線エネルギーに関する複数の画像を取得する取得部と、
   前記複数の画像を学習済モデルの入力データとして入力することにより、エネルギーサブトラクション画像を該学習済モデルからの出力データとして取得する生成部と、
   を備える画像処理装置。
6. 前記生成部は、
   前記複数の画像を前記学習済モデルの入力データとして入力することにより、前記複数の画像よりも高画質な複数の画像を前記学習済モデルからの出力データとして取得し、
   前記学習済モデルからの出力データとして取得した複数の画像から前記エネルギーサブトラクション画像を生成する、請求項１乃至３のいずれか一項に記載の画像処理装置。
7. 前記生成部は、
   前記複数の画像から第１のエネルギーサブトラクション画像を生成し、
   前記第１のエネルギーサブトラクション画像を前記学習済モデルの入力データとして入力することにより、前記第１のエネルギーサブトラクション画像より高画質な第２のエネルギーサブトラクション画像を前記学習済モデルからの出力データとして取得する、請求項１乃至３のいずれか一項に記載の画像処理装置。
8. 前記生成部は、
   前記複数の画像から第１のエネルギーサブトラクション画像を生成し、
   前記第１のエネルギーサブトラクション画像から異なるエネルギーの複数の仮想単色Ｘ線画像を生成し、
   前記学習済モデルを用いて、前記複数の仮想単色Ｘ線画像に基づいて前記第１のエネルギーサブトラクション画像よりも高画質な第２のエネルギーサブトラクション画像を生成する、請求項１乃至３のいずれか一項に記載の画像処理装置。
9. 前記生成部は、前記複数の仮想単色Ｘ線画像を前記学習済モデルの入力データとして入力することにより、前記第２のエネルギーサブトラクション画像を前記学習済モデルからの出力データとして取得する、請求項８に記載の画像処理装置。
10. 前記生成部は、
    前記複数の仮想単色Ｘ線画像を前記学習済モデルの入力データとして入力することにより、前記複数の仮想単色Ｘ線画像よりも高画質な複数の仮想単色Ｘ線画像を前記学習済モデルからの出力データとして取得し、
    前記学習済モデルからの出力データとして取得した複数の仮想単色Ｘ線画像から前記第２のエネルギーサブトラクション画像を生成する、請求項８に記載の画像処理装置。
11. 前記生成部は、
    前記複数の画像から第１のエネルギーサブトラクション画像を生成し、
    前記第１のエネルギーサブトラクション画像から仮想単色Ｘ線画像を生成し、
    前記複数の画像及び前記仮想単色Ｘ線画像を前記学習済モデルの入力データとして入力することにより、前記第１のエネルギーサブトラクション画像よりも高画質な第２のエネルギーサブトラクション画像を前記学習済モデルからの出力データとして取得する、請求項１乃至３のいずれか一項に記載の画像処理装置。
12. 前記生成部は、
    前記複数の画像から第１のエネルギーサブトラクション画像を生成し、
    前記第１のエネルギーサブトラクション画像から仮想単色Ｘ線画像を生成し、
    前記複数の画像及び前記仮想単色Ｘ線画像を前記学習済モデルの入力データとして入力することにより、前記複数の画像よりも高画質な複数の画像を前記学習済モデルからの出力データとして取得し、
    前記学習済モデルからの出力データとして取得した複数の画像から前記第１のエネルギーサブトラクション画像よりも高画質な第２のエネルギーサブトラクション画像を生成する、請求項１乃至３のいずれか一項に記載の画像処理装置。
13. 前記生成部は、
    前記複数の画像から第１のエネルギーサブトラクション画像を生成し、
    前記第１のエネルギーサブトラクション画像から仮想単色Ｘ線画像を生成し、
    前記第１のエネルギーサブトラクション画像及び前記仮想単色Ｘ線画像を前記学習済モデルの入力データとして入力することにより、前記第１のエネルギーサブトラクション画像よりも高画質な第２のエネルギーサブトラクション画像を前記学習済モデルからの出力データとして取得する、請求項１乃至３のいずれか一項に記載の画像処理装置。
14. 前記学習済モデルは、複数の画像がそれぞれ入力される複数の入力チャンネルを有する、請求項１乃至１３のいずれか一項に記載の画像処理装置。
15. 前記学習済モデルは、前記学習済モデルの入力データとして用いる前記複数の画像のそれぞれに対応する複数の学習済モデルを含む、請求項６に記載の画像処理装置。
16. 前記学習済モデルは、前記学習済モデルの入力データとして用いる前記複数の仮想単色Ｘ線画像のそれぞれに対応する複数の学習済モデルを含む、請求項１０に記載の画像処理装置。
17. 前記エネルギーサブトラクション画像は、複数の物質を弁別した複数の物質弁別画像、及び実効原子番号と面密度とをそれぞれ示す複数の画像を含む、請求項１乃至１６のいずれか一項に記載の画像処理装置。
18. 前記複数の物質弁別画像は、骨の厚さを示す画像と軟部組織の厚さを示す画像、造影剤の厚さを示す画像と水の厚さを示す画像、及び金属を示す画像と金属が除かれた画像を含む、請求項１７に記載の画像処理装置。
19. 前記生成部は、前記骨の厚さを示す画像と前記軟部組織の厚さを示す画像を用いて骨密度を算出する、請求項１８に記載の画像処理装置。
20. 前記取得部は、検査対象物に対して傾斜した方向に異なるエネルギーの放射線を照射して得た複数の画像を取得し、
    該複数の画像は、複数の投影画像又は該複数の投影画像から再構成された複数の断層画像を含む、請求項１乃至１９のいずれか一項に記載の画像処理装置。
21. 前記生成部によって生成されたエネルギーサブトラクション画像を表示部に表示させる表示制御部を更に備え、
    前記生成部は、前記学習済モデルを用いて、前記検査対象物の少なくとも２つの断面に対応する複数の断層画像に基づいて複数のエネルギーサブトラクション画像を生成し、
    前記表示制御部は、前記複数のエネルギーサブトラクション画像を並べて前記表示部に表示させる、請求項２０に記載の画像処理装置。
22. 前記表示制御部は、操作者の指示に応じて、前記学習済モデルを用いずに前記少なくとも２つの断面に対応する複数の断層画像から生成されたエネルギーサブトラクション画像と、前記学習済モデルを用いて生成された前記複数のエネルギーサブトラクション画像とを一括して切り替えて前記表示部に表示させる、請求項２１に記載の画像処理装置。
23. 前記複数の断層画像に関する断面は、初期設定、操作者の指示、検査対象の状態の検出結果、及び検査目的の選択の少なくとも一つに応じて設定される、請求項２０乃至２２のいずれか一項に記載の画像処理装置。
24. 異なる放射線エネルギーに関する複数の第１の画像を取得する取得部と、
    学習済モデルの入力データとして前記複数の第１の画像を入力することにより、前記複数の第１の画像より高画質な複数の第２の画像を前記学習済モデルからの出力データとして取得し、前記複数の第２の画像を用いてエネルギーサブトラクション画像を生成する生成部と、
    を備える画像処理装置。
25. 検査対象物に対して傾斜した方向に放射線を照射して得た第１の画像を取得する取得部と、
    学習済モデルの入力データとして前記第１の画像を入力することにより、前記第１の画像より高画質な第２の画像を前記学習済モデルからの出力データとして取得し、前記第２の画像を用いてエネルギーサブトラクション画像を生成する生成部と、
    を備える画像処理装置。
26. 異なる放射線エネルギーに関する複数の画像を取得することと、
    放射線を用いて得た第１の画像を高画質化した第２の画像を用いて得た学習済モデルを用いて、前記複数の画像に基づいてエネルギーサブトラクション画像を生成することと、
    を含む画像処理方法。
27. 異なる放射線エネルギーに関する複数の画像を取得することと、
    放射線を用いて得た第１の画像に人工的に計算されたノイズが加算された第２の画像を用いて得た学習済モデルを用いて、前記複数の画像に基づいてエネルギーサブトラクション画像を生成することと、
    を含む画像処理方法。
28. 異なる放射線エネルギーに関する複数の画像を取得することと、
    前記複数の画像を学習済モデルの入力データとして入力することにより、エネルギーサブトラクション画像を該学習済モデルからの出力データとして取得することと、
    を含む画像処理方法。
29. 異なる放射線エネルギーに関する複数の第１の画像を取得することと、
    学習済モデルの入力データとして前記複数の第１の画像を入力することにより、前記複数の第１の画像より高画質な複数の第２の画像を前記学習済モデルからの出力データとして取得し、前記複数の第２の画像を用いてエネルギーサブトラクション画像を生成することと、
    を含む画像処理方法。
30. 検査対象物に対して傾斜した方向に放射線を照射して得た第１の画像を取得することと、
    学習済モデルの入力データとして前記第１の画像を入力することにより、前記第１の画像より高画質な第２の画像を前記学習済モデルからの出力データとして取得し、前記第２の画像を用いてエネルギーサブトラクション画像を生成することと、
    を含む画像処理方法。
31. コンピュータによって実行されると、該コンピュータに請求項２６乃至３０のいずれか一項に記載の画像処理方法の各工程を実行させるプログラム。