JP2023156267A - 情報処理方法及び情報処理装置 - Google Patents

情報処理方法及び情報処理装置 Download PDF

Info

Publication number
JP2023156267A
JP2023156267A JP2023065211A JP2023065211A JP2023156267A JP 2023156267 A JP2023156267 A JP 2023156267A JP 2023065211 A JP2023065211 A JP 2023065211A JP 2023065211 A JP2023065211 A JP 2023065211A JP 2023156267 A JP2023156267 A JP 2023156267A
Authority
JP
Japan
Prior art keywords
data
noise
training
information processing
image
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
JP2023065211A
Other languages
English (en)
Inventor
リュウ ユジエ
Yujie Lu
ツァイ リヤン
Liang Cai
シア ティン
Ting Xia
ジョウ ジエン
Jian Zhou
ユウ ジョウ
Zhou Yu
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 JP2023156267A publication Critical patent/JP2023156267A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/12—Arrangements for detecting or locating foreign bodies
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • 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]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing
    • G06T2207/30052—Implant; Prosthesis

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • General Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Optics & Photonics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Pulmonology (AREA)
  • Geometry (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

【課題】高品質なノイズ低減処理モデルを容易に取得すること。【解決手段】実施形態に係る情報処理方法は、医用画像診断装置により実行されるイメージングによって取得される情報を処理するための情報処理方法であって、第１の平面における第１の断面積を有する埋め込まれた３次元特徴を有する少なくとも１つの３次元物体を含むトレーニング画像ボリュームを取得するステップと、第２の平面における前記３次元特徴の前記第１の断面積よりも大きい第２の断面積を選択するステップと、前記トレーニング画像ボリュームから生成された前記第２の断面積の画像を用いてニューラルネットワークをトレーニングするステップと、を含む。【選択図】図４Ｊ

Description

本明細書及び図面に開示の実施形態は、情報処理方法及び情報処理装置に関する。
医用画像診断装置によって被検体から取得される医用画像には、様々な要因によるノイズが含まれることがある。近年、このようなノイズを低減するためのノイズ低減方法の１つとして、機械学習に基づくノイズ低減処理モデルが提案されている。しかし、ノイズ低減処理モデルを得るためには、機械学習に使用するトレーニングデータ（訓練データ、教師データ）を用意する必要がある。トレーニングデータは、関心領域特有のトレーニングデータおよびスケールリングされた密度依存トレーニングデータのうちの少なくとも１つを使用して選択することができる。
米国特許出願公開第２０２０／００９０３２６号明細書
本明細書及び図面に開示の実施形態が解決しようとする課題の一つは、ＣＴスキャン中において、ピンホールコリメータを用いずに、Ｘ線管の焦点位置に関する情報を特定することである。ただし、本明細書及び図面に開示の実施形態により解決しようとする課題は上記課題に限られない。後述する実施形態に示す各構成による各効果に対応する課題を他の課題として位置づけることもできる。
実施形態に係る情報処理方法は、医用画像診断装置により実行されるイメージングによって取得される情報を処理するための情報処理方法であって、第１の平面における第１の断面積を有する埋め込まれた３次元特徴を有する少なくとも１つの３次元物体を含むトレーニング画像ボリュームを取得するステップと、第２の平面における前記３次元特徴の前記第１の断面積よりも大きい第２の断面積を選択するステップと、前記トレーニング画像ボリュームから生成された前記第２の断面積の画像を用いてニューラルネットワークをトレーニングするステップと、を含む。
図１Ａは、例示的な実施形態に係る、被検体としての人物を撮像するＸ線ＣＴ装置の例示的な構成のブロック図である。 図１Ｂは、例示的な実施形態に係る、円筒ファントムを撮像するＸ線ＣＴ装置の例示的な構成のブロック図である。 図２は、Ｘ線ＣＴ装置によって実行される例示的なプロセスを示す図である。 図３Ａは、例示的な実施形態に係る、ノイズデータを生成する第１の例示的なプロセスを示す図である。 図３Ｂは、例示的な実施形態に係る、ノイズデータを生成する第２の例示的なプロセスを示す図である。 図３Ｃは、例示的な実施形態に係る、ノイズデータを生成する第３の例示的なプロセスを示す図である。 図４Ａは、例示的な実施形態に係る、トレーニングプロセスを示す図である。 図４Ｂは、例示的な実施形態に係る、トレーニングプロセスを示す図である。 図４Ｃは、例示的な実施形態に係る、トレーニングプロセスを示す図である。 図４Ｄは、医用画像トレーニングプロセスに使用するためのターゲットトレーニングデータを置き換えるプロセスを示す図である。 図４Ｅは、医用画像トレーニングプロセスに使用するためのターゲットトレーニングデータを補完するプロセスを示す図である。 図４Ｆは、医用画像トレーニングプロセスに使用するためのターゲットトレーニングデータから入力トレーニングデータを生成するプロセスを示す図である。 図４Ｇは、ハウンズフィールドユニット（Houndsfield Unit：ＨＵ）スケールに基づく初期心臓トレーニングデータのヒストグラムを示す図である。 図４Ｈは、初期（心臓）トレーニングデータの代わりに、またはそれに加えて、ＨＵシフティングによって生成されるハウンズフィールドユニット（ＨＵ）スケールに基づく補完（心臓）トレーニングデータを含むトレーニングデータを示す図である。 図４Ｉは、初期（心臓）トレーニングデータの代わりに、またはそれに加えて、ＨＵスケーリングによって生成されるハウンズフィールドユニット（ＨＵ）スケールに基づく補足（心臓）トレーニングデータを含むトレーニングデータを示す図である。 図４Ｊは、初期（心臓）トレーニングデータの代わりに、またはそれに加えて、ＨＵスケーリングおよびシフティングによって生成されるハウンズフィールドユニット（ＨＵ）スケールに基づく補完（心臓）トレーニングデータを含むトレーニングデータを示す図である。 図５Ａは、例示的な実施形態に係る、トレーニングプロセスを示す図である。 図５Ｂは、例示的な実施形態に係る、トレーニングプロセスを示す図である。 図５Ｃは、例示的な実施形態に係る、トレーニングプロセスを示す図である。 図５Ｄは、例示的な実施形態に係る、トレーニングプロセスを示す図である。 図６Ａは、例示的な実施形態に係る、ノイズ低減プロセスを示す図である。 図６Ｂは、例示的な実施形態に係る、ノイズ低減プロセスを示す図である。 図７は、例示的な実施形態に係る、Ｘ線ＣＴ装置のプロセスを示す。 図８は、第２の実施形態に係る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。
以下、添付図面を参照して、情報処理方法及び情報処理装置の実施形態を詳細に説明する。
本実施形態では、医用画像診断モダリティの一例として、Ｘ線ＣＴについて説明する。すなわち、本実施形態では、Ｘ線ＣＴにより実行されるイメージングによって取得される情報を処理するための情報処理方法について説明する。
Ｘ線ＣＴは、例えば、図１Ａに示すＸ線ＣＴ装置１０で実現される。図１Ａは、第１の実施形態に係る、Ｘ線ＣＴ装置１０の構成の一例を示すブロック図である。例えば、Ｘ線ＣＴ装置１０は、架台１１０、寝台１３０、およびコンソール１４０を有する。
図１Ａでは、非傾斜状態における寝台１３０の回転フレーム１１３または天板１３３の回転軸の長手方向が、Ｚ軸方向であると仮定している。さらに、Ｚ軸方向と直交し、床面に水平な軸方向が、Ｘ軸方向であると仮定している。さらに、Ｚ軸方向と直交し、床面に垂直な軸方向が、Ｙ軸方向であると仮定している。なお、図１Ａは、説明の便宜上、架台１１０が複数の方向から描かれており、Ｘ線ＣＴ装置１０は１つの架台１１０を有する。
架台１１０は、Ｘ線管１１１、Ｘ線検出器１１２、回転フレーム１１３、Ｘ線高電圧デバイス１１４、制御装置１１５、ウェッジ１１６、コリメータ１１７、およびデータ取得システム（Data Acquisition System：ＤＡＳ）１１８を含む。
Ｘ線管１１１は、熱電子を発生する陰極（フィラメント）、および熱電子の衝突に応答してＸ線を発生する陽極（ターゲット）を有する真空管である。Ｘ線管１１１は、Ｘ線高電圧デバイス１１４からの高電圧の印加により陰極から陽極に向けて熱電子を照射し、それによって、被検体Ｐに照射するＸ線を発生させる。
Ｘ線検出器１１２は、Ｘ線管１１１から照射され、被検体Ｐを通過したＸ線を検出し、検出されたＸ線の線量に相当する信号をＤＡＳ１１８に出力する。Ｘ線検出器１１２は、例えば、Ｘ線管１１１の焦点を中心とした１つの円弧に沿ってチャネル方向（チャネル方向）に複数の検出素子が配列された複数の検出素子アレイを含む。Ｘ線検出器１１２は、例えば、チャネル方向に検出素子が配列された検出素子アレイが、列方向（スライス方向および列方向）に配列された構造を有する。
例えば、Ｘ線検出器１１２は、グリッド、シンチレータアレイ、および光センサアレイを有する間接変換型の検出器である。シンチレータアレイは、複数のシンチレータを有する。シンチレータのそれぞれは、入射Ｘ線量に対応する光子量の光を出力するシンチレータ結晶を有する。グリッドは、シンチレータアレイのＸ線入射側の面に配置され、散乱Ｘ線を吸収するＸ線遮蔽板を有する。グリッドは、コリメータ（１次元コリメータ、または２次元コリメータ）とも呼ばれることがある。光センサアレイは、シンチレータからの光量に対応する電気信号に変換する機能を有し、例えば、フォトダイオードなどの光センサを有する。なお、Ｘ線検出器１１２は、入射したＸ線を電気信号に変換する半導体素子を有する直接変換型の検出器であってもよい。
回転フレーム１１３は、Ｘ線管１１１とＸ線検出器１１２とを互いに向き合うように支持し、制御装置１１５によってＸ線管１１１とＸ線検出器１１２とを回転させる円環状のフレームである。例えば、回転フレーム１１３は、アルミニウム製の鋳物である。なお、回転フレーム１１３は、Ｘ線管１１１およびＸ線検出器１１２に加えて、Ｘ線高電圧デバイス１１４、ウェッジ１１６、コリメータ１１７、ＤＡＳ１１８などをさらに支持することができる。さらに、回転フレーム１１３は、図１ａに示されていない様々な構成をさらに支持することができる。以下、架台１１０において、回転フレーム１１３、および回転フレーム１１３と共に回転移動する部分は、回転部分とも呼ばれる。
Ｘ線高電圧デバイス１１４は、変圧器および整流器などの電気回路を有し、Ｘ線管１１１に印加する高電圧を発生する高電圧発生デバイス、およびＸ線管１１１が発生するＸ線に対応する出力電圧を制御するＸ線制御装置を有する。高電圧発生デバイスは、変圧器式のデバイス、またはインバータ式のデバイスであってもよい。なお、Ｘ線高電圧デバイス１１４は、回転フレーム１１３に設けられてもよいし、固定フレーム（図示せず）に設けられてもよい。
制御装置１１５は、中央処理装置（Central Processing Unit：ＣＰＵ）などを有する処理回路と、モータおよびアクチュエータなどの駆動機構とを有する。制御装置１１５は、入力インタフェース１４３からの入力信号を受け取り、架台１１０および寝台１３０の動作を制御する。例えば、制御装置１１５は、回転フレーム１１３の回転、架台１１０のチルト、寝台１３０の動作などを制御する。一例として、制御装置１１５は、架台１１０をチルトさせる制御として、入力された傾斜角度（チルト角度）情報に基づいて、Ｘ軸方向に平行な軸を中心に回転フレーム１１３を回転させる。なお、制御装置１１５は架台１１０に設けられてもよいし、コンソール１４０に設けられてもよい。
ウェッジ１１６は、Ｘ線管１１１から照射されたＸ線量を調整するためのＸ線フィルタである。具体的には、ウェッジ１１６は、Ｘ線管１１１から被検体Ｐへ照射されるＸ線が所定の分布を有するように、Ｘ線管１１１から照射されたＸ線を減衰させるＸ線フィルタである。例えば、ウェッジ１１６は、ウェッジフィルタまたはボウタイフィルタであり、所定のターゲット角度および所定の厚みとなるようにアルミニウムなどを加工することによって製造される。
コリメータ１１７は、ウェッジ１１６を透過したＸ線の照射範囲を絞り込むための鉛板などであり、複数の鉛板などの組み合わせによってスリットを形成する。なお、コリメータ１１７は、Ｘ線絞りと呼ばれることもある。さらに、図１Ａでは、Ｘ線管１１１とコリメータ１１７との間にウェッジ１１６が配置されている場合を示したが、Ｘ線管１１１とウェッジ１１６との間にコリメータ１１７が配置されてもよい。このような場合、ウェッジ１１６は、Ｘ線管１１１から照射され、コリメータ１１７によって照射範囲が制限されたＸ線を、そこを通過させることによって減衰させる。
ＤＡＳ１１８は、Ｘ線検出器１１２に含まれる各検出素子によって検出されたＸ線信号を取得する。例えば、ＤＡＳ１１８は、各検出素子から出力される電気信号に対して増幅プロセスを実行する増幅器と、電気信号をデジタル信号に変換して検出データを生成するＡ／Ｄ変換器とを有する。ＤＡＳ１１８は、例えば、プロセッサによって実現される。
ＤＡＳ１１８によって生成されたデータは回転フレーム１１３に設けられた発光ダイオード（ＬＥＤ）を有する送信機から、架台１１０の非回転部分（例えば、固定フレームなど、図１Ａでは図示せず）に設けられたフォトダイオードを有する受信機に光通信によって送信され、コンソール１４０に送信される。非回転部分は、例えば、回転フレーム１１３を回転可能に支持する固定フレームなどである。なお、回転フレーム１１３から架台１１０の非回転部分へのデータ送信方法は、光通信に限らず、非接触型の任意のデータ送信方法、または接触型のデータ送信方法を採用してもよい。
寝台１３０は、スキャンする被検体Ｐを載置して移動させるデバイスであり、台座１３１、寝台駆動デバイス１３２、天板１３３、および支持フレーム１３４を含む。台座１３１は、支持フレーム１３４を上下方向に移動可能なように支持するケーシングである。寝台駆動デバイス１３２は、被検体Ｐが載置される天板１３３を、天板１３３の長軸方向に移動させる駆動機構であり、モータ、アクチュエータなどを含む。支持フレーム１３４の上面に設けられた天板１３３は、被検体Ｐが載置される板である。なお、寝台駆動デバイス１３２はまた、天板１３３に加えて、支持フレーム１３４を天板１３３の長軸方向に移動させてもよい。
コンソール１４０は、メモリ１４１、ディスプレイ１４２、入力インタフェース１４３、および処理回路１４４を有する。コンソール１４０は、架台１１０とは別体として説明されているが、架台１１０は、コンソール１４０、またはコンソール１４０の各構成要素の一部を含んでいてもよい。
メモリ１４１は、例えば、ランダムアクセスメモリ（Random Access Memory：ＲＡＭ）およびフラッシュメモリなどの半導体メモリ素子、ハードディスク、光ディスクなどによって実現される。例えば、メモリ１４１は、Ｘ線ＣＴ装置１０に含まれる回路にその機能を実行させるためのコンピュータプログラムを記憶する。さらに、メモリ１４１は、被検体Ｐを撮像することによって取得された様々な情報を記憶する。さらに、メモリ１４１は、以下で説明する処理回路１４４によって生成されたノイズ低減処理モデルを記憶する。なお、メモリ１４１は、Ｘ線ＣＴ装置１０とネットワークを介して接続されたサーバ群（クラウド）によって実現されてもよい。
ディスプレイ１４２は、様々な情報を表示する。例えば、ディスプレイ１４２は、以下で説明するノイズ除去されたデータに基づく画像を表示する。さらに、例えば、ディスプレイ１４２は、入力インタフェース１４３を介して、ユーザからの様々な指示、設定などを受け付けるためのグラフィカルユーザインタフェース（Graphical User Interface：ＧＵＩ）を表示する。例えば、ディスプレイ１４２は、液晶ディスプレイまたはブラウン管（Cathode Ray Tube：ＣＲＴ）ディスプレイである。ディスプレイ１４２は、デスクトップ型のディスプレイであってもよいし、Ｘ線ＣＴ装置１０の本体と無線通信可能なタブレット端末などから構成されてもよい。
図１Ａでは、Ｘ線ＣＴ装置１０がディスプレイ１４２を含むものとして説明しているが、Ｘ線ＣＴ装置１０は、ディスプレイ１４２の代わりに、またはそれに加えて、プロジェクタを含んでもよい。処理回路１４４の制御のもと、プロジェクタは、スクリーン、壁、床、被検体Ｐの体表面上などへの投影を行うことができる。一例として、プロジェクタはまた、プロジェクションマッピングによって、任意の平面、物体、空間などへの投影を行うこともできる。
入力インタフェース１４３は、ユーザからの様々な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、その電気信号を処理回路１４４に出力する。例えば、入力インタフェース１４３は、マウス、キーボード、トラックボール、スイッチ、ボタン、ジョイスティック、操作面に触れることによって入力操作を行うタッチパッド、表示画面とタッチパッドが一体となったタッチスクリーン、光センサを使用した非接触入力回路、音声入力回路などによって実現される。なお、入力インタフェース１４３は、Ｘ線ＣＴ装置１０の本体と無線通信可能なタブレット端末などから構成されてもよい。さらに、入力インタフェース１４３は、モーションキャプチャによってユーザからの入力操作を受け付ける回路であってもよい。一例として、入力インタフェース１４３は、トラッカーを介して取得した信号、またはユーザについて収集した画像を処理することによって、ユーザの体動、視線などを入力操作として受け付けることができる。さらに、入力インタフェース１４３は、マウスおよびキーボードなどの物理的な操作部品を含むものに限定されない。例えば、Ｘ線ＣＴ装置１０とは別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、電気信号を処理回路１４４へ出力する電気信号の処理回路も、入力インタフェース１４３の例に含まれる。
処理回路１４４は、制御機能１４４ａ、イメージング機能１４４ｂ、取得機能１４４ｃ、モデル生成機能１４４ｄ、ノイズ低減処理機能１４４ｅ、および出力機能１４４ｆを実行することによって、Ｘ線ＣＴ装置１０の全体の動作を制御する。
例えば、処理回路１４４は、制御機能１４４ａに対応するコンピュータプログラムをメモリ１４１から読み出し、読み出したコンピュータプログラムを実行することによって、入力インタフェース１４３を介してユーザから受け付けた様々な入力操作に基づいて、イメージング機能１４４ｂ、取得機能１４４ｃ、モデル生成機能１４４ｄ、ノイズ低減処理機能１４４ｅ、および出力機能１４４ｆなどの様々な機能を制御する。
さらに、例えば、処理回路１４４は、イメージング機能１４４ｂに対応するコンピュータプログラムをメモリ１４１から読み出し、読み出したコンピュータプログラムを実行することによって、被検体Ｐを撮像する。例えば、イメージング機能１４４ｂは、Ｘ線高電圧デバイス１１４を制御して、Ｘ線管１１１に高電圧を供給する。これにより、Ｘ線管１１１は、被検体Ｐに照射されるＸ線を発生する。さらに、イメージング機能１４４ｂは、寝台駆動デバイス１３２を制御して、被検体Ｐを架台１１０のイメージングポート内へ移動させる。さらに、イメージング機能１４４ｂは、ウェッジ１１６の位置、ならびに、コリメータ１１７の開口度および位置を調整することによって、被検体Ｐに照射されるＸ線の分布を制御する。さらに、イメージング機能１４４ｂは、制御装置１１５を制御して回転部分を回転させる。さらに、イメージング機能１４４ｂによってイメージングが行われる間、ＤＡＳ１１８は、Ｘ線検出器１１２における各検出素子からＸ線信号を取得し、検出データを生成する。
さらに、イメージング機能１４４ｂは、ＤＡＳ１１８から出力された検出データに対して前処理を実行する。例えば、イメージング機能１４４ｂは、ＤＡＳ１１８から出力された検出データに対して、対数変換処理、オフセット補正処理、チャネル間の感度補正処理、およびビームハードニング補正などの前処理を実行する。なお、前処理を施したデータは、生データとも記載される。さらに、前処理前の検出データおよび前処理を施した生データは集合的に、投影データとも記載される。
さらに、例えば、処理回路１４４は、取得機能１４４ｃに対応するコンピュータプログラムをメモリ１４１から読み出し、読み出したコンピュータプログラムを実行することによって、被検体Ｐのイメージングに基づくノイズデータを取得し、被検体Ｐのイメージングによって得られた第１の被検体投影データに基づき、ノイズデータと組み合わせた合成被検体データを取得する。さらに、例えば、処理回路１４４は、モデル生成機能１４４ｄに対応するコンピュータプログラムをメモリ１４１から読み出し、読み出したコンピュータプログラムを実行することによって、合成被検体データおよび被検体Ｐのイメージングによって得られた被検体投影データを使用して機械学習によりノイズ低減処理モデルを得る。さらに、例えば、処理回路１４４は、ノイズ低減処理機能１４４ｅに対応するコンピュータプログラムをメモリ１４１から読み出し、読み出したコンピュータプログラムを実行することによって、ノイズ低減処理モデルにより入力被検体データのノイズを低減し、ノイズ除去されたデータを得る。さらに、例えば、処理回路１４４は、出力機能１４４ｆに対応するコンピュータプログラムをメモリ１４１から読み出し、読み出したコンピュータプログラムを実行することによって、ノイズ除去されたデータに基づく画像を出力する。取得機能１４４ｃ、モデル生成機能１４４ｄ、ノイズ低減処理機能１４４ｅ、および出力機能１４４ｆによって実行される処理の詳細については、以下で説明する。
図１Ａに示すＸ線ＣＴ装置１０では、それぞれの処理機能は、コンピュータによって実行可能なコンピュータプログラムの形態でメモリ１４１に記憶されている。処理回路１４４は、メモリ１４１からコンピュータプログラムを読み出して実行することによって、各コンピュータプログラムに対応する機能を実行するプロセッサである。換言すれば、コンピュータプログラムを読み込んだ処理回路１４４は、読み込んだコンピュータプログラムに対応する機能を有する。
なお、図１Ａでは、制御機能１４４ａ、イメージング機能１４４ｂ、取得機能１４４ｃ、モデル生成機能１４４ｄ、ノイズ低減処理機能１４４ｅ、および出力機能１４４ｆが、単一の処理回路１４４によって実現されると説明したが、処理回路１４４は、複数の独立したプロセッサを組み合わせることによって構成されてもよく、各プロセッサが各コンピュータプログラムを実行することによって各機能を実現するように構成されてもよい。さらに、処理回路１４４の各処理機能は、単一の回路または複数の処理回路に、適切に分散または統合されることによって実行されてもよい。
さらに、処理回路１４４は、ネットワークを介して接続された外部デバイスのプロセッサを使用することによって機能を実行してもよい。例えば、処理回路１４４は、各機能に対応するコンピュータプログラムをメモリ１４１から読み出して実行し、ネットワークを介してＸ線ＣＴ装置１０に接続されたサーバ群（クラウド）を計算資源として使用することによって、図１Ａに示す各機能を実行する。
さらに、図１Ａでは単一のメモリ１４１のみを示しているが、Ｘ線ＣＴ装置１０は、物理的に分離された複数のメモリを含んでもよい。例えば、Ｘ線ＣＴ装置１０は、メモリ１４１として、Ｘ線ＣＴ装置１０に含まれる回路がその機能を実行する際に必要であるコンピュータプログラムを記憶するメモリ、被検体Ｐを撮像することによって取得された様々な情報を記憶するメモリ、およびノイズ低減処理モデルを記憶するメモリを別々に含んでもよい。
さらに、図１Ｂは、図１ＡのＸ線ＣＴ装置１０を示すが、被検体として機能する人ではなく、ファントム（例えば、円筒ファントム）を撮像するものである。円筒を図示したが、代わりに長方形または正方形などの他の立体構造でもよい。一実施形態では、ファントムは水ベースのファントムであるが、異なるイメージングコンテキストでは他の材料が使用されることがある。材料は、実質的に均一な低線量Ｘ線の透過率に基づいて選択されうる。そのため、いかなるばらつきもノイズによるものである。
これまで、Ｘ線ＣＴ装置１０の構成例について説明した。このような構成のもと、Ｘ線ＣＴ装置１０内の処理回路１４４は、後述する以下の処理によって高品質なノイズ低減処理モデルを容易に取得することができると考えられる。
まず、被検体Ｐのイメージングから画像の出力までの一連のプロセスについて、図２を参照しながら説明する。図２は、Ｘ線ＣＴ装置１０によるプロセスの一例を示す図である。図２に示すように、Ｘ線ＣＴ装置１０によるプロセスは、再構成プロセスと、トレーニングプロセスとに大別される。
例えば、再構成プロセスでは、イメージング機能１４４ｂが被検体Ｐをイメージングすることによって、投影データを得る。次に、ノイズ低減処理機能１４４ｅが投影データに対して再構成処理を実行することによって、再構成画像（ＣＴ画像データ）を生成する。例えば、ノイズ低減処理機能１４４ｅは、投影データに対して、フィルタ逆投影（Filtered Back-Projection：ＦＢＰ）法、逐次近似再構成法、逐次近似適用再構成法などを使用して再構成処理を実行することによって、再構成画像を生成する。さらに、ノイズ低減処理機能１４４ｅは、機械学習法による再構成処理を実行することによって、再構成画像を生成することもできる。例えば、ノイズ低減処理機能１４４ｅは、深層学習再構成（Deep Learning Reconstruction：ＤＬＲ）法によって再構成画像を生成する。
再構成画像には、様々な要因によるノイズが含まれることがある。例えば、投影データを取得するために使用されるＸ線の線量が多いほど再構成画像の画質は向上するが、被検体Ｐの被曝量を低減する観点から、Ｘ線の線量を抑えることが好ましい。そうすると、低線量のＸ線を使用して投影データを取得した場合、再構成画像にノイズが含まれることがある。さらに、逐次近似再構成法などの高精度な再構成法は、一般に計算負荷が高く、例えば、再構成画像を素早く取得したい場合には、別の低精度な再構成法が選択される。そして、低精度な再構成法を使用した場合、再構成画像にノイズが含まれることがある。
この点に関して、ノイズ低減処理機能１４４ｅは、図２に示すように、再構成画像に対してノイズ低減処理を実行する。例えば、ノイズ低減処理機能１４４ｅは、トレーニングデータを使用してトレーニング（訓練）したノイズ低減処理モデルによって、再構成画像に対してノイズ低減処理を実行する。これにより、出力機能１４４ｆは、ノイズが低減された再構成画像に基づく画像を出力することができる。例えば、出力機能１４４ｆは、ノイズが低減された再構成画像に基づいて表示画像を生成し、ディスプレイ１４２に表示画像を表示させる。なお、トレーニングデータを使用してノイズ低減処理モデルをトレーニングすることは、トレーニングデータを使用してノイズ低減処理モデルに学習させることと同義である。
以下の説明では、一例として、図２に示す深層畳み込みニューラルネットワーク（Deep Convolution Neural Network：ＤＣＮＮ）によってノイズ低減処理モデルを構成する。例えば、モデル生成機能１４４ｄは、再構成プロセスの前にトレーニングプロセスを実行することによって、入力データのノイズを低減するように機能化されたＤＣＮＮをノイズ低減処理モデルとして生成する。さらに、生成されたＤＣＮＮは、例えばメモリ１４１に記憶され、ノイズ低減処理機能１４４ｅは、そのＤＣＮＮを適切に読み出して使用することができる。
図２のトレーニングデータは、例えば、（ａ）実質的にノイズを含まないクリーンデータと、（ｂ）ノイズを含むノイジーなデータとの対で構成される。例えば、クリーンデータは高線量のＸ線を使用して取得した再構成画像であり、ノイジーなデータは低線量のＸ線を使用して取得した再構成画像である。あるいは、ノイジーなデータは、ノイズシミュレータによって生成したシミュレーション画像であってもよい。例えば、ノイズシミュレータは、クリーンデータの入力を受け付けてノイズをシミュレートすることによって、ノイズが追加されたノイジーなデータを生成する。このような場合、ノイズ低減処理機能１４４ｅは、ノイジーなデータを入力とし、クリーンデータをターゲットとする深層学習によって、ＤＣＮＮをトレーニングすることができる。なお、クリーンデータをターゲットとしたトレーニング方法は、ｎｏｉｓｅ－ｔｏ－ｃｌｅａｎ（Ｎ２Ｃ）とも表現される。
他の例として、図２のトレーニングデータは、ノイズを含む第１のノイジーなデータと、第１のノイジーなデータのノイズから独立した他のノイズを含む第２のノイジーなデータとの対で構成されている。この２つのノイジーなデータは、例えばノイズシミュレータによって生成することができる。このような場合、ノイズ低減処理機能１４４ｅは、一方のノイジーなデータを入力とし、他方のノイジーなデータをターゲットとする深層学習によって、ＤＣＮＮをトレーニングすることができる。なお、ノイジーなデータをターゲットとしたトレーニング方法は、ｎｏｉｓｅ－ｔｏ－ｎｏｉｓｅ（Ｎ２Ｎ）とも表現される。
しかし、ＤＣＮＮをトレーニングするために必要な数のクリーンデータを取得することは容易ではない。これは、臨床現場で高線量イメージングを行う機会があまりないためである。さらに、高線量イメージングを行う機会が特に少ないイメージング条件およびイメージング部位がある。例えば、目および骨髄などＸ線の影響を受けやすい部位には、高線量イメージングはほとんど行われない。さらに、高線量イメージングを行った場合でも、ノイズが発生することがある。
さらに、ノイジーなデータをシミュレーションで用意するのは容易ではない。すなわち、複雑なモデルを使用しない限り、適切なノイズのシミュレーションを行うことができず、正確にモデル化することが難しいイメージング条件、イメージング部位などがある。また、ノイズのシミュレーションを適切に行わない限り、ＤＣＮＮの精度も低下することがある。
特に、複数の独立したノイズデータのセットをシミュレーションすることは困難である。例えば、クリーンデータに基づいてノイズをシミュレーションする場合、クリーンデータにはノイズが含まれていてもよい。クリーンデータに含まれるノイズは、独立したノイズデータのセットをシミュレーションする際の障害としての機能を果たす。さらに、近年では超低線量イメージングを行う場合もあるが、超低線量イメージングの際に発生するノイズをシミュレーションすることは特に困難である。
すなわち、ｎｏｉｓｅ－ｔｏ－ｃｌｅａｎトレーニング方法およびｎｏｉｓｅ－ｔｏ－ｎｏｉｓｅトレーニング方法のいずれかを採用する場合でも、トレーニングデータの用意およびＤＣＮＮの適切なトレーニングにおいて困難が生じる。この点に関して、処理回路１４４は、以下で説明するプロセスによってトレーニングデータを取得し、高品質なＤＣＮＮを取得することができる。具体的には、第１の実施形態では、処理回路１４４は、ノイズ生成のために取得される被検体（被検体は人）のデータに基づいてノイズデータを取得し、第１の被検体投影データとノイズデータとに基づいて合成被検体データを取得し、合成被検体データと第２の被検体投影データを使用して深層学習を行うことによって、ＤＣＮＮを取得する。なお、取得機能１４４ｃは、被検体として機能する均一なファントムを撮像することによって、ファントムの再構成画像のばらつきがノイズに相当するようなノイズデータを得てもよい。
まず、図３Ａを参照して、ノイズ生成のために取得したデータに基づくノイズデータ取得プロセスについて説明する。図３Ａは、第１の実施形態に係る、ノイズデータを説明するための図である。図３Ａでは、ノイズ生成のために被検体から取得されるデータの一例として、投影データＹ１について説明する。投影データＹ１は、例えば、Ｘ線ＣＴ装置１０により実行されるイメージングによって得られる。
ここで、投影データＹ１の取得に使用されるＸ線の線量、投影データＹ１のノイズレベルなどは特に限定されない。例えば、イメージング機能１４４ｂは、低線量のＸ線を使用して被検体Ｐ１１を撮像することによって、投影データＹ１を取得する。なお、被検体Ｐ１１は被検体Ｐ１の一例である。例えば、図３に示すように、投影データＹ１は、Ｘ線検出器１１２のチャネル方向を横軸として設定し、ビュー（Ｘ線照射角度）を縦軸として設定するサイノグラムとして示すことができる。
例えば、取得機能１４４ｃは、投影データＹ１をサンプリングすることによって、投影データＹ１１および投影データＹ１２を取得する。一例として、取得機能１４４ｃは、投影データＹ１におけるの奇数ビューのデータをサンプリングすることによって投影データＹ１１を取得し、投影データＹ１における偶数ビューのデータをサンプリングすることによって投影データＹ１２を取得する。すなわち、取得機能１４４ｃは、投影データＹ１におけるビューごとに、投影データＹ１１と投影データＹ１２を交互にサンプリングする。投影データＹ１１および投影データＹ１２は、第１のサブセットおよび第２のサブセットの一例である。投影データＹ１１および投影データＹ１２は、投影データＹ１の半分に相当するビュー数を有するデータである。
なお、投影データＹ１のサンプリングは、様々に変更することができる。例えば、取得機能１４４ｃは、投影データＹ１における複数のビューごとに、投影データＹ１１と投影データＹ１２を交互にサンプリングしてもよい。さらに、例えば、取得機能１４４ｃは、投影データＹ１の乱数ビューごとに、投影データＹ１１と投影データＹ１２を交互にサンプリングしてもよい。
さらに、取得機能１４４ｃは、投影データＹ１の全てのビューをサンプリングしてもよいし、投影データＹ１の一部のビューをサンプリングしてもよい。例えば、投影データＹ１が「３６０°」のフルデータである場合、取得機能１４４ｃは、ハーフ再構成を実行することができる範囲内でサンプリングを行ってもよい。一例として、ファン角が「３０°」である場合、取得機能１４４ｃは、「３６０°」の投影データＹ１における任意のビューを起点として「２１０°」のビューを抽出し、「２１０°」のビューから投影データＹ１１および投影データＹ１２をサンプリングすることができる。ここで、取得機能１４４ｃは、「２１０゜」のビューを抽出するための起点をシフトすることによって、複数の「２１０゜」のビューを抽出することができる。すなわち、取得機能１４４ｃは、投影データＹ１から、投影データＹ１１と投影データＹ１２との対を複数取得することができる。
次に、取得機能１４４ｃは、投影データＹ１１および投影データＹ１２のそれぞれに対して再構成処理を実行することによって、再構成画像Ｘ１１および再構成画像Ｘ１２を取得する。例えば、取得機能１４４ｃは、ＦＢＰ法による再構成処理を実行することによって、再構成画像Ｘ１１および再構成画像Ｘ１２を取得する。なお、再構成画像Ｘ１１および再構成画像Ｘ１２は、第１の再構成画像および第２の再構成画像の一例である。
次に、取得機能１４４ｃは、再構成画像Ｘ１１および再構成画像Ｘ１２に基づいて、ノイズデータＥを取得する。ノイズデータＥは、例えば、画像空間内の各位置におけるノイズ強度を示すデータである。すなわち、ノイズデータＥは、ＳＤ値のような単なる数値ではなく、ノイズの空間分布を示すデータである。
例えば、取得機能１４４ｃは、再構成画像Ｘ１１と再構成画像Ｘ１２との差分処理を実行することによってノイズデータＥを取得する。例えば、取得機能１４４ｃは、再構成画像Ｘ１１と再構成画像Ｘ１２との間で、対応する画素間の画素値の差を画素ごとに計算することによって、ノイズデータＥを取得する。
ここで、投影データＹ１１および投影データＹ１２は、同じ物体から得られたデータであり、オーバーラップが生じないようにサンプリングされたデータである。したがって、投影データＹ１１および投影データＹ１２に基づく再構成画像Ｘ１１および再構成画像Ｘ１２は、互いに独立したノイズを有している。例えば、再構成画像Ｘ１１および再構成画像Ｘ１２は、投影データＹ１の取得に使用した線量の半分に相当する線量でイメージングを行った場合と同じノイズレベルを有する。なお、オーバーラップが生じないように厳密にサンプリングを制御する必要はなく、１つのビューのみのオーバーラップなど、わずかなオーバーラップを許容してもよい。
なお、ノイズデータＥは、様々な画像アーチファクトをノイズとして含むこともできる。すなわち、再構成画像Ｘ１１および再構成画像Ｘ１２に画像アーチファクトが含まれている場合、ノイズデータＥは、ノイズとして画像アーチファクトを含む。このようなノイズデータＥをトレーニングに使用する場合、以下で説明するＤＣＮＮは、画像アーチファクトを含む様々なノイズを低減するように機能化されている。
一例として、取得機能１４４ｃは、Ｅｉ＝α（ｘ１－ｘ２）の計算式によって、ノイズデータＥを取得することができる。Ｅｉは、位置ｉにおけるノイズデータＥの画素値を示す。さらに、ｘ１は、位置ｉにおける再構成画像Ｘ１１の画素値を示す。さらに、ｘ２は、位置ｉにおける再構成画像Ｘ１２の画素値を示す。
さらに、αは、ノイズレベルを調整するためのパラメータを示す。すなわち、取得機能１４４ｃは、αの値を調整することによって、ノイズレベルを調整した様々なノイズデータＥを生成することができる。例えば、αが「０．５」より大きな値に設定されている場合、ノイズデータＥは、投影データＹ１を取得するために使用した線量より小さい線量でイメージングを行った場合に生じるノイズを示す。取得機能１４４ｃは、αを固定値に設定してもよいし、αの値を変更してもよい。αの値を変更する場合、取得機能１４４ｃは、αの値ごとにノイズデータＥを取得することができる。
上述したように、取得機能１４４ｃは、Ｘ線ＣＴ装置１０により実行されるイメージングによって被検体Ｐ１１から得られた投影データＹ１に基づいて、ノイズデータＥを取得する。同様に、取得機能１４４ｃは、複数の投影データに基づいて、複数のノイズデータを取得する。例えば、図４Ａに示すように、取得機能１４４ｃは、投影データＹｋ－１、投影データＹｋ、および投影データＹｋ＋１などの複数の投影データのそれぞれに対してノイズ抽出処理を実行し、抽出したノイズデータをノイズプール１４１ａに記憶させる。なお、ノイズプール１４１ａは、メモリ１４１の一例である。さらに、図４Ａは、第１の実施形態に係る、トレーニングプロセスを説明するための図である。
ノイズプール１４１ａからのノイズデータを使用するためのトレーニングプロセスの一例として、取得機能１４４ｃは、投影データＹｋ－１、投影データＹｋ、および投影データＹｋ＋１などの投影データのそれぞれに対してノイズ分布を示すボリュームデータを生成し、ボリュームデータを分割することによって得られる複数の２次元データをノイズデータとして画像プール１４１ｂに記憶させる。あるいは、取得機能１４４ｃは、投影データＹｋ－１、投影データＹｋ、および投影データＹｋ＋１などの投影データのそれぞれに対してノイズ分布を示すボリュームデータを生成し、そのボリュームデータをノイズデータとして画像プール１４１ｂに記憶させる。すなわち、ノイズデータは、３次元データとして管理されてもよいし、２次元データとして管理されてもよい。
ここで、図４Ａに示す投影データＹｋ－１、投影データＹｋ、および投影データＹｋ＋１は、ノイズ生成のために被検体から取得したデータの一例である。投影データＹｋ－１、投影データＹｋ、および投影データＹｋ＋１は、被検体Ｐ１１から取得したデータであってもよいし、被検体Ｐ１１以外の被検体から取得したデータであってもよい。さらに、投影データＹｋ－１、投影データＹｋ、および投影データＹｋ＋１は、Ｘ線ＣＴ装置１０により実行されるイメージングによって得られるデータであってもよいし、Ｘ線ＣＴ装置１０とは異なるＸ線ＣＴ装置により実行されるイメージングによって得られるデータであってもよい。ノイズ生成のために被検体から取得されるデータは、低線量イメージングによって得られるデータであってもよいので、比較的容易に取得することができる。
ここで、取得機能１４４ｃは、様々な方法により、ノイズプール１４１ａに記憶されるノイズデータの数を増加させることもできる。例えば、取得機能１４４ｃは、ノイズデータを生成する際に実行される再構成法を変更することによって、複数のノイズデータを生成することができる。さらに、例えば、取得機能１４４ｃは、ノイズデータを「９０゜」ずつ回転させることによって、４通りのノイズデータを取得することができる。これにより、取得機能１４４ｃは、より多様なノイズデータを取得することができる。取得機能１４４ｃは、ノイズプール１４１ａに記憶されるノイズデータの数を、以下で説明する画像プール１４１ｂに記憶される第１の被検体投影データの数と同じになるように調整してもよい。
図３Ｂに示すように、ノイズデータの代わりに（または加えて）、ファントムを撮像することによって得られたイメージングデータを取得することによって（例えば、図１Ｂの構成を使用して）、ノイズデータを生成してもよい。図３Ｂに示すように、図３Ａと一部並行する処理により、投影データから画像を生成する。図３Ｂは、被検体として機能する人ではなく、円筒ファントムのイメージングを示しているが、ファントムは、代わりに、長方形または正方形などの他の固体構造であってもよい。一実施形態では、ファントムは水ベースのファントムであるが、異なるイメージングコンテキストでは他の材料が使用されることがある。材料は、実質的に均一な低線量Ｘ線の透過率に基づいて選択され得る。そのため、いかなるばらつきもノイズによるものである。図３Ｂに示すように、投影データの第１のセット（イメージングデータの正方形のブロックに円を有するように図示されている）を使用して、第１の再構成画像を生成することができ、この再構成画像は、その後、互いに独立しているために、ノイズプール１４１ａに追加されるノイズ画像として使用できる、より小さな再構成画像またはパッチに分割される。図３Ｂはまた、第２および第３の再構成画像を生成するために使用され、その後、互いに独立したより小さな再構成画像またはパッチに分割され、したがってノイズ画像として使用することができる、投影データの第２および第３のセットを示している。投影データは、３セット使用するように説明しているが、何セットでも作成することができ、また、投影データを得る条件を変化させて、得られるノイズ画像を追加するデータに、より厳密に適合させることができる。
図３Ｃに示す一実施形態では、再構成されたノイズ画像のパッチは、さらに、パッチ単位で追加のランダムスケーリング（例えば、０．１から１の間）を受けて、得られるノイズをより多様化させることができる。図３Ｃに示すように、再構成された画像パッチは、特定のランダム値がパッチに適用されたことを表す様々なグレーの色合いであることが示されている。例えば、非常に明るいパッチでは、各画素がその元の値の０．１倍になるように、０．１のスケーリングファクタが最初のノイズパッチに適用され得る。同様に、濃いグレーのパッチは、対応する元のパッチの全ての画素に０．７のスケーリングファクタが適用されていることを象徴し得る。
第１の実施形態において、スケーリングファクタのない元のパッチのみをノイズデータとして使用し、ノイズプール１４１ａに追加してもよい。なお、スケーリングファクタが適用されたパッチをノイズデータとして使用するが、元のパッチを使用しないでもよい。また、元のパッチおよびスケーリングファクタが適用されているパッチの両方を、ノイズデータとして使用してもよい。
図４Ａに示すように、ノイズプール１４１ａは、本明細書に記載のノイズデータの種類のうちの少なくとも１つを含み、ノイズプールは、本明細書に記載のノイズデータの種類の全てを含むノイズデータの種類の任意の組み合わせを含むように構成され得る。
次に、図４Ｂを参照して、投影被検体データの２つの追加セットについて説明する。本明細書では、それらの被検体データのセットを、一般に第２の被検体投影データおよび第３の被検体投影データと呼ぶ。図４Ｂは、第１の実施形態に係る、トレーニングプロセスを説明するための図である。例えば、取得機能１４４ｃは、まず、図４Ｂに示す投影データＹｌ－１、投影データＹｌ、および投影データＹｌ＋１などの複数の投影データを取得する。なお、投影データＹｌ－１、投影データＹｌ、および投影データＹｌ＋１は、第３の被検体投影データの例である。
例えば、投影データＹｌ－１、投影データＹｌ、および投影データＹｌ＋１は、ノイズ生成のために被検体から取得したデータ（例えば、投影データＹｋ－１、投影データＹｋ、投影データＹｋ＋１など）とは異なるデータである。例えば、投影データＹｌ－１、投影データＹｌ、および投影データＹｌ＋１は、ノイズ生成のために被検体から取得したデータとは異なる被検体から取得したデータ、または、同じ被検体から異なる日時に取得したデータである。換言すれば、第１の被検体投影データは、ノイズ生成のために被検体から取得したデータとは異なる被検体から取得したデータ、または、ノイズ生成のために被検体から取得したデータとは異なる日時に取得したデータである。なお、投影データＹｌ－１、投影データＹｌ、および投影データＹｌ＋１は、ノイズ生成のために被検体から取得したデータの一部にまたは完全にオーバーラップするデータであってもよい。
さらに、投影データＹｌ－１、投影データＹｌ、および投影データＹｌ＋１は、Ｘ線ＣＴ装置１０により実行されたイメージングによって得られたデータであってもよいし、Ｘ線ＣＴ装置１０とは異なるＸ線ＣＴ装置により実行されるイメージングによって得られるデータであってもよい。すなわち、ノイズ生成のために被検体から取得されるデータを撮像した（またはファントムをイメージングした）医用画像診断装置と同じ医用画像診断装置により実行されるイメージングによって、第１の被検体投影データを取得してもよいし、ノイズ生成のために被検体から取得されたデータを撮像した（またはファントムを撮像した）医用画像診断装置と同種であるが異なる医用画像診断装置により実行されるイメージングによって、第１の被検体投影データを取得してもよい。第１の被検体投影データは、ノイズ生成のために被検体から取得したデータ（またはファントムを撮像したデータ）と同じイメージングシステムによって取得してもよいし、異なるイメージングシステムによって取得してもよい。例えば、ノイズ生成のために被検体（またはファントム）から取得されるデータをヘリカルスキャンによって取得する場合、第１の被検体投影データを非ヘリカルスキャンで収集してもよい。
次に、取得機能１４４ｃは、投影データのそれぞれに対して、再構成処理Ｒ１および再構成処理Ｒ２を実行する。再構成処理Ｒ１と再構成処理Ｒ２とは、異なる再構成法であってもよいし、同じ再構成方法であってもよい。例えば、取得機能１４４ｃは、再構成処理Ｒ１としてＦＢＰを実行し、再構成処理Ｒ２として逐次近似再構成法を実行する。
例えば、取得機能１４４ｃは、投影データＹｌ－１に対して再構成処理Ｒ１を実行し、生成した再構成画像を画像プール１４１ｂに記憶させる。一例として、取得機能１４４ｃは、ボリュームデータとして生成された再構成画像を複数の２次元再構成画像に分割し、２次元再構成画像を画像プール１４１ｂに記憶させる。同様に、取得機能１４４ｃは、投影データＹｌに対して再構成処理Ｒ１を実行し、生成した再構成画像を画像プール１４１ｂに記憶させる。同様に、取得機能１４４ｃは、投影データＹｌ＋１に対して再構成処理Ｒ１を実行し、生成した再構成画像を画像プール１４１ｂに記憶させる。再構成処理Ｒ１によって生成された再構成画像は、第１の被検体投影データの一例である。さらに、画像プール１４１ｂは、メモリ１４１の一例である。
さらに、取得機能１４４ｃは、投影データＹｌ－１に対して再構成処理Ｒ２を実行し、生成した再構成画像を画像プール１４１ｃに記憶させる。一例として、取得機能１４４ｃは、再構成画像（ボリュームデータ）を複数の２次元再構成画像に分割し、２次元再構成画像を画像プール１４１ｃに記憶させる。同様に、取得機能１４４ｃは、投影データＹｌに対して再構成処理Ｒ２を実行し、生成した再構成画像を画像プール１４１ｃに記憶させる。同様に、取得機能１４４ｃは、投影データＹｌ＋１に対して再構成処理Ｒ２を実行し、生成した再構成画像を画像プール１４１ｃに記憶させる。再構成処理Ｒ２によって生成された再構成画像は、第２の被検体投影データの一例である。すなわち、第２の被検体投影データは、第１の被検体投影データと同じ被検体をイメージングすることによって取得したデータである。さらに、画像プール１４１ｃは、メモリ１４１の一例である。
なお、第１の被検体投影データおよび第２の被検体投影データの再構成視野（reconstruction Field Of View：ｒＦＯＶ）は、固定サイズであってもよいし、サイズが変更されてもよい。例えば、取得機能１４４ｃは、１つの投影データから、ｒＦＯＶが変更された複数の第１の被検体投影データを生成することもできる。これにより、取得機能１４４ｃは、第１の被検体投影データおよび第２の被検体投影データとして、より多様なデータを取得することができる。
上述したように、取得機能１４４ｃは、ノイズデータ（例えば、ノイズ生成のための被検体およびファントムのイメージングから取得したデータうちの少なくとも１つに基づく）をノイズプール１４１ａに記憶させ、第１の被検体投影データを画像プール１４１ｂに記憶させ、第２の被検体投影データを画像プール１４１ｃに記憶させる。次に、図４Ｃに示すように、取得機能１４４ｃは、ノイズプール１４１ａおよび画像プール１４１ｂからノイズデータおよび第１の被検体投影データを読み出し、第１の被検体投影データおよびノイズデータに基づいて、ノイズデータに基づくノイズが第１の被検体投影データに追加された合成被検体データを取得する。図４Ｃは、第１の実施形態に係る、トレーニングプロセスを説明するための図である。
例えば、取得機能１４４ｃは、ノイズデータおよび第１の被検体投影データにおいて画素ごとに画素値を合計することによって、合成被検体データを取得する。換言すれば、取得機能１４４ｃは、ノイズデータと第１の被検体投影データとを合成することによって、合成被検体データを取得する。ここで、取得機能１４４ｃは、ノイズプール１４１ａに記憶されたノイズデータと画像プール１４１ｂに記憶された第１の被検体投影データの組み合わせごとに、合成被検体データを取得することができる。さらに、取得機能１４４ｃは、第１の被検体投影データに対してノイズデータの位置をシフトすることによって、複数の合成被検体データを取得することもできる。
なお、取得機能１４４ｃは、ノイズデータと第１の被検体投影データとを合成する際に、重みを調整してもよい。例えば、取得機能１４４ｃは、前述のパラメータαによってノイズデータのノイズレベルを調整し、第１の被検体投影データにノイズレベルを追加する。一例として、前述のノイズデータは、図３Ａの再構成画像Ｘ１１と再構成画像Ｘ１２との差分に相当し、正規化（平均化効果）が施されている。なお、加減算は、同様の平均化効果をもたらす。取得機能１４４ｃは、合成プロセスにおいて重み付けを行うことによって、平均化効果の影響を補正することができる。他の例として、取得機能１４４ｃは、様々な種類の重み付けを行うことによって、線量を変化させた様々な合成被検体データを生成することができる。
そして、図４Ｃに示すように、モデル生成機能１４４ｄは、合成被検体データ、および画像プール１４１ｃから読み出した第２の被検体投影データを使用してトレーニングを行うことによって、ノイズ低減処理を実行するように機能化されたＤＣＮＮを得る。具体的には、モデル生成機能１４４ｄは、合成被検体データを入力とし、第２の被検体投影データをターゲットとした深層学習を行うことによって、ＤＣＮＮを得る。なお、図４Ｃに示すＤＣＮＮは、ノイズ低減処理モデルの一例である。
上述したように画像データと組み合わせるノイズデータを生成することに加えて、トレーニングデータがトレーニング画像ボリューム（例えば、一連のＣＴ投影から取得されたものから構成される）から抽出される場合、トレーニングされていないネットワークをトレーニングするために使用されるトレーニングデータを増強する、および／または置き換えることもさらに可能である。図４Ｄおよび図４Ｅは、トレーニング画像ボリューム内に含まれる３次元物体（例えば、血管）（「Ａ」、「Ｂ」および「Ｃ」とラベル付けされた３つの側面を有する直方体として描写された）内に方向付けられた、埋め込まれた３次元特徴（例えば、ステント）を含むトレーニング画像を示す。図示された３次元平面（例えば、側面「Ａ」に対応する）における埋め込まれた３次元特徴の第１の断面積は、他の３次元平面（例えば、側面「Ｂ」および「Ｃ」に対応する）から得られるであろう他の可能な断面と比較して、小さくてもよい。なお、３次元平面とは、例えば、３次元物体を構成する平面、または、３次元物体が有する平面を意味する。３次元特徴は、ステント、骨、病変、および再建手術用インプラントのような、トレーニング済みネットワークに含めることを所望する任意の特徴であり得る。ネットワークをトレーニングする際に含まれる特徴が多ければ多いほど、よりロバストなネットワークになる。
図４Ｄおよび図４Ｅに示すように、第１の３次元平面（第１の平面）に沿った画像スライスを表す画像に含まれるステントの断面（小さな正方形で図示された）は、トレーニングデータの元のセットに含まれている。断面は、第１の３次元平面において小さな断面積を有し、断面積が減少するにつれてネットワークをトレーニングして認識することが難しくなることが示されている。したがって、トレーニングデータを確認した後に発生する手動選択、または埋め込まれた特徴をサーチする自動プロセスのいずれかによって、断面が関心領域であるとして選択されると、少なくとも１つの代替３次元平面を使用して、画像プールに追加して元の画像と共にトレーニングすることによって、または元の画像を置き換えることによって、トレーニングのための画像を提供できるように、断面に対応する位置がトレーニング画像ボリューム内で決定される。図４Ｄおよび図４Ｅに示すように、側面Ａの直方体のより小さな断面は、画像ボリュームを元の角度に対して回転させることによって見出すことができる、実質的に大きな断面を有する他の２つの側面（ＢおよびＣとラベル付けされた）を有する。側面Ａを生成した元の回転は、Ｘ、ＹおよびＺの各方向に０度とみなし、回転表記Ｒ（０，０，０）で表される。側面Ｂの画像を得るために、表記Ｒ（０，９０，０）で明記されるように、画像ボリュームを第１の方向９０度に回転させる。（第１の方向の回転は、例えばＲ（１８０，０，０）のとき側面Ａが上下逆になるように側面Ａを回転させ、そのような画像もトレーニングデータに追加し得る）。側面Ｃの画像を得るために、表記Ｒ（０，０，９０）で明記されるように、画像ボリュームを第３の方向９０度に回転させる。それらの向きをトレーニングデータに使用することによって、システムは、本来は学習が困難な画像情報であろう画像の詳細を、より適切に学習することができる。上記では、埋め込まれた３次元特徴に対して、１つまたは２つの代替方向を使用することを説明したが、より多くの方向を含めることで、トレーニング後のデータ量の増加およびより高品質な画像がもたらされる。例えば、側面Ｂおよび側面Ｃの裏面は、それぞれＲ（０，－９０，０）およびＲ（０，０，－９０）に従って反対方向に回転させることによって見出すことができる。さらに、角度のあるビューを得ることができる（例えば、Ｒ（０，４５，４５）、Ｒ（０，－４５，４５）、Ｒ（４５，４５，４５）、Ｒ（－４５，９０，１８０））ように、他の様々な角度を単独で、または組み合わせて使用することができる。さらに、他の画像修正（例えば、トランスレーションＴ（）およびスケーリングＳ（））を使用して追加のトレーニングデータを生成し、修正を一緒に適用することができる（例えば、Ｓ（Ｒ（Ｔ（）））およびＴ（Ｓ（Ｒ（））））。
図４Ｄは、元の断面Ａを描写した元の画像を、新しい断面ＢおよびＣのいずれか、または両方に置き換える様子を示している。図４Ｅは、元の画像と共に、新しい画像のいずれか、または両方を画像プールに追加する様子を描写している。
上述したように、本実施形態では、第１の平面における第１の断面積を有する埋め込まれた３次元特徴を有する少なくとも１つの３次元物体を含むトレーニング画像ボリュームを取得する。そして、第２の平面における３次元特徴の第１の断面積よりも大きい第２の断面積を選択する。例えば、３次元特徴の最大断面積を第２の断面積として選択するそして、トレーニング画像ボリュームから生成された第２の断面積の画像を用いてニューラルネットワークをトレーニングする。ここで、例えば、第１の平面は第２の平面と直交する。
図４Ｆは、ターゲット画像のセットを生成した後、それらに対応する入力画像を入力トレーニングデータに追加できることを示す。ターゲット画像と対になる入力画像を生成するために、様々な技術を利用することができる。一実施形態では、ターゲット画像は劣化させられる（例えば、合成ノイズを加えることによってなど、劣化関数Ｄ（）に従って劣化させられることによって）。別の実施形態では、入力画像は、対応するターゲット画像と比較して、低い精度の再構成技術を使用して作成される。例えば、初期ターゲット画像が反復型再構成法を使用して再構成され得るのに対し、対応する入力画像はフィルタバックプロパゲーション（Filtered Back Propagation：ＦＢＰ）を使用して作成される。そして、対応する入力画像とターゲット画像の対を使用して、ネットワークをトレーニングする際に、対応する対｛（Ｄ（Ａ），Ａ），（Ｄ（Ｂ），Ｂ），（Ｄ（Ｃ），Ｃ）｝でトレーニングすることによって、または特定の特徴に関する回転表記｛（Ｄ（Ｒ（０，０，０），Ｒ（０，０，０）），（Ｄ（Ｒ（０，９０，０））、Ｒ（０，９０，０）），Ｄ（Ｒ（０，０，９０）），Ｒ（０，０，９０））｝を使用して、ネットワークのロバスト性を向上させることができる。
本明細書に記載された追加のトレーニングデータを提供する他の方法に加えて、トレーニングプロセスで使用される組織密度に関連した情報（例えば、ハウンズフィールドユニット（ＨＵ）データ）をシフトおよび／またはスケーリングすることによって、トレーニングされていないネットワークのトレーニングに使用されるトレーニングデータを増強する、および／または置き換えることがさらに可能である。ここで、組織密度に関連した情報は、組織密度情報と呼ばれる。図４Ｇは、ハウンズフィールドユニット（ＨＵ）スケールに基づく心臓のトレーニングデータのヒストグラムを示し、トレーニングデータにおける組織の密度を示している。図４Ｇは、最初の患者の心臓領域における画像スライスの１つのヒストグラムを示す。心臓領域の画像スライスはそれぞれ異なり得るが、一般に単一の患者の心臓領域全体に対するＨＵの分布は類似している。しかし、患者によって同じ領域でもＨＵの範囲および分布が異なり得るため、トレーニング時にＨＵの分布をスケーリング、およびまたはシフトすることによって、得られるトレーニング済みネットワークをよりロバストにすることができる。ＣＴ画像のＨＵ値は、異なる臓器、造影剤、および埋め込み金属をカバーすることができる。一般的的な範囲は、－１０００から２０００または３０００ＨＵである。既知のネットワークは、解剖学的構造によって必要な画像が異なるため、解剖学的構造に基づいてトレーニングおよび適用されるが、トレーニングデータは通常、臓器および造影剤の分布に起因するいくつかの特定の範囲をカバーする。本明細書で説明するように、ＨＵのカバレッジが広く、かつ／またはＨＵの分布が均一なトレーニングデータにより、トレーニング済みネットワークのロバスト性を向上させることができる。さらに、ＨＵシフト増強は、ＨＵのカバレッジを拡張し、より均一なＨＵの分布を作ることができる。
様々なノイズ源を追加することによってトレーニングデータを補完することによる上述したプロセスと同様に、元のトレーニングデータセット内のＨＵデータを修正することによって、トレーニングデータを補完することができる。例えば、初期トレーニングデータセットを受け取った後、ヒストグラム法を使用して、対応するＨＵの分布を得ることができる。IMGaug(x,y)=IMG(x,y)+valshiftによってピーク間の隙間を埋めるような増強画像IMGaug(x,y)を生成することができ、このようなシフトのプロセスを表記＋Ｈ（）を使用して参照する。逆方向のシフトの場合、シフトプロセスを－Ｈ（）と表現する。図４Ｈに示すように、ＨＵ範囲［－１０００，２０００］の全ての隙間を埋める画像－Ｈ（ｉｍｇ）および＋Ｈ（ｉｍｇ）を生成するために、valshiftに対していくつかの値を選択することができる。
トレーニングターゲット画像が反復型再構成法のような高度な再構成アルゴリズムによるものである場合、再構成パラメータを最適化して、１つ以上の特定領域の画質を向上させることができる。例えば、骨のような高コントラスト領域は通常、低コントラスト領域（一般的には軟組織）と比較して、空間分解能が向上する。ＨＵシフト増強は、特定のＨＵ範囲の画質を他のＨＵ範囲から向上させるのに役立ち得る。例えば、心臓のスキャンでは、画像に取り込まれたアキシャル断面に応じて、画像に追加の特徴（例えば、肝臓および肺）を含むことができる。ＨＵシフト増強を画像に適用すると、肝臓および肺のＨＵ分布が初期の心臓のＨＵの分布と異なっていても、ＨＵシフト増強によってカバーされる範囲が拡張し、ＨＵの分布がより均一になるので、３つの臓器全ての特徴を強調することができる。
上述のシフティングプロセスに加えて、トレーニングデータセットに、スケーリングされたＨＵ値を有する画像を増強／補完することができる。ＨＵのスケーリング増強は、IMGsca(x,y)=valsca*IMG(x,y)によって実現できる。valscaには複数の値（＞１．０または＜１．０）を選択することができ、図４Ｉに示すように、valsca＞１．０のスケーリングはＨ＋（）として参照され、valsca＜１．０のスケーリングはＨ－（）として参照される。ＨＵスケーリングのもう１つの利点は、valscaの値によって、画像のノイズが増幅または縮小されることである。これらのノイズを異なるレベルで追加したトレーイング済みネットワークは、より多くのノイズレベルをトレーニング時にカバーするため、ロバスト性がより高くなる。
ＨＵシフティング増強とＨＵスケーリング増強の両方を適用することによって、トレーニング済みネットワークはよりロバストになり得る。図４Ｊは、両方の増強を適用した場合のトレーニングデータを示す。ＨＵシフティングとＨＵスケーリングの両方を適用する利点は、より均一で拡張されたＨＵカバレッジおよびＨＵのカバレッジ全体で増幅または低減されたノイズを有するネットワークへのトレーニングを提供することである。ＨＵシフティング増強およびＨＵスケーリング増強を使用して画像劣化（例えば、合成ノイズの追加）と組み合わせて、ネットワークのトレーニング時にネットワークのロバスト性を向上させるためのトレーニング対を生成することができる。画像劣化を増強に含めることによって、画像の特徴および画像劣化を同時に向上させるようにネットワークをトレーニングすることができる。
上述したように、本実施形態では、トレーニングデータの第１のセットを取得し、トレーニングデータの第１のセットから組織密度情報の第１の分布を決定する。そして、組織密度情報の第１の分布をシフトさせる組織密度シフティングプロセスおよび組織密度情報の第１の分布をスケーリングする組織密度スケーリングプロセスの少なくとも１つを実行することによって、トレーニングデータの第１のセットからトレーニングデータの第２のセットを生成する。そして、トレーニングデータの第１のセットおよび第２のセットを用いてニューラルネットワークをトレーニングして、トレーニング済みニューラルネットワークを取得する。
以下、モデル生成機能１４４ｄによって実行されるトレーニングの詳細について説明する。図５Ａ～図５Ｄは、以下に説明する例示的な実施形態に係る、トレーニングプロセスを示す。
より具体的には、図５Ａは、Ｎ個の入力と、Ｋ番目の隠れ層と、３個の出力とを有する一般的な人工ニューラルネットワーク（Artificial Neural Network：ＡＮＮ）を示している。ＡＮＮの各層はノード（ニューロンとも呼ばれる）で構成され、各ノードは入力の重み付けされた合計を実行して出力を生成し、加重和の結果を閾値と比較する。ＡＮＮは、閾値、結合の重み、またはノード数および／もしくはそれらの連結性などのアーキテクチャの詳細を変化させることによってクラスのメンバーを取得する、関数のクラスを構成する。ＡＮＮ内のノードは、ニューロン（またはニューロンノード）と呼ばれることがある。ニューロンはＡＮＮシステムの異なる層間で相互連結部を有することができる。例えば、ＡＮＮは、４層以上のニューロンを有し、入力ニューロンと同数の出力ニューロンｘ～Ｎ（Ｎは再構成画像の画素数）を有する。シナプス（すなわち、ニューロン間の連結部）は、計算においてデータを処理する「重み」（「係数」または「重み付け係数」とも呼ばれる）と呼ばれる値を記憶する。ＡＮＮの出力は、（ｉ）異なるニューロン層間の相互結合パターン、（ｉｉ）相互結合の重みを更新する学習プロセス、（ｉｉｉ）ニューロンの重み入力をその出力活性化に変換する活性化関数、の３種類のパラメータに依存する。
数学的には、ニューロンのネットワーク関数ｍ（ｘ）は、他の関数の合成ｎｉ（ｘ）として定義され、その他の関数がさらに他の関数の合成として定義され得る。これは、図５Ａに示すように、変数間の依存関係を描写する矢印を用いて、ネットワーク構造として都合よく表すことができる。例えば、ＡＮＮは、ｍ（ｘ）＝Ｋ（Σｉｗｉｎｉ（ｘ））である、非線形の重み付けられた合計を使用することができ、ここで、Ｋ（一般に「活性化関数」と呼ばれる）は、シグモイド関数、双曲線正接関数、および整流線形ユニット（ＲｅＬＵ）などの所定の係数である。
図５Ａでは（同様に図５Ｂでは）、ニューロン（つまりノード）は、閾値関数の周りの円で描写されている。図５Ａに示す非限定的例では、入力は線形関数の周りの円で描写され、矢印はニューロン間の有向連結を示す。特定の実施形態では、ＡＮＮは、図５Ａおよび図５Ｂに例示するようなフィードフォワードネットワークである（例えば、有向非巡回グラフとして表すことができる）。
ＡＮＮは、関数Ｆのクラス内をサーチすることによって、ＣＴ画像のノイズ除去などの特定のタスクを実現するために動作し、ある光学的基準（optical criteria（例えば、以下で説明するステップＳ２６０で使用される停止基準））で特定のタスクを解決する要素ｍ＊（ｍ＊∈Ｆ）を見つけ出すように、観測結果のセットを使用して学習する。例えば、特定の実施形態では、これは、以下の式（１）で表される光学解などのコスト関数Ｃ：Ｆ→Ｒを定義することによって実現することができる（すなわち、光学解のコストより小さいコストを有する解はない）。
Figure 2023156267000002
式（１）において、ｍ＊は光学解（optical solution）である。コスト関数Ｃは、特定の解が、解決すべき問題（例えば、誤差）に対する光学解からどれだけ離れているかの基準である。学習アルゴリズムは、解空間にわたって繰り返しサーチし、可能な限り最小のコストで関数を見つけ出す。特定の実施形態では、コストは、データのサンプル（すなわち、トレーニングデータ）上で最小化される。
図５Ｂは、ＡＮＮがＤＣＮＮである非限定的な例を示している。ＤＣＮＮは画像処理に対し有益な特性を有するＡＮＮの一種であり、従って画像ノイズ除去の適用に特に関連性を有する。ＤＣＮＮは、ニューロン間の連結性パターンが画像処理における畳み込みを表すことができるフィードフォワードＡＮＮを使用する。例えば、ＤＣＮＮは、受容野と呼ばれる入力画像の一部を処理する、複数層の小さなニューロンの集合体を使用することによって、画像処理の最適化に使用することができる。これらの集合体の出力は、オーバーラップするようにタイル状に配置されて、より元の画像に近い表示を実現することができる。この処理パターンは、畳み込み層とプーリング層を交互に配置した複数の層で繰り返すことができる。なお、図５Ｂは、先行する層の全てのノードを使用して後続する層のノードを定義する全結合（フルコネクト）ネットワークの一例を示している。この例は、ディープニューラルネットワーク（Deep Neural Network：ＤＮＮ）の一例を示したに過ぎない。ＤＣＮＮは、先行する層のノードの一部を使用して後続する層のノードを定義する疎結合（部分的な結合）ネットワークを形成することが一般的である。
図５Ｃは、２次元画像を表す入力層から畳み込み層である第１の隠れ層への値をマッピングするために適用されている５×５カーネルの例を示している。カーネルは、それぞれの５×５画素の領域を、第１の隠れ層の対応するニューロンにマッピングする。
畳み込み層の後に続いて、ＤＣＮＮは、畳み込み層におけるニューロン集団の出力を組み合わせるローカルおよび／またはグローバルプーリング層を含むことができる。さらに、特定の実施形態では、ＤＣＮＮは、各層の終わりに、または各層の後に適用された点別の非線形性によって、畳み込み層と完全結合層の様々な組み合わせを含むこともできる。
ＤＣＮＮは、画像処理に対していくつかの利点がある。自由パラメータ数を減らし、かつ生成を向上するために、入力の小さな領域に対する畳み込み操作が取り入れられる。ＤＣＮＮの特定の実施形態の大きな利点の１つとしては、畳み込み層における共有された重みの使用であり、すなわち、層における各画素の係数として使用されるフィルタ（重みバンク）が同じであることである。このような大きな利点は、メモリ設置面積を削減し、パフォーマンスを向上させる。他の画像処理法と比較して、ＤＣＮＮは、有利に比較的少ない前処理を使用する。これは、ＤＣＮＮが、従来のアルゴリズムでは手動で設計されたフィルタを学習する役割を担っていることを意味する。特徴の設計において、予備知識および人間の労力に対する依存がないことが、ＤＣＮＮの大きな利点である。
ＤＣＮＮでは、再構成画像における隣接層間の類似性を利用することが可能である。通常、隣接する層の信号は、高い相関性がある一方で、ノイズには相関性がない。一般に、ＣＴの３次元ボリューメトリック画像は、より多くのボリューメトリック特徴を捉えることができるため、２次元画像を横断する単一のスライスよりも、より多くの診断情報を提供することができる。図５Ｃは、２次元再構成画像のノイズ除去のための例示的なトレーニングを示しているが、ボリューメトリックな特徴をさらに使用するノイズ除去をトレーニングしてもよい。
図５Ｄは、ＤＣＮＮをトレーニングするために使用される教師あり学習の例示的な実施形態を示す。教師あり学習において、トレーニングデータのセットを取得し、ＤＣＮＮによって処理された合成被検体データが第２の被検体投影データに厳密に適合するように、ネットワークを繰り返し更新して誤差を低減させる。換言すれば、ＤＣＮＮはトレーニングデータによって暗示されたマッピングを推定し、コスト関数は、第２の被検体投影データと、現在の更新後のＤＣＮＮ（最新のＤＣＮＮ）を合成被検体データへと適用することによって生成されたノイズ除去データとの間の不一致に関連する誤差値を生成する。例えば、特定の実施形態では、コスト関数は、平均二乗誤差（ｍｅａｎ－ｓｑｕａｒｅｄ ｅｒｒｏｒ）を使用して、中間二乗誤差（ａｖｅｒａｇｅ ｓｑｕａｒｅｄ ｅｒｒｏｒ）を最適化することができる。多層パーセプトロン（Multilayer Perceptron：ＭＬＰ）ニューラルネットワークの場合、勾配降下法を使用して平均二乗誤差に基づくコスト関数を最小化することによってネットワークをトレーニングするために、逆伝播アルゴリズムを使用することができる。
ニューラルネットワークモデルをトレーニングするとは、基本的に、コスト基準（つまり、コスト関数を使用して計算される誤差値）を最小化する許可されたモデルのセット（または、ベイズフレームワークにおいて許容されたモデルのセットにわたる分布の決定）から、１つのモデルを選択することを意味する。一般に、ＤＬネットワークは、ニューラルネットワークモデルをトレーニングするための多数のアルゴリズムのいずれかを使用して（例えば、最適化理論または統計的推定を適用して）、トレーニングすることができる。
例えば、人工ニューラルネットワークをトレーニングする際に使用する最適化法は、逆伝播を使用して実際の勾配を計算する、勾配降下の形式を使用することができる。これは、ネットワークのパラメータに関してコスト関数の導関数を取り、その後それらのパラメータを勾配に関連する方向に変化させることによって、行われる。逆伝播アルゴリズムは、最急降下法（例えば、可変学習率を用いた方法、可変学習率と運動量を用いた方法、および弾力的誤差逆伝播法）、準ニュートン法（例えば、ブロイデン－フレッチャー－ゴールドファーブ－シャンノ、ワンステップ割線、およびレーベンバーグ－マルカート）、または共役勾配法（例えば、Ｆｌｅｔｃｈｅｒ－Ｒｅｅｖｅｓ更新、Ｐｏｌａｋ－Ｒｉｂｉｅｒｅ更新、Ｐｏｗｅｌｌ－Ｂｅａｌｅリスタート、およびスケール共役勾配）であってもよい。さらに、遺伝子発現プログラミング、焼きなまし法、期待値最大化、ノンパラメトリック法、および粒子群最適化などの発展的方法もまた、ＤＣＮＮをトレーニングするために使用することができる。
図５ＤのステップＳ２１０では、ＤＣＮＮの係数の初期推測が生成される。例えば、初期推測は、撮像されている領域の予備知識、または１つ以上のノイズ除去方法、エッジ検出方法、および／またはブロブ検出方法に基づくことができる。さらに、初期推測は、異なるノイズレベルに関連する、または異なるＣＴスキャン方法を使用するトレーニングデータでトレーニングされたＤＣＮＮに基づくことができる。
例示的なノイズ除去方法には、線形平滑化フィルタ、異方性拡散、非局所的平均、または非線形フィルタが含まれる。線形平滑化フィルタは、ローパスフィルタまたは平滑操作を表すマスクを用いて元の画像を畳み込むことによって、ノイズを除去する。例えば、ガウシアンマスクは、ガウス関数によって決定される要素を含む。この畳み込みにより、各画素の値は、その画素に隣接する画素の値に近づけられる。異方性拡散は、熱伝導方程式と同様の平滑化偏微分方程式のもとで画像を展開させることによって、鮮明な境界を維持したままノイズを除去することができる。メジアンフィルタは非線形フィルタの一例であり、適切に設計された場合には、非線形フィルタも境界を保ち、ぼかしを回避することもできる。メジアンフィルタは、階数条件ランク選択（Rank-Conditioned Rank-Selection：ＲＣＲＳ）フィルタの一例であり、明らかなぼかしアーチファクトを取り込むことなく、画像からごま塩ノイズを除去するために適用することができる。さらに、撮像される領域が、均一な領域間の鮮明な境界によって分けられた広い範囲にわたって一様であるという仮定を支持する場合に、全変動（Total-Variation：ＴＶ）最小化正則化項を使用するフィルタを、使用することができる。ＴＶフィルタは、非線形フィルタの他の例である。加えて、非局所平均フィルタリングは、画像における同様のパッチにわたる重み付けられた平均を使用することによってノイズ除去された画素を決定する、例示的な方法である。
図５ＤのステップＳ２２０では、ネットワーク処理された合成被検体データと第２の被検体投影データとの間の誤差（例えば、コスト関数）が計算される。誤差は、上述したそれらのコスト関数を含む、画像データ間の任意の既知のコスト関数または距離測定を使用して計算することができる。
図５ＤのステップＳ２３０では、誤差における変化をネットワークにおける変化（例えば誤差勾配）の関数として計算することができ、この誤差における変化を使用して、ＤＣＮＮの重み／係数に対するその後の変化の方向およびステップサイズを選択することができる。このような方法で誤差の勾配を計算することは、勾配降下最適化法の特定の実施形態と一致する。他の特定の実施形態では、当業者に理解されるように、このステップは、別の最適化アルゴリズム（例えば、焼きなまし法または遺伝的アルゴリズムのような非勾配降下最適化アルゴリズム）に従って、省略されてもよいし、および／または他のステップと置き換えられてもよい。
図５ＤのステップＳ２４０では、ＤＣＮＮの係数の新しいセットを決定する。例えば、勾配降下最適化法または過緩和加速法のように、ステップＳ２３０で計算された変化を使用して重み／係数を更新することができる。
図５ＤのステップＳ２５０では、更新されたＤＣＮＮの重み／係数を使用して、新しい誤差値が計算される。
図５ＤのステップＳ２６０では、所定の停止基準を使用して、ネットワークのトレーニングが完了したかどうかを判定する。例えば、所定の停止基準は、新しい誤差および／または実行された反復の総数が所定の閾値を超えるかどうかを判定するすることができる。例えば、新しい誤差が所定の閾値を下回った場合、または最大反復回数に達した場合に、停止基準を満たすことができる。停止基準が満たされない場合、手順はステップＳ２３０に戻ってプロセスを繰り返す、すなわち、手順は、新しい重み／係数を使用することによって反復ループの開始点に戻って継続される（反復ループは、ステップＳ２３０、Ｓ２４０、Ｓ２５０、およびＳ２６０を含む）。停止条件が満たされると、ＤＣＮＮのトレーニングは完了する。
図５Ｄに示す誤差最小化に対する実施形態に加えて、ＤＣＮＮのトレーニングは、例えば、極小化法、凸最適化法、および大域最適化法を含む、多くの他の既知の最小化法のうちの１つを使用することができる。
コスト関数（例えば、誤差）が最小値とは異なる極小値を有する場合に、コスト関数の最小値を見つけ出すにはロバストな確率最適化プロセスが有益である。極小値を見つけ出す最適化方法の一例としては、ネルダー－ミードシンプレックス法、勾配降下法、ニュートン法、共役勾配法、シューティング法、およびその他の既知の局所最適化手法のうちの１つであり得る。遺伝的アルゴリズム、焼きなまし法、全数検索、区間法、ならびに、その他の従来的な決定論的、確率的、発見的、およびメタヒューリスティック（ｍｅｔａｔｈｅｕｒｉｓｔｉｃ）法を含む、最小値を見つけ出すための既知の方法も多くある。これらの方法のいずれかを使用して、ＤＣＮＮの重み／係数を最適化することができる。さらに、ニューラルネットワークは、逆伝播法を使用して最適化することもできる。
例えば、モデル生成機能１４４ｄは、合成された被検体データを入力とし、第２の被検体投影データをターゲットとした残差学習を実行する。残差学習では、ノイズを含む入力データとターゲットデータとの差分を学習する。臨床的に得られるノイズ画像の場合、画像に含まれるノイズは画像信号に対して統計的な依存性を有するが、合成被検体データに追加されたノイズはこのような依存性を有していない。しかし、残差学習では、ノイズの画像信号に対する依存性よりも、入力データとターゲットデータの違いおよびノイズそのものの特徴がより重要な要素となる。したがって、モデル生成機能１４４ｄは、合成被検体データを入力として、臨床的に得られたノイズ画像を入力とする場合と同程度の精度で、ＤＣＮＮをトレーニングすることができる。
ここで、第２の被検体投影データは、ノイジーなデータであってもよいし、クリーンなデータであってもよい。すなわち、モデル生成機能１４４ｄは、ＤＣＮＮに対してｎｏｉｓｅ－ｔｏ－ｎｏｉｓｅトレーニング、またはｎｏｉｓｅ－ｔｏ－ｃｌｅａｎトレーニングを実行してもよい。
例えば、図４Ａに示す投影データＹｋ－１、投影データＹｋ、および投影データＹｋ＋１は、低線量のＸ線を使用して撮像された投影データであってもよい。また、図４Ｂに示す投影データＹｌ－１、投影データＹｌ、および投影データＹｌ＋１は、低線量のＸ線を使用して撮像された投影データであってもよい。すなわち、第１の被検体投影データおよび第２の被検体投影データは、低線量イメージングで得られたデータであってもよい。さらに、例えば、取得機能１４４ｃは、逐次近似再構成法などの高精度な再構成法以外の再構成法を使用することによって、第２の被検体投影データを取得してもよい。一例として、取得機能１４４ｃは、図４Ｂに示す再構成処理Ｒ２として、ＦＢＰを実行する。これにより、取得機能１４４ｃは、画像プール１４１ｃに記憶されている第２の被検体投影データをノイジーなデータとして設定する。このような場合、第２の被検体投影データに含まれるノイズと、合成被検体データに追加されたノイズデータに基づくノイズとは独立しているので、モデル生成機能１４４ｄは、ｎｏｉｓｅ－ｔｏ－ｎｏｉｓｅトレーニングを実行してＤＣＮＮを取得することができる。
さらに、例えば、取得機能１４４ｃは、第１の再構成法に基づく再構成処理を実行することによって第１の被検体投影データを取得し、第１の再構成法よりも高精度な第２の再構成法に基づく再構成処理を実行することによって第２の被検体投影データを取得する。一例として、取得機能１４４ｃは、図４Ｂに示す再構成処理Ｒ１としてＦＢＰを実行し、再構成処理Ｒ２として逐次近似再構成法を実行する。これにより、取得機能１４４ｃは、画像プール１４１ｃに記憶された第２の被検体投影データをクリーンデータとして使用することができ、モデル生成機能１４４ｄは、ｎｏｉｓｅ－ｔｏ－ｃｌｅａｎトレーニングを実行してＤＣＮＮを取得することができる。なお、このような場合のＤＣＮＮは、ＦＢＰ法に基づく画像を入力とし、逐次近似再構成法に基づく画像をターゲットとしてトレーニングを実行する。すなわち、ＤＣＮＮは再構成法による違いを学習することができる。したがって、モデル生成機能１４４ｄは、ＤＣＮＮを機能させて、入力データのノイズを低減し、解像度を向上させることができる。
モデル生成機能１４４ｄは、肺、腹部、および骨盤などの部位ごとに、ＤＣＮＮを生成してもよい。例えば、モデル生成機能１４４ｄは、合成被検体データまたは第２の被検体投影データとして、肺のデータを使用することによってトレーニングを実行することにより、ＤＣＮＮを得てもよい。このような場合のＤＣＮＮは、肺を撮像することによって得られた画像のノイズ低減処理に特化した学習済みモデルである。
あるいは、モデル生成機能１４４ｄは、合成被検体データまたは第２の被検体投影データとして、様々な部位のデータを使用することによってトレーニングを実行し、それによってＤＣＮＮを得てもよい。このような場合のＤＣＮＮは、任意の部位を撮像することによって得られた画像の入力を受け付けて、ノイズ低減処理を実行する汎用的な学習済みモデルである。
さらに、モデル生成機能１４４ｄは、ノイズレベルごとにＤＣＮＮを生成してもよい。例えば、取得機能１４４ｃは、所定の線量で撮像されたノイズ生成のための被検体から取得したデータに基づいてノイズデータを取得し、取得されたノイズデータをノイズプール１４１ａに記憶させる。さらに、例えば、取得機能１４４ｃは、ノイズレベルが所定値を有するようにパラメータαの値を調整し、ノイズプール１４１ａに記憶されるノイズデータを取得する。さらに、モデル生成機能１４４ｄは、ノイズプール１４１ａから読み出したノイズデータ、および第１の被検体投影データに基づいて、合成被検体データを取得する。これにより、モデル生成機能１４４ｄは、合成被検体データに追加されるノイズのレベルをほぼ一定にすることができる。そして、モデル生成機能１４４ｄは、合成被検体データおよび第２の被検体投影データを使用することによって、トレーニングを実行し、それによってＤＣＮＮを取得する。このような場合のＤＣＮＮは、所定の線量で撮像することによって得られた画像のノイズ低減処理に特化した学習済みモデルである。
あるいは、モデル生成機能１４４ｄは、様々なノイズレベルの合成被検体データを使用することによってトレーニングを実行し、それによってＤＣＮＮを得てもよい。このような場合のＤＣＮＮは、任意の線量で撮像することによって得られた画像の入力を受け付けて、ノイズ低減処理を実行する汎用的な学習済みモデルである。
さらに、モデル生成機能１４４ｄは、画像サイズごとにＤＣＮＮを生成してもよい。例えば、モデル生成機能１４４ｄは、所定のサイズでで切り出した合成被検体データまたは第２の被検体投影データを使用することによってトレーニングを実行し、それによってＤＣＮＮを得てもよい。あるいは、モデル生成機能１４４ｄは、様々な画像サイズを有する合成被検体データまたは第２の被検体投影データを使用することによってトレーニングを実行し、それによってＤＣＮＮを得てもよい。
上述したように、モデル生成機能１４４ｄは、合成被検体データデータおよび第２の被検体投影データを使用して機械学習によってＤＣＮＮを取得し、学習済みＤＣＮＮをメモリ１４１に記憶させる。その後、例えば、被検体Ｐ１２を撮像することによって入力被検体データを得た場合、ノイズ低減処理機能１４４ｅは、メモリ１４１から読み出したＤＣＮＮを使用することによって、入力被検体データのノイズ低減プロセスを実行することができる。なお、被検体Ｐ１２は、図４Ａに示す投影データＹｋ－１、投影データＹｋ、および投影データＹｋ＋１、ならびに図４Ｂに示す投影データＹｌ－１、投影データＹｌ、および投影データＹｌ＋１を得る際に撮像された被検体と異なる被検体であってもよく、同じ被検体であってもよい。被検体Ｐ１２は、被検体Ｐ１の一例である。
具体的には、イメージング機能１４４ｂは、被検体Ｐ１２を撮像し、投影データを取得する。さらに、ノイズ低減処理機能１４４ｅは、ＦＢＰ法に基づく再構成処理を実行して、再構成画像を生成する。再構成画像は、入力被検体データの一例である。次に、ノイズ低減処理機能１４４ｅは、メモリ１４１から読み出したＤＣＮＮによって再構成画像のノイズを低減し、それによってノイズ除去されたデータを得る。
以下、ＤＣＮＮを使用したノイズ低減プロセスについて詳細に説明する。図６Ａおよび図６Ｂは、第１の実施形態に係るノイズ低減プロセスを示す。
図６Ａは全てのＡＮＮに対して一般則であり、図６ＢはＣＮＮに特化したものである。図６Ａの一連のプロセスは、入力被検体データにＤＣＮＮを適用することに対応する。畳み込み層の後に続いて、ＤＣＮＮは、畳み込み層におけるニューロン集団の出力を組み合わせる、ローカルおよび/またはグローバルプーリング層を含むことができる。
ステップＳ４１０では、ニューロン（すなわち、ノード）間の結合に対応する重み／係数が、再構成画像の画素に対応するそれぞれの入力に適用される。
ステップＳ４２０では、重み付けられた入力が合計される。次層の所定のニューロンに結合しているゼロでない重み／係数のみが、前の層において表された画像において領域的に局所化された場合、ステップＳ４１０とＳ４２０の組み合わせは、畳み込み操作を行うのと実質的に同じである。
ステップＳ４３０では、それぞれの閾値は、それぞれのニューロンの重み付けられた合計に適用される。
ステップＳ４４０では、重み付け、合計、および活性化のステップは、後続の層のそれぞれに対して繰り返される。
図６Ｂは、ＤＣＮＮを使用したノイズ低減プロセスの別の実施形態のフロー概要図である。図６Ｂに示すステップＳ４７０の実施形態は、ＤＣＮＮに対するＣＮＮの非限定的な実施形態を使用して、再構成画像に対する操作に対応する。
ステップＳ４５０では、畳み込み層に関する当業者の理解に従って、上述したような畳み込み層の計算が実行される。
ステップＳ４６０では、畳み込み層からの出力は、プーリング層への入力である。プーリング層は、プーリング層の前述の説明に従って実行され、かつプーリング層に関する当業者の理解に従って実行される。
ステップＳ４７０では、続いてポーリング層がある畳み込み層のステップを、所定の層数で繰り返すことができる。混合畳み込み層およびポーリング層に続いて（または混合して）、ポーリング層からの出力は、図６ＡのＡＮＮ層に対して提供された説明に従って実行される、所定数のＡＮＮ層に供給され得る。最終出力は、ノイズ／アーチファクトのないことを特徴とする所望の再構成画像（ノイズ除去されたデータ）となる。
次いで、出力機能１４４ｆは、ノイズ除去されたデータに基づいて、被検体Ｐ１２の画像を出力する。例えば、出力機能１４４ｆは、ノイズ除去された画像に基づいて表示画像を生成し、ディスプレイ１４２に表示画像を表示させる。あるいは、出力機能１４４ｆは、ノイズ除去されたデータに基づく被検体Ｐ１２の画像を、ワークステーションなどの外部デバイスに送信してもよい。
次に、Ｘ線ＣＴ装置１０による処理手順の一例を、図７を参照して説明する。図７は、第１の実施形態に係るＸ線ＣＴ装置１０のプロセスの一連の流れを説明するためのフローチャートである。ステップＳ１０１、ステップＳ１０２、およびステップＳ１０７は、取得機能１４４ｃに対応する。ステップＳ１０３は、モデル生成機能１４４ｄに対応する。ステップＳ１０４およびステップＳ１０５は、ノイズ低減処理機能１４４ｅに対応する。ステップＳ１０６は、出力機能１４４ｆに対応する。
まず、処理回路１４４は、ノイズ生成のために被検体から取得されたデータに基づいてノイズデータを取得し（ステップＳ１０１）、第１の被検体投影データおよびノイズデータに基づいて合成被検体データを取得する（ステップＳ１０２）。次に、処理回路１４４は、合成被検体データおよび第２の被検体投影データを使用した機械学習によって、ＤＣＮＮなどのノイズ低減処理モデルを取得する（ステップＳ１０３）。
次に、処理回路１４４は、被検体Ｐ１２を撮像することによって得られた入力被検体データが取得されたかどうかを判定する（ステップＳ１０４）。入力被検体データが取得された場合（ステップＳ１０４でＹｅｓ）、処理回路１４４は、ノイズ低減処理モデルによって入力被検体データのノイズを低減して、ノイズ除去されたデータを取得する（ステップＳ１０５）。さらに、処理回路１４４は、ノイズ除去されたデータに基づいて、被検体Ｐ１２の画像を出力する（ステップＳ１０６）。
ここで、処理回路１４４は、トレーニングデータを更新するかどうかを判定する（ステップＳ１０７）。トレーニングデータを更新する場合（ステップＳ１０７でＹｅｓ）、処理回路１４４は、再びステップＳ１０１に進む。すなわち、処理回路１４４は、トレーニングデータを更新する場合、被検体Ｐ１２を撮像することによって得られたデータを、ノイズ生成のために被検体から取得したデータとして設定し、ノイズ生成のために被検体から取得したデータのノイズデータを取得し、ノイズプール１４１ａにノイズデータを追加する。あるいは、処理回路１４４は、被検体Ｐ１２を撮像することによって得られたデータを、第１の被検体投影データまたは第２の被検体投影データとして設定し、画像プール１４１ｂまたは画像プール１４１ｃに、第１の被検体投影データまたは第２の被検体投影データを追加してもよい。その一方で、トレーニングデータの更新を行わない場合（ステップＳ１０７でＮｏ）、処理回路１４４は、再びステップＳ１０４に進む。さらに、ステップＳ１０４で入力被検体データを取得しない場合（ステップＳ１０４でＮｏ）、処理回路１４４は、プロセスを終了する。
上述したように、第１の実施形態によれば、取得機能１４４ｃは、Ｘ線ＣＴ装置１０により実行されるイメージングによって得られるノイズ生成のために被検体から取得されるデータに基づいて、ノイズ生成のために被検体から取得されるデータのノイズデータを取得する。さらに、取得機能１４４ｃは、Ｘ線ＣＴ装置１０と同種の医用画像診断モダリティ（Ｘ線ＣＴ）により実行されるイメージングによって取得される第１の被検体投影データおよびノイズデータに基づいて、ノイズデータに基づくノイズが第１の被検体投影データに追加された合成被検体データを取得する。さらに、モデル生成機能１４４ｄは、Ｘ線ＣＴにより実行されるイメージングによって取得される合成被検体データおよび第２の被検体投影データを使用して、機械学習によりノイズ低減処理モデルを取得する。これにより、第１の実施形態に係るＸ線ＣＴ装置１０は、高品質なノイズ低減処理モデルを容易に取得することができる。
例えば、上述したノイズ生成のために被検体から取得されるデータ、第１の被検体投影データ、および第２の被検体投影データは、高線量のＸ線を使用して取得されたクリーンデータである必要はなく、比較的容易に取得することができる。さらに、ノイズデータと第１の被検体投影データを組み合わせることによって合成被検体データを取得するため、トレーニングに必要な数のデータ用意することが容易となる。したがって、Ｘ線ＣＴ装置１０は、トレーニングデータを容易に用意することができ、十分なトレーニングデータでノイズ低減処理モデルの品質を向上させることができる。
さらに、シミュレーションによって生成されたノイズをトレーニングデータとして使用して、ノイズ低減処理モデルを生成する場合、ノイズシミュレーションの精度によってノイズ低減処理モデルの品質も変化する。その一方で、前述のノイズデータにおけるノイズは、シミュレーションされたものではなく、ノイズ生成のために被検体から取得した臨床的に得られたデータから抽出されたものである。すなわち、Ｘ線ＣＴ装置１０は、より信頼性の高いトレーニングデータを使用することによってノイズ低減処理モデルを生成し、ノイズ低減処理の性能を向上させることができる。
これまで、第１の実施形態について説明したが、前述の実施形態以外にも、様々な異なる形態で実現され得る。
例えば、図３Ａでは、投影データＹ１をサンプリングして、２つの投影データ（投影データＹ１１および投影データＹ１２）を取得するものとして説明されている。しかし、実施形態はこれに限定されるものではない。例えば、取得機能１４４ｃは、投影データＹ１をサンプリングすることによって、３つ以上の投影データを取得してもよい。
一例として、投影データＹ１をサンプリングすることによって、取得機能１４４ｃは、投影データＹ１における「３ｎ（ｎは自然数）」のビューを投影データＹ１１として取得し、投影データＹ１における「３ｎ＋１」のビューを投影データＹ１２として取得し、投影データＹ１における「３ｎ＋２」のビューを投影データＹ１３として取得する。さらに、取得機能１４４ｃは、投影データＹ１１から再構成画像Ｘ１１を再構成し、投影データＹ１２から再構成画像Ｘ１２を再構成し、投影データＹ１３から再構成画像Ｘ１３を再構成する。
そして、取得機能１４４ｃは、再構成画像Ｘ１１、再構成画像Ｘ１２、および再構成画像Ｘ１３に基づいて、ノイズ抽出処理を実行する。例えば、取得機能１４４ｃは、再構成画像Ｘ１１と再構成画像Ｘ１２との間で差分処理を実行することによって、ノイズデータを取得する。さらに、取得機能１４４ｃは、再構成画像Ｘ１２と再構成画像Ｘ１３との間で差分処理を実行することによって、ノイズデータを取得する。さらに、取得機能１４４ｃは、再構成画像Ｘ１３と再構成画像Ｘ１１との間で差分処理を実行することによって、ノイズデータを取得する。
さらに、図３Ａでは、複数の再構成画像を生成し、画像間で差分処理を実行することによってノイズデータを抽出するものとして説明されている。しかし、ノイズデータの抽出方法は、これに限定されるものではない。例えば、取得機能２４ｂは、サンプリングを省略して、投影データＹ１に基づいて再構成画像を生成し、再構成画像に対して画像処理を実行することによってノイズデータを抽出してもよい。
さらに、図４Ｂでは、再構成処理Ｒ１および再構成処理Ｒ２を実行することによって、画像プール１４１ｂに記憶させる第１の被検体投影データおよび画像プール１４１ｃに記憶させる第２の被検体投影データを、それぞれ生成するものとして説明されている。しかし、実施形態はこれに限定されるものではない。例えば、取得機能１４４ｃは、投影データＹｌ－１、投影データＹｌ、および投影データＹｌ＋１などの投影データの第１のサブセットに基づくデータを第１の被検体投影データとして画像プール１４１ｂに記憶させ、第１のサブセットとは異なる第２のサブセットに基づくデータを第２の被検体投影データとして画像プール１４１ｃに記憶させてもよい。換言すれば、取得機能１４４ｃは、ある被検体の被検体データに基づいて、被検体データの第１のサブセットに対応する第１の被検体投影データ、および第１のサブセットとは異なる第２のサブセットに対応する第２の被検体投影データを生成してもよい。
一例として、取得機能１４４ｃは、投影データＹｌ－１における奇数ビューデータをサンプリングすることによって第１のサブセットを取得し、第１のサブセットに基づく再構成画像を、第１の被検体投影データとして画像プール１４１ｂに記憶させる。さらに、取得機能１４４ｃは、投影データＹｌ－１における偶数ビューデータを均等にサンプリングすることによって第２のサブセットを取得し、第２のサブセットに基づく再構成画像を、第２の被検体投影データとして画像プール１４１ｃに記憶させる。奇数ビューデータと偶数ビューデータに対して別々にサンプリングを実行する場合であるが、サンプリング方法は、任意に変更することができる。
さらに、図４Ｂでは、第１の被検体投影データと第２の被検体投影データとが同じ投影データから生成されるものとして説明されている。しかし、実施形態はこれに限定されるものではない。例えば、取得機能１４４ｃは、投影データＹｌ－１に基づいて第１の被検体投影データのみを生成してもよいし、投影データＹｌに基づいて第２の被検体投影データのみを生成してもよい。すなわち、画像プール１４１ｂと画像プール１４１ｃは、異なる投影データから生成されてもよい。
さらに、前述の実施形態では、第１の被検体投影データと第２の被検体投影データを異なるデータとして説明したが、第１の被検体投影データと第２の被検体投影データは同じデータであってもよい。例えば、取得機能１４４ｃは、ノイズプール１４１ａに記憶されたノイズデータおよび画像プール１４１ｂに記憶されたデータに基づいて、合成被検体データを取得する。そして、モデル生成機能１４４ｄは、合成被検体データおよび画像プール１４１ｂに記憶されたデータを使用してトレーニングを行うことによって、ＤＣＮＮを得ることができる。
さらに、前述の実施形態では、ノイズ低減処理モデルの一例として、再構成画像の入力を受け付けてノイズ低減処理を実行するＤＣＮＮについて説明した。しかし、実施形態はこれに限定されるものではない。例えば、モデル生成機能１４４ｄは、ノイズ低減処理モデルとして、サイノグラムなどの投影データの入力を受け付けて、ノイズ低減処理を実行するＤＣＮＮを生成してもよい。
例えば、図４Ａに示した場合と同様に、取得機能１４４ｃは、まず、投影データＹｋ－１、投影データＹｋ、および投影データＹｋ＋１などの投影データのそれぞれに対してノイズ抽出処理を実行することにより、ノイズ分布を示すボリュームデータを生成する。次に、取得機能１４４ｃは、ノイズ分布を示すボリュームデータを複数のビューごとに順投影した順投影データを生成する。このような順投影データは、例えば、ノイズ分布を示すサイノグラムである。さらに、このような順投影データは、ノイズ生成のために被検体から取得したデータにおけるノイズデータの一例である。換言すれば、ノイズデータは、投影データ空間の各位置におけるノイズ強度を示すデータであってもよい。取得機能１４４ｃは、ノイズデータである順投影データを複数生成し、順投影データをノイズプール１４１ａに記憶させる。
さらに、図４Ｂに示した場合と同様に、取得機能１４４ｃは、投影データＹｌ－１、投影データＹｌ、および投影データＹｌ＋１などの投影データのそれぞれ対して再構成処理Ｒ１を実行することによって、再構成画像を生成する。次に、取得機能１４４ｃは、生成した再構成画像を複数のビューごとに順投影した順投影データを生成する。このような順投影データは、例えば、再構成処理Ｒ１に応じた品質を有するサイノグラムである。さらに、このような順投影データは、第１の被検体投影データの一例である。取得機能１４４ｃは、第１の被検体投影データである順投影データを複数生成し、順投影データを画像プール１４１ｂに記憶させる。
さらに、図４Ｂに示した場合と同様に、取得機能１４４ｃは、投影データＹｌ－１、投影データＹｌ、および投影データＹｌ＋１などの投影データのそれぞれ対して再構成処理Ｒ２を実行することによって、再構成画像を生成する。次に、取得機能１４４ｃは、生成した再構成画像を複数のビューごとに順投影した順投影データを生成する。このような順投影データは、例えば、再構成処理Ｒ２に応じた品質を有するサイノグラムである。さらに、このような順投影データは、第２の被検体投影データの一例である。取得機能１４４ｃは、第２の被検体投影データである順投影データを複数生成し、順投影データを画像プール１４１ｃに記憶させる。
次に、取得機能１４４ｃは、ノイズプール１４１ａから読み出したノイズデータ、および画像プール１４１ｂから読み出した第１の被検体投影データに基づいて、合成被検体データを取得する。このような合成被検体データは、例えば、ノイズデータに基づくノイズが追加されたサイノグラムである。そして、モデル生成機能１４４ｄは、合成被検体データを入力とし、第２の被検体投影データをターゲットとした深層学習によりモデルをトレーニングすることによって、ＤＣＮＮを得る。このような場合のＤＣＮＮは、例えば、被検体Ｐ１２を撮像することによって得られた投影データの入力を受け付けて、投影データのノイズを低減するように機能化されている。なお、被検体Ｐ１２を撮像することによって得られた投影データは、入力被検体データの一例である。
例えば、イメージング機能１４４ｂは、被検体Ｐ１２を撮像することによって、投影データを取得する。さらに、ノイズ低減処理機能１４４ｅは、ＤＣＮＮによって投影データのノイズを低減し、ノイズ除去されたデータを得る。そして、出力機能１４４ｆは、ノイズ除去されたデータに基づいて、被検体Ｐ１２の画像を出力する。例えば、出力機能１４４ｆは、ノイズ除去されたデータに対して再構成処理を実行し、再構成画像を生成する。さらに、出力機能１４４ｆは、再構成画像に基づいて表示画像を生成し、ディスプレイ１４２に表示画像を表示させる。あるいは、出力機能１４４ｆは、再構成画像および表示画像を、ワークステーションなどの外部デバイスに送信してもよい。
さらに、前述の実施形態では、ノイズ低減処理モデルは、ＤＣＮＮによって構成されるものとして説明した。しかし、実施形態はこれに限定されるものではない。例えば、ノイズ低減処理機能１４４ｅは、全結合ニューラルネットワーク、および再帰型ニューラルネットワーク（Recurrent Neural Network：ＲＮＮ）などの別の種類のニューラルネットワークによって、ノイズ低減処理モデルを構成してもよい。さらに、ノイズ低減処理機能１４４ｅは、ニューラルネットワーク以外の機械学習法によって、ノイズ低減処理モデルを生成してもよい。例えば、ノイズ低減処理機能１４４ｅは、ロジスティック回帰分析、非線形判別分析、サポートベクターマシン（Support Vector Machine：ＳＶＭ）、ランダムフォレスト、およびナイーブベイズなどのアルゴリズムを使用して機械学習を行うことによって、ノイズ低減処理モデルを生成してもよい。
さらに、前述の実施形態では、医用画像診断モダリティの一例として、Ｘ線ＣＴについて説明した。しかし、実施形態はこれに限定されるものではなく、別の医用画像診断モダリティにより実行されるイメージングによって取得される情報に対しても、同様の処理を実行することができる。例えば、前述の実施形態は、Ｘ線診断装置により実行されるイメージング、磁気共鳴イメージング（Magnetic Resonance Imaging：ＭＲＩ）、超音波イメージング、および単一光子放射コンピュータ断層撮影（Single Photon Emission Computed Tomography：ＳＰＥＣＴ）、ポジトロン放射断層撮影（Positron Emission Tomography：ＰＥＴ）などにより実行されるイメージングによって取得される情報にも同様に適用することができる。
さらに、前述の実施形態では、Ｘ線ＣＴ装置１０における処理回路１４４が、取得機能１４４ｃ、モデル生成機能１４４ｄ、ノイズ低減処理機能１４４ｅ、および出力機能１４４ｆなどの様々な機能を実行する場合について説明した。しかし、実施形態はこれに限定されるものではない。例えば、Ｘ線ＣＴ装置１０とは異なる装置に含まれる処理回路が、処理回路１４４のそれぞれの機能に相当する機能を実行してもよい。
以下、この点について、図８を参照しながら説明する。図８は、第２の実施形態に係る情報処理システム１の構成の一例を示すブロック図である。例えば、情報処理システム１は、図８に示すように、Ｘ線ＣＴ装置１０および情報処理装置２０を含む。Ｘ線ＣＴ装置１０および情報処理装置２０は、ネットワークＮＷを介して相互に接続される。
なお、ネットワークＮＷを介して接続可能であるならば、Ｘ線ＣＴ装置１０および情報処理装置２０が設置される場所は任意である。例えば、Ｘ線ＣＴ装置１０および情報処理装置２０は、互いに異なる施設内に設置されていてもよい。すなわち、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であってもよいし、インターネットを介したネットワークであってもよい。さらに、Ｘ線ＣＴ装置１０と情報処理装置２０との間の通信は、画像記憶装置などの別の装置を介して行われてもよいし、別の装置を使用することなく直接行われてもよい。このような画像記憶装置の例としては、例えば、医用画像管理システム（Picture Archiving and Communication System：ＰＡＣＳ）のサーバが挙げられる。
図８に示すＸ線ＣＴ装置１０は、図１Ａに示したＸ線ＣＴ装置１０と同じ構成を有する。図８に示すＸ線ＣＴ装置１０の処理回路１４４は、取得機能１４４ｃ、モデル生成機能１４４ｄ、ノイズ低減処理機能１４４ｅ、および出力機能１４４ｆなどの機能を有していてもよいし、有していなくてもよい。さらに、図８では医用画像診断装置の一例としてＸ線ＣＴ装置１０を示すが、情報処理システム１は、Ｘ線ＣＴ装置１０とは異なる医用画像診断装置を含んでもよい。さらに、情報処理システム１は、複数の医用画像診断装置を含んでもよい。
情報処理装置２０は、Ｘ線ＣＴ装置１０によって取得したデータに基づいて、様々な処理を実行する。例えば、情報処理装置２０は、図８に示すように、メモリ２１、ディスプレイ２２、入力インタフェース２３、および処理回路２４を含む。
メモリ２１は、前述のメモリ１４１と同様に構成することができる。例えば、メモリ２１は、情報処理装置２０に含まれる回路がその機能を実行する際に必要とするコンピュータプログラムを記憶する。さらに、メモリ２１は、ノイズプール１４１ａと同様に、ノイズデータを記憶する。さらに、メモリ２１は、画像プール１４１ｂと同様に、第１の被検体投影データを記憶する。さらに、メモリ２１は、画像プール１４１ｃと同様に、第２の被検体投影データを記憶する。
ディスプレイ２２は、前述のディスプレイ１４２と同様に構成することができる。例えば、ディスプレイ２２は、ユーザからの様々な指示、設定などを受け付けるためのＧＵＩを表示する。さらに、例えば、ディスプレイ２２は、ノイズ低減処理モデルによってノイズが低減された、ノイズ除去されたデータに基づく画像を表示する。情報処理装置２０は、ディスプレイ２２に代えて、または加えて、プロジェクタを含んでもよい。
入力インタフェース２３は、前述の入力インタフェース１４３と同様に構成することができる。例えば、入力インタフェース２３は、ユーザからの様々な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、その電気信号を処理回路２４に出力する。
処理回路２４は、制御機能２４ａ、取得機能２４ｂ、モデル生成機能２４ｃ、ノイズ低減処理機能２４ｄ、および出力機能２４ｅを実行することによって、情報処理装置２０の全体の動作を制御する。例えば、制御機能２４ａは、入力インタフェース２３を介してユーザから受け付けた様々な入力操作に基づいて、取得機能２４ｂ、モデル生成機能２４ｃ、ノイズ低減処理機能２４ｄ、および出力機能２４ｅなどの様々な機能を制御する。取得機能２４ｂは、取得機能１４４ｃに対応する機能である。モデル生成機能２４ｃは、モデル生成機能１４４ｄに対応する機能である。ノイズ低減処理機能２４ｄは、ノイズ低減処理機能１４４ｅに対応する機能である。出力機能２４ｅは、出力機能１４４ｆに対応する機能である。
図８に示す情報処理装置２０では、それぞれの処理機能は、コンピュータによって実行可能なコンピュータプログラムの形態でメモリ２１に記憶されている。処理回路２４は、メモリ２１からプログラムを読み出して実行することにより、コンピュータプログラムに対応する機能を実行するプロセッサである。換言すれば、コンピュータプログラムを読み出した処理回路２４は、読み出したコンピュータプログラムに対応する機能を有する。
なお、図８では、制御機能２４ａ、取得機能２４ｂ、モデル生成機能２４ｃ、ノイズ低減処理機能２４ｄ、および出力機能２４ｅが単一の処理回路２４によって実行されるものとして説明したが、処理回路２４は、複数の独立したプロセッサを組み合わせることによって構成されてもよく、各プロセッサが各コンピュータプログラムを実行することによって各機能を実行するように構成されてもよい。さらに、処理回路２４の各処理機能は、単一の処理回路または複数の処理回路に、適切に分散または統合されることによって実行されてもよい。
さらに、処理回路２４は、ネットワークＮＷを介して接続された外部デバイスのプロセッサを使用することによって機能を実行してもよい。例えば、処理回路２４は、機能に対応するコンピュータプログラムをメモリ２１から読み出して実行し、ネットワークＮＷを介して情報処理装置２０に接続されたサーバ群（クラウド）を計算資源として使用することにより、図８に示す機能を実行する。
例えば、Ｘ線ＣＴ装置１０などの医用画像診断装置により実行されるイメージングによって得られるノイズ生成のための被検体から取得されるデータに基づいて、取得機能２４ｂは、ノイズ生成のために被検体から取得されるデータのノイズデータを取得する。さらに、医用画像診断装置により実行されるイメージングによって得られる第１の被検体データ、およびノイズ生成のために被検体から取得されるデータのノイズデータに基づいて、取得機能２４ｂは、ノイズデータに基づくノイズが第１の被検体データに追加された合成被検体データを取得する。さらに、モデル生成機能２４ｃは、合成被検体データ、および医用画像診断装置により実行されるイメージングによって得られる第２の被検体投影データを使用して、機械学習によりノイズ低減処理モデルを得る。さらに、ノイズ低減処理機能２４ｄは、ノイズ低減処理モデルによって、Ｘ線ＣＴ装置１０などの医用画像診断装置により実行されるイメージングによって得られる入力被検体データに対するノイズを低減することにより、ノイズ除去されたデータを得る。さらに、出力機能２４ｅは、ノイズ除去されたデータに基づく画像を出力する。
別の実施形態では、図４Ａに示すノイズプール１４１ａに記憶されるノイズデータを生成する際に、上述したノイズブロックに加えて、ノイズモデルから生成されたノイズブロックを含めることもできる。ノイズモデルには、ポアソンノイズモデルおよび／またはガウスノイズモデルを使用して画像ノイズをシミュレーションすることができる。ノイズデータは、図３Ａに示す方法を使用して患者ＣＴ画像データから生成したノイズデータ、図３Ｂに示す方法を使用して水ファントム画像データから生成されたノイズデータ、および上述のノイズモデルのうち少なくとも１つから生成されたノイズデータ、のうちの少なくとも２つを組み合わせることよって得ることができる。ノイズモデルの１つから生成されたノイズブロックについても、スケーリングファクタを使用して、上述したＤＣＮＮをトレーニングするためのデータにおける入力画像のノイズレベルおよびノイズ特徴の多様性を高めるように、様々なノイズデータを生成することができる。
前述の実施形態に係る方法では、１つのＤＣＮＮをトレーニングする際に使用するためのトレーニングデータとして、全ての画像をターゲットとするのではなく、特定の部位（胸部、腹部、頭部など）を撮影することによって取得した画像のみをターゲットとしてもよい。このような場合、ＤＣＮＮは部位ごとに提供される。あるいは、特定の診断目的のためのイメージングパラメータ／再構成パラメータ（スキャンプロトコル）を使用して取得される画像のみをターゲットとしてもよい。このような場合、ＤＣＮＮを部位ごと、または診断目的ごと、例えばスキャンプロトコルごとに用意してメモリに記憶し、イメージング時に選択された部位および診断目的（スキャンプロトコル）に応じて医用画像診断装置がトレーニング済みＤＣＮＮを選択し、スキャンプロトコルによって取得した画像に対して選択されたＤＣＮＮでノイズ低減プロセスを実行する。このようにすることによって、より特定の部位または診断目的（スキャンプロトコル）に特有のノイズに特化したＤＣＮＮで、効果的なノイズ低減を実現することが可能である。
上記の説明で使用した「プロセッサ」という用語は、例えば、ＣＰＵ、グラフィック処理ユニット（Graphics Processing Unit：ＧＰＵ）、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、（例えば、単純プログラマブルロジックデバイス（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)、およびフィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ））などの回路を意味する。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記憶されたコンピュータプログラムを読み出して実行することによって、機能を実行する。その一方で、プロセッサが例えばＡＳＩＣの場合、コンピュータプログラムを記憶回路に記憶する代わりに、その機能がプロセッサの回路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、各プロセッサが単一の回路として構成される場合に限定されず、複数の独立した回路を組み合わせることにより１つのプロセッサを構成して、その機能を実行してもよい。さらに、各図面における複数の構成要素を１つのプロセッサに統合して、その機能を実行してもよい。
さらに、図１Ａでは、単一のメモリ１４１が、処理回路１４４のそれぞれの処理機能に対応するコンピュータプログラムを記憶するものとして説明されている。さらに、図８では、単一のメモリ２１が、処理回路２４のそれぞれの処理機能に対応するコンピュータプログラムを記憶するものとして説明されている。しかし、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１４１が分散して配置されてもよく、処理回路１４４が個別のメモリ１４１から対応するプログラムを読み出すように構成されてもよい。同様に、複数のメモリ２１が分散して配置されてもよく、処理回路２４が個別のメモリ２１から対応するコンピュータプログラムを読み出すように構成されてもよい。さらに、コンピュータプログラムをメモリ１４１またはメモリ２１に記憶する代わりに、コンピュータプログラムをプロセッサの回路に直接組み込んでもよい。このような場合、プロセッサは、回路に組み込まれたコンピュータプログラムを読み出して実行し、その機能を実行する。
前述の実施形態に係る各装置の各構成要素は、機能的概念であり、必ずしも図面に示したように物理的に構成されている必要はない。すなわち、各装置の具体的な分散および統合の形態は図面に示したものに限定されず、その全てまたは一部を、様々な負荷、使用状況などに応じて、任意の単位で機能的または物理的に分散および統合することができる。さらに、各装置によって実行される処理機能の全てまたは一部は、ＣＰＵおよびＣＰＵにより解析実行されるコンピュータプログラムによって実行されてもよいし、ワイヤードロジックベースのハードウェアとして実行されてもよい。
さらに、前述の実施形態で説明した情報処理方法は、予め用意された情報処理プログラムをパーソナルコンピュータおよびワークステーションなど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。情報処理プログラムは、インターネットなどのネットワークを介して配布することができる。さらに、情報処理プログラムは、ハードディスク、フレキシブルディスク（Flexible Disk：ＦＤ）、ＣＤ－ＲＯＭ、ＭＯ、およびＤＶＤなどの非一時的コンピュータ可読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ができる。
上述した少なくとも１つの実施形態によれば、高品質なノイズ低減処理モデルを容易に取得することが可能である。
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。
１０ Ｘ線ＣＴ装置
１４１ メモリ
１４４ 処理回路
１４４ｃ 取得機能
１４４ｄ モデル生成機能

Claims (22)

  1. 医用画像診断装置により実行されるイメージングによって取得される情報を処理するための情報処理方法であって、
    第１の平面における第１の断面積を有する埋め込まれた３次元特徴を有する少なくとも１つの３次元物体を含むトレーニング画像ボリュームを取得するステップと、
    第２の平面における前記３次元特徴の前記第１の断面積よりも大きい第２の断面積を選択するステップと、
    前記トレーニング画像ボリュームから生成された前記第２の断面積の画像を用いてニューラルネットワークをトレーニングするステップと、
    を含む、情報処理方法。
  2. 前記第１の平面は前記第２の平面と直交する、請求項１に記載の情報処理方法。
  3. 前記第２の断面積を選択するステップは、前記埋め込まれた３次元特徴の最大断面積を前記第２の断面積として選択することを含む、請求項１に記載の情報処理方法。
  4. 前記埋め込まれた３次元特徴はステントである、請求項１に記載の情報処理方法。
  5. 前記トレーニング画像ボリュームはＣＴ投影データから再構成された画像データを含む、請求項１に記載の情報処理方法。
  6. 医用画像診断装置により実行されるイメージングによって取得される情報を処理するための情報処理方法であって、
    トレーニングデータの第１のセットを取得するステップと、
    前記トレーニングデータの第１のセットから組織密度情報の第１の分布を決定するステップと、
    前記組織密度情報の第１の分布をシフトさせる組織密度シフティングプロセスおよび前記組織密度情報の第１の分布をスケーリングする組織密度スケーリングプロセスの少なくとも１つを実行することによって、前記トレーニングデータの第１のセットからトレーニングデータの第２のセットを生成するステップと、
    前記トレーニングデータの前記第１のセットおよび前記第２のセットを用いてニューラルネットワークをトレーニングして、トレーニング済みニューラルネットワークを取得するステップと、
    を含む、情報処理方法。
  7. 前記組織密度情報はハウンズフィールドユニット（Houndsfield Unit：ＨＵ）で表される、請求項６に記載の情報処理方法。
  8. 前記トレーニングデータの前記第２のセットを生成する前記ステップは、前記組織密度シフティングプロセスを実行することを含む、請求項６に記載の情報処理方法。
  9. 前記トレーニングデータの前記第２のセットを生成する前記ステップは、前記組織密度スケーリングプロセスを実行することを含む、請求項６に記載の情報処理方法。
  10. 前記トレーニングデータの前記第１のセットおよび前記第２のセットのうちの少なくとも１つを劣化させて、劣化したトレーニングデータの第３のセットを生成するステップを更に含み、
    前記トレーニング済みニューラルネットワークを取得する前記ステップは、前記ニューラルネットワークを前記トレーニングデータの前記第１のセット、前記第２のセット、および前記第３のセットを用いてトレーニングして、前記トレーニング済みニューラルネットワークを取得することを含む、請求項６に記載の情報処理方法。
  11. 前記トレーニングデータの前記第１のセットはＣＴデータを含む、請求項６に記載の情報処理方法。
  12. 医用画像診断装置により実行されるイメージングによって取得される情報を処理する情報処理装置であって、
    第１の平面における第１の断面積を有する埋め込まれた３次元特徴を有する少なくとも１つの３次元物体を含むトレーニング画像ボリュームを取得し、
    第２の平面における前記３次元特徴の前記第１の断面積よりも大きい第２の断面積を選択し、
    前記トレーニング画像ボリュームから生成された前記第２の断面積の画像を用いてニューラルネットワークをトレーニングする処理回路、
    を含む、情報処理装置。
  13. 前記第１の平面は前記第２の平面と直交する、請求項１２に記載の情報処理装置。
  14. 前記処理回路は、前記埋め込まれた３次元特徴の最大断面積を前記第２の断面積として選択する、請求項１２に記載の情報処理装置。
  15. 前記埋め込まれた３次元特徴はステントである、請求項１２に記載の情報処理装置。
  16. 前記トレーニング画像ボリュームはＣＴ投影データから再構成された画像データを含む、請求項１２に記載の情報処理装置。
  17. 医用画像診断装置により実行されるイメージングによって取得される情報を処理する情報処理装置であって、
    トレーニングデータの第１のセットを取得し、
    前記トレーニングデータの第１のセットから組織密度情報の第１の分布を決定し、
    前記組織密度情報の第１の分布をシフトさせる組織密度シフティングプロセスおよび前記組織密度情報の第１の分布をスケーリングする組織密度スケーリングプロセスの少なくとも１つを実行することによって、前記トレーニングデータの第１のセットからトレーニングデータの第２のセットを生成し、
    前記トレーニングデータの前記第１のセットおよび前記第２のセットを用いてニューラルネットワークをトレーニングして、トレーニング済みニューラルネットワークを取得する処理回路、
    を含む、情報処理装置。
  18. 前記組織密度情報はハウンズフィールドユニット（Houndsfield Unit：ＨＵ）で表される、請求項１７に記載の情報処理装置。
  19. 前記処理回路は、前記組織密度シフティングプロセスを実行することを含む、請求項１７に記載の情報処理装置。
  20. 前記処理回路は、前記組織密度スケーリングプロセスを実行することを含む、請求項１７に記載の情報処理装置。
  21. 前記処理回路は、前記トレーニングデータの前記第１のセットおよび前記第２のセットのうちの少なくとも１つを劣化させて、劣化したトレーニングデータの第３のセットを更に生成し、
    前記ニューラルネットワークを前記トレーニングデータの前記第１のセット、前記第２のセット、および前記第３のセットを用いてトレーニングして、前記トレーニング済みニューラルネットワークを取得する、
    請求項１７に記載の情報処理装置。
  22. 前記トレーニングデータの第１のセットはＣＴデータを含む、請求項１７に記載の情報処理装置。
JP2023065211A 2022-04-12 2023-04-12 情報処理方法及び情報処理装置 Pending JP2023156267A (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/718,898 2022-04-12
US17/718,898 US20230326596A1 (en) 2022-04-12 2022-04-12 Information processing method, medical image diagnostic apparatus, and information processing system

Publications (1)

Publication Number Publication Date
JP2023156267A true JP2023156267A (ja) 2023-10-24

Family

ID=88239802

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023065211A Pending JP2023156267A (ja) 2022-04-12 2023-04-12 情報処理方法及び情報処理装置

Country Status (2)

Country Link
US (1) US20230326596A1 (ja)
JP (1) JP2023156267A (ja)

Also Published As

Publication number Publication date
US20230326596A1 (en) 2023-10-12

Similar Documents

Publication Publication Date Title
JP7433883B2 (ja) 医用装置及びプログラム
JP7455622B2 (ja) 医用画像処理装置及び学習用画像の取得方法
US10213179B2 (en) Tomography apparatus and method of reconstructing tomography image
US9576391B2 (en) Tomography apparatus and method of reconstructing a tomography image by the tomography apparatus
US10937209B2 (en) Tomography imaging apparatus and method of reconstructing tomography image
EP2910190A1 (en) Tomography apparatus and method for reconstructing tomography image thereof
US10565744B2 (en) Method and apparatus for processing a medical image to reduce motion artifacts
KR101775556B1 (ko) 단층 촬영 장치 및 그에 따른 단층 영상 처리 방법
JP2016152916A (ja) Ｘ線コンピュータ断層撮像装置及び医用画像処理装置
JP2021013729A (ja) Ｘ線システム、画像処理装置及びプログラム
KR101665513B1 (ko) 컴퓨터 단층 촬영 장치 및 그에 따른 ct 영상 복원 방법
US10013778B2 (en) Tomography apparatus and method of reconstructing tomography image by using the tomography apparatus
JP2021013737A (ja) Ｘ線システム及び撮像プログラム
US11350895B2 (en) System and method for spectral computed tomography using single polychromatic x-ray spectrum acquisition
US20220375038A1 (en) Systems and methods for computed tomography image denoising with a bias-reducing loss function
JP2023156267A (ja) 情報処理方法及び情報処理装置
JP7454435B2 (ja) 医用画像処理装置および医用画像処理方法
US20220139006A1 (en) Information processing method, medical image diagnostic apparatus, and information processing system
US11672498B2 (en) Information processing method, medical image diagnostic apparatus, and information processing system
KR20180003400A (ko) 의료 영상 처리 장치 및 방법
JP2023107528A (ja) 情報処理方法、医用画像診断装置及び情報処理システム
WO2016186746A1 (en) Methods and systems for automatic segmentation
CN112215910A (zh) X射线系统、图像处理装置及程序
US20230380788A1 (en) Information processing method, medical image diagnostic apparatus, and information processing system for processing metal artifact images
US20240032877A1 (en) Information processing method, medical image diagnostic apparatus, and information processing system for detecting a quiescent cardiac phase