JP2023184428A - 医用データ処理方法、モデル生成方法、および医用データ処理装置 - Google Patents

Abstract

【課題】スペクトラルイメージングにより生成されるスペクトラル医用画像における解剖学的特徴などの物体の視認性を向上し、かつ画質を向上させたスペクトラル医用画像を生成すること。
【解決手段】本実施形態に係る医用データ処理方法は、スペクトラル医用撮像装置により撮像された被検体に関する第１スペクトラルデータより低ノイズであって前記第１スペクトラルデータより高解像の第２スペクトラルデータを前記第１スペクトラルデータに基づいて生成する学習済みモデルに対して、前記第１スペクトラルデータを入力することで、前記第２スペクトラルデータを出力し、前記第１スペクトラルデータは、前記被検体に対するスペクトラルスキャンにより得られた医用データに対応し、前記学習済みモデルは、前記第１スペクトラルデータに対してノイズ低減処理と超解像処理とを実行する。
【選択図】 図２

Description

本実施形態は、医用データ処理方法、モデル生成方法、および医用データ処理装置に関する。

従来、例えば、Ｘ線コンピュータ断層撮影（Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ：ＣＴ）装置によるＣＴ検査において、肺野および骨では緻密な構造を見る必要がある。このため、肺野および骨に関するＣＴ検査において、Ｘ線ＣＴ装置により再構成されたＣＴ画像では、他の部位に比べてより高い空間分解能が求められる。また、例えば、デュアルエネルギー（Ｄｕａｌ Ｅｎｅｒｇｙ：ＤＥ）ＣＴ装置および光子計数（Ｐｈｏｔｏｎ Ｃｏｕｎｔｉｎｇ：ＰＣ）ＣＴ装置は、Ｘ線のエネルギー情報を取得する。このとき、ＤＥＣＴ装置およびＰＣＣＴ装置には、物質弁別を行って画像再構成を実行するスペクトラルイメージング（Ｓｐｅｃｔｒａｌ Ｉｍａｇｉｎｇ）の技術が備えられている。スペクトラルイメージングに関する画像処理において、例えば、ＦＢＰ（ｆｉｌｔｅｒｅｄ ｂａｃｋ ｐｒｏｊｅｃｔｉｏｎ）ベースの再構成法では、高周波を増強する再構成関数を用いることで、再構成されたＣＴ画像における空間分解能を向上させる等の技術がある。また、近年では、Ｄｅｅｐ ｌｅａｒｎｉｎｇを用いた学習済みモデルにおいて、スペクトラルイメージングにおける空間分解能の向上を目的とした超解像技術が提案されている。

しかしながら、スペクトラルイメージングにおいて、再構成関数を用いたＦＢＰベースの空間分解能の向上技術では、再構成されたＣＴ画像の全体に亘って高周波成分が強調される。このため、ＦＢＰベースの空間分解能の向上技術では、ノイズも同時に強調され、再構成されたＣＴ画像における解剖学的構造の視認性が悪くなることがある。一方、Ｄｅｅｐ ｌｅａｒｎｉｎｇによる学習済みモデルを用いた超解像（高解像）のＣＴ画像では、選択的に解剖学的構造の分解能を向上することができ、上記ＦＢＰベースの再構成法の問題点を解決することができる。

また、スペクトラルイメージングにおいて、ＤＥＣＴ装置により低線量で投影データが収集された場合、当該投影データにおいては、高線量で収集された投影データに比べて、ノイズが多くなる。このため、上記超解像により分解能向上を行ったとしても、超解像のＣＴ画像ではノイズにより解剖学的構造の視認性が悪くなることがある。

特開２０１９－２１２０５０号公報

本明細書及び図面に開示の実施形態が解決しようとする課題の一つは、スペクトラルイメージングにより生成されるスペクトラル医用画像における解剖学的特徴などの物体の視認性を向上し、かつ画質を向上させたスペクトラル医用画像を生成することである。ただし、本明細書及び図面に開示の実施形態により解決しようとする課題は上記課題に限られない。後述する実施形態に示す各構成による各効果に対応する課題を他の課題として位置づけることもできる。

本実施形態に係る医用データ処理方法は、スペクトラル医用撮像装置により撮像された被検体に関する第１スペクトラルデータより低ノイズであって前記第１スペクトラルデータより高解像の第２スペクトラルデータを前記第１スペクトラルデータに基づいて生成する学習済みモデルに対して、前記第１スペクトラルデータを入力することで、前記第２スペクトラルデータを出力し、前記第１スペクトラルデータは、前記被検体に対するスペクトラルスキャンにより得られた医用データに対応し、前記学習済みモデルは、前記第１スペクトラルデータに対してノイズ低減処理と超解像処理とを実行する。

図１は、実施形態に係るＰＣＣＴ装置の構成例を示す図。 図２は、実施形態に係るノイズ低減超解像処理の手順の一例を示すフローチャート。 図３は、実施形態に係り、第１スペクトラルデータを用いたノイズ低減超解像処理の概要を示す図。 図４は、実施形態に係り、第１スペクトラルデータの一例として投影データを用いたノイズ低減超解像処理の概要を示す図。 図５は、実施形態に係り、第１スペクトラルデータの一例として再構成画像を用いたノイズ低減超解像処理の概要を示す図。 図６は、実施形態に係り、デュアルエネルギーＣＴ装置により生成された第１再構成画像に対してノイズ低減超解像処理を適用した一例を示す図。 図７は、実施形態に係り、ノイズ低減超解像モデルの生成に関する学習装置の構成の一例を示す図。 図８は、実施形態に係り、第１訓練データと第２訓練データとを用いてＤＣＮＮを学習することによりノイズ低減超解像モデルを生成する処理の手順の一例を示すフローチャート。 図９は、実施形態に係り、モデル生成処理の概要を示す図。 図１０は、実施形態に係り、ノイズシミュレーションおよび分解能シミュレーションの対象となるデータの組み合わせの一例を示す図。 図１１は、実施形態における図１０の（ａ）に係り、学習済みモデルとなるノイズ低減超解像モデルの入出力が投影データとなる場合について、モデル生成処理の概要を示す図。 図１２は、実施形態における図１０の（ａ）に係り、学習済みモデルとなるノイズ低減超解像モデルの入出力が画像データ（再構成画像）となる場合について、モデル生成処理の概要を示す図。 図１３は、実施形態における図１０の（ｂ）に係るモデル生成処理の概要を示す図。 図１４は、実施形態における図１０の（ｃ）に係るモデル生成処理の概要を示す図。 図１５は、実施形態における図１０の（ｄ）に係るモデル生成処理の概要を示す図。 図１６は、実施形態の第４応用例に係り、ＰＣＣＴ装置により取得されたカウント投影データから、第１高エネルギー単色画像と第１低エネルギー単色画像とを生成する一例を示す図。 図１７は、実施形態の第４応用例に係り、モデル生成処理の概要の一例を示す図。

以下、図面を参照しながら、医用データ処理方法、モデル生成方法、医用データ処理装置、および医用データ処理プログラムについて説明する。以下の実施形態では、同一の参照符号を付した部分は同様の動作をおこなうものとして、重複する説明を適宜省略する。また、説明を具体的にするために、実施形態に係る医用データ処理装置は、例えば、スペクトラル医用撮像装置に搭載されているものとして説明する。なお、実施形態に係る医用データ処理装置は、医用データ処理方法を実現可能なサーバ装置、換言すれば、医用データ処理プログラムを実行可能なサーバ装置などにより実現されてもよい。

医用データ処理装置は、スペクトラル医用撮像装置の一例として、光子計数型Ｘ線コンピュータ断層撮影装置（以下、ＰＣＣＴ（（Ｐｈｏｔｏｎ Ｃｏｕｎｔｉｎｇ Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）装置と呼ぶ）に搭載されているものとして説明する。なお、本医用データ処理装置が搭載されるスペクトラル医用撮像装置は、ＰＣＣＴ装置に限定されず、例えば、デュアルエネルギー（Ｄｕａｌ Ｅｎｅｒｇｙ：ＤＥ）ＣＴ装置であってもよい。また、ＰＥＴ（Ｐｏｓｉｔｒｏｎ Ｅｍｉｓｓｉｏｎ Ｔｏｍｏｇｒａｐｈｙ）およびＳＰＥＣＴ（Ｓｉｎｇｌｅ Ｐｈｏｔｏｎ Ｅｍｉｓｓｉｏｎ Ｃｏｍｐｕｔｅｄ Ｔｏｍｏｇｒａｐｈｙ）などの核医学診断装置とスペクトラル医用撮像装置との複合装置などであってもよい。

（実施形態）
図１は、実施形態に係るＰＣＣＴ装置１の構成例を示す図である。図１に示すように、ＰＣＣＴ装置１は、ガントリとも称される架台装置１０と、寝台装置３０と、コンソール装置４０とを有する。本実施形態における医用データ処理装置は、図１に示すコンソール装置４０において、例えば、システム制御機能４４１と前処理機能４４２とを除外した構成に相当する。なお、本実施形態における医用データ処理装置は、図１に示すコンソール装置４０における構成要素から適宜不要な構成を除いたものであってもよい。なお、本実施形態では、非チルト状態での回転フレーム１３の回転軸の長手方向をＺ軸方向、Ｚ軸方向に直交しかつ回転中心から回転フレーム１３を支持する支柱に向かう方向をＸ軸、当該Ｚ軸及びＸ軸と直交する方向をＹ軸とそれぞれ定義するものとする。図１では、説明の都合上、架台装置１０を複数描画しているが、実際のＰＣＣＴ装置１の構成としては、架台装置１０は、一つである。

架台装置１０及び寝台装置３０は、コンソール装置４０を介した操作者からの操作、或いは架台装置１０、又は寝台装置３０に設けられた操作部を介した操作者からの操作に基づいて動作する。架台装置１０と、寝台装置３０と、コンソール装置４０とは互いに通信可能に有線または無線で接続されている。

架台装置１０は、被検体ＰにＸ線を照射し、被検体Ｐを透過したＸ線の検出データから投影データを収集する撮影系を有する装置である。架台装置１０は、Ｘ線管１１と、Ｘ線検出器１２と、回転フレーム１３と、Ｘ線高電圧装置１４と、制御装置１５と、ウェッジ１６と、コリメータ１７と、ＤＡＳ（Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ Ｓｙｓｔｅｍ）１８とを有する。

Ｘ線管１１は、Ｘ線高電圧装置１４からの高電圧の印加及びフィラメント電流の供給により、陰極（フィラメント）から陽極（ターゲット）に向けて熱電子を照射することでＸ線を発生する真空管である。熱電子がターゲットに衝突することによりＸ線が発生される。Ｘ線管１１における管球焦点で発生したＸ線は、Ｘ線管１１におけるＸ線放射窓を通過して、コリメータ１７を介して例えばコーンビーム形に成形され、被検体Ｐに照射される。Ｘ線管１１には、例えば、回転する陽極に熱電子を照射することでＸ線を発生させる回転陽極型のＸ線管がある。

Ｘ線検出器１２は、Ｘ線管１１により発生したＸ線の光子を検出する。具体的には、Ｘ線検出器１２は、Ｘ線管１１から照射され、被検体Ｐを通過したＸ線を光子単位で検出し、当該Ｘ線量に対応した電気信号をＤＡＳ１８へと出力する。Ｘ線検出器１２は、例えば、Ｘ線管１１の焦点を中心として１つの円弧に沿ってファン角方向（チャネル方向ともいう）に複数の検出素子（Ｘ線検出素子ともいう）が配列された複数の検出素子列を有する。Ｘ線検出器１２において、複数の検出素子列は、Ｚ軸方向に沿って平坦に配列される。すなわち、Ｘ線検出器１２は、例えば、当該検出素子列がコーン角方向（列方向、ｒｏｗ方向、スライス方向ともいう）に沿って平坦に複数配列された構造を有する。

なお、ＰＣＣＴ装置１には、例えば、Ｘ線管１１とＸ線検出器１２とが一体として被検体Ｐの周囲を回転するＲｏｔａｔｅ／Ｒｏｔａｔｅ－Ｔｙｐｅ（第３世代ＣＴ）、リング状にアレイされた多数のＸ線検出素子が固定され、Ｘ線管１１のみが被検体Ｐの周囲を回転するＳｔａｔｉｏｎａｒｙ／Ｒｏｔａｔｅ－Ｔｙｐｅ（第４世代ＣＴ）等様々なタイプがあり、いずれのタイプでも本実施形態へ適用可能である。

Ｘ線検出器１２は、入射したＸ線を電荷に変換する半導体素子を有する直接変換型のＸ線検出器である。本実施形態のＸ線検出器１２は、例えば、少なくとも１つの高電圧電極と、少なくとも１つの半導体結晶と、複数の読出電極とを備える。半導体素子は、Ｘ線変換素子ともいう。半導体結晶は、例えば、ＣｄＴｅ（テルル化カドミウム：ｃａｄｍｉｕｍ ｔｅｌｌｕｒｉｄｅ）やＣｄＺｎＴｅ（テルル化カドミウム亜鉛：ｃａｄｍｉｕｍ Ｚｉｎｃ ｔｅｌｌｕｒｉｄｅ：ＣＺＴ）などにより実現される。Ｘ線検出器１２において、半導体結晶を挟んで対向し、Ｙ方向に直交する２つの面には、電極が設けられる。すなわち、Ｘ線検出器１２には、複数のアノード電極（読出電極、または画素電極ともいう）とカソード電極（共通電極ともいう）とが、半導体結晶を挟んで設けられる。

読出電極と共通電極との間には、バイアス電圧が印加される。Ｘ線検出器１２では、Ｘ線が半導体結晶に吸収されると電子正孔対が生成されて、電子が陽極側（アノード電極（読出電極）側）へと移動し、正孔が陰極側（カソード電極側）に移動することで、Ｘ線の検出に関する信号が、Ｘ線検出器１２からＤＡＳ１８へ出力される。

なお、Ｘ線検出器１２は、入射したＸ線を間接的に電気信号に変換する間接変換型の検出器であっても構わない。Ｘ線検出器１２は、Ｘ線検出部の一例である。

回転フレーム１３は、Ｘ線管１１とＸ線検出器１２とを対向支持し、後述する制御装置１５によってＸ線管１１とＸ線検出器１２とを回転させる円環状のフレームである。なお、回転フレーム１３は、Ｘ線管１１とＸ線検出器１２に加えて、Ｘ線高電圧装置１４やＤＡＳ１８を更に備えて支持する。回転フレーム１３は架台装置１０の非回転部分（例えば固定フレーム。図１での図示は省略している）により回転可能に支持される。回転機構は例えば回転駆動力を生ずるモータと、当該回転駆動力を回転フレーム１３に伝達して回転させるベアリングとを含む。モータは例えば当該非回転部分に設けられ、ベアリングは回転フレーム１３及び当該モータと物理的に接続され、モータの回転力に応じて回転フレーム１３が回転する。

回転フレーム１３と非回転部分にはそれぞれ、非接触方式または接触方式の通信回路が設けられ、これにより回転フレーム１３に支持されるユニットと当該非回転部分あるいは架台装置１０の外部装置との通信が行われる。例えば非接触の通信方式として光通信を採用する場合、ＤＡＳ１８が生成した検出データは、回転フレーム１３に設けられた発光ダイオード（ＬＥＤ）を有する送信機から光通信によって架台装置１０の非回転部分に設けられた、フォトダイオードを有する受信機に送信され、さらに送信器により当該非回転部分からコンソール装置４０へと転送される。なお通信方式としては、この他に容量結合式や電波方式などの非接触型のデータ伝送の他、スリップリングと電極ブラシを使った接触型のデータ伝送方式を採用しても構わない。また、回転フレーム１３は、回転部の一例である。

Ｘ線高電圧装置１４は、変圧器（トランス）及び整流器等の電気回路を有し、Ｘ線管１１に印加する高電圧及びＸ線管１１に供給するフィラメント電流を発生する機能を有する高電圧発生装置と、Ｘ線管１１が照射するＸ線に応じた出力電圧の制御を行うＸ線制御装置とを有する。高電圧発生装置は、変圧器方式であってもよいし、インバータ方式であっても構わない。なお、Ｘ線高電圧装置１４は、回転フレーム１３に設けられてもよいし、架台装置１０の固定フレーム側に設けられても構わない。また、Ｘ線高電圧装置１４は、Ｘ線高電圧部の一例である。

制御装置１５は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等を有する処理回路と、モータ及びアクチュエータ等の駆動機構とを有する。処理回路は、ハードウェア資源として、ＣＰＵやＭＰＵ（Ｍｉｃｒｏ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等のプロセッサとＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）やＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等のメモリとを有する。また、制御装置１５は、例えば、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Ｓｉｍｐｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＳＰＬＤ）、複合プログラマブル論理デバイス（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ：ＦＰＧＡ））等のプロセッサにより実現されてもよい。

プロセッサが例えばＣＰＵである場合、プロセッサはメモリに保存されたプログラムを読み出して実行することで機能を実現する。一方、プロセッサがＡＳＩＣである場合、メモリにプログラムを保存する代わりに、当該機能がプロセッサの回路内に論理回路として直接組み込まれる。なお、本実施形態の各プロセッサは、プロセッサごとに単一の回路として構成される場合に限らず、複数の独立した回路を組み合わせて１つのプロセッサとして構成し、その機能を実現するようにしてもよい。さらに、複数の構成要素を１つのプロセッサへ統合してその機能を実現するようにしてもよい。

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

なお、制御装置１５は架台装置１０に設けられてもよいし、コンソール装置４０に設けられても構わない。なお、制御装置１５は、メモリにプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むように構成しても構わない。また、制御装置１５は、制御部の一例である。

ウェッジ１６は、Ｘ線管１１から照射されたＸ線のＸ線量を調節するためのフィルタである。具体的には、ウェッジ１６は、Ｘ線管１１から被検体Ｐへ照射されるＸ線が、予め定められた分布になるように、Ｘ線管１１から照射されたＸ線を透過して減衰するフィルタである。ウェッジ１６は、例えば、ウェッジフィルタ（ｗｅｄｇｅ ｆｉｌｔｅｒ）またはボウタイフィルタ（ｂｏｗ－ｔｉｅ ｆｉｌｔｅｒ）であり、所定のターゲット角度や所定の厚みとなるようにアルミニウムを加工したフィルタである。

コリメータ１７は、ウェッジ１６を透過したＸ線をＸ線照射範囲に絞り込むための鉛板等であり、複数の鉛板等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１７は、Ｘ線絞りと呼ばれる場合もある。

ＤＡＳ（Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ Ｓｙｓｔｅｍ）１８は、複数の計数回路を有する。複数の計数回路各々は、Ｘ線検出器１２の各検出素子から出力される電気信号に対して増幅処理を行う増幅器と、増幅された電気信号をデジタル信号に変換するＡ／Ｄ変換器とを有し、Ｘ線検出器１２の検出信号を用いた計数処理の結果である検出データを生成する。計数処理の結果は、エネルギービン（Ｅｎｅｒｇｙ ＢＩＮ）ごとのＸ線の光子数を割り当てたデータである。エネルギービンは、所定の幅のエネルギー域に相当する。例えば、ＤＡＳ１８は、Ｘ線管１１から照射されて被検体Ｐを透過したＸ線に由来する光子（Ｘ線光子）を計数し、当該計数した光子のエネルギーを弁別した計数処理の結果を、検出データとして生成する。ＤＡＳ１８はデータ収集部の一例である。

ＤＡＳ１８が生成した検出データは、コンソール装置４０へと転送される。検出データは、生成元の検出器画素のチャンネル番号、列番号、収集されたビュー（投影角度ともいう）を示すビュー番号、及び検出されたＸ線の線量を示す値のデータのセットである。なお、ビュー番号としては、ビューが収集された順番（収集時刻）を用いてもよく、Ｘ線管１１の回転角度を表す番号（例、１～１０００）を用いてもよい。ＤＡＳ１８における複数の計数回路各々は、例えば、検出データを生成可能な回路素子を搭載した回路群により実現される。なお、本実施形態において、単に「検出データ」という場合、Ｘ線検出器１２により検出され、前処理が施される前の純生データと、純生データに対して前処理が施された生データの両方の意味を包括する。なお、前処理前のデータ（検出データ）および前処理後のデータを総称して投影データと称する場合もある。

寝台装置３０は、スキャン対象の被検体Ｐを載置、移動させる装置であり、基台３１と、寝台駆動装置３２と、天板３３と、支持フレーム３４とを備えている。基台３１は、支持フレーム３４を鉛直方向に移動可能に支持する筐体である。寝台駆動装置３２は、被検体Ｐが載置された天板３３を天板３３の長軸方向に移動するモータあるいはアクチュエータである。支持フレーム３４の上面に設けられた天板３３は、被検体Ｐが載置される板である。なお、寝台駆動装置３２は、天板３３に加え、支持フレーム３４を天板３３の長軸方向に移動してもよい。

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

メモリ４１は、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、フラッシュメモリ等の半導体メモリ素子、ＨＤＤ（Ｈａｒｄ ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、光ディスク等により実現される。また、メモリ４１は、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）、フラッシュメモリ等の可搬性記憶媒体や、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等の半導体メモリ素子等との間で種々の情報を読み書きする駆動装置であってもよい。メモリ４１は、例えば、ＤＡＳ１８から出力された検出データ、前処理機能４４２により生成された投影データ、再構成処理機能４４３により再構成された再構成画像を記憶する。再構成画像は、例えば、３次元的なＣＴ画像データ（ボリュームデータ）、もしくは２次元的なＣＴ画像データなどである。また、メモリ４１の保存領域は、ＰＣＣＴ装置１内にあってもよいし、ネットワークで接続された外部記憶装置内にあってもよい。

メモリ４１は、第１スペクトラルデータより低ノイズであって当該第１スペクトラルデータより高解像の第２スペクトラルデータを第１スペクトラルデータに基づいて生成する学習済みモデルを記憶する。第１スペクトラルデータは、例えば、再構成前の第１再構成前データ、または第１再構成画像などに対応する。第１スペクトラルデータは、スペクトラル医用撮像装置により撮像された被検体Ｐに関する医用データである。すなわち、第１スペクトラルデータは、被検体Ｐに対するスペクトラルスキャンにより得られた医用データに対応する。メモリ４１は、第１スペクトラルデータ、および学習済みモデルにより生成（再構成）された第２スペクトラルデータを記憶する。

第１スペクトラルデータが第１再構成前データであって、スペクトラル医用撮像装置がＤＥＣＴ装置である場合、第１再構成前データは、例えば、ＤＥＣＴ装置において第１管電圧で収集された第１投影データと、当該第１管電圧より高い第２管電圧で収集された第２投影データとに対応する。なお、このとき、第１スペクトラルデータは、２つの基準物質各々に対応する第１基準投影データであってもよい。また、第１スペクトラルデータが第１再構成前データであって、スペクトラル医用撮像装置がＰＣＣＴ装置１である場合、第１再構成前データは、３つ以上の基準物質各々に対応する第１基準投影データまたは複数のエネルギー範囲各々に対応する第１カウントデータに対応する。

第１スペクトラルデータが第１再構成画像である場合、当該第１再構成画像は、複数の基準物質に対応する複数の第１基準物質画像と、Ｘ線のエネルギーが異なる少なくとも一つの第１仮想単色Ｘ線画像と、第１仮想非造影画像と、第１ヨードマップ画像と、第１実効原子番号画像と、第１電子密度画像と、スペクトラル医用撮像装置による撮像で用いられた第１管電圧に対応する第１管電圧画像および前記第１管電圧より高い第２管電圧に対応する第２管電圧画像と、複数のエネルギー範囲に対応する複数の第１エネルギー画像と、のうちいずれかの画像である。複数の基準物質は、例えば、水、ヨウ素、などである。このとき、基準物質画像は、例えば、水含有量（例えば、水の存在率など）をピクセルごとに表した水画像、ヨード含有量（例えば、ヨードの存在率など）をピクセルごとに表したヨード画像などである。

第１仮想単色Ｘ線画像は、Ｘ線管１１において発生されたＸ線（例えば白色Ｘ線）のエネルギーにおいて特定の一つのエネルギー成分（ｋｅＶ）を有する単色Ｘ線に対応し、仮想的に特定の単色Ｘ線で撮影したような医用画像に相当する。第１仮想非造影画像は、造影後の画像から生成された第１ＶＮＣ（Ｖｉｒｔｕａｌ Ｎｏｎ－Ｃｏｎｔｒａｓｔ）画像に相当する。第１ヨードマップ画像は、ヨードを成分として有する造影剤の染まり具合を示す医用画像である。第１実効原子番号画像は、例えば、複数のボクセル各々における元素の種類に関して、単一の元素で構成されている場合は当該元素の種類を、複数の元素で構成されている場合は平均的な原子番号を示す医用画像である。すなわち、実効原子番号とは、あるボクセルを単一の原子で置き換えると仮定した時に、そこに該当する原子番号のことである。例えば、第１実効原子番号画像は、Ｘ線管１１において発生されたＸ線における特性Ｘ線（ｋエッジ（ｋ－ｅｄｇｅ））に対応する画像に相当する。第１電子密度画像は、単位体積内に存在すると推定される電子の個数を表す医用画像である。第１電子密度画像は、例えば、造影剤の密度を表す医用画像に対応する。複数の第１エネルギー画像各々は、ＰＣＣＴ装置１において複数のエネルギービンごとに収集された検出データに基づいて生成された医用画像に対応する。

スペクトラル医用撮像装置がＤＥＣＴ装置である場合、第１管電圧画像は、ＤＥＣＴ装置において第１管電圧で収集された第１投影データに基づいて再構成された医用画像である。また、第２管電圧画像は、当該第１管電圧より高い第２管電圧で収集された第２投影データに基づいて再構成された医用画像である。

学習済みモデルは、入力されたスペクトラルデータに対して、低ノイズ化および高解像度化を実現するモデルであって、例えば、畳み込みニューラルネットワーク（以下、ＤＣＮＮ（Ｄｅｅｐ Ｃｏｎｖｏｌｕｔｉｏｎ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）と呼ぶ）に対する学習により生成される。学習済みモデルにおける機能は、広い意味での再構成の処理を備える。このため、本実施形態における学習済みモデルは、深層学習再構成（ディープラーニングリコンストラクション：Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ）と称されてもよい。本実施形態における学習済みモデル（以下、ノイズ低減超解像モデルと呼ぶ）の生成、すなわちＤＣＮＮに対する学習は、例えば、学習装置や、各種サーバ装置、医用データ処理装置が搭載された各種モダリティなどにより実現される。生成されたノイズ低減超解像モデルは、例えば、ＤＣＮＮに対する学習を実施した装置から出力されて、メモリ４１に記憶される。ノイズ低減超解像モデルの生成については、後ほど説明する。

第２スペクトラルデータは、例えば、第１再構成前データに対応する第２再構成前データ、または第１再構成画像に対応する第２再構成画像などに対応する。第２スペクトラルデータは、スペクトラル医用撮像装置により撮像された被検体Ｐに関する医用データである。メモリ４１は、学習済みモデルにより生成（再構成）された第２スペクトラルデータを記憶する。第１スペクトラルデータが第１投影データおよび第２投影データとである場合、第２スペクトラルデータは、第１投影データに対応する第３投影データ、および第２投影データに対応する第４投影データである。また、第１スペクトラルデータが第１基準投影データである場合、第２スペクトラルデータは、第１基準投影データに対応する第２基準投影データである。第１スペクトラルデータが第１カウントデータである場合、第２スペクトラルデータは、第１カウントデータに対応する第２カウントデータである。

また、第１再構成画像が複数の第１基準物質画像である場合、第２再構成画像は、複数の第１基準物質画像に対応する複数の第２基準物質画像である。また、第１再構成画像が第１仮想単色Ｘ線画像である場合、第２再構成画像は、第１仮想単色Ｘ線画像に対応する第２仮想単色Ｘ線画像である。第１再構成画像が第１仮想非造影画像である場合、第２再構成画像は、第１仮想非造影画像に対応する第２仮想非造影画像である。第１再構成画像が第１ヨードマップ画像である場合、第２再構成画像は、第１ヨードマップ画像に対応する第２ヨードマップ画像である。第１再構成画像が第１実効原子番号画像である場合、第２再構成画像は、第１実効原子番号画像に対応する第２実効原子番号画像である。第１再構成画像が第１電子密度画像である場合、第２再構成画像は、第１電子密度画像に対応する第２電子密度画像である。第１再構成画像が複数の第１エネルギー画像である場合、第２再構成画像は、複数の第１エネルギー画像に対応する複数の第２エネルギー画像である。また、第１再構成画像が第１管電圧画像および第２管電圧画像である場合、第２再構成画像は、第１管電圧画像に対応する第３管電圧画像、および第２管電圧画像に対応する第４管電圧画像である。

メモリ４１は、処理回路４４により実行されるシステム制御機能４４１、前処理機能４４２、再構成処理機能４４３、画像処理機能４４４、データ処理機能４４５各々の実行に関するプログラムを記憶する。メモリ４１は、第１スペクトルデータと第２スペクトルデータとの対応関係に応じた学習済みモデルを記憶する。なお、メモリ４１は、当該対応関係に応じた複数の学習済みモデルを記憶してもよい。メモリ４１は、記憶部の一例である。

ディスプレイ４２は、各種の情報を表示する。例えば、ディスプレイ４２は、処理回路４４によって生成された医用画像（ＣＴ画像）や、操作者からの各種操作を受け付けるためのＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）等を出力する。ディスプレイ４２としては、例えば、液晶ディスプレイ（ＬＣＤ：Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）、ＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）ディスプレイ、有機ＥＬディスプレイ（ＯＥＬＤ：Ｏｒｇａｎｉｃ Ｅｌｅｃｔｒｏ Ｌｕｍｉｎｅｓｃｅｎｃｅ Ｄｉｓｐｌａｙ）、プラズマディスプレイ又は他の任意のディスプレイが、適宜、使用可能となっている。また、ディスプレイ４２は、架台装置１０に設けられてもよい。また、ディスプレイ４２は、デスクトップ型でもよいし、コンソール装置４０本体と無線通信可能なタブレット端末等で構成されることにしても構わない。ディスプレイ４２は、表示部の一例である。

入力インターフェース４３は、操作者からの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路４４に出力する。例えば、入力インターフェース４３は、投影データを収集する際の収集条件や、ＣＴ画像データを再構成する際の再構成条件、ＣＴ画像データに対する後処理に関する画像処理条件等を操作者から受け付ける。当該後処理は、コンソール装置４０又は外部のワークステーションのどちらで実施することにしても構わない。また、当該後処理は、コンソール装置４０とワークステーションの両方で同時に処理することにしても構わない。ここで定義される後処理とは、再構成処理機能４４３によって再構成された画像に対する処理を指す概念である。後処理は、例えば、再構成画像のＭｕｌｔｉ Ｐｌａｎａｒ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ（ＭＰＲ）表示やボリュームデータのレンダリング等を含む。入力インターフェース４３としては、例えば、マウス、キーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパッド及びタッチパネルディスプレイ等が適宜、使用可能となっている。

なお、本実施形態において、入力インターフェース４３は、マウス、キーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパッド及びタッチパネルディスプレイ等の物理的な操作部品を備えるものに限られない。例えば、装置とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を処理回路４４へ出力する電気信号の処理回路も入力インターフェース４３の例に含まれる。また、入力インターフェース４３は、入力部の一例である。また、入力インターフェース４３は、架台装置１０に設けられてもよい。また、入力インターフェース４３は、コンソール装置４０本体と無線通信可能なタブレット端末等で構成されることにしても構わない。

処理回路４４は、例えば、入力インターフェース４３から出力される入力操作の電気信号に応じて、ＰＣＣＴ装置１全体の動作を制御する。例えば、処理回路４４は、ハードウェア資源として、ＣＰＵやＭＰＵ、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等のプロセッサとＲＯＭやＲＡＭ等のメモリとを有する。処理回路４４は、自身のメモリに展開されたプログラムを実行するプロセッサにより、システム制御機能４４１、前処理機能４４２、再構成処理機能４４３、画像処理機能４４４、データ処理機能４４５を実行する。なお、各機能４４１～４４５は、単一の処理回路で実現される場合に限らない。複数の独立したプロセッサを組み合わせて処理回路を構成し、各プロセッサがプログラムを実行することにより各機能４４１～４４５を実現するものとしても構わない。

システム制御機能４４１は、入力インターフェース４３を介して操作者から受け付けた入力操作に基づいて、処理回路４４の各機能を制御する。また、システム制御機能４４１は、メモリ４１に記憶されている制御プログラムを読み出して処理回路４４内のメモリ上に展開し、展開された制御プログラムに従ってＰＣＣＴ装置１の各部を制御する。システム制御機能４４１は、制御部の一例である。

前処理機能４４２は、ＤＡＳ１８から出力された検出データに対して対数変換処理やオフセット補正処理、チャネル間の感度補正処理、ビームハードニング補正等の前処理を施した投影データを生成する。前処理機能４４２により生成される第１再構成前データ（第１投影データ、第２投影データ、複数の第１基準投影データ、および複数の第１カウントデータなど）の生成は、既知の処理内容に準拠するため、説明は省略する。前処理機能４４２は、前処理部の一例である。

再構成処理機能４４３は、前処理機能４４２にて生成された投影データに対して、フィルタ補正逆投影法（ＦＢＰ法：Ｆｉｌｔｅｒｅｄ Ｂａｃｋ Ｐｒｏｊｅｃｔｉｏｎ）等を用いた再構成処理を行ってＣＴ画像データを生成する。再構成処理には、散乱性補正およびビームハードニング補正などの各種補正処理、および再構成条件における再構成関数の適用など、各種処理を有する。なお、再構成処理機能４４３により実行される再構成処理は、ＦＢＰ法に限定されず、逐次近似再構成、投影データの入力により再構成画像を出力するディープニューラルネットワークなど、既知の処理が適宜用いられてもよい。再構成処理機能４４３は、再構成されたＣＴ画像データをメモリ４１に格納する。再構成処理機能４４３により実現される再構成の処理は、投影データなどの再構成前データに基づいて画像を生成することに限定されず、広義としての再構成の処理を実現する機能を有する。例えば、再構成処理機能４４３は、第１再構成前データに基づいて、第１再構成画像（複数の第１基準物質画像、第１仮想単色Ｘ線画像、第１ＶＮＣ画像、第１ヨードマップ画像、第１実効原子番号画像、第１電子密度画像、第１管電圧画像、第２管電圧画像、複数の第１エネルギー画像など）を生成する。第１再構成画像の生成は、既知の処理内容に準拠するため、説明は省略する。再構成処理機能４４３は、再構成処理部の一例である。

画像処理機能４４４は、入力インターフェース４３を介して操作者から受け付けた入力操作に基づいて、再構成処理機能４４３によって生成されたＣＴ画像データを公知の方法により、任意断面の断層像データや３次元画像データに変換する。なお、３次元画像データの生成は再構成処理機能４４３が直接行なっても構わない。また、画像処理機能４４４は、画像処理部の一例である。

データ処理機能４４５は、学習済みモデルであるノイズ低減超解像モデルに対して、第１スペクトラルデータを入力することで、第１スペクトラルデータに対して低ノイズ化および高解像度化が実現された第２スペクトラルデータをノイズ低減超解像モデルから出力する。すなわち、学習済みモデルは、第１スペクトラルデータに対して低ノイズ化と高解像度化との処理（ノイズ低減処理と超解像処理と）を実行する。超解像は、データの高解像度化に対応する。例えば、データ処理機能４４５は、第１再構成前データをノイズ低減超解像モデルに入力し、第１再構成前データに対して低ノイズ化および高解像度化が実現された第２再構成前データをノイズ低減超解像モデルから出力する。このとき、低ノイズ化および高解像度化が実現された第２再構成前データは、再構成処理機能４４３により再構成され、第１再構成前データに基づいて再構成された第１再構成画像に比べて低ノイズ化および高解像度化された第２再構成画像が生成される。

また、例えば、ノイズ低減超解像モデルへの入力（第１スペクトラルデータ）がスペクトラル医用撮像装置による被検体Ｐの撮像により収集されたローデータに基づいて再構成された第１再構成画像である場合、データ処理機能４４５は、第１再構成画像をノイズ低減超解像モデルに入力し、第１再構成画像に対して低ノイズ化および高解像度化が実現された第２再構成画像を、第２スペクトラルデータとしてノイズ低減超解像モデルから出力する。第２再構成画像は、第１再構成画像の画像種に対応し、第１再構成画像より低ノイズであって第１再構成画像より低ノイズ化され、かつ高解像度化された医用画像である。

以上のように構成された本実施形態に係るＰＣＣＴ装置１におけるノイズ低減超解像モデルを用いて、第１スペクトラルデータから第２スペクトラルデータを生成する処理（以下、ノイズ低減超解像処理と呼ぶ）について、図２乃至図６を用いて説明する。

図２は、ノイズ低減超解像処理の手順の一例を示すフローチャートである。図３は、第１スペクトラルデータを用いたノイズ低減超解像処理の概要を示す図である。図４は、第１スペクトラルデータの一例として投影データを用いたノイズ低減超解像処理の概要を示す図である。図５は、第１スペクトラルデータの一例として再構成画像を用いたノイズ低減超解像処理の概要を示す図である。

（ノイズ低減超解像処理）
（ステップＳ２０１）
処理回路４４は、データ処理機能４４５により、ノイズ低減超解像処理に入力される第１スペクトラルデータを取得する。例えば、スペクトラル医用撮像装置がＤＥＣＴ装置である場合、データ処理機能４４５は、被検体Ｐに対する低線量でのスキャンにより生成された第１投影データ（低分解能、高ノイズ）および第２投影データ（低分解能、高ノイズ）を、前処理機能４４２から取得する。また、スペクトラル医用撮像装置がＤＥＣＴ装置またはＰＣＣＴ装置１である場合、データ処理機能４４５は、例えば、第１基準投影データ（低分解能、高ノイズ）を、前処理機能４４２から取得する。また、スペクトラル医用撮像装置がＰＣＣＴ装置１である場合、データ処理機能４４５は、例えば、被検体Ｐに対するスキャンにより生成された複数の第１カウントデータ（低分解能、高ノイズ）を、前処理機能４４２から取得する。

また、スペクトラル医用撮像装置がＤＥＣＴ装置である場合、データ処理機能４４５は、例えば、第１管電圧画像（低分解能、高ノイズ）および第２管電圧画像（低分解能、高ノイズ）を、再構成処理機能４４３から取得する。また、スペクトラル医用撮像装置がＤＥＣＴ装置またはＰＣＣＴ装置１である場合、データ処理機能４４５は、例えば、複数の第１基準物質画像と第１仮想単色Ｘ線画像と第１ＶＮＣ画像と第１ヨードマップ画像と第１実効原子番号画像と第１電子密度画像とのうちいずれかの画像（低分解能、高ノイズ）を、再構成処理機能４４３から取得する。また、スペクトラル医用撮像装置がＰＣＣＴ装置１である場合、データ処理機能４４５は、例えば、複数のエネルギー画像（低分解能、高ノイズ）を、再構成処理機能４４３から取得する。

また、ノイズ低減超解像処理が医用データ処理装置で実行される場合、データ処理機能４４５は、ノイズ低減超解像処理におけるノイズ低減超解像モデルに入力されるデータを、医用画像撮像装置または画像保存通信システム（Ｐｉｃｔｕｒｅ Ａｒｃｈｉｖｉｎｇ ａｎｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｓｙｓｔｅｍｓ：以下、ＰＡＣＳと呼ぶ）などの画像保管サーバから取得する。

なお、ノイズ低減超解像処理の実行がＯＦＦである場合、すなわち学習済みモデル（ノイズ低減超解像モデル）が用いられない場合、再構成処理機能４４３は、例えば、ノイズ低減処理のみを行う既知の深層学習済みＣＮＮ（以下、ノイズ低減モデルと呼ぶ）などにより、スペクトラル医用撮像装置による被検体Ｐの撮像により収集された収集データ（第１再構成前データ）に基づいて、第１再構成画像を第１マトリクスサイズで再構成する。第１マトリクスサイズは、例えば、５１２×５１２のマトリクスサイズである。また、ノイズ低減超解像処理がＯＮである場合、すなわち学習済みモデル（ノイズ低減超解像モデル）が用いられる場合、再構成処理機能４４３は、第１再構成前データに基づいて、第１再構成画像を、第１マトリクスサイズより大きく第２再構成画像のマトリクスサイズに対応する第２マトリクスサイズで再構成する。第２マトリクスサイズは、例えば、１０２４×１０２４のマトリクスサイズ、または２０４８×２０４８のマトリクスサイズである。このとき、データ処理機能４４５は、後述のステップＳ２０２において第２マトリクスサイズを有する第１再構成画像を学習済みモデルに入力することで、後述のステップＳ２０３において第２再構成画像を出力する。

また、被検体Ｐに対するスキャン時においてノイズ低減超解像処理がＯＦＦの場合、第１マトリクスサイズで、第１再構成画像が生成される。その後、入力インターフェース４３を介した操作者の指示によりノイズ低減超解像処理がＯＮにされると、データ処理機能４４５は、第１再構成画像に関して、第１マトリクスサイズを、第２マトリクスサイズにアップサンプリングする。すなわち、ノイズ低減超解像処理がＯＮにされた時点において、第１マトリクスサイズが第２マトリクスサイズより小さい場合、データ処理機能４４５は、第１マトリクスサイズを、第２マトリクスサイズにアップサンプリングする。このとき、データ処理機能４４５は、第２マトリクスサイズを有する第１再構成画像を学習済みモデルに入力し、第２再構成画像を出力する。また、第１マトリクスサイズで第１再構成画像が生成された後、ノイズ低減超解像処理がＯＮにされると、再構成処理機能４４３は、第１再構成前データに基づいて、第２マトリクスサイズの第１再構成画像を、第１スペクトラルデータとして再度再構成してもよい。

（ステップＳ２０２）
データ処理機能４４５は、ノイズ低減超解像モデルをメモリ４１から読み出す。例えば、データ処理機能４４５は、第１スペクトルデータの種別に応じたノイズ低減超解像モデルを、メモリ４１から読み出す。例えば、第１スペクトルデータとして複数のエネルギービンに対応する複数のカウントデータが用いられる場合、データ処理機能４４５は、複数のエネルギービンに応じた複数のノイズ低減超解像モデルを、メモリ４１から読みだす。データ処理機能４４５は、第１スペクトラルデータを、ノイズ低減超解像モデルに入力する。例えば、第１スペクトラルデータとして第１再構成前データが用いられる場合、データ処理機能４４５は、第１再構成前データ（低分解能、高ノイズ）を、ノイズ低減超解像モデルに入力する。また、第１スペクトラルデータとして第１再構成画像が用いられる場合、データ処理機能４４５は、第１再構成画像（低分解能、高ノイズ）を、ノイズ低減超解像モデルに入力する。

（ステップＳ２０３）
データ処理機能４４５は、ノイズ低減超解像モデルから第２スペクトラルデータを出力する。例えば、第１再構成前データがノイズ低減超解像モデルに入力された場合、データ処理機能４４５は、ノイズ低減超解像モデルから高分解能および低ノイズの第２再構成前データを出力する。このとき、再構成処理機能４４３は、高分解能および低ノイズの第２再構成前データに基づいて第２再構成画像を生成する。また、第１再構成画像がノイズ低減超解像モデルに入力された場合、データ処理機能４４５は、ノイズ低減超解像モデルから高分解能および低ノイズの第２再構成画像を出力する。

（ステップＳ２０４）
システム制御機能４４１は、第２スペクトルデータに基づく医用画像を、ディスプレイ４２に表示する。なお、入力インターフェース４３を介した操作者の指示により、画像処理機能４４４は、当該医用画像に対して各種画像処理を実行してもよい。このとき、システム制御機能４４１は、画像処理が適用された医用画像を、ディスプレイ４２に表示する。

図６は、ＤＥＣＴ装置により生成された第１再構成画像に対してノイズ低減超解像処理を適用した一例を示す図である。図６に示すように、ＤＥＣＴ装置は、第１管電圧を用いたスキャンにより第１投影データＰＤ１を生成し、第２管電圧を用いたスキャンにより第２投影データＰＤ２を生成する。次いで、データ処理機能４４５（または再構成処理機能４４４）は、第１投影データＰＤ１と第２投影データＰＤ２とに対してマテリアルデコンポジション（Ｍａｔｅｒｉａｌ Ｄｅｃｏｍｐｏｓｉｔｉｏｎ）処理を実行し、第１基準物質のローデータＢＭＰＤ１と第２基準物質のローデータＢＭＰＤ２と生成する。なお、マテリアルデコンポジション処理は、画像処理機能４４４により実行されてもよい。また、マテリアルデコンポジション処理としては既知の技術が適用可能であるため、説明は省略する。例えば特開２００９－２６１９４２号公報に記載の方法や、米国特許出願公開第２０１５／３７１３７８号明細書に記載のニューラルネットワークを使った方法などを用いることができる。

図６に示すように、再構成処理機能４４３は、第１基準物質のローデータＢＭＰＤ１と第２基準物質のローデータＢＭＰＤ２とに対して再構成処理をそれぞれ実行し、第１の物質に対応する第１基準物質画像ＢＭＩ１１と第２の物質に対応する第２基準物質画像ＢＭＩ１２とを生成する。第１の物質に対応する第１基準物質画像ＢＭＩ１１と第２の物質に対応する第２基準物質画像ＢＭＩ１２とは、２種の基準物質に対応する第１基準物質画像ＭＩ１である。

図６に示すように、データ処理機能４４５（または画像処理機能４４４）は、第１の物質に対応する第１基準物質画像ＢＭＩ１１と第２の物質に対応する第２基準物質画像ＢＭＩ１２とに対して単色Ｘ線画像生成処理を実行し、互いにエネルギーが異なる第１仮想単色Ｘ線画像ＶＭＩ１を生成する。第１仮想単色Ｘ線画像ＶＭＩ１は、相対的に高エネルギーの仮想単色Ｘ線画像（以下、第１高エネルギー単色画像と呼ぶ）ＨＥＩ１と、相対的に低エネルギーの仮想単色Ｘ線画像（以下、第１低エネルギー単色画像と呼ぶ）ＬＥＩ１とを有する。第１仮想単色Ｘ線画像ＶＭＩ１は、第１再構成画像に相当する。なお、単色Ｘ線画像生成処理は、再構成処理機能４４３により実行されてもよい。また、単色Ｘ線画像生成処理としては既知の技術が適用可能であるため、説明は省略する。

図６に示すように、データ処理機能４４５は、第１高エネルギー単色画像ＨＥＩ１と第１低エネルギー単色画像ＬＥＩ１とにそれぞれ対応する２種のノイズ低減超解像モデルをメモリ４１から読み出す。２種のノイズ低減超解像モデルは、図６に示すように、高エネルギー単色画像ＨＥＩ１におけるエネルギーおよび画像種に対応するノイズ低減超解像モデル（以下、高エネルギー深層学習再構成）ＨＤＬＲ（Ｈｉｇｈ ｅｎｅｒｇｙ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ）と、低エネルギー単色画像ＬＥＩ１におけるエネルギーおよび画像種に対応するノイズ低減超解像モデル（以下、低エネルギー深層学習再構成と呼ぶ）ＬＤＬＲ（Ｌｏｗ ｅｎｅｒｇｙ Ｄｅｅｐ Ｌｅａｒｎｉｎｇ Ｒｅｃｏｎｓｔｒｕｃｔｉｏｎ）とである。

図６に示すように、データ処理機能４４５は、高エネルギー深層学習再構成ＨＤＬＲに、第１高エネルギー単色画像ＨＥＩ１を入力し、第１高エネルギー単色画像ＨＥＩ１に対して低ノイズ化および高解像度化を実現した第２高エネルギー単色画像ＨＥＩ２を生成する。また、データ処理機能４４５は、低エネルギー深層学習再構成ＬＤＬＲに、第１低エネルギー単色画像ＬＥＩ１を入力し、第１低エネルギー単色画像ＬＥＩ１に対して低ノイズ化および高解像度化を実現した第２低エネルギー単色画像ＬＥＩ２を生成する。第２高エネルギー単色画像ＨＥＩ２と第２低エネルギー単色画像ＬＥＩ２とは、第２仮想単色Ｘ線画像ＶＭＩ２であって、第２再構成画像に相当する。

図６に示すように、データ処理機能４４５（または画像処理機能４４４）は、第２仮想単色Ｘ線画像ＶＭＩ２（第２高エネルギー単色画像ＨＥＩ２および第２低エネルギー単色画像ＬＥＩ２）に対して基準物質画像生成処理を実行し、低ノイズ化および高解像度化を実現した第２基準物質画像ＢＭＩ２を生成する。第２基準物質画像ＢＭＩ２は、第１基準物質画像ＢＭＩ１１に対して低ノイズ化および高解像度化が実現された第１基準物質画像ＢＭＩ２１と、第２基準物質画像ＢＭＩ１２に対して低ノイズ化および高解像度化が実現された第２基準物質画像ＢＭＩ２２と、を有する。なお、基準物質画像生成処理は、再構成処理機能４４３により実行されてもよい。また、基準物質画像生成処理としては既知の技術が適用可能であるため、説明は省略する。

データ処理機能４４５（または画像処理機能４４４）は、図６に示すように、第２基準物質画像ＢＭＩ１２に対してスペクトラルイメージングを実行する。スペクトラルイメージングは、スペクトラルデータに関す画像処理である。なお、スペクトラルイメージングは、スペクトラルスキャンと画像処理とを包含する意味として用いられてもよい。画像処理に関するスペクトラルイメージングの実行により、データ処理機能４４５（または画像処理機能４４４）は、図２に示すように、複数の物質に関する物質画像（例えば、水に関する物質画像ＷＩ、ヨードに関する物質画像Ｉ１）、複数のエネルギーに応じた仮想単色Ｘ線画像ＭＩ、各種画像を組み合わせた複合画像ＣＩを生成する。

なお、図６では、学習済みモデルに入力される第１スペクトラルデータは、第１仮想単色Ｘ線画像ＶＭＩ１として説明したが、これに限定されない。すなわち、第１スペクトルデータは、第１投影データＰＤ１および第２投影データＰＤ２、第１基準物質のローデータＢＭＰＤ１および第２基準物質のローデータＢＭＰＤ２、第１基準物質画像ＭＩ１、などであってもよい。このとき、データ処理機能４４５は、第１スペクトラルデータの種別に応じたノイズ低減超解像モデルをメモリ４１から読みだして、読みだされたノイズ低減超解像モデルに第１第１スペクトラルデータを入力することで、ノイズ低減超解像処理を実行する。

以上に述べた実施形態に係るスペクトラル医用撮像装置（例えば、ＤＥＣＴ装置またはＰＣＣＴ装置１）は、スペクトラル医用撮像装置により撮像された被検体Ｐに関する第１スペクトラルデータより低ノイズであって当該第１スペクトラルデータより超解像の第２スペクトラルデータを当該第１スペクトラルデータに基づいて生成する学習済みモデルに対して、当該第１スペクトラルデータを入力することで、当該第２スペクトラルデータを出力する。本医用データ処理装置において、当該第１スペクトラルデータは、被検体Ｐに対するスペクトラルスキャンにより得られた医用データに対応し、当該学習済みモデルは、当該第１スペクトラルデータを処理する。

また、実施形態に係るスペクトラル医用撮像装置によれば、第１スペクトラルデータは、例えば、スペクトラル医用撮像装置による被検体Ｐの撮像により収集された再構成前の第１再構成前データであって、第２スペクトラルデータは、再構成前の第２再構成前データであって、再構成前の第２再構成前データに基づいて医用画像を生成する。このとき、実施形態に係るスペクトラル医用撮像装置によれば、第１再構成前データは、例えば、スペクトラル医用撮像装置において第１管電圧で収集された第１投影データＰＤ１と、第１管電圧より高い第２管電圧で収集された第２投影データＰＤ２とに対応し、第２再構成前データは、第１投影データに対応する第３投影データ、および第２投影データに対応する第４投影データに対応する。また、実施形態に係るスペクトラル医用撮像装置によれば、第１再構成前データは、複数の基準物質各々に対応する第１基準投影データ（例えば、第１基準物質のローデータＢＭＰＤ１および第２基準物質のローデータＢＭＰＤ２）であって、第２再構成前データは、第１基準投影データに対応する第２基準投影データであってもよい。また、実施形態に係るスペクトラル医用撮像装置によれば、第１再構成前データは、例えば、複数のエネルギー範囲各々に対応する第１カウントデータであって、第２再構成前データは、第１カウントデータに対応する第２カウントデータであってもよい。

また、実施形態に係るスペクトラル医用撮像装置によれば、第１スペクトラルデータは、例えば、スペクトラル医用撮像装置による被検体Ｐの撮像により収集された収集データに基づいて再構成された第１再構成画像であって、第２スペクトラルデータは、第１再構成画像より低ノイズであって第１再構成画像より超解像の第２再構成画像であってもよい。このとき、実施形態に係るスペクトラル医用撮像装置によれば、第１再構成画像は、例えば、複数の基準物質に対応する複数の第１基準物質画像であって、第２再構成画像は、複数の第１基準物質画像に対応する複数の第２基準物質画像である。また、実施形態に係るスペクトラル医用撮像装置によれば、第１再構成画像は、例えば、Ｘ線のエネルギーが異なる少なくとも一つの第１仮想単色Ｘ線画像ＶＭＩ１（例えば、第１高エネルギー単色画像ＨＥＩ１、および第１低エネルギー単色画像ＬＥＩ１）であって、第２再構成画像は、第１仮想単色Ｘ線画像ＶＭＩ１に対応する第２仮想単色Ｘ線画像ＶＭＩ２（例えば、第２高エネルギー単色画像ＨＥＩ２および第２低エネルギー単色画像ＬＥＩ２）であってもよい。また、実施形態に係るスペクトラル医用撮像装置によれば、第１再構成画像は、例えば、第１仮想非造影画像であって、第２再構成画像は、第１仮想非造影画像に対応する第２仮想非造影画像であってもよい。

また、実施形態に係るスペクトラル医用撮像装置によれば、第１再構成画像は、例えば、第１ヨードマップ画像であって、第２再構成画像は、第１ヨードマップ画像に対応する第２ヨードマップ画像であってもよい。また、実施形態に係るスペクトラル医用撮像装置によれば、第１再構成画像は、例えば、第１実効原子番号画像であって、第２再構成画像は、第１実効原子番号画像に対応する第２実効原子番号画像であってもよい。また、実施形態に係るスペクトラル医用撮像装置によれば、第１再構成画像は、例えば、第１電子密度画像であって、第２再構成画像は、第１電子密度画像に対応する第２電子密度画像であってもよい。また、実施形態に係るスペクトラル医用撮像装置によれば、第１再構成画像は、例えば、複数のエネルギー範囲に対応する複数の第１エネルギー画像であって、第２再構成画像は、複数の第１エネルギー画像に対応する複数の第２エネルギー画像であってもよい。また、実施形態に係るスペクトラル医用撮像装置によれば、第１再構成画像は、スペクトラル医用撮像装置による撮像で用いられた第１管電圧に対応する第１管電圧画像および当該第１管電圧より高い第２管電圧に対応する第２管電圧画像であって、第２再構成画像は、第１管電圧画像に対応する第３管電圧画像、および第２管電圧画像に対応する第４管電圧画像であってもよい。

これらにより、本実施形態にスペクトラル医用撮像装置によれば、スペクトラル医用撮像装置により取得された第１スペクトラルデータの種別（例えば、第１再構成前データ（第１投影データ、第２投影データ、第１基準投影データ、および第１カウントデータ等）、および第１再構成画像（第１基準物質画像、第１仮想単色Ｘ線画像、第１仮想非造影画像と、第１ヨードマップ画像、第１実効原子番号画像、第１電子密度画像、第１管電圧画像および第２管電圧画像、第１エネルギー画像等））に応じた学習済みモデルを用いて、第１スペクトラルデータにおける空間分解能の向上（高解像度化：超解像）とノイズの低減（低ノイズ化）とを、同時に実現することができる。このため、本実施形態に係るスペクトラル医用撮像装置によれば、医用画像における解剖学的特徴などの物体の視認性を向上し、かつ画質を向上させた医用画像を生成することができる。以上のことから、本実施形態に係るスペクトラル医用撮像装置によれば被検体Ｐに対する被曝を低減させ、かつ被検体Ｐに関する画像診断のスループットを向上させることができる。

以下、実施形態で用いられる学習済みモデル（ノイズ低減超解像モデル）の生成（モデル生成方法）について説明する。図７は、ノイズ低減超解像モデルの生成に関する学習装置５の構成の一例を示す図である。なお、学習装置５によるＤＣＮＮへの学習を実現する機能は、スペクトラル医用撮像装置などの医用画像撮像装置、または医用データ処理装置に搭載されてもよい。例えば、ＰＣＣＴ装置１に学習済みモデルが記憶される場合、学習装置５は、ＰＣＣＴ装置１におけるスキャンプランに応じたエネルギービンの設定に応じて、ＤＣＮＮを学習する。例えば、特定のスキャンプランにおいて、設定されたエネルギービンの数が４つである場合、学習装置５は、４つのエネルギービンのそれぞれについてＤＣＮＮを学習する。

メモリ５１は、処理回路５４における訓練データ生成機能５４３により生成された一対の訓練データのセットを記憶する。また、メモリ５１は、訓練データの生成の元となる元データを記憶する。元データは、例えば、ノイズ低減超解像モデルにおける処理対象のデータに関するスペクトラル医用撮像装置から取得される。また、メモリ５１は、学習対象のＤＣＮＮおよび学習済みモデル（ノイズ低減超解像モデル）を記憶する。メモリ５１は、処理回路５４により実行される訓練データ生成機能５４３、モデル生成機能５４４各々の実行に関するプログラムを記憶する。メモリ５１は、学習装置５における記憶部の一例である。また、メモリ５１を実現するハードウェアなどは、実施形態に記載のメモリ４１と同様なため、説明は省略する。

処理回路５４は、自身のメモリに展開されたプログラムを実行するプロセッサにより、訓練データ生成機能５４３、モデル生成機能５４４を実行する。処理回路５４を実現するハードウェアなどは、実施形態に記載の処理回路４４と同様なため、説明は省略する。

訓練データ生成機能５４３は、第２スペクトラルデータのノイズおよび解像度に対応する第１訓練データを取得する。訓練データ生成機能５４３は、当該第１訓練データに対してノイズを付加しかつ解像度を低減すること（ノイズ付加処理および低解像化処理）により、第１スペクトラルデータのノイズおよび解像度に対応する第２訓練データを生成する。例えば、訓練データ生成機能５４３は、ノイズシミュレーションを実行することで、第１訓練データに対してノイズを付加する。続いて、訓練データ生成機能５４３は、解像度シミュレーションを実行することで、ノイズが付加された第１訓練データに対して、解像度を低減させる。なお、第１訓練データに対するノイズシミュレーションと解像度シミュレーションとの実行の順序は、上記説明に限定されず、逆であってもよい。また、ノイズシミュレーションと解像度シミュレーションとは、既知の技術が利用可能であるため、説明は省略する。

これらにより、訓練データ生成機能５４３は、第１訓練データと対をなす第２訓練データを取得する。第１訓練データは、第２訓練データに対する教師データ（正解データ）に相当する。訓練データ生成機能５４３は、生成された第１訓練データと第２訓練データとを、メモリ５１に記憶させる。訓練データ生成機能５４３は、上記処理を繰り返すことで、第１訓練データと第２訓練データとを１セットとした複数の訓練データセットを生成し、メモリ５１に記憶させる。

モデル生成機能５４４は、第１訓練データと第２訓練データとを用いて畳み込みニューラルネットワークを訓練することにより、学習済みモデルを生成する。すなわち、モデル生成機能５４４は、第１訓練データと第２訓練データとを学習対象のＤＣＮＮに適用することで、当該ＤＣＮＮを学習し、ノイズ低減超解像モデルを生成する。

図８は、第１訓練データと第２訓練データとを用いてＤＣＮＮを学習することによりノイズ低減超解像モデルを生成する処理（以下、モデル生成処理と呼ぶ）の手順の一例を示すフローチャートである。図９は、モデル生成処理の概要を示す図である。

（モデル生成処理）
（ステップＳ７０１）
訓練データ生成機能５４３は、第１訓練データを取得する。訓練データ生成機能５４３は、例えば、被検体Ｐを撮像可能な通常の解像度のスペクトラル医用撮像装置よりも高い空間分解能を有する医用データを収集可能なスペクトラル医用撮像装置、または高い空間分解能を有するＸ線検出器（以下、高分解能検出器と呼ぶ）を有する高分解能スペクトラル医用撮像装置における高分解能モードでの撮像などにより収集されたデータを、第１訓練データとしてこれらの装置から取得する。高分解能モードとは、高分解能検出器における複数のＸ線検出素子各々から、データを収集することに相当する。なお、高分解能スペクトラル医用撮像装置における第２スペクトラルデータの収集は、高分解能検出器における複数のＸ線検出素子において、例えば、互いに隣接する４つのＸ線検出素子からの出力の平均を収集することに相当する。訓練データ生成機能５４３は、第１訓練データをメモリ５１に保存する。

（ステップＳ７０２）
訓練データ生成機能５４３は、第１訓練データに対してノイズシミュレーションを実行し、高分解能（Ｈｉｇｈ Ｒｅｓｏｌｕｔｉｏｎ：ＨＲ）であって高ノイズ（Ｈｉｇｈ Ｎｏｉｓｅ：ＨＮ）のデータ（以下、ＨＲ－ＨＮデータと呼ぶ）を生成する。ＨＲ－ＨＮデータは、第１訓練データに対して多くのノイズを有する。換言すれば、第１訓練データは、ＨＲ－ＨＮデータに対して低ノイズ（Ｌｏｗ Ｎｏｉｓｅ：ＬＮ）であるＨＲ－ＬＮデータに相当する。ＨＲ－ＨＮデータにおけるノイズは、例えば、第１医用データにおけるノイズレベルに相当する。

ノイズシミュレーションは、例えば、ガウシアンノイズに代表される所定の統計モデルに基づくノイズを第１訓練データに付加する方法、ＤＡＳ１８および／またはＸ線検出器などの検出系に係り事前に学習されたノイズモデルに基づくノイズを第１訓練データに付加する方法などがある。これらの方法は、既知であるため説明は省略する。なお、ノイズシミュレーションは、上記方法に限定されず他の既知の方法で実現されてもよい。

（ステップＳ７０３）
訓練データ生成機能５４３は、ＨＲ－ＨＮデータに対して分解能シミュレーションを実行し、低分解能（Ｌｏｗ Ｒｅｓｏｌｕｔｉｏｎ：ＬＲ）であって高ノイズ（ＨＮ）のデータ（以下、ＬＲ－ＨＮデータと呼ぶ）を、第２訓練データとして生成する。ＬＲ－ＨＮデータは、第１訓練データに対して低い分解能を有する。第２訓練データに相当するＬＲ－ＨＮデータにおける分解能は、例えば、第１医用データにおける分解能に相当する。

分解能シミュレーションは、例えば、バイキュービック（Ｂｉ－ｃｕｂｉｃ）、バイリニア（Ｂｉ－ｌｉｎｅａｒ）、ボックス（ｂｏｘ）、ネイバー（ｎｅｉｇｈｂｏｒ）などのｄｏｗｎ ｓａｍｐｌｅおよび／または ｕｐ ｓａｍｐｌｅの方法、平滑化フィルタおよび／または先鋭化ファイルを用いた方法、点広がり関数（ＰＳＦ：Ｐｏｉｎｔ Ｓｐｒｅａｄ Ｆｕｎｃｔｉｏｎ）などの事前モデルを用いた方法、スペクトラル医用撮像装置における高分解能検出器における複数のＸ線検出素子において例えば互いに隣接する４つのＸ線検出素子からの出力の平均を収集することなどの収集データ系を模擬したｄｏｗｎ ｓａｍｐｌｅなどがある。これらの方法は、既知であるため説明は省略する。なお、分解能シミュレーションは、上記方法に限定されず他の既知の方法で実現されてもよい。

上記説明では、第１訓練データに対してノイズシミュレーションを実行後、分解能シミュレーションを実行する手順として説明しているが、これに限定されない。例えば、訓練データ生成機能５４３は、第１訓練データに対して分解能シミュレーションを実行することにより、低分解能低ノイズのデータ（以下、ＬＲ－ＬＮデータと呼ぶ）を生成し、次いでＬＲ－ＬＮデータに対してノイズシミュレーションを実行して、第２訓練データ（ＬＲ－ＨＮデータ）を生成してもよい。

訓練データ生成機能５４３は、ステップＳ７０１乃至ステップＳ７０３の処理を繰り返すことにより、第１訓練データと第２訓練データとを１セットとした複数の訓練データセットを生成する。訓練データ生成機能５４３は、生成された複数の訓練データセットを、メモリ５１に記憶させる。なお、訓練データの生成は、後段のステップＳ７０４の処理の後に、ＤＣＮＮに対する学習が収束するまで、繰り返し実行されてもよい。

（ステップＳ７０４）
モデル生成機能５４４は、第１訓練データと第２訓練データとを学習対象のＤＣＮＮに適用することで、当該ＤＣＮＮを学習する。複数の訓練データセットを用いたモデル生成機能５４４によるＤＣＮＮの学習過程は、勾配降下法などの既知の方法が適用可能であるため、説明は省略する。モデル生成機能５４４は、ＤＣＮＮに対する学習の収束を契機として、学習されたＤＣＮＮを、ノイズ低減超解像モデルとして、メモリ５１に記憶する。メモリ５１に記憶されたノイズ低減超解像モデルは、例えば、第１訓練データに関する医用画像撮像装置、および／またはノイズ低減超解像モデルを実行する医用データ処理装置などへ、適宜送信される。

以下、ノイズシミュレーションおよび分解能シミュレーションの対象となるデータの一例について説明する。図１０は、ノイズシミュレーションおよび分解能シミュレーションの対象となるデータの組み合わせの一例を示す図である。図１０における収集データ（第２スペクトラルデータ）は、スペクトラル医用撮像装置の種別などに応じて異なる。収集データは、例えば、ＤＥＣＴ装置などに関しては第３投影データおよび第４投影データ、ＤＥＣＴ装置およびＰＣＣＴ装置１に関しては第２基準投影データ、ＰＣＣＴ装置１に関しては第２カウントデータなどである。以下、説明を具体的にするために収集データは第３投影データであるものとして説明する。また、図１０における画像データは、例えば、上述の第２再構成画像である。

以下、図１０における（ａ）について、図１１および図１２を用いて説明する。図１１は、図１０における（ａ）に係り、学習済みモデルとなるノイズ低減超解像モデルの入出力が投影データとなる場合について、モデル生成処理の概要を示す図である。図１２は、図１０における（ａ）に係り、学習済みモデルとなるノイズ低減超解像モデルの入出力が画像データ（再構成画像）となる場合について、モデル生成処理の概要を示す図である。図１１および図１２に示すように、ノイズシミュレーションおよび分解能シミュレーションの対象のデータは、収集データである。

訓練データ生成機能５４３は、第３投影データを取得する。第３投影データは、第２再構成画像のノイズおよび解像度に対応する再構成前の第２再構成前データに対応する。図１１および図１２に示すように、第３投影データは、第２スペクトラルデータに準ずる高分解能および低ノイズの投影データである。図１１および図１２に示すように、訓練データ生成機能５４３は、第３投影データに対してノイズシミュレーションを実行し、高分解能高ノイズ（ＨＲ－ＨＮ）投影データを生成する。次いで、訓練データ生成機能５４３は、ＨＲ－ＨＮ投影データに対して分解能シミュレーションを実行し、低分解能および高ノイズの第１投影データを生成する。第１投影データは、第１再構成画像のノイズおよび解像度に対応し、再構成前の第１再構成前データに対応する。

なお、訓練データ生成機能５４３は、第３投影データに対して分解能シミュレーションを実行し、低分解能低ノイズ（ＬＲ－ＬＮ）投影データを生成してもよい。このとき、訓練データ生成機能５４３は、ＬＲ－ＬＮ投影データに対してノイズシミュレーションを実行し、低分解能および高ノイズの第１投影データを生成する。

図１１において、モデル生成機能５４４は、第１投影データと第３投影データとを用いてＤＣＮＮを学習し、ノイズ低減超解像モデルを生成する。このとき、第３投影データは第１訓練データに対応し、第１投影データは第２訓練データに対応する。また、第１投影データは、ＤＣＮＮに対する学習において、教師データに対応する。図１１では、投影データのドメインにおいてＤＣＮＮが学習されることとなる。

図１２において、訓練データ生成機能５４３は、第３投影データを再構成することにより、高分解能及び低ノイズの第１訓練画像を生成する。また、訓練データ生成機能５４３は、第１投影データを再構成することにより、低分解能及び高ノイズの第２訓練画像を生成する。第１投影データは、第２再構成前データに対してノイズを付加しかつ解像度を低減することにより生成された再構成前の第２再構成前データに対応する。また、再構成前の第１再構成前データは、第１再構成画像のノイズおよび解像度に対応する。第１訓練画像は第１訓練データに対応し、第２訓練画像は第２訓練データに対応する。また、第１訓練画像は、ＤＣＮＮに対する学習において、教師データに対応する。

図１２において、モデル生成機能５４４は、第１訓練画像と第２訓練画像とを用いてＤＣＮＮを学習し、ノイズ低減超解像モデルを生成する。図１２では、図１１と異なり、画像ドメインにおいてＤＣＮＮが学習されることとなる。

以下、図１０における（ｂ）について、図１３を用いて説明する。図１３は、図１０における（ｂ）に係るモデル生成処理の概要を示す図である。図１０における（ｂ）および図１３に示すように、ノイズシミュレーションの対象データは、第２再構成前データであって、分解能シミュレーションの対象のデータは、画像データである。図１３において、第２再構成前データは、一例として、第２カウントデータであるものとする。

訓練データ生成機能５４３は、第２カウントデータを取得する。図１３に示すように、第２カウントデータは、第２スペクトルデータに準ずる高分解能および低ノイズのカウントデータである。図１３に示すように、訓練データ生成機能５４３は、第２カウントデータを再構成することにより、第１訓練画像を生成する。訓練データ生成機能５４３は、第２カウントデータに対してノイズシミュレーションを実行し、高分解能高ノイズ（ＨＲ－ＨＮ）カウントデータを生成する。次いで、訓練データ生成機能５４３は、ＨＲ－ＨＮカウントデータを再構成し、ＨＲ－ＨＮ再構成画像を生成する。すなわち、訓練データ生成機能５４３は、第２再構成前データに対してノイズを付加して再構成すること（ノイズ付加処理）により、第１再構成画像のノイズに対応するノイズ付加画像（ＨＲ－ＨＮ再構成画像）を生成する。

訓練データ生成機能５４３は、ＨＲ－ＨＮ再構成画像に対して分解能シミュレーションを実行し、低分解能および高ノイズの第２訓練画像を生成する。すなわち、訓練データ生成機能５４３は、ノイズ付加画像に対して解像度を低減することにより、第１再構成画像のノイズおよび解像度に対応する第２訓練画像を生成する。図１１と同様に、モデル生成機能５４４は、第１訓練画像と第２訓練画像とを用いてＤＣＮＮを学習し、ノイズ低減超解像モデルを生成する。

以下、図１０における（ｃ）について、図１４を用いて説明する。図１４は、図１０における（ｃ）に係るモデル生成処理の概要を示す図である。図１０における（ｃ）および図１４に示すように、分解能シミュレーションの対象データは、収集データであって、ノイズシミュレーションの対象のデータは、画像データである。図１４において、第２再構成前データは、一例として、第２基準投影データであるものとする。

訓練データ生成機能５４３は、第２基準投影データを取得する。図１４に示すように、第２基準投影データは、第２スペクトラルデータに準ずる高分解能および低ノイズの基準投影データである。図１４に示すように、訓練データ生成機能５４３は、第２基準投影データを再構成することにより、第１訓練画像を生成する。第１訓練画像は、第２基準投影データに対応する基準物質画像である。訓練データ生成機能５４３は、第２基準投影データに対して分解能シミュレーションを実行し、低分解能低ノイズ（ＬＲ－ＬＮ）基準投影データを生成する。ＬＲ－ＬＮ基準投影データは、第１基準投影データに対応する。次いで、訓練データ生成機能５４３は、ＬＲ－ＬＮ基準投影データを再構成し、ＬＲ－ＬＮ再構成画像を生成する。すなわち、訓練データ生成機能５４３は、第２再構成前データに対して解像度を低減して再構成すること（低解像化処理）により、第２再構成画像の解像度に対応する低解像画像（ＬＲ－ＬＮ再構成画像）を生成する。

訓練データ生成機能５４３は、ＬＲ－ＬＮ再構成画像に対してノイズシミュレーションを実行し、低分解能および高ノイズの第２訓練画像を生成する。すなわち、訓練データ生成機能５４３は、低解像画像に対してノイズを付加することにより、第１再構成画像のノイズおよび解像度に対応する第２訓練画像を生成する。図１４に示す第２訓練画像は、第１基準投影データを再構成した基準物質画像に対応する。図１２および図１３と同様に、モデル生成機能５４４は、図１３に示すように、第１訓練画像と第２訓練画像とを用いてＤＣＮＮを学習し、ノイズ低減超解像モデルを生成する。

以下、図１０における（ｄ）について、図１５を用いて説明する。図１５は、図１０における（ｄ）に係るモデル生成処理の概要を示す図である。図１０における（ｄ）および図１５に示すように、ノイズシミュレーションおよび分解能シミュレーションの対象データは、画像データである。

訓練データ生成機能５４３は、第３投影データを取得する。図１５に示すように、第３投影データは、第２スペクトラルデータに準ずる高分解能および低ノイズの投影データである。図１４に示すように、訓練データ生成機能５４３は、第３投影データを再構成することにより、第１訓練画像を生成する。訓練データ生成機能５４３は、第１訓練画像に対して分解能シミュレーションとノイズシミュレーションとを順に実行し、低分解能および高ノイズの第２訓練画像を生成する。すなわち、訓練データ生成機能５４３は、第１訓練画像に対して解像度を低減してノイズを付加することにより、第１再構成画像のノイズおよび解像度に対応する第２訓練画像を生成する。

なお、図１５では、分解能シミュレーションに続いてノイズシミュレーションを実行する手順が示されているが、これに限定されない。すなわち、訓練データ生成機能５４３は、第１訓練画像に対してノイズシミュレーションを実行し、次いで分解能シミュレーションを実行して、第２訓練画像を生成してもよい。図１２乃至図１４と同様に、モデル生成機能５４４は、図１５に示すように、第１訓練画像と第２訓練画像とを用いてＤＣＮＮを学習し、ノイズ低減超解像モデルを生成する。

以上に述べた実施形態に係る学習装置５により実現されるモデル生成方法は、ノイズ低減超解像処理において用いられる学習済みモデルを生成する。例えば、実施形態に係るモデル生成方法は、記第２スペクトラルデータのノイズおよび解像度に対応する第１訓練データに対してノイズを付加しかつ解像度を低減することにより、第１スペクトラルデータのノイズおよび解像度に対応する第２訓練データを生成し、第１訓練データと第２訓練データとを用いて畳み込みニューラルネットワークを訓練することにより、ノイズ低減超解像処理で用いられる学習済みモデルを生成する。例えば、実施形態に係るモデル生成方法は、第２再構成画像のノイズおよび解像度に対応する再構成前の第２再構成前データに基づいて第１訓練画像を再構成し、第２再構成前データに対してノイズを付加しかつ解像度を低減することにより、第１再構成画像のノイズおよび解像度に対応する再構成前の第１再構成前データを生成し、第１再構成前データに基づいて第２訓練画像を再構成し、第１訓練画像と第２訓練画像とを用いて畳み込みニューラルネットワークを訓練することにより、当該学習済みモデルを生成する。

また、実施形態に係るモデル生成方法は、例えば、第２再構成画像のノイズおよび解像度に対応する再構成前の第２再構成前データに基づいて第１訓練画像を再構成し、第２再構成前データに対してノイズを付加して再構成することにより、第１再構成画像のノイズに対応するノイズ付加画像を生成し、ノイズ付加画像に対して解像度を低減することにより、第１再構成画像のノイズおよび解像度に対応する第２訓練画像を生成し、第１訓練画像と第２訓練画像とを用いて畳み込みニューラルネットワークを訓練することにより、学習済みモデルを生成してもよい。また、実施形態に係るモデル生成方法は、例えば、第２再構成画像のノイズおよび解像度に対応する再構成前の第２再構成前データに基づいて第１訓練画像を再構成し、第２再構成前データに対して解像度を低減して再構成することにより、第１再構成画像の解像度に対応する低解像画像を生成し、低解像画像に対してノイズを付加することにより、第１再構成画像のノイズおよび解像度に対応する第２訓練画像を生成し、第１訓練画像と第２訓練画像とを用いて畳み込みニューラルネットワークを訓練することにより、学習済みモデルを生成してもよい。

また、実施形態に係るモデル生成方法は、例えば、第２再構成画像のノイズおよび解像度に対応する再構成前の第２再構成前データに基づいて第１訓練画像を再構成し、第１訓練画像に対してノイズを付加して解像度を低減することにより、第１再構成画像のノイズおよび解像度に対応する第２訓練画像を生成し、第１訓練画像と第２訓練画像とを用いて畳み込みニューラルネットワークを訓練することにより、学習済みモデルを生成してもよい。

これらのことから、本学習装置５により実現されるモデル生成方法によれば、スペクトラル医用撮像装置により取得された第１スペクトラルデータの種別（例えば、第１再構成前データ（第１投影データ、第２投影データ、第１基準投影データ、および第１カウントデータ等）、および第１再構成画像（第１基準物質画像、第１仮想単色Ｘ線画像、第１仮想非造影画像と、第１ヨードマップ画像、第１実効原子番号画像、第１電子密度画像、第１管電圧画像および第２管電圧画像、第１エネルギー画像等））に応じて、第１スペクトラルデータにおける空間分解能の向上（超解像）とノイズの低減と同時に実現可能な一つの学習済みモデル（ノイズ低減超解像モデル）を生成することができる。また、本モデル生成方法によれば、収集データおよび画像データなどの訓練データの種別によらず、ノイズ低減超解像モデルを生成することができる。以上のことから、本モデル生成方法によれば、医用画像における解剖学的特徴などの物体の視認を向上し、かつ画質を向上させた医用画像を生成可能な学習済みモデルを生成することができる。

（変形例）
なお、本実施形態における変形例として、学習装置５は、超解像すなわち高解像度化を実現する学習済みモデル（以下、超解像モデルと呼ぶ）として、ＤＣＮＮを訓練してもよい。このとき、超解像モデルは、ノイズ低減の作用を有さないものとなる。この場合、図９乃至図１５におけるノイズシミュレーションは不要となる。また、本変形例においては、モデル生成機能５４４は、図１２乃至図１４に示すように、画像ドメインにおいて学習を実行する。すなわち、超解像モデルは、医用データ処理装置において、画像ドメインで実行されることとなる。

本変形例における超解像モデルを適用する場合、再構成処理機能４４３は、例えば、１０２４×１０２４のマトリクスサイズで再構成画像を生成する。データ処理機能４４５は、１０２４×１０２４のマトリクスサイズで再構成画像を、超解像モデルに入力することで、当該再構成画像の超解像画像を生成する。また、本変形例における超解像モデルを適用しない場合、再構成処理機能４４３は、例えば、５１２×５１２のマトリクスサイズで再構成画像を生成する。このとき、データ処理機能４４５は、５１２×５１２のマトリクスサイズで再構成画像を、ノイズ低減モデルに入力することで、当該再構成画像のノイズ低減画像を生成してもよい。

（第１応用例）
本応用例における学習済みモデルは、シングルエネルギーのＸ線を用いた医用撮像装置により生成された訓練データを用いて学習されたモデルである。シングルエネルギーのＸ線を用いた医用撮像装置は、例えば、シングルエネルギーのＸ線を発生し、当該発生されたＸ線を用いた撮像を被検体Ｐにして実行するＸ線ＣＴ装置である。本応用例における医用データ処理装置では、スペクトラル医用撮像装置による被検体Ｐの撮像でのＸ線のスペクトルに関する画像化に、第２スペクトラルデータを用いる。すなわち、本応用例では、シングルエネルギーのＸ線を用いた医用撮像装置により生成された訓練データを用いて学習された学習済みモデルを用いて、実施形態と同様に、スペクトラルイメージングに関するノイズ低減超解像処理を実行することができる。本応用例における学習済みモデルは、実施形態により生成された学習済みモデルに比べて最適ではないが、入力されるデータの関係上、第１スペクトルデータに対する低ノイズ化と高解像度化とに有効である。本応用例におけるノイズ低減超解像処理の手順および効果は、実施形態と同様なため、説明は省略する。

（第２応用例）
本応用例における学習済みモデルは、デュアルエネルギーのＸ線を用いた医用撮像装置により生成された訓練データを用いて学習されたモデルである。デュアルエネルギーのＸ線を用いた医用撮像装置は、ＤＥＣＴ装置である。本応用例における医用データ処理装置では、スペクトラル医用撮像装置による被検体Ｐの撮像でのＸ線のスペクトルに関する画像化に、第２スペクトラルデータを用いる。すなわち、本応用例では、デュアルエネルギーのＸ線を用いた医用撮像装置により生成された訓練データを用いて学習された学習済みモデルを用いて、実施形態と同様に、スペクトラルイメージングに関するノイズ低減超解像処理を実行することができる。本応用例における学習済みモデルは、実施形態により生成された学習済みモデルに比べて最適ではないが、入力されるデータの関係上、第１スペクトルデータに対する低ノイズ化と高解像度化とに有効である。本応用例におけるノイズ低減超解像処理の手順および効果は、実施形態と同様なため、説明は省略する。

（第３応用例）
本応用例における学習済みモデルは、光子計数型Ｘ線コンピュータ断層撮影装置（ＰＣＣＴ装置１）により生成された訓練データを用いて学習されたモデルである。このとき、第１訓練データは、ＰＣＣＴ装置１における高分解能モードでの撮像などにより収集されたデータであってＰＣＣＴ装置１から取得される。また、第２訓練データは、モデル生成処理において説明されたように、各種シミュレーションにより生成されてもよいし、ＰＣＣＴ装置１における通常分解能モードでの撮像などにより収集されたデータであってもよい。本応用例における医用データ処理装置では、スペクトラル医用撮像装置による被検体Ｐの撮像でのＸ線のスペクトルに関する画像化に、第２スペクトラルデータを用いる。すなわち、本応用例では、ＰＣＣＴ装置１により生成された訓練データを用いて学習された学習済みモデルを用いて、実施形態と同様に、スペクトラルイメージングに関するノイズ低減超解像処理を実行することができる。本応用例における学習済みモデルは、実施形態により生成された学習済みモデルに比べて最適ではないが、入力されるデータの関係上、第１スペクトルデータに対する低ノイズ化と高解像度化とに有効である。本応用例におけるノイズ低減超解像処理の手順および効果は、実施形態と同様なため、説明は省略する。

（第４応用例）
本応用例は、ＰＣＣＴ装置１により取得されたスキャンデータ（カウント投影データとも称される）から、エネルギー積分型の検出器（Ｅｎｅｒｇｙ Ｉｎｔｅｇｒａｔｅｄ Ｄｅｔｅｃｔｏｒ：ＥＩＤ）を有するＤＥＣＴ装置により生成される画像データをシミュレートすることにある。ＥＩＤにおけるＸ線検出素子の大きさ（ピクセルサイズ）は、ＰＣＣＴ装置１におけるＸ線検出器１２におけるＸ線検出素子の大きさ（ピクセルサイズ）より大きいものとする。また、ＥＩＤにより生成された投影データは、カウント投影データよりノイズが多いものとする。

図１６は、ＰＣＣＴ装置１により取得されたカウント投影データＣＰＤから、第１高エネルギー単色画像と第１低エネルギー単色画像とを生成する一例を示す図である。第１高エネルギー単色画像および第１低エネルギー単色画像は、それぞれのエネルギーに対応する学習済みモデルを生成する際に用いられる。図１６に示すように、ＰＣＣＴ装置１は、被検体に対するスキャンにより、カウント投影データＣＰＤを取得する。以下、説明を簡便にするために、本応用例におけるエネルギービンは２つであるものとする。すなわち、ＰＣＣＴ装置１は、被検体に対するスキャンにより、カウント投影データＣＰＤとして、第１のエネルギービンに対応する第１のビンデータＢＤ１と、第２のエネルギービンに対応する第２のビンデータＢＤ２とを取得する。第１のビンデータＢＤ１と第２のビンデータＢＤ２とは、それぞれのエネルギービンにおけるＸ線フォトンのカウント数を、ビュー番号および素子番号とともに表したものである。

データ処理機能４４５（または再構成処理機能４４４）は、第１のビンデータＢＤ１と第２のビンデータＢＤ２とに対してマテリアルデコンポジション処理を実行し、第１基準物質のローデータＢＭＰＤ１と第２基準物質のローデータＢＭＰＤ２と生成する。なお、マテリアルデコンポジション処理は、画像処理機能４４４により実行されてもよい。また、マテリアルデコンポジション処理としては既知の技術が適用可能であるため、説明は省略する。例えば、特開２０２０－７５０７８号公報に記載の方法や、米国特許出願公開第２０１５／３７１３７８号明細書に記載のニューラルネットワークを使った方法などを用いることができる。

上記説明では、ビンデータは、２つのエネルギービンについて説明したが、エネルギービンの数は２つに限定されない。例えば、エネルギービンの数は５つであってもよい。このとき、マテリアルデコンポジション処理による物質弁別は、５つの基準物質に対して適用可能となる。エネルギービンの数としては、例えば、２乃至５が好適である。

本応用例の変形例として、データ処理機能４４５（または再構成処理機能４４４）は、第１のビンデータＢＤ１に基づいて第１仮想投影データを生成し、第２のビンデータＢＤ２に基づいて第２仮想投影データを生成してもよい。第１仮想投影データは、仮想的な第１管電圧（低管電圧：Ｌｏｗ ｋＶｐ）に対応する投影データであって、第２仮想投影データは、仮想的な第２管電圧（高管電圧：Ｈｉｇｈ ｋＶｐ）に対応する投影データである。また、第１仮想投影データおよび第２仮想投影データは、高解像度および低ノイズな投影データである。このとき、データ処理機能４４５（または再構成処理機能４４４）は、第１仮想投影データと第２仮想投影データとに対してマテリアルデコンポジション処理を実行し、第１基準物質のローデータＢＭＰＤ１と第２基準物質のローデータＢＭＰＤ２と生成する。

図１６に示すように、再構成処理機能４４３は、第１基準物質のローデータＢＭＰＤ１と第２基準物質のローデータＢＭＰＤ２とに対して再構成処理をそれぞれ実行し、第１の物質に対応する第１基準物質画像ＢＭＩ１１と第２の物質に対応する第２基準物質画像ＢＭＩ１２とを生成する。第１の物質に対応する第１基準物質画像ＢＭＩ１１と第２の物質に対応する第２基準物質画像ＢＭＩ１２とは、２種の基準物質に対応する第１基準物質画像ＭＩ１である。

図１６に示すように、データ処理機能４４５（または画像処理機能４４４）は、第１の物質に対応する第１基準物質画像ＢＭＩ１１と第２の物質に対応する第２基準物質画像ＢＭＩ１２とに対して単色Ｘ線画像生成処理を実行し、互いにエネルギーが異なる第１仮想単色Ｘ線画像ＶＭＩ１を生成する。第１仮想単色Ｘ線画像ＶＭＩ１は、第１高エネルギー単色画像ＨＥＩ１と、第１低エネルギー単色画像ＬＥＩ１とを有する。第１仮想単色Ｘ線画像ＶＭＩ１は、第１再構成画像に相当する。なお、単色Ｘ線画像生成処理は、再構成処理機能４４３により実行されてもよい。また、単色Ｘ線画像生成処理としては既知の技術が適用可能であるため、説明は省略する。

以下、本応用例における学習済みモデルの生成について説明する。図１７は、モデル生成処理の概要の一例を示す図である。図１７に示すように、ノイズシミュレーションおよび分解能シミュレーション（ノイズ・分解能シミュレーション）の対象データは、例えば、５ビンのＨＲ（Ｈｉｇｈ Ｒｅｓｏｌｕｔｉｏｎ）－ＬＮ（Ｌｏｗ Ｎｏｉｓｅ）カウントデータ（カウント投影データ）ＣＰＤである。ＨＲ－ＬＮカウントデータは、高分解能および低ノイズのカウントデータであって、第２カウントデータ、すなわちカウント投影データＣＰＤに相当する。カウント投影データＣＰＤは、第２スペクトルデータに準ずる高分解能および低ノイズのカウントデータである。なお、図１７では、ＨＲ－ＬＮカウントデータは、５ビンであるものとして示されているが、これに限定されず、５ビンとは異なるビン（例えば２ビン）のカウント投影データであってもよい。

図１７に示すように、訓練データ生成機能５４３は、ＨＲ－ＬＮカウントデータを、ＰＣＣＴ装置１から取得する。訓練データ生成機能５４３は、ＨＲ－ＬＮカウントデータに対してマテリアルデコンポジション処理を実行し、ＨＲ－ＬＮ（高分解能低ノイズ）物質弁別ローデータを生成する。ＨＲ－ＬＮカウントデータが５ビンに属する５つのカウント投影データを有する場合、訓練データ生成機能５４３は、５つの物質に弁別した５つのＨＲ－ＬＮ物質弁別ローデータを生成可能である。

図１７に示すように、訓練データ生成機能５４３は、ＨＲ－ＬＮ物質弁別ローデータを再構成することにより、予めされたＸ線エネルギー（ｋｅＶ）に対応する第１訓練ｋｅＶ画像を生成する。第１訓練ｋｅＶ画像は、第１仮想単色Ｘ線画像に相当する。なお、訓練データ生成機能５４３は、ＨＲ－ＬＮ物質弁別ローデータを再構成することにより、他のＸ線のエネルギーに対応する第１仮想単色Ｘ線画像を生成してもよい。当該再構成としては、例えば、フィルタ補正逆投影法（ＦＢＰ法：Ｆｉｌｔｅｒｅｄ Ｂａｃｋ Ｐｒｏｊｅｃｔｉｏｎ）などの解析的再構成、モデルベースの逐次近似再構成、投影データの入力により再構成画像を出力するディープニューラルネットワークなど、既知の処理が適用可能である。また、当該再構成手法において、ノイズ低減処理などの各種処理が適用されてもよい。

図１７に示すように、訓練データ生成機能５４３は、ＨＲ－ＬＮカウントデータに対してノイズ・分機能シミュレーションを実行する。ノイズ・分解能シミュレーションは、上述のノイズシミュレーション（ノイズ付加処理）と分解能シミュレーション（低解像度化処理）とを実行することに相当する。例えば、訓練データ生成機能５４３は、ＨＲ－ＬＮカウントデータにおける複数のビンデータ各々に対して、ノイズ・分解能シミュレーションを実行する。これにより、訓練データ生成機能５４３は、低分解能高ノイズ（ＬＲ（Ｌｏｗ ｒｅｓｏｌｕｔｉｏｎ）－ＨＮ（Ｈｉｇｈ Ｎｏｉｓｅ））カウントデータを生成する。

なお、複数のビン各々に対応するビンデータに対するノイズ・分解能シミュレーションは、複数のビンに亘って共通であってもよいし、異なっていてもよい。例えば、訓練データ生成機能５４３は、ＨＲ－ＬＮカウントデータにおける複数のビンに対応する複数のビンデータに対して、低エネルギーのビンほど、多くのノイズをビンデータに付加する。すなわち、訓練データ生成機能５４３は、ビンデータごとに付加するノイズを、ビンデータに関するエネルギー（エネルギービン）に応じて異ならせる。これにより、ＤＣＮＮの学習に用いられるデータを、例えばＥＩＤを有するＤＥＣＴ装置により生成される画像データのノイズ特性に近づけることができる。すなわち通常のＸ線ＣＴ装置またはＤＥ装置において低エネルギー側の画質がより悪くなる傾向を、ＤＣＮＮの学習に用いられるデータに反映させることができる。

図１７に示すように、訓練データ生成機能５４３は、ＬＲ－ＨＮカウントデータに対してマテリアルデコンポジション処理を実行し、ＬＲ－ＨＮ（低高分解能高ノイズ）物質弁別ローデータを生成する。ＬＲ－ＨＮカウントデータが５ビンに属する５つのカウント投影データを有する場合、訓練データ生成機能５４３は、５つの物質に弁別した５つのＬＲ－ＨＮ物質弁別ローデータを生成可能である。

図１７に示すように、訓練データ生成機能５４３は、ＬＲ－ＨＮ物質弁別ローデータを再構成することにより、予めされたＸ線エネルギー（ｋｅＶ）に対応する第２訓練ｋｅＶ画像を生成する。第２訓練ｋｅＶ画像は、第１仮想単色Ｘ線画像と同様のＸ線のエネルギーに対応する第２仮想単色Ｘ線画像である。なお、訓練データ生成機能５４３は、ＬＲ－ＨＮ物質弁別ローデータを再構成することにより、他のＸ線のエネルギーに対応する第２仮想単色Ｘ線画像を生成してもよい。当該再構成としては、例えば、フィルタ補正逆投影法（ＦＢＰ法：Ｆｉｌｔｅｒｅｄ Ｂａｃｋ Ｐｒｏｊｅｃｔｉｏｎ）などの解析的再構成、モデルベースの逐次近似再構成、投影データの入力により再構成画像を出力するディープニューラルネットワークなど、既知の処理が適用可能である。また、当該再構成手法において、ノイズ低減処理などの各種処理が適用されてもよい。

なお、図１７での説明では、マテリアルデコンポジション処理の後に、再構成処理を実行する手順で説明したが、第１訓練ｋｅＶ画像および第２訓練ｋｅＶ画像の生成は、これに拘泥されない。例えば、ＨＲ－ＬＮカウントデータに対して再構成処理を実行して複数のビンに対応する複数の画像を生成し、次いでマテリアルデコンポジション処理により第１訓練ｋｅＶ画像を生成してもよい。また、ＬＲ－ＨＮカウントデータに対して再構成処理を実行して複数のビンに対応する複数の画像を生成し、次いでマテリアルデコンポジション処理により第２訓練ｋｅＶ画像を生成してもよい。

図１１と同様に、モデル生成機能５４４は、第１訓練ｋｅＶ画像と第２訓練ｋｅＶ画像とを用いてＤＣＮＮを学習し、ノイズ低減超解像モデルを生成する。すなわち、本応用例における学習済みモデルは、光子計数型Ｘ線コンピュータ断層撮影装置（ＰＣＣＴ装置）により撮像された被検体Ｐに関するカウント投影データに基づいて生成された第１仮想単色Ｘ線画像（第１訓練ｋｅＶ画像）と、当該カウント投影データに対する低解像化処理とノイズ付加処理とを含むシミュレーション処理（ノイズ・分解能シミュレーション処理）を当該カウント投影データに適用して得られる第２仮想単色Ｘ線画像（第２訓練ｋｅＶ画像）と、に基づき訓練される。

また、本応用例における第１仮想単色Ｘ線画像（第１訓練ｋｅＶ画像）は、複数のエネルギービンに対応する複数のビンデータに対するマテリアルデコンポジション処理により、複数のＸ線のエネルギーに対応する複数の第１仮想単色Ｘ線画像を含んでいてもよい。また、本応用例における第２の仮想単色Ｘ線画像（第２訓練ｋｅＶ画像）も同様に、複数のＸ線のエネルギーに対応する複数の第２仮想単色Ｘ線画像を含んでいてもよい。これらの場合、本応用例における学習済みモデルは、複数のＸ線のエネルギーに対応する複数の学習済みモデルを有する。このとき、複数の学習済みモデルは、複数の第１仮想単色Ｘ線画像と複数の第２仮想単色Ｘ線画像とを、前記複数のＸ線のエネルギーごとに用いて訓練される。

本応用例における効果は、実施形態などと同様なため説明は省略する。

実施形態における技術的思想を医用データ処理方法で実現する場合、医用データ処理方法は、スペクトラル医用撮像装置により撮像された被検体Ｐに関する第１スペクトラルデータより低ノイズであって第１スペクトラルデータより超解像の第２スペクトラルデータを第１スペクトラルデータに基づいて生成する学習済みモデルに対して、第１スペクトラルデータを入力することで、第２スペクトラルデータを出力し、第１スペクトラルデータは、被検体Ｐに対するスペクトラルスキャンにより得られた医用データに対応し、学習済みモデルは、第１スペクトラルデータに対してノイズ低減処理と超解像処理とを実行する。医用データ処理方法により実行されるノイズ低減超解像処理の手順および効果は、実施形態と同様なため、説明は省略する。

実施形態における技術的思想を医用データ処理装置で実現する場合、医用データ処理装置は、スペクトラル医用撮像装置により撮像された被検体Ｐに関する第１スペクトラルデータより低ノイズであって第１スペクトラルデータより超解像の第２スペクトラルデータを第１スペクトラルデータに基づいて生成する学習済みモデルに対して、第１スペクトラルデータを入力することで、第２スペクトラルデータを出力するデータ処理部を備え、第１スペクトラルデータは、被検体Ｐに対するスペクトラルスキャンにより得られた医用データに対応し、学習済みモデルは、第１スペクトラルデータに対してノイズ低減処理と超解像処理とを実行する。医用データ処理装置により実行されるノイズ低減超解像処理の手順および効果は、実施形態と同様なため、説明は省略する。

本実施形態における技術的思想を医用データ処理プログラムで実現する場合、医用データ処理プログラムは、コンピュータに、スペクトラル医用撮像装置により撮像された被検体Ｐに関する第１スペクトラルデータより低ノイズであって第１スペクトラルデータより超解像の第２スペクトラルデータを第１スペクトラルデータに基づいて生成する学習済みモデルに対して、第１スペクトラルデータを入力することで、第２スペクトラルデータを出力することを実現させ、第１スペクトラルデータは、前記被検体Ｐに対するスペクトラルスキャンにより得られた医用データに対応し、学習済みモデルは、第１スペクトラルデータに対してノイズ低減処理と超解像処理とを実行する。医用データ処理プログラムは、例えば、コンピュータが読取可能な非不揮発性記憶媒体に記憶される。

例えば、医用データ処理に関する各種サーバ装置（処理装置）に医用データ処理プログラムを非不揮発性記憶媒体からインストールし、これらをメモリ上で展開することによっても、ノイズ低減超解像処理を実現することができる。このとき、コンピュータに当該手法を実行させることのできるプログラムは、磁気ディスク（ハードディスクなど）、光ディスク（ＣＤ－ＲＯＭ、ＤＶＤなど）、半導体メモリなどの記憶媒体に格納して頒布することも可能である。医用データ処理プログラムにおける処理手順および効果は、実施形態と同様なため、説明は省略する。

以上説明した少なくとも１つの実施形態等によれば、スペクトラルイメージングにより生成されるスペクトラル医用画像における解剖学的特徴などの物体の視認性を向上し、かつ画質を向上させたスペクトラル医用画像を生成することができる。

いくつかの実施形態を参照して本開示を説明したが、これらの実施形態は、本開示の原理と用途の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。

以上の実施形態等に関し、発明の一側面および選択的な特徴として以下の付記を開示する。
（付記１）
スペクトラル医用撮像装置により撮像された被検体に関する第１スペクトラルデータより低ノイズであって前記第１スペクトラルデータより高解像の第２スペクトラルデータを前記第１スペクトラルデータに基づいて生成する学習済みモデルに対して、前記第１スペクトラルデータを入力することで、前記第２スペクトラルデータを出力し、前記第１スペクトラルデータは、前記被検体に対するスペクトラルスキャンにより得られた医用データに対応し、前記学習済みモデルは、前記第１スペクトラルデータに対して低ノイズ化と高解像度化との処理を実行する、医用データ処理方法。
（付記２）
前記第１スペクトラルデータは、前記スペクトラル医用撮像装置による前記被検体の撮像により収集された再構成前の第１再構成前データであってもよく、前記第２スペクトラルデータは、再構成前の第２再構成前データであってもよく、前記再構成前の第２再構成前データに基づいて医用画像を生成してもよい。
（付記３）
前記第１再構成前データは、前記スペクトラル医用撮像装置において第１管電圧で収集された第１投影データと、前記第１管電圧より高い第２管電圧で収集された第２投影データとに対応してもよく、前記第２再構成前データは、前記第１投影データに対応する第３投影データ、および前記第２投影データに対応する第４投影データに対応してもよい。
（付記４）
前記第１再構成前データは、複数の基準物質各々に対応する第１基準投影データであってもよく、前記第２再構成前データは、前記第１基準投影データに対応する第２基準投影データであってもよい。
（付記５）
前記第１再構成前データは、複数のエネルギー範囲各々に対応する第１カウントデータであってもよく、前記第２再構成前データは、前記第１カウントデータに対応する第２カウントデータであってもよい。
（付記６）
前記第１スペクトラルデータは、前記スペクトラル医用撮像装置による前記被検体の撮像により収集された収集データに基づいて再構成された第１再構成画像であってもよく、前記第２スペクトラルデータは、前記第１再構成画像より低ノイズであって前記第１再構成画像より高解像の第２再構成画像であってもよい。
（付記７）
前記第１再構成画像は、複数の基準物質に対応する複数の第１基準物質画像であってもよく、前記第２再構成画像は、前記複数の第１基準物質画像に対応する複数の第２基準物質画像であってもよい。
（付記８）
前記第１再構成画像は、Ｘ線のエネルギーが異なる少なくとも一つの第１仮想単色Ｘ線画像であってもよく、前記第２再構成画像は、前記第１仮想単色Ｘ線画像に対応する第２仮想単色Ｘ線画像であってもよい。
（付記９）
前記第１再構成画像は、第１仮想非造影画像であってもよく、前記第２再構成画像は、前記第１仮想非造影画像に対応する第２仮想非造影画像であってもよい。
（付記１０）
前記第１再構成画像は、第１ヨードマップ画像であってもよく、前記第２再構成画像は、前記第１ヨードマップ画像に対応する第２ヨードマップ画像であってもよい。
（付記１１）
前記第１再構成画像は、第１実効原子番号画像であってもよく、前記第２再構成画像は、前記第１実効原子番号画像に対応する第２実効原子番号画像であってもよい。
（付記１２）
前記第１再構成画像は、第１電子密度画像であってもよく、前記第２再構成画像は、前記第１電子密度画像に対応する第２電子密度画像であってもよい。
（付記１３）
前記第１再構成画像は、複数のエネルギー範囲に対応する複数の第１エネルギー画像であってもよく、前記第２再構成画像は、前記複数の第１エネルギー画像に対応する複数の第２エネルギー画像であってもよい。
（付記１４）
前記第１再構成画像は、前記スペクトラル医用撮像装置による撮像で用いられた第１管電圧に対応する第１管電圧画像および前記第１管電圧より高い第２管電圧に対応する第２管電圧画像であってもよく、前記第２再構成画像は、前記第１管電圧画像に対応する第３管電圧画像、および前記第２管電圧画像に対応する第４管電圧画像であってもよい。
（付記１５）
前記学習済みモデルは、シングルエネルギーのＸ線を用いた医用撮像装置により生成された訓練データを用いて学習されたモデルであってもよく、前記スペクトラル医用撮像装置による前記被検体の撮像でのＸ線のスペクトルに関する画像化に、前記第２スペクトラルデータを用いてもよい。
（付記１６）
前記学習済みモデルは、デュアルエネルギーのＸ線を用いた医用撮像装置により生成された訓練データを用いて学習されたモデルであってもよく、前記スペクトラル医用撮像装置による前記被検体の撮像でのＸ線のスペクトルに関する画像化に、前記第２スペクトラルデータを用いてもよい。
（付記１７）
前記学習済みモデルは、光子計数型Ｘ線コンピュータ断層撮影装置により生成された訓練データを用いて学習されたモデルであってもよく、前記スペクトラル医用撮像装置による前記被検体の撮像でのＸ線のスペクトルに関する画像化に、前記第２スペクトラルデータを用いてもよい。
（付記１８）
付記１乃至１４のいずれか一つに記載の医用データ処理方法における前記学習済みモデルを生成するモデル生成方法であって、前記第２スペクトラルデータのノイズおよび解像度に対応する第１訓練データに対してノイズを付加しかつ解像度を低減することにより、前記第１スペクトラルデータのノイズおよび解像度に対応する第２訓練データを生成し、前記第１訓練データと前記第２訓練データとを用いて畳み込みニューラルネットワークを訓練することにより、前記学習済みモデルを生成するモデル生成方法。
（付記１９）
付記６乃至１４のいずれか一つに記載の医用データ処理方法における前記学習済みモデルを生成するモデル生成方法であって、前記第２再構成画像のノイズおよび解像度に対応する再構成前の第２再構成前データに対してノイズを付加しかつ解像度を低減することにより、前記第１再構成画像のノイズおよび解像度に対応する再構成前の第１再構成前データを生成し、前記第１再構成前データと前記第２再構成前データとを用いて畳み込みニューラルネットワークを訓練することにより、前記学習済みモデルを生成する、モデル生成方法。
（付記２０）
付記６乃至１４のいずれか一つに記載の医用データ処理方法における前記学習済みモデルを生成するモデル生成方法であって、前記第２再構成画像のノイズおよび解像度に対応する再構成前の第２再構成前データに対してノイズを付加しかつ解像度を低減することにより、前記第１再構成画像のノイズおよび解像度に対応する再構成前の第１再構成前データを、第１訓練画像として生成し、前記第２再構成前データに基づいて、第１訓練画像を再構成し、前記第１再構成前データに基づいて、第２訓練画像を再構成し、前記第１訓練画像と前記第２訓練画像とを用いて畳み込みニューラルネットワークを訓練することにより、前記学習済みモデルを生成する、モデル生成方法。
（付記２１）
付記６乃至１４のいずれか一つに記載の医用データ処理方法における前記学習済みモデルを生成するモデル生成方法であって、前記第２再構成画像のノイズおよび解像度に対応する再構成前の第２再構成前データに基づいて、第１訓練画像を再構成し、前記第２再構成前データに対してノイズを付加して再構成することにより、前記第１再構成画像のノイズに対応するノイズ付加画像を生成し、前記ノイズ付加画像に対して解像度を低減することにより、前記第１再構成画像のノイズおよび解像度に対応する第２訓練画像を生成し、前記第１訓練画像と前記第２訓練画像とを用いて畳み込みニューラルネットワークを訓練することにより、前記学習済みモデルを生成する、モデル生成方法。
（付記２２）
付記６乃至１４のいずれか一つに記載の医用データ処理方法における前記学習済みモデルを生成するモデル生成方法であって、前記第２再構成画像のノイズおよび解像度に対応する再構成前の第２再構成前データに基づいて、第１訓練画像を再構成し、前記第２再構成前データに対して解像度を低減して再構成することにより、前記第１再構成画像の解像度に対応する低解像画像を生成し、前記低解像画像に対してノイズを付加することにより、前記第１再構成画像のノイズおよび解像度に対応する第２訓練画像を生成し、前記第１訓練画像と前記第２訓練画像とを用いて畳み込みニューラルネットワークを訓練することにより、前記学習済みモデルを生成する、モデル生成方法。
（付記２３）
付記６乃至１４のいずれか一つに記載の医用データ処理方法における前記学習済みモデルを生成するモデル生成方法であって、前記第２再構成画像のノイズおよび解像度に対応する再構成前の第２再構成前データに基づいて、第１訓練画像を再構成し、前記第１訓練画像に対してノイズを付加して解像度を低減することにより、前記第１再構成画像のノイズおよび解像度に対応する第２訓練画像を生成し、前記第１訓練画像と前記第２訓練画像とを用いて畳み込みニューラルネットワークを訓練することにより、前記学習済みモデルを生成する、モデル生成方法。
（付記２４）
スペクトラル医用撮像装置により撮像された被検体に関する第１スペクトラルデータより低ノイズであって前記第１スペクトラルデータより高解像の第２スペクトラルデータを前記第１スペクトラルデータに基づいて生成する学習済みモデルに対して、前記第１スペクトラルデータを入力することで、前記第２スペクトラルデータを出力する処理回路を備え、前記第１スペクトラルデータは、前記被検体に対するスペクトラルスキャンにより得られた医用データに対応し、前記学習済みモデルは、前記第１スペクトラルデータに対して低ノイズ化と高解像度化との処理を実行する、医用データ処理装置。
（付記２５）
コンピュータに、
スペクトラル医用撮像装置により撮像された被検体に関する第１スペクトラルデータより低ノイズであって前記第１スペクトラルデータより高解像の第２スペクトラルデータを前記第１スペクトラルデータに基づいて生成する学習済みモデルに対して、前記第１スペクトラルデータを入力することで、前記第２スペクトラルデータを出力することを実現させ、前記第１スペクトラルデータは、前記被検体に対するスペクトラルスキャンにより得られた医用データに対応し、前記学習済みモデルは、前記第１スペクトラルデータに対して低ノイズ化と高解像度化との処理を実行する、医用データ処理プログラム。

１ ＰＣＣＴ装置
５ 学習装置
１０ 架台装置
１１ Ｘ線管
１２ Ｘ線検出器
１３ 回転フレーム
１４ Ｘ線高電圧装置
１５ 制御装置
１６ ウェッジ
１７ コリメータ
１８ ＤＡＳ（Ｄａｔａ Ａｃｑｕｉｓｉｔｉｏｎ Ｓｙｓｔｅｍ）
３０ 寝台装置
３１ 基台
３２ 寝台駆動装置
３３ 天板
３４ 支持フレーム
４０ コンソール装置
４１ メモリ
４２ ディスプレイ
４３ 入力インターフェース
４４ 処理回路
５１ メモリ
５４ 処理回路
４４１ システム制御機能
４４２ 前処理機能
４４３ 再構成処理機能
４４４ 画像処理機能
４４５ データ処理機能
５４３ 訓練データ生成機能
５４４ モデル生成機能

Claims (18)

1. スペクトラル医用撮像装置により撮像された被検体に関する第１スペクトラルデータより低ノイズであって前記第１スペクトラルデータより高解像の第２スペクトラルデータを前記第１スペクトラルデータに基づいて生成する学習済みモデルに対して、前記第１スペクトラルデータを入力することで、前記第２スペクトラルデータを出力し、
   前記第１スペクトラルデータは、前記被検体に対するスペクトラルスキャンにより得られた医用データに対応し、
   前記学習済みモデルは、前記第１スペクトラルデータに対してノイズ低減処理と超解像処理とを実行する、
   医用データ処理方法。
2. 前記第１スペクトラルデータは、前記スペクトラル医用撮像装置による前記被検体の撮像により収集された再構成前の第１再構成前データであって、
   前記第２スペクトラルデータは、再構成前の第２再構成前データであって、
   前記再構成前の第２再構成前データに基づいて医用画像を生成する、
   請求項１に記載の医用データ処理方法。
3. 前記第１再構成前データは、前記スペクトラル医用撮像装置において第１管電圧で収集された第１投影データおよび前記第１管電圧より高い第２管電圧で収集された第２投影データと、複数の基準物質各々に対応する第１基準投影データと、複数のエネルギー範囲各々に対応する第１カウントデータと、のうちいずれかであって、
   前記第２再構成前データは、前記第１投影データに対応する第３投影データおよび前記第２投影データに対応する第４投影データと、前記第１基準投影データに対応する第２基準投影データと、前記第１カウントデータに対応する第２カウントデータと、のうちいずれかであって、
   前記第１投影データおよび前記第２投影データを前記学習済みモデルに入力する場合、前記第３投影データおよび前記第４投影データを出力し、
   前記第１基準投影データを前記学習済みモデルに入力する場合、前記第２基準投影データを出力し、
   前記第１カウントデータを前記学習済みモデルに入力する場合、前記第２カウントデータを出力する、
   請求項２に記載の医用データ処理方法。
4. 前記第１スペクトラルデータは、前記スペクトラル医用撮像装置による前記被検体の撮像により収集された収集データに基づいて再構成された第１再構成画像であって、
   前記第２スペクトラルデータは、前記第１再構成画像より低ノイズであって前記第１再構成画像より高解像の第２再構成画像である、
   請求項１に記載の医用データ処理方法。
5. 前記第１再構成画像は、複数の基準物質に対応する複数の第１基準物質画像と、Ｘ線のエネルギーが異なる少なくとも一つの第１仮想単色Ｘ線画像と、第１仮想非造影画像と、第１ヨードマップ画像と、第１実効原子番号画像と、第１電子密度画像と、複数のエネルギー範囲に対応する複数の第１エネルギー画像と、前記スペクトラル医用撮像装置による撮像で用いられた第１管電圧に対応する第１管電圧画像および前記第１管電圧より高い第２管電圧に対応する第２管電圧画像と、のうちいずれかであって、
   前記第２再構成画像は、前記複数の第１基準物質画像に対応する複数の第２基準物質画像と、前記第１仮想単色Ｘ線画像に対応する第２仮想単色Ｘ線画像と、前記第１仮想非造影画像に対応する第２仮想非造影画像と、前記第１ヨードマップ画像に対応する第２ヨードマップ画像と、前記第１実効原子番号画像に対応する第２実効原子番号画像と、前記第１電子密度画像に対応する第２電子密度画像と、前記複数の第１エネルギー画像に対応する複数の第２エネルギー画像と、前記第１管電圧画像に対応する第３管電圧画像および前記第２管電圧画像に対応する第４管電圧画像と、のうちいずれかであって、
   前記複数の第１基準物質画像を前記学習済みモデルに入力する場合、前記複数の第２基準物質画像を出力し、
   前記第１仮想単色Ｘ線画像を前記学習済みモデルに入力する場合、前記第２仮想単色Ｘ線画像を出力し、
   前記第１仮想非造影画像を前記学習済みモデルに入力する場合、前記第２仮想非造影画像を出力し、
   前記第１ヨードマップ画像を前記学習済みモデルに入力する場合、前記第２ヨードマップ画像を出力し、
   前記第１実効原子番号画像を前記学習済みモデルに入力する場合、前記第２実効原子番号画像を出力し、
   前記第１電子密度画像を前記学習済みモデルに入力する場合、前記第２電子密度画像を出力し、
   前記複数の第１エネルギー画像を前記学習済みモデルに入力する場合、前記複数の第２エネルギー画像を出力し、
   前記第１管電圧画像と前記第２管電圧画像を前記学習済みモデルに入力する場合、前記第３管電圧画像と前記第４管電圧画像とを出力する、
   請求項４に記載の医用データ処理方法。
6. 前記第１再構成画像は、前記スペクトラル医用撮像装置による撮像で用いられた第１管電圧に対応する第１管電圧画像および前記第１管電圧より高い第２管電圧に対応する第２管電圧画像であって、
   前記第２再構成画像は、前記第１管電圧画像に対応する第３管電圧画像、および前記第２管電圧画像に対応する第４管電圧画像である、
   請求項４に記載の医用データ処理方法。
7. 前記学習済みモデルは、シングルエネルギーのＸ線を用いた医用撮像装置により生成された訓練データを用いて学習されたモデルであって、
   前記スペクトラル医用撮像装置による前記被検体の撮像でのＸ線のスペクトルに関する画像化に、前記第２スペクトラルデータを用いる、
   請求項１乃至６のいずれか一項に記載の医用データ処理方法。
8. 前記学習済みモデルは、デュアルエネルギーのＸ線を用いた医用撮像装置により生成された訓練データを用いて学習されたモデルであって、
   前記スペクトラル医用撮像装置による前記被検体の撮像でのＸ線のスペクトルに関する画像化に、前記第２スペクトラルデータを用いる、
   請求項１乃至６のいずれか一項に記載の医用データ処理方法。
9. 前記学習済みモデルは、光子計数型Ｘ線コンピュータ断層撮影装置により生成された訓練データを用いて学習されたモデルであって、
   前記スペクトラル医用撮像装置による前記被検体の撮像でのＸ線のスペクトルに関する画像化に、前記第２スペクトラルデータを用いる、
   請求項１乃至６のいずれか一項に記載の医用データ処理方法。
10. 前記スペクトラル医用撮像装置は、デュアルエネルギーのＸ線を用いるデュアルエネルギーコンピュータ断層撮像装置であり、
    前記学習済みモデルは、
    光子計数型Ｘ線コンピュータ断層撮影装置により撮像された被検体に関するカウント投影データに基づいて生成された第１仮想単色Ｘ線画像と、
    前記カウント投影データに対する低解像化処理とノイズ付加処理とを含むシミュレーション処理を前記カウント投影データに適用して得られる第２仮想単色Ｘ線画像と、
    に基づき訓練される、
    請求項１に記載の医用データ処理方法。
11. 前記第１仮想単色Ｘ線画像は、複数のＸ線のエネルギーに対応する複数の第１仮想単色Ｘ線画像を含み、
    前記第２の仮想単色Ｘ線画像は、前記複数のＸ線のエネルギーに対応する複数の第２仮想単色Ｘ線画像を含み、
    前記学習済みモデルは、前記複数のＸ線のエネルギーに対応する複数の学習済みモデルを有し、
    前記複数の学習済みモデルは、前記複数の第１仮想単色Ｘ線画像と前記複数の第２仮想単色Ｘ線画像とを、前記複数のＸ線のエネルギーごとに用いて訓練される、
    請求項１０に記載の医用データ処理方法。
12. スペクトラル医用撮像装置により撮像された被検体に関する第１スペクトラルデータより低ノイズであって前記第１スペクトラルデータより高解像の第２スペクトラルデータを前記第１スペクトラルデータに基づいて生成する学習済みモデルを生成するモデル生成方法であって、
    前記第２スペクトラルデータのノイズおよび解像度に対応する第１訓練データに対してノイズを付加しかつ解像度を低減することにより、前記第１スペクトラルデータのノイズおよび解像度に対応する第２訓練データを生成し、
    前記第１訓練データと前記第２訓練データとを用いて畳み込みニューラルネットワークを訓練することにより、前記学習済みモデルを生成する、
    モデル生成方法。
13. 前記第１スペクトラルデータは、前記スペクトラル医用撮像装置による前記被検体の撮像により収集された収集データに基づいて再構成された第１再構成画像であって、
    前記第２スペクトラルデータは、前記第１再構成画像より低ノイズであって前記第１再構成画像より高解像の第２再構成画像であって、
    前記第２再構成画像のノイズおよび解像度に対応する再構成前の第２再構成前データに対してノイズを付加しかつ解像度を低減することにより、前記第１再構成画像のノイズおよび解像度に対応する再構成前の第１再構成前データを生成し、
    前記第２再構成前データに基づいて、第１訓練画像を再構成し、
    前記第１再構成前データに基づいて、第２訓練画像を再構成し、
    前記第１訓練画像と前記第２訓練画像とを用いて畳み込みニューラルネットワークを訓練することにより、前記学習済みモデルを生成する、
    請求項１２に記載のモデル生成方法。
14. スペクトラル医用撮像装置により撮像された被検体に関する第１スペクトラルデータより低ノイズであって前記第１スペクトラルデータより高解像の第２スペクトラルデータを前記第１スペクトラルデータに基づいて生成する学習済みモデルに対して、前記第１スペクトラルデータを入力することで、前記第２スペクトラルデータを出力する処理回路を備え、
    前記第１スペクトラルデータは、前記被検体に対するスペクトラルスキャンにより得られた医用データに対応し、
    前記学習済みモデルは、前記第１スペクトラルデータに対してノイズ低減処理と超解像処理とを実行する、
    医用データ処理装置。
15. 前記第１スペクトラルデータは、前記スペクトラル医用撮像装置による前記被検体の撮像により収集された再構成前の第１再構成前データであって、
    前記第２スペクトラルデータは、再構成前の第２再構成前データであって、
    前記処理回路は、前記再構成前の第２再構成前データに基づいて医用画像を生成する、
    請求項１４に記載の医用データ処理装置。
16. 前記第１スペクトラルデータは、前記スペクトラル医用撮像装置による前記被検体の撮像により収集された収集データに基づいて再構成された第１再構成画像であって、
    前記第２スペクトラルデータは、前記第１再構成画像より低ノイズであって前記第１再構成画像より高解像の第２再構成画像である、
    請求項１４に記載の医用データ処理装置。
17. 前記スペクトラル医用撮像装置は、デュアルエネルギーのＸ線を用いるデュアルエネルギーコンピュータ断層撮像装置であり、
    前記学習済みモデルは、
    光子計数型Ｘ線コンピュータ断層撮影装置により撮像された被検体に関するカウント投影データに基づいて生成された第１仮想単色Ｘ線画像と、
    前記カウント投影データに対する低解像化処理とノイズ付加処理とを含むシミュレーション処理を前記カウント投影データに適用して得られる第２仮想単色Ｘ線画像と、
    に基づき訓練される、
    請求項１４または１６に記載の医用データ処理装置。
18. 前記第１仮想単色Ｘ線画像は、複数のＸ線のエネルギーに対応する複数の第１仮想単色Ｘ線画像を含み、
    前記第２仮想単色Ｘ線画像は、前記複数のＸ線のエネルギーに対応する複数の第２仮想単色Ｘ線画像を含み、
    前記学習済みモデルは、前記複数のＸ線のエネルギーに対応する複数の学習済みモデルを有し、
    前記複数の学習済みモデルは、前記複数の第１仮想単色Ｘ線画像と前記複数の第２仮想単色Ｘ線画像とを、前記複数のＸ線のエネルギーごとに用いて訓練される、
    請求項１７に記載の医用データ処理装置。
    

Images