JP2024033627A - 仮想単色ｘ線画像を推論する装置、ｃｔシステム、学習済みニューラルネットワークの作成方法、および記憶媒体 - Google Patents

仮想単色ｘ線画像を推論する装置、ｃｔシステム、学習済みニューラルネットワークの作成方法、および記憶媒体 Download PDF

Info

Publication number
JP2024033627A
JP2024033627A JP2022137324A JP2022137324A JP2024033627A JP 2024033627 A JP2024033627 A JP 2024033627A JP 2022137324 A JP2022137324 A JP 2022137324A JP 2022137324 A JP2022137324 A JP 2022137324A JP 2024033627 A JP2024033627 A JP 2024033627A
Authority
JP
Japan
Prior art keywords
virtual monochromatic
neural network
ray
image
monochromatic
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.)
Granted
Application number
JP2022137324A
Other languages
English (en)
Other versions
JP7322262B1 (ja
Inventor
美代 服部
夕里 寺岡
絢子 松見
靖浩 今井
優平 小池
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.)
KANSAI MEDICAL UNIVERSITY EDUCATIONAL CORPORATION
Original Assignee
KANSAI MEDICAL UNIVERSITY EDUCATIONAL CORPORATION
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 KANSAI MEDICAL UNIVERSITY EDUCATIONAL CORPORATION filed Critical KANSAI MEDICAL UNIVERSITY EDUCATIONAL CORPORATION
Priority to JP2022137324A priority Critical patent/JP7322262B1/ja
Application granted granted Critical
Publication of JP7322262B1 publication Critical patent/JP7322262B1/ja
Priority to US18/456,884 priority patent/US20240065645A1/en
Publication of JP2024033627A publication Critical patent/JP2024033627A/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computerised tomographs
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/42—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with arrangements for detecting radiation specially adapted for radiation diagnosis
    • A61B6/4208—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/46—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment with special arrangements for interfacing with the operator or the patient
    • A61B6/461—Displaying means of special interest
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/481—Diagnostic techniques involving the use of contrast agents
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
    • A61B6/48—Diagnostic techniques
    • A61B6/482—Diagnostic techniques involving multiple energy imaging

Abstract

【課題】シングルエネルギーＣＴのＣＴシステムであっても、エネルギーレベルが異なる複数の仮想単色Ｘ線画像を生成することができる技術を提供する。【解決手段】所定の管電圧（１２０（kVp））が印加されるＸ線管と１つ以上のプロセッサとを含むＣＴシステムであって、前記１つ以上のプロセッサが、被検体から収集されたシングルエネルギーＣＴのデータに基づいて生成されたＣＴ画像１１を学習済みニューラルネットワーク９４に入力すること、およびＣＴ画像１１に基づいて、学習済みニューラルネットワーク９４に、４０（keV）、５０（keV）、６０（keV）、８０（keV）、９０（keV）、および１００（keV）の仮想単色Ｘ線画像２１、２２、２３、２４、２５、２６を推論させることを含む動作を実行するＣＴシステム。【選択図】図４

Description

本発明は、仮想単色Ｘ線画像を推論する装置、仮想単色Ｘ線画像を推論するＣＴシステム、仮想単色Ｘ線画像を推論するための学習済みニューラルネットワークの作成方法、および仮想単色Ｘ線画像を推論するための命令が記憶された記憶媒体に関する。
被検体を非侵襲的に撮影する医用装置としてＣＴシステムが知られている。ＣＴシステムは、短いスキャン時間で被検体の断層画像を取得することができるので、病院などの医療施設に普及している。
ＣＴシステムは、Ｘ線管の陰極－陽極管に所定の電圧を印加し、Ｘ線を発生させる。発生したＸ線は被検体を透過して検出器で検出される。ＣＴシステムは、検出器で検出されたデータに基づいて、被検体のＣＴ画像を再構成している。
再表２０１５／０６４４４６号公報
ＣＴシステムの撮影技術として、シングルエネルギーＣＴ（Single Energy CT、ＳＥＣＴ）が知られている。シングルエネルギーＣＴは、Ｘ線管の陰極－陽極管に所定の電圧（例えば、１２０(kVp)）を印加し、Ｘ線を発生させ、被検体のＣＴ画像を得る方法である。しかし、シングルエネルギーＣＴでは、異なる物質であってもＣＴ値が近い値になることがあり、例えば病変の検出が難しい場合がある。
一方で、デュアルエネルギーＣＴ（Dual Energy CT ＤＥＣＴ）の技術が研究、開発されている。デュアルエネルギーＣＴは、異なるエネルギー領域のＸ線を利用して物質の弁別を行う技術であり、デュアルエネルギーＣＴに対応したＣＴシステムも市販されている。デュアルエネルギーＣＴの技術は応用範囲が広く、例えば、様々なエネルギーレベルの仮想単色Ｘ線画像を生成することができる。異なるエネルギーレベルの仮想単色Ｘ線画像を比較することにより、病変の検出精度を向上させることができるので、デュアルエネルギーＣＴを導入する医療機関も増えつつある。
しかし、デュアルエネルギーＣＴの装置は、一般的にはシングルエネルギーＣＴの装置よりも価格が高く、医療機関の中には、シングルエネルギーＣＴに対応したＣＴシステムは導入されているが、デュアルエネルギーＣＴに対応したＣＴシステムは導入していない医療機関も多い。そこで、シングルエネルギーＣＴのＣＴシステムであっても、エネルギーレベルが異なる複数の仮想単色Ｘ線画像を生成することができる技術が望まれている。
本発明の第１の観点は、被検体から収集されたシングルエネルギーＣＴのデータに基づいて生成されたＣＴ画像を学習済みニューラルネットワークに入力することであって、
前記学習済みニューラルネットワークは、学習フェーズにおいて、ニューラルネットワークが学習データを用いた学習を実行することにより生成されるものであり、
前記学習データが、デュアルエネルギーＣＴのデータに基づいて生成され、且つエネルギーレベルが互いに異なる複数の仮想単色Ｘ線画像を含み、
前記複数の仮想単色Ｘ線画像が、シングルエネルギーＣＴのデータを収集するＣＴシステムの管電圧に相当するエネルギーレベルの第１の仮想単色Ｘ線画像と、エネルギーレベルが互いに異なる第１の２つ以上の仮想単色Ｘ線画像とを含み、
前記学習フェーズにおいて、前記ニューラルネットワークが、前記第１の仮想単色Ｘ線画像が前記ニューラルネットワークの入力として使用され、前記第１の２つ以上の仮想単色Ｘ線画像が前記ニューラルネットワークから出力されるように、前記学習データを用いた学習を実行する、
前記ＣＴ画像を学習済みニューラルネットワークに入力すること、および
入力された前記ＣＴ画像に基づいて、前記学習済みニューラルネットワークに、エネルギーレベルが異なる第２の２つ以上の複数の仮想単色Ｘ線画像を推論させること
を含む動作を実行する１つ以上のプロセッサを含む、装置である。
本発明の第２の観点は、シングルエネルギーＣＴのデータを収集するＣＴシステムであって、
所定の管電圧が印加されるＸ線管と、
１つ以上のプロセッサと
を含み、
前記１つ以上のプロセッサが、
被検体から収集されたシングルエネルギーＣＴのデータに基づいて、ＣＴ画像を生成すること、
前記ＣＴ画像を学習済みニューラルネットワークに入力することであって、
前記学習済みニューラルネットワークは、学習フェーズにおいて、ニューラルネットワークが学習データを用いた学習を実行することにより生成されるものであり、
前記学習データが、デュアルエネルギーＣＴのデータに基づいて生成され、且つエネルギーレベルが互いに異なる複数の仮想単色Ｘ線画像を含み、
前記複数の仮想単色Ｘ線画像が、前記所定の管電圧に相当するエネルギーレベルの第１の仮想単色Ｘ線画像と、エネルギーレベルが互いに異なる第１の２つ以上の仮想単色Ｘ線画像とを含み、
前記学習フェーズにおいて、前記ニューラルネットワークが、前記第１の仮想単色Ｘ線画像が前記ニューラルネットワークの入力として使用され、前記第１の２つ以上の仮想単色Ｘ線画像が前記ニューラルネットワークから出力されるように、前記学習データを用いた学習を実行する、
前記ＣＴ画像を学習済みニューラルネットワークに入力すること、および
入力された前記ＣＴ画像に基づいて、前記学習済みニューラルネットワークに、エネルギーレベルが異なる第２の２つ以上の仮想単色Ｘ線画像を推論させること
を含む動作を実行する、ＣＴシステムである。
本発明の第３の観点は、学習済みニューラルネットワークの作成方法であって、
ニューラルネットワークが学習データを用いた学習を実行することであって、
前記学習データが、デュアルエネルギーＣＴのデータに基づいて生成され、且つエネルギーレベルが互いに異なる複数の仮想単色Ｘ線画像を含み、
前記複数の仮想単色Ｘ線画像が、シングルエネルギーＣＴのデータを収集するＣＴシステムの管電圧に相当するエネルギーレベルの第１の仮想単色Ｘ線画像と、エネルギーレベルが互いに異なる第１の２つ以上の仮想単色Ｘ線画像とを含み、
前記ニューラルネットワークが、前記第１の仮想単色Ｘ線画像が前記ニューラルネットワークの入力として使用され、前記第１の２つ以上の仮想単色Ｘ線画像が前記ニューラルネットワークから出力されるように、前記学習データを用いた学習を実行する、
ニューラルネットワークが学習データを用いた学習を実行すること
を含む、作成方法である。
本発明の第４の観点は、１つ以上のプロセッサによって実行可能な１つ以上の命令が格納された、1つ以上の非一時的でコンピュータ読取可能な記録媒体であって、前記１つ以上の命令は、前記1つ以上のプロセッサに、
被検体から収集されたシングルエネルギーＣＴのデータに基づいて生成されたＣＴ画像を学習済みニューラルネットワークに入力することであって、
前記学習済みニューラルネットワークは、学習フェーズにおいて、ニューラルネットワークが学習データを用いた学習を実行することにより生成されるものであり、
前記学習データが、デュアルエネルギーＣＴのデータに基づいて生成され、且つエネルギーレベルが互いに異なる複数の仮想単色Ｘ線画像を含み、
前記複数の仮想単色Ｘ線画像が、シングルエネルギーＣＴのデータを収集するＣＴシステムの管電圧に相当するエネルギーレベルの第１の仮想単色Ｘ線画像と、エネルギーレベルが互いに異なる第１の２つ以上の仮想単色Ｘ線画像とを含み、
前記学習フェーズにおいて、前記ニューラルネットワークが、前記第１の仮想単色Ｘ線画像が前記ニューラルネットワークの入力として使用され、前記第１の２つ以上の仮想単色Ｘ線画像が前記ニューラルネットワークから出力されるように、前記学習データを用いた学習を実行する、
前記ＣＴ画像を学習済みニューラルネットワークに入力すること、および
入力された前記ＣＴ画像に基づいて、前記学習済みニューラルネットワークに、エネルギーレベルが異なる第２の２つ以上の複数の仮想単色Ｘ線画像を推論させること
を含む動作を実行させる、記憶媒体である。
本発明では、デュアルエネルギーＣＴのデータに基づいて生成された複数の仮想単色Ｘ線画像をニューラルネットワークに学習させて、学習済みニューラルネットワークを作成している。具体的には、シングルエネルギーＣＴのデータを収集するＣＴシステムの管電圧に相当するエネルギーレベルの第１の仮想単色Ｘ線画像をニューラルネットワークの入力とし、エネルギーレベルが互いに異なる第１の２つ以上の仮想単色Ｘ線画像がニューラルネットワークから出力されるように、ニューラルネットワークに学習データを学習させて、学習済みニューラルネットワークを作成している。
このように、本発明では、ニューラルネットワークの入力として使用される第１の仮想単色Ｘ線画像は、ＣＴシステムの管電圧に相当するエネルギーレベルの仮想単色Ｘ線画像である。したがって、ＣＴシステムにより得られたＣＴ画像を学習済みニューラルネットワークに入力することにより、十分な品質の仮想単色Ｘ線画像を推論することができる。また、学習済みニューラルネットワークは、エネルギーレベルが異なる２つ以上の仮想単色Ｘ線画像を推論するので、シングルエネルギーＣＴのＣＴシステムしか導入されていない医療機関であっても、推論された２つ以上の仮想単色Ｘ線画像の中から、臨床目的に対応した最適なコントラストの仮想単色Ｘ線画像を得ることが可能となる。
第１の実施形態におけるＣＴシステム１００の斜視図である。 ＣＴシステム１００のブロック図である。 第１の実施形態においてエネルギーレベルが異なる複数の仮想単色Ｘ線画像を生成する方法の基本的な考え方を説明するためのフロー図である。 ＣＴシステム１００を用いて被検体のスキャンを実行し複数の仮想単色Ｘ線画像を推論するフロー図である。 学習データの説明図である。 患者３１から取得された仮想単色Ｘ線画像の説明図である。 ニューラルネットワーク９３の学習方法の説明図である。 マルチタスクラーニングの手法を用いたニューラルネットワーク９３の学習方法の説明図である。 被検体のスキャンの説明図である。 仮想単色Ｘ線画像ごとに学習済みニューラルネットワークを作成する方法の説明図である。 モード選択画面の一例を示す図である。 エネルギーレベル選択画面の一例を示す図である。 ４０（keV）および５０（keV）の両方のエネルギーレベルが選択された画面を示す図である。 第３の実施形態で実行されるフローチャートである。 関心領域の一例を示す図である。 各仮想単色Ｘ線画像に対して計算されたＣＮＲを示す図である。 実際に推論した仮想単色Ｘ線画像を示す図である。
以下、発明を実施するための形態について説明するが、本発明は、以下の形態に限定されることはない。
（１）第１の実施形態
図１は、第１の実施形態におけるＣＴシステム１００の斜視図である。
ＣＴシステム１００は、ガントリ１０２を有している。ガントリ１０２は開口部１０７を有しており、その開口部１０７に被検体１１２が搬送され、被検体１１をスキャンすることができる。
図２は、ＣＴシステム１００のブロック図である。
ガントリ１０２には、Ｘ線管１０４、フィルタ部１０３、前置コリメータ１０５、および検出器アレイ１０８などが取り付けられている。
Ｘ線管１０４は、陰極－陽極管に所定の電圧（例えば、１２０kVp）が印加されることにより、Ｘ線を発生させる。
フィルタ部１０３は、例えば、平板フィルタおよび／又はボウタイフィルタを含んでいる。
前置コリメータ１０５は、不要な領域にＸ線が照射されないようにX線の照射範囲を絞り込むための部材である。
検出器アレイ１０８は複数の検出器素子２０２を含んでいる。複数の検出器素子２０２は、Ｘ線管１０４から照射され、撮影対象である被検体１１２を通過するＸ線ビーム１０６を検出する。したがって、検出器アレイ１０８は、ビューごとに投影データを取得することができる。
Ｘ線検出器１０８により検出された投影データは、ＤＡＳ２１４で収集される。ＤＡＳ２１４は、収集した投影データに対して、サンプリング、デジタル変換などを含む所定の処理を実行する。処理された投影データは、コンピュータ２１６に送信される。コンピュータ２１６は、ＤＡＳ２１４からのデータを記憶装置２１８に記憶する。記憶装置２１８は、プログラムや、プロセッサで実行される命令などを記憶する1つ以上の記憶媒体を含むものである。記憶媒体は、例えば、1つ以上の非一時的でコンピュータ読取可能な記録媒体とすることができる。記憶装置２１８は、例えば、ハードディスクドライブ、フロッピーディスクドライブ、コンパクトディスク読み出し／書き込み（ＣＤ－Ｒ／Ｗ）ドライブ、デジタル多用途ディスク（ＤＶＤ）ドライブ、フラッシュドライブ、および／またはソリッドステート記憶ドライブを含むことができる。
コンピュータ２１６は１つ又は複数のプロセッサを含んでいる。コンピュータ２１６は、１つ又は複数のプロセッサを使用して、ＤＡＳ２１４、Ｘ線コントローラ２１０、および／又はガントリモータコントローラ２１２に、コマンドおよびパラメータを出力し、データ取得および／または処理などのシステム動作を制御する。
コンピュータ２１６には、オペレータコンソール２２０が結合されている。オペレータは、オペレータコンソール２２０を操作することにより、ＣＴシステム１００の動作に関連する所定のオペレータ入力をコンピュータ２１６に入力することができる。コンピュータ２１６は、オペレータコンソール２２０を介して、コマンドおよび／またはスキャンパラメータを含むオペレータ入力を受信し、そのオペレータ入力に基づいてシステム動作を制御する。オペレータコンソール２２０は、オペレータがコマンドおよび／またはスキャンパラメータを指定するためのキーボード（図示せず）またはタッチスクリーンを含むことができる。
Ｘ線コントローラ２１０は、コンピュータ２１６からの信号に基づいてＸ線管１０４を制御する。また、ガントリモータコントローラ２１２は、コンピュータ２１６からの信号に基づいてガントリモータを制御する。
図２は、１つのオペレータコンソール２２０のみを示しているが、２つ以上のオペレータコンソールをコンピュータ２１６に結合してもよい。
また、ＣＴシステム１００は、例えば、有線ネットワークおよび／又は無線ネットワークを介して、遠隔に位置する複数のディスプレイ、プリンタ、ワークステーションなどのデバイスが結合されるようにしてもよい。
一実施形態では、例えば、ＣＴシステム１００は、画像保管通信システム（ＰＡＣＳ）２２４を含んでいてもよいし、ＰＡＣＳ２２４に結合されていてもよい。例示的な実施態様では、ＰＡＣＳ２２４は、放射線科情報システム、病院情報システム、および／または内部もしくは外部ネットワーク（図示せず）などの遠隔システムに結合することができる。
コンピュータ２１６は、テーブルモータコントローラ１１８に、テーブル１１６を制御するためのコマンドを供給する。テーブルモータコントローラ１１８は、受け取ったコマンドに基づいてテーブル１１６を制御することができる。特に、テーブルモータコントローラ１１８は、ガントリ１０２の開口部１０７内で被検体１１２が適切に位置決めされるように、テーブル１１６を移動することができる。
前述のように、ＤＡＳ２１４は、検出器素子２０２によって取得された投影データをサンプリングしてデジタル変換する。その後、画像再構成器２３０が、サンプリングされデジタル変換されたデータを使用して画像を再構成する。画像再構成器２３０は１つ又は複数のプロセッサを含んでおり、このプロセッサが画像再構成の処理を実行することができる。図２では、画像再構成器２３０は、コンピュータ２１６とは別個の構成要素として示されているが、画像再構成器２３０は、コンピュータ２１６の一部を形成するものであってもよい。また、コンピュータ２１６が、画像再構成器２３０の１つまたは複数の機能を実施してもよい。さらに、画像再構成器２３０は、ＣＴシステム１００からから離れた位置に設けられ、有線ネットワークまたは無線ネットワークを使用してＣＴシステム１００に動作可能に接続されるようにしてもよい。
画像再構成器２３０は、再構成された画像を記憶装置２１８に記憶することができる。また、画像再構成器２３０は、再構成された画像をコンピュータ２１６に送信してもよい。コンピュータ２１６は、再構成された画像および／または患者情報を、コンピュータ２１６および／または画像再構成器２３０に通信可能に結合された表示部２３２に送信することができる。
コンピュータ２１６および／または画像再構成器２３０は、被検体のスキャンにより収集されたデータの処理を実行する装置、オペレータコンソール２２０から受け取ったデータに基づいて各種の処理を実行する装置、各種コントローラ（１１８、２１０、２１２など）から受け取ったデータに基づいて各種の処理を実行する装置を構成する。
尚、コンピュータ２１６および／または画像再構成器２３０が実行する処理の少なくとも一部を、ＣＴシステム１００とは別の外部装置で実行されるようにしてもよい。
本明細書で説明される様々な方法およびプロセスは、ＣＴシステム１００内の非一時的な記憶媒体に実行可能命令として記憶することができる。この実行可能命令は、１つの記憶媒体に記憶されていてもよいし、複数の記憶媒体に分散させて記憶されるようにしてもよい。ＣＴシステム１００に備えられる１つ以上のプロセッサは、記憶媒体に記憶された命令に従って、本明細書で説明される様々な方法、ステップ、およびプロセスを実行する。
ＣＴシステム１００は上記のように構成されている。
ＣＴシステム１００は、Ｘ線管の陰極－陽極管に所定の電圧（例えば、１２０(kVp)）を印加し、Ｘ線を発生させ、被検体のＣＴ画像を取得する装置である。したがって、ＣＴシステム１００は、シングルエネルギーＣＴのデータを収集する装置である。
一方で、デュアルエネルギーＣＴ（Dual Energy CT、ＤＥＣＴ）の技術が研究、開発されている。デュアルエネルギーＣＴは、異なるエネルギー領域のＸ線を利用して物質の弁別を行う技術であり、デュアルエネルギーＣＴに対応したＣＴシステムも市販されている。デュアルエネルギーＣＴの技術は応用範囲が広く、例えば、エネルギーレベルが異なる複数の仮想単色Ｘ線画像を生成することができる。エネルギーレベルが異なる複数の仮想単色Ｘ線画像を比較することにより、病変の検出精度を向上させることができるので、デュアルエネルギーＣＴを導入する医療機関も増えつつある。
しかし、デュアルエネルギーＣＴの装置は、一般的にはシングルエネルギーＣＴの装置よりも価格が高く、医療機関の中には、シングルエネルギーＣＴに対応したＣＴシステムは導入されているが、デュアルエネルギーＣＴに対応したＣＴシステムは導入していない医療機関も多い。そこで、シングルエネルギーＣＴしか導入していない医療機関であっても、エネルギーレベルが異なる複数の仮想単色Ｘ線画像を生成することができる技術が望まれている。
そこで、本願発明者は、鋭意研究し、シングルエネルギーＣＴのデータに基づいて、エネルギーレベルが異なる複数の仮想単色Ｘ線画像を生成する方法を考え出した。以下に、本実施形態において、シングルエネルギーＣＴのデータに基づいて、エネルギーレベルが異なる複数の仮想単色Ｘ線画像を生成するための基本的な考え方について、図３を参照しながら説明する。
図３は、第１の実施形態においてエネルギーレベルが異なる複数の仮想単色Ｘ線画像を生成する方法の基本的な考え方を説明するためのフロー図である。
ステップＳＴ１では、シングルエネルギーＣＴの撮影を実行するＣＴシステムを使用して被検体をスキャンする。第１の実施形態では、ＣＴシステムの管電圧は１２０kVpである。
ステップＳＴ２では、管電圧が１２０kVpであるＣＴシステムを用いて被検体をスキャンすることにより取得したデータに基づいて、ＣＴ画像１１を生成する。
ステップＳＴ３では、ステップＳＴ２で得られたＣＴ画像１１を学習済みニューラルネットワーク９４に入力し、複数の仮想単色Ｘ線画像２１～２６のセット２０を推論する。この複数の仮想単色Ｘ線画像は、エネルギーレベルが異なる複数の仮想単色Ｘ線画像である。図３では、複数の仮想単色Ｘ線画像の一例として、４０（keV）の仮想単色Ｘ線画像２１、５０（keV）の仮想単色Ｘ線画像２２、６０（keV）の仮想単色Ｘ線画像２３、８０（keV）の仮想単色Ｘ線画像２４、９０（keV）の仮想単色Ｘ線画像２５、および１００（keV）の仮想単色Ｘ線画像２６が示されている。
第１の実施形態では、シングルエネルギーＣＴの撮影により取得されたＣＴ画像１１が学習済みニューラルネットワーク９４に入力される。学習済みニューラルネットワーク９４は、ＣＴ画像１１に基づいて、エネルギーレベルが互いに異なる複数の仮想単色Ｘ線画像２１～２６を推論する。したがって、シングルエネルギーＣＴのＣＴシステムしか導入されていない医療機関であっても、様々なエネルギーレベルの仮想単色Ｘ線画像を生成することができるので、推論された仮想単色Ｘ線画像２１～２６の中から、臨床目的に対応した最適なコントラストの仮想単色Ｘ線画像を得ることが可能となる。
以下に、上記の手法に従って、エネルギーレベルが異なる複数の仮想単色Ｘ線画像を取得する方法について、図４を参照しながら具体的に説明する。
図４は、ＣＴシステム１００を用いて被検体のスキャンを実行し複数の仮想単色Ｘ線画像を推論するフロー図である。第１の実施形態では、被検体のスキャンとして、被検体に造影剤を注入して被検体を撮影する造影ＣＴスキャンが実行される例について説明する。
尚、図３を参照しながら説明したように、第１の実施形態では、シングルエネルギーＣＴのＣＴ画像１１に基づいて、エネルギーレベルが異なる複数の仮想単色Ｘ線画像を推論するので、この推論を行うことができる学習済みニューラルネットワーク９４を事前に用意しておく必要がある。そこで、以下では、最初に、この学習済みニューラルネットワーク９４を作成する学習フェーズについて説明する。そして、学習フェーズを説明した後で、シングルエネルギーＣＴのＣＴ画像に基づいて、エネルギーレベルが異なる複数の仮想単色Ｘ線画像を推論するフローについて説明する。
（学習フェーズについて）
学習フェーズでは、先ず、ステップＳＴ９０において、学習データを準備する。
図５は、学習データの説明図である。
学習データは、病院などの医療機関から入手することができる。例えば、医療機関で実際に患者をスキャンすることにより取得された仮想単色Ｘ線画像を学習データとして用意することができる。尚、上記のように、第１の実施形態では、被検体に造影ＣＴスキャンを実行することを考えている。したがって、第１の実施形態では、病院などの医療機関で患者を造影ＣＴスキャンすることにより取得された仮想単色Ｘ線画像を学習データとして用意する。図５には、病院などの医療機関で患者３１～３Ｗに造影ＣＴスキャンを実行することにより取得された仮想単色Ｘ線画像を学習データとして用意する例が示されている。これらの仮想単色Ｘ線画像は、デュアルエネルギーＣＴのデータに基づいて生成された画像である。先ず、患者３１から取得された仮想単色Ｘ線画像について説明する。
図６は、患者３１から取得された仮想単色Ｘ線画像の説明図である。
患者３１から得られた仮想単色Ｘ線画像には、様々な時相で取得された仮想単色Ｘ線画像が含まれているが、ここでは、説明の便宜上、患者３１から取得された仮想単色Ｘ線画像として、所定の時相（例えば、動脈相）で取得された複数の仮想単色Ｘ線画像Ａ１１～Ａｆ７を考えることにする。
スライスａ１を参照すると、スライスａ１では、複数の仮想単色Ｘ線画像Ａ１１～Ａ１７が取得されている。仮想単色Ｘ線画像Ａ１１～Ａ１７は、デュアルエネルギーＣＴのデータに基づいて生成されたものであり、エネルギーレベルが互いに異なる仮想単色Ｘ線画像である。
具体的には以下の通りである。
Ａ１１：エネルギーレベルＥ１（＝４０（keV））の仮想単色Ｘ線画像
Ａ１２：エネルギーレベルＥ２（＝５０（keV））の仮想単色Ｘ線画像
Ａ１３：エネルギーレベルＥ３（＝６０（keV））の仮想単色Ｘ線画像
Ａ１４：エネルギーレベルＥ４（＝７０（keV））の仮想単色Ｘ線画像
Ａ１５：エネルギーレベルＥ５（＝８０（keV））の仮想単色Ｘ線画像
Ａ１６：エネルギーレベルＥ６（＝９０（keV））の仮想単色Ｘ線画像
Ａ１７：エネルギーレベルＥ７（＝１００（keV））の仮想単色Ｘ線画像
また、スライスａ２を参照すると、スライスａ２では、複数の仮想単色Ｘ線画像Ａ２１～Ａ２７が取得されている。仮想単色Ｘ線画像Ａ２１～Ａ２７は、デュアルエネルギーＣＴのデータに基づいて生成されたものであり、エネルギーレベルが互いに異なる仮想単色Ｘ線画像である。具体的には、以下の通りである。
Ａ２１：エネルギーレベルＥ１（＝４０（keV））の仮想単色Ｘ線画像
Ａ２２：エネルギーレベルＥ２（＝５０（keV））の仮想単色Ｘ線画像
Ａ２３：エネルギーレベルＥ３（＝６０（keV））の仮想単色Ｘ線画像
Ａ２４：エネルギーレベルＥ４（＝７０（keV））の仮想単色Ｘ線画像
Ａ２５：エネルギーレベルＥ５（＝８０（keV））の仮想単色Ｘ線画像
Ａ２６：エネルギーレベルＥ６（＝９０（keV））の仮想単色Ｘ線画像
Ａ２７：エネルギーレベルＥ７（＝１００（keV））の仮想単色Ｘ線画像
以下同様に、他のスライスａ３～ａｆにおいても、エネルギーレベルＥ１～Ｅ７の複数の仮想単色Ｘ線画像が取得されている。したがって、患者３１からは、複数の仮想単色Ｘ線画像Ａ１１～Ａｆ７が取得されている。
また、図５に示すように、他の患者３２～３Ｗについても、患者３１と同様に、複数の仮想単色Ｘ線画像が取得されている。例えば、患者３２からは仮想単色Ｘ線画像Ｂ１１～Ｂｇ７が得られており、患者３Ｗからは仮想単色Ｘ線画像Ｗ１１～Ｗｈ７が得られている。
図４に戻って説明を続ける。
したがって、ステップＳＴ９０では、患者３１～３Ｗのから得られたエネルギーレベルＥ１～Ｅ７の仮想単色Ｘ線画像が学習データ９１として用意される。尚、仮想単色Ｘ線画像のエネルギーレベルは、上記のエネルギーレベルＥ１～Ｅ７に限定されることはなく、エネルギーレベルＥ１～Ｅ７とは異なる値のエネルギーレベルとすることもできる。また、上記の例では、患者３１～３Ｗから取得された実際の仮想単色Ｘ線画像を、学習データとして使用する場合について説明されている。しかし、患者３１～３Ｗから取得された実際の仮想単色Ｘ線画像に対して所定の前処理を実行し、前処理が実行された後の仮想単色Ｘ線画像を、学習データとして使用してもよい。
学習データ９１を用意した後、ステップ９２に進む。
ステップＳＴ９２では、学習装置（図示せず）が、学習データ９１を用いてニューラルネットワーク９３の学習を実行し、学習済みニューラルネットワーク９４を作成する。以下に、ニューラルネットワーク９３の学習方法について説明する。
図７は、ニューラルネットワーク９３の学習方法の説明図である。
先ず、患者３１のスライスａ１から得られた複数の仮想単色Ｘ線画像Ａ１１～Ａ１７（図６参照）を用いた学習を実行する。
具体的には、７０（keV）のエネルギーレベルの仮想単色Ｘ線画像Ａ１４を、ニューラルネットワーク９３の入力として使用し、他のエネルギーレベル（４０（keV）、５０（keV）、６０（keV）、８０（keV）、９０（keV）、および１００（keV））の仮想単色Ｘ線画像Ａ１１、Ａ１２、Ａ１３、Ａ１５、Ａ１６、およびＡ１７がニューラルネットワーク９３から出力されるように、ニューラルネットワーク９３の学習が実行される。尚、７０（keV）のエネルギーレベルの仮想単色Ｘ線画像Ａ１４をニューラルネットワーク９３の入力として使用する理由は、以下の通りである。
第１の実施形態では、図３を参照しながら説明したように、ステップＳＴ１において実際に被検体１１２をスキャンするために使用されるＣＴシステム１００の管電圧は１２０kVpである。そして、１２０kVpの管電圧で被検体をスキャンすることにより得られたデータに基づいて、学習済みニューラルネットワーク９４に入力されるＣＴ画像１１（図３参照）が生成される。したがって、学習フェーズでは、１２０kVpの管電圧のＸ線のエネルギーレベルに相当する仮想単色Ｘ線画像を、ニューラルネットワーク９３の入力として使用することが望まれる。１２０kVpの管電圧に相当する仮想単色Ｘ線画像のエネルギーレベルは、例えば、Ｅ４＝７０（keV）である。このような理由から、第１の実施形態では、７０（keV）の仮想単色Ｘ線画像Ａ１４を、ニューラルネットワーク９３の入力として使用している。
したがって、複数の仮想単色Ｘ線画像Ａ１１～Ａ１７は、管電圧１２０kVpに相当するエネルギーレベルの仮想単色Ｘ線画像Ａ１４と、エネルギーレベルが互いに異なる６個の仮想単色Ｘ線画像Ａ１１、Ａ１２、Ａ１３、Ａ１５、Ａ１６、およびＡ１７とを含んでいる。そして、仮想単色Ｘ線画像Ａ１４がニューラルネットワーク９３の入力として使用され、６個の仮想単色Ｘ線画像Ａ１１、Ａ１２、Ａ１３、Ａ１５、Ａ１６、およびＡ１７がニューラルネットワーク９３から出力されるように、ニューラルネットワーク９３が仮想単色Ｘ線画像Ａ１１～Ａ１７を用いた学習を実行する。
また、第１の実施形態では、学習装置は、マルチタスクラーニングの手法を用いてニューラルネットワーク９３の学習を実行する（図８参照）。
図８は、マルチタスクラーニングの手法を用いたニューラルネットワーク９３の学習方法の説明図である。
マルチタスクラーニングは、複数のタスクを同時に学習することができる学習方法である。
第１の実施形態では、ニューラルネットワーク９３は、共有層と、複数のタスク固有層１～６とを有している。
共有層は、エネルギーレベルＥ１、Ｅ２、Ｅ３、Ｅ４、Ｅ５、Ｅ６、およびＥ７の仮想単色Ｘ線画像Ａ１１、Ａ１２、Ａ１３、Ａ１４、Ａ１５、Ａ１６、およびＡ１７に含まれる各部位の特徴量を学習する層である。各部位の特徴量は、例えば、画像分解能、画像のダイナミックレンジ、エッジの鮮鋭度などである。
タスク固有層１～６は、エネルギーレベルＥ４の仮想単色Ｘ線画像Ａ１４のＣＴ値に基づいて、他のエネルギーレベル（Ｅ１、Ｅ２、Ｅ３、Ｅ５、Ｅ６、Ｅ７）の仮想単色Ｘ線画像のＣＴ値をどれだけ調整すればよいかを学習する層である。
タスク固有層１は、４０（keV）の仮想単色Ｘ線画像Ａ１１に対応付けられている層である。タスク固有層１は、７０（keV）の仮想単色Ｘ線画像Ａ１４のＣＴ値に基づいて、タスク固有層１に対応付けられた４０（keV）の仮想単色Ｘ線画像Ａ１１のＣＴ値をどれだけ調整すればよいかを学習する層である。
タスク固有層２は、５０（keV）の仮想単色Ｘ線画像Ａ１２に対応付けられている層である。タスク固有層２は、７０（keV）の仮想単色Ｘ線画像Ａ１４のＣＴ値に基づいて、タスク固有層２に対応付けられた５０（keV）の仮想単色Ｘ線画像Ａ１２のＣＴ値をどれだけ調整すればよいかを学習する層である。
タスク固有層３は、６０（keV）の仮想単色Ｘ線画像Ａ１３に対応付けられている層である。タスク固有層３は、７０（keV）の仮想単色Ｘ線画像Ａ１４のＣＴ値に基づいて、タスク固有層３に対応付けられた６０（keV）の仮想単色Ｘ線画像Ａ１３のＣＴ値をどれだけ調整すればよいかを学習する層である。
タスク固有層４は、８０（keV）の仮想単色Ｘ線画像Ａ１５に対応付けられている層である。タスク固有層４は、７０（keV）の仮想単色Ｘ線画像Ａ１４のＣＴ値に基づいて、タスク固有層４に対応付けられた８０（keV）の仮想単色Ｘ線画像Ａ１５のＣＴ値をどれだけ調整すればよいかを学習する層である。
タスク固有層５は、９０（keV）の仮想単色Ｘ線画像Ａ１６に対応付けられている層である。タスク固有層６は、７０（keV）の仮想単色Ｘ線画像Ａ１４のＣＴ値に基づいて、タスク固有層５に対応付けられた９０（keV）の仮想単色Ｘ線画像Ａ１６のＣＴ値をどれだけ調整すればよいかを学習する層である。
タスク固有層６は、１００（keV）の仮想単色Ｘ線画像Ａ１７に対応付けられている層である。タスク固有層６は、７０（keV）の仮想単色Ｘ線画像Ａ１４のＣＴ値に基づいて、タスク固有層６に対応付けられた１００（keV）の仮想単色Ｘ線画像Ａ１７のＣＴ値をどれだけ調整すればよいかを学習する層である。
このように、ニューラルネットワーク９３では、共有層とタスク固有層１～６において、仮想単色Ｘ線画像Ａ１１～Ａ１７を用いた学習が実行される。
尚、図７および図８では、ニューラルネットワーク９３において、仮想単色Ｘ線画像Ａ１１～Ａ１７を用いた学習が実行される場合について示されているが、他の仮想単色Ｘ線画像についても、同様に学習が実行される。
このように、ニューラルネットワーク９３が学習データ９１を用いた学習を実行することにより、学習済みニューラルネットワーク９４が作成される。尚、学習フェーズでは、所定のＣＴ値の範囲を、重点的に学習するようにしてもよい。例えば、造影剤を使用したスキャンでは、診断をする上で造影剤のＣＴ値が重要であるので、造影剤のＣＴ値の範囲を重点的に学習するようにしてもよい。このように集中的に学習するＣＴ値の範囲を決めておくことにより、診断の目的に更に適合した画像を推論することができる学習済みニューラルネットワークを提供することが可能となる。
学習済みニューラルネットワーク９４は、ＣＴシステム１００の記憶装置２１８（図２参照）に記憶される。尚、学習済みニューラルネットワーク９４を、ＣＴシステム１００がアクセス可能な外部記憶装置に記憶してもよい。
第１の実施形態では、上記のように作成された学習済みニューラルネットワーク９４を使用して、エネルギーレベルが異なる複数の仮想単色Ｘ線画像を推論している。以下に、学習済みニューラルネットワーク９４を使用して複数の仮想単色Ｘ線画像を推論するフローについて、図４の右側のフローを参照しながら説明する。
ステップＳＴ１では、被検体のスキャンが実行される。具体的には、図９に示すように、被検体１１２に造影剤を注入し、ＣＴシステム１００を用いて被検体１１２の撮影部位の造影画像を取得するための造影ＣＴスキャンを実行する。ここでは、被検体１１２の撮影部位に対して設定されたスライス４１～４ｎの造影画像を取得するためのスキャンが実行されるとする。尚、スキャン時の管電圧は１２０kVpである。
スキャンにより得られたデータは、ＤＡＳ２１４（図２参照）で収集され、収集されたデータは、コンピュータ２１６又は画像再構成器２３０に送信される。
図４に戻って説明を続ける。
ステップＳＴ２では、コンピュータ２１６又は画像再構成器２３０のプロセッサが、ステップＳＴ１において被検体から収集されたデータに基づいて、撮影部位のスライス４１～４ｎ（図９参照）のＣＴ画像１１～１ｎ（ＣＴ画像のセット１０）を生成する。図４では、ＣＴ画像１１～１ｎのうち、ＣＴ画像１１のみを拡大して示してある。ＣＴ画像１１～１ｎを生成した後、ステップＳＴ３に進む。
ステップＳＴ３では、コンピュータ２１６のプロセッサが、各ＣＴ画像に基づいて、学習済みニューラルネットワーク９４に、エネルギーレベルＥ１＝４０（keV）、Ｅ２＝５０（keV）、Ｅ３＝６０（keV）、Ｅ５＝８０（keV）、Ｅ６＝９０（keV）、およびＥ７＝１００（keV）の仮想単色Ｘ線画像を推論させる。
具体的には、ステップＳＴ３では、先ず、コンピュータ２１６のプロセッサが、ＣＴ画像１１を入力画像として学習済みニューラルネットワーク９４に入力し、学習済みニューラルネットワーク９４を用いて、エネルギーレベルＥ１＝４０（keV）、Ｅ２＝５０（keV）、Ｅ３＝６０（keV）、Ｅ５＝８０（keV）、Ｅ６＝９０（keV）、およびＥ７＝１００（keV）の仮想単色Ｘ線画像２１～２６を推論する。したがって、ＣＴ画像１１に対して、エネルギーレベルが異なる複数の仮想単色Ｘ線画像２１～２６を推論することができる。
以下同様に、コンピュータ２１６のプロセッサは、他のＣＴ画像１２～１ｎの各々を、入力画像として学習済みニューラルネットワーク９４に入力し、入力画像ごとに、エネルギーレベルが異なる複数の仮想単色Ｘ線画像を推論する。
したがって、ＣＴ画像１１～１ｎの各々に対して、エネルギーレベルが異なる複数の仮想単色Ｘ線画像を推論することができる。尚、図４では、説明の便宜上、ＣＴ画像１１に対して推論された仮想単色Ｘ線画像２１～２６のみが示されており、他のＣＴ画像１２～１ｎに対して推論された仮想単色Ｘ線画像は図示省略されている。
オペレータは、推論された仮想単色Ｘ線画像を表示部に表示し、各画像を確認する。
このようにして、図４に示すフローを終了する。
第１の実施形態では、学習フェーズで学習済みニューラルネットワーク９４を作成している。学習フェーズでは、デュアルエネルギーＣＴのデータに基づいて生成された複数の仮想単色Ｘ線画像を学習データとして用意し、その学習データをニューラルネットワーク９３に学習させて、学習済みニューラルネットワーク９４を作成している。具体的には、複数のエネルギーレベルＥ１～Ｅ７の仮想単色Ｘ線画像を用意し、エネルギーレベルＥ４（＝７０（keV））の仮想単色Ｘ線画像をニューラルネットワーク９３の入力とし、その他のエネルギーレベルＥ１＝４０（keV）、Ｅ２＝５０（keV）、Ｅ３＝６０（keV）、Ｅ５＝８０（keV）、Ｅ６＝９０（keV）、およびＥ７＝１００（keV）の仮想単色Ｘ線画像がニューラルネットワーク９３から出力されるように、ニューラルネットワーク９３が学習を実行している。そして、ニューラルネットワーク９３の入力として使用されるエネルギーレベルＥ４（＝７０（keV））の仮想単色Ｘ線画像は、実際に被検体１１２をスキャンするために使用されるシングルエネルギーＣＴのＣＴシステム１００の管電圧１２０kVpに相当するエネルギーレベルの仮想単色Ｘ線画像である。したがって、シングルエネルギーＣＴにより得られたＣＴ画像１１を、学習済みニューラルネットワーク９４に入力することにより、十分な品質を有する他のエネルギー（４０（keV）、５０（keV）、６０（keV）、８０（keV）、９０（keV）、および１００（keV））の仮想単色Ｘ線画像を推論することができる。このように、第１の実施形態では、シングルエネルギーＣＴのＣＴシステム１００から生成されたＣＴ画像１１に基づいて様々なエネルギーレベルの仮想単色Ｘ線画像を推論することができる。したがって、シングルエネルギーＣＴのＣＴシステムしか導入されていない医療機関であっても、推論された複数の仮想単色Ｘ線画像の中から、臨床目的に対応した最適なコントラストの仮想単色Ｘ線画像を得ることが可能となる。
また、第１の実施形態では、ニューラルネットワーク９３が、共有層で、仮想単色Ｘ線画像に含まれる部位の特徴量を学習し、複数のタスク固有層で、対応するエネルギーレベルの仮想単色Ｘ線画像のＣＴ値をどれだけ調整すればよいかを学習することにより、複数の仮想単色Ｘ線画像を推論する学習済みニューラルネットワーク９４が作成されている。これに対し、複数の仮想単色Ｘ線画像を推論する場合、第１の実施形態の方法とは別の方法として、推論したい仮想単色Ｘ線画像ごとに、個別に学習済みニューラルネットワークを作成する方法も考えられる。しかし、第１の実施形態における学習済みニューラルネットワーク９４の作成方法は、推論したい仮想単色Ｘ線画像ごとに学習済みニューラルネットワークを作成する方法と比較して、複数の仮想単色Ｘ線画像の推論精度を高める効果が期待できる。以下に、この理由について説明する。尚、この理由の説明にあたっては、先ず、仮想単色Ｘ線画像ごとに学習済みニューラルネットワークを作成する方法の欠点を、図１０を参照しながら説明する。そして、その欠点を明らかにした上で、第１の実施形態の学習済みニューラルネットワーク９４の作成方法の利点について説明する。
図１０は、仮想単色Ｘ線画像ごとに学習済みニューラルネットワークを作成する方法の説明図である。
この方法では、推論したい仮想単色Ｘ線画像ごとに、ニューラルネットワークの学習が行われる。図１０では、ニューラルネットワーク８１～８６が示されている。ニューラルネットワーク８１～８６は、学習フェーズにおいて、以下の（ａ）－（ｆ）のように学習を行う。
（ａ）ニューラルネットワーク８１は、７０（keV）の仮想単色Ｘ線画像Ａ１４に対して４０（keV）の仮想単色Ｘ線画像Ａ１１が推論されるように学習を行う。
（ｂ）ニューラルネットワーク８２は、７０（keV）の仮想単色Ｘ線画像Ａ１４に対して５０（keV）の仮想単色Ｘ線画像Ａ１２が推論されるように学習を行う。
（ｃ）ニューラルネットワーク８３は、７０（keV）の仮想単色Ｘ線画像Ａ１４に対して６０（keV）の仮想単色Ｘ線画像Ａ１３が推論されるように学習を行う。
（ｄ）ニューラルネットワーク８４は、７０（keV）の仮想単色Ｘ線画像Ａ１４に対して８０（keV）の仮想単色Ｘ線画像Ａ１５が推論されるように学習を行う。
（ｅ）ニューラルネットワーク８５は、７０（keV）の仮想単色Ｘ線画像Ａ１４に対して９０（keV）の仮想単色Ｘ線画像Ａ１６が推論されるように学習を行う。
（ｆ）ニューラルネットワーク８６は、７０（keV）の仮想単色Ｘ線画像Ａ１４に対して１００（keV）の仮想単色Ｘ線画像Ａ１７が推論されるように学習を行う。
したがって、ニューラルネットワーク８１～８６は、それぞれが独立に７０（keV）の仮想単色Ｘ線画像を学習する。このため、ニューラルネットワーク８１～８６の間で、７０（keV）の仮想単色Ｘ線画像に対する学習結果に差異が生じることがある。また、ニューラルネットワーク８１は、７０（keV）の仮想単色Ｘ線画像Ａ１４および４０（keV）の仮想単色Ｘ線画像Ａ１１、すなわち、２つのエネルギーレベルの仮想単色Ｘ線画像しか学習せず、他のエネルギーレベルの仮想単色Ｘ線画像は学習しない。同様に、他のニューラルネットワーク８２～８６も、２つのエネルギーレベルの仮想単色Ｘ線画像しか学習しない。したがって、ニューラルネットワーク８１～８６の各々は、４０（keV）、５０（keV）、６０（keV）、７０（keV）、８０（keV）、９０（keV）、および１００（keV）の仮想単色Ｘ線画像のうち、２つの仮想単色Ｘ線画像しか学習しない。その結果、図１０の方法では、推論結果にばらつきが生じてしまい、信頼性の高い仮想単色Ｘ線画像を推論することが難しいという恐れがある。
一方、第１の実施形態の方法では、ニューラルネットワーク９３の共有層（図８参照）で、全てのエネルギーレベルの仮想単色Ｘ線画像に含まれる部位の特徴量を学習することができるので、各エネルギーレベルの仮想単色Ｘ線画像の学習結果に対して一貫性を持たせることができる。そして、タスク固有層１～６では、共有層から得られる一貫性のある学習結果に基づいて、仮想単色Ｘ線画像の学習を行う。したがって、仮想単色Ｘ線画像の推論精度を向上させることが可能となる。
また、第１の実施形態では、シングルエネルギーＣＴのＣＴシステム１００で被検体１１２をスキャンしている。一般的に、シングルエネルギーＣＴによって取得したＣＴ画像では、造影剤のＣＴ値と軟組織のＣＴ値との間に、大きな差異が現れにくいことがある。したがって、シングルエネルギーＣＴのＣＴシステム１００で、薄い濃度の造影剤しか注入できない被検体（例えば、腎臓に疾患がある被検体）を造影撮影する場合、造影剤が十分に強調されたＣＴ画像を取得することが難しく、読影に時間がかかったり、再撮影になってしまうという問題が生じ得る。これに対し、第１の実施形態では、シングルエネルギーＣＴのＣＴシステム１００で得られたＣＴ画像に基づいて、造影剤を強調して描出することができる低エネルギーレベルの仮想単色Ｘ線画像（例えば、４０（keV）の仮想単色Ｘ線画像）を推論することができる。したがって、読影の時間が延長してしまったり、再撮影になってしまうという問題を回避することが可能となる。
尚、第１の実施形態では、学習フェーズにおいて、７０（keV）のエネルギーレベルの仮想単色Ｘ線画像を、ニューラルネットワーク９３の入力として使用している。しかし、７０（keV）とは別のエネルギーレベルの仮想単色Ｘ線画像を、ニューラルネットワーク９３の入力として使用してもよい。例えば、ＣＴシステム１００の管電圧が１２０kVpではなく、他の管電圧を使用する場合、７０（keV）とは別のエネルギーレベルの仮想単色Ｘ線画像を、ニューラルネットワーク９３の入力として使用し、学習を実行することができる。例えば、ＣＴシステム１００の管電圧が１２０kVpではなく１４０kVpの場合、１４０kVpは約７５（keV）のエネルギーレベルに相当するので、７５（keV）の仮想単色Ｘ線画像をニューラルネットワーク９３の入力として使用することができる。したがって、ＣＴシステム１００の管電圧が１４０kVpの場合、学習データとして、例えば、４０（keV）、５０（keV）、６０（keV）、７０（keV）、７５（keV）、８０（keV）、９０（keV）、および１００（keV）のエネルギーレベルの仮想単色Ｘ線画像を用意することができる。ニューラルネットワーク９３は、７５（keV）のエネルギーレベルの仮想単色Ｘ線画像をニューラルネットワーク９３の入力として使用し、他のエネルギーの仮想単色Ｘ線画像がニューラルネットワーク９３から出力されるように、仮想単色Ｘ線画像を用いた学習を実行することができる。
また、シングルエネルギーＣＴのＣＴシステム１００の管電圧が１００kVpの場合、１００kVpは約６５（keV）のエネルギーレベルに相当するので、６５（keV）の仮想単色Ｘ線画像をニューラルネットワーク９３の入力として使用することができる。したがって、ＣＴシステム１００の管電圧が１００kVpの場合、学習データとして、例えば、４０（keV）、５０（keV）、６０（keV）、６５（keV）、７０（keV）、８０（keV）、９０（keV）、および１００（keV）のエネルギーレベルの仮想単色Ｘ線画像を用意することができる。ニューラルネットワーク９３は、６５（keV）のエネルギーレベルの仮想単色Ｘ線画像をニューラルネットワーク９３の入力として使用し、他のエネルギーの仮想単色Ｘ線画像がニューラルネットワーク９３から出力されるように、仮想単色Ｘ線画像を用いた学習を実行することができる。
また、ステップＳＴ３（図４参照）において仮想単色Ｘ線画像２１～２６を推論した後、ＣＴ画像１１に関心領域を設定し、仮想単色Ｘ線画像２１～２６のＣＴ値に基づいて、関心領域に対応するスペクトラル曲線を作成してもよい。スペクトラル曲線を作成することにより、物質弁別を実行することが可能となる。
第１の実施形態では、造影ＣＴスキャンにより得られた学習データに基づいて学習済みニューラルネットワーク９４を作成している。しかし、本発明は、造影ＣＴスキャンにより得られた学習データに基づいて学習済みニューラルネットワーク９４を作成する例に限定されるものではなく、仮想単色Ｘ線画像を推論することができるのであれば、非造影スキャンにより得られた学習データに基づいて学習済みニューラルネットワークを作成してもよい。
（２）第２の実施形態
第１の実施形態では、４０（keV）、５０（keV）、６０（keV）、８０（keV）、９０（keV）、および１００（keV）のエネルギーレベルの仮想単色Ｘ線画像を推論したが、第２の実施形態では、推論される仮想単色Ｘ線画像をオペレータが選択できるようにする機能を備えた例について説明する。
オペレータは、先ず、モード選択画面を表示部２３２に表示させるために、オペレータコンソール２２０（図１参照）を操作する。オペレータコンソール２２０は、オペレータの操作に応答して、モード選択画面を表示部２３２に表示させるための信号をコンピュータ２１６に入力する。コンピュータ２１６のプロセッサは、オペレータコンソール２２０からの信号に応答して、表示部２３２にモード選択画面を表示させる（図１１参照）。
図１１は、モード選択画面の一例を示す図である。
表示部２３２には、標準モード（Standard mode）と、プリファレンスモード（Preference mode）が表示されている。
モード選択画面は、標準モードおよびプリファレンスモードのうちの一方のモードをオペレータに選択させるための画面である。
標準モードは、４０（keV）、５０（keV）、６０（keV）、８０（keV）、９０（keV）、および１００（keV）の仮想単色Ｘ線画像の全てを推論するモードである。一方、プリファレンスモードは、４０（keV）、５０（keV）、６０（keV）、８０（keV）、９０（keV）、および１００（keV）の仮想単色Ｘ線画像の中から、推論される仮想単色Ｘ線画像をオペレータが選択することができるモードである。
オペレータは、オペレータコンソール２２０を操作し、標準モード又はプリファレンスモードを選択することができる。オペレータが、標準モードが選択されるようにオペレータコンソール２２０を操作すると、オペレータコンソール２２０は、オペレータの操作に応答して、標準モードを選択する信号をコンピュータ２１６に入力する。コンピュータ２１６のプロセッサは、オペレータコンソール２２０からの信号に応答して、全てのエネルギーレベルの仮想単色Ｘ線画像、すなわち、４０（keV）、５０（keV）、６０（keV）、８０（keV）、９０（keV）、および１００（keV）の仮想単色Ｘ線画像の全てが推論されるように、推論条件を設定する。
一方、オペレータは、推論される仮想単色Ｘ線画像を選択したい場合、オペレータコンソール２２０を操作して、プリファレンスモードを選択することができる。オペレータが、プリファレンスモードが選択されるようにオペレータコンソール２２０を操作すると、オペレータコンソール２２０は、オペレータの操作に応答して、プリファレンスモードを選択する信号をコンピュータ２１６に入力する。コンピュータ２１６のプロセッサは、オペレータコンソール２２０からの信号に応答して、推論される仮想単色Ｘ線画像のエネルギーレベルをオペレータに選択させるためのエネルギーレベル選択画面が表示されるように、表示部２３２を制御する（図１２参照）。
図１２は、エネルギーレベル選択画面の一例を示す図である。
表示部２３２には、エネルギーレベルとして、４０（keV）、５０（keV）、６０（keV）、８０（keV）、９０（keV）、および１００（keV）が示されている。オペレータは、４０（keV）、５０（keV）、６０（keV）、８０（keV）、９０（keV）、および１００（keV）の中から、診断の目的などに応じて、どのエネルギーレベルの仮想単色Ｘ線画像を推論したいかを選択することができる。例えば、造影剤を用いた撮影を実行する場合、低エネルギーレベルの仮想単色Ｘ線画像は、高エネルギーレベルの仮想単色Ｘ線画像よりも造影剤を更に強調して描出させることができるので、オペレータは、低エネルギーレベルの仮想単色Ｘ線画像を取得したいと考える。この場合、オペレータは、低エネルギーレベルの仮想単色Ｘ線画像として、図１２に示すように、例えば、４０（keV）の仮想単色Ｘ線画像を選択することができる。４０（keV）の仮想単色Ｘ線画像は、軟組織など、血管と比較して造影剤の流入量が少なくなる部位を観察したい場合に特に適した画像である。
一方、血管を流れる造影剤の量は多いので、４０（keV）の仮想単色Ｘ線画像では、血管を流れる造影剤の輝度が明るく強調されすぎてしまい、オペレータによっては血管が視覚的に見にくくなっていると感じることがある。したがって、血管を視認しやすい画像を取得したい場合には、オペレータによっては、４０（keV）の仮想単色Ｘ線画像よりもエネルギーレベルが高い５０（keV）の仮想単色Ｘ線画像を好むことがある。
したがって、オペレータは、軟組織に流入した造影剤を強調させるという要求と、血管を視認しやすくするという要求の両方を満足させたい場合には、４０（keV）の仮想単色Ｘ線画像と５０（keV）の仮想単色Ｘ線画像を推論させることが望ましい。この場合、図１３に示すように、オペレータは、４０（keV）と５０（keV）の両方を選択することができる。４０（keV）の仮想単色Ｘ線画像と５０（keV）の仮想単色Ｘ線画像を推論することにより、オペレータは、軟組織については４０（keV）の仮想単色Ｘ線画像を優先的に参考にし、血管については５０（keV）の仮想単色Ｘ線画像を優先的に参考にすることができるので、臨床の目的に応じた画像を取得することができる。また、診断に不要な６０（keV）、８０（keV）、９０（keV）、および１００（keV）の仮想単色Ｘ線画像は推論されないので、推論フェーズの時間を短縮することができる。
（３）第３の実施形態
第３の実施形態では、推論される４０（keV）、５０（keV）、６０（keV）、８０（keV）、９０（keV）、および１００（keV）の仮想単色Ｘ線画像の中から、最適なコントラストノイズ比ＣＮＲ（Contrast to Noise Ratio）を持つ仮想単色Ｘ線画像をオペレータに提示する例について説明する。
図１４は、第３の実施形態で実行されるフローチャートである。
学習フェーズおよびステップＳＴ１～ＳＴ３は、第１の実施形態のフローと同じであるので、詳細な説明は省略し、ステップＳＴ４～ＳＴ６について、主に説明する。
ステップＳＴ４では、オペレータがＣＴ画像１１上に関心領域を設定する。
図１５は、関心領域の一例を示す図である。
オペレータは、オペレータコンソール２２０を操作し、ＣＴ画像１１上に関心領域を設定するための信号を入力する。コンピュータ２１６のプロセッサは、オペレータコンソール２２０からの信号に応答して、ＣＴ画像１１上に関心領域７０を設定する。関心領域７０を設定した後、ステップＳＴ５に進む。
ステップＳＴ５では、各仮想単色Ｘ線画像について、ＣＮＲを計算する。
図１６は、各仮想単色Ｘ線画像に対して計算されたＣＮＲを示す図である。
コンピュータ２１６のプロセッサは、推論された仮想単色Ｘ線画像２１に対して、関心領域７０に対応する領域７１を特定する。そして、領域７１内のピクセル値に基づいて、仮想単色Ｘ線画像２１のＣＮＲ（＝ＣＮＲ１）を計算する。以下同様に、他の仮想単色Ｘ線画像２２、２３、２４、２５、２６に対しても、関心領域７０に対応する領域７２、７３、７４、７５、７６を特定する。そして、領域７２～７６内のピクセル値に基づいて、仮想単色Ｘ線画像２２～２６のＣＮＲ２～ＣＮＲ６を計算する。ＣＮＲを計算した後、ステップＳＴ６に進む。
ステップＳＴ６では、コンピュータ２１６のプロセッサは、計算されたＣＮＲ１～ＣＮＲ６に基づいて、仮想単色Ｘ線画像２１～２６の中から、ＣＮＲが最大となる仮想単色Ｘ線画像を選択する。選択された仮想単色Ｘ線画像は表示部に表示される。このようにして、フローを終了する。
第３の実施形態では、ＣＮＲが最大となる仮想単色Ｘ線画像が表示される。したがって、推論された仮想単色Ｘ線画像の中から、関心領域の読影に適した画像を表示することが可能となる。
以上説明したように、第１～第３の実施形態によれば、シングルエネルギーＣＴにより得られたＣＴ画像から、エネルギーレベルが異なる複数の仮想単色Ｘ線画像を推論することができる。
尚、本発明の手法で推論される仮想単色Ｘ線画像の品質を確認するために、本発明の手法で作成された学習済みニューラルネットワークを用いて、仮想単色Ｘ線画像を実際に推論した。以下に、実際に推論した仮想単色Ｘ線画像について説明する。
図１７は、実際に推論した仮想単色Ｘ線画像を示す図である。
図１７の上段には、比較のため、１２０kVｐのシングルエネルギーＣＴにより生成された動脈相のＣＴ画像５１、静脈相のＣＴ画像５２、および遅延相のＣＴ画像５３が示されている。そして、図１７の下段に、本発明の手法により推論された、動脈相の５０（keV）の仮想単色Ｘ線画像６１、静脈相の５０（keV）の仮想単色Ｘ線画像６２、および遅延相の５０（keV）の仮想単色Ｘ線画像６３が示されている。両画像を比較すると、本発明の手法により生成された仮想単色Ｘ線画像の造影剤が強調されていることがわかる。
１、２、３、４、５、６ タスク固有層
１０ ＣＴ画像のセット
１１～１ｎ、５１、５２、５３ ＣＴ画像
２０ 仮想単色Ｘ線画像のセット
２１、２２、２３、２４、２５、２６、６１、６２、６３ 仮想単色Ｘ線画像
３１～３Ｗ 患者
４１～４ｎ スライス
７０ 関心領域
７１、７２、７３、７４、７５、７６ 領域
８１、８２、８３、８４、８５、８６ ニューラルネットワーク
９１ 学習データ
９３ ニューラルネットワーク
９４ 学習済みニューラルネットワーク
１００ ＣＴシステム
１０２ ガントリ
１０３ フィルタ部
１０４ Ｘ線管
１０５ 前置コリメータ
１０６ Ｘ線ビーム
１０７ 開口部
１０８ 検出器アレイ
１０８ Ｘ線検出器
１１２ 被検体
１１６ テーブル
１１８ テーブルモータコントローラ
２０２ 検出器素子
２１０ Ｘ線コントローラ
２１２ ガントリモータコントローラ
２１４ ＤＡＳ
２１６ コンピュータ
２１８ 記憶装置
２２０ オペレータコンソール
２３０ 画像再構成器
２３２ 表示部
２２４ ＰＡＣＳ

Claims (15)

  1. 被検体から収集されたシングルエネルギーＣＴのデータに基づいて生成されたＣＴ画像を学習済みニューラルネットワークに入力することであって、
    前記学習済みニューラルネットワークは、学習フェーズにおいて、ニューラルネットワークが学習データを用いた学習を実行することにより生成されるものであり、
    前記学習データが、デュアルエネルギーＣＴのデータに基づいて生成され、且つエネルギーレベルが互いに異なる複数の仮想単色Ｘ線画像を含み、
    前記複数の仮想単色Ｘ線画像が、シングルエネルギーＣＴのデータを収集するＣＴシステムの管電圧に相当するエネルギーレベルの第１の仮想単色Ｘ線画像と、エネルギーレベルが互いに異なる第１の２つ以上の仮想単色Ｘ線画像とを含み、
    前記学習フェーズにおいて、前記ニューラルネットワークが、前記第１の仮想単色Ｘ線画像が前記ニューラルネットワークの入力として使用され、前記第１の２つ以上の仮想単色Ｘ線画像が前記ニューラルネットワークから出力されるように、前記学習データを用いた学習を実行する、
    前記ＣＴ画像を学習済みニューラルネットワークに入力すること、および
    入力された前記ＣＴ画像に基づいて、前記学習済みニューラルネットワークに、エネルギーレベルが異なる第２の２つ以上の複数の仮想単色Ｘ線画像を推論させること
    を含む動作を実行する１つ以上のプロセッサを含む、装置。
  2. 前記ニューラルネットワークが、マルチタスクラーニングの手法を用いて前記学習データを用いた学習を実行することにより、前記学習済みニューラルネットワークが作成される、請求項１に記載の装置。
  3. 前記ニューラルネットワークが、共有層と複数タスク固有層とを含み、
    前記共有層が、前記複数の仮想単色Ｘ線画像に含まれる各部位の特徴量を学習し、
    各タスク固有層は、前記複数の仮想単色Ｘ線画像のうちの前記第１の仮想単色Ｘ線画像とは異なるエネルギーレベルの仮想単色Ｘ線画像に対応付けられており、
    各タスク固有層が、前記第１の仮想単色Ｘ線画像のＣＴ値に基づいて、前記各タスク固有層に対応付けられた仮想単色Ｘ線画像のＣＴ値をどれだけ調整すればよいかを学習する、請求項１に記載の装置。
  4. 前記第１の２つ以上の仮想単色Ｘ線画像の各々が、患者をスキャンすることにより得られた実際の仮想単色Ｘ線画像、又は前記実際の仮想単色Ｘ線画像に対して所定の前処理を実行することにより得られた前処理後の仮想単色Ｘ線画像である、請求項１に記載の装置。
  5. 前記第１の２つ以上の仮想単色Ｘ線画像および前記ＣＴ画像の各々は、造影剤を用いたスキャンを実行することにより得られた画像である、請求項１に記載の装置。
  6. シングルエネルギーＣＴのデータを収集するＣＴシステムであって、
    所定の管電圧が印加されるＸ線管と、
    １つ以上のプロセッサと
    を含み、
    前記１つ以上のプロセッサが、
    被検体から収集されたシングルエネルギーＣＴのデータに基づいて、ＣＴ画像を生成すること、
    前記ＣＴ画像を学習済みニューラルネットワークに入力することであって、
    前記学習済みニューラルネットワークは、学習フェーズにおいて、ニューラルネットワークが学習データを用いた学習を実行することにより生成されるものであり、
    前記学習データが、デュアルエネルギーＣＴのデータに基づいて生成され、且つエネルギーレベルが互いに異なる複数の仮想単色Ｘ線画像を含み、
    前記複数の仮想単色Ｘ線画像が、前記所定の管電圧に相当するエネルギーレベルの第１の仮想単色Ｘ線画像と、エネルギーレベルが互いに異なる第１の２つ以上の仮想単色Ｘ線画像とを含み、
    前記学習フェーズにおいて、前記ニューラルネットワークが、前記第１の仮想単色Ｘ線画像が前記ニューラルネットワークの入力として使用され、前記第１の２つ以上の仮想単色Ｘ線画像が前記ニューラルネットワークから出力されるように、前記学習データを用いた学習を実行する、
    前記ＣＴ画像を学習済みニューラルネットワークに入力すること、および
    入力された前記ＣＴ画像に基づいて、前記学習済みニューラルネットワークに、エネルギーレベルが異なる第２の２つ以上の仮想単色Ｘ線画像を推論させること
    を含む動作を実行する、ＣＴシステム。
  7. 前記ニューラルネットワークが、共有層と複数タスク固有層とを含み、
    前記共有層が、前記複数の仮想単色Ｘ線画像に含まれる各部位の特徴量を学習し、
    各タスク固有層は、前記複数の仮想単色Ｘ線画像のうちの前記第１の仮想単色Ｘ線画像とは異なるエネルギーレベルの仮想単色Ｘ線画像に対応付けられており、
    各タスク固有層が、前記第１の仮想単色Ｘ線画像のＣＴ値に基づいて、前記各タスク固有層に対応付けられた仮想単色Ｘ線画像のＣＴ値をどれだけ調整すればよいかを学習する、請求項６に記載のＣＴシステム。
  8. 前記第２の２つ以上の仮想単色Ｘ線画像の全てを推論する第１のモードと、
    前記第２の２つ以上の仮想単色Ｘ線画像の中から、推論される仮想単色Ｘ線画像をオペレータが選択することができる第２のモードと
    を実行することができるように構成されている、請求項６に記載のＣＴシステム。
  9. 表示部を含み、
    前記１つ以上のプロセッサが、
    前記第１のモードおよび前記第２のモードのうちの一方のモードをオペレータに選択させるためのモード選択画面を表示部に表示させる、請求項８に記載のＣＴシステム。
  10. オペレータコンソールと、
    前記オペレータコンソールおよび前記表示部に結合され、前記１つ以上のプロセッサを含むコンピュータと
    を含み、
    前記オペレータコンソールが、オペレータの操作に応答して、前記モード選択画面を前記表示部に表示させるための信号を前記コンピュータに入力し、
    前記コンピュータのプロセッサが、前記オペレータコンソールからの信号に応答して、前記表示部に前記モード選択画面を表示させる、請求項９に記載のＣＴシステム。
  11. 前記オペレータコンソールが、オペレータの操作に応答して、前記第２のモードを選択する信号を入力すると、前記コンピュータのプロセッサが、前記オペレータコンソールからの信号に応答して、推論させる仮想単色Ｘ線画像のエネルギーレベルをオペレータに選択させるための画面を前記表示部に表示させる、請求項１０に記載のＣＴシステム。
  12. 前記１つ以上のプロセッサが、
    前記ＣＴ画像上に関心領域を設定すること、
    前記第２の２つ以上の仮想単色Ｘ線画像に含まれる各仮想単色Ｘ線画像に対して、前記関心領域に対応する領域を特定すること、
    前記各仮想単色Ｘ線画像に対して特定された領域内のピクセル値に基づいて、前記各仮想単色Ｘ線画像のＣＮＲを計算すること、
    前記各仮想単色Ｘ線画像のＣＮＲに基づいて、前記第２の２つ以上の仮想単色Ｘ線画像の中から、仮想単色Ｘ線画像を選択すること、および
    前記選択された仮想単色Ｘ線画像を前記表示部に表示させること
    を含む動作を実行する、請求項９に記載のＣＴシステム。
  13. 学習済みニューラルネットワークの作成方法であって、
    ニューラルネットワークが学習データを用いた学習を実行することであって、
    前記学習データが、デュアルエネルギーＣＴのデータに基づいて生成され、且つエネルギーレベルが互いに異なる複数の仮想単色Ｘ線画像を含み、
    前記複数の仮想単色Ｘ線画像が、シングルエネルギーＣＴのデータを収集するＣＴシステムの管電圧に相当するエネルギーレベルの第１の仮想単色Ｘ線画像と、エネルギーレベルが互いに異なる第１の２つ以上の仮想単色Ｘ線画像とを含み、
    前記ニューラルネットワークが、前記第１の仮想単色Ｘ線画像が前記ニューラルネットワークの入力として使用され、前記第１の２つ以上の仮想単色Ｘ線画像が前記ニューラルネットワークから出力されるように、前記学習データを用いた学習を実行する、
    ニューラルネットワークが学習データを用いた学習を実行すること
    を含む、作成方法。
  14. 前記ニューラルネットワークが、共有層と複数タスク固有層とを含み、
    前記共有層が、前記複数の仮想単色Ｘ線画像に含まれる各部位の特徴量を学習し、
    各タスク固有層は、前記複数の仮想単色Ｘ線画像のうちの前記第１の仮想単色Ｘ線画像とは異なるエネルギーレベルの仮想単色Ｘ線画像に対応付けられており、
    各タスク固有層が、前記第１の仮想単色Ｘ線画像のＣＴ値に基づいて、前記各タスク固有層に対応付けられた仮想単色Ｘ線画像のＣＴ値をどれだけ調整すればよいかを学習する、請求項１３に記載の作成方法。
  15. １つ以上のプロセッサによって実行可能な１つ以上の命令が格納された、1つ以上の非一時的でコンピュータ読取可能な記録媒体であって、前記１つ以上の命令は、前記1つ以上のプロセッサに、
    被検体から収集されたシングルエネルギーＣＴのデータに基づいて生成されたＣＴ画像を学習済みニューラルネットワークに入力することであって、
    前記学習済みニューラルネットワークは、学習フェーズにおいて、ニューラルネットワークが学習データを用いた学習を実行することにより生成されるものであり、
    前記学習データが、デュアルエネルギーＣＴのデータに基づいて生成され、且つエネルギーレベルが互いに異なる複数の仮想単色Ｘ線画像を含み、
    前記複数の仮想単色Ｘ線画像が、シングルエネルギーＣＴのデータを収集するＣＴシステムの管電圧に相当するエネルギーレベルの第１の仮想単色Ｘ線画像と、エネルギーレベルが互いに異なる第１の２つ以上の仮想単色Ｘ線画像とを含み、
    前記学習フェーズにおいて、前記ニューラルネットワークが、前記第１の仮想単色Ｘ線画像が前記ニューラルネットワークの入力として使用され、前記第１の２つ以上の仮想単色Ｘ線画像が前記ニューラルネットワークから出力されるように、前記学習データを用いた学習を実行する、
    前記ＣＴ画像を学習済みニューラルネットワークに入力すること、および
    入力された前記ＣＴ画像に基づいて、前記学習済みニューラルネットワークに、エネルギーレベルが異なる第２の２つ以上の複数の仮想単色Ｘ線画像を推論させること
    を含む動作を実行させる、記憶媒体。
JP2022137324A 2022-08-30 2022-08-30 仮想単色ｘ線画像を推論する装置、ｃｔシステム、学習済みニューラルネットワークの作成方法、および記憶媒体 Active JP7322262B1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2022137324A JP7322262B1 (ja) 2022-08-30 2022-08-30 仮想単色ｘ線画像を推論する装置、ｃｔシステム、学習済みニューラルネットワークの作成方法、および記憶媒体
US18/456,884 US20240065645A1 (en) 2022-08-30 2023-08-28 Device for inferring virtual monochromatic x-ray image, ct system, method of creating trained neural network, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2022137324A JP7322262B1 (ja) 2022-08-30 2022-08-30 仮想単色ｘ線画像を推論する装置、ｃｔシステム、学習済みニューラルネットワークの作成方法、および記憶媒体

Publications (2)

Publication Number Publication Date
JP7322262B1 JP7322262B1 (ja) 2023-08-07
JP2024033627A true JP2024033627A (ja) 2024-03-13

Family

ID=87519634

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022137324A Active JP7322262B1 (ja) 2022-08-30 2022-08-30 仮想単色ｘ線画像を推論する装置、ｃｔシステム、学習済みニューラルネットワークの作成方法、および記憶媒体

Country Status (2)

Country Link
US (1) US20240065645A1 (ja)
JP (1) JP7322262B1 (ja)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4276753A3 (en) 2018-09-10 2024-02-07 Kyocera Corporation Estimation device, estimation system, and estimation program
KR102628041B1 (ko) 2018-11-23 2024-01-22 삼성전자주식회사 단층 영상 처리 장치, 방법, 및 컴퓨터 프로그램 제품
JP7195961B2 (ja) 2019-02-08 2022-12-26 キヤノンメディカルシステムズ株式会社 医用処理装置、ｘ線ｃｔシステム及び処理プログラム
US20200294288A1 (en) 2019-03-13 2020-09-17 The Uab Research Foundation Systems and methods of computed tomography image reconstruction
JP2021137189A (ja) 2020-03-03 2021-09-16 キヤノンメディカルシステムズ株式会社 医用情報処理装置、医用画像診断装置及び医用情報処理方法
JP2022122250A (ja) 2021-02-09 2022-08-22 昭弘 芳賀 人体の物質密度画像の再構成方法およびｘ線ｃｔ装置、並びに放射線治療装置

Also Published As

Publication number Publication date
US20240065645A1 (en) 2024-02-29
JP7322262B1 (ja) 2023-08-07

Similar Documents

Publication Publication Date Title
US11450001B2 (en) Medical image processing apparatus, medical image processing method, and x-ray CT apparatus
US7668290B2 (en) X-ray diagnostic system
JP5191787B2 (ja) Ｘ線ｃｔ装置
EP2875781B1 (en) Apparatus and method for processing a medical image of a body lumen
EP3300018B1 (en) Systems and methods for generating subtracted images
JP5053606B2 (ja) 医用画像診断装置及び医用画像処理装置
US20190287239A1 (en) System and method for automated angiography
JP5156863B2 (ja) Ｘ線ｃｔ装置
JP2003204961A (ja) Ｘ線ｃｔ装置
JP2007144139A (ja) Ｘ線コンピュータ断層撮影装置及び画像処理装置
CN111317493A (zh) 基于多能量x射线成像单独调整生成虚拟图像数据
US20090238412A1 (en) Local motion compensated reconstruction of stenosis
JP7322262B1 (ja) 仮想単色ｘ線画像を推論する装置、ｃｔシステム、学習済みニューラルネットワークの作成方法、および記憶媒体
JP5180593B2 (ja) Ｘ線コンピュータ断層撮影装置及び３次元画像処理装置
JP6873831B2 (ja) 医用画像診断装置、医用画像処理装置及び医用画像処理プログラム
JP7383770B1 (ja) 物質密度画像を推論する装置、ｃｔシステム、記憶媒体、および学習済みニューラルネットワークの作成方法
CN112545541B (zh) 医用图像处理装置以及医用图像处理方法
EP4311496A1 (en) Blood flow parameters
JP2005168948A (ja) Ｘ線ｃｔ装置
JP7167239B1 (ja) 学習済みモデルの生成方法、推論装置、医用装置、およびプログラム
US20200167977A1 (en) Tomographic image processing apparatus and method, and computer program product
CN115211882A (zh) 医学图像中的图像处理方法、图像显示方法及成像系统

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220831

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20220831

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230628

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230726

R150 Certificate of patent or registration of utility model

Ref document number: 7322262

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150