JP7206073B2 - 医用画像処理装置、医用画像生成装置、医用画像処理方法、およびプログラム - Google Patents

医用画像処理装置、医用画像生成装置、医用画像処理方法、およびプログラム Download PDF

Info

Publication number
JP7206073B2
JP7206073B2 JP2018154590A JP2018154590A JP7206073B2 JP 7206073 B2 JP7206073 B2 JP 7206073B2 JP 2018154590 A JP2018154590 A JP 2018154590A JP 2018154590 A JP2018154590 A JP 2018154590A JP 7206073 B2 JP7206073 B2 JP 7206073B2
Authority
JP
Japan
Prior art keywords
data
medical image
cartesian
layer
cartesian data
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.)
Active
Application number
JP2018154590A
Other languages
English (en)
Other versions
JP2020028371A (ja
Inventor
秀則 竹島
正生 油井
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
Priority to JP2018154590A priority Critical patent/JP7206073B2/ja
Priority to US16/543,669 priority patent/US11416984B2/en
Publication of JP2020028371A publication Critical patent/JP2020028371A/ja
Application granted granted Critical
Publication of JP7206073B2 publication Critical patent/JP7206073B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/54—Signal processing systems, e.g. using pulse sequences ; Generation or control of pulse sequences; Operator console
    • G01R33/56—Image enhancement or correction, e.g. subtraction or averaging techniques, e.g. improvement of signal-to-noise ratio and resolution
    • G01R33/5608—Data processing and visualization specially adapted for MR, e.g. for feature analysis and pattern recognition on the basis of measured MR data, segmentation of measured MR data, edge contour detection on the basis of measured MR data, for enhancing measured MR data in terms of signal-to-noise ratio by means of noise filtering or apodization, for enhancing measured MR data in terms of resolution by means for deblurring, windowing, zero filling, or generation of gray-scaled images, colour-coded images or images displaying vectors instead of pixels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/48—NMR imaging systems
    • G01R33/4818—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space
    • G01R33/4824—MR characterised by data acquisition along a specific k-space trajectory or by the temporal order of k-space coverage, e.g. centric or segmented coverage of k-space using a non-Cartesian trajectory
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/16—Measuring radiation intensity
    • G01T1/20—Measuring radiation intensity with scintillation detectors
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/045—Combinations of networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/05—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves 
    • A61B5/055—Detecting, measuring or recording for diagnosis by means of electric currents or magnetic fields; Measuring using microwaves or radio waves  involving electronic [EMR] or nuclear [NMR] magnetic resonance, e.g. magnetic resonance imaging
    • 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
    • A61B6/06—Diaphragms
    • 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
    • A61B6/46—Arrangements for interfacing with the operator or the patient
    • A61B6/461—Displaying means of special interest
    • A61B6/466—Displaying means of special interest adapted to display 3D data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/16—Measuring radiation intensity
    • G01T1/161—Applications in the field of nuclear medicine, e.g. in vivo counting
    • G01T1/164—Scintigraphy
    • G01T1/1641—Static instruments for imaging the distribution of radioactivity in one or two dimensions using one or several scintillating elements; Radio-isotope cameras
    • G01T1/1645—Static instruments for imaging the distribution of radioactivity in one or two dimensions using one or several scintillating elements; Radio-isotope cameras using electron optical imaging means, e.g. image intensifier tubes, coordinate photomultiplier tubes, image converter
    • 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

Landscapes

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

Description

本発明の実施形態は、医用画像処理装置、医用画像生成装置、医用画像処理方法、およびプログラムに関する。
オートマップ（AUTO MAP）と呼ばれるディープニューラルネットワークを利用して、医用画像を再構成する技術が知られている。
従来の技術では、ノンカルテシアンデータの再構成に必要な演算をすべてディープニューラルネットワークに学習させるため、医用画像の再構成の精度が十分でなく、再構成によって生成される医用画像の画質が良好でない場合があった。
Bo Zhu, Jeremiah Z. Liu, Stephen F. Cauley, Bruce R. Rosen and Matthew S. Rosen. "Image reconstruction by domain-transform manifold learning." Nature volume 555, pages 487-492 (22 March 2018): doi:10.1038/nature25988
本発明が解決しようとする課題は、画質が良好な医用画像を再構成によって生成することである。
実施形態の医用画像処理装置は、取得部と、第１処理部と、第２処理部とを備える。取得部は、被検体からノンカルテシアンデータを取得する。第１処理部は、前記取得部によって取得されたノンカルテシアンデータと、複数の係数集合の其々との積和を導出し、前記係数集合ごとに導出した積和が要素値として対応付けられた複数の要素を含むカルテシアンデータを生成する。第２処理部は、前記第１処理部によって生成されたカルテシアンデータに基づいて、前記被検体の少なくとも一部が撮像された医用画像を再構成によって生成する。
第１の実施形態に係る医用画像処理装置２００を含む医用画像処理システム１の構成の一例を示す図。 第１の実施形態に係る医用画像生成装置１００の一例を示す図。 ｋ空間データＤｋの一例を示す図。 ｋ空間データＤｋの一例を示す図。 ｋ空間データＤｋの一例を示す図。 第１の実施形態に係る医用画像処理装置２００の一例を示す図。 第１の実施形態における医用画像再構成モデル３００の一例を示す図。 積和係数情報２３４の一例を示す図。 係数列Ｃとの積和演算を模式的に示す図。 本実施形態における処理回路２１０の一連の処理の流れを示すフローチャート。 第１の実施形態に係る医用画像生成装置１００の他の例を示す図。 第２の実施形態における医用画像再構成モデル３００の一例を示す図。 第２の実施形態における医用画像再構成モデル３００の他の例を示す図。 ノンカルテシアンｋ空間データＤｋの非線形性を説明するための図。 第３の実施形態における医用画像再構成モデル３００の一例を示す図。 第４の実施形態に係る医用画像生成装置１００Ａの一例を示す図。 第４の実施形態における医用画像再構成モデル３００の一例を示す図。
以下、図面を参照しながら、医用画像処理装置、医用画像生成装置、医用画像処理方法、およびプログラムの実施形態について詳細に説明する。
（第１の実施形態）
図１は、第１の実施形態に係る医用画像処理装置２００を含む医用画像処理システム１の構成の一例を示す図である。例えば、図１に示すように、医用画像処理システム１は、医用画像生成装置１００と、医用画像処理装置２００とを備える。医用画像生成装置１００および医用画像処理装置２００は、ネットワークＮＷを介して接続される。ネットワークＮＷは、例えば、ＷＡＮ（Wide Area Network）やＬＡＮ（Local Area Network）、インターネット、専用回線、無線基地局、プロバイダなどを含む。
医用画像生成装置１００は、例えば、ＭＲＩ（Magnetic Resonance Imaging）装置や、ＣＴ（Computed Tomography）装置などを含む。ＭＲＩ装置は、例えば、被検体（例えば人体）に磁場を与えて、核磁気共鳴現象によって被検体内の水素原子核から発生する電磁波を、コイルを利用して受信し、その受信した電磁波に基づく信号を再構成することで医用画像（ＭＲ画像）を生成する装置である。ＣＴ装置は、例えば、被検体の周囲を回転するＸ線管から被検体にＸ線を照射すると共に、その被検体を通過したＸ線を検出し、検出したＸ線に基づく信号を再構成することで医用画像（ＣＴ画像）を生成する装置である。以下の説明では、一例として医用画像生成装置１００がＭＲＩ装置であるものとして説明する。
医用画像処理装置２００は、一つまたは複数のプロセッサにより実現される。例えば、医用画像処理装置２００は、クラウドコンピューティングシステムに含まれるコンピュータであってもよいし、他の機器に依存せずに単独で動作するコンピュータ（スタンドアローンのコンピュータ）であってもよい。
［医用画像生成装置（ＭＲＩ装置）の構成例］
図２は、第１の実施形態に係る医用画像生成装置１００の一例を示す図である。図２に示すように、医用画像生成装置１００は、静磁場磁石１０１と、傾斜磁場コイル１０２と、傾斜磁場電源１０３と、寝台１０４と、寝台制御回路１０５と、送信コイル１０６と、送信回路１０７と、受信コイル１０８と、受信回路１０９と、シーケンス制御回路１１０と、コンソール装置１２０とを備える。
静磁場磁石１０１は、中空の略円筒形状に形成された磁石であり、内部の空間に一様な静磁場を発生させる。静磁場磁石１０１は、例えば、永久磁石や超伝導磁石などである。傾斜磁場コイル１０２は、中空の略円筒形状に形成されたコイルであり、静磁場磁石１０１の内側に配置される。傾斜磁場コイル１０２は、互いに直交するｘ，ｙ，ｚの各軸に対応する３つのコイルが組み合わされて形成される。ｚ軸方向は、寝台１０４の天板１０４ａの長手方向を表し、ｘ軸方向は、ｚ軸方向に直交し、医用画像生成装置１００が設置される部屋の床面に対して平行である軸方向を表し、ｙ軸方向は、床面に対して垂直方向である軸方向を表している。各軸方向に対応した３つのコイルは、傾斜磁場電源１０３から個別に電流を受けて、ｘ，ｙ，ｚの各軸に沿って磁場強度が変化する傾斜磁場を発生させる。なお、ｚ軸方向は、静磁場と同方向とする。
傾斜磁場電源１０３は、傾斜磁場コイル１０２に電流を供給する。ここで、傾斜磁場コイル１０２によって発生するｘ，ｙ，ｚの各軸の傾斜磁場は、例えば、スライス選択用傾斜磁場Ｇｓ、位相エンコード用傾斜磁場Ｇｅ、及びリードアウト用傾斜磁場Ｇｒにそれぞれ対応する。スライス選択用傾斜磁場Ｇｓは、任意に撮像断面を決めるために利用される。位相エンコード用傾斜磁場Ｇｅは、空間的位置に応じて磁気共鳴信号の位相を変化させるために利用される。リードアウト用傾斜磁場Ｇｒは、空間的位置に応じて磁気共鳴信号の周波数を変化させるために利用される。
寝台１０４は、被検体ＯＢが載置される天板１０４ａを備え、寝台制御回路１０５による制御のもと、天板１０４ａを、被検体ＯＢが載置された状態で傾斜磁場コイル１０２の空洞（撮像口）内へ挿入する。通常、寝台１０４は、長手方向が静磁場磁石１０１の中心軸と平行になるように設置される。寝台制御回路１０５は、コンソール装置１２０による制御のもと、寝台１０４を駆動して天板１０４ａを長手方向及び上下方向へ移動する。
送信コイル１０６は、傾斜磁場コイル１０２の内側に配置され、送信回路１０７からＲＦ（Radio Frequency）パルスの供給を受けて、高周波磁場を発生する。送信回路１０７は、対象とする原子核の種類及び磁場の強度で決まるラーモア周波数に対応するＲＦパルスを送信コイル１０６に供給する。
受信コイル１０８は、傾斜磁場コイル１０２の内側に配置され、高周波磁場の影響によって被検体ＯＢから発せられる磁気共鳴信号を受信する。受信コイル１０８は、磁気共鳴信号を受信すると、受信した磁気共鳴信号を受信回路１０９へ出力する。なお、第１の実施形態において、受信コイル１０８は、１以上、典型的には複数の受信コイルを有するコイルアレイである。以下、受信コイルがコイルアレイ（マルチコイル）である場合、そのアレイを構成する各コイルを、コイルエレメントと称して説明する。
受信回路１０９は、受信コイル１０８から出力される磁気共鳴信号に基づいて磁気共鳴データを生成する。具体的には、受信回路１０９は、受信コイル１０８から出力されるアナログ信号の磁気共鳴信号をフーリエ変換することによって、デジタル信号である磁気共鳴データを生成する。また、受信回路１０９は、生成した磁気共鳴データをシーケンス制御回路１１０へ送信する。なお、受信回路１０９は、静磁場磁石１０１や傾斜磁場コイル１０２等を備える架台装置側に備えられていてもよい。受信コイル１０８の各コイルエレメントから出力される磁気共鳴信号は、適宜分配合成されることで受信回路１０９に出力される。受信コイル１０８および受信回路１０９は、「生成部」の一例である。
シーケンス制御回路１１０は、コンソール装置１２０から送信されるシーケンス情報に基づいて、傾斜磁場電源１０３、送信回路１０７及び受信回路１０９を駆動することによって、被検体ＯＢを撮像する。シーケンス情報は、撮像処理を行うための手順を定義した情報である。シーケンス情報には、傾斜磁場電源１０３が傾斜磁場コイル１０２に供給する電源の強さや電源を供給するタイミング、送信回路１０７が送信コイル１０６に送信するＲＦパルスの強さやＲＦパルスを印加するタイミング、受信回路１０９が磁気共鳴信号を検出するタイミング等が定義された情報が含まれる。
なお、シーケンス制御回路１１０は、傾斜磁場電源１０３、送信回路１０７及び受信回路１０９を駆動して被検体ＯＢを撮像し、受信回路１０９から磁気共鳴データを受信すると、受信した磁気共鳴データをコンソール装置１２０へ転送する。
コンソール装置１２０は、医用画像生成装置１００の全体を制御したり、磁気共鳴データを収集したりする。例えば、コンソール装置１２０は、通信インターフェース１２２と、入力インターフェース１２４と、ディスプレイ１２６と、処理回路１３０と、メモリ（ストレージ）１５０とを備える。
通信インターフェース１２２は、例えば、ＮＩＣ（Network Interface Card）などの通信インターフェースを含む。通信インターフェース１２２は、ネットワークＮＷを介して医用画像処理装置２００と通信し、医用画像処理装置２００から情報を受信する。通信インターフェース１２２は、受信した情報を処理回路１３０に出力する。また、通信インターフェース１２２は、処理回路１３０による制御を受けて、ネットワークＮＷを介して接続された他の装置に情報を送信してもよい。
入力インターフェース１２４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１３０に出力する。例えば、入力インターフェース１２４は、マウスやキーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパネルなどにより実現される。また、入力インターフェース１２４は、例えば、マイクなどの音声入力を受け付けるユーザインターフェースによって実現されてもよい。入力インターフェース１２４がタッチパネルである場合、後述するディスプレイ１２６は入力インターフェース１２４と一体として形成されてよい。
ディスプレイ１２６は、各種の情報を表示する。例えば、ディスプレイ１２６は、処理回路１３０によって生成された画像を表示したり、操作者からの各種の入力操作を受け付けるためのＧＵＩ（Graphical User Interface）などを表示したりする。例えば、ディスプレイ１２６は、ＬＣＤ（Liquid Crystal Display）や、ＣＲＴ（Cathode Ray Tube）ディスプレイ、有機ＥＬ（Electroluminescence）ディスプレイなどである。
処理回路１３０は、例えば、取得機能１３２と、通信制御機能１３４とを実行する。これらの機能（構成要素）は、例えば、ＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）等のハードウェアプロセッサ（あるいはプロセッサ回路）が、メモリ１５０に記憶されたプログラム（ソフトウェア）を実行することにより実現される。また、処理回路１３０の機能の一部または全部は、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）等のハードウェア（回路部：circuitry）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。また、上記のプログラムは、予めメモリ１５０に格納されていてもよいし、ＤＶＤやＣＤ－ＲＯＭなどの着脱可能な記憶媒体に格納されており、記憶媒体がコンソール装置１２０のドライブ装置に装着されることで記憶媒体からメモリ１５０にインストールされてもよい。
メモリ１５０は、例えば、ＲＡＭ（Random Access Memory）、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。これらの非一過性の記憶媒体は、ＮＡＳ（Network Attached Storage）や外部ストレージサーバ装置といったネットワークＮＷを介して接続される他の記憶装置によって実現されてもよい。また、メモリ１５０には、ＲＯＭ（Read Only Memory）やレジスタなどの一過性の記憶媒体が含まれてもよい。
取得機能１３２は、シーケンス制御回路１１０から磁気共鳴データを取得する。磁気共鳴データは、上述したように、核磁気共鳴現象によって被検体ＯＢ内において発生した電磁波の信号（核磁気共鳴信号）をフーリエ変換することで得られる磁気共鳴データである。以下、磁気共鳴データを「ｋ空間データＤｋ」と称して説明する。ｋ空間とは、核磁気共鳴信号が１次元の波形として受信コイル１０８により繰り返し収集される際に、その１次元の波形が収集される周波数空間（ｋ空間データＤｋが配列される空間）を表している。
図３から図５は、ｋ空間データＤｋの一例を示す図である。図３に例示するｋ空間データＤｋは、ｘ軸、ｙ軸、およびｚ軸が互いに直行した直交座標系（デカルト座標系）で表されるｋ空間において、サンプリングされた磁気共鳴データ（サンプルデータの一例）を表すサンプル点が格子状に点在している。このようなｋ空間データＤｋは、ある一定の時間間隔（周期）で核磁気共鳴信号が収集されたときに得られる。一方、図４および図５に例示するｋ空間データＤｋは、ｋ空間においてサンプル点が不均一に点在している。図４に例示するｋ空間データＤｋは、核磁気共鳴信号の信号強度が大きいサンプル点を中心に、被検体ＯＢを放射状にスキャン（ラディアルスキャン）することで得られ、図５に例示するｋ空間データＤｋは、核磁気共鳴信号の信号強度が大きいサンプル点を中心に、螺旋状にスキャン（スパイラルスキャン）することで得られる。このように被検体ＯＢを放射状にスキャンしたり、螺旋状にスキャンしたりすることによって、ノイズに対するロバスト性を高めたり、処理を高速化したりすることができる。しかしながら、被検体ＯＢを放射状にスキャンしたり、螺旋状にスキャンしたりした場合、ｋ空間においてサンプル点が格子状に並んでいないｋ空間データＤｋが得られることになる。
本実施形態において、ある空間において、サンプル点が格子状に並ぶ出力点に一対一に対応した位置にある場合、そのサンプル点のデータを「カルテシアンデータ」と定義し、サンプル点が格子状に並ぶ出力点に一対一に対応した位置にない場合、そのサンプル点のデータを「ノンカルテシアンデータ」と定義する。出力点とは、再構成された画像の画素に相当する点である。また、特に、図３に例示するようにｋ空間においてサンプル点が格子状に並んでいるｋ空間データＤｋを「カルテシアンｋ空間データＤｋ」と称し、図４や図５に例示するようにｋ空間においてサンプル点が格子状に並んでいないｋ空間データＤｋを「ノンカルテシアンｋ空間データＤｋ」と称して説明する。
カルテシアンｋ空間データＤｋは、ｋ空間上にサンプル点が格子上に規則正しく並んでいるため、各サンプル間の周期が一定であり、同一のサンプリング空間周波数によって、全てのサンプル点を逆フーリエ変換することができる。一方、ノンカルテシアンｋ空間データＤｋは、ｋ空間上にサンプル点が格子上に規則正しく並んでいないため、逆フーリエ変換に相当する処理を行うと、アーティファクトと呼ばれるようなノイズが再構成画像に含まれ得る。
なお、医用画像生成装置１００が、例えば、half-Fourier法などを利用し、ｋ空間データＤｋを、ある軸方向に関して間引いて収集することで、より高速に被検体ＯＢを撮像する場合、ｋ空間データＤｋは、ｋ空間においてスパース（疎）なデータとなってよい。
通信制御機能１３４は、取得機能１３２によってｋ空間データＤｋが取得されると、通信インターフェース２０２に医用画像処理装置２００と通信させ、その通信相手の医用画像処理装置２００にｋ空間データＤｋを送信する。また、通信制御機能１３４は、通信インターフェース２０２に医用画像処理装置２００と通信させ、その通信相手の医用画像処理装置２００から再構成画像を取得する。通信制御機能１３４は、再構成画像を取得すると、この再構成画像をディスプレイ１２６に出力してよい。これによって、ディスプレイ１２６には再構成画像が表示される。
［医用画像処理装置の構成例］
図６は、第１の実施形態に係る医用画像処理装置２００の一例を示す図である。図６に示すように、医用画像処理装置２００は、例えば、通信インターフェース２０２と、入力インターフェース２０４と、ディスプレイ２０６と、処理回路２１０と、メモリ２３０とを備える。
通信インターフェース２０２は、例えば、ＮＩＣなどの通信インターフェースを含む。通信インターフェース２０２は、ネットワークＮＷを介して医用画像生成装置１００と通信し、医用画像生成装置１００から情報を受信する。通信インターフェース２０２は、受信した情報を処理回路２１０に出力する。また、通信インターフェース２０２は、処理回路２１０による制御を受けて、ネットワークＮＷを介して接続された他の装置に情報を送信してもよい。他の装置とは、例えば、医師や看護師などの画像の読影者が利用可能な端末装置であってよい。
入力インターフェース２０４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２１０に出力する。例えば、入力インターフェース２０４は、マウスやキーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパネルなどにより実現される。また、入力インターフェース２０４は、例えば、マイクなどの音声入力を受け付けるユーザインターフェースによって実現されてもよい。入力インターフェース２０４がタッチパネルである場合、後述するディスプレイ２０６は入力インターフェース２０４と一体として形成されてよい。
ディスプレイ２０６は、各種の情報を表示する。例えば、ディスプレイ２０６は、処理回路２１０によって生成された画像（後述する再構成画像）を表示したり、操作者からの各種の入力操作を受け付けるためのＧＵＩなどを表示したりする。例えば、ディスプレイ２０６は、ＬＣＤや、ＣＲＴディスプレイ、有機ＥＬディスプレイなどである。
処理回路２１０は、例えば、取得機能２１２と、再構成処理機能２１４と、出力制御機能２１６と、学習機能２１８とを実行する。取得機能２１２は、「取得部」の一例である。
これらの機能（構成要素）は、例えば、ＣＰＵやＧＰＵ等のハードウェアプロセッサ（あるいはプロセッサ回路）が、メモリ２３０に記憶されたプログラム（ソフトウェア）を実行することにより実現される。また、これらの複数の機能のうち一部または全部は、ＬＳＩ、ＡＳＩＣ、ＦＰＧＡ等のハードウェア（回路部：circuitry）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。また、上記のプログラムは、予めメモリ２３０に格納されていてもよいし、ＤＶＤやＣＤ－ＲＯＭなどの着脱可能な記憶媒体に格納されており、記憶媒体が医用画像処理装置２００のドライブ装置に装着されることで記憶媒体からメモリ２３０にインストールされてもよい。
メモリ２３０は、例えば、ＲＡＭ、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。これらの非一過性の記憶媒体は、ＮＡＳや外部ストレージサーバ装置といったネットワークＮＷを介して接続される他の記憶装置によって実現されてもよい。また、メモリ２３０には、ＲＯＭやレジスタなどの一過性の記憶媒体が含まれてもよい。メモリ２３０には、例えば、医用画像再構成モデル情報２３２や積和係数情報２３４などが格納される。これらの情報については後述する。
取得機能２１２は、通信インターフェース２０２に医用画像生成装置１００と通信させ、その通信相手の医用画像生成装置１００からｋ空間データＤｋを取得する。以下、取得機能２１２によって取得されるｋ空間データＤｋが、ノンカルテシアンｋ空間データＤｋであるものとして説明する。
再構成処理機能２１４は、医用画像再構成モデル情報２３２が示す医用画像再構成モデル３００に従って、取得機能２１２によって取得されたノンカルテシアンｋ空間データＤｋから医用画像（ＭＲ画像）を再構成する。取得機能２１２によって取得されたノンカルテシアンｋ空間データＤｋは、例えば、各サンプル点を要素とするベクトルによって表される。ノンカルテシアンｋ空間データＤｋのベクトルは、多くの場合、要素数が２つ以上のベクトルであるがこれに限られず、要素数が１つのベクトルであってもよい。
医用画像再構成モデル情報２３２は、医用画像再構成モデル３００を定義した情報（プログラムまたはデータ構造）である。例えば、プロセッサが医用画像再構成モデル情報２３２を実行することによって、医用画像再構成モデル３００の各機能が再構成処理機能２１４の一部として実現されてよい。医用画像再構成モデル３００は、例えば、一つ以上のＤＮＮ（Deep Neural Network(s)）を含む。
医用画像再構成モデル情報２３２には、例えば、医用画像再構成モデル３００に含まれる各ＤＮＮを構成する入力層、一以上の隠れ層（中間層）、出力層の其々に含まれるニューロン（ユニット）が互いにどのように結合されるのかという結合情報や、結合されたニューロン間で入出力されるデータに付与される結合係数がいくつであるのかという重み情報などが含まれる。結合情報は、例えば、各層に含まれるニューロン数や、各ニューロンの結合先のニューロンの種類を指定する情報、各ニューロンを実現する活性化関数、隠れ層のニューロン間に設けられたゲートなどの情報を含む。ニューロンを実現する活性化関数は、例えば、入力符号に応じて動作を切り替える関数（ＲｅＬＵ関数やＥＬＵ関数）であってもよいし、シグモイド関数や、ステップ関数、ハイパポリックタンジェント関数であってもよいし、恒等関数であってもよい。ゲートは、例えば、活性化関数によって返される値（例えば１または０）に応じて、ニューロン間で伝達されるデータを選択的に通過させたり、重み付けたりする。結合係数は、活性化関数のパラメータであり、例えば、ニューラルネットワークの隠れ層において、ある層のニューロンから、より深い層のニューロンにデータが出力される際に、出力データに対して付与される重みを含む。また、結合係数は、各層の固有のバイアス成分などを含んでもよい。
［医用画像再構成モデルの構成例］
図７は、第１の実施形態における医用画像再構成モデル３００の一例を示す図である。図示のように、医用画像再構成モデル３００は、例えば、第１アクティベーションレイヤ３１０と、局所結合レイヤ（Locally-connected Layer）３２０と、第２アクティベーションレイヤ３３０と、フーリエ変換レイヤ３４０と、第３アクティベーションレイヤ３５０と、畳み込みレイヤ３６０とを備えてよい。
再構成処理機能２１４の一機能として実現される局所結合レイヤ３２０は、「第１処理部」の一例であり、再構成処理機能２１４の一機能として実現されるフーリエ変換レイヤ３４０および畳み込みレイヤ３６０は、「第２処理部」の一例である。
第１アクティベーションレイヤ３１０には、取得機能２１２によって取得されたノンカルテシアンｋ空間データＤｋを示すベクトルが入力される。例えば、第１アクティベーションレイヤ３１０は、プーリング層や、ＲｅＬＵ関数またはシグモイド関数などの活性化関数などによって実現されてよい。第１アクティベーションレイヤ３１０がプーリング層を含む場合、第１アクティベーションレイヤ３１０は、ノンカルテシアンｋ空間データＤｋのベクトルの要素値を、そのベクトルに含まれる全要素値の平均値や最大値といった代表値に置き換えることで、ノンカルテシアンｋ空間データＤｋのベクトルの次元数を圧縮する（減らす）。また、例えば、第１アクティベーションレイヤ３１０に含まれる各ノードの活性化関数がＲｅＬＵ関数である場合、第１アクティベーションレイヤ３１０は、ノンカルテシアンｋ空間データＤｋのベクトルの各要素値がマイナスである場合、その要素値をゼロにし、要素値がプラスである場合、その要素値を０に近い値程小さくし、０から遠い値程大きくする。そして、第１アクティベーションレイヤ３１０は、プーリング処理や活性化関数の計算処理を行ったベクトルを、局所結合レイヤ３２０に出力する。
局所結合レイヤ３２０は、第１アクティベーションレイヤ３１０からノンカルテシアンｋ空間データＤｋのベクトルが入力されると、そのベクトルに対して、係数行列Ｌを乗算する。係数行列Ｌには、積和係数情報２３４によって示される複数の係数列Ｃが含まれる。係数列Ｃは、局所的な特徴を表す重みであり、その積和演算は、各出力要素に対してｗ１ｘ１＋ｗ２ｘ２＋ｗ３ｘ３＋…といった演算を行うものである。ｘ１、ｘ２、ｘ３などのパラメータは入力を表し、ｗ１、ｗ２、ｗ３などのパラメータは、局所積和演算で使われる重み係数を表している。なお、係数行列Ｌは、局所結合以外の要素については、その要素値がゼロであってよい。係数列Ｃは、「係数集合」の一例である。
図８は、積和係数情報２３４の一例を示す図である。図示の例のように、積和係数情報２３４は、ノンカルテシアンｋ空間データＤｋの各サンプル点の想定位置ごとに、係数列Ｃが対応付けられた情報である。サンプル点の想定位置とは、ラディアルスキャンやスパイラルスキャンなどのスキャン方法から理論的に求めた位置であってもよいし、理論的に求めた位置に対してハードウェアの不完全性に基づく補正（例えば、渦電流の影響を考慮した補正）を加えた位置であってもよいし、実験データやシミュレーションデータから統計的に求めた位置であってもよい。
係数行列Ｌに含まれる複数の係数列Ｃのそれぞれは、各サンプル点の想定位置ごとに機械学習によって決定される。そのため、複数の係数列Ｃのそれぞれは、互いに異なる係数列となり得る。なお、複数の係数列Ｃのそれぞれは、互いにすべてが異なっている必要はなく、一部共通していてもよい。例えば、ｋ空間においてサンプル点が他のサンプル点と共役の関係にある場合、それらのサンプル点に対応付けられる係数列Ｃは、互いに同じ係数列であってよい。共役な関係とは、例えば、ｋ空間において、サンプル点が点対称や軸対称となるような関係である。なお、係数列Ｃは、各出力位置に対して予め定めたパラメトリック関数のパラメータを学習する形としても良い。例えば、パラメトリック関数としてガウシアン関数を採用し、ガウシアンミクスチャを学習させても良い。ガウシアン関数は、例えば、カイザー窓関数のように、別の関数であっても良い。
図９は、係数列Ｃとの積和演算を模式的に示す図である。図示の例のように、ノンカルテシアンｋ空間データＤｋは、ｘ１、ｘ２、ｘ３、…、ｘｎ－１、ｘｎといった、各サンプル点に対応した複数の要素を含むベクトルによって表され、係数行列Ｌは、Ｃ１、Ｃ２、…、Ｃｎ－１、Ｃｎといった複数の係数列を含む行列によって表される。例えば、係数列Ｃ１は、要素ｘ１に対応した想定位置Ｐ１で計測され得るサンプル点Ｓ１の教師データを利用して予め学習されており、係数列Ｃ２は、要素ｘ２に対応した想定位置Ｐ２で計測され得るサンプル点Ｓ２の教師データを利用して予め学習されている。教師データについては後述する。
例えば、局所結合レイヤ３２０は、ノンカルテシアンｋ空間データＤｋのベクトルに含まれる各要素値ｘと係数列Ｃとの積和を演算し、その積和が要素値として対応付けられた複数の要素を含むベクトルを、カルテシアンｋ空間データＤｋとして生成する。カルテシアンｋ空間データＤｋのベクトルは、２次元画像あるいは３次元画像をラスタスキャンすることで得られたサンプル点が、スキャン順に並べられたベクトルを表している。
図示の例のように、カルテシアンｋ空間データＤｋのベクトルに含まれる要素ｘ１´は、ノンカルテシアンｋ空間データＤｋのベクトルに含まれる要素ｘ１と、機械学習によって予め決められた係数列Ｃ１との積和を表しており、カルテシアンｋ空間データＤｋのベクトルに含まれる要素ｘ２´は、ノンカルテシアンｋ空間データＤｋのベクトルに含まれる要素ｘ２と、機械学習によって予め決められた係数列Ｃ２との積和を表している。
なお、図示の例では、係数列Ｃの要素数は、ノンカルテシアンｋ空間データＤｋのベクトルの要素数（次元数）と同じｎ個であるものとしているがこれに限られず、ｎ未満あるいはｎを超える数であってもよい。
局所結合レイヤ３２０は、カルテシアンｋ空間データＤｋを生成すると、そのカルテシアンｋ空間データＤｋを表すベクトルを第２アクティベーションレイヤ３３０に出力する。
図７の説明に戻る。第２アクティベーションレイヤ３３０には、局所結合レイヤ３２０からカルテシアンｋ空間データＤｋのベクトルが入力される。例えば、第２アクティベーションレイヤ３３０は、第１アクティベーションレイヤ３１０と同様に、プーリング層や、ＲｅＬＵ関数またはシグモイド関数などの活性化関数などによって実現されてよい。第２アクティベーションレイヤ３３０がプーリング層を含む場合、第２アクティベーションレイヤ３３０は、カルテシアンｋ空間データＤｋのベクトルの要素値を、そのベクトルに含まれる全要素値の平均値や最大値といった代表値に置き換えることで、カルテシアンｋ空間データＤｋのベクトルの次元数を圧縮する。また、例えば、第２アクティベーションレイヤ３３０に含まれる各ノードの活性化関数がＲｅＬＵ関数である場合、第２アクティベーションレイヤ３３０は、カルテシアンｋ空間データＤｋのベクトルの各要素値がマイナスである場合、その要素値をゼロにし、要素値がプラスである場合、その要素値を０に近い値程小さくし、０から遠い値程大きくする。そして、第２アクティベーションレイヤ３３０は、プーリング処理や活性化関数の計算処理を行ったカルテシアンｋ空間データＤｋのベクトルを、フーリエ変換レイヤ３４０に出力する。
フーリエ変換レイヤ３４０は、第２アクティベーションレイヤ３３０から入力されたカルテシアンｋ空間データＤｋのベクトルに対してフーリエ変換あるいは逆フーリエ変換を行う。フーリエ変換の入出力ベクトルは、再構成出力ベクトルの要素数と一致していても良いし、一致していなくても良い。例えば、再構成画像の各軸方向に対し要素数の１．５倍や２倍といった要素数でフーリエ変換を適用しても良い。フーリエ変換レイヤ３４０は、フーリエ変換あるいは逆フーリエ変換を行ったカルテシアンｋ空間データＤｋのベクトルを、第３アクティベーションレイヤ３５０に出力する。フーリエ変換あるいは逆フーリエ変換が行われたカルテシアンｋ空間データＤｋのベクトルは、物理的な位置座標に対して、画素値が対応付けられた画像空間データを表している。以下、フーリエ変換あるいは逆フーリエ変換が行われたカルテシアンｋ空間データＤｋを、画像空間データとも称して説明する。
第３アクティベーションレイヤ３５０には、フーリエ変換レイヤ３４０から、フーリエ変換あるいは逆フーリエ変換が行われたベクトル、すなわち画像空間データが入力される。例えば、第３アクティベーションレイヤ３５０は、第１アクティベーションレイヤ３１０や第２アクティベーションレイヤ３３０と同様に、プーリング層や、ＲｅＬＵ関数またはシグモイド関数などの活性化関数などによって実現されてよい。第３アクティベーションレイヤ３５０がプーリング層を含む場合、第３アクティベーションレイヤ３５０は、画像空間データのベクトルの要素値を、そのベクトルに含まれる全要素値の平均値や最大値といった代表値に置き換えることで、画像空間データのベクトルの次元数を圧縮する。また、例えば、第３アクティベーションレイヤ３５０に含まれる各ノードの活性化関数がＲｅＬＵ関数である場合、第３アクティベーションレイヤ３５０は、画像空間データのベクトルの各要素値がマイナスである場合、その要素値をゼロにし、要素値がプラスである場合、その要素値を０に近い値程小さくし、０から遠い値程大きくする。そして、第３アクティベーションレイヤ３５０は、プーリング処理や活性化関数の計算処理を行った画像空間データのベクトルを、畳み込みレイヤ３６０に出力する。
畳み込みレイヤ３６０は、第３アクティベーションレイヤ３５０から画像空間データのベクトルが入力されると、そのベクトルに対して、線形変換行列（フィルタまたはカーネル）を、ある決められたストライド量でスライドさせながら積和演算を繰り返し、入力された画像空間データのベクトルから、線形変換行列との積和が要素値として対応付けられた複数の要素を含むベクトルを生成する。そして、畳み込みレイヤ３６０は、生成したベクトルのデータを、医用画像（ＭＲ画像）の再構成画像として出力する。
出力制御機能２１６は、例えば、通信インターフェース２０２を介して接続された医用画像生成装置１００に、畳み込みレイヤ３６０によって出力された再構成画像を出力する。また、出力制御機能２１６は、ディスプレイ２０６に再構成画像を出力（表示）させてもよい。
［処理フロー］
以下、本実施形態における処理回路２１０の一連の処理の流れをフローチャートに即して説明する。図１０は、本実施形態における処理回路２１０の一連の処理の流れを示すフローチャートである。本フローチャートの処理は、例えば、取得機能２１２によってノンカルテシアンｋ空間データＤｋが取得された場合に、所定の周期で繰り返し行われてよい。
まず、第１アクティベーションレイヤ３１０は、取得機能２１２によって取得されたノンカルテシアンｋ空間データＤｋのベクトルに対して、プーリング処理や活性化関数の計算処理などのアクティベーションを行う（ステップＳ１００）。
次に、局所結合レイヤ３２０は、第１アクティベーションレイヤ３１０によってプーリング処理や活性化関数の計算処理などが行われたベクトルに対して、係数行列Ｌを乗算する（ステップＳ１０２）。具体的には、局所結合レイヤ３２０は、ｋ空間におけるサンプル点（ベクトルの各要素）の位置に対応した係数列Ｃと、ベクトルの各要素との積和を演算し、その積和が要素値として対応付けられた複数の要素を含むベクトルを、カルテシアンｋ空間データＤｋとして生成する。
次に、第２アクティベーションレイヤ３３０は、局所結合レイヤ３２０により生成されたカルテシアンｋ空間データＤｋのベクトルに対して、プーリング処理や活性化関数の計算処理などのアクティベーションを行う（ステップＳ１０４）。
次に、フーリエ変換レイヤ３４０は、第２アクティベーションレイヤ３３０によってプーリング処理や活性化関数の計算処理などが行われたベクトルに対して、フーリエ変換または逆フーリエ変換を行う（ステップＳ１０６）。これによって、画像空間データが生成される。
次に、第３アクティベーションレイヤ３５０は、フーリエ変換レイヤ３４０により生成された画像空間データのベクトルに対して、プーリング処理や活性化関数の計算処理などのアクティベーションを行う（ステップＳ１０８）。
次に、畳み込みレイヤ３６０は、第３アクティベーションレイヤ３５０によってプーリング処理や活性化関数の計算処理などが行われた画像空間データのベクトルと、線形変換行列との積和を演算する（ステップＳ１１０）。具体的には、畳み込みレイヤ３６０は、線形変換行列を、ある決められたストライド量でスライドさせながら積和演算を繰り返すことで、画像空間データのベクトルから、線形変換行列との積和が要素値として対応付けられた複数の要素を含むベクトルを生成する。そして、畳み込みレイヤ３６０は、生成したベクトルのデータを、医用画像の再構成画像として出力する。
次に、出力制御機能２１６は、畳み込みレイヤ３６０によって出力された医用画像の再構成画像を、ディスプレイ２０６に表示させたり、通信インターフェース２０２を介して医用画像生成装置１００に送信したりする（ステップＳ１１２）。これによって本フローチャートの処理が終了する。
［医用画像再構成モデルの学習方法］
以下、医用画像再構成モデル３００の学習方法について説明する。学習機能２１８は、ある教師データに基づいて医用画像再構成モデル３００を学習させる。教師データは、例えば、ノンカルテシアンｋ空間データＤｋのスキャン時にサンプル数を通常時よりも多くしたノンカルテシアンｋ空間データＤｋを用意しておき、そのノンカルテシアンｋ空間データＤｋのサブセットを入力として、そのノンカルテシアンｋ空間データＤｋを既知の手法によって再構成させた再構成画像を出力とするデータであってよい。また、任意の医療画像に対して、サンプリングシミュレーションを行うことでノンカルテシアンｋ空間データＤｋを求め、その求めたノンカルテシアンｋ空間データＤｋに対して医療画像が正解データとして対応付けられたデータを、教師データとしてもよい。
学習機能２１８は、医用画像再構成モデル３００の第１アクティベーションレイヤ３１０に対して、あるノンカルテシアンｋ空間データＤｋを入力し、学習すべき関数（図７の例では、３１０から３６０までの全てのレイヤを実現する関数）を利用することで得られた再構成画像が、教師データである再構成画像に近づくように、第１アクティベーションレイヤ３１０、第２アクティベーションレイヤ３３０、および第３アクティベーションレイヤ３５０の各ノードの活性化関数のパラメータや、局所結合レイヤ３２０の係数行列Ｌに含まれる各係数列Ｃ、および畳み込みレイヤ３６０の線形変換行列のパラメータを学習させる。例えば、学習機能２１８は、ＳＧＤ(Stochastic Gradient Descent）、Momentum ＳＧＤ、AdaGrad、RMSprop、AdaDelta、Ａｄａｍ(Adaptive moment estimation)などの勾配法を利用してパラメータを学習させてよい。
以上説明した第１の実施形態によれば、磁場を被検体ＯＢに作用させることで生成されたノンカルテシアンｋ空間データＤｋを医用画像生成装置１００から取得する取得機能２１２と、取得されたノンカルテシアンｋ空間データＤｋと、複数の係数列Ｃの其々との積和を導出し、係数列Ｃごとに導出した積和が要素値として対応付けられた複数の要素を含むベクトルをカルテシアンｋ空間データＤｋとして生成する局所結合レイヤ３２０と、生成されたカルテシアンｋ空間データＤｋに対してフーリエ変換または逆フーリエ変換を行うフーリエ変換レイヤ３４０と、フーリエ変換または逆フーリエ変換が行われたカルテシアンｋ空間データＤｋに線形結合行列を乗算して得られた積和が画素値として対応付けられた複数の画素を含む画像を、ＭＲ画像の再構成画像として生成する畳み込みレイヤ３６０と、を備えることによって、医用画像の一つであるＭＲ画像の再構成の精度を高めることができるため、画質が良好な医用画像を再構成によって生成することができる。
（第１の実施形態の変形例）
以下、第１の実施形態の変形例について説明する。上述した第１の実施形態では、医用画像生成装置１００と医用画像処理装置２００とが互いに異なる装置であるものとして説明したがこれに限られない。例えば、医用画像処理装置２００は、医用画像生成装置１００のコンソール装置１２０の一機能によって実現されてもよい。すなわち、医用画像処理装置２００は、医用画像生成装置１００のコンソール装置１２０によって仮想的に実現される仮想マシンであってもよい。
図１１は、第１の実施形態に係る医用画像生成装置１００の他の例を示す図である。図１１に示すように、コンソール装置１２０の処理回路１３０は、上述した取得機能１３２に加えて、再構成処理機能２１４と、出力制御機能２１６と、学習機能２１８とを実行してよい。
また、コンソール装置１２０のメモリ１５０には、医用画像再構成モデル情報２３２と、積和係数情報２３４とが格納されてよい。
このような構成によって、医用画像生成装置１００単体で、画質が良好な医用画像を再構成によって生成することができる。
また、上述した第１の実施形態では、局所結合レイヤ３２０によって生成されるベクトルが一つであるものとして説明したがこれに限られない。例えば、医用画像生成装置１００が、マルチコイルで同時に複数のｋ空間データＤｋを収集する場合、局所結合レイヤ３２０は、各コイルに対応したベクトルを複数生成してよい。局所結合レイヤ３２０が複数のベクトルを生成する場合、すなわちマルチチャネルである場合、局所結合レイヤ３２０よりも後段の医用画像再構成モデル３００は、チャネルごとに多段に構成されてよい。
また、上述した第１の実施形態において、医用画像生成装置１００が、マルチコイルで同時に複数のｋ空間データＤｋを収集する場合、再構成処理機能２１４は、マルチコイルの情報（複数のコイル情報）を基に、医用画像再構成モデル３００に対して入力データとするｋ空間データのサンプル数を増やしてもよい。
また、上述した第１の実施形態では、局所結合レイヤ３２０は、入力されたデータと係数列Ｃとの積和を畳み込みによって演算するものとして説明したがこれに限られない。例えば、局所結合レイヤ３２０は、入力されたデータとパラメトリック窓関数との積和を畳み込みによって演算してもよい。各入力もしくは各出力に関連付けられたパラメトリック窓関数のパラメータは、学習機能２１８によって、ディープニューラルネットワークを構成する他のパラメータと同様に学習される。
また、上述した第１の実施形態では、医用画像再構成モデル３００において、フーリエ変換レイヤ３４０の後には、第３アクティベーションレイヤ３５０および畳み込みレイヤ３６０が設けられるものとして説明したがこれに限られない。例えば、医用画像再構成モデル３００には、畳み込みレイヤ３６０の後段に画像変換レイヤが設けられていてもよい。画像変換レイヤは、例えば、畳み込みレイヤ３６０によって出力された再構成画像に対して、拡大や縮小、回転といった変換処理を行う。
また、医用画像再構成モデル３００には、畳み込みレイヤ３６０の後段に、他のアクティベーションレイヤと、他の畳み込みレイヤとが設けられていてもよい。すなわち、医用画像再構成モデル３００において、畳み込みレイヤが多段に構成されていてもよい。
なお、上述した第１の実施形態と、その変形例では、再後段の畳み込みレイヤの更に後段に原則アクティベーションレイヤを設けないものとして説明したがこれに限られず、再後段の畳み込みレイヤの後段に任意のアクティベーションレイヤが設けられてもよい。
また、上述した第１の実施形態では、局所結合レイヤ３２０（第１処理部の一例）が、生成したカルテシアンｋ空間データＤｋに、一つ以上のダミーサンプル点を混ぜることで、カルテシアンｋ空間データＤｋをノンカルテシアンｋ空間データＤｋにしてもよい。また、フーリエ変換レイヤ３４０などの他のレイヤが、局所結合レイヤ３２０によって生成されたカルテシアンｋ空間データＤｋに、一つ以上のダミーサンプル点を混ぜることで、カルテシアンｋ空間データＤｋをノンカルテシアンｋ空間データＤｋにしてもよい。
（第２の実施形態）
以下、第２の実施形態について説明する。第１の実施形態では、医用画像再構成モデル３００には、一つの局所結合レイヤ３２０が含まれるものとして説明した。これに対して、第２の実施形態では、医用画像再構成モデル３００に二つ以上の局所結合レイヤが含まれる点で上述した第１の実施形態と相違する。以下、第１の実施形態との相違点を中心に説明し、第１の実施形態と共通する点については説明を省略する。なお、第２の実施形態の説明において、第１の実施形態と同じ部分については同一符号を付して説明する。
図１２は、第２の実施形態における医用画像再構成モデル３００の一例を示す図である。図示のように、第２の実施形態における医用画像再構成モデル３００は、例えば、第１の実施形態における医用画像再構成モデル３００と同様に、第１アクティベーションレイヤ３１０と、局所結合レイヤ（第１局所結合レイヤ）３２０と、第２アクティベーションレイヤ３３０と、フーリエ変換レイヤ３４０と、第３アクティベーションレイヤ３５０と、畳み込みレイヤ３６０とを備え、更に、第４アクティベーションレイヤ３７０と、第２局所結合レイヤ３８０とを備える。第４アクティベーションレイヤ３７０および第２局所結合レイヤ３８０は、フーリエ変換レイヤ３４０と、第３アクティベーションレイヤ３５０との間に設けられる。フーリエ変換レイヤ３４０、第２局所結合レイヤ３８０、および畳み込みレイヤ３６０を合わせたものは、「第２処理部」の他の例である。
第４アクティベーションレイヤ３７０は、フーリエ変換レイヤ３４０から、フーリエ変換または逆フーリエ変換が行われたベクトル、すなわち画像空間データが入力される。例えば、第４アクティベーションレイヤ３７０は、第１アクティベーションレイヤ３１０や第２アクティベーションレイヤ３３０などと同様に、プーリング層や活性化関数などによって実現されてよい。第４アクティベーションレイヤ３７０は、入力された画像空間データのベクトルに対してプーリング処理や活性化関数の計算処理を行い、そのベクトルを第２局所結合レイヤ３８０に出力する。
第２局所結合レイヤ３８０は、第４アクティベーションレイヤ３７０から画像空間データのベクトルが入力されると、そのベクトルに対して、複数の係数列Ｃを含む係数行列Ｌを乗算する。具体的には、第２局所結合レイヤ３８０は、画像空間データのベクトルの各要素と各係数列Ｃとの積和を演算し、その積和が要素値として対応付けられた複数の要素を含むベクトルを生成する。第２局所結合レイヤ３８０は、生成したベクトルを、第３アクティベーションレイヤ３５０に出力する。これによって、第１の実施形態と同様に、画質が良好な医用画像を再構成によって生成することができる。
また、第４アクティベーションレイヤ３７０および第２局所結合レイヤ３８０は、フーリエ変換レイヤ３４０と、第３アクティベーションレイヤ３５０との間に設けられず、他の位置に設けられていてもよい。
図１３は、第２の実施形態における医用画像再構成モデル３００の他の例を示す図である。図示の例のように、第４アクティベーションレイヤ３７０および第２局所結合レイヤ３８０は、局所結合レイヤ３２０と、フーリエ変換レイヤ３４０との間に設けられてよい。このように、第２の実施形態では、フーリエ変換レイヤ３４０の前段に第２局所結合レイヤ３８０を設けることで、ラディカルスキャンやスパイラルスキャンによって被検体ＯＢを撮像することによって生じ得るノンカルテシアンｋ空間データＤｋの非線形性を緩和することができる。
図１４は、ノンカルテシアンｋ空間データＤｋの非線形性を説明するための図である。図中ＴＲ１およびＴＲ２は、ノンカルテシアンｋ空間データＤｋに含まれる各サンプル点をスキャン順に連ねた軌道（トラジェクトリー）を表している。軌道ＴＲ１は、理想的な軌道を表し、軌道ＴＲ２は、実際に測定された軌道を表している。
例えば、実測の軌道ＴＲ２が歪んでいたり、信号が減衰したり、被検体ＯＢが動いたりした場合、実測の軌道ＴＲ２は、理想的な軌道ＴＲ１からずれる場合がある。この場合、各局所結合レイヤが扱う係数列Ｃを、理想的な軌道ＴＲ１上の各サンプル点の位置で設計すると、実測の軌道ＴＲ２が、係数列Ｃの設計時に基準としたサンプル点からずれるため、局所結合レイヤの出力結果に誤差が含まれることになる。
これに対して、第２の実施形態では、フーリエ変換レイヤ３４０の前段に第２局所結合レイヤ３８０を設けているため、学習機能２１８が第２局所結合レイヤ３８０の係数列Ｃを学習することで、本来の軌道（係数列Ｃ設計時に参照した軌道ＴＲ１）に対する実測軌道ＴＲ２のずれを打ち消すように、ノンカルテシアンｋ空間データＤｋを補正させることができる。
なお、第２の実施形態では、フーリエ変換レイヤ３４０の前段、あるいは後段のいずれかに第２局所結合レイヤ３８０を設けるものとして説明したがこれに限られず、例えば、フーリエ変換レイヤ３４０の前段（局所結合レイヤ３２０およびフーリエ変換レイヤ３４０の間）と、フーリエ変換レイヤ３４０の後段（フーリエ変換レイヤ３４０および畳み込みレイヤ３６０の間）とのそれぞれに、アクティベーションレイヤおよび局所結合レイヤを設けてもよい。
以上説明した第２の実施形態によれば、医用画像再構成モデル３００に二つ以上の局所結合レイヤを設けることで、第１の実施形態と同様に、画質が良好な医用画像を再構成によって生成することができる。特に、フーリエ変換レイヤ３４０の前段に第２局所結合レイヤ３８０を設けた場合、ノンカルテシアンｋ空間データＤｋの非線形性を緩和することができるため、更に、画質が良好な医用画像を再構成によって生成することができる。
（第３の実施形態）
以下、第３の実施形態について説明する。第３の実施形態では、サンプル点の総数が異なるノンカルテシアンｋ空間データＤｋに対して、前処理として医用画像再構成モデル３００の学習時に想定したサンプル点数に合わせる処理を行う点で上述した第１および第２の実施形態と相違する。以下、第１および第２の実施形態との相違点を中心に説明し、第１および第２の実施形態と共通する点については説明を省略する。なお、第３の実施形態の説明において、第１および第２の実施形態と同じ部分については同一符号を付して説明する。
図１５は、第３の実施形態における医用画像再構成モデル３００の一例を示す図である。図示のように、第３の実施形態における医用画像再構成モデル３００は、例えば、第１の実施形態における医用画像再構成モデル３００と同様に、第１アクティベーションレイヤ３１０と、局所結合レイヤ（第１局所結合レイヤ）３２０と、第２アクティベーションレイヤ３３０と、フーリエ変換レイヤ３４０と、第３アクティベーションレイヤ３５０と、畳み込みレイヤ３６０とを備え、更に、解像度変換レイヤ４００を備える。解像度変換レイヤ４００は、局所結合レイヤ３２０の前段に設けられる。再構成処理機能２１４の一機能として実現される解像度変換レイヤ４００は、「第３処理部」の一例である。
前処理として入れる解像度変換レイヤ４００は、例えば、ある局所結合レイヤによって実現されてよい。解像度変換レイヤ４００には、取得機能２１２によって取得されたノンカルテシアンｋ空間データＤｋを示すベクトルが入力される。この際、ノンカルテシアンｋ空間データＤｋの行数および列数は一つに統一されている必要はなく、取得機能２１２によって取得される度に異なっていてよい。
解像度変換レイヤ４００は、取得機能２１２によって取得されたノンカルテシアンｋ空間データＤｋのベクトルが入力されると、そのベクトルに対して線形変換行列を乗算することで、医用画像再構成モデル３００の学習時に想定したノンカルテシアンｋ空間データＤｋのサンプル点数と同じ要素数（次元数）のノンカルテシアンｋ空間データＤｋを生成する。解像度変換レイヤ４００は、生成したノンカルテシアンｋ空間データＤｋのベクトルを、第１アクティベーションレイヤ３１０に出力する。
以上説明した第３の実施形態によれば、医用画像再構成モデル３００の最前段に、解像度変換レイヤ４００を設けることによって、医用画像がマルチ解像度であり、サンプル点数が互いに異なるノンカルテシアンｋ空間データＤｋが医用画像再構成モデル３００に入力された場合であっても、画質が良好な医用画像を再構成によって生成することができる。
（第３の実施形態の変形例）
以下、第３の実施形態の変形例について説明する。上述した第３の実施形態では、医用画像再構成モデル３００の最前段に、解像度変換レイヤ４００を設けることによって、医用画像がマルチ解像度であっても、医用画像を再構成によって生成するものとして説明したがこれに限られない。例えば、医用画像再構成モデル３００の最前段には、複数の解像度変換レイヤ４００が直列に接続されていてもよい。また、医用画像再構成モデル３００の最前段に、解像度変換レイヤ４００を設ける代わりに、線形補完を行うレイヤあるいはＤＮＮや、ゼロフィルを行うレイヤあるいはＤＮＮが設けられてもよい。線形補間を行うレイヤあるいはＤＮＮは、例えば、ノンカルテシアンｋ空間データＤｋに含まれるサンプル点数が少なく低解像度である場合に、足りないサンプル点を他のサンプル点から線形補間によって補う処理を行う。ゼロフィルを行うレイヤあるいはＤＮＮは、ノンカルテシアンｋ空間データＤｋに含まれるサンプル点数が少なく低解像度である場合に、足りないサンプル点を、要素値がゼロの要素で補う処理を行う。
このように、医用画像再構成モデル３００の最前段に、複数の解像度変換レイヤ４００を設けたり、線形補完を行うレイヤあるいはＤＮＮを設けたり、ゼロフィルを行うレイヤあるいはＤＮＮを設けたりしたりすることで、ノンカルテシアンｋ空間データＤｋに含まれるサンプル点数を揃えることができる。
（第４の実施形態）
以下、第４の実施形態について説明する。上述した第１から第３の実施形態では、医用画像生成装置１００がＭＲＩ装置であるものとして説明した。これに対して、第４の実施形態では、医用画像生成装置１００がＣＴ装置である点で上述した第１から第３の実施形態と相違する。以下、第１から第３の実施形態との相違点を中心に説明し、第１から第３の実施形態と共通する点については説明を省略する。なお、第４の実施形態の説明において、第１から第３の実施形態と同じ部分については同一符号を付して説明する。
［医用画像生成装置（Ｘ線ＣＴ装置）の構成例］
図１６は、第４の実施形態に係る医用画像生成装置１００Ａの一例を示す図である。図１７に示すように、医用画像生成装置１００Ａは、例えば、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。図１６では、説明の都合上、架台装置１０をＺ軸方向から見た図とＸ軸方向から見た図の双方を掲載しているが、実際には、架台装置１０は一つである。実施形態では、非チルト状態での回転フレーム１７の回転軸または寝台装置３０の天板３３の長手方向をＺ軸方向、Ｚ軸方向に直交し、床面に対して水平である軸をＸ軸方向、Ｚ軸方向に直交し、床面に対して垂直である方向をＹ軸方向とそれぞれ定義する。
架台装置１０は、例えば、Ｘ線管１１と、ウェッジ１２と、コリメータ１３と、Ｘ線高電圧装置１４と、Ｘ線検出器１５と、データ収集システム（以下、ＤＡＳ：Data Acquisition System）１６と、回転フレーム１７と、制御装置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（放射線）を発生させる。Ｘ線管１１は、真空管を含む。例えば、Ｘ線管１１は、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線管である。
ウェッジ１２は、Ｘ線管１１から被検体Ｐに照射されるＸ線量を調節するためのフィルタである。ウェッジ１２は、Ｘ線管１１から被検体Ｐに照射されるＸ線量の分布が予め定められた分布になるように、自身を透過するＸ線を減衰させる。ウェッジ１２は、ウェッジフィルタ（wedge filter）、ボウタイフィルタ（bow-tie filter）とも呼ばれる。ウェッジ１２は、例えば、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ものである。
コリメータ１３は、ウェッジ１２を透過したＸ線の照射範囲を絞り込むための機構である。コリメータ１３は、例えば、複数の鉛板の組み合わせによってスリットを形成することで、Ｘ線の照射範囲を絞り込む。コリメータ１３は、Ｘ線絞りと呼ばれる場合もある。
Ｘ線高電圧装置１４は、例えば、高電圧発生装置と、Ｘ線制御装置とを有する。高電圧発生装置は、変圧器（トランス）および整流器などを含む電気回路を有し、Ｘ線管１１に印加する高電圧を発生させる。Ｘ線制御装置は、Ｘ線管１１に発生させるべきＸ線量に応じて高電圧発生装置の出力電圧を制御する。高電圧発生装置は、上述した変圧器によって昇圧を行うものであってもよいし、インバータによって昇圧を行うものであってもよい。Ｘ線高電圧装置１４は、回転フレーム１７に設けられてもよいし、架台装置１０の固定フレーム（不図示）の側に設けられてもよい。また、Ｘ線高電圧装置１４は、エラー検知機能１４Ａを有する。これについては後述する。
Ｘ線検出器１５は、Ｘ線管１１が発生させ、被検体Ｐを通過して入射したＸ線の強度を検出する。Ｘ線検出器１５は、検出したＸ線の強度に応じた電気信号（光信号などでもよい）をＤＡＳ１８に出力する。Ｘ線検出器１５は、例えば、複数のＸ線検出素子列を有する。複数のＸ線検出素子列のそれぞれは、Ｘ線管１１の焦点を中心とした円弧に沿ってチャネル方向に複数のＸ線検出素子が配列されたものである。複数のＸ線検出素子列は、スライス方向（列方向、ｒｏｗ方向）に配列される。
Ｘ線検出器１５は、例えば、グリッドと、シンチレータアレイと、光センサアレイとを有する間接型の検出器である。シンチレータアレイは、複数のシンチレータを有する。それぞれのシンチレータは、シンチレータ結晶を有する。シンチレータ結晶は、入射するＸ線の強度に応じた光量の光を発する。グリッドは、シンチレータアレイのＸ線が入射する面に配置され、散乱Ｘ線を吸収する機能を有するＸ線遮蔽板を有する。なお、グリッドは、コリメータ（一次元コリメータまたは二次元コリメータ）と呼ばれる場合もある。光センサアレイは、例えば、光電子増倍管（フォトマルチプライヤー：ＰＭＴ）等の光センサを有する。光センサアレイは、シンチレータにより発せられる光の光量に応じた電気信号を出力する。Ｘ線検出器１５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かまわない。
ＤＡＳ１６は、例えば、増幅器と、積分器と、Ａ／Ｄ変換器とを有する。増幅器は、Ｘ線検出器１５の各Ｘ線検出素子により出力される電気信号に対して増幅処理を行う。積分器は、増幅処理が行われた電気信号をビュー期間（後述）に亘って積分する。Ａ／Ｄ変換器は、積分結果を示す電気信号をデジタル信号に変換する。ＤＡＳ１６は、デジタル信号に基づく検出データをコンソール装置４０に出力する。検出データは、生成元のＸ線検出素子のチャンネル番号、列番号、及び収集されたビューを示すビュー番号により識別されたＸ線強度のデジタル値である。ビュー番号は、回転フレーム１７の回転に応じて変化する番号であり、例えば、回転フレーム１７の回転に応じてインクリメントされる番号である。従って、ビュー番号は、Ｘ線管１１の回転角度を示す情報である。ビュー期間とは、あるビュー番号に対応する回転角度から、次のビュー番号に対応する回転角度に到達するまでの間に収まる期間である。ＤＡＳ１６は、ビューの切り替わりを、制御装置１８から入力されるタイミング信号によって検知してもよいし、内部のタイマーによって検知してもよいし、図示しないセンサから取得される信号によって検知してもよい。フルスキャンを行う場合においてＸ線管１１によりＸ線が連続曝射されている場合、ＤＡＳ１６は、全周囲分（３６０度分）の検出データ群を収集する。ハーフスキャンを行う場合においてＸ線管１１によりＸ線が連続曝射されている場合、ＤＡＳ１６は、半周囲分（１８０度分）の検出データを収集する。
回転フレーム１７は、Ｘ線管１１、ウェッジ１２、およびコリメータ１３と、Ｘ線検出器１５とを対向支持する円環状の部材である。回転フレーム１７は、固定フレームによって、内部に導入された被検体Ｐを中心として回転自在に支持される。回転フレーム１７は、更にＤＡＳ１６を支持する。ＤＡＳ１６が出力する検出データは、回転フレーム１７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（例えば固定フレーム）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、受信機によってコンソール装置４０に転送される。なお、回転フレーム１７から非回転部分への検出データの送信方法として、前述の光通信を用いた方法に限らず、非接触型の任意の送信方法を採用してよい。回転フレーム１７は、Ｘ線管１１などを支持して回転させることができるものであれば、円環状の部材に限らず、アームのような部材であってもよい。
Ｘ線ＣＴ装置である医用画像生成装置１００Ａは、例えば、Ｘ線管１１とＸ線検出器１５の双方が回転フレーム１７によって支持されて被検体Ｐの周囲を回転するＲｏｔａｔｅ／Ｒｏｔａｔｅ－ＴｙｐｅのＸ線ＣＴ装置（第３世代ＣＴ）であるが、これに限らず、円環状に配列された複数のＸ線検出素子が固定フレームに固定され、Ｘ線管１１が被検体Ｐの周囲を回転するＳｔａｔｉｏｎａｒｙ／Ｒｏｔａｔｅ－ＴｙｐｅのＸ線ＣＴ装置（第４世代ＣＴ）であってもよい。
制御装置１８は、例えば、ＣＰＵなどのプロセッサを有する処理回路と、モータやアクチュエータなどを含む駆動機構とを有する。制御装置１８は、コンソール装置４０または架台装置１０に取り付けられた入力インターフェース４３からの入力信号を受け付けて、架台装置１０および寝台装置３０の動作を制御する。例えば、制御装置１８は、回転フレーム１７を回転させたり、架台装置１０をチルトさせたり、寝台装置３０の天板３３を移動させたりする。架台装置１０をチルトさせる場合、制御装置１８は、入力インターフェース４３に入力された傾斜角度（チルト角度）に基づいて、Ｚ軸方向に平行な軸を中心に回転フレーム１７を回転させる。制御装置１８は、図示しないセンサの出力等によって回転フレーム１７の回転角度を把握している。また、制御装置１８は、回転フレーム１７の回転角度を随時、スキャン制御機能５５に提供する。制御装置１８は、架台装置１０に設けられてもよいし、コンソール装置４０に設けられてもよい。また、制御装置１８の処理回路は、特定機能１８Ａを有する。これについては後述する。
寝台装置３０は、スキャン対象の被検体Ｐを載置して移動させ、架台装置１０の回転フレーム１７の内部に導入する装置である。寝台装置３０は、例えば、基台３１と、寝台駆動装置３２と、天板３３と、支持フレーム３４とを有する。基台３１は、支持フレーム３４を鉛直方向（Ｙ軸方向）に移動可能に支持する筐体を含む。寝台駆動装置３２は、モータやアクチュエータを含む。寝台駆動装置３２は、被検体Ｐが載置された天板３３を、支持フレーム３４に沿って、天板３３の長手方向（Ｚ軸方向）に移動させる。天板３３は、被検体Ｐが載置される板状の部材である。
寝台駆動装置３２は、天板３３だけでなく、支持フレーム３４を天板３３の長手方向に移動させてもよい。また、上記とは逆に、架台装置１０がＺ軸方向に移動可能であり、架台装置１０の移動によって回転フレーム１７が被検体Ｐの周囲に来るように制御されてもよい。また、架台装置１０と天板３３の双方が移動可能な構成であってもよい。また、医用画像生成装置１００Ａは、被検体Ｐが立位または座位でスキャンされる方式の装置であってもよい。この場合、医用画像生成装置１００Ａは、寝台装置３０に代えて被検体支持機構を有し、架台装置１０は、回転フレーム１７を、床面に垂直な軸方向を中心に回転させる。
コンソール装置４０は、例えば、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、通信インターフェース４４と、処理回路５０とを有する。実施形態では、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の各構成要素の一部または全部が含まれてもよい。
メモリ４１は、例えば、ＲＡＭ、フラッシュメモリ等の半導体メモリ素子、ハードディスク、光ディスク等により実現される。メモリ４１は、例えば、検出データや投影データ、再構成画像データ、ＣＴ画像データ等を記憶する。これらのデータは、メモリ４１ではなく（或いはメモリ４１に加えて）、医用画像生成装置１００Ａが通信可能な外部メモリに記憶されてもよい。外部メモリは、例えば、外部メモリを管理するクラウドサーバが読み書きの要求を受け付けることで、クラウドサーバによって制御されるものである。
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、処理回路によって生成された医用画像（ＣＴ画像）や、操作者による各種操作を受け付けるＧＵＩ画像等を表示する。ディスプレイ４２は、例えば、液晶ディスプレイやＣＲＴ、有機ＥＬディスプレイ等である。ディスプレイ４２は、架台装置１０に設けられてもよい。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の本体部と無線通信可能な表示装置（例えばタブレット端末）であってもよい。
入力インターフェース４３は、操作者による各種の入力操作を受け付け、受け付けた入力操作の内容を示す電気信号を処理回路５０に出力する。例えば、入力インターフェース４３は、検出データまたは投影データ（後述）を収集する際の収集条件、ＣＴ画像を再構成する際の再構成条件、ＣＴ画像から後処理画像を生成する際の画像処理条件などの入力操作を受け付ける。例えば、入力インターフェース４３は、マウスやキーボード、タッチパネル、ドラッグボール、スイッチ、ボタン、ジョイスティック、カメラ、赤外線センサ、マイク等により実現される。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の本体部と無線通信可能な表示装置（例えばタブレット端末）により実現されてもよい。
通信インターフェース４４は、例えば、ＮＩＣなどの通信インターフェースを含む。通信インターフェース４４は、ネットワークＮＷを介して医用画像処理装置２００と通信し、医用画像処理装置２００から情報を受信する。通信インターフェース４４は、受信した情報を処理回路５０に出力する。また、通信インターフェース４４は、処理回路５０による制御を受けて、ネットワークＮＷを介して接続された他の装置に情報を送信してもよい。
処理回路５０は、医用画像生成装置１００Ａの全体の動作を制御する。処理回路５０は、例えば、システム制御機能５１、前処理機能５２、通信制御機能５３、画像処理機能５４、スキャン制御機能５５、表示制御機能５６などを実行する。これらの構成要素は、例えば、ＣＰＵなどのハードウェアプロセッサがプログラム（ソフトウェア）を実行することにより実現される。これらの構成要素のうち一部または全部は、ＬＳＩやＡＳＩＣ、ＦＰＧＡ、ＧＰＵなどのハードウェア（回路部；circuitryを含む）によって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。プログラムは、予めメモリ４１などの非一過性の記憶装置に格納されていてもよいし、ＤＶＤやＣＤ－ＲＯＭなどの着脱可能な非一過性の記憶媒体に格納されており、記憶媒体がドライブ装置に装着されることでインストールされてもよい。
コンソール装置４０または処理回路５０が有する各構成要素は、分散化されて複数のハードウェアにより実現されてもよい。処理回路５０は、コンソール装置４０が有する構成ではなく、コンソール装置４０と通信可能な処理装置によって実現されてもよい。処理装置は、例えば、一つのＸ線ＣＴ装置と接続されたワークステーション、或いは、複数のＸ線ＣＴ装置に接続され、以下に説明する処理回路５０と同等の処理を一括して実行する装置（例えばクラウドサーバ）である。
システム制御機能５１は、入力インターフェース４３が受け付けた入力操作に基づいて、処理回路５０の各種機能を制御する。
前処理機能５２は、ＤＡＳ１６により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行い、投影データを生成し、生成した投影データをメモリ４１に記憶させる。
通信制御機能５３は、前処理機能５２によって投影データが生成されると、通信インターフェース４４に医用画像処理装置２００と通信させ、その通信相手の医用画像処理装置２００に投影データを送信する。また、通信制御機能５３は、通信インターフェース４４に医用画像処理装置２００と通信させ、その通信相手の医用画像処理装置２００からＣＴ画像の再構成画像を取得する。通信制御機能５３は、ＣＴ画像の再構成画像を取得すると、この再構成画像をディスプレイ１２６に出力してよい。これによって、ディスプレイ１２６には再構成画像が表示される。
画像処理機能５４は、通信制御機能５３によってＣＴ画像の再構成画像が取得されると、入力インターフェース４３が受け付けた入力操作に基づいて、ＣＴ画像データを公知の方法により、三次元画像データや任意断面の断面像データに変換する。三次元画像データへの変換は、前処理機能５２によって行われてもよい。
スキャン制御機能５５は、Ｘ線高電圧装置１４、ＤＡＳ１６、制御装置１８、および寝台駆動装置３２に指示することで、架台装置１０における検出データの収集処理を制御する。スキャン制御機能５５は、位置決め画像を収集する撮影、および診断に用いる画像を撮影する際の各部の動作をそれぞれ制御する。
表示制御機能５６は、通信制御機能５３によって取得されたＣＴ画像の再構成画像をディスプレイ１２６に表示させたり、画像処理機能５４によってＣＴ画像から変換された三次元画像データや断面像データをディスプレイ１２６に表示させたりする。
上記構成により、医用画像生成装置１００Ａは、ヘリカルスキャン、コンベンショナルスキャン、ステップアンドシュートなどの態様で被検体Ｐのスキャンを行う。ヘリカルスキャンとは、天板３３を移動させながら回転フレーム１７を回転させて被検体Ｐをらせん状にスキャンする態様である。コンベンショナルスキャンとは、天板３３を静止させた状態で回転フレーム１７を回転させて被検体Ｐを円軌道でスキャンする態様である。コンベンショナルスキャンを実行する。ステップアンドシュートとは、天板３３の位置を一定間隔で移動させてコンベンショナルスキャンを複数のスキャンエリアで行う態様である。
第４の実施形態における医用画像処理装置２００の取得機能２１２は、通信インターフェース２０２に、Ｘ線ＣＴ装置である医用画像生成装置１００Ａと通信させ、医用画像生成装置１００Ａから投影データを取得する。例えば、医用画像生成装置１００Ａがヘリカルスキャンやコンベンショナルスキャンなどによって被検体ＯＢを撮像した場合、投影データは、再構成を行う３次元座標系の格子に対して、サンプル点が格子状に並んでいないノンカルテシアンデータとなる。以下、投影データがノンカルテシアンデータであるものとして説明する。ノンカルテシアン投影データは、ノンカルテシアンｋ空間データＤｋと同様に、各サンプル点を要素とするベクトルによって表される。
再構成処理機能２１４は、医用画像再構成モデル情報２３２が示す医用画像再構成モデル３００に従って、取得機能２１２によって取得されたノンカルテシアン投影データからＣＴ画像を再構成する。
図１７は、第４の実施形態における医用画像再構成モデル３００の一例を示す図である。図示のように、第４の実施形態における医用画像再構成モデル３００は、例えば、第１アクティベーションレイヤ３１０と、局所結合レイヤ３２０と、第２アクティベーションレイヤ３３０と、ラドン変換レイヤ４３０と、第３アクティベーションレイヤ３５０と、畳み込みレイヤ３６０とを備える。
第４の実施形態における第１アクティベーションレイヤ３１０には、取得機能２１２によって取得されたノンカルテシアン投影データを示すベクトルが入力される。第１アクティベーションレイヤ３１０は、入力されたノンカルテシアン投影データのベクトルに対してプーリング処理や活性化関数の計算処理を行い、そのベクトルを、局所結合レイヤ３２０に出力する。
第４の実施形態における局所結合レイヤ３２０は、第１アクティベーションレイヤ３１０からノンカルテシアン投影データのベクトルが入力されると、そのベクトルに対して、複数の係数列Ｃを含む係数行列Ｌを乗算する。具体的には、局所結合レイヤ３２０は、ノンカルテシアン投影データのベクトルの各要素と各係数列Ｃとの積和を演算し、その積和が要素値として対応付けられた複数の要素を含むベクトルを、カルテシアン投影データとして生成する。局所結合レイヤ３２０は、生成したカルテシアン投影データを、第２アクティベーションレイヤ３３０に出力する。
第４の実施形態における第２アクティベーションレイヤ３３０には、局所結合レイヤ３２０からカルテシアン投影データのベクトルが入力される。第２アクティベーションレイヤ３３０は、入力されたベクトルに対してプーリング処理や活性化関数の計算処理を行い、そのベクトルを、ラドン変換レイヤ４３０に出力する。
ラドン変換レイヤ４３０は、第２アクティベーションレイヤ３３０から入力されたカルテシアン投影データのベクトルに対してラドン変換の逆過程に対応する変換を行う。ラドン変換の逆過程に対応する変換は、例えば、フィルタードバックプロジェクションでも良いし、フィルタなしのバックプロジェクションであっても良い。ラドン変換レイヤ４３０は、ラドン変換の逆過程に対応する変換を適用して得られたベクトルを、第３アクティベーションレイヤ３５０に出力する。ラドン変換の逆過程に対応する変換を適用して得られたベクトルは、物理的な位置座標に対して、画素値が対応付けられた画像空間データを表している。
第４の実施形態における第３アクティベーションレイヤ３５０には、ラドン変換レイヤ４３０から、ラドン変換の逆過程に対応する変換が行われたベクトル、すなわち画像空間データが入力される。第３アクティベーションレイヤ３５０は、入力された画像空間データのベクトルに対してプーリング処理や活性化関数の計算処理を行い、そのベクトルを畳み込みレイヤ３６０に出力する。
第４の実施形態における畳み込みレイヤ３６０は、第３アクティベーションレイヤ３５０から画像空間データのベクトルが入力されると、入力されたベクトルに対して、線形変換行列を、ある決められたストライド量でスライドさせながら積和演算を繰り返し、入力された画像空間データのベクトルから、線形変換行列との積和が要素値として対応付けられた複数の要素を含むベクトルを生成する。そして、畳み込みレイヤ３６０は、生成したベクトルのデータを、ＣＴ画像の再構成画像として出力する。
第４の実施形態における出力制御機能２１６は、例えば、通信インターフェース２０２を介して接続された医用画像生成装置１００Ａに、畳み込みレイヤ３６０によって出力されたＣＴ画像の再構成画像を送信する。また、出力制御機能２１６は、ディスプレイ２０６にＣＴ画像の再構成画像を出力（表示）させてもよい。
以上説明した第４の実施形態によれば、Ｘ線を被検体ＯＢに作用させることで生成されたノンカルテシアン投影データを医用画像生成装置１００Ａから取得する取得機能２１２と、取得されたノンカルテシアン投影データと、複数の係数列Ｃの其々との積和を導出し、係数列Ｃごとに導出した積和が要素値として対応付けられた複数の要素を含むベクトルをカルテシアン投影データとして生成する局所結合レイヤ３２０と、生成されたカルテシアン投影データに対してラドン変換の逆過程に対応する変換を行うラドン変換レイヤ４３０と、ラドン変換の逆過程に対応する変換が行われたカルテシアン投影データに線形変換行列を乗算することで得られた積和が画素値として対応付けられた複数の画素を含む画像を、ＣＴ画像の再構成画像として生成する畳み込みレイヤ３６０と、を備えることによって、ＣＴ画像の再構成の精度を高めることができるため、画質が良好な医用画像を再構成によって生成することができる。
上記説明したいずれかの実施形態は、以下のように表現することができる。
プログラムを格納するストレージと、
プロセッサと、を備え、
前記プロセッサは、前記プログラムを実行することにより、
電磁波を被検体に作用させることで生成されたノンカルテシアンデータを取得し、
前記取得したノンカルテシアンデータと、複数の係数集合の其々との積和を導出し、
前記係数集合ごとに導出した積和が要素値として対応付けられた複数の要素を含むカルテシアンデータを生成し、
前記生成したカルテシアンデータに基づいて、前記被検体の少なくとも一部が撮像された医用画像を再構成によって生成する、
ように構成されている、医用画像処理装置。
以上説明した少なくともひとつの実施形態によれば、磁場を被検体ＯＢに作用させることで生成されたノンカルテシアンｋ空間データＤｋを医用画像生成装置１００から取得する取得機能２１２と、取得されたノンカルテシアンｋ空間データＤｋと、複数の係数列Ｃの其々との積和を導出し、係数列Ｃごとに導出した積和が要素値として対応付けられた複数の要素を含むベクトルをカルテシアンｋ空間データＤｋとして生成する局所結合レイヤ３２０と、生成されたカルテシアンｋ空間データＤｋに対してフーリエ変換または逆フーリエ変換を行うフーリエ変換レイヤ３４０と、フーリエ変換または逆フーリエ変換が行われたカルテシアンｋ空間データＤｋに線形結合行列を乗算して得られた積和が画素値として対応付けられた複数の画素を含む画像を、ＭＲ画像の再構成画像として生成する畳み込みレイヤ３６０と、を備えることによって、医用画像の再構成の精度を高めることができるため、画質が良好な医用画像を再構成によって生成することができる。
本発明の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。
１…医用画像処理システム、１００…医用画像生成装置、１０１…静磁場磁石、１０２…傾斜磁場コイル、１０４…寝台、１０５…寝台制御回路、１０６…送信コイル、１０７…送信回路、１０８…受信コイル、１０９…受信回路、１１０…シーケンス制御回路、１２０…コンソール装置、２００…医用画像処理装置、２０２…通信インターフェース、２０４…入力インターフェース、２０６…ディスプレイ、２１０…処理回路、２１２…取得機能、２１４…再構成処理機能、２１６…出力制御機能、２３０…メモリ、２３２…医用画像再構成モデル情報、２３４…積和係数情報、３００…医用画像再構成モデル、３１０…第１アクティベーションレイヤ、３２０…局所結合レイヤ、３３０…第２アクティベーションレイヤ、３４０…フーリエ変換レイヤ、３５０…第３アクティベーションレイヤ、３６０…畳み込みレイヤ

Claims (11)

  1. 被検体からノンカルテシアンデータを取得し、学習済みニューラルネットワークを用いて、前記ノンカルテシアンデータに基づいて、前記被検体の少なくとも一部が撮像された医用画像を生成する処理部を備え、
    前記学習済みニューラルネットワークは、
    前記ノンカルテシアンデータと、複数の係数集合との積和を導出し、前記係数集合ごとに導出した積和が要素値として対応付けられた複数の要素を含むカルテシアンデータを生成する第１レイヤと、
    前記カルテシアンデータに基づいて、前記医用画像を再構成によって生成する第２レイヤと、を含む、
    医用画像処理装置。
  2. 前記ノンカルテシアンデータは、前記被検体が存在する空間に対応した周波数空間に含まれる複数のサンプルデータの集合であり、
    前記第１レイヤは、前記周波数空間における前記サンプルデータの位置に応じて予め学習された前記係数集合を含む行列を、前記ノンカルテシアンデータに対して乗算することで、前記カルテシアンデータを生成する、
    請求項１に記載の医用画像処理装置。
  3. 前記処理部は、磁場を前記被検体に作用させることで生成されたノンカルテシアンデータを取得し、
    前記第１レイヤは、前記ノンカルテシアンデータと、複数の係数集合の其々との積和を導出し、前記係数集合ごとに導出した積和が要素値として対応付けられた複数の要素を含むカルテシアンデータを生成し、
    前記第２レイヤは、前記カルテシアンデータに対してフーリエ変換または逆フーリエ変換を行い、前記フーリエ変換または前記逆フーリエ変換を行ったカルテシアンデータに線形結合行列を乗算することで、前記医用画像を生成する、
    請求項１または２に記載の医用画像処理装置。
  4. 前記処理部は、放射線を前記被検体に作用させることで生成されたノンカルテシアンデータを取得し、
    前記第１レイヤは、前記ノンカルテシアンデータと、複数の係数集合の其々との積和を導出し、前記係数集合ごとに導出した積和が要素値として対応付けられた複数の要素を含むカルテシアンデータを生成し、
    前記第２レイヤは、前記カルテシアンデータに対してラドン変換の逆過程に対応する変換を行い、前記ラドン変換の逆過程に対応する変換を行ったカルテシアンデータに線形結合行列を乗算することで、前記医用画像を生成する、
    請求項１または２に記載の医用画像処理装置。
  5. 前記第２レイヤは、前記カルテシアンデータと、複数の係数集合の其々との積和を導出し、前記係数集合ごとに導出した積和が要素値として対応付けられた複数の要素を含む第２カルテシアンデータを生成し、前記生成した第２カルテシアンデータに基づいて、前記医用画像を生成する、
    請求項１から４のうちいずれか１項に記載の医用画像処理装置。
  6. 前記学習済みニューラルネットワークは、前記ノンカルテシアンデータの解像度を変更する第３レイヤを更に含み、
    前記第１レイヤは、前記第３レイヤによって解像度が変更された前記ノンカルテシアンデータと、複数の係数集合の其々との積和を導出し、前記係数集合ごとに導出した積和が要素値として対応付けられた複数の要素を含む前記カルテシアンデータを生成する、
    請求項１から５のうちいずれか１項に記載の医用画像処理装置。
  7. 前記第１レイヤは、あるノンカルテシアンデータに対して、ある医用画像が正解データとして対応付けけられたトレーニングデータを用いて、前記サンプルデータが示す値と、前記周波数空間上において前記サンプルデータが取得される位置との関係を学習することで生成された前記係数集合を含む行列を、前記ノンカルテシアンデータに対して乗算することで、前記カルテシアンデータを生成する、
    請求項２に記載の医用画像処理装置。
  8. 前記トレーニングデータは、
    前記被検体から取得された前記ノンカルテシアンデータである第１ノンカルテシアンデータに比べて前記サンプルデータの数が多いノンカルテシアンデータである第２ノンカルテシアンデータに対して、前記第２ノンカルテシアンデータから再構成された医用画像である第２医用画像が前記正解データとして対応付けられたデータセットである、又は
    第３医用画像に対してサンプリングシミュレーションを行うことで得られたノンカルテシアンデータである第３ノンカルテシアンデータに対して、前記第３医用画像が前記正解データとして対応付けられたデータセットである、
    請求項７に記載の医用画像処理装置。
  9. 電磁波を被検体に作用させることでノンカルテシアンデータを生成する生成部と、
    学習済みニューラルネットワークを用いて、前記ノンカルテシアンデータに基づいて、前記被検体の少なくとも一部が撮像された医用画像を生成する処理部と、を備え、
    前記学習済みニューラルネットワークは、
    前記ノンカルテシアンデータと、複数の係数集合との積和を導出し、前記係数集合ごとに導出した積和が要素値として対応付けられた複数の要素を含むカルテシアンデータを生成する第１レイヤと、
    前記カルテシアンデータに基づいて、前記医用画像を再構成によって生成する第２レイヤと、を含む、
    医用画像生成装置。
  10. コンピュータを用いた医用画像処理方法であって、
    被検体からノンカルテシアンデータを取得すること、
    学習済みニューラルネットワークを用いて、前記ノンカルテシアンデータに基づいて、前記被検体の少なくとも一部が撮像された医用画像を生成すること、を含み、
    前記学習済みニューラルネットワークは、
    前記ノンカルテシアンデータと、複数の係数集合との積和を導出し、前記係数集合ごとに導出した積和が要素値として対応付けられた複数の要素を含むカルテシアンデータを生成する第１レイヤと、
    前記カルテシアンデータに基づいて、前記医用画像を再構成によって生成する第２レイヤと、を含む、
    医用画像処理方法。
  11. コンピュータに実行させるためのプログラムであって、
    被検体からノンカルテシアンデータを取得する処理と、
    学習済みニューラルネットワークを用いて、前記ノンカルテシアンデータに基づいて、前記被検体の少なくとも一部が撮像された医用画像を生成する処理と、を含み、
    前記学習済みニューラルネットワークは、
    前記ノンカルテシアンデータと、複数の係数集合との積和を導出し、前記係数集合ごとに導出した積和が要素値として対応付けられた複数の要素を含むカルテシアンデータを生成する第１レイヤと、
    前記カルテシアンデータに基づいて、前記医用画像を再構成によって生成する第２レイヤと、を含む、
    プログラム。
JP2018154590A 2018-08-21 2018-08-21 医用画像処理装置、医用画像生成装置、医用画像処理方法、およびプログラム Active JP7206073B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2018154590A JP7206073B2 (ja) 2018-08-21 2018-08-21 医用画像処理装置、医用画像生成装置、医用画像処理方法、およびプログラム
US16/543,669 US11416984B2 (en) 2018-08-21 2019-08-19 Medical image processing apparatus, medical image generation apparatus, medical image processing method, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018154590A JP7206073B2 (ja) 2018-08-21 2018-08-21 医用画像処理装置、医用画像生成装置、医用画像処理方法、およびプログラム

Publications (2)

Publication Number Publication Date
JP2020028371A JP2020028371A (ja) 2020-02-27
JP7206073B2 true JP7206073B2 (ja) 2023-01-17

Family

ID=69586390

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018154590A Active JP7206073B2 (ja) 2018-08-21 2018-08-21 医用画像処理装置、医用画像生成装置、医用画像処理方法、およびプログラム

Country Status (2)

Country Link
US (1) US11416984B2 (ja)
JP (1) JP7206073B2 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11037027B2 (en) * 2018-10-25 2021-06-15 Raytheon Company Computer architecture for and-or neural networks
US10996306B2 (en) * 2019-04-25 2021-05-04 General Electric Company MRI system and method using neural network for detection of patient motion
CN111983247B (zh) * 2020-07-28 2021-09-10 国网江苏省电力有限公司南通供电分公司 一种用于封样送检的取样方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150035774A1 (en) 2012-03-09 2015-02-05 Flatfrog Laboratories Ab Efficient tomographic processing for touch determination
US20160139223A1 (en) 2014-11-13 2016-05-19 Siemens Aktiengesellschaft Method and system for generating a magnetic resonance image

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7583082B1 (en) * 2006-04-19 2009-09-01 University Of Virginia Patent Foundation Partially parallel magnetic resonance imaging using arbitrary k-space trajectories with image reconstruction based on successive convolution operations
TW201203052A (en) * 2010-05-03 2012-01-16 Flatfrog Lab Ab Touch determination by tomographic reconstruction
JP5984258B2 (ja) * 2012-04-27 2016-09-06 東芝メディカルシステムズ株式会社 磁気共鳴イメージング装置及び画像処理装置
WO2015019970A1 (ja) * 2013-08-08 2015-02-12 株式会社東芝 画像処理装置及び磁気共鳴イメージング装置
CN116741353A (zh) * 2017-11-24 2023-09-12 佳能医疗系统株式会社 医用数据处理装置、磁共振成像装置及学习完毕模型生成方法
US10393842B1 (en) * 2018-02-20 2019-08-27 The Board Of Trustees Of The Leland Stanford Junior University Highly-scalable image reconstruction using deep convolutional neural networks with bandpass filtering
KR102215702B1 (ko) * 2018-06-04 2021-02-16 한국과학기술원 뉴럴 네트워크를 이용한 자기공명영상 처리 방법 및 그 장치
US11037027B2 (en) * 2018-10-25 2021-06-15 Raytheon Company Computer architecture for and-or neural networks

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150035774A1 (en) 2012-03-09 2015-02-05 Flatfrog Laboratories Ab Efficient tomographic processing for touch determination
US20160139223A1 (en) 2014-11-13 2016-05-19 Siemens Aktiengesellschaft Method and system for generating a magnetic resonance image

Also Published As

Publication number Publication date
JP2020028371A (ja) 2020-02-27
US20200065964A1 (en) 2020-02-27
US11416984B2 (en) 2022-08-16

Similar Documents

Publication Publication Date Title
JP7524405B2 (ja) 医用画像処理装置および医用画像処理方法
JP7139474B2 (ja) 医用データ処理装置、ｘ線コンピュータ断層撮影装置及び学習済みモデル生成方法
CN109863512B (zh) 用于通过流形近似进行自动变换的系统和方法
US11100638B2 (en) Medical imaging device and medical image processing method using a neutral network
US11341616B2 (en) Methods and system for selective removal of streak artifacts and noise from images using deep neural networks
JP5816269B2 (ja) 先験的画像制約画像再構成を使用して放射線量を減らす方法
EP2973411B1 (en) System and method for simultaneous image artifact reduction and tomographic reconstruction
JP7206073B2 (ja) 医用画像処理装置、医用画像生成装置、医用画像処理方法、およびプログラム
JP6753798B2 (ja) 医用撮像装置、画像処理方法及びプログラム
JP2016002467A (ja) Ｘ線ｃｔ装置及びその制御方法
EP3496615A1 (en) Method and system for reconstructing 3-dimensional images from spatially and temporally overlapping x-rays
JP2024001297A (ja) 医用データ処理装置、医用画像診断装置、医用データ処理方法、および医用データ処理プログラム
CN110047114A (zh) 用于改善计算机断层扫描中的空间分辨率的系统和方法
CN112107313A (zh) 医用数据处理装置以及医用数据处理方法
CN115908610A (zh) 一种基于单模态pet图像获取衰减校正系数图像的方法
US20230342995A1 (en) Patch-based medical image generation for complex input datasets
JP2021518221A (ja) ３次元磁気共鳴イメージングにおける自律ナビゲーション
JP7309429B2 (ja) 医用情報処理システム、および医用情報処理装置
JP7228386B2 (ja) 医用画像処理装置、磁気共鳴イメージング装置、および医用画像処理方法
JP2020121117A (ja) 医用情報処理装置、磁気共鳴イメージング装置、および医用情報処理方法
JP2022089773A (ja) 情報処理装置及び方法
CN115460985A (zh) 利用连续kv射束获取的锥形射束计算机断层成像

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210623

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220627

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220712

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220908

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: 20221223

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230104

R150 Certificate of patent or registration of utility model

Ref document number: 7206073

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150