JP7210219B2 - 医用画像処理装置及び医用画像処理方法 - Google Patents

Description

本発明の実施形態は、医用画像処理装置及び医用画像処理方法に関する。

核医学診断装置は、検出器リング内の複数の検出器により、放射性同位体を投与された被検体から放射される放射線を検出する。複数の検出器は、検出器リングにおいて、リング形状に配列されている。この種の装置としては、陽電子放出断層撮影（Positron Emission Tomography：ＰＥＴ）装置やＰＥＴ－ＣＴ（コンピュータ断層撮影）装置が代表的である。核医学診断装置では、検出器リングの複数の検出器のうち、いずれかの検出器が故障したとき、正常時と比較してLine of Response（ＬＯＲ）の数が減少するため、システムとしてデータ収集ができなかったり、再構成画像に歪みが生じたりする。

米国特許出願公開第２０１８／００３２６４１号明細書 米国特許出願公開第２０１７／０３７２１９３号明細書 米国特許出願公開第２００６／０２１４１１０号明細書

発明が解決しようとする課題は、検出器が故障している状態であっても、正常時に相当する画質の画像データを生成することである。

実施形態に係る医用画像処理装置は、取得部と、処理部とを含む。取得部は、リング形状に配列された複数のＰＥＴ検出器のうち、第１のＰＥＴ検出器に関するデータを含まない第１の医用データを取得する。処理部は、前記取得された第１の医用データから、前記第１のＰＥＴ検出器に関するデータを含む第２の医用データを、機械学習モデルに従い生成する。

図１は、第１の実施形態に係る陽電子放出断層撮影（ＰＥＴ）装置の構成の一例を示す図である。 図２は、図１のガントリに搭載される検出器リングの模式的な縦断面図である。 図３は、図１のＰＥＴ装置において実行される学習用データ生成処理の一例を示すフローチャートである。 図４は、図３の学習用データ生成処理において生成される学習用データセットを用いた機械学習モデルの学習及び／又は強化学習について説明するための図である。 図５は、図１のＰＥＴ装置において実行される縮退運転処理の一例を示すフローチャートである。 図６は、図５の縮退運転処理において実行される機械学習モデルを用いた画像補正について説明するための図である。 図７は、第２の実施形態に係る機械学習モデルの学習及び／又は強化学習と、機械学習モデルを用いた画像補正とについて説明するための図である。 図８は、第３の実施形態に係る機械学習モデルの学習及び／又は強化学習と、機械学習モデルを用いた画像補正とについて説明するための図である。

［第１の実施形態］
以下、図面を参照しながら本実施形態に係る医用画像処理装置及び医用画像処理方法を説明する。なお、以下の説明において、既出の図に関して前述したものと同一又は略同一の機能を有する構成要素については、同一符号を付し、必要な場合にのみ重複説明する。また、同じ部分を表す場合であっても、図面により互いの寸法や比率が異なって表されている場合もある。

本実施形態に係る医用画像処理装置は、例えば核医学診断装置に搭載される。核医学診断装置は、検出器リング内の複数の検出器モジュールにより、放射性同位体を投与された被検体から放射される放射線を検出する。複数の検出器モジュールは、検出器リングにおいて、リング形状に配列されている。核医学診断装置は、例えば、陽電子放出断層撮影（Positron Emission Tomography：ＰＥＴ）装置やＰＥＴ／コンピュータ断層撮影（ＣＴ）装置、ＰＥＴ／磁気共鳴イメージング（Magnetic Resonance Imaging：ＭＲＩ）装置、単光子放射コンピュータ断層撮影（Single Photon Emission CT：ＳＰＥＣＴ）装置、ＳＰＥＣＴ／ＣＴ装置、ＳＰＥＣＴ／ＭＲＩ装置である。なお、医用画像処理装置が搭載された核医学診断装置を医用画像処理装置と表現してもよい。

以下、ＰＥＴ装置に搭載されている医用画像処理装置及びＰＥＴ装置における医用画像処理方法を一例として説明する。

図１は、本実施形態に係るＰＥＴ装置１の構成の一例を示す図である。図２は、図１のガントリ１０に搭載される検出器リング１１の模式的な縦断面図である。

図１に示すように、ＰＥＴ装置１は、ガントリ１０、寝台５０及びコンソール７０を有する。なお、説明の都合上、図１にはガントリ１０が複数描画されている。典型的には、ガントリ１０及び寝台５０は、共通の検査室に設置され、コンソール７０は、検査室に隣接する制御室に設置される。

ガントリ１０は、被検体ＰをＰＥＴ撮像する撮像装置である。ガントリ１０は、図１及び図２に示すように、複数の検出器リング１１、複数の信号処理回路１３及び同時計数回路１５を有する。

複数の検出器リング１１は、図２に示すように、ガントリ１０において、円周の中心軸Ｚに沿って配列されている。図２においては、例示のため、３つの検出器リング１１が示されている。検出器リング１１の開口部には、画像視野（ＦＯＶ：field of view）が形成される。被検体Ｐの撮像部位がＦＯＶに入るように、被検体Ｐが載置された天板５３が検出器リング１１の開口部に挿入される。被検体Ｐは、体軸が中心軸Ｚに一致するように天板５３に載置される。被検体Ｐには、ＰＥＴ撮像のため、放射性同位元素で標識された薬剤が注入される。各検出器リング１１は、図２に示すように、中心軸Ｚ周りの円周上に配列される複数の検出器１１０を有する。ここで、検出器１１０は、ＰＥＴ検出器の一例である。なお、複数の検出器１１０の配列は、図１及び図２に示すリング形状に限定されず、例えば、楕円状、三角形状等であってもよい。複数の検出器１１０の各々は、被検体Ｐの内部から放出される対消滅ガンマ線を検出し、検出された対消滅ガンマ線の光量に応じたパルス状の電気信号を生成する。具体的には、複数の検出器１１０は、複数のシンチレータ１１３と複数の光電子増倍管１１５とを有する。

複数のシンチレータ１１３の各々は、被検体Ｐの内部に注入された放射性同位元素に由来する対消滅ガンマ線を受けてシンチレーション光を発生する。複数のシンチレータ１１３は、検出器１１０において、例えば２次元状に配列される。各シンチレータ１１３は、各シンチレータ１１３の長軸方向が検出器リング１１の径方向に略一致するように配置される。本実施形態に係るシンチレータ１１３は、既存の如何なる種類のシンチレータ材料により形成されてもよい。例えば、シンチレータ１１３は、ＮａＩ（ヨウ化ナトリウム）やＢＧＯ（ビスマス酸ジャーマネイト）、ＬＳＯ（ケイ酸ルテチウムにセリウムを一定量添加したもの）、ＬａＢｒ３：Ｃｅ、ＬＹＳＯ（ＬＳＯとケイ酸イットリウムの混晶）等のシンチレータ材料により形成される。シンチレータ１１３の材料としては、ルテチウム結晶がよく用いられる。上述の材料以外にも、例えば、シンチレータ１１３は、例えば、ガリウム系結晶やガーネット系結晶により形成されてもよい。

複数の光電子増倍管１１５の各々は、中心軸Ｚに直交する径方向に関する、シンチレータ１１３の一端部に設けられている。典型的には、シンチレータ１１３と光電子増倍管１１５との間には、ライトガイド（図示せず）が設けられている。検出器リング１１に含まれる複数のシンチレータ１１３と複数の光電子増倍管１１５とは、同心円（同心円筒）状に配列される。シンチレータ１１３において発生されたシンチレーション光は、シンチレータ１１３を伝播し光電子増倍管１１５に向かう。光電子増倍管１１５は、シンチレーション光の光量に応じたパルス状の電気信号を発生する。発生された電気信号は、図１に示すように、信号処理回路１３に供給される。また、光電子増倍管１１５はシリコン光電子増倍素子（ＳｉＰＭ）であってもよい。

なお、検出器リング１１の列数や検出器リング１１内の検出器１１０の数、検出器１１０内のシンチレータ１１３の数、検出器１１０内の光電子増倍管１１５の数は、図１及び図２に示される数に限定されない。

複数の信号処理回路１３は、それぞれ複数の検出器１１０の電気信号に基づいてシングルイベントデータを生成する。具体的には、信号処理回路１３は、検出時刻計測処理、位置計算処理及びエネルギ計算処理を施す。信号処理回路１３は、検出時刻計測処理、位置計算処理及びエネルギ計算処理を実行可能に構成されたApplication Specific Integrated Circuit（ＡＳＩＣ）やフィールド・プログラマブル・ゲート・アレイ（Field Programmable Gate Array：ＦＰＧＡ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）等により実現される。

信号処理回路１３は、検出時刻計測処理により、検出器１１０によるガンマ線の検出時刻を計測する。具体的には、信号処理回路１３は、検出器１１０からの電気信号の波高値をモニタリングし、波高値が予め設定された閾値を超える時刻を検出時刻として計測する。換言すれば、信号処理回路１３は、波高値が閾値を超えたことを検知することにより電気的に消滅ガンマ線を検出する。

信号処理回路１３は、位置計算処理により、検出器１１０からの電気信号に基づいて対消滅ガンマ線の入射位置を計算する。消滅ガンマ線の入射位置は、消滅ガンマ線が入射したシンチレータの位置座標に対応する。

信号処理回路１３は、エネルギ計算処理により、検出器１１０からの電気信号に基づいて、検出した対消滅ガンマ線のエネルギ値を計算する。シングルイベントに関する検出時刻のデータと位置座標のデータとエネルギ値のデータとは関連付けられる。シングルイベントに関するエネルギ値のデータと位置座標のデータと検出時刻のデータとの組合せは、シングルイベントデータと呼ばれている。シングルイベントデータは、消滅ガンマ線が検出される毎に次々に生成される。生成されたシングルイベントデータは、同時計数回路１５に供給される。

同時計数回路１５は、信号処理回路１３からのシングルイベントデータに同時計数処理を施す。ハードウェア資源としては、同時計数回路１５は、同時計数処理を実行可能に構成されたＡＳＩＣやＦＰＧＡ、ＣＰＬＤ、ＳＰＬＤ等により実現される。同時計数回路１５は、同時計数処理により、繰り返し供給されるシングルイベントデータの中から、予め定められた時間枠内に収まる２つのシングルイベントに関するシングルイベントデータを繰り返し特定する。この対のシングルイベントは、同一の対消滅点から発生された対消滅ガンマ線に由来すると推定される。対のシングルイベントは、まとめて同時計数イベントと呼ばれる。この対消滅ガンマ線を検出した対の検出器１１０（より詳細にはシンチレータ）を結ぶ線は、Line of Response（ＬＯＲ）と呼ばれる。ＬＯＲを構成する対のイベントに関するイベントデータは、同時計数イベントデータと呼ばれる。同時計数イベントデータとシングルイベントデータとは、コンソール７０に伝送される。なお、同時計数イベントデータとシングルイベントデータとを特に区別しないときはＰＥＴイベントデータと呼ぶことにする。

なお、上記構成において信号処理回路１３と同時計数回路１５とは、ガントリ１０に含まれるとしたが、本実施形態はこれに限定されない。例えば、同時計数回路１５又は信号処理回路１３と同時計数回路１５との双方が、ガントリ１０とは別体の装置に含まれていてもよい。また、ガントリ１０に搭載される複数の信号処理回路１３に対して１つの同時計数回路１５が設けられていてもよいし、ガントリ１０に搭載される複数の信号処理回路１３を複数のグループに区分し、各グループに対して１つの同時計数回路１５が設けられていてもよい。

寝台５０は、スキャン対象の被検体Ｐを載置し、載置された被検体Ｐを移動させる。寝台５０は、基台５１、支持フレーム５２、天板５３及び寝台駆動装置５４を有する。基台５１は、床面に設置される。基台５１は、支持フレーム５２を、床面に対して垂直方向（Ｙ軸方向）に移動可能に支持する筐体である。支持フレーム５２は、基台５１の上部に設けられるフレームである。支持フレーム５２は、天板５３を中心軸Ｚに沿ってスライド可能に支持する。天板５３は、被検体Ｐが載置される柔軟性を有する板である。寝台駆動装置５４は、寝台５０の筐体内に収容される。寝台駆動装置５４は、被検体Ｐが載置された支持フレーム５２と天板５３とを移動させるための動力を発生するモータ又はアクチュエータである。寝台駆動装置５４は、コンソール７０等による制御に従い作動する。

コンソール７０は、ガントリ１０及び寝台５０を制御するコンピュータを有する。コンソール７０は、処理回路７１、ＰＥＴデータメモリ７２、入力回路７３、表示回路７４及びメモリ７５を有する。処理回路７１、ＰＥＴデータメモリ７２、入力回路７３、表示回路７４及びメモリ７５間のデータ通信は、例えば、有線のバス又は無線を介して行われる。ここで、処理回路７１は、医用画像処理装置の一例である。なお、コンソール７０が、医用画像処理装置の一例であると表現されてもよい。

処理回路７１は、ＰＥＴ装置１の全体の動作を制御する。処理回路７１は、検出器１１０が故障した状態で得られた故障画像の補正に関するプログラム（以下、故障画像補正プログラムと呼ぶ）を実行して、機械学習モデルの学習及び／又は強化学習に係る処理や機械学習モデルを用いた故障画像の補正に係る処理を実行する。処理回路７１は、ハードウェア資源として、Central Processing Unit（ＣＰＵ）、Micro Processing Unit（ＭＰＵ）、Graphics Processing Unit（ＧＰＵ）等のプロセッサと、Read Only Memory（ＲＯＭ）やRandom Access Memory（ＲＡＭ）等のメモリとを有する。

本実施形態に係る処理回路７１は、故障画像補正プログラムにより、再構成機能７１１、画像処理機能７１２、撮像制御機能７１３、表示制御機能７１４及び補正処理機能７１６等を実行する。また、処理回路７１は、学習プログラムにより、モデル生成機能７１５等を実行する。ここで、再構成機能７１１を実現する処理回路７１は、取得部の一例である。また、撮像制御機能７１３を実現する処理回路７１は、特定部の一例である。また、補正処理機能７１６を実現する処理回路７１は、処理部の一例である。

再構成機能７１１において、処理回路７１は、ＰＥＴデータメモリ７２から取得した同時計数イベントデータに基づいて、被検体Ｐに投与された陽電子放出核種の分布を示すＰＥＴ画像を再構成する。ここで、ＰＥＴ画像は、故障画像及び模擬故障画像を含む。例えば、処理回路７１は、ＰＥＴデータメモリ７２から取得した故障データに基づいて、ＰＥＴ画像（以下、故障画像と呼ぶ）を再構成する。故障データは、いずれかの検出器１１０が故障している状態で得られた同時計数イベントデータである。例えば、処理回路７１は、モデル生成機能７１５の生成する故障データ（以下、模擬故障データと呼ぶ）に基づいて、故障画像（以下、模擬故障画像と呼ぶ）を再構成する。画像再構成アルゴリズムとしては、Filtered Back Projection（ＦＢＰ）法や逐次近似再構成法等の既存の画像再構成アルゴリズムが用いられれば良い。処理回路７１は、生成されたＰＥＴ画像や模擬故障画像、故障画像をメモリ７５及び／又は表示回路７４へ出力する。ここで、故障画像は、第１の医用データの一例である。また、故障画像の再構成に用いられた故障データが収集されたＰＥＴ撮像時に故障していた検出器１１０は、第１のＰＥＴ検出器の一例である。

画像処理機能７１２において、処理回路７１は、再構成機能７１１により再構成されたＰＥＴ画像に種々の画像処理を施す。例えば、処理回路７１は、ＰＥＴ画像にボリュームレンダリングや、サーフェスボリュームレンダリング、画素値投影処理、Multi-Planer Reconstruction（ＭＰＲ）処理、Curved MPR（ＣＰＲ）処理等の３次元画像処理を施して表示画像を生成する。

撮像制御機能７１３において、処理回路７１は、ＰＥＴ撮像を行うためにガントリ１０と寝台５０とを同期的に制御する。処理回路７１は、ガントリ１０による位置決めスキャンや撮像範囲の設定を実行可能である。また、処理回路７１は、縮退運転時の各部の動作を制御する。処理回路７１は、縮退運転時には、故障した検出器１１０が停止した状態でＰＥＴ撮像に係る制御を行う。処理回路７１は、ガントリ１０から出力されたエラーメッセージに基づいて、故障した検出器１１０を停止させる。

表示制御機能７１４において、処理回路７１は、種々の情報を表示回路７４に表示する。例えば、処理回路７１は、再構成機能７１１により再構成されたＰＥＴ画像を表示回路７４に表示する。また、処理回路７１は、各種設定及び入力のためのＧＵＩを表示回路７４に表示する。また、処理回路７１は、縮退運転時には、機械学習モデルを用いた画像の補正が行われたことの通知や故障した検出器１１０の検出器番号等を表示回路７４に表示する。

モデル生成機能７１５において、処理回路７１は、ＰＥＴデータメモリ７２から読み出した収集データを用いて検出器ごとの模擬故障データを生成する。処理回路７１は、模擬故障データから再構成された模擬故障画像と、元の収集データから再構成された正常画像と、模擬故障データに対応する検出器番号とを用いて学習用データを生成する。処理回路７１は、生成された学習用データを用いて機械学習モデルを学習及び／又は強化学習する。ここで、模擬故障画像は、学習用の第１の医用データの一例である。また、正常画像は、学習用の第２の医用データの一例である。また、模擬故障データに対応する検出器番号が示す検出器１１０は、第１のＰＥＴ検出器の一例である。

補正処理機能７１６において、処理回路７１は、取得した故障検出器番号に従って、メモリ７５に記憶された機械学習モデルを選択する。処理回路７１は、選択された機械学習モデルに、再構成機能７１１が生成した故障画像を入力する。処理回路７１は、故障画像が入力された学習済みの機械学習モデルの出力を、補正画像として取得する。処理回路７１は、生成された補正画像をメモリ７５及び／又は表示回路７４へ出力する。ここで、補正画像は、第２の医用データの一例である。

なお、処理回路７１は、ＡＳＩＣやＦＰＧＡにより実現されてもよい。また、処理回路７１は、ＣＰＬＤ又はＳＰＬＤにより実現されてもよい。

なお、各機能７１１～７１６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７１１～７１６を実現するものとしても構わない。

ＰＥＴデータメモリ７２は、ガントリ１０から伝送されたシングルイベントデータ及び同時計数イベントデータを記憶する記憶装置である。ＰＥＴデータメモリ７２は、Hard Disk Drive（ＨＤＤ）やSolid State Drive（ＳＳＤ）、集積回路記憶装置等の記憶装置である。また、ＰＥＴデータメモリ７２は、ＨＤＤやＳＳＤ等以外にも、Compact Disc（ＣＤ）－ＲＯＭドライブやDigital Versatile Disc（ＤＶＤ）ドライブ、フラッシュメモリ等の可搬性記憶媒体との間で種々の情報を読み書きする駆動装置等であってもよい。また、ＰＥＴデータメモリ７２の記憶領域は、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。ＰＥＴデータメモリ７２に記憶されるイベントデータは、リストモードデータやヒストグラムデータ等、いずれのデータ形式であってもよい。本実施形態では、ＰＥＴデータメモリ７２に記憶されたこれらのデータを総称して、収集データと記載する。

入力回路７３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７１に出力する。入力回路７３としては、キーボードやマウス、各種スイッチ等が利用可能である。入力回路７３は、入力機器からの出力信号を、バスを介して処理回路７１に供給する。具体的には、入力回路７３は、被検体Ｐに対するＰＥＴ撮像の実施に先立って、操作者の指示に従って検査名等の検査内容や撮像条件等を入力する。なお、検査内容は、放射線情報システム（Radiology Information System：ＲＩＳ）からネットワークを介して入力された検査のオーダ情報であってもよい。このとき、処理回路７１は、オーダ情報から検査内容を抽出する。また、入力回路７３は、ＰＥＴ画像の用途又は画質を、操作者の指示により入力してもよい。

表示回路７４は、表示制御機能７１４を実現する処理回路７１による制御を受けて、種々の情報を表示する。表示回路７４は、例えば、検査内容及び撮像条件等の入力に関するGraphical User Interface（ＧＵＩ）を表示する。表示回路７４は、再構成機能７１１を実現する処理回路７１により生成されたＰＥＴ画像及び画像処理機能７１２を実現する処理回路７１により生成された医用画像を表示する。なお、表示回路７４は、例えば、画質又は用途等の入力に関するＧＵＩを表示してもよい。表示回路７４は、表示インタフェース回路と表示機器とを有する。表示インタフェース回路は、表示対象を表すデータ（表示情報）を映像信号に変換する。表示信号は、表示機器に供給される。表示機器は、表示対象を表す映像信号を表示する。表示機器としては、種々の任意の１又は２以上のディスプレイが、適宜、使用可能となっている。例えば表示機器として、ＣＲＴ（Cathode Ray Tube）ディスプレイや液晶ディスプレイ（Liquid Crystal Display：ＬＣＤ）、有機ＥＬディスプレイ（Organic Electro Luminescence Display：ＯＥＬＤ）、Light Emitting Diode（ＬＥＤ）ディスプレイ又はプラズマディスプレイが適宜利用可能である。

なお、表示回路７４は、制御室の如何なる場所に設けられてもよい。また、表示回路７４は、デスクトップ型でもよいし、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。また、表示回路７４の表示機器として、１又は２以上のプロジェクタが用いられてもよい。

メモリ７５は、ＨＤＤやＳＳＤ、集積回路記憶装置等の記憶装置である。また、メモリ７５は、ＨＤＤやＳＳＤ等以外にも、ＣＤ－ＲＯＭドライブやＤＶＤドライブ、フラッシュメモリ等の可搬性記憶媒体との間で種々の情報を読み書きする駆動装置等であってもよい。また、メモリ７５の記憶領域は、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７５は、入力回路７３を介して入力された各種条件や情報、処理回路７１において実行される複数の機能各々に対応するプログラム及び処理回路７１において各機能が実行されるときの処理中のデータを記憶する。また、メモリ７５は、再構成機能７１１により生成された各種のＰＥＴ画像、画像処理機能７１２により生成された表示画像及びモデル生成機能７１５により生成された模擬故障データや学習用データを記憶する。また、メモリ７５は、機械学習モデルを記憶する。本実施形態に係る機械学習モデルは、複数の検出器１１０に対応する複数のモデルを含む。

以下、本実施形態に係るＰＥＴ装置１の各部の動作例について、図面を参照して詳細に説明する。

まず、本実施形態に係る学習用データセットの生成について説明する。図３は、図１のＰＥＴ装置１において実行される学習用データ生成処理の一例を示すフローチャートである。図４は、図３の学習用データ生成処理において生成される学習用データセット８１０を用いた機械学習モデル８２０の学習及び／又は強化学習について説明するための図である。

本処理は、ＰＥＴ装置１においてＰＥＴ撮像が実施された後に行われるとする。つまり、本処理が開始されるとき、ＰＥＴ撮像により得られた収集データは、ＰＥＴデータメモリ７２に記憶されているとする。ここで、当該収集データは、同時計数後のイベントデータであるとする。また、当該収集データは、全ての検出器１１０が正常に動作している状態においてＰＥＴ撮像により得られた、ＰＥＴ撮像の開始から終了までのイベントデータのセットであるとする。

以下、説明の簡単のために、本実施形態に係るＰＥＴ装置１において、複数の検出器リング１１の各々は、Ｎ個の検出器１１０を有するとする。Ｎ個の検出器１１０には、それぞれ、検出器番号１～検出器番号Ｎが割り当てられているとする。

また、以下の説明は、複数の検出器リング１１のうち、任意の検出器リング１１に関して行うものとする。このとき、他の検出器リング１１も同様に取り扱われるものとする。例えば、任意の１つの検出器１１０に関する記載は、体軸方向に並ぶ複数の検出器１１０に関する記載とみなすことができる。

ステップＳ１０１において、モデル生成機能７１５を実現する処理回路７１は、ＰＥＴデータメモリ７２から収集データを読み出す。

ステップＳ１０２において、モデル生成機能７１５を実現する処理回路７１は、ステップＳ１０１で読み出した収集データを用いて、模擬故障データを生成する。ここで、模擬故障データは、複数の検出器１１０のうちいずれかの検出器１１０が故障したときに得られる収集データを模擬したデータである。モデル生成機能７１５を実現する処理回路７１は、Ｎ個の検出器１１０に関して、それぞれの検出器１１０に係る収集データを除くことにより、Ｎ個の模擬故障データを生成する。例えば、処理回路７１は、収集データから、模擬的に故障した任意の検出器１１０に関するＬＯＲのイベントデータを除去することにより、当該検出器に関する模擬故障データを生成する。

ステップＳ１０３において、再構成機能７１１を実現する処理回路７１は、ステップＳ１０１で読み出された収集データに関して画像再構成を行うことにより、正常画像８１３を生成する。つまり、正常画像８１３は、元の収集データの再構成により得られた再構成画像である。すなわち、正常画像８１３は、全ての検出器１１０が正常に動作している状態において収集されたイベントデータに基づく再構成画像である。

ステップＳ１０４において、再構成機能７１１を実現する処理回路７１は、ステップＳ１０２で生成されたＮ個の模擬故障データの各々に関して画像再構成を行うことにより、模擬故障画像８１７を生成する。つまり、模擬故障画像８１７は、模擬故障データの再構成により得られた再構成画像である。

ステップＳ１０５において、モデル生成機能７１５を実現する処理回路７１は、学習用データセット８１０を生成する。図４に示すように、モデル生成機能７１５を実現する処理回路７１は、ステップＳ１０４で生成されたＮ個の模擬故障画像８１７の各々を、各検出器番号８１５及びステップＳ１０３で生成された正常画像８１３に関連付けて、Ｎ個の学習用データ８１１を生成する。モデル生成機能７１５を実現する処理回路７１は、生成されたＮ個の学習用データ８１１を含む学習用データセット８１０を生成する。

ステップＳ１０６において、モデル生成機能７１５を実現する処理回路７１は、ステップＳ１０５で生成された学習用データセット８１０をメモリ７５に記憶する。

なお、任意の収集データに関して学習用データ生成処理が行われる場合を例として説明したが、学習用データセット８１０には、複数セットの収集データから生成された複数セットの学習用データ８１１が含まれる。複数セットの収集データから生成された複数セットの学習用データ８１１は、検出器番号８１５ごとに関連付けられたり、グループ分けされたりして記憶されてもよい。

ここで、本実施形態に係る機械学習モデル８２０の学習及び／又は強化学習について説明する。モデル生成機能７１５を実現する処理回路７１は、メモリ７５から、学習用データ生成処理により生成された学習用データセット８１０を読み出す。モデル生成機能７１５を実現する処理回路７１は、図４に示すように、検出器番号８１５ごとに、模擬故障画像８１７と正常画像８１３とを用いて機械学習モデル８２０を学習及び／又は強化学習する。具体的には、モデル生成機能７１５を実現する処理回路７１は、検出器番号８１５ごとに、機械学習モデル８２１の入力端に模擬故障画像８１７を入力し、出力端に正常画像８１３を入力する。このようにして、複数の検出器番号８１５に対応した複数の機械学習モデル８２１が生成される。つまり、機械学習モデル８２１は、検出器番号８１５ごとの機械学習モデル８２０であると表現できる。

次に、複数の検出器１１０のうちいずれかの検出器１１０の故障が検知されたときに実施される縮退運転における各部の動作例について説明する。図５は、図１のＰＥＴ装置１において実行される縮退運転処理の一例を示すフローチャートである。図６は、図５の縮退運転処理において実行される機械学習モデル８２０を用いた画像補正について説明するための図である。

ステップＳ２０１において、撮像制御機能７１３を実現する処理回路７１は、縮退運転を実施するか否かを判定する。本判定では、例えばガントリ１０からエラーメッセージを受信したときに縮退運転を実施すると判定される。エラーメッセージは、例えば、いずれかの検出器１１０の出力が検知できない等、いずれかの検出器１１０の出力が所定の閾値以下であるときに出力される。所定の閾値は、ガントリ１０の信号処理回路１３内の記憶領域やメモリ７５等に予め設定されて記憶されているとする。処理は、縮退運転を実施すると判定されるまで、本ステップの処理を繰り返す。このとき、ＰＥＴ装置１では、通常のＰＥＴ撮像等が実施される。処理は、縮退運転を実施すると判定された場合はステップＳ２０２へ進む。

なお、本ステップにおいて縮退運転を実施すると判定されたとき、表示制御機能７１４を実現する処理回路７１は、縮退運転が実施されることをユーザへ通知してもよい。このとき、表示制御機能７１４を実現する処理回路７１は、機械学習モデルを用いて画像の補正が行われることをさらにユーザへ通知してもよい。

なお、エラーメッセージは、いずれかの検出器１１０の出力が所定の閾値以下であるときに限らず、いずれかの検出器１１０の温度が所定の閾値以上であるとき、いずれかの検出器１１０の出力が所定の閾値以上であるとき等に出力されてもよい。

なお、本判定は、エラーメッセージを受信したか否かに限らず、ユーザ操作に応じた入力回路７３の出力に基づいて行われてもよい。このとき、表示制御機能７１４を実現する処理回路７１は、縮退運転の実施を案内する通知に先立って、操作用のＧＵＩを表示する。

以下、ステップＳ２０１において、検出器番号１～検出器番号ＮのＮ個の検出器１１０のうち、検出器番号１及び検出器番号３の２つの検出器１１０に関して故障が検知された場合を例として説明を続ける。

ステップＳ２０２において、撮像制御機能７１３を実現する処理回路７１は、検出器番号１及び検出器番号３の検出器１１０を停止させる。ここで、検出器１１０の停止は、例えば、信号処理回路１３が当該検出器１１０から検出値の読出しを行わないことにより実現される。

なお、検出器１１０の停止は、例えば、当該検出器１１０に関して、電源の供給を止めることにより実現されてもよいし、同時計数を行わないことにより実現されてもよいし、収集データを画像再構成に使用しないことにより実現されてもよい。

ステップＳ２０３において、撮像制御機能７１３を実現する処理回路７１は、検出器番号１及び検出器番号３の検出器１１０が停止した状態で、ＰＥＴ撮像を実行する。ＰＥＴ撮像により、検出器番号１及び検出器番号３の検出器１１０が停止した状態に関する故障データが収集される。故障データは、ＰＥＴデータメモリ７２に記憶される。なお、機械学習モデル８２０の学習に用いた模擬故障データは、本ステップで得られる故障データを模擬した収集データであると表現できる。

ステップＳ２０４において、再構成機能７１１を実現する処理回路７１は、故障画像８０１を生成する。故障画像８０１は、ＰＥＴデータメモリ７２から読み出した故障データを再構成して得られた再構成画像である。本実施形態において故障画像８０１は、検出器番号１及び検出器番号３の検出器１１０が停止した状態において収集された故障データに基づく再構成画像である。すなわち、故障画像８０１は、検出器番号１及び検出器番号３の検出器１１０に関するＬＯＲのイベントデータが欠落した収集データのセットに基づく再構成画像である。従って故障画像８０１は、検出器番号１及び検出器番号３の検出器１１０に関するＬＯＲの欠落に起因するアーチファクト成分を有する。なお、機械学習モデル８２０の学習に用いた模擬故障画像８１７は、本ステップで生成される故障画像８０１を模擬した再構成画像であると表現できる。

ステップＳ２０５において、補正処理機能７１６を実現する処理回路７１は、故障検出器番号８０３を取得する。故障検出器番号８０３は、ステップＳ２０３のＰＥＴ撮像時に故障していた検出器１１０の検出器番号である。このことから、補正処理機能７１６を実現する処理回路７１は、特定部の一例であるとも表現できる。

ステップＳ２０６において、補正処理機能７１６を実現する処理回路７１は、故障検出器番号８０３に応じて機械学習モデル８２０を選択する。例えば、故障検出器番号８０３が検出器番号１及び検出器番号３であるとき、故障検出器番号８０３に応じて選択される機械学習モデル８２０は、検出器番号１に関する機械学習モデル８２１及び検出器番号３に関する機械学習モデル８２１である。図６に示すように、選択された機械学習モデル８２３において、検出器番号１に関する機械学習モデル８２１及び検出器番号３に関する機械学習モデル８２１は、直列に接続される。

ステップＳ２０７において、補正処理機能７１６を実現する処理回路７１は、選択された機械学習モデル８２３を用いて、補正画像８０５を生成する。具体的には、補正処理機能７１６を実現する処理回路７１は、故障画像８０１を検出器番号１に関する機械学習モデル８２１へ入力する。検出器番号１に関する機械学習モデル８２１の出力は、検出器番号３に関する機械学習モデル８２１へ入力される。補正処理機能７１６を実現する処理回路７１は、検出器番号３に関する機械学習モデル８２１の出力を、補正画像８０５として取得する。このように、補正画像８０５は、故障画像８０１を入力としたときの、選択された機械学習モデル８２３の出力であり、機械学習モデル８２０の学習に用いた正常画像８１３の画質と同等の画質を有する画像であると表現できる。補正画像８０５は、検出器番号１及び検出器番号３の検出器１１０が正常に動作している状態、すなわち、全ての検出器１１０が正常に動作している状態において収集されたイベントデータに基づく再構成画像と同等の画質を有する。

ステップＳ２０８において、表示制御機能７１４を実現する処理回路７１は、ステップＳ２０７で生成された補正画像８０５を表示回路７４に表示する。ここで、表示回路７４に表示される表示画像は、補正画像８０５に限らず、補正画像８０５が機械学習モデル８２０を用いて補正された画像であることを示す通知や補正前の故障画像８０１、故障検出器番号８０３等を含んでいてもよい。

このように、本実施形態に係る医用画像処理装置が搭載された核医学診断装置の一例であるＰＥＴ装置１において、処理回路７１は、いずれかの検出器１１０が故障している状態を想定した模擬故障画像８１７と、全検出器１１０が正常な状態での正常画像８１３とを用いて機械学習モデル８２０を検出器番号８１５ごとに学習及び／又は強化学習する。また、処理回路７１は、故障検出器番号８０３に従って機械学習モデル８２０を選択する。また、処理回路７１は、故障した検出器１１０に応じて選択された機械学習モデル８２０を用いて故障画像８０１を補正する。この構成によれば、検出器１１０が故障している状態であっても、正常時に相当する画質の画像データを生成することができる。

なお、図６に示す例では、検出器番号１に関する機械学習モデル８２１の後段に検出器番号３に関する機械学習モデル８２１が接続されているが、これに限らない。例えば、検出器番号３に関する機械学習モデル８２１の後段に検出器番号１に関する機械学習モデル８２１が接続されていてもよい。また、補正処理機能７１６を実現する処理回路７１は、ユーザの入力に応じた入力回路７３の出力に基づいて機械学習モデル８２１の順序を決定してもよい。このような構成であっても、上述と同様の効果が得られる。

なお、補正処理機能７１６を実現する処理回路７１は、複数の順序で接続された機械学習モデル８２１から複数の補正画像８０５を取得してもよい。表示制御機能７１４を実現する処理回路７１は、取得された複数の補正画像８０５を表示回路７４に表示する。このような構成によれば、上述の効果に加えて、ユーザは、複数の補正画像８０５を確認して、より適切な補正画像８０５を選択することができるという効果がある。

また、メモリ７５には、モデル選択のための機械学習モデルが記憶されていてもよい。モデル生成機能７１５を実現する処理回路７１は、故障検出器番号８０３と、ユーザにより選択された補正画像８０５の生成に用いられた機械学習モデル８２１の接続順序とを用いて、モデル選択のための機械学習モデルを学習及び／又は強化学習する。このとき、補正処理機能７１６を実現する処理回路７１は、故障検出器番号８０３が入力されたモデル選択のための機械学習モデルの出力に従って、選択された機械学習モデル８２３を決定する。このような構成によれば、上述の効果に加えて、適切な補正画像８０５を簡易に生成できるという効果がある。

また、本実施形態に係る機械学習モデル８２０は、上述のモデル選択のための機械学習モデルを含んでいてもよい。このとき、モデル生成機能７１５を実現する処理回路７１は、故障画像８０１と、故障検出器番号８０３と、ユーザにより選択された補正画像８０５と、選択された補正画像８０５の生成に用いられた機械学習モデル８２１の接続順序とを用いて、機械学習モデル８２０を学習及び／又は強化学習する。このとき、補正処理機能７１６を実現する処理回路７１は、故障画像８０１及び故障検出器番号８０３が入力された機械学習モデル８２０の出力を、補正画像８０５として取得する。このような構成によれば、上述の効果に加えて、適切な補正画像８０５をより簡易に生成できるという効果がある。

［第２の実施形態］
以下、図面を参照しながら本実施形態に係る医用画像処理装置及び医用画像処理方法を説明する。ここでは、主に第１の実施形態との相違点について説明する。なお、以下の説明において、第１の実施形態と同一又は略同一の機能を有する構成要素については、同一符号を付し、必要な場合にのみ重複説明する。

第１の実施形態では、故障検出器番号８０３に応じて、検出器番号８１５ごとに学習及び／又は強化学習された機械学習モデル８２０の機械学習モデル８２１を選択し、選択された機械学習モデル８２３を用いて故障画像８０１を補正する場合を例として説明した。一方で、機械学習モデルは、想定される故障パターンに応じた検出器番号の組合せに関して学習及び／又は強化学習されてもよい。

まず、本実施形態に係る学習用データセット８３０の生成について説明する。図７は、本実施形態に係る機械学習モデル８４０の学習及び／又は強化学習と、機械学習モデル８４０を用いた画像補正とについて説明するための図である。なお、以下の説明は、図３の第１の実施形態に係る学習用データ生成処理と比較しながら行う。

モデル生成機能７１５を実現する処理回路７１は、ステップＳ１０１と同様にしてＰＥＴデータメモリ７２から収集データを読み出す。モデル生成機能７１５を実現する処理回路７１は、読み出した収集データを用いて模擬故障データを生成する。本実施形態では、検出器１１０ごとの模擬故障データが生成されるステップＳ１０２とは異なり、想定される複数の故障パターンに応じた複数の模擬故障データが生成される。想定される故障パターンは、例えば、任意の１つの検出器１１０が故障している状態と、任意の２つ以上の検出器１１０が故障している状態とを含む。想定される故障パターンに応じた検出器１１０又は検出器１１０の組合せは、予め設定されてメモリ７５に記憶されているとする。再構成機能７１１を実現する処理回路７１は、ステップＳ１０３及びステップＳ１０４と同様にして、正常画像８３３及び複数の模擬故障画像８３７を生成する。つまり、正常画像８３３及び模擬故障画像８３７は、それぞれ、元の収集データ及び模擬故障データに関する画像再構成により得られた再構成画像である。モデル生成機能７１５を実現する処理回路７１は、ステップＳ１０５と同様にして、学習用データセット８３０を生成する。図７に示すように、学習用データセット８３０には、複数の故障パターンに応じた複数の学習用データ８３１が含まれる。各学習用データ８３１には、学習用データ８１１と同様に、正常画像８３３、検出器番号８３５及び模擬故障画像８３７が含まれる。生成された学習用データセット８３０は、メモリ７５に記憶される。

次に、本実施形態に係る機械学習モデル８４０の学習及び／又は強化学習について、図７を参照して説明する。モデル生成機能７１５を実現する処理回路７１は、メモリ７５から、学習用データ生成処理により生成された学習用データセット８３０を読み出す。モデル生成機能７１５を実現する処理回路７１は、図７に示すように、各学習用データ８３１を用いて機械学習モデル８４０を学習及び／又は強化学習する。具体的には、モデル生成機能７１５を実現する処理回路７１は、各学習用データ８３１に関して、機械学習モデル８４０の入力端に検出器番号８３５及び模擬故障画像８３７を入力し、出力端に正常画像８３３を入力する。このようにして、複数の故障パターンに対応した機械学習モデル８４０が生成される。

次に、本実施形態に係る縮退運転における各部の動作例について、図７を参照して説明する。なお、以下の説明は、図５の第１の実施形態に係る縮退運転処理と比較しながら行う。以下、検出器番号１～検出器番号ＮのＮ個の検出器１１０のうち、検出器番号３及び検出器番号５の２つの検出器１１０に関して故障が検知される場合を例として説明する。ここで、検出器番号３及び検出器番号５の２つの検出器１１０は、第１のＰＥＴ検出器及び第２のＰＥＴ検出器の一例である。

撮像制御機能７１３を実現する処理回路７１は、ステップＳ２０１と同様にして、縮退運転を実施するか否かを判定する。縮退運転が開始された後、撮像制御機能７１３を実現する処理回路７１は、ステップＳ２０２と同様にして、故障が検知された検出器番号３及び検出器番号５の２つの検出器１１０を停止させる。撮像制御機能７１３を実現する処理回路７１は、ステップＳ２０３と同様にして、ＰＥＴ撮像を実行し、故障データを取得する。再構成機能７１１を実現する処理回路７１は、ステップＳ２０４と同様にして、取得された故障データに関する画像再構成により、故障画像８０１を生成する。補正処理機能７１６を実現する処理回路７１は、ステップＳ２０５と同様にして、故障検出器番号８０３を取得する。

なお、本実施形態に係る機械学習モデル８４０は、第１の実施形態に係る機械学習モデル８２０とは異なり、検出器番号ごとに学習されていない。このため、本実施形態に係る縮退運転処理では、ステップＳ２０６に相当する処理は実行されない。

その後、補正処理機能７１６を実現する処理回路７１は、機械学習モデル８４０を用いて補正画像８０５を生成する。具体的には、補正処理機能７１６を実現する処理回路７１は、故障画像８０１及び故障検出器番号８０３が入力された機械学習モデル８４０の出力を、補正画像８０５として取得する。表示制御機能７１４を実現する処理回路７１は、ステップＳ２０８と同様にして、生成された補正画像８０５等を表示回路７４に表示する。

このように、本実施形態に係る医用画像処理装置が搭載された核医学診断装置の一例であるＰＥＴ装置１において、処理回路７１は、複数の故障パターンを想定した模擬故障画像８３７と、検出器番号８３５と、全検出器１１０が正常な状態での正常画像８３３とを用いて機械学習モデル８４０を学習及び／又は強化学習する。また、処理回路７１は、故障パターンに応じて学習された機械学習モデル８４０を用いて故障画像８０１を補正する。この構成によれば、故障した検出器１１０の組合せに対応する学習用データ８３１を用いて機械学習モデル８４０が学習されているため、正常時に相当する画質の画像データを、より精度良く生成することができる。

［第３の実施形態］
以下、図面を参照しながら本実施形態に係る医用画像処理装置及び医用画像処理方法を説明する。ここでは、主に第１の実施形態との相違点について説明する。なお、以下の説明において、第１の実施形態と同一又は略同一の機能を有する構成要素については、同一符号を付し、必要な場合にのみ重複説明する。

第１の実施形態では、検出器番号８１５ごとに機械学習モデル８２０が学習及び／又は強化学習される場合を例として説明した。一方で、機械学習モデルは、任意の１つの検出器１１０に関して学習及び／又は強化学習されてもよい。

まず、本実施形態に係る学習用データセット８５０の生成について説明する。図８は、本実施形態に係る機械学習モデル８６０の学習及び／又は強化学習と、機械学習モデル８６０を用いた画像補正とについて説明するための図である。なお、以下の説明は、図３の第１の実施形態に係る学習用データ生成処理と比較しながら行う。以下、検出器番号３の検出器１１０の故障を想定して機械学習モデルが学習及び／又は強化学習される場合を例として説明する。

モデル生成機能７１５を実現する処理回路７１は、ステップＳ１０１と同様にしてＰＥＴデータメモリ７２から収集データを読み出す。モデル生成機能７１５を実現する処理回路７１は、読み出した収集データを用いて模擬故障データを生成する。本実施形態では、検出器１１０ごとの模擬故障データが生成されるステップＳ１０２とは異なり、検出器番号３の検出器１１０に関する収集データを除くことにより、検出器番号３に関する模擬故障データが生成される。再構成機能７１１を実現する処理回路７１は、ステップＳ１０３及びステップＳ１０４と同様にして、正常画像８５３及び模擬故障画像８５７を生成する。つまり、正常画像８５３及び模擬故障画像８５７は、それぞれ、元の収集データ及び検出器番号３に関する模擬故障データに関する画像再構成により得られた再構成画像である。モデル生成機能７１５を実現する処理回路７１は、検出器番号３に関する学習用データ８５１を生成する。本実施形態に係る学習用データセット８５０には、複数の収集データに関して同一の検出器１１０の故障を想定して生成された複数の学習用データ８５１が含まれ得る。学習用データ８５１は、正常画像８５３及び模擬故障画像８５７を含む。本実施形態に係る学習用データ８５１は、任意の１つの検出器１１０の故障を想定して生成されている。このため、学習用データ８５１には、ステップＳ１０５で生成された学習用データ８１１とは異なり、検出器番号は含まれていない。ただし、図８に示す例では、学習用データ８５１の生成時に故障を想定した検出器１１０を示すために、学習用データ８５１内に検出器番号８５５が示されている。生成された学習用データセット８５０は、メモリ７５に記憶される。

次に、本実施形態に係る機械学習モデル８６０の学習及び／又は強化学習について、図８を参照して説明する。モデル生成機能７１５を実現する処理回路７１は、メモリ７５から、学習用データ生成処理により生成された学習用データセット８５０を読み出す。モデル生成機能７１５を実現する処理回路７１は、図８に示すように、学習用データ８５１を用いて機械学習モデル８６０を学習及び／又は強化学習する。具体的には、モデル生成機能７１５を実現する処理回路７１は、学習用データ８５１に関して、機械学習モデル８６０の入力端に模擬故障画像８５７を入力し、出力端に正常画像８５３を入力する。このようにして、任意の１つの検出器１１０の故障を想定した機械学習モデル８４０が生成される。

次に、本実施形態に係る縮退運転における各部の動作例について、図８を参照して説明する。なお、以下の説明は、図５の第１の実施形態に係る縮退運転処理と比較しながら行う。以下、検出器番号１～検出器番号ＮのＮ個の検出器１１０のうち、検出器番号５の検出器１１０に関して故障が検知される場合を例として説明する。

撮像制御機能７１３を実現する処理回路７１は、ステップＳ２０１と同様にして、縮退運転を実施するか否かを判定する。縮退運転が開始された後、撮像制御機能７１３を実現する処理回路７１は、ステップＳ２０２と同様にして、故障が検知された検出器番号５の検出器１１０を停止させる。撮像制御機能７１３を実現する処理回路７１は、ステップＳ２０３と同様にして、ＰＥＴ撮像を実行し、故障データを取得する。再構成機能７１１を実現する処理回路７１は、ステップＳ２０４と同様にして、取得された故障データに関する画像再構成により、故障画像８０１を生成する。補正処理機能７１６を実現する処理回路７１は、ステップＳ２０５と同様にして、故障検出器番号８０３を取得する。

なお、本実施形態に係る機械学習モデル８６０は、第１の実施形態に係る機械学習モデル８２０とは異なり、検出器番号ごとに学習されていない。このため、本実施形態に係る縮退運転処理では、ステップＳ２０６に相当する処理は実行されない。一方で、本実施形態に係る縮退運転処理では、学習用データ８５１の生成時に故障を想定した検出器１１０と、故障検出器番号８０３の示す実際に故障した検出器１１０とが異なり得る。

そこで、本実施形態に係る補正処理機能７１６を実現する処理回路７１は、故障画像８０１を、学習用データ８５１の生成時に故障を想定した検出器１１０の検出器番号８５５に相当する故障画像８０２に変換する。ここで、本実施形態に係る補正処理機能７１６を実現する処理回路７１は、補正部の一例である。具体的には、補正処理機能７１６を実現する処理回路７１は、検出器番号５に関する故障画像８０１に対して座標系を回転する回転処理を施すことにより、検出器番号３に相当する故障画像８０２を生成する。故障画像８０１全体が回転されてもよいし、故障画像８０１に含まれる、検出器番号５の検出器１１０に関するＬＯＲの欠落に起因するアーチファクト成分のみが回転されてもよい。ここで、回転処理は、検出器番号３の検出器１１０と、検出器番号５の検出器１１０との間の検出器リング１１における取り付けの角度（検出器リング１１の中心軸回りの角度）の差に基づいて行われる。検出器１１０の検出器リング１１における取り付けの角度は、例えば、各検出器１１０から検出器リング１１の中心に向かう方向により規定することができる。学習用データ８５１の生成時に故障を想定した検出器１１０の検出器番号８５５及び各検出器１１０の取り付けの角度は、例えばメモリ７５に記憶されている。

なお、各検出器１１０の取り付けの角度に限らず、学習用データ８５１の生成時に故障を想定した検出器１１０に対する各検出器１１０の取り付けの角度の差が記憶されていてもよい。また、隣接する２つの検出器１１０に関する相対角度が検出器リング１１の全周に亘って一定であるときには、隣接する２つの検出器１１０に関する相対角度が記憶されていてもよい。また、取り付けの角度（検出器リング１１の中心軸回りの角度）は、故障を想定した検出器１１０の位置と相関がある。このため、取り付けの角度に代えて、取り付けの位置（検出器リング１１内の位置）に関する情報が記憶されていてもよい。取り付けの角度や取り付けの位置に関する情報は、位置情報の一例である。

その後、補正処理機能７１６を実現する処理回路７１は、機械学習モデル８６０を用いて検出器番号３に相当する補正画像８０４を生成する。具体的には、補正処理機能７１６を実現する処理回路７１は、検出器番号３に相当する故障画像８０２が入力された機械学習モデル８６０の出力を、検出器番号３に相当する補正画像８０４として取得する。補正処理機能７１６を実現する処理回路７１は、検出器番号３に相当する補正画像８０４に対して回転処理を施すことにより、検出器番号５に関する補正画像８０５を生成する。補正画像８０４に対して施される回転処理では、故障画像８０１に対して施された回転処理に応じて、補正画像８０４全体が回転されてもよいし、補正画像８０４に含まれる、検出器番号３に関する検出器１１０の欠落に起因するアーチファクト成分のみが回転されてもよい。表示制御機能７１４を実現する処理回路７１は、ステップＳ２０８と同様にして、生成された補正画像８０５等を表示回路７４に表示する。

なお、本実施形態では、故障した検出器１１０が検出器番号５の１つの検出器１１０である場合を例として説明したが、本技術は、２つ以上の検出器が故障した場合であっても適用可能である。例えば、故障検出器番号８０３に、検出器番号５に加えて検出器番号７が含まれるとする。このとき、補正画像８０５は、上述したように検出器番号５に関しては補正されているが、検出器番号７に関しては補正されていない。そこで、補正処理機能７１６を実現する処理回路７１は、補正画像８０５を、検出器番号７に関する故障画像８０１として、機械学習モデル８６０を用いた補正処理をさらに実行する。このとき、補正画像８０５には、検出器番号３及び検出器番号７の２つの検出器１１０の間の相対角度に基づいて回転処理が施される。なお、検出器番号７に関する故障画像８０１として、検出器番号３に相当する補正画像８０４が用いられてもよい。このとき、回転処理は、検出器番号３に対する検出器番号５及び検出器番号７の相対角度の差に基づいて施されればよい。

なお、複数の検出器１１０のうち、任意の１つの検出器１１０に関して学習用データ８５１が生成される場合を例として説明したが、これに限らない。例えば、検出器番号９に関する模擬故障データを再構成して得られた模擬故障画像を変換することにより、検出器番号３に相当する模擬故障画像が生成されてもよい。この構成によれば、１つの収集データから、検出器１１０の数だけ学習用データ８５１を生成することができる。つまり、学習用データセット８５０の生成が容易になるという効果がある。

なお、本実施形態では、検出器番号５に関する故障画像８０１を回転させることにより、検出器番号３に相当する故障画像８０２が生成される場合を例として説明したが、これに限らない。例えば、検出器番号３に相当する故障画像８０２は、検出器番号３に相当するように回転された検出器番号５に関する模擬故障データの画像再構成により生成されてもよい。

このように、本実施形態に係る医用画像処理装置が搭載された核医学診断装置の一例であるＰＥＴ装置１において、処理回路７１は、任意の１つの検出器１１０の故障を模擬した模擬故障画像８５７と、全検出器１１０が正常な状態での正常画像８５３とを用いて機械学習モデル８６０を学習及び／又は強化学習する。また、処理回路７１は、任意の１つの検出器１１０の故障に関して学習された機械学習モデル８４０を用いて、学習用データ８５１の生成時に故障を想定した検出器番号８５５に相当する故障画像８０２を補正する。また、処理回路７１は、補正後の故障画像８０４を変換して補正画像８０５を生成する。この構成によれば、より簡易に機械学習モデル８６０を学習及び／又は強化学習することができる。

上記の各実施形態に係る医用画像処理装置及び医用画像処理方法において、図５に示すように、ステップＳ２０３でＰＥＴ撮像が行われた後、ステップＳ２０５で故障検出器番号８０３が取得される。このため、ＰＥＴ撮像中に新たに検出器１１０が故障した場合であっても、正常時に相当する画質の画像データを生成することができる。なお、上記の各実施形態では、機械学習モデルを用いた画像補正が縮退運転中に実行される場合を例として説明しているが、これに限らない。通常のＰＥＴ撮像中に検出器１１０が故障した場合であっても、ＰＥＴ撮像の後に故障検出器番号８０３が取得されるため、正常時に相当する画質の画像データを生成することができる。

上記の各実施形態に係る医用画像処理装置及び医用画像処理方法において、補正画像８０５とともに通知や補正前の故障画像８０１、故障検出器番号８０３が表示される。この構成によれば、ユーザは、正常時に相当する画質の画像データであっても、機械学習モデルを用いて補正された画像であることを認識できる。また、ユーザは、故障した検出器１１０を修理した後に、再度ＰＥＴ撮像を実施するかを判断することもできる。

なお、上記の各実施形態に係る医用画像処理装置及び医用画像処理方法において、各機械学習モデルは、縮退運転時等に得られた故障画像８０１と、故障画像８０１が入力された機械学習モデルが出力する補正画像８０５とを用いて強化学習されてもよい。

なお、上記の各実施形態では、任意の検出器番号に関する収集データを除外することにより生成された模擬故障データを用いて学習用データを生成する医用画像処理装置及び医用画像処理方法を例として説明したが、これに限らない。模擬故障データは、任意の検出器番号の検出器１１０を停止させた状態でＰＥＴ撮像を行うことにより収集されてもよい。この構成によれば、故障時と同様の状態で模擬故障データを得ることができるため、より故障時に得られる故障データに近似した模擬故障データを生成できる。

なお、上記の各実施形態では、複数の検出器リング１１に亘って体軸方向に並ぶ複数の検出器１１０が同様に取り扱われる医用画像処理装置及び医用画像処理方法を例として説明したが、これに限らない。上記の各実施形態に係る技術は、複数の検出器リング１１の全検出器１１０に対して適用されてもよい。例えば、第１の実施形態に係るＰＥＴ装置１では、複数の検出器リング１１の全検出器１１０に関する学習用データ８１１が生成される。例えば、第２の実施形態に係るＰＥＴ装置１では、複数の検出器リング１１の全検出器１１０に関して故障パターンが設定される。

なお、上記の各実施形態では、機械学習モデルを用いて故障時に得られた故障画像８０１を補正する医用画像処理装置及び医用画像処理方法を例として説明したが、これに限らない。故障画像８０１の補正は、例えば、確率的にＬＯＲの数を補間することにより行われてもよい。確率的なＬＯＲの数の補間は、例えば、同時計数時間幅（Time Window）や放射性同位体の投与量、放射性同位体の投与位置等に基づいて行われる。

なお、上記の各実施形態では、機械学習モデルの入力及び出力として再構成画像が用いられる医用画像処理装置及び医用画像処理方法を例として説明したが、これに限らない。機械学習モデルの入力及び／又は出力は、収集データや模擬故障データ、故障データ等の生データであってもよい。この構成であっても、上述の実施形態と同様の効果が得られる。また、生データは、同時計数前のデータであってもよい。この構成の場合データ数が多くなるが、故障検出器の対向データが含まれるため、より精度の高い補正が可能となる。

なお、上記の各実施形態に係る医用画像処理装置及び医用画像処理方法において、収集データ及びＰＥＴ画像は、それぞれ、各実施形態に係る医用画像処理装置を搭載したＰＥＴ装置１の外部において収集及び再構成されていてもよい。

なお、上記の各実施形態では、医用画像処理装置がＰＥＴ装置１に搭載される場合を例として説明したが、これに限らない。各実施形態に係る医用画像処理装置は、例えば、ＰＥＴ装置以外の核医学診断装置や核医学診断装置の外部に設けられた画像処理サーバ等に搭載されていてもよい。また、各実施形態に係る医用画像処理装置は、単体の独立した装置として構成されていてもよい。医用画像処理装置としては、少なくとも、ＰＥＴデータメモリ７２及びメモリ７５に相当する記憶回路と、モデル生成機能７１５及び補正処理機能７１６を実現する処理回路７１に相当する処理回路とを有していればよい。ユーザ操作を伴う場合には、医用画像処理装置は、入力回路７３及び表示回路７４にそれぞれ相当する入力回路及び表示回路をさらに有する。

以上説明した少なくとも１つの実施形態によれば、検出器が故障している状態であっても、正常時に相当する画質の画像データを生成することができる。

上記説明において用いた「プロセッサ」という文言は、例えば、ＣＰＵ、ＧＰＵ、ＡＳＩＣ、プログラマブル論理デバイス（Programmable Logic Device：ＰＬＤ）等の回路を意味する。ＰＬＤは、ＳＰＬＤ、ＣＰＬＤ、ＦＰＧＡを含む。プロセッサは記憶回路に保存されたプログラムを読み出し実行することで機能を実現する。プログラムが保存された記憶回路は、コンピュータ読取可能な非一時的記録媒体である。なお、記憶回路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構成しても構わない。この場合、プロセッサは回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。また、プログラムを実行するのではなく、論理回路の組合せにより当該プログラムに対応する機能を実現してもよい。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、図１における複数の構成要素を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。

なお、処理回路７１は、故障画像８０１を入力して補正画像８０５を出力するようにパラメータが学習された各実施形態に係る機械学習モデルと同様の機能を実現する回路構成を有していてもよい。当該回路構成は、例えば、ＡＳＩＣやＰＬＤ等の集積回路により実現される。

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…ＰＥＴ装置（医用画像処理装置）、
１０…ガントリ、
１１…検出器リング、
１３…信号処理回路、
１５…同時計数回路、
５０…寝台、
５１…基台、
５２…支持フレーム、
５３…天板、
５４…寝台駆動装置、
７０…コンソール（医用画像処理装置）、
７１…処理回路（医用画像処理装置）、
７２…ＰＥＴデータメモリ、
７３…入力回路、
７４…表示回路、
７５…メモリ、
１１０…検出器（ＰＥＴ検出器、第１のＰＥＴ検出器、第２のＰＥＴ検出器）、
１１３…シンチレータ、
１１５…光電子増倍管、
７１１…再構成機能（取得部）、
７１２…画像処理機能、
７１３…撮像制御機能（特定部）、
７１４…表示制御機能、
７１５…モデル生成機能、
７１６…補正処理機能（処理部、特定部、補正部）、
８０１、８０２…故障画像（第１の医用データ）、
８０３…故障検出器番号、
８０４、８０５…補正画像（第２の医用データ）、
８１０、８３０、８５０…学習用データセット、
８１１、８３１、８５１…学習用データ、
８１３、８３３、８５３…正常画像（学習用の第２の医用データ）、
８１５、８３５、８５５…検出器番号、
８１７、８３７、８５７…模擬故障画像（学習用の第１の医用データ）、
８２０、８２１、８２３、８４０、８６０…機械学習モデル。

Claims (14)

1. リング形状に配列された複数のＰＥＴ検出器のうち、第１のＰＥＴ検出器に関するデータを含まない第１の医用データを取得する取得部と、
   前記取得された第１の医用データから、前記第１のＰＥＴ検出器に関するデータを含む第２の医用データを、機械学習モデルに従い生成する処理部と
   を具備し、
   前記機械学習モデルは、リング形状に配列された複数のＰＥＴ検出器ごとに学習される、医用画像処理装置。
2. 前記複数のＰＥＴ検出器のうち故障したＰＥＴ検出器を特定する特定部をさらに備え、
   前記処理部は、前記故障したＰＥＴ検出器に関する機械学習モデルを選択する、
   請求項１に記載の医用画像処理装置。
3. 前記処理部は、前記故障したＰＥＴ検出器として複数のＰＥＴ検出器が特定されたとき、前記特定された複数のＰＥＴ検出器に関する複数の機械学習モデルを直列に接続する、請求項２に記載の医用画像処理装置。
4. 前記取得された第１の医用データは、前記第１のＰＥＴ検出器とは異なる第２のＰＥＴ検出器に基づくデータをさらに含まない、請求項１に記載の医用画像処理装置。
5. 前記機械学習モデルは、前記第１の医用データとともに前記第１及び第２のＰＥＴ検出器の検出器番号に基づいて、前記第２の医用データを出力するように学習されている、請求項４に記載の医用画像処理装置。
6. 前記複数のＰＥＴ検出器のうち故障したＰＥＴ検出器を特定する特定部をさらに備え、
   前記処理部は、前記機械学習モデルに従い、前記第１の医用データとともに前記特定されたＰＥＴ検出器の検出器番号から前記第２の医用データを生成する、
   請求項４に記載の医用画像処理装置。
7. 前記複数のＰＥＴ検出器のうち故障したＰＥＴ検出器を特定する特定部と、
   前記第１のＰＥＴ検出器及び前記故障したＰＥＴ検出器の位置情報に基づいて、前記機械学習モデルが出力する前記第２の医用データを補正する補正部と
   をさらに備える、請求項１に記載の医用画像処理装置。
8. 前記補正部は、前記第１のＰＥＴ検出器及び前記故障したＰＥＴ検出器の位置情報に基づいて、前記第１の医用データを補正し、
   前記処理部は、前記機械学習モデルに従い、前記補正された第１の医用データから前記第２の医用データを生成する、
   請求項７に記載の医用画像処理装置。
9. 前記補正部は、前記故障したＰＥＴ検出器として複数のＰＥＴ検出器が特定されたとき、前記第１のＰＥＴ検出器及び前記複数の故障したＰＥＴ検出器の位置情報に基づいて、前記第２の医用データ又は前記補正された第２の医用データを補正し、
   前記処理部は、前記機械学習モデルに従い、前記補正された第２の医用データから第２の医用データを生成する、
   請求項７に記載の医用画像処理装置。
10. 学習用の第１の医用データは、学習用の第２の医用データから、前記第１のＰＥＴ検出器で取得されたデータを除外して生成される、請求項１に記載の医用画像処理装置。
11. 学習用の第１の医用データは、前記第１のＰＥＴ検出器に関するデータ収集を停止した状態で取得される、請求項１に記載の医用画像処理装置。
12. 前記第１及び／又は第２の医用データは、リストモードデータ、ヒストグラムデータ又は再構成画像である、請求項１に記載の医用画像処理装置。
13. 前記第１の医用データは、前記第１のＰＥＴ検出器に関するデータを含まず、かつ、前記複数のＰＥＴ検出器のうち、前記第１のＰＥＴ検出器以外のＰＥＴ検出器に関するデータを含み、前記第２の医用データは、前記第１のＰＥＴ検出器に関するデータを含み、かつ、前記複数のＰＥＴ検出器のうち、前記第１のＰＥＴ検出器以外のＰＥＴ検出器に関するデータを含む、請求項１に記載の医用画像処理装置。
14. リング形状に配列された複数のＰＥＴ検出器のうち、第１のＰＥＴ検出器に関するデータを含まない第１の医用データを取得し、前記取得された第１の医用データから、前記第１のＰＥＴ検出器に関するデータを含む第２の医用データを、リング形状に配列された複数のＰＥＴ検出器ごとに学習された機械学習モデルに従い生成することを含む医用画像処理方法。

Images