JP7238185B1 - 画像生成装置、医用装置、および記憶媒体 - Google Patents

Abstract

【課題】画質の劣化が低減された仮想単色Ｘ線画像を提供する。【解決手段】第１のエネルギー（５０keV）の仮想単色Ｘ線画像（ａ１～ａｚ）のシリーズＡと、第２のエネルギー（７０keV）の仮想単色Ｘ線画像（ｂ１～ｂｚ）のシリーズＢを再構成すること、再構成された第２のエネルギー（７０keV）の仮想単色Ｘ線画像（ｂ１～ｂｚ）に基づいて作成された入力画像を学習済みモデル７１に入力し、前記学習済みモデル７１を用いて、第１のエネルギー（５０keV）の仮想単色Ｘ線画像（ｃ１～ｃｚ）のシリーズＣを推論すること、前記再構成された第１のエネルギー（５０（keV））の仮想単色Ｘ線画像（ａ１～ａｚ）のシリーズＡと、前記推論された第１のエネルギー（５０（keV））の仮想単色Ｘ線画像（ｃ１～ｃｚ）のシリーズＣとに基づいて、補正された第１のエネルギーの仮想単色Ｘ線画像（ｄ１～ｄｚ）のシリーズＤを生成する。【選択図】図４

Description

本発明は、撮影対象の仮想単色Ｘ線画像を生成する画像生成装置、当該画像生成装置を含む医用装置、および撮影対象の仮想単色Ｘ線画像を生成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装置が知られている。ＣＴ装置は、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装置は、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装置は、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。

特許第６０３１６１８号公報

ＣＴ装置の撮影技術として、ＳＥＣＴ（Single Energy CT）が知られている。ＳＥＣＴは、Ｘ線管の陰極－陽極管に所定の電圧（例えば、１２０ｋＶｐ）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、ＳＥＣＴ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、異なる物質の同定が難しい場合がある。

そこで、ＤＥＣＴ（Dual Energy CT）の技術が研究、開発されている。ＤＥＣＴ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、ＤＥＣＴに対応したＣＴ装置も市販されている。ＤＥＣＴの技術は応用範囲が広く、例えば、各エネルギーの仮想単色Ｘ線画像を再構成する技術にも使用することができる。

一方、ＤＥＣＴに対応したＣＴ装置を導入していない医療機関も多い。そこで、ＤＥＣＴに対応したＣＴ装置を導入していない医療機関であっても、仮想単色Ｘ線画像を使用した診断を提供することができるように、深層学習を利用して、ＳＥＣＴにより取得された画像から仮想単色Ｘ線画像を推論する技術も研究、開発されている。

しかし、ＤＥＣＴの技術で再構成された仮想単色Ｘ線画像については、ＤＥＣＴの原理上、低いエネルギーの仮想単色Ｘ線画像を作成する際に画質が劣化する（例えば、ノイズが増加する、画像テクスチャが劣化する）という問題がある。

そこで、画質の劣化が低減された仮想単色Ｘ線画像を提供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、撮影対象から収集されたデータに基づいて、第１のエネルギーの仮想単色Ｘ線画像と、第２のエネルギーの仮想単色Ｘ線画像を再構成すること、
前記再構成された第２のエネルギーの仮想単色Ｘ線画像に基づいて作成された入力画像を学習済みモデルに入力し、前記学習済みモデルを用いて、第１のエネルギーの仮想単色Ｘ線画像を推論すること、
前記再構成された第１のエネルギーの仮想単色Ｘ線画像と、前記推論された第１のエネルギーの仮想単色Ｘ線画像とに基づいて、補正された第１のエネルギーの仮想単色Ｘ線画像を生成すること、
を含む動作を実行する１つまたは複数のプロセッサを含む画像生成装置である。

また、本発明の第２の観点は、撮影対象から収集されたデータに基づいて、第１のエネルギーの仮想単色Ｘ線画像と、第２のエネルギーの仮想単色Ｘ線画像を再構成すること、
前記再構成された第２のエネルギーの仮想単色Ｘ線画像に基づいて作成された入力画像を学習済みモデルに入力し、前記学習済みモデルを用いて、第１のエネルギーの仮想単色Ｘ線画像を推論すること、
前記再構成された第１のエネルギーの仮想単色Ｘ線画像と、前記推論された第１のエネルギーの仮想単色Ｘ線画像とに基づいて、補正された第１のエネルギーの仮想単色Ｘ線画像を生成すること、
を含む動作を実行する１つまたは複数のプロセッサを含む医用装置である。

本発明の第３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、
撮影対象から収集されたデータに基づいて、第１のエネルギーの仮想単色Ｘ線画像と、第２のエネルギーの仮想単色Ｘ線画像を再構成させること、
前記再構成された第２のエネルギーの仮想単色Ｘ線画像に基づいて入力画像を作成させること、
前記入力画像を学習済みモデルに入力し、前記学習済みモデルを用いて、第１のエネルギーの仮想単色Ｘ線画像を推論させること、
前記再構成された第１のエネルギーの仮想単色Ｘ線画像と、前記推論された第１のエネルギーの仮想単色Ｘ線画像とに基づいて、補正された第１のエネルギーの仮想単色Ｘ線画像を生成させること、
を含む動作を実行させる、記憶媒体である。

再構成された第２のエネルギーの仮想単色Ｘ線画像に基づいて、第１のエネルギーの仮想単色Ｘ線画像を推論する場合、推論された第１のエネルギーの仮想単色Ｘ線画像は、再構成された第２のエネルギーの仮想単色Ｘ線画像の画質を引き継ぐ傾向がある。したがって、再構成された第２のエネルギーの仮想単色Ｘ線画像として、再構成された第１のエネルギーの仮想単色Ｘ線画像よりも良好な画質を有する画像を使用することにより、推論された第１のエネルギーの仮想単色Ｘ線画像は、再構成された第２のエネルギーの仮想単色Ｘ線画像の良好な画質を引き継ぐことができる。このため、再構成された第２のエネルギーの仮想単色Ｘ線画像に基づいて、第１のエネルギーの仮想単色Ｘ線画像を推論することにより、再構成された第１のエネルギーの仮想単色Ｘ線画像では低画質であった領域の画質が改善された第１のエネルギーの仮想単色Ｘ線画像を推論することができる。

このように、本発明では、再構成された第１のエネルギーの仮想単色Ｘ線画像では低画質であった領域の画質が改善された第１のエネルギーの仮想単色Ｘ線画像を推論することができる。したがって、再構成された第１のエネルギーの仮想単色Ｘ線画像と、推論された第１のエネルギーの仮想単色Ｘ線画像とに基づいて、補正された第１のエネルギーの仮想単色Ｘ線画像を生成することにより、画質が改善された第１のエネルギーの仮想単色Ｘ線画像を得ることができる。

第１の実施形態におけるＣＴシステム１００の斜視図である。 本実施形態におけるＣＴシステム１００のブロック図である。 画質が改善された仮想単色Ｘ線画像を取得するための手法の基本的な考え方を説明するためのフロー図である。 品質が改善された第１のエネルギーＥ１の仮想単色Ｘ線画像を取得するフローを示す図である。 ステップＳＴ４において、補正された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ｄ１～ｄｚのシリーズＤを生成する方法の説明図である。 ステップＳＴ４２において、軟組織の可能性が高い領域を特定する方法の説明図である。 ステップＳＴ４５の一例を示す図である。 重付け係数の決定方法の説明図である。 第２の実施形態におけるステップＳＴ４５のフロー図である。 ＤＥＣＴにより再構成された仮想単色Ｘ線画像と、本発明の手法により生成された仮想単色Ｘ線画像とを示す図である。

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。

図１は、第１の実施形態におけるＣＴシステム１００の斜視図、図２は、本実施形態におけるＣＴシステム１００のブロック図である。

ＣＴシステム１００は、ガントリ１０２を有している。ガントリ１０２は開口部を有しており、その開口部に撮影対象１１２が搬送され、撮影対象１１２をスキャンする。

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が印加されることにより、Ｘ線を発生させるものである。第１の実施形態では、Ｘ線管１０４は、Rapid kV switching方式に対応したＸ線管である。

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、患者などの撮影対象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。

検出器アレイ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からの制御信号に基づいてＸ線管１０４を制御する。第１の実施形態では、Ｘ線コントローラ２１０は、Ｘ線管１０４の陰極－陽極管に印加される電圧を第１の電圧と第２の電圧との間で高速で切り替えながら、Ｘ線管１０４からＸ線ビームが照射されるように、Ｘ線管１０４を制御することができる。また、ガントリモータコントローラ２１２は、コンピュータ２１６からの制御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、および／もしくは同様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されていてもよい。

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の開口部内で撮影対象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。コンピュータ２１６および画像再構成器２３０は画像生成装置として機能する。

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ディスプレイ２３２に送信することができる。

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、ＤＥＣＴの技術を使用した撮影を行うことができる。本実施形態では、ＣＴシステム１００は、Rapid kV switching方式により、ＤＥＣＴイメージングを実行することができるように構成されている。ＤＥＣＴ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、応用範囲が広く、例えば、各エネルギーの仮想単色Ｘ線画像を再構成する技術にも使用することができる。仮想単色Ｘ線画像は、ビームハードニングアーチファクトを抑制することや金属アーチファクトを低減することできるなどのメリットがある。したがって、ＤＥＣＴの技術を搭載したＣＴ装置を導入する医療機関が年々増加してきている。

しかし、ＤＥＣＴに対応したＣＴ装置を導入していない医療機関も存在する。そこで、ＤＥＣＴに対応したＣＴ装置を導入していない医療機関であっても、仮想単色Ｘ線画像を使用した診断を提供することができるように、深層学習を利用して、ＳＥＣＴにより取得された画像から仮想単色Ｘ線画像を推論する技術も研究、開発されている。

このように、ＤＥＣＴ技術は、患者の診断をする上で非常に有用な技術である。一方で、ＤＥＣＴの技術は様々な問題も含んでいる。例えば、ＤＥＣＴの技術は、異なるエネルギーの仮想単色Ｘ線画像を再構成することができるが、ＤＥＣＴの原理上、低いエネルギーの仮想単色Ｘ線画像を再構成する際にノイズが増加するという問題がある。

そこで、本願発明者は、鋭意研究し、高品質の仮想単色Ｘ線画像を生成することを考え出した。以下に、本実施形態において、高品質の仮想単色Ｘ線画像を得るための基本的な考え方について説明する。

先に説明したように、ＤＥＣＴに対応したＣＴ装置を導入していない医療機関であっても、仮想単色Ｘ線画像を使用した診断を提供することができるように、深層学習を利用して仮想単色Ｘ線画像を推論する技術が研究、開発されている。例えば、ニューラルネットワークに、ＤＥＣＴにより収集された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、この学習済みニューラルネットワークを用いて仮想単色Ｘ線画像を推論する技術が研究、開発されている。本願発明者らは、学習済みニューラルネットワークを用いて仮想単色Ｘ線画像を推論する技術を検討していく過程で、仮想単色Ｘ線画像の画質に、特徴的な傾向が見られることに気が付いた。

具体的には、本願発明者らは、学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像が、学習済みニューラルネットワークに入力される入力画像の画質（例えば、画像のテクスチャ、画像のノイズ）の特徴を引き継ぐ傾向があるという知見を得た。本実施形態では、この知見を利用して、仮想単色Ｘ線画像の画質改善を実現している。以下に、画質が改善された仮想単色Ｘ線画像を取得するための手法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、画質が改善された仮想単色Ｘ線画像を取得するための手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、ＤＥＣＴの技術を利用して撮影対象をスキャンする。ＤＥＣＴ技術を利用したスキャンとしては、例えば、Rapid kV switching 方式を用いたスキャンを実行することができる。

ステップＳＴ２では、ステップＳＴ１で取得したデータに基づいて、複数のエネルギーＥｉ（ｉ＝１～ｎ）の仮想単色Ｘ線画像を再構成する。ここでは、複数のエネルギーＥｉ（ｉ＝１～ｎ）の仮想単色Ｘ線画像として、ｉ＝１、すなわち、第１のエネルギーＥ１の仮想単色Ｘ線画像ａ１－ａｚのシリーズＡと、ｉ＝２、すなわち、第２のエネルギーＥ２の仮想単色Ｘ線画像ｂ１―ｂｚのシリーズＢを再構成することを考える。第１のエネルギーＥ１は、例えば、５０（keV）であり、第２のエネルギーＥ２は、例えば、７０（keV）である。

第１のエネルギーＥ１の仮想単色Ｘ線画像ａ１－ａｚのシリーズＡは、低エネルギーの仮想単色Ｘ線画像であり、ＤＥＣＴの原理上、画質が劣化する傾向がある。一方、ＤＥＣＴの技術により再構成される複数のエネルギーＥｉ（ｉ＝１～ｎ）の仮想単色Ｘ線画像の中には、５０（keV）などの低エネルギーの仮想単色Ｘ線画像よりも画質の劣化が少ない第２のエネルギーの仮想単色Ｘ線画像が存在する。例えば、第２のエネルギーＥ２が70（keV）の仮想単色Ｘ線画像は、第１のエネルギーＥ１が５０（keV）の仮想単色Ｘ線画像よりも、良好な画質を有することが知られている。

一方、先に述べたように、本願発明者らは、学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像が、学習済みニューラルネットワークに入力される入力画像の画質（例えば、画像のテクスチャ、画像のノイズ）の特徴を引き継ぐ傾向があることを見いだしている。したがって、深層学習の技術を利用して、画質の劣化が比較的少ない第２のエネルギーＥ２（７０keV）の仮想単色Ｘ線画像ｂ１―ｂｚのシリーズＢに基づいて、第１のエネルギーＥ１の仮想単色Ｘ線画像ｃ１―ｃｚのシリーズＣを推論した場合、推論された画像シリーズＣは、画質の劣化が少ない画像シリーズＢの画質を引き継ぐと考えられる。このため、再構成された第１のエネルギーＥ１の仮想単色Ｘ線画像ａ１－ａｚのシリーズＡでは低画質で描出された領域が、推論された第１のエネルギーＥ１の仮想単色Ｘ線画像ｃ１―ｃｚのシリーズＣでは画質が改善された領域として描出できると考えられる。

そこで、本実施形態では、ステップＳＴ３において、深層学習の技術を利用して、第２のエネルギーＥ２（７０keV）の仮想単色Ｘ線画像ｂ１―ｂｚのシリーズＢに基づいて、第１のエネルギーＥ１の仮想単色Ｘ線画像ｃ１―ｃｚのシリーズＣを推論する。

次に、ステップＳＴ４において、再構成された第１のエネルギーＥ１の仮想単色Ｘ線画像ａ１―ａｚのシリーズＡと、推論された第１のエネルギーＥ１の仮想単色Ｘ線画像ｃ１－ｃｚのシリーズＣに基づいて、補正された第１のエネルギーＥ１の仮想単色Ｘ線画像ｄ１―ｄｚのシリーズＤを生成する。したがって、品質が改善された第１のエネルギーＥ１の仮想単色Ｘ線画像ｄ１―ｄｚのシリーズＤを取得することができると考えられる。

本願発明者は、上記の原理に従って、品質が改善された第１のエネルギーの仮想単色Ｘ線画像を取得することを考えた。

以下に、上記の原理に従って、品質が改善された第１のエネルギーＥ１の仮想単色Ｘ線画像を取得するフローについて説明する。

図４は、品質が改善された第１のエネルギーＥ１の仮想単色Ｘ線画像を取得するフローを示す図である。
尚、図３を参照しながら説明したように、本実施形態では、第２のエネルギーＥ２の仮想単色Ｘ線画像から第１のエネルギーＥ１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モデル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、この学習済みモデルを生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、上記の原理に従って高品質な第１のエネルギーの仮想単色Ｘ線画像を取得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、トレーニングデータを生成するための元になる原画像を用意する。
第１の実施形態では、原画像として、ＤＥＣＴにより取得された異なるエネルギーＥｉ（ｉ＝１～ｎ）の仮想単色Ｘ線画像を用意する。

本実施形態では、仮想単色Ｘ線画像のエネルギーＥｉとして、第１のエネルギーＥ１（ｉ＝１）と、第２のエネルギーＥ２（ｉ＝２）の２つのエネルギーを考えることにする。第１のエネルギーＥ１は５０（keV）であり、第２のエネルギーＥ２は７０（keV）である。したがって、原画像として、第１のエネルギーＥ１（＝５０（keV））の仮想単色Ｘ線画像のセットＶと、第２のエネルギーＥ２（＝７０（keV））の仮想単色Ｘ線画像のセットＷを用意する。尚、３種類に以上のエネルギーＥ１～Ｅｎ（ｎ≧３）の仮想単色Ｘ線画像を原画像として用意してもよい。

次に、これらの仮想単色Ｘ線画像のセットＶおよびＷに対して、図４に示すように、前処理６８を実行する。

前処理６８には、例えば、画像を切り出しする処理、標準化処理、正規化処理、画像反転処理、画像回転処理、拡大率変更処理、画質変更処理などがある。原画像のセットＶおよびＷを前処理することにより、前処理された仮想単色Ｘ線画像のセットＶＡおよびＷＡを得ることができる。前処理された仮想単色Ｘ線画像のセットＶＡおよびＷＡが、学習済みモデルを作成するためのトレーニングデータ６０として使用される。

次に、トレーニングデータ６０をニューラルネットワーク７０に学習させる。ニューラルネットワーク７０は、例えば、畳み込みニューラルネットワークを使用することができる。本実施形態では、７０（keV）のエネルギーの仮想単色Ｘ線画像に基づいて、５０（keV）のエネルギーの仮想単色Ｘ線画像を出力するように、ニューラルネットワーク７０を学習させ、学習済みモデル７１を作成する。

学習済みモデル７１を作成した後、学習済みモデル７１の評価を行う。評価は、例えば、混同行列（Confusion Matrix）を使用することができる。評価を表す指標としては、例えば、正解度（accuracy）を使用することができる。

評価が良好であれば、上記の学習済みモデル７１を、後述する推論（ステップＳＴ３）を実行するためのモデルとして使用する。評価が不良の場合、例えば、トレーニングデータを追加するなどして、学習フェーズを再度実行する。

この学習済みモデル７１は、ＣＴシステム１００の記憶装置２１８に記憶される。尚、学習済みモデル７１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。

本実施形態では、学習済みモデル７１を使用して高品質の仮想単色Ｘ線画像を生成している。以下に、学習済みモデル７１を使用して高品質の仮想単色Ｘ線画像を生成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、ＤＥＣＴの技術を利用して撮影対象をスキャンする。ＤＥＣＴ技術を利用したスキャンとしては、例えば、Rapid kV switching 方式を用いたスキャンを実行することができる。

ステップＳＴ２では、ステップＳＴ１で取得したデータに基づいて、複数のエネルギーＥｉ（ｉ＝１～ｎ）の仮想単色Ｘ線画像を再構成する。

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。コンピュータ２１６又は画像再構成器２３０では、プロセッサが、スキャンにより得られたデータに基づいて、異なるエネルギーの仮想単色Ｘ線画像を再構成する。第１の実施形態では、第１のエネルギーＥ１の仮想単色Ｘ線画像ａ１～ａｚのシリーズＡと、第２のエネルギーＥ２の仮想単色Ｘ線画像ｂ１～ｂｚのシリーズＢを再構成する。ここでは、第１のエネルギーＥ１は５０（keV）であり、第２のエネルギーＥ２は７０（keV）とするが、他のエネルギー値であってもよい。これらの仮想単色Ｘ線画像のシリーズＡおよびＢを再構成した後、ステップＳＴ３に進む。

ステップＳＴ３では、コンピュータ２１６が、第２のエネルギーＥ２（＝７０keV）の仮想単色Ｘ線画像ｂ１～ｂｚのシリーズＢに基づいて、第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ｃ１～ｃｚのシリーズＣを推論する推論フェーズを実行する。

推論フェーズでは、コンピュータ２１６が、第２のエネルギーＥ２（＝７０keV）の各仮想単色Ｘ線画像ｂ１～ｂｚを前処理して、学習済みモデル７１に入力される入力画像を生成する。

次に、コンピュータ２１６は、入力画像を学習済みモデル７１に入力し、学習済みモデル７１を用いて、第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ｃ１～ｃｚのシリーズＣを推論する。画像シリーズＣを推論した後、ステップＳＴ４に進む。

ステップＳＴ４では、コンピュータ２１６が、再構成された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ａ１～ａｚのシリーズＡと、推論された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ｃ１～ｃｚのシリーズＣに基づいて、補正された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ｄ１～ｄｚのシリーズＤを生成する。
この生成方法について、以下に、図５を参照しながら説明する。

図５は、ステップＳＴ４において、補正された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ｄ１～ｄｚのシリーズＤを生成する方法の説明図である。

ステップＳＴ４１において、コンピュータ２１６は、再構成された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ａ１～ａｚのシリーズＡの中から、１枚の仮想単色Ｘ線画像ａｊを取り出す。ここでは、ｊ＝１、すなわち、仮想単色Ｘ線画像ａ１を取り出すとする。仮想単色Ｘ線画像ａ１を取り出したら、ステップＳＴ４２に進む。

ステップＳＴ４２では、コンピュータ２１６が、仮想単色Ｘ線画像ａ１の中から、軟組織の可能性が高い領域を特定する。

図６は、ステップＳＴ４２において、軟組織の可能性が高い領域を特定する方法の説明図である。
図６には、ピクセルのＣＴ値が、軟組織のＣＴ値であるか否かを判断する基準となる２つの閾値ＴＨ１およびＴＨ２が示されている。閾値ＴＨ１は軟組織のＣＴ値の下限値を表しており、閾値ＴＨ２は軟組織のＣＴ値の上限値を表している。したがって、ＴＨ１≦ｖ≦ＴＨ２の範囲Ｇ１は、軟組織のＣＴ値が含まれる可能性が高い範囲を表しており、ｖ＜ＴＨ１又はＴＨ２＜ｖの範囲Ｇ２は、軟組織のＣＴ値が含まれる可能性が低い範囲を表している。軟組織のＣＴ値は、概ね－１５０（ＨＵ）～＋１５０（ＨＵ）の範囲内に含まれていることが多い。したがって、ＴＨ１およびＴＨ２は、例えば、ＴＨ１＝－１５０（ＨＵ）、ＴＨ２＝＋１５０（ＨＵ）と定めることができる。

コンピュータ２１６は、仮想単色Ｘ線画像ａ１の各ピクセルのＣＴ値ｖを、閾値ＴＨ１およびＴＨ２と比較し、ピクセルごとに、ＣＴ値ｖが、ＴＨ１≦ｖ≦ＴＨ２の範囲Ｇ１に含まれているのか、それとも、ｖ＜ＴＨ１又はＴＨ２＜ｖの範囲Ｇ２に含まれているのかを判定する。

ここでは、説明の便宜上、仮想単色Ｘ線画像ａ１の領域Ｒ１に含まれるピクセルＰ１１～Ｐ１ａのＣＴ値ｖが、ＴＨ１≦ｖ≦ＴＨ２であり、領域Ｒ２に含まれるピクセルＰ２１～Ｐ２ｂのＣＴ値ｖが、ｖ＜ＴＨ１又はＴＨ２＜ｖであるとする。

したがって、コンピュータ２１６は、仮想単色Ｘ線画像ａ１の中から、ＴＨ１≦ｖ≦ＴＨ２の範囲Ｇ１に含まれるＣＴ値ｖを有するピクセルＰ１１～Ｐ１ａを含む領域Ｒ１を、軟組織の可能性が高い第1の領域として特定する。一方、コンピュータ２１６は、仮想単色Ｘ線画像ａ１の中から、ｖ＜ＴＨ１又はＴＨ２＜ｖの範囲Ｇ２に含まれるＣＴ値を有するピクセルＰ２１～Ｐ２ｂを含む領域Ｒ２を、軟組織の可能性が低い第２の領域として特定する。

したがって、ステップＳＴ４２の処理を実行することにより、仮想単色Ｘ線画像ａ１において、軟組織に属する可能性が高いピクセルＰ１１～Ｐ１ａと、軟組織に属する可能性が低いピクセルＰ２１～Ｐ２ｂを特定することができる。

次に、コンピュータ２１６は、ステップＳＴ４３において、推論された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ｃ１～ｃｚのシリーズＣの中から、仮想単色Ｘ線画像ａ１と同じ断面の画像に対応する仮想単色Ｘ線画像ｃ１を取り出す。仮想単色Ｘ線画像ｃ１を取り出したら、ステップＳＴ４４に進む。

ステップＳＴ４４では、コンピュータ２１６は、仮想単色Ｘ線画像ｃ１の中から、軟組織の可能性が高い領域を特定する。具体的には、コンピュータ２１６は、仮想単色Ｘ線画像ｃ１の中から、ステップＳＴ４２で特定された仮想単色Ｘ線画像ａ１の領域Ｒ１に対応する領域Ｒ３を、軟組織の可能性が高い第３の領域として特定する。更に、コンピュータ２１６は、仮想単色Ｘ線画像ｃ１の中から、ステップＳＴ４２で特定された仮想単色Ｘ線画像ａ１の領域Ｒ２に対応する領域Ｒ４を、軟組織の可能性が低い第４の領域として特定する。

したがって、ステップＳＴ４４の処理を実行することにより、仮想単色Ｘ線画像ｃ１において、軟組織に属する可能性が高いピクセルＰ３１～Ｐ３ａと、軟組織に属する可能性が低いピクセルＰ４１～Ｐ４ｂを特定することができる。

次に、コンピュータ２１６は、ステップＳＴ４５に進む。ステップＳＴ４５では、再構成された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ａ１と、推論された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ｃ１とに基づいて、補正された第１のエネルギーの仮想単色Ｘ線画像ｄ１を生成する。以下に、ステップＳＴ４５のフローの一例について説明する。

図７は、ステップＳＴ４５の一例を示す図である。
ステップＳＴ４５は、ステップＳＴ４５１、ＳＴ４５２、およびＳＴ４５３を有している。以下、各ステップについて順に説明する。

ステップＳＴ４５１では、仮想単色Ｘ線画像ａ１およびｃ１の各ピクセルのＣＴ値ｖの重付け係数を決定する。

図８は、重付け係数の決定方法の説明図である。
先ず、再構成された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ａ１の領域Ｒ１の各ピクセルのＣＴ値ｖの重付け係数Ｗ１と、推論された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ｃ１の領域Ｒ３の各ピクセルのＣＴ値ｖの重付け係数Ｗ３について説明する。

再構成された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ａ１の領域Ｒ１内のピクセルＰ１１～Ｐ１ａは、ＣＴ値ｖがＴＨ１≦ｖ≦ＴＨ２に含まれるピクセルであるので、軟組織のピクセルに相当する可能性が高いと考えられる。低エネルギーの仮想単色Ｘ線画像ａ１では、軟組織の画質が劣化しやすい傾向があるので、領域Ｒ１は低画質で描出されている可能性が高いと考えられる。

一方、推論された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ｃ１は、第２のエネルギーＥ２（＝７０keV）の仮想単色Ｘ線画像ｂ１（図４参照）の良好な画質を引き継いでいる。したがって、推論された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ｃ１の領域Ｒ３の画質は、再構成された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ａ１の領域Ｒ１の画質よりも良好であると考えられる。

そこで、軟組織の領域の画質を改善するために、再構成された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ａ１の領域Ｒ１内のピクセルＰ１１～Ｐ１ａは、低画質の可能性が高いことを考慮して、ＣＴ値の重み付けを低くするための重付け係数Ｗ１を割り当てる。一方、推論された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ｃ１の領域Ｒ３のピクセルＰ３１～Ｐ３ａは、仮想単色Ｘ線画像ａ１の領域Ｒ１の画質よりも良好であることを考慮して、ＣＴ値の重み付けを高くするための重付け係数Ｗ３を割り当てる。

したがって、推論された仮想単色Ｘ線画像ｃ１の領域Ｒ３のピクセルＰ３１～Ｐ３ａの重付け係数Ｗ３は、再構成された仮想単色Ｘ線画像ａ１の領域Ｒ１のピクセルＰ１１～Ｐ１ａの重付け係数Ｗ１よりも大きい値が割り当てられる。具体的には、Ｗ１＋Ｗ３＝１を満たす条件下で、Ｗ３＞Ｗ１となるように、Ｗ１およびＷ３の値を設定する。例えば、Ｗ１＝０．３、Ｗ３＝０．７である。尚、第１の実施形態では、Ｗ１＋Ｗ３＝１であるが、Ｗ１＋Ｗ３の値は「１」からずれた値に設定することも可能である。

次に、再構成された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ａ１の領域Ｒ２の各ピクセルのＣＴ値ｖの重付け係数Ｗ２と、推論された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ｃ１の領域Ｒ４の各ピクセルのＣＴ値ｖの重付け係数Ｗ４について説明する。

仮想単色Ｘ線画像ａ１の領域Ｒ２のＣＴ値ｖは、ｖ＜ＴＨ１又はＴＨ２＜ｖの範囲に含まれているので、領域Ｒ２には空気、ガス、骨などが描出されていると考えられる。また、仮想単色Ｘ線画像ｃ１の領域Ｒ４は、仮想単色Ｘ線画像ａ１の領域Ｒ２に対応しているので、仮想単色Ｘ線画像ｃ１の領域Ｒ４にも、空気、ガス、骨などが描出されていると考えられる。一般に、空気、ガス、骨など、ＣＴ値ｖが水のＣＴ値（ゼロ）から大きく離れた値ＣＴになる領域では、ＤＥＣＴの技術により再構成された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ａ１の方が、深層学習の技術により推論された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ｃ１よりも信頼性は高いと考えられる。そこで、再構成された仮想単色Ｘ線画像ａ１の領域Ｒ２のピクセルＰ２１～Ｐ２ｂには、ＣＴ値の重み付けを高くするための重付け係数Ｗ２が割り当てられ、一方、推論された仮想単色Ｘ線画像ｃ１の領域Ｒ４のピクセルＰ４１～Ｐ４ｂには、ＣＴ値の重み付けを低くするための重付け係数Ｗ４が割り当てられる。例えば、Ｗ２＝０．７、Ｗ４＝０．３である。尚、第１の実施形態では、Ｗ２＋Ｗ４＝１に設定されているが、Ｗ２＋Ｗ４の値は「１」からずれた値に設定することも可能である。

このようにして、重付け係数Ｗ１、Ｗ２、Ｗ３、およびＷ４を決定する。重付け係数を決定した後、ステップＳＴ４５２（図７参照）に進む。

ステップＳＴ４５２では、コンピュータ２１６は、再構成された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ａ１のＣＴ値ｖを重付け係数Ｗ１およびＷ２で重み付けし、推論された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ｃ１のＣＴ値ｖを重付け係数Ｗ３およびＷ４で重み付けする。そして、ステップＳＴ４５３に進み、コンピュータ２１６は、重み付けされた仮想単色Ｘ線画像ａ１およびｂ１を加算する。このようにして、補正された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ｄ１を生成することができる。

以下同様に、他の仮想単色Ｘ線画像ａ２～ａｚおよびｃ２～ｃｚについても重付け係数を求め、重付け係数に基づいて、補正された仮想単色Ｘ線画像を生成する。したがって、図４に示すように、品質が改善された第１のエネルギーＥ１の仮想単色Ｘ線画像ｄ１～ｄｚのシリーズＤを生成することができる。
このようにして、図４に示すフローが終了する。

第１の実施形態では、ステップＳＴ２において、ＤＥＣＴの技術を用いて、第１のエネルギーＥ１の仮想単色Ｘ線画像ａ１－ａｚのシリーズＡと、第２のエネルギーＥ２の仮想単色Ｘ線画像ｂ１－ｂｚのシリーズＢを再構成している。しかし、低エネルギーの仮想単色Ｘ線画像ａ１－ａｚのシリーズＡには、ＤＥＣＴの原理上、低画質の領域Ｒ１（図５参照）が現れる傾向がある。
そこで、第１の実施形態では、学習済みニューラルネットワークにより推論された仮想単色Ｘ線画像が、学習済みニューラルネットワークに入力される入力画像の画質（例えば、画像のテクスチャ、画像のノイズ）の特徴を引き継ぐ傾向があることを利用して、仮想単色Ｘ線画像を推論している。具体的には、ステップＳＴ３（図４参照）において、画質の劣化が比較的少ない第２のエネルギーＥ２（７０keV）の仮想単色Ｘ線画像ｂ１―ｂｚのシリーズＢに基づいて、第１のエネルギーＥ１の仮想単色Ｘ線画像ｃ１―ｃｚのシリーズＣを推論している。推論された第１のエネルギーＥ１の仮想単色Ｘ線画像ｃ１－ｃｚのシリーズＣは、第２のエネルギーＥ２（７０keV）の仮想単色Ｘ線画像ｂ１―ｂｚのシリーズＢの画質を引き継ぐ。その結果、推論された第１のエネルギーＥ１の仮想単色Ｘ線画像ｃ１－ｃｚのシリーズＣの領域Ｒ３（図８参照）は、再構成された第１のエネルギーＥ１の仮想単色Ｘ線画像ａ１－ａｚの領域Ｒ１（図８参照）よりも良好な画質を有することができる。
推論後、ステップＳＴ４において、再構成された第１のエネルギーＥ１の仮想単色Ｘ線画像ａ１―ａｚのシリーズＡと、推論された第１のエネルギーＥ１の仮想単色Ｘ線画像ｃ１－ｃｚのシリーズＣに基づいて、補正された第１のエネルギーＥ１の仮想単色Ｘ線画像ｄ１―ｄｚのシリーズＤを生成する。具体的には、再構成された第１のエネルギーＥ１の仮想単色Ｘ線画像ａ１―ａｚのシリーズＡに対して、領域Ｒ１のＣＴ値は重み付けが小さいくなり、領域Ｒ２のＣＴ値は重み付けが大きくなるように重付け係数Ｗ１およびＷ２が割り当てられる。一方、推論された第１のエネルギーＥ１の仮想単色Ｘ線画像ｃ１－ｃｚのシリーズＣに対して、領域Ｒ３のＣＴ値は重み付けが大きくなり、領域Ｒ４のＣＴ値は重み付けが小さくなるように重付け係数Ｗ３およびＷ４が割り当てられる。したがって、品質が改善された第１のエネルギーＥ１の仮想単色Ｘ線画像ｄ１―ｄｚのシリーズＤを取得することができる。

尚、第１の実施形態では、ステップＳＴ４２において、仮想単色Ｘ線画像ａ１の軟組織の可能性が高い領域Ｒ１および軟組織の可能性が低い領域Ｒ２を特定する。そして、ステップＳＴ４２を実行した後で、ステップＳＴ４４に進み、仮想単色Ｘ線画像ｃ１の軟組織の可能性が高い領域Ｒ３および軟組織の可能性が低い領域Ｒ４を特定している。しかし、ステップＳＴ４４を先に実行し、ステップＳＴ４４を実行した後で、ステップＳＴ４２を実行してもよい。この場合、ステップＳＴ４４およびＳＴ４２は、以下のように実行される。
ステップＳＴ４４では、仮想単色Ｘ線画像ｃ１の各ピクセルのＣＴ値ｖを、２つの閾値ＴＨ１およびＴＨ２と比較し、ＣＴ値ｖがＴＨ１≦ｖ≦ＴＨ２の範囲Ｇ１に含まれるのか、それともｖ＜ＴＨ１又はＴＨ２＜ｖの範囲Ｇ２に含まれるのかを判断する。そして、この判断結果に基づいて、仮想単色Ｘ線画像ｃ１に対して、軟組織の可能性が高い領域Ｒ３と、軟組織の可能性が低い領域Ｒ４を特定する。
ステップＳＴ４２では、仮想単色Ｘ線画像ａ１の中から、仮想単色Ｘ線画像ｃ１の領域Ｒ３に対応する領域Ｒ１を、軟組織の可能性が高い領域として特定する。更に、仮想単色Ｘ線画像ａ１の中から、仮想単色Ｘ線画像ｃ１の領域Ｒ４に対応する領域Ｒ２を、軟組織の可能性が低い領域として特定する。
このように、仮想単色Ｘ線画像ｃ１の領域Ｒ３およびＲ４を先に特定し、仮想単色Ｘ線画像ｃ１の領域Ｒ３およびＲ４を基準にして、仮想単色Ｘ線画像ａ１の領域Ｒ１およびＲ２を特定してもよい。

また、第１の実施形態では、第１のエネルギーＥ１よりも大きい第２のエネルギーＥ２の仮想単色Ｘ線画像に基づいて、第１のエネルギーＥ１の仮想単色Ｘ線画像を推論している。しかし、良好な画質を有する第１のエネルギーＥ１の仮想単色Ｘ線画像を推論することができるのであれば、第１のエネルギーＥ１よりも小さい第２のエネルギーＥ２の仮想単色Ｘ線画像に基づいて、第１のエネルギーＥ１の仮想単色Ｘ線画像を推論することも可能である。

また、第１の実施形態では、閾値ＴＨ１およびＴＨ２に基づいて、重付け係数Ｗ１～Ｗ４を決定している。しかし、別の方法で重付け係数Ｗ１～Ｗ４を決定してもよい。例えば、仮想単色線画像ａ１および／又はｂ１をフィルタ処理（ローパスフィルタ処理又はハイパスフィルタ処理）し、フィルタ処理された仮想単色Ｘ線画像に基づいて、重付け係数Ｗ１～Ｗ４を決定してもよい。

（２）第２の実施形態
第２の実施形態では、第１の実施形態とは別の方法で、補正された仮想単色Ｘ線画像を生成する例について説明する。

尚、第２の実施形態では、ステップＳＴ４５以外は、第１の実施形態と同じ手順で、補正された仮想単色Ｘ線画像が生成される。したがって、第２の実施形態については、ステップＳＴ４５について主に説明する。

図９は、第２の実施形態におけるステップＳＴ４５のフロー図である。
ステップＳＴ４１において、コンピュータ２１６は、再構成された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ａ１～ａｚのシリーズＡの中から、１枚の仮想単色Ｘ線画像ａｊを取り出す。ここでは、ｊ＝１、すなわち、仮想単色Ｘ線画像ａ１を取り出すとする。

また、ステップＳＴ４３において、コンピュータ２１６は、推論された第１のエネルギーＥ１（＝５０keV）の仮想単色Ｘ線画像ｃ１～ｃｚのシリーズＣの中から、仮想単色Ｘ線画像ａ１と同じ断面の画像に対応する仮想単色Ｘ線画像ｃ１を取り出す。仮想単色Ｘ線画像ｃ１を取り出したら、ステップＳＴ４７に進む。

ステップＳＴ４７では、コンピュータ２１６は、仮想単色Ｘ線画像ａ１とｃ１との差分画像ｓ１を求める。

次に、コンピュータ２１６は、差分画像ｓ１に含まれる複数のピクセルの中から、ピクセル値（差分値）が最も大きい値になるピクセルＰｓを特定する。

ステップＳＴ４８では、コンピュータ２１６は、再構成された仮想単色Ｘ線画像ａ１に含まれる複数のピクセルのうち、ピクセルＰｓに対応するピクセルＰｓａを特定する。そして、その特定したピクセルＰｓａのＣＴ値ｖ（＝ｖａ）を読み出す。

また、コンピュータ２１６は、推論された仮想単色Ｘ線画像ｃ１に含まれる複数のピクセルのうち、ピクセルＰｓに対応するピクセルＰｓｃを特定する。そして、その特定したピクセルＰｓｃのＣＴ値ｖ（＝ｖｃ）を読み出す。

次に、ステップＳＴ４９において、コンピュータ２１６は、ピクセルＰｓａのＣＴ値ｖ（＝ｖａ）とピクセルＰｓｃのＣＴ値ｖ（＝ｖｃ）に基づいて、推論された仮想単色Ｘ線画像ｃ１を補正する。補正方法としては、例えば、ガンマ補正を使用することができる。ガンマ補正に使用されるγは、ピクセルＰｓａのＣＴ値ｖａとピクセルＰｓｃのＣＴ値ｖｃから求めることができる。このようにして、補正された仮想単色Ｘ線画像ｄ１を生成することができる。

以下同様に、他の仮想単色Ｘ線画像ａ２～ａｚおよびｃ２～ｃｚについても差分画像を生成し、差分画像に基づいて、補正された仮想単色Ｘ線画像を生成する。したがって、品質が改善された第１のエネルギーの仮想単色Ｘ線画像ｄ１～ｄｚのシリーズＤ（図４参照）を生成することができる。

第２の実施形態では、差分画像ｓ１を求め、差分画像ｓ１に基づいて、推論された仮想単色Ｘ線画像ｃ１の各ピクセルのＣＴ値を補正することにより、補正された仮想単色Ｘ線画像ｄ１を生成している。したがって、推論された仮想単色Ｘ線画像ｃ１と、再構成された仮想単色Ｘ線画像ａ１とのＣＴ値の差分を考慮して、推論された仮想単色Ｘ線画像を補正することができる。

尚、第２の実施形態では、差分画像ｓ１に基づいて、補正された仮想単色Ｘ線画像を生成しているが、推論された仮想単色Ｘ線画像ｃ１から低周波成分を取り出すとともに、再構成された仮想単色Ｘ線画像ａ１から高周波成分を取り出し、取り出された周波数成分に基づいて、補正後の仮想単色Ｘ線画像ｄ１を生成してもよい。

以下に、ＤＥＣＴにより再構成された仮想単色Ｘ線画像と、本発明の手法により生成された仮想単色Ｘ線画像について比較する。

図１０は、ＤＥＣＴにより再構成された仮想単色Ｘ線画像と、本発明の手法により生成された仮想単色Ｘ線画像とを示す図である。

図１０（ａ）は、ＤＥＣＴにより再構成された５０（keV）の仮想単色Ｘ線画像を示ししており、図１０（ｂ）は、本発明の手法により生成された仮想単色Ｘ線画像を示している。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線画像の画質が改善されていることが分かる。

６０ トレーニングデータ
６８ 前処理
７０ ニューラルネットワーク
７１ 学習済みモデル
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
１０８ 検出器アレイ
１１２ 撮影対象
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
２２４ 画像保管通信システム（ＰＡＣＳ）
２３０ 画像再構成器
２３２ ディスプレイ

Claims (15)

1. 撮影対象から収集されたデータに基づいて、第１のエネルギーの仮想単色Ｘ線画像と、第２のエネルギーの仮想単色Ｘ線画像を再構成すること、
   前記再構成された第２のエネルギーの仮想単色Ｘ線画像に基づいて作成された入力画像を学習済みモデルに入力し、前記学習済みモデルを用いて、第１のエネルギーの仮想単色Ｘ線画像を推論すること、
   前記再構成された第１のエネルギーの仮想単色Ｘ線画像と、前記推論された第１のエネルギーの仮想単色Ｘ線画像とに基づいて、補正された第１のエネルギーの仮想単色Ｘ線画像を生成すること、
   を含む動作を実行する１つまたは複数のプロセッサを含む画像生成装置。
2. 前記補正された第１のエネルギーの仮想単色Ｘ線画像を生成することが、
   前記再構成された第１のエネルギーの仮想単色Ｘ線画像の各ピクセルのＣＴ値を重み付けすること、
   前記推論された第１のエネルギーの仮想単色Ｘ線画像の各ピクセルのＣＴ値を重み付けすること、
   重み付けされた前記再構成された第１のエネルギーの仮想単色Ｘ線画像と、重み付けされた前記推論された第１のエネルギーの仮想単色Ｘ線画像とに基づいて、補正された第１のエネルギーの仮想単色Ｘ線画像を生成すること
   を含む、請求項１に記載の画像生成装置。
3. 前記１つまたは複数のプロセッサが、
   前記再構成された仮想単色Ｘ線画像および前記推論された仮想単色Ｘ線画像のうちの一方の仮想単色Ｘ線画像の中から、第１の範囲に含まれるＣＴ値を有するピクセルを含む第１の領域と、第２の範囲に含まれるＣＴ値を有するピクセルを含む第２の領域を特定すること、
   前記再構成された仮想単色Ｘ線画像および前記推論された仮想単色Ｘ線画像のうちの他方の仮想単色Ｘ線画像の中から、前記第１の領域に対応する第３の領域と、前記第２の領域に対応する第４の領域とを特定すること、
   前記第１の領域のピクセルのＣＴ値を重み付けするための第１の重付け係数、前記第２の領域のピクセルのＣＴ値を重み付けするための第２の重付け係数、前記第３の領域のピクセルのＣＴ値を重み付けするための第３の重付け係数、前記第４の領域のピクセルのＣＴ値を重み付けするための第４の重付け係数を求めること、
   前記一方の仮想単色Ｘ線画像を前記第１の重付け係数および前記第２の重付け係数で重み付けすること、
   前記他方の仮想単色Ｘ線画像を前記第３の重付け係数および前記第４の重付け係数で重み付けすること、
   前記第１の重付け係数と前記第２の重付け係数で重み付けされた前記一方の仮想単色Ｘ線画像と、前記第３の重付け係数と前記第４の重付け係数で重み付けされた前記他方の仮想単色Ｘ線画像とに基づいて、補正された第１のエネルギーの仮想単色Ｘ線画像を生成すること、
   を含む動作を実行する、請求項２に記載の画像生成装置。
4. 前記一方の仮想単色Ｘ線画像が、前記再構成された仮想単色Ｘ線画像であり、
   前記他方の仮想単色Ｘ線画像が、前記推論された仮想単色Ｘ線画像である、請求項３に記載の画像生成装置。
5. 前記第１の範囲は、軟組織のＣＴ値が含まれる範囲を表す、請求項３に記載の画像生成装置。
6. 前記第１の範囲は、軟組織のＣＴ値の下限値を表す第１の閾値と、軟組織のＣＴ値の上限値を表す第２の閾値との間の範囲である、請求項５に記載の画像生成装置。
7. 前記第１の閾値は負の値であり、前記第２の閾値は正の値である、請求項６に記載の画像生成装置。
8. 前記１つまたは複数のプロセッサが、
   前記再構成された第１のエネルギーの仮想単色Ｘ線画像および／又は前記推論された第１のエネルギーの仮想単色Ｘ線画像をフィルタ処理すること、
   フィルタ処理された仮想単色Ｘ線画像に基づいて、前記再構成された第１のエネルギーの仮想単色Ｘ線画像のピクセルのＣＴ値を重み付けするための第１の重付け係数および第２の重付け係数と、前記推論された第１のエネルギーの仮想単色Ｘ線画像のピクセルのＣＴ値を重み付けするための第３の重付け係数および第４の重付け係数を求めること
   を含む動作を実行する、請求項２に記載の画像生成装置。
9. 前記補正された第１のエネルギーの仮想単色Ｘ線画像を生成することが、
   前記再構成された第１のエネルギーの仮想単色Ｘ線画像と、前記推論された第１のエネルギーの仮想単色Ｘ線画像との差分画像を生成すること、
   前記差分画像に基づいて、前記補正された第１のエネルギーの仮想単色Ｘ線画像を生成すること、
   を含む、請求項１に記載の画像生成装置。
10. 前記差分画像に基づいて、前記補正された第１のエネルギーの仮想単色Ｘ線画像を生成することが、
    前記差分画像に含まれる複数のピクセルの中から、差分値が最も大きいピクセルを特定すること、
    前記再構成された第１のエネルギーの仮想単色Ｘ線画像に含まれる複数のピクセルのうち、前記特定されたピクセルに対応する第1のピクセルを特定すること、
    前記推論された第１のエネルギーの仮想単色Ｘ線画像に含まれる複数のピクセルのうち、前記特定されたピクセルに対応する第２のピクセルを特定すること、
    前記第１のピクセルのＣＴ値と、前記第２のピクセルのＣＴ値とに基づいて、前記推論された第１のエネルギーの仮想単色Ｘ線画像を補正すること、
    を含む、請求項９に記載の画像生成装置。
11. 前記推論された第１のエネルギーの仮想単色Ｘ線画像を補正することが、
    前記第１のピクセルのＣＴ値と、前記第２のピクセルのＣＴ値とに基づいて、前記推論された第１のエネルギーの仮想単色Ｘ線画像をγ補正することを含む、請求項１０に記載の画像生成装置。
12. 前記学習済みモデルは、
    第１のエネルギーの仮想単色Ｘ線画像を前処理することにより得られる画像と第２のエネルギーの仮想単色Ｘ線画像を前処理することにより得られる画像とを含むトレーニングデータを、ニューラルネットワークに学習させることにより作成される、請求項１に記載の画像生成装置。
13. 前記第１のエネルギーは前記第２のエネルギーよりも低い、請求項１に記載の画像生成装置。
14. 撮影対象から収集されたデータに基づいて、第１のエネルギーの仮想単色Ｘ線画像と、第２のエネルギーの仮想単色Ｘ線画像を再構成すること、
    前記再構成された第２のエネルギーの仮想単色Ｘ線画像に基づいて作成された入力画像を学習済みモデルに入力し、前記学習済みモデルを用いて、第１のエネルギーの仮想単色Ｘ線画像を推論すること、
    前記再構成された第１のエネルギーの仮想単色Ｘ線画像と、前記推論された第１のエネルギーの仮想単色Ｘ線画像とに基づいて、補正された第１のエネルギーの仮想単色Ｘ線画像を生成すること、
    を含む動作を実行する１つまたは複数のプロセッサを含む医用装置。
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、
    撮影対象から収集されたデータに基づいて、第１のエネルギーの仮想単色Ｘ線画像と、第２のエネルギーの仮想単色Ｘ線画像を再構成させること、
    前記再構成された第２のエネルギーの仮想単色Ｘ線画像に基づいて入力画像を作成させること、
    前記入力画像を学習済みモデルに入力し、前記学習済みモデルを用いて、第１のエネルギーの仮想単色Ｘ線画像を推論させること、
    前記再構成された第１のエネルギーの仮想単色Ｘ線画像と、前記推論された第１のエネルギーの仮想単色Ｘ線画像とに基づいて、補正された第１のエネルギーの仮想単色Ｘ線画像を生成させること、
    を含む動作を実行させる、記憶媒体。

Images