JP7242288B2 - 医用画像診断装置及びモデル学習装置 - Google Patents

Description

本発明の実施形態は、医用画像診断装置及びモデル学習装置に関する。

Ｘ線ＣＴ装置などの医用画像診断装置では、画質の高精細化のために、各構成部材の小型化などを行うとともに、画像ブレを抑えるために架台及び寝台の振動低減を実施する技術が知られている。

Ｘ線ＣＴ装置などの医用画像診断装置では、架台装置の回転フレームを回転させながら撮影したり、架台装置の回転フレームをチルトさせた状態で撮影したり、寝台装置の天板が振動した状態で撮影することがある。この場合、架台装置及び寝台装置の各構成部材が移動、振動又は変形し、各構成部材において設計値からの幾何学的なずれが生じることがある。この際、幾何学的なずれが生じた状態で撮影が行われることにより、幾何学的なずれの影響を受けた生データが収集され、表示される医用画像において画像ブレが生じる可能性がある。

米国特許出願公開第２０１７／０３７２１９３号明細書

本発明が解決しようとする課題は、回転フレームの回転の影響又は天板の移動の影響が低減された医用画像を生成することである。

実施形態に係る医用画像診断装置は、取得部と、処理部とを備える。
前記取得部は、筐体と前記筐体に対して回転可能な回転フレームとを有する架台装置において前記回転フレームを前記筐体に対して回転させて撮影された第１の医用データを取得する。
前記処理部は、前記第１の医用データの入力を受け付けて前記第１の医用データにおいて前記回転フレームの回転による影響が低減された第２の医用データを出力する学習済みモデルに前記第１の医用データを入力し、前記学習済みモデルに前記第２の医用データを出力させる。

図１は、第１の実施形態に係る医用画像診断装置の構成を例示する図である。 図２は、第１の実施形態に係る医用画像診断装置によるスキャン処理の処理手順を例示するフローチャートである。 図３は、第１の実施形態に係る医用画像診断装置によるブレ補正処理の処理手順を例示するフローチャートである。 図４は、第１の実施形態に係る医用画像診断装置によるブレ補正処理におけるデータの流れを例示する図である。 図５は、第１の実施形態に係る学習済みモデルの入力と出力との組合せの一例を示す図である。 図６は、第１の実施形態の第１の変形例に係る医用画像診断装置によるスキャン処理の処理手順を例示するフローチャートである。 図７は、第１の実施形態の第１の変形例に係る医用画像診断装置によるブレ補正処理の処理手順を例示するフローチャートである。 図８は、第１の実施形態の第２の変形例に係る医用画像診断装置によるスキャン処理の処理手順を例示するフローチャートである。 図９は、第１の実施形態の第２の変形例に係る医用画像診断装置によるブレ補正処理の処理手順を例示するフローチャートである。 図１０は、第１の実施形態の第３の変形例に係る医用画像診断装置によるブレ補正処理におけるデータの流れを例示する図である。 図１１は、第１の実施形態の第３の変形例に係る学習済みモデルの入力と出力との組合せの一例を示す図である。 図１２は、第１の実施形態の第３の変形例に係る学習済みモデルの入力と出力との組合せの他の一例を示す図である。 図１３は、第１の実施形態の第４の変形例に係る医用画像診断装置によるブレ補正処理におけるデータの流れを例示する図である。 図１４は、第１の実施形態の第４の変形例に係る学習済みモデルの入力と出力との組合せの一例を示す図である。 図１５は、第１の実施形態の第４の変形例に係る学習済みモデルの入力と出力との組合せの他の一例を示す図である。 図１６は、第１の実施形態の第５の変形例に係る医用画像診断装置によるブレ補正処理におけるデータの流れを例示する図である。 図１７は、第１の実施形態の第５の変形例に係る学習済みモデルの入力と出力との組合せの一例を示す図である。 図１８は、第１の実施形態の第５の変形例に係る学習済みモデルの入力と出力との組合せの他の一例を示す図である。 図１９は、第１の実施形態の第６の変形例に係る医用画像診断装置によるブレ補正処理の処理手順を例示するフローチャートである。 図２０は、第２の実施形態に係る医用画像診断装置の構成を例示する図である。 図２１は、第２の実施形態に係る医用画像診断装置により生成される、第１の実施形態に係る学習済みモデルの生成に用いられる学習用データの一例を示す図である。 図２２は、第２の実施形態に係る医用画像診断装置により生成される、第１の実施形態の第１の変形例に係る学習済みモデルの生成に用いられる学習用データの一例を示す図である。 図２３は、第２の実施形態に係る医用画像診断装置により生成される、第１の実施形態の第２の変形例に係る学習済みモデルの生成に用いられる学習用データの一例を示す図である。 図２４は、第２の実施形態に係る医用画像診断装置により生成される、第１の実施形態の第３の変形例に係る学習済みモデルの生成に用いられる学習用データの一例を示す図である。 図２５は、第２の実施形態に係る医用画像診断装置により生成される、第１の実施形態の第４の変形例に係る学習済みモデルの生成に用いられる学習用データの一例を示す図である。 図２６は、第２の実施形態に係る医用画像診断装置により生成される、第１の実施形態の第５の変形例に係る学習済みモデルの生成に用いられる学習用データの一例を示す図である。 図２７は、第２の実施形態に係る医用画像診断装置による学習用データ生成処理の処理手順を例示するフローチャートである。 図２８は、第１の実施形態に係る医用画像診断装置に用いられる学習済みモデルを生成する処理の流れの一例を模式的に示す図である。 図２９は、第３の実施形態に係る医用画像診断装置に搭載されたモデル調整装置の構成を例示する図である。 図３０は、第３の実施形態に係る医用画像診断装置によるモデル調整処理の処理手順を例示するフローチャートである。 図３１は、応用例に係るモデル学習装置の構成を例示する図である。 図３２は、応用例に係る学習済みモデルを生成する処理手順を例示するフローチャートである。

以下、図面を参照しながら、医用画像処理装置及び医用画像診断装置の実施形態について詳細に説明する。以下の説明において、略同一の機能及び構成を有する構成要素については、同一符号を付し、重複説明は必要な場合にのみ行う。

（第１の実施形態）
図１は、第１の実施形態に係る医用画像診断装置の構成例を示す図である。図１に示すように、本実施形態では、医用画像診断装置としてＸ線ＣＴ装置１を用いた一例について説明する。

本実施形態に係る医用画像診断装置は、回転軸回りを検出器が回転する構成を有する装置であればよい。医用画像診断装置は、例えば、Ｘ線診断装置等の単一モダリティ装置であっても良いし、ＰＥＴ（Positron Emission Tomography）／ＣＴ装置、ＳＰＥＣＴ（Single Photon Emission CT）／ＣＴ装置等の複合モダリティ装置であっても良い。医用画像診断装置は、被検体に対し、モダリティ装置種に応じた撮像原理の医用撮像を施し、当該被検体に関する医用データを収集する。医用データは、例えば、医用画像診断装置がＸ線コンピュータ断層撮影装置である場合における投影データ又はサイノグラムデータ、医用画像診断装置がＰＥＴ装置である場合におけるコインシデンスデータ又はサイノグラムデータである。

Ｘ線ＣＴ装置１は、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。

なお、本実施形態では、寝台装置３０の天板３３の長手方向（長軸方向）をＺ軸方向と定義する。非チルト状態での回転フレーム１３の回転軸は、Ｚ軸方向と略一致する。また、Ｚ軸方向に直交し、床面に対し水平である軸方向をＸ軸方向と定義する。そして、Ｚ軸方向に直交し、床面に対し垂直である軸方向をＹ軸方向と定義する。

架台装置１０は、Ｘ線管１１と、Ｘ線検出器１２と、回転フレーム１３と、Ｘ線高電圧装置１４と、制御装置１５と、ウェッジ１６と、コリメータ１７と、ＤＡＳ１８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線を発生する真空管である。例えば、Ｘ線管１１には、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線管がある。

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

コリメータ１７は、ウェッジ１６を透過したＸ線の照射範囲を絞り込むための鉛板等であり、複数の鉛板等の組み合わせによってスリットを形成する。なお、コリメータ１７は、Ｘ線絞りと呼ばれる場合もある。

Ｘ線検出器１２は、Ｘ線管１１から照射され、被検体Ｐを通過したＸ線を検出し、当該Ｘ線量に対応した電気信号をＤＡＳ１８へと出力する。Ｘ線検出器１２は、例えば、Ｘ線管の焦点を中心として１つの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複数のＸ線検出素子列を有する。Ｘ線検出器１２は、例えば、チャネル方向に複数のＸ線検出素子が配列されたＸ線検出素子列がスライス方向（列方向、roｗ方向）に複数配列された構造を有する。

また、Ｘ線検出器１２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変換型の検出器である。シンチレータアレイは、複数のシンチレータを有し、シンチレータは入射Ｘ線量に応じた光子量の光を出力するシンチレータ結晶を有する。グリッドは、シンチレータアレイのＸ線入射側の面に配置され、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（１次元コリメータ又は２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、シンチレータからの光量に応じた電気信号に変換する機能を有し、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。

なお、Ｘ線検出器１２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構わない。また、Ｘ線検出器１２は、Ｘ線検出部の一例である。

回転フレーム１３は、架台装置１０の筐体に対して回転可能な円環状のフレームである。回転フレーム１３は、Ｘ線管１１とＸ線検出器１２とを対向させた状態で支持する。回転フレーム１３は、Ｘ線管１１とＸ線検出器１２と一緒に筐体に対して回転する。回転フレーム１３は、Ｘ線管１１とＸ線検出器１２に加えて、Ｘ線高電圧装置１４やＤＡＳ１８を更に備えて支持する。なお、ＤＡＳ１８が生成した検出データは、回転フレーム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の非回転部分（例えば固定フレーム。図１での図示は省略している。）に設けられた、フォトダイオードを有する受信機に送信され、コンソール装置４０へと転送される。なお、回転フレームから架台装置の非回転部分への検出データの送信方法は、前述の光通信に限らず、非接触型のデータ伝送であれば如何なる方式を採用しても構わない。また、回転フレーム１３は、回転部の一例である。

Ｘ線高電圧装置１４は、変圧器（トランス）及び整流器等の電気回路を有し、Ｘ線管１１に印加する高電圧を発生する機能を有する高電圧発生装置と、Ｘ線管１１が照射するＸ線に応じた出力電圧の制御を行うＸ線制御装置とを有する。高電圧発生装置は、変圧器方式であってもよいし、インバータ方式であっても構わない。なお、Ｘ線高電圧装置１４は、後述する回転フレーム１３に設けられてもよいし、架台装置１０の固定フレーム（図示しない）側に設けられても構わない。なお、固定フレームは回転フレーム１３を回転可能に支持するフレームである。また、Ｘ線高電圧装置１４は、Ｘ線高電圧部の一例である。

ＤＡＳ（Data Acquisition System）１８は、Ｘ線検出器１２の各Ｘ線検出素子から出力される電気信号に対して増幅処理を行う増幅器と、電気信号をデジタル信号に変換するＡ／Ｄ変換器とを有し、検出データを生成する。ＤＡＳ１８が生成した検出データは、コンソール装置４０へと転送される。また、ＤＡＳ１８はデータ収集部（データ収集回路）の一例である。

制御装置１５は、ＣＰＵ等を有する処理回路と、モータ及びアクチュエータ等の駆動機構とを有する。制御装置１５は、コンソール装置４０若しくは架台装置１０に取り付けられた、後述する入力インターフェース４３からの入力信号を受けて、架台装置１０及び寝台装置３０の動作制御を行う機能を有する。例えば、制御装置１５は、入力信号を受けて回転フレーム１３を回転させる制御や、架台装置１０をチルトさせる制御、及び寝台装置３０及び天板３３を動作させる制御を行う。なお、架台装置１０をチルトさせる制御は、架台装置１０に取り付けられた入力インターフェースによって入力される傾斜角度（チルト角）情報により、制御装置１５がＸ軸方向に平行な軸を中心に回転フレーム１３を回転させることによって実現される。なお、制御装置１５は架台装置１０に設けられてもよいし、コンソール装置４０に設けられても構わない。また、制御装置１５は、特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ：ＡＳＩＣ）あるいはプログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Ｓｉｍｐｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＳＰＬＤ）、複合プログラマブル論理デバイス（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＣＰＬＤ）およびフィールドプログラマブルゲートアレイ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ：ＦＰＧＡ））などにより実現されてもよい。

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

コンソール装置４０は、メモリ４１と、ディスプレイ４２と、入力インターフェース４３と、処理回路４４とを有する。なお、コンソール装置４０は架台装置１０とは別体として説明するが、架台装置１０にコンソール装置４０又はコンソール装置４０の各構成要素の一部が含まれてもよい。

メモリ４１は、例えば、ＲＡＭ（Random Access Memory）、フラッシュメモリ等の半導体メモリ素子、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、投影データ、再構成画像データ、及び複数の学習済みモデルＭなどを記憶する。また、メモリ４１は、検出データ、投影データ及び再構成データに付帯させてスキャン条件を記憶する。メモリ４１は、記憶部の一例である。本実施形態では、投影データは、補正前投影データと、補正後投影データを含む。補正前投影データ及び補正後投影データについては後述する。

スキャン条件は、例えば、Ｘ線条件（管電流、管電圧及びＸ線曝射継続時間等）、スキャン種（ノンヘリカルスキャン、ヘリカルスキャン、同期スキャン等）、検出器空間分解能、撮影時の回転フレーム１３の回転速度Ｖ、撮影時の回転フレーム１３のチルト角α、撮影対象部位、撮像対象の種類、架台装置１０の識別番号Ｎ、天板３３の移動速度ＶＴ、天板３３の移動停止からの経過時間Ｔ（撮影タイミング）、被検体の荷重Ｆ（荷重条件）、及び寝台装置３０の識別番号ＮＴ等のうち少なくとも１つを含む。

複数の学習済みモデルＭのそれぞれは、学習済みの機械学習モデルである。本実施形態に係る学習済みモデルＭのそれぞれは、複数の関数が合成されたパラメータ付き合成関数である。パラメータ付き合成関数は、複数の調整可能な関数及びパラメータの組合せにより定義される。本実施形態に係る複数の学習済みモデルＭのそれぞれは、上記の要請を満たす如何なるパラメータ付き合成関数であっても良いが、多層のネットワークモデルであるとする。

本実施形態では、例えば、学習済みモデルがスキャン条件ごとに用意されている。複数の学習済みモデルＭのそれぞれは、補正前投影データの入力を受け付ける。それぞれの学習済みモデルは、補正前投影データに基づいて補正後投影データを出力する。補正前投影データは、第１の医用データの一例である。また、補正後投影データは、第２の医用データの一例である。

補正前投影データは、架台装置１０の回転フレーム１３の回転に起因する各構成部材の設計値（理想位置）からの幾何学的なずれの影響を含む投影データである。補正前投影データは、例えば、架台装置１０の回転フレーム１３を回転させて患者を撮像し、後述の前処理機能４４２が実行されることにより生成された投影データである。患者は、被検体の一例である。

補正後投影データは、補正前投影データに含まれる架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響を低減するように補正された投影データである。補正後投影データは、例えば、再構成に関する複数のビューのそれぞれにおいて架台装置１０の回転フレーム１３が停止した状態で患者を仮に撮影する場合に取得される投影データに相当する。

したがって、複数の学習済みモデルＭのそれぞれは、補正前投影データを入力して、補正後投影データを出力できるように各パラメータが学習された多層のネットワークモデルである。なお、複数の学習済みモデルＭのそれぞれは、メモリ４１に学習済みモデルなどの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されていても構わない。すなわち、学習済みモデル自体は、処理回路４４におけるＡＳＩＣ、或いはプログラマブル論理デバイスにプリセットされてもよい。換言すれば、学習済みモデルは、ＡＳＩＣ、或いはプログラマブル論理デバイスで作りこまれていてもよい。

ディスプレイ４２は、各種の情報を表示する。例えば、ディスプレイ４２は、処理回路４４によって生成された医用画像（ＣＴ画像）や、操作者からの各種操作を受け付けるためのＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）等を出力する。例えば、ディスプレイ４２は、液晶ディスプレイやＣＲＴ（Ｃａｔｈｏｄｅ Ｒａｙ Ｔｕｂｅ）ディスプレイである。また、ディスプレイ４２は、表示部の一例である。また、ディスプレイ４２は、架台装置１０に設けられてもよい。また、ディスプレイ４２は、デスクトップ型でもよいし、コンソール装置４０本体と無線通信可能なタブレット端末等で構成されることにしても構わない。

入力インターフェース４３は、操作者からの各種の入力操作を受け付け、受け付けた入力操作を電気信号に変換して処理回路４４に出力する。例えば、入力インターフェース４３は、投影データを収集する際のスキャン条件や、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等を操作者から受け付ける。例えば、入力インターフェース４３は、マウスやキーボード、トラックボール、スイッチ、ボタン、ジョイスティック等により実現される。また、入力インターフェース４３は、入力部の一例である。また、入力インターフェース４３は、架台装置１０に設けられてもよい。また、入力インターフェース４３は、コンソール装置４０本体と無線通信可能なタブレット端末等で構成されることにしても構わない。

処理回路４４は、Ｘ線ＣＴ装置１全体の動作を制御する。例えば、処理回路４４は、システム制御機能４４１、前処理機能４４２、再構成処理機能４４３、画像処理機能４４４、表示制御機能４４５、モデル特定機能４４６、ブレ補正機能４４７、を実行する。また、処理回路４４は、処理部の一例である。

処理回路４４は、不図示の取得機能により、第１の医用データ及び第１の医用データに関するスキャン条件等を取得する。取得機能は、取得部の一例である。なお、取得機能は、モデル特定機能４４６及びブレ補正機能４４７により実行されてもよい。

なお、図１においては、単一の処理回路４４によって、システム制御機能４４１、前処理機能４４２、再構成処理機能４４３、画像処理機能４４４、表示制御機能４４５、モデル特定機能４４６、及びブレ補正機能４４７が実現されるものとして説明したがこれに限らない。例えば、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を実現するものとしても構わない。また、システム制御機能４４１、前処理機能４４２、再構成処理機能４４３、画像処理機能４４４、表示制御機能４４５、モデル特定機能４４６、ブレ補正機能４４７は、それぞれシステム制御回路、前処理回路、再構成処理回路、画像処理回路、表示制御回路、モデル特定回路、及びブレ補正回路と呼んでもよく、個別のハードウェア回路として実装してもよい。

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（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、或いは、特定用途向け集積回路（Application Specific Integrated Circuit：ＡＳＩＣ）、プログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Simple Programmable Logic Device：ＳＰＬＤ）、複合プログラマブル論理デバイス（Complex Programmable Logic Device：ＣＰＬＤ）、及びフィールドプログラマブルゲートアレイ（Field Programmable Gate Array：ＦＰＧＡ）等の回路を意味する。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。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。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。

システム制御機能４４１において処理回路４４は、入力インターフェース４３を介して操作者から受け付けた入力操作に基づいて、処理回路４４の各種機能を制御する。例えば、処理回路４４は、スキャン条件に従って、架台装置１０における各種構成要素を制御する。

前処理機能４４２において処理回路４４は、ＤＡＳ１８から出力された検出データに対して対数変換処理やオフセット補正処理、チャネル間の感度補正処理、ビームハードニング補正等の前処理を施した投影データを生成する。なお、前処理前のデータ（検出データ）及び前処理後のデータを総称して投影データと称する場合もある。また、前処理機能４４２を実現する処理回路４４は、前処理部の一例である。前処理機能４４２により生成された投影データは、補正前投影データ、すなわち第１の医用データの一例である。

再構成処理機能４４３において処理回路４４は、後述のブレ補正機能４４７において学習済みモデルから出力された補正後投影データに対して、フィルタ補正逆投影法や逐次近似再構成法等を用いた再構成処理を行ってＣＴ画像データを生成する。また、再構成処理機能４４３を実現する処理回路４４は、再構成処理部の一例である。ＣＴ画像データは、例えば、ボリュームデータである。ＣＴ画像データは、医用画像データの一例である。

画像処理機能４４４において処理回路４４は、入力インターフェース４３を介して操作者から受け付けた入力操作に基づいて、再構成処理機能４４３によって生成されたＣＴ画像データを公知の方法により、任意断面の断層像データや３次元画像データに変換する。なお、３次元画像データの生成は再構成処理機能４４３が直接行なっても構わない。また、画像処理機能４４４を実現する処理回路４４は、画像処理部の一例である。

表示制御機能４４５において処理回路４４は、例えば、システム制御機能４４１からの信号を読み込んで、メモリ４１から所望のＣＴ画像データを取得してディスプレイ４２にＣＴ画像を表示する。例えば、処理回路４４は、ＣＴ画像データに基づいて生成された断層像データや３次元画像データを、ＣＴ画像として、ディスプレイ４２に表示させる。ＣＴ画像は、医用画像の一例である。

モデル特定機能４４６において、処理回路４４は、補正前投影データに関するスキャン条件に基づいて、メモリ４１に保存された複数の学習済みモデルＭの中から、補正前投影データに対応する学習済みモデルを特定する。モデル特定機能４４６を実行することによる処理回路４４の動作の詳細については、後述する。

ブレ補正機能４４７において処理回路４４は、補正前投影データに対応する学習済みモデルを適用し、補正後投影データを生成する。ブレ補正機能４４７を実行することによる処理回路４４の動作の詳細については、後述する。

次に、本実施形態に係る医用画像診断装置であるＸ線ＣＴ装置１の動作について説明する。以下の説明において本実施形態に係る多層のネットワークモデルは、生物の脳の神経回路を模した深層ニューラルネットワーク（ＤＮＮ：Deep Neural Network）であるとする。なお、多層のネットワークモデルは、ＤＮＮに限定されず、例えば、コンボリューションニューラルネットワーク（ＣＮＮ：Convolution Neural Network）が多層のネットワークモデルとして用いられてもよい。なお、以下で説明する処理手順は一例に過ぎず、各処理は可能な限り変更されてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。
図２は、本実施形態に係る処理回路４４による、Ｘ線検出器１２での検出結果を用いて架台回転の影響が補正されたＣＴ画像を生成し、ディスプレイ４２に表示させる処理（以下、スキャン処理と呼ぶ）の手順の一例を示すフローチャートである。

（スキャン処理）
（ステップＳ１０１）
処理回路４４は、取得機能により、ＤＡＳ１８から出力された検出データを取得する。検出データは、純生データと称されてもよい。なお、取得機能により実行される処理は、架台装置１０、制御装置１５、ＤＡＳ１８等で実行されてもよい。この場合、架台装置１０、制御装置１５、ＤＡＳ１８等は、取得した検出データを処理回路４４へ出力する。

（ステップＳ１０２）
処理回路４４は、前処理機能４４２を実行する。前処理機能４４２において処理回路４４は、ステップＳ１０１の処理において取得した検出データに対して前述の前処理を行い、補正前投影データを生成する。生成された補正前投影データは、生データと称されてもよい。補正前投影データは、例えば、メモリ４１に記憶される。

（ステップＳ１０３）
処理回路４４は、モデル特定機能４４６及びブレ補正機能４４７等を実行する。ステップＳ１０３の処理において処理回路４４は、ステップＳ１０２の処理において生成された補正前投影データを学習済みモデルＭに入力することにより、補正後投影データを生成する。生成された補正後投影データは、例えば、再構成前のサイノグラムに相当し、メモリ４１に記憶される。ステップＳ１０３の実行時における詳細な処理については、後述する。

（ステップＳ１０４）
処理回路４４は、再構成処理機能４４３を実行する。再構成処理機能４４３において処理回路４４は、ステップＳ１０３の処理において生成された補正後投影データに対して再構成処理を行うことにより、ＣＴ画像データを生成する。生成されたＣＴ画像データは、架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響が補正されたＣＴ画像データである。生成されたＣＴ画像データは、例えば、メモリ４１に記憶される。

（ステップＳ１０５）
処理回路４４は、画像処理機能４４４により、ＣＴ画像データに基づいて、ディスプレイ４２へ表示させるための断層像データや３次元画像データなどを生成する。処理回路４４は、生成された断層像データや３次元画像データなどをメモリ４１に記憶させる。そして、処理回路４４は、表示制御機能４４５を実行する。表示制御機能４４５において処理回路４４は、断層像データや３次元画像データなどをＣＴ画像としてディスプレイ４２に表示させる。

以下、ステップＳ１０３において処理回路４４が実行する処理について詳しく説明する。図３は、本実施形態に係るモデル特定機能４４６及びブレ補正機能４４７等における処理回路４４の処理（以下、ブレ補正処理と呼ぶ）の手順の一例を示すフローチャートである。図４は、ブレ補正処理におけるメモリ４１と処理回路４４との間のデータの流れの一例を模式的に示す図である。図４では、例として、回転速度Ｖごとに用意された学習済みモデル（例えばＭ１１、Ｍ１２、Ｍ１３など）と、撮像対象部位ごとに用意された学習済みモデル（例えばＭ２１、Ｍ２２、Ｍ２３など）とが、メモリ４１に記憶されている場合について説明する。回転速度Ｖが異なる複数の学習済みモデル（例えばＭ１１、Ｍ１２、Ｍ１３など）と、撮像対象部位がそれぞれ異なる複数の学習済みモデル（例えばＭ２１、Ｍ２２、Ｍ２３など）とのそれぞれは、回転フレーム１３の回転による幾何学的なずれの影響を低減するように学習された学習済みモデルである。

回転速度Ｖ１用の学習済みモデルＭ１１は、例えば、回転速度Ｖ１の補正前投影データに適用されることにより、補正前投影データにおいて回転フレーム１３の回転の影響が低減された補正後投影データを出力する。回転速度Ｖ１用の学習済みモデルＭ１１は、例えば、回転速度Ｖ１の学習用訓練データと回転フレーム１３の回転の影響を含まない学習用教師データとを含む学習用データを多層のネットワークモデル（学習用モデル）に学習させることにより生成される。また、胸部用の学習済みモデルＭ２２は、胸部を撮像対象部位とした補正前投影データに適用されることにより、補正前投影データにおいて回転フレーム１３の回転の影響が低減された補正後投影データを出力する。

図５は、ブレ補正処理における入力と出力との関係の一例を模式的に示す図である。以下、図４に示す例において、学習済みモデルに入力される補正前投影データのスキャン条件として回転速度Ｖ２が用いられる場合について説明する。

（ブレ補正処理）
（ステップＳ１１１）
処理回路４４は、取得機能により、ステップＳ１０２の処理において生成された補正前投影データを取得する。例えば、図４に示す一例では、処理回路４４は、本ステップにおいて補正前投影データをメモリ４１から取得する。

（ステップＳ１１２）
処理回路４４は、取得機能により、ステップＳ１１１の処理において取得された補正前投影データに関するスキャン条件を、メモリ４１から取得する。具体的には、処理回路４４は、図４に示すように、補正前投影データに付帯するスキャン条件である「回転速度Ｖ２」を、メモリ４１から取得する。なお、スキャン条件は、ユーザにより入力機器を介して入力されても良い。

（ステップＳ１１３）
処理回路４４は、モデル特定機能４４６により、取得したスキャン条件に基づいて、メモリ４１に保存された複数の学習済みモデルＭの中から、取得したスキャン条件に対応する学習済みモデルを特定する。具体的には、図４に示すように、処理回路４４は、メモリ４１に記憶されている複数の学習済みモデルＭの中から、「回転速度Ｖ２用の学習済みモデルＭ１２」を特定（選択）する。処理回路４４は、特定した「回転速度Ｖ２用の学習済みモデルＭ１２」を、メモリ４１から読み出す。

（ステップＳ１１４）
処理回路４４は、ブレ補正機能４４７により、ステップＳ１１１の処理で取得した補正前投影データにステップＳ１１３の処理で読み出された学習済みモデルを適用し、補正後投影データを生成する。

具体的には、処理回路４４は、図５に示すように、ステップＳ１１１の処理において取得した補正前投影データを、ステップＳ１１３の処理で読み出した回転速度Ｖ２用の学習済みモデルＭ１２に適用する。回転速度Ｖ２用の学習済みモデルＭ１２は、補正前投影データに基づいて、補正前投影データに含まれる架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響が補正された投影データ（以下、出力投影データと呼ぶ）を出力する。そして、処理回路４４は、出力投影データを、補正後投影データとしてメモリ４１に出力する。

以下、本実施形態に係る医用画像診断装置であるＸ線ＣＴ装置１の効果について説明する。

本実施形態のＸ線ＣＴ装置１は、メモリ４１と処理回路４４とを有し、メモリ４１には、学習済みモデルＭが記憶されている。処理回路４４は、取得した補正前投影データに学習済みモデルを適用し、補正後投影データを生成することができる。すなわち、上記の構成及び動作により、本実施形態のＸ線ＣＴ装置１によれば、補正前投影データに含まれる架台装置１０の回転フレーム１３の回転に起因する各構成部材の振動及び設計値からの幾何学的なずれの影響が低減されるように補正された補正後投影データを生成することができる。そして、回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響が低減された補正後投影データに対して再構成処理を行うことにより、回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響が低減されたＣＴ画像データを生成することができる。これにより、回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響が低減されたＣＴ画像がディスプレイ４２に表示することができる。すなわち、本実施形態のＸ線ＣＴ装置１によれば、Ｘ線管１１及びＸ線検出器１２の間の位置関係（ジオメトリ）のずれ、ＦＣＤ（Focus to Center Distance)のずれ、ＦＤＤ（Focus to Detector Distance）のずれ、ＦＳＤ（Focus to Slit Distance)のずれ、Ｘ線管１１の焦点位置に関するウォブリングによるずれ、ウォブリングによるＸ線管１１のアノードの振動及び変形、Ｘ線検出器１２が有する各素子の位置関係などのずれ、Ｘ線検出器１２、ウェッジ１６、コリメータ１７の振動及び変形、Ｘ線検出器１２の各素子に入射するＸ線の入射角度の広がり等に起因する幾何学的なずれの影響が投影データに含まれる場合であっても、適切な状態のＣＴ画像を常に表示することができ、医用画像診断装置において装置の動作に起因する構成部材の設計値からのずれの影響を抑制することができる。

また、本実施形態では、スキャン条件毎に生成された複数の学習済みモデルＭがメモリ４１に保存されている。処理回路４４は、補正前投影データのスキャン条件を取得し、取得したスキャン条件に対応した学習済みモデルに補正前投影データを適用する。これにより、スキャン条件に応じた補正後投影データを生成することができ、投影データの補正精度を向上させることができる。

なお、ブレ補正機能４４７の処理において、２つ以上の学習済みモデルを補正前投影データに順次適用してもよい。この場合、取得機能によって、例えば回転速度Ｖと撮像対象部位などの２つ以上のスキャン条件が補正前投影データのスキャン条件として取得され、モデル特定機能４４６によって、取得されたスキャン条件のそれぞれに対応する学習済みモデルが特定される。

以下、本実施形態の構成及び動作を適用可能な構成について説明する。

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

寝台装置３０は、天板３３が支持フレーム３４に対して移動可能であってもよいし、天板３３と支持フレーム３４とが一緒に、基台３１に対して移動可能であってもよい。

コンソール装置４０は、単一のコンソールにて複数の機能を実行するものとして説明したが、複数の機能を別々のコンソールが実行することにしても構わない。例えば、前処理機能４４２、再構成処理機能４４３等の処理回路４４の機能を分散して有しても構わない。

処理回路４４はコンソール装置４０に含まれる場合に限らず、複数の医用画像診断装置にて取得された検出データに対する処理を一括して行う統合サーバに含まれてもよい。

再構成処理機能４４３は、被検体の周囲一周分（３６０°分）の投影データを用いるフルスキャン方式であってもよく、被検体の周囲半周分（１８０°分）の投影データを用いるハーフスキャン方式であってもよい。

Ｘ線ＣＴ装置１は、一管球型のＸ線ＣＴ装置であってもよく、Ｘ線管と検出器との複数のペアを回転リングに搭載した多管球型のＸ線ＣＴ装置であってもよい。

本実施形態では、スキャン条件毎に用意された複数の学習済みモデルＭがメモリ４１に記憶されている一例について説明したが、全てのスキャン条件に対応する学習済みモデルが１つのみ用意され、補正前投影データのスキャン条件に関わらず、常に同一の学習済みモデルが適用されてもよい。

本医用画像診断装置の技術的思想は、例えば、取得機能、前処理機能４４２、再構成処理機能４４３、モデル特定機能４４６及びブレ補正機能４４７の各々に関するプログラムをワークステーション等のコンピュータにインストールし、これらをメモリ上で展開することによっても実現することができる。このとき、コンピュータは、例えば、医用画像処理装置、クラウド上のサーバ等に搭載される。具体的に、ブレ補正処理を実行するプログラムは、コンピュータに、回転フレーム１３を回転させて撮影された第１の医用データを取得し、第１の医用データに基づいての回転フレーム１３の回転の影響を低減するように補正された第２の医用データを出力するように機能づけられた学習済みモデルを記憶し、学習済みモデルに対して第１の医用データを入力することで、第２の医用データを出力すること、を実現させる。

（第１の実施形態の第１の変形例）
本実施形態の第１の変形例について説明する。本変形例は、第１の実施形態の構成を以下の通りに変形したものである。

本変形例に係る複数の学習済みモデルＭのそれぞれは、ＤＡＳ１８において生成された検出データを補正前検出データとして、補正前検出データの入力を受け付ける。それぞれの学習済みモデルは、補正前検出データに基づいて補正後検出データを出力する。本変形例において、補正前検出データは、第１の医用データに相当する。また、補正後検出データは、第２の医用データに相当する。

補正前検出データは、架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響を含む検出データである。補正前検出データは、例えば、架台装置１０の回転フレーム１３を回転させて患者を撮像し、後述の取得機能が実行されることにより取得された検出データである。

補正後検出データは、補正前検出データに含まれる架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響を低減するように補正された検出データである。補正後検出データは、例えば、再構成に関する複数のビューのそれぞれにおいて架台装置１０の回転フレーム１３が停止した状態で仮に患者を撮影する場合に取得される生データに相当する。

したがって、本変形例に係る学習済みモデルＭは、補正前検出データを入力して、補正後検出データを出力できるように各パラメータが学習された多層のネットワークモデルである。

取得機能において処理回路４４は、再構成に関する複数のビューに亘るスキャンの実行中においてＤＡＳ１８から出力された検出データを逐次取得し、メモリ４１に記憶する。また、取得機能において処理回路４４は、再構成に関する複数のビューに亘るスキャンによって取得された補正前検出データを、メモリ４１から取得する。

前処理機能４４２において処理回路４４は、後述のブレ補正機能４４７において学習済みモデルから出力された補正後検出データに対して対数変換処理やオフセット補正処理、チャネル間の感度補正処理、ビームハードニング補正等の前処理を施した補正後投影データを生成する。

再構成処理機能４４３において処理回路４４は、前処理機能４４２において生成された補正後投影データに対して、フィルタ補正逆投影法や逐次近似再構成法等を用いた再構成処理を行ってＣＴ画像データを生成する。

モデル特定機能４４６において処理回路４４は、補正前検出データに関するスキャン条件に基づいて、メモリ４１に保存された複数の学習済みモデルＭの中から、取得した補正前検出データに対応する学習済みモデルＭを特定する。

ブレ補正機能４４７において、処理回路４４は、取得した補正前検出データに対応する学習済みモデルＭを適用し、補正後検出データを生成する。

次に、本変形例に係る医用画像診断装置であるＸ線ＣＴ装置１の動作について説明する。なお、以下で説明する処理手順は一例に過ぎず、各処理は可能な限り変更されてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。

（スキャン処理）
図６は、本変形例に係る処理回路４４による、スキャン処理の手順の一例を示すフローチャートである。

（ステップＳ１２１）
処理回路４４は、取得機能により、ＤＡＳ１８から出力された補正前検出データを取得する。なお、本変形例における取得機能により実行される処理は、架台装置１０、制御装置１５、ＤＡＳ１８等で実行されてもよい。この場合、架台装置１０、制御装置１５、ＤＡＳ１８等は、取得した検出データを処理回路４４へ出力する。

（ステップＳ１２２）
処理回路４４は、モデル特定機能４４６及びブレ補正機能４４７等を実行する。ステップＳ１２２の処理において処理回路４４は、ステップＳ１２１の処理において取得された補正前検出データを学習済みモデルＭに入力することにより、補正後検出データを生成する。生成された補正後検出データは、例えば、メモリ４１に記憶される。ステップＳ１２２の実行時における詳細な処理については、後述する。

（ステップＳ１２３）
処理回路４４は、前処理機能４４２を実行する。前処理機能４４２において処理回路４４は、ステップＳ１２２の処理において取得した補正後検出データに対して前述の前処理を行い、補正後投影データを生成する。生成された補正後投影データは、例えば、メモリ４１に記憶される。

（ステップＳ１２４及びステップＳ１２５）
ステップＳ１２４及びステップＳ１２５の処理は、それぞれ、第１の実施形態のステップＳ１０４及びステップＳ１０５の処理と同様なため、説明を省略する。

（ブレ補正処理）
以下、本変形例に係る処理回路４４がステップＳ１２２において実行するブレ補正処理について詳しく説明する。図７は、本実施形態に係るブレ補正処理の手順の一例を示すフローチャートである。

（ステップＳ１３１）
処理回路４４は、取得機能により、ステップＳ１２１の処理において取得された補正前検出データを取得する。

（ステップＳ１３２）
処理回路４４は、取得機能により、ステップＳ１３１の処理において取得された補正前検出データに関するスキャン条件を、メモリ４１から取得する。

（ステップＳ１３３）
処理回路４４は、モデル特定機能４４６により、ステップＳ１３２の処理において取得されたスキャン条件に基づいて、メモリ４１に保存された複数の学習済みモデルＭの中からスキャン条件に対応する学習済みモデルを特定する。

（ステップＳ１３４）
処理回路４４は、ブレ補正機能４４７により、ステップＳ１３１の処理で取得した補正前検出データにステップＳ１３３の処理で読み出された学習済みモデルを適用し、補正後検出データを生成する。

本変形例のＸ線ＣＴ装置１の処理回路４４は、取得した補正前検出データに学習済みモデルを適用し、補正後投影データを生成することができる。したがって、本変形例のＸ線ＣＴ装置１によれば、第１の実施形態と同様の効果が得られる。すなわち、本変形例のＸ線ＣＴ装置１によれば、補正前検出データに含まれる架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響が低減されるように補正された補正後検出データを生成することができる。そして、回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響が低減された補正後検出データに対して前処理及び再構成処理を行うことにより、回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響が低減された投影データ及びＣＴ画像データを生成することができる。すなわち、本変形例のＸ線ＣＴ装置１によれば、Ｘ線管１１及びＸ線検出器１２の間の位置関係、ＦＣＤ（Focus to Center Distance)、ＦＤＤ（Focus to Detector Distance）、ＦＳＤ（Focus to Slit Distance)、Ｘ線管１１の焦点位置、Ｘ線検出器１２が有する各素子の位置関係などのずれ、Ｘ線検出器１２、ウェッジ１６、コリメータ１７の振動及び変形、Ｘ線検出器１２の各素子に入社するＸ線の入射角度の広がり等に起因する幾何学的なずれの影響が検出データに含まれる場合であっても、適切な状態のＣＴ画像を常に表示することができ、医用画像診断装置において装置の動作に起因する構成部材の設計値からのずれの影響を抑制することができる。

（第１の実施形態の第２の変形例）
本実施形態の第２の変形例について、図８を参照して説明する。本変形例は、第１の実施形態の構成を以下の通りに変形したものである。

本変形例に係る複数の学習済みモデルＭのそれぞれは、再構成処理機能４４３において生成されたＣＴ画像データを補正前再構成データとして、補正前再構成データの入力を受け付ける。それぞれの学習済みモデルは、補正前再構成データに基づいて補正後再構成データを出力する。本変形例において、補正前再構成データは、第１の医用データに相当する。また、補正後再構成データは、第２の医用データに相当する。

補正前再構成データは、架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響を含む投影データを用いて再構成された画像データである。すなわち、補正前再構成データは、架台装置１０の回転フレーム１３を回転させて患者を撮像し、取得機能が実行されることにより取得された画像データである。

補正後再構成データは、補正前再構成データに含まれる架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響を低減するように補正された画像データである。補正後再構成データは、例えば、仮に、再構成に関する複数のビューのそれぞれにおいて架台装置１０の回転フレーム１３が停止した状態で患者を撮影する場合に取得される画像データに相当する。

したがって、本変形例に係る学習済みモデルＭは、補正前再構成データを入力して、補正後再構成データを出力できるように各パラメータが学習された多層のネットワークモデルである。

前処理機能４４２において処理回路４４は、ＤＡＳ１８から出力された検出データに対して対数変換処理やオフセット補正処理、チャネル間の感度補正処理、ビームハードニング補正等の前処理を施した投影データを生成する。

再構成処理機能４４３において処理回路４４は、前処理機能４４２において生成された投影データに対して、フィルタ補正逆投影法や逐次近似再構成法等を用いた再構成処理を行って補正前再構成データを生成する。

モデル特定機能４４６において処理回路４４は、補正前再構成データに関するスキャン条件に基づいて、メモリ４１に保存された複数の学習済みモデルＭの中から、取得した補正前再構成データに対応する学習済みモデルＭを特定する。

ブレ補正機能４４７において処理回路４４は、取得した補正前再構成データに対応する学習済みモデルＭを適用し、補正後再構成データを生成する。

次に、本変形例に係る医用画像診断装置であるＸ線ＣＴ装置１の動作について説明する。なお、以下で説明する処理手順は一例に過ぎず、各処理は可能な限り変更されてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。

（スキャン処理）
図８は、本変形例に係る処理回路４４による、スキャン処理の手順の一例を示すフローチャートである。

（ステップＳ１４１）
ステップＳ１４１の処理は、第１の実施形態のステップＳ１０１の処理と同様なため、説明を省略する。

（ステップＳ１４２）
処理回路４４は、前処理機能４４２を実行する。前処理機能４４２において処理回路４４は、ステップＳ１４１の処理において取得した検出データに対して前述の前処理を行い、投影データを生成する。生成された投影データは、例えば、メモリ４１に記憶される。

（ステップＳ１４３）
処理回路４４は、再構成処理機能４４３を実行する。再構成処理機能４４３において処理回路４４は、ステップＳ１４２の処理において生成された投影データに対して再構成処理を行うことにより、補正前再構成データを生成する。

（ステップＳ１４４）
処理回路４４は、モデル特定機能４４６及びブレ補正機能４４７等を実行する。ステップＳ１４４の処理において処理回路４４は、ステップＳ１４３の処理において生成された補正前再構成データを学習済みモデルＭに入力することにより、補正後再構成データを生成する。生成された補正後再構成データは、例えば、メモリ４１に記憶される。ステップＳ１４４の実行時における詳細な処理については、後述する。

（ステップＳ１４５）
ステップＳ１４５の処理は、第１の実施形態のステップＳ１０５の処理と同様であるため、説明を省略する。

（ブレ補正処理）
以下、本変形例に係る処理回路４４がステップＳ１４４において実行するブレ補正処理について詳しく説明する。図９は、本実施形態に係るブレ補正処理の手順の一例を示すフローチャートである。

（ステップＳ１５１）
処理回路４４は、取得機能により、ステップＳ１４１の処理において取得された補正前再構成データを取得する。

（ステップＳ１５２）
処理回路４４は、取得機能により、ステップＳ１５１の処理において取得された補正前再構成データに関するスキャン条件を、メモリ４１から取得する。

（ステップＳ１５３）
処理回路４４は、モデル特定機能４４６により、ステップＳ１５２の処理において取得したスキャン条件に基づいてメモリ４１に保存された複数の学習済みモデルＭの中から取得したスキャン条件に対応する学習済みモデルを特定する。

（ステップＳ１５４）
処理回路４４は、ブレ補正機能４４７により、ステップＳ１５１の処理で取得した補正前再構成データにステップＳ１５３の処理で読み出された学習済みモデルを適用し、補正後再構成データを生成する。

本変形例のＸ線ＣＴ装置１の処理回路４４は、取得した補正前再構成データに学習済みモデルを適用し、補正後再構成データを生成することができる。したがって、本変形例のＸ線ＣＴ装置１によれば、第１の実施形態と同様の効果が得られる。すなわち、本変形例のＸ線ＣＴ装置１によれば、補正前再構成データに含まれる架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響が低減されるように補正された補正後再構成データを生成することができる。これにより、第１の実施形態と同様に、医用画像診断装置において装置の動作に起因する構成部材の設計値からのずれの影響を抑制することができる。

（第１の実施形態の第３の変形例）
本実施形態の第３の変形例について、図１０乃至図１２を参照して説明する。本変形例は、第１の実施形態の構成を以下の通りに変形したものである。

本変形例においても、学習済みモデルのそれぞれは、補正前投影データに基づいて補正後投影データを出力する。

本変形例に係る補正前投影データは、架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響に加えて、架台装置１０の筐体に対する回転フレーム１３のチルト（傾き）に起因する各構成部材の設計値（理想位置）からの幾何学的なずれの影響を含む投影データである。補正前投影データは、例えば、架台装置１０の回転フレーム１３を筐体に対してチルトさせた状態で架台装置１０の回転フレーム１３を回転させて患者を撮像し、前処理機能４４２が実行されることにより生成された投影データである。

本変形例に係る補正後投影データは、補正前投影データに含まれる架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響に加えて、架台装置１０の筐体に対する回転フレーム１３のチルト（傾き）に起因する各構成部材の理想位置からの幾何学的なずれの影響を低減するように補正された投影データである。補正後投影データは、例えば、架台装置１０の回転フレーム１３を架台装置１０の筐体に対してチルトさせない状態で、再構成に関する複数のビューのそれぞれにおいて架台装置１０の回転フレーム１３が停止した状態で患者を仮に撮影する場合に取得される投影データに相当する。

図１０は、本変形例に係るブレ補正処理におけるメモリ４１と処理回路４４との間のデータの流れの一例を模式的に示す図である。ここでは、例として、それぞれが異なる回転速度Ｖに対応する複数の学習済みモデル（例えばＭＡ１１、ＭＡ１２、ＭＡ１３など）と、それぞれが異なる撮像対象部位に対応する複数の学習済みモデル（例えばＭＡ２１、ＭＡ２２、ＭＡ２３など）が、メモリ４１に記憶されている場合について説明する。回転速度Ｖが異なる複数の学習済みモデル（例えばＭＡ１１、ＭＡ１２、ＭＡ１３など）と、撮像対象部位がそれぞれ異なる複数の学習済みモデル（例えばＭＡ２１、ＭＡ２２、ＭＡ２３など）とのそれぞれは、回転フレーム１３の回転による幾何学的なずれの影響及びチルトによる幾何学的なずれの影響を低減するように学習された学習済みモデルである。図１１及び図１２は、ブレ補正処理における入力と出力との関係の一例を模式的に示す図である。ここでは、図１０に示す例において、学習済みモデルに入力される補正前投影データのスキャン条件が、回転速度Ｖ２及び撮像対象部位が頭部の場合について説明する。

本変形例に係るブレ補正処理では、処理回路４４は、ステップＳ１１２の処理において、図１０に示すように、補正前投影データに付帯するスキャン条件である「回転速度Ｖ２」及び「撮像対象部位：頭部」を、メモリ４１から取得する。そして、処理回路４４は、ステップＳ１１３の処理において、メモリ４１に記憶されている複数の学習済みモデルＭの中から、「回転速度Ｖ２用の学習済みモデルＭＡ１２」及び「頭部用の学習済みモデルＭＡ２１」を特定し、メモリ４１から読み出す。そして、処理回路４４は、ステップＳ１１４の処理において、図１１に示すように、補正前投影データに回転速度Ｖ２用の学習済みモデルＭ１２を適用する。回転速度Ｖ２用の学習済みモデルＭ１２は、補正前投影データに基づいて、補正前投影データに含まれる架台装置１０の回転フレーム１３の回転及びチルトに起因する各構成部材の理想位置からの幾何学的なずれの影響が補正された投影データ（以下、第１の出力投影データと呼ぶ）を出力する。次に、処理回路４４は、図１２に示すように、第１出力補正後投影データを、頭部用の学習済みモデルＭＡ２１に入力データとして入力する。頭部用の学習済みモデルＭＡ２１は、第１出力投影データに含まれる架台装置１０の回転フレーム１３の回転及びチルトに起因する各構成部材の理想位置からの幾何学的なずれの影響が補正された投影データ（以下、第２出力投影データと呼ぶ）を出力する。処理回路４４は、第２出力投影データを、補正後投影データとしてメモリ４１に出力する。

本変形例のＸ線ＣＴ装置１では、処理回路４４は、取得した補正前投影データに学習済みモデルを適用し、補正後投影データを生成することができる。すなわち、上記の構成及び動作により、本変形例のＸ線ＣＴ装置１によれば、補正前投影データに含まれる架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響、及び、補正前投影データに含まれる架台装置１０の回転フレーム１３のチルトに起因する各構成部材の理想位置からの幾何学的なずれの影響が低減されるように補正された補正後投影データを生成することができる。これにより、回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響に加えて、回転フレーム１３のチルトに起因する各構成部材の理想位置からの幾何学的なずれの影響が低減されたＣＴ画像をディスプレイ４２に表示することができる。

（第１の実施形態の第４の変形例）
本実施形態の第４の変形例について、図１３乃至図１５を参照して説明する。本変形例は、第１の実施形態の構成を以下の通りに変形したものである。

本変形例においても、学習済みモデルのそれぞれは、補正前投影データに基づいて補正後投影データを出力する。

本変形例に係る補正前投影データは、架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響に加えて、架台装置１０の個体差又は製造誤差に起因する各構成部材の理想位置からの幾何学的なずれの影響を含む投影データである。補正前投影データは、例えば、ある架台装置１０を用いて、架台装置１０の回転フレーム１３を回転させて患者を撮像し、前処理機能４４２が実行されることにより生成された投影データである。

本変形例に係る補正後投影データは、補正前投影データに含まれる架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響に加えて、架台装置１０の個体差に起因する各構成部材の理想位置からの幾何学的なずれの影響を低減するように補正された投影データである。補正後投影データは、例えば、再構成に関する複数のビューのそれぞれにおいて架台装置１０の回転フレーム１３が停止した状態で患者を仮に撮影する場合に取得される投影データに相当する投影データに相当し、かつ、異なる識別番号Ｎを有する複数の架台装置１０のそれぞれにおいて取得される投影データを平均した投影データに相当する。

図１３は、本変形例に係るブレ補正処理におけるメモリ４１と処理回路４４との間のデータの流れの一例を模式的に示す図である。ここでは、例として、それぞれが異なる回転速度Ｖに対応する複数の学習済みモデル（例えばＭＢ１１、ＭＢ１２、ＭＢ１３など）と、それぞれが異なる架台装置１０に対応する複数の学習済みモデル（例えばＭＢ２１、ＭＢ２２、ＭＢ２３など）が、メモリ４１に記憶されている場合について説明する。回転速度Ｖが異なる複数の学習済みモデル（例えばＭＢ１１、ＭＢ１２、ＭＢ１３など）と、架台装置１０の識別番号（シリアル番号）Ｎがそれぞれ異なる複数の学習済みモデル（例えばＭＢ２１、ＭＢ２２、ＭＢ２３など）とのそれぞれは、回転フレーム１３の回転による幾何学的なずれの影響及び装置の個体差による幾何学的なずれの影響を低減するように学習された学習済みモデルである。図１４及び図１５は、ブレ補正処理における入力と出力との関係の一例を模式的に示す図である。ここでは、図１３に示す例において、学習済みモデルに入力される補正前投影データのスキャン条件が、回転速度Ｖ２及び識別番号Ｎ１の場合について説明する。

本変形例に係るブレ補正処理では、処理回路４４は、ステップＳ１１２の処理において、図１３に示すように、補正前投影データに付帯するスキャン条件である「回転速度Ｖ２」及び「識別番号Ｎ１」を、メモリ４１から取得する。そして、処理回路４４は、ステップＳ１１３の処理において、メモリ４１に記憶されている複数の学習済みモデルＭの中から、「回転速度Ｖ２用の学習済みモデルＭＢ１２」及び「識別番号Ｎ１用の学習済みモデルＭＢ２１」を特定し、メモリ４１から読み出す。そして、処理回路４４は、ステップＳ１１４の処理において、図１４及び図１５に示すように、ステップＳ１１１の処理において取得した補正前投影データを、ステップＳ１１３の処理で読み出した回転速度Ｖ２用の学習済みモデルＭＢ１２、及び、識別番号Ｎ１用の学習済みモデルＭＢ２１に適用し、出力された投影データを、補正後投影データとしてメモリ４１に出力する。

本変形例のＸ線ＣＴ装置１では、処理回路４４は、取得した補正前投影データに学習済みモデルを適用し、補正後投影データを生成することができる。すなわち、上記の構成及び動作により、本変形例のＸ線ＣＴ装置１によれば、補正前投影データに含まれる架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響、及び、補正前投影データに含まれる架台装置１０の個体差に起因する各構成部材の理想位置からの幾何学的なずれの影響が低減されるように補正された補正後投影データを生成することができる。これにより、回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響に加えて、装置ごとの製造誤差等に起因する各構成部材の理想位置からの幾何学的なずれの影響が低減されたＣＴ画像をディスプレイ４２に表示することができる。

（第１の実施形態の第５の変形例）
本実施形態の第５の変形例について、図１６乃至図１８を参照して説明する。本変形例は、第１の実施形態の構成を以下の通りに変形したものである。本変形例に係る医用画像診断装置は、患者が載置され、装置本体に対して移動可能な被検体支持機構を有する装置であればよい。医用画像診断装置は、例えば、Ｘ線診断装置、ＰＥＴ装置、およびＳＰＥＣＴ装置等の単一モダリティ装置であっても良いし、ＰＥＴ／ＣＴ装置、ＳＰＥＣＴ／ＣＴ装置、ＰＥＴ／ＭＲＩ装置等の複合モダリティ装置であっても良い。

本変形例においても、学習済みモデルのそれぞれは、補正前投影データに基づいて補正後投影データを出力する。補正前投影データは、天板移動医用データに相当する。また、補正後投影データは、影響低減医用データに相当する。

本変形例に係る補正前投影データは、寝台装置３０の天板３３の振動の影響を含む投影データである。補正前投影データは、例えば、寝台装置３０の天板３３を移動させて患者を撮像し、前処理機能４４２が実行されることにより生成された投影データである。

本変形例に係る補正後投影データは、補正前投影データに含まれる寝台装置３０の天板３３の振動の影響を低減するように補正された投影データである。補正後投影データは、例えば、天板３３の位置を一定の時間間隔で移動させて行うノンヘリカルスキャンに関する複数の停止位置のそれぞれにおいて、寝台装置３０の天板３３の移動が停止した状態、又は、天板３３の移動の停止から振動の減衰に十分な時間が経過後に患者を仮に撮影する場合に取得される投影データに相当する。

図１６は、本変形例に係るブレ補正処理におけるメモリ４１と処理回路４４との間のデータの流れの一例を模式的に示す図である。ここでは、例として、それぞれが異なる移動速度ＶＴに対応する複数の学習済みモデル（例えばＭＣ１１、ＭＣ１２、ＭＣ１３など）と、それぞれが異なる経過時間Ｔ（天板３３の移動停止からの経過時間）に対応する複数の学習済みモデル（例えばＭＣ２１、ＭＣ２２、ＭＣ２３など）が、メモリ４１に記憶されている場合について説明する。移動速度ＶＴが異なる複数の学習済みモデル（例えばＭＣ１１、ＭＣ１２、ＭＣ１３など）と、撮像タイミングがそれぞれ異なる複数の学習済みモデル（例えばＭＣ２１、ＭＣ２２、ＭＣ２３など）とのそれぞれは、天板３３の移動による幾何学的なずれの影響を低減するように学習された学習済みモデルである。図１７及び図１８は、ブレ補正処理における入力と出力との関係の一例を模式的に示す図である。ここでは、図１６に示す例において、学習済みモデルに入力される補正前投影データのスキャン条件が、移動速度ＶＴ２及び経過時間Ｔ１の場合について説明する。

本変形例に係るブレ補正処理では、処理回路４４は、ステップＳ１１２の処理において、図１６に示すように、補正前投影データに付帯するスキャン条件である「移動速度ＶＴ２」及び「経過時間Ｔ１」を、メモリ４１から取得する。そして、処理回路４４は、ステップＳ１１３の処理において、メモリ４１に記憶されている複数の学習済みモデルＭの中から、「移動速度ＶＴ２用の学習済みモデルＭＣ１２」及び「経過時間Ｔ１用の学習済みモデルＭＣ２１」を特定し、メモリ４１から読み出す。そして、処理回路４４は、ステップＳ１１４の処理において、図１７及び図１８に示すように、ステップＳ１１１の処理において取得した補正前投影データを、ステップＳ１１３の処理で読み出した移動速度ＶＴ２用の学習済みモデルＭＣ１２、及び、経過時間Ｔ１用の学習済みモデルＭＣ２１に適用し、出力された投影データを、補正後投影データとしてメモリ４１に出力する。

本変形例のＸ線ＣＴ装置１では、処理回路４４は、取得した補正前投影データに学習済みモデルを適用し、補正後投影データを生成することができる。すなわち、上記の構成及び動作により、本変形例のＸ線ＣＴ装置１によれば、補正前投影データに含まれる寝台装置３０の天板３３の振動の影響が低減されるように補正された補正後投影データを生成することができる。これにより、天板３３の振動の影響が低減されたＣＴ画像をディスプレイ４２に表示することができる。

なお、本変形例では、Ｘ線を発生させるハードウェアはＸ線管１１に限らない。例えば、Ｘ線管１１に代えて、電子銃から発生した電子ビームを集束させるフォーカスコイルと、電磁偏向させる偏向コイルと、被検体Ｐの半周を囲い偏向した電子ビームが衝突することによってＸ線を発生させるターゲットリングとを含む第５世代方式を用いてＸ線を発生させることにしても構わない。

（第１の実施形態の第６の変形例）
本実施形態の第６の変形例について、図１９を参照して説明する。本変形例は、第１の実施形態の構成を以下の通りに変形したものである。

本変形例では、メモリ４１は、架台装置１０の回転フレーム１３の回転に起因するＣＴ画像データ上の画像ブレの検出に用いられるＣＴ画像データ（以下、検出用データと呼ぶ）を、さらに記憶する。

検出用データは、例えば、メモリ４１に記憶されたＣＴ画像データである。あるいは、検出用データは、Ｘ線ＣＴ装置１を用いて、ファントムを撮像対象として取得されたＣＴ画像データである。

（ブレ補正処理）
図１９は、本変形例に係る処理回路４４による、ブレ補正処理の手順の一例を示すフローチャートである。

（ステップＳ１６１）
処理回路４４は、取得機能により、第１の実施形態と同様にして、補正前投影データを取得する。

（ステップＳ１６２）
処理回路４４は、取得機能により、第１の実施形態と同様にして、補正前投影データに関するスキャン条件を取得する。

（ステップＳ１６３）
処理回路４４は、取得機能により、検出用データを取得する。本変形例では、処理回路４４は、メモリ４１から検出用データを取得する。

（ステップＳ１６４）
処理回路４４は、モデル特定機能４４６により、ステップＳ１６３の処理において取得した検出用データに基づいて、画像ブレを検出する。この際、処理回路４４は、例えば、画像認識技術等の既知の検出手法により、画像ブレを自動的に検出する。画像ブレは、例えば、検出用データに基づいて生成された画像をディスプレイ４２に表示させ、表示された画像上での操作者の操作入力を介して検出されてもよい。

（ステップＳ１６５）
処理回路４４は、モデル特定機能４４６により、ステップＳ１６４の処理において取得した画像ブレに基づいて、画像ブレが生じた原因（以下、ブレ原因と呼ぶ）を特定する。この際、処理回路４４は、例えば、対応表等を用いた既知の判断手法により、自動的にブレ原因を特定する。ブレ原因は、例えば、検出用データに基づいて生成された画像をディスプレイ４２に表示させ、表示された画像に基づく操作者の判断結果が入力されることにより特定されてもよい。例えば、架台装置１０の経時的変化による、回転フレーム１３の回転に起因する架台装置１０の振動の増大が、ブレ原因として特定される。

（ステップＳ１６６）
処理回路４４は、モデル特定機能４４６により、ステップＳ１６５の処理において取得したブレ原因とステップＳ１６３の処理において取得したスキャン条件とに基づいて、複数の学習済みモデルＭの中から、使用するＸ線ＣＴ装置１に適した学習済みモデルを特定する。この際、例えば、ブレ原因及びスキャン条件に対する学習済みモデルの対応表（ルックアップテーブル）がメモリ４１に記憶され、処理回路４４は、取得したブレ原因及びスキャンと対応表とに基づいて、使用するＸ線ＣＴ装置１に適した学習済みモデルを特定する。例えば、架台装置１０の経時的変化による、回転フレーム１３の回転に起因する架台装置１０の振動の増大がブレ原因として取得された場合、処理回路４４は、ステップＳ１６２の処理において取得した回転速度Ｖよりも大きい回転速度に対応する学習済みモデルを、使用するＸ線ＣＴ装置１に適した学習済みモデルをとして特定する。

なお、ステップＳ１６６の処理において、処理回路４４は、使用するＸ線ＣＴ装置１に適した学習済みモデルを特定するとともに、ブレ原因に基づいて、特定した学習済みモデルの多層化ネットワークのパラメータを適宜更新してもよい。

（ステップＳ１６７）
処理回路４４は、ブレ補正機能４４７により、ステップＳ１６１の処理において取得した補正前投影データに、ステップＳ１６６の処理において特定した学習済みモデルを適用し、補正後投影データを生成する。

本変形例においても、第１の実施形態と同様に、スキャン条件毎に生成された複数の学習済みモデルＭがメモリ４１に保存されている。本変形例では、処理回路４４は、検出用データにおける画像ブレが生じた原因を取得し、取得したブレ原因に基づいて、ブレ原因の影響を低減する学習済みモデルを特定する。そして、処理回路４４は、特定した学習済みモデルに補正前投影データを適用する。上述の構成及び動作により、本変形例のＸ線ＣＴ装置１によれば、画像ブレの原因に対応した学習済みモデルを用いて補正前投影データに対するブレ補正処理を行うことができる。これにより、架台装置１０及び寝台装置３０等の装置の経年劣化等に起因するＣＴ画像データ上の画像ブレが生じる場合であっても、装置の経年劣化等に起因するＣＴ画像データ上の画像ブレを低減する適切な補正後投影データを生成することができ、投影データの補正精度を向上させることができる。

（第２の実施形態）
第２の実施形態について、図２０乃至図２４を参照して説明する。本実施形態は、第１の実施形態の構成を次の通りに変形したものである。

図２０は、本実施形態に係る医用画像診断装置の構成例を示す図である。本実施形態のＸ線ＣＴ装置１は、第１の実施形態で用いられる学習済みモデルの生成に用いられる学習用データを生成する。

本実施形態では、メモリ４１は、例えば、検出データ、投影データ、再構成画像データ、及び学習用データなどを記憶する。

処理回路４４は、システム制御機能４４１、前処理機能４４２、再構成処理機能４４３、画像処理機能４４４、表示制御機能４４５、学習用データ生成機能４４８を実行する。学習用データ生成機能４４８において処理回路４４は、第１の実施形態及び第１の実施形態の各変形例で用いられる学習済みモデルの生成に用いられる学習用データを生成する。すなわち、学習用データ生成機能４４８において処理回路４４は、第１の実施形態及び第１の実施形態の各変形例で用いられる多層のネットワークモデル（未学習モデル）を学習させるための学習用データを生成する。

なお、図２０においては、単一の処理回路４４によって、システム制御機能４４１、前処理機能４４２、再構成処理機能４４３、画像処理機能４４４、表示制御機能４４５、及び学習用データ生成機能４４８が実現されるものとして説明したがこれに限らない。例えば、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を実現するものとしても構わない。また、システム制御機能４４１、前処理機能４４２、再構成処理機能４４３、画像処理機能４４４、表示制御機能４４５、学習用データ生成機能４４８は、それぞれシステム制御回路、前処理回路、再構成処理回路、画像処理回路、表示制御回路、学習用データ生成回路と呼んでもよく、個別のハードウェア回路として実装してもよい。

以下、学習用データについて、図２１乃至図２４を参照して説明する。学習用データは、複数の学習サンプルを含む。複数の学習サンプルのそれぞれは、ブレあり医用データとブレなし医用データとを１つずつ含む。すなわち、学習サンプルのそれぞれは、ブレあり医用データと、対応するブレなし医用データとの組合せである。ブレあり医用データは、学習用モデルの学習に用いられる訓練データである。ブレなし医用データは、学習用モデルの学習に用いられる教師データである。

図２１は、第１の実施形態及び第１の実施形態の第６の変形例に係る回転速度Ｖ１用学習済みモデルＭ１１を生成する学習用モデルの学習に用いる学習用データ（回転速度Ｖ１用学習用データ）の一例を示す。図２１の一例では、学習用データは、ブレあり投影データとブレなし投影データを含む。図２１の一例において、ブレあり投影データは、ブレあり医用データに相当し、第３の医用データに相当する。ブレなし投影データは、ブレなし医用データに相当し、第４の医用データに相当する。

ブレあり投影データは、架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響を含む投影データである。ブレあり投影データは、例えば、架台装置１０の回転フレーム１３を回転させてファントムを撮像し、前処理機能４４２が実行されることにより生成された投影データである。

ブレなし投影データは、架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響を含まない投影データ、又は、架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響が低減された投影データである。ブレなし投影データは、例えば、再構成に関する複数のビューのそれぞれにおいて架台装置１０の回転フレーム１３が停止した状態でファントムを撮影した場合に取得される投影データである。ブレなし投影データは、例えば、再構成に関する複数のビューのそれぞれにおいて架台装置１０の回転フレーム１３をブレあり投影データに関する回転フレーム１３の回転速度よりも小さい回転速度で回転させてファントムを撮影した場合に取得される投影データであってもよい。

学習サンプルのそれぞれでは、ブレなし投影データは、対応するブレあり投影データに対して、回転速度Ｖを除くスキャン条件のそれぞれが等しいことが望ましい。回転速度Ｖを除くスキャン条件は、例えば、ファントムの種類、管電圧、及び管電流等である。

図２２は、第１の実施形態の第１の変形例に係る回転速度Ｖ１用学習済みモデルを生成する学習用モデルの学習に用いる学習用データ（回転速度Ｖ１用学習用データ）の一例を示す。図２２の一例では、学習用データは、ブレあり検出データとブレなし検出データを含む。図２２の一例において、ブレあり検出データは、ブレあり医用データに相当し、第３の医用データに相当する。ブレなし検出データは、ブレなし医用データに相当し、第４の医用データに相当する。

ブレあり検出データは、架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響を含む検出データである。ブレあり検出データは、例えば、架台装置１０の回転フレーム１３を回転させてファントムを撮像することにより生成された検出データである。

ブレなし検出データは、架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響を含まない検出データである。ブレなし検出データは、例えば、再構成に関する複数のビューのそれぞれにおいて架台装置１０の回転フレーム１３が停止した状態でファントムを撮影した場合に取得される検出データである。

学習サンプルのそれぞれでは、ブレなし検出データは、対応するブレあり検出データに対して、回転速度Ｖを除くスキャン条件のそれぞれが等しいことが望ましい。

図２３は、第１の実施形態の第２の変形例に係る回転速度Ｖ１用学習済みモデルを生成する学習用モデルの学習に用いる学習用データ（回転速度Ｖ１用学習用データ）の一例を示す。図２３の一例では、学習用データは、ブレあり再構成データとブレなし再構成データを含む。図２３の一例において、ブレあり再構成データは、ブレあり医用データに相当第３の医用データに相当する。ブレなし再構成データは、ブレなし医用データに相当し、第４の医用データに相当する。

ブレあり再構成データは、架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響を含む再構成データである。ブレあり再構成データは、例えば、架台装置１０の回転フレーム１３を回転させてファントムを撮像することにより生成された再構成データである。

ブレなし再構成データは、架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響を含まない再構成データである。ブレなし再構成データは、例えば、再構成に関する複数のビューのそれぞれにおいて架台装置１０の回転フレーム１３が停止した状態でファントムを撮影した場合に取得される再構成データである。

学習サンプルのそれぞれでは、ブレなし再構成データは、対応するブレあり再構成データに対して、回転速度Ｖを除くスキャン条件のそれぞれが等しいことが望ましい。

図２４は、第１の実施形態の第３の変形例に係る回転速度Ｖ１用学習済みモデルＭＡ１１を生成する学習用モデルの学習に用いる学習用データ（回転速度Ｖ１用学習用データ）の一例を示す。図２４の一例では、学習用データは、ブレあり投影データとブレなし投影データを含む。図２４の一例において、ブレあり投影データは、ブレあり医用データに相当し、第３の医用データに相当する。ブレなし投影データは、ブレなし医用データに相当し、第４の医用データに相当する。

ブレあり投影データは、架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響に加えて、架台装置１０の回転フレーム１３の架台装置１０の筐体に対するチルト（傾き）に起因する各構成部材の理想位置からの幾何学的なずれの影響を含む投影データである。ブレあり投影データは、例えば、架台装置１０の回転フレーム１３を筐体に対してチルトさせた状態で架台装置１０の回転フレーム１３を回転させてファントムを撮像し、前処理機能４４２が実行されることにより生成された投影データである。

ブレなし投影データは、架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響を含まず、かつ、架台装置１０の回転フレーム１３の架台装置１０の筐体に対するチルト（傾き）に起因する各構成部材の理想位置からの幾何学的なずれの影響を含まない投影データである。ブレなし投影データは、例えば、架台装置１０の回転フレーム１３を架台装置１０の筐体に対してチルトさせない状態で、再構成に関する複数のビューのそれぞれにおいて架台装置１０の回転フレーム１３が停止した状態でファントムを撮影した場合に取得される投影データである。

学習サンプルのそれぞれでは、ブレなし投影データは、対応するブレあり投影データに対して、回転速度Ｖ及びチルト角αを除く、スキャン条件のそれぞれが等しいことが望ましい。

図２５は、第１の実施形態の第４の変形例に係る回転速度Ｖ１用学習済みモデルＭＢ１１を生成する学習用モデルの学習に用いる学習用データ（回転速度Ｖ１用学習用データ）の一例を示す。図２５の一例では、学習用データは、ブレあり投影データとブレなし投影データを含む。図２５の一例において、ブレあり投影データは、ブレあり医用データに相当し、第３の医用データに相当する。ブレなし投影データは、ブレなし医用データに相当し、第４の医用データに相当する。

ブレあり投影データは、架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響に加えて、架台装置１０の個体差、すなわち製造誤差に起因する各構成部材の理想位置からの幾何学的なずれの影響を含む投影データである。ブレあり投影データは、例えば、ある架台装置１０を用いて、架台装置１０の回転フレーム１３を回転させてファントムを撮像し、前処理機能４４２が実行されることにより生成された投影データである。

ブレなし投影データは、架台装置１０の回転フレーム１３の回転に起因する各構成部材の理想位置からの幾何学的なずれの影響を含まず、かつ、架台装置１０の個体差、すなわち製造誤差に起因する各構成部材の理想位置からの幾何学的なずれの影響を含まない投影データである。ブレなし投影データは、例えば、再構成に関する複数のビューのそれぞれにおいて架台装置１０の回転フレーム１３が停止した状態でファントムを撮影した場合に取得される投影データを、個体差を有する複数の架台装置１０のそれぞれに関して取得し、取得した投影データを平均して生成される投影データである。

学習サンプルのそれぞれでは、ブレなし投影データは、対応するブレあり投影データに対して、回転速度Ｖ及び識別番号Ｎ（製造番号）を除く、スキャン条件のそれぞれが等しいことが望ましい。

図２６は、第１の実施形態の第５の変形例に係る移動速度ＶＴ１用学習済みモデルＭＣ１１を生成する学習用モデルの学習に用いる学習用データ（回転速度Ｖ１用学習用データ）の一例を示す。図２６の一例では、学習用データは、ブレあり投影データとブレなし投影データを含む。図２６の一例において、ブレあり投影データは、ブレあり医用データに相当し訓練医用データに相当する。ブレなし投影データは、ブレなし医用データに相当し、教師医用データに相当する。

ブレあり投影データは、寝台装置３０の天板３３の振動の影響を含む投影データである。ブレあり投影データは、例えば、寝台装置３０の天板３３を移動させてファントムを撮像することにより生成された投影データである。

ブレなし投影データは、寝台装置３０の天板３３の振動の影響を含まない投影データである。ブレなし投影データは、例えば、天板３３の位置を一定の時間間隔で移動させて行うノンヘリカルスキャンに関する複数の停止位置のそれぞれにおいて、寝台装置３０の天板３３の移動が停止した状態、又は、天板３３の移動の停止から振動の減衰に十分な時間が経過後にファントムを撮影した場合に取得される投影データである。

学習サンプルのそれぞれでは、ブレなし投影データは、対応するブレあり投影データに対して、天板３３の移動速度ＶＴを除くスキャン条件が等しいことが望ましい。

以下、本実施形態に係る医用画像診断装置であるＸ線ＣＴ装置１の動作について説明する。なお、以下で説明する処理手順は一例に過ぎず、各処理は可能な限り変更されてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。

図２７は、本実施形態に係る処理回路４４による、学習済みモデルの学習に用いられる学習用データを生成する処理（以下、学習用データ生成処理と呼ぶ）の手順の一例を示すフローチャートである。

（学習用データ生成処理）
（ステップＳ２０１）
処理回路４４は、取得機能により、ブレあり投影データを取得する。この際、処理回路４４は、ブレあり投影データとともに、ブレあり投影データに関するスキャン条件を取得する。処理回路４４は、例えば、メモリ４１からブレあり投影データ及びスキャン条件を取得する。

（ステップＳ２０２）
処理回路４４は、取得機能により、ステップＳ２０１の処理によって取得されたブレあり投影データに対応するブレなし投影データを取得する。この際、処理回路４４は、ブレなし投影データとともに、ブレなし投影データに関するスキャン条件を取得する。処理回路４４は、例えば、メモリ４１からブレなし投影データ及びスキャン条件を取得する。

（ステップＳ２０３）
処理回路４４は、学習用データ生成機能４４８により、ステップＳ２０１の処理によって取得されたブレあり投影データと、ステップＳ２０２の処理によって取得されたブレなし投影データとを関連付けて、学習サンプルを生成する。

処理回路４４は、ファントム、再構成ビュー数等を適宜変更して、ステップＳ２０１乃至ステップＳ２０３の処理を繰り返すことにより、多層のネットワークモデルの学習に用いられる学習サンプルを複数生成する。

（ステップＳ２０４）
処理回路４４は、学習用データ生成機能４４８により、ステップＳ２０１乃至ステップＳ２０３の処理を繰り返すことにより生成された複数の学習サンプルを統合して、学習用データを生成する。処理回路４４は、生成された学習用データを、メモリ４１に記憶する。なお、処理回路４４は、生成された学習用データを、不図示の通信インターフェース等を介して外部記憶装置に出力してもよい。

本実施形態の医用画像診断装置であるＸ線ＣＴ装置１によれば、第１の実施形態等で説明したブレ補正処理に使用する学習済みモデルの学習に用いられる学習用データを生成することができる。

また、本実施形態の医用画像診断装置であるＸ線ＣＴ装置１によれば、例えば回転フレーム１３の回転速度Ｖ等のスキャン条件に対応する学習用データを生成することができる。これにより、学習用モデルの学習において、スキャン条件に対応する学習済みモデルを生成することができる。

なお、ブレなし医用データは、スキャン条件の異なる複数のブレあり医用データに基づいて生成されてもよい。すなわち、ブレなし医用データは、スキャン条件の異なる複数のブレあり医用データを用いて外挿されてもよい。ブレなし医用データを生成する機能は、Ｘ線ＣＴ装置１の処理回路４４によって実行されてもよく、Ｘ線ＣＴ装置１とは異なる装置において実行されてもよい。

例えば、図２１に示す一例におけるブレなし医用データを生成する場合には、架台装置１０の回転フレーム１３を回転速度Ｖ１で回転させて被検体を撮像することにより取得された第１の外挿用投影データと、架台装置１０の回転フレーム１３を回転速度Ｖ１とは異なる回転速度Ｖ２で回転させて被検体を撮像することにより取得された第２の外挿用投影データと、回転速度の差（Ｖ２－Ｖ１）とを用いて、回転速度Ｖが仮に０である場合に取得される投影データが、外挿により生成される。回転速度Ｖ１及び回転速度Ｖ２は、例えば、ブレあり医用データの回転速度よりも小さい。回転速度Ｖ１及び回転速度Ｖ２は、遅い速度であることが好ましい。回転速度Ｖ１及び回転速度Ｖ２は、「０」に近いことが好ましい。すなわち、処理回路４４は、異なる回転速度で回転フレームを筐体に対して回転させて取得された複数の医用データを用いて生成された医用データを、ブレなし医用データとして取得する。
また、例えば、図２６に示す一例におけるブレなし医用データを生成する場合には、処理回路４４は、異なる移動速度で天板を基台に対して移動させて取得された複数の投影データを用いて、天板を基台に対して移動させずに取得される投影データ、又は、ブレあり医用データに関する移動速度よりも小さい移動速度で天板を基台に対して移動させて取得される投影データを、ブレなし医用データとして生成する。

以下、第１の実施形態等において用いられる学習済みモデルの生成方法の一例について、図２８を参照して説明する。図２８は、学習済みモデルの生成の一例として、投影データに関する学習済みモデルの生成の流れを模式的に示す図である。

不図示の学習済みモデル生成装置に搭載された処理回路は、学習済みモデルを生成する学習済みモデル生成機能により、ブレあり投影データとブレなし投影データとを含む学習用データを多層のネットワークモデル（学習用モデル）に学習させることで、学習済みモデルを生成する。学習済みモデル生成機能は、モデル学習プログラムに相当し、処理回路において実行される。例えば、処理回路は、ブレあり投影データとブレなし投影データとの差分（誤差）を用いた誤差逆伝播法に従って多層のネットワークモデルにおけるパラメータ（重み）を計算することで、学習済みモデルを生成する。学習済みモデル生成装置は、生成された学習済みモデルを、各種記憶媒体、ネットワーク等を介して医用画像診断装置に出力する。

（第３の実施形態）
第３の実施形態について、図２９乃至図３０を参照して説明する。本実施形態は、第１の実施形態の構成を次の通りに変形したものである。

図２９は、本実施形態に係る医用画像診断装置に搭載されたモデル調整装置５０の構成例を示す図である。本実施形態のモデル調整装置５０は、病院等で取得したデータを用いて、第１の実施形態等において用いられる学習済みモデルを調整（更新）する。モデル調整装置５０は、調整された学習済みモデルを、各種記憶媒体、ネットワーク等を介して医用画像診断装置に出力する。

図３０は、本実施形態において学習済みモデルを調整する処理の流れの一例を示すフローチャートである。ここでは、一例として、補正前投影データに適用することにより補正後投影データを出力する学習済みモデルを調整する方法について説明する。

モデル調整装置５０は、メモリ５１と処理回路５２を備える。メモリ５１は、調整対象の学習済みモデル、補正前投影データ、補正後投影データ、及び、複数の調整用データセット（例えば、第１の調整用データセット、第２の調整用データセット、第３の調整用データセットなど）を記憶する。複数の調整用データセットのそれぞれは、複数の学習用データを含む。学習用データのそれぞれは、ブレあり投影データと、ブレなし投影データとを含む。ブレあり投影データ及びブレなし投影データのそれぞれは、例えば、Ｘ線ＣＴ装置１を用いた病院での検査によって蓄積されたデータである。

複数の調整用データセットは、例えば、スキャン条件が異なる。例えば、回転速度Ｖ１用の学習済みモデルを対象にする場合、第１の調整用データセットは、回転速度Ｖ１よりもわずかに大きい第１の回転速度で得られた学習用データによって構成され、第２の調整用データセットは、第１の回転速度よりも大きい第２の回転速度で得られた学習用データによって構成され、第３の調整用データセットは、第２の回転速度よりもさらに大きい第３の回転速度で得られた学習用データによって構成される。

また、複数の調整用データセットのそれぞれに含まれる学習用データの数は、例えば、数百個であってもよく、数千個であってもよい。また、複数の調整用データセットに含まれる学習用データの数は、同じでもよく、異なっていてもよい。

処理回路５２は、ブレ補正機能５２１、画像ブレ検出機能５２２及びモデル調整機能５２３を備える。ブレ補正機能５２１については、第１の実施形態等と同様であるため、説明を省略する。

処理回路５２は、補正後投影データに対して画像ブレ検出機能５２２を実行することにより、補正後投影データにおける画像ブレを検出し、検出された画像ブレに関する検出値（指標値）を算出する。この際、処理回路５２は、例えば、画像認識技術等の既知の検出手法により、画像ブレを自動的に検出する。

画像ブレが検出された場合、処理回路５２は、モデル調整機能５２３を実行することにより、複数の調整用データセットのうちの１つを学習済みモデルに学習させる。これにより、学習済みモデルの各パラメータが調整される。

処理回路５２は、学習済みモデルから出力された補正後投影データにおける画像ブレに関する検出値が所定の大きさ以下になるまで、ブレ補正機能５２１、画像ブレ検出機能５２２及びモデル調整機能５２３を繰り返す。この際、モデル調整機能５２３を繰り返すごとに、複数の調整用データセットのうちこれまでに用いられた調整用データセットとは異なる調整用データセットを学習済みモデルに学習させる。例えば、処理回路５２は、１回目のモデル調整機能５２３を実行する際には第１の調整用データセットを学習済みモデルに学習させ、２回目のモデル調整機能５２３を実行する際には第２の調整用データセットを学習済みモデルに学習させ、３回目のモデル調整機能５２３を実行する際には第３の調整用データセットを学習済みモデルに学習させる。

なお、図２９においては、単一の処理回路５２によって、ブレ補正機能５２１、画像ブレ検出機能５２２及びモデル調整機能５２３が実現されるものとして説明したがこれに限らない。例えば、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を実現するものとしても構わない。また、ブレ補正機能５２１、画像ブレ検出機能５２２、モデル調整機能５２３は、それぞれブレ補正回路、画像ブレ検出回路及びモデル調整回路と呼んでもよく、個別のハードウェア回路として実装してもよい。

以下、本実施形態において学習済みモデルを調整する処理について、図３０を参照して説明する。

（ステップＳ３０１）
処理回路５２は、ブレ補正機能５２１により、補正前投影データを学習済みモデルに適用することにより、補正後投影データを生成する。

（ステップＳ３０２）
処理回路５２は、画像ブレ検出機能５２２により、ステップＳ３０１の処理において生成された補正後投影データにおいて画像ブレが存在するか否かを判断する。この際、処理回路５２は、例えば、画像認識技術等の既知の検出手法により、画像ブレを自動的に検出し、画像ブレに関する検出値を算出する。画像ブレに関する検出値が所定の値より大きい場合、処理回路５２は、画像ブレが存在すると判断する。画像ブレに関する検出値が所定の値以下である場合、処理回路５２は、画像ブレが存在しないと判断する。

画像ブレが存在する場合（ステップＳ３０２－Ｙｅｓ）、処理はステップＳ３０３に進む。画像ブレが存在しない場合（ステップＳ３０２－Ｎｏ）、処理はステップＳ３０４に進む。

（ステップＳ３０３）
処理回路５２は、モデル調整機能５２３により、複数の調整用データセットのうち１つの調整用データセット（例えば第１の調整用データセット）を学習済みモデルに学習させ、学習済みモデルを調整する。学習済みモデルは、学習に用いられた調整用データセットの条件を満たすように、各パラメータが調整される。

ステップＳ３０３の処理の後、処理はステップＳ３０１に戻り、処理回路５２はステップＳ３０３の処理によって調整された学習済みモデルを、補正前投影データに再度適用する。そして、処理回路５２は、調整後の学習済みモデルから出力された補正後投影データにおいて、ステップＳ３０２の処理により画像ブレの検出を再度行う。画像ブレが存在すると判断した場合（ステップＳ３０２－Ｙｅｓ）、処理回路５２は、複数の調整用データセットのうち学習に用いられていない調整用データセット（例えば第２の調整用データセット）を学習済みモデルに学習させる。

処理回路５２は、調整後の学習済みモデルから出力された補正後投影データにおいて画像ブレが存在しないと判断されるまで、ステップＳ３０１乃至ステップＳ３０３の処理を繰り返し、調整用データセットを学習済みモデルに順次学習させることにより、学習済みモデルを繰り返し調整する。

（ステップＳ３０４）
処理回路５２は、調整後の学習済みモデルを出力する。

本実施形態では、病院などの検査で取得された医用データを学習済みモデルの調整（更新）に使用し、画像ブレが検出されなくなるまで学習済みモデルを調整することにより、学習済みモデルの補正の精度を向上させることができる。

（応用例）
以下、第１の実施形態等において用いられる学習済みモデルの生成方法の一例として、敵対的生成ネットワーク（ＧＡＮ：Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ）を用いた応用例について図３１乃至図３２を参照して説明する。

図３１は、本応用例に係るモデル学習装置６０の構成例を示す図である。図３２は、本応用例における学習済みモデルの生成処理の流れの一例を示すフローチャートである。ここでは、一例として、補正前投影データの入力を受け付け、補正後投影データを出力する学習済みモデルを生成する方法について、説明する。

図３１に示すように、モデル学習装置６０は、生成器（ジェネレータ）６１と、識別器（ディスクリミネータ）６２と、識別器訓練機能６３と、生成器訓練機能６４とを備える。生成器６１及び識別器６２は、それぞれ、多層のネットワークモデル（学習用モデル）である。

モデル学習装置６０は、補正前投影データの入力を受け付けて補正前投影データにおいて回転フレームの回転による影響が低減された補正後投影データを出力する学習済みモデルを、補正後投影データが実際の撮影により得られた投影データであるか否かを判断する識別器６２を用いた敵対的な訓練処理を繰り返すことにより、生成する。

モデル学習装置６０が備える各ネットワークモデル及び各機能は、ＣＰＵ等を有する処理回路により実現されてもよく、特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ：ＡＳＩＣ）あるいはプログラマブル論理デバイス（例えば、単純プログラマブル論理デバイス（Ｓｉｍｐｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＳＰＬＤ）、複合プログラマブル論理デバイス（Ｃｏｍｐｌｅｘ Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ：ＣＰＬＤ）およびフィールドプログラマブルゲートアレイ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ：ＦＰＧＡ））などにより実現されてもよい。

また、モデル学習装置６０が備える各ネットワークモデル及び各機能は、メモリに保存されたプログラムであってもよく、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されてもよい。すなわち、モデル学習装置６０が備える各ネットワークモデル及び各機能は、処理回路におけるＡＳＩＣ、或いはプログラマブル論理デバイスにプリセットされてもよい。換言すれば、モデル学習装置６０が備える各ネットワークモデル及び各機能は、ＡＳＩＣ、或いはプログラマブル論理デバイスで作りこまれていてもよい。

また、モデル学習装置６０が備える各ネットワークモデル及び各機能は、第１の実施形態で説明したＸ線ＣＴ装置１などの医用画像診断装置に組み込まれてもよい。この場合、訓練後の生成器６１は、学習済みモデルとして用いられる。

生成器６１は、補正前投影データの入力を受け付け、補正前投影データに基づいて補正後投影データを出力する。生成器６１は、例えば、前述の実施形態などで用いられる学習済みモデルを生成するための学習用モデルである。

識別器６２は、補正後投影データとブレなし投影データとを区別することにより、補正後投影データが実際の撮影により得られた投影データであるか否かを判断する。具体的には、識別器６２は、まず、生成器６１から出力された補正後投影データ（偽物）と、実際の撮影により生成されたブレなし投影データ（本物）とを取得する。そして、識別器６２は、生成器６１から出力された補正後投影データとブレなし投影データのうち、どちらが本物であるかを判断する。具体的には、識別器６２は、補正後投影データとブレなし投影データのうち、どちらが実際の撮影により得られたデータであるか、及び、どちらが生成器６１によって生成された計算上のデータであるかを判断（識別）し、判断結果を出力する。例えば、識別器６２は、生成器６１から出力された補正後投影データが本物であると判断した場合、「０」を出力し、ブレなし投影データが本物であると判断した場合、「１」を出力する。

モデル学習装置６０は、識別器訓練機能６３を実行することにより、識別器６２が正しい判断結果を出力する割合（以下、識別器６２の判断の成功度と呼ぶ）が大きくなるように、識別器６２を訓練する。この際、モデル学習装置６０は、例えば、識別器６２から出力された判断結果と、その判断において用いられた補正後投影データ及び補正後投影データに関する情報とを取得し、識別器６２の判断結果が正しいか否かを判断する。その後、モデル学習装置６０は、判断に用いられた補正後投影データ及びブレなし投影データと、正しい判断結果に関する情報とを用いて、正しい判断結果を出力するように識別器６２の各パラメータを更新する。これにより、識別器６２は、判断の成功度が大きくなるように、訓練（学習）される。

モデル学習装置６０は、生成器訓練機能６４を実行することにより、識別器６２の判断の成功度を小さくする補正後投影データを出力するように、生成器６１を訓練する。この際、モデル学習装置６０は、識別器６２の判断結果が誤った際に識別器６２へ入力された補正後投影データと、この補正後投影データを生成器６１が出力した際に生成器６１に入力した補正前投影データとを学習させることにより、識別器６２が誤った判断結果を出力するような補正後投影データを出力するように、生成器６１の各パラメータを更新する。これにより、生成器６１は、識別器６２の判断の成功度を小さくする補正後投影データを出力するように、訓練（学習）される。

モデル学習装置６０は、識別器訓練機能６３及び生成器訓練機能６４を、交互に又は相互に繰り返し実行することにより、識別器６２及び生成器６１を交互に訓練する。識別器訓練機能６３及び生成器訓練機能６４が規定の回数以上実行されると、モデル学習装置６０は、識別器６２及び生成器６１の訓練を終了する。訓練後の生成器６１は、例えば、第１の実施形態等における学習済みモデルとして用いられる。

以下、本応用例における処理について、図３２を参照して説明する。

（ステップＳ３１１）
モデル学習装置６０は、識別器訓練機能６３により、識別器６２を訓練する。

（ステップＳ３１２）
モデル学習装置６０は、生成器訓練機能６４により、生成器６１を訓練する。

（ステップＳ３１３）
モデル学習装置６０は、識別器訓練機能６３及び生成器訓練機能６４の実行回数が規定の回数以上であるか否かを判断する。すなわち、処理回路は、識別器訓練機能６３及び生成器訓練機能６４のそれぞれが規定の回数以上実行されたか否かを判断する。規定の回数は、例えば、１万回である。

識別器訓練機能６３及び生成器訓練機能６４の実行回数が規定の回数以上である場合（ステップＳ３１３－Ｙｅｓ）、処理はステップＳ３１４に進む。識別器訓練機能６３及び生成器訓練機能６４の実行回数が規定の回数未満である場合（ステップＳ３１３－Ｎｏ）、処理はステップＳ３１１に戻り、モデル学習装置６０は、識別器訓練機能６３及び生成器訓練機能６４のそれぞれが規定の回数以上実行されるまで、ステップＳ３１１及びステップＳ３１２の処理を繰り返し実行する。これにより、識別器訓練機能６３及び生成器訓練機能６４が交互に繰り返し実行される。

（ステップＳ３１４）
識別器訓練機能６３及び生成器訓練機能６４が規定の回数以上実行されると、モデル学習装置６０は、生成器６１及び識別器６２の訓練を終了する。訓練後の生成器６１は、学習済みモデルとして用いられる。

本応用例では、互いに競合する２つの多層のネットワークモデルである生成器６１と識別器６２とを用いて、生成器６１及び識別器６２の訓練が繰り返し行われる。これにより、生成器６１と識別器６２の精度が互いに競い合うように向上する。これにより、精度の高い生成器６１（学習済みモデル）を生成することができる。

なお、本応用例では、識別器６２は、２つの入力画像の入力を受け付ける２チャンネル識別器であるが、これに限るものではない。識別器６２は、生成器６１から出力された補正後投影データ（偽物）のみを取得する１チャンネル識別器であってもよい。この場合、識別器６２は、生成器６１から出力された補正後投影データが本物であるか否かを判断する。また、識別器６２は、１つの補正後投影データ（偽物）と、複数のブレなし投影データ（本物）とを取得する多重チャンネル識別器であってもよい。この場合、識別器６２は、取得した３つ以上の投影データのうち、どの投影データが偽物であるかを判断する。

以上説明した少なくとも１つの実施形態によれば、架台装置１０の回転フレーム１３の回転の影響又は寝台装置３０の天板３３の移動の影響が低減された医用画像を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 Ｘ線ＣＴ装置
１０ 架台装置
１１ Ｘ線管
１２ Ｘ線検出器
１３ 回転フレーム
１４ Ｘ線高電圧装置
１５ 制御装置
１６ ウェッジ
１７ コリメータ
３０ 寝台装置
３１ 基台
３２ 寝台駆動装置
３３ 天板
３４ 支持フレーム
４０ コンソール装置
４１ メモリ
４２ ディスプレイ
４３ 入力インターフェース
４４ 処理回路
５０ モデル調整装置
５１ メモリ
５２ 処理回路
６０ モデル学習装置
６１ 生成器
６２ 識別器
６３ 識別器訓練機能
６４ 生成器訓練機能
４４１ システム制御機能
４４２ 前処理機能
４４３ 再構成処理機能
４４４ 画像処理機能
４４５ 表示制御機能
４４６ モデル特定機能
４４７ ブレ補正機能
４４８ 学習用データ生成機能
５２１ ブレ補正機能
５２２ 画像ブレ検出機能
５２３ モデル調整機能

Claims (18)

1. 筐体と前記筐体に対して回転可能な回転フレームとを有する架台装置において前記回転フレームを前記筐体に対して回転させて撮影された第１の医用データを取得する取得部と、
   前記第１の医用データの入力を受け付けて前記第１の医用データにおいて前記回転フレームの回転による影響が低減された第２の医用データを出力する学習済みモデルに前記第１の医用データを入力し、前記学習済みモデルに前記第２の医用データを出力させる処理部と、
   を備え、
   前記第１の医用データは、前記筐体に対して回転可能で、かつ、前記筐体に対してチルト可能な回転フレームを有する前記架台装置において前記回転フレームを前記筐体に対して回転させ、かつ、前記回転フレームを前記筐体に対してチルトさせて取得された医用データであり、
   前記学習済みモデルは、前記第１の医用データの入力を受け付け、前記第１の医用データにおいて前記回転フレームの前記回転による影響及び前記回転フレームの前記チルトによる影響が低減された医用データを前記第２の医用データとして出力する、
   医用画像診断装置。
2. 筐体と前記筐体に対して回転可能な回転フレームとを有する架台装置において前記回転フレームを前記筐体に対して回転させて撮影された第１の医用データを取得する取得部と、
   前記第１の医用データの入力を受け付けて前記第１の医用データにおいて前記回転フレームの回転による影響が低減された第２の医用データを出力する学習済みモデルに前記第１の医用データを入力し、前記学習済みモデルに前記第２の医用データを出力させる処理部と、
   を備え、
   前記学習済みモデルは、前記第１の医用データにおいて前記回転フレームの前記回転の影響及び医用画像診断装置の個体差の影響が補正された医用データを前記第２の医用データとして出力する、
   医用画像診断装置。
3. 筐体と前記筐体に対して回転可能な回転フレームとを有する架台装置において前記回転フレームを前記筐体に対して回転させて撮影された第１の医用データを取得する取得部と、
   前記第１の医用データの入力を受け付けて前記第１の医用データにおいて前記回転フレームの回転による影響が低減された第２の医用データを出力する学習済みモデルに前記第１の医用データを入力し、前記学習済みモデルに前記第２の医用データを出力させる処理部と、
   を備え、
   前記処理部は、前記第１の医用データに関するスキャン条件を取得し、複数の前記学習済みモデルの中から前記第１の医用データに関するスキャン条件に対応する学習済みモデルを特定し、特定された学習済みモデルに対して前記第１の医用データを入力し、前記特定された学習済みモデルに前記第２の医用データを出力させる、
   医用画像診断装置。
4. 前記処理部は、前記第１の医用データに関するスキャン条件として前記回転フレームの回転速度を取得し、前記回転速度に基づいて、前記複数の前記学習済みモデルの中から前記回転速度に対応する学習済みモデルを特定する、
   請求項３に記載の医用画像診断装置。
5. 前記処理部は、検出用データに基づいて特定されたブレ原因と前記スキャン条件とに基づいて、前記複数の前記学習済みモデルの中から前記ブレ原因及び前記スキャン条件に対応する学習済みモデルを特定する、
   請求項３に記載の医用画像診断装置。
6. 前記処理部は、前記回転フレームを前記筐体に対して回転させて取得された第３の医用データと、前記回転フレームが前記筐体に対して停止した状態で又は前記第３の医用データに関する前記回転フレームの回転速度よりも小さい回転速度で前記回転フレームを前記筐体に対して回転させて取得された第４の医用データとを取得し、前記学習済みモデルの生成に用いるための学習用データとして前記第３の医用データ及び前記第４の医用データを出力する、
   請求項１～３のいずれか１項に記載の医用画像診断装置。
7. 前記処理部は、第１の回転速度で前記回転フレームを前記筐体に対して回転させて取得された第１の外挿用医用データと、前記第１の回転速度と異なる第２の回転速度で前記回転フレームを前記筐体に対して回転させて取得された第２の外挿用医用データと、前記第１の回転速度と前記第２の回転速度との差とに基づいて、前記第４の医用データを生成する、
   請求項６に記載の医用画像診断装置。
8. 前記処理部は、前記回転フレームが前記筐体に対して停止した状態で、かつ、前記回転フレームが前記筐体に対してチルトしない状態で取得された医用データを前記第４の医用データとして取得し、前記第１の医用データが入力されることにより前記回転フレームの前記回転の影響及び前記回転フレームの前記チルトの影響が低減された医用データを前記第２の医用データとして出力する学習済みモデルに使用するための学習用データとして前記第３の医用データ及び前記第４の医用データを出力する、
   請求項６に記載の医用画像診断装置。
9. 前記処理部は、個体差を有する複数の前記医用画像診断装置のそれぞれにおいて前記回転フレームが前記筐体に対して停止した状態で取得された複数の医用データを平均することにより生成された医用データを前記第４の医用データとして取得し、前記第１の医用データが入力されることにより前記回転フレームの前記回転の影響及び前記医用画像診断装置の個体差の影響が低減された医用データを前記第２の医用データとして出力する学習済みモデルに使用するための学習用データとして前記第３の医用データ及び前記第４の医用データを出力する、
   請求項６に記載の医用画像診断装置。
10. 前記処理部は、複数の調整用データセットを取得し、前記第１の医用データを入力として前記学習済みモデルから出力された第２の医用データに基づいて画像ブレを検出し、検出された画像ブレに関する検出値を算出する処理と前記複数の調整用データセットのうち学習に用いられていない調整用データセットを前記学習済みモデルに学習させることにより前記学習済みモデルを調整する処理とを、前記算出された画像ブレに関する検出値が所定の値以下となるまで繰り返す、
    請求項１～３のいずれか１項に記載の医用画像診断装置。
11. 請求項１～３のいずれか１項に記載の前記学習済みモデルを、前記第１の医用データを入力として前記学習済みモデルから出力された前記第２の医用データが実際の撮影により得られた医用データであるか否かを判断する識別器を用いた敵対的な訓練処理を繰り返すことにより生成する、
    モデル学習装置。
12. 前記識別器は、前記第２の医用データと前記回転フレームが前記筐体に対して停止した状態で取得された医用データとを区別することにより、前記第２の医用データが前記実際の撮影により得られた医用データであるか否かを判断する、
    請求項１１に記載のモデル学習装置。
13. 基台と前記基台に対して移動可能な天板とを有する寝台装置において前記天板を前記基台に対して移動させて撮影された天板移動医用データを取得する取得部と、
    前記天板移動医用データの入力を受け付けて前記天板移動医用データにおいて前記天板の移動による影響が低減された影響低減医用データを出力する学習済みモデルに前記天板移動医用データを入力し、前記学習済みモデルに前記影響低減医用データを出力させる処理部と、
    を備える、医用画像診断装置。
14. 前記処理部は、前記天板を前記基台に対して移動させて取得された訓練医用データと、前記天板が前記基台に対して停止した状態で取得された教師医用データとを取得し、前記学習済みモデルの生成に用いるための学習用データとして前記訓練医用データ及び前記教師医用データを出力する、
    請求項１３に記載の医用画像診断装置。
15. 前記処理部は、第１の移動速度で前記天板を前記基台に対して移動させて取得された第１の外挿用医用データと、前記第１の移動速度と異なる第２の移動速度で前記天板を前記基台に対して移動させて取得された第２の外挿用医用データと、前記第１の移動速度と前記第２の移動速度との差とに基づいて、前記教師医用データを生成する、
    請求項１４に記載の医用画像診断装置。
16. 前記処理部は、複数の調整用データセットを取得し、第１の医用データを入力として前記学習済みモデルから出力された第２の医用データに基づいて画像ブレを検出し、検出された画像ブレに関する検出値を算出する処理と前記複数の調整用データセットのうちの学習に用いられていない調整用データセットを前記学習済みモデルに学習させることにより前記学習済みモデルを調整する処理とを、前記算出された画像ブレに関する検出値が所定の値以下となるまで繰り返す、
    請求項１３に記載の医用画像診断装置。
17. 請求項１３に記載の前記学習済みモデルを、前記影響低減医用データが実際の撮影により得られた医用データであるか否かを判断する識別器を用いた敵対的な訓練処理を繰り返すことにより生成する、
    モデル学習装置。
18. 前記識別器は、前記影響低減医用データと前記天板が前記基台に対して停止した状態で実際に取得された教師医用データとを区別することにより、前記影響低減医用データが前記実際の撮影により得られた医用データであるか否かを判断する、
    請求項１７に記載のモデル学習装置。

Images