JP7330703B2 - 医用画像処理装置及びｘ線ｃｔシステム - Google Patents

Description

本実施形態は、医用画像処理装置及びＸ線ＣＴシステムに関する。

コンピュータ断層撮像（ｃｏｍｐｕｔｅｄ ｔｏｍｏｇｒａｐｈｙ：ＣＴ）システム及び方法は、特に医用撮像及び医用診断に対して幅広く使用されている。ＣＴスキャンは、Ｘ線源とＸ線検出器との間の空間におけるＣＴスキャナ上に患者を置き、その後に係るＸ線源及びＸ線検出器がスキャンの間中に回転される時に異なる角度で患者を通してＸ線投影画像を撮ることにより、実行することが出来る。結果として得られる投影データは、「ＣＴサイノグラム」と呼ばれ、一つ又は複数の軸に沿った位置の関数として、そして別の軸に沿った投影角の関数として、身体を通過した減衰を示す。逆ラドン変換―或いは任意のその他の画像再構成法―の実行とは、サイノグラムにおいて表された投影データから画像を再構成することである。

フィルタ補正逆投影（ｆｉｌｔｅｒｅｄ ｂａｃｋ－ｐｒｏｊｅｃｔｉｏｎ：ＦＢＰ）アルゴリズム、統計的逐次再構成（ｉｎｔｅｒａｔｉｖｅ ｒｅｃｏｎｔｓｔｕｃｔｉｏｎ：ＩＲ）アルゴリズムを含む投影データから、ＣＴ画像を再構成するために様々な方法を使用することが出来る。より従来的なＦＢＰ再構成法と比較すると、ＩＲ法は、低減された放射線量で改善された画質を提供することが可能である。また代数的再構成技法など、様々な逐次再構成（ＩＲ）法も存在する。例えば、ある一般的なＩＲ法は、次の式を最小化する独立変数ｐを見つけ出すために、制約を受けない（又は制約された）最適化を次の式（１）に従って実行する。

ここでｌは、一連の投影角で撮られた投影画像のＸ線強度の対数を表す投影データであり、ｐは、画像空間におけるボクセル／ボリュームピクセル（又は二次元再構成画像における二次元ピクセル）に対するＸ線減衰の再構成画像である。システム行列Ａに対し、各行列値ａｉｊ（ｉは行インデックス、ｊは列インデックスである）は、ボクセルｐｊに対応するボリュームと、投影値ｌｉに対応するボリュームに対応するＸ線軌道との重複を表す。再構成画像ｐの順投影Ａが全ての計測された投影画像ｌに対して良い近似を提供する場合に、データ忠実項｜Ａｐ－ｌ｜^２ _Ｗは、は、最小化される。この様にして、データ忠実項はシステム行列方程式Ａｐ＝ｌを解く方へと向けられる。係る式は、線源からｐによって表された空間における被検体ＯＢＪを通してＸ線検出器にまでｌの値を生成する様々なレイのラドン変換（つまり、投影）を表す（例えば、二次元投影画像ｌ上に対する三次元被検体ＯＢＪを通るＸ線投影）。

｜ｇ｜^２ _Ｗの表記は、ｇＴＷｇという型の重み付けられた内積を意味し、ここでＷは重み行列である（例えば、ピクセル毎の信号対ノイズ比に基づいた投影データの信頼性（ｔｒｕｓｔｗｏｒｔｈｉｎｅｓｓ）の度合い（ｒｅｌｉａｂｉｌｉｔｙ）を表す）。その他の実施形態において、重み行列Ｗは、単位行列（ｉｄｅｎｔｉｔｙ ｍａｔｒｉｘ）によって置き換えることが出来る。重み行列Ｗがデータ忠実項において使用される場合に、上記のＩＲ法は、罰則付き最小自乗（ｐｅｎａｌｉｚｅｄ ｗｅｉｇｈｔｅｄ ｌｅａｓｔ ｓｑｕａｒｅｓ：ＰＷＬＳ）アプローチと呼ばれる。

関数Ｕ（ｐ）は、正則化項であり、係る項は、再構成画像のスムージング或いはデノイジングの効果を多くの場合有する、一つ又は複数の制約（例えば、全変分（ｔｏｔａｌ ｖａｒｉａｔｉｏｎ：ＴＶ）最小化制約）を課すことへと向けられる。値βは、正則化パラメータであり、その値は、データ忠実項及び正則化項の相対的寄与を重み付けるものである。

結果として、正則化項βに対する値の選択が、ノイズと解像度とのトレードオフに主として影響を及ぼすということである。一般的に、正則化項βを増やすことでノイズが減るが、解像度低下という犠牲も払う。正則化項βに対する最良値は、多重な因子に依存することが可能である。係る多重な因子の主なものとしては、再構成される予定の再構成画像のためのアプリケーションである。ＩＲアルゴリズムは、遅く且つかなりの計算的なリソースを必要とする場合があるので、試行錯誤でのアプローチだと非効率（例えば、正則化項βの異なる値は、最適な解が取得されるまで、ＩＲ法に対して使用される）である。更に、単一のＣＴスキャンは、一つ以上の臨床アプリケーションに対して使用することが出来る。

K.T. Flicek KT, A.K. Hara, A.C. Silva, Q. Wu, M.B. Peter, C.D. Johnson, ‘Reducing the radiation dose for CT colonography using adaptive statistical iterative reconstruction: A pilot study’, Am J Roentgenol. 2010 Jul;195(1):126-31

しかしながら、依然として、計算的に集中的なＩＲアルゴリズムを繰り返すことなく、ノイズと解像度とのトレードオフについて再構成画像を調整する能力が望まれている。すなわち、ノイズと解像度とのトレードオフを最適化するための再構成画像を素早く生成且つ修正するための改善された装置・方法の提供が求められている。

目的は、従来に比して、コンテキスト重視ブレンディングによる再構成画像を生成する医用画像処理装置及びＸ線ＣＴシステムを提供することである。

実施形態に係る医用画像処理装置は、デノイジングの程度が異なる複数の再構成画像を取得する取得部と、前記デノイジングの程度が依存するパラメータに基づく重み係数を決定する決定部と、前記複数の再構成画像を前記重み係数に基づいてブレンドしブレンド画像を生成する生成部と、を具備する。

図１Ａは、一実施形態に係る、小さなスムージング／デノイジングパラメータを使用し生成され、且つ肺設定を使用し表示された（即ち、ウィンドウレベルがＷＬ＝－４００ハンスフィールドユニット（Ｈｏｕｎｓｆｉｅｌｄ Ｕｎｉｔ：ＨＵ）、ウィンドウ幅がＷＷ＝１５００ＨＵ）、再構成されたコンピュータ断層撮像（ＣＴ）画像のスライスにおける肺領域の例を示す。 図１Ｂは、一実施形態に係る、ＣＴ画像が図１Ａに使用の小さなスムージング／デノイジングパラメータと比べて大きなスムージング／デノイジングパラメータを使用して生成されたことを除き、図１Ａと同じ表示設定を使用する同じ肺領域の例を示す。 図２Ａは、一実施形態に係る、小さなスムージング／デノイジングパラメータを使用して生成されたＣＴ画像のスライスにおける軟部組織領域の例を示し、且つ係る画像は軟部組織設定（即ち、ＷＬ＝４０ＨＵ、ＷＷ＝４００ＨＵ）を使用して表示されている。 図２Ｂは、一実施形態に係る、ＣＴ画像が大きなスムージング／デノイジングパラメータを使用して生成されたことを除き、図２Ａと同じ軟部組織領域及び軟部組織表示設定の例を示す。 図３は、一実施形態に係る、ＣＴ画像のコンテント／コンテキストに基づいた、ブレンド画像を生成する方法のフローダイヤグラムを示す。 図４Ａは、一実施形態に係る、デフォルト設定（つまり、ＷＬ＝－２９７．５ＨＵ及びＷＷ＝３４９７ＨＵ）を使用して表示された、ＣＴスライスの二次元（２Ｄ）画像を示す。 図４Ｂは、ＨＵ値に従って、ビンされたＣＴスライスのヒストグラムを示す。係るヒストグラムにおいてＨＵ値は、左の縦軸に沿って表された個別のＨＵビンにおけるボクセルのカウントと共に、水平軸に沿って表されている。そして右の縦軸は、デフォルト表示設定での色凡例であり、ＨＵ値はヒストグラムにわたり線重畳されることにより色凡例における色へと関連付けられている。 図５Ａは、肺設定を使用して表示されたＣＴスライスの２Ｄ画像を示す。 図５Ｂは、肺設定に従ってＨＵ値を色へと変換する線と共に、ＣＴスライスのヒストグラムを示す。 図６Ａは、軟部組織設定を使用して表示されたＣＴスライスの２Ｄ画像を示す。 図６Ｂは、軟部組織設定に従ってＨＵ値を色へと変換する線と共に、ＣＴスライスのヒストグラムを示す。 図７は、縦軸に沿った重み付け値α及び水平軸に沿ったＨＵにおける減衰密度を表す重み付け関数例のプロットを示し、係る重み付け値αは、実施形態に従って、異なるスムージング／デノイジングパラメータを使用して生成された二つの画像の蓄積を組み合わせるために使用された重みとなっている。 図８は、一実施形態に係る、ＣＴスライスの２Ｄ画像における位置の関数として、重み付け値αの２Ｄマップを示す。 図９は、図８からの重み付け値αの２Ｄマップを使用して生成されたブレンド画像（中央）のフル２Ｄスライスを示し、係るフルスライス上に重畳されたのは、一実施形態に係る、それぞれが軟部組織ウィンドウ設定及び肺ウィンドウ設定を使用して表示された、軟部組織領域のズームイン画像（左上）と肺領域のズームイン画像（右下）との二つである。 図１０は、一実施形態に係る、ここに説明される方法を実行するためのデータ前処理装置のダイヤグラムを示す。 図１１は、ＣＴスキャナの実施形態の概略図を示す。

本実施形態に係る医用画像処理装置は、例えば、コンテント及びコンテキストの少なくとも一方に関する情報に基づいたスムージング／デノイジングの様々なレベルでの再構成画像をブレンディングすることにより、ブレンド画像を生成する。より詳細には、ブレンド画像への再構成画像の相対的寄与を選択するために、コンテキスト情報を基準とするものである。

例えば、本実施形態に係る医用画像処理装置は、表示画像の特定のコンテント／コンテキストに基づき解像度とノイズとのトレードオフの最適化について、上記に説明された課題を解消するものである。ここで、「画像のコンテント／コンテキスト」とは、対象とされる画像のデノイジングの程度の基準となる情報であり、患者情報、撮像対象（撮像部位）、撮像アプリケーション、表示パラメータ、画像における領域間の関係（コントラスト、解剖学的な関係性、セグメンテーションによる境界等）が含まれる。当該方法は、例えば、異なるスムージング及びデノイジングの少なくとも一方に関する程度（量又はレベルとも呼ばれる）を有する二つ以上の再構成画像の重み付けられた組み合わせであるブレンド画像（ｂｌｅｎｄｅｄ ｉｍａｇｅ）の生成を制御するために、画像のコンテント／コンテキストを使用し、且つ解像度における対応するトレードオフを使用する。なお、本実施形態においては、「スムージング及びデノイジングの少なくとも一方に関する程度」を単に「デノイジングの程度」と呼ぶことにする。また、コンテント及びコンテキストの少なくとも一方に関する情報には、デノイジングの程度が依存するパラメータが含まれる。デノイジングの程度が依存するパラメータとしては、ユーザ或いはデフォルトによって選択された、スライス厚、ウィンドウ幅、ウィンドウレベル等を例示することができる。また、デノイジングの程度が依存するパラメータは、ハンスフィールドユニット（ＨＵ）の領域的／セグメントされたヒストグラム、或いはそれらの派生とすることがある。

次に図面を参照しながら、参照番号がいくつかの図にわたって同一または対応する部分を指し示す。図１Ａ及び図１Ｂは、同じ肺領域だが異なるデノイジング程度（ここでは、代替可能にスムージングと呼ぶ）での二つの画像を示している。下記で説明される図９は、胸部の再構成画像から取られた、より大きなスライスの部分である、当該肺領域を示している。同様に、図２Ａ及び２Ｂは、異なるデノイジング程度で同じ軟部組織領域の二つの画像を示している。図１Ａ及び２Ａは、第一のデノイジング程度を表し、図１Ｂ及び２Ｂは、図１Ａ及び２Ａに示された第一のデノイジング程度に比べてよりデノイジング／スムージングされている状態での第二のデノイジング程度を表す。

図２Ａと２Ｂとを比較すると、図２Ｂの方が臨床アプリケーションに対して一般的により良いとされている。何故ならば、図２Ａにおける付加的な解像度は、著しくより多くの情報を伝えるものではなく、係る図における付加的なノイズは、テクスチャや混乱を招く構造を作り出し、延いては不十分な診断、或いは介入手術間の不十分な結果へと潜在的に繋がりかねない可能性があるからである。従って、デノイジング及びスムージングの程度がより大きい程、軟部組織画像に対して有益な場合がある。

対照的に、デノイジング及びスムージングの程度がより少ない方が、肺の画像に対して有益な場合もある。図１Ａと１Ｂとを比較すると、図１Ａの方が臨床アプリケーションに対して一般的により良いとされている。何故ならば、図１Ａにおける付加的な解像度は、肺の特徴を区別することが可能な程著しい（例えば、図１Ａにおいて矢印で示された特徴）からであり、そして肺領域におけるより大きなウィンドウ幅且つ比例して肺領域におけるより高いコントラスト信号と比べると、図１Ａにおける付加的なノイズは、小さな組織領域におけるノイズ程著しいものでもないからだ。結果的に、より抑えたスムージングが肺領域において曖昧で相対的に小さいことを原因とする付加的なノイズと、付加的なノイズの欠点とは、図１Ａにおいて示されているように改善された解像度の恩恵によって重み付けから外される。

この様にして、デノイジング程度は、画像のコンテント／コンテキストに、或いは特に再構成画像における関心領域のコンテントに、依存する場合がある。つまり、同じ画像における異なる領域は、異なるデノイジングの程によって恩恵を受けることが出来る。更に、デノイジングの恩恵は、画像のスライスの厚さに依存する場合もある。例えば、より厚いスライスは、再構成画像からボクセルのより多くの（層）を共に平均化し、且つ、再構成画像のボクセル間の統計的に独立したノイズが前提の下、信号対ノイズ比（ＳＮＲ）は、多数のボクセルの平方根が平均化されているので、伸びると予測することが出来る。この様にして、表示された画像がより厚いスライスの場合に、同じノイズ抑制の程度及びＳＮＲを達成するために、より抑えたデノイジング／スムージングが求められるのである。結果的に、特定の実施例において、ここでの本方法は、ブレンド画像を生成するために組み合わせられた高デノイジング画像と低デノイジング画像との相対的重み付けを決定する場合に、コンテント／コンテキストのその他の兆候に加え、スライスの厚さを使用する。

ブレンド画像は、異なるデノイジング程度での画像の重み付けられた組み合わせとすることが出来る。例えば、二つの画像の重み付けられた合計（一方は低程度のデノイジング、他方は高程度のデノイジング）を介して、ブレンド画像は、これら二つのオリジナル画像間の任意のデノイジング程度を有するように生成することが出来る。ノイズ及び解像度間のトレードオフをチューニングするためのこの一連の処理は、例えば二つの画像の相対的な重みを調整することにより、達成される。特定の実施例において、これらの相対的な重みは、再構成画像のコンテントにおいて空間変動を表す位置の関数として変化する（例えば、再構成画像を肺領域と軟部組織領域とにセグメントすることにより）可能性がある。

異なるデノイジング程度を有するオリジナル画像は、様々な方法によって取得することが出来る。例えば、上記で述べられた通り、正則化パラメータβに対する異なる値をＩＲ法の間に使用することが出来る。しかし、これが異なるデノイジング／スムージング程度で画像を生成する唯一の方法ではなく、付加的なデノイジング法が、画像再構成の間にも画像再構成の前後にも、及び／又は、下記に説明される方法或いは上記に説明されたＩＲ法のうちの任意のものを使用して、それらの任意の組み合わせに、適用することが出来る。

様々な方法が、コンピュータ断層撮像（ＣＴ）投影データから再構成される、画像におけるノイズを最小化するために使用することが出来る。例えば、後処理（つまり、後再構成）デノイジング法は、再構成画像が生成された後にデータへと適用することが出来る。更に、画像がデータ忠実項及び正則化項の両方を有するコスト関数を最小化するＩＲ法を使用して再構成される場合に、再構成画像におけるノイズの量及びノイズの統計的な特性は、正則化項のタイプに、そして正則化パラメータβの大きさに、依存する可能性がある。正則化パラメータβがより大きくなるにつれて、当該正則化項は、データ忠実項により相対して強調され、結果再構成画像におけるノイズが減る。しかし、この正則化項に関する一層の強調により、解像度及びコントラストも減らすことが出来る。このことは上記で述べた通り、肺においてよく起こる様に、細かく低コントラストな特徴に対して特に顕著である。

一般的に、パラメータβは、スムージング／デノイジングの程度が正則化パラメータ、前処理（前再構成）法、後処理（後再構成）法、又はそれらの組み合わせの値から生じたのにかかわらず、所定の再構成画像のスムージング／デノイジング程度を特徴付けるための、一般的なスムージング及び／又はデノイジングパラメータを表す識別子として、ここでは使用される。デノイジング／スムージングのタイプ又は程度の識別子に関するより一般的な言及とは対照的に、パラメータβが特に正則化パラメータを指す場合に、コンテキストにより、これら前述の例がより明確になることだろう。

下記の様々な点で、ブレンド画像の生成は、蓄積が二つの画像のみを有する非限定例を使用して描かれている。更に、ブレンド画像ｐ^{（Ｂｌｅｎｄｅｄ）}は、小さなスムージングパラメータ画像ｐ^（βＳ）及び大きなスムージングパラメータ画像ｐ^（βＬ）の重み付けられた合計であって、小さな及び大きなスムージングパラメータ画像は、ＩＲ法のコスト関数における正則化パラメータβに対する異なる値を使用することを除き、同じＩＲ法を使用して再構成されていることを含む全ての側面において等しい。

より一般的に、画像の蓄積は、二つ以上の画像を含むことが出来る。更に、画像の蓄積は、所望の特徴に応じて、ブレンド画像を作り出すために、様々に組み合わせる（例えば、重み付けられた代数的又は幾何学的平均）ことが出来る。この様な最も単純な形式において、画像の蓄積の当該組み合わせは、重みが足し合わされて一定値になる（例えば、重みは、値が合計して１の値になるように規格化される）、重み付けられた合計として実行することが出来る。

更に、より多い及びより少ないデノイジング／スムージング量に対応する画像の蓄積は、様々な後及び／又は前再構成デノイジング法、デノイジングを積分する（例えば、正則化の選択を通じて）再構成法、又は後及び／又は前再構成デノイジング法と共に再構成法で積分したデノイジングの組み合わせを使用して、生成することが出来ると検討されている。下記に説明される各デノイジング法は、例えば再構成に先立つサイノグラム／投影データに、或いは再構成後の再構成画像に、適用することが出来、また下記に説明されるデノイジング法のうちのいくつかは、ＩＲ法の逐次間の再構成画像へと適用することも出来る。下記に説明される通り、様々なデノイジング法は、線形スムージングフィルタリング、異方性拡散、非局所平均、そして非線形フィルタを含む場合がある。

線形スムージングフィルタは、オリジナル画像をローパスフィルタ又はスムージング操作を表すマスクで畳み込むことにより、ノイズを除去する。例えば、ガウスのマスクは、ガウス関数により決定される要素を具備する。当該畳み込みは、各ピクセルの値を当該ピクセルに近傍するピクセルの値により近づけるようにするものである。一般に、スムージングフィルタは、各ピクセルを、当該ピクセル自体とそれに近傍するピクセルの、平均値、又は重み付けられた平均へと設定する。例えば、ガウシアンフィルタは、正に一つの可能な重みのセットである。不都合なことに、スムージングフィルタは、画像をぼやかす傾向がある。それは、周囲に近傍するピクセルに比べて著しくより高い又はより低い値を持つピクセル輝度値が、それらに近接するエリアにわたって、不鮮明にされたり又は平均化されたりするからである。鮮明な境界が不鮮明になってしまう。一般的に、局所線形フィルタ法は、局所近傍が均一であると仮定し、画像に均一性を強いる傾向があり、病変や臓器境界等の均一でない特徴を曖昧にする。

異方性拡散は、熱方程式と同様のスムージング偏微分方程式の下で、画像を展開させることにより、鮮明な境界を維持しながらノイズを除去する。拡散係数が空間的に不変な場合には、係るスムージングは線形ガウシアンフィルタリングと等しくなるだろうが、拡散係数が境界の存在に従って異方性の場合には、ノイズは画像の境界をぼやかすことなく除去することが出来る。

メジアンフィルタは非線形フィルタの一例であり、もし適切に設計されれば、非線形フィルタが境界を保ち、且つぼかしを回避することも可能である。メジアンフィルタは、例えば、画像における各ピクセルを評価し、輝度に従って近傍するピクセルを分類し、更にピクセルのオリジナル値と順序付けられた輝度表から中央値とを置き換えることで、操作をする。メジアンフィルタは、階数条件ランク選択（ｒａｎｋ－ｃｏｎｄｉｔｉｏｎｅｄ ｒａｎｋ－ｓｅｌｅｃｔｉｏｎ：ＲＣＲＳ）フィルタの一例である。例えば、メジアンフィルタ及びその他のＲＣＲＳフィルタは、著しいぼかしアーチファクトを取り込むことなく、画像から塩及び胡椒ノイズを除去するために適用することが出来る。

更に全変分（ＴＶ）最小化正則化項を使用するフィルタは、画像化されている複数のエリアが、係るエリア間の比較的鮮明な境界を持つ離散的領域にわたって均一であると仮定される箇所に、使用することが出来る。ＴＶフィルタは、非線形フィルタの別例である。

非局所的平均フィルタリングにおいて、ピクセルの空間的近似に従ってピクセルの重み付けられた平均化を実行するよりも、ピクセルは、画像におけるパッチ間の類似性に従って重み付けられた平均となるように決定される。この様にして、ノイズは画像における全ての―近傍するピクセルだけではなく、ピクセルの非局所的平均化に基づいて除去される。特に、ピクセルに対する重みの量は、一つのピクセル近くに中心がある小さなパッチと、デノイズされている係る一つのピクセル上に中心がある別の小さなパッチと、の間の類似程度に基づく。

上記で説明されたデノイジング法に加えて、様々なデノイジング／スムージング程度を、正則化及びＩＲ法の選択を通して達成することが出来る。更に、正則化は、拘束条件として表すことが出来る。例えば、減衰係数に対し正値性を強制することは、Ｘ線放射の強度における増加（つまり、ゲイン）を生じる領域が被検体ＯＢＪには存在しないという実際的な想定に基づいた、正則化のレベルを提供することが可能である。

その他の正則化項は、再構成画像に課せられた特徴又は拘束条件についての先験的な知識に同様に依存する可能性がある。例えば、多くの臨床的撮像アプリケーションにおける所望の画像特徴を達成するために、凸集合についての投影（ｐｒｏｊｅｃｔｉｏｎ ｏｎ ｃｏｎｖｅｘ ｓｅｔｓ：ＰＯＣＳ）と併用して全変動（ＴＶ）を最小化することを、使用することが出来る。ＴＶ正則化は、コスト関数、例えば、次の式（１２）へと組み込むことができる。

代わりに、拘束条件として課すことが出来る正則化もいくつか存在する。例えば、ＴＶ及びＰＯＣＳ正則化の組み合わせは、正則化問題が次の式（３）のような枠組みとなる場合に、拘束条件として課される。

今までコスト関数におけるデータ忠実項は、後対数投影データに対するものであった。代わりに、例えば検出器上へのＸ線束が低い場合には、前対数データ忠実項を使用することが出来る。下記の記述において、式（４）に示す記号は、前対数投影データを表すために使用される。

キャリブレーション及びデータ補正（例えば、ビームハードニング、検出器非線形性、ｋエスケープ、パイルアップ等）を明らかにするためにＸ線検出器カウントを前処理した後、ＣＴデータは、計測における電子ノイズを明らかにするために、実際に、付加的なガウス分布と共にポアソン分布に従う独立ランダム変数によってモデル化することが出来る。検出器素子ｉによって計測されたランダム変数Ｙｉの統計的なモデルは、次の式（５）として説明することができる。

ここで、σ^２は電子ノイズの標準偏差を意味する。値ｙｉ（ｐ）は、次の式（６）に示す非線形変換の方法で与えられる。

値ｙｉ（ｐ）は、減衰画像ｐに相対する、期待される前対数投影データである。また、ｂｉは、例えば、キャリブレーションスキャンの間に決定された検出器素子ｉのキャリブレーション要因であり、ｒｉは背景計測（例えば、散乱光子）の平均である。前対数法において、減衰画像ｐは、複合尤度関数を使用する計測ｙから、又は扱いやすいシフトされたポアソンモデルを使用する式（７）に示すシフトされたデータから、再構成することが出来る。

ここで［・］_＋は負の値をゼロへと設定する閾値関数である。代わりに、シフトされたポアソンモデルは、ポアソン－ガウスモデルのそれとマッチすることが出来、又は統計的なモデルは、ポアソンモデル、合成されたポアソンモデル、又はシステムにおけるノイズを表す任意のその他の統計的分布又は統計的分布の組み合わせとすることが出来る。シフトされたポアソンモデルに対して、画像推定は、シフトされたポアソンモデルの対数尤度関数を最大化することで取得され、以下のように与えられる。

ここでＵ（ｐ）は画像粗さの罰則を表す正則化である。例えば、正則化項は、近傍するボクセル間の輝度の差として決定することが出来、以下の式（９）によって与えられる。

ここでΨ_δ（ｔ）は罰則関数、δは罰則関数のスムージング度を制御するパラメータ、ｗｊｋは近傍χｊにおけるボクセルｊとボクセルｋとの距離に相対する重み付け因子である。Ψ_δ（ｔ）の一例は、フーバー関数であり、次の式（１０）の様に表すことが出来る。

フーバー関数に加えて、正則化項Ｕ（ｐ）は、二次正則化項、全変分最小化項、又は任意のその他の正則化項とすることが出来る。

特定の実行例において、上記の最適化問題は、例えばオーダードサブセット（ｏｒｄｅｒｅｄ ｓｕｂｓｅｔｓ：ＯＳ）による促進を用いる、分離可能放物面サロゲート（ｓｅｐａｒａｂｌｅ ｐａｒａｂｏｌｏｉｄａｌ ｓｕｒｒｏｇａｔｅ：ＳＰＳ）により、解くことが出来る。一般に、コスト関数を最小化する画像を見つけ出すために、任意の最適化法を使用することが出来るが、例えば勾配降下法又はその他の公知の方法を含む。コスト関数を最小化するために使用することが出来る最適化法の更なる例としては、増大されたラグランジュ法、交互方向乗数法、ネステロフ法、予め調整された勾配降下法、オーダードサブセット法、又はこれら前述の組み合わせを含むことが出来る。

デノイジング及びスムージング法の上記例は、非制限の例として提供された。異なるノイズ特徴及びスムージング特徴を有する画像の蓄積を生成するための上記の実行例の変形例は、当業者に理解される通り、その趣旨又は本質的な特徴から乖離することなく、使用することが出来る。

スムージング／デノイジングの、異なる量又は異なる程度を用いての画像に関する蓄積を生成する方法は、上述の通りである。次に、ブレンド画像を生成するために、係る蓄積の様々な画像を組み合わせる方法に移る。

上記で説明した通り、ノイズ低減と解像度維持との間にはトレードオフが存在する。臨床的手術又は診断の結果は、画質に、そして如何に再構成画像が所定のアプリケーションへと上手く適応されているかに、依存することがある。つまり、ノイズ及び解像度の最適なトレードオフは、臨床アプリケーション（又は撮像アプリケーション）及び画像化されている臓器によって、異なる場合がある。例えば、より多くのデノイジング／スムージング（つまり、大きなスムージングパラメータβを有する画像からのより大きな寄与）は、より少ないデノイジング／スムージング（つまり、小さなスムージングパラメータβを有する画像からのより大きな寄与）が、例えば肺画像におけるより細かな特徴を解像するために解像度を保持することが好まれる一方で、軟部組織画像におけるノイズを抑制するためには好まれるのである。

最適なスムージングパラメータβの決定は、スムージングパラメータβに対する最適値が観察される予定のコンテントに依存することがあるので、困難な場合がある。つまり、スムージングパラメータβに対する単一の値は、全ての臨床的又は検出タスクに対して、或いは、単一の画像における一つの検出タスクに対してではないにしろ全ての検出タスクに対してであっても、最適ではないかもしれない。例えば、異なる領域タイプ（例えば、肺タイプ、空気タイプ、脂肪タイプ、水タイプ、筋肉タイプ、軟部組織タイプ、海綿骨タイプ、皮質骨タイプ、頭部組織タイプ、骨タイプ等）が単一の画像において表示された場合に、係る画像を領域へとセグメントし、且つブレンド画像を生成するために領域適応ブレンディングを適用することが役立つ場合がある。係るブレンド画像は、小さな及び大きなスムージングパラメータβを伴う画像間の相対的な重み付けが、領域によって変化する。当該領域適応ブレンディング（領域毎に重み付けの基準を調整するブレンディング）は、領域ごとの基準についてのノイズトレードオフに対し、最良な解像度を達成することが出来る。

図１Ａ、１Ｂ、２Ａ、２Ｂへと戻り、図１Ａ及び１Ｂ（２Ａ及び２Ｂ）は、正則化パラメータβに対して異なる値を使用して生成された、二つのＣＴ画像に対する同じ肺（軟部組織）領域を示している。これらの四つの図において、画像は、正則化パラメータβを含むコスト関数の最小化に基づいたＩＲ法を使用して生成された、再構成胸部画像のスライスからである。図１Ａ及び２Ａにおいて示されたスライスを生成するために使用されたＣＴ画像は、小さなスムージングパラメータβ（つまり、正則化パラメータβ法が小さかった）を使用して再構成された一方で、図１Ｂ及び２Ｂにおいて示されたスライスを生成するために使用されたＣＴ画像は、大きなスムージングパラメータβを使用して再構成されたものである。

図１Ａ及び１Ｂは、肺領域を観察するために使用するには標準的な幅及びレベル設定の、ウィンドウ幅（ｗｉｎｄｏｗ ｗｉｄｔｈ：ＷＷ）１５００ハンスフィールドユニット（ＨＵ）及びウィンドウレベル（ｗｉｎｄｏｗ ｌｅｖｅｌ：ＷＬ）－４００ＨＵを使用して表示された肺領域を示している。図１Ａに見られる通り、小さなスムージングパラメータを使用して取得された解像度により、肺における細かい特徴を観察するためには十分だが、大きなスムージングパラメータを使用した為により劣る解像度を呈する図１Ｂは、図１Ａに比べて細かい特徴の観察をより難しくしている。更に、ＨＵ１５００のより幅広いウィンドウ幅は、信号をマスクで覆ったり或いは信号を曖昧にしたりすることなく、より大きなノイズレベルが許容される場合があるという信号を送る。この様にして、小さな正則化パラメータβを使用してＣＴ画像を生成することが、肺領域に対しては適切なのである。

他方で、図２Ａ及び２Ｂは、軟部組織領域を観察するために使用するには標準的な幅及びレベル設定の、ＷＷ４００ＨＵ且つＷＬ４０ＨＵを使用して表示された軟部組織領域を示している。図２Ｂに見られる通り、ノイズは、組織の特徴を曖昧にする傾向がある小さなスムージングパラメータを使用した場合に表れ、臨床診断の難しさが増している。また表示設定信号の４００ＨＵのより狭いウィンドウ幅では、信号を著しくマスクで覆ったり又は別の方法で信号を曖昧にしたりする前に、より少ないノイズを許容することが出来る。この様にして、大きな正則化パラメータβを使用してＣＴ画像を生成することが、軟部組織領域に対しては適切なのである。

解像度とノイズとの上記で特定されたトレードオフ空間を考慮し、そして当該トレードオフ空間における最適性は、どの組織／臓器のタイプが画像化されているのかに依存し、且つ使用される予定のＣＴ画像に対するアプリケーションに依存する場合があることも考慮すると、ここの方法は、表示されているコンテント／コンテキストについての信号（ユーザから、そしてＣＴ画像そのものから）に従って、表示画像を動的に適応する。これは、各画像が異なるスムージング／デノイジング程度を有する、画像の蓄積を収集することでまず達成される。次に、個別の重みに従って係る画像蓄積から画像をブレンディングすることは、表示されたコンテントに依存する。つまり、ブレンド画像は、画像蓄積から画像の重み付けられた組み合わせを使用して生成且つ表示され、係る重み付けは画像コンテントの兆候に依存する。

特定の実施形態において、重み付けられた組み合わせ画像に対する重みは、デノイジングの程度が依存するパラメータとして、例えばユーザによって選択された表示パラメータ（ウィンドウ幅、スライス厚、ウィンドウレベル等のうちの少なくとも一つ）に従って決定される。例えば、一方でユーザがＷＷ４００ＨＵ及びＷＬ４０ＨＵで軟部組織に対する表示設定を使用して再構成画像のスライスを表示するよう選択したら、その場合ブレンド画像に対する重みが、大きなスムージングパラメータで蓄積画像のそれらからより大きな寄与を有するように選択することが出来る。他方でユーザが肺設定を使用して再構成画像のスライスを表示するよう選択した場合には、ブレンド画像に対する重みが、小さなスムージングパラメータで蓄積画像のそれらからより大きな寄与を有するように選択することも出来る。

特定の実行例において、重みは、ブレンド画像（つまり、空間的に変化する重み又は領域適応重み）における位置の関数として変化する可能性があり、これらの空間的に変化する重みは、大きなスムージングパラメータ画像の、軟部組織及び骨の特徴を有すると特定された領域におけるブレンド画像に対する寄与を増やすために使用することが出来る一方で、例えば肺の特徴を有するとして特定された領域における小さなスムージングパラメータ画像の寄与を増やす。

ここに説明される方法は、単一のスムージングパラメータが、全ての検出／撮像タスクに対し或いは全ての領域に対し、必ずしも最適であるとは限らないからこそ、有利なのである。同じデータが、対応する画像表示パラメータ（例えば、ＷＷ及びＷＬ）で多重アプリケーションに対して使用される場合に、新たな画像を再構成したり、或いは新たな後再構成デノイジング法を適用したりするのは、表示パラメータが毎回変えられるので非現実的である。しかし、画像蓄積から二つ以上の画像の間から重み／ブレンディングを変化することにより、同じ効果（つまり、表示パラメータに基づいてノイズ及び解像度を最適化すること）を達成することが出来るが、これも非現実的である。

例えば、ブレンド画像ｐ^{（Ｂｌｅｎｄｅｄ）}を生成するために、画像蓄積から二つのＣＴ画像をブレンディングする（つまり、小さなスムージングパラメータｐ^（βＳ）及び大きなスムージングパラメータｐ^（βＬ））非限定例へと戻って、二つの蓄積画像ｐ^（βＳ）及びｐ^（βＬ）は、解像度―ノイズトレードオフ空間において異なる点を占める（つまり、ｐ^（βＳ）に対応するトレードオフ空間における点Ａと、ｐ^（βＬ）に対応する点Ｂ）。従って、点Ａから点Ｂへと延びるトレードオフ空間におけるラインセグメントに沿った任意の点でブレンド画像ｐ^{（Ｂｌｅｎｄｅｄ）}を生成することが可能なのである。当該ラインセグメントに沿った並進は、蓄積の二つの画像へと適用された、相対的な重みを単に変えることで、達成される。つまり、ブレンド画像を生成するために使用される相対的な重みは、点Ａ及び点Ｂの間のラインセグメントに沿ったトレードオフ空間において、ブレンド画像がどこに位置するかを決定する。この様にして、重みをブレンディングすること（つまり、蓄積の画像へと適用された重み）は、異なる領域及び異なる表示パラメータに対し何が最適であるかに従って調節することが出来る。

更に、点Ａ及び点Ｂと同じライン上にはない、トレードオフ空間上の点Ｃに対応する蓄積における第三の画像は、ブレンド画像が点Ａ、Ｂ、Ｃによって定義された三角形における任意の点を占めることを許可するだろう。更に、画像の蓄積は、当業者には理解されている通り、ここに説明されることの趣旨又は本質的な特徴から乖離することなく、ここに説明される特徴の対応する一般化を用いて（例えば、四つの画像の蓄積に対する可能性のある組み合わせとして、ブレンド画像がトレードオフ空間において四角形を占める）、三つ以上の画像を含む可能性がある。

蓄積画像の当該ブレンディングは、臨床的ワークフローへと切れ目なく（シームレスに）統合することが出来る。例えば、当該処理を効率化することにより、表示パラメータが変更された場合に係る処理が自動的に生じるので、医師がスムージング／デノイジングパラメータの変更以外のタスクに集中する必要があるような臨床ワークフローに対して、助けとなる。従って、ユーザインターフェースの不要な複雑化を回避するために、特定の実行例において、ブレンディングパラメータの調整は、表示パラメータへと直接的に結びつけることが出来る、或いはそれ以外には利用可能な信号及び情報に基づいて自動化することが出来る。この様にして、ユーザインターフェースは、不要に複雑にならず、そして表示されるＣＴ画像の最適化により、臨床医の抱える主要なタスクから臨床医を混乱させることで生産性を減らしかねないような、頻繁な及び／又は複雑なユーザ相互作用無しで、最適化することが出来る。

図３は、異なるスムージングパラメータ（「スムージングパラメータ」という用語は、「スムージング／デノイジングパラメータ」に対する省略表現として使用され、且つそれらが相互に置き換え可能であるということ意味する）に対応する画像の蓄積からブレンド画像を生成するための方法１００のフローダイヤグラムを示している。

従って、ここに説明される方法は、各画像がノイズと解像度とのトレードオフ空間における異なる点を表している、画像の蓄積のコンテキスト重視のブレンディングを提供する。当該蓄積において、多重画像は、異なるスムージング／デノイジング程度を有するように生成されており、且つ係る画像は、スムージング／デノイジングパラメータの異なる値を使用して個別に特定することが出来る（例えば、同じＩＲ法及びコスト関数を使用するが、正則化パラメータβに対する異なる値を用いて、ＣＴ画像を再構成することにより）。

方法１００のステップ１１０において、ＣＴスキャンからの投影データが取得される。

方法１００のステップ１２０において、ＣＴ画像は係る投影データからの再構成を表して収集される。画像の蓄積からのこれらのＣＴ画像は、各ＣＴ画像が蓄積におけるその他の画像とは異なる個別のスムージングパラメータを有している。下記に説明される様な任意の前及び後再構成デノイジング法と同様に、蓄積におけるＣＴ画像を生成するために、任意の再構成法を使用することが出来るし、またデノイズされたＣＴ画像を生成する任意のその他の公知の方法も、蓄積における画像を生成するために使用することが出来る。

特定の実行例において、スムージング／デノイジングパラメータは、蓄積のうちの個別の画像の異なる特徴を表す多重の値を含むベクトルとすることが出来る（例えば、第一の値はノイズレベルを表すことがあり、且つ第二の値は解像度を表す性能指数とすることがある）。その後、下記に説明される重み付け値αは、画像のコンテント／コンテキストに従う画像の蓄積と、ベクトルであるスムージング／デノイジングパラメータの多重の値と、を重み付けるために、多重の入力を伴う関数とすることが出来る。

方法１００のステップ１３０において、表示される画像（つまり、コンテント／コンテキスト兆候）のコンテント／コンテキストを示す信号が取得される。特定の実行例において、コンテント／コンテキスト兆候は、スライス厚、ウィンドウ幅、ウィンドウレベルなど、一つ又は複数の表示設定（表示に関するパラメータの設定）とすることもある。特定の実行例において、コンテント／コンテキスト兆候は、減衰密度の領域的平均のマップ（或いは、各減衰値又は各減衰密度と閾値との大小関係）の場合もある。更に、特定の実行例において、これらのコンテント／コンテキスト兆候は、画像から組織タイプへのセグメンテーション（或いはセグメンテーションされた領域）の場合もある。更に、特定の実行例において、コンテント／コンテキスト兆候は、ＣＴスキャン又は表示画像に対して意図された使途／撮像アプリケーション／手術を示す情報の場合もあるし、或いはコンテント／コンテキスト兆候は、患者の身体のどの部分が画像化されているかについての情報（画像化された身体部分の情報）、患者の体格情報（体重、身長、性別、年齢、体格、ＢＭＩ値等）
の場合もある。コンテント／コンテキスト兆候の付加的な変形例又は組み合わせは、当業者には理解されている通り、その趣旨又は本質的な特徴から乖離することなく、使用することが出来る。

例えば、コンテント／コンテキスト兆候としてウィンドウ幅及びスライス厚の使用を検討する。図４Ａ、４Ｂ、５Ａ、５Ｂ、６Ａ、６Ｂは、様々なウィンドウ設定の中から選択の影響を図示している。図４Ａ、５Ａ、６Ａは、胸部ＣＴ画像の同じスライスに対する二次元ビューをそれぞれ示しているが、各画像において使用しているＷＷ及びＷＬ設定は異なる。（ｉ）図４Ａはデフォルト設定（つまり、ＷＷ＝－２９７．５ＨＵ、ＷＬ＝３４９７ＨＵ）を使用、（ｉｉ）図５Ａは肺設定（つまり、ＷＷ＝－４００ＨＵ、ＷＬ＝１５００ＨＵ）を使用、（ｉｉｉ）図６Ａは軟部組織設定（つまり、ＷＷ＝４００ＨＵ、ＷＬ＝４０ＨＵ）を使用。図４Ｂ、５Ｂ、６Ｂは、ＨＵ値に従って、ビンされたスライスに対するボクセルカウントのヒストグラムを個別に示す。その上、右手側に、これらの図のそれぞれは、対応するスライス画像におけるＨＵ値の色凡例と、ＨＵ値を当該色凡例に表された色へと相対付ける線と、を含む。上記で説明され且つ図４Ａ、４Ｂ、５Ａ、５Ｂ、６Ａ、６Ｂによって図示されている通り、解像度とノイズとの最適なトレードオフは、表示設定に依存する場合がある。

ウィンドウ幅及びスライス厚がノイズ及び解像度との最適なトレードオフを通知するのには、いくつか理由がある。第一に、上記で説明された通り、より大きなスライス厚は、多重ボクセル層の平均化が原因で、ノイズにおける低減に対応する（つまり、ポアソン分布におけるショットノイズは、ボクセル層数の平方根として減らされる）。第二に、より大きなウィンドウ幅は、より大きな信号及びノイズに対するより高い許容性を表す。この様にして、ウィンドウ幅及びスライス厚は、係るロジックの下、ノイズと解像度との最適なトレードオフを通知する。係るロジックとは、ウィンドウ幅がより大きくなるにつれてノイズがより目立ちにくくなり、及び／又は、ボクセル層の平均化が原因でノイズが低減される、というものであり、最適なトレードオフをノイズ抑制から遠ざけ且つより良い解像度へと向かうようシフトする。他方で、ボクセル層の平均化が原因でノイズ低減が無い場合には、ウィンドウ幅がより狭くにつれてノイズはより目立つようになり、従って、最適なトレードオフは、ノイズ抑制が増す方へと向かい且つより良い解像度から遠ざかるシフトをする。

ウィンドウ幅及びスライス厚に加えて、その他の因子及び考慮すべき事柄（ｃｏｎｓｉｄｅｒａｔｉｏｎｓ）も、最適なトレードオフを決定するロジックを通知することがある。例えば、様々なコンテント／コンテキスト兆候が、脳損傷診断のために表示画像が使用されていると示す場合に、骨折を見せるため骨領域では抑えられたスムージングが所望される一方で、皮下出血を見せるため軟部組織では強いスムージングが、それぞれ所望される。

肺撮像に対する異なるアプリケーションにおいて、軟部組織領域の診断用に超解像度再構成から擬似的標準解像度画像を生成することが出来る一方、肺領域における詳細を維持するために超解像度再構成が所望される。

コンテント／コンテキスト兆候が、ＣＴ血管造影アプリケーションのために表示画像が使用されていると示す場合に、血管に対しては高解像度が、且つその他の領域には低いノイズ（又は少ないスムージング）が、それぞれ所望される。

同様に、コンテント／コンテキスト兆候が、コントラスト強調ＣＴアプリケーションのために表示画像が使用されていると示す場合に、その他の領域には低いノイズ（又は少ないスムージング）が所望される一方で、コントラスト強調領域においては高解像度が所望される。

これらのアプリケーションのそれぞれにおいて、最適なトレードオフは、上記で説明された一つ又は複数のコンテント／コンテキスト兆候、或いは当業者には理解されているようなそれらの兆候の変形例から、様々に且つ自動的に推測することが出来る。例えば、次の表１は、ＣＴ撮像用の表示設定及び様々な撮像アプリケーションに対応する、コンテント／コンテキストの数兆候間の対応を示している。

方法１００のステップ１４０において、ブレンディング重み（複数の重み）αは、撮像アプリケーション等のコンテント／コンテキスト兆候に基づいて生成される。

特定の実行例において、蓄積における画像に対応する各スムージング／デノイジングパラメータは、特定の検出タスク（例えば、肺結節の検証か、又は軟部組織における損傷の検出か）に対して最適化することが出来る。その後、所望の診断に関連した、ユーザ定義された入力に基づいて（例えば、ＷＷ及びスライス厚）、ブレンディング重みα（或いはより一般的には、下記に「ブレンディングマップ」と説明される通り）が係るユーザ入力に対応する重みを使用して生成される。特定の実行例において、ブレンド画像は、ＷＷ及びスライス厚に基づいて自動的に生成される。更に、特定の実行例において、ブレンディングは空間的に変化するブレンディングマップを使用して実行される。各ボクセルのブレンディング重みは、再構成ＣＴ画像（例えば、画像蓄積における一つ又は複数の画像）における異なる臓器の区別から取得されたブレンディングマップにより決定される。

特定の実行例において、ブレンド画像は、ブレンディング重みαに対する単一の値を使用して生成され（例えば、蓄積の、第一の画像の重みはαで、第二の画像の重みは（１－α））、当該ブレンディング重みαは、二つの入力変数のみの関数である、即ち第一の変数はウィンドウ幅変数ｗｗで、且つ第二の変数はスライス厚変数ｓｔである。

例えば、ブレンド画像ｐ^{（Ｂｌｅｎｄｅｄ）}が小さなスムージングパラメータ画像ｐ^（βＳ）及び大きなスムージングパラメータ画像ｐ^（βＬ）の重み付けられた合計である場合に、ブレンディング重みαは、次の式（１１）によって与えることが出来る。

ここでμ_ｍｉｎは、ウィンドウ幅の最小値（例えば４２０ＨＵ）であり、μ_ｍａｘは、ウィンドウ幅の最大値（例えば１２００ＨＵ）である。この実行例において、二つの画像ｐ^（βＳ）及びｐ^（βＬ）は、表示画像のためにユーザによって現在選択されたウィドウ幅ｗｗ及びスライス厚ｓｔによって決定されたブレンディング重みαでブレンドされる。上記式において、ウィンドウ幅変数ｗｗはＨＵの単位で、そしてスライス厚変数ｓｔはボクセル層数の単位である。α＝１の場合に、ブレンド画像ｐ^{（Ｂｌｅｎｄｅｄ）}は、全体的に小さなスムージングパラメータ画像ｐ^（βＳ）であるのに対して、α＝０の場合には、全体的に大きなスムージングパラメータ画像ｐ^（βＬ）である。上記式は、一部において、（ｉ）ウィンドウ幅が大きい、或いは（ｉｉ）より大きなスライス厚は、ボクセルの多重層の平均化が原因で、低減されるべきノイズを生じる、のどちらかの場合に、ノイズが目立ちにくくなり、且つノイズが主たる懸念ではないというロジックを、表す。従って、これらの条件のうちの少なくとも一つが揃った場合に、最適なノイズ－解像度トレードオフは、ブレンド画像における小さなスムージングパラメータ画像ｐ^（βＳ）の寄与を増やすことにより改善された解像度の方を好んで歪められる。

他方で、より狭いウィンドウ幅は、信号が小さな振幅を有しそうであるということ（例えば、低コントラストを有する関心のある特徴－ＨＵ値における小さな変化）を示し、より大きなスムージングパラメータを使用することで、ノイズ抑制の重要度が高まる。そして、これは、層の平均化が原因のノイズ抑制が無い（つまり、ボクセルの単一の層に対応して、スライス厚が小さい）場合には特に真である。従って、係る場合において、最適なトレードオフは、大きなスムージングパラメータ画像ｐ^（βＬ）からの高められた寄与を有するブレンド画像に向かいシフトする。

当該実行例の変形例は、当業者には理解されているように、その趣旨又は本質的な特徴から乖離することなく、使用することが出来る。

特定の実行例において、ブレンディング重みαは、図８に示されている通り、空間的な依存を有するブレンディング比を表すブレンディングマップとすることが出来る。図７及び８は、両方ともブレンディングマップに関する。図７は、所定の領域における平均的なＨＵ値の関数として、縦軸に沿った、ブレンディング重みαに対する関数の例を描いている。当該平均的なＨＵ値は、蓄積からの任意の一つの画像又は画像の組み合わせを使用して、決定することが出来る。

蓄積が二つの画像のみを含む場合の例について、検討する。下記に説明される処理は、大きなスムージングパラメータ画像ｐ^（βＬ）が、近くのボクセルにわたる平均化であるスムージングのかなりの量を既に示すので、係る大きなスムージングパラメータ画像ｐ^（βＬ）へと適用することが出来る、平均的なＨＵ値の決定に関するものである。従って、大きなスムージングパラメータ画像ｐ^（βＬ）からの平均ＨＵ値の計算により、平均ＨＵ値を取得するために必要な、付加的なスムージングの量を減らす。

例えば、平均的なＨＵ値は、ウィンドウ関数（例えば、ガウシアン、ハン、ハミング、ブラックマン－ハリス、又は信号処理におけるその他の公知のウィンドウ関数）を使用して、蓄積の再構成画像でそれぞれに対する局所の平均的なＨＵ値を求めるよう、周辺のピクセル／ボクセルの平均化を重み付けるために、計算することが出来る。これは、例えば畳み込み（つまり、ローパスフィルタリング）として実行することが出来る。

代わりに、画像空間は、例えば閾値及び領域成長法、又は任意のその他の公知のセグメンテーション法を使用してセグメントすることが出来、そして各セグメントされた領域は、各セグメントされた領域に対する平均的なＨＵ値を取得するために、平均化することが出来る。特定の実行例において、例えばフェザリング関数（ｆｅａｔｈｅｒｉｎｇ ｆｕｎｃｔｉｏｎ）、スプライン関数、逆正接関数、又は領域間の遷移を滑らかにするための公知の任意のその他の方法を使用して、領域間の遷移をスムーズにすることが出来る。

平均的なＨＵ値の決定の更なる変形例は、当業者には理解されているように、その趣旨又は本質的な特徴から乖離することなく、使用することが出来る。

図７へと戻って、ブレンド画像の個別のボクセルに対する平均的なＨＵ値が決定された後、個別のボクセルに対するブレンディング重みαは、ルックアップテーブルを使用して生成される、或いは図７に示されたような関数等を使用して計算される。図７におけるブレンディング重みαは、二つの画像のみを有する蓄積が、α＝１の場合に、ブレンド画像ｐ^{（Ｂｌｅｎｄｅｄ）}は、全体的に小さなスムージングパラメータ画像ｐ^（βＳ）であり、且つα＝０の場合には、ブレンド画像ｐ^{（Ｂｌｅｎｄｅｄ）}は、全体的に大きなスムージングパラメータ画像ｐ^（βＬ）である、というように仮定する。図４Ａ、４Ｂ、５Ａ、５Ｂ、６Ａ、６Ｂは、領域タイプによって特定の領域のＨＵ値は群がる傾向にあるということを描いており、このＨＵ値と領域タイプとの一般的な関連性は、図７の水平軸に沿ったラベルによって示される。

更に、特定の実行例において、デュアルエネルギーＣＴ又はスペクトル的に分解されたＣＴは、物質弁別を実行するために使用することが可能である。物質弁別によって提供される相補的な情報は、ブレンド画像を生成するために、領域タイプの強調された区別に対して、そして蓄積からの画像の最適な位置依存重み付けられた組み合わせの後続の選択に対して、平均的なＨＵ値と共に或いは代わりに、使用することが出来る。

更に、入力（平均的なＨＵ値、物質成分比等）及び出力（蓄積におけるＮ画像に対し、Ｎ画像間の割合を定義するために、ボクセル毎にαのｋ１値が存在することがある）の変形例を含むブレンディング重みα関数の変形例は、当業者には理解されているように、その趣旨又は本質的な特徴から乖離することなく、使用することが出来る。

図７は、異なる平均的なＨＵ値は、コンテント／コンテキストの兆候（ｉｎｄｉｃｉａ）とすることが出来、つまり、係る平均的なＨＵ値は、ブレンド画像の生成において使用される重み付けを決定するために、使用することが出来るというロジックを例示するものである。即ち、どの重み付けが最適らしいかというのは、領域におけるコンテントに依存する場合があり、係るコンテントは平均的なＨＵ値によって示されるということだ。表１について上記で説明された通り、特定の撮像領域及びアプリケーションは、特有の最適性条件を有する場合があり、そしてＣＴ撮像の異なる臨床的アプリケーション及び処置的アプリケーションは、平均ＨＵ値をブレンディング重みαに関連付ける、図７に示された関数の変形例を使用することが出来る。

例えば、脳損傷診断において、骨折を見せるため骨領域では高い解像度が所望される一方で、皮下出血を見せるため軟部組織では強いスムージングが所望される。骨領域における高解像度を軟部組織領域におけるノイズ抑制と共に示すことを含む、上記で特定されたアプリケーションに対して使用された場合に、図７において示された関数には利点がある。更に、図７に示された関数は、肺領域における高解像度を有利に示す。

別の例で、コントラスト強調ＣＴにおいて、その他の領域には低ノイズが所望される一方で、コントラスト強調領域においては高解像度が所望される。

特定の実行例において、平均ＨＵ値をブレンディング重みαへと関連付ける関数は、その他のコンテント／コンテキスト兆候に依存する場合がある。ここで、その他のコンテント／コンテキスト兆候は、例えば、表示された減衰のウィンドウ幅の表示設定、前記表示された減衰のウィンドウレベルの表示設定、スライス厚の表示設定、臨床アプリケーションの情報、画像化された身体部分の情報、患者の体格情報（体重、身長、性別、年齢、体格、ＢＭＩ値等）のうちの一つを含む。

ブレンディング重み関数の形状における変形例は、当業者には理解されているようにその趣旨又は本質的な特徴から乖離することなく、使用することが出来る。

図８は、図７のブレンディング重み関数を図１Ａ、１Ｂ、２Ａ、２Ｂの生成において使用されたＣＴ画像の蓄積へと適用することにより、生成されたブレンディングマップのスライスを示している。係るブレンディング重み関数は、次の式（１２）によって表すことができる。

ここでＨＵｊは根指数ｊによって示されたボクセルでの平均的なＨＵ値であり、αｊは根指数ｊに対応するブレンディング重みαである。当該関数に従って、図８は、高解像度と一緒の少量のスムージングは、肺領域において選択されるが、軟部組織領域の大半は、多量のスムージング／デノイジングを使用することにより、ノイズを抑制するために最適化される、ということを示す。胸部領域の前面は、－３００ＨＵから－５０ＨＵの間の遷移範囲にあり、且つ高解像度と高ノイズ低減との歩み寄りを表す。

方法１００のステップ１５０において、ブレンド画像は、蓄積から画像の重み付けられた組み合わせによって生成される。例えば、ブレンド画像は、蓄積から画像の重み付けられた合計を実行することにより、生成することが出来る。

例えば、蓄積が二つの画像を有し、且つブレンディング重みα（ｗｗ、ｓｔ）がウィンドウ幅変数ｗｗ及びスライス厚変数ｓｔの関数である場合に、ブレンド画像は、次の式（１３）を使用して生成することが出来る。

更に、ブレンディングマップαｊ（ＨＵｊ）が使用される場合（例えば、図７及び８に示された、ＨＵ対αマッピングを用いて）に、ブレンド画像は、方程式（１４）によって与えることができる。

ここでｐ_ｊ ^{（Ｂｌｅｎｄｅｄ）}、ｐ_ｊ ^（βＳ）及びｐ_ｊ ^（βＬ）は、それぞれ、ブレンド画像、小さなスムージングパラメータ画像、そして大きなスムージングパラメータ画像である。

ブレンディングマップが使用された場合に、ブレンド画像は、蓄積からの画像の組み合わせであり、ここで蓄積からの画像中の相対的寄与は、ボクセル毎に変化する可能性がある。この様にして、空間的に変化する滑らかさ／デノイジングは、ブレンド画像の全ての領域におけるノイズトレードオフへの最適な解像度を取得して、達成することが出来る。ブレンディング比は自動的に決定されるので、異なる領域を通してナビゲーションしている間、スムージング強度又はブレンディング比をユーザが調整する必要はなく、その結果、シンプル且つ切れ目のない（シームレスな）ユーザ経験を提供する。

例えば、蓄積における三つ又はそれ以上の画像、そして係る蓄積における画像の異なる重み付けられた組み合わせを含んでいるステップ１５０の変形例（例えば、重み付けられた相加／相乗平均、重み付けられたジオメトリック平均、ノイズ及び／又は解像度に対する性能指数の関数を組み込む重み付け等）は、当業者には理解されているように、その趣旨又は本質的な特徴から乖離することなく、使用することが出来る。

図９は、図８に図示されたブレンディングマップを使用して生成された再構成画像（中央）を示している。また図９に示されているのは、軟部組織設定を使用して表示された図２Ａ及び２Ｂで表された軟部組織領域の拡大図（左上）と、肺設定を使用して表示された図１Ａ及び１Ｂで表された肺領域の拡大図（右下）と、である。図９を図１Ａ、１Ｂ、２Ａ、２Ｂと比較すると、ブレンディングマップ実行を用いて方法１００を使用して、図１Ａの所望の様子と図２Ｂの所望の様子とは、単一のブレンド画像において組み合わせられている。つまり、方法１００は、肺領域における高解像度も保ちながら、軟部組織領域における低いノイズで単一の画像も生み出すのである。

従って、方法１００によって、ブレンド画像は、異なるスムージング／デノイジング程度を有する二つ以上の再構成画像の蓄積から、自動的に生成することが出来るということだ。更に、ブレンド画像は、ユーザに付加的な入力或いは負荷を掛けることなく、手動でスムージングパラメータ又はブレンディング重みを調整する必要を排除しつつ、生成且つ表示することが出来る。更に、解像度とノイズとのトレードオフは、関心の全ての領域において同時に最適化することが出来る。

次に、例示的な実施形態に従って、方法１００及びここでの様々な処理を実行することにより、ＣＴ投影データ及び再構成画像の蓄積を処理するためのデータ処理装置３００について、図１０を参照しながら、ハードウェアの記述が説明される。図１０において、ＣＴＰデータを処理するためのデータ処理装置３００は、図３に示された方法１００を含む、上記で説明された処理を実行するＣＰＵ３０１と、当業者にとって理解される通りの変形例と、を含む。処理データ及び命令は、メモリ３０２に格納されることがある。これらの処理及び命令も、ハードディスクドライブ（ｈａｒｄ ｄｉｓｋ ｄｒｉｖｅ：ＨＤＤ）等の格納媒体ディスク３０４に、或いはポータブル格納媒体に、或いは遠隔的に、格納することもある。更に、主張される進歩は、発明の処理の命令が格納されるコンピュータ読み取り可能媒体の形式に拘泥されない。例えば、係る命令は、ＣＤ、ＤＶＤ、ＦＬＡＳＨメモリ、ＲＡＭ、ＲＯＭ、ＰＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ（登録商標）、ハードディスク又は、サーバー又はコンピュータ等データ処理装置３００と通信する任意のその他の情報処理デバイスに、格納することが出来る。

更に、主張される進歩は、ユーティリティアプリケーション、バックグラウンドデーモン、又はオペレーティングシステムの構成要素、又はそれらの組み合わせとして提供することがあり、所定のオペレーティングシステムや、当業者にとって公知のその他のオペレーティングシステムが、ＣＰＵ３０１と一体となって実行する。

ＣＰＵ３０１は、当業者に認知されているような種々のプロセッサを採用することができる。代わりに、係るＣＰＵ３０１は、ＧＰＵプロセッサや、マルチＯＳ等のオペレーティングシステムを使用して実行することが出来る。更に、係るＣＰＵ３０１は、ＦＰＧＡ、ＡＳＩＣ、ＰＬＤで、又は当業者に認知されているような個別論理回路を使用して、実行することが出来る。更に、ＣＰＵ３０１は、上記で説明された本実施形態に係る処理の命令を実行するために並行して協同的に動く、マルチプルプロセッサとして実行することも出来る。

図１０のデータ処理装置３００は、ネットワーク４００とインターフェースを取るために、所定のネットワークコントローラ３０６も含む。認識されている通り、係るネットワーク４００は、インターネットなど公共ネットワークや、ＬＡＮ又はＷＡＮネットワークなど私的ネットワークや、これらの任意の組み合わせとすることも出来、ＰＳＴＮ又はＩＳＤＮサブネットワークも含むことが可能である。係るネットワーク４００は、有線で接続されていることもあるし、又はＥＤＧＥ、３Ｇや４Ｇ無線セルラーシステムを含むセルラーネットワークのような無線のこともある。係る無線ネットワークは、ＷｉＦｉ、Ｂｌｕｅｔｏｏｔｈ（登録商標）、又は任意のその他の既知の通信の無線形式を取ることもある。

データ処理装置３００は、ディスプレイ３１０とインターフェースを取るためのディスプレイコントローラ３０８を更に含む。一般的な用途Ｉ／Ｏインターフェース３１２は、タッチスクリーンパネル３１６がディスプレイ３１０上にある又はディスプレイ３１０とは離れているのと同様に、キーボード及び／又はマウス３１４とインターフェースを取る。一般的な用途Ｉ／Ｏインターフェース３１２は、プリンタやスキャナを含む、様々な周辺機器３１８にも接続している。

サウンドコントローラ３２０は、スピーカ／マイク３２２とインターフェースを取るため、パラレルスカラーマルチプリケーション装置においても提供されており、それにより音及び／又は音楽を受け取る。

一般的な用途ストレージコントローラ３２４は、格納媒体ディスク３０４を通信バス３２６と接続する。当該通信バス３２６は、並行スカラーマルチプリケーション装置（Ｐａｒａｌｌｅｌ ｓｃａｌａｒ－ｍｕｌｔｉｐｌｉｃａｔｉｏｎ ａｐｐａｒａｔｕｓ）の全ての構成要素と相互接続するために、ＩＳＡ、ＥＩＳＡ、ＶＥＳＡ、ＰＣＩ、又は類似の物とすることが出来る。ディスプレイ３１０、キーボード及び／又はマウス３１４の一般的な特徴や機能性についての記述は、ディスプレイコントローラ３０８、ストレージコントローラ３２４、ネットワークコントローラ３０６、サウンドコントローラ３２０、そして一般的な用途Ｉ／Ｏインターフェース３１２についての説明と同様、公知なのでここでは割愛する。

図１１は、ＣＴ装置又はスキャナに含まれた放射線ガントリの実行例を描いている。図１１に示されている通り、放射線ガントリ５００は、側面から見て描かれており、Ｘ線管５０１、環状フレーム５０２、そして多列又は二次元アレイ型Ｘ線検出器５０３を更に含む。Ｘ線管５０１及びＸ線検出器５０３は、環状フレーム５０２上に被検体ＯＢＪを横切って正反対に取り付けられ、環状フレーム５０２は、回転軸ＲＡの回りに回転可能に支持される。被検体ＯＢＪが図示された頁の奥の方向または手前の方向の軸ＲＡに沿って移動されながら、回転ユニット５０７は環状フレーム５０２を０．４秒／回転もの高速で回転させる。

Ｘ線コンピュータ断層撮像（ＣＴ）装置の第一の実施形態は、付随する図を参照に下記で述べることとする。Ｘ線ＣＴ装置は、様々なタイプの装置を含んでいることに留意されたい。例えば、Ｘ線管とＸ線検出器とが検査される被検体の周辺を一緒に回る回転／回転型機構と、多数の検出器素子がリング状または水平状に配置されており、Ｘ線管のみが検査される被検体の周辺を回る固定／回転型機構とがある。本願発明は、いずれのタイプにも適用することが出来る。今回の場合には、現在主流である回転／回転型機構が例示される。

マルチスライスＸ線ＣＴ装置は、高電圧発生器５０９を更に含み、高電圧発生器５０９は、スリップリング５０８を通して、Ｘ線管５０１に印加される管電圧を生成するので、Ｘ線管５０１はＸ線を生成する。Ｘ線は、被検体ＯＢＪに向かって照射され、被検体ＯＢＪの断面領域が円で表される。例えば、Ｘ線管５０１は、第二のスキャンにわたる平均Ｘ線エネルギーに比べて小さい、第一のスキャンにわたる平均Ｘ線エネルギーを有する。この様にして、異なるＸ線エネルギーに対応して二つ以上のスキャンを取得することが出来る。Ｘ線検出器５０３は、被検体ＯＢＪを通り抜けた照射されたＸ線を検出するために、被検体ＯＢＪを挟んでＸ線管５０１から反対側に位置している。Ｘ線検出器５０３は、個々の検出器素子又は検出器ユニットを更に含む。

ＣＴ装置は、Ｘ線検出器５０３から検出された信号を処理するための、その他のデバイスを更に含む。データ収集回路又はデータ収集システム（ＤＡＳ）５０４は、各チャンネルに対するＸ線検出器５０３からの出力信号を電圧信号に変換し、その電圧信号を増幅し、更にその電圧信号をデジタル信号へと変換する。Ｘ線検出器５０３及びＤＡＳ５０４は、１回転当たりの所定全投影数（ＴＰＰＲ）を処理するように構成されている。

上記に説明されたデータは、非接触データ送信装置５０５を通して、放射線ガントリ５００外部のコンソール内に収容された、前処理デバイス５０６へと送られる。前処理デバイス５０６は、ローデータに関して感度補正など、特定の補正を実行する。メモリ５１２は、再構成処理直前のステージで、投影データとも呼ばれる結果データを格納する。メモリ５１２は、再構成デバイス５１４、入力デバイス５１５、ディスプレイ５１６と共に、データ／制御バス５１１を通して、システムコントローラ５１０に接続される。システムコントローラ５１０は、ＣＴシステムを駆動させるのに十分なレベルに達するまで電流を制限する、電流調整器（カレントレギュレータ）５１３を制御する。
検出器は、どんな世代のＣＴスキャナシステムであっても、患者に対して回転される及び／又は固定される。一実行例において、上記に述べられたＣＴシステムは、第三世代ジオメトリシステムと第四世代ジオメトリシステムとが組み合わせられた例とすることが出来る。第三世代ジオメトリシステムにおいて、Ｘ線管５０１とＸ線検出器５０３とは、環状フレーム５０２上に正反対に取り付けられ、環状フレーム５０２が回転軸ＲＡを軸として回るように、被検体ＯＢＪを軸として回転する。第四世代ジオメトリシステムにおいて、検出器は患者の周辺に固定して取り付けられており、Ｘ線管は患者の周辺を回る。代替的な実施形態において、放射線ガントリ５００は、Ｃアーム及びスタンドによって支持された、環状フレーム５０２上に配置された多数の検出器を有する。

メモリ５１２は、Ｘ線検出器ユニット５０３でＸ線照射量を表した計測値を格納することが出来る。更に、メモリ５１２は、後再構成処理、そして再構成ＣＴ画像の強調のための方法１００を実行するための専用プログラムを格納する場合がある。

再構成デバイス５１４は、ＣＴ画像を再構成することが出来、且つここで述べられた方法１００を含む、再構成ＣＴ画像の後処理を実行することが出来る。更に、再構成デバイス５１４は、必要に応じボリュームレンダリング処理や画像差処理など、前再構成画像処理を実行することが出来る。

前処理デバイス５０６によって実行される投影データの前再構成処理は、例えば検出器キャリブレーション、検出器非直線性、極性効果に対する補正を含むことが出来る。

後再構成デバイス５１４によって実行される後再構成処理は、画像フィルタリングや画像スムージング、ボリュームレンダリング処理、そして画像差処理を、必要に応じて含むことが出来る。更に、後再構成処理は、方法１００を使用して、ギザギザのエッジ除去及び解像度強調を含むことが出来る。画像再構成処理は、フィルタ補正逆投影法、逐次画像再構成法、代数再構成技法、オーダードサブセット、そして促進技法などを含む公知の方法を使用して、実行することが出来る。再構成デバイス５１４は、メモリ５１２を使って、例えば投影データ、再構成画像、キャリブレーションデータやパラメータ、そしてコンピュータプログラムを格納することが出来る。

再構成デバイス５１４は、特定用途向け集積回路(ＡＳＩＣ)、フィールドプログラマブルゲートアレイ(ＦＰＧＡ)、又はその他の複合プログラマブル論理デバイス(ＣＰＬＤ)など、個々の論理ゲートとして実行可能なＣＰＵ（処理回路）を含むことが出来る。ＦＰＧＡ又はＣＰＬＤ実行は、ＶＨＤＬ、Ｖｅｒｉｌｏｇ、又はその他のハードウェア記述言語でコード化されていることがあり、そして係るコードはＦＰＧＡ又はＣＰＬＤにおいて直接電子メモリ内に格納されていることがある、或いは別箇の電子メモリとして格納されていることもある。更に、メモリ５１２は、ＲＯＭ、ＥＰＲＯＭ、ＥＥＰＲＯＭ、又はＦＬＡＳＨメモリなど、不揮発性メモリであってもよい。メモリ５１２は、スタティックＲＡＭ、或いはダイナミックＲＡＭ等のように揮発性とすることも出来、電子メモリだけでなくＦＰＧＡ或いはＣＰＬＤとメモリとの間の相互作用を管理するマイクロコントローラ或いはマイクロプロセッサ等の処理部が設けられることもある。

代替的に、再構成デバイス５１４におけるＣＰＵは、ここで説明された機能を実行するコンピュータ読み取り可能命令のセットを含んでいるコンピュータプログラムを実行することが出来、当該コンピュータプログラムは、任意の上記で説明された非一時的電子メモリ及び／又はハードディスクドライブ、ＣＤ、ＤＶＤ、ＦＬＡＳＨドライブ、又はその他の任意の公知の格納媒体に格納されている。更に、コンピュータ読み取り可能命令は、ユーティリティアプリケーション、バックグラウンドデーモン、又はオペレーティングシステムの構成要素、又はそれらの組み合わせで提供されてもよく、プロセッサと併せて実行する。係るプロセッサとは、所定のオペレーティングシステムや、当業者にとって公知のその他のオペレーティングシステムである。更に、ＣＰＵは、命令を実行するために並行し協調して動作する複数のプロセッサとして実装することが出来る。

一実行例において、再構成画像は、ディスプレイデバイス５１６上に映し出すことがある。係るディスプレイ５１６は、ＬＣＤディスプレイ、ＣＲＴディスプレイ、プラズマディスプレイ、ＯＬＥＤ、ＬＥＤ、又は当業者にとって公知のその他のディスプレイの場合もある。

メモリ５１２は、ハードディスクドライブ、ＣＤ－ＲＯＭドライブ、ＤＶＤドライブ、ＦＬＡＳＨドライブ、ＲＡＭ、ＲＯＭ、又は当業者にとって公知のその他の格納メディアの場合もある。

特定の実施形態が述べられてきた一方で、これらの実施形態は実例の方法のみで提示されており、本開示の範囲を限定する意図はない。実に、ここに説明された新規の方法、装置、そしてシステムは、様々なその他の形式において実行することが出来る。またその上、ここに説明された方法、装置、そしてシステムの形式における、様々な省略、置換、そして変更が、開示の趣旨から乖離することなく、なされてよい。

３００…データ処理装置、３０１…ＣＰＵ、３０２…メモリ、３０４…格納媒体ディスク、３０６…ネットワークコントローラ、３０８…ディスプレイコントローラ、３１０…ディスプレイ、３１２…用途Ｉ／Ｏインターフェース、３１４…マウス、３１６…タッチスクリーンパネル、３１８…周辺機器、３２０…サウンドコントローラ、３２２…スピーカ／マイク、３２４…ストレージコントローラ、３２６…通信バス、４００…ネットワーク、５００…放射線ガントリ、５０１…Ｘ線管、５０２…環状フレーム、５０３…Ｘ線検出器、５０４…データ収集システム、５０５…非接触データ送信装置、５０６…前処理デバイス、５０７…回転ユニット、５０８…スリップリング、５０９…高電圧発生器、５１０…システムコントローラ、５１１…データ／制御バス、５１２…メモリ、５１３…電流調整器、５１４…再構成デバイス、５１５…入力デバイス、５１６…ディスプレイ

Claims (14)

1. 被検体をＣＴスキャンして得られた投影データセットに基づいて、互いに異なる方法で得られ、互いに異なるノイズの量及び統計的特性を有する複数のＣＴ画像を取得する取得部と、
   前記複数のＣＴ画像各々のデノイジングの程度の基準となるコンテキスト情報に基づいて、前記ＣＴ画像内の位置又は領域に応じて異なる値を有する重み係数を決定する決定部と、
   前記複数のＣＴ画像を前記重み係数に基づいてブレンドしブレンド画像を生成する生成部と、を具備し、
   前記コンテキスト情報は、表示に関するパラメータとして、ＣＴ撮像の撮像対象に応じた撮像アプリケーション、画像化された身体部分の情報、患者の体格情報のうちの少なくとも一つを含み、
   前記決定部は、前記コンテキスト情報が前記撮像アプリケーションとして肺撮像アプリケーションを含む場合において、前記複数のＣＴ画像の第一の画像が高解像度を有するように生成し、肺領域及び軟部組織領域において支配的に第一の画像となる前記ブレンド画像に対する相対的な寄与を調整するように前記重み係数を決定する、
   医用画像処理装置。
2. 前記ＣＴ画像は、データ忠実項と正則化パラメータ及び正則化項の積とを有する個別のコスト関数を最適化することで再構成され、
   前記正則化パラメータは、対応する前記ＣＴ画像のデノイジングの程度をパラメータ化する、
   請求項１記載の医用画像処理装置。
3. 前記コンテキスト情報は、前記表示に関するパラメータとして、ウィンドウ幅、ウィンドウレベル、スライス厚のうちの少なくとも一つを含む請求項１記載の医用画像処理装置。
4. 前記決定部は、前記複数のＣＴ画像のうちの第一の画像と、前記第一の画像に比してデノイジングの程度が低い前記複数のＣＴ画像のうちの第二の画像との間の重み係数を決定し、
   前記第一の画像の前記ブレンド画像に対する相対的な寄与は、前記ウィンドウ幅がより狭くなる場合に、前記第二の画像の寄与に相対して増加される、
   請求項３項記載の医用画像処理装置。
5. 前記決定部は、前記複数のＣＴ画像のうちの第一の画像と、前記第一の画像に比してデノイジングの程度が低い前記複数のＣＴ画像のうちの第二の画像との間の重み係数を決定し、
   前記第一の画像の前記ブレンド画像に対する相対的な寄与は、前記スライス厚がより薄くなる場合に、前記第二の画像の前記寄与に相対して増加される、
   請求項３記載の医用画像処理装置。
6. 前記決定部は、前記複数のＣＴ画像のうちの第一の画像と、前記第一の画像に比してデノイジングの程度が低い前記複数のＣＴ画像のうちの第二の画像との間の重み係数を決定し、
   前記第二の画像の前記ブレンド画像に対する相対的な寄与は、前記ウィンドウ幅がより広くなる場合に、前記第一の画像の前記寄与に相対して増加される、
   請求項３記載の医用画像処理装置。
7. 前記決定部は、前記複数のＣＴ画像のうちの第一の画像と、前記第一の画像に比してデノイジングの程度が低い前記複数のＣＴ画像のうちの第二の画像との間の重み係数を決定し、
   前記第二の画像の前記ブレンド画像に対する相対的な寄与は、前記スライス厚がより厚くなる場合に、前記第一の画像の前記寄与に相対して増加される、
   請求項３記載の医用画像処理装置。
8. 前記決定部は、前記ブレンド画像の各位置において、前記重み係数を位置の関数として決定したブレンディングマップを生成し、前記ブレンディングマップを使用して前記複数のＣＴ画像を組み合わせる、
   請求項１乃至７のうちいずれか一項記載の医用画像処理装置。
9. 前記決定部は、前記ＣＴ画像からセグメンテーションされた複数の領域を基準として前記ブレンディングマップを生成する請求項８記載の医用画像処理装置。
10. 前記複数の領域のタイプは、肺タイプ、空気タイプ、脂肪タイプ、水タイプ、筋肉タイプ、軟部組織タイプ、海綿骨タイプ、皮質骨タイプ、頭部組織タイプ、そして骨タイプ、のうちの二つ以上を含む請求項９記載の医用画像処理装置。
11. 前記決定部は、減衰値と所定の閾値との大小関係に応じて、前記重み係数の値を決定する請求項１乃至１０のうちいずれか一項記載の医用画像処理装置。
12. 前記決定部は、前記重み係数を、前記ブレンディングマップが物質弁別の情報に更に基づくように決定する請求項８記載の医用画像処理装置。
13. 前記複数のＣＴ画像は、前記投影データセットに基づいて、互いに異なる正則化パラメータで再構成することにより得られる、請求項１記載の医用画像処理装置。
14. 被検体をＣＴスキャンして得られた投影データセットに基づいて、互いに異なる方法で得られ、互いに異なるノイズの量及び統計的特性を有する複数のＣＴ画像を取得する取得部と、
    前記複数のＣＴ画像各々のデノイジングの程度の基準となるコンテキスト情報に基づいて、前記ＣＴ画像内の位置又は領域に応じて異なる値を有する重み係数を決定する決定部と、
    前記複数のＣＴ画像を前記重み係数に基づいてブレンドしブレンド画像を生成する生成部と、を具備し、
    前記コンテキスト情報は、表示に関するパラメータとして、ＣＴ撮像の撮像対象に応じた撮像アプリケーション、画像化された身体部分の情報、患者の体格情報のうちの少なくとも一つを含み、
    前記決定部は、前記コンテキスト情報が前記撮像アプリケーションとして肺撮像アプリケーションを含む場合において、前記複数のＣＴ画像の第一の画像が高解像度を有するように生成し、肺領域及び軟部組織領域において支配的に第一の画像となる前記ブレンド画像に対する相対的な寄与を調整するように前記重み係数を決定する、
    Ｘ線ＣＴシステム。