JP7348376B2 - 医用処理装置、ｘ線ｃｔシステム及び処理プログラム - Google Patents

Description

本発明の実施形態は、医用処理装置、Ｘ線ＣＴシステム及び処理プログラムに関する。

従来、Ｘ線コンピュータ断層撮影（ＣＴ：Computed Tomography）装置により、異なる複数種類の管電圧で撮影を行なって画像を取得する手法がある。例えば、２種類の異なる管電圧を用いるデュアルエナジー（Dual-Energy：ＤＥ）収集では、２種類の異なる管電圧から得られた２つの投影データセットを、予め設定した２つの基準物質それぞれの投影データ（線積分データ）に分離し、分離した２つのデータそれぞれから、基準物質の存在率に基づく画像（基準物質画像）を再構成する技術が知られている。かかる技術では、２つの基準物質画像を用いて重み付け計算処理を行うことにより、単色Ｘ線画像や密度画像、実効原子番号画像等、様々な画像を取得することができる。

米国特許第９，８０８，２１６号明細書

本発明が解決しようとする課題は、単色Ｘ線画像の精度を向上させることである。

実施形態の医用処理装置は、取得部と、処理部とを備える。取得部は、エネルギー積分型のＸ線検出器を使用して得られた第１のデータセットを取得する。処理部は、前記第１のデータセットに基づいて、フォトンカウンティング型のＸ線検出器を使用して得られた第２のデータセットを擬似的に表す出力データセットを生成する学習済みモデルに対して、前記第１のデータセットを入力することで前記出力データセットを生成する。

図１は、第１の実施形態に係るＸ線ＣＴシステムの構成の一例を示すブロック図である。 図２は、第１の実施形態に係るメモリに記憶される学習済みモデルを説明するための図である。 図３は、第１の実施形態に係る学習済みモデルを作成する医用処理装置の構成を示すブロック図である。 図４Ａは、第１の実施形態に係る学習機能によって構築される学習済みモデルの例を説明するための図である。 図４Ｂは、第１の実施形態に係る学習機能によって構築される学習済みモデルの例を説明するための図である。 図４Ｃは、第１の実施形態に係る学習機能によって構築される学習済みモデルの例を説明するための図である。 図４Ｄは、第１の実施形態に係る学習機能によって構築される学習済みモデルの例を説明するための図である。 図５は、第１の実施形態に係るデータ処理機能による処理を説明するための図である。 図６は、第１の実施形態に係る医用処理装置の処理の流れを説明するためのフローチャートである。 図７は、第１の実施形態に係るＸ線ＣＴシステムの処理の流れを説明するためのフローチャートである。

以下、図面を参照して、医用処理装置、Ｘ線ＣＴシステム及び処理プログラムの実施形態について詳細に説明する。なお、本願に係る医用処理装置、Ｘ線ＣＴシステム及び処理プログラムは、以下に示す実施形態によって限定されるものではない。

（第１の実施形態）
まず、第１の実施形態について説明する。第１の実施形態では、本願に係る医用処理装置を含むＸ線ＣＴシステムについて説明する。図１は、第１の実施形態に係るＸ線ＣＴシステム１の構成の一例を示すブロック図である。図１に示すように、第１の実施形態に係るＸ線ＣＴシステム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、第１の実施形態に係るＸ線ＣＴシステム１は、Ｘ線ＣＴ装置とも呼ばれる。また、コンソール装置４０は、本願に係る医用処理装置の一例である。

ここで、Ｘ線ＣＴシステム１は、異なる複数種類の管電圧で撮影を行なって、複数種類の投影データセットを取得する。例えば、Ｘ線ＣＴシステム１は、２種類の異なる管電圧を用いるデュアルエナジー（Dual-Energy：ＤＥ）収集により、１つの撮影対象部位に対して２つの投影データセットを収集する。そして、Ｘ線ＣＴシステム１は、収集した投影データに基づいて、ＣＴ画像データを生成する。

また、図１においては、非チルト状態での回転フレーム１３の回転軸又は寝台装置３０の天板３３の長手方向をＺ軸方向とする。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軸方向とする。また、Ｚ軸方向に直交し、床面に対し垂直である軸方向をＹ軸方向とする。なお、図１は、説明のために架台装置１０を複数方向から描画したものであり、Ｘ線ＣＴシステム１が架台装置１０を１つ有する場合を示す。

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、ＤＡＳ（Data Acquisition System）１８とを有する。

Ｘ線管１１は、熱電子を発生する陰極（フィラメント）と、熱電子の衝突を受けてＸ線を発生する陽極（ターゲット）とを有する真空管である。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、陰極から陽極に向けて熱電子を照射することで、被検体Ｐに対し照射するＸ線を発生する。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。

Ｘ線検出器１２は、Ｘ線を検出する検出素子を複数有する。Ｘ線検出器１２における各検出素子は、Ｘ線管１１から照射されて被検体Ｐを通過したＸ線を検出し、検出したＸ線量に対応した信号をＤＡＳ１８へと出力する。Ｘ線検出器１２は、例えば、Ｘ線管１１の焦点を中心とした１つの円弧に沿ってチャンネル方向（チャネル方向）に複数の検出素子が配列された複数の検出素子列を有する。Ｘ線検出器１２は、例えば、チャンネル方向に複数の検出素子が配列された検出素子列が列方向（スライス方向、roｗ方向）に複数配列された構造を有する。

例えば、Ｘ線検出器１２は、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する。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、フォトダイオード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。

回転フレーム１３は、Ｘ線管１１とＸ線検出器１２とを対向支持し、制御装置１５によってＸ線管１１とＸ線検出器１２とを回転させる円環状のフレームである。例えば、回転フレーム１３は、アルミニウムを材料とした鋳物である。なお、回転フレーム１３は、Ｘ線管１１及びＸ線検出器１２に加えて、Ｘ線高電圧装置１４やウェッジ１６、コリメータ１７、ＤＡＳ１８等を更に支持することもできる。更に、回転フレーム１３は、図１において図示しない種々の構成を更に支持することもできる。

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高電圧発生装置と、Ｘ線管１１が発生する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よい。なお、Ｘ線高電圧装置１４は、回転フレーム１３に設けられてもよいし、図示しない固定フレームに設けられても構わない。

制御装置１５は、ＣＰＵ（Central Processing Unit）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、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。例えば、制御装置１５は、回転フレーム１３の回転や架台装置１０のチルト、寝台装置３０及び天板３３の動作等について制御を行う。一例を挙げると、制御装置１５は、架台装置１０をチルトさせる制御として、入力された傾斜角度（チルト角度）情報により、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。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に設けられてもよい。

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は、ウェッジフィルタ（wedge filter）やボウタイフィルタ（bow-tie filter）であり、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等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。また、図１においては、Ｘ線管１１とコリメータ１７との間にウェッジ１６が配置される場合を示すが、Ｘ線管１１とウェッジ１６との間にコリメータ１７が配置される場合であってもよい。この場合、ウェッジ１６は、Ｘ線管１１から照射され、コリメータ１７により照射範囲が制限されたＸ線を透過して減衰させる。

ＤＡＳ１８は、Ｘ線検出器１２が有する各検出素子によって検出されるＸ線の信号を収集する。例えば、ＤＡＳ１８は、各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。ここで、ＤＡＳ１８は、所定の時間幅で検出素子から出力された信号を用いて、信号を所定の時間幅で積分した積分データを検出データとして生成する。すなわち、Ｘ線ＣＴシステム１は、積分型のＸ線ＣＴシステムである。ＤＡＳ１８は、例えば、プロセッサにより実現される。

ＤＡＳ１８が生成したデータは、回転フレーム１３に設けられた発光ダイオード（Light Emitting Diode: ＬＥＤ）を有する送信機から、光通信によって、架台装置１０の非回転部分（例えば、固定フレーム等。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。ここで、非回転部分とは、例えば、回転フレーム１３を回転可能に支持する固定フレーム等である。なお、回転フレーム１３から架台装置１０の非回転部分へのデータの送信方法は、光通信に限らず、非接触型の如何なるデータ伝送方式を採用してもよいし、接触型のデータ伝送方式を採用しても構わない。

寝台装置３０は、撮影対象の被検体Ｐを載置、移動させる装置であり、基台３１と、寝台駆動装置３２と、天板３３と、支持フレーム３４とを有する。基台３１は、支持フレーム３４を鉛直方向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駆動機構であり、モータ及びアクチュエータ等を含む。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。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、投影データやＣＴ画像データを記憶する。また、メモリ４１は、学習済みモデルを記憶する。なお、学習済みモデルについては、後に詳述する。また、例えば、メモリ４１は、Ｘ線ＣＴシステム１に含まれる回路がその機能を実現するためのプログラムを記憶する。なお、メモリ４１は、Ｘ線ＣＴシステム１とネットワークを介して接続されたサーバ群（クラウド）により実現されることとしてもよい。なお、メモリ４１は、記憶部の一例である。

ディスプレイ４２は、各種の情報を表示する。例えば、ディスプレイ４２は、処理回路４４によって生成された各種の画像を表示したり、操作者から各種の操作を受け付けるためのＧＵＩ（Graphical User Interface）を表示したりする。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。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、操作者から各種の入力操作を受け付けて、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、ディスプレイ４２によって表示された情報に対して指定操作を行うための入力操作を操作者から受け付ける。また、例えば、入力インターフェース４３は、ＣＴ画像データを再構成する際の再構成条件や、ＣＴ画像データから後処理画像を生成する際の画像処理条件等の入力操作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、操作面へ触れることで入力操作を行うタッチパッド、表示画面とタッチパッドとが一体化されたタッチスクリーン、光学センサを用いた非接触入力回路、音声入力回路等により実現される。なお、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。また、入力インターフェース４３は、マウスやキーボード等の物理的な操作部品を備えるものだけに限られない。例えば、コンソール装置４０とは別体に設けられた外部の入力機器から入力操作に対応する電気信号を受け取り、この電気信号を処理回路４４へ出力する電気信号の処理回路も入力インターフェース４３の例に含まれる。

処理回路４４は、Ｘ線ＣＴシステム１全体の動作を制御する。例えば、処理回路４４は、スキャン制御機能４４１、前処理機能４４２、画像再構成機能４４３、データ処理機能４４４及び表示制御機能４４５を実行する。なお、前処理機能４４２は、取得部の一例である。また、データ処理機能４４４は、処理部の一例である。

スキャン制御機能４４１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、スキャンを制御する。具体的には、スキャン制御機能４４１は、入力操作に基づいて、Ｘ線高電圧装置１４に制御信号を送信することで、高電圧発生装置からの出力電圧を制御する。また、スキャン制御機能４４１は、ＤＡＳ１８に制御信号を送信することで、ＤＡＳ１８によるデータ収集を制御する。

ここで、スキャン制御機能４４１は、複数種類の異なる管電圧で複数の投影データセットを収集する撮影を制御する。具体的には、スキャン制御機能４４１は、Ｘ線を利用したスキャンを実行することで、被検体の一部を含む領域について、第１のＸ線エネルギーに対応する第１データセット、及び第１のＸ線エネルギーと異なる第２のＸ線エネルギーに対応する第２データセットを収集する。例えば、スキャン制御機能４４１は、「Dual Energyによる撮影」を制御する。

前処理機能４４２は、ＤＡＳ１８から送信されたＸ線検出データに対して、対数変換処理や、オフセット補正、感度補正、ビームハードニング補正等の補正処理を行なうことで、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）およ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。例えば、前処理機能４４２は、第１の管電圧（例えば、高電圧）の検出データから投影データセット（以下、高エネルギー投影データセットと記載する）を生成する。また、前処理機能４４２は、第２の管電圧（例えば、低電圧）の検出データから投影データセット（以下、低エネルギー投影データセットと記載する）を生成する。

また、前処理機能４４２は、２種類の投影データセットを用いて、撮影の対象部位に存在する、予め決定された２つ以上の基準物質（水、ヨード、カルシウム、ハイドロキシアパタイト、脂肪等）を分離する。そして、前処理機能４４２は、２つ以上の基準物質のそれぞれに対応する２種類以上の単色Ｘ線の投影データセットを生成する。例えば、前処理機能４４２は、高エネルギー投影データセット及び低エネルギー投影データセットから、水とヨードの単色Ｘ線の投影データセットをそれぞれ生成する。なお、前処理機能４４２によって生成された投影データセットは、メモリ４１によって記憶される。

画像再構成機能４４３は、メモリ４１によって記憶された投影データセットから各種画像を生成し、生成した画像をメモリ４１に格納する。例えば、画像再構成機能４４３は、投影データを種々の再構成法（例えば、ＦＢＰ（Filtered Back Projection）などの逆投影法や、逐次近似法など）によって再構成することでＣＴ画像データを再構成し、再構成したＣＴ画像データをメモリ４１に格納する。また、画像再構成機能４４３は、種々の画像処理を行うことにより、ＣＴ画像データからＭＰＲ画像などのＣＴ画像を生成して、生成したＣＴ画像をメモリ４１に格納する。

例えば、画像再構成機能４４３は、メモリ４１によって記憶された基準物質の単色Ｘ線の投影データセットを読み出し、基準物質画像データ（基準物質強調画像データ）を再構成する。一例を挙げると、画像再構成機能４４３は、水成分が強調された投影データセットに基づいて水成分の基準物質画像データを再構成し、ヨード成分が強調された投影データセットに基づいてヨード成分の基準物質画像データを再構成する。また、画像再構成機能４４３は、水成分の基準物質画像データ及びヨード成分の基準物質画像データに対してそれぞれ画像処理を実行することで、水成分の基準物質画像とヨード成分の基準物質画像を生成する。また、画像再構成機能４４３は、２つの基準物質画像データを用いて重み付け計算処理を行うことにより、所定のエネルギーにおける単色Ｘ線画像や密度画像、実効原子番号画像等、様々な画像を生成することができる。

また、例えば、画像再構成機能４４３は、メモリ４１によって記憶された高エネルギー投影データセットと低エネルギー投影データセットとを読み出し、各投影データセットからＣＴ画像データをそれぞれ再構成する。そして、画像再構成機能４４３は、ＣＴ画像データから高エネルギーに対応する多色Ｘ線画像と、低エネルギーに対応する多色Ｘ線画像とを生成することもできる。また、画像再構成機能４４３は、データ処理機能４４４の処理によって生成された出力データセットからＣＴ画像データを再構成する。なお、出力データセットについては、後に詳述する。

データ処理機能４４４は、メモリ４１によって記憶された投影データセットや、ＣＴ画像データを、メモリ４１によって記憶された学習済みアルゴリズムに対して入力することで、出力データセットを生成する。なお、データ処理機能４４４による処理については、後に詳述する。

表示制御機能４４５は、画像再構成機能４４３によって生成されたＣＴ画像などをディスプレイ４２に表示させる。例えば、表示制御機能４４５は、データ処理機能４４４による処理によって得られた出力データセットに基づく単色Ｘ線画像をディスプレイ４２に表示させる。

図１に示すＸ線ＣＴシステム１においては、各処理機能がコンピュータによって実行可能なプログラムの形態でメモリ４１へ記憶されている。処理回路４４は、メモリ４１からプログラムを読み出して実行することで各プログラムに対応する機能を実現するプロセッサである。換言すると、各プログラムを読み出した状態の処理回路４４は、読み出したプログラムに対応する機能を有することとなる。

なお、図１においては、スキャン制御機能４４１、前処理機能４４２、画像再構成機能４４３、データ処理機能４４４及び表示制御機能４４５の各処理機能が単一の処理回路４４によって実現される場合を示したが、実施形態はこれに限られるものではない。例えば、処理回路４４は、複数の独立したプロセッサを組み合わせて構成され、各プロセッサが各プログラムを実行することにより各処理機能を実現するものとしても構わない。また、処理回路４４が有する各処理機能は、単一又は複数の処理回路に適宜に分散又は統合されて実現されてもよい。

以上、本実施形態に係るＸ線ＣＴシステム１の全体構成について説明した。かかる構成のもと、本実施形態に係るＸ線ＣＴシステム１は、単色Ｘ線画像の精度を向上させる。具体的には、Ｘ線ＣＴシステム１は、被検体に対して、複数種類の異なる管電圧で連続Ｘ線を照射して、エネルギー積分型の検出器によって検出された複数の投影データセットから生成された単色Ｘ線画像の精度を向上させる。

上述したように、複数種類の異なる管電圧で複数の投影データセットを収集する撮影では、単色Ｘ線画像を生成することができる。しかしながら、Ｘ線ＣＴシステムでは、連続Ｘ線（多色Ｘ線）が用いられているため、複数の投影データセットに基づいて生成される単色Ｘ線画像は、ノイズや散乱線などの影響を受けている場合がある。そこで、本実施形態に係るＸ線ＣＴシステムでは、複数種類の異なる管電圧によって得られた収集データと、フォトンカウンティングＣＴ（ＰＣＣＴ：Photon Counting Computed Tomography）によって得られた収集データとを学習用データに用いた学習済みモデルを用いて、ＰＣＣＴにおいて弁別された単色Ｘ線画像に近似した収集データを生成することで、エネルギー積分型の検出器によって検出された複数の投影データセットから生成された単色Ｘ線画像の精度を向上させる。なお、以下では、ＰＣＣＴにおいて弁別された単色Ｘ線画像に近似した収集データを、ＰＣＣＴ様収集データと記載する場合がある。

なお、本実施形態では、「複数種類の異なる管電圧での撮影」は、２種類の異なる管電圧での「Dual Energyによる撮影」の他、３種類以上の異なる管電圧での「Multi Energyによる撮影」も含む。以下では、「Dual Energy」によって収集された収集データを例に挙げて説明する。ここで、「Dual Energyによる撮影」の場合、以下の４つの撮影方法のいずれが用いられる場合でもよい。

例えば、第１の方法としては、１つのＸ線管を用いて第１の管電圧で撮影した後に、第１の管電圧と異なる第２の管電圧で撮影する「Slow-kV switching方式（２回転方式）」がある。また、例えば、第２の方法としては、回転中（スキャン中）のビュー毎に高速にＸ線管の管電圧を切り替えて撮影する「Fast-kV switching方式（高速スイッチング方式）」がある。この場合、管電圧の切り替えに同期してデータ収集装置がデータ収集を行ない、異なる管電圧のデータを１つのスキャン中に収集する。また、例えば、第３の方法としては、１つのＸ線管ではなく２のＸ線管を搭載した上でそれらを用いて異なる管電圧で撮影する「Dual Source方式（２管球方式）」がある。また、例えば、第４の方法としては、多層構造のＸ線検出器を用いる「積層型検出器方式」がある。例えば２層構造（浅い層の検出器、深い層の検出器）のＸ線検出器を用いる場合、浅い層の検出器で低エネルギーのＸ線が検出され、浅い層の検出器を通過した深い層の検出器で高エネルギーのＸ線が検出される。

第１の実施形態に係るデータ処理機能４４４は、第１のデータセットに基づいて、フォトンカウンティング型のＸ線検出器を使用して得られた第２のデータセットを擬似的に表す出力データセットを生成する学習済みモデルに対して、第１のデータセットを入力することで出力データセットを生成する。具体的には、データ処理機能４４４は、スキャン制御機能４４１の制御による複数種類の異なる管電圧での撮影（Dual Energyによる撮影）によって収集された収集データを、メモリ４１が記憶する学習済みモデルに入力させることで、ＰＣＣＴ様収集データを生成する。

ここで、まず、メモリ４１によって記憶される学習済みモデルについて説明する。第１の実施形態に係る学習済みモデルは、エネルギー積分型のＸ線検出器を使用して得られたデータセットと、フォトンカウンティング型のＸ線検出器を使用して得られたデータセットとを学習用データとした学習により作成される。そして、作成された学習済みモデルは、メモリ４１に格納される。

図２は、第１の実施形態に係るメモリ４１に記憶される学習済みモデルを説明するための図である。図２に示すように、第１の実施形態に係る学習済みモデルは、Dual Energyによる撮影によって収集された収集データと、ＰＣＣＴによる撮影によって収集された収集データとの関係を機械学習することによって作成される。

このような学習済みモデルは、予め作成されてメモリ４１に格納される。例えば、学習済みモデルを生成する医用処理装置が、デュアルエナジーのＸ線ＣＴ装置と、フォトンカウンティング型のＸ線ＣＴ装置とから収集データをそれぞれ取得し、取得した収集データを学習用データとした機械学習によって、学習済みモデルを作成する。そして、作成された学習済みモデルがメモリ４１に格納される。

以下、学習済みモデルの作成の一例について説明する。図３は、第１の実施形態に係る学習済みモデルを作成する医用処理装置２の構成を示すブロック図である。例えば、医用処理装置２は、図３に示すように、通信インターフェース２１０と、メモリ２２０と、処理回路２３０とを有する。そして、医用処理装置２は、デュアルエナジー（Dual Energy）のＸ線ＣＴ装置１００ａ及びフォトンカウンティング型の（ＰＣＣＴ）Ｘ線ＣＴ装置１００ｂからそれぞれ収集データを取得し、取得した収集データを用いて学習済みモデルを作成する。例えば、医用処理装置２は、サーバやワークステーション、パーソナルコンピュータ、タブレット端末等のコンピュータ機器によって実現される。

通信インターフェース２１０は、処理回路２３０に接続されており、医用処理装置２とＸ線ＣＴ装置１００ａ及びＸ線ＣＴ装置１００ｂとの間で行われる通信を制御する。具体的には、通信インターフェース２１０は、Ｘ線ＣＴ装置１００ａ及びＸ線ＣＴ装置１００ｂから収集データを受信し、受信した収集を処理回路２３０に出力する。例えば、通信インターフェース２１０は、ネットワークカードやネットワークアダプタ、ＮＩＣ（Network Interface Controller）等によって実現される。

メモリ２２０は、処理回路２３０に接続されており、各種データを記憶する。例えば、メモリ２２０は、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２２０は、例えば、収集データや学習済みモデルを記憶する。また、例えば、メモリ２２０は、医用処理装置２に含まれる回路がその機能を実現するためのプログラムを記憶する。

処理回路２３０は、医用処理装置２全体の動作を制御する。例えば、処理回路２３０は、制御機能２３１、学習機能２３２及びデータ処理機能２３３を実行する。制御機能２３１は、通信インターフェース２１０を介して、Ｘ線ＣＴ装置１００ａ及びＸ線ＣＴ装置１００ｂから収集データを取得する。具体的には、制御機能２３１は、収集データとして、投影データ及び投影データから再構成されたＣＴ画像データを取得することができる。

例えば、制御機能２３１は、異なるエネルギーのＸ線を被検体に照射することで収集された２つの投影データセット（例えば、高エネルギー投影データセット及び低エネルギー投影データセット）、及び、各エネルギーの投影データセットそれぞれから再構成された２つのＣＴ画像データをＸ線ＣＴ装置１００ａから取得することができる。また、制御機能２３１は、異なるエネルギーの投影データを用いて生成された単色Ｘ線画像データをＸ線ＣＴ装置１００ａから取得することができる。ここで、制御機能２３１は、単色Ｘ線画像データとして、高エネルギー投影データセット及び低エネルギー投影データセットから生成された単色Ｘ線の投影データセットを取得することができる。また、制御機能２３１は、単色Ｘ線画像データとして、単色Ｘ線の投影データセットから再構成された基準物質画像データを用いた重み付け計算処理により生成された所定のエネルギーにおける単色Ｘ線ＣＴ画像データを取得することができる。

そして、制御機能２３１は、複数の被検体について、上記した種々の収集データをＸ線ＣＴ装置１００ａから取得し、取得した収集データを、部位及び条件に対応付けてメモリ２２０に格納する。

また、制御機能２３１は、フォトンカウンティング型の検出器によってエネルギーごとに弁別された投影データセット、又は、各エネルギーの投影データセットそれぞれから再構成された各エネルギーのＣＴ画像データをＸ線ＣＴ装置１００ｂから取得する。制御機能２３１は、複数の被検体における収集データをＸ線ＣＴ装置１００ｂから取得し、取得した収集データを、部位及び条件に対応付けてメモリ２２０に格納する。

学習機能２３２は、メモリ２２０を参照して、複数の被検体に関するデュアルエナジーにおける収集データ、及び、フォトンカウンティングにおける収集データを取得する。具体的には、学習機能２３２は、同一部位及び同一条件で収集されたデュアルエナジーにおける収集データとフォトンカウンティングにおける収集データとを取得する。そして、学習機能２３２は、取得したデュアルエナジーにおける収集データとフォトンカウンティングにおける収集データとを学習用データとして機械学習エンジンに入力することによって、機械学習を行う。

ここで、機械学習エンジンは、例えば、入力されたデュアルエナジーにおける収集データ及びフォトンカウンティングにおける収集データに基づいて、メモリ２２０を参照し、デュアルエナジーにおける収集データとフォトンカウンティングにおける収集データとの比較を行うことで、デュアルエナジーにおける収集データからＰＣＣＴ様収集データを生成するための最適なパラメータを決定する。例えば、機械学習エンジンは、ディープラーニング（Deep Learning）や、ニューラルネットワーク（Neural Network）、ロジスティック（Logistic）回帰分析、非線形判別分析、サポートベクターマシン（Support Vector Machine：ＳＶＭ）、ランダムフォレスト（Random Forest）、ナイーブベイズ（Naive Bayes）等の各種のアルゴリズムを用いて、最適なパラメータを決定する。

このような機械学習の結果として、学習機能２３２は、デュアルエナジーにおける収集データに基づいてＰＣＣＴ様収集データを出力する学習済みモデルを生成する。そして、学習機能２３２は、生成した学習済みモデルをメモリ２２０に記憶させる。なお、このとき、学習機能２３２は、以前に作成した学習済みモデルが既にメモリ２２０に記憶されていた場合には、新しく作成した学習済みモデルで、記憶されている学習済みモデルを置き換える。

以下、学習機能２３２によって構築される学習済みモデルの例について、図４Ａ～図４Ｄを用いて説明する。図４Ａ～図４Ｄは、第１の実施形態に係る学習機能２３２によって構築される学習済みモデルの例を説明するための図である。

例えば、学習機能２３２は、図４Ａに示すように、Ｘ線ＣＴ装置１００ａから取得された各エネルギーの投影データセット（図中、Dual Energy投影データ）と、Ｘ線ＣＴ装置１００ｂから取得されたエネルギー弁別後の投影データセット（図中、ＰＣＣＴエネルギー弁別投影データ）との関係を機械学習することによって、各エネルギーの投影データセットに基づいて、ＰＣＣＴ様の投影データセットを出力する学習済みモデルを生成する。ここで、学習機能２３２は、機械学習に用いるエネルギー弁別投影データセット（教師データ）として、Ｘ線ＣＴ装置１００ａから取得された投影データセットに対応するエネルギーのエネルギー弁別投影データセットを用いる。

例えば、Ｘ線ＣＴ装置１００ａから８０ｋＶｐで撮影された投影データセットと１３５ｋＶｐで撮影された投影データセットとが取得された場合、学習機能２３２は、８０ｋｅＶのエネルギー弁別投影データセットと、１３５ｋｅＶのエネルギー弁別投影データセットとを用いて学習済みモデルを生成する。すなわち、学習機能２３２は、８０ｋＶｐで撮影された投影データセットと弁別後の８０ｋｅＶのエネルギー弁別投影データセットとを用いた８０ｋｅＶの学習済みモデルと、１３５ｋＶｐで撮影された投影データセットと弁別後の１３５ｋｅＶのエネルギー弁別投影データセットとを用いた１３５ｋｅＶの学習済みモデルをそれぞれ生成する。

学習機能２３２は、エネルギーごとに上記した投影データの学習済みモデルをそれぞれ生成する。例えば、学習機能２３２は、３５ｋｅＶ～１３５ｋｅＶまで１ｋｅＶごとの学習済みモデルを生成して、メモリ２２０に格納する。ここで、学習機能２３２は、上記したエネルギーごとの学習済みモデルを部位及び条件ごとにさらに生成することができる。例えば、学習機能２３２は、頭部、胸部、腹部などの撮影範囲ごと、さらに、肺、心臓、肝臓などの臓器ごとに、８０ｋｅＶの学習済みモデルをそれぞれ生成することができる。さらに、学習機能２３２は、同一部位において、ビュー数や、管電流、スライス厚などの撮影条件ごとに、学習済みモデルを生成することもできる。

また、例えば、学習機能２３２は、図４Ｂに示すように、Ｘ線ＣＴ装置１００ａから取得された各エネルギーのＣＴ画像データ（図中、Dual Energy投影データから再構成された再構成画像データ）と、Ｘ線ＣＴ装置１００ｂから取得されたエネルギー弁別後のＣＴ画像データ（図中、ＰＣＣＴエネルギー弁別投影データから再構成された再構成画像データ）との関係を機械学習することによって、各エネルギーのＣＴ画像データに基づいて、ＰＣＣＴ様のＣＴ画像データを出力する学習済みモデルを生成する。ここで、学習機能２３２は、機械学習に用いるＰＣＣＴの再構成画像データ（教師データ）として、Ｘ線ＣＴ装置１００ａから取得された再構成画像データと同一のエネルギーの再構成画像データを用いる。

例えば、Ｘ線ＣＴ装置１００ａから８０ｋＶｐの再構成画像データと１３５ｋＶｐの再構成画像データとが取得された場合、学習機能２３２は、８０ｋｅＶのＰＣＣＴの再構成画像データと、１３５ｋｅＶのＰＣＣＴの再構成画像データとを用いて学習済みモデルを生成する。すなわち、学習機能２３２は、８０ｋＶｐの再構成画像データと８０ｋｅＶのＰＣＣＴの再構成画像データとを用いた８０ｋｅＶの学習済みモデルと、１３５ｋＶｐの再構成画像データと１３５ｋｅＶのＰＣＣＴの再構成画像データとを用いた１３５ｋｅＶの学習済みモデルをそれぞれ生成する。

学習機能２３２は、上述した例と同様に、エネルギーごとに部位ごと及び条件ごとの学習済みモデルをそれぞれ生成することができる。

また、例えば、学習機能２３２は、図４Ｃに示すように、Ｘ線ＣＴ装置１００ａから取得された単色Ｘ線の投影データセット（図中、Dual Energy投影データから生成された仮想単色投影データ）と、Ｘ線ＣＴ装置１００ｂから取得されたＰＣＣＴエネルギー弁別投影データとの関係を機械学習することによって、各エネルギーの投影データセットに基づいて、ＰＣＣＴ様の単色Ｘ線の投影データセットを出力する学習済みモデルを生成する。ここで、学習機能２３２は、機械学習に用いるエネルギー弁別後の投影データセット（教師データ）として、Ｘ線ＣＴ装置１００ａから取得された投影データセットと同一のエネルギーのエネルギー弁別後の投影データセットを用いる。

例えば、Ｘ線ＣＴ装置１００ａにおいて、８０ｋＶｐで撮影された投影データセットと１３５ｋＶｐで撮影された投影データセットとから８０ｋｅＶの単色Ｘ線の投影データセットが取得された場合、学習機能２３２は、８０ｋｅＶのエネルギー弁別投影データセットを用いて学習済みモデルを生成する。すなわち、学習機能２３２は、８０ｋｅＶの単色Ｘ線の投影データセットと弁別後の８０ｋｅＶのエネルギー弁別投影データセットとを用いた８０ｋｅＶの学習済みモデルを生成する。学習機能２３２は、上述した例と同様に、エネルギーごとに部位ごと及び条件ごとの学習済みモデルをそれぞれ生成することができる。

また、例えば、学習機能２３２は、図４Ｄに示すように、Ｘ線ＣＴ装置１００ａから取得された単色Ｘ線ＣＴ画像データ（図中、Dual Energy投影データから再構成された再構成画像データから生成された仮想単色画像データ）と、Ｘ線ＣＴ装置１００ｂから取得されたエネルギー弁別後のＣＴ画像データ（図中、ＰＣＣＴエネルギー弁別投影データから再構成された再構成画像データ）との関係を機械学習することによって、各エネルギーのＣＴ画像データに基づいて、ＰＣＣＴ様のＣＴ画像データを出力する学習済みモデルを生成する。ここで、学習機能２３２は、機械学習に用いるＰＣＣＴの再構成画像データ（教師データ）として、Ｘ線ＣＴ装置１００ａから取得された単色Ｘ線ＣＴ画像データと同一のエネルギーの再構成画像データを用いる。

例えば、Ｘ線ＣＴ装置１００ａにおいて、８０ｋＶｐで撮影された投影データセットと１３５ｋＶｐで撮影された投影データセットとから８０ｋｅＶの単色Ｘ線ＣＴ画像データが取得された場合、学習機能２３２は、８０ｋｅＶのＰＣＣＴの再構成画像データを用いて学習済みモデルを生成する。すなわち、学習機能２３２は、８０ｋｅＶの単色Ｘ線ＣＴ画像データと８０ｋｅＶのＰＣＣＴの再構成画像データとを用いた８０ｋｅＶの学習済みモデルを生成する。学習機能２３２は、上述した例と同様に、エネルギーごとに部位ごと及び条件ごとの学習済みモデルをそれぞれ生成することができる。

上述したように、学習機能２３２は、種々の収集データを用いて、エネルギーごとに部位ごと及び条件ごとの学習済みモデルをそれぞれ生成し、生成した学習済みモデルをメモリ２２０に格納する。このように生成された学習済みモデルは、Ｘ線ＣＴシステム１のメモリ４１に格納され、ＰＣＣＴ様の収集データの生成に用いられる。

図３に戻って、データ処理機能２３３は、データ処理機能４４４と同様の処理を実行する。すなわち、医用処理装置２は、データ処理機能２３３の処理によって、メモリ２２０に格納された学習済みモデルを用いたＰＣＣＴ様の収集データの生成を行うことができる。なお、ＰＣＣＴ様の収集データの生成については、後に詳述する。

図３に示す医用処理装置２においては、各処理機能がコンピュータによって実行可能なプログラムの形態でメモリ２２０へ記憶されている。処理回路２３０は、メモリ２２０からプログラムを読み出して実行することで各プログラムに対応する機能を実現するプロセッサである。換言すると、各プログラムを読み出した状態の処理回路２３０は、読み出したプログラムに対応する機能を有することとなる。

なお、図３においては、制御機能２３１、学習機能２３２及びデータ処理機能２３３の各処理機能が単一の処理回路２３０によって実現される場合を示したが、実施形態はこれに限られるものではない。例えば、処理回路２３０は、複数の独立したプロセッサを組み合わせて構成され、各プロセッサが各プログラムを実行することにより各処理機能を実現するものとしても構わない。また、処理回路２３０が有する各処理機能は、単一又は複数の処理回路に適宜に分散又は統合されて実現されてもよい。

Ｘ線ＣＴシステム１におけるデータ処理機能４４４は、メモリ４１に記憶された学習済みモデルを用いて、出力データセットを生成する。図５は、第１の実施形態に係るデータ処理機能４４４による処理を説明するための図である。図５に示すように、データ処理機能４４４は、Dual Energyによる撮影によって収集された収集データを受け付けて、受け付けた収集データをメモリ４１に格納された学習済みモデルに入力することで、ＰＣＣＴ様の収集データを出力させる。データ処理機能４４４は、学習済みモデルから出力された収集データを画像再構成機能４４３に送ることで、表示用の単色Ｘ線画像を生成させる。

例えば、データ処理機能４４４は、前処理機能４４２から高エネルギー投影データセット及び低エネルギー投影データセットを受け付けて、受け付けた投影データセットをそれぞれ対応する学習済みモデルに入力させる。一例を挙げると、データ処理機能４４４は、８０ｋＶｐで撮影された投影データセットを受け付け、受け付けた投影データセットを、同一部位及び同一条件の８０ｋｅＶの学習済みモデルに入力させることで、８０ｋｅＶのＰＣＣＴ様の投影データセットを出力させる。すなわち、データ処理機能４４４は、連続Ｘ線の８０ｋＶｐで撮影された投影データセットにおけるエネルギー「８０ｋｅＶ」以外の成分を除去した８０ｋｅＶのＰＣＣＴ様の投影データセットを出力させる。

同様に、データ処理機能４４４は、１３５ｋＶｐで撮影された投影データセットを受け付け、受け付けた投影データセットを、同一部位及び同一条件の１３５ｋｅＶの学習済みモデルに入力させることで、１３５ｋｅＶのＰＣＣＴ様の投影データセットを出力させる。すなわち、データ処理機能４４４は、連続Ｘ線の１３５ｋＶｐで撮影された投影データセットにおけるエネルギー「１３５ｋｅＶ」以外の部分を除去した１３５ｋｅＶのＰＣＣＴ様の投影データセットを出力させる。

画像再構成機能４４３は、データ処理機能４４４によって生成された投影データセットを用いて、単色Ｘ線画像を生成する。例えば、画像再構成機能４４３は、８０ｋｅＶのＰＣＣＴ様の投影データセットから８０ｋｅＶのＣＴ画像データを再構成する。また、例えば、画像再構成機能４４３は、１３５ｋｅＶのＰＣＣＴ様の投影データセットから１３５ｋｅＶのＣＴ画像データを再構成する。さらに、画像再構成機能４４３は、再構成したＣＴ画像データに対して種々の画像処理を行い、表示用のＣＴ画像をそれぞれ生成する。

また、例えば、データ処理機能４４４は、前処理機能４４２から各エネルギーのＣＴ画像データを受け付けて、受け付けた各エネルギーのＣＴ画像データをそれぞれ対応する学習済みモデルに入力させる。一例を挙げると、データ処理機能４４４は、８０ｋＶｐのＣＴ画像データを受け付け、受け付けたＣＴ画像データを、同一部位及び同一条件の８０ｋｅＶの学習済みモデルに入力させることで、８０ｋｅＶのＰＣＣＴ様のＣＴ画像データを出力させる。すなわち、データ処理機能４４４は、ＣＴ画像データにおける８０ｋＶｐ以外の成分を除去した８０ｋｅＶのＰＣＣＴ様のＣＴ画像データを出力させる。

同様に、データ処理機能４４４は、１３５ｋＶｐのＣＴ画像データを受け付け、受け付けたＣＴ画像データを、同一部位及び同一条件の１３５ｋｅＶの学習済みモデルに入力させることで、１３５ｋｅＶのＰＣＣＴ様のＣＴ画像データを出力させる。すなわち、データ処理機能４４４は、ＣＴ画像データにおける１３５ｋｅＶ以外の成分を除去した１３５ｋｅＶのＰＣＣＴ様のＣＴ画像データを出力させる。

画像再構成機能４４３は、データ処理機能４４４によって生成されたＣＴ画像データに対して種々の画像処理を行い、表示用のＣＴ画像を生成する。

また、例えば、データ処理機能４４４は、前処理機能４４２から単色Ｘ線の投影データセットを受け付けて、受け付けた単色Ｘ線の投影データセットを対応する学習済みモデルに入力させる。一例を挙げると、データ処理機能４４４は、８０ｋＶｐで撮影された投影データセットと１３５ｋＶｐで撮影された投影データセットとから取得された８０ｋｅＶの単色Ｘ線の投影データセットを受け付け、受け付けた単色Ｘ線の投影データセットを、同一部位及び同一条件の８０ｋｅＶの学習済みモデルに入力させることで、８０ｋｅＶのＰＣＣＴ様の単色Ｘ線の投影データセットを出力させる。すなわち、データ処理機能４４４は、仮想的に生成された８０ｋｅＶの単色Ｘ線の投影データセットを、ＰＣＣＴで収集された８０ｋｅＶの投影データセットに近似するように補正した８０ｋｅＶのＰＣＣＴ様の投影データセットを出力させる。

同様に、データ処理機能４４４は、仮想的に生成された単色Ｘ線の投影データセットを対応する学習済みモデルに入力させることで、任意のエネルギーにおけるＰＣＣＴ様の投影データセットを出力させることができる。

画像再構成機能４４３は、データ処理機能４４４によって生成された投影データセットを用いて、単色Ｘ線画像を生成する。例えば、画像再構成機能４４３は、任意のエネルギーにおけるＰＣＣＴ様の投影データセットを出力からＣＴ画像データを再構成して、表示用のＣＴ画像を生成する。

また、例えば、データ処理機能４４４は、前処理機能４４２から単色Ｘ線ＣＴ画像データを受け付けて、受け付けた単色Ｘ線ＣＴ画像データを対応する学習済みモデルに入力させる。一例を挙げると、データ処理機能４４４は、８０ｋＶｐで撮影された投影データセットと１３５ｋＶｐで撮影された投影データセットとから取得された８０ｋｅＶの単色Ｘ線ＣＴ画像データを受け付け、受け付けた単色Ｘ線ＣＴ画像データを、同一部位及び同一条件の８０ｋｅＶの学習済みモデルに入力させることで、８０ｋｅＶのＰＣＣＴ様の単色Ｘ線ＣＴ画像データを出力させる。すなわち、データ処理機能４４４は、仮想的に生成された８０ｋｅＶの単色Ｘ線ＣＴ画像データを、ＰＣＣＴで収集された８０ｋｅＶの単色Ｘ線ＣＴ画像データに近似するように補正した８０ｋｅＶのＰＣＣＴ様の単色Ｘ線ＣＴ画像データを出力させる。

同様に、データ処理機能４４４は、仮想的に生成された単色Ｘ線ＣＴ画像データを対応する学習済みモデルに入力させることで、任意のエネルギーにおけるＰＣＣＴ様の単色Ｘ線ＣＴ画像データを出力させることができる。

画像再構成機能４４３は、データ処理機能４４４によって生成された単色Ｘ線ＣＴ画像データを用いて、単色Ｘ線画像を生成する。例えば、画像再構成機能４４３は、任意のエネルギーにおけるＰＣＣＴ様の単色Ｘ線ＣＴ画像データから表示用のＣＴ画像を生成する。

次に、Ｘ線ＣＴシステム１及び医用処理装置２による処理の手順の一例を、図６、７を用いて説明する。図６は、第１の実施形態に係る医用処理装置２の処理の流れを説明するための図である。また、図７は、第１の実施形態に係るＸ線ＣＴシステム１の処理の流れを説明するためのフローチャートである。

図６におけるステップＳ１０１及びステップＳ１０２は、処理回路２３０が制御機能２３１に対応するプログラムをメモリ２２０から読み出して実行することで実現されるステップである。また、ステップＳ１０３及びステップＳ１０４は、処理回路２３０が学習機能２３２に対応するプログラムをメモリ２２０から読み出して実行することで実現されるステップである。

図６に示すように、まず、処理回路２３０は、学習を開始するか否かを判定する（ステップＳ１０１）。ここで、学習を開始しない場合（ステップＳ１０１否定）、処理回路２３０は待機状態である。一方、学習を開始する場合（ステップＳ１０１肯定）、処理回路２３０は、部位ごとに条件ごとのデュアルエナジー収集データ及びフォトンカウンティング収集データを取得する（ステップＳ１０２）。

次に、処理回路２３０は、デュアルエナジー収集データ及びフォトンカウンティング収集データを学習用データとした機械学習によって、学習済みモデルを生成する（ステップＳ１０３）。そして、処理回路２３０は、生成した学習済みモデルをメモリ２２０に記憶させる。（ステップＳ１０４）。

図７におけるステップＳ２０１及びステップＳ２０２は、処理回路４４がスキャン制御機能４４１及び前処理機能４４２に対応するプログラムをメモリ４１から読み出して実行することで実現されるステップである。また、ステップＳ２０３及びステップＳ２０４は、処理回路４４がデータ処理機能４４４に対応するプログラムをメモリ４１から読み出して実行することで実現されるステップである。また、ステップＳ２０５は、処理回路４４が表示制御機能４４５に対応するプログラムをメモリ４１から読み出して実行することで実現されるステップである。

図７に示すように、まず、処理回路４４は、デュアルエナジーによる撮影が開始されたか否かを判定する（ステップＳ２０１）。ここで、デュアルエナジーによる撮影を開始しない場合（ステップＳ２０１否定）、処理回路４４は待機状態である。一方、デュアルエナジーによる撮影を開始する場合（ステップＳ２０１肯定）、処理回路４４は、デュアルエナジー収集データを取得する（ステップＳ２０２）。

次に、処理回路４４は、部位及び条件に対応する学習済みモデルを選択して（ステップＳ２０３）、デュアルエナジー収集データを学習済みモデルに入力する（ステップＳ２０４）。そして、処理回路４４は、出力されたＰＣＣＴ様の収集データに基づく単色Ｘ線画像をディスプレイ４２に表示させる（ステップＳ２０５）。

上述したように、第１の実施形態によれば、前処理機能４４２は、エネルギー積分型のＸ線検出器を使用して得られた第１のデータセットを取得する。データ処理機能４４４は、第１のデータセットに基づいて、フォトンカウンティング型のＸ線検出器を使用して得られた第２のデータセットを擬似的に表す出力データセットを生成する学習済みモデルに対して、第１のデータセットを入力することで出力データセットを生成する。従って、第１の実施形態に係るＸ線ＣＴシステム１は、連続Ｘ線で撮影されて収集された収集データをフォトンカウンティングで収集された収集データに近似させることができ、単色Ｘ線画像の精度を向上させることを可能にする。

また、上述したように、第１の実施形態によれば、第１のデータセットは、投影データセット、投影データに基づいて再構成された画像データセット、若しくは投影データセット又は画像データセットに対して分離処理を適用することで得られたデータセットを含む。従って、第１の実施形態に係るＸ線ＣＴシステム１は、種々のデータセットを対象に処理を行うことを可能にする。

また、上述したように、第１の実施形態によれば、学習済みモデルは、エネルギー積分型のＸ線検出器を使用して得られたデータセットと、フォトンカウンティング型のＸ線検出器を使用して得られたデータセットとを学習用データとした学習により作成される。従って、第１の実施形態に係るＸ線ＣＴシステム１は、連続Ｘ線で撮影されて収集された収集データをフォトンカウンティングで収集された収集データに近似させる学習済みモデルを容易に生成することを可能にする。

また、上述したように、第１の実施形態によれば、前処理機能４４２は、エネルギー積分型のＸ線検出器を使用して検出された第１の投影データセットを取得する。データ処理機能４４４は、エネルギー積分型のＸ線検出器を使用して検出された第２の投影データセットと、フォトンカウンティング型のＸ線検出器を使用して得られた第３の投影データセットとを学習用データとした学習によって作成された学習済みモデルに対して、第１の投影データセットを入力することで、出力データセットを生成する。従って、第１の実施形態に係るＸ線ＣＴシステム１は、目的とするエネルギー以外の成分を除去した投影データセットを生成することができ、単色Ｘ線画像の精度を向上させることを可能にする。

また、上述したように、第１の実施形態によれば、前処理機能４４２は、エネルギー積分型のＸ線検出器を使用して検出された第１の投影データセットから再構成された第１の画像データセットを取得する。データ処理機能４４４は、エネルギー積分型のＸ線検出器を使用して検出された第２の投影データセットから再構成された第２の画像データセットと、フォトンカウンティング型のＸ線検出器を使用して得られた第３の投影データセットから再構成された第３の画像データセットとを学習用データとした学習によって作成された学習済みモデルに対して、第１の画像データセットを入力することで、出力データセットを生成する。従って、第１の実施形態に係るＸ線ＣＴシステム１は、目的とするエネルギー以外の成分を除去したＣＴ画像データを生成することができ、単色Ｘ線画像の精度を向上させることを可能にする。

また、上述したように、第１の実施形態によれば、前処理機能４４２は、エネルギー積分型のＸ線検出器を使用して検出された第１の投影データセットから分離された第１のエネルギーに相当する第１の分離投影データセット（単色Ｘ線の投影データセット）を取得する。データ処理機能４４４は、エネルギー積分型のＸ線検出器を使用して検出された第２の投影データセットから分離された第１のエネルギーに相当する第２の分離投影データセットと、フォトンカウンティング型のＸ線検出器を使用して得られた第１のエネルギーに相当する第３の投影データセットとを学習用データとした学習によって作成された学習済みモデルに対して、第１の分離投影データセットを入力することで、出力データセットを生成する。従って、第１の実施形態に係るＸ線ＣＴシステム１は、任意のエネルギーにおける単色Ｘ線画像の精度を向上させることを可能にする。

また、上述したように、第１の実施形態によれば、前処理機能４４２は、エネルギー積分型のＸ線検出器を使用して検出された第１の投影データセットから再構成された第１の画像データセットから分離された第１のエネルギーに相当する第１の分離画像データセット（単色Ｘ線のＣＴ画像データ）を取得する。データ処理機能４４４は、エネルギー積分型のＸ線検出器を使用して検出された第２の投影データセットから再構成された第２の画像データセットから分離された第１のエネルギーに相当する第２の分離画像データセットと、フォトンカウンティング型のＸ線検出器を使用して得られた第１のエネルギーに相当する第３の投影データセットから再構成された第３の画像データセットとを学習用データとした学習によって作成された学習済みモデルに対して、第１の分離画像データセットを入力することで、前記出力データセットを生成する。従って、第１の実施形態に係るＸ線ＣＴシステム１は、任意のエネルギーにおける単色Ｘ線画像の精度を向上させることを可能にする。

（その他の実施形態）
これまで第１の実施形態について説明したが、上述した第１の実施形態以外にも、種々の異なる形態にて実施されてよいものである。

上述した実施形態では、「Dual-Energyによる撮影」によって収集した高エネルギー投影データセットと低エネルギー投影データセットとを用いる場合について説明した。しかしながら、実施形態はこれに限定されるものではなく、３種類以上の異なる管電圧での「Multi Energyによる撮影」によって収集した３種類以上の異なるエネルギーに対応する投影データセットが用いられる場合でもよい。

かかる場合には、「Multi Energyによる撮影」によって収集された収集データと、フォトンカウンティングによって収集された収集データとを用いて学習済みモデルが生成される。そして、データ処理機能４４４は、「Multi Energyによる撮影」によって収集された収集データを、学習済みモデルに入力することで、ＰＣＣＴ様収集データを生成する。

また、上述した実施形態では、ＰＣＣＴ様の単色Ｘ線画像を生成する場合について説明した。しかしながら、実施形態はこれに限定されるものではなく、例えば、ＰＣＣＴ様の基準物質画像を生成する場合であってもよい。かかる場合には、基準物質に関する収集データに基づいて学習済みモデルが生成される。すなわち、「Dual-Energyによる撮影」又は「Multi Energyによる撮影」によって収集された基準物質に関する収集データと、フォトンカウンティングによって収集された基準物質に関する収集データとを用いて学習済みモデルが生成される。そして、データ処理機能４４４は、「Dual-Energyによる撮影」又は「Multi Energyによる撮影」によって収集された収集データを、学習済みモデルに入力することで、ＰＣＣＴ様収集データを生成する。ここで、基準物質に関する画像データは、単色Ｘ線のデータから係数を用いて変換させることができる。

また、上述した実施形態では、デュアルエナジーによる収集データとフォトンカウンティングによる収集データとを用いた学習済みモデルを生成する場合について説明した。しかしながら、実施形態はこれに限定されるものではなく、例えば、デュアルエナジーによる収集データとマルチエナジーによる収集データとを用いた学習済みモデルを生成する場合でもよい。

例えば、前処理機能４４２は、２種類のＸ線をそれぞれ被検体に照射し、前記被検体を透過した各Ｘ線をエネルギー積分型の検出器を使用して検出することで得られた第１のデータセットを取得する。データ処理機能４４４は、第１のデータセットに基づいて、３種類以上のＸ線をそれぞれ被検体に照射し、被検体を透過した各Ｘ線をエネルギー積分型のＸ線検出器を使用して検出することで得られる第２のデータセットを擬似的に表す出力データセットを生成する学習済みモデルに対して、第１データセットを入力することで、出力データセットを生成する。

仮想的に単色Ｘ線画像を生成する際に使用するエネルギーの数が多いほど、生成される単色Ｘ線画像の精度が高い。したがって、２種類のエネルギーを用いるデュアルエナジーによって生成する単色Ｘ線画像よりも、３種類以上のエネルギーを用いるマルチエナジーによって生成する単色Ｘ線画像の方が、精度が高い。

そこで、２種類のエネルギーを用いるデュアルエナジーによって収集した収集データ（単色Ｘ線の投影データ及び単色Ｘ線のＣＴ画像データ）と、３種類以上のエネルギーを用いるマルチエナジーによって収集した収集データ（単色Ｘ線の投影データ及び単色Ｘ線のＣＴ画像データ）とを用いた学習済みモデルを生成して、メモリ４１に格納させる。そして、データ処理機能４４４は、デュアルエナジーによって収集した収集データを対応する学習済みモデルに入力することで、マルチエナジー様の収集データを生成することができる。

また、上述した実施形態では、Ｘ線ＣＴシステム１が学習済みモデルを用いた処理を実行する場合について説明した。しかしながら、実施形態はこれに限定されるものではなく、例えば、医用処理装置２において学習済みモデルを用いた処理が実行される場合であってもよい。

例えば、図３に示す医用処理装置２が、Ｘ線ＣＴ装置１００ａからデュアルエナジーによって収集された収集データを取得する。そして、データ処理機能２３３が、メモリ２２０に記憶された学習済みモデルに対して、取得された収集データを入力することで、ＰＣＣＴ様収集データや、マルチエナジー様の収集データを生成する場合でもよい。

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、ＧＰＵ（Graphics Processing Unit）、あるいは、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、メモリ４１又はメモリ５３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、図１においては、単一のメモリ４１が各処理機能に対応するプログラムを記憶するものとして説明した。また、図３においては、単一のメモリ２２０が各処理機能に対応するプログラムを記憶するものとして説明した。しかしながら、実施形態はこれに限定されるものではない。例えば、複数のメモリ４１を分散して配置するとともに、処理回路４４が個別のメモリ４１から対応するプログラムを読み出す構成としても構わない。また、例えば、複数のメモリ２２０を分散して配置するとともに、処理回路２３０が個別のメモリ２２０から対応するプログラムを読み出す構成としても構わない。また、メモリ４１又はメモリ２２０にプログラムを保存する代わりに、プロセッサの回路内にプログラムを直接組み込むよう構成しても構わない。この場合、プロセッサは回路内に組み込まれたプログラムを読み出し実行することで機能を実現する。

また、処理回路４４及び処理回路２３０は、ネットワークを介して接続された外部装置のプロセッサを利用して、機能を実現することとしてもよい。例えば、処理回路４４は、メモリ４１から各機能に対応するプログラムを読み出して実行するとともに、Ｘ線ＣＴシステム１とネットワークＮＷを介して接続された外部のワークステーションやクラウドを計算資源として利用することにより、図１に示す各機能を実現する。また、例えば、処理回路２３０は、メモリ２２０から各機能に対応するプログラムを読み出して実行するとともに、医用処理装置２とネットワークＮＷを介して接続された外部のワークステーションやクラウドを計算資源として利用することにより、図３に示す各機能を実現する。

上述した実施形態に係る各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。即ち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部又は一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的又は物理的に分散・統合して構成することができる。更に、各装置にて行われる各処理機能は、その全部又は任意の一部が、ＣＰＵ及び当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現されうる。

また、上述した実施形態で説明した制御方法は、予め用意された処理プログラムをパーソナルコンピュータやワークステーション等のコンピュータで実行することによって実現することができる。この処理プログラムは、インターネット等のネットワークを介して配布することができる。また、この処理プログラムは、ハードディスク、フレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＭＯ、ＤＶＤ等のコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行することもできる。

以上説明した少なくとも１つの実施形態によれば、単色Ｘ線画像の精度を向上させることができる。

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システム
２ 医用処理装置
４４、２３０ 処理回路
２３２ 学習機能
４４１ スキャン制御機能
４４２ 前処理機能
２３３、４４４ データ処理機能
４４５ 表示制御機能

Claims (9)

1. 少なくとも２つ以上の異なるエネルギーのＸ線を被検体に照射しながら収集された複数の投影データセットに基づく仮想単色Ｘ線データを取得する取得部と、
   フォトンカウンティング型のＸ線検出器を有するＸ線ＣＴ装置を使用して得られたエネルギー弁別データを用いて訓練された学習済みモデルに対して、前記仮想単色Ｘ線データを入力することで出力データを生成する処理部と、
   を備えた医用処理装置。
2. 前記仮想単色Ｘ線データは、仮想単色投影データ、又は、前記複数の投影データセットに基づいて再構成された仮想単色画像データである、請求項１に記載の医用処理装置。
3. 前記学習済みモデルは、前記仮想単色Ｘ線データと、前記エネルギー弁別データとを学習用データとした学習により作成される、請求項１又は２に記載の医用処理装置。
4. 前記取得部は、前記少なくとも２つ以上の異なるエネルギーのＸ線を被検体に照射しながら収集された複数の投影データセットに基づく第１のエネルギーに相当する第１の仮想単色投影データを取得し、
   前記処理部は、少なくとも２つ以上の異なるエネルギーのＸ線を被検体に照射しながら収集された複数の投影データセットに基づく前記第１のエネルギーに相当する第２の仮想単色投影データと、フォトンカウンティング型のＸ線検出器を有するＸ線ＣＴ装置を使用して得られたエネルギー弁別投影データのうち前記第１のエネルギーに相当するエネルギー弁別投影データとを学習用データとした学習によって作成された学習済みモデルに対して、前記第１の仮想単色投影データを入力することで、前記出力データを生成する、請求項１に記載の医用処理装置。
5. 前記取得部は、前記少なくとも２つ以上の異なるエネルギーのＸ線を被検体に照射しながら収集された複数の投影データセットから再構成された画像データに基づく第１のエネルギーに相当する第１の仮想単色画像データを取得し、
   前記処理部は、少なくとも２つ以上の異なるエネルギーのＸ線を被検体に照射しながら収集された複数の投影データセットから再構成された画像データに基づく前記第１のエネルギーに相当する第２の仮想単色画像データと、フォトンカウンティング型のＸ線検出器を有するＸ線ＣＴ装置を使用して得られたエネルギー弁別投影データから再構成されたエネルギー弁別画像データのうち前記第１のエネルギーに相当するエネルギー弁別画像データとを学習用データとした学習によって作成された学習済みモデルに対して、前記第１の仮想単色画像データを入力することで、前記出力データを生成する、請求項１に記載の医用処理装置。
6. 前記学習済みモデルは、前記仮想単色Ｘ線データの入力に応じて、前記エネルギー弁別データを擬似的に表す前記出力データを生成する、請求項１乃至５のいずれか１つに記載の医用処理装置。
7. 前記出力データに基づく表示画像を表示させる表示制御部をさらに備える、請求項１乃至６のいずれか１つに記載の医用処理装置。
8. 請求項１乃至７のうちいずれか１つに記載の医用処理装置を含む、Ｘ線ＣＴシステム。
9. 少なくとも２つ以上の異なるエネルギーのＸ線を被検体に照射しながら収集された複数の投影データセットに基づく仮想単色Ｘ線データを取得する取得機能と、
   フォトンカウンティング型のＸ線検出器を有するＸ線ＣＴ装置を使用して得られたエネルギー弁別データを用いて訓練された学習済みモデルに対して、前記仮想単色Ｘ線データを入力することで出力データを生成する処理機能と、
   をコンピュータに実現させるための処理プログラム。

Images